PROPOSAL PROGRAM KREATIVITAS MAHASISWA

KLASIFIKASI JENIS BUAH JERUK DENGAN METODE

K-NEAREST NEIGHBOR

BIDANG KEGIATAN
PKM PENERAPAN TEKNOLOGI

Diusulkan oleh :
Ayu Qamarani 7708164071 2016
Agriva Ruth Cristina Lingga 7708164032 2016
Devira Monda Astri Harahap 7708164014 2016
Ravika Oktaviani 7708164050 2016

TELKOM UNIVERSITY
BANDUNG
2018

i
 PENGESAHAN PROPOSAL PKM – PENERAPAN TEKNOLOGI
1. Judul Kegiatan : Klasifikasi Jenis Buah Jeruk dengan Metode
K-Nearest Neighbor
2. Bidang Kegiatan : PKM-T
3. Ketua Pelaksana Kegiatan
a. Nama Lengkap : Ayu Qamarani
b. NIM : 7708164014
c. Jurusan : Fakultas Ilmu Terapan
d. Universitas : Universitas Telkom
e. Alamat Rumah dan No. : Jl. Lengkong No. 15 RT.02 RW.03 Gg. Entang
Telp/Hp Kel. Lengkong Kec. Bojongsoang Kota
Bandung / 0895610365673
f. Email : ayuqamarani12@gmail.com
4. Anggota Pelaksana Kegiatan : 3 Orang
5. Dosen Pendamping
a. Nama Lengkap dan Gelar : Agus Pratondo, S.T., M.T., Ph.D.
b. NIP/NIDN : 09770043
c. Alamat Rumah dan No. : Jl. Karasak, Astana Anyar Kota Bandung /
Telp/Hp 022-7564108
6. Biaya Kegiatan Total
a. Kemristekdikti : Rp. 8.647.000
b. Sumber lain :-
7. Jangka Waktu Pelaksanaan : 5 bulan
Bandung, 14 Desember 2018
Menyetujui,
Ketua Program Studi Ketua Pelaksana Kegiatan
S1 Terapan Teknologi Rekayasa Multimedia

(Yahdi Siradj S.T., M.T.) (Ayu Qamarani)

NIP.14870017 NIM. 7708164071

Wakil Rektor IV Dosen Pendamping

Bidang Kemahasiswaan dan Penelitian

(Dr. Ir. Rina Pudji Astuti, M.T.) (Agus Pratondo, S.T., M.T., Ph.D.)
NIP. 93630028 NIDN. 09770043

ii
 DAFTAR ISI

PENGESAHAN PKM – PENERAPAN TEKNOLOGI ........................................ iii

DAFTAR ISI ......................................................................................................... iiii
RINGKASAN ........................................................................................................ iv
BAB 1. PENDAHULUAN ..................................................................................... 1
1.1. Latar Belakang ............................................................................................ 1
1.2. Rumusan Masalah ....................................................................................... 2
1.3. Tujuan Program ........................................................................................... 2
1.4. Luaran Yang Diharapkan ............................................................................ 3
1.5. Kegunaan Program ...................................................................................... 2
BAB 2. TINJAUAN PUSTAKA ............................................................................ 3
2.1. Algoritma Klasifikasi K-Nearest Neighbor ................................................ 3
2.2. Akuisisi Gambar ......................................................................................... 4
2.3. Ekstraksi Fitur ............................................................................................. 5
2.4. Gray-scale ................................................................................................... 6
2.5. Leave One Out Cross Validation (LOOCV) ............................................... 6
BAB 3. METODE PELAKSANAAN .................................................................... 3
3.1. Tahap Persiapan .......................................................................................... 7
3.2. Implementasi dan Pengujian ....................................................................... 7
3.3. Evaluasi dan Keberlanjutan....................................................................... 14
BAB 4. BIAYA DAN JADWAL KEGIATAN .................................................... 18
4.1. Anggaran Biaya ......................................................................................... 18
4.2. Jadwal Kegiatan ........................................................................................ 18
LAMPIRAN-LAMPIRAN...................................................................................... 1
Lampiran 1. Biodata Ketua, Anggota dan Dosen Pembimbing ....................... 19
Lampiran 2. Justifikasi Anggaran Kegiatan ..................................................... 25
Lampiran 3. Susunan Organisasi Tim Penyusundan Pembagian Tugas .......... 27
Lampiran 4. Surat Pernyataan Ketua ................................................................ 28

iii
 RINGKASAN
Jeruk merupakan buah yang memiliki banyak varietas, namun beberapa jenis jeruk
memiliki bentuk dan warna yang hampir sama. Hal ini menyebabkan masyarakat
keliru dalam menentukan jenis jeruk. Setiap jenis jeruk memiliki ciri warna yang
berbeda dan dapat dijadikan sebagai feature extraction. Feature extraction tersebut
dapat digunakan sebagai pembeda dalam mengklasifikasi jenis jeruk. Pengambilan
citra dilakukan dengan kamera DSLR. Citra yang diambil akan dijadikan sebagai
data latih dan data uji. Pengujian menggunakan metode leave one out dengan 199
citra buah jeruk sebagai data latih dan 1 citra buah jeruk sebagai data uji. Setiap
citra akan mengalami proses feature extraction. Proses klasifikasi jeruk dilakukan
dengan metode K-Nearest Neighbor. Untuk pengujian digunakan 200 buah jeruk
yang terdiri dari empat kelas yaitu medan, ponkam, siam, dan sunkish. Berdasarkan
hasil pengujian klasifikasi jenis jeruk pada sistem, didapat tingkat akurasi yaitu
95%.
Kata Kunci : Klasifikasi, Jeruk, Feature Extraction, K-Nearest Neighbor, Leave
one

