Laporan Tugas Akhir Image Processing PDF
Laporan Tugas Akhir Image Processing PDF
TUGAS AKHIR
Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknik
pada Fakultas Elektro dan Komunikasi
Institut Teknologi Telkom
Oleh:
DEBBY PERMATASARI
111081075
LEMBAR PENGESAHAN
TUGAS AKHIR
Disusun oleh :
DEBBY PERMATASARI
111081075
Telah disetujui dan disahkan sebagai Tugas Akhir Program S1 Teknik Telekomunikasi
Fakultas Elektro dan Komunikasi Institut Teknologi Telkom
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
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.
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).
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.
Key word: corn kernel, classification, quality, texture analysis, statistic, K-NN
v
KATA PENGANTAR
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.
Debby Permatasari
vi
LEMBAR UCAPAN TERIMA KASIH
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
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
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 2.4 Matriks Iterasi 1 Sudut 0o ................................................................... 16
Tabel 2.5 Matriks Iterasi 2 Sudut 0o ................................................................... 17
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
xiii
DAFTAR ISTILAH
Citra Latih Citra wajah yang dilatihkan yang berfungsi sebagai database
Citra Uji Citra wajah yang digunakan untuk menguji keandalan sistem
xiv
BAB I
PENDAHULUAN
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.
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.
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 :
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
Persyaratan kualitas
No Jenis uji Satuan
I II III
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
a. Makrostruktur
b. Mikrostruktur
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).
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.
Kanan : Hubungan ketetanggaan antar piksel sebagai fungsi orientasi dan jarak
spasial.
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.
e. Entropy (H)
Menunjukkan ukuran ketidakteraturan bentuk dari suatu citra.
2
H=- log p( ) (2.7)
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.
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.
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]
c) (1,3) / 60 = 5 / 60 = 0,0833
d) Dan seterusnya hingga (4,4)
Tabel 2.7 menunjukkan matriks kookurensi sudut 0o :
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.
0,2083 0 0,0833 0
0 0,2083 0,0208 0
0,0833 0,0208 0,1667 0
0 0 0 0,2083
(2.9)
Dimana p(i,j) menyatakan nilai pada baris I dan kolom j pada matriks
kookurensi.
b. Contrast
(2.10)
c. Correlation
(2.11)
d. Variance
(2.12)
(2.13)
f. Entropy
(2.14)
(2.15)
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
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.
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.
Preprocessing Preprocessing
(a)
Data ciri citra uji
Selesai
(b)
Gambar 3.2 (a) Diagram Alir Pembuatan Database (b) Diagram Alir Pengujian
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.
Mulai
Sampel biji
jagung
Penempatan sampel ke
dalam kotak
Pengaturan penyinaran
Pengambilan citra
Selesai
3.3.2 Preprocessing
Mulai
Input Citra
Cropping
Citra Hasil
Cropping
Selesai
Ambil layer
Citra green
green
Citra Hasil
Cropping
Ekstraksi Ciri
Ambil layer blue Citra blue
Konversi dari
Citra
RGB ke
grayscale
Grayscale
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.
Gambar 3.7 (a) Citra Red (b) Citra Green (c) Citra Blue (d) Citra Grayscale
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
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
Correlation
Variance
Inverse Different
Moment
Entropy
Pengubahan mode
Mulai Citra Uji Preprocessing
warna citra
Ya
Ciri dipilih
Kombinasi ciri
Selesai
Dipilihnya nilai k yang ganjil agar mengurangi kesalahan algoritma jika peluang
kemiripannya sama.
(3.1)
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
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.
Dari Tabel 4.2 dapat dipilih atau ditentukan bahwa ada 5 ciri yang
memberikan akurasi cukup signifikan yakni lebih dari 55 % pada citra green,
yaitu variance orde satu (variance1), skewness, entropy orde satu (entropy1),
contrast, dan entropy orde dua (entropy2). Hal ini menunjukkan bahwa citra
green biji jagung memiliki variasi elemen yang banyak pada histogram, tingkat
kemencengan relatif kurva histogram yang tinggi, bentuk citra yang teratur, letak
penyebaran elemen-elemen matriks citra jauh dari diagonal utama, dan transisi
derajat keabuan yang merata. Dari ciri-ciri yang terpilih pada citra green ini
dilakukan 4 kombinasi ciri, antara lain : kombinasi dua ciri, kombinasi tiga ciri,
kombinasi empat ciri, dan kombinasi lima ciri.
