MAKALAH SEMINAR TUGAS AKHIR
KLASIFIKASI CITRA BERAS BERDASARKAN PENCIRIAN MATRIKS KO-OKURENSI ARAS KEABUAN MENGGUNAKAN k-NEAREST NEIGHBOUR Eko Prasetyo, Imam Santoso, Budi Setiyono. Jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro, Jl. Prof. Sudharto, Tembalang, Semarang, Jawa Tengah, Indonesia
memiliki karakteristik kecerahan, warna, kemiringan, ukuran, dan lain-lainnya. Karena itu tekstur dapat dianggap sebagai pengelompokan kesamaan di dalam suatu citra. Sifat-sifat subpola lokal tersebut menimbulkan cahaya yang diterima, keseragaman, kerapatan, kekasaran, keteraturan, kelinieran, frekuensi, fase, keterarahan, ketidakteraturan, kehalusan, dan lain-lain. Manusia mampu membedakan citra dengan kelas-kelas tertentu karena manusia memiliki ingatan akan tekstur dari setiap kelas citra tersebut. Kemampuan manusia tersebut apabila diterapkan ke dalam suatu sistem yang berupa perangkat lunak maupun perangkat keras, akan sangat berguna untuk diaplikasikan dalam banyak hal. Contoh aplikasmya adalah automatisasi dalam mengklasifikasikan objek atau barang dalam proses industri, analisis citra satelit, pencarian data citra di dalam halaman web atau basis data, peninjauan kualitas barang, dan lain-lain. Analisis tekstur memegang peranan penting dalam pengolahan citra digital karena analisis tekstur dikembangkan dengan tujuan agar komputer dapat memahami, membuat model, serta memproses tekstur untuk dapat menirukan proses pembelajaran pengelihatan manusia. Analisis tekstur bekerja dengan mengamati pola ketetanggaan antar piksel dalam domain spasial. Ada beberapa penelitian sebelumnya mengenai analisis dan klasifikasi tekstur, diantaranya adalah penelitian yang dilakukan oleh Arriawati (2007), dan juga penelitian Kristiawan (2009) tentang klasifikasi tekstur biji-bijian, yang keduanya menggunakan metode matriks kookurensi serta pengklasifikasian dengan k-Nearest Neighbour. Dalam Tugas Akhir ini dibuat suatu program simulasi berupa perangkat lunak yang digunakan untuk mengklasifikasikan citra dari beberapa jenis beras yang sering dijumpai di masyarakat dengan metode pengklasifikasian k-buah tetangga terdekat atau k-Nearest Neighbour (k-NN), berdasarkan pencirian yang diperoleh dengan metode matriks ko-okurensi. Jenis-jenis beras tersebut secara fisik mempunyai ciri bentuk khas yang mampu dengan baik dibedakan oleh penglihatan manusia. Namun perlu dilakukan penelitian, sejauh mana suatu sistem yang dalam hal ini berupa perangkat lunak, mampu mengenali jenis-jenis beras tersebut. Tujuan dari pembuatan Tugas Akhir ini adalah untuk membuat program simulasi, dimana dengan program simulasi tersebut diharapkan komputer dapat mengklasifikasikan suatu citra beras ke dalam kelas-kelas yang telah ditentukan dengan menggunakan metode klasifikasi k-Nearest Neighbour (k-NN) berdasarkan pencirian citra yang diperoleh dengan metode matriks kookurensi aras keabuan( GLCM ).
Abstrak - Seiring dengan berkembangnya teknologi pengolahan citra digital, manusia menginginkan agar mesin (komputer) dapat mengenali citra seperti layaknya penglihatan manusia. Salah satu cara untuk mengenali citra adalah dengan membedakan tekstur citra tersebut. Setiap citra mempunyai tekstur yang unik yang dapat dibedakan dengan citra yang lain, ciri-ciri inilah yang menjadi dasar dalam klasifikasi citra berdasarkan tekstur. Ada beberapa metode yang dapat digunakan untuk memperoleh ciri tekstur dari suatu citra, salah satunya adalah dengan metode GLCM. Matriks kookurensi dari data citra aras keabuan ( Gray Level Co-Occurrence Matrix-GLCM ) adalah salah satu metode untuk memperoleh ciri-ciri citra tekstur dengan menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan arah tertentu. Adapun parameter atau ciri-ciri tekstur yang didapat dari metode GLCM diantaranya adalah energy, entropi, homogenitas, kontras, korelasi, momentum selisih varians jumlah, rata-rata jumlah, dan entropi jumlah. Hasil ekstraksi ciri-ciri tersebut kemudian digunakan untuk proses klasifikasi dengan menggunakan k-Nearest Neighbour (k-NN) yang menentukan hasil klasifikasi berdasarkan jumlah tetangga terdekat. Pada tugas akhir ini dibuat program simulasi untuk analisis citra dengan metode GLCM. Program tersebut digunakan untuk mengenali citra beras dari lima jenis beras yang berbeda. Dalam pengujian digunakan berbagai macam citra beras dari lima jenis yang berbeda untuk mengetahui tingkat pengenalan perangkat lunak terhadap citra tekstur beras tersebut. Tingkat keberhasilan pegenalan dapat diketahui dari prosentase jumlah citra yang dapat dikenali terhadap jumlah total citra yang diuji. Kata kunci : beras, ekstraksi ciri, GLCM, ko-okurensi, klasifikasi, k-Nearest Neighbor I.
