WORKSHOP PENGOLAHAN CITRA DAN VISION

(LAPORAN MINGGU 10)

GOLONGAN D

NAMA : ARDIAN HILMI PRAMULINTANG

NIM : E41202334

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNOLOGI INFORMASI
POLITEKNIK NEGERI JEMBER
2022
 DAFTAR ISI

DAFTAR ISI ............................................................................................................ i

DAFTAR GAMBAR .............................................................................................. ii

BAB I PENDAHULUAN ....................................................................................... 1

1.1. DASAR TEORI ........................................................................................ 1

1.2. TUJUAN PRAKTIKUM .......................................................................... 1

1.3. MANFAAT PRAKTIKUM ..................................................................... 2

BAB II HASIL DAN PEMBAHASAN .................................................................. 3

2.1. ACARA 33 - 34 ........................................................................................ 3

2.2. ACARA 35 – 36 ....................................................................................... 8

i
 DAFTAR GAMBAR

Gambar 2. 1 Menyiapkan Citra ............................................................................... 3

Gambar 2. 2 Menentukan sudut GLCM (1) ............................................................ 3
Gambar 2. 3 Menentukan sudut GLCM (2) ............................................................ 4
Gambar 2. 4 Menentukan sudut GLCM (3) ............................................................ 4
Gambar 2. 5 Menghitung Nilai ASM...................................................................... 5
Gambar 2. 6 Menghitung Nilai IDM....................................................................... 5
Gambar 2. 7 Menghitung Nilai Kontras .................................................................. 5
Gambar 2. 8 Menghitung Nilai Kovarians (1) ....................................................... 6
Gambar 2. 9 Menghitung Nilai Kovarians (2) ........................................................ 6
Gambar 2. 10 Menghitung Nilai Deviasi Standart .................................................. 7
Gambar 2. 11 Mengitung Nilai Korelasi ................................................................. 7
Gambar 2. 12 Mentukan Hasil Ekstraksi Fitur GLCM (1) ..................................... 7
Gambar 2. 13 Mentukan Hasil Ekstraksi Fitur GLCM (2) ..................................... 8
Gambar 2. 14 Simpan Hasil Fitur ke Excel............................................................. 8
Gambar 2. 15 Hasil Ekstraksi Fitur ......................................................................... 8
Gambar 2. 16 Source Code Pelatihan Citra (1) ....................................................... 9
Gambar 2. 17 Source Code Pelatihan Citra (2) ....................................................... 9
Gambar 2. 18 Source Code Pelatihan Citra (3) ....................................................... 9
Gambar 2. 19 Source Code Pelatihan Citra (4) ..................................................... 10
Gambar 2. 20 Output Dari Pelatihan Citra Bawang Merah .................................. 10

ii
 BAB I PENDAHULUAN

1.1. DASAR TEORI

Implementasi computer vision dalam bidang pertanian banyak dilakukan, hal
ini merupakan bagian dari topik pertanian presisi. Contoh yang akan diberikan
dalam BKPM ini adalah aplikasi computer vision untuk mengidentifikasi bawang
merah bagus atau busuk berdasarkan ciri visual. Parameter ciri visual (fitur) yang
digunakan yaitu tekstur dan warna. Untuk fitur tekstur diekstraksi menggunakan
metode Gray-Level Co-occurrence matrix (GLCM) meliputi Angular Second
Moment (ASM), Inverse Different Moment (IDM), kontras, dan korelasi masing-
masing diambil dengan sudut 00, 450, 900, 1350. Sedangkan fitur warna meliputi
Red, Green, Blue. Sehingga jumlah total fitur adalah 19.

Untuk proses klasifikasi datanya menggunakan model Jaringan Saraf Tiruan

Backpropagation. Jaringan Saraf Tiruan (JST) adalah jaringan dari sekelompok
unit pemroses kecil yang dimodelkan berlandaskan jaringan saraf manusia. JST
adalah sebuah alat pemodelan data statistik non-linier. JST dapat digunakan untuk
memodelkan hubungan yang kompleks selang input dan output untuk menemukan
pola-pola pada data. Backpropagation merupakan JST multilayer karena terdiri atas
3 layer dalam proses pelatihannya antara lain: input layer, hidden layer dan output
layer (Gambar 56) yang merupakan pengembangan dari single layer network JST.
Karakteristik dari algoritma backpropagation yaitu meminimalkan error dengan
cara menyesuaikan bobot berdasarkan perbedaan output dan target yang diinginkan.

