<![CDATA[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.]]>
Copyrights © 2026
