TUGAS AKHIR
Disusun untuk Memenuhi Syarat Kelulusan Program Strata I pada Sekolah Tinggi Manajemen Informatika dan Komputer
(STMIK) Palangkaraya
OLEH
MUHAMMAD FAJAR FIRDAUS NIM C1655201026
PROGRAM STUDI TEKNIK INFORMATIKA
SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER (STMIK) PALANGKARAYA
i
PENGENALAN JENIS BUNGA ANGGREK DENDROBIUM
DENGAN CIRI WARNA MENGGUNAKAN METODE
K – NEAREST NEIGHBOR (KNN)
TUGAS AKHIR
Disusun untuk Memenuhi Syarat Kelulusan Program Strata I pada Sekolah Tinggi Manajemen Informatika dan Komputer
(STMIK) Palangkaraya
OLEH
MUHAMMAD FAJAR FIRDAUS NIM C1655201026
PROGRAM STUDI TEKNIK INFORMATIKA
SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER (STMIK) PALANGKARAYA
ii
v
MOTTO DAN PERSEMBAHAN
Waktu kita itu terbatas, jadi jangan Habiskan dengan mengurusi hidup orang lain.
Ku Persembahkan untuk :
Terimakasih Allah
l
Tuhan yang maha Esa, karena di sepanjang perjalanan kehidupan selalu menyertai ku hingga sekarang ini. Ibu dan Ayah tercinta, yang tidak kenal lelah berdo’a, mendidik, dan membesarkan saya hingga sekarang.
Adik dan keluarga besar yang telah memberikan dukungan dan doa sehingga tugas akhir ini dapat terselesaikan
Teman - teman teknik informatika angkatan 2016, dan para sahabat ku Terima kasih karena tidak kenal lelah saling membantu saling mendukung dan selalu bersama dalam suka maupun duka. Dosen-dosen STMIK Palangka
Raya, karena telah membimbing dari awal kuliah hingga sekarang ini.
vi
INTISARI
Muhammad Fajar Firdaus, C1655201026, 2020. Pengenalan jenis bunga
anggrek Dendrobium dengan ciri warna menggunakan metode K – Nearest
Neighbor (KNN), Pembimbing I Sulistyowati, S.Kom., M.Cs., Pembimbing
II Catharina Elmayantie, M.Pd
Sebagai tanaman hias, anggrek merupakan salah satu jenis tanaman yang populer di Indonesia. Anggrek mempunyai bentuk bunga dan warna yang bervariasi serta memiliki daya tahan mekar bunga lebih lama dibandingkan dengan tanaman hias lainnya. Dendrobium merupakan genus anggrek terbesar kedua dalam keluarga
Orchidaceae, sehingga banyak orang yang kesulitan mengingat nama spesies -
spesies pada genus ini. Banyaknya jenis dan spesies anggrek membuat orang sangat sulit untuk mengenali spesies anggrek. Maka dibuat sistem pengenalan bunga anggrek jenis Dendrobium pada perangkat komputer yang didasarkan pada referensi literatur dan pakar yang tepat, sehingga dapat mengidentifikasi jenis bunga anggrek dengan lebih mudah dan tepat berdasarkan warna bunga.
Tujuan dari penelitian ini adalah membangun sistem pengenalan jenis bunga anggrek dendrobium dengan ciri warna red, green, blue, hue, saturation, value dan area. Sistem ini menggunakan metode k – nearest neighbor (KNN) sebagai metode yang berfungsi untuk melakukan klasifikasi suatu data berdasarkan data pembelajaran (train data sets), yang diambil dari k tetangga terdekatnya (nearest
neighbors). Sedangkan untuk metode pengumpulan data, penulis menggunakan
studi pustaka, dokumentasi, dan observasi.
Berdasarkan hasil pengujian, akurasi sistem tertinggi mencapai 100% untuk pengujian menggunakan nilai K = 1, K = 3, dan K = 5. Akurasi pengujian data menurun pada saat nilai K = 8 dengan tingkat akurasi 75% dan nilai K = 10 dengan tingkat akurasi 62,5%.
Kata kunci: Anggrek,citra RGB,Hue Saturation Value, K-Nearest Neighbor, Matlab
vii
ABSTRACT
Muhammad Fajar Firdaus, C1655201026, 2020. Introduction of Dendrobium
Orchid Species With Color Characteristics Using the K-Nearest Neighbor (KNN) method, advisor I Sulistyowati, S.Kom., M.Cs., advisor II Catharina Elmayantie, M.Pd
As an ornamental plant, orchids are one type of plant that is popular in Indonesia. Orchids have a variety of flower shapes and colors and has a longer blooming power compared to other ornamental plants. Dendrobium is the second largest orchid genus in the Orchidaceae family, so many people have difficulty remembering the names of the species in this genus. The many types and species of orchids make it very difficult for people to recognize orchid species.Then made a Dendrobium orchid recognition system on computer equipment based on appropriate literature and expert references, so that it can identify the types of orchids more easily and preciselybased on the color of the flower.
The purpose of this study is to develop a system for introducing dendrobium orchid flowers with red, green, blue, hue, saturation, value and area characteristics. This system uses the k-nearest neighbor (KNN) method as a method that functions to classify a data based on learning data (train data sets), taken from k nearest neighbors (nearest neighbors). As for the method of data collection, the authors use literature study, documentation, and observation.
Based on the test results, the highest system accuracy reaches 100% for testing using the values of K = 1, K = 3, and K = 5.The accuracy of the test data decreased when the value of K = 8 with an accuracy rate of 75% and the value of K = 10 with an accuracy rate of 62.5%.
Keywords: Orchid, RGB image, Hue Saturation Value, K-Nearest Neighbor, Matlab
viii
KATA PENGANTAR
Dengan memanjatkan puji dan sujud syukur kehadirat Allah SWT, atas berkat dan rahmatnya sehingga penulis dapat menyelesaikan Tugas Akhir dengan judul “Pengenalan Jenis Bunga Anggrek Dendrobium Dengan Ciri Warna
Menggunakan Metode K – Nearest Neighbor (KNN)”.
Pada kesempatan ini penulis juga menyampaikan banyak terima kasih yang sebesar-besarnya kepada semua pihak yang telah memberikan bimbingan, motivasi dan dorongan dalam penyelesaian penulisan Tugas Akhir ini, yaitu kepada : 1. Bapak Suparno, M.Kom selaku Ketua Sekolah Tinggi Manajemen Informatika dan
Komputer (STMIK) Palangkaraya.
2. Ibu Sulistyowati, S.Kom., M.Cs. selaku dosen pembimbing I yang banyak memberikan saran dan pengetahuan dalam penyelesaian sistem Tugas Akhir ini. 3. Ibu Catharina Elmayantie, M.Pd. selaku dosen pembimbing II yang banyak
memberikan saran, koreksi dan bimbingan dalam menyelesaikan penulisan Tugas Akhir ini.
4. Bapak Subhan pemilik dari toko Pot Kayu Ulin Alya telah mengizinkan penulis melakukan penelitian.
5. Kedua orang tua tercinta Ibu dan Bapak, saudara dan keluarga yang telah memberikan dukungan baik moril maupun materi selama penyusunan dan penulisan Tugas Akhir ini.
6. Seluruh teman-teman kelas TI A dan B angkatan 2016 yang tidak bisa disebutkan satu-persatu dan semua pihak yang telah membantu.
ix
Akhir kata penulis berharap semoga penelitian ini dapat bermanfaat bagi semua pihak.
Palangkaraya, 23 Juli 2020
x
DAFTAR ISI
LEMBAR PERNYATAAN ... Error! Bookmark not defined. PERSETUJUAN ... Error! Bookmark not defined. PENGESAHAN ... Error! Bookmark not defined.
