IDENTIFIKASI KEMATANGAN JERUK BERDASARKAN CITRA WARNA RGB DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Erni Seniwati1. 1 Program Studi Sistem Informatika STMIK AMIKOM Yogyakarta Email :
[email protected] Abstract Recognize technology base on image so far can be develop more and more, to help costumer for recognize good taste fruits, a few method has been used to solve how recognize good taste fruits. This research using colours based RGB for each image capture lemon fruits, the results of RGB lemon fruits can be classified with neural networks Learning Vector Quantization. The measuring identified image fruits can be part . Part 1 using training data resulting 91,67% accurate then part 2 using testing data that resulting 89,28% with 12 images training data and 28 images testing data.
Keywords—RGB, LVQ, Buah Jeruk PENDAHULUAN 1.1 Latar Belakang Pada saat ini kemajuan teknologi komputer atau interaksi antara manusia dengan komputer telah menyentuh dunia pertanian baik sebelum panen maupun pasca panen. Sebagai contoh sebelum panen biasanya digunakan teknologi komputer untuk menganalisa jenis penyakit atau kromosom perkawinan silang. Sedangkan pasca panen biasanya untuk mengetahui mutu dan berat dari buah atau sayuran. Namun disini timbul permasalahan bagaimana mengenali buah dan sayuran tersebut sehingga sesuai dengan kondisi real yang sesungguhnya. Warna adalah salah satu atribut yang berperan dalam mengidentifikasikan objek tertentu, pemrosesan warna termasuk didalamnya adalah ekstraksi informasi tentang spectral properties dari permukaan objek dan mencari kesamaan terbaik dari sekumpulan deskripsi yang telah diketahui untuk melakukan pengenalan. Pengenalan objek citra dapat menggunakan perbedaan warna dasar RGB (Red, Green, Blue) [1], perbedaan warna dasar RGB akan diklasifikasi dengan metode pembelajaran menggunakan metode jaringan syaraf tiruan LVQ. 1.2 Batasan Masalah Berdasarkan uraian latar belakang, dapat diambil beberapa rumusan masalah yaitu: 1. Identifikasi buah jeruk masak dan buah jeruk masih muda berdasarkan citra buah jeruk menggunakan warna dasar RGB
2. Menerapkan algoritma jaringan syaraf tiruan learning vector quantization untuk mengklasifikasi hasil warna dasar RGB dari citra jeruk yang diekstraksi. 1.3 Tujuan dan Manfaat 1.3.1 Tujuan Penelitian 1. Menerapkan ekstraksi warna dasar RGB dari citra jeruk. 2. Menerapkan algoritma jaringan syaraf tiruan learning vector quantization untuk mengklasifikasi hasil warna dasar RGB dari citra jeruk yang diekstraksi. 1.3.2 Manfaat Penelitian 1. Penelitian ini diharapkan menghasilkan akurasi yang tinggi pengenalan kematangan buah jeruk menggunakan warna dasar RGB yang didapatkan dari citra buah jeruk. 2. Menjadi prototype untuk merancang alat identifikasi buah jeruk yang dapat dikembangkan serta bisa digunakan untuk masyarakat umum 2. Dasar Teori Image atau citra merupakan gambar pada bidang dua dimensi. Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus (continue) dari intensitas cahaya pada bidang dua dimensi. Sumber cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh alat-alat optik, misalnya mata pada manusia, kamera, scanner, dan semacamnya. Meskipun citra kaya informasi, namun seringkali citra tersebut mengalami penurunan mutu (degradasi), misalnya mengandung cacat atau derau (noise), warnanya terlalu kontras, kurang tajam, kabur (blurring), dan sebagainya. Sehingga citra semacam ini akan menjadi lebih sulit diinterpretasi karena informasi yang disampaikan oleh citra tersebut menjadi berkurang. Agar citra yang mengalami gangguan mudah diinterpretasi (baik oleh manusia maupun mesin), maka citra tersebut perlu dimanipulasi menjadi citra lain yang kualitasnya lebih baik. Bidang studi yang menyangkut hal ini adalah pengolahan citra (image processing). Pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan komputer, menjadi citra yang kualitasnya lebih baik. Operasi-operasi pengolahan citra diterapkan pada citra [2]. Perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan kualitas penampakan atau untuk menonjolkan beberapa aspek informasi yang terkandung di dalam citra. 2.1 Format Citra Komputer dapat mengolah isyarat-isyarat elektronik digital yang merupakan kumpulan sinyal biner (bernilai 0 dan 1). Untuk itu, citra dgital harus mempuyai format tertentu yang sesuai sehingga dapat merepresentasikan obyek pencitraan dalam bentuk
kombinasi data biner. Format citra yang banyak dipakai adalah citra biner, skala keabuan, warna, dan warna berindeks [3]. Tabel 2.1 Format Citra Skala Keabuan 21 (2 nilai) 22 (4 nilai) 23 (16 nilai) 28 (256 nilai)
Rentang Nilai Keabuan 0 dan 1 0 sampai 7 0 sampai 15 0 sampai 255
Pixel Depth 1 bit 2 bit 3 bit 8 bit
2.2 Operasi Pengolahan Citra Pengolahan citra pada dasarnya dilakukan dengan cara memodifikasi setiap titik dalam citra tersebut sesuai keperluan. Secara garis besar, modifikasi tersebut dikelompokkan menjadi: 1. Operasi titik, di mana setiap titik diolah secara tidak menempel terhadap titik-titik yang lain. 2. Operasi global, di mana karakteristik global (biasanya berupa sifat statistik) dari citra digunakan untuk memodifikasi nilai setiap titik. 3. Operasi temporal/berbasis bingkai, di mana citra diolah dengan cara dikombinasikan dengan citra lain. 4. Operasi geometri, yaitu operasi pengolah citra yang berhubungan dengan perubahan bentuk geometri citra, baik bentuk, ukuran, atau orientasinya. Beberapa contoh pada operasi geometri, di antaranya: pencerminan (flipping), rotasi/pemutaran (rotating), penskalaan (scaling/zooming), pemotongan (cropping), dan pendoyongan (skew). 5. Operasi banyak titik bertetangga, di mana data dari titik-titik yang bersebelahan (bertetangga) dengan titik yang ditinjau ikut berperan dalam mengubah nilai. 6. Operasi morfologi, yaitu operasi yang berdasarkan segmen atau bagian dalam citra yang menjadi perhatian. 2.2.1 Gray-Scale Dalam komputasi, suatu citra digital grayscale atau greyscale adalah suatu citra dimana nilai dari setiap pixel merupakan sampel tunggal. Citra yang ditampilkan dari citra jenis ini terdiri atas warna abu-abu, bervariasi pada warna hitam pada bagian yang intensitas terlemah dan warna putih pada intensitas terkuat. Citra grayscale berbeda dengan citra ”hitam-putih”, dimana pada konteks komputer, citra hitam putih hanya terdiri atas 2 warna saja yaitu ”hitam” dan ”putih” saja. Pada citra grayscale warna bervariasi antara hitam dan putih, tetapi variasi warna diantaranya sangat banyak. Citra grayscale seringkali merupakan perhitungan dari intensitas cahaya pada setiap pixel pada spektrum elektromagnetik single band . Citra grayscale disimpan dalam format 8 bit untuk setiap sampel pixel, yang memungkinkan sebanyak 256 intensitas. Format ini sangat membantu dalam pemrograman karena manipulasi 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.
