PENGHITUNGAN POHON KELAPA SAWIT DENGAN MENGIDENTIFIKASI POHON MENGGUNAKAN ALGORITMA HAAR-CASCADE CLASSIFIER
SKRIPSI
YASIRUN AZZAKIROT 131402035
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2018
PENGHITUNGAN POHON KELAPA SAWIT DENGAN MENGIDENTIFIKASI POHON MENGGUNAKAN ALGORITMA HAAR-CASCADE CLASSIFIER
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
YASIRUN AZZAKIROT 131402035
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2018
PERNYATAAN
PENGHITUNGAN POHON KELAPA SAWIT DENGAN MENGIDENTIFIKASI POHON MENGGUNAKAN ALGORITMA HAAR-CASCADE CLASSIFIER
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, Juli 2018
YASIRUN AZZAKIROT 131402035
UCAPAN TERIMA KASIH
Alhamdulillah, puji dan syukur penulis ucapkan kepada Allah SWT yang telah melimpahkan rahmat dan karunia-Nya kepada penulis sehingga tugas akhir ini dapat terselesaikan dengan baik. Selama penulisan tugas akhir ini, banyak pihak yang telah membantu dan memberikan dukungan serta doa kepada penulis, oleh karena itu, penulis sampaikan ucapan terima kasih kepada:
1. Allah SWT yang telah memberikan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan tugas akhir ini.
2. Kedua orang tua penulis yaitu ayahanda Abdul Halim Nasution dan ibunda Yusnani, yang telah banyak memberikan dukungan baik dukungan moril atau materil, doa serta motivasi kepada penulis.
3. Bapak Romi Fadillah Rahmat, B.Comp.Sc., M.Sc. selaku pembimbing 1 dan Bapak Dani Gunawan, S.T., M.T. selaku pembimbing 2 yang telah banyak meluangkan waktu dan pemikiran beliau, arahan serta kritik dan saran kepada penulis.
4. Bu Sarah Purnamawati, S.T., M.Sc selaku dosen pembanding pertama dan Bapak Ainul Hizriadi, S.Kom, M.Sc. selaku dosen pembimbing kedua yang telah meluangkan waktu dan tenaganya untuk memberikan kritik dan saran yang memangun sehingga skripsi ini menjadi lebih baik lagi.
5. Seluruh Dosen, staff dan pegawai di Program Studi Teknologi Informasi serta Fakultas Ilmu Komputer dan Teknologi Informasi yang tidak dapat penulis sebutkan satu-persatu.
6. Saudara dan saudari penulis yaitu Annisah Nur, Husnul Khotimah, Yanti Rahmadani, Dina Saima Putri dan Muhammad Royhan yang selalu memberikan dukungan, semangat serta doa bagi penulis.
7. Teman seperjuangan penulis yang telah banyak membantu penulis baik dalam suka maupun duka Imam Ma’arif Harahap.
8. Sahabat-sahabat penulis Sayed Reza Alatas, Febrin Samuel, Muhammad Teguh Ramadhan serta teman-teman Angkatan 2013 lainnya yang tidak dapat penulis sebutkan satu persatu.
Akhir kata, penulis mengucapkan terima kasih kepada pihak-pihak yang secara langsung dan maupun tidak langsung membantu penulis dalam menyelesaikan penelitian ini. Semoga Allah SWT membalas kebaikan dan melimpahkan rahmat-Nya kepada mereka.
ABSTRAK
Kelapa sawit merupakan salah satu komoditas unggul yang sangat menunjang pertumbuhan ekonomi Indonesia. Pada tahun 2016, data statistik yang dikeluarkan oleh direktoral jendral perkebunan untuk perkebunan kelapa sawit yang dikelola oleh pemerintah adalah 747.948 Ha. Melihat luasnya perkebunan kelapa sawit, perlu adanya monitoring lahan secara berkala untuk mengontrol produktivitas kelapa sawit dan juga sebagai data inventaris.
Penelitian ini bertujuan untuk mengidentifikasi dan menghitung mahkota pohon kelapa sawit secara otomatis dengan memanfaatkan pengolahan citra digital. Sampel yang dideteksi adalah citra atas pohon kelapa sawit dengan bantuan drone. Algoritma yang digunakan untuk mengidentifikasi mahkota pohon kelapa sawit adalah algoritma Haar-Cascade Classifier. Tahapan-tahapan yang dilalui dalam mengidentifikasi pohon kelapa sawit yaitu perhitungan nilai integral image, haar-like features, Algoritma Adaboost, cascade classifier, grayscale dan yang terakhir adalah tahap identifikasi pohon kelapa sawit.
Hasil akhir dalam pnelitian ini adalah sistem dapat mengidentifikasi pohon kelapa sawit menggunakan Algoritma Haar-Cascade Classifier sehingga pohon dapat dihitung dalam suatu lahan. Berdasarkan hasil penelitian 30 data citra uji dengan pengklasifikasian sebanyak 10 stage, diperoleh nilai akurasi sebesar 87 %, dengan nilai Recall 89 % , nilai Precision 97 % , serta nilai dari error rate adalah 13%.
Kata Kunci: Pengolahan Citra, Identifikasi, Pohon kelapa sawit, Penghitungan, Algoritma Haa-Cascade Classifier.
CALCULATION OF OIL PALM TREES WITH IDENTIFYING TREE USING HAAR-CASCADE CLASSIFIER ALGORITHM
ABSTRACK
Palm oil is one of the superior commodities that support Indonesia's economic growth.
By 2016, the statistical data released by the plantation directorate general for oil palm plantations managed by the government is 747,948 ha. Given the vastness of oil palm plantations, there needs to be periodic monitoring of land to control palm oil productivity as well as inventory data.
This study aims to identify and calculate the crown of oil palm trees automatically by utilizing digital image processing. The samples detected were the top of oil palm tree image with the help of drones. The algorithm used to identify the oil palm tree crown is the Haar-Cascade Classifier algorithm. The steps taken in identifying oil palm trees are the calculation of integral image values, haar-like features, Adaboost algorithm, cascade classifier, grayscale and the last is identifying oil palm trees.
The final result in this study is that the system can identify oil palm trees using Haar-Cascade Classifier Algorithms so that trees can be calculated in a field. Based on research result 30 data of test image with classification as much as 10 stage, the accuracy value of of the system is 87%, the Recall value is 89% , the Precision value is 97%, and the error rate is 13%.
Keyword: Image Processing, Identification, Oil palm tree, Calculation, Haar-Cascade Classifier Algorithm.
DAFTAR ISI
Hal.
PERSETUJUAN ii
PERNYATAAN iii
UCAPAN TERIMA KASIH iv
ABSTRAK vi
ABSTRACT vii
DAFTAR ISI viii
DAFTAR TABEL x
DAFTAR GAMBAR xi
BAB 1 PENDAHULUAN
1.1 Latar Belakang 1
1.2 Rumusan Masalah 3
1.3 Tujuan Penelitian 3
1.4 Batasan Masalah 3
1.5 Manfaat Penelitian 4
1.6 Metodologi Penelitian 4
1.7 Sistematika Penulisan 5
BAB 2 LANDASAN TEORI
2.1 Kelapa Sawit 6
2.2 Computer Vision 7
2.3 Haar-Like Features 8
2.4 Adaptive Boosting (AdaBoost) 10
2.5 Cascade Classifier 10
2.6 Citra Digital 11
2.7 OpenCV 13
2.8 Apache 14
2.9 MySQL 14
2.10 Penelitian Terdahulu 15
BAB 3 ANALISIS DAN PERANCANGAN SISTEM
3.1 Dataset 18
3.2 Analisis Sistem 20
3.3 Perancangan Antarmuka Sistem 28
3.4 Perancangan Database 29
BAB 4 IMPLEMENTASI DAN PENGUJIAN
4.1 Implementasi Sistem 31
4.2 Prosedur Operasional 35
4.3 Pengujian Sistem 40
BAB 5 KESIMPULAN DAN SARAN
5.1 Kesimpulan 47
5.2 Saran 47
DAFTAR PUSTAKA
47
DAFTAR TABEL
Hal.
Tabel 2.1 Penelitian Terdahulu 17
Tabel 3.1 Pembagian data uji & data latih 18
Tabel 3.2 Jumlah citra pada data latih 19
Tabel 3.3 Jumlah citra pada data uji 19
Tabel 3.4 Atribut Tabel Data Sawit 30
Tabel 4.1 Hasil pengujian citra 40
Tabel 4.2 Hasil pengujian citra (Lanjutan) 41
Tabel 4.3 Confusion Matrix dari data 42
DAFTAR GAMBAR
Hal.
