View of Implementasi Citra Digital Berdasarkan Nilai HSV Untuk Mengidentifikasi Jenis Tanaman Mangga Menggunakan Algoritma K-Nearest Neighbor

(1)

INSIGHT

Volume 1 No. 1 | April 2018 : 142-147

Implementasi Citra Digital

Berdasarkan Nilai

HSV

Untuk

Mengidentifikasi Jenis Tanaman Mangga

Menggunakan Algoritma

K-Nearest Neighbor

Galih Fathul Rohmi1_{, Wildan Budiawan Zulfikar}2_{, Yana Aditia Gerhana}3

Jurusan Teknik Informatika, Fakultas Sains dan Teknologi Universitas Islam Negeri Sunan Gunung Djati Bandung

Jl. A. H. Nasution 105 Bandung, 40614

1_{galih.fathulrohmi@student.uinsgd.ac.id,}2_{wildan.b@uinsgd.ac.id,}3_{yanagerhana@uinsgd.ac.id}

Abstract-Mango is an annual fruit plant originating from India. Although mango is not a original fruit from Indonesia, but the presence of mangoes already spread throughout the archipelago makes it a populer and become one of the favorite Indonesian people. Around the world recorded approximately there are about 69 species of mango scattered in the Asia Tropics. Type of mango in Indonesia there are approximately 30 species scattered in various regions. With such diversity, mango classification becomes a challenge to be done. During this process of plant identification, especially mango still using manual or visually visible by relying on experts. This of course has some drawbacks such as limitations in reminders, time in the identification process, and inaccurate vision caused by several factors. The integration of image processing technology and mobile android technology can be utilized to assist in the process of mango identification. The process of identification through the color of mango leaf image that will be used as the classification value in determining the type of mango plant. The feature of image to get the color value as the classification value is using Hue, Saturation, and Value (HSV) color extraction. The algorithm used for the classification of the K-Nearest Neighbor (KNN) algorithm in which this algorithm works by comparing the proximity of the distance between the training data that has been stored in the database with the test image of data in the image using the android smartphone camera. The result of accuracy obtained using K-Nearest Neighbor (KNN) method taken from Hue, Saturation and Value (HSV) color feature extraction value is 71,87% from 32 test on eight class label.

Keywords-Android, image, HSV, KNN, RGB

Abstrak-Mangga merupakan tanaman buah tahunan yang berasal dari India. Meskipun mangga bukan buah asli dari Indonesia, akan tetapi keberadaan mangga sudah tersebar di seluruh penjuru nusantara membuatnya poupler dan menjadi salah satu buat favorite masyarakat Indonesia. Di seluruh dunia tercatat kurang lebih ada sekitar 69 species mangga yang tersebar di kawasan Asia Tropik. Jenis mangga di Indonesia kurang lebih ada 30 jenis yang tersebar di berbagai daerah. Dengan keanekaragan tersebut, klasifikasi mangga menjadi tantangan tersendiri untuk dilakukan. Selama ini proses identifikasi tanaman khususnya mangga masih menggunakan cara manual atau dengan penglihatan kasat mata dengan mengandalkan tenaga ahli. Hal ini tentunya mempunyai beberapa kekurangan diantaranya keterbatasan dalam pengingatan, waktu dalam proses identifikasi, dan penglihatan kurang akurat yang disebabkan oleh beberapa faktor. Penggabungan teknologi pengolahan citra (image processing) dan teknologi android mobile dapat dimanfaatkan untuk membantu dalam proses identifikasi mangga. Proses identifikasinya melalui warna citra daun mangga yang nantinya digunakan sebagai nilai klasifikasi dalam penentuan jenis tanaman mangga tersebut. Fitur citra yang digunakan untuk mendapat nilai warna sebagai nilai klasifikasi yaitu menggunakan ekstraksi warna Hue, Saturation, dan Value (HSV). Algoritma yang digunakan untuk klasifikasi yaitu algoritma K-Nearest Neighbor (KNN) dimana algoritma ini bekerja dengan membandingkan kedekatan jarak antara data latih (training) yang telah tersimpan pada database dengan data citra uji (testing) yang di foto menggunakan kamera smartphoneandroid. Hasil akurasi yang didapatkan menggunakan metode K-Nearest Neighbor (KNN) yang diambil dari nilai ekstraksi fitur warna Hue, Saturation, dan Value (HSV) yaitu 71,87% dari 32 pengujian pada delapan class label.

