i
LAPORAN TUGAS AKHIR
KLASIFIKASI SPESIES LOVEBIRD MENGGUNAKAN
EKTRAKSI CIRI GRAY LEVEL CO-OCCURRENCE
MATRIXDAN ALGORITMA K-NEAREST NEIGHBOR
CLASSIFICATION OF LOVEBIRD’S SPECIES WITH
EXTRACTION FEATURE OF GRAY LEVEL CO-OCCURRENCE
MATRIX AND K-NEAREST NEIGHBOR ALGORITHM
Laporan ini disusun guna memenuhi salah satu syarat untuk menyelesaikan program studi Teknik Informatika S-1 pada Fakultas Ilmu Komputer
Universitas Dian Nuswantoro
Disusun Oleh:
Nama
:Dyah Ratna Dewi
NIM
:A11.2012.06880
Program Studi
:Teknik Informatika - S1
HALAMAN JUDULFAKULTAS ILMU KOMPUTER
UNIVERSITAS DIAN NUSWANTORO
SEMARANG
2016
ii
Nama : Dyah Ratna Dewi
NIM : A11.2012.06880
Program Studi : Teknik Informatika Fakultas : Ilmu Komputer
Judul Tugas Akhir : Klasifikasi Spesies Lovebird menggunakan Ekstraksi Ciri Gray Level Co-Occurrence Matrix dan Algoritma K-Nearest Neighbor
Tugas Akhir ini telah diperiksa dan disetujui, Semarang, ………2016
Menyetujui Mengetahui
Pembimbing Dekan Fakultas Ilmu Komputer
iii
Nama : Dyah Ratna Dewi
NIM : A11.2012.06880
Program Studi : Teknik Informatika Fakultas : Ilmu Komputer
Judul Tugas Akhir : Klasifikasi Spesies Lovebird menggunakan Ekstraksi Ciri Gray Level Co-Occurrence Matrix dan Algoritma K-Nearest Neighbor
Tugas Akhir ini telah diujikan dan dipertahankan di hadapan Dewan Penguji pada sidang Tugas Akhir tanggal ………... Menurut pandangan kami, Tugas Akhir ini memadai dari segi kualiitas maupun kuantitas untuk tujuan penganugerahan gelar Sarjana Komputer (S.Kom)
Semarang, ………2016 Dewan Penguji
Erna Zuni Astuti, M.Kom Heru Agus Santoso, Ph.D
Anggota I Anggota II
ARIPIN, M.Kom Ketua Penguji
iv
Sebagai mahasiswa Universitas Dian Nuswantoro yang bertanda tangan di bawah ini, saya:
Nama : Dyah Ratna Dewi NIM : A11.2012.06880
menyatakan bahwa karya ilmiah yang berjudul:
Klasifikasi Spesies Lovebird menggunakan Ekstraksi Ciri Gray Level Co-Occurrence Matrix dan Algoritma K-Nearest Neighbor
merupakan karya asli saya (kecuali cuplikan dan ringkasan yang masing-masing telah saya cantumkan sumbernya). Apabila di kemudian hari karya ilmiah saya disinyalir bukan karya asli saya (dengan menyerahkan bukti-bukti yang cukup), maka saya bersedia untuk dibatalkan gelar S.Kom saya, beserta hak dan kewajiban yang melekat pada gelar tersebut. Demikian surat pernyataan ini saya buat dengan sebenarnya.
Dibuat di : Semarang
Tanggal : ……….
Yang menyatakan,
v
KEPENTINGAN AKADEMIK
Sebagai mahasiswa Universitas Dian Nuswantoro yang bertanda tangan di bawah ini, saya:
Nama : Dyah Ratna Dewi NIM : A11.2012.06880
menyetujui untuk memberikan kepada Universitas Dian Nuswantoro Hak Bebas Royalti Non-Eksklusif atas karya ilmiah saya yang berjudul:
Klasifikasi Spesies Lovebird menggunakan Ekstraksi Ciri Gray Level Co-Occurrence Matrix dan Algoritma K-Nearest Neighbor
beserta perangkat yang diperlukan (bila ada). Dengan Hak Bebas Royalti Non-Eksklusif ini, Universitas Dian Nuswantoro berhak menyimpan, mengcopy ulang (memperbanyak), menggunakan, mengelolanya dalam bentuk database, mendistribusikan dan mempublikasikan di internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya selama tetap mencantumkan nama saya sebagai penulis/ pencipta.
Demikian surat pernyataan ini saya buat dengan sebenarnya.
Dibuat di : Semarang
Tanggal :………
Yang menyatakan
vi
Dengan memanjatkan puja dan puji syukur kehadirat Allah SWT yang telah melimpahkan segala rahmat, hidayah dan inayah-Nya kepada penulis sehingga laporan tugas akhir dengan judul “Klasifikasi Spesies Lovebird menggunakan Ekstraksi Ciri Gray Level Co-Occurrence Matrix dan Algoritma K-Nearest Neighbor” dapat penulis selesaikan sesuai dengan rencana karena dukungan dari berbagai pihak yang tidak ternilai besarnya. Oleh karena itu penulis menyampaikan terimakasih kepada:
1. Dr. Ir. Edi Noersasongko, M.Kom, selaku Rektor Universitas Dian Nuswantoro Semarang.
2. Dr. Abdul Syukur, selaku Dekan Fasilkom.
3. Heru Agus Santoso, Ph.D selaku Ka.Progdi Sistem Informatika.
4. T. Sutojo S.Si, M.Kom selaku pembimbing tugas akhir yang memberikan ide penelitian, memberikan informasi referensi yang penulis butuhkan dan bimbingan yang berkaitan dengan penelitian penulis.
5. Christy Atika, M.Cs sebagai dosen pembimbing kedua yang telah memberikan waktu, masukan, ilmu, dan waktunya, sehingga penulis merasa percaya diri untuk menyelesaikan penelitian ini.
6. Raden bagus Muryanto dan Yuli Nurhayati selaku orang tua saya yang selalu berdoa, mendampingi, menasehati, membiayai, dan memeberikan dukungan penuh untuk saya menyelesaikan penelitian ini.
7. Isna Dewi Agustina dan Farid Nur Hidayanto selaku adik yang saya sayangi yang tak hentinya memberi semangat kepada saya.
8. Mbah Aslimah, nenek satu-satunya yang saya miliki sejak lahir. Terimakasih telah member dukungan dan doa untuk saya.
9. Tubagus Ahda Yudha Putra selaku orang special yang saya miliki setelah keluarga saya. Terimakasih telah mau mendampingi, menyemangati, membantu, dan jadi tempat berkeluh kesah atas halangan dan rintangan yang saya hadapi selama menyelesaikan penelitian ini.
vii
berjuang bersama untuk lulus bersama dan saling mendukung satu sama lain sampai penelitian ini selesai.
Semoga Tuhan Yang Maha Esa memberikan balasan yang lebih besar kepada beliau-beliau, dan pada akhirnya penulis berharap bahwa penulisan laporan tugas akhir ini dapat bermanfaat dan berguna sebagaimana mestinya.
Semarang, ……….
viii
Kolektor burung lovebird (burung cinta) tentu mengerti segala hal tentang lovebird, seperti bentuk tubuhnya, warna bulunya, kicauannya, bahkan spesies dan ciri masing-masing spesies lovebird. Namun, untuk orang awam akan menjadi permasalahan tersendiri dalam mengetahui spesies lovebird dan membedakan cirinya. Dalam pengenalan spesies lovebird dapat dilakukan menggunakan Klasifikasi Spesies Lovebird menggunakan Ekstraksi Ciri Gray Level Co-Occurrence Matrix dan Algoritma K-Nearest
Neighbor dengan menggunakan 4 fitur ekstraksi ciri dari GLCM (kontras, energi,
korelasi, dan homogenitas) dan perhitungan Euclidean Distance dalam mengambil keputusan klasifikasi dengan k= 1, 3, 5, 7, dan 9). Pengujian dari klasifikasi ini menggunakan 80 dataset yang terdiri dari 72 data latih dan 8 data uji. Citra dataset sebelumnya sudah disamakan ukuran citranya sebesar 250x200 piksel sebelum dilakukannya klasifikasi. Klasifikasi spesies lovebird ini menghasilkan nilai akurasi sebesar 62,5% pada d=1, θ= 0°, dan k=7.
ix
Lovebird's Collectors exactly knows everything about lovebird, likes his body's shape, fur's color, the twitter, even species and each feature of lovebird's species. Nonetheless, for this person in common becomes their own problem in knowing lovebird's species and differentiate the feature. In knowing lovebird's species can be used by Classification of Lovebird's Species using Extraction Gray Level Co-Occurrence Matrix Feature and K- Nearest Neighbor Algorithm by using 4 extraction feature from GLCM (contrast, energy, correlation, and homogeneity) and euclidean distance's calculation in takes a decision of classification with k= 1,3,5,7, and 9. This testing of classification using 80 dataset that consists of 72 training data and 8 testing data. Image dataset has already likened his image size of 250x200 pixels prior to classification. This results in a lovebird species classification accuracy value of 62.5% at d=1, θ= 0°, and k=7.
