Claim Missing Document
Check
Articles

Found 1 Documents
Search

KLASIFIKASI TINGKAT KEMATANGAN BUAH KOPI BERDASARKAN DETEKSI WARNA MENGGUNAKAN METODE KNN DAN PCA Siti Raysyah; Veri Arinal; Dadang Iskandar Mulyana
Jurnal Sistem Informasi Vol. 8 No. 2 (2021)
Publisher : Universitas Serang Raya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30656/jsii.v8i2.3638

Abstract

Abstrak - Kopi merupakan salah satu produk tanaman dibidang perkebunan yang dibutuhkan oleh masyarakat di dunia . Di Indonesia kopi termasuk komoditas ekspor yang cukup tinggi. Perkebunan kopi di Indonesia memiliki peran penting dalam perekonomian di Indonesia, serta menjadi penyedia lapangan pekerjaan bagi masyarakat sekitarnya. Kondisi dari sektor perkebunan kopi yang dibahas saat ini adalah untuk penentuan panen buah kopi berdasarkan warna kulit buah, kematangan buah kopi dimulai dari mentah, cukup matang dan matang sehingga warna dari buah kopi dapat menjadi indikator penting untuk dapat mengetahui tingkat kematangan dan kualitas buah kopi. Oleh karena itu peneliti ingin mengajukan sebuah ide untuk menjawab permasalahan pada penentuan kematangan buah kopi yang sebagian besar masih dilakukan secara manual memiliki beberapa kelemahan dan membutuhkan proses yang cukup lama, memiliki akurasi yang rendah dan tidak konsisten, hal itu dikarenakan penentuan yang dilakukan secara subjektif oleh para petani kopi. Berdasarkan permasalahan tersebut dibuatlah sebuah sistem untuk mengklasifikasikan tingkat kematangan buah kopi dengan memanfaatkan fitur warna RGB dan HSV menggunakan metode K-Nearest Neighbor (KNN). Klasifikasi menggunakan pengolahan citra dengan memanfaatkan software MATLAB untuk pembuatan sistem klasifikasi dengan 3 kelas yaitu mentah, cukup matang, dan matang. Dalam penelitian ini menggunakan data yang didapat dari dataset public dengan mengunduh (download) gambar terkait dari google image yaitu berupa gambar citra buah kopi yang ada pada variabel penelitian ini . Data yang digunakan dalam penelitian ini sebanyak 135 dataset yang dibagi menjadi 90 data latih dan 45 data uji. Data tersebut diklasifikasikan menggunakan metode KNN dengan mengukur jarak tetangga terdekat dengan nilai K=3. Dari penelitian ini didapatkan hasil akurasi sebesar 97,77% dengan hasil klasifikasi data uji sebanyak 44 data mendapat hasil klasifikasi akurat dan 1 data mendapat hasil klasifikasi tidak akurat. Kata kunci : Kopi, K-Nearest Neighbor, RGB, HSV, MATLAB