Implementasi Metode Ekstraksi Statistik Orde Satu Dan Dua Dan Klasifikasi K-Nearest Neighbor Untuk Mengindindentifikasi Citra MIneral Pada Batuan Sedimen

DAN 2 DAN KLASIFIKASI K NEAREST NEIGBOR

UNTUK MENGIDENTIFIKASI CITRA MINERAL PADA

BATUAN SEDIMEN

SKRIPSI

Diajukan untuk Menempuh Ujian Akhir Sarjana

Muhammad Rizky

10109405

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN ILMU KOMPUTER

UNIVERSITAS KOMPUTER INDONESIA

2016

iii Alhamdulillah,

Segala puji dan syukur penulis panjatkan kehadirat Allah SWT yang telah memberikan iman, kekuatan, kecerdasan, kesehatan, semangat yang tinggi, serta semua kekayaan yang dilimpahkan kepada penulis, karena dengan izin dan berkah-Nya lah penelitian ini dapat diselesaikan dengan baik sesuai dengan waktu yang direncanakan.

Skripsi yang berjudul “IMPLEMENTASI METODE EKSTRAKSI STATISTIK ORDE SATU DAN DUA DAN KLASIFIKASI K-NEAREST NEIGHBOR UNTUK MENGIDENTIFIKASI CITRA MINERAL PADA BATUAN SEDIMEN” disusun untuk memperoleh gelar Sarjana Teknik Informatika, Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia.

Pada kesempatan ini penulis hendak menyampaikan terima kasih kepada : 1. Allah SWT atas berkah dan karunia-Nya sehingga penulis dapat

menyelesaikan tugas akhir ini.

2. Kedua orang tua dan adik-adik tercinta, terima kasih yang tak terhingga atas segala dukungan serta doanya sehingga penulis memiliki semangat untuk dapat menyelesaikan tugas akhir ini.

3. Bapak Irfan Maliki, S.T., M.T. selaku dosen pembimbing tugas akhir yang telah memberikan segenap waktu, kekuatan dan inspirasi dalam pembuatan tugas akhir serta banyak memberikan bimbingan dan saran-saran kepada penulis sampai akhirnya penulis dapat menyelesaikan tugas akhir ini. 4. Seluruh dosen teknik informatika yang telah memberikan ilmunya yang

sangat bermanfaat dalam penyusunan tugas akhir ini.

5. Seluruh teman-teman di jurusan IF angkatan 2009 baik yang sudah dan yang belum menyelesaikan kuliahnya.

6. Teman-teman kontrakan yang senantiasa menemani saat senang maupun susah dan menjadi teman terbaik selama ini.

iv

Penulis telah berupaya dengan semaksimal mungkin dalam penyelesaian tugas akhir ini, namun penulis menyadari masih banyak kelemahan baik dari segi isi maupun tata bahasa, untuk itu penulis mengharapkan kritik dan saran yang bersifat membangun dari pembaca demi kesempurnaan tugas akhir ini. Tak lupa penulis mohon maaf apabila dalam penulisan atau penyusunan tugas akhir ini, apabila menyinggung perasaan atau bahkan telah menyakiti pihak tertentu baik yang disengaja maupun tidak disengaja. Kiranya isi tugas akhir ini bermanfaat dalam memperkaya khasanah ilmu pendidikan dan juga dapat dijadikan sebagai salah satu sumber referensi bagi peneliti selanjutnya yang berminat meneliti hal yang sama.

Bandung, Februari 2016

v

ABSTRAK ... i

ABSTRACT ... ii

KATA PENGANTAR ... iv

DAFTAR ISI ... v

DAFTAR GAMBAR ... ix

DAFTAR TABEL ... xi

DAFTAR SIMBOL ... xii

BAB 1 PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 3

1.3 Maksud dan Tujuan ... 4

1.4 Batasan Masalah... 4

1.5 Metode Penelitian... 5

1.5.1 Metode Pengumpulan Data ... 5

1.5.2 Metode Tahapan Analisis ... 6

1.6 Sistematika Penulisan ... 6

BAB 2 TINJAUAN PUSTAKA ... 8

2.1 Pengolahan Citra ... 8

2.2 Operasi Pengolahan Citra ... 8

2.3 Segmentasi Citra ... 11

2.4 Operasi Biner ... 13

2.5 Operasi Morfologi ... 14

vi

2.10 Tekstur... 17

2.11 Analisis Tekstur ... 18

2.12 K Means Clustering ... 19

2.13 Ekstraksi Fitur ... 20

2.14.1 Orde Satu ... 23

2.14.2 Orde Dua ... 24

2.14 Klasifikasi ... 25

2.14.1 Klasifikasi K-Nearest Neighbor ... 28

2.15 Pemrograman Terstruktur ... 31

2.16 Data Flow Diagram (DFD) ... 33

2.17 Matlab (Matrix Laboratory) ... 33

2.18 Sayatan Tipis Batuan Pasir... 34

2.19 Point Counting ... 35

BAB 3 ANALISIS DAN PERANCANGAN ... 37

3.1 Analisis Masalah ... 37

3.2 Analisis Proses ... 37

3.2.1 Input Citra ... 37

3.2.2 Preprocessing ... 38

3.2.2.1 Segmentasi K Means Clustering... 39

3.2.2.2 Deteksi Tepi (sobel) dan pemotongan(Cropping). ... 42

3.2.2.3 Grayscale ... 43

vii

3.2.3.2 Ekstraksi Orde Dua ... 49

3.2.4 Analisis K Nearest Neighbor ... 57

3.3 Perancangan sistem ... 60

3.3.1 Perancangan fungsional ... 60

3.3.1.1 Diagram Konteks ... 60

3.3.1.2 Perancangan Data Flow Diagram (DFD) ... 60

3.3.1.3 Spesifikasi Proses ... 62

3.3.1.4 Perancangan Arsitektur... 65

3.3.1.4.1 Perancangan Struktur Menu ... 65

3.3.1.4.2 Perancangan Interface... 65

3.3.1.4.2 Perancangan Prosedural ... 68

3.3.2 Analisis Kebutuhan Non Fungsional ... 69

3.3.2.1 Analisis kebutuhan perangkat keras ... 69

3.3.2.2 Analisis kebutuhan perangkat lunak ... 70

3.3.2.3 Analisis pengguna ... 70

3.3.2.4 Perancangan Simulasi ... 70

3.3.2.5 Jaringan Semantik ... 73

BAB 4 IMPLEMENTASI DAN PENGUJIAN ... 74

4.1 Implementasi ... 74

4.2 Pengujian Performansi ... 78

4.3 Kesimpulan Pengujian ... 86

BAB 5 KESIMPULAN DAN SARAN ... 87

5.1 Kesimpulan ... 87

85

1] Godfrey-Smimth, D. (2005). Beta Dosimetry of Potassium Feldspars in sediment Exstract Using Imaging Microphobe Analysis and Beta Counting. Geochronometria, 7-12.

2] launeau, P. (1994). Mineral Recognition in Digital Images Of Rocks. The Canadian Mineralogist, 919-933.

3] Maharsi, D. N. (2013). Klasifikasi Serat Miring pada Kayu Menggunakan Ekstraksi Ciri Statistik Berdasarkan Pada Pengolahan Citra. bandung.

4] P. Mohaniaiah, P. S. (2013). Image Texture Feature Ekstraction Using GLCM Approach. International Journal of scientific and Research Publication Volume 3, 5] Ting-chuen. (1983). The Aplication of Image Analysis Technique to Mineral Processing. Pattern Recognition Letter 2, 117-123.

6] Williams, L. B. (1988). An automated chemical and modal analysis technique. American Mineralogist, 1-8.

7] King, Hobart. "Sandstone, A clastic sedimentary rock composed of sand-sized grains of mineral, rock or organic material". 25 Desember 2015. http://geology.com/ rocks/sandstone.shtml.

8]Foundation, Wikimedia Inc."Sandstone".25 Desember 2015. https://en.wikipedia.org/ wiki/Sandstone

9] Foundation, Wikimedia Inc."K-means". 26 Desember 2015. https://id.wikipedi a.org/wiki/K-means

10] Cook, John."Three algorithms for converting color to grayscale". 26 Desember 2015.http://www.johndcook.com/blog/2009/08/24/algorithms-convert-color-grayscale/

11] Foundation, Wikimedia Inc."K Nearest Neighbor". 26 Desember 2015. https://id.wikipedia.org/wiki/K-Nearest_Neighbor

12] Listyo, Aditya."SEDIMENTOLOGI"27 Desember 2015. http://zonageologi. blogspot.co.id/2012/03/sedimentologi.html

13] Handi, Irfan."Batu Pasir adalah".27 Desember 2015.

https://thekoist.wordpress.com /2012/04/26/ komposisi-tekstur-struktur-dan-klasifikasi-batuan-sedimen-batupasir/

14] Purnama, Agus."Operasi Pengolahan Citra Digital".28 Desember 2015. http://elektronika-dasar.web.id/operasi-pengolahan-citra-digital/

[15] Sharif, Mulkan."Implementasi Fuzzy C Means Clustering".29 Desember 2015. http://www.softscients.web.id/2015/07/implementasi-fuzzy-c-means-clustering.html

16] Ahmad, Usman."Image Analysis Using Second Order Statistic of GLCM".29 Desember 2015. https://martendarmawan.wordpress.com/2011/02/25/image-analysis-using-second-order-statistic-of-glcm/

[17] Sidney, of University." Point Counting Techniques".25 Desember 2015. http://www.physiol.usyd.edu.au/~daved/teaching/emu/point_counting.html

1

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Batu pasir atau arenite adalah jenis batuan sedimen terdiri dari butiran mineral pasir dan bahan organik lain dalam ukuran kecil, batu ini berisi bahan semen seperti silika dan karbonat yang mengikat butiran pasir bersama-sama dan berisi butiran lempung yang menempati ruang antara butiran pasir. Batu pasir adalah jenis yang paling umum dari batuan sedimen yang sering ditambang untuk digunakan sebagai akuifer air tanah dan sebagai reservoir minyak dan gas alam, reservoir adalah tempat terakumulasinya minyak dan gas bumi[8]. Beberapa mineral yang paling umum terdapat pada batu pasir adalah feldspar dan kuarsa[7].

