IMPLEMENTASI METODE K-NEAREST NEIGHBOR UNTUK

MEMBEDAKAN PROSES KEMATANGAN PEPAYA

SKRIPSI

Oleh :

RAHMAT HIDAYAT
2018020084

PRODI TEKNIK INFORMATIKA

KONSENTRASI WEB
FAKULTAS ILMU KOMPUTER
UNIVERSITAS HANDAYANI MAKASSAR
2022
 IMPLEMENTASI METODE K-NEAREST NEIGHBOR UNTUK

MEMBEDAKAN PROSES KEMATANGAN PEPAYA

SKRIPSI

Diajukan sebagai salah satu syarat untuk mencapai gelar Sarjana Komputer

Prodi Teknik Informatika

Disusun dan diajukan Oleh :

RAHMAT HIDAYAT
2018020084

PRODI TEKNIK INFORMATIKA

KONSETRASI WEB

FAKULTAS ILMU KOMPUTER

UNIVERSITAS HANDAYANI MAKASSAR

2022
 BAB I

PENDAHULUAN

A. Latar Belakang

Buah pepaya merupakan tanaman herba dari family Carecacae yang

berasal dari Amerika Tengah dan Hindia Barat bahkan kawasan sekitar

daerah tropis maupun sub tropis. Yang telah lama dipuja oleh orang

Amerika Latin. Sepanyol dan Portugis membawa penjelajah pepaya

kebanyak negeri subtropis termaksud India, Philipin, dan Afrika.

Indonesia merupakan salah satu negara penghasil buah-buahan tropis,

seperti pisang, nanas, pepaya, dan manga terbesar di ASEAN. Pepaya

merupakan salah satu buah tropis yang mempunyai nilai ekonomi tinggi,

sumber gizi, dan dapat tumbuh setiap musim dan banyak tumbuh di

daerah-daerah indonesia. (Al Rivan et al., 2021)

Pepaya cukup banyak dibudidayakan di daerah-daerah indonesia

salah satunya sulawesi selatan, data yang diperoleh dari badan pusat

statisik produksi. Tanaman buah-buahan pada tahun 2018, dari 34 provinsi

yang memproduksi buah pepaya daerah sulawesi selatan berada pada

urutan ke 7 dengan jumlah 37.669ton pada tahun 2018. Sedangkan pada

tahun 2020 jumlah produksi menurun 25.033ton saja dan menempati

urutan ke 8. Provinsi yang memproduksi pepaya terbanyak adalah jawa

timur dengan jumlah 262.160ton dan pada tahun 2020 meningkat dengan

jumlah 268.375ton produksi. Total produksi nasional indonesia pada tahun

1
2018 yaitu 887.591ton dan angka ini meningkat pada tahun 2020 menjadi

1.016,388 ton. (Badan Pusat Statistik, n.d.)

Tingkat kematangan buah pepaya pada umumnya ditentukan oleh

perubahan warna pada ujung buah, warna merupakan indikator utama

yang digunakan dalam menentukan kematangan buah. Oleh karena itu

perubahan warna kulit selama proses kematangan menjadi indikator yang

sangat penting. Konsumen buah pepaya pasti menginginkan buah yang

berkualitas dan layak dikonsumsi, untuk mengetahui proses kematangan

pepaya dapat dilihat dari warna kulit buah tersebut perlahan akan berubah

dari hijau menjadi kuning matang. (Wardani, 2020)

Beberapa petani juga mempercepat kematangan buah, menggunakan

senyawa kimia. Banyak cara yang bisa dilakukan untuk melakukakn

pematangan buah, diantaranya adalah pematangan tradisional,

pengemposan, pematangan dengan karbit, pematangan dengan gas etilen,

pematangan dengan ethrel atau ethepon, dan menggunakan daun gamal.

Cara pematangan yang banyak dilakukakan yaitu dengan

menggunakan Calsium Carbida, adalah senyawa kimia (CaC2) yang

merupakan bahan penghasil gas karbit atau esetilen yang dapat memacu

kematangan buah. Cara pematangan dengan menggunakan karbit

cenderung lebih cepat dibandingkan dengan bahan lainnya, karbit biasa

digunakan oleh perbengkelan dalam proses las. Cara pematangan

menggunakan Calsium Carbida (CaC2), ini dapat membuat buah matang

2
dengan sempurna dan waktu pematangan antara 2-3 hari. (Dwi Nur Aini,

2019)

Buah yang dipaksa masak dengan zat kimia Calsium Carbida

(CaC2) tidak hanya akan mempengaruhi kualitas, tetapi juga

mempengaruhi rasa dan nilai gizi dan juga akan menurunkan kualitas

buah, buah yang di kabit biasanya memiliki tekstur buah yang belum

matang dan aroma buah tercium bau kimia, biasanya buah akan lebih

cepat membusuk.

Permasalahan yang sering terjadi adalah masih banyaknya

masyarakat yang kurang paham tentang buah pepaya yang matang secara

alami dan matang menggunakan karbit, dan masih ada yang menggunakan

sistem manual dalam membedakan buah papaya. Sistem manual yang

penulis maksud yaitu dengan cara menerka-nerka atau melihat dengan

mata, cara tersebut menghasilkan kesimpulan yang berbeda-beda pada

setiap orang dan kurang efisien.

Untuk mengatasi permasalahan tersebut, pada penelitian ini penulis

mencoba untuk membuat suatu sistem pengolahan citra digital berbasis

mobile, yang nantinya diharapkan dapat berguna sebagai media yang dapat

membantu masyarakat yang kurang paham dalam membedakan proses

kematangan papaya secara alami dan menggunakan karbit. Sistem ini

nantinya akan mendeteksi melalui warna kulit buah pepaya. Penulis juga

akan menerapkan sebuah fitur RGB untuk sistem pendeteksi kematangan

3
buah pepaya ini dengan menggunakan metode K-Nearest Neighbour

(KNN) untuk mengklasifikasikan.

Penelitian yang di lakukan oleh (Alfian Firlansyah et al., 2021)

dengan judul penilitian “Klasifikasi Tingkat Kematangan Buah Pepaya

Berdasarkan Fitur Warna Menggunakan Jaringan Syaraf Tiruan”. Tujuan

dari penelitian ini adalah terciptanya pengembangan teknologi budidaya

pepaya dan peningkatan produktivitas dengan menggunakan sistem

kecerdasan buatan yang disandingkan dengan pengolahan citra digital agar

memudahkan para pekebun dalam mengklasifikasi tingkat kematangan

pada buah pepaya.

Penelitian terkait selanjutnya dilakukan oleh (Paramita et al., 2019).

Yang berjudul “Klasifikasi Jeruk Nipis Terhadap Tingkat Kematangan

Buah Berdasarkan Fitur Warna Menggunakan K-Nearest Neighbor

(KNN)”. Dengan hasil ekstraksi fitur mean RGB dapat diterapkan untuk

mengklasifikasi jeruk nipis dari tingkat kematangannya berdasarkan fitur

warna. Dari 25 data citra uji, akurasi terbaik sebesar 92% saat

menggunakan euclidean distance adalah dengan nilai k=7 dan k=3.

Sedangkan cityblock distance dengan akurasi 88% dengan nilai k=3 dan

k=1.

Penelitian yang dilakukan oleh (Ari Wirasaputra, Mursalim, 2017).

Dengan judul “Pengaruh Penggunaan Zat Etefon Terhadap Sifat Fisik

Pisang Kepok (Musa Paradisiaca L)”. Dari hasil penelitian, pengaruh

penggunaan zat etefon terhadap sifat fisik pisang kepok diperoleh

4
 kesimpulan, nilai yang dihasilkan tidak berbeda jauh antara tanpa

pemberian zat etefon dan tiap perlakuan konsentrasi. Adapun nilai L*

terbaik pada konsentrasi 30 ml, a* terbaik pada konsentrasi 15ml, b*

terbaik konsentrasi 30ml. Konsentrasi zat etefon 30 ml menghasilkan

proses pematangan buah pisang yang lebih cepat dari pada konsentrasi

lainnya.

Dalam membedakan proses kematangan pepaya ini maka penulis

akan mengklasifikasikan mana pepaya yang matang secara alami dengan

matang karbit melalui warna kulit pada buah pepaya, yang nantinya dapat

membantu konsumen dalam memilih pepaya layak untuk di konsumsi.

