K-nearest neighbour (KNN) adalah salah satu metode klasifikasi yang berbasis pembelajaran. KNN membandingkan data uji yang diberikan dengan data latih yang sama berdasarkan jumlah tetangga terdekat (k). Setiap data merepresentasikan sebuah titik dalam kelas. Data latih disimpan dalam kelas yang telah ditentukan. Ketika diberikan data yang tidak diketahui kelasnya, KNN akan mencari pola sebanyak k data latih yang dekat dengan data yang belum memiliki kelas. Sehingga kinerjanya sangat tergantung pada metrik jarak yang digunakan untuk mengidentifikasi tetangga terdekat (Weinberger et al. 2006).
Sebagian besar pengklasifikasi KNN menggunakan jarak euclidian sederhana untuk mengukur perbedaan-perbedaan antara contoh yang direpresentasikan sebagai input vektor. Menurut Syafitri (2010) misalkan terdapat dua data, yaitu x= (x1, x2,…xn) dan y= (y1,y2,…yn), maka jarak euclidian-nya adalah :
, = √∑= − (1)
Dimana d (x, y) adalah jarak antara dua data, n adalah jumlah parameter penduga. Jarak euclidian yang semakin kecil menunjukkan kesamaan yang lebih tinggi. Jarak 0 berarti bahwa data sama (Trstenjak et al. 2014).
3 METODE
Waktu dan Tempat
Penelitian ini dilaksanakan di Laboratorium Manufaktur Departemen Teknik Mesin dan Biosistem Fakultas Teknologi Pertanian, IPB selama 11 bulan, dimulai pada bulan Mei 2015 sampai dengan bulan April 2016.
8
Bahan dan Alat
Bahan yang digunakan dalam penelitian ini adalah inti sawit yang diperoleh dari pabrik pengolahan kelapa sawit (PKS) PTPN VIII Cikasungka, Jawa Barat. Peralatan yang digunakan terdiri atas nampan, timbangan digital dan perangkat pengambilan citra.
Prosedur Penelitian
Penelitian dimulai dengan perancangan alat pengambilan citra kemudian dilanjutkan dengan pengembangan algoritma pengolahan citra dan pengembangan real time image processing, persiapan sampel inti sawit, pelatihan perangkat lunak dan pengujian sistem. Diagram alir tahapan penelitian secara lebih detail dapat dilihat pada Gambar 2.
Gambar 2 Diagram alir tahapan penelitian
Perancangan Sistem Klasifikasi Inti Sawit secara Real Time
Sistem klasifikasi inti sawit yang dibangun terdiri atas 2(dua) bagian yaitu perangkat keras (hardware) dan perangkat lunak (software). Perangkat keras dikembangkan untuk mempermudah proses pembacaan citra inti sawit sedangkan perangkat lunak dikembangkan untuk dapat mengklasifikasi citra inti sawit berdasarkan karakteristik fisik. Perangkat keras terdiri atas perangkat pengambilan citra yang dirancang untuk dapat memisahkan setiap biji inti sawit satu dengan lainnya sehingga memudahkan proses klasifikasi. Perangkat pengambilan citra terdiri atas dudukan kamera, dudukan lampu neon, rangka, tray berlubang untuk pemisahan inti sawit, dan alat perata untuk memasukkan inti sawit ke dalam tray berlubang. Perangkat lunak pengolahan citra dikembangkan menggunakan bahasa
Pengembangan algoritma pengolahan citra Perancangan perangkat pengambilan citra
Pengembangan perangkatreal time image processing
Mulai
Persiapan sampel
Pelatihan perangkat lunak pengolahan citra
Selesai
Akurasi Pendugaan Klasifikasi Fisik Inti Sawit Pengujian sistem
Berhasil Tidak
Matlab R2014a dengan Sistem Operasi Windows 7 dengan script program pengolah citra yang terdapat dalam toolbox image processing.