Gambar 2.1 Skema Computer Vision 7
Gambar 2.2 Tipe Haar 9
Gambar 2.3 Integral Image 10
Gambar 2.4 Cascade Classifier 11
Gambar 3.1 Pengambilan citra pohon kelapa sawit 21
Gambar 3.2 Arsitektur Umum 21
Gambar 3.3 Citra perkebunan kelapa sawit 22
Gambar 3.4 Citra keabuan perkebunan kelapa sawit 23
Gambar 3.5 Citra masukan dan citra integral 24
Gambar 3.6 Matrix integral image 24
Gambar 3.7 Modifikasi Algoritma AdaBoost 26
Gambar 3.8 Langkah Cascade Classifier 27
Gambar 3.9 Struktur Menu 28
Gambar 3.10 Rancangan halaman utama aplikasi 29
Gambar 3.11 Tampilan Penambahan Keterangan 30
Gambar 4.1 Tampilan Utama Sistem 32
Gambar 4.2 Data citra positif 33
Gambar 4.3 Data citra negatif 34
Gambar 4.4 Tampilan Open File 35
Gambar 4.5 Tampilan gambar inputan 36
Gambar 4.6 Tampilan Grayscale 36
Gambar 4.7 Tampilan Count 37
Gambar 4.8 Tampilan Save 38
Gambar 4.9 Message Alert 38
Gambar 4.10 Tampilan Report 39
Gambar 4.11 Cetak halaman 39
Gambar 4.12 Grafik hasil Recall dan Precision 44
Gambar 4.13 Perbandingan jumlah objek berdasarkan Scale Factor 45 Gambar 4.14 Hasil deteksi objek dengan nilai min neihgbor = 0 45
BAB 1 PENDAHULUAN
1.1 Latar Belakang
Perkembangan teknologi untuk mendeteksi suatu objek terus berkembang. Hal ini seiring dengan berkembangnya ilmu pengetahuan dan komputer yang semakin pesat.
Salah satu perkembangan teknologi yang sering kita temukan dalam kehidupan sehari- hari yaitu dalam proses pengenalan wajah pada layar handphone, pemanfaatan sidik jari untuk keamanan, identifikasi penyakit dan sebagainya. Proses dalam mengidentifikasi gambar ini pun dikenal dengan pemrosesan gambar (Digital Image Processing).
Dengan adanya pemanfaatan image processing ini, telah banyak penelitian yang dilakukan untuk memudahkan pekerjaan seperti bidang kedokteran, kepolisian, pertanian dan bidang lainnya.
Salah satu alat yang digunakan untuk mengidentifikasi objek yaitu kamera.
Kamera berfungsi untuk mengambil gambar objek yang akan diidentifikasi. Informasi yang kita dapatkan dalam sebuah gambar dapat kita manfaatkan sebagai ciri untuk mengidentifikasi, sehingga memudahkan kita untuk mendeteksi objek berdasarkan ciri objek dan beberapa fitur lainnya sehingga dapat mengenali bahkan dapat menghitung objek tersebut.
Salah satu algoritma yang digunakan dalam mengidentifikasi objek yaitu Algoritma Haar-Cascade Classifier. Deteksi objek ini pertama kali di perkenalkan oleh Paul Viola dan Michael Jones dalam makalah mereka pada tahun 2001. Rapid Object Detection dengan menggunakan Boosted Cascade Of Simple Features ini adalah pendekatan pembelajaran berbasis mesin untuk visual deteksi objek yang mampu memproses gambar dengan sangat cepat dan mencapai tingkat deteksi yang tinggi.
Dalam makalah ini, mereka membedakan pekerjaan kedalam tiga tahap yaitu pada tahap pertama, pengenalan representasi gambar baru disebut “gambar integral” yang digunakan untuk fitur detektor dengan cepat. Kedua, pembelajaran algoritma berdasarkan algoritma Adaptive Boost (AdaBoost), yang mengklasifikasikan sebagian kecil fitur visual yang penting dari set dan hasil yang lebih besar sehingga lebih efisien.
Tahap ketiga yaitu metode untuk menggabungkan klasemen yang semakin kompleks dalam cascade yang memungkinkan daerah latar belakang gambar dibuang sehingga mengurangi komputasi pada daerah yang mendekati gambar yang memiliki objek yang akan di deteksi. Pada saat Viola dan Jones menggunakan algoritma ini dalam aplikasi real-time, detektor berjalan pada 15 frame per detik tanpa beralih ke pembedaan gambar atau deteksi warna kulit.
Pada tahun 2006, Wilson dan Fernandez melakukan penelitian dengan memanfaatkan fitur Viola dan Jones ini untuk mendeteksi wajah, mata, hidung dan mulut. Pada saat melakukan percobaan, kecepatan dalam mendeteksi objek mencapai 3 frame per detik dengan spesifikasi prosesor AMD 1.2 GHz untuk menganalisis 240 dari 320 gambar. Pembagian wilayah pada wajah meningkatkan akurasi pendeteksian.
Setiap gambar yang bukan positif dieliminasi sehingga memberikan nilai akurasi 95 % untuk mata dan hidung, sedangkan untuk mendeteksi mulut memiliki akurasi yang rendah dikarenakan memiliki ukuran yang rendah dari batas minimum pendeteksian.
Melihat tingginya nilai akurasi dari algoritma Haar- Cascade Classifier pada pendeteksian frontal face, mendorong kita untuk memanfaatkan algoritma ini untuk mendeteksi objek lain yaitu kelapa sawit. Seperti yang kita ketahui, kelapa sawit (Elaeis guineensis jacq) merupakan salah satu andalan dalam sektor non migas Indonesia.
Dimana sektor non migas Indonesia seperti kelapa sawit menjadi tumpuan utama dalam membangun perekonomian negara. Melihat cerahnya prospek dari komoditi minyak kelapa sawit dalam perdagangan minyak nabati mendorong pemerintah untuk memacu terus perkembangan perkebunan kelapa sawit. Untuk daerah Sumatera Utara pada tahun 2015, luas perkebunan kelapa sawit mencapai 418.002 Ha untuk perkebunan rakyat, sedangkan untuk perkebunan negara dan swasta tercatat 324.043 Ha dan 684.977 Ha.
(Dirjen Perkebunan).
Melihat luasnya perkebunan kelapa sawit yang di kelola oleh negara menjadikan
yaitu PTPN III Membang Muda. Luasnya lahan kelapa sawit yang dikelola perlu untuk melakukan monitoring lahan secara akurat dan berkala untuk mengontrol produktivitas kelapa sawit. Dalam memonitoring pohon kelapa sawit sering kali menimbulkan kesalahan dalam perhitungan pohon dalam suatu blok karena dihitung secara manual oleh manusia sehingga berpengaruh dalam pemupukan dan data inventaris. Untuk mengurangi kesalahan yang terjadi, maka pemanfaatan teknologi diharapkan dapat menanggulangi permasalahan ini.
Dengan pemanfaatan Algoritma Haar-Cascade Classifier untuk mengidentifikasi pohon kelapa sawit diharapkan mengidentifikasi pohon kelapa sawit dan dapat mempermudah perhitungan pohon kelapa sawit dalam suatu lahan.
1.2 Rumusan Masalah
Perhitungan pohon kelapa sawit secara manual dapat memakan waktu berhari-hari, sehingga menyebabkan pertambahan biaya. Untuk menghemat waktu dalam menghitung jumlah pohon kelapa sawit dalam suatu lahan maka dibutuhkan sebuah aplikasi yang dapat menghitung pohon kelapa sawit secara otomatis. Oleh karena itu, dengan pemanfaatan algoritma Haar-Cascade Classifier untuk mengidentifikasi pohon kelapa sawit diharapkan dapat membantu dalam menghitung jumlah pohon kelapa sawit.
1.3 Tujuan Penelitian
Adapun tujuan penelitian ini yaitu untuk menghitung jumlah pohon kelapa sawit dengan pemanfaatan Algoritma Haar-Cascade Classifier untuk mengidentifikasi pohon kelapa sawit.
1.4 Batasan Masalah
Adapun batasan masalah dalam penelitian ini yaitu:
1. Inputan berupa foto dengan format .jpg, .jpeg dan .bmp
2. Pengambilan gambar diambil dari citra atas pohon kelapa sawit.
3. Pengambilan gambar diambil dengan sudut pandang tegak lurus dengan pohon kelapa sawit.
4. Pengambilan gambar dilakukan saat cuaca sedang cerah.
5. Tinggi kamera saat pengambilan gambar ± 70 – 78 meter dari atas permukaan tanah.
6. Pada saat pengambilan gambar, kamera tidak boleh menghadap cahaya.
7. Pohon kelapa sawit dihitung dalam satu frame foto.
1.5 Manfaat Penelitian Manfaat penelitian ini yaitu:
1. Membantu dalam menghitung pohon kelapa sawit.
2. Dapat mempercepat waktu perhitungan pohon kelapa sawit pada sebuah lahan.
3. Data yang dihasilkan dapat dimanfaatkan sebagai referensi data pemupukan dan lain-lain.
4. Mengetahui kelebihan dan kekurangan dari algoritma Haar-Cascade Classifier.
5. Sebagai bahan pertimbangan untuk penelitian selanjutnya.
1.6 Metodologi Penelitian
Tahapan yang dilakukan dalam penelitian ini adalah sebagai berikut:
1. Studi Literatur
Dalam tahap studi literatur dilakukan pengumpulan berbagai informasi sebagai bahan referensi mengenai image Processing, Algoritma Haar-Cascade Classifier dan kelapa sawit. Dari berbagai jurnal, buku, artikel dan berbagai sumber informasi lainnya.
2. Analisis Permasalahan
Pada tahap ini dilakukan analisis permasalahan dari berbagai informasi yang telah didapatkan dari studi literatur agar dalam menghitung pohon kelapa sawit dapat ditemukan metode yang tepat.
3. Perancangan Sistem
Pada tahap ini dilakukan perancangan sistem untuk dapat menyelesaikan permasalahan yang dihadapi.
4. Implementasi
Tahap selanjutnya yaitu tahap implementasi yang bertujuan untuk mengimplementasikan program yang telah dirancang agar sesuai dengan yang diharapkan pada tahap analisis.
