TESIS
“Diajukan sebagai salah satu syarat untuk memperoleh gelar Magister Teknik ”
Oleh :
Muhammad Muslim
21060118420016
ii
HALAMAN PENGESAHAN
Telah berhasil dipertahankan di hadapan Tim Penguji dan diterima sebagai bagian
persyaratan yang diperlukan untuk memperoleh gelar Magister Teknik pada
Departemen Teknik Elektro, Fakultas Teknik,
Universitas Diponegoro.
TIM PENGUJI
Semarang, ..................................
Ketua Departemen Teknik Elektro
iii
HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI
TESIS UNTUK KEPENTINGAN AKADEMIS
beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti/Non
eksklusif ini Universitas Diponegoro berhak menyimpan, mengalih
media/formatkan, mengelola dalam bentuk pangkalan data (database), merawat
dan mempublikasikan Tesis saya selama tetap mencantumkan nama saya sebagai
Penulis/pencipta dan sebagai pemilik Hak Cipta.
Demikian pernyataan ini saya buat dengan sebenarnya.
Dibuat di : Semarang
PadaTanggal :.............. 2021
Yang menyatakan,
(Muhammad Muslim)
iv
ABSTRAK
Pada penelitan ini digunakan buah salak pondoh yang belum jauh
rentangnya dari waktu panen untuk menjadi sampel sehingga masih memiliki
kandungan antioksidan yang sangat optimal untuk dimanfaatkan. Buah salak
pondoh pada dasarnya memiliki kerentanan yang sangat tinggi pada kondisi-
kondisi perlakuan ataupun faktor alam itu sendiri yang terjadi sehingga estimasi
waktu umur kesegarannya menjadi lebih pendek. Maka pada penelitian ini
dikembangkan deteksi tingkat kesegaran buah salak pondoh dengan
mengimplementasikan kombinasi metode pengklasifikasi Gaussian dan fuzzy c -
mean sebagai solusi untuk menangani masalah deteksi kesegaran pada buah salak
pondoh dengan mengidentifikasi indeks browning, tekstur dan kontras yang ada
pada citra buah salak pondoh. Metode pengklasifikasian Gaussian yang telah
diterapkan berhasil didapatkan 3 kelas periode yakni periode segar, peralihan,
hingga masa busuk. Dan metode FCM yagn telah diterapkan berhasil didapatkan
klasterisasi dengan persebaran node rata-rata berisikan 9 node hijau menandakan
periode segar, 6 node warna kuning menandakan periode peralihan, 6 node warna
merah menandakan periode pembusukan. Adapun presentase tingkat kesegaran
buah salak pondoh yang berhasil didapatkan pada rentang hari ke 1 sampai pada
hari ke 9 dengan rentang presentase 100% berkurang sampai dengan 70%. Hasil
uji MSE yang telah dilakukan pada training didapatkan nilai error rentang dari
0.028 sampai 0.189 dan hasil uji MSE yang telah dilakukan pada testing dengan
rentang nilai error dari 0.141 sampai 0.003. Sehingga akurasi dari implementasi
dan pemodelan kesegaran buah salak pondoh mencapai kemampuan akurasi
deteksi kurang lebih 95%.
Kata kunci: deteksi tingkat kesegaran buah salak , pengolahan citra, identifikasi
indeks browning, tekstur dan kontras, pengklasifikasi gaussian, fuzzy c-mean.
v
ABSTRACT
This research used snake fruit variant pondoh that is not far from the
harvest time to become a sample so that it still has a very optimal antioxidant
content to be utilized. Snake fruit variant pondoh has a very high susceptibility to
treatment conditions or natural factors itself that occur so that the estimated time
of freshness becomes shorter. So in this reseach developed detection freshness level
of snake fruit variant pondoh by implementing a combination of Gaussian classifier
method and fuzzy c-mean as a solution the problem of freshness detection in snake
fruit variant pondoh by identifying browning index, texture and contrast in snake
fruit variant pondoh image. The Gaussian classifier method that has been applied
successfully obtained 3 classes of periods, namely fresh period, transition, until the
decay period. And the FCM method has been applied successfully obtained
clustering with an average node distribution containing 9 green nodes indicating a
fresh period, 6 yellow nodes signifying the transition period, 6 red nodes signifying
the decay period. The percentage of the freshness snake fruit variant pondoh was
successfully obtained in the range of day 1 to day 9 with a percentage range of
100% reduced to 70%. MSE test results that have been done in training obtained
error values ranging from 0.028 to 0.189 and MSE test results that have been done
in testing with a range of error values from 0.141 to 0.003. So that the accuracy of
the implementation and modeling of the freshness of snake fruit variant pondoh
achieves a 95% detection accuracy capability.
vi
KATA PENGANTAR
Semarang, …. 2020
Penulis
vii
DAFTAR ISI
HALAMAN JUDUL i
HALAMAN PERNYATAAN ORISINALITAS ii
HALAMAN PENGESAHAN iii
HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI TESIS UNTUK
KEPENTINGAN AKADEMIS iv
ABSTRAK v
ABSTRACT vi
KATA PENGANTAR vii
DAFTAR ISI viii
DAFTAR GAMBAR x
DAFTAR TABEL xiii
BAB I PENDAHULUAN
1.1 Latar Belakang.......................................................................... 1
1.2 Perumusan Masalah .................................................................. 5
1.3 Tujuan Penelitian ...................................................................... 5
1.4 Manfaat Penelitian .................................................................... 5
1.5 Batasan Masalah ....................................................................... 5
BAB II KAJIAN PUSTAKA
2.1 Tinjauan Pustaka Penelitian Terdahulu ...................................... 7
2.2 Landasan Teori ...................................................................... 10
2.2.1 GLCM....................................................................... 11
2.2.2 Lab Color.................................................................. 17
2.2.3 Indeks Browning ....................................................... 18
2.2.4 Gaussian.................................................................... 20
2.2.5 Pengklasifikasi .......................................................... 21
2.2.6 Fuzzy C-means .......................................................... 23
2.3 Studi Literatur ........................................................................ 25
viii
BAB III METODE PENELITIAN
3.1 Alur Penelitian ...........................................................................26
3.2 Pengoleksian Data ..................................................................... 27
3.3 Pengolahan Data dan Perancangan............................................. 28
3.4 Implementasi..............................................................................39
3.5 Pengujian dan Analisis ...............................................................36
BAB IV METODE PENELITIAN
4.1 Data Sampel Salak Pondoh .........................................................38
4.2 Hasil Uji Training ..................................................................... 40
4.3 Tampilan GUI Dan Hasil Dalam Matlab..................................... 43
4.4 Identifikasi Sampel .................................................................... 44
4.4 Model Hasil Identifikasi Sampel ...............................................112
4.5 Hasil Uji Testing ......................................................................120
BAB V PENUTUP
5.1 Kesimpulan ............................................................................ 131
5.2 Saran .......................................................................................132
DAFTAR PUSTAKA
Daftar Pustaka ................................................................................ 134
ix
DAFTAR GAMBAR
x
Gambar 4.7 Tampilan konversi .................................................................... 44
Gambar 4.8 Fungsi klasifikasi Gaussian ....................................................... 45
Gambar 4.9 Fungsi klasterisasi FCM ............................................................ 47
Gambar 4.10 Hasil klasterisasi sampel citra buah salak 1 ................................ 47
Gambar 4.11 Hasil identifikasi kesegaran sampel citra buah salak 1 ................ 49
Gambar 4.12 Hasil klasterisasi sampel citra buah salak 2 ................................ 50
Gambar 4.13 Hasil identifikasi kesegaran sampel citra buah salak 2 ................ 52
Gambar 4.14 Hasil klasterisasi sampel citra buah salak 3 ................................ 54
Gambar 4.15 Hasil identifikasi kesegaran sampel citra buah salak 3 ................ 55
Gambar 4.16 Hasil klasterisasi sampel citra buah salak 4 ................................ 57
Gambar 4.17 Hasil identifikasi kesegaran sampel citra buah salak 4 ................ 58
Gambar 4.18 Hasil klasterisasi sampel citra buah salak 5 ................................ 60
Gambar 4.19 Hasil identifikasi kesegaran sampel citra buah salak 5 ................ 62
Gambar 4.20 Hasil klasterisasi sampel citra buah salak 6 ................................ 63
Gambar 4.21 Hasil identifikasi kesegaran sampel citra buah salak 6 ................ 65
Gambar 4.22 Hasil klasterisasi sampel citra buah salak 7 ................................ 67
Gambar 4.23 Hasil identifikasi kesegaran sampel citra buah salak 7 ................ 68
Gambar 4.24 Hasil klasterisasi sampel citra buah salak 8 ................................ 70
Gambar 4.25 Hasil identifikasi kesegaran sampel citra buah salak 8 ................ 71
Gambar 4.26 Hasil klasterisasi sampel citra buah salak 9 ................................ 73
Gambar 4.27 Hasil identifikasi kesegaran sampel citra buah salak 9 ................ 74
Gambar 4.28 Hasil klasterisasi sampel citra buah salak 10 .............................. 76
Gambar 4.29 Hasil identifikasi kesegaran sampel citra buah salak 10 .............. 78
