232843333 contoh laporan TA Image Processing
SISTEM KLASIFIKASI KUALITAS BIJI JAGUNG BERDASARKAN TEKSTUR BERBASIS PENGOLAHAN CITRA DIGITAL
Classification System of Corn Kernel Quality based on Texture Using Digital Image Processing
TUGAS AKHIR
Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknik pada Fakultas Elektro dan Komunikasi Institut Teknologi Telkom
Oleh:
DEBBY PERMATASARI 111081075 PROGRAM STUDI S1 TEKNIK TELEKOMUNIKASI FAKULTAS ELEKTRO DAN KOMUNIKASI INSTITUT TEKNOLOGI TELKOM BANDUNG 2012
ITT-AK-FEK-PTT-FM- 004/001
Jl.Telekomunikasi No.1 Ters. BuahBatu No. Revisi
Bandung 40257
FORMULIR LEMBAR PENGESAHAN BerlakuEfektif 02 Mei 2011
LEMBAR PENGESAHAN TUGAS AKHIR SISTEM KLASIFIKASI KUALITAS BIJI JAGUNG BERDASARKAN TEKSTUR BERBASIS PENGOLAHAN CITRA DIGITAL CLASSIFICATION SYSTEM OF CORN KERNEL QUALITY BASED ON TEXTURE USING DIGITAL IMAGE PROCESSING
Disusun oleh :
DEBBY PERMATASARI 111081075
Telah disetujui dan disahkan sebagai Tugas Akhir Program S1 Teknik Telekomunikasi Fakultas Elektro dan Komunikasi Institut Teknologi Telkom
Bandung, Juni 2012 Disahkan oleh :
Pembimbing I, Pembimbing II,
BAMBANG HIDAYAT, Dr., Ir. RATRI DWI ATMAJA, ST., MT. NIK :07510368-3
NIK: 10870625-2
00 Bandung 40257 FORMULIR PERNYATAAN ORISINALITAS BerlakuEfektif
Jl.Telekomunikasi No.1 Ters. BuahBatu
No. Revisi
02 Mei 2011
LEMBAR PERNYATAAN ORISINALITAS
NAMA
: Debby Permatasari
NIM
ALAMAT : Jl. Palem Raja V/25 Taman Yasmin Sektor 5, Bogor- Jawa Barat
No Tlp/HP
Menyatakan bahwa Tugas Akhir ini merupakan karya orisinal saya sendiri, dengan judul :
SISTEM KLASIFIKASI KUALITAS BIJI JAGUNG BERDASARKAN TEKSTUR BERBASIS PENGOLAHAN CITRA DIGITAL
Classification System of Corn Kernel Quality based on Texture
Using Digital Image Processing
Atas pernyataan ini, saya siap menanggung resiko / sanksi yang dijatuhkan kepada saya apabila kemudian ditemukan adanya pelanggaran terhadap kejujuran akademik atau etika keilmuan dalam karya ini, atau ditemukan bukti yang menunjukkan ketidak aslian karya ini.
Bandung, Juni 2012
Debby Permatasari 111081075
ABSTRAK
Dalam pertanian jagung, sering ditemukan biji yang rusak, biji yang kusam, biji yang kotor, dan biji yang patah akibat proses pengeringan dan pemipilan. Biji jagung yang berukuran lebih kecil dari semestinya juga dapat memperburuk kualitas. Penentuan kualitas biji jagung biasa dilakukan secara manual dengan pengamatan visual. Sistem manual membutuhkan waktu yang lama dan menghasilkan produk dengan mutu yang tidak konsisten karena keterbatasan visual, kelelahan, dan perbedaan persepsi masing-masing pengamat.
Pada tugas akhir ini dirancang sebuah sistem klasifikasi untuk mengetahui kualitas biji jagung dengan menggunakan analisis tekstur berbasis pengolahan citra digital, untuk mendapatkan hasil yang tepat dan objektif. Data citra yang diambil yaitu sampel biji-biji jagung menggunakan kamera digital 12 MP. Algoritma yang digunakan untuk ekstraksi ciri adalah statistik orde pertama dan orde kedua, serta klasifikasi kualitas biji jagung menggunakan K-Nearest Neighbour (K-NN).
Berdasarkan simulasi secara keseluruhan, maka dapat disimpulkan bahwa sistem dapat mengklasifikasikan biji jagung berdasarkan tiga tingkat kualitas, yaitu kualitas satu, kualitas dua, dan kualitas tiga. Hasil akurasi tertinggi diperoleh pada saat k=3 dan menggunakan Cityblock Distance yaitu sebesar 91,85%.
Kata Kunci : biji jagung, klasifikasi, kualitas, analisis tekstur, statistik, K-NN
ABSTRACT
In corn farming can be found damage kernel, dull kernel, dirty kernel, and broken kernel very often due to the drying and defoliation process. Corn kernel which smaller than normal also be able to worsen the quality. Corn kernel quality determination usually done manually by visual observation. Manual system takes
a long time and produces quality products that are not consistent because of visual limitations, fatigue, and differences in the perception of each observer.
At this final project is designed a classification system to determine the quality of corn kernel based on texture analysis using digital image processing, to get the right and objective results. Captured image data is sample of corn kernel using 12 MP digital camera. The algorithm used for feature extraction is first order and second order of statistic method and classification quality of the corn kernel using a K-Nearest Neighbor (K-NN).
Based on a simulation, it can be concluded that the system can be classified according to three levels of corn kernel quality, there are first quality, second quality, and third quality. The highest accuracy results obtained when k = 3 and using Cityblock Distance that is equal to 91.85%.
Key word: corn kernel, classification, quality, texture analysis, statistic, K-NN
KATA PENGANTAR
Assalamu’alaikum Warahmatullahi Wabarakatuh Segala puji dan syukur penulis ucapkan kepada Allah SWT yang telah
memberikan segala nikmat dan karunia-Nya, serta dengan bimbingan-Nya pulalah penulis dapat menyelesaikan tugas akhir ini. Shalawat beserta salam semoga selalu tercurah kepada junjungan ummat manusia, teladan yang paling sempurna, penutup para nabi Rasulullah Muhammad SAW, serta keluarga, para sahabat dan pengikutnya hingga yaumul akhir.
Alhamdulillahirobbil’alamiin, penulis panjatkan karena hanya dengan rahmat dan ridha-Nya penulis dapat menyelesaikan tugas akhir ini yang berjudul “Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital ”. Tugas akhir ini penulis buat sebagai syarat untuk memperoleh gelar Sarjana Teknik pada Program Studi Teknik Telekomunikasi Institut Teknologi Telkom.
Dalam penulisan tugas akhir ini penulis menyadari masih banyak kekurangan karena keterbatasan ilmu yang dimiliki. Untuk itu penulis sangat membuka diri dalam menerima segala kritik dan saran yang bersifat membangun dari semua pihak untuk kesempurnaan tulisan ini sehingga lebih baik di kemudian hari.
Sebagai penutup, penulis memohon maaf atas segala kesalahan yang penulis lakukan selama menyelesaikan tugas akhir ini. Semoga tugas akhir ini dapat bermanfaat bagi penulis sendiri dan pembaca.
