BAB II
LANDASAN TEORI 2.1 Tinjauan Pustaka
Terdapat beberapa penelitian yang telah dilakukan dengan menggunakan algoritma Fuzzy C-Means untuk mengambil informasi yang terdapat dalam suatu citra. Oleh karena itu dalam penelitian ini diperlukan tinjauan pustaka yang digunakan sebagai pedoman penerapan algoritma agar tidak terjadi pembuatan secara berulang dan dapat mengetahui penelitian yang memiliki pembahasan yang sama terhadap objek penelitian yang sedang diteliti, serta dapat digunakan untuk melanjutkan pada penelitian selanjutnya daftar literaur yang digunakan dapat dilihat pada Tabel 2.1.
Tabel 2. 1 Daftar Literatur
No Nama Peneliti Tahun Judul
1
(Wibisono &
Mujiono, 2018)
2018
Segmentasi Fuzzy C-Means Untuk Membantu Identifikasi Kualitas Beras Berdasarkan Nilai Threshold, Warna, dan Ukuran.
2
(Nurmuslimah, 2016)
2016
Implementasi Metode Backpropagation Untuk Mengidentifikasi Jenis Biji Kakao Yang Cacat Berdasarkan Bentuk Biji
3
(Nurjanah, et al., 2014)
2014
Implementasi Metode Fuzzy C-Means Pada Sistem Clustering Data Varietas Padi.
Tabel 2.1 Daftar Literatur ( Lanjutan )
4
(Wibisono, et al., 2019)
2019
Segmentasi Fuzzy C-Means dan Neural Network Untuk Membantu Identifikasi Kualitas Jeruk Berdasarkan Warna dan Ukuran.
5
(Heriana &
Hidayat, 2011)
2011
Klasifikasi Mutu Buah Manggis Berdasarkan Warna Berbasis Fuzzy C-Means dan Template Matching.
6
(HauMahu, 2019)
2019
Implementasi Jaringan Syaraf Tiruan Unruk Pengenalan Pola Notasi Balok Menggunakan Metode Backpropagation
7
(Lamani, et al., 2018)
2018
Pomegranate Fruits Disease Classification with Fuzzy C-Means Clustering.
8
(Sowmya &
Rani, 2011)
2011
Colour Image Segmentation using Fuzzy Techniques and Competitive Neural Network
9
(Kumari, et al., 2018)
2018
Plant Leaf Detection Using Fuzzy C-Means Clustering Algorithm
10
(Aghajari &
Gharpure, 2012)
2012
Fuzzy C-Means clustering algorithm for quality inspection of fruit based on sensor data.
2.1.1 Literatur 1
Penelitian tentang klasifikasi suatu objek menggunakan citra yang dimiliki berdasarkan ciri citra terdapat pada judul penelitian yaitu Segmentasi Fuzzy C-Means Untuk Membantu Identifikasi Kualitas Beras Berdasarkan Nilai Threshold, Warna, dan Ukuran. Objek yang digunakan dalam penelitian ini ialah citra beras yang berguna untuk mengidentifiaksi suatu kualitas yang dimiliki suatu beras tersebut. Dalam penelitian ini terdapat beberapa tahap dalam melakukan klasifikasi kualitas beras yaitu tahap pertama ialah melakukan pre-processing terhadap citra beras dengan cara melakukan segmentasi berbasis histogram untuk menghasilkan label pada setiap region. Tahap kedua yaitu melakukan pengelompokan data (klasterisasi) dengan menggunakan keberadaan setiap titik data pada suatu klaster yang ditentukan oleh derajat keanggotaannya. Tahap terakhir ialah melakukan validasi dan evaluasi untuk memastikan ketepatan hasil klasifikasi agar mendapatkan hasil berupa informasi kualitas beras berdasarkan warna, bentuk, dan ukuran yan g dimiliki. (Wibisono & Mujiono, 2018).
2.1.2 Literatur 2
Pada penelitian ini metode yang digunakan dalam melakukan identifikasi suatu jenis biji kakao yang cacat menggunakan Jaringan Syaraf Tiruan yaitu Backpropagation. Klasifikasi terhadap jenis cacat yang dimiliki suatu biji kakao dilakukan dengan menggunakan deteksi tepi untuk mengetahui bentuk biji kakao dalam bentuk citra biner, kemudian nilai biner digunakan untuk melakukan pelatihan data pada Backpropagation. Dengan menggunakan Backpropagation tingkat kesalahan pada saat melakukan klasifikasi temsuk kecil yaitu sekitar 24%, dan untuk tingkat keberhasilan mencapai 76% oleh karena itu identifikasi jenis
cacat pada biji kakao mampu mendapatkan tingkah kesalahan yang kecil dan sistem juga dapat digunakan. (Nurmuslimah, 2016).
2.1.3 Literatur 3
Pada penelitian ini menggunakan data berupa varietas padi hasil mutasi hasil sinar gamma, kemudian dikelopokkan menjadi empat klaster dengan menggunakan algoritma Fuzzy C-Means berdasarkan umur panen, skor produktif, dan bobot 1000. Proses klasterisasi dengan Fuzzy C-Means menggunakan empat klaster yaitu klaster pertama memiliki umur panen terendah ketiga, hasil anakan produktif tertinggi, dan 1000 terberat ketiga. Klaster kedua memiliki umur panen pertama terendah, hasil anakan produktif tertinggi kedua dan 1000 terberat kedua.