x
Halaman Judul ... i
PERSETUJUAN SKRIPSI ... ii
PENGESAHAN DEWAN PENGUJI ... iii
PERNYATAAN KEASLIAN TUGAS AKHIR ... iv
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIK ... v
UCAPAN TERIMAKASIH ... vi
ABSTRAK ... viii
ABSTRACT ... ix
Daftar Isi ... x
Daftar Gambar... xiii
Daftar Tabel ... xiv
Bab 1 PENDAHULUAN ... 1
1.1 Latar Belakang Masalah ... 1
1.2 Rumusan Masalah ... 3
1.3 Batasan Masalah ... 3
1.4 Tujuan Penelitian ... 3
1.5 Manfaat Penelitian ... 4
Bab 2 TINJAUAN PUSTAKA DAN LANDASAN TEORI ... 5
2.1 Tinjauan Pustaka ... 5
2.2 Landasan Teori ... 7
2.2.2 Pengenalan Citra ... 13
2.2.3 Citra Warna (Red Green Blue (RGB)) ... 15
2.2.4 Citra Keabuan (Grayscale) ... 15
2.2.5 Segmentasi Citra ... 17
2.2.6 Gray Level Co-occurrence Matrix (GLCM) ... 18
2.2.7 K-Nearest Neighbor (KNN) ... 20
Bab 3 METODE PENELITIAN ... 23
3.1 Metode Pengumpulan Data ... 23
3.1.1 Jenis Data ... 23
3.1.2 Sumber Data ... 23
3.2 Metode Analisis ... 24
3.2.1 Identifikasi Informasi ... 25
3.2.2 Identifikasi Perangkat Keras ... 25
3.2.3 Identifikasi Perangkat Lunak ... 25
3.3 Metode Usulan ... 25 3.3.1 Prapengolahan ... 26 3.3.2 Ekstraksi Ciri GLCM ... 27 3.3.3 Klasifikasi KNN ... 27 3.3.4 Tahapan Pengujian ... 28 3.3.5 Menghitung Akurasi ... 29 3.4 Kerangka Pemikiran ... 29 Bab 4 ... 31 4.1 Kebutuhan Data ... 31 4.2 Proses Prapengolahan ... 33 4.3 Ekstraksi Ciri GLCM ... 37
4.3.1 Menormalisasikan Nilai Matriks ... 37
4.3.2 Menghitung Fitur GLCM ... 38
4.3.3 Hasil Ekstraksi Ciri GLCM ... 42
4.4 Klasifikasi Menggunakan K-Nearest Neighbor(KNN) ... 44
4.4.1 Pelabelan Citra ... 44
4.4.2 Klasifikasi KNN dan Pengujian ... 47
4.5 Perhitungan Nilai Akurasi ... 51
Bab 5 ... 54
5.1 Kesimpulan ... 54
5.2 Saran ... 54
xiii
Gambar 2.1 Intensitas Piksel ... 14
Gambar 2.2 Citra warna (true color) ... 15
Gambar 2.3 Citra Keabuan (greyscale)... 16
Gambar 2.4 Deteksi Tepi Canny ... 18
Gambar 3.1 Desain Blok Diagram ... 26
Gambar 3.2 Diagram Alir GLCM ... 27
Gambar 3.3 Diagram Alir Algoritma KKN ... 28
Gambar 3.4 Diagram Kerangka Pemikiran ... 30
Gambar 4.1 Area Kerja Matriks ... 37
Gambar 4.2 Matriks Probabilitas ... 38
Gambar 4.3 Perhitungan Kontras ... 39
Gambar 4.4 Perhitungan Energi ... 39
Gambar 4.5 Perhitungan Korelasi ... 41
Gambar 4.6 Perhitungan Homogenitas ... 41
Gambar 4.7 Hasil Ekstraksi Ciri GLCM pada Workspace Matlab ... 41
Gambar 4.8 Hasil Ekstraksi Ciri GLCM pada Data Latih ... 43
Gambar 4.9 Hasil Ekstraksi Ciri GLCM pada Data Uji ... 44
Gambar 4.10 Pelabelan pada Data Latih ... 46
Gambar 4.11 Pelabelan pada Data Uji ... 47
Gambar 4.12 Hasil Fungsi confusionmat() pada k=1 ... 48
xiv
Tabel 2.1 Penelitian Terkait ... 6
Tabel 3.1 Dataset Lovebird ... 24
Tabel 4.1Citra Latih ... 31
Tabel 4.2 Citra Uji dan Target Akurasi... 32
Tabel 4.3 Prapengolahan Citra Latih ... 34
Tabel 4.4 Prapengolahan Citra Uji ... 35
Tabel 4.5 Perhitungan µi dan µj ... 40
Tabel 4.6 Hasil Ekstraksi Ciri GLCM pada Ms. Excel ... 41
Tabel 4.7 Klasifikasi KNN pada k=1 ... 48
Tabel 4.8 Klasifikasi KNN pada k=3 ... 49
Tabel 4.9 Klasifikasi KNN pada k=5 ... 49
Tabel 4.10 Klasifikasi KNN pada k=7 ... 50
Tabel 4.11 Klasifikasi KNN pada k=9 ... 50
1
PENDAHULUAN
1.1 Latar Belakang Masalah
Banyak kolektor burung yang memelihara lovebird (burung cinta) karena bentuk tubuhnya, warna bulunya, ataupun dari kicauannya yang menjadi daya tarik tersendiri. Lovebird adalah burung cinta yang menjadi lambang kesetiaan karena mereka selalu hidup berpasangan dan akan berpisah saat salah satu dari mereka mati [1]. Lovebird masuk ke dalam genus Agapornis (dari bahasa Yunani agape yang berarti cinta dan ornis yang berarti burung) yang memiliki 9 spesies yang dibagi menjadi 2 kelompok dilihat dari bentuk mata, yaitu klep (kacamata) dan non-klep (tanpa kacamata) [2] [3]. Grup klep diantaranya Agapornis personata (Black-Masked Lovebird),Agapornis fischeri (Fischeri Lovebird), Agapornis
lilianae (Liliane atau Nyasa Lovebird) dan Agapornis nigrigenis (Black-cheeked
Lovebird). Sedangkan grup non-klep diantaranya Agapornis roseicollis
(Peach-faced Lovebird), Agapornis taranta (Black-winged Lovebird atau Abyssinian Lovebird), Agapornis pullaria (Red-faced Lovebird), Agapornis cana(Grey-headed Lovebird atau Madagascar Lovebird) Agapornis swindeniana (Black-collared Lovebird atau Swindern’s Lovebird).
Bagi para kolektor tentu tidak susah untuk membedakan jenis lovebird satu dengan lainnya karena sudah hafal dengan ciri dari masing-masing jenis lovebird, namun bagi orang awam yang tidak terlalu mengenal jenis lovebird akan menjadi masalah untuk membedakan jenis lovebird satu dengan yang lainnya karena lovebird memiliki warna umum hijau dan memiliki ukuran badan yang tidak jauh berbeda.
Untuk itu, diperlukan pemanfaatan teknologi menggunakan computer vision yang berguna untuk mengklasifikasi lovebird dan memudahkan orang awam mengetahui spesies lovebird. Computer vision atau komputer visi merupakan
sebuah proses komputasi yang secara otomatis mengintegrasikan proses, dimana mesin komputer diberi pengetahuan yang dapat digunakan untuk mengekstraksi informasi berupa gambar sehingga mesin dapat mengenali suatu objek yang telah diobservasi seperti akuisisi citra, pengolahan citra, klasifikasi, pengenalan, dan membuat keputusan [4].
Jurnal yang berjudul Pengenalan Plat Kendaraan secara Waktu Nyata menggunakan Framework Aforage.netoleh Relung Ssatria D, Rizal Isnanto, dan Ajub Ajulian Zahra dari UNDIP menyebutkan bahwa dalam melakukan pengenalan plat kendaraan melalui tahap prapengolahan yang merubah citra menjadi keabuan, deteksi tepi dan pengambangan, lalu menganilisis citra, dan pengenalan karakter menggunakan algoritma K-Nearest Neighbor. Dari 30 data uji menghasilkan keberhasilan sebesar 83,33% pada k=1 [5].
Pada makalah tugas akhir yang berjudul Klasifikasi Spesies Kupu-Kupu Menggunakan Ekstraksi GLCM dan Algoritma Klasifikasi K-NN oleh Gunawan Aristya Pernomo dari Universitas Dian Nuswantoro menyebutkan bahwa dalam mengambil karakteristik dari suatu citra bisa menggunakan ekstraksi ciri GLCM dengan menggunakan 4 fitur ekstraksi, yaitu kontras, homogenitas, energi, dan korelasi serta menetapkan parameter d= 1, θ=45°, dan k=3 yang memperoleh hasil akurasi sebesar 88% [6].
Dari gambaran penelitian diatas, maka dapat dilakukan proses klasifikasi lovebird dengan beberapa tahap, yaitu prapengolahan yang merubah citra RGB menjadi citra keabuandan melakukan segmentasi citra, selanjutnya dilakukan ekstraksi ciri menggunakan metode GLCM (Gray Level Co-occurrence Matrix) untuk mendapatkan nilai inputan yang akan diklasifikasi menggunakan algoritma KNN (K-Nearest Neigbor). Dalam pengklasifikasian lovebird menggunakan 80 dataset yang terdiri dari 72 citra data latih dan 8 citra data uji yang terdiri dari 4 spesies lovebird yang resolusi pixel sudah disamakan.
