1
PENGELOMPOKKAN TINGKAT KEMATANGAN BUAH JERUK MENGGUNAKAN METODE K-MEANS CLUSTERING
Lelly Anggraini, Joko Risanto
Mahasiswa Program Studi S1 Sistem Informasi Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam Kampus Bina Widya Pekanbaru, 28293, Indonesia
[email protected] ABSTRACT
Kabupaten Kampar is one of the citrus cultivation centers in Riau, the most famous orange is the Siamese orange from Kampar. Siamese oranges from Kampar have characteristics that are different from other oranges such as having a sweet taste, fragrant aroma, and thin skin. Currently, the fruit ripeness classification process still uses the manual method farmers make direct visual observations by looking at the shape, size and color of citrus fruits. This study aims to design a classification system for the maturity level of citrus fruits using the k-means clustering method. The data used are images of citrus fruits recorded using a smartphone camera and saved in JPG format that then extracts each RGB and uses as input data. The sample data used in this study amounted to 85 represented into three levels of ripeness, namely unripe, ripe and overripe fruit. A total of 70 data were used as training data and 15 data were used as testing data. In the training data, the system managed to recognize 19 fruits as unripe clusters, 42 fruits as ripe clusters and 9 fruits as overripe clusters.
The level of accuracy in the training data is 91.42%.
Keywords : Orange, digital image processing, RGB, K-Means Clustering, Matlab.
ABSTRAK
Kampar merupakan salah satu pusat budidaya jeruk di Riau, jeruk yang paling terkenal adalah jeruk siam asal Kampar. Jeruk siam asal Kampar mempunyai ciri khas yang berbeda dengan jeruk lain seperti memiliki rasa manis, aroma yang harum, dan memiliki kulit buah yang tipis. Saat ini proses klasifikasi kematangan buah masih menggunakan cara manual yaitu para petani melakukan pengamatan visual secara langsung dengan melihat bentuk, ukuran dan warna buah jeruk. Penelitian ini bertujuan untuk membuat rancangan sistem klasifikasi tingkat kematangan buah jeruk menggunakan metode k-means clustering. Data yang digunakan adalah gambar buah jeruk yang direkam menggunakan kamera smartphone dan disimpan dengan format
2 JPG yang kemudian diekstraksi masing-masing nilai RGB dan digunakan sebagai data input. Data sampel yang digunakan dalam penelitian ini berjumlah 85 direpresentasikan kedalam tiga tingkat kematangan yaitu buah mentah, matang dan sangat matang. Sebanyak 70 data digunakan sebagai data pelatihan dan 15 data digunakan sebagai data pengujian. Pada data pelatihan sistem berhasil mengenali 19 buah sebagai cluster mentah, 42 buah dikenali sebagai cluster matang dan 9 buah dikenali sebagai cluster lewat matang. Tingkat akurasi pada data pelatihan sebesar 91,42%.
Kata Kunci : Jeruk, Pengolahan citra Digital, RGB, K-Means Clustering, Matlab.
PENDAHULUAN
Kabupaten Kampar merupakan salah satu pusat budidaya jeruk di Riau dan memberikan kontribusi besar terhadap produksi jeruk di Provinsi Riau. Jeruk merupakan salah satu buah-buahan yang banyak digemari masyarakat Indonesia karena kaya akan kandungan vitamin C. Kondisi kematangan buah jeruk dapat dilihat dari beberapa parameter seperti bentuk, warna dan ukuran buah. Jeruk yang telah matang biasanya berwarna hijau kekuningan, memiliki kulit buah tipis, permukaan halus dan mengkilap, daging buahnya lunak dengan rasa manis.
Proses klasifikasi kematangan buah masih menggunakan cara manual, proses membutuhkan waktu yang relatif lama dan menghasilkan kematangan buah yang beragam sehingga proses klasifikasi tidak efisien. Oleh karena itu diperlukan sebuah metode yang dapat menjamin keseragaman tingkat kematangan buah jeruk berdasarkan kemiripan warna. Pengolahan citra sangat efektif untuk klasifikasi tingkat kematangan buah.
Teknologi pengolahan citra semakin berkembang pesat diberbagai bidang seperti kesehatan, industri, pendidikan termasuk juga dibidang pertanian. Salah satunya pengolahan citra dapat digunakan sebagai alat untuk deteksi penyakit, mengidentifikasi kematangan buah, mengklasifikasi tingkat kematangan buah.
