IMPLEMENTASI SUPPORT VECTOR MACHINE (SVM) UNTUK KLASIFIKASI JENIS DAUN MANGGA MENGGUNAKAN METODE GRAY LEVEL CO-OCCURRENCE MATRIX

  • Suhendri Suhendri STMIK "AMIKBANDUNG"
  • Fauzan Muhammad Muharam STMIK "AMIKBANDUNG"
  • Khoirida Aelani STMIK "AMIKBANDUNG"
Keywords: Mangga, Gray Level Co-occurrence Matrix, Matrix Co-occurrence, Support Vector Machine, MATLAB, Microsoft Excel, Rapidminer.

Abstract

Mangga atau mempelam (Magnifera Indica) merupakan buah yang memiliki nilai komersial di Asia terutama Negara Indonesia, hal ini menjadi peluang bagi para pelaku bisnis seperti petani kecil bahkan perkebunan besar, namun untuk menanam dan membudidayakan pohon mangga, diperlukan bibit dan lingkungan atau lahan yang sesuai dengan jenis mangga yang ditanam. Sulitnya membedakan pohon mangga menjadi salah satu faktor kegagalan dalam penanaman mangga, karena apabila dalam suatu lahan terdapat lebih dari satu jenis mangga yang ditanam, tentunya akan sangat mempegaruhi kualitas buah yang dihasilkan.

 

Salah satu solusi yang dilakukan dalam penelitian ini yaitu dengan menganalisis tekstur dari daun mangga menggunakan metode Gray Level Co-occurrence Matrix (GLCM) yang akan memperhitungkan derajat keabuan dari tekstur daun menjadi matrix co-occurrence serta melakukan pengklasifikasian berdasarkan jenis-jenis mangga menggunakan Support Vector Machine (SVM) yang dinilai tingkat akurasinya cukup tinggi . Menggunakan alat bantu pembelajaran MATLAB pengimplementasian analisis tekstur yaitu Gray Level Co-occurrence Matrix (GLCM), derajat keabuan dan matrix co-occurrence dapat diketahui, lalu disimpan kedalam bentuk Excel menggunakan Microsoft Excel sehingga akan memudahkan dalam melakukan klasifikasi, sedangkan klasifikasi Support Vector Machine (SVM)  dilakukan dengan alat bantu Rapidminer. 

 

Setelah penelitian ini diimplementasikan maka dari uji coba 150 daun mangga yaitu 50 daun Arumanis, 50 daun Pancarasa, dan 50 daun Manalagi, diketahui nilai rata-rata tingkat akurasi SVM dalam melakukan klasifikasi yaitu sebesar 64.67%, dari nilai tersebut dapat disimpulkan bahwa keakuratan SVM pada penelitian ini berada diatas nilai ambang kernel yaitu 50% sehingga dinilai cukup baik.

 

 

 

 

Published
2018-03-12