Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 7, No.

3,
Desember 2020, Hal. 678-687 E- ISSN 2503-2933 678

PENGGUNAAN KLASIFIKASI SAYUR SEGAR DAN

SAYUR BUSUK MENGGUNAKAN ALGORITMA
SUPPORT VECTOR MACHINE

Ery Hartati*
1,2
Universitas Multi Data Palembang; Jln Rajawali No 14 Palembang, 0711-376400
3
Jurusan Informatika, FIKR UMDP, Palembang
e-mail: *Ery_hartati@mdp.ac.id

Abstrak
Sayur merupakan salah satu makanan yang sering dikonsumsi oleh berbagai kalangan umur
karena sumber berbagai mineral, vitamin dan serat pangan. Untuk memperoleh manfaat yang
terdapat pada sayur, masyarakat harus mengonsumsi sayur yang segar dan belum busuk.
Secara fisik, kesegaran sayur dapat dilihat karena tanda-tanda yang ada pada sayur segar
atau sayur busuk mudah diamati.LBP (Local Binary Pattern) adalah metode ekstraksi fitur
tekstur yang sederhana,namun efisien dalam mempresentasikan ciri tekstur, sedangkan HSV
(Hue, Value dan Saturation) merupakan ruang warna yang cocok untuk mengidentifikasi
warna-warna dasar yang akan digunakan dalam penelitian sebagai warna identifikasi cahaya
dan bisa menoleransi perubahan intensitas cahaya. Penelitian ini menggunakan public dataset
sayur segar dan sayur busuk. Proses di mulai dari resize menjadi ukuran 300 x 300 pixel dan
selanjutnya dilakukan ekstraksi fitur LBP dan dilanjutkan dengan ekstraksi fitur HSV. Hasil
ekstraksi fitur LBP dan HSV di gunakan sebagai input klasifikasi menggunakan algoritma
Support Vector Machine dengan nilai n_estimator 500,1000,1500,dan 2000. Hasil pengujian
menggunakan algoritma Support Vector Machine menghasilkan nilai Accuracy tertinggi
sebesar 65,02% pada nilai γ =0,04

Kata kunci : Sayur, Local Binary Pattern, Hue, Value dan Saturation, Support Vector
Machine

Abstract
Vegetables are one of the foods that are often consumed by various age groups because they
are a source of various minerals, vitamins and dietary fiber. To get the benefits contained in
vegetables, people must eat fresh and not rotten vegetables. Physically, the freshness of
vegetables can be seen because the signs on fresh vegetables or rotten vegetables are easy to
observe. LBP (Local Binary Pattern) is a texture feature extraction method that is simple, but
efficient in presenting texture characteristics, while HSV (Hue, Value and Saturation) is a color
space that is suitable for identifying basic colors that will be used in research as light
identification colors and can tolerate changes in light intensity. This study uses a public dataset
of fresh vegetables and rotten vegetables. The process starts from resizing to a size of 300 x 300
pixels and then LBP feature extraction is carried out and continued with HSV feature extraction.
The results of LBP and HSV feature extraction are used as classification input using the Support
Vector Machine algorithm with n_estimator values of 500,1000, 1500, and 2000. The test results

Received June1st,2012; Revised

June25th, 2012; Accepted July 10th, 2012
2Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 7, No. 3,
Desember 2020, Hal. 678-687 E- ISSN 2503-2933

using the Support Vector Machine algorithm produce the highest Accuracy value of 65.02% at
a value of = 0, 04

Keywords: Vegetable, Local Binary Pattern, Hue, Value and Saturation, Support Vector Machine

