None 23b6a822
None 23b6a822
Muchammad Al Amin
Jurusan Matematika, FMIPA, Universitas Negeri Surabaya, e-mail: much.al.amin67@gmail.com
Dwi Juniati
Jurusan Matematika, FMIPA, Universitas Negeri Surabaya, e-mail: dwi_juniati@unesa.ac.id
Abstrak
Klasifikasi kelompok umur manusia dalam penelitian ini dibagi menjadi empat kelompok yaitu kanak-kanak (5-
11 tahun), remaja (12-25 tahun), dewasa (26-45 tahun), dan lansia (46-65 tahun). Klasifikasi kelompok umur manusia
dapat didasarkan pada intensitas kerutan yang nampak pada citra wajah. Metode yang dapat digunakan untuk
menganalisis intensitas kerutan tersebut salah satunya yaitu dimensi fraktal box counting. Untuk mendapatkan
penampakan kerutan wajah yang lebih jelas pada citra wajah dapat digunakan deteksi tepi Canny dan beberapa
pengolahan citra yang lain seperti konversi warna citra.
Dalam penelitian ini digunakan data 60 citra wajah individu yang diambil secara langsung dari warga desa
Ngingas, Kecamatan Waru, Kabupaten Sidoarjo. Data tersebut terdiri dari empat kelompok sesuai dengan kelompok
umur di depan dan masing-masing kelompok terdiri dari 15 citra. Data citra tersebut diolah menjadi citra grayscale yang
kemudian dilakukan deteksi tepi Canny. Setelah didapat citra tepi wajah kemudian dilakukan penghitungan dimensi
fraktal box counting. Nilai dimensi fraktal digunakan untuk klasifikasi. Data citra dibagi secara acak menggunakan
metode k-fold cross validation (k=5) menjadi 5 partisi dan dilakukan 5 kali iterasi. Kemudian dilakukan klasifikasi dari
tiap data citra menggunakan metode 𝜅𝑁𝑁 (𝜅-Nearest Neighbor) dengan percobaan nilai 𝜅=1, 2, 3, …, dan 12. Didapat
nilai akurasi paling optimal yaitu 98,33% ketika nilai 𝜅=2.
Kata Kunci : citra wajah, kelompok umur, deteksi tepi Canny, dimensi fraktal box counting.
Abstract
Classification of the human age group in this research can be divided into four groups: children (6-11 years old),
teens (12-25 years old), adults (26-45 years old) and older adults (46-65 years old). The human age group classification
can be based on the intensity of wrinkles that appear on the facial image. The method can be used to analyze an
intensity of wrinkles is box counting fractal dimension. Then, to get an appearance of wrinkles on facial image can be
used Canny edge detection and several other image processing such as image color conversion.
This research used 60 individual facial image data that taken from the villagers of Ngingas, subdistrict of Waru,
Sidoarjo district. The data consists of four groups according to age group at the front and each group consisting of 15
images. The image data is processed into a grayscale image and then do Canny edge detection. After we get facial edge
image, we can be calculated box counting fractal dimension. Fractal dimension value is then used for classification. The
image data is divided randomly using k-fold cross validation (k = 5) into 5 partitions and do 5 iterations. Then do the
classification of each image data using κ𝑁𝑁 (𝜅-Nearest Neighbor) with experimental value κ = 1, 2, 3, ..., and 12. The
most optimal accuracy is 98,33% when the value of κ = 2.
Keywords: facial image, age group, Canny edge detection, box counting fractal dimension.
33
Volume 2 No.6 Tahun 2017
pengenduran (Kurniawan,2011). Hal itu disebabkan Citra dapat didefinisikan sebagai fungsi dua dimensi
karena seiring bertambahnya umur maka kulit akan f(x,y), dimana x dan y adalah koordinat bidang, dan
menjadi lebih tipis, lebih kering, serta mengalami fungsi f pada setiap koordinat (x,y) adalah intensitas atau
pengurangan kelenturan dan kelembaban. tingkat keabuan citra pada titik tersebut
Dalam citra wajah cukup sulit untuk memperhatikan (Gonzalez,2004:2). Warna citra dapat dibagi menjadi tiga
kerutan wajah secara detail. Oleh karena itu untuk jenis yaitu citra RGB (Red Green Blue), BW (Black and
membedakan intensitas kerutan wajah dari individu satu White), dan grayscale.
