Klasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor

Konferensi Nasional Informatika (KNIF) 2015

Klasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor Puspa Rizky Trisnaningtyas1, Maimunah2 Program Studi Teknik Komputer Universitas Islam “45” Bekasi, Indonesia [email protected] , [email protected]

Abstrak—Penelitian ini bertujuan untuk mengklasifikasi mutu telur ayam ras yang ditinjau dari kebersihan kerabang telur menggunakan K-Nearest Neighbor (K-NN). Data yang digunakan berjumlah 90 mutu telur ayam yang terdiri dari 30 mutu I,30 mutu II dan 30 mutu III. Algoritma yang digunakan untuk ekstraksi ciri adalah statistik orde satu dan orde kedua, serta klasifikasi mutu telur menggunakan (K-NN). K-Nearest Neighbor (K-NN) merupakan algoritma yang melakukan klasifikasi berdasarkan kedekatan lokasi (jarak) suatu data dengan data yang lain. Pada penelitian ini parameter yang digunakan adalah Euclidean. Nilai K yang digunakan adalah K=1, K=3, K=5, dan K=7 . Hasil akurasi tertinggi diperoleh pada saat K=3 yaitu sebesar 88.89%, dan hasil akurasi terendah pada saat K=7 yaitu sebesar 50%. Keywords— ekstraksi ciri; klasifikasi; mutu telur ayam ras; K-NN

I.

PENDAHULUAN

Telur merupakan salah satu produk peternakan unggas yang memiliki kandungan gizi lengkap dan mudah dicerna serta merupakan salah satu sumber protein hewani disamping daging, ikan dan susu. Telur secara umum terdiri atas tiga komponen pokok, yaitu kulit telur atau kerabang atau cangkang, putih telur, dan kuning telur masing-masing 11%, 57%, dan 32% dari bobot tubuh telur ayam [7]. Pengawasan mutu telur ayam ras dapat dilakukan terhadap keadaan fisik, kesegaran isi telur,pemeriksaan kerusakan dan pengukuran komposisi fisik. Keadaan fisik dari telur mencakup hal ukuran (berat, panjang dan lebar), warna (putih, agak kecoklatan, coklat), kondisi kulit telur (tipis dan tebal), rupa (bulat dan lonjong) dan kebersihan kerabang (kulit) telur ayam ras. Kebersihan kerabang telur ayam ras terbagi dalam tiga mutu yaitu mutu I (bersih), mutu II (sedikit noda kotor) dan mutu III (banyak noda dan sedikit kotor)[8]. Teknik pengolahan citra digital telah digunakan secara luas dalam berbagai jenis aplikasi dalam computer vision. Berbagai teknik pengolahan citra digital digunakan dalam robotic,sistem biometri, medical visualization,human computer interface dan pengklasifikasikan objek. Teknik pengolahan citra dapat digunakan untuk mengklasifikasikan telur[6].

Beberapa penelitian telah dilakukan untuk klasifikasi telur ayam ras. Terdapat 3 variabel yang digunakan dalam klasifikasi ini yaitu R, G, B. Klasifikasi telur ini dilakukan dengan menggunakan segmentasi citra dan analisis regresi. Akurasi data testing untuk klasifikasi adalah 100% (36/36) dan nilai akurasi data training adalah 42% (15/36) [9]. Salah satu metode klasifikasi yang mudah dan efektif adalah metode K-Nearest Neighbor (K-NN). Metode K-NN merupakan metode yang melakukan klasifikasi berdasakan kedekatan lokasi (jarak) suatu data dengan data lain serta merupakan metode yang cukup sederhana namun memiliki tingkat akurasi yang tinggi[5]. Ada beberapa penelitian yang menggunakan K-NN untuk pembuatan sistem klasifikasi diantaranya tentang klasifikasi penyakit kulit. Dalam penelitian ini terdapat 3 variabel yang digunakan yaitu R, G, B serta menggunakan metode histogram warna dan edge histogram descriptor dengan metode K-NN. Akurasi yang diperoleh ketika menggunakan K tetangga terdekat = 3 adalah 68,57% [2]. Teknik Pengolahan citra digital telah digunakan secara luas dalam berbagai jenis aplikasi dalam computer vision misalnya dalam klasifikasi objek. Salah satu contoh penerapan pengolahan citra digital dalam klasifikasi objek adalah klasifikasi mutu kerabang telur. Kualitas kerabang telur yang baik ditentukan oleh permukaan yang halus, bentuk yang bagus, bersih dari kotoran dan tidak ada yang pecah [3]. Dalam penelitian ini akan dirancang sebuah sistem klasifikasi untuk mengetahui mutu telur ayam ras yang ditinjau dari kebersihan kerabang telur berbasis pola citra digital menggunakan K-NN untuk mendapatkan hasil yang cepat dan akurat. II.

