<![CDATA[Tomat adalah salah satu jenis komoditas hortikultura yang cukup banyak di Indonesia dengan variasi bentuk, ukuran, dan warna. Pemilahan jenis tomat secara manual oleh petani maupun pedagang masih memiliki kelemahan, seperti keterbatasan fisik dan ketidakkonsistenan dalam klasifikasi. Tujuan dari penelitian ini adalah untuk mengembangkan sistem klasifikasi untuk jenis tomat. berbasis citra digital menggunakan metode Support Vector Machine (SVM) dan K-Nearest Neighbor (KNN). Proses klasifikasi dilakukan dengan mengekstraksi fitur warna dari kanal Hue (HSV), tekstur dari Gray-Level Co-occurrence Matrix (GLCM), dan bentuk dari kontur objek tomat. Dataset terdiri dari tiga jenis tomat, yaitu tomat ceri, tomat hijau, dan tomat sayur. Data melalui tahapan pra-pemrosesan sebelum dilakukan pelatihan dan pengujian model. Hasil evaluasi menunjukkan bahwa algoritma KNN menghasilkan akurasi 94,44%, sedangkan SVM mencapai akurasi sempurna sebesar 97,22%. Evaluasi dilakukan menggunakan metrik confusion matrix, akurasi, precision, recall, dan F1-score. Temuan ini mengindikasikan bahwa SVM memiliki keunggulan dalam mengklasifikasikan jenis tomat secara akurat, serta menunjukkan potensi besar penerapan teknologi klasifikasi citra dalam mendukung efisiensi proses pertanian modern]]>
Copyrights © 2025
