Anda di halaman 1dari 5

Klasifikasi Mutu Buah Manggis Berdasarkan Warna

Berbasis Fuzzy C Means dan Template Matching


Octa Heriana1, Risanuri Hidayat2
1,2
Jurusan Teknik Elektro FT UGM
Jln. Grafika 2 Yogyakarta 55281 INDONESIA

Intisari— Paper ini memaparkan tentang metode Utara, Riau, Jawa Timur dan Sulawesi Utara. Buah manggis
pengklasifikasian mutu buah manggis berdasarkan dari nilai dapat disajikan dalam bentuk segar, sebagai buah kaleng,
komponen warna. Metode yang diusulkan adalah Fuzzy C Means dibuat sirop/sari buah. Secara tradisional buah manggis adalah
untuk pengklasifikasian warna, dan template matching dengan obat sariawan, wasir dan luka. Kulit buah dimanfaatkan
analisis jarak rerata tiap komponen warna. Metode
pengklasifikasian ini bertujuan untuk mengklasifikasi mutu buah
sebagai pewarna termasuk untuk tekstil dan air rebusannya
manggis berdasarkan warna kulit dan ukuran diameter, sesuai dimanfaatkan sebagai obat tradisional. Batang pohon dipakai
dengan yang tertera di SNI 01–. 3211-1992 . Berdasarkan sebagai bahan bangunan, kayu bakar/ kerajinan. [6].
pengujian, metode Fuzzy C Means cukup akurat untuk melakukan Penelitian ini mengimplementasikan teknik Digital Image
klasifikasi warna. Processing untuk menghasilkan perangkat lunak yang
berfungsi untuk mengklasifikasikan buah manggis
Keywords— Klasifikasi, Fuzzy C Means, template matching. berdasarkan mutunya.
I. PENDAHULUAN II. METODOLOGI PENELITIAN
Gambar atau citra merupakan media informasi yang Bahan penelitian yang digunakan adalah citra digital
tersusun atas kombinasi warna-warna. Suatu informasi citra dengan format standar BMP (Microsoft Windows Bitmap) dan
multikomponen dapat dianalisis melalui pengelompokkan JPEG (Joint Photografic Experts Group), dengan ukuran
berdasarkan persamaan bentuk atau warna. Citra yang minimum citra sebesar 50 x 50 piksel, dan ukuran
mengandung banyak unsur warna dapat dikelompokkan maksimumnya sebesar 800 x 600 piksel. Objek yang diteliti
menjadi beberapa warna dominan tertentu. Bagian warna- adalah citra buah manggis. Perbandingan input berupa data
warna pada citra yang memiliki kemiripan dengan warna citra buah manggis yang memiliki wana-warna yang
dominan yang dipilih, diarahkan untuk menjadi bagian dari bervariasi.
kelompok warna dominan, dan dapat dikelompokkan Penelitian ini menggunakan perangkat lunak Matlab 7
berdasarkan kriteria yang ditentukan. Suatu cara (R2009a), dengan perangkat keras pengolah data
pengelompokan data yang sedang berkembang saat ini adalah komputer/laptop.
dengan menggunakan algoritma Fuzzy C-means. Algoritma
Fuzzy C-means dikembangkan untuk membuat klasifikasi A. Studi literatur
suatu kelompok objek berdasarkan persamaan ciri atau suatu Mempelajari dasar dan berbagai metode terkait dengan cara
ukuran [1]. Metoda pengelompokkan atau pengklasteran data mengumpulkan referensi dan buku tentang Fuzzy C Means,
untuk segmentasi gambar berwarna dengan cara pemrograman Matlab, pengolahan citra, dan materi
pengklasifikasian tiga komponen warna dapat memberikan pendukung lainnya.
hasil segmentasi yang baik. Algoritma pengklasteran FCM
(Fuzzy C-Means) yang digunakan untuk proses segmentasi B. Pengembangan sistem
gambar membutuhkan komputasi yang kompleks, meski 1) Analisis
demikian algoritma ini sangat sensitif untuk mengetahui nilai
inisiali pusat klaster, yang merupakan hal penting untuk Melakukan identifikasi terhadap permasalahan dan
