Jurnal Teknik Informatika Kaputama (JTIK) Vol.6, No.

2, Juli 2022 P-ISSN: 2548-9704

E-ISSN: 2686-0880

KOMPARASI KLASIFIKASI JENIS TANAMAN RIMPANG

MENGGUNAKAN PRINCIPAL COMPONENT ANALIYSIS, SUPPORT
VECTOR MACHINE, K-NEAREST NEIGHBOR DAN DECISION TREE

Mainia Mayasari1), Dadang Iskandar Mulyana2) , Mesra Betty Yel 3)

123 Sekolah
Tinggi Ilmu Komputer Cipta Karya Informatika
Jl. Raden Inten II No., Duren Sawit, Kota Jakarta Timur, Indonesia
E-mail :mainiamayasari02@gmail.com 1, mahvin2012@gmail.com 2, bettymesra86@gmail.com
3

ABSTRAC
The use of this rhizome plant is another alternative for many people in looking for herbal
medicines during the Covid-19 pandemic. Some people who are used to interacting with the
rhizome will find it easy to distinguish the rhizome. However, ordinary people are often mistaken
when distinguishing these rhizomes because they have a definite shape. The research
methodology used in this study uses Principal Component Analysis (PCA), Support Vector
Machine (SVM), K-Nearest Neighbor (KNN), and Decision Tree which aims to classify images of
rhizomes or rhizomes, namely ginger, kencur, Kunci, turmeric. , and Laos. The results of multi-
class testing using the Support Vector Machine (SVM), K-Nearest Neighbor (KNN), and
Decision Tree methods. It can be seen that the accuracy of the multi-class classification obtained
is 98.2% on SVM (Linear SVM), 90.02% on KNN and 87.3% on Decision Tree. The Support
Vector Machine (SVM) method is the best method for classifying rhizome types because it has a
better accuracy rate than the other 2 methods used, namely K-Nearest Neighbor (K-NN) and
Decision Tree.

Keywords: Support Vector Machine (SVM), K-Nearest Neighbor (KNN), Decision Tree

ABSTRAK
Pemanfaatan tanaman rimpang ini merupakan alternatif lain bagi banyak orang dalam mencari
obat berbahan herbal saat pandemi Covid-19. Beberapa masyarakat yang terbiasa berinteraksi
dengan rimpang akan mudah dalam membedakan rimpang tersebut. Akan tetapi, masyarakat
awam sering keliru saat membedakan rimpang tersebut dikarenakan memiliki kemiripan bentuk.
Metodologi penelitian yang digunakan dalam penelitian ini menggunakan Principal Component
Analysis (PCA), Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan Decision
Tree yang bertujuan untuk mengklasifikasikan citra tanaman rimpang atau rhizoma yaitu jahe,
kencur, kunci, kunyit, dan laos. Hasil pengujian multi kelas yang dilakukan dengan
menggunakan metode Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan
644
Jurnal Teknik Informatika Kaputama (JTIK) Vol.6, No. 2, Juli 2022 P-ISSN: 2548-9704
E-ISSN: 2686-0880

Decision Tree. Dapat diketahui hasil akurasi dari klasifikasi multi kelas yang diperoleh adalah
98,2% pada SVM (Linear SVM), 90,02% pada KNN dan 87,3% pada Decision Tree. Metode
Support Vector Machine (SVM) adalah metode terbaik untuk melakukan klasifikasi jenis
tanaman rimpang dikarenakan memiliki tingkat akurasi lebih baik dibanding 2 metode lainnya
yang digunakan yaitu K-Nearest Neighbor (K-NN) dan Decision Tree.

Kata Kunci: Support Vector Machine (SVM), K-Nearest Neighbor (KNN), Decision Tree

