4 BAB II
TINJAUAN PUSTAKA
2.1Tinjauan studi (state of the art)
Berikut penelitian yang telah dilakukan sebelumnya :
1. Penelitian dilakukan oleh Sigit Sugiyanto dan Feri Wibowo (2015), menjelaskan tentang klasifikasi tingkat kematangan buah pepaya (Carica Papaya) dalam ruang HSV dan algoritma K-Nearest Neighbors. Buah pepaya diidentifikasi tingkat kematangannya berdasarkan analisa warna kulit buah secara visual mata manusia yang memiliki keterbatasan. Proses identifikasi ini memiliki beberapa kelemahan diantaranya adalah tingkat persepsi kematangan buah yang berbeda, dan tingkat konsistenan manusia dalam hal menilai kematangan buah tidak menjamin. Maka dengan sebuah aplikasi berbasis teknologi pengolahan citra digital dan mengguanakan algoritma K-Nearest Neighbors (K-NN). Pengujian dengan jumlah K tetangga 5 dan jumlah data citra 12 data, didapatkan keakuratan algoritma K-NN 83,34% [2].
2. Penelitian dilakukan oleh Febri Muni Mulato (2015), menjelaskan klasifikasi kematangan buah jambu biji merah (psidium guajava) dengan menggunakan model Fuzzy Logic. Buah jambu biji merah memiliki keterbatasan umur simpan yaitu antara 1-2 minggu setelah pascapanen. Daya simpan buah jambu dilakukan pada saat jambu biji merah yang relatif singkat mengharuskan pemanenan jambu biji merah yang relatif singkat mengharuskan pemanenan jambu dilakukan saat jambu masih mentah untuk keperluan industri lokal. Oleh seba itu dibutuhkan pegklasifikasian yang tepat untuk memperoleh mutu buah yang baik. Proses yang dilakukan adalah mengubah tipe gambar jambu dari RGB ke Greyscale dan mengklasifikasi menggunakan metode Fuzzy mendapatkan keakuratan data uji 94,67% dan data sampel 83,3% [1]
3. Penelitian dilakukan oleh Retno Nugroho Widhiasih, Sugi Guritman, dan Prapto Tri Suprio (2012) menjelaskan tentang klasifikasi tingkat kematangan buah manggis ekspor dan lokal berdasarkan warna dan tekstur menggunakan
Penelitian ini dilakukan oleh Retno Nugroho Widhiasih, Sugi Guritman dan Prapto Tri Suprio (2012) yang menjelaskan tentang klasifikasi tingkat kematangan buah manggis ekspor. Penelitian ini bertujuan mengembangkan model klasifikasi buah manggis segar secara non-destruktif dengan menggunakan FNN. Hasil pemodelan FNN menjadi 2 kelas target klasifikasi (ekspor dan lokal) mendapatkan model terbaik dengan fitur penduga indeks warna merah, hijau, biru, value, a*, u*, v*, dan entropi dengan 5 neuron pada lapisan tersembunyi menghasilkan akurasi 90% [5].
4. Penelitian dilakukan oleh Sarngadi Palgunadi dan Yulandita Almandatya (2014) menjelaskan tentang klasifikasi kualitas kesehatan daun mangga berdasarkan warna citra daun. Daun mangga mudah terjangkiti macam-macam penyakit, salah satu penyakit daun mangga adalah mengalami perubahan warna. Perubahan warna terjadi akibat kekurangan klorofil sehingga daun tidak berwarna hijau melainkan kuning, disebut klorosis. Klasifikasi dilakukan menggunakan Complete Linkage Clustering dengan Dendogram. Hasil klasifikasi dari beberapa cluster yang mewakili tingkat kesehatan daun, selanjutnya akan dibuat vektor ciri dari masing-masing cluster. Proses klasifikasi ini mendapatkan akurasi 90% untuk index warna green [6].
