Anda di halaman 1dari 83

SISTEM KLASIFIKASI KUALITAS BIJI JAGUNG BERDASARKAN TEKSTUR BERBASIS PENGOLAHAN CITRA DIGITAL

Classification System of Corn Kernel Quality based on Texture

Using Digital Image Processing

TUGAS AKHIR Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknik pada Fakultas Elektro dan Komunikasi Institut Teknologi Telkom

Oleh:

DEBBY PERMATASARI

111081075

Institut Teknologi Telkom Oleh: DEBBY PERMATASARI 111081075 PROGRAM STUDI S1 TEKNIK TELEKOMUNIKASI FAKULTAS ELEKTRO DAN

PROGRAM STUDI S1 TEKNIK TELEKOMUNIKASI FAKULTAS ELEKTRO DAN KOMUNIKASI INSTITUT TEKNOLOGI TELKOM BANDUNG

2012

INSTITUT TEKNOLOGI TELKOM No. Dokumen ITT-AK-FEK-PTT-FM-

INSTITUT TEKNOLOGI TELKOM

No. Dokumen

ITT-AK-FEK-PTT-FM-

004/001

Jl.Telekomunikasi No.1 Ters. BuahBatu Bandung 40257

No. Revisi

00

 

FORMULIR LEMBAR PENGESAHAN

BerlakuEfektif

02 Mei 2011

LEMBAR PENGESAHAN TUGAS AKHIR

SISTEM KLASIFIKASI KUALITAS BIJI JAGUNG BERDASARKAN TEKSTUR BERBASIS PENGOLAHAN CITRA DIGITAL

CLASSIFICATION SYSTEM OF CORN KERNEL QUALITY BASED ON TEXTURE USING DIGITAL IMAGE PROCESSING

Disusun oleh :

DEBBY PERMATASARI

111081075

Telah disetujui dan disahkan sebagai Tugas Akhir Program S1 Teknik Telekomunikasi Fakultas Elektro dan Komunikasi Institut Teknologi Telkom

Pembimbing I,

BAMBANG HIDAYAT, Dr., Ir. NIK :07510368-3

Bandung, Juni 2012 Disahkan oleh :

Pembimbing II,

RATRI DWI ATMAJA, ST., MT. NIK: 10870625-2

INSTITUT TEKNOLOGI TELKOM No. Dokumen ITT-AK-FEK-PTT-

INSTITUT TEKNOLOGI TELKOM

No. Dokumen

ITT-AK-FEK-PTT-

FM-001/004

Jl.Telekomunikasi No.1 Ters. BuahBatu Bandung 40257

No. Revisi

00

 

FORMULIR PERNYATAAN ORISINALITAS

BerlakuEfektif

02 Mei 2011

LEMBAR PERNYATAAN ORISINALITAS

NAMA

: Debby Permatasari

NIM

: 111081075

ALAMAT

: Jl. Palem Raja V/25 Taman Yasmin Sektor 5, Bogor-

Jawa Barat

No Tlp/HP

: 085721758288

E-mail

: debbypermatasari_12a5@yahoo.co.id

Menyatakan bahwa Tugas Akhir ini merupakan karya orisinal saya sendiri, dengan judul :

SISTEM KLASIFIKASI KUALITAS BIJI JAGUNG BERDASARKAN

TEKSTUR BERBASIS PENGOLAHAN CITRA DIGITAL

Classification System of Corn Kernel Quality based on Texture

Using Digital Image Processing

Atas pernyataan ini, saya siap menanggung resiko / sanksi yang dijatuhkan kepada saya apabila kemudian ditemukan adanya pelanggaran terhadap kejujuran akademik atau etika keilmuan dalam karya ini, atau ditemukan bukti yang menunjukkan ketidak aslian karya ini.

ini, atau ditemukan bukti yang menunjukkan ketidak aslian karya ini. Bandung, Juni 2012 Debby Permatasari 111081075

Bandung,

Juni 2012

Debby Permatasari

111081075

iii

ABSTRAK

Dalam pertanian jagung, sering ditemukan biji yang rusak, biji yang kusam, biji yang kotor, dan biji yang patah akibat proses pengeringan dan pemipilan. Biji jagung yang berukuran lebih kecil dari semestinya juga dapat memperburuk kualitas. Penentuan kualitas biji jagung biasa dilakukan secara manual dengan pengamatan visual. Sistem manual membutuhkan waktu yang lama dan menghasilkan produk dengan mutu yang tidak konsisten karena keterbatasan visual, kelelahan, dan perbedaan persepsi masing-masing pengamat.

Pada tugas akhir ini dirancang sebuah sistem klasifikasi untuk mengetahui kualitas biji jagung dengan menggunakan analisis tekstur berbasis pengolahan citra digital, untuk mendapatkan hasil yang tepat dan objektif. Data citra yang diambil yaitu sampel biji-biji jagung menggunakan kamera digital 12 MP. Algoritma yang digunakan untuk ekstraksi ciri adalah statistik orde pertama dan orde kedua, serta klasifikasi kualitas biji jagung menggunakan K-Nearest Neighbour (K-NN).

Berdasarkan simulasi secara keseluruhan, maka dapat disimpulkan bahwa sistem dapat mengklasifikasikan biji jagung berdasarkan tiga tingkat kualitas, yaitu kualitas satu, kualitas dua, dan kualitas tiga. Hasil akurasi tertinggi diperoleh pada saat k=3 dan menggunakan Cityblock Distance yaitu sebesar 91,85%.

Kata Kunci : biji jagung, klasifikasi, kualitas, analisis tekstur, statistik, K-NN

ABSTRACT

In corn farming can be found damage kernel, dull kernel, dirty kernel, and broken kernel very often due to the drying and defoliation process. Corn kernel which smaller than normal also be able to worsen the quality. Corn kernel quality determination usually done manually by visual observation. Manual system takes a long time and produces quality products that are not consistent because of visual limitations, fatigue, and differences in the perception of each observer.

At this final project is designed a classification system to determine the quality of corn kernel based on texture analysis using digital image processing, to get the right and objective results. Captured image data is sample of corn kernel using 12 MP digital camera. The algorithm used for feature extraction is first order and second order of statistic method and classification quality of the corn kernel using a K-Nearest Neighbor (K-NN).

Based on a simulation, it can be concluded that the system can be classified according to three levels of corn kernel quality, there are first quality, second quality, and third quality. The highest accuracy results obtained when k = 3 and using Cityblock Distance that is equal to 91.85%.

Key word: corn kernel, classification, quality, texture analysis, statistic, K-NN

KATA PENGANTAR

KATA PENGANTAR Assalamu’alaikum Warahmatullahi Wabarakatuh Segala puji dan syukur penulis ucapkan kepada Allah SWT yang

Assalamu’alaikum Warahmatullahi Wabarakatuh

Segala puji dan syukur penulis ucapkan kepada Allah SWT yang telah memberikan segala nikmat dan karunia-Nya, serta dengan bimbingan-Nya pulalah penulis dapat menyelesaikan tugas akhir ini. Shalawat beserta salam semoga selalu tercurah kepada junjungan ummat manusia, teladan yang paling sempurna, penutup para nabi Rasulullah Muhammad SAW, serta keluarga, para sahabat dan pengikutnya hingga yaumul akhir.

Alhamdulillahirobbil’alamiin, penulis panjatkan karena hanya dengan rahmat dan ridha-Nya penulis dapat menyelesaikan tugas akhir ini yang berjudul Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital”. Tugas akhir ini penulis buat sebagai syarat untuk memperoleh gelar Sarjana Teknik pada Program Studi Teknik Telekomunikasi Institut Teknologi Telkom.

Dalam penulisan tugas akhir ini penulis menyadari masih banyak kekurangan karena keterbatasan ilmu yang dimiliki. Untuk itu penulis sangat membuka diri dalam menerima segala kritik dan saran yang bersifat membangun dari semua pihak untuk kesempurnaan tulisan ini sehingga lebih baik di kemudian hari.

Sebagai penutup, penulis memohon maaf atas segala kesalahan yang penulis lakukan selama menyelesaikan tugas akhir ini. Semoga tugas akhir ini dapat bermanfaat bagi penulis sendiri dan pembaca.

Wassalamu’alikum Warahmatullahi Wabarakatuh.

Bandung, Juni 2012

Debby Permatasari

LEMBAR UCAPAN TERIMA KASIH

Dalam kesempatan ini penulis ingin mengucapkan

terima kasih kepada

semua pihak yang telah memberikan bantuan, dukungan serta doa yang diberikan, karena tanpa mereka Tugas Akhir ini belum tentu dapat diselesaikan dengan baik.

Dengan segala kerendahan hati, penulis ucapkan terima kasih kepada :

1. Allah SWT, atas karunia, berkah dan rahmat-Nya, serta atas petunjuk, kesempatan, kesehatan dan kemudahan yang diberikan, sehingga penulis dapat menyelesaikan Tugas Akhir ini.

2. Ibu, Bapa. Terima kasih untuk dukungan, doa , biaya dan kesabaran dalam mendidik dan membesarkan anaknya. Terima kasih telah menjadi orang tua yang sangat sayang dan penuh perhatian.

3. Bapak Bambang Hidayat, Dr.,Ir. dan Bapak Ratri Dwi Atmaja, ST.,MT. Selaku pembimbing I dan pembimbing II, terima kasih untuk bimbingan, dukungan dan motivasinya. Maaf banyak sesuatu yang sering tertinggal.

4. Bapak Tengku A. Riza selaku dosen wali yang sangat baik.

5. Kakak dan Kakak Ipar. Terima kasih untuk perhatian yang diberikan untuk adiknya.

6. Om Tato dan Bapak Saeful yang sudah membantu mendapatkan sampel untuk Tugas Akhir ini.

7. Bapak Parjo dari Balai Pertanian yang sudah menjelaskan segala pengetahuan tentang jagung.

8. Bapak Hari yang sudah mengajarkan tentang program matlab.

9. I Nyoman Sulistiana yang sudah memberi ide untuk Tugas Akhir ini.

10. Larasati Cahya Wening yang sudah sharing tentang masalah Tugas Akhir.

11. Rifqi Aji W selaku teman praktikum abadi yang walaupun sekarang sudah lulus tapi masih menyemangati penulis dalam menghadapi Tugas Akhir.

12. Harki Tunas Utomo yang sudah memberikan suntikan semangat yang luar biasa dan setia mendampingi di masa-masa sulit.

13. Ratih Suminar yang menjadi teman seperjuangan Tugas Akhir ini. Semoga kita sukses. Amin.

14. Teman-teman TT 32-03. Terima kasih sudah menjadi teman yang begitu berharga selama ini. Selamat berjuang teman-teman.

15. Dosen-dosen IT Telkom yang tidak bisa disebutkan satu-persatu. Terima kasih untuk bimbingan moral dan ilmu pengetahuan yang telah diberikan. Semoga saya dapat mengaplikasikan ilmu tersebut di kemudian hari.

