Analisis Fitur Warna dan Tekstur pada Klasifikasi Rasa Buah Jeruk Medan Menggunakan Metode Support Vector Machine

Asteniva Gultom; Supatman Supatman

doi:10.58794/jekin.v6i3.2239

Authors

Asteniva Gultom Universitas Mercu Buana Yogyakarta
Supatman Supatman Universitas Mercu Buana Yogyakarta

DOI:

https://doi.org/10.58794/jekin.v6i3.2239

Keywords:

Jeruk Medan, Klasifikasi Rasa, HSV, LAB, GLCM, Support Vector Machine

Abstract

Menentukan rasa buah jeruk tanpa mencicipinya secara langsung masih menjadi tantangan nyata bagi petani dan pedagang Jeruk Medan hingga saat ini. Cara yang digunakan selama ini yaitu mencicipi langsung setiap buah, padahal cara ini merusak buah dan tidak bisa dilakukan untuk banyak buah dalam waktu yang sama. Penelitian ini menganalisis fitur warna dan tekstur permukaan kulit buah untuk mengklasifikasikan rasa Jeruk Medan manis, hambar, dan asam menggunakan metode Support Vector Machine (SVM). SVM dipilih karena kemampuannya yang terbukti efektif dalam menangani data dengan jumlah fitur yang banyak hasil dari ekstraksi citra, serta mampu menemukan batas pemisah terbaik antar kelas dibandingkan metode lain seperti K-Nearest Neighbor maupun Decision Tree. Sebanyak 496 foto buah dikumpulkan langsung dari lapangan yang terdiri dari tiga kelas: manis (183 foto), hambar (113 foto), dan asam (200 foto). Fitur warna diekstraksi dari ruang warna HSV dan LAB, sedangkan fitur tekstur diekstraksi menggunakan Gray Level Co-occurrence Matrix (GLCM). Dari pengujian lima konfigurasi fitur, konfigurasi HSV+LAB dipilih sebagai konfigurasi final karena menghasilkan akurasi 79,00% dengan waktu proses paling cepat. Kelas asam dikenali paling baik dengan F1-score 0,89, diikuti kelas manis 0,84, sementara kelas hambar memperoleh 0,47 karena warnanya berada di antara dua kelas lainnya. Hasil ini menunjukkan bahwa klasifikasi rasa jeruk berbasis citra berpotensi sebagai alat bantu seleksi buah non-destruktif, sehingga petani dan pedagang dapat menilai kualitas rasa secara cepat tanpa harus merusak buah.

Views

0 kali

Downloads

0 kali

Downloads

Download data is not yet available.

References

[1] E. P. Yudha and A. Nugraha, "Analisis Daya Saing Komoditas Jeruk Indonesia di Pasar Internasional," Jurnal Ilmiah Mahasiswa AGROINFO GALUH, vol. 10, no. 2, pp. 1514–1528, 2023. [Online]. Available: https://jurnal.unigal.ac.id/agroinfogaluh/article/view/16174

[2] S. Napitu, R. P. Panjaitan, P. A. Nulhakim, and M. K. Lubis, "Klasifikasi Buah Jeruk Segar dan Busuk Berdasarkan RGB dan HSV Menggunakan Metode KNN," Jurnal Saintekom, vol. 13, no. 2, pp. 214–221, 2023. doi: 10.33020/saintekom.v13i2.420.

[3] D. Mualfah, H. Rivaldi, J. Al Amin, and Sunanto, "Klasifikasi Buah Jeruk Lemon Berdasarkan Tingkat Kematangan Menggunakan Metode SVM dan Naive Bayes," Journal of Software Engineering and Information System, vol. 5, no. 2, pp. 114–121, 2025. [Online]. Available: https://ejurnal.umri.ac.id/index.php/SEIS/article/view/9952

[4] Prihastinur, "Klasifikasi Kematangan Buah Naga Berdasarkan Fitur Warna Menggunakan Algoritma Multi-Class Support Vector Machine," JINTEKS, vol. 5, no. 1, pp. 121–126, 2023. doi: 10.51401/jinteks.v5i1.2203.

