232843333 contoh laporan TA Image Processing

(1)

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

(2)

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

(3)

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

(4)

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%.

(5)

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%.

(6)

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

(7)

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.

(8)

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

(9)

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

(10)

x

(11)

xi

Gambar 2.2 Biji Jagung Kualitas 1 ...7

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

(12)

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 2.6 Matriks Akhir Iterasi Sudut 0o ... 17

Tabel 2.7 Matriks Kookurensi Sudut 0o (M(0)) ... 18

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

(13)

xiii SNI Standar Nasional Indonesia

GUI Graphical User Interface RGB Red, Green, Blue

(14)

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

(15)

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

(16)

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

(17)

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

(18)

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

(19)

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:

(20)

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.

(21)

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

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

(22)

Citra Digital 8

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

(23)

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,

(24)

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

(25)

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

(26)

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

(27)

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.

(28)

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.

(29)

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

(30)

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.

1 2 3 4

1 0 0 0 0

2 1 0 0 0

3 0 0 0 0

4 0 0 0 0

(31)

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.

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

(32)

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.

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

(33)

Citra Digital 19

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

(34)

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 :

(35)

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

(36)

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

(37)

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

(38)

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

(39)

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

(40)

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.

(41)

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

(42)

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

(43)

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

(44)

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 :

(45)

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

(46)

Citra Digital 32

4.1.1 Ekstraksi Ciri Citra Red

Tabel 4.1Hasil akurasi dari ekstraksi ciri citra red

CITRA RED Jumlah Data Benar _BenarTotal 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

(47)

Citra Digital 33

4.1.2 Ekstraksi Ciri Citra Green

Tabel 4.2Hasil akurasi dari ekstraksi ciri citra green

CITRA GREEN Jumlah Data Benar _BenarTotal Akurasi _(%)

Skewness 21 28 27 76 56,29

Kurtosis 22 21 13 56 41,48

Entropy 39 16 20 75 55,56

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

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,

(48)

Citra Digital 34

4.1.3 Ekstraksi Ciri Citra Blue

Tabel 4.3Hasil akurasi dari ekstraksi ciri citra blue

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 (%)

Skewness 8 25 15 48 35,56

Kurtosis 28 25 16 69 51,11

Entropy 33 21 17 71 52,59

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

(49)

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 (%)

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

(50)

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

(51)

Citra Digital 37

Tabel 4.6Hasil akurasi dari kombinasi tiga ciri citra red

KOMBINASI CIRI CITRA RED

Jumlah Data Benar Total

Benar

Akurasi (%)

Variance1, Skewness, dan