KLASIFIKASI TINGKAT KEMATANGAN BUAH PEPAYA (CARICA PAPAYA L) CALIFORNIA (CALLINA-IPB 9) DALAM RUANG WARNA HSV DAN ALGORITMA K-NEAREST NEIGHBORS

Prosiding SENATEK 2015 Fakultas Teknik, Universitas Muhammadiyah Purwokerto Purwokerto, 28 November 2015, ISBN 978-602-14355-0 -2

KLASIFIKASI TINGKAT KEMATANGAN BUAH PEPAYA (CARICA PAPAYA L) CALIFORNIA (CALLINA-IPB 9) DALAM RUANG WARNA HSV DAN ALGORITMA K-NEAREST NEIGHBORS Sigit Sugiyanto*, Feri Wibowo Program Studi Teknik Informatika Fakultas Teknik Universitas Muhammadiyah Purwokerto Jl. Raya Dukuhwaluh, PO BOX 202 Purwokerto 53182 Telp.(0281) 636751 *Email: [email protected] ABSTRAK Permasalahan pascapanen pada buah pepaya yang diproduksi secara skala besar atau industri, salah satunya adalah dalam hal penyortiran buah pepaya, selama ini buah pepaya diidentifikasi tingkat kematangannya berdasarkan analisa warna kulit buah secara visual mata manusia yang memiliki keterbatasan. Proses identifikasi seperti ini memiliki beberapa kelemahan diantaranya yaitu membutuhkan tenaga lebih banyak untuk memilah, tingkat persepsi kematangan buah yang berbeda, tingkat kekonsitenan manusia dalam hal menilai kematangan buah tidak menjamin, karena manusia dapat mengalami kelelahan, dan manusia juga dalam menilai kematangan buah terkadang bersifat subjektif. Metode yang diusulkan untuk membantu identifikasi tingkat kematangan buah pepaya california (callina) dalam proses sortasi adalah dengan membangun sebuah aplikasi berbasis teknologi pengolahan citra digital dan menggunakan algoritma K-Nearest Neighbors (KNN). Pengujian dengan jumlah K tetangga 3 dan jumlah data citra uji sebanyak 12 data, didapatkan tingkat keakuratan algoritma KNN sebesar 75%, dengan data output yang tidak sesuai dengan target sejumlah 3 data dan yang sesuai target sejumlah 9 data. Pengujian dengan jumlah K tetangga 5 dan jumlah data citra uji sebanyak 12 data, didapatkan tingkat keakuratan algoritma KNN sebesar 83,34%, dengan data output yang tidak sesuai dengan target sejumlah 2 data dan yang sesuai target sejumlah 10 data. Kata kunci: pepaya, pengolahan citra digital, KNN. PENDAHULUAN Indonesia merupakan salah satu negara penghasil buah-buahan tropis terbesar di ASEAN, bersamasama dengan Filipina, Thailand, dan Vietnam. Buah-buahan yang dihasilkan Indonesia yang merupakan komoditas tertinggi di pasar international adalah buah pisang, nanas, pepaya, dan mangga. Dari beberapa buah komsoditas unggulan Indonesia tersebut salah satunya yaitu buah pepaya yang merupakan salah satu buah tropis yang mempunyai nilai ekonomi tinggi dan dapat dijadikan sebagai sumber pendapatan dan sumber ketersedian gizi. Buah pepaya sebagai buah yang tidak mengenal musim, produksi pepaya di Indonesia selama tiga tahun terakhir mulai dari tahun 2011, 2012, dan 2013 cenderung stabil yaitu sebesar 958.251, 906.305, dan 909.818, dalam satuan ton (Kementrian Pertanian, 2013). Salah satu permasalahan produksi pepaya dalam skala besar adalah permasalahan pascapanen. Pascapanen pertanian meliputi 2 hal, teknologi proses dan teknologi alat dan mesin. Teknologi proses berfungsi sebagai inovasi teknologi proses untuk membantu dunia usaha menghasilkan produk yang disukai oleh konsumen. Inovasi produk pertanian yang dilakukan akan membantu menambah daya simpan, menghilangkan rasa/aroma yang tidak disukai, warna produk lebih menarik dan menambah jenis produk olahan. Teknologi alat dan mesin digunakan untuk mempermudah teknologi proses yang dihasilkan, dengan inovasi alat dan mesin dapat menghasilkan kualitas dan kuantitas produk, menghasilkan produk dengan efisien dan memberikan kenyamanan kepada operator (Darmanto, 2011). Salah satu permasalahan pascapanen pada buah pepaya yang diproduksi secara skala besar atau industri adalah dalam hal penyortiran buah pepaya, selama ini buah pepaya diidentifikasi tingkat kematangannya berdasarkan analisa warna kulit buah secara visual mata manusia yang memiliki keterbatasan. Proses identifikasi seperti ini memiliki beberapa kelemahan diantaranya yaitu membutuhkan tenaga lebih banyak untuk memilah, tingkat persepsi kematangan buah yang berbeda, tingkat kekonsitenan manusia dalam hal menilai kematangan buah tidak menjamin, karena manusia dapat mengalami kelelahan, 335


