KOMPARASI ALGORITMA KNN DAN SVM DALAM KLASIFIKASI KUALITAS BUAH JERUK BERBASIS EKSTRAKSI FITUR WARNA

Abstrak

Penelitian ini bertujuan untuk mengklasifikasikan kualitas buah jeruk (Citrus sp.) berdasarkan citra digital menggunakan pendekatan computer vision dan machine learning. Dataset citra jeruk dibagi ke dalam dua kelas, yaitu orange good (kondisi bagus) dan orange bad (kondisi jelek/busuk). Proses ekstraksi fitur dilakukan dengan menghitung nilai rata-rata kanal warna RGB (Red, Green, Blue) dari setiap citra yang telah dinormalisasi. Metode supervised learning yang digunakan adalah K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM), sedangkan metode unsupervised learning menggunakan K-Means Clustering sebagai validasi pola data. Implementasi sistem dilakukan menggunakan bahasa pemrograman Python. Hasil pengujian menunjukkan bahwa algoritma KNN mampu menghasilkan akurasi sebesar 93,89%, sedangkan algoritma SVM menghasilkan akurasi tertinggi sebesar 94,44%. Berdasarkan hasil tersebut, dapat disimpulkan bahwa metode SVM terbukti lebih unggul dalam mengklasifikasikan kualitas buah jeruk sebagai solusi penyortiran otomatis.

Identifier

• DOI: https://doi.org/10.5281/zenodo.18090264
• OpenAlex: https://openalex.org/W7117570046