DETEKSI INDEKS KEMATANGAN BUAH MANGGIS MENGGUNAKAN METODE SUPPORT VECTOR MACHINE

DETEKSI INDEKS KEMATANGAN BUAH MANGGIS

MENGGUNAKAN METODE SUPPORT VECTOR MACHINE

TUGAS AKHIR

Diajukan Guna Memenuhi Persyaratan Untuk Mencapai

Derajat Strata-1 Pada Prodi Teknik Elektro Fakultas Teknik

Universitas Muhammadiyah Yogyakarta

Disusun Oleh:

AFRIZAL ZUHRI

20110120062

PROGRAM STUDI TEKNIK ELEKTRO

FAKULTAS TEKNIK

UNIVERSITAS MUHAMMADIYAH YOGYAKARTA

2016

HALAMAN JUDUL

DETEKSI INDEKS KEMATANGAN BUAH MANGGIS MENGGUNAKAN

METODE SUPPORT VECTOR MACHINE

TUGAS AKHIR

Diajukan Guna Memenuhi Persyaratan Untuk Mencapai

Derajat Strata-1 Pada Prodi Teknik Elektro Fakultas Teknik

Universitas Muhammadiyah Yogyakarta

Disusun Oleh:

AFRIZAL ZUHRI

20110120062

PROGRAM STUDI TEKNIK ELEKTRO

FAKULTAS TEKNIK

UNIVERSITAS MUHAMMADIYAH YOGYAKARTA

2016

PERNYATAAN KEASLIAN DAN PERSETUJUAN PUBLIKASI

Saya yang bertanda tangan di bawah ini: Nama : Afrizal Zuhri

NIM : 20110120062 Program studi : Teknik Elektro Fakultas : Teknik

Jenis karya : Skripsi

Judul karya : Deteksi Indeks Kematangan Buah Manggis Menggunakan Metode Support Vector Machine

Menyatakan dengan benar dan tanpa paksaan bahwa:

1. Karya ini adalah asli hasil karya saya sendiri dengan arahan dan bimbingan dosen pembimbing dan merupakan sebagian hasil dari penelitian di Universitas Muhammadiyah Yogyakarta dengan:

Judul : Penentuan indeks kematangan non dekstruktif buah manggis (Larcinia mangostana L.) menggunakan teknologi pengolahan citra Sumber dana : Universitas Muhammadiyah Yogyakarta

Tahun : 2015 – 2016 Ketua

Peneliti

: Indira Prabasari, PhD

2. Karya ini tidak memuat hasil karya orang lain kecuali acuan atau kutipan yang telah disebutkan sumbernya.

3. Karya ini belum pernah diajukan untuk memperoleh gelar akademik (sarjana, magister dan/ doktor) di Universitas Muhammadiyah Yogyakarta atau institusi lainnya.

4. Demi pengembangan ilmu pengetahuan, saya menyetujui memberikan hak kepada dosen pembimbing dan Universitas Muhammadiyah Yogyakarta untuk menyimpan, menggunakan dan mengelola karya ini dan perangkat lainnya (jika ada) serta mempublikasikannya dalam bentuk lain baik itu semua maupun sebagian dengan tetap mencantumkan nama saya.

Yogyakarta, 14 September 2016 Yang menyatakan,

MOTTO

“Sesungguhnya bersama kesulitan ada kemudahan. Maka apabila engkau telah selesai (dari sesuatu urusan), tetaplah bekerja keras (untuk urusan yang lain).

Dan hanya kepada Tuhanmulah engkau berharap.” (QS. Al-Insyirah: 6-8)

“Pendidikan merupakan senjata paling ampuh yang bisa kamu gunakan untuk merubah dunia.” (Nelson Mandela)

Memulai dengan penuh keyakinan, menjalankan dengan penuh keikhlasan,

PERSEMBAHAN

Tugas akhir ini saya persembahkan untuk :

 Tuhan Yang Maha Esa: Allah Subhanallahu Wa Ta’ala.

 Peradaban manusia dan dunia ilmu pengetahuan.

 Ibuku: Ibu Eticha Budiana yang telah melahirkanku, mendidik hingga dewasa.

 Bapakku: Solichin yang telah mendukung dan mendidik hingga dewasa.

 Adikku: Farchan Hidayat yang selalu menghibur dan memberi semangat.

 Saudara, dosen, teman, sahabat, dan semua orang terdekat yang tidak bisa penulis sebutkan satu persatu.

KATA PENGANTAR

Assalammu’alaikum Wr.Wb.

Dengan mengucapkan puji dan syukur penulis panjatkan akan kehadirat Allah SWT, yang telah memberikan Rahmat dan Hidayah-Nya, sehingga penulis dapat menyelesaikan penyusunan tugas akhir dengan judul

“DETEKSI INDEKS KEMATANGAN BUAH MANGGIS MENGGUNAKAN

METODE SUPPORT VECTOR MACHINE”

Berbagai upaya telah penulis lakukan untuk menyelesaikan tugas akhir ini, tetapi karena keterbatasan kemampuan penulis, maka penulis meminta maaf yang sebesar – besarnya karena masih banyak kekurangan dalam penyusunan tugas akhir ini, baik dalam susunan kata, kalimat maupun sistematika pembahasanya. Penulis berharap tugas akhir ini dapat memberikan sumbangan yang cukup positif bagi penulis khususnya dan pembaca sekalian pada umumnya.

Terwujudnya tugas akhir ini tidak lepas dari bantuan dan dorongan berbagai pihak yang sangat besar artinya. Dan dalam kesempatan ini, penulis menyampaikan ucapan rasa terima kasih yang sebesar - besarnya kepada yang terhormat :

1. Bapak Ir. Agus Jamal, S.T., M.eng selaku Ketua Jurusan Teknik Elektro Universitas Muhammadiyah Yogyakarta.

2. Bapak Slamet Riyadi, ST, MSc, Ph.D sebagai dosen pebimbing I yang dengan sabar membimbing, memberikan ilmu dan mengarahkan penulis selama melaksanakan penelitian tugas akhir hingga dapat menyelesaikan penulisan tugas akhir ini.

3. Bapak Rama Okta Wiyagi, S.T., M.Eng. sebagai dosen Pembimbing II yang dengan sabar memberikan ilmu dan segala pengetahuan yang dimiliki baik formal maupun non formal kepada penulis, semoga semua dapat bermanfaat baik sekarang dan dikemudian hari.

4. Bapak Muhamad Yusvin Mustar, S.T., M.Eng. sebagai penguji yang telah memberikan penilaian dan perbaikan.

5. Segenap dosen dan pengajar di Jurusan Teknik Elektro Universitas Muhammadiyah Yogyakarta, terimakasih atas segala bantuan yang selama ini telah diberikan.

6. Staf Tata Usaha Jurusan Teknik Elektro Universitas Muhammadiyah Yogyakarta. 7. Staf Laboratorium Jurusan Teknik Elektro Universitas Muhammadiyah Yogyakarta. 8. Rekan seperjuangan teknik elektro UMY 2011.

9. Seluruh rekan – rekan mahasiswa Teknik Elektro UMY berbagai angkatan.

10. Semua pihak yang telah membantu penulis yang tidak bisa disebutkan satu persatu, Terima Kasih.

Penulis menyadari bahwa dalam penulisan tugas akhir ini masih jauh dari sempurna, hal ini mengingat kemampuan dan pengalaman dalam penelitian penyusunan tugas akhir ini yang sangat terbatas. Untuk itu penulis sangat mengharapkan kritik dan saran yang sifatnya membangun untuk perbaikan dan pengembangan penelitian selanjutnya.

Tidak ada yang dapat penulis berikan selain ucapan terimakasih atas seluruh bantuan yang telah diberikan.

Akhir kata semoga tugas akhir ini dapat bermanfaat dan memberi tambahan ilmu bagi para pembaca. Semoga Allah SWT merodhoi, Amin.

Wassalammu’alaikum Wr.Wb.

