Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Journal of Computer Science and Information Technology
Tegar Surya Prayoga
Universitas muhammadiyah makassar
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Environmental Science Social Sciences

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

Found 1 Documents
Search
Journal : journal of computer science and information technology

 1 
ANALISIS KLASIFIKASI TINGKAT KEKERUHAN AIR BERBASIS CITRA MENGGUNAKAN HYBRID RESNET50 DAN SUPPORT VECTOR MACHINE Tegar Surya Prayoga; emil agusalim habitalib; Muhammad Faisal
Journal of Computer Science and Information Technology Vol. 3 No. 4 (2026): September
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jcsit.v3i4.4365

Abstract

Kualitas air merupakan aspek krusial yang memerlukan pemantauan berkelanjutan, salah satunya melalui tingkat kekeruhan secara visual. Meskipun arsitektur deep learning telah banyak digunakan, lapisan klasifikasi bawaannya sering kali kurang optimal dalam menangani batas keputusan yang kompleks (ambigu) pada citra dengan variasi visual tinggi, sehingga diperlukan integrasi dengan pengklasifikasi margin maksimal. Penelitian ini bertujuan mengembangkan model klasifikasi kekeruhan air berbasis citra menggunakan pendekatan Hybrid ResNet50 dan Support Vector Machine (SVM). Dataset terdiri dari 450 citra yang terbagi secara seimbang ke dalam tiga kelas: Air Jernih, Air Keruh, dan Air Kotor. Tahapan eksperimen meliputi preprocessing (normalisasi dan resize 224×224 piksel), ekstraksi fitur menggunakan ResNet50 (Transfer Learning ImageNet), dan klasifikasi menggunakan SVM Linear (C=0,1). Hasil pengujian menunjukkan bahwa model Hybrid ResNet50-SVM memperoleh Accuracy sebesar 86,67%, Precision 88,03%, Recall 86,67%, dan F1-Score 86,77%. Kinerja model hibrida ini terbukti lebih superior dalam membedakan kelas transisi dibandingkan arsitektur ResNet50-Softmax mandiri (83,33%) dan SVM fitur histogram (74,44%). Penggunaan hybrid ekstraktor fitur mendalam dan pengklasifikasi margin terbukti secara signifikan meningkatkan ketepatan deteksi. Secara praktis, akurasi tinggi dan arsitektur model yang robust ini memberikan fondasi yang kuat untuk implementasi sistem pemantauan kualitas air real-time berbasis Internet of Things (IoT) di lapangan, yang berpotensi memangkas waktu dan biaya operasional instrumen fisik konvensional.
Co-Authors emil agusalim habitalib Muhammad Faisal