KLASIFIKASI VARIETAS ANGGUR BERDASARKAN CITRA DAUN MENGGUNAKAN CNN-XGBOOST

ELZANDY, IMELDHA (2025) KLASIFIKASI VARIETAS ANGGUR BERDASARKAN CITRA DAUN MENGGUNAKAN CNN-XGBOOST. Undergraduate thesis, UNIVERSITAS PEMBANGUNAN NASIONAL "VETERAN" JAWA TIMUR.

	Text (COVER) Cover1.pdf Download (1MB)
	Text (BAB 1) Bab 1.pdf Download (68kB)
	Text (BAB 2) Bab 2.pdf Restricted to Repository staff only until 8 June 2027. Download (823kB)
	Text (BAB 3) Bab 3.pdf Restricted to Repository staff only until 8 June 2027. Download (561kB)
	Text (BAB 4) Bab 4.pdf Restricted to Repository staff only until 8 June 2027. Download (1MB)
	Text (BAB 5) Bab 5.pdf Download (58kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Download (131kB)
	Text (LAMPIRAN) Lampiran.pdf Download (129kB)

Abstract

Tanaman anggur memiliki varietas beragam dengan karakteristik daun yang cukup mirip antar varietas. Kondisi ini menjadi tantangan tersendiri dalam proses pengenalan varietas, terutama bagi masyarakat awam. Penelitian ini bertujuan untuk melakukan klasifikasi varietas anggur berdasarkan citra daun menggunakan kombinasi metode CNN sebagai ekstraksi fitur dan XGBoost sebagai klasifikasi. Adapun empat varietas anggur yang digunakan pada penelitian ini, yaitu Jumer, Ninel, Ruby88, dan Transfigurasi. Dataset yang digunakan berjumlah 2400 citra daun, yang kemudian dilakukan proses ekstraksi fitur menggunakan arsitektur VGG-16 dan diklasifikasikan menggunakan XGBoost. Model dievaluasi menggunakan metrik akurasi, presisi, recall, dan f1-score. Penelitian ini menguji performa model pada beberapa skenario pembagian data, yaitu rasio 90:10, 80:20, 70:30, dan 60:40. Selain itu, kombinasi parameter juga digunakan, antara lain learning_rate = 0.1 dan 0.5, max_depth = 5 dan 7, n_estimators = 100 dan 250, dan subsample = 0.8 dan 1. Hasil pada penelitian menunjukkan bahwa kombinasi metode CNN dan XGBoost mampu menghasilkan akurasi klasifikasi yang terbaik pada rasio pembagian data 90:10 dengan hasil 89.58%.

Item Type:

Thesis (Undergraduate)

Contributors:

Contribution	Contributors	NIDN/NIDK	Email
Thesis advisor	PUSPANINGRUM, EVA YULIA	NIDN0005078908	evapuspaningrum.if@upnjatim.ac.id
Thesis advisor	NURLAILI, AFINA LINA	NIDN0013129303	afina.lina.if@upnjatim.ac.id

Subjects:

T Technology > T Technology (General)

Divisions:

Faculty of Computer Science > Departemen of Informatics

Depositing User:

Imeldha Elzandy

Date Deposited:

17 Jun 2025 06:36

Last Modified:

17 Jun 2025 06:36

URI:

https://repository.upnjatim.ac.id/id/eprint/37196