PROPOSAL PROYEK AKHIR

SISTEM PENDETEKSI KEMATANGAN BUAH MANGGA

BERDASARKAN KOMPOSISI WARNA MENGGUNAKAN METODE
IMAGE POOCESSING

Disusun oleh:

Abiyyu Ramzy
NIM. 1355301002

PROGRAM STUDI TEKNIK INFORMATIKA

POLITEKNIK CALTEX RIAU
2016
I. PENDAHULUAN
I.1 Latar Belakang
Buah merupakan salah satu kelompok komoditas pertanian yang penting di Indonesia . Buah
memiliki tingkat permintaan yang tinggi bagi anak-anak, orang dewasa dan orang tua.
Permintaan domestik terhadap buah-buahan cukup tinggi, ditandai dengan banyaknya buah-
buahan impor yang banyak di pasar modern maupun tradisional Indonesia. Salah satunya adalah
buah mangga. Mangga adalah buah bernilai ekonomi tinggi dan merupakan bahan makanan
penting setelah pisang bagi masyarakat di daerah beriklim tropis(Medina, 2002). Menurut
Medina(2002) hal ini dikarenakan buah mangga memiliki kandungan vitamin A dan C yang
cukup tinggi, masing-masing sebesar 1.000 IU (International Unit) per 100 gr bobot segar dan
20 mg per 100 gr bobot segar.
Mangga memiliki banyak jenis seperti, mangga arum manis, mangga golek, mangga
apel dan mangga indramayu. Tingkat kematangan dari setiap jenis mangga berbeda-beda. Dari
banyak jenis mangga, diambil satu jenis mangga sebagai sample untuk menentukan tingkat
kematangannya. Sebagai sample diambil jenis manga golek.
Bejo (2011) Univ. Putra Malaysia, Serdang, Malaysia. Melakukan penelitian dengan
judul Chokanan Mango Sweetness Determination Using HSB Color Space (Chokanan Mango
Manisnya Penentuan Menggunakan HSB Color Space). Penelitian ini bertujuan untuk
menentukan Chokanan mangga manis dengan menggunakan sifat warna. Keyence sistem visi
mesin digunakan untuk menangkap gambar mangga di ruang warna HSB. Sementara itu,
Digital AR2008 Abbe digunakan untuk mendapatkan nilai manis. Hasil penelitian menunjukkan
bahwa model yang dikembangkan dapat menentukan manis di Index 1 dan Indeks 2 dengan
100% akurasi dan Indeks 3 dengan 87% akurasi. Secara rata-rata, dapat digunakan untuk
menentukan manisnya Chokanan mangga dengan 95,67% akurasi.
Selain itu dilakukan penilitian berdasarkan kekurangan tersebut diatas, diperlukan
sebuah cara untuk meminimalisir kekurangan cara-cara sebelumnya. Salah satu caranya yaitu
dengan sistem pedeteksi kematangan buah terutama pada buah manga. Sistem ini akan
mengambil citra warna dari buah mangga dengan menggunakan webcam. Pengambilan citra
mangga dilakukan dengan 2 jarak yang berbeda. Lalu teknik pengklasifikasian untuk
mendapatkan hasil kematangan nanas menggunakan algoritma K-Nearest Neighbor dan
Perbandingan Kadar Warna. Hasil citra yang telah diolah akan disajikan dalam bentuk aplikasi
desktop dan akan menampilkan hasil buah matang dan tidak matang.

I.2 Tujuan Penelitian

Adapun tujuan dari penelitian ini adalah membangun aplikasi yang dapat mendeteksi
kematangan buah mangga yang di capture menggunakan metode Ekstraksi ciri.
I.3 Manfaat
Adapun manfaat yang akan dicapai dalam proyek akhir ini, yaitu membantu menentukan
buah mangga sudah matang atau mangkal.

I.4 Perumusan Masalah

Berdasarkan latar belakang yang telah diuraikan diatas, maka perumusan masalah
dalam pembuatan proyek akhir ini adalah:
1. Bagaimana cara mengimplementasikan metode ekstaraksi ciri untuk mendeteksi
kematangan buah mangga.
2. Bagaimana cara membangun aplikasi yang mampu mendukung proses pendeteksian
tersebut.

