Perbandingan Metode Run-Length Dan Co-Occurrence Untuk Ekstraksi Ciri Dengan Metode K-Mean Untuk Mengenali Objek Berdasarkan Tekstur

SKRIPSI

Diajukan untuk Menempuh Ujian Akhir Sarjana Program Studi Strata Satu Jurusan Teknik Informatika

Fakultas Teknik dan Ilmu Komputer

RIVAN RAHMADDITYA HIRDAN

10110494

JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN ILMU KOMPUTER

UNIVERSITAS KOMPUTER INDONESIA

BANDUNG

iii

Segala puji dan syukur penulis panjatkan kehadirat Allah SWT yang telah memberikan iman, kekuatan, kecerdasan, kesehatan, semangat yang tinggi, serta semua nikmat 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 “PERBANDINGAN METODE RUN-LENGTH DAN METODE CO-OCCURRENCE UNTUK EKSTRAKSI CIRI DENGAN METODE K-MEAN DALAM MENGENALI OBJEK BERDASARKAN TEKSTUR” 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. Papa Suyadi.,S.T , Mama Suyamtini, dan Abang Rifa Reizayadi.,S.T tercinta, terima kasih yang tak terhingga atas segala dukungan serta doanya sehingga penulis memiliki semangat yang menggebu-gebu untuk dapat menyelesaikan tugas akhir ini.

3. Ibu Ednawati Rainarli, S.Si,. M.Si selaku dosen pembimbing tugas akhir yang telah memberikan segenap waktu, kekuatan dan inspirasi pembuatan tugas akhir serta banyak memberikan bimbingan dan saran-saran kepada penulis sampai akhirnya penulis dapat menyelesaikan tugas akhir ini.

4. Bapak Irfan Maliki, S.T,. M.T selaku ketua penguji yang telah memberikan masukan dan saran-saran dalam penyusunan tugas akhir ini.

5. Bapak Iskandar Ikbal, S.T, M.Kom selaku penguji 3 yang telah beb,berikan masukan dan saran dalam penyusunan tugas akhir ini.

iv

sangat bermanfaat dalam penyusunan tugas akhir ini.

8. Tante Niken dan Om Asep yang selalu memberikan dukungan dan telah seperti menjadi orang tua kedua bagi penulis.

9. Seluruh teman-teman khusunya IF-11 angkatan 2010 yang telah menjadi teman seperjuangan terbaik.

10.Seluruh pihak yang telah memberikan kontribusi dan bantuannya dalam penyelesaian tugas akhir ini, namun tidak sempat dicantumkan namanya satu per satu.

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, telah 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, Agustus 2015

KATA PENGANTAR ... iii

DAFTAR ISI ... v

DAFTAR GAMBAR ... viii

DAFTAR TABEL ... x

DAFTAR SIMBOL ... xiii

DAFTAR LAMPIRAN ... xiv

BAB 1 PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Identifikasi Masalah ... 2

1.3 Maksud dan Tujuan ... 2

1.4 Batasan Masalah ... 3

1.5 Metodologi Penelitian ... 3

1.5.1 Metode Pengumpilan Data ... 3

1.5.2 Metode Tahapan Analisis ... 4

1.6 Sistematika Penulisan ... 5

BAB 2 LANDASAN TEORI ... 7

2.1 Citra analog dan Citra digital ... 7

2.2 Elemen Citra ... 7

2.3 Pengolahan Citra (Image Processing) ... 9

2.6 Matriks Ko-Okurensi Aras Keabuan (Gray Level Co-Occurrence Matrix-

GLCM) ... 14

2.7 Metode Run-Length ... 16

2.8 K-Mean ... 18

2.9 K-Fold Cross Validation ... 19

2.10 OOP (Object Oriented Programming) ... 20

2.11 UML (Unified Modeling Language) ... 22

BAB 3 ANALISIS DAN PERANCANGAN ... 25

3.1 Analisis Masalah ... 25

3.2 Analisis Proses ... 25

3.2.1 Analisis Pengolahan Citra ... 25

3.2.2 Pelatihan K-Mean ... 28

3.2.3 Pengujian K-Mean ... 30

3.3 Analisis Data ... 32

3.3.1 Analisis Data Masukan ... 32

3.3.2 Analisis Data KEluaran ... 32

3.4 Analisis Metode / algoritma ... 33

3.4.1 Analisis Tahapan Pengolahan Citra ... 33

3.4.2 Analisis Tahapan Pelatihan ... 47

3.6 Perancangan Sistem ... 65

3.6.1 Perancangan Antarmuka ... 65

3.6.2 Jaringan Semantik ... 70

BAB 4 IMPLEMENTASI DAN PENGUJIAN ... 71

4.1 Implementasi ... 71

4.1.1 Implementasi Perangkat Keras ... 71

4.1.2 Implementasi Perangkat Lunak ... 71

4.1.3 Implementasi Class ... 72

4.2 Skenario Pengujian ... 74

4.2.1 Pengujian Co-Occurrence ... 75

4.2.2 Pengujian Run-Length ... 81

4.3 Kesimpulan Pengujian ... 90

BAB 5 KESIMPULAN DAN SARAN ... 93

5.1 Kesimpulan ... 93

5.2 Saran ... 93

93 Yogyakarta: Graha Ilmu.

2. Indriani, M., Santoso, I. & Christyon, Y, 2007. Analisis Tekstur Menggunakan Metode Run-Length.Makalah Seminar Tugas Akhir, Issue Universitas Diponegoro, Semarang.

3. Ganis, Y., Santoso, I. & Isnanto, R., 2008. Klasifikasi Citra dengan Matriks Kookurensi Aras Keabuan Pada Lima Kelas Biji-Bijian. Tugas Akhir Teknik Elektro, Issue Universitas Diponegoro, Semarang.

4. Hamza, R. M. & Al-Assadi, T. A., 2012. Genetic Algorithm to find optimal GLCM features, Issue Department of Computer science, College of Information Technology .

5. Hartanto, B., 2008. Memahami Visual C#.Net Secara Mudah. Pertama penyunt. Yogyakarta: Andi.

6. Jing, M. Q., 2009. A Novel Method For Shoeprints Recognition And Classification. Hsinchu, Department of Computer Science and Engineering, National Chiao Tung University, Taiwan .

7. Nalwan, A., 1997. Pengolahan Gambar Secara Digital. Jakarta: Elex Media Komputindo.

8. Nugroho, A., 2005. Pemodelan Berorientasi Objek. Bandung: Informatika. 9. Pressman, S. R., 2010. Rekayasa Perangkat Lunak. Yogyakarta: Andi.

10.Sutopo, A. H. & Masya, F., 2005. Pemograman Berorientasi Objek.

1

Pengenalan tekstur cukup memegang peranan penting dalam pengolahan citra digital karena dikembangkan dengan tujuan agar komputer dapat memahami serta mengenali tekstur sama seperti yang dilakukan oleh mata manusia. Karena komputer tidak memiliki indra penglihatan, maka komputer hanya dapat mengenali citra digital berdasarkan ciri atau karakteristik teksturnya[1]. Ciri atau karakteristik tekstur diperoleh melalui proses ekstraksi ciri dengan berbagai metode seperti metode co-occurence, autokorelasi, wavelet, frekuensi tepi, run length, dan lain sebagainya.

Metode yang dapat digunakan dalam menganalisis tekstur adalah metode run-length. Metode ini mengenali banyaknya run pada suatu pixel dengan level intensitas sama yang berurutan dalam satu arah tertentu. Metode lain yang dapat digunakan dalam analisis tekstur adalah metode co-occurrence. Metode co-occurrence dibentuk dari suatu citra dari suatu pixel-pixel yang berpasangan yang memiliki intensitas tertentu.

Metode run-length dan metode co-occurrence merupakan metode yang dapat digunakan untuk mengenali tekstur. Kedua metode tersebut memiliki cara kerja yang sedikit berbeda namun dalam garis besar yang sama yaitu untuk ekstraksi ciri tekstur. Pada penelitian sebelumnya yang dilakukan oleh Yudhistira Ganis., dkk (2008) yang berjudul Klasifikasi Citra Dengan Matriks Ko-okurensi Aras Keabuan (Gray Level Co-occurrence Matrix-GLCM) Pada Lima Kelas Biji-Bijian yang melakukan penelitian untuk analisis tekstur pada lima kelas biji-bijian menggunakan metode co-occurrence sebagai metode pengenalan tekstur mendapatkan hasil akurasi sebesar 99% dengan nilai k=1[2]. Pada penelitian lain yang dilakukan oleh Mita Indriany., dkk (2007) yang berjudul Analisis Tekstur Menggunakan Metode Run-Length yang melakukan penelitian analisis tekstur untuk pasir, kayu, logam, dan air yang menggunakan metode run-length sebagai metode pengenalan tekstur menghasilkan

klasifikasi dengan metode k-nn.