Gambar 4.30 Hasil klasterisasi sampel citra buah salak 11 .............................. 80
Gambar 4.31 Hasil identifikasi kesegaran sampel citra buah salak 11 .............. 81
Gambar 4.32 Hasil klasterisasi sampel citra buah salak 12 .............................. 83
Gambar 4.33 Hasil identifikasi kesegaran sampel citra buah salak 12 .............. 84
Gambar 4.34 Hasil klasterisasi sampel citra buah salak 13 .............................. 86
Gambar 4.35 Hasil identifikasi kesegaran sampel citra buah salak 13 .............. 88
Gambar 4.36 Hasil klasterisasi sampel citra buah salak 14 .............................. 89
Gambar 4.37 Hasil identifikasi kesegaran sampel citra buah salak 14 .............. 91
xi
Gambar 4.38 Hasil klasterisasi sampel citra buah salak 15 .............................. 93
Gambar 4.39 Hasil identifikasi kesegaran sampel citra buah salak 15 .............. 94
Gambar 4.40 Hasil klasterisasi sampel citra buah salak 16 .............................. 96
Gambar 4.41 Hasil identifikasi kesegaran sampel citra buah salak 16 .............. 98
Gambar 4.42 Hasil klasterisasi sampel citra buah salak 17 .............................. 99
Gambar 4.43 Hasil identifikasi kesegaran sampel citra buah salak 17 ............ 101
Gambar 4.44 Hasil klasterisasi sampel citra buah salak 18 ............................ 103
Gambar 4.45 Hasil identifikasi kesegaran sampel citra buah salak 18 ............ 104
Gambar 4.46 Hasil klasterisasi sampel citra buah salak 19 ............................ 106
Gambar 4.47 Hasil identifikasi kesegaran sampel citra buah salak 19 ............ 108
Gambar 4.48 Hasil klasterisasi sampel citra buah salak 20 ............................ 109
Gambar 4.49 Hasil identifikasi kesegaran sampel citra buah salak 20 ............ 110
Gambar 4.50 Regresi indeks browning ......................................................... 111
Gambar 4.51 Regresi kontras ....................................................................... 114
Gambar 4.52 Regresi entropi........................................................................ 117
xii
DAFTAR TABEL
xiii
Tabel 4.22 Rekap analisis sampel citra buah salak 7 (lanjutan) 68
Tabel 4.23 Rekap identifikasi sampel citra buah salak 8 69
Tabel 4.24 Rekap analisis sampel citra buah salak 8 70
Tabel 4.25 Rekap analisis sampel citra buah salak 8 (lanjutan) 71
Tabel 4.26 Rekap identifikasi sampel citra buah salak 9 72
Tabel 4.27 Rekap analisis sampel citra buah salak 9 73
Tabel 4.28 Rekap analisis sampel citra buah salak 9 (lanjutan) 74
Tabel 4.29 Rekap identifikasi sampel citra buah salak 10 75
Tabel 4.30 Rekap analisis sampel citra buah salak 10 77
Tabel 4.31 Rekap identifikasi sampel citra buah salak 11 78
Tabel 4.32 Rekap identifikasi sampel citra buah salak 11 (lanjutan) 79
Tabel 4.33 Rekap analisis sampel citra buah salak 11 80
Tabel 4.34 Rekap analisis sampel citra buah salak 11 (lanjutan) 81
Tabel 4.35 Rekap identifikasi sampel citra buah salak 12 82
Tabel 4.36 Rekap analisis sampel citra buah salak 12 83
Tabel 4.37 Rekap analisis sampel citra buah salak 12 (lanjutan) 84
Tabel 4.38 Rekap identifikasi sampel citra buah salak 13 85
Tabel 4.39 Rekap analisis sampel citra buah salak 13 86
Tabel 4.40 Rekap analisis sampel citra buah salak 13 (lanjutan) 87
Tabel 4.41 Rekap identifikasi sampel citra buah salak 14 88
Tabel 4.42 Rekap identifikasi sampel citra buah salak 14 (lanjutan) 89
Tabel 4.43 Rekap analisis sampel citra buah salak 14 90
Tabel 4.44 Rekap identifikasi sampel citra buah salak 15 92
Tabel 4.45 Rekap analisis sampel citra buah salak 15 93
Tabel 4.46 Rekap analisis sampel citra buah salak 15 (lanjutan) 94
Tabel 4.47 Rekap identifikasi sampel citra buah salak 16 95
Tabel 4.48 Rekap analisis sampel citra buah salak 16 96
Tabel 4.49 Rekap analisis sampel citra buah salak 16 (lanjutan) 97
Tabel 4.50 Rekap identifikasi sampel citra buah salak 17 98
Tabel 4.51 Rekap analisis sampel citra buah salak 17 99
Tabel 4.52 Rekap analisis sampel citra buah salak 17 (lanjutan) 100
xiv
Tabel 4.53 Rekap identifikasi sampel citra buah salak 18 101
Tabel 4.54 Rekap analisis sampel citra buah salak 18 103
Tabel 4.55 Rekap identifikasi sampel citra buah salak 19 104
Tabel 4.56 Rekap identifikasi sampel citra buah salak 19 (lanjutan) 105
Tabel 4.57 Rekap analisis sampel citra buah salak 19 106
Tabel 4.58 Rekap identifikasi sampel citra buah salak 20 108
Tabel 4.59 Rekap analisis sampel citra buah salak 20 109
Tabel 4.60 Rekap analisis sampel citra buah salak 20 (lanjutan) 110
Tabel 4.61 Best-fit values indeks browning 112
Tabel 4.62 Standart error dan Equation indeks browning 113
Tabel 4.63 Best-fit values kontras 114
Tabel 4.64 Best-fit values kontras (lanjutan) 115
Tabel 4.65 Standart error dan Equation kontras 115
Tabel 4.66 Standart error dan Equation kontras (lanjutan) 116
Tabel 4.67 Best-fit values regresi entropi 117
Tabel 4.68 Best-fit values regresi entropi (lanjutan) 118
Tabel 4.69 Standart error dan Equation regresi entropi 118
Tabel 4.70 Standart error dan Equation regresi entropi 119
Tabel 4.71 Hasil Testing sampel citra buah salak 120
Tabel 4.72 Hasil Testing sampel citra buah salak (lanjutan) 121
Tabel 4.73 Hasil Testing sampel citra buah salak (lanjutan) 122
Tabel 4.74 Hasil Testing sampel citra buah salak (lanjutan) 123
Tabel 4.75 Hasil Testing sampel citra buah salak (lanjutan) 124
Tabel 4.76 Hasil Testing sampel citra buah salak (lanjutan) 125
Tabel 4.77 Hasil Testing sampel citra buah salak (lanjutan) 126
Tabel 4.78 Hasil Testing sampel citra buah salak (lanjutan) 127
Tabel 4.79 Hasil Testing sampel citra buah salak (lanjutan) 128
Tabel 4.80 Hasil Testing sampel citra buah salak (lanjutan) 129
xv
BAB I
PENDAHULUAN
1
2
Kontras merupakan derajat terang pada citra yang dapat bersifat tinggi atau
rendahnya[16, 17]. Jika kontras bersifat tinggi berarti derajat terang bersifat
cerah/terang begitupun berlaku sebaliknya, jika kontras bersifat rendah berarti
derajat terang bersifat redup. Kontras pada citra berwarna yang ditingkatkan atau
diturunkan derajat terangnya adalah pada L(kecerahan /Lightness), A(warna dengan
range hijau hingga merah), B(warna dengan range biru hingga kuning)[18].
Sementara, kontras pada citra abu-abu atau grayscale yang ditingkatkan atau
diturunkan derajat terangnya adalah pada putih dan hitam[18].
3
Tekstur pada citra berfungsi untuk menemukan gambar asli dengan fitur
dasar dari munculnya semua permukaan asli[18-20]. Klasifikasi tekstur sangat
pentingan terutama dalam pengenalan pola. Hal ini dapat diterapkan pada aspek
yang lebih luas untuk contoh analisis gambar medis, inspeksi kain, segmentasi,
konten berbasis akuisisi gambar. Masalah ekstraksi fitur juga merupakan salah satu
masalah penting dari klasifikasi tekstur karena fitur mempengaruhi kemampuan
klasifikasi secara langsung.
1. Berapa nilai identifikasi citra buah salak pondoh dari parameter data indeks
browning, kontras dan tekstur?
5
KAJIAN PUSTAKA
7
8
(ACD). Untuk proses yang efisien dan mengurangi rentang nilai untuk perhitungan,
nilai-nilai HSV dikuantisasi menjadi non-equal bins (8x3x3 bins) seperti yang
dilakukan oleh penulis yaitu Hue: 8 bins; Saturasi: 3 bins; Nilai: 3 bins. Algoritma
ekstraksi ACD dimulai dengan pra-pengolahan citra terlebih dahulu dengan
mengubah ukurannya ke ukuran preset 160×240. Kemudian citra dibagi menjadi 6
blok. Setiap blok dikuantisasi oleh median cut quantizer. Citra terkuantisasi
mendapatkan warna yang serupa yang memiliki 4 warna piksel tetangga dan rata-
rata 3 warna teratas diambil untuk berakhir dengan nilai ACD [51].
Algoritma ekstraksi ACD adalah sebagai berikut:
2.2.1 GLCM
Berkenaan dengan analisa tekstur pada citra biasanya dimanfaatkan sebagai
proses untuk melakukan klasifikasi dan interpretasi pada citra. Proses klasifikasi
pada citra berbasis analisis tekstur pada umumnya membutuhkan tahapan ekstraksi
ciri, yang terdiri dari tiga macam metode yaitu metode statistik, metode spaktral
dan metode struktural[52]. Adapun metode GLCM termasuk kedalam metode
statistik dimana dalam perhitungan statistik menggunakan distribusi derajat aras
keabuan (histogram) dengan cara melakukan pengukuran pada tingkat kontras,
granularitas, dan kekasaran suatu daerah dari hubungan ketetanggaan antar piksel
pada citra[52]. Model statistik ini penggunaannya tidak terbatas, sehingga sesuai
untuk tekstur-tekstur alami yang tidak terstruktur dari sub pola dan himpunan aturan
(mikrostruktur)[52]. Metode statistik terdiri dari model ekstraksi ciri orde pertama
dan model ekstraksi ciri orde kedua[52]. Ekstraksi ciri orde pertama dilakukan
proses melalui histogram pada citra sedangkan ekstraksi ciri statistik orde kedua
dilakukan proses melalui matriks kookurensi, dimana suatu matriks yang
merepresentasikan hubungan ketetanggaan antar piksel pada citra dari berbagai
arah orientasi dan jarak spasial[52]. Ilustrasi ekstraksi ciri statistik dapat dilihat
pada gambar 2.2.
Gambar 2.2. (a) Histogram citra, (b) Hubungan ketetanggaan antar piksel
Ciri orde pertama tidak dapat lagi digunakan untuk mengenali perbedaan
antar citra. Pada kasus seperti ini, dibutuhkan pengambilan ciri statistik orde dua.
Salah satu dari teknik untuk memperoleh ciri statistik orde dua yakni dengan
12
menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan
orientasi sudut tertentu. Pendekatan ini dapat berlangsung dengan membentuk
sebuah matriks kookurensi dari data citra, dilanjutkan dengan menentukan ciri
sebagai fungsi dari matriks tersebut[52].
Kookurensi berarti jumlah kejadian satu level nilai piksel yang bertetangga
dengan satu level nilai piksel lain dalam jarak (d) dan orientasi sudut (θ) tertentu.
