Fakultas Ilmu Komputer
Universitas Brawijaya
2060
Rancang Bangun Sistem Klasifikasi Rasa Permen Karet Berdasarkan Warna Dengan Metode K-Nearest Neighbor (KNN)
Wisnu Mahendra1, Dahnial Syauqy2, Agung Setia Budi3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1[email protected], 2[email protected], 3[email protected]
Abstrak
Permen karet adalah makanan yang cukup banyak digemari oleh masyarakat Indonesia karena permen karet dapat meningkatkan konsentrasi dan juga dapat menghilangkan stress. Banyak jenis rasa yang terdapat pada permen karet dan setiap orang mempunyai jenis rasa favorit pada permen karet yang berbeda. Dalam satu wadah permen karet yang telah dikeluarkan oleh pabrik atau yang terdapat pada toko telah tercampur berbagai rasa permen karet dan hal tersebut membuat orang susah memilih jenis rasa permen karet sesuai yang disukai. Maka dari itu dirancanglah prototipe proses klasifikasi rasa pada permen karet menggunakan metode K-Nearest Neighbor. Pada penelitian ini menggunakan sensor warna TCS3200 yang terhubung dengan mikrokontroller arduino nano. Sensor ini yang nantinya akan membaca setiap warna pada permen karet. Metode yang digunakan pada penelitian ini adalah K-Nearest Neighbor untuk perhitungan klasifikasi pada permen karet. Dari hasil pengujian yang telah dilakukan terdapat presentase error dari pembacaan sensor warna TCS3200 sebesar 0,23%.
Hasil dari pengujian pada sistem klasifikasi rasa permen karet dengan menggunakan metode K- Nearest Neighbor dengan pengujian 10 kali diperoleh tingkat akurasi sebesar 90% dan waktu komputasi rata-rata sebesar 3,1494 detik.
Kata kunci: permen karet, sensor warna tcs3200, arduino nano, k-nearest neighbor
Abstract
Gum candy is a pretty much food forth by the Indonesian society because rawish gum can increase concentration and can also remove stress. Many types of taste contained in gum is and every person have a kind of favorite taste in different gum. In one container of rubber candy that has been issued by the factory or which is contained in the store has been mixed with various sense of gum. And make people hard to choose the type of sense of rubber gum according to the preferred. Therefore, the design prototype of the taste classification process in gum candy using K-Nearest Neighbor method. In this study using TCS3200 color sensor connected with arduino nano microcontroller. This sensor will later read every color on gum. The method used in this study is K-Narest Neighbor for calculation of classification on gum. From the test results that have been made there is a percentage of error of the TCS3200 color sensor reading of 0.23%. The result of testing on the casification of the rawish casification class by using the K-Narest Neighbor method with 10 times tested obtained 90% accuracy and average computing time of 3.1494 seconds.
Keywords: gum candy, color sensor tcs3200, arduino nano, k-nearest neighbor
1. PENDAHULUAN
Permen karet merupakan makanan yang sangat digemari masyarakat. Permen karet
menjadi salah satu makanan favorit banyak orang dari berbagai usia, mulai dari anak-anak
sampai orang dewasa. Permen karet berasal dari Amerika, terbuat dari getah pohon atau damar gliserin yang ditambah larutan gula, peppermint, dan bahan lainnya (Afifah, 2019).
Permen karet juga memiliki berbagai rasa, dan bentuk yang bermacam-macam. Permen karet
ini terdiri dari beberapa komponen yaitu, gum base, dan sweeteners.
Permen karet sendiri juga mempunyai beberapa manfaat diantaranya, untuk meningkatkan konsentrasi dan daya ingat.
Banyak penelitian yang mengungkapkan bahwa mengunyah permen karet bisa meningkatkan kinerja otak. Mengunyah permen karet dapat meningkatkan konsentrasi dan mempertajam memori. Mengunyah permen karet membantu seseorang untuk berkonsentrasi dalam waktu lebih lama dan mengingat sesuatu melalui rekaman memori visual dan audio (morgan, 2013). Selain meningkatkan daya ingat, mengunyah permen karet juga akan meningkatkan kewaspadaan. Mengunyah permen karet juga dapat menghilangkan stress dan rasa gelisah. Mengunyah permen karet dapat menurunkan kadar hormon pemicu stress, yaitu kortisol (Purwati, 2009). Permen karet juga mempunyai beberapa jenis. Jenis-jenis tersebut mempunyai karakteristik masing- masing. Misalnya permen karet jenis Gum Balls, permen karet jenis ini mempunyai bentuk seperti bola. Permen karet jenis ini di Britania Raya sering disebut sebagai Screwballs, seperti yang biasa terdapat di dasar es krim.
