Implementasi Learning Vector Quantification Dan K-Nearest Neighbor Untuk Aplikasi Pemilahan Buah

Implementasi

Learning Vector Quantification

Dan

K-Nearest Neighbor

Untuk Aplikasi Pemilahan Buah

Romulo S Sagala

1

, Fahmi

2

, Suherman

3

Magister Teknik Elektro, Universitas Sumatera Utara

Jl. Almamater Kampus USU Medan, Sumatera Utara - Indonesia

romulo.160@gmail.com; Fahmimn@gmail.com; suherman.usu@gmail.com

Abstract

Image Recognition process get started by image acquisition and image pre-processing, the next step is to get feature extraction. This research used HSI colour features and second order features for texture extraction of keprok orange fruit. After this stage is done, the classification with LVQ method and K-NN method is ordered. LVQ method and K-NN method for all fruit tester result 95 % of rate accuracy. Rate accuracy optimise could be done by appropriate classification method else with picked out the right feature extraction. The used ROC analysis in the research is to obtain comprehensive LVQ and K-NN method comparative for fruit sorting application.

Keywords: LVQ, K-NN, Second Order Features, HSI colour features, ROC

Abstrak

Proses pengenalan citra dimulai denganimage acquisitiondanimage pre-processing,proses berikutnya adalah mendapatkan ekstraksi ciri. Pada penelitian ini ekstraksi ciri yang digunakan adalah ciri warna HSI dan ciri tekstur orde dua buah jeruk keprok. Tahap berikutnya adalah melakukan klasifikasi dengan metode klasifikasi LVQ dan K-NN. Metode klasifikasi LVQ dan K-NN menghasilkan laju akurasi 95 %, optimalisasi laju akurasi dapat dilakukan selain dengan metode klasifikasi yang tepat juga dengan pemilihan ekstraksi ciri yang sesuai. Penggunaan analisis ROC pada penelitian ini dilakukan untuk mendapatkan komparasi parameter hasil klasifikasi pada metode LVQ dan K-NN secara lengkap, pada aplikasi pemilahan buah.

Kata kunci: LVQ, K-NN, Ciri Orde Dua, Ciri HSI, ROC

1. Pendahuluan

Otomatisasi pengolahan produk pertanian dapat mengurangi biaya dengan efisiensi produksi.

Sorting dan grading buah secara otomatis membutuhkan implementasi dari sistem computer vision . Mahendran [1] mendefinisikan computer visionsebagai proses-proses yang mengaplikasikan beberapa teknologi dan metode pada inspeksi secara otomatis dengan berdasarkan citra serta proses kendali dan bantuan robot pada aplikasi industri.

Pemilihan teknik pengenalan citra tergantung dari tujuan aplikasi pengenalan citra dan parameter-parameter yang relevan [2]. Aplikasi otomasi industri adalah salah satu dari sekian banyak aplikasi pengenalan pola, Selim Aksoy [3] menguraikan berbagai aplikasi pengenalan pola.

Secara umum pengolahan citra akan melibatkan beberapa tahapan, yaitu : pengolahan citra awal (preprocessing), segmentasi dan ekstraksi ciri dan klasifikasi. Pengenalan pola berdasarkan Jussi Tohka [4], secara umum akan melibatkan lima tahapan yaitu : pengukuran (sensing measurment), pengolahan awal dan segmentasi (pre-processing and segmentation), ekstraksi ciri (Feature extraction), klasifikasi (classification), dan Proses akhir (Post-processing).

Kecerdasan buatan, seperti jaringan saraf tiruan (neural network) disingkat JST,fuzzy logic, expert system merupakan teknik pengenalan pola yang

sangat diminati dewasa ini. pada [5] teknik yang digunakan adalah JST LVQ (learning vector quantization) begitu juga pada [6]. JST feed forward back propagation seperti pada [7], merupakan JST yang sering digunakan pada teknik pengenalan pola. JST LVQ termasuk kategori

supervised Learning and classification.

Metode K-NN adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut . Pada [8] dan [9] teknik K-NN digunakan sebagai metode klasifikasi.

