PENGENALAN POLA BUAH DENGAN MENGGUNAKAN
ALGORITMA FREEMAN CHAIN CODE
Nafeesa Maulana1, T. Sutojo, S.Si, M.Kom2
Teknik Informatika-S1, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Jl. Nakula I No. 5-11, Semarang, 50131, (024) 3517261
E-mail: [email protected], [email protected]
ABSTRAK
Indonesia merupakan salah satu negara yang memiliki tanah yang subur sehingga flora dan fauna tumbuh besar. Contohnya tanaman buah-buahan yang tumbuh subur di beberapa daerah Indonesia. Banyak jenis buah-buahan di Indonesia hingga saat ini 450 jenis buah-buahan. Seiring dengan banyaknya jenis buah-buahan maka muncul beberapa kendala dalam mengenalkan pola buah. Seperti berbagai macam jenis buah-buahan yang tersedia di supermarket, kasir biasanya tidak mengenali semua jenis buah dan kualitas buah yang akan menentukan harga yang sesuai, mereka harus mencari dalam buku yang berisi gambar dan kode numerik dari setiap item yang akan diberi harga. Dan juga dalam pendidikan untuk meningkatkan pembelajaran, terutama untuk anak-anak kecil dan pasien down syndrome. Penelitian ini bertujuan untuk menerapkan algoritma freeman chain code dalam pengenalan pola buah. Proses pengenalan buah-buahan memiliki 2 data yaitu data training dan data uji berguna untuk menguji tingkat kemiripan. Persentase hasil penelitian dapat mengenali buah jeruk dan buah pisang sebesar 70%, buah pir 60%, buah apel 30%, buah mangga, buah nanas, dan buah salak 20%, buah manggis dan buah durian 10%, serta buah stroberi 0%.
Kata kunci: Buah-buahan, Pengenalan pola, Freeman Chain Code
ABSTRACT
Indonesia is one of the countries which has fertile soil so that the flora and fauna grow large. For example, a fruit crop thrives in some areas of Indonesia. Many types of fruit in Indonesia to date 450 types of fruits. Along with the many types of fruit then appears some constraints in promoting fruit pattern. Like many kinds of fruits available in the supermarket, the cashier usually doesn't recognize all types of fruit and fruit quality will determine an appropriate price, they should look for in a book containing pictures and numerical code of each item will be given the price. And also in education to improve learning, especially for small children and patients of Down syndrome. This research aims to implement algorithms in code chain freeman pattern recognition of fruit. The process of introduction of the fruits have 2 data i.e. data training and data test are useful for testing the level of similarity. The percentage of research results can recognize orange and banana of 70%, pear-shaped 60%, apple 30%, mango, pineapple, and salak 20%, mangos teen and durian is 10%, and 0% Strawberry.
1. PENDAHULUAN 1.1 Latar Belakang
Indonesia merupakan salah satu negara yang memiliki tanah yang subur sehingga flora dan fauna tumbuh besar. Contohnya tanaman buah-buahan yang tumbuh subur di beberapa daerah Indonesia. Banyak jenis buah-buahan di Indonesia hingga saat ini 450 jenis buah-buahan. Namun buah-buahan yang asli dari Indonesia masih banyak yang belum dimanfaatkan, dikonsumsi maupun dikenali secara baik [1].
Seiring dengan banyaknya jenis buah-buahan maka muncul beberapa kendala dalam mengenalkan pola buah. Ketika perangkat komputer atau program komputer tertentu yang tidak terpisahkan dalam kehidupan masyarakat sehari-hari tidak dapat mengenali atau mengidentifikasi bentuk buah-buahan tersebut. Seperti berbagai macam jenis buah-buahan yang tersedia di supermarket, kasir biasanya tidak mengenali semua jenis buah dan kualitas buah yang akan menentukan harga yang sesuai, mereka harus mencari dalam buku yang berisi gambar dan kode numerik dari setiap item yang akan diberi harga. Sehingga akan terjadi kesalahan dalam memberikan harga [2]. Dan juga dalam sistem pengenalan buah dapat diterapkan dalam tujuan pendidikan untuk meningkatkan pembelajaran, terutama untuk anak-anak kecil dan pasien down syndrome [3]. Maka dengan bantuan teknologi
informasi, diharapkan dapat
menyelesaikan masalah yang berkaitan dengan pengenalan pola buah tersebut. Kecerdasan buatan atau “Artificial intellegence (AI)”, merupakan bidang studi yang mengulas tentang kemampuan pada mesin yang berpikir, menimbang tindakan yang akan diambil, dan mampu mengambil
keputusan seperti yang dilakukan oleh manusia. Subdisiplin ilmu dalam kecerdasan buatan dapat dicontohkan berupa sistem pakar, pengolahan bahasa alami, pengenalan ucapan, robotika dan sistem sensor, computer vision, game playing, dan pengenalan pola [4]. Penelitian yang dilakukan [2] tentang pengenalan pola buah dan kualitas buah dengan pendekatan multi-class classification hasil penelitian menunjukkan bahwa solusi yang diperkenalkan mampu mengurangi kesalahan klasifikasi hingga 15%. Penelitian yang dilakukan Penelitian yang dilakukan [6] tentang pengenalan benda menggunakan teknik freeman chain code dengan prosentase keberhasilan 70% - 100% mengenali benda. Dalam penelitian yang lain penggunaan metode freeman chain code dalam pembelajaran menulis aksara jawa dengan prosentase pengenalan pola 40%-100% semakin banyak garis lengkung dan kemiringan, maka akurasi akan semakin rendah [7].
