Klasifikasi Karet RSS (Ribbed Smoked Sheet) Menggunakan Metode LVQ (Learning Vector Quantization)

(1)

(2)

(3)

(4)

(5)

(6)

(7)

(8)

(9)

(10)

(11)

(12)

(13)

119 [0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 1, 1, 0, 1, 1, 1, 0, 0, 1, 0, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 0, 1, 1, 0, 1, 1, 0, 1, 1, 1, 0, 0, 1, 1, 0, 1, 1, 0]

RSS3

120 [1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 1, 1, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 1, 1, 1, 0, 1, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 0, 1, 1, 1, 1, 0, 1, 0, 0, 0]

(14)

DAFTAR PUSTAKA

Ahmad, U., Riadi, F. & Subrata, I.D.M. 2006.Pemeriksaan Mutu Karet RSS menggunakan Pengolahan Citra. Jurnal Keteknikan Pertanian. Vol.20, No.3 : 265-274.

Azara, M., Fatayer, T., & Halees, A.E. 2012. Arabic Text Classification Using Learning Vector Quantization. The 8th International Conference on Informatics and System (INFOS2012), pp. 40-44.

Choras, R.S. 2007. Image Feature Extraction Techniques and Their Applications for CBIR and Biometrics Systems. International Journal of Biology and Biomedical Engineering. Vol.1, No.1 : 6-16.

Dhani, R.R. 2013. Ini 5 Negara Produsen Karet Terbesar di Dunia. Detikfinance , 29 April 2015 (Diakses 29 April 2015).

Fajri, R.I. 2014. Identifikasi Penyakit Daun Tanaman Kelapa Sawit Menggunakan Support Vector Machine (SVM). Skripsi. Universitas Sumatera Utara. Medan. Hermanto, I.G.R., Agung, T., Novi, R. 2009. Pengenalan Huruf Bali menggunakan

Metode Modified Direction Feature (MDF) dan Learning Vector Quantization (LVQ). Konferensi Nasional Sistem dan Informatika, pp 7-12.

Karet Alam. 2009. karetalam.com, 29 April 2015 (diakses 29 April 2015).

Karne, A.S. & Navalgund, S.S. 2013. Implementation of an Image Thinning Algorithm using Verilog and MATLAB. Proceedings of National Conference on “Women in Science & Engineering” (NCWSE 2013), pp. 333-337.

Khimah, I., Rahayu, E.S., Harisudin, M., 2013. Analisis Pengendalian Kualitas Karet pada PT. Perkebunan Nusantara IX (Persero) Kebun Batujamus/Kerjoarum Karangayar. Agribusiness Review. Vol.1, No.1 : 90-104.

Kurniawan, R. 2003. Kajian Karakteristik Mutu Karet Alam Olahan Jenis RSS (Ribbed Smoked Sheet) Dengan Teknik Pengolahan Citra. Skripsi. Institut

(15)

Prabpal, P., Manasri, T. & Sonasang, S. 2014. The classify of rubber sheet quality by image processing with artificial neural network. International Science, Social Science, Engineering and Energy Conference (I-SEEC 2014), pp. 1-6.

Pornpanomchai, C. &Chantharangsikul, N. 2010. Ribbed Smoked Sheet Grading Sistem (RSSGS). International Conference on Electronic and Information Engineering (ICEIE), pp. 128-132.

Rajashekararadhya, S.V. & Ranjan, P.V. 2009. Zone based Feature Ekstraction Algorithm for Handwritten Numeral Recognition of Kanada Script. IEEE International Advance Computing Conference (IACC 2009), pp. 525-528

Sinaga, N.M. 2011. Analisis Faktor Faktor yang Mempengaruhi Ekspor Karet Negara Thailand, Indonesia, dan Malaysia. (Online) http://repository.ipb.ac.id/handle/123456789/64871 (29 April 2015).

Sutoyo. T, Mulyanto. Edy, Suhartono. Vincent, Dwi Nurhayati Oky, Wijanarto, “ Teori Pengolahan Citra Digital ”, Andi Yogyakarta dan UDINUS Semarang, 2009.

Syahputri, S. I. 2011. Analisis dan Perancangan Perangkat Lunak Image Thinning dengan Metode Zhang Suen. Skripsi. Universitas Sumatera Utara.

Umyai, P., Kumhom, P., & Chamnongthai K. 2011. Air Bubbles Detecting on Ribbed Smoked Sheet Based On Fractal Dimension. International Symposium on Intelligent Signal Processing and Communication Sistem (ISPACS).

Wahyono, E.S, Ernastuti. Identifikasi Nomor Polisi Mobil Menggunakan Metode Jaringan Saraf Buatan Learning Vector Quantization (Online)

(16)

BAB 3

ANALISIS DAN PERANCANGAN

Pada bab ini akan membahas analisis metode Learning Vektor Quantization (LVQ) pada sistem dan tahap-tahap yang digunakan dalam proses perancangan sistem yang akan dibangun.

3.1 Data Yang Digunakan

Data yang digunakan dalam penelitian ini berupa citra karet RSS yang akan diklasifikasikan sebagai karet RSS 1 dan karet RSS 3. Data ini diambil melalui proses akuisisi citra pada penelitian di PTPN III Sarang Gitting. Jumlah data citra yang akan digunakan berupa 89 citra RSS1 dan 89 citra RSS2 dengan ukuran 1024 x 1024 piksel pada setiap citra. Gambar 3.1 menunjukkan citra karet RSS1 dan Karet RSS3.

(17)

3.2 Analisis Aplikasi

Aplikasi klasifikasi kualitas karet RSS (Ribbed Smoked Sheet) menggunakan metode Learning Vektor Quantization (LVQ) merupakan aplikasi yang dapat mengklasifikasikan kualitas karet RSS (Ribbed Smoked Sheet) secara otomatis berdasarkan tingkat jumlah gelembung yang terdapat pada permukaan karet RSS. Aplikasi ini akan menerima masukan berupa citra karet RSS. Kemudian citra akan diproses melalui tahapan preprocessing, segmentasi, ekstraksi fitur dan klasifikasi menggunakan metode Learning Vektor Quantization (LVQ). Proses perancangan aplikasi pada arsitektur umum terdapat pada Gambar 3.2

(18)

3.3 Input citra RSS

Sebelum melakukan proses klasifikasi, perlu dilakukan proses input citra berupa citra karet RSS yang akan diklasifikasikan. Citra yang akan diinput terlebih dahulu akan dilakukan proses akuisisi citra dengan menggunakan pengambilan gambar dengan jarak yang sama pada setiap gambar untuk mendapatkan hasil jarak dan kerenggangan yang sama dari setiap citra sehingga hasil klasifikasi yang akan didapatkan lebih akurat. Adapun langkah-langkah akuisisi citra yang akan dilakukan adalah sebagai berikut :

 Sampel yang akan dijadikan citra berupa karet RSS 1 dan Karet RSS 3 yang akan dilakukan proses sortasi

 Sampel akan diletakkan pada meja sortasi yang telah tersedia pada ruang sortasi PTPN III Sarang Gitting

 Sampel diletakkan pada background putih

 Pengambilan citra dilakukan menggunakan kamera digital dengan jarak kamera 50 cm dengan resolusi 2592 x 1944 piksel

 Citra akan disimpan dalam bentuk .jpeg

3.4 Preprocessing

Pada tahap preprocessing, dilakukan beberapa tahapan persiapan citra sehingga citra dapat dengan mudah diproses pada tahap selanjutnya. Tahapan preprocessing citra karet RSS terdiri dari resizing, grayscale, thresholding.

3.4.1 Resizing

(19)

Gambar 3.3 Citra RSS resize

3.4.2 Grayscale

Setelah citra di resizing, akan dilakukan proses grayscale. Proses ini digunakan untuk memisahkan antara bayangan dan warna asli pada citra RSS. Proses ini akan menghasilkan citra hitam putih dengan cara melakukan konversi citra RGB ke citra grayscale. Pada citra terdiri dari 24-bit dimana setiap piksel mengandung nilai warna dasar (R,G,B) yang masing-masing memiliki 8-bit warna dengan nilai warna berada pada 0 (00000000) sampai 255 (11111111). Gambar 3.4 merupakan representasi piksel pada citra karet RSS.