Jarak dinyatakan dalam piksel dan orientasi dinyatakan dalam derajat. Orientasi
arah yang dibentuk dalam empat arah sudut dengan interval sudut 45°, yaitu 0°,
45°, 90°, dan 135°. Sedangkan jarak antar piksel biasanya ditetapkan bernilai
sebesar 1 piksel, 2 piksel, 3 piksel dan seterusnya. Matriks kookurensi merupakan
matriks bujursangkar yang nilai jumlah elemen sebanyak kuadrat jumlah level
intensitas piksel pada citra. Setiap titik (i,j) pada matriks kookurensi
berorientasi berisi peluang atau probabilitas kejadian piksel bernilai i yang
bertetangga dengan piksel bernilai j pada jarak d serta orientasi dan (180−θ).
Dimisalkan sebagai contoh matriks 4×4 memiliki matriks GLCM dengan ukuran
yang sama. Dimana matriks kookurensi dihitung dengan nilai d=1 dan θ=0o.
Dengan jumlah frekuensi kemunculan pasangan (i,j) dihitung untuk keseluruhan
matriks. Jumlah kookurensi diisikan pada matriks GLCM pada posisi yang
bersesuaian[52].
Pada gambar 2.3 dimana matriks asal memiliki empat aras keabuan, maka
jumlah nilai piksel tetangga dan nilai piksel referensi pada area kerja matriks
berjumlah empat. Berikut adalah area kerja matriks seperti pada tabel 2.1.
13
Hubungan spasial untuk d=1 dan θ=0o pada matriks diatas dapat dituliskan dalam
matriks seperti pada gambar 2.4.
(1)
Keterangan:
2. Kontras
Digunakan untuk mengukur perbedaan intensitas atau variasi
keabuan piksel dalam citra. Persamaan (2) digunakan untuk mengukur
kontras suatu citra[52].
(2)
(3)
4. Entropi
Menyatakan ukuran yang tidak teratur dalam distribusi aras keabuan
suatu citra pada matriks kookurensi. Dimana nilainya tinggi jika elemen –
elemen pada GLCM mempunyai nilai yang relatif sama. Adapun untuk
menghitung nilai entropi, dapat menggunakan persamaan (4)[52].
(4)
5. Korelasi
Merupakan ukuran hubungan linear antar nilai aras keabuan dalam
citra. Fungsi korelasinya dapat dilihat pada pada persamaan (5).
(5)
(6)
(7)
(8)
(9)
warna tidak bisa merah dan hijau pada waktu yang sama atau kuning dan biru pada
saat yang sama waktu. Seperti ditunjukkan di bawah, L* menunjukkan
Light/terang, a* adalah koordinat merah / hijau , dan b* adalah koordinat kuning /
biru. Delta/ perbedaan untuk L* (ΔL*), a* (Δa*) dan b* (Δb*) bisa positif (+) atau
negatif (-). Total perbedaan, Delta E (ΔE*), selalu positif[53].
ΔL* (L* sampel dikurangi L* standar) = perbedaan terang dan gelap (+ = lebih
terang, – = gelap)
Δa* (a* sampel minus a* standar) = perbedaan merah dan hijau (+ = merah, – =
hijau)
Δb* (b* sampel dikurangi b* standar) = perbedaan kuning dan biru (+ = lebih
kuning, – = biru)
Nilai kecerahan (Lightness) berada antara 0 hingga 100, sedangkan nilai komponen
a dan b berada dalam range -128 hingga 127, atau antara -120 hingga 120 pada
color palette. Color mode ini adalah warna yang didasarkan pada penglihatan
manusia dan memiliki nilai-nilai numerik[53].
Dalam beberapa hal, penggunaan ruang warna dan nilai numerik digunakan
untuk mengembangkan, menyajikan, dan memvisualisasikan warna dalam dua atau
tiga dimensi. Warna makanan biasanya diukur dalam L*a*b*, yang merupakan
ruang warna standar internasional. L * nilai mengindikasikan Lightness/Luminance
komponen dalam gambar. Nilai L * berkisar dari 0 hingga 100 (0 menunjukkan
hitam; 100 menunjukkan putih) dan parameter a * (dari hijau ke merah) dan b *
(dari biru ke kuning) adalah dua komponen kromatik yang berkisar dari − 120
19
𝐿∗
Norm𝑎𝑙𝑖𝑧𝑒𝑑 𝐿∗ 𝑣alue = (11)
𝐿∗0
ℎ = √𝑎 ∗2 + 𝑏 ∗2 (12)
100(𝑥−0.31)
BI = (14)
0.17
𝑎∗+1.75 𝐿∗
x= (15)
5.645 𝐿∗+𝑎∗ − 3.012 𝑏 ∗
1. Entropy
2. Kontras
Mengukur jumlah variasi lokal yang ada dalam gambar. Nilai kontras
mengembalikan ukuran intensitas kontras antara pixel dan tetangganya di seluruh
gambar. Variasi lokal tingkat tinggi menunjukkan nilai kontras tinggi[54]. Nilai
20
kontras diharapkan meningkat sebagai Browning yang terjadi. Selain itu, pola
kontras harus memiliki tren yang meningkat, menunjukkan variasi lokal dengan
waktu[54].
2.2.4 Gaussian
Pengklasifikasi gaussian adalah sebuah cara dalam membandingkan dua
fitur vektor, pada penggunaan metode ini memiliki satu metode untuk
mengklasifikasikan sebuah fitur vektor yang tidak atau belum diketahui:
menggunakan cara membandingkan vektor tersebut dengan sekumpulan vektor
prototipe yang dipilih untuk menjadi ciri, tipekal, atau pemisalan. Vektor terdekat
yang diketahui menentukan identitas vektor yang tidak atau belum diketahui. Jika
terjadi pengabaian terhadap waktu dari berbagai sifat untuk saat ini dan diberikan
pemisalan mengambil satu vektor per objek, maka ini mungkin menghasilkan salah
satu cara untuk mengidentifikasi objek. Adapun dua masalah dengan pendekatan
prototipe adalah bahwa hal itu mengasumsikan bahwa dimemilikinya beberapa cara
untuk menemukan sebuah prototipe yang mewakili setiap kategori secara
keseluruhan dan tidak memperhitungkan variabilitas kategori objek. Kedua
masalah ini dapat diselesaikan dalam berbagai cara dan teknik pemodelan
Gaussian, sementara ini keduanya memberikan metode secara teoritis dalam
membuat keputusan antara kategori[26].
Proses continue Stochastic terus menerus fungsi acak satu set variabel acak
diindeks oleh variabel continue: f (x). Set ' input ' X = {x1, X2,..., xN}, set terkait
variabel fungsi acak f = {F1, F2,..., fN}. Gaussian proses pada setiap set variabel
fungsi {fN} N n = 1 memiliki Joint (Zero mean) distribusi Gaussian: p (f | X) = N
(0, K). Model kondisional dengan kepadatan input tidak dimodelkan. Konsistensi
penggunaan fungsi p (F1) = ∫ df2 p (F1, F2) . Kovarian matrik dibangun dari
fungsi kovarian Kij = K (Xi, Xj). Dimana fungsi kovarian mencirikan korelasi
antara titik yang berbeda dalam proses K (x, x0) = E [f (x) f (x0)]. Diharuskan
21
2.2.5 Pengklasifikasi
Dimana,
(18)
Pertimbangan pada poin baru x ∗, dimana diingin memdeteksi fungsi z ∗.
Sehingga didapatkan,
(19)
Kondisi kepadatan kelas (Class conditional densities) p (x | 𝐶𝑘), di mana x adalah
fitur vektor, 𝐶𝑘 mewakili kelas k. Ini memberikan kepadatan probabilitas fitur
vektor x yang berasal dari kelas 𝐶𝑘. Probabilitas posterior (𝐶𝑘 | x). Ini mewakili
probabilitas bahwa pola x berasal dari kelas 𝐶𝑘. Dengan aturan Bayes, P (𝐶𝑘 | x) =
p (x | 𝐶𝑘 ) P (𝐶𝑘 )
maka pengklasifikasian x atas dasar nilai P (𝐶𝑘 | x)[26]. Pemilihan
p (x)
.
Gambar 2.6 Pengklasifikasian P (𝐶𝑘 | x)
Setelah didapatkan klasifikasi C1 dan C2, maka dapat dicari hasil detail klasfikasi
dari C1 dan C2 dengan menggunakan pengklasifikasi gaussian.
(20)
23
Sehingga dapat digambarkan dalam bentuk grafik seperti pada gambar 2.4.
p(y|f)p(f|X)
dimana, p(f|X,y) = (23)
p(y|X)
Dari skala-skala kelas yang telah dapat dibentuk didapat ditampung untuk
digunakan pada proses klasterisasi yang pada penelitian ini menggunakan FCM.
Dalam teori fuzzy, keanggotaan sebuah data tidak diberikan nilai secara
tegas dengan nilai 1(menjadi anggota) dan nilai 0 (tidak menjadi anggota), melaikan
dengan suatu nilai derajat keanggotaannya yang jangkauan nilainya 0 sampai 1.
Nilai keanggotaan suatu data dalam sebuah himpunan menjadi 0 ketika sama sekali
tidak menjadi anggota dan menjadi 1 ketika menjadi anggota secara penuh dalam
suatu himpunan.Umumnya nilai keanggotaannya antara 0 sampai 1. semakin tinggi
nilai keanggotaanya semakin tinggi derajat keanggotaanya dan semakin kecil maka
semakin rendah derajat keanggotaanya. Kaitannya dengan K-mean sebenarnya
FCM merupakan versi fuzzy dan k-mean dengan beberapa modifikasi yang
membedakan dengen K-Mean[55].
Konsep dari Fuzzy C-Mean pertama kali adalah menentukan pusat
klasterisasi, yang menandai lokasi rata-rata untuk tiap-tiap klasterisasi. Pada
kondisi awal, pusat klasterisasi ini masih belum akurat. Tiap-tiap titik data memiliki
derajat keanggotaan untuk tiap-tiap klasterisasi. Dengan cara memperbaiki pusat
klasterisasi dan derajat keanggotaan tiap-tiap titik data secara berulang, maka dapat
dilihat bahwa pusat klasterisasi bergerak menuju lokasi yang tepat. Perulangan ini
didasarkan pada minimasi fungsi obyektif yang menggambarkan jarak dari titik
data yang diberikan kepusat klasterisasi yang terbobot oleh derajat keanggotaan
titik data tersebut. Output dari Fuzzy C-Mean merupakan deretan usat klasterisasi
klasterisasi dan beberapa derajat keanggotaan untuk tiap-tiap titik data. Informasi
ini dapat digunakan untuk membangun suatu fuzzy inference system. Kelebihan dari
metode fuzzy C-means adalah sederhana, mudah diimplementasikan, memiliki
kemampuan untuk mengelompokkan data yang besar, dan Running timenya linear
O (linear O (NCT)[55]. Algoritma FCM secara lengkap diberikan seperti pada poin
1 sampai 5.