dengan yang lain dalam citra wajahnya diperlukan Dalam pengolahan citra, seringkali digunakan citra
pengolahan citra yang dapat memperjelas penampakan grayscale. Hal ini disebabkan karena citra yang berwarna
kerutan pada citra wajah. Salah satu metode yang dapat atau citra RGB memiliki tiga layer matriks yang tentu
digunakan yaitu deteksi tepi Canny. akan memakan waktu lebih lama dalam proses
Setelah didapat penampakan kerutan yang lebih jelas pengolahan citra selanjutnya. Untuk mengubah citra RGB
dari citra wajah, masih terdapat kesulitan untuk menjadi citra grayscale dilakukan dengan menghitung
menyatakan intensitas kerutan wajah dalam nilai eksak. rata-rata dari matriks Red, Green, dan Blue pada citra
Salah satu ilmu matematika yang dapat digunakan untuk RGB yang dapat ditunjukkan sebagai berikut:
analisis intensitas kontur dalam suatu objek dua dimensi (1)
yaitu dimensi fraktal box counting. Oleh karena itu
dimana:
metode yang dapat digunakan untuk menganalisis
I = nilai piksel pada matriks citra grayscale
intensitas kerutan wajah pada citra wajah yaitu dimensi
R = nilai piksel pada matriks red citra RGB
fraktal box counting.
G = nilai piksel pada matriks green citra RGB
Secara garis besar, penelitian ini akan melakukan
B = nilai piksel pada matriks blue citra RGB
klasifikasi kelompok umur manusia dari citra wajah
Ruang Warna HSV
dengan deteksi tepi Canny menggunakan analisis dimensi
Ruang warna ini dipandang lebih baik daripada ruang
fraktal box counting. Untuk menguji akurasi klasifikasi
warna RGB dalam menggambarkan sensasi warna
tersebut digunakan metode 𝜅𝑁𝑁 dengan pembagian data
(Gonzalez,2004:205). Ruang warna HSV terdiri dari tiga
menggunakan k-fold cross validation.
komponen, yaitu Hue (corak/warna), Saturation
KAJIAN TEORI
(kejenuhan), dan Value (nilai). Hue adalah komponen
Secara ilmiah telah diketahui bahwa wajah
yang meliputi warna seperti merah, hijau, dan biru.
mengandung banyak informasi penting dari seorang
Saturation adalah intensitas dari masing-masing warna.
individu seperti gender, ras, dan umur. Banyak perubahan
Dan yang terakhir, value adalah kecerahan dari masing-
yang dapat terjadi pada wajah manusia, bisa bersifat
masing warna. Untuk mengkonversi citra RGB menjadi
sementara ataupun permanen. Salah satu contoh
citra HSV dapat digunakan persamaan menurut Fajar
perubahan tersebut adalah kerutan. Menurut Hardiantara
(2016) berikut:
(2011), kerutan merupakan proses alami penuaan, seiring
(2)
dengan bertambahnya usia maka kulit akan menjadi lebih
tipis, lebih kering, dan berkurang elastisitasnya. (3)
Umur manusia dapat dibagi menjadi beberapa rentang (4)
atau kelompok dimana masing-masing kelompok
menggambarkan tahap pertumbuhan manusia tersebut. (5)
Salah satu pembagian kelompok umur atau kategori umur (6)
dikeluarkan oleh Departemen Kesehatan RI (2009) dalam
Interval hasil dari komponen warna Hue (H) adalah
situs resminya yaitu depkes.go.id sebagai berikut:
[0,255], komponen Saturation (S) [0,1], dan komponen
1. Masa balita = 0 – 5 tahun,
Value (V) [0,255].
2. Masa kanak-kanak = 6 – 11 tahun.
Tepi Citra
3. Masa remaja Awal = 12 – 16 tahun.
Tepi citra merupakan perubahan signifikan dari nilai
4. Masa remaja Akhir = 17 – 25 tahun.
keabuan pada suatu citra. Oleh karena itu, tepi berada
5. Masa dewasa Awal = 26 – 35 tahun.
pada perbatasan antara dua daerah piksel yang memiliki
6. Masa dewasa Akhir = 36 – 45 tahun.
perbedan warna yang kontras. Menurut Rama, M (2009),
7. Masa Lansia Awal = 46 – 55 tahun.
tepi citra memberikan informasi tentang konten citra
8. Masa Lansia Akhir = 56 – 65 tahun.
karena dapat digunakan untuk mengidentifikasi struktur
9. Masa Manula = 65 – atas
objek.
