IDENTIFIKASI KEMATANGAN MENTIMUN BERDASARKAN WARNA KULIT BUAH MENGGUNAKAN METODE K-NEAREST NEIGHBOR

(1)

IDENTIFIKASI KEMATANGAN MENTIMUN BERDASARKAN WARNA KULIT

BUAH MENGGUNAKAN METODE

K-NEAREST NEIGHBOR

IDENTIFICATION OF CUCUMBER FRUIT MATURITY BASED ON SKIN COLOUR USING K-NEAREST NEIGHBOR METHOD

Kadek Dwi Diani Shinta Pratiwi, Bulkis Kanata, I Made Budi Suksmadana

ABSTRAK

Mentimun merupakan tumbuhan yang berasal dari suku labu - labuan. Selain untuk dikonsumsi, buah ini juga dimanfaatkan dalam dunia kecantikan. Penilaian pembeli yang bersifat subyektif terhadap kematangan buah mentimun menyebabkan penilaian tingkat kematangan buah mentimun berbeda dari satu pembeli dengan pembeli lainnya. Penelitian ini membahas proses identifikasi kematangan mentimun berdasarkan warna kulit buah dengan melakukan pengolahan citra dari buah mentimun menjadi citra RGB. Citra RGB diolah untuk mendapatkan nilai statistik orde pertama. Data statistik tersebut akan disimpan sebagai database data latih dan data uji serta pengklasifikasiannya menggunakan k-nearest neighbor .Berdasarkan pengujian yang telah dilakukan, diperoleh tingkat keberhasilan terbesar pada pengujian perparameter ciri mean citra red mencapai 90%, pada pengujian kombinasi 2 parameter ciri mean dan entropy citra red mencapai 100%, kombinasi 3 parameter ciri mean, skewness dan kurtosis citra red mencapai 90% dan kombinasi 4 parameter ciri mean, skewness, kurtosis dan entropy citra red mencapai 90%.

Kata kunci: Mentimun , Histogram, Statistik Orde Satu, K-Nearest neighbor

ABSTRACT

Cucumber is a plant that comes from the tribe pumpkins. In addition to consumption , the fruit is also used in the world of beauty . Ratings buyer which is subjective to cause a cucumber fruit maturity maturity level ratings cucumber different from one buyer to another buyer . .This study discusses the identification process maturity based on skin color cucumber fruits by processing the image of a cucumber into a RGB image . RGB image is processed to obtain a first-order statistical value . Statistical data will be stored as a database of training data and test data and classification using k - nearest neighbor . Based on the testing that was done , obtained the greatest success in the test perparameter characteristics mean image of red at 90% , on testing a combination of 2 parameters characterize the mean and entropy image of red reaches 100 % , the combination of three parameters characterize the mean, skewness and kurtosis image of red at 90% and the combination of four parameters characterize the mean , skewness , kurtosis and entropy red image reaches 90 % .

Keywords: Cucumber , Histogram , Statistics Order One , K -Nearest neighbor

(2)

PENDAHULUAN

Mentimun merupakan tumbuhan yang berasal dari suku labu-labuan dan memiliki buah yang dapat dikonsumsi. Selain untuk dikonsumsi, buah ini juga dimanfaatkan dalam bidang teknologi kecantikan sebagai bahan kosmetik untuk perawatan kecantikan. Adanya kemiripan warna kulit buah mentimun antara yang matang muda dengan yang matang tua, mengakibatkan orang kesulitan dalam mengidentifikasi tingkat kematangan mentimun jika dilihat dari warna kulit buah. Penilaian manusia yang bersifat subyektif terhadap tingkat kematangan buah mentimun menyebabkan penilaian tingkat kematangan buah mentimun berbeda dari satu penilai dengan penilai yang lainnya.

