SKRIPSI Implementasi Principal Component Analysis (PCA) dan Euclidean Distance untuk Identifikasi Citra Daging Sapi dan Daging Babi
Implementation Principal Component Analysis (PCA) and Euclidean Distance to Identification of Image Beef and Pork Diajukan untuk memenuhi syarat mengerjakan dan menempuh ujian tugas akhir
Disusun Oleh :
Nama
: Mas Ud
NIM
: A11.2011.06073
Program Studi : Teknik Informatika – S1 FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO SEMARANG 2015
i
PERSETUJUAN SKRIPSI Nama
: Mas Ud
NIM
: A11.2011.06073
Program Studi
: Teknik Informatika
Fakultas
: Ilmu Komputer
Judul Tugas Akhir
: Implementasi Principal Component Analysis (PCA) dan Euclidean Distance untuk Identifikasi CitraDaging Sapi dan Daging Babi
Tugas Akhir ini telah diperiksa dan disetujui,
Semarang, 30 Oktober 2015
Menyetujui:
Mengetahui:
Pembimbing
Dekan Fakultas Ilmu Komputer
Catur Supriyanto, S.kom, M.CS
Dr. Abdul Syukur
ii
HALAMAN PENGESAHAN DEWAN PENGUJI
Nama Pelaksana
: Mas Ud
NIM
: A11.2011.06073
Program Studi
: Teknik Informatika
Fakultas
: Ilmu Komputer
Judul Tugas Akhir
: Implementasi Principal Component Analysis (PCA) dan Euclidean Distance untuk Identifikasi CitraDaging Sapi dan Daging Babi
Tugas akhir ini telah diujikan dan dipertahankan dihadapan Dewan Penguji pada Sidang tugas akhir tanggal .. oktober 2015. Menurut pandangan kami, tugas akhir ini memadai dari segi kualitas maupun kuantitas untuk tujuan penganugrahan gelar Sarjana Komputer (S.Kom) Semarang, 30 Oktober 2015 Dewan Penguji :
Ricardus Anggi Pramunendar, MCS
Solichul Huda, M.Kom
Anggota 1
Anggota 2
Ahmad Zainul Fanani, SSi, M.Kom Ketua Penguji
iii
PERNYATAAN KEASLIAN SKRIPSI Sebagai mahasiswa Universitas Dian Nuswantoro, yang bertanda tangan di bawah ini, saya :
Nama : Mas ud NIM
: A11.2011.06073
Menyatakan bahwa karya ilmiah saya yang berjudul : Implementasi Principal Component Analysis (PCA) dan Euclidean Distance untuk Identifikasi CitraDaging Sapi dan Daging Babi
Merupakan karya asli saya (kecuali ringkasan dan cuplikan yang masing-masing telah saya jelaskan sumbernya dan perangkat pendukung seperti web cam dll). Apabila di kemudian hari, karya saya disinyalir bukan merupakan karya asli saya, yang disertai dengan bukti-bukti yang cukup, maka saya bersedia untuk dibatalkan gelar saya beserta hak dan kewajiban yang melekat pada gelar tersebut. Demikian surat pernyataan ini saya buat dengan sebenarnya.
Dibuat di : Semarang Pada tanggal : 11 September 2015 Yang menyatakan
(Mas Ud)
iv
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS Sebagai mahasiswa Universitas Dian Nuswantoro, yang bertanda tangan di bawah ini, saya: Nama : Mas Ud NIM
: A11.2011.06073
Demi mengembangkan Ilmu Pengetahuan, menyetujui untuk memberikan kepada Universitas Dian Nuswantoro Hak Bebas Royalti Non-Ekskusif (Non-exclusive Royalty-Free Right) atas karya ilmiah saya yang berjudul: Implementasi Principal Component Analysis (PCA) dan Euclidean Distance untuk Identifikasi CitraDaging Sapi dan Daging Babi beserta perangkat yang diperlukan (bila ada). Dengan Hak Bebas Royalti Non-Eksklusif ini Universitas Dian Nuswantoro berhak untuk menyimpan, mengcopy ulang (memperbanyak), menggunakan,
mengelolanya
dalam
bentuk
pangkalan
data
(database),
mendistribusikannya dan menampilkan / mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya selama tetap mencantumkan nama saya sebagai penulis / pencipta. Saya bersedia untuk menanggung secara pribadi, tanpa melibatkan pihak Universitas Dian Nuswantoro, segala bentuk tuntutan hukum yang timbul atas pelanggaran Hak Cipta dalam karya ilmiah saya ini. Demikian surat pernyataan ini saya buat dengan sebenarnya. Dibuat di
: Semarang
Pada tanggal : 2 November 2015 Yang menyatakan
(Mas Ud)
v
UCAPAN TERIMA KASIH Dengan memanjatkan puji syukur kehadirat Allah SWT. Tuhan Yang Maha Pengasih dan Maha Penyayang yang telah melimpahkan segala rahmat, hidayah dan inayah-Nya kepada penulis sehingga laporan tugas akhir dengan judul “Identifikasi Biometrik Finger Knuckle Print Menggunakan Fitur ekstraksi PCA dan GLCM” dapat penulis selesaikan sesuai dengan rencana karena dukungan dari berbagai pihak yang tidak ternilai besarnya. Oleh karena itu penulis menyampaikan terima kasih kepada : 1. Dr. Ir. Edi Noersasongko, M.Kom, selaku Rektor Universitas Dian Nuswantoro Semarang. 2. Dr. Drs. Abdul Syukur, MM, selaku Dekan Fasilkom Universitas Dian Nuswantoro. 3. Dr. Heru Agus Santoso, Ph.D , selaku Ka.Progdi Teknik Informatika- S1. 4. Catur Supriyanto, S.kom, M.CS, selaku pembimbing tugas akhir yang memberikan ide penelitian, dan selalu sabar memberikan bimbingan. 5. Dosen-dosen pengampu di Fakultas Ilmu Komputer Teknik Informatika Universitas Dian Nuswantoro Semarang yang telah memberikan ilmu dan pengetahuannya masing-masing. 6. Orang tua penulis tercinta H.Muhammad Sidi dan Hj.Manirah, tak lupa kakak dan adik penulis Paizah dan Rif”ah yang telah memotivasi penulis dalam pembuatan laporan Tugas Akhir ini. 7. Keluarga Besar A11.4108, yang telah banyak memberikan banyak bantuan dan semangat serta ilmu yang penulis butuhkan. 8. Pihak-pihak yang telah banyak membantu penulis, yang tidak dapat penulis sebutkan namanya satu-persatu. Semoga Tuhan yang Maha Esa memberikan balasan yang lebih besar kepada beliau-beliau. Semarang,11 September 2015
Penulis vi
ABSTRAK Seiring munculnya kasus pengoplosan daging sapi dengan babi, dalam kondisi ini sangat merugikan para konsumen daging sapi terutama konsumen di pasar-pasar tradisional. Para konsumen banyak yang tidak menyadari tindakan pencampuran daging-daging konsumsi tersebut karena secara kasat mata daging sapi yang dicampur dengan babi susah sekali dibedakan oleh para konsumen awam. Tindakan pencampuran ini sangat merugikan konsumen.. Apalagi konsumen daging sapi adalah yang paling diminati dibandingkan daging lain seperti daging kambing, kerbau, dan babi. Dengan meningkatnya komsumsi daging, banyak penjual berbuat curang demi mendapatkan keuntungan yang lebih banyak sehingga para penjual ini mengoplos daging sapi dengan daging babi. Melihat masalah yang ada, maka salah satu cara untuk mengenali citra adalah dengan membedakan tektur tersebut dengan beberapa metode yang dapat digunakan salah satunya adalah dengan metode Principal Component Analysis (PCA) dan jarak Euclidean. Dengan menggunakan metode Principal Component Analysis (PCA) dan jarak Euclidean dibuat program identifikasi citra daging sapid an daging babi dengan tujuan mendapatkan hasil pengenalan yang cukup baik untuk mengenali citra daging sapi dan daging babi. Berdasarkan pengujian pada citra daging sapi dan daging babi sebanyak 120 citra tingkat pengenalan tertinggi diperoleh sebesar 100%. .
Kata Kunci : Daging, Principal Component Analysis (PCA), Euclidean Distance
vii
ABSTRACT Along with the emergence of cases of mixing beef with pork, in these conditions is very detrimental to consumers of beef mainly consumers in traditional markets. Many consumers are not aware of the act of mixing the meat, because the beef mixed with pork is hard to be distinguished by the general consumer. This mixing action is highly detrimental to consumers, especially consumers beef is the most desirable compared to other meats such as mutton, buffalo and pigs. With increased consumption of meat, a lot of sellers to cheat in order to get more profits so that the sellers of this meat mixing beef with pork. See the problems that exist, then one way to recognize the image is to distinguish the texture with some methods you can use one of them is the method of Principal Component Analysis (PCA) and Euclidean Distance. Using Principal Component Analysis (PCA) and identification program dibuar euclidean distance image of beef and pork in order to get recognition results were good enough to recognize the image of beef and pork. Based testing in the image of beef and pork as many as 120 images obtained the highest recognition rate of 100%.