Klaster ketiga memiliki umur panen terendah ketiga hasil anakan produktif tertinggi keempat, dan bobot 1000 tertinggi keempat. Klaster keempat memiliki umur panen tertinggi keempat terendah, anakan produktif ketiga terbanyak, dan bobot 1000 terberat keempat. Hasil yang didapat setelah melakukan klasifikasi ialah berupa varietas unggul yaitu varietas yang masuk dalam kategori tinggi. Berdasarkan kelima varietas paling banyak masuk dalam kategori tinggi yaitu varietas kuatek dengan dosis 30 krad yaitu sebanyak 371 data padi atau sebesar 67,82% data padi masuk dalam kategori tinggi. (Nurjanah, et al., 2014).
2.1.4 Literatur 4
Kematangan suatu buah dapat ditentukan oleh beberapa faktor diantaranya ialah faktor ukuran, berat, warna, dan keharuman yang dimiliki oleh buah tersebut. Pada penelitian ini dalam melakukan klasifikasi kualitas buah menggunakan Fuzzy C-Means dan Neural Network (NN PSO), berdasarkan ciri fisik pada buah yang akan dianalisis seperti warna, ukuran, dan berat. Tujuan
penelitian ini ialah untuk membandingkan tingkat keberhasilan lebih baik antara penggunaan algoritma Fuzzy C-Means dengan algoritma Neural Network.
Berdasarkan hasil uji coba yang dilakukan dengan menggunakan 50 buah jeruk siam yang terdiri dari 25 jeruk siam jawa mentah dan 25 jeruk siam jawa matang menunjukkan bahwa metode yang diusulkan dapat digunakan untuk melakukan kalsifikasi terhadap buah jeruk dengan tingkat akurasi cukup baik yaitu 83%.
(Wibisono, et al., 2019).
2.1.5 Literatur 5
Penggunaan algoritma Fuzzy C-Means dalam melakukan klasifikasi juga terdapat dalam penelitian dengan judul Klasifikasi Mutu Buah Manggis Berdasarkan Warna Berbasis Fuzzy C-Means dan Template Machine. Pada penelitian ini algoritma Fuzzy C-Means digunakan untuk melakukan klasifikasi terhadap mutu buah manggis dengan menggunakan citra buah manggis yang diambil menggunakan perangkat digital ( seperti kamera ). Proses klasifikasi mutu buah manggis dengan Fuzzy C-Means didasarkan pada perbedaan warna yang dimiliki oleh sebuah manggis, dalam proses klasifikasi Fuzzy C-Means akan menghasilkan klaster warna yang cukup akurat dengan waktu kalkulasi lebih lama.
Pengujian terhadap citra buah manggis yang beragam menghasilkan dua kelas kelompok pada ukuran diameter dan warna, pada kelompok diameter terbagi enjadi dua kelas yairu kelas manggis mutu super dengan ukuran diameter >65mm, dan kelas manggis mutu satu dengan ukuran diameter 55 – 56 mm, kemudian pada kelompok warna terbagi menjadi dua yaitu manggis mutu satu dengan warna kulit buah kemerahan, dan manggis mutu super dengan warna kulit hijau. Pengujian dengan menggunakan 10 citra manggis, pengklasifikasian buah manggis
berdasarkan analisis rerata komponen warna RGB dan gray dengan tingkat kesalahan 10%. (Heriana & Hidayat, 2011).
2.1.6 Literatur 6
Penggunaan jaringan Syaraf Tiruan Backpropagation untuk klasifikasi cukup baik oleh karena ini pada penelitian yang bejudul Implementasi Jaringan Syaraf Tiruan Unruk Pengenalan Pola Notasi Balok Menggunakan Metode Backpropagation. Menggunakan Backpropagation untuk melakukan pengenalan pola terrhadap notasi not balok. Sebelum data diklasifikasi, data citra notasi not balok dilakukan pre processing dan mengubah gambar menjadi citra biner.kemudian citra biner dilakukan pelatihan dengan Backpropagatin.
Berdasarkan hasil penelitian bahwa metode Backpropagation dapat digunakan untuk melakukan pengenalan pola terhadap notasi not balok dengan presentase keakuratan dari pengujian notasi balok yaitu sebesar 78,34% dengan nilai keakuratan tertinggi dapat mencapai 91,20% dan nilai keakuratan terendah bernilai 62,36%.
2.1.7 Literatur 7
Penelitian ini bertujuan untuk melakukan pendeteksian penyakit yang terdapat pada buah delima dengan menggunakan algoritma Fuzzy C-Means.
Deteksi penyakit yang terdapat pada bah delima dilakukan dengan menggunakan citra buah delima yang diperoleh dengan menggunakan kamera digital maupun kamera handphone. Sebelum dilakukan proses deteksi penyakit citra delima harus dilakukan pre-processing untuk menghilangkan area yang tidak diperlukan untuk memudahkan dalam menganalisis citra delima, kemudian dapat dilakukan segmentasi untuk memisahkan objek dan mengenali tepi objek yang sedang diteliti.