Gambar 3.4 Representasi piksel karet RSS

(20)

Gambar 3.5 Citra 9 (3x3) Piksel

Adapun nilai Red, Green, Blue pada citra 9 piksel antara lain : P1 = R, G, B (145, 112, 58 )

P2 = R, G, B (133, 101, 60 ) P3 = R, G, B (151, 118, 56) P4 = R, G, B (145, 112, 65 ) P5 = R, G, B (126, 97, 57 ) P6 = R, G, B (128, 96, 58 ) P7 = R, G, B (142, 111, 64 ) P8 = R, G, B (122, 91, 50 ) P9 = R, G, B (115, 85, 51 )

Citra warna pada RSS diubah menjadi citra grayscale dengan menghitung rata-rata elemen warna dari Red, Green, Blue. Persamaan yang digunakan dalam mengkonversi citra RGB menjadi citra grayscale adalah sebagai berikut

Dengan menggunakan persamaan (3.1) maka nilai grayscale yang akan di dapatkan antara lain sebagai berikut :

P1 = R, G, B (145, 112, 58 ) / 3 = 105 P2 = R, G, B (133, 101, 60 ) / 3 = 98 P3 = R, G, B (151, 118, 56) / 3 = 108.33 P4 = R, G, B (145, 112, 65 ) / 3 = 107.33 P5 = R, G, B (126, 97, 57 ) / 3 = 93.33 P6 = R, G, B (128, 96, 58 ) / 3 = 94 P7 = R, G, B (142, 111, 64 ) / 3 = 105.67 P8 = R, G, B (122, 91, 50 ) / 3 = 87.67

(21)

P9 = R, G, B (115, 85, 51 ) / 3 = 83.67

Setelah didapatkan nilai grayscale setiap piksel sesuai persamaan (3.1) maka nilai piksel akan diubah sesuai dengan nilai grayscale sehingga didapatkan nilai grayscale pada setiap piksel dapat dilihat pada Gambar 3.6

105

98

108

107

93

94

105

87

83

Gambar 3.6 Nilai Grayscale pada setiap piksel

Proses perhitungan nilai grayscale pada citra karet RSS 9 piksel (3x3) piksel dapat dilakukan juga pada citra karet RSS 1024 x 1024. Contoh citra karet RSS yang telah dilakukan grayscale pada ukuran 1024 x 1024 piksel ditunjukkan pada Gambar

3.7

a b

(22)

3.4.3 Thresholding

Pada tahap selanjutnya citra yang telah digrayscale selanjutnya akan dilakukan proses thresholding dimana citra grayscale akan diubah menjadi citra biner yang bernilai 0 dan 1 (Hitam dan Putih).Pada tahap ini setiap nilai piksel citra grayscale akan diambil nilai ambangnya untuk menentukan nilai biner pada setiap citra.

Jika nilai yang dihasilkan kurang dari ambang yang dihasilkan maka nilai piksel tersebut akan diubah menjadi warna hitam dan jika nilai yang dihasilkan lebih dari nilai rata-rata maka nilai piksel akan diubah menjadi warna putih.

Nilai grayscale pada potongan citra 9 piksel (3x3) piksel akan diubah menjadi nilai threshold sesuai dengan nilai ambang. Nilai ambang yang akan digunakan didapatkan sesuai persamaan (3.2)

Keterangan :

T = Nilai threshold

fmaks = Nilai piksel maksimum fmin = Nilai piksel minimum

Menggunakan persamaan (3.2), maka nilai threshold pada potongan citra 9 piksel (3x3) piksel adalah sebagai berikut

Nilai threshold yang dihasilkan adalah 96. Nilai threshold 96 ini dapat digunakan jika persentase nilai piksel > 96 sebesar lebih dari 50 %, namun jika persentase nilai piksel 96 lebih sedikit dari 50 % maka digunakan persamaan (3.3)

Berdasarkan gambar 3.5, nilai piksel yang berada diatas nilai threshold (96) sebesar 5 piksel dan nilai piksel yang berada dibawah nilai threshold (96) sebesar 4 piksel. Sehingga presentasi yg diperoleh adalah sebagai berikut

(3.2)

(23)

Dengan persentasi nilai threshold diatas, diperoleh sebesar 55.56 % nilai piksel yang berada di atas nilai threshold sehingga untuk menentukan nilai threshold dapat digunakan pesamaan (3.2) sehingga diperoleh :

P1 = 105 > 96 = 1 P2 = 98 > 96 = 1 P3 = 108.33 > 96 = 1 P4 = 107.33 > 96 = 1 P5 = 93.33 < 96 = 0 P6 = 94 < 96 = 0 P7 = 105.67 > 96 = 1 P8 = 87.67 < 96 = 0 P9 = 83.67 < 96 = 0

Setelah semua nilai threshold didapatkan pada setiap piksel maka nilai citra grayscale akan diupdate dan diganti dengan nilai threshold sesuai dengan Gambar 3.8

1

0

1

0

Gambar 3.8 Nilai Threshold Citra karet 9 Piksel

Proses penentuan nilai threshold pada citra karet RSS 9 piksel (3x3) piksel dapat dilakukan juga pada citra karet RSS 1024 x 1024. Contoh citra karet RSS yang telah dilakukan threshold pada ukuran 1024 x 1024 piksel ditunjukkan pada Gambar

(24)

a b

Gambar 3.9 Proses citra thresholding, (a) citra grayscale (b) citra thresholding

3.5 Ekstraksi fitur

Setelah dilakukan proses preprocessing, maka akan dilakukan proses ekstraksi ciri yang membentuk nilai fitur yang bersifat unik untuk mendapatkan ciri dari citra. Nilai fitur yang didapat akan mewakili karakteristik dari citra yang akan diklasifikasikan menggunakan Learning Vektor Quantizatin (LVQ). Pada penelitian ini, ekstraksi fitur yang digunakan menggunakan metode zoning.

3.5.1 Zoning

(25)

Gambar 3.10 Hasil Zoning Citra

Adapun proses metode zoning dalam proses ekstraksi fitur pada citra karet RSS antara lain :

1. Hitung jumlah piksel hitam setiap zona dari zona Z1 – Z121 2. Tentukan zona yang memiliki jumlah piksel hitam paling tinggi 3. Hitung nilai fitur setiap zona dari Z1-Z121 dengan persamaan

Dengan 1≤ n ≤ 121

Contoh Perhitungan Zoning antara lain:

1. Jumlah Piksel hitam setiap zona antara lain Z1=20, Z10=80, Z20=40, Z50=50

2. Zona yang memiliki jumlah piksel hitam paling tinggi adalah Z10 = 80 3. Nilai fitur setiap zona antara lain :

(26)

Namun dalam penelitian ini, penulis melakukan pembulatan pada nilai fitur setiap zona dengan ketentuan jika :

Pembulatan ini dilakukan agar nilai fitur yang dihasilkan akan berbentuk nilai biner yang akan digunakan sebagai nilai input pada proses klasifikasi pada tahap selanjutnya. Sehingga dari perhitungan zona didapat nilai fitur berupa Z1= 0, Z10=1, Z20 = 1, Z50= 1.

Dari perhitungan zoning pada tahap ekstraksi fitur akan menghasilkan 121 fitur yang akan digunakan sebagai nilai input pada proses klasifikasi menggunakan LVQ yang sesuai dengan gambar 3.11

Gambar 3.11 Nilai ekstraksi fitur menggunakan Zoning

3.6 Klasifikasi

Setelah didapat nilai fitur pada proses ekstraksi fitur menggunakan Zoning, tahapan berikutnya yaitu proses klasifikasi citra menggunakan metode learning vektor quantization (LVQ). Tahapan ini memiliki dua proses yaitu proses pelatihan dan proses pengujian. Proses pelatihan menggunakan nilai fitur yang didapat dari data latih yang telah diekstraksi fitur. Pada proses pengujian dilakukan nilai pendekatan dengan menggunakan nilai fitur yang didapat pada data uji.

3.6.1 Learning Vektor Quantization

Dalam penelitian ini, Learning Vektor Quantization digunakan untuk melakukan klasifikasi pola ke dalam beberapa kelas dengan mencari bobot akhir untuk proses klasifikasi dengan menghitung jarak antar data dan bobot akhir. Arsitektur LVQ terdiri atas dua lapisan yaitu lapisan input dan lapisan output.

Lapisan input pada penelitian ini diperoleh dari proses ekstraksi fitur berupa Zn < 0.5 maka Zn = 0

(27)

RSS1 dan kelas RSS3. Adapun arsitektur umum Learning Vektor Quantization (LVQ) dapat dilihat pada Gambar 3.12

Gambar 3.12 Arsitektur Learning Vektor Quantization (LVQ)

Keterangan :

 X1, X2, X3,…, X121 = Nilai input dari hasil ekstraksi fitur  ||X-W1||, ||X-W2|| = Jarak bobot

 H1, H2 = Lapisan Output

 D1, D2 = Nilai Output yang akan digunakan dalam proses uji  W1, W2.. W121 = Nilai data inisialisasi

3.6.2 Proses Pelatihan

Pada tahap pelatihan, algoritma LVQ akan memproses input dengan menerima vektor masukan sebanyak 121 fitur dengan keterangan kelas fitur tersebut. Kemudian vektor akan menghitung jarak semua vektor pewakil untuk kelas yang ada dengan menggunakan Euclidean distance.

