BAB I PENDAHULUAN 1.1 Latar Belakang

(1)

1 1.1 Latar Belakang

Indonesia merupakan sebuah salah satu negara yang dikenal sebagai penghasil berbagai macam sumber daya alam, termasuk sumber daya alam berupa kayu-kayuan. Kayu di Indonesia memiliki beraneka macam jenisnya, antara lain kayu jati, bengkirai, glugu, nangka, sengon dan lain sebagainya. Jenis-jenis kayu di Indonesia tersebut tidak semua “memiliki nilai jual dan ada juga yang memiliki nilai jual. Untuk jenis-jenis kayu yang memiliki nilai jual tergolong banyak jumlahnya, dan diantara jenis-jenis kayu tersebut bahkan memiliki nilai jual tinggi” hingga pasar Internasional. “Pengelompokan jenis kayu biasanya ditentukan oleh beberapa parameter, diantaranya adalah warna, berat”, tekstur, dan masih banyak lagi. Salah satu faktor penting dalam pengelompokan jenis kayu adalah tekstur kayu [1].

Pengelompokan jenis kayu biasanya sangat bergantung pada persepsi mata manusia terhadap faktor tekstur jenis kayu, biasanya hanya dapat dilakukan oleh para ahli kayu maupun penjual mebel. Persepsi mata manusia biasanya cenderung subyektif terhadap suatu obyek dalam melakukan pengelompokan [2]. “Untuk mengatasi hal ini maka digunakanlah suatu teknologi untuk menganalisis suatu tekstur kayu agar dapat diklasifikasikan ke dalam kelas-kelas tertentu. Keuntungan melakukan klasifikasi jenis kayu secara komputerisasi ini dapat terlihat secara nyata. Dengan kemampuan analisis yang lebih cermat terhadap perubahan-perubahan kecil yang secara umum tidak bisa dilakukan oleh manusia tentu menimbulkan perubahan yang cukup drastis”. Perubahan tekstur kayu dapat terjadi akibat lingkungan pertumbuhan, suhu

(2)

kelembapan dan umur pohon itu sendiri. Sehingga warna dan tekstur dapat berubah sesuai dengan faktor lingkungan tersebut.

Dalam penulisan ini, penulis menggunakan teknologi dan ilmu pengetahuan pada citra digital. Dimana teknologi tersebut dapat melakukan pengelompokan secara otomatis dengan menggunakan melakukan inputan ke dalam database. Oleh karena itu, diperlukan sebuah sistem yang dapat melakukan pendeteksian jenis kayu berdasarkan inputan citra tekstur kayu sehingga sistem tersebut diharapkan dapat melakukan klasifikasi jenis kayu berdasarkan tekstur.

Klasifikasi biasa dilakukan melalui fitur-fitur yang diolah dengan menerapkan langkah-langkah pengumpulan dan pengelompokan data dengan beberapa upaya seperti pembagian ukuran fitur, seleksi fitur, dan pendesainan klasifikasi berdasar aturan. Secara praktikal, salah satu contoh bentuk pengolahan fitur dapat dilakukan melalui ekstraksi warna R-G-B [3].

Dari data jenis kayu tersebut akan dilakukan sebuah ekstraksi dengan ciri statistik atau analisis sebuah tekstur. Dengan menggunakan komposisi warna dalam bentuk histogram untuk mepresentasikan jumlah piksel untuk intensitas warna dalam citra. Gambar dalam database akan di olah melalui fitur ekstraksi ciri melalui Intensitas, Deviasi, Skewness, Energi, Entropi dan Smoothness yang akan digunakan dalam pengklasifikasian jenis kayu. Dari pengklasifikasian jenis kayu tersebut, selanjutnya dilanjutkan dengan menggunakan algoritma k-Nearest Neighbor (KNN) untuk mendapatkan pengelompokan jenis kayu untuk mendapatkan hasil klasifikasi terdekat.Pengklasifikasian menggunakan fitur pengukuran jarak, metode pengukuran jarak yang digunakan adalah Cityblock Distance sehingga dapat mengoptimalkan dalam melakukan pengklasifikasian berdasarkan jarak klasifikasi dari data training dan data testing .Dalam penelitian ini digunakan fitur warna dan tekstur pada kayu guna menentukan jenis kayu menggunakan

(3)

Algoritma K-Nearest Neighbor. Pola pencarian dengan mencari sejumlah citra yang memiliki kemiripan dengan citra dalam database [4].

Adapun alasan penggunaan metode ini dikarenakan teknik klasifikasi dengan KNN bersifat sederhana, yaitu mencari selisih antar vektor ciri. Dengan penggunaan metode KNN sebagai teknik klasifikasi jenis kayu, tetap dapat menjaga pentingnya proses ekstraksi ciri dan output yang menghasilkan nilai kebenaran. Dari karakteristik yang ada pada tiap citra kayu, akan dilakukan percobaan untuk mendapatkan ciri khas dari masing-masing citra kayu. Diharapkan ciri yang berhasil diperoleh dapat membedakan jenis kayu pada masing-masing citra inputan. Sehingga pembuatan Tugas Akhir ini dapat bermanfaat untuk meminimalisir adanya kesalahan pemilihan jenis kayu berdasarkan citra yang dilihat [4].

Berdasarkan latar belakang di atas yang sudah di sampaikan sebelumnya, dengan ini maka penulis akan mengangkat judul “ Klasifikasi jenis kayu berdasarkan tekstur dan warna menggunakan algoritma K-Nearest Neighbor menggunakan fitur Histogram ”

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah disampaikan sebelumnya, penelitian ini memiliki rumusan masalah adalah bagaimana mengklasifikasi jenis kayu berdasarkan tekstur dan warna menggunakan metode K-Nearest Neighbor (KNN) dengan pengukuran jarak Cityblock Distance ?

1.3 Batasan Masalah

“Untuk menghindari penyimpangan dari judul dan tujuan yang sebenarnya serta keterbatasan pengetahuan yang dimiliki penulis. Maka penulis membuat ruang lingkup dan” batasan masalah pada penelitian tugas akhir ini yaitu :

(4)

a. Data yang digunakan data citra kayu menggunakan kamera foto. b. Citra gambar menggunakan ukuran 625 x 417.

c. Data yang digunakan berupa 5 jenis kayu dengan 50 citra yang berbeda untuk setiap jenisnya

d. Data yang digunakan 150 citra training dan 100 citra uji.

e. Objek data yang digunakan adalah jenis kayu nangka, jati, sengon, bengkirai dan glugu.

f. Citra yang digunakan berupa citra warna atau RGB g. Metode yang digunakan adalah metode KNN

h. Aplikasi untuk pengklasifikasian menggunakan Matlab i. Pengukuran jarak yang digunakan adalah Cityblock Distance.

1.4 Tujuan Penelitian

Pengklasifikasian jenis kayu menggunakan metode K-Nearest Neighbor dengan pengukuran jarak Cityblock Distance dengan tingkat akurasi diatas 90% . Diharapkan dapat membantu masyarakat dalam membedakan jenis kayu berdasarkan citra.

1.5 Manfaat Penelitian

“Manfaat yang diharapkan dapat diperoleh dari penelitian ini adalah: 1. Bagi Penulis

a. Sebagai sarana untuk menerapkan ilmu yang” di dapat dalam bangku kuliah terutama tentang pengolahan citra digital.

b. Mengimplementasikan riset dalam bidang Image Processing. c. Menambah wawasan dalam ilmu pengetahuan tentang jenis kayu d. Menambah pemahaman dan pengalaman dalam penerapan ekstraksi

histogram dengan metode K-Nearest Neighbor (KNN) 2. Bagi Masyarakat

(5)

a. Penelitian ini dapat digunakan sebagai alat bantu untuk pengklasifikasian jenis kayu .

b. Masyarakat dapat mengetahui jenis kayu yang harus dilestarikan dan diselamatkan .

