KLASIFIKASI KEMATANGAN PISANG BERDASARKAN CITRA WARNA KULIT MENGGUNAKAN DECISION TREE DAN SUPPORT VECTOR MACHINE DENGAN INTEGRASI YOLOV8
Abstract
Di Indonesia, panen pisang sering dilakukan sebelum buah mencapai kematangan fisiologis. Akibatnya, seringkali pisang yang belum matang beredar di pasaran. Tujuan dari penelitian ini adalah untuk mengevaluasi akurasi dua algoritma Machine Learning, yaitu Decision Tree dan Support Vector Machine (SVM) untuk menentukan tingkat kematangan pisang dengan menggunakan dataset 6000 gambar pisang yang dikategorikan unripe, ripe, overripe, dan rotten. Dataset dipecah dalam rasio 80:20 untuk data latih dan data uji. Kemudian, metrik akurasi, presisi, recall, dan skor F1 digunakan untuk menguji. Hasil pengujian menunjukkan algoritma SVM memiliki akurasi tertinggi 92%, melampaui Decision Tree yang memiliki akurasi 82%. Model SVM Terbaik kemudian dikombinasikan dengan YOLOv8 untuk identifikasi kematangan pisang secara real-time menggunakan kamera. Penelitian ini memberikan kontribusi dengan menunjukkan efektivitas kombinasi HSV-SVM serta implementasi real-time menggunakan YOLOv8 menawarkan solusi praktis untuk pemantauan kualitas pisang secara otomatis.
References
[1] D. Andriansyah, E. Mufida, N. Iriadi, R. S. Anwar, and L. K. Rahayu, “Klasifikasi Kualitas Buah Pisang Berdasarkan Waktu Panen dan Tingkat Kematangan Menggunakan Metode SVM & KNN,†SATIN - Sains dan Teknol. Inf., vol. 10, no. 1, pp. 147–156, 2023, doi: 10.33372/stn.v9i2.1000.
[2] Rendika Efando and Anisya Sonita, “Klasifikasi Tingkat Kematangan Buah Matoa Menggunakan Metode PCA dan KNN Berdasarkan Warna RGB,†JSAI (Journal Sci. Appl. Informatics), vol. 8, no. 2, pp. 337–346, Jun. 2025, doi: 10.36085/jsai.v8i2.7851.
[3] Tjokorda Istri Agung Pandu Yuni Maharani, I Gusti Agung Indrawan, Gede Dana Pramitha, Christina Purnama Yanti, and I Made Marthana Yusa, “Classification of Cavendish Banana Ripeness With CNN Method,†Indones. J. Data Sci., vol. 6, no. 2, pp. 203–210, Jul. 2025, doi: 10.56705/ijodas.v6i2.259.
[4] Y. A. Nisa, C. A. Sari, E. H. Rachmawanto, and N. Mohd Yaacob, “Ambon Banana Maturity Classification Based On Convolutional Neural Network (CNN),†SinkrOn, vol. 8, no. 4, pp. 2568–2578, Oct. 2023, doi: 10.33395/sinkron.v8i4.12961.
[5] A. W. Hastungkoro, A. D. Putro Wicaksono, and Y. Diah Rosita, “Klasifikasi Kualitas dan Kematangan Pisang Cavendish Menggunakan Convolutional Neural Network,†J. SAINTEKOM, vol. 14, no. 2, pp. 185–194, Sep. 2024, doi: 10.33020/saintekom.v14i2.686.
[6] R. E. Saragih, Y. Pernando, A. J. Santoso, Y. Roza, M. KH, and I. Verdian, “Optimizing the Sorting of Barangan Bananas Through Hybrid and Transfer Learning Approaches,†no. April, 2025, doi: 10.24507/icicel.19.04.459.
[7] R. Musa and M. Akbar, “Identification of Formaldehyde Bananas using Learning Vector Quantization,†Indones. J. Inf. Syst., vol. 3, no. 2, pp. 160–170, Feb. 2021, doi: 10.24002/ijis.v3i2.4110.
[8] A. Sattar, M. A. M. Ridoy, A. K. Saha, H. M. H. Babu, and M. N. Huda, “A comprehensive approach to detecting chemical adulteration in fruits using computer vision, deep learning, and chemical sensors,†Intell. Syst. with Appl., vol. 23, no. June, p. 200402, Sep. 2024, doi: 10.1016/j.iswa.2024.200402.
[9] R. Kosasih, S. Sudaryanto, and A. Fahrurozi, “Classification of six banana ripeness levels based on statistical features on machine learning approach,†Int. J. Adv. Appl. Sci., vol. 12, no. 4, pp. 317–326, Dec. 2023, doi: 10.11591/ijaas.v12.i4.pp317-326.
