Klasifikasi Tingkat Kematangan Buah Pisang Menggunakan Algoritma Support Vector Machine
DOI:
https://doi.org/10.51179/ilka.v3i1.45Kata Kunci:
klasifikasi kematangan pisang, pengolahan citra digital, Support Vector Machine, Histogram Warna HSV, HOGAbstrak
Penelitian ini bertujuan untuk membangun sistem klasifikasi otomatis dalam menentukan tingkat kematangan buah pisang menggunakan pengolahan citra digital dan algoritma Support Vector Machine (SVM). Penentuan tingkat kematangan pisang umumnya masih dilakukan secara manual berdasarkan pengamatan visual warna kulit buah, yang bersifat subjektif dan kurang konsisten. Oleh karena itu, penelitian ini mengusulkan pendekatan berbasis citra digital untuk meningkatkan akurasi dan objektivitas klasifikasi. Dataset yang digunakan terdiri dari citra buah pisang dengan tiga kategori tingkat kematangan, yaitu mentah, matang, dan terlalu matang. Citra diperoleh melalui pengambilan gambar langsung menggunakan kamera ponsel serta dari platform dataset daring. Tahapan prapemrosesan meliputi penyesuaian ukuran citra, konversi ruang warna, dan normalisasi. Proses ekstraksi fitur dilakukan dengan memanfaatkan fitur warna pada ruang warna HSV dan fitur tekstur menggunakan metode Histogram of Oriented Gradients (HOG). Fitur-fitur tersebut kemudian diklasifikasikan menggunakan algoritma Support Vector Machine dengan kernel Radial Basis Function (RBF). Evaluasi kinerja model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan bahwa metode yang diusulkan mampu mengklasifikasikan tingkat kematangan buah pisang dengan baik dan konsisten. Penelitian ini menunjukkan bahwa kombinasi pengolahan citra digital dan algoritma SVM berpotensi diterapkan sebagai sistem pendukung dalam proses penyortiran dan pengendalian kualitas buah pisang.
Unduhan
Referensi
[1] 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.
[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] I. Muslem, I. Irvanizam, A. Almuzammil, and F. Johar, “Adaptive Heuristic-Based Ant Colony Optimization for Multi-Constraint University Course Timetabling with Morning Slot Preference for Energy Efficiency,” Jurnal Teknik Informatika (Jutif), vol. 6, no. 6, pp. 5930–5943, Jan. 2026, doi: 10.52436/1.jutif.2025.6.6.5588.
[4] “Studi Perbandingan Deteksi Intrusi Jaringan Menggunakan Machine Learning (Metode SVM dan ANN)”.
[5] “Sistem Deteksi Stunting pada Balita Berbasis Web Menggunakan Metode Random Forest”.
[6] “Analisis Pengaruh Kernel Support Vector Machine (SVM) pada Klasifikasi Data Microarray untuk Deteksi Kanker”.
[7] “Penggunaan Algoritma Support Vector Machine (SVM) Untuk Deteksi Penipuan pada Transaksi Online”.
[8] “PENERAPAN SUPPORT VECTOR MACHINE (SVM) PADA SMALL DATASET UNTUK DETEKSI DINI GANGGUAN AUTISME”.
[9] R. Indraswari, W. Herulambang, and R. Rokhana, “Deteksi Penyakit Mata Pada Citra Fundus Menggunakan Convolutional Neural Network (CNN) Ocular Disease Detection on Fundus Images Using Convolutional Neural Network (CNN).” [Online]. Available: https://www.kaggle.com/datasets/jr2ngb/cataractdataset
[10] “Deteksi Otomatis Jerawat Wajah Menggunakan Metode Convolutional Neural Network (CNN)”.
[11] N. G. Ramadhan, F. D. Adhinata, A. J. T. Segara, and D. P. Rakhmadani, “Deteksi Berita Palsu Menggunakan Metode Random Forest dan Logistic Regression,” JURIKOM (Jurnal Riset Komputer), vol. 9, no. 2, p. 251, Apr. 2022, doi: 10.30865/jurikom.v9i2.3979.
[12] “Pembuatan Aplikasi Deteksi Objek Menggunakan TensorFlow Object Detection API dengan Memanfaatkan SSD MobileNet V2 Sebagai Model Pra - Terlatih,” Jurnal Ilmiah Komputasi, vol. 19, no. 3, Mar. 2020, doi: 10.32409/jikstik.19.3.68.
[13] L. Ikhwanul Uzlah and R. Adi Saputra, “DETEKSI SERANGAN SIBER PADA JARINGAN KOMPUTER MENGGUNAKAN METODE RANDOM FOREST,” 2024. [Online]. Available: https://bit.ly/CyberSecurityAttacks.