1. Menentukan point a sampai dengan point e.
a. Matriks X berukuran n x m, dengan n = jumlah data yang di klasterisasi;
dan m = jumlah variabel (kriteria).
b. Jumlah klasterisasi yang dibentuk (C ≥ 2)
c. Pangkat (pembobot W > 1)
d. Maksimum iterasi
25
(24)
(25)
(26)
dengan,
(27)
5. Menentukan kriteria penghentian iterasi, yaitu perubahan matriks partisi
pada iterasi sekarang dan iterasi sebelumnya,
∆ = ||𝑈 ɛ − 𝑈 ɛ−1 || (28)
Apabila ∆ < ɛ maka iterasi dihentikan.
METODELOGI PENELITIAN
Pada bab ini dibahas mengenai beberapa hal, yaitu tahapan penelitian yang
dilakukan, kebutuhan penelitian yang dilakukan dan penyelesaian masalah dalam
pengimplementasian dengan mengunakan pengklasifikasi gaussian. Tahapan
metodologi penelitian dapat dilihat pada Gambar 3.1 dan deskripsi dari tiap tahap
yang dilakukan pada tabel 3.1.
27
28
Tahapan pengolahan data adalah seperti disebutkan pada poin i sampai iii.
i. Mempelajari dan menganalisa nilai kandungan pada objek yang
telah diukur dan mempelajari pengaruh nilai rata-rata pada objek.
ii. Mempelajari dan menganalisa nilai tekstur yang telah diukur dan
mempelajari pengaruh permukaan tekstur terhadap nilai estimasi
yang dihasilkan.
iii. Mempelajari dan menganalisa pengaruh nilai warna terhadap yang
hasil deteksi.
3.4. Implementasi
∫ orth N(v,0,A−1) dv 𝐼1
J∗ = p(y = 1|X,y,x∗) = ≡ (20)
∫ orth N(v,0,A−1) dv 𝐼2
Dimana v = (𝑣1, . . . , 𝑣𝑁 + 1) 𝑇
1 𝑎𝑇
−1 + −
−1 0 𝜎∗2 𝜎∗2
A12 = [ ], A = [ ] (21)
0 𝐶′ 22 −
𝑎 𝑇
𝐼 + ∑−1 +−
𝑎𝑎𝑇
𝜎2∗ 𝜎2∗
Dalam pemetaan integrasi pola dapat digambarkan seperti pada gambar 3.4,
dimana terdapat empat bidang yang terbagi kewilayahannya. Wilayah-wilayah
tersebut diisi oleh garis merah dan garis biru, yang merepresentasikan integrasi dan
pembagi integrasi. Garis merah vertikal mempresentasikan integrasi lintas wilayah,
sementara gasir biru horizontal mempresentasikan pembagi integrasi lintas
wilayah.
Untuk N = 100, 𝑁gen = 100.000, didapatkan 7,9 e − 26 poin yang jatuh di area
integrasi dapat diamati seperti pada gambar 3.6.
34
(𝑣𝑖 + 1 | 𝑣𝑖 ≥ 0,..., 𝑣𝑖 ≥ 0). Pecahan diterima pada setiap langkah dimana P (𝑣𝑖 ≥ 0 |
𝑣𝑖 − 1 ≥ 0,..., 𝑣𝑖 ≥ 0). Produk dari pecahan diterima sebagai P (𝑣𝑁 ≥ 0 | 𝑣𝑁 − 1 ≥
0,..., 𝑣𝑖 ≥ 0), P (𝑣𝑁 − 1 ≥ 0 | 𝑣𝑁 − 2 ≥ 0,..., 𝑣𝑖 ≥ 0)... P (𝑣𝑖 ≥ 0) yang sama dengan P
(𝑣𝑁 ≥ 0, 𝑣𝑁 − 1 ≥ 0,..., 𝑣𝑖 ≥ 0) yang dapat disimulasikan seperti pada gambar 3.8,
3.9 dan 3.10.
Pada tahap ini melakukan pengujian dan analisis hasil terhadap hasil
penelitian yang telah dilaksanakan. Pengujian dilakukan dalam dua tahap, yaitu
pengujian stasioner dan pengujian berjalan. Pada masing-masing pengujian
dilakukan pengambilan data-data yang bersesuaian dengan ketika pengambilan data
awal, namun ditambah dengan pengujian.
Setelah analisis dilakukan, tidak menutup kemungkinan untuk melakukan
pengujian maupun pengambilan data ulang apabila terjadi ketidaksesuaian maupun
kurangnya data.
Tahapan uji coba training data terhadap sistem yang dilakukan pada penelitian ini
seperti yang disebutkan pada point 1 dan 2.
38
1. Verfikasi
Tahap verifikasi ini adalah pengecekan kesesuaian hasil
implementasi metode dengan desain yang telah dirancang sebelumnya.
2. Pengujian akurasi metode
Pengujian keakuratan metode ini dilakukan untuk mengukur tingkat
akurasi dari pengombinasian metode yang dipakai dalam penelitian ini.
Pengujian akurasi metode ini dilakukan dengan membandingkan
observasi yang dilakukan langsung, dengan hasil keluaran dari rancangan
yang telah dibangun.
Accuracy sendiri adalah presentase dari total data uji coba yang benar
diidentifikasi standar tingkat akurasi dari hasil pengukuran.
Akurasi 90% - 100% = Excellent classification
Akurasi 80% - 90% = Best classification
Akurasi 70% - 80% = Fair classification
Akurasi 60% - 70% = Poor classification
Akurasi 50% - 60% = Failure
BAB IV
Sampel citra buah salak pondoh diambil dari sisi atas buah yang meliputi
bagian pangkal pucuk yang berwarna kuning keputih-putithan dan area kulit
sekitarnya. Bagian ini diambil sebagai sampel dikarenakan pada bagian atas
memiliki pangkal berwarna putih, tidak seperti bagian bawah buah atau pantat buah
yang memiliki warna mayoritas coklat kehitaman. Walaupun pada bagian bawah
buah memiliki kontur bentuk buah yang lebih baik dari pada bagian pangkal pucuk
atas, namun pada bagian bawah buah tidak terlalu memiliki ciri perubahan kusus
dalam rentang hari pengamatan yang telah ditetapkan. Adapun data sampel salak
pondoh yang diamati berjumlah sebanyak 400 data image buah salak didapatkan
dari 20 buah salak pondoh yang diamati selama 20 hari yang dilanjutkan percobaan
pengamatannya sampai 23 hari seperti yang ditunjukan pada gambar 4.1.
39
40
Pada gambar 4.1 menggunakan sampel buah salak yang terbagi menjadi 2
bagian kelompok yakni pada periode hari ke 1 sampai har ke 10 memiliki warna
yang relatif cerah dan pucuk bagian atas masih berwarna putih sampai kekuningan.
Sementara periode hari ke 11 sampai har ke 20 memiliki warna yang relatif mulai
gelap dan pucuk bagian atas mulai berwarna kuning kecoklatan sampai coklat tua.
Adapun gambar sampel pada gambar 4.1 dimana sub gambar buah salak nomor 1
mewakili sampel buah salak nomor 1 pada hari ke 1. Kemudian sub gambar buah
salak nomor 2 mewakili sampel buah salak nomor 1 pada hari ke 2, begitupun
sampai kepada buah salak nomor 20. Penyajian data sampel seperti pada gambar
4.1 digunakan agar dapat mempermudah terlihatnya proses perubahan.
Gambar 4.2 Contoh filter Gaussian pada sampel buah salak hari ke 1-20
bentuk L*a*b dan grayscale. Setelah pemrosesan selesai didapatkan hasil nilai
L*a*b dan greyscale yang outputnya seperti pada gambar 4.3 yang warna, tekstur,
dan kontrasnya masih terdeteksi bagian atas buah masih berwarna putih cerah. Pada
gambar 4.3 didapatkan hasil contoh konversi sampel data hari ke 1-10 ke L*a*b
dan grayscale dari salah satu data dari data sampel hari ke 1 sebagai contoh.
Gambar 4.3 Contoh konversi L*a*b dan grayscale sampel data hari ke 1-10
Pada gambar 4.4 data sampel yang masih dalam bentuk RGB diproses untuk
dikonversi kedalam bentuk L*a*b dan grayscale. Setelah pemrosesan selesai
didapatkan hasil nilai L*a*b dan greyscale yang outputnya seperti pada gambar 4.4
yang warna, tekstur, dan kontrasnya terdeteksi bagian atas buah berwarna abu. Pada
gambar 4.4 contoh konversi sampel data hari ke 11-20 ke L*a*b dan grayscale dari
salah satu data dari data sampel hari ke 11 sebagai contoh.
Gambar 4.4 Contoh konversi L*a*b dan grayscale sampel data hari ke 11-20
Berikut pada Tabel 4.1 yang merupakan hasil perbandingan data hasil,
dimana yang dimaksud pada kolom sampel adalah data sampel bersama nomornya .
Nilai uji coba terhadap sampel merupakan nilai dari hasil dari uji coba saat
dijalankan. Nilai target merupakan nilai yang ditetapkan sebagai acuan tujuan yang
harus dipenuhi oleh metode dengan nilai dari 0.1 sampai 0.3, pada uji training
belum diberlakukan model terhadap trend data. Perbandingan data merupakan
proses banding nilai uji coba terhadap sampel dan nilai target dengan nilai dari
0.002 sampai 0.02. Sementara yang dimaksud pada kolom ∑Perbandingan
didapatkan dari penjumlahan nilai total dari nilai uji coba terhadap sampel dan nilai
target dengan nilai dari 0.728 sampai 0.29. Kemudian yang dimaksud pada kolom
MSE adalah nilai kuadrat error rata-rata dengan nilai dari 0.028 sampai 0.189.
