Aplikasi Pengolahan Citra Digital Untuk Mendeteksi Kerusakan Biji Pinang Dengan Metode Probabilistic Neural Network

APLIKASI PENGOLAHAN CITRA DIGITAL UNTUK
MENDETEKSI KERUSAKAN BIJI PINANG DENGAN

METODE PROBABILISTIC NEURAL NETWORK
TESIS
OLEH :
RUSLI
117034015/TE
n Pada RSUD Moh. Husien Palembang Berbasis Intranet dengan Hypertext Preprocessor
(PHP)
FAKULTAS TEKNIK
UNIVERSITAS SUMATERA UTARA
MEDAN
2016
APLIKASI PENGOLAHAN CITRA DIGITAL UNTUK
TESIS
Untuk Memperoleh Gelar Magister Teknik

Dalam Program Studi Magister Teknik Elektro
Pada Fakultas Teknik Universitas Sumatra Utara
OLEH:
RUSLI
117034015/TE
FAKULTAS TEKNIK
UNIVERSITAS SUMATERA UTARA
MEDAN
2016
Judul Tesis : APLIKASI PENGOLAHAN CITRA DIGITAL UNTUK
Nama Mahasiswa : Rusli

Nomor Induk : 117034015
Program Studi : Magister Teknik Elektro
Menyetujui
Komisi Pembimbing:
(Prof. Dr. Ir. Usman Baafai ) (Prof.Drs. Tulus, M.Si., Ph.D)

Ketua Anggota
Ketua Program Studi Dekan,
( Suherman, Ph.D ) ( Prof. Dr. Ir. Bustami Syam, MSME )

Telah Lulus: 04 Desember 2015
Telah diuji Pada
Tanggal: 04 Desember 2015
PANITIA PENGUJI TESIS

Ketua : Prof. Dr. Ir. Usman Baafai.
Anggota : 1. Prof. Drs. Tulus, M.Si., Ph.D.
2. Prof. Dr. Muhammad Zarlis.
3. Prof. Dr. Opim S. Sitompul, M.Sc.
ABSTRAK
Penentuan mutu biji pinang dilakukan cara mengamati kondisi secara visual mata
manusia. Pengamatan mutu dengan cara ini mempunyai beberapa kelemahan, antara
lain membutuhkan waktu yang lama dan mengahasilkan pemilihan biji pinang dengan
mutu yang tidak kosisten karena keterbatasan visual manusia, kelelahan dan adanya
perbedaan persepsi tetang mutu biji pinang pada masing-masing pengamat. Penelitian
ini bertujuan untuk mendeteksi kerusakan biji pinang menggunakan metode
Probabilistic Neural Network (PNN) dan ekstraksi fitur GLCM (Gray Level Co-
occurrence Matrix) dilakukan untuk mendapatkan nilai matrik co- occurance untuk
sudut 0o, 45o, 90o dan 135o derajat untuk masing-masing nilai offset 0 1, -1 1, -1 0, -1
-1. Hasil peneltian di peroleh tingkat keberhasilan 100% untuk pengujian fitur
entrophy dan mengkombinasikan kelima fitur. Sedangkan tingkat keberhasilan
terendah diperoleh untuk pengujian fitur homogenitas diperoleh hasil deteksi sebesar
66,66% dimana terdapat 10 citra yang tidak dapat terdetekksi dengan baik.
Kata Kunci : Pinang, ekstraksi fitur, Gray Level Co-occurrence Matrix

(GLCM), Probabilistic Neural Network (PNN).
i
ABSTRACT
Determining the quality of betel nuts is done by visually observing human eye
condition. This method has some weaknesses because it takes long time and the
selected betel nuts will be inconsistent due to human visual limitation, weariness, and
different perception on detecting the damage of betel nuts by each observer. The
objective of the research was to detect the damage of betel nuts by using Probabilistic
Neural Network (PNN) and the extraction of Gray Level Co-occurrence Matrix
(GLCM) in order to obtain co-occurrence metrical values for the angels of 0o, 45o,
90o, and 135o for each offset value of 0 1, -1 1, -1 0, and -1-1. The result of the
research showed that the level of success was 100% for entrophy feature test and the
combination of the five features. Meanwhile, the lowest level of success for
homogeneity feature test was 66.66% in which 10 images could not be detected
properly.
Keywords: Betel nut, Feature Extraction, Gray Level Co-occurrence Matrix

(GLCM), Probabilistic Neural Network (PNN)
ii
KATA PENGANTAR
Puji syukur kehadirat Allah SWT atas rahmat dan hidayahnya sehingga
penulis dapat menyiapkan penelitian thesis ini dengan baik. Penelitian ini dilakukan
untuk memenuhi salah satu syarat kurikulum Program Studi Magister Teknik Elektro
Fakultas Teknik Universitas Sumatera Utara, Medan. Penelitian tesis ini berjudul
“Aplikasi Pengolahan Citra Digital Untuk Mendeteksi Kerusakan Biji Pinang
Dengan Metode Probabilistic Neural Network”.
Penulis terutama mengucapkan terima kasih yang tak terhingga kepada
Orang tua tercinta Ayahanda (alm) M. Thaher dan Ibunda Zalikha, serta yang tercinta
Istriku Elly Safriani beserta buah hati anak-anak tersayang Muhammad Aqsha dan
Muhammad Syakir atas doa dan semangat yang diberikan sehingga penulis dapat
menyelesaikan tesis ini.
Penulis juga mengucapkan terima kasih yang tak terhingga dan penghargaan
yang setinggi-tingginya kepada Prof. Dr. Ir. Usman Baafai selaku ketua pembimbing,
Bapak Prof. Drs. Tulus, M.Si., Ph.D selaku anggota komisi pembimbing dan Bapak
Fahmi, M.Sc., Ph.D yang dengan penuh sabar, arif dan bijaksana memberikan
bimbingan, dorongan, petunjuk serta arahan kepada penulis. Ucapan terima kasih
juga penulis sampaikan kepada Bapak Prof.Dr. Muhammad Zarlis dan Bapak Prof.
Dr. Opim S. Sitompul, M.Sc selaku pembanding utama I dan II yang telah banyak
memberikan saran dan masukan demi kesempurnaan penulisan tesis ini.
iii
Selesainya tesis ini juga melibatkan berbagai pihak yaitu Bapak Suherman
Ph.D selaku Ketua Program Studi atas upaya dan usahanya menyukseskan Program
Studi Magister Teknik Elektro, serta seluruh staf pengajar Program Studi Magister
Teknik Elektro. Untuk itu penulis mengucapkan terima kasih atas konstribusi dan
bantuannya, dan terima kasih buat Pak Hasdari, Bu Nur, Pak Martin dan kawan-
kawanku Muhammad Nasir, Ismi Amalia, Aidi Finawan dan Salahuddin.
Penulis menyadari masih ada kekurangan dalam tulisan tesis ini, oleh sebab
itu penulis sangat mengharapkan saran dan kritikan yang bersifat membangun demi
kesempurnaan tesis ini sehingga harapan penulis agar tulisan ini dapat memenuhi
persyaratan yang diperlukan untuk suatu tesis dalam Program Studi Magister Teknik
Elektro Fakultas Teknik Universitas Sumatera Utara dapat tercapai.
Akhir kata penulis mengucapkan banyak terima kasih dan semoga tesis
ini dapat berguna bagi kita semua. Amin.
Medan, 04 Desember 2015

Penulis,
Rusli
iv
DAFTAR RIWAYAT HIDUP
IDENTITAS :
Nama : Rusli
Tempat/ Tanggal Lahir : Matang Tunong, 27 Maret 1974
Jenis Kelamin : Laki-laki
Agama : Islam
Bangsa : Indonesia
Alamat : Jl. Laksamana Malahayati No. 111.
Geudong Alue - Bireuen.
RIWAYAT PENDIDIKAN :
 Sekolah Dasar Desa Lapang tamat tahun 1987.
 Sekolah Menengah Pertama Negeri 1 Panton Labu tamat tahun 1990
 Sekolah Menengah Atas Swasta Adidarma Banda Aceh tamat tahun 1993
 Politeknik Universitas Syiah Kuala tamat tahun 1997
 Intitut Teknologi Sepuluh Nopember - PENS Surabaya tamat tahun 2003
RIWAYATPEKERJAAN :
 Staf Pengajar Teknik Elektro Politeknik Negeri Lhokseumawe sejak 01 Maret
2000 sampai dengan sekarang
Medan, 04 Desember 2015

Penulis,
Rusli
v
DAFTAR ISI
Halaman
ABTRAK ............................................................................................................. i
ABSTRACT .......................................................................................................... ii
KATA PENGANTAR ........................................................................................ iii
DAFTAR RIWAYAT HIDUP .......................................................................... v
DAFTAR ISI........................................................................................................ vi
DAFTAR TABEL ............................................................................................... viii
DAFTAR GAMBAR........................................................................................... ix
DAFTAR LAMPIRAN ....................................................................................... xi
DAFTAR SINGKATAN..................................................................................... xii
BAB 1 PENDAHULUAN ............................................................................... 1

1.1 Latar Belakang............................................................................... 1
1.2 Perumusan Masalah ...................................................................... 3
1.3 Batasan Masalah ............................................................................ 4
1.4 Tujuan Penelitian ......................................................................... 4
1.5 Manfaat Penelitian......................................................................... 4
BAB 2 TINJAUAN PUSTAKA ..................................................................... 5
2.1 Visi Komputer (Computer vision ) ............................................. 7

2.2 Pinang ........................................................................................... 9
2.3 Pengolahan Citra .......................................................................... 10
2.3.1 Citra RGB ............................................................................ 11
2.3.2 Ekstraksi warna ekstraksi nilai piksel red, green dan
blue (RGB)........................................................................... 12
2.4 Histogram Citra ............................................................................. 13
2.5 Mengubahan Citra Warna Ke Citra Aras Eabuan ....................... 15
2.6 Ektraksi fitur Gray Level Co-occurrence Matrix (GLCM)........... 16
2.7 Probabilistic Neural Network (PNN) .......................................... 21
vi
BAB 3 METODE PENELITIAN ................................................................. 23
3.1 Metode yang Diusulkan................................................................. 23

3.2 Pengambilan Data Biji Pinang........................................................... 24
3.3 Pengolahan Citra Biji Pinang ............................................................ 25
3.3.1 OpeniImage .......................................................................... 26
3.3.2 Ektraksi fitur........................................................................... 27
3.4 Penentuan Pelatihan Pelatihan dan Pengujian ............................... 28
3.4.1 Data latih .............................................................................. 28
3.4.2 Data uji ................................................................................. 29
3.5 Validasi Hasil Pengujian................................................................... 30
BAB 4 HASIL DAN PEMBAHASAN........................................................... 31
4.1 Hasil Analisa Citra Biji Pinang ..................................................... 31

4.1.1 Pengambilan data citra biji pinang ....................................... 31
4.1.2 Preprosessing .......................................................................... 32
4.2 Ekstraksi Fitur Dengan GLCM.......................................................... 32
4.3 Pengujian Probabilistic Neural Network (PNN).......................... 40
4.4 Pengembangan Interface Deteksi Kerusakan Biji Pinang ............. 51
4.4.1 Rangkaian mikrokontroller.................................................. 54
BAB 5 PENUTUP ........................................................................................... 55
5.1 Kesimpulan.................................................................................... 55
52. Saran .............................................................................................. 55
DAFTAR PUSTAKA .......................................................................................... 56
vii
DAFTAR TABEL
Nomor Judul Halaman
1.1 Penelitian yang berhubungan dengan pengolahan citra dan klastering ....... 2
3.1 Kriteria mutu fisik biji pinang .................................................................... 25
4.1 Nilai max, min dan rata-rata hasil ekstraksi fitur energi pada 0o, 45o, 90o,
dan 135o dengan jarak 1 pixel ..................................................................... 34
4.2 Nilai max, min dan rata-rata hasil ekstraksi fitur kontras pada 0o, 45o, 90o,
4.3 Nilai max, min dan rata-rata hasil ekstraksi fitur korelasi pada 0o, 45o, 90o,
4.4 Nilai max, min dan rata-rata hasil ekstraksi fitur entropi pada 0o, 45o, 90o,
4.5 Nilai max, min dan rata-rata hasil ekstraksi fitur homogenitas pada 0o, 45o,
90o, dan 135o dengan jarak 1 pixel ............................................................. 39
4.6 Hasil deteksi dengan fitur energi ........................................................................... 40
4.7 Hasil deteksi dengan fitur kontras ......................................................................... 42
4.8 Hasil deteksi dengan fitur korelasi......................................................................... 43
4.9 Hasil deteksi dengan fitur entropi.......................................................................... 45
4.10 Hasil deteksi dengan fitur Homogenitas................................................................ 46
4.11 Hasil deteksi dengan fitur energi, kontras, korelasi, entropi dan homogenitas ..... 48
4.12 Hasil deteksi dengan fitur energi, kontras, korelasi, entropi, homogenitas dan
kombinasi semua fitur............................................................................................ 50
viii
DAFTAR GAMBAR
Nomor Judul Halaman
2.1 Sebuah sistem computer vision .................................................................. 8
2.2 Ttriplet warna RGB ..................................................................................... 12
2.3 Kanal warna RGB biji pinang di ekstraksi ................................................ 13
2.4 Citra aras keabuan biji pinang dan histogramnya........................................ 14
2.5 Citra warna biji pinang dan histogramnya................................................... 14
2.6 Arah dalam menghitung Gray Level Co-occurrence Matrix ...................... 17
2.7 Kontruksi Gray Level Co-occurrence Matrix (a) matrik dasar untuk
empat arah (b) 00 (c) 450 (d) 900 (e) 1350 dengan jarak d =1 ...................... 17
2.8 Langkah pertama mengubah GLCM ........................................................... 18
2.9 GLCM (Grey Level Co-occurence Matrix) simetris ................................... 19
2.10 GLCM (Grey Level Co-occurence Matrix) simetris ternormalisasi............ 19
2.11 Struktur PNN (Probabilistic Neural Network) ............................................ 21
3.1 Diagram blok langkah-langkah proses penelitian ......................................... 23
3.2 Citra biji pinang (a) Bagus (b) Rusak ......................................................... 24
3.3 Gambar citra biji pinang; (a) citra biji pinang asli; (b) citra biji pinang
setelah diformat menjadi Gray scale .......................................................... 26
3.4 Hubungan ketetanggaan antar piksel dan arah orientasi sudut .................... 27
3.5 Arsitektur PNN untuk deteksi kerusakanan biji pinang .............................. 28
4.1 Citra 1- 4 (biji pinang baik) citra 51 – 54 (biji pinang rusak)...................... 31
ix
4.2 Hasil grayscale - citra 1- 4 (biji pinang bagus) citra 51 – 54 (biji
pinang rusak) .............................................................................................. 32
4.3 Hasil ektraksi fitur energi pada sudut 0o, 45o, 90o, dan 135o dengan
jarak 1 pixel.................................................................................................. 33
4.4 Hasil ektraksi fitur kontras pada sudut 0o, 45o, 90o, dan 135o dengan
jarak 1 pixel.................................................................................................. 35
4.5 Hasil ektraksi fitur korelasi pada sudut 0o, 45o, 90o, dan 135o dengan
jarak 1 pixel.................................................................................................. 36
4.6 Hasil ektraksi fitur entropi pada sudut 0o, 45o, 90o, dan 135o dengan
jarak 1 pixel.................................................................................................. 37
4.7 Hasil ektraksi fitur homogenitas pada sudut 0o, 45o, 90o, dan 135o dengan
jarak 1 pixel.................................................................................................. 39
4.8 Diagram alir system deteksi kerusakan biji pinang ..................................... 51
4.9 Rancangan konveyor pemisah biji pinang................................................... 52
4.10 Rangkaian mikrokontroller.......................................................................... 54
x
DAFTAR LAMPIRAN
Nomor Judul Halaman
1. Citra Pinang Bagus dan Rusak....................................................................... 59
2. Nilai Fitur atau Ciri GLCM Citra Pinang Bagus dan Rusak ....................... 63
3. Hasil Pengujian Berdasarkan Kombinasi Ciri Fitur GLCM .......................... 78
4. Grafik Hasil Deteksi Probilistik Neural Network.......................................... 79
5. Listing Program Gray Level Co-occurrence Matrix (GLCM) dan Probilistik
Neural Network (PNN) .................................................................................. 82
xi
DAFTAR SINGKATAN
PNN = Probabilistic Neural Network
GLCM = Gray Level Cooccurrence Matrix
NTSC = National Television System Committee
xii
BAB 1
PENDAHULUAN
1.1.Latar Belakang
Perkembangan teknik pengolahan citra digital (Digital Image Processing) saat
ini semakin pesat dan banyak diterapkan pada semua aplikasi bidang ilmu. Pengolahan
citra didefinisikan sebagai proses pengolahan dan analisis citra yang
mentransformasikan citra masukan menjadi citra lain sehingga keluaran citra memiliki
kualitas yang lebih baik dibandingkan kualitas citra masukan. Berbagai aplikasi
pengolahan citra sangat bermanfaat bagi kepentingan manusia diantaranya adalah
untuk mendeteksi objek citra, meningkatkan kualitas citra, menghilangkan cacat pada
citra, mengidentifikasi objek citra dan penggabungan dengan bagian citra yang lain.
Biji pinang memiliki kontur permukaan yang berbeda sesuai dengan
kwalitasnya. Pemilihan mutu biasanya di tentukan dengan mengamati kondisi biji
pinang secara visual mata manusia. Proses pemilihan berdasarkan mutu permukaan biji
pinang jika permukaan biji pinang berlubang atau busuk maka dikatagorikan dalam
kualitas rusak sedangkan untuk kualitas bagus maka permukaan biji pinang halus dan
rata. Pengamatan mutu dengan cara ini mempunyai beberapa kelemahan, antara lain
membutuhkan waktu yang lama dan mengahasilkan pemilihan biji pinang dengan mutu
yang tidak kosisten karena keterbatasan visual manusia, kelelahan dan adanya
perbedaan persepsi tetang mutu biji pinang pada masing-masing pengamat.
Sehubungan dengan permasalahan tersebut maka di perlukan suatu metode yang tepat
1
2
untuk mendeteksi kerusakan biji pinang secara cepat, tepat, akurat dan mudah
mengoperasikannya.
Pengolahan citra digital merupakan alternatif untuk mengatasi masalah tersebut,
pada penelitian ini algoritma pengolahan citra digital diterapkan untuk mengenali ciri
kondisi pada citra biji pinang. Pemilahan ini dikategori dalam dua kondisi, yaitu
kondisi bagus dan kondisi rusak. Banyak algoritma yang dapat diterapkan pada
jaringan syaraf tiruan salah satunya yaitu Probabilistic Neural Network.
Dalam penelitian ini, akan menggunakan metode Probabilistic Neural Network
(PNN) yang merupakan salah satu struktur jaringan syaraf tiruan yang menggunakan
paradikma pembelajaran terawasi (supervised learning) dan merupakan model yang
dibentuk berdasarkan penaksir fungsi peluang [1].
Beberapa penelitian yang pernah dilakukan dengan pengolahan citra digital dan
Probabilistic Neural Network seperti ditunjukkan pada Tabel 1.1.
Tabel 1.1. Penelitian yang berhubungan dengan pengolahan citra digtal
No Peneliti Judul Metode Hasil
1 Wijanarko A. P,. T. Pengaruh Intensitas Cahaya Gray Level Co- Tingkat akurasi
2014. [1] Terhadap Hasil Pengenalan Occurrence Matrix pengenalan dari 82,86 %
Citra Dengan Gray Level Dan Probabilistic
Co-Occurrence Matrix Dan Neural Network
Probabilistic Neural
Network
2 Mustafa, N .B. A . Classification of Fruits Probabilistic Neural Efisiensi klasifikasi
Arumugam. K. using Probabilistic Neural Network antara 79-90%
Ahmed. S.K. and Networks - Improvement
Sharif , Z.A. M. using Color Features
2011.[2]
3 Unay, D.,Gosselin, B. Artificial neural network- An artificial neural Segmentasi buah Apel
2005.[3] based segmentation and network segments the dengan machine Vision
apple grading by Machine defected regions on dan artificial neural
vision fruit by pixel-wise network berhasil 90%
processing.
3
Tabel 1.1. (sambungan)
No Peneliti Judul Metode Hasil