1.2 Rumusan Masalah
Setelah pemaparan pada latar belakang, maka dapat diperoleh rumusan masalah, yaitu berapa tingkat akurasi yang didapat dengan menggunakan algoritma K-Nearest Neighbor untuk mengklasifikasi lovebird dengan menggunakan ekstraksi ciriGray Level Co-occurrence Matrix.
1.3 Batasan Masalah
Untuk menghindari keluasan pemikiran dan pemahaman dalam pendapat mengenai judul tersebut, maka diberikan batasan sebagai berikut:
1. Dalam mengimplementasikan penelitian ini, menggunakan software Matlab R2010a
2. Citra lovebird sudah dipotong (crop) terlebih dahulu sesuai kebutuhan menggunakan software Paint dan disamakan resolusi pikselnya sebesar 250x200 piksel
3. Format citra yang digunakan adalah JPEG
4. Citra yang digunakan untuk mengklasifikasi lovebird hanya 4 jenis, yaitu Agapornis personata (Black-Masked Lovebird),Agapornis fischeri
(Fischeri Lovebird), Agapornis lilianae (Liliane atau Nyasa Lovebird) dan Agapornis nigrigenis (Black-cheeked Lovebird)
5. Dalam mengekstraksi ciri menggunakan metode Gray Level Co-occurrence Matrix dengan 4 fitur yang digunakan, yaitu kontras, homogenitas, korelasi, dan energi dengan jarak d=1 dan sudut θ= 0° serta menggunakan algoritma K-Nearest Neighbor dalam klasifikasi lovebird dengan nilai k= 1, 3, 5, 7, 9 dan menggunakan perhitunganEuclidean distance.
1.4 Tujuan Penelitian
Tujuan dari penelitian ini yaitu untuk mengetahui tingkat akurasi yang didapat dengan menggunakan algoritma K-Nearest Neighbor untuk mengklasifikasi lovebird dengan menggunakan ekstraksi ciriGray Level Co-occurrence Matrix.
1.5 Manfaat Penelitian
Penelitian yang dilakukan ini diharapkan dapat memberi manfaat kepada penulis, masyarakat, dan pihak akademik, berikut rinciannya:
a. Bagi Akademik
1. Sebagai bahan referensi penelitian dalam pengembangan suatu penelitian yang terkait
2. Sebagai bahan evaluasi untuk peningkatan pendidikan menjadi lebih baik.
b. Bagi Pembaca
1. Membantu pembaca mengetahui tentang lovebird, khususnya spesies dari lovebird
2. Membantu pembaca untuk mengetahui ciri masing-masing spesies lovebird
3. Membantu pembaca untuk mengetahui tentang image processing c. Bagi Penulis
1. Untuk menerapkan ilmu yang didapat selama di bangku perkuliahan
2. Menerapkan metode ekstraksi cirri menggunakan metode Gray Level Co-Occurrence Matrix dan algoritma k-Nearest Neighbor dalam klasifikasi lovebird.
5
TINJAUAN PUSTAKA DAN LANDASAN TEORI
2.1 Tinjauan Pustaka
Pada makalah tugas akhir yang berjudul Klasifikasi Spesies Kupu-Kupu Menggunakan Ekstraksi GLCM dan Algoritma Klasifikasi K-NN oleh Gunawan Aristya Pernomo dari Universitas Dian Nuswantoro menyebutkan bahwa dalam mengambil karakteristik dari suatu citra bisa menggunakan ekstraksi ciri GLCM dengan menggunakan 4 fitur ekstraksi, yaitu kontras, homogenitas, energi, dan korelasi serta menetapkan parameter jarak, sudut, dan indeks sebesar d= 1, θ=45°, dan k=3 yang memperoleh hasil akurasi sebesar 88% dalam mengklasifikasi 2 hingga 10 spesies kupu-kupu [6].
Penelitian yang dilakukan oleh Refta Listia dan Agus Harjoko yang berjudul Klasifikasi Massa pada Citra Mammogram berdasarkan Gray Level Co-occurrence Matrix (GLCM) menggunakan GLCM sebagai ekstrasi ciri dalam mengklasifikasi citra mammogram menggunakan 5 fitur, yaitu kontras, energi, korelasi, homogenitas, dan energi. Peneliti melakukan perhitungan ciri-ciri statistik pada GLCM 4 (arah d=1 dan d=2), GLCM 8 arah (d=1), dan GLCM 12 arah (d=2). Hasil penelitian menunjukkan bahwa GLCM 4 arah dengan d=1 memiliki akurasi terbaik dengan hasil sebesar 81,1% dan pada arah 0° akurasi sebesar 100% [7].
Penelitian yang dilakukan oleh Sebastian Rori Listyanto yang berjudul Implementasi K-Nearest Neighbor untuk Mengenali Pola Citra dalam Mendeteksi Penyakit Kulit, mengklasifikasi 3 kelas penyakit kulit yang setiap kelasnya terdapat 70 data set. Data set diekstraksi ciri menggunakan metode GLCM dengan derajat arah 0°, 45°, 90°, dan 135° dan jarak piksel 1, 2, 3, 4, 5. Fitur yang digunakan kontras, energi, korelasi, dan homogenitas setelah itu di klasifikasi menggunakan algoritma k-Nearest Neighbor. Pada hasil klasifikasi didapatkan
akurasi tertinggi dengan sudut 45°, jumlah data latih 150 dan data uji 60, serta jarak 3 pixel [8].
Dari penelitian terkait diatas dapat dirangkumkan pada tabel dibawah ini : Tabel 2.1 Penelitian Terkait
No Nama Peneliti
dan Tahun Masalah Metode Hasil
1. Relung Ssatria D, Rizal Isnanto, dan Ajub Ajulian Zahra, 2014 [5]
Pengenalan plat kendaraan secara waktu nyata
Algoritma KNN Dari 30 data uji menghasilkan keberhasilan sebesar 83,33% pada k=1 2. Gunawan Aristya Pernomo, 2014 [6] Klasifikasi spesies kupu-kupu Metode GLCM dan algoritma KNN Hasil keakurasian menggunakan metode GLCM dan KNN sebesar 88%.
3. Refta Listia dan Agus Harjoko, 2014 [7] Klasifikasi massa pada citra mammogram GLCM Hasil penelitian menunjukkan bahwa GLCM 4 arah dengan d=1 memiliki akurasi terbaik dengan hasil sebesar 81,1% dan pada arah 0° akurasi sebesar 100% 4. Sebastian Rori Listyanto, 2015 [8] Mengenali pola citra dalam mendeteksi Metode GLCM dan algoritma KNN
Akurasi tertinggi yang
didapat pada
klasifikasi
No Nama Peneliti
dan Tahun Masalah Metode Hasil
penyakit kulit 45° dan jarak 3 piksel
5. Hanang
Wijayanto, 2015 [9]
Klasifikasi batik Metode GLCM dan algoritma KNN
Menghasilkan tingkat akurasi tertinggi sebesar 57,50% dengan sudut 0° dan terendah 20% pada sudut 90°
2.2 Landasan Teori
2.2.1 Lovebird
Lovebird atau burung cinta dikenal sebagai simbol cinta karena lovebird termasuk dalam jenis hewan monogami yang berarti setia pada pasangan dalam jangka waktu lama dan akan berpisah jika salah satu diantara mereka ada yang mati dan juga dikenal sebagai burung yang hidup berkelompok [3].
Lovebird masuk ke dalam genus Agapornis yang berasal dari bahasa Yunani, agape yang berarti cinta dan ornis berarti burung [2]. Adapaun klasifikasi ilmiah dari lovebird: Kerajaan : Animalia Filum : Chordata Kelas : Aves Ordo : Psittaciformes Famili : Psittacidae Subfamili : Psittacinae Bangsa : Psittaculini Genus : Agapornis
Burung yang berasal dari daratan Afrika ini mempunyai 9 jenis/ spesies lovebird yang ada di dunia.Selain dari daratan Afrika, ada satu spesieslovebird yang berasal dari Madagaskar.
Jenis lovebird dibagi menjadi 2, yaitu klep dan non-klep (lovebird kacamata dan tanpa kacamata). Grup klep diantaranya Agapornis personata (Black-Masked Lovebird),Agapornis fischeri (Fischeri Lovebird), Agapornis lilianae (Liliane
atau Nyasa Lovebird) dan Agapornis nigrigenis (Black-cheeked Lovebird). Sedangkan grup non-klep diantaranya Agapornis reseicollis (Peach-faced
Lovebird), Agapornis taranta (Black-winged Lovebird atau Abyssinian Lovebird), Agapornis pullaria (Red-faced Lovebird), Agapornis cana(Grey-headed Lovebird atau Madagascar Lovebird) Agapornis swindeniana (Black-collared Lovebird
atau Swindern’s Lovebird). Berikut penjelasannya:
Tabel 2.2 Spesies Lovebird
No. Gambar Nama Spesies Keterangan
1. Agapornis personata Lovebird personata Black-Masked Lovebird Lovebird kacamata topeng
Ciri khas pada bagian wajah berwarna hitam seperti topeng.
