Artikel Skripsi Universitas Nusantara PGRI Kediri
APLIKASI PENGENALAN DAUN UBI JALAR UNTUK JENIS UBI JALAR UNGU, MERAH, PUTIH DAN KUNING MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS
SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Jurusan Teknik Informatika Fakultas Teknik UNP Kediri
OLEH :
AJI TEGUH PRASETYO NPM: 11.1.03.02.0034
PRODI TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS NUSANTARA PGRI KEDIRI 2015
Aji Teguh Prasetyo | 11.1.03.02.0034 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 1||
Artikel Skripsi Universitas Nusantara PGRI Kediri
Aji Teguh Prasetyo | 11.1.03.02.0034 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 2||
Artikel Skripsi Universitas Nusantara PGRI Kediri
Aji Teguh Prasetyo | 11.1.03.02.0034 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 3||
Artikel Skripsi Universitas Nusantara PGRI Kediri
APLIKASI PENGENALAN DAUN UBI JALAR UNTUK JENIS UBI JALAR UNGU, MERAH, PUTIH DAN KUNING MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS Aji Teguh Prasetyo 11.1.03.02.0034 Fakultas Teknik – Program Studi Teknik Informatika Email :
[email protected] Dr. Yatmin, M.Pd dan Resty Wulanningrum, M.Kom UNIVERSITAS NUSANTARA PGRI KEDIRI ABSTRAK Di dalam kehidupan sehari-hari pengolahan citra digital memegang peranan sangat penting, salah satu perannya adalah dapat mengenali suatu pola atau yang sering disebut dengan pengenalan pola. Untuk saat ini pengenalan pola telah diwujudkan dalam suatu aplikasi yang dapat membantu manusia dalam mengenali pola suatu benda. Salah satunya adalah pengenalan daun ubi jalar. Rumusan masalah yang diajukan adalah Apakah Metode Principal Component Analysis dapat digunakan untuk mengenali daun ubi jalar. Apakah sistem Pricipal Component Analysis merupakan cara yang tepat untuk proses pengenalan. Metode Principal Component Analysis merupakan metode yang dinilai mudah dalam mengekstraksi informasi yang berhubungan terhadap sekumpulan data yang meragukan karena cara kerja PCA dapat mereduksi dimensi variabel data input menjadi komponen utama dengan kehilangan informasi minimum, sehingga proses pengenalan daun ubi jalar akan lebih cepat dan memiliki akurasi tinggi. Pada uji coba nilai threshold di dapatkan akurasi tertinggi yakni 95% untuk nilai threshold 50100. Sedangkan akurasi terendah yakni 24,4% dengan nilai threshold 150-255. Sementara itu untuk uji coba perbandingan jumlah data training dan testing di dapatkan hasil akurasi tertinggi yakni 95% untuk perbandingan jumlah data training dan testing 100 banding 100. Dan di dapatkan hasil akurasi terendah yaitu 24,4 % untuk perbandingan jumlah data training dan testing 80 banding 120. Kata Kunci : Pengenalan, Daun Ubi Jalar, Principal Component Analysis.
Aji Teguh Prasetyo | 11.1.03.02.0034 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 4||
Artikel Skripsi Universitas Nusantara PGRI Kediri 1.
2. Bagaimana mencari nilai kedekatan
PENDAHULUAN
antara data training dengan data
1.1 Latar Belakang Di dalam kehidupan sehari-hari,
testing
pengolahan citra digital memegang
menggunakan
metode
Euclidean Distance?
peranan yang sangat penting, salah satu perannya adalah dapat mengenali suatu
1.3 Tujuan
pola atau yang sering disebut dengan
Tujuan dari penelitian ini adalah
pengenalan pola. Selain itu pengenalan
Mengimplementasikan
pola
dan
dalam hal identifikasi pola daun ubi
kegiatan
jalar untuk menentukan jenis warna
juga
dapat
dikembangkan
diterapkan untuk
pengenalan jenis tanaman berdasarkan bentuk
pola
daun,
metode PCA
kulit yang dimiliki.
misalnya
mengidentifikasi pola daun tanaman ubi
1.4 Batasan Masalah
jalar untuk mengetahui jenis warna kulit
Batasan masalah dari penelitian ini
pada ubi jalar yang dihasilkan tersebut.
adalah
Tanpa disadari, bahwa setiap jenis
a. Sampel daun ubi diambil dari CV
ubi jalar memiliki bentuk daun yang
Agro Utama Mandiri Lestari, Kec.
berbeda-beda
Ngadiluwih.
tergantung
dengan
jenisnya. Mungkin selama ini orang
b. Gambar yang diambil adalah daun
hanya tahu nama ubi jalar dengan cara melihat
langsung
warna
kulit
ubi.
