Pengelompokan Jenis Tekstur Kayu Menggunakan K- Nearest Neighbor dan Ekstraksi Fitur Histogram

(1)

Pengelompokan Jenis Tekstur Kayu Menggunakan

K-Nearest Neighbor dan Ekstraksi Fitur Histogram

Wood Texture Classification Using K-Nearest Neighbor and Histogram Feature Extraction

Dedi Argya Nugroho Effendi1_{,Erna Zuni Astuti}2 1,2_{Fakultas Ilmu Komputer},_{Universitas Dian Nuswantoro}

Jl. Nakula 1 No. 5-11, Semarang 50131

E-mail :[email protected]_{, [email protected]}2

Abstrak

Kayu di Indonesia memiliki beraneka macam jenisnya, antara lain kayu jati, bengkirai, glugu, nangka, sengon dan lain sebagainya. Pengelompokan jenis kayu biasanya ditentukan oleh beberapa parameter, diantaranya adalah warna, berat, tekstur, dan masih banyak lagi. Salah satu faktor penting dalam pengelompokan jenis kayu adalah tekstur kayu. Pengelompokan jenis kayu biasanya hanya dapat dilakukan oleh para ahli kayu maupun penjual mebel. Persepsi mata manusia biasanya cenderung subyektif terhadap suatu obyek dalam melakukan pengelompokan. Untuk mengatasi hal ini maka digunakanlah suatu teknologi untuk menganalisis suatu tekstur kayu agar dapat diklasifikasikan ke dalam kelas-kelas tertentu. Oleh karena itu, diperlukan sebuah sistem yang dapat melakukan pendeteksian jenis kayu berdasarkan inputan citra tekstur kayu sehingga sistem tersebut diharapkan dapat melakukan klasifikasi jenis kayu berdasarkan tekstur. Dari pengklasifikasian jenis kayu menggunakan algoritma k-Nearest Neighbors (KNN) untuk mendapatkan pengelompokan jenis kayu.Pengklasifikasian menggunakan fitur pengukuran jarak, metode pengukuran jarak yang digunakan adalah Cityblock Distance sehingga dapat mengoptimalkan dalam melakukan pengklasifikasian berdasarkan jarak klasifikasi dari data training dan data testing.

Kata Kunci:K-Nearest Neighbor, Klasifikasi Citra Kayu, Cityblock Distance

Abstract

Wood in Indonesia has various colors, such as teak, bengkirai, glugu, jackfruit, Albizia, and so forth. Grouping by type of timber is usually determined by several parameters, such as color, weight, texture, and much more. One important factor in the grouping type of wood is the wood texture. Grouping types of wood can usually only be carried out by experts of wood and furniture sellers. Perception of the human eye tends subjective to an object in the grouping. To overcome this it is used a technology to analyze a wood texture that can be classified into certain classes. Therefore, we need a system that can make the detection of the type of timber based on the input image texture of wood so that the system is expected to classify the type of wood based texture. From the classification of types of wood using the algorithm k-Nearest Neighbors (KNN) for grouping wood types. This classification uses features distance measurement, distance measurement method used is Cityblock Distance so as to optimize in making the classification based on the distance the classification of the training data and data testing.

Keywords:K-Nearest Neighbor, Wood Image Classification, Cityblock Distance

1. PENDAHULUAN

(2)

kayu-bengkirai, glugu, nangka, sengon dan lain sebagainya. Jenis-jenis kayu di Indonesia tersebut tidak semua memiliki nilai jual dan ada juga yang memiliki nilai jual. Untuk jenis-jenis kayu yang memiliki nilai jual tergolong banyak jumlahnya, dan diantara jenis-jenis kayu tersebut bahkan memiliki nilai jual tinggi” hingga pasar Internasional. “Pengelompokan jenis kayu biasanya ditentukan oleh beberapa parameter, diantaranya adalah warna, berat, tekstur, dan masih banyak lagi. Salah satu faktor penting dalam pengelompokan jenis kayu adalah tekstur kayu [1].

Pengelompokan jenis kayu biasanya sangat bergantung pada persepsi mata manusia terhadap faktor tekstur jenis kayu, biasanya hanya dapat dilakukan oleh para ahli kayu maupun penjual mebel. Persepsi mata manusia biasanya cenderung subyektif terhadap suatu obyek dalam melakukan pengelompokan [2]. Untuk mengatasi hal ini maka digunakanlah suatu teknologi untuk menganalisis suatu tekstur kayu agar dapat diklasifikasikan ke dalam kelas-kelas tertentu. Keuntungan melakukan klasifikasi jenis kayu secara komputerisasi ini dapat terlihat secara nyata. Dengan kemampuan analisis yang lebih cermat terhadap perubahan-perubahan kecil yang secara umum tidak bisa dilakukan oleh manusia tentu menimbulkan perubahan yang cukup drastis”. Perubahan tekstur kayu dapat terjadi akibat lingkungan pertumbuhan, suhu kelembapan dan umur pohon itu sendiri. Sehingga warna dan tekstur dapat berubah sesuai dengan faktor lingkungan tersebut.