3. Bagi Akademik”

a. Sebagai evaluasi akademik untuk meningkatkan mutu pendidikan. b. Referensi riset image processing bagi pengembangan penelitian

(6)

6

2.1 Tinjauan Studi “

Penelitian ini dibuat dengan terlebih dahulu melakukan pembacaan jurnal-jurnal dari penelitian-penelitian dan sumber-sumber lain. Dari jurnal-jurnal itu, penulis menemukan beberapa penelitian yang mampu mendorong penulis untuk mengangkat tema seperti diatas. Penelitian tersebut membahas tentang topik yang terkait dengan penelitian ini, antara lain adalah penelitian mengenai metode metode dan objek data yang digunakan penulis yang akan diangkat oleh penulis. Penelitian yang pernah dilakukan yang berhubungan dengan sistem pendukung keputusan antara lain : “

“Automatic Medical Image Classification and Abnormality Detection Using K-NN” [5]. Penelitian menggunakan empat fase preprocessing, ekstraksi fitur, klasifikasi dan post processing. Algoritma K-NN digunakan untuk mengklasifikasikan gambar. K-NN performa klasifikasi di bandingkan dengan kernel based SVM clasifikasi (Linear and RBF). Confusion matrik dihitung dan menunjukkan bahwa K-NN dapat mencapai tingkat klasifikasi 80% lebih baik dari tingkat SVM.

“Desain dan Simulasi Sistem Identifikasi Manusia Dengan Analisis Ciri Fisis Citra Palmprint Berbasis Image Processing dan K-Nrearest Neighbour ” [6]. Jurnal ini menulis tentang perancangan suatu sistem identifikasi telapak tangan menggunakan metode berbasis pngolahan citra seperti peregangan kontras, pemotongan citra, deteksi tepi dan teknik ekstraksi ciri yang terkandung pada pola garis telapak tangan yang akan diambil vector cirinya.

(7)

““Memodifikasi Algoritma K-Nearest Neighbour Menggunakan Chebyshev Distance berdasarkan Gray Level Co-occurrence Matrix untuk Klasifikasi Kayu“ [7]. Jurnal ini meneliti bagaimana untuk klasifikasi citra kayu menggunakan algoritma k-nearest neighbour dengan perhitungan jarak chebyshev distance berdasarkan fitur tekstur gray level co-occurrence sudut . Data citra yang digunakan adalah citra grayscale, baik sebagai data latih maupun data uji, dan selanjutnya diekstraksi menggunakan GLCM, kemudian klasifikasi kelas menggunakan algoritma KNN yang telah dimodifikasi menggunakan chebyshev” distance. Hasil dari penelitian yang menggunakan 400 citra kayu terdiri dari 360 data latih dan 40 data uji dengan 4 kelas. Penelitian menghasilkan akurasi sebesar 77,5%.

“Klasifikasi Serat Miring pada Kayu Menggunakan Ekstraksi Ciri Statistik berdasarkan Pengolahan Citra” [8] .Pada tugas akhir ini dirancang sebuah sistem klasifikasi untuk mengetahui kelas kayu berdasarkan serat miringnya dengan menggunakan analisis tekstur berbasiskan pengolahan citra digital. Data citra yang diambil menggunakan IP Camera 1 MP. Algoritma yang digunakan untuk ekstrasi ciri adalah statistik orde pertama dan orde kedua, serta klasifikasi kelas kayu menggunakan Euclidean Distance. Sistem akan disimulasikan dengan menggunakan bahasa pemprograman Lab View, agar lebih mudah diimplementasikan langsung ke dalam perangkat keras. Berdasarkan simulasi secara keseluruhan, maka dapat disimpulkan bahwa sistem dapat mengklasifikasikan kelas kayu berdasarkan dua tingkat kemiringan, yaitu kelas A dengan tingkat kemiringan rendah sampai sedang, dan kelas B dengan tingkat kemiringan tinggi. Hasil akurasi tertinggi diperoleh saat k=3 dengan citra grayscale yaitu sebesar 91,52 %.

(8)

Tabel 2.1 Jurnal acuan Judul &

Tahun

Peneliti Isu & Masalah Hasil & Kesimpulan Automatic Medical Image Clasification and Abnormality Detection Using K-NN (2012) Dr.R.J.Ramteke,Khachane Monali Y Penggunan 4 fase prosesing citra. Algoritma KNN sebagai pengklasifikasian citra. Perbandingan menggunakan kernel based SVM. Klasifikasi memiliki tingkat akurat sebanyak 80%. “Desain dan Simulasi Sistem Identifikasi Manusia Dengan Analisis Ciri Fisis Citra Palmprint Berbasis Image Processing dan K-Nrearest “ Neighbour (2010) Rosmawati Dwi, Koredianto Usman, Achmad Rizal Perancangan suatu sistem identifikasi telapak tangan menggunakan metode berbasis pngolahan citra seperti peregangan kontras, pemotongan citra, deteksi tepi dan teknik ekstraksi

ciri yang

terkandung pada pola garis telapak tangan yang akan diambil vector ciri. Pengidentifikasian manusia dengan menggunakan KNN dengan k=1 diperoleh performansi secara keseluruhan mencapai 85%

(9)

Memodifikasi “ Algoritma K-Nearest Neighbour Menggunakan Chebyshev Distance berdasarkan Gray Level Co-occurrence Matrix untuk Klasifikasi Kayu (2015) Thariq Hafizhuddin Aufar, Ricardus Anggi Pramunendar Klasifikasi citra kayu menggunakan algoritma k-nearest neighbour dengan perhitungan jarak chebyshev distance berdasarkan fitur tekstur gray level co-occurrence sudut . Data citra yang digunakan adalah citra grayscale, baik sebagai data latih maupun data uji, dan selanjutnya diekstraksi menggunakan GLCM “ Uji coba menggunakan koefisien k yang berbeda-beda memperoleh akurasi terbesar pada k=5 sebesar 77,5% . Sehingga berdasarkan hasil tersebut dianggap bahwa k-Nearest Neighbour dan ekstraksi fitur GLCM dapat diterapkan untuk pengenalan kayu. Klasifikasi Serat Miring pada Kayu Menggunakan Ekstraksi Ciri Statistik berdasarkan Pengolahan Citran (2015)

Dyah Norma Maharsi, Junartho Halomoan, Ratri Dwi Atmaja

sistem klasifikasi untuk mengetahui kelas kayu berdasarkan serat miringnya dengan menggunakan analisis tekstur berbasiskan pengolahan citra digital. Data citra

Metode ekstraksi ciri statistik orde kedua, serta metode klasifikasi jarak Euclidean dapat digunakan untuk mengklasifikasikan kelas kayu berdasarkan serat miringnya dengan akurasi sebesar 92,5791 %.

(10)

yang diambil menggunakan IP Camera 1 MP. Algoritma yang digunakan untuk ekstrasi ciri adalah statistik orde pertama dan orde kedua, serta klasifikasi kelas kayu menggunakan Euclidean Distance. Waktu komputasi sistem klasifikasi kelas kayu tergolong cepat, di kisaran 34-38 ms untuk satu image atau

sekitar 0,034-0,038 detik per gambar.

2.2 Landasan Teori

2.2.1 Pengolahan Citra Digital

Pengolahan citra merupakan proses pengolahan dan analisis citra yang banyak melibatkan persepsi visual.” Proses ini mempunyai ciri data masukan dan informasi keluaran yang berbentuk citra. Istilah pengolahan citra digital secara umum didefinisikan sebagai pemrosesan citra dua dimensi dengan komputer. Dalam definisi yang lebih luas, pengolahan citra digital juga mencakup semua data dua dimensi. Citra digital adalah barisan bilangan nyata maupun kompleks yang diwakili oleh bit-bit tertentu.

(11)

Umumnya citra digital berbentuk persegi panjang atau bujur sangkar (pada beberapa sistem pencitraan ada pula yang berbentuk segienam) yang memiliki lebar dan tinggi tertentu. Ukuran ini biasanya dinyatakan dalam banyaknya titik atau piksel sehingga ukuran citra selalu bernilai bulat. Setiap titik memiliki koordinat sesuai posisinya dalam citra. Koordinat ini biasanya dinyatakan dalam bilangan bulat positif, yang dapat dimulai dari 0 atau 1 tergantung pada sistem yang digunakan. Setiap titik juga memiliki nilai berupa angka digital yang merepresentasikan informasi yang diwakili oleh titik tersebut.

Format data citra digital berhubungan erat dengan warna. Pada kebanyakan kasus, terutama untuk keperluan penampilan secara visual, nilai data digital merepresentasikan warna dari citra yang diolah. Format citra digital yang banyak dipakai adalah Citra Biner (monokrom), Citra Skala Keabuan ( gray scale ), Citra Warna ( true color ), dan Citra Warna Berindeks.

