Jurnal Sains dan Teknologi

Volume xx Number xx, Tahun 2022, pp. xx-yy

P-ISSN: 2303-3142 E-ISSN: 2548-8570
Open Access: https://dx.doi.org/10.23887/jst-undiksha.v11i1

IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOR DALAM

IDENTIFIKASI KEMATANGAN JERUK NIPIS BERBASIS
ANDROID SECARA REAL TIME
Gilang Ramadhana1
1
Jurusan Informatika, Universitas Samudra, Kota Langsa, Indonesia.

ARTICLE INFO ABSTRAK

Jeruk nipis memiliki beberapa tingkat kematangan yang mana tidak seperti buah
Article history:
Received Mei 22, 2021
pada umumnya memiliki beberapa tingkat kematangan yang berguna pada
Revised Mei 29, 2021 kebutuhan tertentu seperti memasak, ramuan obat, kebutuhan lainnya. Tidak
Accepted Agustus 14, 2021 semua orang dapat membedakan tingkat kematangan pada buah jeruk nipis.
Available online November 25, 2021 Untuk membantu mengidentifikasi tingkat kematangan pada buah jeruk nipis,
penelitian ini melakukan pengembangan aplikasi deteksi tingkat kematangan
Kata Kunci: jeruk nipis dengan menggunakan fitur warna dari buah jeruk nipis tersebut. Fitur
Implementasi, KNN, deteksi yang diperoleh kemudian akan digunakan dalam proses klasifikasi tingkat
kematangan jeruk nipis, pengolahan kematangan menggunakan metode K-Nearest Neighbour menggunakan dataset
citra digital. latih yang telah disediakan. Berbeda pada penelitian sebelumnya, penelitian ini
Keywords:
mencoba mengaplikasikan klasifikasi secara real time pada perangkat
Implementation, KNN, lime maturity
detection, digital image processing. smartphone berbasis android sehingga dapat digunakan dengan lebih fleksibel.
Berdasarkan pengujian yang dilakukan, maka diperoleh akurasi deteksi tingkat
kematangan yang cukup baik dimana akurasi KNN terbesar adalah 100 % dan
terendah adalah 33 %, sedangkan tingkat kemiripan antara objek yang di deteksi
This is an open access article under the CC dengan kelas dataset adalah sebesar 56.84% sampai 100%.
BY-SA license. ABSTRACT
Copyright © 2022 by Author. Published Lime has several levels of maturity which unlike fruit in general has several levels
by Universitas Pendidikan Ganesha. of maturity that are useful for certain needs such as cooking, medicinal herbs, other
needs. Not everyone can distinguish the level of maturity in lime fruit. To help
identify the maturity level of limes, this study developed an application to detect the maturity level of limes by using the
color features of the limes. The features obtained will then be used in the maturity level classification process using the K-
Nearest Neighbor method using the training dataset that has been provided. In contrast to previous studies, this study
tries to apply classification in real time on Android-based smartphone devices so that it can be used more flexibly. Based
on the tests carried out, it is obtained that the maturity level detection accuracy is quite good where the highest KNN
accuracy is 100% and the lowest is 33%, while the level of similarity between the detected objects and the dataset class is
56.84% to 100%.