I.5 Batasan Masalah

Adapun batasan masalah dalam proyek akhir ini, yaitu:
1. Alat hanya mendeteksi kematangan buah mangga berdasarkan komposisi warna.
2. Data berasal dari objek yang capture oleh webcam dengan format raw.
3. Jenis mangga yang digunakan adalah mangga golek.
4. Sistem ini memberikan informasi tentang matang atau tidak matang buah mangga.

I.6 Sistematika Penulisan

Sistematika penulisan proposal ini secara keseluruhan terdiri dari 4 bab. Adapun garis
besar dari pembahasan dari setiap bab adalah sebagai berikut:
BAB I PENDAHULUAN
Pada bagian ini diuraikan tentang latar belakang masalah, perumusan masalah
dan batasan masalah, tujuan dan manfaat, serta sistematika penulisan.

BAB II TINJAUAN PUSTAKA

Pada bagian ini diuraikan penelitian terdahulu dan landasan teori yang terkait
dengan aplikasi yang akan dibuat.

BAB III PERANCANGAN

Pada bagian ini dijelaskan tentang perancangan aplikasi yang terdiri dari
perancangan model.

BAB IV JADWAL DAN PERKIRAAN BIAYA

Berisi tentang penjadwalan dan perkiraan biaya yang dihabiskan utnuk membuat
aplikasi ini.
II. TINJAUAN PUSTAKA
II.1 Penelitian Terdahulu
Menurut jurnal penelitian Jatmika dan Purnamasari (2014) yang berjudul Rancangan
Bangun Alat Pendeteksi Kematangan Buah Apel dengan Menggunakan Metode Image
Processing Berdasarkan Komposisi Warna. Penelitian ini menerapkan metode Image
Processing yaitu Pengukuran tingkat kemiripan dilakukan dengan menghitung jarak antar
histogram. Komposisi warna dapat ditampilkan dalam bentuk histogram yang
merepresentasikan distribusi jumlah piksel untuk tiap intensitas warna dalam citra. Sebagai
pembanding kematangan buah yang diukur adalah histogram warna buah yang sudah matang.
Hasil yang didapat dari penelitian ini adalah apel matang, mangkal dan mentah.
Ekstraksi Ciri Statistik pernah digunakan untuk mendeteksi tingkat kematangan buah
mentimun. Berdasarkan jurnal penelitian Permadi dkk. (2015) yang berjudul Aplikasi
Pengolahan Citra untuk Identifikasi Kematangan Mentimun Berdasarkan Tekstur Kulit Buah
Menggunakan Metode Ekstraksi Ciri Statistik. Penelitian ini menerapkan metode statistik
dengan parameter ciri yaitu Mean, Variance, Skewness, dan Entropy sebagai metode untuk
mengenali kematangan mentimun dari segi tekstur kulit buah dan untuk mengetahui nilai
akurasi setelah sistem diuji. Hasil yang didapat dari penelitian ini adalah mentimun matang dan
belum matang.
 Penelitian terhadap metode Perbandingan Kadar Warna yang dilakukan oleh Lestari dkk.
(2013) yang berjudul Alat Deteksi Kematangan Buah Melon dengan Sensor Suara dan
Mikrokontroller At-Mega 8535 dimana masukan yang digunakan adalah buah melon. Penelitian
yang dilakukan menggunakan frekuensi resonansi dan kecepatan suara. Pendeteksian ini
menghasilkan tingkat amplitudo dan kecepatan perambatan suara yang berbeda-beda tergantung
tingkat kematangan buah. Berdasarkan proses tersebut maka didapatkan hasil tingkat
kematangan yakni matang, setengah matang, dan mentah.
Citra tidak lepas dari adanya warna. Pengambilan keputusan terhadap tingkat
kematangan buah juga menggunakan warna. Berdasarkan jurnal yang Meilany dkk (2015) yang
berjudul Identifikasi Kematangan Buah Pisang (Musa paradisiaca) dengan Teknik Jaringan
Syaraf Tiruan. Penelitian ini digunakan mengidentifikasi kematangan buah pisang berdasarkan
warna dengan teknik JST (Jaringan Syaraf Tiruan). Selain menggunakan teknik JST, penelitian
ini juga menggunakan metode backpropagation. Hasil dari penelitian ini akan didapatkan
tingkat kematangan yaitu, matang, hamper matang, lewat matang, dan mentah.
Penelitian tentang kematangan buah juga terdapat pada jurnal Hartiningsih (2016) yang
berjudul Sistem Pendekteksi Kematangan Buah Nanas Menggunakan Metode Perbandingan
Kadar Warna. Penelitian ini menentuan keputusan menggunakan warna kulit nanas sebagai
parameter. Setelah pengambilan citra dilakukan ekstraksi ciri dengan metode transformasi
warna terhadap citra yang sudah ditangkap melalui webcam. Kemudian dilakukan proses
klasifikasi menggunakan algoritma K-Nearest Neighbor. Hasil akhir yang didapatkan adalah
prediksi buah nanas matang atau tidak matang.