iv
 BAB 1. PENDAHULUAN
1.1. Latar Belakang
Keanekaragaman jenis buah-buahan tersebar di berbagai wilayah Indonesia [1].
Buah merupakan kekayaan alam yang eksotis [2]. Setiap buah memiliki beberapa
macam jenis yang dapat dilihat dari bentuk, warna dan ukuran. Buah berfungsi
sebagai sumber vitamin dan mineral yang akan memperbaiki kondisi gizi pada
tubuh [3].
Buah jeruk merupakan tanaman asli (indigenous) yang termasuk ke dalam famili
Rutaceae [4]. Jeruk berasal dari benua Asia [5]. Jeruk tumbuh di Indonesia secara
alami atau dibudidayakan [6]. Komposisi buah jeruk terdiri dari air 70- 92% (sesuai
kualitas), gula, asam organik, asam amino, vitamin, zat warna, mineral, dan lain-
lain [7].
Buah jeruk memiliki banyak jenis [8], contoh jenis yaitu jeruk medan, jeruk
ponkam, jeruk sunkist, dan jeruk siam. Secara umum jenis jeruk tersebut akan
dikenal sebagai jeruk saja dan masyarakat mengetahui nama jenis buah jeruk karena
sering mengkonsumsi atau mengingat saat ingin membeli [9]. Namun demikian
sebagian besar konsumen tidak dapat membedakan jenis buah jeruk. Seperti yang
kita ketahui, teknologi kini telah berkembang dalam kehidupan manusia, bahkan
dari kalangan atas hingga menengah kebawah sekalipun. Dimana upaya tersebut
merupakan cara atau jalan di dalam mewujudkan kesejahteraan dan peningkatan
harkat martabat manusia. Perkembangan ilmu pengetahuan dan teknologi ternyata
memberikan solusi terhadap permasalahan yang ada di masyarakat. Oleh karena itu
dibutuhkan sebuah teknologi berupa program untuk mengklasifikasi suatu objek
seperti jenis jeruk. Seperti yang kita ketahui, di Indonesia teknologi dalam
mengklasifikasi jenis buah jeruk masih belum ada. Sehingga masyarakat masih
menggunakan metode manual untuk mengklasifikasi jenis jeruk tersebut. Maka,
dengan adanya teknologi dapat memanfaat program tersebut dalam mengklasifikasi
jenis jeruk dengan lebih cepat sehingga tidak memerlukan waktu yang lama dan
mengeluarkan hasil yang akurat.
Program akan mengklasifikasi jenis buah jeruk secara otomatis dan cepat dengan
hasil yang akurat. Dengan bantuan kamera, komputer dan pengolahan citra digital
dengan metode K-Nearest Neighbor (KNN). Fitur warna dan ukuran pixel citra
dipilih karena jenis buah jeruk dapat dilihat dari warna dan ukuran tekstur pada
permukaan buah jeruk. Fitur-fitur citra tersebut kemudian digunakan untuk proses
klasifikasi jenis jeruk menjadi empat kelas. Kelas tersebut yaitu Kelas Medan,
Kelas Ponkam, Kelas Sunkist, dan Kelas Siam. Dengan adanya aplikasi tersebut
diharapkan konsumen maupun produsen dengan mudah mengklasifikasikan jenis
jeruk.

1
1.2. Rumusan Masalah
1. Banyaknya jenis jeruk yang tak diketahui oleh banyak kalangan masyarakat.
2. Belum adanya parameter dalam mengklasifikasi jenis jeruk.
3. Belum adanya program yang otomatis untuk mengklasifikasi jenis jeruk dengan
cepat dan akurat.

1.3. Tujuan Program

Program ini bertujuan untuk mengklasifikasikan jenis buah jeruk secara otomatis
sehingga tidak memerlukan waktu yang lama dan memberikan hasil yang akurat
serta menciptakan teknologi tepat guna untuk mengatasi masalah mitra.

1.4. Luaran Yang Diharapkan

Luaran yang diharapkan dari kegiatan Program Kreativitas Mahasiswa bidang
Teknologi ini adalah:
1. Adanya inovasi pembuatan teknologi klasifikasi jenis buah jeruk untuk
memberikan hasil yang akurat dan tidak memerlukan waktu yang lama.
2. Produk dapat dikomersialisasikan sebagai solusi pengklasifikasian jenis buah jeruk
yang otomatis saat konsumen atau distributor tidak tahu jenis jeruk yang ingin
dibeli atau yang tersedia karena varietas jeruk yang banyak.
3. Terjalinnya kerjasama dengan pihak terkait yaitu Yogya Mart guna terwujudnya
penerapan program ini untuk klasifikasi jenis buah jeruk dalam menempatkan buah
jeruk sesuai dengan jenis jeruknya.

1.5. Kegunaan Program

Program ini diharapkan memiliki kegunaan diantaranya:

Bagi Mahasiswa
1. Program ini diharapkan dapat menjadi upaya bagi mahasiswa untuk
mengembangkan inovasi dan menerapkan ilmu-ilmu yang telah diperoleh dari
bangku perkuliahan.
2. Tumbuhnya kepedulian untuk membangun bangsa melalui sector strategis.

Bagi Mitra
1. Menghemat waktu terhadap klasifikasi jenis buah jeruk.
2. Menjadi pendorong bagi pengembangan teknologi yang spesifik di bidang
pemasaran.

