Jurnal Infomedia Vol.1 No.1 September 2016 | ISSN: 2527-9858
APLIKASI PENGOLAHAN CITRA DIGITAL UNTUK MENDETEKSI KERUSAKAN BIJI PINANG DENGAN METODE PROBABILISTIC NEURAL NETWORK 1) Rusli, 2)Usman Baafai, 3)Tulus Jurusan Teknik Elektro, Politeknik Negeri Lhokseumawe, Jalan Banda Aceh-Medan Km. 280,3 Buketrata, Lhokseumawe, 24301 PO.BOX 90 Telpon (0645) 42670, 42785 2) Teknik Elektro Universitas Sumatera Utara 3) Fakultas MIPA Universitas Sumatera Utara email : 1)
[email protected], 2)
[email protected], 3)
[email protected] 1)
ABSTRAK Penentuan mutu biji pinang dilakukan cara mengamati kondisi secara visual mata manusia. Pengamatan mutu dengan cara ini mempunyai beberapa kelemahan, antara lain membutuhkan waktu yang lama dan mengahasilkan pemilihan biji pinang dengan mutu yang tidak kosisten karena keterbatasan visual manusia, kelelahan dan adanya perbedaan persepsi tentang mutu biji pinang pada masing-masing pengamat. Penelitian ini bertujuan untuk mendeteksi kerusakan biji pinang menggunakan metode Probabilistic Neural Network (PNN) dan ekstraksi fitur GLCM (Gray Level Co-occurrence Matrix) dilakukan untuk mendapatkan nilai matrik co- occurance untuk sudut 0o, 45o, 90o dan 135o derajat untuk masing-masing nilai offset 0 1, -1 1, -1 0, -1 -1. Hasil penelitian di peroleh tingkat keberhasilan 100% untuk pengujian fitur entrophy dan mengkombinasikan kelima fitur. Sedangkan tingkat keberhasilan terendah diperoleh untuk pengujian fitur homogenitas diperoleh hasil deteksi sebesar 66,66% dimana terdapat 10 citra yang tidak dapat terdetekksi dengan baik.
Kata Kunci: Pinang, ekstraksi fitur, Gray Level Co-occurrence Matrix (GLCM), Probabilistic Neural Network (PNN).
beberapa kelemahan, antara lain membutuhkan waktu yang lama dan menghasilkan pemilihan biji pinang dengan mutu yang tidak kosisten karena keterbatasan visual manusia, kelelahan dan adanya perbedaan persepsi tetang mutu biji pinang pada masing-masing pengamat. Sehubungan dengan permasalahan tersebut maka di perlukan suatu metode yang tepat untuk mendeteksi kerusakan biji pinang secara cepat, tepat, akurat dan mudah mengoperasikannya. Pengolahan citra digital merupakan alternatif untuk mengatasi masalah tersebut, pada penelitian ini algoritma pengolahan citra digital diterapkan untuk mengenali ciri kondisi pada citra biji pinang. Pemilahan ini dikategori dalam dua kondisi, yaitu kondisi bagus dan kondisi rusak. Banyak algoritma yang dapat diterapkan pada jaringan syaraf tiruan salah satunya yaitu Probabilistic Neural Network. Dalam penelitian ini, akan menggunakan metode Probabilistic Neural Network (PNN) yang merupakan salah satu struktur jaringan syaraf tiruan yang menggunakan paradikma pembelajaran terawasi (supervised learning) dan merupakan model yang dibentuk berdasarkan penaksir fungsi peluang [1].