Dengan kemajuan teknologi informasi memungkinkan identifikasi buah berdasarkan warna dengan bantuan komputer. Metode pengolahan data menggunakan aplikasi Matlab untuk mendapatkan nilai ekstraksi warna RGB kemudian diproses secara pembelajaran dengan metode k-means clustering. Metode K-means clustering mampu mengelompokkan suatu data berdasarkan nilai kemiripan ciri yang ada. Penggunaan k-means digunakan untuk memilah data yang dianalisa ke dalam sebuah kelompok.
Berdasarkan uraian diatas, peneliti tertarik untuk membuat sebuah sistem pengelompokkan buah jeruk dengan judul “Pengelompokkan Tingkat Kematangan Buah Jeruk Menggunakan Metode K-Means Clustering”. Sehingga dapat memudahkan para petani ataupun masyarakat dalam mengklasifikasi kematangan buah jeruk.
3 LANDASAN TEORI
a. Clustering
Clustering atau klasifikasi adalah metode metode yang digunakan untuk membagi rangkaian data menjadi beberapa group berdasarkan kesamaan-kesamaan yang telah ditentukan sebelumnya. Cluster adalah sekelompok atau sekumpulan objek-objek data yang similar satu sama lain dalam cluster yang sama dan similar terhadap objek-objek yang berbeda cluster (Metisen & Sari, 2015).
b. Kematangan
Kematangan merupakan suatu potensi yang dibawa individu sejak lahir, timbul dan bersatu dengan pembawaannya serta turut mengatur pola perkembangan tingkah laku individu. Kematangan mula-mula merupakan suatu hasil daripada adanya perubahan-perubahan tertentu dan penyesuaian struktur pada diri individu, seperti adanya kematangan jaringan-jaringan tubuh, saraf, dan kelenjar-kelenjar yang disebut dengan kematangan biologis. Kematangan terjadi pula pada aspek-aspek psikis yang meliputi keadaan berpikir, rasa, serta kematangan pada aspek psikis ini yang memerlukan latihan-latihan tertentu (Suparmin, 2010).
c. Buah Jeruk
Jeruk merupakan salah satu jenis buah-buahan yang banyak digemari masyarakat Indonesia. Jeruk siam merupakan jeruk yang banyak dibudidayakan di Riau khususnya Kabupaten Kampar dan biasa disebut dengan jeruk siam Kampar.
Kabupaten Kampar merupakan salah satu pusat budidaya jeruk di Riau dan memberikan kontribusi terbesar terhadap produksi jeruk di Provinsi Riau. Jeruk siam Kampar (citrus nobilis lour) memiliki sifat unggul seperti kulit tipis, permukaan halus, licin, mengkilat dan rasa yang manis. Jeruk siam asal Kampar mempunyai ciri khas yang berbeda dengan jeruk lain seperti memiliki rasa manis, aroma yang harum, dan memiliki kulit buah yang tipis (Saputra & Tety, 2017) .
d. K-Means Clustering
K-means merupakan salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih cluster atau kelompok sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam kelompok yang lainnya (Metisen & Sari, 2015).
K-Means adalah metode clustering berbasis jarak yang membagi data ke dalam sejumlah cluster dan algoritma ini hanya bekerja pada atribut numeric.
Algoritma K-Means termasuk partitioning clustering yang memisahkan data ke k daerah bagian yang terpisah. Algoritma k-means sangat terkenal karena kemudahan dan kemammpuannya untuk mengcluster data yang besar dan data outlier dengan
4 sangat cepat. Dalam algoritma K-means, setiap data harus termasuk ke cluster tertentu dan bisa dimungkinkan bagi setiap data yang termasuk cluster tertentu pada suatu tahapan proses, pada tahapan berikutnya berpindah ke cluster lainnya (Darmi &
Setiawan, 2016).
Langkah-langkah algoritma K-Means adalah sebagai berikut (Irtawaty, 2017):
i. Menentukan jumlah cluster pada data set.
ii. Menentukan nilai pusat (centroid).
Dalam menentukan nilai centroid pada tahap awal dilakukan secara random.
Sedangkan jika menentukan nilai centroid yang merupakan tahap dari iterasi, maka digunakan rumus sebagai berikut :
̅ ∑ ....(1)
Dimana :
̅ = centroid rata-rata cluster ke-i untuk variabele ke-j.
= jumlah data yang menjadi anggota cluster ke-i.
= indeks dari cluster.
= indeks dari variable.