Ciri lain dari personata, yaitu pada bagian dahi, lorus, ubun-ubun, dan pipi bagian depan berwarna hitam kecoklatan, bagian kepala berwarna hitam pudar, bagian kerongkongan berwarna merah-oranye, bagian dada atas dan kerah leher berwarna kuning, dan bagian ekor berwarna hijau serta mempunyai ukuran tubuh ± 14,5 cm dan berat 43-47 gram
Penyebaran jenis lovebird ini di Tanzania Utara dan Tanzania Tengah.
No. Gambar Nama Spesies Keterangan
personata ini berwarna biru dan kuning dimana lovebird umumnya berwarna hijau..
2. Agapornis fischeri Lovebird fischeri Lovebird kacamata fischer
Ciri dari fischer ini adalah
pada dada atas, kerah leher, dan tubuh bagian bawah berwarna kuning, pada bagian dahi, pipi, dan kerongkongan berwarna merah-oranye, sedangkan bagian atas ekor berwarna biru muda dan bagian ekor berwarna hijau, serta mempunyai panjang tubuh sekitar 15 cm dan berat badan 42-58 gram.
Lovebird ini berasal dari
Afrika bagian Tanzania.
3. Agapornis lilianae Liliane atau Nyasa Lovebird Lovebird kacamata nyasa
Memiliki tubuh yang berwarna kuning pada bagian bawah, pada bagian dahi dan kerongkongan berwarna merah-oranye dan dan menjadi merah kekuningan pada mahkota, lorus, pipi, dan atas dada berwarna kuning, serta berwarna hijau pada bagian ekor. Ukuran panjang tubuh sekitar 13,5 cm dan berat badan 28-37 gram.
Daerah penyebarannya di kawasan Tanzania, Zanzobar bagian utara, Malawi bagian Timur, dan Mozambik bagian barat laut.
Ciri-ciri dari lilianae ini adalah Warna mutasi burung ini adalah lutino (bulu berwarna kuning dan mata berwarna merah), yang berasal dari hasil
No. Gambar Nama Spesies Keterangan
persilangan antara lilianae dan fischeri, sehingga menghasilkan Agarponis lutino. 4. Agapornis nigrigenis Lovebird nigrigenis Black-cheeked Lovebird Lovebird kacamata pipi
Ciri khas pada bagian pipi yang berwana hitam.
Ciri lainnya ialah memiliki warna kuning pada tubuh bagian bawah, pada bagian dahi, ubun-ubun depan berwarna coklat kemerahan dan ubun-ubun belakang berwarna kuning tua, lorus, kerongkongan dan pipi berwarna hitam kecoklatan, dada bagian atas berwarna merah-oranye pucat, dan ekornya berwarna hijau, mempunyai ukuran tubuh sekitar 13,5 cm dan berat 36-52 gram.
Daerah penyebaran terletak di kawasan Zambia bagian barat daya dan Zimbabwe bagian barat laut
5. Agapornis roseicollis Peach-faced Lovebird Lovebird Roseicollis lovebird muka salem
Memiliki panjang tubuh 15 cm dan berat badan 46-63 gram, warna bulu umumnya hijau tetapi bagian bawah tubuh berwarna kuning, dahi, kerongkongan, dan atas dada berwarna merah muda, tunggir berwarna biru, pada bagian bawah sayap berwarna hijau sedikit biru, dan ekor bagian atas berwarna hijau dan bagian atas berwarna kebiruan.
Daerah penyebarannya terdapat di Afrika Barat Daya.
No. Gambar Nama Spesies Keterangan
adalah albino (bulu berwana putih dan mata merah), lutino (bulu berwana kuning dan mata merah), dan golden cherry (bulu berwana kuning emas sampai merah muda), pied (bercak warna), cinnamon (coklat kekuningan), dan biru 6. Agapornis taranta Black-winged Lovebird Abyssinian Lovebird Lovebird Abisinia
Memiliki ciri khas pada sayap bagian bawah yang berwarna hitam
Selain itu, taranta memiliki warna bulu pada dahi, lorusm dan lingkaran mata berwarna merah, bulu pada sayap bawah berwarna hitam, dan ekor berwarna hijau. Panjang tubuh 15-16,5 cm dan berat 55-65 gram.
Jenis banyak ditemukan di daerah dataran tinggi Ethiopia.
Bulu pada jenis betina seluruhnya berwarna hijau sedangkan jantan pada bulunya berwarna merah di bagian dahi, lorus, dan lingkar matanya 7. Agapornis pullaria Red-faced Lovebird Lovebird muka merah
Selain itu, pullaria memiliki bulu pada bagian dahi dan muka berwarnamerah-oranye, tunggir berwarna biru terang, sayap bagian bawah berwarna hitam, dan ekor berwarna hijau. Memiliki panjang tubuh 15 cm dan berat badan sekitar 43 gram.
No. Gambar Nama Spesies Keterangan
lovebird pullaria ini berada di kawasan Afrika Tengah dan Afrika Barat
Termasuk jenis lovebird yang susah ditangkarkan
karena sulit
dikembangbiakan saat
ditangkarkan jika
dibandingkan jika di alam bebas.
Untuk membedakan jantan dan betina bisa dilihat dari warna bulu pada bagian bawah sayap, jika jantan berwarna hitam dan betina berwarna hijau seluruhnya 8. Agapornis cana Grey-headed Lovebird Madagascar Lovebird Lovebird madagaskar
Berasal dari Madagaskar bukan dari Afrika seperti
lovebird yang lain.
Lovebird madagaskar memiliki ciri khas kepala berwarna abu-abu (jantan) dan hampir seluruh badan hijau (betina), sangat langka dan jarang ditangkarkan. Cana juga memiliki bulu
berwarna hijau terang pada tunggirnya dan kekuningan pada bagian bawah, kepala, leher,, dan dada berwarna abu-abu, sayap bagian bawah berwarna hijau, dan ekor berwarna hijau. Ukuran tubuh ± 14 cm dan berat 25-28 gram
No. Gambar Nama Spesies Keterangan 9. Agapornis swindeniana Black-collared Lovebird Swindern’s Lovebird Lovebird kerah hitam
Ciri khas pada kerah atau kerah leher bagian luar berwarna hitam.
Selain itu, swinderniana memeiliki warna hijau pucat pada bagian kepala dan tubuh bagian bawah, tunggir dan punggung berwarna biru, seluruh leher berwarna kuning namun terkadang berwarna kuning pudar, dan ekor berwarna hijau. Mempunyai panjang tubuh sekitar 13 cm dan berat badan 39-41 gram.
Daerah penyebarannya di Afrika Barat dan Afrika Tengah.
Jenis ini juga tergolong yang susah untuk dikembangbiakan di penangkaran
2.2.2 Pengenalan Citra
Citra atau image adalah representasi (gambaran) dari suatu objek yang merupakan fungsi kontinu dari intensitas cahaya pada bidang dwimatra atau dua dimensi yang mempunyai informasi berbentuk visual [10][11]. Cara citra dapat terekam yaitu melalui sumber cahaya yang menerangi objek, lalu objek memantulkan kembali sebagian dari berkas cahaya yang ditangkap oleh alat-alat optik (mata, kamera, dan pemindai) atau dengan kata lain citra tercipta dari hasil keluaran dari suatu sistem perekam data yang bersifat optik [12].
Ada dua jenis citra, yaitu citra analog dan citra digital. Citra analog ialah citra yang bersifat kontinu seperti gambar pada monitor televisi, foto sinar X, hasil CT
Scan, dll. Sedangkan citra yang dapat diolah oleh komputer disebut citra digital [13].
Sebuah citra digital mewakili sebuah matriks yang terdiri dari m untuk baris dan n untuk kolom.Perpotongan antara kolom dan baris disebut piksel (picture element).Piksel ialah elemen terkecil dari sebuah citra.Piksel mempunyai 2 parameter, yaitu koordinat dan intensitas (warna). Nilai pada koordinat (x,y) adalah f(x,y), yaitu besarnya intensitas atau warna dari piksel pada titik tersebut. Dimana x adalah baris dan y adalah kolom. Atau dapat dituliskan dalam bentuk matriks seperti dibawah ini:
Gambar 2.1 Intensitas Piksel
Dalam melakukan pengolahan citra ada beberapa metodologi yang perlu dilakukan untuk mencapai sebuah tujuan, adapun langkah-langkah sebagai berikut:
1. Pembentukan Citra
Tahap awal untuk mencapai tujuan dalam mengidentifikasi citra ialah menentukan data yang dibutuhkan dan memilih metode perekam citra digital.
2. Prapengolahan Citra
Tahap awal sebelum memasuki proses selanjutnya, yaitu dengan merubah citra RGB menjadi citra grayscale. Setelah itu citra melewati tahap segmentasi citra menggunakan deteksi tepi canny untuk menentukan garis luar (tepi) dari sebuah citra.
3. Ekstraksi Ciri
Ekstraksi ciri digunakan untuk mengukur besaran kwantitatif ciri di setiap piksel dari sebuah citra yng menghasilkan hasil inputan untuk memasuki tahap klasifikasi.
