0% found this document useful (0 votes)
89 views4 pages

Klasifikasi Jenis Umbi Berdasarkan Citra Menggunakan SVM Dan KNN

This document summarizes a study that classified tuber types based on image analysis using support vector machine (SVM) and K-nearest neighbors (KNN) algorithms. 180 images were used, with 150 for training and 30 for testing, classified into cassava, sweet potato, and taro. SVM classification accuracy was 10% for texture features, 7% for shape features, and 7% for both. KNN accuracy for K=5 was 3% for texture, 20% for shape, and 7% for both. For K=2, accuracy was 13% for texture, 23% for shape, and 10% for both. Shape features included area, perimeter, axes, and eccentricity. Texture features included grayscale intensity,
Copyright
© © All Rights Reserved
We take content rights seriously. If you suspect this is your content, claim it here.
Available Formats
Download as PDF, TXT or read online on Scribd
0% found this document useful (0 votes)
89 views4 pages

Klasifikasi Jenis Umbi Berdasarkan Citra Menggunakan SVM Dan KNN

This document summarizes a study that classified tuber types based on image analysis using support vector machine (SVM) and K-nearest neighbors (KNN) algorithms. 180 images were used, with 150 for training and 30 for testing, classified into cassava, sweet potato, and taro. SVM classification accuracy was 10% for texture features, 7% for shape features, and 7% for both. KNN accuracy for K=5 was 3% for texture, 20% for shape, and 7% for both. For K=2, accuracy was 13% for texture, 23% for shape, and 10% for both. Shape features included area, perimeter, axes, and eccentricity. Texture features included grayscale intensity,
Copyright
© © All Rights Reserved
We take content rights seriously. If you suspect this is your content, claim it here.
Available Formats
Download as PDF, TXT or read online on Scribd
You are on page 1/ 4

Jurnal SPIRIT Vol. 12 No.

1 Mei 2020, hal 48-51 P- ISSN : 2085 – 3092


E- ISSN : 2721 – 057X

KLASIFIKASI JENIS UMBI BERDASARKAN CITRA


MENGGUNAKAN SVM DAN KNN
Afinatul Hasanah1), Nur Nafi’iyah2)
Program Studi Teknik Informatika, Fakultas Teknik, Universitas Islam Lamongan
Jalan Veteran Nomor 53A Lamongan
Email: [email protected]), [email protected])

Abstract : Tubers are plants that can grow in the yard, low-lying areas, or highlands and areas that lack water.
But not all people in Indonesia plant tubers. So that some people do not recognize the types of tubers. The
purpose of this study is to classify tuber types based on texture features, shape features, and both texture
features, and image shapes. The benefits of this research are in order to provide information related to the types
of tubers. The algorithm used for tuber type classification is SVM and KNN. The types of tubers classified as
cassava or cassava, sweet potato and taro. The dataset used in this study were 180 images, with 150 images as
training data, and 30 images as test data. The results of the trial show, the classification of tuber types using
SVM algorithm with 10% accuracy texture features, with 7% accuracy form features, and both 7% accuracy
features. While the tuber type classification uses the KNN algorithm with K = 5, the successive accuracy values
for texture features, shape features, and both features are 3%, 20%, 7%. And if KNN with K = 2, the successive
value of succession in texture features, shape features, and both features, is 13%, 23%, 10%. The shape features
here are: area, perimeter, metric, major axis, minor axis, eccentricity. And texture features, namely: average
intensity values of grayscale, standart deviation image grayscale, contrast values, energy, correlation, and
homogeneity.

