Klasifikasi Jenis Pisang Menggunakan Support Vector Machine dengan Fitur GLCM dan HOG

(1)

Jln. Khatib Sulaiman Dalam, No. 1, Padang, Indonesia, Telp. (0751) 7056199, 7058325 Website: ijcs.stmikindonesia.ac.id | E-mail: [email protected]

Klasifikasi Jenis Pisang Menggunakan Support Vector Machine dengan Fitur GLCM dan HOG

Herry Kamaruddin Sanjaya1_{, Novan Wijaya}2

[email protected], [email protected] 1_{STMIK GI Multi Data Palembang}

2_{AMIK Multi Data Palembang} Informasi Artikel Abstrak Diterima : 29-07-2020

Direview : 02-09-2020 Disetujui : 02-10-2020

Buah Pisang memasok kebutuhan tidak hanya pasar dalam negeri, tetapi juga pasar internasional. Proses pengenalan aneka buah pisang pada umumnya dilakukan dengan dua cara yaitu pertama dilakukan secara manual oleh manusia untuk pengenalan buah pisang dan kedua menggunakan metode destruktif dengan cara pengambilan sampel. Permasalahan yang terjadi pada kedua proses tersebut yaitu memiliki biaya yang relatif besar dan kemungkinan terjadinya kesalahan pengamatan sangat besar. Untuk itu diperlukan suatu sistem yang dapat mengklasifikasikan buah pisang menggunakan pengolahan citra digital dan Support Vector Machine (SVM) yang diimplementasikan pada penelitian ini. Pemrosesan citra digital digunakan untuk mengekstraksi fitur bentuk dan tekstur buah pisang, sedangkan SVM digunakan untuk klasifikasi buah pisang. Pada tahap pengujian menggunakan cross validation untuk 7 kelas pisang. Pada penelitian ini SVM mampu mengklasifikasikan jenis buah pisang pada citra dengan fitur GLCM dan HOG pada iterasi 1 dengan akurasi keseluruhan sebesar 74,28% yaitu pada jenis buah pisang susu.

Kata Kunci

SVM;HOG;GLCM;Cross Validation

Keywords Abstract

SVM;HOG;GLCM; Cross

Validation Banana supplies not only the domestic market, but also the international market. In the process of introducing a variety of bananas are generally done in two ways, firstly done manually by humans to introduce bananas and secondly to use destructive methods by taking samples. The problem that occurs in this second process is having relatively large and greater costs. This requires a system that can classify bananas using digital image processing and the Vector Support Machine (SVM) implemented in this study. Digital images are used to extract the shape and texture features of bananas, while SVM is used for banana classification. Where in the test using cross validation for 7 classes of bananas. SVL is able to classify the types of bananas in the image with GLCM and HOG features in iteration 1 with an overall accuracy of 74.28% in the type of milk bananas.

(2)

A. Pendahuluan

Pisang merupakan salah satu komoditas buah unggulan Indonesia yang memberikan kontribusi besar terhadap angka produksi buah nasional. Setiap tahunnya produksi pisang di Indonesia menunjukkan peningkatan pada seminar FGD Pengembangan Hortikultura untuk Peningkatan Ekspor dan Ekonomi Daerah oleh Deputi Bidang Koordinasi Pangan dan Pertanian Kementerian Koordinator Bidang Perekonomian pada tanggal 12 Agustus 2019. [1]Jenis pisang yang termasuk dalam Musa paradisiaca L yang memiliki nilai ekonomi tinggi karena keistimewaan rasa dan aroma buahnya, yaitu pisang ambon, pisang barangan, pisang raja, pisang kepok, pisang tanduk, pisang badak, pisang nangka, pisang mas, pisang susu.

Pengenalan buah pisang dapat dilakukan dari pengalaman seseorang, dengan cara mengenali bentuk dan warna kulit saja, terkadang terdapat perbedaan persepsi dari masyarakat tentang penyeleksian buah pisang terhadap faktor komposisi warna, bentuk, ukuran citra suatu objek berbeda-beda walaupun objek yang dilihat sama persis. Dengan banyaknya jenis pisang yang ada, membutuhkan biaya yang besar dalam penyeleksian pisang jika menggunakan kemampuan manusia. Apabila sebuah pabrik ingin mengolah pisang dalam skala besar maka biaya yang dibutuhkan untuk menerima karyawan untuk memperhatikan jenis pisang secara manual sangat besar [2]. Penelitian ini akan mengembangkan sebuah aplikasi yang dapat membantu dalam melakukan proses klasifikasi jenis pisang. Berdasarkan permasalahan tersebut di atas, maka pengenalan jenis buah pisang juga dapat dilakukan menggunakan pengolahan citra digital (image

processing). Penelitian ini menggunakan gabungan beberapa metode seperti

metode GLCM dan HOG serta SVM sebagai metode klasifikasi.

