TAMPUBOLON, PATRICIA ANGELINA and Hayaty, Nurul and Irawan, Feri (2026) IDENTIFIKASI KUALITAS MUTU TEMPE SEBAGAI BAHAN BAKU PRODUKSI MENGGUNAKAN EKSTRAKSI CIRI GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) DAN KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) (STUDI KASUS : SPPG TANJUNGPINANG TIMUR, AIR RAJA). S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) PATRICIA ANGELINA TAMPUBOLON_190155201038_Teknik Informatika_Cover.pdf - Published Version Download (908kB)
	Text (Abstrak) PATRICIA ANGELINA TAMPUBOLON_190155201038_Teknik Informatika_Abstrak.pdf - Published Version Download (125kB)
	Text (BAB I) PATRICIA ANGELINA TAMPUBOLON_190155201038_Teknik Informatika_BAB I.pdf - Published Version Download (205kB)
	Text (Daftar Pustaka) PATRICIA ANGELINA TAMPUBOLON_190155201038_Teknik Informatika_Daftar Pustaka.pdf - Published Version Download (270kB)
	Text (Full Text) PATRICIA_ANGELINA_TAMPUBOLON_190155201038_Teknik Informatika_Full Text.pdf Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

SPPG Sungai Carang, Air Raja, Tanjungpinang mengandalkan tempe sebagai bahan baku protein nabati utama dalam produksi pangan bergizi skala besar, sementara identifikasi kualitasnya masih dilakukan secara visual oleh petugas sehingga rawan subjektivitas dan kesalahan manusia. Penelitian ini bertujuan mengembangkan sistem identifikasi kualitas tempe secara otomatis dan nondestruktif menggunakan ekstraksi ciri tekstur Gray Level Co-Occurance Matrix (GLCM) dan ciri warna Mean Hue, Saturation, Value (HSV), yang selanjutnya diklasifikasikan menggunakan algoritma Support Vector Machine (SVM) berkernel Radial Basis Function (RBF) ke dalam tiga kategori, yaitu Layak Olah, Tidak Layak Olah, dan Busuk. Dataset yang digunakan berjumlah 150 citra untuk setiap kelas, dengan pembagian 80:20 untuk data latih dan data uji. Hasil pengujian menunjukkan model yang dibangun mencapai akurasi sebesar 94,44%, macro-average precision 95,55%, dan macro-average F1-score 94,48%. Performa terbaik diperoleh pada kelas Busuk dengan precision sempurna sebesar 100%, sedangkan kesalahan klasifikasi terbanyak terjadi pada batas antara kelas Layak Olah dan Tidak Layak Olah akibat kemiripan fitur pada ambang fermentasi. Seluruh proses telah diimplementasikan ke dalam sebuah prototipe aplikasi berbasis web menggunakan framework Flask sebagai alat bantu objektif bagi petugas SPPG dalam menyeleksi bahan baku tempe secara cepat dan konsisten.

Actions (login required)

View Item