IDENTIFIKASI KEMATANGAN MENTIMUN BERDASARKAN WARNA KULIT BUAH MENGGUNAKAN METODE K-NEAREST NEIGHBOR
IDENTIFIKASI KEMATANGAN MENTIMUN BERDASARKAN WARNA KULIT
BUAH MENGGUNAKAN METODE K-NEAREST NEIGHBOR
IDENTIFICATION OF CUCUMBER FRUIT MATURITY BASED ON SKIN COLOUR USING K-
NEAREST NEIGHBOR METHOD
Kadek Dwi Diani Shinta Pratiwi , Bulkis Kanata, I Made Budi Suksmadana
ABSTRAK
Mentimun merupakan tumbuhan yang berasal dari suku labu - labuan. Selain untuk dikonsumsi,
buah ini juga dimanfaatkan dalam dunia kecantikan. Penilaian pembeli yang bersifat subyektif
terhadap kematangan buah mentimun menyebabkan penilaian tingkat kematangan buah
mentimun berbeda dari satu pembeli dengan pembeli lainnya. Penelitian ini membahas proses
identifikasi kematangan mentimun berdasarkan warna kulit buah dengan melakukan
pengolahan citra dari buah mentimun menjadi citra RGB. Citra RGB diolah untuk mendapatkan
nilai statistik orde pertama. Data statistik tersebut akan disimpan sebagai database data latih
dan data uji serta pengklasifikasiannya menggunakan k-nearest neighbor .Berdasarkan
pengujian yang telah dilakukan, diperoleh tingkat keberhasilan terbesar pada pengujian
perparameter ciri mean citra red mencapai 90%, pada pengujian kombinasi 2 parameter ciri
mean dan entropy citra red mencapai 100%, kombinasi 3 parameter ciri mean, skewness dan
kurtosis citra red mencapai 90% dan kombinasi 4 parameter ciri mean, skewness, kurtosis dan
entropy citra red mencapai 90%.Kata kunci: Mentimun , Histogram, Statistik Orde Satu, K-Nearest neighbor
ABSTRACT
Cucumber is a plant that comes from the tribe pumpkins. In addition to consumption , the fruit is
also used in the world of beauty . Ratings buyer which is subjective to cause a cucumber fruit
maturity maturity level ratings cucumber different from one buyer to another buyer . .This study
discusses the identification process maturity based on skin color cucumber fruits by processing
the image of a cucumber into a RGB image . RGB image is processed to obtain a first-order
statistical value . Statistical data will be stored as a database of training data and test data and
classification using k - nearest neighbor . Based on the testing that was done , obtained the
greatest success in the test perparameter characteristics mean image of red at 90% , on testing
a combination of 2 parameters characterize the mean and entropy image of red reaches 100 %
, the combination of three parameters characterize the mean, skewness and kurtosis image of
red at 90% and the combination of four parameters characterize the mean , skewness , kurtosis
and entropy red image reaches 90 % .Keywords: Cucumber , Histogram , Statistics Order One , K -Nearest neighbor Jurusan Teknik Elektro, Fakultas Teknik, Universitas Mataram Jalan Majapahit 62, Mataram 83125, Lombok-Indonesia
PENDAHULUAN Mentimun merupakan tumbuhan yang berasal dari suku labu-labuan dan memiliki buah yang
dapat dikonsumsi. Selain untuk dikonsumsi, buah ini juga dimanfaatkan dalam bidang teknologi
kecantikan sebagai bahan kosmetik untuk perawatan kecantikan. Adanya kemiripan warna kulit buah
mentimun antara yang matang muda dengan yang matang tua, mengakibatkan orang kesulitan dalam
mengidentifikasi tingkat kematangan mentimun jika dilihat dari warna kulit buah. Penilaian manusia
yang bersifat subyektif terhadap tingkat kematangan buah mentimun menyebabkan penilaian tingkat
kematangan buah mentimun berbeda dari satu penilai dengan penilai yang lainnya.Penilaian konsumen terhadap tingkat kematangan mentimun yang hanya dilihat secara visual
ini menimbulkan keinginan untuk melakukan penelitian dengan memanfaatkan citra buah mentimun.