1. PENDAHULUAN Perkembangan teknik pengolahan citra digital (Digital Image Processing) saat ini semakin pesat dan banyak diterapkan pada semua aplikasi bidang ilmu. Pengolahan citra didefinisikan sebagai proses pengolahan dan analisis citra yang mentransformasikan citra masukan menjadi citra lain sehingga keluaran citra memiliki kualitas yang lebih baik dibandingkan kualitas citra masukan. Berbagai aplikasi pengolahan citra sangat bermanfaat bagi kepentingan manusia diantaranya adalah untuk mendeteksi objek citra, meningkatkan kualitas citra, menghilangkan cacat pada citra, mengidentifikasi objek citra dan penggabungan dengan bagian citra yang lain. Biji pinang memiliki kontur permukaan yang berbeda sesuai dengan kualitasnya. Pemilihan mutu biasanya di tentukan dengan mengamati kondisi biji pinang secara visual mata manusia. Proses pemilihan berdasarkan mutu permukaan biji pinang jika permukaan biji pinang berlubang atau busuk maka dikatagorikan dalam kualitas rusak sedangkan untuk kualitas bagus maka permukaan biji pinang halus dan rata. Pengamatan mutu dengan cara ini mempunyai 6
Jurnal Infomedia Vol.1 No.1 September 2016 | ISSN: 2527-9858
2. 2. GRAY LEVEL CO-OCCURRENCE MATRIX
2.1 METODE Pinang adalah sejenis palma yang tumbuh di daerah Pasifik, Asia dan Afrika bagian timur. Pinang juga merupakan nama buahnya yang diperdagangkan orang. berbagai nama daerah di antaranya adalah pineung (Aceh), pining (Batak Toba), penang (Md.), jambe (Sd., Jw.), bua, ua, wua, pua, fua, hua (aneka bahasa di Nusa Tenggara dan Maluku) dan berbagai sebutan lainnya, Dalam bahasa Inggris dikenal sebagai Betel palm atau Betel nut tree, dan nama ilmiahnya adalah Areca catechu. Pinang terutama ditanam untuk dimanfaatkan bijinya, yang di dunia Barat dikenal sebagai betel nut. Biji ini dikenal sebagai salah satu campuran orang makan sirih, selain gambir dan kapur. Biji pinang mengandung alkaloida seperti misalnya arekaina (arecaine) dan arekolina (arecoline), yang sedikit banyak bersifat racun dan adiktif, dapat merangsang otak. Sediaan simplisia biji pinang di apotek biasa digunakan untuk mengobati cacingan, terutama untuk mengatasi cacing pita. Sementara itu, beberapa macam pinang bijinya menimbulkan rasa pening apabila dikunyah. Zat lain yang dikandung buah ini antara lain arecaidine, arecolidine, guracine (guacine), guvacoline dan beberapa unsur lainnya. Secara tradisional, biji pinang digunakan dalam ramuan untuk mengobati sakit disentri, diare berdarah, dan kudisan. Biji pinang dikenal mengandung senyawa antioksidan sehingga berpotensi sebagai antikanker [2].
Gambar 2.2 Arah dalam menghitung Gray Level Co-occurrence Matrix[9] Pada ekstraksi fitur, fitur pembeda adalah tekstur yang merupakan karakteristik penentu pada citra. Teknik statistik yang terkenal untuk ekstraksi fitur adalah Gray Level Co-occurrence Matrix. Gray Level Co-occurrence Matrix merupakan matriks derajat keabuan yang merepresentasikan hubungan suatu derajat keabuan dengan derajat keabuan lain. Gray Level Co-occurrence Matrix digunakan untuk analisis pasangan piksel yang bersebelahan tergantung dengan sudut yang digunakan. Ilustrasi pembentukan matriks kookurensi citra dengan 4 tingkat keabuan (gray level) dari 0 - 3 pada jarak d =1 sudut 00untuk [01], 450 untuk [-11], 900 untuk [-10] dan 1350 untuk [-1-1] dapat dilihat pada Gambar 2.2. 2. 3. PROBABILISTIC NEURAL NETWORK (PNN) Pada tahun 1990 , Donald F. Specht mengusulkan jaringan berdasarkan pengklasifikasi tetangga terdekat dan menamakannya sebagai " Probabilistic Neural Network "[4]. Probabilistic Neural Network adalah suatu metode jaringan saraf tiruan yang menggunakan pembelajaran terawasi (supervised learning) dan merupakan model yang dibentuk berdasarkan penaksir fungsi peluang. Model ini memberikan unjuk kerja pengklasifikasian yang sangat baik dan cepat dalam pelatihan karena dilakukan hanya dalam satu tahap pelatihan. Probabilistic Neural Network biasanya digunakan untuk masalah klasifikasi dan pengenalan pola [4][5]. PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keluaran. Struktur PNN diperlihatkan pada Gambar 2.3
Gambar 1. Buah pinang kering yang menjadi objek dalam penelitian. Saat ini biji pinang sudah menjadi komoditi perdagangan. Ekspor dari Indonesia diarahkan ke negara-negara Asia selatan seperti India, Pakistan, Bangladesh, atau Nepal. Negara-negara pengekspor pinang utama adalah Indonesia, Thailand, Malaysia, Singapura, dan Myanmar. Biji pinang yang diperdagangkan terutama adalah yang telah dikeringkan, dalam keadaan utuh (bulat) atau dibelah. Bahkan di India dan Pakistan, saat ini pinang dibuat menjadi bahan baku penganan ringan semacam permen [3]
7
Jurnal Infomedia Vol.1 No.1 September 2016 | ISSN: 2527-9858
4. Lapisan terakhir adalah lapisan keluaran (Output layer), menghasilkan 1 untuk kelas yang sesuai dan menghasilkan 0 untuk kelas yang lain.
