i
SKRIPSI
Implementasi Principal Component Analysis (PCA)
dan Euclidean Distance untuk Identifikasi Citra
Daging Sapi dan Daging Babi
Implementation Principal Component Analysis (PCA)
and Euclidean Distance to Identification of Image
Beef and Pork
Diajukan untuk memenuhi syarat mengerjakan dan menempuh ujian tugas akhir
Disusun Oleh :
Nama
: Mas Ud
NIM
: A11.2011.06073
Program Studi : Teknik Informatika – S1
FAKULTAS ILMU KOMPUTER
UNIVERSITAS DIAN NUSWANTORO
SEMARANG
2015
ii
PERSETUJUAN SKRIPSI
Nama : Mas Ud
NIM : A11.2011.06073
Program Studi : Teknik Informatika
Fakultas : Ilmu Komputer
Judul Tugas Akhir : Implementasi Principal Component Analysis (PCA) dan Euclidean Distance untuk Identifikasi CitraDaging Sapi dan Daging Babi
Tugas Akhir ini telah diperiksa dan disetujui,
Semarang, 30 Oktober 2015
Menyetujui: Mengetahui:
Pembimbing Dekan Fakultas Ilmu Komputer
iii
HALAMAN PENGESAHAN DEWAN PENGUJI
Nama Pelaksana : Mas Ud
NIM : A11.2011.06073
Program Studi : Teknik Informatika
Fakultas : Ilmu Komputer
Judul Tugas Akhir : Implementasi Principal Component Analysis (PCA) dan Euclidean Distance untuk Identifikasi CitraDaging Sapi
dan Daging Babi
Tugas akhir ini telah diujikan dan dipertahankan dihadapan Dewan Penguji pada Sidang tugas akhir tanggal .. oktober 2015. Menurut pandangan kami, tugas akhir ini memadai dari segi kualitas maupun kuantitas untuk tujuan penganugrahan gelar Sarjana Komputer (S.Kom)
Semarang, 30 Oktober 2015 Dewan Penguji :
Ricardus Anggi Pramunendar, MCS
Anggota 1
Solichul Huda, M.Kom
Anggota 2
Ahmad Zainul Fanani, SSi, M.Kom
iv
PERNYATAAN
KEASLIAN SKRIPSI
Sebagai mahasiswa Universitas Dian Nuswantoro, yang bertanda tangan di bawah ini, saya :
Nama : Mas ud
NIM : A11.2011.06073
Menyatakan bahwa karya ilmiah saya yang berjudul :
Implementasi Principal Component Analysis (PCA) dan Euclidean Distance untuk Identifikasi CitraDaging Sapi dan Daging Babi
Merupakan karya asli saya (kecuali ringkasan dan cuplikan yang masing-masing telah saya jelaskan sumbernya dan perangkat pendukung seperti web cam dll). Apabila di kemudian hari, karya saya disinyalir bukan merupakan karya asli saya, yang disertai dengan bukti-bukti yang cukup, maka saya bersedia untuk dibatalkan gelar saya beserta hak dan kewajiban yang melekat pada gelar tersebut. Demikian surat pernyataan ini saya buat dengan sebenarnya.
Dibuat di : Semarang
Pada tanggal : 11 September 2015
Yang menyatakan
v
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH
UNTUK KEPENTINGAN AKADEMIS
Sebagai mahasiswa Universitas Dian Nuswantoro, yang bertanda tangan di bawah ini, saya:
Nama : Mas Ud
NIM : A11.2011.06073
Demi mengembangkan Ilmu Pengetahuan, menyetujui untuk memberikan kepada Universitas Dian Nuswantoro Hak Bebas Royalti Non-Ekskusif (Non-exclusive Royalty-Free Right) atas karya ilmiah saya yang berjudul: Implementasi
Principal Component Analysis (PCA) dan Euclidean Distance untuk Identifikasi CitraDaging Sapi dan Daging Babi beserta perangkat yang
diperlukan (bila ada). Dengan Hak Bebas Royalti Non-Eksklusif ini Universitas Dian Nuswantoro berhak untuk menyimpan, mengcopy ulang (memperbanyak), menggunakan, mengelolanya dalam bentuk pangkalan data (database), mendistribusikannya dan menampilkan / mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya selama tetap mencantumkan nama saya sebagai penulis / pencipta.
Saya bersedia untuk menanggung secara pribadi, tanpa melibatkan pihak Universitas Dian Nuswantoro, segala bentuk tuntutan hukum yang timbul atas pelanggaran Hak Cipta dalam karya ilmiah saya ini.
Demikian surat pernyataan ini saya buat dengan sebenarnya.
Dibuat di : Semarang
Pada tanggal : 2 November 2015 Yang menyatakan
vi
UCAPAN TERIMA KASIH
Dengan memanjatkan puji syukur kehadirat Allah SWT. Tuhan Yang Maha Pengasih dan Maha Penyayang yang telah melimpahkan segala rahmat, hidayah dan inayah-Nya kepada penulis sehingga laporan tugas akhir dengan judul “Identifikasi Biometrik Finger Knuckle Print Menggunakan Fitur ekstraksi
PCA dan GLCM” dapat penulis selesaikan sesuai dengan rencana karena
dukungan dari berbagai pihak yang tidak ternilai besarnya. Oleh karena itu penulis menyampaikan terima kasih kepada :
1. Dr. Ir. Edi Noersasongko, M.Kom, selaku Rektor Universitas Dian Nuswantoro Semarang.
2. Dr. Drs. Abdul Syukur, MM, selaku Dekan Fasilkom Universitas Dian Nuswantoro.
3. Dr. Heru Agus Santoso, Ph.D , selaku Ka.Progdi Teknik Informatika- S1. 4. Catur Supriyanto, S.kom, M.CS, selaku pembimbing tugas akhir yang
memberikan ide penelitian, dan selalu sabar memberikan bimbingan.
5. Dosen-dosen pengampu di Fakultas Ilmu Komputer Teknik Informatika Universitas Dian Nuswantoro Semarang yang telah memberikan ilmu dan pengetahuannya masing-masing.
6. Orang tua penulis tercinta H.Muhammad Sidi dan Hj.Manirah, tak lupa kakak dan adik penulis Paizah dan Rif”ah yang telah memotivasi penulis dalam pembuatan laporan Tugas Akhir ini.
7. Keluarga Besar A11.4108, yang telah banyak memberikan banyak bantuan dan semangat serta ilmu yang penulis butuhkan.
8. Pihak-pihak yang telah banyak membantu penulis, yang tidak dapat penulis sebutkan namanya satu-persatu.
Semoga Tuhan yang Maha Esa memberikan balasan yang lebih besar kepada beliau-beliau.
Semarang,11 September 2015
vii
ABSTRAK
Seiring munculnya kasus pengoplosan daging sapi dengan babi, dalam kondisi ini sangat merugikan para konsumen daging sapi terutama konsumen di pasar-pasar tradisional. Para konsumen banyak yang tidak menyadari tindakan pencampuran daging-daging konsumsi tersebut karena secara kasat mata daging sapi yang dicampur dengan babi susah sekali dibedakan oleh para konsumen awam. Tindakan pencampuran ini sangat merugikan konsumen.. Apalagi konsumen daging sapi adalah yang paling diminati dibandingkan daging lain seperti daging kambing, kerbau, dan babi. Dengan meningkatnya komsumsi daging, banyak penjual berbuat curang demi mendapatkan keuntungan yang lebih banyak sehingga para penjual ini mengoplos daging sapi dengan daging babi. Melihat masalah yang ada, maka salah satu cara untuk mengenali citra adalah dengan membedakan tektur tersebut dengan beberapa metode yang dapat digunakan salah satunya adalah dengan metode Principal Component Analysis (PCA) dan jarak Euclidean. Dengan menggunakan metode Principal Component Analysis (PCA) dan jarak Euclidean dibuat program identifikasi citra daging sapid an daging babi dengan tujuan mendapatkan hasil pengenalan yang cukup baik untuk mengenali citra daging sapi dan daging babi. Berdasarkan pengujian pada citra daging sapi dan daging babi sebanyak 120 citra tingkat pengenalan tertinggi diperoleh sebesar 100%.
