Deteksi Tingkat Kesegaran Buah Salak Pondoh Dengan Indentifikasi Indeks Browning, Tekstur, Dan Kontras Menggunakan Kombinasi Metode Pengklasifikasi

UNIVERSITAS DIPONEGORO
DETEKSI TINGKAT KESEGARAN BUAH SALAK PONDOH DENGAN

IDENTIFIKASI INDEKS BROWNING, TEKSTUR, DAN KONTRAS
MENGGUNAKAN KOMBINASI METODE PENGKLASIFIKASI
GAUSSIAN DAN FUZZY C-MEANS
TESIS
“Diajukan sebagai salah satu syarat untuk memperoleh gelar Magister Teknik ”
Oleh :
Muhammad Muslim
21060118420016
DEPARTEMEN TEKNIK ELEKTRO

PROGRAM STUDI MAGISTER
UNIVERSITAS DIPONEGORO
SEMARANG
Desember 2020
HALAMAN PERNYATAAN ORISINALITAS
Tesis ini adalah hasil karya saya sendiri,

dan semua sumber baik yang dikutip maupun yang dirujuk telah saya
nyatakan dengan benar.
NAMA : Muhammad Muslim

NIM : 21060118420016
Tanda Tangan : ......................................
Tanggal :
ii
HALAMAN PENGESAHAN
Tesis ini diajukan oleh :

NAMA : Muhammad Muslim
NIM : 21060118420016
Departemen/Program Studi : Teknik Elektro/Magister Teknik Elektro
Judul Tesis : Deteksi tingkat kesegaran buah salak pondoh dengan identifikasi
indeks browning, tekstur, dan kontras menggunakan kombinasi
metode pengklasifikasi gaussian dan fuzzy c-means
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
Pembimbing I : Dr. Maman Somantri, S.T., M.T. ( ........................ )
Pembimbing II : Ahmad N. Al-Baarri, S.Pt. MP. Ph.D. (. ....................... )
Penguji I : Dr. Ir. R. Rizal Isnanto, M.M., M.T., IPM. (......................... )
Penguji I : Aghus Sofwan, S.T., M.T., Ph.D. (......................... )
Penguji III : Mochammad Facta, S.T., M.T., Ph.D. (......................... )
Semarang, ..................................
Ketua Departemen Teknik Elektro
Dr. Wahyudi, ST, MT

NIP. 196906121994031001
iii
HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI
TESIS UNTUK KEPENTINGAN AKADEMIS
Sebagai sivitas akademika Universitas Diponegoro, saya yang bertanda tangan di

bawah ini :
Nama : Muhammad Muslim
NIM : 21060118420016
Program Studi : MAGISTER (S2)
Departemen : TEKNIK ELEKTRO
Fakultas : TEKNIK
Jenis Karya : TESIS
demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada
Universitas Diponegoro Hak Bebas Royalti Noneksklusif (Non-exclusive Royalty
Free Right) atas karya ilmiah saya yang berjudul :
“Deteksi Tingkat Kesegaran Buah Salak Pondoh Dengan Identifikasi Indeks

Browning, Tekstur, Dan Kontras Menggunakan Kombinasi Metode Pengklasifikasi
Gaussian Dan Fuzzy C-Means”
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.
Keywords: image identification of the freshness of snake fruit, image detection,

Gaussian classifier, fuzzy c-mean.
vi
KATA PENGANTAR
Puji syukur penulis panjatkan Kehadirat Allahlyang telah melimpahkan

rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan tesis yang berjudul
“Deteksi Tingkat Kesegaran Buah Salak Pondoh Dengan Identifikasi Indeks
Browning, Tekstur Dan Kontras Menggunakan Kombinasi Metode Pengklasifikasi
Gaussian Dan Fuzzy C-Means”.
Tesis ini disusun sebagai salah satu syarat untuk memperoleh gelar sarjana
strata dua pada Jurusan Magister Teknik Elektro Fakultas Teknik Universitas
Diponegoro Semarang. Dalam menyusun laporan Tesis ini, banyak didapatkan
bimbingan, arahan dan bantuan dari berbagai pihak. Oleh sebab itu dengan segala
kerendahan hati, penulis mengucapkan terima kasih dengan tulus kepada:
1. Dr. Wahyudi, ST, MT selaku Ketua Departemen Teknik Elektro Fakultas
Teknik Universitas Diponegoro
2. Mochammad Facta, ST, MT, Ph.D selaku Ketua Program Studi Magister
Teknik Elektro Universitas Diponegoro
3. Dr. Maman Somantri, S.T., M.T selaku dosen pembimbing I
4. Ahmad N. Al-Baarri, S.Pt. MP. Ph.D selaku dosen pembimbing II
5. Semua pihak yang telah membantu hingga selesainya Tesis ini, yang tidak
dapat Penulis sebutkan satu persatu.
Penulis menyadari bahwa dalam laporan ini masih banyak terdapat
kekurangan baik dari penyampaian materi maupun isi dari materi. Oleh karena itu,
kritik dan saran yang bersifat membangun sangat diharapkan. Semoga laporan
Tesis ini dapat bermanfaat bagi penulis dan juga pembaca pada umumnya.
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
Gambar 2.1 GP regression ............................................................................. 8

Gambar 2.2 (a) Histogram citra, (b) Hubungan ketetanggaan antar piksel .......11
Gambar 2.3 Matriks asal ............................................................................12
Gambar 2.4 Pembentukan matriks kookurensi dari matrik asal .......................13
Gambar 2.5 GLCM simetris ..........................................................................14
Gambar 2.6 Pengklasifikasian P (𝐶𝑘 | x) ....................................................... 21
Gambar 2.7 Probabilitas posterior ................................................................ 22
Gambar 2.8 Grafik ....................................................................................... 22
Gambar 3.1 Alur metode penelitian ...............................................................26
Gambar 3.2 Desain alur traning testing system.............................................. 29
Gambar 3.3 Desain system ........................................................................... 30
Gambar 3.4 Proses awal............................................................................... 31
Gambar 3.5 Integrasi pola ............................................................................ 32
Gambar 3.6 Pecahan poin............................................................................. 32
Gambar 3.7 Ortan ........................................................................................ 33
Gambar 3.8 Illustrasi reject point ................................................................. 34
Gambar 3.9 Discard..................................................................................... 34
Gambar 3.10 Accepted ................................................................................... 34
Gambar 3.11 Desain klasifikasi ...................................................................... 35
Gambar 3.12 Desain klasterisasi..................................................................... 36
Gambar 3.13 Desain deteksi........................................................................... 36
Gambar 4.1 Sampel citra buah salak ............................................................. 38
Gambar 4.2 Contoh filter Gaussian pada sampel buah salak hari ke 1-20 ....... 39
Gambar 4.3 Contoh konversi L*a*b dan grayscale sampel data hari ke 1-10.. 40
Gambar 4.4 Contoh konversi L*a*b dan grayscale sampel data hari ke 11-20 40
Gambar 4.5 Tampilan GUI main menu ......................................................... 43
Gambar 4.6 Tampilan identifikasi ................................................................ 44
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 4.28 Hasil klasterisasi sampel citra buah salak 10 .............................. 76
Gambar 4.29 Hasil identifikasi kesegaran sampel citra buah salak 10 .............. 78
xi
Gambar 4.43 Hasil identifikasi kesegaran sampel citra buah salak 17 ............ 101
Gambar 4.44 Hasil klasterisasi sampel citra buah salak 18 ............................ 103
Gambar 4.50 Regresi indeks browning ......................................................... 111
Gambar 4.51 Regresi kontras ....................................................................... 114
Gambar 4.52 Regresi entropi........................................................................ 117
xii
DAFTAR TABEL
Tabel 2.1 Area kerja matriks 13

Tabel 2.2 GLCM simetris ternormalisasi dari matriks asal 14
Tabel 2.3 Tabel Studi literatur 25
Tabel 2.4 Tabel Studi literatur (lanjutan) 26
Tabel 3.1 Deskripsi tahapan metode penelitian 27
Tabel 3.2 Detail deskripsi sampel data penelitian 28
Tabel 4.1 Hasil training sampel citra buah salak 41
Tabel 4.2 Hasil training sampel citra buah salak (lanjutan) 42
Tabel 4.3 Hasil training sampel citra buah salak (lanjutan) 43
Tabel 4.4 Rekap identifikasi sampel citra buah salak 1 46
Tabel 4.5 Rekap analisis sampel citra buah salak 1 48
Tabel 4.7 Rekap identifikasi sampel citra buah salak 2 (lanjutan) 50
Tabel 4.11 Rekap analisis sampel citra buah salak 3 (lanjutan) 55
xiii
xiv
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
xv
BAB I
PENDAHULUAN
1.1 Latar Belakang

Buah salak merupakan salah satu buah yang memiliki banyak manfaat dan
memiliki kandungan antioksidan yang berguna untuk kesehatan. Buah salak
memiliki manfaat sebagai antioksidan, penurun kolesterol, pemutih kulit,
antihiperurekemia, antimikroba, antidiabetik[1-3]. Buah salak merupakan salah
satu buah tropika yang memiliki karakteristik tersendiri dari bentuk buah, daging
buah, dan kulit. Namun, buah salak memiliki kerentanan terhadap taparan udara
seperti CO2 yang dapat mengakibatkan terjadinya percepatan hilangnya antioksidan
dan pembusukan sehingga dibutuhkan cara tersendiri untuk mengamatinya .
Tingkat perubahan kesegaran pada buah salak dapat dilihat perubahannya
dari umur buah pada hari ke 3 sampai dengan hari ke 15[4]. Dengan mengetahui
masing – masing nilai warna bawaan dari L*, a* dan b* yang dihasilkan sehingga
mempermudah dalam mendeteksi kesegaran dari buah salak. Pada buah seringkali
dijumpai terjadinya masalah pembusukan yang dipengaruhi oleh temperatur suhu
udara atau perbedaan periode masa penyimpanan ketika proses pendistribus ian
buah. Oleh sebab itu diterapkannya penguapan menggunakan ethanol vapor sering
digunakan untuk menghambat terjadinya pembusukan pada buah[5-7]. Namun hal
ini sedikit sulit diterapkan pada buah yang memiliki kulit berselaput bersisik seperti
salak. Pada tanaman yang letaknya dekat dengan tanah memiliki kerentanan
terjadinya pembusukan yang lebih cepat seperti halnya salak atau buah sejenisnya.
Sebenarnya pada buah salak memiliki kandungan antioksidan yang
berfungsi menangkal udara radikal bebas, namun hal ini tidak untuk bertahan dalam
waktu periode yang panjang. Oleh sebab itu, banyak dilakukan pengaktifasian
antioksidan melalui percobaan-percobaan penelitian untuk mengaktifasi
antioksidan agar memiliki masa aktif yang lebih lama. Tidak hanya berhenti pada
1
2
proses pengaktifasian, melainkan dilakukan juga tahap improvisasi pada

antioksidan agar dapat aktif mengikuti periode yang diharapkan[8-10].
Secara garis besar permasalahan yang diteliti dalam penelitian ini mencakup
proses identifikasi kandungan antioksidan pada buah salak melalui pengambilan
sampel gambarnya, pencocokan dataset dan kowladge base, sehingga bidang yang
menjadi fokus objek dari penelitian ini selain bidang pengolahan citra adalah;
bidang kesehatan [12] dan bidang pangan[13]. Bidang kesehatan pada penelitian ini
hanya terfokuskan pada terapan serta implementasi pengolahan citra atau image
processing dengan parameter-parameter yang telah ada ketentuannya yang menjadi
standarisasi dalam pencocokan data. Dan bidang pangan pada penelitian ini hanya
terfokuskan pada terapan serta implementasi citra atau image processing dengan
objek sebagai sampel.
Indeks browning adalah nilai derajat keabuan yang dihasilkan oleh buah
atau sayur yang merupakan respon terhadap perubahan suhu dan waktu[14]. Model
regresi linear dua faktor ordo pertama dibangun untuk menduga sudut sebuah
indeks dimana dimodelkan sebagai, Y = βo +β1X1 + β2X2 + β3X1X2 + € [14].
Proses browning merupakan proses terbentuknya warna coklat pada bahan pangan
seperti buah atau sayur secara alami atau disebabkan oleh reaksi tertentu dan tidak
disebabkan oleh zat warna pada carotenoid[15]. Proses browning pada buah
merupakan salah satu masalah utama yang mempengaruhi kualitas buah dan juga
menyebabkan hilangnya nutrisi buah. Pada dasarnya proses browning dibagi
menjadi dua yaitu enzymatic browning dan non–enzymatic browning[15].
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.
Adapun kebanyakan yang diterapkan pada tahap klasterisasi untuk

memperkuat estimasi dan akurasi menerapkan metode klasterisasi k-mean, sebagai
metode yang memiliki kemampuan untuk melengkapi klassifikasi disisi klasterisasi
dan segmentasi. Adapaun klasterisasi k-mean merupakan jenis algoritma yang
mampu belajar tanpa pengawasan, yang digunakan ketika terdapat data yang tidak
berlabel (yaitu, data tanpa definisi kategori atau kelompok) namun k-mean
memiliki ketidak stabilan dalam memproses data yang memiliki sifat label
campuran. Tujuan dari algoritma ini adalah untuk menemukan kelompok dalam
data, dengan jumlah kelompok yang diwakili oleh variabel K. Algoritma k-mean
klasterisasi bekerja secara iteratif untuk menetapkan setiap titik data ke salah satu
grup K berdasarkan fitur yang disediakan[21-23]. Titik data yang dikelompokkan
berdasarkan kesamaan fitur[23].
Berhubungan dengan pengolahan citra atau pengolahan citra yang
digunakan pada penelitian ini, maka dibutuhkan metode sebagai mesin pengolah
data input yang dapat memproses data inputan sehingga dapat mengeluarkan output
sesuai dengan harapan hasil pada penelitian. Dengan demikian pada penilitan ini
diimplementasikan metode yang dapat melakukan pengklasifikasian sekaligus
mampu menetapkan hasil dengan tingkat akurasi yang tinggi dan tingkat error yang
sedikit. Maka dari itu pada penelitian ini diimplementasikan yakni; metode
pengklasifikasi gaussian pada dasar teorinya merupakan metode yang
dikembangkan untuk melakukan pengolahan data, proses klasifikasi dan fungsi-
fungsi lain[24].
Pengklasifikasi gaussian dapat digunakan dalam beberapa proses seperti;
proses klasifikasi[24–28], proses modeling proses[29], pengondisian[ 37] ,
4
klasterisasi[38], [39], dan aproksimasi[39–43]. Adapun yang dimaksud proses

klasifikasi adalah proses pembuatan kelas-kelas sebagai terusan dalam proses untuk
membedakan tiap data yang masuk agar dapat diinput sesuai dengan kelas yang
ada. Klasterisasi adalah proses penganalisisan data dengan cara mengelompokan
data berdasarkan klasterisasi. Aproksimasi adalah pemrosesan dengan
mempertimbangkan tingkatan level dan kuantitas.
Pengimplementasian pengklasifikasi gaussian pada penilitian ini salah
satunya bertujuan untuk mengenali pola pada gambar yakni; pengenalan pola
diimplementasikan dengan tujuan agar tekstur dari gambar dapat dideteksi[45-47] ,
Setelah dilakukan pengenalan pola maka selanjutnya dapat diketahui informasi
seberapa dalam tekstur dengan mendisain gambaran pola sehingga dapat ditentukan
informasi tentang kedalaman tekstur dari objek. Binarisasi dari objek yang diambil
sebagai data yang diproses meneruskan titik-titik yang membentuk pola. Dan
deteksi hasil keluaran berdasarkan tingkat kerumitan pola yang menggambarkan
kedalaman testur dari sampel objek input.
Penerapan Fuzzy c-mean membantu metode klasifikasi yang telah
diterapkan pada sisi kelasterisasi. Fuzzy c-mean memiliki kelebihan dalam terapan
untuk megolah terhadap data yang berlabel dan tidak berlabel[48-50]. Fuzzy c-
mean memiliki kemampuan optimasi belajar terhadap banyak kondisi yang
diberikan untuk melakukan klasterisasi. Fuzzy c-mean dapat diterapkan untuk
menjadi penyambung dari proses klasifikasi menuju proses segmentasi atau
mungkin juga proses klasterisasi tanpa harus membebankan data diolah dalam
klasifikasi yang sedemikian rupa untuk dilakukan klasterisasi.
1.2 Perumusan Masalah

Berdasarkan latar belakang masalah yang telah dipaparkan, maka
pertanyaan penelitian yang diangkat pada penelitian ini adalah sebagai berikut:
1. Berapa nilai identifikasi citra buah salak pondoh dari parameter data indeks
browning, kontras dan tekstur?
5
2. Berapa nilai presentase deteksi kesegaran buah salak pondoh menggunakan

metode pengklasifikasi gaussian dan fuzzy c-mean?
1.3 Tujuan Penelitian

Adapun tujuan dilakukannya penelitian ini adalah sebagai berikut:
1. Mengidentifikasi parameter indeks browning, kontras dan tekstur untuk dapat
dimodelkan dan dipetakan persebaran datanya pada klasterisasi.
2. Mendeteksi kesegaran buah salak pondoh melalui model klasterisasi yang telah
diidentifikasi.
3. Memvisualkan hasil deteksi kesegaran buah salak pondoh berdasarkan
presentase kesegaran dan periode kesegaran beserta rentang harinya.
1.4 Manfaat Penelitian

Adapun Manfaat dilakukannya penelitian ini adalah sebagai berikut:
1. Membantu mempermudah proses didapatkannya presentase kesegaran buah
salak pondoh melalui deteksi menggunakan citra buah salak pondoh.
2. Membantu mempercepat diperolehnya pendugaan rentang waktu bertahannya
kesegaran buah salak pondoh melalui citra.
1.5 Ruang lingkup

Ruang lingkup masalah ini yang dibahas adalah sebagai berikut:
1. Pengenalan yang dibangun diperuntukan untuk digunakan untuk membantu
pendeteksian mengetahui kemampuan buah salak pondoh mempertahankan
kesegaran.
2. Terapan metode dilakukan dalam estimasi pengidentifikasian dan
pendeteksian.
6
1.6 Batasan Masalah

Batasan masalah ini bertujuan agar tidak menyimpang dari permasalahan
yang dibahas. Maka dari itu pembatasan masalah tesis ini adalah sebagai berikut:
1. Parameter yang digunakan data pada ciri tekstur gambar buah salak pondoh.
2. Implementasi citra gambar ditetapkan pada jenis “buah salak pondoh” sebagai
sampel objek penelitian agar dimudahkan untuk mendapatkan data set dan
sampel
BAB II
KAJIAN PUSTAKA
2.1. Penelitian Terdahulu

