<![CDATA[Penyakit pada tanaman Vanilla planifolia menimbulkan kerugian ekonomi yang signifikan akibat rendahnyaakurasi diagnosis dini di tingkat lapangan. Pendekatan konvensional berbasis pengamatan visual hanya mencapai akurasi sekitar 55–65% dan sangat bergantung pada pengalaman subjektif petani. Penelitian ini bertujuanmengembangkan sistem klasifikasi penyakit vanili berbasis Support Vector Machine (SVM) untuk meningkatkan akurasi dan konsistensi diagnosis pada kondisi lapangan. Dataset penelitian terdiri atas 1.616 sampel berlabelyang dikumpulkan melalui observasi lapangan di Desa Gattareng, Kabupaten Bulukumba, mencakup lima kelas kondisi tanaman, yaitu sehat (412), bercak daun (338), layu (301), busuk batang (279), dan akar busuk (286).Metodologi penelitian meliputi prapemrosesan data dengan deteksi outlier berbasis IQR, normalisasi Min–Max,penyeimbangan kelas, serta optimasi hiperparameter menggunakan grid search dengan 5-fold stratified crossvalidation. Hasil evaluasi menunjukkan bahwa model SVM dengan kernel polinomial derajat tiga mencapaikinerja klasifikasi yang stabil dengan akurasi 92,1% dan performa recall yang konsisten pada seluruh kelaspenyakit. Berbeda dengan penelitian sebelumnya yang umumnya mengandalkan CNN pada dataset besar, penelitian ini mengusulkan pipeline SVM yang ringan dan replikatif, efektif pada dataset berukuran menengahdengan karakteristik data lapangan yang heterogen. Temuan ini menunjukkan potensi SVM sebagai pendekatan diagnosis penyakit vanili yang lebih realistis untuk konteks kebun, dengan peluang pengembangan lebihlanjut melalui perluasan dataset multi-lokasi dan peningkatan interpretabilitas model.]]>
