Disusun Oleh :
Nim : 18110110050
2022
Lembar Pengesahan Ujian Skripsi
i
Lembar Surat Keaslian
ii
ABSTRAK
Durian merupakan salah satu buah yang banyak digemari karena memiliki rasa
yang enak dan aroma yang khas. Memiliki bentuk yang beraneka macam dan jenis
– jenis terutama dari duri dan warna yang berbeda beda serta memiliki bagian-
bagian buah yang juga tidak sama dengan bagian-bagian jenis lainnya. Dalam hal
ini pemilihan buah harus benar-benar diperhatikan karena konsumen umumnya
masih sulit membedakan jenis buah Durian yang diidentifikasi secara fisik
dikarenakan keterbatasan pengetahuan jenis-jenis buah Durian serta membutuhkan
waktu yang relatif lama serta ketelitian dalam penyortian. Oleh karena itu, perlu
adanya suatu metode untuk sortasi jenis-jenis buah Durian secara efektif dan
efesien. Yaitu segmentasi citra berdasatkan klasifikasi jenis-jenis buah Durian
untuk membantu konsumen. Metode yang digunakan adalah Gray Level Co-
Occurrence Matrices berdasarkan sudut 0°, 45°, 90° dan 135°. Sedangkan untuk
menentukan kedekatan antara citra uji dengan citra latih menggunakan metode K-
Nearest Neighbor berdasarkan tekstur kemiripan warna buah Durian yang
diperoleh. Pada penelitian digunakan 1,281 data train dan 321 data uji, maka
dihasilkan nilai akurasi tertinggi berada di K 2 dengan nilai 94%.
iii
ABSTRACT
Durian is one of the most popular fruits because it has a delicious taste and
distinctive aroma. It has different shapes and types, especially from thorns and
different colors and has fruit parts that are also not the same as other parts. In terms
of fruit selection, care must be taken because consumers generally still find it
difficult to distinguish physically identified types of Durian fruit due to limited
knowledge of the types of Durian fruit and require a relatively long time and
accuracy in sorting. Therefore, there is a need for a method to sort the types of
Durian fruit effectively and efficiently. Namely image segmentation based on the
classification of the types of Durian fruit to help consumers. The method used is
Gray Level Co-Occurrence Matrices based on angles of 0°, 45°, 90° and 135°. To
determine the closeness between the test image and the training image using the K-
Nearest Neighbor method based on the color of the Durian fruit obtained. In this
study, 1,281 train data and 321 test data were used, so the highest accuracy value
was in K 2 with a value of 94%.
iv
KATA PENGANTAR
Puji syukur penulis panjatkan kehadirat Allah SWT yang telah melimpahkan
rahmat dan karunianya kepada penulis sehingga penulis dapat menyelesaikan
Proposal Skripsi yang berjudul “KLASIFIKASI JENIS DURIAN
MENGGUNAKAN FITUR EXTRAKSI GRAY LEVEL CO-OCCURRENCE
MATRIX (GLCM) DAN K-NEAREST NEIGHBORS (KNN) “. Meskipun banyak
hambatan yang penulis alami dalam proses pengerjaannya. Tetapi penulis akhirnya
dapat berhasil menyelesaikan Proposal Skripsi guna melengkapi sebagai syarat
dalam mencapai jenjang sarjana muda pada jurusan Teknik Informatika Sekolah
Tinggi Ilmu Komputer Cipta Karya Informatika.
Penulis menyadari bahwa Proposal Skripsi ini masih banyak terdapat kelemahan
dan kekurangan. Oleh sebab itu Penulis sangat mengharapkan kritik dan saran dari
pembaca agar dapat memperbaiki penulisan ini.
Dalam kesempatan kali ini Penulis ingin mengucapkan terimakasih yang sebesar
besarnya kepada :
1. Ibu Mesra betty yel, MM, M.Kom, selaku Rektor, St Ilmu Komputer Cipta
Karya Informatika.
2. Bapak Dadang Iskandar Mulyana, M.Kom, selaku Ketua Program Studi
Teknik Informatika, St Ilmu Komputer Cipta Karya Informatika.
3. Bapak Veri Arinal, M.Kom, selaku Ketua Program Studi Sistem Informasi,
St Ilmu Komputer Cipta Karya Informatika.
4. Bapak, Frencis Matheos Sarimolle, M.Kom Selaku Dosen Pembimbing
yang telah memberikan kesediaan waktu, bimbingan, dan arahan kepada
penulis selama proses dalam pengabdian masyarakat ini berlangsung hingga
selesai.
5. Bapak Yuma Akbar, M.Kom, selaku Wakil Ketua Bidang Akademik.
6. Seluruh dosen St Ilmu Komputer Cipta Karya Informatika yang telah
membekali ilmu pengetahuan.
v
7. Kepada Orang tua saya yang selalu memberikan doa, dorongan, motivasi
dan kasih sayang dalam menyelesaikan Proposal Skripsi ini.
