Penelitian untuk Aplikasi Mobile Munsell Soil Color Chart Berbasis Android Menggunakan Histogram Ruang Citra HVC dengan Klasifikasi k-NN
PENELITIAN UNTUK APLIKASI MOBILE MUNSELL SOIL
COLOR CHART BERBASIS ANDROID MENGGUNAKAN
HISTOGRAM RUANG CITRA HVC
DENGAN KLASIFIKASI K-NN
AHMAD ZULFIKAR S
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Penelitian untuk Aplikasi Mobile Soil Color Chart berbasis Android
Menggunakan Histogram Ruang Citra HVC dengan Klasifikasi k-NN adalah
benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan
dalam bentuk apapun kepada perguruan tinggi manapun. Sumber informasi yang
berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari
penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di
bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor beserta Balai Besar Penelitian dan Pengembangan Sumberdaya
Lahan Pertanian, Badan Penelitian dan Pengembangan Pertanian, Kementerian
Pertanian.
Bogor, Oktober 2014
Ahmad Zulfikar S
NIM G64100054
ABSTRAK
AHMAD ZULFIKAR S. Penelitian untuk Mobile Munsell Soil Color Chart
Berbasis Android dengan Menggunakan Histogram Ruang Citra HVC dengan
Klasifikasi k-NN. Dibimbing oleh KARLISA PRIANDANA dan SUKARMAN.
Menentukan warna tanah bukan perkara mudah karena banyaknya jenis
tanah dan tingginya tingkat kemiripan warna tanah. Untuk mengatasi kesulitan ini,
para praktisi menggunakan suatu buku pedoman warna tanah yaitu Munsell Soil
Color Chart (MSCC). Penelitian ini bertujuan mengembangkan aplikasi mobile
untuk mengidentifikasi warna tanah dalam menentukan warna mayor tanah sesuai
buku MSCC. Aplikasi dibangun menggunakan pemodelan warna HVC dengan
komponen warna hue, value, dan chroma. Penelitian ini menekankan klasifikasi
untuk warna hue saja. Namun demikian, diteliti juga komponen warna value dan
chroma. Citra yang digunakan sebagai data latih adalah 259 citra dari buku
MSCC yang masing-masing berukuran 1600 piksel. Data warna hue dari setiap
piksel ini dianalisis dalam bentuk histogram dan diklasifikasikan dengan k-NN.
Hasil penelitian menunjukkan bahwa akurasi tertinggi dalam klasifikasi nilai hue
adalah 45% pada nilai k=5. Akurasi mungkin dapat ditingkatkan dengan cara
menggunakan data soil color yang sudah tersedia secara online.
Kata kunci: Android, HVC, k-NN, Munsell Soil Color Chart.
ABSTRACT
AHMAD ZULFIKAR S. Study on Android-Based Mobile Munsell Soil Color
Chart by Using HVC Color Model Histogram with k-NN Classification.
Supervised by KARLISA PRIANDANA and SUKARMAN.
Soil color determination is a challenging task because of the various types
of soil and the high similarity of soil color. Munsell Soil Color Chart (MSCC) is
used to overcome this issue. The purpose of this research is to develop an androidbased mobile application to identify the major color of soil according to MSCC.
The application utilized HVC color model with hue, value, and chroma color
components. The hue color component had been the main concern of this research,
although the value and chorma color components were also observed. The training
data were 259 images from MSCC, with 1600 pixels each. Hue color data from
these pixels were analyzed in the form of histogram and classified with k-NN. The
results showed that the highest classification accuracy of hue value was 45% at
k=5, this accuracy may be improved by utilizing the soil color data that are
available online.
Keyword: Android, HVC, k-NN, Munsell Soil Color Chart.
PENELITIAN UNTUK APLIKASI MOBILE MUNSELL SOIL
COLOR CHART BERBASIS ANDROID MENGGUNAKAN
HISTOGRAM RUANG CITRA HVC
DENGAN KLASIFIKASI K-NN
AHMAD ZULFIKAR S
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
Penguji: Endang Purnama Giri, SKom MKom
Judul Skripsi : Penelitian untuk Aplikasi Mobile Munsell Soil Color Chart
Berbasis Android Menggunakan Histogram Ruang Citra HVC
dengan Klasifikasi k-NN
Nama
: Ahmad Zulfikar S
NIM
: G64100054
Disetujui oleh
Karlisa Priandana, ST MEng
Pembimbing I
Dr Ir Sukarman, MS
Pembimbing II
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Tanggal Lulus:
PRAKATA
Puji syukur penulis panjatkan kepada Allah Subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Shalawat serta
salam penulis sampaikan kepada Nabi Muhammad Shalallahu ‘alaihi wassalam.
Judul penelitian yang dilaksanakan sejak bulan November 2013 ini ialah
Penelitian untuk Aplikasi Mobile Munsell Soil Color Chart Berbasis Android
Menggunakan Histogram Ruang Citra HVC dengan Klasifikasi k-NN ini tidak
lepas dari bantuan berbagai pihak. Oleh karena itu, penulis menyampaikan ucapan
terima kasih kepada:
1 Kedua orang tua tercinta Drs H Sidi dan Hj Nur Hidayat, serta Keluarga besar
yang selalu memberikan doa dan dukungan moral.
2 Ibu Karlisa Priandana, ST MEng dan Dr Ir Sukarman, MS, selaku dosen
pembimbing yang selalu sabar dalam memberikan ilmu dan bimbingan selama
penyelesaian skripsi.
3 Endang Purnamagiri sebagai dosen penguji atas segala kritik, masukan dan
saran yang diberikan kepada penulis terhadap penelitian ini.
4 Staff Balai Besar Penelitian dan Pengembangan Sumberdaya Lahan Pertanian
Bogor yang telah membantu dalam memperoleh data dan sumber informasi.
5 Sodik Kirono, S Komp dan Wahyu Dwi Atmoko, S Komp serta teman-teman
Ilmu Komputer atas pengalaman berbagi ilmu, kebersamaan dan dukungannya
selama menjalani studi di Departemen Ilmu Komputer IPB.
6 Staf pengajar dan staf tata usaha Departemen Ilmu Komputer yang telah
banyak membantu baik selama masa perkuliahan maupun pada saat penelitian.
Dan semua pihak yang telah banyak memberikan kontribusi yang besar
dalam penyelesaian tugas akhir yang tidak dapat disebutkan satu persatu.
Semoga karya ilmiah ini bermanfaat.
Bogor, Oktober 2014
Ahmad Zulfikar S
DAFTAR ISI
DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
DAFTAR LAMPIRAN
PENDAHULUAN
Latar Belakang
Perumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Ruang Lingkup Penelitian
TINJAUAN PUSTAKA
Warna Tanah
Warna Tanah dan Karatan
Model Warna
Metode Klasifikasi k-Nearest Neighbor
Jarak histogram
METODE PENELITIAN
1. PC
2. Mobile device
Lingkungan pengembangan
HASIL DAN PEMBAHASAN
SIMPULAN DAN SARAN
Simpulan
Saran
DAFTAR PUSTAKA
LAMPIRAN
IX
X
X
X
1
1
2
2
2
2
3
3
3
5
6
6
6
7
8
9
10
14
14
14
14
16
DAFTAR TABEL
1
Tabel 1 Perbandingan nilai akurasi setiap komponen warna hue
13
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
Sistem koordinat model warna (a) RGB dan (b) HVC
Metode klasifikasi k-Nearest Neighbor
Metode Penelitian
Alur sistem untuk identifikasi citra
Proses Pemotongan Citra dari buku MSCC
Nilai value untuk skala warna hue 5YR
Nilai chroma untuk skala warna hue 5YR
Pola value/chroma dari Gambar 6 dan 7
Perbandingan akurasi rata-rata untuk setiap nilai k
5
6
7
9
10
11
11
12
13
DAFTAR LAMPIRAN
Screenshoot aplikasi pengolah data
2 Konversi value dan chroma pada masing-masing model warna
3 Rumus Kalibrasi Skala Warna
4 Konversi Skala Warna Khusus Hue
5 Screenshoot aplikasi android
1
17
19
25
26
27
PENDAHULUAN
Latar Belakang
Tanah sangat penting untuk mendukung kehidupan tumbuhan dengan
menyediakan unsur hara dan air serta sebagai penopang akar. Di dalam tanah,
terdapat berbagai unsur hara atau partikel yang sangat berperan penting bagi
kelangsungan hidup tanaman seperti kandungan bahan organik, kondisi drainase,
dan aerasi (Soepardi 1983). Warna tanah sering digunakan sebagai salah satu
perameter untuk mengklasifikasikan tanah. Hasil klasifikasi tanah selanjutnya
digunakan sebagai dasar penilaian kesesuaian lahan berbagai tanaman pertanian
maupun tanaman kehutanan.
Dalam penelitian sumberdaya tanah saat ini, Munsell Soil Color Chart
(MSCC) digunakan sebagai standar: (1) warna dasar atau warna matriks, dan (2)
warna karatan sebagai hasil dari proses oksidasi dan reduksi di dalam tanah (Balai
Penelitian Tanah 2004). Cara penggunaan MSCC adalah dengan mengecek
kemiripan warna tanah pada pedoman warna yang terdapat dalam MSCC. Selama
penggunaannya, buku tersebut perlu dibawa ke lapangan untuk dijadikan sebagai
pedoman mencocokkan warna tanah. Namun, apabila penetapan warna ini
dilakukan secara manual, sangat mungkin terjadi kesalahan sehingga informasi
yang diperoleh kurang akurat. Selain itu, untuk melakukan pengukuran dengan
buku MSCC dapat meninmbulkan berbagai resiko diantaranya adalah cepat
rusaknya buku MSCC tersebut yang berharga cukup mahal. Berkaitan dengan hal
tersebut di atas maka diperlukan alternatif lain cara pengukuran warna tanah yang
lebih akurat, aman, dan praktis.
Era modern membuat teknologi berkembang sangat pesat terutama mobile
device berbasis Android sehingga memotivasi pengembang untuk membuat
berbagai aplikasi yang mempermudah aktivitas dan pekerjaan sehari-hari.
Menurut data yang dikeluarkan oleh International Data Corporation (IDC) pada
tahun 2012, sistem operasi Android menguasai sekitar 52% dari total smartphone
yang dipakai oleh masyarakat Indonesia (Wahyudi 2012). Oleh karena itu, dalam
penelitian ini aplikasi akan dibangun dengan menggunakan sistem operasi yang
berbasis Android. Fitur warna yang diekstraksi adalah fitur warna pada ruang citra
Hue, Value, Chroma (HVC). Hal ini dilakukan karena MSCC menggunakan
ruang citra HVC untuk mengklasifikasikan warna tanah.
Menurut buku Anonim (2009), hue adalah warna spektrum yang dominan
sesuai dengan panjang gelombangnya. Value menunjukkan gelap terangnya warna,
sesuai dengan banyaknya sinar yang dipantulkan. Chroma menunjukkan
kemurnian atau kekuatan dari warna spektrum. Chroma didefiniskan juga sebagai
gradasi kemurnian dari warna atau derajat pembeda adanya perubahan warna dari
kelabu atau putih netral ke warna lainnya.
Penelitian ini mengembangkan suatu aplikasi mobile yang dapat
mengklasifikasikan warna tanah berdasarkan MSCC secara otomatis sehingga
dapat mengurangi kemungkinan kesalahan pencocokan warna tanah, serta
mempermudah pengguna MSCC.