Wassalamu’alikum Warahmatullahi Wabarakatuh. Bandung, Juni 2012
Debby Permatasari
LEMBAR UCAPAN TERIMA KASIH
Dalam kesempatan ini penulis ingin mengucapkan terima kasih kepada semua pihak yang telah memberikan bantuan, dukungan serta doa yang diberikan, karena tanpa mereka Tugas Akhir ini belum tentu dapat diselesaikan dengan baik. Dengan segala kerendahan hati, penulis ucapkan terima kasih kepada :
1. Allah SWT, atas karunia, berkah dan rahmat-Nya, serta atas petunjuk, kesempatan, kesehatan dan kemudahan yang diberikan, sehingga penulis dapat menyelesaikan Tugas Akhir ini.
2. Ibu, Bapa. Terima kasih untuk dukungan, doa , biaya dan kesabaran dalam mendidik dan membesarkan anaknya. Terima kasih telah menjadi orang tua yang sangat sayang dan penuh perhatian.
3. Bapak Bambang Hidayat, Dr.,Ir. dan Bapak Ratri Dwi Atmaja, ST.,MT. Selaku pembimbing I dan pembimbing II, terima kasih untuk bimbingan, dukungan dan motivasinya. Maaf banyak sesuatu yang sering tertinggal.
4. Bapak Tengku A. Riza selaku dosen wali yang sangat baik.
5. Kakak dan Kakak Ipar. Terima kasih untuk perhatian yang diberikan untuk adiknya.
6. Om Tato dan Bapak Saeful yang sudah membantu mendapatkan sampel untuk Tugas Akhir ini.
7. Bapak Parjo dari Balai Pertanian yang sudah menjelaskan segala pengetahuan tentang jagung.
8. Bapak Hari yang sudah mengajarkan tentang program matlab.
9. I Nyoman Sulistiana yang sudah memberi ide untuk Tugas Akhir ini.
10. Larasati Cahya Wening yang sudah sharing tentang masalah Tugas Akhir.
11. Rifqi Aji W selaku teman praktikum abadi yang walaupun sekarang sudah lulus tapi masih menyemangati penulis dalam menghadapi Tugas Akhir.
12. Harki Tunas Utomo yang sudah memberikan suntikan semangat yang luar biasa dan setia mendampingi di masa-masa sulit.
13. Ratih Suminar yang menjadi teman seperjuangan Tugas Akhir ini. Semoga kita sukses. Amin.
14. Teman-teman TT 32-03. Terima kasih sudah menjadi teman yang begitu berharga selama ini. Selamat berjuang teman-teman.
15. Dosen-dosen IT Telkom yang tidak bisa disebutkan satu-persatu. Terima kasih untuk bimbingan moral dan ilmu pengetahuan yang telah diberikan. Semoga saya dapat mengaplikasikan ilmu tersebut di kemudian hari.
16. Kepada pihak yang tidak bisa disebutkan satu-persatu. Terima kasih untuk semuanya.
5.2 Saran .............................................................................................. 46 DAFTAR PUSTAKA ....................................................................................... 47 LAMPIRAN A Tabel Kombinasi Ciri ............................................................. A-1 LAMPIRAN B Tabel Database Ciri Latih ...................................................... B-1 LAMPIRAN C Program Klasifikasi Kualitas Biji Jagung ............................... C-1
DAFTAR SINGKATAN
SNI Standar Nasional Indonesia GUI
Graphical User Interface RGB
Red, Green, Blue K-NN K-Nearest Neighbor
DAFTAR ISTILAH
Tekstur Keteraturan pola-pola tertentu yang terbentuk dari susunan piksel-piksel dalam citra digital
Piksel Elemen terkecil dari sebuah citra digital yang merupakan persilangan antara kolom dan baris
Citra Latih Citra wajah yang dilatihkan yang berfungsi sebagai database Citra Uji
Citra wajah yang digunakan untuk menguji keandalan sistem Cropping
Proses pemotongan sejumlah piksel dari citra Database Kumpulan satu atau lebih file
Ekstraksi Ciri Pengambilan inti atau sari dari suatu objek
BAB I PENDAHULUAN
1.1 Latar Belakang
Pengetahuan dan pemanfaatan citra digital berkembang pesat, tidak hanya di bidang kedokteran, industri, dan kesehatan, tetapi juga di pertanian untuk mengidentifikasi dan mengawasi mutu, cemaran, tingkat kematangan, dan pengkelasan. Kemampuan pengolahan citra digital yang canggih memungkinkan dapat digunakan lebih efektif dan efisien untuk mengidentifikasi kualitas produk pertanian. Salah satu contoh yaitu untuk menentukan kualitas biji jagung berdasarkan teksturnya.
Salah satu produk pertanian yang mengambil peran dalam pembangunan sektor pertanian adalah jagung. Di Indonesia, jagung merupakan komoditas pangan kedua setelah padi dan sumber kalori atau makanan pengganti beras, disamping itu juga sebagai makanan ternak. Kebutuhan jagung akan terus meningkat dari tahun ke tahun sejalan dengan peningkatan taraf hidup ekonomi masyarakat dan kemajuan industri pakan ternak sehingga kualitas jagung perlu diperhatikan. Hal yang mempengaruhi kualitas biji jagung yaitu tingginya tingkat kerusakan yang terjadi saat proses pemipilan jagung dengan mesin sehingga banyak ditemukan biji yang rusak dan patah. Selama ini evaluasi kualitas dalam proses klasifikasi kualitas biji jagung masih dilakukan secara manual melalui pengamatan visual. Sistem manual membutuhkan waktu yang lama dan menghasilkan produk dengan kualitas yang tidak merata karena keterbatasan visual, kelelahan, dan perbedaan persepsi masing-masing pengamat. Oleh karena itu pengolahan citra merupakan alternatif untuk mengatasi masalah tersebut.
Pada tugas akhir ini dirancang sebuah sistem klasifikasi untuk mengetahui kualitas biji jagung berdasarkan tekstur berbasis pola citra digital untuk mendapatkan hasil yang cepat dan akurat. Data citra yang akan diambil yaitu sampel biji-biji jagung menggunakan kamera digital. Setelah itu tahap-tahap yang dilakukan pada penelitian ini adalah preprocessing, ekstraksi ciri, dan klasifikasi.
Algoritma yang digunakan adalah ekstraksi ciri statistik orde pertama dan orde kedua, serta metode klasifikasi K-Nearest Neighbor (K-NN).
1.2 Tujuan
Berdasarkan latar belakang yang telah diuraikan, maka tujuan dari Tugas Akhir ini adalah sebagai berikut.
1. Merancang simulasi sistem yang dapat melakukan klasifikasi kualitas biji jagung berdasarkan tekstur dengan ekstraksi ciri statistik orde pertama dan orde kedua, serta pengklasifikasian menggunakan K-Nearest Neighbor.
2. Menganalisis performansi sistem klasifikasi kualitas biji jagung berdasarkan tekstur dengan parameter tingkat akurasi dan waktu komputasi dalam pengklasifikasian menggunakan ekstraksi ciri statistik dan K-Nearest Neighbor
1.3 Manfaat
Manfaat dari penelitian ini adalah menghasilkan alat bantu dalam bidang pertanian dan perdagangan terutama bagi pengamat (grader) untuk mengklasifikasi kualitas biji jagung berdasarkan tekstur berbasis pengolahan citra digital.