Kriteria Rancangan
Perancangan sistem klasifikasi inti sawit secara real time yang dibangun memiliki kriteria sebagai berikut :
1) Alat pengambilan citra dirancang dapat memisahkan antar biji inti sawit 2) Program pengolahan citra inti sawit dapat membaca dan melakukan klasifikasi
secara langsung (real time)
3) Sistem klasifikasi inti sawit mudah dioperasikan
Rancangan Fungsional
Sistem klasifikasi inti sawit terdiri atas hardware dan Software yang memiliki fungsi yang berbeda-beda, diantaranya :
1) Kamera handphone sebagai proses masukan dari sebuah sistem pengambilan citra inti sawit
2) Tray berlubang berfungsi sebagai alat bantu pemisah biji inti sawit agar tidak saling menempel
3) Kabel USB digunakan untuk menghubungkan handphone dengan komputer untuk memindahkan (transfer) data dari handphone ke komputer
4) Program pengolahan citra berfungsi untuk mengolah citra inti sawit secara real time
Untuk mendapatkan citra yang baik, maka diperlukan pengaturan beberapa parameter yang mempengaruhi kualitas citra diantaranya :
1) Pemilihan warna latar yang tepat
Warna latar yang dipilih adalah warna yang kontras dengan warna inti sawit. Pemilihan warna latar dilakukan dengan menguji beberapa warna kemudian membandingkan dengan warna inti sawit.
2) Optimasi pencahayaan yang tepat
Penentuan pencahayaan yang tepat dilakukan dengan menguji tiga lampu neon yang memiliki daya 5 Watt, 8 Watt dan 15 Watt. Intensitas pencahayaan diukur menggunakan lux meter. Citra diambil dari setiap lampu neon dan dianalisis menggunakan program pengolahan citra digital, lampu neon yang dipilih adalah lampu yang memberikan akurasi terbaik.
Rancangan Struktural
Sistem klasifikasi memiliki struktur yang dirancang untuk memudahkan operator dalam mengoperasikannya. Perangkat pengambilan citra inti sawit tampak pada Gambar 3.
1) Rangka berukuran 900mm × 600mm × 300mm yang terbuat dari besi siku 2) Tray berlubang berukuran 900mm × 600mm dengan lubang berdiameter 18
mm yang terbuat dari bahan nylon. Nylon merupakan bahan thermoplastic, penggunaan bahan nylon bertujuan untuk mempermudah proses pembuatan lubang.
3) Dudukan kamera yang diatur pada ketinggian 300mm. Penentuan jarak optimum pengambilan citra dilakukan dengan mempertimbangkan luas objek yang dapat diambil yang berimplikasi pada berat objek. Dudukan kamera yang digunakan adalah tongkat selfie (self portrait). Pemakaian tongkat selfie (self
10
portrait) memudahkan pada proses pemasangan dan pelepasan handphone. Penentuan jarak dilakukan dengan mengambil citra inti sawit pada variasi jarak yang berbeda, selanjutnya citra dianalisis menggunakan perangkat lunak pengolahan citra dan pilih jarak terbaik yang digunakan sebagai acuan pada proses pengambilan citra inti sawit.
Gambar 3 Perangkat pengambilan citra inti sawit
Pengembangan Algoritma Pengolahan Citra
Perangkat lunak pengolahan citra dikembangkan menggunakan bahasa Matlab R2014a dengan Sistem Operasi Windows 7 dengan script program pengolah citra yang terdapat dalam toolbox image processing. Tahapan pengembangan algoritma pengolahan citra dijelaskan sebagai berikut :
1. Pembacaan image
Pembacaan citra dapat menggunakan perintah imread yang berarti image read. Hasil dari pembacaan imread (‘filename’) bisa berupa matriks dua
dimensi untuk citra grayscale dan matrik tiga dimensi untuk citra berwarna. 2. Membedakan antara latar dan objek dengan metode binerisasi
Warna latar yang dipilih adalah warna yang kontras dengan warna inti sawit. Selanjutnya warna latar yang dipilih diubah menjadi warna putih sedangkan warna objek diubah menjadi warna hitam.