Terdapat dua ilmu yang mempelajari tentang teknik-teknik mengolah citra,yaitu :

1. Citra Kontinu

Dihasilkan dari sistem optic yang menerima sinyal analog. Contoh : mata manusia, kamera analog.

2. Citra Diskrit

Dihasilkan melalui proses digital terhadap citra kontinu. Contoh : Kamera digital, Scanner

Terdapat tiga macam gambar citra digital,yaitu : 1. Warna

(12)

Warna adalah spektrum tertentu yang terdapat di dalam suatu cahaya sempurna (berwarna putih). Nilai warna ditentukan oleh tingkat kecerahan maupun kesuraman warna. Nilai ini dipengaruhi oleh penambahan putih ataupun hitam.

Penelitian memperlihatkan bahwa kombinasi warna yang memberikan rentang paling lebar adalah red (R), green (G) dan blue (B). Ketiga warna tersebut merupakan warna pokok yang biasa disebut RGB. Warna lain dapat diperoleh dengan mencampurkan ketiga warna pokok tersebut dengan perbandingan tertentu. Setiap warna pokok mempunyai intensitas sendiri dengan nilai maksimum 255 (8-bit). Misal warna kuning merupakan kombinasi warna merah dan hijau sehingga nilai RGB: 255 255 0.

RGB disebut juga ruang warna yang dapat divisualisasikan sebagai sebuah kubus seperti gambar 2.4, dengan tiga sumbunya yang mewakili komponen warna merah (red) R, hijau (green) G, biru (blue) B. Salah satu pojok contoh yang ada di Sistem Klasifikasi Jenis kayu Berdasarkan Tekstur dan Ukuran serta Warna Permukaan Kulit Buah Berbasis Pengolahan Citra Digital berlawanan menyatakan warna hitam ketika R = G = B = 0, sedangkan pojok atasnya yang berlawanan menyatakan warna putih ketika R= G= B= 255 ( sistem warna 8 bit bagi setiap komponennya ).

(13)

Gambar 2. 1 Diagonal RGB dan Grayscale

2. Citra Biner

Citra biner (binary image) adalah citra yang hanya mempunyai dua nilai derajat keabuan yaitu hitam dan putih. Alasan masih digunakannya citra biner dalam pengolahan citra digital hingga saat ini adalah algoritma untuk citra biner telah berkembang dengan baik dan waktu pemrosesan lebih cepat karena jumlah bit untuk tiap pikselnya lebih sedikit.

(14)

3. Citra YCbCr

YCbCr merupakan standar internasional bagi pengkodean digital gambar televisi yang didefinisikan di CCIR Recommendation. Y merupakan komponen luminance, Cb dan Cr adalah komponen chrominance. Pada monitor monokrom nilai luminance digunakan untuk merepresentasikan warna RGB, secara psikologis mewakili intensitas sebuah warna RGB yang diterima oleh mata. Chrominance merepresentasikan corak warna dan saturasi (saturation). Nilai komponen ini juga mengindikasikan banyaknya komponen warna biru dan merah pada warna.

(15)

Pengolahan citra digital adalah salah satu bentuk pemrosesan informasi dengan inputan berupa citra (image) dan keluaran yang juga berupa citra atau dapat juga bagian dari citra tersebut. Tujuan dari pemrosesan ini adalah memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin computer. Operasi-operasi pada pengolahan citra digital secara umum dapat diklasifikasikan sebagai berikut:

1. Perbaikan kualitas citra (image enhancement). 2. Restorasi citra (image restoration).

3. Pemampatan citra (image compression). 4. Segmentasi citra (image segmentation). 5. Pengorakan citra (image analysis).

6. Rekonstruksi citra (image recronstruction).

Citra digital memiliki fungsi dua dimensi f(x,y) dimana x dan y merupakan suatu koordinat dan f dari (x,y) menyatakan amplitudo atau intensitas atau derajat keabuan (grayscale). Nilai tingkat keabuan pada citra digital disebut sebagai piksel pada posisi tertentu. Nilai x, y dan f dari (x,y) merupakan nilai diskrit atau berhingga. Citra digital dalam bentuk matriks dapat dituliskan sebagai berikut :

(16)

Gambar 2. 4 Respresentasi Citra

Pada matriks citra digital f(x,y), nilai x dan y menyatakan koordinat posisi piksel itu berada, dan nilai f(x,y) menunjukkan intensitas (derajat keabuan) piksel pada koordinat tersebut. Hal ini dapat dilihat pada gambar di bawah ini.

2.2.1.1 Elemen Dasar Citra

Elemen-elemen dasar yang penting diantaranya adalah sebagai berikut :

1. Elemen Citra Digital

(17)

Kecerahan disebut juga sebagai intensitas cahaya. Kecerahan pada suatu titik (piksel) di dalam suatu citra sebenarnya adalah intensitas rata-rata dari suatu area yang melingkupinya.

1.2 Kontras (contrast)

Kontras menyatakan sebaran terang (lightness) dan gelap (darkness) dalam suatu citra. Citra dengan kontras rendah dicirikan oleh sebagian besar komposisi citranya adalah terang atau sebagian besar gelap. Citra dengan kontras yang baik, komposisi gelap dan terangnya tersebar secara merata.

1.3 Kontur (contour)

Kontur adalah keadaan yang ditimbulkan oleh perubahan intensitas pada pixel-pixel yang bertetangga. Karena adanya perubahan intensitas inilah, maka tepi-tepi (edge) objek pada citra dapat dideteksi.

1.4 Warna (color)

Warna adalah persepsi yang dirasakan oleh sistem visual manusia terhadap panjang gelombang cahaya yang dipantulkan oleh objek. Setiap warna mempunyai panjang gelombang yang berbeda-beda. Warna yang diterima oleh sistem visual manusia (mata) merupakan hasil kombinasi cahaya dengan panjang gelombang yang berbeda-beda. Kombinasi warna yang memberikan rentang warna yang paling lebar adalah red (R), green(G), dan blue(B).

(18)

Bentuk adalah properti intrinsik dari objek tiga dimensi. Bentuk merupakan properti intrinsik utama untuk sistem visual manusia karena manusia lebih sering menginterpretasikan suatu objek berdasarkan bentuknya daripada elemen lainnya.

1. 6 Tekstur (texture)

Tekstur dicirikan sebagai distribusi spasial dari derajat keabuan di dalam sekumpulan pixel-pixel yang bertetangga. Sehingga, tekstur tidak dapat didefinisikan dalam sebuah pixel. Tekstur merupakan karakteristik untuk menganalisa permukaan berbagai jenis citra objek.

2. Sistem Pemrosesan Citra Digital

Secara umum, elemen yang terlibat dalam pemrosesan citra dapat dibagi menjadi empat komponen:

a. digitizer

b. komputer digital c. piranti tampilan d. piranti penyimpanan

Operasi dari sistem pemrosesan citra tersebut dapat dibagi menjadi empat kategori prinsip: digitalisasi, pemrosesan, penayangan, dan penyimpanan.

Digitizer atau digital image acquisition system merupakan sistem penangkap citra digital yang melakukan penjelajahan citra dan mengkonversinya ke representasi numerik sebagai masukan bagi komputer digital. Hasil dari digitizer adalah matriks yang elemen -elemennya menyatakan nilai intensitas cahaya pada suatu titik.

(19)

Contoh digitizer adalah kamera digital dan scanner.

Gambar 2. 5 Proses Pembentukan Citra Digital

Digitizer terdiri dari tiga komponen dasar:

a. Sensor citra yang bekerja sebagai pengukur intensitas cahaya, b. Perangkat penjelajah yang berfungsi merekam hasil pengukuran intensitas pada seluruhbagian citra, dan pengubah analog-ke-digital yang berfungsi melakukan penerapan dan kuantisasi.

c. Komputer digital yang digunakan pada sistem pemroses citra dapat bervariasi dari komputer mikro sampai komputer besar yang mampu melakukan bermacam - macam fungsi pada citra digital resolusi tinggi [9].”

