KLASIFIKASI KESEHATAN PELEPAH LIDAH BUAYA

BERDASARKAN CITRA DAUN DENGAN METODE

SUPPORT VECTOR MACHINE
(HEALTH CLASSIFICATION OF ALOE VERA FROM BASED ON LEAF IMAGE
USING THE SUPPORT VECTOR MACHINE METHOD)
Ahmad Faishol Izzuddin
Program Studi Teknik Jurusan Teknik Informatika Universitas Islam Lamongan
faisholizzd1@gmail.com

Kata Kunci: Klasifikasi,
Lidah Buaya, Support Vector
Machine
Abstrak
Penelitian ini bertujuan untuk mengetahui cara
membuat aplikasi untuk klasifikasi lidah buaya
dengan metode SVM dan cara mengimplementasi
program aplikasi klasifikasi yang telah dibuat. Sistem
pada penelitian ini akan melakukan klasifikasi
kesehatan pelepah lidah buaya. Yang mana klasifikasi
ini akan mengolah data pelepah lidah buaya
berdasarkan 3 kelas, yaitu pelepah dengan kondisi
sehat, kering, dan busuk. Dalam mengolah data
kesehatan lidah buaya menggunakan aplikasi Matlab
Hasil penelitian ini menunjukkan untuk membuat
aplikasi klasifikasi lidah buaya membutuhkan
beberapa data gambar lidah buaya sebagai dataset dan
beberapa perancangan sistem yang akan dibuat.
Dalam proses implementasi dapat dilalui ketika
menjalankan beberapa tahap pengumpulan dataset,
melakukan ekstraksi citra RGB, membuat batasan
kelas klasifikasi, dan mengetahui hasil klasifikasi
yang dibuktikan dengan nilai tingkat akurasi. Hasil
dari pengujian aplikasi dengan data Latih sebanyak
300, dan data Uji sebanyak 30, memperoleh nilai
akurasi dari pengujian sebesar 77%.

Volume 1 No. 1, Juli 2022

Ahmad Faishol Izzuddin Klasifikasi Kesehatan Pelepah Lidah Buaya

Keywords : Classification, Abstract

Aloe Vera, Support Vector
This study aims to find out how to make an
Machine
application for classification of aloe vera with the
Alamat Kantor: SVM method and how to implement the classification
application program that has been made. The system
in this study will classify the health of aloe vera
midribs. This classification will process data on aloe
vera midribs based on 3 classes, namely fronds with
healthy, dry and rotten conditions. In processing aloe
vera health data using the Matlab application.
The results of this study indicate that making an
application for the classification of aloe vera requires
some image data of aloe vera as a dataset and some
system designs to be made. In the implementation
process it can be passed when carrying out several
stages of dataset collection, extracting RGB images,
making classification class boundaries, and knowing
the results of the classification as evidenced by the
accuracy level value. The results of testing the
application with 300 training data and 30 test data
obtained an accuracy value of 77%.

Pendahuluan
Lidah buaya memiliki nama latin Aloe barbadensis Milleer, tanaman ini merupakan
spesies tumbuhan dengan daun berdaging tebal, tanaman ini mudah untuk
dikembangbiakkan, namun jika terjadi kesalahan saat menangani tanaman ini pada kondisi
tertentu, tanaman ini akan mengalami penghambatan pada pertumbuhan, bahkan bisa
mengakibatkan tanaman ini mati.
Untuk merawat sebuah tanaman, khususnya tanaman lidah buaya, sebaiknya untuk
mengenali tanaman itu sendiri, karena setiap tanaman memiliki beberapa kondisi yang
berbeda, dan tanaman itu pasti memiliki kondisi dimana harus diberikan penanganan khusus,
yang mana tanaman tersebut harus ditangani dengan tepat sesuai kondisi, dan untuk
mengetahui kondisi tersebut kita membutuhkan sebuah metode untuk mengklasifikasikan
kondisi-kondisi tanaman tersebut.
Pada penelitian sebelumnya dilakukan oleh Hilda Amaliah yang melakukan
perbandingan antara metode SVM (Support Vector Machine) dan metode ANN (Artificial
Neural Network) untuk klasifikasi penyakit ginjal kronis, dari penelitian tersebut metode
ANN memperoleh nilai akurasi 93,36% dan metode SVM memperoleh nilai akurasi 95.16%.
dan penelitian selanjutnya dilakukan oleh Indri Monika Parapat, Muhammad Tanzil Furqon,
dan Sutrisno yang menggunakan metode SVM dalam melakukan klasifikasi penyimpangan
tumbuh kembang anak, dari penelitian tersebut menghasilkan tingkat akurasi sebesar 77,8%
pada jumlah iterasi 10, dan memiliki tingkat akurasi sebesar 63,11% pada jumlah iterasi 200.
Dari penelitian diatas, penulis akan menggunakan metode serupa yang dirasa
memiliki nilai akurasi yang tinggi yaitu metode SVM (Support Vector Machine) dengan
mengunakan objek penelitian yang berbeda, yaitu pada tanaman lidah buaya, dengan
menggunakan metode ini penulis akan melakukan penelitian tentang klasifikasi tanaman

