Deteksi Kualitas Kacang Kedelai Melalui Pengolahan Citra Digital dengan Metode Gray-Level Co-Occurrence Matrix (Glcm) dan Klasifikasi Desicion Tree

ISSN: 2686-0260

Copyright ⓒ SENARIS 2020

Deteksi Kualitas Kacang Kedelai Melalui Pengolahan Citra Digital

dengan Metode Gray-Level Co-Occurrence Matrix (Glcm) dan

Klasifikasi Desicion Tree

Nur Fitriyati Romdhoni

1

, Koredianto Usman

2

Bambang Hidayat

3

1,2,3

S1 Teknik Telekomunikasi, Telkom University, Bandung 1

fitromdhoni@gmail.com,

2

koredianto.usman@gmail.com,

3

bbhtelkom@gmail.com

Abstrak

Meningkatnya kebutuhan kacang kedelai selayaknya diikuti dengan peningkatan kualitas. Pemerintah melalui Dewan Standardisasi Nasional (DSN) telah menetapkan Standar Nasional Indonesia untuk kualitas fisik biji kedelai (SNI 01-3922-1995). Pada proses menentukan butir rusak, pecah, warna lain, dan kotoran pada kacang kedelai dilakukan secara visual. Penentuaannya dilakukan manual dengan melakukan sortir menurut kriterianya masing-masing dengan menggunakan pinset, lalu ditimbang beratnya. Pada penelitian ini, dibuat sebuah simulasi sistem berbasis Matlab untuk membantu menentukan kualitas kacang kedelai dengan menggunakan input berupa citra digital. Kedelai yang digunakan adalah kedelai kuning yang didapatkan dari salahsatu distributor di Kota Bandung. Proses pertama yang akan dilakukan pada penelitian ini adalah akuisisi citra, yakni pengumpulan beberapa citra digital dari masing-masing kualitas kacang kedelai yang akan dijadikan sebagai objek. Selanjutnya dilakukan proses pre-processing, perubahan menjadi citra grayscale. Pada proses ekstraksi ciri menggunakan metode Gray-Level Co-Occurrence Matrix (GLCM) untuk mendapatkan data ciri dari seluruh citra digital, dan akan diklasifikasikan menggunakan metode Desicion Tree. Pada hasil pengujian, tingkat akurasi yang diperoleh dari ekstraksi ciri data uji menggunakan Metode GLCM menggunakan klasifikasi Decision Tree menghasilkan nilai 95% untuk data citra menggunakan kamera 1 dan 90% untuk data citra menggunakan kamera 2. Akurasi tertinggi sebesar 95.833 dengan waktu komputasi 2.643 detik didapat dari data citra kamera 1 dengan jumlah data latih 96 citra (80%), data uji 24 citra (20%), dengan jarak piksel = 1 dan menggunakan sudut (0º,45º,90º, dan 135º).

Kata Kunci: Kacang Kedelai, Gray Level Co-Occurrence Matrix (GLCM), Decision Tree.

1. Pendahuluan

Kedelai merupakan salah satu komoditas yang strategis khususnya di Indonesia. Kedelai biasa digunakan sebagai bahan baku serta sumber protein nabati yang digemari oleh masyarakat. Menurut FAO dan BPS mengatakan peningkatan konsumsi kedelai rata-rata 2,3% per tahun selama 35 tahun terakhir (BPS 2006) [1]. Meningkatnya akan kebutuhan kacang kedelai, selayaknya diikuti oleh peningkatan kualitas kedelai. Pemerintah melalui Dewan Standardisasi Nasional (DSN) telah menetapkan Standar Nasional Indonesia untuk kualitas fisik biji kedelai (SNI 01-3922- 1995). Pemisahan berdasarkan biji utuh, biji rusak, dan biji keriput dengan melakukan sortir/pemisahan secara manual menggunakan pinset. Proses pemisahan ini membutuhkan tenaga kerja dalam jumlah banyak, biaya relatif besar dan waktu yang cukup lama. Pada penelitian ini dalam mengidentifikasi kualitas kedelai, digunakan metode Gray Level Co-ocurrence Matrix (GLCM). Berdasarkan data citra yang diperoleh kemudian akan diolah sebagai data input dan selanjutnya menjadi standar dalam penentuan parameter ciri kualitas kedelai.

Vol. 2, (2020), pp. 132-137

133

2. Metodologi Penelitian

Pada penelitian ini terdapat beberapa metode yang dilakukan diantaranya pengumpulan data, analisa permasalahan, penerapan simulasi pada sistem, pengujian simulasi dengan parameter performansi akurasi dan waktu komputasi, lalu setelah itu proses pengambilan kesimpulan.