[14] A. Purnamawati, W. Nugroho, D. Putri, and W. F. Hidayat, “InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Attribution-NonCommercial 4.0 International. Some rights reserved Deteksi Penyakit Daun pada Tanaman Padi Menggunakan Algoritma Decision Tree, Random Forest, Naïve Bayes, SVM dan KNN,” vol. 5, no. 1, 2020, doi: 10.30743/infotekjar.v5i1.2934.
[15] M. Muchtar and R. A. Muchtar, “PERBANDINGAN METODE KNN DAN SVM DALAM KLASIFIKASI KEMATANGAN BUAH MANGGA BERDASARKAN CITRA HSV DAN FITUR STATISTIK,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 2, Apr. 2024, doi: 10.23960/jitet.v12i2.4010.
[16] R. Yanti, F. R. Chan, and A. Ramadhanu, “Penerapan Image Processing untuk Identifikasi Jenis Pisang Emas dan Pisang Kapas Menggunakan Metode K-Means Clustering,” Journal of Education Research, vol. 5, no. 4, pp. 2024–4938.
[17] S. Raysyah, V. Arinal, and D. I. Mulyana, “KLASIFIKASI TINGKAT KEMATANGAN BUAH KOPI BERDASARKAN DETEKSI WARNA MENGGUNAKAN METODE KNN DAN PCA,” Sistem Informasi |, vol. 8, no. 2, pp. 88–95, 2021.
[18] Y. A. Pratama, “Membangun Sistem Identifikasi Kematangan Buah Alpukat menggunakan teknologi Pengolahan Citra Digital,” Kalijaga : Jurnal Penelitian Multidisiplin Mahasiswa, vol. 1, no. 3, pp. 102–108, Jul. 2024, doi: 10.62523/kalijaga.v1i3.18.
[19] 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.
[20] 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
[21] N. Utami Putri and E. Redi Susanto, “Klasifikasi Jenis Kayu Menggunakan Support Vector Machine Berdasarkan Ciri Tekstur Local Binary Pattern,” CYBERNETICS, vol. 4, no. 02, pp. 93–100, 2020.
[22] 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, p. 9, Jan. 2022, doi: 10.30865/mib.v6i1.3287.
[23] A. I. Hanifah and A. Hermawan, “Klasifikasi Kematangan Pisang Menggunakan Metode Convolutional Neural Network,” Komputika : Jurnal Sistem Komputer, vol. 12, no. 2, pp. 49–56, Sep. 2023, doi: 10.34010/komputika.v12i2.9999.
[24] M. F. Ajizi, D. Syauqy, M. Hannats, and H. Ichsan, “Klasifikasi Kematangan Buah Pisang Berbasis Sensor Warna Dan Sensor Load Cell Menggunakan Metode Naive Bayes,” 2019. [Online]. Available: http://j-ptiik.ub.ac.id
[25] M. Juventus, D. Deke, T. A. Anastasya, A. Diani, P. Saka, and E. Y. Puspaningrum, “ANALISIS PENGARUH METODE EKSTRAKSI FITUR CITRA BATIK TERHADAP KINERJA KLASIFIKASI SVM,” 2025. [Online]. Available: https://www.kaggle.com/datasets/geryxg/cora
[26] N. Sularida, J. Y. Sari, I. Purwanti, and N. Purnama, “Identifikasi Tingkat Kematangan Buah Pisang Menggunakan Metode Ektraksi Ciri Statistik Pada Warna Kulit Buah,” 98 ULTIMATICS, vol. X, no. 2, 2018.
[27] R. Hadi, R. Dwiyansaputra, and P. Irfan, “IMPLEMENTASI LENET-5 DAN MOBILENET-V2 UNTUK KLASIFIKASI KEMATANGAN BUAH CABAI BERBASIS COMPUTER VISION,” 2025.
[28] N. Arifin, “KLASIFIKASI KEMATANGAN BUAH NAGA BERDASARKAN FITUR WARNA MENGGUNAKAN ALGORITMA MULTI-CLASS SUPPORT VECTOR MACHINE,” 2023.
[29] M. Abdul Hadi, R. Ferdian, and L. Arief, “Klasifikasi Tingkat Ancaman Kriminalitas Bersenjata Menggunakan Metode You Only Look Once (YOLO),” CHIPSET, vol. 2, no. 01, pp. 33–40, Apr. 2021, doi: 10.25077/chipset.2.01.33-40.2021.
[30] G. M. Momole, “Perbandingan Naïve Bayes dan Random Forest Dalam Klasifikasi Bahasa Daerah,” JATISI (Jurnal Teknik Informatika dan Sistem Informasi), vol. 9, no. 2, 2022, doi: 10.35957/jatisi.v9i2.1857.
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.
