KLASIFIKASI BUNGA EUPHORBIA BERDASARKAN KELOPAK DENGAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA)

Artikel Skripsi Universitas Nusantara PGRI Kediri

KLASIFIKASI BUNGA EUPHORBIA BERDASARKAN KELOPAK DENGAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA) SKRIPSI Diajukan Untuk Memenuhi Sebagai Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.) Pada Program Studi Teknik Informatika Fakultas Teknik UNP Kediri

Oleh :

OKI MEKARSARI 11.1.03.02.0281

PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS NUSANTARA PGRI KEDIRI 2016

Oki Mekarsari | 11.1.03.02.0281 Fakultas Teknik – Program Studi Teknik Informatika

simki.unpkediri.ac.id








KLASIFIKASI BUNGA EUPHORBIA BERDASARKAN KELOPAK DENGAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA) Oki Mekarsari 11.1.03.02.0281 Teknik – Teknik Informatika [email protected] Dra. Budhi Utami, M.Pd dan Rianto, S.Kom UNIVERSITAS NUSANTARA PGRI KEDIRI ABSTRAK Oki Mekarsari : Klasifikasi Bunga Euphorbia Berdasarkan Kelopak Dengan Metode Principal Component Analysis, Skripsi, Teknik Informatika, Teknik Universitas Nusantara PGRI Kediri, 2016. Penelitian ini dilatar belakangi dari hasil pengamatan dan pengalaman peneliti, bahwa bunga Euphorbia adalah salah satu jenis tanaman yang digemari semua orang untuk menghiasi dan memperindah halaman rumah mereka. Bunga Euphorbia memiliki banyak jenisnya, akan tetapi masyarakat banyak yang belum mengetahui tentang jenis bunga Euphorbia tersebut. Mereka hanya mengetahui sekedar namanya saja bukan jenis bunga Euphorbia tersebut. Permasalahan penelitiann ini adalah (1) Bagaimana merancang dan membangun aplikasi klasifikasi bunga Euphorbia berdasarkan kelopak bunga tersebut?(2) Bagaimana gambar bunga dapat dijadikan inputan untuk pengklasifikasian bunga tersebut?(3) Bagaimana menerapkan metode PCA ke dalam pembuatan aplikasi klasifikasi bunga Euphorbia berdasarkan kelopak bunga?(4) Bagaimana mencari nilai antara data training dan testing menggunakan Euclidean Distance?. Penelitian ini menggunakan metode Principal Component Analysis (PCA) dengan objek penelitian bunga Euphorbia. Bunga Euphorbia yang digunakan adalah bunga Euphorbia Milli splendens, Euphorbia milli ch. des moulins, dan Euphorbia pulcherrima. Citra kelopak bunga Euphorbia akan dilakukan tahap pre-processing yang meliputi grayscale dan thresholding, kemudian diproses dengan metode PCA dan pengenalannya menggunakan euclidean distance. Penelitian dilaksanakan sesuai dengan jadwal penelitian yang sudah dibuat yaitu persiapan, observasi, wawancara, perancangan, desaian sistem, pengkodingan, implementasi aplikasi,maintance aplikasi. Kesimpulan dari penelitian ini adalah (1) metode PCA (Principal Component Analysis) telah berhasil untuk mengklasifikasikan macam-macam bunga Euphorbia. (2)PCA (Principal Component Analysis) memproyeksikan citra dari vektor yang berdimensi tinggi ke vektor yang mempunyai dimensi yang lebih rendah kemudian dicari nilai eigen vektor dan eigen value untuk melakukan ekstraksi ciri. (3) Euclidean Distance memperoleh nilai kedekatan antara data training dengan data testing yang akan digunakan untuk pengklasifikasian.(4) Prosentase akurasi yang didapat mencapai 90%, Besarnya tingkat akurasi dipengaruhi oleh banyaknya jumlah data training yang digunakan.

Kata kunci: klasifikasi, bunga Euphorbia, Principal Component Analysis.