Pada penelitian ini permen karet yang digunakan adalah permen karet jenis Gum Balls. Berbentuk bulat seperti bola berukuran kecil berdiamater 1,5 cm. Permen karet ini mempunyai 4 warna yaitu, merah, kuning, orange, dan hijau. Setiap warna pada permen karet ini mempunyai rasa yang berbeda. Untuk warna merah mempunyai rasa strawberri, warna kuning mempunyai rasa nanas, warna orange mempunyai rasa jeruk, dan warna hijau mempunyai rasa melon.
Menentukan rasa pada permen karet biasanya ditentukan oleh beberapa parameter, diantaranya adalah dari parameter ciri warna, keharuman dari permen karet tersebut, dan lain- lain. Parameter untuk menentukan rasa pada permen karet dari sisi warna merupakan salah satu faktor penting didalam identifikasi rasa permen karet. Identifikasi rasa permen karet saat ini ada yang sudah secara otomatis menggunakan mesin di pabrik dan ada juga yang masih menggunakan metode secara manual seperti pabrik rumahan pembuat permen karet yosan yang ada di Tangerang.
Metode manual digunakan berdasarkan pengamatan visual secara langsung pada permen karet, proses seperti ini memiliki beberapa kelemahan yaitu membutuhkan tenaga
lebih banyak untuk memilah, tingkat persepsi rasa yang berbeda, tingkat kekonsistenan manusia dalam hal menilai rasa tidak menjamin, karena manusia dapat mengalami kelelahan, dan manusia juga dalam menilai rasa terkadang bersifat subjektif.
Pada penelitian ini, warna adalah faktor untuk mengetahui rasa pada permen karet.
Dalam membaca warna yang ada pada permen karet tersebut digunakan sensor warna TCS3200. Sensor warna TCS3200 memiliki 64 photodioda sebagai pendeteksi intensitas cahaya pada warna objek serta filter frekuensi sebagai transduser yang berfungsi untuk mengubah arus menjadi frekuensi. Photodioda pada sensor akan menangkap kadar warna dasar dan mengeluarkan arus yang sebanding, arus tersebut dikonversi menjadi output sinyal kotak dengan frekuensi yang sebanding dengan besarnya arus. Dari proses tersebut bisa didapatkan nilai RGB sehingga dapat dijadikan acuan dalam menentukan batasan warna untuk mengenali objek.
Dalam penentuan klasifikasi rasa pada permen karet, maka hal tepat dilakukan adalah menggunakan metode K-Nearest Neighbor.
Metode K-Nearest Neighbor dapat melakukan pengklasifikasian disetiap data-data yang didapati dan bekerja secara otomatis, penerapan metode ini tentunya sangat tepat untuk diterapkan.
Cara kerja alat ini sensor warna akan membaca warna dari permen karet dan data yang didapatkan tersebut akan diolah didalam mikrokontroller Arduino Nano, dan metode KNN yang akan menentukan jenis rasa pada permen karet tersebut. Setelah data tersebut diolah output yang dihasilkan adalah servo akan bergerak dan menempatkan permen karet ke tempat sesuai jenis rasanya. Pada penelitian ini, jenis rasa pada permen karet diklarifikasikan menjadi empat rasa, yaitu rasa strawberri, nanas, jeruk, dan melon.
2. PERANCANGAN DAN IMPLEMENTASI SISTEM
Perancangan dan implementasi sistem menjelaskan mengenai proses perancangan dan implementasi sistem secara terperinci baik perancangan dan implementasi dari sisi perangkat keras maupun dari sisi perangkat lunak.
2.1 Perancangan Sistem
Perancangan sistem dilakukan setelah
didapat semua kebutuhan melalui analisis kebutuhan pada subbab sebelumnya.
Perancangan sistem dilakukan dengan perancangan secara sistematik pada perangkat keras dan perancangan pada perangkat lunak.
Perancangan perangkat keras atau sistem hardware berisi tersusunnya rangkaian sistem secara utuh. Pada perancangan perangkat lunak berisi tersusunya perancangan pengambilan data sensor, perancangan metode K-Nearest Neighbor (KNN) dan perancangan program utama sistem. Semua perancangan perangkat lunak dilakukan dalam kode program Arduino IDE yang diintrepretasikan pada mikrokontroler Arduino Nano.
