Penerapan Jaringan Saraf Tiruan Radial Basis Function Pada Tools Klasifikasi Tanaman
PENERAPAN JARINGAN SARAF TIRUAN RADIAL BASIS FUNCTION
PADA TOOLS KLASIFIKASI TANAMAN
SKRIPSI
TIFANI ZATA LINI FY
111402044
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2016
Universitas Sumatera Utara
PENERAPAN JARINGAN SARAF TIRUAN RADIAL BASIS FUNCTION
PADA TOOLS KLASIFIKASI TANAMAN
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Sarjana Teknologi Informasi
TIFANI ZATA LINI FY
111402044
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2016
Universitas Sumatera Utara
ii
PERSETUJUAN
Judul
: PENERAPAN JARINGAN SARAF TIRUAN RADIAL
BASIS FUNCTION PADA TOOLS KLASIFIKASI
TANAMAN
Kategori
: SKRIPSI
Nama
: TIFANI ZATA LINI FY
Nomor Induk Mahasiswa
: 111402044
Program Studi
: SARJANA (S1) TEKNOLOGI INFORMASI
Departemen
: TEKNOLOGI INFORMASI
Fakultas
: ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing
:
Pembimbing 2
Pembimbing 1
Sajadin Sembiring, S.SI, M.Comp.Sc
Prof. Dr. Opim Salim Sitompul, M.Sc
-
NIP. 19610817 198701 1 001
Diketahui/disetujui oleh
Program Studi S1 Teknologi Informasi
Ketua,
Muhammad Anggia Muchtar, ST., MM.IT
NIP. 19800110 200801 1 010
Universitas Sumatera Utara
iii
PERNYATAAN
PENERAPAN JARINGAN SARAF TIRUAN RADIAL BASIS FUNCTION PADA
TOOLS KLASIFIKASI TANAMAN
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 26 Agustus 2016
Tifani Zata Lini FY
111402044
Universitas Sumatera Utara
iv
UCAPAN TERIMA KASIH
Puji dan syukur kehadirat Allah SWT, karena rahmat dan izin-Nya penulis dapat
menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana
Komputer, pada Program Studi S1 Teknologi Informasi Fakultas Ilmu Komputer dan
Teknologi Informasi Universitas Sumatera Utara.
Ucapan terima kasih penulis sampaikan kepada:
1.
Bapak Prof. Dr. Runtung Sitepu, SH, M.Hum selaku Rektor Universitas
Sumatera Utara.
2.
Bapak Prof. Dr. Opim Salim Sitompul, M.Sc selaku Dekan Fasilkom-TI USU
dan Dosen Pembimbing I yang telah memberikan bimbingan dan saran kepada
penulis.
3.
Bapak Muhammad Anggia Muchtar, ST., MM.IT selaku Ketua Program Studi
S1 Teknologi Informasi Universitas Sumatera Utara.
4.
Bapak Sajadin Sembiring, S.SI, M.Comp.Sc selaku Dosen Pembimbing II yang
telah memberikan bimbingan dan saran kepada penulis.
5.
Bapak Seniman, S.Kom, M.Kom selaku Dosen Pembanding I yang telah
memberikan kritik dan saran dalam penyempurnaan skripsi ini.
6.
Bapak Ivan Jaya, M.Kom selaku Dosen Pembanding II yang telah memberikan
kritik dan saran dalam penyempurnaan skripsi ini.
7.
Seluruh Dosen dan Pegawai Program Studi S1 Teknologi Informasi Universitas
Sumatera Utara.
8.
Ayahanda Fahmi Yunus dan Ibunda Astina Ilda beserta seluruh keluarga besar
penulis yang selalu memberikan doa, kasih sayang dan dukungan kepada
penulis.
9.
Sahabat penulis Nge_Net club, Ayu Cahyany A, Ossie Zarina P, Deno Sumarta,
Rizky Aulia, Khairunnisa, Indah Fatmi Utari, Abbas Munandar, M. Rifki Aulia,
dan Moh. Rizqi Takarina I yang selalu memberikan dukungan, bantuan dan
semangat.