Berdasarkan penelitian yang sudah dibahas, maka didapat tabel perbandingan

penelitian terdahulu sebagai berikut:

Peneliti Metode Metode Objek Tingkat

Ekstraksi Ciri Klasifikasi Penelitian Kematangan
Jatmika Histogram - Apel matang, mangkal dan
(2014) mentah
Permadi Statistik - Mentimun Matang, Belum
(2015) Matang
Lestari dkk. - Frekuensi Melon Matang, Setengah
(2013) Resonansi & Matang, Mentah
Kecepatan Suara
Meilany - Jaringan Syaraf Pisang matang, hamper
dkk.(2015) Tiruan matang, lewat matang,
dan mentah.
Hartiningsih Tranformasi K-NN Nanas Matang dan tidak
(2016) warna matang
Penelitian Pengolahan Citra K-NN Mangga Matang dan Mangkal
saat ini Berdasarkan
Warna RGB

Tabel 2.1 Perbandingan PenelitianTerdahulu

II.2 Landasan Teori

II.2.1 Buah Mangga
Manga merupakan bahan makanan penting setelah pisang untuk masyarakat yang
beriklim tropis. Hal ini dikarenakan manga memiliki vitamin A dan C yang cukup tinggi. Selain
itu, manga berukuran sedang mengandung serat dengan jumlah 40 % yang cukup untuk
memenuhi kebutuhan serat dalam tubuh manusia. Buah ini dapat menyembuhkan penyakit beri-
beri dan bronchitis (Medina, 2002).
Di Indonesia banyak sentra produksi buah manga diantaranya Indramayu, Cirebon, dan
Majalengka di Jawa Barat, Tegal, Kudus, Pati, Magelang, dan Boyolali di Jawa Tengah,
Pasuruan, Probolinggo, Nganjuk, dan Pamekasan di Jawa Timur. Juga di daerah Istimewa
Yogyakarta, Sumatera Utara, Sumatera Barat, Sulawesi Selatan, Maluku, Nusa Tengga Barat,
dan Nusa Tenggara Timur (Anonim, 2008). Dan juga banyak jenis-jenis buah manga.

II.2.2 Pengolahan Citra Digital

Citra merupakan representasi dua dimensi dari bentuk nyata yang bersifat tiga dimensi
yang di dalamnya terdapat piksel-piksel. Proses transformasi dari bentuk tiga dimensi ke dua
dimensi dipengaruhi oleh berbagai faktor. Faktor tersebut merupakan efek degradasi atau
penurunan kualitas (Utama, 2008). Secara umum, citra (image) adalah gambar pada bidang
dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi
menerus (continue) dari intensitas cahaya pada bidang dwimatra. Sumber cahaya menerangi
objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut. Pantulan cahaya ini
ditangkap oleh alat- alat optik, misalnya mata pada manusia, kamera, pemindai (scanner)
sehingga bayangan objek yang disebut citra tersebut terekam.
Pengolahan citra digital merupakan suatu metode yang digunakan untuk memproses
gambar menjadi gambar lain sesuai dengan keinginan. Misalnya kita mendapatkan suatu
gambar yang terlalu gelap, melalui proses pengolahan citra kita dapat memprosesnya agar
mendapatkan gambar yang jelas (Riyanto dkk, 2005).

