Jeruk Berastagi merupakan salah satu komoditas unggulan Kabupaten Karo, Sumatera Utara, dengan warna kulit dan tekstur sebagai indikator kematangan. Penentuan tingkat kematangan yang akurat penting untuk menjaga kualitas panen, namun selama ini masih mengandalkan pengamatan visual manual yang cenderung subjektif. Penelitian ini menggunakan metodologi CRISP-DM (Cross Industry Standard Process for Data Mining) untuk membangun sistem klasifikasi kematangan jeruk pada kategori mentah, matang, dan terlalu matang. Dua pendekatan diterapkan, yaitu K-Nearest Neighbor (KNN) berbasis fitur warna HSV dan tekstur GLCM, serta Convolutional Neural Network (CNN). Kedua metode diuji dengan dan tanpa augmentasi citra, lalu dievaluasi menggunakan confusion matrix dengan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan KNN mencapai akurasi tertinggi 90% pada K=3 tanpa augmentasi, namun menurun menjadi 84% pada K=1 setelah augmentasi. Sebaliknya, CNN memperoleh akurasi 93,33% tanpa augmentasi pada epoch ke-27 dan meningkat hingga 96% dengan augmentasi pada epoch ke-14. Temuan ini membuktikan bahwa CNN dengan augmentasi citra lebih efektif dalam klasifikasi tingkat kematangan jeruk karena unggul dalam ekstraksi fitur otomatis serta generalisasi pola visual.

Berastagi orange is one of the leading commodities of Karo Regency, North Sumatra, with skin color and texture as the main indicators of ripeness. Accurate ripeness determination is essential to maintain harvest quality; however, it is still commonly based on manual visual observation, which tends to be subjective. This study applies the CRISP DM (Cross Industry Standard Process for Data Mining) methodology to develop a classification system for orange ripeness into three categories: unripe, ripe, and overripe. Two approaches are implemented, namely K-Nearest Neighbor (KNN) based on HSV color features and GLCM texture features, and Convolutional Neural Network (CNN). Both methods were tested with and without image augmentation and evaluated using confusion matrix with accuracy, precision, recall, and F1-score metrics. The results show that KNN achieved the highest accuracy of 90% at K=3 without augmentation, but decreased to 84% at K=1 after augmentation. In contrast, CNN obtained 93.33% accuracy without augmentation at epoch 27 and increased to 96% with augmentation at epoch 14. These findings demonstrate that CNN with image augmentation is more effective for orange ripeness classification, due to its advantages in automatic feature extraction and visual pattern generalization.