Universitas Sumatera Utara
v
10. Sahabat sepermainan dan seperjuangan penulis, Nabila Pindya dan Neno Rama
Dhianita yang selalu memberikan dukungan, bantuan dan semangat.
11. Sahabat penulis TAFAMily, Ania Jaworska, Faustino Dardi, Adam Pham dan
Maxim Khritansev yang selalu memberikan dukungan dan semangat.
12. Senior-senior Teknologi Informasi, Bang Handra Saito, Kak Noviyanti Sagala,
Kak Nadya Amelia yang telah memberikan nasihat dan berbagi ilmu.
13. Teman-teman penulis yang telah memberikan bantuan,s dukungan dan semangat
semasa skripsi, Rauva, Marsha, dan Icha serta seluruh teman angkatan 2011
Program Studi Teknologi.
14. Pembina dan teman-teman semasa IMT-GT, Ibu Ir. Diana Chalil, M.Si., Ph.D.,
Sherly Yang, Dinda Nazlia Nst, Al, Henra, Khalid, Ica, Dea, dan Suha yang
telah memberikan semangat dan dukungan moral kepada penulis.
15. Semua pihak yang terlibat langsung ataupun tidak langsung yang tidak dapat
penulis ucapkan satu per satu yang telah membantu penyelesaian skripsi ini.
Semoga Allah SWT melimpahkan berkah kepada semua pihak yang telah
memberikan
bantuan,
perhatian,
serta
dukungan
kepada
penulis
dalam
menyelesaikan skripsi ini.
Medan, Agustus 2016
Penulis
Universitas Sumatera Utara
vi
ABSTRAK
Dunia kaya akan keberagaman tanaman. Setiap Negara memiliki tanaman endemik
yang memiliki karasteriktik unik, akan tetapi masih banyak tanaman yang belum
teridentifikasi, terutama tanaman musiman yang hanya terdapat daun sepanjang tahun.
Selain itu, tanaman biasanya diidentifikasi secara manual berdasarkan taksonomi yang
membutuhkan waktu lama sehingga proses identifikasi tidak efisien terutama untuk
flora yang memiliki bentuk daun yang mirip. Oleh sebab itu, diperlukan sebuah tools
yang dapat mengidentifikasi tanaman menggunakan citra daun pada tanaman.
Penerapan sebuah metode dalam mengatasi hal ini merupakan suatu hal yang
diharuskan. Pada penelitian ini, jaringan saraf tiruan radial basis function (RBF)
digunakan sebagai metode pengidentifikasi tanaman. Teknik pre-processing gambar,
seperti grayscale, gaussian, dan threshold serta invariant moment sebagai metode
ekstraksi fitur digunakan untuk memproses gambar sebelum identifikasi menggunakan
RBF dilakukan. Penelitian menggunakan 175 citra daun dari 5 jenis tanaman, dimana
150 daun digunakan pada proses pelatihan data dan 25 lainnya digunakan untuk
pengujian. Hasil penelitian ini menunjukkan bahwa metode yang diajukan dapat
mengklasifikasi tanaman menggunakan citra daun dengan tingkat akurasi sebesar
88%.
Kata kunci: jaringan saraf tiruan; radial basis function; invariant moment; pengolahan
citra; identifikasi; klasifikasi; tanaman.
Universitas Sumatera Utara
vii
RADIAL BASIS FUNCTION NEURAL NETWORK IN FLORA
CLASSIFICATION TOOLS
ABSTRACT
World is rich by its diversed flora. Each country has its special flora which has unique
characteristics, yet there are still many flora that haven’t been identified, especially
those which only have leaves throughout the year. In addition, flora is identified
manually according to taxonomy and requires a lot of time, making the identification
inefficient especially for those with identical leaves. Therefore needed tools which can
identify the flora through its leaf image. Applying a method to the tools in overcoming
this problem is mandatory. In this research, radial basis function neural network was
used as the method in identifying the flora. Image pre-processing techniques such as
grayscale, gaussian and threshold were used along with invariant moment as its
feature extraction before the identification process started. Under this research, 175
leaves of 5 kinds of flora were used. 150 leaves were trained and the other 25 used for
the testing. The result showed that the proposed method was able to perform the leaf
classification with 88% accuracy rates.