Terdapat beberapa jenis citra, antara lain (Darma Putra,2010):

 1. Citra Biner
Citra digital yang hanya memiliki dua kemungkinan nilai pixel yaitu hitam dan putih.
Citra biner juga disebut sebagai citra B&W (black and white) atau citra monokrom.
Hanya dibutuhkan 1 bit untuk mewakili nilai setiap pixel dari citra biner. Citra biner
sering kali muncul sebagai hasil dari proses pengolahan seperti segmentasi,
pengambangan, morfologi, ataupun dithering.
2. Citra Grayscale
Citra digital yang hanya memiliki satu nilai kanal pada setiap pixelnya, dengan kata lain
nilai bagian RED = GREEN = BLUE. Nilai tersebut digunakan untuk menunjukkan
tingkat intensitas. Warna yang dimiliki adalah warna dari hitam, keabuan, dan putih.
Tingkatan keabuan disini merupakan warna abu dengan berbagai tingkatan dari hitam
hingga mendekati putih. Citra grayscale berikut memiliki kedalaman warna 8 bit (256
kombinasi warna keabuan).

3. Citra Warna (8 bit)

Setiap pixel dari cira warna (8 bit) hanya diwakili oleh 8 bit dengan jumlah warna
maksimum yang dapat digunakan adalah 256 warna. Ada dua jenis citra warna 8 bit.
Pertama, citra warna 8 bit dengan menggunakan palet warna 256 dengan setiap paletnya
memiliki pemetaan nilai (colormap) RGB tertentu.

4. Citra Warna (16 bit)

Citra warna 16 bit biasa nya disebut sebagai citra highcolor. Setiap pixelnya diwakili
dengan 2 byte memory (16 bit).
Warna 16 bit memiliki 65.536 warna. Dalam formasi bitnya, nilai merah dam biru
mengambil tempat di 5 bit di kanan dan kiri. Komponen hijau memiliki 5 bit ditambah 1
bit tambahan atau bit ekstra. Pemiliki komponen hijau dengan deret 6 bit dikarenakan
penglihatan manusia lebih sensitive terhadap warna hijau.

5. Citra Warna (24 bit)

Setiap pixel dari citra warna 24 bit diwakili dengan 24 bit sehingga total 16.777.216
variasi warna. Variasi ini sudah lebih dari cukup untuk memvisualisasikan seluruh warna
yang dapat dilihat penglihatan manusia. Penglihatan manusia dipercaya hanya dapat
membedakan hingga 10 juta warna saja.
Setiap poin informasi pixel (RGB) disimpan kedalam 1 byte data. 8 bit pertama
menyimpan nilai biru, kemudian diikuti dengan nilai hijau pada 8 bit kedua dan pada 8
bit terakhir merupakan warna merah.

II.2.3 Ekstraksi Ciri

 Ekstraksi Ciri (feature extraction) merupakan bagian penting dari analisis citra.
Ekstraksi ciri dilakukan berdasarkan isi visual citra yaitu warna, bentuk dan tekstur
(Kusumaningsih, 2009). Ekstraksi ciri dapat diklasifikasikan menjadi 3 yaitu, low-level feature,
middle-level feature, dan high-level feature. Low--level feature merupakan ekstraksi ciri
berdasarkan warna, middle-level feature merupakan ekstraksi berdasarkan wliayah citra dan
high-level feature merupakan ekstraksi berdasarkan informasi sematik yang terkandung dalam
citra(Marques dan Furht 2002).

II.2.4 Thresholding
Thresholding merupakan proses yang dilakukan untuk memisahkan pixel- pixel sesuai
dengan derajat keabuan. Proses pertama yaitu menetapkan nilai batas derajat keabuan. Pixel
yang memiliki nilai di bawah nilai batas derajat keabuan akan diubah menjadi 0, sementara
pixel yang memiliki nilai di atas nilai batas derajat keabuan akan diubah menjadi 1 (Utama,
2008).
Proses thresholding adalah metode paling sederhana dari segmentasi citra. Adapun
rumus untuk melakukan thresholding dengan derajat keabuan, yaitu:

x=b .
w
b

Dimana :
w = nilai derajat keabuan sebelum thresholding
x = nilai derajat keabuan setelah thresholding