Menurut Boiman et al. (2008) metode klasifikasi k-Nearest Neighbor (k-NN)
sangat sederhana, efisien dan kinerjanya sangat baik dalam klasifikasi citra. Oleh
2
karena itu, untuk mengklasifikan skala warna tanah pada perangkat mobile, akan
digunakan warna mayor pada tanah namun sebelumnya, dibandingkan dengan
ruang citra HVC pada data latih dengan menggunkan klasifikasi k-NN.
Perumusan Masalah
Belum tersedianya mobile application berbasis android untuk mendeteksi
warna tanah secara otomatis bedasarkan buku MSCC.
Tujuan Penelitian
Berdasarkan rumusan permasalahan tersebut di atas, maka penelitian ini
bertujuan untuk mengembangkan suatu aplikasi mobile berbasis android yang
dapat mengklasifikasikan warna tanah berdasarkan MSCC secara otomatis.
Manfaat Penelitian
Hasil dari penelitian ini dapat dijadikan dasar untuk penelitian selanjutnya
dalam rangka mengembangkan suatu aplikasi mobile berbasis android, serta akan
membantu peneliti di Balai Besar Penelitian Tanah Bogor untuk meminimalkan
biaya dan waktu dalam mengklasifikasikan warna tanah.
Ruang Lingkup Penelitian
Ruang lingkup penelitian ini, yaitu:
1 Data uji dan data latih menggunakan data yang sama yaitu dari buku MSCC
yang diberikan oleh Balai Besar Penelitian dan Pengembangan Sumberdaya
Lahan Pertanian,
2 pengambilan citra dilakukan pada keadaan cerah dan dimulai pada pukul
8.00-11.00,
3 kamera yang digunakan adalah kamera dari perangkat mobile dengan
resolusi 8 megapiksel,
4 fokus kepada model warna hue dengan menampilkan warna dominan saja.
3
TINJAUAN PUSTAKA
Warna Tanah
Menurut Ritung et al. (2004:74) “warna tanah merupakan ciri tanah paling
mudah ditentukan ketika di lapangan. Warna mencerminkan beberapa sifat tanah
tertentu”.
Warna tanah dibedakan atas: (a) warna dasar tanah atau warna matriks, dan
(b) warna karatan sebagai proses dari hasil oksidasi dan reduksi di dalam tanah.
1. Warna matriks
Warna tanah ditentukan dengan standar warna sesuai buku MSCC,
dinyatakan dalam 3 model warna: hue, value, dan chroma menurut nama
yang tercantum dalam lajur yang bersangkutan, yaitu meliputi:
Warna dasar tanah (matriks),
warna bidang struktur dan liat (terutama tanah berstruktur
gumpal/sudut),
warna karatan dan konkresi,
warna plintit,
warna humus.
Dalam menentukan warna tanah harus diperhatikan:
Tanah harus lembab (jika mungkin kering dan lembab),
tanah ditempatkan di bawah lubang kertas Munsell dengan jari/pisau,
tanah tidak bisa mengkilap (kecuali pada warna bidang strukur). Untuk
tujuan khusus, perlu ditambahkan warna tanah setelah dihancurkan atau
diremas,
hindarkan bekerja menetapkan warna tanah sebelum jam 09.00 dan
sesudah jam 16.00,
jika warna tanah tidak tepat dengan warna pada buku Munsell, maka
akan diberikan angka-angka hue, value, dan chroma tertinggi dan
terendah yang membatasinya.
Contoh: warna tanah ditulis 7,5YR 5/4 artinya hue 7,5YR, value 5 dan
chroma 4, warna tanah coklat.
2.
Karatan
Karatan adalah gejala kelainan warna tanah, yang diakibatkan oleh 2
proses kimia yaitu proses reduksi dan oksidasi. Karatan dalam penampang
tanah dicatat mengenai jumlah (kadar), ukuran (kontras), batas, bentuk, dan
warnanya.
Warna Tanah dan Karatan
Hal yang sama juga diungkapkan Hardjowigeno (1985:10), “bahwa warna
tanah merupakan sifat morfologi yang paling mudah dibedakan. Warna
merupakan petunjuk untuk beberapa sifat tanah, misalnya: warna hitam
menunjukkan kandungan bahan organik tinggi. Warna merah menunjukkan
4
adanya oksidasi bebas (tanah-tanah yang teroksidasi). Warna abu-abu atau
kebiruan menunjukkan adanya reduksi”.
Perlu diketahui bahwasanya hubungan warna tanah dengan kandungan
bahan organik di daerah tropika banyak yang tidak sesuai dengan yang ditemukan
di benua Amerika atau Eropa atau daerah beriklim sedang. Misal, tanah-tanah
merah di Indonesia banyak yang mempunyai bahan organik lebih dari satu persen,
sama dengan kandungan organik tanah hitam di daerah-daerah yang beriklim
sedang.
Menurut Hardjowigeno (1985) selain warna tanah, karatan tanah juga perlu
dipelajari lebih lanjut khususnya penyifatan tanah yang meliputi jumlah, ukuran
dan bandingan (kontras).
Jumlah
Sedikit = < 2%
Sedang = 2-20%
Banyak = >20%
Ukuran
Kecil = diameter terpanjang < 5 mm
Sedang = diameter antara 5 -15 mm
Bedar = diameter > 15 mm
Bandingan
Baur
= ada karatan tidak jelas, jika tidak diamati dengan teliti. Warna
karatan dan metriks mempunyai hue dan chroma dan hampir
sama.
Jelas
= walaupun tidak nyata, tetapi karatan mudah terlihat, warna
matriks dan kartan mudah dubedakan karena masing-masing
mempunyai hue, value dan chroma yang berbeda. Warna
mungkin berbeda satu-dua hue atau beberapa unit value
(chroma).
Buku MSCC edisi ke-4 mengatakan terdapat tiga variabel penting pada
warna tanah seperti: hue, value, dan chroma. Hue adalah warna spektrum yang
dominan sesuai dengan panjang gelombangnya. Value menunjukkan gelap
terangnya warna, sesuai dengan banyaknya sinar yang dipantulkan. Chroma
menunjukkan kemurnian atau kekuatan dari warna spektrum. Chroma sendiri
didefiniskan juga sebagai gradasi kemurnian dari warna atau derajat pembeda
adanya perubahan warna dari kelabu atau putih netral.
Merujuk buku MSCC dalam menentukan nilai hue dimulai dari spektrum
dominan paling merah (5R) sampai spektrum dominan paling kuning (5Y). Selain
itu, di dalam beberapa buku MSCC sering terdapat juga untuk warna-warna tanah
tereduksi (gley).
Value dibedakan dari 2-8, semakin tinggi nilai value maka menunjukkan
warna makin terang yang menandakan semakin banyak sinar yang dapat
dipantulkan oleh tanah tersebut. Nilai Value pada lembar buku MSCC terbentang
secara vertikal dari bawah ke atas dengan angka 2 menunjukkan paling gelap dan
angka 8 menunjukkan paling terang, sedangkan chroma juga dibagi dengan
rentang 1 dan 8, semakin tinggi chroma menunjukkan kemurnian spektrum atau
kekuatan warna spektrum makin meningkat dan begitu pula sebaliknya.
5
Model Warna
Suatu warna didasarkan pada perbedaan eksitasi dari 3 penerima cahaya di
dalam retina. Ketiga warna tersebut adalah merah, hijau dan biru (red, green, dan
blue, atau sering disingkat RGB) yang akan menentukan warna dari suatu obyek
(Ford dan Roberts 1998).
Nilai H (hue), S (saturation) dan V (value) dapat diperoleh dari nilai model
warna RGB (Acharya dan Ray 2005) dan dari model warna tersebut dapat pul
diperoleh nilai C (chroma) melalui berikut:
(1)
-
(2)
-
{
o
H = 60 x ’
V=M
(3)
(4)
{
(5)
dengan M
m
-
(a)
(b)
Gambar 1 Sistem koordinat model warna (a) RGB dan (b) HVC
(Sumber Gambar : en.wikipedia.org)
6
Metode Klasifikasi k-Nearest Neighbor
Konsep dasar dari metode k-NN adalah mencari jarak terdekat antara data
uji dengan sejumlah k tetangga terdekat dalam data latih (Gambar 2). Berikut
algoritme k-NN (Song 2007):
1 Menentukan nilai k,
2 menghitung jarak antara data uji dengan setiap data latih,
3 mendapatkan k data yang memiliki jarak terdekat,
4 k data yang memiliki jarak terdekat, diperoleh kelas yang paling banyak
muncul,
5 kelas yang paling banyak muncul ditentukan sebagai kelas dari data uji.
Jarak histogram
Perhitungan jarak antara histogram A dan histogram B dilakukan dengan
rumus jarak Euclidean (Gonzales et al. 1987):
√∑
(6)
dengan:
= histogram A, Indeks array ke j
= histogram B, Indeks array ke j
n
= panjang/rentang histogram
METODE PENELITIAN
Pembuatan aplikasi mobile untuk mengidentifikasi warna tanah berbasis
citra diimplementasikan pada mobile device untuk tempat penyimpanan database.
Tahapan penelitian mengacu pada penelitian sebelumnya oleh Satyalesmana
(2013). Tahap penelitian dapat dilihat pada Gambar 3.
?
Gambar 2 Metode klasifikasi k-Nearest Neighbor
7
Mulai
Akuisisi
Data Uji
Data latih
Praproses
Praproses
Ekstraksi
Ekstraksi
Klasifikasi
Model
Klasifikasi
Hasil Klasifikasi
Evaluasi
Selesai
Mobile Device
PC
Gambar 3 Metode Penelitian
Tahapan awal dilakukan proses akuisisi citra dengan mengambil citra data
uji dan data latih. Masukan untuk data uji dan data latih berasal dari MSCC.
Pembangunan model klasifikasi dan database histogram dilakukan pada PC untuk
kemudian digunakan pada mobile device.
1. PC
Citra dari MSCC akan digunakan untuk pembuatan model. Model dibuat
dengan cara melakukan training pada citra. Berikut tahapan dalam proses training:
Akuisisi
Tahap ini dilakukan untuk pengambilan citra digital dari buku MSCC
dari Balai Besar Penelitian dan Pengembangan Sumberdaya Lahan
Pertanian yang bertujuan guna pembuatan data latih dan data uji citra.
Praproses
Praproses dilakukan untuk pemotongan citra digital yang bertujuan
untuk mengambil bagian citra yang ingin diproses. Proses ini dilakukan
untuk menurunkan waktu komputasi dikarenakan citra yang diambil lebih
kecil dan bagian yang tidak terkait warna larutan dapat dihilangkan. Tahap
8
praproses data latih dilakukan di PC untuk menghasilkan model klasifikasi
yang akan digunakan pada saat implementasi di aplikasi mobile, sedangkan
tahap praproses untuk data uji dilakukan di ponsel pada saat pengujian.
Ekstraksi Ciri
Tahap ini dilakukan untuk mengambil nilai komponen warna pada
setiap citra yang diperoleh dari tahapan praproses. Komponen warna yang
diperoleh tersebut merupakan model warna RGB. Untuk memperoleh model
warna HVC maka dilakukan konversi warna dari RGB tersebut. Hasil
konversi tersebut kemudian ditampilkan dalam histogram dengan
mengambil nilai dari setiap piksel dengan rentang 0-255.