5. Pengujian
Pada tahap ini dilakukan pengujian terhadap sistem yang telah dirancang untuk menguji seberapa mampu Algoritma Haar-Cascade Classifier dalam mengidentifikasi pohon kelapa sawit dan menghasilkan data yang sesuai.
6. Dokumentasi dan Penyusunan Laporan
Pada tahap yang terakhir, dilakukan dokumentasi dan penyusunan laporan dari keseluruhan hasil penelitian yang telah dilakukan.
1.7 Sistematika Penulisan
Sistematika penulisan dari skripsi ini terdiri dari lima bagian utama sebagai berikut:
Bab 1: Pendahuluan
Bab ini terdiri dari latar belakang, rumusan masalah, tujuan penelitian, batasan masalah, manfaat penelitian, metodologi penelitian dan sistematika penulisan.
Bab 2 : Landasan Teori
Bab ini terdiri dari teori-teori yang digunakan dan yang berhubungan dengan permasalahan yang dibahas pada penelitian ini.
Bab 3 : Analisis dan Perancangan Sistem
Bab ini berisi tentang analisis dari arsitektur umum serta analisis dari algoritma yang digunakan yaitu algoritma Haar-Cascade Classifier dan penerapannya dalam pembuatan aplikasi perhitungan kelapa sawit.
Bab 4 : Implementasi dan Pengujian Sistem
Bab ini membahas tentang implementasi dari algoritma yang digunakan serta analisis dan perancangan yang telah dilakukan sebelumnya serta pengujian terhadap kesesuaian hasil yang didapatkan oleh aplikasi.
Bab 5 : Kesimpulan dan Saran
Bab ini berisi kesimpulan dari seluruh penelitian yang dilakukan seperti yang telah diuraikan pada bab-bab sebelumnya. Bagian akhir ini merupakan saran-saran dan masukan yang diajukan untuk penelitian selanjutnya.
BAB 2
LANDASAN TEORI
Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan Algoritma Haar-Cascade Classifier yang akan di terapkan dalam perhitungan pohon kelapa sawit.
2.1 Kelapa Sawit
Tanaman kelapa sawit dalam bahasa latin dinamakan juga Elaeis Guineensis Jacq. Kata Elaeis berasal dari kata Elaion dari bahasa Yunani yang berarti minyak dan kata Guineensis berasal dari kata Guinea yang merupakan nama suatu daerah di pantai barat Afrika, sedangkan kata Jacq adalah singkatan dari Jacquin, seorang botanis asal Amerika yang membuat susunan taksonomi dari tanaman ini.
Tanaman kelapa sawit di Indonesia pertama kali diperkenalkan oleh pemerintah kolonial Belanda pada tahun 1848 dan beberapa bijinya ditanam di Kebun Raya Bogor, sementara beberapa yang lainnya ditanam di tepi-tepi jalan Deli, Sumatera Utara sebagai tanaman hias. Pada tahun 1911, kelapa sawit mulai dibudidayakan secara komersial yang dirintis Adrien Hallet di Hindia Belanda diikuti oleh K.Schadt.
Perkebunan kelapa sawit pertama berlokasi di Pantai Timur Sumatera (Deli) dan Aceh.
Luas daerah perkebunan mencapai 5.123 ha.
Semenjak era Orde Baru perluasan areal penanaman kelapa sawit pun semakin digalakkan. Perluasan areal perkebunan kelapa sawit terus berlanjut akibat meningkatnya harga minyak bumi sehingga peran minyak nabati meningkat sebagai energi alternatif. Cerahnya prospek dari komoditi minyak sawit dalam perdagangan minyak nabati dunia semakin mendorong pemerintah Indonesia untuk memacu terus pengembangan areal perkebunan sawit di Indonesia.
2.2 Computer Vision
Computer Vision adalah bidang kecerdasan buatan dan Ilmu Komputer yang bertujuan untuk memberikan komputer pemahaman untuk mengenali objek yang diamati dengan cara mengambil informasi yang terdapat pada objek tersebut.
Tujuan dari computer vision adalah untuk meniru visi manusia menggunakan gambar digital melalui tiga komponen pemrosesan utama yang dijalankan satu per satu yaitu:
1. Pengambilan gambar.
2. Pemrosesan gambar.
3. Analisis dan pemahaman gambar.
Gambar 2.1 Skema Computer Vision
Image Acquisition adalah proses menerjemahkan dunia analog disekitar kita menjadi data biner yang terdiri dari 0 dan 1 yang ditafsirkan sebagai citra digital.
Adapun tools yang dibuat untuk mengumpulkan data yaitu: webcam, embedded camera, kamera digital, DSLR dll.
Komponen kedua dari computer vision adalah pemrosesan gambar tingkat rendah.
Algoritma diterapkan pada data biner yang di peroleh pada lagkah pertama untuk menyimpulkan informasi tingkat rendah pada bagian-bagian gambar. Jenis informasi yang ini dicirikan oleh tepi gambar, fitur titik atau segmen misalnya semua elemen geometrik dasar yang membangun objek dalam gambar. Algoritma pemrosesan gambar tingkat rendah meliputi: edge detection, segmentation, clasification, fiture detection dan matching.
Langkah terakhir dari computer vision adalah analisis dan pemahaman gambar.
Jika analisis data aktual, dan memungkinkan untuk pengambilan keputusan. Algoritma tingkat tinggi di terapkan menggunakan data gambar dan informasi tingkat rendah yang dihitung dalam langkah sebelumnya. Contoh analisis gambar tingkat tinggi yaitu:
pemetaan gambar 3D, image recognition, dan object tracking.
2.3 Haar-Like Features
Pada umumnya, Haar-Like feature digunakan untuk mendeteksi objek pada image digital. Namun, Haar merujuk pada suatu fungsi matematika (Haar Wavelet) yang berbentuk kotak, prinsipnya sama dengan fungsi Fourier. Awalnya pengolahan gambar hanya dengan melihat dari nilai RGB pada setiap piksel, namun metode ini ternyata kurang efektif. Viola dan Jones kemudian mengembangkannya sehingga terbentuklah Haar-Like feature.
Fitur Haar-Like memproses gambar dalam kotak-kotak, dimana dalam suatu kotak terdapat beberapa piksel. Setiap kotak kemudian di proses untuk mendapatkan nilai (threshold) yang menandakan daerah gelap dan daerah terang. Nilai-nilai inilah yang nantinya akan dijadikan sebagai dasar dalam image processing.
Untuk gambar bergerak (video), perhitungan dan penjumlahan piksel terjadi secara terus-menerus sehingga membutuhkan waktu yang sangat lama. Oleh karena itu, penjumlahan diganti dengan integral sehingga didapatkan hasil lebih cepat. Hasil deteksi dari Haar-Like kurang akurat jika hanya menggunakan satu fungsi saja sehingga digunakan beberapa fungsi. Semakin banyak fungsi yang digunakan maka hasilnya akan semakin akurat. Salah satu pemrosesan Haar-Like feature yang dapat diorganisir yaitu dalam klasifikasi cascade.
2.3.1 Feature
Fitur yang digunakan Viola dan Jones menggunakan bentuk gelombang Haar.
Gelombang ini berbentuk kotak. Pada 2 dimensi, gelombang kotak ini merupakan pasangan persegi yang bersebelahan yaitu terang dan gelap. Adapun tipe-tipe fitur haar yang digunakan seperti yang ditunjukkan gambar 2.1.
Gambar 2.2 Tipe Haar.
Ada 3 tipe fiture haar yaitu:
1. Edge Features pada gambar 2.2 (a) dan (b).
2. Line Features pada gambar 2.2 (c) dan (d).
3. Four-Rectangle Features pada gambar 2.2 (e).
Nilai haar ditentukan oleh pengurangan pixel rata-rata daerah gelap dan pixel rata- rata daerah terang. Jika perbedaan diatas nilai ambang (threshold) maka fitur tersebut dikatakan tidak ada. Teknik untuk menentukan ada atau tidak adanya fitur tersebut didalam sebuah gambar disebut Integral image.
2.3.2 Integral Image
Integral image diperkenalkan sebagai representasi gambar menengah. Alasan utama dalam penggunaan integral image dikarenakan integral image menghilangkan perhitungan yang besar sehingga memungkinkan semua daerah dihitung dengan kecepatan konstan (Ehsan dkk, 2015).
Untuk mendapatkan nilai dari integral image, maka dilakukan perhitungan dari semua piksel yang ada dalam persegi panjang dengan empat referensi nilai. Nilai- nilai ini adalah piksel dalam gambar yang bertepatan dengan sudut-sudut persegi panjang pada gambar input. Seperti ditunjukkan pada gambar 2.3 (Jensen, 2008).
Jumlah dari abu-abu = D – ( B + C ) + A
Gambar 2.3 Integral Image.
2.4 Adaptive Boosting (AdaBoost)
Boosting adalah suatu pendekatan untuk pembelajaran mesin berdasarkan ide dengan menciptakan aturan untuk memprediksi yang sangat akurat dengan menggabungkan banyak aturan yang relatif lemah dan tidak akurat (Schapire, 2013).
Algoritma AdaBoost ini menggabungakan banyak klasifikasi untuk membuat satu klasifikasi. Masing - masing klasifikasi akan menetapkan suatu bobot, dan gabungan dari bobot inilah yang akan membentuk satu klasifikasi baru yang kuat. Klasifikasi yang lemah adalah klasifikasi yang berkinerja buruk, tetapi menampilkan kinerja yang lebih baik daripada memprediksi secara acak. Salah satu metode yang cepat untuk dapat beradaptasi dengan klasifikasi yang lemah adalah dengan membatasi klasifikasi yang lemah ke set klasifikasi fungsi yang masing-masing bergantung pada fitur tunggal.
