| dc.description.abstract | Karakteristik yang diinginkan dari buah melon oleh konsumen meliputi rasa manis, ukuran buah sedang hingga besar, daging tebal dengan warna menarik dan tekstur renyah, serta masa simpan yang relatif lama. Memprediksi waktu panen menjadi hal yang penting terkait masa simpan buah dengan harapan buah melon dapat mencapai konsumen dalam keadaan dan kualitas terbaik, serta memberikan pengalaman yang memuaskan bagi konsumen. Ketersediaan tenaga kerja pemanen dengan kemampuan yang mumpuni dalam menentukan buah melon yang akan dipanen menjadi salah satu kendala. Penggunaan robot pengawas pertanian dalam pemanenan buah melon merupakan salah satu solusi yang efektif dalam mengatasi permasalahan tersebut. Robot pengawas pertanian ini membutuhkan sistem yang mampu memprediksi stadia kematangan buah melon untuk dipanen. Penelitian ini fokus pada analisis perbandingan kinerja antara dua algoritma machine learning yaitu Support Vector Machine (SVM) dan Random Forest (RF), dengan tujuan menentukan pilihan optimal saat menerapkannya pada perangkat komputasi terbatas. Hasil penelitian menunjukkan SVM dan RF memiliki nilai akurasi yang baik, masing-masing 82% dan 73%. Keduanya juga memiliki waktu komputasi yang cepat, dengan rata-rata waktu inferensi masing-masing 2,14 detik dan 2,15 detik. Rata-rata penggunaan CPU pada algoritma SVM lebih tinggi dibandingkan dengan algoritma RF yaitu 17,80% sedangkan RF 15,48%. Meskipun SVM memiliki precision, recall, f-score, dan AUC yang sedikit lebih tinggi dibandingkan dengan RF, namun setelah dilakukan independent 2-samples t-test terhadap inference time dan penggunaan CPU, didapatkan hasil bahwa tidak ada perbedaan nyata antara SVM dan RF. Keduanya sama-sama memiliki kinerja yang baik dan masuk ke dalam kategori good classification. Meninjau hal tersebut, algoritma RF menjadi algoritma yang disarankan karena memiliki tingkat akurasi yang baik, waktu komputasi cepat, dan penggunaan rata-rata sumberdaya CPU lebih rendah. | id |