1. PENDAHULUAN
Jeruk nipis cukup dikenal sebagai salah satu komoditi rempah yang dikonsumsi baik dalam skala
rumahan maupun industry di indonesia. Penggunaan jeruk pada beberapa masakan terkenal dan juga
industry makanan cepat saji menjadikan tanaman ini sebagai tanaman yang dibudidayakan dalam skala
industry diindonesia. Meskipun begitu dalam pemanfaatannya, jeruk nipis memiliki banyak kategori
panen yang dapat diterapkan pada tanaman yang terkenal dengan rasa asam, aroma, dan efeknya yang
menyegarkan. Hal ini menyebabkan adanya masa-masa panen yang didasarkan pada warna dari kulit
buah jeruk.
Pemanfaatan teknologi pengolahan citra digital sekarang ini memungkinkan di lakukannya
pengecekan secara langsung (realtime) kepada tanaman jeruk nipis untuk mengetahui tingkat
kematangan dari buah tersebut. Salah satu metode pengolahan citra yang dapat dimanfaatkan untuk
mengetahui tingkat kematangan jeruk nipis dengan memanfaatkan karakteristik warna kulit jeruk nipis
adalah algoritma K-Nearest Neighbor (Christian, Lestari, & Andayati, 2019) (Paramita, Rachmawanto, Sari,
& Setiadi, 2019). Algoritma ini akan melakukan clustering terhadap warna-warna pada kulit jeruk nipis.
Kemudian dari segmentasi diambil warna paling dominan (Indrawati, 2017). Dari warna paling dominan
yang didapat, maka tingkat kematangan dari jeruk nipis dapat diketahui. Operasi untuk mendapatkan
warna dominan ini berlangsung cepat dan mampu menyelesaikan sortir banyak jeruk nipis dalam rentang
waktu tertentu sehingga meningkatkan produktivitas.
Pada penelitian yang telah dilakukan sebelumnya, tingkat kematangan buah seperti buah pisang
menggunakan tingkat warna kulit yang di fokuskan pada nilai warna dominan pada kulit buah jeruk nipis
yang akan menjadi inti masalah, yaitu bagaimana sebuah sistem mampu untuk mengidentifikasi

*Corresponding author.
E-mail addresses: penulis1@gmail.com (Penulis Pertama)
Jurnal Sains dan Teknologi, Vol. xx, No. xx, 2022, pp. xx-yy 2

kematangan buah jeruk nipis secara real time berbasis android dengan metode k-nearest neighbor.
Penelitian yang dilakukan oleh (Ms. K.Thirupura Sundari 2017). Pada penelitian ini dilakukan
segmentasi citra buah menggunakan segmentasi Grayscale dan K-means segmentasi adaptif dan hitam
putih. Berbagai pendekatan segmentasi dikembangkan yang dapat mengelompokkan gambar buah
melingkar seperti jeruk, lemon dll, tetapi metode yang dikembangkan ini tidak begitu akurat untuk
menyegmentasikan bentuk tidak beraturan buah. Dalam hal segmentasi bentuk tidak beraturan gambar
masalah utama terjadi ketika itu gambar diambil di bawah pencahayaan alami. Penerangan alami
menggoda jumlah cahaya yang tidak sama intensitas pada permukaan buah, yang menghasilkan dalam
segmentasi gambar berkualitas rendah, maka dikembangkan metode k-means yang mampu segmen
gambar buah bentuk berbeda yang diambil di bawah pencahayaan alami lebih akurat.
Penelitian yang dilakukan oleh (D. Surya Prabha 2015). Penelitian ini mengeksplorasi fitur nilai
warna dan ukuran buah segar gambar buah pisang untuk mengklasifikasikan kurang matang, matang dan
kategori terlalu dewasa. Ditemukan bahwa intensitas warna rata-rata dan fitur area lebih signifikan di
antara yang berbeda tahap kedewasaan daripada fitur lain seperti perimeter, panjang sumbu mayor dan
panjang sumbu minor. Intensitas warna rata-rata dan algoritma area dikembangkan dan diuji akurasinya
pada penentuan kematangan buah. Pengujian keduanya algoritma pengklasifikasi menunjukkan bahwa
rata-rata algoritma intensitas warna lebih akurat dengan akurasi keseluruhan 99,1%. Itu algoritma area
akurat hingga 85% untuk membedakan pisang kurang matang, tetapi tidak berhasil membedakan antara
kategori matang dan terlalu matang. Karena warna dan nilai ukuran adalah indeks yang dapat diandalkan
untuk menentukan waktu yang tepat dari memanen; algoritma intensitas warna rata-rata dalam
konjungsi dengan algoritma area yang dikembangkan dalam penelitian ini dapat dipekerjakan secara
komersial sambil merancang lapangan berbasis lengkap sistem deteksi otomatis kematangan buah pisang
deteksi