1.4 Rumusan Masalah
Dari tujuan yang telah diketahui diatas, maka masalah dalam Tugas Akhir ini dapat dirumuskan sebagai berikut.
1. Bagaimana membangun sistem yang dapat mengklasifikasi kualitas biji jagung dilihat dari tekstur biji jagung?
2. Bagaimana pengaruh citra RGB dan grayscale pada akurasi sistem?
3. Bagaimana melakukan kombinasi ciri pada ekstraksi ciri statistik orde pertama dan orde kedua agar didapatkan akurasi yang terbaik?
4. Apakah metode K-NN dapat menghasilkan akurasi yang diharapkan dalam klasifikasi kualitas biji jagung?
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
1.5 Batasan Masalah
Mengingat luasnya pembahasan, maka permasalahan perlu dibatasi pada:
1. Citra yang diolah adalah citra berwarna dengan format *.jpg.
2. Sampel yang diambil adalah biji jagung jenis Bisma.
3. Output sistem, yaitu: biji jagung kualitas 1, biji jagung kualitas 2, dan biji jagung kualitas 3.
4. Sampel citra biji jagung diambil berjarak 15 cm tegak lurus dengan objek menggunakan kamera digital berukuran 12 megapiksel.
5. Pencahayaan pada proses akuisisi citra menggunakan dua lampu LED.
6. Mode warna citra yang dipakai dalam ekstraksi ciri adalah RGB dan Grayscale.
7. Ekstraksi ciri menggunakan metode statistik dan klasifikasi menggunakan K- Nearest Neighbour .
1.6 Metodologi Penelitian
Metode yang digunakan dalam penelitian Tugas Akhir ini adalah sebagai berikut.
1. Melakukan studi literatur dengan mencari, mengumpulkan, dan memahami baik berupa jurnal, artikel, buku referensi, internet, dan sumber-sumber lain yang berhubungan dengan masalah Tugas Akhir.
2. Mengumpulkan data lapangan dan perangkat yang dibutuhkan.
3. Merancang diagram alir sistem dan mengimplementasikannya.
4. Melakukan simulasi sistem terhadap citra hasil pelatihan dan citra yang diuji.
5. Menganalisa hasil yang diperoleh dari proses simulasi sistem.
6. Menyusun laporan proses pengerjaan Tugas Akhir.
1.7 Sistematika Penulisan
Pembahasan Tugas Akhir ini disusun dalam lima bab, yaitu sebagai berikut. BAB 1 PENDAHULUAN
Berisi latar belakang, tujuan dan manfaat, perumusan dan batasan masalah, metode penelitian yang dilakukan, dan sistematika penulisan.
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
BAB 2 DASAR TEORI Berisi teori-teori dasar mengenai biji jagung, citra digital, pengolahan citra, ekstraksi ciri, dan klasifikasi.
BAB 3 MODEL DAN PERANCANGAN SISTEM Berisi diagram alir penelitian, perancangan sistem serta cara kerja sistem. BAB 4 ANALISIS HASIL SIMULASI SISTEM Berisi data hasil pengolahan citra uji dan data hasil pengukuran tingkat akurasi citra uji.
BAB 5 KESIMPULAN DAN SARAN Berisi kesimpulan atas hasil kerja yang telah dilakukan beserta rekomendasi dan saran untuk pengembangan dan perbaikan selanjutnya.
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
BAB II DASAR TEORI
2.1 [1] Jagung Jagung merupakan salah satu tanaman pangan dunia yang terpenting,
selain gandum dan padi. Jagung sebagai sumber karbohidrat utama di Amerika Tengah dan Selatan dan menjadi alternatif sumber pangan di Amerika Serikat. Penduduk beberapa daerah di Indonesia juga menggunakan jagung sebagai pangan pokok. Selain sebagai sumber karbohidrat, jagung juga digunakan sebagai pakan ternak, diambil minyaknya, dibuat tepung (dari bulir, dikenal dengan istilah tepung jagung atau maizena), dan bahan baku industri makanan.
Gambar 2.1 [1] Jagung Bisma
2.1.1 Jenis-Jenis jagung [2]
Jenis jagung dapat dikelompokkan menurut umur dan bentuk biji. 1). Menurut umur, dibagi menjadi 3 golongan:
a. Berumur pendek (genjah) : 75-90 hari, contoh: Genjah Warangan, Genjah Kertas , Abimanyu dan Arjuna.
b. Berumur sedang (tengahan) : 90-120 hari, contoh: Hibrida C 1, Hibrida CP 1 dan CPI 2, Hibrida IPB 4, Hibrida Pioneer 2, Malin,Metro dan Pandu.
c. Berumur panjang : lebih dari 120 hari, contoh: Kania Putih, Bastar, Kuning , Bima dan Harapan. 2). Menurut bentuk biji, dibagi menjadi 7 golongan:
a. Indentata (Dent, "gigi-kuda") a. Indentata (Dent, "gigi-kuda")
c. Saccharata (Sweet, "manis")
d. Everta (Popcorn, "berondong")
e. Amylacea (Flour corn, "tepung")
f. Glutinosa (Sticky corn, "ketan")
g. Tunicata (Podcorn, merupakan kultivar yang paling primitif dan anggota subspesies yang berbeda dari jagung budidaya lainnya)
3). [3] Menurut varietas yang unggul, dibagi menjadi 2 golongan :
a. Jagung Hibrida Jagung hibrida merupakan generasi pertama dari persilangan antara dua galur. Jagung hibrida dapat diperoleh dari hasil seleksi kombinasi atau biasa disebut hibridisasi. Hibridisasi merupakan perkawinan silang antara tanaman satu dengan tanaman yang lain dalam satu spesies untuk mendapatkan genotipe (sifat-sifat dalam) yang unggul. Hal ini dapat menciptakan suatu jenis atau spesies baru yang dapat meningkatkan produksi, tahan terhadap serangan hama dan penyakit serta berumur pendek. Contoh : tipe mutiara, jagung gigi kuda, setengah gigi kuda, P-21, P-12, C-7, Bisi 16, Pioneer-2, Hibrida C-1, P-11.
b. Jagung Bersari Bebas Jagung bersari bebas adalah varietas yang seragam (homogen) dan benihnya diambil dari pertanaman sebelumnya, atau dapat dipakai terus- menerus dari setiap pertanamannya. Contoh : bisma, nakula, sadewa, bromo, arjuna.
Pada Tugas Akhir ini, jagung yang akan diklasifikasi adalah jenis jagung Bisma. Jagung Bisma dipilih karena termasuk jenis jagung yang unggul dan biasa digunakan untuk industri makanan.
2.1.2 [4] Biji Jagung Kualitas jagung biasanya ditentukan dengan mengamati fisik biji jagung.
