Optimasi Seleksi Fitur Untuk Perbaikan Akurasi Support Vector Machine Classifier Pada Klasifikasi Citra Tanaman Rimpang

Authors

  • Nani Sulistianingsih Universitas Muhammadiyah Mataram
  • Fitri Astutik Universitas Muhammadiyah Mataram
  • Arif Rahman Universitas Muhammadiyah Mataram

DOI:

https://doi.org/10.37859/jf.v14i2.7566
Keywords: seleksi fitur, klasifikasi, RFE, SVM, tanaman rimpang

Abstract

Tanaman Rimpang atau bahasa ilmiahnya Rhizome merupakan modifikasi batang yang tumbuh secara menjalar pada tanah dan berbentuk seperti tunas. Pemanfaatan tanaman rimpang tidak hanya digunakan sebagi bumbu dasar masakan tetapi digunakan sebagai obat herbal dengan khasiat tinggi. Tanaman rimpang semakin popular dengan adanya pandemi akibat virus Covid-19 yang melanda Indonesia dan dunia. Kementerian Kesehatan Republik Indonesia (Kemenkes RI) mengeluarkan surat edaran pemanfaatan obat tradisional untuk memelihara kesehatan, pencegahan penyakit, dan perawatan kesehatan. Kemenkes RI menyarankan penggunaan obat herbal untuk meningkatkan imunitas. Namun, sebagian besar orang menilai jenis tanaman rimpang sulit diidentifikasi karena bentuknya yang mirip antara satu dengan yang lain. Oleh karena itu, studi ini bertujuan untuk menganalisis dan mengidentifikasi tanaman rimpang jenis Kunyit, Jahe, Kencur dan Lengkuas dengan mengoptimalkan metode seleksi fitur Recursive Feature Elimination (RFE) untuk mendapatkan hasil akurasi yang lebih baik. Penelitian ini menggunakan metode ekstraksi fitur tektur Local Binary Pattern (LBP) dan classifier Support Vector Machine (SVM). Hasil akurasi klasifikasi sebelum menggunakan SVM-RFE diperolah sebesar 67% dan setelah menerapkan metode seleksi fitur SVM-RFE diperoleh akurasi sebesar 81%. Hal ini menunjukkan bahwa penerapan metode seleksi fitur dapat membantu dalam meningkatkan akurasi dan dapat mengidentifikasi citra tanaman rimpang dengan baik.

Downloads

Download data is not yet available.

References

Direktur Jenderal Pelayana Kesehatan, “Fileunduhan_1624351132_887698.Pdf,” 2020.

D. Nurnaningsih, D. Alamsyah, A. Herdiansah, and A. A. J. Sinlae, “Identifikasi Citra Tanaman Obat Jenis Rimpang dengan Euclidean Distance Berdasarkan Ciri Bentuk dan Tekstur,” Building of Informatics, Technology and Science (BITS), vol. 3, no. 3, pp. 171–178, 2021, doi: 10.47065/bits.v3i3.1019.

N. Neneng, A. S. Puspaningrum, and A. A. Aldino, “Perbandingan Hasil Klasifikasi Jenis Daging Menggunakan Ekstraksi Ciri Tekstur Gray Level Co-occurrence Matrices (GLCM) Dan Local Binary Pattern (LBP),” Smatika Jurnal, vol. 11, no. 01, pp. 48–52, 2021, doi: 10.32664/smatika.v11i01.572.

N. Sulistianingsih, I. Soesanti, and R. Hartanto, “Classification of Batik Image using Grey Level Co-occurrence Matrix Feature Extraction and Correlation Based Feature Selection,” 2018.

B. Richhariya, M. Tanveer, and A. H. Rashid, “Diagnosis of Alzheimer’s disease using universum support vector machine based recursive feature elimination (USVM-RFE),” 2020. [Online]. Available: www.oasis-brains.org

A. Adorada, R. Permatasari, P. W. Wirawan, A. Wibowo, and A. Sujiwo, Support Vector Machine - Recursive Feature Elimination (SVM-RFE) for Selection of MicroRNA Expression Features of Breast Cancer. 2018.

H. Jeon and S. Oh, “Hybrid-recursive feature elimination for efficient feature selection,” Applied Sciences (Switzerland), vol. 10, no. 9, May 2020, doi: 10.3390/app10093211.

A. Arifin, J. Hendyli, and D. E. Herwindiati, “Klasifikasi Tanaman Obat Herbal Menggunakan Metode Support Vector Machine,” Computatio : Journal of Computer Science and Information Systems, vol. 5, no. 1, p. 25, 2021, doi: 10.24912/computatio.v1i1.12811.

P. N. Andono, T. Sutojo, and Muljono, Pengolahan Citra Digital, 1st ed. Yogyakarta: Andi , 2017.

L. Hakim, Rempah & Herba Kebun-Pekarangan Rumah Masyarakat, no. 164. 2015.

N. Harun, R. R. Saleh, E. F. Setiawan, and N. Kurniasih, “Rimpang, Berpotensikah Atau Sekedar Numpang Popular Di Masa Pandemi Covid 19,” p. 5, 2022, [Online]. Available: http://repository.stikesmucis.ac.id/id/eprint/191/%0Ahttp://repository.stikesmucis.ac.id/id/eprint/191/3/Buku Rimpan- BERPOTENSIKAH ATAU SEKEDAR NUMPANG POPULAR DI MASA PANDEMI COVID 19.pdf

S. Ashari and I. Ernawati, “Klasifikasi Tanaman Obat Untuk Penyakit Asam Urat Dengan Metode Local Binary Pattern (Lbp),” Seminar Nasional Mahasiswa Ilmu Komputer dan Aplikasinya (SENAMIKA), pp. 516–528, 2020.

H. Fitriyah and R. C. Wihandika, Dasar-Dasar Pengolahan Citra Digital, 1st ed. Malang: UB Press, 2021.

M. P. H. Setyawan and I. D. M. B. A. Darmawan, “Pengenalan Citra Daun Herbal Menggunakan Metode CNN dan Ekstraksi Fitur Tekstur LBP,” vol. 1, no. November, pp. 337–346, 2022.

Downloads

Published

2024-09-01

Issue

Vol. 14 No. 2 (2024): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)

Section

Articles

License

Copyright Notice

An author who publishes in the Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) agrees to the following terms:

  • Author retains the copyright and grants the journal the right of first publication of the work simultaneously licensed under the Creative Commons Attribution-ShareAlike 4.0 License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal
  • Author is able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book) with the acknowledgement of its initial publication in this journal.
  • Author is  permitted and encouraged to post his/her  work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of the published work (See The Effect of Open Access).

Read more about the Creative Commons Attribution-ShareAlike 4.0 Licence here: https://creativecommons.org/licenses/by-sa/4.0/.