2.1 Kedelai

Selain menjadi bahan dasar untuk pembuatan tahu dan tempe, kedelai juga digemari oleh mayoritas masyarakat Indonesia. Kedelai banyak digunakan untuk pangan pengolahan kacang kedelai yang tergolong skala kecil hingga menengah, dalam jumlah sangat banyak menyebabkan tingginya tingkat kebutuhan konsumsi kedelai yang mencapai lebih dari 2,24 hingga 2,5 juta ton setiap tahunnya [2]. Pemerintah melalui Dewan Standardisasi Nasional (DSN) telah menetapkan Standar Nasional Indonesia untuk kualitas fisik biji kedelai (SNI 01-3922-1995) yang masih berlaku sampai saat ini. Persyaratan kualitas biji kedelai menurut SNI 01-3922-1995 adalah seperti pada Tabel 2.1[1].

Tabel 1. Persyaratan Kualitas Biji Kedelai Menurut SNI 01-3922-1995

No Jenis Uji Persyaratan Kualitas (%)

I II III IV

1 Kadar Air (Maksimum) 13 14 14 16

2 Butir Belah (Maksimum) 1 2 3 5

3 Butir Rusak (Maksimum) 1 2 3 5

4 Butir Warna laim (Maksimum) 1 3 5 10

5 Butir Keriput (Maksimum) 0 1 3 5

6 Kotoran (Maksimum) 0 1 2 3

2.2 Pengolahan Warna 2.2.1 Citra RGB

Setiap piksel yang terdapat pada citra merupakan representasi warna yang disusun oleh tiga komponen warna didalamnya yaitu Red (R), Green (G), dan Blue (B), di setiap komponen warnanya menggunakan 8 bit dengan rentang nilai minimunya 0 dan nilai maksimumnya 255 (8 bit, 28 = 256) [4]. Apabila dikombinasikan maka ada 256



256



256 atau 16.777.216 [5]. Berikut beberapa warna yang dapat dibentuk dari kombinasi nilai-nilai pada R (Red), G (Green), B (Blue).

2.2.2 Citra Grayscale

Citra berskala keabuan atau biasa dikenal citra grayscale, didefinisikan sebagai tingkat keabu-abuan dari suatu citra, citra grayscaleberbeda dengan citra biner. Dalam citra grayscale mempunyai warna hitam 0 untuk nilai minimum dan warna putih 255 untuk nilai maksimum dan nilai diantaranya adalah derajat keabuan [6]. Konversi citra warna ke gray level banyak dilakukan, dikarenakan jika format warna diubah menjadi nilai keabuan maka Red = Green = Blue, dimana semua nilai intensitas setiap warna yang berbeda menjadi seragam.

2.3 Gray Level Co-Occurrence Matrix (GLCM)

Merupakan sebuah metode yang digunakan untuk mengekstraksi tekstur orde kedua. GLCM adalah tabulasi mengenai frekuensi atau seberapa sering kombinasi nilai kecerahan piksel yang berbeda posisinya dalam sebuh citra dengan tingkat keabuan pada jarak d dan

134 dari parameter tersebut dinyatakan sebagai berikut.





p(i, j)

j i

Energy





(2.1)

Nilai Energy menunjukan ukuran sifat homogenitas citra pada penyebaran derajat keabuan. Nilai Energy yang tinggi muncul pada saat tekstur citra cenderung seragam [7].

 

 i j

Contrast



i j



p ,

 

i j (2.2)

Contrast menunjukan ukuran penyebaran (momen inersia) elemen - elemen matrik citra. Jika letaknya jauh dari diagonal utama, nilai kekontrasan besar. Secara visual, nilai kekontrasan adalah ukuran variasi antar derajat keabuah suatu daerah citra [7].

y x y x j i p j i jp i n Correlatio









 

  (, ) ( , ) (2.3)

Correlation mengukur ketidakmiripan suatu tekstur dimana nilainya akan besar bila acak dan bernilai kecil jika seragam.



y

Homogeneit ∑ ∑ (2.4) Nilai Homogeinity menunjukan kehomogenan citra yang berderajat keabuan sejenis. Citra homogen akan memiliki Homogeinity yang besar [7].