MOTTO DAN PERSEMBAHAN ... v
INTISARI ... vi
KATA PENGANTAR ... viii
DAFTAR ISI ... x
DAFTAR TABEL ... xiii
DAFTAR GAMBAR ... xiv
DAFTAR LAMPIRAN ... xvi
BAB I PENDAHULUAN ... 1
1.1. Latar Belakang Masalah ... 1
1.2. Perumusan Masalah ... 3
1.3. Batasan Masalah ... 3
1.4. Tujuan dan Manfaat ... 4
1.5. Sistematika Penulisan ... 5
BAB II LANDASAN TEORI ... 6
2.1 Tinjauan Pustaka ... 6
2.1.1 Kajian Penelitian yang Relevan ... 6
2.2 Kajian Teori ... 11
2.2.1 Anggrek ... 11
2.2.2 Anggrek Dendrobium... 11
2.2.3 Anggrek Dendrobium Seksi Phalaenanthe ... 12
2.2.4 RGB (Red, Green, Blue) ... 13
2.2.5 HSV (Hue, Saturation, Value) ... 14
2.2.6 Citra Digital ... 15
xi
2.2.8 KNN (K-Nearest Neighbor) ... 16
2.2.9 Citra JPEG ... 16
2.2.10 Citra Grayscale ... 18
2.2.11 GIMP (GNU Image Manipulation Program) ... 18
2.2.12 Flowchart ... 19
2.2.13 Matlab (Matrix Laboratory) ... 20
BAB III METODE PENELITIAN... 22
3.1 Lokasi Penelitian ... 22
3.2 Teknik Pengumpulan Data ... 22
3.3 Analisis ... 23
3.3.1 Analisa Kebutuhan ... 23
3.3.1.1 Kebutuhan Perangkat Keras... 23
3.4 Desain Sistem ... 25
3.4.1 Desain Proses ... 25
3.4.1.1 Diagram Blok ... 25
3.4.1.2 Flowchart Proses Metode KNN ... 32
3.4.1.3 Flowchart Sistem ... 33
3.4.2 Desain Perangkat Lunak ... 34
BAB IV IMPLEMENTASI DAN PEMBAHASAN ... 36
4.1 Hasil ... 36
4.1.1 Implementasi Program ... 36
4.1.2 Manual Instalasi ... 41
4.1.3 Hasil Preprosesing ... 46
4.1.4 Hasil Segementasi ... 47
4.1.5 Pengujian Sistem dan Uji Coba... 48
4.1.6 Hasil Analisis ... 56
xii
4.2.1 Pembahasan Listing program ... 61
BAB V KESIMPULAN DAN SARAN ... 71
5.1 Kesimpulan ... 71
5.2 Saran ... 71 DAFTAR PUSTAKA
xiii
DAFTAR TABEL
Tabel 1. Flowchart. ... 19
Tabel 2. Spesifikasi Perangkat Keras ... 23
Tabel 3. Spesifikasi Perangkat Lunak ... 24
Tabel 4. Hasil nilai ekstraksi fitur data latih ... 50
Tabel 5. Hasil nilai ekstraksi fitur data uji ... 55
Tabel 6. Hasil nilai akurasi data latih. ... 57
xiv
DAFTAR GAMBAR
Gambar 1. Rumus Euclidean Distance ... 16
Gambar 2. Gambar dengan ekstensi .jpg. ... 17
Gambar 3. Diagram Blok Pemrosesan Citra. ... 25
Gambar 4. Diagram blok Preprocessing citra bunga anggrek... 26
Gambar 5. Nilai RGB pada citra. ... 27
Gambar 6. Persamaan citra RGB ke grayscale. ... 28
Gambar 7. Diagram blok proses segmentasi. ... 28
Gambar 8. Persamaan konversi citra grayscale ke citra biner. ... 28
Gambar 9. Persamaan Thresholding. ... 29
Gambar 10. Ilustrasi perubahan nilai piksel pada proses thresholding. ... 29
Gambar 11. Diagram blok ekstraksi ciri. ... 29
Gambar 12. Hasil proses segmentasi. ... 30
Gambar 13. Perhitungan nilai Hue. ... 31
Gambar 14. Perhitungan nilai Saturation... 31
Gambar 15. Flowchart KNN... 32
Gambar 16. Flowchart Sistem ... 33
Gambar 17. Desain Interface Pengujian ... 34
Gambar 18. Tampilan splash screen ... 36
Gambar 19. Tampilan hasil proses data latih ... 37
Gambar 20. Tampilan Halaman Utama ... 38
Gambar 21. Tampilan input data ... 39
Gambar 22. Tampilan melakukan segmentasi. ... 39
Gambar 23. Tampilan melakukan ekstraksi ciri. ... 40
Gambar 24. Tampilan melakukan klasifikasi... 40
xv
Gambar 26. Citra asli (RGB). ... 47
Gambar 27. Citra RBG dikonversi ke citra grayscale. ... 47
Gambar 28. Citra grayscale. ... 48
Gambar 29. Citra grayscale ke citra biner dengan threshold = 100. ... 48
Gambar 30. Hasil segmentasi. ... 48
Gambar 31. Sebaran data pelatihan KNN (k – nearest neighbor) ... 49
Gambar 32. Sebaran data pengujian KNN (k – nearest neighbor). ... 54
Gambar 33. Instalasi MATLAB (1). ... 42
Gambar 34. Instalasi MATLAB (2). ... 42
Gambar 35. Instalasi MATLAB (3). ... 43
Gambar 36. Instalasi MATLAB (4). ... 43
Gambar 37. Instalasi MATLAB (5). ... 44
Gambar 38. Instalasi MATLAB (6). ... 44
Gambar 39. Instalasi MATLAB (7). ... 45
Gambar 40. Instalasi MATLAB (8). ... 45
Gambar 41. Instalasi MATLAB (9). ... 46
xvi
DAFTAR LAMPIRAN
Lampiran 1. Surat Tugas Pembimbing Tugas Akhir Lampiran 2. Surat Tugas Penguji Tugas Akhir Lampiran 3. Kartu Konsultasi
Lampiran 4. Surat Wawancara
Lampiran 5. Hasil Pengujian Data Uji Lampiran 6. Hasil Dokumentasi Lampiran 7. Berita Acara Tugas Akhir
1
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah
Anggrek atau dalam bahasa Latin: Orchidaceae merupakan satu suku tumbuhan berbunga dengan anggota jenis terbanyak. Anggrek merupakan salah satu jenis tanaman yang diminati banyak orang karena penampilan bunganya yang menarik. Anggrek sering digunakan sebagai dekorasi rumah, upacara keagamaan dan sebagai ucapan selamat. Jenis-jenisnya tersebar luas di seluruh dunia. Beberapa jenis anggrek yang dikenal luas diantaranya adalah
Cattlya, Cymbidium , Dendrobium, Phalaenopsis, dan Vanda.
Dendrobium adalah jenis anggrek yang luar biasa baik dalam jumlah
maupun dalam keindahan bunganya. Jenis ini memiliki tidak kurang dari 1.700 spesies, menyebar dari Jepang dan sebagian Cina, India, Semenanjung Malaka, Papua Nugini, Australia sampai Selandia Baru. Indonesia sendiri merupakan gudangnya Dendrobium, anggrek ini banyak ditemukan di hampir semua pulau besar. Papua menyimpan kurang lebih 450 spesies dan Kalimantan 150 spesies. Morfologi seperti anggrek lainnya Dendrobium juga memiliki bagian-bagian seperti bunga, buah, daun batang dan akar Subhan, (2010).
Banyaknya jenis dan spesies anggrek membuat orang sangat sulit untuk mengenali jenis dan spesies anggrek tersebut. Karena bentuk dan warnanya yang beragam serta banyaknya jenis anggrek yang berasal dari hasil persilangan membuat anggrek memiliki jenis dan spesies yang sangat banyak.
Perkembangan teknologi pengolahan citra (image processing) sekarang ini menyediakan kemungkinan manusia untuk membuat suatu sistem yang dapat mengenali suatu citra digital. Pengolahan citra merupakan salah satu jenis teknologi untuk menyelesaikan masalah mengenai pemrosesan gambar. Dalam pengolahan citra, gambar diolah sedemikian rupa sehingga gambar tersebut dapat digunakan untuk aplikasi lebih lanjut. Salah satu penerapan yang menggunakan pengolahan citra digital yaitu “Pengenalan Jenis Bunga Anggrek Dendrobium Dengan Ciri Warna Menggunakan Metode K – Nearest
Neighbor (KNN).”.
1.2. Perumusan Masalah
Berdasarkan latar belakang diatas dapat dirumuskan permasalahan yang akan diselesaikan adalah “Bagaimana Membuat Pengenalan Jenis Bunga Anggrek Dendrobium Dengan Ciri Warna Menggunakan Metode K
– Nearest Neighbor (KNN).”
1.3. Batasan Masalah
Agar permasalahan dalam penelitian ini tidak melebar luas, maka diberikan batasan masalah untuk pendekatan permasalahan agar lebih terinci dalam pelaksanaannya yaitu;
1. Anggrek yang digunakan adalah anggrek Dendrobium seksi
phalaenante yaitu Dendrobium phalaenopsis beserta beberapa
hibrida turunannya diantaranya adalah Dendrobium Thongchai
2. Menggunakan metode KNN (K-Nearest Neighbor) untuk identifikasi data.
3. Ciri warna yang digunakan yaitu RGB (red, green, blue), HSV (hue, saturation, value) dan area.
4. Menggunakan aplikasi pemrograman MATLAB untuk merancang sistem.
5. Sistem yang akan dibangun berupa sistem yang berbasis desktop.
1.4. Tujuan dan Manfaat
1. Tujuan
Tujuan yang ingin dicapai penulis dalam penelitian ini untuk merancang dan membangun sistem yang dapat mengenali bunga anggrek dendrobium dengan ciri warna menggunakan metode k –
nearest neighbor (knn).
2. Manfaat
Judul ini diharapkan dapat memberikan manfaat, yaitu : a. Bagi Pengguna
1) Dapat mengimplementasikan citra digital, dalam mengenali jenis bunga anggrek dendrobium dengan ciri warna menggunakan metode k – nearest neighbor (knn).
2) Menjadi bahan acuan untuk pengembangan sistem selanjutnya yang berfungsi sebagai solusi dalam sistem pengenalan jenis anggrek Dendrobium.
b. Bagi Penulis
1) Dapat mengerti serta memahami cara menganalisis dan mengimplementasikan citra digital bunga anggrek dendrobium dengan ciri warna menggunakan metode k – nearest neighbor (knn).