5. Penelitian ini dilakukan oleh Suastika Yulia Riska (2015) menjelaskan tentang klasifikasi level kematangan tomat berdasarkan perbedaan perbaikan citra menggunakan rata-rata RGB dan index pixel. Tomat merupakan salah satu buah yang memiliki proses kematangan relative cepat, sehingga klasifikasi level kematangan tomat memiliki peran yang penting untuk mengurangi resiko pembusukan tomat. Sebelum proses klasifikasi dilakukan pada tahap preprocessing dilakukan perbaikan citra untuk meningkatkan kualitas citra. Tahap selanjutnya adalah segmentasi untuk memisahkan objek tomat dan background . Hasil klasifikasi level kematangan tomat menunjukkan akurasi berdasarkan perbaikan citra dengan rata-rata RGB sebesar 86,7% [7].
Dari literatur diatas dapat diterapkan algoritma K-Nearest Neighbor untuk mengklasifikasi tingkat kematangan buah jambu biji merah (psidium guajava). Untuk memperjelas literatur, dapat dilihat pada tabel berikut:
Tabel 2.1 State of the art
No Peneliti Tahun judul Metode Hasil
1 Sigit sugiyanto dan Feri Wibowo 2015 Klasifikasi tingkat kematangan buah pepaya (carica papaya) dalam ruang HSV dan algoritma K-Nearest Neighbor. Ruang HSV dan algoritma K-Nearest Neighbor Pengujian dengan jumlah K tetangga 5 dan jumlah data citra 12 data,didapatkan keakuratan algoritma K-NN 83,34% 2 Febri muni mulato 2015 klasifikasi kematangan buah jambu biji merah (psidium guajava) dengan
menggunakan model Fuzzy Logic
Rata-rata RGB ke greyscale dan K-Means Clustering Proses yang dilakukan adalah mengubah tipe gambar jambu dari RGB ke Greyscale dan mengklasifikasi menggunakan metode Fuzzy mendapatkan keakuratan data uji 94,67% dan data sampel 83,3%
3 Retno Nugroho Widhiasih, Sugi Guritman, dan Prapto Tri Suprio 2012 klasifikasi tingkat kematangan buah manggis ekspor dan lokal berdasarkan warna dan tekstur menggunakan Fuzzy Neural Network RGB dan fuzzy neural network Hasil pemodelan FNN menjadi 2 kelas target klasifikasi (ekspor dan lokal) mendapatkan model terbaik dengan fitur penduga indeks warna merah, hijau, biru, value, a*, u*, v*, dan entropi dengan 5 neuron pada lapisan tersembunyi menghasilkan akurasi 90% 4 Palgunadi danYulandita Almandatya 2014 klasifikasi kualitas kesehatan daun manggaberdasarkan warna citra daun.
RGB dan complete linkage clustering clustering dengan dendrogram Proses klasifikasi ini mendapatkan akurasi 90% untuk index warna green
5 Suastika Yulia Riska 2015 klasifikasi level kematangan tomat berdasarkan perbedaan perbaikan citra menggunakan rata-rata RGB dan index pixel Rata-rata RGB dan Multi SVM Hasil klasifikasi level kematangan tomat menunjukkan akurasi berdasarkan perbaikan citra dengan rata-rata RGB sebesar 86,7% 2.2Tinjauan Pustaka 2.2.1 Jambu Biji
Jambu biji adalah buah tropis yang berasal dari Brazil, dan disebarkan ke Indonesia melalui Thailand. Jambu biji memiliki buah yang berwarna putih atau merah. Buah jambu biji kaya akan vitamin, sehingga sangat cocok dikonsumsi setiap hari untuk menjaga kesehatan. Buah jambu biji dapat meningktakan imunitas tubuh, mencegah kanker dan menjaga tekanan darah [1].
2.2.2 Pengolahan Citra Digital
Pengolahan citra digital merupakan ilmu yang mendalami teknik mengubah citra. Citra yang dimaksud adalah gambar statis dari sensor vision berbentuk webcam citra merupakan fungsi kontinyu berdasarkan intensitas cahaya pada bilang dua dimensi[15]. Langkah-langkah pengolahan citra dapat dijabarkan sebagai berikut :
1. Akuisisi Citra
Akuisisi citra merupakan proses awal agar menghasilkan citra digital. proses ini bertujuan untuk menetukan data yang diperlukan metodeperekaman citra digital. proses pertama pada objek yang akan diamil gambarnya, persiapan alat-alat, dan citranya.
