KLASIFIKASI TANAMAN BIDARA BERDASARKAN TEKSTUR DAUN MENGGUNAKAN METODE GRAY LEVEL CO-OCCURANCE MATRIX

(1)

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

(2)

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

(3)

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,

(4)

iv

PERNYATAAN PERSETUJUAN PUBLIKASI SKRIPSI

UNTUK KEPENTINGAN AKADEMIS

Sebagai civitas akademik Universitas Pembangunan Nasional Veteran Jakarta, saya yang bertanda tangan dibawah ini:

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

(5)

v

PENGESAHAN

Dengan ini dinyatakan bahwa skripsi berikut:

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

(6)

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.

(7)

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.

(8)

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

(9)

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

(10)

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

(11)

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

(12)

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

(13)

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

(14)

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 4.7 Evaluasi rata-rata dari data 4-Fold ... 31

Tabel 4.8 Confusion Matrix 5-Fold CV Iterasi ke-1 ... 32

Tabel 4.13 Evaluasi rata-rata dari data 5-Fold ... 34

(15)

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

(16)

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