ANALISIS KLASIFIKASI TINGKAT KEKERUHAN AIR BERBASIS CITRA MENGGUNAKAN HYBRID RESNET50 DAN SUPPORT VECTOR MACHINE
DOI:
https://doi.org/10.70248/jcsit.v3i4.4365Abstract
Kualitas air merupakan aspek krusial yang memerlukan pemantauan berkelanjutan, salah satunya melalui tingkat kekeruhan secara visual. Meskipun arsitektur deep learning telah banyak digunakan, lapisan klasifikasi bawaannya sering kali kurang optimal dalam menangani batas keputusan yang kompleks (ambigu) pada citra dengan variasi visual tinggi, sehingga diperlukan integrasi dengan pengklasifikasi margin maksimal. Penelitian ini bertujuan mengembangkan model klasifikasi kekeruhan air berbasis citra menggunakan pendekatan Hybrid ResNet50 dan Support Vector Machine (SVM). Dataset terdiri dari 450 citra yang terbagi secara seimbang ke dalam tiga kelas: Air Jernih, Air Keruh, dan Air Kotor. Tahapan eksperimen meliputi preprocessing (normalisasi dan resize 224×224 piksel), ekstraksi fitur menggunakan ResNet50 (Transfer Learning ImageNet), dan klasifikasi menggunakan SVM Linear (C=0,1). Hasil pengujian menunjukkan bahwa model Hybrid ResNet50-SVM memperoleh Accuracy sebesar 86,67%, Precision 88,03%, Recall 86,67%, dan F1-Score 86,77%. Kinerja model hibrida ini terbukti lebih superior dalam membedakan kelas transisi dibandingkan arsitektur ResNet50-Softmax mandiri (83,33%) dan SVM fitur histogram (74,44%). Penggunaan hybrid ekstraktor fitur mendalam dan pengklasifikasi margin terbukti secara signifikan meningkatkan ketepatan deteksi. Secara praktis, akurasi tinggi dan arsitektur model yang robust ini memberikan fondasi yang kuat untuk implementasi sistem pemantauan kualitas air real-time berbasis Internet of Things (IoT) di lapangan, yang berpotensi memangkas waktu dan biaya operasional instrumen fisik konvensional.
References
M. Mustapha et al., “A hybrid machine learning approach for imbalanced irrigation water quality classification,” Desalin. Water Treat., vol. 321, no. November 2024, p. 100910, 2025, doi: 10.1016/j.dwt.2024.100910.
M. A. A. M. Hridoy et al., “Advanced machine learning models for accurate water quality classification and WQI prediction: Implications for aquatic disease risk management,” Sci. Total Environ., vol. 1008, no. November, p. 180965, 2025, doi: 10.1016/j.scitotenv.2025.180965.
J. S. Mugunthan, C. R. Duguay, and E. Zakharova, “Machine learning based classification of lake ice and open water from Sentinel-3 SAR altimetry waveforms,” Remote Sens. Environ., vol. 299, no. April, p. 113891, 2023, doi: 10.1016/j.rse.2023.113891.
B. L. Nkuna, K. Abutaleb, J. G. Chirima, S. W. Newete, A. J. van der Walt, and A. Nyamugama, “Identification of maize leaf diseases using red, green, blue-based images with convolutional neural network (CNN) and residual network (ResNet50) models,” Smart Agric. Technol., vol. 12, no. July, p. 101226, 2025, doi: 10.1016/j.atech.2025.101226.
W. M. Salama and M. H. Aly, “Brain tumor segmentation and classification: A CVAE-UNETR-ResNet50-VGG16 hybrid deep learning approach,” Alexandria Eng. J., vol. 135, no. September 2025, pp. 433–449, 2026, doi: 10.1016/j.aej.2026.01.003.
R. Kusumawati, I. B. Santoso, A. Info, M. Detection, T. Learning, and S. V. Machine, “Hybrid Model Transfer Learning ResNet50 and Support Vector Machine for Face Mask Detection,” vol. 4, no. 2, pp. 125–134, 2023, doi: 10.25008/ijadis.v4i2.1297.
I. Syaukani, S. Zarina, B. Mohd, C. Uttraphan, and E. Kan, “Classification of Beef and Pork Using a Hybrid Model of ResNet-50 and Support Vector Machine ( SVM ),” vol. 4, no. 1, pp. 65–70, 2025, doi: 10.56566/amplitudo.v4i1.193.
W. M. Ardana, “Optimization of Convolutional Neural Network Algorithm with Efficientnet-B0 and Resnet-50 Architecture for Waste Type Classification Optimasi Algoritma Convolutional Neural Network dengan Arsitektur Efficientnet-B0 dan Resnet-50 untuk Klasifikasi Jenis Sampah,” vol. 5, no. October, pp. 1274–1286, 2025.
H. Alzoubi et al., “Enhancing breast cancer diagnosis with ResNet50 and Salp Swarm-Based feature reduction on BreakHis dataset,” Biomed. Signal Process. Control, vol. 114, no. November 2025, p. 109319, 2026, doi: 10.1016/j.bspc.2025.109319.
F. K. Wijaya, T. C. Sugijono, R. Setiawan, and R. Y. Rumagit, “Comparative Analysis of Machine Learning Random Forest, Naïve Bayes and SVM for Flight Delay Classification,” Procedia Comput. Sci., vol. 269, pp. 1546–1555, 2025, doi: 10.1016/j.procs.2025.09.096.
K. S. Vishal, S. K. Srinidhi, U. S. Shashank, and R. P. Singh, “Enhanced Small Object Detection in Remotely Sensed Images using Hybrid ResNet50 and Feature Pyramid Network,” Procedia Comput. Sci., vol. 258, no. 2024, pp. 1813–1822, 2025, doi: 10.1016/j.procs.2025.04.433.
