Fitriana, Isnaeni, Saputra, dan Malikhah — Penentuan Kematangan Buah Pepaya Berdasarkan Warna dan Bentuk Menggu-

nakan Pengolahan Citra

PENENTUAN KEMATANGAN BUAH PEPAYA BERDASARKAN

WARNA DAN BENTUK MENGGUNAKAN PENGOLAHAN CITRA
DIGITAL
(DETERMINATION OF PAPAYA FRUIT RIPENESS BASED ON COLOR AND SHAPE USING
DIGITAL IMAGE PROCESSING)

Annisa dwi Fitriana1), Faul Isnaeni2), Ferdi Saputra3), dan Riyani Malikhah4)
1, 2, 3, 4)
Teknik Informatika dan Universitas Ma.arif Nahdlatul Ulama Kebumen
Jl. Kutoarjo No.Km.05, Wonoboyo, Jatisari, Kec. Kebumen, Kab. Kebumen, Jawa Tengah
e-mail: ichaa211201@email.com1), faulisnaeni@email.com2), ferdisaputra755@email.com 3),
riyanimalikhah36@email.com4)

ABSTRAK
Indonesia dikenal sebagai penghasil buah-buahan tropis terbesar di ASEAN, salah satunya pepaya. Pepaya
juga merupakan komoditas ekspor. Negara tujuan ekspor pepaya dari Indonesia adalah Hongkong, Singapura,
Malaysia, Kuwait, Qatar, Uni Emirat Arab, Bahrain dan Thailand. Pada penelitian ini terdapat 2 dataset citra
yaitu, citra warna dan ekstraksi tepi objek (citra bentuk). Terdapat 20 data citra pepaya muda dan matang. Citra
pada setiap dataset berupa citra RGB dengan ukuran 40 cm. Hasil pengujian setelah citra melalui tahap klari -
fikasi yaituy, metode RGB pada pelatihan dan pengujian memperoleh akurasi sebesar 80% yang berarti sistem
dapat mengklarifikasi tingkat kematangan pepaya dengan cukup akurat. Citra bentuk buah papaya berdasarkan
image processing diperoleh papaya yang paling bundar yaitu pada papaya12.jpg dengan tingkat kebundaran
0,369 dengan kerampingan 0,191 ,panjang 37,054 serta lebar 7,071. Metode RGB pada pelatihan dan pengujian
memberikan hasil yang cukup akurat dalam mengklarifikasi tingkat kematangan pepaya.Penerapan aplikasi pen-
golahan citra ini bertujun untuk membantu meningkatkan pengenalan kualitas buah pepaya dalam proses grad-
ing mutu, sehingga produsen pepaya dapat bersaing lebih baik dengan produsen dari negara lain. Selain itu,
dengan penggunaan teknologi ini, tingkat kesalahan manusia dalam penilaian kualitas dapat berkurang, dan
kualitas buah pepaya yang diekspor dapat lebih terstandarisasi
Kata Kunci: ekstraksi tepi objek, pengolahan citra digital, pepaya, RGB

ABSTRACT
Indonesia is known as the largest producer of tropical fruits in ASEAN, one of which is papaya. Papaya is also
an export commodity. The destination countries for papaya exports from Indonesia are Hong Kong, Singapore,
Malaysia, Kuwait, Qatar, United Arab Emirates, Bahrain and Thailand. In this research there are 2 image
datasets, namely, color images and object edge extraction (shape images). There are 20 image data of young and
ripe papaya. The image in each dataset is an RGB image with a size of 40 cm. The test results after the image
went through the clarification stage, namely, the RGB method in training and testing obtained an accuracy of
80%, which means the system can clarify the level of papaya ripeness quite accurately. The image of the shape of
the papaya fruit based on image processing shows that the most round papaya is papaya12.jpg with a roundness
level of 0.369 with a slenderness of 0.191, a length of 37.054 and a width of 7.071. The RGB method in training
and testing provides quite accurate results in clarifying the ripeness level of papaya. The application of this im -
age processing application aims to help improve recognition of the quality of papaya fruit in the quality grading
process, so that papaya producers can compete better with producers from other countries. In addition, with the
use of this technology, the level of human error in quality assessment can be reduced, and the quality of exported
papaya fruit can be more standardized.
Keywords: edge extraction, digital image processing, papaya, RGB