(28)

Gambar 3.13 Pseudocode Penerapan Algoritma LVQ pada Citra RSS

Adapun penjelasan dari Gambar 3.13 adalah sebagai berikut :

 Tahap awal pada algoritma LVQ adalah tahap inisialisasi untuk penentuan awal bobot, maksimal iterasi, minimum error dan learning rate untuk mendapatkan hasil akhir yang akurat pada citra.

 Tahap selanjutnya yaitu tahap inisialisasi nilai input dan target dari input. Nilai input didapat dari hasil ekstraksi fitur. Pada tahap ini, setiap nilai input citra telah ditentukan target kelas citranya (RSS1 atau RSS3).

 Tahap berikutnya yaitu inisialisai kondisi awal yaitu epoch = 0 dan error = 1. Perhitungan bobot dimulai dari kondisi awal epoch sampai epoch maksimum yang telah ditentukan

(29)

 Tahap selanjutnya yaitu bandingkan target kelas dengan bobot. Jika Target kelas dan bobot sama maka perbaharui nilai bobot dengan persamaan berikut :

w

j(baru)

= w

j(lama)

+ α [x

-w

j(lama)

]

 Tetapi jika target kelas dan bobot berbeda maka perbaharui nilai dengan dengan persamaan berikut:

w

j(baru)

= w

j(lama)

+ α [x

-w

j(lama)

]

 Lakukan perhitungan yang sama seperti input awal pada setiap input dengan menggunakan bobot yang telah diperbaharui.

 Setelah setiap input selesai dilakukan perhitungan, maka kurangi nilai

α

dan lakukan iterasi epoch sampai epoch mencapai maksimal epoch atau α mendekati nilai Eps

 Pada tahap terakhir yaitu jika iterasi epoch berakhir maka tetapkan bobot baru pada epoch terakhir sebagai bobot akhir yang akan digunakan sebagai nilai bobot pada proses data latih.

Pada tahap pelatihan, penulis akan memaparkan proses perhitungan LVQ dalam mendapatkan nilai bobot yang akan disimpan sebagai bobot akhir yang akan digunakan dalam tahap pengujian. Namun penulis hanya mengilustrasikan input hanya dalam beberapa vektor. Adapun data yang akan digunakan sebagai proses perhitungan LVQ pada proses pelatihan dapat dilihat pada tabel 3.1

Tabel 3.1 Data Vektor Input

No Nama Karet X1 X2 X3 X4 X5 X6 Vektor Kelas

1 Karet1 0 0 0 0 1 1 000011 RSS1

2 Karet2 0 0 1 1 0 1 001101 RSS3

3 Karet3 0 1 1 0 1 1 011011 RSS1

4 Karet4 0 0 1 1 0 0 001100 RSS3

5 Karet5 0 1 0 0 1 1 010011 RSS1

(30)

Dari keenam data yang akan dilakukan proses pelatihan, empat data akan diambil sebagai nilai input. Nilai input dapat dilihat pada tabel 3.2.

Tabel 3.2 Tabel Nilai Input Pelatihan

1 Karet3 0 1 1 0 1 1 011011 RSS1

2 Karet4 0 0 1 1 0 0 001100 RSS3

3 Karet5 0 1 0 0 1 1 010011 RSS1

4 Karet6 1 1 1 0 0 1 111001 RSS3

Dan dua data dengan kelas berbeda yakni RSS1 dan RSS akan diambil sebagai nilai bobot untuk proses pelatihan. Nilai bobot pelatihan dapat dilihat pada tabel 3.3

Tabel 3.3. Nilai Bobot Pelatihan

1 Karet1 0 0 0 0 1 1 000011 RSS1

2 Karet2 0 1 1 1 0 1 011101 RSS3

Parameter-parameter yang digunakan pada penelitian ini adalah sebagai berikut : 1. Learning rate (α) = 0.05

2. Penurunan Learning rate, Dec α = 0.1 3. Minimum Learning rate, Min α = 0.0001 4. Maksimum Epoch, MaxEpoch = 5

Proses Perhitungan

Epoch ke-1

Data Ke-1 : ( 0, 1, 1, 0, 1, 1 )

Bobot Ke-1 : ( 0, 0, 0, 0, 1, 1 )

Jarak pada bobot ke-1

(31)

Bobot Ke-2 : ( 0, 0, 1, 1, 0, 0 )

Wj

Wj= = 1,732051

Jarak terpendek pada Bobot ke-1

Kelas data ke-1 (RSS1) = Target Bobot ke-1 (RSS1)

Bobot ke-1 baru :

W1 = W1 + α * (X1 – W1) = 0 + 0.05 * (0-0) = 0 W2 = W2 + α * (X2 – W2) = 0 + 0.05 * (1-0) = 0.05 W3 = W3 + α * (X3 – W3) = 0 + 0.05 * (1-0) = 0.05 W4 = W4 + α * (X4 – W4) = 0 + 0.05 * (0-0) = 0 W5 = W5 + α * (X5 – W5) = 1 + 0.05 * (1-1) = 1 W6 = W6 + α * (X6 – W6) = 1 + 0.05 * (1-1) = 1

Wi (baru) = ( 0, 0.05, 0.05, 0, 1, 1)

Setelah didapatkan nilai bobot kesatu yang baru, maka lakukan update pada bobot yang lama dan ganti dengan bobot kesatu yang baru. Nilai bobot yang baru akan digunakan pada perhitungan data selanjutnya. Bobot baru pertama dapat dilihat pada tabel 3.4

Tabel 3.4 Nilai Bobot Pertama Baru

No Nama Karet X1 X2 X3 X4 X5 X6 Kelas

1 Karet1 0 0.05 0.05 0 1 1 RSS1

2 Karet2 0 0 1 1 0 1 RSS3

Data Ke-2 : ( 0, 0, 1, 1, 0, 0 )

Bobot Ke-1 : ( 0, 0.05, 0.05, 0, 1, 1 )

(32)

Bobot Ke-2 : ( 0,0, 1, 1, 0, 1 )

Wj = = 1

Jarak terpendek pada Bobot ke-2

Kelas data ke-2 (RSS3) = Target Bobot ke-2 (RSS3)

Bobot ke-2 baru :

W1 = W1 + α * (X1 – W1) = 0 + 0.05 * (0-0) = 0 W2 = W2 + α * (X2 – W2) = 0 + 0.05 * (0-0) = 0 W3 = W3 + α * (X3 – W3) = 1 + 0.05 * (1-1) = 1 W4 = W4 + α * (X4 – W4) = 1 + 0.05 * (1-1) = 1 W5 = W5 + α * (X5 – W5) = 0 + 0.05 * (0-0) = 0 W6 = W6 + α * (X6 – W6) = 1 + 0.05 * (0-1) = 0.95

Wj (baru) = ( 0, 0, 1, 1, 0, 0.95)

Setelah didapatkan nilai bobot kedua yang baru, maka lakukan update pada bobot yang lama dan ganti dengan bobot kedua yang baru. Nilai bobot yang baru akan digunakan pada perhitungan data selanjutnya. Bobot baru kedua dapat dilihat pada tabel 3.5

Tabel 3.5 Nilai Bobot Kedua Baru

No Nama Karet X1 X2 X3 X4 X5 X6 Kelas

1 Karet1 0 0.05 0.05 0 1 1 RSS1

2 Karet2 0 0 1 1 0 0.95 RSS3

Proses ini diteruskan sampai data terakhir. Setelah itu proses dilanjutkan ke iterasi (epoch) ke-2 sampai epoch yang ditentukan . Namun sebelum dilakukan epoch selanjutnya, lakukan update learning rate (α) dengan Decα.

