<![CDATA[Klasifikasi tingkat kematangan buah parijoto secara manual masih memiliki keterbatasan, ditandai dengan tingkat akurasi yang rendah dan ketidakkonsistenan hasil, yang pada akhirnya berdampak pada menurunnya kualitas panen. Dalam perkembangan teknologi saat ini, pengolahan citra machine learning seperti K-Nearest Neigbhor (KNN) dapat dijadikan sebagai metode dalam melakukan klasifikasi tingkat kematangan buah. Algoritma KNN mempunyai akurasi yang cukup baik dan model algoritmanya sederhana karena bekerja berdasarkan jarak nilai terdekat dari data training ke data testing. Pada sistem klasifikasi juga memanfaatkan fitur warna citra RGB dan HSV dalam mengkategorikan tingkat kematangan buah parijoto. Dalam proses klasifikasi, tingkat kematangan parijoto akan dibagi ke dalam tiga kategori yang berbeda, yaitu parijoto mentah, setengah matang, dan matang. Dataset yang diambil dalam penelitian ini berjumlah 25 data parijoto mentah, 25 data parijoto setengah matang, dan 25 parijoto matang. Setiap gambar diambil dari berbagai sudut dengan jumlah 4 gambar jadi data perkategori kelas sebanyak 100 data set dan total keseluruhan ada 300 gambar parijoto. Penelitian ini menghasilkan sebuah sistem klasifikasi berbasis web yang diimplementasikan menggunakan framework Flask Python. Evaluasi performa algoritma dilakukan melalui confusion matrix dan menghasilkan akurasi sebesar 82%. Penelitian ini berpotensi menjadi dasar untuk pengembangan teknologi klasifikasi tingkat kematangan buah yang lebih optimal di masa mendatang. Kata kunci: : KNN, Parijoto, HSV, Klasifikasi.]]>
