PENERAPAN METODE K-NEAREAST NEIGHBOR

DALAM MENGKLASIFIKASIKAN TINGKAT

KEMATANGAN BUAH PEPAYA BERDASARKAN
BENTUK WARNA BUAH

Danu Wardhana Azhari1, Zulham Sitorus2

Sistem Komputer, Universitas Pembangunan Pancabudi Medan
danuwardhanaazhari69@gmail.com

ABSTRACT
Papaya is a type of nutrient-rich fruit that offers many health benefits. The highest
nutritional content in papaya is vitamin A. Papaya is also a climbing fruit that is
usually harvested and distributed. In an immature state with different degrees of aging.
The high public awareness of the importance of consumption of papaya fruit affects the
increase in demand for papaya fruit and therefore supply. The K-NN algorithm
produces an accuracy rate of 75% and error 25% with 3 attributes, 3 classes and 18
data for classifying. The results of the model carried out are quite good by looking at
the resulting accuracy value, although it is not 100% perfect. The author hopes that
further research will apply the same parameters to avoid missing values in pre-
processing data. It is hoped that further research will be developed by applying this
classification model with other and larger data.
Keywords: papaya, classification, KNN

PENDAHULUAN

Buah pepaya adalah buah yang sangat bergizi dan serbaguna dari vitamin.C dan vitamin
A. 100.gram.mengandung.3,65.mg.vitamin.A.dan.78.mg.vitamin.C. Pepaya dapat
dijadikan sebagai manisan, jus, maupun cemilan. Seluruh tanaman.pepaya sangat
bermanfaat bagi kehidupan manusia. Buah.pepaya.dapat.dimanfaatkan
bahan.pangan.dan.pakan.ternak. Pepaya mengandung banyak.pektin, sehingga Anda
dapat menambahkan gula dan asam sitrat untuk membuat selai, dan Anda bisa
mendapatkan selai yang baik tanpa fluiditas atau kilau.
Semua konsumen buah pepaya tentu ingin memakan buah yang berkualitas. Perbedaan
antara pepaya matang dan mentah yang dilihat dari segi warna, tekstur dan.bentuk.
Secara manual, konsumen dapat mengecek kondisi buah pepaya berdasarkan ciri
khasnya. B. Periksa penampakan berdasarkan warna, menekan cangkang untuk
memeriksa tekstur, periksa apakah bagian dalamnya berjamur, dan periksa rasanya.
Cara yang masih belum modern ini dapat menyimpulkan perbedaan hasil pada tiap-tiap
orang. Penyebab salah ini menyebabkan kesalahpahaman. Karakteristik dan tingkat
ketelitian buah pepaya. Kurangnya pemahaman dan kurangnya penerapan sebuah
informasi yang dapat menganalisa buah pepaya agar dapat diketahui informasinya.
Pepaya adalah jenis buah kaya nutrisi yang menawarkan banyak manfaat
kesehatan. Kandungan nutrisi tertinggi pada pepaya adalah vitamin A. Pepaya juga
merupakan buah pemanjat yang biasanya dipanen dan didistribusikan. Dalam keadaan
belum matang dengan derajat penuaan yang berbeda. Dengan tingginya kesadaran
masyarakat dengan pentingnya konsumsi buah pepaya mempengaruhi peningkatan
permintaan buah pepaya dan oleh karena itu pasokan.
Pepaya juga perlu ditingkatkan. Oleh karena itu, perlu.dilakukan pengembangan
budidaya pepaya dan peningkatan produktivitas. Warna memungkinkan objek dikenali
dan diidentifikasi dengan benar. Ada banyak jenis warna yang dilihat oleh Mata
manusia saat membedakan benda. Anda dapat mengklasifikasikan berbagai jenis warna
ini agar lebih mudah dikenali. Mengidentifikasi item. Misalnya untuk membedakan
tingkat kematangan buah. Umumnya, saat membedakan antar level kematangan pepaya
dapat dengan mudah ditentukan dari warna buahnya. Tapi mata manusia terkadang tidak
akurat tentang apa itu membutuhkan energi karena berbagai faktor seperti usia yang
mengganggu penglihatan manusia lebih banyak perbandingan antara objek, tingkat
kognisi manusia yang berbeda. Dibutuhkan suatu sistem yang dapat mengklasifikasikan
kematangan buah, beserta fakta-fakta yang ada kaki. Seperti diketahui, perkembangan
ilmu pengetahuan sangat pesat, khususnya di bidang kecerdasan buatan. Dengan
menggunakan kecerdasan buatan dalam kaitannya dengan pemrosesan citra digital,
Anda dapat membuat sistem yang dapat melakukan klasifikasi kematangan buah
pepaya.
TINJAUAN PUSTAKA