Beberapa penelitian sebelumnya pernah dilakukan terkait dengan objek pisang diantaranya menggunakan metode Principal Component Analysis (PCA) untuk membedakan jenis buah pisang dengan ciri warna kulit, bentuk, dan ukuran buah pisang serta dapat mengimplementasikan metode PCA kedalam suatu aplikasi indentifikasi perbedaan jenis buah pisang [3]. Penelitian berikutnya yang mengangkat tema otomatisasi klasifikasi kematangan buah mengkudu menggunakan Support Vector Machines (SVM) untuk mengenali buah berdasarkan warna (HSV) dan tekstur (GLCM) dimana di dapatkan hasil bahwa menggunakan SVM kernel linear persentase hasil klasifikasi tekstur dan warna sebesar 85 %. Seperti yang dilakukan [4].

Pengenalan objek melalui bentuk, metode yang dapat digunakan yaitu metode Histogram of Oriented Gradients (HOG). Pada penelitian sebelumnya mengenai pengenalan buah mangga menggunakan HOG-JST di dapatkan hasil pengujian pengenalan bentuk dengan metode pengenalan jaringan saraf tiruan

backpropagation dengan input berupa fitur dari Histogram of Oriented Gradients

mendapatkan tingkat akurasi 90%. Hal ini mengindikasikan bahwa fitur HOG dapat digunakan. Namun belum diketahui pengaruh tingkat pengenalan terhadap banyaknya jenis yang harus dikenali [5].

Selanjutnya pada penelitian tentang pemanfaatan ciri Gray Level

Co-Occurrence Matrix (GLCM) Citra Buah Jeruk Keprok (Citrus reticulata Blanco)

untuk klasifikasi mutu, diperoleh hasil bahwa citra jeruk keprok untuk klasifikasi mutu dapat memberikan hasil terbaik sebesar 82.5% dengan jumlah data latih

(3)

sebesar 20 dan 30 data, pada jarak ketetanggaan piksel (distance) sebesar 2 dan pada arah GLCM 45° [6].

Berdasarkan penelitian-penelitian yang telah dilakukan sebelumnya mengenai klasifikasi jenis pisang, belum terdapat penelitian dengan metode GLCM sebagai identifikasi fitur dengan perbedaan piksel, HOG digunakan pengenalan bentuk fitur objek dan SVM digunakan sebagai klasifikasi jenis pisang. Penelitian terkait yang telah dilakukan dengan objek penelitian pisang ambon dan emas menggunakan metode HSV sebagai pengenalan warna, GLCM sebagai identifikasi fitur dan SVM sebagai klasifikasi dengan tingkat klasifikasi 85% [3]. Penelitian yang akan dilakukan dengan objek pisang yang lebih banyak, diantaranya pisang ambon, pisang barangan, pisang raja, pisang kepok, pisang tanduk, pisang mas, dan pisang susu. Dengan objek penelitian yang lebih banyak dan metode yang digunakan berbeda dengan penelitan terdahulu, menjadi menarik untuk dikembangkan.

Berdasarkan penelitian yang sudah pernah dilakukan sebelumnya, maka penelitian ini melakukan pengenalan objek berdasarkan bentuk objek menggunakan Histogram of Oriented Gradients (HOG) sebagai fitur untuk mengenali objek, kemudian menggunakan fitur Gray Level Co_Occurrence Matrix (GLCM) dapat mengetahui perbedaan nilai pada suatu piksel dengan piksel lainnya pada citra, dan menggunakan Support Vector Machine (SVM)

B. Metode Penelitian

Gambar 1. Rancangan metodologi

Berdasarkan Gambar 1, dapat dijelaskan rancangan metodolodi yang digunakan sebagai berikut :

1. Identifikasi Sistem

Tahapan ini menentukan permasalahan sesuai dengan bidang ilmu, dalam hal ini klasifikasi jenis buah pisang.