Pada dasarnya pada bidang ilmu komputer terdapat tiga bidang studi yang berkaitan dengan data citra dan memiliki tujuan yang berbeda-beda, yaitu :

(20)

Grafika Komputer menghasilkan citra (lebih tepat disebut grafik atau picture) dengan primitif-primitif geometri seperti garis lingkaran, dan sebagainya.” Primitif-primitif geometri tersebut memerlukan data deskriptif untuk melukis elemen-elemen gambar. Contoh data deskriptif adalah koordinat titik, panjang garis, jari-jari lingkaran, tebal garis, warna, dan sebagainya. Grafika komputer memainkan peranan penting dalam visualisasi . “

Gambar 2.6 Gambar Grafika Komputer

2. Pengenalan Citra (Image Processing)

Pengenalan Citra berfungsi untuk memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin “(dalam hal ini komputer). Teknik-teknik pengolahan citra mentransformasikan citra menjadi citra lain. Jadi, masukannya adalah citra dan keluarannya juga citra, namun citra keluaran mempunyai kualitas lebih baik daripada citra masukan. Termasuk ke dalam bidang ini juga adalah pemampatan citra (image compression).

(21)

3. Pengenalan Pola (Pattern Recognition/Image Intrepretation) “ Pengenalan pola bertujuan untuk menentukan kelompok atau kategori pola berdasarkan ciri-ciri yang dimiliki oleh pola tersebut. Pengenalan pola membedakan suatu objek dengan objek lain. Terdapat dua pendekatan yang dilakukan dalam pengenalan pola: pendekatan secara statistik dan pendekatan secara sintaktik atau struktural.

Secara umum, langkah pengenalan pola citra digital dijabarkan dalam beberapa langkah yang digambarkan oleh Gambar dibawah ini :

(22)

1. Akuisisi Citra (Image Acquisition)

Akusisi citra merupakan tahapan awal untuk mendapatkan citra digital[11]. Akuisisi citra bertujuan untuk menentukan data yang diperlukan dalam memilih metode perekaman citra digital. Tahap awal akusisi memulai dari objek yang akan diambil gambarnya, persiapan alat sampai pada pencitraan. Alat yang digunakan dalam pencitraan : “

a. video kamera b. kamera digital

c. kameran konvensional dan konverter analog to digital d. Scanner

e. Photo sinar-x

2. Preprocessing

Preprocessing dibutuhkan untuk menjamin kelancaran pada proses proses berikutnya. Hal yang penting pada tingkatan ini di antaranya :

a. Peningkatan kualitas citra (kontras, brightness, dan lain-lain) b. Menghilangkan Noise

c. Transformasi

d. Perbaikan citra (image restoration)

e. Menentukan bagian citra yang akan diobservasi. 3. Segmentasi(Segmentation)

Segmentasi bertujuan untuk mempartisi citra menjadi bagian pokok yang mengandung informasi penting .

(23)

Representasi merupakan suatu proses merepresentasikan suatu wilayah sebagai daftar titik-titik koordinat dalam kuradran tertutup dengan deskripsi luasan atau parimeternya. Deskripsi dilakukan dengan cara seleksi ciri dan ekstraksi ciri. Seleksi ciri bertujuan untuk membedakan kelas-kelas objek secara baik sedangkan ekstraksi ciri bertujuan untuk mengukur besaran ciri setiap pixel.

4. Pengenalan dan interpretasi (Recognition and Interpretation) Pengenalan dan interpretasi bertujuan untuk memberikan label pada sebuah objek yang informasinya disediakan oleh descriptor. Tahap interpretasi bertujuan untuk memberi arti atau makna pada objek yang dikenali.

5. Basis Pengetahuan(Knowledge Base)

Basis Pengatahuan berguna untuk memandu operasi dari masing-masing modul proses dan mengkontrol interaksi antar modul. “ Pengetahuan juga digunakan sebagai referensi pada proses temple matching atau pengenalan pola[10].

2.2.1.2 Analisis Tekstur

Analisa tekstur memiliki tujuan untuk mengidentifikasi parameter-parameter yang tepat dengan ciri atau karakteristik dari objek di dalam sebuah citra. Dari parameter yang di ekstrak dari citra merupakan representasi bentuk atau ciri dari objek sebuah citra. Analisa tekstur biasanya menggunakan Gray Level Co-occurrence Matrix

(24)

(GLCM ) . Ekstraksi ciri merupakan langkah awal dari klasifikasi dan proses kuantisasi dan dihitung secara pasti dari karakteristik ke dalam kelompok nilai ciri yang sesuai.

Tabel 2.1 Array Intensitas Ukuran 8x8

Dari gambar 2.7 dihitung dengan jarak spasial 1 dan sudut 900 akan diperoleh matriks Co-occurrence yang dapat melalui ciri statistik yang merepresentasikan citra. Dari 8 aras keabuan maka jumlah nilai piksel referensi area kerja matriks sebagai berikut :

(25)

Menghitung nilai matriks dengan mengisi jumlah hubungan spasial, sebagai berikut :

Tabel 2.3 Contoh pembentukan Matriks Co-occurrence

Dari proses gambar 2.8, gambar 2.9 dan gambar 2.10 merupakan langkah-langkah pertama mengubah menjadi GLCM [11]. Kemudian dicari nilai transpos dan dijumlahkan dengan nilai hasil pertama GLCM. Dari penjumlahan tersebut akan menghasikan nilai matriks yang ternomalisasi, sebagai berikut :

(26)

Dari gambar 2.11 kemudian dinormalisasi dengan probabilitas dan nilai masing-masing elemen dibagi dengan seluruh elemen spasial sebagai berikut :

Tabel 2.5 Matrik Ternomalisasi

2.3 Ekstraksi Fitur Histogram

Histogram merupakan sebuah metode untuk mendapatkan sebuah tekstur pada grafik yang menggambarkan penyebaran nilai-nilai intensitas pixel suatu citra. Histgram dapat diketahui menggunakan tiap frekuensi kemunculan nisbi (relative) dengan suatu intensitas pada citra. Metode histogram merupakan metode statis orde satu untuk mendapat fitur-fitur tekstur. “

Fitur-fitur yang bisa dikenali dari metode histogram antara lain yaitu intensitas, deviasi, skewness, energi, entropi, smoothness. Persamaan perhitungan ke-6 ciri dapat dilihat dibawah ini :

(27)

………..…(2.1)

nilai i merupakan aras keabuan pada citra f dan p(i) merupakan probabilitas kemunculan i dan L merupakan aras keabuan tertinggi dan akan menghasilkan kecerahan pada citra.”

2. Deviasi dengan rumus sebagai berikut :

……….…………(2.2)

Pada rumus deviasi standar, dinamakan varians atau momen orde kedua tenomalisasi dikarenakan merupakan fungsi peluang. Fitur deviasi akan memberikan ukuran kekontrasan.

3. Skewness dengan rumus sebagai berikut :

………(2.3)

“Skewness juga sering disebut dengan momen orde tiga ternomalisasi dengan nilai negatif menyatakan bahwa distribusi pada kecerahan lebih condong ke kanan terhadap rata rata.

(28)

……….………(2.4)

Citra yang sama dengan satu nilai aras keabuan akan mempunyai nilai pada energi yang maksimum. Energi juga sering disebut sebagai keseragaman. 5. Entropy dengan rumus sebagai berikut :

………(2.5)

Semakin tinggi nilai entropinya maka akan semakin kompleks citra tersebut. Entropi serta energi lebi cenderung berkebalikan. Entropi juga merepresentasikan jumlah informasi yang terkandung pada sebaran data.

6. Smoothness dengan rumus sebagai berikut :

………..……(2.6) Smoothness merupakan fitur untuk mengukur tingkat kehalusan atau kekasaran pada intensitas sebuah citra. Pada rumusan diatas, merupakan deviasi standar. Nilai pada R yang rendah menunjukan bahwa citra memiliki intensitas yang kasar. Seperti yang diketahui, di dalam menghitung smoothness, varians perlu dinormalisasi sehingga nilainya berada di dalam jangkauan [0-1] dengan cara membagi dengan (L-1)2[9].”

2.4 K-Nearest Neighbor “

Algoritma K-Nearest Neighbor (KNN) merupakan sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Dekat atau jauhnya tetangga biasanya dihitung berdasarkan jarak eucildean.

(29)

Data pembelajaran diproyeksikan ke ruang berdimensi banyak, masing-masing dimensi merepresentasikan ciri dari data tersebut.” Ruang ini dibagi menjadi bagian-bagian berdasarkan klasifikasi data pembelajaran. Dekat atau jauhnya tetangga dapat dihitung berdasarkan jarak Euclidean dengan rumus umum.