Pada gambar 4.6 merupakan bagian dari main menu dalam keadaan sedang
berjalan, yang meliputi input foto sampel yang telah terinput sampel foto buah salak
yang masih dalam bentuk RGB. Kemudian terdapat konversi dari sampel yang
45
masih berbbetuk RGB ke gray/lab color untuk menjadi bahan inputan kedalam
metode. Pada identifikasi menerima nillai yang telah didapatkan dari proses
sebelmnya yang diproses dan mengeluarkan output seperti pada gambar 4.5,
gambar 4.6 dan gambar 4.7.
Pada gambar 4.7 dapat dilihat terdapat beberapa hasil yang diuji dari sampel
buah salak. Adapun yang diuji dari sampel adalah nilai mean dan varian yang
digunakan oleh fungsi pengklasifikasi Gaussian. Kemudian nilai indeks browning,
kontras, kolerasi dan entropi yang dihasilkan oleh proses pada GLCM yang
hasilnya dijadikan input pada FCM. Nilai lab color tidak dilakukan pegujian karena
proses pengolahan lab color telah masuk ke dalam proses indeks browning.
Pada tabel 4.2 berisikan beberapa data seperti data hari meliputi hari
pertama sampai hari 20, indeks browning meliputi nilai perubahan warna bagian
pucuk pada sampel buah salak dengan rentang nilai dari 6.303 sampai 107.376,
kontras meliputi nilai kecerahan citra dengan rentang nilai dari 0.221 sampai 0.574,
korelasi meliputi nilai kedekatan piksel pada citra dengan rentang nilai dari 0.824
sampai 0.984 dan entropi merupakan salah satu nilai dari sekian nilai yang
menggambarkan keadaan tekstur dengan rentang nilai dari 0.834 sampai 0.969.
Pada gambar 4.9 yang menampilkan function FCM yang telah dibangun
menggunakan code pada matlab. Pada dasarnya code pada gambar 4.9 menjalankan
function FCM yang telah disediakan oleh matlab sehingga pada penelitian yang
telah dilakukan dapat mengembangkan berbasis data set.
48
Pada gambar 4.10 diperlihatkan Dari data identifikasi sampel citra buah
salak 1 pada tabel 4.2 dicari titik-titik persebaran tiap sampel berdasarkan
klasterisasi kelompoknya. Adapun klasterisasi dipisah atau dibagi menjadi 3 bagian
kelompok klasterisasi yakni klasterisasi segar beranggotakan 9 node berwarna
hijau, klasterisasi peralihan beranggotakan 5 node berwarna kuning dan klasterisasi
pembusukan beranggotakan 6 node berwarna merah seperti pada gambar 4.10.
Pada tabel 4.3 merupakan salah satu analisis yang dilakukan setelah semua
tahapan-tahapan sebelumnya didapatkan hasilnya. Data hasil diantaranya data
identifikasi, klasifikasi dan klasterisasi yang sebelumnya telah didapatkan
dilakukan penganalisisan kedalam bentuk tabel yang dapat direpresentasikan
kedalam model grafik yang dapat mempresentasekan kesegaran. Adapun grafik
prersentase kesegaran ada pada gambar 4.11 yang dapat diihat pergeseran atau
perubahan kesegarannya.
Pada gambar 4.11 hasil deteksi kesegaran pada buah salak 1 didapatkan
periode sampel dikategorikan segar dengan presentase mulai dari 100%-60% dan
dengan rentang hari ke 0-9. Kemudian periode sampel dikategorikan masuk pada
masa peralihan dengan presentase mulai dari 55%-20% dan dengan rentang hari ke
50
10-14. Selanjutnya periode terakhir masa busuk dengan presentase mulai dari 15%-
0% dan dengan rentang hari ke 15-20 seperti yang ditunjukan pada gambar 4.11.
Pada tabel 4.5 merupakan salah satu analisis yang dilakukan setelah semua
tahapan-tahapan sebelumnya didapatkan hasilnya. Data hasil diantaranya data
identifikasi, klasifikasi dan klasterisasi yang sebelumnya telah didapatkan
dilakukan penganalisisan kedalam bentuk tabel yang dapat direpresentasikan
kedalam model grafik yang dapat mempresentasekan kesegaran. Adapun grafik
prersentase kesegaran ada pada gambar 4.13 yang dapat diihat pergeseran atau
perubahan kesegarannya.
kurang lebih 55% dan dengan rentang hari ke 0-9. Kemudian periode sampel
dikategorikan masuk pada masa peralihan dengan presentase mulai dari 45%
sampai dengan kurang lebih 20% dan dengan rentang hari ke 10-14. Selanjutnya
periode terakhir sampel dikategorikan masuk pada masa pembusukan dengan
presentase mulai dari 15% sampai dengan kurang lebih 0% dan dengan rentang hari
ke 15-20 seperti yang ditunjukan pada gambar 4.13.
Dari data identifikasi sampel citra buah salak 3 pada tabel 4.6 yang telah
didapatkan maka dilakukan pencarian titik-titik persebaran dari tiap sampel
berdasarkan klasterisasi kelompok yang dimasuki sampel tersebut. Adapun pada
penetapan pembagian untuk klasterisasi pada tahaapan ini dipisah atau dibagi
menjadi 3 bagian kelompok klasterisasi yakni yang pertama terdapat klasterisasi
segar yang beranggotakan 8 node dengan warna hijau sebagai penanda kategori
segar, klasterisasi peralihan beranggotakan 6 node dengan warna kuning sebagai
penanda kategori peralihan dan klasterisasi pembusukan beranggotakan 6 node
berwarna merah sebagai penanda kategori busuk seperti pada gambar 4.14.
55
Pada tabel 4.7 merupakan salah satu analisis yang dilakukan setelah semua
tahapan-tahapan sebelumnya didapatkan hasilnya. Data hasil diantaranya data
identifikasi, klasifikasi dan klasterisasi yang sebelumnya telah didapatkan
dilakukan penganalisisan kedalam bentuk tabel yang dapat direpresentasikan
kedalam model grafik yang dapat mempresentasekan kesegaran. Adapun grafik
prersentase kesegaran ada pada gambar 4.15 yang dapat diihat pergeseran atau
perubahan kesegarannya.
Pada tabel 4.9 merupakan salah satu analisis yang dilakukan setelah semua
tahapan-tahapan sebelumnya didapatkan hasilnya. Data hasil diantaranya data
identifikasi, klasifikasi dan klasterisasi yang sebelumnya telah didapatkan
dilakukan penganalisisan kedalam bentuk tabel yang dapat direpresentasikan
kedalam model grafik yang dapat mempresentasekan kesegaran. Adapun grafik
prersentase kesegaran ada pada gambar 4.17 yang dapat diihat pergeseran atau
perubahan kesegarannya.
Dari data identifikasi sampel citra buah salak 5 yang telah didapatkan pada
tabel 4.6 maka dicari titik-titik persebaran dari sampel citra berdasarkan
61
Pada tabel 4.11 merupakan salah satu analisis yang telah dilakukan setelah
semua tahapan-tahapan sebelumnya yang telah didapatkan data hasilnya. Adapun
data hasil diantaranya berisikan data identifikasi, klasifikasi dan klasterisasi yang
sebelumnya telah didapatkan dilakukan penganalisisan kedalam bentuk tabel yang
dapat direpresentasikan kedalam model grafik yang dapat mempresentasekan
kesegaran. Kemudian adapun pada grafik prersentase kesegaran buah salak pondoh
seperti yang digambarkan pada gambar 4.19 yang dapat dilihat pergeseran atau
perubahan kesegarannya.
62
Dari data identifikasi sampel citra buah salak 6 pada tabel 4.12 dicari titik-
titik persebaran klasterisasi. Adapun klasterisasi dibagi menjadi 3 bagian kelompok
klasterisasi yakni klasterisasi segar beranggotakan 6 node berwarna hijau,
klasterisasi peralihan beranggotakan 8 node berwarna kuning dan klasterisasi
pembusukan beranggotakan 6 node berwarna merah seperti pada gambar 4.20.
Pada tabel 4.13 merupakan salah satu analisis yang dilakukan setelah semua
tahapan-tahapan sebelumnya didapatkan hasilnya. Data hasil diantaranya data
identifikasi, klasifikasi dan klasterisasi yang sebelumnya telah didapatkan
dilakukan penganalisisan kedalam bentuk tabel yang dapat direpresentasikan
kedalam model grafik yang dapat mempresentasekan kesegaran. Adapun grafik
prersentase kesegaran ada pada gambar 4.21 yang dapat diihat pergeseran atau
perubahan kesegarannya.
Dari data identifikasi sampel citra buah salak pondoh 7 pada tabel 4.14
dicari titik-titik atau node persebaran dari setiap sampel citra buah salak pondoh
berdasarkan klasterisasi kelompoknya yang telah didapatkan. Adapun telah
ditetapkan pembagian klasterisasi dipisah atau dibagi menjadi 3 bagian kelompok
klasterisasi yakni klasterisasi periode segar beranggotakan 6 node berwarna hijau
sebagai penanda masa segar, klasterisasi peralihan beranggotakan 8 node berwarna
kuning sebagai penanda masa pergantian dan klasterisasi pembusukan
beranggotakan 6 node berwarna merah sebagai penanda masa busuk seperti pada
gambar 4.22. Dapat dijelaskan bahwa tiap persebaran warna yang telah digunakan
memiliki artian tersendiri sebagai pengelompok tiap-tiap kategori kelas yang akan
digunakan pada klasterisasi. Warna-warna yang digunakan adalah warna hijau
sebagai penanda bahwa sampel ada pada masa segar, warna kuning sebagai
penanda bahwa sampel ada pada masa peralihan, warna merah sebagai penanda
bahwa sampel ada pada masa pembusukan.
68
Pada tabel 4.15 merupakan salah satu analisis yang dilakukan setelah semua
tahapan-tahapan sebelumnya didapatkan hasilnya. Data hasil diantaranya data
identifikasi, klasifikasi dan klasterisasi yang sebelumnya telah didapatkan
dilakukan penganalisisan kedalam bentuk tabel yang dapat direpresentasikan
kedalam model grafik yang dapat mempresentasekan kesegaran. Adapun grafik
prersentase kesegaran ada pada gambar 4.23 yang dapat diihat pergeseran atau
perubahan kesegarannya.
