View of Klasifikasi Tingkat Kematangan Buah Kakao Berdasarkan Fitur Warna Menggunakan Algoritma K-Nearest Neighbor

(1)

DOI: 10.35957/algoritme.xxxx ◼31

Klasifikasi Tingkat Kematangan Buah Kakao Berdasarkan Fitur Warna Menggunakan Algoritma K-Nearest Neighbor

Izha Mahendra¹, Nur Rachmat²

1,2Universitas Multi Data Palembang; Jl. Rajawali No.14, 0711376400

1,2 Program Studi Informatika, Fakultas Ilmu Komputer dan Rekayasa Universitas Multi Data Palembang, Palembang

e-mail: *¹[email protected], ²[email protected]

Abstrak

Selama ini para petani kakao melakukan pemilihan kualitas tingkat kematangan buah kakao dengan cara manual atau melakukan pemilihan dengan perkiraan dari petani tersebut, sehingga dengan cara manual tersebut sangat rawan terjadi kesalahan dalam memilah kualitas kematangan buah kakao dengan berbagai factor dari manusia, seperti kelelahan dan keraguan.

Berdasarkan masalah tersebut, penelitian ini melakukan pengembangan aplikasi klasifikasi buah kakao dengan menggunakan Ekstraksi warna Hue, Saturation, Value (HSV) dengan metode klasifikasi menggunakan K-Nearest Neighbor(KNN) serta menerapkan metode hasil evaluasi menggunakan jarak Euclidean Distance, agar dalam memilih tingkat kematangan buah kakao mempunyai standard yang sama dan tingkat akurasi lebih tinggi dengan pemrosesan digital. Oleh karena itu penelitian ini dilakukan. Proses klasifikasi kematang menjadi 4 kelas, yaitu: busuk, matang, mentah dan setengah matang. Dengan metode klasifikasi KNN, dan dataset yang digunakan 80 database, serta 40 data testing. Nilai tertinggi pada k=1 dengan akurasi sebesar 90%, presisi sebesar 90%, dan recall 90%. Alat yang digunakan untuk mengembangkan sistem adalah matlab.

Kata kunci—Buah Kakao, Euclidean Distance, HSV, KNN, Matlab

Abstract

So far, cocoa farmers choose the quality of the maturity level of cocoa pods manually or make selections based on estimates from these farmers, so that the manual method is very prone to errors in sorting the quality of cocoa pod maturity with various human factors, such as fatigue and doubt. Based on these problems, this study developed an application for classification of cocoa pods using Hue, Saturation, Value (HSV) color extraction with the classification method using K-Nearest Neighbor (KNN) and applying the evaluation results method using the Euclidean Distance, so that in choosing the level of maturity Cocoa pods have the same standard and a higher level of accuracy with digital processing. Therefore this research was conducted. The process of classification of ripeness into 4 classes, namely: rotten, ripe, unripe and half ripe. With the KNN classification method, and the dataset used is 80 databases, as well as 40 testing data.

The highest value is at k=1 with 90% accuracy, 90% precision, and 90% recall. The tool used to develop the system is matlab.

Keywords—Cocoa Fruit, Euclidean Distance, HSV, KNN, Matlab

This is an open-access article under the CC-BY-CA license

(2)

1. PENDAHULUAN

eberapa faktor pendukung, seperti warna, bentuk, dan aroma, dapat digunakan untuk menentukan kematangan buah. Namun, proses klasifikasi tingkat kematangan ini juga dapat menjadi sumber ketidaksamaan faktor seperti lelahnya manusia, perbedaan antara individu, dan keragaman visual manusia. Dengan menggunakan gambar buah kakao yang diambil secara digital dan diproses melalui digital image processing, keanekaragaman tingkat kematangan buah dapat dikomputerisasi.

Kakao (Theobroma cacao L.) adalah tanaman, buah, dan biji kakao yang ditanam di perkebunan. Itu berasal dari Amerika Selatan dan sekarang ditanam di berbagai tempat tropika.

Biji kakao adalah produk utama kakao. Inilah biji kakao yang digunakan sebagai bahan utama untuk membuat bubuk cokelat.