Karena metode klasifikasi yang menggunakan mengunakan metode k-NN maka proses pengaturan parameter ketetanggaan (k) “dan penggunaan rumus jarak sampai diperoleh hasil akurasi yang paling maksimum. Jarak terdekat dengan basis data suatu kelas yang diperoleh akan dapat dijadikan sebagai acuan penentu data uji tersebut akan termasuk kejenis kelas mana begitu juga hasil yang akan dikeluarkan. Klasifikasi k-NN mempunyai dua langkah,yaitu :

1. Menentukan tetangga – tetangga terdekat dari data tersebut.

2. Menentukan kelas dari masing – masing tetangga terdekat tersebut. Penetuan kelas dilakukan dengan voting mayoritas sederhana yaitu dengan membandingkan jumlah kelas dalam sejumlah k data terdekat dengan data uji. “Ukuran kedekatan data diuji dengan rumus jarak. Perhitungan rumus jarak menggunakan rumus cityblock distance dimana rumus tersebut akan melakukan perhitungan terhadap nilai kelas tetangga terdekat [9] :

1. City block distance

(30)

2.4.1 Contoh Perhitungan KNN menggunakan Cityblock distance

“Berikut contoh perhitungan KNN menggunakan manhattan distance menggunakan ekstraksi fitur :

1. Ekstraksi fitur Data Training

Tabel 2. 6 Tabel Ekstraksi Fitur Data Training

Intensitas Deviasi Skewness Energi Entropy Smothness

224.6530 62.4586 -5.593 0.53122 2.0257 0.053238

220.1021 48.0098 -4.11 0.029628 4.1446 0.034233

210.3253 69.0098 -6.8336 0.073191 3.5868 0.069897 198.545 52.0867 -4.2399 0.017349 4.4578 0.075345

2. Ekstraksi Fitur Data Testing

Tabel 2.7 Ekstraksi Fitur Data Testing

Intensitas Deviasi Skewness Energi Entropy Smothness

227.2548 56.4586 -5.072 0.57692 1.8257 0.04689

215.1021 49.0262 -4.1057 0.026211 4.2451 0.035646 195.3253 69.0098 -4.8336 0.037954 3.9376 0.073998

207.682 52.0867 -4.2745 0.01677 4.453 0.040056

3. Contoh Perhitungan K-NN menggunakan Cityblock Distance “

Tabel 2.8 Contoh Perhitungan K-NN

Kuadrat Jarak Klasifikasi Jarak Klasifikasi Jenis |224.6530-227.2548|+|62.4586- 56.5682|+|-5.5983- 5.072|+|0.53122- 0.57692|+|2.0257-1.8238|+|0.053238-0.04689| = 10.750752 1 Kayu Jati |220.1021-215.6864|+|48.0098- 49.0262|+|-4.11--3 Kayu Sengon

(31)

4.1057|+|0.029628- 0.026211|+|4.1446-4.2848|+|0.034233-0.035646| = 3.279204 |210.3253-194.5539|+|69.9043- 73.1591|+|-6.8336-- 5.1738|+|0.073191- 0.037954|+|3.5868-4.2291|+|0.069897-0.076051| = 10.243583 5 Kayu Glugu |198.545-197.9863|+|52.0865-52.0898|+|-4.2704- -4.2745| + |0.017033-0.01677| + |4.4214-4.453| + |0.040051-0.040056| =0.528158 2 Kayu Nangka 2.5 Kayu

Kayu adalah bahan lignoselulosa yang dihasilkan oleh tumbuhan berkayu yang mempunyai tinggi minimal 7 m (pohon). Kayu didapatkan dari tumbuh-tumbuhan (pohon-pohonan/trees) dan termasuk vegetasi alam. “ Kayu adalah Material alam yang dapat diperbaharui, dengan mengelola hutan dengan baik. Material struktur ini memiliki berat jenis yang ringan dan proses pengerjaannya dilakukan dengan alat sederhana. Kayu merupakan bahan alam yang dapat terurai secara sempurna (digunakan secara menyeluruh) sehingga tidak ada istilah limbah pada kayu. “

2.5.1 Anatomi Kayu

Senyawa utama penyusun kayu adalah selulosa, hemiselulosa, dan lignin dengan komposisi kira-kira 50% selulosa, 25% “hemiselulosa, dan 25% lignin. Secara umum anatomi kayu terdiri dari kulit, kambium, cinicin tahun, kayu gubal, kayu teras, dan inti kayu.”

(32)

Gambar 2.9 Anatomi Kayu Keterangan: “ A: Kambium B: Kulit dalam C: Kulit luar D: Kayu gubal/sapwood E : Kayu teras/heartwood F : Hati/galih G : Jari-jari kayu 1. Kulit luar

Bagian yang terluar. Kulit bertugas sebagai pelindung bagian dalam kayu dari pengaruh-pengaruh iklim, serangan serangga dan jamur atau secara mekanis.”

(33)

2. Kambium

Jaringan yang berupa lapisan tipis dan bening, yang melingkar pohon. Tugas kambium ke arah luar membentuk kulit yang baru dan ke dalam membentuk kayu.

3. Kayu gubal

Bagian kayu yang terdiri dari sel-sel yang masih hidup, masih berfungsi. Oleh karena itu tugas kayu gubal ini ialah menyalurkan bahan makanan dari daun ke bagian-bagian pohon yang lain.

4. Kayu teras

“Bagian yang terdiri dari sel-sel yang sudah tua atau mati. Kayu teras ini asalnya dari kayu gubal yang makin tua lalu mati,” sehingga tidak berfungsi, Kayu teras ini hanya sebagai pengokoh tumbuhnya pohon saja. Kayu teras lebih awet dan pada umumnya warna kayu lebih tua daripada kayu gubalnya.

5. Hati

Merupakan bagian kayu yang berada di pusat pohon. Hati ini asalnya dari kayu awal yaitu kayu yang pertama-tama dibentuk oleh kambium dan bersifat rapuh berupa jaringan gabus.

6. Pori-pori

Sebenarnya pori-pori adalah sel-sel pembuluh kayu yang terpotong,

“ sehingga memberi kesan lubang - lubang kecil (pori-pori). Ukuran besarnya pori-pori ini untuk tiap-tiap jenis kayu berbeda-beda.

(34)

7. Lingkaran tahun/tumbuh

Kondisi pertumbuhan pohon ditentukan oleh lingkungan tumbuh, yaitu iklim. Mutu kayu dipengaruhi oleh tebalnya lingkaran tahun, semakin tipis gelang tahun semakin kuat karena dinding sel relatif

“tebal [14].

2.5.2 Jenis Kayu

Berbagai macam jenis kayu tumbuh dan berkembang di Indonesia tentunya dengan berbagai macam karakter dan kegunaan. “Dalam sub bab kali akan mengenal karakteristik, keunggulan dan kelemahan dari berbagai macam kayu yang ada di Indonesia. Berikut jenis kayu di Indonesia yang akan dipergunakan sebagai objek data :

1. Kayu Jati

Kayu jati atau latinnya disebut tectona grandis, adalah jenis kayu yang termasuk dalam kelas awet I-II, dan kelas kuat II. Kayu jati memiliki corak warna khususnya pada kayu terasnya coklat agak muda sampai tua kehijau-hijauan. Corak warna kayu jati ini mempunyai nilai dekoratif yang sangat indah dan menarik, menyebabkannya banyak diminati oleh para pengusaha mebel maupun industri pengolahan kayu. Selain keindahan corak, kayu jati mempunyai sifat pengerjaan yang mudah sampai dengan sedang, daya retak rendah, serat lurus atau berpadu walaupun memiliki tekstur yang agak kasar. Kayu jati dalam kegunaannya adalah termasuk kayu yang istimewa karena dapat digunakan untuk semua

(35)

Gambar 2.10 Kayu Jati

2. Kayu Nangka

Dilihat dari kelasnya kayu nangka dibandingkan dengan kayu jati memang tidak selevel, kayu nangka berada dibawahnya. Namun demikian kayu nangka memiliki kualitas yang cukup bagus dibandingkan dengan mahoni dan albazia.

Disamping tahan lama, keistimewaan kayu nangka adalah warna kuning yang cerah hingga agak gelap yang dipengaruhi umur pohon. Semakin tua warna kuning akan mendominasi kayu nangka.