Keywords : Meat , Principal Component Analysis ( PCA ) , Euclidean Distance
viii
DAFTAR ISI PERSETUJUAN SKRIPSI ..................................................................................... ii HALAMAN PENGESAHAN DEWAN PENGUJI…………………………...…iii PERNYATAAN KEASLIAN SKRIPSI………………………………………….iv PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH
v
UCAPAN TERIMAKASIH
vi
ASBTRAK
vii
ABSTRACT
viii
DAFTAR ISI
ix
DAFTAR TABEL
xii
DAFTAR GAMBAR
xiii
BAB I PENDAHULUAN ....................................................................................... 1 1.1
Latar Belakang
1
1.2
Rumusan Masalah .................................................................................... 4
1.3
Batasan Masalah ....................................................................................... 4
1.4
Tujuan ....................................................................................................... 5
1.5
Manfaat Penelitian ................................................................................... 5
BAB II TINJAUAN PUSTAKA
6
2.1
Tinjauan pustaka
6
2.2
Landasan Teori ......................................................................................... 7
2.2.1
Daging ............................................................................................... 7
2.2.2
Pengenalan Pola ................................................................................. 9
2.2.3
Pengolahan Citra (Image Processing) ............................................. 11
2.2.4
Citra Digital ..................................................................................... 12
2.2.5
Tekstur ............................................................................................. 13
ix
2.2.6
Citra ................................................................................................. 15
2.2.7
Analisis Tekstur ............................................................................... 15
2.2.8
Preprocessing ................................................................................... 16
2.2.9
Principal Component Analysis (PCA) ............................................ 17
2.2.9.1 Reduksi Dimensi PCA
17
2.2.9.2 Mean and Mean-Corrected Data
19
2.2.9.3 Variansi
20
2.2.9.4 Kovarian
21
2.2.9.5 Matrik Kovarian
22
2.2.9.6 Eigen vector dan Eigen value
22
2.2.10
PCA Secara Statistik
23
2.2.11
Nilai Eigen
25
2.2.12
Jarak Euclidean ............................................................................... 25
2.2.13
Pengenalaan Dengan Perhitungan Jarak Euclideun ........................ 26
2.2.14
Kerangka Pemikiran ...................................................................... 26
BAB III METODE PENELITIAN........................................................................ 28 3.1
Jenis Penelitian ....................................................................................... 28
3.2
Instrumen Penelitian ............................................................................... 28 3.2.1
Kebutuhan Software
28
3.2.2
Kebutuhan Hardware
29
3.3
Pengumpulan Data
29
3.4
Metode Yang Diusulkan ......................................................................... 30
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
35
4.1 Dimensi
35
4.2 Kebutuhan Citra
35
4.3 Persiapan Pengolahan Citra
35
4.4 Pengolahan Citra
37
4.4.1
Pengolahan Citra Menggunakan PCA x
37
4.4.2
Tahapan Pengenalan
41
4.5 Pengujian
42
4.6 Hasil Pengujian
43
4.7 Analis Hasil Pengujian
53
BAB V KESIMPULAN DAN SARAN
55
5.1 Kesimpulan
55
5.2 Saran
55
DAFTAR PUSTAKA
56
xi
DAFTAR TABEL Tabel 2.1. Parameter Kualitas Daging
(8)
Tabel 2.2. Contoh mean-corrected
(20)
Tabel 4.1. Hasil pengujian citra daging sapi dan daging babi dengan menggunakan dimensi 1 (43) Tabel 4.2. Hasil pengujian citra daging sapi dan daging babi dengan menggunakan dimensi 2 (45) Tabel 4.3. Hasil pengujian citra daging sapi dan daging babi dengan menggunakan dimensi 3 (47) Tabel 4.4. Hasil pengujian citra daging sapi dan daging babi dengan menggunakan dimensi 4 (49) Tabel 4.5. Hasil pengujian citra daging sapi dan daging babi dengan menggunakan dimensi 5 .(51) Tabel 4.6. Hasil akurasi tertinggi dengan waktu terkecil dari masing-masing dimensi (54)
xii
DAFTAR GAMBAR Gambar 2.1 Arsitektur identifikasi daging sapi dan daging babi..………....…..(27) Gambar 3.1 Tahapan ekstraksi ciri dengan menggunakan PCA……….……... (30) Gambar 3.2 Alur Data Training……………………………..…………...……..(33) Gambar 3.3 Alur Data Testing………………………………...……………….(34) Gambar 4.1 Citra daging sapi dan daging babi…………………………….…..(36) Gambar 42 konversi citra RGB menjadi citra grayscale……………………….(36) Gambar 4.3 Contoh daging babi………………………………………………..(42) Gambar 4.4 Contoh daging sapi………………………………………………..(43)
xiii
BAB I PENDAHULUAN 1.1
Latar Belakang Masalah Daging adalah merupakan salah satu bahan makanan utama yang dikonsumsi oleh manusia dalam memenuhi kebutuhan gizi. Selain proteinnya tinggi, daging juga mengandung asam amino esensial yang lengkap dan seimbang serta beberapa jenis mineral dan vitamin. Daging merupakan protein hewani yang lebih mudah dicerna dibandingkan dengan protein nabati. Jenis-jenis daging yang biasa dikomsumsi adalah daging sapi, kambing, ayam.
Karena tingkat konsumsi daging yang sangat tinggi maka dagingdaging konsumsi tersebut banyak ditemukan di pasar. Normalnya, dagingdaging konsumsi tersebut dijual oleh pedagang sesuai dengan jenisnya, tetapi karena ada beberapa penjual yang ingin memperoleh keuntungan yang
sebesar dengan modal yang lebih ringan. Sehingga dengan
kebutuhan daging sapi yang meningkat sering dimanfaatkan oleh penjual daging di pasar untuk melakukan pencampuran daging sapi dengan daging babi. Para konsumen banyak yang tidak menyadari tindakan pencampuran daging-daging konsumsi tersebut karena secara kasat mata daging sapi atau kambing yang dicampur dengan babi susah sekali dibedakan oleh para konsumen awam. Tindakan pencampuran ini sangat merugikan konsumen.
Dengan muncul kasus pengoplosan daging sapi dengan babi. Kondisi ini sangat merugikan para konsumen daging sapi terutama konsumen di pasar-pasar tradisional. Karena cara membedakan mana daging sapi dan mana daging babi tidaklah mudah sehingga konsumen hanya asal membeli daging. pemininat daging sapi banyak daripada daging lainnya seperti daging kambing, kerbau, dan babi. Dengan tingginya 1
protein terdapat pada daging sapi serta pengolahan daging yang lebih beraneka ragam[2]. Oleh sebab itu daging sapi yang mahal dan daging babi relatih lebih murah dan secara kasat mata kedua hampir tidak ada perbedaan sehingga masyarakat sulit mengetahui perbedaan daging tersebut. Kejadian pengoplosan daging seperti ini sangat merugikan pembeli daging di pasar tradisioanal.
Pada tahun 2014 Data Badan Karantina Pertanian menunjukkan terdapat 16 kali terjadi penyelundupan dengan jumlah 30.786 kg daging babi. Jumlah ini lebih banyak dari tahun sebelumnya yang pada tahun itu hanya terdadapat 11 kali dengan jumlah 11.848 kg [23]. Sehingga Badan Karantina Pertanian melakukan sidak dipasar - pasar untuk pengecekan daging takut terjadinya pengoplosan para penjual daging dan mengambil sampel pada setiap daging guna selanjutnya di uji ke lab[2]. Dengan cara seperti itu sangat memakan waktu untuk medeteksi daging yang di oplos.
Banyaknya dampak buruk dengan pengoplosan daging sapi dengan daging babi sangat meresahkan dikalangan masyarakat untuk pemilihan daging dikonsumsi, oleh sebab itu para pedagang yang curang melakukan mala praktek dan tidak bertanggung jawab dengan menjual daging oplosan atau daging yang tidak layak untuk dikomsumsi. Oleh karena itu dibutuhkan suatu sistem yang baik untuk mengetahui perbedaan daging sapi dengan daging babi.
Oleh karena itu, pada tugas akhir ini mengimplementasikan sebuah sistem yang dapat membedakan daging-daging konsumsi seperti sapi dan babi, dengan mengambil citra dari masing-masing daging konsumsi tersebut, lalu dibedakan berdasarkan serat atau tekstur dari masing-masing daging tersebut dengan menggunakan metode - metode pengolahan citra.
2
Kemudian dari hasil pengolahan citra tersebut, juga dapat diperoleh perbedaan
warna
dari
setiap
citra
daging
yang
sejenis
untuk
diklasifikasikan sesuai dengan kualitasnya masing-masing [5]. Sistem pengenalan citra dengan menggunakan teori keputusan didalam statistik, suatu pola memliki ciri – ciri statistik dimana citra yang berbeda memliki distribusi yang berbeda. Dengan menggunakn teori itu kita dapat mengidentifikasi sebuah citra[2].
Hal ini menerapkan pengolahan citra untuk proses pengenalan atau mengidentifikasi citra daging sapi dan daging babi. Penelitian ini menggunakan pengolah citra untuk pebuatan sistem yang mampu mengenali daging oplosan, citra daging sapi dan daging babi ditangkap menggunakan kamera digital, setelah itu citra digital yang diperoleh tadi diproses melalui beberapa tahap untuk mendapatkan beberapa fitur dari citra. Suatu pola citra yang didapat dari fitur citra dapat mewakili karakteristik citra[3]. Agar dapat membedakan daging sapi dan daging babi bisa dilakukan dengan fitur warna dan tekstur, dengan kasatmata daging sapi memliki warana yang cerak dan tidak pucat daripda dengan daging babi. Akan tetapi pada daging sapi terdapat beberap bagian yang hampir menyerupai warna daging babi. Oleh karena itu agar dapat mengidentifikasi yang sanat efisien dengan tekstur[3]. Dari paparan tersebut penilis menggunakan tekstur guna melakukan pembeda antara daging sapi dan daging babi, banyak metode yang dapat membedakan tekstur tetapi dalam penelitian ini penulis menggunakan metode ekstraksi ciri Principal Component Analysis (PCA). Pengguaan metode PCA ini untuk melakukan prosen pengenalannya menggunakan pengukuran jarak[1]. Pada proses pengukuran jarak yang menggunakan metode PCA cara perhitungan jarak diantaranya yaitu Euclidean distance [6][7][8][9].
3
Pada
penelitian
ini
bertujuan
untuk
merancang
dan
mengembangkan sebuah sistem identifikasi daging sapi dan daging babi menggunakan ekstraksi tekstur daging sapi dan daging babi dengan metode PCA dan menggunakan pengukuran jarak Euclidean, dan akan menentukan jarak mana yang paling paling dekat atau yang paling menghasilkan tingakat akurasi yang tinggi. Euclidean Distance adalah algoritma klasifikasi terhadap objek berdasarkan jaraknya paling dekat dengan objek tersebut. Algoritma ini telah berhasil diimplementasikan pada penelitian Teknik Pengenalan tanda tangan dengan menggunakan metode PCA.
1.2
Rumusan Masalah Berdasarkan uraian latar belakang yang dikemukakan diatas, maka rumusan masalah dapat dijelaskan sebagai berikut : 1. Bagaimana prinsip kerja Principal Component Analysis (PCA) dan metode jarak euclidean. 2. Bagaimana implementasi Principal Component Analysis (PCA) untuk dapat mengenali citra daging sapi dan citra daging babi. 3. Bagaimana tingkat keakuratan Principal Component Analysis (PCA) dalam proses pengenalan daging.
1.3
Batasan Masalah Agar pembahasan yang terkait dengan penelitian ini dapat lebih terfokus dan terarah. Maka masalah yang dibahas dibatasi, berikut adalah batasan masalah yang ada : 1. Identifikasi dan pengujian hanya dilakukan pada daging sapi dan daging babi. 2. Membuat sistem aplikasi yang dapat mengidentifikasi citra untuk identifikasi daging sapi dan daging babi menggunakan ekstraksi fitur PCA.
4
3. Parameter yang digunakan hanya berdasarkan tekstur daging sapi dan daging babi menggunakan algoritma PCA. 1.4
Tujuan Tujuan dari penelitian ini yaitu untuk membuat aplikasi sistem identifikasi citra untuk idetifikasi citra daging sapi dan daging babi mengunakan
ekstraksi
fitur
tekstur
dengan
mengimplementasikan
algoritma PCA dan Euclidean Distance dan mengetahui keakuratan dalam proses pengenalan citra daging. 1.5
Manfaat Penelitian Adapun manfaat yang diharapkan dapat diperoleh dari penelitian ini nantinya adalah 1. Manfaat bagi Akademik a. Sebagai tolak ukur pemahaman dan penguasaan tentang teori yang telah diberikan di bangku kuliah b. Sebagai bahan referensi bagi mereka yang mengadakan penelitian untuk dikembangkan lebih lanjut dengan permasalahan yang berbeda. 2. Manfaat bagi Penulis a. Mengetahui apakah penggunaan teknik penggabungan PrincipalComponent
Analysis
(PCA)
dan
Euclidean
Distance bisa menjadi ekstraksi fitur yang baik. b. Menambah pemahaman dan pengalaman dalam pembuatan sistem identifikasi daging sapi dan daging babi. 3. Manfaat bagi Masyarakat Dengan adanya sistem identifikasi daging sapi dan daging babi untuk mengetahui perbedaan anatar kedua daging sehingga masyarakat tidak hanya assal membeli daging dan dapat dikembangkan untuk membantu dalam hal peningkatan keamanan.