Di Indonesia, produktivitas dan mutu kakao sangat rendah karena penyakit dan hama yang belum ditangani dengan baik. Selain itu, sistem budidaya dan pengendalian kegiatan pasca panen juga belum dilakukan dengan baik. Fakta bahwa pengetahuan petani kakao Indonesia masih sangat rendah menegaskan masalah ini [1].

Penelitian terdahulu mengenai Klasifikasi Jenis Buah Apel Dengan Metode K-Nearest Neighbors. Dalam penelitian ini, metode K-Nearest Neighbor digunakan untuk menentukan jenis apel yang tepat. Metode ekstraksi warna HSV menilai kecerahan warna apel. Kami memulai penelitian kami dengan menggunakan jurnal ini sebagai acuan pertama. Penelitian ini menggunakan 800 citra, terdiri dari 600 citra latih dan 200 citra uji, untuk mengklasifikasikan nilai-nilai ekstraksi fitur HSV dan LBP. Hasil evaluasi jurnal menggunakan metode K-Nearest Neighbor ini untuk menunjukkan tingkat presisi rata-rata sebesar 94%, recall sebesar 100%, dan akurasi sebesar 94% [2].

Penelitian terdahulu mengenai Klasifikasi Tingkat Kematangan Dari Buah Pepaya California Menggunakan Metode KNN Berdasarkan Warna Kulit Buah. Penulis memasukkan papaya bangkok ke dalam tiga kategori: matang, setengah matang, dan mentah. Digunakan dua belas gambar latihan dan dua belas gambar uji. Akurasi kesesuaian dengan data tanpa menggunakan rata-rata sebesar 75% untuk K = 1, K = 5, dan K = 7. Dengan data uji yang berbeda, hasil akurasi sebesar 66,67% untuk K = 5 dan 75% untuk K = 7 [3].

Penelitian terdahulu mengenai Klasifikasi Kematangan Stroberi Berbasis Segmentasi Warna dengan Metode HSV. Penulis menggunakan tiga kategori kelas: matang, setengah matang, dan belum matang. Mereka juga menggunakan 180 citra, yang dibagi menjadi dua persentase untuk dilatih dan dua persentase lagi untuk diuji. Kamera Logitech C920 memungkinkan pengambilan citra langsung. Untuk memungkinkan ekstraksi fitur, citra yang diperoleh tersebut diubah ke HSV dan kemudian diubah menjadi hitam putih melalui proses masking. Dengan kernel RBF, klasifikasi buah stroberi dengan algoritma SVM menghasilkan tingkat akurasi sebesar 97%

[4].

Penelitian terdahulu mengenai Menentukan Tingkat Kematangan Buah Pepaya dengan Ekstraksi Warna Hue Saturation Value. Penulis melakukan penelitian untuk mengekstraksi fitur warna RGB ke HVS (Hue Saturation Value). Dengan 9 buah citra pepaya dari 20 pengujian citra pepaya, penelitian tersebut menghasilkan tingkat akurasi 45% [5].

Penelitian terdahulu mengenai Penentuan Kualitas Buah Pepaya California Menggunakan Metode K-NN. Penulis menggunakan metode K-Nearest Neighbors (K-NN) untuk klasifikasi penelitian mereka. Metode ini mengidentifikasi kedekatan data uji dengan basis data yang sudah diberi label. Untuk menggunakan warna, fitur R (Red) dan G (Green) digunakan, dan untuk ukuran, minoraxis dan majoraxis digunakan. Penulis menggunakan jarak Euclidean dan Manhattan dengan nilai k = 3, 5, 7, dan 9. Penulis menggunakan tiga kategori kelas: baik, sedang, dan jelek. Ada total 150 citra, yang dibagi menjadi 120 data training dan 30 data testing. Dengan

B

(3)

menggunakan jarak dan nilai k sebesar 7, hasil terbaik diperoleh. Nilai akurasi 86,67%, presisi 87,50%, dan recall 80,00% menunjukkan perfoma penentuan kualitas yang baik [6].

Penelitian terdahulu mengenai Fuzzy K-Nearest Neighbor Pada Klasifikasi Kematangan Cabai Berdasarkan Fitur HSV Citra. Ada 52 data yang diklasifikasikan sesuai dengan kelas aslinya, dengan akurasi 86,66%, dari pengujian tersebut. Klasifikasi kelas sebenarnya terdiri dari 15 cabai matang, 15 cabai mentah, 15 cabai setengah matang, dan 7 cabai busuk. Klasifikasi yang salah terdiri dari 8 cabai busuk [7].