2.3 Learning Vector Quantization Learning vector quantization (LVQ) (Kohonen, 1989a, 1990a) adalah sebuah metode pengklasifikasian pola dimana setiap unit keluaran merepresentasikan sebuah kelas atau kategori tertentu. Selama pelatihan, unit keluaran dimodifikasi (dengan merubah nilai bobot melalui pelatihan terawasi) untuk memperkirakan permukaan keputusan dari teori pengklasifikasi Bayes. Diasumsikan bahwa sekumpulan pola untuk pelatihan disediakan, bersama dengan sebuah distribusi awal dari vektor referensi (setiap vektor merepresentasikan sebuah kelas). Arsitektur dari jaringan syaraf LVQ ditunjukkan dengan Gambar 2.1
Gambar 2.1 Jaringan Syaraf Learning Vector Quantization [4] Langkah-langkah algoritma LVQ 1. Inisialisasi : bobot awal variabel input ke-j menuju kelas ke-i (W), maksimum epoch (MaxEpoch), error mínimum yang diharapkan (Eps), Learning rate ( ). 2. Masukkan : a. Data Input : x(m,n); dengan i=1,2, .... ,n dan j=1,2, .....,m b. Target berupa kelas : T(1,n); dengan k=1,2, .....,n 3. Inisialisasi kondisi awal: c. Epoch = 0 d. Err = 1 4. Kerjakan jika: (epoch < MaxEpoch), nilai error minimum tercapai atau nilai error=0 dan (α > Eps) e. Epoch = Epoch+1; f. Kerjakan untuk i = 1 sampai n a. Tentukan Jarak sedemikian hingga || xij-wij || nimimum (sebut sebagai Cj) b. Perbaiki Wj dengan ketentuan: i. Jika T = Cj maka: Wij(baru) = wij(lama) + α (xij-wj(lama)) (3.29) ii. Jika T ≠ Cj maka: Wij(baru) = wij(lama) - α (xij-wij(lama)) (3.30)
g. Kurangi nilai α Pengurangan α = 0,1 * α kondisi berhenti jika nilai α = 0.0001 METODE PENELITIAN Metode penelitian yang digunakan pada penelitian ini terdiri dari beberapa tahapan yaitu : 1. Pengumpulan sampel buah jeruk, jeruk dikumpulkan sebanyak 40 buah kemudian diambil gambarnya masing-masing dan dipisahkan menjadi dua bagian yaitu 20 buah gambar jeruk yang sudah matang dan 20 buah gambar jeruk yang masih muda atau belum matang. 2. Rancang Bangun Sistem, sistem dirancang untuk mengklasifikasi buah jeruk menjadi dua bagian berdasarkan warna dasar yang ada pada jeruk sampel tersebut kemudian di klasifikasi dengan metode jaringan syaraf tiruan. 3. Implementasi sistem, yaitu dengan melakukan pelatihan pengenalan pola terhadap sistem yang telah dibuat serta melakukan pengujian. Luarannya adalah akurasi sistem terhadap pengenalan buah jeruk. 3.1 Analisis Dan Rancangan Sistem Ada dua tahapan proses utama dalam identifikasi buah jeruk menggunakan nilai RGB dan jaringan syaraf tiruan learning vector quantization (LVQ) dari citra buah jeruk yang dibangun dalam penelitian ini, yakni tahapan pelatihan dan tahapan pengujian. Tahapan pelatihan adalah tahapan untuk melatih atau mengajari sistem untuk mengenali pola umum citra jeruk matang dan jeruk yang belum matang. Sedangkan tahapan pengujian adalah tahapan untuk mengetahui kemampuan pengenalan yang dapat dilakukan oleh sistem berdasarkan tahapan pelatihan yang dilakukan. Kedua tahapan proses dalam sistem ditunjukkan dalam bentuk bagan alir sistem pada Gambar 3.1 dan 3.2. Membaca file citra buah jeruk
Ekstraksi warna dasar RGB
JST LQV
Bobot Hasil JST LVQ
Gambar 3.1 Bagan alir sistem klasifikasi pada tahap pelatihan
Membaca file citra buah jeruk
Transformasi dasar RGB
JST LQV
Hasil Pengujian JST LVQ
Bobot Hasil pelatihanJST LVQ
Gambar 3.2 Bagan alir sistem klasifikasi pada tahap pengujian
