Optimisasi Hiperparameter Tuning pada Metode Support Vector Machine untuk Klasifikasi Tingkat Kematangan Buah Kopi

Abstract

Penelitian ini bertujuan untuk mengembangkan model klasifikasi yang optimal untuk mengidentifikasi tingkat kematangan buah kopi berdasarkan fitur-fitur warna dari citra buah kopi. Fitur warna red, green dan blue pada ruang warna RGB dan hue, saturation dan value pada ruang warna HSV diekstraksi dari citra buah kopi dan digunakan sebagai input untuk model klasifikasi support vector machine (SVM). Agar kinerja SVM lebih optimal, digunakan hyperparameter tuning dengan metode grid search untuk penentuan parameter terbaik pada model klasifikasi yang dibangun. Dengan menggunakan 180 citra latih pada penentuan parameter optimum, diperoleh hasil hyperparameter tuning metode grid search yaitu pada cross validation (cv) = 6, cost (C) = 1000, gamma (γ) = 0,001, dan kernel = linear. Kemudian parameter optimum tersebut digunakan sebagai model SVM untuk mengklasifikasikan 45 citra uji ke dalam tiga kelas berbeda yakni matang, matang setengah dan mentah. Berdasarkan evaluasi dengan confusion matrix dapat disimpulkan bahwa model yang dibangun memiliki kinerja yang baik dengan tingkat akurasi 98% dengan. Hal ini mengindikasikan bahwa model yang dibangun mampu membedakan ketiga kelas dengan tingkat kesalahan yang rendah. Dengan kemampuan ini, model yang dibangun memiliki potensi besar dalam industri pertanian guna mendukung penggunaan teknologi pada bidang pertanian khususnya pertanian kopi seperti pengolahan buah pasca panen. Model ini dapat dikembangkan pada mesin sortasi tingkat kematangan buah kopi secara otomatis agar dapat meningkatkan kualitas dan efisiensi produksi serta membantu dalam pengambilan keputusan yang lebih baik.