Klasifikasi Jenis Sampah Menggunakan Algoritma Random Forest Dan Ekstraksi Fitur Glcm Dan Hsv

KAMILA, Aghnia Alifya (2026) Klasifikasi Jenis Sampah Menggunakan Algoritma Random Forest Dan Ekstraksi Fitur Glcm Dan Hsv. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (117kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (439kB)
	Text 4. KATA PENGANTAR.pdf Download (585kB)
	Text 6. ABSTRAK.pdf Download (170kB)
	Text 7. ABSTRACT.pdf Download (169kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (219kB)
	Text 16. DAFTAR PUSTAKA.pdf Download (242kB)

Abstract

Peningkatan volume sampah dan rendahnya praktik pemilahan di masyarakat menuntut adanya teknologi yang mampu mengidentifikasi jenis sampah secara otomatis agar
pengelolaan menjadi lebih efisien. Penelitian ini bertujuan mengembangkan model klasifikasi jenis sampah menggunakan kombinasi ekstraksi fitur tekstur Gray Level Cooccurrence Matrix (GLCM) dan fitur warna Hue Saturation Value (HSV), serta algoritma Random Forest. Dataset yang digunakan terdiri dari 4.650 citra sampah enam kelas (plastic, paper, metal, glass, battery, organic) dari Kaggle. Tahapan penelitian meliputi
preprocessing citra, ekstraksi fitur GLCM pada empat orientasi sudut (0°, 45°, 90°, 135°) dan fitur HSV, pembagian data menjadi 80% data latih dan 20% data uji, serta klasifikasi menggunakan Random Forest dengan 200 pohon keputusan. Hasil penelitian menunjukkan bahwa kombinasi fitur GLCM sudut 135° dan HSV memberikan kinerja terbaik dengan akurasi 82%, lebih tinggi dibandingkan penggunaan GLCM tunggal (68%) maupun HSV
tunggal (74%). Analisis Permutation Feature Importance mengungkapkan bahwa fitur warna HSV, khususnya kanal Value, berkontribusi dominan pada sebagian besar kelas, sedangkan fitur tekstur GLCM berperan penting pada kelas tertentu yang memiliki pola tekstur khas. Temuan ini menegaskan bahwa penggabungan informasi tekstur dan warna menghasilkan representasi citra yang lebih efektif untuk membedakan jenis sampah dibandingkan penggunaan salah satu fitur secara terpisah.
Kata kunci : Klasifikasi Sampah, GLCM, HSV, Random Forest

Item Type:	Thesis (Undergraduate)
Subjects:	Sciences and Mathemathic
Divisions:	Faculty of Science and Mathematics > Department of Informatics
Depositing User:	Yemima Laras Sekarsari
Date Deposited:	23 Jan 2026 04:46
Last Modified:	23 Jan 2026 04:46
URI:	https://eprints2.undip.ac.id/id/eprint/43778

Actions (login required)

View Item

Search for collections on Undip Repository