Implementasi Metode Lu-Trasnform Untuk Mendeteksi Penyakit Kulit Pada Kelinci
BIODATA PENULIS (RIWAYAT HIDUP)
1. Data Pribadi
Nama Lengkap : Nur Diansyah Tempat Tanggal Lahir: Bogor, 06 Nopember 1990 Agama : Islam Alamat : Komplek Dislitbangad, Jl. Parayudha, Rt/w 003/005,
Desa. Galanggang, Kec. Batujajar, Kab. Bandung Barat No Telepon : 08561542424 Email
2. Riwayat Pendidikan
1. Tahun 1997 – 2003 : SDI Al-Istiqomah, Tangerang.
2. Tahun 2003 – 2006 : SMP Negeri 2 Batujajar, Batujajar.
3. Tahun 2006 – 2009 : SMA Negeri 1 Batujajar, Batujajar.
4. Tahun 2010 – 2015 : Universitas Komputer Indonesia, Bandung.
Program Studi S1 Jurusan Teknik Informatika Fakultas Teknik dan Ilmu Komputer
BAB 5 KESIMPULAN DAN SARAN
1.1 Kesimpulan
Berdasarkan hasil penelitian yang telah dilakukan dapat ditarik kesimpulan dari tektur deteksi metode LU-Transform untuk mendeteksi gambar penyakit kulit pada kelinci dapat diimplementasikan dan bekerja dengan cukup baik dalam mendeteksi tekstur penyakit kulit, namun bila hanya pada bagian area penyakitnya saja, karena bila gambar yang dideteksi terdapat objek lain maka hasil deteksi LU- Transform akan mendeteksi pula objek lain tersebut sebagai penyakit, sehingga apat merubah nilai sebuah objek tersebut.
Nilai ciri objek yang dihasilkan oleh LU-Transform memang cocok untuk dijadikan masukan Template matching correlation terbukti dengan proses pengujian dengan membandingan nilai korelasi setiap data uji dengan data latih dapat mengkasilkan akurasi yang cukup baik yakni 93,3% pada pengujian penyakit sore hocks. Kendala pada metode Template matching correlation tersebut adalah karena karakteristik sebuah penyakit adalah Dinamis, yaitu banyaknya bentuk tektur penyakit yang berubah ubah pada setiap penyakit yang menyebabkan pada saat perbandingan nilai korelasi sebuah objek dapat berubah- ubah.
1.2 Saran
Banyaknya bentuk pola tekstur sebuah penyakit yang berubah-ubah menjadi tantangan yang sulit dihindari dalam mengekstrak nilai ciri objek penyakit kulit dengan metode LU-Transform, karena metode LU-Transform bekerja berdasarkan nilai koefisin tengah eigen values sebagai nilai normalisasi objek. bukan bersarkan deteksi tepi, ataupun deteksi warna. Hal ini dapat diminimalisir dengan pengambilan objek penyakit hanya bagian penyakitnya saja, tanpa terambil gambar lain diluar dari objek penyakit tersebut. Dalam pengembangan dimasa mendatang disarankan untuk menggunakan algoritma lain yang mampu mengektraksi ciri karakteristik penyakit dengan memisahkan antara objek penyakit dengan objek kulit sehat sebagai latar belakangnya. sehingga cocok dalam penerapannya dengan karakteristik penyakit yang selalu berubah-ubah setiap polanya.
BAB 4 IMPLEMENTASI DAN PENGUJIAN
4.1 Implementasi
Tahap implementasi merupakan tahap pengimplementasian metode kedalam perangkat lunak simulasi, tahap lanjut dari tahap perancangan simulasi di bab sebelumnya. Tahap yang dilakukan untuk menerjemahkan perancangan berdasarkan hasil analisis dalam bahasa yang dimengerti oleh komputer serta penerapan perangkat lunak pada keadaan yang sebenarnya.
4.1.2 Implementasi Perangkat Keras
Spesifikasi perangkat keras yang digunakan saat implementasi sistem ini dapat dilihat pada tabel 4.1 di bawah ini.
Tabel 4. 1 Implementasi perangkat keras
No Perangkat Keras Spesifikasi
1 Processor
2.00 GHz
2 Hard Disk
20 Gb
3 Memori
2Gb
4.1.3 Implementasi Perangkat Lunak
Spesifikasi perangkat lunak yang digunakan saat implementasi sistem ini dapat dilihat pada tabel 4.2 di bawah ini.
Tabel 4. 2 Implementasi Perangkat lunak
No Perangkat Lunak
1 Sistem operasi Windows7, Windows8, Windows 8.1
2 Visual Studio 2012
4.1.3 Implementasi Class
Implementasi class merupakan implementasi dari analisis kelas yang ada pada class diagram. Deskripsi implementasi class pada sistem yang dibangun dapat dilihat pada table 4.3.