Untuk menentukan jenis dan kandungan mineral pada batu pasir, para geolog masih menggunakan penafsiran dari para ahli untuk menentukan jenis mineral apakah yang terkandung pada citra batuan mineral dan masih menggunakan metode point counting untuk menentukan berapa persen kandungan mineral pada citra sayatan batu hasil foto mikroskop. Metode ini adalah metode statistik yang dilakukan secara manual untuk mengukur persentase kandungan mineral yang ada di dalam batuan sedimen khususnya batu pasir, kekurangan dari metode ini yaitu metode ini memakan waktu yang lama untuk dapat dikerjakan, disamping itu dalam melakukan point counting para geolog masih harus mengidentifikasi mineral tersebut satu per satu sehingga terdapat kemungkinan error akibat bias yang disebabkan inkonsistensi deskriptor, sehingga untuk menerapkan hal ini dibutuhkan inovasi yaitu dengan memanfaatkan pengolahan citra dengan identifikasi ciri tekstur untuk meningkatkan akurasi dalam menentukan jenis kandungan mineral dan efisiensi menghitung persentasi kandungan dari masing-masing mineral pada batu pasir.

Pengolahan citra sudah banyak digunakan di berbagai bidang seperti industri, pendidikan, kedokteran, militer, dan lain-lain. Pengolahan citra menjadi sangat penting untuk dasar identifikasi citra berdasarkan kelas-kelas sehingga dapat

menyerupai kemampuan manusia untuk mengklasifikasikan citra karena berbagai hal itu perusahaan Alfa Energy yang bergerak dalam bidang geology memutuskan untuk menggunakan pengolahan citra dalam mengidentifikasi batu-batuan.

Pada pengolahan citra ada beberapa metode yang bisa digunakan untuk mengidentifikasi citra diantaranya metode ekstraksi orde satu dan dua, metode ini adalah metode statistika yang banyak digunakan untuk melakukan ekstraksi pada citra, dan klasifikasi KNN adalah salah satu metode pada image processing yang banyak digunakan untuk mengklasifikasikan citra.

Metode Statistik Orde Satu memiliki beberapa ciri atau parameter yang dapat digunakan untuk menentukan jenis mineral berdasarkan warna keabuan atau grayscale dan Metode Statistik Orde Dua memiliki beberapa ciri atau parameter yang dapat digunakan untuk menentukan jenis mineral berdasarkan tekstur. Pada penelitian sebelumnya yang berjudul “Klasifikasi Serat Miring Pada Kayu Menggunakan

Ekstraksi Ciri Statistik Berdasarkan Pada Pengolahan Citra” penelitian ini menggunakan ekstraksi ciri statistik yaitu orde satu dan dua, penelitian menghasilkan akurasi 92,5791 % saat menggunakan nilai k = 3,5,7 pada model Jarak Euclidean.

Klasifikasi citra menggunakan K-Nearest Neighbor, metode ini digunakan untuk klasifikasi citra uji dengan database ciri hasil ekstraksi fitur, banyaknya digunakan metode K nearest neighbor karena metode ini memiliki ketangguhan terhadap training data yang memiliki banyak noise dan efektif apabila training datanya besar.

Berdasarkan masalah yang telah dijelaskan maka pada penelitian tugas akhir ini akan dilakukan penelitan yang berjudul “Implementasi Metode Ekstraksi Statistik Orde Satu dan Dua dan K-Nearest Neighbor Untuk Mengidentifikasi Citra Mineral Pada

Batuan Sedimen”.

1.2 Rumusan Masalah

Berdasarkan penjelasan yang ada pada latar belakang, terdapat pada beberapa permasalahan yang dapat diuraikan, sebagai berikut :

1. Bagaimana cara mengetahui kandungan jenis mineral pada batu pasir berdasarkan tekstur dengan menggunakan pengolahan citra.

2. Bagaimana cara mengetahui persentase kadar mineral dari masing-masing mineral dalam citra hasil foto mikroskop.

3. Bagaimana mengimplementasikan Metode Statistika untuk Ekstraksi ciri berdasarkan tekstur, Metode K-Nearest Neighbor untuk klasifikasi jenis mineral batuan pasir.

1.3 Maksud dan Tujuan

Maksud dari penelitian ini adalah mengimplementasikan Algoritma Ekstraksi ciri Statistika Orde Satu dan Dua serta metode K-Nearest Neighbor untuk proses klasifikasi citra batuan mineral.

Tujuan dari penelitian ini adalah

1. Mengetahui jenis kandungan mineral pada citra hasil foto mikroskop.

2. Mengetahui persentase kadar mineral dari masing-masing citra hasil foto mikroskop.

3. Mengetahui kinerja dari algoritma ekstraksi dan klasifikasi yang digunakan.

1.4 Batasan Masalah

Beberapa batasan masalah yang akan dibahas diantaranya : 1. Sistem yang dibangun berbasis desktop,

2. Objek yang diteliti hanya citra sayatan tipis batu pasir hasil foto mikroskop dalam format gambar *.jpg,

3. Kandungan mineral yang dibahas dibatasi hanya 2 jenis mineral pada jenis batuan sedimen yaitu mineral Kuarsa, Feldspar.

4. Untuk proses segmentasi menggunakan algoritma K-Means Clustering, tujuan digunakan K means clustering adalah untuk memisahkan objek-objek yang berbeda pada suatu citra dan hanya mengambil objek yang akan di proses untuk di proses pada tahap ekstraksi citra.

5. Algoritma yang digunakan untuk ekstraksi tekstur pada citra batu adalah metode Statistika Orde Satu dan Orde Dua, sedangkan algoritma yang digunakan untuk mengklasifikasikan jenis dan kandungan mineral adalah K-Nearest Neighbor,

6. Hasil output dari proses klasifikasi adalah data jenis mineral dan jumlah kandungan mineral dalam presentase (%).

1.5 Metode Penelitian

Metode penelitian pada tugas akhir ini menggunakan metode deskriptif, ini adalah metode dalam meneliti status sekelompok manusia, suatu objek, suatu set kondisi, suatu sistem peikiran ataupun suatu kelas peristiwa pada masa sekarang. Tujuan dari penelitian ini adalah untuk membuat deskripsi, gambaran, lukisan secara sistematis, faktual dan akurat mengenai fakta-fakta, sifat-sifat serta hubungan antarfenomena yang diselidiki.

1.5.1 Metode Pengumpulan Data

Metode pengumpulan dan pengembangan perangkat lunak dalam penelitian ini menggunakan beberapa metode diantaranya :

1. Studi Literatur

Studi literatur merupakan teknik pengumpulan data dengan cara mempelajari, meneliti dan menelaah berbagai literatur dari perpustakaan yang bersumber dari buku-buku, literatur, jurnal ilmiah, paper, situs internet dan bacaan yang berkaitan dengan penelitian yang dilakukan. Adapun literatur

yang digunakan terdiri dari buku “Pengolahan Citra Digital” yang ditulis oleh

Usman Ahmad. 2. Wawancara

Wawancara adalah teknik pengumpulan data yang dilakukan dengan cara melakukan tanya jawab, wawancara yang dilakukan dengan pihak Alpha Energy pada tanggal 24 dan 25 agustus 2015 dengan tujuan untuk mendapatkan informasi mengenai sistem yang sedang berlangsung dan permasalahan yang sedang dialami.

Point-point yang dibahas terkait mengenai masalah yang tengah dihadapi dalam menganalisis mineral khususnya mineral pada batu pasir serta solusi yang ditawarkan.

1.5.2Metode Tahapan Analisis

Berdasarkan pengkajian dan evaluasi dari beberapa sumber seperti buku dan jurnal, tahapan analisis yang akan dilakukan pada penelitian ini adalah :

1. Analisis Data masukan, yaitu menganalisis data yang dimasukan, data yang dimasukan berupa citra sayatan batu mineral yang akan di analisis, dengan tahapan preprocessing, dan ekstraksi ciri, hasil akhir tahapan ini adalah ekstraksi ciri.

2. Analisis tahapan pengujian, yaitu melakukan pada tahap pengujian, sehingga didapatkan nilai yang akan digunakan saat menganalisis data keluaran.

3. Analisis Data Keluaran, yaitu melakukan analisis terhadap nilai akhir yang didapatkan pada saat tahap pengujian, dimana data keluaran berupa hasil klasifikasi.

Berikut adalah diagram alur tahapan analisis :

1.6 Sistematika Penulisan

Sistematika penulisan tugas akhir ini disusun untuk memberikan gambaran umum tentang penelitian yang dijalankan. Sistematika penulisan tugas akhir ini adalah:

BAB 1 Pendahuluan

Menguraikan tentang latar belakang permasalahan yang akan diteliti, mencoba merumuskan inti permasalahan yang diteliti, menentukan maksud dan tujuan dari penelitian, menentukan batasan masalah serta sistematika penulisan.

BAB II Landasan Teori

Membahas berbagai konsep dasar dan teori-teori yang berkaitan dengan pengolahan citra, teori mengenai segmentasi citra, ekstraksi citra dan klasifikasi citra, teori mengenai pemrograman terstruktur dan teori mengenai Matlab.

BAB III Analisis dan Perancangan Sistem

Bab ini Menjelaskan mengenai analisis masalah yang menggambarkan proses identifikasi masalah, analisis proses dan analisis kebutuhan sistem software, hardware dan analisis perhitungan Statistika Orde satu dan dua beserta metode K-Nearest Neighbour pada klasifikasi citra dan anailisis untuk membangun program simulasi.

BAB IV Impelementasi dan Pengujian Sistem

Bab ini membahas tentang pengujian akurasi dan kecepatan Algoritma ekstraksi Orde Satu dan Dua serta klasifikasi K-Nearest Neighbor dengan menggunakan program simulasi yang telah dibuat.

BAB V Kesimpulan dan Saran

Bab ini berisi kesimpulan dan saran yang sudah diperoleh dari hasil penelitian tugas akhir.

7

TINJAUAN PUSTAKA

2.1 Pengolahan Citra

Pengolahan citra digital adalah salah satu cabang dari ilmu informatika yang berkutat untuk melakukan transformasi suatu citra atau gambar menjadi citra lain dengan menggunakan teknik tertentu[14]. Pengolahan citra banyak digunakan dalam berbagai bidang seperti bidang pendidikan, kedokteran, industry dll. Pengolahan citra digital merupakan salah satu disiplin ilmu yang mempelajari hal-hal yang berkaitan dengan perbaikan kualitas gambar(peningkatan kontras, tranformasi, warna, restorasi citra), transformasi gambar(rotasi, translasi, skala, transformasi, geometrik), melakukan pemulihan citra ciri (feature images) yang optimal untuk tujuan analisis, melakukan proses penarikan informasi deskripsi objek atau pengenalan objek yang terkandung pada citra, melakukan kompresi atau reduksi data untuk tujuan penyimpanan data, input pengolahan citra adalah citra, sedangkan outputnya adalah citra hasil pengolahan.

