Jurusan Teknik Elektro UNRAM – Mataram, 17 Juli 2012 245
SISTEM PENGENALAN KUALITAS
INDUK GURAME DENGAN METODE WAVELET DAN K-NN
Fitri Astutik11, IKG Darma Putera22, I Nyoman Satya Kumara3 3, Budi Darmawan4 4 1Program Magister Teknik Informasi dan Komputer Pascasarjana Teknik Elektro, 2 Jurusan Teknik Informatika, ,3 Jurusan Teknik Elektro, Fakultas Teknik , Universitas Udayana, 4 Jurusan Teknik Informatika,
STMIK Lombok.
1 pietrie_utomo@yahoo.com, 2 duglaire@yahoo.com , 3ins_kumara@yahoo.com, 4budis209@gmail.com
Abstrak
Penelitian ini menerapkan dan mendemonstrasikan sistem pengenalan dengan ekstraksi wavelet dan k-NN bertujuan menghasilkan sistem perangkat lunak untuk mengukur kualitas induk gurame. Sistem ini dikembangkan karena pemilihan induk jantan dan betina yang unggul oleh petugas masih menggunakan visual mata seorang pakar. Kesalahan pengidentifikasian bisa mempengaruhi kualitas produksi telur dan benih ikan gurame.
Sistem pengenalan kualitas induk gurame merupakan proses pencocokan induk gurame yang diuji den-gan suatu induk gurame yang diklaim sebagai induk “ unggul” atau “tidak unggul”.
Sistem ini dibuat dan diuji menggunakan citra ikan gurame yang masih hidup sebanyak 56 citra yang dimiliki oleh BBI Kota Mataram. Hasil sementara pengujian menunjukkan system ini mampu menunjukkan tingkat keakuratannya sekitar 95% tepat mengenali induk ikan gurame termasuk “unggul” atau “tidak unggul”.
Kata kunci: ekstraksi wavelet, PCA, system pengenalan ,K-NN. 1. Pendahuluan
Pemilihan induk jantan dan betina yang unggul untuk pembenihan biasanya dilakukan hanya den-gan mencermati secara visual mata seorang pakar terhadap perbedaan ciri-ciri warna kulit dasar sirip, ukuran dan bentuk organ tubuhnya seperti tekstur sisik. Perkembangan teknologi informasi yang se-makin maju menimbulkan keinginan untuk mem-bandingkan antara pengamatan visual mata dengan aplikasi teknologi informatika dalam mengidentifi-kasi induk jantan dan betina yang unggul. Peneli-tian ini juga bisa di jadikan pembanding antara pengamatan secara manual menggunakan visual mata pakar dengan pengamatan modern meman-faatkan teknologi informasi pengolahan citra digital mengenai tingkat keakuratannya pada saat proses identifikasi.
Proses dasar pemrosesan gambar digital meng-gunakan image processing diambil dari kemam-puan indera penglihatan manusia yang selanjutnya dihubungkan dengan kemampuan otak manusia untuk melakukan proses atau pengolahan terhadap gambar digital tersebut. Penelitian ini mencoba untuk melakukan beberapa penggabungan teknik pengolahan citra dan pengenalan pola dengan mengkombinasikan teknik klasifikasi untuk men-gidentifikasi kualitas induk gurame yang “unggul” dan “tidak unggul”.
Beberapa penelitian yang telah menggunakan sistem pengenalan antara lain : menggunakan alih ragam Wavelet Haar [2]. Hasil dekomposisi Wave-let sebagai masukan proses klasifikasi k-NN. De-komposisi dilakukan penelitian beberapa level, dari level 4, 3 dan 2. Hasilnya dibandingkan kea-kuratannya setelah dijadikan masukan untuk proses klasifikasi k-NN di masing-masing level. [4] Menggunakan deteksi garis dan deteksi blok untuk mendapatkan ciri-ciri rajah telapak tangan. [5] menggunakan wavelet dan jaringan syaraf tiruan. [8] Menggunakan Wavelet Haar dan PCA menggu-nakanLevemberg-Marquardt Backpro-pagation (LMBP) untuk sistem pengenalan wajah. Pada pe-nelitian ini metode deteksi tepi Laplacian Of Gaus-sian (LOG) sebagai bagian proses prapengolahan untuk menentukan tepi-tepi sisik tubuh gurame.
Rincian proses menyeluruh mencakup pen-gumpulan data, persiapan pengolahan data, proses ekstraksi ciri hingga proses klasifikasi mengguna-kan data latih dan data uji hingga dapat mengenali “benih unggul” atau “tidak unggul”.