5
BAB II TINJAUAN PUSTAKA 2.1
Tinjauan pustaka Penelitian yang terkait dengan penelitian yang akan dilakukan oleh penulis, adalah : a) “Klasifikasi Kelas Daging Menggunakann Pencirian Matrik KoOkuren Aras Keabuan” yang disusun oleh Laksono Tri Wibowo. Dalam penelitiannya penilis memerlukan analisis mengenai tekstur untuk mengidentifikasi suatu pola yang berulang – ulang dan teratur. Dengan menggunakan metode GLCM ekstraksi tekstur, Untuk melakukan indentifikasi daging, dan manfaat dari tekstur adalah untuk mengelompokkan citra ke dalam kelas tertentu dan salah satu ekstraksi untuk tekstur adalah dengan algoritma KNN. . b) Pengenalan Pola Tanda Tangan Dengan Menggunakan Metode Principal Component Analylis (PCA). Pada penelitian tersebut dilakukan untuk pembuatan sistem pengenalan tanda tangan dengan menggunakan algoritma PCA (Principal Component Analysis). Hasil dari pengujian tersebut dapat menghasilkan tingkat akurasi sebesar 70% dengan menggunakan dimensi gambar tanda tangan yang digunakan adalah 50 x 50 piksel yang diman terdapat awalanya 2.500 fitur yang relatif besar. c) Galuh Wicaksono dalam penelitiannya dengan judul “Sistem Identifikasi Garis Utama Telapak Tangan Menggunakan Metode Principal Component Analysis (PCA) dan Euclidean Distance. Didalam penelitian ini dibuat suatu program pengenalan citra telapak tangan dengan menggunaka metode Principal Component Analysis
(PCA)
dan
Euclidean
Distance
dengan
tujuan
memberikan hasil pengenalan yang cukup baik untuk mengenali 6
citra telapak tangan. Dalam penelitian ini menggunakan 150 citra latih, berdasarkan hasil pengujian pada penelitian ini dengan variasi jumlah 50,75, dan 100 komponen utama dihasilkan tingkat pengenalan yang sama yaitu 90% dan dengan menggunakan citra yang pencahayaanny kurang hasilnya sama yaitu sebenar 90% dengan ini program yang dibuat mampu mengenali citra telapak tangan.
2.2 Landasan Teori 2.2.1 Daging Daging merupakan produk hasil ternak yang penting untuk dikomsumsi sebagai kebutuhan protein dan gizi. Selain itu daging juga mengandung sejumlah senyawa lainnya seperti mineral Fe dan vitamin B yang sangat dibutuhkan oleh manusia. Hewan yang umumnya diambil dagingnya untuk dikomsumsi biasanya hewan ternak seperti sapi, babi, kambing, domba, dan kerbau. Daging juga didefinisikan sebagai jaringan hewan dan semua produk hasil pengolahan jaringan – jaringan tersebut yang sesuai untuk dikomsumsi sehingga tidak menimbulkan gangguan kesehatan bagi tubuh manusia. Komposisi dari daging itu sendiri meliputu 75% air, 19% protein, 3,5% subtansi non protein yang larut, dan 2,5% lemak (Syamsir, 2008).
Daging dapat diartikan sebagai jaringan otot dari hewan yang telah disembelih dan telah mengalami perubahan post-mortem. Ada juga yang mendefinisikan daging merupakan sekumpulan otot dari karkas hewan. Karkas sendiri merupakan bagian tubuh ternah yang disembelih, dikuliti dan dihilangkan bagian isi perut serta kepala dan bagian kaki bawahnya. Daging merupakan bagian dari karkas, namun
7
tidak termasuk lemak yang terdapat di bawah kulit maupun yang melindungi organ dalam, yang sering disebut dengan lean meat.
Kualitas daging dapat dilihat dari dua hal, yaitu kenampakan (appearance) dan dari penerimaan terkait dengan konsumsi. Daging segar yang masih baik akan Nampak berwarna merah cerah, tekstur kenyal dan tidak ada cairan (exudate) yang keluar dari dalam daging. Daging yang baik adalah daging yang memiliki tekstur yang empuk, kaya akan flavor daging juga banyak mengandung kaldu sehingga daging tidak nampang kering. Acceptable
Unacecptable
Appearance Meat color Fat color Texture Weep Palatability
Red / pink White Firm None Red / pink
Brown, grey green Yellow Soft, mushy, dry Any exudate Brown, grey green
Tenderness Flavor Juiciness
Tender Typical of sp. Moist
Mushy, tough Boar taint, rancid, acid taste Lack of flavor
Tabel 2.1 Parameter Kualitas Daging Untuk memilih daging sapi segar terdapat beberapa factor Deptan (2009) antara lain : a. Warna Daging segar yang masih baik akan Nampak berwarna merah cerah, tekstur kenyal. Warna yang terdapat pada daging ditentukan oleh kandungan dan keadaan pigmen daging yang disebut mioglobin dan dipengaruhi oleh jenis hewan, umur hewan, pakan, aktivitas otot, penanganan daging dan reaksi-reaksi kimiawi yang terjadi di dalam daging. Warna daging sapi segar yang baik adalah warna merah cerah.
8
Warna daging sapi yang baru dipotong yang belum terkena udara adalah warna merah-keunguan, lalu jika telah terkena udara selama kurang lebih 15-30 menit akan berubah menjadi warna merah cerah. Warna merah cerah tersebut akan berubah menjadi merah-coklat atau coklat jika daging dibiarkan lama terkena udara (Kiswanto, 2012). b. Bau Bau daging yang masih segar memiliki aroma yang segar, atau yang biasa disebut bau daging, jika dagingnya segar pasti bukanlah dari bau asam dari dagingnya (Kastanya, 2009). c. Tekstur Tekstur Daging yang masih segar terasa sangat kenyal, padat dan tidak kaku, jika daging segar apabila ditekan tekstur daging akan kembali seperti semula setelah ditekan. d. Kenampakan Daging segar akan mengeluarkan cairan berwarna merah itu bukanlah darah melainkan jus atau sari dari daging tersebut dan kelembatan pada daging segar daging mempunyai permukaan yang relative kering sehingga dapat menahan pertumbuhan mikroorganisme dari luar. 2.2.2
Pengenalan Pola Pengenalan Pola adalah mengelompokkan data numerik dan simbolik (termasuk citra) secara otomatis oleh mesin (komputer). Tujuan pengelompokkan adalah untuk mengenali suatu objek di dalam citra. Sebuah pola adalah setiap antar hubungan data (analog atau digital), kejadian atau konsep yang dapat dibedakan. Pengenalan pola merupakan bidang dalam pembelajaran mesin dan dapat diartikan sebagai tindakan mengambil data mentah dan bertindak berdasarkan klasifikasi data. Dengan demikian, pengenalan pola merupakan himpunan kaidah bagi pembelajaran diselia (supervised learning). Terdapat beberapa definisi tentang pengenalan pola yang diantaranya :
9
1. Penentuan suatu objek fisik atau kejadian ke dalam salah satu atau beberapa kategori. 2. Ilmu pengetahuan yang menitikberatkan pada deskripsi dan klasifikasi (pengenalan) dari suatu pengukuran. 3. Suatu pengenalan secara otomatis suatu bentuk, sifat, keadaan, kondisi, susunan tanpa keikutsertaan manusia secara aktif dalam proses pemutusan. Pengenalan pola merupakan langkah perantaraan bagi proses menghilangkan
dan
menormalkan
gambar
dalam
satu
cara
(pemrosesan gambar (image processing), pengenalan pola itu sendiri khususnya berkaitan dengan langkah pengkelasan. Dalam kasus tertentu, sebagaimana dalam jaringan syaraf (neural networks). Bentuk larikan N x M diskret dengan jarak yang sama sebagai berikut :
(1)
Bentuk digital pada setiap citra
akan disimpan kedalam memori
komputer. Ketika citra yang sudah diubah menjadi bentuk digital maka akan dinamakan citra digital, sangat banyak proses pengolahan citra yanga dapat dilakukan terhadap sebuah citra. Pengolahan citra itu sendiri menggunakan komputer untuk sebuah pemrosean citra agar kualitas pada citra lebih tinggi dengan yang diinginkan.
10
2.2.3
Pengolahan Citra (Image Processing) Dalam buku[15],citra adalah representasi (gambaran), kemiripan, atau imitasi gambaran dari suatu objek. Citra dibagi menjadi dua yaitu citra analog dan citra digital, citra analog memiliki sifat kontinu seperti gambar yang terdapat dalam televisi, foto yang tercetak dalam kertas, lukisan, dan hasil CT scan. Citra analog tidak bisa direpresentasikan pada komputer sehingga komputer tidak bisa mengolah sebuah citra analog. Sedangkan citra digital adalah citra yang dapat diolah oleh komputer. Sebuah citra digital terdiri dari sejumlah angka yang berhingga yang di definisikan sebagai nilai intensitas, karena yang di simpan dan di baca oleh memori adalah berupa angka yang membentuk sebuah citra digital[16]. Secara umum istilah pengolahan citra digital adalah disiplin ilmu yang melahirkan teknik-teknik untuk mengolah citra[15]. Metodologi Pengolahan Citra[16]: 1. Pembentukan Citra (data acquisition) Menentukan data yang diperlukan dan memilih metode perekaman citra digital. 2. Segmentasi Citra (image segmentation) dan Deteksi Sisi (edge detection) Menentukan garis batas wilayah objek (external shape characteristics) atau melakukan partisi citra menjadi wilayah wilayah objek (internal properties). 3. Seleksi dan ekstraksi ciri (feature extraction and selection) Seleksi ciri memilih informasi yang mempunyai nilai angka (value) yang ada pada ciri, untuk dapat membedakan objek secara baik didalam kelasnya. Ekstraksi ciri untuk mengukur besaran nilai angka dari setiap piksel. 4. Representasi dan Deskripsi Suatu titik-titik koordinat dalam sebuah loop dapat ditampilkan dalam wilayah yang tertutup dengan deskripsi luasan.
11
5. Pengenalan Pola (patern recognition) Pengenalan pola adalah proses memberikan label berbagai golongan objek pada setiap piksel citra berdasarkan pemetaan jaringan keras dan pewilayahan berbagai jaringan lunak pada citra biometrik. 6. Interprestasi Citra Memberikan arti pada objek yang sudah berhasil dikenali. 7. Penyusunan basis pengetahuan Basis pengetahuan ini digunakan sebagai sumber acuan pada proses pencocokan atau object recognition.
2.2.4
Citra Digital Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi dari suatu objek. Citra terbagi 2 yaitu ada citra yang bersifat analog dan ada citra yang bersifat digital. Citra analog adalah citra yang bersifat kontinu seperti gambar pada monitor televisi, foto sinar X, hasil CT Scan dll. Sedangkan pada citra digital adalah citra yang dapat diolah oleh komputer( T,Sutoyo et al. 2009: 9). Sebuah citra digital dapat mewakili oleh sebuah matriks yang terdiri dari M kolom N baris, dimana perpotongan antara kolom dan baris disebut piksel ( piksel = picture element), yaitu elemen terkecil dari sebuah citra. Piksel mempunyai dua parameter, yaitu koordinat dan intensitas atau warna. Nilai yang terdapat pada koordinat (x,y) adalah f(x,y), yaitu besar intensitas atau warna dari piksel di titik itu. Oleh sebab itu, sebuah citra digital dapat ditulis dalam bentuk matriks berikut.
