Implementasi penggunaan seleksi fitur pada klasifikasi daun sirih.
Isi Artikel Utama
Abstrak
Daun sirih (Piper betle) memiliki beberapa varian yang berbeda,sebagian varian tersebut adalah sirih merah, hijau, dan hitam. Varian dari daun sirih tersebut masing-masing memiliki kegunaan yang berbeda dalam berbagai keperluan mulai dari keperluan medis hingga keperluan tradisional lainnya. Penelitian ini bertujuan untuk mengembangkan metode klasifikasi jenis daun sirih berdasarkan fitur warna dan tekstur, dengan memanfaatkan salah satu metode seleksi fitur Algoritma Genetika untuk meningkatkan performa klasifikasi. Data citra daun sirih dikumpulkan melalui proses akuisisi citra digital, diikuti dengan segmentasi menggunakan metode thresholding untuk memisahkan daun dari latar belakang. Selanjutnya, proses preprocessing dilakukan dan setelah itu dilakukan proses ekstraksi fitur. Ekstraksi fitur warna dilakukan dalam ruang warna RGB, sedangkan ekstraksi fitur tekstur didapatkan dari Gray Level Co-occurrence Matrix (GLCM). Seleksi fitur menggunakan Algoritma Genetika diimplementasikan untuk mengurangi dimensi fitur dan mempertahankan fitur yang paling relevan. Metode klasifikasi K-Nearest Neighbor (KNN), Naive Bayes, dan Support Vector Machine (SVM) digunakan untuk mengklasifikan kelas dari daun sirih. Hasil penelitian menunjukkan bahwa seleksi fitur dengan Algoritma Genetika meningkatkan akurasi klasifikasi secara signifikan. KNN dan SVM mencapai akurasi 100% setelah seleksi fitur, sedangkan akurasi Naive Bayes meningkat dari 90% menjadi 91,67%. Hal ini menunjukkan bahwa implementasi seleksi fitur menggunakan Algoritma Genetika dapat meningkatkan performa akurasi pada klasifikasi daun sirih
##plugins.themes.bootstrap3.displayStats.downloads##
Rincian Artikel
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
Hak cipta pada setiap artikel adalah milik penulis, dan penulis mengakui bahwa Jnanaloka sebagai pihak yang mempublikasikan pertama kali dengan lisensi Creative Commons Attribution (CC BY). Lisensi ini mengijinkan untuk, Berbagi yakni menyalin dan menyebarluaskan kembali materi ini dalam bentuk atau format apapun; dan Adaptasi yakni menggubah, mengubah, dan membuat turunan dari materi iniuntuk kepentingan apapun, termasuk kepentingan komersial dengan ketentuan Atribusi
Cara Mengutip
Referensi
F. R. Juliantina, D. M. Ayu Citra, B. Nirwani, T. Nurmasitoh, and E. Tri Bowo, “MANFAAT SIRIH MERAH (Piper crocatum) SEBAGAI AGEN ANTI BAKTERIAL TERHADAP BAKTERI GRAM POSITIF DAN GRAM NEGATIF.”
T. M. Sarjani, E. S. Pandia, and D. Wulandari, “IDENTIFIKASI MORFOLOGI DAN ANATOMI TIPE STOMATA FAMILI Piperaceae DI KOTA LANGSA,” JIPI), vol. 1, no. 2, pp. 182–191, 2017, [Online].
Available: www.jurnal.unsyiah.ac.id/jipi
H. Hamdani, A. Septiarini, N. Puspitasari, A. Tejawati, and F. Alameka, “The color features and k- nearest neighbor algorithm for classifying betel leaf image,” IAES International Journal of Robotics and Automation, vol. 13, no. 3, pp. 330–337, Sep. 2024, doi: 10.11591/ijra.v13i3.pp330-337.
N. Puspitasari, A. Septiarini, U. Hairah, A. Tejawati, and H. Sulastri, “Betel leaf classification using color-texture features and machine learning approach,” Bulletin of Electrical Engineering and Informatics, vol. 12, no. 5, pp. 2939–2947, Oct. 2023, doi: 10.11591/eei.v12i5.5101.
N. Puspitasari et al., “METODE K-NEAREST NEIGHBOR DAN FITUR WARNA UNTUK KLASIFIKASI DAUN SIRIH BERDASARKAN CITRA DIGITAL,” vol. 10, no. 2, 2023.
A. N. Puteri, A. Arizal, and A. D. Achmad, “Feature Selection Correlation-Based pada Prediksi Nasabah Bank Telemarketing untuk Deposito,” MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 20, no. 2, pp. 335–342, May 2021, doi: 10.30812/matrik.v20i2.1183.
Jupriyadi, “IMPLEMENTASI SELEKSI FITUR MENGGUNAKAN ALGORITMA FVBRM UNTUK KLASIFIKASI SERANGAN PADA INTRUSION DETECTION SYSTEM (IDS),” 2018.
I. Made, B. Adnyana, S. B. Jln, and R. Puputan, “Penerapan Feature Selection untuk Prediksi Lama Studi Mahasiswa”.
N. Amini et al., “JIP (Jurnal Informatika Polinema) IMPLEMENTASI ALGORITMA GENETIKA UNTUK SELEKSI FITUR PADA KLASIFIKASI GENRE MUSIK MENGGUNAKAN METODE RANDOM FOREST”.
P. Guo, X. Wang, and Y. Han, “The enhanced genetic algorithms for the optimization design,” in 2010 3rd International Conference on Biomedical Engineering and Informatics, IEEE, Oct. 2010, pp. 2990–2994. doi: 10.1109/BMEI.2010.5639829.
E. Maria, Y. Putri Arinda, P. Nobel, M. Informatika, and P. Pertanian Negeri Samarinda, “Segmentasi Citra Digital Bentuk Daun Pada Tanaman Di Politani Samarinda Menggunakan Metode Thresholding,” JURTI, vol. 2, no. 1, 2018.
D.-H. Pham and S. Meignen, “A Novel Thresholding Technique for the Denoising of Multicomponent Signals A Novel Thresholding Technique for the Denoising of Multi-component Signals A NOVEL THRESHOLDING TECHNIQUE FOR THE DENOISING OF MULTICOMPONENT SIGNALS,” pp. 4004–4008, 2018, doi: 10.1109/ICASSP.2018.8462216ï.
M. Widyaningsih, “IDENTIFIKASI KEMATANGAN BUAH APEL DENGAN GRAY LEVEL CO- OCCURRENCE MATRIX (GLCM).”
Y. F. Achmad, A. Yulfitri, and P. Maharani, “Penerapan Algoritma GLCM dan KNN dalam Pengenalan Jenis Jerawat,” Jurnal Komtika (Komputasi dan Informatika), vol. 6, no. 2, pp. 74–82, Nov. 2022, doi: 10.31603/komtika.v6i2.8078.