ABSTRAKSI: Dalam pertanian jagung, sering ditemukan biji yang rusak, biji yang kusam, biji yang kotor, dan biji yang patah akibat proses pengeringan dan pemipilan. Biji jagung yang berukuran lebih kecil dari semestinya juga dapat memperburuk kualitas. Penentuan kualitas biji jagung biasa dilakukan secara manual dengan pengamatan visual. Sistem manual membutuhkan waktu yang lama dan menghasilkan produk dengan mutu yang tidak konsisten karena keterbatasan visual, kelelahan, dan perbedaan persepsi masing-masing pengamat.
Pada tugas akhir ini dirancang sebuah sistem klasifikasi untuk mengetahui kualitas biji jagung dengan menggunakan analisis tekstur berbasis pengolahan citra digital, untuk mendapatkan hasil yang tepat dan objektif. Data citra yang diambil yaitu sampel biji-biji jagung menggunakan kamera digital 12 MP. Algoritma yang digunakan untuk ekstraksi ciri adalah statistik orde pertama dan orde kedua, serta klasifikasi kualitas biji jagung menggunakan K-Nearest Neighbour (K-NN).
Berdasarkan simulasi secara keseluruhan, maka dapat disimpulkan bahwa sistem dapat mengklasifikasikan biji jagung berdasarkan tiga tingkat kualitas, yaitu kualitas satu, kualitas dua, dan kualitas tiga. Hasil akurasi tertinggi diperoleh pada saat k=3 dan menggunakan Cityblock Distance yaitu sebesar 91,85%.Kata Kunci : biji jagung, klasifikasi, kualitas, analisis tekstur, statistik, K-NNABSTRACT: In corn farming can be found damage kernel, dull kernel, dirty kernel, and broken kernel very often due to the drying and defoliation process. Corn kernel which smaller than normal also be able to worsen the quality. Corn kernel quality determination usually done manually by visual observation. Manual system takes a long time and produces quality products that are not consistent because of visual limitations, fatigue, and differences in the perception of each observer.
At this final project is designed a classification system to determine the quality of corn kernel based on texture analysis using digital image processing, to get the right and objective results. Captured image data is sample of corn kernel using 12 MP digital camera. The algorithm used for feature extraction is first order and second order of statistic method and classification quality of the corn kernel using a K-Nearest Neighbor (K-NN).
Based on a simulation, it can be concluded that the system can be classified according to three levels of corn kernel quality, there are first quality, second quality, and third quality. The highest accuracy results obtained when k = 3 and using Cityblock Distance that is equal to 91.85%.Keyword: corn kernel, classification, quality, texture analysis, statistic, K-NN