i
Classification System of Corn Kernel Quality based on Texture
Using Digital Image Processing
TUGAS AKHIR
Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknik
pada Fakultas Elektro dan Komunikasi
Institut Teknologi Telkom
Oleh:
DEBBY PERMATASARI
111081075
PROGRAM STUDI S1 TEKNIK TELEKOMUNIKASI FAKULTAS ELEKTRO DAN KOMUNIKASI
INSTITUT TEKNOLOGI TELKOM BANDUNG
ii
LEMBAR PENGESAHAN
TUGAS AKHIR
SISTEM KLASIFIKASI KUALITAS BIJI JAGUNG BERDASARKAN TEKSTUR BERBASIS PENGOLAHAN CITRA DIGITAL
CLASSIFICATION SYSTEM OF CORN KERNEL QUALITY BASED ON TEXTURE USING DIGITAL IMAGE PROCESSING
Disusun oleh :
DEBBY PERMATASARI
111081075
Telah disetujui dan disahkan sebagai Tugas Akhir Program S1 Teknik Telekomunikasi
Fakultas Elektro dan Komunikasi Institut Teknologi Telkom
Bandung, Juni 2012
Disahkan oleh :
Pembimbing I, Pembimbing II,
BAMBANG HIDAYAT, Dr., Ir. RATRI DWI ATMAJA, ST., MT. NIK :07510368-3 NIK: 10870625-2
Bandung 40257
iii
LEMBAR PERNYATAAN ORISINALITAS
NAMA : Debby Permatasari
NIM : 111081075
ALAMAT : Jl. Palem Raja V/25 Taman Yasmin Sektor 5,
Bogor-Jawa Barat
No Tlp/HP : 085721758288
E-mail : debbypermatasari_12a5@yahoo.co.id
Menyatakan bahwa Tugas Akhir ini merupakan karya orisinal saya sendiri, dengan judul :
SISTEM KLASIFIKASI KUALITAS BIJI JAGUNG BERDASARKAN TEKSTUR BERBASIS PENGOLAHAN CITRA DIGITAL
Classification System of Corn Kernel Quality based on Texture Using Digital Image Processing
Atas pernyataan ini, saya siap menanggung resiko / sanksi yang dijatuhkan kepada saya apabila kemudian ditemukan adanya pelanggaran terhadap kejujuran akademik atau etika keilmuan dalam karya ini, atau ditemukan bukti yang menunjukkan ketidak aslian karya ini.
Bandung, Juni 2012
Debby Permatasari
111081075
Bandung 40257
iv biji yang kotor, dan biji yang patah akibat proses pengeringan dan pemipilan. Biji
jagung yang berukuran lebih kecil dari semestinya juga dapat memperburuk
kualitas. Penentuan kualitas biji jagung biasa dilakukan secara manual dengan
pengamatan visual. Sistem manual membutuhkan waktu yang lama dan
menghasilkan produk dengan mutu yang tidak konsisten karena keterbatasan
visual, kelelahan, dan perbedaan persepsi masing-masing pengamat.
Pada tugas akhir ini dirancang sebuah sistem klasifikasi untuk mengetahui
kualitas biji jagung dengan menggunakan analisis tekstur berbasis pengolahan
citra digital, untuk mendapatkan hasil yang tepat dan objektif. Data citra yang
diambil yaitu sampel biji-biji jagung menggunakan kamera digital 12 MP.
Algoritma yang digunakan untuk ekstraksi ciri adalah statistik orde pertama dan
orde kedua, serta klasifikasi kualitas biji jagung menggunakan K-Nearest
Neighbour (K-NN).
Berdasarkan simulasi secara keseluruhan, maka dapat disimpulkan bahwa
sistem dapat mengklasifikasikan biji jagung berdasarkan tiga tingkat kualitas,
yaitu kualitas satu, kualitas dua, dan kualitas tiga. Hasil akurasi tertinggi diperoleh
pada saat k=3 dan menggunakan Cityblock Distance yaitu sebesar 91,85%.
v broken kernel very often due to the drying and defoliation process. Corn kernel
which smaller than normal also be able to worsen the quality. Corn kernel quality
determination usually done manually by visual observation. Manual system takes
a long time and produces quality products that are not consistent because of visual
limitations, fatigue, and differences in the perception of each observer.
At this final project is designed a classification system to determine the
quality of corn kernel based on texture analysis using digital image processing, to
get the right and objective results. Captured image data is sample of corn kernel
using 12 MP digital camera. The algorithm used for feature extraction is first
order and second order of statistic method and classification quality of the corn
kernel using a K-Nearest Neighbor (K-NN).
Based on a simulation, it can be concluded that the system can be classified
according to three levels of corn kernel quality, there are first quality, second
quality, and third quality. The highest accuracy results obtained when k = 3 and
using Cityblock Distance that is equal to 91.85%.
vi
Assalamu’alaikum Warahmatullahi Wabarakatuh
Segala puji dan syukur penulis ucapkan kepada Allah SWT yang telah
memberikan segala nikmat dan karunia-Nya, serta dengan bimbingan-Nya pulalah
penulis dapat menyelesaikan tugas akhir ini. Shalawat beserta salam semoga
selalu tercurah kepada junjungan ummat manusia, teladan yang paling sempurna,
penutup para nabi Rasulullah Muhammad SAW, serta keluarga, para sahabat dan
pengikutnya hingga yaumul akhir.
Alhamdulillahirobbil’alamiin, penulis panjatkan karena hanya dengan rahmat dan ridha-Nya penulis dapat menyelesaikan tugas akhir ini yang berjudul “Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital”. Tugas akhir ini penulis buat sebagai syarat untuk memperoleh gelar Sarjana Teknik pada Program Studi Teknik Telekomunikasi
Institut Teknologi Telkom.
Dalam penulisan tugas akhir ini penulis menyadari masih banyak
kekurangan karena keterbatasan ilmu yang dimiliki. Untuk itu penulis sangat
membuka diri dalam menerima segala kritik dan saran yang bersifat membangun
dari semua pihak untuk kesempurnaan tulisan ini sehingga lebih baik di kemudian
hari.
Sebagai penutup, penulis memohon maaf atas segala kesalahan yang
penulis lakukan selama menyelesaikan tugas akhir ini. Semoga tugas akhir ini
dapat bermanfaat bagi penulis sendiri dan pembaca.
Wassalamu’alikum Warahmatullahi Wabarakatuh.
Bandung, Juni 2012
vii Dalam kesempatan ini penulis ingin mengucapkan terima kasih kepada semua pihak yang telah memberikan bantuan, dukungan serta doa yang diberikan, karena tanpa mereka Tugas Akhir ini belum tentu dapat diselesaikan dengan baik. Dengan segala kerendahan hati, penulis ucapkan terima kasih kepada :
1. Allah SWT, atas karunia, berkah dan rahmat-Nya, serta atas petunjuk, kesempatan, kesehatan dan kemudahan yang diberikan, sehingga penulis dapat menyelesaikan Tugas Akhir ini.
2. Ibu, Bapa. Terima kasih untuk dukungan, doa , biaya dan kesabaran dalam mendidik dan membesarkan anaknya. Terima kasih telah menjadi orang tua yang sangat sayang dan penuh perhatian.
3. Bapak Bambang Hidayat, Dr.,Ir. dan Bapak Ratri Dwi Atmaja, ST.,MT. Selaku pembimbing I dan pembimbing II, terima kasih untuk bimbingan, dukungan dan motivasinya. Maaf banyak sesuatu yang sering tertinggal. 4. Bapak Tengku A. Riza selaku dosen wali yang sangat baik.
5. Kakak dan Kakak Ipar. Terima kasih untuk perhatian yang diberikan untuk adiknya.
6. Om Tato dan Bapak Saeful yang sudah membantu mendapatkan sampel untuk Tugas Akhir ini.
7. Bapak Parjo dari Balai Pertanian yang sudah menjelaskan segala pengetahuan tentang jagung.
8. Bapak Hari yang sudah mengajarkan tentang program matlab. 9. I Nyoman Sulistiana yang sudah memberi ide untuk Tugas Akhir ini. 10.Larasati Cahya Wening yang sudah sharing tentang masalah Tugas Akhir. 11.Rifqi Aji W selaku teman praktikum abadi yang walaupun sekarang sudah
lulus tapi masih menyemangati penulis dalam menghadapi Tugas Akhir. 12.Harki Tunas Utomo yang sudah memberikan suntikan semangat yang luar
biasa dan setia mendampingi di masa-masa sulit.
13.Ratih Suminar yang menjadi teman seperjuangan Tugas Akhir ini. Semoga kita sukses. Amin.
14.Teman-teman TT 32-03. Terima kasih sudah menjadi teman yang begitu berharga selama ini. Selamat berjuang teman-teman.
