953
Jurnal Indonesia Sosial Teknologi: p–ISSN: 2723 - 6609
e-ISSN : 2745-5254
Vol. 2, No. 6 Juni 2021
KLASIFIKASI MUTU BUAH JAMBU BIJI GETAS MERAH BERDASARKAN
TEKSTUR MENGGUNAKAN GREY LEVEL CO-OCCURENCE MATRIX
(GLCM) DENGAN KLASIFIKASI KNN
I Gede Wirayudhana
Program Studi Informatika, Fakultas Ilmu Komputer Universitas Pembangunan
Nasional Veteran Jakarta
Email: yd.travelbuddies@gmail.com
Abstract
The purpose of this study was to implement a system capable of classifying the quality
of red guava fruit between Super class, A class and B class. Guava fruit is a fruit that
contains lots of vitamins and is good for health. Guava also has a high level of
demand in Indonesia and has a wide market. This proves that guava is widely
consumed by the community and has a high level of competitiveness. So far, the
classification of guava quality is done by doing manual observations by looking
directly at the outer physical surface of the fruit. This manual classification gives
results that are less effective and inconsistent. Digital image processing technology
or Image Proseccing can be used to classify the quality of brittle red guava in
accordance with the Indonesian National Standard, especially in terms of the outer
texture of the guava. This system uses image processing to extract the outer texture
features of the guava fruit surface. As a quality classification, themethod is used KNN
(K-Nearest Neighbor). This system will classify guava into 3 quality classes, namely
super class, A class, and B class. KNN is designed with 4 input features of GLCM
value extraction (energy, homogeneity, correlation and contrast) using an angle of 0
degrees. From the test results, it was found that this classification method was able
to provide the best accuracy at k=9 in the KNN method with an accuracy of 45.8%.
Keyword: technology; leadership; millennials; human Resources; productivity
Abstrak
Tujuan penelitian ini adalah Untuk mengimplementasikan sistem yang mampu
mengklasifikasikan mutu buah jambu biji getas merah antara kelas Super, kelas A
dan kelas B. Buah Jambu biji adalah buah yang banyak mengandung vitamin dan
baik bagi kesehatan. Jambu biji juga memiliki tingkat permintaan tinggi di Indonesia
dan memiliki pasar yang luas. Hal ini membuktikan bahwa jambu biji dikonsumsi
oleh masyarakat secara luas dan memiliki tingkat daya saing tinggi. Selama ini
pengklasifikasian mutu jambu biji dilakukan dengan melakukan pengamatan manual
dengan melihat secara langsung permukaan fisik luar buah. Pengklasifikasian secara
manual ini memberikan hasil klasifikasi yang kurang efektif dan tidak konsisten.
Teknologi pengolahan citra digital atau Image Proseccing dapat digunakan untuk
mengklasifikasikan mutu jambu biji getas merah yang sesuai dengan Standar
Nasional Indonesia, terutama dari segi tekstur luar jambu biji. Sistem ini
menggunakan pengolahan citra untuk mengekstraksi ciri tekstur luar permukaan
I Gede Wirayudhana
954 Jurnal Indonesia Sosial Teknologi, Vol. 2, No. 6, Juni 2021
buah jambu biji. Sebagai klasifikasi mutu digunakan metode KNN (K-Nearest
Neighbour). Sistem ini akan mengklasifikasikan jambu biji ke dalam 3 kelas mutu,
yakni kelas super, kelas A, dan kelas B,. KNN dirancang dengan masukan 4 fitur
ekstraksi nilai GLCM (energy, homogeneity, correlation dan contrast) dengan
menggunakan sudut 0 derajat. Dari hasil pengujian didapatkan bahwa metode
klasifikasi ini mampu memberikan akurasi terbaik pada k=9 dalam metode KNN
dengan akurasi 45,8%.
