KLASIFIKASI TANAMAN BIDARA BERDASARKAN
TEKSTUR DAUN MENGGUNAKAN METODE GRAY LEVEL
CO-OCCURANCE MATRIX (GLCM) DAN ALGORITMA
SUPPORT VECTOR MACHINE (SVM)
HALAMAN SAMPUL
SKRIPSI
ADRIAN BUDI PRAWIRA
1610511081
UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN JAKARTA
FAKULTAS ILMU KOMPUTER
PROGRAM STUDI INFORMATIKA
2021
ii
KLASIFIKASI TANAMAN BIDARA BERDASARKAN
TEKSTUR DAUN MENGGUNAKAN METODE GRAY LEVEL
CO-OCCURANCE MATRIX (GLCM) DAN ALGORITMA
SUPPORT VECTOR MACHINE (SVM)
HALAMAN JUDUL
SKRIPSI
Diajukan Sebagai Syarat untuk Memperoleh Gelar Sarjana
Komputer
ADRIAN BUDI PRAWIRA
1610511081
UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN JAKARTA
FAKULTAS ILMU KOMPUTER
PROGRAM STUDI INFORMATIKA
2021
iii
PERNYATAAN ORISINALITAS
Skripsi ini adalah hasil karya sendiri, dan semua sumber yang dikutip maupun yang dirujuk telah saya nyatakan dengan benar.
Nama : Adrian Budi Prawira
NIM : 1610511081
Tanggal : 15 Januari 2021
Bilamana dikemudian hari ditemukan ketidaksesuaian dengan pernyataan saya ini, maka saya bersedia dituntut dan diproses sesuai dengan ketentuan yang berlaku.
Jakarta, 15 Januari 2021 Yang Menyatakan,
iv
PERNYATAAN PERSETUJUAN PUBLIKASI SKRIPSI
UNTUK KEPENTINGAN AKADEMIS
Sebagai civitas akademik Universitas Pembangunan Nasional Veteran Jakarta, saya yang bertanda tangan dibawah ini:
Nama : Adrian Budi Prawira
NIM : 1610511081
Fakultas : Ilmu Komputer
Program Studi : S1 Informatika
Dalam pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Pembangunan Nasional “Veteran” Jakarta Hak Bebas Royalti Non Eksklusif (Non-exclusive Royalty Free Right) atas karya ilmiah saya yang berjudul:
Klasifikasi Tanaman Bidara Berdasarkan Tekstur Daun Menggunakan Metode Gray Level Co-Occurance Matrix (GLCM) Dan Algoritma Support
Vector Machine (SVM)
Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti ini Universitas Pembangunan Nasional “Veteran” Jakarta berhak menyimpan, mengalih media/formatkan, mengelola dalam bentuk pangkalan data (database), merawat, dan mempublikasikan skripsi saya selama tetap mencantumkan nama saya sebagai penulis/pencipta dan sebagai pemilik Hak Cipta. Demikian pernyataan ini saya buat dengan sebenarnya.
Dibuat di : Jakarta
Pada tanggal : 15 Januari 2021
v
PENGESAHAN
Dengan ini dinyatakan bahwa skripsi berikut:
Nama : Adrian Budi Prawira
NIM : 1610511081
Program Studi : Informatika
Judul : Klasifikasi Tanaman Bidara Berdasarkan Tekstur Daun Menggunakan Metode Gray Level Co-occurance Matrix (GLCM) dan Algoritma Support Vector Machine (SVM) Telah berhasil dipertahankan di hadapan Tim Penguji dan diterima sebagai persyaratan yang diperlukan untuk memperoleh gelar Sarjana Komputer pada Program Studi Informatika, Fakultas Ilmu Komputer, Universitas Pembangunan Nasional Veteran Jakarta.
