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.
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 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:
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 :
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
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
Nilai
Rata-rata indeks euclidean
Jarak
kelas euclidean
MENTAH 95.94404
MENTAH 87.52569
MENTAH 36.52245
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.
2.448776
42.78513
dari kedua data tersebut yang terkecil adalah mentah, maka hasil akhirnya adalah
mentah.
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.