Pengenalan pola daun ubi jalar ini dapat
ubi jalar bagian permukaan c. Format gambar adalah bitmap (.bmp) d. Ukuran
gambar
yang
dijadikan
dilakukan dengan menggunakan metode
sampel training adalah 100 x 100
Principal Components Analysis (PCA).
piksel. e. Metode pengolahan citra yang akan digunakan
1.2 Rumusan Masalah Berdasarkan pada masalah yang
dapat
dirumuskan
sebagai
mendapatkan ekstrasi ciri. f. Untuk mencari nilai kedekatan antara
berikut: 1. Bagaimana
Principal
Component Analysis (PCA) untuk
telah diuraikan, permasalahan yang akan dibahas
adalah
data training dengan data testing mengimplementasikan
menggunakan
metode PCA dalam hal pengenalan daun ubi jalar?
Aji Teguh Prasetyo | 11.1.03.02.0034 Teknik – Teknik Informatika
metode
Euclidean
Distance.. g.
simki.unpkediri.ac.id || 5||
Artikel Skripsi Universitas Nusantara PGRI Kediri
2
tahun 1960, ubi jalar sudah tersebar ke
TINJAUAN PUSTAKA
hampir setiap daerah Indonesia seperti
2.1 Pengertian Daun Daun merupakan organ yang penting pada tumbuhan dan pada umumnya,
Jawa Barat, Jawa Tengah, Jawa Timur, Papua dan Sumatra.
setiap tumbuhan mempunyai sebagian besar daun. Daun hanya terdapat pada
Ubi Jalar
bagian batang saja dan tidak pernah
Kuning
terdapat pada bagian lain tumbuhan.
Ubi Jalar
Bagian batang tempat duduknya atau
Merah
melekatnya daun dinamakan buku dan tempat diatas daun yang merupakan sudut
antara
batang
dan
Ubi Jalar
daun
Putih
dinamakan ketiak daun. Daun biasanya Ubi Jalar
tipis dan kaya akan klorofil, oleh karena
Ungu
itu daun biasanya berwarna hijau.
2.2 Citra
Gambar 2.1 Jenis-jenis Ubi Jalar
Sebuah piksel adalah sampel dari pemandangan
yang
2.4 Grayscaling
mengandung
Dalam bukunya Achmad Balza,
intensitas citra yang dinyatkan dalam
Grayscaling citra merupakan tahapan
bilangan bulat. Index baris dalam kolom
pertama
(x,y) dari sebuah piksel dinyatakan
pada tahap ini terjadi pengkonversian
dalam bilangan bulat. Piksel (0,0)
citra
terletak pada sudut kiri atas pada citra,
berwarna abu-abu. Citra warna RGB
index x bergerak ke keanan dari index y
terdiri dari 3 parameter warna yaitu
bergerak ke bawah.
merah (red), hijau (green) dan biru
dari
warna
proses
RGB
penyelarasan,
menjadi
citra
(blue), jika citra warna RGB ini 2.3 Ubi Jalar
dimasukkan
ke
dalam
proses
Ubi jalar (Ipomoea batatas L.)
ekstraksi, maka proses tersebut akan
merupakan tanaman yang berasal dari
sulit untuk dilakukan karena citra
daerah tropis Amerika. Ubi jalar dapat
RGB terdiri dari 3 parameter, oleh
tumbuh baik di dataran rendah maupun
karena
di pegunungan dengan suhu 270C dan
parameter
lama penyinara 11-12 jam perhari. Pada
tahap
Aji Teguh Prasetyo | 11.1.03.02.0034 Teknik – Teknik Informatika
itu
diperlukan
penyamaan
yaitu dengan
melakukan
grayscaling
ini. Berikut ini simki.unpkediri.ac.id || 6||
Artikel Skripsi Universitas Nusantara PGRI Kediri
adalah persamaan tahap grayscaling citra: 𝑥 =
𝑅+𝐺+𝐵
2.6 Principal Component Analysis
3
Menurut Soemartini (2008: 12), Principal Component Analysis (PCA) atau
disebut
juga
transformasi
Karhunen-Loeve adalah teknik yang digunakan Gambar 2.2 Konversi citra true color
Menurut
Darma
pengambangan
Putra,
(thresholding)
sehingga
koordinat
2.5 Thresholding (Pengambangan) Proses akan
menghasilkan citra biner, yaitu citra yang memiliki dua nilai tingkat keabuan, yaitu hitam dan putih. Secara umum proses pengambangan citra grayscale untuk menghasilkan citra biner adalah
baru
terbentuk dengan
sistem variansi
maksimum. Prinsip
dasar
dari
algoritma
Principal Component Analysis adalah mengurangi satu set data namun tetap mempertahankan
sebanyak
mungkin
variasi dalam set data tersebut. Secara matematis Analysis
sebagai berikut :
menyederhanakan
suatu data, dengan cara mentransformasi linear
menjadi grayscale
untuk
Principal
Component
mentransformasikan
sebuah
variabel yang berkolerasi ke dalam f(𝑥, 𝑦) = {
bentuk yang bebas tidak berkolerasi.
