SISTEM INFORMASI HARGA KOST BERBASIS CITRA VISUAL MENGGUNAKAN HYBRID RESNET DAN SUPPORT VECTOR MACHINE (SVM)

Jonathan Alonso Glenn; Supatman

doi:10.23960/jitet.v14i1.9043

Authors

Jonathan Alonso Glenn Universitas Mercu Buana Yogyakarta
Supatman

DOI:

https://doi.org/10.23960/jitet.v14i1.9043

Abstract Views: 43 File Views: 27

Keywords:

Convolutional neural network (CNN); Support Vector Machine (SVM); klasifikasi harga kos; ResNet; aplikasi Flutter

Abstract

Mencari tempat kos yang pas dengan budget merupakan tantangan tersendiri bagi mahasiswa dan pekerja di kota-kota besar. Proses pencarian biasanya memakan waktu cukup lama karena harus datang langsung ke lokasi satu per satu untuk melihat kondisi dan fasilitas kos sebelum bisa memperkirakan harganya. Untuk mengatasi hal ini, penelitian ini mendesain sebuah sistem yang dapat mengenali kategori kos dengan fotonya menggunakan aplikasi teknologi berbasis deep learning. Metode yang diusulkan menggabungkan ResNet50 sebagai pengekstrak fitur gambar dengan SVM sebagai pengklasifikasi. Data yang digunakan berasal dari 1009 foto kos di wilayah Yogyakarta yang sudah dikelompokkan menjadi tiga kategori yaitu kelas rendah, menengah, dan tinggi. Untuk mendapatkan parameter terbaik pada proses learning, dilakukan optimasi menggunakan GridSearchCV dengan teknik 10-fold cross validation. Setelah diuji, sistem mampu mengklasifikasikan dengan tingkat akurasi 80.69%, nilai precision 81.01%, recall 80.03%, dan F1-score 80.79%. Sistem ini kemudian dikembangkan menjadi aplikasi smartphone berbasis Flutter yang terhubung dengan server Flask. Hasil pengujian aplikasi mampu memprediksi dengan tingkat keyakinan di atas 75%. Dengan adanya sistem ini, pencari kos bisa melakukan penilaian awal terhadap kategori dan perkiraan harga kos sebelum memutuskan untuk berkunjung langsung.

Downloads

Download data is not yet available.

References

melalui Systematic Literature Review dan Bibliometric Analysis,” Sainteks, vol. 22, no. 2, pp. 117–131, Oct. 2025, doi: 10.30595/sainteks.v22i2.27154.

C. Cortes and V. Vapnik, “Support-vector networks,” Mach. Learn., vol. 20, no. 3, pp. 273–297, Sep. 1995, doi: 10.1007/BF00994018.

Luqman Hakim, Z. Sari, and H. Handhajani, “Klasifikasi Citra Pigmen Kanker Kulit Menggunakan Convolutional Neural Network,” J. RESTI Rekayasa Sist. Dan Teknol. Inf., vol. 5, no. 2, pp. 379–385, Apr. 2021, doi: 10.29207/resti.v5i2.3001.

S. A. S. Mola, B. O. D. K. Wadu, A. N. Kenlopo, and V. C. K. Tungga, “Perbandingan Arsitektur ResNet50V2, InceptionV3, dan DenseNet121 dalam Klasifikasi Pengenalan Ekspresi Wajah,” JIKO J. Inform. Dan Komput., vol. 9, no. 2, p. 285, Jun. 2025, doi: 10.26798/jiko.v9i2.1584.

A. Agung Mujiono, K. Kartini, and E. Yulia Puspaningrum, “IMPLEMENTASI MODEL HYBRID CNN-SVM PADA KLASIFIKASI KONDISI KESEGARAN DAGING AYAM,” JATI J. Mhs. Tek. Inform., vol. 8, no. 1, pp. 756–763, Mar. 2024, doi: 10.36040/jati.v8i1.8855.

L. S. Arzeti, J. L. Putra, and T. Setiyorini, “MODEL HYBRID CNN-SVM UNTUK KLASIFIKASI KESEGARAN BUAH PARE BERDASARKAN CITRA,” J. Inform., vol. 9, no. 4, 2025.