4. Klasifikasi Citra
Tahapan terakhir ini yang menentukan suatu kelas dalam klasifikasi citra. 2.2.3 Citra Warna (Red Green Blue (RGB))
Warna yang kita lihat pada citra adalah warna Red Green Blue (RGB) atau sering disebut sebagai true color.RGB adalah warna yang hampir sempurna saat dilihat mata pada citra yang kita ambil. Banyaknya warna tergantung pada jumlah bit yang disediakan di memori untuk menampung kebutuhan warna. Pada RGB memiliki kombinasi 3 warna yang masing-masing warna menggunakan penyimpanan 8 bit yang berarti satu warna memiliki gradasi sebanyak 255 warna. Total pada RGB memiliki 24 bit atau 16 juta warna. Pada RGB ini dinamakan true color karena memiliki jumlah warna yang cukup besar sehingga bisa dikatakan mencakup seluruh warna alam [14].
Gambar 2.2 Citra warna (true color)
2.2.4 Citra Keabuan (Grayscale)
Grayscale atau dikenal dengan istilah skala keabuan hanya memiliki memori 2 bit atau 4 warna gradasi. Oleh sebab itu disebut keabuan.Karena hanya ada warna
hitam, putih serta terdapat warna keabuan yang berada disela-sela warna hitam dan putih.Citra keabuan sering disebut juga citra biner atau citra monokrom [15]. Citra biner hanya membutuhkan 1 bit untuk mewakili nilai setiap piksel dari citra biner. Walaupun citra warna atau RGB sudah ada dengan segudang warna namum citra biner tetap dipertahankan dengan beberapa alasan [10], yaitu:
1. Sebagai identifikasi keberadaan obyek yang direpresentasikan sebagai daerah region dalam citra untuk memisahkan obyek denga latar belakangnya. Piksel pada obyek dinyatakan nilai 1 atau 255 dan piksel latar belakang diberi nilai biner 0.
2. Untuk lebih memfokuskan pada obyek yang diinginkan dari latar belakang melalui hitungan citra biner untuk pengambilan keputusan.
3. Untuk menampilkan citra pada piranti keluaran yang hanya memiliki resolusi intensitas 1 bit, seperti printer.
4. Mengkonversi citra yang telah ditingkatkan kualitas tepinya ke penggambaran garis tepi untuk membedakan tepi yang kuat beresponden dengan batas-batas obyek dengan tepi lemah.
5. Mempunyai memori yang kecil karena hanya mebutuhkan 1 bit dalam merepresentasikan citra [16].
6. Waktu pemrosesan lebih cepat jika dibanding dengan citra RGB karena banyak operasi logika (AND, OR, NOT, dll) daripada operasi aritmatika bilangan bulat [16].
2.2.5 Segmentasi Citra
Segmentasi citra merupakan tahapan mempartisi citra menjadi bagian-bagian pokok yang mengandung informasi penting (memisahkan objek dan latar belakang)[17] [13].Segmentasi citra pada penelitian ini menggunakan deteksi tepi.Deteksi tepi berguna untuk meningkatkan penampakan garis batas pada suatu objek dan latar belakang citra.
Salah satu operator dalam mendeteksi tepi pada citra ialah deteksi tepi canny. Algoritma ini dikembangkan oleh John F. Canny, termasuk algoritma yang berumur cukup tua namun masih sering digunakan pada karena dipercayai mempunyai hasil yang terbaik dibanding algoritma deteksi tepi yang lain [18] [19]. Yang membuat deteksi tepi canny ini unggul adalah dengan menggunakan Gaussian Derivative Kernel dalam algoritmanya untuk memperhalus tampilan citra.
Keunggulan Canny dibanding deteksi tepi lain, ialah:
1. Good detection: memaksimalkan signal to noise ration (SNR), yaitu memaksimalkan pendeteksian tepi dengan benar dan meminimalkan pendeteksian tepi yang salah
2. Good location: meminimalkan jarak deteksi tepi yang sebenarnya dengan tepi yang dihasilkan melalui pemrosesan (tepi terdeteksi menyerupai tepi secara nyata)
3. One respon to single edge: menghasilkan tepi tunggal atau tidak memberikan tepi yang bukan tepi sebenarnya
Gambar 2.4 Deteksi Tepi Canny
2.2.6 Gray Level Co-occurrence Matrix (GLCM)
Tahapan ekstraksi ciri adalah tahapan yang penting dalam menganalisa citra.Di dalam ekstraksi ciri pada citra terdapat fitur-fitur yang dapat diaplikasikan ke dalam ekstraksi ciri yang merupakan karakter unik dari obyek yang diamati.Metode yang bisa digunakan dalam mengekstraksi ciri salah satunyadengan menggunakan GLCM atau Gray Level Co-occurrence Matrix.GLCM termasuk dalam metode statistik yang menguji tekstur dengan mempertimbangkan hubungan spasial dari tiap piksel [20].
GLCM adalah suatu matriks yang elemen-elemennya merupakan pasangan piksel yang memiliki tingkat kecerahan tertentu, dimana pasangan piksel tersebut terpisah dengan jarak (d) dan sudut (θ) serta menggunakan matriks konkurensi untuk melakukan proses perhitungan GLCM [21]. Ekstraksi ciri dengan GLCM pada penelitian ini menggunakan 4 fitur, yaitu, kontras, homogenitas, korelasi, dan energi yang nantinya hasil dari perhitungan 4 fitur ini digunakan sebagai inputan dalam mengklasifikasi lovebird pada kelas yang sudah ditentukan sebelumnya. Dalam menentukan hubungan antar piksel dapat menggunakan 4
sudut pada metode GLCM, yaitu 0°, 45°, 90°, 135° dan jarak antar piksel sebesar 1 piksel, 2 piksel, 3 piksel, 4 piksel, dan seterusnya [11].
Langkah-langkah dalam ekstraksi ciri menggunakan metode GLCM[21], ialah: 1. Membuat area kerja matriks
2. Memberikan nilai jarak dan sudut pada piksel referensi dengan piksel tetangga
3. Menghitung jumlah konkurensi matriks pada area matriks yang tersedia
4. Menjumlahkan nilai matriks konkurensi dengan matriks transposenya
5. Normalisasi matriks untuk mengubah ke bentuk probabilitas
6. Hitung masing-masing fitur menggunakan hasil normalisasi untutk menghitung fitur kontras, energi, korelasi, dan homogenitas.
Dalam perhitungan fitur ekstraksi ciri terdapat matriks elemen yang ditunjukkan dengan P(i, j | d, θ), dimana P sebagai probabilitas, i sebagai baris, j sebagai kolom, d sebagai jarak dan θ sebagai sudut. Pada perhitungan GLCM memerlukan µ untuk rata-rata nilai piksel dan σ untuk standar deviasi. Aturan untuk P(i,j) [20]:
……...……..(1)
Dari rumus di atas, maka dapat dihitung 4 fitur ekstraksi ciri GLCM yang digunakan dalam penelitian ini meliputi kontras, homogenitas, korelasi, dan energi dengan rumus:
1. Kontras
…….……..(3) 2. Homogenitas (Inverse Difference Moment)
……..……….………….(4) 3. Korelasi ………..(5) 4. Energi Energy = 𝐺−1𝑖=0 𝐺−1𝑗 =0 𝑃 𝑖, 𝑗 2 .….………….………(6) 2.2.7 K-Nearest Neighbor (KNN)
K-Nearest Neighbor atau KNN merupakan sebuah algoritma yang berfungsi untuk mengklasifikasi data berdasarkan kedekatan jarak obyek satu dengan obyek lain [22]. K pada KNN menunjukkan k-data terdekat dari data uji. Misal k=1, maka kelas dari 1 data latih sebagai tetangga yang paling dekat pertama (terdekat dengan data uji). Misal k=2, maka akan diambil 2 tetangga terdekat dari data latih, begitupula dengan k seterusnya.
Jika hasil dari klasifikasi KNN terdapat nilai k tetangga yang mempunyai 2 kelas yang berbeda, maka akan diambil kelas yang jumlah datanya terbanyak (mengambil kelas mayoritas), jika kelas dengan data terbanyak ada 2 atau lebih maka yang akan diambil adalah dari kelas data dengan jumlah yang sama secara acak [22].
Nilai k yang terbaik pada algoritma KNN ini tergantung pada datanya. Secara umum, nilai k yang semakin tinggi tidak menjamin pembacaan klasifikasi karakter akan semakin bagus, bisa juga mengurangi efek pada klarifikasi yang akan menyebabkan distorsi data sehingga pembacaan akan menjadi kacau atau salah [22]. Nilai k yang efektif untuk melakukan pembacaan ialah dengan cara membuat batasan antara setiap klasifikasi menjadi lebih kabur, sehingga nilai k yang bagus dapat dipilih dengan optimasi parameter.
Data untuk KNN terdiri dari beberapa atribut xi yang digunakan untuk mengklasifikasikan y. Data dapat berupa data ordinal, nominal sampai dengan skala kuantitatif.Pada penelitian ini, data yang digunakan adalah nominal (biner) y.