.
viii
ABSTRACT
Along with the emergence of cases of mixing beef with pork, in these conditions is very detrimental to consumers of beef mainly consumers in traditional markets. Many consumers are not aware of the act of mixing the meat, because the beef mixed with pork is hard to be distinguished by the general consumer. This mixing action is highly detrimental to consumers, especially consumers beef is the most desirable compared to other meats such as mutton, buffalo and pigs. With increased consumption of meat, a lot of sellers to cheat in order to get more profits so that the sellers of this meat mixing beef with pork. See the problems that exist, then one way to recognize the image is to distinguish the texture with some methods you can use one of them is the method of Principal Component Analysis (PCA) and Euclidean Distance. Using Principal Component Analysis (PCA) and identification program dibuar euclidean distance image of beef and pork in order to get recognition results were good enough to recognize the image of beef and pork. Based testing in the image of beef and pork as many as 120 images obtained the highest recognition rate of 100%.
ix
DAFTAR ISI
PERSETUJUAN SKRIPSI ... ii
HALAMAN PENGESAHAN DEWAN PENGUJI………...…iii
PERNYATAAN KEASLIAN SKRIPSI……….iv
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH v
UCAPAN TERIMAKASIH vi
ASBTRAK vii
ABSTRACT viii
DAFTAR ISI ix
DAFTAR TABEL xii
DAFTAR GAMBAR xiii
BAB I PENDAHULUAN ... 1 1.1 Latar Belakang 1 1.2 Rumusan Masalah ... 4 1.3 Batasan Masalah ... 4 1.4 Tujuan ... 5 1.5 Manfaat Penelitian ... 5
BAB II TINJAUAN PUSTAKA 6
2.1 Tinjauan pustaka 6
2.2 Landasan Teori ... 7
2.2.1 Daging ... 7
2.2.2 Pengenalan Pola ... 9
2.2.3 Pengolahan Citra (Image Processing) ... 11
2.2.4 Citra Digital ... 12
x
2.2.6 Citra ... 15
2.2.7 Analisis Tekstur ... 15
2.2.8 Preprocessing ... 16
2.2.9 Principal Component Analysis (PCA) ... 17
2.2.9.1 Reduksi Dimensi PCA 17
2.2.9.2 Mean and Mean-Corrected Data 19
2.2.9.3 Variansi 20
2.2.9.4 Kovarian 21
2.2.9.5 Matrik Kovarian 22
2.2.9.6 Eigen vector dan Eigen value 22
2.2.10 PCA Secara Statistik 23
2.2.11 Nilai Eigen 25
2.2.12 Jarak Euclidean ... 25
2.2.13 Pengenalaan Dengan Perhitungan Jarak Euclideun ... 26
2.2.14 Kerangka Pemikiran ... 26
BAB III METODE PENELITIAN... 28
3.1 Jenis Penelitian ... 28
3.2 Instrumen Penelitian ... 28
3.2.1 Kebutuhan Software 28
3.2.2 Kebutuhan Hardware 29
3.3 Pengumpulan Data 29
3.4 Metode Yang Diusulkan ... 30
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 35
4.1 Dimensi 35
4.2 Kebutuhan Citra 35
4.3 Persiapan Pengolahan Citra 35
4.4 Pengolahan Citra 37
xi
4.4.2 Tahapan Pengenalan 41
4.5 Pengujian 42
4.6 Hasil Pengujian 43
4.7 Analis Hasil Pengujian 53
BAB V KESIMPULAN DAN SARAN 55
5.1 Kesimpulan 55
5.2 Saran 55
xii
DAFTAR TABEL
Tabel 2.1. Parameter Kualitas Daging (8) Tabel 2.2. Contoh mean-corrected (20) Tabel 4.1. Hasil pengujian citra daging sapi dan daging babi dengan menggunakan dimensi 1 (43) Tabel 4.2. Hasil pengujian citra daging sapi dan daging babi dengan menggunakan dimensi 2 (45) Tabel 4.3. Hasil pengujian citra daging sapi dan daging babi dengan menggunakan dimensi 3 (47) Tabel 4.4. Hasil pengujian citra daging sapi dan daging babi dengan menggunakan dimensi 4 (49) Tabel 4.5. Hasil pengujian citra daging sapi dan daging babi dengan menggunakan dimensi 5 .(51) Tabel 4.6. Hasil akurasi tertinggi dengan waktu terkecil dari masing-masing dimensi (54)
xiii
DAFTAR GAMBAR
Gambar 2.1 Arsitektur identifikasi daging sapi dan daging babi..………....…..(27)
Gambar 3.1 Tahapan ekstraksi ciri dengan menggunakan PCA……….……... (30)
Gambar 3.2 Alur Data Training………..…………...……..(33)
Gambar 3.3 Alur Data Testing………...……….(34)
Gambar 4.1 Citra daging sapi dan daging babi……….…..(36)
Gambar 42 konversi citra RGB menjadi citra grayscale……….(36)
Gambar 4.3 Contoh daging babi………..(42)
1
BAB I
PENDAHULUAN
1.1 Latar Belakang Masalah
Daging adalah merupakan salah satu bahan makanan utama yang dikonsumsi oleh manusia dalam memenuhi kebutuhan gizi. Selain
proteinnya tinggi, daging juga mengandung asam amino esensial yang lengkap dan seimbang serta beberapa jenis mineral dan vitamin. Daging merupakan protein hewani yang lebih mudah dicerna dibandingkan dengan protein nabati. Jenis-jenis daging yang biasa dikomsumsi adalah daging sapi, kambing, ayam.
Karena tingkat konsumsi daging yang sangat tinggi maka daging konsumsi tersebut banyak ditemukan di pasar. Normalnya, daging-daging konsumsi tersebut dijual oleh pedagang sesuai dengan jenisnya, tetapi karena ada beberapa penjual yang ingin memperoleh keuntungan yang sebesar dengan modal yang lebih ringan. Sehingga dengan kebutuhan daging sapi yang meningkat sering dimanfaatkan oleh penjual daging di pasar untuk melakukan pencampuran daging sapi dengan daging babi. Para konsumen banyak yang tidak menyadari tindakan pencampuran daging-daging konsumsi tersebut karena secara kasat mata daging sapi atau kambing yang dicampur dengan babi susah sekali dibedakan oleh para konsumen awam. Tindakan pencampuran ini sangat merugikan konsumen.
Dengan muncul kasus pengoplosan daging sapi dengan babi. Kondisi ini sangat merugikan para konsumen daging sapi terutama konsumen di pasar-pasar tradisional. Karena cara membedakan mana daging sapi dan mana daging babi tidaklah mudah sehingga konsumen hanya asal membeli daging. pemininat daging sapi banyak daripada daging lainnya seperti daging kambing, kerbau, dan babi. Dengan tingginya
2
protein terdapat pada daging sapi serta pengolahan daging yang lebih beraneka ragam[2]. Oleh sebab itu daging sapi yang mahal dan daging babi relatih lebih murah dan secara kasat mata kedua hampir tidak ada perbedaan sehingga masyarakat sulit mengetahui perbedaan daging tersebut. Kejadian pengoplosan daging seperti ini sangat merugikan pembeli daging di pasar tradisioanal.
Pada tahun 2014 Data Badan Karantina Pertanian menunjukkan terdapat 16 kali terjadi penyelundupan dengan jumlah 30.786 kg daging babi. Jumlah ini lebih banyak dari tahun sebelumnya yang pada tahun itu hanya terdadapat 11 kali dengan jumlah 11.848 kg [23]. Sehingga Badan Karantina Pertanian melakukan sidak dipasar - pasar untuk pengecekan daging takut terjadinya pengoplosan para penjual daging dan mengambil sampel pada setiap daging guna selanjutnya di uji ke lab[2]. Dengan cara seperti itu sangat memakan waktu untuk medeteksi daging yang di oplos.
Banyaknya dampak buruk dengan pengoplosan daging sapi dengan daging babi sangat meresahkan dikalangan masyarakat untuk pemilihan daging dikonsumsi, oleh sebab itu para pedagang yang curang melakukan mala praktek dan tidak bertanggung jawab dengan menjual daging oplosan atau daging yang tidak layak untuk dikomsumsi. Oleh karena itu dibutuhkan suatu sistem yang baik untuk mengetahui perbedaan daging sapi dengan daging babi.
Oleh karena itu, pada tugas akhir ini mengimplementasikan sebuah sistem yang dapat membedakan daging-daging konsumsi seperti sapi dan babi, dengan mengambil citra dari masing-masing daging konsumsi tersebut, lalu dibedakan berdasarkan serat atau tekstur dari masing-masing daging tersebut dengan menggunakan metode - metode pengolahan citra.
3
Kemudian dari hasil pengolahan citra tersebut, juga dapat diperoleh perbedaan warna dari setiap citra daging yang sejenis untuk diklasifikasikan sesuai dengan kualitasnya masing-masing [5]. Sistem pengenalan citra dengan menggunakan teori keputusan didalam statistik, suatu pola memliki ciri – ciri statistik dimana citra yang berbeda memliki distribusi yang berbeda. Dengan menggunakn teori itu kita dapat mengidentifikasi sebuah citra[2].
