IDENTIFIKASI JENIS MANGGA BERDASARKAN WA
IDENTIFIKASI JENIS MANGGA BERDASARKAN WARNA DAN
BENTUK DAUN MENGGUNAKAN METODE ANN VOTED
PERCEPTRON
Nur Hidayatullah
Teknik Informatika, Fakultas Teknik , Universitas Bhayangkara Surabaya,
Surabaya, Indonesia
Email : kematjaya0@gmail.com
ABSTRAK
Bagi sebagian masyarakat, membedakan jenis bibit mangga merupakan hal yang sulit
dilakukan mengingat bentuk daun dan fisik tanaman yang hampir sama. Masyarakat baru bisa
mengenali jenis mangga ketika mangga sudah berbuah dan itu masih harus menunggu minimal 6 bulan
untuk berbuah. Voted Perceptron adalah salah satu metode klasifikasi linier yang arsitekturnya
menggunakan layer input dan layer output dengan nilai vektor bobot tertentu untuk memaksimalkan
margin antara dua kelas data. Penelitian ini menggunakan nilai Mean, momen nth, dan standart deviasi
dari fitur warna green serta nilai compactness dan circularity untuk deskripsi bentuk dari citra daun.
Dengan data latih sejumlah 30 data untuk masing masing kelas dengan perbandingan 20 data latih dan
10 sebagai data uji. Hasil penelitian ini didapat nilai akurasi sebesar 60% dan error sebesar 40% serta
nilai precission untuk kelas mangga curut sebesar 0, kelas mangga gadung sebesar .6428, kelas
mangga manalagi sebesar 0, kelas mangga madu sebesar .
, kelas mangga golek sebesar .
,
kelas tidak terdaftar sebesar .
. Sedangkan nilai recall untuk kelas mangga curut sebesar 0, kelas
mangga gadung sebesar 0.9, kelas mangga manalagi sebesar 0, kelas mangga madu sebesar 1.0, kelas
mangga golek sebesar 0.7, kelas tidak terdaftar sebesar 1.0.
Kata Kunci: voted perceptron, mangga, citra, golek, gadung, madu, manalagi, curut
1. PENDAHULUAN
Kemajuan dunia penelitian saat ini telah
melahirkan berbagai produk unggulan
termasuk di bidang pertanian. Saat ini terdapat
berbagai jenis varietas tanaman hasil dari
penelitian dan juga varietas asli termasuk juga
jenis jenis mangga. Bagi sebagian masyarakat,
membedakan jenis bibit mangga merupakan hal
yang sulit dilakukan mengingat bentuk daun
dan fisik tanaman yang hampir sama. Saat ini,
masyarakat masih kesulitan menentukan jenis
mangga ketika umur pohon masih kecil.
Masyarakat baru bisa mengenali jenis mangga
ketika mangga sudah berbuah dan itu masih
harus menunggu minimal 6 bulan untuk
berbuah. Masyarakat sering salah pilih memilih
jenis pohon mangga yang hendak ditanam
karena kesulitan menentukan jenis mangga
ketika pohon masih kecil.
Oleh karena itu, penulis berinisiatif untuk
melakukan penelitian klasifikasi jenis pohon
mangga berdasarkan tekstur daun. Dengan
sistem yang dikembangkan ini, diharapkan
dapat membantu masyarakat dalam mengenali
jenis mangga yang akan ditanamnya, sehingga
tidak merasa tertipu atau kecewa pada jenis
mangga yang ditanamnya.
Sistematika dalam paper ini terbagi
menjadi 5 bagian : bagian 1 memuat
pendahuluan, bagian 2 membahas teori yang
melandasi dalam melakukan penelitian, bagian
3 adalah desain sistem yang digunakan, bagian
4 adalah membahas skenario pengujian, dan
analisis hasil pengujian, sedangkan bagian 5
membahas kesimpulan yang didapat dari
penelitian.
2. LANDASAN TEORI
2.1. Analisa Citra
Pengolahan citra digital adalah sebuah
disiplin ilmu yang mempelajari hal-hal yang
berkaitan dengan perbaikan kualitas gambar
(peningkatan kontras, transformasi warna,
restorasi citra), transformasi gambar (rotasi,
translasi, skala, transformasi geometrik),
melakukan pemilihan 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 data,
dan waktu proses data.
2.1.1.
Segmentasi Citra
Segmentasi citra bertujuan membagi citra
kedalam sejumlah region dan objek. Pemisahan
background dengan objek daun dilakukan
untuk mendapatkan area citra daun yang
terpisah
dari
background.
Pemisahan
background dan objek menggunakan nilai
Treshold sehingga didapat objek citra yang
diharapkan.
