6
BAB II
STUDI PUSTAKA
2.1 Tinjauan Pustaka
Penelitian pengolahan citra menggunakan metode transformasi curvelet telah banyak dilakukan sebelumnya dengan berbagai macam klasifikasi yang digunakan, salah satunya pada penelitian yang dilakukan oleh Taufiq, Adiwijawa, & Wirayuda, (2010) dalam penelitiannya yang berjudul “Analisis dan Implementasi Content Based Image Retrieval Menggunakan Metode Curvelet Transform” menggunakan metode CBIR (Content-Based Image Retrieval) untuk meng-capture informasi sisi dari citra yang kemudian dihasilkan matriks koefisien curvelet. Sebagai ciri tekstur yang merepresentasikan citra tersebut digunakan perhitungan nilai mean dan standar deviasi untuk mendapatkan koefisien curvelet. Hasil dari penelitian ini cukup baik untuk hasil pencarian citra (image retrieval) yang lebih akurat.
Metode transformasi curvelet juga digunakan oleh Al-Marzouqi & AlRegib, (2012) dalam penelitiannya yang berjudul “Curvelet Transform with Adaptive Tiling” mempelajari pengaruh penyesuaian kadar frekuensi pada transformasi kusor dan menyelidiki pengaruh ukuran tingkat yang paling rendah dan hubungannya dengan kinerja denoising. Pada penelitian ini juga mengenalkan algoritma untuk secara otomatis memilih jumlah dekomposisi optimal. Kinerjanya menunjukkan keuntungan yang jelas, dalam denoising aplikasi, bila dibandingkan dengan dekomposisi penguraian default.
Untuk sistem pengenalan kendaraan yang dilakukan oleh Kazemi, Samadi, Poorreza, & Akbarzadeh-T, (2007) juga menggunakan metode transformasi curvelet dalam penelitiannya “Vehicle Recognition Using Curvelet Transform and SVM” mengusulkan kinerja algoritma baru untuk sistem pengenal kendaraan. Sistem pengenalan ini didasarkan pada fitur kinerja transformasi kurva gambar dan koefisien matriks standar deviasi dalam skala yang berbeda dan berbagai orientasi. Penelitian ini menyajikan tiga jenis klasifikasi yang berbeda untuk pengenalan kendaraan yaitu Support Vektor Machine (one versus one), k nearest-neighbor, dan Support Vektor Machine (one versus all). Selain itu, sistem pengenalan yang diusulkan diperoleh dengan menggunakan informasi skala yang berbeda sebagai vektor fitur. Sehingga, mereka bisa mengklarifikasi skala yang paling penting dalam aspek informasi yang berguna. Percobaan numerik yang dilakukan untuk pengenalan kendaraan telah menunjukkan superioritas proses preprocessing curvelet dan standar deviasi, yang terkait dengan struktur Support Vector Machine (one versus one). Hasil uji ini menunjukkan, tingkat pengenalan yang tepat dari model kendaraan dalam sistem pengenalan ini, pada saat menggunakan matriks jumlah total informasi matriks koefisien curvelet 3 & 4 adalah sekitar 99 %. Pada penelitian ini telah mengumpulkan data yang mencakup 300 gambar dari 5 kelas kendaraan yang berbeda. Ke 5 kelas kendaraan ini meliputi PEUGEOT 206, PEUGEOT 405, Pride, RENAULT55 dan Peykan.
