Klasifikasi Citra Daun Anggur Menggunakan SVM Kernel Linear

Authors

  • Adri Gabriel Sooai Ilmu Komputer Universitas Katolik Widya Mandira
  • Paskalis Andrianus Nani Universitas Katolik Widya Mandira Kupang
  • Natalia Magdalena Rafu Mamulak Universitas Katolik Widya Mandira Kupang
  • Corazon Olivia Sianturi Universitas Sanata Dharma
  • Shine Crossifixio Sianturi Universitas Sanata Dharma
  • Alicia Herlin Mondolang Universitas Negeri Malang

DOI:

https://doi.org/10.31328/jointecs.v8i1.4496

Keywords:

dataset daun anggur, kernel linier, peningkatan akurasi, support vector machine, squeeznet.

Abstract

Pemanfaatan kecerdasan buatan untuk proses pengenalan citra telah dilakukan oleh banyak peneliti. Salah satu bidangnya adalah mengenali penyakit pada daun anggur. Telah dilakukan pemodelan menggunakan augmentasi mendahului pengklasifikasian support vector machine dengan kernel cubic, dengan hasil akurasi yang diperoleh adalah 97.6%.  Peningkatan kinerja akurasi prediksi citra melalui pemodelan masih dapat ditingkatkan melalui berbagai cara. Beberapa teknik yang bisa digunakan antara lain adalah menggunakan seleksi fitur, pengolahan awal untuk mencari dan membuang outlier, ataupun pemilihan algoritma pengklasifikasi yang secara khusus mampu menangani dataset dengan karakteristik tertentu. Teknik lainnya adalah melewatkan citra pada proses ekstraksi fitur untuk memperoleh dataset yang berkualitas baik dan mampu dilatih untuk memperoleh model dengan akurasi yang relatif lebih tinggi, dibandingkan penelitian sebelumnya. Penelitian ini bertujuan meningkatkan perolehan angka akurasi dengan menggunakan bantuan proses ekstraksi fitur, serta membandingkan kinerja beberapa pengklasifikasi yaitu k-Nearest Neighbor, Random Forest, Naïve Bayes, Neural Network dan Support Vector Machine. Metode yang digunakan dimulai dari proses ekstraksi fitur memanfaatkan algoritma SqueezNet untuk mendapatkan dataset dengan komposisi 1000 kolom dan 7222 baris. Selanjutnya dilakukan pembagian data latih dan uji dengan perbandingan 60:40. Pelatihan data menggunakan ragam pengklasifikasi yang di validasi menggunakan 2-fold cross validation. Data yang digunakan adalah dataset sekunder daun anggur, yang terdiri dari 7222 citra daun, terbagi dalam empat kelas yang telah tervalidasi dari penelitian terkait. Hasil yang diperoleh mengungguli penelitian sebelumnya yaitu 98.1% pada pengklasifikasi Support Vector Machine menggunakan kernel linear. 

Author Biographies

Adri Gabriel Sooai, Ilmu Komputer Universitas Katolik Widya Mandira

Program Studi Ilmu Komputer, Fakultas Teknik, Universitas Katolik Widya Mandira Kupang

Paskalis Andrianus Nani, Universitas Katolik Widya Mandira Kupang

Program Studi Ilmu Komputer, Fakultas Teknik, Universitas Katolik Widya Mandira Kupang

Natalia Magdalena Rafu Mamulak, Universitas Katolik Widya Mandira Kupang

Program Studi Ilmu Komputer, Fakultas Teknik, Universitas Katolik Widya Mandira Kupang

Corazon Olivia Sianturi, Universitas Sanata Dharma

Program Studi Informatika, Fakultas Sains dan Teknologi, Universitas Sanata Dharma

Shine Crossifixio Sianturi, Universitas Sanata Dharma

Program Studi Matematika, Fakultas Sains dan Teknologi, Universitas Sanata Dharma

Alicia Herlin Mondolang, Universitas Negeri Malang

Program Studi Pendidikan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam (MIPA), Universitas Negeri Malang

References

Y. Qi, R. Wang, Q. Qin, and Q. Sun, “Soil Affected the Variations in Grape and Wine Properties Along the Eastern Foot of Helan Mountain, China,†Acta Agriculturae Scandinavica, Section B — Soil & Plant Science, vol. 69, no. 6, pp. 494–502, Aug. 2019, doi: 10.1080/09064710.2019.1611914.

G. Gopal and A. P. J., “Identification of Plant Leaf Diseases Using a Nine-Layer Deep Convolutional Neural Network,†Computers & Electrical Engineering, vol. 76, pp. 323–338, Jun. 2019, doi: 10.1016/j.compeleceng.2019.04.011.

M. Imanullah, E. M. Yuniarno, and A. G. Sooai, “A Novel Approach in Low-cost Motion Capture System using Color Descriptor and Stereo Webcam,†IJTech, vol. 10, no. 5, pp. 942–952, Oct. 2019, doi: 10.14716/ijtech.v10i5.2789.

