Jurnal TRANSFORMATIKA Vol.
No.
Januari 2026, pp.
183 - 192
P-ISSN: 1693-3656.
E-ISSN: 2460-6731
https://journals.
id/index.
php/transformatika/ npage 183 Klasifikasi Tingkat Kematangan Nanas Berdasarkan Citra Warna dengan Metode SVM Zulkhan Arbi Toyibun Abdillah1*.
Adi Prihandono2 1Universitas Dian Nuswantoro Jalan Imam Bonjol No.
207 Semarang, e-mail: 111202214244@mhs.
2Universitas Dian Nuswantoro Jalan Imam Bonjol No.
207 Semarang, e-mail: adi.
prihandono@dsn.
ARTICLE INFO
History of the article :
Received 1 Desember 2026 Received in revised form 8 Januari 2026 Accepted 14 Januari 2026 Available online 31 Januari 2026 Keywords:
Support Vector Machine.
Klasifikasi Nanas.
Pengolahan Citra.
Principal Component Analysis (PCA).
Kematangan Buah * Correspondece:
Telepon:
E-mail:
111202214244@mhs.
ABSTRACT
Penentuan kematangan nanas manual bersifat subjektif dan tidak konsisten.
Penelitian ini bertujuan membangun sistem klasifikasi nanas (Matang.
SetengahMatang.
Menta.
yang objektif menggunakan Support Vector Machine (SVM) berbasis citra warna.
Metode ini menggunakan 2044 citra augmentasi.
Fitur warna mentah .
diekstraksi dan direduksi menggunakan Principal Component Analysis (PCA) menjadi 51 komponen untuk mengatasi overfitting.
Model SVM (RBF) dioptimalkan dengan GridSearchCV.
Hasilnya, model SVM (RBF Tune.
terpilih mencapai akurasi 81.
78% pada data uji, secara signifikan mengungguli KNN .
79%).
Model ini mencapai "Good Fit" dengan selisih overfit rendah .
04%).
Kesimpulannya, kombinasi SVM dan PCA valid dan efektif.
INTRODUCTION
Nanas (Ananas comosu.
merupakan salah satu komoditas hortikultura unggulan di Indonesia.
Nilai ekspor buah ini berkontribusi signifikan terhadap perekonomian, dimana nanas memiliki pangsa ekspor yang besar dari total nilai ekspor produk hortikultura Indonesia .
Peningkatan produksi nanas yang terus terjadi dalam beberapa tahun terakhir, seperti yang dilaporkan oleh Badan Pusat Statistik (BPS) .
, menuntut adanya manajemen pascapanen yang efektif untuk menjaga kualitas hasil panen.
Faktor kunci dalam manajemen pascapanen nanas adalah penentuan tingkat kematangan yang tepat.
Kematangan buah nanas adalah proses yang berlangsung dalam beberapa tahap, ditandai dengan perubahan warna kulit dari hijau tua, menjadi hijau kekuningan, hingga oranye kekuning-kuningan saat matang penuh .
Tingkat kematangan ini tidak hanya mempengaruhi rasa dan umur simpan buah, tetapi juga menjadi standar utama untuk menentukan kelayakan ekspor dan harga jual di pasar, baik lokal maupun internasional .
Hingga saat ini, metode yang dominan digunakan untuk menentukan kematangan nanas di tingkat petani atau industri skala kecil masih bersifat tradisional dan manual.
Proses ini umumnya TRANSFORMATIKA.
Vol.
No.
Januari 2026, pp.
mengandalkan pengamatan visual .
ata manusi.
terhadap warna dan tekstur kulit, perabaan fisik, serta perkiraan umur tanaman.
Ketergantungan pada metode konvensional ini menimbulkan permasalahan utama berupa variasi hasil penilaian antar individu serta ketidakkonsistenan dalam proses sortasi, terutama ketika dilakukan dalam jumlah besar atau oleh beberapa operator dengan pengalaman berbeda.
Selain itu, kajian literatur menyatakan bahwa penentuan tingkat kematangan secara manual cenderung bersifat subjektif dan tidak konsisten, sehingga mendorong pengembangan sistem otomatis yang lebih akurat dan efisien.
Untuk mengatasi kelemahan metode manual, penelitian di bidang teknologi pertanian telah beralih ke solusi yang lebih objektif dan otomatis menggunakan computer vision dan machine Beberapa penelitian seperti pada klasifikasi kematangan buah tomat menggunakan Support Vector Machine (SVM) telah menunjukkan hasil yang baik dalam pengenalan tingkat kematangan berbasis ciri citra digital .