Hal ini menerapkan pengolahan citra untuk proses pengenalan atau mengidentifikasi citra daging sapi dan daging babi. Penelitian ini menggunakan pengolah citra untuk pebuatan sistem yang mampu mengenali daging oplosan, citra daging sapi dan daging babi ditangkap menggunakan kamera digital, setelah itu citra digital yang diperoleh tadi diproses melalui beberapa tahap untuk mendapatkan beberapa fitur dari citra. Suatu pola citra yang didapat dari fitur citra dapat mewakili karakteristik citra[3]. Agar dapat membedakan daging sapi dan daging babi bisa dilakukan dengan fitur warna dan tekstur, dengan kasatmata daging sapi memliki warana yang cerak dan tidak pucat daripda dengan daging babi. Akan tetapi pada daging sapi terdapat beberap bagian yang hampir menyerupai warna daging babi. Oleh karena itu agar dapat mengidentifikasi yang sanat efisien dengan tekstur[3]. Dari paparan tersebut penilis menggunakan tekstur guna melakukan pembeda antara daging sapi dan daging babi, banyak metode yang dapat membedakan tekstur tetapi dalam penelitian ini penulis menggunakan metode ekstraksi ciri Principal Component Analysis (PCA). Pengguaan metode PCA ini untuk melakukan prosen pengenalannya menggunakan pengukuran jarak[1]. Pada proses pengukuran jarak yang menggunakan metode PCA cara perhitungan jarak diantaranya yaitu Euclidean distance [6][7][8][9].
4
Pada penelitian ini bertujuan untuk merancang dan mengembangkan sebuah sistem identifikasi daging sapi dan daging babi menggunakan ekstraksi tekstur daging sapi dan daging babi dengan metode PCA dan menggunakan pengukuran jarak Euclidean, dan akan menentukan jarak mana yang paling paling dekat atau yang paling menghasilkan tingakat akurasi yang tinggi. Euclidean Distance adalah algoritma klasifikasi terhadap objek berdasarkan jaraknya paling dekat dengan objek tersebut. Algoritma ini telah berhasil diimplementasikan pada penelitian Teknik Pengenalan tanda tangan dengan menggunakan metode PCA.
1.2 Rumusan Masalah
Berdasarkan uraian latar belakang yang dikemukakan diatas, maka rumusan masalah dapat dijelaskan sebagai berikut :
1. Bagaimana prinsip kerja Principal Component Analysis (PCA) dan metode jarak euclidean.
2. Bagaimana implementasi Principal Component Analysis (PCA) untuk dapat mengenali citra daging sapi dan citra daging babi. 3. Bagaimana tingkat keakuratan Principal Component Analysis
(PCA) dalam proses pengenalan daging.
1.3 Batasan Masalah
Agar pembahasan yang terkait dengan penelitian ini dapat lebih terfokus dan terarah. Maka masalah yang dibahas dibatasi, berikut adalah batasan masalah yang ada :
1. Identifikasi dan pengujian hanya dilakukan pada daging sapi dan daging babi.
2. Membuat sistem aplikasi yang dapat mengidentifikasi citra untuk identifikasi daging sapi dan daging babi menggunakan ekstraksi fitur PCA.
5
3. Parameter yang digunakan hanya berdasarkan tekstur daging sapi dan daging babi menggunakan algoritma PCA.
1.4 Tujuan
Tujuan dari penelitian ini yaitu untuk membuat aplikasi sistem identifikasi citra untuk idetifikasi citra daging sapi dan daging babi mengunakan ekstraksi fitur tekstur dengan mengimplementasikan algoritma PCA dan Euclidean Distance dan mengetahui keakuratan dalam proses pengenalan citra daging.
1.5 Manfaat Penelitian
Adapun manfaat yang diharapkan dapat diperoleh dari penelitian ini nantinya adalah
1. Manfaat bagi Akademik
a. Sebagai tolak ukur pemahaman dan penguasaan tentang teori yang telah diberikan di bangku kuliah
b. Sebagai bahan referensi bagi mereka yang mengadakan penelitian untuk dikembangkan lebih lanjut dengan permasalahan yang berbeda.
2. Manfaat bagi Penulis
a. Mengetahui apakah penggunaan teknik penggabungan PrincipalComponent Analysis (PCA) dan Euclidean Distance bisa menjadi ekstraksi fitur yang baik.
b. Menambah pemahaman dan pengalaman dalam pembuatan sistem identifikasi daging sapi dan daging babi.
3. Manfaat bagi Masyarakat
Dengan adanya sistem identifikasi daging sapi dan daging babi untuk mengetahui perbedaan anatar kedua daging sehingga masyarakat tidak hanya assal membeli daging dan dapat dikembangkan untuk membantu dalam hal peningkatan keamanan.
6
BAB II
TINJAUAN PUSTAKA
2.1 Tinjauan pustaka
Penelitian yang terkait dengan penelitian yang akan dilakukan oleh penulis, adalah :
a) “Klasifikasi Kelas Daging Menggunakann Pencirian Matrik Ko-Okuren Aras Keabuan” yang disusun oleh Laksono Tri Wibowo. Dalam penelitiannya penilis memerlukan analisis mengenai tekstur untuk mengidentifikasi suatu pola yang berulang – ulang dan teratur. Dengan menggunakan metode GLCM ekstraksi tekstur, Untuk melakukan indentifikasi daging, dan manfaat dari tekstur adalah untuk mengelompokkan citra ke dalam kelas tertentu dan salah satu ekstraksi untuk tekstur adalah dengan algoritma KNN. .
b) Pengenalan Pola Tanda Tangan Dengan Menggunakan Metode Principal Component Analylis (PCA). Pada penelitian tersebut dilakukan untuk pembuatan sistem pengenalan tanda tangan dengan menggunakan algoritma PCA (Principal Component Analysis). Hasil dari pengujian tersebut dapat menghasilkan tingkat akurasi sebesar 70% dengan menggunakan dimensi gambar tanda tangan yang digunakan adalah 50 x 50 piksel yang diman terdapat awalanya 2.500 fitur yang relatif besar.
c) Galuh Wicaksono dalam penelitiannya dengan judul “Sistem Identifikasi Garis Utama Telapak Tangan Menggunakan Metode Principal Component Analysis (PCA) dan Euclidean Distance. Didalam penelitian ini dibuat suatu program pengenalan citra telapak tangan dengan menggunaka metode Principal Component Analysis (PCA) dan Euclidean Distance dengan tujuan memberikan hasil pengenalan yang cukup baik untuk mengenali
7
citra telapak tangan. Dalam penelitian ini menggunakan 150 citra latih, berdasarkan hasil pengujian pada penelitian ini dengan variasi jumlah 50,75, dan 100 komponen utama dihasilkan tingkat pengenalan yang sama yaitu 90% dan dengan menggunakan citra yang pencahayaanny kurang hasilnya sama yaitu sebenar 90% dengan ini program yang dibuat mampu mengenali citra telapak tangan.
2.2 Landasan Teori 2.2.1 Daging
Daging merupakan produk hasil ternak yang penting untuk dikomsumsi sebagai kebutuhan protein dan gizi. Selain itu daging juga mengandung sejumlah senyawa lainnya seperti mineral Fe dan vitamin B yang sangat dibutuhkan oleh manusia. Hewan yang umumnya diambil dagingnya untuk dikomsumsi biasanya hewan ternak seperti sapi, babi, kambing, domba, dan kerbau. Daging juga didefinisikan sebagai jaringan hewan dan semua produk hasil pengolahan jaringan – jaringan tersebut yang sesuai untuk dikomsumsi sehingga tidak menimbulkan gangguan kesehatan bagi tubuh manusia. Komposisi dari daging itu sendiri meliputu 75% air, 19% protein, 3,5% subtansi non protein yang larut, dan 2,5% lemak (Syamsir, 2008).
Daging dapat diartikan sebagai jaringan otot dari hewan yang telah disembelih dan telah mengalami perubahan post-mortem. Ada juga yang mendefinisikan daging merupakan sekumpulan otot dari karkas hewan. Karkas sendiri merupakan bagian tubuh ternah yang disembelih, dikuliti dan dihilangkan bagian isi perut serta kepala dan bagian kaki bawahnya. Daging merupakan bagian dari karkas, namun
8
tidak termasuk lemak yang terdapat di bawah kulit maupun yang melindungi organ dalam, yang sering disebut dengan lean meat.
Kualitas daging dapat dilihat dari dua hal, yaitu kenampakan (appearance) dan dari penerimaan terkait dengan konsumsi. Daging segar yang masih baik akan Nampak berwarna merah cerah, tekstur kenyal dan tidak ada cairan (exudate) yang keluar dari dalam daging. Daging yang baik adalah daging yang memiliki tekstur yang empuk, kaya akan flavor daging juga banyak mengandung kaldu sehingga daging tidak nampang kering.