(33)

Epoch Nama Input Vektor

Bobot Ke-1

Bobot Ke-2

Jarak

terdekat Bobot Ke 1 Baru Bobot Ke-2 Baru

1

α=0.05

Karet3 011011 1.41 1.73 Bobot 1 0 0.05 0.05 0 1 1 0 0 1 1 0 1 Karet4 001100 1.97 1 Bobot 2 0 0.05 0.05 0 1 1 0 0 1 1 0 0.95 Karet5 010011 0.905 2 Bobot 1 0 0.097 0.047 0 1 1 0 0 1 1 0 0.95 Karet6 111001 1.929 1.73 Bobot 2 0 0.097 0.047 0 1 1 0.05 0.05 1 0.95 0 0.95

2

α=0.005

Karet3 011011 1.31 1.67 Bobot 1 0 0.1 0.05 0 1 1 0.05 0.05 1 0.95 0 0.95 Karet4 001100 1.97 0.95 Bobot 2 0 0.1 0.05 0 1 1 0.05 0.05 1 0.95 0 0.95 Karet5 010011 0.90 1.95 Bobot 1 0 0.1 0.05 0 1 1 0.05 0.05 1 0.95 0 0.95 Karet6 111001 1.92 1.64 Bobot 2 0 0.1 0.05 0 1 1 0.05 0.055 1 0.95 0.005 0.95

3

α=0.0005

(34)

3.6.3 Proses pengujian

Dari Tabel 3.5, hasil perhitungan data latih tidak lagi mengalami perubahan di epoch ke-3 dengan α = 0.0005. Sehingga bobot yang dihasilkan pada epoch terakhir pada data terakhir akan dijadikan nilai bobot pada data uji dalam proses klasifikasi. Adapun hasil bobot akhir yang akan digunakan pada data uji dapat dilihat pada tabel 3.6

Tabel 3.7 Nilai Bobot Data Uji

No Jenis Bobot X1 X2 X3 X4 X5 X6 Kelas

1 Bobot Ke 1 0 0.1 0.05 0 1 1 RSS1

2 Bobot ke -2 0.05 0.055 1 0.95 0.005 0.95 RSS3

(35)

3.7 Rancangan Tampilan Antarmuka

Tampilan antarmuka (interface) merupakan tampilan yang menengahi komunikasi antara manusia dan computer. Perancangan antarmuka bertujuan untuk memberikan gambaran umum tampilan dari aplikasi yang akan dibuat dan tujuan serta maksud dalam pembuatan tampilan antarmuka.

3.7.1 Rancangan halaman utama

Gambar 3.15 Rancangan halaman utama klasifikasi karet

Keterangan :

1. Logo yang akan digunakan adalah logo universitas sumatera Utara

2. Tombol “Data Latih” akan menghubungkan pengguna untuk masuk ke

halaman proses data latih karet RSS dalam melakukan pengenalan klasifikasi karet RSS

3. Tombol “Data Uji” akan menghubungkan pengguna untuk masuk ke halaman

pengujian klasifikasi karet

4. Tombol “Tentang Sistem” akan menghubungkan pengguna untuk masuk ke halaman penjelasan singkat tentang sistem

5. Tombol “Keluar” akan memungkinkan pengguna untuk keluar dari sistem Klasifikasi Kualitas Karet RSS (Ribbed Smoke Sheet) Dengan

Metode Learning Vector Quantization (LVQ)

1

LOGO

Data Latih Data Uji Tentang Sistem Keluar

1

(36)

3.7.2 Rancangan halaman proses data latih

Gambar 3.16 Tampilan Halaman Data Latih

Keterangan

1. Berisi tampilan data citra karet yaitu form nama citra yang diisi oleh pengguna, form jenis karet yang diisi oleh pengguna serta button “pilih file” untuk memilih file citra yang akan dikenali klasifikasinya dan terdapat button

“Proses” untuk melakukan proses klasifikasi citra.

2. Merupakan setiap proses yang akan ditunjukkan setelah pengguna memilih button “Proses”.

3. Button “Simpan” untuk menyimpan nilai bobot yang akan digunakan pada proses klasifikasi

1 2 3

Proses Data Latih

Nama Karet

Jenis Karet :

Pilih File

Proses

Grayscale Threshold _{Nilai Fitur}

Simpan

1 2

(37)

3.7.3 Rancangan halaman proses data uji

Gambar 3.17 Tampilan Halaman Proses Data Uji

Keterangan :

1. Berisi button “Bobot LVQ” untuk melakukan proses hitung bobot sesuai dengan nilai epoh yang di input dan tampilan nilai bobot yang telah dihitung.

2. Berisi tampilan data citra karet yaitu form nama citra yang diisi oleh pengguna, serta button “pilih file” untuk memilih file citra yang akan diklasifikasi dan button “Proses” untuk melakukan proses klasifikasi.

3. Merupakan setiap proses yang akan ditunjukkan setelah pengguna memilih button “Proses”.

Proses Data Uji

Nama Karet

Pilih File

Proses

Bobot Ke-1

Grayscale Threshold

Bobot LVQ

Bobot Ke-2

Klasifikasi

Nilai Fitur Bobot LVQ

Epoh Bobot 1 (RSS1) Bobot 2 (RSS3)

3 2

(38)

BAB 4

IMPLEMENTASI DAN PENGUJIAN

Pada bab ini, akan dibahas proses pengimplementasian dan pengujian aplikasi berdasarkan analisis dan perancangan aplikasi yang telah dibahas pada bab sebelumnya. Pada tahap ini, bertujuan untuk menampilkan hasil perancangan aplikasi yang telah dibangun dan proses pengujian aplikasi dalam mengklasifikasikan citra karet RSS (Ribbed Smoked Sheet).

4.1 Kebutuhan Aplikasi

Dalam perancangan aplikasi klasifikasi karet RSS (Ribbed Smoked Sheet) menggunakan metode LVQ (Learning Vector Quantization) memerlukan perangkat keras dan perangkat lunak pendukung antara lain :

4.1.1 Perangkat keras

Spesifikasi perangkat keras yang digunakan pada aplikasi ini antara lain : Processor : Intel (R) Celeron (R) CPU N2840 2.16 GHz

RAM : 2.00 GB

Harddisk : 500 GB

4.1.2 Perangkat lunak

Spesifikasi perangkat lunak yang digunakan pada aplikasi ini antara lain :  Windows 7 Home Premium 32 bit

(39)

4.2 Implementasi Perancangan Antar Muka

Adapun tampilan dari perancangan antar muka yang telah diimplementasikan antara lain sebagai berikut :

4.2.1 Halaman utama

Halaman utama pada aplikasi ini merupakan halaman yang akan pertama kali muncul ketika aplikasi dijalankan. Pada halaman ini akan ditampilkan menu-menu yang akan membawa user ke halaman-halaman lain seperti halaman data latih, halaman data uji dan halaman tentang. Contoh halaman utama aplikasi dapat dilihat pada Gambar 4.1 :

Gambar 4.1 Tampilan Halaman Utama

4.2.2 Halaman data latih

(40)

Gambar 4.2 Tampilan Halaman Data Latih

(41)

Gambar 4.3 Tampilan Halaman Proses Data Latih

4.2.3 Halaman data uji

Tampilan Halaman data uji akan ditampilkan ketika pengguna memilih menu Data Uji pada halaman utama. Tampilan halaman data uji ditujukan untuk melakukan proses uji citra dan pengenalan jenis citra karet. Proses pengujian citra dan pengenalannya dapat dilakukan oleh pengguna dengan melakukan perhitungan bobot terlebih dahulu. Proses perhitungan bobot digunakan untuk mendapatkan nilai bobot dari nilai fitur yang telah didapatkan pada proses latih data untuk menghitung jarak terdekat bobot pada data latih. Tampilan halaman data uji dapat dilihat pada Gambar 4.4.

Gambar 4.4 Tampilan Halaman Data Uji

(42)

pengenalan citra berupa citra asli, citra grayscale, citra threshold, nilai fitur ekstraksi, jarak setiap bobot dan jenis klasifikasi karet. Halaman proses data uji dapat dilihat pada Gambar 4.5.

Gambar 4.5 Tampilan Halaman Proses Data Uji

4.3 Pengujian Kinerja aplikasi

Rencana proses pengujian kinerja aplikasi yang akan diuji dapat dilihat pada table 4.1

Tabel 4.1 Rencana Pengujian Kinerja Aplikasi

NO Halaman Aplikasi yang Diuji Butir Uji

1 Halaman Utama Tombol “Data Latih”

Tombol “Uji Data” Tombol “Tentang” Tombol “Keluar”

2 Halaman Data Latih Tombol “Pilih Citra” Tombol “Proses

(43)

Form setiap proses Citra

3 Halaman Data Uji Tombol “Bobot LVQ”

Tombol “Pilih Citra” Tombol “Proses”

Mencoba semua menu dropdown Form setiap proses Citra

4 Halaman Tentang Mencoba semua menu dropdown

Pada Tabel 4.2 akan ditampilkan hasil dari pengujian aplikasi klasifikasi karet RSS (Ribbed Smoked Sheet) menggunakan metode LVQ (Learning Vector Quantization).