Citra mentimun tersebut kemudian diproses dengan menggunakan teknik pengolahan citra digital dan
proses identifikasi tingkat kematangan mentimun dapat menggunakan suatu metode
pengklasifikasian, salah satunya menggunakan K-Nearest Neighbor (K_NN).
Pengolahan citra. Pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan
komputer, menjadi citra yang kualitasnya lebih baik. Pengolahan citra bertujuan memperbaiki kualitas
citra agar mudah diinterpretasi oleh manusia atau mesin (dalam hal ini komputer).Gambar 2.1 Pengolahan Citra Digital
Interpolasi. Interpolasi adalah sebuah metode pencitraan untuk meningkatkan atau mengurangi
jumlah pixel dalam citra digital. Interpolasi citra mencoba untuk mencapai pendekatan yang terbaik
dari sebuah pixel berdasarkan nilai-nilai sekitar pixel. Salah satu jenis interpolasi yaitu bicubic
interpolation. Bicubic interpolation merupakan suatu metode interpolasi yang menggunakan 4x4 pixel
tetangga sebagai informasi untuk menentukan nilai pixel baru.
Mentimun. Mentimun (cucumis Sativus) dalah komuditas sayuran yang banyak diusahakan didataran
rendah sampai medium. Gambar 2.2 : Buah Mentimun Buah mentimun yang siap petik terlihat dari duri pada kulit buah yang mulai melunak atau
hilang. Mentimun dibagi dalam dua golongan, yaitu mentimun yang buahnya berbintil-bintil dan
mentimun yang buahnya tidak berbintil-bintil. Mentimun yang buahnya terdapat bintil-bintil seperti
jerawat, terutama pada bagian pangkal buah, terdiri dari tiga macam yaitu mentimun biasa atau timun,
mentimun watang dan mentimun wuku. Pada penelitian ini digunakan mentimun biasa yang memiliki
ciri-ciri kulit buah mentimun ini tipis dan lunak. Saat muda buahnya berwarna hijau keputih-putihan,
setelah tua berwarna cokelat. Jenis mentimun inilah yang banyak ditanam di Indonesia.
RGB. RGB adalah suatu model warna yang terdiri dari merah, hijau, dan biru, digabungkan dalam
membentuk suatu susunan warna yang luas. Setiap warna dasar, misalnya merah, dapat diberi
rentang-nilai. Untuk monitor komputer, nilai rentangnya paling kecil = 0 dan paling besar = 255. Pilihan
skala 256 ini didasarkan pada cara mengungkap 8 digit bilangan biner yang digunakan oleh mesin
komputer. Gambar 2.3 Warna Citra Digital
Ekstraksi Ciri Statistik Orde Pertama. Ekstraksi ciri orde pertama (parameter statistik orde satu)
merupakan metode pengamatan ciri yang didasarkan pada karakteristik histogram citra. parameter ciri
orde pertama, antara lain adalah mean, skewness, variances, kurtosis, dan entropy.a. Mean (µ) Menunjukkan ukuran dispersi dari suatu citra.
