IMPLEMENTASI SUPPORT VECTOR MACHINE (SVM) UNTUK KLASIFIKASI JENIS DAUN CABAI BERVARIETAS DENGAN EKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM)

Abstrak

Salah satu aplikasi penting dari teknologi pengolahan citra dalam pertanian adalah identifikasi citra untuk jenis tanaman cabai. Diperlukan pengembangan sistem yang dapat meningkatkan efisiensi dan akurasi dalam klasifikasi daun cabai, serta metode validasi yang efektif untuk mendukung pengelolaan tanaman yang lebih efektif. Tujuan utama penelitian ini adalah untuk meningkatkan akurasi dan efisiensi dalam identifikasi jenis daun cabai. Fitur GLCM digunakan untuk menangkap karakteristik tekstur daun, sementara SVM efektif dalam memisahkan berbagai kelas daun berdasarkan fitur tersebut. Hasil penelitian menunjukkan bahwa model SVM dengan proporsi data pelatihan 80:20 mencapai akurasi tertinggi sebesar 88.8% dalam mengklasifikasikan jenis daun cabai. Evaluasi pada citra acak menunjukkan probabilitas prediksi yang konsisten dengan probabilitas tertinggi mencapai 68% untuk Daun Lingga. Penelitian ini membuktikan bahwa metode SVM, dikombinasikan dengan fitur GLCM, efektif dalam meningkatkan akurasi klasifikasi daun cabai, meskipun ada potensi untuk lebih meningkatkan performa model melalui optimasi dan pengujian lebih lanjut Kata Kunci: daun cabai, machine learning, computer vision, klasifikasi daun, SVM (Support Vector Machine), Fitur GLCM (Gray-Level Co-occurrence Matrix)

Berkas

Detail