Dalam pengolahan citra tidak lepas juga dari pengklasifikasian. Pengklasifikasian dilakukan untuk mengelompokan citra berdasarkan pengenalan citra baik itu menggunakan pengenalan pola maupun pengenalan berdasarkan tekstur. Ada beberapa metode pengklasifikasian citra diantaranya adalah metode k-Nearest Neighbour (k-NN), metode k-Mean, linear discriminant analysis (LDA), dan lain sebagainya. Metode k-Mean merupakan metode clustering yang digunakan untuk mengklasifikasikan citra. Citra diklasifikasikan berdasarkan pengenalan citra lalu dikelompokan menjadi beberapa kelompok. Karena Metode run-length dan metode

co-occurrence memiliki cara kerja yang berbeda namun sama-sama dalam metode statistik oleh karena itu kedua metode tersebut akan dibandingkan pengaruh kedua metode tersebut dalam analisis tekstur dengan menggunakan metode klastering k-mean.

Dari yang telah dijelaskan diatas, akan dilakukan penelitian untuk membandingkan dua metode untuk mengenali tekstur yang berjudul “Perbandingan Metode Run-Length Dan Metode Co-Occurrence Untuk Ekstraksi Ciri Dengan Metode K-Mean Dalam Mengenali Objek Berdasarkan Tekstur”.

1.2 Identifikasi Masalah

Berdasarkan latar belakang diatas, maka identifikasi masalah pada penelitian ini adalah pengaruh metode ekstraksi ciri run-length dan metode co-occurrence dengan metode k-mean terhadap keakuratan dan kecepatan dalam pengenalan objek berdasarkan tekstur.

1.3 Maksud dan Tujuan

Maksud dari penelitian ini adalah untuk membandingkan pengaruh metode run-length dan metode co-occurrence dengan metode k-mean dalam keakuratan dan kecepatan mengenali objek.

metode co-occurrence dengan metode klasifikasi k-mean terhadap keakuratan dan kecepatan mengenali objek.

1.4 Batasan Masalah

Dalam penelitian ini, pembahasan masalah dibatasi agar tidak menyimpang dari tujuan yang ingin dicapai, adapun batasan masalahnya adalah:

1. Klasifisikasi citra hasil analisis tekstur dilakukan dengan metode K-Mean

2. Pemodelan sistem menggunakan pemrograman berorientasi objek dengan UML (Unified Modeling Language).

3. Program simulasi akan dibangun dengan menggunakan bahasa pemrograman C# dengan platform berbasis dekstop.

4. Objek yang diuji berupa citra kayu, logam, pasir dan beras. 5. Penyimpanan data disimpan pada notepad.

6. Parameter yang diuji adalah akurasi dan kecepatan dalam mengenali tekstur. 1.5 Metodologi Penelitian

Metode yang digunakan pada penelitian ini adalah metode pengumpulan data, dan metode analisis.

1.5.1 Metode Pengumpulan Data

Teknik pengumpulan data yang digunakan dalam membantu tugas akhir ini menggunakan cara studi literatur.

Studi literatur merupakan metode yang digunakan untuk mendapatkan pengetahuan tentang pengenalan objek, analisis tekstur, pengolahan citra, ekstraksi ciri run-length dan co-occurrence, klasifikasi dengan metode k-mean, pemrograman berorientasi objek, Bahasa pemrograman C#. Studi literatur juga diperlukan untuk mendapatkan informasi penelitian-penelitian sebelumnya tentang klasifikasi citra.

Berdasarkan pengkajian dan evaluasi setelah membaca beberapa sumber seperti jurnal, dan buku-buku, Tahapan analisis yang akan dilakukan pada penelitian ini adalah :

1. Menganalisis Pengolahan Citra, yaitu menganalisis proses – proses pengolahan citra yang meliputi proses grayscaling dan ekstraksi ciri menggunakan metode run-length dan co-occurrence dengan citra inputan kayu, logam dan pasir. Hasil akhir dari analisis ini adalah nilai ekstraksi ciri 2. Menganalisis tahapan pelatihan, yaitu melakukan perhitungan pada tahap

pelatihan, sehingga menghasilkan nilai yang akan digunakan saat tahap pengujian. tahap pelatihan di penelitian ini menggunakan metode k-mean, hasil akhir dari tahapan analisis pelatihan ini adalah nilai perhitungan parameter k-mean terhadap data masukan (nilai ekstraksi ciri)

3. Menganalisis tahapan pengujian, yaitu melakukan perhitungan pada tahap pengujian, sehingga menghasilkan hasil perhitungan pada metode k-mean yang digunakan untuk pengklasifikasian data. Hasil akhir dari tahapan analisis ini adalah berupa hasil klasifikasi.

Gambar 1.1 Alur tahapan analisis 1.6 Sistematika Penulisan

Sistematika penulisan tugas akhir ini disusun untuk memberikan gambaran umum mengenai penelitian yang dikerjakan. Sistematika penulisan tugas akhir ini adalah sebagai berikut:

BAB 1. PENDAHULUAN

Bab ini menguraikan latar belakang permasalahan, yang meliputi pengolahan citra dan mekanismenya, masalah dalam mekanisme, solusi dan penelitian yang telah ada beserta masalahnya dan solusi yang ditawarkan beserta harapan, merumuskan masalah, menentukan maksud dan tujuan dalam penelitian, metodologi penelitian, yang dikuti pembatasan masalah dan sistematika penulisan.

Citra Input

Ekstraksi Ciri Grayscale

Pelatihan K-Mean

Pengujian K-Mean Analisis Pengolahan Citra

Bab ini menguraikan teori terori yang digunakan pada penelitian, seperti tentang citra, pengolahan citra, metode metode yang digunakan dalam penelitian dan tools yang digunakan dalam penelitian

BAB 3. ANALISIS MASALAH DAN PERANCANGAN

Bab ini berisi tentang tahapan untuk menganalisis masalah, analisis proses, dan analisis perhitungan metode Run-length dan Matriks Co-occurrence serta K-mean pada klasifikasi citra, dan analisis untuk membangun program simulasi.

BAB 4. IMPLEMENTASI DAN PENGUJIAN

Bab ini berisi tentang pengujian pengaruh metode ekstraksi ciri Run-length

dan Co-occurrence dengan metode klasifikasi K-mean terhadap akurasi dan kecepatan pada klasifikasi citra dengan menggunakan program simulasi yang telah dibuat.

BAB 5. KESIMPULAN DAN SARAN

7 BAB 2

LANDASAN TEORI

2.1 Citra Analog dan Citra Digital

Citra analog adalah citra yang bersifat kontinu, seperti gambar pada monitor televisi, foto sinar-X, foto yang tercetak dikertas foto, lukisan, pemandangan, hasil CT scan, gambar-gambar yang terekam pada pita kaset, dan lain-lain sebagainya. Citra analog tidak dapat direpresentasikan dalam komputer sehingga tidak dapat diproses dikomputer secara langsung. Oleh sebab itu, agar citra ini dapat diproses dikomputer, proses konversi analog ke digital harus dilakukan terlebih dahulu. Citra analog dihasilkan dari alat-alat analog, video kamera analog, kamera foto analog,

Web Cam, CT scan, sensor ultrasound pada system USG, dan lain-lain .

Citra Digital adalah citra yang dapat diolah oleh komputer dan citra digital yaitu gambar pada bidang dua dimensi. Dalam tinjauan matematis, citra merupakan fungsi kontinu dari intensitas cahaya pada bidang dua dimensi. Ketika sumber cahaya menerangi objek, objek memantulkan kembali sebagian cahaya tersebut. Pantulan ini ditangkap oleh alat-alat pengindera optik, misalnya mata manusia, kamera, scanner dan sebagainya. Bayangan objek tersebut akan terekam sesuai intensitas pantulan cahaya. Ketika alat optik yang merekam pantulan cahaya itu merupakan mesin digital, misalnya kamera digital, maka citra yang dihasilkan merupakan citra digital. Pada citra digital, kontinuitas intensitas cahaya dikuantisasi sesuai resolusi alat perekam.

2.2 Elemen Citra

Citra mengandung sejumlah elemen dasar. Elemen dasar tersebut di manipulasi dalam pengolahan citra, elemen tersebut adalah:

1. Warna

Warna adalah persepsi yang dirasakan oleh sistem visual manusia terhadap panjang gelombang cahaya yang dipantulkan oleh objek. Setiap warna mempunyai

panjang gelombang. Warna yang diterima oleh mata merupakan hasil kombinasi cahaya dengan panjang gelombang berbeda. Kombinasi warna yang memberikan rentang warna yang paling lebar adalah red (R), green (G), blue (B).