I. PENDAHULUAN dari Pusat Data dan Sistem Informasi Pertanian

Kementerian Pertanian RI, volume ekspor pepaya

I
ndonesia dikenal sebagai penghasil buah-buahan
tropis terbesar di ASEAN, salah satunya pepaya [1].
Pepaya juga merupakan komoditas ekspor. Negara
tujuan ekspor pepaya dari Indonesia adalah Hongkong,
Singapura, Malaysia, Kuwait, Qatar, Uni Emirat Arab,
Bahrain dan Thailand. Berdasarkan data tahun 2014
meningkat berturut-turut sebanyak 25.328 kg, 25.836
kg dan 31,43 kg dalam tiga tahun terakhir pada tahun
2012, 2013, 2014..Menurut statistik produksi pepaya
Food and Agriculture Organization (FAO) dari tahun
2000 hingga 2010, india merupakan salah satu negara

1
TEKNIMEDIA - Volume xx, Nomorx, Bulan YYYY: nomer halaman awal – nomer halaman akhir
penghasil pepaya terbesar di dunia setelah Brazil,
Meksiko, India dan Nigeria [2].
Buah pepaya merupakan buah serbaguna
dengan nilai gizi tinggi terutama vitamin C dan
A. Setiap 100 gramnya mengandung 3,65 mg vita-
min A dan 78 mg vitamin C. [3]. Rasa manis pada
pepaya merupakan faktor penting yang dapat
mempengaruhi kemauan konsumen untuk mem-
beli pepaya. Rasa manis buah dipengaruhi oleh
jumlah sukrosa yang dinyatakan dengan oBx (der-
ajat Brix). Brix menunjukkan jumlah (dalam
gram) zat padat terlarut (sukrosa) dalam 100 gram
larutan.[1].
Objek dapat dikenali dan diidentifikasi
dengan benar dengan bantuan warna. Ada banyak
warna berbeda yang dapat dilihat mata manusia
sebagai objek berbeda. Jenis warna yang berbeda
ini dapat diklasifikasikan untuk memudahkan
identifikasi objek. Misalnya saja saat membe-
dakan tingkat kematangan buah. Pada umumnya
kematangan buah pepaya hanya dapat ditentukan
dari warna buahnya. Namun mata manusia
terkadang tidak akurat karena beberapa faktor,
seperti usia yang mengurangi fokus penglihatan
seseorang, membutuhkan lebih banyak energi un-
tuk membandingkan objek, perbedaan tingkat
persepsi manusia. [4].
Kebutuhan buah pepaya segar untuk ek-
spor memerlukan pengendalian kualitas agar dapat
bersaing dengan produsen pepaya di negara lain.
Salah satu permasalahan pascapanen adalah peni-
laian kualitas buah pepaya. Hingga saat ini, dalam
proses penilaian buah pepaya, identifikasi kualitas
secara tradisional masih berada dalam batas
penglihatan manusia. Oleh karena itu, proses iden-
tifikasi kualitas memiliki beberapa kelemahan,
misalnya. penyortiran memerlukan tenaga yang
lebih besar, tingkat persepsi manusia dalam meni-
lai buah-buahan yang berbeda, tingkat konsistensi
manusia dalam menilai mutu buah-buahan tidak
terjamin karena dapat saja manusia mengalami
kelelahan. [2].
Selain itu, setiap konsumen pepaya pasti
ingin menikmati buah yang berkualitas tinggi.
Perbedaan buah pepaya matang dan mentah dapat
dilihat pada warna, tekstur, dan bentuknya. Kon-
sumen dapat melakukan pengecekan kondisi buah
pepaya secara manual berdasarkan ciri-cirinya,
seperti pengecekan penampilan berdasarkan
warna, pengecekan tekstur dengan menekan kulit,
