PROCEEDINGerepo.unud.ac.id/id/eprint/10286/1/f8f827007c32c67437d69... · 2020. 7. 21. ·...
Transcript of PROCEEDINGerepo.unud.ac.id/id/eprint/10286/1/f8f827007c32c67437d69... · 2020. 7. 21. ·...
-
PROCEEDING SEMINAR NASIONAL
TEKNOLOGI INFORMASI DAN APLIKASINYA
2014
“Membangun Jiwa Technopreneurship yang Kreatif dan
Inovatif di Era Big Data”
Bali, 17 OKTOBER 2014
Diselenggarakan Oleh:
Program Studi Teknik Informatika
Jurusan Ilmu Komputer
Universitas Udayana
Bali
-
KATA PENGANTAR
Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa, atas terselesainya
penyusunan Proceeding SNATIA 2014 ini. Buku ini memuat naskah hasil penelitian dari
berbagai bidang kajian yang telah direview oleh pakar dibidangnya dan telah
dipresentasikan dalam acara Seminar SNATIA tahun 2014 pada tanggal 17 Oktober 2014
di Universitas Udayana kampus Bukit Jimbaran, Badung, Bali.
Kegiatan SNATIA 2014 merupakan agenda tahunan Program Studi Teknik
Informatika, Jurusan Ilmu Komputer, Universitas Udayana. SNATIA 2014 mengambil
tema “Membangun Jiwa Technopreneurship yang Kreatif dan Inovatif di Era Big Data”,
dengan pembicara utama seminar yang terdiri dari pakar-pakar peneliti dan Pemerhati
dibidang Teknologi Informasi, Technopreneurship, dan Big Data.
Meskipun kegiatan seminar dan pendokumentasian naskah dalam proceeding ini telah
dipersiapkan dengan baik, namun kami menyadari masih banyak kekurangannya. Untuk itu
panitia mohon maaf yang sebesar-besarnya, dan juga mengucapkan terimakasih atas
kepercayaan dan kerjasamanya dalam kegiatan ini. Kritik dan saran perbaikan sangat
diharapkan untuk penyempurnaan di masa mendatang, yang dapat dikirimkan melalui e-
mail [email protected].
Kepada semua pihak yang terlibat, baik langsung maupun tidak langsung dalam
penyelenggaraan seminar, dan penyusunan proceeding SNATIA 2014, panitia
mengucapkan terima kasih.
Denpasar, 17 Oktober 2014
Panitia SNATIA 2014
mailto:[email protected]
-
DAFTAR ISI
Kata Pengantar
Daftar Isi
Simulasi Pengaturan Lampu Lalu Lintas Pada Persimpangan Menggunakan
Logika Fuzzy Dengan Metode Tsukamoto
Ketut Bayu Yogha B. ......................................................................................... 1
Aplikasi Pencarian Lokasi Dealer Dan Servis Resmi Sepeda Motor Wilayah
Bandarlampung Berbasis Android Dengan Algoritma A*
Agus Waisnawa ................................................................................................ 11
Rancangan Sistem Akuntansi Pemerintah Daerah Berbasis Akrual
Kholid Haryono ................................................................................................ 16
Aplikasi Panduan Mahasiswa Kalbis Institute Berbasis Mobile Multimedia
Nuraini Purwandari ............................................................................................. 24
Perancangan Dan Implementasi Data Warehouse Spasial Untuk Mendukung
Layanan Kebencanaan: Studi Kasus Badan Informasi Geospasial (Big)
Irena Susanti ..... ................................................................................................ 34
Elisitasi Kebutuhan Prototipe Pengelolaan Unpredictable Data Pada
Basisdata Spatio Temporal Untuk Disaster Information Management System
(DIMAS)
Yani Widyani ..... ................................................................................................ 44
Perancangan Sistem Proteksi File Video Dengan Algoritma AES (Advance
Encryption Standard)
I Gusti Agung Gede Arya Kadyanan ................................................................ 51
Studi Komparasi Penggunaan Framework Tata Kelola Teknologi Informasi
Lembaga Sandi Negara
Ninik Ratna Dewi ............................................................................................. 60
Pola Adopsi Situs Jejaring Sosial
Almed Hamzah ................................................................................................ 67
Sistem Penilaian Ujian Essay Otomatis Menggunakan Metode Jaro Winkler
Rahimi Fitri ...... ................................................................................................ 72
