K-Nearest Neighbor Untuk Klasifikasi Tingkat Kematangan Pisang Berdasarkan Warna HSV
Total View This Week0
Total View This Week0
Institusion
Politeknik Negeri Bali
Author
Prasetya, Andre septa
Subject
Teknik Perangkat Lunak
Datestamp
2024-09-09 02:42:38
Abstract :
Penelitian ini berfokus pada pengembangan model klasifikasi tingkat kematangan pisang menggunakan metode K-Nearest Neighbor (KNN) berdasarkan analisis warna HSV (Hue, Saturation, Value). Latar belakang penelitian ini adalah kebutuhan akan metode otomatis yang dapat membantu suplier dalam memilah pisang yang siap diproduksi secara efisien dan akurat. Proses klasifikasi manual yang memakan waktu dan tenaga menjadi kendala yang signifikan. Penelitian ini melibatkan dua tahap utama: pengolahan citra digital dan klasifikasi menggunakan KNN. Pada tahap pengolahan, gambar digital buah pisang diambil menggunakan kamera ponsel, lalu dikonversi dari format RGB ke HSV untuk memperoleh kode warna yang relevan dengan tingkat kematangan. Kode warna HSV ini digunakan sebagai data latih dan uji dalam model KNN. Penelitian ini menggunakan beberapa metrik evaluasi seperti akurasi, precision, recall, dan F1-score untuk mengukur kinerja model. Hasil penelitian menunjukkan bahwa model KNN yang dikembangkan mampu mengklasifikasikan tingkat kematangan pisang dengan akurasi mencapai 95%, serta nilai precision, recall, dan F1-score yang tinggi untuk setiap kelas kematangan. Temuan ini mengindikasikan bahwa metode KNN berbasis warna HSV efektif dan dapat diandalkan untuk aplikasi praktis dalam industri pengolahan buah. Penelitian ini memberikan kontribusi signifikan dalam bidang pengolahan citra digital dan klasifikasi objek, serta membuka peluang untuk pengembangan lebih lanjut dengan menambahkan fitur lain seperti tekstur dan bentuk untuk meningkatkan akurasi klasifikasi. Dengan demikian, hasil penelitian ini diharapkan dapat membantu meningkatkan efisiensi dan produktivitas dalam proses pemilahan buah pisang di tingkat suplier dan industri.
Penelitian ini berfokus pada pengembangan model klasifikasi tingkat kematangan pisang menggunakan metode K-Nearest Neighbor (KNN) berdasarkan analisis warna HSV (Hue, Saturation, Value). Latar belakang penelitian ini adalah kebutuhan akan metode otomatis yang dapat membantu suplier dalam memilah pisang yang siap diproduksi secara efisien dan akurat. Proses klasifikasi manual yang memakan waktu dan tenaga menjadi kendala yang signifikan. Penelitian ini melibatkan dua tahap utama: pengolahan citra digital dan klasifikasi menggunakan KNN. Pada tahap pengolahan, gambar digital buah pisang diambil menggunakan kamera ponsel, lalu dikonversi dari format RGB ke HSV untuk memperoleh kode warna yang relevan dengan tingkat kematangan. Kode warna HSV ini digunakan sebagai data latih dan uji dalam model KNN. Penelitian ini menggunakan beberapa metrik evaluasi seperti akurasi, precision, recall, dan F1-score untuk mengukur kinerja model. Hasil penelitian menunjukkan bahwa model KNN yang dikembangkan mampu mengklasifikasikan tingkat kematangan pisang dengan akurasi mencapai 95%, serta nilai precision, recall, dan F1-score yang tinggi untuk setiap kelas kematangan. Temuan ini mengindikasikan bahwa metode KNN berbasis warna HSV efektif dan dapat diandalkan untuk aplikasi praktis dalam industri pengolahan buah. Penelitian ini memberikan kontribusi signifikan dalam bidang pengolahan citra digital dan klasifikasi objek, serta membuka peluang untuk pengembangan lebih lanjut dengan menambahkan fitur lain seperti tekstur dan bentuk untuk meningkatkan akurasi klasifikasi. Dengan demikian, hasil penelitian ini diharapkan dapat membantu meningkatkan efisiensi dan produktivitas dalam proses pemilahan buah pisang di tingkat suplier dan industri.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