PENDAHULUAN
Tekstur suatu citra berperan penting dalam banyak tugas pada sistem visual seperti pemeriksaan permukaan, pengelompokkan objek. pemeriksaan kualitas, dan lain-lain. Untuk melakukan tagas-tugas tersebut, diperlukan suatu analisis mengenai tekstur yang dapat digunakan untuk mengidentifikasi suatu pola-pola yang berulang-ulang dan teratur, pola-pola intensitas, dan lain-lain Salah satu manfaat dari tekstur tersebut adalah untuk mengelompokkan citra ke dalam kelas tertentu. Setiap citra memiliki tekstur yang unik, yang mampu membedakan citra dengan kelas tertentu dengan kelas yang lainnya. Pada umumnya tekstur adalah pola visual rumit yang tersusun dari kesatuan-kesatuan atau subpola yang
1
II.
Dapat dinyatakan juga dalam bentuk persamaan sebagai berikut. (2.1)
DASAR TEORI
2.1 Analisis Tekstur Analisis tekstur merupakan dasar dan berbagai macam aplikasi, aplikasi dari analisis tekstur antara lain : penginderaan jarak jauh, pencitraan medis, identifikasi kualitas suatu bahan (kayu, kulit, tekstil, dan lain-lain), dan juga berbagai macam aplikasi lainnya. Dalam pengolahan citra digital, tekstur didefinisikan sebagai distribusi spasial dari derajat keabuan di dalam sekumpulan piksel yang bertetangga. Secara umum tekstur mengacu pada pengulangan elemen-elemen tekstur dasar yang disebut primitif atau teksel (texture element-texel). Pada analisis citra, pengukuran tekstur dikategorikan menjadi lima kategori utama yaitu : statistis, struktural, geometri, model dasar, dan pengolahan sinyal. Pendekatan statistis mempertimbangkan bahwa intensitas dibangkitkan oleh medan acak dua dimensi, metode ini berdasar pada frekuensi-frekuensi ruang. Contoh metode statistis adalah fungsi autokorelasi, matriks ko-okurensi, transformasi Fourier, frekuensi tepi. Teknik struktural berkaitan dengan penyusunan bagian-bagian terkecil suatu citra. Contoh metode struktural adalah model fraktal, Metode geometri berdasar atas perangkat geometri yang ada pada elemen tekstur. Contoh metode model dasar adalah medan acak. Sedangkan metode pengolahan sinyal adalah metode yang berdasarkan analisis frekuensi seperti transformasi Gabor dan transformasi wavelet.
Gambar 1 Piksel bertetangga dalam delapan arah
Dalam matriks ko-okurensi, terdapat beberapa ciri tekstur yang dapat diperoleh dari suatu citra yang digunakan sebagai pembeda antara citra dengan kelas tertentu, dengan kelas lainnya. Ciri-ciri tersebut adalah : 1. Energi (Energy) ∑ ∑
(2.2)
2. Entropi (Entropy) ∑∑
(2.3)
3. Kontras (Contrast) ∑ ∑
(2.4)
4. Homogenitas (Homogeneity)
2.2 Matriks Ko-Okurensi Aras Keabuan (Gray Level Cooccurrence Matrix – GLCM)
∑ ∑
Salah satu teknik untuk memperoleh ciri statistik adalah dengan menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan arah tertentu. Hal ini dapat dilakukan dengan membentuk sebuah matriks kookurensi dari data citra. Matriks kookurensi adalah suatu matriks yang menggambarkan frekuensi munculnya pasangan dua piksel dengan intensitas tertentu dalam jarak (d) dan orientasi sudut (θ) tertentu dalam citra. Penggunaan metode ini berdasar pada hipotesis bahwa dalam suatu tekstur akan terjadi perulangan konfigurasi atau pasangan aras keabuan. Jarak dinyatakan dalam piksel dan orientasi sudut dinyatakan dalam derajat. Orientasi dibentuk dalam empat arah sudut dengan interval sudut 45°, yaitu 0°, 45°, 90°, dan 135°. Sedangkan jarak antar piksel ditetapkan sebesar 1 piksel. Misal, d diidendetifikasikan sebagai jarak antara dua posisi piksel, yaitu ( ) dan ( ); dan θ didefinisikan sebagai sudut diantara keduanya. Maka matriks ko-okurensi didefinisikan sebagai matriks yang menyatakan distribusi spasial antara dua piksel yang bertetangga yang memiliki intensitas i dan j, yang memiliki jarak d diantara keduanya, dan sudut θ diantara keduanya. Matriks ko-okurensi dinyatakan dengan (i,j). Suatu piksel yang bertetangga yang memiliki jarak d diantara keduanya, dapat terletak di delapan arah yang berlainan, hal ini ditunjukkan pada Gambar 1. Piksel bertetangga dalam delapan arah tersebut dapat dinyatakan dalam notasi sebagai berikut.