0 𝑖𝑓 𝑓(𝑥, 𝑦) < 𝑇 1 𝑖𝑓 𝑓(𝑥, 𝑦) ≥ 𝑇
Principal Component adalah bentuk proyeksi transformasi linier dari variabel
dengan f(x,y) adalah citra biner dari citra
data.Principal Component satu dengan
grayscale f(x,y), dan T menyatakan nilai
yang lain tidak saling berkolerasi dan
ambang. Nilai T memegang peran sangat
diurutkan sedemikian rupa sehingga
penting dalam proses pengambangan.
Principal Component yang pertama
Kualitas
memuat paling banyak variasi dari data
hasil
citra
biner
sangat
tergantung pada nilai T yang digunakan.
set. Sedangkan Principal Component yang kedua memuat variasi yang tidak dimiliki
oleh
Principal
Component
pertama.
Gambar 2.3 Hasil Citra Thresholding Aji Teguh Prasetyo | 11.1.03.02.0034 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 7||
Artikel Skripsi Universitas Nusantara PGRI Kediri
𝑘𝑗 : Data bobot test 𝑚 : Jumlah data pelatihan
3. PERENCANAAN SISTEM Dalam pembagian modul sistem pengenalan daun ubi jalar ini terbagi menjadi 2 modul, yaitu data set dan data testing. a. Data Set Modul data set berfungsi untuk memasukkan data daun ubi jalar berupa data berformat bitmap dengan resolusi 100x100, memiliki warna citra keabuan (greyscale). Modul Gambar 2.4 Proses Ekstraksi ciri metode PCA
data set terdiri dari komponen: -
Sample Tiap Class
-
Image Preview
Jarak euclidean adalah Jarak antara
-
Threshold
dua buah titik panjang garis terpendek
-
Reduction Dimension
2.7 Euclidean Distance
yang dapat menghubungkan kedua titik
b. Data Testing
tersebut” (Cahyadi, 2007: 23). Dalam
Modul data testing berfungsi untuk
ruang euclidean berdimensi n, 𝑅 𝑛 , jarak
mencocokkan nilai matriks citra
antara titik x dan y dapat dirumuskan
daun dari data set. Modul data testing
sebagai berikut:
terdiri dari komponen:
Rumus perhitungan jarak seperti ditunjukkan persamaan 𝑑𝑒 = √𝑚 𝑘=1 (𝑓𝑑𝑖,𝑘 − 𝑘𝑗 )²
4.
-
Image Preview
-
Deskripsi data daun
HASIL DAN PEMBAHASAN
4.1 Skenario Uji Coba Ada 200 dataset daun untuk dijadikan ujicoba, dibagi 5 skenario dalam tahap pengujian ini dengan
nilai threshold
Keterangan :
yang berbeda-beda yaitu 0-50, 50-100,
𝑑𝑒 : Jarak Euclidean
100-200, 150-255, 0-255dan jumlah
𝑓𝑑𝑖
: Bobot citra pelatihan
Aji Teguh Prasetyo | 11.1.03.02.0034 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 8||
Artikel Skripsi Universitas Nusantara PGRI Kediri
data training dan testing yang berbedaDari
beda yaitu:
uji
coba
diatas
menunjukkan bahwa pada jumlah data
Tabel 4.1 Jumlah Skenario Uji Coba No Data
tabel
training sebanyak 120 dan data testing
Data
Training
Testing
1
160
40
2
120
80
3
100
100
4
80
120
5
40
160
80 dihasilkan akurasi paling tinggi dengan nilai threshold 100-200 sebesar 91,25% (akurasi=benar/testing*100). 4.3
Skenario Ketiga Tabel 4.3 Tabel skenario 3
4.2 Skenario Pertama Dalam skenario pertama dengan data training 160 dan testing 40 berikut hasilnya Dari
Tabel 4.2 Tabel skenario 1
tabel
uji
coba
diatas
menunjukkan bahwa pada jumlah data training sebanyak 100 dan data testing 100 dihasilkan akurasi paling tinggi dengan nilai threshold 50-100 sebesar 95% (akurasi=benar/testing*100) Dari
tabel
uji
coba
diatas
menunjukkan bahwa pada jumlah data
4.4 Skenario Keempat Tabel 4.4 Tabel skenario 4
training sebanyak 160 dan data testing 40 dihasilkan akurasi paling tinggi dengan nilai threshold 100-200 sebesar 90% (akurasi=benar/testing*100). 4.3
Skenario Kedua Tabel 4.3 Tabel skenario 2 Dari tabel uji coba diatas menunjukkan bahwa pada jumlah data training sebanyak 80 dan data testing 120 dihasilkan akurasi paling tinggi dengan nilai threshold 100-200 sebesar 65% (akurasi=benar/testing*100).
