KURNIAWAN, ILHAM and Hayaty, Nurul and Irawan, Henky (2026) KLASIFIKASI JENIS GONGGONG BERDASARKAN FITUR WARNA DAN TEKSTUR CANGKANG MENGGUNAKAN ALGORITMA SVM (SUPPORT VECTOR MACHINE). S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) ILHAM_KURNIAWAN_2101020018 _Teknik_Informatika - Cover.pdf - Published Version Download (997kB)
	Text (Abstrak) ILHAM_KURNIAWAN_2101020018 _Teknik_Informatika - Abstrak.pdf - Published Version Download (193kB)
	Text (BAB I) ILHAM_KURNIAWAN_2101020018 _Teknik_Informatika - BAB I.pdf - Published Version Download (208kB)
	Text (Daftar Pustaka) ILHAM_KURNIAWAN_2101020018 _Teknik_Informatika - Daftar Pustaka.pdf - Published Version Download (261kB)
	Text (Full Teks) ILHAM_KURNIAWAN_2101020018 _Teknik_Informatika - Full Teks.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Gonggong merupakan salah satu biota laut yang memiliki nilai ekonomi dan ekologis, khususnya di wilayah Kepulauan Riau. Identifikasi jenis gonggong secara manual dapat mengalami kendala karena beberapa spesies memiliki kemiripan bentuk, warna, dan tekstur cangkang. Penelitian ini bertujuan untuk mengetahui seberapa baik performa algoritma Support Vector Machine (SVM) dalam mengklasifikasikan jenis gonggong berdasarkan fitur warna HSV dan tekstur GLCM pada citra cangkang menggunakan metrik accuracy, precision, recall, dan F1-score. Jenis gonggong yang diklasifikasikan terdiri atas tiga kelas, yaitu Canarium urceus, Dolomena turturella, dan Maculastrombus mutabilis. Dataset yang digunakan berjumlah 900 citra, dengan pembagian 720 citra sebagai data training dan 180 citra sebagai data testing. Tahapan penelitian meliputi preprocessing citra berupa resize, Gaussian Filter, segmentasi objek menggunakan RemBG, konversi HSV, dan konversi grayscale. Selanjutnya dilakukan ekstraksi 9 fitur HSV dan 20 fitur GLCM, sehingga setiap citra direpresentasikan menjadi vektor fitur berjumlah 29 fitur. Fitur tersebut kemudian dinormalisasi menggunakan Min-Max normalization dan diklasifikasikan menggunakan SVM kernel linear dengan strategi one-versus-one. Hasil pengujian menunjukkan bahwa model memperoleh accuracy sebesar 96,11%, precision sebesar 96,12%, recall sebesar 96,11%, dan F1-score sebesar 96,11%. Kelas Canarium urceus berhasil diklasifikasikan seluruhnya dengan benar, sedangkan kesalahan klasifikasi terjadi pada kelas Dolomena turturella dan Maculastrombus mutabilis akibat kemiripan warna, tekstur, bentuk, dan orientasi cangkang. Berdasarkan hasil tersebut, kombinasi fitur HSV dan GLCM dengan SVM kernel linear dapat digunakan untuk mengklasifikasikan jenis gonggong berdasarkan karakteristik visual cangkang secara cukup baik. Kata kunci: Gonggong, HSV, GLCM, SVM, klasifikasi citra, cangkang.

Actions (login required)

View Item