15.Dosen-dosen IT Telkom yang tidak bisa disebutkan satu-persatu. Terima kasih untuk bimbingan moral dan ilmu pengetahuan yang telah diberikan. Semoga saya dapat mengaplikasikan ilmu tersebut di kemudian hari.
viii
HALAMAN JUDUL ... i
LEMBAR PENGESAHAN ... ii
HALAMAN PERNYATAAN ORISINALITAS ... iii
ABSTRAK ... iv
ABSTRACT ... v
KATA PENGANTAR ... vi
LEMBAR UCAPAN TERIMA KASIH ... vii
DAFTAR ISI ... viii
DAFTAR GAMBAR ... xi
DAFTAR TABEL ... xii
DAFTAR SINGKATAN ... xiii
DAFTAR ISTILAH ... xiv
BAB I PENDAHULUAN 1.1 Latar Belakang ... 1
1.2 Tujuan ... 2
1.3 Manfaat ... 2
1.4 Rumusan Masalah ... 2
1.5 Batasan Masalah ... 3
1.6 Metodologi Penelitian ... 3
1.7 Sistematika Penulisan ... 3
BAB II DASAR TEORI 2.1 Jagung ... 5
2.1.1 Jenis-Jenis Jagung ... 5
2.1.2 Biji jagung ... 6
2.2 Citra Digital ... 8
2.3 Pengolahan Citra Digital ... 9
2.4 Model Citra ... 10
ix
2.6 Ekstraksi Ciri Statistik ... 13
2.6.1 Ekstraksi Ciri Orde Pertama ... 14
2.6.2 Ekstraksi Ciri Orde Kedua ... 15
2.7 K-Nearest Neighbor ... 20
2.8 Matlab (Matrix Laboratory) ... 22
BAB III MODEL DAN PERANCANGAN SISTEM 3.1 Perangkat Perancangan Sistem ... 23
3.2 Model Sistem Klasifikasi Kualitas Biji Jagung ... 23
3.3 Diagram Alir Klasifikasi Kualitas Biji Jagung ... 24
3.3.1 Pengambilan Sampel Citra Biji Jagung ... 25
3.3.2 Preprocessing ... 26
3.3.3 Pengubahan Mode Warna Citra ... 27
3.3.4 Ekstraksi Ciri ... 27
3.3.5 Penentuan Kombinasi Ciri ... 28
3.3.6 Klasifikasi dengan K-Nearest Neighbor ... 29
3.4 Analisis Performansi Sistem ... 30
BAB IV ANALISIS DAN PENGUJIAN SISTEM 4.1 Analisis Ekstraksi Ciri dengan Statistik Orde Pertama dan Orde Kedua ... 31
4.1.1 Ekstraksi Ciri Citra Red ... 32
4.1.2 Ekstraksi Ciri Citra Green ... 33
4.1.3 Ekstraksi Ciri Citra Blue ... 34
4.1.4 Ekstraksi Ciri Citra Grayscale ... 35
4.1.5 Kombinasi Ciri ... 35
4.1.5.1 Kombinasi Ciri Citra Red ... 36
4.1.5.2 Analisis Akurasi Citra RGB dan Grayscale ... 41
4.2 Analisis Hasil Pengujian Klasifikasi dengan K-Nearest Neighbor 42 4.3 Analisis Waktu Komputasi Sistem ... 43
x
xi
Gambar 2.2 Biji Jagung Kualitas 1 ...7
Gambar 2.3 Biji Jagung Kualitas 2 ...7
Gambar 2.4 Biji Jagung Kualitas 3 ...8
Gambar 2.5 Citra RGB ...10
Gambar 2.6 Citra Grayscale dari Biji Jagung Bisma Kualitas Satu ...11
Gambar 2.7 Contoh Tekstur Visual ...12
Gambar 2.8 Ilustrasi Ekstraksi Ciri Statistik ... 13
Gambar 2.9 Citra Masukan ... 16
Gambar 2.10 Nilai Intensitas Citra Masukan ...16
Gambar 3.1 Model Sistem Klasifikasi Kualitas Biji Jagung ...23
Gambar 3.2 (a)Diagram Alir Pembuatan Database ...24
Gambar 3.2 (b) Diagram Alir Pengujian ...24
Gambar 3.3 Diagram Alir Pengambilan Sampel Citra Biji Jagung ...25
Gambar 3.4 Diagram Alir Preprocessing ...26
Gambar 3.5 Citra Sebelum dan Sesudah Cropping ...26
Gambar 3.6 Proses Pengubahan Mode Warna Citra ...27
Gambar 3.7 (a) Citra Red ...27
Gambar 3.7 (b) Citra Green ...27
Gambar 3.7 (c) Citra Blue...27
Gambar 3.7 (d) Citra Grayscale ...27
Gambar 3.8 Blok Diagram Ekstraksi Ciri ...28
Gambar 3.9 Diagram Alir Penentuan Kombinasi Ciri ...29
xii
Tabel 2.1 Definisi Untuk Masing-Masing Kriteria Mutu Fisik Jagung ... 7
Tabel 2.2 Persyaratan Mutu Jagung Berdasarkan SNI 01-3920-1995 ... 8
Tabel 2.3 Matriks Iterasi 0 Sudut 0o ... 16
Tabel 2.4 Matriks Iterasi 1 Sudut 0o ... 16
Tabel 2.5 Matriks Iterasi 2 Sudut 0o ... 17
Tabel 2.6 Matriks Akhir Iterasi Sudut 0o ... 17
Tabel 2.7 Matriks Kookurensi Sudut 0o (M(0)) ... 18
Tabel 2.8 Matriks Kookurensi Sudut 45o (M(45)) ... 18
Tabel 2.9 Matriks Kookurensi Sudut 90o (M(90)) ... 18
Tabel 2.10 Matriks Kookurensi Sudut 135o (M(135)) ... 19
Tabel 4.1 Hasil Akurasi dari Ekstraksi Ciri Citra Red ... 32
Tabel 4.2 Hasil Akurasi dari Ekstraksi Ciri Citra Green... 33
Tabel 4.3 Hasil Akurasi dari Ekstraksi Ciri Citra Blue ... 34
Tabel 4.4 Hasil Akurasi dari Ekstraksi Ciri Citra Grayscale... 35
Tabel 4.5 Hasil Akurasi dari Kombinasi Dua Ciri Citra Red ... 36
Tabel 4.6 Hasil Akurasi dari Kombinasi Tiga Ciri Citra Red ... 37
Tabel 4.7 Hasil Akurasi dari Kombinasi Empat Ciri Citra Red ... 39
Tabel 4.8 Hasil Akurasi dari Kombinasi Lima Ciri Citra Red ... 40
Tabel 4.9 Hasil Akurasi dari Kombinasi Enam Ciri Citra Red ... 41
Tabel 4.10 Akurasi Sistem dengan K-Nearest Neighbor ... 43
xiii SNI Standar Nasional Indonesia
GUI Graphical User Interface RGB Red, Green, Blue
xiv Tekstur Keteraturan pola-pola tertentu yang terbentuk dari susunan
piksel-piksel dalam citra digital
Piksel Elemen terkecil dari sebuah citra digital yang merupakan persilangan antara kolom dan baris
Citra Latih Citra wajah yang dilatihkan yang berfungsi sebagai database Citra Uji Citra wajah yang digunakan untuk menguji keandalan sistem
Cropping Proses pemotongan sejumlah piksel dari citra
Database Kumpulan satu atau lebih file
1.1Latar Belakang
Pengetahuan dan pemanfaatan citra digital berkembang pesat, tidak
hanya di bidang kedokteran, industri, dan kesehatan, tetapi juga di pertanian untuk
mengidentifikasi dan mengawasi mutu, cemaran, tingkat kematangan, dan
pengkelasan. Kemampuan pengolahan citra digital yang canggih memungkinkan
dapat digunakan lebih efektif dan efisien untuk mengidentifikasi kualitas produk
pertanian. Salah satu contoh yaitu untuk menentukan kualitas biji jagung
berdasarkan teksturnya.
Salah satu produk pertanian yang mengambil peran dalam pembangunan
sektor pertanian adalah jagung. Di Indonesia, jagung merupakan komoditas
pangan kedua setelah padi dan sumber kalori atau makanan pengganti beras,
disamping itu juga sebagai makanan ternak. Kebutuhan jagung akan terus
meningkat dari tahun ke tahun sejalan dengan peningkatan taraf hidup ekonomi
masyarakat dan kemajuan industri pakan ternak sehingga kualitas jagung perlu
diperhatikan. Hal yang mempengaruhi kualitas biji jagung yaitu tingginya tingkat
kerusakan yang terjadi saat proses pemipilan jagung dengan mesin sehingga
banyak ditemukan biji yang rusak dan patah. Selama ini evaluasi kualitas dalam
proses klasifikasi kualitas biji jagung masih dilakukan secara manual melalui
pengamatan visual. Sistem manual membutuhkan waktu yang lama dan
menghasilkan produk dengan kualitas yang tidak merata karena keterbatasan
visual, kelelahan, dan perbedaan persepsi masing-masing pengamat. Oleh karena
itu pengolahan citra merupakan alternatif untuk mengatasi masalah tersebut.