Yogyakarta, 14 September 2016 Penulis

DAFTAR ISI

HALAMAN JUDUL... i

LEMBAR PENGESAHAN ... ii

PERNYATAAN KEASLIAN DAN PERSETUJUAN PUBLIKASI... iii

LEMBAR PENGESAHAN UJIAN PENDADARAN ... iv

MOTTO ... v

PERSEMBAHAN... vi

KATA PENGANTAR ... vii

DAFTAR ISI... x

DAFTAR TABEL... xiii

DAFTAR GAMBAR ... xiv

DAFTAR LAMPIRAN... xvii

INTISARI... xviii

BAB I PENDAHULUAN... 1

1.1 Latar Belakang Masalah... 1

1.2. Rumusan Masalah ... 3

1.3. Batasan Masalah... 3

1.4. Tujuan Penelitian... 3

1.5. Manfaat Penelitian... 3

1.6. Sistematika Penulisan... 4

BAB II STUDI PUSTAKA... 5

2.1 Tinjauan Pustaka ... 5

2.2.1 Buah Manggis ... 7

2.2.2 Tingkat Kematangan Buah Manggis... 8

2.2.3 Pengertian Citra Digital... 10

2.2.4 Ekstraksi Ciri... 12

2.2.5 Support Vector Machine... 13

BAB III METODOLOGI PENELITIAN ... 17

3.1 Alat dan Bahan Penelitian ... 17

3.1.1 Alat... 17

3.1.2 Bahan penelitian... 18

3.2 Langkah Penelitian ... 19

3.2.1 Studi Literatur ... 20

3.2.2 Pengambilan Data ... 20

3.2.3 Perancangan Program... 22

3.2.4 Penyusunan Program... 30

3.2.5 Analisis ... 31

3.2.6 Penulisan Laporan... 31

BAB IV HASIL PENELITIAN DAN PEMBAHASAN... 32

4.1 Prinsip Kerja Sistem... 32

4.2 Hasil Pengambilan Data ... 32

4.3 Hasil Perancangan Program ... 33

4.3.1 Akuisisi data... 33

4.3.2 Penentuan label dan grup ... 35

4.3.3 Pra Pengolahan Citra... 38

4.3.4 Ekstraksi Ciri... 39

BAB V KESIMPULAN DAN SARAN ... 84

5.1 KESIMPULAN ... 84

5.2 SARAN ... 85

DAFTAR PUSTAKA ... 86

DAFTAR TABEL

Tabel 1.1 Indeks kematangan buah manggis berdasarkan warna kulit buah... 9

Tabel 3.1 Data jumlah buah manggis ... 18

Tabel 4.1 Data citra buah manggis ... 33

Tabel 4.2 Contoh citra buah manggis ... 34

Tabel 4.3 Contoh penamaan file untuk citra manggis ... 36

Tabel 4.4 Hasil akurasi fold ke-1 ... 56

Tabel 4.5 Hasil akurasi fold ke-2 ... 65

Tabel 4.6 Hasil akurasi fold ke-3 ... 74

Tabel 4.7 Hasil akurasi fold ke-4 ... 83

DAFTAR GAMBAR

Gambar 2.1 Support Vector Machine...14

Gambar 3.1 Langkah penelitian ...19

Gambar 3.2 Alat pengambilan data...21

Gambar 3.3 Diagram perancangan program ...22

Gambar 3.4 Diagram akuisisi data...23

Gambar 3.5 Grouping data...24

Gambar 3.6 Sum of RGB...25

Gambar 3.7 Mean of RGB...26

Gambar 3.8 Standard Deviation of RGB...27

Gambar 3.9 Proses Klasifikasi ...28

Gambar 3.10 Proses Perhitungan akurasi ...30

Gambar 3.11 Kelas Program...31

Gambar 4.1 Sampel awal pengambilan data citra...34

Gambar 4.2 Proses cropping citra (a) sebelum dicrop (b) setelah dicrop...38

Gambar 4.3 Scatter plot citra berdasarkan Sum of Red...39

Gambar 4.4 Scatter plot citra berdasarkan Sum of Green...40

Gambar 4.5 Scatter plot citra berdasarkan Sum of Blue...41

Gambar 4.6 Scatter plot citra berdasarkan Mean of Red...42

Gambar 4.7 Scatter plot citra berdasarkan Mean of Green...43

Gambar 4.8 Scatter plot citra berdasarkan Mean of Blue...44

Gambar 4.9 Scatter plot citra berdasarkan Standard Deviation of Red...45

Gambar 4.11 Scatter plot citra berdasarkan Standard Deviation of Blue...46

Gambar 4.12 Fold 1 (a) Sum of Red...48

Gambar 4.12 Fold 1 (b) Sum of Green...49

Gambar 4.12 Fold 1 (c) Sum of Blue...50

Gambar 4.12 Fold 1 (d) Mean of Red...51

Gambar 4.12 Fold 1 (e) Mean of Green...52

Gambar 4.12 Fold 1 (f) Mean of Blue...53

Gambar 4.12 Fold 1 (g) Standard Deviation of Red (h) Standard Deviation of Green...54

Gambar 4.12 Fold 1 (i) Standard Deviation of Blue...55

Gambar 4.13 Fold 2 (a) Sum of Red...57

Gambar 4.13 Fold 2 (b) Sum of Green...58

Gambar 4.13 Fold 2 (c) Sum of Blue...59

Gambar 4.13 Fold 2 (d) Mean of Red...60

Gambar 4.13 Fold 2 (e) Mean of Green...61

Gambar 4.13 Fold 2 (f) Mean of Blue...62

Gambar 4.13 Fold 2 (g) Standard Deviation of Red (h) Standard Deviation of Green...63

Gambar 4.13 Fold 2 (i) Standard Deviation of Blue...64

Gambar 4.14 Fold 3 (a) Sum of Red...66

Gambar 4.14 Fold 3 (b) Sum of Green...67

Gambar 4.14 Fold 3 (c) Sum of Blue...68

Gambar 4.14 Fold 3 (d) Mean of Red...69

Gambar 4.14 Fold 3 (e) Mean of Green...70

Gambar 4.14 Fold 3 (g) Standard Deviation of Red (h) Standard Deviation of

Green...72

Gambar 4.14 Fold 3 (i) Standard Deviation of Blue...73

Gambar 4.15 Fold 4 (a) Sum of Red...75

Gambar 4.15 Fold 4 (b) Sum of Green...76

Gambar 4.15 Fold 4 (c) Sum of Blue...77

Gambar 4.15 Fold 4 (d) Mean of Red...78

Gambar 4.15 Fold 4 (e) Mean of Green...79

Gambar 4.15 Fold 4 (f) Mean of Blue...80

Gambar 4.15 Fold 4 (g) Standard Deviation of Red (h) Standard Deviation of Green...81

DAFTAR LAMPIRAN

Lampiran 1. Script Pemrograman pada Matlab ... 87 Lampiran 2. Draft Publikasi Ilmiah ... 91

INTISARI

Di Indonesia, buah manggis cukup terkenal dan termasuk salah satu hasil pertanian yang sangat potensial karena memiliki tingkat produksi cukup tinggi. Hal ini mengharuskan petani mampu mengklasifikasikan tingkat kematangan buah manggis yang dapat mengurangi resiko pembusukan buah manggis. Indikator yang penting dalam klasifikasi level kematangan buah manggis adalah warna dari buah manggis tersebut.

Ada beberapa metode yang dapat digunakan, salah satu metode yang dapat digunakan untuk klasifikasi adalah Support Vector Machine (SVM). Metode SVM sendiri belum pernah digunakan untuk klasifikasi buah manggis sehinnga sangat berpeluang untuk melakukan penelitian dengan metode ini.

Pada penelitian ini, level kematangan buah manggis diklasifikasikan dalam 6 level. Klasifikasi level kematangan buah manggis saat ini kebanyakan masih menggunakan metode manual, yaitu penilaian secara subyektif dari petani. Kelemahan dari metode ini adalah perlu tenaga pekerja yang banyak, sehingga perlu dikembangkan metode otomatis yaitu dengan metode Support Vector Machine (SVM) yang dapat mengurangi tenaga pekerja dan waktu yang dibutuhkan dalam proses klasifikasi buah manggis.

Kata Kunci : Buah Manggis, Deteksi, Klasifikasi, Tingkat Kematangan, Support Vector Machine

BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Buah manggis merupakan salah satu buah tropis yang sangat digemari, baik oleh masyarakat dalam negeri maupun masyarakat luar negeri. Buah manggis memiliki beberapa ciri khas dan daya tarik sehingga sangat digemari, seperti rasanya yang manis berpadu dengan rasa asam dan sedikit sepat, aromanya yang segar dan bentuk buahnya bagaikan bermahkota. Karena buah manggis memiliki ciri khas yang tidak dimiliki buah lain, berbagai nama julukan pun diberikan kepada buah ini. Nama

julukan tersebut antara lain “Queen of Fruit” yang diberikan oleh masyarakat dunia,

julukan “Sweet Black from Tropic” oleh masyarakat eropa dan julukan “Mutiara Hutan Belantara” oleh masyarakat Indonesia.

Buah manggis merupakan salah satu hasil pertanian yang sangat potensial karena memiliki tingkat produksi cukup tinggi. Sejak tahun 1995 manggis merupakan komoditas buah ekspor Indonesia unggulan nomor dua setelah pisang (Poerwanto, 2002). Buah manggis ternyata banyak diminati oleh warga luar negeri. Terbukti, ekspor manggis semakin meningkat. Pada bulan Januari sampai bulan Mei 2015 ekspor manggis melonjak naik 153% atau senilai $US 13,7 juta bila dibandingkan periode sama tahun 2014 (Kemdag, 2015). Pada tahun 2014 total nilai ekspor buah manggis sebesar $US 6,5 juta. Negara yang menjadi tujuan ekspor adalah Thailand

sebesar 42%, Malaysia 25%, Hong Kong 22,3%, Uni Emirat Arab 3% dan Singapura 2,2%.

Buah manggis memiliki tingkat produksi yang tinggi dan distribusi yang luas. Hal ini mengharuskan petani mampu mengklasifikasikan tingkat kematangan buah manggis yang dapat mengurangi resiko pembusukan buah manggis. Buah manggis merupakan buah yang mempunyai umur simpan yang relatif singkat. Umur simpan buah manggis segar didaerah tropika biasanya biasanya 6 hari pada suhu ruang (28 – 30oC) (Mahendra, 2002). Walaupun mutu daging buah masih memiliki mutu makan (eating quality) yang cukup baik tetapi apabila kulit buahnya sangat sukar dikupas atau dilepaskan karena kulit buah mengalami pengerasan, maka keadaan ini akan tetap ditolak oleh konsumen. Pengerasan kulit buah manggis kemungkinan disebabkan oleh kehilangan air yang sangat berlebihan pada kulit buah.

Indikator yang penting dalam klasifikasi level kematangan buah manggis adalah warna dari buah manggis tersebut. Pada penelitian ini, level kematangan buah manggis diklasifikasikan dalam 6 level. Klasifikasi level kematangan buah manggis saat ini kebanyakan masih menggunakan metode manual, yaitu penilaian secara subyektif dari petani. Kelemahan dari metode ini adalah perlu tenaga pekerja yang banyak, sehingga perlu dikembangkan metode otomatis yang dapat mengurangi tenaga pekerja. Ada beberapa metode yang dapat digunakan, salah satu metode yang dapat digunakan untuk klasifikasi adalah Support Vector Machine (SVM). Metode SVM sendiri belum pernah digunakan untuk klasifikasi buah manggis sehinnga sangat berpeluang untuk melakukan penelitian dengan metode ini. Dalam penelitian ini digunakan Support Vector Machine karena dapat mengklasifikasi data secara

non-linear serta dapat menggunakan banyak ekstraksi ciri dalam jumlah banyak sekaligus. Oleh karena itu berdasarkan hal tersebut, untuk mendapatkan hasil yang lebih optimal maka perlu dilakukan kajian lebih lanjut dengan melakukan modifikasi metode yang dinilai lebih baik.