D. Purwitasari, C. Fatichah, A. G. Sooai, S. Sumpeno, and M. H. Purnomo, “Productivity-based Features from Article Metadata for Fuzzy Rules to Classify Academic Expert,†in 2019 IEEE 10th International Conference on Awareness Science and Technology (iCAST), Morioka, Japan, Oct. 2019, pp. 1–6. doi: 10.1109/ICAwST.2019.8923316.

R. Marani, A. Milella, A. Petitti, and G. Reina, “Deep Neural Networks for Grape Bunch Segmentation in Natural Images from a Consumer-Grade Camera,†Precision Agric, vol. 22, no. 2, pp. 387–413, Apr. 2021, doi: 10.1007/s11119-020-09736-0.

E. Talahaturuson et al., “Exploring Indonesian Netizen’s Emotional Behavior Through Investment Sentiment Analysis Using TextBlob-NLTK (Natural Language Toolkit),†in Technology 4.0 for Smart Ecosystem: A New Way of Doing DIgital Business, Semarang, Indonesia, Oct. 2022. doi: https://doi.org/ 10.1109/ iSemantic55962.2022.9920431.

A. B. Gumelar et al., “Human Voice Emotion Identification Using Prosodic and Spectral Feature Extraction Based on Deep Neural Networks,†in 2019 IEEE 7th International Conference on Serious Games and Applications for Health (SeGAH), Kyoto, Japan, Aug. 2019, pp. 1–8. doi: 10.1109/SeGAH.2019.8882461.

A. B. Gumelar, E. M. Yuniarno, D. P. Adi, A. G. Sooai, I. Sugiarto, and M. H. Purnomo, “BiLSTM-CNN Hyperparameter Optimization for Speech Emotion and Stress Recognition,†in Wireless Technologies and Intelligent Systems for Better Human Lives, Surabaya, Indonesia, Sep. 2021, pp. 220–225. doi: 10.1109/ IES53407. 2021.9594024.

A. Y. Rahman, “Klasifikasi Citra Burung Jalak Menggunakan Artificial Neural Network dan Random Forest,†JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 8, no. 2, Art. no. 2, Aug. 2022, doi: 10.26418/jp.v8i2.53480.

H. Chen, S. Hu, R. Hua, and X. Zhao, “Improved Naive Bayes Classification Algorithm for Traffic Risk Management,†EURASIP J. Adv. Signal Process., vol. 2021, no. 1, p. 30, Jun. 2021, doi: 10.1186/s13634-021-00742-6.

I. Istiadi, A. Y. Rahman, and A. D. R. Wisnu, “Identification of Tempe Fermentation Maturity Using Principal Component Analysis and K-Nearest Neighbor,†Sinkron : jurnal dan penelitian teknik informatika, vol. 8, no. 1, Art. no. 1, Jan. 2023, doi: 10.33395/ sinkron. v8i1. 12006.

W. Saputro and D. B. Sumantri, “Implementasi Citra Digital Dalam Klasifikasi Jenis Buah Anggur Dengan Algoritma K-Nearest Neighbors (KNN) Dan Data Augmentasi,†INTECOMS: Journal of Information Technology and Computer Science, vol. 5, no. 2, pp. 248–253, Dec. 2022, doi: 10.31539/intecoms.v5i2.4337.

M. Koklu, M. F. Unlersen, I. A. Ozkan, M. F. Aslan, and K. Sabanci, “A Cnn-Svm Study Based on Selected Deep Features for Grapevine Leaves Classification,†Measurement, vol. 188, p. 110425, Jan. 2022, doi: 10.1016/ j.measurement. 2021.110425.

F. Nurdiansyah and F. Marisa, “Klasifikasi Ayam Petelur Menggunakan Artificial Neural Network dan Decision Tree,†JOINTECS (Journal of Information Technology and Computer Science), vol. 7, no. 3, Art. no. 3, Oct. 2022, doi: 10.31328/jointecs.v7i3.4053.

S. W. Iriananda, R. P. Putra, F. Nurdiyansyah, ‪Fitri Marisa, and I. Istiadi, “Klasifikasi Logo Mobil Menggunakan Jaringan Syaraf Tiruan Backpropagation dan Decision Tree,†JOINTECS (Journal of Information Technology and Computer Science), vol. 7, no. 1, Art. no. 1, Feb. 2022, doi: 10.31328/jointecs.v7i1.3464.‬‬

C. Y. Jerandu et al., “Image Classification of Decapterus Macarellus Using Ridge Regression,†in 2022 8th International Conference on Education and Technology (ICET), FMIPA Universitas Negeri Malang, Oct. 2022, pp. 81–86. doi: 10.1109/ICET56879.2022.9990820.

A. J. Lado et al., “Comparison of Neural Network and Random Forest Classifier Performance on Dragon Fruit Disease,†in Wireless Technologies and Intelligent Systems for Better Human Lives (IES-IEEE) 2021, Politeknik Negeri Surabaya, Sep. 2021, pp. 351–355. doi: 10.1109/ IES53407. 2021.9593992.