|
(2.5)
|
5. Korelasi (Correlation) ∑ ∑
(2.6)
dimana :
∑ ∑ ∑ ∑ ∑ ∑
6. Momentum Selisih Momentum)
∑ ∑ Invers
(Inverse
Difference
∑ ∑
(2.7)
7. Rata-rata Jumlah (Sum Average) ∑
∑
(2.8)
8. Entropi Jumlah (Sum Entropy) ∑
∑
(
)
(2.9)
9. Varians Jumlah (Sum Variance) ∑
∑
(2.10)
Dalam persamaan diatas, notasi P melambangkan probabilitas, yang bernilai mulai dari nol hingga satu, yaitu
2
nilai elemen dalam matriks kookurensi, sedangkan i dan j, melambangkan pasangan intensitas yang berdekatan, yang dalam matriks kookurensi masing-masing menjadi nomor baris dan nomor kolom. 2.3 METODE NEIGHBOUR
KLASIFIKASI
5. Untuk kelas-kelas yang terlibat konflik, jarak d ditentukan antara data uji x dengan anggota kelas 0), yang terlibat konflik, yang berjumlah E 6. Jika data pelatihan dari kelas ωi yang terlibat dalam konflik ditunjukan dengan y i m = {y i m 1, . . . , y i m N), maka jarak antara x dengan kelas ωi adalah :
k-NEAREST
∑
Metode k-nearest neighbor adalah sebuah metode untuk melakukan klasifikasi terhadap objek, berdasarkan data pembelajaran yang jaraknya dekat dengan objek tersebut. Data pembelajaran diproyeksikan ke dalam ruang berdimensi banyak, dimana masing-masing dimensi merepresentasikan ciri dari data. Sebuah titik pada ruang ini ditandai dengan kelas C jika kelas C merupakan kelas yang paling banyak ditemui pada k buah tetangga terdekat titik tersebut. Dekat atau jauhnya tetangga tersebut biasanya dihitung berdasarkan jarak euclidean dengan persamaan sebagai berikut :
|
|
(2.12)
7. Data uji x dimasukkan ke dalam kelas dengan jarak di paling kecil. Gambaran penggunaan algoritma k-NN, ditunjukkan pada Gambar 2.
√ √∑
(2.11)
dengan d : jarak data uji ke data pembelajaran xj : data uji ke-j, dengan j = 1,2, … , n yj : data pembelajaran ke-j, dengan j = 1,2, … , n
Gambar 2 Algoritma k-NN dengan k=5
Dalam Gambar 2, xu adalah data yang akan diklasifikasikan. Kelas-kelas yang ada adalah ω1 , ω2 , ω3. Digunakan algoritma k-NN dengan nilai k=5, maka dihitung jarak antara xu dengan data-data yang ada sesuai dengan Persamaan 2.11, kemudian dicari lima buah data yang terdekat. Dari kelima data tersebut empat data termasuk ke dalam kelas ω1, dan satu data termasuk ke dalam kelas ω3. Oleh karena kelas ω1 memiliki anggota paling banyak, maka xu termasuk ke dalam kelas ω1. Kelebihan algoritma k-NN adalah bahwa algoritma ini sangat mudah diimplementasikan dan memiliki kemampuan mengklasifikasi yang handal, sedangkan kekurangan algoritma k-NN adalah bahwa algoritma ini membutuhkan memori yang besar untuk data acuan dan memiliki beban komputasi yang besar.
Pada fase pembelajaran, algoritma ini hanya melakukan penyimpanan vektor-vektor ciri dan klasifikasi dari data pembelajaran. Pada fase klasifikasi, ciri-ciri yang sama dihitung untuk data uji (yang klasifikasinya tidak diketahui). Jarak dari vektor yang baru ini terhadap seluruh vektor data pembelajaran dihitung, dan sejumlah k buah yang paling dekat diambil. Titik yang baru klasifikasinya diprediksikan termasuk pada klasifikasi terbanyak dari titiktitik tersebut. Nilai k yang terbaik untuk algoritma ini tergantung pada data. Secara umumnya, nilai k yang tinggi akan mengurangi efek derau pada klasifikasi, tetapi membuat batasan antara setiap klasifikasi menjadi lebih kabur. Kasus khusus di mana klasifikasi diprediksikan berdasarkan data pembelajaran yang paling dekat disebut algoritma Nearest Neighbour. Klasifikasi k-NN dilakukan dengan mencari k buah tetangga terdekat dari data uji dan memilih kelas dengan anggota terbanyak. Adapun langkah-langkah klasifikasi kNN adalah sebagai berikut. 1. Jika sekumpulan data latih y memiliki N titik data secara keseluruhan, maka dilakukan pengenalan terhadap k buah tetangga terdekat dad data uji x. 2. Dan k buah tetangga terdekat tersebut, data uji x diidentifikasikan pada kelas (ωi , i = 1, 2, … , M. M adalah jumlah kelas yang ada. 3. Data uji x dimasukkan pada kelas dengan jumlah anggota terbanyak. 4. Jika terdapat dua atau lebih kelas ω yang merupakan tetangga terdekat dari data uji x, maka terjadilah kondisi seimbang (konflik) dan digunakan strategi pemecahan konflik.
III.