2
 BAB 2. TINJAUAN PUSTAKA

2.1. Algoritma Klasifikasi K-Nearest Neighbor

Proses klasifikasi merupakan salah satu tahapan penting sebelum melakukan
proses pemasaran produk [10]. Proses klasifikasi bertujuan untuk mengidentifikasi
ciri khas, pola, ataupun struktur dalam citra untuk kemudian dikelompokkan dalam
jenis yang lebih spesifik [11]. Salah satu metode klasifikasi yang umum digunakan
adalah Algoritma K-Nearest Neighbor (K-NN). Algoritma K-Nearest Neighbor (K-
NN) merupakan metode klasifikasi dengan melakukan pengelompokan data
berdasarkan jarak data tersebut dengan beberapa data terdekat (tetangga terdekat)
[12]. K-NN memberikan nilai dengan rentang 0 sampai 1 yang mudah diterapkan
dengan menggunakan aturan fuzzy K-NN [13]. Metode ini dilakukan dengan terlebih
dahulu menyimpan semua data latih (training) dalam database. Selanjutnya data
yang akan diuji (testing) dibandingkan dengan data latih (training) yang ada untuk
ditentukan sejumlah K (K merupakan bilangan bulat). Kesimpulan klasifikasi
ditentukan dengan titik apa saja yang paling mendekati dengan data yang diuji.
Pada fase training, algoritma K-NN hanya melakukan penyimpanan vektor-
vektor fitur dan klasifikasi data training. Pada fase klasifikasi, fitur-fitur yang sama
dihitung untuk data testing. Jarak dari vektor yang baru terhadap seluruh vektor data
training dihitung, dan sejumlah K buah yang paling dekat diambil. Titik baru yang
klasifikasinya diprediksikan termasuk pada klasifikasi terbanyak dari titik-titik
tersebut. Nilai K yang digunakan tergantung pada data. Pada umumnya nilai K yang
tinggi akan mengurangi efek noise pada klasifikasi [14].

Tahapan langkah Algoritma K-NN adalah sebagai berikut:

a. Menentukan parameter K (menggunakan bilangan bulat).
b. Menghitung kuadrat jarak Euclidean objek terhadap data training yang diberikan.
c. Mengurutkan hasil kuadrat jarak Euclidean objek terhadap data training secara
ascending (berurutan dari nilai tinggi ke rendah).
d. Mengumpulkan kategori Y (klasifikasi nearest neighbor berdasarkan nilai K).
e. Dengan menggunakan kategori nearest neighbor yang paling mayoritas maka dapat
diprediksikan class atau jenis dari objek tersebut [15].

3
2.2. Akuisisi Gambar
Pada bagian ini dijelaskan bagaimana dan darimana data diambil. Pengumpulan
data primer jeruk didapatkan secara acak dari supermarket. Untuk data sekunder
didapatkan dari jurnal/paper yang menyangkut penelitian pada buah jeruk. Berikut
adalah citra dari empat jenis buah jeruk.

(a) (b)

(c) (d)
Gambar 2.2
Jenis buah jeruk (a). Sunkish (b). Siam (c). Ponkam (d). Medan

Persiapan untuk pengambilan citra sebagai berikut:

a. Diambil dengan Kamera DSLR Canon 1300D.
b. Letak kamera 20 cm dari permukaan buah dengan 90 derajat ke arah bawah.
c. Setting kamera meliputi focal length lensa 58mm dan ISO 6400.
d. Data diambil di luar ruangan pada pukul 15.00 – 17.00 WIB.
e. Buah jeruk diletakan di atas kertas putih HVS.
f. Data meliputi 100 foto buah jeruk yang didapatkan secara acak.

Citra diambil dengan kamera sehingga diperoleh citra digital buah jeruk dalam
format jpg. Untuk data latih dan uji, citra buah jeruk diambil dengan background
putih menggunakan kertas HVS.
Oleh karena itu untuk mengurangi background dilakukan cropping pada
permukaan buah jeruk sehingga didapat citra objek secara penuh dan resize ukuran
pixel citra menjadi lebih kecil dengan aplikasi Photoshop.

4
 Proses cropping dan resize dapat dilihat sebagai berikut.

(a) Citra Asli Jeruk Sunkish (b) Citra Hasil

(a) Citra Asli Jeruk Siam (b)Citra Hasil

(a) Citra Asli Jeruk Ponkam (b) Citra Hasil

(a) Citra Asli Jeruk Medan (b) Citra Hasil

Gambar 2.4 Citra sebelum dan sesudah cropping

2.3. Ekstraksi Fitur

Feature Extraction merupakan proses untuk mendapatkan fitur-fitur yang dapat
membedakan antara citra satu dengan citra lainnya. Feature extraction yang
digunakan yaitu fitur warna dengan channel R, G, dan B pada masing – masing
citra menjadi Grayscale dan fitur berdasarkan ukuran pixel citra. Pada fitur warna
awal proses yang dilakukan adalah konversi RGB ke Grayscale yakni merupakan
proses mengubah citra RGB menjadi abu-abu atau Grayscale. Proses Grayscale
bertujuan untuk menyederhanakan pemrosesan terhadap objek gambar, karena
pada gambar berwarna pada tiap pixel terdapat tiga lapisan warna yaitu Red, Green,
dan Blue sedangkan pada pada gambar keabu-abuan setiap pixel hanya diwakili
oleh satu tingkatan keabuan. Proses Grayscale dapat dilakukan dengan mengambil
nilai rata-rata R, G, dan B.
Nilai-nilai yang diambil dari citra apel tersebut adalah nilai RGB yang terdiri
dari Red, Green, dan Blue. Pengambilan citra ini dilakukan karena diperkirakan
akan memiliki nilai yang berbeda untuk masing-masing kelas mutu apel.
Pengambilan nilai-nilai tersebut dilakukan pada semua piksel citra yang masuk
dalam segmentasi, sehingga hanya didapat nilai dari citra buah saja tanpa citra

5
 background. Setiap piksel tidak lebih dari tinggi citra dan tidak lebih dari lebar
citra. Selain itu, lokasi piksel harus masuk ke dalam area tersegmentasi.
2.4. Gray-scale
Gray-scale adalah proses perubahan citra berwarna menjadi citra berskala
keabuan. Proses ini terjadi dengan merubah tiga kanal warna merah, hijau, dan biru
menjadi satu kanal dengan nilai intensitas 0-255. Citra skala keabuan memberi
warna yang lebih banyak daripada citra biner. Warna yang dipakai adalah antara
warna hitam sebagai warna minimal sampai warna putih sebagai warna maksimal
sehingga warna diantaranya adalah warna abu-abu.

