Klasifikasi Kematangan Buah Pepaya Menggunakan Algoritma Support Vector Machine
Kata Kunci:
Support Vector Machine, pepaya, kematanganAbstrak
Penentuan tingkat kematangan buah pepaya secara manual berdasarkan pengamatan visual sering kali bersifat subjektif dan tidak konsisten, sehingga berpotensi menurunkan akurasi dalam proses penanganan dan distribusi pascapanen. Penelitian ini mengusulkan pendekatan klasifikasi otomatis tingkat kematangan buah pepaya menggunakan pengolahan citra dan algoritma Support Vector Machine (SVM). Tujuan penelitian ini adalah untuk mengevaluasi kemampuan algoritma SVM dalam mengklasifikasikan tingkat kematangan pepaya berdasarkan fitur warna yang diekstraksi dari citra digital. Dataset yang digunakan terdiri dari citra buah pepaya yang dikelompokkan ke dalam tiga kategori kematangan, yaitu mentah, setengah matang, dan matang. Metodologi penelitian meliputi proses pengambilan citra, pra-pemrosesan citra, ekstraksi fitur warna, serta proses klasifikasi menggunakan algoritma SVM. Kinerja model dievaluasi menggunakan confusion matrix untuk memperoleh nilai akurasi pada masing-masing kelas. Hasil pengujian menunjukkan bahwa model SVM menghasilkan akurasi sebesar 67% untuk pepaya mentah, 22% untuk pepaya setengah matang, dan 70% untuk pepaya matang. Hasil ini menunjukkan bahwa algoritma SVM mampu membedakan tingkat kematangan pepaya dengan cukup baik, terutama pada kategori mentah dan matang, meskipun masih terdapat kendala pada klasifikasi pepaya setengah matang akibat kemiripan karakteristik warna. Penelitian ini menunjukkan bahwa klasifikasi citra berbasis SVM memiliki potensi untuk dikembangkan sebagai sistem otomatis dalam mendukung sektor pertanian
Unduhan
Referensi
[1] M. S. Hawibowo and I. Muhimmmah, “Aplikasi Pendeteksi Tingkat Kematangan Pepaya menggunakan Metode Convolutional Neural Network (CNN) Berbasis Android,” Jurnal Edukasi dan Penelitian Informatika (JEPIN), vol. 10, no. 1, 2024, doi: 10.26418/jp.v10i1.77819.
[2] D. Armiady and I. M. R, “Klasifikasi Kualitas Buah Pisang Berdasarkan Citra Buah Menggunakan Stochastic Gradient Descent,” KLIK: Kajian Ilmiah Informatika dan Komputer, vol. 4, no. 2, 2023.
[3] L. Luthfi, R. Imam Muslem, D. Armiady, S. Sriwinar, R. Fajri, and I. Iqbal, “Analysis of CNN Method for Image Classification of Coconut Ripeness Levels,” in 2023 Eighth International Conference on Informatics and Computing (ICIC), IEEE, Dec. 2023, pp. 1–6. doi: 10.1109/ICIC60109.2023.10381964.
[4] C. H. H. Jannah, I. Muslem, and D. Azmi, “Jurnal Ilmu Komputer Aceh Klasifikasi Plat Nomor Kenderaan Bedasarkan Wilayah Tertentu Menggunakan Algoritma Optical Character Recognition,” Jurnal Ilmu Komputer Aceh, Oct. 2025, [Online]. Available: https://jurnal.fikompublisher.com/ilka/article/view/16
[5] F. Agustina, “Deteksi Kematangan Buah Pepaya Menggunakan Algoritma YOLO Berbasis Android,” Jurnal Ilmiah Infokam, vol. 18, no. 2, 2022, doi: 10.53845/infokam.v18i2.320.
