<![CDATA[Penelitian ini bertujuan merancang dan mengimplementasikan sistem klasifikasi kematangan tomat berbasis sensor warna TCS34725 menggunakan algoritma Support Vector Machine (SVM) yang dioptimasi dengan Particle Swarm Optimization (PSO) pada Raspberry Pi. Sistem membaca kanal warna Red, Green, Blue, dan Clear dari permukaan tomat, kemudian mengklasifikasikannya ke dalam tiga kelas: matang, setengah matang, dan tidak matang. Dataset terdiri dari 381 sampel yang dinormalisasi terhadap kanal Clear untuk menghilangkan pengaruh intensitas cahaya. K-Means Clustering diterapkan sebagai baseline unsupervised, sedangkan SVM diuji dengan tiga kernel (Polynomial, Sigmoid, dan RBF). PSO dijalankan dengan 20 partikel selama 100 iterasi dengan fungsi fitness berupa akurasi rata-rata 5-fold cross validation. Hasil pengujian menunjukkan KMeans mencapai akurasi 84,42%, SVM default kernel RBF 89,61%, dan SVM-PSO meningkatkannya menjadi 90,91% dengan presisi 91,88%, recall 90,72%, serta F1-Score 90,72%. Model SVM-PSO kemudian diimplementasikan pada sistem conveyor secara real-time dan diuji terhadap 45 sampel, menghasilkan akurasi keseluruhan sebesar 80,00%. Kesalahan klasifikasi terbanyak terjadi pada kelas setengah matang yang berada pada zona transisi warna. Index Terms—Klasifikasi Tomat, Sensor Warna TCS34725, Support Vector Machine (SVM), Particle Swarm Optimization (PSO), Raspberry Pi, K-Means Clustering. ]]>