Berdasarkan latar belakang diatas maka penulis mengangkat judul

“Implementasi Metode K-Nearest Neighbor (KNN) Untuk

Membedakan Proses Kematangan Pepaya”.

B. Batasan Masalah

Batasan permasalahan dalam penyusunan proposal sebagai berikut :

1. Objek yang akan di tiliti adalah buah papaya.

2. Citra yang akan di ambil adalah warna kulit buah.

3. Membedakan proses kematangan pepaya alami dan karbit

menggunkan citra.

4. Metode yang digunakan yaitu K-Nearest Neighbor.

C. Rumusan Masalah

Berdasarkan latar belakang di atas maka dapat dirumuskan sebagai

berikut:

5
 1. Bagaimana membuat suatu sistem pengolahan citra digital yang dapat

membantu dalam membedakan proses kematangan yang secara alami

dengan matang karbit ?

2. Dalam pembuatan pengolahan citra digital ini mengunakan algoritma

K-Nearest Neighbor ?

D. Tujuan Penilitian

Tujuan dalam penilitian ini sebagia berikut :

1. Mengimplementasikan pengolahan citra digital dalam membedakan

proses kematangan pepaya secara alami dan karbit

2. Mengimplementasikan Algoritma K-Nearest Neighbor dalam aplikasi

citra digital.

E. Manfaat Penilitian

Manfaat yang akan dicapai pada penilitian ini adalah :

1. Dapat membantu masyarakat dalam membedakan mana pepaya yang

matang secara alami dan matang karbit untuk di konsumsi dengan

menggunakan aplikasi pengolahan citra digital.

2. Mampu digunakan sebagai aplikasi yang dapat membantu mengetahui

mana pepaya yang matang secara alami dan karbit, untuk layak di

konsumsi.

F. Penegasan Konsep

Dalam penegasan konsep ini penulis menghindari adanya salah

penafsiran atau pengertian, yang dapat membantu pembaca apa yang tidak

6
dimengerti pada penilitian ini. Maka dari itu penulis memberikan beberapa

penegasan dalam proposal ini yaitu :

1. Pengolahan Citra

Perkembangan teknologi tentunya dapat dikembangkan untuk

membantu melakukan penentuan kualitas suatu objek berdasarkan

karakteristik yang dimiliki oleh objek tersebut. Pengolahan citra

digital dapat digunakan untuk menganalisis ciri atau fitur yang

terdapat pada citra. Fitur-fitur yang dapat dianalisis adalah warna,

ukuran, dan defect area. (Al Rivan et al., 2021)

Secara harfiah, citra (image) adalah gambar pada bidang dua

dimensi. Ditinjau dari sudut pandang matematis, citra merupakan

fungsi continue dari intensitas cahaya pada bidang dua dimensi.

(Syakri et al., 2018)

2. K-Nearest Neighboor (KNN)

K-Nearest Neighbor. Merupakan sebuah metode untuk

melakukan klasifikasi terhadap objek atau data berdasarkan data

pembelajaran yang diambil dari k tetangga terdekat. Dengan K

merupakan banyaknya tetangga terdekat, metode atau algoritma

KNN ini menggunakan klasifikasi ketetanggan sebagai nilai

7
 prediksi dari sampel uji. Perhitungan jarak dekat dan jauh tetangga

ditentukan berdasarkan rumus jarak euclidean. Penggunaan rumus

jarak euclidean merupakan rumus paling umum untuk dipakai,

dibanding dengan rumus jarak lainnya seperti city-block, kotak

catur (chebychef), minkowski, canbera, dan lainnya. (Aminudin,

2019)

G. Sistematika Penulisan

Sistematika merupakan gambaran dari ringkasan dan penjelasan

setiap bab yang dapat dijelaskan sebagai berikut :

1. BAB I PENDAHULUAN

Pada bab ini berisi tentang latar belakang masalah, rumusan

masalah, batasan masalah, tujuan penelitan, manfaat penelitian, dan

penegasan konsep.

2. BAB II TINJAUN PUSTAKA

Pada bab ini menjelaskan teori yang terkait pada penilitian ini

serta kerangka berpikir.

3. BAB III METODE PENELITIAN

Dalam bab ini menjelaskan gambaran sistem yang akan dibuat,

analisa kebutuhan, teknik dan sumber pengumpulan data, lokasi,

waktu penilitian, gambaran umum pada sistem.

4. BAB IV PERANCANGAN DAN IMPLEMENTASI

8
 Pada bab empat ini menjelasakan tentang perancangan dan

implementasi sistem, pemodelan sistem yang diusulkan, perancangan

database, perancangan antar muka, serta hasil penelitian dan pengujian

sistem.

5. BAB V PENUTUP

Bab lima ini merupakan bab terakhir yang berisikan kesimpulan,

saran, daftar pustaka serta lampiran yang diperoleh dari seluruh

penelitian.

9
 BAB II
TINJAUN PUSTAKA

A. Landasan Teori

1. Pepaya

Indonesia merupakan salah satu negara penghasil buah-buahan

tropis, seperti pisang, nanas, pepaya, dan mangga terbesar di ASEAN.

Pepaya merupakan salah satu buah tropis yang mempunyai nilai ekonomi

tinggi, sumber gizi, dan dapat tumbuh di setiap musim, rasa manis pada

daging buah pepaya dipengaruhi oleh kadar sukrosa. Daging buah yang

manis menunjukkan kadar sukrosa yang tinggi dan rasa daging buah yang

kurang manis menunjukkan kadar sukrosa yang rendah. Penentuan

kualitas dari pepaya masih dilakukan secara konvensional menggunakan

visual mata manusia yang memiliki keterbatasan karena persepsi setiap

manusia yang berbeda dan tidak konsistennya dalam menentukan

kematangan buah karena mengalami kelelahan. (Al Rivan et al., 2021)

Pepaya banyak ditanam di daerah tropis maupun sub tropis baik itu

daerah basah dan kering atau di daerah dataran dan pegunungan (sampai

1000m dpl). Tanaman pepaya dapat dipanen setelah berumur 9-12 bulan,

buah pepaya dipetik harus pada waktu buah itu memberikan tanda-tanda

kematangan warna kulit buah mulai menguning. Tetapi masih banyak

petani yang memetiknya pada waktu buah belum terlalu matang. (Syakri et

al., 2018)

10
2. Karakteristik Pepaya

Pepaya merupakan tanaman serbaguna yang buahnya dapat

dimanfaatkan sebagai ‘buah meja’ yang bermutu dan bergizi tinggi. Buah

pepaya banyak dikonsumsi masyarakat karena dalam 100g buah pepaya

matang mengandung vitamin A (1,094 – 18,250 SI), vitamin C (62 – 72

mg), dan kadar serat 1,8 g. Ada berbagai macam jenis buah pepaya yang

tumbuh di indonesia, salah satu varietas buah pepaya yang saat ini

digemari oleh semua kalangan masyarakat yaitu buah pepaya California.

Buah pepaya California merupakan hasil pemuliaan yang dilakukan oleh

Pusat Kajian Buah Tropika (PKBT)-IPB, pepaya California merupakan

jenis pepaya yang memiliki keunggulan antara lain, buahnya tidak terlalu

besar, berkulit tebal, halus dan mengkilat, berbentuk lonjong, buah

matangnya berwarna kuning, rasanya manis dan daging buahnya kenyal.

(Usmayani et al., 2015)

Tanaman pepaya dapat dipanen setelah berumur 9-12 bulan. Bauh di

panen berdasarkan perkiraan persentase warna kuning pada kulit buah, di

panen pada tiga stadia, yaitu pada saat warna kuning pada kulit buah 25-

49% (stadia 1), 50-74% (stadia 2) dan di atas 75% (stadia 3). Buah yang di

panen berdasarkan persentase warna kuning pada kulit menjadi acuan

penentuan saat panen berdasarkan umur buah. (Suketi et al., 2010)

3. Umur Simpan

Umur simpan merupakan parameter utama untuk mengetahui daya

simpan dan mutu buah pepaya yang sampai ke tangan konsumen. Umur

11
simpan diamati mulai dari 0 hari setelah panen (HSP) hingga warna kulit

buah pepaya mencapai skala warna 6 atau 7.

