Identifikasi Tandan Buah Segar (TBS) Kelapa Sawit Layak Jual dengan Algoritma K-Nearest Neighbors

Penulis

  • Dechy Deswita Indriani.S Medan State University, Indonesia
  • Kana Saputra S Medan State University, Indonesia
  • Said Iskandar Al Idrus Medan State University, Indonesia
  • Susiana Susiana Medan State University, Indonesia
  • Adidtya Perdana Medan State University, Indonesia

DOI:

https://doi.org/10.32664/j-intech.v13i02.2066

Kata Kunci:

Classification, Fresh Fruit Bunches, KNN, Merchantability, Oil Palm

Abstrak

Indonesia merupakan negara penghasil minyak kelapa sawit terbesar di dunia, dengan produksi tahunan mencapai lebih dari 45 juta ton. Kualitas tandan buah segar (TBS) kelapa sawit sangat menentukan mutu minyak yang dihasilkan. Kualitas TBS dapat dilihat melalui tingkat kematangan dan kesehatannya. Buah yang tidak matang, terlalu matang, atau terkontaminasi jamur dapat menurunkan kualitas minyak karena tingginya kadar asam lemak bebas (FFA). Penelitian ini bertujuan membangun model klasifikasi kelayakan jual TBS menggunakan algoritma K-Nearest Neighbors (K-NN) dengan fitur RGB dan GLCM. Data citra dikumpulkan dari perkebunan, lalu diproses melalui tahapan praproses, ekstraksi fitur, dan normalisasi. Model diuji dalam tiga pendekatan, yaitu menggunakan fitur kombinasi RGB-GLCM, RGB saja, dan GLCM saja, dengan berbagai skenario pembagian data, yaitu 70:30, 80:20, dan 90:10, serta nilai k yang bervariasi, yaitu k = 3, 5, 7, 9. Hasil evaluasi menunjukkan bahwa model kombinasi fitur RGB-GLCM pada skenario pembagian data 80:20 dan nilai k = 5 merupakan model yang paling optimal, dengan akurasi mencapai 88%. Selain memberikan akurasi tinggi, model ini juga menunjukkan kestabilan yang baik dibandingkan model RGB maupun GLCM secara Tunggal. Hal ini membuktikan bahwa penggunaan kombinasi fitur lebih efektif dan andal dalam mengidentifikasi kelayakan jual TBS kelapa sawit dibandingkan penggunaan fitur tunggal.  

Referensi

[1] S. Yuandry and I. Irdawati, “Analisis Pengaruh Tingkat Free Fatty Acid (FFA) terhadap Kualitas Crude Palm Oil (CPO) pada Pabrik Industri Kelapa Sawit PT. Agro Muko Po. Mill,” Biocelebes, vol. 18, no. 1, pp. 13–19, 2024, doi: 10.22487/bioceb.v18i1.16882.

[2] BPS, “Statistik Kelapa Sawit Indonesia 2022,” vol. 16, p. 6, 2023.

[3] I. Bonet, M. Gongora, F. Acevedo, and I. Ochoa, “Deep Learning Model to Predict the Ripeness of Oil Palm Fruit,” Int. Conf. Agents Artif. Intell., vol. 3, no. Icaart, pp. 1068–1075, 2024, doi: 10.5220/0012434600003636.

[4] M. Rifqi, M. AKbar, and Y. Fitrisia, “Aplikasi Pendeteksian Kematangan Tandan Buah Segar (TBS) Kelapa Sawit Berdasarkan Komposisi Warna Menggunakan Algoritma K-NN,” J. Komput. Terap., vol. 6, no. 1, pp. 99–107, 2020, doi: https://doi.org/10.35143/jkt.v6i1.3338.

[5] J. Zulkarnain, Kusrini, and T. Hidayat, “Klasifikasi Tingkat Kematangan Tandan Buah Segar Kelapa Sawit Menggunakan Pendekatan Deep Learning,” JST (Jurnal Sains dan Teknol., vol. 12, no. 3, pp. 748–758, 2024, doi: 10.23887/jstundiksha.v12i3.59140.

[6] D. Nurfiqih, L. Hakim, and M. Muhammad, “Pengaruh Suhu, Persentase Air, Dan Lama Penyimpanan Terhadap Persentase Kenaikan Asam Lemak Bebas (Alb) Pada Crude Palm Oil (Cpo),” J. Teknol. Kim. Unimal, vol. 10, no. 2, p. 1, 2021, doi: 10.29103/jtku.v10i2.4955.

[7] R. Kurniawan, Samsuryadi, F. S. Mohamad, H. O. L. Wijaya, and B. Santoso, “Classification of palm oil fruit ripeness based on AlexNet deep Convolutional Neural Network,” Sinergi (Indonesia), vol. 29, no. 1, pp. 207–220, 2025, doi: 10.22441/sinergi.2025.1.019.