Pada tugas akhir ini dirancang sebuah sistem klasifikasi untuk mengetahui
kualitas biji jagung berdasarkan tekstur berbasis pola citra digital untuk
mendapatkan hasil yang cepat dan akurat. Data citra yang akan diambil yaitu
sampel biji-biji jagung menggunakan kamera digital. Setelah itu tahap-tahap yang
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 2
Algoritma yang digunakan adalah ekstraksi ciri statistik orde pertama dan orde
kedua, serta metode klasifikasi K-Nearest Neighbor (K-NN).
1.2 Tujuan
Berdasarkan latar belakang yang telah diuraikan, maka tujuan dari Tugas
Akhir ini adalah sebagai berikut.
1. Merancang simulasi sistem yang dapat melakukan klasifikasi kualitas biji
jagung berdasarkan tekstur dengan ekstraksi ciri statistik orde pertama dan
orde kedua, serta pengklasifikasian menggunakan K-Nearest Neighbor. 2. Menganalisis performansi sistem klasifikasi kualitas biji jagung berdasarkan
tekstur dengan parameter tingkat akurasi dan waktu komputasi dalam
pengklasifikasian menggunakan ekstraksi ciri statistik dan K-Nearest Neighbor
1.3 Manfaat
Manfaat dari penelitian ini adalah menghasilkan alat bantu dalam bidang
pertanian dan perdagangan terutama bagi pengamat (grader) untuk mengklasifikasi kualitas biji jagung berdasarkan tekstur berbasis pengolahan citra
digital.
1.4 Rumusan Masalah
Dari tujuan yang telah diketahui diatas, maka masalah dalam Tugas Akhir
ini dapat dirumuskan sebagai berikut.
1. Bagaimana membangun sistem yang dapat mengklasifikasi kualitas biji
jagung dilihat dari tekstur biji jagung?
2. Bagaimana pengaruh citra RGB dan grayscale pada akurasi sistem?
3. Bagaimana melakukan kombinasi ciri pada ekstraksi ciri statistik orde
pertama dan orde kedua agar didapatkan akurasi yang terbaik?
4. Apakah metode K-NN dapat menghasilkan akurasi yang diharapkan dalam
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 3
1.5 Batasan Masalah
Mengingat luasnya pembahasan, maka permasalahan perlu dibatasi pada:
1. Citra yang diolah adalah citra berwarna dengan format *.jpg.
2. Sampel yang diambil adalah biji jagung jenis Bisma.
3. Output sistem, yaitu: biji jagung kualitas 1, biji jagung kualitas 2, dan biji
jagung kualitas 3.
4. Sampel citra biji jagung diambil berjarak 15 cm tegak lurus dengan objek
menggunakan kamera digitalberukuran 12 megapiksel.
5. Pencahayaan pada proses akuisisi citra menggunakan dua lampu LED.
6. Mode warna citra yang dipakai dalam ekstraksi ciri adalah RGB dan
Grayscale.
7. Ekstraksi ciri menggunakan metode statistik dan klasifikasi menggunakan K-Nearest Neighbour.
1.6 Metodologi Penelitian
Metode yang digunakan dalam penelitian Tugas Akhir ini adalah sebagai
berikut.
1. Melakukan studi literatur dengan mencari, mengumpulkan, dan memahami
baik berupa jurnal, artikel, buku referensi, internet, dan sumber-sumber lain
yang berhubungan dengan masalah Tugas Akhir.
2. Mengumpulkan data lapangan dan perangkat yang dibutuhkan.
3. Merancang diagram alir sistem dan mengimplementasikannya.
4. Melakukan simulasi sistem terhadap citra hasil pelatihan dan citra yang diuji.
5. Menganalisa hasil yang diperoleh dari proses simulasi sistem.
6. Menyusun laporan proses pengerjaan Tugas Akhir.
1.7 Sistematika Penulisan
Pembahasan Tugas Akhir ini disusun dalam lima bab, yaitu sebagai
berikut.
BAB 1 PENDAHULUAN
Berisi latar belakang, tujuan dan manfaat, perumusan dan batasan
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 4
BAB 2 DASAR TEORI
Berisi teori-teori dasar mengenai biji jagung, citra digital, pengolahan
citra, ekstraksi ciri, dan klasifikasi.
BAB 3 MODEL DAN PERANCANGAN SISTEM
Berisi diagram alir penelitian, perancangan sistem serta cara kerja sistem.
BAB 4 ANALISIS HASIL SIMULASI SISTEM
Berisi data hasil pengolahan citra uji dan data hasil pengukuran tingkat
akurasi citra uji.
BAB 5 KESIMPULAN DAN SARAN
Berisi kesimpulan atas hasil kerja yang telah dilakukan beserta
2.1 Jagung [1]
Jagung merupakan salah satu tanaman pangan dunia yang terpenting,
selain gandum dan padi. Jagung sebagai sumber karbohidrat utama di Amerika
Tengah dan Selatan dan menjadi alternatif sumber pangan di Amerika Serikat.
Penduduk beberapa daerah di Indonesia juga menggunakan jagung sebagai
pangan pokok. Selain sebagai sumber karbohidrat, jagung juga digunakan sebagai
pakan ternak, diambil minyaknya, dibuat tepung (dari bulir, dikenal dengan istilah
tepung jagung atau maizena), dan bahan baku industri makanan.
Gambar 2.1JagungBisma[1]
2.1.1 Jenis-Jenis jagung [2]
Jenis jagung dapat dikelompokkan menurut umur dan bentuk biji.
1). Menurut umur, dibagi menjadi 3 golongan:
a. Berumur pendek (genjah) : 75-90 hari, contoh: Genjah Warangan,
Genjah Kertas, Abimanyu dan Arjuna.
b. Berumur sedang (tengahan) : 90-120 hari, contoh: Hibrida C 1, Hibrida
CP 1 dan CPI 2, Hibrida IPB 4, Hibrida Pioneer 2, Malin,Metro dan Pandu.
c. Berumur panjang : lebih dari 120 hari, contoh: Kania Putih, Bastar, Kuning, Bima dan Harapan.
2). Menurut bentuk biji, dibagi menjadi 7 golongan:
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 6
b. Indurata (Flint, "mutiara") c. Saccharata (Sweet, "manis") d. Everta (Popcorn, "berondong") e. Amylacea (Flour corn, "tepung") f. Glutinosa (Sticky corn, "ketan")
g. Tunicata (Podcorn, merupakan kultivar yang paling primitif dan anggota subspesies yang berbeda dari jagung budidaya lainnya)
3). Menurut varietas yang unggul, dibagi menjadi 2 golongan : [3] a. Jagung Hibrida
Jagung hibrida merupakan generasi pertama dari persilangan antara dua
galur. Jagung hibrida dapat diperoleh dari hasil seleksi kombinasi atau biasa
disebut hibridisasi. Hibridisasi merupakan perkawinan silang antara tanaman
satu dengan tanaman yang lain dalam satu spesies untuk mendapatkan
genotipe (sifat-sifat dalam) yang unggul. Hal ini dapat menciptakan suatu
jenis atau spesies baru yang dapat meningkatkan produksi, tahan terhadap
serangan hama dan penyakit serta berumur pendek.
Contoh : tipe mutiara, jagung gigi kuda, setengah gigi kuda, P-21, P-12, C-7,
Bisi 16, Pioneer-2, Hibrida C-1, P-11.
b. Jagung Bersari Bebas
Jagung bersari bebas adalah varietas yang seragam (homogen) dan
benihnya diambil dari pertanaman sebelumnya, atau dapat dipakai
terus-menerus dari setiap pertanamannya.
Contoh : bisma, nakula, sadewa, bromo, arjuna.
Pada Tugas Akhir ini, jagung yang akan diklasifikasi adalah jenis
jagung Bisma. Jagung Bisma dipilih karena termasuk jenis jagung yang
unggul dan biasa digunakan untuk industri makanan.
2.1.2 Biji Jagung [4]
Kualitas jagung biasanya ditentukan dengan mengamati fisik biji jagung.
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 7
baik seperti perontokan jagung dengan mesin dan penyimpanan jagung yang
cukup lama di gudang setelah proses pengeringan.