Volume 1 No. 1, Juli 2022

Ahmad Faishol Izzuddin Klasifikasi Kesehatan Pelepah Lidah Buaya

lidah buaya pada beberapa kondisi. sehingga dari kondisi tersebut tanaman lidah buaya akan
mendapat perawatan yang layak sesuai dengan kondisinya .
METODE PENELITIAN
Metodologi penelitian yaitu sebuah upaya untuk mengetahui solusi dari suatu
perusahaan, sehingga dapat diterapkan dalam sebuah penelitian. Analisis penelitian melalui
tahap perencanaan, analisis, desain dan implementasi. Metode pengumpulan data pada
penelitian ini melalui studi pustaka dan dokumentasi.
HASIL DAN PEMBAHASAN
1. Fitur Klasifikasi SVM
Fitur ini berfungsi untuk pembuatan model dataset yang merupakan pemisah
antar kelas klasifikasi, yang mana dataset tersebut digunakan sebagai acuan penentu
kelas dalam proses klasifikasi, untuk membaca data latih dan data target kelas dalam
pengujian ini menggunakan persamaan:
1 2 1
‖w‖ = (w 12+ w22)
2 2
Untuk penerapan persamaan svm diatas memerlukan target pelatihan untuk
dijadikan acuan dalam pembuatan model dataset klasifikasi, dalam penelitian kali ini
kita menggunakan data latih berjumlah 300 data dan terdapat 3 kelas target latih,
sehingga memerlukan input data target seperti dibahan ini:

Gambar 1. Target Latih

Selain data target yang diinput, kita juga memerlukan nilai ciri dari setiap
komponen yang akan dilatih, dari persamaan diatas memerlukan ≥ 2 nilai ciri dari
setiap komponen untuk pembuatan dataset, untuk itu dalam penerapan kali ini kita
menggunakan 3 nilai ciri yaitu citra red, citra green, dan citra blue dari hasil
ekstraksi pada data latih yang berupa citra gambar, 3 nilai ciri bisa dilihat pada
gambar dibawah ini.

Volume 1 No. 1, Juli 2022

Ahmad Faishol Izzuddin Klasifikasi Kesehatan Pelepah Lidah Buaya

Gambar 2. Nilai Ciri Kelas

Target latih akan membaca urutan data, dari data ke1 sampai 10 sebagai busuk,
dari data ke 11 sampai 20 sebagai kering, dan dari data ke 21 sampai 300 sebagai
sehat, setelah itu akan tercipta batas yang merupakan pemisah antar kelas, kemudian
saat melakukan pengujian akan membaca dataset tersebut dan juga nilai ciri yang
sama dari data yang diuji, saat data terbaca akan muncul kelas keluaran dengan nilai
ciri yang mendekati antara data uji dan data terget.
2. Nilai Akurasi
Nilai akurasi merupakan ukuran keberhasilan aplikasi untuk membaca perintah
yang diberikan dalam proses klasifikasi, penghitungan nilai akurasi dalam pengujian
ini menggunakan persamaan:
jumlah data benar
Akurasi= x 100 % .......................................(14)
jumlah data
Berdasarkan pengujian yang telah dilakukan pada data testing dalam tabel 5.2
hasil akurasi dari proses akurasinya adalah bisa dilihat pada tabel berikut :
Tabel 1. Hasil Akurasi Pengujian
Dataset Total Data Latih Klasifikasi benar akurasi
Busuk 10 5 50%
Kering 10 8 80%
Sehat 10 10 100%
Total Keseluruhan
Total 30 23 77%