Pada tabel 4.17 merupakan data hasil diantaranya dari data identifikasi,
klasifikasi dan klasterisasi yang telah dilakukan penganalisisan kedalam bentuk
tabel yang dapat direpresentasikan kedalam model grafik yang dapat
mempresentasekan kesegaran. Adapun grafik prersentase kesegaran ada pada
gambar 4.25 yang dapat diihat pergeseran atau perubahan kesegarannya.
Dari data identifikasi sampel citra buah salak 9 pada tabel 4.18 dicari titik-
titik persebaran tiap sampel berdasarkan klasterisasi kelompoknya. Adapun
klasterisasi dipisah atau dibagi menjadi 3 bagian kelompok klasterisasi yakni
klasterisasi segar beranggotakan 8 node berwarna hijau, klasterisasi peralihan
74
Dari data identifikasi sampel citra buah salak pondoh 7 pada tabel 4.20
dicari titik-titik atau node persebaran dari setiap sampel citra buah salak pondoh
berdasarkan klasterisasi kelompoknya yang telah didapatkan. Adapun telah
ditetapkan pembagian klasterisasi dipisah atau dibagi menjadi 3 bagian kelompok
klasterisasi yakni klasterisasi periode segar beranggotakan 6 node berwarna hijau
sebagai penanda masa segar, klasterisasi peralihan beranggotakan 8 node berwarna
kuning sebagai penanda masa pergantian dan klasterisasi pembusukan
beranggotakan 6 node berwarna merah sebagai penanda masa busuk seperti pada
gambar 4.28. Dapat dijelaskan bahwa tiap persebaran warna yang telah digunakan
memiliki artian tersendiri sebagai pengelompok tiap-tiap kategori kelas yang akan
digunakan pada klasterisasi. Warna-warna yang digunakan adalah warna hijau
sebagai penanda bahwa sampel ada pada masa segar, warna kuning sebagai
penanda bahwa sampel ada pada masa peralihan, warna merah sebagai penanda
bahwa sampel ada pada masa pembusukan.
Pada tabel 4.21 merupakan data hasil yang berisikan data identifikasi,
klasifikasi dan klasterisasi yang telah dianalisis kedalam bentuk tabel yang dapat
direpresentasikan kedalam model grafik presentase kesegaran. Adapun grafik
78
prersentase kesegaran buah salak pondoh seperti pada gambar 4.29 yang dapat
dilihat pergeseran atau perubahan kesegarannya. Pada gambar 4.29 didapatkan dari
tabel 4.21 yang merupakan rekap analisis dari hasil data identifikasi, klasifikasi dan
klasterisasi yang sebelumnya telah didapatkan sebelumnya.
Dari data identifikasi sampel citra buah salak pondoh 7 pada tabel 4.22
dicari titik-titik atau node persebaran dari setiap sampel citra buah salak pondoh
berdasarkan klasterisasi kelompoknya yang telah didapatkan. Adapun telah
ditetapkan pembagian klasterisasi dipisah atau dibagi menjadi 3 bagian kelompok
klasterisasi yakni klasterisasi periode segar beranggotakan 7 node berwarna hijau
sebagai penanda berlangsungnya masa segar, klasterisasi peralihan beranggotakan
6 node berwarna kuning sebagai penanda berlangsungnya masa pergantian dan
klasterisasi pembusukan beranggotakan 7 node berwarna merah sebagai penanda
berlangsungnya masa busuk seperti pada gambar 4.30. Dapat dijelaskan bahwa tiap
persebaran tiap warna sampel pada pengklasteran yang telah digunakan memiliki
artian tersendiri sebagai pengelompok tiap-tiap kategori kelas dari klasifikasi yang
akan digunakan pada klasterisasi. Adapun warna-warna yang telah ditetapkan untuk
digunakan adalah titik-titik berwarna hijau sebagai penanda bahwa sampel ada pada
berlangsungnya masa segar, titik-titik berwarna kuning sebagai penanda bahwa
sampel ada pada berlangsungnya masa peralihan, titik-titik berwarna merah sebagai
penanda bahwa sampel ada pada berlangsungnya masa pembusukan yang terjadi
pada buah salak pondoh.
81
Pada tabel 4.23 merupakan salah satu analisis yang dilakukan setelah semua
tahapan-tahapan sebelumnya didapatkan hasilnya. Data hasil diantaranya data
identifikasi, klasifikasi dan klasterisasi yang sebelumnya telah didapatkan
dilakukan penganalisisan kedalam bentuk tabel yang dapat direpresentasikan
kedalam model grafik yang dapat mempresentasekan kesegaran.
Dari data identifikasi sampel citra buah salak 12 pada tabel 4.24 dicari titik-
titik persebaran tiap sampel berdasarkan klasterisasi kelompoknya. Adapun
klasterisasi dipisah atau dibagi menjadi 3 bagian kelompok klasterisasi yakni
klasterisasi segar beranggotakan 6 node berwarna hijau, klasterisasi peralihan
84
Pada tabel 4.25 merupakan salah satu analisis yang dilakukan setelah semua
tahapan-tahapan sebelumnya didapatkan hasilnya. Data hasil diantaranya data
identifikasi, klasifikasi dan klasterisasi yang sebelumnya telah didapatkan
dilakukan penganalisisan kedalam bentuk tabel yang dapat direpresentasikan
kedalam model grafik yang dapat mempresentasekan kesegaran.
Dari data identifikasi sampel citra buah salak pondoh 7 pada tabel 4.26
dicari titik-titik dari setiap sampel citra buah salak pondoh berdasarkan klasterisasi
kelompoknya. Adapun telah ditetapkan pembagian klasterisasi dibagi menjadi 3
87
Pada tabel 4.27 merupakan salah satu analisis yang dilakukan setelah semua
tahapan-tahapan sebelumnya didapatkan hasilnya. Data hasil diantaranya data
identifikasi, klasifikasi dan klasterisasi yang sebelumnya telah didapatkan
dilakukan penganalisisan kedalam bentuk tabel yang dapat direpresentasikan
kedalam model grafik yang dapat mempresentasekan kesegaran. Adapun grafik
prersentase kesegaran ada pada gambar 4.35 yang dapat diihat pergeseran atau
perubahan kesegarannya.
Dari data identifikasi sampel citra buah salak 14 pada tabel 4.28 dicari titik-
titik persebaran klasterisasi kelompoknya. Adapun klasterisasi dipisah atau dibagi
menjadi 3 bagian kelompok klasterisasi yakni klasterisasi segar beranggotakan 6
node berwarna hijau, klasterisasi peralihan beranggotakan 7 node berwarna kuning
dan klasterisasi pembusukan beranggotakan 7 node berwarna merah seperti pada
gambar 4.36.
Pada tabel 4.29 merupakan salah satu analisis yang dilakukan setelah semua
tahapan-tahapan sebelumnya didapatkan hasilnya. Data hasil diantaranya data
identifikasi, klasifikasi dan klasterisasi yang sebelumnya telah didapatkan
dilakukan penganalisisan kedalam bentuk tabel yang dapat direpresentasikan
kedalam model grafik yang dapat mempresentasekan kesegaran. Adapun grafik
prersentase kesegaran ada pada gambar 4.36 yang dapat diihat pergeseran atau
perubahan kesegarannya.
sampel dikategorikan masuk pada masa pembusukan dengan presentase mulai dari
45%- 0% dengan rentang hari ke 14-20 seperti yang ditunjukan pada gambar 4.37.
Dari data identifikasi sampel citra buah salak pondoh 7 pada tabel 4.30
dicari titik-titik atau node persebaran dari setiap sampel citra buah salak pondoh
berdasarkan klasterisasi kelompoknya yang telah didapatkan. Adapun telah
ditetapkan pembagian klasterisasi dipisah atau dibagi menjadi 3 bagian kelompok
klasterisasi yakni klasterisasi periode segar beranggotakan 8 node berwarna hijau
sebagai penanda masa segar, klasterisasi peralihan beranggotakan 6 node berwarna
kuning sebagai penanda masa pergantian dan klasterisasi pembusukan
beranggotakan 6 node berwarna merah sebagai penanda masa busuk seperti pada
gambar 4.38.
94
Pada tabel 4.31 merupakan salah satu analisis yang dilakukan setelah semua
tahapan-tahapan sebelumnya didapatkan hasilnya. Data hasil yang telah didapatkan
diantaranya yakni data identifikasi, klasifikasi dan klasterisasi yang sebelumnya
telah didapatkan dilakukan penganalisisan kedalam bentuk tabel yang dapat
direpresentasikan kedalam model grafik yang dapat mempresentasekan kesegaran.
Adapun pada pemodelan grafik presentase kesegaran ada pada gambar 4.39 yang
dapat diihat pergeseran atau perubahan kesegarannya.
Dari data identifikasi sampel citra buah salak pondoh 7 pada tabel 4.32
dicari titik-titik atau node persebaran dari setiap sampel citra buah salak pondoh
berdasarkan klasterisasi kelompoknya yang telah didapatkan. Adapun telah
ditetapkan pembagian klasterisasi dipisah atau dibagi menjadi 3 bagian kelompok
klasterisasi yakni klasterisasi periode segar beranggotakan 9 node berwarna hijau
sebagai penanda masa segar, klasterisasi peralihan beranggotakan 5 node berwarna
kuning sebagai penanda masa pergantian dan klasterisasi pembusukan
97
beranggotakan 6 node berwarna merah sebagai penanda masa busuk seperti pada
gambar 4.40.
Pada tabel 4.33 merupakan salah satu analisis data hasil diantaranya data
identifikasi, klasifikasi dan klasterisasi yang sebelumnya telah didapatkan
dilakukan penganalisisan kedalam bentuk tabel yang dapat direpresentasikan
kedalam model grafik yang dapat mempresentasekan kesegaran. Adapun grafik
prersentase kesegaran ada pada gambar 4.41 yang dapat diihat perubahannya.
Dari data identifikasi sampel citra buah salak 3 pada tabel 4.34 dicari titik-
titik persebaran tiap sampel berdasarkan klasterisasinya. Adapun klasterisasi dibagi
menjadi 3 bagian yakni klasterisasi segar beranggotakan 8 node berwarna hijau,
klasterisasi peralihan beranggotakan 7 node berwarna kuning dan klasterisasi
pembusukan beranggotakan 5 node berwarna merah seperti pada gambar 4.42.