proses pengelompokkan atau pengklasteran data [2]. memodelkan prosedur kerja dari algoritma-algoritma yang
Manggis merupakan tanaman buah berupa pohon yang digunakan
berasal dari hutan tropis yang teduh di kawasan Asia 2) Perancangan
Tenggara, yaitu hutan belantara Malaysia atau Indonesia. Dari Perancangan pengolahan input untuk menghasilkan
Asia Tenggara, tanaman ini menyebar ke daerah Amerika output dengan perangkat lunak Matlab 7 (R2009a). Input
Tengah dan daerah tropis lainnya seperti Srilanka, Malagasi, berupa data citra buah manggis yang memiliki wana-warna
Karibia, Hawaii dan Australia Utara. Di Indonesia manggis yang bervariasi.
disebut dengan berbagai macam nama lokal seperti manggu Proses pengklasifikasian warna buah manggis
(Jawa Barat), Manggus (Lampung), Manggusto (Sulawesi dengan Fuzzy C Means dilakukan berdasarkan perbedaan
Utara), Manggista (Sumatera Barat). Pusat penanaman pohon warna kulit buah yang sesuai dengan standar mutu buah
manggis adalah Kalimantan Timur, Kalimantan Tengah, Jawa manggis SNI 01–. 3211-1992. Kemudian citra permukaan
Barat (Jasinga, Ciamis, Wanayasa), Sumatera Barat, Sumatera
kulit buah manggis hasil klasifikasi dipisahkan
berdasarkan batas warna.
Output yang diharapkan adalah citra hasil klasifikasi
buah manggis berdasarkan mutunya.
3) Pemrograman (coding)
Pemrograman dilakukan dengan bahasa yang dipakai
pada Matlab R2009a, meliputi pemrograman pembangkitan
input citra, pengolahan dengan algoritma Fuzzy C Means.
4) Pengujian program
Pengujian program dilakukan dengan beberapa
Algoritma FCM secara lengkap diberikan sebagai berikut
sampel input citra beberapa buah manggis.
[6]:
C. Pengambilan kesimpulan 1) Tentukan :
Mengambil kesimpulan dari proses penelitian yang didapat a. Matriks X berukuran n x m, dengan n = jumlah data
dari hasil pengujian program. yang akan di cluster; dan m=jumlah m variabel
(kriteria).
III. PERANCANGAN b. Jumlah cluster yang akan dibentuk (C ≥ 2)
c. Pangkat (pembobot w > 1 )
A. Fuzzy C-Means d. Maksimum iterasi
Fuzzy C-means Clustering (FCM), atau dikenal juga e. Kriteria penghentian ( ε = nilai positif yang sangat
sebagai Fuzzy ISODATA, merupakan salah satu metode kecil)
clustering yang merupakan bagian dari metode Hard K- 2) Bentuk matriks partisi awal U (derajat keanggotaan dalam
Means. FCM menggunakan model pengelompokan fuzzy cluster); matriks partisi awal biasanya dibuat secara acak.
sehingga data dapat menjadi anggota dari semua kelas atau
cluster terbentuk dengan derajat atau tingkat keanggotaan
yang berbeda antara 0 hingga 1 [6]. Tingkat keberadaan data
dalam suatu kelas atau cluster ditentukan oleh derajat
keanggotaannya. Teknik ini pertama kali diperkenalkan oleh
Jim Bezdek pada tahun 1981. Konsep dasar FCM, pertama
kali adalah menentukan pusat cluster yang akan menandai
lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, 3) Hitung pusat cluster V untuk setiap cluster.
pusat cluster ini masih belum akurat. Tiap-tiap data memiliki
derajat keanggotaan untuk tiap-tiap cluster. Dengan cara
memperbaiki pusat cluster dan nilai keanggotaan tiap-tiap data
secara berulang, maka dapat dilihat bahwa pusat cluster akan
menujui lokasi yang tepat. Perulangan ini didasarkan pada
minimasi fungsi obyektif.
4) Perbaiki derajat keanggotaan setiap data pada setiap cluster
(perbaiki matriks partisi).

