ARTIKEL APLIKASI KLASIFIKASI JENIS JENIS BUAH JERUK MENGGUNAKAN METODE K-NEAREST NEIGHBOR
ARTIKEL
APLIKASI KLASIFIKASI JENIS JENIS BUAH JERUK
MENGGUNAKAN METODE K-NEAREST NEIGHBOR
Oleh:
RIDHO ARY SUMARNO
13.1.03.02.0092
Dibimbing oleh :
1. Hermin Istiasih M.T., M.M.
2. Mochammad Bilal S.kom., M.Cs.
PROGAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS NUSANTARA PGRI KEDIRI
TAHUN
2017
Ridho Ary Sumarno | 13.1.03.02.0092 simki.unpkediri.ac.id
Teknik || 1||APLIKASI KLASIFIKASI JENIS – JENIS BUAH JERUK
MENGGUNAKAN METODE K-NEAREST NEIGHBOR
Ridho Ary Sumarno 13.1.03.02.0092
Teknik
- – Teknik Informatika Email : ridhoari74@gmail.com
1
2 Hermin Istiasih M.T.,M.M . dan Mochamad Bilal S.kom., M.Cs .
UNIVERSITAS NUSANTARA PGRI KEDIRI
ABSTRAK
Penelitian ini dilatar belakangi bahwa tanaman Jeruk paling cocok ditanam di daerah subtropis yang memiliki suhu rata-rata 20- C. Jeruk merupakan buah non-klimaerik yaitu
25 buah hanya dapat diperoleh di pohon atau tidak dapat diperam setelah dipanen. Identifikasi buah jeruk berdasarkan citra buah jeruk menggunakan berdasarkan kulit jeruk.
Permasalahan dari sistem klasifikasi jenis-jenis buah jeruk ini adalah bagaimana cara merancang sebuah aplikasi untuk klasifikasi buah jeruk menggunakan metode K-Nearest dalam pengenalan citra buah jeruk.
Neighbor Algoritma K-Nearest Neighbor (kadang disebut juga K-Nearest Neighbor / K-NN)
merupakan algoritma yang melakukan klasifikasi berdasarkan kedekatan lokasi (jarak) suatu data dengan data yang lain.
Simpulan pada aplikasi klasifikasi jenis buah jeruk ini dapat menganalisis permasalahan yang ada pada sistem dapat mempercepat dan mempermudah kita untuk mengetahui perbedaan jenis - jenis jeruk dan membantu dalam melakukan klasifikasi secara integritas dan seefisien mungkin.
Saran pengembangan aplikasi klasifikasi jenis
- – jenis buah jeruk menjadi lebih baik yaitu menggunakan metode K-Nearest neighbor untuk mendapatkan nilai terdekat dari citra, selain itu, perlu adanya penggunaan metode-metode algoritma lainnya yang dapat dipakai untuk mengetahui klasifikasi buah jeruk secara lebih akurat.
Kata Kunci : klasifikasi, klasifikasi jenis-jenis buah jeruk, menggunakan metode k-nearest
neighbor.
Ridho Ary Sumarno | 13.1.03.02.0092 simki.unpkediri.ac.id
Teknik || 2||I. Latar Belakang
A. Grayscale
karena pada umumnya warna yang dipakai adalah antara warna hitam sebagai warna minimal dan warna putih sebagai warna maksimal, sehingga warna antaranya adalah warna abu-abu. Sebagai contoh dipilih warna minimalnya adalah putih dan warna maksimalnya
citra ini disebut skala keabuan
= 256. format
8
2
− 1 = 15 sedangkan untuk skala keabuan 8 bit, maka jumlah kemungkinan nilainya adalah
4
2
= 16, dan nilai maksimumnya adalah
2
2
Citra skala keabuan memberi kemungkinan warna yang lebih banyak daripada citra biner, karna ada nilai-nilai lain diantara nilai minimum (biasanya = 0) dan nilai maksimumnya. banyaknya kemungkinan nilai dan nilai maksimumnya tergantung pada jumlah bit yang digunakan. Contohnya untuk skala keabuan 4 bit, maka jumlah kemungkinan nilainya adalah
Ridho Ary Sumarno | 13.1.03.02.0092 Teknik simki.unpkediri.ac.id
|| 4||
response (kemampuan merespon warna dari sensor dalam imaging system ).
suatu permukaan memantulkan warna), spectral content (kandungan warna dari cahaya yang menyinari permukaan) dan spectral
reflectance (menentukan bagaimana
yang berbeda. Persepsi warna dalam pengolahan citra tergantung pada tiga faktor, yaitu : spectral
K-NN . Warna merupakan respon pychophysiological dan intensitas
Pengenalan objek citra akan diklasifikasi dengan metode pembelajaran menggunakan metode
dan mencari kesamaan terbaik dari sekumpulan deskripsi yang telah diketahui untuk melakukan pengenalan.