16. Kepada pihak yang tidak bisa disebutkan satu-persatu. Terima kasih untuk semuanya.

DAFTAR ISI

HALAMAN JUDUL

i

LEMBAR PENGESAHAN

ii

HALAMAN PERNYATAAN ORISINALITAS

iii

ABSTRAK

iv

ABSTRACT

v

KATA PENGANTAR

vi

LEMBAR UCAPAN TERIMA KASIH

vii

DAFTAR ISI

viii

DAFTAR GAMBAR

xi

DAFTAR TABEL

xii

DAFTAR SINGKATAN

xiii

DAFTAR ISTILAH

xiv

BAB I PENDAHULUAN

1.1 Latar Belakang

1

1.2 Tujuan

2

1.3 Manfaat

2

1.4 Rumusan Masalah

2

1.5 Batasan Masalah

3

1.6 Metodologi Penelitian

3

1.7 Sistematika Penulisan

3

BAB II DASAR TEORI

2.1 Jagung

5

2.1.1

Jenis-Jenis Jagung

5

2.1.2

Biji jagung

6

2.2 Citra Digital

8

2.3 Pengolahan Citra Digital

9

2.4 Model Citra

10

2.4.1

RGB

10

2.4.2

Citra Grayscale

10

2.5 Analisis Tekstur

11

2.6 Ekstraksi Ciri Statistik

13

2.6.1 Ekstraksi Ciri Orde Pertama

14

2.6.2 Ekstraksi Ciri Orde Kedua

15

2.7 K-Nearest Neighbor

20

2.8 Matlab (Matrix Laboratory)

22

BAB III MODEL DAN PERANCANGAN SISTEM

3.1 Perangkat Perancangan Sistem

23

3.2 Model Sistem Klasifikasi Kualitas Biji Jagung

23

3.3 Diagram Alir Klasifikasi Kualitas Biji Jagung

24

3.3.1 Pengambilan Sampel Citra Biji Jagung

25

3.3.2 Preprocessing

26

3.3.3 Pengubahan Mode Warna Citra

27

3.3.4 Ekstraksi Ciri

27

3.3.5 Penentuan Kombinasi Ciri

28

3.3.6 Klasifikasi dengan K-Nearest Neighbor

29

3.4 Analisis Performansi Sistem

30

BAB IV ANALISIS DAN PENGUJIAN SISTEM

4.1 Analisis Ekstraksi Ciri dengan Statistik Orde Pertama dan Orde

Kedua

31

4.1.1

Ekstraksi Ciri Citra Red

32

4.1.2

Ekstraksi Ciri Citra Green

33

4.1.3

Ekstraksi Ciri Citra Blue

34

4.1.4

Ekstraksi Ciri Citra Grayscale

35

4.1.5

Kombinasi Ciri

35

4.1.5.1 Kombinasi Ciri Citra Red

36

4.1.5.2 Analisis Akurasi Citra RGB dan Grayscale

41

4.2 Analisis Hasil Pengujian Klasifikasi dengan K-Nearest Neighbor 42

43

4.3 Analisis Waktu Komputasi Sistem

BAB V KESIMPULAN DAN SARAN

5.2 Kesimpulan

45

5.2

Saran

46

DAFTAR PUSTAKA

47

LAMPIRAN A Tabel Kombinasi Ciri

A-1

LAMPIRAN B Tabel Database Ciri Latih

B-1

LAMPIRAN C Program Klasifikasi Kualitas Biji Jagung

C-1

DAFTAR GAMBAR

Gambar

2.1

Jagung Bisma

5

Gambar 2.2

Biji Jagung Kualitas 1

7

Gambar 2.3

Biji Jagung Kualitas 2

7

Gambar 2.4

Biji Jagung Kualitas 3

8

Gambar 2.5

Citra RGB

10

Gambar 2.6

Citra Grayscale dari Biji Jagung Bisma Kualitas Satu

11

Gambar 2.7

Contoh Tekstur Visual

12

Gambar 2.8

Ilustrasi Ekstraksi Ciri Statistik

13

Gambar 2.9

Citra Masukan

16

Gambar 2.10 Nilai Intensitas Citra Masukan

16

Gambar 3.1

Model Sistem Klasifikasi Kualitas Biji Jagung

23

Gambar 3.2 (a) Diagram Alir Pembuatan Database

24

Gambar 3.2 (b) Diagram Alir Pengujian

24

Gambar 3.3

Diagram Alir Pengambilan Sampel Citra Biji Jagung

25

Gambar

3.4

Diagram

Alir

Preprocessing

26

Gambar

3.5

Citra Sebelum dan Sesudah Cropping

26

Gambar 3.6

Proses Pengubahan Mode Warna Citra

27

Gambar 3.7 (a) Citra Red

 

27

Gambar

3.7

(b)

Citra

Green

27

Gambar 3.7 (c) Citra Blue

 

27

Gambar

3.7

(d)

Citra

Grayscale

27

Gambar 3.8

Blok Diagram Ekstraksi Ciri

28

Gambar 3.9

Diagram Alir Penentuan Kombinasi Ciri

29

Gambar 4.1

Grafik Hasil Akurasi Tertinggi

41

DAFTAR TABEL

Tabel 2.1

Definisi Untuk Masing-Masing Kriteria Mutu Fisik Jagung

7

Tabel 2.2

Persyaratan Mutu Jagung Berdasarkan SNI 01-3920-1995

8

Tabel 2.3

Matriks Iterasi 0 Sudut 0 o

16

Tabel 2.4

Matriks Iterasi 1 Sudut 0 o

16

Tabel 2.5

Matriks Iterasi 2 Sudut 0 o

17

Tabel 2.6

Matriks Akhir Iterasi Sudut 0 o

17

Tabel 2.7

Matriks Kookurensi Sudut 0 o (M(0))

18

Tabel 2.8

Matriks Kookurensi Sudut 45 o (M(45))

18

Tabel 2.9

Matriks Kookurensi Sudut 90 o (M(90))

18

Tabel 2.10 Matriks Kookurensi Sudut 135 o (M(135))

19

Tabel 4.1 Hasil Akurasi dari Ekstraksi Ciri Citra Red

32

Tabel 4.2 Hasil Akurasi dari Ekstraksi Ciri Citra Green

33

Tabel 4.3 Hasil Akurasi dari Ekstraksi Ciri Citra Blue

34

Tabel 4.4 Hasil Akurasi dari Ekstraksi Ciri Citra Grayscale

35

Tabel 4.5 Hasil Akurasi dari Kombinasi Dua Ciri Citra Red

36

Tabel 4.6 Hasil Akurasi dari Kombinasi Tiga Ciri Citra Red

37

Tabel 4.7 Hasil Akurasi dari Kombinasi Empat Ciri Citra Red

39

Tabel 4.8 Hasil Akurasi dari Kombinasi Lima Ciri Citra Red

40

Tabel 4.9 Hasil Akurasi dari Kombinasi Enam Ciri Citra Red

41

Tabel 4.10 Akurasi Sistem dengan K-Nearest Neighbor

43

Tabel 4.11 Waktu Komputasi Sistem dengan Berbagai Kombinasi Ciri

44

DAFTAR SINGKATAN

SNI

Standar Nasional Indonesia

GUI

Graphical User Interface

RGB

Red, Green, Blue

K-NN

K-Nearest Neighbor

DAFTAR ISTILAH

Tekstur

Keteraturan pola-pola tertentu yang terbentuk dari susunan piksel-piksel dalam citra digital

Piksel

Elemen terkecil dari sebuah citra digital yang merupakan persilangan antara kolom dan baris

Citra Latih

Citra wajah yang dilatihkan yang berfungsi sebagai database

Citra Uji

Citra wajah yang digunakan untuk menguji keandalan sistem

Cropping

Proses pemotongan sejumlah piksel dari citra

Database

Kumpulan satu atau lebih file

Ekstraksi Ciri

Pengambilan inti atau sari dari suatu objek

BAB I PENDAHULUAN

1.1 Latar Belakang Pengetahuan dan pemanfaatan citra digital berkembang pesat, tidak hanya di bidang kedokteran, industri, dan kesehatan, tetapi juga di pertanian untuk mengidentifikasi dan mengawasi mutu, cemaran, tingkat kematangan, dan pengkelasan. Kemampuan pengolahan citra digital yang canggih memungkinkan dapat digunakan lebih efektif dan efisien untuk mengidentifikasi kualitas produk pertanian. Salah satu contoh yaitu untuk menentukan kualitas biji jagung berdasarkan teksturnya.

Salah satu produk pertanian yang mengambil peran dalam pembangunan sektor pertanian adalah jagung. Di Indonesia, jagung merupakan komoditas pangan kedua setelah padi dan sumber kalori atau makanan pengganti beras, disamping itu juga sebagai makanan ternak. Kebutuhan jagung akan terus meningkat dari tahun ke tahun sejalan dengan peningkatan taraf hidup ekonomi masyarakat dan kemajuan industri pakan ternak sehingga kualitas jagung perlu diperhatikan. Hal yang mempengaruhi kualitas biji jagung yaitu tingginya tingkat kerusakan yang terjadi saat proses pemipilan jagung dengan mesin sehingga banyak ditemukan biji yang rusak dan patah. Selama ini evaluasi kualitas dalam proses klasifikasi kualitas biji jagung masih dilakukan secara manual melalui pengamatan visual. Sistem manual membutuhkan waktu yang lama dan menghasilkan produk dengan kualitas yang tidak merata karena keterbatasan visual, kelelahan, dan perbedaan persepsi masing-masing pengamat. Oleh karena itu pengolahan citra merupakan alternatif untuk mengatasi masalah tersebut.

Pada tugas akhir ini dirancang sebuah sistem klasifikasi untuk mengetahui kualitas biji jagung berdasarkan tekstur berbasis pola citra digital untuk mendapatkan hasil yang cepat dan akurat. Data citra yang akan diambil yaitu sampel biji-biji jagung menggunakan kamera digital. Setelah itu tahap-tahap yang dilakukan pada penelitian ini adalah preprocessing, ekstraksi ciri, dan klasifikasi.

BAB 1 PENDAHULUAN

BAB 1 PENDAHULUAN Algoritma yang digunakan adalah ekstraksi ciri statistik orde pertama dan orde kedua, serta

Algoritma yang digunakan adalah ekstraksi ciri statistik orde pertama dan orde kedua, serta metode klasifikasi K-Nearest Neighbor (K-NN).

1.2 Tujuan Berdasarkan latar belakang yang telah diuraikan, maka tujuan dari Tugas Akhir ini adalah sebagai berikut.

1.

Merancang simulasi sistem yang dapat melakukan klasifikasi kualitas biji jagung berdasarkan tekstur dengan ekstraksi ciri statistik orde pertama dan orde kedua, serta pengklasifikasian menggunakan K-Nearest Neighbor.