Tingginya kerusakan dan cemaran disebabkan oleh cara penanganan yang kurang Tingginya kerusakan dan cemaran disebabkan oleh cara penanganan yang kurang
Kriteria biji yang memiliki kualitas rendah diantaranya biji yang rusak, biji yang kusam, biji yang kotor, biji yang patah, dan biji yang kecil. Berikut ini tabel penjelasan mengenai masing-masing kriteria mutu fisik jagung :
Tabel 2.1 [4] Definisi Untuk Masing-Masing Kriteria Mutu Fisik Jagung
No. Mutu fisik
Definisi
1. Biji utuh Biji jagung kering yang secara fisik keseluruhannya utuh tanpa adanya bercak, cacat ataupun jamur
2. Biji rusak Biji jagung yang cacat ataupun rusak akibat serangan serangga atau hama gudang.
3. Biji patah Biji jagung yang tidak utuh/rusak akibat proses perontokan atau pemipilan 4. Biji kusam
Biji jagung yang berwarna cenderung gelap
Berikut ini contoh-contoh citra biji jagung berdasarkan kualitas :
Gambar 2.2 Biji Jagung Kualitas 1
Gambar 2.3 Biji Jagung Kualitas 2
Gambar 2.4 Biji Jagung Kualitas 3
Dan sebagai informasi saja, menurut standar SNI 01-3920-1995, kriteria kualitas fisik biji jagung dijabarkan pada tabel sebagai berikut :
Tabel 2.2 [4] Persyaratan Mutu Jagung Berdasarkan SNI 01-3920-1995
Persyaratan kualitas No
Jenis uji
Satuan
I II III
Maks 14 Maks 15 2 Butir rusak
1 Kadar air
Maks 14
Maks 4 Maks 6 3 Butir warna lain
Maks 2
Mak 3 Maks 7 4 Butir pecah
Maks 1
Maks 2 Maks 3 5 Kotoran
Maks 1 Maks 2
2.2 [5] Citra Digital Citra digital dapat dinyatakan sebagai suatu fungsi dua dimensi f(x,y),
dengan x maupun y adalah posisi koordinat sedangkan f merupakan amplitudo pada posisi (x,y) yang sering dikenal sebagai intensias atau grayscale. Nilai intensitas diskrit mulai dari 0 sampai 255, begitu pula nilai-nilai x, y, dan f(x,y) harus berada pada jangkauan atau range tertentu yang jumlahnya terbatas. Citra yang dicapture oleh kamera dan telah dikuantisasi dalam bentuk diskrit dinamakan citra digital. Citra digital tersusun dari sejumlah nilai tingkat keabuan yang disebut piksel pada posisi tertentu.
Secara matematis persamaan untuk fungsi intensitas f(x,y) adalah:
0 ≤ f(x,y)<∞
Misalkan f merupakan sebuah citra digital 2 dimensi berukuran NxM. Maka representasi f dalam sebuah matriks dapat dilihat pada gambar di bawah ini, di mana f(0,0) berada pada sudut kiri atas dari matriks tersebut, sedangkan f(n-1,m-
1) berada pada sudut kanan bawah.
2.3 [6] Pengolahan Citra Digital Pengolahan citra digital merupakan proses yang bertujuan untuk
memanipulasi dan menganalisis citra dengan bantuan komputer. Pengolahan citra digital dapat dikelompokkan dalam dua jenis kegiatan :
1. Memperbaiki kualitas suatu gambar, sehingga dapat lebih mudah diinterpretasi oleh mata manusia.
2. Mengolah informasi yang terdapat pada suatu gambar untuk keperluan pengenalan objek secara otomatis. Bidang aplikasi kedua yang sangat erat hubungannya dengan ilmu pengenalan pola (pattern recognition) yang umumnya bertujuan mengenali suatu objek dengan cara mengekstrak informasi penting yang terdapat pada suatu citra.
Bila pengenalan pola dihubungkan dengan pengolahan citra, diharapkan akan terbentuk suatu sistem yang dapat memproses citra masukan sehingga citra tersebut dapat dikenali polanya. Proses ini disebut pengenalan citra atau image recognition. Proses pengenalan citra ini sering diterapkan dalam kehidupan sehari-hari.
Pengolahan citra dan pengenalan pola menjadi bagian dari proses pengenalan citra. Kedua aplikasi ini akan saling melengkapi untuk mendapatkan ciri khas dari suatu citra yang hendak dikenali. Secara umum tahapan pengolahan citra digital meliputi akusisi citra, peningkatan kualitas citra, segmentasi citra, representasi dan uraian, pengenalan dan interpretasi.
2.4 [5] Model Citra
2.4.1 RGB
RGB adalah suatu model warna yang terdiri dari merah, hijau, dan biru, digabungkan dalam membentuk suatu susunan warna yang luas. Setiap warna dasar, misalnya merah, dapat diberi rentang-nilai. Untuk monitor komputer, nilai rentangnya paling kecil = 0 dan paling besar = 255. Pilihan skala 256 ini didasarkan pada cara mengungkap 8 digit bilangan biner yang digunakan oleh mesin komputer. Dengan cara ini, akan diperoleh warna campuran sebanyak 256 x 256 x 256 = 1677726 jenis warna. Sebuah jenis warna, dapat dibayangkan sebagai sebuah vektor di ruang 3 dimensi yang biasanya dipakai dalam matematika, koordinatnya dinyatakan dalam bentuk tiga bilangan, yaitu komponen-x, komponen-y dan komponen-z. Misalkan sebuah vektor dituliskan sebagai r = (x,y,z). Untuk warna, komponen-komponen tersebut digantikan oleh komponen R(ed), G(reen), B(lue). Jadi, sebuah jenis warna dapat dituliskan sebagai berikut: warna = RGB(30, 75, 255). Putih = RGB (255,255,255), sedangkan untuk hitam= RGB(0,0,0).
Gambar 2.5 [5] Citra RGB
2.4.2 Citra Grayscale
Dalam komputasi, suatu citra digital grayscale adalah suatu citra dimana nilai dari setiap piksel merupakan sampel tunggal. Citra yang ditampilkan dari citra jenis ini terdiri atas warna abu-abu, bervariasi pada warna hitam pada bagian yang intensitas terlemah dan warna putih pada intensitas terkuat. Citra grayscale
berbeda dengan citra ”hitam-putih”, dimana pada konteks komputer, citra hitam putih hanya terdiri atas 2 warna saja yaitu ”hitam” dan ”putih” saja. Pada citra berbeda dengan citra ”hitam-putih”, dimana pada konteks komputer, citra hitam putih hanya terdiri atas 2 warna saja yaitu ”hitam” dan ”putih” saja. Pada citra
Citra grayscale disimpan dalam format 8 bit untuk setiap sample piksel, yang memungkinkan sebanyak 256 intensitas. Format ini sangat membantu dalam pemrograman karena manupulasi bit yang tidak terlalu banyak. Pada aplikasi lain seperti pada aplikasi medical imaging dan remote sensing biasa juga digunakan format 10,12 maupun 16 bit. Model penyimpanannya adalah f(x,y) = nilai intensitas, dengan x dan y merupakan posisi nilai intensitas.
