Tutup Muslika D0218365-2

SKRIPSI
KLASIFIKASI MAKANAN TRADISIONAL MANDAR

MENGGUNAKAN EKSTRAKSI FITUR WARNA DAN TEKSTUR
DENGAN METODE K-NEAREST NEIGHBOUR
CLASSIFICATION OF TRADITIONAL MANDAR FOOD USING

COLOR AND TEXTURE FEATURE EXTRACTION USING K-
NEAREST NEIGHBOUR METHOD
MUSLIKA
D0218365
PROGRAM STUDI INFORMATIKA

FAKULTAS TEKNIK
UNIVERSITAS SULAWESI BARAT
MAJENE
2022
SKRIPSI

CLASSIFICATION OF TRADITIONAL MANDAR FOOD USING

COLOR AND TEXTURE FEATURE EXTRACTION USING K-
NEAREST NEIGHBOUR METHOD
Diajukan untuk memenuhi salah satu syarat derajat
Sarjana Teknik
MUSLIKA
D0218365
PROGRAM STUDI INFORMATIKA

FAKULTAS TEKNIK
UNIVERSITAS SULAWESI BARAT
MAJENE
2022
ii
HALAMAN PERSETUJUAN
SKRIPSI
Diusulkan oleh
Muslika
D0218365
Telah disetujui
Pada Tanggal 18 November 2022
Pembimbing,
Pembimbing l Pembimbing ll
Arnita Irianti, S.Si., M.Si. Dr. Eng. Sulfayanti, S.Si., M.T.

NIP. 198708062018032001 NIP. 198903172020122011
iii
HALAMAN PENGESAHAN
SKRIPSI
Telah disiapkan dan disusun oleh
MUSLIKA
D0218365
Telah dipertahankan di depan Tim Penguji
Pada Tanggal 18 November 2022
Susunan tim penguji
Pembimbing l Penguji l
Arnita Irianti, S.Si., M.Si. Nahya Nur,S.T.,M.Kom.

NIP. 198708062018032001 NIP. 199111052019032024
Pembimbing ll Penguji ll
Dr. Eng. Sulfayanti, S.Si., M.T. Farid Wajidi,S.Kom.,M.T.

NIP. 198903172020122011 NIP. 198904182019031018
Penguji lll
Nurhikma Arifin,S.Kom., M.T.