8. Teman – teman seperjuangan keluarga besar kelas sabtu angkatan 2018
yang tidak bisa kami sebutkan satu persatu.
Penulis
( Achmad Syaeful )
vi
DAFTAR TABLE
vii
DAFTAR GAMBAR
viii
DAFTAR SIMBOL
ix
DAFTAR ISI
ABSTRACT ........................................................................................................... iv
DAFTAR SIMBOL................................................................................................ ix
x
2.2.2. Pengolahan Citra .................................................................................. 22
xi
4.2.1. Implementasi........................................................................................ 43
xii
DAFTAR PENELITIAN
Bln-
Judul Penelitian Jurnal
No Th Link URL Publikasi
Anda Nasional
Terbit
KLASIFIKASI
CITRA BUNGA
DAHLIA
BERDASARKAN
Terindex
Mar- WARNA
1 https://tunasbangsa.ac.id/ejurnal/index.php/jsakti/article/view/470 Sinta
22 MENGGUNAKAN
(S4)
METODE OTSU
THRESHOLDING
DAN NAÏVE
BAYES
PERANCANGAN
SISTEM
INFORMASI
WARGA DI RW 01 Terindex
Apr-
2 KELURAHAN http://ejurnal.tunasbangsa.ac.id/index.php/jsakti/article/view/469 Sinta
22
KEBON BAWANG (S5)
BERBASIS WEB
xiii
BAB I
PENDAHULUAN
1
2
diperoleh dengan hasil yang seragam dan sesuai dengan harga. Sebagai bahan
penelitian, peneliti menggunakan jenis-jenis buah durian menggunakan suatu
teknologi yang dapat membantu proses segmentasi tingkat jenis buah durian
berdasarkan kemiripan warna menggunakan Ekstraksi GLCM dan K-Nearest
Neighbor.
Ekstraksi Fitur merupakan proses untuk mengambil atau melihat nilai-nilai ciri
yang terdapat dalam suatu citra. K-Nearest Neighbor (K-NN) adalah suatu
metode yang menggunakan algoritma supervised dimana hasil dari sampel
uji yang baru diklasifikasikan berdasarkan mayoritas dari kategori pada K-NN.
Tujuan dari algoritma ini adalah mengklasifikasi objek baru berdasakan atribut
dan sampel latih. pengklasifikasian tidak menggunakan model apapun untuk
dicocokkan dan hanya berdasarkan pada memori.
a. Penulis
Dengan melakukan penelitian ini dapat bermanfaat dalam menambah
pengetahuan baru tentang klasifikasi fitur warna menggunakan metode K-
Nearest Neighbor.
b. Pembaca
Penulis berharap dalam penelitian ini pembaca dapat mengetahui proses
pengolahan citra serta dapat memberikan kontribusi khususnya mahasiswa
yang mengambil topik bidang penelitian ini sebagai bahan refrensi atau
sebagai bahan penelitian selanjutnya.
BAB II
TINJAUAN PUSTAKA
Comparation n/a
Context Publik
4
5
Publication Year
2017 s/d 2022 ( 5 Tahun )
(Lama Tahun Terbit)
Publication Type
( * ) Jurnal ( ) Confrence ( ) Proceding ( ) Book Chapter
(Tipe Publikasi)
Final Selected
20
(Hasil Akhir)
6
Produksi buah ini tidak banyak karena pertumbuhannya yang terbatas di sekitar
Gunung Muria. Untuk mendapatkan produk olahan yang baik diperlukan bahan-
bahan yang berkualitas baik. Buah parijoto perlu disortir dan diklasifikasikan.
11 Metode Gray Level Co- Bijanto , Yayang 2021, pp.261 - 267 ISSN
Occurrence Matrix Dan Fredyatama 2407-0939 print/ISSN 2721-
Algoritma K-Nn 2041 online
Masalah yang ditemukan :
Di Indonesia, daun empon-empon yang tumbuh memiliki banyak ragam jenis
klasifikasi. Dari 160 data citra latih dan 40 citra uji menggunakan algoritma KNN-
HSV-GLCM didapatkan hasil akurasi terbaik.yaitu 85% dengan menggunakan
dengan nilai k adalah 3 dan jarak piksel 1 dan akurasi terendah dengan nilai k
adalah 3 dan jarak piksel 3 sebesar 70%[12].
Identifikasi Citra Daging
Ayam Berformalin Luay Nabila El
Jurnal SCRIPT Vol. 9 No. 2
Menggunakan Metode Suffa, Uning
13 Desember 2021 ISSN: 2338-
Grey Level Co-Occurrence Lestari, Erma
6313
Matrix (GLCM) Dan K- Susanti
Nearest Neighbor (KNN)
Masalah yang ditemukan :
Kalangan konsumen yang membeli daging ayam. Identifikasi daging dapat
dilakukan secara manual dengan kasat mata maupun dengan menekan dagingnya
untuk mengetahui tekstur daging.