Demikian pula, penelitian pada jeruk lemon menunjukkan bahwa SVM mampu memberikan akurasi tinggi hingga 97% dalam menentukan tingkat kematangan, mengungguli metode lain seperti Nayve Bayes .
Penelitian lain pada buah tomat juga menunjukkan keberhasilan metode Backpropagation (Jaringan Syaraf Tirua.
yang mampu mencapai akurasi 97.
29% dengan memanfaatkan fitur warna RGB dan HIS .
Pada komoditas lain seperti buah naga, pendekatan yang lebih sederhana menggunakan ekstraksi fitur HSV dan klasifikasi K-Nearest Neighbor (KNN) juga terbukti sangat efektif dengan akurasi 96.
7% .
Bahkan, untuk klasifikasi yang lebih kompleks seperti buah manggis, penerapan metode Deep Learning (CNN) yang didukung oleh augmentasi data secara ekstensif dilaporkan mampu mencapai akurasi hingga 100% .
Melihat keberhasilan Support Vector Machine (SVM) pada berbagai komoditas buah dan potensi computer vision untuk pemilahan nanas, penerapan metode SVM untuk klasifikasi tingkat kematangan nanas menjadi area penelitian yang relevan.
Studi sebelumnya menunjukkan bahwa SVM mampu memberikan performa yang kompetitif dalam klasifikasi tingkat kematangan buah jika dibandingkan dengan metode lain, seperti yang ditunjukkan pada penelitian klasifikasi kematangan buah mangga yang membandingkan SVM dengan Nayve Bayes dan menghasilkan kinerja SVM yang lebih stabil .
Beberapa penelitian sebelumnya telah mulai mengeksplorasi penggunaan SVM dan K-Nearest Neighbor (K-NN) untuk identifikasi kematangan nanas dengan hasil yang bervariasi .
Oleh karena itu, penelitian ini mengusulkan sebuah sistem klasifikasi tingkat kematangan nanas yang berfokus secara spesifik pada metode Support Vector Machine (SVM) berdasarkan analisis fitur dari citra warna.
Tujuan dari penelitian ini adalah untuk membangun dan mengevaluasi model SVM yang akurat dan efisien dalam mengklasifikasikan tingkat kematangan nanas, yang dapat menjadi dasar bagi pengembangan sistem sortir otomatis yang objektif dan konsisten.
RESEARCH METHODS
Penelitian ini merupakan penelitian eksperimental untuk membangun sistem klasifikasi kematangan buah nanas menggunakan metode machine learning klasik.
Metode yang digunakan dalam penelitian ini mengikuti alur sistematis seperti yang ditunjukkan pada flowchart.
Alur ini dirancang untuk membangun model klasifikasi yang optimal dan mengatasi masalah overfitting yang umum terjadi pada dataset citra Gambar 1 Tahapan Penelitian Klasifikasi Tingkat Kematangan Nanas Berdasarkan Citra Warna dengan Metode SVM (Zulkhan Arbi Toyibun Abdilla.
Identifikasi Masalah Tujuan dari penelitian ini adalah untuk merancang dan membangun sebuah sistem klasifikasi otomatis menggunakan machine learning klasik.
Sistem ini bertujuan untuk menentukan tingkat kematangan buah nanas (Mentah.
SetengahMatang.
Matan.
secara akurat hanya berdasarkan citra .
visual yang diambil dari kamera handphone.
Pengumpulan Dan Augmentasi Data Langkah awal adalah pengumpulan data .
ata acquisitio.
Dataset awal terdiri dari 511 gambar buah nanas yang dikumpulkan secara manual Menggunakan kamera Handphone, dibagi menjadi tiga kelas kematangan: 'Matang', 'Mentah', dan 'SetengahMatang'.
Dataset ini mencakup berbagai format gambar, termasuk file HEIC (High-Efficiency Image Fil.
Tabel 1.
Gambar Data Asli Kelas Gambar Asli Mentah Setengah Matang Matang Untuk mengatasi keterbatasan jumlah data dan mengurangi risiko overfitting, dilakukan proses augmentasi data.
Teknik augmentasi yang diterapkan meliputi transformasi rotasi, pembalikan citra .
orizontal flippin.
, serta perubahan intensitas warna .
olor jitte.
