IMPLEMENTASI METODE GRAY LEVEL CO-OCCURENCE

MATRIX UNTUK SISTEM DETEKSI BUSUK BUAH

STROBERI

Proposal Tugas Akhir

Diajukan oleh:
ALFONSUS AGUNG
71130039

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNOLOGI INFORMASI
UNIVERSITAS KRISTEN DUTA WACANA
YOGYAKARTA
2017
Implementasi Metode Gray Level Co-Occurrence Matrix Untuk Sistem Deteksi
Busuk Buah Stroberi

Bidang Minat : Pengolahan Citra Digital

Mata kuliah pendukung : 1. Pengolahan Citra Digital [A-]

Nama Mahasiswa : Alfonsus Agung Wayanto Lawudirejo

NIM : 71130039
IPK : 3.26

Proposal ini diajukan dalam kolokium sebagai persyaratan untuk memulai

penulisan tugas akhir.

Proposal I
Semester Genap 2016/2017
2017

2
1. Latar Belakang
Stroberi merupakan tanaman herba. Ada ratusan macam jenis stroberi,
salah satu jenis spesiesnya bernama Fragaria chiloensis L. Jenis ini yang
menyebar ke berbagai negara Amerika, Eropa dan Asia. Spesies yang lainnya
yaitu F. vesca L. yang satu ini lebih menyebar luas dibandingkan spesies lainnya.
Jenis stroberi F. vesca L. ini pula yang pertama kali masuk ke Indonesia. Warna
merah stroberi disebabkan karena buah ini kaya pigmen antosianin dan
mengandung antioksidan tinggi untuk melindungi struktur sel dalam tubuh serta
mencegah kerusakan oksigen pada organ tubuh manusia.
Salah satu perkebunan buah stroberi terletak di Agrowisata Banyuroto
terletak di lereng Gunung Merbabu, desa Banyuroto, kecamatan Sawangan,
kabupaten Magelang, Jawa Tengah. Daya tarik utama agrowisata ini adalah wisata
petik buah stroberi langsung di kebun yang tampak dari tepi jalan. Keberadaannya
cukup menarik minat banyak wisatawan khususnya wisatawan keluarga karena
jarang terdapat wisatawan petik buah semacam ini di daerah Magelang dan
sekitarnya. Rata-rata tanaman stoberi dibudidayakan di daerah dataran tinggi yang
memiliki udara yang sejuk. Menurut informasi, tanaman stroberi berbuah pada
musim kemarau karena banyak terkena pancaran sinar matahari. Buah stroberi
yang sudah matang dapat dipetik dan langsung bisa dikonsumsi atau bisa diolah
lagi untuk menjadi selai.
Dalam penelitian dan pembuatan sistem, penulis menggunakan Metode
Gray Level Co-Ocurrence Matrix (GLCM) dan Metode Nave Bayes
Classification (NBC). Metode GLCM digunakan untuk mengambil nilai dari fitur-
fitur yang ada pada objek penelitian. Kemudian penulis akan menerapkan Metode
NBC untuk melakukan perhitungan untuk klasifikasi berdasarkan probabilitas
data yang bersifat kuantitatif dan data diskrit. Metode ini berfungsi untuk
mengidentifikasikan objek buah stroberi yang matang dan busuk. Tujuan penulis
menggunakan Metode GLCM dan Metode NBC diharapkan dapat menemukan

3
hasil akurat dan terbaik pada identifikasi buah stroberi matang dengan kualitas
yang baik agar dapat dikonsumsi dan diolah menjadi olahan lain.

2. Rumusan Masalah
Dari latar belakang tersebut diperlukan masalah yang akan dibahas
dari penelitian ini. Rumusan masalah yang ada dalam kasus ini diantaranya
adalah:
a. Bagaimana menerapkan metode Gray Level Co-Occurrence Matrix dalam
program agar computer dapat mengenali buah stroberi busuk dalam bentuk
citra
b. Bagaimana pengaruh fitur dari metode Gray Level Co-Occurrence Matrix
terhadap akurasi sistem?

3. Batasan Masalah
Batasan masalah yang ada pada penelitian ini adalah:
a. Buah stroberi pada kondisi matang dan busuk.
b. Metode untuk deteksi tekstur dengan menggunakan Metode Gray Level
Co-Occurrence Matrix (GLCM) dan untuk klasifikasi dengan Nave Bayes
Classification NBC.
c. Gambar masukan (input) gambar buah stroberi dengan kondisi berbeda
yakni yang matang dan busuk dengan background warna putih.
d. Format citra yang akan dideteksi adalah .bmp.
e. Citra sample buah jambu berukuran 150 x 150 piksel.