Citra
Deteksi Tepi Canny
34
Volume 2 No.6 Tahun 2017
Salah satu metode deteksi tepi yang terbaik karena Contoh hasil dari citra tepi wajah menggunakan deteksi
prosesnya yang paling lengkap adalah deteksi tepi Canny tepi Canny ditunjukkan oleh gambar berikut:
(Juneja et al,2009:620). Proses dalam metode ini dapat
diuraikan sebagai berikut (Gonzalez,2004:389):
1. Citra dihaluskan menggunakan filter Gaussian dengan
standar deviasi yang ditentukan, yaitu , untuk
mengurangi noise. Tepi dan transisi ketajaman
intensitas seperti noise dalam citra berkontribusi
secara signifikan terhadap isi frekuensi tinggi dalam
transformasi Fourier. Penghalusan (smoothing) (a) Citra asli (b) Citra hasil deteksi tepi Canny
dicapai dalam domain frekuensi dengan pelemahan
frekuensi tinggi, yang disebut dengan lowpass filter. Gambar 1. Citra tepi wajah dari citra wajah asli
Filter Gaussian merupakan salah satu tipe filter Geometri Fraktal
lowpass yang memiliki range pemfilteran sangat Geometri fraktal mempelajari himpunan yang tidak
halus. Fungsi filter, H(u,v), merupakan fungsi diskrit regular atau fungsi yang tidak mulus. Sifat Fraktal
berukuran P x Q, variabel diskrit frekuensi dalam menurut Mandelbrot adalah kemiripan diri pada semua
range u = 0, 1 ,2, . . . , P - 1 dan v = 0, 1, 2, . . . , Q – skala. Munculnya geometri fraktal diawali dari analisis
1. Bentuk filter Gaussian dalam dua dimensi yang dilakukan terhadap fungsi Weierstrass, himpunan
didefinisikan sebagai berikut: Cantor, segitiga Sierpinski, dan kurva salju Koch.
Menurut Peitgen et al (1992), geometri fraktal dianggap
H(u,v) = (7)
lebih dapat menjelaskan bentuk benda-benda dalam
Dimana D(u,v) adalah jarak antara titik (u dan v)
kehidupan sehari-hari dibandingkan dengan Geometri
dalam domain frekuensi dan pusat persegi panjang
Euclid. Hal itu dikarenakan fraktal memiliki beberapa
frekuensi yang dapat dijabarkan sebagai berikut:
karakteristik yang lebih luas. Di antara karakteristik
(8)
tersebut adalah self similarity, self affinity, self, inversi,
Dengan mengganti , maka bisa digunakan dan self squaring.
filter dengan notasi lain: Dimensi Fraktal Box Counting
H(u,v) = (9) Karakteristik lain dari fraktal adalah dimensinya, atau
Dimana adalah cut-off frequency. Cut-off bisa disebut dimensi fraktal. Dimensi fraktal sangat
frequency adalah titik transisi antara H(u,v)=1 dan berbeda dengan dimensi pada geometri Euclid yang
H(u,v)=0 memiliki nilai bilangan bulat. Dimensi fraktal
memungkinkan suatu objek fraktal memiliki dimensi
2. Gradien lokal, , dan arah
berupa bilangan real. Salah satu metode atau algoritma
tepi , dihitung pada setiap yang cukup terkenal untuk menghitung dimensi fraktal
piksel. Untuk penghitungan dan dapat adalah metode box counting. Box counting telah
digunakan metode operator Sobel. digunakan secara luas karena algoritmanya yang cukup
3. Titik-titik tepi ditentukan dalam langkah (2) mudah dan dapat digunakan untuk menghitung dimensi
memberikan kemunculan terhadap pertemuan dua fraktal pada objek-objek yang kompleks, seperti citra.
permukaan yang melereng (ridge) dalam jarak Dimensi fraktal suatu objek dihitung menggunakan
gradien citra, algoritma kemudian melacak sepanjang persamaan berikut:
puncak ridge dan memberikan nilai nol pada semua
piksel yang sebenarnya tidak berada di atas puncak (10)
ridge sehingga memberikan sebuah garis tipis dalam Dimana adalah nilai dimensi fraktal, N(r) adalah
keluarannya. Proses ini disebut nonmaximal jumlah kotak yang ditutup oleh objek, dan r adalah
suppression. Piksel ridge kemudian di-threshold ukuran kotak yang digunakan untuk menutup objek.