Untuk mencocokkan terminologi ini dengan teori yang disajikan masing-masing fitur dianggap sebagai klasifikasi lemah yang berpotensial. Pengklasifikasian yang lemah secara matematis digambarkan sebagai berikut :
ℎ (𝑥𝑥, 𝑓𝑓, 𝑝𝑝, 𝜃𝜃) = �1 𝑖𝑖𝑓𝑓 𝑝𝑝𝑓𝑓(𝑥𝑥) > 𝑝𝑝(𝜃𝜃)
0 𝑖𝑖𝑓𝑓 𝑝𝑝𝑓𝑓(𝑥𝑥) ≤ 𝑝𝑝 (𝜃𝜃) (2.1)
dimana x adalah sebuah pixel sub-window 24*24, f adalah fitur terpilih, dan 𝜃𝜃 adalah ambang batas yang akan memutuskan apakah x harus diklasifikasikan sebagai positif (objek) atau negatif (bukan objek) (Jensen, 2008).
2.5 Cascade Classifier
Clascade classifier merupakan sebuah classifier yang telah terlatih dengan ribuan contoh objek yang terdiri dari objek yang positif dan objek negatif. Dalam algoritma
Viola-Jones dilakukan penggabungan atau kombinasi cascade classifier agar kecepatan pendeteksian dapat meningkat dengan cara memusatkan pencarian hanya pada daerah- daerah yang berpeluang pada gambar. Hal ini bertujuan untuk menentukan letak objek yang dicari pada gambar. Cascade classifier terdiri dari tahapan-tahapan, dimana setiap tahapan terdiri dari daftar pembelajaran yang lemah (Soo, 2014).
Klasifikasi pada algoritma ini terdiri dari tingkatan tingkatan dimana setiap tingkatan menghasilkan subcitra yang diyakini bukan objek. Hal ini karena lebih mudah untuk mengenali subcitra yang bukan objek yang ingin dideteksi daripada mengenali subcitra yang merupakan objek yang ingin dideteksi.
Gambar 2.4 Cascade Classifier
Pada pengklasifikasian fitur tahap pertama, subcitra akan diklasifikasian dengan satu fitur. Jika hasil fitur tidak memenuhi kriteria yang diinginkan maka hasil akan dinyatakan bukan objek. Pada klasifikasi ini akan disisakan kurang lebih 50% subcitra untuk diklasifikasikan pada tahap kedua. Jika pada tahap kedua tidak memenuhi kriteria sebagai objek yang diinginkan. Maka akan dilanjutkan ke tahap selanjutnya, hingga objek yang di inginkan terdeteksi. semakin banyak tahap yang dilalui, maka semakin banyak fitur yang digunakan dan semakin berkurang jumlah subcitra yang diklasifikasikan.
2.6 Citra Digital
Citra digital adalah gambar dua dimensi yang bisa diolah oleh komputer yang terdiri dari titik-titik yang dinamakan piksel (pixel). Setiap piksel digambarkan sebagai satu kotak kecil (Kadir & Susanto, 2012). Dalam tinjauan matematis, citra merupakan fungsi kontinu dari intensitas cahaya pada bidang dua dimensi. Pada umumnya, citra dibagi
a. citra warna (RGB)
citra warna yaitu citra digital yang setiap pikselnya mengandung warna yang biasanya tersusun dari tiga kanal warna yaitu merah (R), hijau (G) dan biru (B).
Masing-masing kanal warna memiliki nilai intensitas piksel dengan kedalaman bit sebesar 8-bit yang artinya memiliki variasi warna sebanyak 2^8 derajat warna (0 sampai 255).
Setiap piksel pada citra RGB memiliki intensitas warna yang merupakan kombinasi dari tiga nilai intensitas pada kanal R, G, dan B. Banyaknya kombinasi dari warna piksel yang mungkin pada citra RGB truecolor 24-bit adalah sebanyak 255 x 255 x 255 =16.777.216.
b. citra grayscale
citra grayscale merupakan citra yang nilai intensitas pikselnya berdasarkan pada derajat keabuan. Penggunaan citra grayscale di karenakan membutuhkan sedikit informasi yang diberikan pada tiap piksel dibandingkan dengan citra berwarna.
Warna abu-abu pada citra grayscale adalah R(red), G (green) dan B (blue) yang memiliki intensitas yang sama. Sehingga dalam grayscale membutuhkan tiga intensitas untuk tiap pikselnya. Pada citra grayscale 8-bit, derajat warna hitam sampai dengan putih dibagi dalam 256 derajat keabuan. Dimana derajat keabuan putih direpresentasikan dengan nilai 255 dan hitam sempurna dengan 0.
𝑆𝑆 =
𝑟𝑟+𝑔𝑔+𝑏𝑏3(2.2)
Keterangan :
R : Unsur warna merah G : Unsur warna hijau B : Unsur warna biru
c. citra biner
citra biner adalah citra digital yang nilai pikselnya memiliki kedalaman bit sebesar 1 bit. Sehingga hanya memiliki dua nilai intensitas yaitu 1 untuk warna putih dan 0 untuk warna hitam.
Citra grayscale dapat dikonversi menjadi citra biner melalui proses thresholding. Dalam proses thresholding, dibutuhkan suatu nilai threshold
sebagai nilai pembatas konversi. Misalnya nilai threshold yang digunakan adalah 128, maka piksel yang memiliki intensitas kurang dari 128 akan diubah menjadi 0 (hitam) dan apabila lebih atau sama dengan 128 akan diubah menjadi 1 (putih).
Thresholding pada umumnya digunakan dalam proses segmantasi citra.
Proses tersebut dilakukan untuk memisahkan foreground (objek yang dikehendaki) dengan background (objek lain yang tidak dikehendaki). Pada hasil segmentasi, foreground direpresentasikan oleh warna putih (1) dan background dipresentasikan oleh warna hitam (0).
𝑔𝑔 (𝑥𝑥, 𝑦𝑦) = � 1 𝑖𝑖𝑓𝑓 𝑓𝑓(𝑥𝑥, 𝑦𝑦) > 𝑇𝑇
0 𝑖𝑖𝑓𝑓 𝑓𝑓(𝑥𝑥, 𝑦𝑦) ≤ 𝑇𝑇 (2.3)
Keterangan :
g (x,y) : piksel citra hasil binerisasi f (x,y) : piksel citra asal
T : nilai threshold
2.7 OpenCV
OpenCV (Open Source Computer Vision Library) adalah sebuah API (Aplication Programming Interface) yang menyediakan struktur data dan algoritma yang cepat dan efisien serta dapat digunakan untuk pengolahan citra dan real-time computer vision.
(Bradski & Kaehler, 2008).
Adapun 5 library yang terdapat pada OpenCV yaitu:
1. CV merupakan komponen yang berisikan algoritma dasar pengolahan citra digital dan computer vision yang lebih tinggi.
2. ML merupakan komponen yang berisikan pustaka dari machine learning untuk pengklasifikasian statistikal dan clustering tools yang mencakup algoritma seperti berikut:
a. Naive Bayes Classifier
c. Support Vector Machine d. Decision Tree
e. Boosting f. Random Forest
g. Expectation Maximization h. Neural Network
3. HighGUI berisi fungsi-fungsi I/O untuk menyimpan dan pembacaan video atau gambar.
4. CXCORE berisi struktur data, support XML dan fungsi-fungsi grafis.
5. CvAux berisi both defunct areas dan algoritma eksperimental.
2.8 Apache
Web Server adalah software yang menjadi tulang belakang dari world wide web (www).
Web server menunggu permintaan dari client yang menggunakan browser seperti internet explorer, mozilla, opera dan program browser lainnya. Jika ada permintaan dari browser, maka web server akan memproses permintaan itu kemudian memberikan hasil prosesnya berupa data yang diinginkan kembali ke browser. Data ini mempunyai format standar yang disebut juga dengan format SGML (Standart General Markup Language). Data yang berformat ini kemudian akan ditampilkan oleh browser.
2.9 MySQL
MySQL adalah sebuah implementasi dari sistem manajemen basis data relasional (RDBMS) yang didistribusikan secara gratis dibawah lisensi GPL (General Public License). MySQL sebenarnya merupakan turunan salah satu konsep utama dalam basisdata yang telah ada sebelumnya.
SQL (Structured Query Language) pertama kali didefenisikan oleh ISO (International Standards Organization) dan ANSI (the American National Standards Institute) yang dikenal sebagai SQL86. MySQL sebagai database server juga mendukung perintah SQL. Perintah yang dapat dipahami oleh database server MySQL disebut dengan pernyataan. Pernyataan adalah sebuah perintah yang dapat dijalankan oleh MySQL dengan ciri selalu diakhiri dengan tanda titik koma (;). Prinsip kerja yang terjadi adalah ketika pernyatan diakhiri dengan tanda titik koma kemudian tekan enter,
maka program clien MySQL akan segera mengirimkannya ke database server MySQL dan MySQL akan memberikan respon atasnya.