dan manusia juga dalam menilai kematangan buah terkadang bersifat subjektif, sehingga dari fakta-fakta tersebut akan mempengaruhi waktu yang dibutuhkan dalam memilah dan mengidentifikasi tingkat kematangan buah pepaya. Berdasarkan deskripsi diatas dibutuhkan sebuah metode yang dapat mengidentifikasi untuk mengklasifikasikan tingkat kematangan buah pepaya california (callina)secara tepat dengan bantuan komputer, yaitu menggunakan metode pengolahan citra digital yang akan menghasilkan data fitur (ekstraksi fitur) dalam ruang warna HSV (Hue SarutraionValue) yang akan diproses menggunaan algoritma K-Nearest Neighbor (KNN) sehingga dapat digunakan untuk menentukan tingkat kematangan buah pepaya. Sebuah citra merupakan kumpulan piksel-piksel yang disusun dalam larik (array) dua dimensi. Sebuah piksel adalah sampel dari citra yang mengandung intensistas citra yang dinyatakan nilainya dalam bilangan bulat. Indeks baris dan kolom dari sebuah piksel (x,y) dinyatakan dalam bilangan bulat. Piksel dengan koordinat (0,0) terletak pada sudut kiri atas pada citra. Karakteristik operasi dalam pengolahan citra dapat dibedakan menjadi empat macam, yaitu operasi tingkat titik (point level), operasi tingkat lokal (local level), operasi tingkat global (global level), dan operasi tingkat obyek (object level) (Ahmad, 2005). Ruang warna RGB menggunakan tiga komponen dasar yaitu merah (R), hijau (G), dan biru (B). Setiap piksel dibentuk oleh ketiga komponen tersebut. Model warna RGB biasa disajikan dalam bentuk kubus tiga dimensi, dengan warna merah, hijau, dan biru berada pada pojok sumbu (Kadir and Susanto, 2012)Ruang warna HSV dan HSL merupakan contoh ruang warna yang merepresentasikan warna seperti yang dilihat oleh mata manusia. H berasal dari kata “hue”, S berasal dari kata “saturation”, L berasal dari kata “Luminance”, I berasal dari kata “Intensity”, dan V berasal dari “value”. Ruang warna HLS terkadang disebut HLS, sedangkan HSV terkadang dinakaman HSB, dengan B berasal dari kata “Brightness”. Model HSV yang pertama kali diperkenalkan oleh A.R. Smith pada tahun 1978. KNN adalah metode klasifikasi yang menentukan kategori berdasarkan mayoritas kategori pada ktetangga terdekat. Jika D adalah sekumpulan data pelatihan maka ketika data uji d disajikan, algoritma akan menghitung jarak antara setiap data dalam D dengan data uji d. penghitungan jarak dilakukan dengan menggunakan euclidian distance. Kemudian k buah data dalam D yang memiliki jarak terdekat dengan d diambil. Himpunan k merupakan k-nearest neighbor. Selanjutnya kategori data uji d ditentukan berdasarkan label mayoritas kategori dalam himpunan k-tetangga terdekat (Farsiah dkk., 2013).

METODE PENELITIAN Penelitian ini merupakan penelitian pengembangan perangkat lunak komputer yang berfokus pada pengolahan citra digital dan algoritma K-Nearest Neighbor. Data input berupa data citra pepaya california (callina) yang berjumlah 25 data citra. Langkah operasional yang dilakukan dalam penelitian ini adalah sebagai berikut: 1.

Mengumpulkan data yang berupa data citra pepaya california (callina) yang diambil menggunakan kamera 5MP, dan data citra yang diambil berjumlah 25.

2.

Menentukan skema pemrosesan keanggotaan warna pada citra input, dengan skema seperti pada Gambar 1.

Gambar 1. Skema pemrosesan keanggotaan warna.

336


3.

Dari skema pemrosesan keanggotaan warna seperti pada Gambar 1, langkah pertama adalah merubah citra input warna kedalam citra biner, untuk melakukan konversi ke citra biner, melalui mekanisme seperti terlihat pada Gambar 2.

