Indonesian Journal of Computer Science dan 2549-7286 (online) Jln. Khatib Sulaiman Dalam, No. 1, Padang, Indonesia, Telp. (0751) 7056199, 7058325 Website: ijcs.stmikindonesia.ac.id E-mail: ijcs@stmikindonesia.ac.id Klasifikasi Jenis Menggunakan Support Vector Machine dengan Fitur GLCM dan HOG Herry Kamaruddin Sanjaya 1, Novan Wijaya 2 Herryherry2x@mhs.mdp.ac.id, novan.wijaya@mdp.ac.id 1STMIK GI Multi Data Palembang 2AMIK Multi Data Palembang Informasi Artikel Diterima : 29-07-2020 Direview : 02-09-2020 Disetujui : 02-10-2020 Kata Kunci SVM;HOG;GLCM;Cross Validation Abstrak 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. Keywords SVM;HOG;GLCM; Cross Validation Abstract 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. Attribution-ShareAlike 4.0 International License Vol. 9, No. 2, Edisi Oktober 2020 page 129
A. Pendahuluan 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 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 Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 130
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 of Oriented Gradient (HOG), ekstraksi tekstur citra Gray Level Co-Occurrence Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 131
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 Data Training 45 15 45 15 Raja 45 15 45 15 45 15 Mas 45 15 susu 45 15 Total 315 105 Data Uji 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 Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 132
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 Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 133
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) 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 preprocessing dengan metode grayscale dan threshold, dimana dari hasil tersebut akan dilakukan proses HOG. Hasil HOG ditunjukkan pada Gambar 4. (2) (3) Gambar 4. Hasil HOG Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 134
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 data yang diambil baik itu data yang akan diuji maupun dilatih. Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 135
Class 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, Recall, Accuration pada iterasi 1. Tabel 2 Confusion Matrix Untuk 7x7 Pada Iterasi 1 Actual Class 9 0 1 0 5 0 0 3 12 0 0 0 0 0 0 0 15 0 0 0 0 0 0 0 12 0 3 0 Raja 0 0 3 0 12 0 0 0 0 0 0 0 15 0 0 0 6 0 6 0 3 Untuk prediksi masing-masing jenis buah pisang pada iterasi 1 sebagai berikut : Actual 9 6 3 87 Actual 12 3 0 90 Actual 15 0 10 80 Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 136
Class Actual 12 3 0 90 Raja Actual Raja Raja Raja 12 3 Raja 11 79 Actual 15 0 3 87 Actual 3 12 0 90 Hasil keseluruhan perhitungan precision, recall, accuration pada iterasi 1 dapat dilihat pada Tabel 3. Tabel 3., Recall, Accuration Pada Iterasi 1 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% Pada iterasi 2 menghasilkan tingkat akurasi sebesar 0,5937 dengan menggunakan confusion matrix pada Tabel 4 dan Tabel 5 Hasil perhitungan, Recall, Accuration pada iterasi 2. Tabel 4. Confusion Matrix Untuk 7x7 Pada Iterasi 2 Actual Class 30 6 0 0 6 3 0 18 17 3 0 4 3 0 0 0 31 0 0 14 0 0 0 0 45 0 0 0 Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 137
Raja 8 0 13 0 15 9 0 0 0 0 0 0 45 0 6 3 3 0 3 26 4 Untuk prediksi masing-masing jenis buah pisang pada iterasi 2 sebagai berikut : Raja Actual 30 15 32 238 Actual 17 28 9 261 Actual 31 14 19 251 Actual 45 0 0 270 Actual Raja Raja Raja 15 30 Raja 13 257 Actual 45 0 55 215 Actual 4 41 Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 138
Class 0 270 Hasil keseluruhan perhitungan precision, recall, accuration pada iterasi 2 dapat dilihat pada Tabel 5. Tabel 5., Recall, Accuration Pada Iterasi 2 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% Pada iterasi 3 menghasilkan tingkat akurasi sebesar 0,5937 dengan menggunakan confusion matrix pada Tabel 6 dan Tabel 7 Hasil perhitungan, Recall, Accuration pada iterasi 2. Tabel 6. Confusion Matrix Untuk 7x7 Pada Iterasi 3 Actual Class 30 6 0 0 6 3 0 18 17 3 0 4 3 0 0 0 31 0 0 14 0 0 0 0 45 0 0 0 Raja 8 0 13 0 15 9 0 0 0 0 0 0 45 0 6 3 3 0 3 26 4 Untuk prediksi masing-masing jenis buah pisang pada iterasi 3 sebagai berikut : Actual 30 15 32 238 Actual 17 28 9 261 Actual 31 14 Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 139
Predic tion 19 251 Raja Actual 45 0 0 270 Actual Raja Raja Raja 15 30 Raja 13 257 Actual 45 0 55 215 Actual 4 41 0 270 Hasil keseluruhan perhitungan precision, recall, accuration pada iterasi 3 dapat dilihat pada Tabel 7. Tabel 7., Recall, Accuration Pada Iterasi 3 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%. Pada iterasi 4 menghasilkan tingkat akurasi sebesar 0,5937 dengan menggunakan confusion matrix pada Tabel 8 dan Tabel 9 Hasil perhitungan, Recall, Accuration pada iterasi 4. Tabel 8. Confusion Matrix Untuk 7x7 Pada Iterasi 4 Actual Class 30 6 0 0 6 3 0 18 17 3 0 4 3 0 Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 140
0 0 31 0 0 14 0 0 0 0 45 0 0 0 Raja 8 0 13 0 15 9 0 0 0 0 0 0 45 0 6 3 3 0 3 26 4 Untuk prediksi masing-masing jenis buah pisang pada iterasi 4 sebagai berikut : Actual 30 15 32 238 Actual 17 28 9 261 Actual 31 14 19 251 Raja Actual 45 0 0 270 Actual Raja Raja Raja 15 30 Raja 13 257 Actual 45 0 55 215 Actual Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 141
4 41 0 270 Hasil keseluruhan perhitungan precision, recall, accuration pada iterasi 3 dapat dilihat pada Tabel 9. Tabel 9., Recall, Accuration Pada Iterasi 4 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 di Pekarangan dan Perkebunan. Yogyakarta: Lily Publisher, 2016. Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 142
[2] I. Indarto and Murinto, Deteksi Kematangan Berdasarkan Fitur Warna Citra Kulit 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 Menggunakan Metode Principal Component Analysis, Universitas Nusantara PGRI Kediri, 2017. [4] S. F. Kusuma, R. E. Pawening, and R. Dijaya, Otomatisasi Klasifikasi Kematangan 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 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 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, TEKNOMATIKA, vol. 07, no. 02, pp. 36 46, 2017. Indonesian Journal of Computer Science Vol. 9, No. 2, Edisi Oktober 2020 page 143