Penilaian konsumen terhadap tingkat kematangan mentimun yang hanya dilihat secara visual ini menimbulkan keinginan untuk melakukan penelitian dengan memanfaatkan citra buah mentimun. Citra mentimun tersebut kemudian diproses dengan menggunakan teknik pengolahan citra digital dan proses identifikasi tingkat kematangan mentimun dapat menggunakan suatu metode pengklasifikasian, salah satunya menggunakan K-Nearest Neighbor (K_NN).

Pengolahan citra. Pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan komputer, menjadi citra yang kualitasnya lebih baik. Pengolahan citra bertujuan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin (dalam hal ini komputer).

Gambar 2.1 Pengolahan Citra Digital

Interpolasi. Interpolasi adalah sebuah metode pencitraan untuk meningkatkan atau mengurangi jumlah pixel dalam citra digital. Interpolasi citra mencoba untuk mencapai pendekatan yang terbaik dari sebuah pixel berdasarkan nilai-nilai sekitar pixel. Salah satu jenis interpolasi yaitu bicubic interpolation. Bicubic interpolation merupakan suatu metode interpolasi yang menggunakan 4x4 pixel

tetangga sebagai informasi untuk menentukan nilai pixel baru.

Mentimun. Mentimun (cucumis Sativus) dalah komuditas sayuran yang banyak diusahakan didataran rendah sampai medium.

Gambar 2.2 : Buah Mentimun

(3)

RGB. RGB adalah suatu model warna yang terdiri dari merah, hijau, dan biru, digabungkan dalam membentuk suatu susunan warna yang luas. Setiap warna dasar, misalnya merah, dapat diberi rentang-nilai. Untuk monitor komputer, nilai rentangnya paling kecil = 0 dan paling besar = 255. Pilihan skala 256 ini didasarkan pada cara mengungkap 8 digit bilangan biner yang digunakan oleh mesin komputer.

Gambar 2.3 Warna Citra Digital

Ekstraksi Ciri Statistik Orde Pertama. Ekstraksi ciri orde pertama (parameter statistik orde satu) merupakan metode pengamatan ciri yang didasarkan pada karakteristik histogram citra. parameter ciri orde pertama, antara lain adalah mean, skewness, variances, kurtosis, dan entropy.

a. Mean (µ) Menunjukkan ukuran dispersi dari suatu citra.

b. Variance (σ2) Menunjukkan variasi elemen pada histogram dari suatu citra.

c. Skewness (α3) Menunjukkan tingkat kemencengan relatif kurva histogram dari suatu citra.

d. Kurtosis (α4) Menunjukkan tingkat keruncingan relatif kurva histogram dari suatu citra.

e. Entropy (H) Merupakan sebuah ciri untuk mengukur keteracakan dari distribusi intensitas. Entropy menunjukkan ukuran ketidakteraturan bentuk dari suatu citra.

Dimana :

fn = nilai intensitas keabuan

p(fn) = nilai histogram (probabilitas kemunculan intensitas tersebut pada citra). µ = nilai Mean

σ = nilai standar deviasi

K-Nearest Neighbor (K-NN). K-nearest neighbor adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut.

√ (2-6)

(4)

Model sistem

Gambar 3.1 Model Sistem Identifikasi Kematangan Mentimun

Mulai

Citra Latih (Pagi, Siang

dan Sore)

Pengubahan mode warna (R, G dan B)

Ekstraksi Ciri Statistik Orde Satu

Database Ciri Citra Latih

k-nearest neighbor (menentukan nilai k)

Kombinasi Parameter Ciri untuk melihat akurasi

yang mampu dicapai

kematangan mentimun

Selesai

Mulai

Citra Uji (Pagi, Siang

dan Sore)

Pengubahan mode warna (R, G dan B)

Ekstraksi Ciri Statistik Orde Satu

Database Ciri Citra Uji

Pelatihan Pengujian

(klasifikasi)

Menampilkan Histogram RGB

Gambar 3.2 Diagram Alir Penelitian

(5)

ukurannya menjadi 256x256. Sampel citra akan diambil dalam 3 kondisi yakni pagi, siang dan sore hari.

