PENERAPAN SUPERVISED DAN UNSUPERVISED LEARNING DALAM KLASIFIKASI KEMATANGAN BUAH PISANG

Kematangan buah pisang merupakan salah satu faktor penting dalam menentukan kualitas dan kesiapan konsumsi. Proses identifikasi tingkat kematangan secara manual memiliki keterbatasan karena bersifat subjektif dan bergantung pada pengalaman manusia. Penelitian ini bertujuan untuk menerapkan metode kecerdasan buatan berbasis machine learning dalam mengklasifikasikan kematangan buah pisang menggunakan citra digital. Metode yang digunakan meliputi pendekatan supervised learning dengan algoritma K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM), serta pendekatan unsupervised learning menggunakan K-Means Clustering. Fitur yang digunakan berupa nilai rata-rata warna RGB yang diekstraksi dari citra pisang. Hasil pengujian menunjukkan bahwa algoritma SVM memberikan tingkat akurasi yang lebih tinggi dibandingkan KNN dalam mengklasifikasikan kematangan pisang. Penelitian ini diharapkan dapat menjadi dasar pengembangan sistem klasifikasi kematangan buah berbasis citra secara otomatis.