1.2 Rumusan Masalah

Dari uraian yang telah disebutkan di depan, maka dalam penelitian ini dapat dirumuskan permasalahan. Rumusan masalah tersebut yakni dibutuhkan tenaga pekerja yang banyak dalam klasifikasi level kematangan buah manggis.

1.3 Batasan Masalah

Agar tercapainya sasaran yang tepat dalam penulisan tugas akhir ini, maka dibuat suatu batasan masalah. Batasan masalah tersebut yaitu menggunakan varian atau jenis buah manggis yang sama.

1.4 Tujuan Penelitian

Penelitian ini bertujuan untuk menerapkan metode Support Vector Machine

(SVM) dalam klasifikasi level kematangan buah manggis.

1.5 Manfaat Penelitian

Manfaat yang diperoleh dari penelitian ini adalah terbentuknya sistem untuk mengklasifikasi level kematangan buah manggis. Sistem ini diharapkan dapat membantu kinerja dari petani atau pihak terkait agar dapat melakukan penyortiran buah manggis dengan tenaga pekerja yang lebih sedikit.

1.6 Sistematika Penulisan

Uraian pembahasan tugas akhir disusun secara terperinci, sehingga diperoleh hubungan dan ruang lingkup yang jelas. Pembahasan tersebut disusun dalam beberapa bab yang masing - masing bab terdiri dari beberapa sub, diantaranya:

BAB I : Pendahuluan

Berisi latar belakang masalah, rumusan masalah, batasan masalah, tujuan, manfaat penulisan, dan sistematika pembahasan.

BAB II : Studi Pustaka

Membahas mengenai penelitian terkait yang menjadi acuan serta landasan teori yang berisikan dasar pemikiran secara teoritis dan secara umum.

BAB III : Metodologi Penelitian

Membahas mengenai langkah kerja penulis dalam menyelesaikan tugas akhir ini yang berisikan tentang prosedur penelitian dan langkah analisis.

BAB IV : Hasil Penelitian dan Pembahasan

Membahas data hasil klasifikasi dan pengukuran prosentase akurasi. BAB V : Penutup

BAB II

STUDI PUSTAKA

2.1 Tinjauan Pustaka

Pengolahan citra digital dapat melakukan identifikasi berbagai citra hasil

capture, dalam hal ini salah satu objek yang digunakan yaitu buah. Yulia (2010) dalam penelitiannya klasifikasi jenis dan kematangan buah tomat berdasarkan bentuk dan ukuran serta warna permukaan kulit buah. Pengujian sistem menggunakan hasil

Mean Opinion Score (MOS) atau penilaian subjektif terhadap tomat. Didapatkan tingkat akurasi tertinggi sistem untuk klasifikasi bentuk sebesar 86,17% dengan threshold 1 sebesar 0,55, akurasi klasifikasi ukuran sebesar 84,04% dengan threshold 1 sebesar 0,5, akurasi klasifikasi kematangan sebesar 80,85% dengan threshold 2 sebesar 0,7 dan akurasi klasifikasi keseluruhan sebesar 54,26% dengan threshold 2 sebesar 0,75.

Diding (2001) dalam penelitiannya deteksi kematangan buah manggis menggunakan pengembangan algoritma image processing menggunakan ekstraksi ciri warna RGB yang digabungkan dengan parameter fisik, yaitu kadar gula dan kekerasan. Hasil klasifikasi berdasar variabel kadar gula menghasilkan tingkat ketepatan klasifikasi hanya sebesar 37% sedangkan berdasarkan variabel kekerasan menghasilkan tingkat ketepatan klasifikasi sebesar 63%, suatu nilai yang terbilang kecil.

Retno (2012) dalam penelitiannya identifikasi tahap kematangan buah manggis berdasarkan warna dengan metode fuzzy neural network mengklasifikasi tahap kematangan buah manggis menjadi kelas mentah, kelas ekspor dan kelas lokal. Metode ini terbatas hanya dua parameter input saja, yaitu komponen warna hasil dari pengolahan citra yang mempunyai pengaruh terhadap tahap kematangan buah manggis, dan tekstur.

Metode SVM banyak digunakan untuk proses pemisahan dua buah kelas. Akan tetapi permasalahan yang kerap kita temui dalam kehidupan sehari – hari mengharuskan kita melibatkan pemisahan banyak kelas, oleh karena itu metode SVM dikembangkan dalam bentuk multi-SVM.

Suastika (2015) dalam penelitiannya klasifikasi level kematangan buah tomat berdasarkan perbedaan perbaikan citra menggunakan rata – rata RGB dan indeks piksel. Pengujian pada tahap klasifikasi level kematangan buah tomat menggunakan metode multi-SVM sehingga dapat diketahui perbaikan citra yang lebih optimal. Hasil klasifikasi level kematangan buah tomat menunjukan akurasi berdasarkan perbaikan citra dengan rata – rata RGB sebesar 86,7% dan akurasi berdasarkan perbaikan penggantian nilai dengan pencarian indeks piksel sebesar 76,7%.

Dewasa ini SVM telah berhasil diaplikasikan dalam problema dunia nyata (real-world problems), dan secara umum memberikan solusi yang lebih baik dibandingkan metode konvensional seperti misalnya artificial neural network. Metode

Support Vector Machine digunakan untuk memecahkan masalah klasifikasi data karena dapat memuat banyak fitur ekstraksi sekaligus.

Tidak semua permasalahan dapat diklasifikasikan secara linear sehingga diperlukan

non-linear classifier, metode ini juga robust terhadap irrelevant feature, serta penggunaannya yang memiliki proses komputasi yang relatif cepat.

2.2 Dasar Teori

2.2.1 Buah Manggis

Manggis (Garcinia mangostana L.) adalah sejenis pohon hijau abadi dari daerah tropika yang diyakini berasal dari Kepulauan Nusantara. Tumbuh hingga mencapai 7 sampai 25 meter. Buahnya juga disebut manggis, berwarna merah keunguan ketika matang, meskipun ada pula varian yang kulitnya berwarna merah. Buah manggis dalam perdagangan dikenal sebagai "ratu buah", sebagai pasangan durian, si "raja buah". Buah ini mengandung mempunyai aktivitas antiinflamasi dan antioksidan. Sehingga di luar negeri buah manggis dikenal sebagai buah yang memiliki kadar antioksidan tertinggi di dunia. Manggis berkerabat dengan kokam, asam kandis dan asam gelugur, rempah bumbu dapur dari tradisi boga India dan Sumatera.

Manggis merupakan sebuah pohon tropis yang tumbuh dalam suhu hangat dan stabil, paparan suhu di bawah 0 °C (32 °F) untuk jangka waktu yang lama, umumnya akan membunuh tanaman dewasa. Hortikulturis yang berpengalaman telah menumbuhkan spesies ini di luar ruangan dan membawanya untuk dikembangkan di daerah ekstrim, selatan Florida.

Manggis bersifat apomiksis obligat, biji tidak berasal dari fertilisasi dan diduga mempunyai keanekaragaman genetik sempit, sehingga diperkirakan manggis di alam

hanya satu klon dan sifatnya sama dengan induknya. Kenyataan di lapang menunjukkan adanya keanekaragaman tanaman manggis yang mungkin disebabkan faktor lingkungan mau pun faktor genetik akibat mutasi alami sejalan dengan sejarah tanaman manggis yang telah berumur ribuan tahun.

Buah manggis muda, dimana tidak memerlukan pemupukan untuk tumbuh (lihat agamospermy), pertama kali akan berwarna hijau pucat atau hampir putih di bawah kanopi. Saat buah membesar selama 2 hingga 3 bulan ke depan, warna kulitnya akan menjadi hijau gelap. Pada periode ini, pertumbuhan ukuran buah dapat meningkat hingga kulitnya berukuran 6–8 cm (2,4-3,1 inchi) dengan diameter luar, akan tetap keras hingga pematangan akhir tiba.

Sifat kimia dari permukaan bawah kulit manggis terdiri dari berbagai polifenol, termasuk xanthones dan tanin yang menjamin astringent dapat menghambat perhatian serangga, jamur, virus tanaman, bakteri dan pemangsa hewan, pada saat buah belum matang. Perubahan warna dan pelunakan kulit menjadi proses alami yang menunjukkan pematangan buah dapat dimakan dan benih telah selesai berkembang.

2.2.2 Tingkat Kematangan Buah Manggis

Mutu buah manggis (Garnicia mangostana) ditentukan oleh berbagai parameter diantaranya ialah parameter tingkat kematangan berdasarkan indeks warna. Klasifikasi kematangan buah manggis hasil panen secara nondestruktif berdasarkan pada standar prosedur operasi (SPO) manggis 2004 sangat diperlukan untuk mempertahankan mutu dan meningkatkan dayasaing di pasaran. Pesatnya peningkatan

volume ekspor manggis dari tahun ketahun memerlukan kepercayaan pasar dalam hal mutu (Deptan, 2004).

Tingkat kematangan buah manggis dapat diklasifikasikan berdasarkan pada komponen kualitas eksternal, yaitu warna dan tekstur kulit buahnya. Warna dianggap sebagai properti fisik dasar produk pertanian dan makanan, yang berkorelasi dengan sifat kimia dan indicator panca indera kualitas produk. Warna bahkan mempunyai peranan utama dalam penilaian mutu eksternal industri makanan (Abdullah et al. 2001). Tekstur akan membedakan sifat-sifat fisik permukaan suatu benda dalam citra. Entropi, kontras, energi, dan homogenitas merupakan komponen untuk mengukurtekstur dari sebuah citra(Haralick et al. 1973). Suprapta (1999) merinci indeks kematangan buah manggis berdasarkan indeks warna kulit buah (Tabel 1.1).