Penelitian menggunakan metode curvelet pada buah telah dilakukan oleh Khoje, Bodhe, & Adsul, (2013) dalam penelitiannya “Automated Skin Defect Identification System for Fruit Grading Based on Discrete Curvelet Transform” bertujuan untuk mengembangkan metodologi penilaian kualitas buah secara
objektif dengan menggunakan analisis tekstur berdasarkan Curvelet Transform. Sebagai pendekatan multiresolusi, curvelet memiliki kemampuan untuk memeriksa permukaan buah dengan resolusi rendah dan tinggi untuk mengekstrak detail global dan lokal tentang permukaan buah. Penelitian ini menggunakan 4 ekstraksi ciri yaitu energy, entropy, mean, dan standar deviasi yang digunakan untuk mengkarakterisasi tekstur permukaan buah. Fitur yang digunakan untuk mengklarifikasi permukaan buah adalah Support Vector Machine (SVM) dan Probabilistik Neural Networks (PNN) dan kinerja pengklasifikasi diuji untuk dua kategori grading buah yaitu sehat dan cacat. Hasil penelitian menunjukkan bahwa klasifikasi SVM terbaik diperoleh dengan akurasi 96 %. Studi ini menyimpulkan bahwa dengan transformasi curvelet memberikan wawasan menjanjikan untuk memperkirakan kerusakan kulit buah.
Penelitian menggunakan metode curvelet juga banyak dilakukan pada objek lainnya seperti untuk mangatasi masalah pengenalan wajah yang dilakukan oleh Mandal, Majumdar, & Wu, (2007) dalam penelitiannya “Face Recognition by Curvelet Based Feature Extraction” transformasi wavelet telah banyak digunakan untuk mengatasi masalah pengenalan wajah. Namun, penelitian ini menunjukkan bahwa transformasi curvelet menjadi metode yang lebih baik dari pada transformasi wavelet. Pada penelitian ini, ekstraksi fitur telah dilakukan dengan mengambil transformasi curvelet dari masing-masing gambar asli dan representasi 4 bit dan 2 bit terkuantisasi. Transformasi curvelet diperoleh sebagai fitur yang ditetapkan untuk pengklasifikasi pengenalan wajah. Penelitian ini menggunakan Support Vector Machine untuk menentukan klasifikasi akhir. Percobaan dilakukan pada tiga database yaitu Georgia Tech Face Database,
AT&T “The Database of Faces”dan Essex Grimace Face Database. Mandal menunjukkan bahwa curvelet memang bisa menggantikan wavelet sebagai pengklasifikasi pengenalan wajah.
Pengklasifikasian jenis tumor menggunakan transformasi curvelet dilakukan oleh Prabha & Sasikala, (2013) dalam penelitiannya “Texture Classification Using Curvelet Transform” menggunakan Magnetic Resonance Imaging (MRI) yang pada saat itu merupakan teknik pencitraan diagnostic yang sangat diperlukan untuk deteksi dini adanya perubahan abnormal pada jaringan dan organ tubuh. MRI memiliki resolusi kontras yang cukup baik untuk jaringan yang berbeda. Meskipun MRI dapat dengan jelas memasok lokasi dan ukuran tumor, tidak dapat mengklasifikasi jenis tumor. Keterbatasan ini memerlukan pengembangan teknik analisis baru yang akan meningkatkan kemampuan diagnostik. Salah satu teknik yang menjanjikan adalah analisis tekstur, yang menjadi ciri jaringan untuk menentukan perubahan karakteristik fungsional organ pada saat timbulnya penyakit. Pada klasifikasi tekstur berdasarkan transformasi curvelet telah dilakukan. Fitur bertekstur curvelet diekstrak dari wilayah yang diamati. Fitur tersebut terdiri entropi dan energy. Algoritma fuzzy-c-means digunakan sebagai classifier untuk mengklasifikasikan dua kumpulan gambar otak, tumor jinak dan tumor ganas. Hasilnya dengan transformasi curvelet bisa melampaui teknik multi resolusi lainnya yang menghasilkan tingkat akurasi tinggi.