2. Metodologi Penelitian 2.1 Gambaran Umum Sistem
Gambar 1. Gambaran umum sistem
Akuisi Data
Proses akuisisi citra merupakan proses pen-gambilan (capturing) citra dari suatu objek ikan gurame, yang mana dalam sistem ini pada pemba-caan color code dan peng-captur-an ikan gurame. Proses capture adalah proses pengambilan gambar melalui kamera. Citra ikan diperoleh melalui pen-gambilan photo ikan gurame dengan menggunakan kamera digital Fuji Film Fine Pix JV 250 Series, dengan resolusi 512x256 titik (piksel). Pengguna meletakkan ikan gurame pada suatu alas yang telah disediakan. Alas ini berupa kain lembut yang digu-nakan untuk mengambil ikan gurame didalam ko-lam. Tinggi kamera ke objek kurang lebih 61 cm. Sudut antara kamera ke objek sekitar 90º. Panjang ikan gurame untuk penelitian ini sekitar 40 - 55 cm. Lebarnya sekitar kurang lebih 20 - 35 cm dan berat badannya sekitar kurang lebih 2 - 3,5 kg. Rata-rata umur ikan sekitar 3 – 4 tahun.
Pra pengolahan
Tahapan pra- pengolahan merupakan proses awal dari sistem pengenalan citra ikan dengan mengubah citra RGB menjadi citra grayscale.
Gambar 2. Proses pra pengolahan Gambar 2 menjelaskan bahwa input image me-rupakan proses yang pertama kali dilakukan untuk mendapatkan data citra yang akan diproses selan-jutnya. Tahap ini dilakukan suatu proses penguba-han citra digital. Input image berupa citra warna ikan gurame jantan dan betina. Pada citra warna, setiap titik mempunyai warna yang spesifik yang merupakan kombinasi dari 3 warna dasar, yaitu merah, hijau, dan biru. Format citra ini sering dis-ebut sebagai citra RGB (Red-Green-Blue).
Proses selanjutnya adalah grayscalling. Proses
processing adalah mengubah citra berwarna
menja-di citra grayscale, hal ini menja-digunakan untuk menye-derhanakan model citra. Citra warna bisa diubah menjadi citra grayscale dengan cara menghitung rata-rata elemen warna Red, Green, dan Blue.
Pada awalnya citra terdiri dari 3 layer matrik yaitu R-layer, G-layer dan B-layer. Sehingga untuk melakukan proses-proses selanjutnya tetap diperha-tikan tiga layer diatas. Bila setiap proses perhitun-gan dilakukan menggunakan tiga layer, berarti di-lakukan tiga perhitungan yang sama. Sehingga kon-sep itu diubah dengan mengubah 3 layer diatas menjadi 1 layer matrik grayscale dan hasilnya ada-lah citra grayscale [9]. Secara matematis perhitun-gannya sebagai berikut [10]:
(1.1) Berikut ini proses thresholding untuk mengubah citra RGB menjadi grayscale.
Gambar 2. Gambar asli dikonversi menjadi grayscale
Deteksi Tepi
Laplacian of Gaussian (LOG) adalah salah
satu operator deteksi tepi yang dikembangkan dari turunan kedua dan sangat berbeda dengan operator yang lainnya, karena operator Laplacian berbentuk
omny directional (tidak horizontal tidak vertikal)
yang akan menangkap tepian dari semua arah dan menghasilkan tepian yang lebih tajam dari operator yang lainnya [1]. Tahap akhir Preprocessing ini data yang telah diolah hasilnya disimpan dalam
folder.
Ekstraksi Fitur
Tahap selanjutnya melakukan proses ekstraksi fitur. Ekstraksi fitur merupakan bagian
fundamen-tal dari analisis citra. Fitur adalah karakteristik unik
dari suatu objek. Tabel 1 dibawah ini merupakan tabel pengelompokan pola berdasarkan ciri ikan gurame.
Jurusan Teknik Elektro UNRAM – Mataram, 17 Juli 2012 247
Penelitian ini mengekstraksi fitur tekstur ikan gurame dari pola sisik kulitnya.
Gambar 3. Diagram blok ekstraksi fitur tekstur sisik ikan gurame
Dekomposisi Wavelet
Gambar 4. Skema proses dekomposisi wavelet Gambar 4 merupakan proses dekomposisi wavelet menggunakan dekomposisi wavelet 3 -
level. Sedangkan di penelitian ini menggunakan
proses dekomposisi wavelet 5-level. Keterangan gambar 4 adalah :
A1: hasil lowpass terhadap baris dan kolom V1: hasil lowpass terhadap baris diteruskan dengan
highpass terhadap kolom
H1 : hasil highpass terhadap baris diteruskan den-gan lowpass terhadap kolom
D1 : hasil highpass terhadap baris dan kolom V1, H1, D1 merupakan hasil deomposisi level 1. A1 tidak diperlihatkan karena akan didekomposisi-kan lagi ke level berikutnya menjadi A2, B2, D2, V2.