3. Pelabelan dan deteksi tepi objek
Pelabelan dilakukan dengan memanfaatkan toolbox regionprops untuk mengetahui posisi masing-masing objek (biji) dari citra inti sawit yang terdiri atas beberapa biji. Proses pelabelan mengacu pada centroid dari objek, selanjutnya dilakukan deteksi tepi untuk mengetahui batas dari masing-masing objek.
4. Temu kembali citra
Setelah diketahui posisi masing-masing objek hasil dari proses pelabelan dan deteksi tepi, selanjutnya dilakukan proses temu kembali citra dengan memanggil citra asli (berwarna) sehingga dapat dilakukan cropping sesuai dengan posisi pelabelan.
5. Mengubah mode citra menjadi grayscale, red, green, blue
Citra yang telah di-crop, kemudian dilakukan perhitungan dengan mengubah mode citra menjadi grayscale, red, green, dan blue sehingga diperoleh nilai histogram dari masing-masing mode.
Nilai histogram yang didapat dari masing-masing mode selanjutnya dihitung sehingga menghasilkan data ciri statistik orde satu. Menurut Meelursarn (2006) dan Permadi dan Murinto (2015) nilai-nilai hasil dari eksktraksi ciri statistik ordo pertama dihitung dengan beberapa parameter ciri statistik yang terdiri atas nilai mean, skewness, variance, kurtosis, dan entrophy menggunakan persamaan berikut: � = ∑ � (2) � = ∑ − � � (3) � =� ∑ − � � (4) � =� ∑ − � � − 3 (5) � = − ∑ � . log � (6) Dimana :
µ : mean (ukuran dispersi dari suatu citra) fn : nilai intensitas keabuan
p(fn) : nilai histogram
σ2 : Variance (variasi elemen pada histogram)
σ3 : Skewness (tingkat kemencengan relatif kurva histogram) σ4 : Kurtosis (ukuran ketidakteraturan bentuk)
H :Entropy
Ekstraksi ciri statistik ordo kedua yang terdiri atas nilai contrast, corelation, energy, dan homogenity lebih banyak digunakan apabila ekstraksi ciri statistik ordo pertama belum cukup mengenali perbedaan antar citra. Pada umumnya ekstraksi ciri statistik ordo dua biasa disebut dengan gray level co-ocurrent matrix (GLCM) seperti penelitian yang dilakukan Prabhu dan Kumar (2014) dan Yonghua dan Cong (2015) yang dihitung dari matriks kookurensi rata-rata menggunakan persamaan berikut :
energy=∑ ∑ {p i, j } (7)
CON = ∑| − | i − j [∑ ∑ {p i, j }] (8)
COR =∑ ∑ , .p , −μ μσ σ (9)
homogenity= ∑ ∑ + − p i, j (10)
Dimana :
Energy (Angular Second Moment) : ukuran sifat homogenitas citra p(i,j) : nilai pixel pada baris I dan kolom J pada matriks kookurensi CON (contras) : ukuran penyebaran (momen inersia) elemen matriks citra COR (Correlation) : ukuran ketergantungan linear derajat keabuan citra
µx dan µy : nilai standar deviasi pada elemen baris dan kolom pada matriks p(i,j). Homogenity (invers different moment) kehomogenan citra yang berderajat
keabuan sejenis
Identifikasi ciri morfologi dilakukan berdasarakan hasil pelabelan dan batas tepi sehingga didapatkan nilai area, perimeter, metric, dan eccentricity. Nilai area
12
digunakan untuk menduga berat dari masing-masing biji melalui hubungan korelasi antara luas area citra biji dan berat biji. Berdasarkan fitur area dan perimeter dapat juga dihitung nilai- nilai fitur morfologi lainnya menggunakan persamaan berikut (Mirnasari dan Adi 2013):
� � = �� × (11)
= √ − (12)
Dimana :
Metric: besaran yang menunjukkan tingkat kebulatan bentuk suatu objek (nilai : 0 hingga 1)
e (Eccentricity) : perbandingan panjang antara major dan minor axis a : panjang dari major axis
b : panjang dari minor axis 7. Analisis KNN
Klasifikasi prediksi mutu inti sawit dilakukan menggunakan KNN. Kombinasi dari data ciri statistik dan morfologi untuk mendapatkan ketepatan prediksi yang terbaik dengan mengacu pada jumlah tetangga terdekat (k). klasifikasi dilakukan terhadap dua parameter nilai akhir yang diinginkan, yaitu persentase berdasarkan jumlah butir dan persentase berdasarkan massa (gram). Konsep dasar Algoritma KNN akan mengklasifikasikan data masukan ke dalam kelas dengan jumlah anggota terbanyak. Pada metode KNN, penggunaan nilai k yang besar memiliki keuntungan, yaitu menyediakan informasi probabilistik.