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
Dari Tabel 4.3 dapat dipilih atau ditentukan bahwa ada 3 ciri yang
memberikan akurasi cukup signifikan yakni lebih dari 55 % pada citra blue, yaitu
mean, contrast, dan entropy orde dua (entropy2). Hal ini menunjukkan bahwa
citra blue biji jagung memiliki ukuran dispersi citra yang tinggi, letak penyebaran
elemen-elemen matriks citra jauh dari diagonal utama, dan transisi derajat
keabuan yang merata. Dari ciri-ciri yang terpilih pada citra blue ini dilakukan 2
kombinasi ciri, antara lain : kombinasi dua ciri dan kombinasi tiga ciri.
Dari Tabel 4.4 dapat dipilih atau ditentukan bahwa ada 4 ciri yang
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.
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.
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
Variance1 dan Entropy2 42 23 17 82 60,74
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
Skewness dan Entropy2 45 28 28 101 74,82
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.
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
Variance1, Skewness, dan
42 23 18 83 61,48
Entropy1
Variance1, Skewness, dan
42 23 18 83 61,48
Angular Second Moment
Variance1, Skewness, dan
42 23 18 83 61,48
Entropy2
Variance1, Kurtosis, dan
42 23 17 82 60,74
Entropy1
Variance1, Kurtosis, dan
42 23 17 82 60,74
Angular Second Moment
Variance1, Kurtosis, dan
42 23 17 82 60,74
Entropy2
Variance1, Entropy1, dan
42 23 17 82 60,74
Angular Second Moment
Variance1, Entropy1, dan
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
Angular Second Moment
Skewness, Entropy1, dan
45 30 36 111 82,22
Entropy2
Skewness, Angular Second
45 28 28 101 74,82
Moment, dan Entropy2
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
Moment, dan Entropy2
Entropy1, Angular Second
45 30 26 101 74,82
Moment, dan Entropy2
Dari hasil kombinasi tiga ciri pada Tabel 4.6 dapat dipilih atau ditentukan
bahwa kombinasi ciri yang menghasilkan akurasi paling tinggi yaitu kombinasi
ciri skewness, kurtosis, dan entropy orde satu serta kombinasi ciri skewness,
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.
Tabel 4.7 Hasil akurasi dari kombinasi empat ciri citra red
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.
Tabel 4.8 Hasil akurasi dari kombinasi lima ciri citra red
Dari hasil kombinasi lima ciri pada Tabel 4.8 dapat dipilih atau ditentukan
bahwa kombinasi ciri yang menghasilkan akurasi paling tinggi yaitu kombinasi
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
kombinasi yang memiliki parameter variances pada citra red ini disarankan untuk
tidak digunakan.
Tabel 4.9 Hasil akurasi dari kombinasi enam ciri citra red
Untuk tabel kombinasi ciri citra green, citra blue, dan citra grayscale dapat
dilihat pada bagian lampiran A.
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
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).
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.
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)
5.1 Kesimpulan
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
48
LAMPIRAN A
TABEL KOMBINASI CIRI
A-1
A.2 CITRA GREEN
Tabel Hasil akurasi dari kombinasi dua ciri pada citra green
A-2
A.2.3 Kombinasi Empat Ciri
Tabel Hasil akurasi dari kombinasi empat ciri pada citra green
Variance1, Skewness,
35 18 23 76 56,29
Entropy1, dan Contrast
Variance1, Skewness,
35 19 23 77 57,04
Entropy1, dan Entropy2
Variance1, Skewness,
35 18 23 76 56,29
Contrast, dan Entropy2
Variance1, Entropy1,
35 18 23 76 56,29
Contrast, dan Entropy2
Skewness, Entropy1, Contrast,
45 20 17 82 60,74
dan Entropy2
Tabel Hasil akurasi dari kombinasi lima ciri pada citra green
Variance1, Skewness,
Entropy1, Contrast, dan 35 18 23 76 56,29
Entropy2