Implementasi Algoritma Steganografi Enhanched Least Significant Bit Untuk
Menyembunyikan Pesan Pada Gambar
I Wayan Adi Wiratama ....................................................................................... 79
-
Analisis Pengaruh Penggunaan Sistem Informasi Tour Travel Terhadap
Peningkatan Kunjungan Wisatawan Pada Bali Precious Tours
I Gede Adrian Agustana .................................................................................... 85
Implementasi Sistem Single Sign On Pada Aplikasi Berbasis Web
Menggunakan Central Authentication Service
I Putu Agus Eka Darma Udayana ....................................................................... 94
Sistem Prakiraan Curah Hujan Harian Dengan Fuzzy Inference System
I Made Agus Oka Gunawan .............................................................................. 103
Sistem Pendeteksi Kantuk Untuk Pengemudi Dengan Metode Haarcascade
Classifier
I Gede Arya Maharta ........................................................................................ 110
Implementasi Sistem Pencarian Pada Sinopsis Film Menggunakan
Metodepembobotan Term Frequency Inverse Document Frequency (TF-IDF)
Ni Made Ayu Handayani .................................................................................. 116
Implementasi Sistem Manajemen Admin Pada Ldap Server Menggunakan
PHP LDAP
I Putu Gede Darpana Putra W ............................................................................. 122
Klasifikasi Wine Berdasarkan Kandungan Alkohol Dan Asam Malat
Menggunakan Algoritma K-Nearest Neighbor (KNN)
Kadek Dwi Praseptia Putra ................................................................................. 133
Rancang Bangun Sistem Informasi Promosi Online Menggunakan
Framework YII
Faizal A Saputra . ............................................................................................... 138
Implementasi File Sharing Dengan Protokol Server Message Block (SMB)
Pada Router Mikrotik Di Kantor Desa Lodtunduh
Putu Ferry Audy Praditha ................................................................................... 142
Pengenalan Huruf Isyarat Menggunakan Modified K-Nearest Neighbor
Fuad Adi Pradana .............................................................................................. 146
Management Bandwidth Menggunakan Simple Queue Pada Router Mikrotik
Made Hadi Yudana ........................................................................................... 152
Implementasi Pengembangan Firewall Filter Pada Protokol Ssh Untuk
Mencegah Serangan Brute Force Pada Proses Otentikasi Router Mikrotik
Hamzah Eka Novia Prakasa .............................................................................. 157
-
Perancangan Dan Implementasi Website Pada Pt. Darma Telekomunikasi
Dengan Framework Codeigniter
Gde Kharisma Primawardhana Agusta ............................................................. 164
Implementasi Metode Redness Dan Circle Detection Pada Pengenalan Buah
Apel Pada Gambar Pohon Apel
Nyoman Krisnaadi Suastika ............................................................................... 171
Analisis Protokol Tcp Reno Dan Tcp Vegas Pada Traffik CBR
Natanael Kristiawan .......................................................................................... 175
Analisis Dan Implementasi Pengembangan Web Menggunakan Content
Management System Wordpress (Studi Kasus: Web Bali-India Foundation)
Putu Pande Wahyu Diatmika ............................................................................ 180
Perancangan Dan Implementasi Sistem Pembelajaran Dengan Metode Drill
Soal Pada Mata Pelajaran Matematika
Ida Bagus Adisimakrisna Peling ........................................................................ 186
Implementasi Identifikasi Letak Iris Mata Dengan Transformasi Hough Dan
Gabor Filter
I Gede Wahyu Surya Dharma ............................................................................ 194
Penerapan Metode Particle Swarm Optimization Pada Optimasi Distribusi
Lpg Dari Agen Ke Toko
I Made Hary Kartika Putra .................................................................................. 200