2.4 Desicion Tree

Desicion Tree adalah salah satu metode klasifikasi yang menggunakan representasi pohon, terdapat node-node yang merepresentasikan atribut, daun yang merepresentasikan kelas, dan cabangnya merepresentasikan nilai dari kelas tersebut. Root node atau node akar

merupakan node yang terletak paling atas dari suatu pohon. Internal Node ini merupakan node percabangan, dimana pada node ini hanya terdapat satu input dan mempunyai minimal dua output. Leaf Node ini merupakan node akhir, hanya memiliki satu input, dan tidak memiliki output. Pada pohon keputusan setiap leaf node menandai label kelas. Pada pohon keputusan di setiap percabangan menyatakan kondisi yang harus dipenuhi dan tiap ujung pohon menyatakan nilai kelas data.

3. Perancangan Sistem

3.1. Desain Sistem

Sistem dirancang dengan menggunakan Matlab dengan metode ekstraksi ciri Gray Level Co-Occurrence Matrix, yang diklasifikasikan dengan metode Decision Tree. Sistem dapat digambarkan dengan blok diagram berikut.

Akuisisi Pre-processing Ekstraksi Ciri Klasifikasi

Gambar 1. Diagram Blok 3.2. Diagram Alir

Tahap yang dilakukan untuk mendapatkan sebuah citra hasil yaitu tahap latih dan tahap uji citra. Tahap latih adalah tahap pencarian nilai ciri pada citra untuk dijadikan database untuk diproses pada tahap uji. Tahap uji adalah tahap pengujian citra untuk diklasifikasikan oleh sistem dengan metode Decision Tree.

Mulai Citra latih Pre-processing Ekstraksi ciri GLCM

Pelatihan Decision Tree

Database

latih Selesai Gambar 2. Diagram Alir Proses Latih

Vol. 2, (2020), pp. 132-137

135

Mulai Citra uji Pre-processing Ekstraksi ciri GLCM

Database latih

Klasifikasi

Decision Tree Hasil Hasil Gambar 3. Diagram Alir Proses Uji

3.3 Ektraksi ciri dan klasifikasi

Setelah dilakukan pre-processing maka dilakukan ekstraksi ciri yang berfungsi untuk menentukan suatu nilai yang dapat digunakan sebagai suatu penciri objek yang ingin di teliti. Diagram alir Decision Tree menentukan masing-masing kelas (kualitas I, kualitasII, kualitas III, kualitas IV).

Mulai Citra

grayscale

Jarak piksel dan derajat keabuan Parameter ekstraksi ciri GLCM Hasil ekstraksi ciri Selesai

Gambar 4. Diagram Alir Ekstraksi Ciri

Mulai Data citra

latih Membuat akar pohon Membuat data kelas Rules Decision Tree Selesai

Gambar 5. Diagram Alir Decision Tree 3.4 Performansi Sistem

Parameter-parameter yang digunakan untuk mengetahui hasil evaluasi performansi adalah sebagai berikut:

1. Akurasi Sistem, sebagai ukuran ketepatan kerja sistem dalam mengenali data masukan sehingga menghasilkan data keluaran yang benar.

100





Nt

Nc

A

% (3.1)

Dengan A adalah Akurasi

Nc

adalah Jumlah Data Benar

Nt

adalah Jumlah Data Keseluruhan

2. Waktu Komputasi, waktu yang diperlukan sistem untuk melakukan proses hingga selesai.

Ts

Tf

Tc





(3.2)

Dengan

Tc

adalah Waktu Komputasi

Tf

adalah Waktu Selesai

136 4.1 Pengujian terhadap Jarak Piksel dan Offset

Gambar 6. Jarak Piksel dan Offset citra Kamera 1

Gambar 7. Jarak Piksel dan Offset citra Kamera 2

Berdasarkan Gambar 4.1 akurasi terbaik untuk jarak piksel = 1 terjadi pada sudut (0º, 45º, 90º, dan 135º) sebesar 95% dengan watu komputasi 2,660 detik. Pada Gambar 4.2 akurasi terbaik untuk jarak piksel = 1 terjadi pada sudut (0º, 45º, 90º, dan 135º) sebesar 90% dengan watu komputasi 4,267 detik.

Berdasarkan data-data pengujian diatas, menunjukan nilai akurasi tertinggi pada jarak piksel = 1 dan rata-rata akurasi terbaik pada sudut (0º, 45º, 90º, dan 135º). Semakin besar jarak piksel mengakibatkan nilai akurasi menurun.