Penelitian terdahulu mengenai Klasifikasi Kematangan Citra Labu Siam Menggunakan Metode KNN (K-Nearest Neighbor) Dengan Ekstraksi Fitur HSV (Hue, Saturation, Value). Hasil penelitian menunjukkan sistem yang dapat menggunakan metode KNN untuk mengidentifikasi tingkat kematangan labu siam. Dalam percobaan pertama, dengan 60 data training dan 40 data testing, dan percobaan kedua, dengan 80 data training dan 20 data testing, diperoleh akurasi sebesar 85% pada K=3 [8].

Penelitian terdahulu mengenai Klasifikasi Kematangan Buah Pisang Ambon Menggunakan Metode KNN dan PCA Berdasarkan Citra RGB dan HSV. Penelitian ini menggunakan 41 data, yang dibagi menjadi 30 data latih dan 11 data uji. Data tersebut diklasifikasikan menggunakan metode KNN dengan nilai K=5. Hasil klasifikasi data uji menunjukkan 10 data sebagai hasil klasifikasi akurat dan 1 data sebagai hasil klasifikasi tidak akurat [9].

Penelitian terdahulu mengenai Fitur Ekstraksi LBP Untuk Mengidentifikasi Kematangan Tomat Sayur Menggunakan Metode K-Nearest Neighbor. Percobaan model K-NN dengan jumlah K=1 memiliki akurasi 60%, K=3 memiliki akurasi 70%, K=5 memiliki akurasi 60%, dan K=7 memiliki akurasi 60 %. Dalam masalah identifikasi kematangan buah tomat sayur menggunakan confusion matriks, percobaan model K-NN dengan jumlah K=3 memiliki tingkat akurasi tertinggi [10].

Selama ini, para petani kakao melakukan pemilihan kualitas tingkat kematangan buah kakao secara manual atau berdasarkan perkiraan petani, sehingga sangat mungkin terjadi kesalahan dalam pemilihan kualitas karena faktor manusia seperti kelelahan dan keraguan.

Berdasarkan masalah tersebut, penelitian ini mengembangkan aplikasi untuk klasifikasi buah kakao menggunakan ekstraksi warna HSV dan metode klasifikasi K-Nearest Neighbor. Tujuan dari aplikasi ini adalah untuk memiliki standar yang sama dan tingkat akurasi yang lebih tinggi dalam pemrosesan digital untuk menentukan tingkat kematangan buah kakao. Oleh karena itu, melakukan penelitian ini sangat penting.

(4)

2. METODE PENELITIAN Rangkaian kegiatan penelitian ini tersaji pada Gambar 1.

Gambar 1 Langkah Kerja Penelitian 2.1 Identifikasi Masalah

Pada tahapan pertama ini dilakukan identifikasi permasalahan penelitian mengenai klasifikasi tingkat kematangan buah pada kakao berdasarkan fitur warna menggunakan algoritma K-Nearest Neighbor yang belum pernah dilakukan penelitian sebelumnya.

2.2 Studi Literatur

Tahap kedua melakukan studi literatur dengan mengumpulkan informasi ataupun data yang berkaitan dengan penelitian yang dilakukan dari jurnal penelitian sebelumnya maupun dari buku. Studi literatur tersebut bertujuan untuk membantu dalam proses penelitian.

(5)

2.3 Pengumpulan Data

Tahap ketiga melakukan pengumpulan data citra buah kakao trinitario menggunakan kamera handphone POCO X3 GT beresolusi 64 MP.

2.4 Pengambilan Citra

Pada tahap ini dilakukan pengambilan citra terhadap masing-masing tingkat kematangan buah kakao yang berbeda-beda yakni, buah kakao yang masih mentah, buah kakao yang sudah setengah matang, buah kakao yang sudah matang, dan buah kakao yang telah busuk. Jarak potret yang digunakan kurang lebih 30 cm dengan sudut kemiringan 45 derajat dan dilakukan didalam ruangan pada siang hari.

2.5 Pemilihan Citra

Pada tahap ini memilih citra dengan kualitas terbaik terhadap foto yang telah dilakukan pengambilan citra sebelumnya, Pemilihan citra bertujuan untuk menghindari adanya foto yang tidak sesuai seperti noise, blur dan sebagainya.

