SISTEM PENGENALAN KUALITAS INDUK GURAME DENGAN METODE WAVELET DAN K-NN.
Pro sid ing : SEMINA R NA SIO NA L 2012
ISBN : 9 78 - 97 9- 198 88 - 1- 0
”Te knik Ele ktro Da n Info rm a tika Da la m Pe ng e m b a ng a n Te kno lo g i Be rke la njuta n”
SISTEM PENGENALAN KUALITAS
INDUK GURAME DENGAN METODE WAVELET DAN K-NN
Fitri Astutik11, IKG Darma Putera22, I Nyoman Satya Kumara3 3, Budi Darmawan4 4
1
Program Magister Teknik Informasi dan Komputer Pascasarjana Teknik Elektro, 2 Jurusan Teknik
Informatika, ,3 Jurusan Teknik Elektro, Fakultas Teknik , Universitas Udayana, 4 Jurusan Teknik Informatika,
STMIK Lombok.
1
[email protected], 2 [email protected] , [email protected], [email protected]
Abstrak
Penelitian ini menerapkan dan mendemonstrasikan sistem pengenalan dengan ekstraksi wavelet dan kNN bertujuan menghasilkan sistem perangkat lunak untuk mengukur kualitas induk gurame. Sistem ini
dikembangkan karena pemilihan induk jantan dan betina yang unggul oleh petugas masih menggunakan visual
mata seorang pakar. Kesalahan pengidentifikasian bisa mempengaruhi kualitas produksi telur dan benih ikan
gurame.
Sistem pengenalan kualitas induk gurame merupakan proses pencocokan induk gurame yang diuji dengan suatu induk gurame yang diklaim sebagai induk “ unggul” atau “tidak unggul”.
Sistem ini dibuat dan diuji menggunakan citra ikan gurame yang masih hidup sebanyak 56 citra yang
dimiliki oleh BBI Kota Mataram. Hasil sementara pengujian menunjukkan system ini mampu menunjukkan
tingkat keakuratannya sekitar 95% tepat mengenali induk ikan gurame termasuk “unggul” atau “tidak unggul”.
Kata kunci: ekstraksi wavelet, PCA, system pengenalan ,K-NN.
1.
Pendahuluan
Pemilihan induk jantan dan betina yang unggul
untuk pembenihan biasanya dilakukan hanya dengan mencermati secara visual mata seorang pakar
terhadap perbedaan ciri-ciri warna kulit dasar sirip,
ukuran dan bentuk organ tubuhnya seperti tekstur
sisik. Perkembangan teknologi informasi yang semakin maju menimbulkan keinginan untuk membandingkan antara pengamatan visual mata dengan
aplikasi teknologi informatika dalam mengidentifikasi induk jantan dan betina yang unggul. Penelitian ini juga bisa di jadikan pembanding antara
pengamatan secara manual menggunakan visual
mata pakar dengan pengamatan modern memanfaatkan teknologi informasi pengolahan citra digital
mengenai tingkat keakuratannya pada saat proses
identifikasi.
Proses dasar pemrosesan gambar digital menggunakan image processing diambil dari kemampuan indera penglihatan manusia yang selanjutnya
dihubungkan dengan kemampuan otak manusia
untuk melakukan proses atau pengolahan terhadap
gambar digital tersebut. Penelitian ini mencoba
untuk melakukan beberapa penggabungan teknik
pengolahan citra dan pengenalan pola dengan
mengkombinasikan teknik klasifikasi untuk mengidentifikasi kualitas induk gurame yang “unggul”
dan “tidak unggul”.
Jurusa n Te knik Ele ktro UNRA M – Ma ta ra m , 17 Juli 201 2
Beberapa penelitian yang telah menggunakan
sistem pengenalan antara lain : menggunakan alih
ragam Wavelet Haar [2]. Hasil dekomposisi Wavelet sebagai masukan proses klasifikasi k-NN. Dekomposisi dilakukan penelitian beberapa level, dari
level 4, 3 dan 2. Hasilnya dibandingkan
keakuratannya setelah dijadikan masukan untuk proses
klasifikasi k-NN di masing-masing level. [4]
Menggunakan deteksi garis dan deteksi blok untuk
mendapatkan ciri-ciri rajah telapak tangan. [5]
menggunakan wavelet dan jaringan syaraf tiruan.
[8] Menggunakan Wavelet Haar dan PCA menggunakanLevemberg-Marquardt
Backpro-pagation
(LMBP) untuk sistem pengenalan wajah. Pada penelitian ini metode deteksi tepi Laplacian Of Gaussian (LOG) sebagai bagian proses prapengolahan
untuk menentukan tepi-tepi sisik tubuh gurame.
Rincian proses menyeluruh mencakup pengumpulan data, persiapan pengolahan data, proses
ekstraksi ciri hingga proses klasifikasi menggunakan data latih dan data uji hingga dapat mengenali
“benih unggul” atau “tidak unggul”.
245
Pro sid ing : SEMINA R NA SIO NA L 2012
”Te knik Ele ktro Da n Info rm a tika Da la m Pe ng e m b a ng a n Te kno lo g i Be rke la njuta n”
2. Metodologi Penelitian
2.1 Gambaran Umum Sistem
Gambar 1. Gambaran umum sistem
Akuisi Data
Proses akuisisi citra merupakan proses pengambilan (capturing) citra dari suatu objek ikan
gurame, yang mana dalam sistem ini pada pembacaan color code dan peng-captur-an ikan gurame.
Proses capture adalah proses pengambilan gambar
melalui kamera. Citra ikan diperoleh melalui pengambilan photo ikan gurame dengan menggunakan
kamera digital Fuji Film Fine Pix JV 250 Series,
dengan resolusi 512x256 titik (piksel). Pengguna
meletakkan ikan gurame pada suatu alas yang telah
disediakan. Alas ini berupa kain lembut yang digunakan untuk mengambil ikan gurame didalam kolam. Tinggi kamera ke objek kurang lebih 61 cm.
Sudut antara kamera ke objek sekitar 90º. Panjang
ikan gurame untuk penelitian ini sekitar 40 - 55 cm.
Lebarnya sekitar kurang lebih 20 - 35 cm dan berat
badannya sekitar kurang lebih 2 - 3,5 kg. Rata-rata
umur ikan sekitar 3 – 4 tahun.