properties dari permukaan objek
Warna adalah salah satu atribut yang berperan dalam mengidentifikasikan objek tertentu, pemrosesan warna termasuk didalamnya adalah ekstraksi informasi tentang spectral
25 C. Jeruk merupakan buah non-klimaerik yaitu buah hanya dapat diperoleh di pohon atau tidak dapat diperam setelah dipanen. Jadi penting halnya untuk memetik ataupun memanen buah jeruk.
di daerah subtropis yang memiliki suhu rata-rata 20-
aurantium L.) paling cocok ditanam
Tanaman Jeruk (Citrus
II. METODE adalah merah, maka semakin besar = −2 0 2 nilainya semakin besar pula.
−1 0 1 ........(2.5)
A. Operator Sobel
1 2 1 Operator Sobel adalah salah satu operator yang menghindari
= 0 0 0 adanya perhitungan gradient di titik −1 − 2 − 1 interpolasi. Operator ini
Arah tepi dihitung menggunakan kernel ukuran 3x3 menggunakan persamaan berikut : pixel untuk perhitungan gradient
−1
( , ) = ( ) ........(2.6) sehingga perkiraan gradient berada tepat di tengah jendela. Susunan Tampak bahwa operator menggunakan pembobotan pixel-pixel disekitar pixel (x,y) Sobel pada pixel-pixel yang lebih dekat dalam operator sobel adalah sebagai berikut dengan titik pusat kernel. Oleh
1 2 karena itu, pengaruh pixel-pixel
.......( ( , ) 2.3)
7
3
tetangga akan berbeda sesuai
6
5
4
dengan letaknya terhadap titik Berdasarkan susunan pixel dimana gradient dihitung. dalam tetangga tersebut, besaran gradient melakukan perhitungan gradient, yang dihitung menggunakan operator ini merupakan gabungan operator sobel adalah sebagai dari posisi mendatar dan posisi berikut vertikal.
= ( ) + +
2
3
4 Cara kerja operator sobel adalah :
1) Menentukan nilai x
) −( + +
7
6 dan y.
- = (
2
3
2) nilai Menghitung
) .........(2.4)
4 kernel x dan y.
3) nilai Menghitung
- −( )
6
5
4 Gradient.
Di mana c adalah konstanta yang 4)
Susun posisi x dan y bernilai
2. Sx dan Sy yang baru. diimplementasikan menjadi kernel berikut :
B. K-Nearest Neighbor
−1 0 1
Ridho Ary Sumarno | 13.1.03.02.0092 simki.unpkediri.ac.id Teknik || 4||
Algoritma K-Nearest
1. Deteksi tepi sobel
Misalkan Diketahui sebuah
Neighbor (kadang disebut juga K-
citra dengan ukuran 3x3 px,
Nearest Neighbor / K-NN ) dengan citra 3 bit.
merupakan algoritma yang
5
3
4
melakukan klasifikasi berdasarkan
6
4
2
kedekatan lokasi (jarak) suatu data
2
1
3
dengan data yang lain. Pada
algoritma K-NN, data berdimensi
N, dapat dihitung jarak dari data
SX
tersebut ke data yang lain, nilai jarak
- 1
1 ini yang digunakan sebagai nilai
- 2
2 kedekatan/ketidak miripan antara
- 1
1 data uji dengan data latih. Nilai K pada K-NN berarti K-data terdekat dari data uji. Pada algoritma K-NN,
SY
sebuah data uji z = (x’,y’), dimana
- 1 -2 -1 x’ ada vektor/atribut data uji, sedangkan y’ adalah label kelas data uji yang belum diketahui, kemudian
1
2
1 menghitung jarak (atau kemiripan) data uji ke setiap data latih d(x’,x), kemudian mengambil K tetangga
2. Algoritma K-NN
Mencari nilai terdekat terdekat pertama dalam Dz. Setelah dengan menghitung hasil dari nilai itu dihitung jumlah data yang sobel dengan menggunakan mengikuti kelas yang ada dari K algoritma K-NN. Data dari nilai tetangga tersebut. Kelas dengan data sobel yang dihitung yaitu terbanyak yang mengikutinya menggunakan nilai sobel SX , menjadi kelas pemenang yang sebagai berikut : diberikan sebagai label kelas pada Diketahui Data testing SX : data uji y’.