2.2 Operasi Pengolahan Citra

Banyak operasi yang dilakukan dalam pengolahan citra[14], umumnya operasi pengolahan citra dapat diklasifikasikan dalam beberapa jenis sebagai berikut :

1. Perbaikan Kualitas Citra (image enhancement)

Operasi citra jenis ini bertujuan untuk memperbaiki kualitas citra dengan cara memanipulasi parameter-parameter citra, ciri khusus yang terdapat didalam citra lebih ditonjolkan. Contoh-contoh operasi citra perbaikan citra :

1. Perbaikan kontras gelap/terang.

2. Perbaikan tepian objek (edge enhancement). 3. Penajaman (sharpening).

4. Penajaman warna semu (sharpening). 5. Penapisan derau (noise filtering).

2. Pemugaran Citra (image restoration)

Operasi citra ini bertujuan untuk menghilangkan atau meminimumkan cacat pada citra. Tujuan pemugaran citra hampir sama dengan operasi perbaikan citra, perbedaanya pada pemugaran citra penyebab degradasi gambar diketahui.

Contoh operasi pemugaran citra :

a. Penghilangan kesamaran (debluring). b. Penghilangan derau (noise).

3. Pemampatan citra (image compression)

Jenis operasi ini bertujuan agar citra dipresentasikan dalam bentuk yang lebih kompak sehingga memerlukan memori yang lebih sedikit. Hal penting yang harus diperhatikan dalam pemampatan adalah citra yang telah dimampatkan harus tetap mempunyai kualitas gambar yang bagus.

4. Segmentasi Citra (image segmentation)

Operasi citra jenis ini bertujuan untuk memecah suatu citra kedalam beberapa segmen dengan suatu kriteria tertentu. Jenis operasi ini berkaitan erat dengan pengolahan pola.

5. Pengorakan Citra (image analysis)

Jenis operasi ini bertujuan menghitung besaran kuantitatif dari citra untuk menghasilkan deskripsinya. Teknik pengorakan citra mengekstraksi ciri-ciri tertentu yang membantu dalam identifikasi objek. Proses segmentasi seringkali diperlukan untuk melokalisasi objek yang diinginkan dari sekelilingnya.

Contoh-contoh operasi pengorakan citra : a. Pendeteksian tepi objek (edge detection) b. Ekstraksi batas (boundary)

c. Representasi daerah (region)

6. Rekonstruksi Citra (image reconstruction)

Operasi citra jenis ini bertujuan untuk membentuk ulang objek dari beberapa citra hasil proyeksi. Operasi rekonstruksi citra banyak digunakan dalam bidang medis misalnya foto rontgen dengan sinar X digunakan untuk membentuk ulang gambar organ tubuh.

7. Perubahan Model Warna

Warna adalah persepsi yang dirasakan oleh sistem visual manusia terhadap panjang gelombang cahaya yang dipantulkan oleh objek. Setiap warna mempunyai panjang gelombang yang berbeda. Warna merah mempunyai panjang gelombang yang paling tinggi, sedangkan warna ungu mempunyai panjang gelombang rendah. Warna-warna yang diterima oleh mata adalah hasil kombinasi cahaya dengan panjang gelombang berbeda. Penelitian memperlihatkan kombinasi warna memberikan rentang warna yang paling lebar adalah merah(R), hijau(G), Biru(B). a. Citra RGB

Disebut citra true color disimpan dalam citra berukuran (m x n) x 3 yang mendefinisikan warna merah, hijau dan biru untuk setiap pikselnya. Warna pada setiap piksel ditentukan berdasarkan kombinasi dari warna red, green, dan blue (RGB). RGB merupakan citra 24 bit dengan komponen merah, hijau dan biru yang masing-masing umumnya bernilai 8 bit sehingga intensitas kecerahan warna sampai 256 level, sekitar 16 juta warna.

b. Citra keabuan

Citra dengan derajat keabuan berbeda dengan citra RGB, citra ini didefinisikan oleh satu nilai derajat warna. Umumnya bernilai 8 bit sehingga intensitas kecerahan warna sampai 256 level dan kombinasi warnanya 256 varian. Tingkat kecerahan paling rendah yaitu nilai 0 untuk warna hitam dan nilai 255 untuk warna putih. Ada 3 persamaan untuk mengkonversi citra yang memiliki warna RGB ke derajat keabuan[10].

1. Lightness

X = (max(R,G,B)+min(R,G,B))/2 (Persamaan 1)

2. Average

X = (0.21 R + 0.72 G + 0.07 B) / 3 (Persamaan 2) 3. Luminocity

X = 0.21 R + 0.72 G + 0.07 B (Persamaan 3)

Dimana :

2.3 Segmentasi Citra

Segmentasi Citra Digital adalah teknik untuk membagi / memisahkan suatu citra menjadi beberapa daerah(region) atau beberapa objek dimana setiap daerah memiliki kemiripan atribut[4].

Algoritma segmentasi citra didasarkan pada salah satu sifat dari dasar nilai intensitas, yaitu:

a. Discontinuity, pendekatan dengan membagi citra berdasarkan perubahan besar pada nilai intensitasnya, seperti tepi citra.

b. Similiarity, pendekatan dengan membagi citra ke dalam region-region yang serupa sesuai dengan kriteria awal yang diberikan. Contoh pendekatan ini adalah thresholding, region growing, region splitting, merging.

Dengan proses segmentasi masing-masing objek pada citra dapat diambil secara individu sehingga dapat digunakan sebagai input bagi proses lain.

Ada 2 macam segmentation

a. Full segmentation adalah pemisahan suatu objek secara individu dari background dan diberi ID(label) pada tiap-tiap segmen.

b. Partial segmentation adalah pemisahan sejumlah data dari background dimana data yang disimpan hanya data yang dipisahkan saja untuk mempercepat proses selanjutnya.

Segmentasi yang digunakan pada penelitian ini adalah segmentasi berbasis clustering yaitu menggunakan metode K-Means Clustering[15].

Clustering atau analisis cluster adalah pembentukan kelompok data dari himpunan data yang tidak diketahui kelompok-kelompok atau kelas-kelasnya, pengertian lain clustering adalah proses menentukan data-data termasuk ke dalam cluster yang mana. Clustering bukanlah proses klasifikasi karena dalam proses klasifikasi data dikelompokkan ke dalam kelas-kelas yang telah diketahui sebelumnya. Beberapa metode atau model untuk melakukan clustering, seperti :

1. Model connectivity 2. Model centroid 3. Model density

4. Model subspace

Algoritma K-Means clustering merupakan model centroid. Model centroid adalah model yang menggunakan centroid untuk membuat cluster, centroid adalah nilai titik tengah suatu cluster dan centroid digunakan untuk menghitung jarak suatu objek terhadap centroid[9]. Suatu objek data termasuk dalam suatu cluster jika memiliki jarak terpendek terhadap centroid cluster tersebut.

Gambar 2.1 K-Means Clustering

Gambar 2.2 Diagram Alir K-Means Clustering

Tujuan dari algoritma ini adalah membagi data menjadi beberapa kelompok, algoritma ini menerima masukan berupa data tanpa label kelas[9]. Pada algoritma ini komputer mengelompokkan sendiri data-data menjadi masukannya tanpa

mengetahui terlebih dahulu target kelasnya dimana masukan yang diterima adalah data atau objek dan k buah kelompok(cluster) yang di inginkan.

2.4 Operasi Biner

Citra binari adalah citra yang hanya mempunyai dua nilai derajat keabuan yaitu hitam dan putih, dimana piksel objek bernilai 1 dan latar belakang bernilai 0, 0 adalah putih dan 1 adalah hitam, pada citra ini latar belakang berwarna putih sedangkan objek berwarna hitam.

Gambar 2.3 Citra Biner

Untuk fokus pada analisis bentuk morfologi maka intensitas piksel tidak terlau penting dibandingkan bentuk, setelah objek dipisahkan dari latar belakang maka objek dapat dihitung dari citra biner.

Gambar 2.4 kiri : gangguan pada citra biner yang mengandung huruf “i”, kanan :

2.5 Operasi Morfologi

Pemrosesan citra secara morofologi dilakukan pada citra biner, walaupun tidak menutup kemungkinan dilakukan pada citra dengan skala keabuan 0-255. Dengan pendekatan morofologi kita memandang suatu citra sebagai himpunan, bukan sebagai suatu fungsi intensitas terhadap posisi(x,y).

Secara umum pemrosesan citra secara morfologi dilakukan dengan cara passing sebuah structuring element terhadap sebuah citra dengan cara yang hampir sama dengan konvolusi. Structuring element memiliki titik poros yang disebut titik origin/titik asal/titik acuan.

Beberapa operasi morfologi yang dapat kita lakukan adalah 1. Dilasi, erosi

2. Opening, closing

3. Thinning, shrinking, pruning, thickening, skeletonizing, dll.

Salah satu operasi morfologi yang akan digunakan pada penelitian ini adalah operasi dilasi(dilation), dilasi adalah proses penumbuhan / penebalan / penggabungan dari citra biner/titik latar (0) dengan bagian dari objek (1), berdasarkan struktur structuring element yang digunakan. Dilasi berguna ketika diterapkan dalam obyek-obyek yang terputus dikarenakan

1. Hasil pengambilan citra yang terganggu oleh noise,

2. Kerusakan objek fisik yang dijadikan citra digital atau disebabkan resolusi yang kurang bagus. Misalkan teks pada kertas yang sudah rusak sehingga bentuk huruf terputus-putus dan lain sebagainya.

Kegunaan operasi morfologi adalah untuk 1. Menghilangkan noise

2. Mengisolasi objek Algoritma Morfologi Citra

1. Konversi citra ke dalam bentuk skala keabuan (Grayscale) 2. Lakukan binerisasi citra (thresholding)

Operasi dilasi memiliki sifat sama dengan operasi penambahan pada operasi minkowski yaitu menggunakan operasi himpunan gabungan(union). Misalkan A dan B adalah himpunan-himpunan pixel.

Dilasi A ke B dinotasikan dengan A⊕B dan di definisikan sebagai berikut

(Persamaan 4)

Ini berarti bahwa untuk setiap titik x ∈ B, maka dilakukan translasi atau penggeseran dan kemudian

dan kemudian menggabungkan seluruh hasilnya (union). Secara matematis dituliskan

(Persamaan 5)

Dilasi mempunya hukum komutatif, yaitu

(Persamaan 6)

Berikut contoh citra sebelum dan sesudah dilakukan proses dilasi

2.6 Deteksi tepi (Edge Detection)

Deteksi Tepi pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi dari objek-objek citra, tujuannya adalah

1. untuk menandai bagian yang menjadi detail citra

2. untuk memperbaiki detail dari citra yang kabur yang terjadi karena error atau adanya efek dari proses akuisisi citra.

