Sistem Klasifikasi Penentuan Masa Panen Tebu Berdasarkan Daunnya Menggunakan K-Nearest Neighbor Pada Metode Pengolahan Citra

Rizki Ramadhan

Abstract


Tebu merupakan komoditas strategis dalam mendukung ketahanan pangan dan energi di Indonesia. Penentuan waktu panen tebu yang tepat sangat penting untuk meningkatkan produktivitas dan kualitas hasil. Penelitian ini bertujuan mengembangkan sistem klasifikasi masa panen tebu berbasis pengolahan citra daun menggunakan algoritma K-Nearest Neighbor (KNN). Dataset citra daun tebu sebanyak 1.462 gambar diperoleh dari Kaggle dan diklasifikasikan ke dalam tiga kategori: Mentah, Panen, dan Terlambat. Metode yang digunakan adalah Extreme Programming (XP) untuk pengembangan sistem secara iteratif dan responsif. Proses klasifikasi dilakukan dengan ekstraksi fitur visual daun dan evaluasi model menggunakan metrik akurasi, F1-score, MSE, dan RMSE. Hasil penelitian menunjukkan bahwa model KNN memiliki akurasi 95,22%, nilai F1-score rata-rata 0,96, MSE sebesar 0,0547, dan RMSE sebesar 0,9353. Uji kelayakan pengguna dilakukan dengan metode System Usability Scale (SUS), dan sistem memperoleh skor 80 yang termasuk kategori “Good”. Temuan ini menunjukkan bahwa sistem yang dikembangkan mampu mengklasifikasikan kematangan daun tebu secara efektif dan memiliki potensi tinggi untuk membantu petani dalam menentukan waktu panen secara objektif dan efisien.

References


B. E. Cahyono, N. D. Wulandari, and A. T. Nugroho, “Analisis Usia Tebu Terhadap Pola Nilai GNDVI ( Green Normalized Difference Vegetation Index ) Berdasarkan Data Citra Landsat -8,” vol. 16, no. 3, pp. 139–146, 2022, doi: 10.24198/jt.vol16n3.2.

A. Kusumawati and M. R. I. Ismail, “Analisa Faktor Pembatas Pertumbuhan Tebu (Saccharum officinarum L.) di Cangkringan, Yogyakarta,” AGROISTA J. Agroteknologi, vol. 6, no. 2, pp. 93–100, 2023, doi: 10.55180/agi.v6i2.321.

A. P. Wahyuni, I. S. Astuti, and Purwanto, “Estimasi fase pertumbuhan dan produktivitas tebu menggunakan citra sentinel 2 di Kecamatan Dampit, Kabupaten Malang,” vol. 2, no. 12, pp. 1260–1278, 2022, doi: 10.17977/um063v2i122022p1260-1278.

S. Prasetyo and T. Dewayanto, “Penerapan Machine Learning, Deep Learning, Dan Data Mining Dalam Deteksi Kecurangan Laporan Keuangan-a Systematic Literature Review,” Diponegoro J. Account., vol. 13, no. 3, pp. 1–12, 2024, [Online]. Available: http://ejournal-s1.undip.ac.id/index.php/accounting

M. F. Yanu, B. Yuwono, and D. B. P, Dasar Pengolahan Citra Digital Edisi 2022. 2022.

G. N. Laananila, I. D. Irawati, and Dadan Nur Ramadan, “Smart Traffic Monitoring & Control Dengan Pengolahan Citra Digital,” vol. 9, no. 1, pp. 330–336, 2023.

R. Dijaya, Buku Ajar Pengolahan Citra Digital. 2023.

A. O. Praneswara, “Perbandingan K-Nearest Neighbors, Support Vector Dan Random Forest Pada Prediksi Medical Cost,” vol. 12, no. 4, pp. 2035–2048, 2023.

V. Putra, G. T. Pranoto, and F. E. Putra, “Klasifikasi Kebutuhan Sparepart Dengan Algoritma K-Nearest Neighbor Untuk Meningkatkan Penjualan Sparepart,” vol. 4, no. 2, pp. 287–293, 2023.

S. Adi and A. Wintarti, “Komparasi Metode Support Vector Machine (Svm), K-Nearest Neighbors (Knn), Dan Random Forest (Rf) Untuk Prediksi Penyakit Gagal Jantung,” vol. 10, no. 02, pp. 258–268, 2022.

J. Ardiansyah, R. Purnamasari, and B. Hidayat, “Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Dengan Metode Discret Wavelet Transform Dan Klasifikasi Support Vector Machine Berbasis Pengolahan Citra Digital,” pp. 511–520, 2020.

R. D. Arianto and Y. Yunitasari, “Identifikasi Penyakit Daun pada Tanaman Kedelai menggunakan CNN,” Senat. Semin. Nas. Teknol. Inf. dan Komun., vol. 7, no. 1, pp. 112–120, 2023.

B. Luna-Benoso, J. C. Martínez-Perales, J. Cortés-Galicia, R. Flores-Carapia, and V. M. Silva-García, “Detection of Diseases in Tomato Leaves by Color Analysis,” pp. 1–16, 2021.

D. Mestika and M. S. Novelan, “Mawaddah Menggunakan Metode Extreme Programming ( XP ),” vol. 4307, no. August, pp. 843–849, 2024.

I. B. G. W. I. K. A. G. Sarasvananda and Styawati, “Pendekatan Metode Extreme Programming untuk Pengembangan Sistem Informasi Manajemen Surat Menyurat pada LPIK STIKI,” vol. 6, no. 2, pp. 258–267, 2021.

F. Reynaldi Valerian, M. Syarief, and D. Abdul Fatah, “Klasifikasi Tingkat Obesitas Menggunakan Metode Gbm Dan Confusion Matrix,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 2, pp. 2242–2249, 2025, doi: 10.36040/jati.v9i2.13062.


Refbacks

  • There are currently no refbacks.



 
PANDUAN SUBMITE ARTIKEL
 


Kantor Sekertariat:
Universitas PGRI Madiun
Jl. Auri No. 14-16  Kota Madiun 63118
Lt 3 Kantor Program Studi Teknik Informatika
email :  [email protected]
 
 

Lisensi Creative Commons
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-BerbagiSerupa 4.0 Internasional.