1.2. TUJUAN PRAKTIKUM

1. Agar mahasiswa mampu menjelaskan konsep komputer vision pada
bidang pertanian.
2. Agar mahasiswa mampu menerapkan teknik – teknik pengolahan citra dan
algoritma cerdas untuk menyelesaikan kasus bidang pertanian.

1
1.3. MANFAAT PRAKTIKUM
1. Mahasiswa mampu menjelaskan konsep komputer vision pada bidang
pertanian.
2. Mahasiswa mampu menerapkan teknik – teknik pengolahan citra dan
algoritma cerdas untuk menyelesaikan kasus bidang pertanian.

2
 BAB II HASIL DAN PEMBAHASAN

2.1. ACARA 33 - 34
1) Mengupload citra pada satu folder, lalu resize citra untuk mengubah citra
sesuai kebutuhan. Setelah itu, remove background dan grayscale pada
citra.

Gambar 2. 1 Menyiapkan Citra

2) Tentukan sudut – sudut GLCM pada citra.

Gambar 2. 2 Menentukan sudut GLCM (1)

3
Gambar 2. 3 Menentukan sudut GLCM (2)

Gambar 2. 4 Menentukan sudut GLCM (3)

4
3) Hitunglah Nilai ASM dari setiap sudut – sudut GLCM pada citra.

Gambar 2. 5 Menghitung Nilai ASM

4) Hitunglah Nilai IDM dari setiap sudut – sudut GLCM pada citra.

Gambar 2. 6 Menghitung Nilai IDM

5) Hitunglah Nilai Kontras dari setiap sudut – sudut GLCM pada citra.

Gambar 2. 7 Menghitung Nilai Kontras

5
6) Tentukan nilai px dan py terlebih dahulu, lalu hitunglah nilai
kovariansnya.

Gambar 2. 8 Menghitung Nilai Kovarians (1)

Gambar 2. 9 Menghitung Nilai Kovarians (2)

6
7) Hitunglah Nilai Deviasi Standart dari setiap sudut – sudut GLCM pada
citra.

Gambar 2. 10 Menghitung Nilai Deviasi Standart

8) Hitunglah Nilai Korelasi dari setiap sudut – sudut GLCM pada citra.

Gambar 2. 11 Mengitung Nilai Korelasi

9) Setelah itu, tentukan hasil ekstraksi fitur dari nilai – nilai yang sudah
dihitung tadi.

Gambar 2. 12 Mentukan Hasil Ekstraksi Fitur GLCM (1)

7
 Gambar 2. 13 Mentukan Hasil Ekstraksi Fitur GLCM (2)

10) Lalu simpan hasil ekstraksi fitur dengan GLCM pada excel

Gambar 2. 14 Simpan Hasil Fitur ke Excel

11) Berikut merupakan hasil dari ekstraksi fitur pada bawang merah
menggunakan GLCM.

Gambar 2. 15 Hasil Ekstraksi Fitur

2.2. ACARA 35 – 36
Pada praktikum ini kita diharuskan untuk menginputkan file dengan format
.xlsx, jika sudah menginputkan file excel maka langkah selanjutnya yaitu
melakukan proses klasifikasi yang dimana jika kita menekan tombol proses maka
secara otomatis pada tabel kedua akan muncul nilai dari hasil dan target kemudian
pada kolom akurasi akan muncul nilai dari akurasi klasifikasi tersebut.

8
➢ SOURCE CODE

Gambar 2. 16 Source Code Pelatihan Citra (1)

Gambar 2. 17 Source Code Pelatihan Citra (2)

Gambar 2. 18 Source Code Pelatihan Citra (3)

9
 Gambar 2. 19 Source Code Pelatihan Citra (4)

➢ OUTPUT

Gambar 2. 20 Output Dari Pelatihan Citra Bawang Merah

10