Henki Bayu Seta, S.Kom., MTI. Penguji 1
Noor Falih, S.Kom., M.T. Penguji 2
Jayanta, S.Kom., M.Si. Pembimbing 1
Yuni Widiastiwi, S.Kom., M.Si. Pembimbing 2
Dr. Ermatita, M.Kom. Dekan
Yuni Widiastiwi, S.Kom., M.Si. Ketua Program Studi
Ditetapkan di : Jakarta
vi
KLASIFIKASI TANAMAN BIDARA BERDASARKAN
TEKSTUR DAUN MENGGUNAKAN METODE GRAY LEVEL
CO-OCCURANCE MATRIX (GLCM) DAN ALGORITMA
SUPPORT VECTOR MACHINE (SVM)
ADRIAN BUDI PRAWIRA
ABSTRAK
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%.
Kata kunci: tanaman bidara, daun bidara, Gray Level Co-occurence Matrix, Support Vector Machine.
vii
CLASSIFICATION OF BIDARA PLANTS BASED ON LEAF
TEXTURE USING THE GRAY LEVEL CO-OCCURANCE
MATRIX (GLCM) METHOD AND SUPPORT VECTOR
MACHINE (SVM) ALGORITHM
ADRIAN BUDI PRAWIRA
ABSTRACT
Bidara is a type of fruit-producing plant that grows in dry areas. Based on the species, there are four types of plants bidara scattered in several places, namely the Bidara Arab (Ziziphus spina- christi), Bidara Upas (Merremia mammosa Hall.f.), Chinese Bidara (Ziziphus mauritiana Lam.), and Sea Bidara (Strychnos lucida R.Br.). Many people are looking for this plant to be cultivated, for daily consumption, and traded for treatment. However, there are still many people who are not well informed about how to distinguish between these plant species. With this problem, a solution is needed in order to minimize the error rate in distinguishing the types of species in bidara plants. The use of image processing can help in observing the texture of the leaves of bidara. In this study, a classification model will be made which functions to distinguish the types of bidara plants using the Support Vector Machine algorithm. Meanwhile, the extraction of texture features on bidara leaves will be observed using the Gray Level Co- occurrence Matrix method. The results of the research that have been carried out have produced a performance that does not disappoint in the detection of bidara plants. With the use of the Polynomial Quadratic SVM kernel, the best average obtained results were 84% accuracy, 92% precision, and 79.67% recall.
Keywords: bidara plants, bidara leaves, Gray Level Co- occurrence Matrix, Support Vector Machine.
viii
KATA PENGANTAR
Puji dan syukur kehadirat Allah SWT atas segala rahmat dan karunia-Nya sehingga penulis dapat berhasil menyelesaikan skripsi ini. Adapun judul yang dipilih dalam skripsi ini adalah “Klasifikasi Tanaman Bidara Berdasarkan Tekstur Daun Menggunakan Metode Gray Level Co-Occurance Matrix (GLCM) dan Algoritma Support Vector Machine (SVM)”.
Dalam penyusunan skripsi ini, penulis menerima banyak dukungan dari berbagai pihak baik moril ataupun materi. Oleh karena itu, saya ingin menyampaikan rasa terima kasih yang sebesar-besarnya kepada pihak yang sudah membantu dalam penyusunan skripsi ini terutama kepada :
1. Ibunda Neneng Herlina dan Bapak Setiyo Budiyanto yang selalu memberi berbagai macam bentuk dukungan kepada penulis. Terima kasih Ma, Pa atas semua pengorbanan yang telah diberikan kepada penulis.
2. Bapak Jayanta, S.Kom., M.Si selaku dosen pembimbing I dan Ibu Yuni Widiastiwi, S.Kom., M.Si selaku dosen pembimbing II yang sangat kooperatif dalam memberi bimbingan, bantuan, serta dukungan moral maupun teknis. Terima kasih atas ketersediaan waktu, tenaga, dan pikirannya untuk membimbing saya.
3. Seluruh dosen Fakutas Ilmu Komputer UPNVJ yang telah memberi ilmu yang bermanfaat kepada penulis. Terima kasih atas semua ilmu yang telah diajarkan, semoga ilmu yang bapak/ibu berikan dapat menjadi amal kebaikan yang akan terus mengalir dan dapat penulis manfaatkan sebaik-sebaiknya.
