Penerapan Metode Gray Level Co-Occurance Matrix dan Algoritma Support Vector Machine pada Klasifikasi Tanaman Bidara berdasarkan Tekstur Daun

Adrian Budi Prawira, Jayanta Jayanta, Yuni Widiastiwi

Abstract


Bidara merupakan sejenis tanaman penghasil buah yang tumbuh di daerah kering. Berdasarkan spesiesnya, terdapat empat jenis tanaman bidara yang tersebar di beberapa tempat, yaitu Bidara Arab (Ziziphus spina-christi), Bidara Upas (Merremia mammosa Hall.f.), Bidara Cina (Ziziphus mauritiana Lam.), dan Bidara Laut (Strychnos lucida R.Br.). Banyak masyarakat yang mencari tanaman ini untuk dibudidayakan, konsumsi sehari-hari, serta diperjualbelikan untuk pengobatan. Namun, masih banyak masyarakat yang kurang mendapat informasi mengenai cara membedakan jenis spesies tanaman ini. Dengan adanya masalah tersebut, dibutuhkan solusi agar dapat memperkecil tingkat kesalahan dalam membedakan jenis spesies pada tanaman bidara. Penggunaan pengolahan citra dapat membantu dalam mengamati tekstur dari daun bidara. Pada penelitian ini akan dibuat sebuah model klasifikasi yang berfungsi untuk membedakan jenis dari tanaman bidara menggunakan algoritma Support Vector Machine. Sedangkan ekstraksi ciri tekstur pada daun bidara akan diamati menggunakan metode Gray Level Co-occurrence Matrix. Hasil penelitian yang telah dilakukan menghasilkan performa yang tidak mengecewakan dalam pengenalan tanaman bidara. Dengan penggunaan kernel Polynomial Quadratic SVM, hasil rata-rata terbaik yang didapat yaitu memiliki akurasi sebesar 84%, presisi sebesar 92%, dan recall sebesar 79,67%.

Keywords


tanaman bidara;daun bidara;Gray Level Co-occurence Matrix;Support Vector Machine

References


A. Z. Arrozi, “Klasifikasi Daun Menggunakan Metode Grey Level Co – Occurance Matrix (GLCM) Dan Algoritma Learning Vector Quantization (LVQ),” Universitas Pembangunan Nasional Veteran Jakarta, 2019.

R. K. Dewi dan R. V. H. Ginardi, “Identifikasi Penyakit pada Daun Tebu dengan Gray Level Co-Occurrence Matrix dan Color Moments,” J. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 2, hal. 70, 2014, doi: 10.25126/jtiik.201412114.

R. Herni Kusriani, A. Nawawi, dan E. Machter, “PENETAPAN KADAR SENYAWA FENOLAT TOTAL DAN AKTIVITAS ANTIOKSIDAN,” Pros. SNaPP2015 Kesehat., hal. 311–318, 2015.

R. Cahyaningsih, S. Hidayat, dan E. Hidayat, “PERBANYAKAN VEGETATIF BIDARA UPAS (Merremia mammosa (Lour.) Hallier f) KEBUN RAYA BOGOR [Vegetative Propagation of Bidara Upas (Merremia mammosa (Lour.) Hallier f) at Bogor Botanical Garden],” Ber. Biol., vol. 16, no. 2, hal. 167–174, 2017.

T. A. Farha, T. A. Rahman, N. A. Abd Aziz, K. Idris, dan N. Q. Shariman, “Research on Bidara (Ziziphus Mauritiana): Bibliometric Studies Penyelidikan terhadap Bidara ( Ziziphus Mauritiana): Kajian Bibliometrik,” Sains Insa., vol. 5, no. 1, hal. 148–156, 2020, doi: https://doi.org/10.33102/sainsinsani.vol5no1.145.

O. Setiawan dan T. Rostiwati, Bidara Laut (Strychnos ligustrina Blume. syn. S. lucida R. Br): HHBK Potensial di NTB dan Bali. Mataram: FORDA PRESS, 2014.

E. Maria, Y. P. Arinda, dan P. Nobel, “Segmentasi Citra Digital Bentuk Daun Pada Tanaman Di Politani Samarinda Menggunakan Metode Thresholding,” Jurti, vol. 2, no. 1, hal. 37–46, 2018.

I. Hastuti, “Perbandingan Metode Deteksi Tepi Menggunakan Metode Canny, Prewitt Dan Sobel Pada Image Ikan,” J. Repos. Poliban, vol. 1, no. Vol 1 (2016): Inovasi Teknologi Tepat Guna untuk Mewujudkan Sinergi Perguruan Tinggi dengan Masyarakat, hal. A129–A137, 2016.

Z. Imaduddin dan H. A. Tawakal, “Aplikasi Mobile Untuk Deteksi Dan Klasifikasi Daun Secara Real Time,” J. Teknol. Terpadu, vol. 1, no. 1, hal. 27–30, 2015.

S. Y. Riska, L. Cahyani, dan M. I. Rosadi, “Klasifikasi Jenis Tanaman Mangga Gadung dan Mangga Madu Berdasarkan Tulang Daun,” J. Buana Inform., vol. 6, no. 1, hal. 41–50, 2015, doi: 10.24002/jbi.v6i1.399.

N. I. Fadilah, B. Rahayudi, dan M. T. Furqon, “Implementasi Algoritme Support Vector Machine ( SVM ) Untuk Klasifikasi Penyakit Dengan Gejala Demam,” vol. 2, no. 11, hal. 5619–5625, 2018.

H. C. S. Ningrum, “Perbandingan Metode Support Vector Machine (SVM) Linear, Radial Basis Function (RBF), dan Polinomial Kernel dalam Klasifikasi Bidang Studi Lanjut Pilihan Alumni UII,” UNIVERSITAS ISLAM INDONESIA, 2018.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 Senamika

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.