Jurnal Infomedia Vol.1 No.1 September 2016 | ISSN: 2527-9858
RANCANG BANGUN APLIKASI UNTUK MENGIDENTIFIKASI KUAT TEKAN BATU BATA BERDASARKAN WARNA BERBASIS PENGOLAHAN CITRA MENGGUNAKAN METODE EKSTRAKSI CIRI STATISTIK Melya Rizka Maulani1, Mulyadi2, Sila Abdullah Syakri3 Program Studi Teknik Informatika, Jurusan Teknologi Informasi dan Komputer, Politeknik Negeri Lhokseumawe, Jalan Banda Aceh-Medan Km. 280,3 Buketrata, Lhokseumawe, 24301 PO.BOX 90 Telpon (0645) 42670, 42785 Fax 42785, Indonesia Email:
[email protected],
[email protected],
[email protected]
Abstrak Dalam Industri batu bata tumbuh disetiap tempat untuk mendukung kesediaan batu bata, pembuatan batu bata membutuhkan proses pemilahan material tertentu sehingga menghasilkan mutu batu bata yang baik. Saat ini mengidentifikasi kuat tekan batu bata dilakukan secara mekanis menggunakan alat uji kuat tekan UTM (Universal Testing Machine) membutuhkan waktu yang lama karena proses dari alat itu sendiri. Maka, diperlukan metode ekstraksi ciri statistik untuk mengidentifikasi dan mengenali suatu citra batu bata dengan tekstur tertentu berdasarkan satu set kelas tekstur yang diberikan, aplikasi ini menggunakan microsoft visual basic .Net 2010, dengan proses mencari nilai 5 parameter ekstraksi ciri yaitu mean, variance, skewness, kurtosis, dan entropy. Dari hasil pengujian yang telah dilakukan diperoleh bahwa tingkat keakuratan sistem untuk mengidentifikasi kuat tekan batu bata yaitu 73,33%, diperoleh dari 2 jenis sumber batu bata yaitu tanah sawah dan tanah gunung masing-masing sumber diambil 3 jenis warna batu bata yaitu warna merah, kuning, dan hitam kecoklatan, jumlah keseluruhan data uji yaitu 30 citra. Terdapat beberapa faktor yang mempengaruhi sistem tidak akurat yaitu faktor pencahayaan, faktor jarak dalam pengambilan objek citra batu bata dan faktor perbandingan nilai mean data training dan data uji yang sangat mendekati sehingga sering terjadi kesalahan pendeteksian output kuat tekan batu bata, warna dan sumber batu bata. Kata kunci : Batu Bata, Ekstraksi Ciri Statistik, Citra, Identifikasi .
1. Pendahuluan perumahan, pagar, saluran, pondasi, dan lain- lain. Oleh karena itu batu bata menjadi material bangunan yang penting dalam pembangunan fasilitas umum. Industri batu bata tumbuh disetiap tempat untuk mendukung kesediaan batu bata, pembuatan batu bata membutuhkan proses pemilahan material tertentu sehingga menghasilkan mutu batu bata yang baik. Saat ini mengidentifikasi kuat tekan batu bata dilakukan secara mekanis menggunakan alat uji kuat tekan UTM (Universal Testing Machine) yang membutuhkan waktu yang lama karena proses dari alat itu sendiri. Pada tugas akhir ini dirancang sebuah system aplikasi untuk mengidentifikasi kuat tekan batu bata dengan menggunakan analisis tekstur berbasiskan pengolahan citra digital. Objek yang diuji adalah batu bata yang sudah dimasak atau yang akan dipasarkan ke masyarakat.
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. Citra dikatakan memiliki tekstur apabila pola citra terjadi secara berulang-ulang memenuhi semua bidang citra. Citra yang berbeda memiliki ciri-ciri yang berbeda. Ciri-ciri inilah yang menjadi dasar dalam klasifikasi citra berdasarkan tekstur. Salah satu metode untuk memperoleh ciri-ciri citra tekstur adalah dengan menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan arah tertentu. Teknologi Konstruksi membutuhkan teknologi identifikasi tekstur, untuk mengidentifikasi baik itu segi kekuatan, kemiringan, atau ukuran suatu material. Penggunaan batu bata dalam dunia konstruksi baik sebagai pembentuk elemen struktur maupun non struktur sampai saat ini masih digunakan. Hal ini dapat dilihat dari banyaknya proyek konstruksi yang memanfaatkan batu bata sebagai dinding pada pembuatan gedung,
2. Metode Penelitian Metode statistik menggunakan perhitungan statistik distribusi derajat keabuan (histogram) dengan
17
Jurnal Infomedia Vol.1 No.1 September 2016 | ISSN: 2527-9858
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] (Siska Riantini Arief, 2011).
a. Mean (ΞΌ) Menunjukkan ukuran dispersi dari suatu citra.
