DETEKSI KEMATANGAN BUAH MANGGA BERDASARKAN FITUR BENTUK DAN TEKSTUR CITRA KULIT MENGGUNAKAN METODE DECISION TREE (DT) DAN KNN ( K-NEAREST NEIGHBOR)

Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi yang mampu menentukan tingkat kematangan buah mangga. Saat ini, teknik penentuan tingkat kematangan buah mangga umumnya dilakukan secara manual oleh petani. Namun, metode ini memiliki kelemahan, yaitu subjektif, memakan waktu, dan tidak selalu akurat. Oleh karena itu, diperlukan sistem yang lebih efisien dan akurat. Sistem yang dikembangkan dalam penelitian ini memanfaatkan ekstraksi fitur dari citra menggunakan metode Hu Moment dan Zernike Moment, serta menerapkan algoritma klasifikasi seperti Decision Tree dan K-Nearest Neighbors dengan berbagai model, yaitu FineDT, MediumDT, CoarseDT, FineKNN, MediumKNN, dan Weighted KNN. Metode Hu Moment dan Zernike Moment digunakan untuk mengekstrak fitur-fitur penting dari citra buah mangga. Selanjutnya, penelitian ini mengklasifikasikan citra mangga menjadi tiga kategori: matang, belum matang, dan setengah matang, dengan menggunakan tiga model terbaik dari masing-masing metode klasifikasi. Hasil penelitian menunjukkan bahwa metode yang paling efektif adalah penggunaan Hu Moment pada model Fine KNN yang menghasilkan akurasi tertinggi sebesar 97,7% pada data latih dan 96,97% pada data uji.