Pepaya adalah tumbuhan yg dari berdasarkan Amerika Tengah. Pepaya bisa tumbuh
menggunakan baik pada wilayah yg beriklim.tropis. Tanaman.pepaya disebarkan oleh
pedagang Spanyol ke berbagai dunia yang luas ini. Neegara-negara penghasilnya yaitu
Costa Rica, Republik Dominika, Puerto Riko, dan lain-lain. Papaya merupakan tanaman
yang sangat berpotensi di Indonesia. Papaya biasanya tumbuh di daerah tropis termasuk
Indonesia. Ini ditimbulkan lantaran pepaya buahnya yg lunak menggunakan rona merah
atau kuning, cita citarasanya anggun dan menyegarkan dan juga mengandung air.
Tanaman pepaya adalah tumbuhan tahunan sebagai akibatnya butir ini bisa tersedia
setiap hari.

Macam-macam pepaya yg terdapat pada Indonesia adalah:

1. Pepaya.Cibinong, bentuk butir panjang yang memiliki ukuran yang besar,

papaya butir merah yang kuning memiliki cita rasa yang anggun segar dan
memiliki kulit keras.
2. Pepaya.Bangkok, memiliki ukuran yang besar dibandingkan dengan papaya
yang lain, warna pepayanya juga kemerahan dan memiliki rasa yang segar dan
memiliki kulit yang keras.
3. Pepaya.Hawai, memiliki bentuk bulat dan bulat Panjang, memiliki ukuran yang
kecil, dan dapat dimakan sekali saja, papaya ini memiliki warna yang relative
kuning yang memiliki rasa yang segar.
Salah satu kelompok dengan metode K-Nearest Neighbor (KNN) dalam
pencarian.grup.yang.dilakukan.oleh.KNN.pada.objek.data baru atau objek k dalam
pengujian yang paling dekat dengan data pengujian. KNN membantu
mengklasifikasikan objek berdasarkan data pelatihan yang dekat dengan objek yang
diuji. .Pendekatan untuk menemukan perhitungan kasus adalah dengan menyelesaikan
masalah baru dengan masalah sebelumnya dengan cara menyamakan bobot total dari
fitur-fitur yang ada.
Metode pelatihan ini mencakup memori vektor fitur dan pengelompokan
data.dengan data latih. .Perannya dalam pelatihan klasifikasi data belum diketahui.
Berdasarkan jarak antara vektor baru dan vektor pelatihan, ini dihitung dengan mencari
k berikutnya. Untuk melakukan perhitungan menggunakan algoritma knn:
a. Penentuan parameter k dengan jumlah tetangga terdekat.
b. Perhitungan jarak Euclidean.ke objek data apa pun.
c. Urutkan objek ke dalam kelompok dengan jarak terpendek
d. Kategori Y
e. Kategori "tetangga terdekat" yang digunakan dalam kutipan lebih
diutamakan daripada nilai instans kueri yang telah dihitung sebelumnya.

Model jarak merupakan Teknik yang digunakan untuk mengukur kesamaan data.
Model pengukur jarak dengan menggunakan model ini memiliki beberapa keunggulan,
seperti sangat efektif dalam mendeteksi outlier pada data yang terdapat pada metode
Manhattan, namun proses pencarian jarak linier terdekat antara dua tanggal adalah
Euclid. Menafsirkan korespondensi antara model tanggal (Pandit, 2011). Algoritma ini
didasarkan pada model jarak ukuran, karena model jarak tradisional sangat sensitif
terhadap kesamaan yang ditentukan karena model jarak tradisional memiliki nilai atribut
yang sangat besar dan mencakup fungsionalitas atribut lainnya. Model jarak ini tidak
memiliki perbedaan data dengan model lainnya. Khusus untuk data sampe yang
termasuk besar yang ditampilkan dalam model. (Jo, 2017).