TINJAUAN PUSTAKA

A. Telur Ayam Telur ayam konsumsi segar adalah telur ayam yang tidak mengalami proses pendinginan, tidak mengalami penanganan pengawetan, tidak menunjukan tanda-tanda pertumbuhan embrio yang jelas, kuning telur belum tercampur dengan putih telur, utuh dan bersih. Klasifikasi telur dapat dibedakan dari

2354-645X/15 ©2015

241


jenis, warna kerabang, berat, dan berdasarkan mutu. Klasifikasi telur berdasarkan mutu dibedakan menjadi Mutu I, Mutu II dan Mutu III. Mutu telur ayam segar untuk konsumsi yang ditinjau dari kebersihan kerabang telur seperti dalam tabel I[8]

dinamakan variance atau moment orde dua ternormalisasi karena

memberikan ukuran kontras c. Skewness Skewness menunjukkan tingkat kemencengan relatif kurva histogram dari suatu citra.

TABEL I. TINGKATAN MUTU TELUR Faktor Mutu Mutu I Kondisi Kerabang Bentuk Kehalusan Ketebalan Keutuhan Kebersihan

Normal Halus Tebal Utuh Bersih

merupakan fungsi peluang

Tingkatan Mutu Mutu II Mutu III Normal Halus Sedang Utuh Sedikit noda kotor

(3) Skewness sering disebut moment orde tiga ternormalisasi. Nilai negatif menyatakan bahwa distribusi kecerahan condong ke kiri terhadap rerata dan nilai positif menyatakan bahwa distribusi kecerahan condong ke kanan terhadap rerata. Dalam praktek, nilai skewness dibagi supaya ternormalisasi d. Kurtosis (α )

Abnormal Sedikit Kasar Tipis Utuh Banyak noda dan sedikit kotor

4

B. Ekstraksi Ciri Ekstraksi ciri merupakan langkah awal dalam melakukan klasifikasi dan interpretasi citra. Proses ini berkaitan dengan kuantisasi karakteristik citra ke dalam sekelompok nilai ciri yang sesuai. 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. Berdasarkan orde statistiknya, analisis tekstur dapat dikategorikan menjadi 3, yaitu analisis tekstur orde satu, orde dua, dan orde tiga. Untuk penelitian ini digunakan ekstraksi ciri statistik orde satu dan dua. 1. Statistik orde kesatu merupakan metode pengambilan ciri yang didasarkan pada karakteristik histogram citra. Histogram menunjukan probabilitas kemunculan nilai derajat keabuan piksel pada suatu citra dengan mengabadikan hubungan antar piksel tetangga. Analisa tekstur orde satu lebih baik dalam mempresentasikan tekstur citra dalam parameter-parameter terukur, seperti mean, skewness variance, kurtosis dan entropy.[4] Rumus mencari ekstraksi ciri orde satu sebagai berikut : a. Mean (m) Mean (m) menunjukkan ukuran dispersi dari suatu citra.

(1) dengan i adalah aras keabuan pada citra f dan menyatakan probabilitas kemunculan i dan L menyatakan nilai aras keabuan tertinggi. Rumus (1) akan menghasilkan rerata kecerahan objek b. Variance (σ) Variance (σ) menunjukkan variasi elemen pada histogram dari suatu citra

(2)

Menunjukkan tingkat keruncingan histogram dari suatu citra

relatif

kurva

(4) e. Entropy (H) Menunjukkan ukuran ketidakberaturan bentuk dari suatu citra (5) Semakin tinggi nilai entropi, semakin kompleks citra tersebut. 2.

