Buah plum merupakan buah yang memiliki kandungan gizi berupa vitamin A, B, dan C yang tentunya baik untuk kesehatan serta nilai jual yang tinggi. Namun buah plum masih jarang dikonsumsi oleh masyarakat Indonesia karena hanya ada di beberapa supermarket dan perdagangan elektronik di Indonesia. Tingkat kematangan buah plum dapat ditentukan berdasarkan tekstur kulit buah serta warna dari buah tersebut. karna buah ini jarang dikonsumsi oleh masyarakat Indonesia, maka ketidaktahuan masyarakat tentang tingkat kematangan buah plum menjadi masalah yang sering terjadi. Tujuan penelitian ini dilakukan untuk mengidentifikasi tingkat kematangan buah plum dengan menerapkan algoritma K- Nearest Neighbor berdasarkan tekstur dan ciri warna. Model KNN ini berhasil mencapai nilai akurasi sebesar 98.39% dalam memprediksi gambar pada dataset uji. Hasil pengujian ini menggunakan model evaluasi Confusion Matrix, Dengan akurasi tertinggi yaitu pada kategori setengah matang, model mencapai precision sebesar 1.00, recall sebesar 0.95, dan f1-score sebesar 0.98. Kategori matang memiliki precision sebesar 0.96, recall sebesar 1.00, dan f1-score sebesar 0.98. Sedangkan untuk kategori mentah, model mencapai nilai sempurna dengan precision, recall, dan f1-score masing-masing sebesar 1.00. Secara keseluruhan, akurasi model mencapai 0.98, yang menunjukkan bahwa model sangat efektif dalam mengklasifikasikan ketiga kategori buah. Nilai macro average dan weighted average untuk precision, recall, dan f1-score juga menunjukkan hasil yang konsisten tinggi, masing-masing berada di sekitar 0.98 hingga 0.99. Hal ini mengindikasikan bahwa model tidak hanya efektif dalam mengklasifikasikan satu kategori tertentu, tetapi juga mempertahankan kinerja yang konsisten di semua kategori.

Plums are fruit that contain nutrients in the form of vitamins A, B and C which are of course good for health and have high selling value. However, plums are still rarely consumed by Indonesian people because they are only available in a few supermarkets and e-commerce in Indonesia. The level of ripeness of plums can be determined based on the texture of the fruit skin and the color of the fruit. Because this fruit is rarely consumed by Indonesian people, people's ignorance about the ripeness level of plums is a problem that often occurs. The aim of this research was to identify the level of ripeness of plums by applying the K-Nearest Neighbor algorithm based on texture and color characteristics. This KNN model succeeded in achieving an accuracy value of 98.39% in predicting images on the test dataset. The results of this test use the Confusion Matrix evaluation model. With the highest accuracy, namely in the half baked category, the model achieved a precision of 1.00, recall of 0.95, and f1-score of 0.98. The mature category has a precision of 0.96, recall of 1.00, and f1-score of 0.98. Meanwhile, for the raw category, the model achieved a perfect score with precision, recall, and f1-score of 1.00 each. Overall, the model accuracy reached 0.98, which shows that the model is very effective in classifying the three fruit categories. The macro average and weighted average values for precision, recall, and f1-score also show consistently high results, each around 0.98 to 0.99. This indicates that the model is not only effective in classifying one particular category, but also maintains consistent performance across all categories.