Keywords: radial basis function; neural network; invariant moment; image
processing; identification; classification; plant.
Universitas Sumatera Utara
viii
DAFTAR ISI
Hal.
Persetujuan
ii
Pernyataan
iii
Ucapan Terima Kasih
iv
Abstrak
vi
Abstract
vii
Daftar Isi
viii
Daftar Tabel
xi
Daftar Gambar
xii
BAB 1 PENDAHULUAN
1.1. Latar Belakang
1
1.2. Rumusan Masalah
2
1.3. Batasan Masalah
2
1.4. Tujuan Penelitian
3
1.5. Manfaat Penelitian
3
1.6. Metodologi Penelitian
3
1.7. Sistematika Penulisan
4
BAB 2 LANDASAN TEORI
2.1. Klasifikasi
6
2.1.1. Tujuan Klasifikasi
6
2.1.2. Konsep Pembuatan Model Klasifikasi
7
2.2. Citra
8
2.2.1. Citra Warna
8
2.2.2. Citra Keabuan
8
2.3. Pengolahan Citra
8
2.3.1. Grayscaling
8
2.3.2. Gaussian
9
Universitas Sumatera Utara
ix
2.3.3. Thresholding
10
2.4. Invariant Moment
11
2.4.1. Konsep Invariant Moment
11
2.5. Jaringan Saraf Tiruan
13
2.6. Radial Basis Function
15
2.6.1. Algoritma K-Means
16
2.7. Penelitian Terdahulu
18
BAB 3 ANALISIS DAN PERANCANGAN
3.1. Arsitektur Umum
21
3.2. Pre-Processing
23
3.2.1. Pembentukan Citra Keabuan (Grayscaling)
23
3.2.2. Penghalusan Citra (Gaussian)
24
3.2.3. Segmentasi Citra (Thresholding)
24
3.3. Feature Extraction
25
3.3.1. Invariant Moment
25
3.4. Klasifikasi
27
3.4.1. Perancangan Arsitektur Radial Basis Function
27
3.4.2. Tahap Pelatihan dan Pengujian Radial Basis Function
28
3.5. Data
34
3.5.1. Data Masukan
34
3.5.2. Data Proses
34
3.5.3. Data Keluaran
35
3.6. Perancangan Sistem
35
3.6.1. Perancangan Menu Sistem
35
3.6.2. Perancangan tampilan antarmuka sistem
35
BAB 4 IMPLEMENTASI DAN PENGUJIAN
4.1. Implementasi Sistem
39
4.1.1. Spesifikasi perangkat keras dan perangkat lunak
39
4.1.2. Implementasi perancangan antarmuka sistem
40
4.2. Pengujian Kinerja Aplikasi
42
4.3. Pelatihan Citra
45
Universitas Sumatera Utara
x
4.4. Prosedur Operasional
51
4.4.1. Prosedur operasional pada halaman pelatihan citra
51
4.4.2. Prosedur operasional pada halaman pengujian citra
54
4.5. Pengujian Citra
56
BAB 5 KESIMPULAN DAN SARAN
5.1. Kesimpulan
60
5.2. Saran
60
DAFTAR PUSTAKA
61
Universitas Sumatera Utara
xi
DAFTAR TABEL
Hal.
Tabel 2.1. Contoh matriks kernel gaussian 5x5 dengan σ = 1.0
9
Tabel 2.2. Penelitian terdahulu
20
Tabel 3.1. Nilai input awal
29
Tabel 3.2. Nilai awal centroid
29
Tabel 3.3. Nilai Euclidean Distance pada masing-masing node
31
Tabel 3.4. Nilai ter-update centroid
32
Tabel 4.1. Rencana pengujian kinerja aplikasi
42
Tabel 4.2. Hasil pengujian kinerja aplikasi
43
Tabel 4.3. Rangkuman hasil latih citra daun
46
Tabel 4.4. Target output
57
Tabel 4.5. Hasil pengujian
57
Universitas Sumatera Utara
xii
DAFTAR GAMBAR
Hal.
