Laporan Tugas Akhir Image Processing PDF

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
PROGRAM STUDI S1 TEKNIK TELEKOMUNIKASI

FAKULTAS ELEKTRO DAN KOMUNIKASI
INSTITUT TEKNOLOGI TELKOM
BANDUNG
2012
i
INSTITUT TEKNOLOGI TELKOM No. Dokumen ITT-AK-FEK-PTT-FM-
004/001
Jl.Telekomunikasi No.1 Ters. BuahBatu No. Revisi 00
Bandung 40257
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
Bandung, Juni 2012

Disahkan oleh :
Pembimbing I, Pembimbing II,
BAMBANG HIDAYAT, Dr., Ir. RATRI DWI ATMAJA, ST., MT.

NIK :07510368-3 NIK: 10870625-2
ii
INSTITUT TEKNOLOGI TELKOM No. Dokumen ITT-AK-FEK-PTT-
FM-001/004
Jl.Telekomunikasi No.1 Ters. BuahBatu No. Revisi 00
Bandung 40257
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.
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
iv
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
v
KATA PENGANTAR
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
vi
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.
vii
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
viii
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
4.3 Analisis Waktu Komputasi Sistem ................................................ 43
BAB V KESIMPULAN DAN SARAN
5.2 Kesimpulan ................................................................................... 45
ix
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
x
DAFTAR GAMBAR
Gambar 2.1 Jagung Bisma ...............................................................................5

Gambar 2.2 Biji Jagung Kualitas 1..................................................................7
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
xi
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 0o ................................................................... 16
Tabel 2.6 Matriks Akhir Iterasi Sudut 0o ........................................................... 17
Tabel 2.7 Matriks Kookurensi Sudut 0o (M(0)) ................................................. 18
Tabel 2.8 Matriks Kookurensi Sudut 45o (M(45)) ............................................. 18
Tabel 2.9 Matriks Kookurensi Sudut 90o (M(90)) ............................................. 18
Tabel 2.10 Matriks Kookurensi Sudut 135o (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
xii
DAFTAR SINGKATAN
SNI Standar Nasional Indonesia

GUI Graphical User Interface
RGB Red, Green, Blue
K-NN K-Nearest Neighbor
xiii
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
xiv
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
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?
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan

Citra Digital 2
BAB 1 PENDAHULUAN
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.

Citra Digital 3
BAB 1 PENDAHULUAN
BAB 2 DASAR TEORI

Berisi teori-teori dasar mengenai biji jagung, citra digital, pengolahan
citra, ekstraksi ciri, dan klasifikasi.
BAB 3 MODEL DAN PERANCANGAN SISTEM
Berisi diagram alir penelitian, perancangan sistem serta cara kerja sistem.
BAB 4 ANALISIS HASIL SIMULASI SISTEM
Berisi data hasil pengolahan citra uji dan data hasil pengukuran tingkat
akurasi citra uji.
BAB 5 KESIMPULAN DAN SARAN
Berisi kesimpulan atas hasil kerja yang telah dilakukan beserta
rekomendasi dan saran untuk pengembangan dan perbaikan selanjutnya.

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.
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.
c. Berumur panjang : lebih dari 120 hari, contoh: Kania Putih,
Bastar, Kuning, Bima dan Harapan.
2). Menurut bentuk biji, dibagi menjadi 7 golongan:
a. Indentata (Dent, "gigi-kuda")
BAB 2 DASAR TEORI
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)
3). 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

Citra Digital 6
BAB 2 DASAR TEORI
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 :
Gambar 2.2 Biji Jagung Kualitas 1

Citra Digital 7
BAB 2 DASAR TEORI
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]
Persyaratan kualitas
No Jenis uji Satuan
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)

Citra Digital 8
BAB 2 DASAR TEORI
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 (0,0) f (0,1) ... f (0, M  1) 
 f (1,0) f (1,1) ... f (1, M  1) 

 . 
f ( x, y )   
 . 
(2.2)
 . 
 
 f ( N  1,0) f ( N  1,1) ... f ( N  1, M  1)
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 Digital 9
BAB 2 DASAR TEORI
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).
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

Citra Digital 10
BAB 2 DASAR TEORI
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.
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.

Citra Digital 11
BAB 2 DASAR TEORI
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).
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).

Citra Digital 12
BAB 2 DASAR TEORI
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.
Gambar 2.8 Ilustrasi Ekstraksi Ciri Statistik[7]

Citra Digital 13
BAB 2 DASAR TEORI
Keterangan Gambar 2.8 :
Kiri : Histogram citra sebagai fungsi probabilitas kemunculan nilai

intensitas pada citra.
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 fn merupakan suatu nilai intensitas keabuan, sementara p(fn)
menunjukkan nilai histogram (probabilitas kemunculan intensitas tersebut
pada citra).
b. Variance (σ2)
Menunjukkan variasi elemen pada histogram dari suatu citra.
σ2= – μ)2 p( ) (2.4)
c. Skewness (α3)
Menunjukkan tingkat kemencengan relatif kurva histogram dari suatu
citra.
α3 = σ – μ)3 p( ) (2.5)
d. Kurtosis (α4)
Menunjukkan tingkat keruncingan relatif kurva histogram dari suatu citra.
α4 = – μ)4 p( )–3 (2.6)

σ

Citra Digital 14
BAB 2 DASAR TEORI
e. Entropy (H)
Menunjukkan ukuran ketidakteraturan bentuk dari suatu citra.
2
H=- 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.

Citra Digital 15
BAB 2 DASAR TEORI
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 2.9 Citra Masukan[8] Gambar 2.10 Nilai Intensitas Citra Masukan[8]
2. Lakukan iterasi untuk setiap sudut seperti pada Gambar 2.8.

3. Lakukan iterasi sudut 0o 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 0o[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 0o (i = baris dan j = kolom).

Rumus iterasi sudut 0o : 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 0o 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.

1 2 3 4
1 0 0 0 0
2 1 0 0 0
3 0 0 0 0
4 0 0 0 0

Citra Digital 16
BAB 2 DASAR TEORI
5. Lakukan iterasi ke-2 (i=1, j=2) sudut 0o .

Dengan cara yang sama nilai citra masukan (i=1, j=2) = 0, maka nilai p = 0
+ 1 = 1 dan nilai tetangga sudut 0o (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.

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 0o, dengan menggunakan

MATLAB berikut ini adalah hasil akhir tabel iterasi sudut 0o seperti pada
gambar Tabel 2.6.
Tabel 2.6 Matriks Akhir Iterasi Sudut 0o[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 0o 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

Citra Digital 17
BAB 2 DASAR TEORI
c) (1,3) / 60 = 5 / 60 = 0,0833
d) Dan seterusnya hingga (4,4)
Tabel 2.7 menunjukkan matriks kookurensi sudut 0o :
Tabel 2.7 Matriks Kookurensi Sudut 0o (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 45o, 90o, dan 135o
yang membedakan hanyalah proses pengambilan tetangga harus sesuai
dengan sudut yang digunakan. Berikut ini adalah tabel-tabel yang
menunjukkan matriks kookurensi dari sudut 45o, 90o, dan 135o.
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
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

Citra Digital 18
BAB 2 DASAR TEORI
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 ( Mrata-rata) dengan persamaan :
Mrata-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.
(2.10)
c. Correlation
Menunjukkan ukuran ketergantungan linear derajat keabuan citra

sehingga dapat memberikan petunjuk adanya struktur linear dalam citra.
(2.11)

Citra Digital 19
BAB 2 DASAR TEORI
d. Variance
Menunjukkan variasi elemen-elemen matriks kookurensi. Citra dengan

transisi derajat keabuan kecil akan memiliki variansi yang kecil pula.
(2.12)
e. Invers Different Moment
(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).
(2.14)
2.7 K-Nearest Neighbor[9]
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 Xs dan Xt dengan
metode Euclidean, digunakan rumus :
(2.15)

Citra Digital 20
BAB 2 DASAR TEORI
b. Cityblock distance
Untuk menghitung jarak antara dua titik Xs dan Xt 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 xs dan xt, memakai rumus sebagai berikut :
(2.17)
dengan
d. Correlation distance
Dalam Correlation distance, titik-titik dianggap sebagai barisan nilai, jarak
antar nilai xs dan xt, memakai rumus sebagai berikut :
(2.18)
dimana,
Algoritma K-NN :
 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

Citra Digital 21
BAB 2 DASAR TEORI
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.

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 CoreTM2 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 Output
Jagung
Citra Biji Jagung
Gambar 3.1 Model Sistem Klasifikasi Kualitas Biji Jagung

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 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

Citra Digital 24
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
Penempatan sampel ke
dalam kotak
Pengaturan penyinaran
Pengambilan citra
Selesai
Gambar 3.3 Diagram Alir Pengambilan Sampel Citra Biji Jagung

Citra Digital 25
3.3.2 Preprocessing
Preprocessing adalah tahapan yang dilakukan sebelum melakukan

ekstraksi ciri. Tahapan yang dilakukan dalam preprocessing adalah sebagai
berikut.
Mulai
Input Citra
Cropping
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.
Gambar 3.5 Citra Sebelum dan Sesudah Cropping

Citra Digital 26
3.3.3 Pengubahan Mode Warna Citra
Ambil layer red Citra red
Ambil layer
Citra green
green
Citra Hasil
Cropping
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.
(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

Citra Digital 27
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 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 %.

Citra Digital 28
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.

Citra Digital 29
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)

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
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
13 37 6 56 41,48
Moment
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.

Citra Digital 32
4.1.2 Ekstraksi Ciri Citra Green
Tabel 4.2 Hasil akurasi dari ekstraksi ciri citra green

CITRA GREEN
Skewness 21 28 27 76 56,29
Kurtosis 22 21 13 56 41,48
Entropy 39 16 20 75 55,56
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
12 40 5 57 42,22
Moment
Entropy 44 13 18 75 55,56
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.