PERANCANGAN PERANGKAT LUNAK
Dalam program simulasi pengklasifikasi jenis beras ini, terdapat proses-proses yang dilakukan dari awal data dipilih, hingga pada akhirnya data tersebut diklasifikasikan, prosesproses tersebut seperti yang ditunjukkan pada gambar 3. Proses yang pertama kali dilakukan dalam perangkat lunak pengklasifikasi jenis beras ini adalah memilih citra masukan. Dalam program simulasi ini, citra masukan adalah citra beras dengan format bitmap (*.bmp) ukuran 480x480 piksel. Citra dengan format lain tidak akan dikenali dan akan menampilkan pesan kesalahan. Citra masukan yang akan diekstraksi ciri menggunakan metode GLCM, harus diubah menjadi citra aras keabuan terlebih dahulu. Matriks ko-okurensi aras keabuan dibentuk dengan menggunakan parameter-parameter yang diperlukan untuk membentuk matriks ko-okurensi tersebut. Parameterparameter tersebut adalah jarak(d), pada program simulasi ini digunakan d=1, arah (θ), dengan 8 arah 0°, 45°, 90°, 135°, 180°, 225°, 270°, 315°. Dan derajat keabuan (g) dengan
3
besaran g = 8 bit. Derajat keabuan menentukan besarnya ukuran matriks ko-okurensi.
2. Menguji citra yang tidak termasuk dalam citra basis data. 3. Menguji citra yang tidak termasuk dalam basis data dengan variasi jarak kamera terhadap objek beras. 4. Menguji citra yang tidak termasuk dalam basis data dengan variasi jenis kamera yang digunakan. 5. Menguji citra dari kamera hp yang sebelumnya telah dilakukan proses penajaman 6. Menguji citra yang sebelumnya telah diberi derau atau noise.
Mulai
Memilih Citra Masukan
Mengubah Citra Masukan menjadi Citra Aras Keabuan
Ekstraksi Ciri dengan GLCM
Menyimpan hasil Ekstraksi Ciri
Data Acuan Ada ?
Y
T Membentuk Data Acuan
Gambar 4. Contoh hasil ekstraksi ciri sebuah citra didalam program simulasi Proses Klasifikasi
Citra yang digunakan sebagai basis data adalah citra yang diakuisisi dengan kamera digital Panasonic. Dalam enam skenario pengujian yang ada, digunakan lima nilai k yang menyatakan parameter k dalam algoritma k-NN. Nilai-nilai k yang digunakan yaitu : k = 1, k = 3, k = 5, k= 7, dan k = 9. Tingkat pengenalan program terhadap citra uji dapat dihitung dengan persamaan berikut :
Selesai
Gambar 3. Diagram alir program simulasi
Ciri yang didapat dari hasil ekstraksi ciri kemudian disimpan untuk nantinya digunakan pada pembentukan data acuan atau basis data. Tahap terakhir setelah proses ekstraksi ciri dan proses pembentukan data acuan dilakukan, adalah tahap klasifikasi. Metode yang digunakan untuk mengklasifikasi data masukan adalah metode k-Nearest Neighbor (kNN). Parameter yang digunakan dalam metode kNN adalah k. Algoritma kNN akan mengklasifikasikan citra uji ke dalam kelas dengan jumlah anggota terbanyak. Apabila terjadi konflik, maka digunakan strategi pemecahan konflik. IV.
dimana, P = Tingkat pengenalan program terhadap citra uji A = Jumlah citra uji yang dikenali secara benar B = Jumlah citra uji secara keseluruhan 4.1 Menguji citra uji yang termasuk dalam basis data ( skenario 1 ) Dalam pengujian skenario 1, citra uji adalah citra yang termasuk dalam basis data. Pengujian skenario 1 terdiri dari dua macam pengujian, yang pertama menggunakan citra uji dengan pengambilan jarak 5 cm dari kamera, yang kedua menggunakan citra uji dengan pengambilan jarak 10 cm, keduanya menggunakan kamera Panasonic.
PENGUJIAN DAN ANALISIS
Sebelum proses pengujian dilakukan, terlebih dahulu adalah menentukan citra mana saja yang akan dijadikan sebagai basis data, secara garis besar proses-proses dalam program simulasi ini adalah pertama-tama memilih citra masukan, kemudian mengubah citra masukan tersebut menjadi citra aras keabuan, setelah itu dilakukan proses ekstraksi ciri, kemudian hasil ekstraksi tersebut disimpan sebagai basis data atau sebagai data latih. Setelah didapatkan data latih atau basis data, baru dapat dilakukan proses klasifikasi pada citra yang akan diuji (citra uji). Citra yang digunakan sebagai basis data adalah citra yang berasal atau yang diakuisisi dengan kamera digital Panasonic. Hasil ekstraksi ciri dengan program simulasi seperti yang ditunjukkan oleh gambar 4.
