Penerapan Support Vector Machine dalam Klasifikasi Ukuran Udang Putih (Litopenaeus vannamei) Berdasarkan Parameter Panjang
Keywords:
Support Vector Machine, Klasifikasi Ukuran Udang Putih, Litopenaeus vannamei, machine learning, Panjang UdangAbstract
Proses klasifikasi ukuran udang yang dilakukan secara konvensional dapat memiliki keterbatasan dalam konsistensi hasil dan efisiensi proses pengelompokan. Penelitian ini bertujuan untuk menerapkan metode Support Vector Machine (SVM) dalam mengklasifikasikan ukuran udang putih (Litopenaeus vannamei) ke dalam kategori Kecil, Sedang, dan Besar berdasarkan parameter panjang tubuh. Dataset penelitian terdiri dari 1.000 data panjang tubuh udang putih yang dikumpulkan secara langsung. Setelah dilakukan proses pembersihan dan pengolahan data, diperoleh 996 data yang dapat digunakan dalam proses klasifikasi. Tahapan penelitian meliputi pengumpulan data, pra-pemrosesan data, penskalaan menggunakan StandardScaler, validasi model menggunakan Stratified K-Fold Cross Validation, klasifikasi menggunakan metode SVM, dan evaluasi model. Evaluasi dilakukan menggunakan Confusion Matrix, Accuracy, Precision, Recall, dan F1-Score. Hasil pengujian menggunakan Stratified K-Fold Cross Validation dengan k=5 memperoleh rata-rata akurasi sebesar 98,39% dengan standar deviasi sebesar 0,58%. Sementara itu, pengujian menggunakan Percentage Split dengan rasio 80:20 menghasilkan akurasi sebesar 98,00% pada 200 data testing, dengan 196 data berhasil diklasifikasikan dengan benar dan 4 data mengalami kesalahan klasifikasi. Berdasarkan hasil evaluasi, nilai Precision sebesar 99,07%, Recall sebesar 96,67%, dan F1-Score sebesar 97,78%. Hasil tersebut menunjukkan bahwa metode SVM dapat digunakan untuk melakukan klasifikasi ukuran udang putih berdasarkan parameter panjang dengan kinerja yang baik.
Downloads
References
R. González et al., “IMASHRIMP : Automatic White Shrimp ( Penaeus vannamei ) Biometrical Analysis from Laboratory Images Using Computer Vision and Deep Learning,” 2024.
K. G. Liakos, V. Athanasiadis, E. Bozinou, and S. I. Lalas, “Machine Learning for Quality Control in the Food Industry : A Review,” pp. 1–35, 2025.
S. Bhusan and D. Debashish, Leveraging artificial intelligence and advanced food processing techniques for enhanced food safety , quality , and security : a comprehensive review. Springer International Publishing, 2025. doi: 10.1007/s42452-025-06472-w.
Y. Gültepe, “Modeling and predicting meat yield and growth performance using morphological features of narrow ‑ clawed crayfish with machine learning techniques,” Sci. Rep., pp. 1–14, 2024, doi: 10.1038/s41598-024-69539-5.
A. Setiawan, H. Hadiyanto, and C. E. Widodo, “Revue d ’ Intelligence Artificielle Shrimp Body Weight Estimation in Aquaculture Ponds Using Morphometric Features Based on Underwater Image Analysis and Machine Learning Approach,” vol. 36, no. 6, pp. 905–912, 2022.
M. Çakir, M. Yilmaz, M. Atalay, H. Özgür, and O. Oral, “Journal of King Saud University – Science Accuracy assessment of RFerns , NB , SVM , and kNN machine learning classifiers in aquaculture,” vol. 35, 2023, doi: 10.1016/j.jksus.2023.102754.
L. Q. Hoang, N. Duong-trung, and C. Nguyen, “TOWARDS MACHINE LEARNING APPROACHES TO IDENTIFY SHRIMP,” pp. 1–8, 2019.
N. Amaya-tejera, M. Gamarra, I. V Jorge, and E. Zurek, “A distance-based kernel for classification via Support Vector Machines,” 2015.
I. Markoulidakis, “Probabilistic Confusion Matrix : A Novel Method for Machine Learning Algorithm Generalized Performance Analysis,” 2024.
V. Machine, R. Forest, L. Regression, L. Labb, P. Souˇ, and P. Pelissier, “Mohammadmehdi Saberioon 1, * and Thierry Kerneis 2 1,” pp. 1–15, doi: 10.3390/s18041027.
A. Saleh, D. Jones, and D. Jerry, “MFLD ‑ net : a lightweight deep learning network for fish morphometry using landmark detection,” Aquat. Ecol., vol. 57, no. 4, pp. 913–931, 2023, doi: 10.1007/s10452-023-10044-8.
F. Monteiro et al., “Classification of Fish Species Using Multispectral Data from a Low-Cost Camera and Machine Learning,” 2023.
M. O. Edeh, S. Dalal, I. C. Obagbuwa, B. V. V. S. Prasad, S. Z. Ninoria, and M. A. Wajid, “Bootstrapping random forest and CHAID for prediction of white spot disease among shrimp farmers,” Sci. Rep., pp. 1–12, 2022, doi: 10.1038/s41598-022-25109-1.
M. Córdova, S. Torres, and A. Van Helmond, “Novelty Recognition : Fish Species Classification via Open-Set Recognition,” no. 1380, pp. 1–18, 2025.
B. Correia, O. Pacheco, and R. J. M. Rocha, “Image-Based Shrimp Aquaculture Monitoring,” pp. 1–18, 2025.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 ervina kartikasari (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
