Implementasi Convolutional Neural Network (CNN) dan Random Forest dalam klasifikasi tingkat kematangan buah semangka berdasarkan citra visual

Muharam, Ardian Malik (2025) Implementasi Convolutional Neural Network (CNN) dan Random Forest dalam klasifikasi tingkat kematangan buah semangka berdasarkan citra visual. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (26kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (77kB) | Preview
Preview	Text (PLAGIATRISM) 3_skbebasplagiatrism.pdf Download (971kB) | Preview
Preview	Text (DAFTAR ISI) 4_daftarisi.pdf Download (73kB) | Preview
Preview	Text (BAB I) 5_bab1.pdf Download (188kB) | Preview
	Text (BAB II) 6_bab2.pdf Restricted to Registered users only Download (124kB) | Request a copy
	Text (BAB III) 7_bab3.pdf Restricted to Registered users only Download (489kB) | Request a copy
	Text (BAB IV) 8_bab4.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB V) 9_bab5.pdf Restricted to Registered users only Download (29kB) | Request a copy
	Text (DAFTAR PUSTAKA) 10_daftarpustaka.pdf Restricted to Registered users only Download (108kB) | Request a copy
	Text (LAMPIRAN) 11_lampiran.pdf Restricted to Repository staff only Download (93kB) | Request a copy

Abstract

Penentuan tingkat kematangan buah semangka di Indonesia umumnya masih dilakukan secara manual, yang sering menghasilkan klasifikasi kurang konsisten dan bersifat subjektif. Penelitian ini mengusulkan pengembangan sistem klasifikasi tingkat kematangan semangka berbasis citra visual dengan pendekatan hybrid yang memadukan Convolutional Neural Network (CNN) dan Random Forest. Pada model ini, CNN berperan sebagai ekstraktor fitur untuk menangkap informasi visual dari citra semangka, sedangkan Random Forest digunakan sebagai algoritma klasifikasi akhir berdasarkan fitur yang telah diekstrak. Dataset yang digunakan mencakup tiga kategori kematangan: matang, setengah matang, dan mentah, dengan mempertimbangkan parameter visual seperti warna kulit, bentuk, dan ukuran semangka. Proses pelatihan memanfaatkan arsitektur pre-trained EfficientNetV2S sebagai CNN, di mana hasil ekstraksi fiturnya menjadi input bagi Random Forest. Evaluasi model menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan akurasi sebesar 87% dengan performa klasifikasi yang stabil, serta mampu mengklasifikasikan citra baru secara andal. Sistem ini diharapkan dapat memberikan metode klasifikasi kematangan semangka yang lebih objektif dan efisien.

Actions (login required)

View Item