= nilai data ke-k yang ada di dalam cluster tersebut untuk variablel ke-j.
iii. Menghitung jarak antara titik centroid dengan titik tiap objek.
Untuk menghitung jarak tersebut dapat menggunakan Euclidean Distance, yaitu:
√ ...(2) Dimana :
= Euclidean Distance = banyaknya objek = koordinat objek = koordinat centroid
iv. Kelompokkan objek berdasarkan jarak centroid terdekat.
v. Kembali ke tahap 2, lakukan perulangan hingga nilai centroid yang dihasilkan tetap dan anggota cluster tidak berpindah ke cluster lain.
e. Matlab
Matlab singkatan dari Matrix Laboratory merupakan bahasa pemrograman yang dikembangkan oleh The Mathwork.Inc (http://wwq.mathworks.com). Bahasa pemrograman ini banyak digunakan untuk perhitungan numerik, keteknikan, komputasi simbolik, visualisasi, grafis, analisis datamatematis, desain GUI (Graphical User Interface). Matlab adalaah bahasa pemrograman level tinggi yang dikhususkan untuk komputasi teknis. Bahasa ini mengintegrasikan kemampuan komputasi, visualisasi dan pemrograman dalam sebuah lingkungan yang tunggal dan mudah digunakan. Matlab memeberikan sistem interaktif yang menggunakan konsep
5 array/matrix sebagai standar variabel elemennya tanpa membutuhkan pendeklarasian array seperti pada bahasa lain (Yusran, 2016).
HASIL DAN PEMBAHASAN
a. Pengambilan Citra Jeruk
Pengambilan citra buah jeruk dilakukan dengan menggunakan kamera smartphone. Objek buah diletakkan diatas kertas dengan latar berwarna putih dengan jarak objek ke kamera sekitar 15 cm. Selanjutnya untuk kondisi penerangan dimana penggunaan pencahayaan lampu flash dari smartphone yang akan menyorot dari depan sehingga bayangan akan jatuh membelakangi objek. Citra buah jeruk yang telah direkam disimpan dengan format .JPG.
b. Preprocessing
Pada penelitian ini, preprocesssing yang dilakukan adala proses cropping.
Cropping dilakukan untuk mengambil citra yang dibutuhkan dan membuang bagian yang tidak dibutuhkan. Masing-masing gambar di crop dengan resolusi 2448 × 1836 pixel menggunakan smartphone Oppo A15s.
c. Ekstraksi Ciri Jeruk
Setelah gambar di crop dan dilanjutkan dengan melakukan ekstraksi gambar.
Proses ekstraksi dilakukan menggunakan aplikasi matlab untuk mendapatkan nilai r, g, dan b dari sebuah citra.
Tabel 1. Data Pelatihan
No Nama citra R G B
1 IMG_151823.jpg 142,6823 143,4051 132,2408 2 IMG_152015.jpg 135,9813 138,1451 120,6663 3 IMG_152301.jpg 159,7843 160,3047 153,1234
4 IMG_152347.jpg 142,539 143,304 122,7994
...
…
70 IMG_170830.jpg 157,027 160,2439 111,6274
Tabel 2. Data Uji
No Nama Citra R G B
1 IMG_151935.jpg 144,4104 143,646 129,9386
2 IMG_152215.jpg 155,6013 155,743 149,5716
3 IMG_153452.jpg 146,2083 146,4227 129,6395
. . . . .
. . . . .
15 IMG_171758.jpg 167,6406 166,5688 124,4092
6 d. Tentukan Jumlah Cluster dan Nilai Pusat (Centroid)
Pada penelitian ini ditentukan jumlah cluster sebanyak tiga (3) cluster.
Menentukan pusat cluster awal dilakukan dengan pemilihan data yang ingin dijadikan centroid awal. Tabel 1 merupakan tabel dataset yang akan digunakan sebagai percobaan perhitungan menggunakan k-means. Karena pengelompokkan tingkat kematangan yang telah ditentukan sebanyak tiga cluster yaitu C1, C2 dan C3 maka dialokasikan juga titik pusat (centroid) sebanyak tiga data yang diambil secara acak dari citra buah jeruk yang sudah diekstraksi dengan tingkat kematangan yang berbeda.
