Maria Deliquire Nahak Pengarang SAMY YEVERSON DOO Dosen Pembimbing 2 ALMIDO H GINTING Dosen Pembimbing 1 Wenefrida T Ina Ketua Penguji

Produktivitas dan kualitas buah tomat (Solanum lycopersicum) dapat menurun akibat serangan penyakit. Penelitian ini bertujuan untuk mengembangkan metode klasifikasi berbasis pengolahan citra untuk membedakan buah tomat sehat dan terinfeksi berdasarkan analisis perubahan warna visual. Tahapan utama dalam penelitian meliputi pra-pemrosesan citra (resize menjadi 512×512 piksel, penghapusan noise dengan Gaussian filter, dan konversi RGB ke HSV), segmentasi objek menggunakan thresholding, dan ekstraksi fitur warna berupa nilai rata-rata kanal Hue, Saturation, dan Value (HSV). Dataset yang digunakan berjumlah 120 citra tomat (60 sehat dan 60 sakit), yang dibagi menjadi 84 citra untuk data latih dan 36 citra untuk data uji. Penelitian ini menggunakan dua algoritma klasifikasi, yaitu Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN), untuk melakukan pengelompokan citra dengan memanfaatkan fitur warna HSV. Hasil evaluasi menunjukkan bahwa KNN (k=3) memberikan performa yang lebih baik dibandingkan SVM dengan kernel linear, dengan akurasi 86,11%, presisi 84,21%, recall 88,89%, dan F1-score 86,49%. Sementara itu, SVM memperoleh hasil yang konsisten sebesar 83,33% untuk semua metrik evaluasi. Hasil ini menunjukkan bahwa pemanfaatan fitur warna berdasarkan HSV dan klasifikasi menggunakan KNN terbukti efektif dalam mendeteksi penyakit pada buah tomat. Penelitian ini memberikan dasar untuk pengembangan deteksi penyakit tomat yang lebih akurat menggunakan pengolahan citra. Kata Kunci: Tomat, Deteksi penyakit, HSV, KNN, SVM