Keywords: tuber types, SVM, KNN, texture and shape features

PENDAHULUAN cukup membantu meningkatkan perekonomian


(Koswara, 2013).
Teknologi digital sampai sekarang Berbagai macam jenis umbi seringkali
memiliki perkembangan yang sangat pesat, ditemukan kemiripannya, kesulitan dalam
bukan hanya manusia saja yang bisa mengklasifikasi citra jenis umbi ini seringkali
mengetahui sesuatu secara mudah dan cepat. menjadi masalah bagi para petani khususnya
Manusia juga bisa dengan cepat petani pemula. Otak manusia tentu memiliki
mengklasifikasi suatu benda hanya dengan keterbatasan dalam mengolah atau mengingat
mengetahui ciri-cirinya, diantaranya adalah informasi tentang jenis-jenis umbi yang ada
dari segi bentuk dan tekstur. Dunia digital saat dari segi bentuk dan teksturnya. Tidak
ini seharusnya dapat dikembangkan agar dapat selamanya otak manusia mampu menampung
melakukan proses pengenalan pola seperti informasi yang sama dalam waktu yang lama,
halnya manusia (A. Abdullah, Pahrianto, 2017) oleh karena itu dibutuhkan peralihan
(Agung Prayoga, Hilmy Abidzar Tawakal, pengetahuan dari manual ke dalam bentuk
Reza Aldiansyah, 2018). Umbi-umbian sistem digital.
merupakan sumber nabati yang bisa Hal inilah yang dijadikan acuan dasar
didapatkan dari tanah, seperti ubi kayu dalam penelitian ini, peneliti akan merancang
(singkong), ubi jalar, talas, ganyong, kimpul, sistem klasifikasi tanaman umbi berdasarkan
gembili, bengkuang. Pada umumnya semua ciri bentuk dan tekstur untuk memberikan
jenis umbi tersebut memiliki kandungan solusi terhadap permasalahan itu.
karbohidrat yang terletak pada pati (M. Wahid Proses klasifikasi jenis umbi dapat
Wahyu Kurniawan, Tri Dewanti dilakukan dengan cara terkomputerisasi, yaitu
Widyaningsih, 2017). dengan memanfaatkan teknologi
Manfaat yang didapat dari tumbuhan komputer khususnya pengolahan citra. Dalam
umbi-umbian ini adalah sebagai sumber bahan sistem klasifikasi ini, sebelumnya akan
makanan pokok yang memiliki kandungan dilakukan proses grayscalling gambar terlebih
serat tinggi yang bisa dipakai untuk dahulu untuk mengetahui tingkat keabuan,
pemenuhan hidup manusia. Pemanfaatan umbi kemudian setelah itu adalah proses analisis
dapat diolah menjadi makanan tradisional siap piksel sehingga pada akhirnya masuk ke proses
saji dengan nilai ekonomis terjangkau sehingga klasifikasi dengan menggunakan metode SVM.
48
Jurnal SPIRIT Vol. 12 No. 1 Mei 2020, hal 48-51 P- ISSN : 2085 – 3092
E- ISSN : 2721 – 057X

SVM adalah algoritma klasifikasi yang


termasuk dalam tipe jaringan syaraf tiruan.
Metode ini adalah metode yang menggunakan
learning machine di mana proses kerjanya
dengan mencari hyperplane terbaik dengan
cara memisahkan dua class pada ruangan
input. Sehingga dari latar belakang di atas
maka penulis membuat sistem klasifikasi jenis
tanaman umbi berdasarkan bentuk dan tekstur
dengan metode SVM (Aji Prasetya Wibawa,
Muhammad Guntur Aji Purnama, Muhammad
Fathony Akbar, Felix Andika Dwiyanto,
2018).
Adapun tujuan penelitian ini melakukan
klasifikasi jenis umbi berdasarkan fitur tekstur,
bentuk dan kedua fitur tekstur bentuk
menggunakan algoritma SVM dan KNN. Dan
jenis-jenis umbi yang diteliti adalah ubi kayu
(singkong), ubi jalar, talas.

METODE PENELITIAN
Sistem ini terkait mengklasifikasi jenis
tanaman umbi berdasarkan ciri bentuk dan
tekstur, dan kedua fitur. Data yang digunakan
adalah hasil dokumentasi akuisisi citra ubi.
Proses klasifikasi di sini membagi 3 jenis
tanaman umbi, yaitu ubi kayu, ubi jalar, dan
talas. Total data tanaman umbi yang diambil Gambar 1. Proses Klasifikasi Jenis Umbi
adalah sebanyak 180 gambar dengan rincian 50
gambar tiap jenis ubi untuk training dan 10 Tabel 1. Dataset Citra Umbi
gambar tiap jenis ubi untuk testing. Dalam No Ubi Kayu Ubi Jalar Talas
proses klasifikasi ini akan dilakukan proses
grayscale (merubah citra berwarna menjadi
keabu-abuan), setelah itu dilakukan proses 1.
thresholding (memisahkan objek dengan
background citra), kemuadian akan dilakukan
proses ekstraksi ciri bentuk dengan ciri berupa
(Area, Perimeter, Metric, Mayor Axis, Minor 2.
Axis, Eccentricity) dan ekstraksi ciri tekstur
dengan metode GLCM (Gray Level Co-
occurrence Matrix) dengan ciri berupa
(Contrast, Correlation, Energy, Homogeneity),
setelah itu baru dilakukan proses klasifikasi 3.
dengan SVM dan KNN. Proses klasifikasi
seperti dalam Flowchart Gambar 1. Dan
contoh dataset yang digunakan dalam Tabel 1
4.