Gambar 2.1 (Skala Perubahan Warna Kulit Pepaya)

Sumber : (M. Luthfan Taris, Winarso Drajad Widodo, 2015)

Semakin tua umur petik, semakin cepat mencapai kematangan

pascapanen sehingga masa simpan, faktor suhu juga mempengaruhi

kondisi pepaya saat dipanen suhu mempengaruhi metabolisme dan

penyerapan nutrisi mineral oleh tanaman karena tingkat transpirasi

meningkat dengan meningkatnya suhu. Pengukuran suhu harian di lakukan

untuk menentukan satuan panas selama proses perkembangan buah dan

umur simpan pepaya, untuk mencapai skala 6 atau 7 pada tingkat

kematangan dapat di lihat pada tabel 2.1.

Umur Panen Satuan Panas (0C) Umur Simpan

115 2010.06 7.92a
120 2102.13 6.50ab 5.33bc
125 2167.63 130
130 2241.75 4.08c
Tabel 2.1 (Satuan Panas dan Umur Simpan Pepaya)

Sumber : ( M. Luthfan T, Winarso Drajad Widodo et al., 2015)

12
 Pada tabel 2.1 diketahui bahwa, pepaya yang dipanen pada umur 115

telah mencapai satuan panas 20100C hari. Selama proses pertumbuhan

buah didapatkan suhu minimum harian lapang sebesar 160C, sehingga

suhu lingkungan optimum untuk pertumbuhan pepaya. Suhu kurang dari

100C dapat menurunkan pertumbuhan buah, tingkat kemanisan dan ukuran

buah pepaya

B. Perbedaan Proses Kematangan Pepaya

1. Pepaya Matang Secara Alami

Dalam membedakan buah pepaya matang alami dan karbit

indikator paling utama yaitu melihat dari warna kulit buah papaya

yang mulai kuning hingga kemerahan. Pada buah yang menggunakan

karbit memiliki warna yang lebih menonjol dari pada buah yang

matang secara alami. Ciri – ciri yang mudah diketahui pada buah

pepaya yang matang secara alami yaitu : (Sumber : Penulis, 2022)

a. Warna kuning hingga kemerahan dengan bitnik atau garis

berwarna hijau

b. Tekstur nya lunak jika ditekan dengan ujung jari

c. Mempunya aroma harum pada kulit

d. Tidak cepat busuk jika disimpan terlalu lama

2. Pepaya Matang Secara Karbit

Proses pematangan dengan cara pemberian Calsium Carbida

(CaC2) pada buah. Calsium Carbida berbentuk kristal padat berwarna

abu-abu kehitaman yang digunakan untuk pembuatan gas acetylene

13
 (C2H2), yaitu bahan untuk memotong dan mengelas besi dan baja

pada industri perkapalan, pertambangan, karoseri mobil (otomotif)

serta industri kecil. Karbit yang terkena uap air akan menghasilkan

gas asetilin yang akan membuat buah terlihat matang, buah yang dapat

dipacu kematangannya adalah buah-buahan yang memperlihatkan

produksi CO2 yang mendadak meningkat tinggi pada saat matang

yang biasa disebut dengan buah klimaterik. (Chitra Wahyuning,

Farach Khanifa. 2019).

Ciri-ciri buah pepaya yang matang akibat penggunaan bahan kimi

Calcium Carbida, diantaranya warna buahnya tampak lebih seragam.

Tapi tampilannya tidak menarik alias pucat, aroma buahnya tidak

terlalu harum dan tercium bau kimia dan rasa buahnya hambar.

Meskipun kulitnya tampak menguning namun tekstur bagian

tengahnya terasa keras dan buah tersebut juga tidak tahan simpan

lebih cepat busuk. (Sumber : Penulis, 2022)

C. Pengolahan Citra

Pengolahan citra atau (Image Processing) adalah sebuah disiplin

ilmu yang mempelajari tentang teknik-teknik mengolah citra. Citra yang

dimaksud disini adalah gambar diam (foto) maupun gambar bergerak

(yang berasal dari webcam). Agar kualitas citra mudah di interpretasi oleh

manusia/mesin (komputer). Inputannya adalah citra dan keluarannya juga

citra tapi dengan kualitas lebih baik dari pada citra masukan. (Syakri et al.,

2018)

14
 Secara matematis citra merupakan fungsi kontinyu (continue)

dengan intensitas cahaya pada bidang dua dimensi. Agar dapat diolah

dengan komputer digital, maka suatu citra harus dipresentasikan secara

numerik dengan nilai-nilai diskrit. Repersentasi dari fungsi kontinyu

menjadi nilai-nilai diskrit disebut digitalisasi citra. Sebuah citra digital

dapat diwakili oleh sebuah matriks dua dimensi f(x,y) yang terdiri dari M

kolom dan N baris, dimana perpotongan antara kolom dan baris disebut

piksel (pixel = picture element) atau elemen terkecil dari sebuah citra.

(RD. Kusumanto, 2011)

D. Citra Digital

Citra merupakan salah satu komponen multimedia memegang

peranan sangat penting sebagai bentuk informasi visual. Citra memiliki

karakteristik yang tidak dimiliki oleh data tekstual dikarenakan lebih kaya

akan informasi yang lebih banyak daripada informasi yang disajikan

dalam bentuk tekstual.

Secara harfiah, citra merupakan sebuah data visual dalam bidang dwimatra

(dimensi) Citra dapat dijadikan sebagai sebuah fungsi kontinu dari

intensitas dalam bidang dua dimensi dimana setiap titik dapat dituliskan.

0<f(x,y)<∞ Dimana f(x,y) merupakan itensitas cahaya pada lokasi (x,y).

citra merupakan data visual dwimatra yang dapat direpresentasikan dalam

dimensi panjang, dan lebar, maka seperti halnya matriks, citra dapat

direpresentasikan kedalam sebuah matriks m x n dengan itensitas piksel

sebagai komponen penyusunnya. (Aminudin, 2017)

15
E. Jenis – jenis citra

Pada pengolahan citra digital pada umumnya, citra digital dapat

dibagi menjadi 3, color image, binary, dan grayscale.

1. Color Image atau RGB (Red, Green, Blue).

Pada color image ini masing-masing piksel memiliki warna

tertentu, warna tersebut adalah merah (Red), hijau (Green) dan biru

(Blue). Jika masing-masing warna memiliki range 0 - 255, maka

totalnya adalah 2553 = 16.581.375 (16 K) variasi warna berbeda

pada gambar, dimana variasi warna ini cukup untuk gambar

apapun. Karena jumlah bit yang diperlukan untuk setiap pixel,

gambar tersebut juga disebut gambar-bit warna. Color image ini

terdiri dari

tiga matriks yang mewakili nilai-nilai merah, hijau dan biru untuk

setiap pikselnya, seperti yang ditunjukkan gambar di bawah. (RD.

Kusumanto, 2018)

16
 Gambar 2.2 (Color Image)
Sumber : (RD. Kusumanto, 2018)
2. Citra Binary

Citra binery adalah citra yang memiliki dua nilai tingkat

keabuan yaitu hitam dan putih. Secara umum proses binersisasi

citra gray scale untuk menghasilkan citra biner yang membutuhkan

1 bit untuk mewakili nilai setiap piksel. (Pandinasa, 2013)

3. Citra Grayscale

Citra Grayscale (Skala Keabuan), merupakan citra yang

menggunakan tingkatan warna abu-abu. Citra grayscale

menyatakan nilai intensitas tiap piksel dengan nilai tunggal,

dimana setiap piksel komponen merah, hijau, dan biru mempunyai

intensitas yang sama. Citra grayscale lebih mudah diproses oleh

karena hanya memiliki satu nilai intensitas pada setiap pixel.

Intensitas nilai citra grayscale berkisar antara 0 sampai dengan

255. Nilai 0 menyatakan hitam dan nilai 255 menyatakan putih.

(Pandinasa, 2013)

Gambar 2.3 (Gradasi Warna Citra Grayscale)

Sumber : (Pandinasa, 2013)

17
 Gambar 2.4 (Citra Grayscale)

Sumber : (Pandinasa, 2013)

F. RGB (Read, Green, Blue)

RGB merupakan sebuah hasil dari campuran warna-warna primer.