2) Menjadi sarana untuk melatih kemampuan pemrograman yang dimiliki penulis dengan menggunakan metode KNN serta mengimplementasikannya ke perangkat lunak MATLAB. 3. Bagi STMIK Palangkaraya
Manfaat yang diberikan kepada kampus adalah sebagai penambah literature pustaka pada perpustakaan STMIK Palangkaraya serta dapat digunakan sebagai referensi dan dokumen akademik yang berguna untuk dijadikan acuan bagi civitas akademika di STMIK Palangkaraya.
1.5. Sistematika Penulisan
Adapun sistematika penulisan dalam penulisan tugas akhir ini terdiri dari bebrapa bab dan masing-masing bab membahas dan menguraikan pokok permasalahan yang berbeda, sebagai gambaran disini penulis menyertakan garis-garis besarnya yaitu :
BAB I PENDAHULUAN
Pada bab ini berisikan latar belakang masalah, rumusan masalah, batasan masalah, tujuan dan manfaat, serta sistematika penulisan.
Pada bab ini berisikan tentang tinjauan pustaka yang diambil dari penelitian yang relevan beserta susunan kajian teori yang disesuaikan dengan tema dari Tugas Akhir.
BAB III METODE PENELITIAN
Pada bab ini berisikan tentang tahapan yang dilakukan peneliti dalam mengumpulkan informasi atau data yang dibutuhkan dalam pembuatan sitem yang akan dibuat.
BAB IV HASIL DAN PEMBAHASAN
Bab ini berisi implementasi tentang analisis dan hasil sistem yang telah di paparkan pada bab 3 kedalam bentuk bahasa pemprograman. Selain itu bab ini berisi tentang hasil pengujian terhadap sistem yang dibangun. BAB V KESIMPULAN DAN SARAN
Bab ini berisi tentang kesimpulan dan saran yang diperolah dalam penulisan tugas akhir.
6
BAB II LANDASAN TEORI
2.1 Tinjauan Pustaka
2.1.1 Kajian Penelitian yang Relevan
Beberapa penelitian yang relevan terkait penelitian ini yaitu :
Mulyana (2014) melakukan penelitian tentang Identifikasi Jenis Bunga Anggrek Menggunakan Pengolahan Citra Digital dengan Metode KNN. Hasil dari penelitian tersebut citra bunga anggrek berhasil diekstrak ciri genusnya melalui metode PCA, sedangkan ciri spesies berhasil diekstrak melalui metode rata-rata RGB. Hasil ekstraksi kedua metode diklasifikasikan oleh metode KNN, dengan cara menentukan hasil terbaik berdasarkan jarak kemiripan dan jumlah kelas yang sejenis. Hasil rancangan metode ekstraksi ciri dan klasifikasi KNN berhasil diimplementasikan ke dalam bentuk aplikasi berbasis Android dimobile smartphone. Dari hasil pengujian Beta, 43% responden menilai aplikasi sudah sangat membantu dalam identifikasi Anggrek. Akurasi sistem tertinggi mencapai 71.25% dengan PC=30, K=1, dan kamera 13MP. Dengan kualitas kamera yang sama, akurasi sistem minimum mencapai 30% saat kadar cahaya 25%, akurasi minimum 33.3333% saat pengambilan foto dengan jarak 200cm, akurasi minimum 20% dengan sudut 90, akurasi minimum 23.3333% dengan ketinggian -100cm, dan akurasi minimum 22.0833% dengan rotasi citra 180. Akurasi juga menurun hingga 66.6667% dengan kamera 2MP. Data latih dari ekstraksi metode PCA pada aplikasi belum dapat mewakili citra bunga Anggrek
dengan seluruh kondisi akuisisi citra, sehingga akurasi klasifikasi KNN dapat menurun. Waktu deteksi saat pengujian rata-rata 20.1399 detik. Perbandingan penelitian Mulyana dengan penelitian yang penulis buat yaitu penulis tidak memasukan metode PCA sebagai metode konversi data. Sistem yang penulis buat menggunakan pemrograman MATLAB sedangkan Mulyana menggunakan pemrograman JAVA dan perbedaan hasil tingkat akurasi bunga anggrek yang berbeda pula.
Utomo (2014) melakukan penelitian tentang Pengenalan Wajah Wanita Berkerudung Menggunakan Metode 2DPCA Dan K-Nearest
Neighbor. Hasil dari penelitian tersebut dilakukan dengan menerapkan
metode Two-Dimensional Principal Component Analysis (2DPCA) dengan K-Nearest Neighbor (KNN) pada proses identifikasi wajah wanita berkerudung dengan varian model kerudung dapat diambil kesimpulan bahwa wajah wanita berkerudung dengan 2 model kerudung lebih sulit dikenali dibandingkan dengan wajah wanita berkerudung dengan 1 model kerudung. Hal ini dapat disebabkan karena selain ruang lingkup wajah yang semakin sempit karena tertutup oleh kerudung, bentuk model kerudung yang berbeda-beda juga mempersulit dalam identifikasi wajah, hal ini dibuktikan dengan hasil akurasi yang rendah pada pengenalan wanita berkerudung dengan 2 model kerudung. Perbandingan penelitian Utomo dengan penelitian yang penulis buat yaitu penulis tidak memasukan metode 2DPCA dan objek penelitian yang digunakan oleh Utomo adalah
wajah wanita berkerudung sedangkan penulis menggunakan objek penelitian bunga anggrek dendrobium.
Nurdiyah, dkk. (2016) melakukan penelitian tentang Perbandingan Support Vector Machine Dan K-Nearest Neighbor Untuk Klasifikasi Telur Fertil Dan Infertil Berdasarkan Analisis Texture GLCM. Data citra diambil menggunakan kamera FUJIFILM Finepix S2950 14 mega piksel dengan alat bantu lainnya seperti lampu sinar putih 5 watt, kabel 1 meter dan candler. Hasil dari penelitian tersebut yaitu pendekatan SVM kernel non linier polinominal lebih bagus dibanding kernel linier dan pendekatan dari paper pembanding yakni 93,2% dan pendekatan dengan metode KNN dengan jarak euclidean dan correlation menghasilkan akurasi 91,5%. Hal ini berarti pendekatan dengan metode SVM polinomial lebih unggul dibanding KNN. Perbandingan penelitian Nurdiyah, dkk. dengan penelitian yang penulis buat yaitu penulis tidak membandingkan suatu metode namun merancang sebuah sistem yang dapat mengenali bunga anggrek menggunakan metode KNN. Sedangkan Nurdiyah, dkk. membandingkan dua metode yaitu Support Vector Machine Dan
K-Nearest Neighbor Untuk Klasifikasi Telur Fertil Dan Infertil Berdasarkan
Analisis Texture GLCM.
Syaidah (2017) melakukan penelitian tentang Identifikasi Jenis-Jenis Tanaman Anggrek Menggunakan Metode Knn Berbasis Citra. Hasil dari penelitian tersebut Pengujian Aplikasi Pengenalan citra bunga anggrek ini dilakukan pada 15 jenis sempel bunga anggrek dengan tingkat
kemiripan yaitu 25%,40%,60%, 70% dan 90% dengan masing masing gambar berukuran 150x150 pixsel. Dari hasil skenaio uji coba dapat dijelaskan bahwa dari poses training dan proses testing di masing - masing skenario menghasilkan nilai benar dan nilai salah yang berbeda dan hasil presentase akurasi yang berbeda pula. Perbandingan penelitian Syaidah dengan penelitian yang penulis buat yaitu penulis menggunakan RGB, HSV, dan area dalam melakukan ekstraksi ciri. Sedangkan Syaidah menggunakan deteksi tepi sobel.
Naufal (2017) melakukan penelitian tentang Implementasi Metode Klasifikasi K-Nearest Neighbor (KNN) Untuk Pengenalan Pola Batik Motif Lampung. Data citra diambil dan difoto menggunakan kamera SLR Canon EOS 600D 20.3 Megapixel. Citra Batik Motif Lampung dengan motif Kapal dan Siger yang diperoleh dari Siger Roemah Batik dan beralamatkan di Jalan Bayam, No. 38, Beringin Raya, Kemiling, Bandar Lampung 35158. Perangkat lunak yang digunakan Python 3.4, digunakan untuk pembuatan sistem dan Adobe Photoshop CS3, merubah ukuran citra dan grayscaling. Hasil dari penelitian tersebut yaitu metode klasifikasi
K-Nearest Neighbor telah berhasil diimplementasikan pada proses
pengenalan pola batik motif Lampung. Metode Klasifikasi K-Nearest
Neighbor sudah sangat sangat baik dalam proses pengenalan suatu pola
Batik Motif Lampung. Akurasi tertinggi didapatkan pada pengujian diorientasi arah sudut sebesar 450 dinilai k = 17 yaitu sebesar 98,182%. Tingkat akurasi terendah pada pengujian di orientasi arah sudut sebesar 00
dengan nilai k = 29 yaitu sebesar 69,565%. Perbandingan penelitian Syaidah dengan penelitian yang penulis buat yaitu penulis menggunakan objek penelitian yang digunakan bunga anggrek dendrobium. Sedangkan objek penelitian yang digunakan oleh Naufal adalah pola Batik Motif Lampung dengan motif Kapal dan Siger.
