1
APLIKASI KLASIFIKASI BUAH NAGA
BERDASARKAN WARNA DAGING BUAH
DENGAN METODE K-NEAREST
NEIGHBOR
Sahirul Muklis
Jurusan Magister Teknik Informatika, STIMIK AMIKOM YOGYAKARTA
Jl. Ring Road Utara, Condong Catur, Sleman,Yogyakarta
E-mail: sahirulmuklis@gmail.com
ABSTRAK Buah naga yang beredar di Indonesia ada 4 jenis buah
naga yaitu Hylocereus undatus (daging putih), Hylocereus
polyrhizus ( daging merah), Hylocereus costaricensis (daging
merah super), dan Selenicereus megalanthus (kulit kuning, tanpa
sisik). Dari pembagian inilah banyak orang awam susah dalam
mengklasifikasikan golongan buah naga. Disinilah muncul sebuah
rumusan untuk membuat aplikasi klasifikasi buah naga
berdasarkan warna daging buah naga. Warna daging buah naga
bisa dijadikan patokan untuk menggolongakan buah naga karena
daging buah naga merupakan salah satu ciri pembeda jenis
golongan buah naga. Aplikasi ini akan diterapkan dengan metode
klasifikasi KNN. Metode KNN digunakan karena bekerja
berdasarkan nilai jarak kedekatan antara golongan yang terdekat
dengan nilai patokan. Aplikasi klasifikasi buah naga dengan
metode KNN ini akan mengunakan tools Matlab sebagai bahasa
pemrogramannya. Secara umum aplikasi klasifikasi buah naga
akan bekerja berdasarkan nilai RGB warna dari daging buah
naga. Kemudian nilai RGB warna daging buah naga ini akan
diklasifikasi dengan metode KNN dan dihitung nilai terdekat
dengan nilai patokan. Setelah diketahui nilai terdekat dari
golongan buah naga, maka aplikasi akan memberikan output atau
keluaran berupa tulisan golongan buah naga tersebut. Setelah
diadakan pengujian testing terhadap aplikasi kalsifikasi buah
naga dengan 25 sample gambar uji diketahui tingkat keberhasilan
aplikasi adalah 68%. Dengan adanya aplikasi klasifikasi buah
naga berdasarkan warna daging buah dengan menggunakan
metode KNN ini bisa membantu orang awam dalam mengenali
golongan buah naga yang akan dikonsumsi.
Keyword : Buah Naga, image, klasfikasi, KNN, Matlab.
I. PENDAHULUAN
S alah satu atribut yang berperan penting dalam proses
pengidentifikasi dari sebuah objek ialah warna, pemrosesan
warna dalam sebuah objek meliputi ekstrasi informasi tentang
spectral properties dan pencarian kesamaan yang paling sesuai
dari sekumpulan deskripsi atau sebuah model kelas yang
melakukan tugas pengenalan[1].
Dalam berbagai bidang, warna menjadi andalan untuk
proses identifikasi dari sebuah objek. Salah satu teknologi yang
mengandalkan warna sebagai identifikasi adalah teknologi
machine vision. Machine vision banyak dipakai dibidang
industri, sebagai salah satu contoh adalah bidang industri
elektronika, semiconductor, packing, otomotif, agricultural
production, alat medis, dan pharmaceuticals. Contoh yang
nyata dalam penerapan machine vision dalam pemrosesan
warna ialah M&Ms chocolate sorter, blueberry color sorter,
coins grader, dan lain-lain.
Pada tahun 2007 Mei Ling Chan, Rodney Tan, dan
Gilbert Thio sudah melakukan penelitian terlebih dahulu dan
mempraktekan dengan membuat sebuah software dari matlab
yang digunakan untuk memisakan buah-buahan berdasarkan
kategori buah dan dibendakan mana buah yang masih mentah
dan mana buah yang sudah matang. Hasil dari penelitian yang
mereka lakukan menghasilkan sebuah aplikasi yang dapat
memisahkan buah-buahan sesuai kategorinya dan membedakan
buah mentah dan buah matang. Contoh buah yang mereka pakai
dalam penelitian ialah mangga, pisang, pepaya, dan tomat.
Namun dari hasil ini masih menimbulkan sistem yang
menghasilkan hasil yang salah[1].
K-Nearest Neighbor (KNN) adalah suatu metode yang
menggunakan algoritma supervised dimana hasil dari query
instance yang baru diklasifikan berdasarkan mayoritas dari
kategori pada KNN. Tujuan dari algoritma ini adalah
mengklasifikasikan obyek baru bedasarkan atribut dan training
sample. Kerja dari algoritma KNN ini sangatlah sederhana
karena bekerja berdasarkan jarak terpendek dari query
instance ke training sample untuk menentukan
klasifikasinya[2].
Penerapan metode K-Nearest Neighbor (KNN) akan
diterapkan pada klasifikasi objek buah naga. Buah naga atau
dragon fruit memang belum lama dikenal, dibudidayakan, dan
diusahakan di Indonesia. Tanaman ini tergolong kelompok
tanaman kaktus atau family Cactaceae dan subfamily
Hylocereanea, dan termasuk pada genus Hylocereus. Buah naga
terdiri dari beberapa species yang di bedakan menurut warna
daging yaitu Hylocereus undatus (daging putih), Hylocereus
polyrhizus ( daging merah), Hylocereus costaricensis (daging
merah super), dan Selenicereus megalanthus (kulit kuning,
tanpa sisik)[3][4].Berdasarkan pembagian spesies inilah
banyak orang awam yang tidak tahu dalam mengklasifikasikan
buah naga berdasarkan warna daging buah naga.
Seperti penjelasan diatas maka akan membahas
mengenai aplikasi pengelompokan buah naga berdasarkan
warna daging buah untuk menentukan kelompok spesies dari
buah naga menggunakan KNN. Pembangunan sistem
 2

