Klasifikasi Kualitas Apel Berdasarkan Ciri Menggunakan Metode PCA dan SVM

Gregorius Nathanyel Benedict; Irene Carl Lewis; Panicia Panicia; Ryan Hermanto; Paquita Melawi; Samuel Gregorio Criswell Kastono; Melfanny Leono

doi:10.69693/ijmst.v4i3.13422

Authors

Gregorius Nathanyel Benedict Universitas Tarumanagara
Irene Carl Lewis Universitas Tarumanagara
Panicia Panicia Universitas Tarumanagara
Ryan Hermanto Universitas Tarumanagara
Paquita Melawi Universitas Tarumanagara
Samuel Gregorio Criswell Kastono Universitas Tarumanagara
Melfanny Leono Universitas Tarumanagara

DOI:

https://doi.org/10.69693/ijmst.v4i3.13422

Keywords:

Apel, Citra Digital, Klasifikasi, PCA, SVM

Abstract

Penelitian ini bertujuan mengklasifikasikan kualitas buah apel ke dalam kelas apel bagus dan apel jelek menggunakan Principal Component Analysis (PCA) dan Support Vector Machine (SVM) berbasis citra digital. Otomasi penilaian kualitas diperlukan agar proses pemeriksaan buah dalam jumlah besar dapat dilakukan secara lebih cepat dan konsisten. Tahapan penelitian dimulai dari pre-processing citra dengan konversi gambar berwarna menjadi grayscale, kemudian dilakukan ekstraksi fitur warna, bentuk, dan tekstur. Dataset hasil ekstraksi diperiksa terhadap missing value dan outlier; outlier dideteksi menggunakan Mahalanobis Distance sebelum data dibagi menjadi data training dan testing dengan rasio 80:20. Reduksi dimensi selanjutnya dilakukan menggunakan PCA. Dua komponen utama, yaitu PC1 dan PC2, dipertahankan karena secara kumulatif mampu merepresentasikan 98,09% variansi data. Data hasil transformasi PCA digunakan sebagai masukan untuk membangun model klasifikasi SVM. Evaluasi dilakukan menggunakan confusion matrix serta metrik akurasi, precision, recall, dan F1-score, disertai cross-validation untuk menilai konsistensi model. Hasil pengujian menunjukkan akurasi sebesar 87,85% pada data training dan 88,40% pada data testing, sedangkan akurasi cross-validation mencapai 86,80%. Pada data testing, precision mencapai 93%, recall 85%, dan F1-score 89%. Hasil tersebut menunjukkan bahwa kombinasi PCA dan SVM efektif untuk klasifikasi kualitas apel berbasis ciri visual dengan dimensi fitur yang lebih ringkas. Pendekatan ini berpotensi mendukung proses quality control buah secara otomatis dan efisien.

References

1. Andono, P. N., & Rachmawanto, E. H. (2021). Evaluasi ekstraksi fitur GLCM dan LBP menggunakan multikernel SVM untuk klasifikasi batik. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 5(1), 1-9.

2. Anggoro, A., Mustafid, M., & Rahmawati, R. (2016). Pengendalian kualitas data atribut multivariat dengan Mahalanobis Distance dan T2 Hotelling (studi kasus PT Metec Semarang). Jurnal Gaussian, 5(3), 311-320.

3. Anggraini, M. P. (2022). Analisis PCA (Principal Component Analysis) pada sidik jari kromatografi lapis tipis tumbuhan anting-anting (Acalypha indica L.) dari daerah Banyuwangi berdasarkan berbagai metode pengeringan [Thesis, Universitas Islam Negeri Maulana Malik Ibrahim].

4. Amrozi, Y., Yuliati, D., Susilo, A., Novianto, N., & Ramadhan, R. (2022). Klasifikasi jenis buah pisang berdasarkan citra warna dengan metode SVM. Jurnal Sisfokom (Sistem Informasi dan Komputer), 11(3), 394-399. https://doi.org/10.32736/sisfokom.v11i3.1502

5. Arifin, Z., Rahman, D. F., Rintyarna, B. S., & Daryanto, D. (2023). Penerapan algoritma Support Vector Machine berbasis kernel Radial Basis Function dalam klasifikasi sel kanker. BIOS: Jurnal Teknologi Informasi dan Rekayasa Komputer, 4(2), 100-106.

6. Aryasatya, F., Katrina, A., Syabila, R. F., & Siregar, F. (2024). Identifikasi faktor-faktor esensial dalam hasil evaluasi siswa menggunakan teknik Principal Component Analysis (PCA). Innovative: Journal of Social Science Research, 4(6), 6423-6437.

7. Asyuti, S., & Setyawan, A. A. (2023). Data mining dalam penggunaan presensi karyawan denga cluster means. Jurnal Ilmiah Sains Teknologi dan Informasi, 1(1), 1-10.

8. Badan Pusat Statistik Indonesia. (2024, June 10). Produksi tanaman buah-buahan, 2021-2023. https://www.bps.go.id/id/statistics-table/2/NjIjMg==/produksi-tanaman-buah-buahan.html

9. Bahtiar, R. (2023). Implementasi data mining untuk prediksi penjualan kusen terlaris menggunakan metode K-Nearest Neighbor. Jurnal Informatika MULTI, 1(3), 203-214.

10. Bawindaputri, T. A., Astuti, R., & Lestari, E. R. (2022). Analisis keberlanjutan rantai pasok apel di Kabupaten Malang menggunakan dinamika sistem. Jurnal Teknologi Industri Pertanian, 32(2), 121-136.