Gambar 2.1. Pemetaan Atribut (x) ke dalam Label Kelas (y) (Tan et al., 2004)
6
Gambar 2.2. Arsitektur umum Radial Basis Function
15
Gambar 2.3. Flowchart algoritma K-Means Clustering (Wu, 2012)
17
Gambar 3.1. Arsitektur umum sistem
22
Gambar 3.2. Citra daun
Gambar 3.3. Citra daun grayscale
23
23
Gambar 3.4. Langkah-langkah proses grayscaling
23
Gambar 3.5. Citra hasil proses gaussian
24
Gambar 3.6. Citra hasil proses thresholding
Gambar 3.7. Langkah-langkah proses thresholding
24
25
Gambar 3.8. Citra hasil proses thresholding
25
Gambar 3.9.
Arsitektur umum Radial Basis Function pada sistem
28
Gambar 3.10. Struktur menu aplikasi
35
Gambar 3.11. Rancangan tampilan awal aplikasi
36
Gambar 3.12. Rancangan tampilan halaman data training
36
Gambar 3.13. Rancangan tampilan halaman data testing
Gambar 4.1. Halaman utama
Gambar 4.2. Halaman training data
38
40
41
Gambar 4.3.
Halaman testing data
42
Gambar 4.4.
Tombol “Add” pada halaman training data
51
Gambar 4.5.
Kotak dialog yang muncul setelah tombol “Add” di klik
51
Gambar 4.6.
Halaman data training setelah pengisian data
52
Gambar 4.7.
Kotak dialog yang muncul setelah tombol “Browse” di klik
53
Gambar 4.8.
Jendela baru yang muncul setelah tombol “Preview”
53
pada panel tree image di klik
Gambar 4.9.
Jendela baru yang muncul setelah tombol “Preview”
54
pada panel leaf image training di klik
Gambar 4.10. Kotak dialog yang muncul setelah tombol “Browse” di klik
54
Gambar 4.11. Tampilan halaman pengujian setelah tombol “Classify” di klik
55
Universitas Sumatera Utara
xiii
Gambar 4.12. Preview grayscale, gaussian dan threshold
55
Gambar 4.13. Tampilan jendela baru setelah panel “Result” di klik
56
Universitas Sumatera Utara
PADA TOOLS KLASIFIKASI TANAMAN
SKRIPSI
TIFANI ZATA LINI FY
111402044
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2016
Universitas Sumatera Utara
PENERAPAN JARINGAN SARAF TIRUAN RADIAL BASIS FUNCTION
PADA TOOLS KLASIFIKASI TANAMAN
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Sarjana Teknologi Informasi
TIFANI ZATA LINI FY
111402044
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2016
Universitas Sumatera Utara
ii
PERSETUJUAN
Judul
: PENERAPAN JARINGAN SARAF TIRUAN RADIAL
BASIS FUNCTION PADA TOOLS KLASIFIKASI
TANAMAN
Kategori
: SKRIPSI
Nama
: TIFANI ZATA LINI FY
Nomor Induk Mahasiswa
: 111402044
Program Studi
: SARJANA (S1) TEKNOLOGI INFORMASI
Departemen
: TEKNOLOGI INFORMASI
Fakultas
: ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing
:
Pembimbing 2
Pembimbing 1
Sajadin Sembiring, S.SI, M.Comp.Sc
Prof. Dr. Opim Salim Sitompul, M.Sc
-
NIP. 19610817 198701 1 001
Diketahui/disetujui oleh
Program Studi S1 Teknologi Informasi
Ketua,
Muhammad Anggia Muchtar, ST., MM.IT
NIP. 19800110 200801 1 010
Universitas Sumatera Utara
iii
PERNYATAAN
PENERAPAN JARINGAN SARAF TIRUAN RADIAL BASIS FUNCTION PADA
TOOLS KLASIFIKASI TANAMAN
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 26 Agustus 2016
Tifani Zata Lini FY
111402044
Universitas Sumatera Utara
iv
UCAPAN TERIMA KASIH
Puji dan syukur kehadirat Allah SWT, karena rahmat dan izin-Nya penulis dapat
menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana
Komputer, pada Program Studi S1 Teknologi Informasi Fakultas Ilmu Komputer dan
Teknologi Informasi Universitas Sumatera Utara.