2.

Menganalisis performansi sistem klasifikasi kualitas biji jagung berdasarkan tekstur dengan parameter tingkat akurasi dan waktu komputasi dalam pengklasifikasian menggunakan ekstraksi ciri statistik dan K-Nearest Neighbor

1.3

Manfaat

Manfaat dari penelitian ini adalah menghasilkan alat bantu dalam bidang pertanian dan perdagangan terutama bagi pengamat (grader) untuk mengklasifikasi kualitas biji jagung berdasarkan tekstur berbasis pengolahan citra digital.

1.4 Rumusan Masalah Dari tujuan yang telah diketahui diatas, maka masalah dalam Tugas Akhir

ini dapat dirumuskan sebagai berikut.

1. Bagaimana membangun sistem yang dapat mengklasifikasi kualitas biji jagung dilihat dari tekstur biji jagung?

2. Bagaimana pengaruh citra RGB dan grayscale pada akurasi sistem?

3. Bagaimana melakukan kombinasi ciri pada ekstraksi ciri statistik orde

pertama dan orde kedua agar didapatkan akurasi yang terbaik?

4. Apakah metode K-NN dapat menghasilkan akurasi yang diharapkan dalam klasifikasi kualitas biji jagung?

yang diharapkan dalam klasifikasi kualitas biji jagung? Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur
yang diharapkan dalam klasifikasi kualitas biji jagung? Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

2

BAB 1 PENDAHULUAN

BAB 1 PENDAHULUAN 1.5 Batasan Masalah Mengingat luasnya pembahasan, maka permasalahan perlu dibatasi pada: 1.

1.5

Batasan Masalah Mengingat luasnya pembahasan, maka permasalahan perlu dibatasi pada:

1.

Citra yang diolah adalah citra berwarna dengan format *.jpg.

2.

Sampel yang diambil adalah biji jagung jenis Bisma.

3.

Output sistem, yaitu: biji jagung kualitas 1, biji jagung kualitas 2, dan biji jagung kualitas 3.

4.

Sampel citra biji jagung diambil berjarak 15 cm tegak lurus dengan objek menggunakan kamera digital berukuran 12 megapiksel.

5.

Pencahayaan pada proses akuisisi citra menggunakan dua lampu LED.

6.

Mode warna citra yang dipakai dalam ekstraksi ciri adalah RGB dan Grayscale.

7.

Ekstraksi ciri menggunakan metode statistik dan klasifikasi menggunakan K- Nearest Neighbour.

1.6

Metodologi Penelitian Metode yang digunakan dalam penelitian Tugas Akhir ini adalah sebagai

berikut.

1.

Melakukan studi literatur dengan mencari, mengumpulkan, dan memahami baik berupa jurnal, artikel, buku referensi, internet, dan sumber-sumber lain yang berhubungan dengan masalah Tugas Akhir.

2.

Mengumpulkan data lapangan dan perangkat yang dibutuhkan.

3.

Merancang diagram alir sistem dan mengimplementasikannya.

4.

Melakukan simulasi sistem terhadap citra hasil pelatihan dan citra yang diuji.

5.

Menganalisa hasil yang diperoleh dari proses simulasi sistem.

6.

Menyusun laporan proses pengerjaan Tugas Akhir.

1.7

Sistematika Penulisan Pembahasan Tugas Akhir ini disusun dalam lima bab, yaitu sebagai

berikut.

BAB 1

PENDAHULUAN Berisi latar belakang, tujuan dan manfaat, perumusan dan batasan masalah, metode penelitian yang dilakukan, dan sistematika penulisan.

metode penelitian yang dilakukan, dan sistematika penulisan. Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur
metode penelitian yang dilakukan, dan sistematika penulisan. Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

3

BAB 1 PENDAHULUAN

BAB 1 PENDAHULUAN BAB 2 DASAR TEORI BAB 3 Berisi teori-teori dasar mengenai biji jagung, citra

BAB 2

DASAR TEORI

BAB 3

Berisi teori-teori dasar mengenai biji jagung, citra digital, pengolahan citra, ekstraksi ciri, dan klasifikasi. MODEL DAN PERANCANGAN SISTEM

BAB 4

Berisi diagram alir penelitian, perancangan sistem serta cara kerja sistem. ANALISIS HASIL SIMULASI SISTEM

BAB 5

Berisi data hasil pengolahan citra uji dan data hasil pengukuran tingkat akurasi citra uji. KESIMPULAN DAN SARAN Berisi kesimpulan atas hasil kerja yang telah dilakukan beserta rekomendasi dan saran untuk pengembangan dan perbaikan selanjutnya.

dan saran untuk pengembangan dan perbaikan selanjutnya. Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur
dan saran untuk pengembangan dan perbaikan selanjutnya. Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

4

BAB II DASAR TEORI

2.1 Jagung [1]

Jagung merupakan salah satu tanaman pangan dunia yang terpenting, selain gandum dan padi. Jagung sebagai sumber karbohidrat utama di Amerika Tengah dan Selatan dan menjadi alternatif sumber pangan di Amerika Serikat. Penduduk beberapa daerah di Indonesia juga menggunakan jagung sebagai pangan pokok. Selain sebagai sumber karbohidrat, jagung juga digunakan sebagai pakan ternak, diambil minyaknya, dibuat tepung (dari bulir, dikenal dengan istilah tepung jagung atau maizena), dan bahan baku industri makanan.

jagung atau maizena), dan bahan baku industri makanan. Gambar 2.1 Jagung Bisma [ 1 ] 2.1.1

Gambar 2.1 Jagung Bisma [1]

2.1.1 Jenis-Jenis jagung [2] Jenis jagung dapat dikelompokkan menurut umur dan bentuk biji.

1).

Menurut umur, dibagi menjadi 3 golongan:

a. Berumur pendek (genjah) : 75-90 hari, contoh: Genjah Warangan, Genjah Kertas, Abimanyu dan Arjuna.

b. Berumur sedang (tengahan) : 90-120 hari, contoh: Hibrida C 1, Hibrida CP 1 dan CPI 2, Hibrida IPB 4, Hibrida Pioneer 2, Malin,Metro dan Pandu.

2).

Berumur panjang : lebih dari 120 hari, contoh: Kania Putih, Bastar, Kuning, Bima dan Harapan. Menurut bentuk biji, dibagi menjadi 7 golongan:

c.

a. Indentata (Dent, "gigi-kuda")

BAB 2 DASAR TEORI

BAB 2 DASAR TEORI 3). b. Indurata ( Flint , "mutiara") c. Saccharata ( Sweet ,

3).

b. Indurata (Flint, "mutiara")

c. Saccharata (Sweet, "manis")

d. Everta (Popcorn, "berondong")

e. Amylacea (Flour corn, "tepung")

f. Glutinosa (Sticky corn, "ketan")

g. Tunicata (Podcorn, merupakan kultivar yang paling primitif dan anggota

subspesies yang berbeda dari jagung budidaya lainnya) Menurut varietas yang unggul, dibagi menjadi 2 golongan : [3]

a. Jagung Hibrida Jagung hibrida merupakan generasi pertama dari persilangan antara dua galur. Jagung hibrida dapat diperoleh dari hasil seleksi kombinasi atau biasa disebut hibridisasi. Hibridisasi merupakan perkawinan silang antara tanaman satu dengan tanaman yang lain dalam satu spesies untuk mendapatkan genotipe (sifat-sifat dalam) yang unggul. Hal ini dapat menciptakan suatu jenis atau spesies baru yang dapat meningkatkan produksi, tahan terhadap serangan hama dan penyakit serta berumur pendek. Contoh : tipe mutiara, jagung gigi kuda, setengah gigi kuda, P-21, P-12, C-7, Bisi 16, Pioneer-2, Hibrida C-1, P-11.

b. Jagung Bersari Bebas

Jagung bersari bebas adalah varietas yang seragam (homogen) dan benihnya diambil dari pertanaman sebelumnya, atau dapat dipakai terus- menerus dari setiap pertanamannya. Contoh : bisma, nakula, sadewa, bromo, arjuna.

Pada Tugas Akhir ini, jagung yang akan diklasifikasi adalah jenis jagung Bisma. Jagung Bisma dipilih karena termasuk jenis jagung yang unggul dan biasa digunakan untuk industri makanan.

2.1.2 Biji Jagung [4]

Kualitas jagung biasanya ditentukan dengan mengamati fisik biji jagung. Tingginya kerusakan dan cemaran disebabkan oleh cara penanganan yang kurang

dan cemaran disebabkan oleh cara penanganan yang kurang Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur
dan cemaran disebabkan oleh cara penanganan yang kurang Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

6

BAB 2 DASAR TEORI

BAB 2 DASAR TEORI baik seperti perontokan jagung dengan mesin dan penyimpanan jagung yang cukup lama

baik seperti perontokan jagung dengan mesin dan penyimpanan jagung yang cukup lama di gudang setelah proses pengeringan. Kriteria biji yang memiliki kualitas rendah diantaranya biji yang rusak, biji yang kusam, biji yang kotor, biji yang patah, dan biji yang kecil. Berikut ini tabel penjelasan mengenai masing-masing kriteria mutu fisik jagung :

Tabel 2.1 Definisi Untuk Masing-Masing Kriteria Mutu Fisik Jagung [4]

No.

Mutu fisik

Definisi

1.

Biji utuh

Biji jagung kering yang secara fisik keseluruhannya utuh tanpa adanya bercak, cacat ataupun jamur

2.

Biji rusak

Biji jagung yang cacat ataupun rusak akibat serangan serangga atau hama gudang.

3.

Biji patah

Biji jagung yang tidak utuh/rusak akibat proses perontokan atau pemipilan

4.