1. PENDAHULUAN akan mudah dalam membedakan rimpang

tersebut. Akan tetapi, masyarakat awam
Indonesia merupakan negara yang terdiri sering keliru saat membedakan rimpang
dari banyak kepulauan. Terbentang diantara tersebut dikarenakan memiliki kemiripan
Benua Asia dan Benua Australia. Indonesia bentuk. Oleh karena itu, penggunaan objek
termasuk daerah tropis, terletak di antara rimpang dalam penelitian ini diharapkan
6°LU 11°LS dan 95°BT 141°BT. Sehingga mampu membantu masyarakat Indonesia
Indonesia termasuk negara megabiodiversity yang masih awam dalam mengenal tanaman
[1]. Indonesia memiliki kekayaan rempah rimpang jenis jahe, kencur, kunci, kunyit,
yang melimpah salah satunya yang akan dan laos. Untuk orang umum misalnya
dibahas pada penulisan kali ini yaitu orang yang tinggal di kota ketika melihat
rimpang atau rhizoma yang sering dijadikan rempah jenis kunyit, lengkuas, jahe dan
sebagai obat tradisional oleh masyarakat temulawak sekilas sama. Dan kebanyakan
Indonesia. Rimpang atau rhizoma (bahasa untuk orang awam sering menyebut bahwa
Latin: rhizome) adalah modifikasi batang itu adalah kunyit atau jahe namun yang
tumbuhan yang tumbuh di bawah sebenarnya itu adalah lengkuas [3].
permukaan tanah dan dapat membentuk
tunas dan akar baru dari ruas. Selain Berdasarkan permasalahan diatas
dijadikan obat tradisional, rimpang atau sehingga muncul ide untuk melakukan
rhizoma ini juga bisa digunakan sebagai penelitian mengenai klasifikasi citra 5
bumbu dapur untuk memasak. Pada tanaman rhizoma atau rimpang yaitu jahe,
penelitian kali ini jenis rimpang yang kencur, kunci, kunyit, dan laos
dibahas yaitu jahe, kencur, kunci, kunyit, menggunakan algoritma SVM, KNN, dan
dan laos. Decision Tree yang digunakan dalam
penelitian ini guna dapat mengenali serta
Pemanfaatan tanaman rimpang ini mengklasifikasikan beberapa jenis tanaman
merupakan alternatif lain bagi banyak orang rhizoma atau rimpang yang sering
dalam mencari obat berbahan herbal saat digunakan masyarakat Indonesia sebagai
pandemi Covid-19. Pengambilan rimpang bumbu dapur ataupun obat tradisional.
ini dikarenakan bagi beberapa orang masih
sulit membedakan antara jahe dengan 2. LANDASAN TEORI
lengkuas dan temulawak dengan kunyit. 2.1 Rimpang
Dengan permasalahan tersebut maka, perlu
adanya pengenalan untuk masalah tersebut Dalam ilmu tumbuh-tumbuhan,
dengan klasifikasi berdasarkan warna, rimpang atau rizoma (bahasa Latin:
tekstur dan bentuk [2]. Beberapa masyarakat rhizoma) merupakan modifikasi batang
yang terbiasa berinteraksi dengan rimpang tumbuhan yang tumbuhnya menjalar di

645
Jurnal Teknik Informatika Kaputama (JTIK) Vol.6, No. 2, Juli 2022 P-ISSN: 2548-9704
E-ISSN: 2686-0880

bawah permukaan tanah dan dapat dimensi dari gambar analog yang kontinu
menghasilkan tunas dan akar baru dari ruas- menjadi gambar diskrit melalui proses
ruasnya. Suku temu-temuan (Zingiberaceae) sampling. Gambar analog dibagi menjadi N
dan paku-pakuan (Pteridophyta) merupakan baris dan M kolom sehingga menjadi
contoh yang biasa dipakai untuk kelompok gambar diskrit. Piksel merupakan
tumbuhan yang memiliki organ ini. Rizoma Persilangan baris dan kolom [7].
biasanya memiliki fungsi tambahan selain 2.3 Klasifikasi
fungsi pokok seperti batang, yang paling Pengertian klasifikasi merupakan
umum adalah menjadi tempat penyimpanan suatu proses pengelompokan, artinya
produk metabolisme (metabolit) tertentu. mengumpulkan benda/entitas yang sama
Rimpang menyimpan banyak minyak atsiri serta memisahkan benda/entitas yang tidak
dan alkaloid yang berkhasiat untuk sama [8]. Klasifikasi merupakan sebuah
pengobatan. Rizoma yang membesar dan proses pengelompokan data, yaitu parameter
menjadi penyimpanan cadangan makanan hasil dari ekstraksi fitur berdasarkan pada
(biasanya dalam bentuk pati) dinamakan kesamaan ciri yang dimiliki oleh data
tuber (umbi batang). Rimpang atau biasa tersebut [9]. Klasifikasi adalah suatu proses
disebut empon-empon menjadi tanaman mengelompokkan sebuah data dengan data
yang banyak dicari masyarakat sejak lain yang memiliki karakteristik yang sama
pandemi Covid-19. Rimpang ini dipercaya [10]. Klasifikasi dapat dilakukan dengan
berkhasiat meningkatkan daya tahan tubuh, banyak metode, salah satunya yaitu
serta sebagai penangkal virus Covid-19 [4]. menggunakan Deep Learning, Deep
Tanaman rimpang diketahui memiliki Learning merupakan bagian dari Machine
banyak manfaat seperti tanaman jahe Learning yang dapat mempelajari metode
dimana jahe diketahui memiliki kandungan komputasinya sendiri [11].
minyak atsiri sekitar 2,58% - 2,72% dan 2.4 K-Nearest Neighbor (KNN)
jahe juga banyak digunakan pada industri KNN (K-Nearest Neighbor) adalah
obat-obatan di Indonesia. Zat-zat yang metode untuk melakukan klasifikasi
terkandung dalam minyak atsiri tersebut terhadap objek berdasarkan data
memiliki berbagai khasiat diantaranya untuk pembelajaran yang jaraknya paling dekat
mengobati penyakit ringan seperti masuk atau memiliki persamaan ciri paling banyak
angina, sakit kepala, batuk, dan mual-mual. dengan objek tersebut [8]. K-NN merupakan
Kunyit juga diketahui memiliki banyak metode untuk melakukan klasifikasi kepada
manfaat untuk kesehatan, misalnya dalam objek berdasarkan pada jarak yang paling
mengobati demam dimana didalam kunyit dekat dengan objek tersebut [9]. K-Nearest
terdapat minyak atsiri, pati, serat dan abu Neighbor merupakan salah satu metode
[5]. untuk mengambil keputusan menggunakan
2.2 Citra Digital pembelajaran terawasi dimana hasil dari
Citra digital adalah suatu matriks data masukan yang baru diklasifikasi
dimana indeks dari baris dan kolomnya berdasarkan terdekat dalam data nilai. KNN
menyatakan suatu titik pada citra tersebut merupakan algoritma supervised learning
dan elemen matriksnya (yang disebut dimana hasil dari query instance yang baru
sebagai elemen gambar atau piksel) diklasifikan berdasarkan mayoritas dari
menyatakan tingkat keabuan pada titik kategori pada algoritma KNN. Dimana kelas
tersebut [6]. Citra merupakan gambar dua yang paling banyak muncul yang nantinya

