PRATIWI, ANNISA and Nurfalinda, Nurfalinda and Pertiwi, Marisha (2026) PERBANDINGAN SUPPORT VECTOR MACHINE (SVM) DAN LOGISTIC REGRESSION UNTUK KLASIFIKASI CITRA FILUM MOLLUSCA BERDASARKAN FITUR VISUAL (STUDI KASUS: PANTAI TRIKORA). S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) ANNISA_PRATIWI_2101020025_Teknik_Informatika - Cover.pdf - Published Version Download (613kB)
	Text (Abstrak) ANNISA_PRATIWI_2101020025_Teknik_Informatika - Abstrak.pdf - Published Version Download (287kB)
	Text (BAB I) ANNISA_PRATIWI_2101020025_Teknik_Informatika - BAB I.pdf - Published Version Download (410kB)
	Text (Daftar Pustaka) ANNISA_PRATIWI_2101020025_Teknik_Informatika - Daftar Pustaka.pdf - Published Version Download (309kB)
	Text (Full Teks) ANNISA_PRATIWI_2101020025_Teknik_Informatika - Full Teks.pdf - Published Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

ANNISA PRATIWI. Perbandingan Support Vector Machine (SVM) dan Logistic Regression untuk Klasifikasi Citra Filum Mollusca Berdasarkan Fitur Visual (Studi Kasus: Pantai Trikora). Dibimbing oleh Nurfalinda dan Marisha Pertiwi. Penelitian ini menyajikan penerapan metode Support Vector Machine (SVM) dan Logistic Regression dalam mengklasifikasikan citra filum Mollusca jenis Bivalvia dan Gastropoda berdasarkan fitur visual. Dataset yang digunakan terdiri dari 168 data pelatihan, 36 data validasi, dan 36 data pengujian dengan menggunakan ekstraksi fitur HSV (Hue, Saturation, Value), Hue Moments, dan GLCM (Gray Level Co-occurrence Matrix). Hasil pengujian menunjukkan bahwa algoritma SVM dengan kernel RBF memiliki performa yang lebih unggul dibandingkan Logistic Regression. Model SVM mencapai akurasi validasi sebesar 0,9722 dan akurasi pengujian sebesar 94,44% serta nilai precision sebesar 100%, recall sebesar 88,88% dan F1-score sebesar 94,11% dengan tingkat keberhasilan mengenali 34 dari 36 citra data uji dengan benar. Sedangkan Logistic Regression mencapai akurasi validasi sebesar 0,8333 dan akurasi pengujian sebesar 86,11%, serta nilai precision sebesar 80,95%, recall sebesar 94,44%, dan F1-score sebesar 87,18%, dengan tingkat keberhasilan mengenali 29 dari 36 citra data uji dengan benar. Selain itu, pada pengujian unknown label sistem memperoleh akurasi sebesar 95%, dengan tingkat keberhasilan mengenali 19 dari 20 citra di luar kelas pelatihan. Kata kunci: Mollusca, Bivalvia, Gastropoda, Support Vector Machine (SVM), Logistic Regression, HSV, Hue Moments, dan GLCM.

Actions (login required)

View Item