(36)

Gambar 2.11 Kayu Nangka

3. Kayu Sengon

Sengon (Albizia chinensis) adalah sejenis pohon “anggota suku Fabaceae. Pohon peneduh dan penghasil kayu ini tersebar secara alami di India, Asia Tenggara, Cina selatan, dan Indonesia.

Sengon menghasilkan kayu yang ringan sampai agak ringan, dengan densitas 320–640 kg/m³ pada kadar air 15%, agak padat, berserat lurus dan agak kasar, namun mudah dikerjakan. Kayu terasnya kuning mengkilap sampai cokelat-merah-gading.

(37)

Gambar 2.12 Kayu Sengon

4. Kayu Bengkirai

Kayu Bengkirai merupakan salah satu jenis kayu yang berkualitas bagus. Hal tersebut dapat dibuktikan pada saat dalam proses pengerjaan (pengerjaan kayu bengkirai). “Kayu bengkirai ini mudah diproses seperti diserut, dipotong, diukir dll. Oleh sebab itu, banyak orang yang memasukkan kayu bengkirai ini ke dalam golongan jenis-jenis kayu pertukangan.

Dan dalam prakteknya, saat ini banyak sekali orang-orang yang menggunakan “kayu bangkirai ini untuk memproduksi beraneka

(38)

Gambar 2.13 Kayu Bengkirai

5. Kayu Glugu

Kayu glugu adalah kayu yang terbuat dari batang pohon kelapa. Kayu ini dikenal memiliki daya tahan dan tingkat kekokohan yang tinggi. Tak heran, banyak orang yang “akhirnya menggunakan kayu glugu sebagai alternatif material pembangun rumah.

Sebenarnya, anda bisa meningkatkan kualitas kayu glugu kelapa menjadi setara kayu jati dengan mengawetkannya. Adapun tujuannya yaitu untuk menutup pori-pori di dalam kayu. Proses pengawetan kayu glugu terbilang mudah, hanya saja membutuhkan ketelatenan yang tinggi. Kayu glugu yang sudah diawetkan akan mempunyai kualitas yang bertambah sampai” dua kali lipat daripada

(39)

sebelumnya. Bahkan kayu ini juga bakal terhindar dari serangan rayap, kumbang, tikus, dan serangga-serangga perusak kayu lainnya

[16].

(40)

2.6 Kerangka Pemikiran

Berikut kerangka pemikiran dalam penulisan tugas akhir ini :

Masalah

Cara mengklasifikasi jenis kayu berdasarkan tekstur dan warna

Tujuan

Melakukan pengklasifikasian Jenis kayu berdasarkan tekstur menggunakan metode K-Nearest Neighbour

Eksperimen

Data Metode

Pengumpulan citra 5 jenis kayu yaitu 150 data training dan 100 data testing

“Ekstraksi citra berdasarkan tekstur dan warna menggunakan metode KNN.

Jarak antara citra di hitung menggunakan Cityblock Distance “

Hasil

Pembangunan aplikasi menggunakan metode KNN guna melakukaan

pengklasifikasian yang nantinya dilakukan pengujian terhadap citra uji. Diharapkan aplikasi yang dibangun memiliki tingkat akurasi diatas 90%

Manfaat

Melakukan implementasi metode KNN dengan objek citra jenis kayu berdasarkan tekstur dan warna

(41)

41

3.1 Metode Penelitian

Berikut ini merupakan kerangka kerja klasifikasi jenis kayu menggunakan metode K-NN :

Gambar 3.1 Metode Penelitian Input Citra RGB Kayu

Data Training Data Testing

Ekstraksi Ekstraksi Database Citra Training Database Citra Testing K-NN Cityblock Distance Output

(42)

3.2 Instrumen Penelitian

Perangkat keras dan lunak yang dipergunakan antara lain :

3.2.1 Perangkat Lunak (Software)

Perangkat lunak yang digunakan “dalam menyelesaikan penelitian adalah sebagai berikut : “

a. Windows 7 ultimate 64 bit

Penulis menggunakan windows 7 ultimate 64 bit dalam pembuatan aplikasi dan laporan penelitian.

b. Matlab

Digunakan dalam implementasi Ekstraksi Histogram dan k-Nearest Neighbors (KNN).

c. Microsoft Office Word 2010

Digunakan dalam penulisan penelitian d. Adobe Photoshop

Software photoshop digunakan dalam melakukan perbaikan citra seperti cropping citra.

3.2.2 Perangkat Keras ( Hardware)

Perangkat lunak yang digunakan dalam menyelesaikan penelitian adalah sebagai berikut :

a. Laptop Asus A45S Core i3 b. VGA Nvidia 1Gb

c. Ram 4 Gb d. Harddisk 500 Gb e. Kamera Smartphone

(43)

3.3 Objek Penelitian

Dalam tugas akhir ini penulis memilih kayu sebagai objek penelitian. Objek penelitian adalah bagaimana melakukan klasifikasi jenis kayu dengan metode K-NN menggunakan inputan citra kayu sehingga inputan tersebut dapat di ketahui jenis kayunya.

3.4 Metode Pengumpulan Data

1. Observasi

Observasi adalah cara mendasar untuk mencari tahu tentang dunia di sekitar kita. Sebagai manusia, kita dilengkapi keingintahuan untuk mengambil informasi rinci tentang lingkungan kita melalui indera kita. Namun, sebagai metode pengumpulan data untuk tujuan penelitian, pengamatan lebih dari sekedar mencari atau mendengarkan. Kegiatan yang dilakukan adalah melakukan pengumpulan data melalui website dengan mencari informasi mengenai perbedaan jenis kayu dan aplikasi yang dapat melakukan klasifikasi. 2. Studi Pustaka

Studi pustaka merupakan teknik pengumpulan data dengan mengadakan studi penelaahan terhadap buku – buku, literatur-literatur, catatan-catatan,dan laporan-laporan yang ada hubungannya dengan masalah yang dipecahkan. Studi pustaka yang dilakukan oleh penulis selama melakukan penulisan yaitu berupa mencari jenis kayu yang memiliki karakteristik unik dan pencarian metode yang dapat digunakan sebagai klasifikasi yaitu metode K-NN.

(44)

3.5 Jenis Data

1. Data Primer

Data primer yang digunakan berupa data kayu yang nantinya digunakan sebagai citra testing dan data training yang nantinya akan di lakukan klasifikasi menggunakan perbandingan dengan citra uji atau citra inputan

Tabel 3.1 Jenis Citra Kayu

Citra Nama Jumlah

Kayu Jati Training = 30 Testing = 20

Nangka Training = 30 Testing = 20

(45)

Kayu Sengon Training = 30 Testing = 20 Kayu beringai Training = 30 Testing = 20

Kayu Glugu Training = 30 Testing = 20

(46)

2. Data Sekunder

Data atau informasi yang diperoleh dari dokumen, laporan tertulis, buku, jurnal terkait dan thesis yang diperoleh dari berbagai sumber.Adapun data sekunder tersebut yaitu :

a. Materi Klasifikasi menggunakan K-NN diambil dari paper yang berjudul Texture Features and KNN in Classification of Flower Images karya D S Guru 2010

b. Materi K- Nearest Neighbour diambil dari jurnal ilmiah oleh

N.S.Altman dengan judul An Introduction to Kernel and Nearest-Neighbor Nonparametric Regression 1990

c. Materi Tekstur Jenis Kayu yang diambil dari jurnal ilmiah Madison, WI: U.S. Department of Agriculture, Forest Service, Forest Products Laboratory dengan judul Wood as an engineering material. General Technical Report 113 2009.

3.6 Teknik Pengambilan Data

Teknik pengambilan data dalam memperoleh citra jenis kayu di gunakan menggunakan kamera dengan pengambilan gambar dari sudut 90 derajat. Pengambilan gambar citra kayu dilakukan pada siang hari sehingga memiliki tingkat keterangan yang sama dan menggunakan background berwarna putih. Background digunakan berwarna putih diharapkan dapat mempermudah dalam pengambilan citra dan mempermudah dalam pengklasifikasian menggunakan metode K-NN.