Gambar 2.6 Citra Grayscale dari Biji Jagung Bisma Kualitas Satu
2.5 [7] Analisis Tekstur Tekstur merupakan karakteristik intrinsik dari suatu citra yang terkait
dengan tingkat kekasaran (roughness), granulitas (granulation), dan keteraturan (regularity) susunan struktural piksel. Aspek tekstural dari sebuah citra dapat dimanfaatkan sebagai dasar dari segmentasi, klasifikasi, maupun interpretasi citra.
Tekstur dapat didefinisikan sebagai fungsi dari variasi spasial intensitas piksel (nilai keabuan) dalam citra. Berdasarkan strukturnya, tekstur dapat diklasifikasikan dalam dua golongan :
a. Makrostruktur Tekstur makrostruktur memiliki perulangan pola lokal secara
periodik pada suatu daerah citra, biasanya terdapat pada pola-pola buatan manusia dan cenderung mudah untuk direpresentasikan secara matematis.
b. Mikrostruktur Pada tekstur mikrostruktur, pola-pola lokal dan perulangan tidak
terjadi begitu jelas, sehingga tidak mudah untuk memberikan definisi tekstur yang komprehensif.
Contoh gambar berikut ini menunjukkan perbedaan tekstur makrostruktur dan mikrostruktur (atas : makrostruktur ; bawah : mikrostruktur).
Gambar 2.7 [7] Contoh tekstur visual
Analisis tekstur bekerja dengan mengamati pola ketetanggaan antar piksel dalam domain spasial. Analisis tekstur lazim dimanfaatkan sebagai proses antara untuk melakukan klasifikasi dan interpretasi citra. Suatu proses klasifikasi citra berbasis analisis tekstur pada umumnya membutuhkan tahapan ekstraksi ciri, yang dapat terbagi dalam tiga macam metode berikut :
a. Metode statistik Metode statistik menggunakan perhitungan statistik distribusi derajat keabuan (histogram) dengan mengukur tingkat kekontrasan, granularitas, dan kekasaran suatu daerah dari hubungan ketetanggaan antar piksel di dalam citra. Paradigma statistik ini penggunaannya tidak terbatas, sehingga sesuai untuk tekstur-tekstur alami yang tidak terstruktur dari sub pola dan himpunan aturan (mikrostruktur).
b. Metode spektral Metode spektral berdasarkan pada fungsi autokorelasi suatu daerah atau power distribution pada domain transformasi Fourier dalam mendeteksi periodisitas tekstur.
c. Metode struktural Analisis dengan metode ini menggunakan deskripsi primitif tekstur dan aturan sintaktik. Metode struktural banyak digunakan untuk pola- pola makrostruktur.
Ekstraksi ciri statistik dapat dilakukan dalam orde pertama dan orde kedua. Ekstraksi ciri orde pertama dilakukan melalui histogram citra. Ekstraksi ciri statistik orde kedua dilakukan dengan matriks kookurensi, yaitu suatu matriks antara yang merepresentasikan hubungan ketetanggaan antar piksel dalam citra pada berbagai arah orientasi dan jarak spasial.
2.6 [7] Ekstraksi Ciri Statistik Ekstraksi ciri dilakukan untuk mendapatkan pola dari suatu citra yang
akan dilatih maupun citra yang akan diuji. Metode ekstraksi ciri yang digunakan adalah ekstraksi ciri statistik. Metode ini menggunakan perhitungan statistik distribusi derajat keabuan (histogram) dengan mengukur tingkat kekontrasan, granularitas, dan kekasaran suatu daerah dari hubungan ketetanggaan antar piksel di dalam citra.
Ekstraksi ciri statistik terbagi menjadi dua yaitu ekstraksi ciri statistik orde pertama dan orde kedua. Ekstraksi ciri orde pertama dilakukan melalui histogram citra. Ekstraksi ciri statistik orde kedua dilakukan dengan matriks kookurensi, yaitu suatu matriks antara yang merepresentasikan hubungan ketetanggaan antar piksel dalam citra pada berbagai arah orientasi dan jarak spasial.
Gambar 2.8 [7] Ilustrasi Ekstraksi Ciri Statistik
Keterangan Gambar 2.8 : Kiri : Histogram citra sebagai fungsi probabilitas kemunculan nilai
intensitas pada citra. Kanan : Hubungan ketetanggaan antar piksel sebagai fungsi orientasi dan jarak
spasial.
2.6.1 [7] Ekstraksi Ciri Orde Pertama Ekstraksi ciri orde pertama merupakan metode pengamatan ciri yang
didasarkan pada karakteristik histogram citra. Histogram menunjukkan probabilitas kemunculan nilai derajat keabuan piksel pada suatu citra. Dari nilai- nilai pada histogram yang dihasilkan, dapat dihitung beberapa parameter ciri orde pertama, antara lain adalah mean, skewness, variances, kurtosis, dan entropy.
a. Mean (µ) Menunjukkan ukuran dispersi dari suatu citra.
(2.3) Dimana f n merupakan suatu nilai intensitas keabuan, sementara p(f n ) menunjukkan nilai histogram (probabilitas kemunculan intensitas tersebut pada citra).
b. 2 Variance (σ ) Menunjukkan variasi elemen pada histogram dari suatu citra.
– μ) p( ) (2.4)
c. Skewness (α 3 ) Menunjukkan tingkat kemencengan relatif kurva histogram dari suatu
d. Kurtosis (α 4 ) Menunjukkan tingkat keruncingan relatif kurva histogram dari suatu citra.
4 = σ – μ) p( ) – 3 (2.6) 4 = σ – μ) p( ) – 3 (2.6)
2 H=- log p( ) (2.7)
2.6.2 [8] Ekstraksi Ciri Orde Kedua Pada beberapa kasus, ciri orde pertama tidak lagi dapat digunakan untuk
mengenali perbedaan antar citra. Pada kasus seperti ini, kita membutuhkan pengambilan ciri statistik orde dua.
Salah satu teknik untuk memperoleh ciri statistik orde dua adalah dengan menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan orientasi sudut tertentu. Pendekatan ini bekerja dengan membentuk sebuah matriks kookurensi dari data citra, dilanjutkan dengan menentukan ciri sebagai fungsi dari matriks antara tersebut.
Kookurensi berarti kejadian bersama, yaitu jumlah kejadian satu level nilai piksel bertetangga dengan satu level nilai piksel lain dalam jarak (d) dan orientasi sudut (θ) tertentu. Jarak dinyatakan dalam piksel dan orientasi
dinyatakan dalam derajat. Orientasi dibentuk dalam empat arah sudut dengan interval sudut 45°, yaitu 0°, 45°, 90°, dan 135°. Sedangkan jarak antar piksel biasanya ditetapkan sebesar 1 piksel.
Matriks kookurensi merupakan matriks bujursangkar dengan jumlah elemen sebanyak kuadrat jumlah level intensitas piksel pada citra. Setiap titik (p,q ) pada matriks kookurensi berorientasi θ berisi peluang kejadian piksel bernilai p bertetangga dengan piksel bernilai q pada jarak d serta orientasi θ dan (18 0−θ).