(
)
( (
[ (
) )
(
)
(
)
( (
)
(
12
) )
] )
(2)
Berdasarkan gambaran tersebut, secara matematis citra digital dapat dituliskan sebagai fungsi intensitas f (x,y), dimana harga x (baris) dan y (kolom) merupakan koordinat posisi dan f(x,y) adalah nilai fungsi pada setiap titik (x,y) yang menyatakan besar intensitas citra atau tingkat keabuan atau warna dari piksel di titik tersebut. Pada proses digitalisasi
(sampling dan kuantitas) diperoleh besar baris M dan
kolom N hingga citra membentuk matriks M x N dan jumlah tingkat keabuan piksel G (T, Sutoyo et al.2009: 20). Pengolahan citra digital adalah sebuah disiplin ilmu yang mempelajari hal-hal yang berkaitan dengan perbaikan kualitas gambar (peningkatan kontras, transformasi warna, restorasi citra), transformasi gambar (rotasi, translasi, skala, transformasi geometrik), melakukan pemilihan citra ciri (feature images) yang optimal untuk tujuan analisis, melakukan proses penarikan informasi atau deskripsi objek atau pengenalan objek yang terkandung pada citra, melakukan kompresi atau reduksi data untuk tujuan penyimpanan data, transmisi data, dan waktu proses data. Input dari pengoalahan citra adalah citra, sedangkan outputnya adalah citra hasil pengolahan (T, Sutoyo et al.2009: 5).
2.2.5
Tekstur Tekstur merupakan karakteristik intrinsik dari suatu citra yang terkait dengan tingkat kekasaran (roughness), granularitas (granulation), dan keteraturan (regularity)
susunan struktural piksel. Tekstur biasa
dikenal sebagai kunci untuk memvisualisasikan persepsi atau cara pandang seseorang dan peraturan yang sangat
penting
pada
pekerjaan komputer visi.Tekstur dicirikan sebagai distribusi spasial dari derajat keabuan di dalam sekumpulan piksel-piksel yang
13
bertetangga. Berdasarkan strukturnya, tekstur dapat diklasifikasikan dalam dua golongan yaitu: Makrostruktur Tekstur makrostruktur memiliki perulangan pola secara periodik pada suatu daerah citra. Mikrostruktur Tekstur memiliki pola - pola lokal dan perulangan yang tidak begitu jelas, sehingga tidak mudah untuk memberikan definisi tekstur yang komprehensif. Aspek tekstural dari sebuah citra dapat dimanfaatkan sebagai dasar dari klasifikasi, segmentasi, dan sintesis: 1. Klasifikasi tekstur Klasifikasi
tekstur
mengidentifikasi
ini
jenis
memberikan homogeny
isyarat daerah.
visual Tujuan
dalam dari
mengklasifikasi tekstur adalah menghasilkan peta klasifikasi input gambar dimana masing – masing wilayah tekstur yang berbeda pada suatu gambar. 2. Segmentasi tekstur Selain dapat diklasifikasi, kita juga dapat menemukan batas dari tekstur pada suatu gambar hal ini disebut dengan segmentasi tekstur. Tujuan dari segmentasi tekstur adalah untuk memisahkan daerah pada gambar tekstur yang berbeda serta mengenali batasbatas diantara mereka. 3. Sintesis tekstur Sintesis tekstur biasa digunakan pada aplikasi kompresi gambar. Hal ini juga penting dalam pemanfaatan komputer grafik dimana bertujuan untuk membuat permukaaan benda agar telihat lebih realistis.
14
2.2.6
Citra Citra merupakan suatu gamabaran dari suatu objek[11]. Suatu citra diperoleh dari penangkapan kekuatan sinar yang dipantulkan oleh objek. Citra merupakan output alat perekaman, seperti kamera yang bersifat analog maupun digital. Citra analog berupa sinyal-sinyal video seperti gambar pada televisi, sedangkan citra digital dapat langsung disimpan pada suatu media penyimpanan. Dalam merubah bentuk dari tiga dimensi menjadi dua dimensi dinamakan proses transformasi, berbagai factor akan menampilkan atau menghasilkan berubahan terhadap citra. Penurunan kualiats suatu citra yang berupa kontras yang terlalu sedikit atau terlalu banyak, distorsi, kekaburan (blur) dikarenakan citra objek bergerak (motion blur) , ini disebabkan oleh gangguan interferensi pembuatan citra [5].
2.2.7
Analisis Tekstur Secara umum tekstur mengacu pada repetisi elemen-elemen tekstur dasar yang sering disebut primitif atau texel (texture element). Suatu texelterdiri dari beberapa pixel dengan aturan posisi bersifat periodik, kuasiperiodik, atau acak. Syarat-syarat terbentuknya tekstur setidaknya ada dua, yaitu: 1. Adanya pola-pola primitif yang terdiri dari satuatau lebih pixel. Bentuk - bentuk pola primitif ini dapat berupa titik, garis lurus, garis lengkung, luasan dan lain-lain yang merupakan elemen dasar dari sebuah bentuk. 2. Pola - pola primitif tadi muncul berulang - ulang dengan interval jarak dan arah tertentu sehingga dapat diprediksi atau ditemukan karakteristik pengulangannya. Ada dua pendekatan yang digunakan untuk menganalisis tekstur dari suatu area, yaitu statistis dan struktural. Pendekatan statistis mempertimbangkan bahwa intensitas dibangkitkan oleh medan acak
15
dua dimensi. Metode ini berdasar pada frekuensi - frekuensi ruang (spatial) dan menghasilkan karakterisasi tekstur seperti halus, kasar, dan lain-lain. Contoh metode statistikadalah run length, autokorelasi, co-occurrence, transformasi Fourier, frekuensi tepi, dan metode Law (pengukuran energi tekstur). Sedangkan teknik struktural berkaitan dengan penyusunan bagian-bagian terkecil (primitif) suatu citra, contoh metode ini adalah model fractal. 2.2.8
Preprocessing Preprocessing merupakan tahap awal dalam peningkatan sebuah citra bertujuan untuk meningkatkan citra dan memproses citra lebih baik dari citra aslinya untuk sebuah sistem tertentu [10]. Beberapa proses peningkatan kualitas citra digital adalah[10]: 1. Operasi negasi(Invers) Operasi negasi dipakai untuk mendapatkan citra negatif, seperti film negatif dari hasil cetak foto yang dimana warna putih pada citra memiliki warna hitam pada film negatif. 2. Kecerahan(Brightness) Brightness untuk proses pencerahan warna pada sebuah citra supaya menjadi cerah dan bila intensitas piksel dikurangi dengan nilai tertentu maka citra akan menjadi gelap. 3. Kontras(Contrast) Kontras adalah untuk mendapatkan intensitas warna yang disebarkan melalui piksel-piksel. 4. Operasi ambang batas(Thresholding) Thresholding adalah proses mengubah citra keabuan (grayscale) menjadi citra biner atau hitam putih. Setiap piksel dalam citra ditandai sebagai objek dengan memenuhi nilai ambang batas sehingga menjadi lebih terang daripda latar belakang. Biasanya, obyek piksel diberi nilai "1" sedangkan piksel latar belakang
16
diberi nilai "0." Akhirnya, biner pada citra yang dibuat oleh setiap piksel warna putih atau hitam, tergantung pada pixel labelnya.
2.2.9
Principal Component Analysis (PCA) Principal Component Analysis (PCA) adalah suatu analisis yang menjelaskan struktur varian kovarian dari suatu himpunan variable yang melalui beberapa kombinasi linier dari variable-variabel tersebut. Analisis komponen utama ini merupakan prosedur pengurangan variabel, dimana PCA merupakan kombinasi linier dari p variabel asli. Principal Component Analysis atau komponen utama suatu teknik statistik untuk mengubah darisebagian besar variabel asli yang digunakan dan saling berkorelasi satu dengan yang lainnya menjadi satu set variabel baru yang lebih kecil dan tidak berkorelasi[18]. Tujuan dari komponen utama adalah mengurangi suatu dimensi perubah yang saling berhubungan dan mempunyai variabel yang banyak sehingga memudahkan untuk menginterpretasikan data-data tersebut. Algoritma PCA dalam perhitungan zeromean adalah untuk mencari nilai mean dari citra dengan cara menurangkan ngan tujuan mencari mean dari semua citra kemudian mengurangkanyadan mencari nilai kovarian untuk citra latihnya. Setelah mendapatkan matrik
kovarian
melakukan
reduksi,
selanjutnya
citra
latih
ditransformasikan ke dalam dimensi yang lebih rendah. Selanjutnya masuk ke tahap otentikasi, pada tahap otentikasi akan terjadi proses perhitungan dan mendapatkan hasil yang berupa tingkat akurasi[17]. 2.2.9.1
Reduksi Dimensi PCA Satu pendekatan terkait dengan dimensi yang tinggi adalah mengurangi dimensi data. Memproyeksikan data dimensi tinggi ke dimensi yang rendah menggunakan transformasi linier dan non-linier.
17
Misalkan ada data dengan menggunakan dua dimensi apabila diplot akan terlihat seperti gambar dibawah ini:
Bahwasanya dalam PCA memakai dekomposisi Eigen vectors. Dimana dekomposisi tersebut merupakan Eigen vectors dan Eigen values. Eigen vector yang memiliki nilai Eigen value paling besar termasuk vektor yang searah dengan nilai yang memiliki korelasi tertinggi. contoh Eigen vector dengan eigen value terbesar adalah sebagai berikut:
Jika pada data yang diproyeksikan pada bidang eigen vector dengan eigen value terbesar, maka data tersebut akan menjadi data satu dimensi.
Logikanya dengan menggunakan data dimensi satu akan memiliki variance yang besar. Dalam kasus pattern classification, sistem yang memproses data pada dimensi satu dapat memiliki performa yang lebih 18
baik daripada sistemt memproses data mentah secara langsung. Sebagai contoh, ada dua kelas dalam data di atas. Kelas 1 direpresentasikan dengan warna merah, dan kelas 2 direpresentasikan dengan warna hijau.