5.

49
Jurnal SPIRIT Vol. 12 No. 1 Mei 2020, hal 48-51 P- ISSN : 2085 – 3092
E- ISSN : 2721 – 057X

HASIL DAN PEMBAHASAN Tabel 4. Hasil Akurasi Ujicoba Klasifikasi


Dari penelitian ini proses ekstraksi fitur yang
digunakan adalah, fitur tekstur berupa nilai Algoritma Akurasi Akurasi Akurasi
rata-rata intensitas cahaya RGB, nilai standar Fitur Fitur Fitur
deviasi citra grayscale, kontras, energi, Bentuk Tekstur Bentuk
korelasi, homogeneity, dan entropi dan
Dan fitur bentuk berupa nilai area, perimeter, Tekstur
metric, major axis, minor axis, eccentricity. 1 SVM 7% 10% 7%
Masing-masing fitur tersebut disimpan dalam 2 KNN K=5 20% 3% 7%
file excel dan digunakan sebagai dataset 3 KNN K=2 23% 13% 10%
training. Dan nilai fitur tersebut seperti dalam
Tabel 2, dan Tabel 3. Dalam penelitian (Zeni Dwi Lestari, Nur
Nafi'iyah, Purnomo Hadi Susilo, 2019)
Tabel 2. Nilai Fitur Tekstur menunjukkan bahwa klasifikasi jenis pisang
rata-
menggunakan algoritma KNN nilai akurasinya
rata standar_deviasi kontras energi korelasi homogenity entropi 82%. Di mana nilai K yang digunakan adalah
33.77 9.28 0.38 0.26 0.76 0.87 5.68
K=2, dan klasifikasi pisang menjadi jenis
pisang ijo, pisang tandes, pisang raja, pisang
33.51 9.58 0.28 0.28 0.83 0.89 5.49
sobo pipit, dan pisang raja uli. Sedangkan
44.05 16.94 0.57 0.22 0.83 0.82 6.02 penelitian (Arif Patriot Sri Pamungkas, Nur
57.64 20.42 0.77 0.17 0.85 0.80 6.25 Nafi'iyah, Nur Qomariyah Nawafilah, 2019)
44.04 13.25 0.69 0.17 0.74 0.79 6.16
dalam melakukan klasifikasi kematangan buah
Mangga manalagi nilai akurasinya 62,%. Di
39.55 12.43 0.92 0.22 0.67 0.78 5.97
mana fitur yang digunakan adalah fitur GLCM
54.67 15.63 0.65 0.19 0.85 0.81 6.12 dan nilai fitur L*A*B.
59.00 17.60 0.70 0.15 0.85 0.80 6.45
47.01 18.10 0.61 0.22 0.85 0.82 6.01 PENUTUP
Dapat disimpulkan bahwa citra yang
Dari fitur tersebut dilakukan proses klasifikasi digunakan dalam proses klasifikasi atau
SVM, dengan melakukan training identifikasi berbasis komputer harus dalam
menggunakan fungsi multisvm. Fungsi kondisi baik. Sehingga perlu ada proses
tersebut digunakan untuk melakukan training pengambilan citra yang benar serta pengolahan
dengan kelas lebih dari 2. Dan klasifikasi perbaikan citra. Terlihat bahwa hasil klasifikasi
dengan algoritma KNN, dengan fungsi fitcknn. jenis umbi berdasarkan fitur tekstur dan fitur
Dan hasil tampilan program klasifikasi jenis bentuk menggunakan algoritma SVM dan
umbi menggunakan algoritma SVM dalam KNN akurasinya kurang baik.
Gambar 2. Hasil ujicoba proses klasifikasi
dalam Tabel 4. DAFTAR PUSTAKA
1. Abdullah, Pahrianto. (2017). Sistem
Klasifikasi Kematangan Tomat
Berdasarkan Warna Dan Bentuk.
Jurnal Sistem Informasi.
2. A. Hafis, M. Abrar, Andrie Safoean
MK, Derry Alamsyah. (2016).
Implementasi Metode R-HOG dan
SVM (Support Vector Machine) untuk
Smile Detection.
3. Agung Prayoga, Hilmy Abidzar
Tawakal, Reza Aldiansyah. (2018).
Pengembangan Metode Deteksi
Tingkat Kematangan Buah Melon
Berdasarkan Tekstur Kulit Buah
Gambar 2. Hasil Tampilan Program Klasifikasi dengan Menggunakan Metode
Jenis Umbi Ekstraksi Ciri Statistik SVM (Support