RGB ini dapat digunakan diberbagai pengolahan citra, contohnya untuk

melakukan pengenalan mata uang kertas untuk orang tuna netra. Akan

tetapi metode RGB ini tidak berdiri sendiri tapi metode ini disandingkan

dengan HSV. RGB juga memiliki kekurangan dalam membedakan warna

hitam dan putih tetapi RGB ini terbebas dari pengaruh perubahan

intensitas cahaya dari luar.(Widyasari et al., 2021)

RGB adalah suatu model warna yang terdiri dari merah, hijau, dan

biru, digabungkan dalam membentuk suatu susunan warna yang luas.

Setiap warna dasar, misalnya merah, dapat diberi rentang nilai, untuk

monitor komputer nilai rentang nya paling kecil = 0 dan paling besar =

255. Pilihan skala 256 ini didasarkan pada cara mengungkap 8 digit

bilangan biner yang digunakan oleh mesin komputer.

Dengan cara ini, akan diperoleh warna campuran sebanyak 256 x

256 x 256 = 1677726 jenis warna. Sebuah jenis warna dapat dibayangkan

sebagai sebuah vektor di ruang dimensi 3 yang biasanya dipakai dalam

matematika, koordinatnya dinyatakan dalam bentuk tiga bilangan yaitu

18
 komponen-x, komponen-y dan komponen-z Misalkan sebuah vektor

dituliskan sebagai r = (x,y,z). Untuk warna, komponen-komponen tersebut

digantikan oleh komponen R(ed), G(reen), B(lue). Jadi, sebuah jenis

warna dapat dituliskan sebagai berikut: warna = RGB(30, 75, 255). Putih =

RGB (255,255,255), sedangkan untuk hitam= RGB (0,0,0). (Syakri et al.,

2018)

Gambar 2.5 (Representasi Warna pada Citra Digital)

Sumber : (Syakri et al., 2018)

G. K-Nearest Neighbour

K-Nearest Neighbor merupakan salah satu metode untuk mengambil

keputusan menggunakan pembelajaran terawasi dimana hasil dari

datamasukan yang baru diklasifikasi berdasarkan terdekat dalam data nilai.

Algoritma K-Nearest Neighbor (KNN) adalah sebuah metode untuk

melakukan klasifikasi terhadap objek yang berdasarkan dari data

pembelajaran yang jaraknya paling dekat dengan objek tersebut. KNN

merupakan algoritma supervised learning dimana hasil dari queryinstance

yang baru diklasifikan berdasarkan mayoritas dari kategori pada algoritma.

19
 Dimana kelas yang paling banyak muncul yang nantinya akan menjadi

kelas hasil dari klasifikasi, kedekatan didefinisikan dalam jarak metrik,

seperti jarak Euclidean. (Pseudocode et al., 2016)

Jarak Euclidean dapat dicari dengan menggunakan persamaan 1

berikut ini :

Berikut merupakan langkah-langkah perhitungan algoritma K-NN :

1. Menentukan nilai K atau tentangga terdekat dari data latih terhadap

data uji

2. Menghitung jarak dengan Euclidean distance masing-masing objek

terhadap data latih yang diberikan.

3. Kemudian mengurutkan objek-objek tersebut dari yang terkecil ke

terbesar.

4. Mengelompokkan data sejumlah K yang telah ditentukan

sebelumnya.

5. Memilih kategori yang paling mayoritas atau yang paling banyak

muncul.

H. Unified Modeling Languange (UML)

Unified Modeling Language (UML), adalah bahasa pemodelan

secara grafis untuk menspesifikasikan, menvisualisasikan, membangun,

20
dan mendokumentasikan seluruh rancangan sistem perangkat lunak.

Penggunaan model ini bertujuan untuk mengidentifikasikan bagian-bagian

yang termasuk dalam lingkup sistem yang dibahas dan bagaimana

hubungan antara sistem dengan subsistem maupun sistem lain di luarnya.

Selain itu UML menggunakan class dan operation dalam konsep dasarnya,

maka ia lebih cocok untuk penulisan. (Irawan et al., 2020)

Menurut (Hendini, 2016). Alat bantu yang digunakan dalam

perancangan berorientasi objek berbasiskan UML adalah sebagai

berikut :

1. Use Case Diagram

Use case diagram, merupakan pemodelan untuk kelakuakn

(behavior) sistem informasi yang akan dibuat. Use case

digunakan untuk mengetahui fungsi apa saja yang ada di dalam

sistem informasi dan siapa saja yang berhak menggunakan

fungsi-fungsi tersebut. Simbol-simbol yang digunakan dalam

Use Case Diagram yaitu : (Hendini, 2016)

Tabel 2.2 (Use Case Diagram)

No. Simbol Nama Penjelasan
Menspesifikasikan himpunan
1. Actor peran yang pengguna
mainkan ketika berinteraksi
dengan use case.
Dependency Hubungan dimana perubahan
2. yang terjadi pada suatu
elemen mandiri
(independent) akan
mempengaruhi elemen yang
bergantung padanya elemen
yang tidak mandiri

21
 (independent).
Hubungan dimana objek anak
Generalizatio (descendent) berbagi perilaku
3. dan struktur data dari objek
n
yang ada di atasnya objek
induk (ancestor).
4. Include Menspesifikasikan bahwa use
case sumber secara eksplisit.
Menspesifikasikan bahwa use
case target memperluas
5. Extend perilaku dari use case sumber
pada suatu titik yang
diberikan.
Apa yang menghubungkan
antara objek satu dengan
6. Association objek lainnya.

Menspesifikasikan paket yang

7. System menampilkan sistem secara
terbatas.
Deskripsi dari urutan aksi-
aksi yang ditampilkan sistem
8. Use Case yang menghasilkan suatu
hasil yang terukur bagi suatu
actor.
Interaksi aturan-aturan dan
elemen lain yang bekerja
9. Collaboration sama untuk menyediakan
prilaku yang lebih besar dari
jumlah dan elemen-
elemennya (sinergi).
Elemen fisik yang eksis saat
10. Note aplikasi dijalankan dan
mencerminkan suatu sumber
daya komputasi.
Sumber : (Hendini, 2016)

2. Sequence Diagram

Sequence Diagram, digunakan untuk menggambarkan

scenario atau rangkaian langkah-langkah yang dilakukan sebagai

22
 suatu respon dari kejadian untuk menghasilkan output tertentu.

(Irawan et al., 2020)

Tabel. 2.3 (Sequence Diagram)

Gambar Keterangan

Entity Class, merupakan bagian dari system yang

berisi kumpulan kelas berupa entitas-entitas yang

membentuk gambaran awal sistem dan menjadi

landasan untuk menyusun basis data.

Boundary Class, berisi kumpulan kelas yang

menjadi interfaces atau interaksi antara satu atau

lebih aktor dengan sistem. Digunakan untuk

menggambarkan sebuah form.

Control class, suatu objek yang berisi logika

aplikasi yang tidak memiliki tanggung jawab

kepada entitas, digunakan untuk menghubungkan

boundary dengan tabel.

Message, simbol mengirim pesan antar class

Lifeline, objek entity, antar muka yang saling

berinteraksi.

Sumber : (Hendini, 2016)

3. Class Diagram

Class Diagram, menggambarkan struktur statis dari kelas

dalam sistem anda dan menggambarkan atribut, operasi dan

23
hubungan antara kelas. Class diagram membantu dalam

memvisualisasikan struktur kelas-kelas dari suatu sistem dan

merupakan tipe diagram yang paling banyak dipakai. Selama

tahap desain, class diagram berperan dalam menangkap struktur

dari semua kelas yang membentuk arsitektur sistem yang dibuat.

(Hendini, 2016)

Tabel. 2.4 (Class Diagram)

Simbol Nama Keterangan

Himpunan dari objek-objek

Class yang berbagi atribut serta

operasi yang sama.

Apa yang mengubungkan antara

Association objek satu dengan obje lainnya.

Jika sebuah class tidak bisa

berdiri sendiri dan harus

merupakan bagian dari class

Composition
yang lain, maka class tersebut

memiliki relasi Composition

terhadap class tempat dia

bergantung tersebut.