2.6 Pemotongan dan Resize Citra

Setelah selesai melakukan proses pemilihan citra, maka tahapan berikutnya adalah melakukan pemotongan citra atau cropping, dan resize dari foto yang telah dipilih sebelumnya.

Pemotongan dan resize citra menggunakan bantuan aplikasi Photos Windows. Setelah Citra dipotong ukuran di ubah menjadi 500x500 pixel.

2.7 Data Citra

Pada tahapan ini melakukan pembagian data citra yang sudah didapatkan sebelumnya, citra tersebut dibagi menjadi database dan data testing. Total keseluruhan citra database dan testing dari masing-masing tingkat kematangan buah berjumlah 120 citra.

2.8 Ekstraksi Warna HSV

Pada tahapan ini, setiap data citra diubah dari citra asli menjadi citra HSV atau citra keabuan, dengan tujuan mengurangi efek ilusi pada sebuah citra, warna citra tersebut dapat dikonversikan ke colour space yang lain, jadi sangat membantu dalam proses penelitian selanjutnya.

2.9 Klasifikasi KNN

Pada tahapan ini melakukan klasifikasi pada citra kakao tersebut menggunakan K- Nearest Neighbor (KNN) dengan nilai k= 1, 3 dan 5. Jarak yang digunakan adalah jarak Euclidean Distance.

2.10 Hasil Pengujian

Pada tahapan ini, yaitu untuk memperoleh hasil pengujian dari masing- masing objek yang telah difoto pertiap tingkat kematangan untuk selanjutnya ke tahap hasil untuk dilakukan perhitungan menggunakan rumus.

(6)

3. HASIL DAN PEMBAHASAN

Hasil Pengujian dari salah satu Citra Uji dapat dilihat pada Gambar 2.

Gambar 2 Hasil Pengujian Citra Uji Tingkat Kematangan Busuk

Pada Gambar 2 dilakukan proses pengujian tingkat kematangan busuk dengan nilai k=3 didapatkan hasil identifikasi yaitu kakao busuk yang berarti benar.

Berdasarkan hasil pengujian terhadap 40 citra testing didapatkan bahwa klasifikasi tingkat kematangan dengan k=1, k=3, dan k=5 berhasil namun ada beberapa yang salah. Hal itu dikarenakan nilai warna HSV antar citra hampir sama atau mendekati. Sehingga tingkat keberhasilan pada pengujian k=1 dapat disimpulkan pada Tabel 1, pengujian k=3 dapat disimpulkan pada Tabel 2, dan pengujian k=5 dapat disimpulkan pada Tabel 3.

Tabel 1 Hasil Pengujian K=1

No. Nama Citra Testing Hasil Klasifikasi Benar / Salah

1 Busuk1 Kakao Busuk Benar

6 Busuk6 Kakao Setengah Matang Salah

11 Matang1 Kakao Matang Benar

21 Mentah1 Kakao Mentah Benar

(7)

26 Mentah6 Kakao Setengah Matang Salah

31 SetengahMatang1 Kakao Mentah Salah 32 SetengahMatang2 Kakao Setengah Matang Benar 33 SetengahMatang3 Kakao Busuk Salah 34 SetengahMatang4 Kakao Setengah Matang Benar 35 SetengahMatang5 Kakao Setengah Matang Benar 36 SetengahMatang6 Kakao Setengah Matang Benar 37 SetengahMatang7 Kakao Setengah Matang Benar 38 SetengahMatang8 Kakao Setengah Matang Benar 39 SetengahMatang9 Kakao Setengah Matang Benar 40 SetengahMatang10 Kakao Setengah Matang Benar

Total Data = 40 Tabel 2 Hasil Pengujian K=3

7 Busuk7 Kakao Mentah Salah

29 Mentah9 Kakao Busuk Salah

31 SetengahMatang1 Kakao Mentah Salah

(8)

32 SetengahMatang2 Kakao Setengah Matang Benar 33 SetengahMatang3 Kakao Busuk Salah 34 SetengahMatang4 Kakao Setengah Matang Benar 35 SetengahMatang5 Kakao Setengah Matang Benar 36 SetengahMatang6 Kakao Setengah Matang Benar 37 SetengahMatang7 Kakao Setengah Matang Benar 38 SetengahMatang8 Kakao Setengah Matang Benar 39 SetengahMatang9 Kakao Setengah Matang Benar 40 SetengahMatang10 Kakao Setengah Matang Benar

