Komparasi SVM dan Random Forest Berbasis Histogram Warna untuk Deteksi Penyakit Anggur

Abstrak

Penurunan produktivitas tanaman anggur (Vitis vinifera) kerap disebabkan oleh penyakit daun seperti Black Rot, yang sulit dideteksi secara akurat melalui metode visual manual. Studi ini difokuskan pada analisis perbandingan performa antara algoritma Support Vector Machine (SVM) dan Random Forest dalam ranah klasifikasi Machine Learning. Tujuan utama dalam pengembangan ini adalah mengidentifikasi model yang paling presisi untuk mendeteksi penyakit, guna menemukan model paling optimal untuk deteksi penyakit. Metode yang digunakan adalah pengolahan citra digital dengan ekstraksi fitur Histogram Warna (HSV), yang dipilih karena efisiensinya dalam merepresentasikan perubahan warna akibat infeksi. Dataset citra penyakit daun anggur diklasifikasi dan dievaluasi. Hasil komparasi menunjukkan bahwa Random Forest mencapai performa tertinggi dengan akurasi sebesar 95.32%, sedikit mengungguli SVM yang mencapai 94.48%. Hasil ini membuktikan bahwa kedua algoritma memiliki kinerja yang sangat baik, namun Random Forest lebih direkomendasikan untuk dataset ini karena ketahanannya yang lebih baik dalam memprediksi kelas penyakit secara tepat.

Identifier

• OpenAlex: https://openalex.org/W7127935223
• DOI: https://doi.org/10.47233/jteksis.v8i1.2340