Kata kunci: teknologi; kepemimpinan; milenial; sumber daya manusia; produktivitas
Pendahuluan
Saat ini buah jambu biji getas merah (Psidium guajava L.) adalah salah satu
komoditas holtikultura yang memiliki minat pasar luas mulai dari pasar tradisional hingga
pasar modern. Saat ini tingkat produksi jambu biji di Indonesia pada tahun 2013 mencapai
181.632 ton, pada tahun 2014 mencapai 187.408 ton dan mengalami kenaikan pada tahun
2018 mencapai 228.642 ton (PAMBUDI, 2018). Hal tersebut menunjukkan bahwa buah
jambu memiliki daya saing, kualitas mutu buah jambu biji merah dipengaruhi oleh
penanganan pasca panen yaitu tingkat ketuaan panen, tekstur, dan daya simpan. Tingkat
ketuaan jambu biji ditandai oleh perubahan warna kulit buah (Umah, n.d.). Panen buah
jambu biji merah ini terkadang bergantung jarak tempuh daerah pemasaran. Daerah
pemasaran yang dekat, buah dipanen saat kulit buah kuning kehijauan, dan mutu buah
jambu biji juga dapat dilihat dari segi tekstur yaitu gores, busuk, dan kulit yang terkelupas
(Wibowo et al., 2018). (Budianita et al., 2015) melaporkan bahwa buah jambu biji
memiliki daya simpan antara 2-7 hari.
Menurut Badan Standarisasi Nasional (Wibowo et al., 2018) jambu biji untuk
konsumsi segar digolongkan dalam tiga kelas mutu yaitu kelas super, kelas A, dan kelas
B, dalam pengelompokan kelas mutu jambu biji berdasarkan kelas buah Standar Nasional
Indonesia (SNI) bertujuan agar para petani jambu biji dapat meningkatkan daya saing
pasar dengan kualitas buah terbaik dan preferensi konsumen dalam membeli buah jambu
biji mendapatkan kualitas yang baik. (Roidah, 2015) Karena Jambu merah pada
umumnya memiliki banyak manfaat dan dapat dijadikan bahan baku bagi industri medis
dan bahan baku industri lainnya sehingga penulis akan mengangkat judul tentang
klasifikasi jambu biji getas`merah berdasarkan mutu agar diharapkan para konsumen
mengetahui mutu buah jambu yang akan dikonsumsinya, dan diharapkan para petani
dapat pula menjadikan acuan untuk mengklasifikasikan buah jambu yang dijualnya
berdasarkan mutu yang telah ditetapkan oleh Badan Standarisasi Nasional (Prahudaya &
Harjoko, 2017). (Munir, 2004) Penulis membuat penelitian tentang pengolahan citra
digital berdasarkan pada acuan standar mutu yang telah ditetapkan oleh Badan
Standarisasi Nasional (BSN) dengan tema pengenalan tekstur pada kulit jambu biji getas
merah dengan menggunakan metode ekstraksi ciri Gray Level Co-Occurance Matrix
(GLCM) dengan menggunakan fitur atau variabel Contrast, Correlation, Energy,
Homogeneity dan pengklasifikasian K-Nearest Neighbor (KNN) untuk mengenali jenis
Klasifikasi Mutu Buah Jambu Biji Getas Merah Berdasarkan Tekstur Menggunakan
Grey Level Co-Occurence Matrix (GLCM) dengan Klasifikasi KNN
Jurnal Indonesia Sosial Teknologi, Vol. 2, No. 6, Juni 2021 955
mutu jambu biji getas merah agar dapat mengklasifikasikan mutu jambu biji getas merah
kelas Super, kelas A, dan kelas B.
Tujuan penelitian ini adalah (1) Untuk mengimplementasikan sistem yang mampu
mengklasifikasikan mutu buah jambu biji getas merah antara kelas Super, kelas A dan
kelas B. (2) Untuk mengetahui cara untuk mengekstraksi ciri pada buah jambu biji getas
merah. (3) Untuk mengetahui cara untuk mengklasifikasi jambu biji getas merah. (4)
Untuk mengetahui tingkat akurasi dari sistem tersebut. (5) Untuk memberi pengetahuan
kepada konsumen dalam membedakan mutu jambu biji getas merah.
Metode Penelitian
Metode penelitian ini adalah menggunakan metode ekstraksi ciri Gray Level Co-
Occurance Matrix (GLCM) dengan menggunakan fitur atau variabel Contrast,
Correlation, Energy, Homogeneity dan pengklasifikasian K-Nearest Neighbor (KNN)
untuk mengenali jenis mutu jambu biji getas merah agar dapat mengklasifikasikan mutu
jambu biji getas merah kelas Super, kelas A, dan kelas B.