Implementasi Replikasi Basis Data Terdistribusi Pada Sistem Informasi
Invoice Di CV. Avatar Solution
I Wayan Parwita ................................................................................................ 205
Implementasi Algoritma Rabin-Karp Untuk Sistem Pendeteksi Kesamaan
Dokumen Proposal Tugas Akhir
I Gede Wira Kusuma Jaya ................................................................................. 212
Integrasi Openmeetings Dengan Moodle Sebagai Sarana Pembelajaran
Jarak Jauh
I G A Bagus Prema Pradana ............................................................................. 220
Implementasi Hit & Miss Cache Proxy Untuk Penggunaan Bandwidth Yang
Efektif
Rae Arya Pangestu Here Wollo .......................................................................... 227
Klasifikasi Buah Menggunakan Metode Support Vector Machine (SVM)
Dengan Kernel Gaussian Radial Basis Function (RBF)
Komang Soniya Gunawan .................................................................................. 232
Steganografi Pesan Text Terenkripsi Caesar Cipher Pada File Audio Mp3
Dengan Metode Bit Parity Coding
Ni Nyoman Sri Suariani ..................................................................................... 237
-
Implementasi Traffik Filtering Dan Transparent Proxy Dalam Membangun
Web Proxy Pada Mikrotik Router Di Kantor Desa Baturiti
I Kadek Sumara ................................................................................................ 246
Analisis Performa Protocol TCP SACK Dan SCTP Pada Aplikasi FTP Dan
CBR
Ida Bagus Tantra Pradhana ................................................................................. 251
Implementasi Algoritma Genetika Dalam Proses Pengendalian Lengan Robot
Luh Trisna Aryantini ........................................................................................ 257
Simulasi Antrian Nasabah Bank Dengan Mengadaptasi Model Analitikal
Antrian (Studi Kasus: Bank BNI Cabang Jimbaran)
Ni Wayan Eka Ayuningsih ................................................................................ 263
Peramalan Cuaca Dengan Metode Root Means Square Error (RMSE)
Berdasarkan Algoritma Adaptive Splines Threshold Autoregression (ASTAR)
Di Bandara Ngurah Rai Bali
Luh Eka Kusumayanti ...................................................................................... 270
Analisis Dan Desain Algoritma Pewarnaan Graf (Studi Kasus Penjadwalan
Level Pelajaran Di Robokidz Jimbaran)
Gede Dian Wirawan Putra ................................................................................ 274
Analisis Perbandingan Tingkat Efisiensi Pelayanan Sarbagita Melalui Sms
Gateway Dan Manual
Ni Made Krista Kurnia Dewi ............................................................................. 278
Pencarian Otonan Dengan Konversi Tanggal Masehi Ke Bilangan Julian
Menggunakan Fungsi Sys Pada Visual Foxpro
Made Pasek Agus Ariawan ............................................................................... 282
Implementasi Algoritma K-Means Clustering Terhadap Pengklasifikasian
Hasil Belajar Siswa Sebagai Bahan Kaji Efektifitas Media Pembelajaran
Matematika Berbasis TIK Di SMP Negeri 3 Semarapura
I Wayan Safira Sri Artha .................................................................................... 288
Keamanan Jaringan Wifi Pada Sistem Login Member Perpustakaan Daerah
Singaraja Menggunakan Metode Algoritma Vigenere Chipper
Gede Suhendra Prayoga Saputra ....................................................................... 293
Perancangan Dan Implementasi Sistem Manajemen Proyek Pada Pt. Asanka
Dengan Menggunakan Metode Prototyping
Putu Bagus Ari Dharma Udayana ...................................................................... 300
Implementasi Virtual Private Network Menggunakan EoIP Tunnel Untuk
Koneksi Bridging Antar Kantor Di Dinas Komunikasi Dan Informatika Kota
Denpasar
I Gede Wahyu Pramartha ................................................................................... 307
-
