Fourier Descriptor Pada Klasifikasi Daun Herbal Menggunakan Support Vector Machine Dan Naive Bayes
DOI:
https://doi.org/10.25126/jtiik.1067309Abstrak
Daun herbal bermanfaat sebagai obat alternatif karena kandungan alaminya dapat menyembuhkan berbagai penyakit dan menjaga kesehatan tubuh. Klasifikasi citra daun herbal digunakan untuk membedakan jenis tanaman herbal berdasarkan bentuk daun. Penelitian ini Penelitian menggunakan Fourier Descriptor (FD) untuk mengekstraksi fitur pada daun herbal dan mengklasifikasikannya menggunakan metode Support Vector Machine (SVM) dan Naive Bayes (NB). SVM diimplementasikan dengan empat kernel yaitu Linear, polynomial, Radial Basis Function (RBF), dan sigmoid sementara Naive bayes diaplikasikan dengan tiga jenis kernel yaitu Gaussian, Multinomial, Bernoulli. Evaluasi kinerja menggunakan Precision, accuracy F1-Score dan Recall. Citra daun herbal terdiri dari daun katuk (Sauropus Androgynus) dan daun kelor (Moringa) dengan total 480 citra. Data tersebut dibagi menjadi 80% untuk training dan 20% untuk testing. Terdapat dua skenario pencahayaan yaitu kondisi gelap dan terang. Hasil penelitian menunjukkan bahwa perbandingan metode SVM dengan ekstraksi FD dimana kernel Linear mencapai akurasi sebesar 98% pada skenario gelap, sementara kernel Sigmoid memberikan akurasi terendah sebesar 44% pada scenario gelap maupun terang. Adapun hasil dari metode Naive bayes dengan ekstraksi FD pada kernel multinomial menghasilkan akurasi tertinggi sebesar 83% pada terang, sedangkan kernel Bernoulli memberikan akurasi terendah sebesar 46% pada skenario gelap dan terang. Berdasarkan perbandingan hasil klasifikasi dari kedua metode, disarankan bahwa metode SVM pada ekstraksi FD lebih direkomendasikan dalam proses klasifikasi daun herbal. Penelitian ini dapat memberikan rekomendasu pengembang sistem untuk menetapkan metode yang tepat dalam klasifikasi citra daun herbal.
Abstract
Herbal leaves are beneficial as alternative medicine because their natural content can cure various diseases and maintain a healthy body. The classification of herbal leaf images is used to differentiate types of herbal plants based on leaf shapes. This study utilizes Fourier Descriptor (FD) to extract features from herbal leaves and classify them using the Support Vector Machine (SVM) and Naive Bayes (NB) methods. SVM is implemented with four kernels namely linear, polynomial, Radial Basis Function (RBF), and Sigmoid while Naive bayes is applied with three types of kernels namely Gaussian, multinomial, Bernoulli. Performance evaluation includes precision, accuracy, F1- score and recall. Herbal leaf images consist of leaves (Sauropus Androgynus) and moringa leaves with a total of 480 images. The data is divided into 80% for training and 20 % for testing. There are two lighting scenarios, namely dark and light conditions. The result of this study shows a comparison of the SVM method with FD extraction where the Linear kernel achieves the highest accuracy of 98% in dark scenarios, while the Sigmoid kernel provides the lowest accuracy of 44% in both dark and light scenarios. The result of the naïve bayes method with FD extraction on the Multinomial kernel yield the highest accuracy of 83% in light scenarios while the Bernoulli kernel provides the lowest accuracy 46% in both dark and light scenarios. Based on the comparison of the classification result of the two methods, it is suggested that the SVM method for FD extraction is more recommended in the herbal leaf classification process. This research can provide recommendation for system developers to determine the appropriate method for classifying herbal leaf images.
Downloads
Referensi
AKBAR, A. T., YUDISTIRA, N., RIDOK, A., 2023. Identifikasi Gagal Ginjal Kronis Dengan Mengimplementasikan Metode Support Vector Machine Beserta K-Nearest Neighbour Identification Of Chronic Kidney Disease By Implementing The Support Vector Machine Method And K-Nearest Neighbor. 10(2), 301–308.
https://doi.org/10.25126/jtiik.2023106059
ALITA, D., FERNANDO, Y., & SULISTIANI, H., 2020. Implementasi Algoritma Multiclass Svm Pada Opini Publik Berbahasa Indonesia Di Twitter. Jurnal Tekno Kompak, 14(2), 86. https://doi.org/10.33365/jtk.v14i2.792
BASRI, S. E., INDRA, D., DARWIS, H., MUFILA, A. W., ILMAWAN, L. B., & PURWANTO, B., 2021. Recognition of Indonesian Sign Language Alphabets Using Fourier Descriptor Method. 3rd 2021 East Indonesia Conference on Computer and Information Technology, EIConCIT 2021, 405–409. https://doi.org/10.1109/EIConCIT50028.2021.9431883
BORMAN, R. I., 2021. Identification of Herbal Leaf Types Based on Their Image Using First Order Feature Extraction and Multiclass SVM Algorithm. 12–17.
CHRISTOPHER, A., & MULYANA, T. M. S., 2022. Klasifikasi Tumbuhan Angiospermae Menggunakan Algoritma K-Nearest Neighbor Berdasarkan Pada Bentuk Daun. JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika), 7(4), 1233–1243. https://doi.org/10.29100/jipi.v7i4.3211
CHUSNA, N. L., SHALAHUDIN, M. I., RIYANTO, U., & ALEXANDER, A. D., 2022. Klasifikasi Citra Jenis Tanaman Jamur Layak Konsumsi Menggunakan Algoritma Multiclass Support Vector Machine. Building of Informatics, Technology and Science (BITS), 4(1), 178–183. https://doi.org/10.47065/bits.v4i1.1624
FIKRIAH, F. K., SULTHAN, M. B., MUJAHIDAH, N., & ROZIQIN, M. K., 2022. Naïve Bayes untuk Klasifikasi Penyakit Daun Bawang Merah Berdasarkan Ekstraksi Fitur Gray Level Co-occurrence Matrix ( GLCM ). 6(2), 133–141.