Acceptable Unacecptable
Appearance Red / pink Brown, grey green
Meat color White Yellow
Fat color Firm Soft, mushy, dry
Texture None Any exudate
Weep Red / pink Brown, grey green
Palatability
Tenderness Tender Mushy, tough
Flavor Typical of sp. Boar taint, rancid, acid taste
Juiciness Moist Lack of flavor
Tabel 2.1 Parameter Kualitas Daging
Untuk memilih daging sapi segar terdapat beberapa factor Deptan (2009) antara lain :
a. Warna
Daging segar yang masih baik akan Nampak berwarna merah cerah, tekstur kenyal. Warna yang terdapat pada daging ditentukan oleh kandungan dan keadaan pigmen daging yang disebut mioglobin dan dipengaruhi oleh jenis hewan, umur hewan, pakan, aktivitas otot, penanganan daging dan reaksi-reaksi kimiawi yang terjadi di dalam daging. Warna daging sapi segar yang baik adalah warna merah cerah.
9
Warna daging sapi yang baru dipotong yang belum terkena udara adalah warna merah-keunguan, lalu jika telah terkena udara selama kurang lebih 15-30 menit akan berubah menjadi warna merah cerah. Warna merah cerah tersebut akan berubah menjadi merah-coklat atau coklat jika daging dibiarkan lama terkena udara (Kiswanto, 2012). b. Bau
Bau daging yang masih segar memiliki aroma yang segar, atau yang biasa disebut bau daging, jika dagingnya segar pasti bukanlah dari bau asam dari dagingnya (Kastanya, 2009).
c. Tekstur
Tekstur Daging yang masih segar terasa sangat kenyal, padat dan tidak kaku, jika daging segar apabila ditekan tekstur daging akan kembali seperti semula setelah ditekan.
d. Kenampakan
Daging segar akan mengeluarkan cairan berwarna merah itu bukanlah darah melainkan jus atau sari dari daging tersebut dan kelembatan pada daging segar daging mempunyai permukaan yang relative kering sehingga dapat menahan pertumbuhan mikroorganisme dari luar.
2.2.2 Pengenalan Pola
Pengenalan Pola adalah mengelompokkan data numerik dan simbolik (termasuk citra) secara otomatis oleh mesin (komputer). Tujuan pengelompokkan adalah untuk mengenali suatu objek di dalam citra. Sebuah pola adalah setiap antar hubungan data (analog atau digital), kejadian atau konsep yang dapat dibedakan. Pengenalan pola merupakan bidang dalam pembelajaran mesin dan dapat diartikan sebagai tindakan mengambil data mentah dan bertindak berdasarkan klasifikasi data. Dengan demikian, pengenalan pola merupakan himpunan kaidah bagi pembelajaran diselia (supervised learning). Terdapat beberapa definisi tentang pengenalan pola yang diantaranya :
10
1. Penentuan suatu objek fisik atau kejadian ke dalam salah satu atau beberapa kategori.
2. Ilmu pengetahuan yang menitikberatkan pada deskripsi dan klasifikasi (pengenalan) dari suatu pengukuran.
3. Suatu pengenalan secara otomatis suatu bentuk, sifat, keadaan, kondisi, susunan tanpa keikutsertaan manusia secara aktif dalam proses pemutusan.
Pengenalan pola merupakan langkah perantaraan bagi proses menghilangkan dan menormalkan gambar dalam satu cara (pemrosesan gambar (image processing), pengenalan pola itu sendiri khususnya berkaitan dengan langkah pengkelasan. Dalam kasus tertentu, sebagaimana dalam jaringan syaraf (neural networks). Bentuk larikan N x M diskret dengan jarak yang sama sebagai berikut :
(1)
Bentuk digital pada setiap citra akan disimpan kedalam memori komputer. Ketika citra yang sudah diubah menjadi bentuk digital maka akan dinamakan citra digital, sangat banyak proses pengolahan citra yanga dapat dilakukan terhadap sebuah citra. Pengolahan citra itu sendiri menggunakan komputer untuk sebuah pemrosean citra agar kualitas pada citra lebih tinggi dengan yang diinginkan.
11
2.2.3 Pengolahan Citra (Image Processing)
Dalam buku[15],citra adalah representasi (gambaran), kemiripan, atau imitasi gambaran dari suatu objek. Citra dibagi menjadi dua yaitu citra analog dan citra digital, citra analog memiliki sifat kontinu seperti gambar yang terdapat dalam televisi, foto yang tercetak dalam kertas, lukisan, dan hasil CT scan. Citra analog tidak bisa direpresentasikan pada komputer sehingga komputer tidak bisa mengolah sebuah citra analog. Sedangkan citra digital adalah citra yang dapat diolah oleh komputer. Sebuah citra digital terdiri dari sejumlah angka yang berhingga yang di definisikan sebagai nilai intensitas, karena yang di simpan dan di baca oleh memori adalah berupa angka yang membentuk sebuah citra digital[16]. Secara umum istilah pengolahan citra digital adalah disiplin ilmu yang melahirkan teknik-teknik untuk mengolah citra[15].
Metodologi Pengolahan Citra[16]:
1. Pembentukan Citra (data acquisition)
Menentukan data yang diperlukan dan memilih metode perekaman citra digital.
2. Segmentasi Citra (image segmentation) dan Deteksi Sisi (edge detection)
Menentukan garis batas wilayah objek (external shape characteristics) atau melakukan partisi citra menjadi wilayah wilayah objek (internal properties).
3. Seleksi dan ekstraksi ciri (feature extraction and selection) Seleksi ciri memilih informasi yang mempunyai nilai angka (value) yang ada pada ciri, untuk dapat membedakan objek secara baik didalam kelasnya. Ekstraksi ciri untuk mengukur besaran nilai angka dari setiap piksel.
4. Representasi dan Deskripsi
Suatu titik-titik koordinat dalam sebuah loop dapat ditampilkan dalam wilayah yang tertutup dengan deskripsi luasan.
12
5. Pengenalan Pola (patern recognition)
Pengenalan pola adalah proses memberikan label berbagai golongan objek pada setiap piksel citra berdasarkan pemetaan jaringan keras dan pewilayahan berbagai jaringan lunak pada citra biometrik.
6. Interprestasi Citra
Memberikan arti pada objek yang sudah berhasil dikenali. 7. Penyusunan basis pengetahuan
Basis pengetahuan ini digunakan sebagai sumber acuan pada proses pencocokan atau object recognition.
2.2.4 Citra Digital
Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi dari suatu objek. Citra terbagi 2 yaitu ada citra yang bersifat analog dan ada citra yang bersifat digital. Citra analog adalah citra yang bersifat kontinu seperti gambar pada monitor televisi, foto sinar X, hasil CT Scan dll. Sedangkan pada citra digital adalah citra yang dapat diolah oleh komputer( T,Sutoyo et al. 2009: 9). Sebuah citra digital dapat mewakili oleh sebuah matriks yang terdiri dari M kolom N baris, dimana perpotongan antara kolom dan baris disebut piksel ( piksel = picture element), yaitu elemen terkecil dari sebuah citra. Piksel mempunyai dua parameter, yaitu koordinat dan intensitas atau warna. Nilai yang terdapat pada koordinat (x,y) adalah f(x,y), yaitu besar intensitas atau warna dari piksel di titik itu. Oleh sebab itu, sebuah citra digital dapat ditulis dalam bentuk matriks berikut.
( ) [ ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ] (2)
13
Berdasarkan gambaran tersebut, secara matematis citra digital dapat dituliskan sebagai fungsi intensitas f (x,y), dimana harga x (baris) dan y (kolom) merupakan koordinat posisi dan f(x,y) adalah nilai fungsi pada setiap titik (x,y) yang menyatakan besar intensitas citra atau tingkat keabuan atau warna dari piksel di titik tersebut. Pada proses digitalisasi (sampling dan kuantitas) diperoleh besar baris M dan kolom N hingga citra membentuk matriks M x N dan jumlah tingkat keabuan piksel G (T, Sutoyo et al.2009: 20).
Pengolahan citra digital adalah sebuah disiplin ilmu yang mempelajari hal-hal yang berkaitan dengan perbaikan kualitas gambar (peningkatan kontras, transformasi warna, restorasi citra), transformasi gambar (rotasi, translasi, skala, transformasi geometrik), melakukan pemilihan citra ciri (feature images) yang optimal untuk tujuan analisis, melakukan proses penarikan informasi atau deskripsi objek atau pengenalan objek yang terkandung pada citra, melakukan kompresi atau reduksi data untuk tujuan penyimpanan data, transmisi data, dan waktu proses data. Input dari pengoalahan citra adalah citra, sedangkan outputnya adalah citra hasil pengolahan (T, Sutoyo et al.2009: 5).