4 Finawan, A. Pengenalan Kerusakan Metode Hasil pengujian yang
2011.[4] pada Biji Pinang Dengan Pengambangan Otsu diperoleh menunjukkan
Pengolahan Citra Digital bahwa ciri luasan cacat
Menggunakan Operasi dapat membedakan kelas
Pengambangan Otsu) kondisi dengan nilai
ambang luas kawasan cacat
T = Otsu – 40.192.
5 Kulkarni, A.H., and Automated Garment GLCM dan PNN Total identifikasi kain
Patil, S.B. 2012. [5] identification and defect adalah 96,6% dan tingkat
detection model based on keberhasilan deteksi kain
Texture Features and PNN cacat
91,1%
6 Wu, S.G,. Bao, F.S., A Leaf Recognition PCA dan PNN Hasil penelitian
Xu, E.Y., Wang, Yu- Algorithm for menunjukkan bahwa
Xuan, Hang, Yi-Fan Plant Classification Using tingkat akurasi lebih besar
and Xiang, Qiao- Probabilistic Neural dari 90%
Liang. 2007.[6] Network
7 Dayanand Savakar, Identification and A Back Propagation Penelitian ini

2012.[7] Classification of Bulk Neural Network mengungkapkan bahwa
Fruits (BPNN) kombinasi fitur warna dan
Images using Artificial tekstur dalam identifikasi
Neural Networks dan klasifikasi gambar
secara massal pada buah
berbeda.
8 Alasadi, T. A,. and, Analysis of GLCM Feature GLCM and ANN Menghasilkan tingkat
Baiee, W. R. Extraction for Choosing akurasi mendekati 90%
2014.[8] Appropriate
Angle Relative to BP
Classifier
1.2.Perumusan Masalah
Berdasarkan latar belakang yang telah diuraikan diatas, maka perumusan
masalah yang akan dikaji adalah berapa jumlah fitur Gray Level Co-occurrence Matrix
(GLCM) pada setiap citra biji pinang dengan penerapan metode Probabilistic Neural
Network (PNN) untuk dapat membedakan ciri pinang bagus dan ciri pinang rusak.
4
1.3.Batasan Masalah
Pada penelitian ini penulis membatasi permasalahan yang berkenaan dengan:
a. Masukan Sistem berupa Citra biji pinang dengan background putih.
b. Pengambilan citra untuk setiap objek biji pinang hanya dilakukan pada biji
pinang bulat saja.
c. Metode yang digunakan dalam mendeteksi kurusakan biji pinang adalah
Probabilistic Neural Network (PNN).
d. Ciri yang diambil dari setiap citra setelah preprosesing adalah merupakan
nilai ciri fitur pada citra objek biji pinang dengan menggunakan Gray Level
Co-occurrence Matrix (GLCM).
e. Pemrosesan Citra secara of line, dimana citra yang akan diproses telah di
akuisasi terlebih dahulu menggunakan kamera digital.
1.4.Tujuan Penelitian
Berdasarkan rumusan masalah, maka tujuan yang ingin dicapai pada penelitian
ini adalah untuk mendeteksi kerusakan biji pinang menggunakan metode Probabilistic
Neural Network (PNN).
1.5.Manfaat Penelitian
Manfaat yang diharapkan dari penelitian ini untuk mendapatkan suatu sistem
yang mampu mengenali kondisi biji pinang yang dikatagorikan bagus dan katagori
rusak yang nantinya berguna untuk para petani dan pengumpul dalam menentukan
kondisi biji pinang yang dijual dan dapat di terapkan di dunia industri.
BAB 2
TINJAUAN PUSTAKA
Penelitian tentang hasil pertanian dan perkebunan dengan algoritma
pengolahan citra digital telah banyak dilakukan untuk mendeteksi kerusakan dan
klasifikasi mutu pada produk yang dihasilkan. Berbagai produk dan metode atau
algoritma telah digunakan untuk mendapatkan sistem inspeksi produk ini.
Beberapa penelitian sebelumnya untuk mendeteksi kerusakan dan klasifikasi telah
dilakukan.
Somantri melakukan peneltian, “menentukan klasifikasi mutu fisik beras
dengan menggunakan teknologi pengolahan citra digital dan jaringan syaraf tiruan “
membuat sistem penunjang keputusan untuk menentukan klasifikasi mutu beras. Citra
beras diambil dengan menggunakan kamera digital dan diproses oleh teknologi
pengolahan citra digital dan jaringan syaraf tiruan (JST). Model JST yang
dikembangkan adalah 10 parameter input, 20 lapisan tersembunyi dan 4 target.
Keempat target tersebut adalah butir utuh, butir kepala, butir patah dan menir. Hasil
penelitian menunjukkan bahwa akurasi pelatihan adalah 99%, dan akurasi validasi
93,25% [9], Sedangkan Sofi’i, dengan penelitian "Penentuan Jenis Cacat Biji Kopi
dengan Pengolahan Citra Digital dan Artificial neural networks" melakukan
analisis suatu sistem klasifikasi jenis-jenis cacat dan mutu kopi dengan
memanfaatkan teknologi pengolahan citra digital dan Artificial neural networks
(ANN). Citra biji kopi diambil menggunakan kamera digital, selanjutnya diolah dengan
5
6
menggunakan program pengolah citra. Dua model ANN telah dibangun yaitu model 1
dengan 10 parameter input dan model 2 dengan 5 parameter input. Kedua model
dipakai untuk menduga 26 parameter output (jenis cacat). Jenis-jenis cacat yang sudah
diperoleh selanjutnya di pakai untuk menghitung nilai cacat dan kemudian di pakai
untuk menentukan mutu berdasarkan SNI. Validasi menunjukkan bahwa model 1
memberi akurasi pendugaan jenis cacat sebesar 72,6% dan model 2 memberikan
akurasi 68,2%. Ada beberapa jenis cacat yang sulit dikenali karena tidak dapat
dibedakan dengan nilai parameter penduga. Contohnya jenis cacat biji hitam
sebahagian, biji coklat, biji berlubang 1 dan biji berlubang >1 yang memiliki nilai
parameter penduga berupa rata-rata nilai indeks merah, indeks biru, indeks hijau,hue,
saturasi dan intensitas yang serupa [10]. Selanjutnya Eliyani dengan penelitian
pengenalan tingkat kematangan buah pepaya berdasarkan warna (RGB) dengan metode
K-Means Clustering dengan hasil kelompok 01 buah masak mentah 60% dikenali
sebagai masak mentah dan 40% dikenali masak mengkal. Pada kelompok 02 buah
masak mengkal, 90 dikenali masak mengkal dan 10% dikenali masak penuh sedangkan
pada kelompok 03 buah masak penuh 100% di kenali masak penuh [11].
Penelitian yang di lakukan oleh Finawan " Pengenalan Kerusakan pada Biji
Pinang dengan Pengolahan Citra Digital Menggunakan Operasi Pengambangan Otsu
" melakukan penilaian terhadap biji pinang, pada penelitian ini yang menjadi fokus
bagaimana mendapatkan ciri cacat dari citra sampel biji pinang secara spasial dengan
menggunakan metode pengambangan Otsu standart mendapatkan hasil 10% tingkat

7
kesalahan. Oleh karena itu metode pengambangan untuk proses pengukuran luas
kawasan cacat ini dipilih metode T= Otsu-40,192 [4].
Sedangkan yang dibahas pada ini penelitian adalah pendeteksi kerusakan biji
pinang sebagai objek berdasarkan cacat yang ada. Ciri yang diekstrak dari citra
objek biji pinang adalah ekstraksi fitur, fitur pembeda adalah tekstur yang merupakan
karakteristik penentu pada citra. Teknik statistik yang terkenal untuk ekstraksi fitur
adalah Gray Level Co-occurrence Matrix. Gray Level Co-occurrence Matrix
merupakan matriks derajat keabuan yang merepresentasikan hubungan suatu derajat
keabuan dengan derajat keabuan lain. Sebagai pengambil keputusan dalam
mendeteksi kerusakan biji pinang pada penelitian ini menggunakan Probabilistic
Neural Network.
2.1. Visi Komputer (Computer vision )
Visi komputer (Computer vision) sering juga di sebutkan dengan machine
vision dapat dideskripsikan sebagai ilmu yang mempelajari metode yang dapat di
gunakan untuk membuat komputer mengerti gambar dan data.
Visi komputer merupakan proses otomatis yang mengintegrasikan sejumlah
besar proses untuk persepsi visual, seperti akuisisi citra, pengolahan citra,
klasifikasi, pengenalan (recognition), dan pembuatan keputusan. Visi komputer
terdiri atas teknik-teknik untuk mengestimasi ciri-ciri objek di dalam citra,
pengukuran ciri yang berkaitan dengan geometri objek, dan menginterpretasi
informasi geometri tersebut.

8
Gambar 2.1. Sebuah sistem computer vision [12]
Sistem visi komputer seperti pada Gambar 2.1 menunjukkan bahwa
perolehan data citra (data aquisition) sebagai masukan sistem, yaitu menentukan data
yang diperlukan dan memilih metode perekaman citra digital. Citra masukan ini
terlebih dahulu dilakukan pra-pengolahan, yaitu dapat berupa perbaikan dan
peningkatan kualitas citra ataupun hanya menyajikan data yang diinginkan.
Segmentasi citra (image segmentation) dan deteksi tepi (edge detection)
diterapkan untuk melakukan partisi citra menjadi wilayah-wilayah objek atau
menentukan garis batas wilayah objek. Sebagai contoh memisahkan objek yang
berbeda dengan mengekstraksi batas-batasnya. Klasifikasi citra memetakan
perbedaan kawasan (region) atau segmen-segmen pada objek yang diidentifikasi
dengan label yang tepat.
Kemudian ciri tertentu yang ada pada citra diekstraksi dan dipilih, yaitu
mengukur besaran kuantitatif ciri setiap piksel dan memilih informasi kuantitatif atas
ciri yang ada, yang dapat membedakan kelas-kelas objek secara baik. Informasi yang
diperoleh dari ekstraksi ciri ini dijadikan sebagai masukan pada bagian klasifikasi
9
sebagai pengambilan keputusan setiap citra akan dikelompokkan ke dalam masing-
masing kelas tertentu.
2.2. Pinang
Pinang adalah sejenis palma yang tumbuh di daerah Pasifik, Asia dan Afrika
bagian timur. Pinang juga merupakan nama buahnya yang diperdagangkan orang.
Pelbagai nama daerah di antaranya adalah pineung (Aceh), pining (Batak Toba),
penang (Md.), jambe (Sd., Jw.), bua, ua, wua, pua, fua, hua (aneka bahasa di Nusa
Tenggara dan Maluku) dan berbagai sebutan lainnya, Dalam bahasa Inggris dikenal
sebagai Betel palm atau Betel nut tree, dan nama ilmiahnya adalah Areca catechu.
Pinang terutama ditanam untuk dimanfaatkan bijinya, yang di dunia Barat
dikenal sebagai betel nut. Biji ini dikenal sebagai salah satu campuran orang makan
sirih, selain gambir dan kapur. Biji pinang mengandung alkaloida seperti misalnya
arekaina (arecaine) dan arekolina (arecoline), yang sedikit banyak bersifat racun dan
adiktif, dapat merangsang otak. Sediaan simplisia biji pinang di apotek biasa digunakan
untuk mengobati cacingan, terutama untuk mengatasi cacing pita. Sementara itu,
beberapa macam pinang bijinya menimbulkan rasa pening apabila dikunyah. Zat lain
yang dikandung buah ini antara lain arecaidine, arecolidine, guracine (guacine),
guvacoline dan beberapa unsur lainnya. Secara tradisional, biji pinang digunakan dalam
ramuan untuk mengobati sakit disentri, diare berdarah, dan kudisan. Biji pinang dikenal
mengandung senyawa antioksidan sehingga berpotensi sebagai antikanker [13].
Saat ini biji pinang sudah menjadi komoditi perdagangan. Ekspor dari Indonesia
diarahkan ke negara-negara Asia selatan seperti India, Pakistan, Bangladesh, atau