Dalam penelitian ini, penulis menggunakan teknologi dan ilmu pengetahuan pada citra digital. Dimana teknologi tersebut dapat melakukan pengelompokan secara otomatis dengan menggunakan melakukan inputan ke dalam database. Oleh karena itu, diperlukan sebuah sistem yang dapat melakukan pendeteksian jenis kayu berdasarkan inputan citra tekstur kayu sehingga sistem tersebut diharapkan dapat melakukan klasifikasi jenis kayu berdasarkan tekstur.

Klasifikasi biasa dilakukan melalui fitur-fitur yang diolah dengan menerapkan langkah-langkah pengumpulan dan pengelompokan data dengan beberapa upaya seperti pembagian ukuran fitur, seleksi fitur, dan pendesainan klasifikasi berdasar aturan. Secara praktikal, salah satu contoh bentuk pengolahan fitur dapat dilakukan melalui ekstraksi warna R-G-B [3].

Dari data jenis kayu tersebut akan dilakukan sebuah ekstraksi dengan ciri statistik atau analisis sebuah tekstur. Dengan menggunakan komposisi warna dalam bentuk histogram untuk mepresentasikan jumlah piksel untuk intensitas warna dalam citra. Gambar dalam database akan di olah melalui fitur ekstraksi ciri melaluiIntensitas, Deviasi, Skewness, Energi, Entropi dan Smoothness yang akan digunakan dalam pengklasifikasian jenis kayu. Dari pengklasifikasian jenis kayu tersebut, selanjutnya dilanjutkan dengan menggunakan algoritma k-Nearest Neighbor (KNN) untuk mendapatkan pengelompokan jenis kayu untuk mendapatkan hasil klasifikasi terdekat. Pengklasifikasian menggunakan fitur pengukuran jarak, metode pengukuran jarak yang digunakan adalahCityblock Distancesehingga dapat mengoptimalkan dalam melakukan pengklasifikasian berdasarkan jarak klasifikasi dari data training dan data testing. Dalam penelitian ini digunakan fitur warna dan tekstur pada kayu guna menentukan jenis kayu menggunakan Algoritma K-Nearest Neighbor. Pola pencarian dengan mencari sejumlah citra yang memiliki kemiripan dengan citra dalamdatabase[4].

(3)

SN: 1978-1520

Received June1st_{,2012; Revised June25}th_{, 2012; Accepted July 10}th_{, 2012}

proses ekstraksi ciri dan output yang menghasilkan nilai kebenaran. Dari karakteristik yang ada pada tiap citra kayu, akan dilakukan percobaan untuk mendapatkan ciri khas dari masing-masing citra kayu. Diharapkan ciri yang berhasil diperoleh dapat membedakan jenis kayu pada masing-masing citra inputan. Sehingga penelitian ini dapat bermanfaat untuk meminimalisir adanya kesalahan pemilihan jenis kayu berdasarkan citra yang dilihat [4].

Berdasarkan latar belakang di atas yang sudah di sampaikan sebelumnya, dengan ini maka penulis akan mengangkat judul “Ekstraksi Fitur Histogram Guna Klasifikasi Jenis Kayu Menggunakan Algoritma K-Nearest Neighbor”

2. METODE PENELITIAN

Metode penelitian Klasifikasi citra kayu menggunakan K-NN sebagai berikut :

Gambar 1. Metode Penelitian 2.1 Objek Penelitian

Dalam penelitian ini penulis memilih kayu sebagai objek penelitian. Objek penelitian adalah bagaimana melakukan klasifikasi jenis kayu dengan metode K-NN menggunakan inputan citra kayu sehingga inputan tersebut dapat di ketahui jenis kayunya

2.2 Instrumen Penelitian

Instrumen penelitian yang dipergunakan berupa hardware dan software sebagai berikut :

2.2.1. Perangkat Lunak (Software)

Perangkat lunak yang digunakan dalam menyelesaikan penelitian adalah sebagai berikut :

a. Windows 7 ultimate 64 bit

(4)

Digunakan dalam implementasi Ekstraksi Citra, Impelentasi Metode pengukuran jarak dank-Nearest Neighbors(KNN).

c. Microsoft Office Word 2010

Digunakan dalam penulisan penelitian d. Adobe Photoshop

Software photoshop digunakan dalam melakukan perbaikan citra seperti cropping citra.

