Pemilihan Fitur Untuk Prediksi Kematangan Kelapa Sawit Menggunakan Explainable AI (XAI)

Dwi Wahyu Prabowo; Octo Bian Limet

doi:10.30595/jrre.v7i2.27865

Authors

Dwi Wahyu Prabowo Universitas Darwan Ali
Octo Bian Limet Fakultas Ilmu Komputer, Universitas Darwan Ali

DOI:

https://doi.org/10.30595/jrre.v7i2.27865

Keywords:

Kelapa Sawit, Machine Learning, Explainable AI, Seleksi Fitur, Prediksi

Abstract

Industri kelapa sawit merupakan sektor strategis di Indonesia, dengan kualitas tandan buah segar sebagai faktor utama yang menentukan mutu minyak. Penentuan tingkat kematangan kelapa sawit yang akurat sangat penting, namun metode manual yang masih digunakan saat ini rentan terhadap ketidakakuratan. Penelitian ini mengusulkan penerapan teknik pengolahan citra digital dan machine learning untuk klasifikasi tingkat kematangan kelapa sawit, dengan mengintegrasikan seleksi fitur menggunakan recursive feature elimination (RFE) serta metode explainable AI (Shapley) guna mengevaluasi potensi peningkatan performa sekaligus meningkatkan transparansi model. Dua model klasifikasi, yaitu random forest (RF) dan support vector machine (SVM), dievaluasi dengan dataset berisi 254 citra kelapa sawit yang terbagi ke dalam tiga kelas kematangan. Hasil eksperimen menunjukkan bahwa SVM mencapai akurasi tertinggi sebesar 72,78%, dengan nilai precision 73,83%, recall 71,53%, dan F1-score 71,08%, lebih unggul dibandingkan RF yang hanya memperoleh akurasi 61,45% tanpa seleksi fitur. Uji statistik Mann-Whitney U mengindikasikan bahwa seleksi fitur tidak memberikan peningkatan akurasi yang signifikan, tetapi SVM dengan kombinasi fitur warna (R, G, B) dan tekstur (GLCM) tetap mampu mengklasifikasikan kematangan kelapa sawit secara efektif. Analisis Shapley lebih lanjut mengungkapkan bahwa fitur warna, khususnya R dan G, memberikan kontribusi dominan terhadap hasil klasifikasi, dengan dukungan signifikan dari fitur tekstur pada kelas tertentu.

Author Biography

Dwi Wahyu Prabowo, Universitas Darwan Ali

Google Scholar

SINTA ID : 6027394

References

[1] F. Saqdiah, H. Mulyati, and A. Setiawan Slamet, “Analisis Pemilihan Pemasok Kelapa Sawit yang Berkelanjutan dengan Menggunakan Metode PROMETHEE (Studi Kasus pada PT Perkebunan Nusantara III),” J. Manaj. dan Organ., vol. 13, no. 2, pp. 124–133, Jun. 2022, doi: 10.29244/jmo.v13i2.37539.

[2] N. Evitarina and K. Kusrini, “Metode Klasifikasi Kematangan Tandan Buah Segar Kelapa Sawit: Sebuah Tinjauan Sistematis,” G-Tech J. Teknol. Terap., vol. 8, no. 4, pp. 2324–2333, Oct. 2024, doi: 10.70609/gtech.v8i4.5050.

[3] J. A. Sinambela, D. Cherie, A. Andasuryani, and M. Makky, “Prediksi Tingkat Kematangan Tandan Buah Segar (TBS) Kelapa Sawit Berbasis Sifat Optis,” J. Teknol. Pertan. Andalas, vol. 29, no. 1, pp. 33–40, Mar. 2025, doi: 10.25077/jtpa.29.1.33-40.2025.

[4] M. Afriansyah, J. Saputra, Y. Sa’adati, and Valian Yoga Pudya Ardhana, “Optimasi Algoritma Nai?ve Bayes Untuk Klasifikasi Buah Apel Berdasarkan Fitur Warna RGB,” Bull. Comput. Sci. Res., vol. 3, no. 3, pp. 242–249, Apr. 2023, doi: 10.47065/bulletincsr.v3i3.251.

[5] H. P. Hadi and E. H. Rachmawanto, “Ekstraksi Fitur Warna dan GLCM Pada Algoritma KNN untuk Klasifikasi Kematangan Rambutan,” J. Inform. Polinema, vol. 8, no. 3, pp. 63–68, Jun. 2022, doi: 10.33795/jip.v8i3.949.

[6] N. Aini, M. Arif, I. T. Agustin, and Z. B. Toyibah, “Implementasi Algoritma Random Forest untuk Klasifikasi Bidang MSIB di Prodi Pendidikan Informatika,” J. Inform., vol. 11, no. 1, pp. 11–16, Apr. 2024, doi: 10.31294/inf.v11i1.20637.

[7] N. Astrianda, “Klasifikasi Kematangan Buah Tomat Dengan Variasi Model Warna Menggunakan Support Vector Machine,” VOCATECH Vocat. Educ. Technol. J., vol. 1, no. 2, pp. 45–52, Apr. 2020, doi: 10.38038/vocatech.v1i2.27.

[8] A. Adadi and M. Berrada, “Peeking Inside the Black-Box: A Survey on Explainable Artificial Intelligence (XAI),” IEEE Access, vol. 6, pp. 52138–52160, Sep. 2018, doi: 10.1109/ACCESS.2018.2870052.