2.10 Penelitian Terdahulu
Beberapa penelititan terdahulu tentang pohon kelapa sawit telah banyak dilakukan, salah satunya yaitu Handayani & Caeli (2017). Dalam penelitian yang mereka lakukan yaitu perhitungan jumlah pohon kelapa sawit dengan klasifikasi berbasis objek, Handayani dan Caeli menggunakan kamera metrik untuk mendapatkan data mozaik orthophoto dari 60 foto. Dengan metode klasifikasi berbasis objek, diharapkan dapat menghitung jumlah pohon dengan tepat dan cepat. Untuk mengetahui nilai parameter yang tepat pada proses perhitungan otomatis, Handayani dan Caeli melakukan uji perbandingan antara hasil perhitungan manual pohon kelapa sawit dengan metode deliniasi. Pada perhitungan otomatis, jumlah pohon yang terdeteksi yaitu 518 dengan menggunakan Scale Level pada segmentasi sebesar 54,8 dan Merge Level sebesar 80,4 dengan algoritma K-Nearest Neighbor. Sedangkan hasil pada perhitungan manual jumlah pohon terdapat sebanyak 612 pohon, sehingga didapat persentase jumlah pohon kelapa sawit yang terdeteksi pada perhitungan otomatis sebesar 84,64 % dengan metode deliniasi. Hasil yang diharapkan tercapai karena melewati batas target yaitu 80%.
Penelitian tentang pendeteksian objek merupakan topik penelitian yang tidak ada habisnya. Nguyen dkk (2010) melakukan penelitian tentang image processing yang mengangkat judul Object Detection Using Non-Redudant Local Binary Patterns.
Penelitian ini membahas tentang Local Binary Pattern (LBP) yang telah berhasil digunakan dalam berbagai pengenalan objek karena sifatnya yang diskriminatif dan kesederhanaan komputasi. Pada penelitin ini, varian dari LBP dimaksudkan sebagai Non-Redudant Local Binary Pattern (NRLBP) diperkenalkan dan ditujukan untuk mendeteksi objek. Dibandingkan dengan LBP asli, NRLBP memiliki keunggulan dalam memberikan deskripsi yang ringkas mengenai penampilan objek. Selain itu, NRLBP lebih diskriminatif karena mencerminkan kontras yang relatif antara latar belakang dengan latar depan.
Penelitian yang dilakukan Kurniawan dkk (2017) tentang sistem Penghitungan Dan Identifikasi Wajah Manusia Dengan Metode Background Substraction Dan Haar Cascade merupakan sistem pemantauan. Metode yang digunakan pada sistem
metode Haar Cascade. Algoritma Background Substraction ini digunakan untuk memisahkan antar objek dengan background sehingga sistem dapat menjalankan People Counter. Sedangkan metode Haar Cascade digunakan untuk mendeteksi wajah dan menyesuaikannya dengan database yang disimpan sehingga menampilkan informasi nama. Jika biasanya sistem pemantauan biasanya menggunakan kamera cctv, namun pada penelitian ini menggunakan dua buah kamera yaitu kamera Raspberry Pi dan kamera USB. Kedua kamera ini memiliki fungsi masing-masing. Pada penelitian ini jarak deteksi maksimal ± 100 cm dengan resolusi kamera 1024 x768 dan nilai FPR 100%.
Pada penelitian Chen dkk (2007) mengusulkan pendekatan dua tingkat untuk mengenali gerakan tangan secara real-time dengan webcame sebagai tools untuk inputan gambar. Tingkat pendekatan yang rendah difokuskan pada pengenalan postur tubuh dengan fitur haar dan algoritma pembelajaran Adaboost. Fitur seperti Haar dapat secara efektif menggambarkan pola postur tangan dengan perhitungan citra integral.
Algoritma AdaBoost secara efisien dapat meningkatkan kecepatan kinerja dan membangun pengklasifikasian yang kuat dengan menggabungkan urutan pengklasifikasian yang lemah. Berdasarkan pengklasifikasian cascade, struktur cascade paralel diimplementasikan untuk mengklasifikasikan postur tangan yang berbeda. Dari hasil percobaan penelitian tersebut, struktur ini dapat mencapai kinerja real-time yang memuaskan serta akurasi klasifikasi yang sangat tinggi diatas 90%.
Penelitian yang memanfaatkan Haar Based juga dilakukan oleh Daliman dkk (2016) yaitu pengklasifikasian pohon kelapa sawit muda, matang dan non-kelapa sawit.
Pada penelitian ini, ditemukan tingkat akurasi keseluruhan 92,73 % dengan sensitivitas 98,58% pada pengklasifikasian pohon kelapa sawit muda dengan fitur yang diperoleh dari fitur Haar-based rectangular windows. Dengan demikian, para peneliti menyimpulkan bahwa fitur Haar-based rectangular windows adalah model pengenalan yang sesuai. Fitur Haar cascade Classifier ini juga pernah dimanfaatkan untuk mendeteksi wajah dalam ruang kelas untuk absen secara otomatis. Penelitian ini dilakukan dengan mengkombinasikan Haar Cascade Classifier dengan algoritma AdaBoost. Beberapa penelitian diatas dapat dilihat dalam Tabel 2.1.
Tabel 2.1. Penelitian Terdahulu
No. Nama Peneliti Judul Penelitian Metode Tahun 1. Handayani, et al Studi Perhitungan
Jumlah Pohon Kelapa Sawit Menggunakan Metode Klasifikasi Berbasis Objek
Klasifikasi berbasis objek, Region merging, Ekstraksi fitur
2017
2. Nguyen, et al. Object Detection Using Non- Redudant Local Binary Patterns
LBP, NRLBP 2010
3. Kurniawan, et al. Sistem
Penghitungan Dan Identifikasi Wajah Manusia Dengan Metode
Background
Substraction Dan Haar Cascade
Background
Substraction, Haar Cascade, Tracking.
2017
4. Chen, et al. Real-time Vision- based Hand Gesture
Recognition using Haar-like Features
Haar-like Features, AdaBoosting.
2007
5. Daliman, et al. Development Of Young Oil Palm Tree Recognition Using Haar-Based Rectangular
Windows
Haar-based Rectangular Windows, Super Vector Machine (SVM)
2016
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
Bab ini akan membahas tentang analisis dan perancangan dalam aplikasi penghitungan pohon kelapa sawit. Tahap pertama yaitu analisis data yang digunakan, analisis tahap pengolahan data yang digunakan, kemudian implementasi dari algoritma Haar- Cascade Classifier dalam mengidentifikasi pohon kelapa sawit. Pada tahap selanjutnya yaitu dilakukan perancangan tampilan antarmuka sistem.
3.1 Dataset
Data yang digunakan dalam penelitian ini adalah citra pohon kepala sawit yang diambil dari sudut pandang atas pohon dengan menggunakan alat yaitu drone. Data citra yang digunakan dalam penelitian ini memiliki ukuran yang bervariasi dengan jumlah keseluruhan 430 citra. Selain citra pohon kelapa sawit, ada juga citra selain pohon kelapa sawit yang berjumlah 450 citra. Data citra selain pohon kelapa sawit diperoleh dari situs http://www.image-net.org. Dimana pembagian citra akan ditunjukkan pada Tabel 3.1.
Tabel 3.1 Pembagian data uji & data latih
No. Dataset Jumlah data
1. Data pengujian 30
2. Data pelatihan 850
Citra yang telah dikumpulkan dibagi kedalam dua bagian yaitu testing dataset ( data uji ) dan training dataset ( data latih ). Data uji digunakan untuk mengetahui akurasi dalam mengidentifikasi citra terhadap sistem yang dibangun dan data latih digunakan untuk pembelajaran dan pengetahuan sistem terhadap citra pohon kelapa
sawit. Data latih ini kemudian dibagi dalam dua bagian yaitu citra negatif dan citra positif.
1. Citra Sampel Positif
Citra sampel positif yaitu citra sampel yang didalamnya terdapat objek (pohon kelapa sawit). Citra positif ini digunakan untuk menentukan apa sebenarnya yang harus dicari ketika sistem mencoba menemukan objek yang dikehendaki.
Ada dua cara untuk menghasilkan dataset sample citra positif yaitu:
a. Dari satu objek gambar positif dapat menghasilkan banyak citra positif.
b. Kita dapat menyediakan citra positif sendiri dengan cara memotong sendiri, mengubah ukurannya dan menempatkannya dalam format biner menggunakan opencv.
Meskipun cara pertama bekerja dengan baik, namun ia cenderung lambat karena memakan waktu dalam komputasi . Dalam hal ini, disarankan untuk menggunakan cara kedua.
2. Citra Sampel Negatif
Citra sampel negatif adalah citra sampel yang didalamnya tidak terdapat objek yang akan dideteksi yang diambil secara acak. Citra negatif ini disebut juga dengan background yang disimpan didalam folder negatif dengan berbagai format gambar.
Adapun jumlah citra yang digunakan untuk data latih terdapat dalam Tabel 3.2.
Tabel 3.2. Jumlah citra pada data latih
No. Dataset Jumlah
1. Citra Positif 400
2. Citra negatif 450
Kemudian pada Tabel 3.3 terdapat jumlah citra pohon kelapa sawit untuk data uji.
Tabel 3.3 Jumlah citra pada data uji
No Dataset Jumlah
1. Citra pohon kelapa sawit 30
Citra yang digunakan merupakan citra pohon kelapa sawit yang diambil dari sudut pandang atas pohon dengan format citra yang digunakan yaitu .jpg, atau .jpeg.