Analisis Metode Steganografi Advance LSB Pada Domain Transformasi
Wavelet Menggunakan MSE, PSNR Dan SSIM
I Wayan Agus Wirayasa ................................................................................... 312
Perancangan Dan Implementasi Sistem Informasi Kritik & Saran Pelayanan
Public Kantor Imigrasi Kelas I Denpasar
Ni Putu Yanita Pratiwi ...................................................................................... 320
Analisis Storage Data Record Pada IP Camera Di Gedung Rektorat
Universitas Udayana
Ida Bagus Gede Yogi Permadi ............................................................................ 327
Sistem Absensi Pegawai Dan Pendataan Tamu Berbasis Desktop (Studi
Kasus Biro Jasa House Of Bali)
Ni Nyoman Yuli Andari .................................................................................... 332
-
Proceeding Seminar Nasional Teknologi Informasi & Aplikasinya 2014
232 | PS. Teknik Informatika, Jurusan Ilmu Komputer, Fakultas MIPA, Universitas Udayana
KLASIFIKASI BUAH MENGGUNAKAN METODE SUPPORT
VECTOR MACHINE (SVM) DENGAN KERNEL GAUSSIAN
RADIAL BASIS FUNCTION (RBF)
Komang Soniya Gunawan1, Agus Muliantara2 1,2 Program Studi Teknik Informatika, Jurusan Ilmu Komputer, FMIPA, Universitas Udayana
Jimbaran, Badung, Bali
Email : [email protected], [email protected]
ABSTRAK
Mengingat semua kode buah merupakan hal yang sulit bagi seorang kasir. Sehingga, hal tersebut dapat
mengakibatkan kesalahan dalam menginputkan kode buah tersebut. Salah satu solusinya adalah menggunakan
kamera untuk mengenal jenis buah tersebut tanpa menginputkan kode tersebut. Untuk itu, diusulkan untuk
menggunakan metode klasifikasi Support Vector Machine dengan dukungan kernel (kSVM), dengan tujuan agar
hasil klasifikasi lebih cepat dan akurat. Pertama, gambar buah di akuisisi oleh kamera, yang kemudian
dilakukan proses pengurangan noise dan menghilangkan latar belakang dari masing-masing gambar. Kedua,
gambar tersebut akan di ekstraksi fitur yang terdiri dari fitur warna, bentuk, dan tekstur yang kemudian
dilakukan proses normalisasi data fitur. Kernel SVM yang digunakan adalah Gaussian Radial Basis Function
(RBF). Hasil percobaan menunjukkan bahwa SVM dengan Gaussian Radial Basis Function Kernel dengan nilai
mencapai akurasi klasifikasi terbaik yaitu 95 %.
Kata Kunci : Klasifikasi Buah, SVM, Kernel SVM, Gaussian Radial Basis Function Kernel.
ABSTRACT
Considering all the fruit code that may be difficult for a cashier. Thus, it may lead to make mistakes in
the input fruit code. One solution is to use the camera to recognize the type of fruit without input the code.
Therefore, it is propose a classification method based on a kernel Support Vector Machine (kSVM), with the
desirable goal of accurate and fast classification of fruits. First, fruit images were acquired by a digital camera,
then the background of each image was removed and filtering to reduction the noise. Second, the image will be
in the feature extraction which consists of the features of color, shape, and texture, and then the process of
normalizing the feature data. Kernel SVM used is a Gaussian Radial Basis Function (RBF). The experimental
results show that SVM with Gaussian Radial Basis Function Kernel with a value of achieves the best
classification accuracy is 95 %.
Keywords : Fruit Classification, SVM, Kernel SVM, Gaussian Radial Basis Function Kernel
1. PENDAHULUAN
Pengenalan pada beberapa jenis buah dan
sayuran merupakan hal yang tidak mudah bagi
seorang kasir di suatu supermarket. Seorang kasir
untuk mengingat semua kode sesuai dengan jenis
buah dan sayuran merupakan hal yang sulit yang
dapat mengakibatkan kesalahan seperti salah dalam
menginputkan kode jenis buah. Solusi lain yang
dapat mengurangi kesalahan dari kasir tersebut
adalah membuat sistem yang dapat mengenali jenis
buah tersebut pada supermarket. Sistem tersebut
menggunakan sensor kamera yang dapat
menangkap gambar buah tersebut, kemudian sistem
akan memberikan hasil sehingga kasir tidak butuh
menginputkan kode buah tersebut yang akan dibeli
oleh konsumen.