Subairi, dkk. (2018) melakukan penelitian tentang Implementasi Metode K-Nearest Neighbor Pada Pengenalan Pola Tekstur Citra Saliva Untuk Deteksi Ovulasi. Data citra diambil dan difoto secara langsung menggunakan mikroskop digital. Hasil dari penelitian tersebut disimpulkan bahwa masa ovulasi dapat dideteksi dan diklasifikasikan berdasarkan citra ferning saliva dengan mengunakan ektraksi fitur tekstur menggunakan metode GLCM menggunakan nilai ASM, contrast, IDM,
entropy dan correlation. Metode K-Nearest Neighbor berhasil melakukan
pelatihan dan pengujian pengenalan citra ferning saliva untuk menentukan masa ovulasi wanita dengan akurasi sebesar 93,3% untuk klasifikasi
infertile, 100% untuk klasifikasi intermediate, dan 93,3% untuk klasifikasi fertile pada 15 citra uji. Perbandingan penelitian Subairi, dkk. dengan
penelitian yang penulis buat yaitu penulis menggunakan fitur ciri RGB, HSV, dan area sedangkan Subairi, dkk. Menggunakan fitur tekstur menggunakan metode GLCM menggunakan nilai ASM, contrast, IDM,
2.2 Kajian Teori 2.2.1 Anggrek
Adisarwanto, dkk. Dalam bukunya Anggrek Spesies Indonesia (2012) Anggrek (Orchidaceae) merupakan tanaman yang mudah beradaptasi dengan lingkungan tumbuhnya sehingga tidak heran apabila tanaman anggek dapat tumbuh dan dijumpai hampir diseluruh bagian didunia. Tempat tumbuhnya juga beragam mutai dari daerah dataran rendah sampai dataran tinggi dan dari bersuhu dingin sampai panas. Anggrek menempati posisi penting datam industri florikultura di lndonesia. Popularitas tanaman anggrek disebabkan karena warna dan bentuk bunga yang unik serta periode vase life yang tebih panjang dibandingkan dengan bunga potong lainnya.
Anggrek spesies adalah tanaman anggrek yang tumbuh secara alami dan pada umumnya berkembang dihutan. lstilah anggrek species dicirikan pada tiga konsep penilaian yaitu aspek morphologi, biologi dan philogenetik. Dari ketiga pendekatan tersebut, pendekatan morphologi yang paling sering digunakan untuk membedakan antar species yaitu kesamaan dan perbedaan morphologi dari struktur tanaman, yang merupakan hasil pengamatan dari karakter tumbuh tanaman.
2.2.2 Anggrek Dendrobium
Dalam buku Anggrek Dendrobium Trubus (2005:7), umumnya bunga Dendrobium terdiri dari sepal (kelopak bunga) berjumlah 3 helai, dan ukurannya yang bervariasi. Petal (mahkota bunga) berjumlah 3 helai dimana petal ketiga berada dibagian tengah bunga yang menyatu dan
membentuk bibir bunga. Dan bibir bunga (labellum) yang merupakan perkembangan dari petal ketiga.
Dendrobium bersifat epifit yaitu menumpang pada batang pohon
lain tetapi tidak merugikan tanaman yang ditumpangi. Sedangkan berdasarkan sifat morfologinya Dendrobium tergolong anggrek sympodial dengan batang semu atau pseudobulb. Dendrobium ditemukan baik didataran rendah hingga puncak gunung seperti Himalaya. karena penyebarannya luas, jenis ini mempunyai berbagai kultur yang berbeda. para ahli botani membagi genus Dendrobium kedalam beberapa seksi yang berbeda.
2.2.3 Anggrek Dendrobium Seksi Phalaenanthe
Dalam buku Anggrek Dendrobium Trubus (2005:18), Karena penyebarannuya luas, jenis Dendrobium ini mempunyai berbagai kultur yang berbeda. RE. Holttum membaginya menjadi 20 seksi. Salah satunya adalah seksi Phalaenanthe. Anggrek yang termasuk dalam seksi
Phalaenanthe ini memiliki ciri bentuk bunga berukuran agak besar hingga
besar, dalam satu tangkai biasanya terdapat 12 kuntum bunga dan memiliki petal (mahkota bunga) lebih besar daripada sepal (kelopak bunga). Seksi ini bentuk bunganya sepintas menyerupai anggrek bulan (Phalaenopsis
amabilis) yang bentuk bunganya seperti kupu-kupu atau ngenat. Seksi ini
tersebar di Papua, seperti Dendrobium affine, Dendrobium phalaenopsis,
Anggrek Dendrobium phalaenopsis atau yang sering disebut anggrek larat termasuk ke dalam salah satu anggrek yang langka. Anggrek ini berasal dari Maluku, dinamakan larat karena anggrek ini ditemukan di Pulau Larat, Maluku. Karena keunggulan anggrek Dendrobium
phalaenopsis ini banyak digunakan para pemulia anggrek untuk dijadikan
induk silangan yang menghasilkan varitas – varitas baru dengan bentuk, ukuran, dan warna lebih bervariasi beberapa nama diantaranya adalah
Dendrobium Sonia Earsakul, Dendrobium Burana White, Dendrobium Bantimurung dan varian lainnya.
2.2.4 RGB (Red, Green, Blue)
Menurut Prabowo, dkk. Dalam jurnal mereka Deteksi dan Perhitungan Objek Berdasarkan Warna Menggunakan Color Object Tracking (2018) Model warna RGB adalah model warna berdasarkan konsep penambahan kuat cahaya primer yaitu red, green dan blue. Dalam suatu ruang yang sama sekali tidak ada cahaya, maka ruangan tersebut adalah gelap total. Tidak ada signal gelombang cahaya yang diserap oleh mata kita atau RGB (0, 0, 0). Apabila kita menambahkan cahaya merah pada ruangan tersebut, maka ruangan akan berubah warna menjadi merah misalnya RGB (255, 0, 0), semua benda dalam ruangan tersebut hanya dapat terlihat berwarna merah. Demikian apabila cahaya kita ganti dengan hijau atau biru.
2.2.5 HSV (Hue, Saturation, Value)
Menurut Purnamasari, dkk. Dalam jurnal mereka Sistem Online CBIR Menggunakan Identifikasi (2013) model warna HSV mendefinisikan warna dalam terminologi Hue, Saturation dan Value. Hue menyatakan warna sebenarnya, seperti merah, violet, dan kuning. Hue digunakan untuk membedakan warna-warna dan menentukan kemerahan (redness), kehijauan (greeness), dsb, dari cahaya. Hue berasosiasi dengan panjang gelombang cahaya. Saturation menyatakan tingkat kemurnian suatu warna, yaitu mengindikasikan seberapa banyak warna putih diberikan pada warna. Value adalah atribut yang menyatakan banyaknya cahaya yang diterima oleh mata tanpa memperdulikan warna.
Karena model warna HSV merupakan model warna yang diturunkan dari model warna RGB maka untuk mendapatkan warna HSV ini , kita harus melakukan proses konversi warna dari RGB ke HSV. HSV merupakan salah satu cara untuk mendefinisikan warna yang didasarkan pada roda warna. Hue mengukur sudut sekitar roda warna (merah pada 0 derajat, 120 derajat di hijau, biru, di 240 derajat). Saturation yang menunjukkan pada radius roda warna sehingga menunjukkan proporsi antara gelap (pusat) untuk warna ke putih murni (di luar). Value Menunjukkan nilai kecerahan. Hue memiliki nilai antara 0 hingga 360 (derajat), Saturation and Value berkisar dari 0 hingga 100%.
2.2.6 Citra Digital
Citra digital merupakan representasi dari fungsi intensitas cahaya dalam bentuk diskrit pada bidang dua dimensi. Citra tersusun oleh sekumpulan piksel (picture element) yang memiliki koordinat (x,y) dan amplitudo f(x,y). Koordinat (x,y) menunjukkan letak/posisi piksel dalam suatu citra, sedangkan amplitudo f(x,y) menunjukkan nilai intensitas warna citra. Pamungkas, (2017).
Pada umumnya, berdasarkan kombinasi warna pada piksel, citra dibagi menjadi tiga jenis yaitu citra RGB, citra grayscale, dan citra biner. Citra RGB tersusun oleh tiga kanal warna yaitu kanal merah, kanal hijau, dan kanal biru. Masing-masing kanal warna memiliki nilai intensitas piksel dengan kedalaman bit sebesar 8-bit yang artinya memiliki variasi warna sebanyak 28 derajat warna yaitu 0 sampai dengan 255.
2.2.7 Citra Biner
Munir (2005) Citra biner (binary image) adalah citra yang hanya mempunyai dua nilai derajat keabuan atau hitam dan putih. Meskipun saat ini citra berwarna lebih disukai karena memberi kesan yang lebih kaya daripada citra biner, namun tidak membuat citra biner mati. Pada beberapa aplikasi citra biner masih tetap dibutuhkan, misalnya citra logo instansi (yang hanya terdiri atas warna hitam dan putih), citra kode batang (bar
code) yang tertera pada label barang, citra hasil pemindaian dokumen teks,
2.2.8 KNN (K-Nearest Neighbor)
Wijayanto (2015) KNN adalah suatu metode yang menggunakan algoritma supervised dimana hasil dari query instance yang baru diklasifikan berdasarkan mayoritas dari kategori pada KNN. Tujuan dari algoritma ini adalah mengklasifikasikan obyek baru berdasarkan atribut dan training sample. Algoritma metode KNN sangatlah sederhana, bekerja berdasarkan jarak terpendek dari query instance ke training sample untuk menentukan KNN-nya. Training sample diproyeksikan ke ruang berdimensi banyak, dimana masing-masing dimensi merepresentasikan fitur dari data.