Berikut ini adalah langkah mendapatkan matriks kookurensi :
1. Misalkan ada citra masukan dengan intensitas 2 bit seperti pada Gambar 2.9 dan pada citra masukan tersebut memiliki nilai intensitas seperti Gambar
Gambar 2.9 [8] Citra Masukan Gambar 2.10 Nilai Intensitas Citra Masukan
2. Lakukan iterasi untuk setiap sudut seperti pada Gambar 2.8.
3. o Lakukan iterasi sudut 0 pada matriks 4 x 4, nilai 4 berasal dari 2 pangkat 2 bit, berikut ini matriks iterasi 0 (awal).
Tabel 2.3 o[8] Matriks Iterasi 0 Sudut 0
4. o Lakukan iterasi ke-1 (i=1, j=1) sudut 0 (i = baris dan j = kolom). Rumus iterasi sudut 0 o : p = citra masukan (i,j) + 1 dan q = citra masukan (i,j
+ 1) + 1, pada kasus ini nilai citra masukan (i=1, j=1) = 1 maka nilai p = 1 + 1 = 2 dan nilai tetangga sudut 0 o yaitu (i,j + 1) = (1,1 + 1) = (1,2) = 0 maka nilai
q = 0 + 1 = 1. Dari perhitungan didapatkan p = 2 dan q = 1, p dan q menyatakan indeks pada matriks iterasi. Lalu masukkan nilai iterasi pada Tabel 2.4 dengan rumus nilai pada indeks (p,q) + 1, maka didapatkan nilai indeks (2,1) = 0 + 1 = 1.
Tabel 2.4 o[8] Matriks Iterasi 1 Sudut 0
5. o Lakukan iterasi ke-2 (i=1, j=2) sudut 0 . Dengan cara yang sama nilai citra masukan (i=1, j=2) = 0, maka nilai p = 0
+ 1 = 1 dan nilai tetangga sudut 0 o (i,j + 1) = (1,2 + 1) = (1,3) = 3 maka nilai q = 3 + 1 = 4. Dari perhitungan didapatkan p = 1 dan q = 4 maka nilai pada
indeks (p,q) = (1,4) + 1 = 0 + 1 = 1, seperti ditunjukkan pada Tabel 2.5.
Tabel 2.5 o[8] Matriks Iterasi 2 Sudut 0
6. o Proses berlanjut hingga iterasi terakhir pada 0 , dengan menggunakan MATLAB berikut ini adalah hasil akhir tabel iterasi sudut 0 o seperti pada
gambar Tabel 2.6.
o[8] Tabel 2.6 Matriks Akhir Iterasi Sudut 0
7. Selanjutnya akan dilakukan normalisasi sehingga menghasilkan matriks kookurensi dengan cara membagi setiap nilai piksel pada hasil akhir tabel
iterasi sudut 0 o dengan jumlah seluruh piksel pada hasil akhir tabel tersebut. Setiap nilai piksel pada Tabel 2.6 dibagi dengan jumlah seluruh piksel pada
Tabel 2.6 karena matriks kookurensi berisi peluang kejadian piksel bernilai p bertetangga dengan piksel bernilai q. Jumlah seluruh piksel Tabel 2.6 adalah 60, lalu setiap nilai piksel pada Tabel. 2.6 dinormalisasi terhadap jumlah piksel Tabel 2.6 :
a) (1,1) / 60 = 0 / 60 = 0
b) (1,2) / 60 = 8 / 60 = 0,1333 b) (1,2) / 60 = 8 / 60 = 0,1333
d) Dan seterusnya hingga (4,4) Tabel 2.7 menunjukkan matriks kookurensi sudut 0 o :
Tabel 2.7 [8] Matriks Kookurensi Sudut 0 (M(0))
8. o Proses iterasi berlangsung sama untuk semua sudut yaitu 45 , 90 , dan 135 yang membedakan hanyalah proses pengambilan tetangga harus sesuai
oo
dengan sudut yang digunakan. Berikut ini adalah tabel-tabel yang
menunjukkan matriks kookurensi dari sudut 45 o , 90 , dan 135 .
Tabel 2.8 [8] Matriks Kookurensi Sudut 45 (M(45))
Tabel 2.9 [8] Matriks Kookurensi Sudut 90 (M(90))
Tabel 2.10 [8] Matriks Kookurensi Sudut 135 (M(135))
Setelah memperoleh matriks kookurensi dari masing-masing sudut maka akan dicari matriks kookurensi rata-rata ( M rata-rata ) dengan persamaan : M rata-rata = (M(0) + M(45) + M(90) + M(135)) / 4
(2.8) Ciri statistik orde kedua dapat dihitung berdasarkan p(i,j) dari matriks kookurensi rata-rata. Beberapa parameter ciri orde kedua, antara lain :
a. Angular Second Moment Menunjukkan ukuran sifat homogenitas citra. (2.9) Dimana p(i,j) menyatakan nilai pada baris I dan kolom j pada matriks
kookurensi.
b. Contrast Menunjukkan ukuran penyebaran (momen inersia) elemen-elemen
matriks citra. Jika letaknya jauh dari diagonal utama, nilai kekontrasan besar. Secara visual, nilai kekontrasan adalah ukuran variasi antar derajat keabuan suatu daerah citra.
c. Correlation Menunjukkan ukuran ketergantungan linear derajat keabuan citra
sehingga dapat memberikan petunjuk adanya struktur linear dalam citra.
transisi derajat keabuan kecil akan memiliki variansi yang kecil pula. (2.12)
e. Invers Different Moment
(2.13) Menunjukkan kehomogenan citra yang berderajat keabuan sejenis. Citra
homogen akan memiliki harga IDM yang besar.
f. Entropy Menunjukkan ukuran ketidakteraturan bentuk. Harga ENT besar untuk
citra dengan transisi derajat keabuan merata dan bernilai kecil jika struktur citra tidak teratur (bervariasi).
2.7 [9] K-Nearest Neighbor Algoritma K- Nearest Neighbor (K-NN) adalah sebuah metode untuk
melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Data pembelajaran diproyeksikan ke ruang berdimensi banyak, dimana masing-masing dimensi merepresentasikan fitur dari data. Ruang ini dibagi menjadi bagian-bagian berdasarkan klasifikasi data pembelajaran. Sebuah titik pada ruang ini ditandai kelas c jika kelas c merupakan klasifikasi yang paling banyak ditemui pada k buah tetangga terdekat titik tersebut. Dekat atau jauhnya tetangga dihitung berdasarkan jarak Euclidean, Correlation , Cosine, dan Cityblock. Berikut rumus-rumus perhitungan jarak :
a. Euclidean distance Sebagai contoh, untuk menghiutng jarak antara dua titik X s dan X t dengan metode Euclidean, digunakan rumus :
c. Cosine distance Dalam Cosine distance, titik-titik dianggap sebagai vektor, dan dilakukan pengukuran terhadap sudut antara dua vektor tersebut. Untuk memperoleh jarak dua vektor x s dan x t , memakai rumus sebagai berikut :
(2.17) dengan
d. Correlation distance Dalam Correlation distance, titik-titik dianggap sebagai barisan nilai, jarak antar nilai x s dan x t , memakai rumus sebagai berikut :
dimana,
Algoritma K-NN : Tentukan nilai k.
