Pengolahan Citra untuk Identifikasi Tanaman Selada Menggunakan Metode Random Forest
DOI:
https://doi.org/10.67712/ilka.v3i3.65Kata Kunci:
Pengolahan Citra, Selada, Random Forest, GLCM, KlasifikasiAbstrak
Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi kualitas daun selada keriting menjadi dua kategori, yaitu layak konsumsi dan tidak layak konsumsi, menggunakan metode Random Forest. Perkembangan teknologi pengolahan citra digital memungkinkan proses identifikasi kualitas tanaman dilakukan secara otomatis dan lebih efisien dibandingkan dengan metode manual.
Dataset yang digunakan berupa citra daun selada yang diolah melalui beberapa tahapan, yaitu preprocessing citra, ekstraksi fitur, dan klasifikasi. Pada tahap ekstraksi fitur, digunakan fitur warna dalam ruang warna HSV serta fitur tekstur menggunakan metode Gray Level Co-occurrence Matrix (GLCM). Fitur-fitur tersebut digunakan sebagai input dalam proses klasifikasi menggunakan algoritma Random Forest.
Hasil pengujian menunjukkan bahwa model yang dibangun mampu memberikan performa yang baik dengan tingkat akurasi sebesar 91%, precision sebesar 91,8%, recall sebesar 90%, dan F1-score sebesar 90,9%. Hal ini menunjukkan bahwa sistem mampu mengklasifikasikan kualitas daun selada dengan cukup akurat.
Dengan demikian, sistem yang dikembangkan dapat membantu dalam proses identifikasi kualitas daun selada secara otomatis dan dapat dijadikan sebagai solusi alternatif dalam mendukung sektor pertanian berbasis teknologi.
Unduhan
Referensi
[1] Leo Breiman, “Random Forests,” Machine Learning, vol. 45, no. 1, pp. 5–32, 2001.
[2] Robert M. Haralick, K. Shanmugam, and I. Dinstein, “Textural Features for Image Classification,” IEEE Transactions on Systems, Man, and Cybernetics, vol. 3, no. 6, pp. 610–621, 1973.
[3] Rafael C. Gonzalez and Richard E. Woods, Digital Image Processing, 3rd ed., Pearson, 2008.
[4] Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006.
[5] Tom M. Mitchell, Machine Learning, McGraw-Hill, 1997.
[6] Scikit-learn Documentation, “Machine Learning in Python,” 2024.
[7] OpenCV Documentation, “Open Source Computer Vision Library,” 2024.
[8] Scikit-image Documentation, “Image Processing in Python,” 2024.
[9] Flask Documentation, “Flask Web Framework,” 2024.
[10] J. R. Quinlan, “Induction of Decision Trees,” Machine Learning, 1986.
[11] Trevor Hastie, Robert Tibshirani, and Jerome Friedman, The Elements of Statistical Learning, Springer, 2009.
[12] Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016.
[13] Anil K. Jain, “Fundamentals of Digital Image Processing,” Prentice Hall, 1989.
[14] David G. Lowe, “Distinctive Image Features from Scale-Invariant Keypoints,” IJCV, 2004.
[15] Richard O. Duda, Peter E. Hart, and David G. Stork, Pattern Classification, Wiley, 2001.
[16] S. Haykin, Neural Networks and Learning Machines, Pearson, 2009.
[17] R. Tyasnurita and A. Y. M. Pamungkas, “Deteksi Diabetik N. Otsu, “A Threshold Selection Method from Gray-Level Histograms,” IEEE Transactions on Systems, Man, and Cybernetics, 1979.
[18] Mark Nixon and Alberto Aguado, Feature Extraction and Image Processing, Academic Press, 2012.
[19] IEEE, “IEEE Xplore Digital Library,” 2024.
[20] Springer, “SpringerLink Digital Library,” 2024.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Jurnal Ilmu Komputer Aceh
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Jurnal ini adalah jurnal akses terbuka yang menyediakan akses langsung secara nasional, bebas hambatan ke teks lengkap dari semua artikel yang diterbitkan tanpa biaya pembaca atau institusi mereka untuk mengaksesnya. Pembaca berhak membaca, mengunduh, menyalin, mendistribusikan, mencetak, mencari, atau menautkan teks lengkap semua artikel di Jurnal ILKA. Jurnal ini memberikan akses terbuka langsung ke kontennya dengan prinsip bahwa membuat penelitian tersedia secara bebas untuk publik mendukung pertukaran pengetahuan global yang lebih besar.