Deteksi tepi dari objek dilakukan untuk
mendapatkan nilai keliling dari objek. Deteksi
tepi menggunakan deteksi tepi sobel
� = √� + � yang mengunakan mask untuk
memperkirakan nilai turunan Gx dan Gy.
mean (rata-rata) intensitas dihitung dengan
formula:
= ∑�−
�=
��
�
Standart
deviasi
digunakan
untuk
menghitung ukuran rata rata contrass suatu
citra. Nilai standart deviasi dihitung dengan
rumus
σ=√�
Keterangan:
� = standart deviasi
�
= varian
Compactness dan Circularity digunakan
untuk deskriptor bentuk. Area, adalah
jumlah piksel dalam obyek (luas).
Perimeter, adalah jumlah piksel sepanjang
boundary (keliling). Rasio compactness,
adalah rasio antara (perimeter)2 / area.
Compactness =
Keterangan:
�2
�
P = jumlah piksel sepanjang boundary
(keliling)
A = jumlah piksel dalam obyek (luas)
Gambar 1 mask 3x3
2.1.2.
Ekstraksi Fitur
Ekstraksi fitur bertujuan untuk mengambil
nilai tertentu dari citra menjadi data sheet yang
kemudian
digunakan
dalam
peroses
selanjutnya.
Pendekatan yang sering digunakan
untuk analisis tekstur didasarkan pada properti
statistik histogram intensitas. Satu kelas
pengukuran didasarkan pada moment statistik.
Untuk menghitung moment nth terhadap mean
diberikan oleh:
�� = ∑�−
�=
�
−
�
�
�
di mana zi adalah variabel random yang
mengindikasikan intensitas, p(z) adalah
histogram level intensitas dalam region, L
adalah jumlah level intensitas yang tersedia,
Rasio circularity, adalah rasio antara area
dari obyek terhadap area lingkaran (bentuk
paling compact) dengan panjang perimeter
yang sama.
Circularity =
4��
�2
2.2. ANN Voted Perceptron
Voted Perceptron adalah salah satu metode
klasifikasi
linier
yang
arsitekturnya
menggunakan layer input dan layer output
dengan nilai vektor bobot tertentu untuk
memaksimalkan margin antara dua kelas data.
Ide dari Voted Perceptron ini adalah mencari
vektor perceptron yang selalu benar dalam
memprediksi ketika dilakukan proses. Dalam
voted-perceptron,
algoritma
menyimpan
beberapa informasi selama proses pelatihan
yang di gunakan dalam proses klasifikasi untuk
menghasilkan prediksi terbaik untuk data uji.
Ada awal proses training dilakukan inisialisasi
sebuah vektor perceptron, � = 0. Selanjutnya
selain itu lakukan proses update
pada nilai c dan nilai k yaitu:
vektor perceptron beserta bobotnya yang
dihasilkan dalam proses training ini disimpan
untuk digunakan dalam proses klasifikasi,
dengan menggunakan persamaan:
̃ = sign(� .
��+ = �� +
4. Output :
Beberapa nilai vektor perceptron dan
bobot { � , � , … , �� , �� }
yang
selanjutnya
digunakan
dalam
klasifikasi
dengan
menggunakan
persamaan sebagai berikut :
y = sign ∑��= �� ��� �� .
)
Nilai ̃ merupakan hasil dari perkalian
antara input
dengan vektor � yang
dibandingkan dengan nilai Treshold, yaitu jika
nilai hasil perkalian dibawah Treshold,
maka ̃ = -1 dan jika sebaliknya maka nilai ̃ =
1.
Apabila dalam proses training dengan
menggunakan vektor perceptron � salah dalam
memprediksi maka vektor perceptron baru akan
diperbarui dengan menggunakan persamaan:
��+ = �� +
�. �
y = sign ∑��= �� ��� �� .
Berikut adalah algoritma Voted Perceptron dan
penjelasannya
1. Input : Training set beserta
labelnya{ ,
, … . . , � , � },
inisialisasi nilai epoch dan Treshold.
2. Inisialisasi nilai vektor perceptron
training set yaitu
], nilai bobot yaitu �
� =[
= 1 , dan nilai k = 1
3. Lakukan sebanyak nilai epoch
a) Melakukan prediksi label pada
training set dengan menggunakan
persamaan :
� .
b) Jika antara nilai ̃ dan y
mempunyai nilai yang sama, maka
update nilai c menjadi �� = �� +
dan k tetap, sebaliknya jika
nilainya berbeda maka lakukan
proses mencari vektor perceptron
baru dengan persamaan :
��+ = �� +
3. DESAIN SISTEM
Sistem untuk melakukan klasifikasi jenis
pohon mangga berdasarkan tekstur daun ini
menggunakan sistem kerja adalah sebagai
berikut :
I.
Untuk proses klasifikasi, proses voting
perceptron ini memanfaatkan vektor perceptron
{ � , � , … . , �� , �� } yang
dan
bobot
tersimpan dari proses training yang
didefinisikan dengan persamaan sebagai
berikut:
̃ = ���
dan k = k + 1
�
.
�
Preprocessing
Pada bagian ini dilakukan pekerjaan awal
sebelum pemrosesan citra lebih lanjut, seperti:
resizing dan perbaikan intensitas.