Biji kusam

Biji jagung yang berwarna cenderung gelap

Berikut ini contoh-contoh citra biji jagung berdasarkan kualitas :

ini contoh-contoh citra biji jagung berdasarkan kualitas : Gambar 2.2 Biji Jagung Kualitas 1 Gambar 2.3
ini contoh-contoh citra biji jagung berdasarkan kualitas : Gambar 2.2 Biji Jagung Kualitas 1 Gambar 2.3
ini contoh-contoh citra biji jagung berdasarkan kualitas : Gambar 2.2 Biji Jagung Kualitas 1 Gambar 2.3

Gambar 2.2 Biji Jagung Kualitas 1

berdasarkan kualitas : Gambar 2.2 Biji Jagung Kualitas 1 Gambar 2.3 Biji Jagung Kualitas 2 Sistem
berdasarkan kualitas : Gambar 2.2 Biji Jagung Kualitas 1 Gambar 2.3 Biji Jagung Kualitas 2 Sistem
berdasarkan kualitas : Gambar 2.2 Biji Jagung Kualitas 1 Gambar 2.3 Biji Jagung Kualitas 2 Sistem

Gambar 2.3 Biji Jagung Kualitas 2

Biji Jagung Kualitas 1 Gambar 2.3 Biji Jagung Kualitas 2 Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan
Biji Jagung Kualitas 1 Gambar 2.3 Biji Jagung Kualitas 2 Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

7

BAB 2 DASAR TEORI

BAB 2 DASAR TEORI Gambar 2.4 Biji Jagung Kualitas 3 Dan sebagai informasi saja, menurut standar
BAB 2 DASAR TEORI Gambar 2.4 Biji Jagung Kualitas 3 Dan sebagai informasi saja, menurut standar
BAB 2 DASAR TEORI Gambar 2.4 Biji Jagung Kualitas 3 Dan sebagai informasi saja, menurut standar
BAB 2 DASAR TEORI Gambar 2.4 Biji Jagung Kualitas 3 Dan sebagai informasi saja, menurut standar

Gambar 2.4 Biji Jagung Kualitas 3

Dan sebagai informasi saja, menurut standar SNI 01-3920-1995, kriteria kualitas fisik biji jagung dijabarkan pada tabel sebagai berikut :

Tabel 2.2 Persyaratan Mutu Jagung Berdasarkan SNI 01-3920-1995 [4]

No

 

Satuan

 

Persyaratan kualitas

Jenis uji

I

II

III

1

Kadar air

(%)

Maks 14

Maks 14

Maks 15

2

Butir rusak

(%)

Maks 2

Maks 4

Maks 6

3

Butir warna lain

(%)

Maks 1

Mak 3

Maks 7

4

Butir pecah

(%)

Maks 1

Maks 2

Maks 3

5

Kotoran

(%)

Maks 1

Maks 1

Maks 2

2.2 Citra Digital [5] Citra digital dapat dinyatakan sebagai suatu fungsi dua dimensi f(x,y),

dengan x maupun y adalah posisi koordinat sedangkan f merupakan amplitudo pada posisi (x,y) yang sering dikenal sebagai intensias atau grayscale. Nilai intensitas diskrit mulai dari 0 sampai 255, begitu pula nilai-nilai x, y, dan f(x,y) harus berada pada jangkauan atau range tertentu yang jumlahnya terbatas. Citra yang dicapture oleh kamera dan telah dikuantisasi dalam bentuk diskrit dinamakan citra digital. Citra digital tersusun dari sejumlah nilai tingkat keabuan yang disebut piksel pada posisi tertentu. Secara matematis persamaan untuk fungsi intensitas f(x,y) adalah:

0 ≤ f(x,y)<∞

(2.1)

fungsi intensitas f(x,y) adalah: 0 ≤ f(x,y)<∞ (2.1) Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur
fungsi intensitas f(x,y) adalah: 0 ≤ f(x,y)<∞ (2.1) Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

8

BAB 2 DASAR TEORI

BAB 2 DASAR TEORI Misalkan f merupakan sebuah citra digital 2 dimensi berukuran NxM. Maka representasi

Misalkan f merupakan sebuah citra digital 2 dimensi berukuran NxM. Maka representasi f dalam sebuah matriks dapat dilihat pada gambar di bawah ini, di mana f(0,0) berada pada sudut kiri atas dari matriks tersebut, sedangkan f(n-1,m- 1) berada pada sudut kanan bawah.

f

(

x

,

y

)

f

f

f

(0,0)

(1,0)

(

N

.

.

.

1,0)

f

f

f

(0,1)

(1,1)

(

N

1,1)

f

f

f

(0,

(1,

(

N

M

M

1,

M

1)

1)

1)

(2.2)

2.3 Pengolahan Citra Digital [6]

Pengolahan citra digital merupakan proses yang bertujuan untuk memanipulasi dan menganalisis citra dengan bantuan komputer. Pengolahan citra digital dapat dikelompokkan dalam dua jenis kegiatan :

1. Memperbaiki kualitas suatu gambar, sehingga dapat lebih mudah diinterpretasi oleh mata manusia.

2. Mengolah informasi yang terdapat pada suatu gambar untuk keperluan

pengenalan objek secara otomatis. Bidang aplikasi kedua yang sangat erat hubungannya dengan ilmu pengenalan pola (pattern recognition) yang umumnya bertujuan mengenali suatu objek dengan cara mengekstrak informasi penting yang terdapat pada suatu citra.

Bila pengenalan pola dihubungkan dengan pengolahan citra, diharapkan akan terbentuk suatu sistem yang dapat memproses citra masukan sehingga citra tersebut dapat dikenali polanya. Proses ini disebut pengenalan citra atau image recognition. Proses pengenalan citra ini sering diterapkan dalam kehidupan sehari-hari.

Pengolahan citra dan pengenalan pola menjadi bagian dari proses pengenalan citra. Kedua aplikasi ini akan saling melengkapi untuk mendapatkan ciri khas dari suatu citra yang hendak dikenali. Secara umum tahapan pengolahan citra digital meliputi akusisi citra, peningkatan kualitas citra, segmentasi citra, representasi dan uraian, pengenalan dan interpretasi.

citra, representasi dan uraian, pengenalan dan interpretasi. Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur
citra, representasi dan uraian, pengenalan dan interpretasi. Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

9

BAB 2 DASAR TEORI

BAB 2 DASAR TEORI 2.4 Model Citra [ 5 ] 2.4.1 RGB RGB adalah suatu model

2.4 Model Citra [5]

2.4.1 RGB RGB adalah suatu model warna yang terdiri dari merah, hijau, dan biru, digabungkan dalam membentuk suatu susunan warna yang luas. Setiap warna dasar, misalnya merah, dapat diberi rentang-nilai. Untuk monitor komputer, nilai rentangnya paling kecil = 0 dan paling besar = 255. Pilihan skala 256 ini didasarkan pada cara mengungkap 8 digit bilangan biner yang digunakan oleh mesin komputer. Dengan cara ini, akan diperoleh warna campuran sebanyak 256 x 256 x 256 = 1677726 jenis warna. Sebuah jenis warna, dapat dibayangkan sebagai sebuah vektor di ruang 3 dimensi yang biasanya dipakai dalam matematika, koordinatnya dinyatakan dalam bentuk tiga bilangan, yaitu komponen-x, komponen-y dan komponen-z. Misalkan sebuah vektor dituliskan sebagai r = (x,y,z). Untuk warna, komponen-komponen tersebut digantikan oleh komponen R(ed), G(reen), B(lue). Jadi, sebuah jenis warna dapat dituliskan sebagai berikut:

warna = RGB(30, 75, 255). Putih = RGB (255,255,255), sedangkan untuk hitam=

RGB(0,0,0).

= RGB (255,255,255), sedangkan untuk hitam= RGB(0,0,0). Gambar 2.5 Citra RGB [ 5 ] 2.4.2 Citra

Gambar 2.5 Citra RGB [5]

2.4.2 Citra Grayscale

Dalam komputasi, suatu citra digital grayscale adalah suatu citra dimana nilai dari setiap piksel merupakan sampel tunggal. Citra yang ditampilkan dari citra jenis ini terdiri atas warna abu-abu, bervariasi pada warna hitam pada bagian yang intensitas terlemah dan warna putih pada intensitas terkuat. Citra grayscale berbeda dengan citra ”hitam-putih”, dimana pada konteks komputer, citra hitam putih hanya terdiri atas 2 warna saja yaitu ”hitam” dan ”putih” saja. Pada citra

saja yaitu ”hitam” dan ”putih” saja. Pada citra Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur
saja yaitu ”hitam” dan ”putih” saja. Pada citra Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

10

BAB 2 DASAR TEORI

BAB 2 DASAR TEORI grayscale warna bervariasi antara hitam dan putih, tetapi variasi warna diantaranya sangat

grayscale warna bervariasi antara hitam dan putih, tetapi variasi warna diantaranya sangat banyak. Citra grayscale seringkali merupakan perhitungan dari intensitas cahaya pada setiap piksel pada spektrum elektromagnetik single band. Citra grayscale disimpan dalam format 8 bit untuk setiap sample piksel, yang memungkinkan sebanyak 256 intensitas. Format ini sangat membantu dalam pemrograman karena manupulasi bit yang tidak terlalu banyak. Pada aplikasi lain seperti pada aplikasi medical imaging dan remote sensing biasa juga digunakan format 10,12 maupun 16 bit. Model penyimpanannya adalah f(x,y) = nilai intensitas, dengan x dan y merupakan posisi nilai intensitas.

dengan x dan y merupakan posisi nilai intensitas. Gambar 2.6 Citra Grayscale dari Biji Jagung Bisma

Gambar 2.6 Citra Grayscale dari Biji Jagung Bisma Kualitas Satu

2.5 Analisis Tekstur [7]

Tekstur merupakan karakteristik intrinsik dari suatu citra yang terkait dengan tingkat kekasaran (roughness), granulitas (granulation), dan keteraturan (regularity) susunan struktural piksel. Aspek tekstural dari sebuah citra dapat dimanfaatkan sebagai dasar dari segmentasi, klasifikasi, maupun interpretasi citra.

Tekstur dapat didefinisikan sebagai fungsi dari variasi spasial intensitas piksel (nilai keabuan) dalam citra. Berdasarkan strukturnya, tekstur dapat diklasifikasikan dalam dua golongan :

a. Makrostruktur

Tekstur makrostruktur memiliki perulangan pola lokal secara periodik pada suatu daerah citra, biasanya terdapat pada pola-pola buatan manusia dan cenderung mudah untuk direpresentasikan secara matematis.

cenderung mudah untuk direpresentasikan secara matematis. Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur
cenderung mudah untuk direpresentasikan secara matematis. Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

11

BAB 2 DASAR TEORI

BAB 2 DASAR TEORI b. Mikrostruktur Pada tekstur mikrostruktur, pola-pola lokal dan perulangan tidak terjadi begitu

b. Mikrostruktur

Pada tekstur mikrostruktur, pola-pola lokal dan perulangan tidak terjadi begitu jelas, sehingga tidak mudah untuk memberikan definisi tekstur yang komprehensif.

Contoh

gambar

berikut

ini

menunjukkan

perbedaan

tekstur

makrostruktur

dan

mikrostruktur

(atas

:

makrostruktur

;

bawah

:

mikrostruktur).

: makrostruktur ; bawah : mikrostruktur). Gambar 2.7 Contoh tekstur visual [ 7 ] Analisis tekstur

Gambar 2.7 Contoh tekstur visual [7]

Analisis tekstur bekerja dengan mengamati pola ketetanggaan antar piksel dalam domain spasial. Analisis tekstur lazim dimanfaatkan sebagai proses antara untuk melakukan klasifikasi dan interpretasi citra. Suatu proses klasifikasi citra berbasis analisis tekstur pada umumnya membutuhkan tahapan ekstraksi ciri, yang dapat terbagi dalam tiga macam metode berikut :

a. Metode statistik Metode statistik menggunakan perhitungan statistik distribusi derajat keabuan (histogram) dengan 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).

dari sub pola dan himpunan aturan (mikrostruktur). Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur
dari sub pola dan himpunan aturan (mikrostruktur). Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

12

BAB 2 DASAR TEORI

BAB 2 DASAR TEORI b. Metode spektral Metode spektral berdasarkan pada fungsi autokorelasi suatu daerah atau

b. Metode spektral Metode spektral berdasarkan pada fungsi autokorelasi suatu daerah atau power distribution pada domain transformasi Fourier dalam mendeteksi periodisitas tekstur.

c. Metode struktural Analisis dengan metode ini menggunakan deskripsi primitif tekstur dan aturan sintaktik. Metode struktural banyak digunakan untuk pola- pola makrostruktur.