M. Shantkumari and S. V. Uma, “Grape Leaf Image Classification Based on Machine Learning Technique for Accurate Leaf Disease Detection,†Multimed Tools Appl, vol. 82, no. 1, pp. 1477–1487, Jan. 2023, doi: 10.1007/s11042-022-12976-z.

Y. P. Purbanugraha, A. Fatchur Rochim, and I. Setiawan, “Improvement Accuracy Identification and Learning Speed of Offline Signatures Based on SqueezeNet with ADAM Backpropagation,†in 2022 9th International Conference on Information Technology, Computer, and Electrical Engineering (ICITACEE), Aug. 2022, pp. 248–253. doi: 10.1109/ ICITACEE55701. 2022. 9924082.

A. G. Sooai, K. Yoshimoto, H. Takahashi, S. Sumpeno, and M. H. Purnomo, “Dynamic Hand Gesture Recognition on 3D Virtual Cultural Heritage Ancient Collection Objects Using k-Nearest Neighbor,†Engineering Letters, vol. 26, no. 3, pp. 356–363, 2018.

A. B. Gumelar, A. Yogatama, D. P. Adi, F. Frismanda, and I. Sugiarto, “Forward Feature Selection for Toxic Speech Classification Using Support Vector Machine and Random Forest,†IAES International Journal of Artificial Intelligence (IJ-AI), vol. 11, no. 2, Art. no. 2, Jun. 2022, doi: 10.11591/ijai.v11.i2.pp717-726.

A. Nugroho, S. Sumpeno, and M. H. Purnomo, “A Decision Guidance for Solving Success Rate Political Campaign Using Distance Weighted kNN in Nassi-Shneiderman Framework,†IJIES, vol. 14, no. 2, pp. 410–420, Apr. 2021, doi: 10.22266/ijies2021.0430.37.

N. Z. Fanani et al., “Two Stages Outlier Removal as Pre-processing Digitizer Data on Fine Motor Skills (FMS) Classification Using Covariance Estimator and Isolation Forest,†IJIES, vol. 14, no. 4, pp. 571–582, Aug. 2021, doi: 10.22266/ijies2021.0831.50.

N. Z. Fanani, A. G. Sooai, S. Sumpeno, and M. H. Purnomo, “Penentuan Kemampuan Motorik Halus Anak dari Proses Menulis Hanacaraka Menggunakan Random Forest,†JNTETI, vol. 9, no. 2, Art. no. 2, May 2020, doi: 10.22146/jnteti.v9i2.153.

F. Zhang, T.-Y. Wu, J.-S. Pan, G. Ding, and Z. Li, “Human Motion Recognition Based on Svm in Vr Art Media Interaction Environment,†Hum. Cent. Comput. Inf. Sci., vol. 9, no. 1, p. 40, Nov. 2019, doi: 10.1186/s13673-019-0203-8.

O. A. Montesinos López, A. Montesinos López, and J. Crossa, Multivariate Statistical Machine Learning Methods for Genomic Prediction. Cham: Springer International Publishing, 2022. doi: 10.1007/978-3-030-89010-0.

- Istiadi et al., “Classification of Tempeh Maturity Using Decision Tree and Three Texture Features,†JOIV : International Journal on Informatics Visualization, vol. 6, no. 4, Art. no. 4, Dec. 2022, doi: 10.30630/joiv.6.4.983.

Downloads

Published

2023-03-19

Issue

Vol. 8 No. 1 (2023)

Section

Articles

License

Pernyataan Hak Cipta dan Lisensi

Hak Cipta :

Penulis yang mempublikasikan naskahnya pada Jurnal ini menyetujui ketentuan berikut:

Hak cipta pada setiap artikel adalah milik penulis.

  1. Penulis mengakui bahwa JOINTECS (JOURNAL OF INFORMATION TECHNOLOGY AND COMPUTER SCIENCE) berhak sebagai yang mempublikasikan pertama kali dengan lisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0).
  2. Penulis dapat memasukan tulisan secara terpisah, mengatur distribusi non-ekskulif  dari naskah yang telah terbit di jurnal ini kedalam versi yang lain (misal: dikirim ke respository institusi penulis, publikasi kedalam buku, dll), dengan mengakui bahwa naskah telah terbit pertama kali pada JOINTECS (JOURNAL OF INFORMATION TECHNOLOGY AND COMPUTER SCIENCE);

Lisensi :

JOINTECS diterbitkan berdasarkan ketentuan Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0). Lisensi ini mengizinkan setiap orang untuk menyalin dan menyebarluaskan kembali materi ini dalam bentuk atau format apapun, menggubah, mengubah, dan membuat turunan dari materi ini untuk kepentingan apapun, termasuk kepentingan komersial, selama mereka mencantumkan kredit kepada Penulis atas ciptaan asli.

This work is Under licensed

Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)