Perbandingan Algoritma Supervised Learning Terhadap Klasifikasi Citra Bunga Untuk Mengukur Akurasi Masing-Masing Algoritma
Keywords:
Klasifikasi, Pengolahan Citra, Algoritma Supervised Learning, Random Forest (RF), Logistic Regression (RF)Abstract
Klasifikasi citra adalah tugas penting dalam pengolahan citra yang digunakan untuk mengidentifikasi objek atau pola dalam citra. Salah satu contoh pentingnya adalah pengenalan bunga, yang bermanfaat dalam pemeliharaan taman, penelitian ekologi, dan pengawetan spesies. Namun, klasifikasi bunga secara manual rumit dan memakan waktu jika jumlah bunga yang harus diidentifikasi banyak. Untuk mengatasi tantangan tersebut, algoritma supervised learning populer dalam klasifikasi citra digunakan. Penelitian ini bertujuan membandingkan beberapa algoritma tersebut, dengan fokus pada klasifikasi citra bunga, untuk mengukur akurasi dan menentukan algoritma terbaik. Hasilnya menunjukkan bahwa algoritma Random Forest (RF) dan Logistic Regression (LR) memiliki performa terbaik, dengan akurasi RF sebesar 64.40% dan LR sebesar 62.07%. Namun, perlu dicatat bahwa hasil tersebut dapat dipengaruhi oleh faktor lain seperti kualitas dataset, metode ekstraksi fitur, dan parameter pelatihan model. Kemungkinan ada fitur lain yang lebih efektif dalam membedakan kelas bunga, yang jika digunakan dapat meningkatkan akurasi model. Oleh karena itu, perlu penyesuaian lebih lanjut untuk meningkatkan kinerja model klasifikasi.
References
Nuraini, Rini, dkk., 2023. Building of Informatics, Technology and Science (BITS). Klasifikasi Jenis Tanaman Fast Growing Species Menggunakan Algoritma Radial Basis Function Berdasarkan Citra Daun, 4 (4), pp. 2005-2014.
Samsu, LM, dkk., 2020. Infotek : Jurnal Informatika dan Teknologi. Komparasi Algoritma Denoising Dan Binarization Dengan Adaptive Thresholding Dan Morfologi Untuk Menigkatkan Kualitas Keterbacaan Citra Naskah Lontar (Takepan) Sasak, 3 (2), pp. 121-127.
Ramadona, Suci, dkk., 2021. JITEL (Jurnal Ilmiah Telekomunikasi, Elektronika, dan Listrik Tenaga). Indoor location tracking pegawai berbasis Android menggunakan algoritma k-nearest neighbor, 1 (1), pp.51-58.
Phiophuead, T., Kunsuwan, N., 2019. ENGINEERING JOURNAL. Logistic Regression Analysis of Factors Affecting Travel Mode Choice for Disaster Evacuation, 23 (6), pp.400-417.
Esananda, S.C, dkk., 2021. Jurnal Informatika dan Sistem Informasi (JIFoSI). Penerapan Algoritma Decision Tree Dalam Menentukan Prestasi Akademik Siswa, 2 (2), pp.413-424.
Agustiani, Sarifah, dkk., 2022. Jurnal Komputasi. Klasifikasi Penyakit Daun Padi menggunakan Random Forest dan Color Histogram, 10 (1), pp.65-74.
Al-Khowarizmi, 2020. JITE (Journal of Informatics and Telecommunication Engineering). Model Classification of Nominal Value and The Original of IDRMoney By Applying Evolutionary Neural Network, 3 (2), pp.259-265.
Nalatissifa, Hiya, dkk., 2020. Jurnal Informatika Universitas Pamulang. Perbandingan Kinerja Algoritma Klasifikasi Naive Bayes, Support Vector Machine (SVM), dan Random Forest untuk Prediksi Ketidakhadiran di Tempat Kerja, 5 (4), pp.578-584.
Ridwan, A., 2020. Jurnal Sistem Komputer dan Kecerdasan Buatan. Penerapan Algoritma Naïve Bayes Untuk KlasifikasiPenyakit Diabetes Mellitus, 4 (1), pp.15-21.
Maghfiroh, Alfiah, dkk., 2023. Building of Informatics, Technology and Science (BITS). Klasifikasi Penipuan pada Rekening Bank menggunakan Pendekatan Ensemble Learning, 4 (4), pp. 1883-1891.
