Article Per Year (5 Year)
p-Index From 2021 - 2026
2.504
P-Index
This Author published in this journals
All Journal Format : Jurnal Imiah Teknik Informatika Sinkron : Jurnal dan Penelitian Teknik Informatika Bina Insani ICT Journal Informatics for Educators and Professional : Journal of Informatics Information Management For Educators And Professionals (IMBI) JISICOM (Journal of Information System, Infomatics and Computing) Zonasi: Jurnal Sistem Informasi JATI (Jurnal Mahasiswa Teknik Informatika) REMIK : Riset dan E-Jurnal Manajemen Informatika Komputer Jurnal Infortech Jurnal Digit : Digital of Information Technology Paradigma SATIN - Sains dan Teknologi Informasi Journal of Information Technology, Software Engineering and Computer Science
Rino Ramadan
Universitas Bina Sarana Informatika
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science Other

Published : 21 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 21 Documents
Search

 1   2   3 
Perbandingan Kinerja SVM, NN, Random Forest, dan KNN dalam Klasifikasi Tingkat Kematangan Buah Apel Rahadian Kusuma Atmaja; Ispandi Ispandi; Rino Ramadan; Oky Kurniawan; Andi Taufik
Journal of Information Technology, Software Engineering and Computer Science (ITSECS) Vol. 4 No. 3 (2026): Volume 4 Number 3 July 2026
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/itsecs.v4i3.384

Abstract

Penentuan tingkat kematangan buah apel secara visual masih rentan terhadap subjektivitas karena dipengaruhi oleh pengalaman pengamat, kondisi pencahayaan, dan kemiripan karakteristik antar tingkat kematangan. Penelitian ini bertujuan membandingkan kinerja Support Vector Machine (SVM), K-Nearest Neighbor (KNN), Neural Network (NN), dan Random Forest (RF) dalam mengklasifikasikan kematangan visual buah apel ke dalam tiga kelas, yaitu Belum Matang, Setengah Matang, dan Matang. Dataset terdiri atas 900 citra, masing-masing 300 citra per kelas, yang dibagi secara stratified menjadi 80% data latih dan 20% data uji. Tahap preprocessing meliputi resize citra menjadi 256 × 256 piksel, normalisasi, segmentasi objek, serta augmentasi pada data latih menggunakan horizontal flip, vertical flip, rotasi +15°, dan rotasi −15°. Fitur warna RGB, HSV, dan CIELAB, fitur tekstur GLCM, serta fitur bentuk digunakan sebagai masukan model. Optimasi hiperparameter dilakukan menggunakan stratified 5-fold cross-validation, sedangkan evaluasi menggunakan accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa SVM memberikan performa terbaik dengan accuracy 95,0%, precision 94,8%, recall 94,6%, dan F1-score 94,7%, diikuti KNN dengan accuracy 94,0%, NN 92,8%, dan RF 91,2%. Hasil ini menunjukkan bahwa SVM merupakan metode paling sesuai pada dataset dan skenario pengujian yang digunakan, sedangkan KNN menjadi alternatif dengan performa yang paling mendekati. Penelitian selanjutnya disarankan memperluas variasi dataset dan menguji generalisasi model pada kondisi pengambilan citra yang lebih beragam.
Co-Authors Adjat Sudradjat Adjat Sudradjat Adjat Sudradjat Adjat Sudrajat Agus Salim Andi Taufik Andreyestha Andreyestha Budi Santoso Esfimal Malau Gilang Purnama Adji Imam Nawawi Ismi Amalia Hoerunisa Ispandi Ispandi Ispandi ispandi ispandi Ispandi Ispandi, Ispandi Oky Kurniawan Rahadian Kusuma Atmaja Rahdian Kusuma Atmaja Richky Faizal Amir Suhardjono S Yuris Alkhalifi