3.7 Teknik Analisis Data

Teknik analisis data adalah cara mengolah data menjadi informasi sehingga sifat atau karakteris datanya mudah dipahami. Data yang telah dikumpulkan akan dibagi menjadi dua jenis yaitu data training dan data testing. Data training

(47)

berfungsi sebagai bahan pembelajaran pada mesin agar mesin dapat memiliki sebuah pengetahuan tentang tekstur kayu. Data testing berfungsi sebagai data uji coba kemampuan mesin. Data-data tersebut kemudian dipindahkan kedalam komputer. Data training sebanyak 30 citra dan data testing sebanyak 20 citra dari 5 jenis kayu yang berbeda. Dalam penelitian ini ada beberapa tahapan yang dilakukan terhadap data-data yang diperoleh, tahapan tersebut antara lain :

1. Melakukan seleksi kualitas tektur dan warna kayu yang memenuhi standart 2. Melakukan ekstraksi untuk data testing dan data training

3. Ekstraksi menggunakan Histogram

4. Metode klasifikasi menggunakan metode K-Nearest Neighbor (KNN) 5. Pemilihan data uji sehingga data inputan dapat dengan mudah terdeteksi.

3.8 Alur Metode Penelitian

Alur metode penelitian merupakan alur yang digunakan untuk mendeskripsikan diagram yang ada di metode penelitian, tahapnya sebagai berikut

1. Input Citra RGB Kayu

Menginputkan citra input kayu yang akan di masukkan kedalam data training dan data testing. Data yang dipergunakan berjumlah 30 data training dan 20 data testing.

2. Data Training dan data testing

Citra yang dimasukkan ke dalam citra input.akan dibagi menjadi citra data training dan testing.

3. Ekstraksi

Citra yang ada di data training dan testing, di ekstraksi menggunakan fitur ekstraksi, dimana pada tahap ini dilakukan pengkalkulasian citra berdsarkan 6 fitur ekstraksi histogram yaitu : Intensitas, Deviasi, Skewness, Energi, Entropy

(48)

dan Smoothness. Nilai yang dihasilkan dari fitur ekstraksi dimasukkan di data training dan data testing.

4. Database Training dan Testing

Nilai yang dihasilkan dari tahap sebelum dimasukkan ke database training dan testing. Database training digunakan sebagai acuan data, yang nantinya dicocokan dengan data testing.

5. K-NN

Perhitungan metode menggunakan K-Nearest Neighbor. K-NN menggunakan k=3 dikarenakan klasifikasi pada k=3 merupakan nilai yang optimal dalam pengklasifikasian. Dengan menentukan tetangga terdekat, kemudian melakukan penentuan kelas ketertangaan jarak. Sehingga dapat diketahui kelas – kelas citranya berdasarkan jarak ketertanggaan.

6. Cityblock Distance

Tahap selanjutnya adalah melakukan perhitungan jarak. Jarak yang dikalkulasi adalah antara jarak data testing dengan data training, perhitungan jarak tersebut menggunakan Cityblock distance.

7. Output

Perhitungan yang sudah dilakukan menggunakan cityblock distance antara data training dengan data testing, akan menghasilkan output nama berdasarkan kelas citra yang dihasilkan pada tahap kalkulasi.

3.9 Eksperimen

Pada tahap eksperimen akan dilakukan penelitian yaitu melakukan pengujian terhadap aplikasi yang di bangun. Pada tahap eksperimen ini penulis menerapkan

(49)

metode yang digunakan adalah K-Nearest Neighbor. Tahapan yang di lakukan adalah sebagai berikut :

1. Melakukan input citra training dan testing, Citra training yang digunakan sebanyak 30 buah dan citra testing sebanyak 20 buah. Citra yang di inputkan berupa citra jenis kayu.

2. Citra kemudian diekstraksi menggunakan fitur histogram.

3. Citra yang sudah terekstraksi di simpan pada database citra training yang nantinya digunakan sebagai acuan klasifikasi.

4. Citra testing diinputkan sebagai bahan uji coba yang nantinya digunakan sebagai perhitungan nilai akurasi.

5. Citra testing dihitung jarak terhadap citra training yang sudah diinputkan sebelumnya.

6. Perhitungan menggunakan metode K-NN terhadap ekstraksi citra data training dan data testing. Perhitungan jarak yang digunakan yaitu menggunakan metode perhitungan jarak Cityblock Distance

7. Muncul output berdasarkan tahapan yang dilakukan diatas. Dari output tersebut kemudian akan dihitung tingkat akurasinya menggunakan rumus Recognition Rate = =_{𝐽𝑢𝑚𝑙𝑎ℎ 𝐷𝑎𝑡𝑎 𝑆𝑒𝑙𝑢𝑟𝑢ℎ𝑛𝑦𝑎}𝐽𝑢𝑚𝑙𝑎ℎ 𝐷𝑎𝑡𝑎 𝐵𝑒𝑛𝑎𝑟 𝑥 100%

8.

Tingkat akurasi yang diharapakan yaitu lebih dari 90%

(50)

50

BAB IV

HASIL DAN PEMBAHASAN

4.1 Hasil Penelitian

Pada bab ini membahas implementasi dan pembahasan dari hasil penelitian yang telah dilakukan tentang klasifikasi jenis kayu menggunakan metode k-Nearest Neighbors (KNN).

4.1.1 Tahap Pengambilan Data

Pada penelitian ini, dibuat aplikasi pengklasifikasian jenis kayu

menggunakan metode K-Nearest Neighbors. Data-data tersebut digunakan sebagai input dan output untuk pelatihan (training) dan data uji (testing) untuk sistem. Data yang digunakan berupa data citra jenis kayu yang diambil sendiri menggunakan kamera.

4.1.2 Data citra

Data citra yang digunakan menggunakan ukuran piksel 625x417. Citra yang digunakan berjumlah 250 citra kayu dari 5 jenis kayu. Citra diambil menggunakan kamera saat siang hari. Dari jumlah 250 citra, 150 data citra digunakan sebagai data training dan 100 data citra sebagai data testing. Data training di masukkan ke dalam database sebagai media klasifikasi.

(51)

Tabel 4.1 Data Citra

Citra Nama Jumlah

Kayu Glugu Training = 30 Testing = 20

Kayu Bengkirai Training = 30 Testing = 20

Kayu Nangka Training = 30 Testing = 20

Kayu Sengon Training = 30 Testing = 20

(52)

Kayu Jati Training = 30 Testing = 20

4.2 Ekstraksi Nilai Citra

Ekstraksi fitur citra jenis kayu digunakan untuk mendapatkan ciri tekstur dari pola kayu yang berbeda. Dalam ekstraksi fitur yang dilakukan menggunakan 6 fitur diantaranya Intensitas, Deviasi, Skewness, Energi, Entropi dan Smoothness. Citra tersebut kemudian diproses menggunakan ekstraksi fitur Histogram dengan menggunakan jarak Ecluidean Distance. Untuk proses ekstraksi fitur Histogram akan menghasilkan angka - angka pixel pada setiap citra jenis kayu sebagai berikut :

1. Citra Training

Citra training adalah citra yang digunakan sebagai data training. Data training berjumlah 150 data citra yang sudah di ekstraksi menggunakan 6 fitur. Citra yang digunakan berupa citra RGB atau citra warna. Berikut contoh tabel citra training yang digunakan dalam penelitian :

Tabel 4.2 Contoh ekstraksi citra

Nama Intensitas Deviasi Skewness Energi Entropi Smoothness Citra Glugu 180.4744 23.20895 -0.01727 0.01185 4.55768 0.008216 175.1195 27.64936 -0.0869 0.010083 4.727105 0.01162 175.8323 29.0445 -0.10635 0.009542 4.76931 0.012807 178.545 27.62094 -0.05582 0.009879 4.720625 0.011597 175.523 27.86881 -0.01926 0.009839 4.736716 0.011803

(53)