HUSADA, H. C., & PARAMITA, A. S., 2021. Analisis Sentimen Pada Maskapai Penerbangan di Platform Twitter Menggunakan Algoritma Support Vector Machine (SVM). Teknika, 10(1), 18–26.
https://doi.org/10.34148/teknika.v10i1.311
ISMAIL, NURHIKMA ARIFIN, & PRIHASTINUR., 2023.
Klasifikasi Kematangan Buah Naga Berdasarkan Fitur Warna Menggunakan Algoritma Multi-Class Support Vector Machine. Jurnal Informatika Teknologi Dan Sains, 5(1), 121–126. https://doi.org/10.51401/jinteks.v5i1.2203
ISMAN, ANDANI AHMAD, & ABDUL LATIEF., 2021. Perbandingan Metode KNN Dan LBPH Pada Klasifikasi Daun Herbal. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(3), 557–564.
https://doi.org/10.29207/resti.v5i3.3006
MEIRIYAMA, & SUDIADI., 2022. Penerapan Algoritma Random Forest Untuk Klasifikasi Jenis Daun Herbal. Jtsi, 3(1), 131–138.
NEGARA, A. B. P., MUHARDI, H., & PUTRI, I. M., 2020. Analisis Sentimen Maskapai Penerbangan Menggunakan Metode Naive Bayes dan Seleksi Fitur Information Gain. Jurnal Teknologi Informasi Dan Ilmu Komputer, 7(3), 599. https://doi.org/10.25126/jtiik.2020711947
NURAINI, R., 2022. Implementasi Jaringan Syaraf Tiruan Menggunakan Metode Self- Organizing Map Pada Klasifikasi Citra Jenis Ikan Kakap. 4(3), 1325–1333. https://doi.org/10.47065/bits.v4i3.2558
RATNA, S., 2020. Pengolahan Citra Digital Dan Histogram Dengan Phyton Dan Text Editor Phycharm. Technologia: Jurnal Ilmiah, 11(3), 181. https://doi.org/10.31602/tji.v11i3.3294
SARFRAZ, M., 2020. Object Recognition with Fourier Descriptors. Iv, 657–662. https://doi.org/10.1109/IV51561.2020.00114
SARI, C. A., & RACHMAWANTO, E. H., n.d. Fitur Esktraksi LBP dan Naive Bayes dalam Klasifikasi Jenis Pepaya Berdasarkan Citra Daun. Jurnal Masyarakat Informatika, 12(2), 102–113.
SAVRYLIA, D. I., PRASASTI, A. L., & PARYASTO, M. W., 2023. Gaussian Mixture Model Dalam Proses Pengenalan Daun Untuk Mengidentifikasi Tanaman Herbal Gaussian Mixture Model In Leaf Recognition Process To Identify Herbal Plants. 10(1), 326–333.
SEJATI, P., PILLIANG, M., AKBAR, H., Unggul, U. E., Barat, J., Korespondensi, P., & Neighbor, K., 2022. Studi Komparasi Naive Bayes , K-Nearest Neighbor , Dan Random Forest Untuk Prediksi Calon Mahasiswa Yang Diterima Atau Comparative Study Of Naive Bayes , K-Nearest Neighbor, And Random Forest For The Prediction Of Prospective Students. Jurnal Teknologi Informasi Dan Ilmu Komputer (JTIIK), 9(7), 1341–1348. https://doi.org/10.25126/jtiik.202296737
SIBERO, A. F. ., & SALEH, A., 2020. Identifikasi Tanaman Herbal Berdasarkan Citra Daun Menggunakan Cosine Similarity dan Features Extraction. Jurnal Mahajana …, 5(1). http://e-journal.sari-mutiara.ac.id/index.php/7/article/view/1264
SOOAI, A. G., NANI, P. A., MAMULAK, N. M. R., SIANTURI, C. O., SIANTURI, S. C., & MONDOLANG, A. H., 2023. Klasifikasi Citra Daun Anggur Menggunakan SVM Kernel Linear. JOINTECS (Journal of Information Technology and Computer Science), 8(1), 19. https://doi.org/10.31328/jointecs.v8i1.4496
TINEGES, R., TRIAYUDI, A., & SHOLIHATI, I. D., 2020. Analisis Sentimen Terhadap Layanan Indihome Berdasarkan Twitter Dengan Metode Klasifikasi Support Vector Machine (SVM). Jurnal Media Informatika Budidarma, 4(3), 650–658.
UTAMI, E., 2022. Comparison Naïve Bayes Classifier, K-Nearest Neighbor And Support Vector Machine In The Classification Of Individual On Twitter Account.
Jurnal Teknik Informatika (JUTIF), 3(3), 673–680.
ZANA, A. Z. B., RAHARJO, J., & FAUZI, H., 2021. Analisa Jenis Kelamin Berdasarkan Citra Wajah Menggunakan Metode Gray Level Co-Occurrence Matrix (Glcm) Dan Klasifikasi Naive Bayes Gender Analysis Based on Face Image Using Gray Level Co-Occurrence Matrix (Glcm) and Naive Bayes Classification. E-Proceeding of Engineering, 8(5), 4580–4591. https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/15657
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2023 Jurnal Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).