3. PENELITIAN TERKAIT
Penelitian yang di lakukan oleh Finawan " Pengenalan Kerusakan pada Biji Pinang dengan Pengolahan Citra Digital Menggunakan Operasi Pengambangan Otsu " melakukan penilaian terhadap biji pinang, pada penelitian ini yang menjadi fokus bagaimana mendapatkan ciri cacat dari citra sampel biji pinang secara spasial dengan menggunakan metode pengambangan Otsu standart mendapatkan hasil 10% tingkat kesalahan. Oleh karena itu metode pengambangan untuk proses pengukuran luas kawasan cacat ini dipilih metode T= Otsu-40,192 [3]
4. METODE PENGAMBILAN DATA
Pada Gambar 3.1 menunjukan proses tahapan verifikasi citra biji pinang, dimana citra biji pinang sebagai input akan diproses untuk mendapatkan bobot atau nilai dengan menggunakan Probabilistic Neural Network (PNN). Tahapan awal dari penelitian ini adalah citra biji pinang diproses preprosessing dimana pada tahapan ini nilai citra biji pinang RGB akan dirubah kedalam bentuk nilai grayscale. Proses selanjutnya berupa pembentukan matrik co-occurance untuk sudut 0o, 45o, 90o dan 135o untuk masing-masing nilai offset 0 1, -1 1, -1 0, -1 -1. Dengan ditetapkan nilai offset maka dapat dilakukan proses selanjutnya berupa perhitungan nilai ektraksi ciri sehingga akan diperoleh nilai-nilai dari ektraksi ciri berupa nilai fitur energi, fitur kontras, fitur korelasi, fitur entropy dan fitur homogenitas.
Gambar 2.3. Struktur PNN (Probabilistic Neural Network) [6] 1. Lapisan masukan (input layer) merupakan input x yang terdiri atas k nilai yang diklasifikasikan pada salah satu kelas dari n kelas. 2. Lapisan pola (pattern layer) dihitung jarak vektor data latih ke vektor data uji dengan mengunakan Persamaan (2.1) : (2.1) 3. Lapisan penjumlahan (summation layer), setiap keluaran pattern layer dijumlahkan dengan keluaran dari pattern layer lainnya yang berada dalam satu kelas untuk menghasilkan probabilitas vektor output. Lapisan penjumlahan ini dapat dilihat pada Persamaan (2.2) sebagai berikut :
(2.2) Dengan i = 1, 2, ..., K dimana : T = Transpose i = Jumlah Kelas j = Jumlah Pola xij = Vektor pelatihan ke j dari kelas i x = Vektor pengujian Mi = Jumlah vektor pelatihan dari kelas i = Dimensi vektor x = Faktor penghalus
Gambar 2. Blok diagram proses penerapan metode PNN dalam klasifikasi biji pinang
8
Jurnal Infomedia Vol.1 No.1 September 2016 | ISSN: 2527-9858
Tabel 4.2. Nilai max, min dan rata-rata hasil ekstraksi fitur kontras pada 00, 450, 900, dan 1350 dengan jarak 1 pixel
4.1 PENGAMBILAN DATA BIJI PINANG Data citra biji pinang yang digunakan dalam penelitian ini berupa 100 biji pinang kupas kering. Dimana citra 1 sampai dengan citra 50 merupakan citra biji pinang bagus dan citra 51 sampai dengan citra 100 merupakan citra biji pinang rusak. Sepeti diperlihatkan pada Gambar 4.1. Sampel biji yang didapat dari petani pinang ini dipisah dalam dua bagian berdasarkan kondisinya, yaitu 50 biji dengan kondisi rusak dan 50 biji dengan kondisi bagus dengan kriteria mutu fisik seperti dalam Tabel 4.1
Kontras Max Min Rata-rata
Biji Pinang Bagus o
0
45
o
90
o
Biji Pinang Rusak 135
o
0
o
45
o
90
o
135
o
0.131736 0.175979 0.136729 0.172788 0.154774 0.219113 0.15386 0.192392 0.057387 0.075873 0.059505 0.076771 0.055282 0.057337 0.057337 0.075873 0.094395 0.125097 0.09627 0.122691 0.121022 0.126829 0.120811 0.136242
Tabel 4.3. Hasil keseleruhan nilai max, min dan ratarata dari ekstraksi fitur korelasi pada 00, 450, 900, dan 1350 dengan jarak 1 pixel. Korelasi Max Min Rata-rata
