View/Open

Author
Marleta, Cornelia Leander

Date Published
17 Apr 2026

Advisor
Christyan Tamaro Nadeak, S.Si., M.Si.,
Linda Rassiyanti, S.Si., M.Si.,

Subject
Sains Data

Publisher

Klasifikasi varietas beras merupakan permasalahan penting dalam bidang pertanian dan industri pangan karena perbedaan varietas memengaruhi kualitas dan nilai jual produk. Penelitian ini bertujuan mengembangkan dan mengevaluasi strategi klasifikasi multi-kelas berbasis Support Vector Machine (SVM) hibrida menggunakan pendekatan Directed Acyclic Graph–Rest-vs-Rest (DAG–RvR) yang dikembangkan dari struktur One-vs-One (OvO) untuk mengklasifikasikan varietas beras. Dataset yang digunakan adalah Rice Image Dataset yang terdiri dari 75.000 citra lima varietas beras, yaitu Arborio, Basmati, Ipsala, Jasmine, dan Karacadag. Setiap citra diproses melalui tahapan pra-pemrosesan, dilanjutkan dengan ekstraksi fitur morfologi dan fitur tekstur menggunakan Gray Level Co-occurrence Matrix (GLCM), kemudian disusun menjadi dataset numerik untuk proses klasifikasi. Hasil eksperimen menunjukkan bahwa pendekatan SVM konvensional berbasis DAG–OvO menghasilkan kinerja terbaik dengan akurasi sebesar 0,98978488, sedangkan pendekatan SVM hibrida berbasis DAG–RvR dengan K-Means–OvO memperoleh akurasi yang sedikit lebih rendah yaitu 0,98967599. Kedua pendekatan menunjukkan kualitas prediksi yang sangat baik dengan nilai precision, recall, dan F1-score (macro average) sebesar 0,99. Selain itu, pendekatan DAG–RvR berbasis K-Means–OvO memiliki keunggulan dalam efisiensi waktu pengujian yang lebih cepat dibandingkan pendekatan DAG–OvO konvensional.

URI
https://repo.itera.ac.id/depan/submission/SB2604150015

Keyword
Directed Acyclic Graph klasifikasi varietas beras K-Means Rest-vs-Rest Support Vector Machine