SISTEM PENGENALAN KUALITAS INDUK GURAME DENGAN METODE WAVELET DAN K-NN

Prosiding : SEMINAR NASIONAL 2012 ISBN : 978-979-19888-1-0

”Teknik Elektro Dan Informatika Dalam Pengembangan Teknologi Berkelanjutan”

SISTEM PENGENALAN KUALITAS INDUK GURAME DENGAN METODE WAVELET DAN K-NN Fitri Astutik11, IKG Darma Putera22, I Nyoman Satya Kumara3 3, Budi Darmawan4 4 1

Program Magister Teknik Informasi dan Komputer Pascasarjana Teknik Elektro, 2 Jurusan Teknik Informatika, ,3 Jurusan Teknik Elektro, Fakultas Teknik , Universitas Udayana, 4 Jurusan Teknik Informatika, STMIK Lombok. 1

[email protected], 2 [email protected] , [email protected], [email protected] Abstrak

Penelitian ini menerapkan dan mendemonstrasikan sistem pengenalan dengan ekstraksi wavelet dan kNN bertujuan menghasilkan sistem perangkat lunak untuk mengukur kualitas induk gurame. Sistem ini dikembangkan karena pemilihan induk jantan dan betina yang unggul oleh petugas masih menggunakan visual mata seorang pakar. Kesalahan pengidentifikasian bisa mempengaruhi kualitas produksi telur dan benih ikan gurame. Sistem pengenalan kualitas induk gurame merupakan proses pencocokan induk gurame yang diuji dengan suatu induk gurame yang diklaim sebagai induk “ unggul” atau “tidak unggul”. Sistem ini dibuat dan diuji menggunakan citra ikan gurame yang masih hidup sebanyak 56 citra yang dimiliki oleh BBI Kota Mataram. Hasil sementara pengujian menunjukkan system ini mampu menunjukkan tingkat keakuratannya sekitar 95% tepat mengenali induk ikan gurame termasuk “unggul” atau “tidak unggul”. Kata kunci: ekstraksi wavelet, PCA, system pengenalan ,K-NN. 1.

Pendahuluan

Pemilihan induk jantan dan betina yang unggul untuk pembenihan biasanya dilakukan hanya dengan mencermati secara visual mata seorang pakar terhadap perbedaan ciri-ciri warna kulit dasar sirip, ukuran dan bentuk organ tubuhnya seperti tekstur sisik. Perkembangan teknologi informasi yang semakin maju menimbulkan keinginan untuk membandingkan antara pengamatan visual mata dengan aplikasi teknologi informatika dalam mengidentifikasi induk jantan dan betina yang unggul. Penelitian ini juga bisa di jadikan pembanding antara pengamatan secara manual menggunakan visual mata pakar dengan pengamatan modern memanfaatkan teknologi informasi pengolahan citra digital mengenai tingkat keakuratannya pada saat proses identifikasi. Proses dasar pemrosesan gambar digital menggunakan image processing diambil dari kemampuan indera penglihatan manusia yang selanjutnya dihubungkan dengan kemampuan otak manusia untuk melakukan proses atau pengolahan terhadap gambar digital tersebut. Penelitian ini mencoba untuk melakukan beberapa penggabungan teknik pengolahan citra dan pengenalan pola dengan mengkombinasikan teknik klasifikasi untuk mengidentifikasi kualitas induk gurame yang “unggul” dan “tidak unggul”.