Kriteria biji yang memiliki kualitas rendah diantaranya biji yang rusak,
biji yang kusam, biji yang kotor, biji yang patah, dan biji yang kecil. Berikut ini
tabel penjelasan mengenai masing-masing kriteria mutu fisik jagung :
Tabel 2.1 Definisi Untuk Masing-Masing Kriteria Mutu Fisik Jagung[4]
Berikut ini contoh-contoh citra biji jagung berdasarkan kualitas :
Gambar 2.2Biji Jagung Kualitas 1
Gambar 2.3Biji Jagung Kualitas 2
No. Mutu fisik Definisi
1. Biji utuh Biji jagung kering yang secara fisik keseluruhannya utuh tanpa adanya bercak, cacat ataupun jamur
2. Biji rusak Biji jagung yang cacat ataupun rusak akibat serangan serangga atau hama gudang.
3. Biji patah Biji jagung yang tidak utuh/rusak akibat proses perontokan atau pemipilan
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 8
Gambar 2.4Biji Jagung Kualitas 3
Dan sebagai informasi saja, menurut standar SNI 01-3920-1995, kriteria
kualitas fisik biji jagung dijabarkan pada tabel sebagai berikut :
Tabel 2.2 Persyaratan Mutu Jagung Berdasarkan SNI 01-3920-1995[4]
2.2 Citra Digital [5]
Citra digital dapat dinyatakan sebagai suatu fungsi dua dimensi f(x,y),
dengan x maupun y adalah posisi koordinat sedangkan f merupakan amplitudo
pada posisi (x,y) yang sering dikenal sebagai intensias atau grayscale. Nilai intensitas diskrit mulai dari 0 sampai 255, begitu pula nilai-nilai x, y, dan f(x,y)
harus berada pada jangkauan atau range tertentu yang jumlahnya terbatas. Citra
yang dicapture oleh kamera dan telah dikuantisasi dalam bentuk diskrit
dinamakan citra digital. Citra digital tersusun dari sejumlah nilai tingkat keabuan
yang disebut piksel pada posisi tertentu.
Secara matematis persamaan untuk fungsi intensitas f(x,y) adalah:
0 ≤ f(x,y)<∞ (2.1)
No Jenis uji Satuan
Persyaratan kualitas
I II III
1 Kadar air (%) Maks 14 Maks 14 Maks 15
2 Butir rusak (%) Maks 2 Maks 4 Maks 6
3 Butir warna lain (%) Maks 1 Mak 3 Maks 7
4 Butir pecah (%) Maks 1 Maks 2 Maks 3
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 9
Misalkan f merupakan sebuah citra digital 2 dimensi berukuran NxM. Maka
representasi f dalam sebuah matriks dapat dilihat pada gambar di bawah ini, di
mana f(0,0) berada pada sudut kiri atas dari matriks tersebut, sedangkan
f(n-1,m-1) berada pada sudut kanan bawah.
(2.2)
2.3 Pengolahan Citra Digital[6]
Pengolahan citra digital merupakan proses yang bertujuan untuk
memanipulasi dan menganalisis citra dengan bantuan komputer. Pengolahan citra
digital dapat dikelompokkan dalam dua jenis kegiatan :
1. Memperbaiki kualitas suatu gambar, sehingga dapat lebih mudah
diinterpretasi oleh mata manusia.
2. Mengolah informasi yang terdapat pada suatu gambar untuk keperluan
pengenalan objek secara otomatis.
Bidang aplikasi kedua yang sangat erat hubungannya dengan ilmu
pengenalan pola (pattern recognition) yang umumnya bertujuan mengenali suatu objek dengan cara mengekstrak informasi penting yang terdapat pada suatu citra.
Bila pengenalan pola dihubungkan dengan pengolahan citra, diharapkan
akan terbentuk suatu sistem yang dapat memproses citra masukan sehingga citra
tersebut dapat dikenali polanya. Proses ini disebut pengenalan citra atau image recognition. Proses pengenalan citra ini sering diterapkan dalam kehidupan sehari-hari.
Pengolahan citra dan pengenalan pola menjadi bagian dari proses
pengenalan citra. Kedua aplikasi ini akan saling melengkapi untuk mendapatkan
ciri khas dari suatu citra yang hendak dikenali. Secara umum tahapan pengolahan
citra digital meliputi akusisi citra, peningkatan kualitas citra, segmentasi citra,
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 10
2.4 Model Citra[5] 2.4.1 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. Dengan cara ini, akan diperoleh warna campuran sebanyak 256 x
256 x 256 = 1677726 jenis warna. Sebuah jenis warna, dapat dibayangkan sebagai
sebuah vektor di ruang 3 dimensi yang biasanya dipakai dalam matematika,
koordinatnya dinyatakan dalam bentuk tiga bilangan, yaitu komponen-x,
komponen-y dan komponen-z. Misalkan sebuah vektor dituliskan sebagai r =
(x,y,z). Untuk warna, komponen-komponen tersebut digantikan oleh komponen
R(ed), G(reen), B(lue). Jadi, sebuah jenis warna dapat dituliskan sebagai berikut:
warna = RGB(30, 75, 255). Putih = RGB (255,255,255), sedangkan untuk hitam=
RGB(0,0,0).
Gambar 2.5 Citra RGB[5]
2.4.2 Citra Grayscale
Dalam komputasi, suatu citra digital grayscale adalah suatu citra dimana
nilai dari setiap piksel merupakan sampel tunggal. Citra yang ditampilkan dari
citra jenis ini terdiri atas warna abu-abu, bervariasi pada warna hitam pada bagian
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 11
grayscale warna bervariasi antara hitam dan putih, tetapi variasi warna
diantaranya sangat banyak. Citra grayscale seringkali merupakan perhitungan dari
intensitas cahaya pada setiap piksel pada spektrum elektromagnetik single band.
Citra grayscale disimpan dalam format 8 bit untuk setiap sample piksel,
yang memungkinkan sebanyak 256 intensitas. Format ini sangat membantu dalam
pemrograman karena manupulasi bit yang tidak terlalu banyak. Pada aplikasi lain
seperti pada aplikasi medical imaging dan remote sensing biasa juga digunakan
format 10,12 maupun 16 bit. Model penyimpanannya adalah f(x,y) = nilai
intensitas, dengan x dan y merupakan posisi nilai intensitas.
Gambar 2.6 Citra Grayscale dari Biji Jagung Bisma Kualitas Satu
2.5 Analisis Tekstur[7]
Tekstur merupakan karakteristik intrinsik dari suatu citra yang terkait
dengan tingkat kekasaran (roughness), granulitas (granulation), dan keteraturan (regularity) susunan struktural piksel. Aspek tekstural dari sebuah citra dapat dimanfaatkan sebagai dasar dari segmentasi, klasifikasi, maupun interpretasi citra.
Tekstur dapat didefinisikan sebagai fungsi dari variasi spasial intensitas
piksel (nilai keabuan) dalam citra. Berdasarkan strukturnya, tekstur dapat
diklasifikasikan dalam dua golongan :
a. Makrostruktur
Tekstur makrostruktur memiliki perulangan pola lokal secara
periodik pada suatu daerah citra, biasanya terdapat pada pola-pola buatan
manusia dan cenderung mudah untuk direpresentasikan secara
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 12
b. Mikrostruktur
Pada tekstur mikrostruktur, pola-pola lokal dan perulangan tidak
terjadi begitu jelas, sehingga tidak mudah untuk memberikan definisi
tekstur yang komprehensif.
Contoh gambar berikut ini menunjukkan perbedaan tekstur
makrostruktur dan mikrostruktur (atas : makrostruktur ; bawah :
mikrostruktur).
Gambar 2.7 Contoh tekstur visual[7]
Analisis tekstur bekerja dengan mengamati pola ketetanggaan antar piksel
dalam domain spasial. Analisis tekstur lazim dimanfaatkan sebagai proses antara
untuk melakukan klasifikasi dan interpretasi citra. Suatu proses klasifikasi citra
berbasis analisis tekstur pada umumnya membutuhkan tahapan ekstraksi ciri, yang
dapat terbagi dalam tiga macam metode berikut :
a. Metode statistik
Metode statistik menggunakan perhitungan statistik distribusi derajat
keabuan (histogram) dengan mengukur tingkat kekontrasan, granularitas,
dan kekasaran suatu daerah dari hubungan ketetanggaan antar piksel di
dalam citra. Paradigma statistik ini penggunaannya tidak terbatas, sehingga
sesuai untuk tekstur-tekstur alami yang tidak terstruktur dari sub pola dan
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 13
b. Metode spektral
Metode spektral berdasarkan pada fungsi autokorelasi suatu daerah
atau power distribution pada domain transformasi Fourier dalam mendeteksi periodisitas tekstur.
c. Metode struktural
Analisis dengan metode ini menggunakan deskripsi primitif tekstur
dan aturan sintaktik. Metode struktural banyak digunakan untuk
pola-pola makrostruktur.