2 b. Variance (σ ) Menunjukkan variasi elemen pada histogram dari suatu citra.
c. Skewness (α 3 ) Menunjukkan tingkat kemencengan relatif kurva histogram dari suatu citra.
d. Kurtosis
(α4) Menunjukkan tingkat keruncingan relatif kurva histogram dari suatu citra.
e. Entropy (H) Merupakan sebuah ciri untuk mengukur keteracakan dari distribusi intensitas. Entropy
menunjukkan ukuran ketidakteraturan bentuk dari suatu citra.Dimana : fn = nilai intensitas keabuan p(fn) = nilai histogram (probabilitas kemunculan intensitas tersebut pada citra). µ = nilai Mean σ = nilai standar deviasi
K-Nearest Neighbor (K-NN). K-nearest neighbor adalah sebuah metode untuk melakukan klasifikasi
terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut.(2-6) √
Model sistem
Gambar 3.1 Model Sistem Identifikasi Kematangan MentimunMulai Citra Latih (Pagi, Siang dan Sore)
Pengubahan mode warna (R, G dan B) Ekstraksi Ciri Statistik Orde Satu
Database Ciri Citra Latih k-nearest neighbor
(menentukan nilai k) Kombinasi Parameter Ciri untuk melihat akurasi yang mampu dicapai kematangan mentimun Selesai
Mulai Citra Uji (Pagi, Siang dan Sore)
Pengubahan mode warna (R, G dan B) Ekstraksi Ciri Statistik Orde Satu
Database Ciri Citra Uji Pelatihan Pengujian
(klasifikasi) Menampilkan Histogram RGB
Menampilkan Histogram RGB
Gambar 3.2 Diagram Alir Penelitian Citra mentimun yang digunakan untuk citra latih dan citra uji diambil dengan menggunakan
kamera handphone yang beresolusi 3 megapixel. Citra yang diperoleh kemudian disamakan
ukurannya menjadi 256x256. Sampel citra akan diambil dalam 3 kondisi yakni pagi, siang dan sore
hari.Citra latih dan citra uji diubah kedalam mode warna R,G dan B. Histogram dari citra RGB
ditampilkan agar dapat dihitung nilai parameter ciri statistic orde pertamanya. Parameter ciri tersebut
meliputi mean, variance, skewness, kurtosis, dan entropy. Nilai parameter ciri tersebut kemudian
disimpan menjadi database ciri citra latih dan citra uji.Selanjutnya proses identifikasi kematangan mentimun dapat dilakukan dengan mengkombinasi
parameter ciri dengan kombinasi nilai k 1,3 dan 5 untuk mengetahui tingkat akurasi yang mampu
dicapai.Hasil dan Pembahasan
Persiapan Citra Latih dan Citra Uji Citra latih dan citra uji diperoleh dari pengambilan citra buah
mentimun muda dan mentimun tua. Citra latih dan citra uji yang digunakan berukuran 256 x 256 pixel.
Citra tersebut kemudian diubah fitur warnanya menjadi citra R, citra G dan citra B. setelah melakukan
pengubahan fitur warna pada citra menjadi citra R, G dan B, kemudian ditampilkan histogram untuk
masing-masing citra.
Proses Ekstraksi Ciri Statistik Orde Pertama. Parameter ciri orde pertama yang dapat dihitung,
antara lain adalah mean, variance, skewness, kurtosis, dan entropy.Pengujian. Pada proses pengujian ini, dilakukan proses perhitungan jarak ketetanggaan terdekat
antara data uji dengan data latih (K-Nearest Neighbor) untuk mengidentifikasi kematangan mentimun.
Pengujian dilakukan terhadap 60 citra uji terdiri dari 30 mentimun muda (10 kondisi pagi, 10 kondisi
siang dan 10 kondisi sore) dan 30 mentimun tua (10 kondisi pagi, 10 kondisi siang dan 10 kondisi
sore). Pengujian ini meliputi pengujian perparameter ciri, kombinasi 2 parameter ciri, kombinasi 3
parameter ciri, kombinasi 4 parameter ciri, dan kombinasi 5 parameter ciri.1. Pengujian Perparameter Ciri Pada pengujian perparameter ciri, kondisi pengambilan sampel pagi hari menunjukan hasil yang paling baik dibandingkan dengan kondisi pengambilan sampel siang dan sore hari.
