Perbandingan Metode Naïve Bayes Dan Random Forest Dalam Klasifikasi Buah Pinang Berdasarkan Tingkat Kematangan

Abstract

Klasifikasi berbasis citra memiliki peran penting dalam mendukung proses pengambilan keputusan melalui analisis otomatis dan objektif. Penelitian ini bertujuan untuk mengevaluasi kinerja klasifikasi citra dengan memanfaatkan ekstraksi fitur warna dan tekstur yang dikombinasikan dengan algoritma pembelajaran mesin. Fitur warna diekstraksi menggunakan model RGB, sedangkan fitur tekstur diperoleh melalui Gray Level Co-occurrence Matrix (GLCM). Fitur yang dihasilkan kemudian diklasifikasikan menggunakan algoritma Naïve Bayes dan Random Forest. Selain itu, Principal Component Analysis (PCA) diterapkan untuk mereduksi dimensi fitur serta menganalisis pengaruhnya terhadap kinerja klasifikasi. Hasil eksperimen menunjukkan bahwa penggunaan fitur RGB menghasilkan akurasi yang lebih tinggi dibandingkan fitur GLCM. Fitur RGB tanpa penerapan PCA, algoritma Random Forest memperoleh akurasi tertinggi sebesar 91,11% dan menunjukkan kinerja yang lebih baik dibandingkan Naïve Bayes. Setelah PCA diterapkan pada fitur RGB, kinerja Naïve Bayes meningkat secara signifikan dengan akurasi mencapai 62,22%, sementara Random Forest mengalami sedikit penurunan. Secara keseluruhan, penelitian ini menunjukkan bahwa pemilihan fitur, algoritma klasifikasi, dan teknik reduksi dimensi yang tepat dapat meningkatkan akurasi klasifikasi citra.