Citra latih dan citra uji diubah kedalam mode warna R,G dan B. Histogram dari citra RGB ditampilkan agar dapat dihitung nilai parameter ciri statistic orde pertamanya. Parameter ciri tersebut meliputi mean, variance, skewness, kurtosis, dan entropy. Nilai parameter ciri tersebut kemudian disimpan menjadi database ciri citra latih dan citra uji.

Selanjutnya proses identifikasi kematangan mentimun dapat dilakukan dengan mengkombinasi parameter ciri dengan kombinasi nilai k 1,3 dan 5 untuk mengetahui tingkat akurasi yang mampu dicapai.

Hasil dan Pembahasan

Persiapan Citra Latih dan Citra Uji Citra latih dan citra uji diperoleh dari pengambilan citra buah mentimun muda dan mentimun tua. Citra latih dan citra uji yang digunakan berukuran 256 x 256 pixel. Citra tersebut kemudian diubah fitur warnanya menjadi citra R, citra G dan citra B. setelah melakukan pengubahan fitur warna pada citra menjadi citra R, G dan B, kemudian ditampilkan histogram untuk masing-masing citra.

Proses Ekstraksi Ciri Statistik Orde Pertama. Parameter ciri orde pertama yang dapat dihitung, antara lain adalah mean, variance, skewness, kurtosis, dan entropy.

Pengujian. Pada proses pengujian ini, dilakukan proses perhitungan jarak ketetanggaan terdekat antara data uji dengan data latih (K-Nearest Neighbor) untuk mengidentifikasi kematangan mentimun. Pengujian dilakukan terhadap 60 citra uji terdiri dari 30 mentimun muda (10 kondisi pagi, 10 kondisi siang dan 10 kondisi sore) dan 30 mentimun tua (10 kondisi pagi, 10 kondisi siang dan 10 kondisi sore). Pengujian ini meliputi pengujian perparameter ciri, kombinasi 2 parameter ciri, kombinasi 3 parameter ciri, kombinasi 4 parameter ciri, dan kombinasi 5 parameter ciri.

1. Pengujian Perparameter Ciri

Pada pengujian perparameter ciri, kondisi pengambilan sampel pagi hari menunjukan hasil yang paling baik dibandingkan dengan kondisi pengambilan sampel siang dan sore hari.

Tabel 4.5 Tingkat keberhasilan dengan pengujian masing-masing parameter ciri citra Red kondisi pagi hari

Tingkat keberhasilan paling tinggi pada pengujian perpameter ciri yaitu ciri mean citra red kondisi pagi hari sebesar 90%.

2. Pengujian Kombinasi 2 Parameter Ciri

(6)

Tabel 4.24 Tingkat keberhasilan pengujian kombinasi 2 parameter ciri citra Red pada waktu pengambilan pagi hari

Kombinasi Parameter K

Mentimun Muda Mentimun Tua

Total

Merujuk pada Tabel 4.24 dapat diketahui bahwa apabila melakukan pengujian kombinasi 2 paramater ciri antara parameter ciri mean dengan parameter ciri lainnya, diperoleh tingkat keberhasilan yang tinggi pada kombinasi ciri mean dengan parameter entropi pada saat k=3 yakni sebesar 100 %. Persentase keberhasilan saat k=3 lebih tinggi dibandingkan k=1 dapat terjadi karena peluang saat k=3 lebih tinggi dibandingkan k=1, dimana pada saat k=3 memilki 3 nilai jarak minimum sehingga pada saat disimpulkan akan memperoleh hasil 2:1.