Statistik orde kedua mempertimbangkan hubungan antara dua piksel (piksel yang bertetangga) pada citra.untuk kebutuhan analisanya. Analisis tekstur orde dua memerlukan bantuan matriks kookurensi (matrix cooccurrence) untuk citra keabuan. Analisa tekstur orde dua lebih baik merepresentasikan tekstur citra dalam parameter-parameter tekstur, seperti Angular Second Moment, contrast, correlation variance, inverse different moment, entropy [4]. Rumus mencari ekstraksi ciri orde satu sebagai berikut : a.

Angular Second Moment (ASM) ASM merupakan ukuran homogenitas citra, dihitung dengan: (6) dimana L menyatakan jumlah level yang digunakan untuk komputasi

b.

Kontras Kontras merupakan ukuran keberadaan variasi aras keabuan piksel citra dihitung dengan cara :

242


(7) c.

Correlation Menunjukkan ukuran ketergantungan linear derajat keabuan citra sehingga dapat memberikan petunjuk adanya struktur linear dalam citra.

D. Confusion matrix Confusion matrix merupakan tabel pencatat hasil kerja klasifikasi seperti dalam Tabel II [5]. TABEL II. CONFUSION MATRIX

d.

Variance Menunjukkan variasi elemen-elemen matriks kookurensi. Citra dengan transisi derajat keabuan kecil akan memiliki variansi yang kecil pula. (9)

e.

Kelas hasil prediksi (j)

fij

(8)

Kelas asli (i)

Kelas = 1

Kelas = 0

Kelas = 1

f11

f10

Kelas = 0

f01

f00

Informasi dalam confusion matrix diperlukan untuk menentukan kinerja model kalsifikasi yang meliputi akurasi dan laju eror.

Inverse Different Moment Menunjukkan kehomogenan citra yang berderajat keabuan sejenis. Citra homogen akan memiliki harga IDM yang besar.

(12) (13)

(10) III. f.

Entropy Menunjukkan ukuran ketidakteraturan bentuk. Harga ENT besar untuk citra dengan transisi derajat keabuan merata dan bernilai kecil jika struktur citra tidak teratur (bervariasi). (11)

C. K-Nearest Neighbor (K-NN) Algoritma K-NN merupakan teknik klasifikasi yang sangat populer yang diperkenalkan oleh Fix dan Hodges (1951), yang telah terbukti menjadi algoritma sederhana yang baik dan merupakan salah satu metode yang digunakan dalam pengklasifikasian dengan menggunakan algoritma supervised [1]. Tujuan dari algoritma ini adalah mengklasifikasikan obyek baru berdasarkan jarak suatu obyek yang akan diklasifikasikan terhadap data contoh. Classifer hanya menggunakan fungsi jarak dari data baru ke data training. Prinsip kerja K-NN adalah mencari jarak terdekat antara data yang akan dievaluasi dengan K tetangga (neighbor) terdekatnya dalam data pelatihan. Data pelatihan diproyeksikan ke ruang berdimensi banyak, dimana masingmasing dimensi merepresentasikan fitur dari data. Ruang ini dibagi menjadi bagian-bagian berdasarkan klasifikasi data pelatihan. Sebuah titik pada ruang ini ditandai kelas c, jika kelas c merupakan klasifikasi yang paling banyak ditemui pada K buah tetangga terdekat titik tersebut. Dekat atau jauhnya tetangga biasanya dihitung berdasarkan jarak Euclidean, Correlation, Cosine dan Cityblock. Pada penelitian ini parameter yang digunakan adalah Euclidean. Rumus menghitung jarak Euclidean sebagai berikut :

METODE PENELITIAN

Penelitian ini terbagi menjadi 4 tahapan seperti dalam Gambar 1. Tahapan penelitian meliputi pengambilan sampel citra, preprocessing, ekstraksi ciri, dan klasifikasi menggunakan K-nearest Neighbor. Pengambilan sampel citra telur ayam ras dilakukan dengan mengambil citra sampel telur sebanyak 90 telur, yang terdiri dari 30 mutu I, 30 mutu II, dan 30 mutu III. Tahapan preprocessing adalah mengubah citra RBG (citra asli) menjadi citra Grayscale. Setelah tahap preprocessing selanjutnya ektraksi ciri menggunakan statistik orde satu dan orde dua. Ekstraksi ciri orde satu terdiri dari lima parameter ciri, yaitu mean, variance, skewness, kurtosis, dan entropy. Sedangkan ciri orde kedua terdiri dari enam parameter ciri, yaitu angular second moment, contrast, corelation, variance, invers different moment, dan entropy. Hasil dari ekstraksi ciri digunakan untuk menguji hasil klasifikasi menggunakan metode K-NN.