Selama beberapa tahun terakhir, banyak
penelitian yang telah dilakukan untuk klasifikasi
buah, diantaranya adalah Klasifikasi Buah
menggunakan Multiclass Support Vector Machine
dengan menggunakan fitur warna, bentuk, dan
tekstur untuk mengenali 18 jenis buah [1],
Klasifikasi buah menggunakan metode SVM dan
LDA untuk mengenali 12 jenis buah [7], dan
klasifikasi buah-buahan dan sayuran menggunakan
algoritma clustering [8].
Oleh karena itu, pada penelitian ini akan
menggunakan metode Support Vector Machine
-
Proceeding Seminar Nasional Teknologi Informasi & Aplikasinya 2014
233 | PS. Teknik Informatika, Jurusan Ilmu Komputer, Fakultas MIPA, Universitas Udayana
(SVM) dengan Kernel Radian Basis Function
(RBF) dengan menggunakan beberapa fitur yaitu
fitur warna, bentuk, dan tekstur.
2 LANDASAN TEORI
2.1 Dataset
Pada penelitian ini, dataset yang
digunakan adalah data dikumpulkan dengan
menggunakan kamera digital. Buah Jeruk
Kintamani dan Apel Manalagi diletakkan di bidang
datar dengan latar berwarna hitam, dengan maksud
untuk mengurangi efek bayangan. Total dataset
yang digunakan sebanyak 60 buah. Dataset tersebut
terdiri dari 30 buah apel dan 30 buah jeruk.
Gambar 1 : Apel Gambar 2 : Jeruk
2.2 Pengurangan Noise dan Segmentasi Citra
Noise merupakan informasi yang tidak
diinginkan yang mencemari citra. Noise berbentuk
titik-titik atau pixel-pixel yang memiliki intensitas
berbeda yang mengganggu citra. Biasanya, noise
terjadi pada saat akuisisi citra seperti sebuah
kamera yang memotret, proses scan gambar,
sehingga diperlukannya proses pengurangan noise
pada citra. Salah satu metode untuk menghilangkan
noise adalah Median Filtering. Median Filtering
adalah mengganti nilai pixel dengan median dari
level intensitas dalam tetangga pixel yang telah
dilakukan pengurutan. Setelah proses pengurangan
noise, dilanjutkan dengan proses segmentasi citra.
Segmentasi citra adalah pemisahan antara objek
dengan latar yang terdapat dalam sebuah citra.
2.3 Ekstraksi Fitur
2.3.1 Fitur Warna
Pada proses ekstraksi fitur warna, citra
RGB akan dikonversi menjadi citra HSV. Citra
dengan ruang HSV (Hue, Saturation, Value)
menunjukkan ruang warna dalam bentuk tiga
komponen utama. Hue menunjukkan jenis warna
yang ditemukan dalam spectrum warna. Saturation
adalah ukuran seberapa besar kemurnian suatu
warna. Value adalah seberapa besar kecerahan dari
suatu warna atau seberapa besar cahaya dari suatu
warna. Setelah proses tersebut, nilai Value akan
direpresentasikan menggunakan histogram.
Histogram warna adalah representasi grafis untuk
distribusi warna dari suatu citra.
Untuk menentukan nilai Value pada citra
RGB, dapat dinyatakan dengan rumus :
(1)
dimana :
V : value pada citra HSV
2.3.2 Fitur Tekstur
Ekstraksi fitur dengan analisis tekstur
dilakukan dengan mengambil fitur dari citra
grayscale berupa mean, contrast, homogeneity,
energy, variance, correlation, dan entropy. Ciri
Entropy menunjukkan sifat ketidakteraturan suatu
citra. Ciri Energy menunjukkan sifat homogenitas
suatu citra. Ciri Contrast menunjukkan ukuran
penyebaran elemen-elemen matriks citra. Ciri
Homogeneity menunjukkan keseragaman intensitas
keabuan pada citra. Ciri Correlation menunjukkan
ukuran ketergantungan linear derajat keabuan citra
sehingga dapat memberikan petunjuk adanya
struktur linear dalam citra. Ciri Mean menunjukkan
ukuran disperse dari suatu citra. Ciri Variance
menunjukkan variasi elemen pada histogram dari
suatu citra.