Gambar 1. Diagram Blok Sistem
2.2 Perancangan Perangkat Keras
Perancangan perangkat keras dalam sistem ini terdiri dari sensor warna TCS3200, Arduino Nano dan 2 buah servo. Pada gambar di bawah ini dapat dilihat posisi sensor warna TCS3200 diletakkan pada sudut atas sejajar dengan pipa bening tempat objek agar lebih fokus dan akurat saat pembacaan sensor. Servo MG90 1 diteletakkan di atas untuk menggerakkan pipa bening yang berisi objek satu persatu yang nantinya akan dibaca oleh sensor. Servo MG90 2 diletakkan di bawah untuk meletakkan objek untuk menuju ke tempat objek sesuai kelasnya.
Pembuatan alat sistem dirancang menggunakan bahan akrilik berwarna putih berbentuk kotak dengan ukuran panjang 18,6 cm, lebar 9.5 cm, dan tinggi 25,6. cm. Pada bagian area sensor warna diberi warna hitam agar tidak bisa ditembus oleh cahaya dari luar yang nantinya dapat mempengaruhi nilai dari pembacaan sensor warna.
Gambar 2. Desain Alat
Pada gambar di bawah ini merupakan skematik diagram rangkaian pin-pin dari sensor warna TCS3200, dan dua buah servo MG90 yang terhubung dengan pin mikrokontroller arduino nano.
Gambar 3. Skematik Diagram Sistem
Pada tabel di bawah ini menjelaskan secara rinci pin-pin dari setiap komponen yang terhubung dari skematik diagram diatas.
Tabel 1. Koneksi Pin Setiap Komponen
Arduino
Nano TCS3200 Servo MG90 1
Servo MG90 2
5V VCC VCC VCC
GND GND GND GND
D2 S0
D3 S1
D4 S2
D5 S3
D6 Out
D7 Data Data
D8
2.3 Perancangan Perangkat Lunak
Perancangan perangkat lunak terdapat 2 pembahasan yaitu pembahasan perancangan perangkat lunak pada mikrokontroler dan perancangan perangkat lunak untuk
menjalankan proses klasifikasi menggunakan metode K-Nearest Neighbour.
Gambar 4. Diagram Alir Perancangan Perangkat Lunak Pengambilan Data Sensor
A. Sistem dimulai dengan inisialisasi pin sensor pada arduino IDE sehingga sistem dapat menentukan mana input mana output.
B. Proses selanjutnya adalah melakukan Pembacaan nilai sensor TCS3200. Pada sensor TCS3200 akan dibaca setiap dimensi yang ada pada sensor, TCS dimensi yang ada pada sensor TCS adalah Red, Green, Blue.
C. Setelah semua data sensor TCS3200 didapat maka akan di lakukan pemanggilan fungsi K-Nearest Neighbor.
D. Hasil klasifikasi dari metode K-Nearest Neighbor akan menggerakkan servo yang nantinya akan menempatkan objek sesuai dengan nilai klasifikasi dari sensor.
Selanjutnya data yang sudah di dapatkan oleh sensor akan diproses untuk menentukan klasifikasi rasa permen karet menggunakan metode K-Nearest Neighbor.
Gambar 5. Diagram alir perancangan Klasifikasi K-nearest neighbor
A. Menentukan nilai K yang diiginkan untuk proses pengurutan data.
B. Program akan menghitung jarak euclidean yang didapatkan dari pembacaan sensor. Proses perhitungan jarak euclidean dapat dilihat pada persamaan berikut.
(1)
𝐷𝑛 = √(𝑓1𝑙𝑎𝑡𝑖ℎ− 𝑓1𝑢𝑗𝑖)2 + (𝑓2𝑙𝑎𝑡𝑖ℎ− 𝑓2𝑢𝑗𝑖)2+ (𝑓3𝑙𝑎𝑡𝑖ℎ− 𝑓3𝑢𝑗𝑖)2
C. Program akan memulai mengurutkan hasil dari setiap perhitungan jarak euclidean dan mengurutkan dari tetangga yang terdekat sejumlah nilai K yang sudah ditentukan oleh pengguna.
D. Mencari nilai yang sama dari data yang sudah di ambil sebanyak nilai K.
2.4 Implementasi Sistem
Implementasi sistem ini merupakan penerapan sensor warna TCS3200, dua buah servo MG90, dan arduino nano sesuai dengan desain alat yang telah dijelaskan pada penjelasan sebelumnya.
