Berbagai varian buah kurma yang menyebar di seluruh dunia memiliki kompleksitas dan karakteristik
yang unik seperti warna, rasa, bentuk, dan tekstur. Studi ini mempertimbangkan fitur-fitur yang rumit
dan beragam dari berbagai spesies buah kurma. Ciri-ciri unik ini dapat menimbulkan tantangan dalam
menentukan dan membedakan antara berbagai jenis buah kurma yang ada. Klasifikasi buah-buahan ini
dapat menjadi sangat sulit karena perbedaan-perbedaan halus dalam fitur yang telah disebutkan yang ada
di antara spesies yang berbeda. Untuk mengatasi masalah ini, kategorisasi otomatis buah kurma telah
muncul sebagai hasil dari pengembangan pembelajaran mesin dan visi komputer. Studi ini mengusulkan
skema klasifikasi lima kategori untuk buah kurma. Untuk menghasilkan data pelatihan berkualitas tinggi
untuk pengklasifikasi K-Nearest Neighbor (KNN), ekstraksi fitur dilakukan pada gambar buah kurma
menggunakan momen warna, circularity, dan deskriptor HOG masing-masing. Analisis Komponen Utama
(PCA) digunakan sebagai pendekatan reduksi dimensionalitas untuk meningkatkan model KNN yang diusulkan.
Untuk menentukan fitur terbaik yang ditentukan berdasarkan pengaruhnya pada kinerja model,
Binary Particle Swarm Optimization (BPSO) digunakan sebagai pendekatan pemilihan fitur. Model klasifikasi
mencapai tingkat akurasi 93,08%, yang merupakan peningkatan yang cukup besar sebesar 10,77%
dibandingkan dengan model KNN dasar.
Kata Kunci: Binary Particle Swarm Optimization, Circularity, Color Moments, Histogram of Oriented
Gradients, K-Nearest Neighbor, Principal Component Analysis