menggunakan dua threshold, T1 dan T2, dengan T1 < Berdasarkan Backes & Bruno (2008) secara lengkap
T2. Piksel ridge dengan nilai yang lebih besar langkah-langkah yang harus dilakukan untuk menghitung
daripada T2 disebut piksel tepi yang “kuat”. Piksel dimensi fraktal suatu objek yang telah direpresentasikan
ridge dengan nilai di antara T1 dan T2 disebut piksel dalam suatu citra menggunakan metode box counting
tepi yang “lemah”. dapat dijelaskan sebagai berikut:
4. Terakhir, dilakukan linking tepi dengan mengganti 1. Tutup citra dengan kotak-kotak persegi dimana tiap
piksel lemah menjadi piksel kuat. ruas persegi dibuat bervariasi untuk tiap iterasi
dengan membagi menjadi r bagian. Nilai r diubah-
35
Volume 2 No.6 Tahun 2017
ubah dengan rumus r = 2k, dimana k = 0, 1, 2, … dan 1. Tentukan parameter 𝜅 (jumlah data tetangga terdekat)
2k tidak boleh lebih besar dari ukuran citra. Bila citra 2. Hitung jarak antara data uji dengan semua data latih
berukuran 2m x 2m maka nilai k akan berhenti sampai menggunakan persamaan (13)
m. 3. Urutkan data-data tersebut ke dalam kelompok dari
2. Menghitung banyaknya kotak (N(r)) yang terisi oleh yang memiliki jarak terkecil
citra. Nilai N sangat tergantung pada r. 4. Tentukan jarak terdekat sampai urutan 𝜅
3. Menghitung nilai dan . 5. Pasangkan kelas yang bersesuaian
4. Membuat garis lurus menggunakan nilai 6. Cari jumlah kelas dari tetangga yang terdekat dan
tetapkan kelas tersebut sebagai kelas data yang akan
dan .
diklasifikasi.
5. Menghitung kemiringan (slope) dari garis lurus
k-fold Cross validation
tersebut dengan Persamaan (11) (Backes & Bruno,
Kumpulan data yang akan diolah tentu telah dibagi
2008) dan nilai dimensi fraktal (FD) citra tersebut
menjadi dua yaitu data latih dan data uji. k-fold cross
ditunjukkan oleh Persamaan (12) berikut ini:
validation digunakan dalam metode pembelajaran pada
(11) data latih untuk menentukan keakuratan suatu sistem
sehingga dapat menguji data yang tidak terlatih (data uji).
(12) Dengan metode ini data dikelompokkan menjadi k
dimana ∝ adalah nilai kemiringan (slope), n adalah kelompok. Langkah-langkah yang dapat dilakukan adalah
banyaknya data yang digunakan, x adalah nilai sebagai berikut:
1. Lakukan pembagian data yang ada menjadi k
, y adalah nilai , dan FD adalah
kelompok
nilai dimensi fraktal. 2. Untuk setiap k, buat T himpunan data yang memuat
𝜅𝑁𝑁 (𝜅-Nearest Neighbour) semua data latih kecuali yang berada di kelompok ke-
Menurut Bhatia (2010), 𝜅-Nearest Neighbour (𝜅𝑁𝑁) k
algorithm atau dapat disebut algoritma 𝜅-tetangga terdekat 3. Lakukan klasifikasi dengan metode yang dimiliki
adalah metode pengklasifikasian data yang sudah dengan sejumlah T data latih
digunakan secara luas dalam pengenalan pola, 4. Uji algoritma tersebut dengan menggunakan data
pengkategorian teks, pengenalan objek, dan lain pada kelompok “k” sebagai data uji
sebagainya. Algoritma ini termasuk dalam proses data 5. Catat hasil algoritma yang telah dijalankan
mining. Data mining sendiri menurut Berry et al (2004) Klasifikasi Kelompok Umur Manusia Berdasarkan
adalah suatu proses eksplorasi dan analisis secara otomatis Dimensi Fraktal Box counting dari Citra Wajah
maupun semi otomatis terhadap data dalam jumlah besar dengan Deteksi Tepi Canny
dengan tujuan menemukan pola atau aturan yang berarti. Dalam penelitian ini akan digunakan beberapa
