Model Klasifikasi Tingkat Kematangan Buah Tomat Menggunakan Algoritma K-Nearest Neighbor Berbasis Desktop

Pengklasifikasian kematangan buah tomat secara manual memiliki kelemahan seperti waktu yang lama, akurasi rendah, dan hasil yang tidak konsisten. Pengolahan citra menjadi solusi untuk mengklasifikasikan buah tomat secara otomatis. Penelitian ini bertujuan mengembangkan sistem klasifikasi kematangan buah tomat berbasis desktop menggunakan algoritma K-Nearest Neighbor (KNN). Proses penelitian mencakup pra-pemrosesan data, ekstraksi fitur rata-rata RGB, dan evaluasi model dengan dataset yang berisi 756 citra tomat. Model ini berhasil mengklasifikasikan tomat ke dalam tiga kelas kematangan: matang, setengah matang, dan tidak matang, mencapai akurasi tertinggi 88,19% pada nilai K=11. Meskipun metode KNN memiliki kelemahan, terutama sensitivitas terhadap gangguan yang disebabkan oleh variasi acak dalam intensitas dan warna serta faktor lingkungan seperti pencahayaan yang tidak merata dan perubahan warna latar belakang, model ini diharapkan dapat meningkatkan efisiensi dengan mengurangi waktu klasifikasi dan meningkatkan akurasi dalam mendeteksi tingkat kematangan tomat, sehingga memberikan manfaat yang signifikan bagi petani dan sektor pertanian dalam mengelola hasil panen dan proses penyortiran.