4. Tujuan Penelitian
Tujuan dari pembuatan tugas akhir ini adalah untuk menciptakan sistem
yang dapat mendeteksi busuk pada buah stroberi dengan menggunakan metode

4
Gray Level Co-Occurence Matrix serta menganalisis keakuratan metode yang
digunakan untuk mendeteksi citra buah stroberi berdasarkan teksturnya.
5. Manfaat Penelitian
Manfaat yang didapatkan dari penelitian tersebut diantaranya mengetahui
algoritma dengan metode Gray Level Co-ocurrence Matrix dan algoritma dengan
metode Nave Bayes Classification. Serta dapat mengidentifikasikan buah stroberi
matang dan busuk secara akurat.

6. Landasan Teori
6.1. Pengolahan Citra Digital
Pengolahan citra digital menggunakan teknologi computer vision saat ini
banyak digunakan sebagai obyek penelitian. Bagian dari pengolahan citra adalah
dengan menggunakan pengolahan berdasarkan warna. Analisis warna dalam
pengenalan citra digital ini ada beberapa model diantaranya, model RGB, CMY,
HSI, HSV dan normalized RGB. (Kusumanto, 2011). Penelitian yang dilakukan
Gonzalez dan Woods (2002) mendefinisikan sebagai fungsi dua dimensi f(x.y),
dimana x dan y merupakan koordinat dari bidang datar dan nilai tertinggi dari f
pada setiap koordinat (x,y) disebut intensitas atau tingkat keabuan dari titik citra
tersebut.

6.2. Stroberi
Stroberi merupakan tanaman buah berupa herba yang ditemukan pertama
kali di Chili, Amerika. Salah satu spesies tanaman stroberi yaitu Fragaria
chiloensis L menyebar ke berbagai negara Amerika, Eropa dan Asia. Selanjutnya
spesies lain, yaitu F. vesca L. lebih menyebar luas dibandingkan spesies lainnya.
Jenis stroberi ini pula yang pertama kali masuk ke Indonesia.

5
 Gambar 1 Buah Stroberi Segar.
(https://en.wikipedia.org/wiki/Strawberry)
Perbedaan Buah Stroberi yang masih segar dan sudah busuk terlihat dari
tekstur buahnya yang sudah muncul jamur berwarna putih yang tumbuh pada
buah stroberi dan warna buah yang sudah membusuk cendurung pucat tidak
seperti buah stroberi segar.

Gambar 2 Buah Stroberi Busuk.

(https://en.wikipedia.org/wiki/Strawberry)
6.3. Gray Level Co-occurrence Matrix (GLCM)
Gray Level Co-occurrence Matrix (GLCM) adalah matriks yang menggambarkan
frekuensi munculnya pasangan dua piksel yang bertetangga dengan tingkat keabuan
(gray level) tertentu dalam jarak d dan orientasi arah dengan sudut tertentu dalam citra.
Jarak antar piksel, biasanya 1,2,3 dan seterusnya. Orientasi sudut dinyatakan dalam
derajat standarnya 0, 45, 90, 135. (Rao, Sastry, Malika, Tiong & Mahalakshmi,
2013)
Orientasu sudut menunjukan hubungan dengan tetangga. Berikut adalah
gambaran pembentukan GLCM atas citra 4 tingkat keabuan (gray level) pada

6
jarak d = 1, dan arah 0. Seperti pada Gambar 3 dan gambar 4 (Wibawanto,
Susanto, Widodo & Tjokronegoro, 2008)

Gambar 3 Citra dengan 4 tingkat keabuan. Gambar 4 GLCM, d = 1 dan sudut 0

Seperti yang ditunjukkan pada Gambar 5, piksel 1 menunjukan arah 0 dengan

jarak d = 1, piksel 2 arah 45 dengan jarak d = 1, piksel 3 menunjukan arah 90
dengan jarak d = 1. (Wibawanto, Susanto, Widodo & Tjokronegoro, 2008)

Gambar 4 Arah Sudut 0,45,90 dan 135

Langkah - langkah membuat GLCM simetris ternomalisasi adalah sebagai

berikut :
Membuat framework matriks
Menghubungkan spasial antara piksel referensi dengan piksel tetangga,
berupa sudut dengan jarak d
Menghitung jumlah kookuren dan mengisikan pada framework.