, seperti penyesuaian kecerahan dan kontras.
Proses ini bertujuan untuk meningkatkan keragaman data dan mensimulasikan variasi kondisi pencahayaan yang mungkin terjadi pada lingkungan nyata.
Melalui proses augmentasi ini, jumlah dataset meningkat dari 511 citra asli menjadi 2044 citra, yang selanjutnya digunakan pada tahap pelatihan dan pengujian model.
Preprocessing & Ekstrasi Fitur Metodologi ini menggunakan pendekatan machine learning klasik yang bergantung pada ekstraksi fitur secara manual.
DOI : https://doi.
org/10.
26623/transformatika.
TRANSFORMATIKA.
Vol.
No.
Januari 2026, pp.
Pemuatan dan Standardisasi Citra: Setiap gambar .
sli dan augmentas.
dimuat, dikonversi ke format BGR standar, dan diubah ukurannya .
menjadi 100x100 piksel.
Perataan Fitur (Feature Flattenin.
: Setiap gambar berukuran .
, 100, .
menjadi vektor fitur satu dimensi, menghasilkan 30.
000 fitur per gambar.
Standardisasi Fitur: Vektor 30.
000 fitur tersebut distandarisasi menggunakan StandardScaler untuk memastikan setiap fitur memiliki rata-rata 0 dan standar deviasi 1.
Reduksi Dimensi (PCA): Menggunakan 30.
000 fitur secara langsung tidak efisien dan menyebabkan overfitting.
Oleh karena itu.
Principal Component Analysis (PCA) diterapkan.
Melalui serangkaian eksperimen, ditemukan bahwa n_components=0.
empertahankan 70% varian.
adalah pengaturan optimal.
Ini mengurangi dimensi fitur dari 30.
000 menjadi 51 komponen utama .
Splitting Data Dataset 2044 gambar .
ang telah menjadi 51 fitur PCA) dibagi menjadi data latih .
dan data uji .
dengan rasio 60:40.
Ini menghasilkan 1226 sampel latih .
ntuk melatih mode.
dan 818 sampel uji .
ntuk evaluasi akhi.
Optimasi Parameter (GridSearchCV) Untuk memperoleh performa klasifikasi yang optimal dan mencegah overfitting, dilakukan optimasi parameter pada model Support Vector Machine (SVM) menggunakan metode GridSearchCV.
Proses optimasi ini dilakukan dengan skema k-fold cross-validation .
= .
, sehingga setiap kombinasi parameter dievaluasi secara menyeluruh pada data latih.
Parameter yang dioptimasi meliputi parameter regularisasi C dan parameter kernel gamma pada SVM dengan kernel Radial Basis Function (RBF).
Beberapa kombinasi nilai C dan gamma diuji untuk menemukan parameter yang memberikan kinerja terbaik berdasarkan skor akurasi validasi Model dengan kombinasi parameter terbaik selanjutnya dipilih sebagai model final dan digunakan untuk evaluasi pada data uji.
Pemilihan Model Terbaik Selama proses optimasi, beberapa model klasifikasi machine learning klasik dievaluasi.
Fokus utama adalah pada Support Vector Machine (SVM) dengan kernel Radial Basis Function (RBF), yang secara konsisten terbukti memberikan performa .
kor validasi silan.
tertinggi dibandingkan K-Nearest Neighbors (KNN) dan Random Forest.
Evaluasi Model Model terbaik yang dihasilkan oleh GridSearchCV .
erdasarkan skor validasi silang tertinggi dari langkah 5 dan .
kemudian dievaluasi kinerjanya menggunakan data uji .
yang belum pernah dilihat sebelumnya.
Metrik evaluasi utama meliputi:
A Laporan Tiga Akurasi: Perbandingan antara Akurasi Validasi.
Akurasi Latih, dan Akurasi Uji untuk menganalisis tingkat overfitting.
A Laporan Klasifikasi: Detail precision, recall, dan f1-score untuk setiap kelas.
A Confusion Matrix: Untuk memvisualisasikan di mana model paling sering melakukan kesalahan klasifikasi.
RESULTS
Setelah melalui proses pelatihan dan optimasi seperti yang dijelaskan pada bagian metode, dilakukan serangkaian evaluasi untuk menentukan model klasifikasi terbaik.
Bagian ini memaparkan temuan dan hasil dari eksperimen tersebut.