pengenalan buah naga secara otomatis akan dapat

menggantikan pengenalan buah naga secara manual yang Mulai

memakan waktu lama, tidak konsisten, dan sangat bergantung

Mengambil
pada kondisi orang yang melakukan pengenalan[5]. Gambar

Filterisasi croping
X=p/2-32 y=l/2-32
(x,y,64,64)

Pengambilan nilai RGB gambar

II. URAIAN PENELITIAN R=R/(64x64) G=G/(64x64) B=B/(64x64)

gagal
A. Metode Penelitian
Inisialisasi
Pengembang perancangan sistem aplikasi klasifikasi buah (a = nilai Patokan[R G B])
(b = nilai uji [R G B]

tidak
naga dikembangkan dengan system development life cycle
seperti gambar di bawah ini. Perhitungan
D(a,b)=(ak-bk)2

ya

Hasil Klasifikasi

Keluar

ya

Selesaii

Gambar 2 Flowchart Proses

Gambar 1 Pengembangan Model Perancangan Sistem Keterangan:

1. Planning dilakukan untuk membuat rancangan sistem
aplikasi klasifikasi buah naga.
2. Analisa dilakukan untuk menentukan variabel dan alur
kerja sistem aplikasi buah naga dengan KNN.
3. Design membuat rancangan form tampilan atau
designinterface dari sistem aplikasi klasifikasi buah
naga menggunakan KNN.
4. Implementation ini membuat coding program aplikasi
klasifikasi buah naga dengan KNN dan
menggabungkan dengan design interface.
5. Maintenance dilakukan terhadap program aplikasi
buah naga dengan KNN untuk menyempurnakan
program. Maka perlu dilakukan testing dan apabila
ditemui kesalahan program yang tidak sesuai dengan
konsep atau planning awal maka perlu dilakukan
perbaikan atau maintenance system[6].
1 Setelah nilai rata-rata RGB gambar didapatkan,
maka akan dilakukan inisialisasi RGB dengan
inisialisai b = [R G B] dimana nilai rata-rata
RGB akan di cocokan dengan nilai rata-rata
RGB patokan yang sudah terlibih dahulu
diinisialisasi dan dibuat array a=[P;M;MS;KP].
2 Setelah proses inisialisasi, maka akan
dilanjutkan ke perhitungan KNN guna
mengetahui golongan gambar yang di uji,
dengan memperhitungkan jarak terdekat dari
patokan golongan buah naga yang tersedia.
3 Setalah didapatkan hasil dari perhitungan, maka
didapatlah golongan buah naga.
4 User dapat melakukan penggolongan kembali
dengan mengambil gambar buah naga yang lain.
Jika tidak maka user akan keluar.

C. Perancangan Sistem III. HASIL DAN PEMBAHASAN

Pertama hal harus dilakukan dalam mengetahui tingkat
keberhasilan program ialah memasukkan gambar kedalam
aplikasi seperti pada gambar di bawah ini.
 3

Gambar 3 Tampilan Mengambil Gambar Buah Naga

Untuk memasukkan gambar kedalam aplikasi berikut
ini adalah cuplikan coding dari program.

handles.P = imread(fullfile(path,nama));
guidata(hObject,handles);
handles.current_P = handles.P;

Jika gambar berhasi dimasukan kedalam aplikasi maka akan

tampil seperti gambar 4 dibawah ini.