1 PENDAHULUAN

Perubahan paradigma menuju pada pemahaman bahwa untuk hidup sehat tubuh kita tidak
saja memerlukan protein dan kalori, tetapi juga vitamin dan mineral yang kaya terkandung dalam
sayuran-sayuran dan buah-buahan dalam pola konsumsi gizi seimbang yang berkembang pada
tahun 1990-an. Tetapi sampai dengan tahun 2007, konsumsi sayur-sayuran dan buahbuahan
penduduk Indonesia baru sebesar 95 kkallkapitalhari, atau 79% dari anjuran kebutuhan minimum
sebesar 120 kkallkapitalhari. Konsumsi ini dipengaruhi oleh berbagai faktor, di antaranya
kemampuan ekonomi, ketersediaan dan pengetahuan tentang manfaat mengkonsumsi sayur-
sayuran dan buah-buahan yang sangat berpengaruh terhadap pola dan perilaku konsumsi. Untuk itu
diperlukan upaya untuk meningkatkan konsumsi sayur-sayuran dan buahbuahan yang tidak hanya
berupa penyediaan sarana dan prasarana, tetapi juga upaya perubahan sikap dan perilaku
masyarakat, melalui sosialisasilpenyuluhan dan promosi yang lebih intensif pada masyarakat
tentang manfaat dari sayur dan buah. [1] Dengan perkembangan teknologi sekarang ini
memudahkan semua orang mengakses apa saja. Banyak teknologi yang sudah ditemukan salah
satunya adalah pengolahan citra digital, Identifikasi pada sebuah citra sudah lama dikembangkan
salah satunya dengan membedakan tekstur pada citra tersebut. Tekstur citra dapat dibedakan oleh
kerapatan, keseragaman, kekasaran dan keteraturan dari citra yang diteliti. Agriculture saat ini
sedang ramai di bahas khususnya di indonesia, banyak sekali penelitian yang di lakukan dalam
sektor pertanian[2].Di dunia ini terdapat banyak sekali jenis sayuran yangmemiliki warna, rasa ,
aroma dan tekstur yang berbeda-beda. Namun secara umum bila ditinjau dari segi gizinya, sayuran
merupakan sumber mineral, sumber serat dan sumber vitamin terutama vitamin A dan , vitamin
C.[3]
Sayuran adalah daun, polong-polongan, atau biji-bijian yang dapat dimasak. Buah dan sayur
memiliki banyak varian yang dapat dibedakan berdasarkan warna, bentuk, dan teksturnya. Fitur
Saliency-HOG dan momen Warna digunakan dalam penelitian ini untuk mengekstrak fitur bentuk
dan warna pada citra buah dan sayuran. Pada penelitian ini digunakan metode Support Vector
Machine (SVM) untuk mengklasifikasikan jenis buah dan sayuran. Dataset yang digunakan dalam
penelitian ini adalah dataset publik yang terdiri dari 114 gambar buah dan sayuran. Setiap jenis
buah dan sayur berisi 100 citra yang terdiri dari 70 citra sebagai data latih dan 30 citra sebagai data
uji. Ada 4 fitur saliency yang digunakan dalam tahap pengujian, yaitu Region Contrast (RC),
Frequency-tuned (FT), Histogram Contrast (HC), dan Spectral Residual (SR). Berdasarkan hasil
pengujian, fitur Saliency-HOG dan Color Moments mampu memberikan hasil yang baik dengan
presisi, recall, dan akurasi terbaik masing-masing sebesar 98,57%, 98,55%, dan 99,120%.[4]
Support Vector Machine(SVM) termasuk algoritma supervised untuk melakukan
klasifikasi yang berkerja dengan cara mencari hyperplane dengan marginyang terbesar. SVM
harus dilatih terlebih dahulu mana yang termasuk kelas A dan mana yang termasuk kelas
B. Awalnya Support Vector Machine(SVM) digunakan untuk klasifikasi data ke dalam dua kelas.
Pada perkembangannya,Support Vector Machine(SVM) dapat diperluas untuk klasifikasi multi
kelas dengan sejumlah skema. Binary ClassSVM digunakan untuk menyelesaikan masalah
klasifikasi untuk dua kelas, untuk model klasifikasi lebih dari dua kelas dapat menggunakan
Multi ClassSVM. Terdapat tiga hal yang harus ditentukan pertama kali, pertama support
vectors, kedua hyperplane, dan yang terakhir marginter. Penelitian yang menggunakan SVM
untuk melakukan klasifikasi sel darah putih dilakukan oleh Bhima Caraka dkk mendapatkan
rata-rata akurasi sebesar 82,20%. [5]
Selanjutnya penelitian yang dilakukan oleh William Fanz Lamberti yang membandingkan
SVM dengan menggunakan pendekatan CNN untuk klasifikasi sel darah putih dan sel darah
merah mendapatkan bahwapendekatan dengan SVM mampu mengungguli semua pendekatan lain
–Ery.,et., al [Penggunaan Klasifikasi Sayur Segar Dan Sayur Busuk Menggunakan Algoritma Support Vector Machine] ]]page
Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 7, No. 3,
Desember 2020, Hal. 678-687 E- ISSN 2503-2933
ISSN: 1978-1520◼