Citra Digital 33
4.1.3 Ekstraksi Ciri Citra Blue
Tabel 4.3 Hasil akurasi dari ekstraksi ciri citra blue

CITRA BLUE

Skewness 8 25 15 48 35,56
Kurtosis 28 25 16 69 51,11
Entropy 33 21 17 71 52,59

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
12 37 3 52 38,52
Moment
Entropy 44 20 14 78 57,78
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.

Citra Digital 34
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
Skewness 19 27 17 63 46,67
Kurtosis 20 18 16 54 40,00
Entropy 41 13 21 75 55,56
41 11 22 74 54,81
Orde Dua Moment
Contrast 44 12 23 79 58,52
Correlation 17 15 19 51 37,78
Variance 20 12 24 56 41,48
Inverse Different
12 33 7 52 38,52
Moment
Entropy 45 13 25 83 61,48
memberikan akurasi cukup signifikan yakni lebih dari 55 % pada citra grayscale,
yaitu variance orde satu (variance1), entropy orde satu (entropy1), contrast, dan
entropy orde dua (entropy2). Hal ini menunjukkan bahwa citra grayscale biji
jagung memiliki variasi elemen yang banyak pada histogram, 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
grayscale ini dilakukan 3 kombinasi ciri, antara lain : kombinasi dua ciri,
kombinasi tiga ciri, dan kombinasi empat ciri.
4.1.5 Kombinasi Ciri
Ciri-ciri yang terpilih pada masing-masing citra red, citra green, citra
blue, dan citra grayscale akan saling dikombinasikan untuk mendapat akurasi
terbaik dari masing-masing kombinasi. Setelah itu akan dianalisis akurasi tertinggi
yang didapatkan oleh citra red, citra green, citra blue, dan citra grayscale.

Citra Digital 35
4.1.5.1 Kombinasi Ciri Citra Red
Tabel 4.5 Hasil akurasi dari kombinasi dua ciri citra red
Jumlah Data Benar
KOMBINASI CIRI Total Akurasi
CITRA RED Kualitas Kualitas Kualitas Benar (%)
1 2 3
Variance1 dan Skewness 42 23 18 83 61,48
Variance1 dan Kurtosis 42 23 17 82 60,74
Variance1 dan Entropy1 42 23 17 82 60,74
Variance1 dan Angular Second
42 23 17 82 60,74
Moment
Skewness dan Kurtosis 28 21 38 87 64,44
Skewness dan Entropy1 40 25 41 106 78,52
Skewness dan Angular Second
32 23 31 86 63,70
Moment
Kurtosis dan Entropy1 40 22 38 100 74,07
Kurtosis dan Angular Second
28 14 37 79 58,52
Moment
Kurtosis dan Entropy2 43 25 37 105 77,78
Entropy1 dan Angular Second
42 20 20 82 60,74
Moment
Entropy1 dan Entropy2 45 30 26 101 74,82
Angular Second Moment dan
44 22 29 95 70,37
Entropy2
Dari hasil kombinasi dua ciri pada Tabel 4.5 dapat dipilih atau ditentukan
bahwa kombinasi ciri yang menghasilkan akurasi paling tinggi yaitu kombinasi
ciri skewness dengan entropy orde satu, dengan nilai akurasi sebesar 78,52 %.
Sedangkan kombinasi ciri yang menghasilkan akurasi terendah yaitu kombinasi
ciri kurtosis dengan angular second moment, dengan nilai akurasi sebesar 58,52
%. Hal ini menunjukkan bahwa kombinasi parameter tingkat kemencengan relatif
kurva histogram dan keteraturan bentuk citra menghasilkan nilai ciri yang relatif
mirip antara citra latih dan citra uji. Sedangkan kombinasi parameter tingkat
keruncingan relatif kurva histogram dan homogenitas citra menghasilkan nilai ciri
yang kurang memiliki kemiripan antara citra latih dengan citra uji. Semakin mirip
ciri citra uji dengan ciri citra latih, semakin besar akurasi yang dihasilkan.

Citra Digital 36
Tabel 4.6 Hasil akurasi dari kombinasi tiga ciri citra red
KOMBINASI CIRI Jumlah Data Benar Total Akurasi
CITRA RED Kualitas 1 Kualitas 2 Kualitas 3 Benar (%)
Variance1, Skewness, dan
42 23 18 83 61,48
Kurtosis
42 23 18 83 61,48
Entropy1
42 23 18 83 61,48
Angular Second Moment
42 23 18 83 61,48
Entropy2
Variance1, Kurtosis, dan
42 23 17 82 60,74
Entropy1
42 23 17 82 60,74
42 23 17 82 60,74
Entropy2
Variance1, Entropy1, dan
42 23 17 82 60,74
42 23 17 82 60,74
Entropy2
Variance1, Angular Second
42 23 17 82 60,74
Moment, dan Entropy2
Skewness, Kurtosis, dan
42 27 42 111 82,22
Entropy1
Skewness, Kurtosis, dan Angular
28 21 38 87 64,44
Second Moment
Skewness, Kurtosis, dan
45 27 35 107 79,26
Entropy2
Skewness, Entropy1, dan
40 25 41 106 78,52
Skewness, Entropy1, dan
45 30 36 111 82,22
Entropy2
Skewness, Angular Second
45 28 28 101 74,82
Kurtosis, Entropy1, dan Angular
40 22 38 100 74,07
Second Moment
Kurtosis, Entropy1, dan
44 30 37 111 82,22
Entropy2
Kurtosis, Angular Second
43 25 37 105 77,78
Entropy1, Angular Second
45 30 26 101 74,82
Dari hasil kombinasi tiga ciri pada Tabel 4.6 dapat dipilih atau ditentukan
ciri skewness, kurtosis, dan entropy orde satu serta kombinasi ciri skewness,

Citra Digital 37
entropy orde satu, dan entropy orde dua yang menghasilkan nilai akurasi yang
sama, yaitu sebesar 82,22%. Sedangkan kombinasi ciri yang menghasilkan
akurasi terendah yaitu : kombinasi ciri variance orde satu, kurtosis, dan entropy
orde satu; kombinasi ciri variance orde satu, kurtosis, dan angular second
moment; kombinasi ciri variance orde satu, kurtosis, dan entropy orde dua;
kombinasi ciri variance orde satu, entropy orde satu, dan angular second moment;
kombinasi ciri variance orde satu, entropy orde satu, dan entropy orde dua;
kombinasi ciri variance orde satu, angular second moment, dan entropy orde dua,
yang memiliki nilai akurasi yang sama, yaitu sebesar 60,74 %. Hal ini
menunjukkan bahwa kombinasi parameter tingkat kemencengan dan keruncingan
relatif kurva histogram dan keteraturan bentuk citra, serta kombinasi parameter
tingkat kemencengan relatif kurva histogram, keteraturan bentuk, dan keteraturan
transisi derajat keabuan menghasilkan nilai ciri yang relatif mirip antara citra latih
dan citra uji sehingga meningkatkan nilai akurasi. Sedangkan kombinasi yang
memiliki parameter banyaknya variasi elemen pada histogram menghasilkan nilai
ciri yang kurang memiliki kemiripan antara citra latih dengan citra uji sehingga
memperburuk nilai akurasi.
Lalu, dari hasil kombinasi empat ciri pada Tabel 4.7 dapat dipilih atau
ditentukan bahwa kombinasi ciri yang menghasilkan akurasi paling tinggi yaitu
kombinasi ciri skewness, kurtosis, entropy orde satu, dan entropy orde dua,
dengan nilai akurasi sebesar 87,41%. Sedangkan kombinasi ciri yang
menghasilkan akurasi terendah yaitu : kombinasi ciri variance orde satu, kurtosis,
entropy orde satu, dan angular second moment; kombinasi ciri variance orde satu,
kurtosis, entropy orde satu, dan entropy orde dua; kombinasi ciri variance orde
satu, kurtosis, angular second moment, dan entropy orde dua; kombinasi ciri
variance orde satu, entropy orde satu, angular second moment, dan entropy orde
dua, yang memiliki nilai akurasi yang sama, yaitu sebesar 60,74 %. Hal ini
menunjukkan bahwa kombinasi parameter tingkat kemencengan dan keruncingan
relatif kurva histogram, keteraturan bentuk citra, dan keteraturan transisi derajat
keabuan menghasilkan nilai ciri yang relatif mirip antara citra latih dan citra uji
sehingga dapat dijadikan ciri acuan.

Citra Digital 38
Tabel 4.7 Hasil akurasi dari kombinasi empat ciri citra red

Variance1, Skewness, Kurtosis,

42 23 18 83 61,48
dan Entropy1
42 23 18 83 61,48
dan Angular Second Moment
42 23 18 83 61,48
dan Entropy2
Variance1, Skewness,
Entropy1, dan Angular Second 42 23 18 83 61,48
Moment
42 23 18 83 61,48
Entropy1, dan Entropy2
Variance1, Skewness, Angular
42 23 18 83 61,48
Second Moment, dan Entropy2
Variance1, Kurtosis, Entropy1,
42 23 17 82 60,74
42 23 17 82 60,74
dan Entropy2
Variance1, Kurtosis, Angular
42 23 17 82 60,74
Variance1, Entropy1, Angular
42 23 17 82 60,74
Skewness, Kurtosis, Entropy1,
42 27 42 111 82,22
45 32 41 118 87,41
dan Entropy2
Skewness, Kurtosis, Angular
45 27 35 107 79,26
Skewness, Entropy1, Angular
45 30 36 111 82,22
Kurtosis, Entropy1, Angular
44 30 37 111 82,22
Pada Tabel 4.7 dapat dilihat juga bahwa kombinasi yang memiliki
parameter banyaknya variasi elemen pada histogram menghasilkan nilai ciri yang
kurang memiliki kemiripan antara citra latih dengan citra uji sehingga tidak dapat
dijadikan ciri acuan.