Tabel 1 Tingkat pengenalan program terhadap citra uji pada skenario 1 pengambilan jarak 5 cm tiap-tiap jenis beras. Jenis Beras Beras Cianjur Beras Ketan Beras Merah Beras Ketan Hitam Beras Pandan Wangi
k=1 100 % 100 % 100 % 100 % 100 %
k=3 100 % 100 % 100 % 100 % 60 %
Nilai k k=5 100 % 100 % 100 % 100 % 80 %
k=7 80 % 100 % 100 % 100 % 100 %
k=9 100 % 100 % 100 % 100 % 80 %
Tabel 2 Tingkat pengenalan program terhadap citra uji pada skenario 1 pengambilan jarak 10 cm tiap-tiap jenis beras
Dalam proses pengujian dilakukan enam skenario yang berbeda untuk mengetahui tingkat pengenalan program simulasi terhadap citra beras uji, enam skenario tersebut adalah : 1. Menguji citra yang termasuk dalam citra basis data.
Jenis Beras Beras Cianjur Beras Ketan
4
k=1 100 % 100 %
k=3 100 % 100 %
Nilai k k=5 100 % 100 %
k=7 40 % 100 %
k=9 40 % 100 %
Beras Merah Beras Ketan Hitam Beras Pandan Wangi
100 % 100 % 100 %
100 % 100 % 80 %
100 % 100 % 100 %
100 % 100 % 80 %
100 % 100 % 80 %
b) Jarak pengambilan kamera ke citra uji lebih dekat daripada ke basis data Tabel 6 Tingkat pengenalan program terhadap citra uji pada skenario 3 dengan jarak pengambilan citra uji lebih jauh dari basis data untuk masing-masing kelas jenis beras.
4.2 Menguji citra uji yang tidak termasuk dalam basis data ( skenario 2 ) Dalam pengujian yang kedua ini, citra uji adalah citra yang bukan termasuk dalam basis data (diluar basis data). Tujuan dari pengujian ini adalah untuk mengetahui tingkat pengenalan program terhadap citra uji yang bukan sebagai basis data. Citra beras yang digunakan sebagai basis data dan citra yang digunakan sebagai citra uji sama-sama diakuisisi dengan kamera digital Panasonic.
Jenis Beras Beras Cianjur Beras Ketan Beras Merah Beras Ketan Hitam Beras Pandan Wangi
Beras Cianjur Beras Ketan Beras Merah Beras Ketan Hitam Beras Pandan Wangi
k=1 60 % 100 % 100 % 100 % 40 %
k=3 60 % 100 % 100 % 100 % 20 %
Nilai k k=5 60 % 100 % 100 % 100 % 20 %
k=7 0% 100 % 100 % 100 % 40 %
Jenis Beras Beras Cianjur Beras Ketan Beras Merah Beras Ketan Hitam Beras Pandan Wangi
k=1 40 % 100 % 100 % 100 % 80 %
k=3 40 % 100 % 100 % 100 % 80 %
k=7 40 % 100 % 100 % 100 % 80 %
k=9 20 % 100 % 100 % 100 % 40 %
k=9 60 % 100 % 100 % 100 % 100 %
Jenis Beras Beras Cianjur Beras Ketan Beras Merah Beras Ketan Hitam Beras Pandan Wangi
Beras Cianjur Beras Ketan Beras Merah Beras Ketan Hitam Beras Pandan Wangi
k=7 60 % 100 % 100 % 100 % 60 %
k=3 20 % 100 % 0% 100 % 20 %
Nilai k k=5 20 % 100 % 0% 100 % 20 %
k=7 0% 100 % 0% 100 % 40 %
k=9 0% 100 % 0% 100 % 60 %
Tabel 8 Tingkat pengenalan program terhadap citra uji pada skenario 4 pengambilan jarak 10 cm untuk tiap-tiap kelas jenis beras. Jenis Beras Beras Cianjur Beras Ketan Beras Merah Beras Ketan Hitam Beras Pandan Wangi
k=1 60 % 100 % 0% 60 % 40 %
k=3 60 % 80 % 0% 20 % 40 %
Nilai k k=5 60 % 80 % 0% 20 % 40 %
k=7 20 % 100 % 0% 20 % 40 %
k=9 0% 100 % 0% 20 % 40 %
4.5 Menguji citra uji dari kamera hp yang sebelumnya telah dilakukan proses penajaman citra (sharpen) dengan program ACDSee Pro 4 (skenario 5) Dalam pengujian skenario 5 ini, citra uji adalah citra yang sama dengan citra uji pada skenario 4 yang merupakan citra yang diperoleh dari kamera hp Sony Ericsson, namun kali ini terlebih dahulu citra tersebut dilakukan proses penajaman citra (sharpening) dengan program ACDSee Pro 4 sebelum dilakukannya proses pengujian. Sedangkan citra beras yang digunakan sebagai basis data diakuisisi dengan kamera Panasonic dengan pengambilan jarak antara kamera dengan objek sekitar kurang lebih 5 cm dan 10 cm, jumlah citra yang digunakan untuk tiap-tiap jenis beras sebanyak 5
Tabel 5 Tingkat pengenalan program terhadap citra uji pada skenario 3 dengan jarak pengambilan citra uji lebih jauh dari basis data untuk masing masing kelas jenis beras. Nilai k k=5 60 % 100 % 100 % 100 % 60 %
k=1 20 % 100 % 0% 100 % 20 %
b) Pengujian Skenario 4 Pengambilan citra dengan jarak kamera 10 cm.