Pengembangan Perangkat Real Time
Real time image processing pada prinsipnya adalah menggabungkan antara perangkat kamera web (web-cam), komputer dan perangkat pengambilan citra, sehingga objek ditangkap oleh kamera, kemudian ditampilkan dalam layar komputer, setelah itu gambar dapat di-capture dan langsung diolah citranya. Pada penelitian ini kamera yang digunakan merupakan kamera handphone Samsung Galaxy Mega 6.3 dengan spesifikasi kamera 8 MP. Hubungan kamera dan komputer dilakukan dengan bantuan aplikasi droidcam client V.6 yang dapat di download pada playstore. Aplikasi tersebut akan merubah fungsi kamera handphone menjadi web-cam dengan prosedur sebagai berikut :
1) Download dan install aplikasi droidcam client V.6 pada personal computer dan handphone
2) Sambungkan handphone dan personalcomputer menggunakan kabel USB 3) Dalam software matlab, proses akuisisi citra digital menggunakan webcam
dapat dilakukan dengan terlebih dahulu menginstal driver image acquisition support packages for hadware adaptors
4) Setelah driver tersebut berhasil di-install, maka Software Matlab telah support untuk melakukan akuisisi citra.
Penyiapan Sampel Inti Sawit
Pengambilan sampel inti sawit dilakukan secara acak sebanyak 5-10 kg dari tumpukan inti sawit pada pabrik pengolahan kelapa sawit. Sampel yang diperolah dibagi menjadi dua, selanjutnya dikemas ke dalam kantong kertas A dan kantong kertas B untuk menghindari perubahan sifat fisik dan kimia pada saat pengujian di laboratorium dan pengambilan citra. Sampel dari kelompok A dibawa ke laboratorium pengujian untuk analisis kadar air dan kadar minyak sedangkan sampel dari kelompok B dibagi menjadi dua bagian untuk data latih dan data uji. Selanjutnya dilakukan pemisahan biji utuh, biji pecah, dan kotoran dari setiap bagian tersebut seperti dapat dilihat pada Gambar 4.
(a) (b) (c) Gambar 4 Klasifikasi inti sawit ; (a) utuh, (b) pecah, (c) kotoran
Setiap kelompok sampel yang telah dipisahkan ditimbang menggunakan timbangan digital dengan ketelitian 0.01 gram dan dilakukan pengambilan citra.
Pelatihan Sistem Real Time Image Processing Menggunakan KNN
Pelatihan sistem bertujuan untuk memberikan pembelajaran sistem dalam mengenali ciri fisik inti sawit utuh, pecah dan kotoran. Data latih digunakan sebanyak 2426 biji (1217 gram) untuk kategori utuh 1070 biji, kategori pecah 805 biji, dan 551 kategori kotoran. Citra inti sawit diambil dengan menyusun tiap biji utuh, pecah atau kotoran pada alat pengambilan citra. Citra yang diambil selanjutnya dianalisis sehingga menghasilkan data ciri citra latih sedangkan pada data uji akan menghasilkan data ciri citra uji. Hasil data latih dan data uji selanjutnya akan diklasifikasi dengan KNN dengan mencari jarak terdekat antara data yang akan dievaluasi dengan k tetangga (neighbour) terdekatnya dalam data pelatihan. Selanjutnya untuk mengetahui kinerja KNN dilakukan analisis dan evaluasi sehingga diketahui akurasi sistem. Diagram alir analisis citra dapat dilihat pada Gambar 5.
