Identifikasi Kematangan Mentimun Berdasarkan Tekstur Kulit Buah dengan Fuzzy C-Mean

Seminar Nasional Ilmu Komputer (SNIK 2016) - Semarang, 10 Oktober 2016 ISBN: 978-602-1034-40-8

Identifikasi Kematangan Mentimun Berdasarkan Tekstur Kulit Buah dengan Fuzzy C-Mean 1

Ardi Pujiyanta, 2 Sovian Rizqiawan

1,2

Program Studi Teknik Informatika, Universitas Ahmad Dahlan Email: [email protected], [email protected]

Abstrak Mentimun (Cucumis sativus L) merupakan buah yang dapat dikonsumsi dan dapat diolah lebih lanjut sebagai bahan baku pada industri kecantikan, dan memiliki pangsa pasar yang luas mulai dari pasar tradisional hingga pasar modern. Adanya kemiripan tekstur kulit mentimun antara yang matang dengan yang belum matang mengakibatkan orang kesulitan dalam mengidentifikasi mentimun matang dari segi ciri tekstur kulit buah. Tujuan penelitian ini adalah untuk mendeteksi kematangan mentimun berdasarkan tekstur kulit buah dengan menggunakan teknik clustering metode fuzzy c-means. Subjek penelitian ini adalah mengetahui tekstur citra mentimun matang,

setengah matang dan mentah, dengan menggunakan dua parameter ciri yaitu contras dan homohenity. Data penelitian ini menggunakan 30 sampel citra yang tediri dari 15 database dan 15 data uji truecolor 24 bit dengan format ekstensi *.bmp yang diambil dengan kamera kemudian dilakukan pemotongan ukuran (cropping) menjadi 512 x 512 pixels, yang terdiri masing-masing 5 citra pada tekstur kulit mentimun matang, setengah matang dan mentah. Berdasarkan hasil pengujian dengan menggunakan 15 data uji, yang terdiri dari 5 citra mentimun matang, 5 citra mentimun setengah matang, 5 citra mentimun mentah menunjukkan hasil mencapai 100%. Secara keseluruhan tingkat keberhasilan identifikasi kematangan mentimun berdasarkan tekstur kulit buah dengan metode fuzzy c-means yaitu sebesar 100%. Kata Kunci: Ekstraksi ciri, fuzzy c-means, kematangan mentimun, pengolahan citra. Abstract Cucumber is a fruit that can be consumed and can be further processed as raw materials in the beauty industry, and has a large market share from traditional markets to modern market. Cucumber skin texture similarity between mature with immature lead to the difficulty in identifying the cucumber matured in terms of characteristic texture of the fruit skin. The purpose of this study was to detect the maturity cucumber rind texture by using the techniques of clustering fuzzy c-means. Subjects of this study was to determine the texture of the image of ripe cucumber, half-ripe and unripe, using two parameters that characterize contras and homohenity. Data of this study using 30 samples image database consisting of 15 and 15 truecolor 24-bit test data with the extension * .bmp format captured by the camera and then cutting the size to 512 x 512 pixels, comprising respectively 5 imagery on ripe cucumber skin texture, half-cooked and raw. Based on test results using 15 test data, which consists of five ripe cucumber image, image 5 cucumber half cooked, raw cucumber image 5 shows the results reached 100%. Keyword: Feature extraction, fuzzy c-means, maturity cucumber, image processing.

1.