Ekstraksi ciri merupakan metode pengambilan ciri yang didasarkan pada karakteristik histogram citra. Histogram menunjukkan probabilitas kemunculan nilai derajat keabuan piksel pada suatu citra. Dari nilai-nilai pada histogram yang dihasilkan, dapat dihitung beberapa parameter ciri, antara lain adalah mean, variance, skewness, kurtosis, dan entropy [6] (Abdul Fadlil, 2012) .
Dimana : ππ = Nilai Intensitas π(ππ ) = Nilai Histogram
π
π = β ππ π (ππ ) π=0
(1)
b. Variance (Ο2) Menunjukkan variasi elemen pada histogram dari suatu citra. π 6 π 2 = β(ππ β π)2 π (ππ )
Adapun proses diagram alir yang menjelaskan tentang proses perhitungan metode ekstraksi ciri statistik dapat dilihat pada gambar berikut :
π=0
(2) Dimana : ππ = Nilai intensitas keabuan π = Nilai mean π(ππ ) = Nilai histogram
Mulai Kurtosis ( 4 ) = 0 Mean (ΞΌ) =0 i = 1 To i < Height * Widht (picture)
Fn = nilai intensitas
c. Skewness ( 3 ) Menunjukkan tingkat kemencengan relatif kurva histogram dari suatu citra.
Y Kurtosis = (1/Kurtosis) * ((fnmean)^4 P(fn))) -3
P(fn) = nilai histogram
i = 1 To i < Height * Widht (picture)
T
T Hasil Kurtosis
Y Entropy (H) = 0
3
Mean = fn x P(fn)
=
1 3
π
β(ππ β π)3 π (ππ ) π=0
i = 1 To i < Height * Widht (picture)
Hasil Mean
Y Entropy = -1 * (P(fn) * (^2Log P(fn))
Variance (Ο2) = 0
i = 1 To i < Height * Widht (picture)
(3)
T
(4) Dimana : 3 = Standar deviasi dari nilai intensitas keabuan ππ = Nilai intensitas keabuan π = Nilai mean π(ππ ) = Nilai histogram
T Hasil Entropy
Y Hasil Mean, Varchar, Skewness, Kurtosis, Entropy
Variance = (fn-mean)^2 P(fn)
Selesai Hasil Variance
d. Kurtosis ( 4 )
Skewness ( 3 ) = 0
i = 1 To i < Height * Widht (picture)
Menunjukkan tingkat keruncingan relatif kurva histogram dari suatu citra.
T
Y Skewness = (1/Skewness) * (fn-mean)^3 P(fn)
4
=
1 4
π
β(ππ β π)4 π (ππ ) β 3 π=0
(4)
Hasil Skewness
Dimana : 4 = Standar deviasi dari nilai intensitas keabuan ππ = Nilai intensitas keabuan π = Nilai mean
Gambar 1. Diagram Alir Metode Ekstraksi Ciri Statistik
18
Jurnal Infomedia Vol.1 No.1 September 2016 | ISSN: 2527-9858
π(ππ ) = Nilai histogram Tabel 3. Tabel hasil deteksi kuat tekan batu bata jenis Tanah Gunung Kuning
e. Entropy (H) Menunjukkan ukuran ketidakaturan bentuk dari suatu citra π
π» = β β π (ππ ).
2 .log π
(ππ )
π=0
(5) Dimana : π(ππ ) = Nilai histogram
3. Hasil dan Pembahasan Tabel 1. Tabel hasil deteksi kuat tekan batu bata jenis Tanah Gunung Hitam Kecoklatan Tabel 4. Tabel hasil deteksi kuat tekan batu bata jenis Tanah Sawah Hitam Kecoklatan
Tabel 2. Tabel hasil deteksi kuat tekan batu bata jenis Tanah Gunung Merah
Tabel 5. Tabel hasil deteksi kuat tekan batu bata jenis Tanah Sawah Kuning
19
Jurnal Infomedia Vol.1 No.1 September 2016 | ISSN: 2527-9858
Berdasarkan hasil pengujian aplikasi yang telah dilakukan dengan tujuan untuk mengetahui sejauh mana tingkat keberhasilan ataupun kegagalan dari sistem ini. Pada proses mendeteksi kuat tekan batu bata yang diuji menggunakan metode ekstraksi ciri statistik yang memiliki 5 parameter yaitu mean, variance, kurtosis, skewness dan entropy. Nilai mean menjadi nilai perbandingan antara data training dan data uji, tabel berikut adalah hasil pendeteksian dari 30 data uji batu bata yang terdiri dari 5 citra batu bata tanah gunung hitam kecoklatan, 5 citra batu bata tanah gunung kuning, 5 citra batu bata tanah gunung merah, 5 citra batu bata tanah sawah hitam kecoklatan, 5 citra batu bata tanah sawah kuning, dan 5 citra batu bata tanah sawah merah.