(2)
(3)
(4)
(5)
,
(6)
(7)
(8)
-
Proceeding Seminar Nasional Teknologi Informasi & Aplikasinya 2014
234 | PS. Teknik Informatika, Jurusan Ilmu Komputer, Fakultas MIPA, Universitas Udayana
dimana :
p(fn) : jumlah kemunculan suatu nilai
intensitas (nilai histogram suatu
nilai intensitas keabuan).
fn : nilai intensitas keabuan dalam suatu
citra, rentang 0 – 255.
p(i,j) : nilai pada baris i dan kolom j pada
matriks kookurensi.
: standar deviasi
: mean
: variance
2.3.3 Fitur Bentuk
Ekstraksi fitur dengan analisis bentuk
adalah bentuk suatu objek berkaitan dengan profile
dan struktur fisik dari objek tersebut. Dalam
analisis bentuk, terdapat fitur area dan perimeter.
Area menyatakan luas dari suatu objek, sedangkan
perimeter menyatakan panjang dari kerangka yang
dihasilkan atau objek. Untuk menghitung area dan
perimeter, untuk mendeskripsikan atau
mengkodekan bentuk atau counter suatu objek
dapat menggunakan kode rantai atau Chain Code.
(9)
(10)
2.4 SVM dan Kernel
Support Vector Machines (SVM) pertama
kali diperkenalkan oleh Vapnik pada tahun 1992
sebagai rangkaian harmonis konsep-konsep
unggulan dalam bidang pattern recognition. SVM
adalah metode learning machine yang bekerja atas
prinsip Structural Risk Minimization (SRM)
dengan tujuan menemukan hyperplane terbaik yang
memisahkan dua buah kelas pada input space.
Hyperplane yang paling baik dapat diperoleh
dengan memaksimalkan nilai margin. Margin
adalah jarak minimum antara hyperplane dengan
data training. Hyperplane terbaik akan melewati
pertengahan antara kedua kelas. Data yang letaknya
dekat dengan hyperplane disebut support vector.
Proses pembelajaran dalam SVM adalah mencari
data yang merupakan support vector untuk
memperoleh hyperplane yang terbaik.
(11)
dimana :
w : bobot
b : bias
L : lagrange
: alpha
y : nilai target kelas untuk data training
x : data training
Untuk mencari data yang merupakan
support vector, maka dapat menggunakan
persamaan (11) yang merupakan masalah Quadratic
programming. Dengan menggunakanQuadratic
Programming didapatkan nilai alpha . Bila data
memiliki nilai , maka data tersebut
bukanlah support vector. Sedangkan bila ,
maka data tersebut merupakan support vector.
Apabila nilai telah diperoleh, maka dan
dapat diperoleh dengan menggunakan persamaan
(12) dan (13). Setelah itu, dapat melakukan proses
testing dengan persamaan (14).
(12)
(13)
(14)
Namun terdapat beberapa kasus yang tidak
dapat diselesaikan dengan SVM Linear, sehingga
kasus tersebut dapat diselesaikan dengan SVM Non
Linear. Data yang dipetakan ke ruang vector
berdimensi lebih tinggi, memiliki potensi lebih
besar untuk dapat dipisahkan secara linear.
Sehingga pemakaian konsep kernel akan mengatasi
masalah tersebut. Dengan konsep kernel tersebut,
persamaan (14) akan berubah menjadi persamaan
(16). Salah satu fungsi kernel yang paling banyak
digunakan adalah Radial Basis Function (RBF)
Kernel. Rumus Kernel RBF dapat dilihat pada
persamaan (15).
-
Proceeding Seminar Nasional Teknologi Informasi & Aplikasinya 2014
235 | PS. Teknik Informatika, Jurusan Ilmu Komputer, Fakultas MIPA, Universitas Udayana
(15)
(16)
dimana :
K : kernel
exp : eksponensial ( )
x : data training
: parameter sigma
SV : support vector
t : data testing
3 SKENARIO UJI COBA
Pada proses testing, data testing akan
dilakukan proses filtering, segmentasi, ekstraksi
fitur, dan normalisasi data. Lalu dilakukan proses
klasifikasi SVM dengan data yang telah didapatkan
dari proses training, yaitu nilai w dan bias. Dari
proses tersebut, maka akan dihasilkan kelas apa
yang di prediksi dari SVM tersebut.