Klasifikasi Tanaman
Vol. 7 No.2 Tahun 2021,
Beringin (Ficus Feri Wibowo,
pp.131-138 Jurnal Teknologi
Bernjamina) Berdasarkan Agung Purwo
19 dan Manajemen Informatika
Citra Daun Menggunakan Wicaksono, Lahan
P-ISSN: 1693-6604 E-ISSN:
Algoritma K-Nearest Adi Purwanto3
2580-8044
Neighbors
Masalah yang ditemukan :
Salah satu masalah yang dihadapi ketika akan memilih Beringin, baik untuk
dijadikan tanaman peneduh, bonsai atau tanaman obat adalah mengenali jenis
beringin yang sesuai.
Durian montong memiliki daun tunggal dengan ciri khas tangkai yang pendek,
tersusun berseling, permukaan atas daun berwarna hijau tua dan cokelat
kekuningan di bagian bawahnya. Pada permukaan atas daun terlihat mengkilat,
permukaan bawah buram. Bunga durian montong ini muncul di batang atau
cabang yang sudah besar, bertangkai, berwarna putih hingga cokelat keemasan,
biasanya berbunga sekitar bulan Januari. Sedangkan buahnya bulat atau
lonjong, panjangnya antara 15 – 30 cm bahkan lebih, beratnya bervariasi antara
5 bahkan ada yang mencapai 9 kg. kulitnya tentu dipenuhi duri-duri yang tajam
dengan warna coklat keemasan atau kuning. Buahnya terkenal memiliki rasa
manis yang khas dan daging yang tebal, sedangkan bijinya berbentuk lonjong,
antara 2 – 6 cm. Durian montong biasanya akan mulai berbuah ketika umur
tanam mencapai 5 – 12 tahun, buahnya akan jatuh sendiri kalau sudah masak.
Banyak orang yang tidak suka dengan durian karena baunya yang menyengat,
namun banyak juga yang menyukainya. Bahkan sangat banyak orang yang
tergila-gila dengan rasa manis dan aroma dari buah ini. Indonesia dikenal
sebagai negara tempat asal durian karena mempunyai banyak varietas durian,
baik durian yang sudah dibudidayakan dan komersil maupun durian hutan yang
kurang komersil. Jenis durian di Indonesia memang sangat banyak dan
beragam, Berikut beberapa jenis buah durian yang banyak digemari di
Indonesia: :
a. Durian Montong
Durian ini merupakan jenis durian yang paling terkenal di Indonesia
karena memang memiliki rasa manis legit dan aroma harum yang khas.
21
Buah ini juga terkenal dengan harganya yang mahal, namun sesuai
dengan kelezatan yang didapatkan.
b. Durian Petruk
Buah asli Jepara, Jawa Tengah. Durian Petruk memiliki rasa yang khas
dan unik, yaitu setengah manis dan setengah pahit, jadi seperti terdapat
rasa pahit yang tersembunyi dalam rasa manisnya. Aromanya cukup
tajam namun tidak setajam Durian Monthong.
c. Durian Bawor
Durian Bawor berasal dari daerah Banyumas. Durian ini merupakan
memiliki kemiripan dengan Durian Monthong, sehingga biasa disebut
Durian Monthongnya Banyumas. Jadi hati-hati jika anda akan membeli
Durian Monthong, agar tidak tertipu dengan mendapat Durian Bawor.
d. Durian Ajimah
Durian Ajimah berasal dari daerah Ciomas, Bogor. Durian ini juga
biasa dikenal dengan nama Durian Sukarno, dikarenakan durian ini
termasuk durian yanga sangat digemari oleh Bung Karno, Presiden RI
yang pertama.
e. Durian Candimulyo
Durian Candimulyo biasa dikenal dengan nama Durian Candy ini
berasal dari Magelang, Jawa Tengah. Ciri khas dari durian ini adalah
ukurannya lumayan besar dan biji buahnya kecil.
f. Durian Matahari
Durian Matahri berasal dari Cimanggu, Bogor, Jawa Barat. Durian ini
memiliki bentuk bulat panjang berwarna hijau kecoklatan, durinya
besar-besar, jarang dan runcing.
g. Durian Musang King
Satu lagi jenis durian populer yang terkenal enak dan bibitnya berasal
dari Malaysia, siapa lagi kalau bukan durian musang king. Musang king
merupakan jenis dengan daging buah durian berwarna seperti kunyit
dan terbilang sangat tebal serta memiliki biji yang kecil dan tipis. Jika
dari segi rasa, musang king memiliki rasa dominan manis dan
22
dagingnya yang tebal terasa creamy serta cocok disantap untuk orang
yang gemar durian dengan rasa legit.
h. Durian Mimang
Durian Mimang berasal dari Madukara, Banjarnegara, Jawa Tengah.