yang digunakan pada penelitian ini.Metode Support Vector Machine merupakan metode klasifikasi
yang dilakukan dengan mengembangkan metode Decission Tree berdasarkan pemilihan atribut
acak pada setiap node untuk menentukan klasifikasi pada proses klasifikasinya didasarkan pada
suara terbanyak dari pohon keputusan yang dikembalikan. Support Vector Machine dapat dibangun
dengan menggunakan bagging dengan pemilihan atribut acak. Metode CART (Classification An
Regression Tree) digunakan untuk menumbuhkan pohon keputusan. Pohon keputusan tersebut
tumbuh hingga ukuran maksimum dan tidak akan di pangkas sehingga dihasilkan kumpulan pohon
yang kemudian disebut hutan
Hue, Saturation dan Value (HSV) dikembangkan untuk aplikasi komputer grafik dan
digunakan sebagai tools untuk memodifikasi warna citra dalam perangkat lunak image editing
(Madenda, 2015). HSV terdiri dari tiga elemen yaitu Hue (H), Saturation (S) dan Value (V). Hue
(H) adalah ukuran dari jenis warna seperti merah, kuning dan seterusnya. Representasinya dalam
bentuk derajat dengan 0 – 360. Saturation (S) adalah keberwarnaan suatu warna. Semakin berwarna
sesayur warna berarti semakin besar nilai saturasinya, dan Value (V) adalah nilai kecerahan sesayur
warna. Warna cerah memiliki nilai value tinggi dan sebaliknya untuk warna yang gelap [6]
Tanaman Pakcoy merupakan tanaman jenis tanaman sayur yang tergolong dalam keluarga
sawi. Tanaman Pakcoy dapat dibudidayakan dengan teknik hidroponik, yaitu teknik budidaya
tanaman tanpa media tanah. Keunggulan budidaya tanaman Pakcoy menggunakan teknik
hidroponik adalah tidak memerlukan lahan yang luas sehingga, mudah diterapkan di halaman
rumah. Namun budidaya dengan teknik hidroponik memiliki kekurangan diantaranya petani perlu
melakukan pengamatan secara rutin untuk menentukan kesiapan panen setiap tanaman. Hal ini
menimbulkan kurangnya efektifitas petani dalam membudidayakan tanaman Pakcoy. Adanya
perkembangan teknologi Machine Learning, sebuah show dapat mengklasifikasi kematangan
tanaman Pakcoy berdasarkan information citra advanced. Dengan menerapkan Algoritma Back
Vector Machine (SVM), model Machine Learning dapat belajar mengklasifikasi sebuah citra
advanced tanaman Pakcoy dengan kategori “Kecil” untuk mewakili tanaman Pakcoy belum matang
dan “Besar” untuk mewakili tanaman Pakcoy. Metode Nearby Twofold Design (LBP) digunakan
dalam proses ekstraksi ciri untuk menghasilkan vektor ciri yang dijadikan information input pada
proses klasifikasi citra dengan menggunakan metode Learning Vector Quantization (LVQ).
Proses Fitur Ekstraksi Local Binary Pattern untuk mengidentifikasi kematangan tomat sayur
menggunakan metode K-Nearest Neighbor yang dilakukan pertama kali yaitu mengkonversi Citra
RGB ke Grayscale dan Grayscale ke Histogram Equalization. Kedua, melakukan pemisahan objek
gambar dengan background gambar dan menggunakan segmentasi otsu.[7]. Parameter yang
digunakan pada metode LBP meliputi numpoint dan span dengan nilai 1 sampai 10. Hasil penelitian
dari metode ini didapatkan akurasi tertinggi 68,33% pada numpoint 2 dan span 1. Hasil pengujian
yang cukup rendah dapat dipengaruhi oleh beberapa faktor yaitu jumlah citra latih dan terdapat
beberapa citra kayu.[8]. Konsep SVM dapat dijelaskan secara sederhana sebagai usaha
mencari hyperplaneterbaik yang berfungsi sebagai pemisah dua buah kelas pada inputspace .
Patternyang merupakan anggota dari dua buah kelas: +1 dan -1 dan berbagi alternatif garis
pemisah (discrimination boundaries)[9]
Fitur Hue Saturation Value (HSV) dan Local Binary Patern (LBP) digunakan pada
penelitian ini sebagai ekstraksi fitur warna dan bentuk pada buah yang kemudian akan dijadikan
ciri dari warna dan bentuk buah apel yang akan diteliti. Metode K-Nearest Neighbor (K-NN) adalah
salah satu metode penelitian pada kecerdasan buatan yang digunakan dalam penelitian ini untuk
mengklasifikasikan nilai-nilai yang didapat dari hasil ekstraksi fitur HSV dan LBP. Data yang
digunakan pada penelittian ini adalah 800 citra, yang terdiri dari 600 citra latih dan 200 citra uji.
Hasil evaluasi yang didapat dari metode K-Nearest Neighbor ini untuk Secara keseluruhan dapat
dilihat bahwa rata-rata nilai Precision yang di dapat sebesar 94%, Recall sebesar 100%, dan
Accuracy sebesar 94 %[10].
Local Binary Patterns (LBP) adalah salah satu algoritma yang digunakan untuk
melakukan ekstraksi fitur tekstur gambar yang menggunakan statistika dan struktur. Metode LBP
–Ery.,et., al [Penggunaan Klasifikasi Sayur Segar Dan Sayur Busuk Menggunakan Algoritma Support Vector Machine] ]]Title of
manuscript is short and clear, implies research results (First Author)
4Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 7, No. 3,
Desember 2020, Hal. 678-687 E- ISSN 2503-2933