Ekstraksi ciri statistik dapat dilakukan dalam orde pertama dan orde kedua.
Ekstraksi ciri orde pertama dilakukan melalui histogram citra. Ekstraksi ciri
statistik orde kedua dilakukan dengan matriks kookurensi, yaitu suatu matriks
antara yang merepresentasikan hubungan ketetanggaan antar piksel dalam citra
pada berbagai arah orientasi dan jarak spasial.
2.6 Ekstraksi Ciri Statistik[7]
Ekstraksi ciri dilakukan untuk mendapatkan pola dari suatu citra yang
akan dilatih maupun citra yang akan diuji. Metode ekstraksi ciri yang digunakan
adalah ekstraksi ciri statistik. Metode ini menggunakan perhitungan statistik
distribusi derajat keabuan (histogram) dengan mengukur tingkat kekontrasan,
granularitas, dan kekasaran suatu daerah dari hubungan ketetanggaan antar piksel
di dalam citra.
Ekstraksi ciri statistik terbagi menjadi dua yaitu ekstraksi ciri statistik orde
pertama dan orde kedua. Ekstraksi ciri orde pertama dilakukan melalui histogram
citra. Ekstraksi ciri statistik orde kedua dilakukan dengan matriks kookurensi,
yaitu suatu matriks antara yang merepresentasikan hubungan ketetanggaan antar
piksel dalam citra pada berbagai arah orientasi dan jarak spasial.
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 14
Keterangan Gambar 2.8 :
Kiri : Histogram citra sebagai fungsi probabilitas kemunculan nilai
intensitas pada citra.
Kanan : Hubungan ketetanggaan antar piksel sebagai fungsi orientasi dan jarak spasial.
2.6.1 Ekstraksi Ciri Orde Pertama[7]
Ekstraksi ciri orde pertama merupakan metode pengamatan ciri yang
didasarkan pada karakteristik histogram citra. Histogram menunjukkan
probabilitas kemunculan nilai derajat keabuan piksel pada suatu citra. Dari
nilai-nilai pada histogram yang dihasilkan, dapat dihitung beberapa parameter ciri orde
pertama, antara lain adalah mean, skewness, variances, kurtosis, dan entropy.
a. Mean (µ)
Menunjukkan ukuran dispersi dari suatu citra.
µ = (2.3)
Dimana fn merupakan suatu nilai intensitas keabuan, sementara p(fn)
menunjukkan nilai histogram (probabilitas kemunculan intensitas tersebut
pada citra).
b. Variance (σ2)
Menunjukkan variasi elemen pada histogram dari suatu citra.
σ 2 = –μ)2 p( ) (2.4) c. Skewness(α3)
Menunjukkan tingkat kemencengan relatif kurva histogram dari suatu
citra.
α3 = σ –μ)3 p( ) (2.5)
d. Kurtosis(α4)
Menunjukkan tingkat keruncingan relatif kurva histogram dari suatu citra.
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 15
e. Entropy (H)
Menunjukkan ukuran ketidakteraturan bentuk dari suatu citra.
H = - 2log p( ) (2.7)
2.6.2 Ekstraksi Ciri Orde Kedua[8]
Pada beberapa kasus, ciri orde pertama tidak lagi dapat digunakan untuk
mengenali perbedaan antar citra. Pada kasus seperti ini, kita membutuhkan
pengambilan ciri statistik orde dua.
Salah satu teknik untuk memperoleh ciri statistik orde dua adalah dengan
menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan
orientasi sudut tertentu. Pendekatan ini bekerja dengan membentuk sebuah
matriks kookurensi dari data citra, dilanjutkan dengan menentukan ciri sebagai
fungsi dari matriks antara tersebut.
Kookurensi berarti kejadian bersama, yaitu jumlah kejadian satu level
nilai piksel bertetangga dengan satu level nilai piksel lain dalam jarak (d) dan orientasi sudut (θ) tertentu. Jarak dinyatakan dalam piksel dan orientasi dinyatakan dalam derajat. Orientasi dibentuk dalam empat arah sudut dengan
interval sudut 45°, yaitu 0°, 45°, 90°, dan 135°. Sedangkan jarak antar piksel
biasanya ditetapkan sebesar 1 piksel.
Matriks kookurensi merupakan matriks bujursangkar dengan jumlah
elemen sebanyak kuadrat jumlah level intensitas piksel pada citra. Setiap titik
(p,q) pada matriks kookurensi berorientasi θ berisi peluang kejadian piksel bernilai p bertetangga dengan piksel bernilai q pada jarak d serta orientasi θ dan (180−θ).
Berikut ini adalah langkah mendapatkan matriks kookurensi :
1. Misalkan ada citra masukan dengan intensitas 2 bit seperti pada Gambar 2.9
dan pada citra masukan tersebut memiliki nilai intensitas seperti Gambar
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 16
Gambar 2.9Citra Masukan[8] Gambar 2.10 Nilai Intensitas Citra Masukan[8]
2. Lakukan iterasi untuk setiap sudut seperti pada Gambar 2.8.
3. Lakukan iterasi sudut 0o pada matriks 4 x 4, nilai 4 berasal dari 2 pangkat 2 bit, berikut ini matriks iterasi 0 (awal).
Tabel 2.3 Matriks Iterasi 0 Sudut 0o[8]
1 2 3 4
1 0 0 0 0
2 0 0 0 0
3 0 0 0 0
4 0 0 0 0
4. Lakukan iterasi ke-1 (i=1, j=1) sudut 0o (i = baris dan j = kolom).
Rumus iterasi sudut 0o : p = citra masukan (i,j) + 1 dan q = citra masukan (i,j + 1) + 1, pada kasus ini nilai citra masukan (i=1, j=1) = 1 maka nilai p = 1 + 1
= 2 dan nilai tetangga sudut 0o yaitu (i,j + 1) = (1,1 + 1) = (1,2) = 0 maka nilai q = 0 + 1 = 1. Dari perhitungan didapatkan p = 2 dan q = 1, p dan q
menyatakan indeks pada matriks iterasi. Lalu masukkan nilai iterasi pada
Tabel 2.4 dengan rumus nilai pada indeks (p,q) + 1, maka didapatkan nilai
indeks (2,1) = 0 + 1 = 1.
Tabel 2.4 Matriks Iterasi 1 Sudut 0o[8]
1 2 3 4
1 0 0 0 0
2 1 0 0 0
3 0 0 0 0
4 0 0 0 0
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 17
5. Lakukan iterasi ke-2 (i=1, j=2) sudut 0o .
Dengan cara yang sama nilai citra masukan (i=1, j=2) = 0, maka nilai p = 0
+ 1 = 1 dan nilai tetangga sudut 0o (i,j + 1) = (1,2 + 1) = (1,3) = 3 maka nilai q = 3 + 1 = 4. Dari perhitungan didapatkan p = 1 dan q = 4 maka nilai pada
indeks (p,q) = (1,4) + 1 = 0 + 1 = 1, seperti ditunjukkan pada Tabel 2.5.
Tabel 2.5 Matriks Iterasi 2 Sudut 0o[8]
6. Proses berlanjut hingga iterasi terakhir pada 0o, dengan menggunakan MATLAB berikut ini adalah hasil akhir tabel iterasi sudut 0o seperti pada gambar Tabel 2.6.
Tabel 2.6 Matriks Akhir Iterasi Sudut 0o[8]
7. Selanjutnya akan dilakukan normalisasi sehingga menghasilkan matriks
kookurensi dengan cara membagi setiap nilai piksel pada hasil akhir tabel
iterasi sudut 0o dengan jumlah seluruh piksel pada hasil akhir tabel tersebut. Setiap nilai piksel pada Tabel 2.6 dibagi dengan jumlah seluruh piksel pada
Tabel 2.6 karena matriks kookurensi berisi peluang kejadian piksel bernilai
p bertetangga dengan piksel bernilai q.
Jumlah seluruh piksel Tabel 2.6 adalah 60, lalu setiap nilai piksel pada
Tabel. 2.6 dinormalisasi terhadap jumlah piksel Tabel 2.6 :
a) (1,1) / 60 = 0 / 60 = 0
b) (1,2) / 60 = 8 / 60 = 0,1333
1 2 3 4
1 0 0 0 1
2 1 0 0 0
3 0 0 0 0
4 0 0 0 0
1 2 3 4
1 0 8 5 4
2 8 0 5 1
3 5 5 0 7
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 18
c) (1,3) / 60 = 5 / 60 = 0,0833
d) Dan seterusnya hingga (4,4)
Tabel 2.7 menunjukkan matriks kookurensi sudut 0o :
Tabel 2.7 Matriks Kookurensi Sudut 0o (M(0))[8]
8. Proses iterasi berlangsung sama untuk semua sudut yaitu 45o, 90o, dan 135o yang membedakan hanyalah proses pengambilan tetangga harus sesuai
dengan sudut yang digunakan. Berikut ini adalah tabel-tabel yang
menunjukkan matriks kookurensi dari sudut 45o, 90o, dan 135o.