10
Nepal. Negara-negara pengekspor pinang utama adalah Indonesia, Thailand, Malaysia,
Singapura, dan Myanmar. Biji pinang yang diperdagangkan terutama adalah yang telah
dikeringkan, dalam keadaan utuh (bulat) atau dibelah. Bahkan di India dan Pakistan,
saat ini pinang dibuat menjadi bahan baku penganan ringan semacam permen [4].
2.3. Pengolahan Citra
Sesungguhnya citra merupakan suatu fungsi intensitas dalam bidang dua
dimensi. Karena intensitas yang dimaksud berasal dari sumber cahaya, dan cahaya
adalah suatu bentuk energy, maka berlaku keadaan dinmana fungsi intensitas terletak
diantara : 0<f(x,y)<∞.
Pada Dasarnya, citra yang dilihat terdiri atas berkas-berkas cahaya yang
dipantulkan oleh benda disekitarnya. Jadi secara ilmiah, fungsi intensitas cahaya
merupakan fungsi sumber cahaya yang menerangi obyek, serta jumlah cahaya yang di
pantulkan oleh obyek [14], atau ditulis:
f(x,y)=i(x,y).r(x,y)……………………………….............………..(2.1)
Yaitu: 0<i(x,y)< ∞ (Iluminasi sumber cahaya)
0<r(x,y)<1 (Koefisien pantul obyek)
Citra dapat direpresentasikan secara numerik, maka citra harus didigitalisasi,
baik terhadap ruang koordinat (x,y) maupun terhadap sekala keabuannya (f(x,y)).
Proses dijitalisasi koordinat (x,y ) dikenal sebagai “pencuplikan citra” (image
sampling), sedangkan proses digitalisasi skala keabuan f(x,y) disebut sebagai
“kuantisasi derajat keabuan”.
Sebuah citra kontinu f(x,y) akan didekati oleh cuplikan-cuplikan yang seragam
jaraknya dan bentuk matriks NxM. Nilai elemen-elemen matriks menyatakan derajat
11
keabuan citra, sedangkan posisi elemtersebut (dalam baris dan kolom) menyatakan
koordinat titik-titik (x,y) dari citra [12].
(0,0) 0,1 …. 0, − 1
(1,0) (1,1) …. 1, − 1
, = . . . . ...……(2.2)
. . . .
( − 1,0) ( − 1,1) …. ( − 1, − 1)
2.3.1. Citra RGB
Suatu citra biasanya mengacu ke citra RGB. Sebenarnya bagaimana citra
disimpan dan dimanipulasi dalam komputer diturunkan dari teknologi televisi, yang
pertama kali mengaplikasikannya untuk tampilan grafis komputer. Jika dilihat dengan
kaca pembesar, tampilan monitor komputer akan terdiri dari sejumlah triplet titik warna
merah (RED), hijau (GREEN) dan biru (BLUE). Tergantung pada pabrik monitornya
untuk menentukan apak titik tersebut merupakan titik bulat atau kotak kecil, tetapi akan
selalu terdiri dari 3 triplet red, green dan blue. Citra dalam komputer tidak lebih dari
sekumpulan sejumlah triplet dimana setiap triplet terdiri atas variasi tingkat keterangan
(brightness) dari elemen red, green dan blue. Representasinya dalam citra, triplet akan
terdiri dari 3 angka yang mengatur intensitas dari Red (R), Green (G) dan B (Blue) dari
suatu triplet. Setiap triplet akan merepresentasikan 1 pixel (picture element). Suatu
triplet dengan nilai 67, 228 dan 180 berarti akan mengeset nilai R ke nilai 67, G ke nilai
228 dan B ke nilai 180. Angka-angka RGB ini yang seringkali disebut dengan color
values. Pada format .bmp citra setiap pixel pada citra direpresentasikan dengan dengan
12
24 bit, 8 bit untuk R, 8 bit untuk G dan 8 bit untuk B, dengan pengaturan seperti pada
Gambar 2.2.
R G B
Gambar 2.2. Ttriplet warna RGB [15]
2.3.2. Ekstraksi warna ekstraksi nilai piksel red, green dan blue (RGB)
Hampir setiap pengolahan citra yang berbasis warna perlu dilakukan
pemisahan band-band yang ada pada citra khususnya citra RGB, MATLAB
menyediakan fasilitas yang cukup baik dalam memisahkan ketiga warna RGB, Sebuah
gambar RGB, kadang-kadang disebut sebagai gambar TrueColor, disimpan sebagai
baris m dan kolom n dengan 3 array data yang mendefinisikan komponen warna merah,
hijau, dan biru untuk setiap piksel individu. Gambar RGB tidak menggunakan palet.
Warna dari setiap pixel ditentukan oleh kombinasi merah, hijau, dan biru intensitas
disimpan di setiap kanal warna di lokasi pixel. Format file grafis citra RGB sebagai
citra 24-bit, di mana komponen merah, hijau, dan biru adalah 8 bit masing-masing. Ini
menghasilkan potensi 16 juta warna. Presisi dengan gambar kehidupan nyata dapat
direplikasi telah menyebabkan julukan "citra TrueColor” [16].
Sebuah array RGB MATLAB dapat dari kelas uint 8 atau uint 16. Dalam array
RGB, masing-masing komponen warna adalah nilai antara 0 dan 1. Sebuah pixel yang
warnanya komponen (0,0,0) ditampilkan sebagai hitam, dan piksel yang warnanya
13
komponen (1,1,1) ditampilkan sebagai putih. Komponen tiga warna untuk setiap pixel
disimpan sepanjang dimensi ketiga dari array data. Misalnya, merah, hijau, dan
komponen warna biru dari pixel (10,5) disimpan dalam RGB (10,5,1), RGB (10,5,2),
dan RGB (10,5,3) , masing-masing [16].
Gambar 2.3. Kanal Warna RGB Biji pinang di Ekstraksi
2.4. Histogram Citra
Histogram citra adalah grafik yang menggambarkan penyebaran jumlah piksel
berdasarkan nilai-nilai intensitas suatu citra atau bagian tertentu dalam citra [17]. Dari
histogram dapat diketahui frekuensi kemunculan nisbi (relative) dari intensitas pada
citra tersebut. Gambar 2.4 menunjukkan citra aras keabuan biji pinang dan histogram.
Misalkan citra digital memiliki L derajat keabuan, yaitu dari nilai 0 sampai L-\
(misalnya pada citra dengan kuantisasi derajat keabuan 8-bit, nilai derajat keabuan dari
0 sampai 255).
14
Histogram Citra Biji Pinang
3500
3000
2500
Jumlah Piksel
2000
1500
1000
500
0
0 50 100 150 200 250
Intensitas
(a) (b)
Gambar 2.4. (a) Citra Aras Keabuan Biji Pinang. (b) Histogram Citra Aras Keabuan
Biji Pinang
Secara matematis histogram citra dihitung dengan Persamaan (2.3) sebagai
berikut:.
….............…………………................(2.3)
dengan ni= jumlah piksel yang memiliki derajat keabuan i dan n = jumlah seluruh
piksel di dalam citra. Distribusi hi, atau ni, dapat menyediakan informasi tentang
tampak citra. Pengetahuan praktis untuk memahami histogram citra dibutuhkan untuk
melihat perubahan-perubahan pada citra setelah dilakukan operasi tertentu [17].
4
x 10
2.5
1.5
Jumlah Piksel
0.5
0
0 50 100 150 200 250 300
Intensitas
(a) (b)
Gambar 2.5. (a) Citra Warna Biji Pinang. (b) Histogram Citra Warna Biji Pinang
15
Setia piksel pada citra warna mewakili warna yang merupakan kombinasi dari
tiga warna dasar yaitu RGB (red, green, blue) pada Gambar 2.5 menunjukkan tiga
kanal pada histogramnya. Setia warna dasar menggunakan penyimanan 8 bit = 1 byte,
yang berarti setiap waarna mempunyai gradasi sebanyak 255 warna. Berarti setiap
piksel mempunyai warna 28 x 28 x28 = 224 = 16 juta warna lebih sehingga di namakan
dengan true color. Histogram bermanfaan untuk hal-hal berikut [18]:
1. Sebagai indikasi visual untuk menentukan skala keabuan yang tepat sehingga
diperoleh kualitas citra yang di inginkan.
2. Untuk pemilihan batas ambang (threshold).
2.5. Mengubahan Citra Warna ke Citra Aras Keabuan
Proses awal yang banyak dilakukan dalam pengolahan citra (image processing)
adalah mengubah citra warna (true color) menjadi citra keabuan (gray scale). Hal ini
digunakan untuk menyederhanakan model citra. Untuk mengubah citra berwana yang
mempunyai nilai matrik masing-masing R, G dan B menjadi citra gray scale dengan
cara menghitung nilai rata-rata dari elemen warna R, G dan B, secara matematis
perhitungannya dapat dihitung dengan persamaan [19]:
......................................................................................(2.4)
Ko sebagai nilai rata - rata dari ketiga komponen warna pokok RGB yang
diubah menjadi citra keabuan. Tetapi karena ketiga warna pokok dianggap tadi
dianggap tidak seragam dalam hal kemapuan konstribusi pada kecerahan, ada yang
16
berpendapat cara konversi yang lebih tepat dapat dilakukan dengan meberi bobot
ω pada RGB, sehingga Persamaan (2.4) dimodifikasi menjadi [20]:
Ko=ωRRi+ωGGi+ωBBi ............................................................................................... (2.5)
Berdasakan NTSC (National Television System Committee)
mendeﬁnisan bobot untuk konversi citra true color ke greyscale sebagai berikut:
ωR =0.299 , ωB =0.587 dan ωB =0.114 dimana:
Ko : nilai keabuan
ωR : bobot untuk elemen warna merah.
ωG : bobot untuk elemen warna hijau
ωB : bobot untuk elemen warna biru
Ri : nilai intensitas elemen warna merah
Bi : nilai intensitas elemen warna biru
Gi : nilai intensitas elemen warna hijau
sehingga Persamaan (2.5) dapat ditulis kembali menjadi:
Ko = 0.299Ri+0.587 Gi+0.114 Bi.......................................................................... (2.6)
2.6. Ektraksi Fitur Gray Level Co-occurrence Matrix (GLCM)
Pada ekstraksi fitur, fitur pembeda adalah tekstur yang merupakan karakteristik
penentu pada citra. Teknik statistik yang terkenal untuk ekstraksi fitur adalah Gray
Level Co-occurrence Matrix. Gray Level Co-occurrence Matrix merupakan matriks
derajat keabuan yang merepresentasikan hubungan suatu derajat keabuan dengan
derajat keabuan lain. Gray Level Co-occurrence Matrix digunakan untuk analisis
pasangan piksel yang bersebelahan tergantung dengan sudut yang digunakan. Ilustrasi
17
pembentukan matriks kookurensi citra dengan 4 tingkat keabuan (gray level) dari 0 - 3
pada jarak d =1 sudut 00untuk [01], 450 untuk [-11], 900 untuk [-10] dan 1350 untuk [-
1-1] dapat dilihat pada Gambar 2.6.
Gambar 2.6. Arah dalam menghitung Gray Level Co-occurrence Matrix [21][22]
Gambar 2.7 menunjukan matrik dasar yang akan digunakan sebagai contoh
dalam penghitungan Gray Level Co-occurrence Matrix dengan dimensi 4 x 4 dengan
kisaran derajat keabuan 0-3 dalam jarak d=1 orientasi 4 arah sudut (θ) 00, 450 , 900 dan
1350.
Gambar 2.7. Kontruksi Gray Level Co-occurrence Matrix (a) matrik dasar
untuk empat arah (b) 00 (c) 450 (d) 900 (e) 1350 dengan jarak d =1 [22]
18
Co-occurrence Matrix merupakan matriks bujur sangkar dengan jumlah elemen
sebanyak kuadrat jumlah level intensitas piksel pada citra. Setiap titik (i,j) pada matriks
kookurensi berorientasi c berisi peluang kejadian piksel bernilai i bertetangga dengan
piksel bernilai j pada jarak d. Gambar (2.8) menggambarkan contoh proses bagaimana
untuk menghasilkan Co-occurrence Matrix menggunakan arah sudut (θ) = 0o dan
dengan jarak d= 1 pixel.
Gambar 2.8. Langkah pertama mengubah GLCM [1]
Dengan menjumlahkan matriks transposnya, matriks simetrik akan diperoleh,
seperti ditunjukkan pada Gambar 2.9, tapi hasilnya masih belum ternormalisasi. Oleh
karena itu, proses normalisasi harus dilakukan untuk menghapus ketergantungan pada
ukuran citra dengan mengatur semua elemen dalam matriks sehingga total dari semua
nilai elemen sama dengan 1.

19
Gambar 2.9. GLCM (Grey Level Co-occurence Matrix) Simetris [1]
Gambar 2.9 menjelaskan perubahan urutan matriks dari baris ke kolom lalu
dijumlahkan dan akan menghasilkan matriks GLCM sebelum normalisasi sedangka
Gambar 2.10 merupakan hasil dari matriks yang telah ternormalisasi.
0,1667 0,0833 0,0042 0
0,0833 0,1667 0 0
0,0042 0 0,2500 0,0042
0 0 0,0042 0,0833
Gambar 2.10. GLCM (Grey Level Co-occurence Matrix) Simetris ternormalisasi
Setelah memperoleh Co-occurrence Matrix telah ternormalisasi tersebut
sehingga dapat dihitung ciri tekstur atau fitur Statistik Gray Level Co-
occurrence Matrix yang dapat diperoleh dari suatu citra yang digunakan untuk
membedakan antara citra dengan kelas tertentu, dengan kelas lainnya. Ciri tekstur atau
fitur Statistik Gray Level Co-occurrence Matrix tersebut adalah:
1. Energi
Energi menyatakan ukuran konsentrasi pasangan dengan intensitas keabuan
tertentu pada matriks.
∑, , ..............................................................................................................(2.7)
20
2. Kontras
Perhitungan kontras berkaitan dengan jumlah keberagaman intensitas keabuan
dalam citra.
= ∑, , − ................................................................................(2.8)
3. Korelasi
Menyatakan ukuran hubungan dependen piksel terhadap piksel tetangga
dalamcitra.
 
= ∑, , [ ].............................................(2.9)
 = ∑ , ,
= ∑, , −
4. Entropi
Entropi digunakan untuk mengukur keteracakan dari distribusi intensitas.
ℎ = ∑, , (− ln , ) .....................................................................(2.10)
5. Homogenitas
Secara matematis, homogenitas GLCM adalah invers dari kontras GLCM, yaitu
keseragaman intensitas keabuan pada citra.
,
ℎ = ∑, ( )
.........................................................................(2.11)
Dimana:
a. i dan j adalah sifat keabuan dari resolusi 2 piksel yang berdekatan

b. p (i,j) adalah frekuensi relatif matriks dari resolusi 2 piksel yang berdekatan.
c.  adalah Rata-rata dari suatu sebaran nilai intensitas citra keabuan
d. 2 adalah Varians GLCM menunjukkan sebaran nilai piksel pada bidang citra.
21
2.7 Probabilistic Neural Network (PNN)
Pada tahun 1990 , Donald F. Specht mengusulkan jaringan berdasarkan
pengklasifikasi tetangga terdekat dan menamakannya sebagai " Probabilistic Neural
Network "[23]. Probabilistic Neural Network adalah suatu metode jaringan saraf tiruan
yang menggunakan pembelajaran terawasi (supervised learning) dan merupakan model
yang dibentuk berdasarkan penaksir fungsi peluang. Model ini memberikan unjuk kerja
pengklasifikasian yang sangat baik dan cepat dalam pelatihan karena dilakukan hanya
dalam satu tahap pelatihan. Probabilistic Neural Network biasanya digunakan untuk
masalah klasifikasi dan pengenalan pola [24][25].
PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan
penjumlahan, dan lapisan keluaran. Struktur PNN diperlihatkan pada Gambar 2.11.
Gambar 2.11. Struktur PNN (Probabilistic Neural Network) [26]

22
1. Lapisan masukan (input layer) merupakan input x yang terdiri atas k nilai
yang diklasifikasikan pada salah satu kelas dari n kelas.
2. Lapisan pola (pattern layer) dihitung jarak vektor data latih ke vektor data
uji dengan mengunakan Persamaan (2.12):
− .
.................................................................................................(2.12)
3. Lapisan penjumlahan (summation layer), setiap keluaran pattern layer
dijumlahkan dengan keluaran dari pattern layer lainnya yang berada
dalam satu kelas untuk menghasilkan probabilitas vektor output. Lapisan
penjumlahan ini dapat dilihat pada Persamaan (2.13) sebagai berikut :
= = ∑ − .....(2.13)
.
Dengan i = 1, 2, ..., K
dimana :
T = Transpose
i = Jumlah Kelas
j = Jumlah Pola
xij = Vektor pelatihan ke j dari kelas i
x = Vektor pengujian
Mi = Jumlah vektor pelatihan dari kelas i
 = Dimensi vektor x
 = Faktor penghalus
4. Lapisan terakhir adalah lapisan keluaran (Output layer), menghasilkan 1
untuk kelas yang sesuai dan menghasilkan 0 untuk kelas yang lain.
BAB 3
METODELOGI PENELITIAN
3.1. Metode yang Diusulkan
Penelitian ini melalui beberapa tahapan proses, seperti ditunjukkan dalam
Gambar 3.1.
Pelatihan
Preprosessing Ektraksi Ciri Pelatihan
PNN
Pengujian
Preprosessing Ektraksi Ciri Pengujian Klasifikasi Hasil
Gambar 3.1. Diagram blok langkah-langkah proses penelitian
Pada Gambar 3.1 menunjukan proses tahapan verifikasi citra biji pinang,
dimana citra biji pinang sebagai input akan diproses untuk mendapatkan bobot atau
nilai dengan menggunakan Probabilistic Neural Network (PNN). Tahapan awal dari
penelitian ini adalah citra biji pinang diproses preprosessing dimana pada tahapan ini
nilai citra biji pinang RGB akan dirubah kedalam bentuk nilai grayscale. Proses
selanjutnya berupa pembentukan matrik co-occurance untuk sudut 0o, 45o, 90o dan
135o untuk masing-masing nilai offset 0 1, -1 1, -1 0, -1 -1. Dengan ditetapkan nilai
offset maka dapat dilakukan proses selanjutnya berupa perhitungan nilai ektraksi ciri
23
24
sehingga akan diperoleh nilai-nilai dari ektraksi ciri berupa nilai fitur energi, fitur
kontras, fitur korelasi, fitur entropy dan fitur homogenitas. Pembentukan nilai-nilai
fitur tersebut menggunakan metode Gray Level Cooccurrence Matrix (GLCM). Setelah
diperoleh nilai-nilai fitur maka tahap selanjutnya adalah proses pelatihan yang
bertujuan untuk mentraining sistem sehingga didapat nilai bobot Probabilistic Neural
Network (PNN) yang akan digunakan untuk proses klasifikasi. Hasil dari proses ini
berupa penentuan kondisi biji pinang dalam kondisi bagus atau kondisi rusak.
3.2. Pengambilan Data Biji Pinang
Citra yang digunakan sebagai sampel pada penelitian ini adalah berupa 100 biji
pinang kupas kering. Dalam penelitian ini pengambilan sampel dilakukan secara
Purposive sampling atau judgmental sampling yang berasal dari pedagang
penampung daerah kecamatan Juli dan Matang Gelumpang Dua kabupaten
Bireueun Provinsi Aceh. Purposive sampling atau judgmental sampling merupakan
cara penarikan sample yang dilakukan dalam memilih subjek berdasarkan kriteria
spesifik yang ditetapkan dalam penelitian ini. Sampel biji pinang terdiri dari dua
katagori yaitu biji pinang bagus dan biji pinang rusak, seperti yang di tunjukkan dalam
Gambar 3.2.
(a) (b)
Gambar 3.2. Citra biji pinang (a) bagus (b) rusak
25
Sampel ini dipisah dalam dua bagian berdasarkan kondisinya, yaitu 50 biji
dengan kondisi rusak dan 50 biji dengan kondisi bagus dengan kriteria mutu fisik
seperti dalam Tabel 3.1 berdasarkan keterangan bapak Saifan Nur Pimpinan UD. H.S.Y
beralamat Matang Gelumpang Dua kabupaten Bireuen Provinsi Aceh yang
merupakan tempat pengumpul dan pemisahan biji pinang.
Tabel 3.1. Kriteria mutu fisik biji pinang

No Mutu Fisik Keterangan
Biji pinang kering secara fisik tanpa adanya cacat dan
1 Biji bagus
berlubang
Biji Pinang kering secara fisik cacat dan berlubang akibat di
2 Biji rusak
makan serangga
Data citra biji pinang diambil menggunakan kamera digital merek Sony DSC
T900 12.1 megapiksel dengan ukuran citra 400 x 400 piksel dengan type data JPG dan
menggunakan notebook HP ProBook 4420s dengan spesifikasi processor Intel (R)
Core(TmR) i5-2410M CPU @ 2,3GHz memori 4 GB DDR3.
3.3. Pengolahan Citra Biji Pinang
Pada pengolahan citra biji pinang ini akan menghasilkan nilai grayscale dari
citra biji pinang yang nantinya akan digunakan untuk proses pada tahap selanjutnya.
Adapun proses awal dimulai dari inputan citra yang selanjutnya akan di preprosessing
yang bertujuan untuk merubah nilai RGB citra ke nilai grayscale. Pada proses
selanjutnya citra akan melalui proses ektraksi tekstur dimana dalam proses ini terdapat
beberapa tahapan antara lain proses pembentukan matrik coocurency, pembentukan

26
matrik Gray Level Cooccurrence Matrix (GLCM) normalisasi dan perhitungan ciri
atau fitur statistik GLCM.
3.3.1. Open image
Pada tahap ini citra yang dinputkan berupa citra biji pinang dengan ukuran 400
x 400 pixel, setiap pixel pada citra terdiri dari 3 unsur warna dasar yaitu Red (R),
Green (G) dan Blue (B), yang sering disingkat RGB, setiap unsur memiliki nilai
masing-masing antara 0-255 dan Setia warna dasar menggunakan penyimanan 8 bit = 1
byte, yang berarti setiap waarna mempunyai gradasi sebanyak 255 warna. Berarti setiap
piksel mempunyai warna 28 x 28 x28 = 224 = 16 juta warna lebih sehingga di namakan
dengan true color, sedangkan untuk proses perhitungan citra yang diharapkan
mempunyai nilai pixel dengan nilai intensitas tunggal berupa citra dalam format
grayscale yang mempunyai nilai derajat keabuan 0 – 255, dimana setiap pixel pada
citra biji pinang grayscale diperoleh dengan membuat rataan pada setiap pixel RGB
yang bersangkutan. Pada Gambar 3.3 menunjukkan citra biji pinang yang telah
dikonversi menjadi format gray scale.
(a) (b)
Gambar 3.3. Citra biji pinang; (a) citra biji pinang asli; (b) citra biji pinang setelah dikonversi
menjadi Gray scale
27
3.3.2. Ektraksi fitur
Proses ektraksi fitur dilakukan untuk mendapatkan nilai matrik co- occurance
untuk sudut 0o, 45o, 90o dan 135o derajat untuk masing-masing nilai offset 0 1, -1 1, -1
0, -1 -1. Dengan ditetapkan nilai offset maka dapat dilakuan proses selanjutnya berupa
perhitungan nilai ektraksi fitur sehingga akan diperoleh nilai-nilai dari ektraksi fitur
berupa nilai fitur energi, fitur kontras, fitur korelasi, fitur entropy dan fitur
homogenitas. Pembentukan nilai-nilai fitur tersebut menggunakan metode GLCM
(Gray Level Co-occurrence Matrix). GLCM merupakan metode yang sering digunakan
dalam analisis tekstur yang merupakan suatu matriks yang merepresentasikan
hubungan ketetanggaan antar pixel dalam citra pada berbagai arah orientasi sudut.
Hubungan ketetanggaan antar pixel dan arah orientasi sudut dapat dilihat pada
Gambar 3.4.
Gambar 3.4. Hubungan ketetanggaan antar pixel dan arah orientasi sudut
Pada penelitian ini fitur-fitur tekstur yang diekstraki adalah fitur energi, fitur
kontras, fitur korelasi, fitur entropy dan fitur homogenitas.