[9] T. Spinner, U. Schlegel, H. Schafer, and M. El-Assady, “explAIner: A Visual Analytics Framework for Interactive and Explainable Machine Learning,” IEEE Trans. Vis. Comput. Graph., p. 1, Aug. 2019, doi: 10.1109/tvcg.2019.2934629.

[10] A. Y. Al Hammadi et al., “Explainable artificial intelligence to evaluate industrial internal security using EEG signals in IoT framework,” Ad Hoc Networks, vol. 123, no. August, p. 102641, Dec. 2021, doi: 10.1016/j.adhoc.2021.102641.

[11] D. V. Carvalho, E. M. Pereira, and J. S. Cardoso, “Machine learning interpretability: A survey on methods and metrics,” Electron., vol. 8, no. 8, pp. 1–34, 2019, doi: 10.3390/electronics8080832.

[12] S. Coulibaly, B. Kamsu-Foguem, D. Kamissoko, and D. Traore, “Deep learning for precision agriculture: A bibliometric analysis,” Intell. Syst. with Appl., vol. 16, no. April, p. 200102, 2022, doi: 10.1016/j.iswa.2022.200102.

[13] A. R. I. Pratama, S. A. Latipah, and B. N. Sari, “Optimasi Klasifikasi Curah Hujan Menggunakan Support Vector Machine (SVM) Dan Recursive Feature Elimination (RFE),” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 7, no. 2, pp. 314–324, May 2022, doi: 10.29100/jipi.v7i2.2675.

[14] N. M. Putri, M. Praseptiawan, and M. C. Untoro, “Analisis Model Sistem Rekomendasi Kursus Mooc Dengan Metode Collaborative Filtering Dan Integrasi Explainable Ai,” Indones. J. Bus. Intell., vol. 7, no. 1, pp. 26–36, 2024.

[15] M. A. Aprihartha and I. Idham, “Optimization of Classification Algorithms Performance with k-Fold Cross Validation,” Eig. Math. J., vol. 7, no. 2, pp. 61–66, Sep. 2024, doi: 10.29303/emj.v7i2.212.

[16] H. Hajaroh, T. Suprapti, and R. Narasati, “Implementasi Algoritma Naive Bayes untuk Analisis Sentimen Ulasan Produk Makanan dan Minuman di Tokopedia,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, pp. 111–118, Feb. 2024, doi: 10.36040/jati.v8i1.8237.

[17] N. Nurzaman, N. Suarna, and W. Prihartono, “Analisis Sentimen Ulasan Aplikasi Threads di Google Playstore Menggunakan Algoritma Naïve Bayes,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, pp. 967–974, Mar. 2024, doi: 10.36040/jati.v8i1.8708.

[18] M. A. Saddam, E. Kurniawan D, and I. Indra, “Analisis Sentimen Fenomena PHK Massal Menggunakan Naive Bayes dan Support Vector Machine,” J. Inform. J. Pengemb. IT, vol. 8, no. 3, pp. 226–233, Sep. 2023, doi: 10.30591/jpit.v8i3.4884.

[19] N. Cahyono and Anggista Oktavia Praneswara, “Analisis Sentimen Ulasan Aplikasi TikTok Shop Seller Center di Google Playstore Menggunakan Algoritma Naive Bayes,” Indones. J. Comput. Sci., vol. 12, no. 6, Dec. 2023, doi: 10.33022/ijcs.v12i6.3473.

[20] I. Amal and J. Jayanta, “Perbandingan Pelabelan Otomatis Dan Manual Untuk Analisis Sentimen Terhadap Kenaikan Harga BBM Pertamina Pada Twitter Menggunakan Algoritma Support Vector Machine,” in Prosiding Seminar Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya, 2023, vol. 4, no. 2, pp. 473–487.

[21] M. Susilawati, D. Selpia, M. Fathurrahman, N. Pratiwi, and R. Purnami, “Penerapan uji mann-whitney dalam perbandingan prestasi akademik mahasiswa statistika Universitas Hamzanwadi angkatan 2022 dan 2023,” J. Eksbar, vol. 1, no. 2, pp. 19–28, 2024.

[22] H. Gani, “An Explainable Machine Learning Model to Explain the Influential Climate Parameters Based on Rainfall Prediction,” J. IT, vol. 15, no. 2, pp. 98–110, 2024.

[23] J. J. J. Martin et al., “Lipidomic Profiles of Lipid Biosynthesis in Oil Palm during Fruit Development,” Metabolites, vol. 13, no. 6, p. 727, Jun. 2023, doi: 10.3390/metabo13060727.

[24] H. F. Teh et al., “Hormones, Polyamines, and Cell Wall Metabolism during Oil Palm Fruit Mesocarp Development and Ripening,” J. Agric. Food Chem., vol. 62, no. 32, pp. 8143–8152, Aug. 2014, doi: 10.1021/jf500975h.

[25] T. J. Tranbarger et al., “Regulatory Mechanisms Underlying Oil Palm Fruit Mesocarp Maturation, Ripening, and Functional Specialization in Lipid and Carotenoid Metabolism,” Plant Physiol., vol. 156, no. 2, pp. 564–584, Jun. 2011, doi: 10.1104/pp.111.175141.