NIP. 199304252022032011
iv
PERNYATAAN
Dengan ini saya menyatakan bahwa skripsi ini tidak terdapat karya yang
pernah diajukan untuk memperoleh gelar kesarjanaan suatu perguruan tinggi, dan
sepanjang pengetahuan saya tidak terdapat karya atau pendapat yang pernah ditulis
dan diterbitkan oleh orang lain, kecuali secara tertulis diacukan dalam naskah dan
disebutkan dalam daftar pustaka.
Majene, 18 November 2022
Muslika
D0218365
v
ABSTRAK
Orang yang baru pertama kali melihat atau wisatawan dari luar daerah akan
kesulitan untuk membedakan nama, rasa, maupun jenis makanan tradisional suatu
daerah hanya dengan melihat tanpa mencicipi makanan tersebut. Salah satu solusi
untuk memudahkan masyarakat dalam mengetahui, mencatat, dan memantau jenis-
jenis makanan yang dikonsumsi adalah dengan membuat sistem cerdas. Untuk
mendukung solusi tersebut, dilakukan penelitian untuk mengenali jenis makanan
menggunakan ekstraksi fitur warna dan fitur tekstur. Tahap awal dalam melakukan
pengenalan adalah dengan cara melakukan klasifikasi jenis makanan tersebut. Proses
pengklasifikasian dilakukan berdasarkan nilai hasil ekstraksi fitur yang telah
dinormalisasi. Proses pengenalan diawali dengan proses preproccessing untuk
mendapatkan objek citra yang selanjutnya dilakukan ekstraksi fitur. Ekstraksi fitur
yang digunakan adalah Color Histogram dan Gray Level Co-occurrence Matrix.
Pada ekstraksi fitur menggunakan Color Histogram menggunakan 3 kanal warna
yaitu red, green, blue dengan masing-masing warna memiliki fitur mean, standar
deviation, dan skewness. Selain itu, pada ekstraksi fitur dengan Gray Level Co-
occurrence Matrix memiliki 6 fitur seperti contrast, dissimilarity, homogeneity,
angular second moment, energy, dan correlation dengan sudut pengambilan nilai
piksel 0°, 45°, 90°, dan 135°. Metode yang diterapkan untuk mengklasifikasikan nilai
dari hasil ekstraksi fitur adalah menggunakan metode klasifikasi K-Nearest
Neighbour. Hasil dari akurasi terbaik yang dihasilkan oleh metode-metode tersebut
adalah sebesar 82% pada k=1 dengan perbandingan data latih dan data uji 60:40%.
Kata Kunci: Jenis makanan, Color Histogram, Gray Level Co-occurrence Matrix,
klasifikasi, k-nearest neighbour.
vi
ABSTRACT
People who are seeing it for the first time or tourists from outside the area
will find it difficult to distinguish the name, taste, or type of traditional food of an
area just by looking without tasting the food. One solution to make it easier for the
public to know, record, and monitor the types of food consumed is to create an
intelligent system. To support this solution, research was conducted to identify the
type of food using color feature extraction and texture feature extraction. The initial
stage in doing the introduction is by classifying the type of food. The classification
process is carried out based on the value of the normalized feature extraction results.
The recognition process begins with a preprocessing process to obtain an image
object which is then performed by feature extraction. Feature extraction used is
Color Histogram and Gray Level Co-occurrence Matrix. In feature extraction using
the Color Histogram using 3 color channels, namely red, green, blue with each color
having a mean, standard deviation, and skewness feature. In addition, feature
extraction with Gray Level Co-occurrence Matrix has 6 features such as contrast,
dissimilarity, homogeneity, angular second moment, energy, and correlation with
pixel value angles of 0°, 45°, 90°, and 135°. The method applied to classify the value
from the feature extraction is using the K-Nearest Neighbour classification method.
The results of the best accuracy produced by these methods are 82% at k=1 with a
comparison of training data and test data of 60:40%.
Keywords: Type of food, Color Histogram, Gray Level Co-occurrence Matrix,

classification, k-nearest neighbour.
vii
KATA PENGANTAR
Puji syukur saya ucapkan atas kehadirat Allah SWT. yang telah
melimpahkan segenap rahmat dan hidayah-Nya sehingga saya dapat menyelesaikan
skripsi yang berjudul “Klasifikasi Makanan Tradisional Mandar menggunakan
Ekstraksi Fitur Warna dan Tekstur dengan Metode K-Nearest Neighbour”.
Shalawat serta salam tak lupa kita kirimkan kepada baginda Rasulullah Muhammad
SAW. yang telah membawa kita dari alam yang gelap gulita menuju alam yang
terang benderang seperti sekarang ini.
Saya mengucapkan banyak terima kasih kepada pihak-pihak yang telah
memberikan bantuan dan dukungan serta semangat yang tak henti-hentinya selama
proses pengerjaan skripsi ini. Untuk itu pada kesempatan ini saya menyampaikan
ucapan terima kasih yang tak terhingga kepada :
1. Ucapan terima kasih kepada keluarga tercinta serta keluarga besar lainnya yang
tak pernah henti-hentinya memberikan dukungan, semangat serta do’a kepada
penulis.
2. Ibu Dr. Ir. Hafsah Nirwana, M.T., selaku Dekan Fakultas Teknik Universitas
Sulawesi Barat.
3. Bapak Ir. Sugiarto Cokrowibowo, S.Si, MT sebagai wakil dekan Fakultas Teknik
Universitas Sulawesi Barat.
4. Bapak Muh. Fahmi Rustam, S.Kom., M.T., selaku Ketua Program Studi Teknik
Informatika.
viii
5. Ibu Arnita Irianti, S.Si., M.Si., selaku pembimbing satu yang telah meluangkan
waktunya untuk membimbing dan memberi semangat kepada penulis.
6. Ibu Dr. Eng. Sulfayanti, S.Si., M.T., selaku pembimbing kedua yang telah
meluangkan waktunya untuk membimbing dan memberi semangat kepada
penulis.
7. Ibu Nahya Nur,S.T.,M.Kom., selaku penguji pertama.
8. Bapak Farid Wajidi,S.Kom.,M.T., selaku penguji kedua.
9. Ibu Nurhikma Arifin,S.Kom., M.T., selaku penguji ketiga.
10. Seluruh staf, pengajar, teknisi, dan administrasi yang ada di Prodi Informatika
Fakultas Teknik Universitas Sulawesi Barat.
11. Teman-teman angkatan 2018 Teknik Informatika yang telah membantu penulis
dalam menyelesaikan Skripsi Penelitian ini.
Semoga bantuan yang telah diberikan kepada penulis diberkahi dan
mendapatkan balasan yang berlipat ganda dari Allah SAW. Penulis juga berharap
agar skripsi ini dapat bermanfaat bagi kita semua.
Majene, 18 November 2022
Muslika
D0218365
ix
DAFTAR ISI
HALAMAN JUDUL ............................................ Error! Bookmark not defined.