Tabel 2.8 Matriks Kookurensi Sudut 45o (M(45))[8]
Tabel 2.9 Matriks Kookurensi Sudut 90o (M(90))[8]
1 2 3 4
1 0 0,1333 0,0833 0,0667
2 0,1333 0 0,0833 0,0167
3 0,0833 0,0833 0 0,1167
4 0,0667 0,0167 0,1167 0
0,1667 0 0,0833 0,0417
0 0 0,1042 0,125
0,0833 0,1042 0,0833 0,0208
0,0417 0,125 0,0208 0
0 0,1429 0,1071 0,0536
0,1429 0 0,0536 0,0179
0,1071 0,0536 0 0,125
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 19
Tabel 2.10 Matriks Kookurensi Sudut 135o (M(135))[8]
Setelah memperoleh matriks kookurensi dari masing-masing sudut maka akan
dicari matriks kookurensi rata-rata ( Mrata-rata) dengan persamaan :
Mrata-rata = (M(0) + M(45) + M(90) + M(135)) / 4 (2.8)
Ciri statistik orde kedua dapat dihitung berdasarkan p(i,j) dari matriks kookurensi
rata-rata. Beberapa parameter ciri orde kedua, antara lain :
a. Angular Second Moment
Menunjukkan ukuran sifat homogenitas citra.
(2.9)
Dimana p(i,j) menyatakan nilai pada baris I dan kolom j pada matriks kookurensi.
b. Contrast
Menunjukkan ukuran penyebaran (momen inersia) elemen-elemen
matriks citra. Jika letaknya jauh dari diagonal utama, nilai kekontrasan
besar. Secara visual, nilai kekontrasan adalah ukuran variasi antar derajat
keabuan suatu daerah citra.
(2.10)
c. Correlation
Menunjukkan ukuran ketergantungan linear derajat keabuan citra
sehingga dapat memberikan petunjuk adanya struktur linear dalam citra.
(2.11)
0,2083 0 0,0833 0
0 0,2083 0,0208 0
0,0833 0,0208 0,1667 0
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 20
d. Variance
Menunjukkan variasi elemen-elemen matriks kookurensi. Citra dengan
transisi derajat keabuan kecil akan memiliki variansi yang kecil pula.
(2.12)
e. Invers Different Moment
(2.13)
Menunjukkan kehomogenan citra yang berderajat keabuan sejenis. Citra
homogen akan memiliki harga IDM yang besar.
f. Entropy
Menunjukkan ukuran ketidakteraturan bentuk. Harga ENT besar untuk citra dengan transisi derajat keabuan merata dan bernilai kecil jika
struktur citra tidak teratur (bervariasi).
(2.14)
2.7 K-Nearest Neighbor[9]
Algoritma K- Nearest Neighbor (K-NN) adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang
jaraknya paling dekat dengan objek tersebut. Data pembelajaran diproyeksikan ke
ruang berdimensi banyak, dimana masing-masing dimensi merepresentasikan fitur
dari data. Ruang ini dibagi menjadi bagian-bagian berdasarkan klasifikasi data
pembelajaran. Sebuah titik pada ruang ini ditandai kelas c jika kelas c merupakan klasifikasi yang paling banyak ditemui pada k buah tetangga terdekat titik tersebut. Dekat atau jauhnya tetangga dihitung berdasarkan jarak Euclidean, Correlation, Cosine, dan Cityblock. Berikut rumus-rumus perhitungan jarak : a. Euclideandistance
Sebagai contoh, untuk menghiutng jarak antara dua titik Xs dan Xt dengan
metode Euclidean, digunakan rumus :
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 21
b. Cityblockdistance
Untuk menghitung jarak antara dua titik Xs dan Xt dengan metode Cityblock,
digunakan rumus :
(2.16)
c. Cosine distance
Dalam Cosine distance, titik-titik dianggap sebagai vektor, dan dilakukan pengukuran terhadap sudut antara dua vektor tersebut. Untuk memperoleh
jarak dua vektor xs dan xt, memakai rumus sebagai berikut :
(2.17)
dengan
d. Correlationdistance
Dalam Correlation distance, titik-titik dianggap sebagai barisan nilai, jarak antar nilai xs dan xt, memakai rumus sebagai berikut :
(2.18)
dimana,
Algoritma K-NN :
Tentukan nilai k.
Hitung jarak antara data baru ke setiap labeled data.
Tentukan klabeled data yang mempunyai jarak yang paling minimal.
Klasifikasikan data baru ke dalam labeled data yang mayoritas
Jika dibandingkan dengan metode klasifikasi yang lain, metode ini
memiliki tingkat keakuratan yang cukup tinggi karena data yang masuk akan
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 22
sudah diklasifikasikan. Namun, pada algoritma K-NN perlu menentukan nilai dari
paremeter k (jumlah tetangga terdekat) dan pembelajaran berdasarkan jarak tidak jelas mengenai jenis jarak apa yang harus digunakan dan atribut mana yang harus
digunakan untuk mendapatkan hasil yang terbaik.
2.8 Matlab (Matrix Laboratory)[10]
Matlab adalah salah satu software aplikasi untuk menyelesaikan berbagai masalah teknis. Matlab mengintegrasikan komputasi, visualisasi, dan
pemrograman dalam suatu model yang sangat mudah untuk dipakai, dimana
masalah-masalah dan penyelesaiannya diekspresikan dalam notasi matematika
yang familiar. Penggunaan Matlab meliputi bidang-bidang:
Matematika dan Komputasi
Pembentukan Algoritma
Akusisi Data
Pemodelan, Simulasi, dan Pembuatan Prototipe
Analisa Data, Eksplorasi, dan Visualisasi
Grafik Keilmuan dan Bidang Rekayasa
Matlab merupakan suatu sistem interaktif yang memiliki elemen data
dalam suatu array sehingga memungkinkan untuk memecahkan banyak masalah teknis yang terkait dengan komputasi, khususnya yang berhubungan dengan
matriks dan formulasi vektor.
Fitur-fitur Matlab sudah banyak dikembangkan yang lebih dikenal dengan
nama toolbox. Toolbox merupakan kumpulan dari fungsi-fungsi Matlab (M-files) yang telah dikembangkan ke suatu lingkungan kerja Matlab untuk memecahkan
3.1 Perangkat Perancangan Sistem
Pada Tugas Akhir ini digunakan perangkat keras (hardware) dan perangkat lunak (software).
Spesifikasi perangkat keras yang digunakan untuk membangun sistem ini
adalah sebagai berikut:
1. Acer CoreTM2 Duo processor T5800
2. RAM 1GB
3. Hard disk 250 GB
4. Monitor
5. Keyboard, Touchpad dan mouse.
Spesifikasi perangkat lunak yang digunakan untuk membangun sistem ini
adalah sebagai berikut :
1. Sistem Operasi Windows 7 Home Premium
2. Matlab 7.8.0 (R2009a)
Sedangkan, minimum requirement untuk dapat menggunakan sistem ini adalah sudah melakukan instalasi Matlab pada perangkat yang akan digunakan.
3.2 Model Sistem Klasifikasi Kualitas Biji Jagung
Gambar 3.1 Model Sistem Klasifikasi Kualitas Biji Jagung
Preprocessing Klasifikasi Kualitas Biji
Jagung
Ekstraksi Ciri Output
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 24
Sistem klasifikasi kualitas biji jagung terdiri dari tiga blok utama, yaitu:
preprocessing, ekstraksi ciri, dan klasifikasi. Sampel akan diolah oleh sistem klasifikasi dan hasilnya berupa klasifikasi kualitas biji jagung. Sistem akan
dirancang menggunakan tampilan Graphical User Interface sehingga tampil lebih menarik dan mudah dioperasikan.
3.3 Diagram Alir Klasifikasi Kualitas Biji Jagung
Proses klasifikasi kualitas biji jagung terbagi menjadi dua skenario, yaitu :
pembuatan database dan pengujian sistem klasifikasi. Prinsipnya, citra latih dan citra uji yang telah diekstraksi dibandingkan jarak terdekatnya dengan K-Nearest Neighbor. Jarak yang terdekat menunjukkan kemiripan suatu citra. Hasil dari kemiripan tersebut berupa kualitas biji jagung pada keluaran. Berikut adalah
diagram alir dari sistem klasifikasi kualitas biji jagung yang terdiri dari
pembuatan database dan proses pengujian.