Citra Digital 39
Tabel 4.8 Hasil akurasi dari kombinasi lima ciri citra red

Entropy1, dan Angular Second 42 23 18 83 61,48
Moment
42 23 18 83 61,48
Angular Second Moment, dan 42 23 18 83 61,48
Entropy2
Variance1, Skewness, Entropy1,
Entropy2
Entropy2
Entropy2
Dari hasil kombinasi lima ciri pada Tabel 4.8 dapat dipilih atau ditentukan
ciri skewness, kurtosis, entropy orde satu, angular second moment, dan entropy
orde dua, dengan nilai akurasi sebesar 87,41%. Sedangkan kombinasi ciri yang
menghasilkan akurasi terendah yaitu kombinasi ciri variance orde satu, kurtosis,
entropy orde satu, angular second moment, dan entropy orde dua, dengan nilai
akurasi sebesar 60,74%. Hal ini menunjukkan bahwa kombinasi parameter tingkat
kemencengan dan keruncingan relatif kurva histogram, keteraturan bentuk citra,
homogenitas citra, dan keteraturan transisi derajat keabuan menghasilkan nilai ciri
yang relatif mirip antara citra latih dan citra uji sehingga dapat dijadikan ciri
acuan. Sedangkan kombinasi yang memiliki parameter banyaknya variasi elemen
pada histogram menghasilkan nilai ciri yang kurang memiliki kemiripan antara
citra latih dengan citra uji sehingga tidak dapat dijadikan ciri acuan.
Lalu, dari hasil kombinasi enam ciri pada Tabel 4.9 dapat dilihat bahwa
pengujian dengan kombinasi seluruh ciri yang memiliki akurasi lebih dari 55%
menghasilkan nilai akurasi yang kurang baik yaitu sebesar 61,48%. Hal ini
menunjukkan bahwa ciri-ciri dari citra red yang terpilih, nilai variance orde satu
atau banyaknya variasi elemen pada histogram citra dapat memperburuk nilai
akurasi apabila dikombinasikan dengan parameter ciri yang lain sehingga

Citra Digital 40
kombinasi yang memiliki parameter variances pada citra red ini disarankan untuk
tidak digunakan.
Tabel 4.9 Hasil akurasi dari kombinasi enam ciri citra red
KOMBINASI CIRI CITRA Jumlah Data Benar Total Akurasi

RED Kualitas 1 Kualitas 2 Kualitas 3 Benar (%)
Entropy1, Angular Second 42 23 18 83 61,48
Untuk tabel kombinasi ciri citra green, citra blue, dan citra grayscale dapat
dilihat pada bagian lampiran A.
4.1.5.2 Analisis Akurasi Citra RGB dan Grayscale
Berikut ini merupakan grafik hasil akurasi tertinggi yang didapatkan

oleh kombinasi ciri dari setiap mode warna citra :
100
90
80
70
Akurasi (%)
60 Kombinasi 2 Ciri
50 Kombinasi 3 Ciri
40 Kombinasi 4 Ciri
30 Kombinasi 5 Ciri
20
Kombinasi 6 Ciri
10
0
Citra Red Citra Green Citra Blue Citra
Grayscale
Gambar 4.1 Grafik Hasil Akurasi Tertinggi
Dari grafik hasil akurasi tertinggi yang diperoleh berdasarkan kombinasi

ciri dari setiap mode warna citra pada Gambar 4.1, dapat dilihat bahwa mode
warna citra red menghasilkan akurasi paling tinggi dibandingkan dengan citra
green, blue, dan grayscale dengan akurasi 87,41 % yang didapatkan pada

Citra Digital 41
kombinasi empat ciri dan kombinasi lima ciri. Kombinasi empat ciri yang
tertinggi didapatkan saat kombinasi ciri skewness, kurtosis, entropy orde satu, dan
entropy orde dua. Sedangkan kombinasi lima ciri tertinggi didapatkan saat
kombinasi skewness, kurtosis, entropy orde satu, angular second moment, dan
entropy orde dua. Citra red menghasilkan akurasi paling tinggi karena warna biji
jagung memiliki warna kekuningan mendekati warna jingga yang terdiri dari
sebagian besar komponen red atau lebih jelasnya warna jingga=RGB(255,124,0).
4.2 Analisis Hasil Pengujian Klasifikasi dengan K-Nearest Neighbor

Di bawah ini adalah tabel hasil akurasi sistem dengan spesifikasi simulasi
sebagai berikut :
1. Database dari ciri citra latih yang tersimpan akan digunakan sebagai
acuan untuk klasifikasi citra uji yang jumlahnya sebanyak 135 citra, 45
citra biji jagung kualitas satu, 45 citra biji jagung kualitas dua, dan 45
citra biji jagung kualitas tiga.
2. Citra yang diujikan adalah citra dengan mode warna red karena
menghasilkan akurasi yang paling tinggi dibandingkan dengan grayscale,
green, dan blue.
3. Menggunakan kombinasi ciri yang memiliki akurasi tertinggi yaitu ciri
skewness, kurtosis, entropy orde satu, dan entropy orde dua, dengan nilai
akurasi sebesar 87,41%. Sebenarnya pada hasil percobaan, ada dua
kombinasi yang menghasilkan akurasi 87,41% yaitu pada kombinasi
empat ciri dan kombinasi lima ciri, namun dipilih kombinasi empat ciri
agar proses komputasi lebih cepat dengan memakai ciri yang lebih
sedikit.
4. Metode K-Nearest Neighbor yang digunakan adalah Euclidean,
Cityblock, Cosine, dan Correlation.
5. Nilai k yang diuji adalah 1, 3 , dan 5.

Citra Digital 42
Tabel 4.10 Akurasi Sistem dengan K-Nearest Neighbor

Jumlah Data Benar Akurasi
Metode Distance k Total Benar
Kualitas 1 Kualitas 2 Kualitas 3 (%)
1 45 32 41 118 87,41
Euclidean 3 45 33 44 122 90,37
5 45 32 43 120 88,89
1 45 35 41 121 89,63
Cityblock 3 45 35 44 124 91,85
5 44 34 42 120 88,89
1 24 27 43 94 69,63
Cosine 3 23 23 45 91 67,41
5 29 24 43 96 71,11
1 20 23 34 77 57,04
Correlation 3 22 23 31 76 56,29
5 26 25 29 80 59,26
Pada Tabel 4.10 dapat dilihat hasil klasifikasi dengan K- Nearest Neighbor
menggunakan kombinasi ciri skewness, kurtosis, entropy orde satu, dan entropy
orde dua. Hasil akurasi tertinggi didapatkan saat menggunakan metode Cityblock
Distance dengan nilai k=3, yaitu sebesar 91,85%. Nilai k= 3 berarti terdapat tiga
vektor berdekatan yang digunakan sebagai pembanding, dengan nilai tersebut
maka sudah dapat mewakili vektor ciri dari berbagai kelas. Sedangkan akurasi
terendah didapatkan saat menggunakan Correlation Distance dengan nilai k=3,
yaitu sebesar 56,29%. Euclidean dan Cityblock tergolong dalam metode
pengukuran kemiripan berdasarkan geometrik antar vektor latih dengan vektor uji,
sedangkan Correlation dan Cosine distance tergolong dalam metode pengukuran
kemiripan berdasarkan himpunan antar vektor latih dengan vektor uji. Jadi
klasifikasi kualitas biji jagung dengan menggunakan ciri skewness, kurtosis,
entropy orde satu, dan entropy orde dua dapat dilakukan dengan metode
pengukuran kemiripan berdasarkan geometrik yang terbukti dengan hasil akurasi
yang lebih tinggi.
4.3 Analisis Waktu Komputasi Sistem

Analisis waktu komputasi sistem bertujuan untuk mengetahui kecepatan
bekerja suatu sistem. Sistem terdiri dari berbagai tahapan, antara lain

Citra Digital 43
preprocessing, pengubahan mode warna, ekstraksi ciri, dan klasifikasi. Tabel 4.11
adalah total waktu komputasi dari preprocessing sampai klasifikasi berdasarkan
banyaknya kombinasi ciri yang digunakan.
Tabel 4.11 Waktu Komputasi Sistem dengan berbagai Kombinasi Ciri (dalam detik)
Waktu Waktu Waktu Waktu Waktu Waktu

Layer Komputasi Komputasi Komputasi Komputasi Komputasi Komputasi
Citra dengan dengan dengan dengan dengan dengan
1 Ciri 2 Ciri 3 Ciri 4 Ciri 5 Ciri 6 Ciri
Red 6,561 6,601 6,626 6,668 6,679 6,698
Green 6,589 6,595 6,679 6,682 6,701 -
Blue 6,566 6,567 6,616 - - -
Grayscale 6,728 6,763 6,792 6,863 - -
Berdasarkan Tabel 4.11, setiap penambahan ciri yang digunakan, waktu

komputasi semakin bertambah walaupun hanya sepersekian detik, hal tersebut
disebabkan semakin banyak ciri yang digunakan, maka waktu proses sistem juga
semakin lama. Selain itu, waktu komputasi citra grayscale lebih lama
dibandingkan citra red, green, dan blue karena adanya proses konversi dari citra
RGB ke grayscale.