Tabel Hasil akurasi dari kombinasi dua ciri pada citra blue
Tabel Hasil akurasi dari kombinasi tiga ciri pada citra blue
A-3
LAMPIRAN B
TABEL DATABASE CIRI LATIH
B-1
B.1.2 Biji Jagung Kualitas Dua
B-2
B.1.3 Biji Jagung Kualitas Tiga
Mean Var1 Skew Kurt Ent1
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
ASM CON COR Var2 IDM ent2
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
B.2.1 Biji Jagung Kualitas Satu
B-4
B.2.2 Biji Jagung Kualitas Dua
B-5
B.2.3 Biji Jagung Kualitas Tiga
B-6
B.3 CIRI CITRA BLUE
B.3.1 Biji Jagung Kualitas Satu
Mean Var1 Skew Kurt Ent1
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
ASM CON COR Var2 IDM Ent2
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
B.3.2 Biji Jagung Kualitas Dua
B-8
B.3.3 Biji Jagung Kualitas Tiga
B-9
B.4 CIRI CITRA GRAYSCALE
B.4.1 Biji Jagung Kualitas Satu
B-10
B.4.2 Biji Jagung Kualitas Dua
B-11
B.4.3 Biji Jagung Kualitas Tiga
B-12
LAMPIRAN C
PROGRAM KLASIFIKASI KUALITAS BIJI JAGUNG
if get(handles.radiobutton7, 'Value')
citra_warna = rgb2gray(citra_cropp);
set (handles.namagambar3,'string','Citra Grayscale');
C-1
[CiriMEAN CiriVAR CiriSKEW CiriKURT CiriENT] = CiriOrdeSatu(citra_warna);
[CiriASM CiriCON CiriCOR CiriVAR2 CiriIDM CiriENT2] =
CiriOrdeDua(citra_warna);
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
if get(handles.checkbox2, 'Value') == 1
pil_ciri_orde_satu = [pil_ciri_orde_satu 2];
set(handles.edit14,'string',CiriVAR)
end
if get(handles.checkbox3, 'Value') == 1
pil_ciri_orde_satu = [pil_ciri_orde_satu 3];
set(handles.edit15,'string',CiriSKEW)
end
if get(handles.checkbox4, 'Value') == 1
pil_ciri_orde_satu = [pil_ciri_orde_satu 4];
set(handles.edit16,'string',CiriKURT)
end
if get(handles.checkbox5, 'Value') == 1
pil_ciri_orde_satu = [pil_ciri_orde_satu 5];
set(handles.edit17,'string',CiriENT)
end
if get(handles.checkbox6, 'Value') == 1
pil_ciri_orde_dua = [pil_ciri_orde_dua 1];
set(handles.edit18,'string',CiriASM)
end
if get(handles.checkbox7, 'Value') == 1
pil_ciri_orde_dua = [pil_ciri_orde_dua 2];
set(handles.edit19,'string',CiriCON)
end
if get(handles.checkbox8, 'Value') == 1
pil_ciri_orde_dua = [pil_ciri_orde_dua 3];
set(handles.edit20,'string',CiriCOR)
end
if get(handles.checkbox9, 'Value') == 1
pil_ciri_orde_dua = [pil_ciri_orde_dua 4];
set(handles.edit21,'string',CiriVAR2)
end
if get(handles.checkbox10, 'Value') == 1
pil_ciri_orde_dua = [pil_ciri_orde_dua 5];
set(handles.edit22,'string',CiriIDM)
C-2
end
if get(handles.checkbox11, 'Value') == 1
pil_ciri_orde_dua = [pil_ciri_orde_dua 6];
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];
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 );
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);
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;
C-4
q=pic(i-1,j)+1;
Temp(p,q) = Temp(p,q)+1 ;
Temp(q,p) = Temp(q,p)+1 ;
end
end
JumlahPixel=sum(sum(Temp));
MatriksHasil=Temp/JumlahPixel;
if get(handles.radiobutton7, 'Value')
load gray1
load gray2
load gray3
elseif get(handles.radiobutton8, 'Value')
load ciri_orde1_dan_orde2_kw1
load kw2
load ciri_orde1_dan_orde2_kw3
elseif get(handles.radiobutton9, 'Value')
load green1
load green2
load green3
elseif get(handles.radiobutton10, 'Value')
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];
C-5
kls3 = 'KUALITAS 3';
kls3 = repmat(kls3,jum_data_latih,1);
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
pil = get(handles.popupmenu2,'value');
switch pil
case 1
pil_distance = 'euclidean';
case 2
pil_distance = 'cityblock';
case 3
pil_distance = 'cosine';
case 4
pil_distance = 'correlation';
end
pil = get(handles.popupmenu3,'value');
switch pil
case 1
pil_rule = 'nearest';
case 2
pil_rule = 'random';
case 3
pil_rule = 'consensus';
end
C-6