Klasifikasi Tingkat Kematangan Buah Mangga Berdasarkan Fitur Warna Menggunakan K-NN dan SVM

Abstract

Mangga merupakan salah satu komoditas buah yang memiliki tingkat produksi yang cukup tinggi di Indonesia. Penilaian kondisi buah secara manual masih memiliki keterbatasan karena bergantung pada persepsi pengamat sehingga hasil penilaian dapat bersifat subjektif dan kurang konsisten. Perkembangan teknologi pengolahan citra digital memungkinkan proses klasifikasi buah mangga dilakukan secara otomatis berdasarkan karakteristik warna. Oleh karena itu, penelitian ini bertujuan menganalisis dan membandingkan kinerja algoritma K-Nearest Neighbor (K-NN) dan Support Vector Machine (SVM) dalam mengklasifikasikan buah mangga ke dalam kelas matang dan mentah berdasarkan fitur warna Hue, Saturation, Value (HSV) dan Red, Green, Blue (RGB). Penelitian menggunakan dataset sekunder sebanyak 300 citra mangga yang terdiri atas tiga jenis mangga, yaitu Harum Manis, Kweni, dan Manalagi. Masing-masing jenis mangga terdiri atas dua kelas, yaitu matang dan mentah, dengan jumlah data yang seimbang. Dataset dibagi menjadi data latih dan data uji dengan perbandingan 80:20, sehingga diperoleh 240 citra untuk data latih dan 60 citra untuk data uji. Tahapan penelitian meliputi resizing citra menjadi 224 × 224 piksel, penghapusan background menggunakan metode GrabCut, ekstraksi fitur warna RGB dan HSV, normalisasi fitur menggunakan Min-Max Scaling, serta proses klasifikasi menggunakan algoritma K-NN dan SVM. Kinerja klasifikasi dievaluasi berdasarkan nilai akurasi dan confusion matrix. Hasil penelitian menunjukkan bahwa algoritma K-NN memberikan performa klasifikasi yang lebih baik dibandingkan SVM pada konfigurasi parameter yang digunakan dalam penelitian. Akurasi tertinggi diperoleh K-NN menggunakan fitur RGB pada mangga Kweni sebesar 100%, sedangkan akurasi terendah diperoleh pada mangga Manalagi menggunakan fitur RGB sebesar 60%. Hasil pengujian menunjukkan bahwa fitur RGB memberikan hasil klasifikasi yang lebih baik pada mangga Harum Manis dan Kweni, sedangkan fitur HSV memberikan hasil terbaik pada mangga Manalagi. Perbedaan performa tersebut menunjukkan bahwa karakteristik warna pada masing-masing jenis mangga memengaruhi hasil klasifikasi. Berdasarkan hasil penelitian, K-NN memberikan performa klasifikasi yang lebih baik dibandingkan SVM pada dataset dan konfigurasi parameter yang digunakan. Pemilihan ruang warna juga memengaruhi performa klasifikasi, sehingga karakteristik warna masing-masing jenis mangga perlu dipertimbangkan dalam pemilihan fitur klasifikasi. Penelitian selanjutnya disarankan menggunakan dataset yang lebih besar dan kondisi citra yang lebih beragam, serta melakukan hyperparameter tuning pada SVM untuk memperoleh perbandingan performa yang lebih optimal.