Model Klasifikasi
Klasifikasi dilakukan berdasarkan hasil yang diperoleh dari tahap
sebelumnya. Metode klasifikasi yang digunakan adalah membandingkan
nilai HVC masing-masing piksel pada data uji dengan nilai HVC pada data
latih untuk menemukan nilai histogramnya. Nilai histogram akan
diklasifikasi dengan k-NN. Perhitungan jarak yang dipakai untuk
menentukan jarak antar histogram adalah jarak Euclidian. Euclidian akan
menghitung jarak histogram warna dari citra tanah sebagai data uji dengan
setiap 259 histogram warna sebagai data latih yang terdapat pada model
klasifikasi. Setelah diperoleh sebanyak k data yang memiliki jarak terdekat,
kemudian diketahui kelas yang paling banyak muncul, kelas tersebut adalah
kelas dari data uji.
Pengujian dan Evaluasi
Evaluasi hasil klasifikasi dapat dilakukan dengan cara menghitung
tingkat akurasi menggunakan rumus sebagai berikut:
(7)
Evaluasi hasil pengujian dilihat dengan menghitung nilai koefisien
determinasi (R2). R2 digunakan untuk mengukur seberapa baik garis regresi
yang terbentuk oleh nilai dugaan dengan nilai aktualnya, semakin baik jika
mendekati 1. Menurut Walpole (1992), R2 dihitung dengan menggunakan
Persamaan 8:
̅
[∑ni
̅]
i
∑ni
i
i
̅
i
̅
dengan:
= nilai aktual, = nilai prediksi,
̅ = nilai aktual rata-rata, ̅ = nilai prediksi rata-rata.
(8)
2. Mobile device
Mobile device melakukan proses pengenalan citra menggunakan
perbandingan nilai HVC antara masing-masing nilai HVC pada data uji dengan
nilai HVC data latih. Ketika dijalankan aplikasi secara otomatis melakukan
9
praproses (cropping) dan proses ekstraksi fitur (pengambilan nilai hue, value, dan
chroma). Basisdata yang digunakan diperoleh dari PC, kemudian digunakan
untuk membandingkan nilai HVC pada citra data uji pada mobile dengan nilai
HVC pada basisdata.
Alur sistem untuk identifikasi citra pada aplikasi mobile yang akan
dibangun dapat dilihat pada Gambar 4, tahapan identifikasi citra dimulai dengan
proses pengambilan citra tanah untuk memperoleh data uji. Selanjutnya, citra dari
data uji yang tidak ingin diproses dipotong. Jika citra digital yang diperoleh
kurang baik maka aplikasi akan meminta untuk akuisisi citra lagi, sedangkan jika
citra digital yang diperoleh sudah baik maka dilakukan ekstraksi ciri untuk tahap
klasifikasi. Hasil klasifikasi akan dievaluasi sebagai tahap akhir dari tahapan ini.
Lingkungan pengembangan
Lingkungan pengembangan yang digunakan pada penelitian ini memiliki
spesifikasi sebagai berikut:
1. Perangkat Lunak
OpenCv
Notepad++
InkScape
Macromedia
XAMPP.
2. Pengkat Keras
Smartphone Lenovo P780 (OS. 4.2.1, Kamera 8MP)
Notebook Samsung (Spesifikasi Prosesor AMD Vision A6, AMD
Radeon Grafik 2.70 GHz).
Mulai
Akuisisi Citra
Praproses
Data uji
Tidak
Citra Dapat
Digunakan?
Ya
Ekstraksi Ciri
Selesai
Hasil
Klasifikasi
Klasifikasi
Gambar 4 Alur sistem untuk identifikasi citra
10
HASIL DAN PEMBAHASAN
Aplikasi yang dibangun yaitu aplikasi mobile berbasis android yang
bertujuan untuk mengidentifikasi warna tanah. Aplikasi ini diimplementasikan
pada mobile device.
Akuisisi
Tahap ini dilakukan untuk mengambil citra digital dari buku MSCC
sebagai data latih. Hasil akuisisi citra tersebut menghasilkan sebanyak 47
data citra dari setiap skala warna (7 kelompok hue dari buku MSCC)
sehingga diperoleh 259 data citra. Data uji yang digunakan sebanyak 140
data citra yang diambil secara acak pada data latih.
Praproses
Citra yang telah diakuisisi pada tahap sebelumnya dipotong sehingga
menjadi berukuran 40x40 piksel. Proses pemotongan citra dari buku MSCC
(Gambar 5).
Ekstraksi Ciri
Nilai piksel yang diperoleh pada tiap-tiap citra dikonversi kedalam
file .txt menggunakan PC (Lampiran 1). Isi di dalam file tersebut berupa
nilai histogram HVC dari 259 citra data latih. Setiap citra hasil pemotongan
menghasilkan 1.600 piksel dengan setiap pikselnya memiliki nilai histogram
dengan rentang antara 0-255. Frekuensi kemunculan setiap nilai piksel
ditampilkan dalam bentuk histogram warna.
Perbandingan hasil konversi RGB ke value dan chroma dalam skala
warna hue 2,5Y dari PC dan buku MSCC yang ditampilkan dalam diagram
garis (Lampiran 2):
Gambar 5 Proses Pemotongan Citra dari buku MSCC
11
Koefisien determinasi value yang tinggi yaitu R²=0.8688 (Gambar 6)
dapat diartikan bahwa secara simultan nilai value yang diperoleh dari alat
terhadap MSCC dapat dijelaskan dalam model sebesar 86%.
Hal berbeda terjadi pada koefisien determinasi chroma yaitu
R²=0.1744 (Gambar 7). Hal ini terjadi karena terdapat data pencilan yang
membuat fungsi tidak linear jika dibandingkan dengan data yang diperoleh
sebelumnya.
Terjadi pengelompokan data yang hampir sama antara nilai hasil
konversi value dan chroma dari PC dengan buku Munsell (Gambar 8).
Namun hasil konversi hue dari PC dengan buku Munsell tidak ditampilkan
dalam diagram garis dikarenakan hasil konversi PC sedikit beragam jika
dibandingkan dengan nilai hue pada buku Munsell yang hanya, memiliki
satu nilai untuk satu skala warna.
10
y = 10,992x - 0,4956
R² = 0,8688
Value MSCC
8
6
4
2
0
0,00
0,20
0,40
0,60
0,80
Value Alat
Gambar 6 Nilai value untuk skala warna hue 5YR
Chroma MSCC
10
y = 7,1189x + 2,8021
R² = 0,1744
8
6
4
2
0
0,00
0,20
0,40
0,60
Chroma Alat
Gambar 7 Nilai chroma untuk skala warna hue 5YR
0,80
12
120,00
100,00
80,00
60,00
40,00
20,00
0,00
1
3
5
7
9
11 13 15 17 19 21 23 25 27 29 31 33
Series1
Alat
Series2
MSCC
Gambar 8 Pola value/chroma dari Gambar 6 dan 7
Untuk pengelompokkan masing-masing warna value dan chroma dalam
mobile application diperlukan kalibrasi. Selain konversi value dan chroma pada
skala warna hue 2,5 Y, juga dilakukan konversi yang sama pada skala warna pada
hue 2,5Y, 2,5YR, 5Y, 7,5YR, 10Y, 10YR dan diperolehlah kalibrasi untuk
masing-masing skala warna (Lampiran 3). Terdapat perbedaan hasil konversi hue
antara konversi PC dengan hasil yang terdapat pada buku MSCC (Lampiran 4).
Hal ini terjadi karena proses digitalisasi dari buku MSCC ke model warna RGB
dan RGB ke model warna HVC.
Klasifikasi
Pengujian dilakukan pada mobile device (Lampiran 5) tanpa harus
terkoneksi dengan PC. Hasil ekstraksi kemudian diklasifikasi dengan k-NN, nilai
k yang digunakan yaitu 1, 2, 3, 3, 5, 6 dan 7 pada pengujian memiliki nilai akurasi
yang berbeda-beda sehingga diperoleh nilai k yang paling baik pada tahap
klasifikasi.
Perbandingan nilai akurasi dengan nilai k untuk komponen warna hue dan
dapat dilihat pada Tabel 1 sebagai berikut:
13
Tabel 1 Perbandingan nilai akurasi setiap komponen warna hue
Nilai
K
1
2
3
4
5
6
7
Akurasi
(%)
Akurasi tiap skala warna mSCC (%)
Hue
Hue
Hue
Hue
Hue
2,5YR
5,5 Y
5,5YR
7,5Y
10R
100,00 10,00
5,00
30,00
10,00
80,00 40,00
15,00
35,00
40,00
75,00 30,00
20,00
0,00
5,00
75,00 50,00
30,00
20,00
0,00
50,00 45,00
50,00
55,00
40,00
30,00 15,00
35,00
40,00
15,00
40,00 40,00
40,00
20,00
20,00
30,71
28,57
18,57
64,28 32,85
Hue
2,5Y
20,00
40,00
40,00
20,00
30,00
55,00
25,00
32,85
Akurasi
(%)
Hue
10YR
40,00
25,00
15,00
30,00
45,00
30,00
50,00
33,57
30,71
39,28
26,42
32,14
45,00
31,42
33,57
Percobaan klasifikasi menggunakan metode k-NN dengan nilai k yang
berbeda-beda yaitu 1, 2, 3, 4, 5, 6 dan 7 pada komponen warna hue menunjukkan
nilai tertinggi pada nilai k=5 yaitu 45,00%. Adapun secara keseluruhan nilai
akurasi rata-rata tertinggi dalam pengelompokan komponen warna untuk semua
nilai k yaitu mencapai 64,28%. Berikut ini tampilan dalam visualisasi dari
persentase Tabel 1 (Gambar 9).
Keseluruhan komponen warna hue pada model warna HVC menghasilkan
akurasi rendah. Hal ini terjadi karena persiapan dalam praproses yang kurang
maksimal. Jika dilihat secara teori informasi yang terkandung di dalam komponen
warna hue lebih kepada informasi keragaman warna, sehingga dimungkinkan
akurasi hue lebih baik lagi.
50
45
Akurasi Rata-rata
40
35
30
25
20
15
10
5
0
1
2
3
4
5
6
7
Nilai k
Gambar 9 Perbandingan akurasi rata-rata untuk setiap nilai k
14
SIMPULAN DAN SARAN
Simpulan
Penelitian ini telah berhasil mengimplementasikan metode ekstraksi fitur
histogram warna pada masing-masing komponen warna R, G, B pada model
warna RGB dan komponen warna H, V, C pada model warna HVC. Implementasi
dilakukan menggunakan metode klasifikasi k-Nearest Neighbor (k-NN) untuk
mengidentifikasi skala warna tanah. Hasil akurasi rata-rata tertinggi pada
kelompok warna hue mencapai 45,00% pada nilai k=5. Selain itu diperoleh nilai
akurasi tertinggi untuk semua nilai k pada salah satu komponen warna (2,5YR)
sebesar 64,28%.
.
Saran
Beberapa hal yang dapat dikembangakan pada sistem ini yaitu:
1 Untuk pengembangan lebih lanjut dalam menambah akurasi aplikasi
sebelumnya persiapkan data untuk praproses dengan maksimal.
2 Pengambilan data uji dapat dilakukan dengan mengunduh soil color chart di
playstore (keyword: soil color chart).
3 Dapat digunakan metode hierarki dalam melakukan klasifikasi 7 kelompok
warna hue.
