Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Prosidia Widya Saintek
Aser Afanti Naa
Universitas Widya Gama Malang
Agriculture, Biological Sciences & Forestry Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Mechanical Engineering Social Sciences Transportation

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
KLASIFIKASI KEMATANGAN BUAH PINANG PAPUA MENGGUNAKAN M-SVM DAN EKSTRAKSI GLCM Aser Afanti Naa; Istiadi Istiadi; Fitri Marisa
Prosidia Widya Saintek Vol. 5 No. 2 (2026)
Publisher : Universitas Widyagama Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pemilahan tingkat kematangan buah pinang Papua secara manual berpotensi menghasilkan penilaian yang tidak konsisten, sehingga diperlukan pendekatan klasifikasi berbasis citra. Penelitian ini bertujuan mengklasifikasikan buah pinang ke dalam kelas mentah, matang, dan tua menggunakan ekstraksi tekstur Gray Level Co-occurrence Matrix (GLCM) dan Multiclass Support Vector Machine (M-SVM). Dataset terdiri atas 90 citra berformat JPG, masing-masing 30 citra per kelas. Tahap praproses meliputi cropping dan resize menjadi 256×256 piksel. Implementasi ekstraksi menghasilkan fitur contrast dan correlation yang digunakan untuk melatih M-SVM dengan kernel linear, polynomial, Gaussian/RBF, dan sigmoid pada sembilan rasio pembagian data. Hasil pengujian yang dilaporkan menunjukkan nilai tertinggi 77,78% pada kernel Gaussian dan linear untuk rasio data latih:data uji 90:10. Berdasarkan matriks konfusi, kedua kernel menghasilkan enam prediksi benar dari sembilan data uji atau akurasi keseluruhan 66,67%. Kernel Gaussian memberikan presisi dan recall makro masing-masing 66,67%, lebih seimbang daripada kernel linear. Hasil ini menunjukkan bahwa kombinasi GLCM dan M-SVM dapat digunakan sebagai dasar klasifikasi otomatis, tetapi peningkatan jumlah data, standardisasi akuisisi citra, dan validasi silang terstratifikasi masih diperlukan untuk meningkatkan generalisasi model.
Co-Authors Fitri Marisa Istiadi Istiadi