pengecekan bagian tengah berjamur dan aroma.
Tentu saja panduan ini dapat menghasilkan kesim-
pulan yang berbeda-beda bagi setiap orang. Ke-
2
salahan juga sering terjadi, karena panduan ini
sangat bergantung pada karakteristik dan tingkat
akurasi buah pepaya. Belum ada pemahaman dan
belum ada aplikasi untuk menganalisis buah pe-
paya dan membantu masyarakat untuk mendap-
atkan informasi [3]. Berdasarkan permasalahan
tersebut, peneliti membangun alat pengolah citra
untuk mengetahui kesesuaian buah pepaya
berdasarkan warna dan bentuknya.
Penelitian ini bertujuan untuk mengem-
bangkan teknologi dan meningkatkan produktivi-
tas pepaya dengan menggunakan pengolahan citra
digital untuk memudahkan klasifikasi kematangan
pepaya.
II. STUDI PUSTAKA
A.Pepaya
Pepaya merupakan salah satu buah tropis
yang bernilai ekonomi tinggi, berpotensi menjadi
sumber pendapatan dan berperan penting dalam
penyediaan nutrisi. Sebagai buah non musiman,
produksi pepaya di Indonesia meningkat dari
tahun 2000 hingga tahun 2004 sebagai buah segar
sebanyak 429.207 ton, 500.571 ton, 605.194 ton,
626.745 ton, 732.611 ton, dengan total ekspor
pada tahun 2004 sebesar 524.686 kg senilai
1.301.371 USD. Kegunaan buah pepaya sudah
dikenal masyarakat Indonesia sejak lama, buah
ini dapat dimakan segar maupun dalam bentuk
olahan (campuran sambal, manisan dan acar). [5].
Pepaya (Carica Papaya L.) merupakan
tanaman herba, namun bentuknya tidak seperti
tumbuhan herba pada umumnya. Tanaman pepaya
dapat mencapai ketinggian 9 meter, dan dengan
demikian digambarkan sebagai tumbuhan raksas
[6]. Arvind G mempelajari bahwa Carica papaya,
adalah buah tropis lozenge, yang sering terlihat
dalam warna oranye-merah, kuning-hijau dan
oranye kuning, dengan bubur oranye yang kaya
[7].
B.Citra
Webster (1993) mendefinisikan citra seba-
gai gambaran mental atau konsep tentang sesuatu
[8]. Kotler (1995) mendefinisikan citra secara
lebih luas sebagai kumpulan keyakinan, gam-
baran, dan kesan yang dimiliki seseorang terhadap
suatu obyek [8].
C. Pengolahan Citra
Pengolahan citra adalah suatu teknik yang
digunakan untuk mengolah citra atau gambar den-
gan cara memanipulasinya dengan data gambar
 Fitriana, Isnaeni, Saputra, dan Malikhah — Penentuan Kematangan Buah Pepaya Berdasarkan Warna dan Bentuk Menggu-
yang diinginkan untuk memperoleh informasi ter-
tentu dari pengamatan. Banyak data diperoleh
ketika data yang diamati memiliki keadaan yang
sesuai dengan data aslinya. Oleh karena itu, hal-
hal yang berkaitan dengan bentuk, warna, ukuran,
dan parameter lainnya semuanya diketahui, karena
setiap elemen gambar (piksel) memiliki kurang
lebih dua informasi tentang lokasi warna dan
warna. Semakin banyak informasi tentang gambar
atau benda, semakin banyak pula informasi ten-
tang bentuk, luas dan model benda tersebut, dan
lainnya. Itu juga dapat digunakan untuk mengam-
bil informasi tentang objek atau gambar bergerak
[9].