Pengambilan gambar dilakukan dengan pencahayaan yang cukup (cerah) dimana cahaya sinar matahari tertutup awan atau saat matahari telah berada diarah barat. Hal ini dilakukan untuk menghindari atau mengurangi pembiasan sinar matahari pada daun kelapa sawit yang nantinya akan berpengaruh pada pemrosesan citra. Pada saat pengambilan gambar, kamera tidak boleh menghadap sumber cahaya (matahari). Hal ini bertujuan untuk menghindari pencahayaan yang buruk. Ketinggian drone pada saat pengambilan gambar ± 70 − 75 meter. Semakin tinggi jarak pengambilan gambar, semakin luas daerah yang di tertangkap oleh kamera.
3.2 Analisis Sistem
Metode yang diajukan untuk penghitungan pohon kelapa sawit yaitu terdiri dari beberapa tahap. Tahapan – tahapan tersebut dimulai dengan pengambilan data citra atas pohon kelapa sawit dengan bantuan drone. Ketinggian saat pengambilan citra ± 70 − 75 meter. Dengan pengambilan tegak lurus terhadap pohon kelapa sawit. Hasil pengambilan citra akan digunakan sebagai citra latih dan citra uji. Tahap selanjutnya yaitu menyiapkan data training citra positif dan citra negatif. Sebelum ditraining, citra negatif terlebih dahulu di ubah ke skala citra keabuan, hal ini akan lebih memudahkan citra untuk di training. Sedangkan untuk citra positif dilakukan pemotongan citra pohon kelapa sawit agar meminimalisir waktu komputasi saat pengklasifikasian. Setelah seluruh data dipersiapkan, langkah selanjutnya adalah menentukan Region Of Interest (ROI). Data Kemudian ditraining menggunakan algoritma AbaBoost dan Haar, maka diperolehlah file XML yang didalamnya telah merincikan nilai fitur objek.
Kemudian tahap selanjutnya yaitu tahap pre-processing, dimana citra uji yang akan di proses terlebih dahulu diubah kedalam citra keabuan dengan menggunakan teknik grayscale. Citra grayscale ini kemudian di analisis menggunakan Cascade Classifier. Nilai fitur citra latih pada file XML akan di periksa kesesuaiannya dengan nilai fitur pada data uji. Apabila di temukan kesesuaian objek yang akan diidentifikasi dengan klasifikasi objek maka objek akan dikenali dan dihitung satu pohon dan dilakukan penandaan, begitu seterusnya hingga tidak ditemukan lagi objek dalam citra.
Jika objek tidak ditemukan lagi pada citra yang diuji maka sistem akan berhenti menghitung dan menampilkan hasil akhir citra. Data yang telah di peroleh dari citra uji
akan disimpan kedalam database sehingga dapat dijadikan sebagai laporan. Adapun tahapan-tahapan yang dilalui dapat dilihat pada gambar berikut.
Gambar 3.1 Pengambilan citra pohon kelapa sawit
Gambar 3.2 Arsitektur Umum
3.2.1 Image Aquisition
Inputan citra pada sistem yaitu berupa citra perkebunan kelapa sawit menggunakan kamera yang ada pada drone, disini pengambilan citra dilakukan dengan menggunakan DJI Phantom 3 dengan resolusi gambar yang baik, dan pengambilan gambar yang tegak lurus terhadap pohon kelapa sawit. Kemudian citra disimpan kedalam desktop dengan format .jpg, .jpeg atau .bmp seperti gambar dibawah ini.
Gambar 3.3 Citra perkebunan kelapa sawit
3.2.2 Pre-processing image
Kemudian citra perkebunan kelapa sawit yang telah diinputkan akan di proses dan diubah kedalam bentuk grayscale. Proses grayscale ini merupakan proses perubahan gambar RGB kedalam citra keabuan. Diproses dengan rumus sebagai berikut:
W = 0.2989 R + 0.5870 G + 0.1140 B (3.1) Sehingga diperoleh citra hasil grayscale sebagai berikut.
Gambar 3.4 Citra keabuan perkebunan kelapa sawit
3.2.3 Pendeteksian dengan Haar-Cascade Classifier
Metode yang digunakan adalah Haar –Like feature dimana perlu dilakukan training terlebih dahulu untuk mendapatkan suatu keputusan dengan nama Cascade Classifier sebagai penentu apakah citra memiliki objek atau tidak dalam setiap frame yang pada saat diproses. Ada 3 tahap penting dalam metode Viola-Jones ini yaitu:
1. Representasi citra (Integral Image).
2. Pengklasifikasian citra dengan algoritma AdaBoost.
3. Penggabungan cascade untuk pemisahan latar belakang citra.
3.2.3.1 Integral Image
Perhitungan untuk mendapatkan nilia integral di peroleh dari semua piksel citra yang ada dalam persegi panjang (Haar-Like). Nilai fitur ditentukan dengan menghitung jumlah piksel hitam pada citra dikurangi dengan jumlah piksel putih pada citra.
Sedangkan untuk nilai citra integral diperoleh dari akumulasi dari nilai piksel atas dan kirinya (Jensen, 2008). Sebagai contoh, piksel (a,b) memiliki nilai akumulatif untuk semua piksel (x,y) dimana x <= a dan y <= b. Seperti Gambar 3.5 dan Gambar 3.6 berikut:
(a.) Citra Asli (b.) Citra integral
Gambar 3.5 Citra masukan dan citra integral
Gambar 3.6 Matrix integral image
Dengan adanya nilai integral maka nilai fitur dapat kita ketahui dengan cara menghitung total jumlah piksel hitam dikurangi dengan total jumlah piksel putih seperti berikut ini:
Nilai Fitur Haar = | Total Piksel Hitam – Total Piksel Putih | (3.2)
= (32+2-16-5)-(49+5-32-6) + (77+6-49-9)
= 22
Nilai fitur haar yang didapatkan adalah 22 yang merupakan nilai selisih dari nilai kotak putih dan kotak hitam yang biasanya disebut dengan nilai threshold. Nilai threshold ini kemudian digunakan sebagai parameter mengklasifikasikan objek yang terdeteksi sebagai pohon kelapa sawit atau tidak.
3.2.3.2 Pemilihan fitur dengan AdaBoost
Algoritma AdaBoost atau dikenal dengan Adaptive Boost merupakan algoritma peningkatan pembelajaran mesin yang mampu membangun pengelompokan yang kuat melalui kombinasi berbobot dari pengklasifikasi yang lemah (weak classification).
(Jensen,2008). Algoritma ini diterapkan secara luas pada model prediksi dalam data maining. Inti dari algoritma ini adalah memberikan suatu bobot lebih ke pengklasifikasian yang lemah (Zulhanif, 2015).
Kecepatan fitur yang dapat dievaluasi tidak cukup dalam mengimbangi jumlahnya. Misalnya dalam sub-window piksel 24 x 24 , ada total M = 162.336 fitur yang mungkin, dan akan sangat besar untuk mengevaluasi semuanya saat menguji gambar. Dengan demikian, kerangka kerja pendeteksian objek menggunakan varian dari algoritma pembelajaran Adaboost untuk memilih fitur terbaik dan untuk melatih pengklasifikasian yang digunakan. Secara matematis dapat digambarkan sebagai berikut:
ℎ(𝑥𝑥) = 𝑠𝑠𝑠𝑠𝑠𝑠 �∑
𝑀𝑀𝑗𝑗=1𝛼𝛼𝛼𝛼 ℎ𝛼𝛼(𝑥𝑥) �
(3.3)setiap pengelompokan yang lemah merupakan fungsi threshold pada fitur fj.
ℎ𝛼𝛼 (𝑥𝑥) = �−𝑠𝑠𝛼𝛼 𝑖𝑖𝑖𝑖 𝑖𝑖𝛼𝛼 < 𝜃𝜃 𝑠𝑠𝛼𝛼 𝑙𝑙𝑙𝑙𝑖𝑖𝑠𝑠𝑠𝑠𝑙𝑙𝑙𝑙 (3.4)
nilai dari 𝜃𝜃Rj dan polarity 𝑠𝑠Rj € ± 1 ditentukan dengan pelatihan sebagaimana dengan koefisien 𝛼𝛼Rj .
adapun langkah-langkah yang akan dilakukan dalam algoritma Adaboost yang telah di modifikasi oleh Viola-Jones dapat dilihat pada Gambar 3.7:
Gambar 3.7 Modifikasi Algoritma AdaBoost
Bagian terpenting dari algoritma AdaBoost yang telah dimodifikasi adalah penentuan fitur terbaik, polaritas dan ambang batas. Tampaknya tidak ada solusi cerdas untuk masalah ini dan Viola-Jones menyarankan metode Bruce Force sederhana. Ini berarti bahwa penentuan setiap klasifikasi lemah yang baru melibatkan evaluasi setiap fitur pada semua contoh pelatihan untuk menemukan format terbaik fitur. Ini akan menjadi bagian yang paling memakan waktu dari prosedur pelatihan.
Kinerja terbaik fitur dipilih berdasarkan kesalahan berbobot yang dihasilkannya.
Kesalahan berbobot ini adalah fungsi dari bobot milik contoh pelatihan. Seperti yang terlihat pada Gambar 3.7 (no 3 bagian 4) bobot dari contoh yang diklasifikasikan dengan benar menurun dan bobot contoh yang salah mengklasifikasikan tetap konstan.
Akibatnya lebih mahal untuk fitur kedua (dalam klasifier terakhir) untuk kesalahan klasifikasi sebuah contoh juga kesalahan klasifikasi oleh fitur pertama dari contoh yang diklasifikasi dengan benar. Interpretasi alternatif adalah bahwa fitur kedua dipaksa untuk lebih fokus pada contoh kesalahan klasifikasi yang pertama. Intinya, bobot
adalah bagian penting dari mekanika AdaBoost. Dengan gambar integral, fitur komputasi lebih efisien dan algoritma AdaBoost merupakan detektor yang siap untuk diimplementasikan.