A. Kerangka Berpikir
Untuk mencapai tujuan penelitian yang telah dirumuskan dan ditetapkan, maka
diperlukan prosedur penelitian sebagai berikut:
Gambar 1. Kerangka berpikir
B. Praproses Data
1. Cropping, Tahap cropping ini akan memproses citra awal yang berukuran 4032 x
2268 pixel. Tahap cropping ini akan dilakukan dengan matlab dengan cara
I Gede Wirayudhana
956 Jurnal Indonesia Sosial Teknologi, Vol. 2, No. 6, Juni 2021
mengcropping berdasarkan posisi pixel dari citra dan akan dilakukan secara
otomatis dengan kordinat cropping yaitu [1465.5 678.5 1021 990] (Santony et al.,
2015)
2. Resize, Tahap Resize Citra yang sudah melalui proses cropping dengan 1021 x
990 pixel di resize menjadi 250 x 250 pixel, agar pada saat proses ekstraksi ciri
semua citra yang di olah berukuran seragam dan mempercepat proses ekstraksi
ciri.
3. Grayscale, Tahap grayscale ini digunakan untuk mengubah citra menjadi citra
abu-abu yang selanjutnya akan dilakukan proses ekstraksi ciri.
C. Ekstraksi Ciri
Pada tahap ini, data citra yang telah dikelompokan menjadi data Latih dan data
Uji akan melalui tahap ekstraksi ciri dengan metode GLCM yang akan mengeluarkan 4
ciri dari citra tersebut (Tarista, 2016). Fitur yang digunakan pada metode GLCM ini
meliputi Contrast, Correlation, Energy, Homogeneity, dan menggunakan sudut 0 derajat
dengan menggunakan parameter ‘Offset’ [0 1], alasan dari penggunaan sudut 0 derajat
adalah karena citra buah jambu biji tersebut diambil dari arah depan sehingga lebih mudah
untuk mengekstraksi dan mengenali tekstur jambu tersebut dengan arah horizontal (Yani,
2017).
D. Pengujian KNN
Pada tahap ini, pengujian klasifikasi menggunakan metode KNN (K-Nearest
Neighbor) menggunakan data yang telah di kelompokan dan telah diekstraksi cirinya,
jarak yang digunakan pada metode ini adalah dengan menggunakan Euclidean distance
(Prabowo, 2019).
Hasil dan Pembahasan
Pada penelitian kali ini akan menggunakan total data 120 citra buah jambu getas
merah, data tersebut akan diklasifikasikan berdasarkan mutunya menjadi kelas Super,
kelas A, dan kelas B. Kemudian pada penelitian ini data akan dibagi menjadi data Latih
dan data Uji. Pembagian data ini akan dibagi menggunakan rasio 80% data Latih dan 20%
data Uji. Sebelum data dikelompokkan menjadi data Latih dan data Uji, data akan
dikelompokan berdasarkan mutunya dahulu atau dikelompokkan berdasarkan kelasnya,
dengan pembagian data :
Table 1 Pembagian Kelas
Nama Kelas
Kelas
Jumlah
1
Kelas Super
40
2
Kelas A
40
3
Kelas B
40
Total
120
Klasifikasi Mutu Buah Jambu Biji Getas Merah Berdasarkan Tekstur Menggunakan
Grey Level Co-Occurence Matrix (GLCM) dengan Klasifikasi KNN
Jurnal Indonesia Sosial Teknologi, Vol. 2, No. 6, Juni 2021 957
Tabel diatas merupakan hasil pembagian masing-masing kelas dari 120 data yang telah
di akuisisi, yaitu pelabelan pada masing-masing file, jika penamaan file menjadi 1 +
_(nama file) merupakan kelas super, jika 2 + _(nama file) merupakan kelas A, dan 3 +
_(nama file) merupakan kelas B. Pembagian Kelas ini akan dilakukan dengan cara
mengubah nama file dengan menambahkan nama kelas di depan nya, contoh : jika nama
file asli adalah “120200529_110328.jpg” akan dirubah menjadi
“3_120200529_110328.jpg” untuk memberi label kelas 3 atau kelas B. Kemudian setelah
120 file tersebut diberi label yang sesuai pada masing-masing file citra. Data tersebut
kemudian akan dikelompokan menjadi data Latih dan data Uji dengan rasio 80% data
Latih, dan 20% data Uji.