2.2.2 Perangkat Keras ( Hardware)

Perangkat lunak yang digunakan dalam menyelesaikan penelitian adalah sebagai berikut :

a. Laptop Asus A47 Core i5 b. VGA Nvidia 2Gb

c. Ram 4 Gb d. Harddisk 500 Gb

2.3 Teknik Analisis Data

Teknik analisis data adalah cara mengolah data menjadi informasi sehingga sifat atau karakteris datanya mudah dipahami. Data yang telah dikumpulkan akan dibagi menjadi dua jenis yaitu data training dan data testing. Data training berfungsi sebagai bahan pembelajaran pada mesin agar mesin dapat memiliki sebuah pengetahuan tentang tekstur kayu. Data testing berfungsi sebagai data uji coba kemampuan mesin. Data-data tersebut kemudian dipindahkan kedalam komputer. Data training sebanyak 30 citra dan data testing sebanyak 20 citra dari 5 jenis kayu yang berbeda. Dalam penelitian ini ada beberapa tahapan yang dilakukan terhadap data-data yang diperoleh, tahapan tersebut antara lain :

1. Melakukan seleksi kualitas tektur dan warna kayu yang memenuhi standart 2. Melakukan ekstraksi untuk data testing dan data training

3. Ekstraksi menggunakan Histogram

4. Metode klasifikasi menggunakan metode K-Nearest Neighbor (KNN)

5. Pemilihan data uji sehingga data inputan dapat dengan mudah terdeteksi.

2.4 Objek Data

Data primer yang digunakan berupa data kayu yang nantinya digunakan sebagai citra testing dan data training yang nantinya akan di lakukan klasifikasi menggunakan perbandingan dengan citra uji atau citra inputan.

2.5 Eksperimen

Alur metode penelitian merupakan alur yang digunakan untuk mendeskripsikan diagram yang ada di metode penelitian, tahapnya sebagai berikut

1. Input Citra RGB Kayu

Menginputkan citra input kayu yang akan di masukkan kedalam data training dan data testing. Data yang dipergunakan berjumlah 30 data training dan 20 data testing.

2. Data Training dan data testing

(5)

SN: 1978-1520

Received June1st_{,2012; Revised June25}th_{, 2012; Accepted July 10}th_{, 2012} 3. Ekstraksi

Citra yang ada di data training dan testing, di ekstraksi menggunakan fitur ekstraksi, dimana pada tahap ini dilakukan pengkalkulasian citra berdsarkan 6 fitur ekstraksi histogram yaitu : Intensitas, Deviasi, Skewness, Energi, Entropy dan Smoothness. Nilai yang dihasilkan dari fitur ekstraksi dimasukkan di data training dan data testing.

4. Database Training dan Testing

Nilai yang dihasilkan dari tahap sebelum dimasukkan ke database training dan testing. Database training digunakan sebagai acuan data, yang nantinya dicocokan dengan data testing.

5. K-NN

Perhitungan metode menggunakan K-Nearest Neighbor. K-NN menggunakan k=3 dikarenakan klasifikasi pada k=3 merupakan nilai yang optimal dalam pengklasifikasian. Dengan menentukan tetangga terdekat, kemudian melakukan penentuan kelas ketertangaan jarak. Sehingga dapat diketahui kelas – kelas citranya berdasarkan jarak ketertanggaan.

6. Cityblock Distance

Tahap selanjutnya adalah melakukan perhitungan jarak. Jarak yang dikalkulasi adalah antara jarak data testing dengan data training, perhitungan jarak tersebut menggunakan Cityblock distance.

7. Output

Perhitungan yang sudah dilakukan menggunakan cityblock distance antara data training dengan data testing, akan menghasilkan output nama berdasarkan kelas citra yang dihasilkan pada tahap kalkulasi.Manhattan Distance.

3. HASIL DAN PEMBAHASAN

Data citra yang digunakan menggunakan ukuran piksel 625x417. Citra yang digunakan berjumlah 250 citra kayu dari 5 jenis kayu. Citra diambil menggunakan kamera saat siang hari. Dari jumlah 250 citra, 150 data citra digunakan sebagai data training dan 100 data citra sebagai data testing. Data training di masukkan ke dalam database sebagai media klasifikasi. Berikut citra yang digunakan dalam penelitian ini :

Citra Nama Jumlah

Kayu Glugu

Training = 30 Testing = 20

Kayu Bengkirai

Training = 30 Testing = 20

Kayu Nangka

(6)

Sengon Testing = 20

Kayu Jati Training = 30 Testing = 20

Gambar 2. Citra yang digunakan

Ekstraksi fitur citra jenis kayu digunakan untuk mendapatkan ciri tekstur dari pola kayu yang berbeda. Dalam ekstraksi fitur yang dilakukan menggunakan 6 fitur diantaranya Intensitas, Deviasi, Skewness, Energi, Entropi dan Smoothness. Citra tersebut kemudian diproses menggunakan ekstraksi fitur Histogram dengan menggunakan jarak Ecluidean Distance. Untuk proses ekstraksi fitur Histogram akan menghasilkan angka - angka pixel pada setiap citra jenis kayu sebagai berikut :