Tabel 1.1 Indeks kematangan buah manggis berdasarkan indeks warna kulit buah Sumber: Suprapta (1999)

Indeks Warna

Deskripsi

1

Warna kulit buah kehijauan dengan sedikit kesan merah, kulit buah masih bergetah jika dipotong.

2

Warna kulit buah merah kekuningan dengan bercak merah, getah pada kulit buah agak kurang, daging buah masih sulit dipisahkan dari kulit buah.

3 Keseluruhan permukaan kulit buah berwarna kemerahan dan bercak merah masih jelas, kulit buah sedikit bergetah, daging buah sudah dapat dipisahkan dari kulit

buah (pemetikan untuk ekspor).

4

Keseluruhan permukaan kulit buah berwarna coklat kemerahan, kulit buah masih bergetah jika dikonsumsi (untuk ekspor masih diizinkan hingga indeks ini).

5

Keseluruhan permukaan kulit buah berwarna ungu kemerahan, getah pada kulit buah sudah tidak ada, daging buah mudah dilepas dari kulit buah.

6 Keseluruhan permukaan kulit buah berwarna ungu gelap atau kehitaman

2.2.3 Pengertian Citra Digital

Secara harfiah, citra (image) adalah gambar pada bidang dwiwarna (dua dimensi). Jika ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus (continue) dari intensitas cahaya pada bidang dwiwarna. Sumber cahaya menerangi obyek, obyek memantulkan kembali sebagian dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh alat-alat optik, misalnya mata pada manusia, kamera, pemindai (scanner), dan sebagainya, sehingga bayangan obyek yang disebut citra tersebut direkam (Gonzales dan wood, 2008). Penangkapan (capture) warna pada suatu citra meliputi penangkapan tiga citra secara simultan. Dengan sistim RGB (Red Green Blue), sebagai suatu standarisasi industri, intensitas masing-masing warna baik red, green, ataupun blue harus diukur pada masing-masing spot. Dengan kamera yang beroperasi secara linear yang menjelajahi keseluruhan visible spectrum, kumpulan - kumpulan warna yang sederhana dapat digunakan untuk mengambil tiga citra, yang masing-masing, satu untuk spektra red, green,

dan blue (Munir, 2004). Citra dapat dikelompokkan menjadi : 1. Citra 2D yaitu citra dengan fungsi kontinu dari intensitas cahaya pada bidang 2D. 2. Citra 3D yaitu citra yg terletak pada koordinat world 3D (ruang). 3. Citra diam yaitu citra tunggal yang tidak

bergerak. “Still image”. 4. Citra bergerak yaitu rangkaian citra diam yg ditampilkan secara sekuensial. Citra terbagi menjadi 2 macam, yaitu:

1. Citra Kontinu merupakan citra yang dihasilkan dari sistem optik yang menerima sinyal analog. Contoh : mata manusia, kamera analog.

2. Citra Diskrit/Citra Digital merupakan citra yang dihasilkan melalui proses digitalisasi terhadap citra kontinu. Contoh : kamera digital, scanner.

Menurut Gonzales dan woods (1993) citra didefinisikan sebagai fungsi intensitas cahaya dua dimensi f(x, y) dengan x dan y menunjukkan koordinat spasial, dan nilai f dapat suatu titik (x, y) sebanding dengan brightness/kontras (gray level) dari citra di titik tersebut. Citra digital adalah citra dengan f(x, y) yang nilainya didigitalisasikan (dibuat diskrit) dalam koordinat spasial maupun dalam gray levelnya. Umumnya citra dibentuk dari persegi empat yang teratur sehingga jarak horizontal dan vertikal antara piksel satu dengan yang lain adalah sama pada seluruh bagian citra. Posisi atau lokasi sebuah piksel dapat diketahui menggunakan koordinatnya, seperti pada contoh pada Gambar 2.2, piksel (0,0) terletak pada sudut kiri atas pada citra, dimana indeks x bergerak ke kanan dan indeks y bergerak ke bawah. Untuk menunjukkan koordinat (m-1, n-1) digunakan posisi kanan bawah dalam citra berukuran m x n piksel. Hal ini berlawanan untuk arah vertikal dan horizontal yang berlaku pada sistem grafik dalam matematika.

2.2.4 Ekstraksi Ciri

Ekstraksi ciri merupakan suatu pengambilan ciri / feature dari suatu bentuk yang nantinya nilai yang didapatkan akan dianalisis untuk proses selanjutnya. Ekstraksi ciri

dilakukan dengan cara menghitung jumlah titik atau piksel yang ditemui dalam setiap pengecekan, dimana pengecekan dilakukan dalam berbagai arah pada koordinat kartesian dari citra digital yang dianalisis, yaitu vertikal, horizontal, diagonal kanan, dan diagonal kiri. Fitur atau ciri merupakan karakteristik unik dari suatu objek. Fitur dibedakan menjadi

dua yaitu fitur “alami” merupakan bagian dari gambar, misalnya kecerahan dan tepi objek. Sedangkan fitur “buatan” merupakan fitur yang diperoleh dengan operasi tertentu pada gambar, misalnya histogram tingkat keabuan (Gualtieri et al, 1985). Sehingga ekstraksi fitur adalah proses untuk mendapatkan ciri-ciri pembeda yang membedakan suatu objek dari objek yang lain (Putra, 2010). Ekstraksi ciri yang digunakan pada penelitian ini yaitu

sum of RGB, mean of RGB dan standard deviation of RGB.  Citra RGB

Citra warna atau lebih sering dikenal citra RGB (red, green, blue). Citra RGB adalah citra yang warna dasar penyusunnya adalah warna merah, hijau, dan biru. Warna selain itu adalah warna hasil perpaduan dari ketiga warna tersebut.

Red (Merah), Green (Hijau) dan Blue (Biru) merupakan warna dasar yang dapat diterima oleh mata manusia. Setiap piksel pada citra warna mewakili warna yang merupakan kombinasi dari ketiga warna dasar RGB. Setiap titik pada citra warna membutuhkan data sebesar 3 byte. Setiap warna dasar memiliki intensitas tersendiri dengan nilai minimum nol (0) dan nilai maksimum 255 (8 bit). RGB didasarkan pada teori bahwa mata manusia peka

terhadap panjang gelombang 630nm (merah), 530 nm (hijau), dan 450 nm (biru). Dasar dari pengolahan citra adalah pengolahan warna RGB pada posisi tertentu.

Citra warna dipandang sebagai penumpukan tiga matriks, masing – masing matriks merepresentasikan nilai – nilai merah, hijau, dan biru pada setiap piksel, artinya setiap piksel berkaitan dengan tiga nilai (Sianipar, 2013). Susunan warna yang terkandung pada sebuah citra perhatikan Gambar 2.2.

2.2.5 Support Vector Machine

Klasifikasi data adalah proses mengelompokan sejumlah data kedalam grup tertentu berdasarkan properti atau nilai data tersebut. Salah satu metode klasifikasi data adalah Support Vector Machine (SVM). Menurut Santoso (2007) SVM adalah suatu teknik untuk melakukan prediksi, baik dalam kasus klasifikasi maupun regresi.

Gambar 2.1 Support Vector Machine

sumber: http://gunawan88agp.blogspot.co.id/2011/10/support -vector-machine.html

Konsep SVM dapat dijelaskan secara sederhana sebagai usaha mencari hyperplane terbaik yang berfungsi sebagai pemisah dua buah class pada input space. Seperti pada gambar 2.14 beberapa pattern yang merupakan anggota dari dua buah

class: +1 dan –1. Pattern yang tergabung pada class –1 disimbolkan dengan warna merah (kotak), sedangkan pattern pada class +1, disimbolkan dengan warna kuning (lingkaran). Problem klasifikasi dapat diterjemahkan dengan usaha menemukan garis (hyperplane) yang memisahkan antara kedua kelompok tersebut. Berbagai alternatif garis pemisah (discrimination boundaries) ditunjukkan pada gambar 2.14 (a). Hyperplane pemisah terbaik antara kedua class dapat ditemukan dengan mengukur margin hyperplane tersebut dan mencari titik maksimalnya.

Margin adalah jarak antara hyperplane tersebut dengan pattern terdekat dari masing-masing class. Pattern yang paling dekat ini disebut sebagai support vector. Garis solid pada gambar 2.14 (b) menunjukkan hyperplane yang terbaik, yaitu yang terletak tepat pada tengah-tengah kedua class, sedangkan titik merah dan kuning yang berada dalam lingkaran hitam adalah support vector. Usaha untuk mencari lokasi hyperplane ini merupakan inti dari proses

⃗⃗⃗

pembelajaran pada SVM.

Data yang tersedia dinotasikan sebagai, sedangkan label masing-masing dinotasikan untuk yang mana l adalah banyaknya data. Diasumsikan kedua

class -1 dan +1 dapat terpisah secaa sempurna oleh hyperplane, yang didefinisikan

⃗⃗

(1)

Pattern x yang termasuk class -1 (sampel negatif) dapat dirumuskan sebagai pattern yang memenuhi pertidaksamaan

⃗⃗

⃗⃗⃗

(2) Sedangkan pattern x yang termasuk class +1 (sampel positif)

Margin terbesar dapat ditemukan dengan memaksimalkan nilai jarak antara

hyperplane dan titik ⃗⃗ terdekatnya, yaitu Hal ini dapat dirumuskan sebagai Quadratic Programing (QP) problem, yaitu mencari titik minimal persamaan (4), dengan memperhatikan constraint persamaan (5).

⃗⃗

⃗⃗

₍₄₎

⃗⃗⃗

⃗⃗

(5) Problem ini dapat dipecahkan dengan berbagai teknik komputasi, diantaranya

Lagrange ⃗⃗⃗⃗ ⃗⃗ ∑ ( ⃗⃗⃗ ⃗⃗ ) Multipier.