METODE PENELITIAN

Pada bagian ini menjelaskan tentang alur penelitian yang dilakukan oleh penulis dalam
melakukan penelitian dengan melakukan metode model jarak. Adapun diagram yang
digunakan adalah sebagai berikut:
 Gambar 1. Diagram Penelitian
HASIL PENELITIAN DAN DISKUSI

Hasil Penelitian
Pengolahan gambar digital dalam sistem rona Red green Blue (RGB), Indeks rona
merah (r) bisa membedakan taraf kematangan pepaya belia menggunakan pepaya tua &
pepaya matang. Sebagaimana nilai “r” bisa dijadikan faktor pembeda buat memisahkan
papaya matang menggunakan pepaya tua & mengkal, jadi pada sistem pemutuan butir
papaya galat satu variabel akan dipakai buat pengelompokkan papaya merupakan nilai
“r” berdasarkan butir papaya. Warna merah butir pepaya matang lebih tinggi
berdasarkan rona merah butir pepaya tua & mengkal, hal ini terlihat berdasarkan
sebaran data nilai “r” pepaya matang lebih tinggi berdasarkan pepaya tua & mengkal,
hal ini ditimbulkan pepaya matang mempunyai rona merah yg lebih kentara & terlihat
secara visual apabila dibandingkan menggunakan pepaya tua & mengkal. Perubahan
rona kulit butir adalah galat satu parameter pada memilih taraf kematangan butir
pepaya. Pantastico (1989) menyatakan bahwa selama penyimpanan butir pepaya
mengalami perubahan rona kulit butir berdasarkan hijau sebagai kuning atau jingga. Hal
ini di-sebabkan sang penurunan klorofil & terbentuknya karotenoid pada jaringan butir.
Winarno & Aman (1981) menyatakan bahwa karotenoid yg masih ada pada butir atau
sayuran terdiri atas karoten, xantofil, & likopen.
Adapun gambar dari papaya yang diteliti adalah sebagai berikut:

Gambar 1 Pepaya Matang

 Gambar 2 Pepaya Setengah matang

Gambar 2 Pepaya Muda (Mentah)

Gambar tersebut akan digunakan pada program pengolahan cita menggunakan Matlab
berikut:
Diskusi

Hasil penelitian yang telah dilakukan menemukan bahwa proses-proses yang telah diuji
dan dilakukan oleh penulis, dan juga proses pembagian data latih dan data uji. Sehingga
kemudian melakukan proses klasifikasi dengan mencari nilai akurasi dari metode K-NN.
Dalam penelitian ini, dengan mengusulkan proses dan metode yang tepat, 18 gambar
yang terdiri dari 6 gambar pepaya muda,6 gambar pepaya setengah matang, dan 6
gambar pepaya matang, saya menggunakan dataset pepaya RGB. Menurut penulis,
proses dan metode yang sesuai adalah akuisisi citra, langkah pra-pemrosesan dengan
operasi konversi saluran merah, hijau, dan biru, dilanjutkan dengan langkah klasifikasi
dengan K-NN. Adapun nilai parameter dari data papaya adalah sebagai berikut:

Tabel 1. Nilai Parameter

RED GREEN BLUE INDEX

147.7827 100.5295 76.47612 MATANG
139.6596 107.8624 89.83675 MATANG
115.304 97.12029 84.10513 MATANG
132.9429 106.0956 92.14438 MATANG
137.3558 108.2427 92.99414 MATANG
144.0407 112.8592 85.78538 MATANG
SETENGAH
123.4093 114.9122 108.3776
MATANG
SETENGAH
124.535 122.0282 103.6298
MATANG
SETENGAH
116.1131 125.8058 124.7874
MATANG
SETENGAH
129.6098 119.0707 95.39781
MATANG
SETENGAH
100.3567 104.5395 94.36299
MATANG
SETENGAH
111.0335 105.6548 90.51869
MATANG
113.1588 124.484 126.4435 MATANG
112.121 123.8265 128.0006 MATANG
81.05945 93.61598 96.72568 MENTAH
76.76794 91.45825 91.2796 MENTAH
84.82161 99.44365 93.40499 MENTAH
 83.13925 97.44784 87.95441 MENTAH

KNN berfungsi sebagai metode klasifikasi kepada objek data pembelajaran yang
memiliki jarak terdekat dengan objek yang di uji. KNN merupakan pendekatan dalam
pencarian kasus dalam perhitungan pendekatan antara masalah baru dengan masalah
yang lama dalam mencocokkan pembobotan pada jumlah fitur yang tersedia. Pada
perhitungan jarak antara kedua titik pada data latih dengan data uji digunakan rumus
Euclidean, yang dapat dilihat pada persamaan berikut.