646
Jurnal Teknik Informatika Kaputama (JTIK) Vol.6, No. 2, Juli 2022 P-ISSN: 2548-9704
E-ISSN: 2686-0880

akan menjadi kelas hasil dari klasifikasi Metode pohon keputusan mengubah fakta
[12]. yang sangat besar menjadi pohon pohon
2.5 Principal Component Analysis keputusan yang mempresentasikan aturan.
(PCA) Pohon keputusan dapat digunakan untuk
Principal Component Analysis mengeksplorasi data yaitu dengan
(PCA) merupakan algoritma yang mampu menemukan hubungan tersembunyi antara
mengkonversi sekelompok data yang pada jumlah calon variable input dengan sebuah
awalnya saling berkorelasi menjadi data variabel target [15]. Decision tree adalah
yang tidak saling berkorelasi (Principal model prediksi terhadap suatu keputusan
Component). Jumlah Principal Component menggunakan struktur hirarki atau pohon
yang dihasilkan adalah sama dengan jumlah [16]. Setiap pohon memiliki cabang, cabang
data aslinya, tetapi dapat direduksi dengan mewakili suatu atribut yang harus dipenuhi
jumlah yang lebih kecil dan tetap mampu untuk menuju cabang selanjutnya hingga
merepresentasikan data asli dengan baik berakhir di daun (tidak ada cabang lagi).
[13]. Konsep data dalam decision tree adalah data
2.6 Support Vector Machine (SVM) dinyatakan dalam bentuk tabel yang terdiri
Algoritma SVM menyelesaikan dari atribut dan record. Atribut digunakan
masalah pengklasifikasian dengan cara sebagai parameter yang dibuat sebagai
mencoba untuk mencari pemisah hyperplane kriteria dalam pembuatan pohon [17].
yang optimal antar kelas. Hyperplane
bergantung dari kasus pelatihan yang 3. METODOLOGI
meletakkannya pada tepi dari deskriptor Metodologi penelitian yang digunakan
kelas yang disebut support vector [10]. dalam penelitian ini mengunakan Principal
Support Vector Machine (SVM) adalah Component Analysis (PCA), Support Vector
klasifikasi jenis supervised karena ketika Machine (SVM), K-Nearest Neighbor
proses training diperlukan target (KNN), dan Decision Tree. Model pengujian
pembelajaran tertentu. SVM merupakan dengan model Support Vector Machine
algoritma yang bekerja memecahkan (SVM), K-Nearest Neighbor (KNN), dan
masalah klasifikasi dengan mencari Decision Tree yang bertujuan untuk
maximum marginal hyperplane (MMH) [2]. mengklasifikasikan citra tanaman rimpang
SVM adalah algoritma klasifikasi yang atau rhizoma yaitu jahe, kencur, kunci,
termasuk dalam tipe jaringan syaraf tiruan. kunyit, dan laos. Software yang digunakan
Metode ini adalah metode yang dalam analisa data citra tanaman rimpang
menggunakan learning machine di mana adalah software Google Colab. Gambaran
proses kerjanya dengan mencari hyperplane umum yang dilakukan dalam proses
terbaik dengan cara memisahkan dua class penelitian ini dijelaskan pada gambar
pada ruangan input. Sehingga dari latar dibawah ini. Gambaran umum yang
belakang di atas maka penulis membuat dilakukan dalam proses penelitian ini
sistem klasifikasi jenis tanaman umbi dijelaskan pada Gambar 3.1 berikut.
berdasarkan bentuk dan tekstur dengan
metode SVM [14].
2.7 Decision Tree
Decision tree adalah metode pada
teknik klasifikasi dalam data mining.