4.2 Pengujian Terhadap Perbandingan Kuantitas Data Citra

Gambar 8. Pengujian Kuantitas Data Latih

Gambar 9. Pengujian Kuantitas Data Uji

Berdasarkan Gambar 4.3 akurasi terbaik untuk sudut (0º, 45º, 90º,135º) terjadi pada data latih 100 citra sebesar 95 % dengan watu komputasi 2,643 detik. Pada Gambar 4.4 akurasi terbaik untuk sudut (0º, 45º, 90º,135º) terjadi pada data uji 60 citra sebesar 98,305 % dengan watu komputasi 3,301 detik.

Berdasarkan data-data diatas, semakin sedikit jumlah data latih mengakibatkan nilai akurasi turun dan semakin banyak jumlah data uji mengakibatkan nilai akurasi naik.

5. Kesimpulan

Berdasarkan hasil pengujian pada sistem klasifikasi kualitas kacang kedelai melalui pengolahan citra digital, dalam penelitian ini didapatkan kesimpulan sebagai berikut.

0 50 100 [0, 45, … [45] _[135] [0] [90] [0, 45, … [45] _[135] [0] [90] 1 2 3 4

Akurasi (%)

0 50 100 [0, 45 ,… [45] _[135] [0] [90] [0, 45, … [45] _[135] [0] [90] 1 2 3 4

Akurasi (%)

0 20 40 60 80 100 100 c itr a 60 c itr a 100 c itr a 60 c itr a 100 c itr a 60 c itr a 100 c itr a 60 c itr a 100 c itr a 60 c itr a [0 1; -1 1; 1 0; -1 --1] [0 1 ] [-1 1] [1 0] [-1 -1]

Akurasi (%)

85 90 95 100 20 c itr a 60 c itr a 40 c itr a 20 c itr a 60 c itr a 40 cit ra 20 c itr a 60 c itr a [0 1; -1 1; -1 0; -1 -1] [0 1 ] [-1 1] [1 0] [-1 -1]

Akurasi %

Vol. 2, (2020), pp. 132-137

137

1. Sistem ini mampu mengklasifikasikan jenis kualitas kacang kedelai berdasarkan citra digital menggunakan metode Gray-Level Co-Occurrence Matrix (GLCM) dan klasifikasi Decision Tree.

2. Jarak piksel yang menghasilkan akurasi terbaik saat citra Kamera 1 dengan jarak piksel = 1 dengan sudut (0º, 45º, 90º, dan 135º) sebesar 95 % dengan waktu komputasi 2,660 detik. 3. Jarak piksel yang menghasilkan akurasi terbaik saat citra Kamera 2 dengan jarak piksel =

1 dengan sudut (0º, 45º, 90º, dan 135º) sebesar 90 % dengan waktu komputasi 4,267 detik. 4. Akurasi tertinggi yaitu 98,305 % dengan waktu komputasi terbaik selama 1,127 detik pada

saat jumlah citra uji 60 citra dan data latih 100 citra.

Daftar Pustaka

[1] Erliana Ginting dan I K. Tastra, “Standar Kualitas Biji Kedelai”,

[Online].Available:http://balitkabi.litbang.pertanian.go.id [Diakses 25 Agustus 2019].

[2] Rahayu, Sri dkk “Studi Identifikasi Ketahanan Pangan & Preferensi Konsumen Terhadap Konsumsi Bahan

Pangan Pokok”, [Online]. Available: http://perpustakaan.bappenas.go.id [Diakses 25 Agustus 2019].

[3] Gonzales R. C., dan Woods, R. E. “Digital Image Processing”, 3rd ed,

Prentice Hall: Upper Sadle River, New Jersey, USA. (2008).

[4] Cahyanti, Margi. “Algoritma Transformasi Ruang Warna”. (2010).

[5] Bellyn Mey Cendy, “Analisis Perancangan Produk Long Leg Braces Dengan Pendekatan Kansei Words

Dan Biomekanika”. Jurnal Rekayasa Dan Manajemen Sistem Industri Teknik Industri, Universitas

Brawijaya, Jakarta, (2016)

[6] Anggraini, Reni. “Klasifikasi Jenis Kualitas Keju Dengan Menggunakan

Metode Gray Level Co-occurrence Matrix (GLCM) Dan Support Vector

Machine (SVM) Pada Citra Digital”. Teknik Telekomunikasi, Fakultas Teknik Elektro. Universitas Telkom.

(2017)

[7] Idestio, Barsyah Dwi. “Alternatif Pengukuran Luas Lubang Jalan Berbasis Data Video Menerapkan

Threshold-based Marking dan GLCM”. (2013).