Tabel 4. 3 Tabel Implementasi kelas
No Nama Class Nama File
1 Menu menu.cs
2 Matrik Matrix.cs
3 Mexception Mexception.cs
4 Tamplate Matching Template_Matching.cs
4.1.4 Implementasi Antarmuka
Implementasi antarmuka dilakukan untuk setiap tampilan program yang dibangun. Berikut ini adalah implementasi antarmuka
4.1.4.1 Antarmuka Deteksi LU-Transform
Gambar 4. 1 Antarmuka tambah dataset
4.1.4.2 Antarmuka Dataset Template matching correlation
Gambar 4. 2 Antarmuka pelatihan template matching correlation
4.1.4.3 Antarmuka Pengujian Template matching correlation
Gambar 4. 3 Antarmuka Pengujian Template matching correlation
4.2 Pengujian Metode
Pengujian metode bertujuan untuk mengetahui tingkat akurasi hasil pengujian dari metode LU-Transform dalam mendeteksi ciri tektur jenis-jenis penyakit dan Template matching correlation yang diimplementasikan sebagai klasifikasi jenis penyakit pada system ini. Percobaan dilakukan dengan menggunakan metode K-Fold Cross validation (validasi silang). K-Fold Cross
Validation membagi data menjadi K subset yang ukurannya sama satu sama
lainnya.Pada penelitian ini, Data yang digunakan dalam pengujian merupakan data dari 2 jenis penyakit kelinci sebanyak 15 data setiap kelasnya. Jumlah keseluruhan data yang digunakan adalah 60 data citra. Pengujian dilakukan dengan menggunakan 1 sekenario. Berikut adalah sekenario yang akan dilakukan:
Menguji Pengaruh ukuran citra 32x32, terhadap hasil klasifikasi perbandingan antara data latih, dan data uji, perbandingan data latih dan data uji yang digunakan adalah 10 : 50, 20 : 40, 30 : 30.
Dari sekenario diatas, akan dilakukan pengujian dengan menggunakan metode K-Fold Cross Validation. Nilai K yang digunakan adalah 3, sehingga pembagian kelompok data akan dilakukan sebanyak 3 kali. Berikut adalah rincian, Pembagian kelompok data dengan 3-Fold Cross validation:
Fold 1 : Citra a1, a2, a3, a4 dan a5 sebagai data latih penyakit scabies, Citra b1, b2, b3, b4 dan b5 sebagai data latih penyakit sore hocks dan citra c1, c2, c3, c4, c5, c6, c7, c8, c9, c10, c11, c12, c13, c14, c15, c16, c17, c18, c19, c20, c21, c22, c23, c24, c25, c26, c27, c28, c29, c30, a6,a7, a8, a9, a10, a11, a12, a13, a14, a15, b6, b7, b8, b9, b10, b11, b12, b13, b14, b15 sebagai data uji.
Fold 2 : Citra a1, a2, a3, a4, a5 a6,a7, a8, a9, dan a10 sebagai data latih penyakit scabies, Citra b1, b2, b3, b4, b5, b6, b7, b8, b9, b10 sebagai data latih penyakit sore hocks, dan citra c1, c2, c3, c4, c5, c6, c7, c8, c9, c10, c11, c12, c13, c14, c15, c16, c17, c18, c19, c20, c21, c22, c23, c24, c25, c26, c27, c28, c29, c30, a11, a12, a13, a14, a15, b11, b12, b13, b14, b15 sebagai data uji. Fold 3:
Citra a1, a2, a3, a4, a5 a6,a7, a8, a9, a10, a11, a12, a13, a14, dan a15 sebagai data latih penyakit scabies, Citra b1, b2, b3, b4, b5, b6, b7, b8, b9, b10, b11, b12, b13, b14, dan b15 sebagai data latih penyakit sore hocks, dan citra c1, c2, c3, c4, c5, c6, c7, c8, c9, c10, c11, c12, c13, c14, c15, c16, c17, c18, c19, c20, c21, c22, c23, c24, c25, c26, c27, c28, c29, c30, sebagai data uji.
4.2.1 Pengujian Ukuran 32x32 pikel
4.2.1.1 Pengujian perbandingan data latih dan data uji 10 : 50
Pada pengujian ini, akan dilihat Pengaruh perbandingan antara data latih, dan data uji, yang pertama adalah menggunakan perbandingan 10 data latih, dan 50 data uji. dari total keseluruhan 60 dataset, 10 data latih terdiri dari 2 kelas penyakit, yang artinya masing masing kelas hanya memiliki 5 data latih, Berikut adalah data latih dan hasil pengujiannya.
