Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Komputer, Informasi Teknologi, dan Elektro (KITEKTRO)
Syahrial Sinaga
Institut Teknologi Del

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Perbandingan Kinerja Support Vector Machine dan Convolutional Neural Network VGG16 untuk Klasifikasi Biji Kopi Berkualitas di Wilayah Habornas Syahrial Sinaga; Yulanda Pasaribu
Jurnal Komputer Informasi Teknologi dan Elektro Vol. 11 No. 2 (2026): August
Publisher : Departemen Teknik Elektro dan Komputer Universitas Syiah Kuala

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pemilahan biji kopi secara visual masih dipengaruhi subjektivitas, pencahayaan, dan kelelahan pengamat. Penelitian ini membangun serta membandingkan Support Vector Machine (SVM) dan Convolutional Neural Network (CNN) berarsitektur VGG16 untuk mengidentifikasi biji kopi berkualitas baik dan buruk dari wilayah Habornas. Dataset berbasis anotasi objek dipotong menggunakan bounding box dengan padding 10%, sehingga diperoleh 1.204 citra objek yang dibagi menjadi 1.056 data latih, 99 validasi, dan 49 uji. SVM menggunakan gabungan fitur Histogram of Oriented Gradients, histogram warna HSV, dan Local Binary Pattern, sedangkan VGG16 menerapkan transfer learning, augmentasi, dan fine-tuning blok kelima. SVM mencapai akurasi validasi 98,99% dan rerata akurasi validasi silang lima lipatan 99,39%. Pada data uji, kedua model memperoleh akurasi, F1-score makro, dan ROC-AUC sebesar 100%. Uji McNemar menghasilkan p-value 1,0, sehingga tidak ditemukan perbedaan prediksi yang signifikan. VGG16 lebih efisien pada lingkungan pengujian, dengan waktu inferensi 8,687 ms/citra dan ukuran model TFLite 14,170 MB, dibandingkan SVM 10,274 ms/citra dan 42,629 MB. Hasil menunjukkan kedua model setara secara prediktif, sementara VGG16 lebih sesuai untuk deployment yang mempertimbangkan ukuran dan kecepatan.
Co-Authors Yulanda Pasaribu