Melola Discovery

← Melola Discovery

Akses terbuka Jurnal

Comparison of Extreme Learning Machine (ELM) and Multi-Support Vector Machine (Multi-SVM) Methods in Herbal Plants Identification

Komparasi Metode Extreme Learning Machine (ELM) dan Multi-Support Vector Machine (Multi-SVM) pada Identifikasi Tanaman Herbal

Jurnal Matematika, Statistika dan Komputasi · Vol. 21 No. 2 (2025) · hlm. 354–367

DOI
10.20956/j.v21i2.37107
ISSN
2614-8811, 1858-1382
Terbit
2025-01-12
Penerbit
Department of Mathematics, Hasanuddin University
Bahasa
en
Lisensi
creativecommons.org/licenses/by/4.0

Abstrak

Inggris

In Indonesia, there are more than 2.039 species of herbal medicinal plants, which sometimes have similarities and make it difficult to identify the type of herbal plant. The purpose of this study is to facilitate the identification of herbal plant species by comparing the performance of the Extreme Learning Machine (ELM) and Multi-Support Vector Machine (Multi-SVM) methods. The ELM method was created to overcome the weaknesses of feedforward artificial neural networks, especially in terms of learning speed, while the Multi-SVM method is an advanced development of the SVM method. The stages of this research begin with image input which is through previous data acquisition, data preprocessing, and then the identification with ELM and Multi-SVM methods. Based on the simulations that have been carried out, the average accuracy on training data for the ELM method is 93%, while the Multi-SVM method is 44%. Also, the average accuracy on testing data for the ELM method is 85%, while the Multi-SVM method is 40%.

Bahasa Indonesia

Secara turun-temurun masyarakat Indonesia memanfaatkan tanaman herbal untuk dijadikan bahan pembuatan obat tradisonal, bahkan dengan kemajuan teknologi, sudah dimanfaatkan pada bidang industri farmasi yang berkhasiat bagi kesehatan. Ada sekitar lebih 2.039 spesies merupakan jenis dari tumbuhan obat herbal di Indonesia yang terkadang memiliki kemiripan, sehingga menyulitkan dalam mengidentifikasi jenis tanaman herbal dan beralih menggunakan obat-obat kimia yang lebih praktis. tujuan dari penelitian ini untuk memudahkan dalam mengidentifikasi jenis tanaman herbal menggunakan metode-metode machine learning dan citra digital dengan membandingkan kinerja metode Extreme Learning Machine (ELM) dan Multi-Support Vector Machine (Multi-SVM), sehingga dapat diperoleh metode yang paling efektif dan efisien untuk identifikasi tanaman herbal. Metode ELM dibuat untuk mengatasi kelemahan-kelemahan dari jaringan syaraf tiruan feedforward terutama dalam hal learning speed, sedangan metode Multi-SVM merupakan algoritma pembelajaran mesin terawasi yang membantu dalam masalah klasifikasi dan metode ini juga merupakan pengembangan lanjutan dari metode SVM. Berdasarkan simulasi yang telah dilakukan, identifikasi pada metode ELM diperoleh akurasi untuk 5 jenis data tanaman herbal, training dan testing masing-masing akurasinya 100%. 10 jenis data tanaman herbal, data training diperoleh akurasi 99% dan data testing sebesar 96.667%. 20 jenis data tanaman herbal data training diperoleh akurasi 91% dan data testing sebesar 75%. 30 jenis tanaman herbal data training diperoleh akurasi 80.33% dan data testing sebesar 68%. Adapun untuk metode Multi-SVM pada identifikasi 5 jenis data tanaman herbal diperoleh akurasi data training. 52% dan testing 66.667%. 10 jenis tanaman herbal untuk data training diperoleh akuarasi sebesar 39% dan testing 30%. 20 jenis tanaman herbal untuk data training diperoleh akuarasi sebesar 23.5% dan testing 23.33%. dan 30 jenis tanaman herbal untuk data training diperoleh akuarasi sebesar 16.67% dan testing 14.44%

Kata kunci

Jaringan kolaborasi para penulis

5 penulis · 6 tautan kepenulisan bersama

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Universitas Annuqayah
  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama
Siti KhotijahAfiliasi tidak diketahui1
Marinatul KhaliqahAfiliasi tidak diketahui1