Gambar 2.1 Contoh Thresholding

II.2.5 Pengolahan Warna RGB

Citra RGB merupakan citra yang terdiri dari tiga warna yang saling lepas dan berupa
warna utama yaitu red, green, dan blue. Citra RGB mempunyai array berukuran m x n x3 yang
mendefinisikan warna merah, warna hijau, dan warna biru untuk setiap pikselnya (Sutoyo dkk,
 2009). Campuran dari sejumlah komponen warna utama inilah yang akan menghasilkan suatu
warna tertentu.
Pengolahan citra tidak lepas dari warna RGB. Warna RGB merupakan warna utama
yang dicampur untuk mendapatkan warna baru. Dalam pengolahan citra, warna dipresentasikan
dengan nilai hexadesimal dari 0x00000000 sampai 0x00ffffff. Warna hitam adalah 0x00000000
dan warna putih adalah 0x00ffffff (Riyanto dkk, 2005).
Warna merah (R), hijau (G), biru (B) merupakan warna pokok yang terdapat dalam
pengolahan citra. Warna lain akan didapat dari pencampuran tiga warna pokok tersebut.
Penggabungan warna tersebut bergantung nilai yang terdapat dari warna pokok. Setiap warna
memiliki nilai 256 (8 bit) (Munawaroh, 2010).
II.2.6 Gray-Scale
Gray-Scale merupakan citra dengan derajat abu-abu atau citra yang mempunyai warna
hitam dan putih. Citra gray-scale dilakukan untuk menyederhanakan model citra. Citra
berwarna yang mempunyai nilai r, g, dan b akan diubah menjadi citra gray-scale yang
mempunyai nilai s harus dikonversi dengan mengambil nilai rata-rata citra berwarna (Riyanto
dkk, 2005), sehingga dapat dituliskan menjadi :

r +g+b
S=
3

Dimana:
S: nilai gray-scale
r: nilai red
g: nilai green
b: nilai blue
 Gambar 2.2 Gray Scale

Gambar RGB yang akan diubah ke bentuk gray-scale harus mengganti seluruh nilai
RGB piksel-pikselnya menjadi rata-rata jumlah nilai RGB tiap piksel tersebut. Sebagai contoh
nilai RGB: 200, 40, 0, maka nilai RGB untuk piksel gray- scalenya adalah: 80, 80, 80. Nilai 80
didapat dari (200 + 40 + 0) / 3 (Handoyo, 2005).
Citra gray-scale mempunyai warna gradiasi di setiap piksel-pikselnya yang dimulai dari
putih hingga hitam. Jarak dari putih ke hitam diwakili 8 bit (1 byte). Rentang warna tersebut
sangat cocok dalam pengolahan file gambar. Gray-scale juga sering digunakan dalam dunia
kedokteran terutama untuk X-ray (Kusumanto, 2011).

II.2.7 Algoritma K-Nearest Neighbor

k-nearest neighbor (kNN) termasuk kelompok instance-based learning. Algoritma ini
juga merupakan salah satu teknik lazy learning. kNN dilakukan dengan mencari kelompok k
objek dalam data training yang paling dekat (mirip) dengan objek pada data baru atau data
testing (Wu, 2009).
Algoritma k-NN adalah suatu metode yang menggunakan algoritma supervised(Wu,
2009). Tujuan dari algoritma k-NN adalah untuk mengklasifikasi objek baru berdasarkan atribut
dan training samples(Han dan Kamber, 2006). Jarak yang digunakan adalah jarak Euclidean
Distance. Jarak Euclidean adalah jarak yang paling umum digunakan pada data numerik.
Euclidean distance didefinisikan sebagai berikut:

n 2

d ( xi , x j )= 1(a ( x )a (x ))
r i r j

Dimana:
 d(xi,xj ) : Jarak Euclidean (Eucledean Distance).
(xi) : record ke- i
(xj) : record ke- j
(ar) : data ke-r
i,j :1,2,3,n