Tabel 4. 4 Table korelasi data uji fold 1 (10:50)
Kelas Penyakit Data Uji
Uji Korelasi (r) Terbukti Scabies Sore
Hocks S ca bi e s c1 0,7493 0,2017 ya c2 0,0458 0,2237 tidak c3 -0,0103 0,1078 tidak c4 0,0336 0,3274 tidak c5 0,2159 0,0834 ya c6 0,2114 0,0902 ya c7 0,1671 0,0808 ya c8 0,1559 -0,038 Ya c9 0,1299 0,0151 Ya c10 0,1225 0,1767 Tidak c11 0,1545 0,3492 Tidak c12 0,1261 0,0171 Ya c13 0,2186 0,1135 Ya c14 0,1309 0,0883 Ya c15 0,0599 0,1023 Tidak a6 0,1364 0,0268 Ya a7 0,0515 0,1491 Tidak a8 0,0837 0,0422 Ya a9 0,2331 0,1912 Ya a10 0,0449 0,0248 Ya a11 0,1755 0,0654 Ya a12 0,0329 0,1468 Tidak a13 0,0556 0,2153 Tidak a14 0,1751 0,1625 Ya a15 0,0547 0,2227 Tidak
S or e H oc ks c16 0,0861 0,2739 Ya c17 0,0267 0,2088 Ya c18 0,2022 0,153 Tidak c19 0,0275 0,2387 Ya c20 -0,0035 0,2315 Ya c21 0,0203 0,0539 Ya c22 0,0929 0,1805 Ya c23 0,0314 0,2691 Ya c24 0,1548 0,3276 Ya c25 0,1693 0,3583 Ya c26 0,1409 0,3108 Ya c27 -0,0211 0,1007 Ya c28 0,0557 0,3064 Ya c29 0,0924 0,2795 ya c30 0,1342 0,0927 tidak b6 0,0948 0,1417 ya b7 0,1485 0,1726 ya b8 0,0934 0,1295 ya b9 0,0641 0,0596 tidak b10 0,0333 0,2611 ya b11 0,0121 0,2806 ya b12 0,0971 0,3697 ya b13 0,0285 0,1705 ya b14 0,1737 0,0815 tidak b15 0,0434 0,3881 ya
Tabel 4. 5 Akurasi pengujian perbandingan data latih dan data uji (10:50)
kelas penyakit banyak data
terbukti
tidak terbukti akurasiScabies
25
16 9 64 % Sore Hocks
25
21 4 84 % Total
50
37 13 74 %
Chart Title
90
80
70
60
50
40
30
20
10 Scabies Sore Hocks total
banyak data terbukti tidak terbukti akurasi
Gambar 4.4 Diagram hasil akurasi pengujian fild ke-1 (10:50)4.2.1.2 Pengujian Perbandingan data latih dan data uji 20 : 40
Pada pengujian 2, akan dilihat Pengaruh perbandingan antara data latih, dan data uji, menggunakan perbandingan 20 data latih dan 40 data uji dari total keseluruhan 60 dataset, 20 data latih terdiri dari 2 kelas penyakit, yang artinya masing masing kelas hanya memiliki 10 data latih, Berikut adalah hasil pengujiannya.
Tabel 4. 6 Table korelasi data uji fold 2 (20:40)
Uji Korelasi (r) Kelas Data Sore Terbukti Penyakit Uji Scabies
Hocks c1 0,7493 0,2017 ya c2 0,0459 0,2237 tidak s e c3 0,0138 0,1078 tidak bi ca S c4 0,0336 0,3274 tidak c5 0,2159 0,0845 ya c6 0,2413 0,0902 ya c7 0,2859 0,0808 ya c8 0,161 -0,0229 ya c9 0,3104 0,0664 ya c10 0,1225 0,1799 tidak c11 0,1546 0,3492 tidak c12 0,1261 0,214 tidak c13 0,2186 0,1135 ya c14 0,1309 0,2258 tidak c15 0,0599 0,2021 tidak a11 0,1756 0,0654 ya a12 0,0688 0,068 tidak a13 0,0556 0,3615 tidak a14 0,1751 0,2158 tidak a15 0,0547 0,2503 tidak
S or e H oc ks c16 0,0861 0,4068 ya c17 0,0333 0,2031 ya c18 0,2022 0,3395 ya c19 0,0293 0,2387 ya c20 0,0243 0,2827 ya c21 0,0203 0,1061 ya c22 0,0929 0,1805 ya c23 0,0314 0,4001 ya c24 0,1548 0,3527 ya c25 0,1977 0,3583 ya c26 0,1409 0,3108 ya c27 -0,0167 0,1774 ya c28 0,0876 0,3064 ya c29 0,1686 0,2795 ya c30 0,1342 0,1281 tidak b11 0,0121 0,2806 ya b12 0,0971 0,3695 ya b13 0,0573 0,1705 ya b14 0,2298 0,081 tidak b15 0,1051 0,3881 ya
Tabel 4. 7 Akurasi pengujian perbandingan data latih dan data uji (20:40)
kelas tidak banyak data terbukti akurasi penyakit terbukti Scabies
20
8 12 40 % Sore Hocks
20
18 2 90 % total
40
26 14 65 %
Chart Title
100
90
80
70
60
50
40
30
20
10 Scabies Sore Hocks total banyak data terbukti tidak terbukti akurasi
Gambar 4. 5 Diagram akurasi pengujian fold ke-2 (20:40)
4.2.1.3 Pengujian perbandingan data latih dan uji 30:30
Pada pengujian 3, akan dilihat Pengaruh perbandingan antara data latih, dan data uji, menggunakan perbandingan 30 data latih dan 30 data uji dari total keseluruhan 60 dataset, 30 data latih terdiri dari 2 kelas, yang artinya masing masing kelas hanya memiliki 15 data latih, Berikut adalah hasil pengujiannya.
