Perbandingan SVM dan CNN MobileNetV2 untuk Klasifikasi Residu Insektisida pada Citra Buah Kakao

Abstract

The decline in cocoa production in West Sulawesi due to pest attacks and the use of insecticides that leave residues on the fruit surface has reduced visual quality and highlights the need for efficient automatic classification based on digital image processing. This study aims to classify cocoa fruit images into three classes (Normal, Insecticide-Treated, and Residue) and to compare the performance of Support Vector Machine (SVM) and Convolutional Neural Network (CNN) with the MobileNetV2 architecture. The dataset consists of 672 images divided into training and testing sets with an 80:20 ratio and evaluated under two training data conditions: imbalanced and balanced through rotation-based augmentation at an image size of 224×224 pixels. For SVM, color and texture features are extracted using Hue Saturation Value (HSV) and Local Binary Pattern (LBP), while the CNN model adopts MobileNetV2 with transfer learning and an adjusted fully connected layer. The results show that SVM with combined HSV and LBP features achieves an accuracy of 86.67%, whereas CNN attains 82.22% on data without augmentation and improves to 87.41% on augmented data. The McNemar test on the same test set yields p-values of 0.6171 and 1.0000 for the imbalanced and balanced training data conditions, indicating that the performance difference between the two methods is not statistically significant and that both models provide comparable classification capability.

Penurunan produksi kakao di Sulawesi Barat akibat serangan hama dan penggunaan insektisida yang meninggalkan residu pada permukaan buah menurunkan kualitas visual dan menunjukkan perlunya metode klasifikasi otomatis berbasis pengolahan citra digital yang efisien. Penelitian ini bertujuan mengklasifikasikan citra buah kakao ke dalam tiga kelas (Normal, Berinsektisida, dan Residu) serta membandingkan kinerja Support Vector Machine (SVM) dan Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Dataset terdiri atas 672 citra yang dibagi menjadi data latih dan data uji dengan rasio 80:20 dan dievaluasi pada dua kondisi data latih, yaitu tidak seimbang dan seimbang melalui augmentasi rotasi dengan ukuran citra 224×224 piksel. Pada SVM, fitur warna dan tekstur diekstraksi menggunakan Hue Saturation Value (HSV) dan Local Binary Pattern (LBP), sedangkan CNN menggunakan MobileNetV2 dengan pendekatan transfer learning dan penyesuaian fully connected layer. Hasil pengujian menunjukkan bahwa SVM dengan kombinasi fitur HSV dan LBP mencapai akurasi 86,67%, sedangkan CNN memperoleh akurasi 82,22% pada data tanpa augmentasi dan meningkat menjadi 87,41% pada data setelah augmentasi. Uji McNemar pada data uji yang sama menghasilkan nilai p-value 0,6171 dan 1,0000 untuk kondisi data latih tidak seimbang dan seimbang, yang menunjukkan bahwa perbedaan performa kedua metode tidak signifikan secara statistik sehingga keduanya memiliki kemampuan klasifikasi yang relatif sebanding.