HALAMAN PERSETUJUAN ............................................................................ iii
HALAMAN PENGESAHAN .............................................................................. iv
PERNYATAAN ..................................................................................................... v
ABSTRAK ............................................................................................................ vi
ABSTRACT .......................................................................................................... vii
DAFTAR ISI .......................................................................................................... x
DAFTAR GAMBAR .......................................................................................... xiii
DAFTAR TABEL .............................................................................................. xiv
BAB I PENDAHULUAN ..................................................................................... 1
A. Latar Belakang ..............................................................................................1
B. Rumusan Masalah .........................................................................................3
C. Batasan Masalah............................................................................................4
D. Tujuan Penelitian ..........................................................................................4
E. Manfaat Penelitian ........................................................................................5
BAB II TINJAUAN PUSTAKA........................................................................... 6
A. Makanan Tradisional Mandar .......................................................................6
B. Image Processing ..........................................................................................8
C. Fitur warna RGB(Red, Green, Blue) ...........................................................11
D. Color Histogram .........................................................................................12
E. Gray Level Co-Occurance Matrix (GLCM) ...............................................14
F. NORMALISASI ...............................................................................................17
G. K-Nearest Neighbour (KNN) ......................................................................18

H. Perhitungan Klasifikasi ...............................................................................19
I. Python .........................................................................................................21
J. OpenCV ......................................................................................................22
x
K. Penelitian Terkait ........................................................................................22
BAB III METODOLOGI PENELITIAN ......................................................... 26
A. Jenis Penelitian ............................................................................................26
B. Lokasi dan Waktu Penelitian ......................................................................26
C. Alat dan Bahan ............................................................................................27
D. Tahap Penelitian ..........................................................................................28
1. Pengumpulan Data .....................................................................................28
2. Analisis Data ..............................................................................................28
E. Gambaran Sistem ........................................................................................29
F. Tahap Pengujian ..........................................................................................32
BAB IV HASIL DAN PEMBAHASAN ............................................................ 35
A. Analisis Kebutuhan .....................................................................................35
B. Pengumpulan Data ......................................................................................36
C. Perancangan (Design) Proses Implementasi ...............................................37
D. Implementasi (Implementation) ..................................................................45
1. Preprocessing Citra....................................................................................45
2. Color Histogram ........................................................................................48
3. Gray Level Co-Occurance Matrix (GLCM) ..............................................50
4. Klasifikasi K-Nearest Neighbour ...............................................................52
5. Confusion Matrix .......................................................................................53
E. Pengujian .....................................................................................................58
BAB V PENUTUP ............................................................................................... 66
A. Kesimpulan .................................................................................................66
B. Saran ...........................................................................................................67
DAFTAR PUSTAKA .......................................................................................... 68
LAMPIRAN-LAMPIRAN ................................................................................. 70
a. Lampiran Fitur Data Latih ..........................................................................70
b. Lampiran Fitur Data Uji ..............................................................................71
c. Lampiran Tabel Hasil Pengujian .................................................................72
xi
d. Lampiran Sourcode : ...................................................................................74
xii
DAFTAR GAMBAR
Gambar 2.1 Jepa Katong atau Jepa sagu (Noval, 2012) .............................................. 7
Gambar 2.2 Jepa Golla mamea atau Jepa gollamamea ............................................... 7
Gambar 2.3 Jepa ubi .................................................................................................... 8
Gambar 2.4 Loka Sattai ............................................................................................... 8
Gambar 3.1 Diagram alir perancangan keseluruhan proses klasifikasi. .................... 30
Gambar 4.1 Data latih, (a) kelas gollamamea, (b) kelas lokasattai, (c) kelas sagu dan
(d) kelas ubi ................................................................................................................ 37
Gambar 4.2 Sampel data uji ....................................................................................... 37
Gambar 4.3 Diagram alir proses segmentasi citra ..................................................... 38
Gambar 4.4 Diagram Alir Ekstraksi Fitur Color Histogram ..................................... 40
Gambar 4.5 Diagram alir ekstraksi fitur GLCM ........................................................ 42
Gambar 4.6 Diagram alir proses klasifikasi dengan KNN ......................................... 44
Gambar 4.7 (a) citra sebelum resize dan (b) citra setelah resize ke 300x300 pixel ... 46
Gambar 4.8 Citra grayscale ....................................................................................... 46
Gambar 4.9 Citra blur ................................................................................................ 46
Gambar 4.10 Citra threshold ...................................................................................... 47
Gambar 4.11 Citra opening ........................................................................................ 47
Gambar 4.12 Citra closing ......................................................................................... 47
Gambar 4.13 Citra masking........................................................................................ 48
Gambar 4.14 Citra croping ........................................................................................ 48
Gambar 4.15 (a) Ploting color histogram, (b) citra red, (c)citra green dan (d) citra
blue ............................................................................................................................. 49
Gambar 4.16 (a) citra rgb dan (b) citra grayscale ...................................................... 50
xiii
DAFTAR TABEL
Tabel 2.1 Confusion Matrix ....................................................................................... 19