Citra Digital 44
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil percobaan dan analisis data pada sistem klasifikasi

kualitas biji jagung berdasarkan ciri fisik ditinjau dari tekstur biji jagung
dengan menggunakan ekstraksi ciri statistik dan K-Nearest Neighbor maka
dapat ditarik kesimpulan sebagai berikut.
1. Metode ekstraksi ciri statistik orde pertama dan orde kedua, serta metode
klasifikasi K-Nearest Neighbor dapat digunakan untuk mengklasifikasikan
kualitas biji jagung dengan akurasi sebesar 91,85%.
2. Waktu komputasi sistem klasifikasi kualitas biji jagung masih tergolong
lambat dengan kisaran 6 sampai 7 detik. Semakin banyak ciri yang
digunakan, semakin lama proses komputasi sistem, terbukti waktu
komputasi citra red diperoleh sebesar 6,561 detik dengan menggunakan 1
ciri dan 6,698 detik dengan menggunakan kombinasi 6 ciri.
3. Kombinasi ciri yang menghasilkan akurasi paling baik dalam
pengklasifikasian kualitas biji jagung adalah kombinasi ciri skewness,
kurtosis, entropy orde satu, dan entropy dua pada ekstraksi ciri citra red,
dengan akurasi sebesar 87,41%.
4. Citra red menghasilkan akurasi sistem paling tinggi, yaitu 91,85% karena
warna biji jagung memiliki warna kekuningan mendekati warna jingga
yang terdiri dari komponen red = 255 dan green = 124.
5. Metode K-Nearest Neighbor dapat menghasilkan akurasi yang diharapkan
pada sistem klasifikasi kualitas biji jagung. Terbukti pada saat nilai k = 3
dan menggunakan Cityblock Distance dapat menghasilkan akurasi
91,85%.
BAB 5 KESIMPULAN DAN SARAN
5.2 Saran
Berikut adalah beberapa saran untuk pengerjaan-pengerjaan Tugas
Akhir selanjutnya :
1. Sebaiknya pada saat akuisisi citra biji jagung, jarak objek dengan kamera
lebih dari 15 cm agar ketika citra di-cropping menghasilkan citra yang
ukurannya lebih kecil sehingga waktu pemrosesan sistem lebih cepat.
2. Dibuat sistem yang dapat mengklasifikasikan jenis biji jagung di samping
klasifikasi kualitas.
3. Menggunakan metode ekstraksi ciri yang lain untuk meningkatkan
akurasi.
4. Menggunakan metode klasifikasi yang lain untuk meningkatkan akurasi.
5. Sistem dibuat real time.
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Ciri Fisik Berbasis Pengolahan
Citra Digital 46
DAFTAR PUSTAKA
[1] Wikipedia. (2011). Jagung. [Online]. Tersedia :

http://id.wikipedia.org/wiki/Jagung.html [20 September 2011]
[2] Pusat Penelitian dan Pengembangan Tanaman Pangan (1988). Jagung
Bogor. Badan Penelitian dan Pengembangan Pertanian
[3] Saenong, Sania. (1988). Teknologi Benih Jagung. Pusat Penelitian dan
Pengembangan Tanaman Pangan. Bogor. Badan Penelitian dan
Pengembangan Pertanian
[4] Somantri, Agus Supriatna. (2009). Identifikasi Mutu Fisik Jagung Dengan
Menggunakan Teknologi Pengolahan Citra Digital Dan Jaringan Syaraf
Tiruan. Jurnal Standardisasi Vol. 31, No. 5 Tahun 2009
[5] Purnomo, Mauridhi Hery dan Arif Muntasa. 2010. Konsep Pengolahan
Citra Digital dan Ekstraksi Fitur. Yogyakarta: Graha Ilmu
[6] Sutoyo, T., S.Si., M.Kom. (dkk). 2009. Teori Pengolahan Citra Digital.
Yogyakarta Penerbit ANDI
[7] Modul Praktikum Pengolahan Citra. (2008). Analisis Tekstur dan Ekstraksi
Ciri. [Online]. Tersedia : http://biomed.ee.itb.ac.id. [19 Juni 2012]
[8] Ardi. (2011). Analisis Tekstur dengan Metode GLCM (Gray Level Co-
occurrence Matrix). [Online]. Tersedia:
http://utekqu.wordpress.com/2011/01/23/analisis-tekstur-dengan-metode-
glcm/. [13 Juni 2012].
[9] Widiarsana, I.G.A Oke (dkk). (2011). Data Mining Metode Classification
K-Nearest Neighbor (KNN). [Online]. Tersedia:
http://www.scribd.com/doc/88859050/57208138-Metode-Algoritma-
KNN. [13 Juni 2012].
[10] Wijaya, Marvin Ch dan Agus Prijono. 2007. Pengolahan Citra Digital
Menggunakan Matlab, Image Processing Toolbox. Bandung : Penerbit
Informatika.
[11] Atmaja, Ratri Dwi. 2008. Deteksi Jenis Kayu dari Citra Perabot Ukiran
Jepara dengan Menggunakan JST Backpropagation. Bandung: Institut
Teknologi Telkom
[12] Sulistiana, I Nyoman. 2011. Identifikasi Terumbu Karang Berdasarkan
Citra Penginderaan Jauh Multispektral dengan Filter 2D Gabor Wavelet
dan k- Nearest Neighbor. Bandung: Institut Teknologi Telkom
48
LAMPIRAN A
TABEL KOMBINASI CIRI
A.1 CITRA GRAYSCALE

A.1.1 Kombinasi Dua Ciri
Tabel Hasil akurasi dari kombinasi dua ciri pada citra grayscale

CITRA GRAYSCALE Benar (%)
Variance1 dan Contrast 39 18 23 80 59,26
Entropy1 dan Contrast 42 24 21 87 64,44
Contrast dan Entropy2 44 15 23 82 60,74
A.1.2 Kombinasi Tiga Ciri

Tabel Hasil akurasi dari kombinasi tiga ciri pada citra grayscale

CITRA GRAYSCALE Benar (%)
39 18 23 80 59,26
Contrast
Variance1, Contrast, dan 39 18 23 80 59,26
Entropy2
Entropy1, Contrast, dan 42 23 23 88 65,19
Entropy2
A.1.3 Kombinasi Empat Ciri

Tabel Hasil akurasi dari kombinasi empat ciri pada citra grayscale
CITRA GRAYSCALE Kualitas 1 Kualitas 2 Kualitas 3 Benar (%)
Variance1, Entropy1,
39 18 23 80 59,26
Contrast, dan Entropy2
A-1
A.2 CITRA GREEN
Tabel Hasil akurasi dari kombinasi dua ciri pada citra green

CITRA GREEN Kualitas 1 Kualitas 2 Kualitas 3 Benar (%)
Variance1 dan Skewness 35 19 23 77 57,04
Variance1 dan Contrast 35 18 23 76 56,29
Skewness dan Contrast 45 19 19 83 61,48
Entropy1 dan Contrast 45 19 18 82 60,74
Contrast dan Entropy2 45 14 18 77 57,04

Tabel Hasil akurasi dari kombinasi tiga ciri pada citra green

CITRA GREEN Kualitas 1 Kualitas 2 Kualitas 3 Benar (%)
Variance1, Skewness, dan Entropy1 35 19 23 77 57,04

Variance1, Skewness, dan Contrast 35 18 23 76 56,29
Variance1, Skewness, dan Entropy2 35 19 23 77 57,04
Variance1, Entropy1, dan Contrast 35 18 23 76 56,29
Variance1, Entropy1, dan Entropy2 35 19 23 77 57,04
Variance1, Contrast, dan Entropy2 35 18 23 76 56,29
Skewness, Entropy1, dan Contrast 45 20 18 83 61,48
Skewness, Entropy1, dan Entropy2 44 27 23 94 69,63
Skewness, Contrast, dan Entropy2 45 20 18 83 61,48
Entropy1, Contrast, dan Entropy2 45 19 18 82 60,74
A-2
A.2.3 Kombinasi Empat Ciri
Tabel Hasil akurasi dari kombinasi empat ciri pada citra green
KOMBINASI CIRI Jumlah Data Benar Akurasi

Total Benar
CITRA GREEN Kualitas 1 Kualitas 2 Kualitas 3 (%)
35 18 23 76 56,29
Entropy1, dan Contrast
35 19 23 77 57,04
35 18 23 76 56,29
Variance1, Entropy1,
35 18 23 76 56,29
Skewness, Entropy1, Contrast,
45 20 17 82 60,74
dan Entropy2
A.2.4 Kombinasi Lima Ciri
Tabel Hasil akurasi dari kombinasi lima ciri pada citra green

Total Benar
CITRA GREEN Kualitas 1 Kualitas 2 Kualitas 3 (%)
Entropy1, Contrast, dan 35 18 23 76 56,29
Entropy2
A.3 CITRA BLUE
Tabel Hasil akurasi dari kombinasi dua ciri pada citra blue
KOMBINASI CIRI Jumlah Data Benar

Total Benar Akurasi (%)
CITRA BLUE Kualitas 1 Kualitas 2 Kualitas 3
Mean dan Contrast 41 19 36 96 71,11
Mean dan Entropy2 32 18 36 86 63,70

Contrast dan
44 12 16 72 53,33
Entropy2
Tabel Hasil akurasi dari kombinasi tiga ciri pada citra blue

Total Benar
CITRA BLUE (%)
Mean, Contrast, dan
Entropy2 41 19 36 96 71,11
A-3
LAMPIRAN B
TABEL DATABASE CIRI LATIH
B.1 CIRI CITRA RED

B.1.1 Biji Jagung Kualitas Satu
Mean Var1 Skew Kurt Ent1
146,7736 863,5806 -0,82759 1,111608 6,827567
143,5417 678,0664 -0,81873 0,746738 6,64642
156,301 720,7872 -0,77356 0,787814 6,709147
145,0089 605,1022 -0,66067 0,585962 6,602452
155,9595 621,9251 -0,84015 0,636399 6,578762
144,2986 588,7598 -0,7509 0,59361 6,563339
144,0805 603,2899 -0,88754 0,675943 6,539133
151,3968 695,7957 -0,87273 0,705136 6,651905
146,222 698,7409 -0,64661 0,695353 6,700542
150,2335 673,1056 -0,80307 0,82351 6,648714
142,3551 565,6847 -1,03719 0,976332 6,447709
135,2145 543,6295 -1,03383 1,244768 6,443228
137,4053 542,2373 -0,94822 0,930308 6,45634
142,5454 582,9593 -1,0043 1,078949 6,498704
134,156 579,0868 -0,85965 0,777918 6,530482
ASM CON COR Var2 IDM ent2
0,001026 17,14796 1,52E+09 5809250 0,335274 10,70729
0,00115 15,06594 1,45E+09 5520208 0,338565 10,48061
0,001138 15,21881 1,71E+09 6516903 0,344521 10,5224
0,001174 14,18013 1,47E+09 5610755 0,339785 10,42088
0,001171 16,69207 1,7E+09 6463847 0,337082 10,45696
0,001175 15,59128 1,46E+09 5553117 0,330447 10,43844
0,001185 17,39587 1,46E+09 5540691 0,329574 10,46247
0,001154 15,13702 1,61E+09 6121863 0,340138 10,48081
0,001179 14,34244 1,5E+09 5725622 0,349409 10,48578
0,001261 13,73625 1,58E+09 6025651 0,359371 10,39725
0,001453 13,09709 1,42E+09 5403824 0,364135 10,16399
0,001494 12,85153 1,29E+09 4887313 0,365476 10,15267
0,001421 12,65902 1,33E+09 5040996 0,363849 10,16907
0,001406 12,99077 1,43E+09 5422502 0,362673 10,22196
0,001331 13,71864 1,27E+09 4822957 0,358351 10,28385
B-1
B.1.2 Biji Jagung Kualitas Dua