Transformasi curvelet untuk mendeteksi citra tulisan tangan yang dilakukan oleh Hendri, Hidayat, & Dayawati, (2012) dalam penelitiannya “Analisis Performansi Sistem Deteksi Citra Tulisan Tangan Menggunakan
Transformasi Curvelet dan K-Nearest Neighbor” menggunakan metode Transformasi Curvelet dan proses pengenalan karakter menggunakan metode K-Nearest Neighbor sehingga dapat dibedakan tulisan seseorang dengan tulisan orang lain. Citra yang akan dijadikan input adalah citra dengan format .jpg. selanjutnya dilakukan ekstraksi ciri menggunaan Transformasi Curvelet. Pengujian dilakukan dengan melakukan analisis terhadap beberapa parameter. Parameter tersebut merupakan jumlah data latih yang digunakan, normalisasi, ukuran block dan nilai overlap pada block overlapping, skala dan orientasi pada curvelet, distance dan nilai K pada KNN yang menghasilkan akurasi terbaik pada sistem (Hendri, 2012). Performansi sistem mencapai akurasi tertinggi saat menggunakan parameter jumlah data latih 30 dan sampel 9, normalisasi dengan ukuran 200 x 50, ukuran block 10x10, nilai overlap 7, skala 2 orientasi 8, distance city block dan nilai K=7, sehingga diperoleh akurasi sistem sebesar 96,30% (Hendri dkk, 2012).
Dari beberapa tinjauan pustaka, ekstraksi ciri yang digunakan untuk melakukan klasifikasi adalah energy, entropy, mean, dan standar deviasi. Pada penelitian kali ini mendeteksi cacat pada permukaan buah manggis berbasis metode pengolahan citra menggunakan metode transformasi curvelet. Dengan menggunakan berbagai ekstraksi ciri yaitu mean, energy, entropy, standard deviation, variance, sum, correlation, contrast, dan homogeneity untuk mengkarakterisasi tekstur permukaan buah. Fitur yang digunakan untuk mengklarifikasi permukaan buah adalah Linear Discriminant Analysis (LDA).
2.2 Landasan Teori
2.2.1 Cacat Permukaan
Cacat permukaan pada buah manggis sebagai penentu mutu manggis. Kualitas mutu manggis dilihat berdasarkan sifat fisik luar yang dapat diamati dengan cara mengetahui berat, ukuran atau warna dari manggis tersebut. Sedangkan kualitas buah manggis bagian dalam, dapat diamati dengan mengetahui adanya kerusakan atau tidak. Kerusakan dapat dilihat dari apakah terdapat getah kuning dan segmen yang bening pada manggis atau tidak (Priyambodo, 2007).
2.2.2 Pengertian Citra Digital
Citra merupakan gambar pada bidang dua dimensi atau dapat diartikan juga sebagai pantulan cahaya pada bidang dua dimensi yang terekam pada media rekam seperti penginderaan optik, kamera, dan lain sebagainya. Bayangan objek akan direkam sesuai intensitas cahaya yang mengenainya. Apabila peranti perekam berupa mesin digital, maka akan menghasilkan citra berupa citra digital (Nugroho, 2015).
Citra digital adalah array yang berisi nilai real maupun komplek yang direpresentasikan dalam deretan bit tertentu. Suatu citra dapat didefinisikan sebagai fungsi f(x,y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial, dan amplitude f di titik koorninat (x,y) dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut (Lathief, 2016).
Gambar 2. 1 Koordinat citra digital (Putra, 2010)
2.2.3 Pengertian Pengolahan Citra Digital
Pengolahan citra digital merupakan tata cara mengolah citra dalam ranah digital agar dapat digunakan untuk suatu tujuan tertentu. Umumnya pengolahan citra digital digunakan untuk membuat suatu citra menjadi lebih baik dan memperjelas info yang tekandung di dalamnya. Pada aplikasi pengolahan citra pada umumnya dibagi menjadi 3, yakni citra berwarna, citra grayscale dan citra biner (Kusumanto, Pambudi, & Tompuno, 2012).
Pengolahan dilakukan dengan menggunakan algoritma komputer dengan cara mengubahnya menjadi data gambar untuk mendapat informasi yang diperlukan. Pengolahan citra memungkinkan penggunaan algoritma untuk proses pembersihan gangguan citra, pemampatan, penyesuaian citra, pemotongan, dan sebagainya tergantung oleh tujuan citra tersebut diolah (Nugroho, 2015).
