EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

Evaluasi Robustness dan Interpretabilitas Logistic Regression, SVM, dan Random Forest dalam Klasifikasi Kualitas Susu Berbasis Parameter Fisik-Kimia dan Organoleptik

Devita Aurellia Prasanti, Sapto Hadi Riono

JUPITER: Jurnal Penelitian Ilmu dan Teknologi Komputer · 2026

DOI: 10.36257/jupiter.v18i2.11683 ↗

Kurz gefasst

Fachartikel in der Zeitschrift JUPITER: Jurnal Penelitian Ilmu dan Teknologi Komputer, 2026. Verfasst von Devita Aurellia Prasanti und 1 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Penilaian kualitas susu merupakan aspek penting dalam menjaga keamanan pangan dan mutu produk, yang umumnya dilakukan berdasarkan parameter fisik-kimia dan organoleptik. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan kinerja tiga model machine learning, yaitu Logistic Regression, Support Vector Machine (SVM), dan Random Forest, dalam melakukan klasifikasi kualitas susu menggunakan tujuh parameter, meliputi pH, temperatur, warna, rasa, bau, kadar lemak, dan kekeruhan. Evaluasi performa model dilakukan menggunakan metode Stratified 10-Fold Cross Validation dengan metrik accuracy, precision, recall, dan F1-score (macro-average). Selain itu, dilakukan analisis robustness terhadap gangguan data melalui simulasi noise dan missing value, serta analisis interpretabilitas model menggunakan permutation feature importance. Hasil penelitian menunjukkan bahwa model Random Forest memberikan performa terbaik dengan tingkat akurasi dan F1-score tertinggi serta stabilitas yang lebih baik dibandingkan SVM dan Logistic Regression. Model Random Forest juga menunjukkan ketahanan yang baik terhadap penambahan noise dan data tidak lengkap, serta mengidentifikasi pH dan temperatur sebagai parameter paling berpengaruh dalam proses klasifikasi. Temuan ini menunjukkan bahwa Random Forest merupakan model yang paling andal untuk diterapkan pada sistem pendukung keputusan klasifikasi kualitas susu yang membutuhkan tingkat akurasi, stabilitas, dan keandalan yang tinggi. Kata Kunci – Klasifikasi Kualitas Susu, Machine Learning, Random Forest, Robustness Model

Zitieren

APA

Prasanti, D. A., & Riono, S. H. (2026). Evaluasi Robustness dan Interpretabilitas Logistic Regression, SVM, dan Random Forest dalam Klasifikasi Kualitas Susu Berbasis Parameter Fisik-Kimia dan Organoleptik. JUPITER: Jurnal Penelitian Ilmu dan Teknologi Komputer. https://doi.org/10.36257/jupiter.v18i2.11683

Vancouver

Prasanti DA, Riono SH. Evaluasi Robustness dan Interpretabilitas Logistic Regression, SVM, dan Random Forest dalam Klasifikasi Kualitas Susu Berbasis Parameter Fisik-Kimia dan Organoleptik. JUPITER: Jurnal Penelitian Ilmu dan Teknologi Komputer. 2026. doi:10.36257/jupiter.v18i2.11683

BibTeX
@article{Prasanti2026,
  author = {Prasanti, Devita Aurellia and Riono, Sapto Hadi},
  title = {Evaluasi Robustness dan Interpretabilitas Logistic Regression, SVM, dan Random Forest dalam Klasifikasi Kualitas Susu Berbasis Parameter Fisik-Kimia dan Organoleptik},
  journal = {JUPITER: Jurnal Penelitian Ilmu dan Teknologi Komputer},
  year = {2026},
  doi = {10.36257/jupiter.v18i2.11683}
}
Kostenlos starten →