Suatu titik (x,y) dikatakan sebagai tepi(edge) dari suatu citra bila titik tersebut mempunyai perbeaan yang tinggi dengan tetangganya.

Macam metode yang banyak digunakan untuk proses deteksi tepi, antara lain 1. Metode Robert

2. Metode Prewitt 3. Metode Sobel

Pada tahap deteksi tepi digunakan metode sobel karena kemampuannya dalam mengurangi noise sebelum melakukan perhitungan deteksi tepi.

Kernel filter yang digunakan dalam metode sobel adalah

2.7 Labeling

Labeling adalah suatu proses pemberian label yang sama pada sekumpulan piksel pembentuk objek yang saling berdekatan pada suatu citra. Objek yang berbeda memiliki label yang berbeda. Labeling termasuk pada pemrosesan citra pada tahap intermediate level, ia memiliki peran yang penting pada pengolahan citra karea dapat mempermudah proses penganalisaan bentuk dan pengenalan pola pada tahap high level. Labeling memiliki sifat yang dependent dan regional, dependent artinya pemerian label harus memperhitungkan pixel label sebelumnya. Sifat regional adalah pemberian label harus memperhitungkan posisi pixel-pixel secara regional didalam citra.

2.8 Cropping

Cropping citra artinya adalah pengambilan bagian tertentu dari suatu citra digital menjadi matriks baru yang independent. Cropping sangat berguna apabila kita hanya membutuhkan bagian tertentu dari suatu citra digital.

2.9 Grayscale

Merupakan proses untuk mengubah warna menjadi keabu-abuan. Dengan mengubah nilai RGB setiap piksel gambar menjadi satu nilai yang sama sehingga setiap piksel memiliki nilai yang sama untuk ketiga unsur warna serta didapatkan nilai matriks grayscale.

Berikut alur grayscale

Gambar 2.7 Diagram Alir Grayscale

2.10 Tekstur

Tekstur merupakan karakteristik intrinsik dari suatu citra yang terkait dengan tingkat kekasaran (roughness), granularitas (granulation) dan keteraturan (regularity) susunan struktural piksel. Aspek tekstural dari sebuah citra dapat dimanfaatkan sebagai dasar dari segmentasi, klasifikasi maupun interpretasi citra. Tesktur dapat didefinisikan sebagai fungsi dari variasi spasial intensitas piksel (nilai keabuan) dalam citra.

1. Makrostruktur

Tekstur makrostruktur memiliki perulangan pola lokal secara periodik dalam suatu daerah citra, biasanya terdapat pada pola-pola buatan manusia dan cenderung mudah untuk direpresentasikan secara matematis.

2. Mikrostruktur

Pada tektur mikrostruktur, pola-pola lokal dan perulangan tidak terjadi begitu jelas, sehingga tidak mudah untuk memberikan definisi testur yang komprehensif.

Tekstur dapat dicirikan sebagai berikut

a. Pengulangan pola dari variasi lokal sehingga membentuk kesatuan yang utuh

b. Meyediakan informasi susunan spasial dari warna dan intensitas citra c. Dicirikan dengan distribusi spasial dari level intensitas dari nilai piksel

ketetanggaan

d. Tidak bisa didefinisikan per point karena ia merupakan sebuah pola atau kesatuan.

2.11 Analisis Tekstur

Analisis tekstur merupakan dasar dari berbagai macam aplikasi, aplikasi dari analisis tekstur antara lain, penginderaan jarak jauh, pencitraan medis, identifikasi kualitas suatu bahan (kayu, kulit, batu, dan lain-lain). Analisis tekstur bekerja dengan mengamati pola ketetanggaan antar piksel dalam domain spasial. Dua persoalan yang seringkali berkaitan dengan analisis tekstur adalah :

1. Ekstraksi Ciri

Ekstraksi ciri pada citra merupakan langkah awal dalam melakukan klasifikasi dan interpretasi citra. Proses ini berkaitan dengan kuantisasi karakteristik citra ke dalam sekelompok nilai ciri yang sesuai. Dalam praktikum ini kita akan mengamati metode ekstraksi ciri statistik orde pertama dan kedua.

2. Segmentasi Citra

Segmentasi citra merupakan proses yang bertujuan untuk memisahkan suatu daerah pada citra dengan daerah lainnya. Berbeda dengan citra non tekstural, segmentasi citra tekstural tidak dapat didasarkan pada intensitas piksel per piksel,

tetapi perlu mempertimbangkan perulangan pola dalam suatu wilayah ketetanggaan lokal.

2.12 K Means Clustering

Salah satu algoritma clustering, bertujuan untuk membagi data menjadi beberapa Kelompok. Algoritma ini menerima data tanpa label kelas. Komputer mengelompokkan sendiri data-data yang menjadi masukan tanpa mengetahui terlebih dahulu target kelasnya. Masukan yang diterima adalah data atau objek dan k buah kelompok(cluster) yang diinginkan dimana centroid adalah titik pusat cluster. Alasan digunakannya K Means Clustering adalah karena data harus dikelompokkan untuk membantu proses klasifikasi.

Algoritma untuk K Means Clustering adalah : 1. Pilih k buah titik centroid secara acak

2. Kelompokkan data sehingga terbetuk K buah cluster dengan titik centroid dari setiap centroid dari setiap cluster merupakan titik centroid yang telah dipilih sebelumnya.

3. Perbaharui nilai titik centroid.

K Means Clustering bisa membantu proses klasifikasi KNN, karena metode ini akan mengelompokkan objek sesuai kriteria masing-masing pada tahap

preprocessing.

2.13 Ekstraksi Fitur

Ekstraksi fitur (fitur extraction) adalah bagian fundamental dari analisis citra. Fitur adalah karakteristik unik dari suatu objek. Karakteristik fitur yang baik sebisa mungkin memenuhi persyaratan berikut

1. Dapat membedakan suatu objek dengan objek lainnya(discrimination). 2. Memperhatikan kompleksitas komputasi daam memperoleh fitur.

3. Tidak terikat (independence) dalam arti bersifat invarian terhadap berbagai transformasi (rotasi, penskalaan, pergeseran dan lain sebagainya)

4. Jumlahnya sedikit, karena fitur yang jumlahnya sedikit dapat menghemat waktu komputasi dan ruang penyimpanan untuk proses selanjutnya (proses pemanfaatan fitur).

Berbagai metode ekstraksi fitur suatu citra 1. Ampitudo

Adalah ciri yang paling sederhana dan mungkin paling berguna bagi suatu objek, ciri ini berhubungan dengan properti fisik suatu objek, seperti luminance, nilai tristimulus, nilai spektral

2. Histogram

Adalah ciri yang didasarkan pada histogram dari suatu citra. Bila x menyatakan tingkat keabuan pada suatu citra maka probabilitas dari x dinyatakan dengan :

� = Banyaknya titik − titik yang memiliki tingkat keabuan x_{Total banyaknya titik pada daerah suatu citra}

(Persamaan 7)

Beberapa ciri yang dihitung berdasarkan histogram, antara lain a. Rata-rata / mean

(Persamaan 8) b. Variance (Persamaan 9) c. Skewness (Persamaan 10) d. Kurtosis (Persamaan 11)

3. Matriks co-occurrence

Adalah matriks yang dibangun menggunakan histogram tingkat kedua, matriks ini berukuran L x L (L menyatakan tingkat keabuan) dengan elemen P(x1,x2) yang merupakan distribusi probabilitas bersama dari pasangan pixel



  L x x xP m 0

1 ( )



   L x x P m x 0 2 1

2 ( ) ( )





   L x x P m x 0 3 1

3 ( ) ( )





     L x x P m x 0 4 1

4 3 ( ) ( ) 3

dengan tingkat keabuan x1 yang berlokasi pada koordinat (j,k) dengan x2 berlokasi pada koordinat (m,n). koordinat pasangan pixel ini berjarak r dengan sudut Ɵ. Histogram tingkat kedua P(x1,x2) dihitung dengan pendekatan sebagai berikut.

� , =Banyaknya pasangan titik − titik dengan tingkat keabuan x dan x_{banyaknya titik pada daerah suatu citra} (Persamaan 12)

Histogram dan Matriks Coocurens dihimpun ke dalam satu analisa yaitu analisa metode statistik, untuk menggambarkan ciri dari setiap citra, metode ini dinamakan analisis tektur karena parameter statistik yang diekstrak dari citra merupakan karakteristik yang merepresentasikan bentuk/pola tekstur dalam citra.

Syarat terbentuknya tekstur :

1. Adanya pola primitif yang terdiri dari satu atau lebih piksel, bentuk nya dapat berupa titik, garis lurus, luasan dan lain-lain yang merupakan elemen dasar dari sebuah bentuk.

2. Pola-pola primitif tadi muncul berulang-ulang dengan interval jarak dan arah tertentu sehingga dapat diprediksi atau ditemukan karakteristik pengulangannya.

Berdasarkan orde statistiknya analisis tektur dapat dikategorikan menjadi 3, yaitu analisis tekstur orde satu, orde dua, dan orde diatas dua. Semakin tinggi orde tingkat kesulitannya juga meningkat.

Pada orde satu kita hanya menganalisa sebaran piksel dengan nilai intensitas tertentu secara global pada citra (menggunakan histogram citra). Analisis orde dua perlu mempertimbangkan korelasi antara 2 piksel dengan nilai intensitas tertentuk yang memiliki hubungan jarak dan arah tertentu.

Untuk kebutuhan analisa, analisis tekstur orde dua memerlukan bantuan matriks Coocurens untuk citra keabuan, biasanya disebut GLCM(Gray Level Coocurence Matrix). Analisa orde ini lebih baik dalam merepresentasikan tekstur citra dalam parameter-parameter terukur, seperti contrast, correlation, homogenity, entropy, energy.

2.14.1 Orde Satu

Ekstraksi ciri orde pertama merupakan metode pengambilan ciri yang didasarkan pada karakteristik histogram citra. Histogram menunjukkan probabilitas kemunculan nilai derajat keabuan piksel pada suatu citra. Dari nilai-nilai pada histogram yang dihasilkan, dapat dihitung beberapa parameter ciri orde pertama, antara lain adalah mean, skewness, variance, kurtosis, dan entropy.