ISBN : 97 8- 9 79 - 19 888- 1 - 0
processing adalah mengubah citra berwarna menjadi citra grayscale, hal ini digunakan untuk menyederhanakan model citra. Citra warna bisa diubah
menjadi citra grayscale dengan cara menghitung
rata-rata elemen warna Red, Green, dan Blue.
Pada awalnya citra terdiri dari 3 layer matrik
yaitu R-layer, G-layer dan B-layer. Sehingga untuk
melakukan proses-proses selanjutnya tetap diperhatikan tiga layer diatas. Bila setiap proses perhitungan dilakukan menggunakan tiga layer, berarti dilakukan tiga perhitungan yang sama. Sehingga konsep itu diubah dengan mengubah 3 layer diatas
menjadi 1 layer matrik grayscale dan hasilnya adalah citra grayscale [9]. Secara matematis perhitungannya sebagai berikut [10]:
(1.1)
Berikut ini proses thresholding untuk mengubah
citra RGB menjadi grayscale.
Gambar 2. Gambar asli dikonversi menjadi
grayscale
Deteksi Tepi
Pra pengolahan
Tahapan pra- pengolahan merupakan proses
awal dari sistem pengenalan citra ikan dengan
mengubah citra RGB menjadi citra grayscale.
Gambar 2. Proses pra pengolahan
Gambar 2 menjelaskan bahwa input image merupakan proses yang pertama kali dilakukan untuk
mendapatkan data citra yang akan diproses selanjutnya. Tahap ini dilakukan suatu proses pengubahan citra digital. Input image berupa citra warna
ikan gurame jantan dan betina. Pada citra warna,
setiap titik mempunyai warna yang spesifik yang
merupakan kombinasi dari 3 warna dasar, yaitu
merah, hijau, dan biru. Format citra ini sering disebut sebagai citra RGB (Red-Green-Blue).
Proses selanjutnya adalah grayscalling. Proses
awal yang banyak dilakukan
dalam image
2 46
Laplacian of Gaussian (LOG) adalah salah
satu operator deteksi tepi yang dikembangkan dari
turunan kedua dan sangat berbeda dengan operator
yang lainnya, karena operator Laplacian berbentuk
omny directional (tidak horizontal tidak vertikal)
yang akan menangkap tepian dari semua arah dan
menghasilkan tepian yang lebih tajam dari operator
yang lainnya [1]. Tahap akhir Preprocessing ini
data yang telah diolah hasilnya disimpan dalam
folder.
Ekstraksi Fitur
Tahap selanjutnya melakukan proses ekstraksi
fitur. Ekstraksi fitur merupakan bagian fundamental dari analisis citra. Fitur adalah karakteristik unik
dari suatu objek. Tabel 1 dibawah ini merupakan
tabel pengelompokan pola berdasarkan ciri ikan
gurame.
Tabel 1. Pengelompokan pola ciri induk gurame.
Jurusa n Te knik Ele ktro UNRA M - Ma ta ra m , 17 Juli 201 2
Pro sid ing : SEMINA R NA SIO NA L 2012
ISBN : 9 78 - 97 9- 198 88 - 1- 0
”Te knik Ele ktro Da n Info rm a tika Da la m Pe ng e m b a ng a n Te kno lo g i Be rke la njuta n”
Penelitian ini mengekstraksi fitur tekstur ikan
gurame dari pola sisik kulitnya.
dari beberapa jenis wavelet daubechies (db2, db3,
dan db4) ditabulasikan dalam Tabel 1, sedangkan
koefisien tapis g0n dapat dicari dari persamaan di
bawah ini [5 ]:
(1.2)
Wavelet Daubechies merupakan basis ortonormal, yaitu jika:
Gambar 3. Diagram blok ekstraksi fitur tekstur
sisik ikan gurame
(1.3)
Dekomposisi Wavelet
Gambar 4. Skema proses dekomposisi wavelet
Gambar 4 merupakan proses dekomposisi
wavelet menggunakan dekomposisi wavelet 3 level. Sedangkan di penelitian ini menggunakan
proses dekomposisi wavelet 5-level. Keterangan
gambar 4 adalah :
A1: hasil lowpass terhadap baris dan kolom
V1: hasil lowpass terhadap baris diteruskan dengan
highpass terhadap kolom
H1 : hasil highpass terhadap baris diteruskan dengan lowpass terhadap kolom
D1 : hasil highpass terhadap baris dan kolom
V1, H1, D1 merupakan hasil deomposisi level 1.
A1 tidak diperlihatkan karena akan didekomposisikan lagi ke level berikutnya menjadi A2, B2, D2,
V2.
Wavelet merupakan gelombang mini (small
wave) yang mempunyai kemampuan mengelompokan energi citra terkosentrasi pada sekelompok kecil koefisien, sedangkan
kelompok koefisien
lainnya hanya mengandung sedikit energi yang
dapat dihilangkan tanpa mengurangi nilai informasinya. Wavelet dapat dibentuk dari satu fungsi Ψ(x)
, dikenal sebagai “mother wavelet” dalam suatu
interval berhingga. “Daughter wavelet” Ψa,b(x)
dibentuk oleh translasi (b) dan kontraksi (a). Wavelet sangat berguna untuk kompresi data image, karena transformasi wavelet mempunyai properti
yang ada dalam beberapa cara transformasi Fourier
konvensional [3].
Transformasi atau alih ragam yang digunakan
di penelitian ini adalah alih ragam wavelet daubechies. Pada kasus ini, daubechies sendiri telah menetapkan nilai-nilai koefisien tapis h0n dan g0n atas
beberapa jenis wavelet daubechies. Koefisien h0n
Jurusa n Te knik Ele ktro UNRA M – Ma ta ra m , 17 Juli 201 2
Suatu wavelet Orthogonal dikatakan wavelet Daubechies Orthogonal derajat N jika vanishing moments dari fungsi penskala φ (x) berderajat N.
(1.4)
Derajat vanishing moments (tingkat kehalusan)
ini merupakan parameter untuk menyatakan
kemampuan mengapproksimasi suatu sinyal.
Semakin besar jumlah vanihing moments suatu
fungsi basis, maka akan semakin kecil galat
approksimasi yang akan terjadi. Hal inilah yang
merupakan sifat kunci dari wavelet Daubechies
yang merupakan perbaikan dari wavelet Haar [5].