Aji Teguh Prasetyo | 11.1.03.02.0034 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 9||
Artikel Skripsi Universitas Nusantara PGRI Kediri
2 Ukuran 4.5 Skenario Kelima
piksel
citra
mempunyai
pengaruh pada nilai matriks. Apabila
Tabel 4.5 Tabel skenario 5
nilai piksel citra besar maka proses pengambilan
nilai
matriks
akan
lama. 3 Banyaknya jumlah data training mempunyai pengaruh pada proses testing. Dari
tabel
uji
coba
diatas
menunjukkan bahwa pada jumlah data
6.
SARAN Saran dari peneliti untuk
training sebanyak 40 dan data testing 160 dihasilkan akurasi yang sama
pengembangan selanjutnya adalah
besarnya dengan nilai threshold yang
1. Mengembangkan
berbeda-beda
yaitu
dengan
dengan
akurasi
aplikasi
mencoba
ini
menggunakan
metode yang berbeda.
sebesar25% 2.
(akurasi=benar/testing*100).
Mencoba memasukkan file inputan dengan posisi objek yang berubah-
5.
SIMPULAN Berdasarkan
ubah dengan preprosesing yang pembahasan
dan
implementasi program yang mengacu pada
rumusan
yang
ada
yaitu
mengidentifikasi wajah menggunakan
berbeda juga. 3.
Membuat aplikasi lebih interaktif agar lebih mudah dalam penggunaannya.
DAFTAR PUSTAKA
principal component analysis, maka dapat diambil beberapa kesimpulan
Achmad, Balza. Teknik Pengolahan Citra
sebagai berikut.
Digital
1 Tingkat akurasi metode dipengaruhi
Yogyakarta: Ardi Publishing. 2005.
oleh nilai threshold (nilai ambang
Menggunakan
Ahmad, Muqorobin.
2014.
DELPHI.
Pengenalan
batas keabuan) dan reduksi dimensi
Daun Mangga Jenis Podang, Gadung,
yang
Berdasarkan
Endog dan Manalagi di CV Agro Utama
percobaan didapatkan tingkat akurasi
Mandiri Lestari Menggunakan Metode
sebesar 95% dengan nilai threshold
Learning Vector Quantization. Disertasi.
50-100 pada jumlah data training
Tidak dipublikasikan. Kediri: FT UNP
dilakukan.
100 dan data testing 100.
Aji Teguh Prasetyo | 11.1.03.02.0034 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 10||
Artikel Skripsi Universitas Nusantara PGRI Kediri
Ahmad, Usman. Pengolahan Citra Digital & Teknik Pemrogramannya. Yogyakarta:
Teknik UNP Kediri. Disertasi. Tidak dipublikasikan. Kediri: FT UNP.
Graha Ilmu. 2005. Cahyadi,
Daniel.
2007.
Ekstraksi
dan
Kemiripan. Universitas Indonesia.
Haryanto. 2006. BAB II Kajian Teoritis dan Hipotesis Tindakan. (Online). tersedia:
Purnomo, Mauridhi Hey., Muntasa, Arif.
http://eprints.ung.ac.id/5751/5/2012-1-
Konsep Pengolahan Citra Digital dan
86206-151410163-bab2-
Ekstraksi Fitur. Yogyakarta: Graha Ilmu.
29082012124206.pdf. Diakses pada 28
2010.
Maret 2015
Putra, Darma. Sistem Biometrika Konsep Dasar,
Teknik
Analisa
Citra,
dan
Latifa, Roimil. 2015. Karakter Morfologi Daun
Beberapa
Tahapan Membangun Aplikasi Sitem
Penghijauan
Biometrika. Yogyakarta: ANDI.2009.
Malang.
Hutan
Jenis Kota
(Online).
Pohon di
Kota
tersedia:
Soemartini. 2008. Principal Component
http://biology.umm.ac.id/files/file/667676
Analysis (PCA) Sebagai Salah Satu
%20Roimil%20Latifa.pdf. Diakses pada
Metode
05 April 2015
Untuk
Mengatasi
Masalah
Multikonearitas. Universitas Padjajaran. Sasongko, Wisnu. 2013. Implementasi Citra Pengenalan Menggunakan
Wajah Principal
Manusia Component
Suprapti. 2003. Tinjauan Pustaka. (Online). tersedia:
http://e-
journal.uajy.ac.id/1544/3/2BL00993.pdf. Diakses pada 20 April 2015.
Analysis pada Mahasiswa Semester VIII Prodi
Teknik
Informatika
Aji Teguh Prasetyo | 11.1.03.02.0034 Teknik – Teknik Informatika
Fakultas
simki.unpkediri.ac.id || 11||