50
Jurnal SPIRIT Vol. 12 No. 1 Mei 2020, hal 48-51 P- ISSN : 2085 – 3092
E- ISSN : 2721 – 057X

Vector Machine). Jurnal Teknologi 14. Putra, D. (2010). Pengolahan Citra


Terpadu. Digital. Yogyakarta: Andi.
4. Aji Prasetya Wibawa, Muhammad 15. Robert Burbidge, Bernard Buxton.
Guntur Aji Purnama, Muhammad (n.d.). An Introduction to Support
Fathony Akbar, Felix Andika Vector Machines for Data Mining.
Dwiyanto. (2018). Metode-metode Computer Science UK.
Klasifikasi. Seminar Ilmu Komputer 16. Sutarno, Rouzan Fiqri Abdullah, Rossi
dan Teknologi Informasi, (pp. 134- Passarella. (2017). Identifikasi
138). Tanaman Buah Berdasarkan Fitur
5. Arif Patriot Sri Pamungkas, Nur Bentuk, Warna dan Tekstur Daun
Nafi'iyah, Nur Qomariyah Nawafilah. Berbasis Pengolahan Citra dan
(2019). K-NN Klasifikasi Kematangan Learning Vector Quantization (LVQ).
Buah Mangga Manalagi Menggunakan Annual Research Seminar (ARS), (pp.
L*A*B dan Fitur Statistik. Jurnal Ilmu 65-70).
Komputer dan Desain Komunikasi 17. Yuita Arum sari, ratih Kartika dewi,
Visual, 4(1), 1-8 Chastine Fatichah. (2014). SELEKSI
6. Frita Devi Anggraini, Sutojo T. (n.d.). FITUR MENGGUNAKAN
Identifikasi Jenis Citra Cabai EKSTRAKSI FITUR BENTUK,
Menggunakan Klasifikasi City Block WARNA, DAN TEKSTUR DALAM
Distance dengan Fitur Bentuk sebagai SISTEM TEMU KEMBALI CITRA
Ektraksi Ciri. Skripsi DAUN. Juti, 1-8
7. Kadir, A. (2013). Teori dan Aplikasi 18. Zeni Dwi Lestari, Nur Nafi'iyah,
Pengolahan Citra. Yogyakarta: Andi. Purnomo Hadi Susilo. (2019). Sistem
8. Koswara, S. (2013). Teknologi Klasifikasi Jenis Pisang Berdasarkan
pengolahan umbi-umbian. Research Ciri Warna HSV Menggunakan
and Community Service Institution Metode K-NN. Seminar Nasional
IPB. Teknologi Informasi dan Komunikasi.
9. M. Wahid Wahyu Kurniawan, Tri Madiun
Dewanti Widyaningsih. (2017).
Hubungan Pola Konsumsi Pangan dan
Besar Uang Saku Mahasiswa
Manajemen Bisnis Dengan Mahasiwa
Jurusan Teknologi Hasil Pertanian
Universitas Brawijaya Terhadap Status
Gizi. Jurnal Pangan dan Agroindustri.
10. Mawaddah Harahap, Amir Mahmud
Husein, Abdi Dharma. (2017).
Identifikasi Tanda Tangan Dengan
Kohonen SOM berbasis Principal
Component Analysis. Seminar
Nasional APTIKOM
(SEMNASTIKOM), (pp. 333-337).
11. Prasetyo, E. (2011). Pengolahan Citra
Digital dan Aplikasinya Menggunakan
Matlab. Yogyakarta: Andi
12. Puji Utami Rakhmawati, Yuliana
Melita Pranoto, Endang Setyati.
(2018). KLASIFIKASI PENYAKIT
DAUN KENTANG BERDASARKAN
FITUR TEKSTUR DAN FITUR
WARNA MENGGUNAKAN
SUPPORT VECTOR MACHINE
13. Seminar Nasional Teknologi dan
Rekayasa (SENTRA), (pp. 1-8).

51

You might also like