2.2.4 Citra RGB
Citra RGB adalah jenis citra yang memberikan warna dalam bentuk komponen R (red), G (green), dan B (blue). Setiap komponen warna menggunakan 8 bit (nilai tersebut berkisar antara 0 sampai dengan 255). Kemungkinan warna yang dapat di sajikan mencapai 255x255x255 atau 16.581.375 warna (Kadir & Susanto, 2013).
Gambar 2. 2 Contoh citra RGB
Citra RGB menampilkan objek seperti aslinya (meskipun tidak selalu tepat). Warna-warna yang terlihat oleh mata manusia merupakan hasil kombinasi cahaya dengan panjang gelombang yang berbeda.
2.2.5 Citra Abu-abu (Grayscale)
Citra grayscale adalah citra yang nilai pixel-nya merepresentasikan derajat keabuan atau intensitas warna putih. Warna hitam direpresentasikan pada nilai intensitas paling rendah sedangkan warna putih direpresentasikan pada nilai intensitas paling tinggi. Pada umumnya citra grayscale memiliki kedalaman pixel
8 bit (256 derajat keabuan), tetapi ada pula citra grayscale yang kedalaman pixel-nya bukan 8 bit, misalpixel-nya 16 bit untuk penggunaan yang memerlukan ketelitian tinggi (Nurbaeti, 2015).
Gambar 2. 3 Citra Grayscale
2.2.6 Citra Biner
Citra biner merupakan citra yang hanya terdiri dari dua warna yaitu hitam dan putih. Setiap pixel pada citra biner direpresentasikan dengan 1 bit. Citra biner hanya memiliki dua nilai derajat keabuan : hitam dan putih. Pixel-pixel objek bernilai 1 dan pixel-pixel latar belakang bernilai 0. Pada saat menampilkan suatu gambar, 0 adalah putih dan 1 adalah hitam. Jadi pada citra biner, latar belakang berwarna putih sedangkan objek berwarna hitam (Nurbaeti, 2015). Contoh nilai biner ditampilkan pada Gambar 2.4
Gambar 2. 4 Citra biner (kiri). Representasi citra biner (kanan)
2.2.7 Transformasi Curvelet
Curvelet merupakan metode transformasi yang mewakili fungsi kurva yang muncul dari transformasi wavelet yang kurang efisien karena fungsi linier mengakibatkan pembusukan gambar (decompose image) dengan cara isotropic. Untuk dapat berjalan dengan baik pada transformasi wavelet diperlukan lebih banyak koefisien dari gambar. Gambar yang memiliki banyak level dari decompositions mengakibatkan dibutuhkan waktu yang lama. Pada metode curvelet, fungsi utama dari kurva dihasilkan dari persamaan skala (scaling law) width = 𝑙𝑒𝑛𝑔𝑡ℎ2. Metode curvelet ini dapat berjalan secara multiskala transformasi yang beroperasi pada gambar dengan cara anisotropic, hal ini mengurangi koefisien curvelet dan mengurangi waktu yang dibutuhkan sehingga memberikan metode terbaik dibandingkan dengan trasnformasi wavelet (Jianwei & Plonka, 2010), perbandingan transformasi wavelet dan curvelet dapat dilihat pada gambar 2.5.
Gambar 2. 5 Perbandingan transformasi wavelet (kiri) dan curvelet (kanan)
Termotivasi oleh kebutuhan analisis citra, Candes dan Donoho mengembangkan transformasi curvelet pada tahun 2000. Transformasi curvelet dapat memberikan representasi sinyal yang jarang yang memiliki tepi sepanjang kurva biasa. Kontruksi awal curvelet kemudian didesain ulang dan diperkenalkan kembali sebagai Fast Digital Curvelet Transform (FDCT) (Candes, Demanet, Donoho, & Ying, 2007). Transformasi curvelet generasi kedua ini dimaksudkan agar lebih mudah dipahami dan digunakan. Transformasi curvelet didefinisikan dalam domain kontinyu dan digital untuk dimensi yang lebih tinggi. Karena ekstraksi fitur berbasis gambar hanya membutuhkan 2D FDCT.