Ruang ini dibagi menjadi bagian-bagian berdasarkan klasifikasi
training sample. Sebuah titik pada ruang ini ditandai kelas c jika kelas c
merupakan klasifikasi yang paling banyak ditemui pada k buah tetangga terdekat dari titik tersebut. Dekat atau jauhnya tetangga biasanya dihitung berdasarkan Euclidean Distance yang direpresentasikan sebagai berikut:
Gambar 1. Rumus Euclidean Distance 2.2.9 Citra JPEG
Format file ini mampu mengkompres objek dengan tingkat kualitas sesuai dengan pilihan yang disediakan. Format file sering dimanfaatkan untuk
menyimpan gambar yang akan digunakan untuk keperluan halaman web, multimedia, dan publikasi elektronik lainnya. Format file ini mampu menyimpan gambar dengan mode warna RGB, CMYK, dan Grayscale. Format file ini juga mampu menyimpan alpha channel, namun karena orientasinya ke publikasi elektronik maka format ini berukuran relatif lebih kecil dibandingkan dengan format file lainnya.
JPEG adalah metode standar yang digunakan dalam pengkompresian untuk photograpics images. JPEG singkatan dari Join Photographics
Expert Group sebuah kelompok yang membikin standar pengkompresian
tersebut. JPEG di buat untuk loosy compression images. Umumnya file file yang berformat JPEG mengunakan extensi .jpeg, .jpg, .jpe, .jfif, jif. Selain itu JPEG juga mampu memberikan warna dengan kedalaman 24 Bits atau setara dengan 16 juta warna. JPEG tidak ditujukan dalam urusan file audio.
Model ruang warna yang digunakan pada citra JPG adalah RGB (red, green, dan blue). Sebuah ruang RGB dapat diartikan sebagai semua kemungkinan warna yang dapa dibuat dari tiga warna dasar red, green, dan blue. RGB sering digunakan di dalam sebagian besar aplikasi komputer karena dengan ruang warna ini tidak diperlukan transformasi untuk menampilkan informasi di layar monitor.
2.2.10 Citra Grayscale
Grayscale atau abu-abu pada sebuah image digital adalah image yang pada setiap pixelnya hanya berisikan informasi intensitas warna putih dan hitam. Image grayscale memiliki banyak variasi nuansa abu-abu sehingga berbeda dengan image hitam-putih. Grayscale juga disebut monokromatik karna tidak memiliki warna lain selain variasi intensitas putih dan hitam. Sebuah image yang dijadikan grayscale akan terkesan berbeda bila dibandingkan dengan image berwarna.
2.2.11 GIMP (GNU Image Manipulation Program)
Warmada (2015) GIMP adalah suatu akronim untuk GNU Image
Manipulation Program. Program ini merupakan perangkat lunak yang
didistribusikan secara gratis, yang dapat digunakan untuk beberapa macam keperluan, misalnya mengolah foto, mengkomposisi gambar (citra) dan membuat gambar. GIMP merupakan salah satu program grafis yang mempunyai beragam kemampuan. Program ini dapat digunakan sebagai suatu program gambar sederhana, program pengolah foto yang sangat baik, suatu sistem yang dapat diproses secara on-line, membuat gambar
bersekala besar, konversi format gambar, dan masih banyak fungsi lainnya.
2.2.12 Flowchart
Flowchart merupakan gambar atau bagan yang memperlihatkan urutan dan hubungan antar proses beserta instruksinya. Gambaran ini dinyatakan dengan simbol. Dengan demikian setiap simbol menggambarkan proses tertentu. Sedangkan hubungan antar proses digambarkan dengan garis penghubung.
Flowchart ini merupakan langkah awal pembuatan program. Dengan adanya flowchart urutan poses kegiatan menjadi lebih jelas. Jika ada penambahan proses maka dapat dilakukan lebih mudah. Setelah flowchart selesai disusun, selanjutnya pemrogram (programmer) menerjemahkannya ke bentuk program dengan bahsa pemrograman. Simbol use case diagram dapat dilihat pada tabel 1.
Tabel 1. Flowchart.
No. Gambar / Simbol Nama Keterangan
1 Flow Direction Symbol
Yaitu symbol yang digunakan
menghubungkan antara symbol yang satu dengan symbol yang lain.
2 Terminator Symbol
Yaitu symbol permulaan (start) atau akhir (stop) dari suatu kegiatan 3 Simbol Input -
Output
Simbol yang menyatakan proses input dan output tanpa tergantung dengan jenis peralatannya 4 Processung
Symbol
Simbol yang menunjukkan pengolahan yang tidak dilakukan oleh komputer
5 Database Merupakan simbol yang digunakan untuk basis data.
2.2.13 Matlab (Matrix Laboratory)
Pamungkas (2019) Matlab (Matrix Laboratory) merupakan software aplikasi interaktif untuk komputasi numerik dan visualisasi data. Dengan menggunakan bahasa tingkat tinggi (high level language), Matlab sangat mudah untuk dioperasikan oleh penggunanya. Matlab banyak digunakan oleh kalangan akademisi maupun industri.
Salah satu kelebihannya yang paling populer adalah kemampuan membuat grafik dengan visualisasi terbaik. MATLAB mempunyai banyak
tools yang dapat membantu berbagai disiplin ilmu. Ini merupakan salah satu penyebab industri menggunakan MATLAB. Selain itu MATLAB mempunyai banyak library yang sangat membantu untuk menyelesaikan permasalahan matematika seperti membuat simulasi fungsi, pemodelan matematika dan perancangan GUI.
22
BAB III
METODE PENELITIAN 3.1 Lokasi Penelitian
Penulis membuat penelitian tentang sistem pengenalan bunga anggrek
Dendrobium dengan metode KNN sebagai metode identifikasi spesies
anggrek. Penelinitan ini dilakukan pada toko Pot Kayu Ulin Alya, Lokasi penelitian berada di Jl. Sepakat V No 98G, Komplek Bangas Permai.
3.2 Teknik Pengumpulan Data
Penulis menggunakan beberapa metode dalam melakukan penelitian untuk menyusun proposal tugas akhir ini yaitu:
a. Studi Pustaka
Pengumpulan data dengan cara mengumpulkan buku-buku, literatur, jurnal, dan internet sebagai sumber referensi yang berhubungan dengan sistem yang akan dibuat, serta teori yang berhubungan dengan perancangan sistem.
b. Metode Dokumentasi
Dokumentasi bertujuan untuk memperoleh data langsung dari tempat penelitian, meliputi buku-buku yang relevan, foto-foto, serta data yang berkaitan dengan anggrek yang akan di jadikan sebagai bahan dalam pembuatan sistem.
c. Metode Observasi
Dalam metode ini, penulis melakukan pengamatan secara langsung tentang apa saja yang diperlukan sesuai dengan kebutuhan dalam pembuatan sistem. Observasi ini dilakukan pada toko Pot Kayu Ulin Alya, Lokasi penelitian berada di Jl. Sepakat V No 98G, Komplek Bangas Permai.
3.3 Analisis
Pada tahap ini, penulis akan melakukan analisa sistem yang akan dibangun nanti. Adapun Analisa tersebut sebagai berikut :
3.3.1 Analisa Kebutuhan
Kebutuhan sistem haruslah sesuai dengan kondisi dan kemampuan pengguna, maka dari itu penulis yang juga adalah sebagai pembuat sistem ikut serta melibatkan pengguna dalam mencari dan menganalisis kebutuhan-kebutuhan sistem yang menunjang dalam proses perancangan serta membangun sistem pengenalan bunga anggrek Dendrobium. Adapun kebutuhan sistem yang diperlukan itu sebagai berikut :
3.3.1.1 Kebutuhan Perangkat Keras
Perangkat keras (hardware) yang penulis gunakan dalam pembuatan sistem seperti pada tabel 2.
Tabel 2. Spesifikasi Perangkat Keras
No Perangkat Keras Spesifikasi 1 Type Laptop ASUS X555Q
2 Processor AMD A10-9600P RADEON R5 3 Memmory RAM 8 GB
4 ROM 1240 GB
5 Keyboard Standar
6 Camera Kamera Smartphone Realme 3 Pro
3.3.1.2 Kebutuhan Perangkat Lunak
Perangkat Lunak (Software) yang digunakan dalam pembuatan sistem ini seperti pada tabel 3.
Tabel 3. Spesifikasi Perangkat Lunak
No Perangkat Lunak Fungsi 1 MATLAB
R2017a
Sebagai perangkat lunak untuk merancang sebuah sistem pemrograman. 2 GIMP 2.10.20 Sebagai perangkat lunak untuk mengolah
gambar 3 MATLAB
Runtime 9.2
Sebagai perangkat lunak tambahan untuk menjadikan program aplikasi executable (.exe) sehingga program aplikasi dapat kita
jalankan pada komputer yang tidak ter
3.3.1.3 Kebuthan Informasi
Didalam kebutuhan informasi penulis membutuhkan informasi tentang anggrek melalui beberapa penelitian yang relevan seperti buku – buku, jurnal, proposal, internet serta observasi pada lokasi penelitian yang dilaksanakan.