2. METODE
Analisa sistem yang digunakan pada penelitian ini terdiri dari beberapa bagian yaitu analisa
kebutuhan dan dataset, Kebutuhan sistem identifikasi kematangan jeruk nipis terbagi menjadi dua, yaitu
kebutuhan teknologi dan kebutuhan data. Android Studio, software development yang digunakan untuk
membangun aplikasi deteksi kematangan jeruk nipis secara real time. Photoshop, software image editing
untuk mengolah citra jeruk nipis sebagai dataset pelatihan. Perangkat kamera, untuk mengcapture citra
jeruk nipis yang akan digunakan dalam studi dan analisis fitur jeruk nipis sebelum masuk kedalam
dataset. Perangkat android, perangkat yang digunakan sebagai implementasi dan pengujian sistem yang
telah dibangun. Penelitian ini menggunakan citra jeruk nipis sebagai dataset pelatihan. Sedangkan pada
saat pengujian, citra yang digunakan adalah citra realtime. Mengacu kepada penelitian terkait yang telah
dilakukan sebelumnya, dataset citra jeruk nipis akan dibagi menjadi kedalam lima kelas tingkat
kematangan yaitu “Mentah”, “Agak Matang”, “Matang”, “Matang Sempurna”, “Busuk”. pemodelan sistem
pada penelitian ini akan membahas metode dan konsep yang akan digunakan pada aplikasi identifikasi
tingkat kematangan jeruk nipis secara realtime.

1. Membaca nilai piksel citra input dalam format RGB.

Sebagai ilustrasi, sebuah citra jeruk nipis seperti yang terlihat pada gambar di bawah ini akan
dibaca nilai piksel warnanya dalam format RGB.

Gambar 1 Contoh citra input jeruk nipis

JST. P-ISSN: 2303-3142 E-ISSN: 2548-8570

Jurnal Sains dan Teknologi, Vol. xx, No. xx, 2022, pp. xx-yy 3

Tabel 1 Contoh piksel warna RGB dari citra input jeruk nipis

R,G,B R,G,B R,G,B

227,235,211 78,143,42 199,226,153
169,202,137 40,114,5 160,217,90
146,193,104 48,61,25 118,185,77

2. Menghitung nilai rata – rata piksel dari kanal Red.

227+78+199+ 169+40+160+ 146+48+ 118
AvgRed = =131.67
9

3. Menghitung nilai rata – rata piksel dari kanal Green.

235+143+226+202+114 +217 +193+61+185
AvgGreen= =175.11
9

4. Menghitung nilai rata – rata piksel dari kanal Blue.

211+ 42+153+137+ 5+90+104 +25+77
AvgBlue= =93.78
9

5.Menyimpan nilai rata – rata sebagai fitur dan memberikan label kelas.
Jika diasumsikan citra input jeruk nipis dari gambar 3.3 adalah buah jeruk nipis dengan tingkat
kematangan agak matang, maka dataset pelatihan baru akan didaftarkan sebagai berikut :

Tabel 2 Nilai rata rata citra input jeruk nipis

ID Fitur R Fitur G Fitur B Kelas

1 131.67 175.11 93.78 Agak Matang

Penerapan KNN pada identifikasi tingkat kematangan jeruk nipis dilakukan dengan menghitung
jarak antara fitur nilai warna rata-rata citra input dengan objek dataset pada setiap kelas. K buah objek
terdekat akan diambil dan kemudian akan dilihat kelas terbanyak (dominan) dari objek – objek terdekat
tersebut yang kemudian kelas terbanyak akan menjadi hasil identifikasi pada citra input. Sebagai ilustrasi,
jika diasumsikan terdapat lima buah dataset pelatihan atau dataset yang telah diketahui kelasnya sebagai
berikut :
Tabel 3 Contoh Dataset Pelatihan

ID FiturR FiturG FiturB Kelas

1 58.22 90.81 23.03 Mentah
2 131.67 175.11 93.78 Agak Matang
3 102.0 83.0 6.0 Matang
4 180.0 134.0 8.0 Matang Sempurna
5 89.0 101.0 19.0 Agak Matang
6 99.0 68.0 26.0 Busuk

Diasumsikan sebuah citra yang belum diketahui tingkat kematangannya dengan nilai fitur rata-
rata adalah sebagai berikut :

Penulis Pertama / Judul Artikel

Jurnal Sains dan Teknologi, Vol. xx, No. xx, 2022, pp. xx-yy 4

FiturR = 143
FiturG = 153
FiturB = 90
Kelas = ?