II.
Segmentasi
Segmentasi
menggunakan
Treshold.
metode
III.
Ekstraksi fitur
Pada bagian ini, dilakukan pengambilan
komponen warna hijau pada citra daun yang
sudah disegmentasi. Kemudian mengekstrak
fitur yaitu: mean Green, momen nth Green,
deviasi Green, compactness dan circularity.
IV.
Pemisahan data
Metode pemilihan data dalam ujicoba
sistem ini menggunakan metode Hold-Out,
yaitu dengan membagi data menjadi data
training dan data uji dengan perbandingan 20
data untuk data latih dan 10 data untuk data uji
untuk masing masing kelas. Sehingga didapat
100 data latih dan 60 data uji yang terdiri dari
50 data kelas yang tersedia dan 10 data untuk
kelas diluar kelas yang tersedia.
V.
Training dengan ANN Voted
Perceptron
Training dengan ANN Voted Perceptron
dilakukan pada data training dengan label kelas
yang sudah diberikan pada setiap data training.
VI.
Klasifikasi
Proses klasifikasi dilakukan dengan
memproses satu persatu data uji untuk diketahui
keluaran kelas yang diberikan oleh sistem.
Kemudian hasilnya dilakukan pencocokan
dengan kelas yang sesungguhnya sehingga
diketahui akuransi sistem dalam melakukan
klasifikasi.
4. PENGUJIAN SISTEM
Uji coba terdiri dari dua proses, yaitu
proses pelatihan dan proses uji coba. Proses
pelatihan dilakukan untuk mendapatkan nilai
vektor v dan nilai bobot c yang akan digunakan
dalam proses uji coba atau klasifikasi. Metode
pemilihan data dalam ujicoba sistem ini
menggunakan metode Hold-Out, yaitu dengan
membagi data menjadi data training dan data uji
dengan perbandingan 20 data untuk data latih
dan 10 data untuk data uji untuk masing masing
kelas. Sehingga didapat 100 data latih dan 60
data uji yang terdiri dari 50 data kelas yang
tersedia dan 10 data untuk kelas diluar kelas
yang tersedia.
Tabel 1 data latih sebelum normalisasi
Mean
Momen nth
Deviasi
No.
Green
Green
Green
Circularity Compactness
1
93,1295
458,5595
21,414
0,1118
112,3163
2
56,2499
339,3081
18,4203
0,0199
630,7201
3
27,8049
578,0714
24,0431
0,2677
46,9259
4
31,4087
731,9515
27,0546
0,2408
52,1491
5
56,6315
784,1428
28,0025
0,2806
44,769
6
80,3845
926,5176
30,4388
0,2592
48,458
7
50,8432
1394,1996
37,339
0,2346
53,5391
8
54,2618
1325,4217
36,4063
0,2246
55,9197
9
88,6224
245,9413
15,6825
0,2207
56,9015
10
84,4245
295,7135
17,1963
0,1909
65,8098
Sebelum digunakan, data dinormalisasi terlebih dahulu agar jangkauan nilai fitur
merata dan seimbang menggunakan persamaan :
′
=
Kelas
Curut
Curut
Gadung
Gadung
Golek
Golek
Madu
Madu
Manalagi
Manalagi
menjadi lebih
− �
− �
Tabel 2 data latih setelah dinormalisasi
No.
1
2
2
4
5
6
7
8
9
10
Mean
Green
0,376170312
0,170386312
0,011666428
0,031775224
0,172515597
0,305054652
0,140217537
0,159292939
0,351021203
0,327597396
Momen nth
Green
0,016341243
0,009876837
0,022819772
0,031161339
0,033990537
0,041708422
0,067060634
0,063332306
0,004815588
0,007513651
Deviasi
Green
0,07168986
0,047520629
0,092915542
0,117228479
0,124881221
0,144550358
0,200258186
0,192728159
0,025417373
0,037638832
Circularity
0,1118
0,0199
0,2677
0,2408
0,2806
0,2592
0,2346
0,2246
0,2207
0,1909
Compactness
0,08797133
0,65913922
0,015925375
0,021680202
0,013548942
0,017613415
0,023211679
0,02583458
0,02691631
0,036731313
Kelas
Curut
Curut
Gadung
Gadung
Golek
Golek
Madu
Madu
Manalagi
Manalagi
Setelah dilakukan proses pelatihan menggunakan data latih untuk mencari nilai � dan �, maka dilakukan
ujicoba terhadap 60 data uji.