28
3.4. Penentuan Pelatihan Pelatihan dan Pengujian
3.4.1 Data latih
Pada tahap pelatihan ini bertujuan untuk menentukan ciri dari masing-masing
citra yang akan digunakan untuk pembentukan model jaringan. Pada tahap ini
dimasukkan beberapa citra biji pinang yang akan dilatih dari tiap sampelnya. Citra biji
pinang yang akan digunakan untuk pelatihan adalah 70 sampel citra biji pinang, 35
citra dari biji pinang bagus dan 35 citra dari biji pinang rusak.
Selanjutnya, dalam pengelompokan citra biji pinang masing-masing kelompok
diberi nomor. Dimana citra 1 sampai citra 50 adalah kelompok citra biji pinang bagus
dan 51 sampai 100 adalah kelompok citra biji pinang rusak.
Gambar 3.5. Arsitektur PNN untuk Deteksi Kerusakanan Biji Pinang

29
Dari Gambar 3.5 dijelaskan bahwa input unit merupakan pola masukan/input
dari Probabilistic Neural Network (PNN) yang merupakan elemen-elemen dari citra
biji pinang.
Pada pattern unit merupakan lapisan pola pada Probabilistic Neural Network
(PNN) dimana setiap pola menerima masukan dari semua elemen vector ciri hasil
ektraksi fitur Gray Level Cooccurrence Matrix (GLCM) yaitu fitur energi, fitur
kontras, fitur korelasi, fitur entropi dan fitur homgentias yang diambil dari empat arah
sudut (0o, 45o, 90o, dan 135o ) dengan jarak 1 pixel. Kemudian pola-pola dikumpulkan
kedalam beberapa kelompok dimana tiap kelompok menunjukkan kelas yang dibentuk
untuk klasifikasi pada Probabilistic Neural Network (PNN).
Sedangkan summation unit adalah lapisan unit-unit penjumlahan yang
terhubung penuh dengan tiap-tiap kelas. Dalam lapisan penjumlahan diberi satu
inisialisasi berupa nilai. Untuk kelompok sampel biji pinang bagus diberi nilai satu (1)
dan untuk kelompok sampel biji pinnag rusak diberi nilai dua (2). Hasil perhitungan
pada lapisan penjumlahan (summation unit) kemudian masuk ke lapisan keluaran
(Output Unit) untuk mengambil probabilitas maksimum dan menghasilkan nilai 1
untuk kelas yang sesuai dan nilai 0 untuk kelas yang tidak sesuai.
3.4.2. Data Uji
Pada tahap pengujian ini bertujuan untuk mengetahui apakah model jaringan
yang sudah dibentuk apakah sudah sesuai atau tidak. Dimana pada tahap pengujian ini
data yang di uji sebanyak 30 citra yang terdiri dari 15 citra biji pinang baik dan 15 citra
biji pinang rusak. Pada tahap pengujian data citra dikelompokkan dan diberi nomor.
30
Dimana data yang diuji adalah citra dari 36 sampai 50 merupakan citra biji pinang baik
dan cita 86 sampai dengan 100 adalah citra biji pinang rusak. Hasil dari pengujian
tersebut suatu citra biji pinang dapat diketahui apakah termasuk dalam katagori bagus
atau rusak.
3.5. Validasi Hasil Pengujian
Persentase akurasi dapat dirumuskan dalam Persamaan (3.1) sebagai berikut:
A
Akurasi(%)  x100% ….......................................................................................(3.1)
B
Dimana :
A = Jumlah data uji yang terdeteksi benar
B = Jumlah data yang diuji

BAB 4
HASIL DAN PEMBAHASAN
Pembahasan hasil penelitian ini secara garis besar dibagi dalam tiga bagian::
bagian pertama membahas hasil citra biji pinang, bagian kedua membahas hasil Gray
Level Cooccurrence Matrix (GLCM) dan bagian ketiga pembahasan hasil dari PNN.
4.1. Hasil Analisa Citra Biji Pinang
4.1.1. Pengambilan data citra biji pinang
Data citra biji pinang yang digunakan dalam penelitian ini berupa 100 biji
pinang kupas kering. Dimana citra 1 sampai dengan citra 50 merupakan citra biji
pinang bagus dan citra 51 sampai dengan citra 100 merupakan citra biji pinang rusak.
Sepeti diperlihatkan pada Gambar 4.1.
1 2 3 4
51 52 53 54
Gambar 4.1. Citra 1- 4 (biji pinang bagus) Citra 51 – 54 (biji pinang rusak)
31
32
4.1.2. Preprosessing
Tahap berikutnya transformasi grayscale, dimana citra berwarna akan diubah
menjadi citra keabuan. Gambar 4.2 akan ditampilkan citra hasil transformasi grayscale.
gray1 gray 2 gray 3 gray 4
gray51 gray52 gray53 gray54
Gambar 4.2. Hasil grayscale - Citra 1- 4 (biji pinang bagus) Citra 51 – 54 (biji
pinang rusak)
4.2. Ekstraksi Fitur dengan GLCM
Setelah dilakukan preprosessing yang bertujuan untuk merubah citra RGB biji
pinang ke citra grayscale maka tahap selanjutnya ekstrasi fitur menggunakan metode
Gray Level Cooccurrence Matrix (GLCM), fitur tekstur yang dihitung adalah nilai
fitur energi, fitur kontras, fitur korelasi, fitur entropy dan fitur homogenitas dari 4 arah
yaitu 0o, 45o, 90o, dan 135o dengan jarak 1 pixel. Hasil ekstraksi fitur energi dapat
dilihat pada Gambar 4.3.

33
Gambar 4.3. Hasil ektraksi fitur Energi pada sudut 0o, 45o, 90o, dan 135o
dengan jarak 1 pixel
Untuk menghitung fitur energi pada penelitian ini menggunakan Persamaan
(2.7). Fungsi proses ini untuk menghitung energi suatu citra. Energi mengacu pada
homogenitas dari tekstur, jika nilai energi tinggi maka jumlah area yang homogen
besar, dan sebaliknya jika nilai energi rendah maka jumlah area yang homogen sedikit
atau kecil. Hasil perhitungan energi untuk citra pinang baik dan rusak dan keseluruhan
nilai untuk masing-masing fitur pada sudut 0o, 45o, 90o, dan 135o dengan jarak 1 pixel
seperti pada Lampiran 2.
Dari hasil ekstraksi fitur energi maka diperoleh nilai untuk masing-masing
sudut seperti pada Lampiran 2 dan dari hasil ektraksi fitur energi juga diperoleh nilai
yang bervariasi untuk setiap sudutnya dimana nilai maksimum tertinggi untuk biji
pinang yang bagus pada arah sudut 90o yaitu sebesar 0.509969 dan nilai minimum pada
34
arah sudut 45 o yaitu sebesar 0.243806. Sedangkan untuk biji pinang yang rusak nilai
o
maksimumnya pada arah sudut 0 sebesar 0.468985 dan nilai minimum pada arah
sudut 0 o dan 45 o yaitu sebesar 0.156567. Sedangkan untuk nilai rata-rata tertinggi biji
o
pinang baik pada arah sudut 0 yaitu sebesar 0.32955 sedangkan untuk biji pinang
rusak nilai tertinggi pada arah sudut 0o sebesar 0.232953. Adapun keseleruhan nilai
max, min dan rata-rata hasil ekstraksi fitur energi pada arah sudut 0o, 45o, 90o, dan
135o dengan jarak 1 pixel diperlihatkan pada Tabel 4.1.
Tabel 4.1. Nilai max, min dan rata-rata hasil ekstraksi fitur energi pada 0o, 45o, 90o,
dan 135o dengan jarak 1 pixel
Biji Pinang Bagus Biji Pinang Rusak

Energi
0o 45 o 90 o 135 o 0o 45 o 90 o 135 o
Max 0.509057 0.497359 0.509969 0.499195 0.468985 0.462593 0.468112 0.463046
Min 0.260545 0.243806 0.258993 0.244919 0.156567 0.156567 0.162245 0.162245
Rata-rata 0.329550 0.313181 0.328659 0.314572 0.232953 0.230767 0.233008 0.227161
Untuk menghitung fitur kontras pada penelitian ini menggunaan Persamaan
(2.8) dimana fitur kontras menunjukkan ukuran penyebaran (momen inersia) elemen-
elemen matriks citra dari biji pinang bagus dan pinang rusak. Jika letaknya jauh dari
diagonal utama, nilai kekontrasan besar. Secara visual, nilai kekontrasan adalah ukuran
variasi antar derajat keabuan suatu daerah citra. Hasil perhitungan kontras pada citra biji
pinang menunjukka berkaitan dengan jumlah keberagaman intensitas keabuan dalam citra
biji pinang bagus maupun rusak. Hasil ektraksi dari fitur kontras baik pinang bagus dan
pinang rusak pada arah sudut 0o, 45o, 90o, dan 135o dengan jarak 1 pixel seperti
ditunjukkan pada Gambar 4.4 dan Lampiran 2.

35
Gambar 4.4. Hasil ektraksi fitur kontras pada sudut 0o, 45o, 90o, dan 135o
Dari hasil ekstraksi fitur kontras diperoleh nilai maksimum untuk biji pinang
bagus sebesar 0.175979 pada sudut 45o dan nilai masimum untuk biji pinang rusak
sebesar 0.219113 pada sudut 45o. Sedangkan nilai minimum untuk biji pinang bagus
o
pada sudut 0 yaitu sebesar 0.057387 dan nilai minimum untuk biji pinang rusak
sebesar 0.055282 pada sudut 0 o. Adapun nilai rata-rata tertinggi pada fitur kontras
diperoleh sebesar 0.125097 untuk biji pinang bagus pada sudut 0 o dan untuk biji pinang
rusak diperoleh sebesar 0.136242 pada sudut 135o. keseleruhan nilai max, min dan
rata-rata hasil ekstraksi fitur kontras pada 0o, 45o, 90o, dan 135o dengan jarak 1 pixel
diperlihatkan pada Tabel 4.2.
Tabel 4.2. Nilai max, min dan rata-rata hasil ekstraksi fitur kontras pada 0o, 45o, 90o,
Kontras
0o 45 o 90 o 135 o 0o 45 o 90 o 135 o
Max 0.131736 0.175979 0.136729 0.172788 0.154774 0.219113 0.15386 0.192392
Min 0.057387 0.075873 0.059505 0.076771 0.055282 0.057337 0.057337 0.075873
Rata-rata 0.094395 0.125097 0.096270 0.122691 0.121022 0.126829 0.120811 0.136242

36
Untuk perhitungan nilai fitur korelasi pada penelitian ini menggunakan
Persamaan (2.9) dimana fitur Korelasi menyatakan ukuran ketergantungan linear derajat
keabuan citra sehingga dapat memberikan petunjuk adanya struktur linear dalam citra.
Hasil ekstraksi dengan menggunakan fitur korelasi baik pinang bagus dan pinang rusak
pada 0o, 45o, 90o, dan 135o dengan jarak 1 pixel seperti ditunjukan pada Lampiran 2 dan
Gambar 4.5.
Gambar 4.5. Hasil ektraksi fitur korelasi pada sudut 0o, 45o, 90o, dan 135o
Dari hasil ekstraksi dengan menggunakan fitur korelasi diperoleh nilai
maksimum untuk biji pinang bagus sebesar 0.953944 pada sudut 0 o, sedangkan pada
biji pinang rusak diperoleh nilai maksimum sebesar 0.983524 pada sudut 0 o. Untuk
nilai minimum pada biji pinang baik diperoleh nilai sebesar 0.806423 pada sudut 45 o
sedangkan nilai minimum pada biji pinang rusak diperoleh nilai sebesar 0.907414 pada
o
masing-masing sudut 0 dan 45 o. Sedangkan nilai rata-rata diperoleh nilai sebesar
0.910799 pada sudut 0 o untuk biji pinang baik dan untuk biji pinang rusak diperoleh
nilai rata-rata sebesar 0.950723 pada sudut 90 o. Hasil keseleruhan nilai max, min dan
37
rata-rata dari ekstraksi fitur korelasi pada 0o, 45o, 90o, dan 135o dengan jarak 1 pixel
seperti ditunjukkan pada Tabel 4.3.
Tabel 4.3. Hasil keseleruhan nilai max, min dan rata-rata dari ekstraksi fitur korelasi
pada 0o, 45o, 90o, dan 135o dengan jarak 1 pixel.

Korelasi
0o 45 o 90 o 135 o 0o 45 o 90 o 135 o
Max 0.953944 0.937981 0.953139 0.93925 0.983524 0.977695 0.982909 0.977261
Min 0.853916 0.806423 0.852371 0.809539 0.907416 0.907416 0.913176 0.913176
Rata-rata 0.910799 0.881473 0.909179 0.883804 0.950647 0.94826 0.950723 0.94435
Untuk perhitungan nilai fitur Entropi pada penelitian ini menggunakan
Persamaan (2.10), dimana fitur entropi dapat menunjukkan ketidakteraturan ukuran
bentuk, jika nilai Entropinya besar untuk citra dengan transisi derajat keabuan merata dan
bernilai kecil jika struktur citra tidak teratur (bervariasi). Adapun hasil ekstraksi dengan
menggunakan fitur entropi baik pinang bagus dan pinang rusak pada 0o, 45o, 90o, dan
135o dengan jarak 1 pixel seperti ditunjukkan pada Gambar 4.6.
Gambar 4.6. Hasil ektraksi fitur entropi pada sudut 0o, 45o, 90o, dan 135o
38
Dari hasil ekstraksi dengan menggunakan fitur entropi diperoleh nilai maksimum
untuk biji pinang bagus sebesar 1.763661 pada sudut 45 o sedangan untuk biji pinang rusak
diperoleh nilai maksimum sebesar 2.156485 pada sudut 45 o. Nilai minimum diperoleh
o
sebesar 1.002281 pada sudut 0 untuk biji pinang bagus dan untuk biji pinang rusak
diperoleh nilai minimum sebesar 1.208559 pada sudut 0o. Sedangkan untuk nilai rata-rata
biji pinang bagus diperoleh nilai sebesar 1.447935 pada sudut 45 o dan untuk biji pinang
rusak diperoleh nilai rata-rata sebesar 1.834921 pada sudut 135o. Nilai max, min dan rata-
rata dari ekstraksi fitur Entropi pada 0o, 45o, 90o, dan 135o dengan jarak 1 pixel seperti
ditunjukkan pada Tabel 4.4.
Tabel 4.4. Nilai max, min dan rata-rata dari ekstraksi fitur Entropi pada 0o, 45o, 90o,

Entropi
0o 45 o 90 o 135 o 0o 45 o 90 o 135 o
Max 1.683672 1.763661 1.686521 1.755619 2.037045 2.156485 2.035502 2.112484
Min 1.002281 1.049241 0.998888 1.043048 1.208559 1.21418 1.21418 1.252137
Rata-rata 1.379911 1.447935 1.383998 1.442925 1.80051 1.81348 1.800165 1.834921
Untuk perhitungan nilai fitur Homogenitas pada penelitian ini menggunakan
Persamaan (2.11), dimana fitur homogenitas yang menunjukkan kehomogenan citra
berderajat keabuan sejenis. Secara matematis, homogenitas GLCM adalah invers dari
kontras GLCM, yaitu keseragaman intensitas keabuan pada citra. Adapun hasil
ekstraksi fitur homogenitas baik pinang bagus dan pinang rusak pada 0 o, 45o, 90o, dan
135o dengan jarak 1 pixel seperti ditunjukan pada Gambar 4.7.

