Klasifikasi Kualitas Buah Apel Berdasarkan Warna dan Bentuk Menggunakan Metode KNN

  • Cindy Suryanti Universitas Islam Lamongan
  • M.Ghofar Rohman Universitas Islam Lamongan
Abstract views: 185 , PDF downloads: 146
Keywords: Apples, Classification KNN, Quality

Abstract

Buah apel merupakan merupakan salah satu buah-buahan yang memiliki banyak penggemar dengan kandungan buah seperti tinggi serat, vitamin C, dan berbagai macam antioksidan. Satu buah apel diketahui mengandung 95 kalori, yang sebagian besarnya berasal dari kandungan karbohidrat di dalamnya. Pemilihan buah apel untuk dikonsumsi adalah buah dengan kualitas yang bagus yaitu tidak terlalu muda dan tidak busuk.  Tujuan dari penelitian ini adalah untuk merancang dan membangun sistem klasifikasi jenis jeruk berdasarkan daun sehingga diketahui kelebihan dan kekurangan metode KNN dan untuk mengetahui tingkat akurasi metode KNN. Aplikasi ini menggunakan metode KNN dan menggunakan eksraksi fitur meanR, meanG, meanB, standR, standG, standB, contras, correlation, energy, homogeneity, perimeter, area, accentricity. Pada penelitian ini untuk menentukan kualitas baik dan buruk, data seluruhnya ada 117 diantara lain data Training 74 dan testing 43 dan penelitian ini memiliki nilai akurasi tertinggi yaitu K5 dengan total sebesar 88.37%.

Apples are one of the fruits that have many fans with fruit content such as high fiber, vitamin C, and various kinds of antioxidants. One apple is known to contain 95 calories, most of which come from the carbohydrate content in it. The selection of apples for consumption is fruit with good quality, which is not too young and not rotten. The purpose of this research is to design and build a citrus type classification system based on leaves so that the advantages and disadvantages of the KNN method are known and to determine the accuracy of the KNN method. This application uses the KNN method and uses feature extraction meanR, meanG, meanB, standR, standG, standB, contrast, correlation, energy, homogeneity, perimeter, area, accentricity. In this study, to determine good and bad quality, there were 117 data in total, including training data 74 and testing 43 and this study had the highest accuracy value, namely K5 with a total of 88.37%.

 

References

N. Wijaya and A. Ridwan, “Klasifikasi Jenis Buah Apel Dengan,” Sisfokom, vol. 08, no. 1, pp. 74–78, 2019.

F. A. Arifah and I. R. Aprilia, “Potensi Buah Apel (Malus domestica) Dalam Mengatasi Penyakit Asma,” Proceeding Biol. Educ., vol. 3, no. 1, pp. 208–212, 2019.

S. Saidah, R. Purnamasari, A. N. Bainuri, and G. S. F. Wahid, “Analisis Perbandingan Metode LBP dan CLBP pada Sistem Pengenalan Individu Melalui Iris Mata,” J. Edukasi dan Penelit. Inform., vol. 6, no. 3, p. 285, 2020, doi: 10.26418/jp.v6i3.41521.

Muhammad Jauhar Vikri and R. Rohmah, “Penerapan Fungsi Exponential Pada Pembobotan Fungsi Jarak Euclidean Algoritma K-Nearest Neighbor,” Gener. J., vol. 6, no. 2, pp. 57–64, 2022, doi: 10.29407/gj.v6i2.18070.

M. R. Setiawan, Y. A. Sari, and P. P. Adikara, “Klasifikasi Citra Makanan Menggunakan K-Nearest Neighbor dengan Fitur Bentuk Simple Morphological Shape Descriptors dan Fitur Warna Grayscale Histogram,” vol. 3, no. 3, pp. 2726–2731, 2019.

Sopiatul Ulum, R. F. Alifa, P. Rizkika, and C. Rozikin, “Perbandingan Performa Algoritma KNN dan SVM dalam Klasifikasi Kelayakan Air Minum,” Gener. J., vol. 7, no. 2, pp. 141–146, 2023, doi: 10.29407/gj.v7i2.20270.

M. Sholihin and M. G. Rohman, “Klasifikasi Kualitas Mutu Telur Ayam Ras Berdasarkan Fitur Warna Dan Tekstur,” J. Tek., vol. 10, no. 2, pp. 1056–1059, 2018, doi: 10.30736/teknika.v10i2.244.

A. Atina, “Aplikasi Matlab pada Teknologi Pencitraan Medis,” J. Penelit. Fis. dan Ter., vol. 1, no. 1, p. 28, 2019, doi: 10.31851/jupiter.v1i1.3123.