Sebagai langkah awal, dilakukan perbandingan performa dari beberapa algoritma machine learning klasik untuk memvalidasi pemilihan model .
Hasil perbandingan akurasi dari setiap model yang diuji menggunakan data uji disajikan pada Tabel 2.
Klasifikasi Tingkat Kematangan Nanas Berdasarkan Citra Warna dengan Metode SVM (Zulkhan Arbi Toyibun Abdilla.
Tabel 2.
Perbandingan Akurasi Model Klasifikasi pada Data Uji Model Klasifikasi Akurasi Test .
78%%)
SVM (RBF Tune.
SVM (Linear Tune.
K-Nearest Neighbors (KNN) .
Random Forest .
Gaussian Naive Bayes .
Perbandingan performa antar model ditunjukkan pada Tabel 2.
Berdasarkan hasil pengujian, model SVM dengan kernel RBF yang telah dituning menghasilkan akurasi tertinggi pada data uji sebesar 81,78%, mengungguli K-Nearest Neighbors .
,79%).
Random Forest .
,14%), dan Gaussian Naive Bayes .
,06%).
Hasil ini menunjukkan bahwa SVM (RBF) memiliki kemampuan generalisasi yang lebih baik pada dataset citra nanas dibandingkan metode lain yang diuji.
Tabel 3.
Hasil Klasifikasi Rinci Model SVM (RBF) Final Kelas Precision Recall F1-Score Support (Jumlah Sampe.
Matang Mentah SetengahMatang Average/Total (Weighted Av.
Evaluasi lebih lanjut terhadap model SVM (RBF) disajikan pada Tabel 3, yang menunjukkan nilai precision, recall, dan F1-score untuk setiap kelas kematangan.
Kelas Setengah Matang memperoleh performa terbaik dengan F1-score sebesar 0,85, sementara kelas Mentah memiliki F1-score terendah sebesar 0,80, mengindikasikan bahwa kelas ini paling sulit dibedakan oleh model.
Tabel 4.
Hasil Eksperimen Tuning PCA dan SVM (RBF) untuk Mengatasi Overfitting Eksperimen
Data
PCA
Grid C
(RBF)
Akurasi
Train (%) Akurasi
Test
(%)
Selisih (Overfi.
(%) Baseline .
Model Final .
Eksperimen Gagal 1 .
DOI : https://doi.
org/10.
26623/transformatika.
TRANSFORMATIKA.
Vol.
No.
Januari 2026, pp.
Eksperimen
Data
PCA
Grid C
(RBF)
Akurasi
Train (%) Akurasi
Test
(%)
Selisih (Overfi.
(%) Eksperimen Gagal 2 [C besa.
Tabel 4 menyajikan inti dari metodologi penelitian dan menceritakan "kisah" tentang bagaimana Model Final .
odel terbai.
berhasil ditemukan.
Tabel ini merangkum serangkaian eksperimen yang dilakukan untuk mengatasi masalah overfitting .
odel menghafa.
Tabel ini menunjukkan bahwa eksperimen awal .
eperti Eksperimen Gagal .
menderita overfitting parah, yang dibuktikan dengan Akurasi Train 100%.
Meskipun akurasi tesnya .
06%) terlihat tinggi, hasil ini tidak dapat diandalkan karena model hanya "menghafal", bukan "belajar".
Tabel ini kemudian membuktikan bahwa Model Final adalah yang paling unggul.
Dengan menggabungkan lebih banyak data .
0 ), reduksi PCA yang lebih agresif .
, dan parameter C yang lebih ketat (.
), model ini berhasil menghentikan "penghafalan" (Akurasi Train turun 82%) dan mencapai akurasi "jujur" yang tinggi (Akurasi Test 81.
78%) dengan selisih overfit terendah .
04%).
Gambar 2.
Visualisasi sebaran data setelah reduksi dimensi PCA 2D Hasil dari proses PCA ini divisualisasikan pada Gambar 2.
Plot sebaran .
catter plo.
ini menunjukkan bahwa 51 fitur baru tersebut berhasil mengelompokkan data berdasarkan kelasnya.
terlihat jelas bahwa kelas 'SetengahMatang' .
membentuk klaster yang terpisah di sisi kanan, membuktikan bahwa fitur PCA ini informatif.
Klasifikasi Tingkat Kematangan Nanas Berdasarkan Citra Warna dengan Metode SVM (Zulkhan Arbi Toyibun Abdilla.
Gambar 3.