Pengenalan pola dapat didefinisikan sebagai suatu sistem yang mencoba untuk mengenali apakah citra masukan yang diterima cocok dengan salah satu citra yang telah ditentukan. Pengaplikasian pengenalan pola diantaranya seperti pendeteksi sidik jari, tulisan, tanda tangan, bahkan wajah seseorang [5]. Freeman chain code merupakan algoritma sederhana tetapi memiliki kinerja yang tinggi yang bertujuan untuk memberitahukan representasi batasan dari suatu obyek [8]. Cara membuat kode rantai adalah dengan menentukan titik awal yang menunjukkan arah pergerakan dari batas luar yang saling menyambung menggunakan delapan atau empat titik arah mata angin dimana arah mata angin mempunyai nomor yang berbeda hingga kembali ke titik awal membentuk rantai.
1.2 Rumusan Masalah
Bagaimana langkah-langkah pengenalan pola buah-buahan menggunakan algoritma freeman chain code, dan tingkat akurasi atau keberhasilan yang bisa dicapai dalam pengenalan pola buah-buahan menggunakan algoritma freeman chain code?
1.3 Tujuan Penelitian
Untuk menerapkan algoritma freeman chain code dalam pengenalan pola buah. Dan algoritma freeman chain code dapat mengenali pola buah-buahan tersebut.
2. LANDASAN TEORI 2.1 Buah
Indonesia merupakan negara kepulauan yang beriklim tropis, maka banyak jenis-jenis buah. Buah-buahan merupakan suatu jenis makanan yang berasal dari tumbuhan memiliki kandungan gizi, vitamin dan mineral yang pada umumnya baik untuk dikonsumsi setiap hari. Buah-buahan sangat baik untuk pertumbuhan dan
perkembangan anak. Tingkat
kecerdasan anak dipengaruhi dengan kebutuhan vitamin dan mineral yang tercukupi. Banyak vitamin yang terkandung dalam buah-buahan seperti vitamin A, B, C, D, E, K, zat besi, mineral dan air [10].
2.2 Citra
Citra adalah gambar pada bidang dwimatra (dua dimensi). Citra ditinjau dari sudut pandang matematis merupakan fungsi menerus dari intensitas cahaya pada bidang dwimatra. Sumber cahaya menerangi objek,
dipantulkan kembali oleh alat-alat optik (mata pada manusia, kamera, dan scanner) disebut citra tersebut terekam [11].
2.3 Algoritma Freeman Chain Code Freeman chain code digunakan untuk menggambarkan batas obyek atau jumlah piksel yang berada dalam satu obyek. Batas obyek direpresentasikan dengan piksel-piksel yang saling terhubung dan memiliki nilai yang
sama. Freeman chain code
mendeskripsikan sebuah obyek dengan segmen garis yang berurutan berdasarkan arah prioritas penelusuran yang telah ditetapkan. Arah dari tiap segmen direpresentasikan dengan angka tertentu. Elemen pertama pada sebuah urutan harus memberikan informasi
mengenai posisinya sehingga
rekonstruksi area atau perhitungan luas dapat dilakukan. Chain code berjalan dengan menelusuri piksel-piksel pada citra berdasarkan prioritas arah yang telah ditentukan. Sebuah chain code bisa terdiri dari 4 arah mata angin atau 8 arah mata angin.
Gambar 2.1 Chain code arah (a) 8 mata angin dan (b) 4 mata angina Freeman chain code umumnya telah diterima dalam pengolahan citra digital
karena menawarkan sejumlah
keuntungan. Diantaranya adalah kelebihan untuk dapat mencari nilai dari keliling dan luas dari sebuah objek dari chain code. Selain itu, chain code juga dapat digunakan untuk memperhalus kontur dalam pengurangan derau [16].
2.4 Metode Minimum Sum of Absolute
Difference (SAD)
Sum of Absolute Difference (SAD) digunakan dalam pengolahan citra digital untuk mengukur kesamaan antara citra training dangan citra uji.