Kata kunci- Android, citra, HSV, KNN, RGB

I. PENDAHULUAN

Mangga merupakan tanaman buah tahunan yang berasal dari negara India. Meskipun mangga bukan buah asli dari Indonesia, tetapi keberadaan mangga yang tersebar luas di penjuru Nusantara membuatnya populer. Mangga termasuk ke dalam jenis marga Mangifera, yang

(2)

Implementasi Citra Digital Berdasarkan Nilai HSV Untuk Mengidentifikasi Jenis Tanaman Mangga Menggunakan

Algoritma K-Nearest Neighbor

(Galih Fathul Rohmi, Wildan Budiawan Zulfikar, Yana Aditia Gerhana)

143 cengkir. Sentra produksi mangga di Indonesia diantaranya

adalah Indramayu, Cirebon, dan Majalengka untuk daerah Jawa Barat. Tegal, Kudus, Pati, Magelang, dan Boyolali untuk daerah Jawa Tengah. Pasuruan, Probolinggo, Nganjuk, dan Pamekasan untuk daerah Jawa Timur. Selain dari tiga daerah tersebut masih ada beberapa daerah di Indonesia yang menjadi sentra produksi mangga diantaranya adalah Daerah Istimewa Yogyakarta, Sumatera Utara, Sumatera Barat, Sulawesi Selatan, Maluku, Nusa Tenggara Barat, dan Nusa Tenggara Timur. Dengan keanekaragaman tersebut, klasifikasi tanaman mangga menjadi suatu tantangan untuk dilakukan. Cara yang paling umum untuk mengenali antara tanaman satu dan lainya adalah dengan mengidentifikasi buah yang tumbuh pada tanaman. Akan tetapi cara ini kurang efektif karena tanaman mangga termasuk kedalam golongan buah tropika yang memerlukan waktu dalam periode musiman untuk menghasilkan buah-buahan. Proses klasifikasi dapat dilakukan dengan cara mengidentifikasi daun sebagai cara alternatif, karena daun akan ada sepanjang masa, berbeda dengan buah yang hanya ada pada waktu tertentu.

Selama ini prose identifikasi jenis tanaman masih dilakukan dengan mengandalkan tenaga ahli secara manual atau dengan melihat secara kasat mata. Cara ini tentunya membutuhkan waktu yang lama, keterbatasan dalam mengingat semua jenis tanaman yang ada, dan penglihatan yang terkadang kurang akurat. Seperti halnya dengan mengidentifikasi jenis tanaman mangga yang dilihat dari daunnya, sekilas secara kasat mata bentuknya hampir sama dan seragam antara satu jenis dengan jenis lainnya. Hal ini tentunya susah untuk dibedakan bagi orang awam yang tidak tahu mengenai jenis dari tanaman mangga yang ada. Penggabungan teknologi pengolahan citra (image processing) dan teknologi android mobile dapat dimanfaatkan untuk membantu bidang biologi dan ahli tanaman dalam proses mengidentifikasi jenis tanaman mangga menggunakan bantuan perangkat mobile yang efektif untuk dibawa kemana-mana. Proses identifikasinya melalui warna citra daun dengan segmentasi pada jenis warna tanaman mangga yang nantinya digunakan sebagai nilai klasifikasi dalam penentuan jenis tanaman mangga tersebut. Karena warna merupakan salah satu atribut yang berperan dalam mengidentifikasikan objek tertentu, pemrosesan warna termasuk didalamnya terdapat ekstraksi informasi tentang spectral properties dari permukaan objek dan mencari kesamaan terbaik dari sekumpulan deskripsi yang telah diketahui untuk melakukan pengenalan [3].