R. Andrean Nugraha, E. Wahyu Hidayat, and R. Nur Shofa, “Klasifikasi Jenis Buah Jambu Biji Menggunakan Algoritma Principal Component Analysis dan K-Nearest Neighbor,” Gener. J., vol. 7, no. 1, pp. 1–7, 2023, doi: 10.29407/gj.v7i1.17900.

A. Chan, “FORMULASI SEDIAAN SABUN MANDI PADAT DARI EKSTRAK BUAH APEL (Malus domesticus) SEBAGAI SABUN KECANTIKAN KULIT,” J. Ilm. Manuntung, vol. 2, no. 1, pp. 51–55, 2017, doi: 10.51352/jim.v2i1.46.

A. Ilmi, M. H. Razka, D. S. Wiratomo, and D. S. Prasvita, “Klasifikasi Tingkat Kematangan Buah Apel Berdasarkan Fitur Warna Menggunakan Algoritma KNN dan Ekstraksi Warna HSV,” Semin. Nas. Mhs. Ilmu Komput. dan Apl., no. September, pp. 176–182, 2021, [Online]. Available: https://www.kaggle.com/aelchimminut/fruits262.

J. Jumadi, Y. Yupianti, and D. Sartika, “Pengolahan Citra Digital Untuk Identifikasi Objek Menggunakan Metode Hierarchical Agglomerative Clustering,” JST (Jurnal Sains dan Teknol., vol. 10, no. 2, pp. 148–156, 2021, doi: 10.23887/jstundiksha.v10i2.33636.

S. I. D. Rahayu, “Implementasi Ekstraksi Ciri Statistik Untuk Identifikasi Penyakit Kulit Berdasarkan Kulit Manusia,” Jati, vol. 2, no. 1, pp. 1–11, 2016.

D. Kristianto, “Karakterisasi Beberapa Varietas Buah Apel (Malus sylvestris, Mill) dI KP Telekung, Balitjestro Jawa Timur,” Pros. Temu Tek. Jab. Fungsional Non Peneliti, pp. 71–79, 2019.

M. R. Kumaseh, L. Latumakulita, and N. Nainggolan, “SEGMENTASI CITRA DIGITAL IKAN MENGGUNAKAN METODE THRESHOLDING,” J. Ilm. Sains, vol. 13, no. 1, pp. 75–79, 2013, doi: 10.35799/jis.17.2.2017.18128.

T. Y. Prahudaya and A. Harjoko, “Metode Klasifikasi Mutu Jambu Biji Menggunakan Knn Berdasarkan Fitur Warna Dan Tekstur,” J. Teknosains, vol. 6, no. 2, p. 113, 2017, doi: 10.22146/teknosains.26972.

I. Ramadan, D. Syauqy, and R. Primananda, “Sistem Pendeteksi Kematangan Buah Apel menggunakan Metode Naïve Bayes berbasis Embedded System,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 4, pp. 1654–1661, 2021, [Online]. Available: http://j-ptiik.ub.ac.id

Q. Shandy, S. S. Panna, and Y. Malago, “Penerapan Metode Grey Level Co-Occurrence Matriks (GLCM) dan K-Nearest Neighbor (K-NN) Untuk Mendeteksi Tingkat Kematangan Buah Belimbing Bintang,” J. Nas. cosPhi, vol. 3, no. 1, pp. 2597–9329, 2019.

R. E. Pawening, W. J. Shudiq, and W. Wahyuni, “KLASIFIKASI KUALITAS JERUK LOKAL BERDASARKAN TEKSTUR DAN BENTUK MENGGUNAKAN METODE k-NEAREST NEIGHBOR (k-NN),” COREAI J. Kecerdasan Buatan, Komputasi dan Teknol. Inf., vol. 1, no. 1, pp. 10–17, 2020, doi: 10.33650/coreai.v1i1.1640.

S. R. Raysyah, Veri Arinal, and Dadang Iskandar Mulyana, “Klasifikasi Tingkat Kematangan Buah Kopi Berdasarkan Deteksi Warna Menggunakan Metode Knn Dan Pca,” JSiI (Jurnal Sist. Informasi), vol. 8, no. 2, pp. 88–95, 2021, doi: 10.30656/jsii.v8i2.3638.

M. Sholihin and M. G. Rohman, “Klasifikasi Mutu Telur Berdasarkan Fitur Warna dengan Menggunakan Metode K-Nearest Neighbor,” Fak. Teknol. Inf. UNMER Malang, pp. 1188–1193, 2018.

PlumX Metrics

Published
2024-02-05
How to Cite
Suryanti, C., & Rohman, M. (2024). Klasifikasi Kualitas Buah Apel Berdasarkan Warna dan Bentuk Menggunakan Metode KNN. Generation Journal, 8(1), 34-41. https://doi.org/10.29407/gj.v8i1.21052