KLASIFIKASI KUALITAS BUAH APEL FUJI BEDASARKAN WARNA DAN BENTUK MENGGUNAKAN METODE KNN

Abstract

Determining the ripeness of Fuji apples has traditionally relied on manual visual observation, which is error-prone and time-consuming. This research aims to develop an automatic classification application using the K-Nearest Neighbor algorithm, incorporating color (RGB and HSV) and fruit shape features. The data used consisted of 48 images of Fuji apples from the Kudus region. The study resulted in an application capable of classifying ripeness into three classes: unripe, semi-ripe, and ripe, with 91.7% accuracy. Visual evaluation using a confusion matrix and sample image predictions demonstrated the application's performance as expected.

Penentuan tingkat kematangan Apel Fuji selama ini masih mengandalkan pengamatan visual secara manual yang rentan kesalahan dan memakan waktu. Penelitian ini bertujuan mengembangkan aplikasi klasifikasi otomatis menggunakan algoritma K-Nearest Neighbor dengan fitur warna (RGB dan HSV) serta bentuk buah. Data yang digunakan terdiri dari 48 gambar Apel Fuji dari wilayah Kudus. Hasil penelitian menghasilkan aplikasi yang mampu mengklasifikasikan tingkat kematangan menjadi tiga kelas: mentah, setengah matang, dan matang dengan akurasi 91,7%. Hasil evaluasi visual melalui confusion matrix dan contoh prediksi gambar menunjukkan aplikasi berfungsi sesuai harapan.