2.2.5 Tekstur
Tekstur merupakan karakteristik intrinsik dari suatu citra yang terkait dengan tingkat kekasaran (roughness), granularitas (granulation), dan keteraturan (regularity) susunan struktural piksel. Tekstur biasa dikenal sebagai kunci untuk memvisualisasikan persepsi atau cara pandang seseorang dan peraturan yang sangat penting pada pekerjaan komputer visi.Tekstur dicirikan sebagai distribusi spasial dari derajat keabuan di dalam sekumpulan piksel-piksel yang
14
bertetangga. Berdasarkan strukturnya, tekstur dapat diklasifikasikan dalam dua golongan yaitu:
Makrostruktur
Tekstur makrostruktur memiliki perulangan pola secara periodik pada suatu daerah citra. Mikrostruktur Tekstur memiliki pola - pola lokal dan perulangan yang tidak begitu jelas, sehingga tidak mudah untuk memberikan definisi tekstur yang komprehensif.
Aspek tekstural dari sebuah citra dapat dimanfaatkan sebagai dasar dari klasifikasi, segmentasi, dan sintesis:
1. Klasifikasi tekstur
Klasifikasi tekstur ini memberikan isyarat visual dalam mengidentifikasi jenis homogeny daerah. Tujuan dari mengklasifikasi tekstur adalah menghasilkan peta klasifikasi input gambar dimana masing – masing wilayah tekstur yang berbeda pada suatu gambar.
2. Segmentasi tekstur
Selain dapat diklasifikasi, kita juga dapat menemukan batas dari tekstur pada suatu gambar hal ini disebut dengan segmentasi tekstur. Tujuan dari segmentasi tekstur adalah untuk memisahkan daerah pada gambar tekstur yang berbeda serta mengenali batas-batas diantara mereka.
3. Sintesis tekstur
Sintesis tekstur biasa digunakan pada aplikasi kompresi gambar. Hal ini juga penting dalam pemanfaatan komputer grafik dimana bertujuan untuk membuat permukaaan benda agar telihat lebih realistis.
15
2.2.6 Citra
Citra merupakan suatu gamabaran dari suatu objek[11]. Suatu citra diperoleh dari penangkapan kekuatan sinar yang dipantulkan oleh objek. Citra merupakan output alat perekaman, seperti kamera yang bersifat analog maupun digital. Citra analog berupa sinyal-sinyal video seperti gambar pada televisi, sedangkan citra digital dapat langsung disimpan pada suatu media penyimpanan. Dalam merubah bentuk dari tiga dimensi menjadi dua dimensi dinamakan proses transformasi, berbagai factor akan menampilkan atau menghasilkan berubahan terhadap citra. Penurunan kualiats suatu citra yang berupa kontras yang terlalu sedikit atau terlalu banyak, distorsi, kekaburan (blur) dikarenakan citra objek bergerak (motion blur) , ini disebabkan oleh gangguan interferensi pembuatan citra [5].
2.2.7 Analisis Tekstur
Secara umum tekstur mengacu pada repetisi elemen-elemen tekstur dasar yang sering disebut primitif atau texel (texture element). Suatu texelterdiri dari beberapa pixel dengan aturan posisi bersifat periodik, kuasiperiodik, atau acak.
Syarat-syarat terbentuknya tekstur setidaknya ada dua, yaitu:
1. Adanya pola-pola primitif yang terdiri dari satuatau lebih pixel. Bentuk - bentuk pola primitif ini dapat berupa titik, garis lurus, garis lengkung, luasan dan lain-lain yang merupakan elemen dasar dari sebuah bentuk.
2. Pola - pola primitif tadi muncul berulang - ulang dengan interval jarak dan arah tertentu sehingga dapat diprediksi atau ditemukan karakteristik pengulangannya.
Ada dua pendekatan yang digunakan untuk menganalisis tekstur dari suatu area, yaitu statistis dan struktural. Pendekatan statistis mempertimbangkan bahwa intensitas dibangkitkan oleh medan acak
16
dua dimensi. Metode ini berdasar pada frekuensi - frekuensi ruang (spatial) dan menghasilkan karakterisasi tekstur seperti halus, kasar, dan lain-lain. Contoh metode statistikadalah run length, autokorelasi, co-occurrence, transformasi Fourier, frekuensi tepi, dan metode Law (pengukuran energi tekstur). Sedangkan teknik struktural berkaitan dengan penyusunan bagian-bagian terkecil (primitif) suatu citra, contoh metode ini adalah model fractal.
2.2.8 Preprocessing
Preprocessing merupakan tahap awal dalam peningkatan sebuah citra bertujuan untuk meningkatkan citra dan memproses citra lebih baik dari citra aslinya untuk sebuah sistem tertentu [10].
Beberapa proses peningkatan kualitas citra digital adalah[10]: 1. Operasi negasi(Invers)
Operasi negasi dipakai untuk mendapatkan citra negatif, seperti film negatif dari hasil cetak foto yang dimana warna putih pada citra memiliki warna hitam pada film negatif.
2. Kecerahan(Brightness)
Brightness untuk proses pencerahan warna pada sebuah citra supaya menjadi cerah dan bila intensitas piksel dikurangi dengan nilai tertentu maka citra akan menjadi gelap.
3. Kontras(Contrast)
Kontras adalah untuk mendapatkan intensitas warna yang disebarkan melalui piksel-piksel.
4. Operasi ambang batas(Thresholding)
Thresholding adalah proses mengubah citra keabuan (grayscale) menjadi citra biner atau hitam putih. Setiap piksel dalam citra ditandai sebagai objek dengan memenuhi nilai ambang batas sehingga menjadi lebih terang daripda latar belakang. Biasanya, obyek piksel diberi nilai "1" sedangkan piksel latar belakang
17
diberi nilai "0." Akhirnya, biner pada citra yang dibuat oleh setiap piksel warna putih atau hitam, tergantung pada pixel labelnya.
2.2.9 Principal Component Analysis (PCA)
Principal Component Analysis (PCA) adalah suatu analisis yang menjelaskan struktur varian kovarian dari suatu himpunan variable yang melalui beberapa kombinasi linier dari variable-variabel tersebut. Analisis komponen utama ini merupakan prosedur pengurangan variabel, dimana PCA merupakan kombinasi linier dari p variabel asli. Principal Component Analysis atau komponen utama suatu teknik statistik untuk mengubah darisebagian besar variabel asli yang digunakan dan saling berkorelasi satu dengan yang lainnya menjadi satu set variabel baru yang lebih kecil dan tidak berkorelasi[18]. Tujuan dari komponen utama adalah mengurangi suatu dimensi perubah yang saling berhubungan dan mempunyai variabel yang banyak sehingga memudahkan untuk menginterpretasikan data-data tersebut. Algoritma PCA dalam perhitungan zeromean adalah untuk mencari nilai mean dari citra dengan cara menurangkan ngan tujuan mencari mean dari semua citra kemudian mengurangkanyadan mencari nilai kovarian untuk citra latihnya. Setelah mendapatkan matrik kovarian melakukan reduksi, selanjutnya citra latih ditransformasikan ke dalam dimensi yang lebih rendah. Selanjutnya masuk ke tahap otentikasi, pada tahap otentikasi akan terjadi proses perhitungan dan mendapatkan hasil yang berupa tingkat akurasi[17].
2.2.9.1 Reduksi Dimensi PCA
Satu pendekatan terkait dengan dimensi yang tinggi adalah mengurangi dimensi data. Memproyeksikan data dimensi tinggi ke dimensi yang rendah menggunakan transformasi linier dan non-linier.
18
Misalkan ada data dengan menggunakan dua dimensi apabila diplot akan terlihat seperti gambar
dibawah ini:
Bahwasanya dalam PCA memakai dekomposisi Eigen vectors. Dimana dekomposisi tersebut merupakan Eigen vectors dan Eigen values. Eigen vector yang memiliki nilai Eigen value paling besar termasuk vektor yang searah dengan nilai yang memiliki korelasi tertinggi. contoh Eigen vector dengan eigen value terbesar adalah sebagai berikut:
Jika pada data yang diproyeksikan pada bidang eigen vector dengan eigen value terbesar, maka data tersebut akan menjadi data satu dimensi.
Logikanya dengan menggunakan data dimensi satu akan memiliki variance yang besar. Dalam kasus pattern classification, sistem yang memproses data pada dimensi satu dapat memiliki performa yang lebih
19
baik daripada sistemt memproses data mentah secara langsung. Sebagai contoh, ada dua kelas dalam data di atas. Kelas 1 direpresentasikan dengan warna merah, dan kelas 2 direpresentasikan dengan warna hijau.
