Klasifikasi Kematangan Buah Kelapa Sawit Berdasarkan Fitur Citra Warna Kulit Menggunakan Metode Transformasi Ruang Warna HSV dan K-Nearest Neighbor

Abstract

Penentuan tingkat kematangan Tandan Buah Segar (TBS) kelapa sawit merupakan faktor kritis dalam menjamin kualitas Crude Palm Oil (CPO). Metode konvensional yang mengandalkan pengamatan visual manusia seringkali subjektif dan tidak konsisten akibat variasi kondisi lapangan. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi kematangan buah kelapa sawit yang objektif menggunakan ekstraksi fitur warna pada ruang warna HSV (Hue, Saturation, Value) dan algoritma K-Nearest Neighbor (KNN). Dataset penelitian terdiri dari 180 citra digital yang dibagi menjadi 150 data pelatihan dan 30 data pengujian dengan tiga kelas kematangan yaitu Matang, Setengah Matang, dan Mentah. Proses preprocessing meliputi resizing citra menjadi 256 × 256 piksel, diikuti ekstraksi fitur RGB dan transformasi ke HSV. Algoritma KNN dikonfigurasi dengan nilai K=3 menggunakan metrik Euclidean Distance. Hasil pengujian sistem menunjukkan tingkat akurasi sebesar 90%, dimana 27 dari 30 citra uji berhasil diklasifikasikan dengan benar. Penelitian ini menyimpulkan bahwa kombinasi fitur ruang warna HSV dan algoritma KNN efektif dalam mengklasifikasikan kematangan buah kelapa sawit dan tahan terhadap variasi pencahayaan dibandingkan ruang warna RGB. Sistem ini berpotensi diterapkan sebagai teknologi pendukung keputusan panen presisi di industri perkebunan kelapa sawit.