7
 Menjumlahkan matriks kookuren dengan transposnya untuk menjadikan
simetris
Normalisasi matriks untuk mengubahnya ke bentuk probabilitas

Setelah memperoleh matriks normalisasi seperti yang telah dijelaskan

diatas, maka selanjutnya menghitung pada tahap kedua yaitu menemukan fitur
dari citra tersebut, pada kasus ini penulis menggunakan empat ciri fitur yaitu
energi, kontras, homogenitas dan korelasi. Pada bukunya, Jeremiah R, Furgosan
menjelaskan mengenai fitur fitur yang digunakan, seperti ini : (Ferguson, 2007)
a. Energi (Energy)
Energi menyatakan ukuran konsentrasi pasangan dengan intensitas
keabuan tertentu. Energi juga mengukur tingkat keseragaman tekstur.
Gambar yang memiliki tekstur teratur akan memiliki nilai energi lebih
tinggi. Energi akan mencapai nilai tertinggi saat persebaran level keabuan
konstan atau bersifat periodik. Energi dapat dihitung dengan Persamaan
(1)

(1)
b. Kontras (Contrast)
Kontras merupakan ukuran keberadaan variasi tingkat keabuan piksel
satu dengan piksel yang berdekatan di seluruh gambar. Kontras juga
menyatakan sebaran piksel piksel kedalam intensitas warna serta
menyatakan sebaran terang dan gelap pada suatu gambar. Kontras dapat
dihitung seperti Persamaan (2)

(2)
c. Homogenitas (Homogenity)

8
 Homogenitas menunjukan kehomogenan suatu citra. Homogenitas
mengukur keseragaman intensitas keabuan pada citra. Citra yang memiliki
sedikit varian memiliki nilai homogenitas mencapai nilai maksimal atau 1.
Homogenitas dapat dihitung menggunakan Persamaan (3)

(3)
d. Korelasi (Correlation)
Menunjukan ukuran ketergantungan linear derajat keabuan sehingga
dapat memberikan penunjuk adanya struktur linear dalam citra. Kontras
dapat diperoleh dari Persamaan (4)

(4)

6.4. Naive Bayes Classifcation

Model Statistik merupakan salah satu model yang terpercaya sangat andal
sebagai pendukung pengambilan keputusan. Konsep probabilitas merupakan salah
satu bentuk model statistic. Salah satu metode yang menggunakan konsep
probabilitas adalah Nave Bayes Classification (NBC). Pada metode ini, semua
atribut akan memberikan kontribusinya dalam pengambilan keputusan dengan
bobot atribut yang sama penting dan setiap atribut saling bebas memilih satu sama
lain. Persamaan dari teorema Bayes adalah

(5)
Keterangan :
X :Data dengan class yang belum diketahui
H : Hipotesis data merupakan suatu class spesifik
P(H|X) :Probabilitas hipotesis H berdasar kondisi X (posteriori probabilitas)

9
P(H) : Probabilitas hipotesis H (prior probabilitas)
P(X|H) :Probabilitas X berdasarkan kondisi pada hipotesis H
P(X) : Probabilitas X
Untuk menjelaskan metode Naive Bayes, perlu diketahui bahwa
proses klasifikasi memerlukan sejumlah petunjuk untuk menentukan kelas
apa yang cocok bagi sampel yang dianalisis tersebut. Karena itu, metode Nave
Bayes di atas disesuaikan sebagai berikut:

(6)
Di mana Variabel C merepresentasikan kelas, sementara variabel
F1...Fn merepresentasikan karakteristik petunjuk yang dibutuhkan untuk
melakukan klasifikasi. Maka rumus tersebut menjelaskan bahwa peluang
masuknya sampel karakteristik tertentu dalam kelas C (Posterior) adalah peluang
munculnya kelas C (sebelum masuknya sampel tersebut, seringkali Disebut prior),
dikali dengan peluang kemunculan karakteristik-karakteristik sampel pada kelas
C (disebut juga likelihood), dibagi dengan peluang kemunculan karakteristik-
karakteristik sampel secara global (disebut juga evidence). Karena itu, rumus di
atas dapat pula ditulis secara sederhana sebagai berikut:

(7)
Nilai Evidence selalu tetap untuk setiap kelas pada satu sampel. Nilai
dari posterior tersebut nantinya akan dibandingkan dengan nilai-nilai posterior
kelas lainnya untuk menentukan ke kelas apa suatu sampel akan diklasifikasikan.
Penjabaran lebih lanjut rumus Bayes tersebut dilakukan dengan menjabarkan (|
1, , ) menggunakan aturan perkalian sebagai berikut:

(8)

10
 Dapat dilihat bahwa hasil penjabaran tersebut menyebabkan semakin
banyak dan semakin kompleksnya faktor - faktor syarat yang mempengaruhi nilai
probabilitas, yang hampir mustahil untuk dianalisa satu persatu. Akibatnya,
perhitungan tersebut menjadi sulit untuk dilakukan. Disinilah digunakan asumsi
independensi yang sangat tinggi (naif), bahwa masing-masing petunjuk
(F1,F2...Fn) saling bebas (independen) satu sama lain. Dengan asumsi tersebut,
maka berlaku suatu kesamaan sebagai berikut:

(9)
Untuk ij , sehingga

(10)
Persamaan di atas merupakan model dari teorema Naive Bayes yang
selanjutnya akan digunakan dalam proses klasifikasi. Untuk klasifikasi dengan
data kontinyu digunakan rumus Densitas Gauss :

(11)
Keterangan :
P : Peluang
Xi : Atribut ke i
xi : Nilai atribut ke i
Y : Kelas yang dicari
yi : Sub kelas Y yang dicari
: mean, menyatakan rata rata dari seluruh atribut
:Deviasi standar, menyatakan varian dari seluruh atribut.