Total Data = 40 Tabel 3 Hasil Pengujian K=5

29 Mentah9 Kakao Busuk Salah

31 SetengahMatang1 Kakao Mentah Salah 32 SetengahMatang2 Kakao Setengah Matang Benar 33 SetengahMatang3 Kakao Setengah Matang Benar 34 SetengahMatang4 Kakao Setengah Matang Benar 35 SetengahMatang5 Kakao Setengah Matang Benar 36 SetengahMatang6 Kakao Setengah Matang Benar 37 SetengahMatang7 Kakao Setengah Matang Benar 38 SetengahMatang8 Kakao Setengah Matang Benar 39 SetengahMatang9 Kakao Setengah Matang Benar 40 SetengahMatang10 Kakao Setengah Matang Benar

Total Data = 40

(9)

Tabel 4 Hasil Akurasi, Presisi, dan Recall

K Data Benar Data Testing Akurasi Presisi Recall

1 36 40 90% 90% 90%

3 34 40 85% 85% 85%

5 34 40 85% 84.90% 85%

Tabel 4 merupakan rangkuman nilai akurasi, presisi, dan recall dari data testing. Akurasi, presisi, dan recall yang didapatkan dari pengujian data testing memiliki nilai tertinggi yaitu akurasi 90%, presisi 90%, dan recall 90% dengan jarak k=1. Sehingga bisa digunakan sebagai acuan dalam melakukan klasifikasi menggunakan metode KNN, nilai K terbaik adalah 1..

Gambar 3 Grafik Hasil Penelitian K=1

Gambar 3 merupakan hasil dari perhitungan persentase akurasi, presisi, dan recall pada masing-masing tingkat kematangan dengan nilai k=1 yang telah dilakukan pengujian dari 40 citra testing dibagi menjadi 10 citra testing busuk didapat hasil akurasi 90%, presisi 90%, dan recall 90%, 10 citra testing matang didapat hasil akurasi 100%, presisi 100%, dan recall 100%, 10 citra testing mentah didapat hasil akurasi 90%, presisi 90%, dan recall 90%, serta 10 citra testing setengah matang didapat hasil akurasi 80%, presisi 80%, dan recall 80%.

90% 90% 90%

100% 100% 100%

90% 90% 90%

80% 80% 80%

0%

20%

40%

60%

80%

100%

120%

Akurasi Presisi Recall

PERSENTASE TINGKAT AKURASI, PRESISI, DAN RECALL GRAFIK HASIL PENELITIAN

Busuk Matang Mentah Setengah Matang

(10)

Gambar 4 merupakan hasil dari perhitungan persentase akurasi, presisi, dan recall pada masing-masing tingkat kematangan dengan nilai k=3 yang telah dilakukan pengujian dari 40 citra testing dibagi menjadi 10 citra testing busuk didapat hasil akurasi 80%, presisi 80%, dan recall 80%, 10 citra testing matang didapat hasil akurasi 100%, presisi 100%, dan recall 100%, 10 citra testing mentah didapat hasil akurasi 80%, presisi 80%, dan recall 80%, serta 10 citra testing setengah matang didapat hasil akurasi 80%, presisi 80%, dan recall 80%.

Gambar 5 merupakan hasil dari perhitungan persentase akurasi, presisi, dan recall pada masing-masing tingkat kematangan dengan nilai k=1 yang telah dilakukan pengujian dari 40 citra testing dibagi menjadi 10 citra testing busuk didapat hasil akurasi 70%, presisi 77.78%, dan recall

80% 80% 80%

100% 100% 100%

80%80% 80%80% 80%80%

0%

20%

40%

60%

80%

100%

120%

70% 77.78%

70%

100% 100% 100%

80% 80% 80%

90% 81.82% 90%

0%

20%

40%

60%

80%

100%

120%

(11)

70%, 10 citra testing matang didapat hasil akurasi 100%, presisi 100%, dan recall 100%, 10 citra testing mentah didapat hasil akurasi 80%, presisi 80%, dan recall 80%, serta 10 citra testing setengah matang didapat hasil akurasi 90%, presisi 81.82%, dan recall 90%.