2.1.1 Pengklasifikasian Gaussian
Proses Gaussian model menyediakan pendekatan yang bisa ditafsirkan
untuk pemodelan probabilistik, dan mungkin lebih luas diterapkan untuk
kompleksitas komputasi terkait naive yang merupakan implementasi dari Gaussian
proses (GPs) yang memerlukan konstruksi dan dekomposisi matriks kernel dengan
bobot 𝑂( n3 ), di mana n adalah jumlah data. Dalam hal ini, dipertimbang kan
Gaussian proses pada keadaan GPs dengan satu input dimensi. Kemudian,
konstruksi matriks kernel dapat diolah dengan mengeksploitasi (perkiraan) struktur
Markov dari proses dan penulisan ulang modelnya sebagai model ruang state space
Gaussian linear, yang kemudian dapat dipecah menggunakan Kalman filtering.
Adapun Kalman filtering memiliki bobot 𝑂 (m3 𝑛), di mana 𝑚 adalah dimensi dari
ruang state space. Sehingga diusulkan penggunataksiran Infinite-Horizon GP
(IHGP), yang mengurangi bobot cost untuk 𝑂(m3 𝑛)[33].
Sebagai mana 𝑚 masuk pada jumlah komponen kernel di GP sebelumnya,

sebagai pengurangan beban sehingga menjadi signifikan bagi banyak model GP.
Misalnya, statistik otomatis pencari kernel (pada dataset 1D) menggunakan jumlah
produk kernel. Penjumlahan dua kernel menghasilkan penggabungan ruang dan
produk dari kernel menghasilkan jumlah Kronecker dari statespaces. Dengan ini
dapat cepat menghasilkan dimensi yang sangat tinggi yang menunjukkan hasil
kernel yang sama dengan yang dibangun dalam eksperimen [35].
Gaussian proses dapat diterapkan pada sistem berbasis Real-time atau

streaming, yang memanfaatkan waktu seri yaitu dengan skala pendek dan panjang
berbentuk non-Gaussian berkemungkinan berisi noise dan berstruktur non-
stasioner. Penggunaan Gaussian proses dapat menunjukkan bagaimana Infinite-
7
8
Horizon (IHGP) dapat diterapkan dalam pengaturan streaming, termasuk estimasi

yang efisien dari kemungkinan marjinal dan gradien terkait [36]. Seperti yang
ditunjukan pada gambar 2.1.
Gambar 2.1 GP regression
Untuk data di mana asumsi kebisingan Gaussian mungkin tidak sesuai,

banyak pendekatan telah diusulkan untuk pendekatan. Di sini menunjukkan
bagaimana untuk menggabungkan penyaringan kepadatan diasumsikan (ADF, alias
Single-Sweep harapan propagasi, dengan Infinite-Horizon (IHGP). Aplikasi untuk
log-Gaussian Cox Processes (LGCP). Biasanya model (log-Gaussian Cox
Processes) LGCP menggunakan Binning untuk menghindari model ganda dalam
hal ini diinginkan untuk memiliki lebih banyak tempat untuk menangkap efek
memanjang-memendek, mengarah ke lebih banyak poin waktu. Selain itu,
keinginan untuk menangkap efek jangka panjang dan pendek berarti bahwa dimensi
ruanglingkup dapat membesar[36].
2.1.2 Ciri Warna dan Tekstur

Untuk mendapatkan hasil ciri warna dan tekstur yang lebih baik, masing-
masing citra dibagi menjadi enam blok, hal ini lebih akurat jika dua baris dan tiga
kolom dengan ukuran yang sama. Dalam penelitian ini, gambar diubah ukurannya
untuk 160×240 untuk memperoleh hasil yang lebih baik. Ada banyak ruang warna
yang berbeda dengan standarisasi yang telah ditetapkan, yang paling umum adalah
RGB atau CMYK. Namun, untuk aplikasi ini HSV dianggap menjadi yang terbaik,
di samping itu fitur warna lain yang diusulkan bernama Average Color Dominance
9
(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:
1. Resize gambar kedalam ukuran 60×240

2. Bagi gambar menjadi 6 blok
3. Loop: lakukan untuk setiap blok gambar:
a. Kuantitasi blok menggunakan sebuah timpaan median potong
kuantitas ke sebelas warna
b. Menghitung berapa kali setiap warna yang ada dengan warna yang
mirip dengan 4-tetangga warna pixel 3, 3-kuantitas 3-dimensi RGB
vektor menjadi 1-Dimensi vektor sama dengan rata-rata R, G, dan B
komponen = (R + G + B)/3
c. Hitung rerata dari 3 warna terbanyak yang paling banyak dihitung
(nilai rerata RGB)
d. Simpan nilai rata RGB (nilai ACD) ke dalam database untuk blok
gambar ini
4. End Loop
Dalam penelitian sebelumnya, Gray-Level Co-occurence Matrix (GLCM)

dibuat untuk menyediakan beberapa informasi tekstur. Dari GLCM ini, nilai-nila i
numerik tertentu dapat diekstraksi untuk memasok berbagai jenis informasi tentang
tekstur citra[51].
10
Algoritma Generasi GLCM adalah sebagai berikut:
1. Mengkuantisasi histogram gambar asli yang gray-scale sejumlah buangan

yang diketahui
2. Buat matriks 3 × 3: M (i, j)
3. loop: untuk setiap i, j pasangan dalam matriks M (i, j):
a. Hitung jumlah pasangan dalam gambar asli sesuai dengan hubungan
b. Menyimpan jumlah pasangan ke dalam GLCM di posisi (i, j)
4. End loop
5. Menormalisasikan GLCM (i, j) dengan membagi semua nilainya dengan
jumlah pasangan pixel
Pengaplikasian yang sebenarnya dari penelitian ini adalah pengambilan

citra yang didasarkan pada kesamaan konten. Untuk melakukan ini dilakukan
perbandingan data yang diambil dari masing-masing citra. Setiap citra memiliki
informasi untuk 6 blok yang harus dibandingkan. Kesesuaian blok sumber citra dan
citra yang disimpan dibandingkan terhadap satu sama lain, yaitu blok pertama dari
citra yang tersimpan dibandingkan dengan blok pertama dari sumber citra, blok
kedua dari citra yang dibandingkan dengan blok kedua dari sumber citra dan
seterusnya[51].
2.2 Landasan Teori

Pada penelitian ini dilandaskan pada penerapan beberapa model metode
yang dihubungkan satu sama lain. Adapun metode utama yang digunakan sebagai
pengolah utama yaitu pengklasifikasi gaussian dan fuzzy c-mean. Dimana didalam
penerapannya ada tahap klasifikasi kemudian dilanjutkan dengan klasterisasi.
Didalam proses klasifikasi diterapkan metode pengklasifikasi gaussian, kemudian
pada proses klasterisasi diterapkan fuzzy c-mean yang didalam proses klasterisasi
ada proses pengambangan nilai dari proses-proses klasifikasi agar dapat diambil
dan dilanjutkan kepada proses klasterisasi.
11
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].
Gambar 2.3 Matriks asal
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
Tabel 2.1 Area kerja matriks
Hubungan spasial untuk d=1 dan θ=0o pada matriks diatas dapat dituliskan dalam
matriks seperti pada gambar 2.4.
Gambar 2.4 Pembentukan matriks kookurensi dari matrik asal
Sudut orientasi menentukan arah hubungan tetangga dari piksel-pikse l

referensi, orientasi θ=0o berarti acuan dalam arah horizontal atau sumbu x positif
dari piksel-piksel referensi. Acuan sudut berlawanan arah jarum jam. Angka 2 pada
(0,0) berarti jumlah hubungan pasangan (0,0) pada matriks asal berjumlah 2.
Matriks kookurensi yang didapat kemudian ditambahkan dengan matriks
transposenya untuk menjadikannya simetris terhadap sumbu diagonal. Berikut ini
adalah (i, j) dari matriks asal ditambahkan dengan transposenya, dan hasilnya
simetris, seperti pada gambar 2.5.
14
Gambar 2.5 GLCM simetris
Matriks yang telah simetris selanjutnya harus dinormalisasi, elemen-

elemennya dinyatakan dengan probabilitas. Nilai elemen untuk masing-masing sel
dibagi dengan jumlah seluruh elemen spasial. Matriks yang telah dinormalisasi
diperlihatkan pada tabel 2.2. Nilai 0,1667 pada (0,0) diperoleh dari 4 dibagi jumlah
seluruh nilai piksel yaitu 24.
Tabel 2.2 GLCM simetris ternormalisasi dari matriks asal
Langkah-langkah untuk membuat GLCM simetris ternormalisasi secara berurutan

seperti pada poin 1 sampai 5[52].
1. Membuat area kerja matriks.

2. Menentukan hubungan spasial antara piksel referensi dengan piksel
tetangga, berapa nilai sudut θ dan jarak d.
3. Menghitung jumlah kookurensi dan mengisikannya pada area kerja.
4. Menjumlahkan matriks kookurensi dengan transposenya untuk
menjadikannya simetris.
5. Normalisasi matriks untuk mengubahnya ke bentuk probabilitas.
15
Tahapan selanjutnya yang harus dilakukan untuk mendapatkan ciri GLCM

adalah dengan cara melakukan perhitungan ciri statistik orde dua dari citra bahan.
Terdapat 5 parameter yang diusulkan Haralick untuk mendapatkan fitur GLCM
seperti yang diterangkan pada poin 1 sampai 5[52].
1. ASM (Angular Second Moment)

Digunakan untuk mengukur konsentrasi pasangan piksel dengan
intensitas keabuan tertentu pada matriks GLCM. Nilai ASM berbanding
lurus semakin besar jika variasi intensitas pada citra mengecil. Fungsi untuk
menghitung ASM ditunjukkan oleh persamaan (1)[52].
(1)
Keterangan:
L = mewakili jumlah level yang digunakan untuk komputasi.
i = nilai piksel referensi,
j = nilai piksel tetangga,
P (i, j) = nilai matriks kookurensi ternormalisasi dengan i sebagai nilai
piksel referensi dan j sebagai nilai piksel tetangga
2. Kontras
Digunakan untuk mengukur perbedaan intensitas atau variasi
keabuan piksel dalam citra. Persamaan (2) digunakan untuk mengukur
kontras suatu citra[52].
(2)
3. IDM (Inverse Different Moment)

Fitur penanda atas kehomogenan citra yang memiliki derajat
keabuan sejenis pada matriks kookurensi. Nilai IDM berbanding lurus
16
semakin besar bila pasangan piksel yang memenuhi syarat matriks

intensitas kookurensi terkonsentrasi pada beberapa koordinat dan mengecil
jika letaknya menyebar. Fungsi yang digunakan untuk melakukan
perhitungan nilai IDM terdapat pada persamaan (3)[52].
(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)
Pada penelitian ini yang digunakan entropi dan tidak mengikutkan

beberapa ciri fitur lainnya, seperti ASM ataupun IDM. Adapun alasan pada
penelitian ini menggunakan entropi sebagai ciri tekstur dikarenakan bentuk
distribusi dari aras keabuan pada sampel buah salak yang telah dikonversi
ke warna abu terrjadi ketidak beraturan distribusi warna aras keabuannya.
5. Korelasi
Merupakan ukuran hubungan linear antar nilai aras keabuan dalam
citra. Fungsi korelasinya dapat dilihat pada pada persamaan (5).
(5)
Dalam menyelesaikan persamaan korelasi, didahulukan untuk

menghitung nilai dari variabel penyusunnya seperti ditunjukkan pada
persamaan (6), (7), (8), dan (9)[52].
17
(6)
(7)
(8)
(9)
2.2.2 Lab Color

Lab Color Model (Lab) berdasarkan kepada persepsi penglihatan manusia
terhadap warna. Lab merupakan salah satu dari beberapa model warna yang
diproduksi oleh Commission Internationale d’Eclairage (CIE), sebuah organisasi
yang dibentuk untuk menciptakan standar untuk semua aspek cahaya.Nilai numeric
di dalam Lab menguraikan semua warna yang ditangkap manusia dengan
penglihatan yang normal. Sebab, Lab menguraikan bagaimana suatu warna dilihat
serta dibandingkan dengan beberapa banyak bahan warna tertentu yang diperlukan
untuk suatu alat (seperti: suatu monitor, desktop printer, atau kamera digital) untuk
menghasilkan warna. Lab dianggap sebagai suatu device-independent color model.
Color management system menggunakan Lab sebagai acuan standarisasi warna
untuk perubahan yang dapat diramalkan, suatu bentuk warna dari satu color space
ke color space yang lain. Lab menguraikan warna dalam kaitannya dengan
luminance atau lightness-components (L) dan dua chromatic components (a),
komponen merah dan hijau dan (b) komponen (kuning dan biru)[53].
Identifikasi perbedaan warna menggunakan CIE L*A*B* koordinat ruang

warna L*a*b* dimodelkan setelah teori warna lainnya yang menyatakan bahwa dua
18
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)
ΔE* = Total perbedaan warna
ΔE ∗𝑎𝑏 √(ΔL ∗) 2 + (Δa ∗) 2 + (Δb ∗) 2 (10)
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].
2.2.3 Indeks Browning

2.2.3.1 Color Features
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
hingga 120[54]. Nilai L * diperkirakan menurun sebagai browning. Nilai L *

dinormalkan sebagai L */l0 * untuk menghilangkan heterogenitas diantara
sampel[54]. Nilai L * yang dinormalkan juga diharapkan menurun seiring waktu.
Seiring dengan ini, parameter warna lainnya seperti Hue (h), indeks browning (BI),
dan perubahan warna Total (ΔE) juga ditentukan dengan menggunakan persamaan.
𝐿∗
Norm𝑎𝑙𝑖𝑧𝑒𝑑 𝐿∗ 𝑣alue = (11)
𝐿∗0
ℎ = √𝑎 ∗2 + 𝑏 ∗2 (12)
∆𝐸 = √ (𝐿∗ − 𝐿∗0 ) 2 + (𝑎 ∗ − 𝑎 ∗0 )2 + (𝑎 ∗ − 𝑎 ∗0 )2 (13)
100(𝑥−0.31)
BI = (14)
0.17
𝑎∗+1.75 𝐿∗
x= (15)
5.645 𝐿∗+𝑎∗ − 3.012 𝑏 ∗
2.2.3.2 Textural features
1. Entropy
Berbanding terbalik dengan mengukur keacakan atau gangguan pada

gambar. Nilai entropy dapat ditemukan lebih tinggi untuk gambar yang kompleks .
Entropy diperkirakan bertambah dengan sewaktu browning terjadi. Pada saat 0,
entropy harus memiliki nilai yang lebih rendah dan ditingkatkan sebagai browning
yang terjadi, sebagian tekstur tetap halus sebelum kecoklatan dan berubah kasar
menyebabkan entropi cenderung meningkat[54].
𝐸𝑛𝑡𝑟𝑜𝑝𝑦 = ∑𝑖 ∑𝑖 𝑝 (𝑖, 𝑗) log 𝑝 (𝑖, 𝑗) (16)
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].
𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡 = ∑𝑘𝑖=1 ∑𝑘𝑗=1(𝑖 − 𝑗) 2 𝑃𝑖𝑗 (17)
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
menghasilkan semidefinite kovarian matrik positif v > KV ≥ 0 agar dapat diteruskan

kepada tahap klasifikasi, baik kepada bayesian ataupun gaussian[26].
2.2.5 Pengklasifikasi
2.2.5.1 Pengklasifikasi Bayesian
Estimasi pada bayesian yakni model regresi diberikan oleh 𝑧 = 𝑤 𝑇 𝑥, seperti

yang telah diasumsikan sebelumnya untuk parameter p (w), misalnya nol berarti
Gaussian. Kemudian pengamatan sejumlah poin: (XI, Zi), i = 1,..., N (pengabaian
titik data D). Distribusi posterior dari parameter yang diberikan oleh: p (w | D) = p
(D | w) p (w)/p (D)[26].
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)
kelas 𝐶𝑘 memberikan maksimum P (𝐶𝑘 | x) seperti pada gambar 2.2.