Tabel 4. 8 Table korelasi data uji fold 3 (30:30) Kelas Penyakit
Data Uji Uji Korelasi (r) Terbukti
Scabies Sore Hocks
S ca bi e s c1 0,7493 0,2017 ya c2 0,154 0,301 tidak c3 0,1376 0,2116 tidak c4 0,3451 0,3548 tidak c5 0,2187 0,0868 ya c6 0,2413 0,0902 ya c7 0,2859 0,0818 ya c8 0,1671 0,1185 ya c9 0,3104 0,2232 ya c10 0,1445 0,1799 tidak c11 0,1546 0,3575 tidak c12 0,123 0,214 tidak c13 0,218 0,1135 ya c14 0,1309 0,2258 tidak c15 0,1296 0,2021 tidak
S or e H oc ks c16 0,3781 0,4069 ya c17 0,2969 0,2973 ya c18 0,2818 0,3395 ya c19 0,1805 0,361 ya c20 0,2412 0,2827 ya c21 0,0408 0,1061 ya c22 0,1189 0,1805 ya c23 0,3788 0,5069 ya c24 0,3048 0,4446 ya c25 0,2934 0,365 ya c26 0,2579 0,4005 ya c27 0,0507 0,1774 ya c28 0,0876 0,3065 ya c29 0,1686 0,2795 ya c30 0,1323 0,1281 tidak
Tabel 4. 9 Akurasi pengujian perbandingan data latih dan data uji (30:30)
kelas penyakit banyak data terbukti tidak terbukti akurasi
Scabies
15
7 8 46,67% Sore Hocks
15
14 1 93,33% total
30
21 9 70%
Chart Title
10090
80
70
60
50
40
30
20
10 Scabies Sore Hocks total
banyak data terbukti tidak terbukti akurasi
Gambar 4. 6 Diagram akurasi pengujian fold ke-3 (30:30) Dari pengujian dengan 3 fold, dihasilkan akurasi rata-rata ketepatan dalam pengujian sebagai berikut :
Tabel 4. 10 Akurasi Pengujian pada ke-3 fold
Akurasi Fold Scabies Sore Hocks Total 1 64% 84% 74%
2 40% 90% 65% 3 46,67% 93,33% 70%
4.2.2 Kesimpulan Pengujian
Berdasarkan hasil pengujian tersebut dapat ditarik kesimpulan bahwa metode LU-Transform dan template matching correlation dapat menghasilkan tingkat akurasi tertinggi penyakit scabies 64% pada pengujian fold ke-1, sedangkan tingkat akurasi tertinggi penyakit sore hocks 93,3% pada pengujian fold ke-3.
Namun dalam 3 pengujian tersebut, pada pengujian pada fold ke-1 menunjukan tingkat akurasi paling besar dengan 74%, dengan pengaruh perbandingan antara data latih, dan data uji, menggunakan perbandingan 10 data latih dan 50 data uji pada pengujian fold ke-1, sehingga menghasilkan keakuratan yang cukup tinggi, dibandingkan dengan perbandingan antara data latih dan data uji pada pengujian fold ke-2, dan fold ke-3, maka pada pengujian tersebut memiliki kesimpulan, semakin banyak data latih, maka akan semakin besar hasil akurasi pada saat pengujian.