Tabel 1. Koefisien-koefisien tapis lowpass h0n
Gambar 5. Proses dekomposisi untuk menghasilkan
koefisien-koefisien wavelet dari citra tubuh ikan
Pada gambar 5, LL menyatakan bagian koefisien yang diperoleh melalui proses tapis Low pass
dilanjutkan dengan Low pass. Citra bagian ini mirip
dan merupakan versi yang lebih halus dari citra
aslinya sehingga koefisien pada bagian LL sering
disebut dengan komponen aproksimasi. LH menyatakan bagian koefisien yang diperoleh melalui
247
Pro sid ing : SEMINA R NA SIO NA L 2012
”Te knik Ele ktro Da n Info rm a tika Da la m Pe ng e m b a ng a n Te kno lo g i Be rke la njuta n”
proses tapis Low pass kemudian dilanjutkan dengan
High pass. Koefisien pada bagian ini menunjukkan
citra tepi dalam arah horisontal. Bagian HL menyatakan bagian yang diperoleh melalui proses High
pass kemudian dilanjutkan dengan Low pass. Koefisien pada bagian ini menunjukkan citra tepi dalam
arah vertikal. HH menyatakan proses yang diawali
dengan High pass, dan dilanjutkan dengan High
pass, dan menunjukkan citra tepi dalam arah diagonal. Ketiga komponen LH, HL, dan HH disebut
juga komponen detil.
PCA
Metode PCA ( Principal Component
Analysis ) mengurutkan komponen-komponen ortogonal yang dihasilkan (komponen-komponen
utama) sehingga komponen dengan akar ciri terbesar ada di urutan pertama, dan PCA mengeliminasi
komponen-komponen yang kurang memberikan
kontribusi terhadap keragaman pada himpunan data. Misalkan terdapat sekumpulan citra ikan gurame
Γ1, Γ2, Γ3,….. ΓM. Rata-rata ikan gurame dari set ini
didefinisikan dengan persamaan 2.20 berikut :
ISBN : 97 8- 9 79 - 19 888- 1 - 0
Selanjutnya didefinisikan matriks V = Avi. Matriks
V merepresentasikan vektor - vektor orthogonal,
tetapi tidak orthonorma, dengan kata lain, VTV ≠ I.
Untuk memperoleh vektor orthonormal Vi , maka
setiap kolom dari V harus dibagi dengan λ½.
Matriks V inilah yang merupakan vektor
transformasi PCA dari set citra gurame Γ1, Γ2,
Γ3,….. ΓM dan setiap kolomnya merupakan
eigenface yang berkesesuaian dengan nilai eigen
yang terurut turun. Matriks V, yang merupakan
kumpulan dari vektor-vektor Vi, membangun ruang
tubuh untuk semua citra tubuh ikan dalam set.
Transformasi citra tubuh ikan ke ruang tubuh
didefinisikan sebagai F. Untuk sebuah citra tubuh
ikan masukan X, transformasinya ke ruang tubuh
didefinisikan sebagai Y.
F = VTA
(1.8)
(1.9)
Y = VT( X - Ψ )
Suatu sistem pengenalan yang hanya
menggunakan PCA dalam proses ekstraksi fitur
akan memberikan hasil pengenalan dengan
menghitung kemiripan, misalnya jarak eukledian,
antara Y dengan setiap kolom dalam F.
Klasifikasi k-NN
(1.5)
Perbedaan tiap citra gurame dari rataannya didefinisikan pada persamaan vektor berikut:
(1.6)
Matrik kovarian C dari seluruh data citra gurame
dinyatakan dengan persamaan berikut:
(1.7)
Dengan A = [ Θ1 Θ2 Θ3…. ΘM], merupakan set citra
tubuh ikan ternormalisasi. Matrik C akan berukuran
N2 x N2 . Untuk menentukan N2 vektor eigen dan
nilai eigen dari dari matriks C membutuhkan
perhitungan numerik yang kompleks. Vektor eigen
dari AAT harus dihitung. Namun karena komputasi
cukup dihitung vektor eigen dari ATA. vektor ini
berukuran M x M (lebih mudah menghitung vektor
eigen dari matriks 64 x 64 daripada matrik 4096 x
4096). Misalkan vi merupakan vektor eigen dari
ATA, maka :
K-Nearest Neighbor (KNN) adalah suatu metode yang menggunakan algoritma supervised dimana hasil dari query instance yang baru diklasifikan berdasarkan mayoritas dari kategori pada KNN.
Tujuan dari algoritma ini adalah mengklasifikasikan obyek baru berdasarkan atribut dan training
sample. Classifier tidak menggunakan model apapun untuk dicocokkan 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.
Algoritma KNN menggunakan
klasifikasi ketetanggaan sebagai nilai prediksi dari query instance
yang baru. Training sample diproyeksikan ke
ruang berdimensi banyak, dimana masing-masing
dimensi merepresentasikan fitur dari data. Ruang
ini dibagi menjadi bagian-bagian berdasarkan klasifikasi training sample. Sebuah titik pada ruang ini
ditandai kelac c jika kelas c merupakan klasifikasi
yang paling banyak ditemui pada k buah tetangga
terdekat dari titik tersebut. Dekat atau jauhnya tetangga biasanya dihitung berdasarkan Euclidean
Distance yang direpresentasikan sebagai berikut
[3]:
(1.7)
Persamaan 1.7 menunjukkan bahwa Avi merupakan
vektor eigen dari matrik kovarian C = AAT.
2 48
(2.0)
Jurusa n Te knik Ele ktro UNRA M - Ma ta ra m , 17 Juli 201 2
Pro sid ing : SEMINA R NA SIO NA L 2012
ISBN : 9 78 - 97 9- 198 88 - 1- 0
”Te knik Ele ktro Da n Info rm a tika Da la m Pe ng e m b a ng a n Te kno lo g i Be rke la njuta n”
dimana matriks D(a,b) adalah jarak skalar dari kedua vektor a dan b dari matriks dengan ukuran d
dimensi.