(6) adalah Lagrange Multipliers, yang bernilai nol atau positif. Nilai optimal dari persamaan (6) dapat dihitung dengan meminimalkan L terhadap w dan b, dan memaksimalkan L terhadap . Dengan memperhatikan sifat bahwa pada titik optimal gradient L=0, persamaan (6) dapat dimodifikasi sebagai maksimalisasi problem yang hanya mengandung saja , sebagaimana persamaan (7) di bawah.

∑

∑

⃗⃗⃗

⃗⃗⃗

(7)

∑

(8) Dari hasil perhitungan ini diperoleh a yang kebanyakan bernilai positif. Data yang berkorelasi dengan a yang positif inilah yang disebut sebagai Support Vector. Penjelasan di atas berdasarkan asumsi bahwa kedua belah class dapat terpisah secara sempurna oleh

hyperplane. Akan tetapi, umumnya dua buah class pada input space tidak dapat terpisah secara sempurna. Hal ini menyebabkan constraint pada persamaan (5) tidak dapat

terpenuhi, sehingga optimisasi tidak dapat dilakukan. Untuk mengatasi masalah ini, SVM dirumuskan ulang denganmemperkenalkan teknik softmargin. Dalam softmargin, persamaan (5) dimodifikasi dengan memasukan slack variable

sbb.

⃗⃗

(9) Dengan demikian persamaan (4) diubah menjadi :

⃗⃗

⃗⃗

_⃗⃗

_∑

(10)

Paramater C dipilih untuk mengontrol tradeoff antara margin dan error klasifikasi. Nilai C

yang besar berarti akan memberikan penalti yang lebih besar terhadap error klasifikasi tersebut.

BAB III

METODOLOGI PENELITIAN

3.1 Alat dan Bahan Penelitian 3.1.1 Alat

Alat yang digunakan dalam penelitian ini adalah: PC dengan spesifikasi:

a. Sistem Operasi : Microsoft Windows 10 Enterprise 64-bit (10.0, Build 10240)

b. Prosesor : Intel® Core™ i3-2310M CPU @ 2.10GHz (4CPUs), ~2.1GHz

c. Memori : 2048MB RAM

d. Sistem Model : TOSHIBA Satellite L745

Perangkat lunak dan alat pendukung:

a. Matlab 7.8.0 (R2009a) b. Adobe Photoshop CS6 c. Mini Studio

d. Kamera Digital ( ISO 1200) e. Tripod Kamera

3.1.2 Bahan Penelitian

Dalam penelitian ini data primer yang diambil merupakan buah manggis yang diambil dari perkebunan manggis di Purworejo dan sudah diklasifikasi oleh petani secara manual.

Tabel 3.1 Data jumlah buah manggis

Kelas Jumlah Buah

1 9

2 12

3 9

4 9

5 9

3.2 Langkah Penelitian

Langkah dan alur jalanya penelitian ini dijelaskan melalui diagram alir pada Gambar 3.1

Gambar 3.1 Langkah penelitian

Langkah penelitian terbagi menjadi beberapa tahap utama. Penelitian diawali dengan studi literatur, yaitu merujuk referensi mengenai penelitian terkait dan teori - teori mengenai hal yang terkait dalam penelitian. Kemudian melakukan pengambilan data di lapangan sebagai bahan penelitian, perancangan program, penyusunan program, setelah itu dilakukan

pengujian. Pengujian yang dilakukan jika hasilnya dinilai belum optimal maka akan dilakukan perancangan program ulang. Jika perancangan program dinilai optimal maka dilanjutkan ke tahap analisis dan penulisan.

3.2.1 Studi Literatur

Studi literatur adalah mempelajari tentang buah manggis, pemograman menggunakan matlab dan tentang citra digital dari beberapa referensi. Referensi yang digunakan berupa buku, paper, jurnal dan penelitan – penelitian yang berkaitan dengan topik penelitian. Dari studi literatur ini didapatkan informasi tentang penelitian yang sudah pernah dilakukan, berupa kekurangan serta masalah yang ada di penelitian sebelumnya. Selanjutnya dari informasi yang didapat dilakukan analisis untuk mendapatkan pemecahan masalah yang tepat.

3.2.2 Pengambilan Data

Data primer yang diambil merupakan foto yang diambil menggunakan kamera digital yang ditempatkan pada tripod. Objek buah manggis diletakkan pada kotak studio foto mini, kemudian kamera diletakkan pada jarak sekitar 50 cm dari objek. Alat pengambilan data ditunjukan pada Gambar 3.2. Proses pengambilan data ini dilakukan di Laboraturium Pasca Panen, Fakultas Pertanian, Universitas Muhammadiyah Yogyakarta. Waktu pengambilan dimulai jam 10.00-11.00 WIB.

Gambar 3.2 Alat pengambilan data

Keterangan gambar:

1. Lampu LED (nilai lux 5000)

2. Kotak studio foto mini (61cm x 41cm x 40cm) 3. Tempat meletakan objek buah manggis

4. Kamera digital (sudut kamera 30º) 5. Tripod kamera

3.2.3 Perancangan Program

Pada tahap perancangan algoritma, dibuat tahapan untuk mendeteksi tingkat kematangan pada buah manggis. Perancangan ini menggunakan software Matlab 7.8.0 (2009). Adapun blok diagram yang ditunjukan pada gambar 3.3:

Gambar 3.3 Diagram perancangan program

Perancangan dimulai dengan tahap akuisisi data yaitu bagaimana data primer dikumpulkan dan dirubah ke dalam data yang siap diolah lalu dilakukan labelling/grouping, pra pengolahan, ekstraksi ciri dan yang terakhir adalah klasifikasi data.

a. Akuisisi data

Pada akuisis data tahap pertama adalah input data primer berupa foto kemudian menghitung jumlah frame, melakukan iterasi pemindaian frame lalu menulis frame menjadi citra kemudian diakhiri dengan memberi nama citra sesuai dengan urutan frame.

Gambar 3.4 Diagram akuisisi data

b. Penentuan label dan grup

Penentuan label yaitu pengelompokan citra buah manggis berdasar tingkat kematangan secara manual, total ada enam kelas. Pemberian dengan nama citra secara manual sesuai dengan kondisi tingkat kematangan kemudian urutan citra. Data set berjumlah genap dengan pembagian yang sama untuk setiap kelas atau tingkat kematangan.

Hasil klasifikasi manual ini pada perancangan program dibuat group kelas 1, kelas 2, kelas 3, kelas 4, kelas 5 dan kelas 6 untuk dijadikan data yang dibutuhkan pada proses latih dan sebagai tolak ukur saat menentukan akurasi program yang akan dilakukan pada tahap penghitungan akurasi yaitu dengan cara menghitung berapa jumlah hasil deteksi menggunakan program yang sesuai dengan hasil deteksi manual.

Gambar 3.5 Grouping data

Proses grouping data diawali dengan pembacaan folder, kemudian mengumpulkan file berurutan sesuai nama, menghitung total file, membagi data menjadi enam kumpulan data yaitu kelas 1, kelas 2, kelas 3, kelas 4, kelas 5 dan kelas 6 berdasarkan labeling yang telah dilakukan secara manual.

c. Pra Pengolahan Citra

Pra pengolahan citra yang digunakan cropping yaitu memotong sebagian gambar dan diambil bagian tengah citra buah manggis agar proses pengambilan nilai RGB lebih mudah dan akurat juga membuat ukuran citra seragam. Mencari nilai RGB untuk masing – masing gambar karena informasi tersebut dibutuhkan untuk pengolahan selanjutnya. Pra pengolahan citra selanjutnya dijelaskan pada tahap ekstraksi ciri karena saling berkaitan.

d. Ekstraksi Ciri

1. Sum of RGB

Ciri yang digunakan adalah menghitung jumlah nilai yang ada di dalam setiap komponen R, G dan B pada citra. Citra buah manggis memiliki warna yang berbeda – beda pada setiap tingkat kematangan. Jadi citra buah manggis memiliki jumlah nilai R, jumlah nilai B dan jumlah nilai G yang berbeda pada setiap tingkat kematangan. Langkah ekstraksi ciri Sum of RGB ditunjukan pada gambar 3.6.

Langkah ekstraksi ciri Sum of RGB dimulai dengan mengambil data citra setelah akuisisi, kemudian mengambil nilai R, G, dan B. Pada tahap akhir yaitu menjumlahkan nilai yang ada di dalam setiap komponen R, G dan B.

2. Mean of RGB

Ekstraksi ciri selanjutnya adalah mencari nilai rata – rata dari setiap komponen R, G dan B dari citra input. Proses ekstraksi ciri Mean of RGB ditunjukan pada gambar 3.7. Proses dimulai dengan mengambil data setelah akuisisi, kemudian dilakukan pengambilan nilai R, G, dan B lalu menjumlahkan nilai yang ada di dalam setiap komponen R, G dan B. Selanjutnya hitung jumlah piksel yang terdapat di dalam citra. Pada tahap akhir, untuk mencari nilai Mean of RGB dilakukan dengan cara membagi masing – masing jumlah nilai pada R, G dan B dengan jumlah piksel pada citra.

3. Standard deviation of RGB

Ekstraksi ciri yang terakhir yaitu mencari nilai standar deviasi masing – masing komponen R, G dan B pada citra. Langkah ekstraksi ciri Standard Deviation of RGB ditunjukan pada gambar 3.8.