Confusion Matrix Hasil Klasifikasi Model SVM (RBF Tune.
Distribusi kesalahan klasifikasi divisualisasikan menggunakan confusion matrix pada Gambar 3.
Model mampu mengklasifikasikan sebagian besar sampel dengan benar, namun kesalahan terbesar terjadi pada kelas Matang yang salah diprediksi sebagai Mentah.
Hal ini menunjukkan adanya kemiripan karakteristik warna antara kedua kelas tersebut.
Gambar 3.
Sampel Citra Hasil Augmentasi untuk Setiap Kelas Kematangan Gambar 4 menampilkan contoh citra hasil augmentasi untuk setiap kelas kematangan nanas.
Perubahan warna ekstrem yang terlihat pada beberapa citra, seperti dominasi warna kebiruan, merupakan dampak dari teknik augmentasi data .
isalnya color jitter dan perubahan intensitas warn.
yang bertujuan meningkatkan keragaman data dan ketahanan model terhadap variasi Warna tersebut tidak merepresentasikan kondisi warna asli buah nanas, dan data citra asli telah diverifikasi tidak mengandung anomali warna.
Hasil akurasi sebesar 81,78% yang diperoleh pada penelitian ini sejalan dengan temuan penelitian sebelumnya yang menunjukkan efektivitas Support Vector Machine (SVM) dalam klasifikasi tingkat kematangan buah berbasis citra.
pada klasifikasi kematangan buah kelapa sawit melaporkan akurasi yang lebih tinggi, yaitu sebesar 93%, dengan memanfaatkan kombinasi fitur warna dan tekstur.
Perbedaan tingkat akurasi tersebut dapat dipengaruhi oleh karakteristik objek dan fitur yang digunakan, di mana penelitian ini hanya mengandalkan informasi warna citra nanas yang memiliki variasi warna tidak seragam dan saling tumpang tindih antar tingkat kematangan.
Hal ini menunjukkan bahwa meskipun SVM terbukti efektif pada berbagai komoditas buah, kompleksitas visual objek dan pemilihan fitur sangat berpengaruh terhadap performa klasifikasi.
DISCUSSION
Hasil penelitian ini menunjukkan bahwa metode Support Vector Machine (SVM) yang diusulkan berhasil menjawab tantangan utama yang diidentifikasi dalam pendahuluan, yaitu DOI : https://doi.
org/10.
26623/transformatika.
TRANSFORMATIKA.
Vol.
No.
Januari 2026, pp.
subjektivitas dan inkonsistensi pemilahan nanas secara manual.
Model SVM (RBF Tune.
mencapai akurasi 81.
78%, membuktikan bahwa klasifikasi kematangan nanas secara otomatis dan objektif berdasarkan citra warna adalah pendekatan yang valid.
Seperti yang ditunjukkan pada Tabel 2, performa SVM (RBF Tune.
secara signifikan mengungguli model klasifikasi klasik lainnya, termasuk K-Nearest Neighbors .
79%) dan Random Forest .
14%).
Hal ini menarik, karena studi komparatif lain seperti oleh Muchtar & Muchtar .
pada buah mangga menemukan bahwa KNN .
75%) justru sedikit lebih unggul dari SVM .
5%) .
, yang menunjukkan bahwa pilihan model terbaik dapat bervariasi tergantung pada karakteristik dataset buah yang spesifik.
Pencapaian akurasi 81.
78% bukanlah sekadar hasil dari penerapan algoritma tunggal, melainkan hasil dari metodologi yang cermat untuk memerangi overfitting.
Seperti ditunjukkan pada Tabel 4, eksperimen awal (Eksperimen Gagal .
yang menggunakan parameter kurang ketat menghasilkan akurasi latih 100%, sebuah indikasi jelas dari 'penghafalan' data.
Kunci keberhasilan penelitian ini terletak pada dua langkah metodologis utama, yaitu reduksi dimensi agresif menggunakan Principal Component Analysis (PCA) dari 30.
000 fitur menjadi 51 komponen utama, serta tuning parameter regularisasi C yang ketat .
2Ae0.
untuk mencapai kondisi good fit.
Pendekatan ini memungkinkan model mengurangi kompleksitas data dan menekan risiko overfitting, yang ditunjukkan oleh selisih akurasi latih dan uji yang relatif rendah .
04%).