Hitung jarak antara data baru ke setiap labeled data. Tentukan k labeled data yang mempunyai jarak yang paling minimal. Klasifikasikan data baru ke dalam labeled data yang mayoritas
Jika dibandingkan dengan metode klasifikasi yang lain, metode ini memiliki tingkat keakuratan yang cukup tinggi karena data yang masuk akan diklasifikasikan berdasarkan kemiripan ciri yang ada dari data sebelumnya yang Jika dibandingkan dengan metode klasifikasi yang lain, metode ini memiliki tingkat keakuratan yang cukup tinggi karena data yang masuk akan diklasifikasikan berdasarkan kemiripan ciri yang ada dari data sebelumnya yang
2.8 [10] Matlab (Matrix Laboratory) Matlab adalah salah satu software aplikasi untuk menyelesaikan berbagai
masalah teknis. Matlab mengintegrasikan komputasi, visualisasi, dan pemrograman dalam suatu model yang sangat mudah untuk dipakai, dimana masalah-masalah dan penyelesaiannya diekspresikan dalam notasi matematika yang familiar. Penggunaan Matlab meliputi bidang-bidang:
Matematika dan Komputasi Pembentukan Algoritma Akusisi Data Pemodelan, Simulasi, dan Pembuatan Prototipe Analisa Data, Eksplorasi, dan Visualisasi Grafik Keilmuan dan Bidang Rekayasa
Matlab merupakan suatu sistem interaktif yang memiliki elemen data dalam suatu array sehingga memungkinkan untuk memecahkan banyak masalah teknis yang terkait dengan komputasi, khususnya yang berhubungan dengan matriks dan formulasi vektor.
Fitur-fitur Matlab sudah banyak dikembangkan yang lebih dikenal dengan nama toolbox. Toolbox merupakan kumpulan dari fungsi-fungsi Matlab (M-files) yang telah dikembangkan ke suatu lingkungan kerja Matlab untuk memecahkan masalah. Area-area yang sudah bisa dipecahkan dengan toolbox saat ini meliputi pengolahan sinyal, sistem kontrol, neural networks, fuzzy logic, wavelets, dan lain-lain.
BAB III MODEL DAN PERANCANGAN SISTEM
3.1 Perangkat Perancangan Sistem
Pada Tugas Akhir ini digunakan perangkat keras (hardware) dan perangkat lunak (software). Spesifikasi perangkat keras yang digunakan untuk membangun sistem ini adalah sebagai berikut:
1. TM Acer Core 2 Duo processor T5800
2. RAM 1GB
3. Hard disk 250 GB
4. Monitor
5. Keyboard, Touchpad dan mouse. Spesifikasi perangkat lunak yang digunakan untuk membangun sistem ini
adalah sebagai berikut :
1. Sistem Operasi Windows 7 Home Premium
2. Matlab 7.8.0 (R2009a) Sedangkan, minimum requirement untuk dapat menggunakan sistem ini
adalah sudah melakukan instalasi Matlab pada perangkat yang akan digunakan.
3.2 Model Sistem Klasifikasi Kualitas Biji Jagung
Preprocessing
Ekstraksi Ciri
Klasifikasi Kualitas Biji
Output Jagung
Citra Biji Jagung
Gambar 3.1 Model Sistem Klasifikasi Kualitas Biji Jagung
Sistem klasifikasi kualitas biji jagung terdiri dari tiga blok utama, yaitu: preprocessing , ekstraksi ciri, dan klasifikasi. Sampel akan diolah oleh sistem klasifikasi dan hasilnya berupa klasifikasi kualitas biji jagung. Sistem akan dirancang menggunakan tampilan Graphical User Interface sehingga tampil lebih menarik dan mudah dioperasikan.
3.3 Diagram Alir Klasifikasi Kualitas Biji Jagung
Proses klasifikasi kualitas biji jagung terbagi menjadi dua skenario, yaitu : pembuatan database dan pengujian sistem klasifikasi. Prinsipnya, citra latih dan citra uji yang telah diekstraksi dibandingkan jarak terdekatnya dengan K-Nearest Neighbor. Jarak yang terdekat menunjukkan kemiripan suatu citra. Hasil dari kemiripan tersebut berupa kualitas biji jagung pada keluaran. Berikut adalah diagram alir dari sistem klasifikasi kualitas biji jagung yang terdiri dari pembuatan database dan proses pengujian.
Mulai
Mulai
Citra Latih
Citra Uji
Preprocessing
Preprocessing
Pengubahan mode warna citra Pengubahan mode warna citra
Ekstraksi ciri dengan Statistik Ekstraksi ciri dengan Statistik Orde Pertama dan Orde Kedua
Orde Pertama dan Orde Kedua
Database ciri citra
latih
Penentuan kombinasi ciri
(a) Data ciri citra uji
Tentukan metode pengukuran
jarak dan nilai k
Blok k-NN Klasifikasi kualitas biji jagung
Kualitas biji jagung
Selesai
(b)
Gambar 3.2 (a) Diagram Alir Pembuatan Database (b) Diagram Alir Pengujian
Database pada sistem adalah ciri dari masing-masing kualitas biji jagung pada citra latih yang disimpan dalam file *.mat. Melalui database ciri citra latih tersebut, maka digunakan untuk membandingkan ciri citra latih dengan ciri citra uji dalam klasifikasi.
Pengujian pada sistem klasifikasi adalah pengujian berdasarkan parameter uji yang digunakan. Dalam fase pengujian akan dilakukan uji pengaruh penggunaan kombinasi ciri yang diekstraksi oleh statistik orde pertama dan orde kedua, jumlah k, dan metode pengukuran jarak pada K-Nearest Neighbor terhadap akurasi sistem.
3.3.1 Pengambilan Sampel Citra Biji Jagung
Pengambilan sampel citra biji jagung dilakukan dengan meng-capture citra sampel biji jagung menggunakan kamera digital berukuran 12 megapiksel. Sampel biji jagung yang tersedia sekitar 500 gram per kualitas. Langkah-langkah dalam akuisisi citra diantaranya : menaruh sampel biji jagung sebanyak 3 genggam di atas wadah, kemudian wadah tersebut diletakkan di dalam kotak yang telah dibuat khusus, posisi kamera tegak lurus dengan objek dan dengan ketinggian 15 cm, serta pengaturan cahaya menggunakan 2 lampu LED di dua sisi objek, lalu dilakukan pengambilan citra.
Mulai
Sampel biji jagung
Penempatan sampel ke dalam kotak
Pengaturan penyinaran
Pengambilan citra
Selesai
Gambar 3.3 Diagram Alir Pengambilan Sampel Citra Biji Jagung
3.3.2 Preprocessing
Preprocessing adalah tahapan yang dilakukan sebelum melakukan ekstraksi ciri. Tahapan yang dilakukan dalam preprocessing adalah sebagai berikut.
Mulai
Input Citra
Cropping
Citra Hasil Cropping
Selesai
Gambar 3.4 Diagram Alir Preprocessing
Proses cropping dilakukan untuk menghilangkan bagian-bagian citra yang tidak perlu dan didapat citra dengan ukuran yang seragam dengan ukuran 2000 x 2000. Citra hasil cropping ini berikutnya akan masuk ke proses ekstraksi ciri dengan terlebih dahulu diubah ke mode warna grayscale, red, green, dan blue untuk mengetahui mode warna yang paling baik untuk akurasi sistem.