2.5. Leave One Out Cross Validation

Metode Leave One Out Cross Validation merupakan metode turunan dari K-
Fold Cross Validation, dimana K adalah jumlah total dari dataset, dan dataset
tersebut dipecah menjadi K bagian dengan ukuran yang sama. Setiap kali proses
berjalan, satu data berperan sebagai data testing sedangkan bagian lainnya menjadi
data training [16]. Proses tersebut dilakukan sebanyak K kali sehingga setiap data
mempunyai kesempatan menjadi data testing tepat satu kali dan menjadi data
training sebanyak K kali [17]. Kelebihan dari metode ini adalah tidak ada masalah
dalam pembagian data. Kekurangan dari metode ini adalah proses harus dilakukan
sebanyak K kali yang berarti menggunakan K kali waktu komputasi [18].
Agar data yang diperoleh dapat divalidasi, maka seluruh data dibagi menjadi dua
bagian sehingga dari 200 dataset akan dibagi menjadi dua bagian sebesar 50%
untuk data training dan 50%.
Dalam peneltian ini pengujian dilakukan dengan meetode leave one out dan
menggunakan K yang berbeda-beda yaitu K = 1, K = 3, K = 5, K = 7, K = 9.
Proses pengujian dengan metode leave one out menggunakan data uji (1 citra) dan
data latih (199 citra). Kemudian proses ini diulang dengan citra selanjutnya sebagai
data uji. Sehingga, setiap citra memiliki kesempatan sebagai data uji.

6
 BAB 3. METODE PELAKSANAAN

3.1. Tahap Persiapan

Identifikasi masalah penting sebagai dasar pelaksanaan suatu program.
Permasalahan yang kami identifikasi adalah bagaimana mengklasifikasikan jenis
buah jeruk secara otomatis dengan menghemat waktu dan mengeluarkan hasil yang
akurat. Dataset yang digunakan dalam penelitian ini adalah 200 citra dengan 4
kelas, yaitu:
1. Kelas 1 = Jeruk Medan.
2. Kelas 2 = Jeruk Ponkam.
3. Kelas 3 = Jeruk Siam.
4. Kelas 4 = Jeruk Sunkish.
Masing-masing kelas memiliki 50 citra. Seluruh citra dataset yang dimiliki
merupakan citra berwarna.

3.2. Implementasi dan Pengujian

Berikut adalah proses pengumpulan dan penyimpanan dataset:

Gambar 3.2 Flowchart Proses Pengumpulan dan Penyimpanan Dataset

7
 Berdasarkan Gambar 3.2 citra yang sudah diolah akan disimpan dalam folder
sesuai kelas (jenis jeruk). Pengumpulan data citra jeruk medan, siam, ponkam, dan
sunkish dilakukan dengan kamera DSLR dengan jumlah citra sebanyak 50 citra
perjenis jeruk. Citra yang akan diklasifikasi harus melalui tahap berikut ini.

Gambar 3.3 Proses mengubah citra menjadi sebuah vector (matriks)

Setelah proses pengumpulan data citra dilakukan tahap grayscale. Gambar 2.19
merupakan flowchart tahapan grayscale.

Gambar 3.4 Tahapan grayscale

8
 Tahapan grayscale dimulai dari citra jeruk RGB lalu diambil nilai pixel (x,y)
pada RGB kemudian dikonversi menjadi citra grayscale untuk kemudian di resize.
Gambar 3.3 adalah citra yang sudah digrayscale.

Gambar 3.5 hasil citra yang digrayscale

Feature Ekstraction pada program yaitu fitur warna dan fitur berdasarkan
ukuran pixel citra. Feature Ekstraction digunakan untuk membandingkan satu jenis
jeruk dengan jenis lain. Adapun flowchart proses ekstraksi fitur warna dapat dilihat
pada gambar

Gambar 3.6 Flowchart ekstraksi fitur warn

9
Berikut ini adalah proses yang berjalan pada program.

Gambar 3.7 Proses pada program

10
 Pada penelitian ini proses klasifikasi dilakukan dengan metode K-Nearest
Neighbor (KNN). Metode KNN akan mengklasifikasi citra uji ke dalam kelas
dengan jarak terdekat.
Kemudian dilakukan proses pengujian dengan metode leave one out
menggunakan K yang berbeda-beda yaitu K = 1, K = 3, K = 5, K = 7, K = 9. Proses
pengujian bertujuan untuk menguji sistem apakah citra yang diuji sesuai dengan
kelas yang sebenarnya. Proses pengujian menggunakan 199 citra sebagai data latih
dan 1 citra sebagai data uji dengan pengukuran jarak Euclidean secara komputasi.
Berikut ini proses pengujian yang dilakukan pada program.

Gambar 3.8 Proses pengujian

Pada pembuatan aplikasi klasifikasi jenis jeruk menggunakan hardware dan

software sebagai berikut:
1. Hardware
Perangkat keras (hardware) yang digunakan yaitu sebagai berikut.
a. Laptop

Gambar 3.9 Laptop

11
 Berikut ini adalah spesifikasi laptop yang digunakan.
Tabel 1 Spesifikasi laptop
Spesifikasi Nama
Merek Asus ROG
Tipe 753VE
Tipe Grafis Nvidia G Force
GTX
OS Windows 10
CPU Intel Core i7-
7700HQ
Memori/RAM 16 GB
Ukuran Layar 17,3 inchi
Berat (kg) 2,97 kg
Laptop adalah alat bantu atau media yang digunakan untuk membuat
aplikasi, mengolah dataset, membuat laporan, dan lain-lain.

b. Kamera

Gambar 3.10 Kamera

Berikut ini adalah spesifikasi kamera yang digunakan.

Tabel 2. Spesifikasi kamera
Spesifikasi Nama
Merek Canon
Berat (kg) 0,4 kg
Warna Hitam
Tipe EOS 1300D
Ukuran (L x W x H 129.0 x 101.3 x 77.6
mm) mm
Focal Length -18 – 55 mm
ISO Range 100 - 12800

Kamera adalah perangkat yang digunakan untuk mengambil citra

12
2. Software
Aplikasi (software) yang digunakan yaitu sebagai berikut.
a. Matlab

Gambar 3.11 Aplikasi Matlab

Berikut tabel spesifikasi software yang digunakan.

