PERBANDINGAN ALGORITMA SUPPORT VECTOR MACHINE DAN CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS UNTUK KLASIFIKASI TINGKAT KEMATANGAN BUAH JERUK KEPROK

Sunarso, Sunarso and Chairani, Chairani (2025) PERBANDINGAN ALGORITMA SUPPORT VECTOR MACHINE DAN CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS UNTUK KLASIFIKASI TINGKAT KEMATANGAN BUAH JERUK KEPROK. Skripsi thesis, Institut Informatika dan Bisnis Darmajaya.

	Text COVER.pdf Download (206kB)
	Text LEMBAR PERNYATAAN.pdf Download (210kB)
	Text HALAMAN PERSETUJUAN.pdf Download (410kB)
	Text HALAMAN PENGESAHAN.pdf Download (452kB)
	Text HALAMAN PERSEMBAHAN.pdf Download (185kB)
	Text MOTO.pdf Download (358kB)
	Text RIWAYAT HIDUP.pdf Download (183kB)
	Text INTISARI.pdf Download (183kB)
	Text PRAKATA.pdf Download (302kB)
	Text DAFTAR ISI.pdf Download (201kB)
	Text DAFTAR TABEL.pdf Download (183kB)
	Text DAFTAR GAMBAR.pdf Download (197kB)
	Text BAB I.pdf Download (408kB)
	Text BAB II.pdf Download (1MB)
	Text BAB III.pdf Download (778kB)
	Text BAB IV.pdf Download (997kB)
	Text BAB V.pdf Download (185kB)
	Text DAFTAR PUSTAKA.pdf Download (409kB)
	Text LAMPIRAN.pdf Download (299kB)

Abstract

Buah jeruk keprok merupakan komoditas pertanian yang digemari masyarakat karena rasa dan kandungan gizinya. Namun, dalam proses distribusi dan konsumsi, sering kali terjadi ketidaksesuaian antara tingkat kematangan buah dengan kebutuhan konsumen. Oleh karena itu, klasifikasi tingkat kematangan buah jeruk secara otomatis menjadi solusi penting untuk menjamin kualitas produk. Penelitian ini bertujuan untuk membandingkan performa dua algoritma klasifikasi citra, yaitu Support Vector Machine (SVM) dan Convolutional Neural Network (CNN), yang masing-masing dikombinasikan dengan Principal Component Analysis (PCA) sebagai metode reduksi dimensi. Dataset diperoleh dari Kaggle dan diklasifikasikan ke dalam tiga kategori: matang, mentah, dan busuk.. Hasil pengujian menunjukkan bahwa model CNN tanpa PCA mencapai akurasi tertinggi sebesar 99,56%, sementara ketika dikombinasikan dengan PCA, akurasinya turun drastis menjadi 76,4%. Sebaliknya, SVM tanpa PCA mencatat akurasi 99%, dan kombinasi SVM + PCA menghasilkan akurasi 98,89%, menunjukkan bahwa PCA lebih cocok digabungkan dengan SVM. Dengan selisih performa akurasi sebesar 22,5% antara SVM + PCA dan CNN + PCA, disimpulkan bahwa metode SVM yang dipadukan dengan PCA lebih unggul untuk klasifikasi tingkat kematangan buah jeruk keprok. Diharapkan Temuan ini memberikan kontribusi penting dalam pengembangan sistem klasifikasi buah secara otomatis berbasis citra digital.

Item Type:	Thesis (Skripsi)
Subjects:	Ilmu Komputer eSkripsi
Divisions:	Skripsi/TA & PKPM/KP - Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	Sunarso nar so
Date Deposited:	23 Jun 2025 08:08
Last Modified:	23 Jun 2025 08:08
URI:	http://repo.darmajaya.ac.id/id/eprint/20464

Actions (login required)

View Item