Maksud pengujiuan ini adalah untuk mengetahui tingkat pengenalan program simulasi terhadap citra uji yang diakuisisi dengan jarak kamera yang berbeda antara basis data dan data uji. Dalam pengujian skenario 3 ini ada dua macam pengujian : a) Jarak pengambilan kamera ke citra uji lebih jauh daripada ke basis data.
k=3 60 % 100 % 100 % 100 % 60 %
k=9 80 % 100 % 100 % 100 % 60 %
Tabel 7 Tingkat pengenalan program terhadap citra uji pada skenario 4 dengan pengambilan jarak 5 cm untuk tiap-tiap kelas jenis beras.
4.3 Menguji citra uji yang tidak termasuk dalam basis data, dengan variasi jarak ( skenario 3 )
k=1 40 % 100 % 100 % 100 % 60 %
k=7 20 % 100 % 100 % 100 % 60 %
a) Pengujian Skenario 4 Pengambilan citra dengan jarak kamera 5 cm.
Dari tabel 3 dan tabel 4 terlihat bahwa tingkat pengenalan untuk ketiga jenis beras ketan, beras merah dan beras ketan hitam pada semua nilai k mencapai nilai 100%, yang berarti bahwa citra beras tersebut dapat diklasifikasikan dengan benar, namun terjadi kesalahan pengenalan pada citra uji beras cianjur dan beras pandan wangi, didalam program simulasi kedua jenis beras ini saling tertukar identitasnya, beras cianjur dikenali sebagai beras pandan wangi, dan begitu pula sebaliknya, hal ini karena ciri fisik kedua jenis beras tersebut hampir mirip.
Jenis Beras
Nilai k k=5 80 % 100 % 100 % 100 % 60 %
Dalam pengujian skenario 4, citra uji adalah citra yang tidak termasuk dalam basis data. Citra yang digunakan sebagai basis data adalah citra yang diakuisisi dengan menggunakan kamera Panasonic, sedangkan data uji adalah citra yang diambil dengan menggunakan kamera telepon seluler Sony Ericsson. Maksud dari pengujian ini adalah untuk mengetahui sejauh mana tingkat pengenalan program terhadap citra uji yang diperoleh dari kamera yang berbeda.
Tabel 4 Tingkat pengenalan program terhadap citra uji pada skenario 2 pengambilan jarak 10 cm untuk tiap-tiap kelas jenis beras. Nilai k k=5 40 % 100 % 100 % 100 % 80 %
k=3 100 % 100 % 100 % 100 % 0%
4.4 Menguji citra uji yang tidak termasuk dalam basis data dengan variasi kamera yang digunakan (skenario 4)
Tabel 3 Tingkat pengenalan program terhadap citra uji pada skenario 2 pengambilan jarak 5 cm tiap-tiap jenis beras Jenis Beras
k=1 100 % 100 % 100 % 100 % 0%
k=9 60 % 100 % 100 % 80 % 60 %
5
buah, sehingga total citra basis data sebanyak 50 buah. Maksud dari pengujian ini adalah untuk mengetahui apakah proses penajaman citra bisa meningkatkan pengenalan program terhadap citra uji yang sebelumnya (pada skenario 4) telah diuji. Tabel 9
Jenis Beras Beras Ketan Beras Merah Beras Ketan Hitam Beras Pandan Wangi
Tingkat pengenalan program terhadap citra uji pada skenario 5 pengambilan jarak 5 cm untuk tiap-tiap kelas jenis beras.
Jenis Beras Beras Cianjur Beras Ketan Beras Merah Beras Ketan Hitam Beras Pandan Wangi
k=1 0% 80 % 0% 100 % 0%
k=3 0% 80 % 0% 100 % 0%
Nilai k k=5 0% 80 % 0% 100 % 0%
k=7 0% 80 % 0% 100 % 20 %
Beras Cianjur Beras Ketan Beras Merah Beras Ketan Hitam Beras Pandan Wangi
k=1 0% 0% 0% 100 % 20 %
k=3 0% 0% 0% 100 % 0%
Nilai k k=5 0% 0% 0% 100 % 0%
k=7 0% 0% 0% 100 % 60 %
k=9 0% 80 % 0% 100 % 40 %
1)
Jenis Beras Beras Cianjur Beras Ketan Beras Merah Beras Ketan Hitam Beras Pandan Wangi
k=9 0% 0% 0% 100 % 40 %
2)
Beras Cianjur Beras Ketan Beras Merah Beras Ketan Hitam Beras Pandan Wangi
2)
Nilai k k=5 100 % 100 % 100 % 100 % 0%
k=7 0% 100 % 100 % 100 % 100 %
Beras Cianjur
k=3 100 %
Nilai k k=5 100 %
k=7 60 %
Nilai k k=5 0% 100 % 60 % 100 % 0%
k=7 0% 100 % 60 % 100 % 0%
k=9 0% 100 % 60 % 100 % 0%
k=1 0% 100 % 0% 100 % 0%
k=3 0% 100 % 100 % 100 % 0%
Nilai k k=5 0% 100 % 100 % 100 % 0%
k=7 0% 100 % 100 % 100 % 0%
k=9 0% 100 % 100 % 100 % 0%