6.5. Grayscalling

11
 Menurut Santi (2011), grayscalling merupakan proses awal dalam image
processing yaitu mengubah citra berwarna menjadi citra grayscale. Sebuah
citra terdiri dari tiga layer matrik warna yaitu Red, Green, dan Blue. Proses
perhitungan menggunakan tiga layer matrik tersebut akan dilakukan sebanyak
tiga kali dengan perhitungan yang sama, untuk menyederhanakan perhitungan
matrik, ketiga layer matrik diubah menjadi 1 layer yang merupakan sebuah
matrik grayscale.
Citra warna dapat diubah menjadi citra grayscale dengan cara menghitung
rata rata elemen warna Red, Green, dan Blue. Secara matematis hitungannya
adalah sebagai berikut.

(6)

7. Blok Diagram Sistem

12
Gambar 4, Diagram Alir Proses Navi Bayes Classification

Gambar 5. Diagram Alir Proses GLCM

13
8. Metodologi Penelitian
Beberapa metode penelitian yang digunakan penulis untuk
menyelesaikan tugas akhir ini adalah :
a. Studi Literatur
Studi Literatur dilakukan dengan cara membaca dan memperoleh
informasi dari jurnal dan buku yang berhubungan dengan metode yang
digunakan.
b. Perancangan sistem
Perancangan sistem dilakukan agar dalam membangun sistem bisa lebih
mudah karena sudah ada rancangan yang dibuat. Perancangan sistem
mencakup desain interface, metode-metode untuk membangun sistem
tersebut, dan cara kerja sistem.
c. Implementasi sistem
Implementasi sistem dilakukan dengan cara pelatihan pengenalan bentuk-
bentuk buah jambu ke dalam database dan selanjutnya sistem dapat
berfungsi untuk menglasifikasi jenis-jenis buah jambu air.
d. Evaluasi
Evaluasi terhadap sistem akan dilakukan oleh penulis dengan menguji
kemampuan sistem ketika sistem mampu menentukan kualitas buah naga
dengan data yang sudah diinputkan oleh pengguna.

9. Daftar Pustaka
Munir,R.(2004).Pengolahan Citra Digital. Retrieved Oktober 13,2016,from
informatika.stei.itb.ac.id:
http://informatika.stei.itb.ac.id/~rinaldi.munir/Buku/Pengolahan%20Citra
%20Digital/
Kadir, A., dan Susanto, A., 2012, Teori dan Aplikasi Pengolahan Citra, penerbit
Andi Offset, Yogyakarta.

14
Ginting, S. L. B., & Trinanda, R. P. (2011). TEKNIK DATA MINING
MENGGUNAKAN METODE BAYES CLASSIFIER UNTUK OPTIMALISASI
PENCARIAN PADA APLIKASI PERPUSTAKAAN. Universitas Pasundan.
Bandung.
Budiarso, Z. (2010). Identifikasi Macan Tutul Dengan Metode Grey Level
Coocurent Matrix (GLCM). Jurnal Dinamika Informatika, 2(2).
Rajendra, P., Kondo, N., Ninomiya, K., Kamata, J., Kurita, M., Shiigi, T., ... &
Kohno, Y. (2009). Machine vision algorithm for robots to harvest strawberries in
tabletop culture greenhouses. Engineering in Agriculture, Environment and Food,
2(1), 24-30.
Listia, R., & Harjoko, A. (2014). Klasifikasi Massa pada Citra Mammogram
BerdasarkanGray Level Cooccurence Matrix (GLCM). IJCCS-Indonesian Journal
of Computing and Cybernetics Systems, 8(1), 59-68.
Budianita, E., Jasril, J., & Handayani, L. (2015). Implementasi Pengolahan Citra
dan Klasifikasi K-Nearest Neighbour Untuk Membangun Aplikasi Pembeda
Daging Sapi dan Babi Berbasis Web. Jurnal Sains dan Teknologi Industri, 12(2),
242-247.
Ouyang, C., Li, D., Wang, J., Wang, S., & Han, Y. (2012, October). The research
of the strawberry disease identification based on image processing and pattern
recognition. In International Conference on Computer and Computing
Technologies in Agriculture (pp. 69-77). Springer Berlin Heidelberg.

15