Dengan cara menghitung
menjumlahkan kesalahan absolut dari pengurangan antara citra training dengan citra uji [18].
3. HASIL DAN PEMBAHASAN 3.1 Data Penelitian
Data training merupakan data yang berisikan citra berupa buah-buahan yang disiapkan untuk diproses pada
pengenalan buah menggunakan
algoritma freeman chain code. Citra dalam data training berukuran 320x240 piksel dengan format *jpg. Buah yang digunakan untuk setiap jenis buah sebanyak 10 samel buah.
Data uji berjumlah 100 buah yang mempunyai ukuran 320x240 piksel dengan format *.jpg. Data yang digunakan berjumlah 100 buah.
3.3 Langkah-langkah Penelitian 1. Pre-Processing Citra
Langkah – langkah pre-processing citra buah untuk data training dan data uji. Berikut langkah-langkah dalam proses preprocessing sebagai berikut:
a. Menyiapkan citra buah
Siapkan 100 citra buah berekstensi *.jpg yang terdiri dari 10 buah sehingga masing-masing buah terdapat 10 citra buah
b. Normalisasi dimensi citra
Ukuran citra perlu disamakan karena citra yang didapatkan memiliki ukuran piksel yang berbeda-beda. Data training dan data uji berukuran 320x240 piksel. c. Menajamkan citra buah.
Setelah melakukan resize citra kemudian dilakukan proses filtering unsharp menggunakan fungsi imfilter untuk menajamkan citra buah tersebut. d. Konversi citra RGB (Red Green
Blue) ke Grayscale
Proses grayscale adalah mengubah citra
RGB menjadi citra keabuan,
menggunakan fungsi rgb2gray. e. Thresholding
Setelah konversi citra RGB ke citra grayscale adalah proses binerisasi. Proses binerisasi menggunakan fungsi im2bw yaitu mengubah citra grayscale menjadi citra biner yang memiliki 2 warna yaitu hitam dan putih.
2. Segmentasi Citra
Setelah melalui pre-processing adalah segmentasi citra. Segmentasi citra merupakan proses awal yang dilakukan dalam menganalisis objek di dalam citra biner. Pada penelitian ini menggunakan deteksi tepi dengan algoritma canny pada citra biner buah. Proses deteksi tepi menggunakan fungsi edge.
Setelah deteksi tepi dengan canny. Proses selanjutnya adalah melakukan mengisi citra untuk memastikan tidak ada garis tepi yang tidak terhubung menggunakan fungsi imfill.
Setelah proses mengisi citra adalah melakukan deteksi tepi luar citra menggunakan fungsi boundaries. 3. Ekstrasi citra buah-buahan
menggunakan algoritma Freeman Chain Code 8 arah mata angin. Setelah hasil segmentasi citra, kemudian akan diekstrasi menggunakan algoritma Freeman Chain Code yang bertujuan untuk mendapatkan kode-kode rantai yang akan digunakan dalam semua buah-buahan. Berikut proses algoritma Freeman Chain Code 8 arah mata angin dengan menggunakan fungsi fchcode di matlab.
4. Normalisasi
Setelah diperolah pola Freeman Chain Code, proses selanjutnya melakukan normalisasi pada pola tersebut. Tujuan normalisasi adalah untuk menyamakan jumlah kode Freeman Chain Code. 5. Proses Pengenalan Citra
Proses pengenalan citra dengan menggunakan metode Minimum Sum of Absolute Difference (SAD) yaitu menghitung perbedaan minimum antara pola freeman chain code citra data training dengan pola citra data training yang sudah disimpan dalam database. 3.4 Hasil
Setelah melakukan pengujian dengan data uji untuk mendeteksi buah-buahan dengan menggunakan algoritma Freeman Chain Code 8 arah mata angin maka didapatkan hasil sebagai berikut:
Tabel 4.3 Hasil Prosentasi Keberhasilan
Buah 1 2 3 4 5 6 7 8 9 10 % Apel X √ X X X √ X X X √ 30 Durian X X X X X X √ X X X 10 Jeruk √ √ X √ X √ √ √ √ X 70 Mangga √ X X X X X X √ X X 20 Manggis X X X X √ X X X X X 10 Nanas X √ X X X X √ X X X 20 Pir X √ √ X √ X √ X √ √ 60 Pisang √ √ √ √ X X √ √ X √ 70 Salak X X X √ X X X X √ X 20 Stroberi X X X X X X X X X X 0
4. KESIMPULAN DAN SARAN 4.1 Kesimpulan
1. Berdasarkan uji coba yang telah dilakukan menggunakan data yang sama dengan data training, hasilnya menunjukkan bahwa semua data dapat dikenali sendiri dengan akurasi 100%.