[10] M. I. Khalif and L. Edi Prabowo, “Penerapan Model Algoritma Unsupervised Learning untuk Klasterisasi Tingkat Kenyamanan Ruang Tidur berdasarkan Faktor Lingkungan,†J. Teknol. Inf. dan Ilmu Komput., vol. 12, no. 2, pp. 311–320, Apr. 2025, doi: 10.25126/jtiik.2025129456.
[11] H. A. Ramadhan and S. Sriani, “Klasifikasi Tingkat Kematangan Buah Salak Sidempuan Menggunakan K-Nearest Neighbor pada Ruang Warna HSV,†INSOLOGI J. Sains dan Teknol., vol. 4, no. 4, pp. 997–1012, Aug. 2025, doi: 10.55123/insologi.v4i4.6298.
[12] P. Astuti, “Klasifikasi Kualitas Buah Apel Dengan Algoritma K-Nearest Neighbor (K-NN) Menggunakan Bahasa Pemrograman Python,†Comput. Sci., vol. 4, no. 2, pp. 127–132, Jul. 2024, doi: 10.31294/coscience.v4i2.3328.
[13] Y. Jumaryadi, “Klasifikasi Penyakit Kardiovaskular Menggunakan Algoritma Decision Tree C4.5,†J. Ilm. FIFO, vol. 17, no. 1, pp. 1–6, Jun. 2025, doi: 10.22441/fifo.2025.v17i1.001.
[14] Y. Amrozi, D. Yuliati, A. Susilo, N. Novianto, and R. Ramadhan, “Klasifikasi Jenis Buah Pisang Berdasarkan Citra Warna dengan Metode SVM,†J. Sisfokom (Sistem Inf. dan Komputer), vol. 11, no. 3, pp. 394–399, Dec. 2022, doi: 10.32736/sisfokom.v11i3.1502.
[15] M. Juventus Dappa Deke, T. Atha Anastasya, A. Diani Putri Saka, and E. Yulia Puspaningrum, “ANALISIS PENGARUH METODE EKSTRAKSI FITUR CITRA BATIK TERHADAP KINERJA KLASIFIKASI SVM,†JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 5, pp. 7516–7523, Jul. 2025, doi: 10.36040/jati.v9i5.14752.
[16] Y. Yuliska and K. U. Syaliman, “Literatur Review Terhadap Metode, Aplikasi dan Dataset Peringkasan Dokumen Teks Otomatis untuk Teks Berbahasa Indonesia,†IT J. Res. Dev., vol. 5, no. 1, pp. 19–31, Jul. 2020, doi: 10.25299/itjrd.2020.vol5(1).4688.
[17] D. Septhya et al., “Implementasi Algoritma Decision Tree dan Support Vector Machine untuk Klasifikasi Penyakit Kanker Paru,†MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 1, pp. 15–19, May 2023, doi: 10.57152/malcom.v3i1.591.
[18] M. K. Risqi, I. W. D. Prastya, and M. J. Vikri, “Comparison of Decision Tree Algorithms and Support Vector Machine (SVM) In Depression Classification In Students,†Eduvest - J. Univers. Stud., vol. 5, no. 4, pp. 4557–4567, May 2025, doi: 10.59188/eduvest.v5i4.51108.
[19] A. A. Rasjid, B. Rahmat, and A. N. Sihananto, “Implementasi YOLOv8 Pada Robot Deteksi Objek,†J. Technol. Syst. Inf., vol. 1, no. 3, pp. 1–9, Jul. 2024, doi: 10.47134/jtsi.v1i3.2969.
[2] Rendika Efando and Anisya Sonita, “Klasifikasi Tingkat Kematangan Buah Matoa Menggunakan Metode PCA dan KNN Berdasarkan Warna RGB,†JSAI (Journal Sci. Appl. Informatics), vol. 8, no. 2, pp. 337–346, Jun. 2025, doi: 10.36085/jsai.v8i2.7851.
[3] Tjokorda Istri Agung Pandu Yuni Maharani, I Gusti Agung Indrawan, Gede Dana Pramitha, Christina Purnama Yanti, and I Made Marthana Yusa, “Classification of Cavendish Banana Ripeness With CNN Method,†Indones. J. Data Sci., vol. 6, no. 2, pp. 203–210, Jul. 2025, doi: 10.56705/ijodas.v6i2.259.
[4] Y. A. Nisa, C. A. Sari, E. H. Rachmawanto, and N. Mohd Yaacob, “Ambon Banana Maturity Classification Based On Convolutional Neural Network (CNN),†SinkrOn, vol. 8, no. 4, pp. 2568–2578, Oct. 2023, doi: 10.33395/sinkron.v8i4.12961.
[5] A. W. Hastungkoro, A. D. Putro Wicaksono, and Y. Diah Rosita, “Klasifikasi Kualitas dan Kematangan Pisang Cavendish Menggunakan Convolutional Neural Network,†J. SAINTEKOM, vol. 14, no. 2, pp. 185–194, Sep. 2024, doi: 10.33020/saintekom.v14i2.686.
