Klasifikasi kematangan buah pisang merupakan aspek penting dalam menjaga kualitas dan kesegaran buah yang dijual di pasaran. Penelitian ini bertujuan untuk mengembangkan sebuah aplikasi berbasis web yang dapat mendeteksi kematangan pisang menggunakan metode Support Vector Machine (SVM). Dalam proses penelitian ini, dilakukan pengambilan data citra buah pisang dalam berbagai tahap kematangan, kemudian dilakukan ekstraksi fitur menggunakan model warna RGB dan HSV, kemudian dilakukan ekstraksi fitur warna untuk proses klasifikasi. Evaluasi model dilakukan dengan menggunakan confusion matrix untuk mengukur akurasi, presisi, dan recall dari prediksi yang dihasilkan. Hasil pengujian menunjukkan bahwa metode SVM dengan kernel RBF (Radial Basis Function) mencapai tingkat akurasi sebesar 96%, presisi 96%, dan recall 95%, yang menunjukkan performa yang tinggi dalam mengklasifikasikan kematangan pisang. Dengan adanya aplikasi ini, konsumen dapat memastikan bahwa pisang yang mereka beli berada dalam kondisi matang sempurna, yang berdampak positif pada kualitas rasa dan nilai nutrisi buah. Penelitian ini memberikan kontribusi pada pengembangan teknologi di bidang pertanian digital dan pemanfaatan machine learning dalam kehidupan sehari-hari. Aplikasi ini diharapkan dapat memberikan solusi praktis dan mudah diakses bagi konsumen untuk menentukan kematangan pisang dengan cepat dan akurat.

The classification of banana ripeness is crucial for maintaining the quality and freshness of bananas sold in the market. This study aims to develop a web-based application that can detect banana ripeness using the Support Vector Machine (SVM) method. The research process involved collecting image data of bananas at various stages of ripeness, followed by feature extraction using the RGB and HSV color models. Feature extraction was performed to facilitate the classification process. The model evaluation was conducted using a confusion matrix to measure the accuracy, precision, and recall of the predictions. The results of the tests indicate that the SVM method with the RBF (Radial Basis Function) kernel achieved an accuracy rate of 96%, precision of 96%, and recall of 95%, demonstrating high performance in classifying banana ripeness. With this application, consumers can ensure that the bananas they purchase are at the perfect ripeness, positively impacting the taste quality and nutritional value of the fruit. This study contributes to the development of technology in digital agriculture and the utilization of machine learning in daily life. This application is expected to provide a practical and easily accessible solution for consumers to determine banana ripeness quickly and accurately.