22
.
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.
2.2.5.2 Pengklasifikasi Gaussian
Tahap ini berfokus pada pemodelan probabilitas posterior, dengan

mendefinisikan variabel laten tertentu: Fi adalah variabel laten untuk pola i.
Pertimbangkan kasus dua kelas: Fi adalah ukuran dari tingkat keanggotaan kelas
C1, yang berarti jika Fi adalah positif dan besar → pola i milik kelas C1 dengan
probabilitas besar. Jika Fi negatif dan besar dalam magnitudo → pola i milik kelas
C2 dengan probabilitas besar[26]. Jika Fi dekat dengan nol, keanggotaan kelas
kurang pasti seperti pada gambar 2.3.
Gambar 2.7 Probabilitas posterior
Dimana Yi = 1 (Yi = − 1) menunjukkan bahwa pola i milik kelas C1 (C2). Sehingga

probabilitas posterior (untuk kelas C1) didapatkan seperti pada persamaan.
(20)
23
Sehingga dapat digambarkan dalam bentuk grafik seperti pada gambar 2.4.
Gambar 2.8 Grafik
Pertimbangan pola pengujian menggunakan probabilitas standar manipulasi, untuk

mendapatkan probabilitas bahwa pola tes milik kelas C1[26].
J∗ ≡ p(y∗ = +1|X,y,x∗) =∫ σ(f ∗)p(f ∗ |X, y, x ∗)df ∗ (21)
(Recall σ(f∗) ≡ P(y∗ = 1|f∗).) p(f∗|X,y,x∗) = ∫ p(f ∗ |X, x ∗, f)p(f|X,y)df (22)
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.
2.2.6 Fuzzy C-Means
Fuzzy C-Means merupakan teknik pengelompokan data yang keberadaan

setiap data dalam suatu kelompok yang ditentukan oleh nilai atau derajat
keanggotaan tertentu dan teknik ini pertama kali dikemukakan oleh Jim Bezdek
pada tahun 1981. Fuzzy C-Means menerapkan pengelompokan fuzzy, dimana setiap
data dapat menjadi anggota dari beberapa klasterisasi dengan derajat keanggotaan
yang berbeda-beda pada setiap klasterisasi. Fuzzy C-Means merupakan algoritma
iteratif, yang menerapkan iterasi pada proses klasterisasi data. Tujuan dari Fuzzy C-
Means adalah untuk mendapatkan pusat klasterisasi yang nantinya digunakan untuk
mengetahui data yang masuk ke dalam sebuah klasterisasi [55].
24
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
e. Kriteria penghentian (ɛ = nilai positif yang sangat kecil)

2. Membentuk matriks partisi awal U (derajat keanggotaan dalam klasterisasi),
matriks partisi awal biasanya dibuat secara acak
(24)
3. Menghitung pusat klasterisasi V untuk setiap klasterisasi
(25)
4. Memperbaiki derajat keanggotaan setiap data pada setiap klasterisasi

(perbaikan matriks partisi)
(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.
2.3 Skema Studi Literatur
Tabel 2.3 Tabel Studi literatur

No. Aspek Pengembangan Literatur yang diambil
materi Penelitian
1. Perlakuan Pengambilan sampel  Sudjijo, “Karakterisasi dan Evaluas i
pada buah citra buah salak Beberapa Aksesi Tanaman Salak,” vol. 18,
salak pondoh no. 4, pp. 373–379, 2008.
pondoh  A. N. Al-baarri et al, “Effect of
Hypoiodous Acid ( HIO ) Treatment on
26
Tabel 2.4 Tabel Studi literatur (lanjutan)

No. Aspek Pengembangan Literatur yang diambil
materi Penelitian
 Color and pH Changes in Snake Fruit (
Salacca edulis Reinw .) during Room
Temperature Storage Effect of
Hypoiodous Acid ( HIO )” 2019.
2. Indeks Identifikasi indeks  Ulyarti, “Aplikasi metode simple digital
browning browning pada imaging untuk memdeteksi pembentukan
matlab warna tepung hasil pengolahan umbi uwi
ungu (dioscorea alata),” vol. 18, 2016.
 S. N. Subhashree, S. Sunoj, J. Xue, and G.
C. Bora, “Quantification of browning in
apples using colour and textural features by
image analysis,” pp. 1–6, 2017.
3. GLCM Ciri tekstur dengan  P. Mohanaiah, P. Sathyanarayana, and
entropi L. Gurukumar, “Image Texture Feature
Extraction Using GLCM Approach”
vol. 3, no. 5, pp. 1–5, 2013.
4. Pengolah Implentasi tahapan-  D. D. Bhosale, “Use of Digital Image
an citra tahapan pengolahan Processing for Grain Counting,” Int. J.
citra Adv. Res. Comput. Sci. Manag. Stud., vol.
3, no. 3, pp. 6–9, 2015.
5. Ciri Identifikasi warna  C. Kavitha, B. P. Rao, and A. Govardhan,
Warna Lab “Image Retrieval Based On Color and
dan Texture Features of the Image Sub-
Tekstur blocks,” Int. J. Comput. Appl., vol. 15, no.
7, pp. 33–37, 2011.
6. Gaussian Pengklasifikasi  N. Dhanachandra, K. Manglem, and Y. J.
Proses Gaussian Chanu, “Image Segmentation Using K-
means Clustering Algorithm and
Subtractive Clustering Algorithm,”
Procedia Comput. Sci., vol. 54, pp. 764–
771, 2015.
 N. Vasconcelos, “The Gaussian classifier
Bayesian decision theory.”
7. K-Mean Pengklasteran FCM  R. Katarya and O. P. Verma, “Effectual
dan FCM recommendations using artificial algae
algorithm and fuzzy c-mean,” vol. 36, no.
April, pp. 52–61, 2017.
BAB III
METODELOGI PENELITIAN
3.1. Alur 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.
Gambar 3.1 Alur metode penelitian
27
28
Tabel 3.1 Deskripsi tahapan metode penelitian

No. Tahap metode penelitian Deskripsi
1. Studi Lapangan Tahap peninjauan ruang lingkup masalah
yang dilakukan penelitian.
2. Akuisisi Data Tahap pengambilan data
3. Data Set / Bank Data Merupakan opsi data yang digunakan
sebagai bahan.
4. Pemrosesan Awal Citra & Tahap awalan dalam pemrosesan citra yang
Normalisasi mencakup beberapa proses seperti
segmentasi dan beberapa tahap semisalnya .
Adapun normalisasi diterapkan agar citra
yang menjadi bahan dapat terstandarisasi.
5. Perancangan Sistem Pengakuisisian, pengolahan data sampel,
dan perancangan sistem.
6. Implementasi Sistem Tahap percobaan terhadap data sampel
untuk diimplementasikan kedalam terapan
metode.
7. Pengujian Sistem Pengujian mencakup beberapa skala
presentase dari keluaran.
8. Penarikan Kesimpulan Hasil Pengambilan hasil hipotesis.
3.2 Pengoleksian Data
Sebelum dilakukan pengambilan data awal, ada baiknya dilakukan

pengoleksian data terkini terkait beberapa sampel yang berbeda-beda dari objek.
Hal ini dilakukan untuk mengetahui karakteristik objek sample. Pada tahap ini juga
dilakukan pengamatan terhadap estimasi penyeleseain proses komputasi pada
berbagai variasi keadaan serta kondisi objek.
Setelah observasi pada sampel dilakukan, maka selanjutnya adalah
pengambilan data-data keadaan awal yang digunakan untuk melakukan
perancangan. Parameter-parameter input utama yang diambil seperti pada 4 point.
 Keadaan warna dan kecerahan objek.
 Keadaan tekstur objek.
 Masukan-masukan yang mempengaruhi kesegaran dari buah salak
pondoh.
 Ambang batas waktu yang diamati mulai dari hari 1-21.
 Pemberian pengkondisian pada objek.
29
3.3 Pengolahan Data dan Perancangan

Data yang sudah diambil kemudian diolah agar dapat digunakan untuk
penyusunan parameter-parameter yang digunakan. Setiap data yang diambil dari
langkah ke dua menentukan rentangan-rentangan parameter yang digunakan untuk
merancang pengolahan data menggunakan komputasi.
Data yang digunakan dengan cara menempuh salah satu dari dua opsional,
yakni seperti pada poin i & ii.
i. Data set, dimana data yang digunakan didapatkan dengan opsi
mencari atau membuat data bahan secara mandiri.
ii. Bank data sekunder, dimana data yang digunakan didapatkan
dengan opsi mengambil data dari bank data yang telah ada.
Tabel 3.2 Detail deskripsi sampel data penelitian

Data sampel Jumlah Jenis Rentang waktu
Data set 20 – 30 .jpg / .png 1 – 15 hari
Bank data sekunder Menyesuaikan .png Menyesuaikan
data yang data yang tersedia.
tersedia.
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.
Setelah data hasil uji didapatkan, dipelajari, dan dianalisis, barulah

perancangan sistem dapat dilakukan. Karena sistem yang digunakan adalah data
jenis spasial yang memiliki karakteristik tak sejenis, maka dapat diterapkan
pengujian menggunakan yang dapat menampung data dalam bentuk yang tak
30
sejenis untuk membantu proses perancangannya seperti pada gambar perancangan

yang telah dibuat pada gambar 3.2.
Gambar 3.2 Desain alur traning testing system
3.4. Implementasi
Pada yang diimplementasikan pada penelitian dapat dilihat seperti pada

gambar 3.3. Dimana proses pengimplementasian dibagi menjadi dua bagian yang
terpisah kepada dua proses besar yakni klasifkasi dan klasterisasi. Dengan demikian
sesuai dengan yang telah dirancang bahwa yang menangani proses klasifikasi
adalah pengklasifikasi gaussian dan pada proses klasterisasi adalah FCM.
31
Gambar 3.3 Desain system
Sebelum masuk kepada proses pengimplementasian sistem yang dibangun

dengan model-model yang dipetakan kedalam skema-skema prosesnya yang
dibutuhkan pada saat pengimplementasian. Adapun pada tahapan awal dalam
pemrosesan citra sampel citra diinputkan dengan keadaan awal citra masukan yaitu
masih berwarna RGB. Kemudian dilakukan pengkonversian dari citra warna yakni
RGB menjadi citra grayscale atau warna beraras keabuan. Dimana proses-proes
dalam tahap persiapan masuk pada lingkup pada pre-processing, kemudian
dilakukan normalisasi untuk menstrandarkan citra yang menjadi bahan sampel
ternomalisasi. Pada Tahap selanjutnya diberlakukan GLCM untuk mengekstraksi
ciri kontras serta tekstur dan diberlakukan menggunakan Lab untuk mendapatkan
indeks browning seperti gambar 3.4. Dan kemudian pada skema selanjutnya tahap
identifikasi data sampel buah salak pondoh dengan cara klasifikasi ataupun
klasterisasi dan tahap deteksi kesegaran buah salak dengan memodelkan klasterisasi
kedalam presentase kesegaran buah salak pondoh yang rentang periodenya telah
ditentukan.
32
Gambar 3.4 Proses awal
Seperti yang telah diketahui untuk mengklasifikasikan sebuah titik

diharuskan untuk mengevaluasi integral N-Dimensional, dengan N sebagai ukuran
set pelatihan. Sehingga penggunaan beberapa variabel transformasi kemudian juga
penerapan beberapa manipulasi matriks dan penyederhanaan. Sehingga
menghasilkan rumus berikut untuk klasifikasi pola pengujian,
∫ 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
Orth berarti orthant v ≥ 0, orth + berarti − ∞ < v1 < ∞, v2 ≥ 0,..., vN + 1 ≥ 0, N

adalah kepadatan multivarian Gaussian dengan kovarians matriks A − 1, diberikan
oleh A = I −A12 A−1
22 A12
1 𝑎𝑇
−1 + −
−1 0 𝜎∗2 𝜎∗2
A12 = [ ], A = [ ] (21)
0 𝐶′ 22 −
𝑎 𝑇
𝐼 + ∑−1 +−
𝑎𝑎𝑇
𝜎2∗ 𝜎2∗
Dimana 𝑎 = ∑−1 ∑𝑇𝑥∗𝑋 , 𝜎∗2 = ∑𝑇𝑥∗𝑥∗-∑𝑥∗𝑋 ∑−1 ∑𝑇𝑥∗𝑋, dan 𝐶′ = diag(y1,...,yN).

33
Gambar 3.5 Integrasi pola
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.
Gambar 3.6 Pecahan Point
Untuk dimensionalitas tinggi merupakan masalah yang cukup sangat sulit

untuk diselesaikan. Maka dari itu beberapa hasil poin dari distribusi Gaussian dan
perhitungan pecahan dari poin yang terletak di daerah integrasi tidak layak. Sebagai
contoh, pertimbangkan matriks kovarians identitas dan sejumlah 𝑁gen poin yang
dihasilkan seperti pada gambar 3.5 dan 3.6.
Pecahan poin ≈ 𝑁gen 2− N
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
Ortan yang diusulkan penggabung antara aspek pengambilan sampel

penolakan dan bootstrap sampling. Hal ini dapat diterapkan untuk setiap masalah
integrasi. Dengan demikian, terdapat kontribusi improvisasi baru untuk masalah
integrasi umum. Pertama kali yang dihasilkan sampel untuk variabel pertama
adalah 𝑣1 . Selanjutnya, dilakukan pembuangan poin yang berada di luar batas
integral (untuk 𝑣1 ). Lalu pengisian tempat poin yang telah dibuang menggunakan
sampling dengan penggantian dari poin yang ada. Beralih ke variabel kedua yakni
𝑉2 dan proses untuk menghasilkan poin menggunakan distribusi bersyarat p (𝑉2 |
𝑉1 ) (kondisi pada poin 𝑉1 sudah dihasilkan). Sekali lagi, menolak poin 𝑉2 yang jatuh
di luar batas integrasi, dan diisi dengan sampling penggantian. Dilanjutkan cara ini
sampai mencapai variabel akhir 𝑉𝑛 . Nilai integral kemudian diperkirakan sebagai
produk dari rasio penerimaan variabel N seperti pada gambar 3.7.
Gambar 3.7 Ortan
Pembuktian bahwa itu adalah pengukur konsisten dari Gaussian multivarian

integral (begitu juga dari probabilitas posterior). Ini berarti bahwa dapat mendekati
nilai sebenarnya dengan cukup menggunakan poin yang dihasilkan. Beberapa
alasannya adalah asumsi terhadap poin yang dihasilkan 𝑣𝑖 mematuhi distribusi p
(𝑣𝑖 | 𝑣𝑖 − 1 ≥ 0,..., 𝑣𝑖 ≥ 0). Ketika dilakukan pembuangan titik 𝑣𝑖 < 0 dan sampel
dengan penggantian dari poin yang ada, poin didistribusikan sebagai p (𝑣𝑖 | 𝑣𝑖 ≥ 0 ,
𝑣𝑖 − 1 ≥ 0,..., 𝑣𝑖 ≥ 0). Ketika dihasilkan poin 𝑣𝑖 + 1 maka didistribusikan sebagai p
35
(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.
Gambar 3.8 Illustrasi reject point
Gambar 3.9 Discard
Gambar 3.10 Accepted
Dimana N dibiarkan menjadi dimensi, kemudian 𝑁𝐺 menjadi jumlah poin

yang dihasilkan 𝑃𝑜𝑟𝑡ℎ menjadi nilai integral dan Pi ≡ P (𝑥 𝑖 ≥ 0 | 𝑥 𝑖 − 1 ≥ 0,..., 𝑥 𝑖 ≥
𝑃𝑜𝑟𝑡ℎ 𝑁
0). Untuk standar MSE = 1 − untuk Estimator baru dengan MSE =
𝑃𝑜𝑟𝑡ℎ𝑁𝐺 𝑁𝐺
1−𝑃𝑖
Avg ( ).
𝑃𝑖
Setelah diketahui tahap-tahap klasifikasi secara perumusan maka mulai

dimodelkan kedalam bentuk skema diagram alur. Dimana pada diagram alur
digambarkan proses secara garis besar seperti pada gambar 3.11.
36
Gambar 3.11 Desain klasifikasi
Dari tahap-tahap klasifikasi yang telah dilakukan dapat digambarkan

kedalam skema seperti pada gambar 3.12. Dengan input citra diklasifikan
menggunakan pengklasifikasi gaussian, kemudian ada proses klasifikasi dipisah
masing bedasarkan 3 kelas yang telah ditentukan yakni kelas indeks browning,
kontras, tekstur. Dari ke 3 kelas tersebut didapatkan nilai yang bersesuai dengan
kelasnya sehingga mudah untuk diolah kepada tahap selanjutnya. Selanjutnya dapat
ditentukan batas atas, tengah, dan bawah baik pada indeks browning, kontras, dan
tekstur.
Gambar 3.12 Desain klasterisasi
Kemudian dari proses klasifikasi sebelumnya, diteruskan kepada proses

klasterisasi yang menerima terusan nilai klasifikasi yang telah ditampung. Nilai
indeks browning, kontras dan tekstur dilakukan pembagian terhadap batas atas,
tengah, dan batas atas sehingga muncul nilai-nilai hasil pengambangan. Nilai hasil
37
pengambangan dimasukan kepada proses deteksi terhadap indeks browning,

kontras dan tekstur yang menghasilkan output hasil deteksi tingkat kesegaran dari
buah salak seperti pada gambar 3.13.
Gambar 3.13 Desain deteksi
3.5 Pengujian dan Analisis
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
HASIL PENELITIAN DAN PEMBAHASAN
4.1. Data Sampel Salak Pondoh
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.
Gambar 4.1 Sampel citra buah salak
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.
Tahap selanjutnya pada gambar 4.2 yakni memberlakukan fungsi Gaussian

filter atau tapis pada data sampe citra buah salak. Tahapan ini dapat menjadi salah
satu bagian dari pengondisian dan standarisasi terhadap sampel-sampel citra buah
salak pada warna dan tingkat kecerahan pada citra serta memudarkan noise yang
masih ada. Filter atau tapis Gaussian ini memiliki salah satu fungsi yakni
menyalaraskan keadaan citra dengan cara melakukan pemudaran diarea yang
memiliki noise. Adapun hasil dari terapan filter atau tapis Gaussian dapat dilihat
pada gambar 4.2.
Gambar 4.2 Contoh filter Gaussian pada sampel buah salak hari ke 1-20
Setelah data sampel dapat dikondisikan dan dipastikan dalam keadaan

ternormalisasi, maka dilakukan image processing seperti pada gambar 4.3. Adapun
sampel data yang masih dalam bentuk RGB diproses untuk dikonversi kedalam
41
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
4.2. Hasil Uji Training

Adapun pada proses training yang telah dilakukan sebagai uji data sampel
untuk mengetahui kemampuan dari metode untuk mengolah data sampel. Pada
proses training data sampel yang diujikan berjumlah 15% dari jumlah keseluruhan
data sampel yakni kurang lebih 60 sampel uji dari 400 sampel pada data yang
diujikan pada proses ini seperti pada tabel 4.1.
42
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.
Tabel 4.1 Hasil training sampel citra buah salak

Sampel Nilai Uji Coba Nilai Perbandingan ∑Banding MSE
Terhadap Sampel (A) Target (B) Data (A&B)
1 0.265 0.2 0.065 0.53 0.123
2 0.127 0.1 0.027 0.254 0.106
3 0.253 0.2 0.053 0.506 0.105
4 0.243 0.2 0.043 0.486 0.088
5 0.233 0.2 0.033 0.466 0.071
6 0.263 0.2 0.063 0.526 0.120
7 0.243 0.2 0.043 0.486 0.088
8 0.211 0.2 0.011 0.422 0.026
9 0.251 0.2 0.051 0.502 0.102
10 0.202 0.2 0.002 0.404 0.005
11 0.133 0.1 0.033 0.266 0.124
12 0.352 0.3 0.052 0.704 0.074
13 0.267 0.2 0.067 0.534 0.125
14 0.343 0.3 0.043 0.686 0.063
15 0.364 0.3 0.064 0.728 0.088
16 0.22 0.2 0.02 0.44 0.045
17 0.254 0.2 0.054 0.508 0.106
43
Tabel 4.2 Hasil training sampel citra buah salak (lanjutan)