V. PENUTUP 5.1 Kesimpulan Dari hasil pengujian dan analisis maka dapat disimpulkan hal-hal sebagai berikut: Tingkat pengenalan yang paling baik terhadap citra uji ditunjukkan pada pengujian skenario 1, khususnya pada k = 1 yang bisa mencapai 100%, hal ini disebabkan karena data uji yang digunakan sama dengan basis data. Tingkat pengenalan terhadap citra diluar basis data (pada skenario 2) pada citra beras ketan, beras merah, dan beras ketan hitam mencapai 100%, sementara beberapa citra uji dari jenis beras cianjur dikenali sebagai beras pandan wangi, begitu juga sebaliknya ada beberapa citra pandan wangi yang dikenali sebagai beras cianjur, karena kedua beras ini mempunyai ciri yang hampir mirip. Tingkat pengenalan terandah terjadi pada citra beras cianjur pada k = 7 sebesar 0%. Program simulasi dapat mengenali citra uji yang diakuisisi dengan jarak pengambilan kamera yang berbeda dengan jarak pengambilan citra basis data (skenario 3). Beras ketan, beras merah, dan beras ketan hitam dapat dikenali 100%, sedangkan tingkat pengenalan terendah terjadi pada citra uji dari beras pandan wangi (pada k=1 dan k=3) yang kesemua citra uji tidak dapat dikenali (tingkat pengenalan = 0%) Tingkat pengenalan terendah terhadap citra uji terjadi pada pengujian skenario 4, hal ini disebabkan karena citra uji
k=9 0% 100 % 100 % 100 % 100 %
Tabel 12 Tingkat pengenalan program terhadap citra uji pada skenario 6.a pengambilan jarak ± 10 cm untuk tiap-tiap kelas jenis beras k=1 100 %
k=3 0% 100 % 60 % 100 % 0%
Dari tabel 11 sampai tabel 14 terlihat bahwa dengan pemberian derau pada citra uji, maka akan menurunkan tingkat pengenalan terhadap citra uji tersebut.
Citra uji dengan pengambilan jarak kamera ± 10 cm
Jenis Beras
k=1 0% 100 % 20 % 100 % 0%
Citra uji dengan pengambilan jarak kamera ± 10 cm
Beras Cianjur Beras Ketan Beras Merah Beras Ketan Hitam Beras Pandan Wangi
Tabel 11 Tingkat pengenalan program terhadap citra uji pada skenario 6.a pengambilan jarak ± 5 cm k=3 100 % 100 % 100 % 100 % 0%
k=9 100 % 100 % 100 % 80 %
Tabel 14 Tingkat pengenalan program terhadap citra uji pada 6cenario 6.b pengambilan jarak 10 cm untuk tiap-tiap kelas jenis beras
Citra uji dengan pengambilan jarak kamera ± 5 cm
k=1 100 % 100 % 100 % 100 % 0%
k=7 100 % 100 % 100 % 100 %
Citra uji dengan pengambilan jarak kamera ± 5 cm
Jenis Beras
Jenis Beras
Nilai k k=5 100 % 100 % 100 % 80 %
Tabel 13 Tingkat pengenalan program terhadap citra uji pada skenario 6.b pengambilan jarak ± 5 cm
4.6 Menguji citra yang sebelumnya telah diberi derau atau noise dengan program bantu ACDSee Pro 4 (skenario 6) Dalam pengujian ini, citra uji adalah citra yang sama dengan citra uji pada skenario 1 yang merupakan citra yang diperoleh dari kamera digital Panasonic, namun kali ini terlebih dahulu citra tersebut dilakukan proses pemberian derau anau noise dengan program bantu ACDSee Pro 4 sebelum dilakukannya proses pengujian. Maksud dari pengujian ini adalah untuk mengetahui bagaimana pengaruh pemberian derau terhadap tingkat pengenalan program terhadap citra uji. Citra beras yang digunakan sebagai basis data adalah sama dengan citra beras yang digunakan sebagai basis data pada pengujian skenario 1. Ada dua macam intensitas derau yang berbeda yang akan diberikan pada citra uji, yang pertama menggunakan intensitas derau monokrom sebesar 50 (skala 1-1000) dan yang kedua menggunakan intensitas derau monokrom sebesar 150 (skala 1-1000). 4.6.1 Pemberian derau monokrom dengan intensitas 50 (skala 1-1000) 1)
k=3 100 % 100 % 100 % 80 %
4.6.2 Pemberian derau monokrom dengan intensitas 50 (skala 1-1000)
Tabel 10 Tingkat pengenalan program terhadap citra uji pada skenario 5 pengambilan jarak 10 cm Jenis Beras
k=1 100 % 100 % 100 % 40 %
k=9 0%
6
yang diperoleh dari kamera hp memiliki kualitas yang relatif jelek daripada citra yang diperoleh dari kamera digital Panasonic. Pada pengujian ini terjadi penurunan tingkat pengenalan terhadap citra uji terutama pada semua citra beras merah tidak dapat dikenali sama sekali (tingkat pengenalan sebesar 0%). Proses penajaman citra pada skenario 4 tidak seluruhnya menaikkan tingkat pengenalan terhadap citra beras, namun justru ada beberapa contoh citra uji beras yang justru tidak dapat dikenali dengan benar. Pemberian derau pada citra uji akan menurunkan tingkat pengenalan program, semakin banyak derau yang diberikan pada citra uji maka akan semakin menurunkan tingkat pengenalan terhadap citra. Jenis beras dengan tingkat pengenalan tertinggi adalah beras ketan hitam, disusul dengan beras merah dan beras ketan. Karena ketiga jenis beras ini memiliki ciri yang secara fisik mudah dibedakan. Jenis beras dengan tingkat pengenalan yang relatif rendah adalah beras cianjur dan beras pandan wangi, karena kedua jenis beras ini secara baik bentuk dan warnanya hampir sama, hanya saja beras pandan wangi bentuk bulirnya lebih bulat. Sehingga sering kali kedua jenis beras ini tertukar saat dilakukan proses identifikasi.
