View/Open

Author
Dinda, Nababan

Date Published
04 Jun 2026

Advisor
Christyan Tamaro Nadeak, S.Si., M.Si.,
Rian Kurnia, M.Si.,

Subject
Sains Data

Publisher

Klasifikasi varietas kacang kering secara manual cenderung tidak efisien dan rentan terhadap kesalahan, khususnya pada skala produksi yang besar, sehingga diperlukan sistem klasifikasi otomatis yang akurat dan efisien. Support Vector Machine (SVM) telah terbukti efektif dalam berbagai tugas klasifikasi, namun penerapannya pada kasus multikelas menghadapi tantangan komputasi yang signifikan. Oleh karena itu, untuk mengatasi keterbatasan tersebut, penelitian ini mengusulkan dua metode hibrida berbasis Directed Acyclic Graph (DAG), yaitu DAG-OvR dengan strategi majority-first ordering dan DAG-RvR dengan strategi balanced partition. Keempat metode (OvO, OvR, DAG-OvR, dan DAG-RvR) dievaluasi menggunakan Dry Bean Dataset yang terdiri atas tujuh varietas, 13611 sampel, dan 16 fitur morfologi, dengan optimasi hyperparameter melalui Grid Search cross-validation. Hasil menunjukkan bahwa rentang akurasi keempat model relatif sempit (91,96%–92,69%), yang mengindikasikan kinerja klasifikasi yang relatif setara. Namun, dari sisi efisiensi komputasi, DAG-RvR menunjukkan performa terbaik dengan waktu testing sebesar 1,51 detik, lebih rendah dibandingkan OvO (13,26 detik) dan OvR (3,22 detik). Dengan demikian, DAG-RvR direkomendasikan sebagai pendekatan multikelas SVM yang lebih efisien tanpa mengorbankan kinerja klasifikasi.

URI
https://repo.itera.ac.id/depan/submission/SB2606050031

Keyword
Directed Acyclic Graph Dry Bean Dataset Efisiensi Komputasi Klasifikasi Multikelas Support Vector Machine