Pada fase training, algoritma ini hanya melakukan penyimpanan vektor-vektor fitur dan klasifikasi data training sample. Pada fase klasifikasi,
fitur-fitur yang sama dihitung untuk testing data
(yang klasifikasinya tidak diketahui). Jarak dari
vektor baru yang ini terhadap seluruh vektor training sample dihitung dan sejumlah k buah yang paling dekat diambil. Titik yang baru klasifikasinya
diprediksikan termasuk pada klasifikasi terbanyak
dari titik-titik tersebut.
Hasil Dan Pembahasan
Gambar 7. Data uji ikan gurame jantan
Gambar 8. Data uji ikan gurame betina
Percobaan ini dilakukan secara bertahap sesuai
dengan tahapan yang telah disusun pada Gambar
berikut :
Gambar 9. Data uji ikan gurame betina
Tranformasi wavelet menggunakan dekomposisi level 5. Menggunakan nilai k=1,2. Hasil sementara yang diperoleh dapat dilihat pada tabel 2.
Tabel 2. Hasil dekomposisi level 5
Gambar 6. Diagram alir penelitian
Penelitian ini bekerjasama dengan Balai Benih
Ikan Kota Mataram untuk mengambil datanya. Data
yang digunakan dalam percobaan ini adalah 56 citra
ikan gurame yang secara kasat mata dinilai masuk
kedalam beberapa kelompok jenis ikan jantan,betina dan tidak unggul. Kelompok ikan gurame
jantan berjumlah 27 ekor, kelompok ikan gurame
betina berjumlah 14 ekor dan kelompok ikan gurame campuran jantan dan betina tetapi tidak unggul berjumlah 15 ekor. Masing-masing kelompok
memiliki beberapa variasi yaitu sisi kiri dan kanan
dari tubuh ikan gurame. Sebagai data latih, akan
diambil 7 ekor kelompok ikan gurame jantan, 10
ekor ikan gurame betina dan 7 ekor ikan gurame
betina. Sisanya adalah data uji. Data citra ikan gurame yang digunakan pada percobaan ini terdapat
pada gambar berikut :
Jurusa n Te knik Ele ktro UNRA M – Ma ta ra m , 17 Juli 201 2
Tabel 2 menjelaskan bahwa pada nilai k=1, kelas
dikenali sebagai benih “tidak unggul” berjumlah 8
ekor data uji ikan gurame. K=2 merupakan kelas
dikenali sebagai benih “unggul” dengan data uji
berjumlah 23 ikan jantan dan betina. Hasil sementara tingkat keakuratannya 100% untuk k=1 benih
tidak unggul dan tingkat keakuratannya 95% untuk
k=2 benih unggul. Jadi dari hasil sementara dapat
dikatakan sistem pengenalan induk gurame untuk
pembenihan menggunakan program MATLAB 7.8
ini cukup berhasil untuk dijadikan pembanding
dengan sistem pengenalan manual yang dilakukan
oleh petugas BBI. Gambar 10 berikut merupakan
hasil sementara yang diperoleh pada proses pengolahan data di program Matlab
7.8.
249
Pro sid ing : SEMINA R NA SIO NA L 2012
”Te knik Ele ktro Da n Info rm a tika Da la m Pe ng e m b a ng a n Te kno lo g i Be rke la njuta n”
ISBN : 97 8- 9 79 - 19 888- 1 - 0
3.
Gambar 10 Hasil akhir proses pemrograman
Matlab.
3.
Kesimpulan
Kesimpulan sementara yang dapat ditarik dari
penelitian ini adalah sebagai berikut:
Konsep pengolahan citra dalam mengubah suatu citra dari satu domain ke domain lainnya dengan
tujuan untuk mempermudah pengkodean menggunakan transformasi wavelet dan PCA untuk ekstraksi fitur.
K-Nearest Neighbor (KNN) merupakan metode pengklasifikasian data untuk mencari jarak
terdekat antara data yang akan dievaluasi dengan K
tetangga terdekatnya dalam data pelatihan.
Dekomposisi wavelet dilakukan sampai dengan
level 5.
Nilai k yang digunakan adalah 1,2. Dengan nilai k = 1 tingkat akurasi 100% dan k=2 tingkat akurasi 95%. Sehingga hasil sementara sistem pengenalan menggunakan program MATLAB versi 7.8
mampu untuk mengenali benih unggul atau tidak
unggul ikan gurame untuk pembenihan.
Rafael C. Gonzalez and PaulWintz, 1999,
Digital Image Processing. Addison-Wesley
Publishing Company, Inc.
4. I Ketut Gede Darma Putera, Sistem Verifikasi
Menggunakan Garis Garis Telapak Tangan.
Jurnal Teknologi Elektro Vol. 6 No. 2 Juli Desember, 2007.
5. Farros, and Chan Yu, 2001, Quantifying fish
quality using neural networks, IEEE
Transactions on Image Proc.
6. Suta Wijaya, Gede Pasek, Kanata, Bulkis,
Pengenalan Citra Sidik Jari Berbasis Transformasi Wavelet Jaringan Syaraf Tiruan, Jurnal Teknik Elektro, Vol 4, No 1, 2004, pp, 4652.
7. Alasdair McAndrew, An Introduction to Digital Image Processing with Matlab. McAndrew,
A., 2004, An Introduction to Digital Image
Processing with Matlab, notes for SCM2511
Image.
8. Mohammed Alwakel, Zyad Shaaban.2010.
Face Recognition Base On Haar Wavelet
Transform And Principal Component Analysis
Via Lenenberg Marquardt Backpropagation
Neural
Network.[Online].
Tersedia
di:
http://www.eurojournals.com/ejsr.htm.
[diunduh: 31 Desember 2010]
9. Anonim. 2011. Bab II Teori Penunjang.
Tersedia
di
:
student.eepisits.edu/~ph4j4r06/BAB%202.docx.
[diunduh : 19 Januari 2012].
10. Sutoyo ,dkk.2009. Teori Pengolahan Citra
Digital. Yogyakarta: Andi Offset.
DAFTAR PUSTAKA
1.
2.
2 50
Darma Putera.2010. Pengolahan Citra Digital.
Yogyakarta : Andi Offset
Muhammad Ilyas Sillki. Pengenalan Wajah
Dengan Praproses Transformasi Wavelet
Menggunakan K-Nearest Neighbour. Jurnal
Paradigma Vol X. No. 2 Desember ,2009.