Pada penelitian ini proses pengambilan fitur buah menggunakan pendekatan Fuzzy C-Means dan K-Means. Pendekatan ini bertujuan untuk mengidentifikasi penyakit buah delima. Analisis dengan menggunakan Fuzzy C-Means menunjukkan hasil akurasi yang dapat diterima. (Lamani, et al., 2018).
2.1.8 Literatur 8
Membagi gambar menjadi beberapa bagian yang terdiri dari sekumpulan piksel disebut segmentasi. Pada penelitian ini menggunakan dua metode yaitu metode Fuzzy C-Means dan Neural Network yang digunakan untuk melakukan segmentasi terhadap sebuah citra. Segmentasi menggunakan Fuzzy C-Means memiliki proses yang cukup lambat, sendangkan proses segmentasi menggunakan Neural Network cukup cepat dan menghasilkan pengelompokkan yang lebih baik dari metode lain. Pada penelitian ini menunjukkan hasil lebih baik dibanding Fuzzy C-Means terhadap reproduksi gambar dan rasio kompresi. (Sowmya & Rani, 2011).
2.1.9 Literatur 9
Penyakit pada tanaman sering terjadi disebabkan oleh jamur maupun bakteri yang tumbuh pada tanaman tersebut. Penyakit yang terdapat pada sebuah tanaman dapat diidentifikasi dengan mengamati pola yang berbeda pada tanaman tersebut. Pada penelitian ini untuk mendeteksi penyakit yang terdapat pada tanaman dengan menggunakan citra sebuah tanaman kemudian akan dilakukan proses deteksi penyakit menggunakan algoritma Fuzzy C-Means. Sebelum melakukan pengujian , citra tanaman yang dimiliki akan dilakukan proses pre-processing, segmentasi citra, dan ekstraksi fitur. Kemudian citra akan diproses menggunakan Fuzzy C-Means untuk mendeteksi penyakit yang berada pada tanaman menunjukkan efiensi dan penyakit yang berada pada tanaman dapat terdeteksi sejak
dini. Penelitian ini menunjjukan akurasi yang cukup baik yaitu 90%, dan dapat diperbaiki dengan meningkatkan basis data. (Kumari, et al., 2018).
2.1.10 Literatur 10
Penelitian ini bertujuan untuk mengetahui kualitas suatu buah menggunakan algoritma Fuzzy C-Means. Citra buah yang akan diteliti melewati beberapa proses yaitu pre-processing, kemudian dapat dilakukan ekstraksi ciri dan Discrete Wavelet Transform (DWT). Tahap selanjutnya ialah pengklasifikasian data output yang dihasilkan pada proses DWT ( Discrete Wavelet Transform ) untuk mendapatkan klaster dalam sebuah gambar. Hasil kualitas buah dengan menggunakan Fuzzy C-Means berdasarkan penampilan warna dapat ditampilkan dengan cepat secara real time aplikasi dengan waktu rata – rata 9,8 detik.
Penggunaan Fuzzy C-Means untuk menentukan kualitas buah mencapai akurasi yang baik yaitu 95%. (Aghajari & Gharpure, 2012).
2.2 Pengolahan Citra Digital
Pengolahan citra digital merupakan bidang ilmu yang mempelajari hal – hal yang berkaitan dengan perbaikan kualitas citra seperti meningkatkan kontras, melakukan perrubahan warna, dan restorasi citra. Pada pengolahan citra digital dapat juga melakukan transformasi suatu gambat seperti (transisi, rotasi, transformasi, skala, dan geometrik), dapat melakukan pemilihan ciri citra yang optimal bertujuan untuk melakukan analisis, melakukan penyimpanan data yang sebelumnya dilakukan suatu reduksi dan kompresi, transmisi data, dan waktu proses data. Bagan sederhana proses pengolahan citra digital dapayy dilihat pada gambar 2.1. (Munantri, et al., 2019).
Image Processing
Input Image Output Image
Gambar 2. 1 Proses Sederhana Pengolahan Citra Sumber : (Munantri, et al., 2019)
2.2.1 Citra Digital
Citra digital adalah gambar yang dihasilkan dengan melakukann penangkapan suatu objek fisik dengan menggunakan peralatan digital seperti kamera digital maupun kamera handphone menjadi suatu gambar dua dimensi dimana setiap bagian dari gambar dipresentasikan dalam bentuk piksel. Citra yang dihasilkan berupa foto, berupa sinyal yang bersifat analog seperti gambar yang terdapat dalam sebuah komputer dan televisi, atau bersifat digital yang disimpan dalam pita magnetik. Sebuah komputer hanya dapat mengolah suatu data dalam bentuk numerik sehingga gambar yang akan diproses diubah terlebih dahulu kedalam bilangan numerik, oleh karena itu untuk mengubah suatu gambar yang masih dalam bentuk visual menjadi gambar digital dilakukan pembuatan kisi – kisi arah horizontal dan vertikal sehingga diperoleh gambar dalam bentuk numerik yaitu array dua dimensi. (Shilihin & Purwoto, 2014).
2.2.2 Komponen Pengolahan Citra
Menurut (Prasetyo, 2011), bahwa pengolahan citra terdiri dari beberapa komponen dapat dilihat pada Gambar 2.2.