1. Mean (μ)

Menunjukkan ukuran dispersi dari suatu citra Rumus

(Persamaan 13) 2. Variance (σ2)

Menunjukkan variasi elemen pada histogram dari suatu citra Rumus

(Persamaan 14)

2.14.2 Orde Dua

Statistik orde dua dibutuhkan ketika orde satu tidak dapat mengenali beberapa perbedaan ciri citra. Salah satu teknik untuk memperoleh ciri statistik orde dua adalah dengan menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan orientasi sudut tertentu. Pendekatan ini bekerja dengan membentuk sebuah matriks kookurensi dari data citra, dilanjutkan dengan menentukan ciri sebagai fungsi dari matriks tersebut[16].

Kookurensi berarti kejadian bersama yaitu jumlah kejadian satu level nilai piksel bertetangga dengan satu level nilai piksel lain dalam jarak(d) dan orientasi (θ) tertentu. Jarak dinyatakan dalam piksel dan orientasi dinyatakan dalam derajat. Orientasi dibentuk dalam empat arah sudut dengan interval 45o yaitu 0o, 45o, 90o, 135 o. Sedangkan jarak antar piksel biasanya ditetapkan sebesar 1 piksel.

Matriks kookurensi merupakan matriks bujur sangkar dengan jumlah elemen sebanyak kuadrat jumlah level intensitas piksel pada citra. Matriks dihitung dari nilai piksel yang berpasangan dan memiliki intensitas tertentu. Misalkan d adalah jarak antara dua pixel yaitu (x1,y1) dan (x2,y2) dan Ɵ tetha didefinisikan sebagai sudut antara keduanya, maka matriks ini merupakan distribusi spasial dari Pd Ɵ (i,j).

Berikut ilustrasi mengambarkan arah sudut dengan jarak 1 piksel dan 4 jenis sudut yang digunakan

a. 0o = 180o b. 45o = 225o c. 90o = 270o d. 135 o = 315o

Keterangan Gambar (a) Citra Masukan

(b) Nilai intensitas citra masukan

(c) Hasil matriks kookurens 0o setelah normalisasi (d) Hasil matriks kookurensi 45o setelah normalisasi (e) Hasil matriks kookurensi 90o setelah normalisasi (f) Hasil matriks kookurensi 135o setelah normalisasi

Gambar 2.10 Hubungan ketetanggan antar piksel

Setelah memperoleh matriks kookurensi maka dapat dihitung ciri statistik orde dua yang merepresentasikan citra yang diamati. Haralick et al mengusulkan berbagai jenis ciri tekstural yang dapat diekstraksi pada matrik kookurensi. Pada penelitian ini ada 2 ciri statistik orde dua yang akan dihitung seperti contrast dan autocorrelation.

Dimana tahap perhitungannya adalah 1. Contrast

Mengukur frekuensi spasial dari citra dan perbedaan moment matriks. Perbedaan yang dimaksud adalah perbedaan tinggi dan rendahnya piksel. Contrast akan bernilai 0 jika piksel ketetanggaan mempunya nilai yang sama.

(Persamaan 15)

2. Autocorrelation

Tahap mengukur correlation diantara garis diagonal utama.

2.14 Klasifikasi

Klasifikasi secara harfiah adalah penggolongan atau pengelompokan. Menurut kamus besar bahasa indonesia klasifikasi adalah penyusunan bersistem dalam kelompok atau golongan menurut standar yang ditetapkan.

Klasifikasi citra digital merupakan proses pengelompokan piksel ke dalam kelas-kelas tertentu. Tujuan dari proses ini adalah untuk mendapatkan gambar tematik, gambar tematik adalah gambar yang terdiri dari bagian-bagian yang menyatakan suatu objek atau tema tertentu.

Proses klasifikasi ada 2 macam Supervised dan Unsupervised 1. Klasifikasi citra terawasi (supervised)

Klasifikasi ini memasukkan terlebih dahulu setiap piksel citra kedalam suatu kategori objek yang sudah diketahui. Sebelum klasifikasi dilakukan maka harus memasukkan inputan sebagai dasar pengklasifikasian yang akan dilakukan.

Klasifikasi k-nearest neighbor termasuk ke dalam klasifikasi supervised, dimana hasil sampel uji yang baru diklasifikasikan berdasarkan mayoritas dari kategori pada k-NN.

2. Klasifikasi citra tidak terawasi (unsupervised)

Dalam prosesnya klasifikasi ini tidak menggunakan referensi penunjang, proses dilakukan berdasarkan perbedaan tingkat keabuan setiap piksel pada citra. Klasifikasi ini mencari kelompok-kelompok(cluster) piksel-piksel, kemudian menandai setiap piksel ke dalam sebuah kelas berdasarkan parameter-parameter penglompokkan awal yang akan didefinisikan.

Dua klasifikasi ini dapat digabungkan penggunaan nya dalam satu kasus, dimana k means digunakan untuk memisahkan objek-objek yang bermacam-macam dari suatu citra dan ini akan mempercepat proses klasifikasi.

2.14.1 Klasifikasi K-Nearest Neighbor

K-Nearest Neighbor merupakan sebuah metode klasifikasi terhadap sekumpulan data berdasarkan pembelajaran data yang sudah terklasifikasikan sebelumnya. KNN termasuk dalam golongan supervised dimana hasil query instance yang baru diklasifikasikan berdasarkan mayoritas kedekatan jarak dari kategori yang ada dalam KNN. Nantinya kelas yang baru dari suatu data akan dipilih berdasarkan grup kelas yang dekat jarak vektornya.

Alasan digunakan algoritma KNN untuk klasifikasi karena ia memiliki konsistensi yang kuat, menjamin error rate tidak lebih dari dua kali.

Tujuan dari metode ini adalah mengklasifikasikan obyek baru berdassarkan atribut dan trainning sample. Classifier tidak menggunakan model apapun untuk dicocokan dan hanya berdasarkan pada memori. Diberikan titik query, akan ditemukan sejumlah k obyek atau (titik training) yang paling dekat dengan titik

query. Klasifikasi menggunakan voting terbanyak diantara klasifikasi dari k obyek. Metode

k-nearest neighbor (KNN) menggunakan klasifikasi ketetanggaan sebagai nilai prediksi dari queryinstance yang baru.

Metode k-nearest neighbor (KNN) sangatlah sederhana, bekerja berdasarkan jarak terpendek dari query instance ke training sample untuk menemukan KNN-nya. Training sample diproyeksikan ke ruang berdimensi banyak, dimana masing-masing dimensi merepresentasikan fitur dari data. Ruang ini dibagi menjadi bagian–bagian berdasarkan klasifikasi trainning sample. sebuah titik pada ruang ini ditandai kelas c jika kelas c merupakan klasifikasi yang paling banyak ditemukan pada k buah tetangga terdekat dari titik tersebut. Dekat atau jauhnya tetangga biasanya dihitung berdasrkan Euclidean Distance.

Jarak Euclidian paling sering digunakan menghitung jarak. Jarak euclidean berfungsi menguji ukuran yang bisa dgunakan sebagai interpretasi kedekatan jarak antara dua obyek, yang direpresentasikan sebagai berikut:

� − = √∑ ( − )₌ (Persamaan 17)

Keterangan:

d = jarak data uji ke data pembelajaran. = data uji ke-j, dengan j = 1, 2, . . . n.

= data pembelejaran ke-j dengan j = 1, 2, . . . n.

Nilai k yang terbaik untuk algoritma ini tergantung pada data. Secara umum, nilai k yang tinggi akan mengurangi efek noise pada klasifikasi, tetapi membuat batasan antara setiap klasifikasi menjadi semakin kabur. Nilai K yang bagus dapat dipilih dengan optimasi parameter, misalnya dengan menggunakan cross-validation. Kasus khusus dimana klasifikasi diprediksikan berdasarkan trainning data yang paling dekat (dengan kata lain, k=1) disebut metode nearest neighbor.

Ketetapan metode KNN sangat dipengaruhi oleh ada atau tidaknya fitur-fitur yang tidak relevan atau jika bobot fitur tersebut tidak setara dengan relevansinya terhadap klasifikasi. Riset terhadap metode ini sebagian besar membahas

bagaimana memilih dan memberi bobot terhadap fitur agar performa klasfikasi menjadi lebih baik.

Langkah-langkah untuk menghitung k-nearest neighbor :

1. Menentukan parameter K (jumlah tetangga yang paling dekat).

2. Menghitung kuadrat jarak euclid (query inctance) masing-masing obyek terhadap data sampel yang diberikan.

3. Kemudian mengurutkan objek-objek tersebut kedalam kelompok yang mempunyai jarak euclidean terkecil.

4. Mengumpulkan kategori Y (Klasifikasi nearest neighbor).

5. Dengan menggunakan kategori nearest neighbor yang paling mayoritas maka dapat diprediksikan nilai query instance yang telah dihitung.

Kelebihan dari metode k-nearest neighbor adalah sebagai berikut: 1. Ketangguhan terhadap data yang memiliki banyak noise. 2. Efektif terhadap data yang berukuran besar.

Kekurangan dari metode k-nearest neighbor adalah sebagai berikut: 1. Nilai k harus ditentukan secara manual.

2. Trainning berdasarkan jarak harus menggunakan banyak sampel untuk mendapatkan hasil yang terbaik.

3. Memerlukan komputasi tingkat tinggi karena perlunya menghitung satu persatu data testing terhadap semua data trainning.

Adapun metode dari KNN pada flowchart berikut :

2.15 Pemrograman Terstruktur

Pemrograman Terstruktur adalah tindakan untuk membuat program yang berisi instruksi-instruksi dalam bahasa komputer yang tersusun secara logis dan sistematis supaya mudah dimengerti, mudah dites dan mudah dimodifikasi. Pemrograman terstruktur adalah bahasa pemrograman yang mendukung pembuatan program sebagai kumpulan prosedur. Prosedur saling memanggil dan dipanggil dari manapun dalam program dan dapat menggunakan parameter yang berbeda-beda untuk setiap pemanggilan. Bahasa pemrograman terstruktur mendukung abstraksi data, pengkodean terstruktur dan kontrol program terstruktur,

sedangkan prosedur sendiri adalah bagian dari program untuk melakukan operasi-operasi yang sudah ditentukan dengan menggunakan parameter tertentu.

Prinsip pemrograman terstruktur

1. Gunakan rancangan pendekatan dari atas ke bawah (top down design), 2. Bagi program ke dalam modul-modul logika sejenis,

3. Gunakan sub-program untuk proses-proses sejenis yang sering digunakan. 4. Gunakan pengkodean terstruktur, seperti if.. then, do..while, dan lain-lain. 5. Gunakan nama-nama bermakna (mnemonic names)

6. jika suatu proses telah sampai pada suatu titik/langkah tertentu, maka proses selanjutnya tidak boleh mengeksekusi langkah sebelumnya.