II.2.8 Pemrograman
Penelitian ini nantinya akan membuat sistem yang menggunakan software pendukung
yakni MATLAB. MATLAB adalah sebuah bahasa (pemrograman) dengan performa kerja yang
tinggi (high-performance) untuk melakukan komputasi teknis, yang mengintegrasikan
komputasi, visualisasi, dan pemrograman di dalam lingkungan kerjanya. Sehingga mudah
dalam memecahkan persoalan dengan solusi yang dinyatakan dengan notasi matematik (Wijaya,
2007).
MATLAB menggunakan sifat dan bentuk dari matriks yang dinyatakan dalam bentuk
notasi matematika untuk memecahkan permasalahan. Masalah yang dapat dipecahkan
menggunakan MATLAB seperti matematika dan komputasi, pengembangan algoritma,
pemodelan, simulasi dan pembuatan prototype, analisa data, eksplorasi, dan visualisasi,
pembuatan aplikasi termasuk GUI. Bahasa pemrograman ini tepat untuk pengolahan citra
digital.
Pada intinya MATLAB merupakan fungsi yang dapat dipanggil dan dieksekusi dengan
baik. Fungsi tersebut dikelompokkan sesuai dengan kegunaannya masing-masing yang terdapat
dalam toolbox MATLAB. Toolbox merupakan kumpulan fungsi-fungsi pada MATLAB yang
digunakan dalam pemecahan masalah tertentu (Farida, 2006).

II.2.9 Database
Semua data yang akan diolah dan hasil pengolahan disimpan dalam sebuah database.
Database adalah sekumpulan data yang disusun dalam bentuk tabel yang saling berkaitan
maupun berdiri sendiri (Arbie, 2004). Program yang digunakan oleh database cukup beragam.
Dalam penelitian ini menggunakan program MySQL.
MySQL merupakan aplikasi open source yang digunakan dalam sistem manajemen
basis data relasional. MySQL bekerja tidak sendirian melainkan butuh aplikasi lain dalam
memudahkan manajemen MySQL. Aplikasi tersebut merupakan phpmyadmin. PhpMyadmin
berfungsi untuk membuat tabel, menginsert, menghapus, dan mengupdate data dengan GUI.
Tampilan GUI lebih mudah dibandingkan harus mengetikkan perintah SQL secara manual.
III. PERANCANGAN

III.1 Arsitektur Perancangan

Arsitektur sistem secara keseluruhan pada proyek akhir ini dapat dilihat pada
Gambar 3.1.

Gambar 3.1 Arsitektur Perancangan

Keterangan gambar :
1. Webcam : posisi webcam mengarah ke badan buah mangga sehingga
tampak keselurahan ruang warna mangga.
2. Buah mangga : objek yang akan diteliti.
3. Data Training : database tempat penyimpanan data training.
 Gambar 3.2 Blok Diagram Perancangan

Sistem akan diawali dengan proses pengambilan citra mangga dengan

menggunakan webcam. Lalu citra yang telah didapatkan akan diproses dan akan masuk
pada proses learning. Setelah melewati proses learning sistem akan memasuki tahap
klasifikasi kemudian akan mendpatkan hasil deteksi yang akan ditampilkan pada desktop.

III.2 Perancangan Sistem

Dalam perancangan sistem, terdapat dua proses utama yang akan dilakukan yaitu
proses learning dan proses klasifikasi.
III.2.1 Proses Learning
Proses learning adalah proses yang akan dilakukan sistem untuk mengenali dan
mengetahui karakteristik beserta ciri dari citra mangga yang dijadikan sebagai masukan pada
data training. Gambar 3.3 akan menyajikan bentuk diagram alir sistem secara keseluruhan untuk
mengumpulkan data training.
 Gambar 3.3 Flowchart Sistem Learning

Berdasarkan Gambar 3.3, proses pertama yang dilakukan adalah memproses citra
mangga sebagai citra input. Citra input akan melalui tahap selanjutnya yaitu preprocessing.
Selanjutnya, untuk mendapatkan ciri warna citra mangga dilakukan proses ekstraksi ciri.
Ekstraksi ciri dilakukan untuk memperoleh persentase jumlah warna pada mangga. Tahap
berikutnya adalah menyimpan data hasil ekstraksi ciri tersebut sebagai data training.

III.2.2 Proses Klasifikasi

Proses klasifikasi digunakan untuk mendapatkan hasil dari data input. Proses ini
memerlukan data training untuk menentukan hasil yang akan dikeluarkan pada data testing.
Citra data testing yang belum diketahui hasil data akan diujikan pada sistem. Alur sistem testing
dapat dilihat pada Gambar 3.4.

