The crystal guava (Psidium Guajava L) is one of the types of fruit that has commercial value in Indonesia and has a large market share. The problem that occurs is determining the level of fruit maturity that is ready to harvest and grouping it according to the level of fruit maturity is not accurate. The grouping process is carried out as a whole, so it takes a long time. Each farmer has a different assessment, especially for new farmers. On the basis of the problem at hand, a system should be a create that can identify the degree of crystal guava fruit maturity.
In this study, several steps were carried out to identify the ripeness of the fruit, namely the image preprocessing stage consisting of cropping, resizing and converting the RGB image to the HSI color space. The method used is the HSI color space method as a method of extraction fruit skin color features by looking for the mean, variance, range of each component of the RGB and HSI. This value is used
for calculations to the K-Nearest Neighbor method as a classification method for fruit maturity. The classification produced in this method of KNN is divided into two
classes of mature and semi mature, fruit maturity will be classified according to the testing image into previously established groups or classes, data used in the image
of crystal guava with 16 training data and 8 data test data. From testing done on applications comes an accuracy of 87.5%.

Jambu kristal (Psidium guajava L) merupakan salah satu jenis buah yang memiliki nilai komersial di Indonesia dan memiliki pangsa pasar yang luas. Permasalahan yang terjadi yaitu penentuan tingkat kematangan buah yang siap panen dan
pengelompokkan sesuai tingkat kematangan buah belum akurat, proses pengelompokkan dilakukan secara keseluruhan sehingga memerlukan waktu yang lama. Setiap petani memiliki penilaian yang berbeda-beda khususnya bagi petani baru. Berdasarkan permasalahan yang dihadapi, maka perlu dilakukan pembuatan
sistem yang dapat mengidentifikasi tingkat kematangan buah jambu kristal. Pada penelitian ini dilakukan beberapa tahap untuk mengidentifikasi kematangan buah yaitu tahap praproses citra terdiri dari cropping, resize dan mengubah citra RGB ke ruang warna HSI. Metode yang digunakan yaitu metode ruang warna HSI sebagai metode ekstraksi fitur warna kulit buah dengan mencari nilai mean, variance, range dari masing-masing komponen RGB dan HSI. Nilai tersebut digunakan untuk
perhitungan ke metode K-Nearest Neighbor sebagai metode klasifikasi kematangan buah. Klasifikasi yang dihasilkan dalam metode KNN ini terbagi menjadi dua kelas yaitu kelas matang dan setengah matang, kematangan buah akan diklasifikasikan menurut citra uji kedalam kelompok atau kelas yang telah ditetapkan sebelumnya, data yang digunakan berupa citra jambu kristal dengan jumlah data latih sebanyak
16 dan data uji sebanyak 8 data. Dari pengujian yang telah dilakukan pada aplikasi maka diperoleh akurasi sebesar 87,5%.