Mulai

Pengambilan Sampel Citra

Preprocessing

Ekstraksi Ciri

Klasifikasi K-NN

Selesai

Gambar 1. Tahapan penelitian klasifikasi mutu telur A. Pengambilan sampel citra Pengambilan sampel citra telur ayam ras dilakukan dengan mengambil citra sampel telur menggunakan kamera digital berukuran 8 megapiksel. Sampel yang digunakan sejumlah 90 citra, yang terdiri dari 30 mutu I, 30 mutu II, dan 30 mutu III. Pengambilan citra dengan jarak 15cm dari kamera dengan menggunakan background berwarna putih dan menggunakan 2 buah lampu led dengan daya 10 watt yang dipasang di kiri dan kanan obyek dengan jarak 30cm.

243


B. Preprocessing Preprocessing adalah tahapan yang dilakukan sebelum melakukan ekstraksi ciri. Tahapan yang dilakukan dalam preprocessing adalah untuk mencari nilai rata-rata rgb, kemudian mengubah citra RGB menjadi grayscale untuk mencari nilai derajat keabuan. Contoh citra telur ayam RGB dan grayscale seperti dalam Gambar 2.

B. Ekstraksi ciri Ekstraksi ciri merupakan proses untuk memperoleh informasi dari citra telur ayam ras. Informasi yang diperoleh dari ekstraksi ciri sebanyak 11 ciri citra. Ekstraksi ciri dibagi menjadi 2 yaitu ekstraksi ciri orde satu dan ekstraksi ciri orde dua. Ekstraksi ciri orde satu terdiri dari parameter-parameter mean,skewness,variance,kurtosis dan entropy. Untuk ekstraksi ciri orde dua yaitu Angular Second Moment,contrast, correlation variance, inverse different moment, entropy. Hasil ektraksi ciri terdapat pada Gambar 4.

Gambar 2. Citra Telur Asli dan Grayscale C. Ektraksi Ciri Pada proses ekstraksi ciri dilakukan dengan menghitung properti-properti citra. Dalam ekstraksi ciri ini menggunakan metode ekstraksi ciri orde pertama dan orde kedua. Ekstraksi ciri orde pertama terdiri dari lima parameter ciri yaitu mean, variance, skewness, kurtosis, dan entropy. Sedangkan ciri orde kedua terdiri dari enam parameter ciri, yaitu angular second moment, contrast, correlation, variance, invers different moment dan entropy. D. Klasifikasi menggunakan K-nearest Neighbor Hasil dari proses ekstraksi ciri kemudian diklasifikasi menggunakan K-NN. Tujuan dari K-NN adalah mengklasifikasikan suatu obyek berdasarkan cirinya dengan menghitung jarak dari data baru ke data training. Dalam penelitian ini digunakan jarak Euclidean. IV.

HASIL DAN PEMBAHASAN

Sistem klasifikasi mutu telur ayam ras terdiri dari tiga proses utama yaitu preprocessing,ekstraksi ciri dan klasifikasi menggunakan K-NN. A. Preprocessing Preprocessing adalah tahapan yang dilakukan sebelum melakukan ekstraksi ciri. Tahapan ini mengubah citra RGB menjadi grayscale seperti dalam Gambar 3

Gambar 4. Hasil ekstraksi ciri C. Klasifikasi menggunakan K-Nearest Neighbor Data yang digunakan untuk klasifikasi ini berjumlah 90 data, yaitu 30 mutu I, 30 mutu II, dan 30 mutu III. Dari 90 data dibagi menjadi 2 bagian yaitu bagian pertama 4/5 jumlah data (72 data) untuk data latih dan bagian kedua 1/5 jumlah data (18 data) untuk data uji. Klasifikasi mutu citra telur ayam ras yang digunakan adalah K-NN. Parameter jarak yang digunakan adalah Euclidean dengan menggunakan nilai K=1,K=3,K=5, dan K=7. Komposisi data dipilih secara acak dengan teknik holdout. Setelah proses klasifikasi dapat diperoleh data uji yang benar dan data uji yang salah , kemudian menghitung akurasi dan laju eror. Hasil klasifikasi menggunakan K-NN seperti dalam Tabel III. TABEL III. HASIL KLASIFIKASI K-NN Data Uji 18

