IMPLEMENTASI METODE K-NEAREST NEIGHBOR UNTUK

MEMBEDAKAN KEMATANGAN PISANG SECARA ALAMI DAN

KARBITAN

PROPOSAL

Di Susun Oleh :

Arham Sudriawan

(2019020034)

TEKNIK INFORMATIKA

KONSENTRASI WEB

UNIVERSITAS HANDAYANI MAKASSAR

2022
 BAB I

PENDAHULUAN

A. Latar Belakang

Pisang adalah tumbuhan yang banyak tumbuh di daerah beriklim tropis

seperti Indonesia. Tumbuhan pisang memiliki banyak sekali menfaat, diantaranya

daunnya dapat di manfaatkan sebagai bungkus makanan, batangnya dapat

dimanfaatkan sebagai pupuk organik, akarnya dapat diolah sebagai makanan

tradisional dan juga buahnya yang bermanfaat begi kesehatan tubuh karena

mengandung banyak serat-serat mengandung berbagai kandungan Zat gizi yang

penting untuk tubuh zat gizi tersebeut diantaranya adalah karbohodrat, vitamin

dan mineral. Vitam,in yang dikandung oleh buah pisang yaitu vitamin C, B

kompleks, B6, dan serotonin yang aktif sebagai newrotransmitter dalam

kelancaran fungsi otak. Selain itu, pisang juga mengandung Zat besi dalam jumlah

tinggi yang membantu menstimulasi produksi hemoglobin darah. Dengan

demikian, pisang bermanfaat dalam mengatasi semua anemia yang disebabkan

oleh kurangnya kadar hemoglobin dalam darah.

Karena memiliki segudang manfaat, kebutuhan akan buah pisang di

masyarakat sangat tinggi dan setiap tahunnya selalu mengalami peningkatan.

Namun buah pisang sendiri memiliki waktu panen yang terbilang cukup lama,

yaitu sekitar 3 – 4 bulan pasca pohon berbunga. Oleh sebab itu, banyak petani

yang memanen pisang dalam keadaan yang belum matang beberapa diantaranya

melakukan penganan pasca panen pada buah pisang dengan cara meletakkannya

pada udara terbuka di suhu ruang dan membungkusnya dengan plastik atau
karunggoni. Penanganan tersebut sering disebut dengan istilah pemeraman.

Pemeraman bertujuan untuk mempercepat proses kematangan buah secara

bersamaan, sehingga didapatkan tingkat kematangan dan warna yang seragam.

Untuk lebih mempercepat pematangan buah pisang, beberapa petani

biasanya menambahkan karbit dalam proses pemeramannya atau sering disebut

dengan proses pengkarbitan. Karbit atau kalsium karbida (CaC2) adalah adalah

senyawa kimia yang merupakan bahan penghasil gas karbit atau esetilen yang dapat

memacu kematangan buah.. Cara pematangan dengan karbit ini dapat menjadi matang

dengan sempurna dengan waktu antara 2-3 hari. Petani pisang sering melakukan

pengkarbitan pisang ini untuk mempercepat proses penjualan pisangnya agar mereka

dapat segera memperoleh keuntungan dari penjualannya tersebut. Namun proses

pengkarbitan ini cukup bahaya, karena gas dari karbit dapat menempel pada kulit

buah dan dapat terserap kedalam daging buah pisang. Dan jika buah yang

mengandung bahan kimia tersebut dikonsumsi oleh manusia tentu akan

menimbulkan dampak bahaya.

Penelitian yang dilakuak oleh (Adenugraha et al., 2022) dengan judul

penelitian “Klasifikasi Kematangan Buah Pisang Ambon Menggunakan Metode

KNN dan PCA Berdasarkan Citra RGB dan HSV”. Tujuan dari penelitian ini

adalah terciptanya pengembangan teknologi budidaya pisang dan peningkatan

produktivitas dengan menggunakan system kecerdasan buatan yang disandingkan

dengan pengolahan citra digital agar memudahkan para pekebun dalam

mengklasifikasi tingkat kematangan pada buah pisang.

Penelitian yang dilakukan oleh (Halimah et al., 2022) dengan judul

penelitian ” Implementasi Sistem Pendeteksi Kematangan Buah Pisang

Menggunakan Metode Transformasi Ruang Warna HIS”. Dari hasil penelitian,

dalam melakukan proses identifikasi kematangan buah pisang dapat dilihat dari

warna dan ukurannya. Kematangan pisang dibagi menjadi dua fase, yaitu fase 1

kematangan dimulai dengan seluruh permukaan buah berwarna hijau dengan

tekstur buah yang keras, warna kemudian berubah dengan tambahan semburat

kuning, kemudian kuning semakin mendominasi namun masih terdapat warna

hijau. dan fase 2 kematangan warna kuning namun ujungnya masih berwarna

hijau, kemudian ujungnya berubah menjadi kuning, setelah itu mulai muncul

bintik kecokelatan yang akan semakin banyak menghasilkan bercak cokelat

sebagai puncak kematangan buah.

