PERBANDINGAN KINERJA ALGORITMA RANDOM FOREST DAN CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK KLASIFIKASI CITRA KUCING

Iwung, Hilaria (2026) PERBANDINGAN KINERJA ALGORITMA RANDOM FOREST DAN CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK KLASIFIKASI CITRA KUCING. Diploma thesis, Universitas Nasional.

	Text COVER.pdf Download (1MB)
	Text BAB I.pdf Download (1MB)
	Text BAB II.pdf Download (3MB)
	Text BAB III.pdf Download (3MB)
	Text BAB IV.pdf Download (5MB)
	Text BAB V.pdf Download (708kB)
	Text LAMPIRAN.pdf Download (1MB)

Abstract

Klasifikasi ras kucing merupakan tantangan signifikan dalam bidang
Computer Vision akibat tingginya kemiripan visual antar-ras (fine-grained
classification) dan variasi pola di dalam satu ras. Penelitian ini bertujuan untuk
membandingkan kinerja dua pendekatan pembelajaran mesin yang berbeda secara
fundamental, yaitu Random Forest (RF) berbasis fitur manual dan Convolutional
Neural Network (CNN) berbasis fitur otomatis, dalam mengklasifikasikan citra ras
kucing. Fokus penelitian adalah pada tiga ras kucing dengan karakteristik visual
yang distingtif, yaitu Bombay, Siamese, dan Persian.
Metodologi penelitian dirancang secara komparatif menggunakan dataset
publik dari Kaggle yang dibagi dengan proporsi 80:10:10. Jalur RF menerapkan
ekstraksi fitur manual melalui gabungan Histogram of Oriented Gradients (HOG)
untuk bentuk dan Color Histogram untuk warna. Sebaliknya, jalur CNN
menggunakan teknik Transfer Learning dengan arsitektur ResNet50V2. Kinerja
kedua model dievaluasi berdasarkan akurasi, presisi, recall, dan F1-score. Hasil
pengujian menunjukkan bahwa CNN secara signifikan mengungguli Random
Forest dengan akurasi mencapai 93,00%, sedangkan RF hanya mencapai 68,33%.
Analisis lebih lanjut memperlihatkan bahwa fitur manual pada RF kesulitan
menangkap detail tekstur kompleks pada ras Persian, sementara fitur otomatis pada
CNN mampu melakukan generalisasi dengan sangat baik. Penelitian ini
menyimpulkan bahwa pendekatan Deep Learning (CNN) jauh lebih efektif dan
robust dibandingkan metode tradisional untuk penyelesaian masalah klasifikasi ras
hewan.

Item Type:	Thesis (Diploma)
Subjects:	T Technology > T Technology (General)
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Teknik Informatika
Depositing User:	Fitria Nur Indah Hasanah
Date Deposited:	18 May 2026 06:46
Last Modified:	18 May 2026 06:46
URI:	https://repository.unas.ac.id/id/eprint/15994

Actions (login required)

View Item