Artikel Skripsi Universitas Nusantara PGRI Kediri I.

bunga Euphorbia. Mereka hanya

LATAR BELAKANG Bunga adalah salah satu jenis

mengetahui sekedar namanya bukan

tanaman yang digemari semua orang,

jenis dari bunga tersebut. Oleh karena

karena

bisa

memperindah

digunakan

untuk

itu

diperlukan

halaman

rumah

mengklasifikasikan

aplikasi

untuk

jenis

bunga

mereka. Masyarakat baik di pedesaan

Euphorbia berdasarkan kelopaknya,

maupun di perkotaan mempunyai

untuk membedakan dan mengenali

kecenderungan

jenis-jenis bunga Euphorbia.

untuk

tinggal

di

lingkungan yang nyaman, segar dan

Sekilas tentang metode yang saya

indah. Keadaan ini dapat tercipta

gunakan untuk penelitian ini adalah

dengan menanam bunga di sekitar

metode

Principal

rumah dan lingkungan tempat tinggal

Analysis

(PCA).

mereka. Salah satu bunga tersebut

merupakan

adalah bunga Euphorbia. Euphorbia

memproyeksikan data vektor yang

adalah merupakan salah satu keluarga

berdimensi tinggi ke vektor yang

Euphorbiaceace

mempunyai dimensi lebih rendah

yang

tumbuh

teknik

Component Metode

PCA

linier

untuk

tersebar di daerah tropis. Tanaman

(Turk,

yang menyerupai kaktus ini sangat

digunakan untuk keperluan ekstraksi

menyukai sinar matahari sehingga

fitur citra, dimana jumlah dimensi

akan

yang

dari citra jauh lebih besar dibanding

semarak jika mendapatkan banyak

jumlah data sampel yang digunakan,

sinar matahari. Penanaman bunga ini

untuk melakukan proyeksi sampel

juga sangat mudah, karena bisa hidup

vektor dari citra pelatihan, setiap citra

di berbagai musim.

pelatihan

menampilkan

Perkembangan

bunga

teknologi

pada

zaman sekarang ini sangat pesat, dengan

perkembangan

teknologi

yang

dapat

membantu

disusun

dalam

bentuk

vektor baris. II.

PRINCIPAL

COMPONENT

ANALYSIS

tersebut muncul berbagai aplikasi canggih

1991). PCA lebih banyak

Menurut Soemartini (2008: 12), definisi

metode

Principal

manusia.

Component Analysis sebagai berikut:

Bunga Euphorbia banyak jenisnya,

Principal Component Analysis

sedangkan masyarakat banyak yang

(PCA) atau disebut juga transformasi

belum mengetahui jenis-jenis dari

Karhunen-Loeve adalah teknik yang

memudahkan

pekerjaan



Artikel Skripsi Universitas Nusantara PGRI Kediri digunakan untuk menyederhanakan

citra dan m adalah jumlah data yang

suatu

cara

dilatih. Setelah itu menghitung nilai

sehingga

rata-rata seluruh data sampel. Karena

data,

dengan

mentransformasi terbentuk

linear

sistem

koordinat

baru

dengan variansi maksimum.

jumlah parameter (dimensi) sejumlah n, maka nilai array rata-rata seluruh

Definisi diatas senada dengan

data adalah (µ1, µ2, µ3,........., µn).

penjelasan yang diutarakan Hery

Rata-rata nol (Zero mean) dapat

Purnomo, Mauridhi dan Muntasa,

dihitung dengan mengurangkan nilai

Arif (2010:192) sebagai berikut :

masing-masing data sampel dengan

PCA merupakan teknik linier

rata-rata data seluruh sampel. Jika

untuk memproyeksikan data vektor

obyek

yang berdimensi tinggi ke vektor

dimensi yang tidak sama antara data

yang

lebih

sampel (mxn) dan data rata-rata

1991). PCA lebih

seluruh data sampel (1xn), maka

mempunyai

rendah (Turk,

dimensi

yang

diteliti

mempunyai

banyak digunakan untuk keperluan

perlu

ekstraksi fitur citra, dimana jumlah

menggandakan rata-rata sebanyak m.

dimensi dari citra jauh lebih besar

Sehingga

dibanding jumlah data sampel yang

sampel mempunyai dimensi mxn.

digunakan,

untuk

melakukan

proyeksi sampel vektor dari citra pelatihan,

setiap

citra

disamakan

rata-rata

Rata-rata

dengan

seluruh

seluruh

citra

data

dapat

dihitung dengan persamaan:

pelatihan

disusun dalam bentuk vektor baris.