[5] N. A. Arifuddin, "Komparasi Naïve Bayes dan Support Vector Machine dalam Klasifikasi Jenis Citrus," Techno.Com, vol. 22, no. 2, pp. 409–417, 2023. doi: 10.33633/tc.v22i2.7777.

[6] D. Kiswanto, "Identifikasi Variasi Paprika Berbasis Analisis Citra Digital Menggunakan Algoritma SVM," ISAINTEK, vol. 7, no. 2, pp. 209–220, 2024. doi: 10.55606/isaintek.v7i2.282.

[7] G. P. Mindara, "Perbandingan Kinerja Algoritma KNN dan SVM dalam Klasifikasi Kematangan Buah Jeruk Medan Berdasarkan Citra Digital," SKANIKA, vol. 9, no. 1, pp. 159–170, 2026. doi: 10.36080/skanika.v9i1.3661.

[8] A. N. Amalina et al., "Perubahan Warna dan Total Padatan Terlarut pada Jeruk, Tomat, serta Jagung setelah Perebusan," Journal of Food and Culinary, vol. 8, no. 1, pp. 1–10, 2025.

[9] M. L. Malau, S. Wulandari, and D. Kiswanto, "Penerapan Pengolahan Citra Digital untuk Klasifikasi Rasa Jeruk Berastagi Berdasarkan Warna dan Tekstur dengan Metode Klasifikasi SVM," Jurnal Pendidikan Teknologi Informasi dan Vokasional, vol. 7, no. 1, pp. 86–101, 2025. doi: 10.23960/jptiv.v7i1.32589.

[10] D. Granados-Lieberman et al., "Non-Destructive Classification of Sweetness and Firmness in Oranges Using ANFIS and a Novel CCI-GLCM Image Descriptor," Applied Sciences, vol. 15, no. 19, p. 10464, 2025. doi: 10.3390/app151910464.

[11] D. F. A. Riza, Y. Hendrawan, and N. Kondo, "Prediction of the Maturity Level of Pontianak Oranges Using Color and Texture Features of Digital Reflectance-Fluorescence Images and PLS Model," Proceedings of the 2023 Brawijaya International Conference, pp. 125–132, 2024. doi: 10.2991/978-94-6463-525-6_14.

[12] B. Dhiman, Y. Kumar, and M. Kumar, "Fruit Quality Evaluation Using Machine Learning Techniques: Review, Motivation and Future Perspectives," Multimedia Tools and Applications, vol. 81, pp. 16255–16277, 2022. doi: 10.1007/s11042-022-11939-8.

[13] W. Albattah, M. Nawaz, A. Javed, M. Masood, and S. Albahli, "Predicting Fruit's Sweetness Using Artificial Intelligence — Case Study: Orange," Applied Sciences, vol. 12, no. 16, p. 8233, 2022. doi: 10.3390/app12168233.

[14] A. Zeb, S. Ahmad, H. Ullah, and Z. Khan, "Towards Sweetness Classification of Orange Cultivars Using Short-Wave NIR Spectroscopy," Scientific Reports, vol. 13, p. 262, 2023. doi: 10.1038/s41598-022-27297-2.

[15] P. Wang, E. Fan, and P. Wang, "Comparative Analysis of Image Classification Algorithms Based on Traditional Machine Learning and Deep Learning," Pattern Recognition Letters, vol. 141, pp. 61–67, 2021. doi: 10.1016/j.patrec.2021.07.007.

[16] S. Faisal, "Klasifikasi Jenis Buah Tomat Menggunakan Algoritma K-Nearest Neighbor dan Support Vector Machine," JINTEKS, vol. 7, no. 2, pp. 800–807, 2025. doi: 10.51401/jinteks.v7i2.5743.

[17] J. C. Lapendy, A. A. C. Resky, H. Makmur, A. B. Kaswar, D. D. Andayani, and F. Adiba, "Klasifikasi Rasa Jeruk Siam Berdasarkan Warna dan Tekstur Berbasis Pengolahan Citra Digital," JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 9, no. 2, pp. 756–767, 2024. doi: 10.29100/jipi.v9i2.5384.