Article Per Year (5 Year)
p-Index From 2021 - 2026
2.144
P-Index
This Author published in this journals
All Journal Conference on Innovation and Application of Science and Technology (CIASTECH) Buana Ilmu KLIK: Kajian Ilmiah Informatika dan Komputer Scientific Student Journal for Information, Technology and Science
Dwi Sulistya Kusumaningrum
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Computer Science & IT Economics, Econometrics & Finance Education Engineering Law, Crime, Criminology & Criminal Justice Social Sciences

Published : 21 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 21 Documents
Search

 1   2   3 
Penerapan Support Vector Machine pada Klasifikasi Kondisi Kematangan Cabai Rawit Anggie Wiyani Putri; Ahmad Fauzi; Dwi Sulistya Kusumaningrum; Sutan Faisal
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 1 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

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

Abstract

Cabai rawit (Capsicum frutescens) merupakan komoditas penting di Indonesia, namun ketergantungan impor masih tinggi akibat kendala sortasi dan distribusi yang tidak merata. Proses sortasi manual sering kali tidak akurat, sehingga cabai mentah, matang, atau rusak tercampur. Kondisi tersebut menurunkan kualitas dan nilai jual cabai rawit. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis kondisi kematangan cabai rawit menggunakan algoritma Support Vector Machine (SVM) dengan ekstraksi fitur kombinasi HSV, GLCM, dan Local Binary Pattern (LBP). Metode yang digunakan meliputi augmentasi data, segmentasi berbasis HSV thresholding, serta ekstraksi fitur warna dan tekstur. Hasil evaluasi menunjukkan bahwa model SVM dengan kernel RBF mencapai nilai rata-rata F1-Score sebesar 84%, dengan performa terbaik pada kelas matang yang memperoleh F1-Score sebesar 92%. Namun, kelas rusak memiliki nilai F1-Score yang lebih rendah, yaitu sebesar 71%, akibat ketidakseimbangan data. Simpulan dari penelitian ini menunjukkan bahwa kombinasi fitur HSV, GLCM, dan LBP efektif untuk klasifikasi kondisi kematangan cabai rawit. Meskipun demikian, diperlukan pengembangan dataset serta penerapan pendekatan deep learning, seperti CNN-SVM, untuk meningkatkan akurasi berdasarkan nilai F1-Score pada kelas minoritas.
Co-Authors Adi Rizky Pratama Ahmad Fauzi Andri Juliyanto Anggie Wiyani Putri Azis Fikri Marsandi Cucu Sri Cahyanti Deden Wahiddin Destanto Muhamad Yusuf EFENDI Erik Candra Fauzi Hanny Hikmayanti Handayani Indra, Jamaludin Kiki Wahyuddin Lilis Kartika Lutfiah Adeliana Maulana Abdur Rofik Muhammad Imam Naufal Mulya Cahya Ramadanty Nurwijayanti Pajar Arifin Raden Gumilar Riyansyah Rahmad Nahar Siregar Sekar Wuni Sinta Candra Dewi Siregar, Amril Mutoi SITI NURJANAH Sutan Faisal Tatang Rohana