USMUSM

Jurnal TransformatikaJurnal Transformatika

Penentuan kematangan nanas manual bersifat subjektif dan tidak konsisten. Penelitian ini bertujuan membangun sistem klasifikasi nanas (Matang, SetengahMatang, Mentah) yang objektif menggunakan Support Vector Machine (SVM) berbasis citra warna. Metode ini menggunakan 2044 citra augmentasi. Fitur warna mentah (30.000 fitur) diekstraksi dan direduksi menggunakan Principal Component Analysis (PCA) menjadi 51 komponen untuk mengatasi overfitting. Model SVM (RBF) dioptimalkan dengan GridSearchCV. Hasilnya, model SVM (RBF Tuned) terpilih mencapai akurasi 81.78% pada data uji, secara signifikan mengungguli KNN (75.79%). Model ini mencapai Good Fit dengan selisih overfit rendah (11.04%). Kesimpulannya, kombinasi SVM dan PCA valid dan efektif.

Penelitian ini mengusulkan metode klasifikasi tingkat kematangan buah nanas berbasis citra warna menggunakan Support Vector Machine (SVM) yang dipadukan dengan reduksi dimensi Principal Component Analysis (PCA) dan optimasi parameter melalui GridSearchCV.Pendekatan ini merupakan peningkatan dibandingkan metode klasifikasi nanas sebelumnya yang umumnya menggunakan fitur warna secara langsung tanpa reduksi dimensi dan optimasi parameter.Dibandingkan dengan model klasifikasi nanas tanpa PCA dan GridSearchCV, metode yang diusulkan mampu mengurangi kompleksitas fitur dan menekan overfitting, sehingga menghasilkan model yang lebih stabil dan memiliki kemampuan generalisasi yang lebih baik.Kombinasi SVM, PCA, dan GridSearchCV terbukti efektif sebagai peningkatan metodologi dalam klasifikasi kematangan nanas berbasis citra warna.

Untuk penelitian selanjutnya, disarankan untuk menggabungkan fitur tambahan selain warna, seperti fitur tekstur atau bentuk, untuk membantu model membedakan dengan lebih baik antara kelas Matang dan Mentah yang tumpang tindih. Selain itu, perlu memperluas dataset penelitian dengan mencakup lebih banyak variasi, seperti kondisi pencahayaan yang berbeda, varietas nanas yang beragam, dan sudut pengambilan gambar yang berbeda, untuk meningkatkan ketahanan dan generalisasi model di dunia nyata. Sebagai prospek pengembangan, model SVM yang telah divalidasi ini dapat diimplementasikan ke dalam aplikasi real-time atau sistem penyortir otomatis untuk pengujian fungsional di lingkungan industri pascapanen.

  1. Klasifikasi Tingkat Kematangan Buah Tomat Menggunakan Fitur Rgb Dan Hsi Berbasis Backpropagation | Jurnal... journal.uim.ac.id/index.php/jatim/article/view/2177Klasifikasi Tingkat Kematangan Buah Tomat Menggunakan Fitur Rgb Dan Hsi Berbasis Backpropagation Jurnal journal uim ac index php jatim article view 2177
  2. Klasifikasi Tingkat Kematangan Nanas Berdasarkan Citra Warna dengan Metode SVM | Jurnal Transformatika.... journals.usm.ac.id/index.php/transformatika/article/view/13235Klasifikasi Tingkat Kematangan Nanas Berdasarkan Citra Warna dengan Metode SVM Jurnal Transformatika journals usm ac index php transformatika article view 13235
  3. Sistem Cerdas Deteksi Kematangan Buah Naga Berbasis HSV-KNN | e-Jurnal JUSITI (Jurnal Sistem Informasi... ejurnal.undipa.ac.id/index.php/jusiti/article/view/1718Sistem Cerdas Deteksi Kematangan Buah Naga Berbasis HSV KNN e Jurnal JUSITI Jurnal Sistem Informasi ejurnal undipa ac index php jusiti article view 1718
  4. IDENTIFIKASI KEMATANGAN BUAH NANAS MENGGUNAKAN CITRA DIGITAL DENGAN METODE K-NEAREST NEIGHBOR (K-NN)... publikasi.uyelindo.ac.id/index.php/hoaq/article/view/561IDENTIFIKASI KEMATANGAN BUAH NANAS MENGGUNAKAN CITRA DIGITAL DENGAN METODE K NEAREST NEIGHBOR K NN publikasi uyelindo ac index php hoaq article view 561
Read online
File size590.26 KB
Pages10
DMCAReport

Related /

ads-block-test