139,87764 790,4078 -0,53296 0,300837 6,812485
140,09966 815,7173 -0,61405 0,265115 6,814585
140,04118 716,5847 -0,91316 0,836827 6,665381
141,10117 770,0087 -0,72826 0,640593 6,752744
144,18027 780,9182 -0,92316 0,748209 6,713072
142,63959 804,4018 -0,90964 0,880549 6,749955
143,27228 748,3326 -0,73255 0,633589 6,736369
142,85118 813,8483 -0,90452 0,7102 6,751868
143,09307 799,604 -0,76741 0,700395 6,771382
142,29249 795,5913 -0,6464 0,44134 6,791087
142,07441 806,7699 -0,58095 0,446478 6,8174
137,39497 1011,587 -0,26757 0,35608 7,009863
137,71844 959,8735 -0,16787 0,440932 6,974868
139,39208 1016,072 -0,21942 0,472029 7,002064
139,6914 1056,724 0,034353 0,403616 7,042702
0,0009064 19,76985 1,38E+09 5280313 0,31884 10,82041
0,0010251 15,88101 1,39E+09 5303215 0,348141 10,64814
0,0011998 14,95526 1,38E+09 5273765 0,351225 10,46972
0,001106 15,78018 1,4E+09 5364377 0,349731 10,5772
0,0011286 15,96861 1,47E+09 5593522 0,347896 10,54277
0,0011085 15,93512 1,44E+09 5485724 0,345878 10,59033
0,0011034 15,53687 1,45E+09 5517922 0,346582 10,57002
0,0010813 16,70653 1,44E+09 5503338 0,344103 10,60962
0,0010789 16,74283 1,44E+09 5517696 0,344138 10,62865
0,0010429 16,55295 1,43E+09 5457832 0,345464 10,64037
0,0010271 16,11688 1,42E+09 5444938 0,346601 10,66141
0,0010038 15,23041 1,35E+09 5160224 0,376365 10,76818
0,0012222 12,20221 1,35E+09 5170419 0,418771 10,51616
0,0010309 15,8081 1,38E+09 5304055 0,374015 10,77484
0,0009933 15,60013 1,39E+09 5336090 0,376258 10,80722
B-2
B.1.3 Biji Jagung Kualitas Tiga
140,5051 798,0593 -0,48823 -0,04356 6,816602
137,2132 821,2365 -0,62991 0,114842 6,816126
139,0142 937,073 -0,72656 0,257509 6,882898
138,912 958,7408 -0,57805 0,09791 6,938753
127,7312 943,8567 -0,63212 0,175332 6,911171
138,8361 965,7153 -0,67557 0,238397 6,925284
140,8613 979,7178 -0,42103 0,331712 6,973484
141,3063 1042,435 -0,54876 0,222013 7,008159
138,9757 955,9967 -0,65232 0,397207 6,928441
140,7467 899,0026 -0,60207 0,403162 6,896352
137,0115 914,7287 -0,75148 0,312293 6,867005
138,2401 888,5306 -0,81946 0,542701 6,833623
135,7396 943,0366 -0,78969 0,297958 6,868807
138,1168 953,5334 -0,71636 0,398033 6,911304
136,7057 854,4057 -0,7424 0,463278 6,830054
0,000966 16,48507 1,39E+09 5328140 0,340677 10,69107
0,000976 17,07018 1,33E+09 5098123 0,341205 10,69698
0,000846 21,22251 1,37E+09 5255063 0,312233 10,93299
0,000788 21,79994 1,37E+09 5253864 0,311414 11,00462
0,000961 16,03663 1,17E+09 4481697 0,351831 10,73793
0,000898 17,87005 1,37E+09 5250713 0,339394 10,82388
0,000907 17,35922 1,41E+09 5400471 0,340564 10,86227
0,000847 17,91745 1,42E+09 5448657 0,337935 10,91089
0,000913 17,91274 1,37E+09 5258191 0,339989 10,82455
0,000952 16,77806 1,4E+09 5371325 0,341727 10,77099
0,00095 16,31196 1,33E+09 5108187 0,342833 10,73076
0,001015 16,23104 1,36E+09 5188532 0,34644 10,67704
0,000969 16,04792 1,31E+09 5025834 0,34461 10,72125
0,000941 15,95311 1,36E+09 5196292 0,346209 10,75232
0,001001 16,11478 1,33E+09 5070928 0,34358 10,68791
B-3
B.2 CIRI CITRA GREEN

124,4925 1783,3724 -0,138735 -0,452467 7,4059789
121,33582 1466,3909 -0,232151 -0,568537 7,2541329
128,15373 1620,9959 -0,163447 -0,504423 7,3412901
119,29388 1426,6962 -0,0922 -0,542557 7,2511112
126,45791 1528,4487 -0,182966 -0,650577 7,2636904
119,35173 1374,7089 -0,13018 -0,508956 7,2114418
117,88852 1364,3509 -0,223476 -0,606766 7,193199
125,50134 1572,2413 -0,24794 -0,583178 7,3068218
121,71524 1557,8614 -0,070057 -0,476301 7,3170837
122,71849 1539,3166 -0,078432 -0,389416 7,3044016
115,37956 1274,1632 -0,266992 -0,592645 7,1156879
109,61627 1166,1693 -0,228559 -0,394343 7,0881761
111,71593 1207,6969 -0,241445 -0,596774 7,0985788
117,06737 1282,6281 -0,252012 -0,450635 7,1482987
ASM CON COR Var2 IDM Ent2
0,0005901 19,514869 1,164E+09 4485839,1 0,3268471 11,35758
0,0006507 17,094271 1,092E+09 4204629,3 0,330049 11,15818
0,0006296 17,673924 1,215E+09 4682781,1 0,3341471 11,23728
0,0006561 16,273061 1,057E+09 4067671,4 0,3297868 11,14909
0,0006457 18,393539 1,181E+09 4547479,6 0,3300397 11,19795
0,0006654 17,781265 1,055E+09 4057378,6 0,3217144 11,15759
0,000653 18,938055 1,031E+09 3965321,2 0,3236107 11,16809
0,0006267 17,425774 1,167E+09 4497054,3 0,3310118 11,21115
0,0006586 16,507738 1,104E+09 4251712,8 0,3394168 11,18232
0,0007053 15,263162 1,12E+09 4310483,6 0,3514003 11,11379
0,0008007 14,321709 986322349 3791335,6 0,3577734 10,88473
0,0008368 13,845284 892589788 3428863,8 0,3600728 10,84088
0,0007952 13,801185 926088300 3559520,3 0,3573534 10,86327
0,0007901 14,043012 1,013E+09 3895035,7 0,3566087 10,91953
0,0007669 14,860328 946427015 3638744,3 0,3526211 10,93921
B-4
116,5568 1658,5599 -0,06981925 -0,6727017 7,3539396
116,1339 1628,5651 -0,11156458 -0,6286114 7,33716268
114,7147 1452,0785 -0,16015294 -0,4763583 7,25500354
118,1799 1620,7889 -0,09558751 -0,5025874 7,33926972
119,7062 1568,5195 -0,25347183 -0,5371826 7,29217848
120,8116 1619,2206 -0,22563178 -0,4250177 7,33075854
120,4036 1567,408 -0,12331773 -0,3929116 7,31990935
120,8501 1699,7094 -0,27182358 -0,6131816 7,3450137
121,1636 1682,5538 -0,11782636 -0,4891119 7,3594283
119,2333 1655,0971 -0,09898357 -0,5734563 7,35213799
120,3656 1720,8076 -0,07973934 -0,54289 7,373658
118,0613 1920,2519 0,157802512 -0,3446542 7,47211251
116,6034 2030,7948 0,338121958 -0,3144705 7,49639472
120,7218 1932,9696 0,106467268 -0,2234126 7,46861566
119,7849 2119,8413 0,299889238 -0,2621876 7,52768827
0,00054 21,664463 1027308548 3959453,24 0,31209159 11,4180399
0,000621 17,687581 1019031353 3926721,48 0,34037802 11,2321738
0,000694 16,481479 986601568,4 3797232,99 0,34426848 11,1151387
0,000639 17,480781 1050918609 4048772,85 0,3426785 11,2209671
0,000656 17,719038 1072272050 4129060,29 0,34010499 11,1838767
0,000641 17,578007 1093230989 4210699,89 0,33801802 11,2333799
0,000655 17,312008 1083349740 4171971,51 0,33883054 11,2150015
0,000615 18,590596 1098649426 4233422 0,33625622 11,2652806
0,000624 18,740453 1102736941 4248681,66 0,33611498 11,2821337
0,000616 18,474334 1069710787 4122109,61 0,33762046 11,2635673
0,000615 17,934279 1092155397 4209095,24 0,33883165 11,2777212
0,000641 16,989838 1067839169 4118328,45 0,36812257 11,2890496
0,000722 14,032632 1052075443 4058820,36 0,40729432 11,1113161
0,000651 17,740014 1111449755 4285735,56 0,3651396 11,3024698
0,000616 17,66772 1108051582 4275542,61 0,36732457 11,3557149
B-5

