PERBANDINGAN METODE KNN DAN SVM DALAM KLASIFIKASI JENIS BUAH MANGGA BERDASARKAN CITRA HSV

Abstrak

Klasifikasi jenis buah mangga merupakan langkah penting dalam pengelompokan dan pengolahan hasil pertanian. Penelitian ini membandingkan performa dua metode pembelajaran mesin, yaitu K-Nearest Neighbors (KNN) dan Support Vector Machine (SVM), dalam klasifikasi jenis mangga berdasarkan citra digital dengan model warna HSV. Dataset yang digunakan terdiri atas 400 citra mangga dari empat jenis berbeda, yang diolah untuk mengekstraksi fitur statistik pada ruang warna HSV. Hasil eksperimen menunjukkan bahwa metode SVM unggul dengan akurasi dan recall sebesar 65%, serta precision sebesar 67%, dibandingkan dengan metode KNN yang menghasilkan akurasi dan recall sebesar 65%, namun precision hanya mencapai 65%. Hal ini menunjukkan bahwa algoritma SVM memiliki keunggulan dalam menangani data dengan distribusi yang kompleks. Penelitian ini diharapkan dapat mendukung pengembangan teknologi pengolahan citra untuk aplikasi di sektor pertanian, khususnya dalam sistem otomatis pengenalan dan klasifikasi buah. Hasil penelitian ini dapat menjadi dasar bagi pengembangan sistem klasifikasi otomatis yang lebih efektif dan efisien. Penelitian lanjutan disarankan untuk mengeksplorasi optimasi parameter pada kedua metode atau mengadopsi pendekatan berbasis pembelajaran mendalam (deep learning) guna memperoleh hasil yang lebih optimal.