<![CDATA[Klasifikasi varietas kacang kering (dry bean) secara akurat merupakan instrumen krusial dalam menjaga standar mutu dan nilai ekonomi di sektor pertanian. Namun, dataset berdimensi tinggi sering kali mengandung informasi redundan, yang jika dikombinasikan dengan sensitivitas Support Vector Machine (SVM) terhadap konfigurasi parameter, dapat menghambat stabilitas dan daya generalisasi model. Penelitian ini mengusulkan kerangka kerja hybrid PSO-SVM yang mengintegrasikan Particle Swarm Optimization (PSO) untuk melakukan seleksi fitur dan optimasi hiperparameter secara simultan. Dengan merepresentasikan kandidat solusi sebagai partikel hibrida biner-kontinu, model mengeksplorasi ruang pencarian global untuk mengidentifikasi subset fitur paling diskriminatif sekaligus menyelaraskan parameter kernel Radial Basis Function (RBF). Dengan merepresentasikan kandidat solusi sebagai partikel hibrida biner-kontinu, model mengeksplorasi ruang pencarian global untuk mengidentifikasi subset fitur paling diskriminatif sekaligus menyelaraskan parameter kernel Radial Basis Function (RBF). Hasil eksperimen pada Dry Bean Dataset menunjukkan bahwa pendekatan hybrid yang diusulkan mencapai akurasi optimal sebesar 93,38%, dengan kemampuan generalisasi yang seimbang yang ditunjukkan oleh nilai rata-rata Precision, Recall, dan F1-Score yang stabil di angka 0,93. Secara signifikan, model mampu meningkatkan efisiensi dengan mereduksi dimensi input sebesar 37,5%, yaitu menyisakan 10 fitur terpilih dari total 16 fitur awal, serta terbukti mampu melampaui performa metode seleksi fitur tunggal (93,17%). Proses optimasi mencapai konvergensi pada iterasi ke-35, yang mengindikasikan efisiensi komputasi yang tinggi dalam pencarian solusi. Temuan ini mengindikasikan bahwa integrasi optimasi metaheuristik efektif dalam meminimalkan kompleksitas model sekaligus meningkatkan performa prediktif pada dataset pertanian berdimensi tinggi .]]>
