Tinjauan Literatur Sistematis (SLR) Klasifikasi Kematangan Buah Sawit Berdasarkan Citra Warna Menggunakan Algoritma SVM Dan KNN
Keywords:
citra warna, klasifikasi, buah sawit, tinjauan literatur sistematisAbstract
Kelapa sawit merupakan komoditas utama dalam perekonomian Indonesia, dengan produksi Crude Palm Oil (CPO) yang mencapai 45,5 juta ton pada tahun 2022 dan luas perkebunan sebesar 16,38 juta hektar. Penentuan kematangan buah sawit sangat penting dalam menghasilkan kualitas CPO yang tinggi, namun metode konvensional yang subjektif sering kali kurang akurat dan menimbulkan kerugian. Penelitian ini bertujuan untuk melakukan tinjauan literatur sistematis dalam mengkaji metode klasifikasi kematangan buah sawit berbasis pengolahan citra digital, khususnya menggunakan algoritma Support Vector Machine (SVM) dan K-Nearest Neighbor (KNN). Hasil studi menunjukkan bahwa kedua algoritma ini memiliki kelebihan masing-masing; SVM terbukti memiliki akurasi tinggi pada klasifikasi multiclass, sedangkan KNN unggul dalam kesederhanaan dan efektivitasnya pada dataset besar. Faktor kualitas citra dan jumlah dataset juga mempengaruhi akurasi klasifikasi. Dengan pemanfaatan teknologi pengolahan citra, klasifikasi kematangan sawit dapat dilakukan secara lebih objektif, efisien, dan konsisten, sehingga diharapkan dapat meningkatkan produktivitas serta kualitas ekspor minyak kelapa sawit
References
[2] E. F. Himmah, M. Widyaningsih, And M. Maysaroh, “Identifikasi Kematangan Buah Kelapa Sawit Berdasarkan Warna Rgb Dan Hsv Menggunakan Metode K-Means Clustering,” Jurnal Sains Dan Informatika, Vol. 6, No. 2, Pp. 193–202, 2020.
[3] R. Kurniawan, “Klasifikasi Tingkat Kematangan Buah Sawit Berdasarkan Ekstraksi Fitur Rgb Dan Glcm Menggunakan Algoritma K-Nn,” Jurnal Ilmiah Komputasi, Vol. 22, No. 4, Pp. 457–466, 2023.
[4] A. Ritonga, I. S. Nasution, And A. A. Munawar, “Klasifikasi Kematangan Tandan Buah Segar Kelapa Sawit (Elaeis Guineensis Jacq) Menggunakan Pengolahan Citra Digital,” Jurnal Ilmiah Mahasiswa Pertanian, Vol. 8, No. 3, 2023.
[5] M. Arief, “Klasifikasi Kematangan Buah Jeruk Berdasarkan Fitur Warna Menggunakan Metode Svm,” Journal Of Computer Science And Visual Communication Design, Vol. 4, No. 1, Pp. 9–16, 2019.
[6] J. Saputra, Y. Sa’adati, V. Y. P. Ardhana, And M. Afriansyah, “Klasifikasi Kematangan Buah Alpukat Mentega Menggunakan Metode K-Nearest Neighbor Berdasarkan Warna Kulit Buah,” Resolusi: Rekayasa Teknik Informatika Dan Informasi, Vol. 3, No. 5, Pp. 196–203, 2023.
[7] M. L. Laia And Y. Setyawan, “Perbandingan Hasil Klasifikasi Curah Hujan Menggunakan Metode Svm Dan Nbc,” Jurnal Statistika Industri Dan Komputasi, Vol. 5, No. 02, Pp. 51–61, 2020.
[8] H. Khotimah And N. Nafi’iyah, “Klasifikasi Kematangan Buah Mangga Berdasarkan Citra Hsv Dengan Knn,” Jurnal Elektronika Listrik Dan Teknologi Informasi Terapan, Vol. 1, No. 2, Pp. 1–4, 2019.
[9] S. Ratna, “Pengolahan Citra Digital Dan Histogram Dengan Phyton Dan Text Editor Phycharm,” Technologia: Jurnal Ilmiah, Vol. 11, No. 3, Pp. 181–186, 2020.
[10] N. Astrianda, “Klasifikasi Kematangan Buah Tomat Dengan Variasi Model Warna Menggunakan Support Vector Machine,” Vocatech: Vocational Education And Technology Journal, Vol. 1, No. 2, Pp. 110–117, 2020.
[11] M. Muchtar And R. A. Muchtar, “Perbandingan Metode Knn Dan Svm Dalam Klasifikasi Kematangan Buah Mangga Berdasarkan Citra Hsv Dan Fitur Statistik,” Jurnal Informatika Dan Teknik Elektro Terapan, Vol. 12, No. 2, 2024.
