ABSTRAK Buah naga yang beredar di Indonesia ada 4 jenis buah elektronika, semiconductor, packing, otomotif, agricultural
naga yaitu Hylocereus undatus (daging putih), Hylocereus production, alat medis, dan pharmaceuticals. Contoh yang
polyrhizus ( daging merah), Hylocereus costaricensis (daging nyata dalam penerapan machine vision dalam pemrosesan
merah super), dan Selenicereus megalanthus (kulit kuning, tanpa warna ialah M&Ms chocolate sorter, blueberry color sorter,
sisik). Dari pembagian inilah banyak orang awam susah dalam
coins grader, dan lain-lain.
mengklasifikasikan golongan buah naga. Disinilah muncul sebuah
rumusan untuk membuat aplikasi klasifikasi buah naga Pada tahun 2007 Mei Ling Chan, Rodney Tan, dan
berdasarkan warna daging buah naga. Warna daging buah naga Gilbert Thio sudah melakukan penelitian terlebih dahulu dan
bisa dijadikan patokan untuk menggolongakan buah naga karena mempraktekan dengan membuat sebuah software dari matlab
daging buah naga merupakan salah satu ciri pembeda jenis yang digunakan untuk memisakan buah-buahan berdasarkan
golongan buah naga. Aplikasi ini akan diterapkan dengan metode kategori buah dan dibendakan mana buah yang masih mentah
klasifikasi KNN. Metode KNN digunakan karena bekerja dan mana buah yang sudah matang. Hasil dari penelitian yang
berdasarkan nilai jarak kedekatan antara golongan yang terdekat mereka lakukan menghasilkan sebuah aplikasi yang dapat
dengan nilai patokan. Aplikasi klasifikasi buah naga dengan memisahkan buah-buahan sesuai kategorinya dan membedakan
metode KNN ini akan mengunakan tools Matlab sebagai bahasa
buah mentah dan buah matang. Contoh buah yang mereka pakai
pemrogramannya. Secara umum aplikasi klasifikasi buah naga
akan bekerja berdasarkan nilai RGB warna dari daging buah dalam penelitian ialah mangga, pisang, pepaya, dan tomat.
naga. Kemudian nilai RGB warna daging buah naga ini akan Namun dari hasil ini masih menimbulkan sistem yang
diklasifikasi dengan metode KNN dan dihitung nilai terdekat menghasilkan hasil yang salah[1].
dengan nilai patokan. Setelah diketahui nilai terdekat dari K-Nearest Neighbor (KNN) adalah suatu metode yang
golongan buah naga, maka aplikasi akan memberikan output atau menggunakan algoritma supervised dimana hasil dari query
keluaran berupa tulisan golongan buah naga tersebut. Setelah instance yang baru diklasifikan berdasarkan mayoritas dari
diadakan pengujian testing terhadap aplikasi kalsifikasi buah kategori pada KNN. Tujuan dari algoritma ini adalah
naga dengan 25 sample gambar uji diketahui tingkat keberhasilan mengklasifikasikan obyek baru bedasarkan atribut dan training
aplikasi adalah 68%. Dengan adanya aplikasi klasifikasi buah
sample. Kerja dari algoritma KNN ini sangatlah sederhana
naga berdasarkan warna daging buah dengan menggunakan
metode KNN ini bisa membantu orang awam dalam mengenali karena bekerja berdasarkan jarak terpendek dari query
golongan buah naga yang akan dikonsumsi. instance ke training sample untuk menentukan
klasifikasinya[2].
Penerapan metode K-Nearest Neighbor (KNN) akan
Keyword : Buah Naga, image, klasfikasi, KNN, Matlab. 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
I. PENDAHULUAN Hylocereanea, dan termasuk pada genus Hylocereus. Buah naga
Filterisasi croping
X=p/2-32 y=l/2-32
(x,y,64,64)
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
handles.P = imread(fullfile(path,nama));
guidata(hObject,handles);
handles.current_P = handles.P;
DAFTAR PUSTAKA
[1]Mei Chan, L., Tan, R., dan Thio, G. 2007. Design of Visual-based
Color Classification System. School of Engineering, UCSI.
[5]Li, C., Cao, Q., dan Guo, F. 2009. A Method for Color
Classification of FruitsBased on Machine Vision. Shanghai:
Shanghai Jiao Tong University