Namun nilai yang dihasilkan dalam proses tekstur deteksi LU-Transform memiliki kendala yang cukup rumit, yaitu bila terdapat objek lain dalam gambar penyakit yang terdeteksi, maka akan merubah pula nilai objek penyakit hasil LU-
Transform tersebut, sehingga dapat mempengaruhi pula dalam proses pengujian
klasifikasi metode template matching correlation.BAB 3 ANALISIS DAN PERANCANGAN
3.1 Analisis Masalah
Metode LU-Transform merupakan metode tektur deteksi yang sampai saat ini masih sedang dikembangkan. Metode LU-Transform ini berfungsi untuk memberikan ekstraksi ciri, dari nilai eigen values yang berguna untuk normalisasi objek dari pola karakteristik pada sebuah objek tersebut, sehingga dapat memisahkan antara tekstur asli sebuah objek dengan background image yang berada diluar karakteristik penyakit objek tersebut, yang nantinya tekstur penyakit tersebut dapat dijadikan pola untuk pengklasifikasian objek lebih lanjut dengan metode Template matching correlation. Template matching correlation merupakan metode sederhana yang digunakan untuk mengenali pola pada sebuah gambar. Selama ini sering digunakan dalam mendeteksi huruf, sidik jari, kulit, dan lain-lain. Metode Template matching correlation dapat melakukan klasifikasi objek dengan tingkat akurasi yang tinggi. Dengan membandingkan nilai korelasi
.
dari tiap data uji dengan tiap-tiap data latih
3.2 Analisis Sistem
Dalam penyelesaian masalah yang telah dijabarkan pada analisis masalah, proses yang dilakukan dapat dikelompokan pada tiga tahapan utama. Tahapan proses tersebut dapat dilihat pada Gambar 3.1.
Pelatihan metode Pengujian metode Hasil Citra LU-Transform Template Deteksi citra
Template Matching Matching
Gambar 3. 1 Proses utama sistem
3.2.1 Proses Perhitungan LU-Transform
Gambar penuh yang dijadikan masukan data diproses dengan deteksi tekstur
LU-Transform mulai dari perubahan warna grayscale pencarian matrik A,
pivoting, perhitungan Eliminasi Gauss, pencarian nilai eigen values, dan proses normalisasi citra. Tahapan proses ini dapat dilihat pada gambar 3.2.
Citra Gra ys cale Pencarian matrik A pivoting
Perhitungan LU- Dekomposisi Perhitungan nilai eign
Normalisasi citra Hasil LU-Transform
Gambar 3. 2 Alur Proses LU-Transform
3.2.2 Proses Pelatihan Teamplate Macthing
Dalam tahapan ini dilakukan pemilihan kelas penyakit, selanjutnya nilai objek setiap pikel akan langsung disimpan kedalam dataset sesuai dengan kelas penyakitnya tersebut. Proses pelatihan ini akan digunakan dalam proses selanjutnya yakni pengujian objek. Tahapan proses ini dapat dilihat pada gambar
3.3. Simpan nilai citra
Pilih kelas berdasarkan kelas Data latih citra Citra hasil LU_transform penyakit
Gambar 3. 3 Alur Proses Pelatihan Template matching correlation
3.2.3 Proses Pengujian Teamplate Macthing
Dalam tahapan ini nilai inputan hasil LU-Transform, dicari perbandingan nilai korelasi objek uji tersebut dibandingkan dengan korelasi nilai objek lain yang telah disimpan dalam data latih. Alur proses pengenalan dapat dilihat pada Gambar 3.4.
Perhitungan Pemeriksaan nilai citra hasil LU_transform metode teamplate korelasi pada setiap Hasil Pengenalan matching objek dalam dataset
Gambar 3. 4 Alur Proses Pengujian Template matching correlation
3.3 Analisis Data Masukan
Data masukan yang akan diproses merupakan data RGB dari objek penyakitnya kelinci, yang di rubah menjadi data bernilai grayscale, yang akan diproses ke LU-Transform, objek yang diambil khususnya bagian kulit yang terinfeksi penyakit tersebut. Bukan gambar dari objek kelinci secara keleluruhan. Contoh data gambar yang dapat digunakan dapat dilihat pada Gambar 3.5.
Gambar 3. 5 Contoh gambar penyakit Sore Hocks
Gambar 3.5 dimisalkan gambar memiliki ukuran 32x32 pixel dengan model warna RGB dan kedalaman warna 255bit, dan dirubah menjadi nilai grayscale.Nilai grayscale setiap pixel objek ke-1 dapat dilihat pada tabel 3.1.