Gambar 2. Mekanisme konversi ke citra biner. 4.

Citra biner yang didapat digunakan untuk menjadi citra acuan permosesan, yaitu piksel bernilai 1 atau berwarna putih yang akan dilakukan pemrosesan. Jadi dengan acuan citra biner ini piksel yang akan diproses hanya piksel pada objek, sedangkan piksel pada latar belakang tidak akan diproses. Kemudian setelah mendapatkan citra biner langkah selanjutnya adalah melakukan konversi citra input warna ke dalam HSV. Formula yang digunakan untuk konversi ke bentuk HSV adalah sebagai berikut:

max , , 1

, , ,

0, ,

60 ∗ 2

60 ∗ 4

, 0 0

∗

∗

∗

∗

(1) (2) (3)

0, ,

0

,

(4)

,

5.

Kemudian setelah melakukan proses konversi ke dalam ruang warna HSV, kemudian melakukan perhitungan jumlah derajat keanggotaan dengan model fuzzy untuk setiap warna dengan menghitung piksel pada citra berwarna yang nilai pada citra biner berupa 1. Langkah ini adalah langkah ekstraksi fitur, yang akan menghasilkan fitur-fitur seperti komponen Hue, Saturation dan Value yang nantinya akan dijadikan input pada algoritma KNN (K-Nearest Neighbor).

6.

Kemudian apabila akan dilanjutkan untuk segmentasi sehingga pada citra input juga terlihat batas antar warna, maka segmetasi dilakukan dengan perpedoman pada susunan warna pada model fuzzy untuk dimensi Hue. Yaitu dengan cara melakukan perubahan nilai hue yang berdekatan dengan warna yang menjadi titik pusat dari fungsi keanggotaan fuzzy. Sebagai contoh warna hijau dengan hue=80 akan dibuah nilainya menjadi 85. Apabila tidak akan dilanjutkan dengan segementasi maka cukup sampai dengan langkah pada point 5.

HASIL DAN PEMBAHASAN Tahapan pertama yang dilakukan adalah analisis sistem yang akan dibangun dan pengumpulan data. Hasil analisis sistem, ditentukan bahwa sistem yang dibangun dapat melakukan klasifikasi kematangan buah pepaya california (callina) kedalam tiga kategori kelas kematangan yaitu kategori mentah, sedang, dan matang. Pada tahap pengumpulan data, data diambil menggunakan kamera beresolusi 5MP. Pepaya california (callina) yang akan dijadikan data penelitian diambil dari beberapa pedagang buah yang ada di kota Purwokerto yang banyak di suplai dari petani pepaya di daerah kabupaten Kebumen. Pada tahap ini telah dikumpulkan sebanyak 31 citra buah pepaya california (callina) dengan rincian 19 citra refrensi yang telah di beri label keterangan tingkat kematangan, dan 12 citra untuk pengujian. Beberapa sampel citra yang telah terkumpul 337


seperti ditunjukkan pada Gambar 3.

(a) Citra pepaya mentah

(b) Citra pepaya matang

(c) Citra pepaya matang

Sedang Gambar 3. Citra sampel pepaya. Tahap selanjutnya yang dilakukan setelah analisis dan pengumpulan data adalah membuat desain alur sistem. Desain alur sistem yang dilakukan pada penelitian ini memiliki beberapa tahapan proses yaitu proses akuisisi citra menggunakan kamera, kemudian tahap preprocessing citra, segmentasi citra, ekstraksi fitur citra, pelabelan data citra refrensi dan proses pengujian K-nearest neighbors. Ekstraksi fitur diawali dengan konversi citra dalam ruang warna RGB ke ruang warna HSV. Citra biner yang didapat di tahap sebelumnya digunakan untuk menjadi citra acuan permosesan, yaitu piksel bernilai 1 atau berwarna putih yang akan dilakukan pemrosesan. Jadi dengan acuan citra biner ini piksel yang akan diproses konversi ke ruang warna HSV adalah hanya piksel pada objek, sedangkan piksel pada latar belakang tidak akan diproses. Kemudian setelah melakukan proses konversi ke dalam ruang warna HSV, melakukan perhitungan jumlah derajat keanggotaan dengan model fuzzy untuk setiap warna dengan menghitung piksel pada citra berwarna yang nilai pada citra biner berupa 1. Langkah ini adalah langkah ekstraksi fitur, yang akan menghasilkan fitur-fitur seperti komponen Hue, Saturation dan Value yang nantinya akan dijadikan input pada algoritma KNN (K-Nearest Neighbor). Proses klasifikasi dengan KNN ditunjukkan pada Gambar 4. Mulai

