Transaksi mobil bekas sering terkendala kurangnya transparansi terkait
keaslian cat kendaraan karena perbedaannya sulit dikenali secara visual. Penelitian
ini bertujuan mengembangkan sistem otomatis berbasis Machine Learning untuk
mengidentifikasi keaslian cat mobil secara objektif melalui analisis citra
permukaan.
Penelitian ini menggunakan pendekatan Supervised Learning dengan
algoritma Support Vector Machine (SVM). Data citra cat mobil diperoleh dari
bengkel body repair dan bursa mobil bekas dengan batasan jenis kendaraan dan
variasi warna. Proses penelitian mencakup praproses citra, ekstraksi fitur warna dan
tekstur (HSV, HOG, LBP, reflektansi, dan kontras), serta pelatihan dan evaluasi
model menggunakan metrik akurasi, precision, recall, F1-Score, dan Confusion
Matrix. Model selanjutnya diimplementasikan dalam prototipe aplikasi berbasis
web menggunakan Streamlit.
Hasil pengujian menunjukkan bahwa model SVM mampu membedakan cat
asli dan cat ulang secara stabil, dengan akurasi model global sebesar 84,8% dan F1-
Score sebesar 84,2%. Performa terbaik diperoleh pada warna putih, disusul warna
hitam dan silver. Penerapan pendekatan multi-crop voting pada tahap inferensi
meningkatkan kestabilan prediksi terhadap variasi lokal permukaan cat.
Penelitian ini menunjukkan bahwa SVM efektif untuk identifikasi cat ulang pada dataset terbatas dengan perbedaan visual yang halus, sehingga berpotensi
meningkatkan transparansi transaksi mobil bekas. Namun, sistem masih bersifat prototipe, bergantung pada kualitas citra, dan belum diterapkan pada lingkungan
produksi. Pengembangan lanjutan diperlukan untuk memperluas dataset, meningkatkan ketahanan terhadap variasi pencahayaan, serta implementasi pada skala yang lebih luas.