KLASIFIKASI KUALITAS JERUK MANDARIN BERBASIS WARNA RGB DAN HSV MENGGUNAKAN KNN

Rizki Ananda Putra, Maulana Ibrahim, Mochammad Zulfikri, Giantika Chrisnawati

Abstract


This study aims to automatically classify the quality of fresh and rotten Mandarin oranges using RGB and HSV color features with the K-Nearest Neighbor (KNN) algorithm. This study adopted a quantitative experimental approach. The dataset used consisted of 150 Mandarin orange images, 75 fresh and 75 rotten, with preprocessing stages consisting of image resizing to 512 × 512 pixels and feature extraction of the average RGB and HSV channel Values. Tests were conducted with varying K Values : 1, 3, 5, and 7. The results showed that the K-Nearest Neighbor method, which utilizes RGB and HSV color attributes, was able to classify the quality of Mandarin oranges effectively. The test results showed that changes in the K parameter affected the classification results, with K = 5 producing the highest accuracy of 94.74% (AP = 0.948). This indicates that the RGB and HSV color attributes with the KNN method are effective in determining the quality of Mandarin oranges.

Penelitian ini bertujuan untuk mengklasifikasikan kualitas Jeruk Mandarin segar dan busuk secara otomatis menggunakan fitur warna RGB dan HSV dengan algoritma K-Nearest Neighbor (KNN). Studi ini mengadopsi metode kuantitatif dengan pendekatan eksperimen. Dataset yang digunakan terdiri dari 150 citra Jeruk Mandarin, masing-masing 75 citra Jeruk segar dan 75 citra Jeruk busuk, dengan tahap prapengolahan berupa resizing citra menjadi 512×512 piksel dan ekstraksi fitur nilai rata-rata kanal RGB dan HSV. Pengujian dilakukan dengan variasi nilai K = 1, 3, 5, dan 7. Hasil penelitian mendapatkan bahwa metode K-Nearest Neighbor yang memanfaatkan atribut warna RGB dan HSV mampu mengklasifikasikan dengan baik kualitas Jeruk Mandarin. Hasil pengujian menunjukkan bahwa perubahan nilai parameter K mempengaruhi hasil klasifikasi, di mana K = 5 menghasilkan akurasi tertinggi sebesar 94,74% dengan nilai average precision (AP) sebesar 0,948 dan memperoleh tingkat akurasi klasifikasi yang optimal. Ini menunjukkan bahwa atribut warna RGB dan HSV dengan metode KNN efektif dalam menentukan kualitas Jeruk Mandarin.


Full Text:

PDF

References


Abdurrahman, N., Rahmat, B., & Sihananto, A. N. (2023). Perbandingan Performa Klasifikasi Citra Ikan Menggunakan Metode K-Nearest Neighbor (K-NN) Dan Convolutional Neural Network (CNN). JUSIFOR : Jurnal Sistem Informasi Dan Informatika, 2(2), 84–93. https://doi.org/10.33379/jusifor.v2i2.3728

Adenugraha, S. P., Arinal, V., & Mulyana, D. I. (2022). Klasifikasi Kematangan Buah Pisang Ambon Menggunakan Metode KNN dan PCA Berdasarkan Citra RGB dan HSV. Jurnal Media Informatika Budidarma, 6(1), 9. https://doi.org/10.30865/mib.v6i1.3287

Amelia, N., Garonga, M., & Rusman, J. (2023). Penerapan Metode K-Nearest Neighbor (KNN) untuk Klasifikasi Kematangan Buah Kopi. The Indonesian Journal of Computer Science, 12(2), 693–700. https://doi.org/10.33022/ijcs.v12i2.3171

Dzulhijjah, A. N., Anraeni, S., & Sugiarti, S. (2021). Klasifikasi Kematangan Citra Labu Siam Menggunakan Metode KNN (K-Nearest Neighbor) Dengan Ekstraksi Fitur HSV (Hue, Saturation, Value). Buletin Sistem Informasi Dan Teknologi Islam, 2(2), 103–110. https://doi.org/10.33096/busiti.v2i2.808

Januwa Putra Wiastopo, & Imelda Imelda. (2024). Deteksi Kesegaran Ikan Kembung dengan Metode KNN Berdasarkan Fitur GLCM dan RGB-HSV. Jurnal Ticom: Technology of Information and Communication, 13(1), 10–16. https://doi.org/10.70309/ticom.v13i1.137

Mahendra, I., & Rachmat, N. (2023). Klasifikasi Tingkat Kematangan Buah Kakao Berdasarkan Fitur Warna Menggunakan Algoritma K-Nearest Neighbor. Jurnal Algoritme, 4(1), 31–42. https://doi.org/10.35957/algoritme.v4i1.5485

Napitu, S., Paramita Panjaitan, R., Nulhakim, P. A., & Khalik Lubis, M. (2023). Klasifikasi Buah Jeruk Segar dan Busuk Berdasarkan RGB dan HSV Menggunakan Metode KNN. Jurnal SAINTEKOM, 13(2), 214–221. https://doi.org/10.33020/saintekom.v13i2.420

Rustam, M. S., Marlina, Mughaffir Yunus, Andi Wafiah, & Wahyu Artanugraha. (2025). Klasifikasi Tingkat Kematangan Tomat Menggunakan Algoritma Knn (K-Nearest Neighbor) Berbasis Citra Digital. Jurnal Publikasi Ilmu Komputer Dan Multimedia, 4(3), 121–129. https://doi.org/10.55606/jupikom.v4i3.5275

Saputra, R., Erlanda, H., & Ramadhanu, A. (2024). Klasifikasi Citra Dalam Identifikasi Jeruk Nipis dan Jeruk Mandarin Menggunakan Convolutional Neural Network (CNN). JITSI : Jurnal Ilmiah Teknologi Sistem Informasi, 5(4), 213–218. https://doi.org/10.62527/jitsi.5.4.282

Saputra, R., & Ramadhanu, A. (2025). Klasifikasi Citra Buah Jeruk Mandarin, Jeruk Nipis, dan Stroberi Menggunakan Algoritma PCA dan Metode K-Nearest Neighbor (KNN). JPG: Jurnal Pendidikan Guru, 6(1), 162–172. https://doi.org/10.32832/jpg.v6i1.18849

Sari, W. S., & Sari, C. A. (2022). Klasifikasi Bunga Mawar Menggunakan Knn Dan Ekstraksi Fitur Glcm Dan Hsv. Skanika, 5(2), 145–156. https://doi.org/10.36080/skanika.v5i2.2951

Siwilopo, K. P., & Marcos, H. (2023). Membandingkan Klasifikasi Pada Buah Jeruk Menggunakan Metode Convolutional Neural Network dan K-Nearest Neighbor. Komputa : Jurnal Ilmiah Komputer Dan Informatika, 12(1), 57–64. https://doi.org/10.34010/komputa.v12i1.9068

Tristanti, N., Romadloni, N. T., & Sya’bani, N. H. (2025). Klasifikasi Citra Buah Menggunakan Algoritma K-Nearest Neighbour (KNN) dan Metode Euclidean Distance. RIGGS: Journal of Artificial Intelligence and Digital Business, 4(3), 8306–8312. https://doi.org/10.31004/riggs.v4i3.3243




DOI: https://doi.org/10.56486/jeis.vol6no2.1190

Article Metrics

Abstract view : 0 times
PDF - 0 times

Refbacks

  • There are currently no refbacks.


Copyright (c) 2026 Rizki Ananda Putra

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

TERINDEKS OLEH :