647
Jurnal Teknik Informatika Kaputama (JTIK) Vol.6, No. 2, Juli 2022 P-ISSN: 2548-9704
E-ISSN: 2686-0880

mengubah citra sesuai kebutuhan sistem

agar informasi yang terkandung di dalamnya
layak untuk diolah pada proses selanjutnya
[18].

Dalam penelitian kali ini proses

preprocessing yang dilakukan adalah
dengan melakukan resize, konversi warna
RGB to BGR dan metode Principal
Component Analysis (PCA). Resize yaitu
mengubah ukuran citra yang digunakan
untuk menyesuaikan citra supaya dapat
dilakukan training atau testing. Kemudian
citra tersebut dikonversi warna dari Red,
Green, Blue (RGB) menjadi Blue, Green,
Red (BGR) agar system mudah mengenali
objek. Metode Principal Component
Analysis (PCA) merupakan teknik yang
Gambar 3.1 Kerangka Uji digunakan untuk mengurangi dimensi
kumpulan data sambil mempertahankan
Dari gambar 1 diatas tahap awal informasi sebanyak mungkin. Data
yang dilakukan adalah dengan memasukkan diproyeksikan ulang dalam ruang dimensi
dataset berupa citra dari tanaman rimpang yang lebih rendah, khususnya kita perlu
dan terbagi menjadi 2 yaitu data train dan menemukan proyeksi yang meminimalkan
data test. Data yang digunakan dalam kesalahan kuadrat dalam merekonstruksi
penelitian ini didapatkan dari berbagai situs data asli. Dalam penelitian ini, digunakan
internet dengan menggunakan metode dua dataset terpisah yang masing-masing
scraping. Data yang didapat dari metode berisi sebanyak 1769 data latih (traiin) dan
scraping sebanyak 1769 data dengan ukuran 191 data uji (test).
berbeda beda. Oleh karena itu, tahapan
preprocessing citra dilakukan untuk 3.1 Dataset
menyiapkan citra yang kemudian diproses Dataset yang digunakan dalam
lebih lanjut, baik untuk kebutuhan ekstraksi penelitian ini adalah citra tanaman rimpang
fitur maupun kebutuhan klasifikasi data. atau rhizoma yang tersebar dari berbagai
Proses tersebut dilakukan menggunakan sumber dalam internet. Sedangkan untuk
beberapa langkah preprocessing data yang sampel dalam penelitian ini hanya
dapat dilakukan dalam klasifikasi mengambil 5 jenis tanaman rimpang yaitu
menggunakan metode Support Vector jahe, kencur, kunci, kunyit, dan laos dengan
Machine (SVM), K-Nearest Neighbor total sampel sebanyak 1769 citra untuk data
(KNN), dan Decision Tree. Preprocessing train dan 191 citra untuk data testing yang
merupakan tahap awal dari proses didapat dari situs
pengenalan wajah dengan mengolah data https://www.kaggle.com/diqitalize/tanaman-
asli sebelum data diproses untuk umbi. Berikut adalah penjelasan dari
pengenalan. Tahapan ini dilakukan dengan variable yang digunakan dalam penelitian
tujuan untuk menyiapkan citra dan kali ini.
648
Jurnal Teknik Informatika Kaputama (JTIK) Vol.6, No. 2, Juli 2022 P-ISSN: 2548-9704
E-ISSN: 2686-0880

Tabel 3.1. Variabel Penelitian algoritma mana yang berkinerja lebih baik
Variabel Train Test Gambar pada dataset ini.
Rancangan pengujian dilakukan
untuk melakukan evaluasi terhadap model
Jahe 349 38 dari klasifikasi dengan metode Support
Vector Machine (SVM), K-Nearest
Neighbor (KNN), dan Decision Tree.
Pengujian ini dilakukan dengan dua tahap
yaitu tahapan training dan tahapan testing.
Kencur 360 40 Tahap training adalah tahap dimana data
latih (train) diuji menggunakan model
Support Vector Machine (SVM), K-Nearest
Neighbor (KNN), dan Decision Tree. Tahap
Testing adalah tahap pengujian data uji (test)
dengan menggunakan model Support Vector
Kunci 351 35 Machine (SVM), K-Nearest Neighbor
(KNN), dan Decision Tree. Pada tahap ini
model diuji dengan gambar yang berbeda
dengan tujuan menguji apakah model sudah
menghasilkan performa dan nilai akurasi
Kunyit 354 40 yang baik dalam mengklasifikasikan sebuah
gambar.