14
Gambar 5 Diagram alir analisis citra
Pengujian Sistem Real Time Image Processing Menggunakan KNN
Pengujian sistem bertujuan utuk mengetahui kemampuan sistem dalam memprediksi ketepatan pendugaan inti sawit berdasarkan kategori utuh, pecah, atau kotoran. Pengujian dilakukan terhadap dua parameter nilai akhir yang diinginkan, yaitu persentase berdasarkan jumlah butir dan persentase berdasarkan massa (gram). Sampel yang digunakan sebagai data uji berbeda dengan citra inti sawit yang digunakan sebagai data latih. Total sampel yang digunakan untuk data latih adalah 2426 butir, yang terdiri dari 1070 butir kategori utuh, 805 butir kategori pecah, dan 551 kategori kotoran. Pengujian sistem dilakukan melalui dua tahap pengujian yaitu pengujian 1 dengan menyusun tiap kategori inti sawit utuh,
pecah, atau kotoran pada alat pengambilan citra dan pengujian 2 dengan menebar campuran inti sawit utuh, pecah, dan kotoran pada alat pengambilan citra, selanjutnya inti sawit utuh, pecah, dan kotoran dipisahkan secara manual dan ditimbang. Jumlah sampel pada pengujian 1 terdiri atas inti sawit utuh 441 butir dengan berat 317 gram, pecah 327 butir dengan berat 160.9 gram dan kotoran 273 butir dengan berat 146.3 gram. Sedangkan total berat campuran inti sawit pada pengujian 2 adalah 90 gram. Diagram alir proses klasifikasi kategori inti sawit dapat dilihat pada Gambar 7. Proses pengambilan citra sampai dengan diperoleh hasil klasifikasi dilakukan melalui beberapa tahap sebagai berikut :
1) Menyiapkan inti sawit dengan berat ± 100 gram
2) Menebar dan meratakan inti sawit diatas tray pada meja pengambilan citra agar terpisah satu sama lain (Lampiran 3)
3) Mengangkat tray dari meja pengambilan citra
4) Menekan menu Using Cam, selanjutnya akan muncul figure window usecam (Gambar 6). Setelah muncul tampilan layar pengambilan citra, pilih sumber kamera, dan kemudian tekan preview untuk melihat citra yang ditangkap oleh kamera. Terakhir pilih menu ambil gambar, sehingga tampilan citra akan muncul pada window pengujian.
Gambar 6 Tampilan figure window Usecam
5) Pilih menu Hitung untuk melakukan proses pengolahan citra. Hasil pengolahan citra yang diperoleh yaitu berupa nilai-nilai parameter ekstraksi ciri statistik dan morfologi yang ditunjukkan pada window pengujian (Lampiran 4)
6) Pilih menu Klasifikasi untuk mendapatkan hasil klasifikasi program yang diolah menggunakan KNN. Pada tampilan window pengujian menunjukkan hasil klasifikasi berupa jumlah butir dan jumlah massa (gram) pada masing-masing kategori. Setelah menekan tombol klasifikasi juga secara otomatis akan muncul window baru yang menampilkan citra hasil klasifikasi berupa persentase massa masing-masing kategori (Lampiran 7). Penampilan inti sawit berupa kategori biji utuh, pecah, dan kotoran juga ditampilkan dengan ditandai dengan garis tepi berwarna. Penanda kategori pada inti sawit utuh
16
berupa garis tepi berwarna merah, inti sawit pecah berwarna hijau, dan kotoran berwarna kuning.