Citra Bengkirai 166.1356 22.10266 0.009961 0.013178 4.507836 0.007457 170.9362 17.90768 -0.00465 0.015997 4.301376 0.004908 176.6454 18.86463 -0.00761 0.015207 4.352646 0.005443 170.2436 20.42026 -0.02345 0.014208 4.429326 0.006372 172.3374 19.50475 -0.02218 0.014696 4.385983 0.005817 Citra Jati 174.1584 20.87299 -0.00311 0.01384 4.450675 0.006656 174.7974 18.85961 0.001358 0.015188 4.352635 0.00544 184.5582 26.76904 0.021667 0.011353 4.628919 0.0109 173.132 16.44496 -0.0485 0.018067 4.186153 0.004142 166.4331 15.01746 -0.0267 0.020672 4.091726 0.003456 Citra Nangka 183.0372 21.3881 -0.08519 0.013703 4.444275 0.006986 188.1276 18.8664 -0.05141 0.015104 4.311657 0.005444 181.5373 15.4546 -0.04024 0.022489 4.021865 0.00366 193.2862 14.49852 -0.01991 0.020821 4.001465 0.003222 187.8682 18.51086 -0.043 0.015428 4.315246 0.005242 Citra Sengon 182.091 21.00991 -0.03882 0.013306 4.454081 0.006743 194.0067 16.97415 -0.0328 0.017118 4.232915 0.004411 170.242 28.97782 -0.22505 0.010104 4.736234 0.012749 160.7237 31.05191 -0.19964 0.009095 4.80764 0.014612 172.9367 19.54797 -0.02151 0.014184 4.384696 0.005842 185.7759 16.93327 -0.01388 0.016563 4.243731 0.00439 2. Citra Testing

Citra testing adalah citra yang digunakan sebagai data testing atau data uji. Data testing berjumlah 100 data citra dari 5 jenis citra kayu yang sudah di ekstraksi menggunakan 6 fitur. Berikut contoh tabel citra training yang digunakan dalam penelitian :

(54)

Tabel 4.3 Ekstraksi citra testing

Nama Intensitas Deviasi Skewness Energi Entropi Smoothness Citra Glugu 174.5953 24.27009 0.000149 0.011266 4.590534 0.008977 162.152 32.94453 -0.12005 0.00842 4.90258 0.016417 170.233 31.29566 -0.06198 0.008887 4.849979 0.014839 172.5646 26.48209 0.023576 0.010411 4.687497 0.01067 172.7528 26.08057 0.070569 0.010867 4.660872 0.010352 Citra Bengkirai 170.4019 21.51605 0.018727 0.013365 4.479085 0.007069 169.0855 21.99052 0.008537 0.012911 4.504841 0.007382 171.0091 21.32633 0.016727 0.013263 4.474298 0.006946 172.1247 23.85586 0.009381 0.011933 4.587248 0.008676 175.391 21.5243 -0.00298 0.013173 4.485338 0.007074 Citra Jati 135.4145 25.91855 0.131927 0.012549 4.615992 0.010225 136.2585 26.30274 0.10471 0.011556 4.660578 0.010528 115.5717 29.64801 0.407916 0.011581 4.69469 0.013338 123.2062 23.94541 -0.09888 0.011958 4.573855 0.008741 125.7212 25.32833 -0.14152 0.012497 4.60309 0.009769 Citra Nangka 198.2166 15.43668 -0.04253 0.019492 4.098231 0.003651 183.908 17.80044 -0.03228 0.015774 4.279247 0.004849 160.8375 23.95078 -0.09409 0.011944 4.574156 0.008745 172.4267 20.45747 -0.09793 0.014727 4.384309 0.006395 193.3621 16.45693 -0.0382 0.017694 4.182174 0.004148 Citra Sengon 166.7237 25.89622 -0.10828 0.010805 4.631717 0.010208 165.3396 23.89149 -0.08309 0.01176 4.565546 0.008702 182.9012 16.13568 -0.02425 0.017515 4.184413 0.003988 194.7563 16.47677 -0.00975 0.016841 4.211948 0.004158 193.0634 15.76451 -0.01654 0.017872 4.168765 0.003807

(55)

4.3 Implementasi Aplikasi

Berikut tampilan aplikasi yang digunakan ssebagai pengujian : 1. Halaman Utama

Halaman ini merupakan tampilan form utama program aplikasi dijalankan. Pada form ini berisi menu untuk melakukan inputan citra,

Gambar 4.1 Tampilan aplikasi

Tahapan selanjutnya yaitu input citra dari data testing guna melakukan pengklasifikasian :

(56)

Gambar 4.2 Tampilan output aplikasi

Pada tampilan setelah dilakukanya proses ekstraksi akan menghasilkan nilai ekstraksi dan tombol hasil untuk menampilkan hasil klasifikasi beserta deskripsi citra yang diinputkan. Berdasarkan output tersebut maka dapat digunakan sebagai data untuk menghitung akurasi dari aplikasi yang digunakan.

(57)

4.4 Pengujian Aplikasi

Berikut percobaan klasifikasi menggunakan metode KNN dengan parameter =3 untuk menghasilkan nilai akurasi pada aplikasi :

Tabel 4.4 Tabel percobaan aplikasi dengan metode KNN

No Jenis Hasil Aplikasi TRUE / FALSE

1 Glugu Glugu TRUE

2 Glugu Glugu TRUE

3 Glugu Glugu TRUE

4 Glugu Glugu TRUE

5 Glugu Glugu TRUE

6 Glugu Glugu TRUE

7 Glugu Sengon FALSE

8 Glugu Glugu TRUE

9 Glugu Glugu TRUE

10 Glugu Glugu TRUE

11 Glugu Glugu TRUE

12 Glugu Glugu TRUE

13 Glugu Glugu TRUE

14 Glugu Glugu TRUE

15 Glugu Glugu TRUE

16 Glugu Glugu TRUE

17 Glugu Glugu TRUE

18 Glugu Glugu TRUE

19 Glugu Glugu TRUE

20 Glugu Glugu TRUE

21 Bengkirai Bengkirai TRUE

(58)

33 Bengkirai Nangka FALSE

41 Jati Jati TRUE

42 Jati Jati TRUE

43 Jati Jati TRUE

44 Jati Jati TRUE

45 Jati Jati TRUE

46 Jati Bengkirai FALSE

47 Jati Jati TRUE

48 Jati Jati TRUE

49 Jati Jati TRUE

50 Jati Jati TRUE

51 Jati Jati TRUE

52 Jati Jati TRUE

53 Jati Jati TRUE

54 Jati Jati TRUE

55 Jati Jati TRUE

56 Jati Jati TRUE

57 Jati Jati TRUE

58 Jati Jati TRUE

59 Jati Jati TRUE

60 Jati Jati TRUE

61 Nangka Nangka TRUE

(59)

70 Nangka Jati FALSE

72 Nangka Sengon FALSE

77 Nangka Sengon FALSE

81 Sengon Sengon TRUE

84 Sengon Nangka FALSE

85 Sengon Nangka FALSE

96 Sengon Sengon FALSE

(60)

4.5 Akurasi

“Perhitungan akurasi dalam klasifikasi jenis kayu menggunakan klasifikasi K-NN dengan metode perhitungan jarak ecuilden distance dihitung menggunakan recognition rate. Dari 100 citra testing terdapat 9 citra yang tidak sesuai dengan class jenis kayunya sehingga menghasilkan akurasi sebesar 91%.”Dengan perhitungan sebagai berikut.

Recognition Rate = 𝚺 Citra benar

𝚺 Jumlah Citrax 100 %

= 𝟗𝟏

𝟏𝟎𝟎

𝑥 100%

(61)

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan dari penelitian tentang klasifikasi jenis kayu menggunakan metode K-Nearest Neighbor (KNN) dan metode perhitunagn jarak Cityblock Distance dengan menggunakan 150 citra training yang di masukkan ke dalam database sebagai citra acuan dan 100 citra uji sebagai citra pengujian aplikasi yang sudah di bangun dengan menggunakan 5 jenis citra kayu yang berbeda yaitu kayu jati, sengon, glugu, nangka, dan bengkirai. Dari hasil percobaan terhadap aplikasi, hasil terbaik pengelompokan jenis kayu dengan nilai k=3 menggunakan 5 citra jenis kayu yang berbeda mencapai akurasi 91%. Sehingga dapat disimpulkan bahwa metode K-Nearest Neighbor (KNN) dengan metode perhitungan jarak menggunakan Cityblock Distance dapat digunakan sebagai metode klasifikasi jenis kayu berdasarkan citra kayu dengan tingkat akurasi sebesar 91%

5.2 Saran

Beberapa saran untuk meningkatkan hasil penelitian berikutnya tentang klasifikasi jenis kayu diantaranya sebagai berikut :

1. Penelitian selanjutnya diharapkan untuk menambah sampel jenis kayu.

2. Dalam data training dan data testing menggunakan data citra yang lebih banyak lagi agar dapat meningkatkan akurasi yang lebih baik.

3. Pengambilan citra menggunakan banyak sudut dan jarak yang berbeda-beda. 4. Menggunakan metode perhitungan jarak yang lain , maupun membandingkan