Mulai
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 25
Database pada sistem adalah ciri dari masing-masing kualitas biji jagung pada citra latih yang disimpan dalam file *.mat. Melalui database ciri citra latih tersebut, maka digunakan untuk membandingkan ciri citra latih dengan ciri citra
uji dalam klasifikasi.
Pengujian pada sistem klasifikasi adalah pengujian berdasarkan parameter
uji yang digunakan. Dalam fase pengujian akan dilakukan uji pengaruh
penggunaan kombinasi ciri yang diekstraksi oleh statistik orde pertama dan orde
kedua, jumlah k, dan metode pengukuran jarak pada K-Nearest Neighbor terhadap akurasi sistem.
3.3.1 Pengambilan Sampel Citra Biji Jagung
Pengambilan sampel citra biji jagung dilakukan dengan meng-capture citra sampel biji jagung menggunakan kamera digital berukuran 12 megapiksel.
Sampel biji jagung yang tersedia sekitar 500 gram per kualitas. Langkah-langkah
dalam akuisisi citra diantaranya : menaruh sampel biji jagung sebanyak 3
genggam di atas wadah, kemudian wadah tersebut diletakkan di dalam kotak yang
telah dibuat khusus, posisi kamera tegak lurus dengan objek dan dengan
ketinggian 15 cm, serta pengaturan cahaya menggunakan 2 lampu LED di dua sisi
objek, lalu dilakukan pengambilan citra.
Mulai
Sampel biji jagung
Penempatan sampel ke dalam kotak
Pengaturan penyinaran
Pengambilan citra
Selesai
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 26
3.3.2 Preprocessing
Preprocessing adalah tahapan yang dilakukan sebelum melakukan ekstraksi ciri. Tahapan yang dilakukan dalam preprocessing adalah sebagai berikut.
Mulai
Input Citra
Cropping
Citra Hasil Cropping
Selesai
Gambar 3.4 Diagram Alir Preprocessing
Proses cropping dilakukan untuk menghilangkan bagian-bagian citra yang tidak perlu dan didapat citra dengan ukuran yang seragam dengan ukuran
2000 x 2000. Citra hasil cropping ini berikutnya akan masuk ke proses ekstraksi
ciri dengan terlebih dahulu diubah ke mode warna grayscale, red, green, dan blue untuk mengetahui mode warna yang paling baik untuk akurasi sistem.
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 27
3.3.3 Pengubahan Mode Warna Citra
Ekstraksi Ciri Citra Hasil
Cropping
Ambil layer red
Ambil layer green
Ambil layerblue
Konversi dari RGB ke Grayscale
Citra green
Citra red
Citra blue
Citra grayscale
Gambar 3.6 Proses Pengubahan Mode Warna Citra
Citra awal yang masuk ke dalam sistem merupakan citra RGB berukuran
3000 x 4000 dengan format JPEG. Setelah melalui tahap cropping dalam sistem, citra yang dihasilkan berukuran 2000 x 2000. Citra tersebut diubah ke 4 mode
warna, yaitu red, green, blue, dan grayscale. Pengubahan warna ini dilakukan untuk mengetahui mode warna yang memiliki akurasi paling baik di dalam sistem.
(a) (b) (c) (d)
Gambar 3.7 (a) Citra Red (b) Citra Green (c) Citra Blue (d) Citra Grayscale
3.3.4 Ekstraksi Ciri
Ekstraksi ciri dilakukan untuk mendapatkan ciri tekstur dari citra biji jagung
yang akan dilatih maupun citra yang akan diuji. Citra yang akan diekstrak untuk
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 28
pengubahan warna, citra diekstrak dengan metode ekstraksi ciri statistik orde
pertama dan orde kedua. Ciri orde pertama terdiri dari lima parameter ciri, yaitu
mean, variance, skewness, kurtosis, dan entropy. Sedangkan ciri orde kedua terdiri dari enam parameter ciri, yaitu angular second moment, contrast, correlation, variance, invers different moment, dan entropy. Ciri latih yang disimpan akan dibandingkan dengan ciri citra uji pada tahapan klasifikasi.
Angular Second Moment Contrast Correlation
Variance Inverse Different
Moment Entropy Mean
Skewness Variance
Kurtosis Entropy Ekstraksi Ciri
Citra Latih
Orde Satu
Orde Dua
Gambar 3.8 Blok Diagram Ekstraksi Ciri
3.3.5 Penentuan Kombinasi Ciri
Pada tahap pengujian, setelah tahap ekstraksi ciri akan ditentukan ciri-ciri
yang akan digunakan. Penentuan dilakukan dengan cara menguji akurasi dari
setiap ciri orde pertama dan orde kedua. Pada tahap ini, diberi batasan bahwa ciri
yang memiliki akurasi lebih dari 55 % yang diambil. Ciri yang diambil ini lalu
saling dikombinasikan untuk mengetahui kombinasi ciri yang menghasilkan
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 29
Mulai Citra Uji Preprocessing Pengubahan mode warna citra
Gambar 3.9Diagram Alir Penentuan Kombinasi Ciri
Seperti yang sudah dijelaskan sebelumnya, kombinasi ciri dilakukan pada
ciri yang ketika diuji memiliki akurasi lebih dari 55 %. Dari ciri yang didapat
akan saling dikombinasikan hingga kombinasi n ciri. Sebagai contoh, jika ada 6
ciri yang memiliki akurasi lebih dari 55 % maka akan dilakukan
kombinasi-kombinasi ciri antara lain : kombinasi-kombinasi 2 ciri, kombinasi-kombinasi 3 ciri, kombinasi-kombinasi 4 ciri,
kombinasi 5 ciri, dan kombinasi 6 ciri. Setelah didapat akurasi masing-masing
dari kombinasi ciri, akan dianalisis kombinasi ciri yang menghasilkan akurasi
tertinggi. Kombinasi ciri dengan akurasi tertinggi akan dipakai saat menganalisa
pengujian menggunakan K-Nearest Neighbor.
3.3.6 Klasifikasi dengan K- Nearest Neighbor
K- Nearest Neighbor (K-NN) adalah metode pengukuran kemiripan yang sederhana. Penelitian Tugas akhir ini menggunakan empat cara dalam pengukuran
kemiripannya, yaitu berdasarkan Euclidean, Cosine, Correlation, dan Cityblock.
Euclidean dan Cityblock tergolong dalam metode pengukuran kemiripan berdasarkan geometrik, sedangkan Correlation dan Cosine tergolong dalam
metode pengukuran kemiripan berdasarkan himpunan.
Analisis yang dilakukan pada K-NN adalah pengaruh penggunaan
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 30
Dipilihnya nilai k yang ganjil agar mengurangi kesalahan algoritma jika peluang kemiripannya sama.
3.4 Analisis Performansi Sistem
Untuk parameter akurasi sistem, ditentukan dengan perbandingan
banyaknya pengujian tepat dengan banyaknya seluruh pengujian, sebagai berikut :
Pada bab ini akan dijelaskan beberapa hal terkait dengan analisis ekstraksi
ciri menggunakan metode statistik orde pertama dan orde kedua terhadap akurasi
sistem, analisis hasil pengujian klasifikasi dengan K-Nearest Neighbour ditinjau dari penggunaan nilai k dan metode pengukuran jarak (distance), serta analisis waktu komputasi sitem.
4.1Analisis Ekstraksi Ciri dengan Statistik Orde Pertama dan Orde Kedua Di bawah ini akan diberikan tabel-tabel hasil percobaan dengan spesifikasi
simulasi sebagai berikut :
1. Citra latih berjumlah 45 citra (3 kualitas biji jagung, masing-masing 15
citra) dan citra uji berjumlah 135 citra (3 kualitas biji jagung,
masing-masing 45 citra).
2. Citra yang diproses oleh sistem adalah citra red, citra green, citra blue, dan citra grayscale,
3. Ciri statistik orde pertama yang diambil adalah mean, variance, skewness, kurtosis, dan entropy.
4. Ciri statistik orde kedua yang diambil adalah angular second moment, contrast, correlation, variance, inverse different moment, dan entropy. 5. Ciri yang memiliki akurasi lebih dari 55 %, saling dikombinasikan agar
didapatkan akurasi tertinggi.
6. Parameter K-Nearest Neighbor pada ekstraksi ciri statistik orde pertama dan orde kedua adalah : k = 1 dan Euclidean Distance (default).