4. HASIL DAN PEMBAHASAN

Dalam penelitian ini kita akan
Laos 355 38 mengklasifikasikan citra tanaman rimpang
dengan membandingkan beberapa algoritma
yang berbeda yaitu Support Vector Machine
(SVM), K-Nearest Neighbor (KNN), dan
Decision Tree. Disini kita akan menerapkan
3.2 Rancangan Pengujian Principal Component Analysis (PCA) yang
Ide kali ini adalah untuk melakukan akan digunakan untuk mengurangi dimensi
klasifikasi jenis tanaman rimpang dengan dari dataset, melihat varian setiap kelas dan
algoritma yang berbeda yaitu Support kemudian akan mencoba menerapkan
Vector Machine (SVM), K-Nearest Neighbor algoritma klasifikasi yang hanya memiliki
(KNN), dan Decision Tree. dua dimensi. Kemudian kita juga akan
Disini kita juga akan menerapkan melakukan pengujian perbandingan antara
Principal Component Analysis (PCA) untuk semua metode yang dibuat untuk
mengurangi dimensi dataset, melihat varians menemukan algoritma mana yang berkinerja
setiap kelas dan kemudian akan mencoba lebih baik pada dataset ini dengan
menerapkan algoritma klasifikasi yang menggunakan Roc AUC. Dalam pelatihan
hanya memiliki dua dimensi. Pada akhirnya model kali ini terdapat data train dan data
kita akan melakukan ujicoba perbandingan test atau validation, dimana data train
antara semua metode untuk menemukan digunakan untuk melakukan training pada
649
Jurnal Teknik Informatika Kaputama (JTIK) Vol.6, No. 2, Juli 2022 P-ISSN: 2548-9704
E-ISSN: 2686-0880

model dan data test digunakan untuk 100%, kemudian nilai keberhasilan kunyit
validasi dari data training. Pelatihan model sebesar 93% dengan nilai kegagalan
dilakukan dengan menggunakan algoritma terhadap jahe dan kencur sebesar 5% dan
Machine Learning yang berjalan pada 3%. Dan nilai keberhasilan terhadap laos
Google Collaboratory. sebesar 89% dengan kegagalan terhadap
jahe dan kunyit sama besar yaitu 5% dengan
total hasil akurasi keseluruhan yang didapat
4.1 Pengujian Model
dari model ini sebesar 91,10%.
Pengujian multi kelas ini dilakukan
dengan 3 model utama yaitu Support Vector
Machine (SVM), K-Nearest Neighbor
(KNN), dan Decision Tree dan ditambahkan
beberapa pengujian yang menggabungkan
model utama dengan Principal Component
Analysis (PCA). Data yang digunakan dalam
pengujian ini sebanyak 1769 citra data
training dan 191 citra data testing. Berikut
merupakan hasil pengujian multi kelas dari
pendekatan-pendekatan model yang dibuat
sebelumnya.
1. Pengujian SVM Gambar 4.1.2 Pengujian Linear SVM+PCA
Gambar 4.2 adalah hasil dari model
Linear PCA yang di tambahkan dengan
metode PCA, dapat dilihat hasil akurasi
penyebaran data dengan mempertimbangkan
PC2 pertama adalah 46,07%.

Gambar 4.1 Pengujian Linear SVM

Dari gambar 4.1 diatas merupakan
pendekatan dengan Linear SVM, dapat
dilihat bahwa confusion matrix menunjukan
nilai keberhasilan pada jahe sebesar 87%
dengan nilai kegagalan terhadap kencur, Gambar 4.1.3 Pengujian Kernel SVM+PCA
kunci dan kunyit masing-masing sebesar Gambar 4.1.3 merupakan percobaan
3%, 3% dan 8%. Nilai keberhasilan terhadap pendekatan terakhir dengan kernel SVM
kencur sebesar 88% dengan nilai kegagalan yang ditambahkan dengan metode PCA,
terhadap jahe, dan kunyit sebesar 3% dan dilihat hasil akurasi penyebaran data yang
10%. Nilai keberhasilan kunci sebesar diperoleh sebesar 32,46% dengan
650
Jurnal Teknik Informatika Kaputama (JTIK) Vol.6, No. 2, Juli 2022 P-ISSN: 2548-9704
E-ISSN: 2686-0880