Gambar 2 Contoh citra input jeruk nipis

Tahapan pertama adalah menghitung jarak antara citra input dengan data yang terdapat pada
dataset :

D (input , x1 )=√ (143−58.22)2 +(153−90.81)2 +(90−23.03)2=124.66

D(input , x2 )=√ (143−131.67)2+(153−175.11)2+(90−93.78)2=25.13
D (input , x3 )=√ (143−102) +(153−83) +(90−6) =116.78
2 2 2

D(input , x 4)= √ (143−180)2 +(153−134)2 +( 90−8)2=91.95

D (input , x5 )=√ (143−89)2+(153−101)2 +(90−19)2=103.25
D(input , x6 )=√ (143−99)2 +(153−68)2+(90−26)2=115.14

Setelah nilai jarak antara citra input atau citra uji dengan objek dataset pelatihan diperoleh,
tahapan selanjutnya adalah menyusun tabel jarak yang diurutkan mulai dari jarak terkecil sampai yang
terbesar
Tabel 4 Tabel Jarak KNN

ID Kelas K=3 K=2 K=1

2 Agak Matang 25.13 25.13 25.13
4 Matang Sempurna 91.95 91.95 91.95
5 Agak Matang 103.25 103.25 103.25
6 Busuk 115.14 115.14 115.14
3 Matang 116.78 116.78 116.78
1 Mentah 124.66 124.66 124.66

Berdasarkan tabel jarak dapat dilihat kelas – kelas objek dataset yang memiliki kemiripan dengan
citra input. Jika nilai k yang digunakan adalah 3 maka diperoleh himpunan kelas hasil identifikasi yaitu
{Agak Matang, Matang Sempurna, Agak Matang} dimana kelas dominan yaitu kelas Agak Matang, sehingga
hasil dari identifikasi dari citra input adalah “Agak Matang”.

3. HASIL DAN PEMBAHASAN

Hasil
Proses identifikasi tingkat kematangan buah jeruk nipis dilakukan dengan mengcapture citra
buah jeruk nipis secara realtime menggunakan perangkat smartphone android. Citra yang tertangkap
kemudian akan di-ekstraksi fiturnya menggunakan nilai rata-rata pada kanal warna RGB. Proses
kemudian dilanjutkan dengan menghitung jarak fitur citra input dengan fitur objek pada dataset. Kelas
dari objek k-terdekat akan diambil dan dijadikan sebagai hasil identifikasi yang kemudian akan
ditampilkan kepada pengguna.
Hasil penelitian ini adalah sebuah sistem aplikasi identifikasi tingkat kematangan buah jeruk
nipis yang berjalan pada perangkat mobile android. Sistem aplikasi identifikasi tingkat kematangan buah
jeruk nipis yang dibangun telah dilengkapi dengan metode K-Nearest Neighbour yang digunakan untuk
mengklasifikasikan citra yang sedang di scan kedalam beberapa tingkat kematangan berdasarkan dataset
latih yang telah disimpan di dalam database sistem.

JST. P-ISSN: 2303-3142 E-ISSN: 2548-8570

Jurnal Sains dan Teknologi, Vol. xx, No. xx, 2022, pp. xx-yy 5

Pengujian aplikasi dilakukan untuk memastikan semua fitur dari aplikasi telah berjalan sesuai
dengan yang direncanakan. Adapun pengujian aplikasi akan dilakukan dengan menguji menu – menu yang
terdapat pada aplikasi yaitu menu “Scan”, “Dataset” dan menu “Setting”.
Menu scan merupakan menu yang digunakan untuk menampilkan activity yang digunakan untuk
melakukan scan objek buah jeruk nipis melalui kamera dari perangkat android. Activity scan akan terus
menerus melakukan scan terhadap gambar yang ditangkap dari kamera dan melakukan proses klasifikasi
tingkat kematangan menggunakan KNN. Berdasarkan hasil pengujian, menu scan yang digunakan untuk
mengidentifikasi tingkat kematangan buah jeruk nipis dapat bekerja dengan baik. Dimana proses scan
atau capture dari kamera dapat berjalan tanpa ada delay yang berarti dan hasil klasifikasi tingkat
kematangan buah dapat ditampilkan langsung pada layer tampilan activity.
Menu dataset merupakan menu yang digunakan untuk menampilkan activity yang digunakan
untuk mengelola dataset pelatihan yang akan digunakan oleh metode KNN dalam menentukan kelas
tingkat kematangan buah jeruk nipis. Activity dataset akan menampilkan list daftar data objek dan kelas
dari tingkat kematangannya. Pada tampilan dataset terdapat tombol untuk menambah dataset baru yang
mana pengujian penambahan dataset baru serta terdapat tombol untuk proses penghapusan dataset
dapat dilakukan dengan melakukan klik pada baris dataset yang ingin dihapus.
Menu setting digunakan untuk mengatur jumlah k yang akan digunakan pada saat proses
klasifikasi menggunakan metode KNN, Berdasarkan hasil pengujian, menu pengaturan yang digunakan,
untuk mengatur nilai k yang akan digunakan pada saat proses identifikasi tingkat kematangan buah jeruk
nipis menggunakan KNN dapat bekerja dengan baik. Maka dari pembahasan di atas dapat dilihat pada
gambar 3, 4, 5, 6.