100
Pada tabel 4.35 merupakan salah satu analisis yang dilakukan setelah semua
tahapan-tahapan sebelumnya didapatkan hasilnya. Data hasil diantaranya data
identifikasi, klasifikasi dan klasterisasi yang sebelumnya telah didapatkan
dilakukan penganalisisan kedalam bentuk tabel yang dapat direpresentasikan
kedalam model grafik yang dapat mempresentasekan kesegaran. Adapun grafik
prersentase kesegaran ada pada gambar 4.43 yang dapat dilihat pergeseran atau
perubahan kesegarannya.
Dari data identifikasi sampel citra buah salak pondoh 7 pada tabel 4.36
dicari titik-titik atau node persebaran dari setiap sampel citra buah salak pondoh
berdasarkan klasterisasi kelompoknya yang telah didapatkan. Adapun telah
ditetapkan pembagian klasterisasi dipisah atau dibagi menjadi 3 bagian kelompok
klasterisasi yakni klasterisasi periode segar beranggotakan 7 node berwarna hijau
sebagai penanda masa segar, klasterisasi peralihan beranggotakan 4 node berwarna
kuning sebagai penanda masa pergantian dan klasterisasi pembusukan
beranggotakan 9 node berwarna merah sebagai penanda masa busuk seperti pada
gambar 4.44.
Pada tabel 4.37 merupakan salah satu analisis yang dilakukan setelah semua
tahapan-tahapan sebelumnya didapatkan hasilnya. Data hasil diantaranya data
identifikasi, klasifikasi dan klasterisasi yang sebelumnya telah didapatkan
dilakukan penganalisisan kedalam bentuk tabel yang dapat direpresentasikan
kedalam model grafik yang dapat mempresentasekan kesegaran. Adapun grafik
prersentase kesegaran ada pada gambar 4.45 yang dapat diihat pergeseran atau
perubahan kesegarannya.
104
Pada tabel 4.39 merupakan salah satu analisis yang dilakukan setelah semua
tahapan-tahapan sebelumnya didapatkan hasilnya. Data hasil diantaranya data
identifikasi, klasifikasi dan klasterisasi yang sebelumnya telah didapatkan
dilakukan penganalisisan kedalam bentuk tabel yang dapat direpresentasikan
kedalam model grafik yang dapat mempresentasekan kesegaran. Adapun grafik
prersentase kesegaran ada pada gambar 4.47 yang dapat diihat pergeseran atau
perubahan kesegarannya.
presentase mulai dari 100% sampai dengan kurang lebih 80% dan dengan rentang
hari ke 0 sampai hari ke 7. Kemudian periode sampel citra buah salak pondoh
dikategorikan masuk pada masa peralihan dengan presentase mulai dari 75%
sampai dengan kurang lebih 55% dan dengan rentang hari ke 8 sampai hari ke 11.
Selanjutnya periode terakhir sampel citra buah salak pondoh dikategorikan masuk
pada masa pembusukan dengan presentase mulai dari 40% sampai dengan kurang
lebih 0% dan dengan rentang hari ke 12 sampai hari ke 20 seperti yang ditunjukan
pada gambar 4.47.
citra yang memiliki rentang nilai dari 0.221 sampai 0.655, korelasi meliputi nilai
kedekatan piksel pada citra yang memiliki rentang nilai dari 0.845 sampai 0.979
dan entropi merupakan salah satu nilai dari sekian nilai yang menggambarkan
keadaan tekstur yang memiliki rentang nilai dari 0.803 sampai 0.965.
Pada tabel 4.41 merupakan salah satu analisis yang dilakukan setelah semua
tahapan-tahapan sebelumnya didapatkan hasilnya. Data hasil diantaranya data
identifikasi, klasifikasi dan klasterisasi yang sebelumnya telah didapatkan
dilakukan penganalisisan kedalam bentuk tabel yang dapat direpresentasikan
kedalam model grafik yang dapat mempresentasekan kesegaran. Adapun grafik
prersentase kesegaran ada pada gambar 4.49 yang dapat diihat pergeseran atau
perubahan kesegarannya.
Pada tabel 4.42 berisikan nilai fit terbaik yang didapatkan dari regresi linier
indeks browning, dimana nilai-nilai yang ada didalam tabel 4.42 yakni nilai slope
yang merupakan nilai kemiringan garis linier dengan nilai dari 4.92 sampai 6.246,
Y-intercept yang merupakan nilai intercept sumbu y dengan nilai dari -12.8 sampai
0.9596, X-intercept yang merupakan nilai intercept sumbu x dengan nilai dari
0.1825 sampai 2.339, 1/slope merupakan nilai bagi dari sudut miring yang didapat
dengan nilai dari 0.1599 sampai 0.2032.
Best-fit values
Sampel Slope Y-intercept X-intercept 1/slope
Indeks Browning 1 6.246 -12.3 1.97 0.1601
Indeks Browning 2 6.254 -14.63 2.339 0.1599
Indeks Browning 3 5.508 -3.663 0.6651 0.1816
Indeks Browning 4 5.648 -8.157 1.444 0.1771
Indeks Browning 5 5.589 -6.036 1.08 0.1789
Indeks Browning 6 5.434 -9.604 1.768 0.184
Indeks Browning 7 5.092 -4.678 0.9185 0.1964
Indeks Browning 8 5.638 -11.2 1.987 0.1774
Indeks Browning 9 6.147 -12.8 2.082 0.1627
Indeks Browning 10 4.92 -1.904 0.3869 0.2032
Indeks Browning 11 5.75 -1.545 0.2687 0.1739
Indeks Browning 12 5.691 -5.423 0.9529 0.1757
Indeks Browning 13 5.413 -4.529 0.8366 0.1847
Indeks Browning 14 5.258 0.9596 0.1825 0.1902
Indeks Browning 15 5.473 -2.081 0.3802 0.1827
Indeks Browning 16 5.824 -9.977 1.713 0.1717
Indeks Browning 17 5.65 -10.04 1.777 0.177
Indeks Browning 18 5.577 -1.581 0.2834 0.1793
Indeks Browning 19 5.75 -7.181 1.249 0.1739
Indeks Browning 20 5.91 -11.62 1.966 0.1692
Pada tabel 4.43 berisikan nilai standart dari error, dimana nilai-nilai yang
ada didalam tabel 4.43 yakni nilai error dari slope yang merupakan nilai error
kemiringan dari garis linier yang bernilai 0.07813 sampai 0.2819. Y-intercept yang
merupakan nilai error intercept dari sumbu y yang bernilai 0.9359 sampai 3.377, R
114
square yang bernilai 0.9647 sampai 0.9963 dan Sy.x merupakan nilai bagi dari
sudut miring yang didapat 2.184 sampai 7.271, Equation yang berisi Equation 1
untuk Indeks Browning 1 dengan nilai Y = 6,246*X + (-12,30), sampai Equation
20 untuk Indeks Browning 20 dengan nilai Y = 5,910*X + (-11,62).
Pada tabel 4.44 berisikan nilai fit terbaik yang didapatkan dari regresi linier
indeks browning, dimana nilai-nilai yang ada didalam tabel 4.44 yakni nilai slope
yang merupakan nilai kemiringan garis linier dengan nilai dari 0.005614 sampai
0.01143, Y-intercept yang merupakan nilai intercept sumbu y dengan nilai dari
0.05896 sampai 0.1, X-intercept yang merupakan nilai intercept sumbu x dengan
nilai dari -1.759 sampai -51.31, 1/slope merupakan nilai bagi dari sudut miring yang
didapat dengan nilai dari 29.83 sampai 178.1.
Best-fit values
Sampel Slope Y-intercept X-intercept 1/slope
Kontras 1 0.02041 0.1352 -6.623 48.99
Kontras 2 0.01683 0.1636 -9.718 59.4
Kontras 3 0.01881 0.1413 -7.511 53.17
Kontras 4 0.01864 0.1531 -8.214 53.64
Kontras 5 0.01789 0.1569 -8.771 55.89
116
Pada tabel 4.45 berisikan nilai standart error, dimana kondisi ini
difungsikan sebagai batas toleransi kesalahan didapatkan. Nilai-nilai pada tabel
4.45 yakni nilai error dari slope yang merupakan nilai error kemiringan dari garis
linier pada model yang didapatkan yang bernilai 0.003327 sampai 0.00197. Y-
intercept yang merupakan nilai error intercept dari garis sumbu y pada model yang
telah dimodelkan dengan rentang nilai 0.05259 sampai 0.0236, R square yang
bernilai 0.8801 sampai 0.758 dan Sy.x yang didapat nilai 0.07054 sampai 0.0401,
Equation yang berisikan dengan urutan yang didapatkan yakni dari Equation 1
untuk kontras 1 dengan nilai Y = 0,02041*X + 0,1352, sampai Equation 20 untuk
kontras 20 dengan nilai Y = 0,01712*X + 0,1779.
Pada tabel 4.46 berisikan nilai fit terbaik yang didapatkan dari regresi linier
indeks browning, dimana nilai-nilai yang ada didalam tabel 4.46 yakni nilai slope
yang merupakan nilai kemiringan garis linier dengan nilai dari -0.0008 sampai
0.000181, Y-intercept yang merupakan nilai intercept sumbu y dengan nilai dari
0.8114 sampai 0.9443, X-intercept yang merupakan nilai intercept sumbu x dengan
nilai dari -618.9 sampai 1077, 1/slope merupakan nilai bagi dari sudut miring yang
didapat dengan nilai dari -1251 sampai 972.2.
Didalam tabel 4.47 berisi nilai error dari slope yang bernilai 0.002646
sampai 0.0015. Y-intercept dari sumbu y yang bernilai 0.02733 sampai 0.0317, R
square yang bernilai 0.008326 sampai 0.1489 dan Sy.x nilai yang didapat 0.06823
sampai 0.0529, Equation 1 untuk entropi 1 dengan nilai Y = 0,001479*X + 0,8732,
sampai Equation 20 untuk entropi 20 dengan nilai Y = -0,001078*X + 0,8657.
5.1 Kesimpulan
Berdasarkan hasil penelitian, analisis, dan perancangan sistem
pengkombinasian metode pengklasifikasi Gaussian dan FCM, maka dapat diambil
kesimpulan:
1. Kesegaran pada citra buah salak telah diidentifikasi menggunakkan basis
kombinasi metode pengklasifikasian Gaussian dan FCM yang diterapkan
konversi warna GLCM dan Lab, namun memiliki kekurangan ketika
menggunakan konversi warna Lab yang salah satu warna dari ke tiga warna
konversi yakni warna biru cenderung sulit didapatkan ketika proses konversi
disebabkan warna sampel citra buah salak yang digunakan memiliki
kecenderungan warna gelap diseluruh area kulitnya.