Buah durian ini berbentuk lonjong dan kecil, kulitnya berwarna hijau
kekuningan dan terkesan kempes. Jenis durian Mimang memiliki
daging tebal berwarna kuning, agak berserat dan mempunyai rasa yang
manis dengan sedikit rasa alkohol. Aromanya juga sangat harum dan
sangat tajam sehingga menjadikan durian ini gampang di kenali.
Dataset dibagi menjadi tiga jenis yang tidak beririsan (suatu sampel
pada himpunan tertentu tidak muncul pada himpunan lainnya).
b. Development set atau validation set adalah data yang digunakan untuk
mengoptimisasi saat melatih model, umumnya kinerja saat latihan
diuji menggunakan validation set. Hal ini berguna agar model mampu
mengenali pola secara generik.
24
Testing yaitu digunakan untuk menguji model data yang telah selesai dalam
proses latihan.
2.2.4. Klasifikasi
Klasifikasi merupakan suatu teknik yang digunakan untuk menghilangkan
informasi-informasi yang tidak penting dari data input untuk menampilkan
pola-pola penting sehingga tercapai tujuan dari klasifikasi tersebut. Klasifikasi
citra merupakan teknik yang digunakan untuk menghilangkan informasi rinci
dari data input untuk menampilkan pola-pola penting atau distribusi spasial
untuk mempermudah interpretasi dan analisis citra sehingga dari citra tersebut
diperoleh informasi yang bermanfaat atau sesuai dengan keperluan. Untuk
pemetaan penutup lahan, hasilnya bisa diperoleh dari proses klasifikasi
multispektral citra satelit. Klasifikasi multispektral sendiri andalah algoritma
yang dirancang untuk menyajikan informasi tematik dengancara
mengelompokkan fenomena berdasarkan satu kriteria yaitu nilai spektral.
Gambar atau citra salah satu komponen multimedia memegang peran sangat
penting sebagai informasi visual. Citra dapat bermakna lebih dari seribu kata.
Citra dapat memberikan informasi yang lebih banyak daripada informasi yang
disajikan dalama bentuk kata-kata.
Sebuah citra dapat didefinisikan sebagai fungsi f(x,y) berukuran M baris dan
N kolom, dengan x dan y adalah koordinat spasial, dan amplitudo f di titik
koordinat (x,y) dinamakan intensitas atau tingkat keabuan dari citra pada titik
tersebut. Apabila nilai x,y, dan nilai amplitudo f secara keseluruhan berhingga
(finite) dan bernilai diskrit maka dapat dikatakan bahwa citra tersebut adalah
citra digital.
a. Citra Biner (Monokrom). Banyaknya dua warna, yaitu hitam dan putih.
Dibutuhkan 1 bit di memori untuk menyimpan kedua warna ini.
b. Citra Grayscale (Skala Keabuan). Banyaknya warna tergantung pada
jumlah bit yang disediakan di memori untuk menampung kebutuhan warna
ini. Citra 2 bit mewakili 4 warna, citra 3 bit mewakili 8 warna, dan
seterusnya. Semakin besar jumlah bit warna yang disediakan di memori,
semakin halus gradasi warna yang terbentuk.
c. Citra Warna (True Color). Setiap piksel pada citra warna mewakili warna
yang merupakan kombinasi dari tiga warna dasar (RG8 = Red Green Blue).
Setiap warna dasar menggunakan penyimpanan 8 bit = 1 byte, yang berarti
setiap warna mempunyai gradasi sebanyak 255 warna. Berarti setiap piksel
mempunyai kombinasi warna sebanyak 28 x 28 x 28 = 224 =16 juta warna
lebih. Itulah sebabnya format ini dinamakan true color karena mempunyai
jumlah warna yang cukup besar sehingga bisa dikatakan hampir mencakup
semua warna di alam.
2.2.6. Grayscale
Citra grayscale adalah sebuah citra skala keabuan dengan nilai intensitas paling
besar 255 berwarna putih hingga warna hitam dengan nilai intensitas paling
kecil (0). Proses awal disebagian besar pengelolahan citra adalah untuk
mengubah gambar berwarna mejadi gambar dengan warna abu- abu, hal ini
digunakan untuk menghemat komputasi dari tiga ruang warna menjadi satu
ruang warna.
Ekstraksi fitur adalah proses pengambilan ciri sebuah objek yang dapat
menggambarkan karakteristik dari objek tersebut. Tahapan ini bertujuan untuk
memperoleh informasi yang terkandung dalam suatu citra untuk kemudian
dijadikan sebagai acuan untuk membedakan antara citra yang satu dengan citra
yang lain. Wilayah tersebut dapat didefinisikan dalam lingkungan global atau
lokal dan dibedakan oleh bentuk, tekstur, ukuran, intensitas, sifat statistik, dan
sebagainya.
