OPTIMASI K-NEAREST NEIGHBOR DALAM KLASIFIKASI TINGKAT KEMATANGAN BUAH ALPUKAT BERBASIS ANALISIS WARNA

Abstrak

Klasifikasi tingkat kematangan buah alpukat memiliki peran penting dalam menentukan kualitas dan nilai jualnya. Penelitian ini bertujuan untuk mengembangkan dan mengoptimasi sistem klasifikasi tingkat kematangan alpukat menggunakan algoritma K-Nearest Neighbor (KNN) berbasis analisis warna. Metode ini melibatkan pengambilan gambar alpukat di bawah kondisi pencahayaan terkendali, kemudian mengekstraksi fitur warna dalam ruang warna HSV (Hue, Saturation, Value) yang lebih unggul dibandingkan RGB untuk analisis perubahan warna. Dataset terdiri dari 300 gambar resolusi tinggi yang diklasifikasikan ke dalam tiga tingkat kematangan: mentah, setengah matang, dan matang. Algoritma KNN dioptimasi melalui pencarian nilai parameter k terbaik menggunakan grid search dan validasi silang untuk hasil klasifikasi terbaik. Model ini mencapai akurasi keseluruhan sebesar 88,33%, dengan performa sangat baik dalam mengidentifikasi alpukat matang (precision dan recall: 1,00). Hasil penelitian ini menunjukkan efektivitas algoritma KNN dan fitur warna HSV dalam klasifikasi tingkat kematangan alpukat. Sistem ini menawarkan solusi praktis dan otomatis bagi petani dan pedagang dalam penyortiran buah, menggantikan metode manual. Penelitian lanjutan diperlukan untuk meningkatkan akurasi pada kategori mentah dan setengah matang serta meningkatkan performa sistem secara keseluruhan.