Ucapan terima kasih penulis sampaikan kepada:
1.
Bapak Prof. Dr. Runtung Sitepu, SH, M.Hum selaku Rektor Universitas
Sumatera Utara.
2.
Bapak Prof. Dr. Opim Salim Sitompul, M.Sc selaku Dekan Fasilkom-TI USU
dan Dosen Pembimbing I yang telah memberikan bimbingan dan saran kepada
penulis.
3.
Bapak Muhammad Anggia Muchtar, ST., MM.IT selaku Ketua Program Studi
S1 Teknologi Informasi Universitas Sumatera Utara.
4.
Bapak Sajadin Sembiring, S.SI, M.Comp.Sc selaku Dosen Pembimbing II yang
telah memberikan bimbingan dan saran kepada penulis.
5.
Bapak Seniman, S.Kom, M.Kom selaku Dosen Pembanding I yang telah
memberikan kritik dan saran dalam penyempurnaan skripsi ini.
6.
Bapak Ivan Jaya, M.Kom selaku Dosen Pembanding II yang telah memberikan
kritik dan saran dalam penyempurnaan skripsi ini.
7.
Seluruh Dosen dan Pegawai Program Studi S1 Teknologi Informasi Universitas
Sumatera Utara.
8.
Ayahanda Fahmi Yunus dan Ibunda Astina Ilda beserta seluruh keluarga besar
penulis yang selalu memberikan doa, kasih sayang dan dukungan kepada
penulis.
9.
Sahabat penulis Nge_Net club, Ayu Cahyany A, Ossie Zarina P, Deno Sumarta,
Rizky Aulia, Khairunnisa, Indah Fatmi Utari, Abbas Munandar, M. Rifki Aulia,
dan Moh. Rizqi Takarina I yang selalu memberikan dukungan, bantuan dan
semangat.
Universitas Sumatera Utara
v
10. Sahabat sepermainan dan seperjuangan penulis, Nabila Pindya dan Neno Rama
Dhianita yang selalu memberikan dukungan, bantuan dan semangat.
11. Sahabat penulis TAFAMily, Ania Jaworska, Faustino Dardi, Adam Pham dan
Maxim Khritansev yang selalu memberikan dukungan dan semangat.
12. Senior-senior Teknologi Informasi, Bang Handra Saito, Kak Noviyanti Sagala,
Kak Nadya Amelia yang telah memberikan nasihat dan berbagi ilmu.
13. Teman-teman penulis yang telah memberikan bantuan,s dukungan dan semangat
semasa skripsi, Rauva, Marsha, dan Icha serta seluruh teman angkatan 2011
Program Studi Teknologi.
14. Pembina dan teman-teman semasa IMT-GT, Ibu Ir. Diana Chalil, M.Si., Ph.D.,
Sherly Yang, Dinda Nazlia Nst, Al, Henra, Khalid, Ica, Dea, dan Suha yang
telah memberikan semangat dan dukungan moral kepada penulis.
15. Semua pihak yang terlibat langsung ataupun tidak langsung yang tidak dapat
penulis ucapkan satu per satu yang telah membantu penyelesaian skripsi ini.
Semoga Allah SWT melimpahkan berkah kepada semua pihak yang telah
memberikan
bantuan,
perhatian,
serta
dukungan
kepada
penulis
dalam
menyelesaikan skripsi ini.
Medan, Agustus 2016
Penulis
Universitas Sumatera Utara
vi
ABSTRAK
Dunia kaya akan keberagaman tanaman. Setiap Negara memiliki tanaman endemik
yang memiliki karasteriktik unik, akan tetapi masih banyak tanaman yang belum
teridentifikasi, terutama tanaman musiman yang hanya terdapat daun sepanjang tahun.
Selain itu, tanaman biasanya diidentifikasi secara manual berdasarkan taksonomi yang
membutuhkan waktu lama sehingga proses identifikasi tidak efisien terutama untuk
flora yang memiliki bentuk daun yang mirip. Oleh sebab itu, diperlukan sebuah tools
yang dapat mengidentifikasi tanaman menggunakan citra daun pada tanaman.