Tabel 4.2 Hasil Pengujian Kinerja Aplikasi

No Halaman

Yang di Uji Skenario Uji Hasil yang diharapkan

Hasil

Tombol “Uji Data” Aplikasi akan menampilkan halaman uji data

(44)

(45)

Tabel 4.3 Parameter Pelatihan citra karet RSS

Learning rate (α) 0.05

Penurunan Learning rate (Dec α) 0.1

Minimum Learning rate (Min α) 0.0001

Maksimum Epoch (MaxEpoch) 20

Algoritma Pembelajaran Learning Vector Quantization

Data citra karet yang akan diinput sebagai data acuan akan disimpan di dalam database hard disk local. Data acuan dapat dilihat pada lampiran berikut dengan nilai fitur setiap citra yang akan digunakan sebagai nilai masukan pada proses pengenalan untuk mendapatkan nilai bobot pada proses uji.

4.5 Pengujian Citra

Pada proses pengujian aplikasi, data yang akan digunakan sebagai input berjumlah 60 citra karet RSS yang terdiri atas 30 citra karet RSS1 dan 30 citra karet RSS3. Hasil pengujian citra karet RSS dapat dilihat pada tabel 4.4

Tabel 4.4 Hasil Uji Citra Karet

No Nama Karet Bobot 1 Bobot 2 Hasil

Aplikasi Manual Status

1 Karet-4.jpg 7.1157235189 4.8377618553 RSS3 RSS1 Gagal 2 Karet-12.jpg 5.4564420492 4.9500034934 RSS3 RSS1 Gagal 3 Karet-39.jpg 3.1293530587 5.4000504990 RSS1 RSS1 Berhasil

4 Karet-40.jpg 1.7823406070 5.4333697748 RSS1 RSS1 Berhasil

(46)

28 Karet-86.jpg 5.0781601155 4.8615229201 RSS3 RSS1 Gagal 29 Karet-87.jpg 2.1789142403 5.3538949727 RSS1 RSS1 Berhasil

(47)

Dari hasil uji data pada aplikasi klasifikasi karet RSS (Ribbed Smoked Sheet) menggunakan metode Learning Vector Quantization (LVQ) didapatkan hasil ketepatan (akurasi) dalam proses mengklasifikasikan karet RSS dengan rata-rata 90 % . Hasil dari nilai akurasi klasifikasi citra dapat dilihat pada persamaan 4.1

Namun metode Learning Vector Quantization memiliki kelemahan yaitu sensitif terhadap perubahan nilai bobot. Apabila posisi nilai input berupa nilai fitur diubah maka nilai bobot juga akan mengalami perubahan. Maka dari itu dilakukan proses validasi akurasi untuk mendapatkan nilai akurasi yang lebih akurat. Adapun proses validasi ini dilakukan sebanyak 10 kali pengulangan data uji testing dengan masing-masing pengujian dilakukan perubahan posisi nilai fitur data latih dengan nilai

(48)

data latih yang sama. Tabel 4.5 menunjukkan hasil validasi akurasi pada 10 kali pengulangan data uji dengan 60 data uji dan nilai data latih yang sama.

Tabel 4.5 Hasil Validasi Akurasi

No Pengulangan

akurasi

Data Uji yang

dikenali Akurasi

1 1 54 90 %

2 2 53 88.33 %

3 3 51 85 %

4 4 54 90 %

5 5 53 88.33 %

6 6 54 90 %

7 7 53 88.33 %

8 8 51 85 %

9 9 54 90 %

10 10 54 90 %

Dari hasil validasi akurasi dilakukan proses perhitungan rata-rata akurasi untuk mendapatkan nilai akurasi. Sehingga didapatkan hasil akurasi setelah dilakukan proses validasi akurasi dengan persamaan 4.2

(49)

BAB 5

KESIMPULAN DAN SARAN

Pada Bab ini akan membahas kesimpulan dan saran yang diperoleh dalam merancang aplikasi klasifikasi karet RSS (Ribbed Smoked Sheet) menggunakan metode LVQ (Learning Vector Quantization).

5.1 Kesimpulan

Berdasarkan proses pengujian dari aplikasi klasifikasi karet RSS (Ribbed Smoked Sheet) menggunakan metode LVQ (Learning Vector Quantization) dapat ditarik beberapa kesimpulan yaitu :

a. Metode LVQ (Learning Vector Quantization) dapat mengklasifikasikan karet olahan RSS (Ribbed Smoked Sheet) dengan akurasi pengujian sebesar 90 %.

b. Pada tahap pra-pengolahan citra, aplikasi masih belum mampu mengikis motif yang terdapat pada citra secara sempurna serta warna yang tidak merata, sehingga dibeberapa citra uji terdeteksi motif citra dan warna pada tahap threshold yang akan mempengaruhi nilai fitur yang digunakan sebagai nilai input citra.

(50)

5.2 Saran

Saran untuk penelitian selanjutnya :

a. Penelitian klasifikasi citra karet RSS (Ribbed Smoked Sheet) menggunakan metode LVQ (Learning Vector Quantization) dapat dibandingkan menggunaka metode lain sehingga didapatkan metode terbaik dalam mengklasifikasikan citra karet RSS.

b. Penulis merancang aplikasi klasifikasi citra karet RSS (Ribbed Smoked Sheet) berdasarkan bentuk gelembung yang terdapat pada citra RSS, penulis berharap pada penelitian selanjutnya dapat dikembangkan penelitian yang mampu mengklasifikasikan citra karet RSS berdasarkan warna untuk menentukan ada atau tidaknya jamur pada karet serta klasifikasi citra karet berdasarkan bentuk dan warna yang mampu menentukan karet yang masak dengan sempurna dan karet yang belum masak sehingga dapat diklasifikasikan sebagai Karet Cutting selain RSS1 dan RSS3.

(51)

BAB 2

LANDASAN TEORI

2.1 Karet Ribbed Smoked Sheet (RSS)

Karet Lembaran Asap atau biasa disebut dengan Ribbed Smoke Sheet (RSS) merupakan salah satu jenis produk karet olahan dari getah tanaman karet Hevea brasiliensis yang di peroleh secara perkebunan maupun perorangan (Khomah et all, 2013). Produk olahan tanaman karet ini memiliki banyak kegunaan dalam pasar industri sebagai bahan baku pembuatan industri otomotif dan ban. Di tingkat dunia, Thailand, Indonesia dan Malaysia merupakan pengekspor karet terbesar di dunia. Indonesia memiliki kecenderungan pengeksporan karet ke negara Amerika Serikat (Sinaga, 2011).

Karet Ribbed Smoked Sheet (RSS) diolah secara mekanis dan kimiawi melalui beberapa proses pengolahan yaitu penerimaan lateks kebun, pengenceran, pembekuan, penggilingan, pengasapan dan sortasi. Karet Ribbed Smoked Sheet ini banyak digunakan dalam pembuatan ban kendaraan bermotor. Karet Ribbed Smoked Sheet dapat dilihat pada Gambar 2.1

(a) (b)

(52)

Proses pengolahan karet Ribbed Smoked Sheet (RSS) antara lain :

 Penerimaan Lateks dari pohon karet yang disadap dan dikumpulkan dalam wadah untuk selanjutnya disaring guna memisahkan kotoran dan bagian lateks yang mengalami prakoagulasi

 Lateks dialirkan ke bak koagulasi untuk diencerkan guna memudahkan penyaringan kotoran dan menyeragamkan kadar karet kering agar mutu tetap dapat dijaga

 Dilakukan pembekuan lateks di dalam bak koagulasi dengan menambah zat koagulan yang bersifat asam berupa asam semut atau asam asetat dengan konsentrasi 1-2% dengan dosis 4 ml/kg karet kering. Tujuan penambahan zat koagulan adalah untuk menurunkan pH lateks sehingga lateks akan beku. Penambahan koagulan harus disertai pengadukan yang dilakukan sebanyak 6-10 kali maju dan mundur guna mencegah terbentuknya gelembung udara yang akan mempengaruhi lembaran yang dihasilkan.

 Setelah proses pembekuan, maka akan dilakukan poses penggilingan untuk mengeluarkan air, mengeluarkan serum, dan membentuk garis pada lembaran dan menipiskan lembaran.