26
Ketetanggaan piksel dapat dipilih ke arah timur (kanan). Salah satu cara untuk
mempresentasikan hubungan ini yaitu berupa (1,0), yang menyatakan
hubungan dua piksel yang berjajar horizontal dengan piksel bernilai 1 diikuti
dengan piksel bernilai 0. Berdasarkan komposisi tersebut, jumlah kelompok
piksel yang memenuhi hubungan tersebut dihitung.
a. Contrast
Correlation =
Energy = ∑𝑁𝑔 𝑁𝑔 2
𝑖 ∑𝑗 (𝑝(𝑖, 𝑗 ))
𝑝(𝑖,𝑗)
Homogenity = ∑𝑁𝑔 𝑁𝑔
𝑖 ∑𝑗 1+(𝑖−𝑗)2
Dengan ekstraksi ciri di atas, dapat diketahui bahwa tingkat kemiripan citra
didasarkan pada komposisi warna, yaitu dengan menghitung jarak antar
karakteristik citra. Jarak antar karakteristik citra dapat dihitung dengan
menggunakan rumus Euclidean Distance. Euclidean Distance adalah pengukur
jarak yang paling umum digunakan, biasanya dihitung dari data mentah, bukan
dari data standar. Keuntungan dari metode ini adalah: misalnya jarak antara
dua objek tidak terpengaruh oleh penambahan objek baru ke dalam analisis.
mayoritas dari kategori pada KNN. KNN didasarkan pada gagasan bahwa
setiap contoh baru dapat diklasifikasikan oleh suara mayoritas dari k tetangga,
di mana k adalah bilangan bulat positif, dan biasanya dengan jumlah kecil.
Algoritma klasifikasi KNN memprediksi kategori tes sampel sesuai dengan
sampel pelatihan k yang merupakan tetangga terdekat dengan sampel uji, dan
memasukkan ke dalam kategori yang memiliki kategori probabilitas terbesar
[16].
Dalam pengklasifikasian sebagai nilai prediksi dari nilai instance yang baru,
Algoritma ini menggunakan Neighborhood Classication. Berdasarkan jarak
minimum dari data baru ke sample data latih untuk menentukan K tetangga
terdekat. Setelahnya akan kita dapatkan nilai mayoritas sebagai hasil prediksi
dari data yang baru tersebut.
𝑛
𝐷𝑥𝑦 = √∑ = 1(𝑥𝑖 − 𝑦𝑖 )2
𝑖
Keterangan :
D : jarak kedekatan
x : data training
y : data testing
n : jumlah atribut individu antara 1 s.d. n
: fungsi similitary atribut 𝐺 antara kasus
𝑋 dan kasus 𝑌
i = Atribut individu antara 1 sampai dengan n
Langkah-langkah untuk menghitung metode K - Nearest Neighbor antara lain
:
a. True Positive (TP) : Jumlah data yang bernilai Positif dan diprediksi
benar sebagai Positif.
b. False Positive (FP) : Jumlah data yang bernilai Negatif tetapi diprediksi
sebagai Positif.
c. False Negative (FN) : Jumlah data yang bernilai Positif tetapi diprediksi
sebagai Negatif
d. True Negative (TN) : Jumlah data yang bernilai Negatif dan diprediksi
benar sebagai Negatif
a. Akurasi
Akurasi merupakan metode pengujian berdasarkan tingkat kedekatan
antara nilai prediksi dengan nilai aktual. Dengan mengetahui jumlah
data yang diklasifikasikan secara benar maka dapat diketahui akurasi
hasil prediksi.
b. Precision
Presisi merupakan metode pengujian dengan melakukan perbandingan
jumlah informasi relevan yang didapatkan sistem dengan jumlah
seluruh informasi yang terambil oleh sistem baik yang relevan maupun
tidak.
31
c. Recall
Recall merupakan metode pengujian yang membandingkan jumlah
informasi relevan yang didapatkan sistem dengan jumlah seluruh
informasi relevan yang ada dalam koleksi informasi (baik yang terambil
atau tidak terambil oleh sistem).
d. F-Score
Label Kelas
Buah Durian
Durian Montong
32
33
Durian Petruk
Durian Bawor
Durian Ajimah
Durian Candimulyo
Durian Mimang
34
Durian Matahari
Pada Gambar 3.2 Menunjukan tahapan alur penelitian yang dimulai dari
identifikasi masalah sesuai dengan bidang mengenai klasifikasi jenis durian.