Gambar 2. 2 Komponen Sistem Pengolahan Citra Digital Sumber : (Prasetyo, 2011)
Dua elemen dalam pengambilan citra digital yang pertama ialah perangkat fisik yang sensitif terhadap energi yang diradiasi suatu objek yang diinginkan untuk menjadi sebuah citra. Kedua ialah digitizer ialah perangkat lunak yang digunakan untuk mengkonersi suatu keluaran yang berasal dari perangkat fisik kedalam suatu citra.
2.3 Segmentasi Citra
Segmentasi citra adalah teknik yang digunakan untuk membagi suatu citra menjadi beberapa daerah, dimana pada setiap daerah memiliki kemiripan atribut.
Segmentasi citra dapat membagi suatu citra menjadi wilayah yang homogen berdasarkan kriteria keseragaman yang tertentu antara tingkat keabuan suatu piksel dengan tingkat keabuan piksel tetangganya, kemudian hasil dari proses segmentasi dapat dijadikan untuk proses tngkat lanjut seperti proses klasifikasi citra dan identifikasi objek. Adapun algoritma yang dapat dijadikan proses segmentasi diantaranya : algoritma deteksi tepi, dan deteksi garis.
Segmentasi juga dapat dilakukan dengan menggunakan metode berbasis klasterisasi. Segmentasi berbasis klasterisasai menggunakan data multidimensional
untuk mengelompokkan suatu piksel citra ke dalam beberapa klaster. Metode dalam segmentasi berbasis klasterisasi antara lain Fuzzy K-means, Fuzzy C-Means, dan jaringan syaraf kohonen, dan berbagai jenis klasterisasi lainnya.
2.4 Normalisasi
Normalisasi data merupakan suatu teknik yang digunakan untuk mengatasi suatu fitur yang memiliki nilai dengan jangkauan berbeda. Akibatnya fitur yang memiliki jangkauan nilai besar memiliki pengaruh lebih besar dibandingkan fitur yang memiliki jangkauan nilai kecil. Oleh karena itu dilakukan normalisasi data agar seluruh fitur memiliki jangkauan nilai yang sama. ( (Prasetyo, 2014).
Untuk melakukan normalisasi terhadap suatu kelompok data dengan menggunakan jangkauan [0 1] dapat menggunakan persanaab berikut :
𝑥̂ = 𝑥𝑖𝑘 − min(𝑥𝑘)
max(𝑥𝑘) − min(𝑥𝑘)… … … . . … (2.1)
Keterangan :
x = nilai normalisasi
xik = nilai data ke-x
Max xk = nilai maksimal dari setiap data Min xk = nilai minimal dari setiap data.
2.5 Klasterisasi (Clustering)
Pengelompokkan suatu data dapat dilakukan dengan menggunakan algoritma yang telah ditentukan dan selanjutnya data akan diproses oleh algoritma untuk dikelompokkan menurut karakteristiknya. Banyak metode klaster yang telah
dikembangkan oleh para ahli, masing – masing metode memliki karakter, kelebihan, dan kekurangan. Klasterisasi dapat dibedakan sebagai berikut : (Prasetyo, 2014).
1. Klasterisasi Menurut Strukur
Klasterisaisi menurut strukrtur terbagi menjadi dua yaitu hirarki dan partisi.
Pengelompokkan berbasis hirarki (hirarchical clustering), ialah satu tunggal data dianggap sebuah klaster, klaster kecil yang memiliki dua anggota atau lebih dapat digabungkan menjadi sebuah klaster besar, begitu seterusnya hingga semua data dapat bergabung menjadi sebuah klaster. Pengelompokkan berbasis partisi ialah membagi set data kedalam sejumlah klaster dan tidak saling bertumpuk antara satu klaster dengan klaster lainnya, oleh karena itu setiap data hanya menjadi satu klaster saja.
2. Klasterisasi menurut data dalam klaster
Klaster dapat dibagi menjadi dua kategori yaitu eklusif dan tumpang-tindih.
Kategori eklusif ialah sebuah data hanya dapat menjadi anggota pada satu klaster dan tidak dapat menjadi anggota klaster lainnya. Metode klaster yang termasuk dalam kategori ini adalah K-Means, DBSCAN, dan SOM. Pada kategori tumpang- tindih dimana sebuah data diperbolehkan menjadi anggota dari satu atau lebih kelompok klaster, metode klaster yang termasuk dalam kategori ini adalah Fuzzy C-Means dan pengelompokkan berbasis hirarki.
3. Klasterisasi menurut kategori pengelompokkan
Klaterisasi pada kategori ini terbagi menjadi dua yaitu komplet dan parsial.
Jika semua data dapat digabungkan menjadi satu ( partisi ) maka dapat dikatakan semua data kompak menjadi satu klaster tetapi jika ada satu atau dua data yang
tidak ikut bergabung dalam klaster mayoritas maka data tersebut dapat dikatajab data yang memiliki perilaku menyimpang. Data yang menyimpang dikenal dengan sebutan outlier, noise, bahkan uninsterested back-ground. Metode yang dapat melakukan deteksi outlier ialah DBSCAN, tetapi K-Means juga dapat melakukan deteksi dengan menggunakan sejumlah komputasi tambahan.