39
Gambar 4.7. Hasil ektraksi fitur homogenitas pada sudut 0o, 45o, 90o, dan 135o
Dari hasil ekstraksi dengan menggunakan fitur homogenitas diperoleh nilai
maksimum untuk biji pinang bagus sebesar 0.971321 pada sudut 0 o dan nilai masimum
untuk biji pinang rusak sebesar 0.972697 pada sudut 0 o. Sedangkan nilai minimum
untuk biji pinang bagus pada sudut 0 o yaitu sebesar 0.912078 dan nilai minimum untuk
o
biji pinang rusak sebesar 0.897861 pada masing-masing sudut 0 dan 45 o. Adapun
nilai rata-rata tertinggi pada fitur kontras diperoleh sebesar 0.952857 untuk biji pinang
bagus pada sudut 0o dan untuk biji pinang rusak diperoleh sebesar 0.940231 pada sudut
90o. Hasil keseleruhan nilai max, min dan rata-rata dari ekstraksi fitur Homogenitas
pada 0o, 45o, 90o, dan 135o dengan jarak 1 pixel seperti ditunjukkan pada Tabel 4.5.
Tabel 4.5. Nilai max, min dan rata-rata dari ekstraksi fitur Homogenitas pada 0o, 45o,
90o, dan 135o dengan jarak 1 pixel

Entropi
0o 45 o 90 o 135 o 0o 45 o 90 o 135 o
Max 0.971321 0.962154 0.970293 0.961875 0.972697 0.963343 0.971497 0.963767
Min 0.934132 0.912078 0.93165 0.91384 0.897861 0.897861 0.907361 0.907361
Rata-rata 0.952857 0.937713 0.951955 0.938933 0.940144 0.937377 0.940231 0.932838
40
4.2. Pengujian Probabilistic Neural Network (PNN)
Pada tahap pengujian deteksi dengan menggunakan Probabilistic Neural
Network (PNN) terhadap citra biji pinang hasil ekstraksi fitur dengan Gray Level
Cooccurrence Matrix (GLCM) yang dikelompokkan menjadi dua yaitu citra biji pinang
bagus dan citra biji pinang rusak. Adapun hasil pengujian deteksi dengan
menggunakan fitur energi untuk sudut 0 o, 45o, 90 o

dan 135 o
seperti ditunjukkan pada Tabel 4.6.
Tabel 4.6. Hasil deteksi dengan fitur energi
No Citra Jenis Pinang Hasil Deteksi
1 36.Jpg Bagus 1 Benar



41
16 86.Jpg Rusak 2 Benar

22 92.Jpg Rusak 1 Salah
27
Persentase Keberhasilan Deteksi x100%  90%
30
Untuk pengujian fitur energi diperoleh hasil deteksi sebesar 90% dimana
terdapat tiga citra yaitu . yang tidak dapat terdeteksi dengan baik citra 92.jpg, 98.jpg
dan citra 100.jpg
Adapun hasil pengujian deteksi kerusakan biji pinang bagus dan biji pinang
rusak dengan menggunakan fitur Kontras untuk sudut 0 o, 45 o, 90 o dan 135 o dengan
jarak 1 pixel seperti ditunjukkan pada Tabel 4.7.

42
Tabel 4.7. Hasil deteksi dengan fitur Kontras

3 38.Jpg Bagus 2 Salah
43
21
30
Untuk pengujian dengan menggunakan fitur kontras diperoleh hasil klasifikasi
sebesar 70% dimana terdapat sembilan citra yang tidak dapat terdeteksi dengan baik
yaitu citra 39.jpg, 87,jpg, 90.jpg, 92.jpg, 94.jpg, 95.jpg, 96.jpg, 98.jpg dan citra
100.jpg.
Untuk hasil pengujian deteksi dengan menggunakan fitur Korelasi untuk sudut
0 o, 45 o, 90 o dan 135 o dengan jarak 1 pixel seperti ditunjukkan pada Tabel 4.8.
Tabel 4.8. Hasil deteksi dengan fitur Korelasi


44

27
30
45
Untuk pengujian fitur korelasi diperoleh hasil deteksi sebesar 90% dimana
terdapat tiga citra yang tidak dapat terdeteksi dengan baik yatitu citra 36.jpg, 40.jpg dan
citra 48.jpg.
Untuk hasil pengujian deteksi dengan menggunakan fitur Entropi untuk sudut
0o, 45 o, 90 o dan 135 o dengan jarak 1 pixel seperti ditunjukkan pada Tabel 4.9.
Tabel 4.9. Hasil deteksi dengan fitur Entropi

46

30
30
Untuk pengujian fitur entropi diperoleh hasil klasifikasi sebesar 100% dimana
seluruh citra dapat terdeteksi dengan baik.
Untuk hasil pengujian deteksi dengan menggunakan fitur Homogenitas untuk
sudut 0 o, 45 o, 90 o dan 135 o dengan jarak 1 pixel seperti ditunjukkan pada Tabel 4.10.
Tabel 4.10. Hasil deteksi dengan fitur Homogenitas

47

20
Persentase Keberhasilan Deteksi x100%  66,66%
30
48
Untuk pengujian fitur homogenitas diperoleh hasil deteksi sebesar 66,66%
dimana terdapat 10 citra yang tidak dapat terdetekksi dengan baik.
Dengan mengkombinasikan nilai kelima fitur maka terlihat dari hasil pengujian
bahwa keberhasilan deteksi mencapai tingkat 100%. Hasil pengujian seperti yang
ditunjukkan pada Tabel 4.11.
Tabel 4.11. Hasil deteksi dengan kombinasi fitur Energi, Kontras, Korelasi, Entropi
Dan Homogenitas

49

30
30
Dari hasil pengujian dengan menggunakan lima fitur terlihat bahwa adanya
penyebaran nilai pada masing-masing arah sudut 0 o, 45 o, 90 o dan 135 o dengan jarak 1
pixel untuk nilai maksimum, minimum dan nilai rata-rata dari masing-masing fitur.
Dengan mengkombinasikan fitur-fitur pada pengujian diperoleh tingkat keberhasilan
deteksi yang beragam juga dari hasil pengujian terlihat fitur entropi sangat berperan
dalam keberhasilan deteksi dimana tingkat keberhasilan mencapai 100%. Selain fitur
entropi tingkat keberhasilan hasil deteksi juga terlihat pada kombinasi kelima fitur
dimana hasilnya juga mencapai tingat 100%.

50
Hasil pengujian deteksi kurusakan terhadap 30 citra biji pinang yang terbagi 15
citra biji bagus dan 15 citra biji pinang rusak berdasarkan hasil ekstraksi fitur tekstur
yaitu fitur Energi, fitur kontras, fitur korelasi, fitur entropy, fitur homogenitas.dan
kombinasi kelima fitur dengan arah sudut 0 o, 45 o, 90 o dan 135 o dengan jarak 1 pixel
dapat terlihat pada Tabel 4.12.
Tabel 4.12. Hasil deteksi dengan fitur Energi, Kontras, Korelasi, Entropi, Homogenitas
dan kombinasi semua fitur
Hasil Hasil tidak Keberhasilan

No Fitur
akurat akurat deteksi
1 Energi 27 3 90 %
2 Kontras 21 9 70 %
3 Korelasi 27 3 90 %
4 Entropi 30 0 100 %
5 Homogenitas 20 10 66,66%
Energi, Kontras, Korelasi, Entropi

5 30 0 100 %
dan Homogenitas
Hasil pengujian deteksi yang terdapat pada Tabel 4.12 keberhasilan deteksi
terhadap 30 citra biji pinang yang terbagi 15 citra biji bagus dan 15 citra biji pinang
rusak menggunakan Probabilistic Neural Network (PNN) dengan nilai fitur Energi,
fitur kontras, fitur korelasi, fitur entropy, fitur homogenitas dan kombinasi kelima fitur
dengan arah sudut 0 o, 45 o, 90 o dan 135 o dengan jarak 1 pixel hasil ektraksi fitur
menggunakan metode GLCM (Gray Level Co-occurrence Matrix) mencapai 100 % dan
yang paling rendah 66,66%.

51
4.4. Pengembangan Interface Deteksi Kerusakan Biji Pinang.
Algoritma
Pengolahan Citra
(GLCM dan PNN)
Sensor
Camera Koneksi Personal
Infra
WebCam USB Computer
Red
MOTOR 1
Koneksi Sistem
SERIAL Minimum
PORT AVR8535
MOTOR 2
Gambar 4.8. Diagram alir system deteksi kerusakan biji pinang
Pada diagram alir system Gambar 4.8 digambarkan tahap-tahap pengembangan
interface sistem deteksi kerusakan biji pinang dengan mengunakan metode
probabilistic Neural Network (PNN). Hal ini dilakukan untuk memudahkan dalam
perancangan dan dapat mengetahui sejauh mana kesalahan atau kegagalan dalam
realisasi penelitian ini. Blok sistem kendali pada sistem konveyor, ketika inisialisasi
diberikan, webcam akan mengakuisisi citra kemudian diteruskan ke komputer.
Selanjutnya computer akan memproses data berupa citra biji pinang yang telah diambil
oleh webcam menggunakan metode probabilistic Neural Network (PNN) dan konveyor
akan berjalan lagi sampai biji pinang jatuh pada konveyor ke dua. Berdasarkan data
52
yang telah diambil maka computer akan mengambil kesimpulan biji pinang tersebut
termasuk katagori bagus atau rusak. Jika katagori baik maka computer akan
memberikan data ke mikrokontroller untuk menggerakkan motor konveyor 2 untuk
bergerak ke kanan dan akan bergerak ke kiri jika biji pinang masuk dalam katagori
rusak. Proses ini akan terus berlangsung sampai sensor infra red tidak mendeteksi
adanya objek biji pinang selama beberapa detik dan system akan off Gambar 4.9
menujukkan rancangan konveyor pemisah biji pinang.

Webcam
Konveyor1
LED
Konveyor2
Motor
konveyor1
Infra Red
Motor
konveyor2
Gambar 4.9. Rancangan konveyor pemisah biji pinang
Spesifikasi konveyor pemisah biji pinang seabagai berikut:
a. Dimensi konveyor1 : P x L x T : 100 x 20 x 50
b. Motor konveyor1 : DC 12 volt, 1 Amp
c. Dimensi konveyor2 : P x L x T : 30 x 20 x 45
d. Motor konveyor2 : DC 12 volt, 1 Amp
e. Web Cam : MICROSOFT LifeCam Cinema
f. LED : 5 mm, 2 x 3
53
Keterangan tambahan gambar:
1. Motor konvenyor1 dan 2 adalah motor DC 12 V dengan kecepatan 40 rpm
yang berfungsi untuk menjalankan belt conveyor
2. Konvenyor 1 adalah konvenyor utama yang berfungsi untuk mendeteksi biji
pinang.
3. Webcam terhubung dengan port USB sebagai media komunikasi ke
komputer diletakan di atas penyangga dengan ketinggian 20 cm diukur dari
dasar hingga ke kamera.
4. Sensor Infra Red digunakan sebagai pengindra untuk mengenali objek yang
melintas.
5. LED penerang berfungsi untuk mengurangi bayangan yang mengganggu
pembacaan kamera.
6. Konvenyor 2 adalah konvenyor yang berfungsi untuk memisahkan biji
pinang, dimana jika biji pinang bagus akan di arahkan ke kanan dan jika biji
pinang rusak akan diarahkan ke kiri.
7. Objek berupa biji pinang yang diletakkan beraturan sesuai dengan posisi
yang telah ditentukan pada konveyor1.
8. Sistem terhubung langsung ke komputer dengan media komunikasi serial
RS-232 dengan antarmuka usb-to-serial converter, melalui fitur komunikasi
USART (Universal Synchronous Asynchronous serial Receiver and
Transmitter) yang tersedia pada mikrokontroller 8535.

54
4.4.1. Rangkaian mikrokontroller
Pada Gambar 4.10 ditunjukkan alokasi pin-pin pada mikrokontroller yang
digunakan pada rangkain pengendali sitem deteksi kerusakan biji pinang . Perintah dari
komputer dikirimkan secara serial melalui PIND.0 dan PIND.1 untuk memberikan aksi
ke PORTA.0 sebagai pengendali motor konveyor 1 dan motor konveyor 2 terhubung
pada PORTA.1.
Gambar 4.10. Rangkaian mikrokontroller

BAB 5
PENUTUP
5.1. Kesimpulan
Beberapa kesimpulan yang dapat diambil dari hasil penelitian pada pendeteksi
kerusakan biji pinang dengan metode propabilistic neural network adalah sebagai
berikut:
a. Nilai fitur Gray Level Co-occurrence Matrix (GLCM) sangat menentukan tingkat
akurasi deteksi kerusakan biji pinang, nilai fitur tekstur yang dihitung adalah Energi,
Kontras, Korelasi, Entropi dan Homogenias dari 4 arah yaitu 0o, 45o, 90o, dan 135o
dengan jarak 1 pixel.
b. Penggabungan semua fitur Gray Level Co-occurrence Matrix dengan metode
Probabilistic Neural Network yang diusulkan dalam penelitian ini sangat baik
karena mampu melakukan deteksi biji pinang bagus dan biji pinang rusak dengan
tingkat akurasi hingga 100%.
5.2. Saran
Adapun saran-saran untuk pengembangan dan modifikasi kearah yang lebih
baik yaitu:
a. Perlu dilakukan perbaikan bagi akuisisi citra, dengan pengaturan pencahayaan baik
intensitas, sudut pencahayaan dan pemilihan kamera yang digunakan untuk akuisisi
citra biji pinang.
b. Implementasi deteksi kerusakan biji pinang perlu dilakukan dengan pengambilan
gambar citra secara lansung dengan kamera.
55
Daftar Pustaka
[1] Wijanarko A. P,. T. 2014. Pengaruh Intensitas Cahaya Terhadap Hasil Pengenalan
Citra Dengan Gray Level Co-Occurrence Matrix Dan Probabilistic Neural
Network, Jurnal Teknologi Informasi dan Komunikasi, ISSN : 2087 - 0868,
Volume 5. 35-45
[2] Mustafa, N .B. A . Arumugam. K. Ahmed. S.K. and Sharif , Z.A. M. 2011.
Classification of fruits using Probabilistic Neural Networks - Improvement
using color features. IEEE Region 10 Conference . TENCON.2011. 264 –
269.
[3] Unay, D.,Gosselin, B. 2005,Artificial neural network-based segmentation and

apple grading by Machine vision, Image Processing,. ICIP 2005. IEEE
International Conference on Volume: 2 Page(s): II - 630-3
[4] Finawan, A. 2011. Pengenalan Kerusakan pada Biji Pinang Dengan Pengolahan
Citra Digital Menggunakan Operasi Pengambangan Otsu, Seminar
Nasional dan Expo Teknik Elektro, Banda Aceh
[5] Kulkarni, A.H., and Patil, S.B. 2012. Automated Garment identification and defect
detection model based on Texture Features and PNN, International Journal
of Latest Trends in Engineering and Technology, Vol. 1, Issue 2 July.
[6] Wu, S.G,. Bao, F.S., Xu, E.Y., Wang, Yu-Xuan, Hang, Yi-Fan and Xiang, Qiao-
Liang. 2007. A Leaf Recognition Algorithm for Plant Classification Using
Probabilistic Neural Network. IEEE International Symposium. 11-16
[7] Dayanand Savakar, 2012. Identification and Classification of Bulk Fruits Images
using Artificial Neural Networks, International Journal of Engineering and
Innovative Technology (IJEIT) Volume 1, Issue 3
[8] Alasadi, T. A,. and, Baiee, W. R. 2014. Analysis of GLCM Feature Extraction for
Choosing Appropriate Angle Relative to BP Classifier, Journal of Computer
Engineering (IOSR-JCE) Volume 16. Issue 1, Ver. VII, PP 65-69
[9] Somantri, A. S. 2010. Menentukan Klasifikasi Mutu Fisik Beras Dengan

Menggunakan Teknologi Pengolahan Citra Digital dan Jaringan Syaraf
Tiruan, Jurnal Standardisasi Vol. 12, No. 3 Tahun 2010: 162 – 173
56
57
[10] Sofi’i, I. Astika dan Suroso. 2005. Penentuan Jenis Cacat Biji Kopi dengan
Pengolahan Citra Digital dan Artificial neural networks, Jurnal
Keteknikan Pertanian, Vol 19, No.2, hal 99-108.
[11] Eliyani, Tulus dan Fahmi. 2012. Pengenalan Tingkat Kematangan Buah Pepaya
Paya Rabo Menggunakan Pengolaham Citra Berdasarkan Warna (RGB)
Dengan K- Means Clustering, Jurnal LITEK, Vol 9, No. 2, hal 139-143.
[12] Gonzalez, R. C. and Woods, R.E. 2008. Digital Image Processing, Third Adition,
Pearson Prentice Hall.
[13] Meiyanto, E. 2008. Ethanolic extract of Areca catechu seeds inhibit

proliferationand induce apoptosis on MCF-7 cells, Majalah Farmasi
Indonesia. 19(1),
[14] Jain, A. K. 1989. Fundamental of Digital Image Processing, Prentice Hall,

Inc,Englewood Cliffs.
[15] Al Fata, Hanif. 2007. Konversi Format Citra RGB Ke Format Grayscale
Menggunakan Visual Basic, Seminar Nasional Teknologi , Yogyakarta.
[16] Russ, J. C. 1999. Image Processing Toolbox User’s Guide Version 2.2, Second
Edition, CRC Press, Boca Raton, ISBN 0-8493-2516-1.
[17] Munir, R. 2004. Pengolahan Citra Digital dengan Pendekatan

Algoritmik,Informatika, Bandung.
[18] Sutoyo,T., Mulyanto, E., Suhartono. V., Nurhayati, O.D., dan Wijananto. 2009.
Teori Pengolahan Citra Digital, Andi, Yogyakarta.
[19] Basuki, A. Palandi, F.J., dan Fatchurrochman. 2005. Pengolahan Citra Digital
menggunakan Visual Basic, Graha Ilmu, Yogyakarta.
[20] Ahmad, U., 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya, Graha
Ilmu, Yogyakarta.
[21] H Karaddi, S. and Kohir, V. 2014. Detection and Classification of Brain cancer
using BPNN and PNN, International Journal for Scientific Research &
Development, Vol. 2, Issue 06, 256-260.
[22] Pathak, B., and Barooah, D. 2013. Texture Analysis Based On The Gray-Level
Co-Occurrence Matrix Considering Possible Orientations, International
Journal of Advanced Research in Electrical, Electronics and
Instrumentation Engineering, Vol. 2, Issue 9, 4205-4212.
58
[23] Santhanam, T., and Radhika, S., 2011. ProbabilisticNeural Network – A Better
Solution for Noise Classification, Journal of Theoretical and Applied
Information Technology, Vol. 27 No.1, 39-42.
[24] El Emary, Ibrahiem M.M., dan Ramakrishnan, S., 2008. On the Application of
Various Probabilistic Neural Networks in Solving Different Pattern
Classification Problems, World Applied Sciences Journal 4 (6) , 772-780.
[25] Mishra, Madhusmita., Jena. A, R,. And Das. J,. 2013. A Probabilistic Neural
Network Approach For Classification of Vehicle, International Journal of
Application or Innovation in Engineering & Management (IJAIEM),
Vol 2, Issue 7, 367-371.
[26] Specht, DF. 1990. Probabilistic Neural Networks. Neural Network. 3: 109-118.
59
Lampiran 1: Citra Pinang Bagus dan Rusak
File 1 File 2 File 3 File 4 File 5