Gambar 3.5 Citra Sebelum dan Sesudah Cropping
3.3.3 Pengubahan Mode Warna Citra
Ambil layer red
Citra red
Ambil layer
green
Citra green
Citra Hasil Cropping
Ekstraksi Ciri
Ambil layer blue
Citra blue
Konversi dari
Gambar 3.6 Proses Pengubahan Mode Warna Citra
Citra awal yang masuk ke dalam sistem merupakan citra RGB berukuran 3000 x 4000 dengan format JPEG. Setelah melalui tahap cropping dalam sistem, citra yang dihasilkan berukuran 2000 x 2000. Citra tersebut diubah ke 4 mode warna, yaitu red, green, blue, dan grayscale. Pengubahan warna ini dilakukan untuk mengetahui mode warna yang memiliki akurasi paling baik di dalam sistem.
(a) (b) (c) (d) Gambar 3.7 (a) Citra Red (b) Citra Green (c) Citra Blue (d) Citra Grayscale
3.3.4 Ekstraksi Ciri
Ekstraksi ciri dilakukan untuk mendapatkan ciri tekstur dari citra biji jagung yang akan dilatih maupun citra yang akan diuji. Citra yang akan diekstrak untuk database ciri latih sebanyak 45 citra biji jagung, sedangkan citra yang diekstrak untuk pengujian sebanyak 135 citra biji jagung. Setelah mengalami proses Ekstraksi ciri dilakukan untuk mendapatkan ciri tekstur dari citra biji jagung yang akan dilatih maupun citra yang akan diuji. Citra yang akan diekstrak untuk database ciri latih sebanyak 45 citra biji jagung, sedangkan citra yang diekstrak untuk pengujian sebanyak 135 citra biji jagung. Setelah mengalami proses
Mean
Variance
Skewness Orde Satu
Kurtosis
Entropy
Ekstraksi Ciri Citra Latih
Angular Second
Moment
Orde Dua
Inverse Different
Moment
Entropy
Gambar 3.8 Blok Diagram Ekstraksi Ciri
3.3.5 Penentuan Kombinasi Ciri
Pada tahap pengujian, setelah tahap ekstraksi ciri akan ditentukan ciri-ciri yang akan digunakan. Penentuan dilakukan dengan cara menguji akurasi dari setiap ciri orde pertama dan orde kedua. Pada tahap ini, diberi batasan bahwa ciri yang memiliki akurasi lebih dari 55 % yang diambil. Ciri yang diambil ini lalu saling dikombinasikan untuk mengetahui kombinasi ciri yang menghasilkan akurasi terbaik dan harus sesuai target yang diharapkan yaitu lebih dari 80 %.
Mulai
Citra Uji
Preprocessing
Pengubahan mode warna citra
Pilih satu ciri dari Tidak
Ciri tidak dipilih
Akurasi > 55 % ?
Klasifikasi dengan
K-NN (default)
statistik orde pertama dan orde kedua
Ya Ciri dipilih
Kombinasi ciri
Selesai
Gambar 3.9 Diagram Alir Penentuan Kombinasi Ciri
Seperti yang sudah dijelaskan sebelumnya, kombinasi ciri dilakukan pada ciri yang ketika diuji memiliki akurasi lebih dari 55 %. Dari ciri yang didapat akan saling dikombinasikan hingga kombinasi n ciri. Sebagai contoh, jika ada 6 ciri yang memiliki akurasi lebih dari 55 % maka akan dilakukan kombinasi- kombinasi ciri antara lain : kombinasi 2 ciri, kombinasi 3 ciri, kombinasi 4 ciri, kombinasi 5 ciri, dan kombinasi 6 ciri. Setelah didapat akurasi masing-masing dari kombinasi ciri, akan dianalisis kombinasi ciri yang menghasilkan akurasi tertinggi. Kombinasi ciri dengan akurasi tertinggi akan dipakai saat menganalisa pengujian menggunakan K-Nearest Neighbor.
3.3.6 Klasifikasi dengan K- Nearest Neighbor
K- Nearest Neighbor (K-NN) adalah metode pengukuran kemiripan yang sederhana. Penelitian Tugas akhir ini menggunakan empat cara dalam pengukuran kemiripannya, yaitu berdasarkan Euclidean, Cosine, Correlation, dan Cityblock. Euclidean dan Cityblock tergolong dalam metode pengukuran kemiripan berdasarkan geometrik, sedangkan Correlation dan Cosine tergolong dalam metode pengukuran kemiripan berdasarkan himpunan.
Analisis yang dilakukan pada K-NN adalah pengaruh penggunaan pengukuran kemiripan dan nilai k yang digunakan terhadap akurasi sistem dalam mengklasifikasi kualitas biji jagung. Nilai k yang di uji adalah 1, 3, dan 5.
Dipilihnya nilai k yang ganjil agar mengurangi kesalahan algoritma jika peluang kemiripannya sama.
3.4 Analisis Performansi Sistem
Untuk parameter akurasi sistem, ditentukan dengan perbandingan banyaknya pengujian tepat dengan banyaknya seluruh pengujian, sebagai berikut :
(3.1)
BAB IV ANALISIS DAN PENGUJIAN SISTEM
Pada bab ini akan dijelaskan beberapa hal terkait dengan analisis ekstraksi ciri menggunakan metode statistik orde pertama dan orde kedua terhadap akurasi sistem, analisis hasil pengujian klasifikasi dengan K-Nearest Neighbour ditinjau dari penggunaan nilai k dan metode pengukuran jarak (distance), serta analisis waktu komputasi sitem.
4.1 Analisis Ekstraksi Ciri dengan Statistik Orde Pertama dan Orde Kedua
Di bawah ini akan diberikan tabel-tabel hasil percobaan dengan spesifikasi simulasi sebagai berikut :
1. Citra latih berjumlah 45 citra (3 kualitas biji jagung, masing-masing 15 citra) dan citra uji berjumlah 135 citra (3 kualitas biji jagung, masing- masing 45 citra).
2. Citra yang diproses oleh sistem adalah citra red, citra green, citra blue, dan citra grayscale,
3. Ciri statistik orde pertama yang diambil adalah mean, variance, skewness, kurtosis, dan entropy.
4. Ciri statistik orde kedua yang diambil adalah angular second moment, contrast, correlation, variance, inverse different moment , dan entropy.
5. Ciri yang memiliki akurasi lebih dari 55 %, saling dikombinasikan agar didapatkan akurasi tertinggi.
6. Parameter K-Nearest Neighbor pada ekstraksi ciri statistik orde pertama
dan orde kedua adalah : k = 1 dan Euclidean Distance (default).
7. Untuk lebih detailnya hasil akurasi tiap simulasi dapat dilihat di lampiran
A.
4.1.1 Ekstraksi Ciri Citra Red
Tabel 4.1 Hasil akurasi dari ekstraksi ciri citra red
Total Akurasi CITRA RED
Jumlah Data Benar
Benar (%) Ciri Statistik
Orde Satu
Variance 42 23 17 81 60,74 Skewness
Ciri Statistik
Angular Second 44 21 35 100
Orde Dua
Moment Contrast