Nilai Uji Coba Nilai Perbandingan
Sampel Terhadap Sampel (A) Target (B) Data (A&B) ∑Banding MSE
18 0.343 0.3 0.043 0.686 0.063
19 0.272 0.2 0.072 0.544 0.132
20 0.24 0.2 0.04 0.48 0.083
21 0.21 0.2 0.01 0.42 0.024
22 0.284 0.2 0.084 0.568 0.148
23 0.287 0.2 0.087 0.574 0.152
24 0.145 0.1 0.045 0.29 0.155
25 0.376 0.3 0.076 0.752 0.101
26 0.221 0.2 0.021 0.442 0.048
27 0.263 0.2 0.063 0.526 0.120
28 0.263 0.2 0.063 0.526 0.120
29 0.394 0.3 0.094 0.788 0.119
30 0.22 0.2 0.02 0.44 0.045
31 0.221 0.2 0.021 0.442 0.048
32 0.153 0.1 0.053 0.306 0.173
33 0.22 0.2 0.02 0.44 0.045
34 0.363 0.3 0.063 0.726 0.087
35 0.361 0.3 0.061 0.722 0.084
36 0.161 0.1 0.061 0.322 0.189
37 0.351 0.3 0.051 0.702 0.073
38 0.224 0.2 0.024 0.448 0.054
39 0.28 0.2 0.08 0.56 0.143
40 0.144 0.1 0.044 0.288 0.153
41 0.294 0.2 0.094 0.588 0.160
42 0.248 0.2 0.048 0.496 0.097
43 0.108 0.1 0.008 0.216 0.037
44 0.274 0.2 0.074 0.548 0.135
45 0.131 0.1 0.031 0.262 0.118
46 0.322 0.2 0.122 0.644 0.189
47 0.218 0.2 0.018 0.436 0.041
48 0.215 0.2 0.015 0.43 0.035
49 0.222 0.2 0.022 0.444 0.050
50 0.107 0.1 0.007 0.214 0.033
51 0.324 0.3 0.024 0.648 0.037
52 0.222 0.2 0.022 0.444 0.050
53 0.137 0.1 0.037 0.274 0.135
44
Tabel 4.3 Hasil training sampel citra buah salak (lanjutan)

Nilai Uji Coba Nilai Perbandingan
Sampel Terhadap Sampel (A) Target (B) Data (A&B) ∑Banding MSE
54 0.297 0.2 0.097 0.594 0.163
55 0.212 0.2 0.012 0.424 0.028
56 0.16 0.1 0.06 0.32 0.188
57 0.211 0.2 0.011 0.422 0.026
58 0.312 0.3 0.012 0.624 0.019
59 0.244 0.2 0.044 0.488 0.090
60 0.237 0.2 0.037 0.474 0.078
4.3. Tampilan GUI Dan Hasil Dalam Matlab

Pada perancangan pengkombinasian metode pengklasifikasi Gaussian dan
FCM pada Matlab. Pada gambar 4.5 merupakan main menu yang memuat beberapa
fungsi utama. Adapun menu yang ada pada gambar 4.5 antara lain input foto
sampel, konversi RGB ke gray/lab color, deteksi hari, grafik deteksi periode
kesegaran dan grafik deteksi periode indeks browning.
Gambar 4.5 Tampilan GUI main menu
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.
Gambar 4.6 Tampilan identifikasi
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.
Gambar 4.7 Tampilan konversi

46
4.4. Identifikasi Sampel

Pada gambar 4.8 pada function klasifikasi Gaussian terdapat file function
yang telah dibangun untuk mencari banyaknya kelas-kelas yang bisa didapatkan
dari objek citra yang dijadikan masukan. Didalam function yang telah dibangun
tersebut berisikan implementasi formula Gaussian, dimana dibaris code pertama
dideklarasikan matriks yang akan dicari besar matriksnya. Kemudian pada baris ke
2 berisikan deklarasi jumlah total dari n, lalu dari nilai-nilai yang telah didapatkan
dimasukan kepada perulangan for yang berisi formula Gaussian. Dan pada code
fungsi yang telah dibangun tersebut akan dipanggil untuk diload kedalam main
function, dimana code berisikan load beberapa data mat. kemudian citra buah salak
pondoh dikonversi dari warna ke hitam putih terlebih dahulu. Selanjutnya dicari
nilai mean, kemudian kepada formula Gaussian dengan mengisikan beberapa nilai
yang dibutuhkan oleh formula untuk diproses. Dan diakhir pada code dicari
klasifikasi kelasnya dapat diolah dengan percabagan ifelse untuk memanggil dan
mendapatkan hasil keluaran seperti pada gambar 4.8.
Gambar 4.8 function klasifikasi Gaussian

47
4.4.1 Identifikasi Sampel sampel citra buah salak 1
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.
Tabel 4.4 Rekap identifikasi sampel citra buah salak 1

Hari Indeks Browning Kontras Korelasi Entropi
1. 6.303 0.221 0.840 0.834
2. 8.753 0.351 0.924 0.842
3. 10.168 0.131 0.852 0.946
4. 12.692 0.211 0.842 0.948
5. 15.463 0.202 0.836 0.838
6. 18.131 0.197 0.843 0.962
7. 23.501 0.260 0.860 0.886
8. 27.355 0.272 0.879 0.892
9. 33.501 0.223 0.824 0.832
10. 45.158 0.367 0.894 0.868
11. 56.674 0.284 0.847 0.876
12. 63.483 0.374 0.868 0.885
13. 69.437 0.381 0.896 0.875
14. 75.425 0.443 0.984 0.798
15. 83.547 0.486 0.867 0.832
16. 96.464 0.454 0.936 0.935
17. 99.274 0.443 0.924 0.957
18. 105.997 0.571 0.932 0.959
19. 106.942 0.574 0.941 0.969
20. 107.376 0.546 0.893 0.841
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
Gambar 4.9 function klasterisasi FCM
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.
Gambar 4.10 Hasil klasterisasi sampel citra buah salak 1

49
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.
Tabel 4.5 Rekap analisis sampel citra buah salak 1

klasifikasi Periode
Hari Node Segar Peralihan Busuk
1 Node 1 Hijau - -
2 Node 2 Hijau - -
3 Node 3 Hijau - -
4 Node 4 Hijau - -
5 Node 5 Hijau - -
6 Node 6 Hijau - -
7 Node 7 Hijau - -
8 Node 8 Hijau - -
9 Node 9 Hijau - -
10 Node 10 - Kuning -
15 Node 15 - - Merah
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.
Gambar 4.11 Hasil identifikasi kesegaran sampel citra buah salak 1

pertama sampai hari 20, indeks browning dengan rentang nilai dari 3.766 sampai
109.453, kontras dengan memiliki rentang nilai dari 0.220 sampai 0.554, korelasi
memiliki rentang nilai dari 0.797 sampai 0.982 dan entropi memiliki rentang nilai
dari 0.806 sampai 0.998.

1. 3.766 0.220 0.797 0.819
2. 7.227 0.394 0.916 0.847n
3. 9.645 0.180 0.808 0.889
4. 13.765 0.198 0.860 0.839
5. 15.587 0.223 0.886 0.806
6. 17.115 0.261 0.863 0.834
51
Tabel 4.7 Rekap identifikasi sampel citra buah salak 2 (lanjutan)

7. 22.221 0.244 0.823 0.852
8. 25.657 0.229 0.840 0.940
9. 30.186 0.265 0.859 0.988
10. 38.558 0.252 0.803 0.911
11. 45.467 0.387 0.827 0.947
12. 53.834 0.375 0.854 0.964
13. 68.743 0.301 0.878 0.940
14. 74.531 0.334 0.928 0.928
15. 83.774 0.490 0.907 0.911
16. 92.651 0.410 0.951 0.926
17. 98.452 0.472 0.953 0.964
18. 101.867 0.482 0.915 0.976
19. 108.348 0.554 0.968 0.918
20. 109.453 0.536 0.982 0.998
Adapun klasterisasi 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 4.12.

52

klasifikasi Periode
1 Node 1 Hijau - -
2 Node 2 Hijau - -
3 Node 3 Hijau - -
4 Node 4 Hijau - -
5 Node 5 Hijau - -
6 Node 6 Hijau - -
7 Node 7 Hijau - -
8 Node 8 Hijau - -
9 Node 9 Hijau - -
Selanjutnya setelah identifikasi dari pola klasterisasi yang telah didapatkan

pada gambar 4.12 dimodelkan kedalam grafik berdasarkan presentase kesegaran
dari tiap sampel. Hasil deteksi kesegaran pada buah salak 2 didapatkan periode
sampel dikategorikan segar dengan presentase mulai dari 100% sampai dengan
53
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.

Pada tabel 4.6 merupakan tahap-tahap proses yang telah diimplementasikan
pada citra sampel buah salak 3, maka didapatkan data-data seperti pada tabel 4.6.
Dimana pada tabel 4.6 berisikan beberapa data seperti data hari meliputi hari
pucuk pada sampel buah salak dengan rentang nilai dari 5.254 sampai 100.996,
kontras meliputi nilai kecerahan citra dengan rentang nilai dari 0.160 sampai 0.591,
korelasi meliputi nilai kedekatan piksel pada citra dengan rentang nilai dari 0.806
sampai 0.989 dan entropi merupakan salah satu nilai dari sekian nilai yang
menggambarkan keadaan tekstur dengan rentang nilai dari 0.807 sampai 0.958.
54

1. 5.254 0.287 0.844 0.864
2. 10.463 0.215 0.806 0.813
3. 15.296 0.160 0.947 0.924
4. 18.692 0.266 0.877 0.931
5. 22.463 0.232 0.825 0.874
6. 26.221 0.377 0.845 0.936
7. 33.122 0.209 0.850 0.857
8. 36.132 0.278 0.879 0.868
9. 44.734 0.220 0.810 0.884
10. 47.521 0.251 0.868 0.815
11. 54.326 0.214 0.835 0.822
12. 62.485 0.208 0.809 0.807
13. 67.134 0.341 0.834 0.846
14. 71.688 0.410 0.942 0.874
15. 82.232 0.492 0.832 0.834
16. 91.145 0.466 0.962 0.910
17. 95.157 0.474 0.989 0.932
18. 98.213 0.548 0.957 0.926
19. 100.102 0.536 0.921 0.958
20. 100.996 0.591 0.853 0.881
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

klasifikasi Periode
1 Node 1 Hijau - -
2 Node 2 Hijau - -
3 Node 3 Hijau - -
4 Node 4 Hijau - -
5 Node 5 Hijau - -
6 Node 6 Hijau - -
7 Node 7 Hijau - -
8 Node 8 Hijau - -
9 Node 9 - Kuning -
56
Tabel 4.11 Rekap analisis sampel citra buah salak 3 (lanjutan)

klasifikasi Periode
Selanjutnya dimodelkan kedalam grafik berdasarkan presentase kesegaran

dari tiap sampel. Hasil deteksi kesegaran buah salak 3 didapatkan presentase
periode segar 100% sampai kurang lebih 65% dengan rentang hari ke 0 sampai hari
ke 8. Kemudian presentase periode peralihan 60% sampai kurang lebih 30% dengan
rentang hari ke 9 sampai hari ke 14. Dan periode presentase pembusukan 25%
sampai kurang lebih 0% dengan rentang hari ke 15-20 seperti pada gambar 4.15.

57

pertama sampai hari 20, indeks browning dengan rentang nilai dari 1.280 sampai
99.476, kontras dengan rentang nilai dari 0.206 sampai 0.565, korelasi dengan
rentang nilai dari 0.835 sampai 0.978 dan entropi merupakan salah satu nilai dari
sekian nilai yang menggambarkan keadaan tekstur dengan rentang nilai dari 0.821
sampai 0.985.

1. 1.280 0.243 0.968 0.884
2. 6.870 0.263 0.943 0.862
3. 11.229 0.222 0.905 0.893
4. 15.816 0.212 0.921 0.902
5. 18.461 0.238 0.912 0.925
6. 21.501 0.284 0.933 0.913
7. 25.111 0.206 0.897 0.828
8. 30.975 0.254 0.868 0.885
9. 37.723 0.225 0.857 0.869
10. 48.650 0.375 0.846 0.891
11. 53.321 0.314 0.835 0.873
12. 60.413 0.332 0.875 0.870
13. 69.135 0.366 0.830 0.821
14. 71.223 0.458 0.984 0.843
15. 81.234 0.496 0.879 0.929
16. 88.150 0.406 0.985 0.952
17. 91.274 0.463 0.927 0.922
18. 94.277 0.531 0.968 0.957
19. 96.802 0.524 0.978 0.919
20. 99.476 0.565 0.962 0.933
Adapun klasterisasi dipisah atau dibagi menjadi 3 bagian kelompok

klasterisasi yakni klasterisasi segar beranggotakan 8 node berwarna hijau,
klasterisasi peralihan beranggotakan 6 node berwarna kuning dan klasterisasi
58

klasifikasi Periode
1 Node 1 Hijau - -
2 Node 2 Hijau - -
3 Node 3 Hijau - -
4 Node 4 Hijau - -
5 Node 5 Hijau - -
6 Node 6 Hijau - -
7 Node 7 Hijau - -
8 Node 8 Hijau - -
9 Node 9 Hijau - -
59

klasifikasi Periode
Selanjutnya hasil deteksi kesegaran pada buah salak 4 didapatkan periode

sampel dikategorikan segar dengan presentase mulai dari 100-65% dan dengan
rentang hari ke 0-8. Kemudian periode masuk pada masa peralihan dengan
presentase mulai dari 60%-25% dan dengan rentang hari ke 9-14. Selanjutnya
periode terakhir masuk pada masa pembusukan dengan presentase mulai dari 20%-
0% dan dengan rentang hari ke 15-20 seperti yang ditunjukan pada gambar 4.17.

60

Pada tabel 4.10 merupakan rekap identifikasi sampel citra buah salak 5 dari
hari pertama sampai pada hari ke 20. Dimana pada tabel 4.10 berisikan beberapa
data seperti data hari meliputi hari pertama sampai hari 20, indeks browning
meliputi nilai perubahan warna bagian pucuk pada sampel buah salak yang
memiliki rentang nilai dari 1.351 sampai 100.103, kontras meliputi nilai kecerahan
citra yang memiliki rentang nilai dari 0.211 sampai 0.571, korelasi meliputi nilai
kedekatan piksel pada citra yang memiliki rentang nilai dari 0.907 sampai 0.979
dan entropi merupakan salah satu nilai dari sekian nilai yang menggambarkan
keadaan tekstur yang memiliki rentang nilai dari 0.803 sampai 0.895.

1. 1.351 0.211 0.971 0.883
2. 4.442 0.240 0.993 0.825
3. 10.241 0.218 0.940 0.855
4. 17.594 0.286 0.925 0.866
5. 22.643 0.221 0.938 0.895
6. 28.242 0.251 0.928 0.889
7. 30.431 0.244 0.950 0.830
8. 37.213 0.260 0.945 0.819
9. 40.322 0.231 0.917 0.874
10. 46.224 0.382 0.959 0.829
11. 54.370 0.347 0.972 0.867
12. 64.102 0.361 0.941 0.803
13. 68.330 0.320 0.983 0.836
14. 72.220 0.392 0.931 0.881
15. 80.131 0.468 0.979 0.832
16. 90.310 0.429 0.955 0.835
17. 93.325 0.491 0.977 0.897
18. 95.126 0.409 0.907 0.859
19. 96.212 0.571 0.946 0.869
20. 100.103 0.564 0.929 0.811
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
klasterisasi. Adapun klasterisasi dibagi menjadi 3 bagian kelompok klasterisasi

yakni klasterisasi segar beranggotakan 7 node berwarna hijau sebagai penanda
kategori segar, klasterisasi peralihan beranggotakan 6 node berwarna kuning
sebagai penanda kategori peralihan dan klasterisasi pembusukan beranggotakan 7
node berwarna merah sebagai penanda kategori busuk pada gambar 4.18.
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
62

klasifikasi Periode
1 Node 1 Hijau - -
2 Node 2 Hijau - -
3 Node 3 Hijau - -
4 Node 4 Hijau - -
5 Node 5 Hijau - -
6 Node 6 Hijau - -
7 Node 7 Hijau - -
8 Node 8 - Kuning -
9 Node 9 - Kuning -

kelompo periode kelasnya pada gambar 4.18 maka selanjutnya dimodelkan
kedalam grafik berdasarkan presentase kesegaran dari tiap sampel buah salak
pondoh. Kemudian adapun dari hasil deteksi kesegaran pada buah salak pndoh 5
telah didapatkan periode sampel yang dikategorikan pada periode segar dengan
presentase mulai dari 100% sampai dengan kurang lebih 70% dan dengan rentang
hari ke 0 sampai hari ke 7. Kemudian adapun periode sampel dikategorikan masuk
pada masa periode peralihan dengan presentase mulai dari 65% sampai dengan
kurang lebih 35% dan dengan rentang hari ke 8 sampai hari ke 13. Selanjutnya
adapun periode terakhir sampel dikategorikan masuk pada masa pembusukan
dengan presentase mulai dari 30% sampai dengan kurang lebih 0% dan dengan
rentang hari ke 14 sampai hari ke 20 seperti yang ditunjukan pada gambar 4.19.
63

hari pertama sampai pada hari ke 20. Dari tahap-tahap proses yang telah
diimplementasikan pada citra sampel buah salak 6, maka didapatkan data-data
seperti pada tabel 4.12. Dimana pada tabel 4.12 berisikan beberapa data seperti data
hari meliputi hari pertama sampai hari 20, indeks browning meliputi nilai
perubahan warna bagian pucuk pada sampel buah salak yang memiliki rentang nilai
dari 1.211 sampai 101.729, kontras meliputi nilai kecerahan citra yang memiliki
rentang nilai dari 0.153 sampai 0.588, korelasi memiliki rentang nilai dari 0.801
sampai 0.973 dan entropi memiliki rentang nilai dari 0.742 sampai 0.973.

1. 1.211 0.233 0.853 0.838
2. 3.500 0.343 0.933 0.867
3. 7.665 0.153 0.864 0.927
4. 13.472 0.257 0.822 0.984
5. 16.653 0.247 0.801 0.848
6. 23.311 0.142 0.864 0.931
64

7. 29.201 0.275 0.889 0.866
8. 31.319 0.212 0.815 0.883
9. 36.295 0.265 0.832 0.814
10. 40.352 0.303 0.811 0.857
11. 44.277 0.231 0.886 0.803
12. 53.323 0.342 0.895 0.813
13. 59.412 0.363 0.853 0.825
14. 65.114 0.446 0.963 0.742
15. 73.141 0.474 0.825 0.874
16. 76.404 0.408 0.951 0.984
17. 84.022 0.406 0.942 0.993
18. 92.134 0.565 0.973 0.933
19. 96.451 0.558 0.921 0.921
20. 101.729 0.588 0.850 0.863
Dari data identifikasi sampel citra buah salak 6 pada tabel 4.12 dicari titik-
titik persebaran klasterisasi. Adapun klasterisasi dibagi menjadi 3 bagian kelompok

65

klasifikasi Periode
1 Node 1 Hijau - -
2 Node 2 Hijau - -
3 Node 3 Hijau - -
4 Node 4 Hijau - -
5 Node 5 Hijau - -
6 Node 6 Hijau - -
7 Node 7 - Kuning -
8 Node 8 - Kuning -
9 Node 9 - Kuning -

periode segar 100%-70% dengan rentang hari ke 0-6. Kemudian presentase periode
66
peralihan 65%-25% dengan rentang hari ke 7-14. Dan periode presentase

pembusukan 20%-0% dengan rentang hari ke 15-20 seperti pada gambar 4.21.