Digunakan untuk menunjukkan

Dependency operasi pada suatu class yang

Menggunakan class yang lain.

24
 Aggregation Aggregation mengindikasikan

keseluruhan bagian relationship.

Generalizatio Relasi sepadan dengan relasi

n inheritance pada konsep

berorientasi objek.

Sumber : (Hendini, 2016)

4. Activity Diagram

Menggambarkan aktifitas-aktifitas, objek, state, transisi

state dan event. Dengan kata lain kegiatan diagram alur kerja

menggambarkan perilaku sistem untuk aktivitas. (Churin, Sis

Aulia 2022)

Tabel 2.5 (Activity Diagram)

Gambar Nama Keterangan

Initial State Proses dimulai pertama kali

dalam activity.

State Aktifitas yang terjadi dalam

activity.

Control Flow Untuk perpindahan suatu

aktifitas.

Decision Menggambarkan cabang

suatu keputusan

Transiton (fork) Kegiatan yang dilakukan

secara parallel

25
 Transition (join) Menunjukkan kegiatan yang

digabungkan

Final State Proses terakhir dalam

activity.

Sumber : (Hendini, 2016)

I. Bahasa Pemrograman

1. Java

Java, merupakan bahasa yang sudah dikembangkan sejak tahun

1995 oleh Sun Microsystems. Bahasa ini bersifat multiplatform, setiap

kode program bahasa java ini yang dituliskan dan dapat dijalankan di

platform yang berbeda-beda tanpa harus ditulis ulang kembali.

(Febriandirza, 2020)

Bahasa java dapat dijalankan pada berbagai komputer maupun

smartphone. Bahasa Java memiliki fitur kemanan built-in yang

membuat tugas perograman lanjut seperti pemrograman jaringan,

pemrograman tersebar, koneksifitas database. Dan memiliki fitur

multithreading sehingga mempermudah dalam pemrograman aplikasi

multithreading dan membuat pemrograman menjadi lebih aman.

(Inayah, Ayu Rizka, Afriyudi, 2010)

2. Javascript

Javascript merupakan bahasa pemograman web client side yang

tidak membutuhkan web server untuk dapat dijalankan. Dengan

semakin berkembangnya teknologi informasi, maka javascript tidak

26
 hanya digunakan untuk mengembangkan aplikasi berbasis web saja.

Akan tetapi javascript juga dapat diimplementasikan pada game

development, aplikasi berbasis desktop serta aplikasi berbasis mobile.

(Putra et al., 2015)

3. Python

Python adalah bahasa pemrograman interpretatif multiguna

dengan filosofi perancangan yang berfokus pada tingkat keterbacaan

kode. Python diklaim sebagai bahasa yang menggabungkan

kapabilitas, kemampuan, dengan sintaksis kode yang sangat jelas, dan

dilengkapi dengan fungsionalitas pustaka standar yang besar serta

komprehensif. Python dirancang untuk memberikan kemudahan bagi

programmer melalui segi efisiensi waktu, kemudahan dalam

pengembangan dan kompatibilitas dengan sistem. Python bisa

digunakan untuk membuat aplikasi standalone (berdiri sendiri) dan

pemrograman script (scripting programming). (Saragih, 2016)

Keunggulan Python

 Mudah digunakan

 Kompabilitas dan Kemampuan tinggi

 Mendukung OOP

 Platform Independnt

 Open Source

4. Basis Data

27
 Menurut (Ahmad Sahi, 2020). Basis data yaitu kumpulan koleksi

data-data yang saling berhubungan secara logika yang isinya didesain

untuk memenuhi kebutuhan informasi dari suatu perusahaan.

Ada beberapa istilah umum yang sering dipakai pada database,

yaitu sebagai berikut :

a. Field, yaitu sekumpulan kecil dari kata atau sebuah deretan angka

angka.

b. Record, yaitu kumpulan dari field yang berelasi secara logis.

c. File, yaitu kumpulan dari record yang berelasi secara logis.

d. Entity, yaitu orang, tempat, benda, atau kejadian yang berkaitan

dengan informasi yang disimpan.

e. Attribute, yaitu setiap karakteristik yang menjelaskan suatu entity.

f. Primary key, yaitu sebuah field yang nilainya unik yang tidak sama

antara satu record dengan record yang lain.

g. Foreign key, yaitu sebuah field yang nilainya berguna untuk

menghubungkan primary key yang berada pada table yang berbeda.

J. Metode Pengujian

1. Black Box Testing, merupakan pengujian yang dapat dilakukan

dengan melakukan pengamatan, pada hasil eksekusi melalui bebarapa

data yang di uji dan memeriksa fungsional yang terdapat pada

perangkat lunak. Black Box Testing hanya dapat mengevaluasi dari

tampilan pada perangkat lunak dan fungsionalitasnya. Black-Box

28
Testing juga melakukan pengujian perangkat lunak yang berfokus

pada spesifikasi fungsional dari perangkat lunak bekerja dengan

mengabaikan struktur kontrol sehingga perhatiannya difokuskan pada

informasi domain. (Tri Jaya Snadhika, 2018)

Pengujian atau testing sendiri merupakan elemen kritis dari

jaminan kualitas perangkat lunak dan merupakan bagian yang tidak

terpisah dari siklus hidup pengembangan software seperti halnya

analisis, desain, dan pengkode. Pengujian software haruslah dilakukan

dalam proses rekayasa perangkat lunak atau software engineering.

Sejumlah strategi pengujian software telah diusulkan dalam literatur.

Semuanya menyediakan template untuk pengujian bagi pembuat

software. (Taufik Hidayat, Muhamudin Mutaqin. 2018)

Menurut (Taufik Hidayat, Muhamudin Muttaqin 2018) ada

beberapa karakteristik dalam pengujian antara lain :

a. Testing dimulai pada level modul dan bekerja keluar ke

arah integrasi pada sistem berbasiskan komputer,

b. Teknik testing yang berbeda sesuai dengan poin-poin yang

berbeda pada waktunya,

c. Testing diadakan oleh pembuat dan pengembang software

dan untuk proyek yang besar oleh group testing yang

independent.

2. Testing dan Debugging adalah aktivitas yang berbeda tetapi

debugging harus diakomodasikan pada setiap strategi testing.

29
 Jika ingin mengimplementasikan strategi testing software yang

sukses Tom Gilb menyarankan prosedur yag digunakan adalah :

(Taufik Hidayat, Muhamudin Muattqin. 2018)

a. Menetapkan seluruh kebutuhan produk software dalam

perhitungan sebelum memulai testing, status obyek

testing harus jelas,

b. Memahami pengguna software dan mengembangkan

sebuah profil untuk setiap kategori user, dan

mengembangkan rencana testing yang menekankan pada

“rapid cycle testing”,

c. Membangun software yang sempurna yang didesain

untuk menguji dirinya sendiri,

d. Menggunakan tinjauan ulang yang formal sebagai filter

sebelum pengujian,

e. Mengembangkan pendekatan peningkatan yang

berkelanjutan untuk proses testing.

