Perbandingan Kinerja SVM, NN, Random Forest, dan KNN dalam Klasifikasi Tingkat Kematangan Buah Apel
Abstract
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.
References
P. Astuti, “Klasifikasi Kualitas Buah Apel Dengan Algoritma K-Nearest Neighbor (K-NN) Menggunakan Bahasa Pemrograman Python,” Comput. Sci., vol. 4, no. 2, pp. 127–132, 2024, doi: 10.31294/coscience.v4i2.3328.
Q. N. Azizah, S. Informasi, U. Bina, S. Informatika, and P. Citra, “Klasifikasi Penyakit Daun Apel Menggunakan,” J. Ilmu Komput. dan Inform., vol. 3, no. 1, 2022.
M. Fansyuri and D. Yunita, “Identifikasi Jenis Buah Apel Berdasarkan Ekstraksi Ciri Bentuk dan Warna Menggunakan Metode Klasifikasi Naive Bayes,” J. Artif. Intell. Innov. Appl., vol. 3, no. 3, pp. 186–195, 2022, [Online]. Available: http://openjournal.unpam.ac.id/index.php/JOAIIA/index
E. F. Himmah, M. Widyaningsih, and M. Maysaroh, “Identifikasi Kematangan Buah Kelapa Sawit Berdasarkan Warna RGB Dan HSV Menggunakan Metode K-Means Clustering,” J. Sains dan Inform., vol. 6, no. 2, pp. 193–202, 2020, doi: 10.34128/jsi.v6i2.242.
E. Nahak, R. P. Putra, and F. Marisa, “Klasifikasi Penyakit Pada Tanaman Apel Melalui Citra Daun Menggunakan Metode Multiclass Support Vector Machine,” J. Tek. Inform. dan Sist. Inf., vol. 11, no. 3, pp. 401–408, 2024, [Online]. Available: http://jurnal.mdp.ac.id
M. Arief, “Klasifikasi Kematangan Buah Jeruk Berdasarkan Fitur Warna Menggunakan Metode SVM,” J. Ilmu Komput. dan Desain Komun. Vis., vol. 4, no. 1, pp. 9–16, 2019.
M. Wijaya, S. Zubair, and H. Husain, “Pelatihan Teknologi Pematangan Buah secara Alami bagi Pedagang Buah. Jurnal Pengabdian Masyarakat: Pemberdayaan, Inovasi, dan Perubahan,” J. Pengabdi. Masy. Pemberdayaan, Inov. dan Perubahan, vol. 4, no. 6, 2024, doi: 10.59818/jpm.v4i6.864.
H. Rachmayati, W. H. Susanto, and J. M. Maligan, “Pengaruh tingkat kematangan buah belimbning (Averrhoa carambola L.) dan proporsi penambahan gula terhadap karakteristik fisik, kimia dan organoleptik jelly drink mengandung karaginan,” J. Pangan dan Agroindustri, vol. 5, no. 1, pp. 49–60, 2017.
S. Mardiyah and D. Wulansari, “KLAFISIKASI TINGKAT KEMATANGAN BUAH NANAS (Ananas comosus (L.)Merr) VARIETAS TANGKIT MENGGUNAKAN MODEL WARNA RGB(Red Green Blue) DAN HUE,” 2025.
A. Mulyaningtyas, G. Z. Azzahra, Z. Munawwaroh, and R. Listanti, “Deteksi Kematangan Buah Mangga secara Destruktif dan Non-Destruktif,” J. Appl. Agric. Heal. Technol., vol. 4, no. 1, pp. 17–30, 2025, doi: 10.20961/jaht.v4i1.1362.
D. N. T. Setiawan and E. I. Sela, “Klasifikasi Tingkat Kematangan Buah Pepaya Menggunakan Metode Jaringan Syaraf Tiruan Berdasarkan Warna Kulit Buah,” J. Nas. Komputasi dan Teknol. Inf., vol. 7, no. 5, pp. 1441–1456, 2024, doi: 10.32672/jnkti.v7i5.8127.
R. I. Permata, F. Yanto, E. Budianita, I. Iskandar, and F. Syafria, “Klasifikasi Kematangan Buah Mangga Menggunakan Pendekatan Deep Learning Dengan Arsitektur DenseNet-121 dan Augmentasi Data,” Build. Informatics, Technol. Sci., vol. 6, no. 1, pp. 236–244, 2024, doi: 10.47065/bits.v6i1.5381.
N. B. Pamungkas and A. Suhendar, “Penerapan Metode Convolutional Neural Network pada Sistem Klasifikasi Penyakit Tanaman Apel berdasarkan Citra Daun,” Edumatic J. Pendidik. Inform., vol. 8, no. 2, pp. 675–684, 2024, doi: 10.29408/edumatic.v8i2.27958.
M. Islam, A. Dinh, K. Wahid, and P. Bhowmik, “Detection of potato diseases using image segmentation and multiclass support vector machine,” in Canadian Conference on Electrical and Computer Engineering, Institute of Electrical and Electronics Engineers Inc., 2017. doi: 10.1109/CCECE.2017.7946594.
R. Tiwari and M. Chahande, “Apple Fruit Disease Detection and Classification Using K-Means Clustering Method,” Lect. Notes Networks Syst., vol. 202 LNNS, pp. 71–84, 2021, doi: 10.1007/978-981-16-0695-3_9.
S. R. Sannasi Chakravarthy and H. Rajaguru, “Automatic Detection and Classification of Mammograms Using Improved Extreme Learning Machine with Deep Learning,” Irbm, vol. 43, no. 1, pp. 49–61, 2022, doi: 10.1016/j.irbm.2020.12.004.
N. J. Rao, H. Girish, M. C. Gowrishankar, S. Kumar, and N. Kumar, “A two-stage deep learning framework for kidney stone detection and clinical severity grading in CT imaging,” Informatics Med. Unlocked, vol. 59, 2025, doi: 10.1016/j.imu.2025.101704.
M. A. Abid, Z. Dehghan, T. Shinde, and G. Narang, “Machine Learning based approaches for Identification and Prediction of diverse Mental Health Conditions,” in Proceedings of IEEE InC4 2023 - 2023 IEEE International Conference on Contemporary Computing and Communications, Trinity College of Engineering and Research, Computer Engineering Department, Pune, India: Institute of Electrical and Electronics Engineers Inc., 2023. doi: 10.1109/InC457730.2023.10263141.
P. Kaushik, E. Jain, K. S. Gill, D. Upadhyay, and S. Devliyal, “Comparative Analysis of Cassava Leaf Disease Prediction Using the Deep Learning Approach,” 2nd Int. Conf. Sustain. Comput. Smart Syst. ICSCSS 2024 - Proc., no. Icscss, pp. 1369–1373, 2024, doi: 10.1109/ICSCSS60660.2024.10625585.
Copyright (c) 2026 Rahadian Kusuma Atmaja, Ispandi Ispandi, Rino Ramadan, Oky Kurniawan, Andi Taufik
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
