Klasifikasi Jenis Kurma Berdasarkan Fitur Warna, Bentuk, dan Tekstur Dengan Support Vector Machine

Abstrak

Penelitian ini dilakukan untuk mengatasi kesulitan dalam membedakan jenis kurma yang banyak beredar di Indonesia, yaitu Ajwa, Sukari, dan Medjool, yang sering kali memiliki karakteristik visual mirip. Tujuan penelitian adalah mengembangkan sistem klasifikasi otomatis berbasis pengolahan citra digital dan machine learning. Data citra kurma dikumpulkan dan melalui tahapan pra-pemrosesan, segmentasi dengan adaptive thresholding dan operasi morfologi, dilanjutkan dengan ekstraksi fitur warna (HSV mean dan standar deviasi), bentuk (luas area dan moment invariants), serta tekstur (GLCM). Fitur yang dihasilkan kemudian diklasifikasikan menggunakan Support Vector Machine (SVM) dengan validasi silang k-fold serta optimasi parameter melalui Grid Search, menggunakan kernel linear dan RBF. Hasil penelitian menunjukkan akurasi yang sangat tinggi, dengan rata-rata akurasi 96.86% pada kernel linear dan 88.33% pada kernel RBF, dengan model terbaik pada kernel linear dengan parameter C=100. Minimnya kesalahan klasifikasi menunjukkan bahwa fitur yang digunakan mampu membedakan ketiga jenis kurma secara konsisten. Temuan ini membuktikan bahwa metode berbasis ekstraksi fitur klasik yang dipadukan dengan SVM masih sangat kompetitif dan efisien, terutama pada dataset terbatas. Implikasi dari penelitian ini adalah potensi penerapannya dalam mendukung industri perdagangan buah impor serta sebagai acuan untuk penelitian lanjutan di bidang agro-informatika.