Algoritma ini melakukan klasifikasi data baru untuk kelompok umur yang didasarkan kelompok umur
dimasukkan dalam suatu kelas dengan memilih sejumlah menurut Depkes RI (2009) yang telah dijelaskan di depan
data yang jaraknya paling dekat dengan data baru tersebut. dan beberapa modifikasi. Modifikasi tersebut meliputi
Kelas terbanyak dari data terdekat dipilih sebagai kelas menggabungkan beberapa kelompok umur menurut
yang diprediksikan untuk data yang baru. Dalam hal ini Depkes RI (2009) yang dibagi menjadi dua tahap (tahap
jumlah data atau tetangga terdekat ditentukan oleh user awal dan akhir) yaitu kelompok remaja, dewasa, dan
yang dinyatakan dengan k. lansia. Selain itu, pada penelitian ini tidak digunakan
Sebelum dilakukan klasifikasi, data biasanya dibagi kelompok umur balita dan manula. Alasan penulis yaitu
secara acak menjadi dua kelompok, yaitu data latih dan mengingat hubungan antara rentang umur dari kedua
data uji. Kemudian untuk mendefinisikan jarak antara kelompok tersebut dengan intensitas kerutan, dimana
dua titik yaitu titik data latih (x) dan titik data uji (y) untuk balita kerutan yang tampak pada citra wajah tentu
digunakan rumus jarak Euclidean, seperti yang akan sangat sedikit, sedangkan untuk manula kerutan
ditunjukkan pada persamaan di bawah ini: yang tampak pada citra wajah tentu akan sangat banyak.
(13) Oleh karena itu, berdasarkan kelompok umur menurut
D adalah jarak antara titik data latih x dan titik data uji y Depkes RI (2009) yang telah dijelaskan di depan dan
yang akan diklasifikasi, dimana dan beberapa modifikasi tersebut, pada penelitian ini hanya
akan melakukan klasifikasi kelompok umur dengan
serta n merupakan dimensi atribut.
rincian sebagai berikut:
Algoritma 𝜅𝑁𝑁 dapat dijelaskan secara ringkas
1. Kelompok kanak-kanak : 6 – 11 tahun
sebagai berikut:
2. Kelompok remaja : 12 – 25 tahun
36
Volume 2 No.6 Tahun 2017
3. Kelompok dewasa : 26 – 45 tahun Sampel yang akan diambil adalah 60 citra wajah
4. Kelompok lansia : 46 – 65 tahun. manusia yang dibagi menjadi empat kelompok dengan
Klasifikasi kelompok umur manusia tersebut dapat rincian seperti yang dijelaskan di depan. Dari tiap
didasarkan pada intensitas kerutan yang nampak pada kelompok tersebut pengambilan sampel dengan teknik
citra wajah. Metode yang dapat digunakan untuk purposive sampling dilakukan dengan mengambil citra
menganalisis intensitas kerutan tersebut salah satunya wajah individu dengan umur yang merata dari setiap
yaitu dimensi fraktal box counting. Namun, untuk rentang umur dalam masing-masing kelompok tersebut.
mendapatkan penampakan kerutan wajah pada citra Dalam kata lain dalam setiap rentang kelompok umur
wajah terlebih dahulu dapat dilakukan pengolahan citra diusahakan setiap umur dalam rentang tersebut diwakili
diantaranya konversi citra RGB menjadi citra HSV dan oleh 1 data.
konversi menjadi citra grayscale, serta metode utama Data dari setiap kelompok umur ditentukan secara
untuk memperjelas penampakan kerutan pada citra wajah purposive sampling dan dapat dilihat sebagai berikut:
yaitu deteksi tepi Canny. 1. Kelompok 1 (6 – 11 tahun): umur 6 tahun sebanyak 2
METODE PENELITIAN data, umur 7 tahun sebanyak 3 data, umur 8 tahun
Pengumpulan Data sebanyak 3 data, umur 9 tahun sebanyak 3 data, umur
Penelitian ini menggunakan data citra wajah yang 10 tahun sebanyak 2 data, dan umur 11 tahun
diambil dengan menggunakan kamera smartphone ASUS sebanyak 2 data.