4 Pengembangan untuk mengelompokkan nilai value dan chroma dapat
menggunakan kalibrasi yang telah diperoleh dalam penelitian ini.
DAFTAR PUSTAKA
Acharya T, Ray AK. 2005. Image Processing Principles and Applications. New
Jersey (US): John Wiley and Sons, Inc, Hoboken.
Anonim. 2009. Munsell Soil Color Chart. Munsell Color.
Anonim2. HSL and HSV. [Internet]. [diunduh 2013 Novemver 23]. Tersedia pada
http://en.wikipedia.org/wiki/HSL_and_HSV
Balai Penelitian Tanah. 2004. Petunjuk Teknis Pengamatan Tanah. A. Hidayat,
editor. Balai Penelitian Tanah, Pusat Penelitian dan Pengembangan Tanah
dan Agroklimat, Departemen Pertanian. hlm 117.
Boiman O, Shechtman E, Irani M. 2008. In defense of nearest neighbor based
image classification. 2008 IEEE Conference on Computer vision and pattern
recognition: 1-8.
Ford A, Roberts A. 1998. Colour Space Conversion. London (GB): Westminster
University.
Gonzales RC, Wintz Paul. 1987. Second Edition: Digital Image Processing.
Boston (US): Addison-Wesley Publishing Company.
15
Hardjowigeno S. 1985. Genesis dan Klasifikasi Tanah. Fakultas Pasca Sarjana,
Institut Pertanian Bogor. Bogor
Ritung S, Sukarman dan Rofik. 2004. Pencatatan hasil pengamatan. Di dalam: A.
Hidayat, editor. Petunjuk Teknis Pengamatan Tanah. Balai Penelitian
Tanah, Pusat Penelitian dan Pengembangan Tanah dan Agroklimat,
Departemen Pertanian. Bogor. hlm 22-110.
Satyalesmana E. 2013. Aplikasi Bagan Warna Daun untuk Optimasi Pemupukan
Tanaman Padi Menggunakan K-Nearest Neighbor. [skripsi]. Bogor: Institut
Pertanian Bogor.
Soepardi G. 1983. Sifat dan Ciri Tanah. Fakultas Pertanian Institut Pertanian
Bogor. Bogor.
Song Y. 2007. Informative k-Nearest Neighbor pattern classification. SpringerVerlag Berlin Heidelberg. hlm 248-264.
Wahyudi. 2012.“
”
I
. [Internet]. [diunduh 2014
Februari 23]. Tersedia pada http://tekno.kompas.com/read/2012/12/18/
09270540/2013.Robot.Hijau.Masih.Kuasai.Indonesia
Walpole ER. 1992. Pengantar Statistika. Jakarta (ID): Gramedia.
16
LAMPIRAN
17
Lampiran 1 Screenshoot aplikasi pengolah data
a. Tampilan situs mSCC
Halaman home admin
Halaman admin
Halaman tambah data citra
18
Lampiran 1 Lanjutan
Halaman Konversi RGB ke HVC
19
Lampiran 2 Konversi value dan chroma pada masing-masing model warna
9
y = 10,746x + 0,0598
R² = 0,8458
8
7
Value Alat
6
5
4
3
2
1
0
0,00
0,10
0,20
0,30
0,40
0,50
0,60
0,70
0,80
Value MSCC
Nilai value untuk skala warna hue 2,5Y
9
y = 17,439x + 1,4879
R² = 0,8462
8
Chroma Alat
7
6
5
4
3
2
1
0
0,00
0,05
0,10
0,15
0,20
0,25
0,30
0,35
Chroma MSCC
Nilai chroma untuk skala warna hue 2,5Y
0,40
20
Lampiran 2 Lanjutan
0,30
0,25
y = 0,0294x - 0,037
R² = 0,8209
Value Alat
0,20
0,15
0,10
0,05
0,00
0
2
4
-0,05
6
8
10
Value MSCC
Nilai value untuk skala warna hue 2,5YR
9
y = 27,952x + 1,6997
R² = 0,798
8
Chroma Alat
7
6
5
4
3
2
1
0
0,00
0,05
0,10
0,15
0,20
0,25
Chroma MSCC
Nilai chroma untuk skala warna hue 2,5YR
0,30
21
Lampiran 2 Lanjutan
9
8
y = 0,0315x + 5,6783
R² = 0,0229
6
5
4
3
2
1
0
0,00
10,00
20,00
30,00
40,00
50,00
Value Alat
Nilai value untuk skala warna hue 5Y
9
y = 18,71x + 1,1782
R² = 0,9619
8
7
Charoma MSCC
Value MSCC
7
6
5
4
3
2
1
0
0,00
0,05
0,10
0,15
0,20
0,25
0,30
Chroma Alat
Nilai chroma untuk skala warna hue 5Y
0,35
0,40
22
Lampiran 2 Lanjutan
9
y = 10,828x - 0,2688
R² = 0,8887
8
Value MSCC
7
6
5
4
3
2
1
0
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
Value Alat
Nilai value untuk skala warna hue 7,5YR
9
y = 22,006x + 1,6804
R² = 0,8985
8
Chroma MSCC
7
6
5
4
3
2
1
0
0
0,05
0,1
0,15
0,2
0,25
Chroma Alat
Nilai chroma untuk skala warna hue 7,5YR
0,3
0,35
23
Lampiran 2 Lanjutan
9
8
y = 11,77x - 1,0639
R² = 0,871
7
Value Alat
6
5
4
3
2
1
0
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
Value MSCC
Nilai value untuk skala warna hue 10R
10
y = 17,22x + 2,3343
R² = 0,3902
9
Chroma MSCC
8
7
6
5
4
3
2
1
0
0
0,1
0,2
0,3
0,4
Chroma Alat
Nilai chroma untuk skala warna hue 10R
0,5
24
Lampiran 2 Lanjutan
9
y = 10,896x - 0,2331
R² = 0,9073
8
Value MSCC
7
6
5
4
3
2
1
0
0
0,2
0,4
0,6
0,8
1
Value Alat
Nilai value untuk skala warna hue 10YR
9
y = 19,847x + 1,7404
R² = 0,84
8
Chroma MSCC
7
6
5
4
3
2
1
0
0
0,05
0,1
0,15
0,2
0,25
Chroma Alat
Nilai chroma untuk skala warna hue 10R
0,3
0,35
25
Lampiran 3 Rumus Kalibrasi Skala Warna
Skala Warna
Hue 2,5Y
Rumus Kalibrasi
VMSCC = 10,746 Valat – 0,0598
CMSCC = 27,439 Calat + 1,4879
Hue 2,5YR
VMSCC = 0,0294 Valat - 0.037
CMSCC = 27,952 Calat + 1,6997
Hue 5Y
VMSCC = 0,0315 Valat + 5,6783
CMSCC = 18,71 Calat + 1.1782
Hue 5YR
VMSCC = 10,5992 Valat - 0.4956
CMSCC = 7,1189 Calat + 2,8021
Hue 7,5YR
VMSCC = 10.828 Valat - 0.2688
CMSCC = 22.006 Calat + 1.6804
Hue 10Y
VMSCC = 11.77 Valat - 1.0639
CMSCC = 17,22 Calat + 2,3343
Hue 10YR
VMSCC = 10.8965 Valat - 0.2331
CMSCC = 19,847 Calat + 1,7404
26
Lampiran 4 Konversi Skala Warna Khusus Hue
Heu 2,5Y
46.33
45.12
40.99
40.82
38.45
14.59
44.21
41.98
37.99
34.58
33.87
52.31
40.69
39.14
36.53
31.83
26.29
4.71
33.47
129.39
32.17
29.22
25.94
49.26
28.49
25.43
26.06
43.77
40.87
36.82
0.00
Heu 2,5YR
17.54
38.03
151.63
3.71
20.95
19.96
14.40
15.34
175.00
0.00
19.10
15.90
13.90
9.94
10.14
188.76
15.01
12.79
10.32
10.82
22.78
195.17
7.55
9.20
10.60
107.64
7.20
26.88
260.44
27.57
30.02
114.65
168.70
136.77
56.80
148.36
312.50
Heu 5Y
51.87
50.66
49.60
47.93
49.13
20.69
49.53
47.16
45.68
42.93
43.43
14.75
46.99
46.33
45.94
43.59
31.42
61.92
41.12
40.57
36.60
27.61
81.19
32.88
31.79
27.27
13.13
10.29
0.00
0.00
36.20
Hue 5YR Hue 7,5YR
17.27
34.5
20.49
30.6
128.10
30.1
40.7
0.00
20.13
0.0
19.34
33.1
13.09
31.7
34.84
25.8
134.98
25.4
22.5
0.00
18.99
0.0
16.23
30.0
14.24
27.9
7.85
23.0
24.55
17.3
288.15
17.4
19.07
70.3
18.18
24.6
14.95
23.2
12.58
20.6
11.33
15.0
197.76
24.8
13.79
0.0
9.12
16.6
7.69
16.7
12.53
16.6
28.3
0.00
79.35
62.9
121.45
45.8
237.13
12.6
185.22
294.0
Hue 10Y
16.42
19.01
75.38
0.00
15.12
13.81
12.94
61.14
331.51
0.00
12.56
12.91
11.50
14.66
8.98
157.04
7.50
9.73
6.47
6.81
291.84
193.20
8.74
12.59
126.35
186.80
203.89
286.70
352.19
243.18
318.90
311.62
125.29
253.03
Hue 10YR
41.03
38.89
38.30
34.77
45.15
21.38
38.08
37.32
32.18
30.63
35.77
1.24
35.72
33.63
28.20
23.95
25.26
0.00
30.94
27.94
27.66
26.52
13.93
0.00
23.48
21.13
21.11
13.33
0.00
22.24
23.73
27
Lampiran 5 Screenshoot aplikasi android
Menu Home
Menu Galeri
Menu Kamera
Menu Petunjuk
Pemilihan citra dari galeri
Proses citra dari galeri
28
Lampiran 5 Lanjutan
Proses citra dari kamera
Proses identifikasi
Hasil identifikasi
29
RIWAYAT HIDUP
Ahmad Zulfikar S lahir pada tanggal 1 Juli 1992 di Kabupaten Selayar
Provinsi Sulawesi Selatan, dari pasangan H Drs Sidi dan Hj Nur Hidayat. Pada
tahun 2010, penulis lulus dari SMA Negeri 1 Benteng Selayar dan diterima
sebagai mahasiswa di Departemen Ilmu Komputer, Institut Pertanian Bogor (IPB)
melalui jalur Undangan Seleksi Masuk IPB.
Selama menjadi mahasiswa, penulis pernah menjadi Panitia Seminar Bidang
MIPA BKS-PTN Barat (SEMIRATA 2014) sebagai Koordinator Panitia. Pada
tahun 2013, penulis melaksanakan kegiatan Praktik Kerja Lapangan (PKL) di
International Collaboration Office (ICO) IPB selama 35 hari kerja. Selama
perkuliahan, penulis juga aktif dalam organisasi Himpunan Mahasiswa Ilmu
Komputer (HIMALKOM) dan Organisasi Mahasiswa Daerah Ikatan Mahasiswa
Sulawesi Selatan-Barat (IKAMI SULSEL-BAR). Penulis juga aktif diberbagai
kegiatan kepanitiaan kegiatan kampus dan menjadi salah satu pengajar di LPK
Tepi Sawah desa Cekonjen Kabupaten Bogor. Selain itu Penulis juga pernah
menjadi Panitia bidang Devisi D3 pada acara IT TODAY 2012.