Tabel 3. 1 Nilai pixel grayscale objek ke-1
41
21
40
92
20 195 191 198 198 204 201 198 188 178 175 168 142 106
48 52 121 144 154 158
50
55
32
30
24
26
38
37
24
17
21
39
84
17
36
40 61 114 144 155 157
94
50
34
35
31
24
23
19
34
99
38
21 196 188 195 198 201 201 197 186 178 172 166 145
45 73 122 147 150 162
51
51
37
41
30
24
19 196 196 199 199 205 201 198 190 182 178 171 143 113
65
47
45
17
36
87
17 200 200 202 203 204 201 199 195 188 181 175 160 107
42 48 112 144 150 144
51
49
32
35
20
38
36
29
23
19
18
77
16 200 199 204 204 202 203 198 199 188 184 173 168 119 119
16
31
46
16
42
46
32
34
34
35
22
15
35
36
81
18 200 198 202 202 204 201 198 192 185 180 173 149 111
41 56 107 140 148 147
53
49
40
44
37
34
31
61
45
30
35
31
28
29
42
79
26 185 186 192 188 185 180 178 179 161 139 152 138 119 130
28 81 104 124 149 144 152 167 179
30
27
34
31
27
24
27
23
85
25 183 189 193 188 184 183 181 182 174 150 154 130 126 110
35
27 39 105 101 151 151 150 155 169 183
61
67
30 186 181 179 186 187 174 171 172 155 163 155 145 163 168 168 157 166 167 182 164 140 164 178 173 172 169 169 166 170 176 192 198 31 182 179 177 184 184 173 162 168 163 155 157 150 180 170 169 169 171 184 187 166 135 171 190 181 172 176 172 172 177 182 196 196
81 91 107 155 166 171 168 166 159 168 168 185 194
95
29 186 181 183 188 190 176 178 169 153 163 155 143 153 167 161 154 160 157
34 47 137 160 163 164 157 163 162 182 192
47
48
33
28 186 180 188 189 190 178 177 172 165 155 149 147 150 166 147 152 130
27 184 180 190 189 188 180 179 177 158 142 137 145 135 157 118
36 73 139 152 159 155 156 158 176 189
41
41
39
39
26
40
97
76 88 143 140 149 161 174
39
38
25
96
23 185 182 191 195 189 195 193 188 182 170 161 124 124
63 87 138 145 155 165
40
46
53
36
42
35
19
26
22
23
20
49
93
22 192 188 193 196 197 199 194 186 180 171 160 133 106
43 74 135 143 149 166
87
19
29
98
44
31
29
23
29
18
19
93
33
24
24 182 184 191 193 186 190 187 186 181 161 157 123
67 71 118 138 145 160 165
42
64
38
50
28
28
19
33 50 103 156 157 144
41
f(i,j)
44
34
61
83
205 206 207 205 206 206 205 204 200 197 192 187 172 139 139 139 126
6
78 36 153 176 177 163 143
51
36
32
23
53
58
81
5 204 206 205 206 205 206 207 206 201 198 193 189 176 155 150 152 144 104
60 75 101 87 161 172 171 165 148
69
58
78
30
18
4 206 205 203 206 206 204 206 207 201 197 194 189 180 165 160 158 155 135 101
16
19
27
27
43
8 206 205 206 206 206 204 198 205 200 194 187 182 163 119 122 118 111
32 79 165 174 157 128
22
17
23
14
20
21
26
32
68
7 206 206 206 207 204 207 201 203 199 196 191 183 167 128 126 123 119
38 35 133 173 176 163 136
28
77
75 94 135 105 170 171 176 65 153
29
10
18
17
16
15
14
13
12
11
9
20
8
7
6
5
4
3
2
1
19
21
73
1 197 201 199 200 202 196 196 198 196 197 197 195 189 186 181 177 172 160 145 136
76
76
81
3 205 203 203 204 205 203 204 203 200 197 195 190 183 172 168 167 157 144 122
71 80 105 123 145 141 175 170 176 160 154
88
2 201 203 202 201 204 201 202 201 199 198 195 192 186 181 176 175 164 153 136 102
99 100 97 110 140 158 156 174 173 177 154 149
188 194 197 198 196 191 193 195 194 195 197 196 190 188 182 179 176 168 150 146 136 131 136 153 164 166 161 175 173 170 157 143
22
31
30
29
28
27
26
25
24
23
24
21
48
19
41 60 121 159 160 145
41
31
41
48
38
26
23
30
45
29
82
13 203 201 205 204 201 192 203 200 194 191 181 174 144 120 109
43 50 121 168 160 138
41
24
29
35
14 202 202 207 204 202 194 200 200 192 188 181 170 138 106 109
20
30
15 200 197 206 205 203 199 199 200 190 188 178 167 134 103 105
56
48
33
30
23
23
16
22
30 53 113 157 163 145
28
38
36
48
53
40
28
23
18
44
22
18
33
21
29
59
10 206 201 206 205 204 201 201 203 199 192 185 180 157 132 106 114
27 38 147 173 162 134
21
18
26
28
27
22
24
22
32
83
9 206 204 204 206 205 202 197 204 200 195 185 180 159 125 105 116
29 44 158 174 156 125
18
23
33
22
41
28
37
12 205 202 204 204 199 192 205 200 196 191 184 174 150 133 112 104
29 53 134 172 159 133
25
18
27
32
32
35
19
19
25
45
11 204 202 205 206 202 197 204 201 198 191 185 177 157 135 106 109
25 46 150 172 160 136
25
16
27
31
3.4 Analisis Metode
Setelah objek gambar didapatkan, objek tersebut akan dihitung dengan metode LU-Transform untuk menghasilkan objek baru yang digunakan sebagai inputan ke dalam metode kalsifikasi metode Template matching correlation. Sebagai contoh kasus objek pertama dalam gambar dimisalkan dengan ukuran yang lebih kecil yaitu dengan skala 32x32.