 Dilakukan pengasapan di dalam kamar asap untuk mengeringkan lembaran, memberi warna coklat dan menghambat pertumbuhan jamur pada permukaan.  Lembaran yang telah matang dari kamar asap akan ditimbang dan dicatat

dalam arsip produksi dan dilakukan proses sortasi. Proses sortasi dilakukan secara manual untuk melihat warna, kotoran, gelembung udara, jamur dan kehalusan gilingan yang telah disesuaikan pada standar SNI 06-0001-1987

Tabel 2.1. Syarat Kelas Mutu Visual RSS

(53)

jamur, bercak, karat dan

Sumber : Badan Penelitian Teknologi Karet Bogor (2000)

Namun pada proses sortasi yang dilakukan oleh PT Perkebunan hanya dilandasi pada jumlah gelembung yang terdapat pada permukaan lembaran karet RSS. Setiap proses pengolahan harus selalu diperhatikan dan diawasi dengan benar. Pengolahan yang dilakukan secara salah pada salah satu tahap akan menghasilkan produksi karet RSS yang tidak bagus dan akan menyebabkan kerugian yang besar. Beberapa faktor yang perlu diperhatikan dalam pengolahan karet RSS antara lain :

 Getah berasal dari karet yang muda yang menghasilkan karet yang lekat, lembek dan mudah diulur saat digantung di dalam ruang asap.

 Kebersihan getah dari mulai masuk ke kebun sampe akan diolah di pabrik harus dijaga sehingga hasil produksi yang dihasilkan sesuai dengan standard mutu

(54)

 Pemberian koagulan yang berlebihan akan menyebabkan koagulum menjadi keras dan sulit digiling.

 Penggilingan RSS dilakukan untuk memisahkan air dari gumpalan. Kecepatan penggilingan berbeda antara rol yang satu dengan yang berikutnya.

2.2 Pengolahan Citra

Pengolahan citra merupakan proses pengolahan dan analisis citra tentang persepsi pada suatu citra. Pengolahan citra digital adalah disiplin ilmu yang mempelajari hal yang berhubungan dengan perbaikan citra, kualitas citra (peningkatan kontras, transformasi warna, restorasi citra), transformasi citra (rotasi, translasi, skala, transformasi geometrik), melakukan pemilihan ciri citra (feature image) yang optimal untuk dianalisis, penarikan informasi pada objek atau pengenalan objek yang terkandung pada citra, melakukan kompresi untuk memperkecil penyimpanan data, transmisi data dan waktu proses data. Input dari pengolahan citra adalah citra dan output-nya berupa citra hasil pengolahan (Sutoyo et al, 2009)

Terminologi yang berkaitan dengan pengolahan citra adalah Computer vision. Computer vision ini mencoba meniru cara kerja sistem visual manusia. Dalam

berbagai aplikasi Computer vision yang banyak dikembangkan adalah proses mengambil informasi dari gambar berupa fitur yang telah diekstraksi secara otomatis dari gambar itu sendiri. Proses ini sering disebut sebagai CBIR (Content-Based Image Retrieval) Proses yang menjadi populer selama beberapa tahun dalam bidang pengolahan citra (Choras, 2007).

CBIR menggabungkan beberapa teknologi seperti multimedia, pengolahan citra dan sinyal, pengenalan pola, interaksi manusia dan komputer serta ilmu informasi persepsi manusia. Proses CBIR dapat dibagi dalam beberapa tahapan yaitu :

1. Preprocessing

(55)

2. Ekstraksi Fitur

Proses mengambil nilai inti (fitur) dari citra yang menggambarkan bentuk, tekstur, warna dan lain-lain.

Beberapa algoritma yang digunakan dalam pengembangan CBIR terdiri atas tiga tugas yaitu :

 Ekstraksi Fitur  Seleksi

 Klasifikasi

Dari ketiga tugas ini, ekstraksi fitur memiliki fungsi paling penting karena fitur tertentu didapatkan untuk mendiskriminasikan suatu fitur yang dapat mempengaruhi proses klasifikasi. Pada proses klasifikasi pada CBIR , pengolahan citra dan pengenalan pola merupakan bagian CBIR. Pada CBIR, pengolahan citra merupakan proses awal dan pengenalan pola merupakan proses intepretasi citra.

Pada penelitian ini akan dilakukan beberapa proses pada prapengolahan yang akan digunakan untuk mendapatkan nilai fitur pada proses ekstraksi fitur antara lain :

 Resizing

Pada proses ini, citra akan diperkecil ukuran pikselnya guna menambah fokus pada objek yang akan diidentifikasi, membuang citra yang tidak memiliki informasi penting, memperbesar area tertentu pada suatu citra serta mengubah orientasi citra (Fajri, 2014).

 Grayscale

Proses Grayscale adalah proses merubah nilai - nilai piksel dari warna RGB menjadi graylevel. Proses ini dapat digunakan untuk memisahkan bayangan dengan warna asli pada citra. Pada citra terdiri dari 24 bit yang setiap pikselnya mengandung warna dasar (Red, Green, Blue). Setiap warna dasar ini memiliki 8-bit warna yang berada pada rentang warna 0 (00000000) sampai 255 (11111111). Proses perhitungan nilai grayscale dapat dilakukan dengan persamaan (2.1)

(56)

 Thresholding

Proses thresholding digunakan untuk mengatur derajat keabuan pada citra. Pada proses thresholding, citra memiliki dua tingkat keabuan yaitu hitam dan putih. Proses penentuan tingkat warna citra pada proses thresholding dilakukan dengan mendapatkan nilai ambang.

Pada proses ini, perhitungan nilai ambang dilakukan pada setiap piksel pada citra. Jika nilai yang dihasilkan kurang dari nilai ambang maka nilai piksel tersebut akan diubah menjadi warna hitam dan jika nilai yang dihasilkan lebih dari nilai rata-rata maka nilai piksel akan diubah menjadi warna putih. Proses perhitungan nilai ambang dapat dilakukan dengan persamaan :

Keterangan :

T = Nilai threshold

fmaks = Nilai piksel maksimum fmin = Nilai piksel minimum

2.3 Ekstraksi Fitur

Ekstraksi fitur merupakan proses pengambilan ciri dari satu pola/bentuk sehingga di dapatkan suatu nilai pada pola citra untuk dilakukan analisis pada proses selanjutnya. Tugas ekstraksi fitur yaitu mengubah konten gambar menjadi berbagai konten fitur. Fitur-fitur yang memungkinkan membantu dalam proses pendiskriminasian citra akan digunakan pada proses selanjutnya. Sedangkan fitur yang tidak terpilih tidak akan digunakan.

Dalam beberapa tahun ini, ekstraksi fitur menjadi trend dalam bidang pengolahan citra. Proses ekstraksi fitur pada konten citra terbukti cukup handal digunakan pada aplikasi professional dalam bidang industri, biomedis, otentifikasi dan pencegahan kejahatan.

Ekstraksi fitur memiliki langkah paling penting karena fitur yang dihasilkan dapat membantu mendiskriminasikan secara langsung dalam proses klasifikasi

(57)

sering disebut sebagai vektor fitur. Fitur yang dihasilkan merupakan hasil dari representasi gambar.

Fitur didefinisikan sebagai fungsi dari beberapa pengukuran dimana setiap pengukuran menentukan nilai dari sebuah objek dan dihitung sedemikian rupa sehingga pengukururan karakteristik objek lebih signifikan. Fitur dapat diklasifikasikan sebagai berikut :

1. Fitur umum

Fitur umum merupakan nilai fitur yang bersifat independen seperti warna, tekstur, dan bentuk. Menurut level ekstraksi, fitur umum dibagi menjadi :

 Fitur pixel-level yaitu fitur dihitung pada setiap piksel.

 Fitur local yaitu fitur dihitung berdasarkan hasil subdivisi dari pola citra pada citra segmentasi ataupun deteksi tepi.

 Fitur global yaitu fitur dihitung pada seluruh konten pada citra.

2. Fitur spesifik merupakan nilai fitur yang bersifat dependen seperti wajah manusia, sidik jari, dan lain-lain.

Fitur dapat diklasifikasikan kedalam low-level features dan high-level features. Proses ekstraksi pada low-level features dilakukan pada citra asli, dan proses ekstraksi pada high-level features bergantung pada fitur low-level features. Proses Ekstraksi fitur terbagi menjadi tiga macam yaitu :

a. Ekstraksi fitur bentuk

Ekstraksi fitur bentuk adalah perhitungan kesamaan / kedekatan antara representasi bentuk dengan fiturnya. Bentuk merupakan fitur visual yang penting dan merupakan salah satu fitur sederhana dalam mendeskripsikan konten citra. Fitur bentuk dikategorikan pada teknik yang digunakan. Kategori tersebut terdiri atas :

 Berdasarkan batas (boundary-based)

(58)

 Berdasarkan daerah (region-based)

Teknik ini merepresentasikan bentuk wilayah dengan karakteristik internal.

b. Ekstraksi fitur tekstur

Tekstur adalah salah satu bagian penting dari citra. Tekstur adalah descriptor wilayah yang dapat membantu dalam proses pengambilan informasi. Tekstur tidak memiliki kemampuan untuk menemukan kesamaan citra namun dapat digunakan untuk mengklasifikasikan citra bertekstur dari non-tekstur dan kemudian dapat dikombinasikan dengan fitur lainnya seperti warna untuk mendapatkan pengambilan informasi yang lebih efektif.