Zenfone 4s beresolusi 8 MP. Citra wajah tersebut diambil 2. Kelompok 2 (12 – 25 tahun): umur 12 tahun sebanyak
dari penduduk Desa Ngingas, Kecamatan Waru, 2 data, umur 13 tahun sebanyak 1 data, umur 14 tahun
Kabupaten Sidoarjo, yang merupakan tempat tinggal sebanyak 1 data, umur 15 tahun sebanyak 1 data,
penulis, pada bulan Juli-Agustus 2016. Individu yang umur 16 tahun sebanyak 1 data, umur 17 tahun
diambil citra wajahnya dalam keadaan wajah yang polos sebanyak 1 data, umur 18 tahun sebanyak 1 data,
dan bersih (tanpa tata rias atau yang lain). Pengambilan umur 19 tahun sebanyak 1 data, umur 20 tahun
gambar/citra tersebut dilakukan dalam ruangan yang sebanyak 1 data, umur 21 tahun sebanyak 1 data,
cukup mendapat cahaya. Citra yang dihasilkan umur 22 tahun sebanyak 1 data, umur 23 tahun
mempunyai format JPEG (*.JPG) dan merupakan citra sebanyak 1 data, umur 24 tahun sebanyak 1 data, dan
RGB. Posisi wajah yang diambil tepat pada bagian muka umur 25 tahun sebanyak 2 data.
depan. Pengambilan wajah pada posisi muka bertujuan 3. Kelompok 3 (26 – 45 tahun): umur 26 tahun sebanyak
untuk mendapatkan penampakan kerutan wajah yang 1 data, umur 27 tahun sebanyak 1 data, umur 28 tahun
maksimal. sebanyak 1 data, umur 29 tahun sebanyak 1 data,
Data citra tersebut berjumlah 60 dengan rincian umur 30 tahun sebanyak 1 data, umur 33 tahun
sebagai berikut: sebanyak 1 data, umur 35 tahun sebanyak 1 data,
1. 15 citra wajah individu dengan rentang usia 6 – 11 umur 36 tahun sebanyak 1 data, umur 38 tahun
tahun sebanyak 1 data, umur 40 tahun sebanyak 1 data,
2. 15 citra wajah individu dengan rentang usia 12 – 25 umur 41 tahun sebanyak 1 data, umur 42 tahun
tahun sebanyak 1 data, umur 43 tahun sebanyak 1 data,
3. 15 citra wajah individu dengan rentang usia 26 – 45 umur 44 tahun sebanyak 1 data, dan umur 45 tahun
tahun sebanyak 1 data.
4. 15 citra wajah individu dengan rentang usia 46 – 65 4. Kelompok 4 (46 – 65 tahun): umur 46 tahun sebanyak
tahun. 1 data, umur 47 tahun sebanyak 1 data, umur 48 tahun
Selanjutnya untuk setiap kelompok umur tersebut secara sebanyak 1 data, umur 49 tahun sebanyak 1 data,
berturut-turut diberi nama kelompok 1, kelompok 2, umur 50 tahun sebanyak 1 data, umur 53 tahun
kelompok 3, dan kelompok 4. sebanyak 1 data, umur 55 tahun sebanyak 1 data,
Penarikan sampel data dilakukan dengan umur 56 tahun sebanyak 1 data, umur 58 tahun
menggunakan teknik penarikan nonprobability sampling sebanyak 1 data, umur 60 tahun sebanyak 1 data,
design yaitu dengan purposive sampling. Nonprobaility umur 61 tahun sebanyak 1 data, umur 62 tahun
sampling adalah teknik pengambilan sampel yang tidak sebanyak 1 data, umur 63 tahun sebanyak 1 data,
memberi peluang atau kesempatan sama bagi setiap unsur umur 64 tahun sebanyak 1 data, dan umur 65 tahun
atau anggota populasi untuk dipilih menjadi sampel sebanyak 1 data.
(Sugiyono,2012:84). Sedangkan purposive sampling Kemudian dalam penentuan umur individu yang
adalah teknik penentuan sampel dengan pertimbangan diambil citra wajahnya, dibuat ketentuan sebagai berikut:
tertentu (Sugiyono,2012:85). misalkan individu tersebut berumur x,y tahun, jika y 5
37
Volume 2 No.6 Tahun 2017
Selesai
Gambar 2 Diagram alir penelitian
38
Volume 2 No.6 Tahun 2017
citra “citra1-08”
R N(r)
1 1 0 0
2 4 -0,301 0,602
4. Kelompok 4
4 14 -0,602 1,146
8 43 -0,903 1,633
39
Volume 2 No.6 Tahun 2017
40
Volume 2 No.6 Tahun 2017
41
Volume 2 No.6 Tahun 2017
42