COMPARASI METODE KNN DAN SVM UNTUK MENGIDENTIFIKASI KEMATANGAN BUAH MANGGIS

Abstrak

Penelitian ini bertujuan untuk membandingkan performa dua metode klasifikasi, yaitu K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM), dalam mengidentifikasi tingkat kematangan buah Manggis berdasarkan citra digital. Proses klasifikasi didasarkan pada karakteristik warna kulit buah, yang merupakan indikator visual utama dalam menentukan tingkat kematangannya. Tahapan penelitian meliputi akuisisi citra, pra-pemrosesan, konversi model warna, serta ekstraksi fitur menggunakan representasi warna RGB dan HSV. Dataset citra kemudian dibagi menjadi data latih dan data uji untuk menilai kemampuan generalisasi kedua metode. Evaluasi kinerja dilakukan menggunakan metrik akurasi, presisi, recall, F1-score, serta perhitungan waktu komputasi. Hasil penelitian menunjukkan bahwa SVM memiliki performa yang lebih konsisten dan akurat dibandingkan KNN dalam proses klasifikasi tingkat kematangan. Temuan ini menegaskan bahwa pemanfaatan teknik pengolahan citra dan machine learning berpotensi mendukung proses sortasi buah secara otomatis dan efisien. Selain itu, penelitian ini dapat menjadi referensi untuk pengembangan sistem pendukung keputusan dalam bidang pertanian cerdas yang membutuhkan identifikasi kualitas buah secara cepat dan objektif.

This study aims to compare the performance of two classification methods, K-Nearest Neighbor (KNN) and Support Vector Machine (SVM), in identifying the ripeness level of mangosteen based on digital images. The classification process focuses on the color characteristics of the fruit’s outer skin, which serve as the primary visual indicator of ripeness. The research stages include image acquisition, preprocessing, color model conversion, and feature extraction using RGB and HSV representations. The dataset is divided into training and testing sets to evaluate the generalization capability of each method. Performance evaluation is conducted using accuracy, precision, recall, F1-score, and computational time. The results indicate that SVM demonstrates more consistent and accurate performance than KNN in classifying ripeness levels. These findings highlight the potential of combining digital image processing and machine learning techniques to support automated and efficient fruit sorting systems. Furthermore, this study can serve as a reference for the development of decision-support tools in smart agriculture, particularly for applications that require fast and objective fruit quality identification.