Tekstur menjadi karakteristik penting yang dapat digunakan dalam pengklasifikasikan dan mengenal objek dan memiliki kemampuan menemukan persamaan antara citra-citra pada database multimedia. Pada dasarnya, metode representasi tekstur dapat diklasifikasikan menjadi dua kategori yaitu struktural dan statistik. Beberapa metode statistik antara lain Fourier power spectra, co-occurrence matrices, shift-invariant principal component analysis (SPCA), Tamura features, Gabor and wavelet transform.

c. Ekstraksi fitur warna

Pada ciri pembeda pada ekstraksi fitur adalah warna. Ekstraksi fitur warna merupakan fitur visual yang sering digunakan pada proses pengambilan informasi citra. Fitur warna dalam mengklasifikasikan citra memiliki keuntungan yaitu : ketahanan, efektif, implementasi yang sederhana, komputasi yang sederhana dan kemampuan penyimpanan yang kecil. Beberapa model warna yang sering digunakan antara lain : RGB (Red, Green, Blue), HSV (Hue, Saturation, Value) dan Y, Cb, Cr (Luminance and Chrominance).

2.4 Metode Zoning

(59)

menjadi M x N zona dan dari setiap zona dilakukan perhitungan nilai fitur sehingga didapatkan nilai fitur dan zona M x N. Adapun proses pada metode Zoning antara lain:

 Hitung jumlah piksel hitam dari setiap zona dari Z1 sampai Zn.  Tentukan nilai zona yang memiliki nilai piksel hitam paling tinggi.  Hitung nilai fitur pada setiap zona dari Z1 sampai Zn dengan

persamaan (2.3).

2.5 Learning Vektor Quantization

Learning Vektor Quantization (LVQ) pertama kali diperkenalkan oleh Tuevo Kohonen yang memperkenalkan Self-Organizing Feature Map juga. LVQ merupakan jaringan hybrid yang menggunakan supervised dan unsupervised learning. Metode LVQ telah digunakan oleh banyak peneliti dalam memecahkan masalah klasifikasi.

LVQ merupakan sebuah metode klasifikasi berdasarkan model kohonen yang dikenal sebagai Self-Organizing Map Network (SOM). Namun LVQ merupakan berbeda dengan SOM yang bersifat pembelajaran tidak terawasi, LVQ merupakan algoritma pembelajaran terawasi versi model Kohonen dengan arsitektur algoritma yang sederhana sehingga hanya terdiri dari satu lapisan input dan lapisan output (Azara et al, 2012).

Learning Vektor Quantization (LVQ) merupakan metode pola klasifikasi pada setiap unit output mewakili sebuah kelas/kategori tertentu. Vektor bobot dari sebuah unit output digunakan sebagai vektor referensi untuk sebuah unit yang diwakili oleh sebuah kelas (Wahyono & Ernastuti, 2009).

Arsitektur LVQ terdiri dari lapisan input (input layer), lapisan kompetitif dan lapisan output (output layer). Sebuah bobot akan menghubungkan lapisan input dengan lapisan kompetitif. Pada lapisan kompetitif, proses pembelajaran dilakukan secara terawasi. Hasil lapisan kompetitif berupa kelas yang dihubungkan dengan lapisan output oleh fungsi aktivasi. Arsitektur Jaringan LVQ dapat dilihat pada Gambar 2.2

(60)

Keterangan : nilai yang akan digunakan sebagai nilai input. Dengan nilai W1 sampai Wn sebagai nilai bobot. Nilai input akan dilakukan perhitungan dengan nilai bobot untuk mendapatkan jarak bobot terkecil. H1 dan H2 akan bertindak sebagai lapisan output dimana Lapisan ini akan mewakili satu kelas. Maka pada Gambar 2.2 dapat dilihat bahwa arsitektur memiliki 2 kelas. D1 dan D2 akan bertindak sebagai nilai output pada lapisan output yang akan digunakan sebagai bobot pada proses pengujian.

Adapun kelebihan dari LVQ adalah :

1) Nilai error yang dihasilkan lebih kecil dibandingkan dengan jaringan syaraf tiruan Backpropagation

2) Data set yang besar dapat diringkas menjadi vektor kecil pada tahap klasifikasi 3) Tidak ada pembatasan pada dimensi codebook

(61)

Sedangkan Kekurangan dari LVQ antara lain :

1) Diperlukan perhitungan yang akurat terhadap jarak untuk seluruh atribut 2) Akurasi model LVQ bergantung kepada inisialisasi dan parameter yang

digunakan dalam perhitungan

3) Distribusi kelas pada data training mempengaruhi nilai akurasi 4) Sulitnya jumlah vektor yang ditentukan pada masalah yang diberikan.

Parameter-parameter yang diperlukan dalam algoritma LVQ antara lain :

1. Learning rate (α) merupakan nilai tingkat pelatihan. Jika α terlalu besar maka algoritma menjadi tidak stabil dan terlalu kecil maka waktu proses yang diperlukan semakin lama. Nilai α berada pada rentang 0 < α < 1.

2. Penurunan Learning rate (Dec α) yaitu penurunan tingkat pelatihan. Penurunan Learning rate dilakukan setelah selesai dilakukan iterasi pada setiap data dan akan dilakukan pada iterasi yang selanjutnya.

3. Minimimum Learning rate (Min α) yaitu tingkat pelatihan yang masih diperbolehkan

4. Maksimum Epoch (MaxEpoch) yaitu jumlah iterasi maksimum yang boleh dilakukan selama proses pelatihan. Selama iterasi yang telah dilakukan telah mencapai iterasi maksimum, maka iterasi akan dihentikan.

Metode LVQ dilakukan dengan proses pengenalan terlebih dahulu terhadap pola input kedalam bentuk vektor untuk memudahkan proses pencarian kelas. Setiap output menyatakan kelas tertentu maka pola input dapat dikenali kelasnya berdasarkan output yang diperoleh. LVQ mengenali pola input dengan kedekatan jarak antara vektor input dan vektor bobot. Pada LVQ terdapat dua proses yaitu :

a. Proses Training

Adapun algoritma metode LVQ (Hermanto et al, 2009) adalah sebagai berikut : 1) Tetapkan nilai bobot (w), maksimum epoch (MaxEpoch), error minimum

(Eps) dan Learning rate (α). 2) Masukkan :

(62)

 Target : T(1,n) 3) Tetapkan kondisi awal :

 Epoch : 0;  Err : 1

4) Kerjakan jika (epoch < MaxEpoch) atau (α > Eps) a. Epoch = Epoch + 1

b. Kerjakan untuk i=1 sampai n

i. Tentukan J hingga ||x-wj|| minimum ii. Perbaiki wj dengan ketentuan :

 Jika T = Cj maka :

wj (baru) = wj (lama) + α [x- wj (lama)]  Jika T ≠ Cj maka :

wj (baru) = wj (lama) - α [x- wj (lama)] c. Kurangi nilai α

Keterangan notasi :

X vektor latih (x1, x2, ..., xn) T kategori benar untuk vektor latih

Wj vektor bobot unit output j (w1j, w2j, wnj ) Cj Kategori yang mewakili output j

||x- wj|| Jarak bobot antara vektor input dan vektor bobot untuk output

Pada tahap Training, Algoritma LVQ akan memproses input dengan menerima vektor input dengan keterangan kelas vektor. Kemudian vektor akan menghitung jarak semua vektor pewakil untuk kelas yang ada dengan menghitung jarak terdekat dengan Euclidean distance. Vektor yang memiliki jarak terdekat akan dianggap sebagai kelas pemenang yang dinamakan sebagai best matching unit (BMU).

(63)

Proses pada tahap ini dilakukan secara iterasi dengan learning rate yang mengecil. Satu iterasi dapat disebut sebagai satu epoch. Pada satu epoch, semua data akan dihitung jarak terdekatnya dan akan dilakukan perbaharuan pada vektor pewakil. Untuk melanjutkan ke epoch berikutnya maka learning rate akan dikalikan dengan Dec α. Setelah α telah mencapai minimal α, maka proses training akan dihentikan.

b. Proses Testing

Pada tahap testing, data diklasifikasikan dengan cara yang sama sesuai dengan tahap training. Dimana proses perhitungan dilakukan dengan mencari jarak terdekat dari setiap kelas. Setelah didapatkan jarak pada setiap bobot maka tentukan nilai bobot dengan jarak terdekat. Selanjutya nilai bobot tersebut akan ditetapkan sebagai kelas.

