<![CDATA[Raisin (kismis) merupakan buah kering yang memiliki nilai kandungan gizi yang tinggi dan kaya akan serat. Seiring dengan meningkatnya produksi global, kebutuhan akan sistem klasifikasi otomatis yang akurat menjadi semakin krusial untuk efisiensi industri. Proses klasifikasi manual dinilai tidak efisien, memakan waktu, serta rawan kesalahan manusia, sehingga diperlukan pendekatan berbasis kecerdasan buatan. Penelitian ini bertujuan untuk mengoptimalkan model klasifikasi Support Vector Machine (SVM) dengan penerapan seleksi fitur menggunakan algoritma Random Forest dan optimasi hyperparameter menggunakan GridSearchCV. Dataset yang digunakan adalah Raisin Dataset dari UCI Machine Learning Repository yang terdiri dari 900 sampel dua jenis raisin, yaitu Kecimen dan Besni, masing-masing memiliki tujuh fitur numerik morfologis. Hasil evaluasi menunjukkan bahwa model SVM yang telah dioptimasi mampu mencapai akurasi sebesar 90.00% dan nilai AUC 0,9388. Temuan ini menunjukkan bahwa kombinasi seleksi fitur dan optimasi hyperparameter dapat meningkatkan kinerja model klasifikasi. Penelitian ini juga memiliki perbedaan dari studi sebelumnya dalam hal objek, waktu pelaksanaan, literatur, pendekatan teori, serta hasil akhir yang diperoleh. Pendekatan ini memperkuat pemanfaatan machine learning dalam sektor agroindustri dan membuka peluang pengembangan sistem klasifikasi pangan yang lebih efisien dan presisi.]]>
Copyrights © 2025