K

Hasil salah 6

akurasi

Laju eror

1

Hasil benar 12

0.6667

0.3333

3 5 7

16 10 9

2 8 9

0.8889 0.5556 0.5000

0.1111 0.4445 0.5000

Pada tabel 3 dapat dilihat hasil klasifikasi dengan K-NN menggunakan parameter Euclidean. Hasil akurasi tertinggi yang didapatkan saat perhitungan jarak menggunakan Euclidean K=3 yaitu sebesar 0.8889 atau 88,89%, sedangkan hasil akurasi terendah didapatkan dengan nilai K=7 yaitu sebesar 0.5000 atau 50%. Hasil Confusion matrix seperti dalam tabel IV. Gambar 3. Tampilan hasil preprocessing

244


TABEL IV CONFUSION MATRIX MUTU TELUR

Kelas asli

Mutu I Mutu II

Mutu I 6 0

Mutu III

0

1.

Kelas prediksi Mutu II Mutu III 0 0 4 2 0

2.

DAFTAR PUSTAKA

6 [1]

V. KESIMPULAN DAN SARAN A. Kesimpulan Berdasarkan hasil percobaan program klasifikasi mutu telur ayam ras yang ditinjau dari kebersihan kerabang telur maka dapat diberikan kesimpulan sebagai berikut : 1.

2.

Metode ekstraksi ciri statistik orde satu dan orde dua, serta metode klasifikasi K-Nearest Neighbor dapat digunakan untuk mengklasifikasi mutu telur ayam ras dengan akurasi sebesar 0.8889 Metode K-Nearest Neighbor dapat menghasilkan akurasi yang baik. Terbukti pada saat nilai K=3, menggunakan perhitungan jarak Euclidean dapat menghasilkan akurasi sebsar 0.8889 atau 88.89% dengan laju eror 0.1111

[2]

[3]

[4]

[5] [6] [7] [8]

B. Saran Berikut ini adalah beberapa saran untuk penelitianpenelitian lebih lanjut mengenai klasifikasi mutu telur berdasarkan kebersihan kerabang telur :

Menggunakan metode ekstraksi ciri yang lain untuk meningkatkan akurasi. Menggunakan metode klasifikasi yang lain untuk meningkatkan akurasi misalkan fuzzy logic dan SVM

[9]

Chan L, Salleh S and Ting C, “Face biometrics based on principal component analysis and linear discriminant analysis. Journal of Computer Science. 6 (7) : 639-699, 2010. Fitrianto, Faris, “Identifikasi jenis penyakit kulit berdasarkan analisis warna dan tekstur pada citra kulit menggunakan klasifikasi K-nearest neighbor, Semarang: Universitas Diponegoro, 2010. Ibrahim, R,Mohd Zin.Z,Nadzri.N, Shamsudin.M.Z, and Zainudin.M.Z., “Egg’s grade classification and dirt inspection using image processing techniques”, Proceedings of the World Congress on Engineering Vol II, London, 2012 Permatasari. Debby, ”Sistem klasifikasi kualitas biji jagung berdasarkan tekstur berbasis pengolahan citra digital”, Tugas Akhir. Bandung : Institut Teknologi Telkom, 2012 Prasetyo, Eko. “Data mining konsep dan aplikasi menggunakan Matlab”.Yogyakarta : Andi, 2012. Rashidi, Majid and Fereydoun Keshavarzpour,” Classification of egg size and shape based on mass and outer dimensions analysis”, Iran, 2011 Shofiyanto, “Tinjauan umum telur ayam”, Bandung : Universitas Padjajaran, 2008. Standar Nasional Indonesia Nomor 3926:2008. “Telur ayam konsumsi”, Jakarta : Badan Standarisasi Nasional,2008. Wijaya, Adhi T dan Prayudi Yudi, “Implementasi visi komputer dan segmentasi citra untuk klasifikasi bobot telur ayam ras”, jurnal, ISSN: 1907-5022,2010

245

Klasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor

Recommend Documents