Gambar 7 Diagram alir proses klasifikasi kategori inti sawit secara real time Pengujian ketepatan pendugaan inti sawit pada pengujian sistem dilakukan dengan menggunakan metode K-Nearest Neighbor (KNN). Konsep dasar dari KNN adalah mencari jarak terdekat antara data yang akan dievaluasi dengan k tetangga terdekatnya dalam data pelatihan. Pada metode KNN, penggunaaan nilai k yang besar memiliki keuntungan, yaitu menyediakan informasi probabilistik. Pada penelitian ini fungsi yang digunakan untuk menghitung jarak antara x dan y digunakan fungsi jarak euclidean, karena fungsinya sederhana, cukup dengan menghitung kuadrat jarak dari dua data yang akan dihitung jaraknya menggunakan persamaan 1. Dimana d (x, y) adalah jarak antara dua data, n adalah jumlah parameter. Jarak euclidean yang semakin kecil menunjukkan kesamaan yang lebih tinggi. Jarak 0 berarti bahwa data sama (Trstenjak et al.2014).
Analisis dan Evaluasi
Kinerja dari nilai KNN dapat diperoleh dengan melihat berapa banyak data pada suatu kelas yang diklasifikasi benar, dengan persamaan sebagai berikut:
�� � � = ℎ � ℎ × % (14)
Evaluasi juga dilakukan dengan melihat fitur yang memiliki pengaruh cukup baik dalam membedakan kelas, untuk menentukan fitur yang paling relevan untuk membedakan masing-masing kategori digunakan uji statistik ANOVA. Menurut Wagner et al.(2005), analisis variance (ANOVA) adalah metode statistik yang
digunakan untuk memutuskan apakah fitur menunjukkan perbedaan yang signifikan antara dua atau lebih kelas.
Kinerja Sistem Klasifikasi Inti Sawit secara Real Time
Pengujian kinerja dilakukan dengan membandingkan waktu yang dibutuhkan untuk klasifikasi inti sawit secara manual dan dengan menggunakan sistem real time.
4 HASIL DAN PEMBAHASAN
Perangkat Pengambilan Citra Inti Sawit
Perangkat pengambilan citra hasil rancangan terdiri atas laptop, kamera handphone 8 MP, dudukan kamera, lampu neon, dudukan lampu neon, rangka, tray berlubang untuk pemisahan inti sawit, dan alat perata untuk memasukkan inti sawit ke dalam tray berlubang. Perangkat pengambilan citra inti sawit hasil rancangan secara keseluruhan dapat dilihat pada Gambar 8. Sedangkan detail perangkat pengambilan citra dapat dilihat pada Gambar 9.
Berdasarkan hasil pengujian dengan menggunakan daya lampu 8 watt dengan intensitas 242 lux memberikan kualitas citra yang lebih baik dibandingkan dengan 5 dan 15 watt. Pada pengujian pemilihan warna latar alat pengambilan citra, warna latar yang dipilih adalah warna biru dengan nilai derajat kebiruan 107-255 karena memberikan nilai kontras terhadap warna inti sawit sehingga menghasilkan citra yang lebih baik dibandingkan dengan warna lainnya. Sedangkan pada pengujian penentuan jarak optimum antara lensa kamera dan objek, jarak optimum terbaik antara lensa kamera dan objek adalah 33 cm dengan luasan objek 300×250 cm pada berat objek kurang lebih 100 gram.
Inti sawit yang terdiri atas biji utuh, pecah dan kotoran ditebar diatas tray berlubang kemudian diratakan menggunakan alat perata sehingga masuk ke dalam lubang. Tray berlubang kemudian diangkat dan citra inti sawit akan tersusun diatas meja dengan latar berwarna biru.
18
Gambar 8 Perangkat pengambilan citra
(a) (b)
Gambar 9 Detail perangkat pengambilan citra, (a) tampak atas, (b) detail tray berlubang
Sistem Akuisisi Citra
Sistem klasifikasi citra inti sawit terdiri atas tiga blok utama, yaitu: preprocessing, ekstraksi ciri, dan klasifikasi. Sampel akan diolah oleh sistem klasifikasi dan hasilnya berupa klasifikasi inti sawit. Sistem dirancang menggunakan tampilan Graphical User Interface sehingga tampil lebih menarik dan mudah dioperasikan. Tampilan antar muka sistem pengambilan citra inti sawit seperti ditunjukkan pada Gambar 10.