Ekstraksi ciri statistik dapat dilakukan dalam orde pertama dan orde kedua. Ekstraksi ciri orde pertama dilakukan melalui histogram citra. Ekstraksi ciri statistik orde kedua dilakukan dengan matriks kookurensi, yaitu suatu matriks antara yang merepresentasikan hubungan ketetanggaan antar piksel dalam citra pada berbagai arah orientasi dan jarak spasial.

2.6 Ekstraksi Ciri Statistik [7]

Ekstraksi ciri dilakukan untuk mendapatkan pola dari suatu citra yang akan dilatih maupun citra yang akan diuji. Metode ekstraksi ciri yang digunakan adalah ekstraksi ciri statistik. Metode ini menggunakan perhitungan statistik distribusi derajat keabuan (histogram) dengan mengukur tingkat kekontrasan, granularitas, dan kekasaran suatu daerah dari hubungan ketetanggaan antar piksel di dalam citra. Ekstraksi ciri statistik terbagi menjadi dua yaitu ekstraksi ciri statistik orde pertama dan orde kedua. Ekstraksi ciri orde pertama dilakukan melalui histogram citra. Ekstraksi ciri statistik orde kedua dilakukan dengan matriks kookurensi,

yaitu suatu matriks antara yang merepresentasikan hubungan ketetanggaan antar piksel dalam citra pada berbagai arah orientasi dan jarak spasial.

dalam citra pada berbagai arah orientasi dan jarak spasial. Gambar 2.8 Ilustrasi Ekstraksi Ciri Statistik [
dalam citra pada berbagai arah orientasi dan jarak spasial. Gambar 2.8 Ilustrasi Ekstraksi Ciri Statistik [

Gambar 2.8 Ilustrasi Ekstraksi Ciri Statistik [7]

Gambar 2.8 Ilustrasi Ekstraksi Ciri Statistik [ 7 ] Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur
Gambar 2.8 Ilustrasi Ekstraksi Ciri Statistik [ 7 ] Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

13

BAB 2 DASAR TEORI

BAB 2 DASAR TEORI Keterangan Gambar 2.8 : Kiri : Histogram intensitas pada citra. citra sebagai

Keterangan Gambar 2.8 :

Kiri

:

Histogram

intensitas pada citra.

citra

sebagai

fungsi

probabilitas

kemunculan

nilai

Kanan : Hubungan ketetanggaan antar piksel sebagai fungsi orientasi dan jarak spasial.

2.6.1 Ekstraksi Ciri Orde Pertama [7] Ekstraksi ciri orde pertama merupakan metode pengamatan 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 orde pertama, antara lain adalah mean, skewness, variances, kurtosis, dan entropy.

a. Mean (µ) Menunjukkan ukuran dispersi dari suatu citra. µ =

(2.3)

Dimana f n merupakan suatu nilai intensitas keabuan, sementara p(f n ) menunjukkan nilai histogram (probabilitas kemunculan intensitas tersebut pada citra).

b. Variance 2 ) Menunjukkan variasi elemen pada histogram dari suatu citra.

σ 2 =

c. Skewness 3 )

– μ) 2 p(

)

(2.4)

Menunjukkan tingkat kemencengan relatif kurva histogram dari suatu citra.

α 3 = σ

d. Kurtosis 4 )

– μ) 3 p(

)

(2.5)

Menunjukkan tingkat keruncingan relatif kurva histogram dari suatu citra.

α 4 = σ

– μ) 4 p(

) 3

(2.6)

suatu citra. α 4 = σ – μ) 4 p( ) – 3 (2.6) Sistem Klasifikasi
suatu citra. α 4 = σ – μ) 4 p( ) – 3 (2.6) Sistem Klasifikasi

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

14

BAB 2 DASAR TEORI

BAB 2 DASAR TEORI e. Entropy (H) Menunjukkan ukuran ketidakteraturan bentuk dari suatu citra. H =

e. Entropy (H) Menunjukkan ukuran ketidakteraturan bentuk dari suatu citra.

H = -

2 log p(

)

(2.7)

2.6.2 Ekstraksi Ciri Orde Kedua [8]

Pada beberapa kasus, ciri orde pertama tidak lagi dapat digunakan untuk mengenali perbedaan antar citra. Pada kasus seperti ini, kita membutuhkan pengambilan ciri statistik orde dua.

Salah satu teknik untuk memperoleh ciri statistik orde dua adalah dengan menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan orientasi sudut tertentu. Pendekatan ini bekerja dengan membentuk sebuah matriks kookurensi dari data citra, dilanjutkan dengan menentukan ciri sebagai fungsi dari matriks antara tersebut.

Kookurensi berarti kejadian bersama, yaitu jumlah kejadian satu level nilai piksel bertetangga dengan satu level nilai piksel lain dalam jarak (d) dan orientasi sudut (θ) tertentu. Jarak dinyatakan dalam piksel dan orientasi dinyatakan dalam derajat. Orientasi dibentuk dalam empat arah sudut dengan interval sudut 45°, yaitu 0°, 45°, 90°, dan 135°. Sedangkan jarak antar piksel biasanya ditetapkan sebesar 1 piksel.

Matriks kookurensi merupakan matriks bujursangkar dengan jumlah elemen sebanyak kuadrat jumlah level intensitas piksel pada citra. Setiap titik (p,q) pada matriks kookurensi berorientasi θ berisi peluang kejadian piksel bernilai p bertetangga dengan piksel bernilai q pada jarak d serta orientasi θ dan

(180−θ).

Berikut ini adalah langkah mendapatkan matriks kookurensi :

1. Misalkan ada citra masukan dengan intensitas 2 bit seperti pada Gambar 2.9 dan pada citra masukan tersebut memiliki nilai intensitas seperti Gambar

2.10.

tersebut memiliki nilai intensitas seperti Gambar 2.10. Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur
tersebut memiliki nilai intensitas seperti Gambar 2.10. Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

15

BAB 2 DASAR TEORI

BAB 2 DASAR TEORI Gambar 2.9 Citra Masukan [ 8 ] 1 0 3 2 1
BAB 2 DASAR TEORI Gambar 2.9 Citra Masukan [ 8 ] 1 0 3 2 1

Gambar 2.9 Citra Masukan [8]

1

0

3

2

1

0

2

0

1

2

3

2

1

0

2

0

1

2

3

0

2

3

2

0

1

0

3

0

1

3

2

0

1

2

3

Gambar 2.10 Nilai Intensitas Citra Masukan [8]

2. Lakukan iterasi untuk setiap sudut seperti pada Gambar 2.8.

3. Lakukan iterasi sudut 0 o pada matriks 4 x 4, nilai 4 berasal dari 2 pangkat 2 bit, berikut ini matriks iterasi 0 (awal).

Tabel 2.3 Matriks Iterasi 0 Sudut 0 o[8]

1

2

3

4

1 0

0

0

0

2 0

0

0

0

3 0

0

0

0

4 0

0

0

0

4. Lakukan iterasi ke-1 (i=1, j=1) sudut 0 o (i = baris dan j = kolom).

Rumus iterasi sudut 0 o : p = citra masukan (i,j) + 1 dan q = citra masukan (i,j

+ 1) + 1, pada kasus ini nilai citra masukan (i=1, j=1) = 1 maka nilai p = 1 + 1

= 2 dan nilai tetangga sudut 0 o yaitu (i,j + 1) = (1,1 + 1) = (1,2) = 0 maka nilai

q = 0 + 1 = 1. Dari perhitungan didapatkan p = 2 dan q = 1, p dan q menyatakan indeks pada matriks iterasi. Lalu masukkan nilai iterasi pada Tabel 2.4 dengan rumus nilai pada indeks (p,q) + 1, maka didapatkan nilai

indeks (2,1) = 0 + 1 = 1.

Tabel 2.4 Matriks Iterasi 1 Sudut 0 o[8]

1

2

3

4

1 0

0

0

0

2 1

0

0

0

3 0

0

0

0

4 0

0

0

0

0 0 0 3 0 0 0 0 4 0 0 0 0 Sistem Klasifikasi Kualitas
0 0 0 3 0 0 0 0 4 0 0 0 0 Sistem Klasifikasi Kualitas

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

16

BAB 2 DASAR TEORI

BAB 2 DASAR TEORI 5. Lakukan iterasi ke-2 (i=1, j=2) sudut 0 o . Dengan cara

5. Lakukan iterasi ke-2 (i=1, j=2) sudut 0 o . Dengan cara yang sama nilai citra masukan (i=1, j=2) = 0, maka nilai p = 0

+

1 = 1 dan nilai tetangga sudut 0 o (i,j + 1) = (1,2 + 1) = (1,3) = 3 maka nilai

q

= 3 + 1 = 4. Dari perhitungan didapatkan p = 1 dan q = 4 maka nilai pada

indeks (p,q) = (1,4) + 1 = 0 + 1 = 1, seperti ditunjukkan pada Tabel 2.5.

Tabel 2.5 Matriks Iterasi 2 Sudut 0 o[8]

1

2

3

4

1 0

0

0

1

2 1

0

0

0

3 0

0

0

0

4 0

0

0

0

6. Proses berlanjut hingga iterasi terakhir pada 0 o , dengan menggunakan MATLAB berikut ini adalah hasil akhir tabel iterasi sudut 0 o seperti pada gambar Tabel 2.6.

Tabel 2.6 Matriks Akhir Iterasi Sudut 0 o[8]

1

2

3

4

1 0

8

5

4

2 8

0

5

1

3 5

5

0

7

4 4

1

7

0

7. Selanjutnya akan dilakukan normalisasi sehingga menghasilkan matriks

kookurensi dengan cara membagi setiap nilai piksel pada hasil akhir tabel iterasi sudut 0 o dengan jumlah seluruh piksel pada hasil akhir tabel tersebut. Setiap nilai piksel pada Tabel 2.6 dibagi dengan jumlah seluruh piksel pada Tabel 2.6 karena matriks kookurensi berisi peluang kejadian piksel bernilai

p bertetangga dengan piksel bernilai q.