Gambar 6. Implementasi Perangkat Keras
Gambar di atas merupakan tempat peletakan komponen-komponen alat menggunakan kotak bewarna putih dan pada area sekitar sensor warna diberi warna hitam.
Pada bagian atas terdapat rangkaian servo MG90 dan sensor warna untuk pengambilan data permen karet. Posisi peletakan arduino nano berada pada bagian bawah sensor warna dan pada bagian bawah terdapat servo MG90 untuk menempatkan objek sesuai dengan klasifikasinya setelah proses pembacaan sensor.
3 PENGUJIAN DAN ANALISIS
Bagian pengujian dan analisis ini merupakan tahap yang bertujuan untuk
melakukan pengujian akurasi dari sensor warna TCS3200, metode K-Nearest Neighbor, dan waktu komputasi dari sistem.
3.1 Pengujian Sensor Warna TCS3200 Pengujian akurasi sensor warna TCS3200 dapat dilihat pada tabel di bawah ini. Pengujian dilakukan sebanyak 10 kali.
Tabel 2. Pengujian Sensor Warna TCS3200
No Pengujian Pembacaan sensor
R G B DEC
1 Pengujian 1 239 230 231 1572212 2 Pengujian 2 100 169 195 6597059 3 Pengujian 3 255 216 98 1676707 4 Pengujian 4 114 155 67 7510851 5 Pengujian 5 168 40 46 1102033 6 Pengujian 6 22 14 18 1445394 7 Pengujian 7 254 150 217 1668476 8 Pengujian 8 21 40 88 1386584 9 Pengujian 9 35 16 8 2297864 10 Pengujian 10 73 76 29 4803613
Berdasarkan hasil pengujian sensor warna TCS3200 pada tabel di atas didapatkan rata-rata error sebesar 0,23% yang mana hasil tersebut diukur berdasarkan acuan hasil pengambilan data dari aplikasi CorelDraw dimana nilai dari masing-masing red, green, dan blue akan di rubah ke dalam nilai decimal. Berikut cara menghitung selisih nilai pembacaan, presentase error, dan rata-rata error.
(2)
𝑆𝑒𝑙𝑖𝑠𝑖ℎ 𝑛𝑖𝑙𝑎𝑖 𝑝𝑒𝑚𝑏𝑎𝑐𝑎𝑎𝑛
= |𝑃𝑒𝑚𝑏𝑎𝑐𝑎𝑎𝑛 𝑎𝑙𝑎𝑡 𝑢𝑘𝑢𝑟
− 𝑃𝑒𝑚𝑏𝑎𝑐𝑎𝑎𝑛 𝑠𝑒𝑛𝑠𝑜𝑟|
= |1539891 − 1572212|
= 32321
(3)
𝑃𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑠𝑖 𝑒𝑟𝑟𝑜𝑟 =𝑆𝑒𝑙𝑖𝑠𝑖ℎ 𝑛𝑖𝑙𝑎𝑖 𝑝𝑒𝑚𝑏𝑎𝑐𝑎𝑎𝑛
𝑃𝑒𝑚𝑏𝑎𝑐𝑎𝑎𝑛 𝑎𝑙𝑎𝑡 𝑢𝑘𝑢𝑟 × 100%
= 32321
1539891× 100%
= 0,03%
(4)
𝑅𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑒𝑟𝑟𝑜𝑟 =𝐽𝑢𝑚𝑙𝑎ℎ 𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑠𝑖 𝑒𝑟𝑟𝑜𝑟 𝐽𝑢𝑚𝑙𝑎ℎ 𝑃𝑒𝑛𝑔𝑢𝑗𝑖𝑎𝑛
=0,23
= 0,23% 10
3.2 Pengujian Motor Servo MG90
Pengujian akurasi motor servo MG90 dapat dilihat pada tabel di bawah ini. Pengujian dilakukan sebanyak 10 kali.