Seperti yang diketahui, bahwa dengan menggunakan PCA, decision boundary dapat dibuat dengan mudah tanpa mengurangi nilai asli. 2.2.9.2
Mean and Mean-Corrected Data Nilai Mean merupakan rata-rata dari sebuah data yang telah di ringkas. Untuk mendapatkan nilai mean yaitu dengan semua data dibagi dengan banyaknya data observasi[4]. Mean dari suatu variabel x dapat dirumuskan : ∑
(3)
Dinama n = data observasi = nilai ke i dari variable x Nilai mean dari data yang dikoreksi biasanya disebut dengan mean-corrected data[20]. Untuk nilai selisih dari observasi dengan nilai mean. Dalam cara matematisdapat dituliskan dengan persamaan :
19
No Data X
Mean-corrected data
1
12
3,2
2
11
2,2
3
7
-1,8
4
5
-3,8
5
9
0,2
Mean= 8,8
Tabel 2.2. Contoh mean-corrected 2.2.9.3
Variansi Variansi merupakan besaran statistika untuk menunjukkan suatu ukuran penyebaran data. Makin menyebar suatu data makin besar nilai variansinya dan bila tidak menyebar suatu data makin kecil nilai variansinya. Pada data seragam atau data yang tidak menyebar, nilai variansi adalah nol[20]. Variabel random merupakan variansi ukuran penyimpangan data, yang dimana data menyebar disekitar nilai rata-ratanya[18]. Untuk menghitung variansi suatu populasi berhingga ukuran N dapat menggunakan persamaan sebagai berikut: ∑
( (
) )
𝜇 = nilai mean dari sebuah populasi = nilai observasi ke i Menghitung variansi dari sampel n yaitu dengan persamaan :
20
(4)
∑
̈)
( (
2.2.9.4
(5)
)
Kovarian Kovarian menyatakan hubungan penyebaran data dari dua variabel yang berbeda atau lebih. Jadi, jika memiliki kumpulan data tiga dimensi (x,y,z) maka Kita bisa mengukur kovarian antara dimensi x dan y, dimensi x dan z, dan dimensi y dan z. Mengukur kovarian antara x dan x, atau y dan y, atau z dan z akan memberikan variansi dari dimensi masing-masing x, y dan z[20]. Apabila variable tersebut cenderung menyimapang searah maka kovarian antara dua variable tersebut bernilai positif, sedangkan jika ke dua variable tersebut cenderung menyimpang berlawanan arah maka kovarian dua variable tersebut bernilai negatif, jika ke dua variable tersebut saling bebas, maka nilai kovarian dari dua variable tersebut adalah nol[18]. Persamaan yang digunakan untuk menghitung kovarian suatu populasi berhingga ukuran N adalah sebagai berikut: (
∑
)
(
)(
)
(6)
xi dan yi = nilai obeservasi ke i μ dan v
= mean dari dari populasi x dan y berturut-turut
Sedangkan persamaan untuk menghitung kovarian untuk suatu sampel berukuran n yang diambil dari suatu populasi berukuran n adalah: (
)
∑
( (
̈ )( )
̈)
(7)
Analisis Komponen Utama dapat mengubah data dari berukuran besar menjadi data dengan ukuran yang lebih kecil. Vector eigen 21
dihasilkan dari matrik kovarian yang dimana sebelumnya dilakukan transformasi PCA basis ortonormal dalam menyajikan distribusi data secara optimal. Tugas dari PCA itu sendir untuk menhasilkan atau menangkap variasi total dari sebuah citra latih yang ada pada basis data. setelah itu dilakukan reduksiuntuk mendapatkan variabel-variabel yang lebih sedikit. Dengan reduksi dapat mengurangi waktu komputasi dan kompleksititas dari sebuah citra yang tidak dapat dihilangkan. 2.2.9.5
Matrik Kovarian (
[
2.2.9.6
(
)
(
)
(
)
)
( (
) )
(8) ]
Eigen vector dan Eigen value Eigen berasal dari bahasa jerman yang memiliki arti karakteristik. Eigen value didefinisikan sebagai nilai karakteristik suatu matrik. Sedangkan vector karakteristik dari matrik yang selalu bersesuaian dengan nilai eigen disebut vector eigen. Eigen vector dari matrik persegi adalah vektor yang tidak bernilai nol dan apabila di kalikan dengan matrik, nilainya tetap sebanding dengan vektor asli. Nilai eigen yang sesuai untuk sebuah vektor eigen adalah factor yang mengalami perubahan vector eigen ketika dikalikan dengan matrik[20]. Misalkan A adalah sebuah matrik n x n. Vektor tak nol x pada Rn disebut suatu vektor eigen dari A jika Ax adalah suatu perkalian scalar dari x, yaitu : Ax = λx Untuk scalar λ ,Skalar λ disebut nilai eigen dari A dan x disebut vektor eigen dari A yang bersesuaian dangan λ. Untuk menghitung
22
nilai eigen pada matrik A yang berukuran n x n adalah dengan persamaan seperti tadi, yaitu: Ax = λx atau (A - λI) x = 0 persamaan di atas akan mempunyai penyelesaian jika : |A - λI| x = 0 Persamaan di atas adalah persamaan karakteristik A. Mencari nilai eigen berarti menghitung determinan tersebut sehingga diperoleh nilai-nilai λ. Setelah nilia-nilai eigen diketahui, kemudian nilainilai eigen dimasukan ke persamaan |A - λI| x = 0 Maka akan diperoleh vector-vektor eigen x yang bersesuaian dengan nilai eigen λ. Eigenfinger adalah sekumpulan eigen vektor yang menggambarkan ciri citra dalam database citra.
2.2.10
PCA Secara Statistik Untuk memulai perhitungan dengan PCA pertama yang dilakukan adalah membentuk suatu matriks kovarian dari beberapa citra latih yang ada didalam basis-data. Untuk mendapatkan matriks kovarians setiap kolom dari matrik pada citra dikurangi dengan nilai reratanya sehingga hasil dari pengurangan menghasilkan matrik transformasi, setelah itu dikalikan dengan matrik transpos tersebut. Jika matriks transformasinya adalah X, maka ∑ Pada umumnya, matriks kovarians ∑
matrik kovariansnya. , dari beberapa daging
latih adalah tidak berbentuk diagonal.
(9)
σᵢⱼ
menyiapkan matrik kovarians antara piksel i dan piksel j.
Koefisien kovarians dan koefisien korelasi adalah:
23
(10) normalisasi dari koefisien kovarians merupakan dari koefisien korelasi.
Untuk mendapatkan sebuah ruang daging, yaitu dengan tidak saling berkorelasi antar komponen. Yang berarti setiap matriks kovarians dari komponen berbentuk diagonal:
(11)
dengan yᵢ adalah vektor kolom yang mendeskripsikan daging xᵢ pada sumbu ruang daging, yᵢ disebut juga komponen utama; dimana X adalah matriks dari jumlah daging latih, xᵢ; dan Y adalah matriks dari vektor yᵢ.
Matriks kovarians dalam bentuk diagonal bahwa nilai varians dari variabel dengan varaibel lain akan menghasilkan nilai maksiamal, untuk nilai kovarians dari variabel dengan variabel lainnya akan menghasilkan nilai nol, yang berarti tidak ada saling korelasinya anatr variabel. Dengan mencari arah sumbu pada pembentukan ruang daging akan memaksimalkan varians. Jika P merupakan matriks transformasinya, maka komponen utama dari matriks X dapat dihitung secara linear yaitu : (12) dasarnya
=
, merupakan kolom dari vektor
ortonormal, dengan:
yang saling
I, dimana I matriks identitas.. (13)
24
Maka, ∑
rotasi dari ∑
vektor
. Misal
adalah
matriks yang berisi sejumlah vektor eigen dari matriks ∑ (14)
∑ dengan
ᴧ = matriks diagonal
yang berisi nilai eigen dari matrik ∑
Maka, (15)
∑
Dan ∑ = matriks diagonal berisi nilai eigen dari ∑ , dikarenakan elemen diagonal dari ∑ merupakan varians dari komponen daging latih di ruang daging, yang termasuk dari nilai eigen dari matriks ∑ .
2.2.11
Nilai Eigen Jika dalam
adalah metrik n x n maka sebuah vektor tak nol x di , yang dinamakan vektor eigen dari A jika
adalah
kelipatan skalar dari x, yaitu: (16) Dengan skalar λ yang dinamakan vektor eigen dari A. Dalam ini bisa dikatakan x adalah vektor eigen yang bersesuaian dengan nilai eigen λ.
2.2.12
Jarak Euclidean Euclidean merupakan dimensi terbatas yang bernilai riil. Metode statistika pada euclidean yang digunakan untuk perhitungan 2 buah titik untuk mendapatkan nilai yang terendah dari perhitungan jarak tersebut. (17) ∑(
)
Dimana = jarak ke i yang terendah pada database, diklasifikasikan, dan = tekstur ada pada database.
25
= tekstur yang
2.2.13
Pengenalan Dengan Perhitungan Jarak Euclideun Dalam proses pengenalan pada suatu sistem pengenalan pola dapat dilakukan dengan membandingkan data maasukan dengan data yang telah ada pada sistem. Selanjutnya, untuk proses pengenalan suatu citra denagn metode PCA dapat dilakukan dengan prinsip yang sama [5].
Metode berupa vektor ciri yang terdapat pada komponen utama dari citra latih yang sebelumnya sudah dilakukan pelatihan. Vektor ciri di ubah berupa metrik dan dikeluarkan pada saat proses pengenalan [5][1].
Setelah dilakukan proses pengenalan maka langkah selanjutnya membandingkan vektor dari citra uji dan citra latih yang telah didapat sebelumnya. Denagn menghitung jarak
dapat dilakukan dengan
menghitung jarak euclidean dari vektor citra uji dan vektor citra latih. Jarak euclideun secara matematis dapat dirumuskan: Rumus untuk mencari jarak euclideun adalah. (18)
2.2.14
Kerangka Pemikiran Penelitian ini bertujuan untuk mengetahui seberapa baik fitur ekstraksi menggunakan fitur ekstraksi Principal Component Analysis dan Euclidean Distance dalam sistem identifikasi daging sapi dan daging babi. Berikut adalah gambaran arsitektur identifikasi daging sapid an daging babi :
26
Gambar 2.1. Arsitektur identifikasi daging sapi dan daging babi
Dari gambar arsitektur di atas menunjukan bahwa sumber data utama adalah citra daging sapi dan daging babi, selanjutnya citra tersebut akan ditingkatkan kualitas citranya. Dan hasil peningkatan citra tersebut akan di ektraksi fitur menggunakan Pricipal Component Analysis. Selanjutnya hasil ektrkasi fitur akan dilakukan pencocokan atau pengukuran jarak terdekat dengan Euclidean Distance. Dan hasil pencocokan tersebut akan dihitung tingkat akurasinya.
27
BABA III METODE PENELITIAN 3.1
Jenis Penelitian Dalam penelitian
yang
dilaksanakan
ini
merupakan
penelitian
eksperimental, yaitu penelitian yang pengumpulan datanya melalui pengambilan citra daging sapi dan daging babi secara langsung dengan menggunakan kamera digital. Data yang sudah terkumpul selanjutnya dilakukan perhitungan nilai-nilai mean, standar deviasi, kurtosis, dan tekstur dari daging tersebut dan kemudian dilakukan prediksi melalui klasifikasi PCA dan jarak euclidean. 3.2
Instrumen Penelitian Adapun kebutuhan dalam penelitian ini adalah sebagai berikut:
3.2.1
Kebutuhan Software Kebutuhan perangkat lunak merupakan faktor penting yang harus dipenuhi dalam penelitian ini, sehingga perangkat lunak tersebut sesuai dengan maksud dan tujuan peneliti. Adapun perenagkat lunak yang dibutuhkan dalam penelitian ini adalah sebagai berikut : a.
Simten Operasi Sistem operasi yang digunakan dalam penelitian ini adalah Windows 8.1.
b.
MATLAB Software yang akan digunakan untuk penelitian dalam melakukan implementasi hingga perhitungan nilai mean, eigen vector, eigen value, matrik kovarian dan ecludeana adalah matlab 2014a.