Tabel 3 Hasil ujicoba
No
Uji Coba
Akurasi (%)
Error
(%)
Keterangan
1
Ujicoba 1
16,67
83,33
Uji Coba tanpa normalisasi data
2
Ujicoba 2
60
40
Ujicoba dengan normalisasi data
3
Ujicoba 3
60
40
Uji coba dengan normalisasi data dan kombinasi
data berbeda
5. KESIMPULAN
Dari penelitian ini, didapat kesimpulan
sebagai berikut:
a. Sistem yang dibangun sudah mampu
untuk mengenali jenis mangga
berdasarkan warna dan bentuk daun
namun error yang dihasilkan masih
tinggi yaitu 40%.
b. Tingkat error yang masih tinggi
dipengaruhi beberapa faktor, antara
lain pemilihan kriteria, intensitas
cahaya pada citra input, dan metode
pengumpulan citra input.
c. Dari dua kali percobaan yang
dilakukan, didapat hasil sebagai berikut
:
a) Pada percobaan pertama, sistem
hanya mampu mengenali jenis
mangga golek dengan akurasi
sebesar 16 % dan tingkat error
sebesar 84 % sehingga sistem
belum layak digunakan untuk
melakukan
klasifikasi
jenis
mangga.
b) Pada percobaan kedua, sistem
mampu mengenali jenis mangga
dengan akurasi sebesar 60 % dan
tingkat error sebesar 40 %.
Meskipun akurasi sistem sudah
lebih baik, sistem belum layak
digunakan
untuk
melakukan
klasifikasi
jenis
mangga
dikarenakan tingkat error yang
masih tinggi dan sistem hanya
mengenali mangga jenis gadung,
madu dan golek, tetapi belum
mampu untuk mengenali mangga
jenis curut dan manalagi.
c) Pada percobaan ketiga, didapat
akurasi sebesar 60 % dan tingkat
error sebesar 40 % dan rata rata
hasil yang didapat sama dengan
ujicoba kedua.
d. Dari tiga kali percobaan, dengan
melakukan normalisasi pada data latih
maupun data uji didapat hasil yang
lebih baik.
e. Data yang digunakan dalam penelitian
ini merupakan data dari citra hasil
tangkapan kamera. Oleh karena itu,
kualitas citra sangat mempengaruhi
hasil dari penelitian.
DAFTAR PUSTAKA
[1]. Arieshanti, Isye dan Purwananto, Yudhi.
(2011), Model Prediksi Kebangkrutan
Berbasis Neural Network dan Particle
Swarm Optimation, Institut Teknologi
Sepuluh November, Surabaya, Indonesia.
[2]. Collins, Michael. (2002), Ranking
Algorithms
for
Named–Entity
Extraction:Boosting and the Voted
Perceptron, Proceedings of the
40th
Annual Meeting of the Association for
Computational Linguistics (ACL),
AT&T Labs-Research, Florham Park, New
Jersey.
[3]. Collins, Michael. dan Duffy, Nigel. ( 2002
), New Ranking Algorithms for Parsing
and Tagging: Kernels over Discrete
Structures, and the Voted Perceptron,
Proceedings of the 40th Annual Meeting of
the Association
for
Computational
Linguistics
(ACL),
AT&T
LabsResearch, Florham Park, New Jersey.
[4]. Freund, Yoav. E Scapire, Robert. ( 1999 ),
Large Margin Clasification Using the
Perceptron Algorithm, Machine Learning
37(3):277-296, AT&T Labs, Shannon
Laboratory.
[5]. Novita Dewi, Sylvi. Arieshanti, Isye.
Amaliah, Bilqis. Diagnosa Awal Citra
Melanoma
Menggunakan
Metode
Klasifikasi Voted Perceptron, Institut
Teknologi Sepuluh November, Surabaya,
Indonesia.
[6]. Palgunadi, Sarngadi dan Almandatya,
Yulandita. (2014), Klasifikasi Kualitas
Daun Mangga Berdasarkan Warna Citra
Daun,
Universitas
Sebelas
Maret,
Surakarta.
[7]. Prasetyo, Eko. (2012), Data mining –
Konsep dan Aplikasi Menggunakan
Matlab, edisi 1 Andi Offset:Yogyakarta.
[11]. Riza Hermawan, Andrian. E Wibowo,
Andriano. Fetiria Ningrum, Dwi. dan
Sancho Liman, Nando. (2011), Klasifikasi
daun Mangga, Daun Salam dan Sawo
Menggunakan Metode Naive Bayes,
Universitas Brawijaya, Malang.
[8]. Prasetyo, Eko. (2014), Data Mining
Mengolah Data Menjadi Informasi
Menggunakan
Matlab,
andi
Offset:Yogyakarta.
[9]. Prasetyo, Eko. (2011), Pengolahan Citra
Digital dan Aplikasinya menggunakan
Matlab, Andi Offset:Yogyakarta.
[10]. Prasetyo, Eko dan Agustin, Soffiana.
(2011), Klasifikasi Jenis Pohon Mangga
Gadung dan Curut Berdasarkan Tekstur
Daun, SESINDO 2011 - Jurusan Sistem
Informasi ITS, Indonesia.