3.2.3.3 Cascade Training
Langkah selanjutnya adalah pelatihan Boost Cascade dari klasifikasi yang lemah berdasarkan dataset yang positif dan negatif. Setiap tahap pengklasifikasi label wilayah akan ditentukan oleh lokasi jendela sebagai positif (objek ditemukan dalam image) atau negatif (objek yang ditentukan tidak ada pada gambar). Jika pengklasifikasian telah selesai, maka akan dilanjutkan pada wilayah selanjutnya.
True positive berarti objek yang dinyatakan memang ada dalam gambar dan pada label klasifikasi. Sebuah false positive berarti bahwa proses pelabelan telah salah menentukan objek dalam gambar, walaupun tidak demikian. False negative terjadi ketika klasifier tidak dapat melakukan pendeteksian objek yang sebenarnya dari gambar. Sedangkan True negative adalah pengklasifikasian yang benar yang didalamnya tidak terdapat objek yang dimaksud.
Agar bekerja dengan baik, setiap tahap cascade harus memiliki nilai false negatif yang rendah, karena jika objek sebenarnya di klasifikasikan sebagai non-objek, maka cabang pengklasifikasian akan berhenti sehingga tidak ada cara untuk memperbaiki kesalahan yang dibuat. Namun, setiap tahap memiliki tingkat false positif yang relatif tinggi karena bahkan jika pada tahap pengklasifikasian ke-n dari non-objek sepert yang kita ketahui akan menjadi objek, maka kesalahan ini bisa diperbaiki pada pengklasifikasin ke n+1 dan tahap selanjutnya (Soo, 2014).
3.3 Perancangan Antarmuka Sistem
Perancangan antarmuka merupakan gambaran umum tentang tampilan menu, tampilan aplikasi termasuk halaman utama aplikasi.
3.3.1 Perancangan Menu Sistem
Struktur menu dalam sistem dapat dilihat pada Gambar 3.9
Gambar 3.9 Struktur Menu
3.3.2 Rancangan Tampilan Halaman Utama
Pada halaman utama aplikasi terdapat logo dan judul penelitian pada bagian atas aplikasi sebagai identitas dari aplikasi yang dijalankan. Pada isi tampilan terdapat label
“Citra Asli” dan “Hasil Counting” yang mana pada bawah label tersebut terdapat frame untuk menampilakan citra yang akan di proses dan citra hasil pemrosesan. Pada baris bawah selanjutnya, terdapat sederetan tombol-tombol yang berfungsi dalam pemrosesan gambar inputan yaitu:
1. Tombol “Open File” berfungsi untuk memilih gambar kelapa sawit dari direktori. Gambar yang dipilih merupakan format .jpg dan .jpeg. Setelah gambar dipilih, sistem akan menampilkan gambar pada kolom “Tampilan gambar”.
2. Tombol “Grayscale” berfungsi untuk memproses gambar RGB dari gambar yang diinputkan menjadi gambar grayscale, kemudian hasil dari grayscale ini akan ditampilkan pada layar.
3. Tombol “Count” berfungsi untuk memproses gambar inputan agar dapat mengidentifikasi dan menghitung jumlah objek yang terdeteksi, sehingga hasil dari pemrosesan dapat ditampilkan pada “Tampilan Hasil” dan jumlah pohon kelapa sawit dapat ditampilkan pada kolom “Tampilan Jumlah”.
4. Tombol “Save” berfungsi untuk menyimpan informasi gambar yang telah diproses, jumlah pohon kelapa sawit yang terdeteksi serta informasi-informasi yang terdapat pada file gambar. Sebelum menyimpan data, user terlebih dahulu diminta menambah keterangan dari gambar yang akan disimpan. Setelah selesai, data dan informasi akan disimpan kedalam database.
5. Tombol “Report” berfungsi untuk melihat data yang disimpan didalam database dan menampilkan laporan dari data yang telah disimpan didalam database. Pada tampilan report, user dapat mencetak laporan dengan cara mencetak halaman.
Gambar 3.10 Rancangan halaman utama aplikasi
Tampilan penambahan informasi dari tombol Save dapat dilihat pada gambar 3.11 berikut ini.
Gambar 3.11.Tampilan Penambah Keterangan
3.4 Perancangan Database
Perancangan database dilakukan untuk menyimpan data yang dihasilkan oleh sistem.
Hal ini bertujuan sebagai arsip dan laporan jika suatu saat data dibutuhkan kembali.
3.4.1 Tabel Database.
Database data_sawit hanya terdiri dari satu tabel. Hal ini dikarenakan bahwa database yang dirancang hanya untuk menyimpan data dan me-review data jika suatu waktu di dibutuhkan oleh user.
Tabel 3.4. Atribut Tabel Data Sawit
Nama Field Type Length Not Null Keterangan
Kode Varchar 8 No Primary Key
Nama_poto Varchar 30 No
Tanggal Date No
ket Varchar 200 No
Jmlh_sawit Int 11 No
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Bab ini akan membahas hasil dari implementasi Algoritma Haar-Cascade Classifier dalam mengidentifikasi pohon kelapa sawit sehingga dapat menghitung pohon. Pada bab ini juga akan membahas tentang pengujian sistem sesuai dengan analisis data dan perancangan yang telah dibahas pada bab 3.
4.1 Implementasi Sistem
Pada tahap implementasi sistem, penghitungan pohon kelapa sawit dengan cara mengidentifikasi pohon menggunkan algoritma Haar-Cascade Classifier memerlukan perangkat keras dan perangkat lunak sebagai pendukung yaitu:
4.1.1 Perangkat Keras dan Perangkat Lunak
Spesifikasi perangkat keras dan perangkat lunak yang digunakan dalam membangun sistem yaitu:
1. Processor Intel CoreTM i3 2348 M (2.3 GHz, 3MB L3 cache).
2. Kapasitas hard disk 500 GB.
3. RAM yang digunakan 4,00 GB.
4. Sistem Operasi yang digunakan Windows 10 64-bit.
5. Python 3.6.5
6. Library yang digunkan adalah Opencv 3.4.1 7. MySQL 5.6.21
4.1.2 Implementasi dan Perancangan Antarmuka
Implementasi dan perancangan antar muka yang dibahas pada bab sebelumnya adalah sebagai berikut:
1. Tampilan Utama Sistem
Tampilan utama sistem merupakan tampilan awal saat aplikasi di jalankan. Pada halaman ini user dapat melakukan testing pada aplikasi yang dibangun.
Halaman utama ini bertujuan untuk memproses dan menghitung jumlah pohon kelapa sawit yang akan dideteksi oleh sistem. Adapun tampilan utama sistem dapat dilihat pada Gambar 4.1.
Gambar 4.1 Tampilan Utama Sistem
4.1.3 Implementasi Data
Data citra yang digunakan dalam aplikasi terbagi dua yaitu data training dan data testing. Data training yaitu data yang digunakan untuk melatih pembelajaran pada sistem. Jenis data training (data latih) yang digunkan dalam penelitian ini terbagi dua yaitu citra positif yang didalamnya terdapat pohon kelapa sawit dan citra negatif yang didalamnya tidak memiliki pohon kelapa sawit sama sekali. Berikut rangkuman data yang digunakan dapat dilihat pada Gambar 4.2 dan Gambar 4.3.
Gambar 4.2 Data citra positif
Gambar 4.3 Data Citra Negatif
4.2 Prosedur Operasional
Pada saat user pertama kali membuka aplikasi, tampilan yang pertama kali muncul adalah tampilan utama sistem seperti pada Gambar 4.1. Pada halaman ini terdapat beberapa tombol fungsi yaitu Open File, Grayscale, Count, Save, Report serta tampilan hasil dari perhitungan pohon kelapa sawit.
Tombol “ Open File” digunakan user untuk mengambil citra yang akan di uji.
Kemudian, akan muncul direktori dimana citra disimpan. Pengambilan citra dapat dilakukan user dengan mengarahkan lokasi direktori dimana citra disimpan jika citra yang dimaksud tidak berada di direktori awal pada saat pertama kali muncul. Seperti pada Gambar 4.4.
Gambar 4.4 Tampilan Open File
Setelah file citra dipilih dan diinputkan, maka citra yang akan diuji akan ditampilkan pada lokasi tampilan citra seperti yang ditunjukkan pada Gambar 4.5 berikut ini.
Gambar 4.5 Tampilan gambar inputan
Langkah selanjutnya adalah mengubah format citra uji yang ditampilkan dari RGB menjadi citra keabuan. Tahap ini dapat dilakukan dengan memilih tombol Grayscale. Tampilan citra untuk hasil dari tahap ini dapat dilihat pada Gambar 4.6.
Gambar 4.6 Tampilan Grayscale
Setelah melakukan proses grayscale pada citra uji, langkah selanjutnya adalah memillih tombol Count yang berfungsi untuk memproses citra uji dan melakukan pendeteksian objek berdasarkan nilai grayscale dengan hasil pengklasifikasian data
latih berdasarkan cascade classifier. Jika pohon kelapa sawit pada citra terdeteksi oleh sistem, maka jumlah pohon kelapa sawit yang terdeteksi akan bertambah satu.
