Abstract—Agriculture is one area that is very suitable for applied computer vision. Currently in agriculture practice, human visual perception is widely used as a simple-robust quality evaluation of agricultural products. Black tea, is the fifth largest contributor to Indonesia foreign exchange. Nowadays, the production process of black tea, mainly in sorting and grading process still rely on foreman ability as a manual quality evaluator. This cause low accuracy level to identify defects of the products. Very rare found a single inspector succeed to detect defects exceed 50-60%. The aim of this study was to develop a system that uses a Tamura texture algorithm as a features to recognize grade the quality of black tea based on the standard of practical use in the market that includes BOP, BOPF, BP, BT, Dust, including unsorted grade, BTL and BBL, The total number of images used in the present study as many as 153 images. Based on classification results, a system built successfully classified dust grade with accuracy of 91.18%. In general, the accuracy of the system reached 51.07%. Keyword: Computer vision, Naïve Bayes, Tamura, Teh Hitam, Tekstur.
I. PENDAHULUAN
Computer vision merupakan sebuah ilmu yang
mengembangkan teori dan dasar algoritma yang berguna untuk menganalisa dan mengambil secara otomatis informasi tentang sebuah objek atau pemandangan dari sebuah, atau sekumpulan citra yang ditangkap [1].
Saat ini topik computer vision, sudah banyak diteliti dan diaplikasikan di kehidupan sehari – hari. Computer
vision sendiri dianggap mampu menggantikan kinerja
manusia yang melibatkan pemeriksaan visual mata. Hal ini disebabkan metode computer vision, memiliki kelebihan, antara lain dapat bekerja terbebas dari interpretasi bias manusia, objektif, konsisten, cepat,
Seminar, K. B., adalah guru besar Fakultas Teknologi Pertanian, Institut Pertanian Bogor, Bogor, PO BOX 220 (email : seminarkudangboro@gmail.com)
Muqodas, A. U., adalah mahasiswa Departemen Teknik Mesin dan Biosistem, Fakultas Teknologi Pertanian, Institut Pertanian Bogor, Bogor, PO BOX 220 (email : avicienna.ulhaq@gmail.com)
handal, dan memiliki harga yang kompetitif dilihat dari segi komponen penginderaan (sensor) [2]-[5].
Salah satu bidang yang sangat cocok diterapkan
computer vision adalah pertanian. Pada bidang
pertanian, persepsi visual manusia banyak digunakan sebagai evaluasi mutu sederhana dari produk pertanian. Teh hitam, merupakan salah satu komoditas yang menempati urutan kelima sebagai penyumbang devisa negara terbesar. Saat ini, proses produksi teh hitam, utama nya pada proses sortasi dan grading masih mengandalkan kemampuan mandor sebagai evaluator mutu manual. Dengan mengandalkan manusia sebagai satu-satunya evaluator mutu, tingkat akurasi untuk mengenali kecacatan dari produk pun relatif rendah, sangat jarang ditemui inspektor tunggal yang berhasil mendeteksi kecacatan melebihi 50-60 % [6].
Penelitian terkait computer vision pada bidang pertanian, khususnya pada komoditas teh sudah banyak dilakukan. Metode computer vision, pernah digunakan untuk mengidentifikasi kualitas dari teh hijau dengan menggunakan algoritma support vector machine, dengan tingkat akurasi mencapai 90 %. Penelitian lain juga pernah dilakukan adalah mengembangkan prototipe dari computer vision untuk melakukan
grading dari grade I pada teh hitam CTC. Penelitian
ini, berhasil mencapai akurasi hingga 100 % [7]. Pada penelitian kali ini, fitur tekstur digunakan sebagai pendekatan untuk klasifikasi grade mutu dari teh hitam. Pada praktiknya, grade teh hitam dibedakan melalui ukuran butiran oleh mandor secara manual, akan tetapi metode manual seperti itu, tentu saja sangat tidak efektif dan efisien. Oleh karena itu, penelitian ini menggunakan pendekatan tekstur sehingga pengukruan dapat dilakukan lebih efektif dan efisien.
