Klasifikasi tingkat kematangan buah melon secara realtime menggunakan Support Vector Machine (SVM)

INDONESIA:

Penentuan tingkat kematangan buah melon secara manual umumnya dilakukan melalui pengamatan visual, seperti warna kulit, tekstur, dan pengalaman petani. Metode tersebut memiliki kelemahan karena bersifat subjektif serta dipengaruhi oleh kondisi pencahayaan dan perbedaan persepsi antarindividu. Penelitian ini bertujuan untuk mengklasifikasikan tingkat kematangan buah melon Golden secara real-time berdasarkan fitur warna HSV menggunakan algoritma Support Vector Machine (SVM). Data yang digunakan berupa citra buah melon Golden dengan dua kelas kematangan, yaitu mentah dan matang. Tahapan penelitian meliputi akuisisi citra, preprocessing, konversi ruang warna RGB ke HSV, segmentasi objek, ekstraksi fitur HSV, pelatihan model, pengujian model, dan implementasi sistem secara real-time. Fitur yang digunakan terdiri atas nilai rata-rata dan standar deviasi dari komponen Hue, Saturation, dan Value. Pengujian dilakukan dengan membandingkan skenario split data, dan hasil terbaik diperoleh pada pembagian data 80:20. Selanjutnya, model diuji menggunakan beberapa kernel SVM, yaitu linear, polynomial, dan Radial Basis Function (RBF). Hasil penelitian menunjukkan bahwa kernel RBF menghasilkan performa terbaik dengan accuracy sebesar 96,14%, precision sebesar 94,87%, recall sebesar 97,37%, dan F1-score sebesar 96,10%. Sistem yang dikembangkan mampu menampilkan hasil klasifikasi secara langsung berupa kelas mentah atau matang berdasarkan citra yang ditangkap oleh kamera. Berdasarkan hasil tersebut, kombinasi fitur warna HSV dan algoritma SVM dapat digunakan sebagai metode klasifikasi kematangan buah melon Golden secara real-time secara objektif dan efisien.

ENGLISH:

The manual determination of melon fruit ripeness is generally carried out through visual observation, such as skin color, texture, and farmers’ experience. However, this method has limitations because it is subjective and can be influenced by lighting conditions and differences in individual perception. This study aims to classify the ripeness level of Golden melon fruit in real time based on HSV color features using the Support Vector Machine (SVM) algorithm. The data used in this study consisted of Golden melon fruit images with two ripeness classes, namely unripe and ripe. The research stages included image acquisition, preprocessing, RGB to HSV color space conversion, object segmentation, HSV feature extraction, model training, model testing, and real-time system implementation. The extracted features consisted of the mean and standard deviation values of the Hue, Saturation, and Value components. Testing was conducted by comparing several data split scenarios, and the best result was obtained using an 80:20 data split. Furthermore, the model was evaluated using several SVM kernels, namely linear, polynomial, and Radial Basis Function (RBF). The results showed that the RBF kernel achieved the best performance with an accuracy of 96.14%, precision of 94.87%, recall of 97.37%, and F1-score of 96.10%. The developed system was able to display classification results directly as unripe or ripe based on images captured by the camera. Based on these results, the combination of HSV color features and the SVM algorithm can be used as an objective and efficient method for real-time Golden melon ripeness classification.

ARABIC:

يحدد مستوى نضج ثمار الشمام يدويا عادة من خلال الملاحظة البصرية، مثل لون القشرة، وملمسها، وخبرة المزارع. إلا أن هذه الطريقة تعاني من بعض أوجه القصور، إذ تتسم بالذاتية، كما تتأثر بظروف الإضاءة واختلاف الإدراك بين الأفراد. وتهدف هذه الدراسة إلى تصنيف مستويات نضج ثمار الشمام الذهبي آنيا Real-Time اعتمادا على خصائص اللون HSV باستخدام خوارزمية Support Vector Machine (SVM). تتكون البيانات المستخدمة من صور ثمار الشمام الذهبي ذات مستويين من النضج، وهما غير الناضج والناضج. وتشمل مراحل البحث جمع الصور، والمعالجة المسبقة، وتحويل فضاء الألوان RGB الىHSV , تقسيم الكائن، واستخراج الخصائص HSV , تدريب النموذج، واختبار النموذج، وتطبيق النظام Real-Time. تتكون الخصائص المستخدمة من متوسط القيم والانحراف المعياري لمكونات Hue و Saturation و Value. أجري الاختبار من خلال مقارنة سيناريوهات تقسيم البيانات، وقد تحققت أفضل النتائج عند تقسيم البيانات بنسبة 80:20 . بعد ذلك، تم اختبار النموذج باستخدام عدة نوى SVM و linear, polynomial, Radial Basis Function (RBF) . أظهرت نتائج البحث أن نواة RBF حققت أفضل أداء بدقة بلغت 96,14 %, وبلغت قيمة الإحكام 94,47%, وبلغت قيمة recall 97,37% , و قيمة F-1 96,10%, تمكن النظام المطور من عرض نتائج التصنيف مباشرة في صورة فئتي غير الناضج أو الناضج اعتمادا على الصور الملتقطة بواسطة الكاميرا. واستنادا إلى هذه النتائج، فإن الجمع بين خصائص اللون HSV و خوارزمية SVM يمكن استخدامها بوصفها طريقة لتصنيف مستوى نضج ثمار الشمام الذهبي Real-Time بصورة موضوعية وفعالة.