Kemudian dilanjutkan dengan studi literatur untuk mencari informasi dan
mengkaji teori yang relevan yang dilakukan dengan pengolahan citra digital,
ekstraksi fitur Gray-Level Co-occurrence matrix (GLCM), metode klasifikasi
K-Nearest Neighbor (KNN). Dilanjutkan dengan menentukan metode yang
sesuai, untuk mengolah dataset yaitu berupa jenis buah durian, dengan
rumusan masalah yang terjadi yaitu bagaimana melakukan penerapan dalam
implementasi ekstraksi citra Gray-Level Co-occurrence matrix (GLCM) dan
Klasifikasi K-Nearest Neighbor (KNN) kualitas mutu. Setelah itu membuat
perancangan untuk menjadi sebuah dataset yang dapat mengklasifikasikan
untuk menentukan jenis durian sesuai dengan metode yang ditentukan. Proses
pengujian dilakukan untuk menguji dataset apakah sesuai dengan yang
diharapkan. Hasil dataset yang dibuat kemudian di analisis dan diakhiri
dengan pengambilan kesimpulan. Berikut adalah tahap penerapan metodologi
ini yang dapat digambarkan seperti pada gambar 3.3 :
3.2.4.1.Preprocessing
Tahap ini merupakan pemerosesan pada data citra awal, Melakukan
normalisasi dengan melalui tahapan cropping, resize dan konversi.
a. Cropping
Cropping adalah proses teknik yang digunakan untuk menentukan secara
tepat bagian mana dari citra tersebut yang mengandung area objek yang
akan diolah. sehingga dapat dipotong dan dipisahkan dari area yang tidak
dibutuhkan guna untuk pengolahan selanjutnya.
38
b. Resize
Proses resize merupakan proses yang dilakukan untuk mengubah suatu
ukuran pixel citra sesuai dengan ukuran yang diinginkan.
c. Konversi
Setelah melakukan tahap resize, Citra baru yang dihasilkan kemudian
akan dilakukan tahap konversi citra. Citra berwarna (RGB) akan
dikonversikan menjadi citra berskala keabuan (grayscale). Proses
Konversi merupakan proses nilai RGB diubah menjadi gambar yang
terdiri dari warna putih dan gradasi warna hitam (grayscale).
4. Hardisk 1TB
5. SSD 256GB
42
43
4.2.2. Preprocessing
4.1.2.1. Pemotongan Citra
Dalam tahap Pemotongan citra menggunakan software Snipping tools dalam
membantu suatu proses pemotongan citra untuk dapat menghasilkan bagian
yang tepat dalam proses identifikasi citra.
Durian Ajimah
Durian Bawor
Durian Candimulyo
Durian Matahari
45
Durian Mimang
Durian Montoh
Durian Musangking
Durian Petruk
Hasil keberhasilan dari proses normalisasi ukuran citra menjadi 100x100 dapat
di lihat melalui informasi image shape dan tampilan gambar yang muncul.
4.1.2.3. Grayscale
Grayscale merupakan tahap awal dari pengolahan citra yaitu Preprocessing.
Dengan citra buah Durian yang berwarna RGB dirubah menjadi citra keabuan
(grayscale). Agar mempermudah dalam pemrosesan citra. Citra grayscale
adalah citra yang hanya memiliki 1 buah kanal sehinga yang ditapilan hanyalah
nilai intensitas atau dikenal juga dengan istilah derajat keabuan. Karena jenis
46
citra ini hanya memiliki 1 kanal saja, maka citra grayscale memiliki tempat
penyimpanan yang lebih hemat. Jenis citra ini disebut juga sebagai 8-bit. Hasil
dari grayscale citra ditunjukkan pada gambar 4.2.
Dan berikut hasil array convert dari salah satu citra buah Durian yang telah di
Grayscale dengan skala 0 – 255. Dengan penjelasan dalam skala 0 yang
merupakan warna gelap dan 255 merupakan warna putih
4.2.2. Pengujian
4.2.2.1. Pengujian Gray Level Co-occurrence Matrix (GLCM)
Tahap feature extraction adalah tahap ekstraksi ciri untuk selanjutnya
dianalisis. Dalam penelitian ini, metode yang dipakai ialah Gray Level Co-
occurrence Matrix (GLCM). Dengan GLCM, citra diubah menjadi matrix
GLCM. Matrix GLCM adalah suatu matrix yang menunjukkan keterkaitan
ketetanggaan antara pixel – pixel pada citra di berbagai jarak dan arah spasial,
dimana nilai ciri dengan tingkat perbedaan sesuai dengan keinginan dihasilkan.
Pengujian Gray Level Co-occurrence merupakan ekstraksi fitur dalam suatu
proses untuk mencari informasi dari sebuah citra. Pada penelitian ini
menggunakan GLCM dengan matriks dibentuk dari empat arah sudut yaitu 0
◦ , 45◦ , 90◦ , dan 135◦. Sehingga terdapat empat sudut matriks co-occurrence.
Setelah itu, untuk mendapatkan nilai tekstur dari GLCM menggunakan .
Peneliti menggunakan empat fitur statistik yaitu Contrast, Homogeneity,
Energy dan Correlation. Data metriks tekstur GLCM yang telah diproses dapat
dilihat data yang ditampilkan 8 data dari keseluruhan data 1309 citra pada
Gambar 4.2.
