Klasifikasi Rempah Menggunakan Ekstraksi Fitur Speeded-Up Robust Features (Surf) Dengan Metode Naive Bayes

Abstract

Indonesia merupakan salah satu penghasil rempah-rempah berkualitas tinggi di dunia. Beraneka ragam rempah membuat masyarakat sulit untuk mengenali jenis rempah-rempah tersebut. Hal ini disebabkan rempah-rempah memiliki bentuk dan warna yang hampir sama. Penelitian ini berfokus pada klasifikasi citra rempah menggunakan ekstraksi fitur Speeded-Up Robust Features (SURF) dengan metode variasi Naïve Bayes. Tujuan dari penelitian ini adalah mengklasifikasikan citra rempah mengunakan ekstraksi fitur Speeded-Up Robust Features dengan metode variasi Naïve Bayes untuk memperoleh hasil klasifikasi yang baik. Data yang digunakan pada penelitian ini sebanyak 2250 sampel. Berdasarkan 3 pengujian dengan menggunakan jenis rempah yang berbeda pada penelitian ini. Dapat diketahui bahwa pengujian dengan 5 jenis rempah menggunakan Metode Gaussian Naïve Bayes mendapatkan hasil akurasi yang lebih baik dengan nilai akurasi sebesar 0.82, presisi sebesar 0.817, recall sebesar 0.815, f1-score sebesar 0.814, f-beta score sebesar 0.814, dan jaccard score sebesar 0.711. Dari hasil tersebut dapat disimpulkan bahwa ekstraksi fitur Speeded-up Robust Features akan bekerja optimal jika jumlah jenis rempah yang diklasifikasi sedikit dan hasil klasifikasi kurang optimal jika jumlah jenis rempah yang diklasifikasi besar. Untuk mendapatkan hasil klasifikasi yang lebih akurat dapat menggunakan metode lain dan ekstraksi fitur lainnya. Indonesia is one of the producers of high-quality spices in the world. The variety of spices drives a difficulty for a community to recognize the type of spice. This is because spices have almost the same shape and color. This study focuses on the classification of spice images using the extraction of Speeded-Up Robust Features (SURF) features with the Naïve Bayes variation method. The purpose of this research is to classification spice images using Speeded-Up Robust Features feature extraction with the Naïve Bayes variation method to obtain good classification results. The data used in this study was 2250 samples. Based on 3 tests using different types of spices in this study, it can be seen that testing 5 types of spices using Gaussian Nave Bayes method obtained the best acuuracy performance with an accuracy of 0.82, precision of 0.817, recall of 0.815, f1-score of 0.814, f-beta score of 0.814, and Jaccard score of 0.711. Based on these findings, it can be inferred that the Speeded-up Robust Features feature extraction works best when the number of spice types identified is small, and it performs poorly when the number of spice types classified is huge. To obtain more accurate classification result, can using other methods and other feature extraction.