Tabel 3 Spesifikasi Software

Spesifikasi Nama
Nama Matlab
Versi 2016a
Memori/RAM 2 GB
OS Windows 10

Matlab adalah aplikasi yang digunakan dalam pembuatan aplikasi.

b.Word

Gambar 3.12 Aplikasi Word

Berikut tabel spesifikasi software yang digunakan.

Tabel 4 Spesifikasi Software

Spesifikasi Nama
Nama Word
Versi 2016a

Word adalah aplikasi yang digunakan dalam pembuatan laporan.

13
 c. Photoshop

Gambar 3.13 Aplikasi Photoshop

Berikut tabel spesifikasi software yang digunakan.

Tabel 5 Spesifikasi Software

Spesifikasi Nama
Nama Adobe Photoshop CC
Versi 2018

Photoshop adalah aplikasi yang digunakan untuk proses cropping dan resize
citra.

3.3 Evaluasi dan Keberlanjutan

Berdasarkan Exsperimental Setup pada sebelumnya maka diperoleh hasil
pengujian klasifikasi sebagai berikut.
1. Computational Time
Pengujian yang dilakukan pada semua citra memiliki waktu yang berjalan dari
awal pengujian sampai selesai pengujian (Computational Time). Computional
Time program yaitu 83.4235962 detik. Berikut Tabel 6 yaitu hasil computional
Time pada masing-masing pengujian dengan nilai K yang berbeda.
Tabel 6 Hasil Computational Time

Nilai K Computational
Time (detik)
1 81.876229
3 83.209900
5 85.852487
7 82.868289
9 83.311076
Rata-rata 83.4235962

14
 Berikut ini adalah gambar grafik Computational Time yang tertera pada Tabel 6.

Computational Time
90
85
80
75
detik

K=1 K=3 K=5 K=7 K=9

Gambar 3.14 Grafik hasil Computational Time

2. Hasil Pengujian
Pengujian dilakukan 5 kali dengan variasi nilai K. Berikut ini adalah hasil
pengujian yang diperoleh.
a. Pengujian Klasifikasi dengan Nilai K = 1
Hasil klasifikasi dengan nilai K = 1 ditunjukkan pada Tabel 7. Hasil pengujian
dengan K = 1 didapatkan rata-rata akurasi klasifkasi KNN sebesar 97 %.
Tabel 7 Hasil pengujian klasifikasi K = 1

Hasil
Kelas Pengujian Akurasi
Benar Salah
Medan 49 1 98 %
Ponkam 47 3 94 %
Siam 49 1 98 %
Sunkish 50 0 100 %
Total rata-rata 97 %

b. Pengujian Klasifikasi dengan Nilai K = 3

Hasil klasifikasi dengan nilai K = 3 ditunjukkan pada Tabel 8. Hasil pengujian
dengan K = 3 didapatkan rata-rata akurasi klasifkasi KNN sebesar 98 %.
Tabel 8 Hasil pengujian klasifikasi K = 3

Hasil
Kelas Pengujian Akurasi
Benar Salah
Medan 49 1 98 %
Ponkam 47 3 94 %
Siam 50 0 100 %

15
 Sunkish 50 0 100 %
Total rata-rata 98 %

c. Pengujian Klasifikasi dengan Nilai K = 5

Hasil klasifikasi dengan nilai K = 5 ditunjukkan pada Tabel 9. Hasil pengujian
dengan K = 5 didapatkan rata-rata akurasi klasifkasi KNN sebesar 95 %.
Tabel 9 Hasil pengujian klasifikasi K = 5

Kelas Hasil Akurasi

Pengujian
Benar Salah
Medan 48 2 96 %
Ponkam 44 6 88 %
Siam 49 1 98 %
Sunkish 50 0 100 %
Total rata-rata 95 %

d. Pengujian Klasifikasi dengan Nilai K = 7

Hasil klasifikasi dengan nilai K = 7 ditunjukkan pada Tabel 10. Hasil pengujian
dengan K = 7 didapatkan rata-rata akurasi klasifkasi KNN sebesar 94 %.
Tabel 10 Hasil pengujian klasifikasi K = 7

Kelas Hasil Pengujian Akurasi

Benar Salah
Medan 46 4 92 %
Ponkam 44 6 88 %
Siam 49 1 98 %
Sunkish 50 0 100 %
Total 94 %

16
e. Pengujian Klasifikasi dengan Nilai K = 9
Hasil klasifikasi dengan nilai K = 9 ditunjukkan pada Tabel 11. Hasil pengujian
dengan K = 9 didapatkan rata-rata akurasi klasifkasi KNN sebesar 94 %.
Tabel 11 Hasil pengujian klasifikasi K = 9

Kelas Hasil Pengujian Akurasi

Benar Salah
Medan 45 5 90 %
Ponkam 44 6 88 %
Siam 50 0 100 %
Sunkish 50 0 100 %
Total 94 %

3. Akurasi
Berdasarkan Tabel 6 sampai 10 maka diperoleh persentase nilai akurasi
program yaitu 95 %. Pada Tabel 12 dapat dilihat persentase akurasi keberhasilan
program.
Tabel 12 Rata-rata hasil pengujian

Akurasi Keberhasilan
Kelas
k=1 k=3 k=5 k=7 k=9
Medan 98 98 96 92 90
% % % % %
Ponkam 94 94 88 88 88
% % % % %
Siam 98 100 98 98 100
% % % % %
Sunkish 100 100 100 100 100
% % % % %
Rata- 97 98 95 94 94
rata % % % % %
Total
95 %
rata-rata

17
 BAB 4. BIAYA DAN JADWAL KEGIATAN

4.1. Anggaran Biaya

No Jenis Pengeluaran Biaya (Rp)
1 Peralatan Penunjang 7.004.000
2 Bahan Habis Pakai 843.000
3 Transportasi 450.000
4 Lain-lain 350.000
Jumlah Total (Rp) 8.647.000

4.2. Jadwal Kegiatan

Bulan
No Jenis Kegiatan 1 2 3 4 5
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
1 Survey dan
Riset Pasar
2 Perancangan
dan Riset
3 Pengembangan
Perangkat
Lunak
4 Uji Kelayakan
5 Evaluasi
6 Laporan
Kemajuan
7 Laporan Akhir