Dibawah ini adalah langkah langkah untuk perhitungan ekstraksi fitur GLCM
level. Dengan cara memakai 256 tingkat gradasi warna pada framework
dengan angka 0.
Level Nilai
0 0-31
1 32-63
2 64-95
3 96-127
4 128-159
5 160-191
6 192-223
7 224-256
0010000
0000000
1000100
Hasil penjumlahan GLCM sudut 0 = 0 0 0 0 0 1 1
0010201
0001000
0001100
Total =1+1+1+1+1+1+2+1+1+1+1
= 12
Tahap berikutnya adalah mendapatkan nilai pada tiap fitur GLCM dari matrix
hasil normalisasi :
52
1. Menghitung Contrast
(0-0)2 . 0 + (0-1) 2 . 0 + (0-2) 2 . 0,08 + (0-3) 2. 0 + (0-4) 2 . 0 + (0-5) 2 . 0
+ (0-6) 2 . 0 + (1-0 ) 2 . 0 + (1-1) 2 . 0 +(1-2) 2. 0 +(1-3) 2 . 0 + (1-4) 2 . 0
+ (1-5) 2 . 0 + (1-6) 2 . 0 + (2-0) 2 . 0,08 + (2-1) 2 . 0 +(2-2) 2 . 0 +(2- 3) 2
. 0 + (2-4) 2 . 0,08 + (2-5) 2 . 0 +(2-6) 2 . 0 + (3-0) 2 . 0,08 + (3-1) 2 . 0 +
(3-2) 2 . 0 + (3-3) 2 . 0 + (3-4) 2 . 0 + (3-5) 2. 0,08 + (3- 6) 2 . 0,08 + (4-
0) 2 . 0 + (4-1) 2 . 0 + (4-2) 2 . 0,08 + (4-3) 2 . 0 + (4-4) 2 . 0,16 + (4-5) 2
. 0 + (4-6) 2. 0,08 + (5-0) 2 . 0 + (5-1) 2 . 0 + (5-2) 2 . 0+(5-3) 2 . 0,08 + (5-
4) 2 . 0 + (5-5) 2 . 0 + (5-6) 2 . 0 + (6-0) 2 . 0 +(6-1) 2 . 0 + (6-2) 2 . 0 +(6-
3) 2 . 0,08 + (6-4) 2 . 0,08 +(6-5) 2 . 0 +(6-6) 2 . 0
= 0,32 + 0,32 + 0,32 + 0,72 + 0,32 + 0.72 + 0,32 + 0 + 0,32 + 0,32 + 0.72
+ 0,32
= 4.72
2. Menghitung Homogeneity
0,08/[1+(0-2)2] + 0,08/[1+(2-0) 2] + 0,08/[1+(2-4) 2] + 0,08/[1+(3-0) 2] +
0,08/[1+(3-5) 2] + 0,08/[1+(3-6) 2] + 0,08/[1+(4-2) 2] + 0,16/[1+(4-4) 2] +
0,08/[1+(4-6) 2] + 0,08/[1+(5-3) 2] + 0,08/[1+(6-3) 2] + 0,08/[1+(6-4) 2]
= 0,016 + 0,016 + 0,016 + 0,008 + 0,016 + 0,008 + 0,016 + 0,016 + 0,016
+ 0,016 + 0,008 + 0.016
= 0.16
3. Menghitung Energy
0,082 + 0,082 + 0,082 + 0,082 + 0,082 + 0,082 + 0,082 + 0,162 + 0,082 +
0,082 + 0,082 + 0,082
= 1.064
53
4. Menghitung Correlation
P(I,j) 0 1 2 3 4 5 6 SumY
0 0 0 0,08 0 0 0 0 0,08
1 0 0 0 0 0 0 0 0
5 0 0 0 0,08 0 0 0 0,08
Dari report diatas dapat diartikan bahwa classification report yang dibuat untuk
Durian Ajimah mendapat akurasi 95, Durian Bawor 90, Durian Candimulyo
98, Durian Matahari 92, Durian Mimang 96, Durian Montong 93, Durian
Musangking 97 dan Durian Petruk 89 jadi secara keseluruhan, dengan
menggunakan K = 2 sebagai clasification model terbaik memiliki akurasi
sebesar 94%.
