ANALISIS EFEKTIVITAS RUANG WARNA HSV DAN LAB DALAM PENGELOMPOKAN KONDISI DAUN TEH MENGGUNAKAN K-MEANS UNTUK PENENTUAN TINGKAT KEMATANGAN

Ridho Affandi; Syti Salwaa Nafiisah; Calvin Sahputra Buulolo; Shaqila Rahmayani Gultom; Hermawan Syahputra

doi:10.46576/djtechno.v7i1.8548

ANALISIS EFEKTIVITAS RUANG WARNA HSV DAN LAB DALAM PENGELOMPOKAN KONDISI DAUN TEH MENGGUNAKAN K-MEANS UNTUK PENENTUAN TINGKAT KEMATANGAN

Ridho Affandi, Syti Salwaa Nafiisah, Calvin Sahputra Buulolo, Shaqila Rahmayani Gultom, Hermawan Syahputra

Abstract

Penentuan tingkat kematangan daun teh merupakan aspek krusial dalam proses sortasi bahan baku yang berpengaruh langsung terhadap mutu produk akhir. Proses identifikasi kematangan yang dilakukan secara visual oleh manusia enderuna bersifat subiektif dan rentan terhadap inkonsistensi. Oleh karena itu diperlukan pendekatan berbasis pengolahan citra digital untuk memperoleh hasil yang lebih objektif dan terstandar. Penelitian ini bertujuan untuk menganalisis efektivitas ruang warna HSV dan Lab dalam pengelompokan kondisi daun teh menggunakan algoritma K-Means untuk penentuan tingkat kematangan. Tahapan penelitian meliputi akuisisi citra daun teh, praproses citra, <onversi ruang warna dari RGB ke HSV dan Lab, ekstraksi fitur warna, serta proses klasterisasi menggunakan algoritma K-Means. Evaluasi kinerja dilakukan dengan membandingkan hasil pengelompokan terhadap label referensi yang diperoleh melalui penilaian pakar. Hasil penelitian menunjukkan bahwa kedue ruang warna mampu merepresentasikan karakteristik visual daun teh secara memadai dalam proses pengelompokan tingkat kematangan, dengan perbedaan kinerja yang ditunjukkan pada tingkat separabilitas klaster dan konsistensi hasil pengelompokan. Temuan ini diharapkan dapat menjadi dasar dalam bengembangan sistem pendukung keputusan untuk klasifikasi kematangan daur teh berbasis pengolahan citra digital

Full Text:

PDF

References

R. N. Identifikasi Kematangan Daun … | Auliasari, L. Novamizanti, and N. Ibrahim, “Identifikasi Kematangan Daun Teh Berbasis Fitur Warna Hue Saturation Intensity (HSI) dan Hue Saturation Value (HSV) (Identification Maturity Tea Leaves Based on Color Feature Hue Saturation Intensity (HSI) and Hue Saturation Value (HSV)),” 2020.

F. Julianifa Putri et al., “Perbandingan Kinerja Algoritma KNN dan SVM dalam Klasifikasi Kematangan Buah Jeruk Medan Berdasarkan Citra Digital,” vol. 9, no. 1, pp. 159–170, 2026.

K. M. Harahap, D. Pangestu, D. Alfarizdi, and F. Iqbal, “Penerapan Pengolahan Citra Digital Berbasis MATLAB untuk Sortasi Ukuran dan Warna Buah Alpukat,” Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer), vol. 5, no. 1, pp. 22–26, Jun. 2025, doi: 10.55382/jurnalpustakadata.v5i1.967.

J. Rusman and N. Pasae, “Prototype Sistem Penyortir Buah Kopi Arabika Berdasarkan Tingkat Kematangan Menggunakan Metode Support Vector Machine,” Teknika, vol. 12, no. 1, pp. 65–72, Mar. 2023, doi: 10.34148/teknika.v12i1.602.

I. Rosa and A. Ramadhanu, “PENERAPAN ALGORITMA K-NEAREST NEIGHBOR(KNN) DAN PCA UNTUK KLASIFIKASI APEL HIJAU, APEL FUJI DAN JERUK,” 2025.

F. Liantoni and F. N. Annisa, “FUZZY K-NEAREST NEIGHBOR PADA KLASIFIKASI KEMATANGAN CABAI BERDASARKAN FITUR HSV CITRA,” 2018.

M. Muchtar and R. A. Muchtar, “PERBANDINGAN METODE KNN DAN SVM DALAM KLASIFIKASI KEMATANGAN BUAH MANGGA BERDASARKAN CITRA HSV DAN FITUR STATISTIK,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 2, Apr. 2024, doi: 10.23960/jitet.v12i2.4010.

M. H. Hanafi, N. Fadillah, and A. Insan, “Optimasi Algoritma K-Nearest Neighbor untuk Klasifikasi Tingkat Kematangan Buah Alpukat Berdasarkan Warna,” IT JOURNAL RESEARCH AND DEVELOPMENT, vol. 4, no. 1, pp. 10–18, May 2019, doi: 10.25299/itjrd.2019.vol4(1).2477.

N. M. Aznawi, M. I. Setiadi, Z. Aina, S. Manullang, and S. N. Rahmadiyah, “Implementasi K-Means Clustering pada Citra Digital Tomat untuk Identifikasi Kondisi Segar dan Busuk,” Journal of Students‘ Research in Computer Science, vol. 6, no. 1, pp. 59–68, May 2025, doi: 10.31599/srtqmw49.

M. A. Amrozi, D. Figo SW, and R. Wahyusari, “Perbandingan Segmentasi Ruang Warna HSV dan YCbCr untuk Deteksi Objek,” Infomatek, vol. 26, no. 2, pp. 217–222, Dec. 2024, doi: 10.23969/infomatek.v26i2.19025.

D. Iskandar Mulyana, V. Arinal, F. Akbarulloh, and P. Studi Teknik, “Efektivitas Penggunaan Ruang Warna HSV untuk Klasifikasi Daging Sapi Segar dan Busuk dalam Industri Pangan,” 2025.

Haidar Ahmad Fajri, Safrizal Ardana Ardiyansa, and Eric Julianto, “Segmentasi Citra Daun Tomat Berpenyakit dengan Metode K-Means Clustering pada Ruang Warna HSV,” The Indonesian Journal of Computer Science, vol. 14, no. 2, Apr. 2025, doi: 10.33022/ijcs.v14i2.4685.

Y. Hasan, “PENGUKURAN SILHOUETTE SCORE DAN DAVIES-BOULDIN INDEX PADA HASIL CLUSTER K-MEANS DAN DBSCAN,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 3S1, Oct. 2024, doi: 10.23960/jitet.v12i3s1.5001.

Muhammad Raqib Syahkur, D. Hartama, and S. Solikhun, “Evaluasi Jumlah Cluster pada Algoritma K-Means++ Menggunakan Silhouette dan Elbow dengan Validasi Nilai DBI dalam Mengelompokkan Gizi Balita,” JST (Jurnal Sains dan Teknologi), vol. 13, no. 3, pp. 487–496, Oct. 2024, doi: 10.23887/jstundiksha.v13i3.86419.

A. M. Ikotun, F. Habyarimana, and A. E. Ezugwu, “Cluster validity indices for automatic clustering: A comprehensive review,” Jan. 30, 2025, Elsevier Ltd. doi: 10.1016/j.heliyon.2025.e41953.

DOI: https://doi.org/10.46576/djtechno.v7i1.8548