Gambar 5 Tampilan Hasil

Berikutnya adalah gambar coding untuk menampilkan hasil
dari klasifikasi dengan metode KNN.
%klasifikasi KNN
k=4;
pth = [P;M;MS;KP];
uj = [R G B];
[neighbors distances] =
kNearestNeighbors(pth,uj,k);
hsl= neighbors(1);
Gambar 4 Hasil Tampilan Mengambil Gambar if (hsl == 1)
Berikut coding untuk memunculkan gambar pada aplikasi set(handles.text8,'String','Hylocereus
axes(handles.axes3); undatus \n Buah naga Golongan Putih');
imshow(handles.P); elseif (hsl == 2)
Setelah gambar berhasil di tampilkan maka akan masuk ke
proses selanjutnya yaitu pengambilan nilai RGB dari gambar. set(handles.text8,'String','Hylocereus
polyrhizus \n Buah naga Golongan Merah');
Pengambilan nilai RGB menggunakan perintah coding seperti elseif (hsl == 3)
pada dibawah ini
set(handles.text8,'String','Hylocereus
%Mengambil matriks penyusun citra RGB costaricensis \n Buah naga Golongan Super
red=D(:,:,1); Merah ');
green=D(:,:,2); else (hsl == 4)
blue=D(:,:,3);
%Menghitung nilai RGB set(handles.text8,'String','Selenicereus
sumI = sum(sum(C)); megalanthus \n Buah naga Golongan Kuning
s= size(C); Daging Putih ');
rataI = sumI./(s(1)*s(2)); end
R = rataI(1);
G = rataI(2); Dari gambaran beberapa proses diataslah proses aplikasi
B = rataI(3);
klasifikasi buah naga dengan metode KNN dilakukan.
Setelah nilai RGB pada gambar berhasil diambil maka Selanjutnya akan dilakukan pengujian terhadap sample uji
nilai ini akan di hitung dengan metode KNN gambar sebanyak 25 gambar yang dipilih secara acak. Dari
pengujian sample uji gambar maka didapatlah hasil seperti tabel
function[neighborIds neighborDistances] = dibawah ini.
kNearestNeighbors(dataMatrix, queryMatrix, k)
neighborIds = zeros(size(queryMatrix,1),k);
neighborDistances = neighborIds;
numDataVectors = size(dataMatrix,1);
numQueryVectors = size(queryMatrix,1);
for i=1:numQueryVectors,
dist =
sum((repmat(queryMatrix(i,:),numDataVectors,1)
-dataMatrix).^2,2);
[sortval sortpos] = sort(dist,'ascend');
neighborIds(i,:) = sortpos(1:k);
neighborDistances(i,:) =
sqrt(sortval(1:k));
end