[6] Z. Hakim, S. Rahayu, and K. Irawati, “Klasifikasi Tingkat Kematangan Buah Pisang Kepok Menggunakan Algoritma Naive Bayes,” Academic Journal of Computer Science Research, vol. 4, no. 1, 2022, doi: 10.38101/ajcsr.v4i1.442.
[7] S. Umagapi, M. Hamid, A. Ibrahim, and D. Suratin, “Mengidentifikasi Kematangan Buah Pala Berdasarkan Ciri Tekstur Menggunakan Metode Backpropagation,” Jurnal Teknik Informatika (J-Tifa), vol. 4, no. 1, 2021, doi: 10.52046/j-tifa.v4i1.1190.
[8] N. Astrianda, “Klasifikasi Kematangan Buah Tomat Dengan Variasi Model Warna Menggunakan Support Vector Machine,” VOCATECH: Vocational Education and Technology Journal, vol. 1, no. 2, 2020, doi: 10.38038/vocatech.v1i2.27.
[9] M. F. Ajizi, D. Syauqy, and M. H. H. Ichsan, “Klasifikasi Kematangan Buah Pisang Berbasis Sensor Warna Dan Sensor Load Cell Menggunakan Metode Naive Bayes,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2019.
[10] J. Jusrawati, A. Futri, and A. B. Kaswar, “Klasifikasi Tingkat Kematangan Buah Pisang Dalam Ruang Warna RGB Menggunakan Jaringan Syaraf Tiruan (JST),” Journal of Embedded Systems, Security and Intelligent Systems, vol. 2, no. 1, 2021, doi: 10.26858/jessi.v2i1.20327.
[11] M. H. Rachmadi, N. Hayaty, and A. Uperiati, “Klasifikasi tingkat kematangan buah pisang kepok (musa paradisiaca formatypica) dengan ekstraksi fitur warna dengan menggunakan alogritma naive bayes,” 2019.
[12] S. P. Adenugraha, V. Arinal, and D. I. Mulyana, “Klasifikasi Kematangan Buah Pisang Ambon Menggunakan Metode KNN dan PCA Berdasarkan Citra RGB dan HSV,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 6, no. 1, 2022, doi: 10.30865/mib.v6i1.3287.
[13] I. R. Muslem, “KLIK: Kajian Ilmiah Informatika dan Komputer Image Classification pada Kasus American Sign Language Menggunakan Support Vector Machine,” Media Online), vol. 4, no. 2, pp. 1184–1191, 2023, doi: 10.30865/klik.v4i2.1242.
[14] R. Umar, I. Riadi, and D. A. Faroek, “A Komparasi Image Matching Menggunakan Metode K-Nearest Neightbor (KNN) dan Support Vector Machine (SVM),” Journal of Applied Informatics and Computing, vol. 4, no. 2, 2020, doi: 10.30871/jaic.v4i2.2226.
[15] I. R. Muslem and T. M. Johan, “KLIK: Kajian Ilmiah Informatika dan Komputer Klasifikasi Citra Ikan Menggunakan Algoritma Convolutional Neural Network dengan Arsitektur VGG-16,” Media Online), vol. 4, no. 2, pp. 978–985, 2023, doi: 10.30865/klik.v4i2.1209.
Unduhan
Diterbitkan
Cara Mengutip
Lisensi
Hak Cipta (c) 2026 Jurnal Ilmu Komputer Aceh
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Jurnal ini adalah jurnal akses terbuka yang menyediakan akses langsung secara nasional, bebas hambatan ke teks lengkap dari semua artikel yang diterbitkan tanpa biaya pembaca atau institusi mereka untuk mengaksesnya. Pembaca berhak membaca, mengunduh, menyalin, mendistribusikan, mencetak, mencari, atau menautkan teks lengkap semua artikel di Jurnal ILKA. Jurnal ini memberikan akses terbuka langsung ke kontennya dengan prinsip bahwa membuat penelitian tersedia secara bebas untuk publik mendukung pertukaran pengetahuan global yang lebih besar.
