<![CDATA[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.]]>
Copyrights © 2026