3.4 Desain Sistem 3.4.1 Desain Proses 3.4.1.1 Diagram Blok
Gambar 3. Diagram Blok Pemrosesan Citra.
Dari Gambar 3 Diagram Blok pemrosesan citra digital bentuk bunga anggrek, prinsip kerja diagram blok tersebut sebagai berikut :
a. Akuisisi Citra, yaitu proses merupakan proses menangkap (capture) atau memindai (scan) suatu citra analog sehingga diperoleh citra digital. Pada proses ini akuisisi citra dilakukan dengan cara memfoto langsung menggunakan kamera handphone dengan resolusi 16MP ekstensi “.jpg”.
b. Data citra, yaitu proses pengaturan citra dalam database sebelum dilakukan preprosesing citra.
c. Pre-Prosesing, yaitu proses pengubahan citra RGB menjadi citra
grayscale dengan persamaan dan mencrop citra menjadi 200x200.
d. Segmentasi, yaitu proses pemisahan antara objek dengan latar belakang pada citra.
e. Ekstrasi ciri, yaitu proses pengambilan nilai-nilai karateristik dari objek dengan pengambilan nilai RGB, HSV dan area.
f. Database, yaitu proses penyimpanan parameter citra sebagai data latih untuk pengenalan objek citra bunga anggrek pada tahap pengujian. g. Identifikasi, yaitu proses pengujian dengan menggunakan metode
euclidean distance untuk mengetahui hasil akhir citra bunga dengan ketentuan kategori bunga Dendrobium Thongchai Gold, Dendrobium
phalaenopsis, Dendrobium Enobi, dan Dendrobium Mantangai.
Berikut ini merupakan tahap tiap-tiap proses diagram blok yaitu:
Gambar 4. Diagram blok Preprocessing citra bunga anggrek.
Dari Gambar 4 Diagram Blok Preprocessing citra bunga anggrek, prinsip kerja diagram blok tersebut sebagai berikut :
a. Pelabelan data citra
Proses ini bertujuan untuk mengasih label pada setiap data yang akan dilatih dan diuji.
Cropping
b. Cropping citra
Pada tahap ini citra bunga yang telah diberi label tadi ukurannya akan di crop menjadi 200x200 dan merubah background citra menjadi putih secara manual menggunakan aplikasi GIMP hal ini dilakukan untuk mempermudah dalam melakukan proses segmentasi nantinya.
c. Input gambar citra bunga (RGB)
Proses ini bertujuan untuk memasukkan data citra bunga anggrek bernilai red green blue (RGB). Tahap ini merupakan tahap pengambilan nilai warna R, G, dan B dari setiap piksel pada citra hasil Crop, untuk kemudian dijumlahkan. Hasil penjumlahan merupakankeseluruhan tiap nilai R, G, dan B di tiap piksel. Maka warna dominan bunga Anggrek dapat dihitung dengan persamaan berikut, dengan Nilai rata-rata R, G, dan B yang dihasilkan akan selalu berkisaran dari 0 –255 sebagai representasi ciri warna bunga pada citra yang diakuisisi.
d. Merubah citra RGB ke Grayscale.
Setelah citra bunga di input selanjutnya akan diproses menjadi citra keabu-abuan (grayscale) dengan persamaan
Gambar 6. Persamaan citra RGB ke grayscale.
Gambar 7. Diagram blok proses segmentasi.
a. Citra grayscale
Hasil dari citra asli bunga anggrek (RGB) yang telah diubah keabu-abuan .
b. Citra biner
Citra asli yang telah diubah keabu-abuan akan dikonversi menjadi citra biner untuk tahap ini menggunakan persamaan:
c. Thresholding
Thresholding merupakan salah satu metode segmentasi citra di mana
prosesnya didasarkan pada perbedaan derajat keabuan citra.
Gambar 9. Persamaan Thresholding.
Gambar 10. Ilustrasi perubahan nilai piksel pada proses thresholding.
d. Hasil segmentasi
Hasil segmentasi yaitu berupa citra RGB yang telah dipisahkan antara objek dan latar belakang (background) guna untuk mempermudah dalam melakukan ekstraksi ciri.
Gambar 11. Diagram blok ekstraksi ciri.
a. Hasil segmentasi
Citra hasil segmentasi akan berfokus pada objek, dengan latar belakang hitam
Gambar 12. Hasil proses segmentasi.
b. Ekstraksi ciri RGB, HSV dan area
Untuk membedakan suatu objek dengan warna tertentu dapat menggunakan nilai hue yang merupakan representasi dari cahaya tampak (merah, jingga, kuning, hijau, biru, ungu). Nilai hue dapat dikombinasikan dengan nilai saturation dan value yang merupakan tingkat kecerahan suatu warna. Untuk mendapatkan ketiga nilai tersebut, perlu dilakukan konversi ruang warna citra yang semula RGB (Red, Green, Blue) menjadi HSV (Hue, Saturation, Value) melalui persamaan berikut:
R‘ = R/255 G‘ = G/255 B‘ = B/255 (1) Cmax = max(R‘, G‘, B‘) Cmin = min(R‘, G‘, B‘) Δ = Cmax – Cmin (2)
Gambar 13. Perhitungan nilai Hue.
Gambar 14. Perhitungan nilai Saturation.
Perhitungan nilai Value:
V = Cmax (3)
Dan untuk mewakili ekstraksi ciri area adalah luas dan keliling dari objek pada citra yang telah disegmentasi.
3.4.1.2 Flowchart Proses Metode KNN
Gambar 15. Flowchart KNN
Pada gambar 15 terdapat proses metode KNN yaitu menjelaskan alur dari pemrosesan data yang akan di identifikasi nantinya.
a. Menentukan parameter 𝐾 (jumlah tetangga paling dekat).
b. Menghitung kuadrat jarak Euclid (queri instance) masing-masing objek terhadap data sampel yang diberikan menggunakan persamaan 1.
c. Kemudian mengurutkan objek-objek tersebut ke dalam kelompok yang mempunyai jarak Euclid terkecil.
d. Dengan menggunakan kategori Nearest Neighbor yang paling mayoritas maka dapat diprediksi nilai query instance yang telah dihitung.
3.4.1.3 Flowchart Sistem
Gambar 16. Flowchart Sistem
Pada gambar 16 terdapat alur proses sistem yang akan dibuat nantinya.
a. Data latih adalah data yang digunakan untuk membuat prediksi. Kita memberikan petunjuk melalui algoritma agar mesin yang kita latih bisa mencari korelasinya sendiri.
b. Data uji adalah data yang kita tes untuk melihat keakuratannya, atau dengan kata lain melihat performanya.
c. Preprosesing merupakan suatu proses untuk menghilangkan bagianbagian yang tidak diperlukan pada gambar input untuk proses selanjutnya.
d. Ciri RGB (red, green, blue), HSV (hue, saturation, value), dan area digunakan sebagai data untuk diproses dalam metode klasifikasi nantinya
e. Klasifikasi KNN adalah tahapan untuk mengelompokan data yang dilakukan pengujian dengan data yang sudah di lakukan training. f. Hasil, jika data tersebut relevan maka hasil dari identifikasi akan
keluar nama spesies anggrek.
3.4.2 Desain Perangkat Lunak
Pada Gambar 17 Desain Interface Pengujian ini menampilkan beberapa tombol, layout untuk menampilkan citra gambar dan layout untuk menampilakn hasil ektraksi ciri.
a. Tombol load citra, untuk menginput data uji kedalam sistem dan menampilkan nama filenya
b. Tombol segmentasi, untuk memproses citra asli dan memisahkan antara objek (foreground) dengan latar belakang (background).
c. Tombol ekstraksi ciri, untuk menampilkan hasil dari ekstraksi ciri nilai RGB (red, green, blue), HSV (hue, saturation, value), dan area berupa angka desimal.
d. Tombol identifikasi, untuk menampilkan nama anggrek yang telah di identifikasi
e. Tombol reset, untuk menghilangkan semua yang telah ditampilkan pada layout.
36
BAB IV
IMPLEMENTASI DAN PEMBAHASAN 4.1 Hasil
4.1.1 Implementasi Program
Implementasi merupakan suatu tahapan yang menjelaskan mengenai hasil uji coba sistem serta tahap perkembangan rancangan menjadi kode program dan menjalankan kode program agar aplikasi dapat berjalan sesuai rancangan sebagaimana diharapkan dapat berjalan dengan baik. Dalam implementasi program software yang di gunakan adalah MATLAB yang mempunyai bahasa pemrograman tinggi, tertutup, dan case sensitive dalam lingkungan komputasi numerik yang dikembangkan oleh.
