Klasifikasi kematangan buah naga secara langsung oleh petani memiliki kelemahan karena dipengaruhi faktor subjektifitas dari petani tersebut seperti cepat lelah dan gangguan fisik lainnya. Hal ini menyebabkan kinerja petani tidak optimal dan kurang teliti sehingga klasifikasi kematangan menjadi tidak konsisten. Untuk itu, penelitian ini bertujuan untuk melakukan klasifikasi kematangan buah naga secara otomatis sehingga menjadi lebih efektif dan efesien karena dilakukan dengan standar yang sama dan konsisten meskipun dengan jumlah yang besar dengan memanfaatkan pengolahan citra. Tingkat kematangan buah naga akan diklasifikasi menjadi 3 kelas berdasarkan fitur warna HSV yaitu matang, setengah matang dan tidak matang. Metode yang digunakan untuk melakukan klasifikasi yaitu Multi-Class Support Vector Machine  Adapun data yang digunakan pada penelitian ini adalah 105 data yang terdiri dari 90 data latih dan 15 data uji. Hasil penelitian menunjukkan bahwa klasifikasi kematangan buah naga menggunakan algoritma Multi-Class Support Vector Machine menghasilkan akurasi 86,67%.