Persamaan perhitungan untuk mencari jarak menggunakan Euclidean Distance [15], ialah:
𝑑
𝑖=
p(𝑥
2𝑖− 𝑥
1𝑖)
2 k=1……….(7)
Keterangan: di : jarak p : dimensi datak : jumlah tetangga terdekat x1i : sampel data uji
x2i : data uji
Adapun langkah-langkah K-Nearest Neighbour[23]: 1. Menentukan parameter k
2. Hitung jarak antara data baru dengan semua data latih
3. Urutkan hasil perhitungan jarak dan tentukan tetangga terdekatberdasarkan jarak minimum k
5. Ambil kelas mayoritas sederhana dari kelas tetangga terdekat sebagai nilai prediksi data baru
23
METODE PENELITIAN
3.1 Metode Pengumpulan Data
3.1.1 Jenis Data
Jenis data yang digunakan untuk penelitian ini adalah data kuantitaif, yaitu data yang berbentuk angka atau dalam skala numerik. Data yang digunakan dalam penelitian ini adalah pengumpulan citra lovebird yang diambil dari internet.Untu kcitra data set sejumlah 80 sampel, yang terdiri dari citra latih sejumlah 72 sampel dan citra uji sejumlah 8 sampel.
3.1.2 Sumber Data
Dalam mengklasifikasi lovebird dibutuhkan adanya data yang digunakan untuk data citra latih maupun data citra uji yang diambil melalui sumber data yang ada. Pada penelitian ini dilakukan eksperimen dengan menggunakan data sekunder dan menggunakan teknik studi pustaka (Library Research Method). Data sekunder adalah data yang diambil tidak secara langsung melainkan melalui buku, jurnal, karya ilmiah, publikasi karya cipta, laporan penelitian, instansi terkait, ataupun dari internet yang menjadi sumber data yang digunakan dalam mengumpulkan data dalam penelitian. Sedangkan studi pustaka yaitu mencari sumber literatur dari berbagai sumber yang terpercaya.
Jumlah data yang diperoleh dari internet (http:/google.com/) sejumlah 80 sampel citra lovebird yang terdiri dari 20 citra lovebird fischeri, 20 citra lovebird lilianae, 20 citra lovebird nigrigenis, dan 20 citra lovebird personata. Data set yang digunakan dalam penelitian ini sejumlah 72 sampel citra data latih dan 8 sampel citra data uji.
Tabel 3.1 Dataset Lovebird
Nomor Gambar Spesies Jumlah
1. Lovebird personata 20 2. Lovebird fischeri 20 3. Lovebird lilianae 20 4. Lovebird nigrigenis 20 TOTAL 80 3.2 Metode Analisis
Dalam penelitian ini diperlukan analisa berbagai kebutuhan yang diperlukan dalam mengidentifikasi citra, sebagai berikut:
3.2.1 Identifikasi Informasi
Untuk mendukung kebutuhan penelitian, diperlukan sampel citra yang nantinya akan diuji dalam mengidentifikasi citra. Citra yang akan diuji berupa citra lovebird yang sudah di-croping atau dipotong sesuai kebutuhan menggunakan software paint. Dalam kata lain, citra sudah disiapkan untuk diklasifikasi ke dalam sistem tanpa melewati tahap pemotongan lagi. Citra uji akan disiapkan untuk diidentifikasi sejumlah 8sampel citra uji, sedangkan citra latih sejumlah 72 sampel.
3.2.2 Identifikasi Perangkat Keras
Dalam melakukan penelitian dibutuhkan perangkat keras dalam hal pengambilan gambar dan pembuatan system identifikasi ini, diantaranya:
1. Processor Intel(R) Core(TM)) i5-2430M CPU @2.40GHz 2..40GH 2. Installed memory (RAM) 4.00 GB
3.2.3 Identifikasi Perangkat Lunak
Perangkat lunak yang digunakan dalam penelitian ini ialah:
1. Sistem Operasi Windows 7 Home Premium (Copyright © 2009 Microsoft Corporation) Type 32-bit Operating System
2. Pemrograman Matlab R2010a 3. Paint
3.3 Metode Usulan
Dalam penelitian ini menggunakan data set sebanyak 80 sampel citra, terdiri dari 72 sampel data latih dan 8 sampel data uji menggunakan citra lovebird jenis personata, fischeri, lilianae, dan nigrigenis. Tahapan yang digunakan untuk
klasifikasi KNN. Berikut gambaran alur pengklasifikasian lovebird menggunkan fitur eksraksi ciri GLCM dan algoritma KNN:
Gambar 3.1 Desain Blok Diagram
3.3.1 Prapengolahan
Prapengolahan ialah suatu langkah awal sebelum memasuki langkah berikutnya. Langkah-langkah dalam proses prapengolahan, yaitu:
1. Mengubah citra ke grayscale
Citra awal yang akan diolah mempunyai warna RGB (Red, Green, Blue) dan dalam bentuk sudah ter-croping. Selanjutnya citra dirubah menjadi citra grayscale (citra hitam putih). Pada proses ini dilakukan untuk menentukan objek yang akan dikenali nantinya berwarna grayscale.
2. Segmentasi Citra
Pada tahapan ini, citra yang sudah dirubah menjadi citra grayscale disegmentasi citra menggunakan deteksi tepi untuk mengetahui batasan garis luar (tepi) dan memisahkan antara obyek dan latar belakang.Pada penelitian ini, deteksi tepi yang digunakan menggunakan deteksi tepi canny.
3.3.2 Ekstraksi Ciri GLCM
Setelah mendapat hasil dari tahapan prapengolahan, selanjutnya masuk pada tahap ekstraksi ciri. Penelitian ini menggunakan metode ekstraksi ciri dengan metode GLCM dimana memanfaatkan 4 fitur yang ada pada GLCM, yaitu fitur kontras, homogenitas, korelasi, dan energi dengan jarak = 1 (d=1) dan sudut = 0° (θ=0°).
Gambar 3.2 Diagram Alir GLCM
3.3.3 Klasifikasi KNN
Tahapini adalah tahap klasifikasi dimana proses pembacaan matriks input dari sampel citra data latih menggunakan hasil ekstraksi ciri GLCM dengan matriks inputan dari sampel citra data uji. Pada algoritma KNN diperlukan nilai k sebagai indeks yang bernilai ganjil dimana penelitian ini menggunakan k=1, 3, 5, 7, dan 9
serta menggunakan teknik perhitungan jarak EuclideanDistance. Nilai k berfungsi sebagai jumlah tetangga terdekat dalam pengambilan keputusan klasifikasi lovebird menggunakan algoritma KNN. Setelah menentukan nilai k, selanjutnya menghitung jarak antara sampel citra data latih dengan sampel citra data uji yang nantinya akan diurutkan. Lalu mengelompokkan citra uji kedalam kelas mayoritas dari k yang sudah ditentukan dengan tetangga terdekat berdasarkan citra latih. Alurnya sebagai berikut:
Gambar 3.3 Diagram Alir Algoritma KKN
3.3.4 Tahapan Pengujian
Citra yang sudah melalaui tahapan diatas akan dilakukan pengenalan citra dengan cara mencocokkan matriks dari hasil pengubahan citra digital dari data latih dengan data uji. Semakin tinggi hasil yang didapat maka semakin rendah pula tingkat kegagalan dalam mengklasifikasi lovebird.
3.3.5 Menghitung Akurasi
Untuk mengetahui seberapa akurat keberhasilan klasifikasi lovebird menggunakan metode ekstrasi ciri GLCM dan algoritma KNN dilakukan pengujian dengan menggunakan rumus[15]:
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑗𝑢𝑚𝑙𝑎 ℎ 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑏𝑒𝑛𝑎𝑟
𝑗𝑢𝑚𝑙𝑎 ℎ 𝑡𝑜𝑡𝑎𝑙 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 × 100% ………(8) Jumlah prediksi benar adalah jumlah record data uji yang diprediksi menggunakan metode KNN dan output-nya sama dengan kelas yang sebenarnya. Sedangkan jumlah total prediksi adalah jumlah keseluruhan data uji (record) yang diprediksi di kelasnya.
Dari hasil uji diatas, dapat diketahui seberapa akurat sistem klasifikasi lovebird menggunakan metode ekstrasi ciri GLCM dan algoritma KNN yang diimplementasikan.
3.4 Kerangka Pemikiran
Tujuan dari penelitian ini ialah untuk mengetahui seberapa akurat hasil klasifikasi lovebird menggunakan ekstraksi ciri GLCM dan algoritma KNN. Dalam prosesnya, pertama, citra dirubah ke dalam citra grayscale atau keabuan, lalu citra yang sudah berubah warna menjadi keabuan memasuki proses segmentasi citra menggunakan deteksi tepi canny untuk masuk ke tahap ekstraksi ciri dengan metode GLCM dan diklasifikasi menggunakan algoritma KNN.
Masalah
Orang awan kesulitan untuk membedakan spesies lovebirddan berapa tingkat akurasi yang didapat dengan menggunakan algoritma K-Nearest Neighbor untuk mengklasifikasi lovebird dengan menggunakan ekstraksi ciriGray Level Co-occurrence Matrix.
Tujuan
Agar orang awam dapat membedakan spesies lovebird dan berapa tingkat akurasi yang didapat dengan menggunakan algoritma K-Nearest Neighbor untuk mengklasifikasi lovebird dengan menggunakan ekstraksi ciriGray Level Co-occurrence Matrix.
Eksperimen
Tools Data Metode
Matlab R2010a Citra lovebird yang terdiri dari lovebird personata, fischeri, lilianae, dan nigrigenis yang diambil dari internet (http:/google.com/). Jumlah dataset sebanyak 80 citra (72 data latih dan 8 data uji). Format citra .jpg dan berukuran 250 x 200 piksel.
