<![CDATA[Penurunan hasil produksi tanaman kedelai umumnya dipengaruhi oleh serangan berbagai jenis penyakit, sehingga dibutuhkan suatu metode identifikasi yang mampu bekerja secara cepat, tepat, dan konsisten. Penelitian ini berfokus pada kategorisasi penyakit yang menyerang tanaman kedelai, dengan menerapkan algoritma Support Vector Machine (SVM) yang telah disempurnakan melalui pendekatan Particle Swarm Optimization (PSO).. Data yang digunakan dalam penelitian ini terdiri dari 35 jenis gejala yang dipetakan ke dalam 14 kategori penyakit berdasarkan nilai tingkat kepercayaan dengan rentang antara 0 hingga 1. Setiap gejala direpresentasikan dalam bentuk fitur numerik, sedangkan penentuan label kelas dilakukan berdasarkan nilai kepercayaan tertinggi dari masing-masing kategori penyakit. Tahapan penelitian meliputi proses prapengolahan data, normalisasi untuk menyetarakan skala nilai, Alokasi sumber daya data ke dalam kelompok pelatihan dan pengujian, diikuti dengan penerapan klasifikasi melalui metode Support Vector Machine (SVM). serta optimasi parameter model melalui pendekatan PSO guna memperoleh performa terbaik. Hasil pengujian menunjukkan bahwa model SVM tanpa optimasi menghasilkan tingkat akurasi sebesar 85%, sementara setelah dilakukan optimasi menggunakan PSO, akurasi meningkat menjadi 92%. Selain itu, nilai precision dan recall juga menunjukkan peningkatan yang signifikan. Hasil tersebut mengindikasikan bahwa penerapan PSO dalam optimasi parameter SVM Metode yang diajukan terbukti mampu meningkatkan performa model klasifikasi. Oleh karena itu, pendekatan ini memiliki potensi untuk dieksplorasi lebih lanjut sebagai solusi dalam pengembangan sistem cerdas di sektor pertanian. Secara spesifik, metode ini dapat berkontribusi pada pembangunan sistem diagnosis penyakit kedelai yang otomatis dan akurat.]]>