11. Cristianini, N., & Shawe-Taylor, J. (2000). An introduction to support vector machines and other kernel-based learning methods. Cambridge University Press.

12. Haerya, P. (2025). Implementasi ekstraksi fitur Gray Level Co-Occurrence Matrix dan Hue Saturation Value untuk deteksi penyakit daun padi [Thesis, Universitas Sulawesi Barat].

13. Haqimi, N. A., & Roshinta, T. A. (2024). Analisis spam komentar Instagram menggunakan Support Vector Machine dengan variasi hyperparameter. Jurnal Informatika: Jurnal Pengembangan IT, 9(3), 242-253.

14. Hasibuan, R. A., Ratnawati, D. E., & Perdana, R. S. (2024). Analisis sentimen kebijakan ekspor pasir laut pada sosial media Twitter menggunakan algoritma Support Vector Machine. Jurnal Sistem Informasi, Teknologi Informasi, dan Edukasi Sistem Informasi (JUST-SI), 5(1), 24-33. https://doi.org/10.25126/justsi.v5i1.373

15. Hediyati, D., & Suartana, I. M. (2021). Penerapan Principal Component Analysis (PCA) untuk reduksi dimensi pada proses clustering data produksi pertanian di Kabupaten Bojonegoro. JIEET (Journal of Information Engineering and Educational Technology), 5(2), 49-54.

16. Kantacarini, T., Erny Herwindiaty, D., & Hendryli, J. (2021). Kinerja metode Mahalanobis Distance yang dibentuk dari dua ukuran pusat dan dua dispersi multivariat (untuk ukuran similaritas klasifikasi image). Jurnal Ilmu Komputer dan Sistem Informasi, 9(1), 248-251.

17. Marpaung, F., Aulia, F., & Nabila, R. C. (2022). Computer vision dan pengolahan citra digital. Pustaka Aksara.

18. Muhathir, M., Santoso, M. H., & Larasati, D. A. (2021). Wayang image classification using SVM method and GLCM feature extraction. Journal of Informatics and Telecommunication Engineering, 4(2), 373-382.

19. Mustofa, M. I., Furqon, M. T., & Ratnawati, D. E. (2022). Penggunaan metode ekstraksi fitur tekstur Gray Level Co-Occurrence Matrix dan K-Nearest Neighbor untuk identifikasi jenis penyakit tanaman apel. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 6(9), 4451-4458.

20. Nurhakim, B., Dikananda, A. R., Hamonangan, R., & Prasetyo, R. A. (2024). Data cerdas di dunia pendidikan: Penerapan machine learning untuk kepuasan mahasiswa. Mega Press Nusantara.

21. Oltean, M. (2017). Fruits-360 dataset [Data set]. Kaggle. https://www.kaggle.com/datasets/moltean/fruits

22. Rabbani, S., Safitri, D., Rahmadhani, N., Sani, A. A. F., & Anam, M. K. (2023). Perbandingan evaluasi kernel SVM untuk klasifikasi sentimen dalam analisis kenaikan harga BBM: Comparative evaluation of SVM kernels for sentiment classification in fuel price increase analysis. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 3(2), 153-160.

23. Rianti, R., Andarsyah, R., & Awangga, R. M. (2024). Penerapan PCA dan algoritma clustering untuk analisis mutu perguruan tinggi di LLDIKTI Wilayah IV. Nuansa Informatika, 18(2), 2614-5405. https://journal.fkom.uniku.ac.id/ilkom

24. Saputra, M. R., Ansori, A. S. R., & Saputra, R. E. (2021). Deteksi kulit manusia pada gambar menggunakan algoritma RGB dan HSV. eProceedings of Engineering, 8(1).

25. Shevira, S., Made, I., Suarjaya, A. D., & Buana, P. W. (2022). Pengaruh kombinasi dan urutan pre-processing pada tweets bahasa Indonesia. JITTER-Jurnal Ilmiah Teknologi dan Komputer, 3(2).

26. Sihombing, P. R., Suryadiningrat, S., Sunarjo, D. A., & Yuda, Y. P. A. C. (2022). Identifikasi data outlier (pencilan) dan kenormalan data pada data univariat serta alternatif penyelesaiannya. Jurnal Ekonomi dan Statistik Indonesia, 2(3), 307-316.

27. Subandi, R., & Yudhana, A. (2023). Pre-processing pada klasifikasi citra medis pneumonia. Decode: Jurnal Pendidikan Teknologi Informasi, 4(1), 86-93.

28. Sundari, U. Y., Hidayatullah, M. A., & Fiardilla, F. (2023). Pengaruh teknik pengemasan, jenis kemasan dan kondisi penyimpanan terhadap sifat fisik dan organoleptik pada buah apel. Jurnal Penelitian UPR, 3(1), 17-23.

29. Syarifah, A., Riadi, A. A., & Susanto, A. (2022). Klasifikasi tingkat kematangan jambu bol berbasis pengolahan citra digital menggunakan metode K-Nearest Neighbor. Jurnal Informatika Merdeka Pasuruan, 7(1), 464720.

30. Wafa, H. S., Hadiana, A. I., & Umbara, F. R. (2022). Prediksi penyakit diabetes menggunakan algoritma Support Vector Machine (SVM). Informatics and Digital Expert (INDEX), 4(1), 40-45.

31. Yanti, N. P. D. T., & Asana, I. M. D. P. (2023). Sistem klasifikasi pengajuan kredit dengan metode Support Vector Machine (SVM). Jurnal Sistem Cerdas, 6(2), 123-133.