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://journal.unhas.ac.id/index.php/jmsk/oai, pertama di-harvest 5 Nov 2026, terakhir terlihat 15 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en">Comparison of Extreme Learning Machine (ELM) and Multi-Support Vector Machine (Multi-SVM) Methods in Herbal Plants Identification</dc:title>
	<dc:title xml:lang="id">Komparasi Metode Extreme Learning Machine (ELM) dan Multi-Support Vector Machine (Multi-SVM) pada Identifikasi Tanaman Herbal</dc:title>
	<dc:creator xml:lang="en">Sarifah, Luluk</dc:creator>
	<dc:creator xml:lang="en">Sa’adah, Lailiyatus</dc:creator>
	<dc:creator xml:lang="en">Setiana, Iis</dc:creator>
	<dc:subject xml:lang="en">Identification</dc:subject>
	<dc:subject xml:lang="en">Comparison</dc:subject>
	<dc:subject xml:lang="en">Herbal Plants</dc:subject>
	<dc:subject xml:lang="en">ELM</dc:subject>
	<dc:subject xml:lang="en">Multi-SVM</dc:subject>
	<dc:description xml:lang="en">In Indonesia, there are more than 2.039 species of herbal medicinal plants, which sometimes have similarities and make it difficult to identify the type of herbal plant. The purpose of this study is to facilitate the identification of herbal plant species by comparing the performance of the Extreme Learning Machine (ELM) and Multi-Support Vector Machine (Multi-SVM) methods. The ELM method was created to overcome the weaknesses of feedforward artificial neural networks, especially in terms of learning speed, while the Multi-SVM method is an advanced development of the SVM method. The stages of this research begin with image input which is through previous data acquisition, data preprocessing, and then the identification with ELM and Multi-SVM methods. Based on the simulations that have been carried out, the average accuracy on training data for the ELM method is 93%, while the Multi-SVM method is 44%. Also, the average accuracy on testing data for the ELM method is 85%, while the Multi-SVM method is 40%.</dc:description>
	<dc:description xml:lang="id">Secara turun-temurun masyarakat Indonesia memanfaatkan tanaman herbal untuk dijadikan bahan pembuatan obat tradisonal, bahkan dengan kemajuan teknologi, sudah dimanfaatkan pada bidang industri farmasi yang berkhasiat bagi kesehatan. Ada sekitar lebih 2.039 spesies merupakan jenis dari tumbuhan obat herbal di Indonesia yang terkadang memiliki kemiripan, sehingga menyulitkan dalam mengidentifikasi jenis tanaman herbal dan beralih menggunakan obat-obat kimia yang lebih praktis. tujuan dari penelitian ini untuk memudahkan dalam mengidentifikasi jenis tanaman herbal menggunakan metode-metode machine learning dan citra digital dengan membandingkan kinerja metode Extreme Learning Machine (ELM) dan Multi-Support Vector Machine (Multi-SVM), sehingga dapat diperoleh metode yang paling efektif dan efisien untuk identifikasi tanaman herbal. Metode ELM dibuat untuk mengatasi kelemahan-kelemahan dari jaringan syaraf tiruan feedforward terutama dalam hal learning speed, sedangan metode Multi-SVM merupakan algoritma pembelajaran mesin terawasi yang membantu dalam masalah klasifikasi dan metode ini juga merupakan pengembangan lanjutan dari metode SVM. Berdasarkan simulasi yang telah dilakukan, identifikasi pada metode ELM diperoleh akurasi untuk 5 jenis data tanaman herbal, training dan testing masing-masing akurasinya 100%. 10 jenis data tanaman herbal, data training diperoleh akurasi 99% dan data testing sebesar 96.667%. 20 jenis data tanaman herbal data training diperoleh akurasi 91% dan data testing sebesar 75%. 30 jenis tanaman herbal data training diperoleh akurasi 80.33% dan data testing sebesar 68%. Adapun untuk metode Multi-SVM pada identifikasi 5 jenis data tanaman herbal diperoleh akurasi data training. 52% dan testing 66.667%. 10 jenis tanaman herbal untuk data training diperoleh akuarasi sebesar 39% dan testing 30%. 20 jenis tanaman herbal untuk data training diperoleh akuarasi sebesar 23.5% dan testing 23.33%. dan 30 jenis tanaman herbal untuk data training diperoleh akuarasi sebesar 16.67% dan testing 14.44%</dc:description>
	<dc:publisher xml:lang="en">Department of Mathematics, Hasanuddin University</dc:publisher>
	<dc:date>2025-01-12</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://journal.unhas.ac.id/index.php/jmsk/article/view/37107</dc:identifier>
	<dc:identifier>10.20956/j.v21i2.37107</dc:identifier>
	<dc:source xml:lang="en">Jurnal Matematika, Statistika dan Komputasi; Vol. 21 No. 2 (2025): JANUARY 2025; 354-367</dc:source>
	<dc:source>2614-8811</dc:source>
	<dc:source>1858-1382</dc:source>
	<dc:language>en</dc:language>
	<dc:relation>https://journal.unhas.ac.id/index.php/jmsk/article/view/37107/12433</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2025 Jurnal Matematika, Statistika dan Komputasi</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by/4.0</dc:rights>
</oai_dc:dc>