Gambar 3 Tampilan Aplikasi Gambar 4 Tampilan Scan

Penulis Pertama / Judul Artikel

Jurnal Sains dan Teknologi, Vol. xx, No. xx, 2022, pp. xx-yy 6

Gambar 5 Tampilan Dataset Gambar 6 Tampilan Pengaturan

Pembahasan
pengujian yang telah dilakukan dapat dilihat dari persentase KNN merupakan nilai perbandingan
jumlah dari objek kelas yang terpilih dengan objek kelas lain yang terdapat dalam himpunan k tetangga
terdekat.

R = 53
G = 69
B = 14

Gambar 7 Pengujian Objek

Maka jika dihitung jaraknya dengan objek dataset dengan menggunakan k = 3. Dapat di lihat pada
table 3.
Table 5 Jarak Pengujian Pertama k=3

ID R G B Kelas Jarak K=3

10 47 68 10 Mentah 7.28011 7.28011
8 46 60 15 Mentah 11.44552 11.44552
1 55 81 17 Mentah 12.52996 12.52996

19 60 81 11 Agak Matang 14.21267 -

3 35 57 12 Mentah 21.72556 -

12 74 85 15 Agak Matang 26.41969 -

Pada tabel 3 dapat dilihat bahwa himpunan kelas hasil identifikasi dengan menggunakan K = 3
adalah {“Mentah, Mentah, Mentah”} dimana persentase kelas dominan adalah :

Jumlah Objek Kelas Terpilih 3

KNN Persentase= x 100 %= x 100 %=100 %
Jumlah Objek 3

Sedangkan untuk nilai persentase kemiripan terdekat diperoleh dengan menghitung nilai
kemiripan dari selisih antar citra uji dengan citra objek yang terdekat, Diketahui objek terdekat dari jarak
KNN dapat di lihat pada table 4

Tabel 6 Tabel nilai persentase kemiripan

ID R G B Kelas Jarak K=3

10 47 68 10 Mentah 7.28011 7.28011

Maka persentase kemiripan :

Persentase Kemiripan= 1− ( Jarak

JarakMaksimal )
x 100 %= 1−
( 7.28011
)
√ ( 255−0 ) + ( 255−0 )2+ (255−0 )2
2
x 100 %

JST. P-ISSN: 2303-3142 E-ISSN: 2548-8570

Jurnal Sains dan Teknologi, Vol. xx, No. xx, 2022, pp. xx-yy 7

Berdasarkan hasil validasi dapat dilihat bahwa hasil klasifikasi yang dihasilkan oleh aplikasi telah
sesuai dengan hasil klasifikasi secara manual. Berdasarkan hasil pengujian yang telah dilakukan, akurasi
sistem dapat dilihat pada grafik berikut.

Akurasi
120%
100%
80%
60%
40%
20%
0%
Mentah Agak Matang Matang Busuk
Matang Sempurna

KNN Kemiripan

Gambar 8 Grafik akurasi

Hasil akurasi yang dihasilkan oleh aplikasi tergolong cukup baik dimana akurasi klasifikasi
tingkat kematangan buah jeruk nipis adalah sebesar 100%, sedangkan tingkat kemiripan tertinggi adalah
100% dan terendah adalah 56.84%.

