<![CDATA[Produksi nanas di Indonesia pada 2021 mencapai 2,89 juta ton dan pada tahun yang sama salah satu provinsi di Indonesia yaitu NTT menghasilkan sebanyak 11.241 ton nanas. Pemilihan buah nanas secara manual membutuhkan waktu yang lama serta menghasilkan pemanenan buah nanas memiliki tingkat kematangan yang tidak merata, hal ini dikarenakan tingkat konsistensi manusia sangat beragam dalam menilai kematangan.Proses ini dapat dibantu dengan sistem cerdas yang dapat menentukan kualitas berdasarkan karakteristik yang sudah ada, sistem cerdas yang digunakan untuk mengidentifikasi tingkat kematangan buah nanas adalah Support Vector Machine (SVM) dan k-Nearest Neighbor (k-NN). Pada penelitian ini menggunakan 200 citra buah nanas dengan tingkat kematangan yaitu belum matang,setangah matang dan matang. Buah nanas yang dilipih secara acak dari petani. Langkah pertama adalah preprocessing citra dengan ekstraksi warna red, green, dan blue, selanjutnya penentuan parameter nilai histogram yaitu mean, variance, skewness, kurtosis, dan entropy selanjutnya menggunakan metode k-NN untuk mencari nilai k terdekat. Selanjutnya Metode yang digunakan adalah Support Vector Machine (SVM), metode ini digunakan untuk membentuk model identifikasi saat proses pemanenan dan pendistribusian serta dapat mengurangi selektifitas para petani dalam menentukan buah nanas yang akan dipanen. Data set dibagi menjadi 80% dan 20% dengan 5 skenario cross validation. Hasil penelitian ini dapat disimpulkan bahwa identifikasi kematangan buah nanas dengan k-Nearest Neighbor (k-NN) dan Support Vector Machine (SVM) berhasil mengidentifikasi buah nanas matang dan belum matang dengan confusion matrix dengan 5 skenario cross validation yang memperoleh nilai akurasi terbaik pada skenario ke-1 sebesar 93% dengan nilai rata- rata akurasi sistem sebesar 81,2%. Pineapple production in Indonesia in 2021 reached 2.89 million tons and in the same year one of the provinces in Indonesia, namely NTT, produced 11,241 tons of pineapples. Manual selection of pineapples takes a long time and results in pineapple harvesting with uneven levels of ripeness, this is because the level of human consistency varies greatly in assessing ripeness. This process can be assisted by an intelligent system that can determine quality based on existing characteristics, the intelligent system used to identify the level of ripeness of pineapples is Support Vector Machine (SVM) and k-Nearest Neighbor (k-NN). This study used 200 pineapple images with levels of ripeness, namely unripe, half-ripe and ripe. Pineapples are randomly selected from farmers. The first step is image preprocessing with red, green, and blue color extraction, then determining the histogram value parameters, namely mean, variance, skewness, kurtosis, and entropy, then using the k-NN method to find the nearest k value. Furthermore, the method used is Support Vector Machine (SVM), this method is used to form an identification model during the harvesting and distribution process and can reduce the selectivity of farmers in determining which pineapples to harvest. The data set is divided into 80% and 20% with 5 cross validation scenarios. The results of this study can be concluded that the identification of pineapple ripeness with k-Nearest Neighbor (k-NN) and Support Vector Machine (SVM) successfully identified ripe and unripe pineapples with a confusion matrix with 5 cross validation scenarios that obtained the best accuracy value in scenario 1 of 93% with an average system accuracy value of 81.2%.]]>