Tabel 3. Centroid Awal
Centroid Nama Citra R G B
C1 IMG_155208.jpg 158,9855 159,6902 155,1122 C2 IMG_153416.jpg 147,0949 148,1281 134,8157 C3 IMG_170812.jpg 161,3693 161,2664 117,6059
Berdasarkan tabel di atas, titik pusat cluster (centroid) awal C1 diambil dari data ke 32 dengan tingkat kematangan buah mentah , C2 dari data ke 15 dengan tingkat kematangan matang dan C3 dari data ke 69 dengan tingkat kematangan sangat matang.
e. Mengitung Jarak Titik Centroid Dengan Titik Tiap Objek
Setelah menentukan pusat cluster kemudian menghitung jarak setiap data nilai pixel RGB citra ke masing-masing pusat cluster (centroid) menggunakan rumus Euclidean Distance, mulai dari jarak data citra pertama sampai dengan jarak data citra ke 70 menggunakan persamaan (2.10) sebagai berikut:
Perhitungan jarak minimum data pertama (D1) ke pusat cluster (centroid) C1, C2 dan C3.
√
√
√ √
√
√
√ √
f. Kelompokkan Objek Berdasarkan Jarak Terdekat
7 Berdasarkan perhitungan jarak di atas, pada tabel 4 dilakukan penentuan kelompok berdasarkan hasil perhitungan jarak minimum. Pada perhitungan jarak data buah ke-satu sebelumnya, jarak minimum terdapat pada D1.1 maka data pertama masuk kedalam kelas C2. Begitu proses selanjutnya untuk data ke-dua sampai data ke 70.
Tabel 4. Pengelompokkan Data Berdasarkan Jarak Centroid Terdekat
Nama Sampel C1 C2 C3 Cluster
D1 32,46694 6,957566 29,7054 2
D2 46,68947 20,57611 34,47474 2
D3 2,229649 25,38628 35,56581 1
D4 39,78838 13,72658 26,53676 2
D5 34,33798 8,36906 24,88527 2
…
…
D70 40,02266 28,91776 3,589185 3
Setelah semua data ditempatkan ke dalam cluster terdekat seperti pada tabel 4 , dilakukan iterasi kedua untuk menghitung kembali titik pusat cluster yang baru berdasarkan rata-rata anggota yang ada pada cluster tersebut menggunakan persamaan (2.9).
C1 = (159,7843 + 154,958 + 154,3001 + 154,2575 + 151,0689 + 156,6214 + 153,2721 + 158,9855 + 156,9978 + 152,3067 + 152,8885 + 156,3622 + 154,5388 + 154,6236) / 14 = 155,0689
C1 = (160,3047 + 155,0936 + 155,7541 + 154,2481 + 154,6942 + 156,5834 + 150,8022 + 159,6902 + 159,1733 + 152,3689 + 151,8262 + 155,7289 + 155,8813 + 159,7836) / 14 = 155,8523
C1 = (153,1234 + 149,4596 + 150,7456 + 151,2767 + 146,7416 + 155,4557 + 150,4998 + 155,1122 + 153,5581 + 149,7872 + 147,4955 + 153,372 + 151,4433 + 148,881) / 14 = 151,2108
Untuk mendapatkan nilai C2 dan C3 yang baru sama caranya dengan meghitung nilai C1. Setelah dilakukan proses perhitungan semua pusat cluster baru, maka diperoleh hasil centroid baru seperti pada tabel 5.
Tabel 5. Centroid Baru Iterasi 2
Centroid R G B
C1 155,0689 155,8523 151,2108 C2 142,2119 146,2461 128,4905 C3 162,2856 162,1568 123,6756
8 Lakukan perhitungan jarak minimum setiap data ke titik centroid baru sampai anggota masing-masing cluster tidak berpindah. Pada iterasi 4 proses perhitungan selesai, karena centroid yang dihasilkan tetap dan tidak ada perubahan anggota masing-masing cluster. Tabel 6 merupakan centroid akhir dari perhitungan k-means clustering karna tidak adanya perubahan dari masing-masing cluster.
Tabel 6. Centroid Akhir
Centroid R G B
C1 153,5818 154,0846 149,4496 C2 140,9774 145,6804 126,4484 C3 161,8125 161,4241 124,8361
g. Analisa kebutuhan
Analisis kebutuhan adalah proses yang dilakukan untuk mendapatkan sebuah informasi kebutuhan apa saja yang digunakan untuk membangun sistem agar berjalan semestinya. Kebutuhan tersebut mencakup perangkat lunak dan perangkat keras serta gambaran umum sistem yang akan berjalan.