Penelitian ini akan memanfaatkan teknik pengolahan citra digital, yaitu metode Hue, Saturation, dan Value (HSV) untuk proses pengolahan warna. Warna adalah fitur visual yang paling sering digunakan dalam mencari citra berbasis konten, dimana sebuah citra digital adalah sebuah set dari piksel-piksel yang setiap pikselnya merepresentasikan warna [3]. Hasil ekstrasi warna dari pengolahan citra digunakan sebagai masukan dalam proses klasifikasi. Metode klasifikasi yang digunakan pada

penelitian ini adalah algoritma K-Nearest Neaghbor

(KNN). K-Nearest Neaghbor (KNN) adalah algoritma yang melakukan proses klasifikasi berdasarkan kedekatan jarak suatu data dengan data yang lain, dengan kata lain kedekatan antara nilai data training yang sudah disimpan pada database dengan nilai data uji. Menurut Ridok, A., dkk. (2009) dalam penelitiannya menyatakan presentase keberhasilan menggunakan metode KNN adalah 71,58%. Algoritma ini cocok untuk data mining yang jumlahnya besar [4].

Penelitian sebelumnya yang dilakukan oleh Elvia Budianita, Jasril, dan Lestari Handayani adalah melakukan penelitian mengenai pengolahan citra untuk membedakan daging sapi dan daging babi menggunakan fitur HSV,

GLCM, dan KNN yang memiliki akurasi tertinggi terletak pada pengujian tanpa background yaitu 88,75%, sedangkan pengujian dengan background memiliki akurasi keberhasilan 73,375% [5]. Pada penelitan lain yang dilakukan oleh Jati Sasongko Wibowo meniliti mengenai citra dalam mendeteksi gambar pornografi dan klasifikasi citra berdasarkan warna kulit menggunakan model HSV, pendekteksian dengan membandingkan piksel gambar warna kulit dengan gambar yang akan dideteksi sehingga diketahui jumlah piksel warna kulit pada tiap gambar [6]. Rentang piksel yang digunakan 0%-20%, 21%-50%, dan 51%-100%. Dan hasil deteksi dikelompokan dalam tiga kategori yaitu gambar bukan pornografi, gambar semi pornografi, dan gambar pornografi [6].

II. METODE PENELITIAN

Metode pengembangan perangkat lunak yang digunakan dalam penelitian ini menggunakan model

prototype. Model prototype adalah salah satu model pengembangan perangkat lunak yang banyak digunakan.

Prototype merupakan bentuk standar ukuran dari sebuah entitas. Dalam desain, sebuah prototype dibuat sebelum dikembangkan atau justru dibuat khusus untuk pengembangan sebelum dibuat dalam skala sebenarnya atau sebelum diproduksi secara masal. Selain itu model ini cocok untuk pengembangan perangkat lunak yang penelitian yang ruang lingkupnya kecil dan membutuhkan waktu yang cepat.

(3)

INSIGHT

Volume 1 No. 1 | April 2018 : 142-147

Citra digital merupakan citra yang telah direpresentasikan secara numerik yang awalnya berupa fungsi malar (kontinue) menjadi nilai-nilai diskrit melalui proses sampling (digitalisasi). Pada umumnya citra digital berbentuk persegi panjang, dan dimensi ukurannya dinyatakan sebagai tinggi x lebar (atau lebar x panjang). Persilangan antara baris dan kolom tertentu pada citra digital disebut dengan piksel [8].

Citra digital dapat dinyatakan dalam matriks dua

dimensi f(x,y) dimana ‘x’ dan ‘y’ merupakan koordinat piksel dalam matrik dan ‘f’ merupakan derajat intensitas

piksel tersebut. Citra digital berbentuk matrik dengan ukuran MxN akan tersusun sebagai berikut:

𝑓(𝑥, 𝑦) = ||

𝑓(0,0) 𝑓(0,1) 𝑓(0,2) … 𝑓(0, 𝑁 − 1) 𝑓(0,1) 𝑓(1,1) 𝑓(1,2) … 𝑓(1, N − 1) 𝑓(0,2) 𝑓(2,1) 𝑓(2,2) … 𝑓(2, N − 1)

⋮ ⋮ ⋮ ⋮ ⋮

𝑓(𝑀 − 1,0) 𝑓(𝑀 − 1,1) 𝑓(𝑀 − 1,2) … 𝑓(𝑀 − 1, 𝑁 − 1) | |

Suatu citra f(x,y) dalam fungsi matematis dapat dituliskan sebagai berikut:

• 0 ≤ x ≤ M-1 dimana M adalah Banyaknya baris pada array

• 0 ≤ y ≤ N-1 dimana N adalah Banyaknya kolom pada array

• 0 ≤ f(x,y) ≤ G-1 dimana G adalah Banyaknya skala keabuan (gray level)

B. Model Warna Hue, Saturation, Value (HSV)

Model warna HSV mendefinisikan warna dalam terminologi Hue, Saturation, dan Value. Hue menyatakan warna sebenarnya, seperti merah, violet, dan kuning. Hue

digunakan untuk membedakan warna-warna dan menentukan kemerahan (redness), Kehijauan (greenness) dari cahaya [9].

Nilai hue antara 0 sampai 1 berarti warna antara merah melewati kuning, hijau, cyan, biru dan magenta dan kembali menjadi merah. Nilai saturation antara 0 sampai 1 berarti dari tidak tersaturutasi (keabuan) sampai tersaturisasi penuh (tidak putih) [10]. Nilai value atau

brightness antara 0 sampai 1 berarti warna semakin cerah seperti ditunjukkan pada Gambar 1.2.

Gambar 1.2 Model Warna HSV

Karena model warna HSV merupakan model warna yang diturunkan dari model warna RGB, maka untuk mendapatkan warna HSV harus melakukan proses konversi warna dari RGB ke HSV. HSV merupakan salah satu cara

pada proses klasifikasi citra, akan tetapi nilai HSV tersebut harus dilakukan normalisasi kedalam angka yang lebih sederhana. Atau dengan kata lain melakukan normalisasi citra vektor 3 dimensi menjadi citra 1 vektor dimensi yang bertujuan untuk mempersingkat waktu klasifikasi. Quantisasi dilakukan dengan persamaan (1) dibawah ini :

𝐻

{

0𝑖𝑓ℎ ∈ [316,20] 1𝑖𝑓ℎ ∈ [21,40] 2𝑖𝑓ℎ ∈ [41,75] 3𝑖𝑓ℎ ∈ [76,155] 4𝑖𝑓ℎ ∈ [156,190] 5𝑖𝑓ℎ ∈ [191,270] 6𝑖𝑓ℎ ∈ [271,295] 7𝑖𝑓ℎ ∈ [296,315]

𝑆 {1𝑖𝑓𝑠 ∈ [0.2,0.7]0𝑖𝑓𝑠 ∈ [0,0.2] 2𝑖𝑓𝑠 ∈ [0.7,1] 𝑉 {

0𝑖𝑓𝑣 ∈ [0,0.2] 1𝑖𝑓𝑣 ∈ [0.2,0.7]

2𝑖𝑓𝑣 ∈ [0.7,1]

(1)

Hasil quantitasi dijadikan sebagai nilai masukan untuk normalisasi vektor 3 dimensi HSV menjadi vektor 1 dimensi HSV menggunakan persamaan (2) dibawah ini :

bawah dari rumus tersebut. Penulisan rumus dapat dilakukan seperti contoh dibawah ini:

𝐺 = (9 ∗ 𝐻) + (3 ∗ 𝑆)+V

(2)

C. Algoritma Klasifikasi K-Nearest Neighbor

Klasifikasi merupakan suatu proses / pekerjaan menilai objek data untuk memasukannya ke dalam kelas tertentu dari sejumlah kelas yang tersedia. Dalam klasifikasi ada dua proses utama yang harus dilakukan, yaitu pertama pembangunan model sebagai prototype

untuk disimpan sebagai memori, dan kedua penggunaan model tersebut untuk melakukan pengenalan / klasifikasi / prediksi pada suatu objek data lain agar diketahui di kelas mana objek data tersebut dalam model yang sudah disimpannya [11].

Algoritma K-Nearest Neighbor adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat atau memiliki persamaan ciri paling banyak dengan objek tersebut. Dekat atau jauhnya tetangga biasanya dihitung dengan jarak Euclidean [3]. Berikut Rumus Perhitungan Algoritma K-Nearest Neighbor pada persamaan (3) dibawah ini [3].

