Kedondong (Spondias dulcis) merupakan buah tropis yang memiliki nilai ekonomi penting di berbagai negara Asia Tenggara. Penentuan tingkat kematangan buah kedondong secara akurat dan efisien menjadi tantangan bagi para penjual buah. Penelitian ini bertujuan untuk mengimplementasikan algoritma K-Nearest Neighbor (K-NN) dalam mengklasifikasikan kematangan buah kedondong berdasarkan fitur warna dan statistik. Metode yang digunakan melibatkan pengumpulan data citra buah kedondong, preprocessing data, ekstraksi fitur warna (RGB dan HSV), serta fitur statistik (Standar Deviasi, Variasi, dan Skewness). Data kemudian diklasifikasikan menggunakan algoritma K-NN dengan pembagian dataset menjadi data latih dan data uji. Hasil penelitian menunjukkan bahwa algoritma K-NN mampu mengklasifikasikan kematangan buah kedondong dengan tingkat akurasi mencapai 61.29% pada nilai K=10. Implementasi fitur warna dan statistik terbukti efektif sebagai parameter masukan dalam klasifikasi kematangan buah kedondong. Namun, perlu dicatat bahwa jumlah dataset yang sedikit dapat mempengaruhi akurasi model K-NN, mengurangi representativitas data dan menyebabkan overfitting. Kesimpulan dari penelitian ini adalah bahwa algoritma K-NN berhasil diimplementasikan untuk klasifikasi kematangan buah kedondong, memberikan solusi yang dapat membantu penjual buah dalam menentukan tingkat kematangan buah secara objektif dan akurat. Penelitian lebih lanjut disarankan untuk meningkatkan jumlah sampel data, menggunakan fitur-fitur tambahan, dan mengembangkan sistem klasifikasi berbasis perangkat lunak untuk aplikasi praktis.

Kedondong (Spondias dulcis) is a tropical fruit that has important economic value in various Southeast Asian countries. Determining the maturity level of the fruit accurately and efficiently is a challenge for fruit sellers. This study aims to implement the K-Nearest Neighbor (K-NN) algorithm in classifying the ripeness of mongongoose fruits based on color and statistical features. The method used involves data collection of mondong fruit images, data preprocessing, extraction of color features (RGB and HSV), and statistical features (Standard Deviation, Variation, and Skewness). The data is then classified using the K-NN algorithm by dividing the dataset into training data and test data. The results showed that the K-NN algorithm was able to classify the maturity of the mondong fruit with an accuracy rate of 61.29% at the K=10 value. The implementation of color and statistical features proved to be effective as input parameters in the classification of the ripeness of the mondong fruit. However, it should be noted that the small number of datasets can affect the accuracy of the K-NN model, reducing data representativeness and causing overfitting. The conclusion of this research is that the K-NN algorithm is successfully implemented for the classification of the ripeness of the mondong fruit, providing a solution that can assist fruit sellers in determining the ripeness level of the fruit objectively and accurately. Further research is recommended to increase the number of data samples, use additional features, and develop a software-based classification system for practical applications.