[6] R. E. Saragih, Y. Pernando, A. J. Santoso, Y. Roza, M. KH, and I. Verdian, “Optimizing the Sorting of Barangan Bananas Through Hybrid and Transfer Learning Approaches,†no. April, 2025, doi: 10.24507/icicel.19.04.459.
[7] R. Musa and M. Akbar, “Identification of Formaldehyde Bananas using Learning Vector Quantization,†Indones. J. Inf. Syst., vol. 3, no. 2, pp. 160–170, Feb. 2021, doi: 10.24002/ijis.v3i2.4110.
[8] A. Sattar, M. A. M. Ridoy, A. K. Saha, H. M. H. Babu, and M. N. Huda, “A comprehensive approach to detecting chemical adulteration in fruits using computer vision, deep learning, and chemical sensors,†Intell. Syst. with Appl., vol. 23, no. June, p. 200402, Sep. 2024, doi: 10.1016/j.iswa.2024.200402.
[9] R. Kosasih, S. Sudaryanto, and A. Fahrurozi, “Classification of six banana ripeness levels based on statistical features on machine learning approach,†Int. J. Adv. Appl. Sci., vol. 12, no. 4, pp. 317–326, Dec. 2023, doi: 10.11591/ijaas.v12.i4.pp317-326.
[10] M. I. Khalif and L. Edi Prabowo, “Penerapan Model Algoritma Unsupervised Learning untuk Klasterisasi Tingkat Kenyamanan Ruang Tidur berdasarkan Faktor Lingkungan,†J. Teknol. Inf. dan Ilmu Komput., vol. 12, no. 2, pp. 311–320, Apr. 2025, doi: 10.25126/jtiik.2025129456.
[11] H. A. Ramadhan and S. Sriani, “Klasifikasi Tingkat Kematangan Buah Salak Sidempuan Menggunakan K-Nearest Neighbor pada Ruang Warna HSV,†INSOLOGI J. Sains dan Teknol., vol. 4, no. 4, pp. 997–1012, Aug. 2025, doi: 10.55123/insologi.v4i4.6298.
[12] P. Astuti, “Klasifikasi Kualitas Buah Apel Dengan Algoritma K-Nearest Neighbor (K-NN) Menggunakan Bahasa Pemrograman Python,†Comput. Sci., vol. 4, no. 2, pp. 127–132, Jul. 2024, doi: 10.31294/coscience.v4i2.3328.
[13] Y. Jumaryadi, “Klasifikasi Penyakit Kardiovaskular Menggunakan Algoritma Decision Tree C4.5,†J. Ilm. FIFO, vol. 17, no. 1, pp. 1–6, Jun. 2025, doi: 10.22441/fifo.2025.v17i1.001.
[14] Y. Amrozi, D. Yuliati, A. Susilo, N. Novianto, and R. Ramadhan, “Klasifikasi Jenis Buah Pisang Berdasarkan Citra Warna dengan Metode SVM,†J. Sisfokom (Sistem Inf. dan Komputer), vol. 11, no. 3, pp. 394–399, Dec. 2022, doi: 10.32736/sisfokom.v11i3.1502.
[15] M. Juventus Dappa Deke, T. Atha Anastasya, A. Diani Putri Saka, and E. Yulia Puspaningrum, “ANALISIS PENGARUH METODE EKSTRAKSI FITUR CITRA BATIK TERHADAP KINERJA KLASIFIKASI SVM,†JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 5, pp. 7516–7523, Jul. 2025, doi: 10.36040/jati.v9i5.14752.
[16] Y. Yuliska and K. U. Syaliman, “Literatur Review Terhadap Metode, Aplikasi dan Dataset Peringkasan Dokumen Teks Otomatis untuk Teks Berbahasa Indonesia,†IT J. Res. Dev., vol. 5, no. 1, pp. 19–31, Jul. 2020, doi: 10.25299/itjrd.2020.vol5(1).4688.
[17] D. Septhya et al., “Implementasi Algoritma Decision Tree dan Support Vector Machine untuk Klasifikasi Penyakit Kanker Paru,†MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 1, pp. 15–19, May 2023, doi: 10.57152/malcom.v3i1.591.
[18] M. K. Risqi, I. W. D. Prastya, and M. J. Vikri, “Comparison of Decision Tree Algorithms and Support Vector Machine (SVM) In Depression Classification In Students,†Eduvest - J. Univers. Stud., vol. 5, no. 4, pp. 4557–4567, May 2025, doi: 10.59188/eduvest.v5i4.51108.
[19] A. A. Rasjid, B. Rahmat, and A. N. Sihananto, “Implementasi YOLOv8 Pada Robot Deteksi Objek,†J. Technol. Syst. Inf., vol. 1, no. 3, pp. 1–9, Jul. 2024, doi: 10.47134/jtsi.v1i3.2969.
Authors
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.