Tabel 2.2 Penelitian Terkait ....................................................................................... 22
Tabel 3.1 Jadwal penelitian ........................................................................................ 27
Tabel 4.1 Nilai fitur color histogram data latih ......................................................... 49
Tabel 4.2 Nilai fitur glcm data latih ........................................................................... 51
Tabel 4.3 Hasil klasifikasi k-nearest neighbour ........................................................ 52
Tabel 4.4 Confusion matrix dengan nilai ketetanggan k= 1 ...................................... 53
Tabel 4.5 Perhitungan evaluasi kinerja sistem kelas gollamamea dengan k=1 ......... 54
Tabel 4.6 Perhitungan evaluasi kinerja sistem kelas lokasattai dengan k=1 ............. 55
Tabel 4.7 Perhitungan evaluasi kinerja sistem kelas sagu dengan k=1 ..................... 56
Tabel 4.8 Perhitungan evaluasi kinerja sistem kelas ubi dengan k=1........................ 57
Tabel 4.9 Nilai precision, recall, error dan akurasi data perkelas pada k=1 ............. 58
Tabel 4.10 Hasil pengujian data uji dengan color histogram .................................... 59
Tabel 4.11 Pengujian color histogram dengan nilai k dengan akurasi tertinggi (k=1)
.................................................................................................................................... 59
Tabel 4.12 Hasil pengujian data uji dengan GLCM .................................................. 59
Tabel 4.13 Pengujian GLCM dengan nilai k dengan akurasi tertinggi (k=13) .......... 60
Tabel 4.14 Hasil pengujian data uji dengan fitur gabungan ...................................... 60
Tabel 4.15 Perbandingan klasifikasi data benar dan data salah hasil prediksi........... 61
Tabel 4.16 Hasil pengujian data uji dengan fitur gabungan dengan nilai k dengan
akurasi tertinggi (k=1) ............................................................................................... 62
Tabel 4.17 Hasil pengujian data uji dengan fitur gabungan ...................................... 62
xiv
BAB I
PENDAHULUAN
A. Latar Belakang
Provinsi Sulawesi Barat merupakan salah satu wilayah Indonesia yang
masyarakatnya memiliki kebiasaan mengkonsumsi beras sebagai makanan
pokoknya. Beras, ubi kayu, pisang maupun sagu sangat berpotensi sebagai makanan
lokal Sulawesi Barat. Ubi kayu dan sagu dapat diolah menjadi berbagai produk
makanan, salah satu yang sangat terkenal sebagai makanan lokal masyarakat Mandar
adalah jepa, baik itu jepa gula merah (gollamamea), jepa sagu maupun jepa ubi serta
olahan pisang yang biasa dikenal dengan nama loka sattai (pisang santan). Usaha
pemasaran jepa masih lokal sehingga orang yang baru pertama kali melihat atau
wisatawan dari luar daerah akan kesulitan untuk membedakan nama, rasa, maupun
jenis makanan hanya dengan melihatnya tanpa mencicipi makanan tersebut. Seiring
dengan berjalannya waktu, kepopuleran makanan Tradisional Mandar ini semakin
memudar dikalangan masyarakat terutama generasi muda. Untuk mengatasi
permasalahan tersebut, perlu dilakukan penelitian untuk mengklasifikasikan suatu
citra makanan dari keempat jenis makanan tersebut. Hal ini berguna untuk mengenali
suatu jenis makanan. Dalam pengklasifikasian, setiap jenis makanan memiliki
beberapa karakteristik yang dapat dikenali, seperti bentuk, keberagaman warna,
tekstur, dan sebagainya. Setiap jenis makanan memiliki karakteristik masing-masing,
1
2
contohnya makanan yang memiliki bentuk yang sama belum tentu beraroma sama,
adapun makanan yang teksturnya terdapat kemiripan, belum tentu memiliki bentuk
yang sama. Pada penelitian yang dilakukan oleh Halim, Hardy, dan Mytosin (2015),
menggunakan salah satu ekstraksi fitur warna yaitu Color Histogram, dalam aplikasi
pencarian gambar menunjukkan hasil akurasi sebesar 66,66% pada pencarian gambar
makanan. Adapun pada penelitian menggunakan ekstraksi fitur warna Color
Histogram yang dilakukan oleh Simarmata, Sari, dan Adinugroho (2019) pada
pengklasifikasian citra makanan menghasilkan akurasi 67%. Selain itu, terdapat
metode ekstraksi fitur lain untuk melakukan pengklasifikasian makanan, salah
satunya adalah menggunakan ekstraksi fitur tekstur Gray Level Co-occurrence
Matrix (GLCM). Metode ini sudah banyak diterapkan dalam penelitian untuk
mendapatkan nilai fitur tekstur pada suatu citra.
Beberapa penelitian sudah dilakukan menggunakan metode tersebut,
diantaranya adalah Neneng dan Yusra (2017) pada penelitian klasifikasi jenis daging
berdasarkan analisa citra tektur dan warna dimana penelitian ini menghasilkan
akurasi sebesar 75,6%. Selain itu pada penelitian lain, ekstraksi fitur tekstur
menggunakan GLCM pun menghasilkan akurasi lebih baik dibandingkan dengan
teknik lain seperti Linear Regression Model, Wavelet dan Gabor dengan
menghasilkan akurasi sebesar 99% (Suresh dan Shanmuganathan, 2012). Terdapat
beberapa metode dalam melakukan pengklasifikasian. Penelitian menggunakan
metode klasifikasi K-Nearest Neighbour (KNN) sudah banyak dilakukan, beberapa
diantaranya adalah penggunaan metode klasifikasi K-Nearest Neighbour pada

