Klasifikasi Kematangan Daun Pandan Berdasarkan Fitur Warna Menggunakan Algoritma K-Nearest Neighbors
DOI:
https://doi.org/10.56427/jcbd.v5i3.997
Keywords:
Daun pandan, Klasifikasi citra, Fitur warna HSV, K-Nearest Neighbors, Pengolahan citra digitalAbstract
Identifikasi tingkat kematangan daun pandan (Pandanus amaryllifolius) selama ini dilakukan secara visual sehingga bersifat subjektif dan berpotensi menghasilkan penilaian yang tidak konsisten. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis yang mengelompokkan kematangan daun pandan ke dalam dua kelas, yaitu daun muda dan daun tua, berdasarkan fitur warna citra digital menggunakan algoritma K-Nearest Neighbors (KNN). Sebanyak 20 citra diperoleh menggunakan kamera digital dengan pencahayaan alami, kemudian melalui pra-pemrosesan berupa cropping dan resizing, serta dibagi menjadi 16 citra data latih dan 4 citra data uji. Ekstraksi fitur dilakukan dengan mengonversi ruang warna RGB ke HSV (Hue, Saturation, Value), lalu menghitung nilai rata-rata dan standar deviasi setiap komponen sebagai vektor fitur. Klasifikasi dilakukan menggunakan KNN dengan metrik Euclidean Distance pada nilai K = 1, K = 3, dan K = 5, serta diimplementasikan pada MATLAB R2017a. Hasil pengujian menunjukkan accuracy, precision, recall, dan F1-score sebesar 100% pada keempat citra data uji untuk seluruh nilai K. Kontribusi penelitian ini terletak pada kombinasi fitur warna HSV dan algoritma KNN sebagai alternatif identifikasi yang lebih objektif dibandingkan pengamatan visual. Karena dataset yang digunakan berukuran kecil dan tanpa penerapan cross-validation, hasil tersebut bersifat preliminary dan memerlukan validasi pada dataset yang lebih besar dan lebih beragam.
Downloads
References
[1] R. M. Candra and A. Nanda Rozana, “Klasifikasi Komentar Bullying pada Instagram Menggunakan Metode K-Nearest Neighbor,” IT J. Res. Dev., vol. 5, no. 1, pp. 45–52, Jul. 2020, doi: 10.25299/itjrd.2020.vol5(1).4962.
[2] Wulandari, Sasmita, M. R. Mulia, A. B. Kaswar, D. D. Andayani, and A. S. Agung, “Klasifikasi Kandungan Nutrisi Buah Pisang Berdasarkan Fitur Tekstur dan Warna LAB menggunakan Jaringan Syaraf Tiruan Berbasis Pengloahan Citra Digital,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 3, pp. 507–518, Jul. 2024, doi: 10.25126/jtiik.938332.
[3] H. Saleh, M. Faisal, and R. I. Musa, “Klasifikasi Status Gizi Balita Menggunakan Metode K-Nearest Neighbor,” Simtek J. Sist. Inf. dan Tek. Komput., vol. 4, no. 2, pp. 120–126, Oct. 2019, doi: 10.51876/simtek.v4i2.60.
[4] Q. A. A’yuniyah and M. Reza, “Penerapan Algoritma K-Nearest Neighbor Untuk Klasifikasi Jurusan Siswa Di Sma Negeri 15 Pekanbaru,” Indones. J. Inform. Res. Softw. Eng., vol. 3, no. 1, pp. 39–45, Mar. 2023, doi: 10.57152/ijirse.v3i1.484.
[5] N. Buddhakala and B. Yongkhamcha, “Phytochemical constituents, and antioxidant, antidiabetic and anti-inflammatory activities of the extracts from Pandanus amaryllifolius Roxb.,” J. Herb. Med., vol. 54, Dec. 2025, doi: 10.1016/j.hermed.2025.101062.