2. Kecerahan (brightness)

Kecerahan disebut juga intensitas cahaya. Kecerahan pada sebuah piksel (titik) didalam citra bukanlah intensitas yang rell, tetapi sebenarnya adalah intensitas rata-rata dari suatu area yang melingkupinya.

3. Kontras (contrast)

Kontras menyatakan sebaran terang dan gelap di dalam sebuah gambar. Citra dengan kontras rendah dicirikan oleh sebagian besar komposisi citranya adalah terang atau sebagian besar gelap. Pada citra dengan kontras yang baik, komposisi gelap dan terang tersebar secara merata.

4. Kontur (contour)

Kontur adalah keadaan yang ditimbulkan oleh perubahan intensitas pada piksel yang bertetangga. Karena adanya perubahan intensitas, mata manusia dapat mendeteksi tepi objek didalam citra.

5. Bentuk (shape)

Bentuk adalah properti intrinsik dari objek tiga dimensi, dengan pengertian bahwa

shape merupakan properti intrinsik utama untuk sistem visual manusia. Pada umumnya citra yang dibentuk oleh mata merupakan citra dwimatra (dua dimensi), sedangkan objek yang dilihat umumnya berbentuk trimatra (tiga 25

dimensi). Informasi bentuk objek dapat diekstraksi dari citra pada permulaan pra-pengolahan dan segmentasi citra.

6. Tekstur (texture)

Tekstur diartikan sebagai distribusi spasial dari derajat keabuan di dalam sekumpulan piksel-piksel yang bertetangga. Jadi tekstur tidak dapat didefinisikan untuk sebuah piksel. Sistem visual manusia menerima informasi citra sebagai suatu

kesatuan. Resolusi citra yang diamati ditentukan oleh skala dimana tekstur tersebut dipersepsi.

7. Waktu dan Pergerakan

Respon suatu sistem visual tidak hanya berlaku pada faktor ruang, tetapi juga pada faktor waktu. Sebagai contoh, bila citra diam ditampilkan secara cepat, akan berkesan melihat citra yang bergerak.

8. Deteksi dan Pengenalan

Dalam mendeteksi dan mengenali suatu citra, ternyata tidak hanya sistem visual manusia saja yang bekerja, tetapi juga ikut melibatkan ingatan dan daya pikir manusia.

2.3 Pengolahan Citra (Image Processing)

Pengolahan Citra merupakan proses pengolahan dan analisis citra yang banyak melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan informasi keluaran yang berbentuk citra. Istilah pengolahan citra digital secara umum didefinisikan sebagai pemrosesan citra dua dimensi dengan komputer. Dalam definisi yang lebih luas, pengolahan citra digital juga mencakup semua data dua dimensi. Citra digital adalah barisan bilangan nyata maupun kompleks yang diwakili oleh bit-bit tertentu.

Citra merupakan istilah lain dari gambar yang merupakan komponen multimedia yang memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh data teks, yaitu kaya akan informasi. Citra digital adalah citra hasil digitalisasi citra kontinu (analog). Tujuan dibuatnya citra digital adalah agar citra tersebut dapat diolah menggunakan komputer atau piranti digital dan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin (komputer). Teknik-teknik pengolahan citra mentransformasikan citra menjadi citra lain yang mempunyai kualitas lebih baik.

2.3.1 Langkah-Langkah Penting dalam Pengolahan Citra (image processing) Secara umum, langkah-langkah dalam pengolahan citra dapat di jabarkan menjadi beberapa langkah yaitu :

1. Akuisisi Citra

Akuisisi citra adalah tahap awal untuk mendapatkan citra digital. Tujuan akuisisi citra adalah untuk menentukan data yang diperlukan dan memilih metode perekaman citra digital. Tahap ini dimulai dari objek yang akan diambil gambarnya, persiapan alat-alat, sampai pada pencitraan. Pencitraan adalah kegiatan transformasi dari citra tampak (foto, lukisan, gambar, patung, pemandangaan dan lain-lain) menjadi citra digital. Beberapa alat yang dapat digunakan untuk pencitraan adalah:

a. Video kamera b. Kamera digital

c. Kamera konvesional dan converter analog to digital d. Scanner

e. Photo sinar-x atau sinar infra merah

2. Preprocessing

Tahapan ini diperlukan untuk menjamin kelancaran pada proses berikutnya. Hal-hal penting yang dilakukan pada tingkatan ini diantaranya adalah:

a. Peningkatan kualitas citra (kontras, brightness, dan lain-lain) b. Menghilangkan noise

c. Perbaikan citra (image restoration) d. Transformasi (image transformasi)

e. Menentukan bagian citra yang akan diobservasi 3. Segmentasi

Tahapan ini bertujuan untuk mempartisi citra menjadi bagian-bagian pokok yang mengandung informasi penting. Misalnya, memisahkan objek dari latar belakang.

4. Representasi dan Deskripsi

Dalam hal ini representasi merupakan suatu proses untuk merepresentasikan suatu wilayah sebagai suatu daftar titik-titik koordinat dalam kurva yang tertutup, dengan deskripsi luasan atau perimeternya. Setelah suatu wilayah dapat direpresentasikan, proses selanjutnya adalah melakukan deskripsi citra dengan cara seleksi ciri dan ekstraksi ciri (Feature Extraction and selection). Seleksi ciri bertujuan untuk memilih informasi kuantitatif dari ciri yang ada, yang dapat membedakan kelas-kelas objek secara baik, sedangkan ekstraksi ciri bertujuan untuk mengukur besaran kuantitatif ciri setiap piksel, misalnya rata-rata, standar deviasi, koefisien variasi, signal to nois ratio (SNR), dan lain-lain.

5. Pengenalan dan interpretasi

Tahap pengenalan bertujuan untuk memberi label pada suatu objek yang informasinya disediakan oleh descriptor, sedangkan tahap interpretasi bertujuan untuk memberi arti atau makna kepada kelompok objek-objek yang dikenali.

6. Basis pengetahuan

Basis pengetahuan sebagai basis data pengetahuan berguna untuk memandu operasi dari masing-masing modul proses dan mengkontrol interaksi antara modul-modul tersebut. Selain itu, basis pengetahuan juga digunakan sebagai referensi pada proses template matching atau pada pengenalan pola.

2.4 Pengenalan Pola (Pattern Recognition)

Menurut Fairhurst (1998), pengenalan pola merupakan bidang yang berhubungan dengan proses identifikasi objek pada citra atau interpretasi citra. Proses ini bertujuan untuk mengekstrak informasi yang disampaikan oleh citra. Pengenalan pola mempunyai arti bidang studi yang melakukan proses analisis citra yang bentuk masukannya adalah citra itu sendiri atau dapat juga berupa citra digital dan bentuk keluarannya adalah suatu deskripsi. Tujuan pengenalan pola adalah untuk meniru kemampuan manusia dalam mengenali objek tertentu.

Pengenalan pola merupakan proses pengenalan suatu objek dengan menggunakan berbagai metode. Teknik pencocokan pola adalah salah satu teknik dalam pengolahan citra digital yang berfungsi untuk mencocokkan tiap-tiap bagian dari suatu citra dengan citra yang menjadi acuan (template). Beberapa contoh pengenalan pola yang telah dilakukan seperti pengenalan wajah, fingerprint, pola permainan catur, retina mata, peramalan cuaca, pengenalan tekstur, dan lain lain.

2.4.1 Metode Pengenalan Pola

Ada 3 metode pengenalan pola yaitu: 1. Metode Statistik

Metode ini dapat dilakukan dengan pendekatan supervised maupun pendekatan

unsupervised. Pendekatan supervised (dengan pengarahan) menyediakan

training set untuk mengarahkan atau memberi informasi atau pengetahuan tentang kelas-kelas yang ada. Pendekatan unsupervised (tanpa pengarahan) tidak menyediakan training set. Informasi yang disediakan adalah jumlah klaster yang ada. Sehingga pengelompokan dilakukan sepenuhnya berdasarkan karakteristik data.

2. Metode Sintaktik

Dalam metoda sintaktik atau metoda struktural, pola dipilah berdasarkan keserupaan ukuran struktural, 'pengetahuan' direpresentasikan secara formal grammar atau deskripsi relasional (graf). Metode ini dipakai tidak hanya untuk pemilahan, tetapi juga untuk deskripsi. Biasanya, metode ini memformulasikan deskripsi hirarkis dari pola kompleks yang tersusun dari pola bagian yang lebih sederhana.

3. Metode Jaringan Syaraf

Dalam metode jaringan syaraf, pemilahan dilakukan berdasarkan tanggapan suatu neuron jaringan pengolah sinyal (neuron) terhadap stimulus masukan (pola). 'Pengetahuan' disimpan dalam sambungan antar neuron dan kekuatan pembobot sinaptik.

