Implementasi Algoritma Support Vector Machine Dalam Klasifikasi Jenis Protein Hewani

Ridho Ikhram, Anton Yudhana, Imam Riadi

Abstract


Protein hewani merupakan komponen penting dalam produk makanan yang mempengaruhi nilai gizi dan sifat organoleptik. Meningkatnya kebutuhan akan produk halal, vegetarian, dan vegan, deteksi protein hewani secara akurat menjadi semakin penting. Penelitian ini bertujuan untuk mengimplementasi algoritma SVM dalam klasifikasi jenis protein hewani sebagai alternatif metode tradisional yang memerlukan waktu dan biaya tinggi. Penelitian ini menggunakan 1.600 dataset protein hewani dari empat jenis hewan yaitu ayam, sapi, ayam kampung, dan babi diambil langsung menggunakan mesin Fourier Transform Infrared Spectroscopy (FTIR), pembagian dataset dilakukan dengan rasio 80% data training dan 20% data testing kemudian data diolah menggunakan platform Google Colab. Evaluasi dari kinerja model dilakukan dengan metrik akurasi, precision, recall, dan F1-score. Hasil dari pengujian menunjukkan model SVM mencapai akurasi 97,19%, untuk nilai precision, recall, dan F1-score berada pada rentang 95% hingga 100%, mengindikasikan algoritma SVM memiliki performa yang stabil, akurat, dan andal dalam mengklasifikasikan jenis protein hewani, serta memiliki peluang untuk penerapan machine learning lebih luas di bidang bioteknologi dan ilmu pangan.

Keywords


Protein Hewani; Klasifikasi; Machine Learning; SVM.

Full Text:

PDF

References


M. Amaniyah et al., “Deteksi Marker Genetik dari Sekuen Protein Hewan untuk Autentikasi Halal Melalui Pendekatan Bioinformatika Detection of Potential Genetic Marker from Animal Protein Sequence for Halal Authentication using Bioinformatic Approach,” 2023. [Online]. Available: https://www.ncbi.nlm.nih.gov/

E. N. Cahyo, E. Susanti, and R. Y. Ariyana, “Model Machine Learning Untuk Klasifikasi Kesegaran Daging Menggunakan Arsitektur Transfer Learning Xception,” Jurnal Sistem dan Teknologi Informasi (JustIN), vol. 11, no. 2, p. 371, Jul. 2023, doi: 10.26418/justin.v11i2.57517.

R. Nuraini and A. Ali, “Identifikasi Ikan Sebagai Protein Hewani Pencegah Stunting dengan Pendekatan Machine Learning.” [Online]. Available: https://jurnalteknik.unisla.ac.id/index.php/informatika

A. Yudhana, E. P. Silmina, and Sunardi, “Deteksi Kesegaran Daging Sapi Menggunakan Augmentasi Data Mosaic pada Model YOLOv5sM,” JRST (Jurnal Riset Sains dan Teknologi), pp. 63–71, Apr. 2025, doi: 10.30595/jrst.v9i1.24990.

B. Via Tarissa and T. Dewayanto, “Penerapan Machine Learning Dan Deep Learning Pada Peningkatan Deteksi Credit Card Fraud-A Systematic Literature Review,” Diponegoro Journal Of Accounting, vol. 13, no. 3, pp. 1–15, 2024, [Online]. Available: http://ejournal-s1.undip.ac.id/index.php/accounting

T. Tan, H. Sama, G. Wijaya, and O. E. Aboagye, “Studi Perbandingan Deteksi Intrusi Jaringan Menggunakan Machine Learning: (Metode SVM dan ANN) Comparative Study of Network Intrusion Detection Using Machine Learning: (SVM and ANN Method),” vol. 13, 2023, doi: 10.34010/jati.v13i2.

A. Ilah Warnilah, H. Sutisna, V. Christian, and R. Maharani, “Aplikasi Machine Learning Dengan Python Untuk Deteksi Kanker Payudara Menggunakan Model Regresi Logistik,” Jurnal Sains dan Manajemen, vol. 12, no. 2, 2024.

A. Fadlil, I. Riadi, and F. Andrianto, “Improving Sentiment Analysis in Digital Marketplaces through SVM Kernel Fine-Tuning,” International Journal of Computing and Digital Systems, vol. 16, no. 1, pp. 159–171, Jul. 2024, doi: 10.12785/ijcds/160113.

M. R. Ardianto and R. Rushendra, “Prediksi Penyakit Diabetes Berdasarkan Perbandingan Klasifikasi Metode K-Nearest Neighbor, Naïve Bayes, Dan Decision Tree Menggunakan Rapid Miner,” vol. 10, no. 2, pp. 973–985, 2025, doi: 10.29100/jipi.v10i2.6079.