Penelitian terkait selanjutnya dilakukan oleh (Mubarak, M.Z., Lailiyyah.,

H., Wahyuni, D.P., Aini, M., Rahayu, Y.S., & Dewi, 2021) dengan judul

penelitian “Pengaruh Cara Pemeraman terhadap Pematangan Buah Pisang dan

Nanas”. Dari hasil penelitian, menunjukkan bahwa terjadi perubahan warna pada

buah pisang dan nanas selama pemeraman berlangsung. Buah pisang dan nanas

kontrol pada hari pertama masih berwarna hijau namun sudah tua. Pemeraman

menggunakan karbit dan kombinasi daun mangga dan daun pisang menunjukkan

perubahan warna pisang yang lebih cepat dibandingkan kontrol dan pemeraman

menggunakan vitamin C. Perubahan warna tersebut terjadi pada hari ke 4

pemeraman. Namun pada hari ke 7 pemeraman menggunakan karbid skor warna

buah pisang lebih tinggi dibandingkan dengan pemeraman lainnya. Adapun pada

buah nanas, perubahan warna dari berbagai cara pemeraman relatif sama.
 Berdasarka permasalahan tersebut maka peneliti menganggap perlu

membuat sebuah sistem pengolahan citra digital, yang nantinya diharapkan dapat

berguna sebagai media yang dapat membantu masyarakat yang kurang paham

dalam membedakan proses kematangan pisang secara alami dan menggunakan

karbit. Sistem ini nantinya akan mendeteksi melalui warna kulit buah pisang. Pada

system yang akan dibuat digunakan Ekstraksi fitur yang terdiri dari ekstraksi

warna buah pisang menggunakan metode Hue Saturation Value (HSV) dan

ekstraksi tekstur buah pisang menggunakan metode Gray-Level Cooccurrence

Matrix (GLCM) kemudian Untuk melakukan klasifikasi peneliti tertarik untuk

mengimplementasikan algoritma K-Nearest Neighbor (K-NN) dalam pengolahan

citra karena dianggap cocok untuk mengklasifikasikan objek secara cepat dengan

tingkat akurasi yang cukup baik.

K-Nearest Neighbor (K-NN) merupakan metode yang menggunakan

algoritma supervised Perbedaan antara supervised learnin dengan unsupervised learning.

Tujuan dari algoritma K-NN adalah untuk mengklasifikasi objek baru berdasarkan atribut

dan training samples. Algoritma K-NN menggunakan klasifikasi ketetanggaan sebagai

nilai prediksi dari sampel uji yang baru.

Sedangkan Gray-Level Co-occurrence matrix (GLCM) merupakan

teknik analisis tekstur pada citra. GLCM merepresentasikan hubungan antara 2

pixel yang bertetanggaan (neighboring pixels) yang memiliki intensitas keabuan

(grayscale intensity), jarak dan sudut. Pada penelitian ini menggunakan 5 sudut

diantaranya 0°, 45°, 90°, 135°, dan 180° untuk menentukan hubungan antar

piksel yang mempunyai pola ketetanggaan dalam suatu citra digital. GLCM

merupakan salah satu ektraksi ciri untuk memperoleh nilai fitur dengan

menghitung kemunculan matriks yang sama dalam piksel gambar. Fitur ciri yang

digunakan dalam penelitian ini yaitu kontras, entrophy, kolerasi, energy, dan

homogenitas sebagai fitur ekstraksi ciri dalam pemrosesan citra.

Pada penelitian terdahulu yang dilakukan oleh Adenugraha dan juga

penelitian yang dilakukan oleh Halimah hanya menggunakan ekstraksi warna

tidak menggunakan ekstraksi fitur jadi hasil yang diperoleh kurang maksimal .

Pada penelitian kali ini dalam membedakan proses kematangan buah pisang

yang matang secara alami dan matang menggunakan karbit peneliti akan

membuat sebuah sistem yang bisa mendeteksi ciri fitur dan ciri warna pada buah

pisang sehingga peluang untuk membedakan mana buah pisang yang matang

secara alami dan matang menggunakan karbit bisa mendapatkan hasil yang

akurat lebih besar .

B. Rumusan Masalah

1. Bagaimana membuat aplikasi untuk membedakan proses kematangan

pisang secara alami dan karbitan ?

2. Bagaimana Mengimplementasikan aplikasi untuk membedakan proses

kematangan pisang secara alami dan karbitan menggunakan metode Hue

Saturation Value (HSV), Gray-Level Cooccurrence Matrix (GLCM) dan

K-Nearest Neighbour (KNN) ?

C. Batasan Masalah

Batasan permasalahan dalam penyusunan proposal sebagai berikut :

1. Objek yang akan di tiliti adalah buah pisang.

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

 3. Membedakan proses kematangan pisang secara alami dan karbitan

menggunkan citra.

4. Metode yang digunakan yaitu metode Hue Saturation Value (HSV), Gray-

Level Cooccurrence Matrix (GLCM) dan K-Nearest Neighbour (KNN).

D. Tujuan Penilitian

Tujuan dalam penilitian ini sebagia berikut :

1. Mengimplementasikan pengolahan citra digital dalam membedakan proses

kematangan pisang secara alami dan karbitan

2. Mengimplementasikan metode Hue Saturation Value (HSV), Gray-Level

Cooccurrence Matrix (GLCM) dan K-Nearest Neighbour (KNN) dalam

aplikasi citra digital.

E. Manfaat Penilitian

Manfaat yang akan dicapai pada penilitian ini adalah :

1. Dapat membantu masyarakat dalam membedakan mana buah pisang yang

matang secara alami dan mana buah pisang yang matang secara karbitan

dengan menggunakan aplikasi pengolahan citra digital.

2. Mampu digunakan sebagai aplikasi yang dapat membantu mengetahui

mana pisang yang matang secara alami dan mana buah pisang yang

matang secara karbitan 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

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.

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.

2. Metode Gray Level Co-occurrence Matrix (GLCM)

Gray-Level Co-occurrence matrix (GLCM) merupakan teknik

analisis tekstur pada citra. GLCM merepresentasikan hubungan antara 2

pixel yang bertetanggaan (neighboring pixels) yang memiliki intensitas

keabuan (grayscale intensity), jarak dan sudut. Terdapat 8 sudut yang dapat

digunakan pada GLCM, diantaranya sudut 0°, 45°, 90°, 135°, 180°, 225°,

270°, atau 315°.

 3. 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 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.