Wavelet merupakan gelombang mini (small
wave) yang mempunyai kemampuan
mengelompo-kan energi citra terkosentrasi pada sekelompok ke-cil koefisien, sedangkan kelompok koefisien lainnya hanya mengandung sedikit energi yang dapat dihilangkan tanpa mengurangi nilai informa-sinya. Wavelet dapat dibentuk dari satu fungsi Ψ(x) , dikenal sebagai “mother wavelet” dalam suatu interval berhingga. “Daughter wavelet” Ψa,b(x) dibentuk oleh translasi (b) dan kontraksi (a). Wave-let sangat berguna untuk kompresi data image, ka-rena transformasi wavelet mempunyai properti yang ada dalam beberapa cara transformasi Fourier konvensional [3].
Transformasi atau alih ragam yang digunakan di penelitian ini adalah alih ragam wavelet
daube-chies. Pada kasus ini, daubechies sendiri telah
me-netapkan nilai-nilai koefisien tapis h0n dan g0n atas beberapa jenis wavelet daubechies. Koefisien h0n
dan db4) ditabulasikan dalam Tabel 1, sedangkan koefisien tapis g0n dapat dicari dari persamaan di bawah ini [5 ]:
(1.2)
Wavelet Daubechies merupakan basis orto-normal, yaitu jika:
(1.3) Suatu wavelet Orthogonal dikatakan wavelet Dau-bechies Orthogonal derajat N jika vanishing
mo-ments dari fungsi penskala φ(x) berderajat N.
(1.4) Derajat vanishing moments (tingkat kehalusan) ini merupakan parameter untuk menyatakan kemampuan mengapproksimasi suatu sinyal. Semakin besar jumlah vanihing moments suatu fungsi basis, maka akan semakin kecil galat approksimasi yang akan terjadi. Hal inilah yang merupakan sifat kunci dari wavelet Daubechies yang merupakan perbaikan dari wavelet Haar [5]. Tabel 1. Koefisien-koefisien tapis lowpass h0n
Gambar 5. Proses dekomposisi untuk menghasilkan koefisien-koefisien wavelet dari citra tubuh ikan
Pada gambar 5, LL menyatakan bagian koefi-sien yang diperoleh melalui proses tapis Low pass dilanjutkan dengan Low pass. Citra bagian ini mirip dan merupakan versi yang lebih halus dari citra aslinya sehingga koefisien pada bagian LL sering disebut dengan komponen aproksimasi. LH me-nyatakan bagian koefisien yang diperoleh melalui
proses tapis Low pass kemudian dilanjutkan dengan
High pass. Koefisien pada bagian ini menunjukkan
citra tepi dalam arah horisontal. Bagian HL menya-takan bagian yang diperoleh melalui proses High
pass kemudian dilanjutkan dengan Low pass.
Koe-fisien pada bagian ini menunjukkan citra tepi dalam arah vertikal. HH menyatakan proses yang diawali dengan High pass, dan dilanjutkan dengan High
pass, dan menunjukkan citra tepi dalam arah
di-agonal. Ketiga komponen LH, HL, dan HH disebut juga komponen detil.