2.5 Analisis Tekstur

Analisis tekstur memegang peranan penting dalam pengolahan citra digital karena analisis tekstur dikembangkan dengan tujuan agar komputer dapat memahami, membuat model, serta memproses tekstur untuk dapat menirukan proses pembelajaran mata atau penglihatan manusia. Tekstur dapat dianggap sebagai pengelompokan kesamaan didalam suatu citra. Sifat sifat subpola tersebut menimbulkan cahaya yang diterima, keseragaman, kerapatan, kekasaran, keteraturan, kelinieran, frekuensi, fase, keterarahan, ketidakteraturan, kehalusan, dan lain-lain. Karena komputer tidak memiliki indra penglihatan, maka komputer hanya mengetahui pola suatu citra digital dari ciri atau karakteristik teksturnya.

Secara umum tekstur mengacu pada repetisi elemen-elemen tekstur dasar yang sering disebut primitif atau texel (texture element). Suatu texel terdiri dari beberapa

pixel dengan aturan posisi bersifat periodik, kuasiperiodik, atau acak. Syarat-syarat terbentuknya tekstur setidaknya ada dua, yaitu:

1. Adanya pola-pola primitif yang terdiri dari satu atau lebih pixel. Bentuk-bentuk pola primitif ini dapat berupa titik, garis lurus, garis lengkung, 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. Pada analisis citra, pengukuran tekstur dikategorikan menjadi tiga kategori utama yaitu : statistik, struktural, dan pengolahan sinyal.

1. Metode statistik mempertimbangkan bahwa intensitas dibangkitkan oleh medan acak dua dimensi, metode ini berdasar pada frekuensi-frekuensi ruang. Contoh metode statistik adalah fungsi autokorelasi, matriks ko-okurensi, transformasi Fourier, frekuensi tepi, Run-Length.

2. Metode struktural berkaitan dengan penyusunan bagian-bagian terkecil suatu citra. Contoh metode struktural adalah model fraktal.

3. Metode pengolahan sinyal adalah metode yang berdasarkan analisis frekuensi seperti transformasi Gabor dan transformasi wavelet

2.6 Matriks Ko-Okurensi Aras Keabuan (Gray Level Co-Occurrence Matrix -GLCM)

Salah satu teknik untuk memperoleh ciri statistik adalah dengan menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan arah tertentu. Hal ini dapat dilakukan dengan membentuk sebuah matriks kookurensi dari data citra. Matriks kookurensi adalah suatu matriks yang menggambarkan frekuensi munculnya pasangan dua piksel dengan intensitas tertentu dalam jarak (d) dan orientasi sudut (θ) tertentu dalam citra. Penggunaan metode ini berdasar pada hipotesis bahwa dalam suatu tekstur akan terjadi perulangan konfigurasi atau pasangan aras keabuan. Jarak dinyatakan dalam piksel dan orientasi sudut dinyatakan dalam derajat. Orientasi dibentuk dalam empat arah sudut dengan interval sudut 45°, yaitu 0°, 45°, 90°, dan 135°. Sedangkan jarak antar piksel ditetapkan sebesar 1 piksel.

Langkah - langkah pembentukan matriks Co-Occurrence:

1. Menentukan jarak antara dua titik dalam arah vertikal dan horizontal.

2. Menghitung jumlah pasangan piksel yang mempunyai nilai intensitas i dan j.

3. Kemudian hasil perhitungan setiap pasangan nilai intensitas diletakan pada matriks sesuai dengan koordinatnya.

4. Matriks kemudian dijumlahkan dengan transposenya untuk menghitung nilai simetrisnya.

5. Kemudian dilakukan normalisasi dengan cara membaginya dengan bilangan yang merupakan jumlah dari total pasangan piksel.

Suatu piksel yang bertetangga yang memiliki jarak d diantara keduanya, dapat terletak di delapan arah yang berlainan. Hal ini ditunjukan pada gambar 2.1

Gambar 2.1 piksel bertetangga dalam delapan arah

Dalam matriks ko-okurensi, terdapat empat ciri tekstur yang dapat diperoleh dari suatu citra yang digunakan sebagai pembeda antara citra dengan kelas tertentu, dengan kelas lainnya. Ciri – ciri tersebut adalah:

Dengan : d = Jarak P = Probabilitas

θ = Sudut (Digunakan untuk perhitungan jarak antar piksel) i,j = Jarak antar piksel

1. Kontras (Contrast)

Kontras adalah fitur yang digunakan untuk mengukur kekuatan perbedaan intensitas dalam citra. nilai kontras membesar jika variasi intensitas citra tinggi dan menurun bila variasi rendah. Berikut rumus kontras:

� = ∑ ∑ −

� ,

(2.1)

2. Homogenitas (Homogenity)

Homogenitas digunakan untuk mengukur kehomogenan variasi intensitas citra. Nilai homogenitas akan semakin membesar bila variasi intensitas dalam citra mengecil.

�

�

� = ∑ ∑

�� ,_{+| − |} (2.2) 3. Energi (Energy)

Energi adalah fitur untuk mengukur konsentrasi pasangan intensitas pada matriks kookurensi. Nilai energi akan semakin membesar bila pasangan piksel yang memenuhi syarat matriks intensitas kookurensi terkosentrasi pada beberapa koordinat dan mengecil bila letaknya menyebar. Berikut rumus energi:

�

� = ∑ ∑ �

�

,

(2.3)

4. Entropi (entropy)

Entropi menunjukan ketidakteraturan distribusi intensitas suatu citra. Berikut rumus entropi:

�

= − ∑ ∑ � , log �

,

(2.4)

2.7 Metode Run-Length

Metode Run-Length menggunakan distribusi suatu pixel dengan intensitas yang sama secara berurutan dalam satu arah tertentu sebagai primitifnya. Masing – masing primitif didefinisikan atas panjang, arah, dan level keabuan. Panjang dari primitif tekstur pada arah yang berbeda dapat digunakan intuk menggambarkan suatu tekstur.

Analisis metode Run-Length ini digunakan untuk membedakan citra halus dan citra kasar. Tekstur kasar menunjukan banyaknya pixel tetangga yang memiliki intensitas yang sama sedangkan tekstur halus menunjukan sedikit pixel tetangga yang menunjukan intensitas yang sama.

Untuk melakukan ekstraksi ciri dengan menggunakan metode Run-Length, citra aras keabuan dengan matriks f(x,y) harus ditransformasikan terlebih dahulu kedalam matriks graylevel Run-Length (GLRL), B(a,r).

Elemen matriks dari GLRL B(a,r) menghitung banyaknya primitif (run) dengan panjang r dan level keabuan a. Jumlah dari primitif (run) dapat diperoleh dengan persamaan berikut:

(2.5) Dengan: L : Banyaknya level keabuan citra

Nr : Panjang maksimal dari primitif K : Jumlah run

M,N : Dimensi citra

Adapun ciri dari tekstur dapat diperoleh dari persamaan – persamaan berikut ini : 1. Short Run Emphasis (SRE)

SRE mengukur distribusi short run. SRE sangat tergantung pada banyaknya short run dan diharapkan bernilai besar pada tekstur halus.

(2.6) 2. Long Run Emphasis (LRE)

LRE mengukur distribusi long run. LRE sangat bergantung pada banyaknya long run da diharapkan bernilai besar pada tekstur kasar.

(2.7) 3. Gray Level Uniformity (GLU)

GLU mengukur persamaan nilai derajat keabuan seluruh citra dan diharapkan bernilai kecil jika nilai derajat keabuan serupa diseluruh citra.

(2.8) 4. Run Length Uniformity (RLU)

RLU mengukur persamaan panjangnya run diseluruh citra dan diharapkan bernilai kecil jika panjangnya run serupa diseluruh citra.

(2.9) 5. Run Percentage (RPC)

RPC mengukur keserbasaman dan distribusi run dari sebuah citra pada arah tertentu. RPC bernilai paling besar jika panjangnya run adalah 1 untuk semua derajat keabuan pada arah tertentu.

(2.10) 2.8 K-Mean

Data Clustering merupakan salah satu metode Data Mining yang bersifat tanpa arahan (unsupervised). Ada dua jenis data clustering yang sering dipergunakan dalam proses pengelompokan data yaitu hierarchical (hirarki) data clustering dan

non-hierarchical (non-hirarki) data clustering. K-Means merupakan salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih cluster/kelompok. Metode ini mempartisi data ke dalam cluster/kelompok sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam kelompok yang lain. Adapun tujuan dari data clustering ini adalah untuk meminimalisasikan objective function

yang diset dalam proses clustering, yang pada umumnya berusaha meminimalisasikan variasi di dalam suatu cluster dan memaksimalisasikan variasi antar cluster.