COLOR CHART BERBASIS ANDROID MENGGUNAKAN
HISTOGRAM RUANG CITRA HVC
DENGAN KLASIFIKASI K-NN
AHMAD ZULFIKAR S
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Penelitian untuk Aplikasi Mobile Soil Color Chart berbasis Android
Menggunakan Histogram Ruang Citra HVC dengan Klasifikasi k-NN adalah
benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan
dalam bentuk apapun kepada perguruan tinggi manapun. Sumber informasi yang
berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari
penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di
bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor beserta Balai Besar Penelitian dan Pengembangan Sumberdaya
Lahan Pertanian, Badan Penelitian dan Pengembangan Pertanian, Kementerian
Pertanian.
Bogor, Oktober 2014
Ahmad Zulfikar S
NIM G64100054
ABSTRAK
AHMAD ZULFIKAR S. Penelitian untuk Mobile Munsell Soil Color Chart
Berbasis Android dengan Menggunakan Histogram Ruang Citra HVC dengan
Klasifikasi k-NN. Dibimbing oleh KARLISA PRIANDANA dan SUKARMAN.
Menentukan warna tanah bukan perkara mudah karena banyaknya jenis
tanah dan tingginya tingkat kemiripan warna tanah. Untuk mengatasi kesulitan ini,
para praktisi menggunakan suatu buku pedoman warna tanah yaitu Munsell Soil
Color Chart (MSCC). Penelitian ini bertujuan mengembangkan aplikasi mobile
untuk mengidentifikasi warna tanah dalam menentukan warna mayor tanah sesuai
buku MSCC. Aplikasi dibangun menggunakan pemodelan warna HVC dengan
komponen warna hue, value, dan chroma. Penelitian ini menekankan klasifikasi
untuk warna hue saja. Namun demikian, diteliti juga komponen warna value dan
chroma. Citra yang digunakan sebagai data latih adalah 259 citra dari buku
MSCC yang masing-masing berukuran 1600 piksel. Data warna hue dari setiap
piksel ini dianalisis dalam bentuk histogram dan diklasifikasikan dengan k-NN.
Hasil penelitian menunjukkan bahwa akurasi tertinggi dalam klasifikasi nilai hue
adalah 45% pada nilai k=5. Akurasi mungkin dapat ditingkatkan dengan cara
menggunakan data soil color yang sudah tersedia secara online.
Kata kunci: Android, HVC, k-NN, Munsell Soil Color Chart.
ABSTRACT
AHMAD ZULFIKAR S. Study on Android-Based Mobile Munsell Soil Color
Chart by Using HVC Color Model Histogram with k-NN Classification.
Supervised by KARLISA PRIANDANA and SUKARMAN.
Soil color determination is a challenging task because of the various types
of soil and the high similarity of soil color. Munsell Soil Color Chart (MSCC) is
used to overcome this issue. The purpose of this research is to develop an androidbased mobile application to identify the major color of soil according to MSCC.
The application utilized HVC color model with hue, value, and chroma color
components. The hue color component had been the main concern of this research,
although the value and chorma color components were also observed. The training
data were 259 images from MSCC, with 1600 pixels each. Hue color data from
these pixels were analyzed in the form of histogram and classified with k-NN. The
results showed that the highest classification accuracy of hue value was 45% at
k=5, this accuracy may be improved by utilizing the soil color data that are
available online.
Keyword: Android, HVC, k-NN, Munsell Soil Color Chart.
PENELITIAN UNTUK APLIKASI MOBILE MUNSELL SOIL
COLOR CHART BERBASIS ANDROID MENGGUNAKAN
HISTOGRAM RUANG CITRA HVC
DENGAN KLASIFIKASI K-NN
AHMAD ZULFIKAR S
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
Penguji: Endang Purnama Giri, SKom MKom
Judul Skripsi : Penelitian untuk Aplikasi Mobile Munsell Soil Color Chart
Berbasis Android Menggunakan Histogram Ruang Citra HVC
dengan Klasifikasi k-NN
Nama
: Ahmad Zulfikar S
NIM
: G64100054
Disetujui oleh
Karlisa Priandana, ST MEng
Pembimbing I
Dr Ir Sukarman, MS
Pembimbing II
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Tanggal Lulus:
PRAKATA
Puji syukur penulis panjatkan kepada Allah Subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Shalawat serta
salam penulis sampaikan kepada Nabi Muhammad Shalallahu ‘alaihi wassalam.
Judul penelitian yang dilaksanakan sejak bulan November 2013 ini ialah
Penelitian untuk Aplikasi Mobile Munsell Soil Color Chart Berbasis Android
Menggunakan Histogram Ruang Citra HVC dengan Klasifikasi k-NN ini tidak
lepas dari bantuan berbagai pihak. Oleh karena itu, penulis menyampaikan ucapan
terima kasih kepada:
1 Kedua orang tua tercinta Drs H Sidi dan Hj Nur Hidayat, serta Keluarga besar
yang selalu memberikan doa dan dukungan moral.
2 Ibu Karlisa Priandana, ST MEng dan Dr Ir Sukarman, MS, selaku dosen
pembimbing yang selalu sabar dalam memberikan ilmu dan bimbingan selama
penyelesaian skripsi.
3 Endang Purnamagiri sebagai dosen penguji atas segala kritik, masukan dan
saran yang diberikan kepada penulis terhadap penelitian ini.
4 Staff Balai Besar Penelitian dan Pengembangan Sumberdaya Lahan Pertanian
Bogor yang telah membantu dalam memperoleh data dan sumber informasi.
5 Sodik Kirono, S Komp dan Wahyu Dwi Atmoko, S Komp serta teman-teman
Ilmu Komputer atas pengalaman berbagi ilmu, kebersamaan dan dukungannya
selama menjalani studi di Departemen Ilmu Komputer IPB.
6 Staf pengajar dan staf tata usaha Departemen Ilmu Komputer yang telah
banyak membantu baik selama masa perkuliahan maupun pada saat penelitian.
Dan semua pihak yang telah banyak memberikan kontribusi yang besar
dalam penyelesaian tugas akhir yang tidak dapat disebutkan satu persatu.
Semoga karya ilmiah ini bermanfaat.
Bogor, Oktober 2014
Ahmad Zulfikar S
DAFTAR ISI
DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
DAFTAR LAMPIRAN
PENDAHULUAN
Latar Belakang
Perumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Ruang Lingkup Penelitian
TINJAUAN PUSTAKA
Warna Tanah
Warna Tanah dan Karatan
Model Warna
Metode Klasifikasi k-Nearest Neighbor
Jarak histogram
METODE PENELITIAN
1. PC
2. Mobile device
Lingkungan pengembangan
HASIL DAN PEMBAHASAN
SIMPULAN DAN SARAN
Simpulan
Saran
DAFTAR PUSTAKA
LAMPIRAN
IX
X
X
X
1
1
2
2
2
2
3
3
3
5
6
6
6
7
8
9
10
14
14
14
14
16
DAFTAR TABEL
1
Tabel 1 Perbandingan nilai akurasi setiap komponen warna hue
13
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
Sistem koordinat model warna (a) RGB dan (b) HVC
Metode klasifikasi k-Nearest Neighbor
Metode Penelitian
Alur sistem untuk identifikasi citra
Proses Pemotongan Citra dari buku MSCC
Nilai value untuk skala warna hue 5YR
Nilai chroma untuk skala warna hue 5YR
Pola value/chroma dari Gambar 6 dan 7
Perbandingan akurasi rata-rata untuk setiap nilai k
5
6
7
9
10
11
11
12
13
DAFTAR LAMPIRAN
Screenshoot aplikasi pengolah data
2 Konversi value dan chroma pada masing-masing model warna
3 Rumus Kalibrasi Skala Warna
4 Konversi Skala Warna Khusus Hue
5 Screenshoot aplikasi android
1
17
19
25
26
27
PENDAHULUAN
Latar Belakang
Tanah sangat penting untuk mendukung kehidupan tumbuhan dengan
menyediakan unsur hara dan air serta sebagai penopang akar. Di dalam tanah,
terdapat berbagai unsur hara atau partikel yang sangat berperan penting bagi
kelangsungan hidup tanaman seperti kandungan bahan organik, kondisi drainase,
dan aerasi (Soepardi 1983). Warna tanah sering digunakan sebagai salah satu
perameter untuk mengklasifikasikan tanah. Hasil klasifikasi tanah selanjutnya
digunakan sebagai dasar penilaian kesesuaian lahan berbagai tanaman pertanian
maupun tanaman kehutanan.
Dalam penelitian sumberdaya tanah saat ini, Munsell Soil Color Chart
(MSCC) digunakan sebagai standar: (1) warna dasar atau warna matriks, dan (2)
warna karatan sebagai hasil dari proses oksidasi dan reduksi di dalam tanah (Balai
Penelitian Tanah 2004). Cara penggunaan MSCC adalah dengan mengecek
kemiripan warna tanah pada pedoman warna yang terdapat dalam MSCC. Selama
penggunaannya, buku tersebut perlu dibawa ke lapangan untuk dijadikan sebagai
pedoman mencocokkan warna tanah. Namun, apabila penetapan warna ini
dilakukan secara manual, sangat mungkin terjadi kesalahan sehingga informasi
yang diperoleh kurang akurat. Selain itu, untuk melakukan pengukuran dengan
buku MSCC dapat meninmbulkan berbagai resiko diantaranya adalah cepat
rusaknya buku MSCC tersebut yang berharga cukup mahal. Berkaitan dengan hal
tersebut di atas maka diperlukan alternatif lain cara pengukuran warna tanah yang
lebih akurat, aman, dan praktis.
Era modern membuat teknologi berkembang sangat pesat terutama mobile
device berbasis Android sehingga memotivasi pengembang untuk membuat
berbagai aplikasi yang mempermudah aktivitas dan pekerjaan sehari-hari.
Menurut data yang dikeluarkan oleh International Data Corporation (IDC) pada
tahun 2012, sistem operasi Android menguasai sekitar 52% dari total smartphone
yang dipakai oleh masyarakat Indonesia (Wahyudi 2012). Oleh karena itu, dalam
penelitian ini aplikasi akan dibangun dengan menggunakan sistem operasi yang
berbasis Android. Fitur warna yang diekstraksi adalah fitur warna pada ruang citra
Hue, Value, Chroma (HVC). Hal ini dilakukan karena MSCC menggunakan
ruang citra HVC untuk mengklasifikasikan warna tanah.
Menurut buku Anonim (2009), hue adalah warna spektrum yang dominan
sesuai dengan panjang gelombangnya. Value menunjukkan gelap terangnya warna,
sesuai dengan banyaknya sinar yang dipantulkan. Chroma menunjukkan
kemurnian atau kekuatan dari warna spektrum. Chroma didefiniskan juga sebagai
gradasi kemurnian dari warna atau derajat pembeda adanya perubahan warna dari
kelabu atau putih netral ke warna lainnya.
Penelitian ini mengembangkan suatu aplikasi mobile yang dapat
mengklasifikasikan warna tanah berdasarkan MSCC secara otomatis sehingga
dapat mengurangi kemungkinan kesalahan pencocokan warna tanah, serta
mempermudah pengguna MSCC.