Pada pembuatan aplikasi ini, penulis mengacu pada beberapa beberapa tutorial yang didapatkan dari berbagai sumber yang ada di website Pemrogramanmatlab. Dengan tampilan aplikasi yang dapat dilihat pada gambar dibawah ini :
a. Tampilan splash screen
Pada Gambar 18 tampilan splashcreen yang menjadi pembuka aplikasi dengan lama durasi selama 7 detik dan langsung masuk ke halaman selanjutnya. Untuk pembuatan splashcreen pada Matlab tinggal mendesain menggunakan aplikasi edit gambar GIMP, setelah itu masuk Matlab dan ketikan “deploytool” pada command window, akan muncul sebuah menu pop
up dan pilih Appliacation Compiler. Klik “Select custom splash screen” dan
pilih gambar yang diinginkan.
b. Tampilan proses pelatihan data latih
Gambar 19. Tampilan hasil proses data latih
Pada gambar 19 merupakan proses pencarian nilai dari data latih yang mulanya dilakukan dengan cara membaca data citra pada folder data latih. Selanjutnya citra yang terbaca sistem akan di konversi ke citra greyscale. Setelah itu citra greyscale di konversi lagi ke citra biner. Dan dilakukanlah segemtasi pada citra agar objek terpisah dari latar belakang dan sistem hanya mencari nilai ciri pada objek nya saja. Setelah nilai ciri didapatkan nilai tersebut akan di simpan dalam sebuah database dengan format file berekstensi
“hasil_pelatihan.mat” yang di compile nantinya kedalam aplikasi (file berekstensi “.exe”).
c. Tampilan halaman utama
Gambar 20. Tampilan Halaman Utama
Pada gambar 20 tampilan menu utama dari aplikasi pengenalan jenis bunga anggrek dendrobium dengan ciri warna memiliki tombol load, segmentasi, ekstraksi ciri, klasifikasi dan reset. Langkah – langkah dalam pembuatan tampilan menu utama siapkan gambar untuk dijadikan
background / latar belakang aplikasi. Buka aplikasi matlab pada command window ketik ”guide”, kemudian pilih Blank GUI. Pada layout tambahkan 1
panel untuk meletakan 5 button dan 2 edit text box, 4 axes untuk menampilkan gambar dan 1 table untuk menampilkan data ciri.
d. Tampilan input data
Gambar 21. Tampilan input data
Pada gambar 21 tampilan input data dari aplikasi dengan menekan tombol Load Data maka akan memunculkan pop up folder data uji untuk memilih data berupa bunga anggrek yang di jadikan sampel data dalam pengujian aplikasi.
e. Tampilan melakukan segmentasi
Gambar 22. Tampilan melakukan segmentasi.
Pada gambar 22 dengan menekan tombol segmentasi maka data gambar yang telah di input sebelumnya akan di lakukan sebuah proses pemisahan
antara objek (foreground) dengan latar belakang (background). Proses segmentasi berhasil apabila background berwarna hitam.
f. Tampilan melakukan ekstraksi ciri
Gambar 23. Tampilan melakukan ekstraksi ciri.
Pada gambar 23 dengan menekan tombol ekstraksi ciri maka data yang telah di lakukan segmentasi sebelumnya akan dilakukan perhitungan untuk mencari nilai ciri pada objek yang telah ditentukan. Nilai ciri yang di tampilkan yaitu nilai RGB (red, green, blue), HSV (hue, saturation, value) dan area (luas dari objek).
g. Tampilan melakukan klasifikasi
Pada gambar 24 adalah hasil dari semua proses yang telah dilakukan yaitu menampilkan jenis anggrek yang telah ditentukan berdasarkan data latih yang telah dimasukan kedalam aplikasi. Data yang ditampilan berupa nama dari spesies anggrek setelah menekan tombol klasifikasi.
h. Tampilan melakukan reset
Gambar 25. Tampilan setelah melakukan reset.
Pada gambar 25 semua data yang ditampilkan akan dikembalikan seperti tampilan semula.
4.1.2 Manual Instalasi
Pada bagian ini, penulis akan menjelaskan langkah- langkah dalam melakukan instalasi aplikasi pemrogrman MATLAB untuk merancang dan menjalankan sistem “Pengenalan Jenis Bunga Anggrek Dendrobium Dengan Ciri Warna Menggunakan Metode K – Nearest Neighbor (KNN)” dengan benar, adapun langkah-langkahnya sebagai berikut :
1. Buka File Executable Setup untuk memulai instalasi Pilih "Use a File Installation Key" lalu klik "Next"
Gambar 26. Instalasi MATLAB (1).
2. Menyetujui Software License Agreement MATLAB Pilih "Yes" lalu klik "Next"
3. Masukkan Serial Number MATLAB
Setelah memasukkan serial number, klik "Next"
Gambar 28. Instalasi MATLAB (3).
4. Pilih Lokasi Install MATLAB
Jika ingin memilih lokasi default, langsung klik "Next"
Gambar 29. Instalasi MATLAB (4).
5. Memilih Paket Instalasi Software
Centang software yang ingin di install, disarankan untuk memilih semuanya. Setelah itu klik "Next".
Gambar 30. Instalasi MATLAB (5).
6. Melakukan Konfirmasi untuk memastikan
Klik "Install" untuk melakukan konfirmasi dan memulai Instalasi
7. Tunggu hingga 100%.
Gambar 32. Instalasi MATLAB (7).
8. Notifikasi Konfigurasi Simulink Klik "Next" untuk melanjutkan.
9. Kemudian Klik "Finish".
Gambar 34. Instalasi MATLAB (9). 10. Buka Software MATLAB
Cek apakah shortcut MATLAB sudah ada di "All Programs Windows" komputer anda. Jika belum, maka sebaiknya membuat shortcut secara manual dengan alamat tujuan shortcut "C:\Program Files\MATLAB\MATLAB Production Server\R2015a\bin\matlab.exe" ke desktop.
4.1.3 Hasil Preprosesing
Gambar 35 merupakan citra asli (RGB) dari salah satu bunga anggrek
Gambar 35. Citra asli (RGB).
Gambar 36. Citra RBG dikonversi ke citra grayscale. 4.1.4 Hasil Segementasi
Segmentasi citra merupakan tahapan penting dalam proses pengenalan pola. Setelah objek berhasil tersegmentasi, maka kita dapat melakukan proses ekstraksi ciri citra. Ekstraksi ciri merupakan tahapan yang bertujuan untuk mengekstrak ciri dari suatu objek di mana ciri tersebut digunakan untuk membedakan antara objek satu dengan objek lainnya. Berikut hasil segmentasi pada penelitian ini:
Gambar 37. Citra grayscale.
Gambar 38. Citra grayscale ke citra biner dengan threshold = 100.
Gambar 39. Hasil segmentasi. 4.1.5 Pengujian Sistem dan Uji Coba
Pengujian merupakan bagian yang penting dalam pembangunan sebuah perangkat lunak, pengujian ditujukan untuk menemukan kesalahan-kesalahan
pada sistem dan memastikan sistem yang dibangun telah sesuai dengan apa yang direncanakan sebelumnya.
Pengujian dilakukan untuk menjamin kualitas dan juga mengetahui kelemahan dari perangkat lunak. Tujuan dari pengujian ini adalah untuk menjamin bahwa perangkat lunak yang dibangun memiliki kualitas yang handal, yaitu mampu mempresentasikan kajian pokok dari spesifikasi analisis, perancangan dan pengkodean dari perangkat lunak itu sendiri. Dalam pengujian sistem ini, pengujian dilakukan dengan cara melakukan implementasi langsung terhadap aplikasi. Berikut pengujian aplikasi pengenalan jenis bunga anggrek dendrobium dengan ciri warna menggunakan metode k – nearest neighbor:
a. Pengujian data latih
Pada gambar 40 terlihat bahwa 20 titik dengan warna yang berbeda dan terdapat 4 jenis data anggrek yaitu Dendrobium phalaenopsis dilambangkan dengan 5 titik berwarna hijau dengan , Dendrobium
Thongchai Gold dilambangkan dengan 5 titik berwarna merah, Dendrobium Enobi dilambangkan dengan 5 titik berwarna biru, dan Dendrobium Mantangai dilambangkan dengan 5 titik berwarna magenta.
Hasil nilai dari data latih yang dilakukan diatas adalah sebagai berikut:
Tabel 4. Hasil nilai ekstraksi fitur data latih
Anggrek Nilai Red Nilai Green Nilai Blue Nilai Hue Nilai Saturation Nilai Value Nilai Area Den. Thongchai Gold 172.564 169.394 12.596 0.160 0.928 0.696 6639 Den. Thongchai Gold 174.641 173.157 13.317 0.160 0.925 0.707 4987
Den. Thongchai Gold 152.750 133.343 30.574 0.140 0.813 0.599 7375 Den. Thongchai Gold 162.235 142.707 27.703 0.143 0.838 0.636 7879 Den. Thongchai Gold 150.315 132.472 23.821 0.142 0.850 0.589 7305 Den. phalaenopsis 204.309 138.038 207.187 0.821 0.356 0.825 9173 Den. phalaenopsis 210.856 116.267 224.996 0.808 0.495 0.891 9613
Den. phalaenopsis 201.512 118.530 246.841 0.768 0.526 0.970 7048 Den. phalaenopsis 185.732 121.292 193.471 0.813 0.394 0.767 9332 Den. phalaenopsis 159.308 104.385 178.206 0.790 0.424 0.700 5185 Den. Enobi 190.196 177.059 186.805 0.531 0.096 0.752 6382 Den. Enobi 192.841 179.969 189.447 0.521 0.092 0.762 7392 Den. Enobi 190.384 179.460 200.483 0.644 0.140 0.797 8602
Den. Enobi 165.498 145.681 153.073 0.437 0.174 0.654 12976 Den. Enobi 161.853 145.942 160.385 0.699 0.160 0.652 7529 Den. Mantangai 185.717 146.113 214.711 0.752 0.346 0.845 8655 Den. Mantangai 191.339 143.908 200.125 0.793 0.318 0.801 13175 Den. Mantangai 193.411 144.000 202.522 0.793 0.328 0.810 11030 Den. Mantangai 194.709 150.146 211.613 0.769 0.313 0.837 8618
Den. Mantangai
211.822 153.261 231.518 0.780 0.364 0.919 10551
b. Pengujian data uji
Gambar 41. Sebaran data pengujian KNN (k – nearest neighbor).