S. Wan, M.-L. Yeh, and H.-L. Ma, “An Innovative Intelligent System with Integrated CNN and SVM: Considering Various Crops through Hyperspectral Image Data,” ISPRS Int. J. Geo-Inf., vol. 10, no. 4, p. 242, Apr. 2021, doi: 10.3390/ijgi10040242.

M. J. Adamu et al., “Efficient and Accurate Brain Tumor Classification Using Hybrid MobileNetV2–Support Vector Machine for Magnetic Resonance Imaging Diagnostics in Neoplasms,” Brain Sci., vol. 14, no. 12, p. 1178, Nov. 2024, doi: 10.3390/brainsci14121178.

Y. Prastya, “HYBRID CNN-SVM UNTUK ANALISIS SENTIMEN KLUB TIM NASIONAL,” J. Inform. Dan Tek. Elektro Terap., vol. 13, no. 3S1, Oct. 2025, doi: 10.23960/jitet.v13i3S1.7764.

M. J. Akbar, M. W. Sardjono, M. Cahyanti, and E. R. Swedia, “PERANCANGAN APLIKASI MOBILE UNTUK KLASIFIKASI SAYURAN MENGGUNAKAN DEEP LEARNING CONVOLUTIONAL NEURAL NETWORK,” Sebatik, vol. 24, no. 2, pp. 300–306, Dec. 2020, doi: 10.46984/sebatik.v24i2.1134.

R. S. Budiawan and B. Hartono, “Pengembangan Sistem Pendeteksi Jenis Sayuran dengan Metode CNN Berbasis Android,” J. Inform. Dan Rekayasa Perangkat Lunak, vol. 5, no. 1, p. 62, Mar. 2023, doi: 10.36499/jinrpl.v5i1.7833.

B. Kusuma, T. I. Hermanto, and C. D. Lestari, “KLASIFIKASI JENIS PENYAKIT PADA TANAMAN PADI MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK,” JIKO J. Inform. Dan Komput., vol. 9, no. 1, p. 40, Feb. 2025, doi: 10.26798/jiko.v9i1.1395.

L. Maramis, I. Nurtanio, and H. Zainuddin, “Klasifikasi Sapi Perah dan Non-Perah Menggunakan Algoritma Convolutional Neural Network: Classification of Dairy and Non-Dairy Cattle Using the Convolutional Neural Network Algorithm,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 5, no. 2, pp. 664–674, Apr. 2025, doi: 10.57152/malcom.v5i2.1824.

R. K. Fitri and A. Iwan, “Sistem Pendukung Keputusan Dalam Memprediksi Harga Sewa Kos Menggunakan Fuzzy Tsukamoto Pada Kos Daerah Universitas Airlangga Kampus B”, JMI, vol 13, no. 2, 2024.

I. L. Mulyahati, “(Studi Kasus: Apartemen di DKI Jakarta Pada Website mamikos.com ),” Skripsi, Universitas Islam Indonesia, Yogyakarta, 2020.

F. R. Lumbanraja, R. A. Saputra, K. Muludi, A. Hijriani, and A. Junaidi, “IMPLEMENTASI SUPPORT VECTOR MACHINE DALAM MEMPREDIKSI HARGA RUMAH PADA PERUMAHAN DI KOTA BANDAR LAMPUNG,” J. Pepadun, vol. 2, no. 3, pp. 327–335, Dec. 2021, doi: 10.23960/pepadun.v2i3.90.

M. I. A. Supriyanto, A. A. R. Hasan, D. Dharmaesa, R. F. Aththar, S. A. Febrinato, and C. M. Sari, “Integrasi Mobile Aplikasi Untuk Klasifikasi Harga Laptop Menggunakan Metode Support Vector Classification Dan Logistic Regression,” vol. 6, no. 4, 2025.

S. Ahlawat and A. Choudhary, “Hybrid CNN-SVM Classifier for Handwritten Digit Recognition,” Procedia Comput. Sci., vol. 167, pp. 2554–2560, 2020, doi: 10.1016/j.procs.2020.03.309.