Laisya Amanda, Shofi Camila (2026) Optimasi Metode K-Nearest Neighbor (KNN) pada Klasifikasi Tingkat Kematangan Buah Pinang Menggunakan Citra Digital. Diploma thesis, Universitas Islam Indragiri.
![[thumbnail of 403221010068_SHOFI CAMILA LAISYA AMANDA_1_AWAL.pdf]](https://repository.unisi.ac.id/style/images/fileicons/text.png "403221010068_SHOFI CAMILA LAISYA AMANDA_1_AWAL.pdf") |
Text
403221010068_SHOFI CAMILA LAISYA AMANDA_1_AWAL.pdf Download (1MB) |
|
Text
403221010068_SHOFI CAMILA LAISYA AMANDA_2_BAB I.pdf Download (443kB) |
|
Text
403221010068_SHOFI CAMILA LAISYA AMANDA_3_BAB II.pdf Download (586kB) |
|
Text
403221010068_SHOFI CAMILA LAISYA AMANDA_4_BAB III.pdf Download (592kB) |
|
Text
403221010068_SHOFI CAMILA LAISYA AMANDA_5_BAB IV.pdf Restricted to Repository staff only Download (1MB) |
|
Text
403221010068_SHOFI CAMILA LAISYA AMANDA_6_BAB V.pdf Download (436kB) |
|
Text
403221010068_SHOFI CAMILA LAISYA AMANDA_7_AKHIR.pdf Download (661kB) |
|
Text
SKRIPSI SHOFI CAMILA LAISYA amanda SI 20%.pdf Restricted to Repository staff only Download (2MB) |
Abstract
Penentuan tingkat kematangan buah pinang secara manual masih bergantung pada pengamatan visual sehingga rentan terhadap kesalahan dan ketidakkonsistenan. Penelitian ini bertujuan mengoptimasi metode K-Nearest Neighbor (KNN) untuk mengklasifikasikan tingkat kematangan buah pinang menggunakan citra digital berdasarkan variasi nilai parameter K. Dataset yang digunakan terdiri dari 360 citra buah pinang yang dikelompokkan ke dalam empat kelas, yaitu muda, sedang, tua, dan kering, dengan pembagian 300 data latih dan 60 data uji. Tahapan penelitian meliputi pra-pemrosesan citra berupa background removal, cropping, dan resize, dilanjutkan dengan ekstraksi 17 fitur yang terdiri atas 12 fitur warna (RGB dan HSV) serta 5 fitur tekstur Gray Level Co-occurrence Matrix (GLCM). Proses klasifikasi dilakukan menggunakan metode KNN dengan pengujian nilai K sebesar 1, 3, 5, 7, dan 9 menggunakan metrik evaluasi accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa seluruh nilai K menghasilkan performa yang sama, dengan accuracy sebesar 96,67%, precision 97,06%, recall 96,67%, dan F1-score 96,65%. Nilai K = 1 dipilih sebagai parameter optimal karena memberikan performa terbaik dengan konfigurasi yang paling sederhana. Hasil tersebut menunjukkan bahwa kombinasi fitur RGB, HSV, dan GLCM mampu merepresentasikan karakteristik tingkat kematangan buah pinang secara efektif sehingga metode KNN layak diterapkan sebagai solusi klasifikasi berbasis citra digital.
| Item Type: | Thesis (Diploma) |
|---|---|
| Uncontrolled Keywords: | K-Nearest Neighbor, klasifikasi, kematangan buah pinang, citra digital, Gray Level Co-occurrence Matrix (GLCM). |
| Subjects: | T Technology > T Technology (General) |
| Divisions: | Fakultas Teknik dan Ilmu Komputer > Program Studi Sistem Informasi |
| Depositing User: | Nilam Sari |
| Date Deposited: | 11 Sep 2026 03:27 |
| Last Modified: | 11 Sep 2026 03:27 |
| URI: | http://repository.unisi.ac.id/id/eprint/1107 |
Actions (login required)
 |
View Item |