Klasifikasi kematangan buah pisang menggunakan metode K-Nearest Neighbors (KNN). Kematangan pisang merupakan faktor penting dalam industri pangan, karena mempengaruhi kualitas dan penerimaan konsumen. Dalam penelitian ini, data citra pisang diolah menggunakan model ruang warna RGB dan HSV untuk mengekstraksi fitur warna, tekstur, dan ukuran. Fitur-fitur ini kemudian digunakan sebagai input dalam algoritma KNN untuk mengklasifikasikan tingkat kematangan pisang ke dalam tiga kategori: belum matang, matang, dan terlalu matang. Sistem ini diuji menggunakan dataset yang telah terlabeli, dan hasil klasifikasi dievaluasi dengan matriks kebingungan untuk mengukur akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa sistem ini mampu memberikan akurasi klasifikasi yang tinggi, sehingga dapat diandalkan dalam aplikasi nyata untuk memastikan kualitas buah sebelum dipasarkan. Penelitian ini memberikan kontribusi signifikan dalam meningkatkan efisiensi proses klasifikasi kematangan pisang, khususnya di industri pangan.

The classification of banana ripeness using the K-Nearest Neighbors (KNN) method is a crucial factor in the food industry, as it affects quality and consumer acceptance. In this study, banana images were processed using the RGB and HSV color space models to extract features such as color, texture, and size. These features were then used as input in the KNN algorithm to classify the ripeness of bananas into three categories: unripe, ripe, and overripe. The system was tested using a labeled dataset, and the classification results were evaluated with a confusion matrix to measure accuracy, precision, recall, and F1-score. The research results indicate that this system can provide high classification accuracy, making it reliable for real-world applications to ensure the quality of fruit before it is marketed. This research significantly contributes to improving the efficiency of banana ripeness classification processes, particularly in the food industry.