Jurusan Teknik Elektro UNRAM – Mataram, 17 Juli 2012

Beberapa penelitian yang telah menggunakan sistem pengenalan antara lain : menggunakan alih ragam Wavelet Haar [2]. Hasil dekomposisi Wavelet sebagai masukan proses klasifikasi k-NN. Dekomposisi dilakukan penelitian beberapa level, dari level 4, 3 dan 2. Hasilnya dibandingkan keakuratannya setelah dijadikan masukan untuk proses klasifikasi k-NN di masing-masing level. [4] Menggunakan deteksi garis dan deteksi blok untuk mendapatkan ciri-ciri rajah telapak tangan. [5] menggunakan wavelet dan jaringan syaraf tiruan. [8] Menggunakan Wavelet Haar dan PCA menggunakanLevemberg-Marquardt Backpro-pagation (LMBP) untuk sistem pengenalan wajah. Pada penelitian ini metode deteksi tepi Laplacian Of Gaussian (LOG) sebagai bagian proses prapengolahan untuk menentukan tepi-tepi sisik tubuh gurame. Rincian proses menyeluruh mencakup pengumpulan data, persiapan pengolahan data, proses ekstraksi ciri hingga proses klasifikasi menggunakan data latih dan data uji hingga dapat mengenali “benih unggul” atau “tidak unggul”.

245

Prosiding : SEMINAR NASIONAL 2012 ”Teknik Elektro Dan Informatika Dalam Pengembangan Teknologi Berkelanjutan”

ISBN : 978-979-19888-1-0

2. Metodologi Penelitian 2.1 Gambaran Umum Sistem

Gambar 1. Gambaran umum sistem Akuisi Data Proses akuisisi citra merupakan proses pengambilan (capturing) citra dari suatu objek ikan gurame, yang mana dalam sistem ini pada pembacaan color code dan peng-captur-an ikan gurame. Proses capture adalah proses pengambilan gambar melalui kamera. Citra ikan diperoleh melalui pengambilan photo ikan gurame dengan menggunakan kamera digital Fuji Film Fine Pix JV 250 Series, dengan resolusi 512x256 titik (piksel). Pengguna meletakkan ikan gurame pada suatu alas yang telah disediakan. Alas ini berupa kain lembut yang digunakan untuk mengambil ikan gurame didalam kolam. Tinggi kamera ke objek kurang lebih 61 cm. Sudut antara kamera ke objek sekitar 90º. Panjang ikan gurame untuk penelitian ini sekitar 40 - 55 cm. Lebarnya sekitar kurang lebih 20 - 35 cm dan berat badannya sekitar kurang lebih 2 - 3,5 kg. Rata-rata umur ikan sekitar 3 – 4 tahun.

processing adalah mengubah citra berwarna menjadi citra grayscale, hal ini digunakan untuk menyederhanakan model citra. Citra warna bisa diubah menjadi citra grayscale dengan cara menghitung rata-rata elemen warna Red, Green, dan Blue. Pada awalnya citra terdiri dari 3 layer matrik yaitu R-layer, G-layer dan B-layer. Sehingga untuk melakukan proses-proses selanjutnya tetap diperhatikan tiga layer diatas. Bila setiap proses perhitungan dilakukan menggunakan tiga layer, berarti dilakukan tiga perhitungan yang sama. Sehingga konsep itu diubah dengan mengubah 3 layer diatas menjadi 1 layer matrik grayscale dan hasilnya adalah citra grayscale [9]. Secara matematis perhitungannya sebagai berikut [10]:

(1.1) Berikut ini proses thresholding untuk mengubah citra RGB menjadi grayscale.

Gambar 2. Gambar asli dikonversi menjadi grayscale Deteksi Tepi

Pra pengolahan Tahapan prapengolahan merupakan proses awal dari sistem pengenalan citra ikan dengan mengubah citra RGB menjadi citra grayscale.