𝑑(𝑖, 𝑗) = √|𝑥𝑖1− 𝑥𝑗1|2+ |𝑥𝑖2− 𝑥𝑗2|2+ ⋯ + |𝑥𝑖𝑝− 𝑥𝑗𝑝|2

(3) Keterangan:

• d (i,j) adalah Nilai jarak • xi adalah nilai-nilai pada fitur 1 • xj adalah nilai-nilai pada fitur 2

Dalam algoritma ini, nilai k yang terbaik itu tergantung pada jumlah data. Ukuran nilai k yang besar belum tentu menjadi nilai k yang terbaik begitu juga sebaliknya [3]. Langkah-langkah untuk menghitung algoritma KNN :

(4)

145 3. Mengurutkan objek-objek tersebut ke dalam

kelompok yang mempunyai jarak euclid terkecil. 4. Mengumpulkan label class Y (klasifikasi

K-Nearest Neighbour).

III.HASIL DAN PEMBAHASAN

Data yang digunakan pada penelitian menggunakan citra warna daun mangga yang akan dideteksi menggunakan ekstraksi warna HSV.

A. Analisis Proses Perhitungan Nilai Hue, Saturation, value (HSV)

Berikut proses perhitungan nilai HSV yang digambarkan dengan flowchart, dapat dilihat pada gambar 1.3 dibawah ini:

Gambar 1.3 Flowchart Perhitungan Nilai HSV

Sebagai contoh, dalam perhitungan suatu citra daun mangga jenis mangga manalagi yang akan di resizing

dengan ukuran 10x10 piksel. Pada citra mangga tersebut masih dalam bentuk yang asli belum melalui tahap resizing

citra dan ektraksi warna HSV untuk menentukan jumlah pikselnya. Citra mangga manalagi asli pada gambar 1.4.

Gambar 1.4 Citra Mangga Manalagi Asli

Citra mangga manalagi pada gambar 1.4 akan di

resizing sesuai dengan resolusi yang telah di tetapkan untuk di konversi dari model warna RGB ke model warna

HSV sesuai dengan ukuran resolusi yang digunakan. Citra mangga manalagi yang sudah di resizing masih dalam bentuk warna RGB pada gambar 1.5.

Gambar 1.5 Citra Mangga Manalagi Dalam Bentuk Normal Warna RGB

Setelah citra mangga manalagi melewati tahap

resizing maka akan di konversi menjadi model warna HSV

yang nantinya akan dipakai untuk nilai klasifikasi menggunakan algoritma KNN. Hasil nilai HSV akan dikuantitasi menggunakan persamaan (1). Pada gambar 1.6 adalah citra mangga manalagi yang telah terekstraksi dalam model warna HSV.

z Gambar 1.6 Citra Mangga Manalagi Yang Sudah

Terekstraksi Kedalam Mode Warna HSV

Hasil ekstraksi warna HSV masih dalam bentuk vektor 3 dimensi yang nantinya akan dikonversi menjadi vektor 1 dimenis untuk mempersingkar waktu klasifikasi. Berikut kuantitasi nilai HSV pada setiap piksel citra mangga manalagi pada tabel 1.1.

(5)

INSIGHT

Volume 1 No. 1 | April 2018 : 142-147

(3,0,1 )

(6,1,2 )

(5,0,2 )

(3,0,1 )

Kumulatif dari perhitungan seluruh piksel pada citra tabel 1.1 menghasilkan satu dimensi vektor menggunakan persamaan (2), vektor ini yang menjadi nilai pada citra. Berikut kombinasi nilai HSV menjadi satu warna yang menjadi nilai vektor citra mangga manalagi pada tabel 1.2 berikut.

