CLASSIFICATION OF DRAGON FRUIT MATURITY LEVEL BASED ON SKIN COLOR USING THE K-NEAREST NEIGHBORS ALGORITHM

Abstract

English

This research aims to develop an effective method for determining the maturity level of dragon fruit in the harvestable, ripe, raw classes automatically by utilizing the K-Nearest Neighbors (K-NN) algorithm through the Knowledge Discovery in Databases (KDD) process. The KDD process, which involves a series of steps starting from data selection, data preprocessing, data transformation, to applying algorithms to produce useful knowledge, is used in this research to process and analyze dragon fruit image data. In this research the classification is processed through the KDD stages, including a preprocessing process to clean and prepare the data, the use of Min-Max Normalization to standardize the data so that all features are on the same scale, very important for the performance of the K-NN model, transformation to extract class data, and application of the K-NN algorithm for fruit maturity classification. The selection of the K-NN algorithm in the KDD stage is based on its simplicity and ability to classify data with a high level of accuracy. The research results show that the KDD method applied with the K-NN algorithm is able to classify the ripeness of dragon fruit with the best accuracy obtained at a value of K = 3 with an accuracy percentage of 91% without requiring physical cutting of the fruit. Thus, this research not only contributes to the field of precision agriculture but also shows how the KDD method can be applied effectively to solve real problems in the field.

Bahasa Indonesia

Penelitian ini bertujuan untuk mengembangkan sebuah metode yang efektif dalam menentukan tingkat kematangan buah naga pada kelas layak panen, matang, mentah secara otomatis dengan memanfaatkan algoritma K-Nearest Neighbors (K-NN) melalui proses Knowledge Discovery in Databases (KDD). Proses KDD, yang melibatkan serangkaian langkah mulai dari pemilihan data, praproses data, transformasi data, hingga penerapan algoritma untuk menghasilkan pengetahuan yang bermanfaat, digunakan dalam penelitian ini untuk mengolah dan menganalisis data citra buah naga. Pada penelitian ini klasifikasi diolah melalui tahapan KDD, termasuk proses praproses untuk membersihkan dan mempersiapkan data, Penggunaan Min-Max Normalization untuk menstandarisasi data sehingga semua fitur berada pada skala yang sama, sangat penting untuk kinerja model K-NN, transformasi untuk mengekstraksi data kelas, dan penerapan algoritma K-NN untuk klasifikasi kematangan buah. Pemilihan algoritma K-NN dalam tahapan KDD didasarkan pada kesederhanaan serta kemampuannya dalam mengklasifikasikan data dengan tingkat akurasi yang tinggi. Hasil penelitian menunjukkan bahwa metode KDD yang diterapkan dengan algoritma K-NN mampu mengklasifikasikan kematangan buah naga dengan Akurasi terbaik diperoleh pada nilai K = 3 dengan persentase akurasi sebesar 91% tanpa memerlukan pemotongan fisik pada buah. Dengan demikian, penelitian ini tidak hanya memberikan kontribusi dalam bidang pertanian presisi tetapi juga menunjukkan bagaimana metode KDD dapat diterapkan secara efektif untuk menyelesaikan masalah nyata di lapangan.

Keywords

• K-Nearest Neighbors (K-NN)
• Knowledge Discovery in Databases (KDD)
• Dragon Fruit Ripeness Classification
• Data Preprocessing
• Data Transformation
• RGB Color Model