=

1

Jika jumlah data pelatihan adalah sebanyak

m,

maka

dimensi

M = Rata-rata dari setiap data

vektornya adalah mxn. Apabila vektor citra pelatihan mempunyai

dimensi

Keterangan :

mxn

m = Jumlah dari sampel Di = Dimensi data ke i

diortogonlisasi dengan menggunakan

Selisih setiap data dengan nilai

eigenvector dan eigenvalue, maka

rata-ratanya dapat dipresentasikan

dimensi

dengan:

akan

berubah

mxm.

=

Sebelum melakukan klasifikasi, perlu

−

dilakukan penyeleksian eigenface.

Keterangan :

Jika n>>m, n merupakan dimensi

Ni = matrik data ke i



Artikel Skripsi Universitas Nusantara PGRI Kediri Di = Dimensi data ke i

euphorbia

M = Rata-rata dari setiap data

sebagai berikut :

Dari matrik N, matrik covarian

tersebut

adalah

Tampilan Form Utama

dapat dihitung untuk kemudian akan digunakan

untuk

menghitung

dan

eigenvalue.

eigenvector

Persamaan yang digunakan untuk menghitung matrik covarian : = ^

Keterangan : A = matrik covarian

Keterangan dari gambar tersebut

T

Y = matrik transpose

adalah sebagai berikut :

Y = matrik Selanjutnya

a. Menu

menghitung

Berisi 2 pilihan menu yaitu

eigenvalue (E) dan eigenvector (V)

dari

matrik

menu data training dan menu

covarian

data testing.

tersebut. Kemudian dilakukan pengurutan nilai eigen

dari

yang

dan

paling

besar

b. Keluar Berfungsi untuk keluar dari aplikasi.

disesuaikan dengan eigenvektor secara descending. Setelah itu dicari nilai komponen utama

2. Tampilan data training

(PCA) yaitu dengan persamaan sebagai berikut:

klasifikasi derdasarkan

=

III.

Tampilan data training dari aplikasi bunga kelopak

euphorbia sebagai

berikut :

HASIL DAN KESIMPULAN 1. Hasil 1. Tampilan utama program Tampilan utama dari aplikasi klasifikasi

kelopak

bunga



Artikel Skripsi Universitas Nusantara PGRI Kediri Berikut merupakan proses dari data training : a. Pertama kita jalan kan program b. Kemudian pilih menu data training c. Pilih

folder

penyimpanan

gambar pada directory list box. Setelah itu akan muncul namanama file pada kotak file list box.

Tampilan Form Training

d. Masukkan

maksimal

sebagai berikut :

tombol

get

data

klik untuk

e. Kemudian pilih nilai reduksi

Berfungsi untuk menampilkan

dimensi, setelah itu klik tombol

gambar yang akan diproses.

proses PCA untuk memproses

b. Tombol get data

gambar.

menghitung

f. Proses training selesai

nilai threshold gambar yang

3. Tampilan data testing

akan diproses.

Berikut adalah tampilan dari form

c. Tombol proses PCA Berfungsi

kemudian

menghitung nilai threshold.

a. Image preview citra

untuk

threshold

minimal dan nilai threshold

Keterangan dari ganbar diatas adalah

Berfungsi

nilai

untuk

memproses

data testing :

gambar yang diinputkan setelah dihitung nilai thresholdnya. d. Directory list box dan file list box Directory list box berfungsi untuk

menampilkan

dimana sedangkan

citra file

folder disimpan,

list

box

menampilkan nama file yang

Tampilan form data testing

disimpan di dalam folder. Oki Mekarsari | 11.1.03.02.0281 Fakultas Teknik – Program Studi Teknik Informatika


Artikel Skripsi Universitas Nusantara PGRI Kediri Keterangan dari gambar diatas adalah sebagai berikut :

2. Kesimpulan Setelah

a. Image privew citra Berfungsi menampilkan gambar dari citra yang dipilih. b. Directory list box dan file list box Directory list box berfungsi untuk

menampilkan

dimana

citra

sedangkan

file

folder disimpan,

list

box

menampilkan nama file yang disimpan di dalam folder.

Berfungsi untuk mengeksekusi gambar yang dipilih.

