Klasifikasi tanaman herbal berdasarkan citra daun menggunakan metode Multiclass Support Vector Machine

INDONESIA

Tanaman herbal masih banyak digunakan oleh masyarakat Indonesia, sehingga proses identifikasi jenis tanaman perlu dilakukan secara tepat. Kesalahan identifikasi dapat terjadi karena beberapa daun memiliki kemiripan warna, tekstur, dan bentuk. Penelitian ini bertujuan menerapkan metode Multiclass Support Vector Machine kernel Radial Basis Function untuk mengklasifikasikan tanaman herbal berdasarkan citra daun. Data penelitian terdiri atas 400 citra daun dari empat kelas, yaitu daun jambu biji, daun kunyit, daun pepaya, dan daun sirih. Tahap penelitian meliputi pengumpulan data, resize citra menjadi 224 x 224 piksel, segmentasi daun berbasis HSV, ekstraksi fitur warna HSV, fitur tekstur GLCM, fitur bentuk berbasis kontur dan Hu Moment, pembagian data training dan testing dengan rasio 80:20, pelatihan model menggunakan StandardScaler dan GridSearchCV, evaluasi model, serta pengujian manual citra daun. Sistem juga dilengkapi mekanisme penolakan citra luar kelas menggunakan kombinasi probabilitas SVM, jarak fitur terhadap centroid, dan nilai kemiripan. Hasil penelitian menunjukkan parameter terbaik C = 10 dan gamma = 0,1. Model memperoleh akurasi validasi sebesar 98,75% dan akurasi data testing sebesar 96,25%. Pada pengujian manual, sistem berhasil mendeteksi 4 dari 4 citra target dan menolak 17 dari 20 citra luar kelas. Keberhasilan uji manual mencapai 87,50%, sedangkan kemampuan penolakan citra luar kelas mencapai 85,00%. Hasil tersebut menunjukkan bahwa kombinasi fitur warna, tekstur, bentuk, dan Multiclass SVM kernel RBF dapat digunakan untuk klasifikasi daun herbal dengan kinerja yang baik.

ENGLISH

Herbal plants are still widely used by Indonesian people; therefore, accurate plant identification is necessary because identification errors may occur due to similarities in leaf color, texture, and shape. This study aims to apply the Multiclass Support Vector Machine method with the Radial Basis Function kernel to classify herbal plants based on leaf images. The dataset consisted of 400 leaf images from four classes, namely guava leaves, turmeric leaves, papaya leaves, and betel leaves. The research stages included data collection, image resizing to 224 × 224 pixels, HSV-based leaf segmentation, HSV color feature extraction, GLCM texture feature extraction, contour-based shape feature extraction, and Hu Moment feature extraction, followed by data splitting into training and testing sets with an 80:20 ratio, model training using StandardScaler and GridSearchCV, model evaluation, and manual image testing. The system also incorporated an out-of-class image rejection mechanism using a combination of SVM probability, feature distance to centroid, and similarity score. The results showed that the best parameters were C = 10 and gamma = 0.1, with the model achieving a validation accuracy of 98.75% and a testing accuracy of 96.25%. In manual testing, the system successfully identified 4 out of 4 target images and rejected 17 out of 20 out-of-class images, resulting in a success rate of 87.50%, while the out-of-class rejection performance reached 85.00%. These findings indicate that the combination of color, texture, and shape features with a Multiclass Support Vector Machine using the RBF kernel can effectively be used for herbal leaf classification with high performance.

ARABIC

لا تزال النباتات العشبية تُستخدم بكثرة من قبل المجتمع الإندونيسي، لذلك يجب أن تتم عملية تحديد نوع النبات بدقة، وقد تحدث أخطاء في التعرف بسبب تشابه بعض الأوراق في اللون والملمس والشكل، وتهدف هذه الدراسة إلى تطبيق طريقة آلة متجه الدعم متعددة الفئات باستخدام نواة دالة الأساس الشعاعي لتصنيف النباتات العشبية بناءً على صور الأوراق، وتتكون بيانات الدراسة من 400 صورة لأوراق من أربع فئات، وهي أوراق الجوافة وأوراق الكركم وأوراق البابايا وأوراق التنبول، وتشمل مراحل البحث جمع البيانات، وتغيير حجم الصورة إلى 224 × 224 بكسل، وتقسيم الورقة اعتمادًا على HSV، واستخراج خصائص اللون باستخدام HSV، وخصائص النسيج باستخدام GLCM، وخصائص الشكل المعتمدة على المحيط وHu Moment، ثم تقسيم البيانات إلى بيانات تدريب واختبار بنسبة 80:20، وتدريب النموذج باستخدام StandardScaler وGridSearchCV، وتقييم النموذج، بالإضافة إلى الاختبار اليدوي لصور الأوراق، كما زُوّد النظام بآلية لرفض الصور الخارجة عن الفئات باستخدام مزيج من احتمالية SVM ومسافة الخصائص إلى المركز وقيمة التشابه، وقد أظهرت نتائج الدراسة أن أفضل المعلمات هي C = 10 وgamma = 0.1، وحقق النموذج دقة تحقق بلغت 98.75% ودقة اختبار بلغت 96.25%، وفي الاختبار اليدوي نجح النظام في اكتشاف 4 من أصل 4 صور مستهدفة ورفض 17 من أصل 20 صورة خارجة عن الفئات، وبلغت نسبة نجاح الاختبار اليدوي 87.50% بينما بلغت قدرة النظام على رفض الصور الخارجة عن الفئات 85.00%، وتشير النتائج إلى أن دمج خصائص اللون والنسيج والشكل مع طريقة آلة متجه الدعم متعددة الفئات بنواة RBF يمكن استخدامه لتصنيف أوراق النباتات العشبية بكفاءة جيدة.