5) Tentukan kriteria penghentian iterasi, yaitu perubahan


matriks partisi pada iterasi sekarang dan iterasi sebelumnya.
Apabila Δ< ε maka iterasi dihentikan.
B. Klasifikasi dan Standar Mutu Buah Manggis
mean_cluster_value =
Standar mutu buah manggis tercantum dalam Standar
Nasional Indonesia SNI 01–3211-1992 [6]. 128.5022
147.2078
Terdiri dari 3 jenis mutu, yaitu mutu super, mutu I, mutu II. cluster_warna =
a) Keseragaman: mutu super=seragam; mutu I=seragam; 2
mutu II=seragam.
b) Diameter: mutu super>65 mm; mutu I=55–56 mm; R =
18.1471
mutu II<55 mm.
c) Tingkat keseragaman: mutu super=segar; mutu I=segar; G =
mutu=II segar. 9.9474
d) Warna kulit: mutu super hijau; mutu I=kemerahan s/d
B =
merah; mutu II=muda mengkilat 9.2342
e) Buah cacat atau busuk (jumlah/jumlah): mutu
super=0%; mutu I=0%; mutu II=0% gray =
12.3179
f) Tangkai dan atau kelopak: mutu super utuh, mutu I utuh,
mutu II utuh
g) kadar kotoran (b/b): mutu super=0%; mutu I=0%; mutu
II=0%
h) Serangga hidup dan atau mati :mutu super=tidak ada;
mutu I=tidak ada; mutu=II tidak ada.
i) Warna daging buah: mutu super=putih bersih; mutu
I=khas manggis putih; mutu II=bersih khas manggis

C. Perancangan Software
Software dibuat dengan Matlab 7 dengan tampilan seperti
pada Gbr. 1 berikut ini.

Gbr. 2 Hasil klasifikasi warna buah manggis

Gbr. 1 Software pengolah citra

IV. PENGUJIAN
Input citra buah manggis dimasukkan ke perangkat lunak
yang dibuat, hasilnya seperti tampak pada Gbr. 2. Kemudian
citra buah manggis hasil klasifikasi dipisahkan berdasarkan
masing-masing cluster, seperti yang tertampil pada Gbr.3,
Gbr. 4 dan Gbr. 5.
Nilai cluster center dari FCM, jumlah cluster, nilai rerata
komponen RGB dari keseluruhan piksel gambar, dan nilai Gbr. 3 Hasil klasifikasi pertama
rerata gambar dengan warna keabuan (gray) ditampilkan pada
command window matlab seperti tertampil berikut ini.
Tabel. 1 Hasil pengujian
Manggi mean mean
s gray mean R mean G B Diameter Warna Kulit
12.31 18.147 9.234 mutu super>65 mutu
m1 7 1 9.9474 2 mm I=kemerahan
13.167 6.685 mutu I=55–56 mutu
m2 8.931 4 7.2113 2 mm I=kemerahan
4.654 mutu I=55–56 mutu
m3 6.217 9.1548 5.0249 3 mm I=kemerahan
21.137 9.386 mutu super>65 mutu super =
m4 20.19 22.489 8 4 mm hijau
13.871 6.160 mutu super>65 mutu super =
m5 13.25 14.769 4 1 mm hijau
4.006 mutu I=55–56 mutu
m6 8.592 9.5721 8.9922 1 mm I=kemerahan
5.745 mutu I=55–56 mutu
m7 9.774 10.577 6.8219 8 mm I=kemerahan
12.75 11.335 13.764 7.843 mutu super>65 mutu super =
m8 3 2 8 2 mm hijau
6.685 mutu I=55–56 mutu super =
m9 9.872 13.19 10.443 2 mm hijau
11.11 6.160 mutu super>65 mutu
m10 3 14.257 7.65 1 mm I=kemerahan

Berdasarkan pengujian terhadap sepuluh citra buah


manggis, terdapat 5 buah manggis yang termasuk ke dalam
kelas diameter mutu super>65 mm, dan 5 buah manggis yang
Gbr. 4 Hasil klasifikasi kedua
termasuk ke dalam kelas mutu I=55-56 mm, kemudian
terdapat 6 buah manggis yang termasuk ke dalam kelas wana
kulit buah mutu I=kemerahan, dan 4 buah manggis yang
termasuk ke dalam mutu super=hijau. Kesalahan pengujian
data terdapat 10%, seperti tertampil pada Tabel. 2.