18
 DAFTAR PUSTAKA

[1] K. Sawitri, “Ensiklopedia Buah-Buahan Lokal Berbasis Potensi Alam Jember

Encyclopedia of Local Fruits Based On Natural Potential Jember,” Jurnal
Biologi dan Pembelajaran Biologi, vol. 2, no. 1, pp. 62, 2017.
[2] Y. Zurriyati, Dahono, “Keragaman Sumber Daya Genetik Tanaman Buah-
buahan Eksotik di Kabupaten Bintan, Provinsi Kepulauan Riau,” Jurnal
Penelitian, vol. 22, no. 1, pp. 12, Juni 2016.
[3] A. Noveria, “Konsumsi Sayur dan Buah di Masyarakat dalam Konteks
Pemenuhan Gizi Seimbang,” Jurnal Kependudukan Indonesia, vol. 3, no. 2,
pp. 100, Maret 2008.
[4] Martasari, H. Mulyanto, “Teknik Identifikasi Varietas Jeruk,” Jurnal Iptek
Holtikura, no. 4, pp. 4, Agustus 2006.
[5] J. Adam Ridjal, “Analisis Faktor Determinan Keikutsertaan Petani
Berkelompok, Pendapatan, dan Pemasaran Jeruk Siam di Kabupaten
Jember,” Jurnal Penelitian, vol. 2, no. 1, pp. 1, Maret 2008.
[6] D. Tobing, E. Sartini, dan L. Siregar, “Identifikasi Karakter Morfologi dalam
Penyusunan Deskripsi Jeruk Siam,” Jurnal Online Agroekoteknologi ISSN
No. 2337-6597, vol. 2, no. 1, pp. 73, Desember 2013.
[7] H. Murtando, N. Sahiri, dan I. Madauna, “Identifikasi Karakter Morfologi
dan Anatomi Tanaman Jeruk Lokal (Citrus Sp) di Desa Karya Agung dan
Karya Abadi Kecamatan Taopa Kabupaten Parigi Moutong,” Jurnal
Agrotekbis ISSN No. 2338-3011, vol. 2, no. 1, pp. 643, Desember 2016.
[8] A. Kurniawan, “Klasifikasi Jenis dan Kematangan Buah Jeruk Berdasarkan
Bentuk, Ukuran, dan Warna Berbasis Pengolahan Citra Digital dengan
Menggunakan Template Matching Secara Realtime,” Karya Ilmiah, no.
111060134, Bandung: Universitas Telkom, 2011.
[9] R. Resita, Juratminingsih, dan Gasim, “Identifikasi Jenis Buah Jeruk
Menggunakan Metode Jaringan Syaraf Tiruan Berdasarkan Tekstur Kulit,”
Skripsi S1, Fakultas Teknik Informatika, STMIK GI MDP, Palembang.
[10] R. T. Sari, “Perbandingan Metode Jaringan Syaraf Tiruan Backpropagation
dan Algoritma Pencocokan dalam Mengidentifikasi Kematangan Tomat
Buah Berdasarkan Ciri Warna RGB,”2013.
[11] Avelita. B, 2013, “Klasifikasi K-Nearest Neighbor”, dari
www.academia.edu:https://www.academia.edu/9131959/A_Klasifikasi_K-
Nearest_Neighbor, Diakses pada tanggal 20 November 2018.
[12] Santoso. B, 2007, “Data Mining Teknik Pemanfaatan Data untuk Keperluan
Bisnis (1 ed).”, Yogyakarta : Graha Ilmu.
[13] Agus. Pratondo, Chee-Kong. Chui, Sim-Heng. Ong, 2016, “Integrating
Machine Learning with Region-Based Active Contour Models in Medical
Image Segmentation”, National University of Singapore.
[14] Yofianto. Evan, 2010, “Buku TA : K-Nearest Neighbor (K-NN)”,
http://kuliahinformatika.wordpress.com/2010/02/13/buku-ta-k-nearest-
neighbor-knn/, Diakses pada tanggal 20 November 2018.

19
[15] Informatikalogi, 2017, “Algoritma K-Nearest Neighbor (K-NN)”,
https://informatikalogi.com/algoritma-k-nn-k-nearest-neighbor/, Diakses
pada tanggal 20 November 2018.
[16] Saprina. Mamase, Joko. Lianto. Buliali, 2015, “Metode Hibrida K-Means dan
Generalized Regression Neural Network Untuk Prediksi Arus Lalu Lintas”,
Teknik Informatika : Institut Teknologi Sepuluh November.
[17] Yuliana. Hermawan, 2012, “Dasar Teori Estimasi Akurasi Classifier Metode
Holdout”.
[18] M. Reza. Faisal, 2013, “Seri Belajar Data Science : Klasifikasi dengan Bahasa
Pemrograman R”.

20
 LAMPIRAN-LAMPIRAN

Lampiran 1. Biodata Ketua, Anggota dan Dosen Pembimbing

Biodata Ketua
A. Identitas Diri
1 Nama Lengkap (dengan gelar) Ayu Qamarani
2 Jenis Kelamin P
3 Program Studi S1 Terapan Teknologi Rekayasa
Multimedia
4 NIM/NIDN 7708164071
5 Tempat dan Tanggal Lahir Cilegon, 24 Juni1999
6 Email ayuqamarani12@gmail.com
7 Nomor Telp/Hp 08956100365673
B. Riwayat Pendidikan
SD SMP SMA
Nama Institusi SDN Grogol Mts Negeri 1 SMA Islam Al-
1 Cilegon Azhar 6
Jurusan - - IPA
Tahun Masuk-Lulus 2005 - 2011 2011 - 2014 2014 - 2016
C. Pemakalah Seminar Ilmiah (Oral Presentation)
No Nama Pertemuan Ilmiah/ Judul Artikel Ilmiah Waktu dan
Seminar Tempat

D. Penghargaan dalam 10 tahun Terakhir (dari pemerintah, asosiasi atau

instansi lainnya)
No Jenis Penghargaan Instansi Pemberi Tahun
Penghargaan

Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan
dapat dipertanggungjawabkan secara hokum. Apabila dikemudian hari ternyata
dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi.
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan hibah PKM-T.
Bandung, 14-Desember-2018
Pembimbing

21
 (Agus Pratondo, S.T., M.T., Ph.D.)