Tabel 4.29 Tingkat keberhasilan pengujian kombinasi 2 parameter ciri citra Red pada waktu pengambilan siang hari

Kombinasi

Parameter K

Total

Merujuk pada Tabel 4.29 dapat diketahui bahwa apabila melakukan pengujian kombinasi 2 paramater ciri antara parameter ciri mean dengan parameter ciri lainnya, diperoleh tingkat keberhasilan yang tinggi pada kombinasi ciri mean dengan parameter skewness pada saat k=1 dan k=3 yakni sebesar 90 %. Persentase keberhasilan saat k=3 lebih tinggi dibandingkan k=1 dapat terjadi karena peluang saat k=3 lebih tinggi dibandingkan k=1, dimana pada saat k=3 memilki 3 nilai jarak minimum sehingga pada saat disimpulkan akan memperoleh hasil 2:1.

Pada pengujian kombinasi 3 parameter ciri, citra red pada kondisi pengambilan sampel pagi hari menunjukkan hasil yang paling baik apabila dibandingkan dengan citra green dan citra blue

dengan variasi kondisi pengambilan sampel.

(7)

Total

Merujuk pada Tabel 4.37 dapat diketahui bahwa apabila melakukan pengujian kombinasi 3 paramater ciri antara parameter ciri mean dengan parameter ciri lainnya, hasil paling tinggi diperoleh pada kombinasi ciri mean dengan parameter kurtosis, slewness dan entropi pada saat k=3 yakni sebesar 100 %. Persentase keberhasilan saat k=3 lebih tinggi dibandingkan k=1 dapat terjadi karena peluang saat k=3 lebih tinggi dibandingkan k=1, dimana pada saat k=3 memilki 3 nilai jarak minimum sehingga pada saat disimpulkan akan memperoleh hasil 2:1.

Tabel 4.42 Tingkat keberhasilan pengujian kombinasi 3 parameter ciri citra green pada waktu pengambilan sore hari

Total

(8)

terjadi karena peluang saat k=3 lebih tinggi dibandingkan k=1, dimana pada saat k=3 memilki 3 nilai jarak minimum sehingga pada saat disimpulkan akan memperoleh hasil 2:1.

Pada pengujian kombinasi 4 parameter ciri, citra red dan green menunjukkan hasil yang paling baik apabila dibandingkan dengan citra blue.

Tabel 4.46 Tingkat keberhasilan pengujian kombinasi 4 parameter ciri citra Red pada waktu pengambilan pagi hari

Kombinasi

Parameter K

Total

Merujuk pada Tabel 4.46 dapat diketahui bahwa apabila melakukan pengujian kombinasi 4 paramater ciri antara parameter ciri mean dengan parameter ciri lainnya, hasil paling tinggi diperoleh pada kombinasi ciri mean, skewness, kurtosis dan entropy pada saat k=3 yakni sebesar 100 %. Persentase keberhasilan saat k=3 lebih tinggi dibandingkan k=1 dapat terjadi karena peluang saat k=3 lebih tinggi dibandingkan k=1, dimana pada saat k=3 memilki 3 nilai jarak minimum sehingga pada saat disimpulkan akan memperoleh hasil 2:1.

Pengujian kombinasi 5 parameter ciri menghasilkan tingkat keberhasilan yang kurang memuaskan yaitu dibawah 60%.

Tabel 4.60 Tingkat keberhasilan pengujian kombinasi 5 parameter ciri

5 parameter ciri K

(9)

KESIMPULAN DAN SARAN Kesimpulan

1. Kondisi pencahayaan pada saat pengambilan sampel citra akan berpengaruh terhadap nilai statisik dari citra.

2. Hasil pengujian berdasarkan kombinasi parameter ciri :

a. Dengan pengujian perparameter ciri didapatkan tingkat keberhasilan terbesar pada ciri mean citra red yaitu sebesar 90%.

b. Dengan pengujian kombinasi 2 parameter ciri didapatkan tingkat keberhasilan terbesar pada kombinasi ciri mean dan entropy citra red yaitu sebesar 100%.

c. Dengan pengujian kombinasi 3 parameter ciri didapatkan tingkat keberhasilan terbesar pada kombinasi ciri mean, skewness dan entropy citra red yaitu sebesar 90%.

d. Dengan pengujian kombinasi 4 parameter ciri didapatkan tingkat keberhasilan terbesar pada kombinasi ciri mean, skewness, kurtosis dan entropy citra red yaitu sebesar 90%.

e. Dengan pengujian kombinasi 5 parameter ciri didapatkan tingkat keberhasilan yang tidak memuaskan, dimana rata-rata dibawah 50%.

