IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOR (KNN) UNTUK KLASIFIKASI MUTU TELUR BERDASARKAN FITUR WARNA DAN TEKSTUR

Abstract

Telur ayam menjadi salah satu sumber protein hewani yang memiliki peranan penting bagi masyarakat Indonesia, namun hingga saat ini proses penilaian mutunya masih dominan dilakukan secara manual sehingga berpotensi menimbulkan subjektivitas, ketidakkonsistenan hasil, serta kurang efisien, khususnya pada proses produksi berskala besar di sektor industri. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem klasifikasi mutu telur ayam ras secara otomatis berbasis pengolahan citra dengan memanfaatkan algoritma K-Nearest Neighbor (KNN). Dataset awal terdiri dari 400 citra telur yang dikelompokkan ke dalam empat kelas mutu, yaitu sangat bersih, bersih, sedikit kotor, dan kotor. Untuk meningkatkan keragaman data, jumlah citra diperbanyak menjadi 3200 melalui proses augmentasi berupa rotasi 0°, ±15°, 30°, serta flip horizontal. Tahapan pra-pemrosesan meliputi segmentasi objek telur menggunakan metode thresholding pada ruang warna HSV yang dikombinasikan dengan operasi morfologi guna memperjelas pemisahan objek dari latar belakang. Proses ekstraksi fitur dilakukan dengan menghitung nilai rata-rata Hue, Saturation, dan Value sebagai representasi fitur warna, serta fitur tekstur yang terdiri dari contrast, correlation, energy, dan homogeneity menggunakan pendekatan Gray Level Co-occurrence Matrix (GLCM). Seluruh fitur yang diperoleh kemudian dinormalisasi menggunakan Min-Max Scaler sebelum dilakukan proses klasifikasi. Berdasarkan hasil validasi silang, pemilihan nilai K sebesar 3 menghasilkan akurasi rata-rata sebesar 89%. Selanjutnya, model yang dikembangkan diimplementasikan ke dalam sebuah website sehingga pengguna dapat mengunggah citra telur dan memperoleh hasil klasifikasi mutu secara otomatis, objektif, dan efisien