ANALISIS KOMBINASI EKSTRAKSI FITUR LBP, GLCM, DAN HSV UNTUK KLASIFIKASI KUALITAS CABAI RAWIT MENGGUNAKAN XGBOOST

ZAMZANI, ZAIN MUZADID (2025) ANALISIS KOMBINASI EKSTRAKSI FITUR LBP, GLCM, DAN HSV UNTUK KLASIFIKASI KUALITAS CABAI RAWIT MENGGUNAKAN XGBOOST. Undergraduate thesis, UPN Veteran Jawa Timur.

	Text (Cover) 21081010174_Cover.pdf Download (807kB)
	Text (Bab 1) 21081010174_BAB I.pdf Download (277kB)
	Text (Bab 2) 21081010174_BAB II.pdf Restricted to Repository staff only Download (788kB)
	Text (Bab 3) 21081010174_BAB III.pdf Restricted to Repository staff only Download (986kB)
	Text (Bab 4) 21081010174_BAB IV.pdf Restricted to Repository staff only Download (3MB)
	Text (Bab 5) 21081010174_BAB V.pdf Download (262kB)
	Text (Daftar Pustaka) 21081010174_Daftar Pustaka.pdf Download (236kB)
	Text (Lampiran) 21081010174_Lampiran.pdf Restricted to Repository staff only Download (4MB)

Abstract

Cabai rawit (Capsicum frutescens L.) merupakan komoditas hortikultura bernilai ekonomi tinggi, sehingga penentuan kualitasnya menjadi faktor penting dalam menentukan harga jual maupun kelayakan konsumsi. Selama ini penilaian kualitas masih dilakukan secara manual, yang cenderung subjektif dan kurang efisien. Untuk mengatasi hal tersebut, penelitian ini mengusulkan klasifikasi kualitas cabai rawit berbasis pengolahan citra digital menggunakan algoritma eXtreme Gradient Boosting (XGBoost) dengan tiga jenis fitur, yaitu Local Binary Pattern (LBP), Gray Level Co-occurrence Matrix (GLCM), dan Hue Saturation Value (HSV). Dataset yang digunakan terdiri dari 1.200 citra primer cabai rawit dalam enam kelas kualitas (mentah, setengah matang, matang, kering, busuk, dan antraknosa). Proses penelitian ini diawali dengan pre-processing berupa background removal, resize, dan augmentasi data untuk menyiapkan citra cabai rawit. Setelah itu dilakukan ekstraksi fitur tekstur menggunakan LBP dan GLCM, serta fitur warna HSV baik secara individu maupun dalam kombinasi. Fitur-fitur tersebut kemudian digunakan sebagai masukan pada algoritma XGBoost dengan berbagai konfigurasi parameter dan skema pembagian data latih-uji 90:10, 80:20, dan 70:30. Hasil terbaik diperoleh dari kombinasi LBP, GLCM, dan HSV dengan akurasi 95,83%, precision 0,9586, recall 0,9583, F1-score 0,9581, serta waktu pelatihan 29,40 detik, menggunakan parameter learning_rate 0,1, n_estimators 100, dan max_depth 12.

Item Type:

Thesis (Undergraduate)

Contributors:

Contribution	Contributors	NIDN/NIDK	Email
Thesis advisor	PUSPANINGRUM, EVA YULIA	NIDN0005078908	evapuspaningrum.if@upnjatim.ac.id
Thesis advisor	VIA, YISTI VITA	NIDN0025048602	yistivia.if@upnjatim.ac.id

Subjects:

Q Science > Q Science (General)
Q Science > QA Mathematics
Q Science > QA Mathematics > QA76.87 Neural computers

Divisions:

Faculty of Computer Science > Departemen of Informatics

Depositing User:

ZAIN MUZADID ZAMZANI

Date Deposited:

15 Sep 2025 07:04

Last Modified:

15 Sep 2025 07:04

URI:

https://repository.upnjatim.ac.id/id/eprint/43525