Jumlah seluruh piksel Tabel 2.6 adalah 60, lalu setiap nilai piksel pada

Tabel. 2.6 dinormalisasi terhadap jumlah piksel Tabel 2.6 :

a) (1,1) / 60 = 0 / 60 = 0

b) (1,2) / 60 = 8 / 60 = 0,1333

: a) (1,1) / 60 = 0 / 60 = 0 b) (1,2) / 60 =
: a) (1,1) / 60 = 0 / 60 = 0 b) (1,2) / 60 =

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

17

BAB 2 DASAR TEORI

BAB 2 DASAR TEORI c) (1,3) / 60 = 5 / 60 = 0,0833 d) Dan

c) (1,3) / 60 = 5 / 60 = 0,0833

d) Dan seterusnya hingga (4,4)

Tabel 2.7 menunjukkan matriks kookurensi sudut 0 o :

Tabel 2.7 Matriks Kookurensi Sudut 0 o (M(0)) [8]

 

1

2

3

4

1

0

0,1333

0,0833

0,0667

2

0,1333

0

0,0833

0,0167

3

0,0833

0,0833

0

0,1167

4

0,0667

0,0167

0,1167

0

8. Proses iterasi berlangsung sama untuk semua sudut yaitu 45 o , 90 o , dan 135 o yang membedakan hanyalah proses pengambilan tetangga harus sesuai dengan sudut yang digunakan. Berikut ini adalah tabel-tabel yang menunjukkan matriks kookurensi dari sudut 45 o , 90 o , dan 135 o .

Tabel 2.8 Matriks Kookurensi Sudut 45 o (M(45)) [8]

0,1667

0

0,0833

0,0417

0

0

0,1042

0,125

0,0833

0,1042

0,0833

0,0208

0,0417

0,125

0,0208

0

Tabel 2.9 Matriks Kookurensi Sudut 90 o (M(90)) [8]

0

0,1429

0,1071

0,0536

0,1429

0

0,0536

0,0179

0,1071

0,0536

0

0,125

0,0536

0,0179

0,125

0

0,0536 0 0,125 0,0536 0,0179 0,125 0 Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur
0,0536 0 0,125 0,0536 0,0179 0,125 0 Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

18

BAB 2 DASAR TEORI

BAB 2 DASAR TEORI Tabel 2.10 Matriks Kookurensi Sudut 135 o (M(135)) [ 8 ] 0,2083

Tabel 2.10 Matriks Kookurensi Sudut 135 o (M(135)) [8]

0,2083

0

0,0833

0

0

0,2083

0,0208

0

0,0833

0,0208

0,1667

0

0

0

0

0,2083

Setelah memperoleh matriks kookurensi dari masing-masing sudut maka akan

dicari matriks kookurensi rata-rata ( M rata-rata ) dengan persamaan :

M rata-rata = (M(0) + M(45) + M(90) + M(135)) / 4 (2.8)

Ciri statistik orde kedua dapat dihitung berdasarkan p(i,j) dari matriks kookurensi

rata-rata. Beberapa parameter ciri orde kedua, antara lain :

a. Angular Second Moment

Menunjukkan ukuran sifat homogenitas citra.

(2.9)

Dimana p(i,j) menyatakan nilai pada baris I dan kolom j pada matriks kookurensi.

b. Contrast

Menunjukkan ukuran penyebaran (momen inersia) elemen-elemen matriks citra. Jika letaknya jauh dari diagonal utama, nilai kekontrasan besar. Secara visual, nilai kekontrasan adalah ukuran variasi antar derajat keabuan suatu daerah citra.

c. Correlation

(2.10)

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

(2.11)

petunjuk adanya struktur linear dalam citra. (2.11) Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur
petunjuk adanya struktur linear dalam citra. (2.11) Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

19

BAB 2 DASAR TEORI

BAB 2 DASAR TEORI d. Variance Menunjukkan variasi elemen-elemen matriks kookurensi. Citra dengan transisi derajat keabuan

d. Variance

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

e. Invers Different Moment

(2.12)

(2.13)

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

f. Entropy

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

2.7 K-Nearest Neighbor [9]

(2.14)

Algoritma K- Nearest Neighbor (K-NN) adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Data pembelajaran diproyeksikan ke ruang berdimensi banyak, dimana masing-masing dimensi merepresentasikan fitur dari data. Ruang ini dibagi menjadi bagian-bagian berdasarkan klasifikasi data

pembelajaran. Sebuah titik pada ruang ini ditandai kelas c jika kelas c merupakan klasifikasi yang paling banyak ditemui pada k buah tetangga terdekat titik tersebut. Dekat atau jauhnya tetangga dihitung berdasarkan jarak Euclidean, Correlation, Cosine, dan Cityblock. Berikut rumus-rumus perhitungan jarak :

a. Euclidean distance Sebagai contoh, untuk menghiutng jarak antara dua titik X s dan X t dengan metode Euclidean, digunakan rumus :

(2.15)

X t dengan metode Euclidean , digunakan rumus : (2.15) Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan
X t dengan metode Euclidean , digunakan rumus : (2.15) Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

20

BAB 2 DASAR TEORI

BAB 2 DASAR TEORI b. Cityblock distance Untuk menghitung jarak antara dua titik X s dan

b.

Cityblock distance Untuk menghitung jarak antara dua titik X s dan X t dengan metode Cityblock, digunakan rumus :

(2.16)

c.

Cosine distance Dalam Cosine distance, titik-titik dianggap sebagai vektor, dan dilakukan pengukuran terhadap sudut antara dua vektor tersebut. Untuk memperoleh jarak dua vektor x s dan x t , memakai rumus sebagai berikut :

(2.17)

dengan

d.

Correlation distance Dalam Correlation distance, titik-titik dianggap sebagai barisan nilai, jarak antar nilai x s dan x t , memakai rumus sebagai berikut :

dimana,

Algoritma K-NN :

(2.18)

Tentukan nilai k.

Hitung jarak antara data baru ke setiap labeled data.

Tentukan k labeled data yang mempunyai jarak yang paling minimal.

Klasifikasikan data baru ke dalam labeled data yang mayoritas

Jika dibandingkan dengan metode klasifikasi yang lain, metode ini memiliki tingkat keakuratan yang cukup tinggi karena data yang masuk akan diklasifikasikan berdasarkan kemiripan ciri yang ada dari data sebelumnya yang

kemiripan ciri yang ada dari data sebelumnya yang Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur
kemiripan ciri yang ada dari data sebelumnya yang Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

21

BAB 2 DASAR TEORI

BAB 2 DASAR TEORI sudah diklasifikasikan. Namun, pada algoritma K-NN perlu menentukan nilai dari paremeter k

sudah diklasifikasikan. Namun, pada algoritma K-NN perlu menentukan nilai dari paremeter k (jumlah tetangga terdekat) dan pembelajaran berdasarkan jarak tidak jelas mengenai jenis jarak apa yang harus digunakan dan atribut mana yang harus digunakan untuk mendapatkan hasil yang terbaik.

2.8 Matlab (Matrix Laboratory) [10]

Matlab adalah salah satu software aplikasi untuk menyelesaikan berbagai masalah teknis. Matlab mengintegrasikan komputasi, visualisasi, dan pemrograman dalam suatu model yang sangat mudah untuk dipakai, dimana masalah-masalah dan penyelesaiannya diekspresikan dalam notasi matematika yang familiar. Penggunaan Matlab meliputi bidang-bidang:

Matematika dan Komputasi

Pembentukan Algoritma

Akusisi Data

Pemodelan, Simulasi, dan Pembuatan Prototipe

Analisa Data, Eksplorasi, dan Visualisasi

Grafik Keilmuan dan Bidang Rekayasa Matlab merupakan suatu sistem interaktif yang memiliki elemen data dalam suatu array sehingga memungkinkan untuk memecahkan banyak masalah teknis yang terkait dengan komputasi, khususnya yang berhubungan dengan matriks dan formulasi vektor. Fitur-fitur Matlab sudah banyak dikembangkan yang lebih dikenal dengan nama toolbox. Toolbox merupakan kumpulan dari fungsi-fungsi Matlab (M-files) yang telah dikembangkan ke suatu lingkungan kerja Matlab untuk memecahkan masalah. Area-area yang sudah bisa dipecahkan dengan toolbox saat ini meliputi pengolahan sinyal, sistem kontrol, neural networks, fuzzy logic, wavelets, dan lain-lain.

neural networks , fuzzy logic , wavelets , dan lain-lain. Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan
neural networks , fuzzy logic , wavelets , dan lain-lain. Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

22

BAB III MODEL DAN PERANCANGAN SISTEM

3.1 Perangkat Perancangan Sistem

Pada Tugas Akhir ini digunakan perangkat keras (hardware) dan perangkat lunak (software). Spesifikasi perangkat keras yang digunakan untuk membangun sistem ini

adalah sebagai berikut:

1. Acer Core TM 2 Duo processor T5800

2. RAM 1GB

3. Hard disk 250 GB

4. Monitor

5. Keyboard, Touchpad dan mouse.

Spesifikasi perangkat lunak yang digunakan untuk membangun sistem ini adalah sebagai berikut :

1. Sistem Operasi Windows 7 Home Premium

2. Matlab 7.8.0 (R2009a)

Sedangkan, minimum requirement untuk dapat menggunakan sistem ini adalah sudah melakukan instalasi Matlab pada perangkat yang akan digunakan.

3.2 Model Sistem Klasifikasi Kualitas Biji Jagung

Klasifikasi Kualitas Biji Preprocessing Ekstraksi Ciri Jagung
Klasifikasi Kualitas Biji
Preprocessing
Ekstraksi Ciri
Jagung

Output

Kualitas Biji Preprocessing Ekstraksi Ciri Jagung Output Citra Biji Jagung Gambar 3.1 Model Sistem Klasifikasi

Citra Biji Jagung

Preprocessing Ekstraksi Ciri Jagung Output Citra Biji Jagung Gambar 3.1 Model Sistem Klasifikasi Kualitas Biji Jagung
Preprocessing Ekstraksi Ciri Jagung Output Citra Biji Jagung Gambar 3.1 Model Sistem Klasifikasi Kualitas Biji Jagung

Gambar 3.1 Model Sistem Klasifikasi Kualitas Biji Jagung

BAB 3 MODEL DAN PERANCANGAN SISTEM

BAB 3 MODEL DAN PERANCANGAN SISTEM Sistem klasifikasi kualitas biji jagung terdiri dari tiga blok utama,

Sistem klasifikasi kualitas biji jagung terdiri dari tiga blok utama, yaitu:

preprocessing, ekstraksi ciri, dan klasifikasi. Sampel akan diolah oleh sistem klasifikasi dan hasilnya berupa klasifikasi kualitas biji jagung. Sistem akan dirancang menggunakan tampilan Graphical User Interface sehingga tampil lebih menarik dan mudah dioperasikan.

