Klasifikasi Tingkat Kematangan Buah Matoa Menggunakan Metode PCA dan KNN Berdasarkan Warna RGB

Abstract

Buah matoa atau dalam bahasa ilmiahnya Pometia Pinnata merupakan buah yang cukup digemari dan tersebar di beberapa wilayah, buah matoa memiliki beberapa manfaat seperti untuk kesehatan, olahan minuman dan untuk dikonsumsi. Namun dari berbagai macam manfaat pada buah matoa, dalam hal pemanenan dan penentuan tingkat kematangan buah matoa masih menjadi tantangan yang cukup signifikan untuk para petani yang masih melakukan pemilahan kualitas kematangan buah secara manual, karena rentan meyebabkan kesalahan klasifikasi dan juga dapat mempengaruhi cita rasa, tekstur dan juga nilai jual buah matoa. Untuk mengatasi permasalahan tersebut, penelitian ini bertujuan mengembangkan suatu sistem yang mampu melakukan klasifikasi tingkat kematangan pada buah matoa berdasarkan fitur warna RGB. Serta menggunakan metode Principal Component Analysis (PCA) yang akan digunakan untuk melakukan reduksi dimensi RGB dan mengetahui sebaran data masing-masing tingkat kematangan buah matoa dan selanjutnya dilakukan klasifikasi dengan menggunakan metode K-Nearest Neighbor (KNN). Penelitian ini  menggunakan dataset sebanyak 67 data, yaitu 42 data latih dan 25 data uji yang terdiri dari 3 kelas yaitu mentah, matang, dan matang sempurna. Klasifikasi data yang menerapkan KNN dengan nilai tetangga terdekat yaitu K=3 mendapatkan hasil tertinggi berdasarkan  accuracy sebesar 92%, precision 92% ,dan recall 92%, menggunakan confusion matrix, dengan hasil 23 citra terklasifikasi benar dan 2 citra yang terklasifikasi salah.