Tabel 4.5 Tingkat keberhasilan dengan pengujian masing-masing parameter ciri citra Red kondisi pagi hariJumlah benar Tingkat parameter ciri Total K mentimun mentimun Keberhasilan
R Pagi Benar muda tua (%)
1
7
10
17
85 Mean
3
8
10
18
90
5
6
9
15
75
1
7
7
35 Varian
3
7
7
35
5
6
6
30
1
7
3
10
50 Skewness
3
9
5
14
70
5
6
4
10
50
1
4
9
13
65 Kurtosis
3
8
6
14
70
5
8
8
40
1
6
3
9
45 Entropy
3
6
2
8
40
5
5
5
25 Tingkat keberhasilan paling tinggi pada pengujian perpameter ciri yaitu ciri mean citra red kondisi pagi hari sebesar 90%.
2. Pengujian Kombinasi 2 Parameter Ciri Pada pengujian kombinasi 2 parameter ciri, citra red menunjukkan hasil yang paling baik
Tabel 4.24 Tingkat keberhasilan pengujian kombinasi 2 parameter ciri citra Red pada waktu pengambilan pagi hari60
10
60
6
5
30
6
10
60
6
3
30
6
10
6
30 Mea Kurtosis
1
25 Mean Skewness
5
50
5
5
35
7
70
7
3
30
6
60
6
1
1
60 10 100
3. Pengujian Kombinasi 3 Parameter Ciri Pada pengujian kombinasi 3 parameter ciri, citra red pada kondisi pengambilan sampel pagi hari menunjukkan hasil yang paling baik apabila dibandingkan dengan citra green dan citra blue dengan variasi kondisi pengambilan sampel.
paramater ciri antara parameter ciri mean dengan parameter ciri lainnya, diperoleh tingkat keberhasilan yang tinggi pada kombinasi ciri mean dengan parameter skewness pada saat k=1 dan k=3 yakni sebesar 90 %. Persentase keberhasilan saat k=3 lebih tinggi dibandingkan k=1 dapat terjadi karena peluang saat k=3 lebih tinggi dibandingkan k=1, dimana pada saat k=3 memilki 3 nilai jarak minimum sehingga pada saat disimpulkan akan memperoleh hasil 2:1.
75 Merujuk pada Tabel 4.29 dapat diketahui bahwa apabila melakukan pengujian kombinasi 2
15
50 10 100
5
5
85
17
70 10 100
7
3
80
16
6
6
1
80 Mean Entropy
16
60 10 100
6
5
80
16
60 10 100
6
3
80
16
60 10 100
6
(%) Mean Varian
Kombinasi Parameter
7
3
80
16
60 10 100
6
1
30 Mean Kurtosis
6
60
6
5
35
7
70
3
90 10 100
35
7
70
7
1
(%) Mean Varian
Tingkat Keberhasilan
Jumlah Benar
Keberhasilan (%)
Benar Tingkat
(%) Jumlah
Tingkat Keberhasilan
Total Benar
K Mentimun Muda Mentimun Tua
9
19
Tingkat Keberhasilan
90
Jumlah Benar
Keberhasilan (%)
Benar Tingkat
(%) Jumlah
Tingkat Keberhasilan
Total Benar
K Mentimun Muda Mentimun Tua
Kombinasi Parameter
Tabel 4.29 Tingkat keberhasilan pengujian kombinasi 2 parameter ciri citra Red pada waktu pengambilan siang hariparamater ciri antara parameter ciri mean dengan parameter ciri lainnya, diperoleh tingkat keberhasilan yang tinggi pada kombinasi ciri mean dengan parameter entropi pada saat k=3 yakni sebesar 100 %. Persentase keberhasilan saat k=3 lebih tinggi dibandingkan k=1 dapat terjadi karena peluang saat k=3 lebih tinggi dibandingkan k=1, dimana pada saat k=3 memilki 3 nilai jarak minimum sehingga pada saat disimpulkan akan memperoleh hasil 2:1.
