Klasifikasi pada Citra Bunga dengan Ekstraksi Fitur Color Histogram

Muhammad Ghudafa Taufiq Akbar; Henny Leidiyana

doi:10.22441/format.2023.v12.i1.007

Klasifikasi pada Citra Bunga dengan Ekstraksi Fitur Color Histogram

Muhammad Ghudafa Taufiq Akbar, Henny Leidiyana

Abstract

Perbedaan ciri pada bunga menyebabkan perbedaan spesies bunga sehingga diperlukan pengetahuan untuk dapat mengklasifikasikannya. Bunga dapat dicirikan dari warnanya. Pada bunga dengan jenis yang sama bahkan bisa memiliki beberapa warna yang berbeda. Salah satu teknik untuk mendapatkan pola bisa dilakukan melalui ekstraksi fitur warna. Penelitian ini mencoba untuk melakukan ekstraksi citra dengan teknik color histogram. Penelitian yang menunjukkan efektifitas ekstraksi fitur warna sebelum melakukan klasifikasi sudah cukup banyak dilakukan. Color Histogram adalah teknik yang paling banyak digunakan untuk mengekstraksi fitur warna dari suatu citra karena mewakili gambar dari sudut pandang yang berbeda. Dataset yang digunakan dalam penelitian ini menggunakan citra bunga dengan bentuk yang hampir sama yaitu sunflower, calendula, black eyed susan, common daisy. Pembuatan model klasifikasi terhadap jenis-jenis bunga tersebut menggunakan algoritma pembelajaran mesin Logistic Regression, Decision Tree, Random Forest, K-Nearest Neighbor, Linear Discriminant Analysis, Naive Bayes, Support Vector Machine. Selanjutnya Penulis menggunakan Confusion Matrix untuk mengevaluasi model terlatih dan untuk menghasilkan skor akurasi menggunakan 10-fold cross validation. Skor akurasi tertinggi diperoleh dari model Random Forest sebesar 82%.

Keywords

Ekstraksi Fitur, Color Histogram, Pembelajaran Mesin

Full Text:

PDF

References

F. Muwardi et al., “Pengolahan Citra Dan Pengklasifikasi Jarak,” J. Ilmu Tek. Elektro Komput. dan Inform., vol. 3, no. 2, pp. 124–131, 2017.

P. Rosyani and Oke Hariansyah, “Pengenalan Citra Bunga Menggunakan Segmentasi Otsu Treshold dan Naïve Bayes,” J. Sist. dan Inform., vol. 15, no. 1, pp. 1–7, 2020, doi: 10.30864/jsi.v15i1.304.

H. Almogdady, S. Manaseer, and H. Hiary, “A flower recognition system based on image processing and neural networks,” Int. J. Sci. Technol. Res., vol. 7, no. 11, pp. 166–173, 2018.

N. Dayanand Lal, D. S. Sahana, R. C. Veena, S. H. Brahmananda, and D. S. Sakkari, “Image classification of the flower species identification using machine learning,” Int. J. Adv. Sci. Technol., vol. 29, no. 5, pp. 995–1007, 2019.

P. Sharma, A. Aggarwal, A. Gupta, and A. Garg, Leaf identification using HOG, KNN, and neural networks, vol. 56. Springer Singapore, 2019.

T. J. Alhindi, S. Kalra, K. H. Ng, A. Afrin, and H. R. Tizhoosh, “Comparing LBP, HOG and Deep Features for Classification of Histopathology Images,” Proc. Int. Jt. Conf. Neural Networks, vol. 2018-July, pp. 1–7, 2018, doi: 10.1109/IJCNN.2018.8489329.

N. Kurnia Ningrum and E. Sasmita, “Ekstraksi Warna Berdasarkan Rgb Untuk Menentukan Tingkat Kematangan Daun Tembakau,” Udinus Jl. Imam Bonjol No, vol. 207, p. 50131, 2015.

A. R. Gala, “KLASIFIKASI APEL BERBASIS CITRA PENDAHULUAN Deteksi dan pengenalan pola pada citra sangat luas dan banyak dikembangkan dengan sejumlah pendekatan selama bertahun-tahun . Pengenalan pola adalah metode yang bekerja untuk menemukan pola pada data yang menunj,” pp. 296–304.

M. Poorani, T. Prathiba, and G. Ravindran, “Integrated Feature Extraction for Image Retrieval,” no. November, 2017.

M. Xin and Y. Wang, “Research on image classification model based on deep convolution neural network,” Eurasip J. Image Video Process., vol. 2019, no. 1, 2019, doi: 10.1186/s13640-019-0417-8.

S. Sural, G. Qian, and S. Pramanik, “Segmentation and Histogram Generation using HSV,” pp. 589–592, 2002, [Online]. Available: http://www.cse.msu.edu/~pramanik/research/papers/papers/icip.hsv.pdf.

B. S. Anami, S. S. Nandyal, and A. Govardhan, “A Combined Color, Texture and Edge Features Based Approach for Identification and Classification of Indian Medicinal Plants,” Int. J. Comput. Appl., vol. 6, no. 12, pp. 45–51, 2010, doi: 10.5120/1122-1471.

D. Berrar, “Cross-validation,” Encycl. Bioinforma. Comput. Biol. ABC Bioinforma., vol. 1–3, no. April, pp. 542–545, 2018, doi: 10.1016/B978-0-12-809633-8.20349-X.

M. Hasnain, M. F. Pasha, I. Ghani, M. Imran, M. Y. Alzahrani, and R. Budiarto, “Evaluating Trust Prediction and Confusion Matrix Measures for Web Services Ranking,” IEEE Access, vol. 8, pp. 90847–90861, 2020, doi: 10.1109/ACCESS.2020.2994222.

DOI: http://dx.doi.org/10.22441/format.2023.v12.i1.007

Refbacks

There are currently no refbacks.

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Format : Jurnal Ilmiah Teknik Informatika
Fakultas Ilmu Komputer Universitas Mercu Buana
Jl. Raya Meruya Selatan, Kembangan, Jakarta 11650
Tlp./Fax: +62215840816
http://publikasi.mercubuana.ac.id/index.php/format