D. Pengolahan Citra Digital
Pengolahan citra digital merupakan salah
satu cabang ilmu yang mempelajari teknik pengo-
lahan citra. Citra yang dimaksud disini adalah
gambar diam (foto) atau gambar bergerak (berasal
dari web camera). Di sini, digital berarti pemros-
esan gambar dilakukan secara digital di computer
[10]. Menurut Putra (2013), citra digital dapat di-
artikan sebagai fungsi dua dimensi f(x.y) dengan
M baris dan N kolom, sedangkan x dan y meru-
pakan koordinat spasial posisi dan amplitudo pada
titik koordinat (x,y) yang disebut intensitas citra
atau gray ditingkat pada saat itu [11].
Teknik pengolahan citra sering digunakan
untuk mengubah satu citra menjadi citra lain saat
memperkuat informasi. Citra adalah kumpulan
piksel yang disusun dalam larik dua dimensi, yaitu
(x,y). Biasanya, citra terdiri dari kotak persegi
panjang biasa (piksel). Suatu cara untuk meny-
atakan lokasi piksel, untuk citra berukuran mxn
piksel, koordinat (0,0) digunakan untuk pojok kiri
atas bidang citra dan koordinat (m-1,n-1) digu-
nakan untuk pojok kanan bawah [12].
E.RGB
Model warna RGB adalah model warna
yang terdiri dari tiga komponen warna primer,
yaitu Red, Green, Blue. Satu warna memiliki tiga
komponen warna yang bergabung membentuk
warna baru. Pemrosesan citra Pada blok warna
RGB, satu blok terdiri dari tiga warna [13].
Sedangkan menurut [14] RGB adalah model
warna yang terdiri dari tiga warna: merah, hijau
dan biru, yang ditambahkan dengan cara yang
berbeda untuk menghasilkan warna yang berbeda
pula.
nakan Pengolahan Citra
F.Ekstraksi Tepi Objek
Tepi objek pada citra biner dapat diperoleh
dengan algoritma yang dibahas oleh Davis pada
tahun 1990. Pemrosesan dilakukan dengan ban-
tuan 8 ketetanggaan. Pixel P memiliki 8 tetangga
yang diwakili oleh P0-P7 [15].
III. METODE PENELITIAN
A.Bahan dan Alat Penelitian
Bahan utama yang digunakan adalah Pe-
paya dengan tingkat kematangan yaitu muda, dan
matang sebanyak 20 buah. Buah pepaya didapat
dari pasar Keputihan Kuwayuhan dan pasar Kemit
Grenggeng.
Peralatan yang digunakan untuk pengola-
han citra adalah HP VIVO Y50 Kamera belakang
f/2.2 (13MP) + f/2.2(8MP) + f/2.4(2MP) + f/
2.4(2MP), Penyangga kamera, 1 Laptop HP AMD
Athlon Silver 3050U with Radeon Graphics 2.30
GHz dengan RAM 4 GB, 1 Laptop LENOVO In-
tel(R) Celeron(R) CPU 3867U @ 1.80GHz 1.80
GHz dengan RAM 4 GB, perangkat lunak ana-
conda.
B.Prosuder Penelitian
Pengambilan Citra Pepaya. Adapun prose-
dur pengolahan citra adalah sebagai berikut :
a. Pepaya diletakan di atas meja sebagai latar
belakang dan terfokus oleh kamera dengan
jarak 40 cm.
b. Citra pepaya direkam dengan ukuran : 3120
x 3120 piksel
c. Remove citra pepaya untuk memisahkan
latar belakang dan objek
d. Rename foto pepaya untuk mempermudah
e. Resize foto pepaya untuk memperkecil
ukuran
f. Deteksi warna (thresholding) untuk
mendapatkan hasil pengolahan citra
3
TEKNIMEDIA - Volume xx, Nomorx, Bulan YYYY: nomer halaman awal – nomer halaman akhir