2.6 Penelitian Terdahulu

Beberapa penelitian telah dilakukan untuk menyelesaikan permasalahan pada karet RSS. Pada penelitian yang dilakukan oleh (Ahmad et al, 2006) pada pemeriksaan mutu karet RSS menggunakan pengolahan citra dengan menganalisi karakteristik warna permukaan karet baik menggunakan model warna RGB maupun HSI dan karakteristik tekstur menggunakan analisis tekstur untuk tiap tiap kelas mutu RSS menghasilkan parameter warna dapat digunakan sebagai parameter mutu karet dan fitur tekstur tidak dapat dijadikan parameter mutu karet khususnya dalam menentukan batas RSS-2.

Pada Model RGB, Indeks warna biru dapat digunakan untuk mengklasifikasikan mutu RSS dengan kesesuaian yang cukup tinggi namun hasil yang lebih baik dan konsistern diperoleh dengan menggunakan warna HIS dengan kriteria H ≤ 28 dan I ≥ 220 pada RSS1, H ≥ 68 dan S ≤ 73 untuk RSS3 dan RSS 2 berada pada llingkup selain kriteria RSS1 dan RSS3 dengan tingkat kesesuaian 86% untuk RSS1, 77,5% untuk RSS2, dan 95% untuk RSS3.

(64)

tingkat resolusi 192 x 144. Perlakuan II, dengan cahaya lampu dari bawah dengan tingkat resolusi 192 x 144. Perlakuan III, dilakukan pencahayaan dari atas dengan resolusi 341 x 256 dan perlakuan IV, dilakukan pencahayaan dari bawah dengan resolusi 341 x 256.

Dan parameter yang diukur dari citra RSS meliputi indeks warna RGB, komponen warna HIS dan komponen tekstur citra. Hasil pengolahan citra perlakuan I menunjukkan bahwa hanya parameter indeks warna biru saja yang dapat digunakan sebagai parameter sortasi dengan nilai batas atas sebesar 0.2921 dan batas bawah sebesar 0.2843. Hasil pengolahan citra perlakuan II menunjukkan parameter indeks warna merah, hijau, biru dan saturasi dapat digunakan sebagai parameter sortasi dengan batas atas dan batas bawah masing-masing Merah (0.4143 , 0.3914), Hijau (0.3321 , 0.3258), Biru (0.2743, 0.2574) dan Saturasi (95,76).

Hasil perlakukan III ditemukan bahwa hanya parameter indeks warna biru yang dapat digunakan sebagai parameter sortasi dengan nilai batas atas sebesar 0.2929 dan batas bawah sebesar 0.2852. Hasil pengolahan citra perlakuan IV menunjukkan parameter indeks warna merah, hijau, biru dan saturasi dapat digunakan sebagai parameter sortasi dengan batas atas dan batas bawah masing-masing Merah (0.4168, 0.3927), Hijau (0.3305, 0.3241), Biru (0.2740, 0.2570) dan Saturasi (96.77). Dari hasil perbandingan antar setiap perlakukan menghasilkan presentase keberhasilan pemutuan resolusi 341 x 256 lebih tinggi dibandingkan resolusi 192 x 144.

Pada penelitin yang dilakukan oleh (Umyai et al, 2011) dalam mendeteksi gelembung udara pada Ribbed Smoked Sheet berdasarkan dimensi fractal pada 500 citra RSS menghasilkan 98% tingkat keberhasilan klasifikasi ada atau tidaknya gelembung pada RSS.

(65)

Pada penelitian yang dilakukan oleh (Prabpal et al, 2014) pada klasifikasi kualitas karet RSS menggunakan pengolahan citra dengan metode ANN menghasilkan tingkat akurasi 90 % pada 100 sampel karet RSS yang dibagi kedalam 4 level yaitu A (Sangat Bagus), B (Bagus), C (Cukup), dan D (Jelek)

(66)

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Tanaman karet merupakan tanaman yang memiliki peran penting di bidang industri terutama sebagai bahan baku di bidang industri ban dan otomotif (Sinaga, 2011). Indonesia menjadi produsen terbesar kedua di dunia setelah negara Thailand dengan produksi mencapai hampir 3 juta ton pada tahun 2011. Dengan 27,06% dari hasil produksi dikontribusikan kepada produksi karet dunia. Indonesia memiliki 3,4 juta ha lahan karet dengan 85% merupakan perkebunan rakyat (Dhani, 2013). Salah satu karet olahan yang menjadi bahan ekspor adalah lembaran karet asap atau ribbed smoked sheet (RSS).

Karet olahan RSS memiliki kualitas yang telah ditetapkan oleh International Standards of Quality and Packing for Natural Rubber Grades (The Green Book) dan

(67)

Beberapa penelitian tentang pengklasifikasian mutu RSS ini telah dilakukan oleh beberapa peneliti sebelumnya diantaranya penelitian yang dilakukan oleh Umyai dkk (2011) dalam mendeteksi gelembung udara pada Ribbed Smoked Sheet dimana gelembung udara merupakan salah satu faktor yang mempengaruhi kualitas RSS. Pendeteksian gelembung RSS diteliti berdasarkan dimensi fraktal pada 500 citra RSS menghasilkan 98% tingkat keberhasilan klasifikasi ada atau tidaknya gelembung pada RSS. Namun tidak membahas tentang pengklasifikasian mutu karet RSS. Pada penelitian yang dilakukan oleh Pornpanomchai & Chantharangsikul (2010) pada sistem pengklasifikasian RSS menggunakan metode k-Means Clustering dan the Euclidean Distance dari identifikasi warna untuk mengklasifikasikan RSS ke dalam lima kualitas yaitu RSS1, RSS2, RSS3, RSS4, dan RSS5 menghasilkan 80.90% tingkat keberhasilan dengan rata rata waktu klasifikasi 10.88 detik per citra RSS.

Berdasarkan kendala dalam pengklasifikasian kualitas karet maka dibutuhkan suatu metode yang dapat digunakan dalam mengklasifikasikan mutu karet RSS dengan baik berdasarkan jumlah gelembung dalam lembaran karet RSS. Salah satu metode yang sering digunakan dalam pengklasifikasian adalah Learning Vector Quantization (LVQ). LVQ merupakan sebuah metode klasifikasi berdasarkan model kohonen yang dikenal sebagai Self-Organizing Map Network (SOM). Namun LVQ berbeda dengan SOM yang bersifat pembelajaran tidak terawasi, LVQ merupakan algoritma pembelajaran terawasi versi model Kohonen dengan arsitektur algoritma yang sederhana sehingga hanya terdiri dari satu lapisan input dan lapisan output (Azara et al, 2012).

(68)

1.2Rumusan Masalah

Indonesia telah menjadi pengeksport bahan alam karet kedua di dunia setelah Thailand. Salah satu karet olahan yang menjadi bahan ekspor adalah lembaran karet asap atau ribbed smoked sheet (RSS). Mutu dari karet olahan RSS ini sangat berpengaruh besar dalam peningkatan ekspor RSS. Kualitas RSS disesuaikan dengan SNI 06-001-1987 dan International Standards of Quality And Packing for Natural Rubber Grades (The Green Book). Namun, pada sortasi kualitas yang dilakukan oleh perkebunan masih menggunakan pengamatan manual pada permukaan karet yaitu dengan melihat kadar gelembung pada permukaan karet lembaran sehingga menghasilkan kualifikasi yang kurang tepat dan hanya bersifat subjektif. (Ahmad, et al, 2003). Oleh karena itu, diperlukan suatu pendekatan yang mampu mengklasifikasikan kualitas RSS secara tepat pada produk karet olahan RSS.

1.3Batasan Masalah

Adapun batasan masalah pada penelitian ini adalah :

1. Karet RSS yang akan diteliti telah dilakukan pengasapan terlebih dahulu. 2. Karet RSS yang akan diteliti adalah karet RSS1 dan RSS3.

3. Karet RSS tidak mengalami cacat, sobek, molor, dan basah. 4. Data berupa citra dengan format file .jpeg.

5. Pengklasifikasian hanya berdasarkan gelembung. 6. Sistem bersifat offline.

1.4Tujuan Penelitian

Tujuan dari penelitian ini adalah mengklasifikasikan kualitas karet RSS menggunakan metode Learning Vector Quantization (LVQ).

1.5Manfaat Penelitian

Manfaat dari penelitian ini adalah sebagai berikut :

1. Sistem dapat digunakan untuk mengklasifikasikan kualitas karet RSS dengan otomatis dan akurat.