PCA
Metode PCA ( Principal Component
Analysis ) mengurutkan komponen-komponen
or-togonal yang dihasilkan (komponen-komponen utama) sehingga komponen dengan akar ciri terbe-sar ada di urutan pertama, dan PCA mengeliminasi komponen-komponen yang kurang memberikan kontribusi terhadap keragaman pada himpunan da-ta. Misalkan terdapat sekumpulan citra ikan gurame
Γ1, Γ2, Γ3,….. ΓM. Rata-rata ikan gurame dari set ini didefinisikan dengan persamaan 2.20 berikut :
(1.5)
Perbedaan tiap citra gurame dari rataannya didefini-sikan pada persamaan vektor berikut:
(1.6) Matrik kovarian C dari seluruh data citra gurame dinyatakan dengan persamaan berikut:
(1.7)
Dengan A = [ Θ1 Θ2 Θ3…. ΘM], merupakan set citra tubuh ikan ternormalisasi. Matrik C akan berukuran
N2 x N2 . Untuk menentukan N2 vektor eigen dan nilai eigen dari dari matriks C membutuhkan perhitungan numerik yang kompleks. Vektor eigen dari AAT harus dihitung. Namun karena komputasi cukup dihitung vektor eigen dari ATA. vektor ini berukuran M x M (lebih mudah menghitung vektor
eigen dari matriks 64 x 64 daripada matrik 4096 x
4096). Misalkan vi merupakan vektor eigen dari ATA, maka :
(1.7)
Persamaan 1.7 menunjukkan bahwa Av merupakan
Selanjutnya didefinisikan matriks V = Avi. Matriks V merepresentasikan vektor - vektor orthogonal,
tetapi tidak orthonorma, dengan kata lain, VTV ≠ I. Untuk memperoleh vektor orthonormal Vi , maka setiap kolom dari V harus dibagi dengan λ½. Matriks V inilah yang merupakan vektor transformasi PCA dari set citra gurame Γ1, Γ2, Γ3,….. ΓM dan setiap kolomnya merupakan eigenface yang berkesesuaian dengan nilai eigen
yang terurut turun. Matriks V, yang merupakan kumpulan dari vektor-vektor Vi, membangun ruang tubuh untuk semua citra tubuh ikan dalam set. Transformasi citra tubuh ikan ke ruang tubuh didefinisikan sebagai F. Untuk sebuah citra tubuh ikan masukan X, transformasinya ke ruang tubuh didefinisikan sebagai Y.
F = VTA (1.8)
Y = VT( X - Ψ ) (1.9)
Suatu sistem pengenalan yang hanya menggunakan PCA dalam proses ekstraksi fitur akan memberikan hasil pengenalan dengan menghitung kemiripan, misalnya jarak eukledian, antara Y dengan setiap kolom dalam F.
Klasifikasi k-NN
K-Nearest Neighbor (KNN) adalah suatu me-tode yang menggunakan algoritma supervised di-mana hasil dari query instance yang baru diklasifi-kan berdasardiklasifi-kan mayoritas dari kategori pada KNN. Tujuan dari algoritma ini adalah mengklasifikasi-kan obyek baru berdasarmengklasifikasi-kan atribut dan training sample. Classifier tidak menggunakan model apa-pun untuk dicocokkan dan hanya berdasarkan pada memori. Diberikan titik query, akan ditemukan sejumlah k obyek atau (titik training) yang paling dekat dengan titik query. Klasifikasi menggunakan voting terbanyak diantara klasifikasi dari k obyek. Algoritma KNN menggunakan klasifikasi kete-tanggaan sebagai nilai prediksi dari query instance yang baru. Training sample diproyeksikan ke ruang berdimensi banyak, dimana masing-masing dimensi merepresentasikan fitur dari data. Ruang ini dibagi menjadi bagian-bagian berdasarkan klasi-fikasi training sample. Sebuah titik pada ruang ini ditandai kelac c jika kelas c merupakan klasifikasi yang paling banyak ditemui pada k buah tetangga terdekat dari titik tersebut. Dekat atau jauhnya te-tangga biasanya dihitung berdasarkan Euclidean Distance yang direpresentasikan sebagai berikut [3]:
Jurusan Teknik Elektro UNRAM – Mataram, 17 Juli 2012 249
dua vektor a dan b dari matriks dengan ukuran d dimensi.
Pada fase training, algoritma ini hanya mela-kukan penyimpanan vektor-vektor fitur dan klasifi-kasi data training sample. Pada fase klasifiklasifi-kasi, fitur-fitur yang sama dihitung untuk testing data (yang klasifikasinya tidak diketahui). Jarak dari vektor baru yang ini terhadap seluruh vektor train-ing sample dihitung dan sejumlah k buah yang pal-ing dekat diambil. Titik yang baru klasifikasinya diprediksikan termasuk pada klasifikasi terbanyak dari titik-titik tersebut.