Pada tabel 4.14 merupakan rekap identifikasi yang telah didapatkan dari
sampel citra buah salak pondoh 7 dengan rentang hari yang telah diamati dari hari
pertama sampai pada hari ke 20. Adapun dari tahap-tahap proses yang telah
diimplementasikan pada citra sampel buah salak pondoh 7, dimana telah didapatkan
nilai data-data seperti yang ada pada tabel 4.14. Kemudian selanjutnya pada tabel
4.14 berisikan beberapa data seperti data hari meliputi hari pertama sampai hari 20,
indeks browning meliputi nilai perubahan warna bagian pucuk pada sampel buah
salak pondoh yang memiliki rentang nilai dari 1.251 sampai 100.665, kontras
meliputi nilai kecerahan citra yang memiliki rentang nilai dari 0.268 sampai 0.452,
korelasi meliputi nilai kedekatan piksel pada citra yang memiliki rentang nilai dari
0.816 sampai 0.986 dan entropi merupakan salah satu nilai dari sekian nilai yang
menggambarkan keadaan tekstur yang memiliki rentang nilai dari 0.819 sampai
0.991.
67

1. 1.251 0.263 0.897 0.819
2. 6.143 0.376 0.816 0.847
3. 9.168 0.280 0.818 0.919
4. 14.692 0.298 0.861 0.930
5. 19.463 0.323 0.986 0.906
6. 28.131 0.361 0.962 0.932
7. 35.015 0.268 0.912 0.879
8. 37.216 0.329 0.941 0.940
9. 43.111 0.365 0.959 0.991
10. 45.603 0.352 0.903 0.911
11. 50.217 0.381 0.927 0.943
12. 53.283 0.373 0.954 0.954
13. 59.570 0.301 0.978 0.920
14. 64.614 0.332 0.928 0.914
15. 69.009 0.391 0.917 0.962
16. 76.503 0.310 0.951 0.929
17. 79.489 0.371 0.953 0.984
18. 85.900 0.383 0.915 0.906
19. 96.802 0.452 0.962 0.988
20. 100.665 0.431 0.982 0.970
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

klasifikasi Periode
1 Node 1 Hijau - -
2 Node 2 Hijau - -
3 Node 3 Hijau - -
4 Node 4 Hijau - -
5 Node 5 Hijau - -
6 Node 6 Hijau - -
7 Node 7 Hijau - -
8 Node 8 - Kuning -
9 Node 9 - Kuning -
69

klasifikasi Periode

segar dengan presentase mulai dari 100%-65% dan dengan rentang hari ke 0-7.
Kemudian periode masa peralihan dengan presentase mulai dari 60%-20% dan
dengan rentang hari ke 8-15. Selanjutnya periode terakhir masuk pada masa
pembusukan dengan presentase mulai dari 25%-0% dan dengan rentang hari ke 16-
20 seperti yang ditunjukan pada gambar 4.23.

70

pucuk pada sampel buah salak yang memiliki rentang nilai dari 3.780 sampai
107.867, kontras meliputi nilai kecerahan citra yang memiliki rentang nilai dari
0.197 sampai 0.595, korelasi meliputi nilai kedekatan piksel pada citra yang

1. 3.780 0.254 0.841 0.854
2. 8.881 0.224 0.866 0.832
3. 10.551 0.197 0.843 0.814
4. 14.829 0.275 0.874 0.832
5. 17.042 0.232 0.822 0.854
6. 21.755 0.219 0.841 0.931
7. 24.091 0.259 0.851 0.850
8. 27.553 0.294 0.922 0.870
9. 30.690 0.223 0.882 0.844
10. 35.074 0.251 0.860 0.825
11. 42.161 0.276 0.871 0.890
12. 48.509 0.235 0.812 0.847
13. 55.889 0.324 0.961 0.962
14. 65.351 0.427 0.926 0.977
15. 73.961 0.401 0.932 0.934
16. 86.675 0.452 0.973 0.920
17. 90.677 0.487 0.917 0.922
18. 95.002 0.595 0.983 0.916
19. 99.534 0.542 0.963 0.908
20. 107.867 0.516 0.974 0.921

71
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.

Hari Node klasifikasi Periode
Segar Peralihan Busuk
1 Node 1 Hijau - -
2 Node 2 Hijau - -
3 Node 3 Hijau - -
4 Node 4 Hijau - -
5 Node 5 Hijau - -
6 Node 6 Hijau - -
7 Node 7 Hijau - -
8 Node 8 Hijau - -
9 Node 9 Hijau - -
72


segar dengan rentang presentase mulai dari 100% sampai kurang lebih 45% dan
dengan rentang hari ke 0-9. Kemudian periode peralihan dengan presentase mulai
dari 40% sampai kurang lebih 20% dan rentang hari ke 10-14. Selanjutnya periode
masa pembusukan dengan presentase mulai dari 20% sampai dengan 0% dan
rentang hari ke 15-20 seperti yang ditunjukan pada gambar 4.25.

73

Pada tabel 4.18 berisikan nilai perubahan warna bagian pucuk pada sampel
buah salak dengan rentang nilai dari 4.324 sampai 109.866, kontras meliputi nilai
kecerahan citra dengan rentang nilai dari 0.306 sampai 0.565, korelasi meliputi nilai

1. 4.324 0.343 0.948 0.986
2. 7.785 0.363 0.923 0.961
3. 10.231 0.322 0.975 0.903
4. 13.112 0.312 0.921 0.942
5. 16.211 0.338 0.912 0.923
6. 19.990 0.384 0.933 0.914
7. 24.441 0.306 0.892 0.948
8. 29.570 0.354 0.961 0.981
9. 33.485 0.263 0.931 0.884
10. 39.343 0.375 0.966 0.961
11. 46.211 0.314 0.930 0.993
12. 53.672 0.372 0.955 0.990
13. 67.201 0.366 0.931 0.929
14. 78.517 0.458 0.982 0.973
15. 85.220 0.496 0.974 0.927
16. 91.976 0.406 0.945 0.912
17. 98.002 0.463 0.917 0.923
18. 100.016 0.531 0.961 0.951
19. 105.764 0.524 0.979 0.989
20. 109.866 0.565 0.967 0.935
titik persebaran tiap sampel berdasarkan klasterisasi kelompoknya. Adapun
klasterisasi dipisah atau dibagi menjadi 3 bagian kelompok klasterisasi yakni
74
beranggotakan 5 node berwarna kuning dan klasterisasi pembusukan

Pada tabel 4.19 merupakan 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 4.27 yang dapat diihat pergeseran atau perubahan
kesegarannya.

1 Node 1 Hijau - -
2 Node 2 Hijau - -
3 Node 3 Hijau - -
4 Node 4 Hijau - -
5 Node 5 Hijau - -
6 Node 6 Hijau - -
75

7 Node 7 Hijau - -
8 Node 8 Hijau - -
9 Node 9 - Kuning -
Selanjutnya hasil deteksi kesegaran buah salak 9 didapatkan presentase


76

Pada tabel 4.20 merupakan rekap identiikasi sampel citra buah salak 10 dari
diimplementasikan pada citra sampel buah salak 10, maka didap8atkan data-data
rentang nilai dari 0.220 sampai 0.571, korelasi meliputi nilai kedekatan piksel pada
citra yang memiliki rentang nilai dari 0.815 sampai 0.979 dan entropi merupakan
salah satu nilai dari sekian nilai yang menggambarkan keadaan tekstur yang
memiliki rentang nilai dari 0.811 sampai 0.981.

1. 1.750 0.251 0.815 0.883
2. 7.734 0.220 0.893 0.821
3. 13.460 0.268 0.849 0.852
4. 19.692 0.286 0.821 0.864
5. 25.463 0.221 0.838 0.891
6. 28.131 0.251 0.828 0.889
7. 33.501 0.244 0.850 0.837
8. 37.355 0.260 0.885 0.819
9. 43.501 0.331 0.917 0.974
10. 44.851 0.367 0.904 0.860
11. 51.132 0.347 0.972 0.967
12. 56.331 0.361 0.941 0.963
13. 59.667 0.320 0.983 0.936
14. 65.446 0.292 0.931 0.981
15. 69.643 0.368 0.979 0.932
16. 76.123 0.329 0.955 0.935
17. 79.453 0.391 0.977 0.977
18. 85.007 0.409 0.907 0.859
19. 96.900 0.571 0.946 0.869
20. 100.016 0.564 0.929 0.811
77
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.

1 Node 1 Hijau - -
2 Node 2 Hijau - -
3 Node 3 Hijau - -
4 Node 4 Hijau - -
5 Node 5 Hijau - -
6 Node 6 Hijau - -
7 Node 7 - Kuning -
8 Node 8 - Kuning -
9 Node 9 - Kuning -

sampel dikategorikan segar dengan presentase mulai dari 100%-70% dengan
rentang hari ke 0-6. Kemudian periode sampel masa peralihan dengan presentase
mulai dari 65%-30% dengan rentang hari ke 7-14. Selanjutnya periode terakhir
sampel dikategorikan masuk pada masa pembusukan dengan presentase mulai dari
25%-0% dengan rentang hari ke 15-20 seperti pada gambar 4.29.
79

dan entropi memiliki rentang nilai dari 0.821 sampai 0.996.

1. 4.462 0.210 0.893 0.876
2. 10.681 0.324 0.946 0.877
3. 14.750 0.220 0.858 0.859
4. 17.566 0.292 0.861 0.885
5. 20.140 0.213 0.876 0.843
6. 28.512 0.263 0.836 0.821
7. 35.201 0.234 0.811 0.862
8. 49.001 0.229 0.844 0.941
80

9. 51.081 0.261 0.857 0.933
10. 58.611 0.254 0.853 0.971
11. 65.571 0.284 0.934 0.881
12. 74.211 0.375 0.841 0.964
13. 79.535 0.301 0.868 0.921
14. 82.751 0.334 0.922 0.934
15. 89.685 0.466 0.937 0.901
16. 91.743 0.430 0.941 0.926
17. 98.472 0.452 0.983 0.964
18. 100.533 0.472 0.922 0.996
19. 100.645 0.544 0.978 0.968
20. 103.351 0.526 0.962 0.958
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
kedalam model grafik yang dapat mempresentasekan kesegaran.

1 Node 1 Hijau - -
2 Node 2 Hijau - -
3 Node 3 Hijau - -
4 Node 4 Hijau - -
5 Node 5 Hijau - -
6 Node 6 Hijau - -
7 Node 7 Hijau - -
8 Node 8 - Kuning -
9 Node 9 - Kuning -
82

Selanjutnya hasil deteksi kesegaran buah salak 11 didapatkan periode segar

dengan presentase mulai dari 100%-78% dan rentang hari ke 0-7. Kemudian
periode masa peralihan dengan presentase mulai dari 80%-50% dan rentang hari ke
8-12. Selanjutnya periode terakhir pembusukan dengan presentase mulai dari 49%-
0% dan rentang hari ke 13-20 seperti yang ditunjukan pada gambar 4.31.

83


1. 3.371 0.267 0.872 0.869
2. 9.355 0.294 0.822 0.893
3. 13.148 0.244 0.987 0.974
4. 17.434 0.296 0.821 0.961
5. 20.756 0.232 0.865 0.834
6. 28.351 0.377 0.891 0.926
7. 34.533 0.259 0.872 0.858
8. 39.742 0.289 0.836 0.860
9. 40.078 0.225 0.846 0.814
10. 46.021 0.261 0.821 0.875
11. 51.530 0.204 0.878 0.852
12. 65.834 0.359 0.909 0.860
13. 70.604 0.343 0.834 0.846
14. 76.326 0.430 0.992 0.855
15. 80.653 0.492 0.891 0.864
16. 87.864 0.426 0.971 0.916
17. 91.437 0.481 0.939 0.932
18. 97.445 0.564 0.957 0.925
19. 101.647 0.526 0.981 0.954
20. 110.452 0.571 0.957 0.871
titik persebaran tiap sampel berdasarkan klasterisasi kelompoknya. Adapun
klasterisasi dipisah atau dibagi menjadi 3 bagian kelompok klasterisasi yakni
84
beranggotakan 6 node berwarna kuning dan klasterisasi pembusukan

kedalam model grafik yang dapat mempresentasekan kesegaran.

1 Node 1 Hijau - -
2 Node 2 Hijau - -
3 Node 3 Hijau - -
4 Node 4 Hijau - -
5 Node 5 Hijau - -
6 Node 6 Hijau - -
7 Node 7 - Kuning -
8 Node 8 - Kuning -
85

9 Node 9 - Kuning -
Selanjutnya hasil deteksi kesegaran buah salak 12 didapatkan presentase


86

memiliki rentang nilai dari 0.811 sampai 0.992 dan entropi merupakan salah satu
nilai dari sekian nilai yang menggambarkan keadaan tekstur yang memiliki rentang
nilai dari 0.821 sampai 0.989.

1. 1.050 0.187 0.845 0.875
2. 6.043 0.195 0.875 0.846
3. 11.775 0.160 0.837 0.838
4. 17.637 0.166 0.811 0.859
5. 20.412 0.132 0.885 0.829
6. 29.237 0.279 0.822 0.836
7. 31.741 0.259 0.873 0.857
8. 39.534 0.268 0.889 0.868
9. 42.436 0.222 0.836 0.824
10. 48.853 0.251 0.868 0.845
11. 53.431 0.454 0.835 0.822
12. 61.540 0.348 0.819 0.817
13. 69.347 0.338 0.846 0.875
14. 73.305 0.410 0.942 0.874
15. 75.569 0.492 0.932 0.834
16. 86.054 0.466 0.962 0.910
17. 89.087 0.474 0.989 0.932
18. 92.896 0.548 0.957 0.927
19. 96.703 0.536 0.921 0.998
20. 99.572 0.591 0.951 0.970
dicari titik-titik dari setiap sampel citra buah salak pondoh berdasarkan klasterisasi
kelompoknya. Adapun telah ditetapkan pembagian klasterisasi dibagi menjadi 3
87
bagian klasterisasi yakni klasterisasi periode segar beranggotakan 6 node berwarna

hijau sebagai masa segar, klasterisasi peralihan beranggotakan 6 node berwarna
kuning sebagai masa pergantian dan klasterisasi pembusukan beranggotakan 8 node
berwarna merah sebagai penanda masa busuk seperti pada gambar 4.34.

1 Node 1 Hijau - -
2 Node 2 Hijau - -
88

3 Node 3 Hijau - -
4 Node 4 Hijau - -
5 Node 5 Hijau - -
6 Node 6 Hijau - -
7 Node 7 - Kuning -
8 Node 8 - Kuning -
9 Node 9 - Kuning -

dari tiap sampel citra buah salak pondoh. Hasil yang telah didapatkan dari deteksi
kesegaran pada buah salak pondoh 13 yakni telah didapatkan periode sampel citra
buah salak pondoh dikategorikan segar dengan presentase mulai dari 100% sampai
dengan kurang lebih 75% dan dengan rentang hari ke 0 sampai hari ke 6. Kemudian
periode sampel dikategorikan masuk pada masa peralihan dengan presentase mulai
dari 72% sampai dengan kurang lebih 40% dan dengan rentang hari ke 7 sampai
hari ke 12. Selanjutnya periode terakhir sampel dikategorikan masuk pada masa
pembusukan dengan presentase mulai dari 38% sampai dengan kurang lebih 0%
dan dengan rentang hari ke 13 sampai hari ke 20 seperti yang ditunjukan pada
gambar 4.35.
89

Pada tabel 4.28 merupakan reka identifikasi sampel citra buah salak 14 dari

1. 1.066 0.253 0.977 0.894
2. 7.605 0.221 0.942 0.861
3. 13.804 0.213 0.925 0.890
4. 17.301 0.263 0.928 0.952
5. 22.643 0.274 0.992 0.921
6. 34.584 0.283 0.933 0.913
7. 43.490 0.266 0.897 0.828
90

8. 48.758 0.252 0.868 0.885
9. 52.431 0.221 0.857 0.869
10. 57.613 0.376 0.846 0.891
11. 66.527 0.324 0.835 0.873
12. 69.461 0.331 0.875 0.870
13. 70.753 0.306 0.830 0.821
14. 74.045 0.488 0.728 0.741
15. 78.005 0.496 0.873 0.929
16. 86.231 0.436 0.994 0.952
17. 89.876 0.460 0.948 0.922
18. 91.537 0.451 0.963 0.957
19. 97.861 0.524 0.951 0.919
20. 99.750 0.565 0.913 0.933
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.

91

1 Node 1 Hijau - -
2 Node 2 Hijau - -
3 Node 3 Hijau - -
4 Node 4 Hijau - -
5 Node 5 Hijau - -
6 Node 6 Hijau - -
7 Node 7 - Kuning -
8 Node 8 - Kuning -
9 Node 9 - Kuning -

sampel dikategorikan segar dengan presentase dari 100%-78% dengan rentang hari
ke 0-6. Kemudian periode sampel dikategorikan masuk pada masa peralihan dengan
presentase dari 75%-50% dengan rentang hari ke 7-13. Selanjutnya periode terakhir
92
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.

Pada tabel 4.30 merupkan rekap identifikasi sampel citra buah salak 15 dari
93

1. 4.328 0.272 0.825 0.855
2. 8.724 0.361 0.932 0.845
3. 11.552 0.137 0.812 0.927
4. 22.352 0.284 0.846 0.982
5. 25.634 0.244 0.884 0.872
6. 28.667 0.134 0.811 0.906
7. 33.314 0.262 0.886 0.864
8. 37.457 0.274 0.879 0.892
9. 43.744 0.223 0.824 0.832
10. 55.849 0.367 0.894 0.868
11. 61.409 0.284 0.847 0.876
12. 66.073 0.362 0.868 0.885
13. 70.006 0.322 0.896 0.875
14. 75.528 0.461 0.984 0.798
15. 87.147 0.604 0.826 0.824
16. 89.445 0.426 0.936 0.935
17. 91.378 0.443 0.924 0.957
18. 95.742 0.585 0.932 0.959
19. 98.436 0.573 0.941 0.969
20. 100.875 0.563 0.863 0.883
gambar 4.38.
94
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.

1 Node 1 Hijau - -
2 Node 2 Hijau - -
3 Node 3 Hijau - -
4 Node 4 Hijau - -
5 Node 5 Hijau - -
6 Node 6 Hijau - -
7 Node 7 Hijau - -
95

8 Node 8 Hijau - -
9 Node 9 - Kuning -
Selanjutnya tahapan pemodelan grafik presentase kesegaran dari tiap

sampelnya. Adapun hasil dari deteksi kesegaran didapatkan presentase periode
segar dari 100%-70% dengan rentang hari ke 0-8. Pada presentase periode peralihan
65%-30% dengan rentang hari ke 9-14. Dan periode presentase busuk dari 25%-0%
dengan rentang hari ke 15-20 seperti pada gambar 4.39.