[12]. Sassano Manabu, An Experimental of
the Voted Perceptron and Support Vector
Machines in Japanese Analysis Tasks,
Yahoo Japan Corporation, Tokyo, Japan
[13]. Sutoyo, T, dkk. (2009), Teori
Pengolahan
Citra
Digital,
Andi
Offset:Yogyakarta
BENTUK DAUN MENGGUNAKAN METODE ANN VOTED
PERCEPTRON
Nur Hidayatullah
Teknik Informatika, Fakultas Teknik , Universitas Bhayangkara Surabaya,
Surabaya, Indonesia
Email : kematjaya0@gmail.com
ABSTRAK
Bagi sebagian masyarakat, membedakan jenis bibit mangga merupakan hal yang sulit
dilakukan mengingat bentuk daun dan fisik tanaman yang hampir sama. Masyarakat baru bisa
mengenali jenis mangga ketika mangga sudah berbuah dan itu masih harus menunggu minimal 6 bulan
untuk berbuah. Voted Perceptron adalah salah satu metode klasifikasi linier yang arsitekturnya
menggunakan layer input dan layer output dengan nilai vektor bobot tertentu untuk memaksimalkan
margin antara dua kelas data. Penelitian ini menggunakan nilai Mean, momen nth, dan standart deviasi
dari fitur warna green serta nilai compactness dan circularity untuk deskripsi bentuk dari citra daun.
Dengan data latih sejumlah 30 data untuk masing masing kelas dengan perbandingan 20 data latih dan
10 sebagai data uji. Hasil penelitian ini didapat nilai akurasi sebesar 60% dan error sebesar 40% serta
nilai precission untuk kelas mangga curut sebesar 0, kelas mangga gadung sebesar .6428, kelas
mangga manalagi sebesar 0, kelas mangga madu sebesar .
, kelas mangga golek sebesar .
,
kelas tidak terdaftar sebesar .
. Sedangkan nilai recall untuk kelas mangga curut sebesar 0, kelas
mangga gadung sebesar 0.9, kelas mangga manalagi sebesar 0, kelas mangga madu sebesar 1.0, kelas
mangga golek sebesar 0.7, kelas tidak terdaftar sebesar 1.0.
Kata Kunci: voted perceptron, mangga, citra, golek, gadung, madu, manalagi, curut
1. PENDAHULUAN
Kemajuan dunia penelitian saat ini telah
melahirkan berbagai produk unggulan
termasuk di bidang pertanian. Saat ini terdapat
berbagai jenis varietas tanaman hasil dari
penelitian dan juga varietas asli termasuk juga
jenis jenis mangga. Bagi sebagian masyarakat,
membedakan jenis bibit mangga merupakan hal
yang sulit dilakukan mengingat bentuk daun
dan fisik tanaman yang hampir sama. Saat ini,
masyarakat masih kesulitan menentukan jenis
mangga ketika umur pohon masih kecil.
Masyarakat baru bisa mengenali jenis mangga
ketika mangga sudah berbuah dan itu masih
harus menunggu minimal 6 bulan untuk
berbuah. Masyarakat sering salah pilih memilih
jenis pohon mangga yang hendak ditanam
karena kesulitan menentukan jenis mangga
ketika pohon masih kecil.
Oleh karena itu, penulis berinisiatif untuk
melakukan penelitian klasifikasi jenis pohon
mangga berdasarkan tekstur daun. Dengan
sistem yang dikembangkan ini, diharapkan
dapat membantu masyarakat dalam mengenali
jenis mangga yang akan ditanamnya, sehingga
tidak merasa tertipu atau kecewa pada jenis
mangga yang ditanamnya.
Sistematika dalam paper ini terbagi
menjadi 5 bagian : bagian 1 memuat
pendahuluan, bagian 2 membahas teori yang
melandasi dalam melakukan penelitian, bagian
3 adalah desain sistem yang digunakan, bagian
4 adalah membahas skenario pengujian, dan
analisis hasil pengujian, sedangkan bagian 5
membahas kesimpulan yang didapat dari
penelitian.
2. LANDASAN TEORI
2.1. Analisa Citra
Pengolahan citra digital adalah sebuah
disiplin ilmu yang mempelajari hal-hal yang
berkaitan dengan perbaikan kualitas gambar
(peningkatan kontras, transformasi warna,
restorasi citra), transformasi gambar (rotasi,
translasi, skala, transformasi geometrik),
melakukan pemilihan 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 data,
dan waktu proses data.
2.1.1.
Segmentasi Citra
Segmentasi citra bertujuan membagi citra
kedalam sejumlah region dan objek. Pemisahan
background dengan objek daun dilakukan
untuk mendapatkan area citra daun yang
terpisah
dari
background.
Pemisahan
background dan objek menggunakan nilai
Treshold sehingga didapat objek citra yang
diharapkan.
Deteksi tepi dari objek dilakukan untuk
mendapatkan nilai keliling dari objek. Deteksi
tepi menggunakan deteksi tepi sobel
� = √� + � yang mengunakan mask untuk
memperkirakan nilai turunan Gx dan Gy.
mean (rata-rata) intensitas dihitung dengan
formula:
= ∑�−
�=
��
�
Standart
deviasi
digunakan
untuk
menghitung ukuran rata rata contrass suatu
citra. Nilai standart deviasi dihitung dengan
rumus
σ=√�
Keterangan:
� = standart deviasi
�
= varian
Compactness dan Circularity digunakan
untuk deskriptor bentuk. Area, adalah
jumlah piksel dalam obyek (luas).