Jurusa n Te knik Ele ktro UNRA M - Ma ta ra m , 17 Juli 201 2
ISBN : 9 78 - 97 9- 198 88 - 1- 0
”Te knik Ele ktro Da n Info rm a tika Da la m Pe ng e m b a ng a n Te kno lo g i Be rke la njuta n”
SISTEM PENGENALAN KUALITAS
INDUK GURAME DENGAN METODE WAVELET DAN K-NN
Fitri Astutik11, IKG Darma Putera22, I Nyoman Satya Kumara3 3, Budi Darmawan4 4
1
Program Magister Teknik Informasi dan Komputer Pascasarjana Teknik Elektro, 2 Jurusan Teknik
Informatika, ,3 Jurusan Teknik Elektro, Fakultas Teknik , Universitas Udayana, 4 Jurusan Teknik Informatika,
STMIK Lombok.
1
[email protected], 2 [email protected] , [email protected], [email protected]
Abstrak
Penelitian ini menerapkan dan mendemonstrasikan sistem pengenalan dengan ekstraksi wavelet dan kNN bertujuan menghasilkan sistem perangkat lunak untuk mengukur kualitas induk gurame. Sistem ini
dikembangkan karena pemilihan induk jantan dan betina yang unggul oleh petugas masih menggunakan visual
mata seorang pakar. Kesalahan pengidentifikasian bisa mempengaruhi kualitas produksi telur dan benih ikan
gurame.
Sistem pengenalan kualitas induk gurame merupakan proses pencocokan induk gurame yang diuji dengan suatu induk gurame yang diklaim sebagai induk “ unggul” atau “tidak unggul”.
Sistem ini dibuat dan diuji menggunakan citra ikan gurame yang masih hidup sebanyak 56 citra yang
dimiliki oleh BBI Kota Mataram. Hasil sementara pengujian menunjukkan system ini mampu menunjukkan
tingkat keakuratannya sekitar 95% tepat mengenali induk ikan gurame termasuk “unggul” atau “tidak unggul”.
Kata kunci: ekstraksi wavelet, PCA, system pengenalan ,K-NN.
1.
Pendahuluan
Pemilihan induk jantan dan betina yang unggul
untuk pembenihan biasanya dilakukan hanya dengan mencermati secara visual mata seorang pakar
terhadap perbedaan ciri-ciri warna kulit dasar sirip,
ukuran dan bentuk organ tubuhnya seperti tekstur
sisik. Perkembangan teknologi informasi yang semakin maju menimbulkan keinginan untuk membandingkan antara pengamatan visual mata dengan
aplikasi teknologi informatika dalam mengidentifikasi induk jantan dan betina yang unggul. Penelitian ini juga bisa di jadikan pembanding antara
pengamatan secara manual menggunakan visual
mata pakar dengan pengamatan modern memanfaatkan teknologi informasi pengolahan citra digital
mengenai tingkat keakuratannya pada saat proses
identifikasi.
Proses dasar pemrosesan gambar digital menggunakan image processing diambil dari kemampuan indera penglihatan manusia yang selanjutnya
dihubungkan dengan kemampuan otak manusia
untuk melakukan proses atau pengolahan terhadap
gambar digital tersebut. Penelitian ini mencoba
untuk melakukan beberapa penggabungan teknik
pengolahan citra dan pengenalan pola dengan
mengkombinasikan teknik klasifikasi untuk mengidentifikasi kualitas induk gurame yang “unggul”
dan “tidak unggul”.
Jurusa n Te knik Ele ktro UNRA M – Ma ta ra m , 17 Juli 201 2
Beberapa penelitian yang telah menggunakan
sistem pengenalan antara lain : menggunakan alih
ragam Wavelet Haar [2]. Hasil dekomposisi Wavelet sebagai masukan proses klasifikasi k-NN. Dekomposisi dilakukan penelitian beberapa level, dari
level 4, 3 dan 2. Hasilnya dibandingkan
keakuratannya setelah dijadikan masukan untuk proses
klasifikasi k-NN di masing-masing level. [4]
Menggunakan deteksi garis dan deteksi blok untuk
mendapatkan ciri-ciri rajah telapak tangan. [5]
menggunakan wavelet dan jaringan syaraf tiruan.
[8] Menggunakan Wavelet Haar dan PCA menggunakanLevemberg-Marquardt
Backpro-pagation
(LMBP) untuk sistem pengenalan wajah. Pada penelitian ini metode deteksi tepi Laplacian Of Gaussian (LOG) sebagai bagian proses prapengolahan
untuk menentukan tepi-tepi sisik tubuh gurame.
Rincian proses menyeluruh mencakup pengumpulan data, persiapan pengolahan data, proses
ekstraksi ciri hingga proses klasifikasi menggunakan data latih dan data uji hingga dapat mengenali
“benih unggul” atau “tidak unggul”.
245
Pro sid ing : SEMINA R NA SIO NA L 2012
”Te knik Ele ktro Da n Info rm a tika Da la m Pe ng e m b a ng a n Te kno lo g i Be rke la njuta n”
2. Metodologi Penelitian
2.1 Gambaran Umum Sistem
Gambar 1. Gambaran umum sistem
Akuisi Data
Proses akuisisi citra merupakan proses pengambilan (capturing) citra dari suatu objek ikan
gurame, yang mana dalam sistem ini pada pembacaan color code dan peng-captur-an ikan gurame.
Proses capture adalah proses pengambilan gambar
melalui kamera. Citra ikan diperoleh melalui pengambilan photo ikan gurame dengan menggunakan
kamera digital Fuji Film Fine Pix JV 250 Series,
dengan resolusi 512x256 titik (piksel). Pengguna
meletakkan ikan gurame pada suatu alas yang telah
disediakan. Alas ini berupa kain lembut yang digunakan untuk mengambil ikan gurame didalam kolam. Tinggi kamera ke objek kurang lebih 61 cm.
Sudut antara kamera ke objek sekitar 90º. Panjang
ikan gurame untuk penelitian ini sekitar 40 - 55 cm.
Lebarnya sekitar kurang lebih 20 - 35 cm dan berat
badannya sekitar kurang lebih 2 - 3,5 kg. Rata-rata
umur ikan sekitar 3 – 4 tahun.