Pada penelitian ini akan dilakukan teknik klasifikasi dengan metode LVQ dan K-NN, analisis komparasi kinerja kedua klasifikasi ini dilakukan dengan memperhatikan parameter kurva ROC (Receiver Operating Characteristic) kedua teknik klasifikasi. dan berdasarkan kemampuan klasifikasi ini akan dilakukan pengujian pada proses industri, yang melibatkan kemampuan untuk melakukan pemilahan buah pada pengolahan citra buah jeruk.

2. Klasifikasi Metode LVQ Dan K-NN Dengan Masukan Ciri Warna HSU Dan Ciri Tektur Orde Dua

A. Metode LVQ dan K-NN

ISSN 2549-6646 (Media Online)

vektor input yang diberikan. Apabila beberapa vaktor input memiliki jarak bobot yang sangat berdekatan, maka vektor-vektor input tersebut akan dikelompokkan pada kelas yang sama.

K-NN adalah suatu metode klasifikasi obyek didasarkan pada pelatihan terdekat pada sampel di ruang ciri. Algoritma K-NN adalah salah satu yang paling sederhana dari semua mesin algoritma pembelajaran. Proses pelatihan pada algoritma ini hanya terdiri proses menyimpan vektor-vektor ciri dan memberikan label pada citra yang sedang dilatih. Pada proses klasifikasi, vektor yang tak terlabel akan ditentukan oleh label k- ketetanggaan terdekat .

B. Ciri Warna HSI

Model warna HSI mendefinisikan warna dalam terminologi Hue, Saturation dan Intensity, seperti pada Gambar 1.

Gambar 1.Ruang Warna HIS

Hue berasosiasi dengan panjang gelombang cahaya. Saturation menyatakan tingkat kemurnian suatu warna, yaitu mengindikasikan seberapa banyak warna putih diberikan pada warna.Intensity

adalah atribut yang menyatakan banyaknya cahaya yang diterima oleh mata tanpa memperdulikan warna [15]. Model warna HSI ini nilainya didapatkan dari konversi nilai komponen RGB dengan Persamaan1, Persamaan 2., dan Persamaan 3.

1. Hue (H)





















G

B

Jika

G

B

Jika

H

θ

θ

360

(1) Dimana



 









 









































 2 / 1 2

1

1

/

2

cos

B

G

B

R

G

R

B

R

G

R

θ

2. Saturation (S)



R

G

B







R

G

B





S

1

3

min

,

,









(2)

3. Intensity (I)



R

G

B



I







3

1

(3)

C. Ciri Tekstur Orde Dua

Salah satu teknik untuk memperoleh ciri statistik orde dua adalah dengan menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan orientasi sudut tertentu. Pendekatan ini bekerja dengan membentuk sebuah matriks kookurensi dari data citra, dilanjutkan dengan menentukan ciri sebagai fungsi dari matriks antara tersebut.

Kookurensi berarti kejadian bersama, yaitu jumlah kejadian satu level nilai piksel bertetangga dengan satu level nilai piksel lain dalam jarak (d)

dan orientasi sudut (θ) tertentu. Jarak dinyatakan

dalam piksel dan orientasi dinyatakan dalam derajat. Orientasi dibentuk dalam empat arah sudut dengan interval sudut 45°, yaitu 0°, 45°, 90°, dan 135°. Sedangkan jarak antar piksel biasanya ditetapkan sebesar 1 piksel.

Haralick et al mengusulkan berbagai jenis ciri tekstural yang dapat diekstraksi dari matriks kookurensi. Dalam modul ini dicontohkan perhitungan 6 ciri statistik orde dua, yaituAngular Second Moment, Contrast, Correlation, Variance, Inverse Difference Moment, dan Entropy [14]. Persamaan ciri tersebut adalah sebagai berikut :

1. Angular Second Moment

Menunjukkan ukuran sifat homogenitas citra, nilainya didapatkan dengan menggunakan Persamaan 4.

 









i j

j

i

ASM

ρ

,

2

(4)

dimana p(i,j) merupakan menyatakan nilai pada baris i dan kolom j pada matriks kookurensi. 2. Contrast

Menunjukkan ukuran penyebaran (momen inersia) elemen-elemen matriks citra., nilainya didapatkan dengan menggunakan Persamaan 5.