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

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.
 BAB II

TINJAUAN PUSTAKA

A. Landasan Teori

1. Pisang

Buah pisang atau dalam Bahasa ilmiahnya disebut Musa

Paradisiaca. Merupakan jenis buah dengan warna kulit kuning ketika

matang dan merupakan bahan pangan yang mengandung karbohidrat dan

mineral. Di dunia terdapat berbagai macam jenis pisang salah satunya

pisang bunga (heliconia indica lamek), pisang serap (noe. Musa texstiles),

pisang buah (musa paradisiacal L.). Di Indonesia, perkebunan pisang

hanya dijadikan sebagai tanaman sampingan atau tanaman kebun

belakang. Pisang menduduki posisi ketiga terbesar produksi buah di

Indonesia. 80% produksi pisang di Indonesia berasal dari Jawa dan

Sumatera. Selain Jawa dan Sumatera, Kalimantan telah mengembangkan

area penanaman pisang khususnya di Kalimantan Timur. (Adenugraha et

al., 2022)

Buah pisang merupakan salah satu buah yang banyak dikonsumsi

dan diminati oleh masyarakat, karena buah pisang memiliki kandungan

gizi yang baik. Buah pisang juga mengandung banyak karbohidrat, dimana

karbohidrat merupakan kandungan utama yang paling dibutuhkan oleh

tubuh karena diolah oleh tubuh menjadi energi.Karena banyak manfaatnya

itulah buah pisang banyak dibudidayakan di Indonesia, baik oleh petani

maupun orang awam. (Kurnianingsih et al., 2018)

 Saat ini buah pisang termasuk salah satu buah favorit yang

memiliki gizi yang baik dan rasa yang disukai kebanyakan masyarakat.

Buah pisang sering dikonsumsi langsung atau dibuat untuk berbagai

produk olahan. Di beberapa daerah, pisang dapat digunakan

sebagai penggantipangan pokok karena mangandung karbohidrat yang

tinggi, yang mana dapat dibuat banyak macam produk olahan dari pisang.

Untukitubuah pisang mentahdapat diolah menjadi berbagai produk,

seperti pembuatan gaplek atautepungdari pisangdan juga dapat digunakan

untuk olahan langsung dari pisang tersebut. Kendala pada masyarakat

dalam menentukan buah pisang yang masih mentah, sudah matang atau

busuk terkadang dialami oleh masyarakat yang tidak mengetahui tentang

buah pisang yang matang dan baik untuk di kelola. Oleh karena itu,

diperlukan sebuah sistem untuk menentukan tingkat kematangan buah

pisang tersebut sebelum diproses oleh masyarakat, agar masyarakat bisa

menentukan buah yang layak diproduksi. Pisang memiliki berbagai jenis

yang memilikikarakteristik dan gizi yang berbeda. Untuk menentukan

berat buah pisang yang ideal adalah memiliki sekitar 100 g.

Dagingdaribuah pisang yang baik terdapat protein 1,2 g, lemak 0,3 g,

mengandung air sebanyak 70 g, pati 2,7 g, dan serat 0,5 g. Pisangjuga

memliki banyakpotassium sekitar400 mg/100 g. Ketika buah pisang

masak akan mengalami perubahan secara fisiologis, yaitu terjadi

peningkatan aktifitas respirasi awal yang terjadi pada buah

klimakterik, juga terjadinya degradasi pada dinding sel yang membuat

perubahan warna dan tekstur pisang. yang membuatnya dapat

digunakan untuk menentukan kematangan dari kulit pisang. (Saputra et

al., 2021)

a. Pembedaan kematangan pisang

1) Pisang matang secara alami

Membedakan kematangan pisang alami dan kematangan

pisang menggunkan karbit, untuk pisang yang matang secara alami

indicator yang dapat kita lihat yaitu :

 Tekstur daging yang lunak karena zat gula yang terbentuk

sempurna pada buah pisang yang matang secara alami

 Pisang yang matang alami akan memiliki aroma yang kuat

 Pisang yang matang secara alami memiliki warna yang lebih

cerah dibandingkan dengan pisang yang matang menggunakan

karbit yang memiliki warna yang pucat

 Buah pisang yang matang secara alami akan terasa lebih segar

dan manis tidak sepat.

2) Pisang matang menggunakan karbit

Pisang yang matang dengan proses karbitan atau tidak

matang secara alami. Biasanya, hal ini bisa dikenali dengan adanya

bercak-bercak berwarna kehitaman pada permukaan kulitnya. Pisang

karbitan ini tidak memiliki aroma khas pada pisang yang sudah

matang meskipun terlihat menguning dan matang. Hal inilah yang

menandakan bahwa buah yang dikenal baik bagi kesehatan bisa jadi
 kurang baik bagi kesehatan karena dimatangkan dengan karbit atau

bahan kimia sehingga nutrisi-nutrisi yang terkandung di dalamnya

menjadi tidak sempurna. Bahkan dalam banyak kasus pisang ini

tidak memiliki nutrisi apapun sehingga tidak akan mendapat manfaat

kesehatan. Berbeda dengan pisang yang matang dengan proses alami

memiliki kandungan seperti vitamin C, B, B1, B2, zat besi, protein,

serta karbohidrat. (Anonim, 2015)

2. Citra

Citra adalah repesentasi (gambaran), kemirpan, atau imitasi dari

suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat

bersifat optik berupa foto, bersifat analog berupa sinyal – sinyal video

seperti gambar pada monitor televisi, atau bersifat digital yang dapat

langsung disimpan pada suatu media penympana. Citra digital adalah citra

yang dapat diolah oleh komputer.

