KLASIFIKASI JENIS DAN KUALITAS IKAN CHANNA MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM)

Sagala, Wiboyanto (2025) KLASIFIKASI JENIS DAN KUALITAS IKAN CHANNA MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM). Skripsi thesis, UNIVERSITAS SANGGA BUANA YPKP.

	Text 1 cover.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (167kB)
	Text 2 pengesahan.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (121kB)
	Text 3 pernyataan.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (98kB)
	Text 4 abstrak.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (21kB)
	Text 5 bab1.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (53kB)
	Text 6 full skripsi 2113211098-Wiboyanto Sagala-Assoc. Prof. Slamet Risnanto, S.T., M.Kom., Ph.D..pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (2MB) | Request a copy
	Text 7 dafpus.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (170kB)
	Text 8 plagi.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (465kB)

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi jenis dan kualitas ikan Channa secara manual masih menghadapi tantangan subjektivitas dan ketidakkonsistenan, terutama dalam kegiatan budidaya dan kontes ikan hias. Untuk mengatasi permasalahan tersebut, dikembangkan sistem klasifikasi otomatis berbasis citra digital menggunakan metode Support Vector Machine (SVM) dua tahap. Penelitian ini bertujuan untuk membangun sistem klasifikasi ikan Channa berdasarkan kombinasi fitur visual seperti warna sisik dan bentuk anatomi tubuh, serta menguji keandalannya sebagai alat bantu bagi pembudidaya dan penggemar ikan hias. Fitur yang diekstraksi meliputi Histogram of Oriented Gradients (HOG), Local Binary Pattern (LBP), Gray Level Co-occurrence Matrix (GLCM), morfologi tubuh (area dan rasio), serta warna HSV (Hue, Saturation, Value). Sistem dibangun menggunakan antarmuka web berbasis Flask, dengan dua tahap klasifikasi: prediksi jenis ikan terlebih dahulu, lalu dilanjutkan dengan klasifikasi kualitas (grade). Hasil pengujian menunjukkan bahwa model mampu mengklasifikasikan jenis ikan dengan akurasi 86,28% dan kualitas (grade) sebesar 85,93%. Validasi pengguna melalui Google Form menunjukkan respons positif terhadap kemudahan penggunaan, tampilan antarmuka, serta manfaat sistem, dengan skor rata-rata penilaian sebesar 82,11%. Sistem ini berkontribusi dalam memberikan solusi klasifikasi yang efisien, objektif, dan mudah diakses oleh masyarakat luas.

Actions (login required)

View Item