Gambar 2. 6 Irisan transformasi Curvelet (kiri) dan spasial domain (kanan)
Untuk mengimplementasikan transformasi curvelet, langkah pertama yang dilakukan adalah dengan cara mengambil gambar 2D dengan menggunakan 2D Fast Fourier Transform (FFT). Kemudian bidang frekuensi Fourier 2D dibagi menjadi potongan (seperti daerah yang diarsir pada gambar 2.5). Bentuk parabola yang tersusun dari irisan-irisan pada gambar adalah hasil dari pembagian fourier plane menjadi radial (lingkaran konsentris) dan perpecahan dari sudut lingkaran. Lingkaran konsentris bertanggung jawab atas penguraian gambar menjadi beberapa skala (digunakan untuk membatasi citra pada skala yang berbeda) dan pembagian sudut memposisikan gambar yang dilewati ke sudut atau orientasi yang berbeda. Jadi untuk menghadapi irisan tertentu kita harus menentukan skala j dan angle θ. Domain spasial pada gambar sebelah kanan, masing-masing wedges di sini sesuai dengan curvelet tertentu (ditunjukkan sebagai elips) pada skala dan sudut tertentu. Ini menunjukkan bahwa FFT terbalik dari irisan tertentu jika akan menentukan koefisien curvelet untuk skala dan sudutnya.
Ada dua implementasi digital FDCT yang berbeda, USFFT (Unequally Spaced Fast Fourier Transform) dan Wrapping. Kedua variannya linier dan mengambil sebagai masukan array Cartesian untuk menghasilkan output dari koefisien diskrit. Dua implementasi hanya berbeda dalam pemilihan grid spasial untuk menerjemahkan curvelet pada setiap skala dan sudut. FDCT wrapping adalah transformasi curvelet tercepat yang ada saat ini (Candes, Demanet, Donoho, & Ying, 2007).
2.2.8 Ekstraksi Ciri
Ekstraksi ciri merupakan proses mengambil informasi ciri dari suatu bentuk, nilai yang didapat kemudian digunakan sebagai bahan analisis. Ekstraksi ciri dilakukan untuk memperolah suatu pola dari citra yang akan digunakan untuk pelatihan maupun citra yang akan digunakan untuk pengujian. Metode ekstraksi ciri yang digunakan pada penelitian ini adalah ekstraksi ciri statistik. Ciri citra dihitung menggunakan rumus sebagai berikut:
1. Mean
Mean adalah nilai rata-rata atau rata-rata dari array. Untuk vector variable acak A yang terdiri dari pengamatan scalar N, meannya didefinisikan pada persamaan (2.1) : (MathWorks)
𝜇 = 1
𝑁∑ 𝐴𝑖 𝑁
𝑖=1 ... (2.1)
Nilai rata-rata dihitung dengan cara menjumlahkan nilai setiap piksel dari piksel ke-1 sampai ke-N kemudian dibagi dengan jumlah piksel yang ada.
2. Energy
Energy menyatakan tingkat keseragaman piksel-piksel suatu citra. Semakin tinggi nilai energy, maka semakin seragam teksturnya (Kusumaningsih, 2009). Persamaan untuk menghitung energy dapat dilihat pada persamaan (2.2) :
𝐸𝑛𝑒𝑟𝑔𝑦 = ∑ 𝑃(𝑖, 𝑗)𝑖,𝑗 2... (2.2)
3. Entropy
Entropy adalah ukuran statistik keacakan piksel-piksel suatu citra yang dapat digunakan untuk mengkarakterisasi tekstur gambar masukan. Entropy didefinisikan pada persamaan (2.3) :
𝐸 = −𝑠𝑢𝑚(𝑝.∗log2(𝑝)) ... (2.3)
Dimana p berisi jumlah histogram yang dikembalikan dari imhist. Secara default, entropy menggunakan dua tempat untuk array logik dan 256 tempat untuk uint8, uint16, atau double array (MathWorks).