Prapengolahan
(merubah citra RGB menjadi citra keabuan lalu citra di segmentasi menggunakan deteksi tepi canny) Ekstraksi ciri GLCM Klasifikasi KNN Hasil
Mengetahui tingkat akurasi yang didapat dengan menggunakan algoritma K-Nearest Neighbor untuk mengklasifikasi lovebird dengan menggunakan ekstraksi ciriGray Level Co-occurrence Matrix.
31
ANALISIS HASIL PENELITIAN DAN PEMBAHASAN
4.1 Kebutuhan Data
Data yang digunakan dalam penelitian ini menggunakan data berupa sampel citra lovebird sebanyak 80 citra dataset, yang terdiri dari 72 citra data latih dan 8 citra data uji. Citra dataset sudah dipotong (crop) terlebih dahulu sesuai kebutuhan sebelum masuk ke dalam proses klasifikasi. Adapun citra latih dan citra uji sbb:
Tabel 4.1Citra Latih
No. Nama
Citra
Spesies
Lovebird Citra Latih Jumlah
1. 13.jpg Fischeri 18
2. 31.jpg Lilianae 18
4. 55.jpg Personata 18
Jumlah 72
Tabel 4.2 Citra Uji dan Target Akurasi
No Nama
Citra
Spesies
Lovebird Citra Uji
Target Hasil Akurasi 1. fis1.jpg Fischeri 100 % 2. fis2.jpg Fischeri 100 % 3. lil1.jpg Lilianae 100 %
4. lil2.jpg Lilianae 100 % 5. nig1.jpg Nigrigenis 100 % 6. nig2.jpg Nigrigenis 100 % 7. per1.jpg Personata 100 % 8. per2.jpg Personata 100% 4.2 Proses Prapengolahan
Citra awal yang akan diolah mempunyai warna RGB (Red, Green, Blue) dan dalam bentuk sudah ter-croping. Selanjutnya citra dirubah menjadi citra grayscale (citrahitamputih).Pada proses ini dilakukan untuk menentukan objek yang akan dikenali nantinya berwarna grayscale. Fungsi yang digunakan adalah:
citra=rgb2gray(imread(filename)); 2. Segmentasi citra menggunakan deteksi tepi canny
Pada tahapan ini, citra yang sudah dirubah menjadi citra grayscale disegmentasi citra menggunakan deteksi tepi untuk mengetahui batasan garis luar (tepi) dan memisahkan antara obyek dan latar belakang.Pada penelitian ini, deteksi tepi yang digunakan menggunakan deteksi tepi canny. Fungsi yang digunakan ialah:
citra= edge (citra, 'canny'); Tabel 4.3 Prapengolahan Citra Latih
No. Nama
Citra Citra Awal Grayscale
Deteksi Tepi Canny
1. 13.jpg
3. 46.jpg
4. 55.jpg
Tabel 4.4 Prapengolahan Citra Uji
No. Nama
Citra Citra Awal Grayscale Deteksi Tepi Canny
1. fis1.jpg
3. lil1.jpg 4. lil2.jpg 5. nig1.jpg 6. nig2.jpg 7. per1.jpg
8. per2.jpg
4.3 Ekstraksi Ciri GLCM
4.3.1 Menormalisasikan Nilai Matriks
Setelah melalui proses prapengolahan, selanjutnya memasuki tahapan ekstraksi ciri menggunakan metode Gray Level Co-Occurrence Matrix (GLCM). Pada tahap ini, langkah pertama yang dilakukan yaitu menghitung matriks citra dan menormalisasikan hasil matriks.Sebelum menormalisasikan matriks dibutuhkan area kerja matriks terlebih dahulu yang didapat dari fungsi:
GLCM1 = graycomatrix(citra,'Offset',[0 1]);
Area kerja matriksinisudah melewati tahapan prapengolahan dan diberi paramater d=1 dan θ=0°. Perhitungan fungsi GLCM1 akan menghasilkan area kerja matriks sbb:
Gambar 4.1 Area Kerja Matriks
Setelah mendapatkan area kerja matriks seperti gambar di atas, kemudian matriks tersebut dinormalisasikan untuk mendapatkan nilai probabilitasnya, menggunakan rumus:
Total nilai piksel pada area kerja matriks di atas adalah 72280. Sehingga tiap piksel pada area matriks akan dibagi dengan nilai total piksel tersebut, dan akan mendapatkan hasil:
P1,1 = 58450/ 72280 = 0,808660764 P1,2 = 6132/ 72280 = 0,084836746 P2,1 = 6132/ 72280 = 0,084836746 P2,2 = 1566/ 72280 = 0,021665744
Gambar 4.2 Matriks Probabilitas
Setelah mendapat nilai probabilitas, maka tahap selanjutnya melakukan ekstraksi ciri menggunakan 4 fitur yang ada pada GLCM, yaitu kontras, energi, korelasi, dan homogenitas.
4.3.2 Menghitung Fitur GLCM
Tahap selanjutnya ialah ekstraksi ciri menggunakan 4 fitur yang ada pada GLCM, meliputi fitur kontras, energi, korelasi, dan homogenitas. Pada matlab sudah disediakan fungsi graycoprops() yang berfungsi untuk mendapatkan nilai ekstraksi ciri dari fitur GLCM. Adapun fungsinya:
fitur1 = graycoprops(GLCM1,{'contrast','homogeneity','correlation','energy'}); a. Kontras
Kontras= |1-1|2 0,808660764 + |1-2|20,084836746 + |2-1|20,084836746 + |2-2|20,021665744 = 0,169673
Gambar 4.3 Perhitungan Kontras b. Energi
Energy = 𝐺−1𝑖=0 𝐺−1𝑗 =0 𝑃 𝑖, 𝑗 2
Energi= 0,8086607642 + 0,0848367462+ 0,0848367462+ 0,0216657442= 0,668796
Gambar 4.4 Perhitungan Energi c. Korelasi
Dalam menghitung korelasi dibutuhkan nilai µ dan σ.
Dimana µx sama dengan µiyaitu untuk menghitung tiap baris, sedangkan µy sama dengan µj untuk menghitung tiap kolom.
µi1 = (1* 0,808660764) + (1*0,084836746) = 0,893498 µi2 = (2*0,084836746) + (2*0,021665744) = 0,213005 Total µi = 0,893498 + 0,213005 = 1,106502
µj1 = (1* 0,808660764) + (1*0,084836746) = 0,978334 µj2 = (2*0,084836746) + (2*0,021665744) = 0,128168
Total µj = 0,978334+ 0,128168= 1,106502 Tabel 4.5 Perhitungan µi dan µj Baris / Kolom µi µj 1 0,893498 0,978334 2 0,213005 0,128168 Jumlah 1,106502 1,106502
Selanjutnya menghitung standar deviasi (σ) terhadap baris dan kolom, menggunakan rumus di bawah ini kemudian di akar kuadrat:
σi = 1 ∗ 0,893498 2 0,808660764 + 1 ∗ 0,893498)2 0,084836746 + 2 ∗ 0,893498)2 0,084836746 + 2 ∗ 0,893498)2 0,021665744 = 0,30848 σj = 1 ∗ 0,978334 2 0,808660764 + 1 ∗ 0,978334)2 0,084836746 + 2 ∗ 0,978334)2 0,084836746 + 2 ∗ 0,978334)2 0,021665744 = 0,30848
Setelah mendapatkan nilai µi, µij, σi, dan σj, sekarang baru bisa menghitung korelasinya. = (1−0,893498 )(1∗0,978334 ) 0,30848 −0,30848 + (1−0,893498 )(2∗0,978334 ) 0,30848 −0,30848 + (2−0,893498 )(1∗0,978334 ) 0,30848 −0,30848 + (2−0,893498 )(2∗0,978334 ) 0,30848 −0,30848 = 0,10848
Gambar 4.5 Perhitungan Korelasi d. Homogenitas Homogenitas= 0,808660764 2 1+|1−1| + 0,084836746 1+|1−2| + 0,084836746 1+|2−1| + 0,021665744 1+|2−2| = 0,915163
Gambar 4.6 Perhitungan Homogenitas
Berikut adalah hasil perhitungan ekstraksi ciri GLCM yang meliputi 4 fitur yang dilakukan melalui Ms. Excel:
Tabel 4.6 Hasil Ekstraksi Ciri GLCM pada Ms. Excel
Kontras Korelasi Energi Homogenitas
0,169673 0,10848 0,668796 0,915163
Dan berikut adalah hasil ekstraksi ciri GLCM yang meliputi 4 fitur yang diambil dari workspace matlab dengan fungsi fitur1():
Dapat dilihat bahwa perhitungan otomatis dengan menggunakan fungsi yang ada pada matlab dengan perhitungan manual pada Ms. Excel menghasilkan nilai ekstraksi ciri yang sama.
4.3.3 Hasil Ekstraksi Ciri GLCM
Data latih maupun data uji melewati tahapan ekstraksi ciri menggunakan 4 fitur yang ada pada GLCM, yaitu kontras, energi, korelasi, dan homogenitas. Dan ini adalah hasil ekstraksi untuk data latih (72 citra) dan data uji (8 citra) dengan menggunakan parameter d=1 dan θ=0°.
