44
HASIL DAN PEMBAHASAN
Bab ini membahas langkah-langkah dari implementasi dan pembahasan dari hasil penelitian yang telah dilakukan tentang klasifikasi aktivitas menggunakan algoritma k-nearest neighbor berdasarkan ekstraksi fitur gray level co-occurrence
matrix (GLCM).
4.1 Data Citra
Untuk data citra yang digunakan berjumlah 120 citra aktivitas dalam pertandingan sepak bola yang didapat dari video pertandingan yang diekstraksi menggunakan
matlab, dengan rincian 40 citra teknik menendang bola, 40 citra teknik
menggiring bola dan 40 citra teknik menyundul bola. Dari 120 data citra tersebut 90 data citra digunakan sebagai data training (latih) dan 30 data citra digunakan sebagai data testing (uji).
Data citra yang digunakan adalah sebagai berikut :
No Foto Citra Kelas No Nama Citra Kelas
1 Tendang 16 Giring
3 Tendang 18 Giring 4 Tendang 19 Giring 5 Tendang 20 Giring 6 Tendang 21 Sundul 7 Tendang 22 Sundul 8 Tendang 23 Sundul 9 Tendang 24 Sundul 10 Tendang 25 Sundul
11 Giring 26 Sundul
12 Giring 27 Sundul
13 Giring 28 Sundul
14 Giring 29 Sundul
15 Giring 30 Sundul
4.2 Ekstraksi Fitur GLCM
Ekstraksi fitur GLCM menggunakan data citra aktivitas dengan langkah-langkah sebagai berikut:
4.2.1 Data Citra Testing
Gambar 4-1 : data citra training teknik menendang bola Data citra memiliki ukuran gambar 232kb dengan ukuran pixel 800 x 528 pixel.
Dari citra diatas didapat nilai fitur ekstraksi GLCM sebagai berikut :
0 1 2 3 4 5 6 ... 255 0 632 58 51 54 42 35 40 ... 0 1 68 47 34 27 17 7 5 ... 0 2 50 39 56 45 29 16 10 ... 0 3 48 28 57 89 64 40 17 ... 0 4 46 11 36 72 118 60 47 ... 0
5 36 9 17 33 71 109 65 ... 0
6 32 13 11 17 54 68 151 ... 0
... ... ... ... ... ... ... ... ... ...
255 0 0 0 0 0 0 0 0 0
Tabel 4-2 : Fitur ekstraksi GLCM
4.2.2 Komposisi Pixel Citra
Dari data fitur ekstraksi GLCM ditentukan nilai komposisi pixel citra. Nilai Pixel Referensi
Nilai Pixel Tetangga
0 1 2 3 ... 255 0 0,0 0,1 0,2 0,3 0,... 0,255 1 1,0 1,1 1,2 1,3 1,... 1,255 2 2,0 2,1 2,2 2,3 2,... 2,255 3 3,0 3,1 3,2 3,3 3,... 3,255 ... ...,0 ...,1 ...,2 ...,3 ...,... ...,255 255 255,0 255,1 255,2 255,3 255,... 255,255
4.2.3 Normalisasi Fitur GLCM
Selanjutnya fitur dinormalisasi dan hasil normalisasi fitur GLCM adalah sebagai berikut :
0 1 2 3 ... 256
0 8.4457e-04 7.7508e-05 6.8154e-05 7.2163e-05 ... 0 1 9.0872e-05 6.2808e-05 4.5436e-05 3.6081e-05 ... 0 2 6.6817e-05 5.2118e-05 7.4836e-05 6.0136e-05 ... 0 3 6.4145e-05 3.7418e-05 7.6172e-05 1.1894e-04 ... 0 4 6.1472e-05 1.4700e-05 4.8109e-05 9.6217e-05 ... 0 5 4.8109e-05 1.2027e-05 2.2718e-05 4.4100e-05 ... 0 6 4.2763e-05 1.7373e-05 1.4700e-05 2.2718e-05 ... 0
... ... ... ... ... ... ...
255 0 0 0 0 0 0
Tabel 4-4 : Tabel Normalisasi GLCM 4.2.4 Fitur Ekstraksi Dari Nilai Normalisasi
Beberapa fitur glcm yang digunakan dalam penelitian ini adalah asm,
kontras, IDM, entropi dan korelasi.