Data clustering menggunakan metode K-Means ini secara umum dilakukan dengan algoritma dasar sebagai berikut:

1. Menentukan pusat cluster

Pusat cluster digunakan untuk menentukan jarak data mana yang lebih dekat dan untuk mengelompokan data dalam cluster.

2. Menghitung jarak data pada pusat cluster

Menghitung jarak pada pusat cluster dilakukan untuk mendapatkan jarak antara data pada pusat cluster yang terdekat. Berikut rumus perhitungan jarak data pada pusat cluster:

(2.11)

3. Pengelompokan data

Pengelompokan data dilakukan dengan merubah jarak menjadi 0 dan 1. Hal ini dilakukan dengan cara merubah jarak terdekat menjadi nilai 1 dan jarak terjauh menjadi nilai 0.

4. Penentuan pusat cluster baru

Penentuan pusat cluster baru digunakan untuk menguji data yang dihasilkan tetap dan tidak berpindah pada pusat cluster lain. Penentuan pusat cluster baru dilakukan dengan cara membagi pusat cluster awal dengan jumlah anggotanya. 5. Pengulangan langkah kedua

Pengulangan langkah kedua dilakukan untuk memastikan posisi data tidak mengalami perubahan atau perpindahan pada cluster lain.

2.8 K-Fold Cross validation

Dalam machine learning weka, pengujian keakurasian dapat dilakukan dengan 3 tipe pengujian, yaitu

1. Training set test 2. Supplied set test 3. K-fold cross validation

1. Training set test

Metode pengujian menggunakan data yang telah di training, dengan kata lain, data training dan data uji adalah data yang sama

2. Supplied set test

Metode pengujian menggunakan data yang berbeda, dengan kata lain, data training berbeda dengan data yang akan diujikan

3. K-fold cross validation

Cross Validation merupakan salah satu teknik untuk menilai/memvalidasi keakuratan sebuah model yang dibangun berdasarkan dataset tertentu. Pembuatan model biasanya bertujuan untuk melakukan prediksi maupun klasifikasi terhadap suatu data baru yang boleh jadi belum pernah muncul di dalam dataset. Data yang digunakan dalam proses pembangunan model disebut data latih/training, sedangkan data yang akan digunakan untuk memvalidasi model disebut sebagai data test.

2.9 OOP (Object Oriented Programming)

Metodologi berorientasi objek adalah suatu strategi pembangunan perangkat lunak yang mengorganisasikan perangkat lunak sebagai kumpulan objek yang berisi data dan operasi yang diberlakukan terhadapnya. Metodologi berorientasi objek merupakan suatu cara bagaimana sistem perangkat lunak dibangun melaluipendekatan objek secara sistematis. Metode berorientasi objek didasarkan pada penerapan prinsip-prinsip pengelolaan kompleksitas. Metode berorientasi onjek meliputi rangkaian aktivitas analisis berorientasi objek, perancangan berorientasi objek, pemrograman berorientasi objek, dan pengujian berorientasi objek.

Pada saat ini, metode berorientasi objek banyak dipilih karena metodologi lama banyak menimbulkan masalah seperti adanya kesulitan pada saat mentransformasi hasil dari satu tahap pengembangan ke tahap berikutnya, misalnya pada metode pendekatan terstruktur, jenis aplikasi yang dikembangkan saat ini berbeda dengan masa lalu. Aplikasi yang dikembangkan saat ini sangat beragam (aplikasi bisnis,

real-time, utility, dan sebagainya) dengan platform yang berbeda-beda, sehingga menimbulkan tuntutan kebutuhan metodologi pengembangan yang dapat mengakomodasi ke semua jenis aplikasi tersebut.

Keuntungan menggunakan metodologi berorientasi objek adalah sebagai berikut:

a. Meningkatkan produktivitas

Karena kelas dan objek yang ditemukan dalam suatu masalahmasih dapat dipakai ulang untuk masalah lainnya yang melibatkan objek tersebut (reusable).

b. Kecepatan pengembangan

Karena sistem yang dibangun dengan baik dan benar pada saat analisis dan perancangan akan menyebabkan berkurangnya kesalahan pada saat pengkodean. c. Kemudahan pemeliharaan

Karena dengan model objek, pola-pola yang cenderung tetap dan stabil dapat dipisahkan dan pola-pola yang mungkin sering diubah-ubah.

d. Adanya konsistensi

Karena sifat pewarisan dan penggunaan notasi yang sama pada saat analisis, perancangan maupun pengkodean.

e. Meningkatkan kualitas perangkat lunak

Karena adanya pendekatan pengembangan lebih dekat dengan dunia nyata dan adanya konsistensi pada saat pengambangannya, perangkat lunak yang dihasilkan akan mampu memenuhi kebutuhan pemakai serta mempunyai sedikit kesalahan.

Berikut beberapa contoh bahasa pemrograman yang mendukung pemrograman berorientasi objek :

a. Smalltalk

Smalltalk merupakan salah satu bahasa pemrograman yang dikembangkan untuk mendukung pemrograman berorientasi objek.

b. Bahasa Pemrograman Eiffel

Eiffel merupakan bahasa pemrograman yang dikembangkan untuk mendukung pemrograman berorientasi objek mulai tahun 1985 oleh Bertrand Meyer dan

compiler Eiffel selesai pada tahun 1987. c. Bahasa Pemrograman C++

C++ merupakan pengembangan lebih lanjut bahasa pemrograman C untuk mendukung pemrograman berorientasi objek.

d. Bahasa Pemrograman (web) PHP

PHP dibuat pertama kali oleh seorang perekayasa perangkat (software engineering) yang bernama Rasmus Lerdoff.

e. Bahasa Pemrograman Java

Java dikembangkan oleh perusahaan Sun Microsystem. Java menurut definisi dari Sun Microsystem adalah nama untuk sekumpulan teknologi untuk membuat dan menjalankan perangkat lunak pada komputer standalone ataupun pada lingkungan jaringan.

2.10 UML (Unified Modeling Language)

Unified Modelling Language (UML) adalah sekumpulan spesifikasi yang dikeluarkan oleh OMG. UML terbaru adalah UML 2.3 yang terdiri dari 4 macam spesifikasi, yaitu Diagram Interchange Specification, UML, Infrastructure, UML Superstructure, dan Object Constraint Language (OCL). Pada UML 2.3 terdisi 13 macam diagram yang dikelompokkan pada 3 kategori, yaitu :

A. Structure Diagram, yaitu kumpulan diagram yang digunakan untuk menggambarkan suatu struktur statis dari sistem yang dimodelkan.

1. Diagram Kelas

Diagram kelas menggambarkan struktur sistem dari segi pendefinisian kelas-kelas yang akan dibuat untuk membangun sistem. Kelas memiliki apa yang disebut attribut dan metode atau operasi.

Diagram objek menggambarkan struktur sistem dari segi penamaan objek dan jalannya objek dalam sistem.

3. Diagram Komponen

Diagram komponen dibuat untuk menunjukan organisasi dan ketergantungan diantara kumpulan komponen dalam sebuah sistem.

4. Composite Structure Diagram

Composite structure diagram baru mulai ada pada UML versi 2.0. Diagram ini dapat digunakan untuk menggambarkan struktur dari bagian-bagian yang saling terhubung maupun mendeskripsikan struktur pada saat berjalan (runtime).

5. PackageDiagram

Packagediagram menyediakan cara mengumpulkan elemen-elemen yang saling terkait dalam diagram UML. Hampir semua diagram dalam UML dapat dikelompokkan menggunakan package diagram.

6. DeploymentDiagram

Deployment menunjukan konfigurasi komponen dalam proses eksekusi aplikasi. B. BehaviorDiagram, yaitu kumpulan diagram yang digunakan untuk

menggambarkan kelakuan sistem atau rangkaian perubahan yang terjadi pada sebuah sistem.

1. Use Case Diagram

Use case diagram merupakan pemodelan untuk kelakuan (behavior) sistem informasi yang akan dibuat. Use case mendeskripsikan sebuah interaksi antara satu atau lebih aktor dengan sistem informasi yang akan dibuat.

2. Activity Diagram

Activity diagram menggambarkan workflow atau aktivitas dari sebuah sistem atau proses bisnis atau menu yang ada pada perangkat lunak.

3. State Machine Diagram

State machine diagram digunakan untuk menggambarkan perubahan status atau transisi status dari sebuah mesin atau sistem atau objek.

C. Interactions Diagram, yaitu kumpulan diagram yang digunakan untuk menggambarkan interaksi antar subsistem pada suatu sistem.

1. Sequence Diagram

Sequence diagram menggambarkan kelakuan objek pada use case dengan mendeskripsikan waktu hidup objek dan message yang dikirimkan dan diterima antar objek.