3.4.1 Analisis Perhitungan LU-Transform
Mencari nilai matrik A yang akan dihitung menggunakan perhitungan 1. Eliminasi Gauss, dengan rumus (2.2): Dimana : space ( =2
δ)
w)
Banyak matrik A( =8
w l)
Awal nilai keofisien matrik A( = = 4 Sehingga didapatkan posisi matrik A sebagai berikut:
Tabel 3. 2 Nilai hasil pencarian matrik A objek ke-1
30
40
92
20 195 191 198 198 204 201 198 188 178 175 168 142 106
48 52 121 144 154 158
50
55
32
41
26
17
38
37
24
17
21
39
84
19 196 196 199 199 205 201 198 190 182 178 171 143 113
21
24
65
99
34
35
31
24
23
19
34
94
21 196 188 195 198 201 201 197 186 178 172 166 145
36
73 122 147 150 162
45
51
51
37
41
30
24
38
40 61 114 144 155 157
46
31
45
17
36
87
17 200 200 202 203 204 201 199 195 188 181 175 160 107
42 48 112 144 150 144
51
49
32
35
20
38
36
29
23
19
18
77
16 200 199 204 204 202 203 198 199 188 184 173 168 119 119
16
31
42
35
46
32
34
34
35
22
15
16
81
36
18 200 198 202 202 204 201 198 192 185 180 173 149 111
56 107 140 148 147
41
53
49
40
44
37
34
50
47
45
30
31
28
29
42
79
26 185 186 192 188 185 180 178 179 161 139 152 138 119 130
28 81 104 124 149 144 152 167 179
30
34
35
31
27
24
27
23
85
25 183 189 193 188 184 183 181 182 174 150 154 130 126 110
76 88 143 140 149 161 174
35
27
39
67
91 107 155 166 171 168 166 159 168 168 185 194 30 186 181 179 186 187 174 171 172 155 163 155 145 163 168 168 157 166 167 182 164 140 164 178 173 172 169 169 166 170 176 192 198 31 182 179 177 184 184 173 162 168 163 155 157 150 180 170 169 169 171 184 187 166 135 171 190 181 172 176 172 172 177 182 196 196
81
95
29 186 181 183 188 190 176 178 169 153 163 155 143 153 167 161 154 160 157
34 47 137 160 163 164 157 163 162 182 192
47
48
33
28 186 180 188 189 190 178 177 172 165 155 149 147 150 166 147 152 130
27
36 73 139 152 159 155 156 158 176 189
41
41
39
39
26
40
97
39 105 101 151 151 150 155 169 183 27 184 180 190 189 188 180 179 177 158 142 137 145 135 157 118
61
29
61
35
23 185 182 191 195 189 195 193 188 182 170 161 124 124
63 87 138 145 155 165
40
46
53
36
42
25
26
87
22
23
20
49
93
22 192 188 193 196 197 199 194 186 180 171 160 133 106
43 74 135 143 149 166
38
96
19
44
33
31
29
23
29
18
19
93
98
71 118 138 145 160 165 24 182 184 191 193 186 190 187 186 181 161 157 123
19
67
42
64
38
50
28
28
19
24
33 50 103 156 157 144
41
f(i,j)
32
34
61
83
6 205 206 207 205 206 206 205 204 200 197 192 187 172 139 139 139 126
78 36 153 176 177 163 143
51
36
44
53
23
58
81
204 206 205 206 205 206 207 206 201 198 193 189 176 155 150 152 144 104
5
60 75 101 87 161 172 171 165 148
69
58
78
30
18
4 206 205 203 206 206 204 206 207 201 197 194 189 180 165 160 158 155 135 101
17
24
19
27
27
43
8 206 205 206 206 206 204 198 205 200 194 187 182 163 119 122 118 111
32 79 165 174 157 128
22
16
14
23
20
21
26
32
68
7 206 206 206 207 204 207 201 203 199 196 191 183 167 128 126 123 119
38 35 133 173 176 163 136
28
77
75 94 135 105 170 171 176 65 153
21
10
18
17
16
15
14
13
12
11
9
20
8
7
6
5
4
3
2
1
19
21
73
1 197 201 199 200 202 196 196 198 196 197 197 195 189 186 181 177 172 160 145 136
76
76
81
3 205 203 203 204 205 203 204 203 200 197 195 190 183 172 168 167 157 144 122