[6] H. Syahputra, F. Arnia, and K. Munadi, “Karakterisasi Kematangan Buah Kopi Berdasarkan Warna Kulit Kopi Menggunakan Histogram dan Momen Warna,” J. Nas. Tek. ELEKTRO, vol. 8, no. 1, p. 42, Mar. 2019, doi: 10.25077/jnte.v8n1.615.2019.
[7] I. E. Y. Sari, M. Furqan, and S. Sriani, “Penerapan Metode Otsu dalam Melakukan Segmentasi Citra pada Citra Naskah Arab,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 20, no. 1, pp. 59–72, Sep. 2020, doi: 10.30812/matrik.v20i1.658.
[8] T. Wahyu, A. Saputra, and R. Mardhiyyah, “Perbandingan Performa CNN MobileNetV2 dan K-Nearest Neighbors untuk Klasifikasi Kondisi Tanaman Cabai,” TIN Terap. Inform. Nusant., vol. 7, no. 1, pp. 128–139, 2026, doi: 10.47065/tin.v7i1.10004.
[9] N. Tristanti, N. T. Romadloni, and N. H. Sya’bani, “Klasifikasi Citra Buah Menggunakan Algoritma K-Nearest Neighbour (KNN) dan Metode Euclidean Distance,” RIGGS J. Artif. Intell. Digit. Bus., vol. 4, no. 3, pp. 8306–8312, Oct. 2025, doi: 10.31004/riggs.v4i3.3243.
[10] C. L. Suryani, S. T. C. Murti, A. Ardiyan, and A. Setyowati, “Aktivitas Antioksidan Ekstrak Etanol Daun Pandan (Pandanus amaryllifolius) dan Fraksi-Fraksinya,” Agritech, vol. 37, no. 3, p. 271, Jan. 2018, doi: 10.22146/agritech.11312.
[11] M. A. F. Nujjiya, Gasim, and Z. R. Mair, “Identifikasi Kualitas Batik Berdasarkan Jarak Pengambilan Gambar Menggunakan K-nearest Neighbor,” J. Media Inform., vol. 6, no. 6, pp. 2792–2803, 2025, doi : 10.55338/jumin.v6i6.7130.
[12] R. Dila, N. Tanzerina, and N. Aminasih, “Morfologi dan Anatomi Organ Vegetatif Pandan Wangi Besar (Pandanus amaryllifolius Roxb.) Di Daerah Rawa,” Sriwij. Biosci., vol. 2, no. 1, pp. 1–7, Jun. 2021, doi: 10.24233/sribios.2.1.2021.209.
[13] A. Ambarwari, E. M. Husni, and D. Mahayana, “Perkembangan Paradigma Metode Klasifikasi Citra Penginderaan Jauh dalam Perspektif Revolusi Sains Thomas Kuhn,” J. Filsafat Indones., vol. 6, no. 3, pp. 465–473, Sep. 2023, doi: 10.23887/jfi.v6i3.53865.
[14] D. Wijayanti, A. Hermawan, and D. Avianto, “Penerapan Algoritma K-Nearest Neighbor Untuk Deteksi Dini Status Gizi Pasien Dewasa,” Positif J. Sist. dan Teknol. Inf., Nov. 2024, doi: 10.31961/positif.v10i2.2255.
[15] I. G. S. Deva and P. P. Juniarta, “Kualitas sirup berbahan dasar daun pandan wangi,” J. Ilm. Pariwisata dan Bisnis, vol. 2, no. 1, pp. 40–54, Jan. 2023, doi: 10.22334/paris.v2i1.275.
[16] Umniy Salamah, “Comparison of Machine Learning Algorithm Results Based on HSV Color Model for Image Classification of Vegetable Types,” JSAI (Journal Sci. Appl. Informatics), vol. 7, no. 2, pp. 263–269, Jun. 2024, doi: 10.36085/jsai.v7i2.6392.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Maulana Habibie Syahrandy, Muhammad Ikhsan

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.