pertama kali diperkenalkan oleh Timo Ojala. Operator LBP menggunakan perbandingan nilai
keabuan dari piksel-piksel ketetanggaan. Local Binary Patterns adalah metode ekstraksi fitur
tekstur yang bersifat rotation invariant. Nilai LBP sendiri didaparkan dari proses thresholding
kemudian nilai tersebut dikalikan dengan bobor biner. Sedangkan Back Vector Machine (SVM).
Dalam penelitan ini perbandingan antara kedua metode tersebut dibandingkan dengan hasil field
dari alat pengukur tingkat kemanisan yaitu refractometer sebanyak 24 objek pengujian dengan
akurasi sebesar 83,3%. [11]. Hasil penelitian menyatakan bahwa Algoritma Support Vector
Machine(SVM) dengan kernel linearmemiliki hasil prediksi yang bagus[12]

2. METODE PENELITIAN

Pada tahapan ini dijelaskan Langkah – Langkah dalam proses penelitiannya di gambar 2.1 berikut
ini :

Indentifikasi Pengumpulan
Perancangan Implementasi Evaluasi
Masalah dataset

Gambar 2.1 Kerangka Kerja Penelitian

1. Identifikasi Masalah
Tahap ini dimulai dengan mencari informasi dari jurnal, buku, artikel dan teori yang terkait
dengan klasifikasi sayur segar dan busuk. Kemudian mengumpulkan literatur sebagai referensi
relevan, guna memberikan kontribusi penelitian yang baru

2. Pengumpulan Data
Pada tahap ini, dataset yang dikumpulkan berupa objek gambar sayur menggunakan public
dataset yang terdapat pada website kaggle (https://www.kaggle.com/sriramr/fruits-fresh-and-
rotten-for-classification)[13]. Dari dataset yang tersedia terdapat sample kelas citra. Dataset
berjumlah 13.599 gambar yang terbagi menjadi 10.901 data train dan 2.696 data test yang memiliki
dimensi gambar yang beragam..
Tabel 2. 1 Dataset Sayur Segar dan Sayur Busuk

NO Jenis Kelas Citra Data Latih Data Uji

Sayur

–Ery.,et., al [Penggunaan Klasifikasi Sayur Segar Dan Sayur Busuk Menggunakan Algoritma Support Vector Machine] ]]page
Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 7, No. 3,
Desember 2020, Hal. 678-687 E- ISSN 2503-2933
ISSN: 1978-1520◼

1 Paprika Segar 770 220

Busuk 681 220

2 Tomat Segar 761 220

Busuk 762 220

Segar 242 85
3 Pare

–Ery.,et., al [Penggunaan Klasifikasi Sayur Segar Dan Sayur Busuk Menggunakan Algoritma Support Vector Machine] ]]Title of
manuscript is short and clear, implies research results (First Author)
6Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 7, No. 3,
Desember 2020, Hal. 678-687 E- ISSN 2503-2933