3.3 Diagram Alir Klasifikasi Kualitas Biji Jagung Proses klasifikasi kualitas biji jagung terbagi menjadi dua skenario, yaitu :

pembuatan database dan pengujian sistem klasifikasi. Prinsipnya, citra latih dan citra uji yang telah diekstraksi dibandingkan jarak terdekatnya dengan K-Nearest Neighbor. Jarak yang terdekat menunjukkan kemiripan suatu citra. Hasil dari kemiripan tersebut berupa kualitas biji jagung pada keluaran. Berikut adalah diagram alir dari sistem klasifikasi kualitas biji jagung yang terdiri dari pembuatan database dan proses pengujian.

Mulai Mulai Citra Latih Citra Uji Preprocessing Preprocessing Pengubahan mode warna citra Pengubahan mode warna
Mulai
Mulai
Citra Latih
Citra Uji
Preprocessing
Preprocessing
Pengubahan mode warna citra
Pengubahan mode warna citra
Ekstraksi ciri dengan Statistik
Ekstraksi ciri dengan Statistik
Orde Pertama dan Orde Kedua
Orde Pertama dan Orde Kedua
Database ciri citra
Penentuan kombinasi ciri
latih
(a)
Data ciri citra uji
Tentukan metode pengukuran
jarak dan nilai k
Blok k-NN
Klasifikasi kualitas biji jagung
Kualitas biji jagung
Selesai

(b)

Gambar 3.2 (a) Diagram Alir Pembuatan Database (b) Diagram Alir Pengujian

Diagram Alir Pembuatan Database (b) Diagram Alir Pengujian Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur
Diagram Alir Pembuatan Database (b) Diagram Alir Pengujian Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

24

BAB 3 MODEL DAN PERANCANGAN SISTEM

BAB 3 MODEL DAN PERANCANGAN SISTEM Database pada sistem adalah ciri dari masing-masing kualitas biji jagung

Database pada sistem adalah ciri dari masing-masing kualitas biji jagung pada citra latih yang disimpan dalam file *.mat. Melalui database ciri citra latih tersebut, maka digunakan untuk membandingkan ciri citra latih dengan ciri citra uji dalam klasifikasi. Pengujian pada sistem klasifikasi adalah pengujian berdasarkan parameter uji yang digunakan. Dalam fase pengujian akan dilakukan uji pengaruh penggunaan kombinasi ciri yang diekstraksi oleh statistik orde pertama dan orde kedua, jumlah k, dan metode pengukuran jarak pada K-Nearest Neighbor terhadap akurasi sistem.

3.3.1 Pengambilan Sampel Citra Biji Jagung

Pengambilan sampel citra biji jagung dilakukan dengan meng-capture citra sampel biji jagung menggunakan kamera digital berukuran 12 megapiksel. Sampel biji jagung yang tersedia sekitar 500 gram per kualitas. Langkah-langkah dalam akuisisi citra diantaranya : menaruh sampel biji jagung sebanyak 3 genggam di atas wadah, kemudian wadah tersebut diletakkan di dalam kotak yang telah dibuat khusus, posisi kamera tegak lurus dengan objek dan dengan ketinggian 15 cm, serta pengaturan cahaya menggunakan 2 lampu LED di dua sisi objek, lalu dilakukan pengambilan citra.

Mulai Sampel biji jagung
Mulai
Sampel biji
jagung

Penempatan sampel ke

dalam kotak

Sampel biji jagung Penempatan sampel ke dalam kotak Pengaturan penyinaran Pengambilan citra Selesai Gambar 3.3

Pengaturan penyinaran

Penempatan sampel ke dalam kotak Pengaturan penyinaran Pengambilan citra Selesai Gambar 3.3 Diagram Alir

Pengambilan citra

Selesai
Selesai

Gambar 3.3 Diagram Alir Pengambilan Sampel Citra Biji Jagung

3.3 Diagram Alir Pengambilan Sampel Citra Biji Jagung Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur
3.3 Diagram Alir Pengambilan Sampel Citra Biji Jagung Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

25

BAB 3 MODEL DAN PERANCANGAN SISTEM

BAB 3 MODEL DAN PERANCANGAN SISTEM 3.3.2 Preprocessing Preprocessing adalah tahapan yang dilakukan sebelum melakukan

3.3.2

Preprocessing

Preprocessing adalah tahapan yang dilakukan sebelum melakukan ekstraksi ciri. Tahapan yang dilakukan dalam preprocessing adalah sebagai berikut.

Mulai Input Citra
Mulai
Input Citra

Cropping

Citra Hasil Cropping Selesai
Citra Hasil
Cropping
Selesai

Gambar 3.4 Diagram Alir Preprocessing

Proses cropping dilakukan untuk menghilangkan bagian-bagian citra yang tidak perlu dan didapat citra dengan ukuran yang seragam dengan ukuran 2000 x 2000. Citra hasil cropping ini berikutnya akan masuk ke proses ekstraksi ciri dengan terlebih dahulu diubah ke mode warna grayscale, red, green, dan blue untuk mengetahui mode warna yang paling baik untuk akurasi sistem.

mengetahui mode warna yang paling baik untuk akurasi sistem. Gambar 3.5 Citra Sebelum dan Sesudah Cropping
mengetahui mode warna yang paling baik untuk akurasi sistem. Gambar 3.5 Citra Sebelum dan Sesudah Cropping
mengetahui mode warna yang paling baik untuk akurasi sistem. Gambar 3.5 Citra Sebelum dan Sesudah Cropping

Gambar 3.5 Citra Sebelum dan Sesudah Cropping

sistem. Gambar 3.5 Citra Sebelum dan Sesudah Cropping Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur
sistem. Gambar 3.5 Citra Sebelum dan Sesudah Cropping Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

26

BAB 3 MODEL DAN PERANCANGAN SISTEM

BAB 3 MODEL DAN PERANCANGAN SISTEM 3.3.3 Pengubahan Mode Warna Citra Citra Hasil Cropping Ambil layer

3.3.3 Pengubahan Mode Warna Citra

Citra Hasil Cropping
Citra Hasil
Cropping
Ambil layer red Citra red Ambil layer Citra green green Ekstraksi Ciri Ambil layer blue
Ambil layer red
Citra red
Ambil layer
Citra green
green
Ekstraksi Ciri
Ambil layer blue
Citra blue
Konversi dari
Citra
RGB ke
grayscale
Grayscale

Gambar 3.6 Proses Pengubahan Mode Warna Citra

Citra awal yang masuk ke dalam sistem merupakan citra RGB berukuran 3000 x 4000 dengan format JPEG. Setelah melalui tahap cropping dalam sistem, citra yang dihasilkan berukuran 2000 x 2000. Citra tersebut diubah ke 4 mode warna, yaitu red, green, blue, dan grayscale. Pengubahan warna ini dilakukan untuk mengetahui mode warna yang memiliki akurasi paling baik di dalam sistem.

warna yang memiliki akurasi paling baik di dalam sistem. (a) (b) (c) (d) Gambar 3.7 (a)

(a)

(b)

(c)

(d)

Gambar 3.7 (a) Citra Red (b) Citra Green (c) Citra Blue (d) Citra Grayscale

3.3.4 Ekstraksi Ciri

Ekstraksi ciri dilakukan untuk mendapatkan ciri tekstur dari citra biji jagung yang akan dilatih maupun citra yang akan diuji. Citra yang akan diekstrak untuk database ciri latih sebanyak 45 citra biji jagung, sedangkan citra yang diekstrak untuk pengujian sebanyak 135 citra biji jagung. Setelah mengalami proses

sebanyak 135 citra biji jagung. Setelah mengalami proses Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur
sebanyak 135 citra biji jagung. Setelah mengalami proses Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

27

BAB 3 MODEL DAN PERANCANGAN SISTEM

BAB 3 MODEL DAN PERANCANGAN SISTEM pengubahan warna, citra diekstrak dengan metode ekstraksi ciri statistik orde

pengubahan warna, citra diekstrak dengan metode ekstraksi ciri statistik orde pertama dan orde kedua. Ciri orde pertama terdiri dari lima parameter ciri, yaitu mean, variance, skewness, kurtosis, dan entropy. Sedangkan ciri orde kedua terdiri dari enam parameter ciri, yaitu angular second moment, contrast, correlation, variance, invers different moment, dan entropy. Ciri latih yang disimpan akan dibandingkan dengan ciri citra uji pada tahapan klasifikasi.

Mean Variance Skewness Orde Satu Kurtosis Entropy Ekstraksi Ciri Citra Latih Angular Second Moment Orde
Mean
Variance
Skewness
Orde Satu
Kurtosis
Entropy
Ekstraksi Ciri
Citra Latih
Angular Second
Moment
Orde Dua
Contrast
Correlation
Variance
Inverse Different
Moment
Entropy

Gambar 3.8 Blok Diagram Ekstraksi Ciri

3.3.5 Penentuan Kombinasi Ciri

Pada tahap pengujian, setelah tahap ekstraksi ciri akan ditentukan ciri-ciri yang akan digunakan. Penentuan dilakukan dengan cara menguji akurasi dari setiap ciri orde pertama dan orde kedua. Pada tahap ini, diberi batasan bahwa ciri yang memiliki akurasi lebih dari 55 % yang diambil. Ciri yang diambil ini lalu

saling dikombinasikan untuk mengetahui kombinasi ciri yang menghasilkan akurasi terbaik dan harus sesuai target yang diharapkan yaitu lebih dari 80 %.

harus sesuai target yang diharapkan yaitu lebih dari 80 %. Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan
harus sesuai target yang diharapkan yaitu lebih dari 80 %. Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

28

BAB 3 MODEL DAN PERANCANGAN SISTEM

BAB 3 MODEL DAN PERANCANGAN SISTEM Pengubahan mode Mulai Citra Uji Preprocessing warna citra Pilih satu
Pengubahan mode Mulai Citra Uji Preprocessing warna citra Pilih satu ciri dari Klasifikasi dengan Ciri
Pengubahan mode
Mulai
Citra Uji
Preprocessing
warna citra
Pilih satu ciri dari
Klasifikasi dengan
Ciri tidak dipilih
Tidak
Akurasi > 55 % ?
statistik orde pertama
K-NN (default)
dan orde kedua
Ya
Ciri dipilih
Kombinasi ciri
Selesai

Gambar 3.9 Diagram Alir Penentuan Kombinasi Ciri

Seperti yang sudah dijelaskan sebelumnya, kombinasi ciri dilakukan pada ciri yang ketika diuji memiliki akurasi lebih dari 55 %. Dari ciri yang didapat akan saling dikombinasikan hingga kombinasi n ciri. Sebagai contoh, jika ada 6 ciri yang memiliki akurasi lebih dari 55 % maka akan dilakukan kombinasi- kombinasi ciri antara lain : kombinasi 2 ciri, kombinasi 3 ciri, kombinasi 4 ciri, kombinasi 5 ciri, dan kombinasi 6 ciri. Setelah didapat akurasi masing-masing dari kombinasi ciri, akan dianalisis kombinasi ciri yang menghasilkan akurasi tertinggi. Kombinasi ciri dengan akurasi tertinggi akan dipakai saat menganalisa pengujian menggunakan K-Nearest Neighbor.