Gambar buah jeruk yang telah diambil sebanyak 40 buah yaitu 20 buah gambar jeruk matang dan 20 buah gambar jeruk muda, masing-masing dari jenis gambar jeruk matang dan jeruk muda diambil 6 buah gambar yang digunakan proses pelatihan untuk sistem dan sisanya yaitu sebanyak 28 buah digunakan untuk pengujian sistem. Berdasarkan Gambar 3.1 yaitu proses pelatihan menunjukkan bahwa sistem mula-mula membaca file gambar buah jeruk yaitu sebanyak 5 buah gambar untuk jeruk matang dan 5 buah gambar untuk jeruk muda, kemudian 1 buah gambar jeruk matang dan 1 buah gambar jeruk muda digunakan untuk bobot awal pelatihan pada jaringan syaraf tiruan LVQ. Proses membaca file gambar tersebut melalui tahap transformasi warna dasar RGB menghasilkan nilai-nilai RGB, dari nilai RGB tersebut kemudian di transformasi lagi untuk mencari nilai gray-scale. Gray-scale digunakan untuk menyederhanakan model citra tanpa harus melakukan perhitungan masing masing layer yaitu layer –Red, layerBlue dan layer-Green. Nilai gray-scale untuk setiap gambar jeruk dari 12 gambar jeruk yang dijadikan data latih merupakan masukan untuk proses klasifikasi jaringan syaraf tiruan Learning Vector Quantization sehingga menghasilkan bobotlatih. Bobot latih yang telah dihasilkan dari Gambar 3.1 selanjutnya di pakai untuk mengidentifikasi gambar jeruk 28 buah yang diperlihatkan pada Gambar 3.2. proses yang terjadi pada Gambar 3.2 sama dengan proses yang telah dilakukan pada saat pelatihan yang di tunjukkan pada Gambar 3.1, namun bedanya adalah bobot awal yang digunakan pada proses pengujian sistem adalah bobot latih yang dihasilkan pada proses pelatihan sistem. 3.2 Jaringan Syaraf Tiruan LVQ Arsitektur jaringan syaraf tiruan LVQ yang dibangun pada penelitian ini seperti terlihat pada Gambar 3.3
Gambar 3.3 Arsitektur Jaringan Syaraf Tiruan LVQ Gambar 3.3 merupakan arsitektur jaringan syaraf tiruan LVQ dengan 2 lapisan (layer), yaitu 1 lapisan input berupa X11, X12, X13, ... Xmn, dimana n adalah jumlah nilai gray-scale setiap file gambar jeruk sebanyak 256 titik. Selanjutnya 1 lapisan output dengan 2 keluaran yaitu Y1 untuk nilai gray-scale jeruk matang, Y2 untuk nilai grayscale jeruk muda. HASIL DAN PEMBAHASAN 4.1 Pengujian Data Latih Sebelum melakukan pengujian pada data uji, terlebih dahulu dilakukan pengujian akurasi pengenalan jaringan syaraf tiruan terhadap data latih yaitu sebanyak 12 buah. Untuk menghitung persentase hasil pengenalan dari aplikasi yang dibuat menggunakan rumus : =
100%
Tabel 4.1 data latih citra jeruk No
Citra
Type citra dan dimensi
Jenis jeruk
Pengenalan sistem
1
JPEG 94 x 94 cm
Masak
dikenali
2
JPEG 94 x 94 cm
Masak
dikenali
3
JPEG 94 x 94 cm
Muda
dikenali
4
JPEG 94 x 94 cm
Muda
dikenali
5
JPEG 94 x 94 cm
Muda
dikenali
6
JPEG 94 x 94 cm
Masak
dikenali
7
JPEG 94 x 94 cm
Masak
dikenali
8
JPEG 94 x 94 cm
Masak
dikenali
9
JPEG 94 x 94 cm
Masak
dikenali
10
JPEG 94 x 94 cm
Muda
dikenali
11
JPEG 94 x 94 cm
Muda
Tidak dikenali
12
JPEG 94 x 94 cm
Muda
dikenali
Tabel 4.1 menunjukkan hasil pengujian dari sistem yang dibuat, sehingga untuk mengetahui persentase hasil pengujian adalah =
100% = 91,67%
4.2 Pengujian dengan data uji Pada pengujian dengan data uji didapatkan hasil seperti pada table 4.2. Tabel 4.2 Data Uji citra Jeruk No
Citra
Type citra dan dimensi
Jenis jeruk
Pengenalan sistem
1
JPEG 94 x 94 cm
Masak
dikenali
2
JPEG 94 x 94 cm
Masak
dikenali
3
JPEG 94 x 94 cm
Masak
dikenali
4
JPEG 94 x 94 cm
Muda
Tidak dikenali
5
JPEG 94 x 94 cm
Muda
Tidak dikenali
6
JPEG 94 x 94 cm
Masak
dikenali
7
JPEG 94 x 94 cm
Masak