Tabel 3. Pengujian Motor Servo MG90
No. Pengujian Motor Servo MG90
Alat Ukur Busur
Error
1 Pengujian 1 0o 0o 0%
2 Pengujian 2 30o 32o 0,93%
3 Pengujian 3 40o 43o 0,94%
4 Pengujian 4 64o 65o 0,98%
5 Pengujian 5 75o 75o 0%
6 Pengujian 6 80o 81o 0,98%
7 Pengujian 7 137o 138o 0,98%
8 Pengujian 8 140o 142o 0,93%
9 Pengujian 9 170o 171o 0,98%
10 Pengujian 10 180o 180o 0%
Rata-rata 0,67%
Berdasarkan hasil pengujian motor servo MG90 pada tabel di atas didapatkan rata-rata error sebesar 0,67% yang mana hasil tersebut diukur berdasarkan acuan hasil pengambilan data dari alat ukur busur. Berikut cara menghitung presentase error, dan rata-rata error.
(5)
𝑃𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑠𝑖 𝑒𝑟𝑟𝑜𝑟 = 𝑃𝑒𝑚𝑏𝑎𝑐𝑎𝑎𝑛 𝑆𝑒𝑟𝑣𝑜
𝑃𝑒𝑚𝑏𝑎𝑐𝑎𝑎𝑛 𝑎𝑙𝑎𝑡 𝑢𝑘𝑢𝑟× 100%
=40°
43°× 100%
= 0,94%
(6)
𝑅𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑒𝑟𝑟𝑜𝑟 =𝐽𝑢𝑚𝑙𝑎ℎ 𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑠𝑖 𝑒𝑟𝑟𝑜𝑟 𝐽𝑢𝑚𝑙𝑎ℎ 𝑃𝑒𝑛𝑔𝑢𝑗𝑖𝑎𝑛
=6,7%
= 0,67% 10
3.3 Pengujian Metode K-Nearest Neighbor Pengujian akurasi metode K-Nearest Neighbor dapat dilihat pada tabel di bawah ini.
Pengujian dilakukan sebanyak 10 kali dan pengambilan data untuk dibaca oleh sensor dan diolah dengan metode K-Nearest Neighbor secara acak.
CorelDraw Selisih Error
R G B DEC DEC Error
234 247 253 1539891 32321 0,03%
124 130 166 8159910 1562851 0,2%
234 201 89 1538697 138010 0,9%
120 150 55 7902775 391924 0,51%
158 45 50 1036626 65407 0,07%
25 17 25 1642777 197383 0,13%
245 130 218 1608982 59494 0,04%
25 35 80 1647440 260856 0,16%
45 11 5 2951941 654077 0,23%
70 80 35 4608035 195578 0,05%
Rata-rata 0,23%
Tabel 4. Pengujian Metode K-Nearest Neighbor
No TCS
Jenis Rasa
R G B
1 160 112 12 Rasa Nanas 2 96 6 35 Rasa Strawberri 3 138 104 10 Rasa Nanas
4 116 40 4 Rasa Jeruk
5 93 5 6 Rasa Strawberri 6 95 6 8 Rasa Stawberri
7 55 63 25 Rasa Melon
8 50 51 8 Rasa Melon
9 134 130 20 Rasa Nanas
10 141 59 4 Rasa Jeruk
Hasil Klasifikasi Kesesuaian Rasa Nanas Sesuai Rasa Strawberri Sesuai
Rasa Jeruk Tidak Sesuai Rasa Jeruk Sesuai Rasa Strawberri Sesuai Rasa Strawberri Sesuai Rasa Melon Sesuai Rasa Melon Sesuai Rasa Nanas Sesuai Rasa Jeruk Sesuai
Bedasarkan hasil pengujian metode K- Nearest Neighbor pada tabel di atas diketahui dari 10 pengujian terdapat 1 pengujian data yang tidak sesuai, maka tingkat akurasi metode K-Nearest Neighbor sebesar 90%. Sehingga dapat disimpulkan bahwa metode K-Nearest Neighbor baik digunakan dalam sistem klasifikasi jenis rasa pada permen karet. Berikut cara menghitung presentase tingkat akurasi pada metode K-Nearest Neighbor.
(7)
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 =𝑇𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 − 𝐷𝑎𝑡𝑎 𝑡𝑖𝑑𝑎𝑘 𝑠𝑒𝑠𝑢𝑎𝑖
𝑇𝑜𝑡𝑎𝑙 𝐷𝑎𝑡𝑎 × 100%
=10 − 1
10 × 100%
= 90%
3.4 Pengujian Waktu Komputasi
Pengujian waktu komputasi ini dimulai dari sistem dijalankan hingga sistem dapat menentukan hasil klasifikasi jenis rasa pada permen karet dengan menggunakan metode K- Nearest Neighbor.