3. Pengujian Alpha dan Beta

a. Pengujian alpha

dilakukan pada sisi pengembang oleh seorang

pelanggan. Perangkat lunak digunakan pada setting yang

natural dengan pengembang “yang memandang” melalui

bahu pemakai dan merekam semua kesalahan dan

masalah pemakaian. (Sulistyanto, Azhari SN, 2014)

30
b. Pengujan beta

dilakukan pada satu atau lebih pelanggan oleh

pemakai akhir perangkat lunak dalam lingkungan yang

sebenarnya. pengembang biasanya tidak ada pada

pengujian ini.Pelanggan merekam semua masalah (real

atau imajiner) yang ditemui selama pengujian dan

melaporkan pada pengembang pada interval waktu

tertentu. (Sulistyanto, Azhari SN. 2014)

31
 K. Penelitian Terkait

No Nama dan tahun Judul penelitian Algoritma Hasil penilitian Perbedaan dengan
yang penilitian sekarang
digunakan
Alfian Firlansyah, Andi Klasifikasi Tingkat Jaringan Hasil penelitian terdapat 2 dataset citra Pada penelitian ini akan
Baso Kaswar, Andi Kematangan Buah Syaraf Tiruan yaitu citra latih dan citra uji pepaya. menggunakan algoritma K-
1
(JST) Pada citra latih terdiri 30 data citra buah
Akram Nur Risal. (2021) Pepaya Berdasarkan Nearest Neighbor untuk
pepaya muda, mangkal, dan masak,
Fitur Warna sedangkan pada citra uji pepaya terdiri mengklasifikasi/membedakan
Menggunakan 10 data citra pada buah pepaya. Citra buah pepaya yang matang
pada setiap dataset berupa citra RGB
Jaringan Syaraf alami dan pematangan secara
dari hasil pengujian setelah citra
Tiruan melalui tahap klasifikasi yaitu. karbit dengan akurasi yang
Memperoleh akurasi sebesar 100% baik dan bekerja berdasarkan
yang berarti sistem dapat
jarak data terdekat dari data
mengklasifikasi tingkat kematangan
pepaya menggunakan JST dengan training dan data testing.
sangat akurat.
Cinantya Paramita, Eko Klasifikasi Jeruk K-Nearest Hasil pengujian yang sudah dilakukan Terdapat perbedaan objek
Hari Rachmawanto, Nipis Terhadap Neighbor dalam mengklasifikasi jeruk nipis dari penelitian dimana penelitian
2
(KNN) tingkat kematangannya berdasarkan
Christy Atika Sari, De Tingkat sebelumnya menggunakan
fitur warna menggunakan metode K-
Rosal Ignatius Moses Kematangan Buah Nearest Neighbor (KNN). Dari 25 data jeruk nipis untuk mngetahui

32
 Setiadi. (2019) Berdasarkan Fitur citra uji, akurasi terbaik sebesar 92% tingkat kematangan.
Warna saat menggunakan euclidean distance Sedangkan pada penelitian
adalah dengan nilai k=7 dan k=3.
ini menggunkan objek buah
Sedangkan menggunakan cityblock
distance akurasi sebesar sebesar 88% pepaya untuk membedakan
dengan nilai k=3 dan k=1. Pada proses kematangan pada
pencarian jarak Euclidean distance yang
buah pepaya.
menghasilkan akurasi sebesar 92%,
maka hasilnya jeruk nipis dari tingkat
kematangan berdasarkan fitur warna
dinyatakan baik dan berisi.
Wahyu Puspitaningrum, Identifikasi Mangga Learning Hasil penelitian yang mengidentifikasi Pada penelitian ini penulis
3 Supatman. (2018) Harum Manis Vector mangga harum manis karbit dan tidak akan menggunakan algoritma
Quantization karbit menggunakan Learning Vector
Karbit dan Tidak K-Nearest Neighbor (KNN),
(LVQ) Quantization (LVQ). Data pelatihan
Karbitan yang digunakan terdiri dari 2 kelas untuk membedakan proses
dengan masing-masing kelas berjumlah kematangan pada buah
30 data pelatihan, total 60 data
pepaya
pelatihan. Untuk data uji masing-
masing kelas menggunakan 25 data uji
dengan total berjumlah 50 data uji, dari
50 data uji diperoleh 98% dengan
perincian 96 % mangga karbitan dan
100 % mangga tidak karbitan.
4 Ellif, Sampe Hotlan Klasifikasi Naive Bayes Hasil yang didapatkan pada penelitian Pada penelitian ini

33
Sitorus, Rahmi Hidayati. Kematangan Pepaya Classifier ini, sistem dapat mengklasifikasikan menggunakan algoritma K-
(2021) Menggunakan tingkat kematangan buah pepaya Nearest Neighbor (KNN)
dengan 50 data buah pepaya dibagi
Ruang Warna HSV dalam membedakan buah
menjadi 30 data latih dan 20 data uji,
menggunakan papaya yang matang alami
ekstrasi warna HSV dengan algoritma dan karbit, dan menggunakan
Naive Bayes Classifier dapat
ekstraksi RGB.
diimplementasikan dengan baik dan
mendapatkan akurasi 100%.

34
L. Kerangka Pemikiran

MASALAH
Permasalahan yang sering terjadi yaitu biasanya terdapat beberapa orang
yang kurang memahami buah pepaya yang matang secara alami dan
yang matang menggunakan karbit, ada juga beberapa orang masih
menggunakan sistem manual dalam melihat buah papaya yang matang
secara alami dan menggunakan karbit. Sistem manual yang penulis
maksud yaitu menerka- nerka atau melihat dengan mata, cara tersebut
menghasilkan kesimpulan yang berbeda-beda pada setiap orang serta
kurang efisien.

SOLUSI
Untuk mengatasi permasalahaan tersebut, pada penelitian ini penulis
mencoba untuk membuat suatu sistem pengolahan citra digital yang
nantinya diharapkan berguna sebagai media yang dapat membantu
masyarakat yang kurang paham dalam membedakan proses kematangan
papaya secara alami dan yang menggunakan karbit.

METODE
Pengolahan Citra Digital Ini Menggunakan Algoritma K-Nearest
Neighbor (KNN).

HASIL
Dari penelitian ini akan menghasilkan sistem pengolahan citra digital
yang membantu dalam membedakan kematangan buah papaya baik
matang alami dan karbit.

35
 BAB III

METODE PENELITIAN

A. Penggambaran Sistem

1. Sistem Yang Sedang Berjalan

Pada penelitian ini digunakan program Unified Modelling

Language (UML), dan diawali dengan perancangan untuk

menggambarkan sistem yang berjalan saat ini sesuai prosedur dengan

use case diagram sebagai berikut :

Gambar 3.1 (Use case diagram sistem yang sedang berjalan)

Penulis akan memberikan penjelasan dari use case diatas yaitu :

a. Konsumen akan melihat warna kulit buah.

b. Lalu konsumen melihat ukuran pada buah pepaya.

c. Setelah itu konsumen mencium aroma pada buah yang akan

di beli.

d. Konsumen melakukan pembayaran.

36
 2. Sistem Yang Akan Diusulkan

Berdasarkan analisa pada sistem yang sedang berjalan, maka

penulis akan memberikan suatu solusi dalam pemecahan masalah

dengan perancangan citra digital dalam membedakan proses

kematangan buah pepaya menggunakan metode KNN.

Penelitian ini menggunakan Unified Modelling Language (UML)

untuk menggambarkan alur sistem yang akan diusulkan dengan Use

Case diagram sebagai berikut :

Gambar 3.2 (Use case diagram sistem yang diusulkan)

1) Developer

Actor : Developer

Brief Desctiption : Input data training ke sistem

Main Flow : Menginputkan data training, kemudian

sistem akan melakukan deteksi citra pada

buah pepaya lalu menampilkan hasil

37
 klasifikasi papaya dan akurasi nilai K.

2) User

Actor : User

Brief Desctiption : Login ke sistem, mengakses beberapa menu

pada aplikasi, mengambil gambar pepaya,

melihat hasil klasifikasi pepaya matang alami

dan karbit, melihat akurasi nilai K, logout

dari aplikasi.

Main Flow : User melakukan login untuk masuk ke

aplikasi setelah itu, mengambil gambar/foto

buah papaya untuk dilakukan deteksi oleh

sistem, setelah sistem akan melakukan proses

deteksi citra serta menampilkan hasil prediksi

proses kematangan pepaya, dan user logout

dari aplikasi.

B. Analisis Kebutuhan Sistem

Dalam analisis kebutuhan sistem hal pertama adalah menentukan

kebutuhan yang diperlukan oleh sistem nantinya. Kebutuhan sistem akan

tebagi menjadi dua yaitu, kebutuhan fungsioanl sistem dan kebutuhan non

fungsioanl sistem.