Pada bidang computer vision, tekstur merupakan salah satu aspek yang banyak dikaji. Pada awalnya, pengukuran tekstur dilakukan dengan menggunakan fungsi auto-korelasi. Kemudian berkembang menjadi berbasis citra abu menggunakan co-occurrence matriks, yang menghasilkan 13 fitur [8]. Ada pula Solahudin, M., adalah staff pengajar Departemen Teknik Mesin dan Biosistem, Institut Pertanian Bogor, Bogor, PO BOX 220 (email : msoul9@yahoo.com)
Widodo, S., adalah staff pengajar Departemen Teknik Mesin dan Biosistem, Institut Pertanian Bogor, Bogor, PO BOX 220 (email : slamet.ae39@gmail.com)
Avicienna Ulhaq Muqodas, Kudang Boro Seminar, Mohamad Solahudin, Slamet Widodo
Departement of Mechanical and Biosystem Engineering
Faculty of Agricultural Technology, Bogor Agricultural University
E-mail: avicienna.ulhaq@gmail.com, seminarkudangboro@gmail.com,
msoul9@yahoo.com, slamet.ae39@gmail.com
Klasifikasi Teh Hitam Menggunakan Tekstur Tamura
dan Klasifikasi Naïve Bayes
beberapa penelitian yang mengukur tekstur menggunakan teknik Law. Kemudian berkembang lagi menjadi berbasiskan analisis fraktal pada tahun 1980.
Akan tetapi, dari seluruh penelitian yang ada sangat sedikit pembahasan mengenai hubungan antara metode yang diusulkan dengan perspektif visual dari manusia itu sendiri. Salah satu metode pengukuran tekstur yang membahas keterkaitan metode ekstraksi dan perspektif manusia adalah tekstur Tamura.
Tujuan dari penelitian ini adalah untuk membangun sebuah sistem untuk mengenali grade mutu dari teh hitam berdasarkan standar praktis yang digunakan di pasar menggunakan algoritma Tamura untuk ekstraksi fitur tekstur citra.
II. METODE
A. Bahan
Pada penelitian kali ini, teh hitam diambil dari Pusat penelitian Teh dan Kina, Gambung, Jawa Barat. Grade mutu yang digunakan pada penelitian ini berdasarkan pada standar praktis di pasar yang meliputi BOP, BOPF, BP, BT, Dust, [9] termasuk grade kasar, BTL dan BBL [10].
B. Pengambilan Citra
Pada penelitian kali ini, citra diambil menggunakan kamera Panasonic Lumix DMC-F5 dengan sumber cahaya menggunakan dua buah lampu LED. Ilustrasi dari konfigurasi skema kerja dari pengambilan gambar dapat dilihat pada Gambar 1 dan Tabel 1.
Tabel 1 Konfigurasi pengambilan citra
Parameter Keterangan
Tinggi kamera 10 cm
Tinggi lampu 12.5 cm
Resolusi(pixel) 2048 x 1536
Jenis lampu 2 LED 5 Watt
Pada penelitian ini, jumlah total citra yang diambil sejumlah 153 citra, contoh citra hasil akuisisi dapat terlihat pada Gambar 2.
C. Ekstraksi Fitur Tekstur
Sesungguhnya, belum ada definisi yang baku mengenai tekstur itu sendiri, akan tetapi untuk memudahkan dalam pembatasan masalah dan pembahasan, tekstur pada penelitian kali ini didefinisikan sebagai variasi intensitas pada sebuah area dalam citra. Sehingga, memudahkan untuk dikenali garis luarnya atau batas nya [11].