Menurut Boiman et al. (2008) metode klasifikasi k-Nearest Neighbor (k-NN)
sangat sederhana, efisien dan kinerjanya sangat baik dalam klasifikasi citra. Oleh
2
karena itu, untuk mengklasifikan skala warna tanah pada perangkat mobile, akan
digunakan warna mayor pada tanah namun sebelumnya, dibandingkan dengan
ruang citra HVC pada data latih dengan menggunkan klasifikasi k-NN.
Perumusan Masalah
Belum tersedianya mobile application berbasis android untuk mendeteksi
warna tanah secara otomatis bedasarkan buku MSCC.
Tujuan Penelitian
Berdasarkan rumusan permasalahan tersebut di atas, maka penelitian ini
bertujuan untuk mengembangkan suatu aplikasi mobile berbasis android yang
dapat mengklasifikasikan warna tanah berdasarkan MSCC secara otomatis.
Manfaat Penelitian
Hasil dari penelitian ini dapat dijadikan dasar untuk penelitian selanjutnya
dalam rangka mengembangkan suatu aplikasi mobile berbasis android, serta akan
membantu peneliti di Balai Besar Penelitian Tanah Bogor untuk meminimalkan
biaya dan waktu dalam mengklasifikasikan warna tanah.
Ruang Lingkup Penelitian
Ruang lingkup penelitian ini, yaitu:
1 Data uji dan data latih menggunakan data yang sama yaitu dari buku MSCC
yang diberikan oleh Balai Besar Penelitian dan Pengembangan Sumberdaya
Lahan Pertanian,
2 pengambilan citra dilakukan pada keadaan cerah dan dimulai pada pukul
8.00-11.00,
3 kamera yang digunakan adalah kamera dari perangkat mobile dengan
resolusi 8 megapiksel,
4 fokus kepada model warna hue dengan menampilkan warna dominan saja.
3
TINJAUAN PUSTAKA
Warna Tanah
Menurut Ritung et al. (2004:74) “warna tanah merupakan ciri tanah paling
mudah ditentukan ketika di lapangan. Warna mencerminkan beberapa sifat tanah
tertentu”.
Warna tanah dibedakan atas: (a) warna dasar tanah atau warna matriks, dan
(b) warna karatan sebagai proses dari hasil oksidasi dan reduksi di dalam tanah.
1. Warna matriks
Warna tanah ditentukan dengan standar warna sesuai buku MSCC,
dinyatakan dalam 3 model warna: hue, value, dan chroma menurut nama
yang tercantum dalam lajur yang bersangkutan, yaitu meliputi:
Warna dasar tanah (matriks),
warna bidang struktur dan liat (terutama tanah berstruktur
gumpal/sudut),
warna karatan dan konkresi,
warna plintit,
warna humus.
Dalam menentukan warna tanah harus diperhatikan:
Tanah harus lembab (jika mungkin kering dan lembab),
tanah ditempatkan di bawah lubang kertas Munsell dengan jari/pisau,
tanah tidak bisa mengkilap (kecuali pada warna bidang strukur). Untuk
tujuan khusus, perlu ditambahkan warna tanah setelah dihancurkan atau
diremas,
hindarkan bekerja menetapkan warna tanah sebelum jam 09.00 dan
sesudah jam 16.00,
jika warna tanah tidak tepat dengan warna pada buku Munsell, maka
akan diberikan angka-angka hue, value, dan chroma tertinggi dan
terendah yang membatasinya.
Contoh: warna tanah ditulis 7,5YR 5/4 artinya hue 7,5YR, value 5 dan
chroma 4, warna tanah coklat.
2.
Karatan
Karatan adalah gejala kelainan warna tanah, yang diakibatkan oleh 2
proses kimia yaitu proses reduksi dan oksidasi. Karatan dalam penampang
tanah dicatat mengenai jumlah (kadar), ukuran (kontras), batas, bentuk, dan
warnanya.
Warna Tanah dan Karatan
Hal yang sama juga diungkapkan Hardjowigeno (1985:10), “bahwa warna
tanah merupakan sifat morfologi yang paling mudah dibedakan. Warna
merupakan petunjuk untuk beberapa sifat tanah, misalnya: warna hitam
menunjukkan kandungan bahan organik tinggi. Warna merah menunjukkan
4
adanya oksidasi bebas (tanah-tanah yang teroksidasi). Warna abu-abu atau
kebiruan menunjukkan adanya reduksi”.
Perlu diketahui bahwasanya hubungan warna tanah dengan kandungan
bahan organik di daerah tropika banyak yang tidak sesuai dengan yang ditemukan
di benua Amerika atau Eropa atau daerah beriklim sedang. Misal, tanah-tanah
merah di Indonesia banyak yang mempunyai bahan organik lebih dari satu persen,
sama dengan kandungan organik tanah hitam di daerah-daerah yang beriklim
sedang.
Menurut Hardjowigeno (1985) selain warna tanah, karatan tanah juga perlu
dipelajari lebih lanjut khususnya penyifatan tanah yang meliputi jumlah, ukuran
dan bandingan (kontras).
Jumlah
Sedikit = < 2%
Sedang = 2-20%
Banyak = >20%
Ukuran
Kecil = diameter terpanjang < 5 mm
Sedang = diameter antara 5 -15 mm
Bedar = diameter > 15 mm
Bandingan
Baur
= ada karatan tidak jelas, jika tidak diamati dengan teliti. Warna
karatan dan metriks mempunyai hue dan chroma dan hampir
sama.
Jelas
= walaupun tidak nyata, tetapi karatan mudah terlihat, warna
matriks dan kartan mudah dubedakan karena masing-masing
mempunyai hue, value dan chroma yang berbeda. Warna
mungkin berbeda satu-dua hue atau beberapa unit value
(chroma).
Buku MSCC edisi ke-4 mengatakan terdapat tiga variabel penting pada
warna tanah seperti: hue, value, dan chroma. Hue adalah warna spektrum yang
dominan sesuai dengan panjang gelombangnya. Value menunjukkan gelap
terangnya warna, sesuai dengan banyaknya sinar yang dipantulkan. Chroma
menunjukkan kemurnian atau kekuatan dari warna spektrum. Chroma sendiri
didefiniskan juga sebagai gradasi kemurnian dari warna atau derajat pembeda
adanya perubahan warna dari kelabu atau putih netral.
Merujuk buku MSCC dalam menentukan nilai hue dimulai dari spektrum
dominan paling merah (5R) sampai spektrum dominan paling kuning (5Y). Selain
itu, di dalam beberapa buku MSCC sering terdapat juga untuk warna-warna tanah
tereduksi (gley).
Value dibedakan dari 2-8, semakin tinggi nilai value maka menunjukkan
warna makin terang yang menandakan semakin banyak sinar yang dapat
dipantulkan oleh tanah tersebut. Nilai Value pada lembar buku MSCC terbentang
secara vertikal dari bawah ke atas dengan angka 2 menunjukkan paling gelap dan
angka 8 menunjukkan paling terang, sedangkan chroma juga dibagi dengan
rentang 1 dan 8, semakin tinggi chroma menunjukkan kemurnian spektrum atau
kekuatan warna spektrum makin meningkat dan begitu pula sebaliknya.
5
Model Warna
Suatu warna didasarkan pada perbedaan eksitasi dari 3 penerima cahaya di
dalam retina. Ketiga warna tersebut adalah merah, hijau dan biru (red, green, dan
blue, atau sering disingkat RGB) yang akan menentukan warna dari suatu obyek
(Ford dan Roberts 1998).
Nilai H (hue), S (saturation) dan V (value) dapat diperoleh dari nilai model
warna RGB (Acharya dan Ray 2005) dan dari model warna tersebut dapat pul
diperoleh nilai C (chroma) melalui berikut:
(1)
-
(2)
-
{
o
H = 60 x ’
V=M
(3)
(4)
{
(5)
dengan M
m
-
(a)
(b)
Gambar 1 Sistem koordinat model warna (a) RGB dan (b) HVC
(Sumber Gambar : en.wikipedia.org)
6
Metode Klasifikasi k-Nearest Neighbor
Konsep dasar dari metode k-NN adalah mencari jarak terdekat antara data
uji dengan sejumlah k tetangga terdekat dalam data latih (Gambar 2). Berikut
algoritme k-NN (Song 2007):
1 Menentukan nilai k,
2 menghitung jarak antara data uji dengan setiap data latih,
3 mendapatkan k data yang memiliki jarak terdekat,
4 k data yang memiliki jarak terdekat, diperoleh kelas yang paling banyak
muncul,
5 kelas yang paling banyak muncul ditentukan sebagai kelas dari data uji.
Jarak histogram
Perhitungan jarak antara histogram A dan histogram B dilakukan dengan
rumus jarak Euclidean (Gonzales et al. 1987):
√∑
(6)
dengan:
= histogram A, Indeks array ke j
= histogram B, Indeks array ke j
n
= panjang/rentang histogram
METODE PENELITIAN
Pembuatan aplikasi mobile untuk mengidentifikasi warna tanah berbasis
citra diimplementasikan pada mobile device untuk tempat penyimpanan database.
Tahapan penelitian mengacu pada penelitian sebelumnya oleh Satyalesmana
(2013). Tahap penelitian dapat dilihat pada Gambar 3.
?
Gambar 2 Metode klasifikasi k-Nearest Neighbor
7
Mulai
Akuisisi
Data Uji
Data latih
Praproses
Praproses
Ekstraksi
Ekstraksi
Klasifikasi
Model
Klasifikasi
Hasil Klasifikasi
Evaluasi
Selesai
Mobile Device
PC
Gambar 3 Metode Penelitian
Tahapan awal dilakukan proses akuisisi citra dengan mengambil citra data
uji dan data latih. Masukan untuk data uji dan data latih berasal dari MSCC.
Pembangunan model klasifikasi dan database histogram dilakukan pada PC untuk
kemudian digunakan pada mobile device.
1. PC
Citra dari MSCC akan digunakan untuk pembuatan model. Model dibuat
dengan cara melakukan training pada citra. Berikut tahapan dalam proses training:
Akuisisi
Tahap ini dilakukan untuk pengambilan citra digital dari buku MSCC
dari Balai Besar Penelitian dan Pengembangan Sumberdaya Lahan
Pertanian yang bertujuan guna pembuatan data latih dan data uji citra.
Praproses
Praproses dilakukan untuk pemotongan citra digital yang bertujuan
untuk mengambil bagian citra yang ingin diproses. Proses ini dilakukan
untuk menurunkan waktu komputasi dikarenakan citra yang diambil lebih
kecil dan bagian yang tidak terkait warna larutan dapat dihilangkan. Tahap
8
praproses data latih dilakukan di PC untuk menghasilkan model klasifikasi
yang akan digunakan pada saat implementasi di aplikasi mobile, sedangkan
tahap praproses untuk data uji dilakukan di ponsel pada saat pengujian.
Ekstraksi Ciri
Tahap ini dilakukan untuk mengambil nilai komponen warna pada
setiap citra yang diperoleh dari tahapan praproses. Komponen warna yang
diperoleh tersebut merupakan model warna RGB. Untuk memperoleh model
warna HVC maka dilakukan konversi warna dari RGB tersebut. Hasil
konversi tersebut kemudian ditampilkan dalam histogram dengan
mengambil nilai dari setiap piksel dengan rentang 0-255.