Citra adalah gambar pada bidang dua dimensi yang dihasilkan dari

gambar analog dua dimensi dan kontinus menjadi gambar diskrit, melalui

proses sampling gambar analog dibagi menjadi M baris dan N kolom

sehingga menjadi gambar diskrit(Darma, 2010). Gambar 1 adalah

koordinat citra digital terhadap sumbu (x,y) suatu bidang dua dimensi.
 Gambar 1. KoordinatCitra Digital

Citra digital secara matematis terlihat seperti dibawah ini dimana x

menunjukkan baris dan y menunjukkan kolom:

f(0,0) f(0,1) … f(0,N – 1) f(x,y) = f(1,0) f(1,1) … f(1,N – 1)

: : :

f(M – 1,0) f(M – 1,1) … M – 1,N – 1)

Seperti pada layar monitor, koordinat citra dimulai dari pojok kiri

atas. Secara matematis dimulai dari (0,0) dan berakhir di (M-1,N-1).

Namun secara implementasi di Matlab, koordinat citra dimulai dari

(1,1) dan berakhir di (M,N). Perlu diingat pula bahwa untuk mengakses

piksel citra, penulisan indeks secara matematis pada citra bersesuaian juga

dengan penulisan indeks pada Matlab. Artinya f(x,y) secara matematis

serupa dengan f(baris, kolom) di Matlab(Priyanto, 2017).

Fungsi f(x,y) dapat dipisahkan menjadi dua komponen, yaitu:

i(x,y) adalah jumlah cahaya yang berasal dari sumbernya (illumination).

r(x,y) adalah derajat kemampuan objek memantulkan cahaya (reflection)

3. Pengolahan Citra

Meskipun sebuah citra kaya informasi, namun seringkali citra yang

kita miliki mengalami penurunan mutu (degradasi), misalnya mengandung

cacat atau derau (noise), warnanya terlalu kontras, kurang tajam, kabur

(blurring), dan sebagainya. Tentu saja citra semacam ini menjadi lebih

sulit diinterpretasi karena informasi yang disampaikan oleh citra tersebut

menjadi berkurang.

Agar citra yang mengalami gangguan mudah diinterpretasi (baik

oleh manusia maupun mesin), maka citra tersebut perlu dimanipulasi

menjadi citra lain yang kualitasnya lebih baik. Pengolahan citra adalah

pemrosesan citra, khususnya dengan menggunakan computer, menjadi

citra yang kualitasnya lebih baik.

4. Kompresi Citra

Pada proses ini diperlukan untuk memperkecil ukuran suatu citra

digital tanpa merubah isi atau informasi yang terkandung dalam citra

digital tersebut.

Kompresi data, terutama kompresi data dua dimensi yang dapat

direpresentasikan sebagai citra, telah banyak dilakukan. Beberapa

penelitian telah melakukan survey berkaitan dengan metode serta efek dari

kompresi data dengan informasi yang tersimpan di dalam data – data

tersebut. Salah satu format data citra digital yang digunakan untuk

menyimpan adalah format citra JPEG. (Raharja & Harsadi, 2018)

5. Ekstraksi Fitur

Fitur adalah suatu tanda unik yang terdapat pada objek serta dapat

membedakan objek satu dengan lainnya berdasarkan karakteristik tertentu.

Ekstraksi fitur merupakan bagian penting dari analisis citra untuk

mengetahui dan mengenali ciri khusus dari suatu citra yang diteliti.

Terdapat beberapa metode yang digunakan untuk ekstraksi fitur pada citra,

antara lain ciri amplitudo, ciri histogram, matriks co-ocurrence, gradient,

deteksi tepi, spektrum fourier, wavelet, fitur warna, tapis gabor,

overlapping dan nonoverlapping block, dan fraktal.

6. Algortima HSV (Hue Saturation Value)

Ruang warna HSV merupakan model warna yang sering

digunakan karena ruang warna ini mirip dengan karakteristik persepsi

warna pada mata manusia. Ruang warna HSV berasal dari kata hue,

saturation, dan value. Hue digunakan untuk menunjukkan jenis atau corak

warna di mana tempat warna tersebut ditemukan pada spektrum warna

(misalnya warna merah, biru, atau orange). Saturation digunakan untuk

menyatakan ukuran bersarnya kemurnian warna tersebut. Sedangkan,

value digunakan untuk mengukur tingkat kecerahan dari suatu warna atau

ukuran besarnya cahaya yang datang pada warna tersebut. Pada gambar 6

di bawah ini merupakan gambaran dari ruang warna HSV.

 Gambar Ruang Warna HSV

Sebelum melakukan ekstraksi ciri HSV harus dilakukan konversi

terlebih dahulu dari RGB ke HSV. Konversi tersebut dapat menggunakan

rumus di bawah ini dengan menghitung nilai normalisasi RGB terlebih

dahulu.

Setelah itu, menggunakan nilai normalisasi RGB yang diperoleh

untuk mendapatkan konversi nilai HSV dengan rumus berikut:

 Keterangan persamaan 1.1 sampai 1.7:

H = nilai hue

S = nilai saturation

V = nilai value

R = nilai red

G = nilai green B = nilai blue r = normalisasi red g = normalisasi

green b = normalisasi blue

7. GLCM (Grey Level Coocurance Matrix)

Tekstur merupakan salah satu ciri pada citra yang dapat diamati

secara visual namun sulit untuk mendefinisikannya . GLCM merupakan

metode ekstraksi ciri tekstur untuk memperoleh nilai statistik yang terletak

pada orde ke dua serta perhitungannya berdasarkan kedekatan antar dua

piksel ketetanggaan dengan arah sudut dan jarak tertentu. Hubungan

ketetanggan tersebut didasarkan pada tingkat keabuan piksel suatu citra

serta dihitung berdasarkan arah sudut, sebagai berikut 0 o, 45o, 90o, dan

135o . Sebelum melakukan ekstraksi fitur GLCM, konnversi warna RGB ke

grayscale harus dilakukan, adapun rumus yang digunakan untuk

melakukan konversi, sebagai berikut:

