<![CDATA[Tingkat kematangan buah nanas sangat diperlukan terutama bagi para petani dan penjual serta konsumen yang akan membeli buah nanas. Permasalahan yang terjadi yaitu saat pemanenan buah nanas, pemilihan sangat bergantung pada persepsi petani dengan cara melihat warna kulit dan mencium aroma. Pemilihan buah nanas secara manual membutuhkan waktu yang lama serta menghasilkan pemanenan buah nanas memiliki tingkat kematangan yang tidak merata, ini dikarenakan tingkat konsisten manusia sangat beragam dalam menilai kematangan. Pengolahan data mining sangat tepat digunakan untuk mengklasifikasikan tingkat kematangan buah nanas. Penelitian ini menggunakan 299 buah nanas dengan tiga tingkat kematangan yaitu belum matang, setengah matang, dan matang. Langkah pertama adalah preprocessing image dengan ekstraksi warna red, green, dan blue, selanjutnya penentuan parameter nilai histogram yaitu mean, variance, skewness, kurtosis, dan entropy. Metode klasifikasi yang digunakan Support Vector Machine (SVM), metode ini digunakan untuk membentuk model klasifikasi saat proses pemanenan serta dapat mengurangi subjektifitas para petani dalam menentukan buah nanas yang akan dipanen. Hasil klasifikasi berdasar data histogram didapat nilai akurasi sebesar 65.59%, precision 65.99%, class recall sebesar 66.25%, dan f-measure sebesar 66.11%. Berdasarkan kurva receiver operating characteristics model klasifikasi yang telah dihasilkan merupakan classifier yang baik, hal ini ditandai dengan titik SVM berada diatas garis threshold.]]>
Copyrights © 2022
