PENDETEKSI KEMATANGAN SELADA BERBASIS SENSOR WARNA DAN K-MEANS CLUSTERING

Selada merupakan tanaman sering dimakan oleh manusia sebagai makanan pendamping, selada memiliki warna hijau terang ketika matang, dan tingkat kematangan selada juga diukur dari rasa daun selada, agar waktu panen tidak merusak tekstur dari daun selada, untuk itu kegiatan mengamati selada dapat diwakilkan dengan sistem yang dapat mengamati melaporkan kepada user tanpa harus merusak tekstur atau melihat secara langsung terhadap tanaman, maka solusinya dengan algoritma K-means clustering yang merupakan algoritma pengelompokan yang dapat digunakan sebagai pencocokan warna sesuai dengan cluster, dan untuk menentukan cluster yang tepat digunakan algoritma elbow. Untuk hasil algoritma elbow yang tepat pada tugas akhir ini mendapatkan 2 cluster matang, dan mentah yang dipilih sebagai cluster pada kerja sistem ini. Sistem ini juga dibangun di atas sensor warna yang berfungsi untuk mendeteksi warna daun selada dengan nilai RGB (Red Green Blue) dan mikrokontroler dengan kemampuan WiFi yaitu NodeMCU yang terkoneksi ke platform IoT yaitu Thingspeak sebagai monitoring dan menyimpan hasil dari sensor warna yang akan dikelola dengan algoritma K-Means clustering. Untuk ketepatan hasil dari pendateksi kematangan selada berdasarkan perbandingan algoritma elbow 3 cluster memiliki akurasi F1 score mentah 57.4%, matang 5.26%, dan sangat matang 40%, Sedangkan ketika menggunakan algoritma elbow dengan nilai terbaik yaitu 2 cluster mentah, dan matang memiliki nilai F1 score mentah 95.24%, dan matang 98.77%, jadi menggunakan 2 cluster lebih efektif daripada 3 cluster