7. Buatkan dokumentasi yang akurat dan berarti Manfaat pemrograman terstruktur

1. Dapat menangani program yang besar dan komplek 2. Dapat menghindari konflik internal team

3. Membagi kerja team berdasarkan modul-modul program yang sudah dirancang 4. Kemajuan pengerjaan sistem dapat dimonitor dan dikaji

Tujuan pemrograman terstruktur

1. Meningkatkan kehandalan suatu program 2. Program mudah dibaca dan ditelusuri 3. Menyederhanakan kerumitan program

4. Biaya perawatan dan dokumentasi yang dibutuhkan rendah Langkah membuat program yang baik dan terstruktur adalah 1. Mendefiniskan Masalah

2. Menentukan Solusi 3. Memilih Algoritma 4. Menulis Program 5. Menguji Program 6. Menulis Dokumentasi

2.16 Data Flow Diagram (DFD)

Data Flow Diagram (DFD) adalah alat pembuatan model yang memungkinkan seorang profesioanal sistem menggambarkan sistem sebagai suatu jaringan proses fungsional yang dihubungkan satu sama lain dengan alur data. DFD sering digunakan, khususnya bila fungsi-fungsi sistem merupakan bagian yang lebih penting dan kompleks dari pada data yang dimanipulasi oleh sistem.

DFD bisa dikatakan sebagai alat pembuatan model yang memberikan penekanan hanya pada fungsi sistem. Komponen Data Flow Diagram, menurut yourdan dan deMarco

Komponen Terminator/Entitas Luar

Terminator mewakili entitas eksternal yang berkomunikasi dengan sistem yang sedang dikembangkan. Terminator dikenal dengan nama entitas luar (eksternal entity), terdapat dua jenis terminator :

1. Terminator sumber(source) merupakan terminator yang menjadi sumber. 2. Terminator tujuan (sink) merupakan terminator yang menjadi tujuan

data/informasi sistem. Terminator dapat berupa orang, sekelompok orang, organisasi, departemen di dalam organisasi atau perusahaan yang sama tetapi diluar kendali sistem yang sedang membuatnya. Terminator dapat berupa departemen, divisi atau sistem di luar sistem yang berkomunikasi dengan sistem yang sedang dikembangkan.

2.17 Matlab (Matrix Laboratory)

Matlab adalah salah software aplikasi untuk menyelesaikan berbagai masalah teknis. Matlab mengintegrasikan komputasi, visualisas dan pemrograman daam

suatu model yang sangat mudah untuk dipakai, dimana masalah-masalah dan penyelesaiaannya diekspresikan dalam notasi matematika yang familiar. Penggunaan matlab meliputi bidang-bidang :

1. Pembentukan dan pengembangan Algoritma 2. Matematika dan komputasi

3. Pemodelan, simulasi sistem hingga pembuatan prototype 4. Akusisi data, analisis data, plotting data dan visualisasi

5. Pembuatan software aplikasi termasuk antar muka (Graphical User Interfaces) 6. Matlab memungkinkan manipulasi matriks, pemflotan fungsi dan data.

Matlab merupakan suatu sistem interaktif yang memiliki elemen data dalam suatu array sehingga memungkinkan untuk memecahkan banyak masalah teknis yag terkait dengan komputasi, khususnya yang berhubungan dengan matriks dan formulasi vektor.

Fitur matlab sudah banyak dikembangkan yang lebih dikenal dengan nama toolbox. Toolbox merupakan kumpulan dari fungsi-fungsi Matlab (M-Files) yang telah dikembangkan ke suatu lingkungan kerja matlab untuk memecahkan masalah. Area-area yang sudah dipecahkan dengan toolbox saat ini meliputi pengolahan sinyal, sistem kontrol, neural network, fuzzy logic, wavelets, dan lain-lain.

2.18 Sayatan Tipis Batuan Pasir

Sayatan tipis batu adalah batu yang sudah di potong menggunakan mesin pemotong batu, sehingga batu yang sudah dipotong menjadi sayatan kecil bisa di ambil fotomikroskopnya menggunakan mikroskop polar. Setelah pengambilan foto dilakukan dan menghasilkan gambar dalam format *.jpg maka gambar dianalisis kandungan dan persentasi dari kandungan batu mineral oleh para geolog[2].

2.19 Point Counting

Adalah metode statistik untuk menghitung persentasi suatu mineral pada citra hasil fotomikroskop[17]. Sistem pengidentifikasian yang sedang berjalan menggunakan software Jmicrovision, dimana software ini digunakan untuk menghasilkan titik warna yang berbeda pada objek yang akan diteliti.

Dimana hasil dari software ini adalah gambar dengan hasil titik dengan warna yang berbeda.

Pemberian titik pada citra dilakukan melalui inputan pada program khusus dengan jumlah 300-500 titik, untuk warna dari masing-masing titik ditentukan sebelum nya oleh para geolog, pada citra ini diberikan 4 warna

a. Warna biru muda untuk kuarsa b. Warna merah untuk feldspar

c. Warna biru untuk rongga, rongga tidak berisi mineral

d. Warna hijau untuk mineral lithic, mineral ini adalah mineral gabungan yang jumlah nya hanya 2-3 % dari total jumlah mineral dan mineral ini tidak dihitung.

Gambar 2.15 Tampilan Software JMicro

Pada tugas akhir ini yang dihitung hanya jumlah persentasi dari mineral kuarsa dan feldspar dan jenis mineral yang terkandung.

Cara menghitung manual nya[17] Rumus Total Area = P/Pt

Keterangan

P = jumlah point dari masing-masing warna Pt= total dari semua titik

P/Pt = area fraksi

Pada gambar diatas ada 100 warna merah dari total jumlah titik 500 Jadi perhitungannya

P=100 Pt=500

Total area = P/Pt = 100/500 * 100% = 0.2%

Ada 0,2 % jumlah mineral merah/feldspar pada citra ini, pada kenyataannya proses perhitungan pada metode ini masih banyak kesalahan menurut para geolog karena pemberian titik oleh aplikasi tidak sesuai harapan.

83

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Dari hasil pengujian dan anlisis maka dapat disimpulkan hal-hal sebagai berikut:

1. Pada penelitian ini tingkat akurasi citra mineral tertinggi diperoleh pada kelas Kuarsa dengan rata-rata nilai akurasi 90%

2. Untuk citra mineral Feldspar rata-rata hasil akurasi 10% hal tersebut dikarenakan jenis citra yang homogen sehingga terjadi kemiripan nilai ekstraksi ciri dari citra antara kelas kuarsa dan feldspar.

5.2 Saran

Dalam pembuatan Tugas Akhir ini, masih terdapat banyak kekurangan yang dapat diperbaiki untuk pengembangan berikutnya. Beberapa saran yang dapat diberikan adalah:

1. Untuk dapat membandingkan kinerja metode matriks orde satu dan dua sebagai ekstraksi ciri, dapat dibuat analisis tekstur dengan metode yang berbeda, seperti metode autokorelasi, Run-Length, Sum and Difference Histogram dan lainnya. 2. Melakukan penelitian klasifikasi citra dengan menggunakan algoritma klasifikasi yang lain, seperti menggunakan Decision Tree, SVM, jaringan syaraf tiruan dan lain-lainya agar dapat dibandingkan hasil keakuratan dan kecepatan prosesnya.

F-1

DAFTAR RIWAYAT HIDUP

DATA PRIBADI

NIM : 10109405

Nama Lengkap : Muhammad Rizky

Jenis Kelamin : Laki-laki

Tempat & Tgl Lahir : Bukittinggi, 9 Oktober 1990

Alamat : Pakan Tangah Jorong Padang Lua II Nagari Padang Lua No 66 C, Kabupaten Agam, Sumatra Barat.

No. Telepon / HP : (+62) 82116320505

E-mail : kidurizky@yahoo.co.id

PENDIDIKAN FORMAL

2009 – 2016 : Universitas Komputer Indonesia 2006 – 2009 : SMA N 3 Bukittingi

2003 – 2006 : SMP N 1 Banuhampu 1996 – 2003 : SDN 30 Ladang Lawas

MENGIDENTIFIKASI CITRA MINERAL PADA BATUAN SEDIMEN

Muhammad Rizky1 1

Teknik Informatika – Univesitas Komputer Indonesia

Jl. Dipatiukur 112 - 114 Bandung

E-mail : kidurizky@yahoo.co.id1

ABSTRAK

Salah satu cara untuk mengenali citra adalah dengan membedakan tekstur citra tersebut. Citra dikatakan memiliki tekstur apabila pola citra terjadi secara berulang-ulang memenuhi semua bidang citra. Citra yang berbeda memiliki ciri-ciri yang berbeda. Ciri-ciri inilah yang menjadi dasar dalam klasifikasi citra berdasarkan tekstur. Terdapat beberapa metode untuk memperoleh ciri-ciri tekstur

dalam suatu citra, beberapa metode untuk

memperoleh ciri-ciri citra tekstur adalah statistik orde satu dan dua. Ciri-ciri tekstur yang didapat dari metode tersebut diantaranya adalah mean, variance, skewness, kurtosis, energy, entropy, dissimiliarity,

contrast, autocorrelation, correlation dan

homogenity. Dari hasil ciri-ciri tersebut kemudian digunakan untuk klasifikasi dengan menggunakan

metode Klasifikasi K-Nearest Neighbor yang

menentukan hasil klasifikasi berdasarkan nilai probabilitas terbesar. Objek yang diuji adalah citra sayatan tipis batuan mineral hasil fotomikroskop berupa file *.jpg.

Dari penelitian yang telah dilakukan, dapat

ditarik kesimpulan sebagai berikut : metode

K-Nearest Neighbor dapat melakukan klasifikasi citra berdasarkan tekstur yang diekstraksi dengan metode ekstraksi orde satu dan dua. Dikarenakan data hasil ekstraksi ciri adalah berupa data continue, atau biasa disebut data nominal, sehingga saat proses klasifikasi data hasil ekstraksi ciri tersebut dapat

langsung digunakan sebagai inputan dalam

klasifikasi K-Nearest Neighbor.

berdasarkan hasil pengujian, kesimpulan

yang didapatkan adalah K-Nearest Neighbor dapat

mengklasifikasi citra dengan baik, dikarenakan data hasil ekstraksi ciri tekstur citra batuan mineral dengan metode statistika orde satu dan dua memiliki interval jarak yang berjauhan antar kelasnya. Sehingga klasifikasi naïve bayes dapat berjalan dengan baik saat melakukan klasifikasi.