4. Bapak Wawan Kurniawan yang telah memberikan informasi yang bermanfaat dalam penelitian manfaat tanaman bidara.
5. Nona Putri Zahrah Nursyifa yang telah memberikan banyak motivasi dan nasihat kepada penulis selama penyelesaian skripsi ini.
6. Sahabat saya Celvin Habib Maulana, Abrar Hidayat, dan Rafif Muhammad Irdian yang telah bersedia meluangkan waktu dan
ix tenaganya dalam memberikan dukungan motivasi serta mengajari penulis dalam penyusunan skripsi beserta programnya.
7. Seluruh staff Fakultas Ilmu Komputer dengan segala keikhlasannya dalam membantu serta memberikan informasi mengenai penyelesaian tugas akhir.
8. Semua pihak yang secara langsung maupun tidak langsung yang telah memberikan bantuan dan dukungan baik moril ataupun teknis dalam penyusunan skripsi ini dan tidak dapat penulis sebutkan satu per satu.
Semoga berkas skripsi ini dapat bermanfaat, khususnya bagi penulis dan umumnya bagi kita semua dalam rangka memenuhi wawasan pengetahuan. Penulis juga menyadari bahwa dalam penulisan berkas ini masih banyak kekurangan. Oleh karena itu, sangat dibutuhkan saran yang membangun untuk perbaikan yang akan datang.
Jakarta, 15 Januari 2021
x
DAFTAR ISI
HALAMAN SAMPUL ... i
HALAMAN JUDUL ... ii
PERNYATAAN ORISINALITAS ... iii
PERNYATAAN PERSETUJUAN PUBLIKASI SKRIPSI UNTUK KEPENTINGAN AKADEMIS ... iv
PENGESAHAN ... v
ABSTRAK ... vi
ABSTRACT ... vii
KATA PENGANTAR ... viii
DAFTAR ISI ... x
DAFTAR GAMBAR ... xiii
DAFTAR TABEL ... xiv
DAFTAR LAMPIRAN ... xvi
BAB 1 PENDAHULUAN ... 1
1.1. Latar Belakang ... 1
1.2. Rumusan Masalah ... 2
1.3. Ruang Lingkup Penelitian ... 3
1.4. Tujuan Penelitian ... 3
1.5. Manfaat Penelitian ... 3
1.6. Luaran Yang di Harapkan ... 4
1.7. Sistematika Penulisan ... 4
BAB 2 TINJAUAN PUSTAKA ... 6
2.1 Tanaman Bidara ... 6 2.1.1. Bidara Arab ... 6 2.1.2. Bidara Upas ... 6 2.1.3. Bidara Cina... 6 2.1.4. Bidara Laut ... 7 2.2 Thresholding ... 8
xi
2.3 Deteksi Tepi Canny ... 8
2.4 Metode Gray Level Co-occurence Matrix ... 9
2.5 K-Fold Cross Validation ... 9
2.6 Definisi Algoritma Support Vector Machine ... 10
2.4.1. Kernel SVM ... 12
2.7 Penelitian Terkait ... 13
BAB 3 METODE PENELITIAN... 16
3.1. Kerangka Pikir ... 16 3.1.1. Identifikasi Masalah ... 16 3.1.2. Studi Pustaka ... 17 3.1.3. Akuisisi Data ... 17 3.1.4. Pra Proses ... 17 3.1.5. Ekstraksi Ciri ... 18 3.1.6. Pembagian Data ... 18 3.1.7. Klasifikasi ... 18 3.1.8. Dokumentasi ... 20 3.2. Perangkat Penelitian ... 20
3.2.1. Perangkat Keras (Hardware) ... 20
3.2.2. Perangkat Lunak (Software) ... 20
3.3. Jadwal Penelitian ... 21
BAB 4 PEMBAHASAN ... 22