Model Klasifikasi
Klasifikasi dilakukan berdasarkan hasil yang diperoleh dari tahap
sebelumnya. Metode klasifikasi yang digunakan adalah membandingkan
nilai HVC masing-masing piksel pada data uji dengan nilai HVC pada data
latih untuk menemukan nilai histogramnya. Nilai histogram akan
diklasifikasi dengan k-NN. Perhitungan jarak yang dipakai untuk
menentukan jarak antar histogram adalah jarak Euclidian. Euclidian akan
menghitung jarak histogram warna dari citra tanah sebagai data uji dengan
setiap 259 histogram warna sebagai data latih yang terdapat pada model
klasifikasi. Setelah diperoleh sebanyak k data yang memiliki jarak terdekat,
kemudian diketahui kelas yang paling banyak muncul, kelas tersebut adalah
kelas dari data uji.
Pengujian dan Evaluasi
Evaluasi hasil klasifikasi dapat dilakukan dengan cara menghitung
tingkat akurasi menggunakan rumus sebagai berikut:
(7)
Evaluasi hasil pengujian dilihat dengan menghitung nilai koefisien
determinasi (R2). R2 digunakan untuk mengukur seberapa baik garis regresi
yang terbentuk oleh nilai dugaan dengan nilai aktualnya, semakin baik jika
mendekati 1. Menurut Walpole (1992), R2 dihitung dengan menggunakan
Persamaan 8:
̅
[∑ni
̅]
i
∑ni
i
i
̅
i
̅
dengan:
= nilai aktual, = nilai prediksi,
̅ = nilai aktual rata-rata, ̅ = nilai prediksi rata-rata.
(8)
2. Mobile device
Mobile device melakukan proses pengenalan citra menggunakan
perbandingan nilai HVC antara masing-masing nilai HVC pada data uji dengan
nilai HVC data latih. Ketika dijalankan aplikasi secara otomatis melakukan
9
praproses (cropping) dan proses ekstraksi fitur (pengambilan nilai hue, value, dan
chroma). Basisdata yang digunakan diperoleh dari PC, kemudian digunakan
untuk membandingkan nilai HVC pada citra data uji pada mobile dengan nilai
HVC pada basisdata.
Alur sistem untuk identifikasi citra pada aplikasi mobile yang akan
dibangun dapat dilihat pada Gambar 4, tahapan identifikasi citra dimulai dengan
proses pengambilan citra tanah untuk memperoleh data uji. Selanjutnya, citra dari
data uji yang tidak ingin diproses dipotong. Jika citra digital yang diperoleh
kurang baik maka aplikasi akan meminta untuk akuisisi citra lagi, sedangkan jika
citra digital yang diperoleh sudah baik maka dilakukan ekstraksi ciri untuk tahap
klasifikasi. Hasil klasifikasi akan dievaluasi sebagai tahap akhir dari tahapan ini.
Lingkungan pengembangan
Lingkungan pengembangan yang digunakan pada penelitian ini memiliki
spesifikasi sebagai berikut:
1. Perangkat Lunak
OpenCv
Notepad++
InkScape
Macromedia
XAMPP.
2. Pengkat Keras
Smartphone Lenovo P780 (OS. 4.2.1, Kamera 8MP)
Notebook Samsung (Spesifikasi Prosesor AMD Vision A6, AMD
Radeon Grafik 2.70 GHz).
Mulai
Akuisisi Citra
Praproses
Data uji
Tidak
Citra Dapat
Digunakan?
Ya
Ekstraksi Ciri
Selesai
Hasil
Klasifikasi
Klasifikasi
Gambar 4 Alur sistem untuk identifikasi citra
10
HASIL DAN PEMBAHASAN
Aplikasi yang dibangun yaitu aplikasi mobile berbasis android yang
bertujuan untuk mengidentifikasi warna tanah. Aplikasi ini diimplementasikan
pada mobile device.
Akuisisi
Tahap ini dilakukan untuk mengambil citra digital dari buku MSCC
sebagai data latih. Hasil akuisisi citra tersebut menghasilkan sebanyak 47
data citra dari setiap skala warna (7 kelompok hue dari buku MSCC)
sehingga diperoleh 259 data citra. Data uji yang digunakan sebanyak 140
data citra yang diambil secara acak pada data latih.
Praproses
Citra yang telah diakuisisi pada tahap sebelumnya dipotong sehingga
menjadi berukuran 40x40 piksel. Proses pemotongan citra dari buku MSCC
(Gambar 5).
Ekstraksi Ciri
Nilai piksel yang diperoleh pada tiap-tiap citra dikonversi kedalam
file .txt menggunakan PC (Lampiran 1). Isi di dalam file tersebut berupa
nilai histogram HVC dari 259 citra data latih. Setiap citra hasil pemotongan
menghasilkan 1.600 piksel dengan setiap pikselnya memiliki nilai histogram
dengan rentang antara 0-255. Frekuensi kemunculan setiap nilai piksel
ditampilkan dalam bentuk histogram warna.
Perbandingan hasil konversi RGB ke value dan chroma dalam skala
warna hue 2,5Y dari PC dan buku MSCC yang ditampilkan dalam diagram
garis (Lampiran 2):
Gambar 5 Proses Pemotongan Citra dari buku MSCC
11
Koefisien determinasi value yang tinggi yaitu R²=0.8688 (Gambar 6)
dapat diartikan bahwa secara simultan nilai value yang diperoleh dari alat
terhadap MSCC dapat dijelaskan dalam model sebesar 86%.
Hal berbeda terjadi pada koefisien determinasi chroma yaitu
R²=0.1744 (Gambar 7). Hal ini terjadi karena terdapat data pencilan yang
membuat fungsi tidak linear jika dibandingkan dengan data yang diperoleh
sebelumnya.
Terjadi pengelompokan data yang hampir sama antara nilai hasil
konversi value dan chroma dari PC dengan buku Munsell (Gambar 8).
Namun hasil konversi hue dari PC dengan buku Munsell tidak ditampilkan
dalam diagram garis dikarenakan hasil konversi PC sedikit beragam jika
dibandingkan dengan nilai hue pada buku Munsell yang hanya, memiliki
satu nilai untuk satu skala warna.
10
y = 10,992x - 0,4956
R² = 0,8688
Value MSCC
8
6
4
2
0
0,00
0,20
0,40
0,60
0,80
Value Alat
Gambar 6 Nilai value untuk skala warna hue 5YR
Chroma MSCC
10
y = 7,1189x + 2,8021
R² = 0,1744
8
6
4
2
0
0,00
0,20
0,40
0,60
Chroma Alat
Gambar 7 Nilai chroma untuk skala warna hue 5YR
0,80
12
120,00
100,00
80,00
60,00
40,00
20,00
0,00
1
3
5
7
9
11 13 15 17 19 21 23 25 27 29 31 33
Series1
Alat
Series2
MSCC
Gambar 8 Pola value/chroma dari Gambar 6 dan 7
Untuk pengelompokkan masing-masing warna value dan chroma dalam
mobile application diperlukan kalibrasi. Selain konversi value dan chroma pada
skala warna hue 2,5 Y, juga dilakukan konversi yang sama pada skala warna pada
hue 2,5Y, 2,5YR, 5Y, 7,5YR, 10Y, 10YR dan diperolehlah kalibrasi untuk
masing-masing skala warna (Lampiran 3). Terdapat perbedaan hasil konversi hue
antara konversi PC dengan hasil yang terdapat pada buku MSCC (Lampiran 4).
Hal ini terjadi karena proses digitalisasi dari buku MSCC ke model warna RGB
dan RGB ke model warna HVC.
Klasifikasi
Pengujian dilakukan pada mobile device (Lampiran 5) tanpa harus
terkoneksi dengan PC. Hasil ekstraksi kemudian diklasifikasi dengan k-NN, nilai
k yang digunakan yaitu 1, 2, 3, 3, 5, 6 dan 7 pada pengujian memiliki nilai akurasi
yang berbeda-beda sehingga diperoleh nilai k yang paling baik pada tahap
klasifikasi.
Perbandingan nilai akurasi dengan nilai k untuk komponen warna hue dan
dapat dilihat pada Tabel 1 sebagai berikut:
13
Tabel 1 Perbandingan nilai akurasi setiap komponen warna hue
Nilai
K
1
2
3
4
5
6
7
Akurasi
(%)
Akurasi tiap skala warna mSCC (%)
Hue
Hue
Hue
Hue
Hue
2,5YR
5,5 Y
5,5YR
7,5Y
10R
100,00 10,00
5,00
30,00
10,00
80,00 40,00
15,00
35,00
40,00
75,00 30,00
20,00
0,00
5,00
75,00 50,00
30,00
20,00
0,00
50,00 45,00
50,00
55,00
40,00
30,00 15,00
35,00
40,00
15,00
40,00 40,00
40,00
20,00
20,00
30,71
28,57
18,57
64,28 32,85
Hue
2,5Y
20,00
40,00
40,00
20,00
30,00
55,00
25,00
32,85
Akurasi
(%)
Hue
10YR
40,00
25,00
15,00
30,00
45,00
30,00
50,00
33,57
30,71
39,28
26,42
32,14
45,00
31,42
33,57
Percobaan klasifikasi menggunakan metode k-NN dengan nilai k yang
berbeda-beda yaitu 1, 2, 3, 4, 5, 6 dan 7 pada komponen warna hue menunjukkan
nilai tertinggi pada nilai k=5 yaitu 45,00%. Adapun secara keseluruhan nilai
akurasi rata-rata tertinggi dalam pengelompokan komponen warna untuk semua
nilai k yaitu mencapai 64,28%. Berikut ini tampilan dalam visualisasi dari
persentase Tabel 1 (Gambar 9).
Keseluruhan komponen warna hue pada model warna HVC menghasilkan
akurasi rendah. Hal ini terjadi karena persiapan dalam praproses yang kurang
maksimal. Jika dilihat secara teori informasi yang terkandung di dalam komponen
warna hue lebih kepada informasi keragaman warna, sehingga dimungkinkan
akurasi hue lebih baik lagi.
50
45
Akurasi Rata-rata
40
35
30
25
20
15
10
5
0
1
2
3
4
5
6
7
Nilai k
Gambar 9 Perbandingan akurasi rata-rata untuk setiap nilai k
14
SIMPULAN DAN SARAN
Simpulan
Penelitian ini telah berhasil mengimplementasikan metode ekstraksi fitur
histogram warna pada masing-masing komponen warna R, G, B pada model
warna RGB dan komponen warna H, V, C pada model warna HVC. Implementasi
dilakukan menggunakan metode klasifikasi k-Nearest Neighbor (k-NN) untuk
mengidentifikasi skala warna tanah. Hasil akurasi rata-rata tertinggi pada
kelompok warna hue mencapai 45,00% pada nilai k=5. Selain itu diperoleh nilai
akurasi tertinggi untuk semua nilai k pada salah satu komponen warna (2,5YR)
sebesar 64,28%.
.
Saran
Beberapa hal yang dapat dikembangakan pada sistem ini yaitu:
1 Untuk pengembangan lebih lanjut dalam menambah akurasi aplikasi
sebelumnya persiapkan data untuk praproses dengan maksimal.
2 Pengambilan data uji dapat dilakukan dengan mengunduh soil color chart di
playstore (keyword: soil color chart).
3 Dapat digunakan metode hierarki dalam melakukan klasifikasi 7 kelompok
warna hue.
4 Pengembangan untuk mengelompokkan nilai value dan chroma dapat
menggunakan kalibrasi yang telah diperoleh dalam penelitian ini.
