KLASIFIKASI TINGKAT KEMATANGAN BUAH KOPI BERDASARKAN DETEKSI WARNA MENGGUNAKAN METODE KNN DAN PCA

Authors

  • Siti Raysyah STIKOM Cipta Karya Informatika
  • Veri Arinal STIKOM Cipta Karya Informatika
  • Dadang Iskandar Mulyana STIKOM Cipta Karya Informatika

DOI:

https://doi.org/10.30656/jsii.v8i2.3638

Abstract

Abstrak - Kopi merupakan salah satu produk tanaman dibidang perkebunan yang dibutuhkan oleh masyarakat di dunia . Di Indonesia kopi termasuk komoditas ekspor yang cukup tinggi. Perkebunan kopi di Indonesia memiliki peran penting dalam perekonomian di Indonesia, serta menjadi penyedia lapangan pekerjaan bagi masyarakat sekitarnya. Kondisi dari sektor perkebunan kopi yang dibahas saat ini adalah untuk penentuan panen buah kopi berdasarkan warna kulit buah,  kematangan buah kopi dimulai dari mentah, cukup matang dan matang sehingga warna dari buah kopi dapat menjadi indikator penting untuk dapat mengetahui tingkat kematangan dan kualitas buah kopi. Oleh karena itu peneliti ingin mengajukan sebuah ide untuk menjawab permasalahan pada penentuan kematangan buah kopi yang sebagian besar masih dilakukan secara manual memiliki beberapa kelemahan dan membutuhkan proses yang cukup lama, memiliki akurasi yang rendah dan tidak konsisten, hal itu dikarenakan penentuan yang dilakukan secara subjektif oleh para petani kopi. Berdasarkan permasalahan tersebut dibuatlah sebuah sistem untuk mengklasifikasikan tingkat kematangan buah kopi dengan memanfaatkan fitur warna RGB dan HSV menggunakan metode K-Nearest Neighbor (KNN). Klasifikasi menggunakan pengolahan citra dengan memanfaatkan software MATLAB untuk pembuatan sistem klasifikasi dengan 3 kelas yaitu mentah, cukup matang, dan matang. Dalam penelitian ini menggunakan data yang didapat dari dataset public dengan mengunduh (download) gambar terkait dari google image  yaitu berupa gambar citra buah kopi yang ada pada variabel penelitian ini . Data yang digunakan dalam penelitian ini sebanyak 135 dataset yang dibagi menjadi 90 data latih dan 45 data uji. Data tersebut diklasifikasikan menggunakan metode KNN dengan mengukur jarak tetangga terdekat dengan nilai K=3. Dari penelitian ini didapatkan hasil akurasi sebesar 97,77% dengan hasil klasifikasi data uji sebanyak 44 data mendapat hasil klasifikasi akurat dan 1 data mendapat hasil klasifikasi tidak akurat.

 

Kata kunci : Kopi, K-Nearest Neighbor, RGB, HSV, MATLAB

Downloads

Download data is not yet available.

References

A. S. Eko Hari, “Pengukuran Tingkat Kematangan Kopi Robusta Menggunakan Algoritma K-Nearest Neighbor,†Pros. SENDI_U 2018, pp. 978–979, 2018.

M. Arief, “Klasifikasi Kematangan Buah Jeruk Berdasarkan Fitur Warna Menggunakan Metode SVM,†J. Ilmu Komput. dan Desain Komun. Vis., vol. 4, no. 1, pp. 9–16, 2019.

C. Paramita, E. H. Rachmawanto, C. A. Sari, D. R. Ignatius, and M. Setiadi, “Klasifikasi Jeruk Nipis Terhadap Tingkat Kematangan Buah Berdasarkan Fitur Warna Menggunakan K-Nearest Neighbor,†vol. 04, no. 1, pp. 1–6, 2019, doi: 10.30591/jpit.v4i1.1267.

A. Abdullah and P. Pahrianto, “Sistem Klasifikasi Kematangan Tomat Berdasarkan Warna Dan Bentuk Menggunakan Metode Support Vector Machine (SVM),†JSI J. Sist. Inf., vol. 9, no. 2, pp. 1313–1322, 2017, doi: 10.36706/jsi.v9i2.5007.

D. Novianto and T. Sugihartono, “Sistem Deteksi Kualitas Buah Jambu Air Berdasarkan Warna Kulit Menggunakan Algoritma Principal Component Analysis ( Pca ) dan K-Nearest Neigbor ( K-NN ),†vol. 11, no. 2, pp. 42–47, 2020.

