Penerapan Support Vector Machine pada Klasifikasi Kondisi Kematangan Cabai Rawit
Abstract
Cabai rawit (Capsicum frutescens) merupakan komoditas penting di Indonesia, namun ketergantungan impor masih tinggi akibat kendala sortasi dan distribusi yang tidak merata. Proses sortasi manual sering kali tidak akurat, sehingga cabai mentah, matang, atau rusak tercampur. Kondisi tersebut menurunkan kualitas dan nilai jual cabai rawit. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis kondisi kematangan cabai rawit menggunakan algoritma Support Vector Machine (SVM) dengan ekstraksi fitur kombinasi HSV, GLCM, dan Local Binary Pattern (LBP). Metode yang digunakan meliputi augmentasi data, segmentasi berbasis HSV thresholding, serta ekstraksi fitur warna dan tekstur. Hasil evaluasi menunjukkan bahwa model SVM dengan kernel RBF mencapai nilai rata-rata F1-Score sebesar 84%, dengan performa terbaik pada kelas matang yang memperoleh F1-Score sebesar 92%. Namun, kelas rusak memiliki nilai F1-Score yang lebih rendah, yaitu sebesar 71%, akibat ketidakseimbangan data. Simpulan dari penelitian ini menunjukkan bahwa kombinasi fitur HSV, GLCM, dan LBP efektif untuk klasifikasi kondisi kematangan cabai rawit. Meskipun demikian, diperlukan pengembangan dataset serta penerapan pendekatan deep learning, seperti CNN-SVM, untuk meningkatkan akurasi berdasarkan nilai F1-Score pada kelas minoritas.
References
Https://Www.Antaranews.Com/Berita/4304459/Kementan-Pastikan-Ketersediaan-Cabai-Nasional-Aman-Hingga-Akhir-Tahun
[2] M. Manurung, Dalam Analisis Kinerja Perdagangan Cabai Merah, Pusat Data Dan Sistem Informasi Pertanian, Kementan, 2024, 2024, P. 25.
[3] F. A. Giawa, Z. Siambaton, And T. Haramaini, “E-Monitoring Pada Alat Penyortiran Buah Jeruk Nipis Otomatis Berdasarkan Ukuran Dan Jenis Warna Berbasis Internet Of Things,” Sudo Jurnal Teknik Informatika, Vol. 3, No. 1, Pp. 41–59, May 2024, Doi: 10.56211/Sudo.V3i1.406.
[4] F. O. Dayera, Musa Bundaris Palungan, “G-Tech : Jurnal Teknologi Terapan,” G-Tech J. Teknol. Terap., Vol. 8, No. 1, Pp. 186–195, 2024, [Online]. Available: Https://Ejournal.Uniramalang.Ac.Id/Index.Php/G-Tech/Article/View/1823/1229
[5] Z. E. Fitri, U. Nuhanatika, A. Madjid, And A. M. N. Imron, “Penentuan Tingkat Kematangan Cabe Rawit (Capsicum Frutescens L.) Berdasarkan Gray Level Co-Occurrence Matrix,” Jurnal Teknologi Informasi Dan Terapan, Vol. 7, No. 1, Pp. 1–5, Jun. 2020, Doi: 10.25047/Jtit.V7i1.121
[6] U. Mahdiyah, “Klasifikasi Kualitas Citra Cabai Dengan Menggunakan Algoritma Gradien Boosting,” Jami: Jurnal Ahli Muda Indonesia, Vol. 4, No. 1, Pp. 61–69, Jun. 2023, Doi: 10.46510/Jami.V4i1.137.
[7] Muhammad Rifki Bahrul Ulum, Basuki Rahmat, And Made Hanindia Prami Swari, “Implementasi Metode Cnn Dan K-Nearest Neighbor Untuk Klasifikasi Tingkat Kematangan Tanaman Cabai Rawit,” Modem : Jurnal Informatika Dan Sains Teknologi., Vol. 2, No. 3, Pp. 112–123, Jul. 2024, Doi: 10.62951/Modem.V2i3.131.
[8] A. Sofyan, “Klasifikasi Tingkat Kematangan Cabai Rawit Dengan Ekstraksi Hsv-Glcm Dan Metode Klasifikasi Support Vector Machines (Svms),” Upn Veteran Jatim Repository. [Online]. Available: Https://Repository.Upnjatim.Ac.Id/Id/Eprint/29630
[9] A. Agung Mujiono, K. Kartini, And E. Yulia Puspaningrum, “Implementasi Model Hybrid Cnn-Svm Pada Klasifikasi Kondisi Kesegaran Daging Ayam,” Jati (Jurnal Mahasiswa Teknik Informatika), Vol. 8, No. 1, Pp. 756–763, Mar. 2024, Doi: 10.36040/Jati.V8i1.8855.
[10] N. S. Fatimah And S. Agustin, “Klasifikasi Citra Batik Menggunakan Local Binary Pattern (Lbp) Dan Support Vector Machine (Svm),” Jurnal Algoritma, Vol. 22, No. 1, Pp. 185–196, May 2025, Doi: 10.33364/Algoritma/V.22-1.2208.
[11] I. Irma, M. Muchtar, R. Adawiyah, And S. Sarimuddin, “Klasifikasi Tingkat Kematangan Cabai Merah Keriting Menggunakan Svm Multiclass Berdasarkan Ekstraksi Fitur Warna,” Jurnal Informatika Dan Teknik Elektro Terapan, Vol. 12, No. 3, Aug. 2024, Doi: 10.23960/Jitet.V12i3.4430.