Gambar 3.8 Standard Deviation of RGB

Langkah awal dimulai dengan mengambil data citra setelah akuisisi. Selanjutnya ambil nilai R, G dan B. Pada tahap akhir, cari nilai standar deviasi masing – masing komponen R, G dan B pada citra.

e. Klasifikasi

Gambar 3.9 Proses Klasifikasi

Klasifikasi adalah peroses pengelompokan data berdasarkan nilai yang telah diekstraksi. Metode klasifikasi menggunakan dua tahapan yaitu latih/training dan uji/testing. Langkah proses klasifikasi ditunjukan pada gambar 3.9. Klasifikasi dimulai dengan input data latih dan data uji. Data latih yang sudah diekstraksi kemudian dibuat

model SVM dengan ekstraksi ciri gabungan ke-1 yaitu Sum of RGB & Mean of RGB,

gabungan ke-2 yaitu Sum of RGB & Standard Deviation of RGB, gabungan ke-3 yaitu

Mean of RGB & Standard Deviation of RGB dan gabungan ke-4 adalah Sum of RGB, Mean of RGB & Standard Deviation of RGB. Model tersebut kemudian dilakukan proses latih pada SVM jika terjadi error, langsung dijadikan SVM classifier, jika setelah tahap train tidak terdapat error maka peroses berlanjut ke pengecekan misklasifikasi, jika masih terdapat misklasifikasi maka dilakukan perubahan pada training set.

f. Perhitungan akurasi

Selanjutnya dilakukan penghitungan keakuratan hasil deteksi yaitu dengan cara membandingkan hasil deteksi menggunakan program dengan deteksi secara manual. Hasil pengujian ini merupakan sebuah presentase. Perhitungan presentase menggunakan rumus: Akurasi = (Deteksi Benar / Jumlah Seluruh Citra)*100% Akurasi adalah suatu nilai yang digunakan sebagai tolak ukur untuk mengetahui tingkat keberhasilan program yang telah dibuat. Citra yang Benar adalah hasil pembacaan program yang benar yang dibandingkan dengan hasil klasifikasi manual. Proses perhitungan akurasi ditunjukan pada gambar 3.10.

Gambar 3.10 Proses Perhitungan akurasi

3.2.4 Penyusunan Program

Pada tahap ini program yang telah dirancang selanjutnya direalisasikan menggunakan software matlab 7.8.0 (R2009a). Penyusunan program dilakukan sesuai urutan diagram alir pada tahap perancangan. Program disusun dengan merealisasikan setiap tahap dengan pembagian kelas-kelas m file agar program terstruktur. Kelas tersebut yaitu sum.m, mean.m, stdv.m dan multisvm.m. Kelas program ditunjukan pada gambar 3.11.

Gambar 3.11 Kelas Program

3.2.5 Analisis

Setelah program berjalan dengan baik selanjutnya dilakukan analisis terhadap prinsip kerja program yaitu melihat instruksi dari setiap baris apakah sudah benar dan sesuai tujuan. Analisis juga dilakukan terhadap algoritma yang digunakan dan kombinasi ekstraksi ciri pengujian untuk mendapatkan hasil yang optimal. Hasil deteksi juga akan dianalisis berdasarkan klasifikasi dan akurasi yang diperoleh.

3.2.6 Penulisan Laporan

Penulisan laporan bertujuan agar penelitian ini dapat dipelajari dan dikoreksi oleh pembaca lain. Penulisan ini juga sebagai bentuk pertanggungjawaban terhadap penelitian yang telah dilakukan. Garis besar penulisan tertera pada Sistematika Penulisan.

BAB IV

HASIL PENELITIAN DAN PEMBAHASAN

4.1 Prinsip Kerja Sistem

Prinsip kerja sistem yaitu dengan melakukan pengambilan data berupa video keadaan jalan raya kemudian melakukan sampling data video menjadi citra. Kumpulan citra tersebut lalu diproses dengan melakukan pra pengolahan dan ekstraksi ciri yang akan menghasilkan nilai tertentu. Kumpulan citra tersebut dibagi menjadi citra latih dan citra uji, metode Support Vector Machine digunakan untuk melakuan proses latih sehingga terbentuk hyperplane yang membentuk dua area klasifikasi. Pada tahap uji, data yang baru akan dipetakan pada model area latih dan hasilnya bergantung pada data tersebut akan terletak pada area tertentu sehingga terklasifikasi.

4.2 Hasil Pengambilan Data

Pengambilan data dilakukan di Laboraturium Pasca Panen, Fakultas Pertanian, Universitas Muhammadiyah Yogyakarta. Dari hasil pengambilan data, diperoleh citra buah manggis yang ditunjukan pada tabel 4.1.

Tabel 4.1 Data citra buah manggis

Kelas Jumlah Citra

Kelas 1 16

Kelas 2 16

Kelas 3 16

Kelas 4 16

Kelas 5 16

Kelas 6 16

4.3 Hasil Perancangan Program

4.3.1 Akuisisi data

Data diambil menggunakan kamera digital dengan jarak yang sama sekitar 50 cm dan resolusi yang sama sebesar 6000 x 4000. Pada pengambilan data, dalam satu foto berisi tiga buah manggis pada kelas yang sama ditunjukan pada gambar 4.1. Hal ini dilakukan untuk mempersingkat waktu pengambilan data. Kemudian dilakukan

cropping untuk masing – masing buah manggis dengan resolusi yang diubah menjadi 1024 x 1024.

Gambar 4.1 sampel awal pengambilan data citra

Contoh citra buah manggis untuk masing – masing kelas ditunjukkan pada tabel 4.2.

Tabel 4.2 Contoh citra buah manggis

Kelas Contoh Citra

Kelas 0

Kelas 2

Kelas 3

Kelas 4

Kelas 5

4.3.2 Penentuan label dan grup

Penentuan label dan grup dilakukan setelah proses akuisisi data, nama citra dirubah berdasarkan kelasnya. Untuk citra manggis kelas 1 diberi nama sa, citra manggis kelas 2 diberi nama sb, citra manggis kelas 3 diberi nama sc, citra manggis kelas 4 diberi nama sd, citra manggis kelas 5 diberi nama se dan citra manggis kelas 6 diberi nama sf.

Format penamaan citra ini berdasarkan kelas tersebut kemudian diikuti urutan citra. Contoh penamaan untuk citra manggis ditunjukan pada tabel 4.3. Setelah penamaan atau

labelling pada program diperolah array berupa grup dengan total 96 entry dengan masing – masing 16 citra untuk setiap kelas.

Tabel 4.3 Contoh penamaan file untuk citra manggis

Citra Penamaan File

Kelas 1, manggis ke-1, sisi 1 sa_1

Kelas 1, manggis ke-1, sisi 2 sa_2

Kelas 1, manggis ke-1, sisi 3 sa_3

Kelas 1, manggis ke-1, sisi 4 sa_4

Kelas 1, manggis ke-2, sisi 1 sa_5

Kelas 1, manggis ke-2, sisi 2 Sa_6

Kelas 1, manggis ke-2, sisi 3 Sa_7

Kelas 1, manggis ke-2, sisi 4 Sa_8

Kelas 1, manggis ke-3, sisi 1 Sa_9

Kelas 1, manggis ke-3, sisi 2 Sa_10

Kelas 1, manggis ke-3, sisi 4 Sa_12

Kelas 1, manggis ke-4, sisi 1 Sa_13

Kelas 1, manggis ke-4, sisi 2 Sa_14

Kelas 1, manggis ke-4, sisi 3 Sa_15

Kelas 1, manggis ke-4, sisi 4 Sa_16

Kelas 2, manggis ke-1, sisi 1 Sb_1

Kelas 2, manggis ke-1, sisi 2 Sb_2

Kelas 2, manggis ke-1, sisi 3 Sb_3

Kelas 2, manggis ke-1, sisi 4 Sb_4

Kelas 2, manggis ke-2, sisi 1 Sb_5

Kelas 2, manggis ke-2, sisi 2 Sb_6

Kelas 2, manggis ke-2, sisi 3 Sb_7

Kelas 2, manggis ke-2, sisi 4 Sb_8

Kelas 2, manggis ke-3, sisi 1 Sb_9

Kelas 2, manggis ke-3, sisi 2 Sb_10

Kelas 2, manggis ke-3, sisi 4 Sb_12

Kelas 2, manggis ke-4, sisi 1 Sb_13

Kelas 2, manggis ke-4, sisi 2 Sb_14

Kelas 2, manggis ke-4, sisi 3 Sb_15

Kelas 2, manggis ke-4, sisi 4 Sb_16

4.3.3 Pra Pengolahan Citra

Citra hasil sampling memiliki resolusi 1024 x 1024. Untuk mempermudah dalam pengambilan nilai RGB agar lebih akurat, maka dilakukan cropping pada bagian tengah citra buah manggis menggunakan aplikasi adobe photoshop CS6 dengan ukuran 352 x 352 piksel . Proses ini sangat berpengaruh, selain memperoleh informasi nilai RGB lebih akurat juga menjadikan ukuran citra seragam. Hasil cropping ditunjukan pada gambar 4.8.

(a) (b)

Gambar 4.2 Proses cropping citra (a) citra manggis sebelum dicrop (b) citra manggis setelah dicrop

4.3.4 Ekstraksi Ciri

a. Sum of RGB

Ekstraksi ciri Sum of RGB merupakan langkah awal untuk mencari jumlah nilai komponen R, G dan B pada citra.

Gambar 4.3 Scatter plot citra berdasarkan Sum of Red

Pada ekstraksi ciri Sum of Red didapati nilai yang berbeda untuk data citra manggis kelas 1, kelas 2 dan kelas 3, sedangkan untuk data citra manggis kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Hal ini ditunjukan pada gambar 4.9.

Gambar 4.4 Scatter plot citra berdasarkan Sum of Green

Dari hasil ekstraksi ciri Sum of Green terlihat bahwa data citra manggis kelas 1 dan kelas 2 memiliki nilai yang berbeda, sedangkan data citra manggis kelas 3, kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.10.

Dari kesuluruhan data, daerah sebaran datanya berbeda dari sisi vertikal. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

Gambar 4.5 Scatter plot citra berdasarkan Sum of Blue

Dari hasil ekstraksi ciri Sum of Blue terlihat bahwa data citra manggis kelas 1 dan kelas 6 memiliki nilai yang sama, sedangkan data citra manggis kelas 2, kelas 3, kelas 4 dan kelas 5 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.11. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

b. Mean of RGB

Mean of RGB mempresentasikan citra berdasarkan nilai rata – rata setiap komponen R, G dan B pada citra.