Dimensi 400x400 Dimensi 400x400 Dimensi 400x400 Dimensi 400x400 Dimensi 400x400




60





61





62





63
Lampiran 2: Nilai Fitur atau Ciri GLCM Citra Pinang Bagus dan Rusak
1. Energi pada jarak d =1, = 0°, 45°, 90° dan 135°.
Energi
Citra
 = 0°  = 45°  = 90°  = 135°
1.jpg 0,320955202 0,308534001 0,322276747 0,311029006
2.jpg 0,285596485 0,271678451 0,285782557 0,272918725
3.jpg 0,292968897 0,277037072 0,293001256 0,280773775
4.jpg 0,456335979 0,445055668 0,455837998 0,44490472
5.jpg 0,406573442 0,392192705 0,405072261 0,39372954
6.jpg 0,278903084 0,264034147 0,279588799 0,264793203
7.jpg 0,31097653 0,29618793 0,311843804 0,298905375
8.jpg 0,432162186 0,413731796 0,431841285 0,417263373
9.jpg 0,404874109 0,391732995 0,408401481 0,392520557
10.jpg 0,268529853 0,249223801 0,26491982 0,251820872
11.jpg 0,410686188 0,386887648 0,403773452 0,388681065
12.jpg 0,26054454 0,243806343 0,258992584 0,244919034
13.jpg 0,438538633 0,419500062 0,44014355 0,421240548
14.jpg 0,263482226 0,249299728 0,260057037 0,2481942
15.jpg 0,50905674 0,497358578 0,509969409 0,499194927
16.jpg 0,280813315 0,259256272 0,279016325 0,26122977
17.jpg 0,285287826 0,264669741 0,283100546 0,266606044
18.jpg 0,342211138 0,330005226 0,343758248 0,329796806
19.jpg 0,280127347 0,265884059 0,277441188 0,264765198
20.jpg 0,320602344 0,307424297 0,319844262 0,308935944
21.jpg 0,310004256 0,29070218 0,308196018 0,294515129
22.jpg 0,297507758 0,27926418 0,294005984 0,27918245
23.jpg 0,272454541 0,251940044 0,271505126 0,254847436
24.jpg 0,372585692 0,354923145 0,370578029 0,356973729
25.jpg 0,311325749 0,290609531 0,310037199 0,294503151
26.jpg 0,359950554 0,346772851 0,35974334 0,348705093
27.jpg 0,288633191 0,272635288 0,286799306 0,274434294
28.jpg 0,274224391 0,254596364 0,271218882 0,255319274
29.jpg 0,278484153 0,263424104 0,279458632 0,26390739
30.jpg 0,296340355 0,280445917 0,29412225 0,279171137
31.jpg 0,260920788 0,244167369 0,260296203 0,246187349
32.jpg 0,301129096 0,283493142 0,2993821 0,284964319
64
1. Energi pada jarak d =1, = 0°, 45°, 90° dan 135°. (sambungan)
Energi
Citra
 = 0°  = 45°  = 90°  = 135°
33.jpg 0,295175454 0,277124136 0,294268117 0,279283757
34.jpg 0,266264889 0,248911636 0,267242695 0,251784179
35.jpg 0,312903243 0,299002119 0,312159737 0,300067247
36.jpg 0,475475588 0,467222281 0,474078682 0,466940721
37.jpg 0,286439157 0,268034884 0,285875682 0,271823153
38.jpg 0,276532287 0,256570471 0,272850146 0,258369669
39.jpg 0,2988289 0,282912624 0,297316974 0,284388687
40.jpg 0,293503419 0,27933091 0,293875528 0,280950286
41.jpg 0,298893768 0,282362395 0,297917209 0,283201315
42.jpg 0,440648818 0,423601253 0,439712658 0,427193879
43.jpg 0,335528939 0,317173764 0,332891895 0,316534684
44.jpg 0,292828366 0,277082465 0,293682283 0,278195598
45.jpg 0,338063837 0,321609294 0,339835049 0,32305396
46.jpg 0,397397446 0,380751536 0,395845083 0,380310244
47.jpg 0,425057608 0,403796008 0,423980207 0,404771176
48.jpg 0,35189193 0,339875521 0,351134804 0,341212538
49.jpg 0,318814567 0,304523129 0,320524491 0,303299728
50.jpg 0,300452094 0,282711056 0,29975712 0,282272986
51.jpg 0,189303971 0,174838901 0,18794049 0,176812637
52.jpg 0,203804262 0,188338548 0,202976099 0,190626583
53.jpg 0,222199238 0,206757236 0,22157236 0,208806121
54.jpg 0,367189115 0,355637773 0,365783453 0,355300517
55.jpg 0,468985347 0,462593274 0,468111809 0,463045847
56.jpg 0,172783096 0,156566696 0,17325574 0,16224524
57.jpg 0,213147081 0,199528546 0,211193633 0,200597845
58.jpg 0,215101779 0,199947954 0,216760201 0,203070426
59.jpg 0,189899382 0,173106485 0,189113028 0,177298728
60.jpg 0,236865779 0,221970571 0,236970252 0,223871781
61.jpg 0,264614659 0,247976804 0,262682004 0,24916099
62.jpg 0,221901025 0,209147272 0,220649839 0,210652039
63.jpg 0,207344913 0,192141675 0,212862612 0,196276508
64.jpg 0,209579238 0,190621675 0,202559411 0,192708101
65.jpg 0,211257395 0,19569253 0,208418427 0,195387846
66.jpg 0,215028013 0,198415095 0,211920777 0,200377355
65
1. Energi pada jarak d =1, = 0°, 45°, 90° dan 135°. (sambungan)
Energi
Citra
 = 0°  = 45°  = 90°  = 135°
67.jpg 0,260512502 0,245154476 0,26069696 0,246740738
68.jpg 0,266342359 0,253303642 0,265132978 0,252625473
69.jpg 0,199300302 0,185559808 0,198744247 0,186920251
70.jpg 0,250484589 0,239400118 0,250090955 0,238906597
71.jpg 0,179720957 0,167452125 0,180736535 0,168681225
72.jpg 0,23623496 0,221481305 0,235162595 0,222381612
73.jpg 0,245470473 0,23415632 0,247055647 0,234520802
74.jpg 0,221796211 0,209120133 0,221001123 0,208249187
75.jpg 0,213528598 0,200359352 0,213648311 0,201021764
76.jpg 0,227298775 0,216734398 0,227193774 0,216965413
77.jpg 0,235458501 0,225563482 0,23458734 0,225435784
78.jpg 0,261705672 0,245963566 0,261292115 0,246603692
79.jpg 0,308740543 0,300858219 0,311547832 0,300556023
80.jpg 0,310010484 0,299281785 0,309782063 0,298173094
81.jpg 0,30544962 0,294817125 0,305963773 0,294499217
82.jpg 0,245705082 0,231768776 0,244207056 0,233553516
83.jpg 0,298006933 0,286908107 0,297816454 0,286333213
84.jpg 0,211564203 0,198234325 0,209961974 0,198977939
85.jpg 0,309954586 0,300321754 0,30954692 0,297943563
86.jpg 0,191992629 0,179417679 0,192011974 0,17924177
87.jpg 0,233287134 0,220077973 0,230227651 0,221472493
88.jpg 0,216064464 0,201814668 0,21553522 0,201608246
89.jpg 0,221350394 0,203558285 0,218068873 0,207484759
90.jpg 0,216467758 0,206689863 0,217226471 0,206401856
91.jpg 0,204966145 0,190989318 0,205117902 0,193555922
92.jpg 0,263114611 0,250920223 0,261249532 0,250258118
93.jpg 0,193455917 0,182017636 0,193515142 0,181454449
94.jpg 0,200851359 0,189621437 0,202041692 0,19009294
95.jpg 0,226167209 0,213812966 0,226473349 0,212934491
96.jpg 0,246989756 0,231956978 0,246123023 0,233494848
97.jpg 0,192671774 0,180141706 0,19263444 0,181198622
98.jpg 0,291645975 0,28112654 0,289459771 0,280898213
99.jpg 0,209394263 0,196389845 0,207473368 0,196320137
100.jpg 0,270780138 0,256106202 0,26859507 0,25632641
66
2. Kontras pada jarak d =1, = 0°, 45°, 90° dan 135°.
Kontras
Citra
 = 0°  = 45°  = 90°  = 135°
1.jpg 0,068966165 0,090313503 0,067261905 0,086268302
2.jpg 0,092406015 0,118975383 0,092349624 0,116889969
3.jpg 0,091672932 0,120997984 0,091541353 0,114113605
4.jpg 0,058226817 0,075872639 0,059505013 0,076777156
5.jpg 0,066710526 0,089515769 0,068934837 0,087241914
6.jpg 0,094072682 0,122285664 0,092982456 0,120847231
7.jpg 0,083565163 0,110181469 0,082155388 0,105282002
8.jpg 0,079505013 0,106739279 0,079511278 0,101820968
9.jpg 0,070620301 0,089264515 0,065538847 0,088341154
10.jpg 0,119918546 0,161550493 0,127531328 0,156035452
11.jpg 0,100250627 0,14141871 0,112788221 0,138045615
12.jpg 0,111296992 0,147210131 0,114379699 0,145815667
13.jpg 0,088458647 0,115533194 0,086892231 0,113372403
14.jpg 0,098828321 0,132706453 0,107199248 0,135300658
15.jpg 0,064555138 0,083473094 0,063464912 0,081230646
16.jpg 0,130532581 0,173271525 0,134179198 0,170784103
17.jpg 0,131735589 0,175978794 0,136729323 0,172787859
18.jpg 0,086365915 0,109861119 0,083577694 0,110313377
19.jpg 0,09141604 0,119999246 0,09693609 0,123655002
20.jpg 0,070971178 0,094974278 0,072857143 0,093202932
21.jpg 0,107531328 0,146443804 0,11160401 0,137769235
22.jpg 0,094097744 0,12626177 0,099793233 0,126324583
23.jpg 0,12797619 0,171581837 0,129918546 0,165689914
24.jpg 0,087230576 0,120212813 0,091190476 0,11680203
25.jpg 0,124511278 0,166173579 0,126973684 0,157926144
26.jpg 0,073646617 0,097687829 0,074022556 0,094283327
27.jpg 0,091303258 0,120778136 0,094849624 0,117819612
28.jpg 0,109749373 0,148548062 0,115444862 0,147241537
29.jpg 0,108226817 0,137926269 0,107036341 0,137153661
30.jpg 0,097474937 0,1272291 0,101535088 0,129647427
31.jpg 0,121246867 0,16006809 0,122706767 0,155608319
32.jpg 0,085369674 0,116381179 0,088515038 0,114006822
33.jpg 0,100657895 0,133899913 0,102318296 0,129942651
34.jpg 0,117700501 0,1562553 0,116008772 0,148705096
67
2. Kontras pada jarak d =1, = 0°, 45°, 90° dan 135°. (sambungan)
Kontras
Citra
 = 0°  = 45°  = 90°  = 135°
35.jpg 0,104442356 0,136249144 0,106390977 0,134213981
36.jpg 0,057387218 0,076073643 0,059642857 0,076770875
37.jpg 0,107387218 0,142398603 0,108646617 0,135558194
38.jpg 0,124454887 0,166933625 0,132337093 0,163416059
39.jpg 0,087305764 0,116770623 0,089849624 0,113849787
40.jpg 0,092199248 0,121035672 0,091885965 0,11771911
41.jpg 0,105426065 0,138164961 0,107236842 0,136845874
42.jpg 0,085620301 0,11376813 0,086773183 0,107794549
43.jpg 0,0964599 0,12727307 0,100795739 0,129100948
44.jpg 0,097117794 0,12580323 0,096240602 0,124119823
45.jpg 0,091441103 0,119773117 0,088922306 0,117449011
46.jpg 0,076911028 0,102135037 0,079191729 0,102932771
47.jpg 0,09924812 0,131632339 0,100313283 0,129515518
48.jpg 0,06037594 0,080985672 0,061447368 0,079327391
49.jpg 0,080357143 0,104390048 0,077562657 0,106607371
50.jpg 0,106798246 0,141883531 0,108026316 0,14229182
51.jpg 0,120526316 0,163409778 0,124824561 0,157461322
52.jpg 0,143865915 0,192712357 0,147963659 0,185338032
53.jpg 0,123502506 0,165306751 0,125551378 0,158673626
54.jpg 0,087763158 0,115438973 0,090682957 0,115426411
55.jpg 0,055281955 0,074415362 0,057337093 0,075872639
56.jpg 0,154774436 0,219112945 0,153859649 0,192379445
57.jpg 0,111290727 0,152750297 0,117443609 0,148472685
58.jpg 0,130733083 0,17710944 0,12683584 0,167580606
59.jpg 0,128345865 0,176669745 0,130927318 0,164427359
60.jpg 0,114755639 0,15106689 0,114122807 0,14651918
61.jpg 0,122568922 0,166563024 0,127343358 0,163547968
62.jpg 0,085545113 0,120206531 0,088703008 0,114559582
63.jpg 0,154417293 0,205155747 0,137462406 0,192392008
64.jpg 0,117681704 0,178478778 0,138283208 0,167574324
65.jpg 0,122969925 0,168510248 0,132098997 0,17017481
66.jpg 0,111441103 0,154684958 0,119210526 0,148975195
67.jpg 0,100000000 0,133969008 0,099649123 0,132072035
68
2. Kontras pada jarak d =1, = 0°, 45°, 90° dan 135°. (sambungan)
Kontras
Citra
 = 0°  = 45°  = 90°  = 135°
68.jpg 0,103377193 0,135294376 0,106541353 0,140011683
69.jpg 0,107888471 0,146481492 0,109530075 0,141783029
70.jpg 0,083778195 0,109559613 0,084467419 0,110985484
71.jpg 0,120156642 0,160545474 0,118070175 0,155545505
72.jpg 0,10697995 0,142806892 0,108389724 0,141456398
73.jpg 0,081384712 0,106852344 0,077493734 0,106802093
74.jpg 0,101917293 0,133567 0,103157895 0,135055684
75.jpg 0,106785714 0,140953888 0,106478697 0,138818224
76.jpg 0,093721805 0,122241694 0,093577694 0,122097223
77.jpg 0,081817043 0,107863644 0,08406015 0,10812118
78.jpg 0,104392231 0,138391091 0,105457393 0,137957676
79.jpg 0,07637218 0,094371267 0,070169173 0,095068498
80.jpg 0,076860902 0,100646353 0,077330827 0,103447843
81.jpg 0,07693609 0,100533288 0,075802005 0,10288252
82.jpg 0,090263158 0,120878638 0,092969925 0,11726057
83.jpg 0,067769424 0,090187876 0,068458647 0,091249427
84.jpg 0,099348371 0,134270513 0,103383459 0,132888613
85.jpg 0,077487469 0,099553395 0,079022556 0,105011903
86.jpg 0,121152882 0,156889718 0,12156015 0,157065596
87.jpg 0,087901003 0,121004265 0,09504386 0,117379916
88.jpg 0,11302005 0,149113385 0,115194236 0,151368396
89.jpg 0,119141604 0,166431115 0,127086466 0,157656045
90.jpg 0,089799499 0,116079673 0,088521303 0,116946502
91.jpg 0,121384712 0,16511831 0,121885965 0,156311832
92.jpg 0,078590226 0,106569682 0,083120301 0,108328465
93.jpg 0,11122807 0,14312096 0,111259398 0,144710146
94.jpg 0,099517544 0,129195168 0,096071429 0,12713488
95.jpg 0,099091479 0,127128598 0,098508772 0,129446423
96.jpg 0,09660401 0,131054453 0,098734336 0,128196431
97.jpg 0,110494987 0,146990283 0,110632832 0,143723972
98.jpg 0,07806391 0,103014428 0,083088972 0,104013166
99.jpg 0,119342105 0,156406053 0,125169173 0,157769109
100.jpg 0,09202381 0,124559519 0,096447368 0,124163793
69
3. Korelasi pada jarak d=1, = 0°, 45°, 90° dan 135°.
Korelasi
Citra
 = 0°  = 45°  = 90°  = 135°
1.jpg 0,934213716 0,913658893 0,9358417 0,917526159
2.jpg 0,927882721 0,906884078 0,927930458 0,90851625
3.jpg 0,928106352 0,904793188 0,928186104 0,910210068
4.jpg 0,907448005 0,879054235 0,905397374 0,877612302
5.jpg 0,911855401 0,881442272 0,908915887 0,884453843
6.jpg 0,923574944 0,900454326 0,924472383 0,901626811
7.jpg 0,934232482 0,912964516 0,935322052 0,916834733
8.jpg 0,877168406 0,834684015 0,877194224 0,842305799
9.jpg 0,895791892 0,868169161 0,903301819 0,869535641
10.jpg 0,912608713 0,881789283 0,90700732 0,885822816
11.jpg 0,872974232 0,820654454 0,85703025 0,824933083
12.jpg 0,919925049 0,893775552 0,917729705 0,894781522
13.jpg 0,855131719 0,810736313 0,857786557 0,814277483
14.jpg 0,941108303 0,920605915 0,936091242 0,919056285
15.jpg 0,880553781 0,844869969 0,882533483 0,849033393
16.jpg 0,890578071 0,85453092 0,887512788 0,856620978
17.jpg 0,887612908 0,849301968 0,883237115 0,852032497
18.jpg 0,936757163 0,91917972 0,938772271 0,918847783
19.jpg 0,931599137 0,909939322 0,927462633 0,907197375
20.jpg 0,934436114 0,912033161 0,932678028 0,913675252
21.jpg 0,898152263 0,860869161 0,89425841 0,869113645
22.jpg 0,914013863 0,884420769 0,908834075 0,884363544
23.jpg 0,905717082 0,873092617 0,904303712 0,877454871
24.jpg 0,903088579 0,865939471 0,898627585 0,869747463
25.jpg 0,870318851 0,826383164 0,867770728 0,835003208
26.jpg 0,944982172 0,926707334 0,944713678 0,929261699
27.jpg 0,923804272 0,898856946 0,920832591 0,901336487
28.jpg 0,910737488 0,879012354 0,906104601 0,880076527
29.jpg 0,915772817 0,892277722 0,916705878 0,892883746
30.jpg 0,921220811 0,896707814 0,917912646 0,894742069
31.jpg 0,939907092 0,920376465 0,939267051 0,922596097
32.jpg 0,922988757 0,894840564 0,920146416 0,896986013
33.jpg 0,906669023 0,875486349 0,9051246 0,8791662
70
3. Korelasi pada jarak d=1, = 0°, 45°, 90° dan 135°. (Sambungan)
Korelasi
Citra
 = 0°  = 45°  = 90°  = 135°
34.jpg 0,905937565 0,874848797 0,907311827 0,880896072
35.jpg 0,923816893 0,900258155 0,922465133 0,901745221
36.jpg 0,940626367 0,920965202 0,938416069 0,920227984
37.jpg 0,90309758 0,871149297 0,901986714 0,877336885
38.jpg 0,90726173 0,875141972 0,901384693 0,87777257
39.jpg 0,931623376 0,908193306 0,929612253 0,910491013
40.jpg 0,935728807 0,915406818 0,935944831 0,917724687
41.jpg 0,905023193 0,875346737 0,903407914 0,876537533
42.jpg 0,868833582 0,825171288 0,867124471 0,834355392
43.jpg 0,896154485 0,862955108 0,891490473 0,860989091
44.jpg 0,91406705 0,888526748 0,914845497 0,89001834
45.jpg 0,901063245 0,870106186 0,903834279 0,872626741
46.jpg 0,896670473 0,862465071 0,893592856 0,861393992
47.jpg 0,853916472 0,806422892 0,852370762 0,809539206
48.jpg 0,95394441 0,937980558 0,953138772 0,939250482
49.jpg 0,919700474 0,8953817 0,922539402 0,893157382