Berfungsi untuk menampilkan hasil klasifikasi dari citra yang telah diuji. Berikut ini merupakan proses testing : a. Pilih menu data testing pada tampilan utama.

penyimpanan

gambar

folder pada

directory list box. Setelah itu akan muncul

nama-nama file pada

kotak file list box, pilih salah satu gambar yang akan diuji. c. Setelah gambar tersebut muncul pilih

tombol

testing

perancangan dan implementasi dapat disimpulkan bahwa: 1. Metode PCA dapat digunakan untuk

mengklasifikasikan

bunga Euphorbia berdasarkan kelopaknya dan telah berhasil dibuat dan di uji cobakan. 2. Implementasi metode PCA dan euclidean

distance

dapat

menunjukkan hasil pengenalan

bunga

euphorbia.

Dan

akurasi

yang

prosentase

didapat adalah 90% dengan

d. Hasil klasifikasi

pilih

analisis,

dari masing-masing kelopak

c. Tombol testing

b. Kemudian

dilakukan

untuk

melakukan pengenalan. d. Proses testing selesai. Oki Mekarsari | 11.1.03.02.0281 Fakultas Teknik – Program Studi Teknik Informatika

perbandingan data training dan data testing 90:20, prosentse 80% dengan perbandingan data training dan data testing 75:25, prosentase

70%

dengan

perbandingan data training dan data testing 60:30, prosentase 60% dengan perbandingan data training dan data testing 45:35, prosentase

50%

perbandingan

dengan

data training

dan data testing 30:40. Dari hal diatas

dapat

disimpulkan

bahwa besarnya tingkat akurasi dipengaruhi oleh banyaknya data training yang digunakan. simki.unpkediri.ac.id

Artikel Skripsi Universitas Nusantara PGRI Kediri 3. Penerapan

perangkat

Ekstraksi

lunak

pendukung Delphi7 dan citra objek dengan dimensi ukuran piksel

100x100

untuk

implementasikan

Fitur.Yogyakarta:

Graha Ilmu. [5]

Istiqlalia

Risma

Budidaya

di

Tanaman

metode PCA dan penggunaan

2010.

euclidean

Sebelas Maret.

yang

digunakan untuk pencocokan

Surakarta:

Wahanani,

mendapatkan

Supriyanto.

yang

Nursinta

dan

Klasifikasi

2013.

Buah Belimbing Berdasarkan

maksimal.

Citra IV.

Universitas

[6] Nugroho Whidhiasih, Retno, Adi

dapat berjalan dengan baik dan hasil

Hias

Euphorbia (Euphorbia Milli).

dengan

distance

Kumala.

Red-Green-Blue

DAFTAR PUSTAKA

Menggunakan KNN dan LDA.

[1] Ardiansyah, Riza Firdaus. 2013.

Jurnal

Komputer, System Embedded &

Dengan Menggunakan Metode

Logic. Bogor. [7] Mupeng aja. Mengenal Bunga

(Pca). Semarang : Universitas

Euphorbia.

Dian Nuswantoro.

http://ragambudidaya.blogspot.c

Bunga

Euphorbia

Delapan

(Bunga

om/2013/03/mengenal-bunga-

Dewa).

euphorbia.html

http://faktasekitarkita.blogspot.c om/2012/04/bunga-

[3]

Ilmu

Pengenalan Pola Tanda Tangan


[2]

Penelitian

(

diunduh

tanggal 28 Oktober 2014) [8]

Purwanto,

A.

W.

2006.

euphorbia.html (diunduh tanggal

Euphorbia Tampil Prima dan

28 Oktober 2014)

Semarak

Grayscale

Image

http://dendieisme.blogspot.com/

Berbunga.

Kanius.

Yogyakarta. [9]

Soemartini.

2008.

2011/03/matlab-grayscale-

Component

image.html (diunduh tanggal 28

Sebagai

Salah Satu Metode

Oktober 2014)

Untuk

Mengatasi

[4] Hery Purnomo, Mauridhi dan Muntasa, Arif. 2010. Konsep

Analysis

Principal

Multikolinearitas.

(PCA)

Masalah Bandung

:

Universitas Padjajaran.

Pengolahan Citra Digital dan Oki Mekarsari | 11.1.03.02.0281 Fakultas Teknik – Program Studi Teknik Informatika


Artikel Skripsi Universitas Nusantara PGRI Kediri [10] Utami, Ema dan Wulaningrum, Resty.

2014.

Penggunaan


Identifikasi Citra Tanda Tangan. Yogyakarta

:

STIMIK

AMIKOM

dan Euclidean Distance untuk



KLASIFIKASI BUNGA EUPHORBIA BERDASARKAN KELOPAK DENGAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA)

Recommend Documents