Gambar 2. Proses pra pengolahan Gambar 2 menjelaskan bahwa input image merupakan proses yang pertama kali dilakukan untuk mendapatkan data citra yang akan diproses selanjutnya. Tahap ini dilakukan suatu proses pengubahan citra digital. Input image berupa citra warna ikan gurame jantan dan betina. Pada citra warna, setiap titik mempunyai warna yang spesifik yang merupakan kombinasi dari 3 warna dasar, yaitu merah, hijau, dan biru. Format citra ini sering disebut sebagai citra RGB (Red-Green-Blue). Proses selanjutnya adalah grayscalling. Proses awal yang banyak dilakukan dalam image 246

Laplacian of Gaussian (LOG) adalah salah satu operator deteksi tepi yang dikembangkan dari turunan kedua dan sangat berbeda dengan operator yang lainnya, karena operator Laplacian berbentuk omny directional (tidak horizontal tidak vertikal) yang akan menangkap tepian dari semua arah dan menghasilkan tepian yang lebih tajam dari operator yang lainnya [1]. Tahap akhir Preprocessing ini data yang telah diolah hasilnya disimpan dalam folder. Ekstraksi Fitur Tahap selanjutnya melakukan proses ekstraksi fitur. Ekstraksi fitur merupakan bagian fundamental dari analisis citra. Fitur adalah karakteristik unik dari suatu objek. Tabel 1 dibawah ini merupakan tabel pengelompokan pola berdasarkan ciri ikan gurame. Tabel 1. Pengelompokan pola ciri induk gurame.

Jurusan Teknik Elektro UNRAM - Mataram, 17 Juli 2012



Penelitian ini mengekstraksi fitur tekstur ikan gurame dari pola sisik kulitnya.

dari beberapa jenis wavelet daubechies (db2, db3, dan db4) ditabulasikan dalam Tabel 1, sedangkan koefisien tapis g0n dapat dicari dari persamaan di bawah ini [5 ]: (1.2) Wavelet Daubechies merupakan basis ortonormal, yaitu jika:

Gambar 3. Diagram blok ekstraksi fitur tekstur sisik ikan gurame Dekomposisi Wavelet

Gambar 4. Skema proses dekomposisi wavelet Gambar 4 merupakan proses dekomposisi wavelet menggunakan dekomposisi wavelet 3 level. Sedangkan di penelitian ini menggunakan proses dekomposisi wavelet 5-level. Keterangan gambar 4 adalah : A1: hasil lowpass terhadap baris dan kolom V1: hasil lowpass terhadap baris diteruskan dengan highpass terhadap kolom H1 : hasil highpass terhadap baris diteruskan dengan lowpass terhadap kolom D1 : hasil highpass terhadap baris dan kolom V1, H1, D1 merupakan hasil deomposisi level 1. A1 tidak diperlihatkan karena akan didekomposisikan lagi ke level berikutnya menjadi A2, B2, D2, V2. Wavelet merupakan gelombang mini (small wave) yang mempunyai kemampuan mengelompokan energi citra terkosentrasi pada sekelompok kecil koefisien, sedangkan kelompok koefisien lainnya hanya mengandung sedikit energi yang dapat dihilangkan tanpa mengurangi nilai informasinya. Wavelet dapat dibentuk dari satu fungsi Ψ(x) , dikenal sebagai “mother wavelet” dalam suatu interval berhingga. “Daughter wavelet” Ψa,b(x) dibentuk oleh translasi (b) dan kontraksi (a). Wavelet sangat berguna untuk kompresi data image, karena transformasi wavelet mempunyai properti yang ada dalam beberapa cara transformasi Fourier konvensional [3]. Transformasi atau alih ragam yang digunakan di penelitian ini adalah alih ragam wavelet daubechies. Pada kasus ini, daubechies sendiri telah menetapkan nilai-nilai koefisien tapis h0n dan g0n atas beberapa jenis wavelet daubechies. Koefisien h0n Jurusan Teknik Elektro UNRAM – Mataram, 17 Juli 2012

(1.3) Suatu wavelet Orthogonal dikatakan wavelet Daubechies Orthogonal derajat N jika vanishing moments dari fungsi penskala φ (x) berderajat N.