mempertimbangkan PC2 pertama dan

hasilnya lebih baik dari model pada gambar
4.1.2
2. Pengujian K-Nearest Neighbor

Gambar 4.2.1 Pengujian K-Nearest

Neighbor +PCA
Gambar 4.2.1 adalah pengujian
pendekatan KNN dengan menambahkan
Gambar 4.2 Pengujian Linear K-Nearest metode PCA, dapat dilihat hasil akurasi
Neighbor penyebaran data dengan mempertimbangkan
PC2 pertama adalah 28,80%.
Gambar 4.2 merupakan pengujian
pendekatan kedua setelah SVM,
pendekatan kali ini menggunakan K- 3. Pengujian Decision Tree
Nearest Neighbor dapat diketahui dari
confusion matrix diatas bahwa nilai
keberhasilan model ini terhadap jahe
sebesar 82% dengan nilai kegagalan
terhadap kunyit dan laos sebesar 16% dan
3%. Nilai keberhasilan terhadap kencur
sebesar 75% dengan nilai kegagalan
terhadap jahe dan kunyit sebesar 3% dan
23%. Nilai keberhasilan terhadap kunci
sebesar 91% dengan nilai kegagalan
terhadap kencur dan kunyit sebesar 3%
dan 6%. Nilai keberhasilan terhadap Gambar 4.3 Pengujian Decision Tree
kunyit sebesar 95% dengan nilai
kegagalan terhadap kencur sebesar 5% Gambar 4.3 merupakan pengujian
dan nilai keberhasilan laos sebesar 79% terakhir dari pengujian biner yaitu dengan
dengan nilai kegagalan terhadap jahe, menggunakan model Decision Tree, dapat
kencur, kunci dan kunyit sebesar 3%, 5%, dilihat dari confusion matrix diatas bahwa
3% dan 11% sehingga diperoleh nilai hasil akurasi yang dihasilkan dari model ini
akurasi keseluruhan pada model ini sebesar 79,58% lebih kecil di bandingkan
sebesar 84,29%. model SVM dan KNN dengan nilai
keberhasilan terhadap jahe sebesar 79%
dengan nilai kegagalan terhadap kencur,
kunci dan kunyit sebesar 8%, 8% dan 55.
Nilai keberhasilah terhadap kencur sebesar
651
Jurnal Teknik Informatika Kaputama (JTIK) Vol.6, No. 2, Juli 2022 P-ISSN: 2548-9704
E-ISSN: 2686-0880

80% dengan gegagalan terhadap kunci dan 4. Evaluasi Pengujian Model

kunyit sebesar 7% dan 12%. Nilai
keberhasilan terhadap kunci sebesar 86%
dengan nilai kegagalan yang diperoleh
terhadap kencur dan kunyit sebesar 6% dan
9%. Nilai keberhasilan yang diperoleh
kunyit sebesar 75% dengan kegagalan
terhadap jahe, kencur dan kunci sebesar
15%, 5% dan 55 serta nilai keberhasilan
yang diperoleh terhadap laos sebesar 79%
dengan kegagalan terhadap jahe, kencur,
kunci dan kunyit sebesar 3%, 8%, 5% dan
5%.
Gambar 4.4 ROC Curve
Gambar 4.4 menunjukan grafik ROC Curve,
grafik ini merupakan kemungkinan nilai
akurasi maksimal yang akan diperoleh dari
keseluruhan model klasifikasi yang ita buat
sebelumnya. Dari grafik tersebut dapat
dilihat bahwa kemungkinan nilai akurasi
maksimal yang di peroleh dari model SVM
sebesar 98,2%, pada model K-NN sebesar
90,2% dan pada model Decision Tree
sebesar 87,3%.
Gambar 4.3.1 Pengujian Decision 4.2 Hasil Akhir Pengujian
Tree +PCA
Setelah sebelumnya kita melakukan
Gambar 4.7 adalah percobaan pengujian multi kelas terhadap 5 kelas data
pengujian pendekatan Decision Tree dengan yaitu Jahe, Kencur, Kunci, Kunyit dan Laos
menambahkan metode PCA, dapat dilihat dengan metode Support Vector Machine
hasil akurasi penyebaran data tersebut (SVM), K-Nearest Neighbor (KNN), dan
dengan mempertimbangkan PC2 pertama Decision Tree, maka evaluasi hasil
adalah 30,89%. klasifikasi dengan melihat Roc Curve dari
model tersebut dengan menggunakan data
train sebanyak 1769 citra dan data test
sebanyak 191 citra didapat nilai akurasi
sebagai berikut :
Tabel 4.2 Perbandingan Akurasi Model
Decision
SVM KNN
Tree
98,2% 90,02% 87,3%

