Fourier Descriptor Pada Klasifikasi Daun Herbal Menggunakan Support Vector Machine Dan Naive Bayes

Abstract

Daun herbal bermanfaat sebagai obat alternatif karena kandungan alaminya dapat menyembuhkan berbagai penyakit dan menjaga kesehatan tubuh. Klasifikasi citra daun herbal digunakan untuk membedakan jenis tanaman herbal berdasarkan bentuk daun. Penelitian ini Penelitian menggunakan Fourier Descriptor (FD) untuk mengekstraksi fitur pada daun herbal dan mengklasifikasikannya menggunakan metode Support Vector Machine (SVM) dan Naive Bayes (NB). SVM diimplementasikan dengan empat kernel yaitu Linear, polynomial, Radial Basis Function (RBF), dan sigmoid sementara Naive bayes diaplikasikan dengan tiga jenis kernel yaitu Gaussian, Multinomial, Bernoulli. Evaluasi kinerja menggunakan Precision, accuracy F1-Score dan Recall. Citra daun herbal terdiri dari daun katuk (Sauropus Androgynus) dan daun kelor (Moringa) dengan total 480 citra. Data tersebut dibagi menjadi 80% untuk training dan 20% untuk testing. Terdapat dua skenario pencahayaan yaitu kondisi gelap dan terang. Hasil penelitian menunjukkan bahwa perbandingan metode SVM dengan ekstraksi FD dimana kernel Linear mencapai akurasi sebesar 98% pada skenario gelap, sementara kernel Sigmoid memberikan akurasi terendah sebesar 44% pada scenario gelap maupun terang. Adapun hasil dari metode Naive bayes dengan ekstraksi FD pada kernel multinomial menghasilkan akurasi tertinggi sebesar 83% pada terang, sedangkan kernel Bernoulli memberikan akurasi terendah sebesar 46% pada skenario gelap dan terang. Berdasarkan perbandingan hasil klasifikasi dari kedua metode, disarankan bahwa metode SVM pada ekstraksi FD lebih direkomendasikan dalam proses klasifikasi daun herbal. Penelitian ini dapat memberikan rekomendasu pengembang sistem untuk menetapkan metode yang tepat dalam klasifikasi citra daun herbal. Abstract Herbal leaves are beneficial as alternative medicine because their natural content can cure various diseases and maintain a healthy body. The classification of herbal leaf images is used to differentiate types of herbal plants based on leaf shapes. This study utilizes Fourier Descriptor (FD) to extract features from herbal leaves and classify them using the Support Vector Machine (SVM) and Naive Bayes (NB) methods. SVM is implemented with four kernels namely linear, polynomial, Radial Basis Function (RBF), and Sigmoid while Naive bayes is applied with three types of kernels namely Gaussian, multinomial, Bernoulli. Performance evaluation includes precision, accuracy, F1- score and recall. Herbal leaf images consist of leaves (Sauropus Androgynus) and moringa leaves with a total of 480 images. The data is divided into 80% for training and 20 % for testing. There are two lighting scenarios, namely dark and light conditions. The result of this study shows a comparison of the SVM method with FD extraction where the Linear kernel achieves the highest accuracy of 98% in dark scenarios, while the Sigmoid kernel provides the lowest accuracy of 44% in both dark and light scenarios. The result of the naïve bayes method with FD extraction on the Multinomial kernel yield the highest accuracy of 83% in light scenarios while the Bernoulli kernel provides the lowest accuracy 46% in both dark and light scenarios. Based on the comparison of the classification result of the two methods, it is suggested that the SVM method for FD extraction is more recommended in the herbal leaf classification process. This research can provide recommendation for system developers to determine the appropriate method for classifying herbal leaf images.