Grayscale = R * 0.2989 + G * 0.5870 + B * 0.1140

Terdapat beberapa ekstraksi fitur GLCM, antara lain energy,

contrass, correlation, dan homogeneity . Energi berfungsi untuk mengukur

ketidakberaturan tingkat keabuan pada gambar, untuk

perhitunggannya menggunakan rumus seperti di bawah ini:

energi=∑𝑖 ∑𝑗 𝑝(𝑖,𝑗)2 (2.2)

Contrass berfungsi untuk mengukur besarnya tingkat keabuan

pada daerah di sekitar citra, untuk perhitunggannya menggunakan rumus

seperti di bawah ini:

𝑐𝑜𝑛𝑡𝑟𝑎𝑠𝑠=∑𝑖 ∑𝑗 |𝑖−𝑗|2𝑝(𝑖,𝑗) (2.3)

Homogeneity/homogenitas berfungsi untuk mengukur

kehomogenan variasi intensitas (kemiripan) pada citra, untuk

perhitunggannya menggunakan rumus seperti di bawah ini:

(2.4)

Korelasi/correlation berfungsi untuk mengukur tingkat

ketergantungan linier pada setiap piksel citra greyscale yang saling

bertetanggan.

(2.5)

𝜇𝑖 =∑𝑖 ∑𝑗 𝑖⁡𝑝(𝑖,𝑗) (2.6)

𝜇𝑗 =∑𝑖 ∑𝑗 𝑗⁡𝑝(𝑖,𝑗) (2.7)

(2.8)

(2.9)

Keterangan persamaan 2.1 sampai 2.9:

R = nilai red

G = nilai green
 B = nilai blue i = baris ke-i

j = kolom ke-j

p(i,j) = nilai indeks baris ke-i dan kolom ke-j

𝜇𝑖 = mean elemen baris

𝜇𝑗 = mean elemen kolom

𝜎𝑖 = varians elemen baris

𝜎𝑗 = varians elemen kolom

8. K-NN (K-Nearest Neighbor)

Metode K-Nearest Neighbor adalah salah satu metode

supervised learning yang proses klasifikasinya berdasarkan jarak

ketetanggaan terdekat dari dataset training. Terdapat beberapa jenis

perhitungan jarak yang dapat digunakan pada metode klasifikasi K-NN,

antara lain euclidean, manhattan/cityblock, cosine, dan correlation.

Namun dari beberapa jenis perhitungan tersebut, euclidean yang paling

sering digunakan pada klasifikasi KNN serta default perhitungan jarak K-

NN pada matlab. Adapun rumus dari perhitungan jarak euclidean,

sebagai berikut:

(4.1)

Keterangan persamaan 4.1 :

di = jarak euclidean ke-i

x2i = data training ke-i

 x1i = data testing ke-i

n = banyaknya data training

i = baris ke-I (Syarifah et al., 2022)

9. UML

Unified Modeling Language (UML) adalah bahasa spesifikasi

standar yang dipergunakan untuk mendokumentasikan, menspesifikasikan

dan membanngun perangkat lunak. UML merupakan metodologi dalam

mengembangkan sistem berorientasi objek dan juga merupakan alat untuk

mendukung pengembangan sistem. Unified Modeling Language (UML)

adalah sebuah bahasa yang berdasarkan grafik atau gambar untuk

memvisualisasi, menspesifikasikan, membangun, dan pendokumentasian

dari sebuah sistem pengembangan software berbasis OO (Object-

Oriented). UML sendiri juga memberikan standar penulisan sebuah sistem

blue print, yang meliputi konsep bisnis proses, penulisan kelas-kelas

dalam bahasa program yang spesifik, skema database, dan

komponenkomponen yang diperlukan dalam sistem software

(http://www.omg.org). Diagram Unified Modelling Language (UML)

antara lain sebagai berikut: (Suendri, 2018)

a. Use case Diagram

Use case diagram adalah deskripsi fungsi dari sebuah sistem dari

perspektif penggguna. Use case diagram bekerja dengan cara

mendeskripsikan tipikal interaksi antara user sebuah sistem dengan

sistemnya sendiri melaluhi sebuah cerita bagaimana sebuah sistem

 dipakai.Dapat dilihat pada Tabel 1.
Tabel 1. Simbol Use Case Diagram
NO GAMBAR NAMA
1 Actor
Dependenc
2 bergantung padanya elemen
y
3 Generalizat ion
4 Include
5 Extend
6 Association
7 System
KETERANGAN
Menspesifikasikan himpuan
peran yang pengguna mainkan
ketika berinteraksi dengan use
case.
Hubungan dimana perubahan
yang terjadi pada suatu elemen
mandiri (independent) akan
mempengaruhi elemen yang
yang tidak mandiri
(independent).
Hubungan dimana objek anak
(descendent) berbagi perilaku
dan struktur data dari objek
yang ada di atasnya objek
induk (ancestor).
Menspesifikasikan bahwa use
case sumber secara eksplisit.
Menspesifikasikan bahwa use
case target memperluas
perilaku dari use case sumber
pada suatu titik yang
diberikan.
Apa yang
menghubungkan antara objek
satu dengan objek lainnya.
Menspesifikasikan paket yang
menampilkan sistem secara
terbatas.
 Deskripsi dari urutan aksi-aksi
yang ditampilkan sistem yang
8 Use Case menghasilkan suatu hasil yang
terukur bagi suatu actor

Interaksi aturanaturan dan

elemen lain yang bekerja sama
untuk menyediakan prilaku
9 Collaborati on yang lebih besar dari jumlah
dan elemenelemennya
(sinergi).
Elemen fisik yang eksis saat
aplikasi
10 Note
dijalankan dan mencerminkan
suatu sumber daya komputasi
Sumber : Buku Rekayasa Perangkat Lunak karangan Rosa A.S, M Shalahuddin,

2011

b. Class Diagram

Class adalah deskripsi kelompok obyek-obyek dengan properti,

perilaku dan relasi yang sama. Sehingga dengan adanya class diagram

dapat memberikan pandangan global atas sebuah sistem. Hal tersebut

tercermin dari class-class yang ada dan relasinya satu dengan yang

lainnya. Sebuah sistem biasanya mempunyai beberapa class diagram.