ISBN : 97 8- 9 79 - 19 888- 1 - 0
processing adalah mengubah citra berwarna menjadi citra grayscale, hal ini digunakan untuk menyederhanakan model citra. Citra warna bisa diubah
menjadi citra grayscale dengan cara menghitung
rata-rata elemen warna Red, Green, dan Blue.
Pada awalnya citra terdiri dari 3 layer matrik
yaitu R-layer, G-layer dan B-layer. Sehingga untuk
melakukan proses-proses selanjutnya tetap diperhatikan tiga layer diatas. Bila setiap proses perhitungan dilakukan menggunakan tiga layer, berarti dilakukan tiga perhitungan yang sama. Sehingga konsep itu diubah dengan mengubah 3 layer diatas
menjadi 1 layer matrik grayscale dan hasilnya adalah citra grayscale [9]. Secara matematis perhitungannya sebagai berikut [10]:
(1.1)
Berikut ini proses thresholding untuk mengubah
citra RGB menjadi grayscale.
Gambar 2. Gambar asli dikonversi menjadi
grayscale
Deteksi Tepi
Pra pengolahan
Tahapan pra- pengolahan merupakan proses
awal dari sistem pengenalan citra ikan dengan
mengubah citra RGB menjadi citra grayscale.
Gambar 2. Proses pra pengolahan
Gambar 2 menjelaskan bahwa input image merupakan proses yang pertama kali dilakukan untuk
mendapatkan data citra yang akan diproses selanjutnya. Tahap ini dilakukan suatu proses pengubahan citra digital. Input image berupa citra warna
ikan gurame jantan dan betina. Pada citra warna,
setiap titik mempunyai warna yang spesifik yang
merupakan kombinasi dari 3 warna dasar, yaitu
merah, hijau, dan biru. Format citra ini sering disebut sebagai citra RGB (Red-Green-Blue).
Proses selanjutnya adalah grayscalling. Proses
awal yang banyak dilakukan
dalam image
2 46
Laplacian of Gaussian (LOG) adalah salah
satu operator deteksi tepi yang dikembangkan dari
turunan kedua dan sangat berbeda dengan operator
yang lainnya, karena operator Laplacian berbentuk
omny directional (tidak horizontal tidak vertikal)
yang akan menangkap tepian dari semua arah dan
menghasilkan tepian yang lebih tajam dari operator
yang lainnya [1]. Tahap akhir Preprocessing ini
data yang telah diolah hasilnya disimpan dalam
folder.
Ekstraksi Fitur
Tahap selanjutnya melakukan proses ekstraksi
fitur. Ekstraksi fitur merupakan bagian fundamental dari analisis citra. Fitur adalah karakteristik unik
dari suatu objek. Tabel 1 dibawah ini merupakan
tabel pengelompokan pola berdasarkan ciri ikan
gurame.
Tabel 1. Pengelompokan pola ciri induk gurame.
Jurusa n Te knik Ele ktro UNRA M - Ma ta ra m , 17 Juli 201 2
Pro sid ing : SEMINA R NA SIO NA L 2012
ISBN : 9 78 - 97 9- 198 88 - 1- 0
”Te knik Ele ktro Da n Info rm a tika Da la m Pe ng e m b a ng a n Te kno lo g i Be rke la njuta n”
Penelitian ini mengekstraksi fitur tekstur ikan
gurame dari pola sisik kulitnya.
dari beberapa jenis wavelet daubechies (db2, db3,
dan db4) ditabulasikan dalam Tabel 1, sedangkan
koefisien tapis g0n dapat dicari dari persamaan di
bawah ini [5 ]:
(1.2)
Wavelet Daubechies merupakan basis ortonormal, yaitu jika:
Gambar 3. Diagram blok ekstraksi fitur tekstur
sisik ikan gurame
(1.3)
Dekomposisi Wavelet
Gambar 4. Skema proses dekomposisi wavelet
Gambar 4 merupakan proses dekomposisi
wavelet menggunakan dekomposisi wavelet 3 level. Sedangkan di penelitian ini menggunakan
proses dekomposisi wavelet 5-level. Keterangan
gambar 4 adalah :
A1: hasil lowpass terhadap baris dan kolom
V1: hasil lowpass terhadap baris diteruskan dengan
highpass terhadap kolom
H1 : hasil highpass terhadap baris diteruskan dengan lowpass terhadap kolom
D1 : hasil highpass terhadap baris dan kolom
V1, H1, D1 merupakan hasil deomposisi level 1.
A1 tidak diperlihatkan karena akan didekomposisikan lagi ke level berikutnya menjadi A2, B2, D2,
V2.
Wavelet merupakan gelombang mini (small
wave) yang mempunyai kemampuan mengelompokan energi citra terkosentrasi pada sekelompok kecil koefisien, sedangkan
kelompok koefisien
lainnya hanya mengandung sedikit energi yang
dapat dihilangkan tanpa mengurangi nilai informasinya. Wavelet dapat dibentuk dari satu fungsi Ψ(x)
, dikenal sebagai “mother wavelet” dalam suatu
interval berhingga. “Daughter wavelet” Ψa,b(x)
dibentuk oleh translasi (b) dan kontraksi (a). Wavelet sangat berguna untuk kompresi data image, karena transformasi wavelet mempunyai properti
yang ada dalam beberapa cara transformasi Fourier
konvensional [3].
Transformasi atau alih ragam yang digunakan
di penelitian ini adalah alih ragam wavelet daubechies. Pada kasus ini, daubechies sendiri telah menetapkan nilai-nilai koefisien tapis h0n dan g0n atas
beberapa jenis wavelet daubechies. Koefisien h0n
Jurusa n Te knik Ele ktro UNRA M – Ma ta ra m , 17 Juli 201 2
Suatu wavelet Orthogonal dikatakan wavelet Daubechies Orthogonal derajat N jika vanishing moments dari fungsi penskala φ (x) berderajat N.
(1.4)
Derajat vanishing moments (tingkat kehalusan)
ini merupakan parameter untuk menyatakan
kemampuan mengapproksimasi suatu sinyal.
Semakin besar jumlah vanihing moments suatu
fungsi basis, maka akan semakin kecil galat
approksimasi yang akan terjadi. Hal inilah yang
merupakan sifat kunci dari wavelet Daubechies
yang merupakan perbaikan dari wavelet Haar [5].
