Article Sidebar

Download
Download Article

Main Article Content

Abstract

This study develops a pear variety classification system based on digital images using the K-Nearest Neighbor (KNN) algorithm. The data used included 195 images from three pear varieties, namely Century, Forel Afrika, and Singo, which were analyzed by utilizing various features such as color (RGB), texture (Local Binary Pattern), shape (area, circumference, length-width ratio), and size (bounding box dimensions). The preprocessing process removes the image's background to increase focus on the main object, thus allowing for more optimal feature extraction. The dataset is divided into 80% for training and 20% for model testing. The evaluation results show that the KNN model can achieve an accuracy of 85%, with an average precision value of 0.85, recall of 0.89, and F1-score of 0.85. These results prove that the KNN algorithm is effective in accurately classifying pear varieties, which can significantly contribute to applying digital image-based technology for automatic classification needs in the agricultural sector.

Keywords

Pear Classification K-Nearest Neighbor Algorithm Digital Image Feature Extraction

Article Details

Creative Commons License

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

How to Cite
Putri, R. N., Kiswanto, D., & Sitepu, K. S. A. (2025). Classification of Pear Varieties Using the K-Nearest Neighbor Algorithm and Extraction of Shape, Color, Texture, and Size Features. Golden Ratio of Data in Summary, 5(1), 01–07. https://doi.org/10.52970/grdis.v5i1.910
Download Citation
Endnote/Zotero/Mendeley (RIS)
BibTeX

References

  1. Arthania, T., Purwati, E., Puspadina, V., & Safitri, C. I. N. H. (2021, October). Formulas dan uji mutu fisik body lotion ekstrak kulit buah pir (Pyrusbretschneideri). In Prosiding SNPBS Seminar Nasional Pendidikan Biologi dan Saintek (pp. 416-422).
  2. Batubara, N. P., Widiyanto, D., & Chamidah, N. (2020). Klasifikasi rempah rimpang berdasarkan ciri warna rgb dan tekstur glcm menggunakan algoritma naive bayes. Informatik: Jurnal Ilmu Komputer, 16(3), 156-163.
  3. Cholil, S. R., Handayani, T., Prathivi, R., & Ardianita, T. (2021). Implementasi algoritma klasifikasi k-nearest neighbor (knn) untuk klasifikasi seleksi penerima beasiswa. IJCIT (Indonesian Journal on Computer and Information Technology), 6(2), 118-127.
  4. Fadli, F., Van FC, L. L., & Lisnawita, L. (2024, November). Klasifikasi Buah Pinang Berdasarkan Tingkat Kematangan Menggunakan Metode Naïve Bayes. In SEMESTER: Seminar Nasional Teknologi Informasi & Ilmu Komputer (Vol. 3, No. 1, pp. 423-433).
  5. Fahrurozi, A., Nugraha, N., & Riminarsih, D. (2023). Sistem Klasifikasi Kayu Berbasis Citra Tekstur Menggunakan Machine Learning. Uwais Inspirasi Indonesia.
  6. Inzaghi, R., Cahyani, A. D., Valenda, V., Ananda, M. A., & Pratama, D. (2024). Analisis Penerapan Artificial Intelligence (AI) di Berbagai Bidang. Jurnal Rekayasa Informatika, 1(1), 36-45.
  7. Irwan, A. S. M., Arifien, Y., Jannah, A., & Masnang, A. (2022). Identifikasi Benih Beberapa Varietas Melon (Cucumis Melo L.) Menggunakan Pengolahan Citra Digital. Agrisintech (Journal of Agribusiness and Agrotechnology), 3(2), 79-84.
  8. Juliansyah, S., & Laksito, A. D. (2021). Klasifikasi Citra Buah Pir Menggunakan Convolutional Neural Networks. InComTech: Jurnal Telekomunikasi dan Komputer, 11(1), 65-72.
  9. Nuraeni, S., Syam, S. P. A., Wajdi, M. F., Firmansyah, B., & Malkan, M. (2023). Implementasi Metode K-NN Untuk Menentukan Jurusan Siswa di SMAN 02 Manokwari. G-Tech: Jurnal Teknologi Terapan, 7(1), 89-95.
  10. Paniza, M., Rusbandi, R., & Alamsyah, D. (2021). Identifikasi Jenis Buah Pir Berdasarkan Bentuk Menggunakan Metode HOG dan JST. Jurnal Algoritme, 2(1), 62-72.
  11. Pawening, R. E., Shudiq, W. J. F., & Wahyuni, W. (2020). Klasifikasi Kualitas Jeruk Lokal Berdasarkan Tekstur dan Bentuk Menggunakan Metode k-Nearest Neighbor (k-NN). COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi, 1(1), 10-17.
  12. Reswan, Y., Toyib, R., Witriyono, H., & Anggraini, A. (2024). Klasifikasi Tingkat Kematangan Buah Nanas Berdasarkan Fitur Warna Menggunakan Metode K–Nearest Neighbor (KNN). Jurnal Media Infotama, 20(1), 280-287.
  13. Saputro, W., & Sumantri, D. B. (2022). Implementasi Citra Digital Dalam Klasifikasi Jenis Buah Anggur Dengan Algoritma K-Nearest Neighbors (KNN) Dan Data Augmentasi. INTECOMS: Journal of Information Technology and Computer Science, 5(2), 248-253.
  14. Setyawan, H. F., Nugroho, B., & Via, Y. V. (2023). Analisis Perbandingan Performansi Algoritma Cnn Dan Nn Pada Buah Pir. JATI. Jurnal Mahasiswa Teknik Informatika, 7(6), 3114-3120.
  15. Sya’ban, D. R., Hamzah, A., & Susanti, E. (2022). Klasifikasi Buah Segar dan Busuk Menggunakan Algoritma Convolutional Neural Network dengan TFLite sebagai Media Penerapan Model Machine Learning. Prosiding Snast, F7-16.
  16. Tikasni, E., Utami, E., & Ariatmanto, D. (2024). Analisis Akurasi Object Detection Menggunakan Tensorflow Untuk Pengenalan Bahasa Isyarat Tangan Menggunakan Metode SSD. Jurnal Fasilkom, 14(2), 385-393.
  17. Wijaya, N., & Ridwan, A. (2019). Klasifikasi Jenis Buah Apel Dengan Metode K-Nearest Neighbors Dengan Ekstraksi Fitur HSV dan LBP. Jurnal Sisfokom (Sistem Informasi dan Komputer), 8(1), 74-78.

Similar Articles

1 2 3 4 5 6 7 8 9 10 > >> 

You may also start an advanced similarity search for this article.