50.jpg 0,901560547 0,86885678 0,900455083 0,868482686
51.jpg 0,959503787 0,944968138 0,958040169 0,946972006
52.jpg 0,95260869 0,936259673 0,951269677 0,93869782
53.jpg 0,948448403 0,93075643 0,947605611 0,933534785
54.jpg 0,959126935 0,946031651 0,957780282 0,946037385
55.jpg 0,983523537 0,977694884 0,982908527 0,97726067
56.jpg 0,949549156 0,928447641 0,949843482 0,937178822
57.jpg 0,96464279 0,951303446 0,962695518 0,95266818
58.jpg 0,951243614 0,933912954 0,952697405 0,937469552
59.jpg 0,948026069 0,928250116 0,946982051 0,933225258
60.jpg 0,936477483 0,916195024 0,936854362 0,918721221
61.jpg 0,940272311 0,918537579 0,937942843 0,920012813
62.jpg 0,964110409 0,949453256 0,962783723 0,951827384
63.jpg 0,93040769 0,907415756 0,938062757 0,913176247
64.jpg 0,949145297 0,922784476 0,940242308 0,927502104
65.jpg 0,955688138 0,939027818 0,95236846 0,938427173
66.jpg 0,947001608 0,926287265 0,943300253 0,929009639
71
3. Korelasi pada jarak d=1, = 0°, 45°, 90° dan 135°. (Sambungan)
Korelasi
Citra
 = 0°  = 45°  = 90°  = 135°
67.jpg 0,943528776 0,924204375 0,943735825 0,92527805
68.jpg 0,954072287 0,939699496 0,952665706 0,937597824
69.jpg 0,959719239 0,945176832 0,959124881 0,946935212
70.jpg 0,965252941 0,954431551 0,964978344 0,953839142
71.jpg 0,959253655 0,9454406 0,959967565 0,947139794
72.jpg 0,946311832 0,928218714 0,94560688 0,928898596
73.jpg 0,971287266 0,962151676 0,972669658 0,962169277
74.jpg 0,958070918 0,944930795 0,957565332 0,944318666
75.jpg 0,956228959 0,942078067 0,956338324 0,942957066
76.jpg 0,968315991 0,958512861 0,968374679 0,958564131
77.jpg 0,96474612 0,953424532 0,963784594 0,953314987
78.jpg 0,960333794 0,947173756 0,959931116 0,947340286
79.jpg 0,964283813 0,955702312 0,967207828 0,955376567
80.jpg 0,963847374 0,952484067 0,963647132 0,951160241
81.jpg 0,975921034 0,96839575 0,976274077 0,967657124
82.jpg 0,956332861 0,941346802 0,955027634 0,943102424
83.jpg 0,974974946 0,966535474 0,974712419 0,966141941
84.jpg 0,963219816 0,950130985 0,961723917 0,950644352
85.jpg 0,961290372 0,950088195 0,960529105 0,947352541
86.jpg 0,952453284 0,938276201 0,952292594 0,938208571
87.jpg 0,966876795 0,954241656 0,964178777 0,95561327
88.jpg 0,950940964 0,935100157 0,949980018 0,934124385
89.jpg 0,952681566 0,933809317 0,94953588 0,937300234
90.jpg 0,969936285 0,961004488 0,970374067 0,960714143
91.jpg 0,955642305 0,93957321 0,955470657 0,942796256
92.jpg 0,972098127 0,961997642 0,970480459 0,961371372
93.jpg 0,956799592 0,944282548 0,956780659 0,943665199
94.jpg 0,96067083 0,948864945 0,962040841 0,94967988
95.jpg 0,948450312 0,933696981 0,948757208 0,932489113
96.jpg 0,960101435 0,945647133 0,959219544 0,946832816
97.jpg 0,959438141 0,945947695 0,959387154 0,947149111
98.jpg 0,963433429 0,951541165 0,961080587 0,951076625
99.jpg 0,957146346 0,943637254 0,955039369 0,94314897
100.jpg 0,957034841 0,941620011 0,954967258 0,941806609
72
4. Entropi pada jarak d=1, = 0°, 45°, 90° dan 135°.
Entropi
Citra
 = 0°  = 45°  = 90°  = 135°
1.jpg 1,345723843 1,404128096 1,340020886 1,393189645
2.jpg 1,429030362 1,490750414 1,428308823 1,486430272
3.jpg 1,395137684 1,460156052 1,394190646 1,444752058
4.jpg 1,071534668 1,118753742 1,07427713 1,11989665
5.jpg 1,181454994 1,240594947 1,187643715 1,234352195
6.jpg 1,433063323 1,49614913 1,429435202 1,493495484
7.jpg 1,349845575 1,410235295 1,346198728 1,399249818
8.jpg 1,152331984 1,220152589 1,152982388 1,20814981
9.jpg 1,135937203 1,185609941 1,121817546 1,183160682
10.jpg 1,539574111 1,618650748 1,554652655 1,607417312
11.jpg 1,276384566 1,366979888 1,305524936 1,360349863
12.jpg 1,581249543 1,65757018 1,58805954 1,653179958
13.jpg 1,13425108 1,198214818 1,13000783 1,193320399
14.jpg 1,584228081 1,65928203 1,60280121 1,665007878
15.jpg 1,002281217 1,049241455 0,998888181 1,043047601
16.jpg 1,585520598 1,676054952 1,593548032 1,670671148
17.jpg 1,552538975 1,636969472 1,563251748 1,629249023
18.jpg 1,354371117 1,405617678 1,347908624 1,40573899
19.jpg 1,493397037 1,560895852 1,505126962 1,567487851
20.jpg 1,377207071 1,441396919 1,38170778 1,435544454
21.jpg 1,468633506 1,551781695 1,477152925 1,535575703
22.jpg 1,433954465 1,512635328 1,449299171 1,512450594
23.jpg 1,518229916 1,597514269 1,522970747 1,587844367
24.jpg 1,323842679 1,39500285 1,332793171 1,388399022
25.jpg 1,421286227 1,49476279 1,426471394 1,482210169
26.jpg 1,267102112 1,320873594 1,267213246 1,313955983
27.jpg 1,440024075 1,506916911 1,447710802 1,501111208
28.jpg 1,510194978 1,596301308 1,524061313 1,592108864
29.jpg 1,476418421 1,535982985 1,474019707 1,535535911
30.jpg 1,413650776 1,475292793 1,422300225 1,480075569
31.jpg 1,683671597 1,76366051 1,686521157 1,755619369
32.jpg 1,418989849 1,497896757 1,427249283 1,491865772
33.jpg 1,423446991 1,495014889 1,427428287 1,48726814
34.jpg 1,537029073 1,614294826 1,532200524 1,601176321
73
4. Entropi pada jarak d=1, = 0°, 45°, 90° dan 135°. (Sambungan)
Entropi
Citra
 = 0°  = 45°  = 90°  = 135°
35.jpg 1,560075141 1,631112459 1,56460671 1,627294828
36.jpg 1,149802154 1,198421369 1,156947708 1,200254628
37.jpg 1,448402005 1,521821408 1,451274388 1,508094807
38.jpg 1,51181154 1,588646019 1,526075987 1,583364417
39.jpg 1,406564022 1,472105188 1,412483869 1,466665754
40.jpg 1,452791838 1,518867637 1,451717344 1,511307378
41.jpg 1,454938157 1,525568736 1,459067327 1,522140879
42.jpg 1,151710173 1,211101548 1,15531857 1,199847163
43.jpg 1,339113383 1,411980025 1,350030389 1,415593012
44.jpg 1,459557013 1,52940081 1,456789274 1,525046018
45.jpg 1,357926104 1,425990871 1,351264317 1,420733961
46.jpg 1,210561049 1,275561036 1,216853041 1,277508271
47.jpg 1,157021765 1,227765613 1,159987661 1,22387869
48.jpg 1,249319881 1,300899535 1,251551881 1,29680072
49.jpg 1,327986189 1,384205993 1,320344223 1,387865713
50.jpg 1,446429092 1,517959882 1,451861423 1,520942934
51.jpg 1,957129184 2,045100993 1,964602173 2,034499044
52.jpg 1,943228773 2,036101326 1,949593794 2,022313049
53.jpg 1,765947991 1,848701375 1,769977393 1,836666229
54.jpg 1,48495021 1,543315772 1,49166253 1,543723783
55.jpg 1,208559218 1,252915208 1,214179541 1,252136614
56.jpg 2,037045428 2,156485157 2,035502133 2,112483641
57.jpg 1,860395065 1,94858916 1,872490334 1,939295241
58.jpg 1,890360464 1,988470653 1,88077363 1,969065087
59.jpg 1,898058349 1,999573092 1,902377505 1,973665368
60.jpg 1,769193681 1,851514481 1,767871554 1,841383024
61.jpg 1,73113418 1,818443448 1,741771699 1,810942916
62.jpg 1,769252081 1,852956617 1,778267338 1,841428143
63.jpg 1,91148431 2,00675224 1,876842227 1,98302485
64.jpg 1,830130199 1,955932295 1,876522557 1,936717568
65.jpg 1,874042495 1,965704733 1,891537587 1,968477257
66.jpg 1,822366321 1,919316815 1,83877325 1,907575058
67.jpg 1,647978268 1,72486391 1,647659193 1,721555004
68.jpg 1,728450993 1,799859782 1,735852891 1,807553158
74
4. Entropi pada jarak d=1, = 0°, 45°, 90° dan 135°. (Sambungan)
Entropi
Citra
 = 0°  = 45°  = 90°  = 135°
69.jpg 1,859100982 1,948269025 1,862737532 1,937665166
70.jpg 1,691491445 1,756023567 1,692603548 1,760367731
71.jpg 1,940324792 2,026941259 1,934409391 2,018395564
72.jpg 1,743915956 1,820770774 1,746484625 1,818222208
73.jpg 1,674508621 1,7381984 1,663016957 1,736740267
74.jpg 1,803248786 1,876151688 1,804370833 1,878823997
75.jpg 1,853161942 1,931130018 1,851068812 1,925986354
76.jpg 1,798948145 1,867406795 1,79744845 1,867010513
77.jpg 1,723096442 1,788484215 1,728284497 1,788687006
78.jpg 1,618594837 1,690181106 1,621146314 1,689050366
79.jpg 1,564438034 1,610891565 1,547072091 1,612340412
80.jpg 1,551368206 1,611726055 1,551986599 1,618349588
81.jpg 1,536556295 1,59236728 1,534055903 1,595623753
82.jpg 1,687379523 1,761120598 1,692987467 1,753164903
83.jpg 1,432192894 1,487899026 1,434395242 1,489507301
84.jpg 1,803143779 1,885165119 1,812563528 1,881210669
85.jpg 1,554258447 1,608393673 1,55748049 1,621362415
86.jpg 1,918742364 1,998122706 1,919771485 1,998710205
87.jpg 1,784174915 1,867792019 1,803132803 1,85903685
88.jpg 1,869779133 1,951680006 1,874273537 1,956111297
89.jpg 1,881293128 1,984615055 1,900164204 1,967109167
90.jpg 1,831441154 1,897804402 1,828084558 1,900103522
91.jpg 1,915628449 2,005922954 1,917343925 1,989030062
92.jpg 1,630767429 1,700497081 1,642288772 1,70494642
93.jpg 1,905021169 1,975832019 1,905042281 1,979202768
94.jpg 1,843468923 1,91519192 1,834286601 1,911018662
95.jpg 1,7055961 1,771928326 1,703925784 1,776574117
96.jpg 1,704039905 1,784779822 1,709002459 1,77892536
97.jpg 1,903467776 1,988144893 1,90308803 1,981722466
98.jpg 1,624341418 1,689183746 1,638926761 1,690548543
99.jpg 1,918308625 2,000938583 1,932097327 2,00156134
100.jpg 1,678537054 1,757339479 1,690716289 1,756417556
75
5. Homogenitasi pada jarak d=1, = 0°, 45°, 90° dan 135°.
Homogenitas
Citra
 = 0°  = 45°  = 90°  = 135°
1.jpg 0,965569549 0,955167367 0,966474311 0,957129666
2.jpg 0,953909774 0,941032406 0,954103383 0,942112801
3.jpg 0,95418609 0,939553772 0,954229323 0,943003499
4.jpg 0,970924185 0,962154132 0,970292607 0,961875239
5.jpg 0,966644737 0,955242115 0,965532581 0,956379043
6.jpg 0,952978697 0,938932544 0,953546366 0,939666836
7.jpg 0,958262531 0,945075094 0,958982456 0,947509752
8.jpg 0,96027005 0,946683124 0,960244361 0,949149817
9.jpg 0,964765038 0,955488345 0,967238095 0,955987714
10.jpg 0,940055764 0,919548872 0,936354637 0,922231016
11.jpg 0,949882206 0,929509237 0,943718672 0,931203322
12.jpg 0,944712406 0,927457742 0,943231203 0,928516781
13.jpg 0,955770677 0,942414306 0,956598997 0,943396712
14.jpg 0,950593358 0,933910591 0,94662594 0,932749166
15.jpg 0,967744987 0,95836898 0,968282581 0,959475129
16.jpg 0,934771303 0,913545141 0,932947995 0,914879304
17.jpg 0,934132206 0,912078442 0,931650376 0,913839737
18.jpg 0,957005013 0,945363409 0,95822619 0,94516743
19.jpg 0,954434837 0,940452635 0,95187782 0,939272995
20.jpg 0,964604637 0,952844517 0,963736842 0,953963857
21.jpg 0,946339599 0,927886131 0,944446115 0,931469652
22.jpg 0,952958647 0,936944492 0,950118421 0,936882934
23.jpg 0,936087093 0,914427673 0,935093358 0,917351022
24.jpg 0,956384712 0,940014196 0,954464912 0,941749738
25.jpg 0,937796992 0,917184565 0,936580827 0,921247982
26.jpg 0,963199248 0,951382215 0,963041353 0,953001551
27.jpg 0,95435589 0,939656158 0,952597744 0,941173108
28.jpg 0,945125313 0,925861647 0,942330201 0,926454608
29.jpg 0,945886591 0,931119779 0,94654198 0,931506084
30.jpg 0,951285088 0,936551278 0,949292607 0,935372265
31.jpg 0,939451754 0,920553891 0,938744361 0,92255011
32.jpg 0,957382832 0,942110916 0,955832707 0,943365934
33.jpg 0,949678571 0,93309527 0,948863409 0,935081438
34.jpg 0,94145802 0,923500481 0,942379073 0,926778098
76
5. Homogenitas pada jarak d=1, = 0°, 45°, 90° dan 135°. (Sambungan)
Homogenitas
Citra
 = 0°  = 45°  = 90°  = 135°
35.jpg 0,947831454 0,932041256 0,946834586 0,933088988
36.jpg 0,971321429 0,962038555 0,97018609 0,961652251
37.jpg 0,946404135 0,929079591 0,945796992 0,93258271
38.jpg 0,937892857 0,917008059 0,933996867 0,918827143
39.jpg 0,956369674 0,941916194 0,955142857 0,94325601
40.jpg 0,953953008 0,939979648 0,954222431 0,941600241
41.jpg 0,947302005 0,93097782 0,946404135 0,931652439
42.jpg 0,957212406 0,943198849 0,956613409 0,946132876
43.jpg 0,951815163 0,936597132 0,949737469 0,935992236
44.jpg 0,951493734 0,937414966 0,952045113 0,938377271
45.jpg 0,954377193 0,940414947 0,955651629 0,941622226
46.jpg 0,961559524 0,948955095 0,960411654 0,948624066
47.jpg 0,950390977 0,93428182 0,949888471 0,935355306
48.jpg 0,969849624 0,959605153 0,969321429 0,960630272
49.jpg 0,959843985 0,947910503 0,961271303 0,946862143
50.jpg 0,946600877 0,929095923 0,945994361 0,928884241
51.jpg 0,939879699 0,919380532 0,937873434 0,921962802
52.jpg 0,928285088 0,905618683 0,926672306 0,908469168
53.jpg 0,938880326 0,919698369 0,938036341 0,922419457
54.jpg 0,956261278 0,943237794 0,954936717 0,942882268
55.jpg 0,972697368 0,963342567 0,971496867 0,963767187
56.jpg 0,924304511 0,897860566 0,924829574 0,907360507
57.jpg 0,944662907 0,925577101 0,942120301 0,927497315
58.jpg 0,935039474 0,914166368 0,937100877 0,917822752
59.jpg 0,936052632 0,912818387 0,934799499 0,918487321
60.jpg 0,942659774 0,92486605 0,942983709 0,92712483
61.jpg 0,939091479 0,918731038 0,937042607 0,92019334
62.jpg 0,957656015 0,94218064 0,956099624 0,944009146
63.jpg 0,925617536 0,904069439 0,932787594 0,909867363
64.jpg 0,942001253 0,915923895 0,932670426 0,919469099
65.jpg 0,939109023 0,918488577 0,935176065 0,917859812
66.jpg 0,944347118 0,923577113 0,940665414 0,926092801
67.jpg 0,950203008 0,934070766 0,95047619 0,935094629
68.jpg 0,948552005 0,933423157 0,947353383 0,931863493
77
5. Homogenitas pada jarak d=1, = 0°, 45°, 90° dan 135°. (Sambungan)
Homogenitas
Citra
 = 0°  = 45°  = 90°  = 135°
69.jpg 0,94627381 0,927746685 0,945392857 0,92976426
70.jpg 0,958110902 0,945257882 0,957766291 0,944567559
71.jpg 0,940432957 0,921988555 0,941641604 0,923983518
72.jpg 0,946532581 0,928807608 0,945820175 0,92962607
73.jpg 0,959442982 0,946875334 0,961350877 0,947322567
74.jpg 0,949048872 0,933457704 0,948451128 0,932645524
75.jpg 0,946614662 0,929658733 0,946775689 0,930711491
76.jpg 0,953146617 0,938962067 0,95322619 0,939147367
77.jpg 0,959114035 0,946166167 0,957969925 0,945962023
78.jpg 0,947886591 0,931000433 0,947316416 0,931556334
79.jpg 0,961843985 0,952919894 0,964922932 0,952586353
80.jpg 0,961592105 0,949744662 0,961387218 0,948720799
81.jpg 0,961652256 0,949891646 0,962211779 0,949636623
82.jpg 0,954868421 0,939696359 0,953537594 0,941558156
83.jpg 0,966130326 0,955004051 0,965800752 0,954827545
84.jpg 0,950385965 0,93309841 0,948360902 0,934136092
85.jpg 0,961286341 0,950306217 0,960541353 0,94796892
86.jpg 0,939453634 0,921758657 0,93925 0,921648105
87.jpg 0,956087093 0,939723997 0,952515664 0,941460795
88.jpg 0,943565163 0,925639286 0,942500627 0,925009265
89.jpg 0,940519424 0,917681422 0,936682331 0,921880516
90.jpg 0,955115288 0,942080766 0,955754386 0,941692577
91.jpg 0,939570802 0,919708788 0,939741228 0,922982268
92.jpg 0,960712406 0,946752847 0,95843985 0,945933757
93.jpg 0,944461153 0,92872595 0,944415414 0,927991658
94.jpg 0,950406642 0,93602804 0,951971805 0,936967733
95.jpg 0,950454261 0,936480927 0,950745614 0,935397391
96.jpg 0,951735589 0,934683827 0,950677945 0,936120376
97.jpg 0,944880326 0,927379225 0,944811404 0,928846552
98.jpg 0,960968045 0,948538012 0,95847807 0,948287385
99.jpg 0,940659774 0,922852243 0,937859023 0,922720963
100.jpg 0,953995614 0,937780542 0,951776316 0,938001018
Lampiran 3. Hasil Pengujian Berdasarkan Kombinasi Ciri Fitur GLCM arah sudut 0o, 45o, 90o, dan 135o dengan jarak 1 pixel