4. Standard Deviation
Untuk vector variable acak A yang terdiri dari pengamatan skalar N , standar deviasi didefinisikan pada persamaan (2.4) :
𝑆 = √ 1
𝑁−1∑ |𝐴𝑖 − 𝜇| 2 𝑁
𝑖=1 ... (2.4)
Dimana 𝜇 adalah mean dari A 𝜇 = 1
𝑁∑ 𝐴𝑖 𝑁
Standard deviasi adalah akar kuadrat dari varian. Beberapa definisi standard deviasi menggunakan faktor normalisasi N bukan N-1, yang dapat ditentukan dengan menetapkan w ke 1 (MathWorks).
5. Variance
Variance adalah kuadrat dari standar deviasi. Variance memberi ukuran deviasi sinyal dari nilai meannya. Untuk input yang benar-benar nyata atau imajiner, u, dengan ukuran M oleh N, variancenya diberikan oleh persamaan (2.6) : (MathWorks)
𝑦 = 𝜎
2=
∑ ∑ |𝑢𝑖𝑗|2− | ∑𝑀𝑖=1∑𝑁𝑗=1𝑢𝑖𝑗|2 𝑀∗𝑁 𝑁 𝑗=1 𝑀 𝑖=1 𝑀∗𝑁−1 ... ... (2.6)𝑢𝑖𝑗 adalah elemen data masukan pada indeks i, j.
𝑀 adalah panjang kolom jth 𝑁 adalah jumlah kolom
Untuk input yang kompleks, variancenya diberikan dengan persamaan (2.7) :
𝜎2 = 𝜎
𝑅𝑒2+ 𝜎𝐼𝑚2 ... ... (2.7)
𝜎𝑅𝑒2 adalah varian dari bagian sebenarnya dari input kompleks.
𝜎𝐼𝑚2 adalah varian bagian imajiner dari input komples.
6. Sum
Sum merupakan jumlah elemen array. Jumlah adalah hasil penambahan (Weisstein, Eric W, 1999). Persamaan untuk menghitung sum dapat dilihat pada persamaan (2.8) :
7. Correlation
Correlation menyatakan suatu ukuran hubungan antara linear dari nilai graylevel piksel ketetanggan (Kusumaningsih, 2009). Persamaan untuk menghitung energy dapat dilihat pada persamaan (2.9) :
𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛 = ∑ (𝑖−𝜇𝑖)(𝑗−𝜇𝑗)𝑃(𝑖,𝑗)
𝜎𝑖𝜎𝑖
𝑖,𝑗 ... (2.9)
8. Contrast
Contrast menyatakan kandungan variasi lokal pada citra. Semakin tinggi nilai contrast maka semakin tinggi tingkat kekontrasannya (Kusumaningsih, 2009). Persamaan untuk menghitung contrast dapat dilihat pada persamaan (2.10) :
𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡 = ∑ |𝑖 − 𝑗|2𝑃(𝑖, 𝑗)
𝑖,𝑗 ... (2.10)
9. Homogeneity
Homogeneity menyatakan ukuran kedekatan setiap elemen dari co-occurrence matrix (Kusumaningsih, 2009). Homogeneity mengembalikan nilai yang mengukur kedekatan distribusi elemen dalam GLCM (Gray-level Co-occurrence Matrix) ke diagonal GLCM. Persamaan untuk menghitung homogeneity dapat dilihat pada persamaan (2.11) :
∑ 𝑝(𝑖,𝑗)
1+|𝑖−𝑗|
𝑖,𝑗 ... (2.11)
Range = [0 1]
2.2.9 Linear Discriminant Analysis (LDA)
Analisis diskriminan merupakan teknik analisis statistika dependensi yang berguna untuk mengklasifikasi beberapa kelompok objek. Pengelompokan analisis diskriminan ini terjadi karena pengaruh satu atau lebih variable lain yang merupakan variable independen. Fungsi diskriminan terbentuk dari kombinasi linear dari variable-variabel (Tatham et. al., 1998).
