Analisis Prediktif Tingkat Kematangan Alpukat Menggunakan Algoritma Logistic Regression
DOI:
https://doi.org/10.51179/ilka.v3i1.46Abstrak
Penentuan tingkat kematangan buah alpukat merupakan faktor penting dalam proses distribusi, pemasaran, dan konsumsi. Penilaian kematangan secara konvensional masih bersifat subjektif dan bergantung pada pengalaman manusia sehingga dapat menghasilkan penilaian yang tidak konsisten. Penelitian ini bertujuan untuk mengembangkan sistem prediksi tingkat kematangan buah alpukat menggunakan algoritma Logistic Regression berdasarkan karakteristik fisik dan visual buah.Dataset yang digunakan terdiri dari 1.250 data alpukat dengan fitur firmness, warna, suara ketukan, berat, dan ukuran buah. Tahapan preprocessing meliputi pembersihan data, normalisasi fitur numerik menggunakan StandardScaler, serta transformasi fitur kategorikal dengan one-hot encoding. Hasil pengujian menunjukkan bahwa model mencapai akurasi sekitar 77% dalam mengklasifikasikan tingkat kematangan alpukat, sehingga algoritma Logistic Regression dapat digunakan sebagai metode yang efisien dan mudah diimplementasikan.
Unduhan
Referensi
[1] I. Sutoyo, “IMPLEMENTASI ALGORITMA DECISION TREE UNTUK KLASIFIKASI DATA PESERTA DIDIK,” vol. 14, no. 2, 2018, [Online]. Available: www.bsi.ac.id
[2] H. Annur, “KLASIFIKASI MASYARAKAT MISKIN MENGGUNAKAN METODE NAÏVE BAYES,” 2018.
[3] A. Samosir, M. Hasibuan, W. E. Justino, and T. Hariyono, “Komparasi Algoritma Random Forest, Naïve Bayes dan K-Nearest Neighbor Dalam klasifikasi Data Penyakit Jantung”.
[4] D. Armiady and I. M. R, “Klasifikasi Kualitas Buah Pisang Berdasarkan Citra Buah Menggunakan Stochastic Gradient Descent,” KLIK: Kajian Ilmiah Informatika dan Komputer, vol. 4, no. 2, 2023.
[5] W. F. Hidayat, T. Asra, and A. Setiadi, “Klasifikasi Penyakit Daun Kentang Menggunakan Model Logistic Regression,” Indonesian Journal on Software Engineering (IJSE), vol. 8, no. 2, pp. 173–179, 2022, [Online]. Available: http://ejournal.bsi.ac.id/ejurnal/index.php/ijse
[6] H. Hikmayanti Handayani, K. Ahmad Baihaqi, and U. Buana Perjuangan Karawang, “Implementasi Algoritma Logistic Regression Untuk Klasifikasi Penyakit Stroke,” 2023.
[7] D. Najwa Ardelia, H. Desfianty Arifin, S. Daniswara, A. Puspita Sari, P. Studi Informatika -UPN, and J. Timur Jl Raya Rungkut Madya Gunung Anyar -Surabaya, “Klasifikasi Harga Ponsel Menggunakan Algoritma Logistic Regression.”
[8] A. Adrian, I. Verawati, ) Program, and S. Informatika, “Analisis Performa Logistic Regression dan Random Forest dalam Klasifikasi Kelayakan Penerimaan Kredit,” 2025. [Online]. Available: https://subset.id/index.php/IJCSR
[9] I. R. Muslem and T. M. Johan, “KLIK: Kajian Ilmiah Informatika dan Komputer Klasifikasi Citra Ikan Menggunakan Algoritma Convolutional Neural Network dengan Arsitektur VGG-16,” Media Online), vol. 4, no. 2, pp. 978–985, 2023, doi: 10.30865/klik.v4i2.1209.
[10] A. Hamzah, E. Susanti, and R. M. Lestari, “SUPPORT VECTOR MACHINE (SVM)”.
[11] M. Noer, F. Hidayat, J. K. Zaini Mun’im, P. N. Jadid, and J. Timur, “KLASIFIKASI BUAH ALPUKAT BERDASARKAN TEKSTUR BUAH MENGGUNAKAN METODE BACKPROPAGATION BERBASIS IMAGE PROCESSING,” 2023. [Online]. Available: http://e-journal.stmiklombok.ac.id/index.php/jireISSN.2620-6900
[12] A. Ayaz Mirani, M. Suleman Memon, R. Chohan, A. Ali Wagan, and M. Qabulio, “Machine Learning In Agriculture: A Review,” LUME, vol. 10, p. 5, 2021, [Online]. Available: www.ijstr.org
[13] C. H. H. Jannah, I. Muslem, and D. Azmi, “Jurnal Ilmu Komputer Aceh Klasifikasi Plat Nomor Kenderaan Bedasarkan Wilayah Tertentu Menggunakan Algoritma Optical Character Recognition,” Jurnal Ilmu Komputer Aceh, Oct. 2025, [Online]. Available: https://jurnal.fikompublisher.com/ilka/article/view/16
[14] Gareth. James, Daniela. Witten, Trevor. Hastie, and Robert. Tibshirani, An introduction to statistical learning : with applications in R. Springer : Springer Science+Business Media, 2017.