Gambar 4.6 Scatter plot citra berdasarkan Mean of Red

Pada ekstraksi ciri Mean of Red, data citra manggis kelas 1, kelas 2 dan kelas 3 memiliki nilai yang berbeda, sedangkan untuk data citra manggis kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.12. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

Gambar 4.7 Scatter plot citra berdasarkan Mean of Green

Dari hasil ekstraksi ciri Mean of Green terlihat bahwa data citra manggis kelas 1, kelas 2 memilki nilai yang berbeda, sedangkan data citra manggis kelas 3, kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.13. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

Gambar 4.8 Scatter plot citra berdasarkan Mean of Blue

Dari hasil ekstraksi ciri Mean of Blue terlihat bahwa data citra manggis kelas 1, kelas 2, kelas 3, kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.14. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

b. Standard Deviation of RGB

Ekstraksi ciri berikutnya adalah mencari nilai standar deviasi masing – masing komponen R, G dan B pada citra.

Gambar 4.10 Scatter plot citra berdasarkan Standard Deviation of Green

Dari hasil ekstraksi ciri Standard Deviation of Red , Standard Deviation of Green & Standard Deviation of Blue terlihat bahwa data citra manggis kelas 1, kelas 2, kelas 3, kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.15, gambar 4.16 & gambar 4.17. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

4.3.5 Klasifikasi dan Validasi

Dalam penelitian ini klasifikasi dan validasi dilakukan secara bersamaan. Klasifikasi menggunakan SVM dan validasi menggunakan metode 4-Fold Cross Validation. Secara umum ada 2 tahap yang dilakukan, yaitu proses latih dan uji. Data yang dipakai pada penelitian ini yaitu 96 citra dengan masing – masing 16 citra untuk setiap kelas manggis.

a. Hasil Klasifikasi dan Validasi

1. Fold 1

Fold ke-1 menggunakan data latih citra ke-2 sampai citra ke-4, citra ke-6 sampai citra ke-8, citra ke-10 sampai citra ke-12, citra ke-14 sampai citra ke-16, citra ke-18 sampai citra ke-20, citra ke-22 sampai citra ke-24, citra ke-26 sampai citra ke-28, citra ke-30 sampai citra 32, citra 34 sampai citra 36, citra 38 sampai citra 40, citra ke-42 sampai citra ke-44, citra ke-46 sampai citra ke-48, citra ke-50 sampai citra ke-52, citra ke-54 sampai citra ke-56, citra ke-58 sampai citra ke-60, citra ke-62 sampai citra ke-64, citra 66 sampai citra 68, citra 70 sampai citra 72, citra 74 sampai citra

ke-76, citra ke-78 sampai citra ke-80, citra ke-82 sampai citra ke-84, citra ke-86 sampai citra ke-88, citra ke-90 sampai citra ke-92 dan citra ke-94 sampai citra ke-96, sedangkan untuk data uji yaitu citra 1, citra 5, citra 9, citra 13, citra 17, citra 21, citra ke-25, citra ke-29, citra ke-33, citra ke-37, citra ke-41, citra ke-45, citra ke-49, citra ke-53, citra ke-57, citra ke-61, citra ke-65, citra ke-69, citra ke-73, citra ke-77, citra ke-81, citra ke-85, citra ke-89 dan citra ke-93. Berikut merupakan hasil dari proses latih ditunjukkan pada gambar 4.12. (a) Sum of Red (b) Sum of Green (c) Sum of Blue (d) Mean of Red (e) Mean of Green (f) Mean of Blue (g) Standard Deviation of Red (h) Standard Deviation of Green (i) Standard Deviation of Blue

Pada fold 1, ekstraksi ciri Sum of Red, data citra manggis kelas 1, kelas 2 dan kelas 3 memiliki nilai yang berbeda, sedangkan untuk data citra manggis kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.12.

(a) Sum of Red. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

(b)

Pada fold 1, ekstraksi ciri Sum of Green, data citra manggis kelas 1 dan kelas 2 memiliki nilai yang berbeda, sedangkan untuk data citra manggis kelas 3, kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.12.

kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

(c)

Pada fold 1, ekstraksi ciri Sum of Blue, data citra manggis kelas 1, kelas 2, kelas 3, kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.12. (c) Sum of Blue. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

(d)

Pada fold 1, ekstraksi ciri Mean of Red, data citra manggis kelas 1, kelas 2 dan kelas 3 memiliki nilai yang berbeda, sedangkan untuk data citra manggis kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.12.

(d) Mean of Red. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

(e)

Pada fold 1, ekstraksi ciri Mean of Green, data citra manggis kelas 1 dan kelas 2 memiliki nilai yang berbeda, sedangkan untuk data citra manggis kelas 3, kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.12.

(e) Mean of Green. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

(f)

Pada fold 1, ekstraksi ciri Mean of Blue, data citra manggis kelas 1, kelas 2, kelas 3, kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.12. (f) Mean of Blue. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

(g)

(i)

Pada fold 1, ekstraksi ciri Standard Deviation of Red, Standard Deviation of Green, dan Standard Deviation of Blue, data citra manggis kelas 1, kelas 2, kelas 3, kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.12. (g) Standard Deviation of Red, (h) Standard Deviation of Green, (i) Standard Deviation of Blue. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

Dari hasil uji diperoleh akurasi setiap model SVM, hal ini ditunjukan pada tabel 4.4.

Tabel 4.4 Hasil akurasi fold ke-1

Ekstraksi Sum of RGB &

M ean of RGB

Sum of RGB & Standard Deviation

of RGB

Sum of RGB & Standard Deviation

of RGB

Sum of RGB, M ean of RGB & Standard Deviation of RGB

Akurasi 75% 58% 58% 62%

Pada fold ke-1, model SVM dengan ekstraksi ciri Sum of RGB & Standard Deviation of RGB dan Mean of RGB & Standard Deviation of RGB memperoleh nilai akurasi yang masih terbilang kecil. Masih banyak terdapat misklasifikasi pada percobaan ini. Beberapa citra manggis memiliki warna yang mirip, hal ini disebabkan pemilihan buah secara manual diawal yang dilakukan oleh petani.

2. Fold 2

Kali ini data latih untuk fold ke-2 yaitu citra ke-1, citra ke-3 sampai citra ke-5, citra ke-7 sampai citra ke-9, citra ke-11 sampai citra ke-13, citra ke-15 sampai citra ke-17, citra ke-19 sampai citra ke-21, citra ke-23 sampai citra ke-25, citra ke-27 sampai citra ke-29, citra 31 sampai citra 33, citra 35 sampai citra 37, citra 39 sampai citra ke-41, citra ke-43 sampai citra ke-45, citra ke-47 sampai citra ke-49, citra ke-51 sampai citra ke-53, citra ke-55 sampai citra ke-57, citra ke-59 sampai citra ke-61, citra ke-63 sampai citra ke-65, citra ke-67 sampai citra ke-69, citra ke-71 sampai citra ke-73, citra ke-75 sampai citra 77, citra 79 sampai citra 81, citra 83 sampai citra 85, citra

ke-87 sampai citra ke-89, citra ke-91 sampai citra ke-93 dan citra ke-95 sampai citra ke-96, sedangkan untuk data uji menggunakan citra ke-2, citra ke-6, citra ke-10, citra ke-14, citra ke-18, citra ke-22, citra ke-26, citra ke-30, citra ke-34, citra ke-38, citra ke-42, citra ke-46, citra ke-50, citra ke-54, citra ke-58, citra ke-62, citra ke-66, citra ke-70, citra ke-74, citra ke-78, citra ke-82, citra ke-86, citra ke-90 dan citra ke-94. Berikut merupakan hasil dari proses latih ditunjukkan pada gambar 4.13. (a) Sum of Red (b) Sum of Green (c) Sum of Blue (d) Mean of Red (e) Mean of Green (f) Mean of Blue (g) Standard Deviation of Red (h) Standard Deviation of Green (i) Standard Deviation of Blue

(a)

Pada fold 2, ekstraksi ciri Sum of Red, data citra manggis kelas 1, kelas 2 dan kelas 3 memiliki nilai yang berbeda, sedangkan untuk data citra manggis kelas 4, kelas 5

dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.13.

(a) Sum of Red. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

(b)

Pada fold 2, ekstraksi ciri Sum of Green, data citra manggis kelas 1 dan kelas 2 memiliki nilai yang berbeda, sedangkan untuk data citra manggis kelas 3, kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.13.

(b) Sum of Green. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

(c)

Pada fold 2, ekstraksi ciri Sum of Blue, data citra manggis kelas 1, kelas 2, kelas 3, kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.13. (c) Sum of Blue. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

(d)

Pada fold 2, ekstraksi ciri Mean of Red, data citra manggis kelas 1, kelas 2 dan kelas 3 memiliki nilai yang berbeda, sedangkan untuk data citra manggis kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.13.

(d) Mean of Red. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

(e)

Pada fold 2, ekstraksi ciri Mean of Green, data citra manggis kelas 1 dan kelas 2 memiliki nilai yang berbeda, sedangkan untuk data citra manggis kelas 3, kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.13.

(e) Mean of Green. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

(f)

Pada fold 2, ekstraksi ciri Mean of Blue, data citra manggis kelas 1, kelas 2, kelas 3, kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.13. (f) Mean of Blue. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

(g)

(i)

Pada fold 2, ekstraksi ciri Standard Deviation of Red, Standard Deviation of Green, dan Standard Deviation of Blue, data citra manggis kelas 1, kelas 2, kelas 3, kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.13. (g) Standard Deviation of Red, (h) Standard Deviation of Green, (i) Standard Deviation of Blue. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

Berikut merupakan hasil akurasi dari proses uji setiap model SVM yang ditunjukan pada tabel 4.5.