Hasil Dan Pembahasan
Percobaan ini dilakukan secara bertahap sesuai dengan tahapan yang telah disusun pada Gambar berikut :
Gambar 6. Diagram alir penelitian
Penelitian ini bekerjasama dengan Balai Benih Ikan Kota Mataram untuk mengambil datanya. Data yang digunakan dalam percobaan ini adalah 56 citra ikan gurame yang secara kasat mata dinilai masuk kedalam beberapa kelompok jenis ikan jan-tan,betina dan tidak unggul. Kelompok ikan gurame jantan berjumlah 27 ekor, kelompok ikan gurame betina berjumlah 14 ekor dan kelompok ikan gu-rame campuran jantan dan betina tetapi tidak un-ggul berjumlah 15 ekor. Masing-masing kelompok memiliki beberapa variasi yaitu sisi kiri dan kanan dari tubuh ikan gurame. Sebagai data latih, akan diambil 7 ekor kelompok ikan gurame jantan, 10 ekor ikan gurame betina dan 7 ekor ikan gurame betina. Sisanya adalah data uji. Data citra ikan gu-rame yang digunakan pada percobaan ini terdapat pada gambar berikut :
Gambar 7. Data uji ikan gurame jantan
Gambar 8. Data uji ikan gurame betina
Gambar 9. Data uji ikan gurame betina Tranformasi wavelet menggunakan dekompo-sisi level 5. Menggunakan nilai k=1,2. Hasil semen-tara yang diperoleh dapat dilihat pada tabel 2. Tabel 2. Hasil dekomposisi level 5
Tabel 2 menjelaskan bahwa pada nilai k=1, kelas dikenali sebagai benih “tidak unggul” berjumlah 8 ekor data uji ikan gurame. K=2 merupakan kelas dikenali sebagai benih “unggul” dengan data uji berjumlah 23 ikan jantan dan betina. Hasil sementa-ra tingkat keakusementa-ratannya 100% untuk k=1 benih tidak unggul dan tingkat keakuratannya 95% untuk k=2 benih unggul. Jadi dari hasil sementara dapat dikatakan sistem pengenalan induk gurame untuk pembenihan menggunakan program MATLAB 7.8 ini cukup berhasil untuk dijadikan pembanding dengan sistem pengenalan manual yang dilakukan oleh petugas BBI. Gambar 10 berikut merupakan hasil sementara yang diperoleh pada proses pengo-lahan data di program Matlab
Gambar 10 Hasil akhir proses pemrograman Matlab.
3. Kesimpulan
Kesimpulan sementara yang dapat ditarik dari penelitian ini adalah sebagai berikut:
Konsep pengolahan citra dalam mengubah sua-tu citra dari sasua-tu domain ke domain lainnya dengan tujuan untuk mempermudah pengkodean menggu-nakan transformasi wavelet dan PCA untuk ek-straksi fitur.
K-Nearest Neighbor (KNN) merupakan me-tode pengklasifikasian data untuk mencari jarak terdekat antara data yang akan dievaluasi dengan K tetangga terdekatnya dalam data pelatihan.
Dekomposisi wavelet dilakukan sampai dengan level 5.
Nilai k yang digunakan adalah 1,2. Dengan ni-lai k = 1 tingkat akurasi 100% dan k=2 tingkat aku-rasi 95%. Sehingga hasil sementara sistem penge-nalan menggunakan program MATLAB versi 7.8 mampu untuk mengenali benih unggul atau tidak unggul ikan gurame untuk pembenihan.
DAFTAR PUSTAKA
1. Darma Putera.2010. Pengolahan Citra Digital. Yogyakarta : Andi Offset
2. Muhammad Ilyas Sillki. Pengenalan Wajah
Dengan Praproses Transformasi Wavelet Menggunakan K-Nearest Neighbour. Jurnal
Paradigma Vol X. No. 2 Desember ,2009.
3. Rafael C. Gonzalez and PaulWintz, 1999,
Digital Image Processing. Addison-Wesley
Publishing Company, Inc.
4. I Ketut Gede Darma Putera, Sistem Verifikasi
Menggunakan Garis Garis Telapak Tangan.
Jurnal Teknologi Elektro Vol. 6 No. 2 Juli De-sember, 2007.
5. Farros, and Chan Yu, 2001, Quantifying fish quality using neural networks, IEEE
Transactions on Image Proc.
6. Suta Wijaya, Gede Pasek, Kanata, Bulkis,
Pengenalan Citra Sidik Jari Berbasis Trans-formasi Wavelet Jaringan Syaraf Tiruan,
Jur-nal Teknik Elektro, Vol 4, No 1, 2004, pp, 46-52.
7. Alasdair McAndrew, An Introduction to Digi-tal Image Processing with Matlab. McAndrew, A., 2004, An Introduction to Digital Image
Processing with Matlab, notes for SCM2511
Image.
8. Mohammed Alwakel, Zyad Shaaban.2010.
Face Recognition Base On Haar Wavelet Transform And Principal Component Analysis Via Lenenberg Marquardt Backpropagation Neural Network.[Online]. Tersedia di:
http://www.eurojournals.com/ejsr.htm. [diunduh: 31 Desember 2010]
9. Anonim. 2011. Bab II Teori Penunjang. Tersedia di : student.eepis-its.edu/~ph4j4r06/BAB%202.docx.
[diunduh : 19 Januari 2012].
10. Sutoyo ,dkk.2009. Teori Pengolahan Citra Digital. Yogyakarta: Andi Offset.