DETEKSI KEMATANGAN BUAH MANGGA HARUM MANIS BERDASARKAN CITRA HSV DAN LAB MENGGUNAKAN ALGORITMA KNN

Penentuan tingkat kematangan buah mangga Harum Manis masih banyak dilakukan secara manual dengan melihat warna kulit buah. Cara ini sering menghasilkan penilaian yang berbeda karena bergantung pada pengamatan setiap orang. Oleh karena itu, penelitian ini bertujuan mengembangkan sistem yang dapat mendeteksi tingkat kematangan buah mangga Harum Manis secara otomatis menggunakan pengolahan citra digital dan algoritma K-Nearest Neighbor (KNN). Penelitian ini menggunakan 300 citra buah mangga Harum Manis yang terdiri dari tiga tingkat kematangan, yaitu mentah, setengah matang, dan matang, dengan masing-masing kelas berjumlah 100 citra. Dataset dibagi menjadi 240 data latih dan 60 data uji. Tahapan penelitian meliputi penghapusan latar belakang citra, ekstraksi fitur warna menggunakan model warna HSV dan LAB, normalisasi data menggunakan metode Z-Score, serta proses klasifikasi menggunakan algoritma KNN. Hasil pengujian menunjukkan bahwa sistem menggunakan model KNN dengan nilai K = 9 memperoleh tingkat akurasi sebesar 82,61% pada 60 data uji. Berdasarkan hasil evaluasi menggunakan Confusion Matrix dan Classification Report, sistem masih belum berhasil mendeteksi tingkat kematangan buah mangga Harum Manis secara optimal dan belum mampu mengklasifikasikan data uji dengan baik. Hal tersebut disebabkan oleh perbedaan karakteristik warna antara buah mangga mentah, setengah matang, dan matang yang relatif tipis sehingga masih terjadi kesalahan klasifikasi pada beberapa data. Meskipun demikian, hasil pengujian fungsionalitas menunjukkan bahwa seluruh fitur pada aplikasi berbasis web menggunakan Flask dapat berjalan sesuai dengan rancangan yang telah dibuat.
Kata kunci: Deteksi kematangan mangga, pengolahan citra digital, HSV, LAB, K-Nearest Neighbor (KNN), Flask.