Dapat dilihat pada Tabel 2.

Tabel 2. Simbol Class Diagram

NO GAMBAR NAMA KETERANGAN

 Hubungan dimana objek anak
(descendent) berbagi perilaku
dan struktur data dari objek
1 Generalization
yang ada di atasnya objek
induk (ancestor).

Upaya untuk menghindari

Nary
2 asosiasi dengan lebih dari 2
Association
objek.
Himpunan dari objek-objek
3 Class yang berbagi atribut serta
operasi yang sama.
Deskripsi dari urutan aksi-
aksi yang ditampilkan sistem
4 Collaboration yang menghasilkan suatu
hasil yang terukur bagi suatu
actor
Operasi yang benar-benar
5 Realization dilakukan oleh suatu objek.
Hubungan dimana perubahan
yang terjadi pada suatu
elemen mandiri
6 Dependency (independent) akan
mempegaruhi elemen yang
bergantung padanya elemen
yang tidak mandiri
Apa yang
7 Association menghubungkan antara objek
satu dengan objek lainnya
Sumber : Buku Rekayasa Perangkat Lunak karangan Rosa A.S, M Shalahuddin,

2011

c. Sequence Diagram

Sequence diagram menggambarkan interaksi antar objek di dalam

dan di sekitar sistem (termasuk pengguna, display, dan sebagainya)

berupa message yang digambarkan terhadap waktu. Dapat dilhat pada

Tabel 3.
Tabel 3. Simbol Sequence Diagram

NO GAMBAR NAMA KETERANGAN

Objek entity, antarmuka yang
1 LifeLine saling berinteraksi.
Spesifikasi dari komunikasi
antar objek yang
2 Message memuat informasiinformasi
tentang aktifitas yang
terjadi
Spesifikasi dari komunikasi
antar objek yang
3 Message memuat informasiinformasi
tentang aktifitas yang
terjadi
Sumber : Buku Rekayasa Perangkat Lunak karangan Rosa A.S, M Shalahuddin,

2011

d. Activity diagram

Activity diagram adalah teknik untuk mendiskrispikan logika

prosedural, proses bisnis dan aliran kerja dalam banyak kasus. Dapat

dilihat pada Tabel 4.

Tabel 4. Simbol Activity Diagram

NO GAMBAR NAMA KETERANGAN

Memperlihatkan bagaimana
masingmasing kelas antarmuka
1 Actifity
saling berinteraksi satu sama lain

State dari sistem yang

2 Action mencerminkan
eksekusi dari suatu aksi
Initial Bagaimana objek dibentuk atau
3
Node diawali.
 Actifity Bagaimana objek dibentuk dan
4 Final dihancurkan
Node
5 Fork Node
Satu aliran yang pada tahap
tertentu berubah menjadi beberapa
aliran
Sumber : (MADCOMS, 2008.Teknik Mudah Menbangun Website Dengan PHP)

e. Deployment Diagram

Deployment diagram menunjukkan tata letak sebuah sistem secara

fisik, menampakkan bagian-bagian software yang berjalan pada

bagian hardware. Dapat dilihat pada Tabel

Tabel 5. Simbol Deployment Diagram

N GAMBAR NAMA KETERANGA

O N
node adalah sumber daya
1 Kompone fisik yang menjalankan kode
n komponen.

Asosiasi mengacu pada

2 Asosiasi koneksi fisik antara node,
seperti Ethernet.
komponen di dalam node
3 Kompone yang menyebarkan mereka.
n dan Nodes

Sumber : Buku Rekayasa Perangkat Lunak karangan Rosa A.S, M Shalahuddin,

2011. (Maiyendra, 2019)

