Studi Komparatif Model Machine Learning untuk Klasifikasi Warna RGB Daun Selada (Lactuca Sativa L.) Hidroponik terhadap Pemberian Pupuk Silika Sekam Padi

Abstract

Penelitian ini bertujuan untuk mengklasifikasikan warna daun Lactuca sativa L. hidroponik berdasarkan variasi dosis pupuk silika sekam padi menggunakan pendekatan machine learning. Data yang digunakan berupa nilai RGB hasil pembacaan sensor TCS34725 yang terhubung dengan Arduino Uno. Setiap data dikategorikan ke dalam empat kelas perlakuan, yaitu tanpa penyemprotan, satu kali, tiga kali, dan lima kali penyemprotan pupuk silika. Tahapan penelitian mencakup rekayasa fitur (normalisasi RGB, transformasi ke ruang warna HSV dan CIELab, serta rasio antar kanal warna seperti R/G dan G/B), seleksi fitur dengan metode kombinasi subset dan algoritma seperti PCA serta Mutual Information, pelatihan model dengan AdaBoost-SVM dan Bagging-SVM, serta evaluasi performa menggunakan Stratified K-Fold Cross-Validation (10 lipatan). Hasil menunjukkan bahwa model Bagging-SVM memberikan performa terbaik dengan akurasi uji 73,67% dan selisih train–test sebesar 3,87%, sedangkan AdaBoost-SVM memperoleh akurasi 70,90%. Dengan demikian, metode Bagging-SVM lebih stabil dan efektif dalam menangani data warna daun berbasis sensor RGB. Penelitian lanjutan direkomendasikan untuk mengintegrasikan fitur tambahan seperti kanal inframerah dan indeks vegetasi, serta mengembangkan model ensemble hibrida guna meningkatkan akurasi klasifikasi.