2. Pada training didapatkan nilai target didapat nilai dari 0.1 sampai 0.3. Kemudian
pada perbandingan data didapat nilai dari 0.002 sampai 0.02. Dan pada
∑Perbandingan didapatkan nilai dari 0.728 sampai 0.29. Dengan hasil akhir
MSE training yang merupakan nilai kuadrat error rata-rata berkisar dari 0.028
sampai 0.189.
3. Sistem identifikasi dan deteksi kesegaran pada sampel citra buah salak berbasis
kombinasi metode pengklasifikasian Gaussian dan FCM. Dari penggunaan
metode pengklasifikasian Gaussian didapatkan bahwa terdapat 3 kelas periode
yakni periode segar, peralihan, hingga masuk pada masa pembusukan.
Kemudian kelas yang didapatkan sebelumnya dijadikan penanda kelompok
membership pada metode FCM sehingga didapatkan rata-rata persebaran
131
132
klasterisasi yang berisikan 9 node dengan warna hijau menandakan masuk pada
periode segar, 6 node berwarna kuning menandakan masuk pada periode
peralihan, 6 berwarna merah menandakan masuk pada periode pembusukan.
4. Didapatkan nilai presentase deteksi kesegaran pada citra buah salak pondoh pada
sampel 1-20 yang telah diteliti dalam 20 hari yang didapatkan dominan memiliki
kemampuan mempertahankan kesegarannya dari hari pertama sampai pada hari
ke 10 dengan aspek presentase kesegaran rata-rata berada pada 100% sampai
pada 70%.
5. Dapat dibuktikan bahwa hasil nilai identifikasi citra buah salak pondoh dapat
dimodelkan secara linier baik pada Equation regresi indeks browning dengan
hasil Equation 1 untuk Indeks Browning 1 dengan nilai Y = 6,246*X + (-12,30),
sampai Equation 20 untuk Indeks Browning 20 dengan nilai Y = 5,910*X + (-
11,62) seperti pada tabel 4.23. Dan Equation regresi kontras dengan hasil
Equation 1 untuk kontras 1 dengan nilai Y = 0,02041*X + 0,1352, sampai
Equation 20 untuk kontras 20 dengan nilai Y = 0,01712*X + 0,1779 seperti pada
tabel 4.25. Equation entropi dengan hasil Equation 1 untuk entropi 1 dengan
nilai Y = 0,001479*X + 0,8732, sampai Equation 20 untuk entropi 20 dengan
nilai Y = -0,001078*X + 0,8657 seperti pada tabel 4.27.
6. Pada testing didapatkan nilai target dengan rentang nilai 0.1 sampai 0.3, trend
data dengan rentang nilai 0.219 sampai 0.16, perbandingan data dengan nilai
0.098 sampai 0.02. Kemudian pada ∑Perbandingan didapatkan dengan nilai
0.847 sampai 0.44. Dengann hasil akhir MSE testing dengan nilai 0.141 sampai
0.003 seperti pada tabel 4.28.
5.2 Saran
Sesuai dengan hasil pembahasan pada pembahasan sebelumnya maka
penulis dapat memberikan saran-saran sebagai berikut :
1. Kedepannya dikarenakan buah salak merupakan salah satu makanan, maka
untuk mendapatkan hasil konversi warna yang sesuai dengan anjuran
pengindeksian warna citra makanan, mungkin dapat dicari konversi warna lain
133
yang lebih baik dari pada konversi warna Lab yang setelah diterapkan pada
penelitian ini yang memiliki kekurangan ketika mengindeksi warna biru dalam
konversi warna citra buah salak dengan kulitnya yang berwarna gelap.
2. Pada pengembangan selanjutnya mungkin dapat mengembangkan model deteksi
dari kesegaran buah salak yang lebih terperinci.
3. Jika penelitan digali dan dikaji lebih dalam dimungkinkan dapat menambahkan
beberapa output kesegaran, keadaan/kondisi dan beberapa parameter output lain
tentu dengan menambahkan parameter data identifikasi atau model metode lain
untuk mendeteksi kesegaran melalui citra buah salak tanpa mengupas kulitnya.
4. Sangat disarankan pada penelitian selanjutnya yang dikembangkan untuk
mempertimbangkan aspek rasa dari pada buah salak pondoh yang menjadi
sampel, sebab dari penelitian yang telah dilakukan ini didapatkan bahwa tidak
semua dari sampel buah salak pondoh yang terdeteksi warnanya masih bagus
tersebut memiliki rasa manis atau rasa yang sama.
DAFTAR PUSTAKA
134
135
122–126, 2018.
[12] M. Bhuvaneswari, “Gaussian mixture model: An application to parameter
estimation and medical image classification,” J. Sci. Innov. Res., vol. 5, no.
3, pp. 100–105, 2016.
[13] D. D. Bhosale, “Use of Digital Image Processing for Grain Counting,” Int.
J. Adv. Res. Comput. Sci. Manag. Stud., vol. 3, no. 3, pp. 6–9, 2015.
[14] Ulyarti, “Aplikasi metode simple digital imaging untuk memdeteksi
pembentukan warna tepung hasil pengolahan umbi uwi ungu (dioscorea
alata),” vol. 18, 2016.
[15] Y. Chen, W. Kao, and K. Lin, “Food Chemistry Effects of pH on the total
phenolic compound , antioxidative ability and the stability of dioscorin of
various yam cultivars,” vol. 107, pp. 250–257, 2008.
[16] J. Somasekar, G. Ramesh, G. Ramu, P. D. Kumar, B. E. Reddy, and C. Lai,
“A dataset for automatic contrast enhancement of microscopic malaria
infected blood RGB images,” Data Br., vol. 27, p. 104643, 2019.
[17] Butler. Mairead et al, “Original contribution differentiation of vascular
characteristics using contrast- enhanced ultrasound imaging,” vol. 45, no. 9,
pp. 2444–2455, 2019.
[18] M. Sahnoun et al., “A Modified DWT-SVD Algorithm for T1-w Brain MR
Images Contrast Enhancement,” IRBM, vol. 40, no. 4, pp. 235–243, 2019.
[19] H. Shah, N. Badshah, F. Ullah, and A. Ullah, “Biomedical Signal Processing
and Control A new selective segmentation model for texture images and
applications to medical images,” Biomed. Signal Process. Control, vol. 48,
pp. 234–247, 2019.
[20] P. M. Silva and J. B. Florindo, “Using down-sampling for multiscale analysis
of texture images,” Pattern Recognit. Lett., vol. 125, pp. 411–417, 2019.
[21] Tan, Steinbach, and Kumar, “Data Mining Cluster Analysis : Basic Concepts
and Algorithms,” pp. 1–101, 2010.
[22] M. N. Qureshi and M. V. Ahamad, “An Improved Method for Image
Segmentation Using K-Means Clustering with Neutrosophic Logic,”
Procedia Comput. Sci., vol. 132, pp. 534–540, 2018.
[23] N. Dhanachandra, K. Manglem, and Y. J. Chanu, “Image Segmentation
Using K-means Clustering Algorithm and Subtractive Clustering
Algorithm,” Procedia Comput. Sci., vol. 54, pp. 764–771, 2015.
[24] N. Vasconcelos, “The Gaussian classifier Bayesian decision theory.”
[25] A. Petrović, M. Nikolić, M. Jovanović, and B. Delibašić, “Gaussian
Conditional Random Fields for Classification,” pp. 1–16, 2019.
136
[26] T. Li, A. Prasad, and P. K. Ravikumar, “Fast Classification Rates for High -
dimensional Gaussian Generative Models,” Adv. Neural Inf. Process. Syst.
28, pp. 1054–1062, 2015.
[27] G. V Suresh, E. V Reddy, and S. Shaik, “Classification of Uncertain Data
using Gaussian Process Model,” vol. 1, no. 4, pp. 306–312.
[28] T. Broderick and R. B. Gramacy, “Treed Gaussian process models for
classification,” Stud. Classif. Data Anal. Knowl. Organ., pp. 101–108, 2010.
[29] L. Scrucca, M. Fop, T. B. Murphy, and A. E. Raftery, “mclust 5: Clustering,
Classification and Density Estimation Using Gaussian Finite Mixture
Models.,” R J., vol. 8, no. 1, pp. 289–317, 2016.
[30] J. Hensman and R. E. Turner, “Infinite-Horizon Gaussian Processes,” no.
NeurIPS, 2018.
[31] M. Bevilacqua, R. Furrer, T. Faouzi, and E. Porcu, “Estimation and
prediction using generalized wendland covariance functions under fixed
domain asymptotics,” Ann. Stat., vol. 47, no. 2, pp. 828–856, 2019.
[32] R. B. Gramacy and N. G. Polson, “Particle learning of gaussian process
models for sequential design and optimization,” J. Comput. Graph. Stat., vol.
20, no. 1, pp. 102–118, 2011.
[33] Y. Altun, A. Smola, and T. Hofmann, “Exponential families for conditional
random fields,” pp. 2–9, 2004.
[34] R. M. Neal, “Regression and classification using {G}aussian process priors,”
Bayesian Stat., vol. 6, pp. 475–501, 1999.
[35] A. B. Chan and D. Dong, “Generalized gaussian process models,” Proc.
IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., pp. 2681–2688,
2011.
[36] D. Milios, R. Camoriano, P. Michiardi, L. Rosasco, and M. Filippone,
“Dirichlet-based Gaussian Processes for Large-scale Calibrated
Classification,” no. NeurIPS 2018, 2018.
[37] V. Bell, “Bayesian Conditional Gaussian Network Classifiers with
Applications to Mass Spectra Classification,” pp. 1–26, 2013.
[38] T. Li and X. Yi, “Minimax Gaussian Classification & Clustering,” vol. 54,
2017.
[39] H. Zeng and Y. Cheung, “A new feature selection method for Gaussian
mixture Clustering,” vol. 42, 2009.
[40] K. M. De, C. E. Rasmussen, and C. M. De, “Assessing Approximate
Inference for Binary Gaussian Process Classification Malte Kuss,” J. Mach.
Learn. Res., vol. 6, pp. 1679–1704, 2005.
137