96

pertama sampai hari 20, indeks browning yang memiliki rentang nilai dari 3.317
sampai 102.632, kontras yang memiliki rentang nilai dari 0.220 sampai 0.564,
korelasi yang memiliki rentang nilai dari 0.915 sampai 0.984 dan entropi yang

1. 3.317 0.352 0.972 0.954
2. 7.531 0.220 0.982 0.883
3. 9.421 0.248 0.953 0.894
4. 13.345 0.237 0.925 0.864
5. 16.753 0.221 0.931 0.895
6. 19.890 0.251 0.915 0.889
7. 25.009 0.244 0.950 0.830
8. 28.264 0.260 0.945 0.819
9. 35.531 0.231 0.917 0.874
10. 47.621 0.382 0.959 0.829
11. 52.634 0.347 0.972 0.867
12. 61.674 0.361 0.941 0.803
13. 67.532 0.320 0.983 0.836
14. 71.642 0.392 0.931 0.881
15. 83.415 0.468 0.979 0.832
16. 90.464 0.471 0.951 0.929
17. 93.142 0.484 0.973 0.897
18. 95.654 0.479 0.946 0.843
19. 98.107 0.564 0.961 0.834
20. 102.632 0.534 0.984 0.874
97
gambar 4.40.
Pada tabel 4.33 merupakan salah satu analisis data hasil diantaranya data
prersentase kesegaran ada pada gambar 4.41 yang dapat diihat perubahannya.

1 Node 1 Hijau - -
2 Node 2 Hijau - -
3 Node 3 Hijau - -
4 Node 4 Hijau - -
5 Node 5 Hijau - -
6 Node 6 Hijau - -
7 Node 7 Hijau - -
8 Node 8 Hijau - -
98

9 Node 9 Hijau - -
Selanjutnya pemodelan hasil deteksi kesegaran pada buah salak 16

didapatkan periode segar dengan presentase mulai dari 100%-60% dengan rentang
hari ke 0-9. Kemudian periode sampel masuk pada masa peralihan dengan
presentase mulai dari 50%-20% dengan rentang hari ke 10-14. Selanjutnya periode
terakhir sampel masuk pada masa pembusukan dengan presentase mulai dari 17%-
0% dengan rentang hari ke 15-20 seperti pada gambar 4.41.

99

pertama sampai hari 20, indeks browning memiliki rentang nilai dari 1.874 sampai
107.854, kontras memiliki rentang nilai dari 0.169 sampai 0.574, korelasi memiliki
rentang nilai dari 0.824 sampai 0.991 dan entropi memiliki rentang nilai dari 0.747
sampai 0.983.

1. 1.874 0.202 0.884 0.863
2. 3.648 0.364 0.991 0.873
3. 9.315 0.184 0.833 0.983
4. 15.806 0.274 0.853 0.948
5. 19.146 0.282 0.836 0.838
6. 21.532 0.169 0.843 0.962
7. 26.864 0.260 0.860 0.886
8. 32.479 0.272 0.879 0.892
9. 39.754 0.223 0.824 0.832
10. 41.086 0.367 0.894 0.868
11. 46.647 0.284 0.847 0.876
12. 57.758 0.374 0.868 0.885
13. 59.467 0.352 0.851 0.875
14. 65.145 0.422 0.922 0.747
15. 73.312 0.436 0.861 0.855
16. 76.870 0.464 0.913 0.913
17. 84.842 0.419 0.956 0.929
18. 99.009 0.571 0.932 0.959
19. 103.341 0.574 0.941 0.969
20. 107.854 0.546 0.893 0.841
titik persebaran tiap sampel berdasarkan klasterisasinya. Adapun klasterisasi dibagi
menjadi 3 bagian yakni klasterisasi segar beranggotakan 8 node berwarna hijau,
100
prersentase kesegaran ada pada gambar 4.43 yang dapat dilihat pergeseran atau

1 Node 1 Hijau - -
2 Node 2 Hijau - -
3 Node 3 Hijau - -
4 Node 4 Hijau - -
5 Node 5 Hijau - -
6 Node 6 Hijau - -
7 Node 7 Hijau - -
8 Node 8 Hijau - -
9 Node 9 - Kuning -
101

Selanjutnya dimodelkan hasil deteksi kesegaran pada buah salak 17

didapatkan periode sampel dikategorikan segar dengan presentase mulai dari 100%
- 60% dan dengan rentang hari ke 0-8. Kemudian periode sampel dikategorikan
masuk pada masa peralihan dengan presentase mulai dari 59% - 20% dan dengan
rentang hari ke 10-14. Selanjutnya periode terakhir sampel dikategorikan masuk
pada masa pembusukan dengan presentase mulai dari 18%-0% dan dengan rentang
hari ke 16-20 seperti yang ditunjukan pada gambar 4.43.

102


1. 3.100 0.133 0.875 0.822
2. 8.743 0.161 0.864 0.862
3. 13.521 0.122 0.943 0.972
4. 16.742 0.231 0.834 0.953
5. 20.542 0.263 0.825 0.832
6. 28.421 0.377 0.845 0.936
7. 33.632 0.209 0.850 0.857
8. 47.863 0.278 0.879 0.868
9. 53.376 0.220 0.810 0.884
10. 55.532 0.251 0.868 0.815
11. 66.498 0.214 0.835 0.822
12. 73.100 0.208 0.809 0.807
13. 79.430 0.341 0.834 0.846
14. 80.205 0.410 0.942 0.874
15. 83.081 0.492 0.865 0.834
16. 86.882 0.473 0.911 0.962
17. 89.482 0.462 0.961 0.942
18. 95.399 0.501 0.984 0.974
19. 100.371 0.574 0.942 0.932
20. 103.644 0.525 0.873 0.874
103
gambar 4.44.
104

klasifikasi Periode
1 Node 1 Hijau - -
2 Node 2 Hijau - -
3 Node 3 Hijau - -
4 Node 4 Hijau - -
5 Node 5 Hijau - -
6 Node 6 Hijau - -
7 Node 7 Hijau - -
8 Node 8 - Kuning -
9 Node 9 - Kuning -

periode masa segar adalah 100% yang merupakan nilai tertinggi dari presentase
kesegaran buah salak pondoh berlangsung sampai kesegaran buah salak pondoh
berkurang menjadi kurang lebih 80% dengan rentang hari ke 0 sampai dengan pada
hari yang ke 7. Kemudian presentase pada periode peralihan yang merupakan masa
dimana kesegaran buah salak pondoh mulai mengalami pengurangan dengan nilai
presentase dimulai dari 79% sampai berkurang menjadi kurang lebih 53% dengan
rentang hari ke 8 sampai dengan pada hari yang ke 11. Dan periode presentase
pembusukan 50% sampai berkurang menjadi 0% dengan rentang hari ke 12 sampai
dengan pada hari yang ke 20 seperti pada gambar 4.45.
105

Pada tabel 4.38 berisikan beberapa data seperti indeks browning meliputi
nilai perubahan warna bagian pucuk pada sampel buah salak yang memiliki rentang
nilai dari 1.066 sampai 98.765, kontras meliputi nilai kecerahan citra yang memiliki

1. 1.066 0.243 0.924 0.875
2. 6.977 0.263 0.941 0.857
3. 10.532 0.222 0.984 0.897
4. 11.759 0.212 0.974 0.964
5. 14.435 0.238 0.921 0.975
6. 19.647 0.284 0.933 0.913
7. 22.351 0.206 0.897 0.828
8. 37.863 0.254 0.868 0.885
9. 43.341 0.225 0.857 0.869
106

10. 55.543 0.375 0.846 0.891
11. 66.075 0.314 0.835 0.873
12. 73.765 0.332 0.875 0.870
13. 75.536 0.366 0.830 0.821
14. 79.745 0.473 0.984 0.843
15. 83.321 0.473 0.879 0.929
16. 86.623 0.583 0.985 0.932
17. 89.532 0.583 0.927 0.962
18. 90.353 0.748 0.968 0.942
19. 96.592 0.950 0.979 0.952
20. 98.765 0.875 0.962 0.973
Adapun telah didapatkan 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 4.46.

107

klasifikasi Periode
1 Node 1 Hijau - -
2 Node 2 Hijau - -
3 Node 3 Hijau - -
4 Node 4 Hijau - -
5 Node 5 Hijau - -
6 Node 6 Hijau - -
7 Node 7 Hijau - -
8 Node 8 - Kuning -
9 Node 9 - Kuning -

dari tiap sampel. Hasil deteksi kesegaran pada citra buah salak pondoh 19
didapatkan periode sampel citra buah salak pondoh dikategorikan segar dengan
108
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.

seperti pada tabel 4.36 yang berisikan beberapa data seperti data indeks browning
109

1. 0.983 0.265 0.904 0.965
2. 4.648 0.284 0.933 0.843
3. 9.896 0.274 0.963 0.874
4. 11.754 0.297 0.925 0.842
5. 14.245 0.221 0.923 0.814
6. 17.233 0.251 0.928 0.889
7. 24.422 0.244 0.952 0.830
8. 28.432 0.260 0.945 0.819
9. 34.987 0.231 0.917 0.874
10. 43.680 0.382 0.959 0.829
11. 51.098 0.347 0.972 0.867
12. 62.213 0.361 0.941 0.803
13. 68.221 0.320 0.983 0.836
14. 77.535 0.392 0.931 0.881
15. 85.436 0.468 0.979 0.832
16. 90.242 0.429 0.955 0.835
17. 93.922 0.491 0.977 0.843
18. 95.775 0.409 0.907 0.884
19. 96.375 0.571 0.946 0.874
20. 97.544 0.655 0.845 0.854

110

1 Node 1 Hijau - -
2 Node 2 Hijau - -
3 Node 3 Hijau - -
4 Node 4 Hijau - -
5 Node 5 Hijau - -
6 Node 6 Hijau - -
7 Node 7 Hijau - -
8 Node 8 Hijau - -
9 Node 9 - Kuning -
111


sampel dikategorikan segar dengan presentase mulai dari 100% sampai dengan
kurang lebih 69% dan dengan rentang hari ke 0-8. Kemudian periode sampel
dikategorikan masuk pada masa peralihan dengan presentase mulai dari 68% - 25%
dan dengan rentang hari ke 9-13. Selanjutnya periode terakhir sampel dikategorikan
masuk pada masa pembusukan dengan presentase mulai dari 23% - 0% dan dengan
rentang hari ke 14-20 seperti yang ditunjukan pada gambar 4.49.

112
4.5. Model Hasil Identifikasi Sampel
Pada tahap model merupakan tahapan yang diperlukan untuk mengecek

kembali apakah data sudah sesuai atau belum. Model yang dilakukan pada
penelitian ini menggunakan model regresi linier sebagai acuan data hasil terhadap
trend data untuk memodelkan data hasil yang didapatkan dan kemudian diujikan.
Pada gambar 4.50 menunjukan tentang indeks browning yang merupakan salah satu
parameter perubahan warna kecoklatan. Lalu pada gambar 4.50 dimodelkan dari 20
sampel indeks browning dari sebuah sampel citra buah salak yang digambarkan
dengan 20 warna yang berbeda, dimana tiap satu data sampel indeks browning dari
sebuah sampel citra buah yang telah didapatkan untuk ditetapkan menjadi sebuah
garis linier periode dan berserta node anggotanya dengan panjang rentang periode
yakni 20 hari. Dimana tiap node-node dan garis periode per sampel indeks
browning dari sebuah sampel citra buah dapat saja saling beririsan atau bersilangan
satu sama lain. Dan tiap node dan garis periode per sampel indeks browning dari
sebuah sampel citra buah memiliki garis error tepi berbentuk garis putus kecil yang
menggambarkan batas-batas error seperti pada gambar 4.50.
Gambar 4.50 Regresi indeks browning

113
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.
Tabel 4.61 Best-fit values indeks browning
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).
Tabel 4.62 Standart error dan Equation indeks browning
Std. Error Goodness of Fit

Sampel Slope Y-intercept R square Sy.x Equation
Indeks Browning 1 0.2551 3.056 0.9708 6.579 Y = 6,246*X + (-12,30)
Indeks Browning 14 0.1733 2.076 0.9808 4.468 Y = 5,258*X + 0,959
Pada gambar 4.51 menunjukan tentang kontras yang merupakan perameter

kecerahan. Sama halnya pada gambar 4.51 dimodelkan dari 20 sampel kontras dari
sebuah sampel citra buah yang digambarkan dengan 20 warna yang berbeda,
dimana tiap satu data sampel kontras dari sebuah sampel citra buah yang telah
didapatkan untuk ditetapkan menjadi sebuah garis linier periode dan berserta node
anggotanya dengan panjang rentang periode yakni 20 hari. Dan tiap node berbentuk
garis putus kecil yang menggambarkan batas-batas error seperti pada gambar 4.51.
115
Gambar 4.51 Regresi kontras
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.
Tabel 4.63 Best-fit values kontras
Best-fit values
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
Tabel 4.64 Best-fit values kontras (lanjutan)

Best-fit values
Kontras 6 0.01909 0.1401 -7.341 52.39
Kontras 7 0.005614 0.2881 -51.31 178.1
Kontras 8 0.01846 0.1403 -7.599 54.16
Kontras 9 0.01143 0.2728 -23.87 87.51
Kontras 10 0.01379 0.1878 -13.61 72.52
Kontras 11 0.01598 0.1664 -10.42 62.59
Kontras 12 0.01647 0.1841 -11.17 60.71
Kontras 13 0.02322 0.09504 -4.094 43.08
Kontras 14 0.0173 0.1685 -9.738 57.8
Kontras 15 0.01964 0.1528 -7.783 50.92
Kontras 16 0.01682 0.1766 -10.5 59.44
Kontras 17 0.01812 0.1616 -8.919 55.18
Kontras 18 0.02117 0.1 -4.725 47.25
Kontras 19 0.03352 0.05896 -1.759 29.83
Kontras 20 0.01712 0.1779 -10.39 58.42
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.
Tabel 4.65 Standart error dan Equation kontras

Kontras 1 0.002463 0.02951 0.7923 0.06352 Y = 0,02041*X + 0,1352
Kontras 2 0.002644 0.03167 0.6926 0.06817 Y = 0,01683*X + 0,1636
117
Tabel 4.66 Standart error dan Equation kontras (Lanjutan)

Equation
Sampel Slope Y-intercept R square Sy.x
Kontras 3 0.003129 0.03749 0.6674 0.0807 Y = 0,01881*X + 0,1413
Kontras 4 0.00197 0.0236 0.8326 0.0508 Y = 0,01864*X + 0,1531
Kontras 5 0.001861 0.02229 0.837 0.04798 Y = 0,01789*X + 0,1569
Kontras 6 0.002842 0.03405 0.7147 0.0733 Y = 0,01909*X + 0,1401
Kontras 7 0.001555 0.01863 0.4199 0.0401 Y = 0,005614*X + 0,2881
Kontras 8 0.002459 0.02946 0.758 0.06342 Y = 0,01846*X + 0,1403
Kontras 9 0.002058 0.02465 0.6315 0.05306 Y = 0,01143*X + 0,2728
Kontras 10 0.00217 0.02599 0.6917 0.05595 Y = 0,01379*X + 0,1878
Kontras 11 0.002215 0.02654 0.7429 0.05713 Y = 0,01598*X + 0,1664
Kontras 12 0.002735 0.03277 0.6683 0.07054 Y = 0,01647*X + 0,1841
Kontras 13 0.00202 0.0242 0.8801 0.05209 Y = 0,02322*X + 0,09504
Kontras 14 0.001984 0.02376 0.8087 0.05115 Y = 0,01730*X + 0,1685
Kontras 15 0.003327 0.03986 0.6593 0.0858 Y = 0,01964*X + 0,1528
Kontras 16 0.002205 0.02641 0.7638 0.05686 Y = 0,01682*X + 0,1766
Kontras 17 0.002546 0.0305 0.7379 0.06566 Y = 0,01812*X + 0,1616
Kontras 18 0.002734 0.03275 0.769 0.0705 Y = 0,02117*X + 0,1000
Kontras 19 0.00439 0.05259 0.7641 0.1132 Y = 0,03352*X + 0,05896
Kontras 20 0.002474 0.02964 0.7267 0.06381 Y = 0,01712*X + 0,1779
Pada gambar 4.52 menunjukan tentang entropi yang merupakan ekstraksi

ciri dari tekstur sampel citra buah salak pondoh. Adapun pada gambar 4.52
dimodelkan dari 20 sampel entropi dari sebuah citra buah salak pondoh yang
digambarkan dengan 20 warna yang berbeda dari ekstraksi ciri dari tekstur sampel
citra buah salak pondoh, dimana tiap satu data sampel entropi dari sebuah sampel
citra buah salak pondoh yang telah didapatkan untuk ditetapkan menjadi sebuah
garis linier periode dan berserta node anggotanya dengan panjang rentang periode
yakni 20 hari. Dimana tiap node-node dan garis periode per sampel entropi dari
sebuah sampel citra buah salak pondoh dapat saja saling beririsan atau bersilangan
satu sama lain. Dan tiap node dan garis periode per sampel entropi dari sebuah
sampel citra buah salak pondoh memiliki garis error tepi berbentuk garis putus
kecil yang menggambarkan batas-batas error seperti pada gambar 4.52.
118
Gambar 4.52 Regresi entropi
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.
Tabel 4.67 Best-fit values regresi entropi

Best-fit values
Entropi 1 0.001479 0.8732 -590.4 676.2
Entropi 2 0.007554 0.8305 -109.9 132.4
119
Tabel 4.68 Best-fit values regresi entropi (lanjutan)

Best-fit values
Entropi 3 0.001574 0.8613 -547 635.1
Entropi 4 0.002505 0.8673 -346.3 399.3
Entropi 5 -0.0008 0.8611 1077 -1251
Entropi 6 0.001029 0.8675 -843.4 972.2
Entropi 7 0.004783 0.877 -183.3 209.1
Entropi 8 0.005595 0.8264 -147.7 178.7
Entropi 9 0.000181 0.9443 -5212 5519
Entropi 10 0.002677 0.8679 -324.2 373.6
Entropi 11 0.006186 0.8491 -137.3 161.7
Entropi 12 0.000249 0.8843 -3553 4018
Entropi 13 0.005756 0.8114 -140.9 173.7
Entropi 14 0.001416 0.8762 -618.9 706.3
Entropi 15 0.001782 0.8715 -489.1 561.2
Entropi 16 -0.00193 0.8866 460.4 -519.3
Entropi 17 -0.00032 0.893 2815 -3152
Entropi 18 0.001776 0.8648 -486.9 563.1
Entropi 19 0.002682 0.8744 -326 372.9
Entropi 20 -0.00108 0.8657 802.9 -927.5
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.
Tabel 4.69 Standart error dan Equation regresi entropi