Kata kunci : tekstur citra, ekstraksi ciri, orde satu dan dua, klasifikasi, K-Nearest Neighbor

1. PENDAHULUAN

Batu pasir atau arenite adalah jenis batuan

sedimen terdiri dari butiran mineral pasir dan bahan organik lain dalam ukuran kecil, batu ini berisi bahan semen seperti silika dan karbonat yang mengikat butiran pasir bersama-sama dan berisi butiran lempung yang menempati ruang antara butiran pasir. Batu pasir adalah jenis yang paling umum dari batuan sedimen yang sering ditambang untuk digunakan sebagai akuifer air tanah dan sebagai reservoir minyak dan gas alam, reservoir adalah tempat terakumulasinya minyak dan gas bumi[8]. Beberapa mineral yang paling umum terdapat pada batu pasir adalah feldspar dan kuarsa[7].

Untuk menentukan jenis dan kandungan mineral pada batu pasir, para geolog masih menggunakan penafsiran dari para ahli untuk menentukan jenis mineral apakah yang terkandung pada citra batuan mineral dan masih menggunakan

metode point counting untuk menentukan berapa

persen kandungan mineral pada citra sayatan batu hasil foto mikroskop. Metode ini adalah metode statistik yang dilakukan secara manual untuk mengukur persentase kandungan mineral yang ada di dalam batuan sedimen khususnya batu pasir, kekurangan dari metode ini yaitu metode ini memakan waktu yang lama untuk dapat dikerjakan,

disamping itu dalam melakukan point counting para

geolog masih harus mengidentifikasi mineral

tersebut satu per satu sehingga terdapat

kemungkinan error akibat bias yang disebabkan inkonsistensi deskriptor, sehingga untuk menerapkan

hal ini dibutuhkan inovasi yaitu dengan

memanfaatkan pengolahan citra dengan identifikasi ciri tekstur untuk meningkatkan akurasi dalam menentukan jenis kandungan mineral dan efisiensi menghitung persentasi kandungan dari masing-masing mineral pada batu pasir.

Pengolahan citra bukanlah ilmu baru, ilmu ini banyak digunakan di berbagai bidang seperti, industri, pendidikan, kedokteran dll. Pengolahan citra menjadi ilmu yang sangat penting untuk dasar identifikasi citra berdasarkan kelas-kelas sehingga dapat menyerupai kemampuan manusia untuk mengklasifikasikan citra.

Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033 Metode Statistik Orde Satu memiliki

beberapa ciri atau parameter yang dapat digunakan untuk menentukan jenis mineral berdasarkan warna keabuan atau grayscale dan Metode Statistik Orde Dua memiliki beberapa ciri atau parameter yang dapat digunakan untuk menentukan jenis mineral berdasarkan tekstur. Pada penelitian sebelumnya

yang berjudul “Klasifikasi Serat Miring Pada Kayu

Menggunakan Ekstraksi Ciri Statistik Berdasarkan Pada Pengolahan Citra” penelitian ini menggunakan ekstraksi ciri statistik yaitu orde satu dan dua, penelitian menghasilkan akurasi 92,5791 % saat menggunakan nilai k = 3,5,7 pada model Jarak Euclidean.

Klasifikasi citra menggunakan K-Nearest

Neighbor, metode ini digunakan untuk klasifikasi citra uji dengan database ciri hasil ekstraksi fitur,

banyaknya digunakan metode K nearest neighbor

karena metode ini memiliki ketangguhan terhadap training data yang memiliki banyak noise dan efektif

apabila training datanya besar.

Berdasarkan masalah yang telah dijelaskan maka pada penelitian tugas akhir ini akan dilakukan penelitan dengan menggunakan Metode Ekstraksi Statistik Orde Satu dan Dua dan K-Nearest Neighbor Untuk Mengidentifikasi Citra Mineral Pada Batuan Sedimen.

1.1 Rumusan Masalah

Berdasarkan pendahuluan yang telah

dijelaskan, maka penelitian ini merumuskan masalah yang akan dibahas yaitu :

a. Bagaimana cara mengetahui kandungan jenis

mineral pada batu pasir berdasarkan tekstur dengan menggunakan pengolahan citra.

b. Bagaimana cara mengetahui persentase kadar

mineral dari masing-masing mineral dalam citra hasil foto mikroskop.

c. Bagaimana mengimplementasikan Metode

Statistika untuk Ekstraksi ciri berdasarkan tekstur, Metode K-Nearest Neighbor untuk klasifikasi jenis mineral batuan pasir.

1.2 Maksud dan Tujuan

Maksud dari penelitian ini adalah

mengimplementasikan algoritma statistika orde satu dan dua dengan metode KNN.

Tujuan dari penelitian ini adalah :

a. Mengetahui jenis kandungan mineral pada citra

hasil fotomikroskop

b. Mengetahui persentase kadar mineral dari

masing-masing citra hasil foto mikroskop. 2. ISI PENELITIAN

2.1 Pengolahan Citra

Pemanfaatan citra digital banyak digunakan dalam berbagai bidang seperti bidang pendidikan,

kedokteran, industry dll. Pengolahan citra digital

merupakan salah satu disiplin ilmu yang

mempelajari hal-hal yang berkaitan dengan

perbaikan kualitas gambar(peningkatan kontras, tranformasi, warna, restorasi citra), transformasi

gambar(rotasi, translasi, skala, transformasi,

geometrik), melakukan pemulihan citra ciri (feature

images) yang optimal untuk tujuan analisis, melakukan proses penarikan informasi atau deskripsi objek atau pengenalan objek yang terkandung pada citra, melakukan kompresi atau reduksi data untuk tujuan penyimpanan data, transmisi datam dan waktu proses data,input dai pengolahan citra adalah citra, sedangkan outputnya adalah citra hasil pengolahan.

2.2 Tekstur

Tekstur adalah konsep intuitif yang

mendeksripsikan tentang sifat kehalusan, kekasaran

dan keteraturan dalam suatu daerah

/wilayah(region). Dalam pengolahan citra digital,

tekstur didefiniskan sebagai distribusi spasial dari derajat keabuan di dalam sekumpulan piksel yang bertetangga[7].

Secara umum tekstur mengacu pada pengulangan elemen-elemen tekstur dasar yang disebut primitif

atau tekstel(textur element-texel) syarat-syarat

terbentuknya suatu tekstur antara lain :

1. Adanya pola-pola primitif yang terdiri dari

suatu piksel atau lebih. bentuk-bentuk pola primitif ini dapat berupa titik, garis lurus, garis lengkung, luasan, dan lain-lain yang merupakan elemen dasar dari sebuah tekstur.

2. Pola-pola primitif tersebut muncul

berulang-ulang dengan interval dan arah tertentu sehingga dapat diprediksi atau ditemukan karakteristik pengulangannya.

3. Suatu citra memberikan interpretasi tekstur

yang berbeda jika dilihat dengan jarak dan sudut yang berbeda. Manusia memandang tekstur berdasarkan deskripsi yang bersifat acak, seperti halus, kasar, teratur,tidak teratur dan sebagainya. Hal ini merupakan deskripsi yang tidak tepat dan non kuantitatif, sehingga diperlukan adanya suatu deskripsi yang kuantititif (matematis) untuk memudahkan analisis[7].

Suatu citra memberikan interpretasi tekstur yang berbeda apabila dilihat dengan jarak dan sudut yang berbeda. Manusia memandang tekstur berdasarkan deskripsi yang bersifat acak, seperti halus, kasar, teratur, tidak teratur, dan sebagainya. Hal ini merupakan deskripsi yang tidak tepat dan non-kuantitatif, sehingga diperlukan adanya suatu deskripsi yang kuantitatif (matematis) untuk memudahkan analisis (Ahmad U. , 2005).

Fourier transformation, frequency edge, run length and more. Structural engineering related to the preparation of the smallest portions of an image. Examples of structural methods are fractal models. Methods based on the geometry of the existing geometry on the element of texture. Examples of the method is the basic model of a random field. While the method is a method of signal processing based on the analysis of the frequency of such transformation and the Gabor wavelet transformation [6].

2.3.1 Statistical methods of order one and two

Is a methods whose elements represent the number of pairs of pixels that have a certain level of brightness, where the pixel pair separated by a distance d, and with an inclination angle θ. In other words, the matrix is the probability kookurensi graylevel i and j of the two pixels apart at a distance d and angle θ. (Ahmad U., 2005)

A neighboring pixel which has a distance and between them, can be located in eight different directions, as shown Figure

Figure 2 Relationship between pixel adjacency

Dalam metode ini, haralick et al propose various types of statistical characteristics of texture that can be extracted Some of these include among others are: Contrast (contrast), homogeneity (homogeneity), Entropy (Entropy), Energy (Energy) and Dissimilariti (dissimilarity).

The equation for these features are as follows: Contrast

Indicates the size of the deployment (moment of inertia) elements of the image matrix. If located far from the main diagonal, the value of great contrast. Visually, the contrast value is a measure of the variation between the degree of gray an image area. The results contrast calculation related to the amount of gray in the image intensity diversity.



 





1 0 , 2

)

).(

,

(

n j i

j

i

j

Pi

Kontras

Where:

i and j are the properties of gray pixels of resolution 2

nearby

p (i,j) adalah Probabilitas kolom(i,j) Homogenity

homogeneity determine degree of homogeneity image of a kind of gray. Homogeneous image will have a great homogeneity prices.



  1 0 , 2

]

j)

-(i

+

[1

/

j)

P(i,

n j i Where:

i and j are the properties of gray pixels of resolution 2

nearby

p (i, j) is Probability column (i, j). Entropy

Entropy can show irregularity, size, shape, if a large entropy value for the image with uneven degrees of gray transitions and image of little value if the structure is irregular (variable).



 





1 0 ,

))

,

(

log(

)

,

(

n j i

j

i

P

j

i

P

Entropi

Where:

i and j are grayish nature of two adjacent pixels resolution

p (i, j) is the normalized Symmetric Matrix Cooccurence

Energy

Energy stated measure of the concentration of gray pair with a particular intensity in the matrix, where (i, j) declared value on row i and column j in the matrix kookurensi.



 



1 0 , 2

)

,

(

n j i

j

i

P

Energi

Where:

i and j are grayish nature of two adjacent pixels resolution

p (i, j) is the normalized Symmetric Matrix Cooccurence

Dissimilarity

Stated dissimilarity measure inequality of gray image so as to provide an indication of the structure in the image.



 





1 0 ,

|

|

).

,

(

n j i

j

i

j

i

P

ity

Dissimilar

Where:

i and j are grayish nature of two adjacent pixels resolution

p (i, j) is the relative frequency matrix of two adjacent pixels resolution.