 



















i j k

j

i

k

CON

2

ρ

,

(5) 3. Correlation

Menunjukkan ukuran ketergantungan linear derajat keabuan citra sehingga dapat memberikan petunjuk adanya struktur linear dalam citra, nilainya didapatkan dengan menggunakan Persamaan 6.

   

y x

y x i j

i

j

i

j

COR

σ

σ

µ

µ

ρ





 

,

,

(6) 4. Variance

Menunjukkan variasi elemen-elemen matriks kookurensi. Citra dengan transisi derajat keabuan kecil akan memiliki variansi yang kecil pula, nilainya didapatkan dengan menggunakan Persamaan 7.









 









i j y x

j

i

j

i

5. Inverse Different Moment

Menunjukkan kehomogenan citra yang berderajat keabuan sejenis. Citra homogen akan memiliki hargaIDMyang besar, seperti Persamaan 8.





 









i j

j

i

j

i

IDM

,

1

1

2

ρ

(8)

6. Entropy

Menunjukkan ukuran ketidakteraturan bentuk. HargaENTbesar untuk citra dengan transisi derajat keabuan merata dan bernilai kecil jika struktur citra tidak teratur (bervariasi), seperti Persamaan 9.

 

 







i j

j

i

j

i

ENT

ρ

,

2

log

ρ

,

(9)

3. Metodologi Penelitian

Metode penelitian akan dilakukan dengan tahapan yang lengkap ditunjukkan dengan diagram alir seperti pada Gambar 2.

Gambar 2.Diagram Alir Penelitian

Dimana :

1. Mulai : Persiapan perangkat keras dan perangkat lunak serta obyek buah jeruk. 2. Persiapan citra : Resizing citra, Filtering

citra, Segmenting (background removing)

citra.

3. Ekstraksi ciri citra : Terdiri dari sembilan ciri citra yang terdiri dari tiga ciri citra warna dan enam ciri citra tekstur yaitu :

hue, saturation, intensity, energy,

homogeneity dan entropy dan akan didapatkan matrik ciri seperi berikut :

Ciri buah 1 = [ C1C2C3C4C5C6]

Ciri buah 2 = [ C1C2C3C4C5C6 ]

s/d

Ciri buah 10 = [ C1C2C3C4C5C6 ]

4. Klasifikasi citra : Dilakukan dengan metode LVQ dan K-NN dengan masukan untuk kedua metode adalah matriks ciri buah 1 sampai dengan ciri buah 10. 5. Analisis ROC : Dilakukan dengan

menggunakan tabel kontingensi terhadap keluaran klasifikasi LVQ dan klasifikasi K-NN, serta dilakukan perhitungan akurasi,

sensitivity, specificity.

6. Pengujian fruit sorting : Dilakukan secara

real time

7. Selesai : Pelepasan perangkat lunak dan perangkat keras sesuai prosedur.

4. Hasil dan Pembahasan

Persiapan citra untuk buah jeruk kelas super yang terdiri dari 10 buah untuk proses training, merupakan komposisi dari image acquisition dan

image pre-processing seperti pada Gambar 3a dan 3b.

Gambar 3a.Image Acquisitiondan Image Pre-processing BuahJeruk Super

Gambar 3b.Image Acquisitiondan Image Pre-processing Buah kelas A

ISSN 2549-6646 (Media Online)

jeruk super 1 seperti Gambar 4 dan GUI untuk

testingBuah Jeruk Kelas A 1 seperti Gambar 5.

Gambar 4. Tampilan GUITestingBuah Super 1

Gambar 5.Tampilan GUITestingBuah Kelas A 1

D. Hasil klasifikasi Dengan Metode LVQ dan K-NN

Dari 20 buah jeruk super dan 20 buah jeruk kelas A, maka hasil klasifikasi kedua metode adalah seperti Tabel 2.