2.6 Ekstraksi Ciri
Ekstraksi ciri merupakan proses pengambilan suatu data pada citra yang berupa ciri atau karakteristik yang dimiliki suatu objek yang akan digunakan sebagai pembeda antar objek. Karakteristik inilah yang digunakan sebagai parameter untuk menggambarkan sebuah objek nilai dari parameter tersebut kemudian digunakan sebagai data masukkan dalam proses klasifikasi. Pada penelitian ini menggunakan empat ekstraksi ciri yang digunakan yaitu warna, bentuk, ukuran, dan fitur yang terdapat pada objek kedelai. (Andono, et al., 2017).
2.5.1 Ekstraksi Ciri Warna
Ciri warna digunakan apabila sebuah objek yang akan dikenali memiliki warna berbeda. Pada penelitian ini peneliti untuk melakukan ekstraksi ciri citra RGB dengan menggunakan HSV(Hue, Saturation, Value). Menurut (Novan &
Ridwan, 2019) HSV memiliki karakterisktik pokok dari warna antara lain sebagai berikut :
1. Hue digunakan untuk menentukan nilai kemerahan (redness) dan kehijauan (greeness) dan sebagainya.
2. Saturation digunakan untuk menentukan kemurnian atau kekuatan warna.
3. Value merupakan kecerahan dari suatu warna dengan kisaran nilai dari 0- 100%. Apabila nilai yang dimiliki 0 maka akan berwarna hitam, tetapi
semakin besar nilai maka semakin cerah dan muncul variasi baru dari warna tersebut.
Proses mendapatkan nilai HSV dari setiap warna yang ingin ditampilkan harus melalui proses perhitungan dengan melakukan konversi ruang warna RGB (Red, Green, Blue) ke ruang warna HSV (Hue, Saturatuion, Value) dengan menggunakan persamaan seperti langkah berikut :
a. Lakukan normalisai nilai RGB dengan menggunakan persamaan berikut :
𝑟 = 𝑅
𝑅 + 𝐵 + 𝐺 , 𝑔 = 𝐺
𝑅 + 𝐺 + 𝐵 , 𝑏 = 𝐵
𝑅 + 𝐺 + 𝐵. . (2.2) b. Mencari nilai Value dengan menggunakan persamaan berikut:
𝑉 = 𝑚𝑎𝑘𝑠(𝑟, 𝑔, 𝑏) … … … . … … … … . . . (2.3) c. Mencari nilai saturation dengan menggunakan persamaan berikut:
𝑆 = 0 , 𝐽𝑖𝑘𝑎 𝑉 = 0 … … … . . (2.4)
𝑆 = 1 −min(𝑟, 𝑔, 𝑏)
𝑉 , 𝐽𝑖𝑘𝑎 𝑉 > 0 … … … . . . (2.5) d. Mencari nilai Hue dengan menggunakan persamaan berikut :
𝐻 = 0 , 𝐽𝑖𝑘𝑎 𝑆 = 0
𝐻 = 60 𝑥𝑔 − 𝑏
𝑆 ∗ 𝑉 , 𝐽𝑖𝑘𝑎 𝑚𝑎𝑘𝑠 = 𝑏
𝐻 = 60𝑥 (2 +𝑏 − 𝑟
𝑆 ∗ 𝑉 ) , 𝐽𝑖𝑘𝑎 𝑚𝑎𝑘𝑠 = 𝑔 𝐻 = 60𝑥 (4 +𝑟 − 𝑔
𝑆 ∗ 𝑉 ) , 𝐽𝑖𝑘𝑎 𝑚𝑎𝑘𝑠 = 𝑏
𝐽𝑖𝑘𝑎 𝐻 < 0, 𝑚𝑎𝑘𝑎 𝐻 = 𝐻 + 360 … … … . … … … . . . (2.6)
Dimana : H = nilai Hue
R = nilai warna merah G = nilai warna hijau B = nilai warna biru V = Nilai Value S = nilai Saturation 2.5.2 Ekstraksi Bentuk
Ciri bentuk digunakan untuk membedakan suatu objek yang memiliki bentuk yang berbeda secara geometris. Pada penelitian ini untuk mendapatkan nilai bentuk pada biji kedelai menggunakan eccntricity dan metric.
1. Eccentricity
Eccentricity merupakan jarak perbandingan antara foci eclips minor dan foci eclips mayor. Eccentricity memiliki rentang nilai 0 dan 1. Jika eccentricity bernilai satu maka objek berbentuk memanjang atau menyerupai garis lurus, sedangkan jika eccentricity memiliki nilai mendekati 0 maka objek bentuk lingkaran. Perhitungan eccentricity dapat diilustrasikan seperti pada Gambar 2.3.
Gambar 2. 3 Perhitungan eccentricity Sumber : (Rahman & Dafitri, 2019)
Perhitungan eccentricity dilakukan menggunakan persamaan berikut :
𝑒 = √1 −𝑏2
𝑎2… … … . (2.7)
Dimana : e = Eccentricity a = mayor axis b = minor axis 2. Matric
Matric merupakan sebuah nilai perbandingan antara luas dan keliling objek yang disebut dengan ukuran kebundaran (roundness). Matric memiliki rentang nilai yaitu 1 dan 0, jika nilai matris mendekati 0 maka objek berbentuk garis lurus sedangkan jika nilai matric mendekati 1 maka objek berbentuk lingkaran. (Rahman & Dafitri, 2019).
