Search for collections on Undip Repository

Penerapan Hybrid Densenet121-SVM Pada Klasifikasi Citra Daging Babi dan Sapi

MITSLINA, Mitslina (2026) Penerapan Hybrid Densenet121-SVM Pada Klasifikasi Citra Daging Babi dan Sapi. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

[thumbnail of 1. COVER.pdf] Text
1. COVER.pdf

Download (181kB)
[thumbnail of 3. HALAMAN PENGESAHAN.pdf] Text
3. HALAMAN PENGESAHAN.pdf

Download (387kB)
[thumbnail of 4. KATA PENGANTAR.pdf] Text
4. KATA PENGANTAR.pdf

Download (449kB)
[thumbnail of 6. ABSTRAK.pdf] Text
6. ABSTRAK.pdf

Download (547kB)
[thumbnail of 7. ABSTRACT.pdf] Text
7. ABSTRACT.pdf

Download (474kB)
[thumbnail of 8. DAFTAR ISI.pdf] Text
8. DAFTAR ISI.pdf

Download (550kB)
[thumbnail of 11. BAB I PENDAHULUAN.pdf] Text
11. BAB I PENDAHULUAN.pdf

Download (131kB)
[thumbnail of 16. DAFTAR PUSTAKA.pdf] Text
16. DAFTAR PUSTAKA.pdf

Download (2MB)

Abstract

Peningkatan konsumsi daging sapi di Indonesia diiringi tantangan verifikasi kehalalan akibat kemiripan karakteristik visual dengan daging babi, sementara metode identifikasi
konvensional dinilai kurang praktis untuk penggunaan lapangan dan metode deep learning murni rentan mengalami overfitting pada dataset terbatas. Penelitian ini bertujuan membangun model klasifikasi otomatis menggunakan pendekatan hybrid yang mengintegrasikan arsitektur DenseNet121 sebagai pengekstraksi fitur dan Support Vector Machine (SVM) sebagai pengklasifikasi. Evaluasi kinerja model dilakukan menggunakan
244 citra digital dari dataset Kaggle yang dibagi dengan rasio 64:16:20 untuk menguji pengaruh teknik augmentasi data serta optimasi hyperparameter yang meliputi batch size, learning rate, dropout, jenis kernel, dan nilai parameter regularisasi (C). Hasil eksperimen menunjukkan bahwa skenario pelatihan dengan augmentasi data terbukti paling efektif dalam meningkatkan generalisasi model dan mencapai akurasi pengujian sempurna sebesar 100%, mengungguli skenario tanpa augmentasi yang mencapai 98%. Kinerja optimal tersebut dicapai menggunakan kombinasi hyperparameter DenseNet121 dengan batch size
32, learning rate 10 , dan dropout 0,5, serta konfigurasi SVM menggunakan kernel Linear dengan parameter C bernilai 1. Penelitian ini menyimpulkan bahwa metode hybrid DenseNet121-SVM dengan strategi augmentasi data dan pemilihan parameter yang tepat merupakan pendekatan yang akurat dan robust untuk identifikasi keaslian citra daging.
Kata kunci : Augmentasi Data, Daging Babi, Daging Sapi, DenseNet121, Hybrid Deep Learning, SVM.

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 04:51
Last Modified: 23 Jan 2026 04:51
URI: https://eprints2.undip.ac.id/id/eprint/43780

Actions (login required)

View Item View Item