Setelah nilai RGB dimasukkan kedalam metode KNN maka

di dapat hasil seperti gambar 5
 4

Nama Gambar Golongan

NO
Buah naga Sebenarnya Hasil Keterangan
Berhasil 17
1
Buah Naga Buah Naga Gagal 8
uji1.jpeg Putih Putih Berhasil
Buah Naga Jumlah Data 25
2 Kuning Buah Naga
uji36.jpg Putih Kuning Putih Berhasil
Persentase Keberhasilan 68%
3
Buah Naga Buah Naga Persentase Kegagalan 32%
uji23.jpg Merah Super Merah Gagal
Table 2 Tingkat Keberhasilan Aplikasi
Buah Naga
4 Super Buah Naga
uji19.jpg Merah Super Merah Berhasil Pada saat pengujian aplikasi klasifikasi buat naga
Buah Naga seperti yang dipaparkan pada tabel 1 ditemukan beberapa
5 Kuning Buah Naga kegagalan dalam klasifikasi buah naga. Hal ini membuat tingkat
SampleKP23.jpg Putih Putih Gagal
Buah Naga
efesiensi kemampuan sistem aplikasi klasifikasi buah naga
6 Super Buah Naga dengan metode KNN ini menurun. Ada beberapa faktor yang
SampleMS21.jpg Merah Super Merah Berhasil mempengaruhi kegagalan dalam klasifikasi buah naga yaitu
Buah Naga Buah Naga kecerahan atau ketajaman gambar, susunan biji buah naga
7
SampleM24.jpg Merah Super Merah Gagal
terlalu rapat, dan peletakan gambar tidak sesuai dengan
Buah Naga Buah Naga
8 ketentuan.
SampleP2.jpg Putih Kuning Putih Gagal
Buah Naga Buah Naga Ketajaman pada gambar sangat berpengaruh terhadap kadar
9
SampleM3.jpg Merah Merah Berhasil warna RGB pada gambar. Sebuah gambar buah naga merah
Buah Naga biasa yang pengambilanya terlalu gelap atau terlalu terang bisa
10 Kuning Buah Naga
Uji35.jpg Putih Kuning Putih Berhasil berakibat menyerupai buah naga merah super ketika cahaya
Buah Naga kurang atau buah naga putih ketika cahaya berlebih. Maka akan
11 Kuning Buah Naga menimbulkan kesalahan terhadap klasifikasi yang dilakukan
SampleKP7.jpg Putih Kuning Putih Berhasil oleh aplikasi buah naga. Karena aplikasi klasifikasi buah naga
Buah Naga Buah Naga
12
SampleP11.jpg Putih Putih Berhasil
dengan KNN ini memperhitungkan jarak terdekat terhadap
Buah Naga Buah Naga golongan atau jenis buah naga yang nilai patokan kadar
13 RGBnya sudah ditentukan untuk masing-masing jenis buah
sampleM15.jpg Merah Merah Berhasil
14
Buah Naga Buah Naga naga.
SampleP22.jpg Putih Putih Berhasil Susunan pada biji buah naga yang terlalu rapat ini bisa
Buah Naga
15 Kuning Buah Naga
menurunkan bahkan menaikan kadar warna RGB pada daging
Uji14.jpg Putih Putih Gagal buah karena biji buah naga berwarna agak kehitam-hitaman
Buah Naga sehingga pada saat ekstrasi kadar warna RGB daging buah naga
16 Super Buah Naga yang didasarkan pada warna daging buah menjadi lebih rendah
SampleMS19.jpg Merah Super Merah Berhasil
atau lebih tinggi. Hal ini akan mempengaruhi nilai kadar RGB.
Buah Naga Buah Naga
17
SampleM6.jpg Merah Super Merah Gagal
Buah Naga Buah Naga
18
SampleP19.jpg Putih Putih Berhasil
Buah Naga Buah Naga IV. KESIMPULAN
19
SampleM17.jpg Merah Merah Berhasil
Dari analisa pembahasan yang sudah dilakukan maka dapat
Buah Naga
20 Super Buah Naga ditarik beberapa kesimpulan yang bisa menjawab rumusan
SampleMS16.jpg Merah Super Merah Berhasil masalah yang telah disusun.
21
Buah Naga Buah Naga 1. Metode KNN bisa diterapkan untuk klasifikasi buah
Uji24.jpg Merah Merah Berhasil naga dengan tingkat keberhasilan mencapai 68%.
Buah Naga Buah Naga
22
Uji27.jpg Merah Super Merah Gagal Angka ini didapat dari hasil pengujian terhadap
Buah Naga Buah Naga program aplikasi klasifikasi buah naga
23
SampleM23.jpg Merah Kuning Putih Gagal 2. Tingkat kegagalan aplikasi adalah 32% hal ini
Buah Naga Buah Naga disebabkan adanya beberapa faktor seperti:
24
SampleP14.jpg Putih Putih Berhasil
a. Efek cahaya pada gambar sangat minimum atau
Buah Naga Buah Naga
25 kelbihan cahaya pada gambar yang
Uji6.jpg Putih Putih Berhasil
Table 1 Hasil Pengujian Gambar menyebabkan tingkat nilai rgb tidak sesuai
dengan aslinya.
Dari table hasil pengujian gambar diatas maka bisa dihitung b. Efek dari biji buah naga sendiri yang
tingkat keberhasilan aplikasi dalam mengklasifikasikan buah susunannya terlalu rapat. Hal ini yang
naga terhadapa golongannya. Hasil presentase dari tingkat menyebabkan nilai rgb dari gambar buah naga
keberhasilan uji aplikasi akan di tampilkan pada table 2 bisa turun karena biji buah naga memiliki
dibawah ini. warna gelap.
3. Aplikasi klasifikasi buah naga dengan KNN bisa
membantu orang awam dalam mengenali jenis atau
golongan buah naga.
 5

DAFTAR PUSTAKA
[1]Mei Chan, L., Tan, R., dan Thio, G. 2007. Design of Visual-based
Color Classification System. School of Engineering, UCSI.

[2]Evan yufianto. Buku TA K-nearest neighbor.

http://kuliahinformatika.wordpress.com/2010/02/13/buku-ta-k-
nearest neighbor-knn/(akses tanggal 05 November 2014)

[3]R.P Sitiatava,2011,Buah Naga tidak Cuma enak,tetapi juga sarat

obat-obatan cespleng,laksana,yogyakarta.

[4]Deni Kurniawan. 2009. Sejarah buah naga.

(http://buahnaga.denidi.com/2009/04/mengenal-buah
naga.html). (tanggal akses 05 November 2014)

[5]Li, C., Cao, Q., dan Guo, F. 2009. A Method for Color
Classification of FruitsBased on Machine Vision. Shanghai:
Shanghai Jiao Tong University

[6]Sommerville, Ian 2006, Software Engineering, 8 th, China Machine

Press, Republic of China.