3. Hasil pengujian berdasarkan kondisi pengambilan sampel :

a.

Dengan pengambilan sampel pagi hari diperoleh tingkat keberhasilan terbesar yaitu sebesar 100% pada kombinasi ciri mean dan entropy citra red.

b.

Dengan pengambilan sampel siang hari diperoleh tingkat keberhasilan terbesar yaitu sebesar 90% pada kombinasi ciri mean dan skewness citra red.

c.

Dengan pengambilan sampel sore hari diperoleh tingkat keberhasilan terbesar yaitu sebesar 100% pada kombinasi ciri mean, skewness dan entropy citra green.

4. Hasil pengujian berdasarkan nilai k :

a. Saat k = 1 didapatkan tingkat keberhasilan terbesar sebesar 95% pada saat kombinasi ciri mean dan entropy citra red pagi hari dan kombinasi ciri mean dan kurtosis citra blue siang hari.

b. Saat k = 3 didapatkan tingkat keberhasilan terbesar sebesar 100% pada saat kombinasi 3 dan 4 ciri citra red pagi hari serta kombinasi 3 ciri citra green sore hari (ciri mean, skewness, kurtosis, entropy).

c. Saat k = 5 didapatkan tingkat keberhasilan terbesar sebesar 90% pada saat kombinasi 2 dan 3 ciri citra red pagi hari (ciri mean, skewness, kurtosis, entropy).

Saran

1. Diharapkan pengembangan sistem identifikasi ini dapat dibuat secara real time.

2. Pada proses pengambilan citra diharapkan memperhatikan jarak pengambilan, sudut pengambilan dan intensitas cahaya ditempat pengambilan citra.

DAFTAR PUSTAKA

Ahmad, Usman. 2005. Pengolahan Citra Digital Dan Teknik Pemrogramannya. Yogyakarta : Graha Ilmu

Deswari, Dila. Identifikasi Kematangan Buah Tomat Menggunakan Metoda Backpropagation. Skripsi. Padang: Jurusan Sistem Komputer, Fakultas Teknologi Informasi, Universitas Andalas.

Enrico, Hadi, Sutrisna, dan Suroso. 2007. Identifikasi Tingkat Ketuaan dan Kematangan Pepaya (carica papaya l.) IPB 1 dengan Pengolahan Citra Digital dan Jaringan Syaraf Tiruan. Bogor : Program Studi Keteknikan Pertanian, Departemen Teknik Pertanian Fateta, Institut Pertanian Bogor.

(10)

Permadi, Aditya. 2015. Cara Menanam Timun gunakan Lahan atau Polybag?. diakses dari http://infoagribisnis.com pada tanggal 30 Oktober 2015

Permadi, Yuda., dan Murianto. 2015. Aplikasi Pengolahan Citra Untuk Identifikasi

Kematangan Mentimun Berdasarkan Tekstur Kulit Buah Menggunakan Metode Ekstraksi Ciri Statistik.

Skripsi. Yogyakarta: Program Studi Teknik Informatika, Universitas Ahmad Dahlan.

Permatasari, Deby .2012. Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital. Bandung : Fakultas Elektro dan Komunikasi Institut Teknologi Telkom

Purnomo, Seno. 2009. Interpolasi. diakses dari

http://senosuke.wordpress.com/2009/12/22/interpolasi/#more-63 pada tanggal 13 September 2016.

Sukma, Alfian (dkk). 2014. K – Nearest Neighbor Information Retrieval (Sistem Temu Kembali Informasi). Fakultas Sains dan Teknologi Universitas Airlangga