Perimeter, adalah jumlah piksel sepanjang
boundary (keliling). Rasio compactness,
adalah rasio antara (perimeter)2 / area.
Compactness =
Keterangan:
�2
�
P = jumlah piksel sepanjang boundary
(keliling)
A = jumlah piksel dalam obyek (luas)
Gambar 1 mask 3x3
2.1.2.
Ekstraksi Fitur
Ekstraksi fitur bertujuan untuk mengambil
nilai tertentu dari citra menjadi data sheet yang
kemudian
digunakan
dalam
peroses
selanjutnya.
Pendekatan yang sering digunakan
untuk analisis tekstur didasarkan pada properti
statistik histogram intensitas. Satu kelas
pengukuran didasarkan pada moment statistik.
Untuk menghitung moment nth terhadap mean
diberikan oleh:
�� = ∑�−
�=
�
−
�
�
�
di mana zi adalah variabel random yang
mengindikasikan intensitas, p(z) adalah
histogram level intensitas dalam region, L
adalah jumlah level intensitas yang tersedia,
Rasio circularity, adalah rasio antara area
dari obyek terhadap area lingkaran (bentuk
paling compact) dengan panjang perimeter
yang sama.
Circularity =
4��
�2
2.2. ANN Voted Perceptron
Voted Perceptron adalah salah satu metode
klasifikasi
linier
yang
arsitekturnya
menggunakan layer input dan layer output
dengan nilai vektor bobot tertentu untuk
memaksimalkan margin antara dua kelas data.
Ide dari Voted Perceptron ini adalah mencari
vektor perceptron yang selalu benar dalam
memprediksi ketika dilakukan proses. Dalam
voted-perceptron,
algoritma
menyimpan
beberapa informasi selama proses pelatihan
yang di gunakan dalam proses klasifikasi untuk
menghasilkan prediksi terbaik untuk data uji.
Ada awal proses training dilakukan inisialisasi
sebuah vektor perceptron, � = 0. Selanjutnya
selain itu lakukan proses update
pada nilai c dan nilai k yaitu:
vektor perceptron beserta bobotnya yang
dihasilkan dalam proses training ini disimpan
untuk digunakan dalam proses klasifikasi,
dengan menggunakan persamaan:
̃ = sign(� .
��+ = �� +
4. Output :
Beberapa nilai vektor perceptron dan
bobot { � , � , … , �� , �� }
yang
selanjutnya
digunakan
dalam
klasifikasi
dengan
menggunakan
persamaan sebagai berikut :
y = sign ∑��= �� ��� �� .
)
Nilai ̃ merupakan hasil dari perkalian
antara input
dengan vektor � yang
dibandingkan dengan nilai Treshold, yaitu jika
nilai hasil perkalian dibawah Treshold,
maka ̃ = -1 dan jika sebaliknya maka nilai ̃ =
1.
Apabila dalam proses training dengan
menggunakan vektor perceptron � salah dalam
memprediksi maka vektor perceptron baru akan
diperbarui dengan menggunakan persamaan:
��+ = �� +
�. �
y = sign ∑��= �� ��� �� .
Berikut adalah algoritma Voted Perceptron dan
penjelasannya
1. Input : Training set beserta
labelnya{ ,
, … . . , � , � },
inisialisasi nilai epoch dan Treshold.
2. Inisialisasi nilai vektor perceptron
training set yaitu
], nilai bobot yaitu �
� =[
= 1 , dan nilai k = 1
3. Lakukan sebanyak nilai epoch
a) Melakukan prediksi label pada
training set dengan menggunakan
persamaan :
� .
b) Jika antara nilai ̃ dan y
mempunyai nilai yang sama, maka
update nilai c menjadi �� = �� +
dan k tetap, sebaliknya jika
nilainya berbeda maka lakukan
proses mencari vektor perceptron
baru dengan persamaan :
��+ = �� +
3. DESAIN SISTEM
Sistem untuk melakukan klasifikasi jenis
pohon mangga berdasarkan tekstur daun ini
menggunakan sistem kerja adalah sebagai
berikut :
I.
Untuk proses klasifikasi, proses voting
perceptron ini memanfaatkan vektor perceptron
{ � , � , … . , �� , �� } yang
dan
bobot
tersimpan dari proses training yang
didefinisikan dengan persamaan sebagai
berikut:
̃ = ���
dan k = k + 1
�
.
�
Preprocessing
Pada bagian ini dilakukan pekerjaan awal
sebelum pemrosesan citra lebih lanjut, seperti:
resizing dan perbaikan intensitas.
II.
Segmentasi
Segmentasi
menggunakan
Treshold.
metode
III.