Tabel 1.2 Kombinasi Nilai HSV Menjadi Satu Vektor Dimensi

(28) (28) (28) (38) (47) (50) (28) (28) (28) (28)

(28) (28) (28) (47) (31) (47) (28) (28) (28) (28)

(28) (28) (28) (37) (33) (37) (28) (28) (28) (28)

(28) (28) (28) (37) (33) (28) (28) (28) (28) (28)

(28) (28) (28) (37) (33) (37) (28) (28) (28) (28)

(28) (28) (28) (47) (28) (47) (28) (28) (28) (28)

(28) (28) (28) (50) (47) (50) (28) (28) (28) (28)

(28) (28) (28) (59) (47) (47) (28) (28) (28) (28)

B. Analisis Proses Perhitungan Algoritma K-Near

C. est Neighbor (KNN)

Berikut proses perhitungan KNN yang digambarkan dengan flowchart, dapat dilihat pada gambar 1.7 dibawah ini:

Gambar 1.7 Flowchart Proses Perhitungan KNN

Penerapan algoritma KNN berfungsi sebagai proses klasifikasi citra mangga dengan menghitung Euclidean Distance pada setiap piksel citra training dan citra testing. Hasil perhitungan tersebut nantinya akan bandingkan lalu disortir untuk diurutkan hasilnya yang mendekati nilai pada citra data training itulah hasil klasifikasinya. Proses perhitungan KNN menggunakan persamaan (3). Berikut proses perhitungan KNN citra 10x10piksel pada gambar 1.8.

𝒅(𝒊, 𝒋) = _{√|𝟐𝟖 − 𝟐𝟕|}𝟐_{+ |𝟐𝟖 − 𝟐𝟎|}𝟐_{+ |𝟐𝟖 − 𝟏𝟓|}𝟐_{+ ⋯ + |𝟐𝟖 − 𝟐𝟖|}𝟐

𝒅(𝒊, 𝒋) = 79,07591289(10x10 piksel)

D. Hasil Pengujian Klasifikasi Jenis Tanaman Mangga Jenis mangga yang digunakan dalam penelitian ini menggunakan 8 class label yang terdiri dari mangga apel, mangga golek, mangga manalagi, mangga arumanis, mangga ompyong, mangga madu, mangga gedong gincu, dan mangga cengkir pada gambar 1.9 dibawah.

(1) (2) (3) (4) (5)

(6) (7) (8) (9) (10)

(11) (12) (13) (14) (15)

(16) (17) (18) (19) (20)

(21) (22) (23) (24) (25)

(26) (27) (28) (29) (30)

(31)

(32)

Gambar 1.9 Citra Daun Mangga

Pengujian citra mangga dilakukan sebanyak 32 pengujian. Hasil pengujian citra mangga pada tabel 1.3.

Tabel 1.3 Hasil Pengujian Citra Mangga Jumlah

data Uji

Total Benar

Total Salah

Nilai Akurasi

32 23 9 71,87%

(6)

147 𝑇𝑜𝑡𝑎𝑙 𝐵𝑒𝑛𝑎𝑟

𝑡𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 𝑐𝑖𝑡𝑟𝑎 𝑢𝑗𝑖 𝑥 100% = 𝑎𝑘𝑢𝑟𝑎𝑠𝑖 23

32 𝑥 100% = 71,87%

Nilai akurasi yang didapatkan dari sistem klasifikasi jenis tanaman mangga menggunakan metode K-Nearest Neighbor (KNN) yang diambil dari nilai hasil ekstraksi fitur warna Hue, Saturation, dan Value (HSV) yaitu 71,87%. Proses akuisisi citra, jarak akuisisi citra, dan cahaya yang masuk sangat mempengaruhi terhadap citra yang dihasilkan, hal ini tentunya mempengaruhi proses klasifikasi. Selain itu semakin banyaknya jumlah data

training maka semakin akurat hasil klasifikasi yang didapatkan. Karena data training merupakan nilai yang digunakan sebagai pembanding pada saat proses klasifikasi

IV.PENUTUP A. Kesimpulan

Berdasarkan penelitian yang telah dilakukan, maka dapat ditarik kesimpulan sebagai berikut :

1. konversi fitur warna red, green, blue (RGB) ke dalam fitur warna Hue, Saturation, Value (HSV) pada setiap piksel dalam suatu citra berhasil, dari hasil konversi dapat diketahui seluruh gambar dapat di ekstraksi ke dalam nilai warna Hue, Saturation, Value (HSV). Nilai

HSV tersebut digunakan sebagai nilai perbandingan dalam klasifikasi.