DAFTAR PUSTAKA
Acharya T, Ray AK. 2005. Image Processing Principles and Applications. New
Jersey (US): John Wiley and Sons, Inc, Hoboken.
Anonim. 2009. Munsell Soil Color Chart. Munsell Color.
Anonim2. HSL and HSV. [Internet]. [diunduh 2013 Novemver 23]. Tersedia pada
http://en.wikipedia.org/wiki/HSL_and_HSV
Balai Penelitian Tanah. 2004. Petunjuk Teknis Pengamatan Tanah. A. Hidayat,
editor. Balai Penelitian Tanah, Pusat Penelitian dan Pengembangan Tanah
dan Agroklimat, Departemen Pertanian. hlm 117.
Boiman O, Shechtman E, Irani M. 2008. In defense of nearest neighbor based
image classification. 2008 IEEE Conference on Computer vision and pattern
recognition: 1-8.
Ford A, Roberts A. 1998. Colour Space Conversion. London (GB): Westminster
University.
Gonzales RC, Wintz Paul. 1987. Second Edition: Digital Image Processing.
Boston (US): Addison-Wesley Publishing Company.
15
Hardjowigeno S. 1985. Genesis dan Klasifikasi Tanah. Fakultas Pasca Sarjana,
Institut Pertanian Bogor. Bogor
Ritung S, Sukarman dan Rofik. 2004. Pencatatan hasil pengamatan. Di dalam: A.
Hidayat, editor. Petunjuk Teknis Pengamatan Tanah. Balai Penelitian
Tanah, Pusat Penelitian dan Pengembangan Tanah dan Agroklimat,
Departemen Pertanian. Bogor. hlm 22-110.
Satyalesmana E. 2013. Aplikasi Bagan Warna Daun untuk Optimasi Pemupukan
Tanaman Padi Menggunakan K-Nearest Neighbor. [skripsi]. Bogor: Institut
Pertanian Bogor.
Soepardi G. 1983. Sifat dan Ciri Tanah. Fakultas Pertanian Institut Pertanian
Bogor. Bogor.
Song Y. 2007. Informative k-Nearest Neighbor pattern classification. SpringerVerlag Berlin Heidelberg. hlm 248-264.
Wahyudi. 2012.“
”
I
. [Internet]. [diunduh 2014
Februari 23]. Tersedia pada http://tekno.kompas.com/read/2012/12/18/
09270540/2013.Robot.Hijau.Masih.Kuasai.Indonesia
Walpole ER. 1992. Pengantar Statistika. Jakarta (ID): Gramedia.
16
LAMPIRAN
17
Lampiran 1 Screenshoot aplikasi pengolah data
a. Tampilan situs mSCC
Halaman home admin
Halaman admin
Halaman tambah data citra
18
Lampiran 1 Lanjutan
Halaman Konversi RGB ke HVC
19
Lampiran 2 Konversi value dan chroma pada masing-masing model warna
9
y = 10,746x + 0,0598
R² = 0,8458
8
7
Value Alat
6
5
4
3
2
1
0
0,00
0,10
0,20
0,30
0,40
0,50
0,60
0,70
0,80
Value MSCC
Nilai value untuk skala warna hue 2,5Y
9
y = 17,439x + 1,4879
R² = 0,8462
8
Chroma Alat
7
6
5
4
3
2
1
0
0,00
0,05
0,10
0,15
0,20
0,25
0,30
0,35
Chroma MSCC
Nilai chroma untuk skala warna hue 2,5Y
0,40
20
Lampiran 2 Lanjutan
0,30
0,25
y = 0,0294x - 0,037
R² = 0,8209
Value Alat
0,20
0,15
0,10
0,05
0,00
0
2
4
-0,05
6
8
10
Value MSCC
Nilai value untuk skala warna hue 2,5YR
9
y = 27,952x + 1,6997
R² = 0,798
8
Chroma Alat
7
6
5
4
3
2
1
0
0,00
0,05
0,10
0,15
0,20
0,25
Chroma MSCC
Nilai chroma untuk skala warna hue 2,5YR
0,30
21
Lampiran 2 Lanjutan
9
8
y = 0,0315x + 5,6783
R² = 0,0229
6
5
4
3
2
1
0
0,00
10,00
20,00
30,00
40,00
50,00
Value Alat
Nilai value untuk skala warna hue 5Y
9
y = 18,71x + 1,1782
R² = 0,9619
8
7
Charoma MSCC
Value MSCC
7
6
5
4
3
2
1
0
0,00
0,05
0,10
0,15
0,20
0,25
0,30
Chroma Alat
Nilai chroma untuk skala warna hue 5Y
0,35
0,40
22
Lampiran 2 Lanjutan
9
y = 10,828x - 0,2688
R² = 0,8887
8
Value MSCC
7
6
5
4
3
2
1
0
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
Value Alat
Nilai value untuk skala warna hue 7,5YR
9
y = 22,006x + 1,6804
R² = 0,8985
8
Chroma MSCC
7
6
5
4
3
2
1
0
0
0,05
0,1
0,15
0,2
0,25
Chroma Alat
Nilai chroma untuk skala warna hue 7,5YR
0,3
0,35
23
Lampiran 2 Lanjutan
9
8
y = 11,77x - 1,0639
R² = 0,871
7
Value Alat
6
5
4
3
2
1
0
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
Value MSCC
Nilai value untuk skala warna hue 10R
10
y = 17,22x + 2,3343
R² = 0,3902
9
Chroma MSCC
8
7
6
5
4
3
2
1
0
0
0,1
0,2
0,3
0,4
Chroma Alat
Nilai chroma untuk skala warna hue 10R
0,5
24
Lampiran 2 Lanjutan
9
y = 10,896x - 0,2331
R² = 0,9073
8
Value MSCC
7
6
5
4
3
2
1
0
0
0,2
0,4
0,6
0,8
1
Value Alat
Nilai value untuk skala warna hue 10YR
9
y = 19,847x + 1,7404
R² = 0,84
8
Chroma MSCC
7
6
5
4
3
2
1
0
0
0,05
0,1
0,15
0,2
0,25
Chroma Alat
Nilai chroma untuk skala warna hue 10R
0,3
0,35
25
Lampiran 3 Rumus Kalibrasi Skala Warna
Skala Warna
Hue 2,5Y
Rumus Kalibrasi
VMSCC = 10,746 Valat – 0,0598
CMSCC = 27,439 Calat + 1,4879
Hue 2,5YR
VMSCC = 0,0294 Valat - 0.037
CMSCC = 27,952 Calat + 1,6997
Hue 5Y
VMSCC = 0,0315 Valat + 5,6783
CMSCC = 18,71 Calat + 1.1782
Hue 5YR
VMSCC = 10,5992 Valat - 0.4956
CMSCC = 7,1189 Calat + 2,8021
Hue 7,5YR
VMSCC = 10.828 Valat - 0.2688
CMSCC = 22.006 Calat + 1.6804
Hue 10Y
VMSCC = 11.77 Valat - 1.0639
CMSCC = 17,22 Calat + 2,3343
Hue 10YR
VMSCC = 10.8965 Valat - 0.2331
CMSCC = 19,847 Calat + 1,7404
26
Lampiran 4 Konversi Skala Warna Khusus Hue
Heu 2,5Y
46.33
45.12
40.99
40.82
38.45
14.59
44.21
41.98
37.99
34.58
33.87
52.31
40.69
39.14
36.53
31.83
26.29
4.71
33.47
129.39
32.17
29.22
25.94
49.26
28.49
25.43
26.06
43.77
40.87
36.82
0.00
Heu 2,5YR
17.54
38.03
151.63
3.71
20.95
19.96
14.40
15.34
175.00
0.00
19.10
15.90
13.90
9.94
10.14
188.76
15.01
12.79
10.32
10.82
22.78
195.17
7.55
9.20
10.60
107.64
7.20
26.88
260.44
27.57
30.02
114.65
168.70
136.77
56.80
148.36
312.50
Heu 5Y
51.87
50.66
49.60
47.93
49.13
20.69
49.53
47.16
45.68
42.93
43.43
14.75
46.99
46.33
45.94
43.59
31.42
61.92
41.12
40.57
36.60
27.61
81.19
32.88
31.79
27.27
13.13
10.29
0.00
0.00
36.20
Hue 5YR Hue 7,5YR
17.27
34.5
20.49
30.6
128.10
30.1
40.7
0.00
20.13
0.0
19.34
33.1
13.09
31.7
34.84
25.8
134.98
25.4
22.5
0.00
18.99
0.0
16.23
30.0
14.24
27.9
7.85
23.0
24.55
17.3
288.15
17.4
19.07
70.3
18.18
24.6
14.95
23.2
12.58
20.6
11.33
15.0
197.76
24.8
13.79
0.0
9.12
16.6
7.69
16.7
12.53
16.6
28.3
0.00
79.35
62.9
121.45
45.8
237.13
12.6
185.22
294.0
Hue 10Y
16.42
19.01
75.38
0.00
15.12
13.81
12.94
61.14
331.51
0.00
12.56
12.91
11.50
14.66
8.98
157.04
7.50
9.73
6.47
6.81
291.84
193.20
8.74
12.59
126.35
186.80
203.89
286.70
352.19
243.18
318.90
311.62
125.29
253.03
Hue 10YR
41.03
38.89
38.30
34.77
45.15
21.38
38.08
37.32
32.18
30.63
35.77
1.24
35.72
33.63
28.20
23.95
25.26
0.00
30.94
27.94
27.66
26.52
13.93
0.00
23.48
21.13
21.11
13.33
0.00
22.24
23.73
27
Lampiran 5 Screenshoot aplikasi android
Menu Home
Menu Galeri
Menu Kamera
Menu Petunjuk
Pemilihan citra dari galeri
Proses citra dari galeri
28
Lampiran 5 Lanjutan
Proses citra dari kamera
Proses identifikasi
Hasil identifikasi
29
RIWAYAT HIDUP
Ahmad Zulfikar S lahir pada tanggal 1 Juli 1992 di Kabupaten Selayar
Provinsi Sulawesi Selatan, dari pasangan H Drs Sidi dan Hj Nur Hidayat. Pada
tahun 2010, penulis lulus dari SMA Negeri 1 Benteng Selayar dan diterima
sebagai mahasiswa di Departemen Ilmu Komputer, Institut Pertanian Bogor (IPB)
melalui jalur Undangan Seleksi Masuk IPB.
Selama menjadi mahasiswa, penulis pernah menjadi Panitia Seminar Bidang
MIPA BKS-PTN Barat (SEMIRATA 2014) sebagai Koordinator Panitia. Pada
tahun 2013, penulis melaksanakan kegiatan Praktik Kerja Lapangan (PKL) di
International Collaboration Office (ICO) IPB selama 35 hari kerja. Selama
perkuliahan, penulis juga aktif dalam organisasi Himpunan Mahasiswa Ilmu
Komputer (HIMALKOM) dan Organisasi Mahasiswa Daerah Ikatan Mahasiswa
Sulawesi Selatan-Barat (IKAMI SULSEL-BAR). Penulis juga aktif diberbagai
kegiatan kepanitiaan kegiatan kampus dan menjadi salah satu pengajar di LPK
Tepi Sawah desa Cekonjen Kabupaten Bogor. Selain itu Penulis juga pernah
menjadi Panitia bidang Devisi D3 pada acara IT TODAY 2012.