2. Communication Diagram

Communication Diagram menggambarkan interaksi antar objek/bagian dalam bentuk urutan pengiriman pesan. Diagram komunikasi merepresentasikan informasi yang diperoleh dari diagram kelas, diagram sekuen, dan diagram use case untuk mendeskripsikan gabungan antara struktur statis dan tingkah laku dinamis dari suatu sistem.

3. Timing Diagram

Timing diagram merupakan diagram yang fokus pada penggambaran terkait batasan waktu.

4. Interaction Overview Diagram

Interaction overview diagram mirip dengan diagram aktivitas yang berfungsi untuk menggambarkan sekumpulan urutan aktivitas, diagram ini adalah bentuk aktivitas diagram yang setiap titik merepresentasikan diagram interaksi.

71

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.

4.1.1 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 Core i5 2.6 GHz

2 Monitor 14.1”

3 Memori 2Gb

4.1.2 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 Windows 8.0

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 Implementasi class

No Nama Class Nama File

1 MAIN main.cs

2 PENGOLAHANCITRA Pengolahan_citra.cs

4.1.4 Implementasi Antarmuka

Implementasi antarmuka dilakukan untuk setiap tampilan program yang telah dirancang. Berikut ini adalah implementasi antarmuka:

4.1.4.1 Implementasi Antarmuka Pengolahan Citra

Berikut tampilan antarmuka pengolahan citra dapat dilihat pada gambar 4.1.

Gambar 4.1 Tampilan Antarmuka Pengolahan Citra

4.1.4.2 Implementasi Antarmuka Pelatihan K-Mean

Gambar 4.2 Tampilan antarmuka pelatihan 4.1.4.3 Implementasi Antarmuka Pengujian K-Mean

Berikut tampilan antarmuka pengolahan citra dapat dilihat pada gambar 4.3.

4.2 Skenario pengujian

Pada penelitian ini, Pengujian dilakukan dengan menggunakan 3 metode. Berikut adalah pengujian yang akan dilakukan :

1. Menguji citra yang termasuk dalam basis data (training set test).

Pengujian metode ini dilakukan dengan menguji citra yang termasuk dalam basis data, pengujian ini bertujuan untuk mengetahui tingkat pengenalan terhadap citra yang sudah dilatih, data citra yang digunakan ada 160 buah citra yang terdiri dari 4 kelas, dengan masing masing kelas terdapat 40 citra. 2. Menguji citra yang tidak termasuk dalam basis data (supplied set test).

Pengujian dengan metode 2 dilakukan dengan menguji citra yang tidak termasuk dalam basis data, pengujian ini bertujuan untuk mengetahui tingkat pengenalan citra uji diluar basis data terhadap citra latih yang ada dalam basis data. data citra latih yang digunakan ada 80 buah citra yang terdiri dari 4 kelas, dengan masing masing kelas terdapat 20 citra. Dan juga data citra uji yang digunakan ada 80 buah citra yang terdiri dari 4 kelas, dengan masing masing kelas terdapat 20 citra.

3. Menguji citra dengan menggunakan metode k-fold cross validation.

Pengujian dengan nilai k-fold 2 adalah pengujian sebanyak 2 kali putaran, artinya dataset dibagi menjadi 2 sama banyak, di penelitian ini data yang digunakan sebanyak 120 data, dan akan dibagi 2, yaitu data A1 = 80 dan data A2 = 80, pengujian dilakukan sebanyak nilai k yang digunakan, pengujian 1 = data A1 sebagai data latih dan data A2 sebagai data uji. Pengujian 2 adalah sebaliknya, data A1 = sebagai data uji dan data A2 sebagai data latih. Pengujian dengan nilai k-fold 4 adalah pengujian sebanyak 4 kali putaran, artinya dataset dibagi menjadi 4 sama banyak, di penelitian ini data yang digunakan sebanyak 160 data, dan akan dibagi 4, yaitu data A1 = 40, data A2 =40, data A3 = 40 dan data A4 = 40, pengujian dilakukan sebanyak nilai k yang digunakan, pengujian 1 = data A1 sebagai data uji dan data A2, A3, A4

sebagai data latih. Pengujian 2 = data A2 sebagai data uji dan data A1, A3, A4 sebagai data latih. Pengujian 3 = data A3 sebagai data uji dan data A1, A2, A4 sebagai data latih. Pengujian 4 = data A4 sebagai data uji dan data A1, A2, A3 sebagai data latih.

4.2.1 Pengujian Co-Occurrence

Berikut merupakan tahapan tahapan pada metode co-occurrence dengan metode klasifikasi k-mean.

4.2.1.1 Pengujian dengan metode 1 Menguji citra yang termasuk dalam basis data

Pengujian metode 1 dilakukan dengan menguji citra yang termasuk dalam basis data, pengujian ini bertujuan untuk mengetahui tingkat pengenalan terhadap citra yang sudah dilatih, data citra yang digunakan ada 160 buah citra yang terdiri dari 4 kelas, dengan masing masing kelas terdapat 40 citra.

Data latih yang digunakan ada di lampiran Hasil Pengujian metode 1.

Tabel 4. 4 confusion matrix pengujian metode 1

Kelas

Prediksi

Kayu Logam Pasir Beras Jumlah Citra

Target

Kayu 40 0 0 0 40 100%

Logam 0 39 1 0 40 97,5%

Pasir 0 0 40 0 40 100%

Beras 0 0 0 40 40 100%

Rata-rata akurasi 99,17%

4.2.1.2 Pengujian dengan metode 2 Menguji citra yang tidak termasuk dalam basis data

Pengujian dengan metode 2 dilakukan dengan menguji citra yang tidak termasuk dalam basis data, pengujian ini bertujuan untuk mengetahui tingkat pengenalan citra uji diluar basis data terhadap citra latih yang ada dalam basis data. data citra latih yang digunakan ada 80 buah citra yang terdiri dari 4 kelas, dengan masing masing kelas terdapat 20 citra. Dan juga data citra uji yang digunakan ada 80 buah citra yang terdiri dari 4 kelas, dengan masing masing kelas terdapat 20 citra. Data latih di lampiran.

Hasil Pengujian menggunakan metode pengujian 2.

Tabel 4. 5 confusion matrix pengujian dengan metode 2

Kelas

Prediksi

Kayu Logam Pasir Beras Jumlah Citra

Target

Kayu 16 1 3 0 20 80%

Logam 0 17 3 0 20 85%

Pasir 4 1 14 1 20 75%

Beras 1 0 1 18 20 90%

Rata-Rata akurasi 83,5%

Rata- rata waktu eksekusi 0,8s

4.2.1.3 Pengujian dengan menggunakan metode 3 Menguji citra dengan menggunakan metode k-fold cross validation.

Data latih dan ada di lampiran

4.2.1.3.1 Pengujian dengan Nilai k-fold yang digunakan adalah 2

Pengujian dengan nilai k-fold 2 adalah pengujian sebanyak 2 kali putaran, artinya dataset dibagi menjadi 2 sama banyak, di penelitian ini data yang digunakan

sebanyak 120 data, dan akan dibagi 2, yaitu data A1 = 80 dan data A2 = 80, pengujian dilakukan sebanyak nilai k yang digunakan, pengujian 1 = data A1 sebagai data latih dan data A2 sebagai data uji. Pengujian 2 adalah sebaliknya, data A1 = sebagai data uji dan data A2 sebagai data latih.

Tabel 4. 6 Confusion matrix Pengujian 1 dengan A1 sebagai data uji

Kelas

Prediksi

Akurasi Kayu Logam Pasir Beras Jumlah

Citra

Target

Kayu 18 1 1 0 20 90%

Logam 1 16 3 0 20 80%

Pasir 4 0 16 0 20 80%

Beras 1 2 1 16 20 80%

Rata-Rata 83.5%

Tabel 4. 7 Confusion matrix Pengujian 2 dengan data A2 sebagai data uji

Kelas

Prediksi

Akurasi Kayu Logam Pasir Beras Jumlah

Citra

Target

Kayu 19 0 1 0 20 95%

Logam 1 18 1 0 20 90%

Pasir 2 1 17 0 20 85%

Beras 0 0 2 18 20 90%

Tabel 4.8 Confusion matrix rata rata hasil pengujian

Kelas

Prediksi

Kayu Logam Pasir Beras Jumlah Citra

Target

Kayu 18 1 1 0 20 90%

Logam 1 18 1 0 20 90%

Pasir 2 1 17 0 20 85%

Beras 0 1 1 18 20 90%

Rata-Rata akurasi 86,7%

Rata-rata waktu eksekusi 0.7s

4.2.1.3.2 Pengujian dengan Nilai k-fold yang digunakan adalah 4

Pengujian dengan nilai k-fold 4 adalah pengujian sebanyak 4 kali putaran, artinya dataset dibagi menjadi 4 sama banyak, di penelitian ini data yang digunakan sebanyak 160 data, dan akan dibagi 4, yaitu data A1 = 40, data A2 =40, data A3 = 40 dan data A4 = 40, pengujian dilakukan sebanyak nilai k yang digunakan, pengujian 1 = data A1 sebagai data uji dan data A2, A3, A4 sebagai data latih. Pengujian 2 = data A2 sebagai data uji dan data A1, A3, A4 sebagai data latih.

pengujian 3 = data A3 sebagai data uji dan data A1, A2, A4 sebagai data latih. Pengujian 4 = data A4 sebagai data uji dan data A1, A2, A3 sebagai data latih.