3
penelitian Iris Recognition dengan menghasilkan akurasi tertinggi sebesar 96,3%
(Kulkarni et al., 2014). Adapun penelitian pada klasifikasi daun dengan perbaikan
fitur citra menggunakan metode K-Nearest Neighbour menghasilkan akurasi sebesar
86,67% (Liantoni, 2015).
Berdasarkan uraian di atas, secara manual manusia dapat dengan mudah
mengenali dan membedakan jenis makanan. Akan tetapi berbeda dengan mereka
yang baru pertama kali melihat jenis makanan baru sehingga sulit untuk mengenali
jenis makanan dengan konsisten. Seiring berjalannya teknologi, banyak penelitian
bermunculan terkait pengenalan jenis makanan menggunakan pengolahan citra.
Penelitian ini bertujuan untuk mengenali jenis makanan berbasis citra berdasarkan
warna dan teksturnya kemudian mengklasifikasikannya. Dalam pengklasifikasian,
setiap jenis makanan akan diklasifikasikan kedalam beberapa kelas dengan
menggunakan metode GLCM untuk ekstraksi fitur tekstur, metode Color Histogram
dengan ruang warna (Red, Green, Blue) untuk ekstraksi warna serta KNN untuk
melakukan pengklasifikasian citra makanan berdasarkan nilai ketetanggaannya
terdekatnya.
B. Rumusan Masalah
Berdasarkan latar belakang di atas dirumuskan masalah sebagai berikut:
1. Bagaimana mengekstraksi fitur makanan Tradisional Mandar menggunakan fitur
warna dan fitur tekstur ?