Entropi 1 0.002132 0.02554 0.02604 0.05498 Y = 0,001479*X + 0,8732
Entropi 2 0.001518 0.01818 0.5792 0.03914 Y = 0,007554*X + 0,8305
Entropi 3 0.001815 0.02174 0.04013 0.0468 Y = 0,001574*X + 0,8613
Entropi 4 0.001411 0.01691 0.1489 0.03639 Y = 0,002505*X + 0,8673
Entropi 5 0.001146 0.01373 0.02631 0.02955 Y = -0,0007992*X + 0,8611
Entropi 6 0.002646 0.0317 0.008326 0.06823 Y = 0,001029*X + 0,8675
120
Tabel 4.70 Standart error dan Equation regresi entropi (lanjutkan)

Sampel Std. Error Goodness of Fit Equation
Slope Y-intercept R square Sy.x
Entropi 7 0.001353 0.0162 0.4099 0.03488 Y = 0,004783*X + 0,8770
Entropi 8 0.001423 0.01705 0.4618 0.03671 Y = 0,005595*X + 0,8264
Entropi 9 0.001284 0.01538 0.001106 0.0331 Y = 0,0001812*X + 0,9443
Entropi 10 0.0022 0.02635 0.07602 0.05672 Y = 0,002677*X + 0,8679
Entropi 11 0.001305 0.01564 0.5551 0.03366 Y = 0,006186*X + 0,8491
Entropi 12 0.001805 0.02162 0.001056 0.04654 Y = 0,0002489*X + 0,8843
Entropi 13 0.0015 0.01797 0.4501 0.03868 Y = 0,005756*X + 0,8114
Entropi 14 0.002051 0.02457 0.02578 0.0529 Y = 0,001416*X + 0,8762
Entropi 15 0.00198 0.02371 0.04308 0.05105 Y = 0,001782*X + 0,8715
Entropi 16 0.001458 0.01747 0.0883 0.03761 Y = -0,001926*X + 0,8866
Entropi 17 0.002281 0.02733 0.001074 0.05883 Y = -0,0003173*X + 0,8930
Entropi 18 0.002232 0.02674 0.03397 0.05757 Y = 0,001776*X + 0,8648
Entropi 19 0.00184 0.02204 0.1055 0.04746 Y = 0,002682*X + 0,8744
Entropi 20 0.001415 0.01694 0.03127 0.03648 Y = -0,001078*X + 0,8657
4.6. Hasil Uji Testing

Adapun pada proses testing yang telah dilakukan sebagai uji test data
sampel untuk mengetahui kemampuan metode dalam mengolah data sampel dan
mengeluarkan keluaran yang sesuai dengan target dan trend data sebagai model.
Pada proses testing data sampel yang diujikan berjumlah 65% dari jumlah
keseluruhan data sampel yakni kurang lebih 340 sampel uji dari 400 sampel pada
data yang diujikan pada proses test ini. Berikut pada tabel 4.48 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 test saat dijalankan, nilai target merupakan nilai yang ditetapkan
sebagai acuan tujuan yang harus dipenuhi oleh metode dengan nilai 0.1 sampai 0.3,
trend data merupakan kecenderungan data yang didapatkan sebagai model data test
dengan nilai 0.219 sampai 0.16, nilai target dan trend data dengan nilai 0.098 sampai
0.02. Sementara ∑Perbandingan didapatkan dari penjumlahan nilai total dari nilai
uji coba terhadap sampel, nilai target dan trend data dengan nilai 0.847 sampai 0.44.
Kemudian MSE dengan nilai 0.141 sampai 0.003 seperti pada tabel 4.28.
121
Tabel 4.71 Hasil Testing sampel citra buah salak

Nilai Perbandingan
Nilai Uji Coba Target Trend Data
Sampel Terhadap Sampel (A) (B) Data (C) (A,B&C) ∑Banding MSE
1 0.268 0.2 0.122 0.068 0.59 0.115
2 0.257 0.2 0.132 0.057 0.589 0.097
3 0.122 0.1 0.134 0.022 0.356 0.062
4 0.198 0.1 0.142 0.098 0.44 0.223
5 0.213 0.2 0.16 0.013 0.573 0.023
6 0.221 0.2 0.166 0.021 0.587 0.036
7 0.238 0.2 0.169 0.038 0.607 0.063
8 0.298 0.2 0.197 0.098 0.695 0.141
9 0.22 0.2 0.198 0.02 0.618 0.032
10 0.275 0.2 0.202 0.075 0.677 0.111
11 0.16 0.1 0.204 0.06 0.464 0.129
12 0.202 0.2 0.206 0.002 0.608 0.003
13 0.223 0.2 0.206 0.023 0.629 0.037
14 0.274 0.2 0.208 0.074 0.682 0.109
15 0.212 0.2 0.208 0.012 0.62 0.019
16 0.338 0.3 0.209 0.038 0.847 0.045
17 0.247 0.2 0.209 0.047 0.656 0.072
18 0.231 0.2 0.212 0.031 0.643 0.048
19 0.221 0.2 0.212 0.021 0.633 0.033
20 0.232 0.2 0.213 0.032 0.645 0.050
21 0.261 0.2 0.213 0.061 0.674 0.091
22 0.251 0.2 0.214 0.051 0.665 0.077
23 0.263 0.2 0.214 0.063 0.677 0.093
24 0.296 0.2 0.219 0.096 0.715 0.134
25 0.292 0.2 0.22 0.092 0.712 0.129
26 0.286 0.2 0.22 0.086 0.706 0.122
27 0.166 0.1 0.22 0.066 0.486 0.136
28 0.197 0.1 0.221 0.097 0.518 0.187
29 0.238 0.2 0.221 0.038 0.659 0.058
30 0.266 0.2 0.221 0.066 0.687 0.096
31 0.282 0.2 0.221 0.082 0.703 0.117
32 0.323 0.3 0.221 0.023 0.844 0.027
33 0.284 0.2 0.222 0.084 0.706 0.119
34 0.286 0.2 0.223 0.086 0.709 0.121
122
Tabel 4.72 Hasil Testing sampel citra buah salak (lanjutan)

Nilai Perbandingan
35 0.251 0.2 0.223 0.051 0.674 0.076
36 0.384 0.3 0.223 0.084 0.907 0.093
37 0.213 0.2 0.223 0.013 0.636 0.020
38 0.132 0.1 0.223 0.032 0.455 0.070
39 0.263 0.2 0.225 0.063 0.688 0.092
40 0.232 0.2 0.225 0.032 0.657 0.049
41 0.284 0.2 0.225 0.084 0.709 0.118
42 0.169 0.1 0.229 0.069 0.498 0.139
43 0.219 0.2 0.229 0.019 0.648 0.029
44 0.244 0.2 0.231 0.044 0.675 0.065
45 0.206 0.2 0.231 0.006 0.637 0.009
46 0.284 0.2 0.231 0.084 0.715 0.117
47 0.232 0.2 0.231 0.032 0.663 0.048
48 0.221 0.2 0.231 0.021 0.652 0.032
49 0.274 0.2 0.232 0.074 0.706 0.105
50 0.142 0.1 0.232 0.042 0.474 0.089
51 0.26 0.2 0.232 0.06 0.692 0.087
52 0.259 0.2 0.234 0.059 0.693 0.085
53 0.244 0.2 0.235 0.044 0.679 0.065
54 0.306 0.3 0.238 0.006 0.844 0.007
55 0.244 0.2 0.238 0.044 0.682 0.065
56 0.206 0.2 0.244 0.006 0.65 0.009
57 0.221 0.2 0.244 0.021 0.665 0.032
58 0.244 0.2 0.244 0.044 0.688 0.064
59 0.229 0.2 0.244 0.029 0.673 0.043
60 0.377 0.3 0.244 0.077 0.921 0.084
61 0.26 0.2 0.244 0.06 0.704 0.085
62 0.272 0.2 0.247 0.072 0.719 0.100
63 0.294 0.2 0.251 0.094 0.745 0.126
64 0.361 0.3 0.251 0.061 0.912 0.067
65 0.251 0.2 0.251 0.051 0.702 0.073
66 0.251 0.2 0.251 0.051 0.702 0.073
67 0.26 0.2 0.251 0.06 0.711 0.084
68 0.377 0.3 0.251 0.077 0.928 0.083
69 0.377 0.3 0.251 0.077 0.928 0.083
123

Nilai Perbandingan
70 0.26 0.2 0.251 0.06 0.711 0.084
71 0.263 0.2 0.252 0.063 0.715 0.088
72 0.134 0.1 0.252 0.034 0.486 0.070
73 0.275 0.2 0.254 0.075 0.729 0.103
74 0.279 0.2 0.254 0.079 0.733 0.108
75 0.354 0.3 0.254 0.054 0.908 0.059
76 0.265 0.2 0.257 0.065 0.722 0.090
77 0.244 0.2 0.259 0.044 0.703 0.063
78 0.223 0.2 0.259 0.023 0.682 0.034
79 0.254 0.2 0.259 0.054 0.713 0.076
80 0.212 0.2 0.26 0.012 0.672 0.018
81 0.259 0.2 0.26 0.059 0.719 0.082
82 0.272 0.2 0.26 0.072 0.732 0.098
83 0.209 0.2 0.26 0.009 0.669 0.013
84 0.262 0.2 0.26 0.062 0.722 0.086
85 0.263 0.2 0.26 0.063 0.723 0.087
86 0.223 0.2 0.261 0.023 0.684 0.034
87 0.244 0.2 0.261 0.044 0.705 0.062
88 0.209 0.2 0.261 0.009 0.67 0.013
89 0.259 0.2 0.262 0.059 0.721 0.082
90 0.283 0.2 0.263 0.083 0.746 0.111
91 0.231 0.2 0.263 0.031 0.694 0.045
92 0.268 0.2 0.263 0.068 0.731 0.093
93 0.251 0.2 0.263 0.051 0.714 0.071
94 0.234 0.2 0.265 0.034 0.699 0.049
95 0.231 0.2 0.265 0.031 0.696 0.045
96 0.278 0.2 0.266 0.078 0.744 0.105
97 0.265 0.2 0.266 0.065 0.731 0.089
98 0.26 0.2 0.268 0.06 0.728 0.082
99 0.329 0.3 0.268 0.029 0.897 0.032
100 0.26 0.2 0.268 0.06 0.728 0.082
101 0.274 0.2 0.272 0.074 0.746 0.099
102 0.225 0.2 0.272 0.025 0.697 0.036
103 0.254 0.2 0.274 0.054 0.728 0.074
104 0.252 0.2 0.274 0.052 0.726 0.072
124

Nilai Perbandingan
105 0.375 0.3 0.274 0.075 0.949 0.079
106 0.268 0.2 0.275 0.068 0.743 0.092
107 0.289 0.2 0.275 0.089 0.764 0.116
108 0.223 0.2 0.276 0.023 0.699 0.033
109 0.225 0.2 0.278 0.025 0.703 0.036
110 0.231 0.2 0.278 0.031 0.709 0.044
111 0.303 0.3 0.279 0.003 0.882 0.003
112 0.367 0.3 0.282 0.067 0.949 0.071
113 0.276 0.2 0.283 0.076 0.759 0.100
114 0.222 0.2 0.284 0.022 0.706 0.031
115 0.365 0.3 0.284 0.065 0.949 0.068
116 0.225 0.2 0.284 0.025 0.709 0.035
117 0.266 0.2 0.284 0.066 0.75 0.088
118 0.331 0.3 0.284 0.031 0.915 0.034
119 0.382 0.3 0.284 0.082 0.966 0.085
120 0.223 0.2 0.284 0.023 0.707 0.033
121 0.231 0.2 0.286 0.031 0.717 0.043
122 0.22 0.2 0.286 0.02 0.706 0.028
123 0.367 0.3 0.289 0.067 0.956 0.070
124 0.367 0.3 0.292 0.067 0.959 0.070
125 0.387 0.3 0.292 0.087 0.979 0.089
126 0.352 0.3 0.294 0.052 0.946 0.055
127 0.261 0.2 0.296 0.061 0.757 0.081
128 0.314 0.3 0.298 0.014 0.912 0.015
129 0.382 0.3 0.301 0.082 0.983 0.083
130 0.284 0.2 0.301 0.084 0.785 0.107
131 0.251 0.2 0.301 0.051 0.752 0.068
132 0.382 0.3 0.303 0.082 0.985 0.083
133 0.278 0.2 0.306 0.078 0.784 0.099
134 0.235 0.2 0.306 0.035 0.741 0.047
135 0.375 0.3 0.31 0.075 0.985 0.076
136 0.252 0.2 0.314 0.052 0.766 0.068
137 0.251 0.2 0.314 0.051 0.765 0.067
138 0.229 0.2 0.314 0.029 0.743 0.039
139 0.381 0.3 0.32 0.081 1.001 0.081
125

Nilai Perbandingan
140 0.261 0.2 0.32 0.061 0.781 0.078
141 0.347 0.3 0.32 0.047 0.967 0.049
142 0.347 0.3 0.32 0.047 0.967 0.049
143 0.204 0.2 0.322 0.004 0.726 0.006
144 0.221 0.2 0.323 0.021 0.744 0.028
145 0.347 0.3 0.324 0.047 0.971 0.048
146 0.373 0.3 0.324 0.073 0.997 0.073
147 0.314 0.3 0.329 0.014 0.943 0.015
148 0.342 0.3 0.329 0.042 0.971 0.043
149 0.22 0.2 0.331 0.02 0.751 0.027
150 0.454 0.4 0.331 0.054 1.185 0.046
151 0.372 0.3 0.332 0.072 1.004 0.072
152 0.375 0.3 0.332 0.075 1.007 0.074
153 0.214 0.2 0.332 0.014 0.746 0.019
154 0.347 0.3 0.334 0.047 0.981 0.048
155 0.251 0.2 0.334 0.051 0.785 0.065
156 0.375 0.3 0.338 0.075 1.013 0.074
157 0.367 0.3 0.338 0.067 1.005 0.067
158 0.324 0.3 0.341 0.024 0.965 0.025
159 0.361 0.3 0.341 0.061 1.002 0.061
160 0.284 0.2 0.342 0.084 0.826 0.102
161 0.376 0.3 0.343 0.076 1.019 0.075
162 0.374 0.3 0.347 0.074 1.021 0.072
163 0.254 0.2 0.347 0.054 0.801 0.067
164 0.363 0.3 0.347 0.063 1.01 0.062
165 0.352 0.3 0.347 0.052 0.999 0.052
166 0.301 0.3 0.348 0.001 0.949 0.001
167 0.32 0.3 0.352 0.02 0.972 0.021
168 0.332 0.3 0.352 0.032 0.984 0.033
169 0.284 0.2 0.354 0.084 0.838 0.100
170 0.348 0.3 0.359 0.048 1.007 0.048
171 0.361 0.3 0.361 0.061 1.022 0.060
172 0.361 0.3 0.361 0.061 1.022 0.060
173 0.208 0.2 0.361 0.008 0.769 0.010
174 0.374 0.3 0.361 0.074 1.035 0.071
126

Nilai Perbandingan
175 0.361 0.3 0.361 0.061 1.022 0.060
176 0.332 0.3 0.362 0.032 0.994 0.032
177 0.446 0.4 0.363 0.046 1.209 0.038
178 0.422 0.4 0.365 0.022 1.187 0.019
179 0.427 0.4 0.366 0.027 1.193 0.023
180 0.292 0.2 0.366 0.092 0.858 0.107
181 0.284 0.2 0.366 0.084 0.85 0.099
182 0.359 0.3 0.367 0.059 1.026 0.058
183 0.362 0.3 0.367 0.062 1.029 0.060
184 0.314 0.3 0.367 0.014 0.981 0.014
185 0.214 0.2 0.367 0.014 0.781 0.018
186 0.324 0.3 0.368 0.024 0.992 0.024
187 0.341 0.3 0.371 0.041 1.012 0.041
188 0.366 0.3 0.372 0.066 1.038 0.064
189 0.32 0.3 0.373 0.02 0.993 0.020
190 0.32 0.3 0.374 0.02 0.994 0.020
191 0.32 0.3 0.374 0.02 0.994 0.020
192 0.301 0.3 0.375 0.001 0.976 0.001
193 0.391 0.3 0.375 0.091 1.066 0.085
194 0.366 0.3 0.375 0.066 1.041 0.063
195 0.338 0.3 0.375 0.038 1.013 0.038
196 0.381 0.3 0.375 0.081 1.056 0.077
197 0.331 0.3 0.376 0.031 1.007 0.031
198 0.368 0.3 0.377 0.068 1.045 0.065
199 0.322 0.3 0.377 0.022 0.999 0.022
200 0.343 0.3 0.377 0.043 1.02 0.042
201 0.306 0.3 0.381 0.006 0.987 0.006
202 0.458 0.4 0.381 0.058 1.239 0.047
203 0.392 0.3 0.382 0.092 1.074 0.086
204 0.41 0.4 0.382 0.01 1.192 0.008
205 0.392 0.3 0.382 0.092 1.074 0.086
206 0.208 0.2 0.383 0.008 0.791 0.010
207 0.474 0.4 0.384 0.074 1.258 0.059
208 0.41 0.4 0.387 0.01 1.197 0.008
209 0.436 0.4 0.391 0.036 1.227 0.029
127

