<![CDATA[Penentuan tingkat kematangan buah apel secara visual masih rentan terhadap subjektivitas karena dipengaruhi oleh pengalaman pengamat, kondisi pencahayaan, dan kemiripan karakteristik antar tingkat kematangan. Penelitian ini bertujuan membandingkan kinerja Support Vector Machine (SVM), K-Nearest Neighbor (KNN), Neural Network (NN), dan Random Forest (RF) dalam mengklasifikasikan kematangan visual buah apel ke dalam tiga kelas, yaitu Belum Matang, Setengah Matang, dan Matang. Dataset terdiri atas 900 citra, masing-masing 300 citra per kelas, yang dibagi secara stratified menjadi 80% data latih dan 20% data uji. Tahap preprocessing meliputi resize citra menjadi 256 × 256 piksel, normalisasi, segmentasi objek, serta augmentasi pada data latih menggunakan horizontal flip, vertical flip, rotasi +15°, dan rotasi −15°. Fitur warna RGB, HSV, dan CIELAB, fitur tekstur GLCM, serta fitur bentuk digunakan sebagai masukan model. Optimasi hiperparameter dilakukan menggunakan stratified 5-fold cross-validation, sedangkan evaluasi menggunakan accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa SVM memberikan performa terbaik dengan accuracy 95,0%, precision 94,8%, recall 94,6%, dan F1-score 94,7%, diikuti KNN dengan accuracy 94,0%, NN 92,8%, dan RF 91,2%. Hasil ini menunjukkan bahwa SVM merupakan metode paling sesuai pada dataset dan skenario pengujian yang digunakan, sedangkan KNN menjadi alternatif dengan performa yang paling mendekati. Penelitian selanjutnya disarankan memperluas variasi dataset dan menguji generalisasi model pada kondisi pengambilan citra yang lebih beragam.]]>
Copyrights © 2026