Berdasarkan dari fitur ekstraksi dari bab 2 didapat data citra fitur GLCM sudut G0, G45, G90, G135
Contoh perhitungan ASM, Kontras, IDM, Entropi, Korelasi data citra tendang01.jpg
Hitung fitur ekstraksi 1. ASM
ASM =
ASM = ASM = 2. Kontras Kontras = Kontras = 3. IDM IDM = IDM = 4. Entropi Entropi = Entropi = 5. Korelasi Korelasi = Korelasi =
Sehingga data fitur ektraksi GLCM yang dihasilkan adalah : No Nama Citra ASM
G0 Kontras G0 IDM G0 Entropi G0 Korelasi G0 1 tendang01.jpg 8.0663 50.1904 0.4179 7.7835 3.1547 2 tendang02.jpg 4.4191 144.6151 0.1766 8.3457 6.9981 3 tendang03.jpg 0.0025 71.5697 0.5007 7.2980 3.3467 4 tendang04.jpg 5.1643 164.5503 0.3771 8.3525 2.6967 5 tendang05.jpg 0.0013 34.2310 0.4998 7.4139 2.5785 6 giring01.jpg 6.0643 112.6421 0.3517 8.1559 3.9101 7 giring02.jpg 4.5357 71.9453 0.3261 8.3191 3.5443 8 giring03.jpg 0.0011 87.7653 0.4260 7.9526 3.0330 9 giring04.jpg 2.5680 241.7810 0.2419 8.8899 2.4893 10 giring05.jpg 9.3362 287.4013 0.4133 8.2754 2.2778 11 sundul01.jpg 0.0025 121.6016 0.5038 7.4754 3.8189 12 sundul02.jpg 8.2527 72.3511 0.3304 7.7796 5.1516 13 sundul03.jpg 5.0318 480.4009 0.2086 8.6814 2.7001 14 sundul04.jpg 2.6399 138.9717 0.2437 8.6575 3.0838 15 sundul05.jpg 9.0941 115.076 0.3540 7.9006 3.9553
Tabel 4-5 : Fitur GLCM sudut G0 data training
No Nama Citra ASM G45 Kontras G45 IDM G45 Entropi G45 Korelasi G45 1 tendang01.jpg 5.1889 80.5773 0.2947 8.1947 3.1398 2 tendang02.jpg 3.3141 255.6048 0.1249 8.6104 6.6964 3 tendang03.jpg 0.0018 120.0015 0.4067 7.6160 3.3206 4 tendang04.jpg 3.4845 227.5544 0.2823 8.6635 2.6722 5 tendang05.jpg 8.8114 63.7104 0.3777 7.8096 2.5677 6 giring01.jpg 4.2853 205.2706 0.2644 8.4831 3.8377 7 giring02.jpg 2.7563 136.7132 0.2253 8.7426 3.5009 8 giring03.jpg 6.6304 164.5156 0.3080 8.3610 2.9971
9 giring04.jpg 1.8113 370.9990 0.1740 9.1839 2.4475 10 giring05.jpg 5.1440 499.4296 0.2791 8.7426 2.2169 11 sundul01.jpg 0.0019 166.4166 0.3925 7.8013 3.7865 12 sundul02.jpg 6.1235 124.4045 0.2621 8.0486 5.0852 13 sundul03.jpg 3.8766 727.6597 0.1687 8.8908 2.5970 14 sundul04.jpg 1.9577 228.1885 0.1912 8.9593 3.0376 15 sundul05.jpg 6.5057 167.1627 0.2714 8.2109 3.9183
Tabel 4-6 : Fitur GLCM sudut G45 data training
No Nama Citra ASM G90 Kontras G90 IDM G90 Entropi G90 Korelasi G90 1 tendang01.jpg 6.8131 45.5080 0.3610 7.9549 3.1578 2 tendang02.jpg 3.8738 177.0978 0.1476 8.4622 6.9106 3 tendang03.jpg 0.0024 79.2683 0.4687 7.4067 3.3440 4 tendang04.jpg 4.6831 141.4774 0.3435 8.3931 2.7053 5 tendang05.jpg 0.0011 31.7942 0.4474 7.5514 2.5788 6 giring01.jpg 6.1378 109.7218 0.3374 8.1806 3.9142 7 giring02.jpg 3.7342 78.2331 0.2924 8.4334 