3. Pembahasan hasil pengujian

Ekstraksi pada citra yang diinputkan termasuk nilai nilai rata-rata RGB pada
setip citra. berdasarkan hasil kalsifikasi pada tabel diatas dapat disimpulkan dari 30
data yang menjadi data uji, 77% diantaranya dapat diklasiikasi oleh program dengan
baik. dengan masing-masing 50% data benar untuk kelas Busuk, 80% data benar
untuk kelas Kering, dan 100% data benar untuk kelas Sehat.
Pengujian ini berdasarkan pengujian sebelumya yang juga menggunakan
metode yang sama yaitu SVM (Support Vector Machine), dengan judul “Klasifikasi

Volume 1 No. 1, Juli 2022

Ahmad Faishol Izzuddin Klasifikasi Kesehatan Pelepah Lidah Buaya

Kanker Kulit Berdasarkan Fitur Tekstur, Fitur Warna Citra Menggunakan SVM dan
KNN” dengan membandingkan tiga metode dan memperoleh hasil 69,85% untuk
Metode SVM, 67,27% untuk metode Naive Bayes dan 69,55% untuk metode KNN,
dengan data pengujian sejumlah 3297 data, berupa 2637 data latih, dan 660 data uji,
hasil ini merupakan alasan kami untuk menggunakan Metode SVM.

KESIMPULAN
1. Untuk membuat aplikasi klasifikasi lidah buaya membutuhkan beberapa data gambar
lidah buaya sebagai dataset dan beberapa perancangan sistem yang akan dibuat.
2. Dalam proses implementasi dapat dilalui ketika menjalankan beberapa tahap
pengumpulan dataset, melakukan ekstraksi citra RGB, membuat batasan kelas
klasifikasi, dan mengetahui hasil klasifikasi yang dibuktikan dengan nilai tingkat
akurasi.
3. Hasil dari pengujian aplikasi dengan data Latih sebanyak 300, dan data Uji sebanyak
30, memperoleh nilai akurasi dari pengujian sebesar 77%.

DAFTAR PUSTAKA
Amalia, Hilda. 2018. “Perbandingan Metode Data Mining Svm Dan Nn Untuk Klasifikasi
Penyakit Ginjal Kronis.” Maret 14 (1): 1. www.bsi.ac.id.
Faruk, Muhammad, Program Studi, Teknik Informatika, Fakultas Teknik, and Universitas
Islam Lamongan. 2020. “Telematika Klasifikasi Kanker Kulit Berdasarkan Fitur
Tekstur , Fitur Warna Citra Menggunakan SVM Dan KNN.” Telematika 13 (2):
100–109.
Fatmawati. 2021. “Mengenal Activity Diagram.” 2021.
https://smktarunabangsa.sch.id/artikel/detail/activity-diagram.
Pamungkas, Adi. 2015. “Pengolahan Citra Digital (RGB, Grayscale, Dan Biner)
Menggunakan GUI Matlab.” 2015.
https://pemrogramanmatlab.com/2015/12/27/pengolahan-citra-digital-rgb-
grayscale-biner-menggunakan-gui-matlab/.
Parapat, Indri Monika, Muhammad Tanzil Furqon, and Sutrisno. 2018. “Penerapan
Metode Support Vector Machine ( SVM ) Pada Klasifikasi Penyimpangan Tumbuh
Kembang Anak.” Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer
2 (10): 3163–69. https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/2577.
Rahmalia, Nadiya. 2021. “MATLAB, Platform Pemrograman Dengan Segudang
Kegunaan.” Glints.Com. 2021.
https://glints.com/id/lowongan/matlab-adalah/#.YhUQMzUVS01.

