Klasifikasi Kualitas Tandan Buah Segar Kelapa Sawit Menggunakan Support Vector Machine dengan Kernel Radial Basis Function

Latifa Khoirani; Suhardi

doi:10.56427/jcbd.v5i2.993

Authors

Latifa Khoirani Universitas Islam Negeri Sumatera Utara
Suhardi Universitas Islam Negeri Sumatera Utara

DOI:

https://doi.org/10.56427/jcbd.v5i2.993

Keywords:

Support Vector Machine, Klasifikasi, Kelapa Sawit, TBS, Machine Learning

Abstract

Kualitas Tandan Buah Segar (TBS) kelapa sawit menentukan mutu minyak sawit yang dihasilkan. Klasifikasi kualitas TBS di lapangan masih dilakukan secara manual berdasarkan pengamatan visual yang subjektif dan tidak konsisten. Penelitian ini menerapkan metode Support Vector Machine (SVM) dengan kernel Radial Basis Function (RBF) untuk mengklasifikasikan kualitas TBS secara otomatis berbasis data numerik parameter laboratorium sebagai alternatif yang lebih praktis dan efisien. Data yang digunakan sebanyak 1.500 dataset hasil pemeriksaan laboratorium periode Februari 2025 dari PT XYZ, dengan parameter berat tandan, kandungan minyak, kadar air, dan brondol lepas. Preprocessing meliputi data cleaning, normalisasi Min-Max Scaling, dan encoding label, dengan pembagian data 80:20 menghasilkan 1.200 data training dan 300 data testing. Model dibangun dengan parameter C = 1,0 dan gamma (γ) = 1,0542 yang dihitung secara dinamis dari distribusi data training, menggunakan strategi klasifikasi multikelas One-vs-One (OvO). Evaluasi model menggunakan confusion matrix dengan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan model SVM mampu mengklasifikasikan kualitas TBS ke dalam tiga kategori mentah, matang, dan lewat matang dengan akurasi 95%. Penelitian ini berkontribusi dalam meningkatkan objektivitas, konsistensi, dan efisiensi proses klasifikasi kualitas TBS berbasis machine learning.

Downloads

Download data is not yet available.

References

[1] T. Gori et al., “PREPROCESSING DATA DAN KLASIFIKASI UNTUK PREDIKSI KINERJA DATA PREPROCESSING AND CLASSIFICATION FOR PREDICTING STUDENT,” vol. 11, no. 1, pp. 215–224, 2024, doi: 10.25126/jtiik.20241118074.

[2] E. Hokijuliandy, H. Napitupulu, and F. Firdaniza, “Analisis Sentimen Menggunakan Metode Klasifikasi Support Vector Machine ( SVM ),” vol. 5, no. 2, pp. 40–49, 2023, doi: 10.37278/sisinfo.v5i2.670.

[3] P. P. Allorerung, A. Erna, and M. Bagussahrir, “Analisis Performa Normalisasi Data untuk Klasifikasi K-Nearest Neighbor pada Dataset Penyakit,” vol. 9, no. 3, pp. 178–191, 2024, doi: 10.14421/jiska.2024.9.3.

[4] H. S. Wafa et al., “Prediksi Penyakit Diabetes Menggunakan Algoritma Support Vector Machine ( SVM ),” vol. 1, pp. 40–45, 2022, doi: 10.36423/index.v4i1.895

[5] A. Huesesan and M. A. Khoiri, “Kajian Komponen Produksi Tanaman Kelapa Sawit ( Elaeis guineensis Jacq .) yang diberi Pupuk Boron dan NPK,” vol. 36, no. 1, pp. 168–181, 2025, doi: 10.24198/agrikultura.v36i1.55965.

[6] B. N. Azmi, A. Hermawan, and D. Avianto, “Analisis Pengaruh Komposisi Data Training dan Data Testing pada Penggunaan PCA dan Algoritma Decision Tree untuk Klasifikasi Penderita Penyakit Liver,” vol. 4, no. 4, pp. 281–290, 2023, doi: 10.35746/jtim.v4i4.298.

[7] A. Jalil, A. Homaidi, and Z. Fatah, “Implementasi Algoritma Support Vector Machine Untuk Klasifikasi Status Stunting Pada Balita,” vol. 8, no. 3, pp. 2070–2079, 2024, doi: 10.33379/gtech.v8i3.4811.

[8] M. Basyuni, N. Amri, L. Agustina, and P. Putri, “Characteristics of Fresh Fruit Bunch Yield and the Physicochemical Qualities of Palm Oil during Storage in North Sumatra , Indonesia,” vol. 17, no. 2, pp. 182–190, 2022, doi: 10.22146/ijc.24910.

[9] M. A. Yolov, R. Kurniawan, A. T. Martadinata, and S. D. Cahyo, “Klasifikasi Tingkat Kematangan Buah Sawit Berbasis Deep Learning dengan Klasifikasi Tingkat Kematangan Buah Sawit Berbasis Deep Learning dengan Menggunakan Arsitektur Yolov5,” no. October 2023, 2024, doi: 10.47065/josh.v5i1.4408.

[10] N. Sari et al., “Klasifikasi Tingkat Kematangan Tandan Buah Segar Kelapa Sawit Menggunakan Probe Optik Ripeness Classification of Oil Palm Fresh Fruit Bunch Using an Optical Probe,” vol. 8, no. 3, pp. 72–77, 2022, doi: 10.24815/jacps.v8i3.14122.

[11] S. C. Bilqisth and R. M. Ikhsanuddin, “ANALISIS PERBANDINGAN AKURASI KLASIFIKASI KEPUASAN SISWA TERHADAP KINERJA GURU,” vol. 20, pp. 37–44, 2025, doi: 10.30587/e-link.v20i1.9719.

[12] M. R. Kusnaidi, T. Gulo, and S. Aripin, “Penerapan Normalisasi Data Dalam Mengelompokkan Data Mahasiswa Dengan Menggunakan Metode K-Means Untuk Menentukan Prioritas Bantuan Uang Kuliah Tunggal,” vol. 3, no. 4, pp. 330–338, 2022, doi: 10.47065/josyc.v3i4.2112.

[13] S. L. Abdullah and A. F. Akbariyah, “POTENSI EKSPOR CRUDE PALM OIL ( CPO ) DI INDONESIA,” vol. 4307, no. 1, pp. 61–67, 2024, doi: 10.54314/jssr.v7i1.1713.

[14] L. N. Farida and S. Bahri, “Klasifikasi Gagal Jantung Menggunakan Metode SVM (Support Vector Machine),” Komputika J. Sist. Komput., vol. 13, no. 2, pp. 149–156, 2024, doi: 10.34010/komputika.v13i2.11330.

[15] R. S. Nurhalizah and R. Ardianto, “Analisis Supervised dan Unsupervised Learning pada Machine Learning : Systematic Literature Review,” vol. 4, no. 1, pp. 61–72, 2024, doi: 10.54082/jiki.168.

[16] Ramadhan, Andarsyah, 2022, KLASIFIKASI TEXT SPAM MENGGUNAKAN METODE SUPPORT VECTOR MACHINE DAN NAÏVE BAYES.