90 Merujuk pada Tabel 4.24 dapat diketahui bahwa apabila melakukan pengujian kombinasi 2
18
90
9
9
95
5
3 10 100 10 100 20 100
95
19
90 10 100
9
1
80 Mean Entropy
16
90
9
70
7
5
Tabel 4.37 Tingkat keberhasilan pengujian kombinasi 3 parameter ciri citra Red pada waktu pengambilan pagi hariKombinasi Parameter
5 10 100
2
20
12
60
3 10 100
2
20
12
60
2
60 Mean Varian Kurtosis
20
12
60 Mean Varian Entropi
1 10 100
2
20
12
60
3 10 100
1 10 100
12
20
1 10 100
Total Benar
Tingkat Keberhasilan
(%) Jumlah
Benar Tingkat
Keberhasilan (%)
Jumlah Benar
Tingkat Keberhasilan
(%) Mean Varian
Skewness
2
20
20
12
60
3 10 100
2
20
12
60
5 10 100
2
2
12
Kombinasi Parameter
1
3 10 100
10
50
5
4
40 10 100
14
70 Mean Skewness
Entropi
9
14
90 10 100
19
95
3 10 100 10 100 20 100
5
4
40 10 100
14
70 Merujuk pada Tabel 4.42 dapat diketahui bahwa apabila melakukan pengujian kombinasi 3
70
40 10 100
60
70
5 10 100
2
20
12
60 Mean Skewness kurtosis
1
4
40 10 100
14
3
4
2
20 10 100
12
60
5
4
40 10 100
14
70 Mean Kurtosis Entropi
1
K Mentimun Muda Mentimun Tua
Tabel 4.42 Tingkat keberhasilan pengujian kombinasi 3 parameter ciri citra green pada waktu pengambilan sore hariK Mentimun Muda Mentimun Tua
5
7
70
7
35
3
7
70
7
35
6
30 Mean Varian Kurtosis
60
6
30 Mean Varian Entropi
1
7
70
7
35
3
1
6
70
1
Total Benar
Tingkat Keberhasilan
(%) Jumlah
Benar Tingkat
Keberhasilan (%)
Jumlah Benar
Tingkat Keberhasilan
(%) Mean Varian
Skewness
7
60
70
7
35
3
7
70
7
35
5
6
7
7
paramater ciri antara parameter ciri mean dengan parameter ciri lainnya, hasil paling tinggi
diperoleh pada kombinasi ciri mean dengan parameter kurtosis, slewness dan entropi pada saat
k=3 yakni sebesar 100 %. Persentase keberhasilan saat k=3 lebih tinggi dibandingkan k=1 dapat
terjadi karena peluang saat k=3 lebih tinggi dibandingkan k=1, dimana pada saat k=3 memilki 3
nilai jarak minimum sehingga pada saat disimpulkan akan memperoleh hasil 2:1.80 10 100
9
90
8
80
17
85 Mean Skewness
Entropi
1
8
18
3 10 100 10 100 20 100
90
3 10 100 10 100 20 100
5
9
90
9
90
18
90 Merujuk pada Tabel 4.37 dapat diketahui bahwa apabila melakukan pengujian kombinasi 3
5
95
35
75
5
6
60
6
30 Mean Skewness kurtosis
1
5
50 10 100
15
3 10 100 10 100 20 100
19
5
9
90
9
90
18
90 Mean Kurtosis Entropi
1
9
90 10 100
paramater ciri antara parameter ciri mean dengan parameter ciri lainnya, hasil paling tinggi
diperoleh pada kombinasi ciri mean dengan parameter skewness dan entropi pada saat k=3
yakni sebesar 100%. Persentase keberhasilan saat k=3 lebih tinggi dibandingkan k=1 dapat terjadi karena peluang saat k=3 lebih tinggi dibandingkan k=1, dimana pada saat k=3 memilki 3 nilai jarak minimum sehingga pada saat disimpulkan akan memperoleh hasil 2:1.