D. I. Muhammad, E. Ermatita, and N. Falih, “Penggunaan K-Nearest Neighbor (KNN) untuk Mengklasifikasi Citra Belimbing Berdasarkan Fitur Warna,†Inform. J. Ilmu Komput., vol. 17, no. 1, p. 9, 2021, doi: 10.52958/iftk.v17i1.2132.

D. R. Taningrum, B. Hidayat, and Y. S. Hariyani, “IDENTIFICATION SYSTEM LICENSE PLATE ON VEHICLES USING PRINCIPAL COMPONENT ANALYSIS AND K-NN CLASSIFICATION Classification,†e-Proceeding Eng., vol. 3, no. 2, pp. 1868–1876, 2016.

Y. E. Yana and N. Nafi’iyah, “Klasifikasi Jenis Pisang Berdasarkan Fitur Warna, Tekstur, Bentuk Citra Menggunakan SVM dan KNN,†Res. J. Comput. Inf. Syst. Technol. Manag., vol. 4, no. 1, p. 28, 2021, doi: 10.25273/research.v4i1.6687.

A. Sindar and R. M. Sinaga, “IMPLEMENTASI TEKNIK THRESHODING PADA SEGMENTASI CITRA DIGITAL,†vol. 1, no. 2, pp. 48–51, 2017.

P. Sari, L. Muflikah, and R. C. Wihandika, “Klasifikasi Kualitas Susu Sapi Menggunakan Metode Support Vector Machine ( SVM ),†J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 3, pp. 1204–1211, 2018.

A. Budi, S. Suma’inna, and H. Maulana, “Pengenalan Citra Wajah Sebagai Identifier Menggunakan Metode Principal Component Analysis (PCA),†J. Tek. Inform., vol. 9, no. 2, pp. 166–175, 2016, doi: 10.15408/jti.v9i2.5608.

I. M. B. S. I Made Ary Swantika , Bulkis Kanata, “Perancangan Sistem Untuk Mengetahui Kualitas Biji Kopi Berdasarkan Warna Dengan K-Nearest Neighbor,†J. Bakti Nusa, vol. 1, no. 2, pp. 25–36, 2020.

D. A. Nugraha and A. S. Wiguna, “Seleksi Fitur Warna Citra Digital Biji Kopi Menggunakan Metode Principal Component Analysis,†Res. Comput. Inf. Syst. Technol. Manag., vol. 3, no. 1, p. 24, 2020, doi: 10.25273/research.v3i1.5352.

L. Indriyani, W. Susanto, and D. Riana, “Aplikasi Matlab Pada Pengukuran Diameter buah Jeruk Keprok,†IJCIT (Indonesian J. Comput. Inf. Technol., vol. 2, no. 1, pp. 46–52, 2017.

D. Prasetyo, “Aplikasi Pendeteksi Jerawat Di Wajah Dengan Menggunakan Teknik Pengolahan Citra Pada Foto,†2018.

L. Farokhah and P. Korespondensi, “Implementasi K-Nearest Neighbor Untuk Klasifikasi Bunga Dengan Ekstraksi Fitur Warna Rgb Implementation of K-Nearest Neighbor for Flower Classification With Extraction of Rgb Color Features,†J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 6, pp. 1129–1136, 2020, doi: 10.25126/jtiik.202072608.

C. Habib, M. Surudin, Y. Widiastiwi, and N. Chamidah, “Penerapan Algoritma K-Nearest Neighbor Pada Klasifikasi Kesegaran Citra Ayam Broiler Berdasarkan Warna Daging Dada Ayam,†Senamika, pp. 799–809, 2020.

S. F. Kusuma, R. E. Pawening, and R. Dijaya, “Otomatisasi klasifikasi kematangan buah mengkudu berdasarkan warna dan tekstur,†Regist. J. Ilm. Teknol. Sist. Inf., vol. 3, no. 1, p. 17, 2017, doi: 10.26594/r.v3i1.576.

Downloads

Published

2021-09-11

Issue

Vol. 8 No. 2 (2021)

Section

Articles

License

Creative Commons License

  1. This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

  2. Author(s)' Warranties

    The author warrants that the article is original, written by stated author(s), has not been published before, contains no unlawful statements, does not infringe the rights of others, is subject to copyright that is vested exclusively in the author and free of any third party rights, and that any necessary written permissions to quote from other sources have been obtained by the author(s).

  3. Information
    Notice about change in the copyright policy of the journal 'Jurnal Sistem Informasi (JSiI)' : "From Vol 1, onwards the copyright of the article published in the journal 'Jurnal Sistem Informasi' will be retained by the author"