Biji Pinang Bagus o
0
45
o
90
o
Biji Pinang Rusak 135
o
0
o
45
o
90
o
135
o
0.953944 0.937981 0.953139 0.93925 0.983524 0.977695 0.982909 0.977261 0.853916 0.806423 0.852371 0.809539 0.907416 0.907416 0.913176 0.913176 0.910799 0.881473 0.909179 0.883804 0.950647 0.94826 0.950723 0.94435
Tabel 4.4. Nilai max, min dan rata-rata dari ekstraksi fitur Entropi pada 00, 450, 900, dan 1350 dengan jarak 1 pixel Entropi
Biji Pinang Bagus 0o
Max Min Rata-rata
Gambar 4.1 Citra 1- 4 (biji pinang bagus) Citra 51 – 54 (biji pinang rusak)
1
Biji Bagus
Biji pinang kering secara fisik tanpa adanya cacat dan berlubang
2
Biji Rusak
Biji Pinang kering secara fisik cacat dan berlubang akibat di makan serangga
Max Min Rata-rata
Dari hasil ekstraksi fitur energy maka diperoleh nilai untuk masing-masing sudut pada tabel berikut. Tabel 4.1. Nilai max, min dan rata-rata hasil ekstraksi fitur energi pada 00, 450, 900, dan 1350 dengan jarak 1 pixel Biji Pinang Bagus o
0
Max Min Rata-rata
45
o
90
o
Biji Pinang Rusak 135
o
0
o
45
o
90
o
135
45 o
90 o
135 o
45 o
90 o
Biji Pinang Rusak 135 o
0o
45 o
90 o
135 o
0.971321 0.962154 0.970293 0.961875 0.972697 0.963343 0.971497 0.963767 0.934132 0.912078 0.93165 0.91384 0.897861 0.897861 0.907361 0.907361 0.952857 0.937713 0.951955 0.938933 0.940144 0.937377 0.940231 0.932838
Dari hasil pengujian dengan menggunakan lima fitur diatas terlihat bahwa adanya penyebaran nilai pada masing-masing sudut 0o, 45o, 90o dan 135o dengan jarak 1 pixel untuk nilai maksimum, minimum dan nilai rata-rata dari masing-masing fitur. Dengan mengkombinasikan fitur-fitur pada pengujian diperoleh tingkat keberhasilan deteksi yang beragam juga dari hasil pengujian terlihat fitur entropi sangat berperan dalam keberhasilan deteksi dimana tingkat keberhasilan mencapai 100%. Selain fitur entropi tingkat keberhasilan hasil deteksi juga terlihat pada kombinasi kelima fitur dimana hasilnya juga mencapai tingat 100%.
5. Hasil Dan Pembahasan
Energi
0o
Biji Pinang Bagus 0o
Keterangan
Biji Pinang Rusak 135 o
1.683672 1.763661 1.686521 1.755619 2.037045 2.156485 2.035502 2.112484 1.002281 1.049241 0.998888 1.043048 1.208559 1.21418 1.21418 1.252137 1.379911 1.447935 1.383998 1.442925 1.80051 1.81348 1.800165 1.834921
Homogenitas
Mutu Fisik
90 o
Tabel 4.5. Nilai max, min dan rata-rata dari ekstraksi fitur Homogenitas pada 00, 450, 900, dan 1350 dengan jarak 1 pixel
Tabel 1. Kriteria Mutu Fisik Biji Pinang No
45 o
o
0.509057 0.497359 0.509969 0.499195 0.468985 0.462593 0.468112 0.463046 0.260545 0.243806 0.258993 0.244919 0.156567 0.156567 0.162245 0.162245 0.32955 0.313181 0.328659 0.314572 0.232953 0.230767 0.233008 0.227161
9
Jurnal Infomedia Vol.1 No.1 September 2016 | ISSN: 2527-9858
6. Kesimpulan Beberapa kesimpulan yang dapat diambil dari hasil penelitian pada pendeteksi kerusakan biji pinang dengan metode propabilistic neural network adalah sebagai berikut: a. Nilai fitur sangat menentukan tingkat akurasi deteksi kerusakan biji pinang, nilai fitur tekstur yang dihitung adalah Energi, Kontras, Korelasi, Entropi dan Homogenias dari 4 arah yaitu 0 o, 45o, 90o, dan 135o dengan jarak 1 pixel. b. Penggabungan semua fitur dengan metode Probabilistic Neural Network yang diusulkan dalam penelitian ini sangat baik karena mampu melakukan deteksi biji pinang bagus dan biji pinang rusak dengan tingkat akurasi hingga 100%.