(1.4) Derajat vanishing moments (tingkat kehalusan) ini merupakan parameter untuk menyatakan kemampuan mengapproksimasi suatu sinyal. Semakin besar jumlah vanihing moments suatu fungsi basis, maka akan semakin kecil galat approksimasi yang akan terjadi. Hal inilah yang merupakan sifat kunci dari wavelet Daubechies yang merupakan perbaikan dari wavelet Haar [5]. Tabel 1. Koefisien-koefisien tapis lowpass h0n

Gambar 5. Proses dekomposisi untuk menghasilkan koefisien-koefisien wavelet dari citra tubuh ikan Pada gambar 5, LL menyatakan bagian koefisien yang diperoleh melalui proses tapis Low pass dilanjutkan dengan Low pass. Citra bagian ini mirip dan merupakan versi yang lebih halus dari citra aslinya sehingga koefisien pada bagian LL sering disebut dengan komponen aproksimasi. LH menyatakan bagian koefisien yang diperoleh melalui 247


ISBN : 978-979-19888-1-0

proses tapis Low pass kemudian dilanjutkan dengan High pass. Koefisien pada bagian ini menunjukkan citra tepi dalam arah horisontal. Bagian HL menyatakan bagian yang diperoleh melalui proses High pass kemudian dilanjutkan dengan Low pass. Koefisien pada bagian ini menunjukkan citra tepi dalam arah vertikal. HH menyatakan proses yang diawali dengan High pass, dan dilanjutkan dengan High pass, dan menunjukkan citra tepi dalam arah diagonal. Ketiga komponen LH, HL, dan HH disebut juga komponen detil. PCA Metode PCA ( Principal Component Analysis ) mengurutkan komponen-komponen ortogonal yang dihasilkan (komponen-komponen utama) sehingga komponen dengan akar ciri terbesar ada di urutan pertama, dan PCA mengeliminasi komponen-komponen yang kurang memberikan kontribusi terhadap keragaman pada himpunan data. Misalkan terdapat sekumpulan citra ikan gurame Γ1, Γ2, Γ3,….. ΓM. Rata-rata ikan gurame dari set ini didefinisikan dengan persamaan 2.20 berikut :

Selanjutnya didefinisikan matriks V = Avi. Matriks V merepresentasikan vektor - vektor orthogonal, tetapi tidak orthonorma, dengan kata lain, VTV ≠ I. Untuk memperoleh vektor orthonormal Vi , maka setiap kolom dari V harus dibagi dengan λ½. Matriks V inilah yang merupakan vektor transformasi PCA dari set citra gurame Γ1, Γ2, Γ3,….. ΓM dan setiap kolomnya merupakan eigenface yang berkesesuaian dengan nilai eigen yang terurut turun. Matriks V, yang merupakan kumpulan dari vektor-vektor Vi, membangun ruang tubuh untuk semua citra tubuh ikan dalam set. Transformasi citra tubuh ikan ke ruang tubuh didefinisikan sebagai F. Untuk sebuah citra tubuh ikan masukan X, transformasinya ke ruang tubuh didefinisikan sebagai Y. F = VTA (1.8) Y = VT( X - Ψ ) (1.9) Suatu sistem pengenalan yang hanya menggunakan PCA dalam proses ekstraksi fitur akan memberikan hasil pengenalan dengan menghitung kemiripan, misalnya jarak eukledian, antara Y dengan setiap kolom dalam F. Klasifikasi k-NN

(1.5) Perbedaan tiap citra gurame dari rataannya didefinisikan pada persamaan vektor berikut:

(1.6) Matrik kovarian C dari seluruh data citra gurame dinyatakan dengan persamaan berikut:

(1.7) Dengan A = [ Θ1 Θ2 Θ3…. ΘM], merupakan set citra tubuh ikan ternormalisasi. Matrik C akan berukuran N2 x N2 . Untuk menentukan N2 vektor eigen dan nilai eigen dari dari matriks C membutuhkan perhitungan numerik yang kompleks. Vektor eigen dari AAT harus dihitung. Namun karena komputasi cukup dihitung vektor eigen dari ATA. vektor ini berukuran M x M (lebih mudah menghitung vektor eigen dari matriks 64 x 64 daripada matrik 4096 x 4096). Misalkan vi merupakan vektor eigen dari ATA, maka :