C. Dataset

Gambar 3. Tampilan deteksi warna dari citra pepaya

Tabel 1. Dataset RGB buah pepaya.

Nama Objek Nama Kode R G B
Warna Warna
pepaya1.JPG Licorice #1a1110 24 22 12
Gambar 1. Prosedur Penelitian pepaya2.JPG Licorice #1a1110 22 24 17
Smoky
pepaya3.JPG #100c08 15 17 11
Black
IV. HASIL DAN PEMBAHASAN pepaya4.JPG Licorice #1a1110 21 18 10
Smoky
pepaya5.JPG #100c08 16 17 9
Pada penelitian ini terdapat 2 dataset citra Black
Smoky
yaitu, citra warna dan ekstraksi tepi objek (citra pepaya6.JPG
Black
#100c08 13 11 5
bentuk). Terdapat 20 data citra pepaya muda dan pepaya7.JPG Licorice #1a1110 26 21 9
Smoky
matang. Citra pada setiap dataset berupa citra pepaya8.JPG
Black
#100c08 15 11 5
RGB dengan ukuran 40 cm. pepaya9.JPG
Smoky
#100c08 13 10 6
Black
A. Ekstraksi Fitur RGB pepaya10.JPG
Smoky
#100c08 14 10 5
Black
Hasil pengujian setelah citra melalui tahap Pepaya11.JPG Licorice #1a1110 29 23 9
klarifikasi yaitu, metode RGB pada pelatihan dan Pepaya12.JPG Licorice #1a1110 25 21 9
Smoky
pengujian memperoleh akurasi sebesar 80% yang pepaya13.JPG
Black
#100c08 21 16 6

berarti sistem dapat mengklarifikasi tingkat ke- pepaya14.JPG Licorice #1a1110 23 19 9

pepaya15.JPG Licorice #1a1110 23 22 12
matangan pepaya dengan cukup akurat. pepaya16.JPG Licorice #1a1110 24 19 9
Pada Gambar 1. menampilkan Anaconda pepaya17.JPG Licorice #1a1110 35 31 18
pepaya18.JPG Licorice #1a1110 24 21 9
klarifikasi pepaya dengan menampilkan hasil dari pepaya19.JPG Licorice #1a1110 24 22 13
setiap tahap. Tahap yang di tampilakan pada Ana- pepaya20.JPG Licorice #1a1110 32 31 17

conda yaitu remove, rename, resize, deteksi

warna, dan deteksi bentuk. B. Ekstraksi tepi objek (citra bentuk)
Penghitungan prosentase bentuk buah pe-
paya berdasarkan image processing dilakukan
pada tahap awal dengan memisahkan objek (fore-
ground) dengan latar belakang (background) atau
bisa disebut dengan background removal. Hal ini
dilakukan karena proses perhitungan bentuk hanya
Gambar 2. Klasifikasi kematangan menempel pada objek pepaya dan tidak pada ke-
seluruhan gambar. Ekstraksi Tepi membuat batas
Dengan mengkonversi RGB citra antara subjek dan latar belakang untuk membe-
menampilkan seperti Gambar 2. yang dimana dari dakan keduanya Gambar 5. adalah hasil dari pen-
setiap perwakilan citra dapat disimpulkan green erapat metode ektraksi tepi yang diperoleh melalui
yang sangat cocok dijadikan sebagai acuan pada algoritma yang dibahas oleh Davis pada tahun
tahap segmentasi. 1990 [15].

4
 Fitriana, Isnaeni, Saputra, dan Malikhah — Penentuan Kematangan Buah Pepaya Berdasarkan Warna dan Bentuk Menggu-
nakan Pengolahan Citra