7. Untuk lebih detailnya hasil akurasi tiap simulasi dapat dilihat di lampiran
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 32
4.1.1 Ekstraksi Ciri Citra Red
Tabel 4.1Hasil akurasi dari ekstraksi ciri citra red
CITRA RED Jumlah Data Benar Benar Total Akurasi (%)
Kualitas 1 Kualitas 2 Kualitas 3
Ciri Statistik Mean 12 13 24 49 36,29
Orde Satu Variance 42 23 17 81 60,74
Skewness 32 23 31 86 63,70
Kurtosis 28 14 37 79 58,52
Entropy 42 20 20 82 60,74
Ciri Statistik Orde Dua
Angular Second
Moment 44 21 35 100 74,07
Contrast 13 24 22 59 43,70
Correlation 10 18 23 51 37,78
Variance 14 18 23 55 40,74
Inverse Different
Moment 13 37 6 56 41,48
Entropy 44 22 29 95 70,37
Dari Tabel 4.1 dapat dipilih atau ditentukan bahwa ada 6 ciri yang
memberikan akurasi cukup signifikan yakni lebih dari 55 % pada citra red, yaitu variance orde satu (variance1), skewness, kurtosis, entropy orde satu (entropy1), angular second moment, dan entropy orde dua (entropy2). Hal ini menunjukkan bahwa citra red biji jagung memiliki variasi elemen yang banyak pada histogram, tingkat kemencengan relatif kurva histogram yang tinggi, tingkat keruncingan
relatif kurva histogram yang tinggi, bentuk citra yang teratur, homogenitas citra
yang tinggi, dan transisi derajat keabuan yang merata. Dari ciri-ciri yang terpilih
pada citra red ini dilakukan 5 kombinasi ciri, antara lain : kombinasi dua ciri,
kombinasi tiga ciri, kombinasi empat ciri, kombinasi lima ciri, dan kombinasi
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 33
4.1.2 Ekstraksi Ciri Citra Green
Tabel 4.2Hasil akurasi dari ekstraksi ciri citra green
CITRA GREEN Jumlah Data Benar Benar Total Akurasi (%)
Kualitas 1 Kualitas 2 Kualitas 3
Ciri Statistik Mean 16 11 9 36 26,67
Orde Satu Variance 35 19 23 77 57,04
Skewness 21 28 27 76 56,29
Kurtosis 22 21 13 56 41,48
Entropy 39 16 20 75 55,56
Ciri Statistik Orde Dua
Angular Second
Moment 43 11 19 73 54,07
Contrast 45 14 19 78 57,78
Correlation 12 18 21 51 37,78
Variance 15 17 22 54 40,00
Inverse Different
Moment 12 40 5 57 42,22
Entropy 44 13 18 75 55,56
Dari Tabel 4.2 dapat dipilih atau ditentukan bahwa ada 5 ciri yang
memberikan akurasi cukup signifikan yakni lebih dari 55 % pada citra green, yaitu variance orde satu (variance1), skewness, entropy orde satu (entropy1), contrast, dan entropy orde dua (entropy2). Hal ini menunjukkan bahwa citra green biji jagung memiliki variasi elemen yang banyak pada histogram, tingkat kemencengan relatif kurva histogram yang tinggi, bentuk citra yang teratur, letak
penyebaran elemen-elemen matriks citra jauh dari diagonal utama, dan transisi
derajat keabuan yang merata. Dari ciri-ciri yang terpilih pada citra green ini
dilakukan 4 kombinasi ciri, antara lain : kombinasi dua ciri, kombinasi tiga ciri,
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 34
4.1.3 Ekstraksi Ciri Citra Blue
Tabel 4.3Hasil akurasi dari ekstraksi ciri citra blue
Dari Tabel 4.3 dapat dipilih atau ditentukan bahwa ada 3 ciri yang
memberikan akurasi cukup signifikan yakni lebih dari 55 % pada citra blue, yaitu mean, contrast, dan entropy orde dua (entropy2). Hal ini menunjukkan bahwa citra blue biji jagung memiliki ukuran dispersi citra yang tinggi, letak penyebaran elemen-elemen matriks citra jauh dari diagonal utama, dan transisi derajat
keabuan yang merata. Dari ciri-ciri yang terpilih pada citra blue ini dilakukan 2 kombinasi ciri, antara lain : kombinasi dua ciri dan kombinasi tiga ciri.
CITRA BLUE Jumlah Data Benar Total
Benar
Akurasi (%)
Kualitas 1 Kualitas 2 Kualitas 3
Ciri Statistik Mean 33 19 36 88 65,19
Orde Satu Variance 31 26 13 70 51,85
Skewness 8 25 15 48 35,56
Kurtosis 28 25 16 69 51,11
Entropy 33 21 17 71 52,59
Ciri Statistik Orde Dua
Angular Second
Moment 34 12 24 70 51,85
Contrast 44 16 16 76 56,29
Correlation 38 21 10 69 51,11
Variance 36 28 9 73 54,07
Inverse Different
Moment 12 37 3 52 38,52
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 35
4.1.4 Ekstraksi Ciri Citra Grayscale
Tabel 4.4Hasil akurasi dari ekstraksi ciri citra grayscale
CITRA GRAYSCALE Jumlah Data Benar Total
Benar
Akurasi (%)
Kualitas 1 Kualitas 2 Kualitas 3
Ciri Statistik Mean 11 15 8 34 25,19
memberikan akurasi cukup signifikan yakni lebih dari 55 % pada citra grayscale,
yaitu variance orde satu (variance1), entropy orde satu (entropy1), contrast, dan entropy orde dua (entropy2). Hal ini menunjukkan bahwa citra grayscale biji jagung memiliki variasi elemen yang banyak pada histogram, bentuk citra yang
teratur, letak penyebaran elemen-elemen matriks citra jauh dari diagonal utama,
dan transisi derajat keabuan yang merata. Dari ciri-ciri yang terpilih pada citra
grayscale ini dilakukan 3 kombinasi ciri, antara lain : kombinasi dua ciri,
kombinasi tiga ciri, dan kombinasi empat ciri.
4.1.5 Kombinasi Ciri
Ciri-ciri yang terpilih pada masing-masing citra red, citra green, citra blue, dan citra grayscale akan saling dikombinasikan untuk mendapat akurasi terbaik dari masing-masing kombinasi. Setelah itu akan dianalisis akurasi tertinggi
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 36
4.1.5.1 Kombinasi Ciri Citra Red
Tabel 4.5Hasil akurasi dari kombinasi dua ciri citra red
KOMBINASI CIRI
Variance1 dan Angular Second
Moment 42 23 17 82 60,74
Variance1 dan Entropy2 42 23 17 82 60,74
Skewness dan Kurtosis 28 21 38 87 64,44
Skewness dan Entropy1 40 25 41 106 78,52
Skewness dan Angular Second
Moment 32 23 31 86 63,70
Skewness dan Entropy2 45 28 28 101 74,82
Kurtosis dan Entropy1 40 22 38 100 74,07
Kurtosis dan Angular Second
Moment 28 14 37 79 58,52
Kurtosis dan Entropy2 43 25 37 105 77,78
Entropy1 dan Angular Second
Moment 42 20 20 82 60,74
Entropy1 dan Entropy2 45 30 26 101 74,82
Angular Second Moment dan
Entropy2 44 22 29 95 70,37
Dari hasil kombinasi dua ciri pada Tabel 4.5 dapat dipilih atau ditentukan
bahwa kombinasi ciri yang menghasilkan akurasi paling tinggi yaitu kombinasi
ciri skewness dengan entropy orde satu, dengan nilai akurasi sebesar 78,52 %. Sedangkan kombinasi ciri yang menghasilkan akurasi terendah yaitu kombinasi
ciri kurtosis dengan angular second moment, dengan nilai akurasi sebesar 58,52 %. Hal ini menunjukkan bahwa kombinasi parameter tingkat kemencengan relatif
kurva histogram dan keteraturan bentuk citra menghasilkan nilai ciri yang relatif
mirip antara citra latih dan citra uji. Sedangkan kombinasi parameter tingkat
keruncingan relatif kurva histogram dan homogenitas citra menghasilkan nilai ciri
yang kurang memiliki kemiripan antara citra latih dengan citra uji. Semakin mirip
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan
Citra Digital 37
Tabel 4.6Hasil akurasi dari kombinasi tiga ciri citra red
KOMBINASI CIRI CITRA RED
Jumlah Data Benar Total
Benar
Akurasi (%)
Kualitas 1 Kualitas 2 Kualitas 3
Variance1, Skewness, dan
Skewness, Kurtosis, dan Angular
Second Moment 28 21 38 87 64,44
Kurtosis, Entropy1, dan Angular
Second Moment 40 22 38 100 74,07
Dari hasil kombinasi tiga ciri pada Tabel 4.6 dapat dipilih atau ditentukan
bahwa kombinasi ciri yang menghasilkan akurasi paling tinggi yaitu kombinasi