Gambar 4.9 Hasil Ekstraksi Ciri GLCM pada Data Uji
4.4 Klasifikasi Menggunakan K-Nearest Neighbor(KNN)
4.4.1 Pelabelan Citra
Hasil ekstraksi ciri menggunakan GLCM ini digunakan untuk tahapan klasifikasi. Namun sebelumnya, citra latih dan citra uji harus diberi label terlebih dahulu untuk mengenali spesies lovebird berdasarkan nilai ekstraksi ciri yang nantinya akan digunakan untuk klasifikasi.
Gambar 4.11 Pelabelan pada Data Uji
4.4.2 Klasifikasi KNN dan Pengujian
Setelah citra latih dan uji sudah terlabeli, tahapan berikutnya yaitu tahapan klasifikasi menggunakan algoritma KNN.Pada matlab sudah disediakan fungsi untuk klasifikasi KNN dengan menggunakan fungsi knnclassify().
Selain mengklasifikasi juga dilakukan tahapan pengujian untuk mengetahui berapa tingkat akurasi dari klasifikasi menggunakan algoritma K-Nearest Neighbor (KNN) dalam klasifikasi spesies lovebird ini. Dalam pengujian digunakan fungsi confusionmat() atau confusion matrix untuk menentukan jumlah nilai benar dan salah dalam perhitungan nilai akurasi. Ini adalah rumus perhitungan akurasi.
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑏𝑒𝑛𝑎𝑟
𝑗𝑢𝑚𝑙𝑎ℎ 𝑡𝑜𝑡𝑎𝑙 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 × 100%
Hasil dari fungsi confusionmat() berbentuk matriks. Dalam penelitian ini yang diteliti hanya 4 spesies sehingga menghasilkan matriks 4x4 dari hasil fungsi confusion matrix.
Cara menghitung nilai benar adalah dengan menjumlahkan angka yang ada pada matriks diagonal atau menghitung angka yang ada pada baris dan kolom (1,1),
(2,2), (3,3), dan (4,4). Berikut adalah contoh menghitung nilai benar dari tabel confusionmat()pada d=1, θ=0°, dan k=1:
Gambar 4.12 Hasil Fungsi confusionmat() pada k=1
Nilai benar: (1,1) + (2,2) + (3,3) + (4,4) = 0 + 1+ 1 + 1 = 3
Jadi pada d=1, θ=0°, dan k=1 dihasilkan nilai ‘BENAR’ sebanyak 3.
Setelah mendapatkan hasil dari tabel confussion matrix, maka didapatkan data dari percobaan klasifikasi menggunakan KNN dengan parameter d=1 dan θ=0°, sbb:
1. Nilai indeks pada KNN k=1
Tabel 4.7 Klasifikasi KNN pada k=1
Didapatkan nilai kontras, korelasi, energi, dan homogentas dengan parameter d=1 dan θ=0° seperti tabel 4.7 untuk melanjutkan ke tahapan klasifikasi menggunakan algoritma KNN. Parameter yang digunakan pada algoritma KNN adalah Euclidean distance dan nilai k=1, sehingga mendapatkan nilai benar 3 dari 8 data uji. Tahapan ini akan dilanjutkan untuk menghitung nilai akurasinya.
2. Nilai indeks pada KNN k=3
Tabel 4.8 Klasifikasi KNN pada k=3
Didapatkan nilai kontras, korelasi, energi, dan homogentas dengan parameter d=1 dan θ=0° seperti tabel 4.8 untuk melanjutkan ke tahapan klasifikasi menggunakan algoritma KNN. Parameter yang digunakan pada algoritma KNN adalah Euclidean distance dan nilai k=3, sehingga mendapatkan nilai benar 4 dari 8 data uji.
3. Nilai indeks pada KNN k=5
Tabel 4.9 Klasifikasi KNN pada k=5
Didapatkan nilai kontras, korelasi, energi, dan homogentas dengan parameter d=1 dan θ=0° seperti tabel 4.9 untuk melanjutkan ke tahapan klasifikasi menggunakan algoritma KNN. Parameter yang digunakan pada algoritma KNN adalah Euclidean distance dan nilai k=5, sehingga mendapatkan nilai benar 4 dari 8 data uji.
4. Nilai indeks pada KNN k=7
Tabel 4.10 Klasifikasi KNN pada k=7
Didapatkan nilai kontras, korelasi, energi, dan homogentas dengan parameter d=1 dan θ=0° seperti tabel 4.10 untuk melanjutkan ke tahapan klasifikasi menggunakan algoritma KNN. Parameter yang digunakan pada algoritma KNN adalah Euclidean distance dan nilai k=7, sehingga mendapatkan nilai benar 5 dari 8 data uji.
5. Nilai indeks pada KNN k=9
Tabel 4.11 Klasifikasi KNN pada k=9
Didapatkan nilai kontras, korelasi, energi, dan homogentas dengan parameter d=1 dan θ=0° seperti tabel 4.11 untuk melanjutkan ke tahapan klasifikasi menggunakan algoritma KNN. Parameter yang digunakan pada algoritma KNN adalah Euclidean distance dan nilai k=9, sehingga mendapatkan nilai benar 3 dari 8 data uji.
4.5 Perhitungan Nilai Akurasi
Setelah merubah citra RGB menjadi grayscale, segmentasi citra menggunakan deteksi tepi Canny, dan melakukan ekstraksi ciri menggunakan 4 fitur GLCM (kontras, energi, korelasi, dan homogenitas), klasifikasi, dan pengujian.Tahapan berikutnya adalah menghitung nilai akurasi. Nilai akurasi di dapat dari hasil confusion matrix (tabel 4.7). Rumus perhitungan nilai akurasi:
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑏𝑒𝑛𝑎𝑟
𝑗𝑢𝑚𝑙𝑎ℎ 𝑡𝑜𝑡𝑎𝑙 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 × 100%
Contoh perhitungan nilai akurasi dari tabel 4.7 didapatkan nilai benar adalah 3 dan total prediksi adalah 8 (total jumlah citra uji), maka perhitungan untuk mendapatkan nilai akurasi adalah:
Akurasi = 3
8𝑥 100% = 37,5%
Adapun hasil pengujian dari 8 citra data uji sbb: Tabel 4.12 Hasil Pengujian
No. Jarak (d) Sudut (θ) K Nilai Akurasi (%) 1. 1 0° 1 3 5 7 9 37,5 50 50 62,5 37,5 2. 1 45° 1 3 5 7 37,5 12,5 50 12,5
9 12,5 3. 1 90° 1 3 5 7 9 25 25 37 25 37,5 4. 1 135° 1 3 5 7 9 25 12,5 12,5 12,5 12,5 5. 2 0° 1 3 5 7 9 25 12,5 25 12,5 25 6. 2 45° 1 3 5 7 9 12,5 12,5 37,5 37,5 37,5 7. 2 90° 1 3 5 7 9 12,5 12,5 37,5 25 12,5 8. 2 135° 1 3 5 12,5 12,5 12,5
7 9
25 37,5
Dari hasil pengujian di atas, telah dipaparkan hasil nilai akurasi yang dilihat dari jarak 1 dan 2, sudut 0°, 45°, 90°, dan 135°, dan k= 1, 3, 5, 7, dan 9. Dari penelitian di atas didapatkan nilai akurasi tertinggi sebesar 62,5% pada d=1, θ=0°, dan k=7 dari 80 citra dataset yang terdiri dari 8 citra data uji dan 72 citra data latih.
54 5.1 Kesimpulan
Dari hasil pengujian yang telah dilakukan, maka dapat diambil kesimpulan sbb: 1. Dalam pengklasifikasian spesies lovebird dapat dilakukan menggunakan
ekstraksi ciri Gray Level Co-Occurrence Matrix (GLCM) dan algoritma K-Nearest Neighbor (KNN)
2. Data set yang digunakan dalam penelitian ini berjumlah 80 citra, dimana terdapat 72 citra data latih dan 8 citra data uji
3. Ekstraksi ciri dari GLCM yang digunakan dalam penelitian ini adalah fitur kontras, energi, korelasi, dan homogenitas. Serta menggunakan jarak (d = 1 dan d=2) dan sudut (θ= 0°, θ= 45°, θ=90° danθ=135°)
4. Pada klasifikasi KNN menggunakan Euclidean distance untuk menghitung jarak tetangga dalam mengambil keputusan klasifikasi dengan k= 1, 3, 5, 7, dan 9.
5. Hasil pengujian dari klasifikasi spesies lovebird dilihat dari tingkat akurasinya, dimana pada penelitian ini menghasilkan nilai akurasi sebesar 62,5% pada d=1, θ= 0°, dan k=7
6. Yang menyebabkan nilai akurasi kurang dari 100% diantaranya karena obyek mempunyai background atau latar yang berbeda-beda dan ada beberapa citra yang terdapat watermark pada obyek citra.
5.2 Saran
Berdasarkan penelitian yang sudah dilakukan, adapun saran untuk mengembangkan penelitian ini, diantaranya:
1. Menambah citra latih dan citra uji untuk mendapatkan hasil akurasi yang lebih tinggi
2. Memberikan background atau latar yang sama pada citra latih dan uji, sehingga bisa dengan mudah mengenali obyek