2. Studi Literatur

Tahapan ini merupakan pencarian beberapa jurnal dan buku yang terkait mengenai klasifikasi jenis buah pisang menggunakan bermacam metode yang digunakan, jurnal yang terkait mengenai metode ektraksi ciri citra Histogram

(4)

Matrix (GLCM) dan metode yang terkait metode klasifikasi Support Vector Machine (SVM).

3. Pengumpulan Data

Pengumpulan data berupa citra, dilakukan dengan cara pemotretan objek buah pisang. Pemotretan dilakukan menggunakan kamera belakang

handphone merk Xiaomi Note 4x dengan resolusi sensor sebesar 13 megapixel

dengan lampu flash. Media pemotretan dibuat menggunakan kardus bekas air minum mineral dan di dalam kardus dilapis dengan kertas karton putih yang dapat dilihat pada Gambar 2. Pemotretan dilakukan dengan satu jarak, yaitu lebih kurang 30 cm [7].

Gambar 2. Pemotretan jarak 30 cm

Data terbagi dua, yaitu data training dan data testing. Data training berjumlah 45 buah citra dan data testing berjumlah 15 buah citra untuk setiap jenisnya. Data data training digunakan untuk menghasilkan model klasifikasi, dan data

testing digunakan dalam evaluasi model klasifikasi. Jumlah data setiap jenis

buah pisang dapat dilihat pada Tabel 1.

Tabel 1. Jumlah data setiap jenis buah pisang Jenis – Jenis Buah

Pisang Data Training Data Uji

Pisang Ambon 45 15 Pisang Barangan 45 15 Pisang Raja 45 15 Pisang Kepok 45 15 Pisang Tanduk 45 15 Pisang Mas 45 15 Pisang susu 45 15 Total 315 105

Histogram of Oriented Gradient (HOG)

Histogram of Oriented Gradient (HOG) merupakan salah satu metode

ekstraksi ciri bentuk yang digunakan pada computer vision dalam pengolahan citra dengan cara menghitung nilai gradien pada suatu citra untuk mendapatkan hasil yang akan digunakan untuk mendeteksi objek. Tiap image mempunyai karakteristik yang disebut dengan distribusi gradient. Karakteristik ini diperoleh dengan membagi image kedalam daerah kecil yang disebut cell. Tiap cell disusun

(5)

sebuah histogram dari sebuah gradient. Kombinasi dari histogram ini dijadikan sebagai descriptor yang mewakili sebuah obyek.

Pada metode ini, feature HOG dapat diperoleh dari membagi gambar kedalam cell berukuran n x n, lalu dikelompokan yang saling beririsan satu sama lain. Dari tiap cell masing-masing blok, dihitung gradient, magnitude, dan

orientation [8].

Gray-Level Co-Occurrence Matrix (GLCM)

Gray-Level Co-Occurrence Matrix (GLCM) merupakan metode yang paling

umum digunakan dalam menganalisis tekstur. GLCM merupakan matriks persegi memiliki , dimana A mewakili jumlah tingkat abu-abu sebuah gambar. Sebuah elemen 𝑝(𝑖, 𝑗, 𝑑, 𝜃) dari GLCM, dan gambar mewakili frekuensi relatif, dimana i merepresentasikan tingkat keabuan di lokasi (x,y), dan j merupakan tingkat keabuan piksel tetangga dengan jarak d dan orientasi θ dari lokasi (x,y). Jarak (d) yang digunakan biasanya 1 piksel dan orientasi sudut yang digunakan biasanya bernilai 0◦, 45◦, 90◦, dan 135◦ [9].

Support Vector Machine (SVM)

Support Vector Machine (SVM) merupakan salah satu metode yang memiliki

perfoma yang baik dalam menyelesaikan masalah sebagai classification, regression, dan novelty detection. SVM termasuk dalam supervised learning yang membutuhkan pembelajaran dalam pengelompokan agar menghasilkan data yang sesuai dengan data yang ada [10].

Confusion Matrix

Confusion Matrix atau error matrix merupakan sebuah matriks yang

menampilkan visualisasi kinerja dari algoritma klasifikasi menggunakan data dalam matriks [11]. Hal tersebut membandingkan klasifikasi prediksi terhadap klasifikasi aktual dalam bentuk False Positif (FP), True Positif (TP), False Negatif (FN), dan True Negatif (TN) dari informasi. Confusion Matrix untuk sistem klasifikasi dua kelas dapat dilihat pada Gambar 3.