118,27408 1520,09959 -0,08960123 -0,62743936 7,29156978
115,662693 1417,39673 -0,17064562 -0,51654176 7,2436653
116,416008 1634,23934 -0,13892747 -0,60867002 7,33693917
118,053708 1793,03537 -0,05348393 -0,727212 7,40738311
108,34528 1527,13921 -0,08909746 -0,55151173 7,29527904
118,562821 1736,27607 -0,18098569 -0,65695502 7,37840778
122,000686 1836,21426 -0,07223882 -0,41746879 7,43972231
121,001982 1877,14809 -0,07272296 -0,58624845 7,45028898
119,917889 1738,82403 -0,15178734 -0,59854626 7,39109464
121,150472 1632,95636 -0,13081709 -0,49268092 7,35418537
116,929743 1604,19265 -0,20639814 -0,63825974 7,32068083
116,050373 1581,65467 -0,14463391 -0,56320449 7,318951
117,131674 1571,21869 -0,29665154 -0,55877005 7,29164149
118,824218 1674,27898 -0,20232927 -0,59221732 7,35480194
114,758188 1450,92715 -0,13260463 -0,49786611 7,26066913
0,00061641 18,3589896 1045965448 4028738,921 0,33213687 11,2306933
0,00065987 18,6520655 998889437,4 3844453,45 0,33415468 11,1795004
0,0005422 22,8444548 1023515764 3943803,134 0,30684818 11,4346864
0,00049747 23,8047071 1059080475 4084371,664 0,30460843 11,5290437
0,00065353 17,1465056 895628934 3449424,17 0,34683112 11,1643978
0,00057653 19,7479279 1063968825 4101574,001 0,33190068 11,3362288
0,00057785 19,1748949 1125741829 4340536,949 0,33348306 11,3842959
0,00055306 19,6845252 1111818356 4288312,297 0,33071559 11,4085285
0,00057974 19,7501315 1085743490 4185617,521 0,33300579 11,3425062
0,00061317 18,2576129 1099183475 4235221,933 0,3352619 11,2805097
0,00061311 17,7813886 1030075710 3968741,961 0,3358503 11,2362478
0,00063419 17,565311 1014973509 3909862,695 0,3402004 11,2106636
0,00064492 17,2138036 1031551939 3972594,243 0,33897761 11,1885635
0,00061088 17,1559868 1064326894 4101761,463 0,33976243 11,2426866
0,00066138 17,292997 987019303,9 3799434,5 0,33744573 11,1658337
B-6
B.3 CIRI CITRA BLUE
75,387002 2688,8862 0,8186416 -0,1232395 7,43618129
72,230195 2179,8228 0,6842585 -0,3442706 7,33731896
68,553025 2434,7604 0,7635452 -0,2597833 7,37036867
65,657745 2130,0601 0,7544467 -0,3080361 7,26045332
68,398447 2183,7221 0,5113197 -0,8593536 7,30696937
66,955586 2038,7097 0,6849629 -0,4681959 7,25814452
63,3941 1965,783 0,5762954 -0,7538838 7,18722636
69,527248 2247,9074 0,633767 -0,7091404 7,29304746
68,72278 2564,6047 0,8240082 -0,170613 7,37165315
61,398221 2338,4925 0,8043464 -0,3247741 7,25481892
60,189065 1826,5036 0,5639231 -0,9823781 7,09603303
57,801376 1765,0443 0,7792547 -0,4179179 7,08253188
59,290954 1785,8709 0,6383775 -0,7522659 7,10028778
61,496856 2071,2726 0,6549773 -0,7361139 7,1916987
68,164616 2120,5171 0,5681198 -0,8371223 7,24730515
0,0005569 22,926073 565855167 2179471,74 0,29882138 11,541775
0,0005853 20,083486 500913591 1928331 0,30346346 11,386257
0,0005923 21,243264 482847806 1858829,57 0,30443496 11,426634
0,0006646 19,253551 437095227 1680227,26 0,30615922 11,285147
0,0005942 19,612481 464656971 1789000,4 0,31168246 11,320041
0,0006117 20,37777 442370312 1701231,52 0,29806358 11,327593
0,0006617 19,778963 406455348 1562012,6 0,30765067 11,222568
0,00062 20,729478 479977637 1846198,43 0,30284138 11,345469
0,0006232 20,833631 493261067 1898219,6 0,30933795 11,407718
0,0007547 16,998871 414525423 1593133,56 0,32989833 11,155551
0,0008044 15,157581 370820837 1423883,58 0,3390054 10,938442
0,0008677 14,908544 347945162 1334641,3 0,3406621 10,915374
0,0008189 14,891581 360882152 1385299,7 0,33828486 10,942892
0,0007677 15,274215 397578110 1527851,41 0,33672274 11,045157
0,0007096 16,403695 459010717 1765349,2 0,33145837 11,143066
B-7

118,173932 1369,4634 0,00468919 -0,5557094 7,2317728
117,898599 1349,0752 -0,0494966 -0,5314904 7,2178803
116,456188 1203,7027 -0,0974624 -0,3679215 7,1352619
120,035262 1356,7129 -0,0413666 -0,3954613 7,2247783
121,300518 1302,5936 -0,2022705 -0,4639598 7,1780307
122,288225 1362,5224 -0,1742107 -0,3355799 7,2231008
121,894652 1311,6858 -0,0498345 -0,3037755 7,2051321
122,402051 1420,563 -0,2202401 -0,5452577 7,2378135
122,85086 1417,7667 -0,0666161 -0,4010337 7,250292
120,838146 1383,4587 -0,0289727 -0,4707012 7,2394786
121,99121 1446,6985 -0,0113283 -0,4620532 7,2645916
119,301761 1660,2554 0,24775717 -0,2067913 7,3711412
118,410777 1721,0663 0,42846109 -0,1128945 7,3775616
121,796726 1662,4287 0,21597304 -0,0508309 7,365994
121,363039 1820,5552 0,40623574 -0,0845227 7,4166981
0,00061344 20,499052 1034989574 3983590,61 0,3196771 11,255267
0,00070752 16,562691 1029560884 3961941,43 0,3498392 11,063492
0,00079389 15,400228 998632008 3837739,73 0,3540805 10,94498
0,00072339 16,424764 1064387155 4095393,81 0,3519856 11,059195
0,0007409 16,543518 1081794913 4160333,22 0,3499355 11,019288
0,00072018 16,528797 1101596478 4237752,47 0,3472022 11,078537
0,00073961 16,229754 1092012960 4199911,72 0,3482396 11,051839
0,00068994 17,417826 1106701530 4259551,82 0,3456408 11,109511
0,00070074 17,627708 1114083301 4287300,46 0,3451195 11,126214
0,00069742 17,306352 1078846441 4152149,61 0,3470696 11,101789
0,00069022 16,840566 1101643919 4240744,68 0,3479874 11,121446
0,00072446 15,953629 1071531418 4127899,21 0,3771503 11,13857
0,00085526 12,906229 1061476407 4089319,88 0,4220249 10,917063
0,00073614 16,629333 1112238597 4283874,24 0,3743019 11,149303
0,00070514 16,548329 1115044259 4297279,39 0,376449 11,193473
B-8

69,51221 2468,6509 0,6750014 -0,4268816 7,3493765
68,69345 2329,8662 0,6914282 -0,4114006 7,3458324
63,50188 2483,7743 0,82157658 -0,2669267 7,3028949
74,270369 2748,078 0,67933678 -0,358082 7,4352076
69,442343 2585,2033 0,62654906 -0,6207421 7,3972777
76,433926 2804,9862 0,6335745 -0,4087693 7,503828
73,431064 2725,606 0,74758268 -0,1745031 7,4669564
76,686705 2844,4703 0,53493474 -0,7212735 7,4840207
78,379626 2929,1523 0,65050841 -0,4252758 7,5193457
72,751049 2813,5811 0,73221519 -0,4159702 7,413721
77,607884 2837,8235 0,66730252 -0,4226817 7,4820415
78,161705 3223,041 0,94122824 0,11599529 7,5024056
77,004057 3570,6004 1,07288037 0,37977198 7,4896205
81,102343 3201,983 0,90091659 0,22209453 7,5498313
81,320002 3539,6191 0,95686212 0,15881041 7,54379
0,0005871 23,598169 494183770 1901636,89 0,295108 11,487766
0,0006533 19,601497 477258199 1836967,27 0,3201908 11,334233
0,0007219 18,304939 441716965 1698527,78 0,323882 11,247819
0,0006207 19,83828 558464446 2151191,1 0,3209072 11,419844
0,0006109 19,773516 500889206 1929570,56 0,3176343 11,389612
0,0005527 20,21751 583493262 2250127,17 0,3142077 11,524422
0,0005862 19,885469 548350843 2113313,09 0,3162586 11,472845
0,0005609 20,786392 588854347 2270369,28 0,3146251 11,505667
0,0005491 21,781404 611978589 2359940,69 0,3122207 11,564548
0,0006295 20,930774 548094896 2110111,33 0,3136403 11,43673
0,0005782 20,089358 598185632 2305755,51 0,3167117 11,491509
0,0006795 20,89754 629908970 2426515,42 0,3428883 11,461664
0,0008306 18,670933 641437634 2469436,34 0,3762545 11,278507
0,0006189 21,529009 659351801 2542585,12 0,3420554 11,516894
0,0006716 21,756434 684589621 2638484,62 0,3445517 11,502103
B-9
B.4 CIRI CITRA GRAYSCALE

