<![CDATA[Penentuan tingkat kematangan buah tomat sering kali dilakukan secara visual, sehingga cenderung subjektif dan menghasilkan evaluasi yang kurang stabil. Penelitian ini bertujuan untuk menilai dan membandingkan kinerja algoritma K-Nearest Neighbors (KNN), Decision Tree, dan Random Forest dalam mengklasifikasikan tingkat kematangan buah tomat berdasarkan fitur warna RGB guna mendapatkan model dengan performa terbaik. Kumpulan data yang digunakan mencakup 300 gambar buah tomat yang dibagi menjadi tiga kategori, yaitu mentah, setengah matang, dan matang. Seluruh gambar melewati tahap Pre-pocessing yang mencakup penghapusan latar belakang, pengubahan ukuran dan ekstraksi fitur dengan menggunakan metode Mean RGB Color Feature Extraction. Dataset selanjutnya dipisahkan menjadi 80% data pelatihan dan 20% data pengujian dengan menggunakan Random Sampling yang diulang sebanyak 10 kali melalui Stratified Sampling. Evaluasi model dilakukan menggunakan Area Under Curve (AUC), Accuracy, F1-Score, Precision, Recall, Confusion Matrix, dan ROC Analysis. Hasil penelitian menunjukkan bahwa KNN memperoleh nilai AUC tertinggi sebesar 100%, sedangkan Random Forest memperoleh nilai Accuracy, F1-Score, Precision, dan Recall tertinggi, yaitu masing-masing sebesar 96,7%. Hasil Confusion Matrix menunjukkan bahwa Random Forest memiliki performa yang lebih seimbang pada ketiga kelas, sementara kesalahan klasifikasi terutama terjadi pada kelas setengah matang yang memiliki karakteristik warna yang berdekatan dengan kelas lainnya. Berdasarkan keseluruhan metrik evaluasi, Confusion Matrix, dan ROC Analysis, Random Forest ditetapkan sebagai model terbaik. Hasil penelitian ini menunjukkan bahwa fitur warna RGB dan algoritma Random Forest berpotensi digunakan untuk mengidentifikasi tingkat kematangan buah tomat secara lebih objektif, konsisten, dan efisien serta dapat dikembangkan untuk mendukung sistem sortasi berbasis citra digital.]]>
Copyrights © 2026