( ) √ ∑( )

D adalah jarak pada titik dengan data latih x dan titik data uji y yang dilakukan proses
pengklasifikasian, yang mana X.=.X1,.X2,.X3,.....,.Xi. dan Y= Y1,Y2,Y3,....Yidan n
merupakan dimensi atribut.
Berikut ini merupakan tabel data sampel dari model klasifikasi KNN dari data sampel.
Maka langkah penyelesaian sebagai berikut:
1. Tentukan parameter K=Jumlah banyak-nya tetangga terdekat, Nilai K=3
(sebanyak 3 tetangga terdekat) dan Nilai K=7
2. Hitung jarak antara data uji dan semua data yang ada di data latih. Perhitungan
jarak yang digunakan adalah Square Distance dari jarak antara data uji dengan
semua data yang ada di data latih.
3. Urutkan jarak tersebut dan tentukan tetangga mana yang terdekat berdasarkan
jarak minimum ke-K.
4. Tentukan kategori dari tetangga terdekat.
5. Gunakan kategori mayoritas yang sederhana dari tetangga yang terdekat tersebut
sebagai nilai prediksidari data yang baru.
6. Dilanjutkan pada data berikutnya.
Adapun perhitungannya sebagai berikut :

Tabel 2. Nilai jarak

Rata-rata
RED GREEN BLUE Nilai.Jarak (Square.Dist.)
indeks

(147.7827423-83.13924781)2+(100.5295364-97.44784403)2+(76.47611625-
MATANG 147.782742 100.5295364 76.4761163
87.95440739) 2=4320.02937523658
(139.6595529-83.13924781) 2+(107.8623802-97.44784403) 2+(89.83674714-
MATANG 139.659553 107.8623802 89.8367471
87.95440739) 2=3306.55065403735
(115.3040313-83.13924781) 2+(97.12029302-97.44784403) 2+(84.1051266-
MATANG 115.304031 97.12029302 84.1051266
87.95440739) 2=1049.49754922299
(132.9428842-83.13924781) 2+(106.0956357-97.44784403) 2+(92.14437874-
MATANG 132.942884 106.0956357 92.1443787
87.95440739) 2=2572.74235834888
(137.3558255-83.13924781) 2+(108.2426793-97.44784403) 2+(92.99414345-
MATANG 137.355826 108.2426793 92.9941435
87.95440739) 2=3081.36470447671
(144.0407018-83.13924781) 2+(112.8592439-97.44784403) 2+(85.78538438-
MATANG 144.040702 112.8592439 85.7853844
87.95440739) 2=3951.20300486703
SETENGAH (123.4093225-83.13924781) 2+(114.9122041-97.44784403) 2+(108.3775763-
123.409323 114.9122041 108.377576
MATANG 87.95440739) 2=2343.78861651918
SETENGAH (124.5350214-83.13924781) 2+(122.0281941-97.44784403) 2+(103.6298212-
124.535021 122.0281941 103.629821
MATANG 87.95440739) 2=2563.52227879303
SETENGAH (116.113081-83.13924781) 2+(125.8057946-97.44784403) 2+(124.7874429-
116.113081 125.8057946 124.787443
MATANG 87.95440739) 2=3248.11954065343
SETENGAH (129.6097833-83.13924781) 2+(119.070691-97.44784403) 2+(95.3978078-
129.609783 119.070691 95.3978078
MATANG 87.95440739) 2=2682.46238947898
SETENGAH (100.356733-83.13924781) 2+(104.5394653-97.44784403) 2+(94.36299471-
100.356733 104.5394653 94.3629947
MATANG 87.95440739) 2=387.802879943051
SETENGAH (111.0335306-83.13924781) 2+(105.6547954-97.44784403) 2+(90.51869448-
111.033531 105.6547954 90.5186945
MATANG 87.95440739) 2=852.020631437976
(113.1587944-83.13924781) 2+(124.483975-97.44784403) 2+(126.4434504-
MATANG 113.158794 124.483975 126.44345
87.95440739) 2=3113.5319871218
(112.1210231-83.13924781) 2+(123.8264695-97.44784403) 2+(128.0006396-
MATANG 112.121023 123.8264695 128.00064
87.95440739) 2=3139.47589486383
(81.05944612-83.13924781) 2+(93.61597553-97.44784403) 2+(96.72568152-
MENTAH 81.0594461 93.61597553 96.7256815
87.95440739) 2=95.9440411346262
(76.76794136-83.13924781) 2+(91.45824938-97.44784403) 2+(91.27959846-
MENTAH 76.7679414 91.45824938 91.2795985
87.95440739) 2=87.5256856031281
(84.82160795-83.13924781) 2+(99.44365268-97.44784403) 2+(93.40499147-
MENTAH 84.821608 99.44365268 93.4049915
87.95440739) 2=36.5224546212251
(83.13924781-83.13924781) 2+(97.44784403-97.44784403) 2+(87.95440739-
MENTAH 83.1392478 97.44784403 87.9544074
87.95440739) 2=0

Berikut merupakan rumus dari nilai Jarak Euclidean dari data papaya:
 Tabel 3. Nilai Jarak Euclidean