Proses yang terdapat dalam aplikasi ini adalah proses ektraksi fitur warna, hasil dari ekstraksi akan digunakan sebagai inputan proses klasifikasi k-menas clustering. Algoritma k-means merupakan metode yang dipilih dalam pengclusteran karena algoritma ini mampu mempartisi data kedalam cluster sehingga data yang memiliki karrakteristik yang sama dikelompokkan kedalam kelompok yang sama dan yang memiliki karakteristik berbeda akan dikelompokkan ke dalam cluster yang lain.
Pengclusteran yang dilakukan terdiri dari 3 cluster yaitu buah matang, mentah dan buah lewat matang.
h. Perancangan Interface Menu Utama
Gambar 1. Tampilan Desain Halaman Utama
9 Halaman utama menampilkan menu upload file untuk mengunggah file dengan format .xls, menu open image , menu ekstraksi ,menu tambah data, menu impor data dan menu klasifikasi untuk perhitungan k-menas clustering.
i. Perancangan Interface Hasil
Gambar 2. Tampilan Desain Hasil
Gamba 2 merupakan tampilan hasil klasifikasi yang telah di input sebelumnya, informasi yang ada dihalaman ini meliputi jumlah anggota setiap kelas/cluster dan juga melihat gambar disetiap cluster, nilai centroid awal, nilai centroid akhir, grafik penyebaran cluster dan jumlah iterasi yang dilakukan saat proses perhitungan dengan k-means clustering.
i. Implementasi Sistem
Seluruh data sampel akan diuji dengan sistem yang telah dibuat untuk mendapatkan hasil penelitian dan mengetahui tingkat akurasi metode k-means clustering. Pada implementasi sistem ini dilakukan uji coba dengan nilai K = 3, tiga buah jeruk akan dijadikan sebagai titik pusat cluster dengan tingkat kematangan yang berbeda.
Gambar 3. Hasil Pengelompokkan K-Means K = 3
10 Gambar 4. Gambar Jeruk Pada Cluster 1
Gambar 5 Gambar Buah Jeruk Pada Cluster 2
Gambar 6. Gambar Buah Jeruk Pada Cluster 3
Gambar 7. Grafik Penyebaran Cluster K = 3
j. Pengujian Data Uji
Pengujian data uji merupakan rangkaian uji coba yang terdapat di dalam aplikasi klasifikasi tingkat kematangan buah jeruk. Pada proses pengujian ini
11 dimaksudkan untuk mengetahui hasil klasifikasi, apakah sistem aplikasi yang dibuat telah berhasil mengelompokkan tingkat kematangan buah jeruk atau belum.
Pada data uji, sistem mampu mengenali masing-masing tingkat kematangan buah. Sistem mampu mengenali 4 buah jeruk sebagai jeruk mentah, 8 buah sebagai jeruk matang dan 3 buah dikenali sebagai jeruk sangat matang.
KESIMPULAN
Berdasarkan penelitian yang dilakukan penulis dalam klasifikasi tingkat kematangan buah jeruk menggunakan metode K-Means clustering dapat disimpulkan Penelitian ini berhasil membangun sistem klasifikasi tingkat kematangan buah jeruk berdasarkan ekstraksi warna RGB dari citra buah jeruk menggunakan metode k- means clustering. Sistem yang dibuat mampu mengelompokkan tingkat kematangan buah. 19 buah dikenali sebagai cluster mentah, 42 buah dikenali sebagai cluster matang dan 9 buah dikenali sebagai cluster sangat matang. Sistem yang dibuat mengasilkan tingkat akurasi sebesar 91,42% dan pada data pengujian menghasilkan tingkat akurasi sebsar 100%.
UCAPAN TERIMA KASIH
Penulis mengucapkan banyak terima kasih kepada bapak Joko Risanto, M.Kom.
selaku dosen pembimbing skripsi yang telah membimbing, meluangkan waktu, memotivasi, dan membantu dalam penelitian serta penulisan karya ilmiah ini.
DAFTAR PUSTAKA
Andrini, A., Martasari, C., Budiyati, E., & Zamzami, L. (2021). Klasifikasi Dan Sebaran Jeruk Nusantara.
Apriyanti, N. R., Nugroho, R. A., & Soesanto, O. (2015). Algoritma K-Means Clustering Dalam Pengolahan Citra Digital Landsat. Kumpulan jurnaL Ilmu Komputer (KLIK), 2(2), 1–13.
Arsy, L., Nurhayati, O. D., & Martono, K. T. (2016). Aplikasi Pengolahan Citra Digital Meat Detection Dengan Metode Segmentasi K-Mean Clustering Berbasis OpenCV Dan Eclipse. Jurnal Teknologi Dan Sistem Komputer, 4(2), 322–332.