S. Saifullah et al., “Nondestructive Chicken Egg Fertility Detection Using CNN-Transfer Learning Algorithms,” Jurnal Ilmiah Teknik Elektro Komputer dan Informatika, vol. 9, no. 3, pp. 854–871, Sep. 2023, doi: 10.26555/jiteki.v9i3.26722.

A. Pranolo, S. Saifullah, A. Bella Utama, A. Prasetya Wibawa, M. Bastian, and C. P. Hardiyanti, “High-performance traffic volume prediction: An evaluation of RNN, GRU, and CNN for accuracy and computational trade-offs,” in BIO Web of Conferences, EDP Sciences, Jan. 2025. doi: 10.1051/bioconf/202414802034.

Rio Subandi, Herman, and Anton Yudhana, “Pre-Processing Pada Klasifikasi Citra Medis Pneumonia,” Decode: Jurnal Pendidikan Teknologi Informasi, vol. 4, no. 1, pp. 86–93, Nov. 2023, doi: 10.51454/decode.v4i1.198.

E. Ismanto, A. Fadlil, and A. Yudhana, “Analisis Perbandingan Model Fully Connected Neural Networks (FCNN) dan TabNet Untuk Klasifikasi Perawatan Pasien Pada Data Tabular Comparative Analysis of Fully Connected Neural Networks (FCNN) and TabNet Models for Patient Care Classification on Tabular Data,” vol. 5, no. 3, pp. 526–532, 2024, doi: 10.37859/coscitech.v5i3.8256.

E. Poerwandono and J. Perwitosari, “Penerapan Data Mining Untuk Penilaian Kinerja Karyawan Di PT. Riksa Dinar DJaya Menggunakan Metode Naïve Bayes Classification (Edhy Poerwandono 1 , Faizal Joko Perwitosari 2 ) Penerapan Data Mining Untuk Penilaian Kinerja Karya Di PT Riksa Dinar Djaya Menggunakan Metode Naive Bayes Classification,” Jurnal Sains dan Teknologi, vol. 5, no. 1, p. |pp, 2023, doi: 10.55338/saintek.v5i1.1416.

R. Oktafiani, A. Hermawan, and D. Avianto, “Pengaruh Komposisi Split data Terhadap Performa Klasifikasi Penyakit Kanker Payudara Menggunakan Algoritma Machine Learning,” Jurnal Sains dan Informatika, pp. 19–28, Jun. 2023, doi: 10.34128/jsi.v9i1.622.

R. Umar, I. Riadi, D. Astria Faroek, A. Dahlan, S. Sistem Informasi, and U. Ahmad Dahlan, “Komparasi Image Matching Menggunakan Metode K-Nearest Neighbor (KNN) dan Metode Support Vector Machine (SVM),” 2020. [Online]. Available: http://jurnal.polibatam.ac.id/index.php/JAIC

S. Keputusan Dirjen Penguatan Riset dan Pengembangan Ristek Dikti, R. Umar, and I. Riadi, “Terakreditasi SINTA Peringkat 2 Perbandingan Metode SVM, RF dan SGD untuk Penentuan Model Klasifikasi Kinerja Programmer pada Aktivitas Media Sosial,” masa berlaku mulai, vol. 1, no. 3, pp. 329–335, 2017.

Sunardi, A. Yudhana, and M. Fahmi, “SVM-CNN Hybrid Classification for Waste Image Using Morphology and HSV Color Model Image Processing,” Traitement du Signal, vol. 40, no. 4, pp. 1763–1769, Aug. 2023, doi: 10.18280/ts.400446.

R. Hidayat, Y. Saputra Sy, T. Sujana, M. Husnah, H. T. Saputra, and F. Okmayura, “Implementasi Machine Learning Untuk Prediksi Penyakit Jantung Menggunakan Algoritma Support Vector Machine,” BIOS : Jurnal Teknologi Informasi dan Rekayasa Komputer, vol. 5, no. 2, pp. 161–168, 2024, doi: 10.37148/bios.v5i2.152.

N. L. P. C. Savitri, R. A. Rahman, R. Venyutzky, and N. A. Rakhmawati, “Analisis Klasifikasi Sentimen Terhadap Sekolah Daring pada Twitter Menggunakan Supervised Machine Learning,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 7, no. 1, Apr. 2021, doi: 10.28932/jutisi.v7i1.3216.




DOI: https://doi.org/10.29100/jipi.v11i2.7787

Refbacks



Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika)
ISSN 2540-8984
Published by
Prodi Pendidikan Teknologi Informasi
Universitas Bhinneka PGRI

Website :https://jurnal.stkippgritulungagung.ac.id/index.php/jipi/index
Email: jipistkippti@gmail.com

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.