[8] R. Malyala, “Development of a Convolutional Neural Network Model for Automated Ripeness Classification of Palm Oil Fresh Fruit Bunches,” Int. J. Innov. Sci. Res. Technol., vol. 9, no. 11, pp. 1040–1046, 2024, doi: 10.38124/ijisrt/ijisrt24nov762.

[9] M. Rifqi and Suharjito, “Deteksi Kematangan Tandan Buah Segar (Tbs) Kelapa Sawit Berdasarkan Komposisi Warna Menggunakan Deep Learning,” J. Tek. Inform. Atmaluhur, vol. 6, no. 1, p. 40, 2021, doi: https://doi.org/10.15408/jti.v14i2.23295.

[10] L. Muflikhah, W. F. Mahmudy, and D. Kurnianingtyas, Machine Learning, 1st ed. Malang: UB Press, 2023. [Online]. Available: https://play.google.com/books/reader?id=tu_uEAAAQBAJ&pg=GBS.PR4&hl=id

[11] Rahmaddeni, D. Wulandari, M. Renova, G. Ramadhan, and R. Sari, Machine Learning, 1st ed. 2024. [Online]. Available: https://books.google.co.id/books?hl=id&lr=&id=owoOEQAAQBAJ&oi=fnd&pg=PA8&dq=buku+machine+learning&ots=X-lpMPhu2V&sig=mpfvmmnXntS5KJkuM8tG37MEogQ&redir_esc=y#v=onepage&q=buku machine learning&f=false

[12] A. R. Isnain, J. Supriyanto, and M. P. Kharisma, “Implementation of K-Nearest Neighbor (K-NN) Algorithm For Public Sentiment Analysis of Online Learning,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 15, no. 2, p. 121, 2021, doi: 10.22146/ijccs.65176.

[13] A. Tasari, D. Dinata Tarigan, E. Nia, D. B. Purba, K. Saputra, and I. Artikel, “Perbandingan Algoritma Support Vector Machine dan KNN dalam Memprediksi Struktur Sekunder Protein,” J. Inform., vol. 9, no. 2, pp. 172–179, 2022, [Online]. Available: https://raw.githubusercontent.com/JiayingLi/Pr

[14] A. W. Setiawan, R. Mengko, A. P. H. Putri, D. Danudirdjo, and A. R. Ananda, “Classification of palm oil fresh fruit bunch using multiband optical sensors,” Int. J. Electr. Comput. Eng., vol. 9, no. 4, pp. 2386–2393, 2019, doi: 10.11591/ijece.v9i4.pp2386-2393.

[15] R. Mahadyanto, D. A. Prastiningtyas, and F. E. Purwiantono, “Penerapan Metode Jaringan Syaraf Tiruan Radial Basis Function Untuk Identifikasi Jenis Mangga Berdasarkan Pola Daun,” J-INTECH (Journal Inf. Technol., vol. 07, no. 01, pp. 90–96, 2019, doi: https://doi.org/10.32664/j-intech.v7i01.411.

[16] Y. Dimas Pratama and A. Salam, “Comparison of Data Normalization Techniques on KNN Classification Performance for Pima Indians Diabetes Dataset,” J. Appl. Informatics Comput., vol. 9, no. 3, pp. 693–706, 2025, doi: 10.30871/jaic.v9i3.9353.

[17] M. S. Fajri, N. Septian, and E. Sanjaya, “Evaluasi Implementasi Algoritma Machine Learning K-Nearest Neighbors (kNN) pada Data Spektroskopi Gamma Resolusi Rendah,” Al-Fiziya J. Mater. Sci. Geophys. Instrum. Theor. Phys., vol. 3, no. 1, pp. 9–14, 2020, doi: 10.15408/fiziya.v3i1.16180.

[18] D. D. Indriani.S, E. J. A. Sinaga, G. Oktavia, H. Syahputra, and F. Ramadhani, “Identifikasi Tanda Tangan Dengan Menggunakan Metode Convolution Neural Network (CNN),” J-INTECH (Journal Inf. Technol., vol. 12, no. 1, pp. 138–147, 2024, doi: 10.32664/j-intech.v12i1.1273.

[19] P. P. Allorerung, A. Erna, M. Bagussahrir, and S. Alam, “Analisis Performa Normalisasi Data untuk Klasifikasi K-Nearest Neighbor pada Dataset Penyakit,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 9, no. 3, pp. 178–191, 2024, doi: 10.14421/jiska.2024.9.3.178-191.

[20] F. A. Tyas, M. Narayuni, and H. Rakhmawati, “Optimasi Algoritma K-Nearest Neighbors Berdasarkan Perbandingan Analisis Outlier (Berbasis Jarak, Kepadatan, LOF),” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 13, no. 02, pp. 108–115, 2024, doi: 10.22146/jnteti.v13i2.9579.

Unduhan

Diterbitkan

2025-12-19

Terbitan

Vol 13 No 02 (2025): J-Intech : Journal of Information and Technology

Bagian

Articles

Lisensi

Hak Cipta (c) 2025 J-INTECH ( Journal of Information and Technology)

Creative Commons License

Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.