Gambar 3. Confusion matrix

Gambar 3. menjelaskan bahwa ketika berada pada kolom TP maka hasil akhir bernilai benar dan terindentifikasi sebagai positif, ketika hasil berada pada kolom FP maka hasil adalah salah dan terindentifikasi sebagai positif. Ketika hasil berada pada kolom FN maka hasil adalah salah dan terindentifikasi sebagai negatif dan

(6)

ketika hasil berada di kolom TN, maka akan bernilai benar dan terindentifikasi negatif [12].

Berdasarkan nilai True Negative (TN), False Positive (FP), False Negative (FN), dan True Positive (TP) dapat diperoleh nilai akurasi, presisi, dan recall. Nilai akurasi menggambarkan seberapa akurat sistem dapat mengklasifikasikan data secara benar, nilai akurasi dapat diperoleh dengan persamaan 1. Nilai presisi menggambarkan jumlah data kategori positif yang diklasifikasikan secara benar dibagi dengan total data yang diklasifikasikan positif. Presisi dapat diperoleh dengan persamaan 2. Sedangkan recall menunjukkan berapa persen data kategori positif yang terklasifikasikan dengan benar oleh sistem. Nilai recall diperoleh dengan persamaan 3.

(1)

(2) (3)

Akurasi merupakan tingkat kedekatan antara nilai prediksi dengan nilai aktual, presisi adalah tingkat ketepatan antara informasi yang diminta oleh pengguna dengan jawaban yang diberikan oleh sistem dan recall adalah tingkat keberhasilan sistem dalam menemukan informasi.

C. Hasil dan Pembahasan Implementasi HOG

Pada tahap ekstraksi HOG, citra buah pisang setelah melakukan tahapan

praprocesing kemudian diubah ke grayscale yang berukuran 714 x 1003 pixel ke

dalam bentuk biner dengan threshold tertentu. Threshold bisa ditentukan dengan menggunakan fungsi graythresh, selanjutnya menggunakan im2bw mengkonversi citra grayscale menjadi citra biner dengan threshold tersebut [13]. Hasil dari proses ini pada tiap layernya akan menghasilkan citra dengan background berwarna putih (dalam biner bernilai 1) dan setelah itu dilanjutkan tahap untuk memperkecil ukuran citra 256 x 256 pixel dan mengubah citra menjadi cell berukuran [4x4] kemudian menggunakan extractHOGFeatures. Proses HOG dapat dilihat pada Gambar 4. Gambar 4 menunjukkan proses yang dihasilkan sehingga menghasilkan proses HOG. Pertama citra hasil kamera akan dilakukan

pre-processing dengan metode grayscale dan threshold, dimana dari hasil tersebut

akan dilakukan proses HOG. Hasil HOG ditunjukkan pada Gambar 4.

(7)

Implementasi GLCM

Pada tahap GLCM dilakukan setelah proses ekstraksi fitur HOG. Fitur GLCM yang terdiri dari fitur contrast, correlation, energy dan homogeneity menggunakan sudut 0˚, 45˚, 90˚ dan 135˚ dengan jarak piksel dari 1 sampai 10 piksel. Proses GLCM dapat dilihat pada Gambar 5. Gambar 5 menunjukkan hasil proses GLCM, proses yang dilakukan citra hasil kamera akan dilakukan preprocessing, dimana hasil dari proses sebelumnya akan dilakukan proses GLCM.

Gambar 5. Hasil GLCM Implementasi SVM

Implementasi klasifikasi SVM bertujuan untuk membedakan 7 jenis buah pisang yaitu ambon, barangan, emas, kepok, raja, susu, dan tanduk yang dibedakan dari data fitur yang didapat dari proses ekstraksi ciri HOG dan GLCM. Klasifikasi SVM dilakukan dengan menggunakan model yang didapat dari proses pelatihan (training). Pada proses training akan diambil data buah pisang menggunakan fungsi fitcecoc. Fungsi Fitcecoc adalah klasifikasi multikelas yang bekerja dengan mereduksi menjadi klasifikasi biner. Kemudian tahap selanjutnya disimpan kedalam bentuk .mat yang akan digunakan untuk tahap training dan testing. Tahap selanjutnya memprediksi label sampel menggunakan fungsi predict yaitu data yang terdapat dalam classifier.mat digunakan dalam pengujian citra input-an. Proses

predict SVM dapat dilihat pada Gambar 6.