Table 2 Pembagian Data
Data
Data Uji
Total
Rasio
20%
100%
Jumlah
24
120
Tabel diatas merupakan rasio pembagian data pada data yang telah di akuisisi yaitu 80%
atau 96 citra untuk data latih, dan 20% atau 24 citra untuk data uji. Kemudian dari data
yang telah dibagi antara data latih dan data uji akan dijabarkan kembali kelas apa saja
yang terdapat pada masing-masing data latih dan uji, sebagai berikut :
Table 2 Pembagian Data Latih Uji
Kelas Super
Kelas A
Kelas B
Total
Data Latih
32
32
32
96
Data Uji
8
8
8
24
Tabel diatas merupakan jumlah data untuk masing-masing data latih dan data uji yang
digunakan pada penelitian ini.
1. Pra Proses
Pra Proses yang dilakukan dalam penelitian ini yaitu meliputi proses cropping,
resize, dan grayscale. Tahap praproses ini akan memproses semua data dari yang telah
dikelompokkan. Cropping dilakukan pada citra mentah buah jambu biji dengan cara
mengambil hanya bagian foto buah jambu biji saja dan menghilangkan latar belakang
atau background, tahap ini dilakukan agar mendapatkan citra jambu biji yang akan
digunakan untuk proses ekstraksi ciri, tahap cropping ini akan memproses citra awal yang
berukuran 4032 x 2268 pixel. Tahap cropping ini akan dilakukan dengan matlab dengan
cara mengcropping berdasarkan posisi pixel dari citra tersebut, yaitu dengan cara imcrop
I Gede Wirayudhana
958 Jurnal Indonesia Sosial Teknologi, Vol. 2, No. 6, Juni 2021
(3_20200529_110328,[1465.5 678.5 1021 990]); dengan menggunakan koordinat
[1465.5 678.5 1021 990] (Prasetyo, 2011).
Gambar 2 proses Sebelum Cropping
Gambar 2 diatas merupakan gambar dari radius cropping koordinat [1465.5 678.5 1021
990].
Gambar 3 Proses Sesudah Cropping
Gambar 6 diatas merupakan hasil citra sesudah cropping yang menghasilkan citra
berukuran 1021 x 990 pixel.
A. Resize
Citra yang sudah melalui proses cropping dengan 1021 x 990 pixel di resize
menjadi 250 x 250 pixel, agar pada saat proses ekstraksi ciri semua citra yang di olah
berukuran seragam. Dengan cara imresize (3_20200529_110328,[250 250]);
Gambar 4 Citra Sesudah Resize
Gambar 7 diatas merupakan hasil citra yang telah di resize sehingga menghasilkan citra
berukuran 250 x 250 pixel.
Klasifikasi Mutu Buah Jambu Biji Getas Merah Berdasarkan Tekstur Menggunakan
Grey Level Co-Occurence Matrix (GLCM) dengan Klasifikasi KNN
Jurnal Indonesia Sosial Teknologi, Vol. 2, No. 6, Juni 2021 959
B. Greyscale
Citra yang sudah melalui proses Resize akan di Grayscale dengan menggunakan
matlab dengan merubah citra awal berupa citra RGB menjadi citra Grayscale atau citra
keabuan. Yaitu dengan cara rgb2gray(3_20200529_110328);
Gambar 5 Citra sesudah Grayscale
Gambar 8 diatas merupakan hasil dari citra yang telah di pra proses grayscale untuk
dilanjutkan ke tahap Ekstraksi ciri.