Ekstraksi fitur
Pada bagian ini, dilakukan pengambilan
komponen warna hijau pada citra daun yang
sudah disegmentasi. Kemudian mengekstrak
fitur yaitu: mean Green, momen nth Green,
deviasi Green, compactness dan circularity.
IV.
Pemisahan data
Metode pemilihan data dalam ujicoba
sistem ini menggunakan metode Hold-Out,
yaitu dengan membagi data menjadi data
training dan data uji dengan perbandingan 20
data untuk data latih dan 10 data untuk data uji
untuk masing masing kelas. Sehingga didapat
100 data latih dan 60 data uji yang terdiri dari
50 data kelas yang tersedia dan 10 data untuk
kelas diluar kelas yang tersedia.
V.
Training dengan ANN Voted
Perceptron
Training dengan ANN Voted Perceptron
dilakukan pada data training dengan label kelas
yang sudah diberikan pada setiap data training.
VI.
Klasifikasi
Proses klasifikasi dilakukan dengan
memproses satu persatu data uji untuk diketahui
keluaran kelas yang diberikan oleh sistem.
Kemudian hasilnya dilakukan pencocokan
dengan kelas yang sesungguhnya sehingga
diketahui akuransi sistem dalam melakukan
klasifikasi.
4. PENGUJIAN SISTEM
Uji coba terdiri dari dua proses, yaitu
proses pelatihan dan proses uji coba. Proses
pelatihan dilakukan untuk mendapatkan nilai
vektor v dan nilai bobot c yang akan digunakan
dalam proses uji coba atau klasifikasi. Metode
pemilihan data dalam ujicoba sistem ini
menggunakan metode Hold-Out, yaitu dengan
membagi data menjadi data training dan data uji
dengan perbandingan 20 data untuk data latih
dan 10 data untuk data uji untuk masing masing
kelas. Sehingga didapat 100 data latih dan 60
data uji yang terdiri dari 50 data kelas yang
tersedia dan 10 data untuk kelas diluar kelas
yang tersedia.
Tabel 1 data latih sebelum normalisasi
Mean
Momen nth
Deviasi
No.
Green
Green
Green
Circularity Compactness
1
93,1295
458,5595
21,414
0,1118
112,3163
2
56,2499
339,3081
18,4203
0,0199
630,7201
3
27,8049
578,0714
24,0431
0,2677
46,9259
4
31,4087
731,9515
27,0546
0,2408
52,1491
5
56,6315
784,1428
28,0025
0,2806
44,769
6
80,3845
926,5176
30,4388
0,2592
48,458
7
50,8432
1394,1996
37,339
0,2346
53,5391
8
54,2618
1325,4217
36,4063
0,2246
55,9197
9
88,6224
245,9413
15,6825
0,2207
56,9015
10
84,4245
295,7135
17,1963
0,1909
65,8098
Sebelum digunakan, data dinormalisasi terlebih dahulu agar jangkauan nilai fitur
merata dan seimbang menggunakan persamaan :
′
=
Kelas
Curut
Curut
Gadung
Gadung
Golek
Golek
Madu
Madu
Manalagi
Manalagi
menjadi lebih
− �
− �
Tabel 2 data latih setelah dinormalisasi
No.
1
2
2
4
5
6
7
8
9
10
Mean
Green
0,376170312
0,170386312
0,011666428
0,031775224
0,172515597
0,305054652
0,140217537
0,159292939
0,351021203
0,327597396
Momen nth
Green
0,016341243
0,009876837
0,022819772
0,031161339
0,033990537
0,041708422
0,067060634
0,063332306
0,004815588
0,007513651
Deviasi
Green
0,07168986
0,047520629
0,092915542
0,117228479
0,124881221
0,144550358
0,200258186
0,192728159
0,025417373
0,037638832
Circularity
0,1118
0,0199
0,2677
0,2408
0,2806
0,2592
0,2346
0,2246
0,2207
0,1909
Compactness
0,08797133
0,65913922
0,015925375
0,021680202
0,013548942
0,017613415
0,023211679
0,02583458
0,02691631
0,036731313
Kelas
Curut
Curut
Gadung
Gadung
Golek
Golek
Madu
Madu
Manalagi
Manalagi
Setelah dilakukan proses pelatihan menggunakan data latih untuk mencari nilai � dan �, maka dilakukan
ujicoba terhadap 60 data uji.
