Optimisasi Hiperparameter Tuning pada Metode Support Vector Machine untuk Klasifikasi Tingkat Kematangan Buah Kopi
-
Juprianus Rusman(1*)
Universitas Kristen Indonesia Toraja
-
Berlian Zetikarya Haryati(2)
Universitas Kristen Indonesia Toraja
-
Aryo Michael(3)
Universitas Kristen Indonesia Toraja
(*) Corresponding Author
Abstrak
Penelitian ini bertujuan untuk mengembangkan model klasifikasi yang optimal untuk mengidentifikasi tingkat kematangan buah kopi berdasarkan fitur-fitur warna dari citra buah kopi. Fitur warna red, green dan blue pada ruang warna RGB dan hue, saturation dan value pada ruang warna HSV diekstraksi dari citra buah kopi dan digunakan sebagai input untuk model klasifikasi support vector machine (SVM). Agar kinerja SVM lebih optimal, digunakan hyperparameter tuning dengan metode grid search untuk penentuan parameter terbaik pada model klasifikasi yang dibangun. Dengan menggunakan 180 citra latih pada penentuan parameter optimum, diperoleh hasil hyperparameter tuning metode grid search yaitu pada cross validation (cv) = 6, cost (C) = 1000, gamma (γ) = 0,001, dan kernel = linear. Kemudian parameter optimum tersebut digunakan sebagai model SVM untuk mengklasifikasikan 45 citra uji ke dalam tiga kelas berbeda yakni matang, matang setengah dan mentah. Berdasarkan evaluasi dengan confusion matrix dapat disimpulkan bahwa model yang dibangun memiliki kinerja yang baik dengan tingkat akurasi 98% dengan. Hal ini mengindikasikan bahwa model yang dibangun mampu membedakan ketiga kelas dengan tingkat kesalahan yang rendah. Dengan kemampuan ini, model yang dibangun memiliki potensi besar dalam industri pertanian guna mendukung penggunaan teknologi pada bidang pertanian khususnya pertanian kopi seperti pengolahan buah pasca panen. Model ini dapat dikembangkan pada mesin sortasi tingkat kematangan buah kopi secara otomatis agar dapat meningkatkan kualitas dan efisiensi produksi serta membantu dalam pengambilan keputusan yang lebih baik.
##plugins.generic.usageStats.downloads##
Referensi
E. Prakasa, ‘Computer Vision dan Artificial Intelligence di Era Revolusi Industri 4.0 - General Lecture in Universitas Riau 28 October 2021’, Oct. 28, 2021 [Online]. Available: 10.13140/RG.2.2.26229.09448.
H. Fitriyah and R. C. Wihandika, Dasar-Dasar Pengolahan Citra Digital. Universitas Brawijaya Press, 2021.
M. Z. Andrekha and Y. Huda, ‘Deteksi Warna Manggis Menggunakan Pengolahan Citra dengan Opencv Python’, Voteteknika Vocat. Tek. Elektron. Dan Inform., vol. 9, no. 4, pp. 27–33, Dec. 2021 [Online]. Available: 10.24036/voteteknika.v9i4.114251.
Seema et al., ‘Automatic Fruit Grading and Classification System Using Computer Vision: A Review’, in 2015 Second International Conference on Advances in Computing and Communication Engineering, 2015, pp. 598–603 [Online]. Available: 10.1109/ICACCE.2015.15.
N. Astrianda, ‘Klasifikasi Kematangan Buah Tomat Dengan Variasi Model Warna Menggunakan Support Vector Machine’, VOCATECH Vocat. Educ. Technol. J., vol. 1, pp. 45–52, Apr. 2020 [Online]. Available: 10.38038/vocatech.v1i2.27.
I. Indrabayu et al., ‘Strawberry Ripeness Classification System Based On Skin Tone Color using Multi-Class Support Vector Machine’, in 2019 International Conference on Information and Communications Technology (ICOIACT), 2019, pp. 191–195 [Online]. Available: 10.1109/ICOIACT46704.2019.8938457.
K. Kr et al., ‘An Improved Feature Selection and Classification of Gene Expression Profile using SVM’, in 2019 2nd International Conference on Intelligent Computing, Instrumentation and Control Technologies (ICICICT), 2019, vol. 1, pp. 1033–1037 [Online]. Available: 10.1109/ICICICT46008.2019.8993358.
M. Fajri and A. Primajaya, ‘Komparasi Teknik Hyperparameter Optimization pada SVM untuk Permasalahan Klasifikasi dengan Menggunakan Grid Search dan Random Search’, J. Appl. Inform. Comput., vol. 7, no. 1, pp. 10–15, Jul. 2023 [Online]. Available: 10.30871/jaic.v7i1.5004.
P. C. Upadhyay et al., ‘Classifying Cover Crop Residue from RGB Images: A Simple SVM versus a SVM Ensemble’, in 2021 IEEE Symposium Series on Computational Intelligence (SSCI), 2021, pp. 1–7 [Online]. Available: 10.1109/SSCI50451.2021.9660147.
I. S. Areni et al., ‘Klasifikasi Kematangan Stroberi Berbasis Segmentasi Warna dengan Metode HSV’, J. Penelit. Enj., vol. 23, no. 2, pp. 113–116, Nov. 2019 [Online]. Available: 10.25042/jpe.112019.03.
M. M. Chandra and Yoannita, ‘Klasifikasi Jenis Bunga Menggunakan Metode Svm Berdasarkan Citra Dengan Fitur Hsv’, J. Indones. Sos. Teknol., vol. 4, no. 02, pp. 255–264, Feb. 2023 [Online]. Available: 10.59141/jist.v4i02.585.
Y. Dong et al., ‘A Machine Learning Model for Product Fraud Detection Based On SVM’, in 2021 2nd International Conference on Education, Knowledge and Information Management (ICEKIM), 2021, pp. 385–388 [Online]. Available: 10.1109/ICEKIM52309.2021.00091.
Y. E. Yana and N. Nafi’iyah, ‘Klasifikasi Jenis Pisang Berdasarkan Fitur Warna, Tekstur, Bentuk Citra Menggunakan SVM dan KNN’, Res. J. Comput. Inf. Syst. Technol. Manag., vol. 4, no. 1, pp. 28–36, Apr. 2021 [Online]. Available: 10.25273/research.v4i1.6687.
Z. M. E. Darmawan and A. F. Dianta, ‘Implementasi Optimasi Hyperparameter GridSearchCV Pada Sistem Prediksi Serangan Jantung Menggunakan SVM’, Teknol. J. Ilm. Sist. Inf., vol. 13, no. 1, pp. 8–15, Jan. 2023 [Online]. Available: 10.26594/teknologi.v13i1.3098.
A. G. Sooai et al., ‘Klasifikasi Citra Daun Anggur Menggunakan SVM Kernel Linear’, JOINTECS J. Inf. Technol. Comput. Sci., vol. 8, no. 1, pp. 19–26, Mar. 2023 [Online]. Available: 10.31328/jointecs.v8i1.4496.
##submission.copyrightStatement##
##submission.license.cc.by4.footer##Penulis yang mengirimkan naskah harus memahami dan menyetujui bahwa jika diterima untuk diterbitkan, penulis memiliki hak cipta dan memberikan jurnal hak publikasi pertama dengan karya yang dilisensikan secara bersamaan di bawah Creative Commons Attribution (CC-BY) 4.0 License yang memungkinkan orang lain untuk berbagi karya dengan pengakuan kepenulisan karya dan publikasi awal dalam jurnal ini.