Gambar Nilai rata-rata hasil ekstraksi dari masingmasing fitur pada 00, 450, 900, dan 1350 dengan jarak 1 pixel Tabel 4.11 Hasil deteksi dengan kombinasi fitur Energi, Kontras, Korelasi, Entropi Dan Homogenitas No
Citra
1
36.Jpg
Jenis Pinang Bagus
2
37.Jpg
Bagus
3
38.Jpg
Bagus
4
39.Jpg
Bagus
5
40.Jpg
Bagus
6
41.Jpg
Bagus
7
42.Jpg
Bagus
8
43.Jpg
Bagus
9
44.Jpg
Bagus
10
45.Jpg
Bagus
11
46.Jpg
Bagus
12
47.Jpg
Bagus
13
48.Jpg
Bagus
14
49.Jpg
Bagus
15
50.Jpg
Bagus
16
86.Jpg
Rusak
17
87.Jpg
Rusak
18
88.Jpg
Rusak
19
89.Jpg
Rusak
20
90.Jpg
Rusak
21
91.Jpg
Rusak
22
92.Jpg
Rusak
23
93.Jpg
Rusak
24
94.Jpg
Rusak
25
95.Jpg
Rusak
26
96.Jpg
Rusak
27
97.Jpg
Rusak
28
98.Jpg
Rusak
29
99.Jpg
Rusak
30
100.Jpg
Rusak
REFERENSI
Hasil Deteksi
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2
[1]. Wijanarko A. P,. T. 2014. Pengaruh Intensitas Cahaya Terhadap Hasil Pengenalan Citra Dengan Gray Level Co-Occurrence Matrix Dan Probabilistic Neural Network, Jurnal Teknologi Informasi dan Komunikasi, ISSN : 2087 - 0868, Volume 5. 35-45
Benar Benar Benar Benar Benar Benar Benar Benar
[2]. Meiyanto, E. 2008. Ethanolic extract of Areca catechu seeds inhibit proliferationand induce apoptosis on MCF-7 cells, Majalah Farmasi Indonesia. 19(1)
Benar Benar Benar Benar Benar
[3]. Finawan, A. 2011. Pengenalan Kerusakan pada Biji Pinang Dengan Pengolahan Citra Digital Menggunakan Operasi Pengambangan Otsu, Seminar Nasional dan Expo Teknik Elektro, Banda Aceh
Benar Benar Benar Benar Benar Benar
[4]. Santhanam, and Radhika, S., 2011. ProbabilisticNeural Network – A Better Solution for Noise Classification, Journal of Theoretical and Applied Information Technology, Vol. 27 No.1, 39-42
Benar Benar Benar Benar Benar Benar
[5]. El Emary, Ibrahiem M.M., dan Ramakrishnan, S., 2008. On the Application of Various Probabilistic Neural Networks in Solving Different Pattern Classification Problems, World Applied Sciences Journal 4 (6) , 772-780.
Benar Benar Benar Benar Benar
Persentase Keberhasilan 30 x100% 100% Deteksi 30
[6]. Mishra, Madhusmita., Jena. A, R,. And Das. J,. 2013. A Probabilistic Neural Network Approach For Classification of Vehicle, International Journal of Application or Innovation in 10
Jurnal Infomedia Vol.1 No.1 September 2016 | ISSN: 2527-9858
Engineering & Management (IJAIEM), Vol 2, Issue 7, 367-371. [7]. Specht, DF. 1990. Probabilistic Networks.Neural Network. 3: 109-118.
Neural
[8]. Gonzalez, R. C. and Woods, R.E. 2008. DigitalImage Processing, Third Adition, Pearson Prentice Hall. [9]. Pathak, B., and Barooah, D. 2013. Texture Analysis Based On The Gray-Level CoOccurrence Matrix Considering Possible Orientations, International Journal of Advanced Research in Electrical, Electronics and Instrumentation Engineering, Vol. 2, Issue 9, 4205-4212.
11
