Implementasi ekstraksi fitur convolutional neural network dalam klasifikasi jenis tanaman rimpang berbasis support vector machine

INDONESIA:

Tanaman rimpang memiliki keanekaragaman jenis yang kaya dan manfaat yang besar baik di bidang pangan maupun kesehatan herbal. Namun, kemiripan karakteristik visual antarjenis rimpang sering kali menyulitkan dalam proses identifikasi manual. Penelitian ini bertujuan untuk menganalisis efektivitas serta menentukan konfigurasi paling optimal dari integrasi metode ekstraksi fitur Convolutional Neural Network (CNN) berbasis Support Vector Machine (SVM) dalam mengklasifikasikan lima jenis tanaman rimpang. Dataset yang digunakan bersumber dari Kaggle dengan total 500 citra digital. Hasil penelitian menunjukkan bahwa implementasi ekstraksi fitur CNN berbasis SVM mampu memberikan performa klasifikasi yang sangat baik. Konfigurasi model paling optimal diperoleh pada kombinasi arsitektur CNN dengan tiga lapisan konvolusi dan tiga lapisan pooling sebagai ekstraktor fitur otomatis, serta SVM dengan kernel linear sebagai pengklasifikasi, yang berhasil mencapai nilai akurasi tertinggi sebesar 85%. Capaian ini membuktikan bahwa representasi fitur otomatis secara spasial oleh lapisan konvolusi mampu memberikan hasil yang lebih optimal dibandingkan dengan metode konvensional yang mengandalkan ekstraksi fitur manual pada penelitian terdahulu.

ENGLISH:

Rhizome plants have a rich diversity of types and great benefits in both food and herbal health sectors. However, the similarity of visual characteristics between rhizome types often poses challenges for manual identification. This study aims to analyze the effectiveness and determine the most optimal configuration of the integration of Convolutional Neural Network (CNN) feature extraction methods based on Support Vector Machine (SVM) to categorize five types of rhizome plants. The dataset used was sourced from Kaggle with a total of 500 digital images. The results show that the implementation of SVM-based CNN feature extraction is able to provide excellent classification performance. The most optimal model configuration was obtained in a combination of a CNN architecture with three convolutional layers and three pooling layers as an automatic feature extractor, as well as an SVM with a linear kernel as a classifier, which managed to achieve the highest accuracy value of 85%. This achievement proves that the spatial representation of automated features by the convolutional layer is able to provide more optimal results compared to conventional methods that rely on manual feature extraction in previous studies.

ARABIC:

تتميز النباتات الجذمورية (الـرّيمبانغ) بتنوع أنواعها الغني وفوائدها الكبيرة في مجالي الغذاء والصحة العشبية. ومع ذلك، فإن تشابه الخصائص البصرية بين هذه الأنواع غالباً ما يجعل التعرف اليدوي عليها أمراً صعباً. هدفت هذه الدراسة إلى تحليل فعالية وتحديد التكوين الأمثل لتكامل طريقة استخراج ميزات الشبكة العصبية الالتفافية (CNN) المستندة إلى آلة المتجهات الداعمة (SVM) في تصنيف خمسة أنواع من النباتات الجذمورية. تم الحصول على مجموعة البيانات المستخدمة من موقع Kaggle بإجمالي ٥٠٠ صورة رقمية. وظهرت النتائج أن تطبيق استخراج ميزات CNN المعتمد على SVM قادر على تقديم أداء تصنيف ممتاز. وتم الحصول على التكوين الأمثل للنموذج من خلال دمج بنية CNN المكونة من ٣ طبقات التفافية و ٣ طبقات تجميع كمستخرج تلقائي للميزات، بالإضافة إلى SVM ذي النواة الخطية كمصنِّف، حيث حقق أعلى قيمة دقة بلغت ٨٥٪. ثنت هذا الإنجاز أن التمثيل المكاني للميزات المستخرجة تلقائياً بواسطة الطبقات الالتفافية قادر على تقديم نتائج أكثر مثالية مقارنة بالطرق التقليدية التي تعتمد على استخراج الميزات يدوياً في الدراسات السابقة.