Seperti yang diketahui, bahwa dengan menggunakan PCA, decision boundary dapat dibuat dengan mudah tanpa mengurangi nilai asli.
2.2.9.2 Mean and Mean-Corrected Data
Nilai Mean merupakan rata-rata dari sebuah data yang telah di ringkas. Untuk mendapatkan nilai mean yaitu dengan semua data dibagi dengan banyaknya data observasi[4]. Mean dari suatu variabel x dapat dirumuskan :
∑ (3)
Dinama n = data observasi = nilai ke i dari variable x
Nilai mean dari data yang dikoreksi biasanya disebut dengan mean-corrected data[20]. Untuk nilai selisih dari observasi dengan nilai mean. Dalam cara matematisdapat dituliskan dengan persamaan :
20
No Data X Mean-corrected data
1 12 3,2 2 11 2,2 3 7 -1,8 4 5 -3,8 5 9 0,2 Mean= 8,8
Tabel 2.2. Contoh mean-corrected
2.2.9.3 Variansi
Variansi merupakan besaran statistika untuk menunjukkan suatu ukuran penyebaran data. Makin menyebar suatu data makin besar nilai variansinya dan bila tidak menyebar suatu data makin kecil nilai variansinya. Pada data seragam atau data yang tidak menyebar, nilai variansi adalah nol[20]. Variabel random merupakan variansi ukuran penyimpangan data, yang dimana data menyebar disekitar nilai rata-ratanya[18].
Untuk menghitung variansi suatu populasi berhingga ukuran N dapat menggunakan persamaan sebagai berikut:
∑ ( ) ( )
(4)
𝜇 = nilai mean dari sebuah populasi
= nilai observasi ke i
21 ∑ ( ̈)
( )
(5)
2.2.9.4 Kovarian
Kovarian menyatakan hubungan penyebaran data dari dua variabel yang berbeda atau lebih. Jadi, jika memiliki kumpulan data tiga dimensi (x,y,z) maka Kita bisa mengukur kovarian antara dimensi x dan y, dimensi x dan z, dan dimensi y dan z. Mengukur kovarian antara x dan x, atau y dan y, atau z dan z akan memberikan variansi dari dimensi masing-masing x, y dan z[20]. Apabila variable tersebut cenderung menyimapang searah maka kovarian antara dua variable tersebut bernilai positif, sedangkan jika ke dua variable tersebut cenderung menyimpang berlawanan arah maka kovarian dua variable tersebut bernilai negatif, jika ke dua variable tersebut saling bebas, maka nilai kovarian dari dua variable tersebut adalah nol[18].
Persamaan yang digunakan untuk menghitung kovarian suatu populasi berhingga ukuran N adalah sebagai berikut:
( ) ∑ ( )( ) (6)
xi dan yi = nilai obeservasi ke i
μ dan v = mean dari dari populasi x dan y berturut-turut
Sedangkan persamaan untuk menghitung kovarian untuk suatu sampel berukuran n yang diambil dari suatu populasi berukuran n adalah:
( ) ∑ ( ̈)( ̈) ( )
(7)
Analisis Komponen Utama dapat mengubah data dari berukuran besar menjadi data dengan ukuran yang lebih kecil. Vector eigen
22
dihasilkan dari matrik kovarian yang dimana sebelumnya dilakukan transformasi PCA basis ortonormal dalam menyajikan distribusi data secara optimal. Tugas dari PCA itu sendir untuk menhasilkan atau menangkap variasi total dari sebuah citra latih yang ada pada basis data. setelah itu dilakukan reduksiuntuk mendapatkan variabel-variabel yang lebih sedikit. Dengan reduksi dapat mengurangi waktu komputasi dan kompleksititas dari sebuah citra yang tidak dapat dihilangkan.
2.2.9.5 Matrik Kovarian
2.2.9.6 Eigen vector dan Eigen value
Eigen berasal dari bahasa jerman yang memiliki arti karakteristik. Eigen value didefinisikan sebagai nilai karakteristik suatu matrik. Sedangkan vector karakteristik dari matrik yang selalu bersesuaian dengan nilai eigen disebut vector eigen.
Eigen vector dari matrik persegi adalah vektor yang tidak bernilai nol dan apabila di kalikan dengan matrik, nilainya tetap sebanding dengan vektor asli. Nilai eigen yang sesuai untuk sebuah vektor eigen adalah factor yang mengalami perubahan vector eigen ketika dikalikan dengan matrik[20].
Misalkan A adalah sebuah matrik n x n. Vektor tak nol x pada Rn disebut suatu vektor eigen dari A jika Ax adalah suatu perkalian scalar dari x, yaitu :
Ax = λx
Untuk scalar λ ,Skalar λ disebut nilai eigen dari A dan x disebut vektor eigen dari A yang bersesuaian dangan λ. Untuk menghitung
[ ( ) ( ) ( ) ( ) ( ) ( ) ] (8)
23
nilai eigen pada matrik A yang berukuran n x n adalah dengan persamaan seperti tadi, yaitu:
Ax = λx atau (A - λI) x = 0
persamaan di atas akan mempunyai penyelesaian jika : |A - λI| x = 0
Persamaan di atas adalah persamaan karakteristik A. Mencari nilai eigen berarti menghitung determinan tersebut sehingga diperoleh nilai λ. Setelah nilia-nilai eigen diketahui, kemudian nilai-nilai eigen dimasukan ke persamaan
|A - λI| x = 0
Maka akan diperoleh vector-vektor eigen x yang bersesuaian dengan nilai eigen λ. Eigenfinger adalah sekumpulan eigen vektor yang menggambarkan ciri citra dalam database citra.
2.2.10 PCA Secara Statistik
Untuk memulai perhitungan dengan PCA pertama yang dilakukan adalah membentuk suatu matriks kovarian dari beberapa citra latih yang ada didalam basis-data. Untuk mendapatkan matriks kovarians setiap kolom dari matrik pada citra dikurangi dengan nilai reratanya sehingga hasil dari pengurangan menghasilkan matrik transformasi, setelah itu dikalikan dengan matrik transpos tersebut. Jika matriks transformasinya adalah X, maka ∑ matrik kovariansnya. Pada umumnya, matriks kovarians ∑ , dari beberapa daging latih adalah tidak berbentuk diagonal.
(9)
σᵢⱼ
menyiapkan matrik kovarians antara piksel i dan piksel j. Koefisien kovarians dan koefisien korelasi adalah:24
(10) normalisasi dari koefisien kovarians merupakan dari koefisien korelasi.
Untuk mendapatkan sebuah ruang daging, yaitu dengan tidak saling berkorelasi antar komponen. Yang berarti setiap matriks kovarians dari komponen berbentuk diagonal:
(11)
dengan yᵢ adalah vektor kolom yang mendeskripsikan daging xᵢ pada sumbu ruang daging, yᵢ disebut juga komponen utama;
dimana X adalah matriks dari jumlah daging latih, xᵢ; dan Y adalah matriks dari vektor yᵢ.
Matriks kovarians dalam bentuk diagonal bahwa nilai varians dari variabel dengan varaibel lain akan menghasilkan nilai maksiamal, untuk nilai kovarians dari variabel dengan variabel lainnya akan menghasilkan nilai nol, yang berarti tidak ada saling korelasinya anatr variabel. Dengan mencari arah sumbu pada pembentukan ruang daging akan memaksimalkan varians.
Jika P merupakan matriks transformasinya, maka komponen utama dari matriks X dapat dihitung secara linear yaitu :
(12)
dasarnya = , merupakan kolom dari vektor yang saling ortonormal, dengan: I, dimana I matriks identitas..
25
Maka, ∑ rotasi dari ∑ vektor . Misal adalah matriks yang berisi sejumlah vektor eigen dari matriks ∑
∑ (14)
dengan
ᴧ
= matriks diagonal yang berisi nilai eigen dari matrik ∑ Maka,∑ (15)
Dan ∑ = matriks diagonal berisi nilai eigen dari ∑ , dikarenakan elemen diagonal dari ∑ merupakan varians dari komponen daging latih di ruang daging, yang termasuk dari nilai eigen dari matriks ∑ .
2.2.11 Nilai Eigen
Jika adalah metrik n x n maka sebuah vektor tak nol x di dalam , yang dinamakan vektor eigen dari A jika adalah kelipatan skalar dari x, yaitu:
(16)
Dengan skalar λ yang dinamakan vektor eigen dari A. Dalam ini bisa dikatakan x adalah vektor eigen yang bersesuaian dengan nilai eigen λ.
2.2.12 Jarak Euclidean
Euclidean merupakan dimensi terbatas yang bernilai riil. Metode statistika pada euclidean yang digunakan untuk perhitungan 2 buah titik untuk mendapatkan nilai yang terendah dari perhitungan jarak tersebut. ∑( ) (17)
Dimana = jarak ke i yang terendah pada database, = tekstur yang diklasifikasikan, dan = tekstur ada pada database.