Biodata Anggota 1
A. Identitas Diri
1 Nama Lengkap (dengan gelar) Agriva Ruth Cristina Lingga
2 Jenis Kelamin P
3 Program Studi S1 Terapan Teknologi Rekayasa
Multimedia
4 NIM/NIDN 7708164032
5 Tempat dan Tanggal Lahir Purba Hinalang, 26 Juli 1998
6 Email agrivaruth00@gmail.com
7 Nomor Telp/Hp 081322575447
B. Riwayat Pendidikan
SD SMP SMA
Nama Institusi SDN 091361 SMPN 2 Purba SMAN 5
Purba Simpang Pematangsiantar
Hinalang Haranggaol
Jurusan - - IPA
Tahun Masuk-Lulus 2004 - 2010 2010 - 2013 2013 - 2016
C. Pemakalah Seminar Ilmiah (Oral Presentation)
No Nama Pertemuan Ilmiah/ Judul Artikel Ilmiah Waktu dan
Seminar Tempat

D. Penghargaan dalam 10 tahun Terakhir (dari pemerintah, asosiasi atau

instansi lainnya)
No Jenis Penghargaan Instansi Pemberi Tahun
Penghargaan

Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan
dapat dipertanggungjawabkan secara hokum. Apabila dikemudian hari ternyata
dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi.
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan hibah PKM

22
 Bandung, 14-Desember-2018
Pembimbing

(Agus Pratondo, S.T., M.T., Ph.D.)

Biodata Anggota 2
A. Identitas Diri
1 Nama Lengkap (dengan gelar) Devira Monda Astri Harahap
2 Jenis Kelamin P
3 Program Studi S1 Terapan Teknologi Rekayasa
Multimedia
4 NIM/NIDN 7708164014
5 Tempat dan Tanggal Lahir Medan, 9 Januari 1999
6 Email deviramondastri@gmail.com
7 Nomor Telp/Hp 082167689951
B. Riwayat Pendidikan
SD SMP SMA
Nama Institusi SDN 158466 SMP Swasta SMAN 1
Sibuluan IB Al-Muslimin Matauli Pandan
Pandan
Jurusan - - IPA
Tahun Masuk-Lulus 2004 - 2010 2010 - 2013 2013 - 2016
C. Pemakalah Seminar Ilmiah (Oral Presentation)
No Nama Pertemuan Ilmiah/ Judul Artikel Ilmiah Waktu dan
Seminar Tempat

D. Penghargaan dalam 10 tahun Terakhir (dari pemerintah, asosiasi atau

instansi lainnya)
No Jenis Penghargaan Instansi Pemberi Tahun
Penghargaan

Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan
dapat dipertanggungjawabkan secara hokum. Apabila dikemudian hari ternyata
dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi.

23
 Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan hibah PKM-T.
Bandung, 14-Desember-2018
Pembimbing

(Agus Pratondo, S.T., M.T., Ph.D.)

Biodata Anggota 3
A. Identitas Diri
1 Nama Lengkap (dengan gelar) Ravika Oktaviani
2 Jenis Kelamin P
3 Program Studi S1 Terapan Teknologi Rekayasa
Multimedia
4 NIM/NIDN 7708164050
5 Tempat dan Tanggal Lahir Medan Sinembah, 29 Oktober 1997
6 Email ravikaoktaviani29@gmail.com
7 Nomor Telp/Hp 085358633518
B. Riwayat Pendidikan
SD SMP SMA
Nama Institusi SDN 10234 MTS Swasta SMK Telkom
Medan Nurul Iman Sandhy Putra
Sinembah Tanjung Medan
Morawa
Jurusan - - TKJ
Tahun Masuk-Lulus 2004 - 2010 2010 - 2013 2013 - 2016
C. Pemakalah Seminar Ilmiah (Oral Presentation)
No Nama Pertemuan Ilmiah/ Judul Artikel Ilmiah Waktu dan
Seminar Tempat

D. Penghargaan dalam 10 tahun Terakhir (dari pemerintah, asosiasi atau

instansi lainnya)
No Jenis Penghargaan Instansi Pemberi Tahun
Penghargaan

24
 Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan
dapat dipertanggungjawabkan secara hokum. Apabila dikemudian hari ternyata
dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi.
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan hibah PKM-T.
Bandung, 14-Desember-2018
Pembimbing

(Agus Pratondo, S.T., M.T., Ph.D.)

Biodata Dosen Pembimbing

A. Identitas Diri
1 Nama Lengkap (dengan gelar) Agus Pratondo, S.T., M.T., Ph.D.
2 Jenis Kelamin L
3 Program Studi S1 Terapan Teknologi Rekayasa
Multimedia
4 NIM/NIDN 09770043
5 Tempat dan Tanggal Lahir Th. 1977
6 Email agus@tass.telkomuniversity.ac.id
7 Nomor Telp/Hp +62 – 22- 75 64 500 (kantor)
B. Riwayat Pendidikan
S1 S2 S3
Nama Institusi Insititut Insititut National
Teknologi Teknologi University of
Bandung Bandung Singapore
Bidang Ilmu Teknik Teknologi Electrical and
Informatika Informasi Computer
Engineering
Tahun Masuk-Lulus 1996 – 2001 2006-2008 2012-2016
Judul Skripsi – Tesis Peramalan Model Integrating
- Disertasi Produksi Command Machine
Secara Analitis System dengan Learning with
yang Teknologi Level Set
Disempurnakan Informasi dan Method for
dengan Kaidah Komunikasi Medical Image
Atur Fuzzy pada Segmentation
Pemerintahan
Nama Dr. Rinaldi Prof. Dr. Assoc. Prof.
Pembimbing/Promotr Munir Soehono Harso Ong Sim Heng
Supangkat