Penerapan sebuah metode dalam mengatasi hal ini merupakan suatu hal yang
diharuskan. Pada penelitian ini, jaringan saraf tiruan radial basis function (RBF)
digunakan sebagai metode pengidentifikasi tanaman. Teknik pre-processing gambar,
seperti grayscale, gaussian, dan threshold serta invariant moment sebagai metode
ekstraksi fitur digunakan untuk memproses gambar sebelum identifikasi menggunakan
RBF dilakukan. Penelitian menggunakan 175 citra daun dari 5 jenis tanaman, dimana
150 daun digunakan pada proses pelatihan data dan 25 lainnya digunakan untuk
pengujian. Hasil penelitian ini menunjukkan bahwa metode yang diajukan dapat
mengklasifikasi tanaman menggunakan citra daun dengan tingkat akurasi sebesar
88%.
Kata kunci: jaringan saraf tiruan; radial basis function; invariant moment; pengolahan
citra; identifikasi; klasifikasi; tanaman.
Universitas Sumatera Utara
vii
RADIAL BASIS FUNCTION NEURAL NETWORK IN FLORA
CLASSIFICATION TOOLS
ABSTRACT
World is rich by its diversed flora. Each country has its special flora which has unique
characteristics, yet there are still many flora that haven’t been identified, especially
those which only have leaves throughout the year. In addition, flora is identified
manually according to taxonomy and requires a lot of time, making the identification
inefficient especially for those with identical leaves. Therefore needed tools which can
identify the flora through its leaf image. Applying a method to the tools in overcoming
this problem is mandatory. In this research, radial basis function neural network was
used as the method in identifying the flora. Image pre-processing techniques such as
grayscale, gaussian and threshold were used along with invariant moment as its
feature extraction before the identification process started. Under this research, 175
leaves of 5 kinds of flora were used. 150 leaves were trained and the other 25 used for
the testing. The result showed that the proposed method was able to perform the leaf
classification with 88% accuracy rates.
Keywords: radial basis function; neural network; invariant moment; image
processing; identification; classification; plant.
Universitas Sumatera Utara
viii
DAFTAR ISI
Hal.
Persetujuan
ii
Pernyataan
iii
Ucapan Terima Kasih
iv
Abstrak
vi
Abstract
vii
Daftar Isi
viii
Daftar Tabel
xi
Daftar Gambar
xii
BAB 1 PENDAHULUAN
1.1. Latar Belakang
1
1.2. Rumusan Masalah
2
1.3. Batasan Masalah
2
1.4. Tujuan Penelitian
3
1.5. Manfaat Penelitian
3
1.6. Metodologi Penelitian
3
1.7. Sistematika Penulisan
4
BAB 2 LANDASAN TEORI
2.1. Klasifikasi
6
2.1.1. Tujuan Klasifikasi
6
2.1.2. Konsep Pembuatan Model Klasifikasi
7
2.2. Citra
8
2.2.1. Citra Warna
8
2.2.2. Citra Keabuan
8
2.3. Pengolahan Citra
8
2.3.1. Grayscaling
8
2.3.2. Gaussian
9
Universitas Sumatera Utara
ix
2.3.3. Thresholding
10
2.4. Invariant Moment
11
2.4.1. Konsep Invariant Moment
11
2.5. Jaringan Saraf Tiruan
13
2.6. Radial Basis Function
15
2.6.1. Algoritma K-Means
16
2.7. Penelitian Terdahulu
18
BAB 3 ANALISIS DAN PERANCANGAN
3.1. Arsitektur Umum
21
3.2. Pre-Processing
23
3.2.1. Pembentukan Citra Keabuan (Grayscaling)
23
3.2.2. Penghalusan Citra (Gaussian)
24
3.2.3. Segmentasi Citra (Thresholding)
24
3.3. Feature Extraction
25
3.3.1. Invariant Moment
25
3.4. Klasifikasi
27
3.4.1. Perancangan Arsitektur Radial Basis Function
27
3.4.2. Tahap Pelatihan dan Pengujian Radial Basis Function
28
3.5. Data
34
3.5.1. Data Masukan
34
3.5.2. Data Proses
34
3.5.3. Data Keluaran
35
3.6. Perancangan Sistem
35
3.6.1. Perancangan Menu Sistem
35
3.6.2. Perancangan tampilan antarmuka sistem
35
BAB 4 IMPLEMENTASI DAN PENGUJIAN
4.1. Implementasi Sistem
39
4.1.1. Spesifikasi perangkat keras dan perangkat lunak
39
4.1.2. Implementasi perancangan antarmuka sistem
40
4.2. Pengujian Kinerja Aplikasi
42
4.3. Pelatihan Citra
45
Universitas Sumatera Utara
x
4.4. Prosedur Operasional
51
4.4.1. Prosedur operasional pada halaman pelatihan citra
51
4.4.2. Prosedur operasional pada halaman pengujian citra
54
4.5. Pengujian Citra
56
BAB 5 KESIMPULAN DAN SARAN
5.1. Kesimpulan
60
5.2. Saran
60
DAFTAR PUSTAKA
61
Universitas Sumatera Utara
xi
DAFTAR TABEL
Hal.
