Klasifikasi Kualitas Buah Melinjo Menggunakan K-NN
Keywords:
Melinjo, KNN, RGB, KlasifikasiAbstract
Banyaknya industri pengolahan yang memanfaatkan
melinjo sebagai bahan baku serta pasar yang membutuhkan melinjo
untuk konsumsi segar juga turut mempengaruhi potensi untuk
pengembangan budidaya melinjo. Di Indonesia penentuan kualitas
buah melinjo kebanyakan menggunakan cara konvensional dengan
mengamati buah secara manual. Pemilahan hasil panen terutama
buah-buahan dapat dilakukan secara otomatis menggunakan high
performance liquid chromatography, pencitraan nearinfrared, dan
sensor gas, namun cara tersebut membutuhkan perangkat yang mahal
dan operator professional. Penelitian ini mengusulkan analisis
kualitas buah melinjo berdasarkan pengolahan citra. Dengan
menggunakan algoritma K-Nearest Neighbor (KNN) dalam
mengklasifikasikan buah melinjo ke dalam dua kelompok, yaitu baik
dan buruk, serta attribut yang digunakan dalam pengklasifikasian
berupa fitur ekstraksi RGB. Berdasarkan hasil eksperimen metode
(KNN) mempunyai performa yang baik, dibuktikan dari hasil akurasi
yang tinggi. Dari 100 dataset dibagi menjadi data training 70 citra
dan data testing 30 citra. Hasil pengujian menggunakan data testing
yaitu 28 citra masuk kategori benar dalam klasifikasi dan 2 salah
sehingga menghasilkan akurasi 93 %, precision 94 persen dan recall
94 persen.
References
(2022) agrotek.id website : https://agrotek.id/klasifikasi-dan-
morfologi-tanaman-melinjo/
Santoso, M., Naka, Y., Angkawidjaja, C., Tamaguchi, T., Matoba ,
T. & Takamura, H. 2010. Antioxidant and damage Prevention Activities of
Edible Parts of Gnetum Gnemon and Their Change upon Heat Treatment.
Journal Food Science and Technology 15 (6): 549-556.
Nisa, R. 2017. Struktur Anatomis dan Profil Fitokimia Kulit Lar Biji
Melinjo (Gnetum Gnemon L.) pada Empat Tingkat Kemasakan Biji. Skripsi,
Fakultas Biologi Universitas Gadjah Mada Yogyakarta.
Pratama, K. A., Atmaja W. P., Lusiana, V. 2022. Klasifikasi Tingkat
Kematangan Buah Kersen menggunakan Citra HIS dengan Metode K-nearest
Meighbor (KNN). Smart Comp Vol. 11 (1): 105-108.
Iklima, C. P., Nasir, M., HariTohaHidayat. 2017. Klasifikasi Jenis
Pisang menggunakan Metode K-nearest Neighbors (KNN). Jurnal Teknologi
Rekayasa Informasi dan Komputer Vol. 1 (1): 11-14.
Ilmi, A., Razka, M. A., Wiratomo, D. S., Prasvita, D. S. 2021.
Klasifikasi Tingkat Kematangan Buah Apel berdasarkan Fitur Warna
menggunakan Algoritma K-nearest Neighbor dan Ekstraksi Warna HSV.
Seminar Nasional Mahasiswa Ilmu Komputer dan Aplikasinya (SENAMIKA):
-182.
Muhammad, D. I., Ermatita., Falih, N. 2021. Penggunaan K-nearest
Neighbors (KNN) untuk Mengklasifikasi Citra Belimbing berdasarkan Fitur
Warna. Jurnal Informatik Vo. 17 (1): 9-16.
Budiharto, W. 2016. Machine Learning & Computational
Intelligence: Andi.
Febri Liantoni, Klasifikasi Daun dengan Perbaikan Fitur Citra
menggunakan K-nearest Neighbor. Institut Teknologi Adhi Tama, 2015.
Paramita C, Rachmawanto EH, Sari CA, Setiadi DR. 2019.
Klasifikasi Jeruk Nipis Terhadap Tingkat Kematangan Buah Berdasarkan Fitur
Warna Menggunakan K-Nearest Neighbor. Jurnal Informatika. Vol. 4 (1).