4. SIMPULAN
Kesimpulan yang dapat ditarik dari hasil pengembangan dan pengujian aplikasi identifikasi
tingkat kematangan jeruk nipis secara realtime yang dilakukan pada penelitian ini. Identifikasi tingkat
kematangan jeruk nipis dapat dilakukan dengan menggunakan klasifikasi K-Nearest Neighbour dengan
rata – rata warna pada kanal RGB sebagai fitur dari objek.
Implementasi secara realtime pada identifikasi tingkat kematangan buah jeruk nipis
menggunakan klasifikasi K-Nearest Neighbour berhasil dilakukan dengan baik, dimana aplikasi yang
dibangun pada perangkat berbasis Android dapat mendeteksi tingkat kematangan buah jeruk nipis secara
realtime dengan akurasi dan performa yang baik dimana aplikasi dapat melakukan scan tanpa adanya
delay atau freeze pada output identifikasi.
Dari hasil pengujian yang telah dilakukan, diperoleh bahwa kombinasi K-Nearest Neighbour dan
nilai rata – rata kanal RGB sebagai fitur pada situasi realtime menghasilkan akurasi KNN terbesar adalah
100 % dan terendah adalah 33 %, sedangkan tingkat kemiripan antara objek yang di deteksi dengan kelas
dataset adalah sebesar 56.84% sampai 100%.

5. DAFTAR PUSTAKA
Andono, P., Sutojo, T., & Muljono. (2017). Pengolahan Citra Digital. Yogyakarta: Penerbit
Andi.
Andrian, R., Anwar, S., Muhammad, M., & Junaidi, A. (2019). Identifikasi Kupu-Kupu Menggunakan
Ekstraksi Fitur Deteksi Tepi (Edge Detection) dan Klasifikasi K-Nearest Neighbor (KNN). Jurnal Teknik
Informatika dan Sistem Informasi, 5(2), 234-243. doi:https://doi.org/10.28932/jutisi.v5i2.1744
Christian, B., Lestari, U., & Andayati, D. (2019, December). Sistem Aplikasi Identifikasi
Kematangan Buah Jeruk Nipis Berdasarkan Fitur Warna Dan Menggunakan Support Vector Machine.
Jurnal SCRIPT, 7(2), 248-256.
Gede, D. (2009). Pengolahan Citra Digital. Yogyakarta: Andi.
Indrawati, I. (2017, December). Klasifikasi Kematangan Jeruk Lemon Menggunakan Metode K-
Nearest Neighboard. Jurnal Infomedia, 2(2), 21-26. doi:http://dx.doi.org/10.30811/.v2i2.514
Irianto, S. (2016). Analisa Citra Digital dan Content Based Image Retrieval. Lampung: Anugrah
Utama Raharja.
Kadir, A., & Susanto, A. (2013). Teori dan Aplikasi Pengolahan Citra. Yogyakarta: Andi.
Paramita, C., Rachmawanto, E., Sari, C., & Setiadi, D. (2019). Klasifikasi Jeruk Nipis Terhadap
Tingkat Kematangan Buah Berdasarkan Fitur Warna Menggunakan K-Nearest Neighbor. Jurnal
Informatika: Jurnal Pengembangan IT, 4(1), 1-6. doi:http://dx.doi.org/10.30591/jpit.v4i1.1267

Penulis Pertama / Judul Artikel

Jurnal Sains dan Teknologi, Vol. xx, No. xx, 2022, pp. xx-yy 8

Rahmadianto, R., Mulyanto, E., & Sutojo, T. (2019). Implementasi Pengolahan Citra dan Klasifikasi
K-Nearest Neighbor untuk Mendeteksi Kualitas Telur Ayam. Jurnal Voice of Informatics, 8(1), 45-54.
Retrieved from https://voi.stmik-tasikmalaya.ac.id/index.php/voi/article/view/164
Surya Prabha, D., & Satheesh Kumar, J. (2015). Assessment of banana fruit maturity by image
processing technique. Journal of food science and technology, 52(3), 1316–1327. doi:10.1007/s13197-
013-1188-3

JST. P-ISSN: 2303-3142 E-ISSN: 2548-8570