EKSTRAKSI FITUR DENGAN COLOR HISTOGRAM DAN CLASSIFIER RANDOM FOREST PADA CITRA KUPU-KUPU
Abstract views: 11
,
PDF downloads: 9
Abstract
Objektif. Penelitian dalam pengolahan citra banyak dikembangkan dalam berbagai bidang, misalnya kesehatan, pertanian, kesenian, aneka ragam hayati dll. Salah satu penelitian yang berkembang adalah pengklasifikasian jenis serangga yaitu kupu-kupu. Kupu-kupu merupakan salah satu serangga yang menguntungkan bagi manusia, namun populasi spesies kupu-kupu di Indonesia banyak yang menurun atau terancam punah. Dengan banyaknya jenis kupu-kupu dalam berbagai bentuk, corak yang berbeda, dan keunikan diperlukan suatu teknik yang memfasilitasi pembelajaran dengan lebih efisien. Kupu-kupu dijadikan dataset karena mempunyai pola tekstur yang unik dan warna serta bentuk yang beragam. Tujuan dari penelitian ini adalah mengklasifikasikan jenis kupu-kupu dengan menggabungkan hasil ekstraksi fitur dan metode classifier.
Material and Metode. Pada penelitian ini diusulkan sebuah penggabungan tiga hasil ekstraksi fitur diantaranya color histogram, haralick, dan hu-moments. Ekstraksi dilakukan terhadap 2400 citra kupu-kupu yang dibagi menjadi 2 kelas. Penggabungan hasil ketiga ekstraksi fitur tersebut selanjutnya dilakukan proses klasifikasi menggunakan metode Random Forest (RF).
Hasil. Pengujian yang telah dilakukan menunjukkan nilai akurasi sebesar 75% sedangkan nilai precision sebesar 78% dan recall sebesar 69%.
Kesimpulan. Algoritma classification RF (Random Forest) mempunyai nilai akurasi tertinggi dibandingkan dengan algoritma classification yang lainnya. Sedangkan hasil ekstraksi fitur terbaik pada eksperimen ekstraksi fitur color histogram.
Downloads
References
Andrian, R., Anwar, S., Muhammad, M. A., & Junaidi, A. (2019). Identifikasi Kupu-Kupu Menggunakan Ekstraksi Fitur Deteksi Tepi (Edge Detection) dan Klasifikasi K-Nearest Neighbor (KNN). Jurnal Teknik Informatika Dan Sistem Informasi, 5(2). https://doi.org/10.28932/jutisi.v5i2.1744
Arzar, N. N. K., Sabri, N., Johari, N. F. M., Shari, A. A., Noordin, M. R. M., & Ibrahim, S. (2019). Butterfly Species Identification Using Convolutional Neural Network (CNN). IEEE International Conference on Automatic Control and Intelligent Systems (I2CACIS 2019).
Carremans, B. (2019). Butterfly Images. Kaggle. https://www.kaggle.com/datasets/bertcarremans/butterfly-images
Suryanto, E. D., Suherman, & Poltak, S. (2017). Ekstraksi Fitur Haralick pada Citra Mikroskop Digital Trinocular untuk Identifikasi Cacing Penyakit Kaki Gajah.
Kartika, D. S. Y., Murti, D. H., & Yuniarti, A. (2017). Butterfly Image Classification Using Color Quantization Method on HSV Color Space and Local Binary Pattern. In Postgraduate Program Institut Teknologi Sepuluh Nopember.
Kusuma, T. (2015). Pengelompokan Jenis Kupu-Kupu Menggunakan Fitur Ekstraksi GLCM dan Algoritma K-Means. Jurnal Teknologi Informasi, 1–4.
Mulyawan, G., Sari, Y. A., & Furqon, M. T. (2019). Klasifikasi Citra Makanan Menggunakan HSV Color Moment dan Haralick Feature Extraction dengan Naive Bayes Classifier (Vol. 3, Issue 6). http://j-ptiik.ub.ac.id
Paramata, A., Atmaja, R. D., & Apraz, I. N. (2017). PERANCANGAN DAN SIMULASI IMAGE RETREIVAL MENGGUNAKAN METODE COLOR HISTOGRAM, GREY LEVEL CO-OCCURRENCE MATRIX DAN KNN (Design and Simulation of Image Retreival Using Color Histogram, Grey Level Co-Occurrence Matrix, and KNN).
Ratnawati, L., & Sulistyaningrum, D. R. (2019). Penerapan Random Forest untuk Mengukur Tingkat Keparahan Penyakit pada Daun Apel.
Tang, H., Wang, B., & Chen, X. (2020). Deep learning techniques for automatic butterfly segmentation in ecological images. Computers and Electronics in Agriculture, 178. https://doi.org/10.1016/j.compag.2020.105739
Copyright (c) 2023 Nadiyah Hidayati
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
1. Copyright on any article is retained by the author(s).
2. The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
3. Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
4. Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
5. The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