PENDAHULUAN

Mentimun, timun atau ketimun (Cucumis sativus L) merupakan buah yang mempunyai nilai komersial di Indonesia dan memiliki pangsa pasar yang luas mulai dari pasar tradisional hingga pasar modern. Hal ini menunjukkan bahwa komoditas mentimun sudah dikonsumsi masyarakat secara luas dan memiliki daya saing. Dalam rangka meningkatkan daya saing tersebut maka buah mentimun yang dihasilkan harus dapat memenuhi standar pasar dalam negeri maupun pasar internasional dan di terima secara luas oleh konsumen. Industri pengolahan hasil pertanian dan perkebunan sangat berkembang pesat. Kegiatan pasca panen erat kaitannya dengan mutu produk yang dihasilkan, yang pada akhirnya menentukan pula harga jual yang dapat diterima oleh petani. Salah satu tahap dalam proses pengolahan hasil perkebunan setelah panen adalah pemilahan produk berdasar kualitasnya yang dapat menjamin keseragaman mutu. Mutu buah mentimun ditentukan oleh berbagai parameter diantaranya adalah parameter tingkat usia tanam, bentuk dan ukuran fisik serta kematangannya [1].

50


2.

METODE

2.1. Metode Penelitian Metode penelitian merupakan suatu cara ilmiah yang digunakan untuk memperoleh dan menyelesaikan suatu masalah yang dilandasi oleh metode ilmiah. Subjek dari penelitian ini adalah mengetahui tekstur citra mentimun matang, setengah matang, dan mentah, dengan menggunakan dua parameter ciri yaitu contras dan homohenity dengan menggunakan Matlab v7.9. Data dalam penelitian ini menggunakan 30 sampel citra yang tediri dari 15 database dan 15 data uji truecolor 24 bit dengan format ekstensi *.bmp yang terdiri masing-masing 5 citra pada tekstur kulit mentimun matang, setengah matang dan mentah. 2.2. Landasan Teori 2.2.1. Citra Citra merupakan istilah lain untuk gambar sebagai salah satu komponen multimedia yang memegang peranan yang sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh data teks, yaitu citra kaya dengan informasi. Secara harfiah, citra (image) adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus (continue) dari intensitas cahaya pada bidang dwimatra. Sumber cahaya menerangi objek, objek memantulkan kembali sebagai dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh alat-alat optik, misalnya mata pada manusia, kamera, pemindai (scanner) dan sebagainya. Sehingga bayangan objek yang disebut citra tersebut terekam [2]. 2.2.2. Tekstur Citra (Texture) Tekstur dicirikan sebagai distribusi spasial dari derajat keabuan didalam sekumpulan pixel-pixel yang bertetangga. Jadi, tekstur tidak dapat diidentifikasikan untuk sebuah pixel, melaikan suatu citra dianggap sebagai suatu kesatuan. Dapat pula dikatakan bahwa tekstur (texture) adalah sifat sifat atau karakteristik yang dimiliki oleh suatu daerah yang cukup besar sehingga secara alami sifat tersebut dapat berulang dalam daerah tersebut. Pengertian dari tekstur dalam hal ini adalah keteraturan pola-pola tertentu yang terbentuk dari susunan pixel-pixel dalam citra. Suatu permukaan dikatakan mempunyai informasi tekstur, jika luasannya diperbesar tanpa mengubah skala, maka sifat-sifat permukaan hasil perluasan mempunyai sifat kemiripan dengan permukaan asalnya. Pola-pola yang teratur muncul secara berulang-ulang dengan interval jarak dan arah yang tertentu. Suatu permukaan tak berwarna dalam suatu citra dapat mengandung informasi tekstur bila permukaan itu mempunyai pola-pola tertentu seperti permukaan kayu bekas di gergaji, permukaan batu, hamparan pasir, kumpulan biji-bijian dan sebagainya. Informasi tekstur dapat digunakan untuk membedakan sifat permukaan suatu benda dalam citra yang berhubungan dengan kasar dan halus, sifat-sifat spesifik dari kekasaran dan kehalusan permukaan tersebut, yang sama sekali lepas dari warna permukaan tersebut. Analisis tekstur lazim dimanfaatkan sebagai proses antara untuk melakukan klasifikasi dan interpretasi citra. Suatu proses klasifikasi citra berbasis analisis tekstur pada umumnya membutuhkan tahapan ekstraksi ciri, yang dapat terbagi dalam tiga macam metode yaitu metode statistik, metode spektral dan metode struktural. Metode statistik menggunakan perhitungan statistik distribusi derajat keabuan (histogram) dengan mengukur tingkat kekontrasan, granularitas, dan kekasaran suatu daerah dari hubungan ketetanggaan antar piksel di dalam citra. Paradigma statistik ini penggunaannya tidak terbatas, sehingga sesuai untuk tekstur-tekstur alami yang tidak terstruktur dari sub pola dan himpunan aturan (mikrostruktur) [3]. 2.2.3. Ekstraksi Ciri Statistik Ekstraksi ciri merupakan metode pengambilan ciri yang didasarkan pada karakteristik histogram citra. Histogram menunjukkan probabilitas kemunculan nilai derajat keabuan piksel pada suatu citra. Dari nilainilai pada histogram yang dihasilkan, dapat dihitung beberapa parameter ciri, antara lain adalah contrast dan homogeneity [4]. a. Angular Second Moment (Homogenity) Menunjukkan ukuran sifat homogenitas citra (1) ke-i (i=1,2,…15), atribut ke-j (j=1,2,..15). dimana p(i,j) merupakan menyatakan nilai pada baris i dan kolom j pada matrik kookurensi.