Gambar 1 Skema kerja pengambilan citra
Pada metode ekstraksi fitur tekstur Tamura, karakteristik tekstur dijelaskan menjadi 3 parameter : 1) Coarseness
Coarseness, merupakan salah satu fitur yang
penting dalam metode ekstraksi Tamura. Semakin besar elemen penyusun, atau semakin sedikit pengulangan elemen, maka citra akan semakin
coarse. Secara kualitatif, coarse dinyatakan dengan
padat, atau rapat. Contrast pada metode Tamura didapatkan dari persamaan 1.
Coarseness
=
m i n j besti
j
S
n
m
(
,
)
1
(1)
Dimana Sbest didefinisikan sebagai:
k best
x
y
S
(
,
)
2
,dimana k adalah nilai dimana E tertinggi
)
,
2
(
)
,
2
(
)
,
(
x
y
A
x
1y
A
x
1y
E
k k k k
2 1 2 1 2 2 2 1 1 1 12
/
)
,
(
)
,
(
k k k k x x i y x j k kx
y
f
i
j
A
2) ContrastDalam arti khusus, contrast menggambarkan kualitas dari sebuah citra. ada beberapa faktor yang mempengaruhi nilai contrast, diantaranya i) rentang dinamis dari tingkat warna abu ii) perbandingan dari area hitam dan putih iii) ketajaman dari tepi iv) banyaknya pengulangan pola.
Contrast
=
n)
(
4
(2)Dimana
4didefinisikan sebagai:4
=
)
(
4 4
(3) Dimana,
4
Rata – rata seluruh piksel pada citra
4
Deviasi seluruh piksel pada citra 3) DirectionalityKarakter directionality mengukur orientasi dari nilai abu-abu pada citra. Pada directionality arah corak dari citra tidak berpengaruh, artinya pada citra yang arahnya berbeda dapat memiliki nilai directionality yang sama [11].
D. Klasifikasi
Klasifkasi digunakan untuk menentukan banyaknya pendugaan yang berhasil dilakukan oleh sistem menggunakan input fitur tekstur Tamura. Pada penelitian kali ini, klasifikasi menggunakan metode naïve Bayes. Naïve bayes sendiri menggunakan teorema bayes seperti persamaan 4.
𝑝(𝑎|𝑏) =𝑝(𝑏|𝑎). 𝑝(𝑎) 𝑝(𝑏) (4) PF Dust BTL BT BP BOPF BOP BBL 3.00 2.95 2.90 2.85 2.80 2.75 Grade Co ar se ne ss PF Dust BTL BT BP BOPF BOP BBL 200 190 180 170 160 Grade D ir ec ti on al it y PF Dust BTL BT BP BOPF BOP BBL 5.0 4.5 4.0 3.5 3.0 Grade Co nt ra st
Gambar 3 Hasil pengambilan fitur tekstur menggunakan metode Tamura: a) coarseness b) contrast dan
c) Directionality
a
b
Gambar 4 Hasil uji beda nyata: a) fitur coarseness b) fitur contrast c) fitur directionality
a
b
Gambar 5 Akurasi pada setiap grade mutu teh hitam Pada algoritma naïve Bayes, setiap input yang
masuk kedalam model diasumsikan tidak berhubungan. Algoritma naïve Bayes merupakan algoritma yang sederhana tetapi dianggap cukup handal dalam melakukan klasifikasi. Pendekatan Bayes pernah digunakan untuk melakukan prediksi serangan virus gemini pada lahan cabai dengan fotografi udara menghasulkan akurasi sangat baik mencapai 95.58 % [12].
