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.

[img] Text (COVER)
Cover1.pdf

Download (1MB)
[img] Text (BAB 1)
Bab 1.pdf

Download (68kB)
[img] Text (BAB 2)
Bab 2.pdf
Restricted to Repository staff only until 8 June 2027.

Download (823kB)
[img] Text (BAB 3)
Bab 3.pdf
Restricted to Repository staff only until 8 June 2027.

Download (561kB)
[img] Text (BAB 4)
Bab 4.pdf
Restricted to Repository staff only until 8 June 2027.

Download (1MB)
[img] Text (BAB 5)
Bab 5.pdf

Download (58kB)
[img] Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf

Download (131kB)
[img] 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:
ContributionContributorsNIDN/NIDKEmail
Thesis advisorPUSPANINGRUM, EVA YULIANIDN0005078908evapuspaningrum.if@upnjatim.ac.id
Thesis advisorNURLAILI, AFINA LINANIDN0013129303afina.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

Actions (login required)

View Item View Item