−1 0 1 [ −2 0 2 ]
−1 0 1
C. Simulasi Algoritma
Diketahui Piksel :
Ridho Ary Sumarno | 13.1.03.02.0092 simki.unpkediri.ac.id
Teknik || 5||5 3 4 [ 6 4 2 ] 2 1 3
III. HASIL DAN KESIMPULAN
A. Tampilam Progam
Berikut merupakan form
Gambar 5.10 Form Datapada aplikasi klasifikasi buah jeruk:
Training
Keterangan dari gambar 5.10
1. Tampilan Awal
adalah sebagai berikut : 1.
Combo Box : untuk memilih jenis jeruk yang di inginkan.
2. Citra: untuk Input mengambil foto didalam folder .
Gambar 5.9 Form menuKeterangan dari gambar 5.9 3.
Grayscale : untuk adalah sebagai berikut : pengkonversian citra
1. Training : Data warna RGB menjadi didalamnya terdapat citra berwarna abu-abu. pilihan proses dari data 4.
Deteksi Tepi : untuk training. mengidentifikasi garis 2. Data Testing : didalam batas dari suatu objek nya terdapat pilihan yang terdapat pada citra. proses dari data testing.
5. Citra Informasi
3. : untuk Informasi Masukam : untuk mengetahui informasi mrngetahui ukuran citra aplikasi. foto 150 x 150.
Reset : mengahapus dari aplikasi. semua masukan yang ada didalam aplikasi.
4. Keluar : untuk keluar 6.
7. Memo : mengetahui piksel nilai citra dari
2. Form Training deteksi tepi.
Ridho Ary Sumarno | 13.1.03.02.0092 simki.unpkediri.ac.id
Teknik || 6||8.
7. Data Testing : menuju Memo : mengetahui nilai proses data testing. piksel citra dari deteksi
3. Form Data Testing tepi.
8. Home : menuju tampilan halaman utama.
B. Hasil Uji Coba
Dari hasil pengujian menggunakan 6 buah sampel buah
Gambar 5.11 Form Data Testingjeruk meliputi nipis, keprok, purut, Keterangan dari gambar 5.11 lemon, satsuma, siam yang masing- adalah sebagai berikut : masing berukuran 150x150 piksel.
1. Citra: untuk input
Tabel 5.3 Hasil skenario uji cobamengambil foto didalam folder . Skenario uji Hasil Akurasi 2. : untuk
Grayscale coba Benar Salah pengkonversian citra 1.
28 16 63% warna RGB menjadi citra berwarna abu-abu.
2.
30 24 55% 3. Deteksi Tepi : untuk 3.
25 21 54% mengidentifikasi garis
4.
35 25 58% batas dari suatu objek yang terdapat pada citra.
Keterangan dari tabel 5.3 hasil
4. Eucludient : Nilai skenario uji coba dapat dijelaskan
Mengetahui nilai jarak bahwa hasil dari proses training citra yang terdekat. dan proses testing dari masing-
5. :untuk Identifikasi masing skenario adalah sebagai mengetahui hasil citra berikut : yanng telah di proses.
a.
Skenario 1 : menghasilkan 6. Reset : mengahapus 28 bernilai benar dan 16 semua masukan yang bernilai salah akurasinya ada didalam aplikasi. sebanyak 63%
Ridho Ary Sumarno | 13.1.03.02.0092 simki.unpkediri.ac.id Teknik || 7|| b. Lukman Adlin Harahap. 1994. Budidaya Skenario 2 : menghasilkan
Tanaman Jeruk. Yogyakarta:
30 bernilai benar dan 24 Penerbit kansius. bernilai salah akurasinya
Tan, P.DKK. 2006. Introduction to Data sebanyak 55%
Mining. Boston San Fransisco New c. 3 : York: Pearson Education.
Skenario menghasilkan 25 bernilai benar dan 21 bernilai salah akurasinya sebanyak 54% d.
Skenario 4 : menghasilkan 35 bernilai benar dan 25 bernilai salah akurasinya sebanyak 58%
IV. DAFTAR PUSTAKA
Abdillah, leon, A. 2005. Universitas Bina Darma, Palembang. Pemrograman III (Delphi Database) .
Ahmad,Balza. 2005. Dalam T. P. DELPHI.
Yogyakarta: Andi publising. Arham Z, U. 2004. Pascasarjana IPB.
Evaluasi mutu jeruk dengan pengolahan citra digital dan jaringan saraf digital , 1.
Charu. G,Sunanda. G. 2013. International Journal of Science and Research.
Edge Detection of an Image based on Ant Colony Optimization Technique, Vol.2 (Issue 6,hal 114- 120).
Ian H Witten, f., & E. 2011. Data Mining:
Practical Machine Learning Tools and Techniques (3 ed.). (A. S. Burlington, Ed.). United States of America: Morgan Kaufmann.
Ridho Ary Sumarno | 13.1.03.02.0092 simki.unpkediri.ac.id
Teknik || 8||