AMBARWATI, ARISKA DWI and Nurfalinda, Nurfalinda and Marisha, Pertiwi (2025) IDENTIFIKASI JENIS MANGROVE MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) DI PULAU BINTAN. S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) Ariska Dwi Ambarwati_2101020002_Teknik Informatika_Cover.pdf - Published Version Download (582kB)
	Text (Abstrak) Ariska Dwi Ambarwati_2101020002_Teknik Informatika_Abstrak.pdf - Published Version Download (243kB)
	Text (Bab I) Ariska Dwi Ambarwati_2101020002_Teknik Informatika_Bab I.pdf - Published Version Download (274kB)
	Text (Daftar Pustaka) Ariska Dwi Ambarwati_2101020002_Teknik Informatika_Daftar Pustaka.pdf - Published Version Download (234kB)
	Text (Full Teks) Ariska Dwi Ambarwati_2101020002_Teknik Informatika_Full Teks.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Penelitian ini menyajikan penerapan metode Support Vector Machine dengan One Against One (OAO) dan One Against All (OAA) untuk mengklasifikasikan 10 jenis mangrove dengan dua variasi latar belakang citra, yaitu putih dan alami. Dataset yang digunakan terdiri dari 1800 data pelatihan dan 200 data pengujian yang diekstraksi menggunakan fitur tekstur GLCM dan bentuk. Tiga jenis kernel diterapkan dalam model, yaitu linear, polynomial, dan RBF. Hasil pengujian menunjukkan bahwa model SVM OAO memiliki performa lebih unggul dibandingkan SVM OAA pada citra latar belakang putih, dengan akurasi 0.91 serta nilai precision, recall, dan F1-score masing-masing sebesar 0.91. Sebaliknya, SVM OAA mencapai akurasi 0.84 dengan recall 0.85, precision 0.84, dan F1-score 0.84. Namun, pada pengujian citra berlatar belakang alami, kinerja kedua model menurun signifikan dengan akurasi masing-masing sebesar 0.36 untuk SVM OAO dan 0.35 untuk SVM OAA. Selain itu, pada pengujian unknown label mendapat akurasi sebesar 0.80. Penilaian terhadap model ini memperlihatkan bahwa kedua model dapat mengenali jenis mangrove dari citra yang diunggah. Model SVM One Against One memberikan hasil klasifikasi terbaik dalam melakukan identifikasi.

Actions (login required)

View Item