Busuk 267 90

Sumber : https://www.kaggle.com

3. Perancangan Sistem
Setelah mengumpulkan dataset, maka dilakukan preprocessing. Pre-processing merupakan
serangkaian proses untuk mempersiapkan citra sebelum proses segmentasi. Proses ini meliputi
proses cropping pada citra. Setelah semua citra memiliki dimensi yang sama, maka langkah
selanjutnya adalah melakukan proses ekstraksi fitur dengan pengambilan ciri dari citra sayur
sayuranyang menggambarkan karakteristik sayur segar dan busuk. Fitur yang di ambil dari citra
sayur yang telah tersegmentasi adalah fitur tekstur dan fitur warna. Pada proses pelatihan (training),
citra sayur sayuran akan dilakukan tahap ekstraksi fitur tekstur LBP dan HSV. Hasil dari citra akan
digunakan untuk proses traning yang menggunakan algortima Support Vector Machine. Setelah
proses training selesai, maka akan didapatkan data model yang akan digunakan untuk pengujian
data. Pada proses pengujian (testing), citra sayur sayuranakan dilakukan tahap ekstraksi fitur tekstur
LBP dan HSV. Hasil dari citra akan digunakan untuk proses pengujian. Setelah pengujian selesai,
maka akan didapatkan data yang mendekati atau sama dengan model yang sudah dibuat. Skema
perancangan yang sudah dijelaskan dapat dilihat pada Gambar 2.2 Perancangan sistem.

Gambar 2.2 Perancangan Sistem Kerja Penelitian

4. Implementasi

–Ery.,et., al [Penggunaan Klasifikasi Sayur Segar Dan Sayur Busuk Menggunakan Algoritma Support Vector Machine] ]]page
Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 7, No. 3,
Desember 2020, Hal. 678-687 E- ISSN 2503-2933
ISSN: 1978-1520◼

Tahap ini mengimplementasikan perancangan sistem yang sudah dibuat menggunakan

bahasa pemrograman Python.

1 .Resize Citra
Pada tahap ini, seluruh dimensi citra RGB pada dataset akan di-resize menjadi ukuran
300 x 300 pixel.

2. Ekstraksi Fitur Tekstur LBP

Pada tahap ini, dilakukan ekstraksi fitur tekstur dari citra RGB yang sudah diresize
menjadi 300 × 300 pixel menjadi citra grayscale. Selanjutnya citra grayscale akan
dikonversi menjadi citra LBP dengan nilai feature vector, dimana parameter yang
digunakan adalah :

SizeImage = 300 × 300

CellSize = 300 × 300
numNeighbors = 8

Nilai feature vector LBP akan dihitung dengan Persamaan (1), (2) dan (3) :

numCells = prod(SizeImage/CellSize) (1)

numBins = numNeighbors × (numNeighbors − 1) + 3 (2)
N = numCells × numBins (3)

Maka,
numCells = prod(300 × 300/300 × 300) = 1
numBins = 8 × (8 − 1) + 3 = 59
N = 1 × 59
Sehingga didapatkan nilai feature vector (N) untuk LBP adalah 1 × 59.

3.Ekstraksi Fitur Warna HSV

Pada tahap ini, dilakukan ekstraksi fitur warna dari citra RGB yang sudah di resize
menjadi 300 × 300 pixel menjadi citra HSV. Untuk feature vector HSV didapatkan dari
nilai statistik yang meliputi mean dari seluruh nilai mean, modus dari seluruh nilai modus
dan standar deviasi dari seluruh dari nilai standar deviasi yang didapatkan dari nilai citra
HSV.

4.Klasifikasi dengan SVM

Hasil dari feature vector LBP dan HSV digabungkan sebagai input klasifikasi
menggunakan SVM kernel Gaussian dengan nilai γ = 0,01-0,04 untuk mendapatkan
hasilnya.