Tabel 4.9 Confusion matrix Pengujian 1 dengan data A1 sebagai data uji

Kelas

Prediksi

Akurasi Kayu Logam Pasir Beras Jumlah

Citra

Target

Kayu 7 1 2 0 10 70%

Logam 0 9 1 0 10 90%

Pasir 2 1 7 0 10 70%

Beras 0 1 1 8 10 80%

Rata-Rata 76,7%

Tabel 4.10 Confusion matrix Pengujian 2 dengan data A2 sebagai data uji

Kelas

Prediksi

Akurasi Kayu Logam Pasir Beras Jumlah

Citra

Target

Kayu 8 0 2 0 10 80%

Logam 0 9 1 0 10 90%

Pasir 0 0 10 0 10 100%

Beras 0 1 1 8 10 80%

Tabel 4.11 Confusion matrix Pengujian 3 dengan data A3 sebagai data uji

Kelas

Prediksi

Akurasi Kayu Logam Pasir Beras Jumlah

Citra

Target

Kayu 9 0 1 0 10 90%

Logam 1 8 1 0 10 80%

Pasir 2 0 8 0 10 80%

Beras 0 1 0 9 10 90%

Rata-Rata 83,4%

Tabel 4.12 Confusion matrix Pengujian 4 dengan data A4 sebagai data uji

Kelas

Prediksi

Akurasi Kayu Logam Pasir Beras Jumlah

Citra

Target

Kayu 10 0 0 0 10 100%

Logam 0 9 1 0 10 90%

Pasir 1 0 9 0 10 90%

Beras 0 0 0 10 10 100%

Tabel 4.13 Confusion matrix rata rata hasil pengujian

Kelas

Prediksi

Kayu Logam Pasir Beras Jumlah Citra

Target

Kayu 8 0 2 0 10 80%

Logam 0 9 1 0 10 90%

Pasir 2 0 8 0 10 80%

Beras 0 0 2 8 10 80%

Rata-Rata akurasi 83,4%

Rata-rata waktu eksekusi 0,8s

4.2.2 Pengujian Run-Length

Berikut merupakan tahapan tahapan pada metode Run-Length dengan metode klasifikasi k-mean.

4.2.2.1 Pengujian dengan metode 1 Menguji citra yang termasuk dalam basis data

Pengujian metode 1 dilakukan dengan menguji citra yang termasuk dalam basis data, pengujian ini bertujuan untuk mengetahui tingkat pengenalan terhadap citra yang sudah dilatih, data citra yang digunakan ada 160 buah citra yang terdiri dari 4 kelas, dengan masing masing kelas terdapat 40 citra.

Data latih yang digunakan ada di lampiran Hasil Pengujian metode 1.

Tabel 4.14 confusion matrix pengujian metode 1

Kelas

Prediksi

Akurasi Kayu Logam Pasir Beras Jumlah

Citra

Target

Kayu 40 0 0 0 40 100%

Logam 0 40 0 0 40 100%

Pasir 1 0 39 0 40 97,5%

Beras 0 0 0 40 40 100%

Rata-Rata akurasi 99,17%

Rata-rata waktu eksekusi 0,6s

4.2.2.2 Pengujian dengan metode 2 Menguji citra yang tidak termasuk dalam basis data

Pengujian dengan metode 2 dilakukan dengan menguji citra yang tidak termasuk dalam basis data, pengujian ini bertujuan untuk mengetahui tingkat pengenalan citra uji diluar basis data terhadap citra latih yang ada dalam basis data. data citra latih yang digunakan ada 80 buah citra yang terdiri dari 4 kelas, dengan masing masing kelas terdapat 20 citra. Dan juga data citra uji yang digunakan ada 80 buah citra yang terdiri dari 4 kelas, dengan masing masing kelas terdapat 20 citra. Data latih ada di lampiran.

Tabel 4.15 confusion matrix pengujian dengan metode 2

Kelas

Prediksi

Kayu Logam Pasir Beras Jumlah Citra

Target

Kayu 16 1 2 1 20 80%

Logam 1 18 1 0 20 90%

Pasir 2 1 16 1 20 80%

Beras 2 1 1 16 20 80%

Rata-Rata eksekusi 82,3%

Rata-rata waktu eksekusi 0,8s

4.2.2.3 Pengujian dengan menggunakan metode 3 Menguji citra dengan menggunakan metode k-fold cross validation.

Data latih ada di lampiran

4.2.2.3.1 Pengujian dengan Nilai k-fold yang digunakan adalah 2

Pengujian dengan nilai k-fold 2 adalah pengujian sebanyak 2 kali putaran, artinya dataset dibagi menjadi 2 sama banyak, di penelitian ini data yang digunakan sebanyak 160 data, dan akan dibagi 2, yaitu data A1 = 80 dan data A2 = 80, pengujian dilakukan sebanyak nilai k yang digunakan, pengujian 1 = data A1 sebagai data latih dan data A2 sebagai data uji. Pengujian 2 adalah sebaliknya, data A1 = sebagai data uji dan data A2 sebagai data latih.

Tabel 4.16 Confusion matrix Pengujian 1 dengan A1 sebagai data uji

Kelas

Prediksi

Akurasi Kayu Logam Pasir Beras Jumlah

Citra

Target

Kayu 18 0 2 0 20 90%

Logam 1 16 3 0 20 80%

Pasir 1 1 18 0 20 90%

Beras 0 0 2 18 20 90%

Rata-Rata 83,4%

Tabel 4.17 Confusion matrix Pengujian 2 dengan data A2 sebagai data uji

Kelas

Prediksi

Akurasi Kayu Logam Pasir Beras Jumlah

Citra

Target

Kayu 20 0 0 0 20 100%

Logam 0 18 2 0 20 90%

Pasir 2 0 18 0 20 90%

Beras 0 0 0 20 100%

Tabel 4.18 Confusion matrix rata rata hasil pengujian

Kelas

Prediksi

Kayu Logam Pasir Beras Jumlah Citra

Target

Kayu 19 0 1 0 20 95%

Logam 1 17 2 0 20 85%

Pasir 1 1 18 0 20 90%

Beras 0 0 2 18 20 90%

Rata-Rata 90%

Rata-rata waktu eksekusi 0,8s

4.2.2.3.2 Pengujian dengan Nilai k-fold yang digunakan adalah 4

Pengujian dengan nilai k-fold 4 adalah pengujian sebanyak 4 kali putaran, artinya dataset dibagi menjadi 4 sama banyak, di penelitian ini data yang digunakan sebanyak 160 data, dan akan dibagi 4, yaitu data A1 = 40, data A2 =40, data A3 = 40 dan data A4 = 40, pengujian dilakukan sebanyak nilai k yang digunakan, pengujian 1 = data A1 sebagai data uji dan data A2, A3, A4 sebagai data latih. Pengujian 2 = data A2 sebagai data uji dan data A1, A3, A4 sebagai data latih.

pengujian 3 = data A3 sebagai data uji dan data A1, A2, A4 sebagai data latih. Pengujian 4 = data A4 sebagai data uji dan data A1, A2, A3 sebagai data latih.

