<![CDATA[@font-face {font-family:"Cambria Math"; panose-1:2 4 5 3 5 4 6 3 2 4; mso-font-charset:0; mso-generic-font-family:roman; mso-font-pitch:variable; mso-font-signature:-536870145 1107305727 0 0 415 0;}p.MsoNormal, li.MsoNormal, div.MsoNormal {mso-style-unhide:no; mso-style-qformat:yes; mso-style-parent:""; margin:0cm; mso-pagination:widow-orphan; font-size:11.0pt; font-family:"Times New Roman",serif; mso-fareast-font-family:"Times New Roman";}.MsoChpDefault {mso-style-type:export-only; mso-default-props:yes; font-size:11.0pt; mso-ansi-font-size:11.0pt; mso-bidi-font-size:11.0pt; mso-font-kerning:0pt; mso-ligatures:none;}div.WordSection1 {page:WordSection1;} Klasifikasi kematangan buah secara otomatis merupakan permasalahan penting dalam industri pertanian dan pascapanen. Penelitian ini membandingkan performa algoritma Support Vector Machine (SVM) dengan kernel RBF dan Random Forest (RF) dalam mengklasifikasikan kematangan buah tropis — meliputi apel, pisang, dan jeruk — ke dalam enam kelas: segar dan busuk. Dataset Fruits Fresh and Rotten for Classification dari Kaggle digunakan dengan 2.813 sampel valid. Setiap gambar diekstraksi menjadi 26 fitur warna dan tekstur, mencakup statistik HSV (mean, standar deviasi, skewness), statistik RGB, fitur tekstur (contrast, energy, homogeneity), dan histogram hue 8-bin. Seleksi fitur menggunakan ANOVA F-Test menghasilkan 15 fitur terbaik dengan fitur saturasi sebagai yang paling diskriminatif. Optimasi hyperparameter dilakukan dengan GridSearchCV 5-Fold, dan evaluasi akhir menggunakan 10-Fold Stratified Cross-Validation. Hasil menunjukkan SVM dengan C=100 dan gamma=scale menghasilkan akurasi 90,23%, precision 90,36%, recall 90,23%, dan F1-score 90,24%, mengungguli Random Forest yang memperoleh akurasi 82,42%. SVM terbukti lebih unggul untuk klasifikasi kematangan buah berbasis fitur warna dan tekstur pada dataset berukuran sedang.]]>
Copyrights © 2026