5. Pengujian
Setelah tahap implementasi selesai dilakukan, hasil klasifikasi akan dihitung untuk
tingkat keberhasilan dari metode yang sudah ditentukan, dimana akan menghitung nilai
Precision, Recall, Accuracy.
𝑇𝑃
𝑃𝑟𝑒𝑠𝑖𝑠𝑖𝑜𝑛 = 𝑇𝑃+𝐹𝑃 (4)

𝑇𝑃
𝑅𝑒𝑐𝑎𝑙𝑙 = 𝑇𝑃+𝐹𝑁 (5)

–Ery.,et., al [Penggunaan Klasifikasi Sayur Segar Dan Sayur Busuk Menggunakan Algoritma Support Vector Machine] ]]Title of
manuscript is short and clear, implies research results (First Author)
8Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 7, No. 3,
Desember 2020, Hal. 678-687 E- ISSN 2503-2933
𝑇𝑃+𝑇𝑁
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁 (6)

Keterangan :

TP = Jumlah data positif citra jenis daun yang terklasifikasi dengan benar oleh sistem.
TN = Jumlah data negatif citra jenis daun yang terklasifikasi dengan benar oleh sistem.
FN = Jumlah data negatif citra jenis daun namun terklasifikasi salah oleh sistem.
FP = Jumlah data positif citra jenis daun namun terklasifikasi salah oleh sistem.

3. HASIL DAN PEMBAHASAN

3.1 Implementasi Preprocessing

Pada tahap ini, dilakukan proses preprocessing terhadap setiap citra data training dan data
testing. di- resize menjadi ukuran 300 x 300 piksel. Ukuran tersebut dipilih agar citra yang dipakai
lebih fokus.

3.2 Implementasi Ekstraksi LBP & HSV

Pada tahap ini, dilakukan ekstraksi fitur tekstur dari citra RGB yang sudah di-resize menjadi
300 × 300 pixel (a) menjadi citra grayscale (b) yang ditampilkan pada Gambar
Selanjutnya citra grayscale (Gambar 3 (b)) akan dikonversi menjadi citra LBP

Gambar 3 Transformasi Grayscale

Pada tahap ini, dilakukan ekstraksi fitur warna dari citra RGB yang sudah diresize menjadi
300 × 300 pixel (a) menjadi citra HSV (b) yang dapat dilihat pada Gambar 4.

–Ery.,et., al [Penggunaan Klasifikasi Sayur Segar Dan Sayur Busuk Menggunakan Algoritma Support Vector Machine] ]]page
Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 7, No. 3,
Desember 2020, Hal. 678-687 E- ISSN 2503-2933
ISSN: 1978-1520◼

Gambar 4 Transformasi Warna HSV

3.3 Implementasi SVM
Pada tahap ini, nilai feature vector LBP dengan ukuran 1 × 59 digabungkan dengan feature
vector HSV dengan ukuran 1 × 9, maka akan didapatkan nilai feature vector 1 × 68. Selanjutnya
hasil penggabungan nilai feature vector tersebut dilakukan sebagai input klasifikasi menggunakan
dengan SVM kernel Gaussian dengan nilai γ = 0,01-0,04.

3.4 Pengujian
Pada tahap ini, pengujian data uji terhadap data latih dan hasil dari pengujian tersebut akan
ditampilkan dalam bentuk confusion matrix untuk mendapatkan hasil prediksi kelas melalui
klasifikasi Support Vector Machine. pengujian untuk klasifikasi sayur segar dan busuk
menggunakan metode Support Vector Machine dengan nilai n_estimator =500,1000,1500.2000.
Hasil Pengujian Precision, Recall dan Accuracy dapat di lihat pada Tabel berikut :

Tabel 3.2 Hasil Pengujian

Nilai γ Precision Recall Accuracy

0,01 2,07% 100% 50,85%

0,02 11,51% 98,39% 55,49%

0,03 24,90% 91,03% 61,08%

0,04 36,04% 84,89% 65,02%

4. KESIMPULAN

1. Dengan penggunaan fitur ekstraksi tekstur LBP dan fitur ekstraksi warna HSV dapat
diterapkan untuk klasifikasi sayur segar dan busuk.
2. Berdasarkan hasil pengujian mendapatkan nilai Accuracy tertinggi sebesar 65,02% pada nilai
γ =0,04

–Ery.,et., al [Penggunaan Klasifikasi Sayur Segar Dan Sayur Busuk Menggunakan Algoritma Support Vector Machine] ]]Title of
manuscript is short and clear, implies research results (First Author)
10Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 7, No.
3, Desember 2020, Hal. 678-687 E- ISSN 2503-2933

5. SARAN

1. Menerapkan fitur ekstraksi yang berbeda dengan metode klasifikasi yang sama dengan
penelitian terkait.
2. Menerapkan fitur ekstraksi yang sama dengan metode klasifikasi berbeda dari penelitian
terkait.