Tabel 1. Koefisien-koefisien tapis lowpass h0n
Gambar 5. Proses dekomposisi untuk menghasilkan
koefisien-koefisien wavelet dari citra tubuh ikan
Pada gambar 5, LL menyatakan bagian koefisien yang diperoleh melalui proses tapis Low pass
dilanjutkan dengan Low pass. Citra bagian ini mirip
dan merupakan versi yang lebih halus dari citra
aslinya sehingga koefisien pada bagian LL sering
disebut dengan komponen aproksimasi. LH menyatakan bagian koefisien yang diperoleh melalui
247
Pro sid ing : SEMINA R NA SIO NA L 2012
”Te knik Ele ktro Da n Info rm a tika Da la m Pe ng e m b a ng a n Te kno lo g i Be rke la njuta n”
proses tapis Low pass kemudian dilanjutkan dengan
High pass. Koefisien pada bagian ini menunjukkan
citra tepi dalam arah horisontal. Bagian HL menyatakan bagian yang diperoleh melalui proses High
pass kemudian dilanjutkan dengan Low pass. Koefisien pada bagian ini menunjukkan citra tepi dalam
arah vertikal. HH menyatakan proses yang diawali
dengan High pass, dan dilanjutkan dengan High
pass, dan menunjukkan citra tepi dalam arah diagonal. Ketiga komponen LH, HL, dan HH disebut
juga komponen detil.
PCA
Metode PCA ( Principal Component
Analysis ) mengurutkan komponen-komponen ortogonal yang dihasilkan (komponen-komponen
utama) sehingga komponen dengan akar ciri terbesar ada di urutan pertama, dan PCA mengeliminasi
komponen-komponen yang kurang memberikan
kontribusi terhadap keragaman pada himpunan data. Misalkan terdapat sekumpulan citra ikan gurame
Γ1, Γ2, Γ3,….. ΓM. Rata-rata ikan gurame dari set ini
didefinisikan dengan persamaan 2.20 berikut :
ISBN : 97 8- 9 79 - 19 888- 1 - 0
Selanjutnya didefinisikan matriks V = Avi. Matriks
V merepresentasikan vektor - vektor orthogonal,
tetapi tidak orthonorma, dengan kata lain, VTV ≠ I.
Untuk memperoleh vektor orthonormal Vi , maka
setiap kolom dari V harus dibagi dengan λ½.
Matriks V inilah yang merupakan vektor
transformasi PCA dari set citra gurame Γ1, Γ2,
Γ3,….. ΓM dan setiap kolomnya merupakan
eigenface yang berkesesuaian dengan nilai eigen
yang terurut turun. Matriks V, yang merupakan
kumpulan dari vektor-vektor Vi, membangun ruang
tubuh untuk semua citra tubuh ikan dalam set.
Transformasi citra tubuh ikan ke ruang tubuh
didefinisikan sebagai F. Untuk sebuah citra tubuh
ikan masukan X, transformasinya ke ruang tubuh
didefinisikan sebagai Y.
F = VTA
(1.8)
(1.9)
Y = VT( X - Ψ )
Suatu sistem pengenalan yang hanya
menggunakan PCA dalam proses ekstraksi fitur
akan memberikan hasil pengenalan dengan
menghitung kemiripan, misalnya jarak eukledian,
antara Y dengan setiap kolom dalam F.
Klasifikasi k-NN
(1.5)
Perbedaan tiap citra gurame dari rataannya didefinisikan pada persamaan vektor berikut:
(1.6)
Matrik kovarian C dari seluruh data citra gurame
dinyatakan dengan persamaan berikut:
(1.7)
Dengan A = [ Θ1 Θ2 Θ3…. ΘM], merupakan set citra
tubuh ikan ternormalisasi. Matrik C akan berukuran
N2 x N2 . Untuk menentukan N2 vektor eigen dan
nilai eigen dari dari matriks C membutuhkan
perhitungan numerik yang kompleks. Vektor eigen
dari AAT harus dihitung. Namun karena komputasi
cukup dihitung vektor eigen dari ATA. vektor ini
berukuran M x M (lebih mudah menghitung vektor
eigen dari matriks 64 x 64 daripada matrik 4096 x
4096). Misalkan vi merupakan vektor eigen dari
ATA, maka :
K-Nearest Neighbor (KNN) adalah suatu metode yang menggunakan algoritma supervised dimana hasil dari query instance yang baru diklasifikan berdasarkan mayoritas dari kategori pada KNN.
Tujuan dari algoritma ini adalah mengklasifikasikan obyek baru berdasarkan atribut dan training
sample. Classifier tidak menggunakan model apapun untuk dicocokkan 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.
Algoritma KNN menggunakan
klasifikasi ketetanggaan sebagai nilai prediksi dari query instance
yang baru. Training sample diproyeksikan ke
ruang berdimensi banyak, dimana masing-masing
dimensi merepresentasikan fitur dari data. Ruang
ini dibagi menjadi bagian-bagian berdasarkan klasifikasi training sample. Sebuah titik pada ruang ini
ditandai kelac c jika kelas c merupakan klasifikasi
yang paling banyak ditemui pada k buah tetangga
terdekat dari titik tersebut. Dekat atau jauhnya tetangga biasanya dihitung berdasarkan Euclidean
Distance yang direpresentasikan sebagai berikut
[3]:
(1.7)
Persamaan 1.7 menunjukkan bahwa Avi merupakan
vektor eigen dari matrik kovarian C = AAT.
2 48
(2.0)
Jurusa n Te knik Ele ktro UNRA M - Ma ta ra m , 17 Juli 201 2
Pro sid ing : SEMINA R NA SIO NA L 2012
ISBN : 9 78 - 97 9- 198 88 - 1- 0
”Te knik Ele ktro Da n Info rm a tika Da la m Pe ng e m b a ng a n Te kno lo g i Be rke la njuta n”
dimana matriks D(a,b) adalah jarak skalar dari kedua vektor a dan b dari matriks dengan ukuran d
dimensi.