Darmi, Y., & Setiawan, A. (2016). Penerapan Metode Clustering K-Means Dalam Pengelompokan Penjualan Produk. 12(2), 148–157.
Darminta, I. K., Sukarma, I. N., & Budiawan, I. M. (2017). Simulasi Pemisah Kematangan Buah Jeruk Berdasarkan Warna Berbasis Mikrokontroler Atmega 328P. JURNAL MATRIX, 7(2), 27–31.
Eliyani, Tulus, & Fahmi, F. (2013). Pengenalan Tingkat Kematangan Buah Pepaya Paya Rabo Menggunakan Pengolahan Citra Berdasarkan Warna RGB Dengan
12 K-Means Clustering. Singuda Ensikom, Image Proc(Special Issue 2013), 1–5.
Retrieved from https://jurnal.usu.ac.id/singuda_ensikom/article/view/5736 Himmah, E. F., Widyaningsih, M., & Maysaroh. (2020). Identifikasi Kematangan
Buah Kelapa Sawit Berdasarkan Warna. Jurnal Sains Dan Informatika, 6(November), 193–202. https://doi.org/10.34128/jsi.v6i2.242
Irtawaty, A. S. (2017). Klasifikasi Penyakit Ginjal dengan Metode K-Means.
JURNAL TEKNOLOGI TERPADU Vol. 5 No. 1 April 2017, 5(1), 49–53.
Kusumanto, R. D., & Tompunu, A. N. (2011). Pengolahan Citra Digital Untuk Mendeteksi Obyek Menggunakan Pengolahan Warna Model Normalisasi RGB.
Seminar Nasional Teknologi Informasi & Komunikasi Terapan 2011, 2011(Semantik).
Kusumanto, R. D., Tompunu, A. N., & Pambudi, S. (2011). Klasifikasi Warna Menggunakan Pengolahan Model Warna HSV. Jurnal Ilmiah Teknik Elektro, 2(2), 83–87.
Listya, A. (2018). Konsep dan pengunaan warna dalam infografis. Jurnal Desain, 6(1), 10–19.
Meisida, N., Oni, S., & Chandra, H. K. (2014). K-Means untuk Klasifikasi Penyakit Karies Gigi. Ilmu Komputer (KLIK), 1(1), 12–22.
Metisen, B. M., & Sari, H. L. (2015). Analisis Clustering Menggunakan Metode K- Means Dalam Pengelompokkan Penjualan Produk Pada Swalayan Fadhila.
Jurnal Media Infotama, 11(2), 110–118.
Permana, I., Marzuki, I., & Yurisna, D. (2012). Normalized RGB Color Space untuk Segmentasi Citra Google Earth. 126–133.
Prabiantissa, C. N., Ririd, A. R., & Asmara, R. A. (2017). Sistem Identifikasi Batik Alami Dan Batik Sintetis Berdasarkan Karakteristik Warna Citra Dengan Metode K-Means Clustering. Jurnal Informatika Polinema, 3, 26–31.
Prabowo, H. (2017). Deteksi Kondisi Kematangan Buah Jeruk Berdasarkan Kemiripan Warna Pada Ruang Warna RGB Berbasis Android. Jurnal Elektronik Sistem Informasi Dan Komputer, 3(2), 9–19.
Rismawan, T., & Kusumadewi, S. (2008). Aplikasi K-Means Untuk Pengelompokkan Mahasiswa. Apilkasi K-Means Untuk Pengelompokan Mahasiswa Berdasarkan Nilai Body Mass (Bmi) & Ukuran Kerangka, 2008(Snati), 5.
Saputra, H. E., & Tety, E. (2017). Analisis Pendapatan Petani Jeruk Siam (Citrus Nobilis Lour) Di Desa Kuok Kecamatan Kuok Kabupaten Kampar. Indonesian Journal of Agricultural Economics ( IJAE ), 8, 215–220.
Suparmin, M. (2010). Makna Psikologi Perkembangan Peserta Didik. Jurnal Ilmiah SPIRIT, 10, 28–68. https://doi.org/10.3402/ejpt.v3i0.18967
Yusran. (2016). Implementasi Jaringan Syaraf Tiruan (JST) Untuk Memprediksi Hasil Nilai UN Menggunakan Metode Backpropagation. Jurnal Ipteks Terapan, 4, 269–275.