3.3.6 Klasifikasi dengan K- Nearest Neighbor

K- Nearest Neighbor (K-NN) adalah metode pengukuran kemiripan yang sederhana. Penelitian Tugas akhir ini menggunakan empat cara dalam pengukuran kemiripannya, yaitu berdasarkan Euclidean, Cosine, Correlation, dan Cityblock.

Euclidean dan Cityblock tergolong dalam metode pengukuran kemiripan berdasarkan geometrik, sedangkan Correlation dan Cosine tergolong dalam metode pengukuran kemiripan berdasarkan himpunan. Analisis yang dilakukan pada K-NN adalah pengaruh penggunaan pengukuran kemiripan dan nilai k yang digunakan terhadap akurasi sistem dalam mengklasifikasi kualitas biji jagung. Nilai k yang di uji adalah 1, 3, dan 5.

biji jagung. Nilai k yang di uji adalah 1, 3, dan 5. Sistem Klasifikasi Kualitas Biji
biji jagung. Nilai k yang di uji adalah 1, 3, dan 5. Sistem Klasifikasi Kualitas Biji

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

29

BAB 3 MODEL DAN PERANCANGAN SISTEM

BAB 3 MODEL DAN PERANCANGAN SISTEM Dipilihnya nilai k yang ganjil agar mengurangi kesalahan algoritma jika

Dipilihnya nilai k yang ganjil agar mengurangi kesalahan algoritma jika peluang kemiripannya sama.

3.4 Analisis Performansi Sistem

Untuk

parameter

akurasi

sistem,

ditentukan

dengan

perbandingan

banyaknya pengujian tepat dengan banyaknya seluruh pengujian, sebagai berikut :

(3.1)

dengan banyaknya seluruh pengujian, sebagai berikut : (3.1) Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur
dengan banyaknya seluruh pengujian, sebagai berikut : (3.1) Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

30

BAB IV ANALISIS DAN PENGUJIAN SISTEM

Pada bab ini akan dijelaskan beberapa hal terkait dengan analisis ekstraksi ciri menggunakan metode statistik orde pertama dan orde kedua terhadap akurasi sistem, analisis hasil pengujian klasifikasi dengan K-Nearest Neighbour ditinjau dari penggunaan nilai k dan metode pengukuran jarak (distance), serta analisis waktu komputasi sitem.

4.1 Analisis Ekstraksi Ciri dengan Statistik Orde Pertama dan Orde Kedua Di bawah ini akan diberikan tabel-tabel hasil percobaan dengan spesifikasi simulasi sebagai berikut :

1. Citra latih berjumlah 45 citra (3 kualitas biji jagung, masing-masing 15 citra) dan citra uji berjumlah 135 citra (3 kualitas biji jagung, masing- masing 45 citra).

2. Citra yang diproses oleh sistem adalah citra red, citra green, citra blue, dan citra grayscale,

3. Ciri statistik orde pertama yang diambil adalah mean, variance, skewness, kurtosis, dan entropy.

4. Ciri statistik orde kedua yang diambil adalah angular second moment, contrast, correlation, variance, inverse different moment, dan entropy.

5. Ciri yang memiliki akurasi lebih dari 55 %, saling dikombinasikan agar didapatkan akurasi tertinggi.

6. Parameter K-Nearest Neighbor pada ekstraksi ciri statistik orde pertama dan orde kedua adalah : k = 1 dan Euclidean Distance (default).

7. Untuk lebih detailnya hasil akurasi tiap simulasi dapat dilihat di lampiran

A.

BAB 4 ANALISIS DAN PENGUJIAN SISTEM

BAB 4 ANALISIS DAN PENGUJIAN SISTEM 4.1.1 Ekstraksi Ciri Citra Red Tabel 4.1 Hasil akurasi dari

4.1.1 Ekstraksi Ciri Citra Red

Tabel 4.1 Hasil akurasi dari ekstraksi ciri citra red

 

Jumlah Data Benar

Total

Akurasi

CITRA RED

Kualitas 1

Kualitas 2

Kualitas 3

Benar

(%)

Ciri Statistik

Mean

12

13

24

49

36,29

Orde Satu

Variance

42

23

17

81

60,74

 

Skewness

32

23

31

86

63,70

 

Kurtosis

28

14

37

79

58,52

 

Entropy

42

20

20

82

60,74

Ciri Statistik

Angular Second

44

21

35

100

74,07

Orde Dua

Moment

 
 

Contrast

13

24

22

59

43,70

 

Correlation

10

18

23

51

37,78

 

Variance

14

18

23

55

40,74

 

Inverse Different

Moment

13

37

6

56

41,48

 

Entropy

44

22

29

95

70,37

Dari Tabel 4.1 dapat dipilih atau ditentukan bahwa ada 6 ciri yang memberikan akurasi cukup signifikan yakni lebih dari 55 % pada citra red, yaitu variance orde satu (variance1), skewness, kurtosis, entropy orde satu (entropy1), angular second moment, dan entropy orde dua (entropy2). Hal ini menunjukkan bahwa citra red biji jagung memiliki variasi elemen yang banyak pada histogram, tingkat kemencengan relatif kurva histogram yang tinggi, tingkat keruncingan relatif kurva histogram yang tinggi, bentuk citra yang teratur, homogenitas citra yang tinggi, dan transisi derajat keabuan yang merata. Dari ciri-ciri yang terpilih pada citra red ini dilakukan 5 kombinasi ciri, antara lain : kombinasi dua ciri, kombinasi tiga ciri, kombinasi empat ciri, kombinasi lima ciri, dan kombinasi enam ciri.

empat ciri, kombinasi lima ciri, dan kombinasi enam ciri. Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur
empat ciri, kombinasi lima ciri, dan kombinasi enam ciri. Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

32

BAB 4 ANALISIS DAN PENGUJIAN SISTEM

BAB 4 ANALISIS DAN PENGUJIAN SISTEM 4.1.2 Ekstraksi Ciri Citra Green Tabel 4.2 Hasil akurasi dari

4.1.2 Ekstraksi Ciri Citra Green

Tabel 4.2 Hasil akurasi dari ekstraksi ciri citra green

 

Jumlah Data Benar

Total

Akurasi

CITRA GREEN

Kualitas 1

Kualitas 2

Kualitas 3

Benar

(%)

Ciri Statistik

Mean

16

11

9

36

26,67

Orde Satu

Variance

35

19

23

77

57,04

 

Skewness

21

28

27

76

56,29

 

Kurtosis

22

21

13

56

41,48

 

Entropy

39

16

20

75

55,56

Ciri Statistik

Angular Second

43

11

19

73

54,07

Orde Dua

Moment

 

Contrast

45

14

19

78

57,78

 

Correlation

12

18

21

51

37,78

 

Variance

15

17

22

54

40,00

 

Inverse Different

Moment

12

40

5

57

42,22

 

Entropy

44

13

18

75

55,56

Dari Tabel 4.2 dapat dipilih atau ditentukan bahwa ada 5 ciri yang memberikan akurasi cukup signifikan yakni lebih dari 55 % pada citra green, yaitu variance orde satu (variance1), skewness, entropy orde satu (entropy1), contrast, dan entropy orde dua (entropy2). Hal ini menunjukkan bahwa citra green biji jagung memiliki variasi elemen yang banyak pada histogram, tingkat kemencengan relatif kurva histogram yang tinggi, bentuk citra yang teratur, letak penyebaran elemen-elemen matriks citra jauh dari diagonal utama, dan transisi derajat keabuan yang merata. Dari ciri-ciri yang terpilih pada citra green ini dilakukan 4 kombinasi ciri, antara lain : kombinasi dua ciri, kombinasi tiga ciri, kombinasi empat ciri, dan kombinasi lima ciri.

tiga ciri, kombinasi empat ciri, dan kombinasi lima ciri. Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur
tiga ciri, kombinasi empat ciri, dan kombinasi lima ciri. Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

33

BAB 4 ANALISIS DAN PENGUJIAN SISTEM

BAB 4 ANALISIS DAN PENGUJIAN SISTEM 4.1.3 Ekstraksi Ciri Citra Blue Tabel 4.3 Hasil akurasi dari

4.1.3 Ekstraksi Ciri Citra Blue

Tabel 4.3 Hasil akurasi dari ekstraksi ciri citra blue

 

Jumlah Data Benar

Total

Akurasi

CITRA BLUE

Kualitas 1

Kualitas 2

Kualitas 3

Benar

(%)

Ciri Statistik

Mean

33

19

36

88

65,19

Orde Satu

Variance

31

26

13

70

51,85

 

Skewness

8

25

15

48

35,56

 

Kurtosis

28

25

16

69

51,11

 

Entropy

33

21

17

71

52,59

Ciri Statistik

Angular Second

34

12

24

70

51,85

Orde Dua

Moment

 

Contrast

44

16

16

76

56,29

 

Correlation

38

21

10

69

51,11

 

Variance

36

28

9

73

54,07

 

Inverse Different

Moment

12

37

3

52

38,52

 

Entropy

44

20

14

78

57,78

Dari Tabel 4.3 dapat dipilih atau ditentukan bahwa ada 3 ciri yang memberikan akurasi cukup signifikan yakni lebih dari 55 % pada citra blue, yaitu mean, contrast, dan entropy orde dua (entropy2). Hal ini menunjukkan bahwa citra blue biji jagung memiliki ukuran dispersi citra yang tinggi, letak penyebaran elemen-elemen matriks citra jauh dari diagonal utama, dan transisi derajat keabuan yang merata. Dari ciri-ciri yang terpilih pada citra blue ini dilakukan 2 kombinasi ciri, antara lain : kombinasi dua ciri dan kombinasi tiga ciri.

antara lain : kombinasi dua ciri dan kombinasi tiga ciri. Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan
antara lain : kombinasi dua ciri dan kombinasi tiga ciri. Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital

34

BAB 4 ANALISIS DAN PENGUJIAN SISTEM

BAB 4 ANALISIS DAN PENGUJIAN SISTEM 4.1.4 Ekstraksi Ciri Citra Grayscale Tabel 4.4 Hasil akurasi dari

4.1.4 Ekstraksi Ciri Citra Grayscale

Tabel 4.4 Hasil akurasi dari ekstraksi ciri citra grayscale

   

Total

Akurasi

CITRA GRAYSCALE

Jumlah Data Benar

Benar

(%)

 

Kualitas 1

Kualitas 2

Kualitas 3

 

Ciri Statistik

Mean

11

15

8

34

25,19

Orde Satu

Variance

39

18

23

80

59,26

 

Skewness

19

27

17

63

46,67

 

Kurtosis

20

18

16

54

40,00

 

Entropy

41

13

21

75

55,56

Ciri Statistik

Angular Second