26
2.2.13 Pengenalan Dengan Perhitungan Jarak Euclideun
Dalam proses pengenalan pada suatu sistem pengenalan pola dapat dilakukan dengan membandingkan data maasukan dengan data yang telah ada pada sistem. Selanjutnya, untuk proses pengenalan suatu citra denagn metode PCA dapat dilakukan dengan prinsip yang sama [5].
Metode berupa vektor ciri yang terdapat pada komponen utama dari citra latih yang sebelumnya sudah dilakukan pelatihan. Vektor ciri di ubah berupa metrik dan dikeluarkan pada saat proses pengenalan [5][1].
Setelah dilakukan proses pengenalan maka langkah selanjutnya membandingkan vektor dari citra uji dan citra latih yang telah didapat sebelumnya. Denagn menghitung jarak dapat dilakukan dengan menghitung jarak euclidean dari vektor citra uji dan vektor citra latih. Jarak euclideun secara matematis dapat dirumuskan:
Rumus untuk mencari jarak euclideun adalah.
(18)
2.2.14 Kerangka Pemikiran
Penelitian ini bertujuan untuk mengetahui seberapa baik fitur ekstraksi menggunakan fitur ekstraksi Principal Component Analysis dan Euclidean Distance dalam sistem identifikasi daging sapi dan daging babi.
Berikut adalah gambaran arsitektur identifikasi daging sapid an daging babi :
27
Gambar 2.1. Arsitektur identifikasi daging sapi dan daging babi
Dari gambar arsitektur di atas menunjukan bahwa sumber data utama adalah citra daging sapi dan daging babi, selanjutnya citra tersebut akan ditingkatkan kualitas citranya. Dan hasil peningkatan citra tersebut akan di ektraksi fitur menggunakan Pricipal Component Analysis. Selanjutnya hasil ektrkasi fitur akan dilakukan pencocokan atau pengukuran jarak terdekat dengan Euclidean Distance. Dan hasil pencocokan tersebut akan dihitung tingkat akurasinya.
28
BABA III
METODE PENELITIAN
3.1 Jenis Penelitian
Dalam penelitian yang dilaksanakan ini merupakan penelitian eksperimental, yaitu penelitian yang pengumpulan datanya melalui pengambilan citra daging sapi dan daging babi secara langsung dengan menggunakan kamera digital. Data yang sudah terkumpul selanjutnya dilakukan perhitungan nilai-nilai mean, standar deviasi, kurtosis, dan tekstur dari daging tersebut dan kemudian dilakukan prediksi melalui klasifikasi PCA dan jarak euclidean.
3.2 Instrumen Penelitian
Adapun kebutuhan dalam penelitian ini adalah sebagai berikut:
3.2.1 Kebutuhan Software
Kebutuhan perangkat lunak merupakan faktor penting yang harus dipenuhi dalam penelitian ini, sehingga perangkat lunak tersebut sesuai dengan maksud dan tujuan peneliti. Adapun perenagkat lunak yang dibutuhkan dalam penelitian ini adalah sebagai berikut :
a. Simten Operasi
Sistem operasi yang digunakan dalam penelitian ini adalah Windows 8.1.
b. MATLAB
Software yang akan digunakan untuk penelitian dalam melakukan implementasi hingga perhitungan nilai mean, eigen vector, eigen value, matrik kovarian dan ecludeana adalah matlab 2014a.
29
3.2.2 Kebutuhan Hardware
Perangkat keras yang digunakan dalam pembutan sistem ini adalah: a. Personal Computer atau laptop dengan spesifikasi :
Prosesor : Intel® Pentium® Processor T4300
Sistem Operasi : Windows 8.0
Kapasitas RAM : 1 GB
3.3 Metode Pengumpulan Data
Jenis data yang digunakan dalam penulisan penilitian ini adalah data – data yang benar sehingga apa yang ingin tercapai maksud dan tujuan penyusunan Tugas Akhir ini, Penulis menggunakan metode pengumpulan data dari jenis data dengan cara sebagai berikut :
a. Teknik Pengumpulan Data
Pada penelitian ini menggunakan teknik studi lapangan. Penulis dalam melakukan pengambilan gambar secara langsung pada pasar – pasar tradisional didaerah semarang. Seperti Pasar Pecinan, Pasar Sampangan, Pasar Bulu dan Pasar Jatingaleh. Dalam pengambilan gambar penulis menggunakan kamera digital Sony dengan resolusi 12,1 mega pixel dan kamera DSLR Canon eos 60D. Citra diambil sebanyak 120 citra. Dengan rincian 60 citra daging sapi dan 60 citra daging babi. Dengan jarak pengambilan antara 10 – 15 cm tanpa penambahan cahaya. Citra yang diperoleh berupa citra RGB dengan ukuran 4000 x 3000 piksel.
b. Data Primer
Data primer yaitu data yang diperoleh secara langsung dapat dilakukan melalui pengambilan citra secara langsung dari pasar tradisional yang ada di Semarang.
Data primer dapat berupa :
- Data dari penelitian daging. - Data dari tekstur daging.
30 c. Data Sekunder
Data sekunder diperoleh secara tidak langsung yang dapat berupa catatan – catatan, laporan – laporan tertulis, dokumen – dokumen dan makalah – makalah serta daftar pustaka.
Data Sekunder dapat berupa :
- Literatur tentang perbedaan tekstur daging.
3.4 Metode Yang Diusulkan
Dalam Penelitian ini menggunakan beberapa pengolahan citra untuk mendapatkan hasil analisis uji coba. Metode penelitian yang digunakan adalah sebagai berikut:
31 1. Input gambar
Pada tahap awal, input semua citra training atau citra pelatihan yang akan diproses. Citra training adalah citra yang akan digunakan untuk proses pelatihan sebelum nanti ke proses pengenalan. Citra atau gambar yang akan digunakan adalah citra daging hasil dari pemindai yang sudah dipisah. Untuk skenario citra training adalah sebanyak 60 gambar dengan data sampel sebanyak 120.
2. Proses threshold citra
Pada proses ini, citra yang sudah diinputkan akan diuji coba dengan nilai threshold pada rentang keabuan antara 0-255. Merujuk pada falasev et al. (2011), penelitian ini menggunakan nilai ambang atau rentang keabuan untuk mengetahui intensitas keabuannya. Pemberian nilai threshold ini dimaksudkan untuk membatasi intensitas keabuan yang akan dipakai. Selain itu, dengan nilai threshold yang berbeda-beda akan mendapatkan hasil analisis yang bervariasi pula karena rentang minimalnya mulai dari 0 dan rentang maksimalnya adalah 255.
3. Segmentasi matrik
Setelah dilakukan pemberian nilai threshold, dilanjutkan dengan segmentasi ukuran citra menjadi beberapa bagian. Segmentasi matrik ini bertujuan untuk memperkecil area perhitungan dan detail nilai citra yang akan diproses. Pada segmentasi, citra daging akan otomatis dibagi menjadi 4 baagian sama rata. Jika citra berukuran (250x250) pixel, maka tiap segmen berniali (25x25) pixel. Dimana, pada tiap bagian nanti akan dilanjutkan ekstraksi ciri menggunakan PCA.
4. Ekstraksi ciri menggunakan PCA
Proses ekstraksi ciri dilakukan setelah mendapatkan citra grayscale untuk selanjutnya diimplementasikan dalam metode PCA. Tahapan yang harus dilakukan adalah pertama, mengambil nilai pixel dari citra training. Tahapan selanjutnya adalah menyusun nilai pixel tiap gambar menjadi suatu vektor. Vektor yang disusun bisa dalam bentuk
32
kolom ataupun baris. Maksudnya, dari matrik baris*kolom diubah menjadi matrik baris saja atau matriks kolom saja sehingga setiap gambar hanya punya satu nilai saja. Tahap ini bertujuan untuk mempermudah dalam mencari rata-rata. Selanjutnya, dilakukan proses perhitungan matrik konvarian A. Dimana:
A = transpose (y)*y.
Tahapan beriktnya adalah menghitung Eigen Value (E) dan Eigen Vektor dari A. setelah itu lakukan pengurutan niali Eigen dari yang paling besar dan disesuaikan dengan Eigen Vektor secara descending dari yang paling besar ke yang paling kecil. Kemudian dicari nilai komponen utama (principal component) yaitu:
P = y*V
5. Nilai matrik citra training
Tahap ini bertujuan untuk mendapatkan nilai matrik bobot PCA dari citra training yang telah disegmentasi dan diektraksi ciri dengan perhitungan PCA.