71,42523575 2097,26635 0,581408768 -0,46614323 7,348186185
69,63803725 1734,7839 0,580177301 -0,4665607 7,243240093
69,48379375 2210,4941 0,686188874 -0,38883807 7,341125005
75,8450345 2487,69571 0,648735023 -0,48584599 7,431127188
69,47764225 2129,21231 0,660751432 -0,3706868 7,30543792
76,11184575 2258,43486 0,490905139 -0,65588132 7,392220691
83,090982 2945,22503 0,664934974 -0,24869878 7,5594676
80,467304 2908,00908 0,626402653 -0,49132768 7,535234232
81,5584515 2562,30395 0,557267502 -0,44356373 7,486331779
78,31197625 2513,75443 0,640222854 -0,37219371 7,459576321
71,399994 2093,96671 0,633371183 -0,47429279 7,322038003
70,51906225 2242,29592 0,679562323 -0,44905683 7,339040611
76,98511375 2184,80587 0,472287658 -0,69868161 7,378775162
82,0889395 2392,17769 0,506351651 -0,60713201 7,448612464
71,399994 2093,96671 0,633371183 -0,47429279 7,322038003
0,000595038 20,2714168 487369184 1877133,773 0,313307744 11,375124
0,000643176 19,7380402 446672663,4 1718692,144 0,317183237 11,250712
0,0005582 24,4039922 476283880,8 1833482,703 0,291137614 11,5064212
0,000511562 25,7708058 556659625,6 2145067,266 0,287853499 11,6302292
0,000675771 18,3249863 471411550 1814168,483 0,329206757 11,2494884
0,000577004 21,5599934 544325833,7 2097520,336 0,313208952 11,4363448
0,000528764 21,8804313 663821469,3 2561182,608 0,312753522 11,6094522
0,000534682 21,9373082 632766027,9 2440615,74 0,309381156 11,5962151
0,000543147 22,2579665 621789306,9 2397886,338 0,312066137 11,5408716
0,000562046 20,3851565 584014468,7 2251254,112 0,313066334 11,490002
0,00062947 18,9217062 487156943,2 1875468,623 0,318223293 11,3143491
0,000639183 19,1304489 488556699,4 1880730,66 0,320421082 11,3197166
0,000587192 18,6577146 548575046,7 2113895,918 0,319008776 11,366897
0,000556939 19,0550457 616476094,9 2377081,116 0,318734977 11,4402108
0,00062947 18,9217062 487156943,2 1875468,623 0,318223293 11,3143491
B-10

125,5669578 1474,882494 -0,0800395 -0,306688 7,28648136
122,3859563 1193,9633 -0,1660539 -0,4670623 7,12723148
129,7837478 1302,197499 -0,0894741 -0,4116829 7,19802054
120,8767298 1138,452485 -0,0124454 -0,4452017 7,10071472
128,6696988 1210,593469 -0,1498247 -0,6104136 7,11101047
120,8451915 1099,133735 -0,0694596 -0,4420891 7,06558711
119,514389 1090,842583 -0,1815749 -0,5464732 7,0460194
126,8709218 1256,5328 -0,1971836 -0,52851 7,16209676
123,011403 1275,055434 0,02541907 -0,3576659 7,18607422
123,959268 1233,736913 -0,0238541 -0,3117126 7,1573476
117,1592085 1019,29808 -0,2404844 -0,5558862 6,96785779
111,3703368 940,7602189 -0,1880602 -0,2859345 6,94832925
113,426824 970,3899838 -0,1978959 -0,5323624 6,95833572
118,3598368 1041,377802 -0,2010128 -0,3980279 7,01219896
114,1785848 1028,793289 -0,1609423 -0,4710013 7,01796119
0,000674529 17,90576293 1162967773 4476387,14 0,33662792 11,181999
0,000744346 15,70460973 1092941657 4201110,26 0,33983595 10,975628
0,000735543 16,0230362 1224510000 4709870,65 0,3456169 11,028765
0,000767923 14,82207421 1065096875 4092181,61 0,34066112 10,93613
0,000742944 17,24163541 1199877073 4611856,78 0,33859844 10,999601
0,000767231 16,28683552 1062324534 4079649,3 0,33151281 10,95528
0,000750252 17,81739156 1040183305 3995067,51 0,33141286 10,978485
0,000725765 15,9240578 1171545889 4505595,68 0,34144281 11,007025
0,000761052 15,08759088 1108199212 4261367,55 0,35056155 10,989004
0,000815887 14,2078229 1121712209 4311363,46 0,36134944 10,914608
0,000920545 13,35256678 998973893 3833083,83 0,36753265 10,686579
0,000966985 13,00057008 905432713 3471411,13 0,3694999 10,654332
0,000914695 12,90152158 937881943 3598378,53 0,36704014 10,67365
0,000905861 13,16458369 1019275428 3911938,17 0,36600263 10,735848
0,000866185 13,99660551 952804953 3657778,85 0,3615153 10,773263
B-11

119,587299 1266,67536 -0,0315753 -0,5570711 7,17207205
116,866227 1184,41785 -0,1446212 -0,4583864 7,12552719
117,829923 1376,54872 -0,1136737 -0,5066409 7,22785125
119,486142 1510,69854 -0,0210741 -0,6378193 7,2980495
109,720573 1324,20106 -0,0606797 -0,4663531 7,20439522
119,792044 1468,56152 -0,1617723 -0,5766724 7,27239632
123,211001 1583,65285 0,01397389 -0,3045664 7,34441876
122,458852 1617,83252 -0,0223522 -0,4942252 7,35581983
121,249841 1488,72137 -0,1132697 -0,4972627 7,29280818
122,133926 1395,07806 -0,0667564 -0,3949584 7,2533418
118,286592 1369,64355 -0,1838256 -0,5679086 7,22131773
117,502339 1336,12765 -0,124702 -0,4566204 7,21063082
118,126028 1353,29918 -0,2679171 -0,4895725 7,2003877
120,411173 1442,10793 -0,1753349 -0,5030914 7,26174821
116,384698 1237,93659 -0,1112004 -0,4021781 7,15641642
0,0007002 17,2372219 1051486043 4044618,34 0,34169546 11,0618834
0,00074741 17,5522074 1003568360 3857191,88 0,34360841 11,01307
0,00060995 21,721589 1029939087 3963531,02 0,3139816 11,2872969
0,00056007 22,5772338 1064405124 4100080,43 0,3121915 11,3791498
0,00072667 16,2483609 903260506 3475051,42 0,35562331 11,0299278
0,00064919 18,607826 1067069234 4108779,3 0,3409458 11,1834949
0,0006448 18,1452023 1130029418 4352615,89 0,34206645 11,2451778
0,00061726 18,6059092 1119496754 4313606,65 0,33934107 11,2697863
0,00064982 18,6879724 1091868319 4204610,47 0,34166571 11,1998863
0,00068748 17,2650802 1100705884 4236213,03 0,34375351 11,1359834
0,00068595 16,8083127 1037066896 3991206,86 0,34478157 11,0922986
0,00071687 16,5778705 1022724380 3934688,1 0,3492496 11,0569603
0,00071353 16,3084718 1033829828 3977268,12 0,34741815 11,0550454
0,00068039 16,2719713 1075492745 4140444,99 0,34848635 11,1068542
0,00074553 16,3801264 999403196 3842109,76 0,34621621 11,0175738
B-12
LAMPIRAN C
PROGRAM KLASIFIKASI KUALITAS BIJI JAGUNG
C.1 Browse File
function browse_Callback(hObject, eventdata, handles)

clc
[file path flag]=uigetfile('*.jpg','select *.jpg file');
if flag~=0
pic=imread([path file]);
[r c l]=size(pic);
axes(handles.gambar);
imshow(pic);
set (handles.namagambar,'string',file);
save sampeljagung.mat pic r c l
end
C.2 Program Preprocessing

function preprocessing_Callback(hObject, eventdata, handles)
load sampeljagung.mat
[jumbar jumkol jumlapis] = size(pic);
geser_kiri = 100;
pusat_bar = round(jumbar./2);
pusat_kol = round(jumkol./2) – geser_kiri;
half = 1000;
citra_cropp = pic(pusat_bar – half : pusat_bar + half – 1, pusat_kol –
half : pusat_kol + half – 1, : );
axes(handles.gambar2);
imshow(citra_cropp);
set (handles.namagambar2,’string’,’Citra Hasil Cropping’);
save citra_cropp.mat citra_cropp
C.3 Program Ekstraksi Ciri

function pushbutton7_Callback(hObject, eventdata, handles)
load citra_cropp
if get(handles.radiobutton7, 'Value')
citra_warna = rgb2gray(citra_cropp);
set (handles.namagambar3,'string','Citra Grayscale');
elseif get(handles.radiobutton8, 'Value')

citra_warna = citra_cropp(:,:,1);
set (handles.namagambar3,'string','Citra Red');

set (handles.namagambar3,'string','Citra Green');

set (handles.namagambar3,'string','Citra Blue');
end
axes(handles.gambar3);
imshow(citra_warna);
C-1
[CiriMEAN CiriVAR CiriSKEW CiriKURT CiriENT] = CiriOrdeSatu(citra_warna);
[CiriASM CiriCON CiriCOR CiriVAR2 CiriIDM CiriENT2] =
CiriOrdeDua(citra_warna);
ciri_orde_satu_data_uji = [CiriMEAN CiriVAR CiriSKEW CiriKURT CiriENT];