b. Dari lima parameter ekstraksi ciri yang digunakan yaitu mean, variance, skweness, kurtosis dan entropy, dapat dilihat dan disimpulkan bahwa parameter kurtosis adalah parameter yang paling berpengaruh dalam penentuan ciri citra karena terlihat pada ukuran nilainya yang sangat fluktuaktif. c. Kendala yang muncul dari penggunaan metode jarak ekstraksi ciri statistik yaitu nilai mean citra uji yang gagal di identifikasi karena mendekati dengan nilai mean citra latih dalam database yang tidak sesuai dengan identitas citra yang diujikan, Sehingga sering terjadi kesalahan pendeteksian output kuat tekan batu bata serta warna dan sumber batu bata. d. Secara keseluruhan hasil deteksi kematangan dari aplikasi ini mempunyai persentase tingkat keberhasilan standar, yaitu 73,33%.
Berdasarkan tabel hasil pengujian sistem identifikasi kuat tekan batu bata di atas, dapat dihitung untuk akurasi sistem ini yaitu dimana nilai N adalah jumlah seluruh citra uji sebanyak 30 citra, yang terdiri dari 5 citra batu bata tanah gunung hitam kecoklatan, 5 citra batu bata tanah gunung kuning, 5 citra batu bata tanah gunung merah, 5 citra batu bata tanah sawah hitam kecoklatan, 5 citra batu bata tanah sawah kuning, dan 5 citra batu bata tanah sawah merah, maka dapat dihitung tingkat akurasinya sebagai berikut :
5. Daftar Acuan [1] Adikara, P.P , dkk. (2014). Pencarian Ruang Warna Kulit Manusia Berdasarkan nilai Karakteristik Matrik Window Citra. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol.1, No.9 Tahun 2014. [2] Al-Bahra bin Ladjamudin. 2005. Analisis dan Desain Sistem Informasi. Yogyakarta : Graha Ilmu. [3] Arief, Siska Riantini. 2011. Analisis Tekstur dan Ekstraksi Ciri, Program Studi Teknik Informatika, Institut Teknologi Telkom Bandung.avalaible at: http://www.ittelkom.ac.id/. [4] Arriawati, A.J, dkk. (2011). Klasifikasi Citra Tekstur Menggunakan K-Nearest Neighbour Berdasarkan Ekstraksi Ciri Metode Matriks Kookurensi. Universitas Diponegoro : Konsentrasi Elektronika dan Telekomunikasi. [5] B. Soeherman and M. Pinontoan, Designing Information System Concepts & Cases with Visio, Jakarta: PT Elex Media Komputindo, 2008. [6] Fadlil, Abdul. 2012. Modul Kuliah Pengenalan Pola. Universitas Ahmad Dahlan, Yogyakarta. [7] Handayani, Sri. (2010). Kualitas Batu Bata Merah Dengan Penambahan Serbuk Gergaji. Jurnal Teknik Sipil & Perencanaan , No.1 Volume 12 tahun 2010. [8] Hartono.1987. Perkiraan Perubahan Tanah Lempung Setelah Proses Pembakaran. Bandung. [9] Haviluddin, 2011. Memahami Penggunaan UML (Unified Modeling Language). Samarinda : Vol 6 No 1. Februari 2011. [10] Henderi, 2007, Analysis and Design with Unified Modeling Language (UML) , STMIK Raharja, Tangerang [11] Indra, Ade. (2012). Kuat Tekan (Compression Strength) Komposit Lempung/Pasir Pada
Tabel 6. Akurasi Sistem
Dari tabel akurasi sistem tersebut didapatkan tingkat akurasi untuk identifikasi kuat tekan batu bata berdasarkan perhitungan metode ekstraksi ciri statistik yaitu mencapai 73,33%.
4. Simpulan Berdasarkan hasil penelitian yang telah dilakukan dapat diambil kesimpulan sebagai berikut : a. Selain dari alat khusus pengujian kuat tekan batu bata, batu bata juga bisa diketahui kuat tekannya berdasarkan warnanya.
20
Jurnal Infomedia Vol.1 No.1 September 2016 | ISSN: 2527-9858
Aplikasi Bata Merah Daerah Payakumbuh Sumbar. Jurnal Teknik Mesin Vol.1, No.2 : 1014 Tahun 2002 [11] Munir, R. 2004. Pengolahan Citra Digital. (Online).http://informatika.stei.itb.ac.id/~rinal di.munir/Buku/Pengolahan%20Citra%20Digit al/ (8 januari 2016). [12] Permadi, Y. dan Murinto. βAplikasi Pengolahan Citra Untuk Identifikasi Kematangan Mentimun Berdasarkan Tekstur Kulit Buah Menggunakan Metode Ekstraksi Ciri Statistikβ. Jurnal Informatika Vol.9, No.1 Tahun 2015.
21