Linear Discriminant Analysis adalah skema yang terkenal untuk ekstraksi fitur dan pengurangan dimensi. LDA telah digunakan secara luas di banyak aplikasi pengenalan wajah, pengambilan gambar, klasifikasi data microarray, dan lain-lain. LDA klasik memproyeksikan data ke ruang vektor dengan dimensi lebih rendah sehingga rasio antara jarak kelas ke dalam kelas dimaksimalkan, sehingga mencapai diskriminasi maksimal. Proyeksi optimal (transformasi) dapat dengan mudah dihitung dengan menerapkan komposisi eigendecomposition pada matrik scatter. Keterbatasan intrinsik LDA klasik adalah bahwa fungsi objektifnya memerlukan nonsingularitas dari salah satu matrik scatter. Untuk banyak aplikasi, seperti pengenalan wajah, semua matrik scatter yang dipertanyakan bisa jadi unik karena datanya berasal dari ruang berdimensi sangat tinggi, dan secara umum, dimensi melebihi jumlah titik data. Ini dikenal sebagai masalah undersampled atau singularity (S, J, & T., 2002).
Linear Discriminant Analysis dengan mudah menangani kasus dimana frekuensi di dalam kelas tidak sama dan kinerjanya telah diperiksa pada data uji yang dihasilkan secara acak. Metode ini memaksimalkan rasio varians antar kelas dengan varians dalam kelas pada kumpulan data tertentu sehingga menjamin
pemisahan maksimal. Penggunaan Linear Discriminant Analysis untuk klasifikasi data diterapkan pada masalah klasifikasi dalam pengenalan suara.
Beberapa tujuan dari Linear Discriminant Analysis antara lain (A'la, 2016):
1. Menentukan perbedaan antara beberapa karakteristik yang diteliti untuk membedakan dua atau lebih kelompok.
2. Menentukan variable bebas yang memberikan kontribusi penting untuk membedakan nilai rata-rata diskriminan dari dua atau lebih kelompok.
Model analisis diskriminan dengan kombinasi linear mempunyai bentuk sebagai berikut:
𝑌 = 𝑏0+ 𝑏1𝑋1+ 𝑏2𝑋2+ ⋯ + 𝑏𝑘𝑋𝑘 ... (2.10)
Keterangan:
Y = nilai (skor) diskriminan dan merupakan variable terikat.
𝑋𝑘 = variable (atribut) ke-k dan merupakan variable bebas 𝑏𝑘 = koefisien diskriminan/bobot dari variable (atribut) ke-k
Dalam proses ekstraksi ciri kualitas permukaan buah manggis menerima masukan berupa citra hasil capture berformat .jpg kemudian diubah ke format grayscale. Kumpulan citra yang menjadi masukan dalam matriks transformasi atau disebut dengan training set. Kumpulan citra yang menjadi uji pengenalan disebut dengan testing set (A'la, 2016). Citra masukan dipetakan kedalam suatu nilai yang merepresentasikan tingkat keabuan dari piksel pada posisi yang
bersesuaian. Nilai-nilai keabuan dari suatu citra kemudian disimpan dalam bentuk vektor baris, yang disebut sebagai vektor citra.
2.2.10 K-Fold Cross Validation
Cross Validation adalah suatu teknik untuk mengetahui nilai keakuratan sebuah model yang dibentuk berdasarkan dataset tertentu. Model ini bertujuan untuk melakukan prediksi pada suatu data baru yang data tersebut belum pernah muncul pada dataset. Ada dua jenis data pada cross validation yaitu data latih/training dan data uji/testing. Data latih/testing yaitu data yang digunakan pada proses pembangunan data model, sedangkan data uji/testing yaitu data yang akan digunakan untuk validasi model. Salah satu metode cross-validation adalah K-Fold Cross Validation. Pada teknik ini dataset yang digunakan akan dibagi menjadi K-buah partisi secara acak (Muafiq, 2016).
Untuk memperoleh nilai akurasi atau nilai lainnya dari hasil eksperimen yang dilakukan, diambil dari nilai rataan seluruh eksperimen. Gambaran 4-Fold Cross Validation ditunjukan pada gambar 2.7.