Pada fase training, algoritma ini hanya melakukan penyimpanan vektor-vektor fitur dan klasifikasi data training sample. Pada fase klasifikasi,
fitur-fitur yang sama dihitung untuk testing data
(yang klasifikasinya tidak diketahui). Jarak dari
vektor baru yang ini terhadap seluruh vektor training sample dihitung dan sejumlah k buah yang paling dekat diambil. Titik yang baru klasifikasinya
diprediksikan termasuk pada klasifikasi terbanyak
dari titik-titik tersebut.
Hasil Dan Pembahasan
Gambar 7. Data uji ikan gurame jantan
Gambar 8. Data uji ikan gurame betina
Percobaan ini dilakukan secara bertahap sesuai
dengan tahapan yang telah disusun pada Gambar
berikut :
Gambar 9. Data uji ikan gurame betina
Tranformasi wavelet menggunakan dekomposisi level 5. Menggunakan nilai k=1,2. Hasil sementara yang diperoleh dapat dilihat pada tabel 2.
Tabel 2. Hasil dekomposisi level 5
Gambar 6. Diagram alir penelitian
Penelitian ini bekerjasama dengan Balai Benih
Ikan Kota Mataram untuk mengambil datanya. Data
yang digunakan dalam percobaan ini adalah 56 citra
ikan gurame yang secara kasat mata dinilai masuk
kedalam beberapa kelompok jenis ikan jantan,betina dan tidak unggul. Kelompok ikan gurame
jantan berjumlah 27 ekor, kelompok ikan gurame
betina berjumlah 14 ekor dan kelompok ikan gurame campuran jantan dan betina tetapi tidak unggul berjumlah 15 ekor. Masing-masing kelompok
memiliki beberapa variasi yaitu sisi kiri dan kanan
dari tubuh ikan gurame. Sebagai data latih, akan
diambil 7 ekor kelompok ikan gurame jantan, 10
ekor ikan gurame betina dan 7 ekor ikan gurame
betina. Sisanya adalah data uji. Data citra ikan gurame yang digunakan pada percobaan ini terdapat
pada gambar berikut :
Jurusa n Te knik Ele ktro UNRA M – Ma ta ra m , 17 Juli 201 2
Tabel 2 menjelaskan bahwa pada nilai k=1, kelas
dikenali sebagai benih “tidak unggul” berjumlah 8
ekor data uji ikan gurame. K=2 merupakan kelas
dikenali sebagai benih “unggul” dengan data uji
berjumlah 23 ikan jantan dan betina. Hasil sementara tingkat keakuratannya 100% untuk k=1 benih
tidak unggul dan tingkat keakuratannya 95% untuk
k=2 benih unggul. Jadi dari hasil sementara dapat
dikatakan sistem pengenalan induk gurame untuk
pembenihan menggunakan program MATLAB 7.8
ini cukup berhasil untuk dijadikan pembanding
dengan sistem pengenalan manual yang dilakukan
oleh petugas BBI. Gambar 10 berikut merupakan
hasil sementara yang diperoleh pada proses pengolahan data di program Matlab
7.8.
249
Pro sid ing : SEMINA R NA SIO NA L 2012
”Te knik Ele ktro Da n Info rm a tika Da la m Pe ng e m b a ng a n Te kno lo g i Be rke la njuta n”
ISBN : 97 8- 9 79 - 19 888- 1 - 0
3.
Gambar 10 Hasil akhir proses pemrograman
Matlab.
3.
Kesimpulan
Kesimpulan sementara yang dapat ditarik dari
penelitian ini adalah sebagai berikut:
Konsep pengolahan citra dalam mengubah suatu citra dari satu domain ke domain lainnya dengan
tujuan untuk mempermudah pengkodean menggunakan transformasi wavelet dan PCA untuk ekstraksi fitur.
K-Nearest Neighbor (KNN) merupakan metode pengklasifikasian data untuk mencari jarak
terdekat antara data yang akan dievaluasi dengan K
tetangga terdekatnya dalam data pelatihan.
Dekomposisi wavelet dilakukan sampai dengan
level 5.
Nilai k yang digunakan adalah 1,2. Dengan nilai k = 1 tingkat akurasi 100% dan k=2 tingkat akurasi 95%. Sehingga hasil sementara sistem pengenalan menggunakan program MATLAB versi 7.8
mampu untuk mengenali benih unggul atau tidak
unggul ikan gurame untuk pembenihan.
Rafael C. Gonzalez and PaulWintz, 1999,
Digital Image Processing. Addison-Wesley
Publishing Company, Inc.
4. I Ketut Gede Darma Putera, Sistem Verifikasi
Menggunakan Garis Garis Telapak Tangan.
Jurnal Teknologi Elektro Vol. 6 No. 2 Juli Desember, 2007.
5. Farros, and Chan Yu, 2001, Quantifying fish
quality using neural networks, IEEE
Transactions on Image Proc.
6. Suta Wijaya, Gede Pasek, Kanata, Bulkis,
Pengenalan Citra Sidik Jari Berbasis Transformasi Wavelet Jaringan Syaraf Tiruan, Jurnal Teknik Elektro, Vol 4, No 1, 2004, pp, 4652.
7. Alasdair McAndrew, An Introduction to Digital Image Processing with Matlab. McAndrew,
A., 2004, An Introduction to Digital Image
Processing with Matlab, notes for SCM2511
Image.
8. Mohammed Alwakel, Zyad Shaaban.2010.
Face Recognition Base On Haar Wavelet
Transform And Principal Component Analysis
Via Lenenberg Marquardt Backpropagation
Neural
Network.[Online].
Tersedia
di:
http://www.eurojournals.com/ejsr.htm.
[diunduh: 31 Desember 2010]
9. Anonim. 2011. Bab II Teori Penunjang.
Tersedia
di
:
student.eepisits.edu/~ph4j4r06/BAB%202.docx.
[diunduh : 19 Januari 2012].
10. Sutoyo ,dkk.2009. Teori Pengolahan Citra
Digital. Yogyakarta: Andi Offset.
DAFTAR PUSTAKA
1.
2.
2 50
Darma Putera.2010. Pengolahan Citra Digital.
Yogyakarta : Andi Offset
Muhammad Ilyas Sillki. Pengenalan Wajah
Dengan Praproses Transformasi Wavelet
Menggunakan K-Nearest Neighbour. Jurnal
Paradigma Vol X. No. 2 Desember ,2009.
Jurusa n Te knik Ele ktro UNRA M - Ma ta ra m , 17 Juli 201 2