Lampu neon 10 Watt Lampu neon 10 Watt Kamera HP 8 MP Rangka alat Tampilan citra pada laptop Kabel USB Meja pengambilan citra Laptop 8 Watt
Gambar 10 Tampilan antar muka sistem pengambilan citra inti sawit Inti sawit pada alat pengambilan citra ditampilkan secara real time pada laptop melalui aplikasi droidcam dan koneksi kabel USB. Citra inti sawit dapat diambil melalui menu browse jika gambar diambil melalui file dari directory yang telah disimpan atau menu using cam jika gambar diambil secara real time, kemudian dihitung parameter ciri dan diklasifikasi berdasarkan jenis biji yang ditampilkan seperti pada Gambar 11. Proses klasifikasi yang dihasilkan ditunjukan dalam jumlah butir dan dalam satuan massa (gram).
Gambar 11 Tampilan program proses perhitungan parameter ciri dan diklasifikasi berdasarkan jenis dan jumlah biji inti sawit
Tampilan proses klasifikasi biji utuh dalam persentase massa berdasarkan pendugaan program dapat dilihat pada Gambar 12 yang ditunjukkan melalui perbedaan warna. Warna hijau menunjukkan pendugaan sebagai biji utuh, warna merah menunjukkan pendugaan sebagai biji pecah dan warna kuning menunjukkan pendugaan sebagai kotoran.
20
Gambar 12 Tampilan program proses klasifikasi berdasarkan jenis dan berat biji inti sawit
Database pada sistem adalah ciri dari masing-masing kategori inti sawit 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.
Karakteristik Citra Inti Sawit
Penampakan dari inti sawit utuh, pecah dan kotoran dapat dibedakan berdasarkan bentuk dan karakteristik kekasaran permukaan sehingga identifikasi fisik inti sawit dilakukan menggunakan metode pengolahan citra digital melalui analisis tekstur dan morfologi. Karakteristik citra inti sawit pada setiap kategori ciri morfologi secara lengkap ditampilkan pada Gambar 13.
Berdasarkan Gambar 13 terlihat bahwa parameter morfologi berada pada rentang yang bervariasi meskipun sebagian besar terlihat beririsan antara kategori utuh, pecah, dan kotoran. Begitu juga dengan parameter karakteristik ciri statistik. Pada Gambar 14 ditunjukkan nilai irisan distribusi penggolongan citra inti sawit berdasarkan parameter ciri statistik. Setiap variabel memberikan nilai pada rentang tertentu dan ketiga kategori beririsan pada rentang nilai yang sama. Semakin besar rentang nilai irisan dari suatu variabel maka akan semakin sulit menduga setiap kategori. Hal ini tentunya sangat dipengaruhi oleh bentuk dan warna dari masing-masing kategori.
(a) (b)
(c) (d) Gambar 13 Sebaran nilai setiap kategori pada ciri morfologi
(a)Area (b)Eccentricity (c) Perimeter (d) Metric
Gambar 14 Nilai irisan distribusi penggolongan citra inti sawit berdasarkan parameter ciri statistik
Berdasarkan Gambar 14 terlihat bahwa setiap citra memiliki karakteristik yang dapat digunakan untuk menduga kategori inti sawit. Pada kelompok kategori inti sawit dengan nilai selisih irisan yang besar dapat menyebabkan kesalahan dalam pendugaan. Berdasarkan hasil analisis ternyata pada citra grayscale dan red lebih baik daripada citra green dan blue jika digunakan untuk menduga kategori inti sawit pada nilai parameter ciri mean, entropy, variance, contrast, dan
-1000,0 0,0 1000,0 2000,0 3000,0 4000,0 5000,0
Utuh Pecah Kotoran
A re a (p ix el) 0,0 0,2 0,4 0,6 0,8 1,0 1,2
Utuh Pecah Kotoran