Nilai Perbandingan
210 0.332 0.3 0.391 0.032 1.023 0.031
211 0.401 0.4 0.392 0.001 1.193 0.001
212 0.488 0.4 0.392 0.088 1.28 0.069
213 0.375 0.3 0.392 0.075 1.067 0.070
214 0.334 0.3 0.401 0.034 1.035 0.033
215 0.443 0.4 0.406 0.043 1.249 0.034
216 0.461 0.4 0.406 0.061 1.267 0.048
217 0.366 0.3 0.406 0.066 1.072 0.062
218 0.492 0.4 0.408 0.092 1.3 0.071
219 0.329 0.3 0.409 0.029 1.038 0.028
220 0.43 0.4 0.409 0.03 1.239 0.024
221 0.408 0.4 0.409 0.008 1.217 0.007
222 0.31 0.3 0.41 0.01 1.02 0.010
223 0.464 0.4 0.41 0.064 1.274 0.050
224 0.392 0.3 0.41 0.092 1.102 0.083
225 0.496 0.4 0.41 0.096 1.306 0.074
226 0.458 0.4 0.419 0.058 1.277 0.045
227 0.341 0.3 0.422 0.041 1.063 0.039
228 0.391 0.3 0.426 0.091 1.117 0.081
229 0.371 0.3 0.426 0.071 1.097 0.065
230 0.301 0.3 0.427 0.001 1.028 0.001
231 0.473 0.4 0.429 0.073 1.302 0.056
232 0.468 0.4 0.429 0.068 1.297 0.052
233 0.41 0.4 0.43 0.01 1.24 0.008
234 0.492 0.4 0.43 0.092 1.322 0.070
235 0.496 0.4 0.431 0.096 1.327 0.072
236 0.492 0.4 0.436 0.092 1.328 0.069
237 0.334 0.4 0.436 -0.066 1.17 -0.056
238 0.492 0.4 0.443 0.092 1.335 0.069
239 0.473 0.4 0.443 0.073 1.316 0.055
240 0.468 0.4 0.443 0.068 1.311 0.052
241 0.486 0.4 0.446 0.086 1.332 0.065
242 0.49 0.4 0.451 0.09 1.341 0.067
243 0.406 0.4 0.452 0.006 1.258 0.005
244 0.419 0.4 0.452 0.019 1.271 0.015
128

Nilai Perbandingan
245 0.409 0.4 0.452 0.009 1.261 0.007
246 0.496 0.4 0.454 0.096 1.35 0.071
247 0.468 0.4 0.454 0.068 1.322 0.051
248 0.383 0.4 0.458 -0.017 1.241 -0.014
249 0.466 0.4 0.458 0.066 1.324 0.050
250 0.436 0.4 0.46 0.036 1.296 0.028
251 0.583 0.5 0.461 0.083 1.544 0.054
252 0.452 0.4 0.462 0.052 1.314 0.040
253 0.473 0.4 0.463 0.073 1.336 0.055
254 0.604 0.6 0.463 0.004 1.667 0.002
255 0.426 0.4 0.464 0.026 1.29 0.020
256 0.406 0.4 0.466 0.006 1.272 0.005
257 0.474 0.4 0.466 0.074 1.34 0.055
258 0.426 0.4 0.466 0.026 1.292 0.020
259 0.462 0.4 0.468 0.062 1.33 0.047
260 0.583 0.4 0.468 0.183 1.451 0.126
261 0.466 0.4 0.468 0.066 1.334 0.049
262 0.46 0.4 0.471 0.06 1.331 0.045
263 0.429 0.4 0.472 0.029 1.301 0.022
264 0.429 0.4 0.472 0.029 1.301 0.022
265 0.748 0.7 0.473 0.048 1.921 0.025
266 0.471 0.4 0.473 0.071 1.344 0.053
267 0.487 0.4 0.473 0.087 1.36 0.064
268 0.466 0.4 0.474 0.066 1.34 0.049
269 0.463 0.4 0.474 0.063 1.337 0.047
270 0.443 0.4 0.474 0.043 1.317 0.033
271 0.481 0.4 0.479 0.081 1.36 0.060
272 0.451 0.4 0.481 0.051 1.332 0.038
273 0.43 0.4 0.482 0.03 1.312 0.023
274 0.406 0.4 0.484 0.006 1.29 0.005
275 0.565 0.5 0.486 0.065 1.551 0.042
276 0.41 0.4 0.487 0.01 1.297 0.008
277 0.548 0.5 0.488 0.048 1.536 0.031
278 0.484 0.4 0.49 0.084 1.374 0.061
279 0.491 0.4 0.491 0.091 1.382 0.066
129

Nilai Perbandingan
280 0.491 0.4 0.491 0.091 1.382 0.066
281 0.531 0.5 0.492 0.031 1.523 0.020
282 0.595 0.5 0.492 0.095 1.587 0.060
283 0.409 0.4 0.492 0.009 1.301 0.007
284 0.474 0.4 0.492 0.074 1.366 0.054
285 0.501 0.5 0.496 0.001 1.497 0.001
286 0.479 0.4 0.496 0.079 1.375 0.057
287 0.585 0.5 0.496 0.085 1.581 0.054
288 0.409 0.4 0.501 0.009 1.31 0.007
289 0.571 0.5 0.516 0.071 1.587 0.045
290 0.571 0.5 0.524 0.071 1.595 0.045
291 0.558 0.5 0.524 0.058 1.582 0.037
292 0.454 0.4 0.524 0.054 1.378 0.039
293 0.95 0.9 0.525 0.05 2.375 0.021
294 0.536 0.5 0.526 0.036 1.562 0.023
295 0.524 0.5 0.526 0.024 1.55 0.015
296 0.452 0.4 0.531 0.052 1.383 0.038
297 0.571 0.5 0.531 0.071 1.602 0.044
298 0.564 0.5 0.534 0.064 1.598 0.040
299 0.655 0.6 0.536 0.055 1.791 0.031
300 0.524 0.5 0.536 0.024 1.56 0.015
301 0.463 0.4 0.536 0.063 1.399 0.045
302 0.564 0.5 0.542 0.064 1.606 0.040
303 0.548 0.5 0.544 0.048 1.592 0.030
304 0.573 0.5 0.546 0.073 1.619 0.045
305 0.472 0.4 0.546 0.072 1.418 0.051
306 0.452 0.4 0.548 0.052 1.4 0.037
307 0.875 0.8 0.548 0.075 2.223 0.034
308 0.571 0.5 0.554 0.071 1.625 0.044
309 0.443 0.4 0.558 0.043 1.401 0.031
310 0.565 0.5 0.563 0.065 1.628 0.040
311 0.542 0.5 0.564 0.042 1.606 0.026
312 0.591 0.5 0.564 0.091 1.655 0.055
313 0.565 0.5 0.564 0.065 1.629 0.040
314 0.531 0.5 0.564 0.031 1.595 0.019
130

Nilai Perbandingan
315 0.564 0.5 0.565 0.064 1.629 0.039
316 0.536 0.5 0.565 0.036 1.601 0.022
317 0.564 0.5 0.565 0.064 1.629 0.039
318 0.574 0.5 0.565 0.074 1.639 0.045
319 0.472 0.4 0.571 0.072 1.443 0.050
320 0.544 0.5 0.571 0.044 1.615 0.027
321 0.431 0.4 0.571 0.031 1.402 0.022
322 0.563 0.5 0.571 0.063 1.634 0.039
323 0.591 0.5 0.571 0.091 1.662 0.055
324 0.526 0.5 0.571 0.026 1.597 0.016
325 0.588 0.5 0.573 0.088 1.661 0.053
326 0.482 0.4 0.574 0.082 1.456 0.056
327 0.534 0.5 0.574 0.034 1.608 0.021
328 0.574 0.5 0.574 0.074 1.648 0.045
329 0.526 0.5 0.583 0.026 1.609 0.016
330 0.525 0.5 0.583 0.025 1.608 0.016
331 0.524 0.5 0.585 0.024 1.609 0.015
332 0.571 0.5 0.588 0.071 1.659 0.043
333 0.574 0.5 0.591 0.074 1.665 0.044
334 0.546 0.5 0.591 0.046 1.637 0.028
335 0.546 0.5 0.595 0.046 1.641 0.028
336 0.516 0.5 0.604 0.016 1.62 0.010
337 0.554 0.5 0.655 0.054 1.709 0.032
338 0.536 0.5 0.748 0.036 1.784 0.020
339 0.565 0.5 0.875 0.065 1.94 0.034
340 0.571 0.5 0.95 0.071 2.021 0.035
BAB IV
PENUTUP
Penutup berisi kesimpulan dari penelitian dan implementasi identifikasi

kesegaran buah salak pondoh pada sistem serta saran-saran penulis untuk
pengembangan lebih lanjut dari penelitian serupa.
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
[1] R. K. Sinuraya, “Keanekaragaman aktivitas farmakologi tanaman salak (

Salacca Zalacca),” vol. 16, pp. 99–107, 2018.
[2] Sudjijo, “Karakterisasi dan Evaluasi Beberapa Aksesi Tanaman Salak,” vol.
18, no. 4, pp. 373–379, 2008.
[3] K. A. Adirahmanto, R. Hartanto, and D. D. Novita, “Perubahan kimia dan
lama simpan buah salak pondoh ( salacca edulis reinw ) dalam penyimpanan
dinamis udara – CO2 [ chemical changes and shelf life fruit salak pondoh (
salacca edulis reinw ) dynamic storage in the air - CO2 ],” vol. 2, no. 3, pp.
123–132, 2013.
[4] A. N. Al-baarri et al, “Effect of Hypoiodous Acid ( HIO ) Treatment on Color
and pH Changes in Snake Fruit ( Salacca edulis Reinw .) during Room
Temperature Storage Effect of Hypoiodous Acid ( HIO )” 2019.
[5] J. Cao, C. Wang, S. Xu, Y. Chen, Y. Wang, and X. Li, “Scientia
Horticulturae The e ff ects of transportation temperature on the decay rate
and quality of postharvest Ponkan ( Citrus reticulata Blanco ) fruit in di ff
erent storage periods,” Sci. Hortic. (Amsterdam)., vol. 247, no. September
2018, pp. 42–48, 2019.
[6] P. Choosung, W. Utto, P. Boonyaritthongchai, and T. Wasusri, “Ethanol
vapor releasing sachet reduces decay and improves aroma attributes in
mulberry fruit,” Food Packag. Shelf Life, vol. 22, no. May, p. 100398, 2019.
[7] V. Norros and P. Halme, “Growth sites of polypores from quantitative expert
evaluation : Late-stage decayers and saprotrophs fruit closer to ground,”
Fungal Ecol., vol. 28, pp. 53–65, 2017.
[8] P. Mazumdar, H. Pratama, S. Lau, C. How, and J. Ann, “Trends in Food
Science & Technology Biology , phytochemical profile and prospects for
snake fruit : An antioxidant- rich fruit of South East Asia,” Trends Food Sci.
Technol., vol. 91, no. June, pp. 147–158, 2019.
[9] I. Yulia, S. Zulaikhah, M. Amrun, and B. Kuswandi, “Antioxidant Activity
of Various Kenitu ( Chrysophyllum cainito L .) Leaves Extracts from Jember
, Indonesia,” Ital. Oral Surg., vol. 9, pp. 378–385, 2016.
[10] N. Nazir and M. R. Adrian, “The Improvement Lycopene Availability and
Antioxidant Activities of Tomato ( Lycopersicum esculentum , Mill ) Jelly
Drink,” Ital. Oral Surg., vol. 9, pp. 328–334, 2016.
[11] W. A. Gusrianto, S. Fatimah-muis, A. N. Al-baarri, and A. M. Legowo,
“Efek Asam Hypoiodous pada Perubahan Aktivitas Antioksidan dan Total
Mikroba Salak Pondoh pada Penyimpanan di Suhu Ruang,” vol. 7, no. 3, pp.
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
[41] M. Kuss and C. E. Rasmussen, “Assessing Approximations for Gaussian

Process Classification.”
[42] H. Nickisch and C. E. Rasmussen, “Approximations for Binary Gaussian
Process Classification,” Mach. Learn. Res., vol. 9, pp. 2035–2078, 2008.
[43] S. Martino, “Approximate Bayesian Inference for Latent Gaussian Models
Using Integrated Nested Laplace Approxima- tions,” no. 2001.
[44] A. Naish-guzman and S. Holden, “The Generalized FITC Approximation,”
no. Ivm, pp. 1–8.
[45] J. Wang, H. Lu, K. N. Plataniotis, and J. Lu, “Gaussian Kernel Optimization
for Pattern Classification,” no. September 2008, pp. 1–28.
[46] L. Moraru et al., “Gaussian mixture model for texture characterization with
application to brain DTI images,” J. Adv. Res., vol. 16, pp. 15–23, 2019.
[47] T. Cong and J. Baranowski, “ScienceDirect Binary Classifier for Fault
Detection Based Binary Classifier for Fault Detection Based Binary
Classifier for Fault Detection Based on Gaussian Model Binary Classifier for
Fault and Detection Based on Gaussian Model on Gaussian Model and
PCA,” IFAC-PapersOnLine, vol. 51, no. 24, pp. 1317–1323, 2018.
[48] B. Zhang, S. Qin, W. Wang, D. Wang, and L. Xue, “Data stream Clustering
based on Fuzzy C-Mean algorithm and entropy theory,” Signal Processing,
pp. 3–8, 2015.
[49] Y. Tao, Y. Zhang, and Q. Wang, “Engineering Applications of Artificial
Intelligence Fuzzy c -mean Clustering -based decomposition with GA
optimizer for FSM synthesis targeting to low power,” Eng. Appl. Artif.
Intell., vol. 68, no. April 2017, pp. 40–52, 2018.
[50] E. E. Nithila and S. S. Kumar, “Segmentation of lung nodule in CT data using
active contour model and Fuzzy C-mean klasterisasiing,” Alexandria Eng.
J., vol. 55, no. 3, pp. 2583–2588, 2016.
[51] C. Kavitha, B. P. Rao, and A. Govardhan, “Image Retrieval Based On Color
and Texture Features of the Image Sub-blocks,” Int. J. Comput. Appl., vol.
15, no. 7, pp. 33–37, 2011.
[52] P. Mohanaiah, P. Sathyanarayana, and L. Gurukumar, “Image Texture
Feature Extraction Using GLCM Approach” vol. 3, no. 5, pp. 1–5, 2013.
[53] B. Sovdat, M. Kadunc, M. Batič, and G. Milčinski, “Remote Sensing of
Environment Natural color representation of Sentinel-2 data,” Remote Sens.
Environ., vol. 225, no. March, pp. 392–402, 2019.
[54] S. N. Subhashree, S. Sunoj, J. Xue, and G. C. Bora, “Quantification of
browning in apples using colour and textural features by image analysis,” pp.
1–6, 2017.
138
[55] R. Katarya and O. P. Verma, “Effectual recommendations using artificial

algae algorithm and fuzzy c-mean,” vol. 36, no. April, pp. 52–61, 2017.

Deteksi Tingkat Kesegaran Buah Salak Pondoh Dengan Indentifikasi Indeks Browning, Tekstur, Dan Kontras Menggunakan Kombinasi Metode Pengklasifikasi

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Deteksi Tingkat Kesegaran Buah Salak Pondoh Dengan Indentifikasi Indeks Browning, Tekstur, Dan Kontras Menggunakan Kombinasi Metode Pengklasifikasi

Diunggah oleh

Hak Cipta:

Format Tersedia

UNIVERSITAS DIPONEGORO

DETEKSI TINGKAT KESEGARAN BUAH SALAK PONDOH DENGAN

DEPARTEMEN TEKNIK ELEKTRO

Tesis ini adalah hasil karya saya sendiri,

NAMA : Muhammad Muslim

Tesis ini diajukan oleh :

Pembimbing I : Dr. Maman Somantri, S.T., M.T. ( ........................ )

Pembimbing II : Ahmad N. Al-Baarri, S.Pt. MP. Ph.D. (. ....................... )

Penguji I : Dr. Ir. R. Rizal Isnanto, M.M., M.T., IPM. (......................... )

Penguji I : Aghus Sofwan, S.T., M.T., Ph.D. (......................... )

Penguji III : Mochammad Facta, S.T., M.T., Ph.D. (......................... )

Dr. Wahyudi, ST, MT

Sebagai sivitas akademika Universitas Diponegoro, saya yang bertanda tangan di

“Deteksi Tingkat Kesegaran Buah Salak Pondoh Dengan Identifikasi Indeks

Keywords: image identification of the freshness of snake fruit, image detection,

Puji syukur penulis panjatkan Kehadirat Allahlyang telah melimpahkan

Gambar 2.1 GP regression ............................................................................. 8

Tabel 2.1 Area kerja matriks 13

1.1 Latar Belakang

proses pengaktifasian, melainkan dilakukan juga tahap improvisasi pada

Adapun kebanyakan yang diterapkan pada tahap klasterisasi untuk

klasterisasi[38], [39], dan aproksimasi[39–43]. Adapun yang dimaksud proses

1.2 Perumusan Masalah

2. Berapa nilai presentase deteksi kesegaran buah salak pondoh menggunakan

1.3 Tujuan Penelitian

1.4 Manfaat Penelitian

1.5 Ruang lingkup

1.6 Batasan Masalah

2.1. Penelitian Terdahulu

Sebagai mana 𝑚 masuk pada jumlah komponen kernel di GP sebelumnya,

Gaussian proses dapat diterapkan pada sistem berbasis Real-time atau

Horizon (IHGP) dapat diterapkan dalam pengaturan streaming, termasuk estimasi

Gambar 2.1 GP regression

Untuk data di mana asumsi kebisingan Gaussian mungkin tidak sesuai,

2.1.2 Ciri Warna dan Tekstur

1. Resize gambar kedalam ukuran 60×240

Dalam penelitian sebelumnya, Gray-Level Co-occurence Matrix (GLCM)

Algoritma Generasi GLCM adalah sebagai berikut:

1. Mengkuantisasi histogram gambar asli yang gray-scale sejumlah buangan

Pengaplikasian yang sebenarnya dari penelitian ini adalah pengambilan

2.2 Landasan Teori

Gambar 2.3 Matriks asal

Tabel 2.1 Area kerja matriks

Gambar 2.4 Pembentukan matriks kookurensi dari matrik asal

Sudut orientasi menentukan arah hubungan tetangga dari piksel-pikse l

Gambar 2.5 GLCM simetris

Matriks yang telah simetris selanjutnya harus dinormalisasi, elemen-

Tabel 2.2 GLCM simetris ternormalisasi dari matriks asal

Langkah-langkah untuk membuat GLCM simetris ternormalisasi secara berurutan

1. Membuat area kerja matriks.

Tahapan selanjutnya yang harus dilakukan untuk mendapatkan ciri GLCM

1. ASM (Angular Second Moment)

L = mewakili jumlah level yang digunakan untuk komputasi.

i = nilai piksel referensi,

j = nilai piksel tetangga,

P (i, j) = nilai matriks kookurensi ternormalisasi dengan i sebagai nilai

piksel referensi dan j sebagai nilai piksel tetangga

3. IDM (Inverse Different Moment)

semakin besar bila pasangan piksel yang memenuhi syarat matriks

Pada penelitian ini yang digunakan entropi dan tidak mengikutkan

Dalam menyelesaikan persamaan korelasi, didahulukan untuk

2.2.2 Lab Color

Identifikasi perbedaan warna menggunakan CIE L*A*B* koordinat ruang

ΔE* = Total perbedaan warna

Identifikasi perbedaan warna menggunakan CIE LAB* koordinat ruang