ciri_orde_dua_data_uji = [CiriASM CiriCON CiriCOR CiriVAR2 CiriIDM
CiriENT2];
pil_ciri_orde_satu = [];
pil_ciri_orde_dua = [];
if get(handles.checkbox1, 'Value') == 1
pil_ciri_orde_satu = [pil_ciri_orde_satu 1];
set(handles.edit13,'string',CiriMEAN)
end
set(handles.edit14,'string',CiriVAR)
end
set(handles.edit15,'string',CiriSKEW)
end
set(handles.edit16,'string',CiriKURT)
end
set(handles.edit17,'string',CiriENT)
end
pil_ciri_orde_dua = [pil_ciri_orde_dua 1];
set(handles.edit18,'string',CiriASM)
end
set(handles.edit19,'string',CiriCON)
end
set(handles.edit20,'string',CiriCOR)
end
set(handles.edit21,'string',CiriVAR2)
end
set(handles.edit22,'string',CiriIDM)
C-2
end
set(handles.edit23,'string',CiriENT2)
end
data_uji_1 = ciri_orde_satu_data_uji(:,pil_ciri_orde_satu);
data_uji_2 = ciri_orde_dua_data_uji(:,pil_ciri_orde_dua);
data_uji = [data_uji_1 data_uji_2];
save data_ciri data_uji pil_ciri_orde_satu pil_ciri_orde_dua
C.4 Program Ciri Orde Pertama

function [CiriMEAN CiriVAR CiriSKEW CiriKURT CiriENT] = CiriOrdeSatu(citra)
H=imhist(citra)';
H=H/sum(H);
I=[0:255];
CiriMEAN= I*H';
CiriENT=-H*log2(H+eps)';
CiriVAR=(I-CiriMEAN).^2*H';
CiriSKEW = (I-CiriMEAN).^3*H'/CiriVAR^1.5;
CiriKURT=(I-CiriMEAN).^4*H'/CiriVAR^2-3;
fprintf('\n\tMean :%13.4f\n',CiriMEAN);
fprintf(' \tVariance :%13.4f\n',CiriVAR );
fprintf(' \tSkewness :%13.4f\n',CiriSKEW);
fprintf(' \tKurtosis :%13.4f\n',CiriKURT);
fprintf(' \tEntropy :%13.4f\n',CiriENT );
C.5 Program Ciri Orde Kedua

function [CiriASM CiriCON CiriCOR CiriVAR CiriIDM CiriENT]=
CiriOrdeDua(pic)
mk000=ko000(pic);
mk045=ko045(pic);
mk090=ko090(pic);
mk135=ko135(pic);
MatKook=(mk000+mk045+mk090+mk135)/4;
I=[1/256];
SumX=sum(MatKook);
SumY=sum(MatKook,2);
MeanX=SumX*I';
MeanY=SumY*I';
StdX=sqrt((I-MeanX).^2*SumX');
StdY=sqrt((I-MeanY').^2*SumY);
save data_error
CiriASM=sum(sum(MatKook.^2));
CiriCON=0;CiriCOR=0;CiriVAR=0;CiriIDM=0;CiriENT=0;
for i=1:256
for j=1:256
TempCON = (i-j)*(i-j)*MatKook(i,j);
TempCOR = (i)*(j)*MatKook(i,j);
TempVAR = (i-MeanX)*(j-MeanY)*MatKook(i,j);
TempIDM = (MatKook(i,j))/(1+(i-j)*(i-j));
C-3
TempENT = -(MatKook(i,j))*(log2(MatKook(i,j)+eps));
CiriCON = CiriCON + TempCON;
CiriCOR = CiriCOR + TempCOR;
CiriVAR = CiriVAR + TempVAR;
CiriIDM = CiriIDM + TempIDM;
CiriENT = CiriENT + TempENT;
end
end
CiriCOR=(CiriCOR-MeanX*MeanY)/(StdX*StdY);
fprintf('\n\tASM :%13.4f\n',CiriASM);
fprintf(' \tCON :%13.4f\n',CiriCON);
fprintf(' \tCOR :%13.4f\n',CiriCOR);
fprintf(' \tVAR :%13.4f\n',CiriVAR);
fprintf(' \tIDM :%13.4f\n',CiriIDM);
fprintf(' \tENT :%13.4f\n',CiriENT);
C.6 Program Matriks Kookurensi Orientasi 0o

function MatriksHasil=ko000(pic)
pic=double(pic);
Temp=zeros(256);
[tinggi,lebar]=size(pic);
for i=1:tinggi
for j=1:lebar-1
p=pic(i,j)+1;
q=pic(i,j+1)+1;
Temp(p,q)=Temp(p,q)+1 ;
Temp(q,p)=Temp(q,p)+1 ;
end
end
JumlahPixel=sum(sum(Temp));
MatriksHasil=Temp/JumlahPixel;

pic=double(pic);
Temp=zeros(256);
for i=2:tinggi
for j=1:lebar-1
p=pic(i,j)+1;
q=pic(i-1,j+1)+1;
Temp(p,q) = Temp(p,q)+1 ;
Temp(q,p) = Temp(q,p)+1 ;
end
end

pic=double(pic);
Temp=zeros(256);
for i=2:tinggi
for j=1:lebar
p=pic(i,j)+1;
C-4
q=pic(i-1,j)+1;
end
end

pic=double(pic);
Temp=zeros(256);
for i=2:tinggi
for j=2:lebar
p=pic(i,j)+1;
q=pic(i-1,j-1)+1;
end
end
C.11 Program Klasifikasi

function klasifikasi_Callback(hObject, eventdata, handles)
if get(handles.radiobutton7, 'Value')
load gray1
load gray2
load gray3
load ciri_orde1_dan_orde2_kw1
load kw2
load ciri_orde1_dan_orde2_kw3
load green1
load green2
load green3
load blue1
load blue2
load blue3
end
load data_ciri
jum_data_latih = 15;
data_latih_1 = [ciri_orde_satu_kw1(1:jum_data_latih, pil_ciri_orde_satu);
ciri_orde_satu_kw2(1:jum_data_latih, pil_ciri_orde_satu);
ciri_orde_satu_kw3(1:jum_data_latih,pil_ciri_orde_satu)];
data_latih_2 = [ciri_orde_dua_kw1(1:jum_data_latih, pil_ciri_orde_dua);
ciri_orde_dua_kw2(1:jum_data_latih, pil_ciri_orde_dua);
ciri_orde_dua_kw3(1:jum_data_latih,pil_ciri_orde_dua)];
data_latih = [data_latih_1 data_latih_2];
kls1 = 'KUALITAS 1';

kls1 = repmat(kls1,jum_data_latih,1);
C-5
grup_kelas = [kls1; kls2; kls3];
pil = get(handles.popupmenu4,'value');
switch pil
case 1
pil_k = 1
case 2
pil_k = 2
case 3
pil_k = 3
case 4
pil_k = 4
case 5
pil_k = 5
end
switch pil
case 1
pil_distance = 'euclidean';
case 2
pil_distance = 'cityblock';
case 3
pil_distance = 'cosine';
case 4
pil_distance = 'correlation';
end
switch pil
case 1
pil_rule = 'nearest';
case 2
pil_rule = 'random';
case 3
pil_rule = 'consensus';
end
kelas_data_uji = knnclassify(data_uji, data_latih, grup_kelas, pil_k,

pil_distance, pil_rule);
set(handles.namakw, 'string', kelas_data_uji);
C-6

Laporan Tugas Akhir Image Processing PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Laporan Tugas Akhir Image Processing PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

SISTEM KLASIFIKASI KUALITAS BIJI JAGUNG BERDASARKAN

TEKSTUR BERBASIS PENGOLAHAN CITRA DIGITAL

Classification System of Corn Kernel Quality based on Texture

Using Digital Image Processing

PROGRAM STUDI S1 TEKNIK TELEKOMUNIKASI

SISTEM KLASIFIKASI KUALITAS BIJI JAGUNG BERDASARKAN TEKSTUR

CLASSIFICATION SYSTEM OF CORN KERNEL QUALITY

Bandung, Juni 2012

Pembimbing I, Pembimbing II,

BAMBANG HIDAYAT, Dr., Ir. RATRI DWI ATMAJA, ST., MT.

LEMBAR PERNYATAAN ORISINALITAS

NAMA : Debby Permatasari

SISTEM KLASIFIKASI KUALITAS BIJI JAGUNG BERDASARKAN

Classification System of Corn Kernel Quality based on Texture

Bandung, Juni 2012

Berdasarkan simulasi secara keseluruhan, maka dapat disimpulkan bahwa

At this final project is designed a classification system to determine the

Based on a simulation, it can be concluded that the system can be classified

Assalamu’alaikum Warahmatullahi Wabarakatuh

Alhamdulillahirobbil’alamiin, penulis panjatkan karena hanya dengan

Dalam penulisan tugas akhir ini penulis menyadari masih banyak

Sebagai penutup, penulis memohon maaf atas segala kesalahan yang

Wassalamu’alikum Warahmatullahi Wabarakatuh.

Bandung, Juni 2012

Dalam kesempatan ini penulis ingin mengucapkan terima kasih kepada

HALAMAN JUDUL ........................................................................................ i

Gambar 2.1 Jagung Bisma ...............................................................................5

SNI Standar Nasional Indonesia

Tekstur Keteraturan pola-pola tertentu yang terbentuk dari susunan

Piksel Elemen terkecil dari sebuah citra digital yang merupakan

Cropping Proses pemotongan sejumlah piksel dari citra

Database Kumpulan satu atau lebih file

1.1 Latar Belakang

Salah satu produk pertanian yang mengambil peran dalam pembangunan

1.4 Rumusan Masalah

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan

1.5 Batasan Masalah

1.6 Metodologi Penelitian

1.7 Sistematika Penulisan

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan

BAB 2 DASAR TEORI

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan

2.1 Jagung [1]

Gambar 2.1 Jagung Bisma[1]

2.1.1 Jenis-Jenis jagung [2]

b. Indurata (Flint, "mutiara")

b. Jagung Bersari Bebas

2.1.2 Biji Jagung [4]

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan

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

No. Mutu fisik Definisi

4. Biji kusam Biji jagung yang berwarna cenderung gelap

Berikut ini contoh-contoh citra biji jagung berdasarkan kualitas :

Gambar 2.2 Biji Jagung Kualitas 1

Gambar 2.3 Biji Jagung Kualitas 2

Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan

Gambar 2.4 Biji Jagung Kualitas 3

Dan sebagai informasi saja, menurut standar SNI 01-3920-1995, kriteria

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

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