Persamaan matris dapat dilihat dalam Gambar 2.4.
Gambar 2. 4 Perhitungan matric Sumber : (Rahman & Dafitri, 2019)
Perhitungan metric dilakukan dengan menggunakan persamaan berikut : 𝑀 =4𝜋 𝑥 𝐴
𝐶2 … … … . . (2.8) Dimana :
M = Metric A = Area
C = Circumference 2.5.3 Ekstraksi Ukuran
Ekstraksi ukuran dilakukan untuk mendapatkan nilai luas (area) atau keliling suatu objek, untuk mendeteksi apakah suatu objek kedelai memiliki ukuran yang sama atau berbeda, berikut untuk mencari ukuran suatu objek dengan menggunakan persamaan sebagai berikut:
a. Mencari nilai keliling ( parameter )
𝐶 = 2𝜋 𝑥 𝑟𝑎𝑑𝑖𝑢𝑠 … … … (2.9) b. Mencari nilai Area
𝐴 = 𝜇 𝑥 𝑟2… … … . (2.10)
Dimana :
C = parimeter (keliling) A = Area
r = Radius
2.5.4 Ekstraksi Tekstur
Ekstraksi tekstur dilakukan untuk mendapatkan fitur yang terdapat pada objek kedelai. Pada penelitian ini untuk melakukan ekstraksi fitur dengan menggunakan matriks GLCM ( Grey Level Co-occurence Matrix). Teknik yang digunakan pada matriks GLCM ialah menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan arah tertentu. Terdapat empat arah yang biasa digunakan dalam membuat suatu matriks GLCM yaitu sudut 0o, 45o, 90o, dan 135o simulasi suatu matriks GLCM dapat dilihat pada Gambar 2.5 (Andono, et al., 2017).
Gambar 2. 5 Matriks GLCM dengan arah 0o, 45o, 90o, dan 135o dan jarak 1 piksel Sumber : (Andono, et al., 2017).
Pengektrasian fitur citra menggunakan GLCM menggunakan ciri statistik ordo kedua yaitu contrast, correlation, energy, dan homogeneity:
1) Contrast
Kontras merupakan ukuran perbedaan antarderajat keabuan sebuah daerah pada citra. Untuk mendapatkan nilai kontras menggunakan persamaan berikut :
𝐶𝑜𝑛 = ∑ ∑(𝑥 − 𝑦)2 . 𝑝(𝑥, 𝑦)
𝑦 𝑥
… … … . . (2.11)
2) Correlation
Correlation merupakan nilai yang menunjukan ukuran ketergantungan linear intensitas yang digunakan untuk memberikan petunjuk adanya struktur linear sebuah citra. Untuk mendapatkan nilai correlation menggunakan pada persamaan berikut :
𝐶𝑜𝑟 = ∑ ∑ (𝑥. 𝑦) . 𝑝(𝑥, 𝑦) − 𝜇𝑥 𝑦 𝑥 . 𝜇𝑦
𝜎𝑥𝜎𝑦 … … … . . (2.12)
3) Energy
Energi merupakan fitur yang digunakan untuk mengukur suatu konsetrasi pasangan intensitas pada matriks GLCM. Untuk mendapatkan nilai energi dapat menggunakan persamaan berikut:
𝐸 = ∑ ∑ 𝑝(𝑥, 𝑦)2
𝑛
𝑦
… … … . . ; (2.13)
𝑚
𝑥
4) Homogeneity
Homogeneity digunakan untuk menunjukan homogenitas variasi intensitas pada sebuah citra, untuk mendapatkan nilai homogeneity dapat menggunakan persamaan berikut :
𝐻 = ∑ ∑ 𝑝(𝑥, 𝑦) 1 + (𝑥 − 𝑦)2
𝑦 𝑥
… … … (2.14)
2.7 Fuzzy C-Means (FCM)
Fuzzy C-Means merupakan suatu teknik yang digunakan dalam melakukan klasterisasi (pengelompokkan) data dengan memanfaatkan keberadaan titik- titik data dalam suatu klaster ditentukan oleh derajat keanggotaan yang dimiliki.
Penentuan pusat klaster dilakukan secara berulang hingga diperoleh data yang akurat berdasarkan derajat keanggotaanya. Pengulangan ini didasarkan pada minimalisasi fungsi obyektif yang menggambarkan jarak pada suatu titik data ke pusat klaster terbobot oleh derajat keanggotaan. Adanya derajat keanggotaan mengakibatkan suatu titik data bisa memiliki lebih dari satu kelompok. (Wibisono, et al., 2019).
Menurut (Prasetyo, 2014) algoritma Fuzzy C-Means dapat diformulasikan dalam persamaan berikut :
1) Jumlah nilai derajat keanggotaan setiap data x1 selalu sama dengan I yang diformulasikan pada persamaan berikut.
∑ 𝑢𝑖𝑗
𝑘
𝑗=1
= 1 … … … . (2.15)
Dimana :
k = jumlah klaster
uij = derajat keanggotaan pada setiap klaster i = menyatakan data x1
j = menyatakan klaster cj.