Tabel 5. Pengujian Waktu Komputasi
No. Nama Pengujian Waktu Komputasi (ms)
1. Pengujian 1 3252
2. Pengujian 2 2992
3. Pengujian 3 3253
4. Pengujian 4 2985
5. Pengujian 5 3252
6. Pengujian 6 2990
7. Pengujian 7 3254
8. Pengujian 8 3252
9. Pengujian 9 3018
10. Pengujian 10 3246
Rata-rata 3149,4
Berdasarkan pengujian waktu komputasi pada tabel di atas didapat rata-rata sebesar 3149,4ms. Hasil tersebut didapat dari 10 kali pengujian dengan pengambilan data sampel secara acak dari jenis rasa pada permen karet.
Pengujian waktu komputasi metode K-Nearest Neighbor ini termasuk waktu pembacaan sensor pada microkontroller beserta pengelolahan data di dalamnya dan waktu pada tempilan hasil pada serial monitor.
4 KESIMPULAN DAN SARAN
Kesimpulan yang didapat berdasarkan hasil pengujian yang telah dilakukan, rata-rata error yang dihasilkan pada saat pengujian sensor warna TCS3200 sangat kecil yaitu 0,23%, yang mana hasil tersebut diukur dengan dibandingkan dengan hasil pengambilan data menggunakan aplikasi coreldraw dan selanjutnya akan nilai RGB dirubah ke dalam decimal yang kemudian nantinya dapat dihitung dan didapatkan nilai error dari sensor warna.
Dari hasil rata-rata error yang sudah didapatkan dapat di simpulkan pembacaan sensor warna TCS3200 sangat baik. Pada pengujian metode K-Nearest Neighbor pada sistem ini didapatkan hasil akurasi sebesar 90%. Hasil tersebut didapatkan dari 10 kali pengujian terdapat 1 pengujian data yang tidak sesuai. Dari hasil pengujian akurasi tersebut dapat disimpulkan bahwa metode K-Nearest Neighbor untuk klasifikasi pada sistem ini baik dan cukup efektif. Sedangkan untuk pengujian waktu komputasi dari mulainya proses pengambilan data dari sensor warna hingga data tersebut diolah oleh metode K-Nearest Neighbor dan mendapatkan klasifikasi dari jenis rasa pada permen karet didapatkan hasil waktu komptutasi sebesar 3149,4ms atau 3,1494 detik.
Saran yang kedepannya diharapkan dapat berguna untuk melanjutkan penelitian ini sehingga dapat menjadi sistem yang lebih baik yaitu menggunakan metode lain dengan tujuan untuk membandingkan tingkat keakurasian mana yang lebih baik. Menguji menggunakan nilai K yang berbeda bertujuan agar hasil klasifikasi lebih akurat. Menambahkan fitur lain untuk mendeteksi warna seperti kamera sehingga sistem dapat lebih baik dalam menentukan proses klasifikasi.
5 DAFTAR PUSTAKA
Ardiansyah, F., 2019. Klasifikasi Tingkat Kematangan Susu Kefir dengan Metode K-Nearest Neighbor (KNN) Menggunakan Sensor Cahaya dan Sensor Warna. SKRIPSI, Universitas Brawijaya, Ilmu Komputer, Malang.
Budiman, S., & Firmansyah, Y., 2015. Makalah Pembelajaran Mesin KNN (K-
Nearest Neighbour). Sekolah Tinggi Manajemen Informatika dan Komputer, Purwokerto.
Dwi, D., 2019. Sistem Klasifikasi Bakso yang Mengandung Boraks dengan Sensor Warna Menggunakan Metode K-Nearest Neighbor Berbasis Arduino. Universitas Brawijaya, Teknik Informatika, Malang.
Maulana, M.dkk. 2019. Rancang Bangun Alat Pemilah Barang Berdasarkan Warna dan Berat. Universitas Jayabaya, Teknik Elektro, Jakarta Timur.
Nurindah., 2018. Pengaruh Mengunyah Permen Karet Xylitol Terhadap Ph Saliva
Perokok. Media Kesehatan Gigi, Makasar.
Tarsono, I., Triyanto, D., & Rismawan, T., 2018. Prototype Pemisah Otomatis Jeruk
Siam Berdasarkan Warna Menggunakan Metode KNN (K-Nearest Neighbor).
Universitas Tanjungpura, Sistem Komputer, Pontianak.
TowerPro. (2017, Juni 5). TowerPro SG90 Servo. Diambil kembali dari TowerPro Website:
http://www.servodatabase.com/servo/tow erpro/sg90.
