KLASIFIKASI CITRA TERHADAP MANGGA ALAMI DAN KARBIT DENGAN METODE K-NEAREST NEIGHBOR (KNN) DAN GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM)

ENDARWAN, RAMA (2025) KLASIFIKASI CITRA TERHADAP MANGGA ALAMI DAN KARBIT DENGAN METODE K-NEAREST NEIGHBOR (KNN) DAN GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM). Skripsi thesis, UPN "Veteran" Yogyakarta.

	Text COVER_RAMA ENDARWAN_123190146.pdf Download (210kB)
	Text PENGESAHAN_RAMA ENDARWAN_123190146.pdf Download (410kB)
	Text ABSTRAK_RAMA ENDARWAN_123190146.pdf Download (143kB)
	Text DAFTAR ISI_RAMA ENDARWAN_123190146.pdf Download (235kB)
	Text DAFTAR PUSTAKA_RAMA ENDARWAN_123190146.pdf Download (201kB)
	Text SKRIPSI FULLTEXT_RAMA ENDARWAN_123190146.pdf Restricted to Repository staff only Download (1MB)

Abstract

Mangga merupakan salah satu buah tropis yang banyak dibudidayakan dan
dikonsumsi masyarakat Indonesia. Dalam distribusinya, mangga dapat mengalami proses
pematangan secara alami di pohon atau dipercepat menggunakan bahan kimia seperti
kalsium karbida (karbit). Pemakaian karbit dapat memberikan dampak negatif bagi
kesehatan konsumen dan menurunkan kualitas nutrisi buah. Permasalahan muncul karena
secara visual, perbedaan antara mangga alami dan karbit sulit dibedakan oleh masyarakat
awam. Oleh karena itu, diperlukan suatu sistem klasifikasi berbasis citra digital untuk
membedakan jenis kematangan mangga.
Penelitian ini mengembangkan sistem klasifikasi citra kematangan mangga alami
dan karbit menggunakan metode Gray Level Co-Occurrence Matrix (GLCM) untuk
ekstraksi fitur tekstur dan K-Nearest Neighbor (KNN) sebagai algoritma klasifikasi. Dataset
yang digunakan berasal dari website Kaggle dengan total 618 data citra, masing-masing 309
citra mangga alami dan 309 citra karbit berformat .png berukuran 512×512 piksel. Proses
penelitian meliputi tahapan pre-processing data (resize dan remove background), ekstraksi
fitur tekstur menggunakan GLCM (dengan parameter Angular Second Moment (ASM),
energy, contrast, homogeneity, correlation, dan dissimilarity), klasifikasi menggunakan
algoritma KNN, serta evaluasi performa menggunakan confusion matrix.
Hasil penelitian menunjukkan bahwa metode GLCM efektif dalam mengekstraksi
karakteristik tekstur citra mangga, sedangkan algoritma KNN dengan nilai K=4 memberikan
hasil klasifikasi terbaik. Sistem klasifikasi ini mampu mencapai nilai akurasi sebesar 98%
dengan nilai precision, recall, dan F1-score yang seimbang. Sistem ini diharapkan dapat
menjadi solusi praktis dalam membantu konsumen maupun pelaku usaha buah untuk
membedakan mangga matang alami dan karbit secara cepat dan akurat.
Kata Kunci: Klasifikasi Citra, GLCM, KNN, Mangga Alami, Mangga Karbit.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	RAMA ENDARWAN (Penulis-123190146) ; Frans Richard Kodong (Pembimbing)
Uncontrolled Keywords:	Klasifikasi Citra, GLCM, KNN, Mangga Alami, Mangga Karbit.
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	UPA Perpustakaan
Date Deposited:	16 Oct 2025 03:05
Last Modified:	16 Oct 2025 03:05
URI:	http://eprints.upnyk.ac.id/id/eprint/44457

Actions (login required)

View Item