4.1. Akuisisi Data ... 22
4.2. Pra Proses ... 22
4.2.1. Resize Citra... 22
4.2.2. Segmentasi Citra (Thresholding) ... 23
4.2.3. Grayscale Citra ... 24
4.2.4. Deteksi Tepi Canny ... 25
4.3. Ekstraksi Ciri ... 25
xii
4.5. Klasifikasi ... 27
4.5.1. Evaluasi data 4-Fold ... 29
4.5.2. Evaluasi data 5-Fold ... 32
4.5.3. Evaluasi data 10-fold... 35
BAB 5 PENUTUP ... 42
5.1. Kesimpulan ... 42
5.2. Saran ... 42
DAFTAR PUSTAKA ... 43
xiii
DAFTAR GAMBAR
Gambar 1.1 (A) Tampilan Pohon, (B) Buah, dan (C) daun Bidara. ... 1
Gambar 2.1 (a) Kemungkinan decision boundary dan (b) Max margin decision boundary ... 11
Gambar 2.2 Pemisahan data menggunakan teknik kernel. ... 12
Gambar 3.1 Kerangka Pikir... 16
Gambar 4.1 Citra Daun Bidara Arab... 22
Gambar 4.2 Citra Daun Bidara Cina ... 22
Gambar 4.3 Citra Awal ... 24
Gambar 4.4 Citra Hasil Segmentasi ... 24
Gambar 4.5 Citra Hasil Grayscale ... 25
xiv
DAFTAR TABEL
Tabel 2.1. Penelitian Terkait ... 13
Tabel 3.1 Teknik Confusion Matrix ... 19
Tabel 3.2 Jadwal Penelitian... 21
Tabel 4.1 Hasil Ekstraksi Ciri ... 26
Tabel 4.2 Pembagian data latih dan data uji ... 27
Tabel 4.3 Confusion Matrix 4-Fold CV Iterasi ke-1. ... 29
Tabel 4.4 Confusion Matrix 4-Fold CV Iterasi ke-2. ... 30
Tabel 4.5 Confusion Matrix 4-Fold CV Iterasi ke-3. ... 30
Tabel 4.6 Confusion Matrix 4-Fold CV Iterasi ke-4. ... 31
Tabel 4.7 Evaluasi rata-rata dari data 4-Fold ... 31
Tabel 4.8 Confusion Matrix 5-Fold CV Iterasi ke-1 ... 32
Tabel 4.9 Confusion Matrix 5-Fold CV Iterasi ke-2 ... 32
Tabel 4.10 Confusion Matrix 5-Fold CV Iterasi ke-3 ... 33
Tabel 4.11 Confusion Matrix 5-Fold CV Iterasi ke-4 ... 33
Tabel 4.12 Confusion Matrix 5-Fold CV Iterasi ke-5 ... 34
Tabel 4.13 Evaluasi rata-rata dari data 5-Fold ... 34
Tabel 4.14 Confusion Matrix 10-Fold CV Iterasi ke-1 ... 35
Tabel 4.15 Confusion Matrix 10-Fold CV Iterasi ke-2 ... 36
Tabel 4.16 Confusion Matrix 10-Fold CV Iterasi ke-3 ... 36
Tabel 4.17 Confusion Matrix 10-Fold CV Iterasi ke-4 ... 37
Tabel 4.18 Confusion Matrix 10-Fold CV Iterasi ke-5 ... 37
Tabel 4.19 Confusion Matrix 10-Fold CV Iterasi ke-6 ... 38
Tabel 4.20 Confusion Matrix 10-Fold CV Iterasi ke-7 ... 38
Tabel 4.21 Confusion Matrix 10-Fold CV Iterasi ke-8 ... 39
xv Tabel 4.23 Confusion Matrix 10-Fold CV Iterasi ke-10 ... 40 Tabel 4.24 Evaluasi rata-rata dari data 10-Fold ... 40 Tabel 4.25 Hasil Klasifikasi ... 41
xvi
DAFTAR LAMPIRAN
Lampiran 1 Research Questioner
Lampiran 2 Citra Tanaman Bidara
Lampiran 3 Citra Pra Proses
Lampiran 4 Source Code Pra Proses
Lampiran 5 Source Code Program Bidara
Lampiran 6 Tampilan GUI