Nilai fitur citra pepaya input yang didapat dari ekstraksi

Tentukan nilai K

Hitung jarak nilai fitur baru degan data refrensi berlabel

Tentukan k labeled data yang mempunyai jarak yang paling minimal

Klasifikasikan data baru ke dalam labeled data yang mayoritas

Selesai

Gambar 4. Diagram Alir Proses Klasifikasi dengan KNN

338


Tahap selanjutnya adalah menentukan struktur tabel untuk menyimpan data ekstraksi fitur citra pepaya dan tabel untuk menyimpan data nilai euclidean distance tiap citra pepaya uji. Tabel 1. Struktur tabel data ekstraksi fitur Atribut Tipe data Id int(11) meanRed double meanOrange double meanYellow double meanGreen Double Maturity Varchar(20) Tabel 2. Sturktur tabel nilai euclidean distance Atribut Tipe data Id int(11) meanRed Double meanOrange Double meanYellow Double meanGreen Double euclideanDistance Double Maturity Varchar(20)

Index Pk

index Pk

Tahap implementasi merupakan tahap menerjemahkan hasil analisa dan desain sistem menjadi sebuah program menggunakan bahasa pemrograman. Bahasa pemrogaman yang digunakan dalam hal ini adalah Bahasa pemrograman C# dan dibantu dengan IDE MS Visual Studio 2010, database manajemen sistem yang digunakan adalah MySQL server. a.

Halaman utama aplikasi

Halaman utama merupakan halaman aplikasi saat pertama dijalankan, pada halaman utama terdapat menu home. Menu home terdapat sub menu open, proses ekstraksi fitur, dan exit.

b.

Proses ekstrasi fitur

Setelah citra pepaya di pilih, proses selanjutnya adalah melakukan proses ekstraksi fitur yang diawali dengan segmentasi citra kemudian memberikan label keterangan kematangan pepaya sesuai dengan data yang ada. Proses ekstraksi fitur ini dapat dilakukan melalui menu proses ekstraksi nilai warna seperti ditunjukkan pada Gambar 5.

Gambar 5. Proses ekstraksi fitur nilai warna

339


c.

Proses simpan data citra refrensi

Proses selanjutnya setelah melakukan proses ekstraksi fitur adalah menyimpan datanya ke dalam database, hal ini dilakukan karena data ini akan di jadikan data refrensi ketika dilakukan proses klasifikasi data citra pepaya uji menggunakan algoritma K-Nearest Neighbors.

d.

Proses pengujian

Setelah semua data citra pepaya refrensi telah tersimpan dalam database, proses selanjutnya adalah melakukan pengujian menggunakan data citra pepaya uji. Tahap proses pengujian yang dilakukan hampir sama dengan tahap sebelumnya, yaitu memilih citra pepaya uji terlebih dahulu, kemudian melakukan ekstraksi fiturnya, dan ditambah dengan proses klasifikasi menggunakan algoritma K-Nearest Neighbor dengan mengacu data citra refrensi yang telah disimpan dalam database. Pengujian akan dilakukan dengan dengan 2 kali percobaan, yang pertama dengan jumlah K tetangga sebanyak 3, dan yang kedua dengan jumlah K tetangga 5. Proses pengujian seperti ditunjukan pada Gambar 6.

Gambar 6. Pengujian citra uji dengan jumlah K tetangga 3. e.

Hasil pengujian

Pengujian dilakukan dengan 2 kali percobaan, yang pertama dengan jumlah K tetangga sebanyak 3, dan yang kedua dengan jumlah K tetangga 5. Pada pengujian dengan jumlah K tetangga 3 dan jumlah data citra uji sebanyak 12 data, output yang tidak sesuai dengan target sejumlah 3 data dan yang sesuai target sejumlah 9 data, maka tingkat keakuratan algoritma KNN sebesar 75%. Pengujian dengan jumlah K tetangga 5 dan jumlah data citra uji sebanyak 12 data, output yang tidak sesuai dengan target sejumlah 2 data dan yang sesuai target sejumlah 10 data, maka tingkat keakuratan algoritma KNN sebesar 83,34%. Data pengujian di sajikan pada Tabel 3 dan 4.