3.5388 8 giring03.jpg 9.3841 101.9145 0.3877 8.0601 3.0267 9 giring04.jpg 2.4226 215.4787 0.2261 8.9140 2.4986 10 giring05.jpg 6.9616 289.6184 0.3386 8.4800 2.2750 11 sundul01.jpg 0.0023 112.5961 0.4712 7.5149 3.8274 12 sundul02.jpg 8.3140 88.8229 0.3313 7.7934 5.1345 13 sundul03.jpg 4.8719 462.7032 0.2073 8.6836 2.7085 14 sundul04.jpg 2.7859 128.2418 0.2583 8.6298 3.0878 15 sundul05.jpg 9.2767 94.0241 0.3507 7.9064 3.9786
No Nama Citra ASM G135 Kontras G135 IDM G135 Entropi G135 Korelasi G135 1 tendang01.jpg 5.2209 96.3067 0.2962 8.2003 3.1323 2 tendang02.jpg 3.2923 244.3916 0.1245 8.6138 6.7261 3 tendang03.jpg 0.0019 130.6585 0.4062 7.6337 3.3145 4 tendang04.jpg 3.5609 214.7588 0.2861 8.6251 2.6776 5 tendang05.jpg 8.8555 59.8572 0.3801 7.8012 2.5698 6 giring01.jpg 4.3834 181.9846 0.2665 8.4659 3.8562 7 giring02.jpg 2.7202 143.5209 0.2215 8.7595 3.4968 8 giring03.jpg 6.5183 185.9681 0.3054 8.3958 2.9869 9 giring04.jpg 1.7516 386.0775 0.1698 9.2011 2.4419 10 giring05.jpg 5.2406 447.6618 0.2822 8.7176 2.2311 11 sundul01.jpg 0.0018 254.6180 0.3950 7.8391 3.7182 12 sundul02.jpg 6.3283 157.1518 0.2693 8.0609 5.0401 13 sundul03.jpg 3.6278 745.8372 0.1662 8.9183 2.5890 14 sundul04.jpg 1.8576 233.7309 0.1773 8.9930 3.0360 15 sundul05.jpg 6.5635 178.1016 0.2747 8.2068 3.9095
Tabel 4-8 : Fitur GLCM sudut G135 data training
4.3 Klasifikasi K-Nearest Neighbor
Setelah melakukan ekstraksi ciri menggunakan fitur ekstraksi glcm dari setiap citra aktivitas dalam pertandingan sepak bola, selanjutnya adalah proses klasifikasi yaitu menetukan citra uji kedalam kelas yang sudah ditetapkan sebelumnya. Klasifikasi yang digunakan adalah metode klasifikasi k-nearest
neighbor. Proses dari K-nearest neighbor adalah dengan mencari jarak
terdekat pada citra uji dan citra latih. Setelah jarak terdekatnya diketahui maka berdasarkan jarak yang didapat, data akan masuk kedalam kelas terdekat yang sudah ditetapkan. Terdapat tiga kelas dalam klasifikasi ini, yaitu kelas tendang, kelas giring dan kelas sundul. Hasil dari proses
menggunakan algoritma K-nearest neighbor dengan data latih dan data testing serta k=5 adalah sebagai berikut :
Contoh klasifikasi K-nearest neighbor dengan data testing testtendang01.jpg : Menentukan jarak data terhadap data testing dengan rumus :