[15] P. O. Akinwumi, S. Ojo, T. I. Nathaniel, J. Wanliss, O. Karunwi, and M. Sulaiman, “Evaluating machine learning models for stroke prediction based on clinical variables,” Front. Neurol., vol. 16, 2025, doi: 10.3389/fneur.2025.1668420.
[16] I. H. Ikasari, P. Rosyani, and R. Amalia, “Klasifikasi Jenis Buah Menggunakan Metode CNN,” RIGGS: Journal of Artificial Intelligence and Digital Business, vol. 4, no. 2, pp. 5451–5458, Jul. 2025, doi: 10.31004/riggs.v4i2.1271.
[17] G. Honestya, M. Sajida, and A. Ramadhanu, “Klasifikasi Jenis Daun Herbal Menggunakan Metode Logistic Regression dan Decision Tree Classifier Berdasarkan Fitur (Warna dan Bentuk)”.
[18] F. B. Setiawan, C. B. Adipradana, and L. H. Pratomo, “Fruit Ripeness Classification System Using Convolutional Neural Network (CNN) Method,” PROtek : Jurnal Ilmiah Teknik Elektro, vol. 10, no. 1, p. 46, Jan. 2023, doi: 10.33387/protk.v10i1.5549.
[19] M. Knott, F. Perez-Cruz, and T. Defraeye, “Facilitated machine learning for image-based fruit quality assessment,” J. Food Eng., vol. 345, May 2023, doi: 10.1016/j.jfoodeng.2022.111401.
[20] A. Hamzah, E. Susanti, and R. M. Lestari, “SUPPORT VECTOR MACHINE (SVM)”.
[21] A. Kamilaris and F. X. Prenafeta-Boldú, “Deep Learning in Agriculture: A Survey.”
[22] L. Luthfi, R. Imam Muslem, D. Armiady, S. Sriwinar, R. Fajri, and I. Iqbal, “Analysis of CNN Method for Image Classification of Coconut Ripeness Levels,” in 2023 Eighth International Conference on Informatics and Computing (ICIC), IEEE, Dec. 2023, pp. 1–6. doi: 10.1109/ICIC60109.2023.10381964.
[23] A. Caban, K. K. April Gregorio, K. V Macam, M. S. Rosario Puzon, C. S. Santillan, and M. C. Santillan, “CLASSIFICATION OF NIPA FRUIT USING ARTIFICIAL NEURAL NETWORK,” Asian Journal of Multidisciplinary Studies, vol. 5, no. 1, 2022.
[24] D. M. Bulanon and T. Kataoka, “Fruit detection system and an end effector for robotic harvesting of Fuji apples,” 2010. [Online]. Available: http://www.cigrjournal.org
[25] N. Utami Putri and E. Redi Susanto, “Klasifikasi Jenis Kayu Menggunakan Support Vector Machine Berdasarkan Ciri Tekstur Local Binary Pattern,” CYBERNETICS, vol. 4, no. 02, pp. 93–100, 2020.
[26] J. Liu, J. Sun, Y. Wang, X. Liu, Y. Zhang, and H. Fu, “Non-Destructive Detection of Fruit Quality: Technologies, Applications and Prospects,” Jun. 01, 2025, Multidisciplinary Digital Publishing Institute (MDPI). doi: 10.3390/foods14122137.
[27] F. D. Pramakrisna, F. D. Adhinata, and N. A. F. Tanjung, “Aplikasi Klasifikasi SMS Berbasis Web Menggunakan Algoritma Logistic Regression,” Teknika, vol. 11, no. 2, pp. 90–97, Jun. 2022, doi: 10.34148/teknika.v11i2.466.
[28] B. Tri Putra, E. Yulianingsih, S. Informasi, S. Teknologi, and U. Bina Darma, “Analisis Tingkat Akurasi Prediksi Gejala COVID-19 Dengan Menggunakan Metode Logistic Regression dan Support Vector Machine”, [Online]. Available: http://github.com/nshomron/covidpred.
[29] W. T. Setiadi, D. Jollyta, and E. B. Setiawan, “Seminar Nasional Informatika (SENATIKA) Prosiding Senatika 2025 Prediksi Risiko Diabetes Menggunakan Model Regresi Logistik dan Random Forest.”
Unduhan
Diterbitkan
Cara Mengutip
Lisensi
Hak Cipta (c) 2026 Jurnal Ilmu Komputer Aceh
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Jurnal ini adalah jurnal akses terbuka yang menyediakan akses langsung secara nasional, bebas hambatan ke teks lengkap dari semua artikel yang diterbitkan tanpa biaya pembaca atau institusi mereka untuk mengaksesnya. Pembaca berhak membaca, mengunduh, menyalin, mendistribusikan, mencetak, mencari, atau menautkan teks lengkap semua artikel di Jurnal ILKA. Jurnal ini memberikan akses terbuka langsung ke kontennya dengan prinsip bahwa membuat penelitian tersedia secara bebas untuk publik mendukung pertukaran pengetahuan global yang lebih besar.