2) Untuk klaster cj setiap klaster memiliki minimal satu data dengan nilai kanggotaan tidak nol, tetapi memiliki nilai satu pada semua data, klaster cj
dapat diformulasikan sebagai berikut.
0 < ∑ 𝑢𝑖𝑗 < 𝑛 … … … . . . . (2.16)
𝑛
𝑖=1
Dimana
n = banyaknya data
uij = derajat keanggotaan pada setiap klaster i = menyatakan data x1
3) Dalam FCM setiap data juga menjadi anggota di setiap klaster dengan derajat keanggotaan uij nilai keanggotaan data x1 pada klaster cj, dapat diformulasikan sebagai berikut.
𝑢𝑖𝑗 = 𝐷(𝑥𝑖 , 𝑐𝑗)
−2 𝑤−1
∑𝑘𝑙=1𝐷(𝑥𝑖 , 𝑐𝑙)𝑤−1−2
… … … . (2.17)
Dimana :
cj = centroid klaster ke-j
D() = jarak antara data dengan centroid
w = parameter bobot pangkat (weighting exponent)
4) Menghitung centroid pada klaster ci pada fitur j, menggunakan persamaan berikut.
𝑐𝑖𝑗 = ∑𝑁𝑖=1(𝑢𝑖𝑙)𝑤𝑥𝑖𝑗
∑𝑁𝑖=1(𝑢𝑖𝑙)𝑤 … … … . (2.18)
Keterangan : N = jumlah data w = bobot pangkat
uil = nilai derajat keanggotaan data x1 ke klaster cl
5) Fungsi objek menggunakan persamaan sebagai berikut.
𝐽 = ∑ ∑(𝑢𝑖𝑗)𝑤𝐷(𝑥𝑖 , 𝑐𝑙)2
𝑘
𝑙=1
… … … (2.19)
𝑁
𝑖=1
2.8 Artificial Neural Network
Setelah nilai ekstraksi didapatkan, kemudian dilakukan proses klasifikasi Neural Network atau ANN ( Artificial Neural Network) . ANN merupakan suatu konsep rekayasa suatu pengetahuan dalam bidang kecerdasan buatan yang didesain dengan mengadopsi sistem saraf manusia. Dalam proses klasifikasi menggunkan teorama ANN yaitu fungsi aktiasi sigmoid biner dengan nilai keluaran bersifat kontinue biasanya menggunakan fungsi aktiasi sigmoid. Nilai sinyal keluaran y dihitung menggunakan fungsi kurva sigmoid dengan interval nilai keluaran yaiu 0 sampai 1. (Prasetyo, 2014).
Nilai y dapat diformulasikan dengan persamaan berikut : 𝑦 = 𝑠𝑖𝑔𝑛(𝑣) = 1
1 + 𝑒−𝑎𝑣… … … . . … . (2.20)
Pelatihan menggunakan Neural Networ ialah dengan melakukan pembelajaran backpropagation, langkah – langkah dalam melakukan pelatihan dengan backpropagation ialah sebagai berikut.
1) Langkah pertama ialah melakukan inisialisasi
Inisialisasi dilakukan untuk menentukan nilai bobot terhadap hidden layer dan layer keluaran, kemudian tetapkan fungsi aktiavasi yang digunakan untuk setiap layer. Inisialisasi bobot awal menggunakan bilangan acak dengan jangkauan [-0.5, 0.5] atau dapat menggunakan persamaan berikut.
(−2,4 𝐹𝑖 +2,4
𝐹𝑖 ) … … … . . . (2.21)
Dimana Fi ialah jumlah neuron masukan neuron 1 dalam ANN.
2) Langkah 2 ialah melakukan aktiavasi
Melakukan aktiavasi jaringan dengan menerakan x1(p), x2(p), ...,xn(p) dan keluaran yang diharapkan yd1(p), yd2(p), ..., ydn(p). Dapat dilakukan menggunakan persamaan berikut.
a. Menghitung nilai keluaran yang didaapatkan dari neuron yang berada pada hidden layer.
𝑣𝑗(𝑝) = ∑ 𝑥𝑖(𝑝). 𝑤𝑖𝑗(𝑝) … … … (2.22)
𝑟
𝑖=1
𝑦𝑗(𝑝) = 1
1 + 𝑒−𝑣𝑘(𝑝)… … … . … … . . (2.23) Dimana :
P = nilai keluaran
r = jumlah masukan (fitur) pada neuron j j = neuron
b. Hitung keluaran yang didapatkan dari neuron dalam layer keluaran.