Pada gambar 41 terdapat 8 data uji dengan poin berbetuk silang agar mudah membedakan antara data latih dengan data uji. Yang dimana 2 poin silang bewarna merah melambangkan data uji Dendrobium
Thongchai Gold, 2 poin silang bewarna hijau melambangkan data uji Dendrobium phalaenopsis, 2 poin silang bewarna biru melambangkan
data uji Dendrobium Enobi, dan 2 poin silang bewarna magenta melambangkan data uji Dendrobium Mantangai.
Tabel 5. Hasil nilai ekstraksi fitur data uji Anggrek Nilai Red Nilai Green Nilai Blue Nilai Hue Nilai Saturation Nilai Value Nilai Area Den. Thongchai Gold 172.564 169.394 12.596 0.160 0.928 0.696 6639 Den. Thongchai Gold 174.641 173.157 13.317 0.160 0.925 0.707 4987 Den. phalaenopsis 152.750 133.343 30.574 0.140 0.813 0.599 7375 Den. phalaenopsis 162.235 142.707 27.703 0.143 0.838 0.636 7879
Den. Enobi 150.315 132.472 23.821 0.142 0.850 0.589 7305 Den. Enobi 204.309 138.038 207.187 0.821 0.356 0.825 9173 Den. Mantangai 210.856 116.267 224.996 0.808 0.495 0.891 9613 Den. Mantangai 201.512 118.530 246.841 0.768 0.526 0.970 7048 4.1.6 Hasil Analisis
Terdapat 20 citra digital yang dijadikan data latih, terlihat pada Tabel 4 dengan hasil nilai cirinya. untuk proses idetntifikasi nilai ciri dari citra tersebut akan dijadikan acuan untuk data training, dan terdapat 8 citra lainnya untuk diuji coba sebagai sample dan menghasilkan data ciri seperti yang ada pada Tabel 5 yang diproses sesuai dengan tahapan pada Gambar 10. Uji coba dilakukan untuk mengidentifikasi 4 jenis bunga anggrek, yaitu
Dendrobium phalaenopsis, Dendrobium Thongchai Gold, Dendrobium Enobi, dan Dendrobium Mantangai. Identifikasi dilakukan dengan nilai k
yang berbeda yaitu 1, 3, 5, 8 dan 10. Nilai akurasi dihitung berdasarkan:
Gambar 42. Menghitung nilai akurasi.
Tabel 6. Hasil nilai akurasi data latih.
Nilai K
Label
uji Hasil Identifikasi Teridentifikasi
Jumlah Teridentifikasi
Secara Benar
Akurasi
K =1
Data1 Den. Thongchai Gold Ya
20 100% Data2 Den. Thongchai Gold Ya
Data3 Den. Thongchai Gold Ya Data4 Den. Thongchai Gold Ya Data5 Den. Thongchai Gold Ya Data6 Den. phalaenopsis Ya Data7 Den. phalaenopsis Ya Data8 Data9 Data10 Data11 Data12 Data13 Data14 Data15 Data16 Data17 Data18 Data19 Data20 Den. phalaenopsis Den. phalaenopsis Den. phalaenopsis Den. Enobi Den. Enobi Den. Enobi Den. Enobi Den. Enobi Den. Mantangai Den. Mantangai Den. Mantangai Den. Mantangai Den. Mantangai Ya Ya Ya Ya Ya Ya Ya Ya Ya Ya Ya Ya Ya K =3
Data1 Den. Thongchai Gold Ya
19 95% Data2 Den. Thongchai Gold Ya
Data3 Den. Thongchai Gold Ya Data4 Den. Thongchai Gold Ya Data5 Den. Thongchai Gold Ya
Data6 Den. phalaenopsis Tidak Data7 Den. phalaenopsis Ya Data8 Data9 Data10 Data11 Data12 Data13 Data14 Data15 Data16 Data17 Data18 Data19 Data20 Den. phalaenopsis Den. phalaenopsis Den. phalaenopsis Den. Enobi Den. Enobi Den. Enobi Den. Enobi Den. Enobi Den. Mantangai Den. Mantangai Den. Mantangai Den. Mantangai Den. Mantangai Ya Ya Ya Ya Ya Ya Ya Ya Ya Ya Ya Ya Ya K =5
Data1 Den. Thongchai Gold Ya
19 95% Data2 Den. Thongchai Gold Ya
Data3 Den. Thongchai Gold Ya Data4 Den. Thongchai Gold Ya Data5 Den. Thongchai Gold Ya Data6 Den. phalaenopsis Tidak Data7 Den. phalaenopsis Ya Data8 Data9 Data10 Data11 Data12 Data13 Data14 Data15 Data16 Data17 Data18 Data19 Data20 Den. phalaenopsis Den. phalaenopsis Den. phalaenopsis Den. Enobi Den. Enobi Den. Enobi Den. Enobi Den. Enobi Den. Mantangai Den. Mantangai Den. Mantangai Den. Mantangai Den. Mantangai Ya Ya Ya Ya Ya Ya Ya Ya Ya Ya Ya Ya Ya K =8
Data1 Den. Thongchai Gold Ya
15 75% Data2 Den. Thongchai Gold Ya
Data3 Den. Thongchai Gold Ya Data4 Den. Thongchai Gold Ya Data5 Den. Thongchai Gold Ya Data6 Den. phalaenopsis Tidak Data7 Den. phalaenopsis Tidak Data8 Den. phalaenopsis Tidak Data9 Den. phalaenopsis Tidak
Data10 Den. phalaenopsis Ya Data11 Den. Enobi Ya Data12 Den. Enobi Ya Data13 Den. Enobi Tidak Data14 Den. Enobi Ya Data15 Den. Enobi Ya Data16 Den. Mantangai Ya Data17 Den. Mantangai Ya Data18 Den. Mantangai Ya Data19 Den. Mantangai Ya Data20 Den. Mantangai Ya
K =10
Data1 Den. Thongchai Gold Ya
15 75% Data2 Den. Thongchai Gold Ya
Data3 Den. Thongchai Gold Ya Data4 Den. Thongchai Gold Ya Data5 Den. Thongchai Gold Ya Data6 Den. phalaenopsis Tidak Data7 Den. phalaenopsis Tidak Data8 Den. phalaenopsis Tidak Data9 Den. phalaenopsis Ya Data10 Den. phalaenopsis Ya Data11 Den. Enobi Ya Data12 Den. Enobi Ya Data13 Den. Enobi Tidak Data14 Den. Enobi Tidak Data15 Den. Enobi Ya Data16 Den. Mantangai Ya Data17 Den. Mantangai Ya Data18 Den. Mantangai Ya Data19 Den. Mantangai Ya Data20 Den. Mantangai Ya
Pada Tabel 5 menyajikan hasil akurasi pada pengujian data latih pengenalan bunga anggrek dendrobium mencapai akurasi paling tinggi yaitu 100% pada uji coba pertama ketika k=1, pada saat nilai k=3 dan k=5 tingkat akurasi menurun menjadi 95%. Kecenderungan nilai akurasi akan
berkurang dengan bertambahnya nilai k. Penurunan akurasi juga terjadi pada nilai k=8 dan k=10 dengan akurasi 75%.
Tabel 7. Hasil nilai akurasi data uji.
Nilai K Label
uji Hasil Identifikasi
Teridentifikasi Jumlah Teridentifikasi
Secara Benar
Akurasi
K =1
Data 1 Den. Thongchai Gold Ya
8 100% Data 2 Den. Thongchai Gold Ya
Data 3 Den. phalaenopsis Ya Data 4 Den. phalaenopsis Ya Data 5 Den. Enobi Ya Data 6 Den. Enobi Ya Data 7 Den. Mantangai Ya Data 8 Den. Mantangai Ya
K =3
Data 1 Den. Thongchai Gold Ya
8 100% Data 2 Den. Thongchai Gold Ya
Data 3 Den. phalaenopsis Ya Data 4 Den. phalaenopsis Ya Data 5 Den. Enobi Ya Data 6 Den. Enobi Ya Data 7 Den. Mantangai Ya Data 8 Den. Mantangai Ya
K =5
Data 1 Den. Thongchai Gold Ya
8 100% Data 2 Den. Thongchai Gold Ya
Data 3 Den. phalaenopsis Ya Data 4 Den. phalaenopsis Ya Data 5 Den. Enobi Ya Data 6 Den. Enobi Ya Data 7 Den. Mantangai Ya Data 8 Den. Mantangai Ya
K =8
Data 1 Den. Thongchai Gold Ya
6 75% Data 2 Den. Thongchai Gold Ya
Data 3 Den. phalaenopsis Tidak Data 4 Den. phalaenopsis Ya Data 5 Den. Enobi Tidak Data 6 Den. Enobi Ya Data 7 Den. Mantangai Ya Data 8 Den. Mantangai Ya