Tabel 4.5 Hasil akurasi fold ke-2

Ekstraksi Sum of RGB &

M ean of RGB

Sum of RGB & Standard Deviation

of RGB

Sum of RGB & Standard Deviation

of RGB

Sum of RGB, M ean of RGB & Standard Deviation of RGB

Akurasi 83% 71% 70% 75%

Pada fold ke-2 seluruh model SVM mengalami peningkatan nilai akurasi dibandingkan dengan fold pertama, namun masih terdapat beberapa misklasifikasi pada percobaan ini. Beberapa citra manggis memiliki warna yang mirip yang sebelumnya sudah disortir secara manual oleh petani.

3. Fold 3

Untuk fold ke-3, data latih yang digunakan adalah citra ke-1 sampai citra ke-2, citra ke-4 sampai citra ke-6, citra ke-8 sampai citra ke-10, citra ke-12 sampai citra ke-14, citra ke-16 sampai citra ke-18, citra ke-20 sampai citra ke-22, citra ke-24 sampai citra ke-26, citra 28 sampai citra 30, citra 32 sampai citra 34, citra 36 sampai citra ke-38, citra ke-40 sampai citra ke-42, citra ke-44 sampai citra ke-46, citra ke-48 sampai citra ke-50, citra ke-52 sampai citra ke-54, citra ke-56 sampai citra ke-58, citra ke-60 sampai citra ke-62, citra ke-64 sampai citra ke-66, citra ke-68 sampai citra ke-70, citra ke-72 sampai citra 74, citra 76 sampai citra 78, citra 80 sampai citra 82, citra ke-84 sampai citra ke-86, citra ke-88 sampai citra ke-90, citra ke-92 sampai citra ke-94 dan

citra ke-96, sedangkan untuk data uji menggunakan citra ke-3, citra ke-7, citra ke-11, citra ke-15, citra ke-19, citra ke-23, citra ke-27, citra ke-31, citra ke-35, citra ke-39, citra ke-43, citra ke-47, citra ke-51, citra ke-55, citra ke-59, citra ke-63, citra ke-61, citra ke-71, citra ke-75, citra ke-79, citra ke-83, citra ke-87, citra ke-91 dan citra ke-95. Berikut merupakan hasil dari proses latih ditunjukkan pada gambar 4.14. (a) Sum of Red (b) Sum of Green (c) Sum of Blue (d) Mean of Red (e) Mean of Green (f) Mean of Blue (g) Standard Deviation of Red (h) Standard Deviation of Green (i) Standard Deviation of Blue

(a)

Pada fold 3, ekstraksi ciri Sum of Red, data citra manggis kelas 1, kelas 2 dan kelas 3 memiliki nilai yang berbeda, sedangkan untuk data citra manggis kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.14.

(a) Sum of Red. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

(b)

Pada fold 3, ekstraksi ciri Sum of Green, data citra manggis kelas 1 dan kelas 2 memiliki nilai yang berbeda, sedangkan untuk data citra manggis kelas 3, kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.14.

(b) Sum of Green. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

(c)

Pada fold 3, ekstraksi ciri Sum of Blue, data citra manggis kelas 1, kelas 2, kelas 3, kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.14. (c) Sum of Blue. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

(d)

Pada fold 3, ekstraksi ciri Mean of Red, data citra manggis kelas 1, kelas 2 dan kelas 3 memiliki nilai yang berbeda, sedangkan untuk data citra manggis kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.14.

(d) Mean of Red. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

(e)

Pada fold 3, ekstraksi ciri Mean of Green, data citra manggis kelas 1 dan kelas 2 memiliki nilai yang berbeda, sedangkan untuk data citra manggis kelas 3, kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.14.

(e) Mean of Green. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

(f)

Pada fold 3, ekstraksi ciri Mean of Blue, data citra manggis kelas 1, kelas 2, kelas 3, kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.14. (f) Mean of Blue. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

(g)

(i)

Pada fold 3, ekstraksi ciri Standard Deviation of Red, Standard Deviation of Green, dan Standard Deviation of Blue, data citra manggis kelas 1, kelas 2, kelas 3, kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.14. (g) Standard Deviation of Red, (h) Standard Deviation of Green, (i) Standard Deviation of Blue. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

(g)

(i)

Pada fold 4, ekstraksi ciri Standard Deviation of Red, Standard Deviation of Green, dan Standard Deviation of Blue, data citra manggis kelas 1, kelas 2, kelas 3, kelas 4, kelas 5 dan kelas 6 memiliki nilai yang sama. Dalam hal ini seperti ditunjukan pada gambar 4.15. (g) Standard Deviation of Red, (h) Standard Deviation of Green, (i) Standard Deviation of Blue. Lingkaran merah merupakan data kelas 1, kotak kuning merupakan data kelas 2, tanda silang hijau merupakan data kelas 3, tanda plus coklat merupakan data kelas 4, tanda bintang biru merupakan data kelas 5 dan segitiga ungu merupakan data kelas 6.

Berikut merupakan hasil akurasi dari proses uji setiap model SVM yang ditunjukan pada tabel 4.7.

Tabel 4.7 Hasil akurasi fold ke-4

Ekstraksi Sum of RGB &

M ean of RGB

Sum of RGB & Standard Deviation

of RGB

Sum of RGB & Standard Deviation

of RGB

Sum of RGB, M ean of RGB & Standard Deviation of RGB

Akurasi 54% 71% 71% 62%

Pada fold ke-4 polanya sama dengan fold ke-3, namun kali ini justru nilai akurasinya mengalami penurunan. Misklasifikasi pada percobaan ini dikarenakan citra buah manggis pada data training juga memiliki kemiripan warna.

Tabel 4.8 Nilai Prosentase akurasi

SRGB & MRGB SRGB & SDRGB MRGB & SDRGB SRGB, MRGB & SDRGB

1 75 58 58 62

2 83 71 70 75

3 71 75 75 79

4 54 71 71 62

Rata - rata 71% 68,75% 68,50% 69,50% Ekstraksi

Fold

Pada tahap uji, model dengan tiga ekstraksi ciri sekaligus memperoleh rata – rata akurasi yang lebih baik dibandingkan hanya menggunakan dua ekstraksi ciri seperti ditunjukan pada tabel 4.8.

BAB V

KESIMPULAN DAN SARAN

5.1 KESIMPULAN

Kesimpulan yang dapat diambil dari penelitian ini adalah:

1. Indeks warna merah untuk ekstraksi ciri _Sum dan Mean, memiliki nilai yang berbeda pada citra manggis stage 1, 2 dan 3. Sedangkan pada citra manggis stage 4, 5 dan 6 memiliki nilai yang sama. Pada ekstraksi ciri standard deviation, seluruh stage memiliki nilai yang sama.

2. _{Indeks warna hijau untuk ekstraksi ciri Sum dan Mean, memiliki nilai yang berbeda} pada citra manggis stage 1 dan 2. Sedangkan pada citra manggis stage 3, 4, 5 dan 6 memiliki nilai yang sama. Pada ekstraksi ciri standard deviation, seluruh stage memiliki nilai yang sama.

3. Indeks warna biru untuk ekstraksi ciri _{Sum, Mean} dan standard _deviation, semua memiliki nilai yang sama untuk setiap stage.

4. _{Metode Support Vector Machine sesuai digunakan untuk mengklasifikasi citra buah} manggis dengan enam tingkat kematangan yang berbeda, karena Support Vector Machine dapat mengklasifikasi data secara non-linier dan dapat memuat banyak ekstraksi ciri sekaligus.

5. Model dengan tiga ekstraksi ciri sekaligus memperoleh akurasi yang lebih baik dibandingkan hanya menggunakan dua ekstraksi ciri.

5.2 SARAN

Sistem yang telah dibuat sudah cukup baik, namun perhitungan indeks warna RGB tidak dilakukan di sepanjang permukaan kulit manggis tapi hanya dari jendela berukuran 352 x 352 piksel yang dihitung. Untuk tingkat ketelitian yang lebih tinggi perlu perbaikan algoritma yang dibangun sehingga mampu menghitung nilai indeks warna RGB seluruh titik (piksel) pada permukaan kulit manggis, salah satunya dengan membuat jendela berbentuk lingkaran yang mendekati bentuk buah manggis.

Perhitungan dalam sistem warna RGB perlu dibandingkan dengan sistem perhitungan dalam sistem warna yang lain seperti sistem HSI, yaitu Hue, Saturation dan Intensity yang merupakan model warna yang paling sesuai dengan persepsi manusia.

DAFTAR PUSTAKA

Yulia, Suastika. “Klasifikasi Level Kematangan Tomat Berdasarkan Perbedaan Perbaikan Citra Menggunakan Rata-Rata RGB dan Index Pixel”. 9.2 (2015).

Sugiyanto, Sigit, and Wibowo, Feri. “Klasifikasi Tingkat Kematangan Buah Pepaya (Carica Papaya L) California (Callina-IPB 9) Dalam Ruang Warna HSV Dan Algoritma K-Nearest Neighbors”. 2015.

Whidhiasih, Nugroho Retno, et al., “Identifikasi Tahap Kematangan Buah Manggis Berdasarkan Warna Menggunakan Fuzzy Neural Network”. 22.2 (2012): 82-91. Whidhiasih, Nugroho Retno, et al., “Klasifikasi Kematangan Buah Manggis Ekspor Dan

Lokal Berdasarkan Warna dan Tekstur Menggunakan Fuzzy Neural Network”. 1.2 (2012): 71-77.

Saputra, Risanti Hari, et al., “Menentukan Kematangan Buah Manggis Menggunakan Metode Summary Squared Error (SSE) yang Diaplikasikan pada Belt Conveyor Pemisah Buah”. 9.2 (2014).

Muafiq, Muhammad Dede. “Deteksi Retak Permukaan Jalan Raya Menggunakan Metode Klasifikasi Non-Linear Support Vector Machine Dengan Multiple Features”. 2016.