𝑣𝑘(𝑝) = ∑ 𝑥𝑗(𝑝). 𝑤𝑗𝑘(𝑝) … … … . . (2.24)
𝑚
𝑗=1
𝑦𝑘(𝑝) = 1
1 + 𝑒−𝑣𝑘(𝑝)… … … . . . (2.25) 3) Langkah ketiga ialah melakukan pemaharuan nilai bobot
Bobot diperbaharui pada saat error membawa balik dalam ANN, error yang akan dikembalikan sesuai dengan arah keluar sinyal keuluarannya.
a. Menghitung gradien error untuk neuron dalamm layer keluaran
𝑒𝑘(𝑝) = 𝑦𝑑𝑘(𝑝) − 𝑦𝑘(𝑝) … … … ...(2.26) 𝛿𝑘(𝑝) = 𝑦𝑘(𝑝) 𝑥 [1 − 𝑦𝑘(𝑝)] 𝑥 𝑒𝑘(𝑝) … … … . . (2.27) Hitung koreksi bobot
∆𝑤𝑗𝑘(𝑝) = 𝜂 𝑥 𝑦𝑗(𝑝) 𝑥 𝜗𝑘(𝑝) … … … . . … … … . . (2.28)
Perbaharui bobot neuron layer keluaran
𝑤𝑗𝑘(𝑝 + 1) = 𝑤𝑗𝑘(𝑝) + ∆𝑤𝑗𝑘(𝑝) … … … . . . (2.29)
b. Menghitung gradien error untuk network dalam hidden layer
𝛿𝑗(𝑝) = 𝑦𝑗(𝑝)𝑥 [1 − 𝑦𝑗(𝑝)] + ∑ 𝛿𝑘(𝑝). 𝑤𝑗𝑘(𝑝) … … … . . … . (2.30)
𝑙
𝑘=1
Hitung koreksi bobot
∆𝑤𝑖𝑗(𝑝) = 𝜂 𝑥 𝑥𝑖(𝑝) 𝑥 𝜗𝑗(𝑝) … … … . . … … … . . … . (2.31)
Perbaharui bobot neuron layer keluaran
𝑤𝑖𝑗(𝑝 + 1) = 𝑤𝑖𝑗(𝑝) + ∆𝑤𝑖𝑗(𝑝) … … … . . . (2.32)
4) Langkah selanjutnya melakukan iterasi
Lakukan iterasi dengan menaikkan satu untuk iterasi p kemudian lakukan proses kembali dimulai dari langkah kedua sampai mendapatkan kriteria error yang diinginkan. Neural Network memiliki asitektur yang dapat dilihat pada Gambar 3.6
Gambar 2. 6 Arsitektur Neural Network Sumber : (Santika, et al., 2011)
2.9 Confusion Matriks
Confusion Matrix merupakan sebuah tabel yang terdiri atas banyaknya baris data uji yang dapat diperkirakan benar dan tidak benar oleh model klasifikasi, dan digunakan dalam menentukan kinerja suatu model klasifikasi. Tabel yang digunakan pada Confusion Matrik dapat dilihat pada Tabel 2.2 Invalid source specified.:
Tabel 2. 2 Tabel Confusion Matrix Sumber :Invalid source specified.
Actual
Positive Negative
Predicted
Positive True Positive (TP) False Positive (FP)
Negative False Negative (FN) True Negative (TN) Dimana :
1) True Positive (TP) merupakan jumlah record yang diprediksi benar dengan kelas positif.
2) False Positive (FP) merupakan jumlah record yang diprediksi salah dengan kelas positif.
3) True Negative (TN) merupakan jumlah record yang diprediksi benar dengan kelas negatif.
4) False Negative (FN) merupakan jumlah record yang dipresiksi salah dengan kelas negatif.
Untuk menghitung suatu nilai akurasi suatu data dengan melakukan pembagian antara jumlah kesulurahan dengan jumlah data benar, dan dapat dilakukan menggunakan persamaan berikut :
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 𝑇𝑃 + 𝑇𝑁
𝑇𝑃 + 𝐹𝑃 + 𝑇𝑁 + 𝐹𝑁… … … (2.33) Keterangan :
FN = False Negative TN = True Negative TP = True Positive FP = False Positive
2.10 Matrix Laboratory ( MATLAB )
Matrix Laboratory (MATLAB) adalah perangkat lunak yang digunakan dalam pemrograman, analisis, serta komputasi teknik dan matematik berbasis matriks.
Matlab dapat menyelesaikan masalah dalam bentuk matriks. Matlab versi pertama dirilis oleh Cleve Moler pada tahun 1970. Matlab menggabungkan proses pemrograman, komputasi, dan visualisasi dengan lingkungan kerja yang mudah digunakan. Matlab memiliki keunggulan umum seperti analisis dan eksplorasi data, pemodelan dan simulasi, visualisasi plot dalam bentuk 2D dan 3D, serta pengembangan aplikasi antarmuka grafis. Matlab menyediakan tool yang dapat digunakan untuk aplikasi khusus seperti pengoalahan sinyal, sistem kontrol, logika fuzzy, dan sebagainya. Matlab dapat dioperasikan pada sistem operasi windows, linux dan MaxOs. (Amir Tjolleng, 2017).
Matlab termasuk dalam bahasa pemrograman tingkat tinggi berbasis pada matriks digunakan dalam menyelesaikan masalah menggunakan teknik komputasi numerik yang melibatkan operasi matematika elemen, matriks, komputasi optimal, aproksimasi dan sebagainya. Oleh karena itu matlab sering digunakan pada bidang sebagai berikut (Cahyono, 2013).
1) Matematika dan Komputasi.
2) Pengembangan dan Algoritma.
3) Pemrograman modeling, simulasi, dan pemuatan prototype.
4) Analisa data, ekplorasi dan visualisasi.
5) Analisis numerik dan statistik.
6) Pengembangan aplikasi teknik.