Gambar 6. Proses SVM Confusion Matrix

Pada tahap pengujian dilakukan pada tujuh jenis buah pisang yaitu ambon, barangan, emas, kepok, raja, susu, dan tanduk. Setiap jenis buah pisang terdapat enam puluh (60) gambar dan total seluruh buah pisang adalah empat ratus dua puluh (420) gambar. Pada tahap ini akan menggunakan cross validation dan

confusion matrix dapat dilihat pada Gambar 7. Cross validation dilakukan proses

(8)

Gambar 7. Cross validation

Pada iterasi 1 menghasilkan tingkat akurasi sebesar 0,7428 dengan menggunakan confusion matrix pada Tabel 2 dan Tabel 3 Hasil perhitungan

Precision, Recall, Accuration pada iterasi 1.

Tabel 2 Confusion Matrix Untuk 7x7 Pada Iterasi 1

Actual Class Pr edic tio n Cl as s

Ambon Barangan Emas Kepok Raja Susu Tanduk

Ambon 9 0 1 0 5 0 0 Barangan 3 12 0 0 0 0 0 Emas 0 0 15 0 0 0 0 Kepok ₀ ₀ ₀ ₁₂ ₀ ₃ ₀ Raja 0 0 3 0 12 0 0 Susu ₀ ₀ ₀ ₀ ₀ ₁₅ ₀ Tanduk 0 0 6 0 6 0 3

Untuk prediksi masing-masing jenis buah pisang pada iterasi 1 sebagai berikut : Precision

Ambon Buah Pisang Prediction

Actual Buah Pisang Ambon _AmbonBukan

Ambon 9 6 Bukan Ambon 3 87 Precision Barangan Prediction Buah Pisang

Actual Buah Pisang Barangan _BaranganBukan

Barangan 12 3 Bukan Barangan 0 90 Precision Emas Prediction Buah Pisang

Actual Buah Pisang Emas Bukan _Emas

Emas 15 0

Bukan

(9)

Precision Kepok

Prediction Buah Pisang

Actual Buah Pisang Kepok Bukan _Kepok

Kepok 12 3 Bukan Kepok 0 90 Precision Raja Prediction Buah Pisang

Actual Buah Pisang

Raja Bukan Raja

Raja 12 3 Bukan Raja 11 79 Precision Susu Prediction Buah Pisang

Actual Buah Pisang Susu Bukan _Susu

Susu 15 0 Bukan Susu 3 87 Precision Tanduk Prediction Buah Pisang

Actual Buah Pisang Tanduk _TandukBukan

Tanduk 3 12

Bukan

Tanduk 0 90

Hasil keseluruhan perhitungan precision, recall, accuration pada iterasi 1 dapat dilihat pada Tabel 3.

Tabel 3. Precision, Recall, Accuration Pada Iterasi 1

Ambon Barangan Emas Kepok Raja Susu Tanduk Precision 60,00% 80,00% 100,00% 80,00% 80,00% 100,00% 20,00%

Recall _{75,00% 100,00%} _60,00% _{100,00% 52,17% 83,33%} _100,00% Accuration 91,43% 97,14% 90,48% 97,14% 86,67% 97,14% 88,57%

Overall Accuration Iteration 1= x 100 = 74,28%

Tabel 4. Confusion Matrix Untuk 7x7 Pada Iterasi 2

Ambon 30 6 0 0 6 3 0

Barangan 18 17 3 0 4 3 0

Emas ₀ ₀ ₃₁ ₀ ₀ ₁₄ ₀

(10)

Raja ₈ ₀ ₁₃ ₀ ₁₅ ₉ ₀

Susu ₀ ₀ ₀ ₀ ₀ ₄₅ ₀

Tanduk ₆ ₃ ₃ ₀ ₃ ₂₆ ₄

Untuk prediksi masing-masing jenis buah pisang pada iterasi 2 sebagai berikut :

Precision Ambon

Barangan _BaranganBukan

Emas 31 14 Bukan Emas 19 251 Precision Kepok Prediction Buah Pisang

Raja Bukan Raja

(11)