Gambar 4. Tampilan deteksi warna dari citra bentuk kematangan buah pepaya dengan akurasi sebesar
80%. Metode RGB pada pelatihan dan pengujian
memberikan hasil yang cukup akurat dalam
mengklarifikasi tingkat kematangan pepaya.
Penerapan aplikasi pengolahan citra ini di-
harapkan dapat membantu meningkatkan kualitas
pengenalan kualitas buah pepaya dalam proses
grading mutu, sehingga produsen pepaya dapat
bersaing lebih baik dengan produsen dari negara
lain. Selain itu, dengan penggunaan teknologi ini,
tingkat kesalahan manusia dalam penilaian kuali-
Gambar 5. Tampilan ekstraksi tepi objek tas dapat berkurang, dan kualitas buah pepaya
yang diekspor dapat lebih terstandarisasi.
Tabel 1. Dataset RGB buah pepaya.
Dengan demikian, penelitian ini mem-
Nama Area Perim ke- Ker- Pan- Leba berikan kontribusi dalam pengembangan teknolgi
Objek (pixel) eter bun- ampin jang r
(pixel) dara gan dan peningkatan produktivitas pepaya di Indone-
n (pixel) sia melalui pemanfaatan pengolahan citra digital
pepaya1.J 278756. 2173.3 0.741 0.442 447.4 198.2
PG 0 47 93 04 untuk memudahkan klasifikasi kematangan pe-
pepaya2.J
PG
309015.
3
2450.3
06
0.646 0.366 518.1
36
189.7
63
paya. Aplikasi ini juga berpotensi membantu kon-
pepaya3.J 252069. 2056.1 0.749 0.450 422.2 189.9 sumen dalam memilih buah pepaya yang berkuali-
PG
pepaya4.J
7
250159.
46
2008.6 0.779 0.478
84
408.1
28
195.0
tas sesuai dengan preferensi dan kebutuhan
PG 1 82 42 20 mereka.
pepaya5.J 193358 1775.4 0.770 0.470 361.8 170.0
PG 4.0 24 63 17
pepaya6.J 126185. 4849.5 0.719 0.423 307.9 130.3
PG 8 77 36 84 REFERENSI DAN CATATAN KAKI
pepaya7.J 220595. 1955.8 0.724 0.428 404.9 173.3
PG 1 69 01 49 [1] Admin, “Bab II Landasan Teori,” J. Chem. Inf.
pepaya8.J 139914. 1554.1 0.728 0.431 321.4 138.5 Model., pp. 1–14, 2018.
PG 5 19 00 13 [2] F. Wibowo and A. Harjoko, “Klasifikasi Mutu Pe-
pepaya9.J 126720. 1527.1 0.682 0.394 320.0 126.0 paya Berdasarkan Ciri Tekstur GLCM Menggu-
PG 0 89
pepaya10. 119790. 1498.4 0.670 0.384 315.0 121.0 nakan Jaringan Saraf Tiruan,” Khazanah Inform. J.
JPG 0 48 Ilmu Komput. dan Inform., vol. 3, no. 2, pp. 100–
Pe- 0.742 0.443 435.0 193.0 104, 2017, doi: 10.23917/khif.v3i2.4516.
paya11.JP 263858. 2113.2
[3] L. A. Wardani, G. Pasek, S. Wijaya, and F. Biman-
G 5 64
Pe- 0.369 0.191 37.05 7.071 toro, “KLASIFIKASI JENIS DAN TINGKAT
paya12.JP 823464. 167.51 4 KEMATANGAN BUAH PEPAYA
G 5 2 BERDASARKAN FITUR WARNA, TEKSTUR
pepaya13. 219944. 1855.8 0.802 0.501 373.5 187.3
JPG 1 43 90 23
DAN BENTUK MENGGUNAKAN SUPPORT
pepaya14. 209873. 1878.3 0.747 0.448 386.0 173.0 VECTOR MACHINE (Classification of Types and
JPG 7 65 Levels of Ripeness of Papaya Fruit Based on Color,
pepaya15. 255019. 2171.5 0.679 0.391 455.3 178.1 Texture and Shape Features Using Support Ve,” J.
JPG 0 27 96 79
pepaya16. 227445. 1908.6 0.784 0.483 387.0 187.0
Teknol. Informasi, Komput. dan Apl., vol. 4, no. 1,
JPG 4 34 pp. 75–87, 2022, [Online]. Available:
pepaya17. 372317. 2436.4 0.788 0.487 493.3 240.1 http://jtika.if.unram.ac.id/index.php/JTIKA/
JPG 3 33 28 33 [4] Alfian Firlansyah, Andi Baso Kaswar, and Andi
pepaya18. 260954. 1852.7 0.955 0.733 336.3 246.8
JPG 9 54 76 40
Akram Nur Risal, “Klasifikasi Tingkat Kematangan
pepaya19. 259246. 2069.2 0.760 0.460 423.2 194.8 Buah Pepaya Berdasarkan Fitur Warna Menggu-
JPG 2 52 74 79 nakan JST,” Techno Xplore J. Ilmu Komput. dan
pepaya20. 403074. 2888.1 0.607 0.338 616.1 208.1 Teknol. Inf., vol. 6, no. 2, pp. 55–60, 2021, doi:
JPG 7 37 85 36
10.36805/technoxplore.v6i2.1438.
[5] E. Syaefulloh and H. Purwadaria, “IDENTIFIKASI
TINGKAT KETUAAN DAN KEMATANGAN
V.KESIMPULAN PEPAYA (Carica papaya L.) IPB 1 DENGAN
Pengolahan citra digital menggunakan PENGOLAHAN CITRA DIGITAL DAN
JARINGAN SYARAF TIRUAN,” Agritech J. Fak.
model warna RGB dan ekstraksi tepi objek (citra Teknol. Pertan. UGM, vol. 27, no. 2, pp. 75–81,
bentuk) telah berhasil mengklasifikasikan tingkat 2007.

