Support Vector Machine (SVM) adalah salah satu algoritma pembelajaran mesin yang digunakan untuk klasifikasi dan regresi data. SVM bekerja dengan membangun hyperplane atau serangkaian hyperplane di ruang dimensi tinggi atau tak terbatas, yang dapat digunakan untuk klasifikasi, regresi, atau tugas lain seperti deteksi outlier. SVM memilih titik-titik ekstrim atau vektor yang membantu dalam membuat hyperplane. Titik-titik ekstrim ini disebut sebagai support vector, dan oleh karena itu algoritma ini disebut sebagai Support Vector Machine. SVM dapat digunakan untuk berbagai tugas seperti klasifikasi teks, klasifikasi gambar, deteksi spam, identifikasi tulisan tangan, analisis ekspresi gen, deteksi wajah, dan deteksi anomali.

SVM bekerja dengan mencari hyperplane optimal di ruang dimensi N yang dapat memisahkan titik data dalam kelas yang berbeda di ruang fitur. Hyperplane mencoba untuk memaksimalkan margin antara titik-titik terdekat dari kelas yang berbeda. Semakin besar margin, semakin rendah kesalahan generalisasi dari klasifikasi. SVM dapat digunakan untuk klasifikasi biner dan multi-kelas. SVM juga dapat digunakan untuk regresi dengan menggunakan metode yang disebut Support Vector Regression (SVR).

SVM memerlukan data yang telah dilabeli untuk dilatih. Setelah memproses banyak contoh pelatihan, SVM dapat melakukan pembelajaran tanpa pengawasan. Algoritma akan mencoba mencapai pemisahan data terbaik dengan batas di sekitar hyperplane yang disebut sebagai margin fungsional. SVM adalah algoritma pembelajaran mesin yang kuat dan efisien dalam berbagai aplikasi karena dapat mengelola data berdimensi tinggi dan hubungan non-linear.

1. Pendahuluan

Pengolahan citra telah menjadi bidang penelitian yang semakin penting, dengan aplikasi yang luas dalam berbagai industri. Salah satu aplikasi yang menarik adalah klasifikasi citra, di mana algoritma machine learning dapat digunakan untuk memisahkan objek atau pola dalam citra ke dalam kategori yang sesuai. Penelitian ini bertujuan untuk menerapkan algoritma Support Vector Machine (SVM) dalam klasifikasi citra bunga. Dua jenis bunga yang diklasifikasikan adalah bunga calendula dan bunga mawar. Metode ekstraksi ciri yang digunakan adalah Gray-Level Co-occurrence Matrix (GLCM).

2. Metodologi

2.1. Pengolahan Citra dan Ekstraksi Ciri

Citra bunga diolah menggunakan metode ekstraksi ciri GLCM. GLCM menggambarkan hubungan antara dua piksel dalam citra, mengukur seberapa sering pasangan intensitas piksel muncul bersama dalam suatu jarak dan arah tertentu. Ciri-ciri seperti kontras, energi, homogenitas, dan korelasi diekstrak dari matriks GLCM untuk mewakili tekstur citra.

2.2. Klasifikasi dengan Algoritma Support Vector Machine (SVM)

Algoritma SVM digunakan untuk mengklasifikasikan citra bunga menjadi dua kategori, yaitu calendula dan mawar. Pada tahap pelatihan, SVM dilatih menggunakan 10 data, dengan masing-masing 5 citra bunga calendula dan 5 citra bunga mawar. SVM mencari hyperplane terbaik yang memisahkan kedua kelas dengan margin maksimal.

3. Hasil dan Analisis

Hasil dari eksperimen ini menunjukkan akurasi pelatihan sebesar 90% dan akurasi pengujian sebesar 83,33%. Meskipun akurasi pelatihan cukup baik, ada sedikit penurunan akurasi saat dilakukan pengujian pada data yang belum pernah dilihat sebelumnya. Hal ini dapat disebabkan oleh kompleksitas varian dalam dataset uji yang tidak terdapat dalam dataset pelatihan.

4. Diskusi

Keberhasilan algoritma SVM dalam klasifikasi citra bunga dengan metode ekstraksi ciri GLCM menunjukkan kemampuan SVM dalam mengatasi tugas klasifikasi pada data kompleks. Namun, penting untuk mempertimbangkan variasi data yang lebih luas dalam menguji kinerja algoritma.

5. Kesimpulan

Penerapan algoritma Support Vector Machine (SVM) dengan ekstraksi ciri GLCM dalam klasifikasi citra bunga calendula dan mawar memberikan hasil yang positif, dengan akurasi pelatihan 90% dan akurasi pengujian 83,33%. Meskipun ada ruang untuk perbaikan, hasil ini menunjukkan potensi metode ini dalam mengklasifikasikan citra bunga.

6. Saran

Penelitian selanjutnya dapat mempertimbangkan penggunaan teknik ekstraksi ciri yang lebih canggih dan penggunaan dataset yang lebih besar untuk meningkatkan akurasi klasifikasi. Selain itu, eksplorasi teknik machine learning lainnya juga dapat membantu membandingkan kinerja SVM dalam konteks klasifikasi citra.

Tutorial lengkap penerapan pengolahan citra untuk Klasifikasi Bunga Menggunakan Algoritma Support Vector Machine (SVM) dapat dilihat pada video eksklusif berikut ini: