PENERAPAN METODE RANDOM FOREST UNTUK KLASIFIKASI KELAYAKAN SAYUR SAWI PASCA PASAR BERDASARKAN FITUR WARNA HSV DAN DATA GAS VOLATIL

This is the latest version of this item.

Kehilangan pangan (food loss and waste) pada sayuran pasca-pasar sering terjadi akibat tidak adanya alat penilai kelayakan objektif bagi pedagang setelah jam operasional pasar berakhir. Penelitian ini bertujuan untuk merancang sebuah sistem klasifikasi kelayakan dan kesegaran sawi hijau (Brassica juncea L.) secara non-destruktif berbasis fusi sensor multimodal dengan menggunakan algoritma Random Forest. Sistem ini mengintegrasikan fitur visual berupa nilai rata-rata Hue pada ruang warna HSV dari citra daun, serta data kimiawi kadar gas volatil tanaman melalui sensor MQ136 (hidrogen sulfida) dan MQ137 (amonia). Implementasi sistem dibangun pada Raspberry Pi 5 dan Arduino Uno di dalam chamber bervolume 5 liter. Pada tahap pra-pemrosesan, fluktuasi data sensor dihaluskan dengan Exponential Moving Average (EMA) lalu distandarisasi menggunakan Z-Score Scaling. Pengujian sistem dilakukan secara real-time terhadap 30 sampel (15 segar, 15 layu). Hasilnya membuktikan bahwa model Random Forest memberikan performa optimal dengan capaian akurasi 93,33%, presisi 100%, recall 86,67%, spesifisitas 100%, dan F1-Score 92,86%. Algoritma ini dipilih karena terbukti lebih tahan overfitting dan lebih interpretatif dibandingkan Support Vector Machine (SVM). Analisis Feature Importance menunjukkan parameter sensor gas berkontribusi dominan sebesar 63,14% dibandingkan fitur visual yang berkontribusi 36,84%, dengan nilai EMA MQ136 sebagai indikator tunggal terkuat mencapai 47,36%.