Tabel 2.1. Contoh matriks kernel gaussian 5x5 dengan σ = 1.0
9
Tabel 2.2. Penelitian terdahulu
20
Tabel 3.1. Nilai input awal
29
Tabel 3.2. Nilai awal centroid
29
Tabel 3.3. Nilai Euclidean Distance pada masing-masing node
31
Tabel 3.4. Nilai ter-update centroid
32
Tabel 4.1. Rencana pengujian kinerja aplikasi
42
Tabel 4.2. Hasil pengujian kinerja aplikasi
43
Tabel 4.3. Rangkuman hasil latih citra daun
46
Tabel 4.4. Target output
57
Tabel 4.5. Hasil pengujian
57
Universitas Sumatera Utara
xii
DAFTAR GAMBAR
Hal.
Gambar 2.1. Pemetaan Atribut (x) ke dalam Label Kelas (y) (Tan et al., 2004)
6
Gambar 2.2. Arsitektur umum Radial Basis Function
15
Gambar 2.3. Flowchart algoritma K-Means Clustering (Wu, 2012)
17
Gambar 3.1. Arsitektur umum sistem
22
Gambar 3.2. Citra daun
Gambar 3.3. Citra daun grayscale
23
23
Gambar 3.4. Langkah-langkah proses grayscaling
23
Gambar 3.5. Citra hasil proses gaussian
24
Gambar 3.6. Citra hasil proses thresholding
Gambar 3.7. Langkah-langkah proses thresholding
24
25
Gambar 3.8. Citra hasil proses thresholding
25
Gambar 3.9.
Arsitektur umum Radial Basis Function pada sistem
28
Gambar 3.10. Struktur menu aplikasi
35
Gambar 3.11. Rancangan tampilan awal aplikasi
36
Gambar 3.12. Rancangan tampilan halaman data training
36
Gambar 3.13. Rancangan tampilan halaman data testing
Gambar 4.1. Halaman utama
Gambar 4.2. Halaman training data
38
40
41
Gambar 4.3.
Halaman testing data
42
Gambar 4.4.
Tombol “Add” pada halaman training data
51
Gambar 4.5.
Kotak dialog yang muncul setelah tombol “Add” di klik
51
Gambar 4.6.
Halaman data training setelah pengisian data
52
Gambar 4.7.
Kotak dialog yang muncul setelah tombol “Browse” di klik
53
Gambar 4.8.
Jendela baru yang muncul setelah tombol “Preview”
53
pada panel tree image di klik
Gambar 4.9.
Jendela baru yang muncul setelah tombol “Preview”
54
pada panel leaf image training di klik
Gambar 4.10. Kotak dialog yang muncul setelah tombol “Browse” di klik
54
Gambar 4.11. Tampilan halaman pengujian setelah tombol “Classify” di klik
55
Universitas Sumatera Utara
xiii
Gambar 4.12. Preview grayscale, gaussian dan threshold
55
Gambar 4.13. Tampilan jendela baru setelah panel “Result” di klik
56
Universitas Sumatera Utara