Ardiansyah, Aswin (2025) IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOR (KNN) UNTUK KLASIFIKASI MUTU TELUR BERDASARKAN FITUR WARNA DAN TEKSTUR. Undergraduate thesis, UNIMED.
4213550023_Cover.pdf
Download (213kB)
4213550023_Lembar_Pengesahan.pdf
Download (371kB)
4213550023_Abstrak.pdf
Download (321kB)
4213550023_Kata_Pengantar.pdf
Download (307kB)
4213550023_Daftar_Isi.pdf
Download (316kB)
4213550023_Daftar_Gambar.pdf
Download (275kB)
4213550023_Daftar_Tabel.pdf
Download (272kB)
4213550023_Daftar_Lampiran.pdf
Download (265kB)
4213550023_BAB_I.pdf
Download (382kB)
4213550023_BAB_II.pdf
Restricted to Repository staff only
Download (805kB)
4213550023_BAB_III.pdf
Restricted to Repository staff only
Download (460kB)
4213550023_BAB_IV.pdf
Restricted to Repository staff only
Download (1MB)
4213550023_BAB_V.pdf
Download (308kB)
4213550023_Daftar_Pustaka.pdf
Download (300kB)
4213550023_Lampiran.pdf
Restricted to Repository staff only
Download (897kB)
Abstract
Telur ayam merupakan sumber protein hewani vital bagi masyarakat Indonesia, namun proses penilaian mutunya secara manual seringkali terkendala subjektivitas dan inefisiensi, terutama dalam skala industri. Kelemahan sortir manual seperti inkonsistensi dan kelelahan dapat mempengaruhi kualitas produk akhir. Penelitian ini bertujuan mengembangkan sistem klasifikasi mutu telur ayam ras otomatis untuk mengatasi permasalahan tersebut, dengan mengimplementasikan algoritma K-Nearest Neighbor (KNN) berdasarkan fitur visual cangkang. Dataset awal yang terdiri dari 400 citra telur dibagi rata dalam empat kelas mutu: sangat bersih, bersih, sedikit kotor, kotor diperbanyak menjadi total 3200 citra (800 per kelas) menggunakan teknik augmentasi data berupa rotasi pada sudut 0°, ±15°, dan 30°, serta flip horizontal untuk meningkatkan keragaman data latih. Tahap pra-pemrosesan citra melibatkan segmentasi objek telur dari latar belakang menggunakan thresholding berdasarkan rentang warna pada ruang HSV, diikuti operasi morfologi untuk penyempurnaan mask. Fitur warna diekstraksi dengan menghitung nilai rata-rata komponen Hue, Saturation, dan Value (HSV) dari area telur. Fitur tekstur, yaitu contrast, correlation, energy, dan homogeneity, diekstraksi menggunakan metode Gray Level Co-occurrence Matrix (GLCM) dari citra grayscale hasil segmentasi. Fitur-fitur ini kemudian dinormalisasi menggunakan Min-Max Scaler sebelum digunakan dalam model KNN. Data dibagi dengan rasio 80% untuk pelatihan dan 20% untuk pengujian. Melalui validasi silang K-Fold, ditemukan bahwa nilai K=3 merupakan parameter optimal, yang mampu mencapai akurasi klasifikasi rata-rata sebesar 89% pada data uji. Sebagai implementasi praktis, algoritma yang telah dilatih diintegrasikan ke dalam sebuah website, memungkinkan pengguna mengunggah citra telur dan mendapatkan hasil klasifikasi mutunya secara langsung. Pengembangan sistem ini diharapkan dapat menjadi solusi alternatif untuk proses sortir telur yang lebih objektif, konsisten, dan efisien.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Additional Information: | 006.32 Ard i |
| Keywords: | Telur, K-Nearest Neighbor (KNN), , HSV, GLCM, Website |
| Subjects: | Q Science > QA Mathematics > QA76 Computer software Q Science > QD Chemistry T Technology > TA Engineering (General). Civil engineering (General) T Technology > TS Manufactures |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Ilmu Komputer |
| Depositing User: | Mrs Gusti Lisa Utami |
| Date Deposited: | 23 Jul 2026 06:58 |
| Last Modified: | 23 Jul 2026 06:58 |
| URI: | https://digilib.unimed.ac.id/id/eprint/67894 |