No Nama citra ASM G0 Kontras G0 IDM G0 Entropi G0 Korelasi G0 Kelas Jarak 1 tendang01.jpg 8,0863 50,1904 0,4179 7,7835 3,1547 1 117,4337 2 tendang02.jpg 4,4191 144,6151 0,1766 8,3457 6,9981 1 16,5863 3 tendang03.jpg 0,0025 71,5697 0,5007 7,2980 3,3467 1 98,6705 4 giring01.jpg 6,0643 112,6421 0,3517 8,1559 3,9101 2 51,8168 5 giring02.jpg 4,5357 71,9453 0,3261 8,3191 3,5443 2 92,4704 6 giring03.jpg 0,0011 87,7653 0,4260 7,9526 3,0330 2 82,0607 7 sundul01.jpg 0,0025 121,6016 0,5038 7,4754 3,8189 3 47,9921 8 sundul02.jpg 8,2527 72,3511 0,3304 7,7796 5,1516 3 93,4523 9 sundul03.jpg 5,0318 480,4009 0,2086 8,6814 2,7001 3 316,4771 10 testtendang01.jpg 5,1643 164,5503 0,3771 8,3525 2,6967 ? 118,3497
Tabel 4-9 : Klasifikasi jarak KNN
Selanjutnya menentukan kelas dari jarak yang terkecil. Data jarak diurutkan dari yang terkecil. Berikut hasilnya :
No Nama citra ASM G0 Kontras G0 IDM G0 Entropi G0 Korelasi G0 Kelas Jarak 2 tendang02.jpg 4,4191 144,6151 0,1766 8,3457 6,9981 1 16,5863 7 sundul01.jpg 0,0025 121,6016 0,5038 7,4754 3,8189 3 47,9921 4 giring01.jpg 6,0643 112,6421 0,3517 8,1559 3,9101 2 51,8168 6 giring03.jpg 0,0011 87,7653 0,4260 7,9526 3,0330 2 82,0607 5 giring02.jpg 4,5357 71,9453 0,3261 8,3191 3,5443 2 92,4704 8 sundul02.jpg 8,2527 72,3511 0,3304 7,7796 5,1516 3 93,4523
ip
iq
iq
p
d
2)
(
)
,
(
3 tendang03.jpg 0,0025 71,5697 0,5007 7,2980 3,3467 1 98,6705 1 tendang01.jpg 8,0863 50,1904 0,4179 7,7835 3,1547 1 117,4337
10 testtendang01.jpg 5,1643 164,5503 0,3771 8,3525 2,6967 ? 118,3497 9 sundul03.jpg 5,0318 480,4009 0,2086 8,6814 2,7001 3 316,4771
Tabel 4-10 : Klasifikasi KNN dari jarak yang terkecil Jadi data testtendang01.jpg dengan k = 5 termasuk ke dalam kelas 2. Berikut hasil klasifikasi KNN data testing :
No Data Testing Label Testing Kelas Testing Hasil
1 testtendang01.jpg 1 1 True 2 testtendang02.jpg 1 2 False 3 testtendang03.jpg 1 1 True 4 testtendang04.jpg 1 1 True 5 testtendang05.jpg 1 3 False 6 testtendang06.jpg 1 2 False 7 testtendang07.jpg 1 2 False 8 testtendang08.jpg 1 1 True 9 testtendang09.jpg 1 1 True 10 testtendang10.jpg 1 1 True 11 testgiring01.jpg 2 3 False 12 testgiring02.jpg 2 3 False 13 testgiring03.jpg 2 1 False 14 testgiring04.jpg 2 2 True 15 testgiring05.jpg 2 2 True 16 testgiring06.jpg 2 2 True
17 testgiring07.jpg 2 3 False 18 testgiring08.jpg 2 2 True 19 testgiring09.jpg 2 3 False 20 testgiring10.jpg 2 2 True 21 testsundul01.jpg 3 3 True 22 testsundul02.jpg 3 3 True 23 testsundul03.jpg 3 1 False 24 testsundul04.jpg 3 3 True 25 testsundul05.jpg 3 3 True 26 testsundul06.jpg 3 2 False 27 testsundul07.jpg 3 3 True 28 testsundul08.jpg 3 2 False 29 testsundul09.jpg 3 1 False 30 testsundul10.jpg 3 1 False
Tabel 4-11 : Hasil klasifikasi K-nearest neighbor
Klasifikasi citra jenis teknik aktivitas menggunakan metode K-nearest
neighbor dengan k=5 berdasarkan GLCM dengan sudut G0, G45, G90, G135
pada tabel 4-11 menghasilkan tingkat akurasi sebesar 53.33%. = = = 0.5333 x 100% = 53,33 %