III. HASIL DAN PEMBAHASAN A. Hasil Ekstraksi Fitur
Nilai dari fitur tekstur Tamura yang sudah diekstrak terlihat pada Gambar 3. Berdasarkan Gambar 3a, terlihat untuk fitur coarseness, grade Dust memiliki niali rata – rata tertinggi. Secara umum, seluruh grade memiliki interval yang saling bertumpukan. Sedangkan pada fitur contrast, terlihat adanya titik ekstrim seperti pada Gambar 3b. Nilai tertinggi dari fitur contrast ada pada grade BTL dan BBL, sedangkan nilai terendah terdapat pada grade Dust. Sedangkan pada Gambar 3c, menggambarkan fitur directionality pada setiap grade. Pada Gambar 4, dilakukan uji beda nyata jujur dengan nilai α = 0.01 pada ketiga fitur tersebut. Berdasarkan grafik, apabila satu pasangan memiliki
p-value yang lebih besar dari 0.01, maka dapat
disimpulkan bahwa pasangan tersebut tidak berbeda secara nyata, namun apabila pasangan tersebut diketahui memiliki p-value yang lebih kecil atau sama dengan 0.01 maka disimpulkan bahwa pasangan tersebut berbeda nyata.
Pada Gambar 4c, terlihat bahwa seluruh grade tidak berbeda nyata pada fitur directionality. Hal ini sangat memungkinkan disebabkan fitur directionality hanya mengukur besarnya derajat putar dari corak. Sedangkan pada Gambar 4a, terlihat bahwa pasangan grade dust – BOP, dust – BP, dan dust – BT berbeda secara nyata pada fitur coarseness. Fitur contrast, seperti yang terlihat pada Gambar 4b, memiliki lebih banyak pasangan grade yang berbeda nyata. Pada fitur
contrast, hanya pasangan grade BBL – BTL, PF –BOP,
BOPF – BOP, PF – BOPF, BT – BP, BT – BOP, BP – BOPF yang tidak berbeda nyata.
B. Hasil Klasifikasi
Hasil klasifikasi menggunakan algoritma naïve Bayes terlihat pada Tabel 2. Akurasi tiap grade dapat terlihat pada Gambar 5. Akurasi total dari hasil klasifikasi mencapai 57.06 %.
Berdasarkan Gambar 5, terlihat bahwa klasifikasi berjalan dengan sangat baik untuk menentukan grade
dust dengan akurasi 91.18 %. Sedangkan akurasi
terendah terdapat pada grade BP dengan 9.52 %. Berdasarkan hasil klasifikasi tersebut, kita dapat melihat adanya sebuah pola umum dimana kesalahan klasifikasi banyak terjadi pada grade yang memiliki hasil uji beda nyata tidak signifikan. Hal ini dapat kita lihat pada contoh kasus klasifikasi grade BP. Grade BP memiliki akurasi terendah, 9.52 %. Pada hasil klasifkasi grade BP, algoritma naïve bayes lebih banyak mengkelaskan BP sebagai grade BT. Berdasarkan hasil uji beda nyata yang dilakukan sebelumnya, terlihat bahwa grade BP dan BT memiliki nilai yang tidak berbeda nyata di ketiga fitur.
Contoh lain yang dapat kita ambil terjadi pada klasifikasi dust. Walaupun grade dust berhasil diklasifikasikan dengan akurasi yang sangat baik, sistem masih melakukan beberapa kesalahan klasifikasi
dust sebagai PF. Apabila kita bandingkan dengan hasil
uji beda nyata sebelumnya, dapat kita lihat bahwa dust dan PF tidak berbeda nyata pada fitur coarseness dan
directionality.
Berdasarkan hasil klasifikasi, kesalahan pendugaan umumnya menghasilkan grade PF. Terlihat bahwa
grade PF menghasilkan nilai salah duga terbanyak
hingga mencapai 21 kali kesalahan. Jika bandungkan dengan hasil uji beda nyata, Terlihat bahwa PF pada fitur coarseness dan directionality tidak berbeda nyata dengan seluruh grade. Sedangkan pada fitur contrast, PF juga tidak berbeda nyata dengan grade BOP dan BOPF.