dikenali
8
JPEG 94 x 94 cm
Masak
dikenali
9
JPEG 94 x 94 cm
Masak
dikenali
10
JPEG 94 x 94 cm
Muda
dikenali
11
JPEG 94 x 94 cm
Masak
dikenali
12
JPEG 94 x 94 cm
Masak
dikenali
13
JPEG 94 x 94 cm
Masak
dikenali
14
JPEG 94 x 94 cm
Masak
dikenali
15
JPEG 94 x 94 cm
Muda
dikenali
16
JPEG 94 x 94 cm
Muda
dikenali
17
JPEG 94 x 94 cm
Muda
dikenali
18
JPEG 94 x 94 cm
Masak
dikenali
19
JPEG 94 x 94 cm
Masak
dikenali
20
JPEG 94 x 94 cm
Masak
dikenali
21
JPEG 94 x 94 cm
Masak
Tidak dikenali
22
JPEG 94 x 94 cm
Masak
dikenali
23
JPEG 94 x 94 cm
Muda
dikenali
24
JPEG 94 x 94 cm
Masak
dikenali
25
JPEG 94 x 94 cm
Muda
dikenali
26
JPEG 94 x 94 cm
Masak
dikenali
27
JPEG 94 x 94 cm
Muda
dikenali
28
JPEG 94 x 94 cm
Masak
dikenali
Hasil pengujian berdasarkan table 4.2 menunjukkan kinerja sistem untuk citra jeruk yang dikenal oleh sistem ada 28 buah sedangkan citra jeruk yang tidak dikenali atau tidak sesuai kondisi jeruk yaitu ada 2 buah, sehingga persentase pengenalan sistem terhadap hasil pengujian dengan data uji citra jeruk adalah =
25 100% = 89.28 % 28
KESIMPULAN Dari hasil penelitian yang dilakukan didapatkan kesimpulan 1. Identifikasi jeruk yang diproses berdasarkan citra jeruk didapatkan hasil untuk data latih sebanyak 12 buah citra, persentase sistem untuk melakukan pengenalan 97,16 %, ini menunjukkan sistem identifikasi yang dibuat sudah berhasil mengenali obyek data latih. 2. Proses identifikasi dengan data latih untuk data citra jeruk sebanyak 28 buah citra keberhasilannya 89.28% dengan kesalahan pengenalan ada 3 buah citra jeruk yang tidak bisa dikenali. 3. Persentase hasil identifikasi tersebut menunjukkan bahwa sistem yang dibuat menggunakan metode RGB-grayscale dengan klasifikasi jaringan syaraf tiruan LVQ sudah berhasil mengenali obyek citra jeruk. SARAN 1. Perlu diperhatikan pencahayaan saat pengambilan data citra jeruk agar hasil yang didapatkan sesuai dengan yang diharapkan 2. Penelitian kedepan diharapkan dapat diterapkan pada peralatan portable atau smartphone untuk mendeteksi langsung secara realtime buah jeruk.
DAFTAR PUSTAKA [1] Putra,Darma. Pengolahan Citra Digital. Andi Offset, Yogyakarta. 2010. [2] Munir,Rinaldi, 2004, Pengolahan citra Digital dengan Pendekatan Algoritmik, Cetakan Pertama, Informatika, Bandung. [3] Balza A., dan Kartika F.,. 2005. Teknik Pengolahan Citra menggunakan Delphi. Yogyakarta: Ardi Publishing [4] Fausset, L., 1994, Fundamentals of Neural Networks, Architecture, Algorithms and Application, Prentice-Hall.
[5] Prijono A., dan Marvin Ch. Wijaya, 2007,Pengolahan Citra Digital Menggunakan Matlab, Cetakan Pertama, Informatika, Bandung. [6] Handoko A.P. dan Utami Y.R.W, 2009. Pengenalan Buah Berdasarkan Karakteristik Warna Citra. CSRID 1, 114-120. [7] Efendi,Susanto, 2010, Deteksi Citra Digital Menggunakan Metode Edge Detection. Teknik Informatika, Universitas Stikubank Semarang. [8] Wibowo J.S., 2011, Deteksi dan Klasifikasi Cara Berdasarkan Warna Kulit Menggunakan HSV. Dinamik 16, 118-123. [9] Jogiyanto, 1990, Analisis dan Desain Sistem Operasi. Andi Offset, Yogyakarta. [10] Pressman, Roger S, 2002, Rekayasa Perangkat Lunak ; Pendekatan Praktisi (buku 1). Andi. [11] Sukendar,Hari, 2010, Identifikasi Buah Menggunakan Ciri Warna danBentuk.Teknik Informatika, Universitas Dian Nuswantoro Semarang. [12] Sari W. Z., 2010, Pengenalan Pola Penggolongan Darah Menggunakan Jaringan Syaraf Tiruan Backpropagation, Skripsi Jurusan Teknik Informatika UIN Malang.