2.4 Classification

Classification is a job that assessment of an object's data to fit in a certain class of the number of classes available. (Prasad, 2012).

There are two main jobs:

1. Development of a model as a prototype to be stored as memory

2. Using the model to perform recognition / classification / projection on an object other data entered on which class

2.4.1 K-Nearest Neighbor Classification

K-Nearest Neighbor is a method of classification of a set of data based on the learning data that has been previously classifiable. KNN included in the supervised group, in which instance the new query results are classified by the majority of the proximity of the existing categories in the KNN. Later a new class of data will be selected based on a group class that is close to the distance vector. [8]

Method of k-nearest neighbor (KNN) is simple, works on the shortest distance from the query instance to the training sample to find its KNN. Training projected onto the sample-space lot, where each dimension represents the features of the data. The room is divided into sections based on the classification trainning sample. a point in this space marked C class if the class c is a classification of the most commonly found on the k nearest neighbors of the point. Near or far neighbors are usually calculated based on those Euclidean Distance.

Euclidean distance is most often used to calculate the distance. Euclidean distance function test that can measure the closeness interpretation dgunakan as the distance between two objects. Which is represented as follows:

Information:

d = distance learning data to the test data. = j-th test data, with j = 1, 2, . . . n. = learning data j with j = 1, 2, . . . n.

The precision of the method KNN is strongly influenced by the presence or absence of features that are not relevant or if the weight of such features is not equivalent to its relevance to the classification. Research into this method mostly discusses how to select and weight the feature for performance klasfikasi be better. Steps to calculate k-nearest neighbor:

1. Determine the parameters K (the number of nearest neighbors)

2. Calculate the Euclidean distance squared (query instance) of each object on the data samples provided.

3. Then sort these objects into groups with the smallest euclidean distance.

4. Gather category II (Classification nearest neighbor).

5. Using the nearest neighbor category, the majority of the most predictable queries instance values that have been calculated.

3.5Method of testing accuracy

In weka machine learning, testing accuracy can be done with two types of testing, ie :

1.Training set test

2.Supplied set test Training set test

Testing method using the data that has been in training, in other words, the training data and test data is the same data

1. Training data test

Methods of testing using different data, in other words, the training data different from the data that will be tested

2. Supplied set test

One technique for assessing / validating the accuracy of a model built on a particular dataset. Making models usually aim to predict and classify a new data that may have never appeared in the dataset. The data used in the model development process called training data / training, while the data will be used to validate the models referred to as test data.

2.6 Process Analysis

Analysis of the process to be done in this study is an analysis within the classification image based on texture. stages of work processes within the classification ranging from data input to output data. Here are the stages of the process analysis to be performed can be seen in figure

Figure 3 Flowchart analysis process

2.6.1 Analysis Data input

In this study, the first to be done is the analysis of input data. Analysis of the data input is done to obtain an input value that can later be used for the classification process in the method KNN. In This study, the input data is an image, which will

searchable content value by using a feature extraction method of order one and two, the value of output that would be obtained is the contrast, homogeneity, entropy, energy, and dissimilarity, etc. Those values will be used as baseline data that will be used as input in the K-Nearest Neighbor method. Stages that will be performed on the input data analysis is preprocessing is to perform segmentation, cropping, grayscale. After performing preprocessing, feature extraction is carried out by statistical methods and to get the first order nilai fitur dari citra tersebut.

2.6.1.1 Preprocessing

In this study, preprocessing is done to make it easier to get the value of feature extraction. Preprocessing will do is resize, grayscale and image quantization. The following process flow of preprocessing:

Figure 4. Flow preprocessing

2.6.1.1.2 Grayscale

Grayscale is a process to change the color to greyish. By changing the RGB value of each pixel of the image into the same value so that each pixel has the same value for all three elements of color and grayscale matrix values obtained. Following the flow of the process grayscale:

Figure 6 grayscale process flow

2.6.1.2 Feature extraction

Feature extraction is the process to get the main characteristics contained in the image, which has been in a grayscale image will produce a matrix grayscale who had already in quantization matrix is exactly what will be used at this stage. This stage will calculate the statistical value of kookurensi 5 ie contrast, energy, entropy, homogeneity and dissimilarity with symmetry angles of 0, 45, 90 and 135. Having obtained all grades from the corner will

averaged. Following the flow of feature extraction process:

Figure 8 feature extraction process flow

2.6.3 Analysis of testing

Testing is the stages in the process of image classification based texture, this process can be generated imagery that included the probability for more details can be seen in the following process flow :

Figure 10 flow testing process

2.6.4 Analysis of output data

Analysis of output data is the final stage that will be done. which is looking for the greatest value on the probability value obtained at the time of testing analysis. The following is the process flow looking output data.

2.7 examination

In this study, the test was done by using two methods. Here is the test to be performed:

1.Test the image included in the database (training set test).

2.Test the image that are not included in the data base (supplied set test).

Testing with method 1 Test image included in the database

Testing method 1 was conducted by examining the image included in the database, this test aims to determine the level of recognition of the image that has been trained, the image data that is used there are 120 pieces of imagery which consists of three classes, with each class there are 40 images.

Training data is used, and the test data in Appendix C1

Results Testing method 1.

Table 1 Level of Accuracy of each class on the testing method 1

Kelas Prediction Count

Citra Akurati Kuarsa Feldspar

Targ

et _{Kuarsa 14 2 16 87.5%}

Feldspar 10 4 16 25%

average 56.25%

Testing with Test Method 2 images that are not included in the database

Testing method 2 was conducted by examining the image that are not included in the database, this test aims to determine the level of the test image recognition outside the database on the image of the train in the database. image data used to train there were 100 pieces of imagery which consists of five classes, with each class there are 20 images. And also used the test image data there are 100 pieces of imagery which consists of five classes, with each class there are 20 images.

Training data and test data exist on the attachment. Assay results using the test method 2.

Table 2 Level of Accuracy of each class on the testing method 1

Kelas Prediksi Jumla h Citra

Akuras i Kua

rsa

Feldspa r

Ta

rg

et _{Kuarsa 12 4 16 75%}

Feldspar 13 3 16 18%

average 46.5%

2.8 conclusion Testing

Based on the results of one test scenario that is testing the same test data with training data, it can be concluded that the K-Nearest Neighbor method can classify with an accuracy of 70%. Based on the test scenario 2 is test of test data that are not in training data, KNN can classify with an accuracy of 46%.

From the test results, the accuracy has a very good level, because the data generated by the feature extraction feature extraction method of order one and two have a large degree of inequality, so the recognition process can be run well.

3.

CLOSING

3.1 Conclusion

From the test results and analysis, it can be concluded the following matters :

1. In this study, the highest level of accuracy of the image obtained in class mineral quartz with an average value of accuracy 90%

2. For the class Feldspar mineral image accuracy results below 50%, it is because the type of image that is homogeneous so happens similarity value extraction characteristics of these images.

3.2 Suggestion

In the making of this final project, there are still many deficiencies that can be corrected for the next development. Some advice that can be given is:

1. Adding some other feature extraction, feature extraction such as color, shape, etc.. 2. To be able to compare the performance of a

statistical method of order one and two as this feature extraction, texture analysis can be made by different methods, such as the autocorrelation method, Run-Length, Sum and Difference Histogram and more. 3. Conduct research using the image

classification other classification algorithms, such as using the Decision Tree, SVM, neural networks and other-other in order to compare the results of the accuracy and speed of the process.

BIBLIOGRAPHY

R. Munir, Pengolahan Citra Digital, Bandung: Penerbit Informatika Bandung, 2002.

S. R. Pressman, Software Engineering: A Practitioner's Approach, 4th ed, New York: McGraw-Hill Companies, 2010.

Godfrey-Smimth, D. (2005). Beta Dosimetry of Potassium Feldspars in sediment Exstract Using Imaging Microphobe Analysis and Beta Counting. Geochronometria, 7-12.

Indah Ratih, "Pengenalan Motif Batik Menggunakan Metode Transformer Paket Wavelet," Tugas Akhir Teknik Informatika, no. Universitas Telkom, Bandung, 2013

King, Hobart. "Sandstone, A clastic sedimentary rock composed of sand-sized grains of mineral, rock or organic material". 25 Desember 2015.

http://geology.com/ rocks/sandstone.shtml. U. Ahmad, Pengolahan Citra Digital dan Teknik Pemogramannya, Yogyakarta: Graha Ilmu, 2005. Y. Ganis, I. Santoso,Dll "Klasifikasi Citra dengan Matriks Kookurensi Aras Keabuan Pada Lima Kelas Biji-Bijian," Tugas Akhir Teknik Elektro, no. Universitas Diponegoro, Semarang, 2009. Widya Eka Wardani, "Pengenalan Motif Batik Menggunakan Metode Transformer Paket Wavelet," Tugas Akhir Teknik Informatika, no. Universitas Widyatama, Bandung, 2013.

Ariantoko Kusmian, "Implementasi Algoritma Naïve Bayes Untuk Klasifikasi Citra Berdasarkan Ekstraksi Ciri Tekstur dengan Metode Matriks Kookurensi," Tugas Akhir Teknik Informatika, Universitas Komputer Indonesia, Bandung, 2014 Nugroho A., Pemodelan Berorientasi Objek, Bandung: Informatika, 2005.

Insanudin Andi, "Ekstraksi Informasi Kemacetan pada Media Digital," Tugas Akhir Teknik

Informatika, no. Universitas Komputer Indonesia, Bandung, 2013.

Nithya, dan Santi, B.,2011 "Comparative Study on Feature Extraction Method For Breast Cancer Clasification, J Theoritical and Applied Information Technology", Vol 33 No.2.

Listia Refta, Harjoko Agus "Klasifikasi Massa pada Citra Mammogram Berdasarkan Gray Level

Cooccurence Matrix (GLCM)," Jurnal, . Universitas Gadjah Mada, Yogyakarta, 2014.

E. Budiyono Permadi, Nikentari Nerfita,. "Analasis Klasifikasi Kadar Karat Emas Menggunakan Metode K-Nearest Neighbor," Jurnal Teknik Informatika, Universitas Maritim Raja Ali Haji , Tanjung Pinang,.

L. Farsiah, T. Fuadin A dll "Klasifikasi Gambar Berwarna Menggunakan K-Nearest Neighbor dan Support Vector Machine," Tugas Akhir Teknik Informatika, no. Universitas Komputer Indonesia, Bandung, 2013.

Wijaya,. "Pengaruh Kadar Gabah Terhadap Mutu Fisik beras Giling," Jurnal Fakultas Pertanian, Universitas Unswagati , Cirebon,.