B. Penelitian Terkait

Perbedaan dengan
Nama Algoritma yang
No Judul Penelitian Hasil Penelitian Penelitian
Penelitian/Tahun digunakan
sekarang
1. Mohammad Faizal Klasifikasi Metode Naive Pengujian untuk Pada penelitian
Ajizi, Dahnial Kematangan Buah Bayes sensor loadcell sebelumnnya
Syauqy, Pisang Berbasis mendapatkan tingkat menggunakan
Mochammad Sensor Warna Dan akurasi sebesar metode Naive
Hannats Hanafi Sensor Load Cell 93,89% jika Bayes sedangkan
Ichsan (2019) Menggunakan dibandingkan penelitian yang
Metode Naive dengan timbangan akan dijalankan
Bayes digital. Untuk sensor menggunakan
warna mendapat metode K-Nearest
tingkat akurasi Neighbour (KNN)
sebesar 85,53% jika
dibandingkan
dengan Corel Photo-
Paint. Dari 10 data
uji yang diujikan,
ada 1 data yang
dihasilkan sistem
yang tidak sesuai
dengan kondisi
sebenarnya, maka
klasifikasi yang
dihasilkan sistem
memiliki tingkat
 akurasi sebesar 90%.
2 Adhi Wibowo, Deteksi Metode Hasil dari deteksi Terdapat perbedaan
Diwahana Mutiara Kematangan Buah Transformasi kematangan dapat
objek penelitian
Candrasari Jambu Kristal Ruang Warna Hsv dilihat pada masing-
Hermanto, Kusuma Berdasarkan Fitur (Hue Saturation masing pengujian dimana penelitian
Indah Lestari & Warna Value) Dan K- dengan nilai
sebelumnya
Hadion Wijoyo2 Menggunakan Nearest Neighbor presentase 91,67%
(2021) Metode untuk kategori buah menggunakan
Transformasi jambu matang, 90%
jambu kristal untuk
Ruang Warna Hsv untuk kategori buah
(Hue Saturation jambu mentah. Nilai mngetahui tingkat
Value) Dan K- presentase untuk
kematangan.
Nearest Neighbor pengujian
keseluruhan data Sedangkan pada
mempunyai
penelitian ini
presentase nilai yang
baik dimana menggunkan objek
berpengaruh dalam
buah pisang untuk
mendeteksi
kematangan jambu membedakan proses
kristal yaitu sebesar
kematangan
95%. Maka dapat
disimpulkan, bahwa
pendeteksian
kematangan buah
jambu kristal dapat
dilakukan dengan
menerapkan metode
 transformasi ruang
warna HSV.
Mendeteksi tingkat
kematangan buah
pisang tidak selalu
dilakukan secara Pada penelitisn ini
manual tetapi juga hanya menggunakan
Implementasi
bisa dilakukan satu fitur ekstraksi
Martina Halimah, Sistem Pendeteksi
secara komputerisasi warna yaitu HIS
Shindy Qurani Kematangan Buah
Metode dengan sedangkan system
Rahim, Arniati Pisang
3 Transformasi menggunakan yang akan dibuat
Burara, Yolen Menggunakan menggunakan dua
Ruang Warna HSI metode transformasi
Perdana Sari, Perani Metode fitur ekstraksi yaitu
ruang warna HSI.
Rosyani (2022) Transformasi GLCM untuk tekstur
Sehingga dapat
Ruang Warna HSI dan HSV untuk
memudahkan para
warna
petani dalam
menentukan tingkat
kematangan buah
pisang.
4 Husnul Khotimah, Klasifikasi Metode HSV Dan Hasil klasifikasi Pada penelitian
Nur Nafi’iyah, Kematangan Buah K-Nearest pada citra mangga sebelumnya
Masruroh (2019) Mangga Neighbor dengan nilai k=1, menggunakan objek
Berdasarkan Citra nilai akurasinya mangga sedangkan
HSV dengan KNN 56%. Hasil penelitian sekarang
klasifikasi pada citra menggunakan objek
mangga dengan nilai buah pisang namun
k=2, nilai akurasinya dengan metode
80%. Hasil yamg sama yaitu
klasifikasi pada citra metode KNN
mangga dengan k=3,
nilai akurasinya
78%. Hasil
klasifikasi pada citra
mangga dengan k=4,
nilai akurasinya
53%. Hasil
klasifikasi pada citra
mangga dengan k=5,
nilai akurasinya
48%. Hasil
klasifikasi pada citra
mangga dengan k=6,
nilai akurasinya
45%. Hasil
klasifikasi pada citra
mangga dengan k=7,
nilai akurasinya
48%. Hasil
klasifikasi pada citra
mangga dengan k=8,
nilai akurasinya
53%. Hasil
klasifikasi pada citra
mangga dengan k=9,
nilai akurasinya
43%. Hasil
 klasifikasi pada citra
mangga dengan
k=10, nilai
akurasinya 48%.
5 Indrabayu, Nurhikma Klasifikasi Metode HSV Klasifikasi Perbedaan dengan
Arifin, Intan Sari Kematangan Stroberi kematangan stroberi penelitian ini yaitu
Areni (2019) menghasilkan penggunaan metode
Berbasis Segmentasi akurasi sebesar 97% pada pendeteksi
Warna dengan dengan kernel RBF. warna hanya
Metode HSV
Kematangan stroberi menggunakan HSV
dapat di sedangkan pada
implementasikan penelitian sekarang
menggunakan Image menggunakan HSV
processing. Pada dan GLCM.
tahap segmentasi
prototype sistem
klasifikasi
kematangan buah
stroberi
menggunakan
metode HSV. Proses
ini menghasilkan
nilai optimal lower
HSV = (0,48,33) dan
upper HSV =
(77,255,212). Nilai
tersebut dapat
memisahkan objek
stroberi dengan
background secara
tepat meskipun
warna pada setiap
kategori kelas
berbeda.
 C. Kerangka Pemikiran

MASALAH

Permasalahan yang sering terjadi yaitu biasanya terdapat beberapa

orang yang kurang memahami buah pisang yang matang secara alami dan
yang matang menggunakan karbit, ada juga beberapa orang masih
menggunakan sistem manual dalam melihat buah pisang 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 pisang secara alami dan
yang menggunakan karbit.

METODE

Pengolahan Citra Digital Ini Menggunakan metode Hue Saturation

Value (HSV) untuk mengekstraksi warna, Gray Level Co-occurrence Matrix
(GLCM) untuk mengekstraksi tekstur dan algoritma K-Nearest Neighbor(K-
NN) untuk mengklasifikasikan fitur-fitur yang digunakan.

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

c. Setelah itu konsumen mencium aroma pada buah yang akan di beli.

d. Konsumen melakukan pembayaran.

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

pisang 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)

Penjelasam dari Use Case Diagram diatas yaitu

terdiri dari 2 actor yaitu actor Admin dan Actor konsumen

gula merah :
a) Actor Admin

Admin adalah orang yang mempunyai tugas untuk

melakukan tata kelola data. Admin memiliki hak akses

untuk :

1) Admin login ke system

Hal pertama yang dilakukan oleh actor

admin adalah login kedalam system.