2. Pada pengujian yang dilakukan dengan data uji yang berbeda dengan data training, tingkat pengenalan pola buah tertinggi ditunjukkan pada buah jeruk dan buah pisang sebesar
70% sedangkan tingkat akurasi terkecil pada buah stroberi sebesar 0%.
3. Penyebab tingkat akurasi kecil dalam pengujian adalah kurangnya data training yang digunakan dalam pengujian, serta dipengaruhi dalam proses pre-processing citra yang berpengaruh dalam terbentuknya kode rantai buah.
4. Algoritma Freeman Chain Code hanya bisa mengenali buah pada data training yang sudah disiapkan.
4.2 Saran
Saran peneliti untuk mengembangkan penelitian ini antara lain:
1. Penelitian dapat dilanjutkan dengan memperbanyak jumlah data training atau menambahkan jenis buah-buahan.
2. Penelitian dapat dikembangkan dengan menambahkan pengenalan warna buah-buahan ataupun tekstur buah tersebut.
3. Penelitian dapat dikembangkan dengan mengubah metode dengan menggunakan JST (Jaringan Syaraf Tiruan) seperti perceptron, maupun backpropagation. DAFTAR PUSTAKA [1] KMNLH, "Status Lingkungan Hidup Indonesia 2006," KMNLH, Jakarta, 2007. [2] A. Rocha, D. C. Hauagge, J. Wainer and S. Goldenstein, "Automatic fruit and vegetable classification from images," Computers and Electronics in Agriculture, vol. 70, pp. 96-104, 2010.
[3] S. Arivazhagan, R. N. Shebiah, S. S. Nidhyanandhan and L. Ganesan, "Fruit Recognition using Color and
Features," Jurnal of Emerging Trends in Computing and Information Sciences, vol. 1, pp. 90-94, 2010.
[4] Sutojo, T.; Mulyanto, Edy; Suhartono, Vincent, Kecerdasan Buatan, Yogyakarta: ANDI Yogyakarta, 2011.
[5] T. H. W. Pramesti, "Pengenalan Karakter Teks Menggunakan
Metode Neural Network
Backpropagation," p. 8, 2014. [6] Lukas, Samuel; Aribowo, Arnold;
Chevalier, Sharon, "Sistem Pengenalan Benda Menggunakan Teknik Freeman Chain Code," Jural Ilmiah Ilmu Komputer, vol. 5, p. 13, 2007.
[7] A. R. Himamunanto and G. Gunawan, "Algoritma Freeman Chain Code Untuk Pembelajarang Menulis Aksara Jawa," pp. 1-4, 2014.
[8] A. F. Hastawan, "Deteksi Sudut Menggunakan Kode Rantai Untuk Pengenalan Bangun Datar Dua Dimensi," p. 9, 2013.
[9] Subekti, Imam; Purnama, I Ketut Eddy; Purnomo, Mauridhi Hery, "Identifikasi Sel Darah Berbentuk Sabit Pada Citra Sel Darah Penderita Anemia," pp. 1-5, 2013. [10] Susmalini, "Meningkatkan
Kecerdasan Anak," Radar Lampung, p. 20, 12 Oktober 2011. [11] R. Munir, Diktat kuliah Pengolahan Citra, Bandung: ITB Bandung, 2002.
[12] Sutojo, T.; Mulyanto, Edy; Suhartono, Vincent; Nurhayati, Oky Dwi; Wijanarto;, Teori Pengolahan Citra Digital, Yogyakarta: Andi, 2009.
[13] F. A. Irawan, Buku Pintar Pemrograman Matlab, Yogyakarta: MediaKom, 2012.
[14] D. Putra, Pengolahan Citra Digital, Yogyakarta: Andi, 2010.
[15] R. Sianipar, Pemrograman Matlab Dalam Contoh dan Terapan, Bandung: Informatika, 2013. [16] Masfran, Ananda and Nugroho,
Erwin Setyo, "Segmentasi Tepi Citra CT Scan Paru-paru Menggunakan Chain Code dan Operasi Marfologi," e-Journal Teknik Informatika, vol. 1, pp. 1-7, 2012.
[17] K. G. Hong, "Fish Species Recognition System Based On Chain Code Representation Of Shapes," Universiti Teknologi Malaysia , Malaysia, 2011.
[18] P. E. P. Panja, "Penggunaan
Motion Estimation untuk
Perbaikan Gerakan Objek pada Kompresi Video," Universitas Udayana, Jimbaran, 2011.
[19]Wijaya, Vidya Dwi Turisqi, “Deteksi Huruf Arab Menggunakan Metode Freeman Chain Code”, Skripsi Teknik Informatika Universitas Dian Nuswantoro, Semarang, 2014.