2. Preprocessing
Preprocessing membutuhkan tahap untuk menjamin kelancaran pada proses berikutnya, antara lain :
a. Peningkatan kualitas citra (kontras, kecerahan, dll). b. Menghapus citra.
c. Pembaruan citra. d. Transformasi citra. 3. Segmentasi
Proses segmentasi memiliki tujuan mempartisi citra menjadi bagian pokok yang berisi informasi penting, seperti pemisahan objek dan latar belakang. 4. Representasi dan deskrpsi
Representasi merupakan proses representasi wilayah sebagai daftar titik koordinat pada kurva tertutup, dengan deskripsi luasan dan parameternya. Seleksi ciri bertujuan untuk memilih informasi kognitif dan ciri yang ada membedakan kelas objek dengan baik.
5. Pengenalan dan Interpretasi
Proses identifikasi bertujuan memberi label pada sebuah objek yang informasinya disiapkan descriptor, berbeda dengan proses interpretasi yang bertujuan memberi arti dan makna pada kelompok objek yang di kenali. 6. Basis Pengetahuan
Basis pengetahuan memiliki tujuan memadu operasi masing-masing proses dan mengontrol interaksi antar modul tersebut.
162 124 148 118 99 93 121 59 106 147 109 134 103 84 79 106 44 91 88 50 97 44 25 42 77 15 84 2.2.3 Citra Digital
Citra digital merupakan suatu citra yang dapat diolah dan dapat disimpan di dalam komputer. Sebuah citra dapat disimpan di dalam memori komputer setelah citra tersebut diubah menjadi citra digital. Membentuk citra menjadi digital dapat dilakukan dengan beberapa perangkat, seperti kamera, scanner, dan handycam. Citra yang disimpan pada komputer mempunyai angka-angka yang menunjukkan intensitas pada masing-masing piksel. Dengan angka-angka dari citra tersebut, komputer dapat mengolah suatu citra digital. Setiap warna citra pada masing-masing piksel memiliki warna tertentu.
Gambar 2.1 Citra RGB
Sebuah warna dalam suatu citra merupakan gabungan dari tiga warna yaitu merah (red), hijau (green) dan biru (blue). Model RGB terdiri dari tiga kombinasi warna yaitu merah (red), hijau (green), dan biru (blue) dan warna ini disebut juga tiga dasar warna. Sejumlah macam warna dapat diatur dengan kombinasi dari tiga jalur nilai-nilai kecerahan[8].
2.2.4 Ruang Warna HSV
HSV kepanjangan dari Hue, Saturation, dan value. HSV memiliki karakteristik pokok hue, saturation, dan value dimana hue menunjukkan warna sebenarnya, sperti merah , violet dan kuning, saturation disebut juga kemurnian atau kekuatan warna sedangkan value adalah kecerahan warna . Dalam model HSV dapat ditunjukkan oleh hexacone piramida terbalik.
Gambar 2.2 Piramida terbalik HSV
Karakteristik model ruang warna dari HSV adalah tiga unsur yang bersifat independen. Dalam piramida terbalik HSV menjelaskan bahwa Hue digambarkan seperti lingkaran roda, arah horisontal mengindikasikan saturation dan arah vertikal mewakili value[9]. Selain itu HSV dapat digunakan untuk mengklasifikasi macam-macam warna dasar, dimana warna dasar digunakan pada penelitian sebagai warna identifikasi jambu. Ruang warna HSV memiliki keunggulan, yaitu mampu menoleransi terhadap perubahan intensitas cahaya apabila dibandingkan dengan ruang warna lainnya [10].