4. KESIMPULAN

Berdasarkan hasil penelitian dari pengujian yang telah dilakukan menggunakan metode K-NN, dapat diterapkan dengan baik dalam klasifikasi kematangan buah kakao berdasarkan warna HSV. Dengan menggunakan database sebanyak 80 buah kakao dan data uji sebanyak 40 buah kakao untuk masing-masing tingkat kematangan, yaitu busuk, matang, mentah, dan setengah matang. Hasil pengujian data menunjukkan akurasi rata-rata 86,67% dengan jarak k=1, 3, dan 5.

Nilai k terbaik adalah 1, dengan akurasi sebesar 90%. Sehingga klasifikasi tingkat kematangan buah kakao berdasarkan fitur warna menggunakan metode K-Nearest Neighbors (KNN) layak untuk digunakan sebagaimana mestinya.

5. SARAN

Ada beberapa saran untuk hasil yang lebih baik bagi penelitian selanjutnya yaitu, penelitian ini menggunakan buah kakao jenis trinitario, sehingga belum diketahui hasil yang menggunakan buah kakao jenis lainnya, penelitian ini menggunakan nilai k=1, 3, dan 5, sehingga belum di ketahui hasil saat menggunakan nilai k lainnya, dan penelitian ini menggunakan jarak pemotretan ±30cm dengan sudut 45 derajat, sehingga belum diketahui menggunakan jarak pemotretan juga sudut kemiringan yang berbeda.

DAFTAR PUSTAKA

[1] K. Indrayana, “Optimalisasi Budi Daya Kakao Mamuju,” ISBN: 978-623-93937-5-5, 2020.

[2] N. Wijaya and A. Ridwan, “Klasifikasi Jenis Buah Apel Dengan Metode K-Nearest Neighbors,” Jurnal SISFOKOM, vol. 08, 2019.

[3] A. Aminudin, “KLASIFIKASI TINGKAT KEMATANGAN BUAH PEPAYA

MENGGUNAKAN METODE K-NEAREST NEIGHBOR BERDASARKAN WARNA KULIT BUAH,” 2019.

[4] I. S. Areni, I. Amirullah, and N. Arifin, “Klasifikasi Kematangan Stroberi Berbasis Segmentasi Warna dengan Metode HSV,” Jurnal Penelitian Enjiniring, vol. 23, no. 2, pp. 113–116, Nov. 2019, doi: 10.25042/jpe.112019.03.

[5] B. Hermawan, M. Bettiza, and N. Hayaty, “MENENTUKAN TINGKAT KEMATANGAN BUAH PEPAYA DENGAN EKSTRAKSI WARNA HUE SATURATION VALUE,” 2017.

[6] M. Ezar Al Rivan, M. Arman, and W. Kennedy, “PENENTUAN KUALITAS BUAH PEPAYA CALIFORNIA MENGGUNAKAN METODE K-NN,” 2021.

[7] F. Liantoni and F. N. Annisa, “FUZZY K-NEAREST NEIGHBOR PADA

KLASIFIKASI KEMATANGAN CABAI BERDASARKAN FITUR HSV CITRA,”

2018.

[8] A. Nurul Dzulhijjah and S. Anraeni, “Klasifikasi Kematangan Citra Labu Siam

Menggunakan Metode KNN (K-Nearest Neighbor) Dengan Ekstraksi Fitur HSV (Hue, Saturation, Value),” ISSN: 2721-0901, vol. 2, no. 2, pp. 103–110, 2021.

(12)

[9] S. P. Adenugraha, V. Arinal, and D. I. Mulyana, “Klasifikasi Kematangan Buah Pisang Ambon Menggunakan Metode KNN dan PCA Berdasarkan Citra RGB dan HSV,”

JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 6, no. 1, p. 9, Jan. 2022, doi:

10.30865/mib.v6i1.3287.

[10] S. R. Hidiya and M. E. Lasulika, “Fitur Ekstraksi LBP Untuk Mengidentifikasi

Kematangan Tomat Sayur Menggunakan Metode K-Nearest Neighbor,” Jurnal Nasional cosPhi, vol. 3, no. 1, pp. 2597–9329, 2019.