PENINGKATAN AKURASI PADA KLASIFIKASI TUMBUHAN BERBUNGA MENGGUNAKAN ALGORITME SVM DAN FITUR SURF DENGAN WATERSHED-OTSU

Rochmad Gama Saputra, Dr. Raden Sumiharto, S.Si., M.Kom.

2019 | Skripsi | S1 ELEKTRONIKA DAN INSTRUMENTASI

Proses pengolahan citra pada umumnya menggunakan cuplikan data gambar di kondisi lingkungan yang baik dan terukur, yaitu kondisi lingkungan yang memiliki jarak/skala, orientasi, dan sudut pencuplikan gambar yang sama agar didapatkan sampel data yang baik. Namun ini akan sulit dilakukan terlebih pada kasus-kasus yang objeknya sangat erat dengan lingkungan luar seperti pada masalah klasifikasi tumbuhan berbunga yang sampel gambarnya biasanya diambil pada lingkungan tak terkontrol / luar ruangan yang memiliki banyak variabel gangguan. Terkait hal tersebut maka diusulkanlah metode SURF (Speeded-Up Robust Feature) sebagai deskriptor lokal yang dipadu dengan metode segmentasi Watershed-Otsu yang diklasifikasi menggunakan pengklasifikasi SVM. Penelitian ini mengimplementasikan klasifikasi dengan classifier SVM yang diusulkan menggunakan SURF dan Watershed-Otsu untuk klasifikasi tumbuhan berbunga, selain itu untuk mengetahui seberapa besar perbaikan akurasinya yang mana hasilnya juga akan dibandingkan dengan sistem SVM yang hanya menggunakan algoritme SURF berdasar gambar grayscale. Percobaan dilakukan menggunakan dataset dari Kaggle Flower Database Repository v2 berisi 5 kelas dengan gambar berformat .jpg beresolusi rata-rata QVGA dengan jarak dan orientasi pengambilan gambar yang berubah-ubah yang diuji dengan kernel RBF SVM. Kemudian hasil klasifikasi dievaluasi berdasarkan variasi parameter C terhadap performa sistem yang didapatkan (Akurasi, Presisi, dan Recall). Hasil penelitian klasifikasi menunjukkan bahwa dalam klasifikasi tumbuhan berbunga menggunakan SVM dan algoritme SURF dengan Watershed-Otsu memberikan performa lebih baik dibandingkan dengan klasifikasi yang hanya menggunakan algoritme SVM dengan SURF dari citra grayscale. Hasil percobaan menunjukkan perbaikan akurasi pada sistem klasifikasi SVM dengan algoritme SURF dan Watershed-Otsu dibanding klasifikasi yang hanya menggunakan algoritme SVM dengan SURF dari citra grayscale didapatkan peningkatan akurasi sebesar 4,27%, peningkatan nilai presisi 4,34%, dan peningkatan nilai recall yang diperoleh sebesar 4,24%.

Image processing generally uses image data footage in good and measured environmental conditions, ie environmental conditions that have the same distance / scale, orientation, and angle of image sampling in order to obtain good data samples. However, this will be difficult to do especially in cases where the object is very close to the outside environment such as the problem of classification of flowering plants whose sample images are usually taken in an uncontrolled / outdoor environment that has many interference variables. In this regard, the proposed SURF (Speeded-Up Robust Feature) method as a local descriptor combined with the Watershed-Otsu segmentation method were classified using the SVM classifier. This study implements the classification with the proposed SVM classifier using SURF and Watershed-Otsu for flowering plants classification, in addition to knowing how much improvement in accuracy, the results will also be compared with SVM systems that only use the SURF algorithm based on grayscale images. The experiment was carried out using dataset of the Kaggle Flower Database Repository v2 containing 5 classes with an image format with a .jpg resolution of average QVGA with changing distance and orientation of image capture tested with the RBF SVM kernel. Then the classification results are evaluated based on variations in parameter C to the system performance obtained (Accuracy, Precision, and Recall). Classification research result, show that in the classification of flowering plants using SVM and the SURF algorithm with Watershed-Otsu provide better performance than the classification that only uses the SVM algorithm with SURF from grayscale images. The experimental results show an improvement in accuracy in the SVM classification system with SURF and Watershed-Otsu algorithms compared to classifications that only use the SVM algorithm with SURF from grayscale images obtained an increase in accuracy of 4.27%, an increase in the precision value of 4.34%, and an increase in the recall value obtained 4.24%.

Kata Kunci : Pemrosesan Gambar, Klasifikasi Bunga, SURF, Watershed-Otsu, SVM, RBF