2. Ekstraksi Ciri
Pada penelitian ini akan menggunakan ekstraksi citra Graylevel Co-Occurrence
Matrix, metode ini akan menghasilkan ekstraksi ciri terhadap seluruh citra yang
digunakan. Metode ini akan menggunakan 4 fitur yaitu Contrast, Correlation, Energy,
Homogeneity. Dengan menggunakan sudut 0 derajat dengan menggunakan parameter
‘Offset’ [0 1], sehingga menghasilkan ciri sebagai berikut :
a. Ekstraksi Ciri data Latih
Table 3 Ciri Data Latih
Kelas
Contrast
Correlation
Energy
Homogeneity
1
0.1591
0.8922
0.2543
0.923
1
0.0659
0.9609
0.2831
0.9675
1
0.0642
0.9492
0.3009
0.9679
1
0.0753
0.95
0.2777
0.9624
1
0.115
0.9257
0.252
0.9433
1
0.0876
0.9466
0.2772
0.9565
1
0.1415
0.8554
0.3298
0.9327
1
0.0634
0.9585
0.2794
0.9684
1
0.127
0.9121
0.2962
0.9383
1
0.1972
0.8257
0.2807
0.9064
1
0.0605
0.937
0.3583
0.9698
1
0.0536
0.9585
0.3036
0.9732
1
0.0899
0.9454
0.2558
0.9553
1
0.081
0.9488
0.2928
0.9597
I Gede Wirayudhana
960 Jurnal Indonesia Sosial Teknologi, Vol. 2, No. 6, Juni 2021
1
0.0881
0.9371
0.2723
0.9566
1
0.1081
0.8597
0.3783
0.9484
1
0.1647
0.8837
0.2566
0.9201
1
0.1544
0.8499
0.305
0.9264
1
0.1751
0.8339
0.2886
0.9176
1
0.0841
0.958
0.2307
0.9583
1
0.1419
0.7434
0.4568
0.9309
1
0.1391
0.7743
0.3798
0.9317
1
0.1626
0.8569
0.2778
0.9218
1
0.1178
0.9264
0.2482
0.9424
1
0.0793
0.9504
0.2657
0.9611
1
0.0952
0.8483
0.4474
0.9527
1
0.0762
0.934
0.3114
0.9619
1
0.0647
0.9632
0.2587
0.968
1
0.0677
0.9434
0.3033
0.9664
1
0.0648
0.9561
0.2801
0.9679
1
0.105
0.9309
0.2557
0.9487
1
0.0703
0.964
0.2605
0.9652
2
0.0703
0.9732
0.2076
0.965
2
0.0918
0.9396
0.2664
0.9547
2
0.0725
0.9708
0.2197
0.9641
2
0.1151
0.8889
0.3395
0.9438
2
0.1004
0.8978
0.3405
0.9502
2
0.0817
0.9224
0.346
0.9595
2
0.1526
0.9067
0.2341
0.925
2
0.1029
0.9451
0.237
0.949
2
0.1249
0.8993
0.2843
0.9383
2
0.1238
0.9396
0.2211
0.9388
2
0.1287
0.926
0.2358
0.9359
2
0.1093
0.9341
0.2452
0.9459
2
0.1176
0.9047
0.2796
0.9427
2
0.0594
0.9538
0.2995
0.9703
2
0.0642
0.9604
0.359
0.9682
2
0.0671
0.9556
0.2748
0.9664
2
0.0743
0.9153
0.373
0.9642
2
0.0813
0.9512
0.2764
0.9599
2
0.1257
0.9338
0.2444
0.938
2
0.1138
0.9276
0.2479
0.9441
2
0.0574
0.9359
0.3827
0.972
2
0.1073
0.9067
0.3628
0.9474
Klasifikasi Mutu Buah Jambu Biji Getas Merah Berdasarkan Tekstur Menggunakan
Grey Level Co-Occurence Matrix (GLCM) dengan Klasifikasi KNN
Jurnal Indonesia Sosial Teknologi, Vol. 2, No. 6, Juni 2021 961
Kelas
Contrast
Correlation
Energy
Homogeneity
2
0.1531
0.9133
0.229
0.9259
2
0.1566
0.9185
0.2099
0.9246
2
0.1427
0.8793
0.274
0.9309
2
0.1201
0.9453
0.2545
0.943
2
0.0776
0.9495
0.2715
0.9617
2
0.123
0.9408
0.2202
0.9397
2
0.1022
0.9517
0.23
0.9495
2
0.1134
0.933
0.2449
0.9443
2
0.1404
0.8963
0.2523
0.9317
2
0.0996
0.9241
0.2917
0.9512
2
0.1047
0.933
0.2811
0.9485
3
0.1335
0.91
0.2716
0.9341
3
0.1447
0.8796
0.2785
0.9288
3