Gambar 3.4 Flowchart Sistem Testing

Berdasarkan Gambar 3.4, proses pertama yang dilakukan adalah proses pengambilan
citra dengan menggunakan kamera. Citra hasil pengambilan tersebut menjadi citra masukan
yang akan melalui tahap selanjutnya yaitu preprocessing. Selanjutnya, untuk mendapatkan ciri
warna citra mangga menggunakan proses ekstraksi ciri. Ekstraksi ciri dilakukan untuk
memperoleh persentase jumlah warna kuning dan hijau. Tahap berikutnya adalah proses
klasifikasi data testing terhadap data training yang telah tersimpan di database dengan algoritma
k-Nearest Neighbour. Hasil proses klasifikasi adalah prediksi hasil.

III.2.2.1 Klasifikasi dengan K-Nearest Neighbor

 Tahapan klasifikasi dengan k-Nearest Neighbor memanfaatkan citra mangga yang
menjadi input bagi sistem berdasarkan data training. Citra mangga tersebut dianggap citra
testing dan akan dihitung nilai-nilai ketetanggaan terdekat dari data-data sebelumnya yang sudah
memiliki label kriteria hasil pada data training. Berikut ini diagram alir penggunaan metode k-
Nearest Neighbor:

Gambar 3.5 Flowchart Algoritma K-NN

Algoritma k-Nearest Neighbor digunakan untuk pengklasifikasian kriteria hasil.

Berikut adalah gambaran penerapan algoritma k-Nearest Neighbor dalam memprediksi kriteria
hasil menggunakan data training. Dalam hal ini, suatu citra testing telah melewati tahap
pengambilan citra, dan preprocessing, maka didapat hasil prediksi unsur hasil dengan variabel
Id, Kuning, Hijau dan Hasil. Pada kolom Hasil masih dibuat dalam bentuk belum ada label. Hal
pertama yang dilakukan dengan menentukan nilai k. Nilai k dengan akurasi terkecil yang akan
dipilih. Lalu masukkan data training (data yang sudah memiliki label) dan data testing (data
yang belum memiliki label).

Hasil prediksi tersebut akan dihitung nilai Euclidean Distance untuk menghitung
jarak antara dua data. Data training dan data testing disajikan dalam bentuk bilangan persen.
Sebelum jarak euclidean distance dihitung, angka-angka pada data training dan data testing
dikonversi menjadi bilangan desimal terlebih dahulu untuk mempermudah proses perhitungan.
Setelah mendapatkan nilai euclidean, urutkan berdasarkan euclidean terkecil. Penentuan kriteria
hasil prediksi dilakukan dengan melihat label pada data training sesuai dengan id data yang
masuk ke dalam range k. Hasil prediksi didapat dari mayoritas label yang terpilih pada k.

III.2.3 Rancangan Antarmuka

III.2.3.1 Halaman Utama/Home

Gambar 3.6 Halaman Utama

Gambar 3.6 merupakan halaman utama dari aplikasi. Terdapat tombol mulai untuk masuk
kehalaman klasifikasi.

III.2.3.2 Halaman Klasifikasi

Gambar 3.7 merupakan tampilan halaman klasifikasi. Pada halaman ini pengguna harus
menekan tombol capture untuk mengambil citra mangga. Lalu hasil prediksi akan muncul pada
halaman klasifikasi.
 Gambar 3.10 Halaman Klasifikasi
III.2.4 Metode Pengujian dan Analisa
Proses pengujian pada penelitian ini menggunakan tiga cara pengujian yaitu uji nilai K,
confusion matrix, dan menggunakan black box system. Pada uji nilai k akan dilakukan pengujian
terhadap data training yang nanti akan dijadikan sebagai data testing. Pengujian nilai k akan
dimulai dari 5, 10, dan seterusnya. Nilai akurasi di dapat dari jumlah hasil label data testing
yang sama dengan hasil label data training lalu hitung persentasinya.

Pengujian dilakukan dengan menggunakan teknik pengujian black box system yaitu
dengan menguji keseluruhan sistem dari awal penggunaan sistem hingga mengeluarkan hasil
prediksi. Kesesuaian dan ketepatan setiap fungsi adalah tujuan utama dari pengujian.