6. Perbandingan kedekatan citra training dan citra testing
Data dari proses ekstraksi dengan PCA selanjutnya akan dibandingakan kedekatannya antara citra training dan citra testing. Proses perbandingan ini dilakukan dengan metode Euclidean Distance yaitu perhitungan persentase kedekatan antara citra training dan citra testing sehingga didapat pengenalan daging dari aplikasi yang digunakan.
7. Identifikasi daging
Pada tahap ini, identifikasi daging didapat dari input citra daging. Identifikasi bisa terjadi ketika pada tahap uji coba atau testing, output yang dihasilkan berupa identifikasi daging sapi atau daging babi.
Gambar 3.1 menunjukan contoh sampel daging yang telah mengalami beberapa tahapan identifikasi. Citra asli hasil dari citra akan dinormalisasi ukurannya. Selanjutnya, diberi nilai threshold antara 0 – 255. Nilai ini bisa
33
bervariasi untuk mendapatkan akurasi yang terbaik, setelah pemberian nilai threshold, dilakukan prose segmentasi. Proses ini merupakan tahapan pre-prosessing sebelum dilakukan ekstraksi fitur menggunakan PCA. Tahapan selanjutnya adalah melakukan ekstraksi fitur PCA yang kemudian nilai akan disimpan. Proses ini digunakan pada tahapan training.
Gambar 3.2. alur data training
Alur dari gambar 3.2 diawali dengan memasukan citra daging sebanyak 60 sample citra dengan ukuran (250x250) pixel. Citra tersebut berformat jpg. Selanjutnya, dilakukan proses grayscaling, yaitu perubahan warna citra menjadi keabuan. Kemudian dilakukan proses ekstraksi fitur menggunakan PCA.
34
Pada tahapan testing, prose yang dilkukan adalah sama, yaitu mulai dari resize ukuran citra menjadi (250x250) pixel kemudian pemberian nilai tresshold dan segmentasi. Terakhir, dilakukan ekstraksi fitur menggunakan PCA. Hasilnya akan dibandingkan dengan menggunakan Euclidean Distance untuk mencari jarak terdekatnya. Kemiripan didapatkan dari jarak nilai terdekatnya.
35
BAB IV
Hasil Penelitian dan Pembahasan
Pada bab ini akan dibahas mengenai langkah-langkah implementasi metode penelitian penerapan ekstraksi fitur PCA dan Euclidean Distance untuk identifikasi daging sapi dan daging babi.
4.1 Dimensi
[ ] [ ] ( )
Transformasi linier merupakan penyederhanaan dalam perhitungan dan mudah dilakukan
Setiap teknik reduksi dimensi adalah menemukan transformasi yang memenuhi ketentuan/kriteria tertentu (misal information loss, data discrimination, dll). Tujuan dari PCA adalah mengurangi dimensi data dengan mempertahankan variasi data yang ada.
4.2 Kebutuhan Data Citra
Data citra yang digunakan dalam penelitian ini adalah berupa 120 sampel. Setelah itu data ini dibagi menjadi dua yaitu berupa daging sapi sebanyak 60 citra dan daging babi sebanyak 60 citra.
4.3 Persiapan Pengolahan Citra
1. Menyiapkan citra daging sapi dan daging babi.
Sudah tersedia citra daging sapi dan daging babi sebanyak 120 citra berukuran 250x250 piksel.
36
(a) (b)
Gambar 4.1 (a) citra daging babi, (b) daging sapi dalam ukuran 250x250 piksel.
2. Menyiapkan data latih dan data uji.
Dari 120 citra dibagi dan disimpan menjadi dua folder yaitu s1 dan s2.
Foderl s1 60 citra daging sapi. Folder s2 60 citra daging babi. 3. Merubah citra menjadi grayscale
pre-processing merupakan proses konversi citra dari RGB ke grayscale. Oleh karena itu harus diubah kedalam format grayscale untuk menjadi 2 dimensi. Berikut ini merupakan persamaan yang digunakan untuk mendapatkan nilai grayscale :
( ) ( ) ( ) Berikut ini merupakan hasil konversi citra RGB menjadi citra grayscale:
37
4.4 Pengolahan Citra
4.4.1 Pengolahan citra menggunakan PCA
Tahapan – Tahapan Ekstraksi PCA
1. Langkah pertama adalah menyiapkan data dengan membuat suatu himpunan A yang terdiri dari seluruh training image
(T1, T2, ..., TM).-={ T₁, T₂,…, Tм}
Buat himpunan (A) dari total M training image, dimana setiap image adalah p x q piksel.
Misal di dalam himpunan image terdapat tiga image ukuran 3 X 3 piksel maka:
Citra 1 Citra 2 Citra 3
Matrik 1 Matrik 2 Matrik 3
[ ] [ ] [ ]
2. Kemudian mencari nilai mean (ѱ).
∑ ∑ ( [ ] [ ] [ ] ) [ ]
38
3. Cari selisih (Ф) antara training image (T1) dengan nilai rata – rata (Ψ). Apabila ditemukan nilai dibawah nol maka ganti nilainya dengan nol. [ ] [ ]=[ ] [ ] [ ]=[ ] [ ] [ ]=[ ]
4. Langkah selanjutnya adalah menghitung nilai matrik kovarian (C).
∑
Hitung nilai matriks kovarian (C) ( ) dimana [ ] X [ ] [ ]
Langkah berikutnya yaitu menghitung eigenvalue (λ) dan eigenvector (v) dari matriks kovarian (C).
5. Cari nilai eigenvalue (λ) dan eigenvector (v).
atau ( )
39 [ ] [ ] [ ] [ ] [[ ]] [ ] ( ) ( ) ( )
Sehingga didapat nilai eigen
( )
eigenvector (v) dihasilkan dengan mensubtitusikan nilai eigenvalue (λ) kedalam persamaan ( λI – L ) v = 0
untuk λ = 2 =[ ] ( ) ( )
Dalam persamaan sistem linier dituliskan: 0 + 0 + 2 = 0
0 + - = 0 2 + 0 + 0 =0
Solusi non trivalnya dapat ditulis:
2 = 0 = 0 2 = 0
= -2
Dengan demikian maka dihasilkan nilai eigenvector untuk λ = 2
[
40 Untuk λ = [ ] ( ) ( )
Dalam persamaan sistem linier dituliskan:
Solusi non trivalnya dapat ditulis:
Dengan demikian maka dihasilkan nilai eigenvector untuk λ =
[ ] Untuk λ = [ ] ( ) ( )
Dalam persamaan sistem linier dituliskan: 0 + 0 +
0 +
Solusi non trivalnya dapat ditulis:
Dengan demikian maka dihasilkan nilai eigenvector untuk λ =
[
]
Maka eigenvector (v) yang dihasilkan dari matriks L adalah:
[
41
6. Setelah eigenvector (v), maka nilai principal conponent analysis (p) dapat dicari dengan:
∑ [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] 4.4.2 Tahapan Pengenalan
Pada tahap ini sebuah citra daging baru atau test (Tnew) akan dicoba untuk dikenali, dengan melakukan perhitungan untuk mendapatkan nilai dari sebuah citra.
Untuk tahapan pengenalan dengan menggunakana metode Euclidian Distance:
1. Misalkan citra test (Tnew) terdiri dari matrik ordo 3x3
( ) [
]
2. Mencari nilai eigen dari citra test (Tnew) [ ] [ ] [ ]
3. Gunakan metode Euclidian Distance untuk mencari jarak terdekat antara nilai eigen training citra (µi) dalam database dengan nilai eigen test citra (µnew).
√∑ (𝜇 𝜇 ) (𝜇 𝜇 ) ( ) ( ) ( )
42 489 (𝜇 𝜇 ) ( ) ( ) ( ) 91 (𝜇 𝜇 ) ( ) ( ) ( ) 125
Berdasarkan perhitungan di atas hasil jarak yang didapatkan dari 3 eigen citra didapatkan eigen citra image 2 merupakan yang paling kecil atau yang paling mendekati, dengan demikian hasil identifikasi dapat disimpulkan bahwa test image lebih mirip dengan image 2 daripada image 1 atau 3.
4.5 Pengujian
Dalam penelitian ini dimaksudkan untuk mengetahui akurasi proses indentifikasi citra daging sapid an daging babi menggunakan algoritma (Principal Component Analysis) PCA dan Euclidian Distance. Penulis telah mempersiapkan dataset yang telah dikelompokan sebelumnya. Dengan demikian pada penelitian ini niali jarak pada Euclidian Distance dan menggunakan beberapa nilai varian pada vector hasil ekstraksi PCA. Dan berikut dataset yang telah dipersiapkan yang terdiri dari:
1. Citra daging sapi dan daging babi sebanyak 120 citra yang terdiri dari 60 daging sapid an 60 daging babi.
