EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

Optimasi Metode K-Nearest Neighbor (KNN) pada Klasifikasi Tingkat Kematangan Buah Pinang Menggunakan Citra Digital

Shofi Camila Laisya Amanda, Fitri Yunita, Samsudin Samsudin

RIGGS: Journal of Artificial Intelligence and Digital Business · 31.07.2026 · 5 (2) · 23835-23841

DOI: 10.31004/riggs.v5i2.12727 ↗

Kurz gefasst

Fachartikel in der Zeitschrift RIGGS: Journal of Artificial Intelligence and Digital Business, online erschienen am 31.07.2026. Verfasst von Shofi Camila Laisya Amanda und 2 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Penentuan tingkat kematangan buah pinang secara manual masih bergantung pada pengamatan visual, sehingga rentan terhadap kesalahan, subjektivitas, dan ketidakkonsistenan akibat perbedaan pengalaman pengamat serta kondisi pencahayaan. Penelitian ini bertujuan mengoptimasi metode K-Nearest Neighbor (KNN) untuk mengklasifikasikan tingkat kematangan buah pinang menggunakan citra digital berdasarkan variasi nilai parameter K. Dataset terdiri atas 360 citra buah pinang yang dikelompokkan ke dalam empat kelas, yaitu muda, sedang, tua, dan kering, dengan pembagian 300 citra sebagai data latih dan 60 citra sebagai data uji. Tahapan penelitian mencakup akuisisi data, pra-pemrosesan berupa penghapusan latar belakang, cropping, dan resize menjadi 64 × 64 piksel, kemudian ekstraksi 17 fitur yang terdiri atas 12 fitur warna RGB dan HSV serta 5 fitur tekstur Gray Level Co-occurrence Matrix (GLCM). Proses klasifikasi menggunakan jarak Euclidean dengan pengujian nilai K sebesar 1, 3, 5, 7, dan 9. Kinerja model dievaluasi menggunakan accuracy, precision, recall, F1-score, dan confusion matrix. Hasil penelitian menunjukkan bahwa seluruh variasi nilai K menghasilkan performa yang identik, yaitu accuracy 96,67%, precision 97,06%, recall 96,67%, dan F1-score 96,65%. Dari 60 citra uji, sebanyak 58 citra berhasil diklasifikasikan dengan benar. Nilai K = 1 dipilih sebagai parameter optimal karena memberikan performa tinggi dengan konfigurasi paling sederhana. Temuan ini menunjukkan bahwa kombinasi fitur RGB, HSV, dan GLCM efektif merepresentasikan karakteristik visual kematangan buah pinang.

Zitieren

APA

Amanda, S. C. L., Yunita, F., & Samsudin, S. (2026). Optimasi Metode K-Nearest Neighbor (KNN) pada Klasifikasi Tingkat Kematangan Buah Pinang Menggunakan Citra Digital. RIGGS: Journal of Artificial Intelligence and Digital Business, 5(2), 23835-23841. https://doi.org/10.31004/riggs.v5i2.12727

Vancouver

Amanda SCL, Yunita F, Samsudin S. Optimasi Metode K-Nearest Neighbor (KNN) pada Klasifikasi Tingkat Kematangan Buah Pinang Menggunakan Citra Digital. RIGGS: Journal of Artificial Intelligence and Digital Business. 2026;5(2):23835-23841. doi:10.31004/riggs.v5i2.12727

BibTeX
@article{Amanda2026,
  author = {Amanda, Shofi Camila Laisya and Yunita, Fitri and Samsudin, Samsudin},
  title = {Optimasi Metode K-Nearest Neighbor (KNN) pada Klasifikasi Tingkat Kematangan Buah Pinang Menggunakan Citra Digital},
  journal = {RIGGS: Journal of Artificial Intelligence and Digital Business},
  year = {2026},
  volume = {5},
  number = {2},
  pages = {23835--23841},
  doi = {10.31004/riggs.v5i2.12727}
}
Kostenlos starten →