1. Citra Training

Citra training adalah citra yang digunakan sebagai data training. Data training berjumlah 150 data citra yang sudah di ekstraksi menggunakan 6 fitur. Citra yang digunakan berupa citra RGB atau citra warna. Berikut contoh tabel citra training yang digunakan dalam penelitian :

Tabel 1 Citra Training

(7)

SN: 1978-1520

Received June1st_{,2012; Revised June25}th_{, 2012; Accepted July 10}th_{, 2012} 3.1Pengujian Aplikasi

Berikut percobaan klasifikasi menggunakan metode KNN dengan parameter =3 untuk menghasilkan nilai akurasi pada aplikasi :

Tabel 2 Pengujian Aplikasi

No Jenis Hasil

Aplikasi

TRUE / FALS

E

1 Glugu Glugu TRUE

2 Glugu Glugu TRUE

3 Glugu Glugu TRUE

4 Glugu Glugu TRUE

5 Glugu Glugu TRUE

6 Glugu Glugu TRUE

7 Glugu Sengon FALSE

8 Glugu Glugu TRUE

9 Glugu Glugu TRUE

10 Glugu Glugu TRUE

11 Glugu Glugu TRUE

12 Glugu Glugu TRUE

13 Glugu Glugu TRUE

14 Glugu Glugu TRUE

15 Glugu Glugu TRUE

16 Glugu Glugu TRUE

17 Glugu Glugu TRUE

18 Glugu Glugu TRUE

19 Glugu Glugu TRUE

20 Glugu Glugu TRUE

(8)

36 Bengkirai Bengkirai TRUE 37 Bengkirai Bengkirai TRUE 38 Bengkirai Bengkirai TRUE 39 Bengkirai Bengkirai TRUE 40 Bengkirai Bengkirai TRUE

41 Jati Jati TRUE

42 Jati Jati TRUE

43 Jati Jati TRUE

44 Jati Jati TRUE

45 Jati Jati TRUE

46 Jati Bengkirai FALSE

47 Jati Jati TRUE

48 Jati Jati TRUE

49 Jati Jati TRUE

50 Jati Jati TRUE

51 Jati Jati TRUE

52 Jati Jati TRUE

53 Jati Jati TRUE

54 Jati Jati TRUE

55 Jati Jati TRUE

56 Jati Jati TRUE

57 Jati Jati TRUE

58 Jati Jati TRUE

59 Jati Jati TRUE

60 Jati Jati TRUE

61 Nangka Nangka TRUE

70 Nangka Jati FALSE

72 Nangka Sengon FALSE

(9)

SN: 1978-1520

Received June1st_{,2012; Revised June25}th_{, 2012; Accepted July 10}th_{, 2012}

81 Sengon Sengon TRUE

84 Sengon Nangka FALSE

85 Sengon Nangka FALSE

96 Sengon Sengon FALSE

Perhitungan akurasi dalam klasifikasi jenis kayu menggunakan klasifikasi K-NN dengan metode perhitungan jarak ecuilden distance dihitung menggunakan recognition rate. Dari 100 citra testing terdapat 9 citra yang tidak sesuai dengan class jenis kayunya sehingga menghasilkan akurasi sebesar 91%.”Dengan perhitungan sebagai berikut.

Recognition Rate=

(Σ Citra benar)(Σ Jumlah Citra) x 100 % = 91/100 x 100%

= 91%

4. KESIMPULAN

(10)

sebesar 91%

5. SARAN

Beberapa saran untuk meningkatkan hasil penelitian berikutnya tentang klasifikasi jenis kayu diantaranya sebagai berikut :

1. Penelitian selanjutnya diharapkan untuk menambah sampel jenis kayu.

2. Dalam data training dan data testing menggunakan data citra yang lebih banyak lagi agar dapat meningkatkan akurasi yang lebih baik.

3. Pengambilan citra menggunakan banyak sudut dan jarak yang berbeda-beda. 4. Menggunakan metode perhitungan jarak yang lain , maupun membandingkan antara metode perhitungan jarak dalam melakukan pengklasifikasian citra.

DAFTAR PUSTAKA

[1] M. Khalid, E. L. Y. Lee, R. Yusof dan M. Nadaraj, “Design Of An Intelligent Wood Species Recognition System,”IJSSST,p. 03, 2008.

[2] Online Lecture “Prinsip, jenis, dan unsur-unsur perspektif ”, 2014 http://doclecture.net/1-9476.html (diakses : 19-8-2016)

[3] Andi, “Pengolahan Citra Digital,” Yogyakarta: Darma Putra, 2010.