28
3.2.2
Kebutuhan Hardware Perangkat keras yang digunakan dalam pembutan sistem ini adalah: a. Personal Computer atau laptop dengan spesifikasi :
3.3
Prosesor
: Intel® Pentium® Processor T4300
Sistem Operasi
: Windows 8.0
Kapasitas RAM
: 1 GB
Metode Pengumpulan Data Jenis data yang digunakan dalam penulisan penilitian ini adalah data – data yang benar sehingga apa yang ingin tercapai maksud dan tujuan penyusunan Tugas Akhir ini, Penulis menggunakan metode pengumpulan data dari jenis data dengan cara sebagai berikut : a. Teknik Pengumpulan Data Pada penelitian ini menggunakan teknik studi lapangan. Penulis dalam melakukan pengambilan gambar secara langsung pada pasar – pasar tradisional didaerah semarang. Seperti Pasar Pecinan, Pasar Sampangan, Pasar Bulu dan Pasar Jatingaleh. Dalam pengambilan gambar penulis menggunakan kamera digital Sony dengan resolusi 12,1 mega pixel dan kamera DSLR Canon eos 60D. Citra diambil sebanyak 120 citra. Dengan rincian 60 citra daging sapi dan 60 citra daging babi. Dengan jarak pengambilan antara 10 – 15 cm tanpa penambahan cahaya. Citra yang diperoleh berupa citra RGB dengan ukuran 4000 x 3000 piksel. b. Data Primer Data primer yaitu data yang diperoleh secara langsung dapat dilakukan melalui pengambilan citra secara langsung dari pasar tradisional yang ada di Semarang. Data primer dapat berupa : -
Data dari penelitian daging.
-
Data dari tekstur daging.
29
c. Data Sekunder Data sekunder diperoleh secara tidak langsung yang dapat berupa catatan – catatan, laporan – laporan tertulis, dokumen – dokumen dan makalah – makalah serta daftar pustaka. Data Sekunder dapat berupa : 3.4
Literatur tentang perbedaan tekstur daging.
Metode Yang Diusulkan Dalam Penelitian ini menggunakan beberapa pengolahan citra untuk mendapatkan hasil analisis uji coba. Metode penelitian yang digunakan adalah sebagai berikut:
Gambar 3.1. Tahapan ekstraksi ciri dengan menggunakan PCA
30
1.
Input gambar Pada tahap awal, input semua citra training atau citra pelatihan yang akan diproses. Citra training adalah citra yang akan digunakan untuk proses pelatihan sebelum nanti ke proses pengenalan. Citra atau gambar yang akan digunakan adalah citra daging hasil dari pemindai yang sudah dipisah. Untuk skenario citra training adalah sebanyak 60 gambar dengan data sampel sebanyak 120.
2.
Proses threshold citra Pada proses ini, citra yang sudah diinputkan akan diuji coba dengan nilai threshold pada rentang keabuan antara 0-255. Merujuk pada falasev et al. (2011), penelitian ini menggunakan nilai ambang atau rentang keabuan untuk mengetahui intensitas keabuannya. Pemberian nilai threshold ini dimaksudkan untuk membatasi intensitas keabuan yang akan dipakai. Selain itu, dengan nilai threshold yang berbedabeda akan mendapatkan hasil analisis yang bervariasi pula karena rentang minimalnya mulai dari 0 dan rentang maksimalnya adalah 255.
3.
Segmentasi matrik Setelah dilakukan pemberian nilai threshold, dilanjutkan dengan segmentasi ukuran citra menjadi beberapa bagian. Segmentasi matrik ini bertujuan untuk memperkecil area perhitungan dan detail nilai citra yang akan diproses. Pada segmentasi, citra daging akan otomatis dibagi menjadi 4 baagian sama rata. Jika citra berukuran (250x250) pixel, maka tiap segmen berniali (25x25) pixel. Dimana, pada tiap bagian nanti akan dilanjutkan ekstraksi ciri menggunakan PCA.
4.
Ekstraksi ciri menggunakan PCA Proses ekstraksi ciri dilakukan setelah mendapatkan citra grayscale untuk selanjutnya diimplementasikan dalam metode PCA. Tahapan yang harus dilakukan adalah pertama, mengambil nilai pixel dari citra training. Tahapan selanjutnya adalah menyusun nilai pixel tiap gambar menjadi suatu vektor. Vektor yang disusun bisa dalam bentuk
31
kolom ataupun baris. Maksudnya, dari matrik baris*kolom diubah menjadi matrik baris saja atau matriks kolom saja sehingga setiap gambar hanya punya satu nilai saja. Tahap ini bertujuan untuk mempermudah dalam mencari rata-rata. Selanjutnya, dilakukan proses perhitungan matrik konvarian A. Dimana: A = transpose (y)*y. Tahapan beriktnya adalah menghitung Eigen Value (E) dan Eigen Vektor dari A. setelah itu lakukan pengurutan niali Eigen dari yang paling besar dan disesuaikan dengan Eigen Vektor secara descending dari yang paling besar ke yang paling kecil. Kemudian dicari nilai komponen utama (principal component) yaitu: P = y*V 5.
Nilai matrik citra training Tahap ini bertujuan untuk mendapatkan nilai matrik bobot PCA dari citra training yang telah disegmentasi dan diektraksi ciri dengan perhitungan PCA.
6.
Perbandingan kedekatan citra training dan citra testing Data
dari
proses
ekstraksi
dengan
PCA
selanjutnya
akan
dibandingakan kedekatannya antara citra training dan citra testing. Proses perbandingan ini dilakukan dengan metode Euclidean Distance yaitu perhitungan persentase kedekatan antara citra training dan citra testing sehingga didapat pengenalan daging dari aplikasi yang digunakan. 7.
Identifikasi daging Pada tahap ini, identifikasi daging didapat dari input citra daging. Identifikasi bisa terjadi ketika pada tahap uji coba atau testing, output yang dihasilkan berupa identifikasi daging sapi atau daging babi.
Gambar 3.1 menunjukan contoh sampel daging yang telah mengalami beberapa tahapan identifikasi. Citra asli hasil dari citra akan dinormalisasi ukurannya. Selanjutnya, diberi nilai threshold antara 0 – 255. Nilai ini bisa
32
bervariasi untuk mendapatkan akurasi yang terbaik, setelah pemberian nilai threshold, dilakukan prose segmentasi. Proses ini merupakan tahapan pre-prosessing sebelum dilakukan ekstraksi fitur menggunakan PCA. Tahapan selanjutnya adalah melakukan ekstraksi fitur PCA yang kemudian nilai akan disimpan. Proses ini digunakan pada tahapan training.
Gambar 3.2. alur data training Alur dari gambar 3.2 diawali dengan memasukan citra daging sebanyak 60 sample citra dengan ukuran (250x250) pixel. Citra tersebut berformat jpg. Selanjutnya, dilakukan proses grayscaling, yaitu perubahan warna citra menjadi keabuan. Kemudian dilakukan proses ekstraksi fitur menggunakan PCA.
33
Pada tahapan testing, prose yang dilkukan adalah sama, yaitu mulai dari resize ukuran citra menjadi (250x250) pixel kemudian pemberian nilai tresshold dan segmentasi. Terakhir, dilakukan ekstraksi fitur menggunakan PCA. Hasilnya akan dibandingkan dengan menggunakan Euclidean Distance untuk mencari jarak terdekatnya. Kemiripan didapatkan dari jarak nilai terdekatnya.
Gambar 3.3. Alur data testing
34
BAB IV Hasil Penelitian dan Pembahasan Pada bab ini akan dibahas mengenai langkah-langkah implementasi metode penelitian penerapan ekstraksi fitur PCA dan Euclidean Distance untuk identifikasi daging sapi dan daging babi. 4.1
Dimensi
[
]
[
](
)
Transformasi linier merupakan penyederhanaan dalam perhitungan dan mudah dilakukan Setiap teknik reduksi dimensi adalah menemukan transformasi yang memenuhi ketentuan/kriteria tertentu (misal information loss, data discrimination, dll). Tujuan dari PCA adalah mengurangi dimensi data dengan mempertahankan variasi data yang ada. 4.2
Kebutuhan Data Citra Data citra yang digunakan dalam penelitian ini adalah berupa 120 sampel. Setelah itu data ini dibagi menjadi dua yaitu berupa daging sapi sebanyak 60 citra dan daging babi sebanyak 60 citra.
4.3
Persiapan Pengolahan Citra 1. Menyiapkan citra daging sapi dan daging babi. Sudah tersedia citra daging sapi dan daging babi sebanyak 120 citra berukuran 250x250 piksel.
35
(a)
(b)
Gambar 4.1 (a) citra daging babi, (b) daging sapi dalam ukuran 250x250 piksel. 2. Menyiapkan data latih dan data uji. Dari 120 citra dibagi dan disimpan menjadi dua folder yaitu s1 dan s2. Foderl s1
60 citra daging sapi.
Folder s2
60 citra daging babi.
3. Merubah citra menjadi grayscale pre-processing merupakan proses konversi citra dari RGB ke grayscale. Oleh karena itu harus diubah kedalam format grayscale untuk menjadi 2 dimensi. Berikut ini merupakan persamaan yang digunakan untuk mendapatkan nilai grayscale : (
)
(
)
(
)
Berikut ini merupakan hasil konversi citra RGB menjadi citra grayscale:
Gambar 4.2 konversi citra RGB menjadi citra grayscale
36
4.4
Pengolahan Citra 4.4.1
Pengolahan citra menggunakan PCA
Tahapan – Tahapan Ekstraksi PCA 1. Langkah pertama adalah menyiapkan data dengan membuat suatu himpunan A yang terdiri dari seluruh training image (T1, T2, ..., TM).-={ T₁, T₂,…, Tм} Buat himpunan (A) dari total M training image, dimana setiap image adalah p x q piksel. Misal di dalam himpunan image terdapat tiga image ukuran 3 X 3 piksel maka:
Citra 1
Citra 2
Citra 3
Matrik 1
Matrik 2
Matrik 3
[
]
[
]
[
]
2. Kemudian mencari nilai mean (ѱ). ∑
∑
( [
[
]
]
37
[
]
[
] )
3. Cari selisih (Ф) antara training image (T1) dengan nilai rata – rata (Ψ). Apabila ditemukan nilai dibawah nol maka ganti nilainya dengan nol. [
]
[
]=[
]
[
]
[
]=[
]
[
]
[
]=[
]
4. Langkah selanjutnya adalah menghitung nilai matrik kovarian (C). ∑ Hitung nilai matriks kovarian (C) (
)
dimana
[
]X
[
[
]
]
Langkah berikutnya yaitu menghitung eigenvalue (λ) dan eigenvector (v) dari matriks kovarian (C). 5. Cari nilai eigenvalue (λ) dan eigenvector (v).
atau (
)
Maka eigenvalue (λ) dapat dihitung, det (λI - L) = 0
38
[
]
[
]
[
]
[ (
] )
[[
]]
[
)
(
(
] )
Sehingga didapat nilai eigen
(
)
eigenvector (v) dihasilkan dengan mensubtitusikan nilai eigenvalue (λ) kedalam persamaan ( λI – L ) v = 0 untuk λ = 2 ](
=[
)
( )
Dalam persamaan sistem linier dituliskan: 0+0+2
=0
0+-
=0
2
+ 0 + 0 =0
Solusi non trivalnya dapat ditulis: 2
=0
=0
2
=0
= -2 Dengan demikian maka dihasilkan nilai eigenvector untuk λ = 2 [
]
39
Untuk λ = [
](
)
( )
Dalam persamaan sistem linier dituliskan:
Solusi non trivalnya dapat ditulis:
Dengan demikian maka dihasilkan nilai eigenvector untuk λ = [
]
Untuk λ = [
](
)
( )
Dalam persamaan sistem linier dituliskan: 0+0+ 0+
Solusi non trivalnya dapat ditulis:
Dengan demikian maka dihasilkan nilai eigenvector untuk λ = [
]
Maka eigenvector (v) yang dihasilkan dari matriks L adalah: [
]
40
6. Setelah eigenvector (v), maka nilai principal conponent analysis (p) dapat dicari dengan: ∑
[
][
[
][
[ 4.4.2
]
]
][
[
]
[
]
]
[
]
Tahapan Pengenalan Pada tahap ini sebuah citra daging baru atau test (Tnew) akan dicoba untuk dikenali, dengan melakukan perhitungan untuk mendapatkan nilai dari sebuah citra. Untuk tahapan pengenalan dengan menggunakana metode Euclidian Distance: 1. Misalkan citra test (Tnew) terdiri dari matrik ordo 3x3 (
)[
]
2. Mencari nilai eigen dari citra test (Tnew)
[
][
]
[
]
3. Gunakan metode Euclidian Distance untuk mencari jarak terdekat antara nilai eigen training citra (µi) dalam database dengan nilai eigen test citra (µnew). √∑ (𝜇
𝜇
)
(
(𝜇
𝜇
)
)
(
41
)
(
)
489 (𝜇
𝜇
)
(
)
(
)
(
)
(
)
(
)
91 (𝜇
𝜇
)
(
)
125 Berdasarkan perhitungan di atas hasil jarak yang didapatkan dari 3 eigen citra didapatkan eigen citra image 2 merupakan yang paling kecil atau yang paling mendekati, dengan demikian hasil identifikasi dapat disimpulkan bahwa test image lebih mirip dengan image 2 daripada image 1 atau 3.