No Citra Uji 1 2 3 4 5 6 7 8 9 10 11 12

Mean Red 0 0 0 0 0 0 0 0 0.0857 0.19009 0 0

Tabel 3 Hasil pengujian dengan K tetangga 3. Meand Mean Yellow Mean Green Output Orange 0.04397 0.09715 0.95831 Mentah 0.00038 0.06409 0.86496 Mentah 0 0.13931 0.89934 Mentah 0.01712 0.18291 0.86214 Sedang 0.03931 0.14815 0.88419 Sedang 0.0307 0.39072 0.62789 Sedang 0 0.2094 0.81294 Sedang 0.0406 0.22527 0.74265 Sedang 0.09421 0.23287 0.81124 Sedang 0.08453 0.83469 0.25786 Matang 0.12586 0.75044 0.32484 Matang 0.01845 0.45624 0.55249 Sedang 340

Target

mentah

sedang

matang


Tabel 4 Hasil pengujian dengan K tetangga 5. No Citra Uji 1 2 3 4 5 6 7 8 9 10 11 12

Mean Red 0 0 0 0 0 0 0 0 0.0857 0.19009 0 0

Meand Orange

Mean Yellow

Mean Green

Hasil

0.04397 0.00038 0 0.01712 0.03931 0.0307 0 0.0406 0.09421 0.08453 0.12586 0.01845

0.09715 0.06409 0.13931 0.18291 0.14815 0.39072 0.2094 0.22527 0.23287 0.83469 0.75044 0.45624

0.95831 0.86496 0.89934 0.86214 0.88419 0.62789 0.81294 0.74265 0.81124 0.25786 0.32484 0.55249

Mentah Mentah Mentah Mentah Mentah Sedang Mentah Sedang Sedang Matang Matang Sedang

Target

mentah

sedang

matang

KESIMPULAN Simpulan dari penelitian ini adalah terbangunnya sebuah aplikasi berbasis pengolahan citra digital dan menggunakan algoritma K-Nearest Neighbors untuk klasifikasi otomatis tingkat kematangan buah pepaya california (callina). Pada tahapan pengujian dilakukan dengan 2 kali percobaan, yang pertama dengan jumlah K tetangga sebanyak 3, dan yang kedua dengan jumlah K tetangga 5. Pengujian dengan jumlah K tetangga 3 dan jumlah data citra uji sebanyak 12 data, didapatkan tingkat keakuratan algoritma KNN sebesar 75%, dengan data output yang tidak sesuai dengan target sejumlah 3 data dan yang sesuai target sejumlah 9 data. Pengujian dengan jumlah K tetangga 5 dan jumlah data citra uji sebanyak 12 data, didapatkan tingkat keakuratan algoritma KNN sebesar 83,34%, dengan data output yang tidak sesuai dengan target sejumlah 2 data dan yang sesuai target sejumlah 10 data. Saran dalam penelitian ini adalah data citra pepaya california (callina) yang digunakan untuk citra refrensi lebih banyak lagi, misalkan lebih dari 100 data citra untuk tiap tingkat kematangan, sehingga diharapkan aplikasi yang dibangun akan lebih akurat dalam mengklasifikasikan data citra uji. Kemudian dapat dibuatkan alat khusus untuk proses akuisisi citra, misalkan sebuah bok dari kayu yang terintegrasi dengan sebuah kamera yang terhubung dengan perangkat komputer, sehingga diharapkan proses akuisisi citra akan lebih cepat.

UCAPAN TERIMA KASIH 1. Rektor Universitas Muhammadiyah Purwokerto yang telah memberikan dana dalam pelaksanaan penelitian ini. 2. Ketua LPPM yang telah memberi dorongan dan persetujuannya, sehingga penelitian ini berjalan dengan baik. 3. Dekan Fakultas Teknik yang telah memberi kesempatan dan fasilitas dalam penelitian ini.

DAFTAR PUSTAKA Ahmad, U., 2005, Pengolahan Citra Digital & Teknik Pemrogramannya, Graha Ilmu, Yogyakarta. Darmanto, 2011, Dukungan Teknologi Pascapanen Terhadap Dunia Usaha Dan Pengembangan Pertanian, Prosiding seminar teknologi inovatif pascapanen pertanian ISBN: 978-979-116-32-9, Bogor. Farsiah, L, dkk, 2013, Klasifikasi gambar berwarna menggunakan k-nearest neghbor dan support vector machine, SNASTIKOM, Banda Aceh. Kadir, A. & Susanto, A. 2012, Teori dan Aplikasi Pengolahan citra, Penerbit Andi, Yogyakarta. Kementrian Pertanian, 2013, Basis data statistik pertanian, http://aplikasi.deptan.go.id/bdsp/newkom.asp, diakses pada tanggal 2 Maret 2015

341

KLASIFIKASI TINGKAT KEMATANGAN BUAH PEPAYA (CARICA PAPAYA L) CALIFORNIA (CALLINA-IPB 9) DALAM RUANG WARNA HSV DAN ALGORITMA K-NEAREST NEIGHBORS

Recommend Documents