🌰 Pistachio Classification

📌 Deskripsi

Project ini bertujuan untuk membedakan dua jenis pistachio (Kirmizi Pistachio dan Siit Pistachio) berdasarkan fitur citra (image features), dataset gambar serta data excel.
Dengan memanfaatkan algoritma machine learning dan deep learning, project ini melakukan klasifikasi menggunakan berbagai pendekatan seperti Random Forest, SVM, KNN, Logistic Regression, Neural Network, dan Boosting Models.

---

📂 Dataset

📑 Sumber Data

Dataset diperoleh dari Kaggle:
🔗 Pistachio Image Dataset – Kaggle

📊 Keterangan Data

Dataset terdiri dari:

• Gambar pistachio terbagi dalam 2 kelas:
  • 🌰 Kirmizi Pistachio (1.232 gambar)
  • 🌰 Siit Pistachio (916 gambar)
• File Excel/CSV berisi 28 fitur citra (shape, warna, statistik), seperti:
  • Area → luas objek
  • Perimeter → keliling objek
  • Eccentricity → keoval-an bentuk
  • Roundness → kebulatan
  • Solidity, Aspect Ratio, Compactness
  • Statistik Warna (Mean, StdDev, Skewness, Kurtosis)
  • Class → Label target (Kirmizi / Siit)

---

🧹 Tahapan Analisis

1. Import Library 📚
   Menggunakan Python dengan library seperti scikit-learn, tensorflow/keras, pandas, numpy, matplotlib, seaborn.

2. Load Dataset 📂

   • Membaca data Excel (28 fitur)
   • Memetakan gambar ke tiap label

3. EDA (Exploratory Data Analysis) 🔎

   • Distribusi kelas (Kirmizi vs Siit)
   • Statistik deskriptif fitur utama
   • Visualisasi distribusi fitur shape & warna

4. Data Mining ⛏️

   • Standardisasi fitur numerik (StandardScaler)
   • PCA (Principal Component Analysis) untuk reduksi dimensi

5. Modeling 🤖
   Algoritma yang diterapkan meliputi:

   • 🌲 Random Forest
   • 🌀 Support Vector Classifier (SVC)
   • 🗺️ K-Nearest Neighbors (KNN)
   • 🎯 Logistic Regression
   • 🧠 Neural Network (MLPClassifier & Keras Sequential)
   • 🔥 Boosting (AdaBoost, Gradient Boosting)

   Evaluasi dilakukan dengan:

   • Confusion Matrix
   • Classification Report (Precision, Recall, F1-score)
   • Akurasi (%)

---

📈 Hasil Prediksi

Performa model berdasarkan evaluasi:

Model	Accuracy	Precision (avg)	Recall (avg)	F1-Score (avg)
🌲 Random Forest	89.07%	0.89	0.89	0.89
🌀 Support Vector Classifier	93.02%	0.93	0.93	0.93
🎯 Logistic Regression	91.86%	0.92	0.92	0.92
🗺️ KNN Classifier	90.00%	0.90	0.90	0.90
🔥 AdaBoost	91.16%	0.91	0.91	0.91
🌟 Gradient Boost	90.93%	0.91	0.91	0.91
🧠 Multi-Layer Perceptron (MLP)	93.26%	0.93	0.93	0.93

---

🏆 Kesimpulan

Hasil evaluasi menunjukkan bahwa Multi-Layer Perceptron (MLP) dan Support Vector Classifier (SVC) adalah model dengan performa terbaik, masing-masing mencapai akurasi lebih dari 93% dengan nilai precision, recall, dan f1-score yang konsisten tinggi. Model linear seperti Logistic Regression serta metode ensemble seperti AdaBoost dan Gradient Boosting juga memberikan hasil yang kompetitif dengan akurasi sekitar 91%. Sementara itu, Random Forest dan KNN masih memberikan hasil yang baik, namun sedikit lebih rendah dibandingkan model lainnya.

Secara keseluruhan, pendekatan berbasis Neural Network (MLP) terbukti paling efektif untuk klasifikasi pistachio dalam eksperimen ini karena mampu menangkap pola kompleks dalam data dengan performa seimbang di semua metrik evaluasi.