2. Klasifikasi jenis tanaman mangga menggunakan metode K-Nearest Neighboor (KNN) berdasarkan nilai

Hue, Saturation, Value (HSV) memiliki nilai akurasi sebesar 71,87% dari 32 pengujian menggunakan delapan class label tanaman mangga. Proses akuisisi citra, jarak akusisi citra, dan cahaya yang masuk sangat mempengaruhi terhadap citra yang dihasilkan, hal ini tentunya mempengaruhi proses klasifikasi. Selain itu semakin banyaknya jumlah data training

maka semakin akurat hasil klasifikasi yang didapatkan.

B. Saran

Adapun Saran yang perlu dipertimbangkan untuk pengembangan penelitian kedepannya, antara lain : 1. Untuk pengembangan sistem pada proses ektraksi

citra menggunakan ekstraksi fitur seperti ekstraksi tekstur dengan GLCM, dan menambahkan ekstraksi fitur warna yang lainnya, sehingga dapat memperoleh hasil yang lebih akurat dan lebih maksimal.

2. Untuk pengembangan sistem pada proses klasifikasi menggunakan selain algoritma K-Nearest Neighbor

seperti algoritma Naive Bayes, JST, Decission Tree, atau PNN untuk membandingkan akurasi klasifikasinya.

3. Membuat sistem penolakan agar dapat menolak citra masukan yang tidak sesuai atau tidak dikenali (diluar

database).

4. Untuk proses pengembangan sistem dapat ditambahkan algoritma kompresi pada saat proses ektraksi dan klasifikasi citra.

5. Membuat sistem yang dapat mengetahui kualitas mangga yang di identifikasi dengan result berupa dampak market jenis mangga tersebut dan kontinuitas single produk.

V. REFERENSI

[1] Wikipedia. (2017, Oct. 20). Mangga [online]. Available : http://id.wikipedia.org/wiki/Mangga.

[2] A. Rahadiantoro, “Keanekaragaman Jenis Dan Potensi Mangga (Mangifera spp., Anacardiaceae) Koleksi Kebun

Raya Purwodadi,” no. September 2014, 2016.

[3] D. Syahid, Jumadi, and D. Nursantika, “Sistem Klasifikasi Jenis Tanaman Hias Daun Philodendron Menggunakan Metode K-Nearest Neighboor (Knn) Berdasarkan Nilai

Hue, Saturation, Value (Hsv),” J. Online Inform., vol. 1, no. 1, pp. 20–23, 2016.

[4] W. Setiawan, E. Mulyana, and Jumadi, “Implementasi

Algoritma K- Nearest Neighbor (K-NN) Untuk

Menentukan Klasifikasi Judul Tugas Akhir Dan Kerja

Praktek,” 2005.

[5] E. Budianita, J. Jasril, and L. Handayani, “Implementasi Pengolahan Citra dan Klasifikasi K-Nearest Neighbour Untuk Membangun Aplikasi Pembeda Daging Sapi dan

Babi Berbasis Web,” J. Sains dan Teknol. Ind., vol. 12, no. Vol 12, No 2 (2015): Juni 2015, pp. 242–247, 2015. [6] J. S. Wibowo, “Deteksi dan Klasifikasi Citra Berdasarkan

Warna Kulit Menggunakan HSV,” J. Teknol. Inf. Din., vol. 16, no. 2, pp. 118–123, 2011.

[7] R. S. Pressman, Rekayasa Perangkat Lunak Pendekatan Praktisi, Edisi II. Yogyakarta : Andi, 2002.

[8] R. Munir, Pengolahan Citra Digital Dengan Pendekatan Algoritmik. Bandung: INFORMATIKA, 2004.

[9] A. Halim, A. Xandra, A. Sim, Hardy, and Mytosin,

“Content-Based Image Retrieval berbasis Warna , Bentuk

dan Tekstur dengan Modifikasi Skala,” ISSN. 1412-0100 JSM, vol. 17, no. 1, pp. 11–20, 2016.

[10] D. A. Muhammad, R. R. W. Ken, and E. Siswanto,

“Pencarian Citra Digital Berbasiskan Konten dengan Ekstraksi Fitur HSV, ACD, dan GLCM,” J. Telemat., vol. 8, no. 2, pp. 8–13, 1858.

[11] S. Anny Rosiana, Rizka Himawan, “Adln - perpustakaan