Implementasi Algoritma Support Vector Machine Pada Klasifikasi Kematangan Cabai Rawit

Cabai rawit (Capsicum frutescens) merupakan komoditas penting di Indonesia, namun ketergantungan impor masih tinggi akibat kendala sortasi dan distribusi yang tidak merata. Proses sortasi manual seringkali tidak akurat, menyebabkan cabai mentah, matang, atau rusak tercampur, sehingga menurunkan kualitas dan nilai jual. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis kondisi kematangan cabai rawit menggunakan algoritma Support Vector Machine (SVM) dengan ekstraksi fitur kombinasi HSV, GLCM, dan Local Binary Pattern (LBP). Metode yang digunakan meliputi augmentasi data, segmentasi berbasis HSV thresholding, serta ekstraksi fitur warna dan tekstur. Hasil evaluasi menunjukkan model SVM dengan kernel RBF mencapai F1-Score % pada data training dan 73,94% pada data uji, dengan performa terbaik pada kelas matang (akurasi 91%). Namun, kelas rusak memiliki akurasi lebih rendah (73%) akibat ketidakseimbangan data. Simpulan penelitian ini menunjukkan bahwa kombinasi fitur HSV, GLCM, dan LBP efektif untuk klasifikasi, namun perlu pengembangan dataset dan pendekatan deep learning seperti CNN-SVM untuk meningkatkan akurasi pada kelas minoritas.

Kata kunci: Cabai Rawit, Kondisi Kematangan, Klasifikasi, Machine Learning, Support Vector Machine (SVM), HSV, GLCM, LBP