51


b. Contrast Menunjukkan ukuran penyebaran (momen inersia) elemen-elemen matrik citra. Jika letaknya jauh dari diagonal utama, nilai kekontrasan besar. Secara visual, nilai kekontrasan adalah ukuran variasi antar derajat keabuan suatu daerah citra.

(2) Dimana : ke-i (i=1,2,3…15), atribut ke-j (j=1,2,..5). 2.2.4. Logika Fuzzy Sistem fuzzy merupakan penduga numerik yang terstruktur dan dinamis. Sistem ini mempunyai kemampuan untuk mengembangkan sistem intelijen dalam lingkungan yang tak pasti. Sistem ini menduga suatu fungsi dengan logika fuzzy. Dalam logika fuzzy terdapat beberapa proses yaitu penentuan himpunan fuzzy, penerapan aturan IF-THEN dan proses inferensi fuzzy. Analisis Cluster adalah metode untuk mengelompokkan satu himpunan data kekelompok individu yang sama. Ini adalah cabang analisis multivariat dan pembelajaran tanpa pengawasan di pengenalan pola. Pengelompokan aplikasi di berbagai bidang seperti taksonomi, obat-obatan, geologi, bisnis, sistem rekayasa dan pengolahan gambar, dll [5]. Fuzzy clustering berguna untuk himpunan data yang kompleks dan multi-dimensi, di mana anggota memiliki hubungan parsial atau tidak jelas. Di antara berbagai teknik yang telah dikembangkan, algoritma fuzzy c-mean (FCM) adalah yang paling populer, di mana sebagian data memiliki keanggotaan parsial dengan masing-masing pusat klaster yang telah ditentukan. Selain itu, di FCM, pusat cluster adalah virtual, yaitu, mereka dipilih secara acak dan dengan demikian mungkin keluar dari kumpulan data. Pusat-pusat cluster dan nilai keanggotaan data mereka diperbarui melalui beberapa iterasi [6]. Fuzzy c-means adalah suatu teknik peng-cluster-an yang mana keberadaannya tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat keanggotaan. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981. Algoritma FCM diberikan sebagai berikut [7]: a. Matriks X berukuran n x m, dengan n = jumlah data yang akan di cluster; dan m= jumlah variabel. (Dalam gambar berupa nilai pixel) Xij data sampel ke-i (i=1,2,…n), atribut ke-j (j=1,2,..m). b. Tentukan jumlah cluster (c), pangkat untuk matriks partisi (w), maksimum iterasi (MaxIter), error terkecil yang diharapkan (ξ), fungsi obyektif awal (P 0=0), dan iterasi awal (t=1). c. Bangkitkan bilangan random ηik, i=1,2,…n; k=1,2,…c sebagai elemen matrik partisi awal U. d. Hitung pusat cluster ke-k: , dengan k=1,2,…,c; dan j=1,2,…,m, menggunakan persamaan berikut dengan: (3) Vkj = pusat cluster ke-k untuk atribut ke-j ηik = derajat keanggotaan untuk data sampel ke-i pada cluster ke-k xij = data ke-i, atribut ke-j e. Hitung fungsi obyektif pada iterasi ke-t menggunakan persamaan berikut: (4) Vkj = pusat cluster ke-k untuk atribut ke-j ηik = derajat keanggotaan untuk data sampel ke-i pada cluster ke-k xij = data ke-i, atribut ke-j Pt = fungsi obyektif pada iterasi ke-t f. Hitung perubahan matriks partisi menggunakan persamaan berikut: (5)