4.5
Pengujian Dalam penelitian ini dimaksudkan untuk mengetahui akurasi proses indentifikasi citra daging sapid an daging babi menggunakan algoritma (Principal Component Analysis) PCA dan Euclidian Distance. Penulis telah mempersiapkan dataset yang telah dikelompokan sebelumnya. Dengan demikian pada penelitian ini niali jarak pada Euclidian Distance dan menggunakan beberapa nilai varian pada vector hasil ekstraksi PCA. Dan berikut dataset yang telah dipersiapkan yang terdiri dari: 1. Citra daging sapi dan daging babi sebanyak 120 citra yang terdiri dari 60 daging sapid an 60 daging babi.
Gambar 4.3 Contoh citra daging babi
42
Gambar 4.4 contoh citra daging sapi
2.
Pada penetilitian ini citra yang digunakan dalam format Joint Photographic Group (JPG) dengan ukuran 250 x 250 piksel.dengan menggunakan fitur ekstraksi PCA (Principal Component Analysis) akan menghasilkan nilai eigen pada setiap citra yang termasuk ciri utama dari citra tersebut.
3. Pada proses ekstraksi akan menghasilkan sebuah matrik yang berisi eigenvector terbesar yang merupakan ciri dari dari sebuah citra tersebut. 4.6
Hasil Pengujian berikut ini hasil dari beberapa pengujian yang telah dilakukan: 1. Pengujian pertama dengan menggunakan dimensi sebesar 1. Tabel 4.1 Hasil pengujian citra daging sapi dan daging babi dengan menggunakan dimensi 1 No
Jumlah
Jumlah
testing
training
1
104
16
53.88%
0.010
2
102
18
46.08%
0.011
3
100
20
48.00%
0.011
4
98
22
47.96%
0.012
5
96
24
55.21%
0.013
6
94
26
54.26%
0.015
7
92
28
61.95%
0.014
8
90
30
55.56%
0.015
43
Akurasi
Waktu (s)
9
88
32
53.41%
0.0.15
10
86
34
55.81%
0.016
11
84
36
50.00%
0.016
12
82
38
47.56%
0.018
13
80
40
52.50%
0.017
14
78
42
48.72%
0.018
15
76
44
43.42%
0.018
16
74
46
50.00%
0.019
17
72
48
40.28%
0.018
18
70
50
38.57%
0.019
19
68
52
44.12%
0.019
20
66
54
45.45%
0.019
21
64
56
48.44%
0.021
22
62
58
43.55%
0.019
23
60
60
43.33%
0.020
24
58
62
51.72%
0.019
25
56
64
55.36%
0.020
26
54
66
55.56%
0.019
27
52
68
46.15%
0.020
28
50
70
52.00%
0.026
29
48
72
56.25%
0.018
30
46
74
50.00%
0.018
31
44
76
47.73%
0.018
32
42
78
54.76%
0.018
33
40
80
57.50%
0.017
34
38
82
53.63%
0.017
35
36
84
44.44%
0.016
36
34
86
58.88%
0.020
37
32
88
46.88%
0.015
38
30
90
53.33%
0.015
44
39
28
92
60.71%
0.014
40
26
94
46.15%
0.014
41
24
96
45.83%
0.013
42
22
98
54.55%
0.014
43
20
100
50.00%
0.011
44
18
102
50.00%
0.010
45
16
104
31.25%
0.009
46
14
106
50.00%
0.008
47
12
108
58.33%
0.007
48
10
110
50.00%
0.006
49
8
112
50.00%
0.005
50
6
114
66.67%
0.004
51
4
116
70.00%
0.003
52
2
118
85.71%
0.001
Pada tabel 4.1 diatas, dengan menggunakan dimensi 1 dapat menghasilkan akurasi sebesar 85.71% dengan waktu 0.001 detik hasil ini menunjukan bahwa dengan menggunakan data training yang lebih banyak dari data testing dengan dimensi 1 akan mempercepat proses pengennalan. Dan hasil rata-rata dari tabel 4.1 sebesar 50.00% 2. Pengujian kedua dengan menggunakan dimensi sebesar 2. Tabel 4.2 Hasil pengujian citra daging sapi dan daging babi dengan menggunakan dimensi 2 No
Jumlah
Jumlah
testing
training
1
104
16
63.46%
0.009
2
102
18
56.86%
0.010
3
100
20
62.00%
0.012
4
98
22
63.27%
0.013
5
96
24
56.25%
0.013
45
Akurasi
Waktu (s)
6
94
26
57.45%
0.015
7
92
28
57.61%
0.017
8
90
30
61.11%
0.015
9
88
32
54.55%
0.016
10
86
34
54.65%
0.016
11
84
36
53.95%
0.017
12
82
38
50.00%
0.017
13
80
40
46.25%
0.017
14
78
42
48.72%
0.017
15
76
44
53.95%
0.021
16
74
46
55.41%
0.018
17
72
48
61.11%
0.020
18
70
50
60.005
0.023
19
68
52
68.82%
0.019
20
66
54
57.58%
0.019
21
64
56
56.25%
0.020
22
62
58
51.61%
0.020
23
60
60
40.67%
0.021
24
58
62
62.075
0.019
25
56
64
53.57%
0.022
26
54
66
50.00%
0.019
27
52
68
53.85%
0.019
28
50
70
64.00%
0.020
29
48
72
62.50%
0.018
30
46
74
60.87%
0.0.19
31
44
76
50.00%
0.019
32
42
78
54.76%
0.018
33
40
80
52.50%
0.022
34
38
82
60.53%
0.017
35
36
84
50.00%
0.016
46
36
34
86
58.82%
0.017
37
32
88
50.00%
0.017
38
30
90
43.33%
0.015
39
28
92
42.86%
0.015
40
26
94
53.85%
0.013
41
24
96
50.00%
0.013
42
22
98
45.45%
0.012
43
20
100
50.00%
0.011
44
18
102
55.56%
0.010
45
16
104
50.00%
0.010
46
14
106
60.00%
0.009
47
12
108
61.36%
0.008
48
10
110
62.50%
0.007
49
8
112
63.89%
0.005
50
6
114
66.67%
0.004
51
4
116
71.43%
0.003
52
2
118
83.33%
0.001
Pada tabel 4.2 diatas, didapatkan hasil akurasi yang sama pada setiap pengujian dengan beberapa jumlah data training dan testing. 3. Pengujian ketiga dengan menggunakan dimensi sebesar 3. Tabel 4.3 Hasil pengujian citra daging sapi dan daging babi dengan menggunakan dimensi 3 No
Jumlah
Jumlah
testing
training
1
104
16
58.65%
0.009
2
102
18
54.90%
0.011
3
100
20
54.00%
0.012
4
98
22
58.16%
0.13
5
96
24
58.33%
0.013
47
Akurasi
Waktu (s)
6
94
26
61.70%
0.014
7
92
28
58.70%
0.015
8
90
30
63.33%
0.016
9
88
32
57.95%
0.24
10
86
34
55.81%
0.017
11
84
36
55.95%
0.018
12
82
38
56.10%
0.017
13
80
40
57.50%
0.017
14
78
42
64.10%
0.018
15
76
44
67.11%
0.019
16
74
46
71.62%
0.019
17
72
48
73.61%
0.019
18
70
50
72.86%
0.019
19
68
52
75.00%
0.019
20
66
54
75.76%
0.020
21
64
56
71.88%
0.019
22
62
58
67.74%
0.019
23
60
60
66.67%
0.020
24
58
62
67.24%
0.019
25
56
64
62.50%
0.019
26
54
66
61.11%
0.020
27
52
68
65.38%
0.019
28
50
70
64.00%
0.019
29
48
72
66.67%
0.018
30
46
74
71.74%
0.019
31
44
76
70.45%
0.018
32
42
78
71.43%
0.018
33
40
80
65.00%
0.017
34
38
82
60.53%
0.017
35
36
84
63.89%
0.019
48
36
34
86
58.82%
0.016
37
32
88
59.38%
0.016
38
30
90
56.67%
0.017
39
28
92
50.00%
0.015
40
26
94
53.95%
0.013
41
24
96
50.00%
0.014
42
22
98
50.00%
0.012
43
20
100
55.00%
0.011
44
18
102
50.00%
0.011
45
16
104
61.11%
0.009
46
14
106
62.50%
0.008
47
12
108
64.29%
0.007
48
10
110
75.00%
0.006
49
8
112
75.00%
0.006
50
6
114
83.33%
0.004
51
4
116
87.50%
0.003
52
2
118
90.00%
0.002
Pada tabel 4.3 diatas, hasil akurasi yang dihasilkan mengalami berubahan yang tidak begitu signifikan dari penggunaan dimensi 1 dan 2 akan tetapi dengan menggunakan dimensi 3 dalam pengenalan juga mempengaruhi tingkat akurasi dan waktu pemrosesan. 4. Pengujian keempat dengan menggunakan dimensi sebesar 4. Tabel 4.4 Hasil pengujian citra daging sapi dan daging babi dengan menggunakan dimensi 4 No
Jumlah
Jumlah
testing
training
1
104
16
60.58%
0.009
2
102
18
60.78%
0.011
3
100
20
64.00%
0.011
49
Akurasi
Waktu (s)
4
98
22
66.33%
0.012
5
96
24
58.33%
0.013
6
94
26
57.45%
0.014
7
92
28
58.70%
0.014
8
90
30
61.11%
0.015
9
88
32
59.09%
0.016
10
86
34
58.14%
0.016
11
84
36
54.76%
0.017
12
82
38
56.10%
0.017
13
80
40
56.25%
0.017
14
78
42
64.82%
0.018
15
76
44
63.16%
0.018
16
74
46
70.27%
0.019
17
72
48
69.44%
0.018
18
70
50
68.57%
0.019
19
68
52
73.53%
0.020
20
66
54
72.73%
0.020
21
64
56
73.44%
0.019
22
62
58
70.97%
0.020
23
60
60
68.33%
0.019
24
58
62
67.24%
0.020
25
56
64
73.21%
0.020
26
54
66
70.37%
0.019
27
52
68
61.54%
0.019
28
50
70
64.00%
0.020
29
48
72
66.67%
0.020
30
46
74
73.91%
0.019
31
44
76
56.91%
0.018
32
42
78
69.05%
0.017
33
40
80
65.00%
0.017
50
34
38
82
63.16%
0.017
35
36
84
63.89%
0.016
36
34
86
67.65%
0.017
37
32
88
68.75%
0.016
38
30
90
66.67%
0.015
39
28
92
67.86%
0.015
40
26
94
73.08%
0.013
41
24
96
66.67%
0.013
42
22
98
63.64%
0.013
43
20
100
70.00%
0.011
44
18
102
72.22%
0.010
45
16
104
75.00%
0.009
46
14
106
78.57%
0.009
47
12
108
83.33%
0.008
48
10
110
100.00%
0.007
49
8
112
100.00%
0.005
50
6
114
100.00%
0.004
51
4
116
100.00%
0.003
52
2
118
100.00%
0.001