1. Kebutuhan Fungsional Sistem

38
 Pada kebutuhan fungsioanl ini layanan pada sistem harus

menyediakan bagaimana reaksi pada input tertentu dan bagaimana

perilaku pada saat situasi tertentu. Kebutuhan Fungsional yang harus

ada dalam sistem ini adalah :

a. Sistem harus mempermudah user pada saat menggunakan

aplikasi layanan (user experience).

b. Sistem yang nantinya harus dapat memberikan hasil yang

mendukung pada saat mengklasifikasi melalui algoritma

K-Nearest Neighbor (K-NN) dan menggunakan 2 fitur

yaitu RGB dan GLCM ini.

c. Kebutuhan Admin

1) Login

2) Mendapat akses ke aplikasi dan sistem

3) Mengumpulkan data training, input data training

4) Logout

d. Kebutuhan User

1) Login

2) Mendapatkan akses ke aplikasi

3) Melakukan upload gambar pepaya

4) Melihat hasil klasifikasi dan akurasi nilai K buah

papaya

5) Logout

2. Kebutuhan Non Fungsional Sistem

39
 Kebutuhan non fungsional adalah kebutuhan yang tidak secara

langsung terkait dengan fitur yang ada pada sistem.

a. Kebutuhan Perangkat Keras (hardware)

Perangkat keras yang akan digunakan dalam pembuatan

aplikasi/sistem ini sebagai berikut :

1) Processor Intel Celeron atau AMD Processor

2) RAM 4 GB atau yang lebih tinggi

3) Harddisk minimal 500 GB atau 1 Terabyte

4) Monitor

5) Mouse

6) Keyboard

b. Kebutuhan Perangkat lunak (Software)

1) Sistem operasi windows 10

2) Xampp, Database Firebase

3) Visual Studio Code, Android Studio

4) Web browser Mozilla Firefox/Crhome, Microsoft

Visio.

C. Teknik Pengumpulan Data

40
 Metode pengumpulan data yang akan digunakan pada penelitian ini yaitu :

1. Observasi

Untuk membangun sistem yang andal, perlu pengamatan secara

langsung ke lokasi penelitian untuk dilakukan dan dengan

mengumpulkan beberapa data.

2. Kajian Pustaka

Tekik pustakaan digunakan untuk mempelajari literatur dalam

bentuk arsip dan buku, artikel, dokumen atau manual, buku

perpustakaan dianggap dapat mendukung proses pengumpulan data

dan informasi.

3. Wawancara

Wawancara adalah cara mengumpulkan beberapa data dari

pertanyaan yang diberikan ke petani, dan petani akan memberikan

jawaban yang diperlukan atau informasi mengenai proses dalam

membedakan kematangan buah papaya baik itu matang secara alami

atau pematangan menggunakan karbit.

D. Lokasi Penelitian

Penelitian ini di lakukan pada Dinas Pertanian Kabupaten Gowa di Jl.

Tumanurung. Sebagai sumber untuk mendapatkan data maupun

informasi dalam merancang dan membangun sistem pengolahan citra

digital untuk membedakan proses kematangan pepaya menggunakan K-

Nearest Neighbors (KNN).

41
 BAB IV

PERANCANGAN DAN IMPLEMENTASI SISTEM

A. Pemodelan Sistem

Pemodelan sistem adalah suatu bentuk kegiatan dalam membuat

model desain sistem yang telah dilakukan pada kegiatan analisis

sebelumnya. Pada perancangan sistem ini pasti memiliki kelebihan dan

kekurangan, sistem yang dirancang dengan tujuan memudahkan pengguna

dan dapat mengifesienkan waktu penggunan sistem serta dapat

memberikan gambaran umum sistem yang nantinya akan digunakan sesuai

kebutuhan pengguna.

1. Use Case Diagram

Pada desain use case diagram yang berjalan saat ini dapat dilihat

pada gambar 3.2 use case diagram sistem yang diusulkan

42
2. Activity Digaram

Gambar 4.1 (Activity diagram)

Gambar activity diagram diatas adalah proses user menggunakan

aplikasi, dimana melakukan login ke aplikasi terlebih dahulu jika dalam

proses login gagal maka sistem akan menampilkan pesan login salah,

setelah proses login berhasil user akan masuk ke aplikasi. Pada halaman

menu utama aplikasi user dapat mengakses menu deteksi, tentang, bantuan

dan logout. Untuk mulai mengetahui perbedaan kematangan pepaya user

masuk ke menu deteksi, pada menu deteksi user malakukan ambil gambar

setelah gambar/foto diambil, algoritma K-Nearest Neighbor akan

43
 memproses sampel gambar buah pepaya untuk menampilkan hasil

klasifikasi dan akurasi nilai K. Pada menu tentang berisikan informasi

mengenai aplikasi, menu bantuan menampilkan informasi cara

penggunaan aplikasi.

3. Squence Diagram

Gambar 4.2 (Sequence diagram)

Pada gambar sequence diagram diatas user melakukan login ke

dalam sistem, jika login gagal sistem akan menampilkan pesan login salah

maka user melakukan login kembali. Jika login berhasil maka sistem akan

menampilkan halaman menu utama, user akan memasukan gambar pepaya

setelah gambar pepaya sudah ada maka algoritma akan mulai melakukan

deteksi dan mengklasifikasikan menggunakan k-nearest neighbour, sistem

akan menampilkan hasil klasifikasi dan akurasi nilai K. Setelah itu user

dapat logout dari aplikasi.

44
4. Class Diagram

Gambar 4.3 (Class diagram)

45
B. Perancangan Antar Muka

1. Rancangan Input

a. Rancangan halaman login

Gambar 4.4 (Rancangan input login)

Halaman rancangan login ini adalah halaman yang pertama dilihat

oleh user saat pertama kali ingin mengakses aplikasi yang membutuhkan

akses login. Halaman login memiliki 2 form, user harus memasukkan

alamat email dan kata sandi yang terdaftar pada sistem sebelum

mengakses menu utama pada aplikasi.

46
 2. Rancangan Output Deteksi

b. Rancangan halaman output deteksi

Gambar 4.5 (Rancangan output deteksi)

Gambar diatas adalah rancangan halaman output deteksi dalam

membedakan kematangan pepaya, yang pada nantinya aplikasi akan

menampilkan hasil klasifikasi dan akurasi nilai K pada saat deteksi

membedakan kematangan pepaya.

47
 3. Rancangan Menu Utama

c. Rancangan halaman menu utama

Gambar 4.6 (Rancangan halaman menu utama)

Pada gambar diatas adalah, halaman menu utama yang akan

memiliki empat menu terdiri dari menu deteksi, tentang, bantuan, dan

logout. Menu deteksi untuk melakukan proses membedakan kematangan

pepaya, menu tentang yang menampilkan tentang aplikasi, menu bantuan

menampilkan cara dalam pengambilan gambar/citra pepaya yang ingin

dibedakan kematangannya, menu logout untuk keluar dari aplikasi.

48
C. Hasil Penelitian

1. Implementasi Program Utama

a. Halaman Login

Gambar 4.7 (Halaman Login)

Gambar di atas adalah tampilan halaman login dari aplikasi yang

memungkinkan untuk mengakses halaman yang membutuhkan

akses untuk masuk ke sistem. Yang dimana memiliki inputan email

dan kata sandi.

49
b. Halaman Menu Utama

Gambar 4.8 (Halaman Menu Utama)

Gambar diatas adalah tampilan menu utama setelah user melakukan

login sebelumnya, menu utama terdapat 3 menu yang dapat diakses

oleh user yaitu menu deteksi, tentang, dan menu bantuan.

50
c. Halaman Menu Deteksi

Gambar 4.9 (Halaman Menu Deteksi)

Gambar diatas merupakan tampilan pada menu deteksi, jika user

ingin menggetahui perbedaan pepaya yang matang alami dan

karbit. Sistem akan menampilkan hasil klasifikasi dan akurasi.

51
d. Halaman Menu Tentang

Gambar 5.1 (Halaman Menu Tentang)

Gambara diatas merupakan tampilan menu tentang yang berisi

tentang informasi mengenai aplikasi.

52
e. Halaman Bantuan

Gambar 5.1 (Halaman Menu Bantuan)

Gambar diatas merupakan tampilan halaman menu bantuan pada

menu utama pada aplikasi, yang berisi informasi cara

menggunakan aplikasi dan cara-cara mengambil format

citra/gambar untuk melakukan deteksi membedakan kematangan

buah pepaya matang alami dan matang karbit.