52


Dengan i = 1,2,…,n; dan k=1,2,…c. Dimana: Vkj = pusat cluster ke-k untuk atribut ke-j ηik = derajat keanggotaan untuk data sampel ke-i pada cluster ke-k xij = data ke-i, atribut ke-j g. Cek Kondisi berhenti Jika: ( │Pt-Pt-1│< ε) Atau: ( t >MaxIter ) maka berhenti. Jika tidak: t=t+1, ulangi langkah ke-4. 3.

HASIL DAN PEMBAHASAN

3.1. Perancangan Sistem Berikut perancangan flowchart dari aplikasi pengolahan citra untuk identifikasi kematangan mentimun berdasarkan tekstur kulit buah dengan metode ekstraksi ciri statistik, seperti pada Gambar 1.

Gambar 1. Flowchart aplikasi deteksi kematangan mentimun 3.2. Implementasi Sistem Sebelum membuat program utama, perlu dibuat database sebagai penyimpanan data perhitungan statistik tekstur citra yang menjadi pembanding untuk citra pengujian sehingga didapatkan kesimpulan untuk citra pengujian tersebut apakah termasuk citra mentimun yang matang, setengah matang atau mentah. Pembuatan database menggunakan masing-masing 5 citra dari tekstur kulit mentimun, dengan menghitung nilai dua parameter ciri yaitu contrast dan homogenity. Database ini disimpan dalam bentuk tabel dengan format *.mat, yaitu format default penyimpanan workspace pada aplikasi Matlab. Berikut ini adalah Tabel 1 yang berisi hasil perhitungan rata-rata dari setiap parameter yang menjadi range ciri kematangan citra tekstur kulit mentimun, sedangkan tampilan utama aplikasi dapat dilihat pada Gambar 2.

53


Tabel 1. Range kematangan Mentimun

Gambar 2. Tampilan utama aplikasi Dalam perancangan sistem ini ada prosedur utama yang akan dibuat: 1. Load image, seperti pada Gambar 3.

Gambar 3. Tampilan untuk membuka dan menampilkan file citra Pada bagian proses load ini, hanya file citra yang berekstensi *.bmp yang dapat di-load dan ditampilkan pada program. Setelah memilih gambar dengan memilih menu Load Image, maka file citra akan ditampilkan pada tempat yang telah disediakan, seperti pada Gambar 4 dan 5.

54


Gambar 4. Tampilan setelah file berhasil dibuka

Gambar 5. Tampilan konversi citra grayscale

2. Perhitungan Statistik Tekstur Citra Proses selanjutnya ialah ekstraksi ciri tekstur citra, dimana setelah citra telah terkonversi ke grayscale Gambar 6. dan dihitung histogramnya, maka selanjutnya akan muncul nilai mean, variance, skewness, kurtosis dan entropy seperti Gambar 7.

Gambar 6. Tampilan histogram citra grayscale

Gambar 7. Tampilan ciri tekstur citra

3. Menampilkan Hasil Cek Kematangan Proses terakhir adalah menampilkan keputusan apakah citra tekstur mentimun yang diuji adalah mentimun matang atau belum matang seperti Gambar 8.