652
Jurnal Teknik Informatika Kaputama (JTIK) Vol.6, No. 2, Juli 2022 P-ISSN: 2548-9704
E-ISSN: 2686-0880

5. KESIMPULAN koneksi internet yang cepat dan stabil

Berdasarkan penelitian dan hasil
untuk mempercepat dalam melakukan
implementasi metode Support Vector
Machine (SVM), K-Nearest Neighbor pengujian model klasifikasi.
(KNN), dan Decision Tree dalam
3. Bagi yang menggunakan Jupyter
mengklasifikasikan jenis tanaman rimpang
atau rhizome dengan dataset berupa citra Notebook guna mempercepat dalam
dari tanaman rimpang jenis Jahe, Kencur,
melakukan pengujian model klasifikasi
Kunci, Kunyit dan Laos. Populasi data yang
digunakan sebanyak 1769 citra untuk data bisa digunakan perangkat Graphical
train dan 191 citra untuk data testing. Hasil
Processing Unit (GPU) yang cukup besar.
klasifikasi multi kelas dengan menggunakan
metode Support Vector Machine (SVM) 4. Dapat mengembangkan program menjadi
mendapatkan tingkat akurasi sebesar 98,2%,
lebih attractive, contohnya dengan
untuk metode K-Nearest Neighbor (KNN)
didapatkan akurasi sebesar 90,02%, menggabungkan dengan ilmu computer
sedangkan untuk metode Decision Tree
vision.
didapatkan tingkat akurasi sebesar 87,3%.
Sehingga dapat disimpulkan bahwa metode
Support Vector Machine (SVM) adalah DAFTAR PUSTAKA
metode terbaik untuk melakukan klasifikasi [1] Administrator, “Indonesia, Negara
jenis tanaman rimpang dikarenakan Megabiodiversitas,” indonesia.go.id,
memiliki tingkat akurasi lebih baik 2018.
dibanding 2 metode lainnya yang digunakan https://indonesia.go.id/kategori/seni/2
yaitu K-Nearest Neighbor (K-NN) dan 60/indonesia-negara-
Decision Tree. megabiodiversitas (accessed Mar. 29,
2022).
6. SARAN [2] Arifin, J. Hendryli, and D. E.
Berdasarkan hasil dari penelitian yang Herwindiati, “Klasifikasi Tanaman
Obat Herbal Menggunakan Metode
telah dilakukan, saran untuk pengembangan
Support Vector Machine,” Comput. J.
dan perbaikan dari penelitian kali ini adalah Comput. Sci. Inf. Syst., vol. 5, no. 1,
pp. 25–35, 2021, [Online]. Available:
sebagai berikut:
https://drive.google.com/drive/folders
1. Penelitian ini dapat dikembangkan /17Dk6zNFN7WgpI0WvcUA5MeE4
xXKaZp75?usp=sha.
dengan memperbanyak dataset baik itu
[3] N. P. Batubara, D. Widiyanto, and N.
data latih maupun data uji untuk Chamidah, “Klasifikasi rempah
rimpang berdasarkan ciri warna rgb
mendapatkan hasil klasifikasi yang lebih
dan tekstur glcm menggunakan
akurat. algoritma naive bayes,” Inform. J.
Ilmu Komput., vol. 16, no. 3, p. 156,
2. Bagi yang menggunakan Google
2020, doi: 10.52958/iftk.v16i3.2196.
Colaboratory disarankan menggunakan [4] A. Supriadi, “Rimpang Berkhasiat
Jaga Daya Tahan Tubuh,” Universitas
653
Jurnal Teknik Informatika Kaputama (JTIK) Vol.6, No. 2, Juli 2022 P-ISSN: 2548-9704
E-ISSN: 2686-0880

Tanjung Pura, 2020. 10.26594/r.v3i1.576.

