Implementasi Metode GLCM, HSV dan K-Nearest Neighbor untuk Klasifikasi Kualitas Jeruk Nipis

Abstract

Proses sortir jeruk nipis yang masih dilakukan secara manual dengan mengandalkan pengamatan visual manusia cenderung menghasilkan hasil yang subjektif dan tidak konsisten. Hal ini berpotensi menyebabkan tercampurnya buah berkualitas rendah dengan buah berkualitas baik. Penelitian ini bertujuan untuk merancang sistem klasifikasi otomatis kualitas jeruk nipis berbasis citra digital menggunakan kombinasi fitur tekstur Gray Level Co-occurrence Matrix (GLCM) dan fitur warna HSV, serta algoritma klasifikasi K-Nearest Neighbor (KNN). Fitur yang digunakan terdiri dari fitur tekstur (contrast, dissimilarity, homogeneity, energy), fitur warna HSV (Hue, Saturation, Value), serta fitur tambahan berupa shape dan statistical features yang digabungkan menjadi vektor fitur berdimensi 131. Untuk meningkatkan efisiensi, dilakukan reduksi dimensi menggunakan Principal Component Analysis (PCA) dengan mempertahankan 95% variansi data. Model dievaluasi menggunakan akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa kombinasi metode GLCM, HSV, dan KNN mampu mengklasifikasikan kualitas jeruk nipis ke dalam tiga kelas (segar, tidak segar, dan busuk) dengan akurasi mencapai 97.06% pada data uji. Sistem ini diharapkan dapat menjadi solusi praktis untuk meningkatkan konsistensi proses sortir buah.