25
C. Pemakalah Seminar Ilmiah (Oral Presentation)
No Nama Pertemuan Ilmiah/ Judul Artikel Ilmiah Waktu dan
Seminar Tempat
1. International Conference Medical Image Denpasar, 13
on Electrical and Segmentation using November 2018
Engineering and A Robust Edge Stop
Comptuer Science, 2018 Function

2. AUN/SEED-Net Regional Pancreas Hanoi, 2015

Conference for Computer Segmentation on
and Information Non-Contrast-
Engineering 2015 Enhanced CT Scan
Images

3. The 10th Anniversary Asian Vocal Cord Fukuoka, 2014

Conference, on Computer Segmentation from
Aided Surgery (ACCAS CT Images using
2014), 2014 Machine Learning

4. The 15th International Region Growing for Singapore, 2013

Conference on Biomedical Medical Image
Engineering, 2013 Segmentation Using a
Modified Multiple-
seed Approach on a
Multi-core CPU
Computer

5 The International Visualization of Yogyakarta, 26

Conference on Informatics Searching Algorithm November
and Development 2011 for Programming 2011.
Course

6 The International Seminar of Personalization for Bandung, 23

Information Technology, SMS Broadcast Oktober 2010
2010
D. Penghargaan dalam 10 tahun Terakhir (dari pemerintah, asosiasi atau
instansi lainnya)
No Jenis Penghargaan Instansi Pemberi Tahun
Penghargaan
1 Best Presenter The International Seminar of 2010
Information Technology,
2010

26
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan
dapat dipertanggungjawabkan secara hokum. Apabila dikemudian hari ternyata
dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi.
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan hibah PKM-T.
Bandung, 14-Desember-2018
Pembimbing

(Agus Pratondo, S.T., M.T., Ph.D.)

26
Lampiran 2 Justifikasi Anggaran Kegiatan

1. Peralatan Penunjang
Harga Satuan Jumlah Harga
Material Kuantitas
(Rp) (Rp)
Kamera Canon 1 buah
5,330,000 5,330,000
EOS 1300D
Gorilla Pod 1 buah
42,000 42,000
Flexible
Venus Laser 1 buah
Distance Meter 332,000 332,000
Digital VN-40M
Handphone 1 buah
1,300,000 1,300,000
Android
SUB TOTAL (Rp) 7,004,000

2. Bahan Habis Pakai

Harga Satuan Jumlah Harga
Material Kuantitas
(Rp) (Rp)
Jeruk 50 buah 3,760 188,000
50 buah 7,100 355,000
50 buah 5,250 262,500
50 buah 750 37,500
Kertas HVS A4 1 rim 45,000
70 gsm
SUB TOTAL (Rp) 843,000

3. Perjalanan
Harga Satuan Jumlah Harga
Material Kuantitas
(Rp) (Rp)
Transportasi ke 1 kali 400,000 400,000
tempat
pembelian alat
penunjang
Transportasi ke 1 kali 50,000 50,000
tempat
pencarian buah
jeruk
SUB TOTAL (Rp) 450,000

4. Lain-lain
Harga Satuan Jumlah Harga
Material Kuantitas
(Rp) (Rp)
Pembuatan 1 50,000 50,000
Proposal
Komunikasi 300,000 300,000
SUB TOTAL (Rp) 350,000

28
 5. Jumlah Total
No Jenis Pengeluaran Biaya (Rp)
1 Peralatan Penunjang 7.004.000
2 Bahan Habis Pakai 843.000
3 Transportasi 450.000
4 Lain-lain 350.000
Jumlah Total (Rp) 8.647.000

29
Lampiran 3. Susunan Organisasi Tim Penyusun dan Pembagian Tugas
Alokasi
Program Bidang
No Nama/NIM Waktu Uraian Tugas
Studi Ilmu
(Jam/Minggu)
1 Ayu S1 Terapan S1 Terapan 5 Ketua dan
Qamarani / Teknologi Teknologi Manajer
7708164071 Rekayasa Rekayasa Pengembangan
Multimedia Multimedia
2 Agriva Ruth S1 Terapan S1 Terapan 5 Konsep
Cristina Teknologi Teknologi Program dan
Lingga / Rekayasa Rekayasa Survey
7708164032 Multimedia Multimedia Lapangan
3 Devira S1 Terapan S1 Terapan 5 Sekretaris dan
Monda Astri Teknologi Teknologi Konsep
Harahap / Rekayasa Rekayasa Program
7708164014 Multimedia Multimedia
4 Ravika S1 Terapan S1 Terapan 5 Survey
Oktaviani / Teknologi Teknologi Lapangan dan
7708164050 Rekayasa Rekayasa Lobi Mitra
Multimedia Multimedia

30
 SURAT PERNYATAAN KETUA PENELITI/PELAKSANA

Yang bertanda tangan di bawah ini :

Nama : Ayu Qamarani
NIM : 7708164071
Program studi : S1 Terapan Teknologi Rekayasa Multimedia
Fakultas : Ilmu Terapan

Dengan ini menyatakan bahwa proposal PKM T saya dengan judul Klasifikasi Jenis
Buah Jeruk dengan Metode K-Nearest Neighbor yang diusulkan untuk tahun
anggaran 2019 bersifat original dan belum pernah dibiayai oleh lembaga atau
sumber dana lain.
Bilamana di kemudian hari ditemukan ketidaksesuaian dengan pernyataan ini,
maka saya bersedia dituntut dan diproses sesuai dengan ketentuan yang berlaku dan
mengembalikan seluruh biaya penelitian yang sudah diterima ke kas negara.
Demikian pernyataan ini dibuat dengan sesungguhnya dan dengan sebesar-
besarnya.

Bandung, 14-Desember-2018
Mengetahui,
Wakil Rektor IV Bidang Kemahasiswaan Yang menyatakan,
dan Penelitian

Materai 6000

(Ayu Qamarani)
Dr. Ir. Rina Pudji Astuti, M.T.
NIM. 7701864014
NIP. 93630028

31