Pada tabel 4.4 diatas, didapatkan hasil akurasi yang tinggi pada setiap pengujian yang dimana menggunakan dimensi 4 dengan jumlah data training dan testing didapat akurasi sebesar 100.00% dari hasil pengenalan. 5. Pengujian kelima dengan menggunakan dimensi sebesar 5. Tabel 4.5 Hasil pengujian citra daging sapi dan daging babi dengan menggunakan dimensi 5 No
1
Jumlah
Jumlah
testing
training
104
16
51
Akurasi
62.50%
Waktu (s)
0.022
2
102
18
68.82%
0.011
3
100
20
60.00%
0.013
4
98
22
61.22%
0.012
5
96
24
67.71%
0.013
6
94
26
57.45%
0.013
7
92
28
57.61%
0.014
8
90
30
58.89%
0.015
9
88
32
60.23%
0.016
10
86
34
60.47%
0.016
11
84
36
57.14%
0.017
12
82
38
56.10%
0.017
13
80
40
56.25%
0.017
14
78
42
61.54%
0.018
15
76
44
63.16%
0.018
16
74
46
68.92%
0.019
17
72
48
68.06%
0.019
18
70
50
71.43%
0.019
19
68
52
69.12%
0.019
20
66
54
68.18%
0.020
21
64
56
68.75%
0.021
22
62
58
69.35%
0.020
23
60
60
70.00%
0.020
24
58
62
70.69%
0.020
25
56
64
67.86%
0.020
26
54
66
68.52%
0.020
27
52
68
67.31%
0.021
28
50
70
66.00%
0.020
29
48
72
64.58%
0.020
30
46
74
67.39%
0.019
31
44
76
65.91%
0.018
52
32
42
78
68.05%
0.018
33
40
80
65.00%
0.018
34
38
82
63.16%
0.017
35
36
84
63.89%
0.017
36
34
86
67.65%
0.017
37
32
88
68.75%
0.016
38
30
90
70.00%
0.015
39
28
92
64.29%
0.016
40
26
94
69.23%
0.014
41
24
96
66.67%
0.013
42
22
98
63.64%
0.013
43
20
100
70.00%
0.012
44
18
102
72.22%
0.010
45
16
104
75.00%
0.010
46
14
106
78.57%
0.009
47
12
108
83.33%
0.008
48
10
110
90.00%
0.007
49
8
112
100.00%
0.005
50
6
114
100.00%
0.004
51
4
116
100.00%
0.003
52
2
118
100.00%
0.002
Pada tabel 4.5 diatas, dengan menggunakan dimensi 5 didapatkan akurasi sebesar 100.00% dimana tidak jauh berbeda dengan mengunakan dimensi 4 ini menunjukan bahwa dimensi yang digunakan semakin tinggi dapat mempengaruhi hasil akurasi.
4.7
Analis Hasil Pengujian Dari hasil pengujian yang telah dilakukan terhadap dataset yang terdiri dari daging sapi sebanyak 60 citra dan daging babi 60 citra dengan
53
mengggunakan beberapa dimensi yaitu 1 sampai 5 dimensi. Berikut merupakan hasil akurasi tertinggi waktu proses terkecil yang dihasilkan oleh masing-masing dimensi. 4.6 Hasil akurasi tertinggi dengan waktu terkecil dari masingmasing dimensi Akurasi
Dimensi
Waktu (s)
118
85.71%
1
0.001
2
118
83.33%
2
0.001
3
2
118
90.00%
3
0.002
4
2
118
100.00%
4
0.001
5
2
118
100.00%
5
0.002
No
Jumlah
Jumlah
testing
training
1
2
2
Semakin banyak jumlah dimensi yang digunakan maka tingkat akurasi yang dihasilkan akan semakin tinggi. Berdasatkan serangkaian pengujian dengan data testing 2 dan data training 118 dan dengan dimensi 4 atau 5 hasil akurasi yang didapat sebesar 100.00% daripada menggunakan dimensi 1 sampai 3.
54
BAB V KESIMPULAN DAN SARAN 5.1.
Kesimpulan Berdasarkan penelitian yang telah dilakukan oleh penulis, maka dapat diambil beberapa kesimpulan diantaranya adalah sebagai berikut : 1. Jumlah citra latih yang digunakan metode PCA dengan kinerja sistem pengenalan citra daging sapi dan daging babi semakin banyak citra latih yang digunakan untuk pelatihan, hasil pengenalannya semakin bagus. Dalam penelitian ini menggunakan 118 citra latih telah memiliki persentase keberhasilan pengenalan yang sangat baik yaitu 100% 2. Semakin banyak jumlah dimensi yang digunakan maka tingkat akurasi yang dihasilkan akan semakin tinggi.
5.2.
Saran Dalam pengerjaan penerapan Algoritma PCA dan Euclidian Distance untuk indentifikasi daging sapi dan daging babi penulis menyadari masih banyak kekurangan pada perhitungan ini, sehingga penulis menyarankan beberapa hal, yaitu: 1. Untuk pengembangan selanjutnya perhitungan dapat dikembangkan dengan menambahkan metode klsifikasi untuk hasil pengujian. 2. Dalam dalam pengambilan citra masukan diambil secara langsung di lokasi yang sama dengan intensitas cahaya yang baik dan stabil serta kamera yang berresolusi tinggi untuk mendapatkan gambar yang lebih jelas supaya serat maupun tekstur daging lebih terlihat jelas. 3. Menambahkan jumlah data training agar persentasi akurasi lebih maksimal.
55
DAFTAR PUSTAKA
[1]
Abiyanto, A. (2009). Tugas Akhir. Pengenalan Gigi Menggunakan Komponen Utama (Principal Components analysis), 1-9.
[2]
Mudrova, M, Prochazka, A, PCA in Image Processing, Institute of Chemical Technology Prague Departement of Computing and Control Engineering,Technick´a 1905, Prague 6, Czech Republic.
[3]
Dane Kurnia Putra, I. S. (2010). IDENTIFIKASI KEBERADAAN KANKER
PADA
CITRA
MAMMOGRAFI
MENGGUNAKAN
METODE WAVELET HAAR. IDENTIFIKASI KEBERADAAN KANKER PADA CITRA MAMMOGRAFI MENGGUNAKAN METODE WAVELET HAAR, 1-7. [4]
Indrian, M. (2008). Teknik Elektro Ekstensi 2004, Bidang Konsentrasi Elektronika dan Telekomunikasi, Universitas Diponegoro Semarang . Analisis Tekstur Menggunakan Metode Run Length, 1-4.
[5]
Jatra, M. (2007). Tugas Akhir. Identifikasi Iris Mata Menggunakan Metode Analisis Komponen Utama dan perhitungan jarak Euclidean, 1-7.
[6]
Kiswanto. (maret 2012). Identifikas Citra Untuk Mengidentiifikasi Jenis Daging Sapi Dengan Menggunakan Transformasi Wavelet Haar. semarang.
[7]
Noviatur, R. D. (2011). Tugas Akhir. Teknik Pengenalan Wajah Dengan Algoritma PCA Berbasis Seleksi Eigenvector, 1-7.
[8]
T. W. A. Putra, “PENGENALAN WAJAH DENGAN MATRIKS KOOKURENSI ARAS KEABUAN DAN JARINGAN SYARAF TIRUAN PROBABILISTIK,” Diponegoro, 2013.
56
[9]
Wibowo, L. T. (n.d.). Jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro. Klasifikasi Kelas Daging Menggunakan Pencirian Matrik Ko-okurensi Aras Keabuan, 1-7.
[10]
Wulandari, I. (2010). PCA Analysis Method In Tracking Problem, 1-2.
[11]
Yudha, W. (2010). Teknik Kimia Fakultas Teknik Industri, ITB. Aplikasi Teknik Principal Component Analisis (PCA) Untuk Penyepakatan Data Pada kompresor Multu Tahap, 1-14.
[12]
Zahab, n. m. (2010). ANALISIS TEKSTUR PARKET KAYU JATI DENGAN MENGGUNAKAN METODE STATISTIKAL GRAY LEVEL DIFFERENCE METHOD. ANALISIS TEKSTUR PARKET KAYU JATI DENGAN MENGGUNAKAN METODE STATISTIKAL GRAY LEVEL DIFFERENCE METHOD, 17.
[13]
Ardiansyah, PENGENALAN POLA TANDA TANGAN DENGAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA), 2013.
[14]
Y. G. K, I. Santoso, and R. R. Isnanto, “KLASIFIKASI CITRA DENGAN MATRIKS KO-OKURENSI ARAS KEABUAN ( Gray Level Cooccurrence Matrix -GLCM ) PADA LIMA KELAS BIJI-BIJIAN,” pp. 1– 7
[15]
T. Sutoyo, E. Mulyanto, V. Suhartono, O. D. Nurhayati, and Wijanarto, Teori Pengolahan Citra Digital. ANDI, 2009, pp. 1–256.
[16]
F. A. Hermawati, Pengolahan itra Digital. Yogyakarta: ANDI, 2009.
[17]
D. Priyawati, “teknik pengolahan citra digital berdomain spasial untuk peningkatan citra sinar-x,” vol. II, pp. 44–50, 2011.
[18]
Nugraheny, Dwi 2013, Hasil Ekstraksi Algoritma Principal Component Analysis
(PCA)
Untuk
Pengenalan
STTA,Yogyakarta. 57
Wajah,
Teknik
Informatika
[19]
P. Lismawati, “PENGGUNAAN VEKTOR EIGEN PADA METODE PRINCIPAL COMPONENT ANALYSIS PENGGUNAAN VEKTOR EIGEN PADA METODE PRINCIPAL COMPONENT ANALYSIS,” 2011.
[20]
F. Maisa Hana, “Sistem Identifikasi Biometrik Finger Knuckle Print Menggunakan Histogram Equalization dan Principal Component Analysis (PCA),” 2014.
[21]
S. Puji Lestari 2014,"IMPLEMENTASI PENGENALAN WAJAH MANUSIA
MENGGUNAKAN
PRINCIPAL
COMPONENT
ANALYSIS (PCA)" Teknik Informatika, STMIK Budidarma Medan. [22]
http://gizigizian.blogspot.com/2014/05/kandungan-gizi-daging-sapi.html diupdate tanggal 12 April 2015.
[23]
http://finance.detik.com/read/2013/07/23/154214/2311804/4/konsumsidaging-indonesia-setiap-tahun-capai-4-juta-ekor-sapi diakses tanggal 12 April 2015.
58