K-Nearest Neighbor (KNN) adalah suatu metode yang menggunakan algoritma supervised dimana hasil dari query instance yang baru diklasifikan berdasarkan mayoritas dari kategori pada KNN. Tujuan dari algoritma ini adalah mengklasifikasikan obyek baru berdasarkan atribut dan training sample. Classifier tidak menggunakan model apapun untuk dicocokkan dan hanya berdasarkan pada memori. Diberikan titik query, akan ditemukan sejumlah k obyek atau (titik training) yang paling dekat dengan titik query. Klasifikasi menggunakan voting terbanyak diantara klasifikasi dari k obyek. Algoritma KNN menggunakan klasifikasi ketetanggaan sebagai nilai prediksi dari query instance yang baru. Training sample diproyeksikan ke ruang berdimensi banyak, dimana masing-masing dimensi merepresentasikan fitur dari data. Ruang ini dibagi menjadi bagian-bagian berdasarkan klasifikasi training sample. Sebuah titik pada ruang ini ditandai kelac c jika kelas c merupakan klasifikasi yang paling banyak ditemui pada k buah tetangga terdekat dari titik tersebut. Dekat atau jauhnya tetangga biasanya dihitung berdasarkan Euclidean Distance yang direpresentasikan sebagai berikut [3]:

(1.7) Persamaan 1.7 menunjukkan bahwa Avi merupakan vektor eigen dari matrik kovarian C = AAT. 248

(2.0)




dimana matriks D(a,b) adalah jarak skalar dari kedua vektor a dan b dari matriks dengan ukuran d dimensi. Pada fase training, algoritma ini hanya melakukan penyimpanan vektor-vektor fitur dan klasifikasi data training sample. Pada fase klasifikasi, fitur-fitur yang sama dihitung untuk testing data (yang klasifikasinya tidak diketahui). Jarak dari vektor baru yang ini terhadap seluruh vektor training sample dihitung dan sejumlah k buah yang paling dekat diambil. Titik yang baru klasifikasinya diprediksikan termasuk pada klasifikasi terbanyak dari titik-titik tersebut. Hasil Dan Pembahasan

Gambar 7. Data uji ikan gurame jantan

Gambar 8. Data uji ikan gurame betina

Percobaan ini dilakukan secara bertahap sesuai dengan tahapan yang telah disusun pada Gambar berikut : Gambar 9. Data uji ikan gurame betina Tranformasi wavelet menggunakan dekomposisi level 5. Menggunakan nilai k=1,2. Hasil sementara yang diperoleh dapat dilihat pada tabel 2. Tabel 2. Hasil dekomposisi level 5

Gambar 6. Diagram alir penelitian Penelitian ini bekerjasama dengan Balai Benih Ikan Kota Mataram untuk mengambil datanya. Data yang digunakan dalam percobaan ini adalah 56 citra ikan gurame yang secara kasat mata dinilai masuk kedalam beberapa kelompok jenis ikan jantan,betina dan tidak unggul. Kelompok ikan gurame jantan berjumlah 27 ekor, kelompok ikan gurame betina berjumlah 14 ekor dan kelompok ikan gurame campuran jantan dan betina tetapi tidak unggul berjumlah 15 ekor. Masing-masing kelompok memiliki beberapa variasi yaitu sisi kiri dan kanan dari tubuh ikan gurame. Sebagai data latih, akan diambil 7 ekor kelompok ikan gurame jantan, 10 ekor ikan gurame betina dan 7 ekor ikan gurame betina. Sisanya adalah data uji. Data citra ikan gurame yang digunakan pada percobaan ini terdapat pada gambar berikut :