Penggunaan PCA untuk reduksi fitur adalah praktik yang tervalidasi.
penelitian pada klasifikasi kematangan ceri kopi juga mengimplementasikan PCA untuk mereduksi dimensi data fitur warna sebelum melakukan klasifikasi, yang terbukti efektif meningkatkan efisiensi .
Analisis mendalam terhadap hasil rinci memberikan wawasan tentang perilaku model.
Confusion matrix pada Gambar 3 menunjukkan bahwa tantangan terbesar model adalah membedakan antara kelas 'Matang' dan 'Mentah', di mana 40 sampel 'Matang' salah diklasifikasikan sebagai 'Mentah'.
Temuan ini didukung kuat oleh visualisasi PCA pada Gambar 2.
Plot PCA menunjukkan bahwa meskipun kelas 'SetengahMatang' .
membentuk klaster yang relatif terpisah , kelas 'Matang' .
dan 'Mentah' .
menunjukkan tumpang tindih .
yang Ini mengindikasikan bahwa fitur warna yang diekstraksi dari kedua kelas tersebut memiliki kemiripan yang tinggi, sehingga menjadi batas keputusan yang paling sulit bagi model SVM.
Hal ini juga tercermin pada Tabel 3, di mana kelas 'Mentah' mencatat F1-Score terendah .
Jika dibandingkan dengan penelitian terkait pada pendahuluan, akurasi 81.
78% ini memperkuat temuan sebelumnya tentang efektivitas SVM untuk klasifikasi buah, seperti pada Meskipun akurasi ini belum setinggi 97% yang dicapai pada lemon, hal ini dapat dipahami mengingat kompleksitas visual nanas.
Nanas memiliki perubahan warna yang tidak seragam dan berbintik-bintik .
ari hijau, kuning, hingga orany.
, yang merupakan masalah klasifikasi yang secara inheren lebih sulit daripada perubahan warna seragam pada lemon.
Keterbatasan utama penelitian ini adalah ketergantungan penuh pada fitur warna mentah yang diratakan .
000 fitu.
Penelitian ini tidak menyertakan fitur tekstur .
eperti GLCM, yang disebutkan dalam studi tomat ) atau fitur bentuk, yang dapat menjadi area perbaikan untuk penelitian di masa depan.
CONCLUSIONS AND RECOMMENDATIONS
Penelitian ini mengusulkan metode klasifikasi tingkat kematangan buah nanas berbasis citra warna menggunakan Support Vector Machine (SVM) yang dipadukan dengan reduksi dimensi Principal Component Analysis (PCA) dan optimasi parameter melalui GridSearchCV.
Pendekatan ini merupakan peningkatan dibandingkan metode klasifikasi nanas sebelumnya yang umumnya menggunakan fitur warna secara langsung tanpa reduksi dimensi dan optimasi parameter.
Dibandingkan dengan model klasifikasi nanas tanpa PCA dan GridSearchCV, metode yang diusulkan mampu mengurangi kompleksitas fitur dan menekan overfitting, sehingga menghasilkan model yang lebih stabil dan memiliki kemampuan generalisasi yang lebih baik.
Dengan demikian.
Klasifikasi Tingkat Kematangan Nanas Berdasarkan Citra Warna dengan Metode SVM (Zulkhan Arbi Toyibun Abdilla.
kombinasi SVM.
PCA, dan GridSearchCV terbukti efektif sebagai peningkatan metodologi dalam klasifikasi kematangan nanas berbasis citra warna.
Untuk penelitian selanjutnya, disarankan untuk menggabungkan fitur tambahan selain warna.
Penggunaan fitur tekstur .
isalnya GLCM, seperti yang disebutkan pada penelitian tomat ) atau fitur bentuk dapat dieksplorasi untuk membantu model membedakan dengan lebih baik antara kelas 'Matang' dan 'Mentah' yang tumpang tindih.
Disarankan untuk memperluas dataset penelitian dengan mencakup lebih banyak variasi, seperti kondisi pencahayaan yang berbeda, varietas nanas yang beragam, dan sudut pengambilan gambar yang berbeda, untuk meningkatkan ketahanan dan generalisasi model di dunia nyata.
Sebagai prospek pengembangan, model SVM yang telah divalidasi ini dapat diimplementasikan ke dalam aplikasi real-time, seperti aplikasi smartphone untuk petani atau diintegrasikan ke dalam sistem penyortir otomatis .
onveyor bel.
untuk pengujian fungsional di lingkungan industri pascapanen.
REFERENCES