Tabel1 Hasil Klasifikasi Metode LVQ Dan K-NN

No Buah Jeruk

Klasifikasi LVQ

Klasifikasi K-NN

1 Super 18 Buah Tepat

18 Buah Tepat

2 Kelas A

20 Buah Tepat

20 buah Tepat

Pada pengambilan ektraksi ciri orde dua, parameter Contrast, Correlation, dan Variance

tidak digunakan. Karena nilai yang dihasilkan ketiga parameter tersebut untuk citra buah jeruk super dan buah jeruk kelas A tidak signifikan sebagai variabel klasifikasi, disebabkan nilainya yang berdekatan dan tidak konsisten.

Hasil testing klasifikasi dengan metode LVQ dan Metode K-NN menghasilkan laju akurasi yang sangat baik, kegagalan klasifikasi pada buah jeruk

super 7, super 13 dan super 15 dapat terjadi karena nilai numerik ciri ekstraksi buah tersebut mendekati nilai numerik ciri ekstraksi buah kelas A. Secara umum hasil klasifikasi ini sudah sangat baik untuk melakukan pemilahan untuk aplikasi pengemasan dan optimasi untuk mendapatkan buah super yang seragam dengan menyisihkan buah yang mendekati buah jeruk kelas A.

E. Analisis Akurasi klasifikasi Metode LVQ dan K-NN

Berdasarkan hasil klasifikasi Tabel 1, maka parameter kontingensi metode LVQ dan K-NN bernilai sama dan dapat dibuat seperti pada Tabel 2. Parameter ini dibutuhkan untuk melakukan perhitungan dan analisis akurasi klasifikasi metode LVQ dan K-NN.

Tabel 2. Parameter Kontingensi Metode LVQ Dan K-NN

p n

Y TP = 18 FP = 2 N FN = 0 TN = 20

Total P N

Dimana :

TP = True Positive yang menunjukkan buah jeruk kelas super

TN= True Negative yang menunjukkan buah jeruk kelas A

FP = False Positive yang menunjukkan buah jeruk kelas super dianggap buah jeruk kelas A.

FN= False Negative yang menunjukkan buah jeruk kelas A dianggap buah jeruk kelas super.

Berdasarkan parameter kontingensi pada Tabel 2 maka dapat dihitung nilai TPR, FPR, precision, accuracy, sensitivity, specificity klasifikasi metode LVQ dan K-NN sebagai berikut :

1) TPR =

TPR = 18/18 = 1

2) FPR =

FPR = 2/22 = 0,09

3) Precision=

Precision= (18/18+2))

Precision= 0,9

4) Accuracy=

Accuracy= (18 + 20)/(18 + 22)

Accuracy= 0,95

5) Sensitivity= TPR

Sensitivity= 1 6) Specificity= 1- FPR

Specificity= 1- 0,09

Specificity= 0,91

ROC metode LVQ dapat dibuat seperti pada Gambar 6.

Gambar 6.Grafik ROC metode LVQ dan K-NN Berdasarkan grafik Gambar 6, dapat dilihat titik merah dengan nilai (0.09, 1.0) berada pada zona kiri atas atau pada arah northwest. Pada zona ini kemampuan klasifikasi menunjukkan sensitivity

(kepekaan) yang tinggi dan specificity

(kekhususan) yang baik. Dari hasil analisis akurasi pada klasifikasi metode LVQ dan K-NN, maka kedua metode klasifikasi tersebut menunjukkan kinerja yang sangat baik.

F. Hasil Pengujian Sistem Pengenalan Citra Real Time dengan Arduino.

Setelah mendapatkan laju akurasi metode LVQ dan K-NN, maka selanjutnya akan dilakukanpengujian sistem pengenalan citra secara

real time dengan sistem Arduino sebagai purwa rupa sistem pemilahan buah, dengan rangkaian seperti Gambar 7.

Gambar 7.Digram Kerja Pengujianfruit sorting

Setelah dilakukan hubungan rangkaian seperti pada gambar diatas dan MATLAB GUI dijalankan, maka secara umum sistem bekerja dengan baik dengan waktu respon untuk pengujian satu buah jeruk sekitar 2 detik. Optimasi nilai waktu respon ini dibatasi oleh karakteristik komunikasi serial yang dilakukan antara MATLAB dan Arduino, sehingga sangat kecil kemungkinan untuk dipercepat waktu responnya.