Kemudian objek yang terdeteksi akan ditandai. Proses ini akan terus berlanjut sampai tidak ada lagi wilayah (x,y,w,h) pada citra uji yang belum dilalui. Jika proses pendeteksian pada citra selesai, maka citra pohon kelapa sawit yang telah ditandai akan ditampilkan pada lokasi tampilan hasil dan hasil akhir dari perhitungan pohon kelapa sawit yang terdeteksi akan ditampilkan pada lokasi Result. Untuk lebih jelasnya dapat dillihat pada Gambar 4.7
Gambar 4.7 Tampilan Count
Dari Gambar 4.7, hasil dari proses Count dapat dilihat pada bagian Result dengan jumlah pohon yang terdeteksi yaitu 33 pohon. Untuk memastikan pohon mana saja yang telah dideteksi oleh aplikasi dapat dilihat pada citra yang telah ditandai.
Untuk menyimpan hasil dari proses ini, user dapat menyimpan data ini kedalam database dengan cara memilih tombol Save. Pada saat user memilih tombol Save, user akan diminta untuk menambahkan keterangan dari citra yang telah berhasil dideteksi.
Seperti yang ditunjukkan pada Gambar 4.8.
Gambar 4.8 Tampilan Save.
Setelah proses save berhasil, maka sistem akan menampilkan message alert yang menyatakan bahwa data yang diinputkan telah berhasil diinputkan kedalam database.
Gambar 4.9 Message Alert
Untuk melihat hasil dari data yang telah diinputkan dari database, user dapat memilih tombol Report. User kemudian akan diarahkan pada tampilan browser seperti yang akan ditampilkan pada gambar berikut ini.
Gambar 4.10 Tampilan Report
Untuk melihat seluruh data yang tersimpan dalam database, user dapat memilih tombol Show all seperti Gambar 4.10. Namun, untuk memudahkan user melihat data pada tahun dan bulan tertentu, maka user dapat mengatur bulan dan tahun yang terdapat pada halaman tersebut. Jika user ingin mencetak halaman laporan, user dapat mencetak halaman dengan menekan tombol kombinasi bersamaan (shortcut) yaitu tombol Ctrl + P pada keyboard. Tampilan dari cetak halaman tersebut dapat dilihat pada Gambar 4.11
4.3 Pengujian Sistem
Pada tahap ini dilakukan pengujian data dan sistem. Pengujian sistem bertujuan untuk mengetahui kemampuan sistem yang dibangun. Kemampuan sistem ini bergantung pada proses pelatihan sistem (data training). Pengujian data dilakukan pada citra atas pohon kelapa sawit sebanyak 30 citra. Dengan jumlah pengklasifikasian AdaBoost sebanyak 10 stage maka diperolehlah hasil pengujian citra seperti Tabel 4.1. berikut.
Tabel 4.1 Hasil pengujian citra
No Nama Citra Terdeteksi Salah Deteksi Tidak Terdeteksi Total Sawit
1. Image 1 33 - - 33
2. Image 2 28 - 2 30
3. Image 3 31 1 6 37
4. Image 4 15 1 8 23
5. Image 5 28 2 3 31
6. Image 6 23 - 6 29
7. Image 7 33 2 3 36
8. Image 8 38 - 4 42
9. Image 9 28 1 7 35
10. Image 10 42 - 3 45
11. Image 11 38 - 4 42
12. Image 12 32 1 5 37
13. Image 13 31 2 3 34
14. Image 14 28 3 5 33
15. Image 15 40 1 2 42
16. Image 16 33 1 2 35
17. Image 17 28 1 5 33
18. Image 18 25 - 1 26
19. Image 19 40 - 5 45
20. Image 20 45 1 3 45
21. Image 21 35 - 4 39
22. Image 22 34 2 - 34
23. Image 23 24 - 2 26
Tabel 4.2 Hasil Pengujian citra (Lanjutan)
No. Nama Citra Terdeteksi Salah Deteksi Tidak Terdeteksi Total Sawit
24. Image 24 28 - 6 34
25. Image 25 34 2 9 43
26. Image 26 30 1 5 35
27. Image 27 40 - 6 46
28. Image 28 34 - 3 37
29. Image 29 23 - 3 26
30. Image 30 28 - 2 30
Dari tabel hasil pengujian citra, kita dapat melihat jumlah dari pohon kelapa sawit yang terdeteksi, salah deteksi dan tidak terdeteksi. Kesalahan deteksi sistem pada beberapa citra masih ditemukan, seperti pada citra image 3, image 4 image 5 dan yang lainnya. Hal ini disebut dengan false positive . Dimana sistem salah dalam menafsirkan objek yang bukan kelapa sawit sebagai kalapa sawit. Pada Tabel 4.2 juga terdapat objek yang tidak terdeteksi. Hal ini disebut juga dengan istilah false negative. Dimana sistem menganggap beberapa pohon kelapa sawit bukan merupakan pohon kelapa sawit. Hal ini dipengaruhi sampel data latih, data uji, proses klasifikasi dan juga pengaruh lingkungan, misalnya pola canopy pohon kelapa sawit terhalangi oleh pohon lain atau pohon yang bukan pohon kelapa sawit.
Berdasarkan nilai dari hasil pengujian citra pohon kelapa sawit pada aplikasi penghitungan pohon kelapa sawit berdasarkan identifikasi pohon menggunakan algoritma Haar-Cascade Classifier, dapat diperoleh nilai akurasi dengan memanfaatkan Confusion matrix. Confusion Matrix merupakan alat yang berguna untuk menganalisis seberapa baik classifier mengenali tuple dari kelas yang berbeda. Dimana TP (true positive) dan TN (true negative) memberikan informasi ketika classifier benar.
Sedangkan FP (false Positive) dan FN (false Negative) memberitahu ketika classifier salah. Untuk lebih jelasnya dapat disimak seperti berikut ini:
1. TP ( True Positive) yaitu dimana sistem mendeteksi pohon kelapa sawit memang sebagai kelapa sawit.
2. TN (True Negative) yaitu dimana sistem mendeteksi yang bukan merupakan kelapa sawit memang bukan sebagai kelapa sawit.
3. FP (False Positive) yaitu dimana sistem mendeteksi yang bukan kelapa sawit merupakan kelapa sawit.
4. FN (False Negative) yaitu dimana sistem tidak mendeteksi pohon kelapa sawit sebagai kelapa sawit. Dengan kata lain, pohon kelapa sawit tidak terdeteksi.
Confusion matrix ini menunjukkan cara-cara dimana model klasifikasi bingung ketika membuat prediksi. Hal ini memberi kita wawasan bahwa kesalahan tidak hanya dibuat classifier, tetapi yang lebih penting adalah jenis kesalahan yang sedang dibuat.
Berikut adalah tabel dari confusion matrix:
Tabel 4.3 Confusion Matrix dari data
Predicted Class
Positif (P) Negatif (P)
Actual Class Positif (P) 949 117
Negatif (N) 22 0
Berdasarkan Tabel 4.3. jumlah true positif (TP) sebanyak 949 pohon, false negatif (FN) sebanyak 117 pohon dan false positif (FP) sebanyak 22 pohon.
Sedangkan nilai dari True negatif (TN) adalah 0 dikarenakan sistem yang dirancang bukan untuk menghitung objek selain dari pohon kelapa sawit.
Untuk mengetahui kemampuan sistem dalam melakukan klasifikasi berdasarkan Confussion matrix, ada 3 parameter yang diperlukan yaitu:
1. Accuracy yaitu sebagai tingkat kedekatan antara nilai prediksi dengan nilai aktual.
2. Precision yaitu tingkat ketepatan antara informasi yang diminta oleh user dengan jawaban yang diberikan oleh sistem.
3. Recall yaitu tingkat keberhasilan sistem dalam menemukan kembali sebuah informasi.
4. Error Rate yaitu Tingkat kegagalan sistem dalam menentukan prediksi.
Untuk perhitungan matematik dari setiap keluaran Confusion Matrix, dapat dilihat seperti persamaan-persamaan berikut ini.
Akurasi = 𝑇𝑇𝑇𝑇 + 𝑇𝑇𝑇𝑇
𝑇𝑇𝑇𝑇+𝑇𝑇𝑇𝑇+𝐹𝐹𝑇𝑇+𝐹𝐹𝑇𝑇 (4.1)
= 949 +0
949 + 0 + 22 + 117 = 949
1088 = 0.87 Persentasi = 0.87 x 100 % = 87 %
Recall = 𝑇𝑇𝑇𝑇
𝑇𝑇𝑇𝑇+𝐹𝐹𝑇𝑇 (4.2)
= 949
949+117 = 949
1066 = 0.89 Persentasi = 0.89 x 100 % = 89 %
Precision = 𝑇𝑇𝑇𝑇
𝑇𝑇𝑇𝑇+𝐹𝐹𝑇𝑇 (4.3)
= 949
949 +22 = 949
971 = 0.97 Persentasi = 0.97 x 100% = 97 %
Error Rate = 𝐹𝐹𝑇𝑇+𝐹𝐹𝑇𝑇
𝑇𝑇𝑇𝑇+𝑇𝑇𝑇𝑇+𝐹𝐹𝑇𝑇+𝐹𝐹𝑇𝑇 (4.4)
= 117+22
949+0+117+22 = 139
1088 = 0.13 % Persentasi = 0.13 x 100 % = 13 %
Dari perhitungan matematika di atas, nilai akurasi yang diperoleh sistem dengan data citra uji sebanyak 30 adalah 87 % dengan nilai error rate 13%. Sedangkan nilai recall dan precision adalah 89% dan 97 %.