Tabel 3 Hasil ujicoba
No
Uji Coba
Akurasi (%)
Error
(%)
Keterangan
1
Ujicoba 1
16,67
83,33
Uji Coba tanpa normalisasi data
2
Ujicoba 2
60
40
Ujicoba dengan normalisasi data
3
Ujicoba 3
60
40
Uji coba dengan normalisasi data dan kombinasi
data berbeda
5. KESIMPULAN
Dari penelitian ini, didapat kesimpulan
sebagai berikut:
a. Sistem yang dibangun sudah mampu
untuk mengenali jenis mangga
berdasarkan warna dan bentuk daun
namun error yang dihasilkan masih
tinggi yaitu 40%.
b. Tingkat error yang masih tinggi
dipengaruhi beberapa faktor, antara
lain pemilihan kriteria, intensitas
cahaya pada citra input, dan metode
pengumpulan citra input.
c. Dari dua kali percobaan yang
dilakukan, didapat hasil sebagai berikut
:
a) Pada percobaan pertama, sistem
hanya mampu mengenali jenis
mangga golek dengan akurasi
sebesar 16 % dan tingkat error
sebesar 84 % sehingga sistem
belum layak digunakan untuk
melakukan
klasifikasi
jenis
mangga.
b) Pada percobaan kedua, sistem
mampu mengenali jenis mangga
dengan akurasi sebesar 60 % dan
tingkat error sebesar 40 %.
Meskipun akurasi sistem sudah
lebih baik, sistem belum layak
digunakan
untuk
melakukan
klasifikasi
jenis
mangga
dikarenakan tingkat error yang
masih tinggi dan sistem hanya
mengenali mangga jenis gadung,
madu dan golek, tetapi belum
mampu untuk mengenali mangga
jenis curut dan manalagi.
c) Pada percobaan ketiga, didapat
akurasi sebesar 60 % dan tingkat
error sebesar 40 % dan rata rata
hasil yang didapat sama dengan
ujicoba kedua.
d. Dari tiga kali percobaan, dengan
melakukan normalisasi pada data latih
maupun data uji didapat hasil yang
lebih baik.
e. Data yang digunakan dalam penelitian
ini merupakan data dari citra hasil
tangkapan kamera. Oleh karena itu,
kualitas citra sangat mempengaruhi
hasil dari penelitian.
DAFTAR PUSTAKA
[1]. Arieshanti, Isye dan Purwananto, Yudhi.
(2011), Model Prediksi Kebangkrutan
Berbasis Neural Network dan Particle
Swarm Optimation, Institut Teknologi
Sepuluh November, Surabaya, Indonesia.
[2]. Collins, Michael. (2002), Ranking
Algorithms
for
Named–Entity
Extraction:Boosting and the Voted
Perceptron, Proceedings of the
40th
Annual Meeting of the Association for
Computational Linguistics (ACL),
AT&T Labs-Research, Florham Park, New
Jersey.
[3]. Collins, Michael. dan Duffy, Nigel. ( 2002
), New Ranking Algorithms for Parsing
and Tagging: Kernels over Discrete
Structures, and the Voted Perceptron,
Proceedings of the 40th Annual Meeting of
the Association
for
Computational
Linguistics
(ACL),
AT&T
LabsResearch, Florham Park, New Jersey.
[4]. Freund, Yoav. E Scapire, Robert. ( 1999 ),
Large Margin Clasification Using the
Perceptron Algorithm, Machine Learning
37(3):277-296, AT&T Labs, Shannon
Laboratory.
[5]. Novita Dewi, Sylvi. Arieshanti, Isye.
Amaliah, Bilqis. Diagnosa Awal Citra
Melanoma
Menggunakan
Metode
Klasifikasi Voted Perceptron, Institut
Teknologi Sepuluh November, Surabaya,
Indonesia.
[6]. Palgunadi, Sarngadi dan Almandatya,
Yulandita. (2014), Klasifikasi Kualitas
Daun Mangga Berdasarkan Warna Citra
Daun,
Universitas
Sebelas
Maret,
Surakarta.
[7]. Prasetyo, Eko. (2012), Data mining –
Konsep dan Aplikasi Menggunakan
Matlab, edisi 1 Andi Offset:Yogyakarta.
[11]. Riza Hermawan, Andrian. E Wibowo,
Andriano. Fetiria Ningrum, Dwi. dan
Sancho Liman, Nando. (2011), Klasifikasi
daun Mangga, Daun Salam dan Sawo
Menggunakan Metode Naive Bayes,
Universitas Brawijaya, Malang.
[8]. Prasetyo, Eko. (2014), Data Mining
Mengolah Data Menjadi Informasi
Menggunakan
Matlab,
andi
Offset:Yogyakarta.
[9]. Prasetyo, Eko. (2011), Pengolahan Citra
Digital dan Aplikasinya menggunakan
Matlab, Andi Offset:Yogyakarta.
[10]. Prasetyo, Eko dan Agustin, Soffiana.
(2011), Klasifikasi Jenis Pohon Mangga
Gadung dan Curut Berdasarkan Tekstur
Daun, SESINDO 2011 - Jurusan Sistem
Informasi ITS, Indonesia.
[12]. Sassano Manabu, An Experimental of
the Voted Perceptron and Support Vector
Machines in Japanese Analysis Tasks,
Yahoo Japan Corporation, Tokyo, Japan
[13]. Sutoyo, T, dkk. (2009), Teori
Pengolahan
Citra
Digital,
Andi
Offset:Yogyakarta