Nilai Jarak euclidean

4320.029 65.72693
3306.551 57.50261
1049.498 32.39595
2572.742 50.72221
3081.365 55.51004
3951.203 62.8586
2343.789 48.41269
2563.522 50.63124
3248.12 56.99228
2682.462 51.79249
387.8029 19.69271
852.0206 29.18939
3113.532 55.79903
3139.476 56.03103
95.94404 9.795103
87.52569 9.355516
36.52245 6.043381
0 0

Adapun urutan dari hasil Euclidean distance adalah:

Tabel 4. Urutan Data

Nilai
Rata-rata indeks euclidean
Jarak

MENTAH 95.94404 9.795103

MENTAH 87.52569 9.355516
MENTAH 36.52245 6.043381
MENTAH 0 0
SETENGAH 2343.789 48.41269
 MATANG
SETENGAH
2563.522 50.63124
MATANG
SETENGAH
3248.12 56.99228
MATANG
SETENGAH
2682.462 51.79249
MATANG
SETENGAH
387.8029 19.69271
MATANG
SETENGAH
852.0206 29.18939
MATANG
MATANG 4320.029 65.72693
MATANG 3306.551 57.50261
MATANG 1049.498 32.39595
MATANG 2572.742 50.72221
MATANG 3081.365 55.51004
MATANG 3951.203 62.8586
MATANG 3113.532 55.79903
MATANG 3139.476 56.03103

Berdasarkan dari hasil penelitian dari nilai K= 3 adalah sebagai berikut:

Tabel 5. Euclidean K=3

kelas euclidean

MENTAH 95.94404
MENTAH 87.52569
MENTAH 36.52245

Maka hasil dari nilai K=3 adalah mentah

Kemudian hasil penelitian dari nilai K= 9 adalah sebagai berikut:

Tabel 6. Euclidean K=9

Kelas Euclidean

MENTAH 95.94404
MENTAH 87.52569
MENTAH 36.52245
MENTAH 0
SETENGAH
2343.789
MATANG
SETENGAH
2563.522
MATANG
SETENGAH 3248.12
 MATANG
SETENGAH
2682.462
MATANG
SETENGAH
387.8029
MATANG

Nilai target Mentah sebanyak 4 dan 5 mengkal (setengah matang). maka data uji
tersebut dinyatakan sebagai Buah Pepaya Mengkal.

Maka perhitungan rata-rata data mentah dan mengkal adalah

Sehingga, rata-rata mentah yaitu:

2.448776

Kemudian rata-rata mengkal yaitu:

42.78513

dari kedua data tersebut yang terkecil adalah mentah, maka hasil akhirnya adalah
mentah.

Klasifikasi yang sangat akurat dengan akurasi 100%.Adapun perhitungan dalam

confusion matrix adalah sebagai berikut:

Akurasi = = = .0.75*.100% =.75%

Classification_erro = = = 0.25*100% = 25%

KESIMPULAN

Algoritma K-NN menghasilkan tingkat akurasi sebesar 75% dengan atribut yang
dihasilkan dengan jumlah atribut sebanyak 3, kelas sebanyak 3 dan data sebanyak 18
dalam melakukan klasifikasi. Hasil model yang dilakukan cukup baik dengan melihat
dari nilai akurasi yang dihasilkan meskipun tidak 100% sempurna. Penulis berharap
agar penelitian selanjutnya untuk menerapkan parameter yang sama untuk terhindar dari
missing value dalam melakukan pre-processing data. Diharapkan selanjutnya penelitian
dikembangkan dengan menerapkan model klasifikasi ini dengan data yang lain dan
lebih besar.

REFERENSI

[1]. Darmawati, E., Sutrisno, K., & Tawakal, M. I. (2018). Perlakuan Pematangan
Buatan pada Pepaya (Carica papaya L.) Varietas IPB 9 untuk Perbaikan Sistem
Distribusi. Jurnal Ilmu Pertanian Indonesia, 23(2), 101-111.
[2]. Gou,J., .Yi.Z., .Du.L.&Xiong,T. .2012. .A.Local.Mean-Based.k-Nearest.Centroid
Neighbor.Classifier. .The.Computer.Journal.55(6):pp.1058-1071. .
[3]. Nur Anisah. 2019. Analisis.Algoritma.Support.Vector.Machine.Learning.Dan.K-
Nearest.Neighbor.Dalam.Akurasi.Data. .Universitas.Sumatera.Utara.
[4]. Tan, P., Steinbach, M., & Kumar, V. 2006. Introduction to Data Mining. Boston:
Pearson Education.
[5]. Warisno (2003), Budi Daya Pepaya, Kanisius, Yogyakarta.