https://untan.ac.id/rimpang- [11] P. A. Nugroho, I. Fenriana, and R.
berkhasiat-jaga-daya-tahan-tubuh/ Arijanto, “Implementasi Deep
(accessed Mar. 29, 2022). Learning Menggunakan
[5] A. Sumiati, D. Budiyono, A. Convolutional Neural Network ( Cnn
Rohman, and R. M. Putri, “Pelatihan ) Pada Ekspresi Manusia,” Algor, vol.
Pemanfaatan Tanaman Rimpang di 2, pp. 12–21, 2020.
Tengah Pandemi Covid-19,” vol. 6, [12] A. J. T, D. Yanosma, and K.
pp. 99–106, 2021. Anggriani, “Implementasi Metode K-
[6] I. Wulandari, H. Yasin, and T. Nearest Neighbor (Knn) Dan Simple
Widiharih, “Klasifikasi Citra Digital Additive Weighting (Saw) Dalam
Bumbu Dan Rempah Dengan Pengambilan Keputusan Seleksi
Algoritma Convolutional Neural Penerimaan Anggota Paskibraka,”
Network (Cnn),” J. Gaussian, vol. 9, Pseudocode, vol. 3, no. 2, pp. 98–112,
no. 3, pp. 273–282, 2020, doi: 2017, doi:
10.14710/j.gauss.v9i3.27416. 10.33369/pseudocode.3.2.98-112.
[7] M. Ichwan, I. A. Dewi, and Z. M. S, [13] D. Novianto and T. Sugihartono,
“Klasifikasi Support Vector Machine “Sistem Deteksi Kualitas Buah Jambu
(SVM) Untuk Menentukan Air Berdasarkan Warna Kulit
TingkatKemanisan Mangga Menggunakan Algoritma Principal
Berdasarkan Fitur Warna,” MIND J., Component Analysis ( Pca ) dan K-
vol. 3, no. 2, pp. 16–23, 2018, doi: Nearest Neigbor ( K-NN ),” vol. 11,
10.26760/mindjournal.v3i2.16-23. no. 2, pp. 42–47, 2020.
[8] D. Syahid, J. Jumadi, and D. [14] A. Hasanah and N. Nafi, “Klasifikasi
Nursantika, “Sistem Klasifikasi Jenis Jenis Umbi Berdasarkan Citra
Tanaman Hias Daun Philodendron Menggunakan Svm Dan Knn,” J.
Menggunakan Metode K-Nearest SPIRIT, vol. 12, no. 1, pp. 48–51,
Neighboor (KNN) Berdasarkan Nilai 2020.
Hue, Saturation, Value (HSV),” J. [15] D. Yunita, “Perbandingan Algoritma
Online Inform., vol. 1, no. 1, p. 20, K-Nearest Neighbor dan Decision
2016, doi: 10.15575/join.v1i1.6. Tree untuk Penentuan Risiko Kredit
[9] R. N. Auliasari, L. Novamizanti, and Kepemilikan Mobil,” J. Inform. Univ.
N. Ibrahim, “Identifikasi Kematangan Pamulang, vol. 2, no. 2, p. 103, 2017,
Daun Teh Berbasis Fitur Warna Hue doi: 10.32493/informatika.v2i2.1512.
Saturation Intensity (HSI) dan Hue [16] J. A. Widians, H. S. Pakpahan, E.
Saturation Value (HSV),” JUITA J. Budiman, H. Haviluddin, and M.
Inform., vol. 8, no. 2, p. 217, 2020, Soleha, “Klasifikasi Jenis Bawang
doi: 10.30595/juita.v8i2.7387. Menggunakan Metode K-Nearest
[10] S. F. Kusuma, R. E. Pawening, and R. Neighbor Berdasarkan Ekstraksi Fitur
Dijaya, “Otomatisasi klasifikasi Bentuk dan Tekstur,” J. Rekayasa
kematangan buah mengkudu Teknol. Inf., vol. 3, no. 2, p. 139,
berdasarkan warna dan tekstur,” 2019, doi: 10.30872/jurti.v3i2.3213.
Regist. J. Ilm. Teknol. Sist. Inf., vol. [17] D. Sartika and D. Indra,
3, no. 1, p. 17, 2017, doi: “Perbandingan Algoritma Klasifikasi

654
Jurnal Teknik Informatika Kaputama (JTIK) Vol.6, No. 2, Juli 2022 P-ISSN: 2548-9704
E-ISSN: 2686-0880

Naive Bayes, Nearest Neighbour, dan

Decision Tree pada Studi Kasus
Pengambilan Keputusan Pemilihan
Pola Pakaian,” J. Tek. Inform. Dan
Sist. Inf., vol. 1, no. 2, pp. 151–161,
2017.
[18] E. F. Himmah, M. Widyaningsih, and
M. Maysaroh, “Identifikasi
Kematangan Buah Kelapa Sawit
Berdasarkan Warna RGB Dan HSV
Menggunakan Metode K-Means
Clustering,” J. Sains dan Inform., vol.
6, no. 2, pp. 193–202, 2020, doi:
10.34128/jsi.v6i2.242.

655