KLASIFIKASI HAMSTER DENGAN EKSTRAKSI CIRI GRAY LEVEL CO OCCURRENCE MATRIX MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR VGG-19

NURLITASARI, RATIH DWI (2025) KLASIFIKASI HAMSTER DENGAN EKSTRAKSI CIRI GRAY LEVEL CO OCCURRENCE MATRIX MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR VGG-19. Skripsi thesis, UPN "Veteran" Yogyakarta.

	Text SKRIPSI RATIH DWI NURLITASARI COVER.pdf Download (217kB)
	Text SKRIPSI RATIH DWI NURLITASARI LEMBAR PENGESAHAN PEMBIMBING.pdf Download (73kB)
	Text SKRIPSI RATIH DWI NURLITASARI LEMBAR PENGESAHAN PENGUJI.pdf Download (89kB)
	Text SKRIPSI RATIH DWI NURLITASARI ABSTRAK.pdf Download (237kB)
	Text SKRIPSI RATIH DWI NURLITASARI DAFTAR ISI.pdf Download (271kB)
	Text SKRIPSI RATIH DWI NURLITASARI DAFTAR PUSTAKA.pdf Download (211kB)
	Text SKRIPSI RATIH DWI NURLITASARI FINAL 123210010.pdf Restricted to Repository staff only Download (6MB)

Abstract

Hamster merupakan salah satu hewan peliharaan yang banyak digemari karena sifatnya
yang jinak dan bentuk tubuhnya yang menarik. Terdapat berbagai jenis hamster yang
memiliki karakteristik morfologi yang berbeda-beda, seperti warna bulu, bentuk tubuh, dan
ukuran. Namun, proses identifikasi jenis hamster secara manual sering kali menimbulkan
kesalahan, terutama bagi pengamat non-ahli, karena adanya kemiripan visual antar jenis.
Permasalahan ini menjadi penting karena kesalahan dalam klasifikasi dapat berdampak pada
pemeliharaan yang kurang tepat. Oleh karena itu, diperlukan suatu sistem klasifikasi
otomatis yang mampu mengidentifikasi jenis hamster secara akurat berdasarkan citra digital.
Penelitian ini mengembangkan sistem klasifikasi citra hamster dengan pendekatan
hybrid menggunakan metode Gray Level Co-Occurrence Matrix (GLCM) dan
Convolutional Neural Network (CNN) dengan arsitektur VGG19. Fitur tekstur diekstraksi
melalui GLCM untuk mendapatkan informasi pola tekstur seperti kontras, homogenitas, dan
energi. Sementara itu, fitur mendalam diperoleh dari lapisan fully connected pada model
VGG19 yang telah dilatih sebelumnya dengan dataset ImageNet. Kedua jenis fitur
digabungkan dan digunakan sebagai input dalam proses klasifikasi. Dataset citra dibagi
menjadi tiga subset, yaitu data latih, validasi, dan uji, sehingga proses pelatihan dan evaluasi
dapat dilakukan secara optimal. Proses pelatihan menggunakan kombinasi parameter seperti
optimizer, learning rate, batch size, dan epoch.
Hasil penelitian menunjukkan bahwa model hybrid GLCM-VGG19 mampu mencapai
kinerja yang tinggi, dengan akurasi sebesar 90%, precision 91%, recall 90%, dan F1-score
90%. Hasil ini membuktikan bahwa pendekatan penggabungan fitur tekstur dan fitur
mendalam dapat meningkatkan performa sistem klasifikasi, khususnya pada dataset citra
hewan dengan variasi sudut pandang dan latar belakang yang kompleks. Penelitian ini
berkontribusi dalam pengembangan sistem klasifikasi otomatis berbasis citra yang dapat
digunakan untuk membantu identifikasi jenis hamster secara lebih efisien dan akurat.
Kata Kunci: Klasifikasi Citra, GLCM, Ekstraksi Ciri Tekstur, Convolutional Neural
Network, VGG-19, Deep Learning, Hamster, Pengolahan Citra Digital

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	RATIH DWI NURLITASARI (Penulis-123210010) ; Bambang Yuwono (Pembimbing)
Uncontrolled Keywords:	Klasifikasi Citra, GLCM, Ekstraksi Ciri Tekstur, Convolutional Neural Network, VGG-19, Deep Learning, Hamster, Pengolahan Citra Digital
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	UPA Perpustakaan
Date Deposited:	21 Oct 2025 01:34
Last Modified:	21 Oct 2025 01:45
URI:	http://eprints.upnyk.ac.id/id/eprint/44609

Actions (login required)

View Item