5
TEKNIMEDIA - Volume xx, Nomorx, Bulan YYYY: nomer halaman awal – nomer halaman akhir

[6] E. Campostrini, “Ekofisiologi pepaya : review,” vol.

19, no. 4, pp. 413–424, 2007.
[7] V. Yogiraj, P. K. Goyal, C. S. Chauhan, and B.
Vyas, “Carica papaya Linn : Sebuah Tinjauan Ma-
chine Translated by Google,” vol. 2, no. 5, pp. 1–8,
2014.
[8] B. A. B. Ii, A. T. Teoritis, and P. Buah, “No Title,”
pp. 4–16, 2012.
[9] H. W. Herwanto, T. Widiyaningtyas, and A.
Rosyidin, “Aplikasi Pendeteksian Kematangan Buah
Pepaya Menggunakan Teknik Segmentasi Warna,”
Tekno, vol. 14, pp. 61–71, 2010.
[10] R. D. Kusumanto and A. N. Tompunu,
“PENGOLAHAN CITRA DIGITAL UNTUK
MENDETEKSI OBYEK MENGGUNAKAN
PENGOLAHAN WARNA MODEL
NORMALISASI RGB,” vol. 2011, no. Semantik,
2011.
[11] B. A. B. Ii and P. Citra, “LANDASAN TEORI,” pp.
1–21, 2013.
[12] W. D. Cahyono, D. W. Soedibyo, and Askin, “Ka-
jian sifat fisik buah pepaya ( Carica papaya L . )
menggunakan pengolahan citra (image processing),”
Berk. Ilm. Teknol. Pertan., vol. 1, no. 1, pp. 1–6,
2015.
[13] L. Farokhah, “Implementasi K-Nearest Neighbor
untuk Klasifikasi Bunga Dengan Ekstraksi Fitur
Warna RGB,” J. Teknol. Inf. dan Ilmu Komput., vol.
7, no. 6, p. 1129, 2020, doi: 10.25126/
jtiik.2020722608.
[14] D. A. Prabowo and D. Abdullah, “Deteksi dan Per-
hitungan Objek Berdasarkan Warna Menggunakan
Color Object Tracking,” Pseudocode, vol. 5, no. 2,
pp. 85–91, 2018, doi: 10.33369/pseudocode.5.2.85-
91.
[15] S. A. Syakri, M. Mulyadi, and Z. K. Simbolon,
“Identifikasi Tingkat Kebulatan Buah Pepaya
Berdasarkan Luas Objek Dengan Pengolahan Citra,”
J. Infomedia, vol. 2, no. 2, 2018, doi:
10.30811/.v2i2.517.