4. Pengujian Kombinasi 4 Parameter Ciri Pada pengujian kombinasi 4 parameter ciri, citra red dan green menunjukkan hasil yang paling baik apabila dibandingkan dengan citra blue.
(%) mentimun muda mentimun tua
10
5
60
12
2
10
3
60
12
2
10
1
R
Tingkat Keberhasilan
12
Total Benar
5 parameter ciri K Jumlah benar
Tabel 4.60 Tingkat keberhasilan pengujian kombinasi 5 parameter ciri5. Pengujian Kombinasi 5 Parameter Ciri Pengujian kombinasi 5 parameter ciri menghasilkan tingkat keberhasilan yang kurang memuaskan yaitu dibawah 60%.
paramater ciri antara parameter ciri mean dengan parameter ciri lainnya, hasil paling tinggi diperoleh pada kombinasi ciri mean, skewness, kurtosis dan entropy pada saat k=3 yakni sebesar 100 %. Persentase keberhasilan saat k=3 lebih tinggi dibandingkan k=1 dapat terjadi karena peluang saat k=3 lebih tinggi dibandingkan k=1, dimana pada saat k=3 memilki 3 nilai jarak minimum sehingga pada saat disimpulkan akan memperoleh hasil 2:1.
90 Merujuk pada Tabel 4.46 dapat diketahui bahwa apabila melakukan pengujian kombinasi 4
18
90
9
90
9
5
3 10 100 10 100 20 100
2
60 G
18
1
11
5
6
5
50
10
5
5
3
50
10
5
5
60 B
1
12
2
10
5
60
12
2
10
3
60
12
2
10
90
80 10 100
Tabel 4.46 Tingkat keberhasilan pengujian kombinasi 4 parameter ciri citra Red pada waktu pengambilan pagi hari7
1
Entropy
30 Mean, Varian, Skewness dan
6
60
6
5
35
7
70
7
3
35
70
70
7
1
Skewness dan Kurtosis
(%) Mean, Varian,
Tingkat Keberhasilan
Jumlah Benar
Keberhasilan (%)
Benar Tingkat
(%) Jumlah
Tingkat Keberhasilan
Total Benar
K Mentimun Muda Mentimun Tua
Kombinasi Parameter
7
7
8
7
1
Entropy
30 Mean, Skewness, Kurtosis dan
6
60
6
5
35
7
70
7
3
35
70
35
7
1
Entropy
30 Mean, Varian, Kurtosis dan
6
60
6
5
35
7
70
7
3
55 Berdasarkan Tabel di atas dapat diketahui dengan kombinasi 5 parameter mampu mencapai tingkat keberhasilan diatas 50 % pada pengujian citra Red, Green dan Blue.
KESIMPULAN DAN SARAN Kesimpulan
1. Kondisi pencahayaan pada saat pengambilan sampel citra akan berpengaruh terhadap nilai statisik
dari citra.2. Hasil pengujian berdasarkan kombinasi parameter ciri :
a. Dengan pengujian perparameter ciri didapatkan tingkat keberhasilan terbesar pada ciri mean citra red yaitu sebesar 90%.
b. Dengan pengujian kombinasi 2 parameter ciri didapatkan tingkat keberhasilan terbesar pada kombinasi ciri mean dan entropy citra red yaitu sebesar 100%.
c. Dengan pengujian kombinasi 3 parameter ciri didapatkan tingkat keberhasilan terbesar pada kombinasi ciri mean, skewness dan entropy citra red yaitu sebesar 90%.
d. Dengan pengujian kombinasi 4 parameter ciri didapatkan tingkat keberhasilan terbesar pada kombinasi ciri mean, skewness, kurtosis dan entropy citra red yaitu sebesar 90%.
e. Dengan pengujian kombinasi 5 parameter ciri didapatkan tingkat keberhasilan yang tidak memuaskan, dimana rata-rata dibawah 50%.