Dari hasil pengujian K dari 1 sampai 9 atas hasil tertinggi dalam pengujian
terdapat di K 2
Durian 25 4 6 3 1 2 1 0
Ajimah
Durian 4 21 0 3 7 0 3 2
Bawor
Durian 4 5 29 2 5 2 1 1
Candimulyo
Durian 6 4 4 15 2 1 5 3
Matahari
60
Durian 7 7 2 3 15 1 1 2
Mimang
Durian 7 3 3 4 5 8 6 3
Montong
Durian 9 5 3 2 3 1 11 3
Musangking
Durian 3 2 7 5 3 4 2 18
Petruk
Durian Durian Durian Durian Durian Duriang Durian Durian
Ajimah Bawro Candimulyo Matahari Mimang Montong Musangking Pentruk
Dari report diatas dapat diartikan bahwa classification report yang dibuat untuk
Durian Ajimah mendapat 25, Durian Bawor 21, Durian Candimulyo 29, Durian
Matahari 15, Durian Mimang 15, Durian Montong 8, Durian Musangking 11
dan Durian Petruk 18 jadi secara keseluruhan, dengan menggunakan K = 2
sebagai classification model terbaik memiliki akurasi sebesar 94%.
BAB V
PENUTUP
5.1. Kesimpulan
Dari penelitian tentang Klasifikasi Jenis Durian Menggunakan Fitur Extraksi
Gray Level Co-Occurrence Matrix (GLCM) Dan K-Nearest Neighbors (KNN)
dapat disimpulkan bahwa:
5.2. Saran
a. Pada penelitian ini penulis hanya menggunakan metode ekstraksi fitur
GLCM dan pengklasifikasian K-nearest neighbor, diharapkan penelitian
selanjutnya bisa menggunakan metode pengelompokan lainnya, dan dapat
digunakan metode analisis tekstur dan dikembangkan dengan menggunakan
tambahan ekstrasi ciri dari warna dan bentuk agar mendapat keakuratan
lebih tinggi.
b. Serta menggunakan lebih banyak dataset jenis durian untuk lebih
mengembangkan dalam penelitian ini diharapkan bisa lebih bervariasi dan
lebih maksimal.
61
62
Roadmap Penelitian
63
64
261–267, 2021.
[12] E. H. Rachmawanto and H. P. Hadi, “Optimasi Ekstraksi Fitur Pada Knn
Dalam Klasifikasi Penyakit Daun Jagung,” vol. 22, no. 2, pp. 58–67, 2021.
[13] L. Nabila, E. Suffa, U. Lestari, E. Susanti, S. Informatika, and F. T. Industri,
“Jurnal SCRIPT Vol . 9 No . 2 Desember 2021 ISSN : 2338-6313 Identifikasi
Citra Daging Ayam Berformalin Menggunakan Metode Grey Level Co-
Occurrence Matrix (GLCM) Dan K-Nearest Neighbor (KNN) Jurnal
SCRIPT Vol . 9 No . 2 Desember 2021 ISSN : 2338-6313,” vol. 9, no. 2, pp.
133–141, 2021.
[14] R. Enggar Pawening, W. Ja, and F. Shudiq, “Klasifikasi Kualitas Jeruk Lokal
Berdasarkan Tekstur Dan Bentuk Menggunakan Metode K-Nearest
Neighbor (K-NN),” COREAI J. Kecedasan Buatan, Komputasi dan Teknol.
Inf., vol. 1, no. 1, pp. 10–17, 2020.
[15] Y. R. Kaesmetan, “Ekstraksi Ciri Benih Kacang Kedelai Dengan Klasifikasi
K-Nearest Neighbor (KNN),” vol. 9, no. 1, pp. 816–824, 2018.
[16] R. Ocsan, I. Safitri, F. T. Elektro, U. Telkom, G. L. C. Matrix, and K.
Neighbor, “Dan Knn Classification of Kangkung Vegetables and Detection
of Chemical Exposure Using Glcm and Knn,” vol. 8, no. 2, pp. 1481–1489,
2021.
[17] L. Afrinanda and Ilyas, “Tenggek Menggunakan Metode K-Nearest
Neighbor,” pp. 1–7, 2016.
[18] M. Helmy Noor, W. Arifha Saputra, A. Husna, D. Septiarini, and H. Gustiara
Hayati, “Rancang Bangun Alat Deteksi Kematangan Buah Durian
Menggunakan Naive Bayes,” Desember, vol. 13, no. 2, pp. 91–100, 2021.
[19] F. Wibowo, A. P. Wicaksono, and L. A. Purwanto, “Klasifikasi Tanaman
Beringin (Ficus Bernjamina) berdasarkan Citra Daun Menggunakan
Algoritma K-Nearest Neighbors,” J. Teknol. dan Manaj. Inform., vol. 7, no.
2, pp. 131–138, 2021, doi: 10.26905/jtmi.v7i2.6758.
[20] A. Patriot, S. Pamungkas, N. Nafi’iyah, and N. Q. Nawafilah, “K-NN
Klasifikasi Kematangan Buah Mangga Manalagi Menggunakan L * A * B
dan Fitur Statistik,” vol. 4, pp. 1–8, 2019.
.
65
Lampiran – lampiran
CURRICULUM VITAE
DATA PRIBADI
DATA PENDIDIKAN
PENGALAMAN KERJA