Gambar 3 : Proses Testing
4 HASIL UJI COBA
Pada penelitian ini,fitur awal yang
berjumlah 10 fitur telah menjadi 40 fitur dengan
menggunakan kernel RBF. Dataset yang digunakan
untuk proses training adalah 40 buah. Sedangkan
untuk proses testing menggunakan 20 buah.
Pada kernel RBF SVM terdapat parameter
yang nilainya dapat diubah. Saat proses training,
dataset diatur secara acarak antara kelas apel dan
kelas jeruk. Pada proses pengujian ini, dilakukan
percobaan dengan memasukkan nilai parameter
antara 0.1 sampai 1.
Tabel 1 : Perbandingan Hasil Akurasi dengan
Parameter Menggunakan SVM Kernel RBF
Parameter Akurasi (%)
0.1 50
0.2 50
0.3 50
0.4 50
0.5 50
0.6 90
0.7 15
0.8 95
0.9 15
1 15
Dari Tabel 1, dapat dilihat bahwa akurasi
dari SVM dengan Kernel RBF menggunakan nilai
memiliki nilai akurasi sebesar 95 %
dibandingkan dengan nilai yang lainnya sesuai
dengan Tabel 1. Tabel Confusion Matrix SVM
dengan Kernel RBF menggunakan nilai
dapat dilihat pada Tabel 2.
Tabel 2 : Tabel Confusion Matrix SVM Kernel
RBF dengan
Predicted Class
Accuration Apel Jeruk
Act
ual
Cla
ss
Apel 9 1 90%
Jeruk 0 10 100%
Reliability 100% 90.91% 95%
5 KESIMPULAN
Melalui penelitian ini, dapat diketahui
bahwa metode SVM dengan menggunakan kernel
-
Proceeding Seminar Nasional Teknologi Informasi & Aplikasinya 2014
236 | PS. Teknik Informatika, Jurusan Ilmu Komputer, Fakultas MIPA, Universitas Udayana
RBF dapat memecahkan kasus klasifikasi buah
jeruk dan apel. Berdasarkan penelitian ini,
penggunaan parameter dengan nilai 0.8 memiliki
akurasi sebesar 95%. Akan tetapi, tingkat akurasi
dari SVM masih mungkin dapat ditingkatkan.
Untuk penelitian selanjutnya, disarankan untuk
menambahkan dataset dan fitur agar dapat
menghasilkan akurasi yang lebih baik, dan jenis
buah dapat diperbanyak untuk di klasifikasi
menggunakan metode SVM.
6. DAFTAR PUSTAKA
[1] Zhang, Yudong., Wu, Lenan. 2012.
“Classification of Fruit Using Computer Vision
and a Multiclass Support Vector Machine”.
School of Information Science and
Engineering, Southeast University. Sensors
ISSN 1424-8220.
[2] Hamel, Lutz. 2009. Knowledge Discovery
With Support Vector Machines. New Jersey
: John Wiley & Sons, Inc.
[3] Putra, Dharma. 2010. Pengolahan Citra
Digital. Yogyakarta : Penerbit Andi Offset.
[4] Prasetyo, Eko. 2011. Pengolahan Citra
Digital dan Aplikasinya Menggunakan
Matlab. Yogyakarta : Penerbit Andi Offset.
[5] Tuceryan, Mihran. 1998. Texture Analysis.
World Scientific Publishing.
[6] Fojlaley, Mehrdad., Ahmadi Moghadam,
Parviz., Amani Nia, Saeed. 2012. “Tomato
Classification and Sorting with Machine
Vision using SVM, MLP, and LVQ”.
International Journal of Agriculture and
Crop Sciences, ISSN 2227-670X.
[7] Rocha, Anderson., Hauagge, Daniel., Wainer,
Jacques., Goldenstein, Siome. 2010.
“Automatic Fruit and Vegetable Classification
from Images”. Elsevier, Computers and
Electronics in Agriculture 70, 96–104.
[8] Pennington, J.A.T., Fisher, R.A. 2009.
“Classification of Fruits and Vegetables”. J.
Food Compos, Anal 2009, 22, S23–S