Volume 1 No. 1, Juli 2022

Ahmad Faishol Izzuddin Klasifikasi Kesehatan Pelepah Lidah Buaya

Robith, Muhammad. 2021. “Mengenal Apa Itu Use Case Dan Teknik Pembuatannya.”
2021. https://www.sekawanmedia.co.id/blog/use-case-diagram/.
Samsudiney. 2019. “Penjelasan Sederhana Tentang Apa Itu SVM?” Medium.Com. 2019.
https://medium.com/@samsudiney/penjelasan-sederhana-tentang-apa-itu-svm-
149fec72bd02.
Sendari, anugerah ayu. 2021. “Klasifikasi Adalah Pengelompokan, Kenali Contohnya.”
2021. https://hot.liputan6.com/read/4725225/klasifikasi-adalah-pengelompokan-
kenali-contohnya.
Amalia, Hilda. 2018. “Perbandingan Metode Data Mining Svm Dan Nn Untuk Klasifikasi
Penyakit Ginjal Kronis.” Maret 14 (1): 1. www.bsi.ac.id.
Faruk, Muhammad, Program Studi, Teknik Informatika, Fakultas Teknik, and Universitas
Islam Lamongan. 2020. “Telematika Klasifikasi Kanker Kulit Berdasarkan Fitur
Tekstur , Fitur Warna Citra Menggunakan SVM Dan KNN.” Telematika 13 (2):
100–109.
Pamungkas, Adi. 2015. “Pengolahan Citra Digital (RGB, Grayscale, Dan Biner)
Menggunakan GUI Matlab.” 2015.
https://pemrogramanmatlab.com/2015/12/27/pengolahan-citra-digital-rgb-
grayscale-biner-menggunakan-gui-matlab/.
Parapat, Indri Monika, Muhammad Tanzil Furqon, and Sutrisno. 2018. “Penerapan
Metode Support Vector Machine ( SVM ) Pada Klasifikasi Penyimpangan Tumbuh
Kembang Anak.” Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer
2 (10): 3163–69. https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/2577.
Rahmalia, Nadiya. 2021. “MATLAB, Platform Pemrograman Dengan Segudang
Kegunaan.” Glints.Com. 2021.
https://glints.com/id/lowongan/matlab-adalah/#.YhUQMzUVS01.
Robith, Muhammad. 2021. “Mengenal Apa Itu Use Case Dan Teknik Pembuatannya.”
2021. https://www.sekawanmedia.co.id/blog/use-case-diagram/.
Samsudiney. 2019. “Penjelasan Sederhana Tentang Apa Itu SVM?” Medium.Com. 2019.
https://medium.com/@samsudiney/penjelasan-sederhana-tentang-apa-itu-svm-
149fec72bd02.
Sendari, anugerah ayu. 2021. “Klasifikasi Adalah Pengelompokan, Kenali Contohnya.”
2021. https://hot.liputan6.com/read/4725225/klasifikasi-adalah-pengelompokan-
kenali-contohnya.
Amalia, H. (2018). Perbandingan Metode Data Mining Svm Dan Nn Untuk Klasifikasi
Penyakit Ginjal Kronis. Maret, 14(1), 1. www.bsi.ac.id
Faruk, M., Studi, P., Informatika, T., Teknik, F., & Lamongan, U. I. (2020). Telematika
Klasifikasi Kanker Kulit Berdasarkan Fitur Tekstur , Fitur Warna Citra
Menggunakan SVM dan KNN. Telematika, 13(2), 100–109.

Volume 1 No. 1, Juli 2022

Ahmad Faishol Izzuddin Klasifikasi Kesehatan Pelepah Lidah Buaya

Pamungkas, A. (2015). Pengolahan Citra Digital (RGB, Grayscale, dan Biner)

Menggunakan GUI Matlab.
https://pemrogramanmatlab.com/2015/12/27/pengolahan-citra-digital-rgb-
grayscale-biner-menggunakan-gui-matlab/
Parapat, I. M., Furqon, M. T., & Sutrisno. (2018). Penerapan Metode Support Vector
Machine ( SVM ) Pada Klasifikasi Penyimpangan Tumbuh Kembang Anak. Jurnal
Pengembangan Teknologi Informasi Dan Ilmu Komputer, 2(10), 3163–3169.
https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/2577
Rahmalia, N. (2021). MATLAB, Platform Pemrograman dengan Segudang Kegunaan.
Glints.Com. https://glints.com/id/lowongan/matlab-adalah/#.YhUQMzUVS01
Samsudiney. (2019). Penjelasan Sederhana tentang Apa Itu SVM? Medium.Com.
https://medium.com/@samsudiney/penjelasan-sederhana-tentang-apa-itu-svm-
149fec72bd02
Sendari, anugerah ayu. (2021). Klasifikasi adalah Pengelompokan, Kenali Contohnya.
https://hot.liputan6.com/read/4725225/klasifikasi-adalah-pengelompokan-kenali-
contohny

Volume 1 No. 1, Juli 2022