Tabel 4.19 Confusion matrix Pengujian 1 dengan data A1 sebagai data uji

Kelas

Prediksi

Akurasi Kayu Logam Pasir Beras Jumlah

Citra

Target

Kayu 10 0 0 0 10 100%

Logam 0 9 1 0 10 90%

Pasir 2 0 8 0 10 90%

Beras 0 0 0 10 10 100%

Rata-Rata 93,4%

Tabel 4.20 Confusion matrix Pengujian 2 dengan data A2 sebagai data uji

Kelas

Prediksi

Akurasi Kayu Logam Pasir Beras Jumlah

Citra

Target

Kayu 8 0 2 0 10 80%

Logam 0 9 1 0 10 90%

Pasir 2 0 8 0 10 80%

Beras 0 0 2 8 10 80%

Tabel 4.21 Confusion matrix Pengujian 3 dengan data A3 sebagai data uji

Kelas

Prediksi

Akurasi Kayu Logam Pasir Beras Jumlah

Citra

Target

Kayu 9 0 1 0 10 90%

Logam 1 8 1 0 10 80%

Pasir 0 0 10 0 10 100%

Beras 0 0 1 9 10 90%

Rata-Rata 90%

Tabel 4.22 Confusion matrix Pengujian 4 dengan data A4 sebagai data uji

Kelas

Prediksi

Akurasi Kayu Logam Pasir Beras Jumlah

Citra

Target

Kayu 8 1 1 0 10 80%

Logam 1 9 0 0 10 90%

Pasir 2 0 8 0 10 80%

Beras 0 1 0 9 10 90%

Tabel 4.23 Confusion matrix rata rata hasil pengujian

Kelas

Prediksi

Kayu Logam Pasir Beras Jumlah Citra

Target

Kayu 8 0 2 0 10 80%

Logam 1 8 1 0 10 80%

Pasir 2 0 8 0 10 80%

Beras 0 1 1 8 10 80%

Rata-Rata akurasi 80%

Rata-rata waktu eksekusi 0.6s

Tabel 4.24 Rata Rata persentase akurasi

Pengujian Co-Occurrence Run-Length

Training set test 99% 99%

Supplied set test 80% 82%

k-fold 2 83,4% 90%

Gambar 4.4 Grafik perbandingan akurasi Tabel 4.25 Rata Rata waktu eksekusi

Pengujian Co-Occurrence Run-Length

Training set test 0,6 sec 0,6 sec

Supplied set test 0,8 sec 0,8 sec

k-fold 2 0,7 sec 0,8 sec

k-fold 4 0,8 sec 0.6 sec

0% 20% 40% 60% 80% 100% 120%

training set test supplied set test k-fold 2 k-fold 4

GLCM RL

Gambar 4.5 Grafik perbandingan waktu eksekusi 4.3 Kesimpulan Pengujian

Pada pengujian metode co-occurrence, berdasarkan hasil skenario pengujian 1 yaitu data uji yang sama dengan data latih, bahwa metode metode co-occurrence dengan metode k-mean dapat mengklasifikasi dengan akurasi sebesar 99%. Berdasarkan skenario 2 yaitu pengujian data uji yang tidak terdapat dalam data latih metode co-occurrence dengan metode k-mean dapat mengklasifikasi dengan akurasi sebesar 80%.

Berdasarkan skenario 3 yaitu pengujian dengan menggunakan metode k-fold cross validation, metode co-occurrence dengan metode k-mean dapat mengklasifikasi dengan rata rata akurasi sebesar 83,4% dengan nilai k = 2 dan 86,3% dengan nilai k = 4. Waktu eksekusi yang digunakan dalam melakukan pengujian sebuah data, rata rata waktu yang diperlukan adalah 0,7 detik.

Pada pengujian metode run-length, berdasarkan hasil skenario pengujian 1 yaitu data uji yang sama dengan data latih, bahwa metode run-length dengan metode k-mean dapat mengklasifikasi dengan akurasi sebesar 99%. Berdasarkan skenario 2

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9

Training set test Supplied set test k-fold 2 k-fold 4

GLCM RL

yaitu data uji yang tidak terdapat dalam data latih metode run-length dengan metode k-mean dapat mengklasifikasi sebesar 82%.

Berdasarkan skenario 3 yaitu pengujian dengan menggunakan metode k-fold cross validation, metode run-length dengan metode k-mean dapat mengklasifikasi dengan rata rata akurasi sebesar 90% dengan nilai k = 2 dan 80% dengan nilai k = 4. Waktu eksekusi yang digunakan dalam melakukan pengujian sebuah data, rata rata waktu yang diperlukan adalah 0,7 detik.

Berdasarkan pengujian dengan skenario 1,2 dan 3 didapatkan bahwa metode co-occurrence dan metode run-length sama sama baik dalam mengenali citra kayu, pasir, logam dan beras.

93

Berdasarkan penelitian yang dilakukan maka dapat ditarik kesimpulan sebagai berikut :

1. Metode ekstraksi ciri co-occurrence dan metode run-length memiliki pengaruh dalam hasil klasifikasi yang dilakukan dengan metode k-mean, hal ini terlihat dari tingkat akurasi dan waktu yang diperlukan. Metode co-occurrence memiliki rata – rata akurasi sebesar 87% dengan rata – rata waktu eksekusi 0,7 s sedangkan metode run-length memiliki rata – rata akurasi sebesar sebesar 87,5% dengan rata – rata waktu eksekusi 0,7 s.

2. Berdasarkan pengujian didapatkan bahwa metode co-occurrence dan metode run-length sama sama baik dalam mengenali citra kayu, pasir, logam dan beras

5.2 Saran

Dalam pembuatan tugas akhir ini masih terdapat banyak kekurangan, maka terdapat beberapa saran yang dapat diberikan yaitu Melakukan penelitian dengan pengembangan yaitu menambahkan proses validasi terhadap citra yang tidak teridentifikasi

TTL : Wonogiri, 13 September 1993

Alamat : Jl. Pasir Impun Gg. Winata RT 05 RW 04 No 80

Kel. Pasir Impun Kec. Mandalajati

Bandung, Jawa Barat

No. Handphone : 085250833228

Email : hirdanrivan@gmail.com

RIWAYAT PEDIDIKAN

1998-2004 : SDN Pasir Impun 1 Bandung 2004-2007 : SMPN 10 Samarinda

2007-2010 : SMAN 8 Samarinda

Saya yang bertanda tangan di bawah ini:

Nama : Rivan Rahmadditya Hirdan NIM : 10110494

Judul Skripsi : PERBANDINGAN METODE RUN-LENGTH DAN CO-OCCURRENCE UNTUK EKSTRAKSI CIRI DENGAN METODE K-MEAN DALAM MENGENALI CITRA BERDASARKAN TEKSTUR

Menyatakan bahwa saya tidak melakukan tindakan meniru, menyalin atau menjiplak skripsi atau karya ilmiah yang telah ada. Apabila saya terbukti melakukan tindakan tersebut, maka saya bersedia untuk menerima sanksi yang diberikan sesuai dengan ketentuan yang ditetapkan dan berlaku di Program Studi Teknik Informatika Universitas Komputer Indonesia.

Mengetahui, Yang memberi pertnyataan

Materai

6000

Rivan Rahmadditya Hirdan

93

BAB 5

KESIMPULAN DAN SARAN 5.1 Kesimpulan

Berdasarkan penelitian yang dilakukan maka dapat ditarik kesimpulan sebagai berikut :

1. Metode ekstraksi ciri co-occurrence dan metode run-length memiliki pengaruh dalam hasil klasifikasi yang dilakukan dengan metode k-mean, hal ini terlihat dari tingkat akurasi dan waktu yang diperlukan. Metode co-occurrence memiliki rata – rata akurasi sebesar 87% dengan rata – rata waktu eksekusi 0,7 s sedangkan metode run-length memiliki rata – rata akurasi sebesar sebesar 87,5% dengan rata – rata waktu eksekusi 0,7 s.

2. Berdasarkan pengujian didapatkan bahwa metode co-occurrence dan metode run-length sama sama baik dalam mengenali citra kayu, pasir, logam dan beras

5.2 Saran

Dalam pembuatan tugas akhir ini masih terdapat banyak kekurangan, maka terdapat beberapa saran yang dapat diberikan yaitu Melakukan penelitian dengan pengembangan yaitu menambahkan proses validasi terhadap citra yang tidak teridentifikasi

RIWAYAT HIDUP

Nama : Rivan Rahmadditya Hirdan

TTL : Wonogiri, 13 September 1993

Alamat : Jl. Pasir Impun Gg. Winata RT 05 RW 04 No 80

Kel. Pasir Impun Kec. Mandalajati

Bandung, Jawa Barat

No. Handphone : 085250833228

Email : hirdanrivan@gmail.com

RIWAYAT PEDIDIKAN

1998-2004 : SDN Pasir Impun 1 Bandung 2004-2007 : SMPN 10 Samarinda

2007-2010 : SMAN 8 Samarinda

SURAT PERNYATAAN TIDAK PLAGIAT

Bandung, 19 Agustus 2015

Saya yang bertanda tangan di bawah ini:

Nama : Rivan Rahmadditya Hirdan NIM : 10110494

Judul Skripsi : PERBANDINGAN METODE RUN-LENGTH DAN CO-OCCURRENCE UNTUK EKSTRAKSI CIRI DENGAN METODE K-MEAN DALAM MENGENALI CITRA BERDASARKAN TEKSTUR

Menyatakan bahwa saya tidak melakukan tindakan meniru, menyalin atau menjiplak skripsi atau karya ilmiah yang telah ada. Apabila saya terbukti melakukan tindakan tersebut, maka saya bersedia untuk menerima sanksi yang diberikan sesuai dengan ketentuan yang ditetapkan dan berlaku di Program Studi Teknik Informatika Universitas Komputer Indonesia.

Mengetahui, Yang memberi pertnyataan

Materai

6000

Rivan Rahmadditya Hirdan