53
 DAFTAR PUSTAKA

Ahmad Sahi. (2020). APLIKASI TEST POTENSI AKADEMIK SELEKSI

SARINGAN MASUK LP3I BERBASIS WEB ONLINE MENGGUNAKAN
FRAMEWORK CODEIGNITER. 7(1), 120–129.
Al Rivan, M. E., Arman, M., & Kennedy, W. (2021). Penentuan Kualitas Buah
Pepaya California Menggunakan Metode K-Nn. Jusikom : Jurnal Sistem
Komputer Musirawas, 6(1), 1–8. https://doi.org/10.32767/jusikom.v6i1.1175
Alfian Firlansyah, Andi Baso Kaswar, & Andi Akram Nur Risal. (2021).
Klasifikasi Tingkat Kematangan Buah Pepaya Berdasarkan Fitur Warna
Menggunakan JST. Techno Xplore : Jurnal Ilmu Komputer Dan Teknologi
Informasi, 6(2), 55–60. https://doi.org/10.36805/technoxplore.v6i2.1438
Aminudin, A. (2017). Klasifikasi Tingkat Kematangan Buah Pepaya
Menggunakan Metode K-Nearest Neighbor Berdasarkan Warna Kulit Buah.
Ari Wirasaputra, Mursalim, W. (2017). Pengaruh Penggunaan Zat Etefon
Terhadap Sifat Fisik Pisang Kepok (Musa Paradisiaca L). 2(June), 3–5.
Badan Pusat Statistik. (n.d.). Retrieved February 14, 2022, from
https://www.bps.go.id/indicator/55/62/1/produksi-tanaman-buah-
buahan.html
Chitra Wahyuning Kusuma Wekti, F. K. (2019). KADAR VITAMIN C PADA
BUAH PISANG RAJA (Musa paradisiaca L) SEBELUM DAN SESUDAH
PENAMBAHAN KALSIUM KARBIDA (CaC2). 6(1), 13–17.
Churin, S., Aulia, I., & Tengah, J. (2022). PEMANFAATAN UML ( UNIFIED
MODELING LANGUAGE ) DALAM PERANCANGAN SISTEM
INFORMASI REKAM. 6(Dm), 38–44.
Dwi Nur Aini, D. (2019). PERBEDAAN KANDUNGAN VITAMIN C SELAI
CEMPEDAK PADA PEMERAMAN TRADISIONAL DENGAN
PEMERAMAN KARBID. Angewandte Chemie International Edition, 6(11),
951–952., 3(1), 5–24.
Febriandirza, A. (2020). Perancangan Aplikasi Absensi Online Dengan
Menggunakan Bahasa Pemrograman Kotlin. Pseudocode, 7(2), 123–133.
https://doi.org/10.33369/pseudocode.7.2.123-133
Hendini, A. (2016). PEMODELAN UML SISTEM INFORMASI MONITORING
PENJUALAN DAN STOK BARANG (STUDI KASUS: DISTRO ZHEZHA
PONTIANAK). IV(2), 107–116.
Inayah, Ayu Rizka, Afriyudi, M. (2010). Aplikasi Pemesanan Menu Makanan Di
Rumah Makan Berbasis Web Service Menggunakan Mobile Android.
Universitas Bina Darma, 1–10.
Irawan, K., Kurniawan, H., Prasetya, W. S., & Mining, D. (2020). Pola Penentu

54
 Keadaan Status Gizi Balita Dalam Association Rule Mining Berdasarkan
Teknik Antropometri. E-Jurnal JUSITI (Jurnal Sistem Informasi Dan
Teknologi Informasi), 9(2), 118–128. https://doi.org/10.36774/jusiti.v9i2.765
M. Luthfan Taris, Winarso Drajad Widodo, K. S. (2014). IPB CALLINA DARI
BEBERAPA UMUR PANEN. November, 477–481.
Pandinasa, F. (2013). Dengan Metode Otsu. 2.
Paramita, C., Hari Rachmawanto, E., Atika Sari, C., & Ignatius Moses Setiadi, D.
R. (2019). Klasifikasi Jeruk Nipis Terhadap Tingkat Kematangan Buah
Berdasarkan Fitur Warna Menggunakan K-Nearest Neighbor. Jurnal
Informatika: Jurnal Pengembangan IT, 4(1), 1–6.
https://doi.org/10.30591/jpit.v4i1.1267
Pseudocode, J., Nomor, V. I. I. I., Kasus, S., Pemuda, D., & Bengkulu, P. (2016).
127887-ID-implementasi-metode-k-nearest-neighbor-k. III(0065), 98–112.
Putra, C. N., Barmawi, A. M., & Ramadhani, K. N. (2015). Javascript Protection
And Encryption Menggunakan Advance Encryption Standard (aes)
Symetric-key Algorithm Untuk Aplikasi Mobile Berbasis …. EProceedings
of Engineering, 2(2), 5985–6007.
RD. Kusumanto, A. N. T. (2011). PENGOLAHAN CITRA DIGITAL UNTUK
MENDETEKSI OBYEK MENGGUNAKAN PENGOLAHAN WARNA
MODEL NORMALISASI RGB RD. Studies in Environmental Science,
17(C), 329–332. https://doi.org/10.1016/S0166-1116(08)71924-1
Ripeness, P., Papaya, C., & Carica, F. (2015). Kriteria Kemasakan Buah Pepaya (
Carica papaya L .) IPB Callina dari Beberapa Umur Panen. 6(3), 172–176.
Saragih, R. R. (2016). Pemrograman dan bahasa Pemrograman. STMIK-STIE
Mikroskil, December, 1–91.
Suketi, K., Poerwanto, R., & Sujiprihati, S. (2010). Karakter Fisik dan Kimia
Buah Pepaya pada Stadia Kematangan Berbeda Physical and Chemical
Characteristics of Papaya at Different Maturity Stages. Agronomi, 38(1), 60–
66.
Sulistyanto, H., & SN, A. (2014). Urgensi Pengujian pada Kemajemukan
Perangkat Lunak dalam Multi Perspektif. KomuniTi, 6(1), 65–74.
Syakri, S. A., Mulyadi, M., & Simbolon, Z. K. (2018). Identifikasi Tingkat
Kebulatan Buah Pepaya Berdasarkan Luas Objek Dengan Pengolahan Citra.
Jurnal Infomedia, 2(2). https://doi.org/10.30811/.v2i2.517
Taufik Hidayat, M. M. (2018). Pengujian Sistem Informasi Pendaftaran dan
Pembayaran Wisuda Online menggunakan Black Box Testing dengan
Metode Equivalence Partitioning dan Boundary Value Analysis. Jurnal
Teknik Informatika UNIS JUTIS, 6(1), 2252–5351. www.ccssenet.org/cis
Tri Jaya Snadhika. (2018). Pengujian Aplikasi dengan Metode Blackbox Testing

55
 Boundary Value Analysis (Studi Kasus: Kantor Digital Politeknik Negeri
Lampung). Jurnal Informatika: Jurnal Pengembangan IT (JPIT), 03(02),
45–48.
Usmayani, S. N., Basuki, E., & Yasa, I. W. S. (2015). PENGGUNAAN KALIUM
PERMANGANAT (KMnO 4 ) PADA PENYIMPANAN BUAH PEPAYA
CALIFORNIA (Carica papaya L.) [The Use of Potassium Permanganate
(KMnO 4 ) On Shelf Life of California’s Papaya (Carica papaya L.)]. Jurnal
Ilmu Dan Teknologi Pangan), 1(2), 48–55.
Wahyu Puspitaningrum, S. (2018). Identifikasi Mangga Harum Manis Karbitan
dan Tidak Karbitan Dengan Learning Vector Quantization Identification
Carbide and Non Carbide Harum Manis Mango Using Learning Vector
Quantization. 29–36.
Wardani, L. A. (2020). KLASIFIKASI JENIS DAN TINGKAT KEMATANGAN
BUAH PEPAYA BERDASARKAN FITUR WARNA, TEKSTUR DAN
BENTUK MENGGUNAKAN SUPPORT VECTOR MACHINE. Publikasi
Tugas Akhir S-1 PSTI FT-UNRAM.
https://begawe.unram.ac.id/index.php/ta/article/view/227
Widyasari, K. B. D. R. N., Rosiani, U. D., & Pramudhita, A. N. (2021).
Implementasi Sistem Pendeteksi Tingkat Kematangan Buah Pepaya
Menggunakan Metode RGB. SMATIKA JURNAL, 11(01), 32–36.
https://doi.org/10.32664/SMATIKA.V11I01.536

56