Bukan

Tanduk 0 270

Ambon Barangan Emas Kepok Raja Susu Tanduk Precision _{66,67% 37,78%} _{68,89% 100%} _{33,33% 100%} _8,89%

Recall _{48,39% 65,38%} _{62,00% 100%} _{53,57% 45,00%} _100% Accuration 85,08% 88,25% 89,52% 100% 86,35% 82,54% 86,98%

Overall Accuration Iteration 2 = x 100 = 59,37%

Ambon 30 6 0 0 6 3 0 Barangan 18 17 3 0 4 3 0 Emas ₀ ₀ ₃₁ ₀ ₀ ₁₄ ₀ Kepok 0 0 0 45 0 0 0 Raja ₈ ₀ ₁₃ ₀ ₁₅ ₉ ₀ Susu 0 0 0 0 0 45 0 Tanduk ₆ ₃ ₃ ₀ ₃ ₂₆ ₄

(12)

Bukan Emas 19 251 Precision Kepok Prediction Buah Pisang

Raja Bukan Raja

Tanduk 4 41

Bukan

Tanduk 0 270

Ambon Barangan Emas Kepok Raja Susu Tanduk Precision 66,67% 37,78% 68,89% 100% 33,33% 100% 8,89%

Recall _{48,39% 65,38%} _{62,00% 100%} _{53,57% 45,00%} _100% Accuration 85,08% 88,25% 89,52% 100% 86,35% 82,54% 86,98%

Overall Accuration Iteration 3 = x 100 = 59,37%.

Actual Class

Pr

edic _tion

Cl

as

s Ambon Barangan Emas Kepok Raja Susu Tanduk

Ambon 30 6 0 0 6 3 0

(13)

Emas ₀ ₀ ₃₁ ₀ ₀ ₁₄ ₀

Kepok ₀ ₀ ₀ ₄₅ ₀ ₀ ₀

Raja ₈ ₀ ₁₃ ₀ ₁₅ ₉ ₀

Susu ₀ ₀ ₀ ₀ ₀ ₄₅ ₀

Tanduk ₆ ₃ ₃ ₀ ₃ ₂₆ ₄

Emas 31 14 Bukan Emas 19 251 Precision Kepok Prediction Buah Pisang

Raja Bukan Raja

Susu 45 0

Bukan Susu 55 215 Precision Prediction Actual Buah Pisang

(14)

Tanduk Buah

Pisang Tanduk Tanduk Bukan

Tanduk 4 41

Bukan

Tanduk 0 270

Ambon Barangan Emas Kepok Raja Susu Tanduk Precision _{66,67% 37,78%} _{68,89% 100%} _{33,33% 100%} _8,89%

Recall 48,39% 65,38% 62,00% 100% 53,57% 45,00% 100% Accuration 85,08% 88,25% 89,52% 100% 86,35% 82,54% 86,98%

Overall Accuration Iteration 4 = x 100 = 59,37%

Hasil pengujian yang didapatkan berupa nilai akurasi yang berasal dari perhitungan sebanyak empat kali didapat bahwa iterasi 1 menghasilkan tingkat akurasi sebesar 0,7428 dibandingkan dengan iterasi 2, 3, dan 4 sebesar 0,5937.

Pada iterasi 1 didapat kemampuan recall terbaik pada jenis buah pisang barangan, kepok, dan tanduk, dengan precision terbaik pada jenis buah pisang emas dan susu. Sedangkan pada iterasi 2, 3, dan 4 kemampuan recall terbaik pada jenis buah pisang kepok dan tanduk dengan precision terbaik pada jenis buah pisang kepok dan susu dan juga didapat kondisi terbaik untuk precision, recall, dan

accuracy yaitu pada jenis buah pisang kepok.

D. Simpulan

Berdasarkan hasil pengujian dapat disimpulkan dari penelitian ini bahwa SVM mampu mengklasifikasi jenis buah pisang pada citra dengan fitur HOG dan GLCM dengan akurasi sebesar 74,29% pada iterasi 1 dimana data testing sebesar 15 gambar dan training sebesar 45 gambar dibandingkan iterasi 2, iterasi 3, dan iterasi 4. Sementara performa SVM dengan fitur HOG dan GLCM dengan kemampuan sistem dalam mengenali data pada iterasi 1 sebanyak 3 jenis pisang yaitu pisang barangan, pisang kepok, dan pisang tanduk. Hasil pengujian SVM hanya mengenali 1 jenis pisang yaitu pisang kepok. SVM mampu mengklasifikasikan jenis buah pisang pada citra dengan fitur GLCM dan HOG dengan akurasi sebesar 74,29% terbaik pada buah pisang susu.