0.1334
0.8099
0.3929
0.9345
3
0.1069
0.8863
0.3654
0.9481
3
0.1114
0.9562
0.2041
0.9452
3
0.1341
0.8707
0.3238
0.9347
3
0.1164
0.9109
0.3063
0.9427
3
0.1364
0.8938
0.2794
0.9342
3
0.1064
0.9066
0.3124
0.947
3
0.1377
0.8467
0.3249
0.9328
3
0.133
0.9051
0.2818
0.9351
3
0.1056
0.9267
0.2837
0.9472
3
0.1191
0.9092
0.2888
0.9421
3
0.0849
0.9154
0.4067
0.9584
3
0.0826
0.9491
0.2709
0.9587
3
0.0596
0.9716
0.276
0.9706
3
0.0799
0.9547
0.2549
0.9602
3
0.1488
0.9172
0.2154
0.9267
3
0.2292
0.829
0.2166
0.8928
3
0.0858
0.9118
0.3942
0.9577
3
0.1453
0.8851
0.2649
0.9281
3
0.1233
0.9155
0.2583
0.9396
3
0.108
0.9377
0.2364
0.9465
3
0.0691
0.9338
0.3286
0.9655
3
0.077
0.9687
0.2267
0.9617
3
0.1452
0.9056
0.2453
0.9287
Kelas
Contrast
Correlation
Energy
Homogeneity
I Gede Wirayudhana
962 Jurnal Indonesia Sosial Teknologi, Vol. 2, No. 6, Juni 2021
3
0.0652
0.9439
0.316
0.9674
3
0.1264
0.9019
0.2938
0.9386
3
0.0803
0.9504
0.3003
0.9602
3
0.077
0.9477
0.2805
0.9622
3
0.0643
0.9559
0.2932
0.9686
Tabel diatas merupakan hasil dari ekstraksi ciri pada data Latih menggunakan metode
GLCM beserta ke-4 nilai GLCM tersebut yaitu nilai contrast, correlation, energy dan
homogeneity.
b. Ekstraksi Ciri data Uji
Table 4 Ciri Data Uji
Kelas
Contrast
Correlation
Energy
Homogeneity
1
0.0722
0.9558
0.2828
0.9639
1
0.0947
0.9367
0.3049
0.9533
1
0.0742
0.9551
0.2758
0.9632
1
0.1406
0.8717
0.3101
0.9328
1
0.082
0.9634
0.2296
0.9591
1
0.1033
0.9058
0.3326
0.9487
1
0.075
0.9499
0.2697
0.9626
1
0.0786
0.943
0.313
0.9608
2
0.1085
0.919
0.2674
0.9462
2
0.089
0.9385
0.269
0.9557
2
0.096
0.896
0.3564
0.9531
2
0.1045
0.9554
0.2287
0.9483
2
0.0739
0.9306
0.35
0.9636
2
0.1268
0.9132
0.2506
0.9377
2
0.0862
0.921
0.3171
0.9572
2
0.1167
0.8941
0.2976
0.9423
3
0.0819
0.9529
0.2537
0.9594
3
0.0939
0.8754
0.4422
0.9552
3
0.1763
0.8929
0.226
0.9139
3
0.1338
0.9439
0.2358
0.94
3
0.1386
0.8839
0.3377
0.937
3
0.1818
0.8586
0.2485
0.9116
3
0.1995
0.8724
0.225
0.9031
3
0.088
0.9603
0.2455
0.9569
Tabel diatas merupakan hasil dari ekstraksi ciri pada data Uji menggunakan metode
GLCM beserta ke-4 nilai GLCM tersebut yaitu nilai contrast, correlation, energy dan
homogeneity.
Klasifikasi Mutu Buah Jambu Biji Getas Merah Berdasarkan Tekstur Menggunakan
Grey Level Co-Occurence Matrix (GLCM) dengan Klasifikasi KNN
Jurnal Indonesia Sosial Teknologi, Vol. 2, No. 6, Juni 2021 963
3. Hasil Perhitungan Pengujian Akurasi
Hasil dari penelitian berikut akan dirangkum dalam subbab berikut ini, pada
penelitian kali ini telah didapatkan nilai akurasi tertinggi pada nilai K = 9 yaitu dengan
akurasi 45,8333% dan dengan nilai K terendah yaitu K = 3, didapatkan akurasi sebesar
29,1667%.
Table 6 Hasil Akurasi
Nilai K
1
3
5
7
9
11
Akurasi
41.6
29.1
37.5
37.5
45.8
41.6
Tabel diatas menjelaskan akurasi pada masing-masing nilai K pada pengujian KNN.