Gambar 8. Tampilan hasil cek kematangan 3.3. Pengujian Sistem Tahap pengujian sistem dilakukan dengan melakukan pengujian terhadap 15 citra terdiri dari 15 database yang berekstensi *bmp. Dari 15 data citra tersebut akan dicari nilai parameter teksturnya yaitu contrast dan homogenity. Citra mentimun dengan format bitmap dikonversi ke bentuk grayscale dan ditampilkan histogram grayscale-nya. Dihitung contrast dan homogeneity selanjutnya akan dimasukan ke algoritma fuzzy c-means. Perhitungan 2 parameter tersebut mampu mendeteksi tekstur kulit mentimun dengan membandingkan data range nilai rata-rata tekstur kulit mentimun yang menjadi acuan dalam menentukan

55


tekstur kulit mentimun matang, setengah matang dan mentah. Hasil deteksi kematangan mentimun dapat dilihat pada Tabel 2. Tabel 2. Hasil deteksi kematangan mentimun

56


Dimana nilai N adalah jumlah seluruh citra mentimun yang diujikan yaitu 15 citra yang terdiri dari 5 citra mentimun matang 5 citra mentimun belum matang dan 5 citra mentimun setengah matang. Hasil pengujian akurasi sistem ini dapat dilihat pada Tabel 3. Tabel 3. Akurasi sistem

Dari Tabel akurasi sistem tersebut didapatkan tingkat akurasi untuk identifikasi kematangan mentimun berdasarkan perhitungan tekstur citra dengan metode ekstraksi ciri statistik yaitu mencapai 100%. 4. SIMPULAN Berdasarkan hasil penelitian yang telah dilakukan dengan menggunakan 30 sampel yang terbagi menjadi 15 database dan 15 data uji menunjukkan bahwa hasil pengujian aplikasi untuk identifikasi kematangan mentimun dengan menggunakan fuzzy c-means mencapai 100%. Selain dari usia tanam, segi warna kulit, dan ukuran fisik buah, mentimun juga bisa diketahui kematangannya dari sisi tekstur kulitnya. Kendala yang muncul dari penggunaan metode ekstraksi ciri tekstur untuk mengukur nilai statistik citra tekstur kulit buah mentimun salah satunya adalah teknik pengambilan data. Citra yang blur dapat mempengaruhi nilai perhitungan yang dilakukan dimana dua citra uji tersebut termasuk citra yang hasil pengujian aplikasi tidak sesuai dengan pengujian manual dikarenakan citra blur. 5. [1] [2] [3] [4] [5] [6]

[7]

REFERENSI Dwi Hartoyo. 2008. Budidaya dan Klasifikasi Varietas Mentimun. http://cybex.pertanian.go.id/materipenyuluhan/detail/3455, diakses 23 januari 2016. Rinaldi Munir. 2004. Pengolahan Citra Digital dengan pendekatan Algoritmik. Informatika, Bandung. Siska R. Arif. 2011. Analisis Tekstur dan Ekstraksi Ciri. Institut Teknologi Telkom, Bandung. Abdul Fadlil. 2012. Modul Kuliah Pengenalan Pola. Universitas Ahmad Dahlan, Yogyakarta. Wu, K., Yang, M. 2002. Alternative c-means clustering algorithms. The Journal of Pattern Recognition Society. Vol. 3(10): 2267–2278. Chattopadhyay, S., Pratihar, D., Sarkar, C. 2011. A Comparative study of fuzzy C-Means algorithm and entropy based fuzzy clustering algorithms. http://www.cai.sk/ojs/index.php/cai/article/viewArticle/191, diakses 3 Februari 2016. Kusumadewi, S., Purnomo, H. 2004. Aplikasi Logika Fuzzy Untuk Mendukung Keputusan. Graha Ilmu, Yogyakarta.

57

Identifikasi Kematangan Mentimun Berdasarkan Tekstur Kulit Buah dengan Fuzzy C-Mean

Recommend Documents