3. Hasil pengujian berdasarkan kondisi pengambilan sampel :
a. Dengan pengambilan sampel pagi hari diperoleh tingkat keberhasilan terbesar yaitu sebesar 100% pada kombinasi ciri mean dan entropy citra red.
Dengan pengambilan sampel siang hari diperoleh tingkat keberhasilan terbesar yaitu sebesar b. 90% pada kombinasi ciri mean dan skewness citra red.
c. Dengan pengambilan sampel sore hari diperoleh tingkat keberhasilan terbesar yaitu sebesar 100% pada kombinasi ciri mean, skewness dan entropy citra green.
4. Hasil pengujian berdasarkan nilai k :
a. Saat k = 1 didapatkan tingkat keberhasilan terbesar sebesar 95% pada saat kombinasi ciri mean dan entropy citra red pagi hari dan kombinasi ciri mean dan kurtosis citra blue siang hari.
b. Saat k = 3 didapatkan tingkat keberhasilan terbesar sebesar 100% pada saat kombinasi 3 dan 4 ciri citra red pagi hari serta kombinasi 3 ciri citra green sore hari (ciri mean, skewness, kurtosis, entropy).
c. Saat k = 5 didapatkan tingkat keberhasilan terbesar sebesar 90% pada saat kombinasi 2 dan 3 ciri citra red pagi hari (ciri mean, skewness, kurtosis, entropy).
Saran 1. Diharapkan pengembangan sistem identifikasi ini dapat dibuat secara real time.
2. Pada proses pengambilan citra diharapkan memperhatikan jarak pengambilan, sudut pengambilan dan intensitas cahaya ditempat pengambilan citra.
DAFTAR PUSTAKA
Ahmad, Usman. 2005. Pengolahan Citra Digital Dan Teknik Pemrogramannya. Yogyakarta : Graha
IlmuDeswari, Dila. Identifikasi Kematangan Buah Tomat Menggunakan Metoda
Backpropagation. Skripsi. Padang: Jurusan Sistem Komputer, Fakultas Teknologi Informasi,
Universitas Andalas.
Enrico, Hadi, Sutrisna, dan Suroso. 2007. Identifikasi Tingkat Ketuaan dan Kematangan Pepaya
(carica papaya l.) IPB 1 dengan Pengolahan Citra Digital dan Jaringan Syaraf Tiruan. Bogor : Program
Studi Keteknikan Pertanian, Departemen Teknik Pertanian Fateta, Institut Pertanian Bogor.
Munir,Rinaldi. 2004. PENGOLAHAN CITRA DIGITAL dengan Pendekatan algoritmik. Bandung :
Permadi, Aditya. 2015. Cara Menanam Timun gunakan Lahan atau Polybag?. diakses dari
pada tanggal 30 Oktober 2015Permadi, Yuda., dan Murianto. 2015. Aplikasi Pengolahan Citra Untuk Identifikasi
Kematangan Mentimun Berdasarkan Tekstur Kulit Buah Menggunakan Metode Ekstraksi Ciri Statistik.
Skripsi. Yogyakarta: Program Studi Teknik Informatika, Universitas Ahmad Dahlan.Permatasari, Deby .2012. Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur
Berbasis Pengolahan Citra Digital. Bandung : Fakultas Elektro dan Komunikasi Institut Teknologi
TelkomPurnomo, Seno. 2009. Interpolasi. diakses dari
pada tanggal 13 September 2016. Sukma, Alfian (dkk). 2014. K- – Nearest Neighbor Information Retrieval (Sistem Temu Kembali Informasi). Fakultas Sains dan Teknologi Universitas Airlangga
Kadek Dwi Diani Shinta Pratiwi, Lahir di Mataram pada 6 April 1993, menempuh pendidikan program Strata 1 (S1) di Fakultas Teknik Universitas Mataram sejak tahun 2011.