Keberhasilan
No Ciri Fitur GLCM Citra Uji
Deteksi
36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100
1 Energi 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 1 2 2 2 2 2 1 2 1 90,00%
2 Kontras 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 2 1 2 2 1 2 1 2 1 1 1 2 1 2 1 70,00%
3 Korelasi 2 1 1 1 2 1 1 1 1 1 1 1 2 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 90,00%
4 Entropi 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 100,00%
5 Homogenitas 1 1 2 1 1 1 1 1 1 1 1 1 1 1 2 2 1 2 2 1 2 1 2 1 1 1 2 1 2 1 66,67%
6 Energi dan kontras 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 1 2 1 96,67%
7 Energi dan Korelasi 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 100,00%
8 Energi dam Entropi 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 1 2 2 96,67%
9 Energi dan Homgenitas 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 1 2 2 2 2 2 1 2 1 90,00%
10 Kontras dan Korelasi 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 96,67%
11 Korelasi dan Entropi 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 100,00%
12 Energi, Kontras dan Korelasi 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 100,00%
13 Energi, Kontras dan Entropi 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 100,00%
14 Energi, Kontras dan Homogentas 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 1 2 1 93,33%
15 Energi, Kontras, Korelasi dan Entropi 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 100,00%
16 Energi, Kontras, Korelasi dan Homogenitas 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 100,00%
17 Energi, Kontras, Entropi dan Homogenitas 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 100,00%
18 Energi, Kontras, Korelasi Entropi dan Homogenitas 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 100,00%
78
79
Lampiran 4: Grafik Hasil Deteksi Probilistik Neural Network
Grafik Hasil Deteksi Dengan Ciri Fitur Energi
2 2 2 2 2 2 2 2 2 2 2 2 Hasil Deteksi
Pinang Rusak
1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Hasil Deteksi
Pinang Bagus
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Grafik Hasil Deteksi Dengan Ciri Fitur Kontras
2 2 2 2 2 2 2 Hasil Deteksi
Pinang Rusak
1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1
Hasil Deteksi
Pinang Bagus
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
80
Grafik Hasil Deteksi Dengan Ciri Fitur Korelasi
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
Hasil Deteksi
Pinang Rusak
2 2 2
1 1 1 1 1 1 1 1 1 1 1 1
Hasil Deteksi
Pinang Bagus
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Grafik Hasil Deteksi Dengan Ciri Fitur Entropi
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
Hasil Deteksi
Pinang Rusak
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Hasil Deteksi
Pinang Bagus
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
81
Grafik Hasil Deteksi Dengan Ciri Fitur Homogenitas
2 2 2 2 2 2 2 Hasil Deteksi
Pinang Rusak
1 1 1 1 1 1 1 1
2 2
Hasil Deteksi
Pinang Bagus
1 1 1 1 1 1 1 1 1 1 1 1 1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Grafik Hasil Deteksi Dengan Ciri Fitur Energi, Kontras,

Korelasi, Entropi dan Homogenitas
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
Hasil Deteksi
Pinang Rusak
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Hasil Deteksi
Pinang Bagus
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
82
Lampiran 5: Listing Program Gray Level Co-occurrence Matrix (GLCM) dan

Probilistik Neural Network (PNN)
clc; clear all;
%folder data citra sampling

folder = 'sampling_query_fitur_glcm\';
%Pembentukan mantrix fitur F1 s/d F5;

F1b = [];F2b = [];F3b = [];F4b = [];F5b = [];
F1r = [];F2r = [];F3r = [];F4r = [];F5r = [];
%%
% Pembacaan data 20 citra
% (citra 1 s/d 50 = citra pinang baik)
% (citra 51 s/d 100 = citra pinang rusak)
% 50 citra pinang baik

for i = 1:50 % 1:50
filename = strcat(folder,int2str(i),'.jpg');
% Membaca file citra
Ib = imread(filename);
% Konversi dari RGB ke grayscale

grayB = rgb2gray(Ib);
% Menyimpan citra hasil grayscale ke dalam folder-

"sampling_query_fitur_glcm\gray"
imwrite(grayB, (strcat('.\sampling_query_fitur_glcm\gray\gray',
num2str(i),'.jpg')));
%check data piksel image
im1= imread('.\sampling_query_fitur_glcm\gray\gray1.jpg');
% Matriks co-occurance graycomatrix dengan jarak pixel 1d

% untuk sudut 0,45,90 dan 135
% Anyway here's the list of offsets (with distance = 1):
% >>>> 0 derajat : {0,1} ~ 180 derajat
% >>>> 45 derajat: {-1, 1} ~ 225 derajat
% >>>> 90 derajat: {-1,0} ~ 270 derajat
% >>>> 135 derajat: {-1,-1} ~ 315 derajat
offsets1 = [0 1; -1 1; -1 0; -1 -1];
%offsets0 = [zeros(2,1) (1:2)'];
%GLCM2 = graycomatrix(gray,'Offset',offsets0);
GLCM1 = graycomatrix(grayB,'Offset',offsets1);
%GLCM2 = graycomatrix(gray,'Offset',[2 0;0 2]);
83
% Perhitungan Fitur Tekstur

statsB = GLCM(GLCM1,0);
%matriks fitur GLCM

F1b = [F1b;statsB.energ]; % Fitur energi
F2b = [F2b;statsB.contr]; % Fitur Kontras
F3b = [F3b;statsB.corrp]; % Fitur korelasi
F4b = [F4b;statsB.entro]; % Fitur enthropy
F5b = [F5b;statsB.homop]; % Fitur homogenitas
end
%50 citra pinang rusak

for i = 51:100
filename = strcat(folder,int2str(i),'.jpg');
% Membaca file citra
Ir = imread(filename);
% Konversi dari RGB ke grayscale

grayR = rgb2gray(Ir);
% Menyimpan citra hasil grayscale ke dalam folder-

"sampling_query_fitur_glcm\gray"
imwrite(grayR, (strcat('.\sampling_query_fitur_glcm\gray\gray',
num2str(i),'.jpg')));
%cek data piksel image
% im20= imread('.\sampling_query_fitur_glcm\gray\gray20.jpg');
% Matriks co-occurance graycomatrix dengan jarak pixel 1d

% untuk sudut 0,45,90 dan 135
offsets1 = [0 1; -1 1; -1 0; -1 -1];
%offsets0 = [zeros(2,1) (1:2)'];
%GLCM2 = graycomatrix(gray,'Offset',offsets0);
GLCM2 = graycomatrix(grayR,'Offset',offsets1);
%GLCM2 = graycomatrix(gray,'Offset',[2 0;0 2]);
% Perhitungan Fitur Tekstur

stats = GLCM(GLCM2,0);
%matriks fitur GLCM

F1r = [F1r;stats.energ]; % Fitur energi
F2r = [F2r;stats.contr]; % Fitur Kontras
F3r = [F3r;stats.corrp]; % Fitur korelasi
F4r = [F4r;stats.entro]; % Fitur enthropy
F5r = [F5r;stats.homop]; % Fitur homogenitas
end
%gabungan Fb dan Fr
F1 = [F1b,F1r]; % Fitur energi
F2 = [F2b,F2r]; % Fitur Kontras
84
F3 = [F3b,F3r]; % Fitur korelasi

F4 = [F4b,F4r]; % Fitur enthropy
F5 = [F5b,F5r]; % Fitur homogenitas
% 5 Fitur untuk seluruh citra
% F = [ F1b ; F1r];
% F = [ F2b ; F2r];
% F = [ F3b ; F3r];
% F = [ F4b ; F4r];
%F = [ F5b ; F5r];
%F = [F1b F2b ; F1r F2r ];

% F = [F1b F3b ; F1r F3r ];
% F = [F1b F4b ; F1r F4r ];
% F = [F1b F5b ; F1r F5r ];
%F = [F2b F3b ; F2r F3r ];
% F = [F3b F4b ; F3r F4r ];
% F = [F1b F2b F3b ; F1r F2r F3r ];

% F = [F1b F2b F4b ; F1r F2r F4r ];
% F = [F1b F2b F5b ; F1r F2r F5r ];
% F = [F1b F2b F3b F4b ; F1r F2r F3r F4r];

% F = [F1b F2b F4b F5b ; F1r F2r F4r F5r];
% F = [F1b F2b F4b F5b ; F1r F2r F4r F5r ];
F = [F1b F2b F3b F4b F5b ; F1r F2r F3r F4r F5r ];
%plotting
figure ;
subplot(2,1,1); plot (F1); %plot(F1b(1:10));
% hold on ; plot(F1r)
hleg = legend('Pinang Bagus 0º','Pinang Bagus 45º','Pinang Bagus
90º','Pinang Bagus 135º',...
'Pinang Rusak 0º','Pinang Rusak 45º','Pinang Rusak 90º','Pinang
Rusak 135º',...
'Location','NorthEastOutside');
title('GLCM-Energi')
subplot(2,1,2); plot(F2)
%hold on ; plot(F2r)
hleg2 = legend('Pinang Bagus 0º','Pinang Bagus 45º','Pinang Bagus
Rusak 135º',...
title('GLCM-Kontras')
85
figure;
Rusak 135º',...
title('GLCM-Korelasi')
%
Rusak 135º',...
title('GLCM-Entrophy')
figure;
Rusak 135º',...
title('GLCM-Homogenitas')
%% Program Klasifikasi dengan PNN

%% Proses Training / latih
% Definisi Input: Data Training (data latih)
%Fold 1 (lipatan 1)
P = [F(1:35,:);F(51:85,:)]';%artinya menggunakan 70 data training
citra baik ke-1 s/d 35 dan citra rusak ke-51 s/d 85
% Definisi Output: Data Training

% membuat matriks K1 dan K2 untuk menampung data training berdasarkan
% jumlah data latih
K1=[]; K2=[];
for j=1:35 % (J=1:2) data ke- 1 s/d 2 (dapat disesuaikan dengan
jumlah citra latih pada lipatan
K1=[K1 1];
K2=[K2 2];
end
86
%Definisi Output
% Membuat Parameter Keluaran dengan variabel Tc : Gabungan dari
matriks K1
% dan K2
Tc = [K1 K2];
%% Proses Testing / uji

% Definisi Input: Data Testing
%Fold 1 (lipatan 1)
% data testing ditampung pada variabel P1 dengan data citra uji pinang
baik
% ke 36 s/d 50 dan data citra pinang rusak 86 s/d 100
P1 = [F(36:50,:);F(86:100,:)]';
%%
%PNN
% Konversi index ke vektor output
T = ind2vec(Tc);
% Biar hasilnya matriks, dirubah ke indeks agar ketemu kelasnya.
% => 1 : kelasnya
% => 0 : bukan kelasnya
% Membuat model network PNN

net = newpnn(P,T);
% Proses Test data uji ke model data training

Y=sim(net,P1);
Yc=vec2ind(Y)
% output Yc = 1 dan 2 jika benar dikelaskan

% 1 : Kelas citra Baik
% 2 : Kelas citra Rusak

Aplikasi Pengolahan Citra Digital Untuk Mendeteksi Kerusakan Biji Pinang Dengan Metode Probabilistic Neural Network

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

Aplikasi Pengolahan Citra Digital Untuk Mendeteksi Kerusakan Biji Pinang Dengan Metode Probabilistic Neural Network

Diunggah oleh

Hak Cipta:

Format Tersedia

APLIKASI PENGOLAHAN CITRA DIGITAL UNTUK

MENDETEKSI KERUSAKAN BIJI PINANG DENGAN

Untuk Memperoleh Gelar Magister Teknik

Nama Mahasiswa : Rusli

(Prof. Dr. Ir. Usman Baafai ) (Prof.Drs. Tulus, M.Si., Ph.D)

Ketua Program Studi Dekan,

( Suherman, Ph.D ) ( Prof. Dr. Ir. Bustami Syam, MSME )

PANITIA PENGUJI TESIS

Kata Kunci : Pinang, ekstraksi fitur, Gray Level Co-occurrence Matrix

Keywords: Betel nut, Feature Extraction, Gray Level Co-occurrence Matrix

“Aplikasi Pengolahan Citra Digital Untuk Mendeteksi Kerusakan Biji Pinang

Dengan Metode Probabilistic Neural Network”.

Penulis terutama mengucapkan terima kasih yang tak terhingga kepada

menyelesaikan tesis ini.

memberikan saran dan masukan demi kesempurnaan penulisan tesis ini.

kawanku Muhammad Nasir, Ismi Amalia, Aidi Finawan dan Salahuddin.

Elektro Fakultas Teknik Universitas Sumatera Utara dapat tercapai.

ini dapat berguna bagi kita semua. Amin.

Medan, 04 Desember 2015

Medan, 04 Desember 2015

KATA PENGANTAR ........................................................................................ iii

DAFTAR RIWAYAT HIDUP .......................................................................... v

DAFTAR TABEL ............................................................................................... viii

DAFTAR LAMPIRAN ....................................................................................... xi

DAFTAR SINGKATAN..................................................................................... xii

BAB 1 PENDAHULUAN ............................................................................... 1

BAB 2 TINJAUAN PUSTAKA ..................................................................... 5

2.1 Visi Komputer (Computer vision ) ............................................. 7

3.1 Metode yang Diusulkan................................................................. 23

BAB 4 HASIL DAN PEMBAHASAN........................................................... 31

4.1 Hasil Analisa Citra Biji Pinang ..................................................... 31

BAB 5 PENUTUP ........................................................................................... 55

DAFTAR PUSTAKA .......................................................................................... 56

Nomor Judul Halaman

3.1 Kriteria mutu fisik biji pinang .................................................................... 25

dan 135o dengan jarak 1 pixel ..................................................................... 34

dan 135o dengan jarak 1 pixel ..................................................................... 35

dan 135o dengan jarak 1 pixel ..................................................................... 37

dan 135o dengan jarak 1 pixel ..................................................................... 38

90o, dan 135o dengan jarak 1 pixel ............................................................. 39

4.6 Hasil deteksi dengan fitur energi ........................................................................... 40

4.7 Hasil deteksi dengan fitur kontras ......................................................................... 42

4.8 Hasil deteksi dengan fitur korelasi......................................................................... 43

4.9 Hasil deteksi dengan fitur entropi.......................................................................... 45

4.10 Hasil deteksi dengan fitur Homogenitas................................................................ 46

kombinasi semua fitur............................................................................................ 50

Nomor Judul Halaman

2.1 Sebuah sistem computer vision .................................................................. 8

2.2 Ttriplet warna RGB ..................................................................................... 12

2.3 Kanal warna RGB biji pinang di ekstraksi ................................................ 13

2.4 Citra aras keabuan biji pinang dan histogramnya........................................ 14

2.5 Citra warna biji pinang dan histogramnya................................................... 14

2.6 Arah dalam menghitung Gray Level Co-occurrence Matrix ...................... 17

2.8 Langkah pertama mengubah GLCM ........................................................... 18

2.9 GLCM (Grey Level Co-occurence Matrix) simetris ................................... 19

2.10 GLCM (Grey Level Co-occurence Matrix) simetris ternormalisasi............ 19

2.11 Struktur PNN (Probabilistic Neural Network) ............................................ 21

3.1 Diagram blok langkah-langkah proses penelitian ......................................... 23

3.2 Citra biji pinang (a) Bagus (b) Rusak ......................................................... 24

setelah diformat menjadi Gray scale .......................................................... 26

3.5 Arsitektur PNN untuk deteksi kerusakanan biji pinang .............................. 28

4.1 Citra 1- 4 (biji pinang baik) citra 51 – 54 (biji pinang rusak)...................... 31

pinang rusak) .............................................................................................. 32