II. KESIMPULAN

Kinerja pengenalan citra pada pemilahan buah dengan metode LVQ dan K-NN menghasilkan laju akurasi yang sama yaitu 95 %. Optimalisasi laju akurasi pengenalan citra dapat dicapai dengan

memperhatikan dua hal, yaitu metode klasifikasi yang tepat dan ekstraksi ciri yang selektif dan sesuai. Implementasi metode pengenalan citra pada sistem pemilahan buah dengan sistem tertanam merupakan solusi yang bekerja dengan baik.

5. Daftar Pustaka

[1] R. Mahendran, “Application of Computer

Vision Technique on Sorting and Grading

of Fruits and Vegetables,”J. Food Process. Technol., pp. 1–7, 2012.

[2] M. Iqbal Quraishi, J. Pal Choudhury, and M.

De, “Image recognition and processing using Artificial Neural Network,”2012 1st Int. Conf. Recent Adv. Inf. Technol., pp. 95–

100, 2012.

[3] S. Aksoy, “Introduction to Pattern Recognition Human Perception,” Pattern Recognit., pp. 1–40, 2016.

[4] J. Tohka, “SGN-2506 : Introduction to

Pattern Recognition,” 2013.

[5] P. R. Tabrizi, S. H. Rezatofighi, and M. J.

Yazdanpahan, “Using PCA dan LVQ

Neural Network for Automatic Recoqnition ofFiveTypes of White Blood Cell,” 32nd Annu. Int. Conf. IEEE EMBS, pp. 5593–

5596, 2010.

[6] L. Lamberti and F. Camastra, “Handy: A

real-time three color glove-based gesture recognizer with learning vector

quantization,” Expert Syst. Appl., vol. 39, no. 12, pp. 10489–10494, 2012.

[7] A. Tzokev and I. Topalova, “Image and

data pre-processing model for real-time communication between dedicated PC and PLC neural network application in marble

production,” Proc. Mediterr. Electrotech. Conf. - MELECON, pp. 41–46, 2010. [8] Q. P. He and J. Wang, “Principal

component based k-nearest-neighbor rule

for semiconductor process fault detection,”

Proc. Am. Control Conf., pp. 1606–1611, 2008.

[9] D. S. Guru, Y. H. Sharath, and S.

Manjunath, “Texture Features and KNN in Classification of Flower Images,” IJCA Spec. Issue, 2010.

[10] J. Gill, P. S. Sandhu, and T. Singh, “A

Review of Automatic Fruit Classification

using Soft Computing Techniques,” Int. Conf. Comput. Syst. Electron. Eng., pp. 91–

98, 2014.

[11] J. Jhawar, “Orange Sorting by Applying Pattern Recognition on Colour Image,”

Procedia Comput. Sci., vol. 78, no. December 2015, pp. 691–697, 2016. [12] R. I. SAA Bowo, A Hidayatno, “Analisis

deteksi tepi untuk mengidentifikasi pola

daun,” Undergrad. thesis, Diponegoro Univ., pp. 1–7, 2011.

[13] E. L. Pengolahan, C. Biomedika, and M. I. Enhancement, “EB7031 PENGOLAHAN

ISSN 2549-6646 (Media Online)

Titik,” pp. 1–6.

[14] E. C. Pengolahanet al., “Praktikum ec4041

pengolahan citra dan pengenalan pola ec6041 pengolahan citra dan pengenalan pola lanjut modul 3− analisis tekstur,” pp.

1–13.

[15] D. B. Pemrograman and M. Cahyanti,

“WARNA.”

[16] S. Kusumadewi, “Jaringan Syaraf Tiruan

menggunakan MATLAB & EXCEL

LINK,” in Komputasi dan Sistem cerdas, 2004th ed., vol. 1, GRAHA ILMU, 2004, p. 408.

[17] J. Kim, B. Kim, S. Savarese, and A. Arbor,

“Comparing Image Classification Methods :

K-Nearest-Neighbor and

Support-Vector-Machines,” pp. 133–138.

[18] T. Fawcett, “An introduction to ROC