Tabel. 2 Perbandingan kesalahan


Error per
Manggis
sepuluh
m1 0

m2 0

m3 0

m4 0

m5 0

m6 1

m7 0

m8 0

m9 0
Gbr. 5 Hasil klasifikasi objek yang diinginkan
m10 0

Nilai rerata RGB dan gray digunakan untuk proses


pengklasifikasian berikutnya, yaitu pengklasifikasian buah V. KESIMPULAN
manggis berdasarkan warna dan ukuran diameternya. Pengklasifikasian dengan Fuzzy C Means menghasilkan
Pengklasifikasian warna kulit buah terdiri dari tiga kelas, yaitu clustering warna yang cukup akurat, dengan komputasi yang
mutu super = hijau, mutu I=kemerahan, dan mutu II=muda cukup lama. Pengujian terhadap sepuluh data citra buah
mengkilat. Dan untuk pengklasifikasian diameter terdiri dari manggis yang bervariasi, menghasilkan 2 kelompok kelas
tiga kelas, yaitu mutu super>65 mm, mutu I=55–56 mm, dan pada kelas ukuran diameter dan warna kulit buah, yaitu
mutu II<55 mm. Pengujian dilakukan terhadap 10 buah citra terdapat 5 buah manggis yang termasuk ke dalam kelas
buah manggis dengan warna dan ukuran yang bervariasi. diameter mutu super>65 mm, dan 5 buah manggis yang
Hasil pengujian dengan analisis keterkaitan jumlah rerata termasuk ke dalam kelas mutu I=55-56 mm, kemudian
nilai tiap komponen warna dengan klasifikasi warna buah terdapat 6 buah manggis yang termasuk ke dalam kelas wana
serta ukuran diameter buah adalah seperti tertampil pada kulit buah mutu I=kemerahan, dan 4 buah manggis yang
Tabel.1 berikut ini. termasuk ke dalam mutu super=hijau. Pengklasifikasian mutu
buah manggis berdasarkan analisis rerata komponen warna
RGB dan gray kurang baik dengan tingkat kesalahan 10%.

REFERENSI
[1] C. Xianyi, G. Xiangpu, “An Image Segmentation of Fuzzy C-means
Clustering Based on the Combination of Improved Ant Colony
Algorithm and Genetic Algorithm,” 2008 International Workshop on
Education Technology and Training & 2008 International Workshop
on Geoscience and Remote Sensing, IEEE, 2008.
[2] K. Zou, Z. Wang, dan M. Hu, “An Improved FCM algorithm for Color
Image Segmentation,” The 3rd International Conference on Innovative
Computing Information and Control (ICICIC'08), IEEE, 2008.
[3] G. Kartika, G. B. Cherry, S. Yohan, “Aplikasi Segmentasi Gambar
dengan Menggunakan Metode Level Set”, Jurnal Informatika vol. 8,
no. 2, November 2007: 130 – 133.
[4] G. Du, F. Miao, S. Tian, Y. Liu, “A Modified Fuzzy C-means
Algorithm in Remote Sensing Image Segmentation,” 2009
International Conference on Environmental Science and Information
Application Technology, IEEE, 2009.
[5] P. Joko, “Pendeteksian Penyakit Kulit Menggunakan Kombinasi
Analisa Warna dan Tekstur dengan Color Histogram dan Edge
Histogram Descriptor,” available at:
http://www.ittelkom.ac.id/library/index.php?
option=com_repository&Itemid=34&task=detail&nim=111051032
[6] “MANGGIS, (Garcinia mangostana L.)”, available at:
http://www.warintek.ristek.go.id/pertanian/manggis.pdf