Klasifikasi Jenis Ras Kucing Berdasarkan Citra Menggunakan Metode Support Vector Machine Dengan Ekstraksi Tekstur Gray Level Co- Occurrence Matrix Dan Ekstraksi Fitur Warna Red Green Blue

PUTRI, HELMA LIANA (2024) Klasifikasi Jenis Ras Kucing Berdasarkan Citra Menggunakan Metode Support Vector Machine Dengan Ekstraksi Tekstur Gray Level Co- Occurrence Matrix Dan Ekstraksi Fitur Warna Red Green Blue. Diploma thesis, UPN Veteran Yogyakarta.

	Text Skripsi Fulltext_Helma Liana Putri_123200030.pdf Restricted to Repository staff only Download (2MB)
	Text Abstrak_Helma Liana Putri_123200030.pdf Download (37kB)
	Text Cover_Helma Liana Putri_123200030.pdf Download (204kB)
	Text Daftar Isi_Helma Liana Putri_123200030.pdf Download (138kB)
	Text Daftar Pustaka_Helma Liana Putri_123200030.pdf Download (103kB)
	Text Pengesahan_Helma Liana Putri_123200030.pdf Download (117kB)

Abstract

Kucing merupakan salah satu hewan peliharaan yang populer, dengan berbagai jenis
ras yang tersebar di seluruh dunia. Namun, hanya sekitar 1% dari populasi kucing di dunia
adalah kucing ras murni, sedangkan sisanya merupakan kucing liar atau domestik. Oleh
karena itu, diperlukan sebuah sistem berbasis machine learning yang mampu
mengidentifikasi dan mengklasifikasikan ras kucing secara akurat. Penelitian ini
mengusulkan penggunaan metode Support Vector Machine (SVM) dalam kombinasi dengan
ekstraksi fitur warna menggunakan RGB dan fitur tekstur menggunakan Gray Level Co-
occurrence Matrix (GLCM) untuk klasifikasi citra kucing.
Support Vector Machine merupakan algoritma mechine learning bersifat terawasi
(supervised) yang bisa dipergunakan buat menentukan klasifikasi/regresi. Tetapi, lebih
dominan dipergunakan dalam menentukan masalah klasifikasi. Untuk meningkatkan
performa dari SVM ini membutuhkan metode pendukung untuk pemodelan ekstraksi fitur
yang lebih baik. Penggabungan metode Red Green Blue untuk ekstraksi fitur warna dan Gray
Level Co-occurrence Matrix untuk metode ekstraksi tekstur dapat menghasilkan akurasi
yang baik.
Hasil pengujian menunjukkan bahwa penggabungan metode yang diusulkan mampu
mengklasifikasikan jenis ras kucing dengan akurasi yang baik. Pengujian ini dilakukan
menjadi tiga model pengujian yaitu pengujian fitur warna RGB, pengujian ekstraksi tekstur
GLCM dan pengujian penggabungan antara RGB dan GLCM menghasilkan nilai akurasi
masing-masing sebesar 39%, 90% dan 95%. Penelitian ini menunjukkan bahwa kombinasi
SVM dengan RGB dan GLCM efektif dalam menangani klasifikasi citra berdasarkan citra
mampu menghasilkan akurasi sebesar 95%.
Kata Kunci : Kucing, Klasifikasi, Support Vector machine, RGB, GLCM

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Kucing, Klasifikasi, Support Vector machine, RGB, GLCM
Subjects:	Q Science > Q Science (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eny Suparny
Date Deposited:	04 Oct 2024 04:16
Last Modified:	04 Oct 2024 04:16
URI:	http://eprints.upnyk.ac.id/id/eprint/41405

Actions (login required)

View Item