KLASIFIKASI CITRA DAUN BERDASARKAN FEATURES TEKSTUR MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM)

• Main Author: Roby Yanri Dinata, - (Author)
• Format: Book
• Published: 2017-07-11.
• Subjects: Thesis; NonPeerReviewed
• Online Access: Link Metadata
• Notes: http://repository.upnvj.ac.id/4128/1/AWAL.pdf; http://repository.upnvj.ac.id/4128/2/ABSTRAK.pdf; http://repository.upnvj.ac.id/4128/3/BAB%201.pdf; http://repository.upnvj.ac.id/4128/4/BAB%202.pdf; http://repository.upnvj.ac.id/4128/5/BAB%203.pdf; http://repository.upnvj.ac.id/4128/6/BAB%204.pdf; http://repository.upnvj.ac.id/4128/7/BAB%205.pdf; http://repository.upnvj.ac.id/4128/8/DAFTAR%20PUSTAKA.pdf; http://repository.upnvj.ac.id/4128/9/RIWAYAT%20HIDUP.pdf
• Keywords: QA76 Computer software

Klasifikasi citra daun dapat dilakukan dengan memanfaatkan features bentuk, warna, vein dan tekstur yang telah dilakukan oleh beberapa peneliti sebelumnya. Pada penelitian ini hanya memanfaatkan features tekstur dengan mencari nilai gradien dan gray-level dari citra daun yang akan diuji. Metode yang diajukan dalam penelitian ini adalah menggabungkan features Histogram of Oriented Gradient (HOG) dan features Gray-Level Co-occurrence Matrix (GLCM) yang merupakan features tekstur menggunakan algoritma klasifikasi Support Vector Machine (SVM) pada dataset Flavia dan dataset Foliage. SVM merupakan metode learning machine yang bekerja atas dasar Struktural Risk Minimization (SRM) dengan tujuan menemukan hyperplane terbaik yang memisahkan dua class pada input space. Evaluasi performa dilakukan dengan membandingkan tingkat akurasi pada dataset Flavia dan pada dataset Foliage berdasarkan hasil klasifikasi SVM yang memanfaatkan hasil ekstraksi features HOG, features GLCM, dan gabungan dari hasil ekstraksi features HOG dan GLCM. Hasil pengujian menunjukan tingkat akurasi klasifikasi citra daun menggunakan SVM dengan memanfaatkan gabungan features HOG dan GLCM pada dataset Flavia sebesar 95.19% sedangkan tingkat akurasi klasifikasi citra daun pada dataset Foliage sebesar 91.46%.