63.64%
91.18%
69.05%
9.52%
54.55%
18.18%
45.45%
36.36%
0%
20%
40%
60%
80%
100%
BT
Dust
PF
BP
BOPF
BOP
BTL
BBL
Ak
u
rasi
Tabel 2 Hasil klasifikasi dengan algoritma naïve Bayes
Grade Ideal
Terdeteksi
Akurasi
BT
Dust
PF
BP
BOPF
BOP
BTL
BBL
BT
14
0
3
0
4
0
0
1
63.64%
Dust
0
31
3
0
0
0
0
0
91.18%
PF
4
2
29
1
6
0
0
0
69.05%
BP
5
0
4
2
3
1
3
3
9.52%
BOPF
2
0
3
0
6
0
0
0
54.55%
BOP
1
0
7
0
1
2
0
0
18.18%
BTL
0
0
1
1
0
0
5
4
45.45%
BBL
1
0
0
1
0
0
5
4
36.36%
Akurasi Total
57.06%
KESIMPULANSistem pengenalan grade mutu dengan ekstraksi fitur fitur tekstur Tamura berhasil dikembangkan. Sistem dapat mengenali grade mutu teh hitam dengan akurasi tertinggi apda grade mutu dust dengan akurasi mencapai 91.18 %, sedangkan akurasi terendah terjadi pada pedugaan grade mutu BP. Berdasarkan hasil analisa, kesalahan klasifikasi terjadi akibat dari fitur yang digunakan sebagai input klasifikasi tidak berbeda nyata pada grade tertentu.
Secara umum, akurasi total yang dapat dicapai oleh sistem mencapai 57.06 %.
REFERENCES
[1] S. Gunasekaran, Ed., Nondestructive Food
Evaluation, Techniques to Analyze Properties and Quality. New York: Marcel Dekker Inc, 2001.
[2] Sapirstein HD. “Quality control in commercial
baking: Machine vision inspection of crumb grain in bread and cake products”. In Proceeding of the Food Processing Automation IV Proceedings of the FPAC Conference, pp.49085-9659, 1995 [3] Liu W, Tao Y, Siebenmorgen TJ, Chen H, “Digital
image analysis method for rapid measurement of rice degree of milling 1”, Cereal chemistry, AAC International, vol 75, no.3, pp.380-385. 1998
[4] Ni B, Paulsen MR, Liar K, Reid JF, “Design of an automated corn kernel inspection system for machine vision”, Transactions of the ASAE, ASAE, vol 40, no.2, pp.491-497. 1997.
[5] Lu J, Tan J, Shatadal P, Gerrard DE, “Evaluation of pork color by using computer vision”, Meat Science, Elsevier, vol 56, no. 1, pp.57-60, 2000. [6] Park KS. 1987. Human Reliability: Analysis,
Prediction and Prevention of Human Error.
Amsterdam (NL): Elsevier
[7] A. Rakhmawati and E. Yuliastuti, “Compact Computer Vision / or Black Tea Qualify Evaluation Based on the Black Tea Particles,” no. November, pp. 87–91, 2011.
[8] R. M. Haralick, K. Shanmugam, and I. Dinstein, “Textural Features for Image Classification,”
IEEE Trans. Syst. Man. Cybern., vol. 3, no. 6, pp.
610–621, 1973.
[9] Kharisma Pemasaran Bersama Nusantara, Tea Market Report Weekly, Jakarta, 2015
[10] Rohdiana D, Suganda AG, Wirasutsna KR, Iwo MI, “Xanthine Oxidase Inhibitory And Immunomodulatory Activities Of Fifteen Grades Indonesia Orthodox Black Tea”, International Journal of Pharmacy and Pharmaceutical Sciences, vol. 6, pp.39 – 42, 2014.
[11] H. Tamura, S. Mori, and T. Yamawaki, “Textural Features Corresponding to Visual Perception,”
IEEE Trans. Syst. Man. Cybern., vol. 8, no. 6, pp.
460–473, 1978.
[12] M. Solahudin, B. Pramudya, Liyantono, Supriyanto, and R. Manaf, “Gemini Virus Attack Analysis in Field of Chili (Capsicum Annuum L.) Using Aerial Photography and Bayesian Segmentation Method,” Procedia Environ. Sci., vol. 24, pp. 254–257, 2015.