DAFTAR PUSTAKA

[1] M. N. dan F. Aswatini, “Dalam Konteks Pemenuhan Gizi Seimbang,” vol. Ill, no. 2, pp. 97–
119, 2008.

[2] F. N. Cahya, R. Pebrianto, and T. A. M, “Klasifikasi Buah Segar dan Busuk Menggunakan
Ekstraksi Fitur Hu-Moment , Haralick dan Histogram,” IJCIT (Indonesian J. Comput. Inf.
Technol., vol. 6, no. 1, pp. 57–62, 2021, doi: 10.31294/ijcit.v6i1.10052.

[3] Fibra Nurainy, No Title. 2018. [Online]. Available:

http://repository.lppm.unila.ac.id/9850/1/BUKU AJAR.pdf

[4] Y. Yohannes, M. R. Pribadi, and L. Chandra, “Klasifikasi Jenis Buah dan Sayuran
Menggunakan SVM Dengan Fitur Saliency-HOG dan Color Moments,” Elkha, vol. 12, no.
2, p. 125, 2020, doi: 10.26418/elkha.v12i2.42160.

[5] B. Caraka, B. A. A. Sumbodo, and I. Candradewi, “Klasifikasi Sel Darah Putih

Menggunakan Metode Support Vector Machine (SVM) Berbasis Pengolahan Citra Digital,”
IJEIS (Indonesian J. Electron. Instrum. Syst., vol. 7, no. 1, p. 25, 2017, doi:
10.22146/ijeis.15420.

[6] A. Abdullah and P. Pahrianto, “Sistem Klasifikasi Kematangan Tomat Berdasarkan Warna
Dan Bentuk Menggunakan Metode Support Vector Machine (Svm),” JSI J. Sist. Inf., vol. 9,
no. 2, pp. 1313–1322, 2017, doi: 10.36706/jsi.v9i2.5007.

[7] S. R. Hidiya and M. E. Lasulika, “Fitur Ekstraksi LBP Untuk Mengidentifikasi Kematangan
Tomat Sayur Menggunakan Metode K-Nearest Neighbor,” J. Nas. cosPhi, vol. 3, no. 1, pp.
2597–9329, 2019.

[8] Darussalam and G. Arief, “Jurnal Resti,” Resti, vol. 1, no. 1, pp. 19–25, 2017.

[9] A. R. T. H. Ririd, A. W. Kurniawati, and Y. Yunhasnawa, “Implementasi Metode Support

Vector Machine Untuk Indentifikasi Penyakit Daun Tanaman Kubis,” J. Inform. Polinema,
vol. 4, no. 3, p. 181, 2018, doi: 10.33795/jip.v4i3.204.

[10] N. Wijaya and A. Ridwan, “Klasifikasi Jenis Buah Apel Dengan,” Sisfokom, vol. 08, no. 1,
pp. 74–78, 2019.

[11] M. Ichwan, I. A. Dewi, and Z. M. S, “Klasifikasi Support Vector Machine (SVM) Untuk
Menentukan TingkatKemanisan Mangga Berdasarkan Fitur Warna,” MIND J., vol. 3, no. 2,
pp. 16–23, 2019, doi: 10.26760/mindjournal.v3i2.16-23.

[12] I. A. Ropikoh, R. Abdulhakim, U. Enri, and N. Sulistiyowati, “Penerapan Algoritma

Support Vector Machine (SVM) untuk Klasifikasi Berita Hoax Covid-19,” J. Appl.
Informatics Comput., vol. 5, no. 1, pp. 64–73, 2021, doi: 10.30871/jaic.v5i1.3167.

–Ery.,et., al [Penggunaan Klasifikasi Sayur Segar Dan Sayur Busuk Menggunakan Algoritma Support Vector Machine] ]]page
Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 7, No. 3,
Desember 2020, Hal. 678-687 E- ISSN 2503-2933
ISSN: 1978-1520◼

[13] A. Shrivastava, R. Sohandani, and N. Khatwani, “Fresh and Stale Images of Fruits and
Vegetables,” kaggle, 2021. https://www.kaggle.com/datasets/raghavrpotdar/fresh-and-
stale-images-of-fruits-and-vegetables (accessed Aug. 27, 2022).

–Ery.,et., al [Penggunaan Klasifikasi Sayur Segar Dan Sayur Busuk Menggunakan Algoritma Support Vector Machine] ]]Title of
manuscript is short and clear, implies research results (First Author)