Gambar 6 Diagram Akurasi
Diagram hasil pengujian pada masing-masing nilai K yang digunakan pada
pengujian KNN. Gambar diatas merupakan hasil dari tabel 21 yang telah dibuat bar chart.
Persentase tertinggi pada klarifikasi Tingkat mutu buah jambu biji terdapat pada K=9
dengan nilai 45,8%. Akurasi yang tergolong kecil ini besar kemungkinan karena tahap
akuisisi data yang tidak sesuai dengan masing-masing kelas Super, kelas A, dan kelas B,
sehingga mendapatkan akurasi yang minim, dan besar kemungkinan karena tahap
praproses masih kurang optimal.
Kesimpulan
Berdasarkan pemaparan diatas dapat disimpulkan yaitu KNN mampu
mengidentifikasi serta mengklasifikasikan mutu buah jambu biji getas merah dengan
menggunakan 4 fitur yaitu Energy, Homogenity, Contrast, Correlation dengan
menggunakan sudut 0 derajat, dan Persentase tertinggi pada klarifikasi Tingkat mutu buah
jambu biji terdapat pada K=9 dengan nilai 45,8%. Akurasi yang tergolong kecil ini besar
kemungkinan karena tahap akuisisi data yang tidak sesuai dengan masing-masing kelas
Super, kelas A, dan kelas B, sehingga mendapatkan akurasi yang minim.
I Gede Wirayudhana
964 Jurnal Indonesia Sosial Teknologi, Vol. 2, No. 6, Juni 2021
Bibliography
Budianita, E., Jasril, J., & Handayani, L. (2015). Implementasi Pengolahan Citra dan
Klasifikasi K-Nearest Neighbour Untuk Membangun Aplikasi Pembeda Daging
Sapi dan Babi Berbasis Web. Jurnal Sains, Teknologi Dan Industri, 12(2), 242–247.
Munir, R. (2004). Pengolahan citra digital dengan pendekatan algoritmik.
PAMBUDI, A. A. (2018). Sortasi Dan Grading Cabai Merah (Capsicum annuum L.)
Menggunakan Pengolahan Citra Digital. Universitas Gadjah Mada.
Prabowo, H. (2019). IDENTIFIKASI JENIS BIJI KOPI ARABIKA DAN ROBUSTA
MENGGUNAKAN DETEKSI TEPI CANNY DENGAN KLASIFIKASI K-NEAREST
NEIGHBOR. Universitas Pembangunan Nasional Veteran Jakarta.
Prahudaya, T. Y., & Harjoko, A. (2017). Metode Klasifikasi Mutu Jambu Biji
Menggunakan Knn Berdasarkan Fitur Warna Dan Tekstur. Jurnal Teknosains, 6(2),
113–123.
Prasetyo, E. (2011). Pengolahan citra digital dan aplikasinya menggunakan Matlab.
Yogyakarta: Andi.
Roidah, I. S. (2015). Pemanfaatan lahan dengan menggunakan sistem hidroponik. Jurnal
Bonorowo, 1(2), 43–49.
Santony, J., Harlan, J., & Madenda, S. (2015). Segmentasi Citra X-Ray Thorax Untuk
Mengidentifikasi Objek Infiltrat Dengan Proses Morfologi Matematika. Prosiding
Senatkom, 1.
Tarista, M. P. (2016). DETEKSI KANKER PAYUDARA PADA CITRA
MIKROKALSIFIKASI MAMMOGRAFI DENGAN METODE NAIVE BAYES.
UNIVERSITAS AIRLANGGA.
Umah, S. K. (n.d.). Kajian Mutu Buah Jambu Biji Merah (Psidium guajava L.)
Berdasarkan Variasi Umur Simpan Menggunakan Pengolahan Citra Digital.
Wibowo, F., Hakim, D. K., & Sugiyanto, S. (2018). PENDUGAAN KELAS MUTU
BUAH PEPAYA BERDASARKAN CIRI TEKSTUR GLCM MENGGUNAKAN
ALGORITMA K-NEAREST NEIGHBORS. Jurnal Nasional Pendidikan Teknik
Informatika: JANAPATI, 7(1), 100–106.
Yani, D. U. R. (2017). Klasifikasi Tingkat Keparahan Non-Proliferative Diabetic
Retinopathy Berdasarkan Hard Exudate Menggunakan Extreme Learning Machine.
Institut Teknologi Sepuluh Nopember.