KLASIFIKASI SPESIES PLANKTON MENGGUNAKAN METODE ENSEMBLE LEARNING

Sileuw, Muhammad Fadli Fauzi (2025) KLASIFIKASI SPESIES PLANKTON MENGGUNAKAN METODE ENSEMBLE LEARNING. Skripsi thesis, UNIVERSITAS SANGGA BUANA YPKP.

	Text Cover.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (250kB)
	Text Lembar Pengesahan.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (670kB)
	Text Lembar Pernyataan.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (255kB)
	Text Abstrak.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (288kB)
	Text Bab 1.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (326kB)
	Text Skripsi Full.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (4MB) | Request a copy
	Text Daftar Pustaka.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (268kB)
	Text Surat Keterangan Hasil Cek Plagiarisme.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (692kB)

Abstract

Klasifikasi spesies plankton secara otomatis merupakan tantangan dalam bidang oseanografi dan ekologi laut, terutama karena keberagaman bentuk morfologi serta keterbatasan jumlah data yang tersedia. Masalah utama dalam penelitian ini adalah bagaimana memperoleh representasi numerik yang akurat dari citra plankton serta bagaimana meningkatkan akurasi dan stabilitas klasifikasi dengan menggunakan pendekatan ensemble learning. Tujuan dari penelitian ini adalah mengoptimalkan proses segmentasi dan ekstraksi fitur citra plankton, menerapkan metode ensemble learning yang menggabungkan Support Vector Machine (SVM) dan Random Forest (RF), serta mengevaluasi performa klasifikasi menggunakan berbagai skema validasi yaitu: train-test split, cross-validation, dan Grid Search CV. Penelitian ini menggunakan model U-Net untuk segmentasi citra plankton dan mengekstraksi fitur numerik berdasarkan karakteristik morfologi dan tekstur (GLCM). Selanjutnya, model klasifikasi dibangun dengan SVM, RF, dan Voting Classifier. Evaluasi dilakukan menggunakan dua skenario train-test split (80%-20% dan 95%-5%), serta validasi tambahan berupa 5-Fold dan 10-Fold Cross-Validation. Untuk optimasi hyperparameter, Grid Search CV diterapkan pada model SVM dan RF. Hasil pengujian menunjukkan bahwa model Voting Classifier mencapai akurasi tertinggi sebesar 98,40% pada skenario 95%-5%, sementara Random Forest memperoleh akurasi tertinggi sebesar 99,20% namun menunjukkan penurunan stabilitas saat proporsi data berubah. Model SVM menunjukkan performa yang konsisten dengan akurasi 97,84% setelah dilakukan optimasi. Hasil penelitian ini menunjukan pendekatan ensemble learning terbukti efektif dalam meningkatkan akurasi dan kestabilan klasifikasi plankton dibandingkan model individual.

Actions (login required)

View Item