E. Ucapan Terima Kasih

Terima kasih penulis ucapkan kepada LPPM STMIK GI MDP dan LPPM AMIK MDP yang telah membantu baik itu dari sarana dan prasarana sehingga artikel ini telah selesai dikembangkan.

F. Referensi

[1] B. Cahyono, Sukses Budi Daya Pisang di Pekarangan dan Perkebunan. Yogyakarta: Lily Publisher, 2016.

(15)

[2] I. Indarto and Murinto, “Deteksi Kematangan Buah Pisang Berdasarkan Fitur Warna Citra Kulit Pisang Menggunakan Metode Transformasi Ruang Warna HIS ( Banana Fruit Detection Based on Banana Skin Image Features Using HSI Color Space Transformation Method ),” JUITA J. Inform., vol. V, no. 1, pp. 15–21, 2017.

[3] M. I. I. Saddam, “Klasifikasi Perbedaan Jenis Buah Pisang Menggunakan Metode Principal Component Analysis,” Universitas Nusantara PGRI Kediri, 2017.

[4] S. F. Kusuma, R. E. Pawening, and R. Dijaya, “Otomatisasi Klasifikasi Kematangan Buah Mengkudu Berdasarkan Warna Dan Tekstur. Register. Ilmiah Teknologi Sistem Informasi,” Regist. J. Ilm. Teknol. Sist. Inf., vol. 3, no. 1, pp. 17–23, 2017.

[5] E. Utama, F. Yapputra, and G. Gasim, “Identifikasi Jenis Mangga Berdasarkan Bentuk Menggunakan Fitur HOG dan Jaringan Syaraf Tiruan,” J. Ilm. Inform.

Glob., vol. 09, no. 01, pp. 1–6, 2018.

[6] R. Widodo, A. W. Widodo, and A. Supriyanto, “No TitlePemanfaatan Ciri Gray Level Co-Occurrence Matrix (GLCM) Citra Buah Jeruk Keprok (Citrus Reliculata Blanco) Untuk Klasifikasi Mutu,” J. Pengemb. Teknol. Inf. dan Ilmu

Komput., vol. 2, no. 11, pp. 5769–5776, 2018.

[7] D. Amputri, S. Nadra, G. Gasim, and M. E. Al Rivan, “Perbandingan jarak potret dan resolusi kamera pada tingkat akurasi pengenalan angka KWH meter menggunakan SVM,” J. Ilm. Inform. Glob., vol. 8, no. 1, pp. 7–12, 2017. [8] R. Nugraha, A. N. Jati, and U. A. Ahmad, “Implementasi Histogram Of Oriented

Gradient (HOG) Pada Embedded System Untuk Identifikasi Slot Parkir,”

e-Proceeding of Engineering, 2016, vol. 3, no. 1, pp. 771–777.

[9] M. Widyaningsih, “Identifikasi Kematangan Buah Apel Dengan Gray Level Co-Occurrence Matrix (GLCM),” J. SAINTEKOM, vol. 6, no. 1, pp. 71–88, 2017. [10] V. Vidyashanakara, M. Naveena, and G. H. Kumar, “Leaf Classification Based

on GLCM Texture and SVM,” Int. J. Futur. Revolut. Comput. Sci. Commun. Eng., vol. 4, no. 3, pp. 156–159, 2018.

[11] D. Alamsyah, “Pengenalan Mobil Pada Citra Digital Menggunakan HOG-SVM. Jurnal Teknik Informatika Dan Sistem Informasi,” JATISI, vol. 3, no. 2, pp. 162–168, 2017.

[12] H. C. S. Ningrum, “Perbandingan Metode Support Vector Machine (SVM) Linear, Radial Basis Function (RBF) Dan Polinomial Kernel Dalam Klasifikasi Bidang Studi Pilihan Alumni UII,” Universitas Islam Indonesia, 2018.

[13] N. Wijaya, H. Irsyad, and A. Taqwiym, “Design Verification Using Palmprint,”