2) Admin mengelola data traning

Selanjutnya admin melakukan input data

training dari galeri maupun melalui pengambilan

gambar langsung yang bertujuan agar melatih

algoritma dalam mencari model yang sesuai.

Kemudian admin mengelola data training yang

telah diinput berupa sampel gambar nira secara

acak diolah dengan ekstraksi ciri tekstur

menggunakan metode Gray Level Co-occurrence

Matrix (GLCM) dan ekstraksi warna menggunakan

Hue Saturation lightness (HSL) kemudian

menggunakan algoritma K-Nearest Neighbor (K-

NN) untuk mengklasifikasi analisis dari fitur-fitur

yang digunakan.

3) Admin melihat hasil klasifikasi

Selanjutnya admin dapat melihat hasil dari

klasifikasi akan kualitas dari nira yang telah diolah.

 4) Admin logout

langkah terakhir yang dilakukan oleh admin yaitu logout.

b) Actor konsumen gula merah (User)

User adalah orang yang akan menggunakan system

atau aplikasi yang telah dibuat. User mempunyai hak

akses untuk :

1) Registrasi

Hal pertama yang dilakukan oleh user

sebelum melakukan login terlebih dahulu harus

melakukan registrasi.

2) User LoginSetelah melakukan registrasi user melakuka login kedalam

system.

3) User input data citra

Kemudian user menginput data citra untuk

nantinya dikelola oleh system.

4) User melihat hasil citra

Setelah menginput data citra, dilakukan proses

ekstraksi ciri tekstur menggunakan metode Gray

Level Co-occurrence Matrix (GLCM) dan

ekstraksi warna menggunakan Hue Saturation

lightness (HSL) kemudian diklasifikasikan dengan

algoritma K-Nearest Neighbor (K-NN) Setelah itu

hasil klasifikasi dapat dilihat oleh konsumen.

5) User logout
 langkah terakhir yang dilakukan oleh user adalah keluar dari
system.

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

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 HSV 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 pisang

4) Melihat hasil klasifikasi dan akurasi nilai K buah pisang

5) Logout

2. Kebutuhan Non Fungsional Sistem

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

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

Teknik 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 pisang baik itu matang secara alami atau pematangan

menggunakan karbit.

D. Lokasi Penelitian

Penelitian ini di lakukan pada Dinas Pertanian Gowa. Sebagai sumber

untuk mendapatkan data maupun informasi dalam merancang dan membangun

sistem pengolahan citra digital untuk membedakan proses kematangan pisang

menggunakan metode K-Nearest Neighbors (KNN).

 DAFTAR PUSTAKA

Adenugraha, S. P., Arinal, V., & Mulyana, D. I. (2022). Klasifikasi Kematangan

Buah Pisang Ambon Menggunakan Metode KNN dan PCA Berdasarkan
Citra RGB dan HSV. Jurnal Media Informatika Budidarma, 6(1), 9.
https://doi.org/10.30865/mib.v6i1.3287
Anonim. (2015). Bab I ْ ُ ‫با حض خ ِ ي‬. Galang Tanjung, 2504, 1–9.
Halimah, M., Rahim, S. Q., Burara, A., & Sari, Y. P. (2022). Implementasi Sistem
Pendeteksi Kematangan Buah Pisang Menggunakan Metode Transformasi
Ruang Warna HSI. 1(01), 72–76.
Kurnianingsih, R., Ghazali, M., & Astuti, S. P. (2018). Karakterisasi Morfologi
Tanaman Pisang Di Daerah Lombok. Jurnal Biologi Tropis, 18(2), 235–240.
https://doi.org/10.29303/jbt.v18i2.790
Maiyendra, N. A. (2019). Perancangan Sistem Informasi Promosi Tour Wisata
Dan Pemesanan Paket Tour Wisata Daerah Kerinci Jambi Pada Cv. Rinai
Berbasis Open Source. Jursima, 7(1), 1. https://doi.org/10.47024/js.v7i1.164
Mubarak, M.Z., Lailiyyah., H., Wahyuni, D.P., Aini, M., Rahayu, Y.S., & Dewi,
S. K. (2021). Pengaruh Cara Pemeraman terhadap Pematangan Buah Pisang
dan Nanas. Prosiding SEMNAS BIO, 541–552.
Raharja, B. D., & Harsadi, P. (2018). Implementasi Kompresi Citra Digital
Dengan Mengatur Kualitas Citra Digital. Jurnal Ilmiah SINUS, 16(2), 71–77.
https://doi.org/10.30646/sinus.v16i2.363
Saputra, P., Syauqy, D., & Fitriyah, H. (2021). Rancang Bangun Sistem
Klasifikasi Tingkat Kematangan Pisang berdasarkan Warna Kulit dan Berat
menggunakan Metode K-Nearest Neighbor berbasis Arduino. 5(10), 4543–
4548. http://j-ptiik.ub.ac.id
Suendri. (2018). Implementasi Diagram UML (Unified Modelling Language)
Pada Perancangan Sistem Informasi Remunerasi Dosen Dengan Database
Oracle (Studi Kasus: UIN Sumatera Utara Medan). Jurnal Ilmu Komputer
Dan Informatika, 3(1), 1–9.
http://jurnal.uinsu.ac.id/index.php/algoritma/article/download/3148/1871
Syarifah, A., Riadi, A. A., & Susanto, A. (2022). Klasifikasi Tingkat Kematangan
Jambu Bol Berbasis Pengolahan Citra Digital Menggunakan Metode K-
Nearest Neighbor. JIMP (Jurnal Informatika Merdeka Pasuruan), 7(1), 27–
35. http://ejurnal.unmerpas.ac.id/index.php/informatika/article/view/417