2.2.5 K-Nearest Neighbor
K-Nearest Neighbor merupakan metode klasifikasi terhadap sekumpulan data yang sudah terklasifikasi sebelumnya yang bertujuan mengklasifikasi objek baru menurut atribut dan uji sample. Uji sample diproyeksikan pada ruang berdimensi banyak, masing-masing dimensi merepresentasikan fitur dari data. Prinsip kerja K-Nearest Neighbor (K-NN) adalah proses mencari tetangga paling dekat terhadap sampel data yang diuji. Jika tetangga terdekatnya masuk pada
kategori A, maka sample dapat disebut kelas A. Jarak tetangga biasanya dihitung berdasarkan jarak Euclidean dengan rumus sebagai berikut :
di = (1)
Definisi: di = jarak Euclidean, x1 = sampel data, x2 = data uji, i = variabel data, dist = jarak, p = dimensi data. Pada tahap pengkajian, algoritma ini menyimpan vektor-vektor fitur pada data pembelajaran. Pada klasifikasi fitur yang sama dihitung untuk data set. Jarak seluruh vektor data pembelajaran yang baru dihitung, dan jumlah k buah paling dekat diambil. Nilai k yang baik untuk K-NN bergantung pada data, dengan nilai k yang tinggi dapat mengurangi efek noise pada klasifikasi. Untuk menentukan nilai k yang baik dapat menggunakan optimasi parameter seperti cross-validation.[11]. Keunggulan dari K-Nearest Neighbor dibandingkan dengan metode klasifikasi lain adalah tangguh terhadap data yang terdapat noise dan efektif apabila jumlah data besar[10].
2.2.6 Confusion Matrix
Confusion matrix merupakan metode yang dapat digunakan untuk melakukan perhitungan akurasi pada konsep data mining. Evaluasi menggunakan confusion matrix menghasilkan angka accuracy, precision, dan recall. Confusion matrix mendapatkan hasil yang didapatkan dalam data training dan testing serta penilaian perfomance klasifikasi berlandaskan entitas benar atau salah. Berikut contoh persamaan model confusion matrix untuk menghitung akurasi[12].
Tabel 2.2 Persamaaan model confusion matrix Nilai sebenarnya Benar Salah ‘ Nilai Prediksi Benar Salah BP (Benar Positif) SN (Salah Negatif) SP (Salah Positif) BN (Benar Negatif)
Keterangan :
Benar Positif : jumlah record positif yang diklasifikasi sebagai positif. Salah Positif : jumlah record negatif yang diklasifikasi sebagai negatif. Salah Negatif : jumlah record positif yang diklasifikasi sebagai negatif. Benar Negatif : jumlah record negatif yang diklasifikasi sebagai negatif.
Setelah mendapatkan hasil klasifikasi, kemudian menghitung nilai accuracy dengan confusion matrix. Berikut rumus perhitungan nilai accuracy.
Accuracy =
(2)
Keterangan :
BP = jumlah Benar Positif . BN = jumlah Benar Negatif. SN = jumlah Salah Negatif. SP = jumlah Benar Positif.
Nilai accuracy merupakan presentase dari hasil record data yang diklasifikasi oleh algoritma dan dapat membuat klasifikasi setelah dilakukan pengujian pada hasil klasifikasi tersebut. [13].
2.2.7 Matlab
Matlab merupakan suatu program untuk menganalisa dan mengolah data numerik pada sebuah komputer. Matlab juga dapat diartikan suatu bahasa pemrograman matematika lanjut, yang dibentuk dengan dasar pemikiran yang menggunakan sifat dan bentuk matriks[14].
2.3 Kerangka Pemikiran
Gambar 2.3Kerangka pemikiran Problem
Mengklasifikasi tingkat kematangan jambu biji merah berdasarkan fitur warna
Technical Problem
algoritma K-Nearest Neighbor dapat mengklasifikasi kualitas jambu biji berdasarkan fitur warna
Tujuan
Dapat menerapkan teknik klasifikasi dengan metode K-Nearest Neighbor dalam mengukur tingkat kematangan jambu biji merah
.Mengetahui tingkat akurasi metode K-Nearest Neighbor dalam mengukur tingkat kematangan jambu biji merah.
Hasil
Mengetahui keakuratan algoritma K-Nearest Neighbor dalam mengklasifikasi tingkat kematangan buah jambu biji berdasarkan fitur warna.
Manfaat
Dari hasil klasifikasi tingkat kematangan buah jambu, dapat menambah wawasan masyarakat agar dapat memilih jambu biji dan mengurangi angka kecurangan penjualan jambu biji.
Eksperimen
Citra RGB di konversi ke HSV Rata-rata citra HSV
K-Nearest Neighbor
Data Metode Tools