Jurusan Teknik Elektro UNRAM – Mataram, 17 Juli 2012

Tabel 2 menjelaskan bahwa pada nilai k=1, kelas dikenali sebagai benih “tidak unggul” berjumlah 8 ekor data uji ikan gurame. K=2 merupakan kelas dikenali sebagai benih “unggul” dengan data uji berjumlah 23 ikan jantan dan betina. Hasil sementara tingkat keakuratannya 100% untuk k=1 benih tidak unggul dan tingkat keakuratannya 95% untuk k=2 benih unggul. Jadi dari hasil sementara dapat dikatakan sistem pengenalan induk gurame untuk pembenihan menggunakan program MATLAB 7.8 ini cukup berhasil untuk dijadikan pembanding dengan sistem pengenalan manual yang dilakukan oleh petugas BBI. Gambar 10 berikut merupakan hasil sementara yang diperoleh pada proses pengolahan data di program Matlab 7.8.

249


ISBN : 978-979-19888-1-0

3.

Gambar 10 Hasil akhir proses pemrograman Matlab. 3.

Kesimpulan

Kesimpulan sementara yang dapat ditarik dari penelitian ini adalah sebagai berikut: Konsep pengolahan citra dalam mengubah suatu citra dari satu domain ke domain lainnya dengan tujuan untuk mempermudah pengkodean menggunakan transformasi wavelet dan PCA untuk ekstraksi fitur. K-Nearest Neighbor (KNN) merupakan metode pengklasifikasian data untuk mencari jarak terdekat antara data yang akan dievaluasi dengan K tetangga terdekatnya dalam data pelatihan. Dekomposisi wavelet dilakukan sampai dengan level 5. Nilai k yang digunakan adalah 1,2. Dengan nilai k = 1 tingkat akurasi 100% dan k=2 tingkat akurasi 95%. Sehingga hasil sementara sistem pengenalan menggunakan program MATLAB versi 7.8 mampu untuk mengenali benih unggul atau tidak unggul ikan gurame untuk pembenihan.

Rafael C. Gonzalez and PaulWintz, 1999, Digital Image Processing. Addison-Wesley Publishing Company, Inc. 4. I Ketut Gede Darma Putera, Sistem Verifikasi Menggunakan Garis Garis Telapak Tangan. Jurnal Teknologi Elektro Vol. 6 No. 2 Juli Desember, 2007. 5. Farros, and Chan Yu, 2001, Quantifying fish quality using neural networks, IEEE Transactions on Image Proc. 6. Suta Wijaya, Gede Pasek, Kanata, Bulkis, Pengenalan Citra Sidik Jari Berbasis Transformasi Wavelet Jaringan Syaraf Tiruan, Jurnal Teknik Elektro, Vol 4, No 1, 2004, pp, 4652. 7. Alasdair McAndrew, An Introduction to Digital Image Processing with Matlab. McAndrew, A., 2004, An Introduction to Digital Image Processing with Matlab, notes for SCM2511 Image. 8. Mohammed Alwakel, Zyad Shaaban.2010. Face Recognition Base On Haar Wavelet Transform And Principal Component Analysis Via Lenenberg Marquardt Backpropagation Neural Network.[Online]. Tersedia di: http://www.eurojournals.com/ejsr.htm. [diunduh: 31 Desember 2010] 9. Anonim. 2011. Bab II Teori Penunjang. Tersedia di : student.eepisits.edu/~ph4j4r06/BAB%202.docx. [diunduh : 19 Januari 2012]. 10. Sutoyo ,dkk.2009. Teori Pengolahan Citra Digital. Yogyakarta: Andi Offset.

DAFTAR PUSTAKA 1. 2.

250

Darma Putera.2010. Pengolahan Citra Digital. Yogyakarta : Andi Offset Muhammad Ilyas Sillki. Pengenalan Wajah Dengan Praproses Transformasi Wavelet Menggunakan K-Nearest Neighbour. Jurnal Paradigma Vol X. No. 2 Desember ,2009.


SISTEM PENGENALAN KUALITAS INDUK GURAME DENGAN METODE WAVELET DAN K-NN

Recommend Documents