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
5.2
Saran Berdasarkan pengujian yang telah dilakukan terhadap beberapa citra beras dengan program silulasi klasifikasi jenis beras menggunakan matriks ko-okurensi ini, dapat diberikan beberapa saran sebagai berikut: Untuk mendapatkan citra yang bagus diperlukan kamera yang bagus, kondisi pencahayaan serta teknik fotografi yang bagus pula, lebih disarankan lagi citra beras diambil oleh orang yang ahli di bidang fotografi, sehingga diperoleh kualitas citra yang bagus, baik citra yang digunakan untuk basis data maupun citra yang digunakan untuk citra uji. Diperlukan suatu penelitian dengan jumlah basis data serta citra uji yang lebih banyak, juga penambahan jenis beras yang lain.Untuk proses ekstraksi ciri dapat digunakan metode ekstraksi ciri yang lain misalnya adalah histogram jumlah dan selisih (sum and difference histogram), tapis gabor, frekuensi tepi dan metode law. Perlu dilakukan penelitian untuk perbandingan hasil klasiflkasi dengan menggunakan metode klasifikasi yang lain diantaranya menggunakan jaringan syaraf tiruan, Bayes, Linear Discriminant Analysis, atau k-means.
[12]
[13] [14]
Eko Prasetyo Lahir di Temanggung, menyelesaikan pendidikan menengah atas di SMU N 1 Temanggung, melanjutkan pendidikan S1 di UNDIP Semarang. Saat ini sedang melanjutkan studinya di jurusan Teknik Elektro dengan konsentrasi ElektronikaTelekomunikasi.
Menyetujui dan mengesahkan
DAFTAR PUSTAKA [1]
[2]
[3]
http://purl.fcla.edu/ fcla/etd/CFE0000273 , Mei 2008 Listyaningrum, R., Analisis Tekstur Menggunakan Metode Transformasi Wavelet, Skripsi S-1, Universitas Diponegoro, Semarang, 2006. Munir, R., Pengantar Pengolahan Citra , http://informatika.org/ ~rinaldi/Buku/Pengolahan%20 Citra%20Digital/Bab-1_Pengantar%20Pengolahan% 20Citra.pdf, Agustus 2008 Nugroho, A. W. , Analisis Tekstur Menggunakan Metode Autokorelasi, Skripsi S-1, Universitas Diponegoro, Semarang, 2006. Osuna, R.G. , Lecture 8: The K Nearest Neighbor Rule(k-NNR), http://courses.cs.tamu.edu/rgutier/cs 790_w 02/l8.pdf ,Juli 2008 Rikxoort, E. M. , Texture Analysis, http://eidetic .ai.ru.nl/egon/publications/pdf/Rikxoort04-Texture _analysis.pdf , Mei 2008. Teknomo, K., How K-Nearest Neighbor (KNN) Algorithm works?, http://people.revoledu.com/kar di/tutorial/K NN/HowTo-kNN.html , Juli 2008 Tsechansky, M.S. , Classification Model, http://www.cs.umbc.edu/671/fall01/class- notes/k-NN 1.ppt , Juli 2008 Tuceryan, M and A.K. Jain, Texture Analysis, http://www.cs.iupui.edu/~tuceryan/research/Compu terVision/texture-review.pdf , Agustus 2008 …….., Basic Concept on Co-Occurrence Matrices, Http://www.keyres-technologies.com/product2.html, Juni 2008 ……..,Dasar Teori, http:// faj ri.freebsd.or. id/tugas_ akhir/bab2. p df , Juni 2008 ……..,Digital Image Procesing, http://en.wikipedia. org/ wiki/Digital_image_processing , Juli 2008
Arriawati, Asri Junita. “Klasifikasi Citra Tekstur Menggunakan k-Nearest Neighbour Berdasarkan Ekstraksi Ciri Metode Matriks Ko-okurensi”. Tugas Akhir, Jurusan Teknik Elektro Universitas Diponegoro, Semarang, 2007. Kristiawan, Yudhistira Ganis, “Klasifikasi Citra Dengan Matiks Ko-okurensi Aras Keabuan (Gray Level Co-ocurrence Matrix-GLCM) Pada Lima Kelas Biji-bijian”. Tugas Akhir, Jurusan Teknik Elektro Universitas Diponegoro, Semarang, 2009. Gadkari, D. , Image Quality Analysis Using GLCM,
Pembimbing I
Imam Santoso, ST. MT. NIP.197012031997021001
7
Pembimbing II
Budi Setiyono, ST. MT. NIP.197005212000121001