71 80 105 123 145 141 175 170 176 160 154
88
2 201 203 202 201 204 201 202 201 199 198 195 192 186 181 176 175 164 153 136 102
99 100 97 110 140 158 156 174 173 177 154 149
188 194 197 198 196 191 193 195 194 195 197 196 190 188 182 179 176 168 150 146 136 131 136 153 164 166 161 175 173 170 157 143
22
31
30
29
28
27
26
25
24
23
29
18
48
19
41 60 121 159 160 145
41
31
41
48
38
26
23
30
45
29
82
13 203 201 205 204 201 192 203 200 194 191 181 174 144 120 109
43 50 121 168 160 138
41
24
29
35
14 202 202 207 204 202 194 200 200 192 188 181 170 138 106 109
20
30
15 200 197 206 205 203 199 199 200 190 188 178 167 134 103 105
56
48
33
30
23
23
16
22
53 113 157 163 145
28
30
38
36
48
53
40
28
23
18
44
22
18
26
23
21
29
59
10 206 201 206 205 204 201 201 203 199 192 185 180 157 132 106 114
27 38 147 173 162 134
21
18
33
33
28
22
24
22
32
83
9 206 204 204 206 205 202 197 204 200 195 185 180 159 125 105 116
44 158 174 156 125
29
27
35
22
32
28
37
12 205 202 204 204 199 192 205 200 196 191 184 174 150 133 112 104
53 134 172 159 133
29
25
18
27
41
27
32
19
19
25
45
11 204 202 205 206 202 197 204 201 198 191 185 177 157 135 106 109
25 46 150 172 160 136
25
16
33
2. Pada matrik A tersebut lakukanlah pivoting
Matrik A Gambar 3. 6 Alur proses pivoting pada matrik A
Sehingga didapatkan matrik A hasil pivoting:
R
37 45 147 188 160
36
20
34
40 41 140
Gambar 3. 7 matrik A hasil Pivoting
21 - ( R �
24
) R
11 Gambar 3. 8 Hasil perhitungan Eliminasi Gauss untuk mendapatkan matrik U
4. Setelah mendapatkan matrik U kita cari nilai eigen values matrik U, yang akan digunakan untuk normalisasi. Dengan rumus (2.3): Ω �, = ∑ ||�
||
1 ≤ � ≤
� =
24
40
200 182 122
28
43
19
21 29 174 198 177 106
25
32
27 29 172 153 143 161 157 91 166 166 168 192 170 109
28
64 71 145 178 142
48 30 157 161 138
79
28
35 39 151 155 182 124
87
24
28
3. Setelah mendapatkan nilai matrik A lakukanlah perhitungan LU-Gauss untuk mendapatkan matrik segitiga bawah U dengan rumus LU-gauus (2.6) .
nilai absolute dari nilai eigen values matrik U dengan rumus (2.4).
||Ukk|| = √∑���
Dimana semua nilai eigen values matrik U semua berubah menjadi nilai positif.
200 182 122
43
19
21 29 174 41,62 -24,02 -15,13 10,71 44,89 44,61 -13,34 72,29 -16,39 13,29 8,31 1,86 -20,01
107,88 89,48 161,53 149,54 15,55 21,17 21,47 15,23 6,29 21,25 -0,31 -10,33 107,62 15,4
15,36
Gambar 3. 9 koefisien nilai tengah matrik A Nilai eigen values jumlahkan semua nilai tengah matrik U dimulai dari kordinat tengah ke 4 ( l=
� = = 4 )
√ 1,1 + 1, + 1 , + 1 , = 112,775
5. Setelah mendapatkan nilai eigen values maka langsung lakukan normalisasi gambar dengan rumus (2.5).
Sehingga dapat dilihat gambar hasil LU-Transform pada gambar 3.10 dan nilai matrik gabar hasil LU-Transform pada tabel 3.3.
Gambar 3. 10 Hasil Proses LU-Transform penyakit sore hocks (data latih)
38 Tabel 3. 3 Nilai matrik hasil LU-Transform objek ke-1 f(i,j)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
1
2
3
4
5
6
7
8
9
10
11 107 111 106
99 106
12 106 103
87
81
84
92
94
93
96 98 110
13 105 106 106 109 109 105
77
36
35
39
40
34
49
87
93
85
79