4
2. Bagaimana mengklasifikasikan makanan Tradisional Mandar menggunakan
metode K-Nearest Neighbour ?
C. Batasan Masalah
Batasan masalah bertujuan untuk membatasi pembahasan pada pokok
permasalahan penelitian yang bertujuan agar tidak terjadi kerancuan ataupun
kesimpangsiuran dalam menginterpretasikan hasil penelitian. Adapun batasan
masalah dalam penelitian ini adalah sebagai berikut:
1. Data yang digunakan berupa data citra dari empat kelas yaitu jepa gollamamea,
jepa ubi, jepa sagu dan lokasattai.
2. Dataset yang digunakan berasal dari citra makanan yang di ambil langsung.
3. Menggunakan metode GLCM untuk ekstraksi fitur tekstur dan color histogram
untuk fitur warna citra dan KNN untuk metode klasifikasi citra.
D. Tujuan Penelitian
Berdasarkan rumusan masalah yang ada, penelitian ini bertujuan untuk:
1. Mengekstraksi fitur makanan Tradisional Mandar menggunakan fitur warna dan
fitur tekstur.
2. Mengklasifikasikan fitur Makanan Tradisional Mandar menggunakan metode K-
Nearest Neighbour.
5
E. Manfaat Penelitian
Adapun manfaat yang didapatkan dari penelitian ini adalah dapat
mengklasifikasikan makanan Tradisional Mandar dengan mengekstraksi fitur dan
mengenali jenis makanan menggunakan citra dengan metode KNN.

BAB II
TINJAUAN PUSTAKA
A. Makanan Tradisional Mandar
Jepa merupakan makanan tradisional Tradisional Mandar yang terbuat dari
singkong atau ubi yang diparut terlebih dahulu kemudian diperas untuk
menghilangkan kadar airnya dan kemudian diayak dan dicampurkan dengan parutan
buah kelapa untuk memberinya rasa gurih dan nikmat. Jepa dapat dijadikan sebagai
bahan makanan pokok, pengganti nasi karena kandungan karbohidratnya yang cukup
tinggi, kandungan karbohidratnya kurang lebih sama dengan yang dikandung oleh
nasi (Imisulbar, 2020). Adapun varian makanan Tradisional Mandar yang akan
dilakukan pengenalan citra diantaranya :
1. Jepa Katong (sagu), yaitu jepa yang terbuat dari katong yang dalam bahasa
Indonesia berarti sagu. Pertama-tama sagu yang telah halus dipanaskan
menggunakan tungku, lalu sagu yang halus dibuat secara merata di permukaan
tungku. Kemudian tumput tungku satu persatu di atas pembakaran untuk
menekan jepa yang berada dibagian bawah .
6
7
Gambar 2.1 Jepa Katong atau Jepa sagu (Noval, 2012)
2. Jepa Golla Mamea, yaitu jepa yang terbuat dari ubi kayu yang telah halus
kemudian dipanaskan menggunakan tungku, lalu ubi kayu yang telah halus
dibuat secara merata di permukaan tungku. Gula merah dapat ditaburkan untuk
menambah rasa manis gula merah lalu dipanggang.
Gambar 2.2 Jepa Golla mamea atau Jepa gollamamea

(Makanankhasmandar.blogspot, 2018)
3. Jepa ubi, Jepa berbentuk lembaran bulat yang bahan dasarnya menggunakan ubi
kayu. Proses pengolahannya yaitu ubi kayu dikupas kemudian dibersihkan, lalu
diparut kemudian diperas untuk menghilangkan kadar airnya dan kemudian
diayak dan dicampurkan dengan parutan buah kelapa sebagai penambah rasa
gurih (Sulbar, 2016).

8
Gambar 2.3 Jepa ubi
4. Loka sattai (Lokasattai), terbuat dari pisang mentah yang direbus dengan
kulitnya (dikukus) dalam keadaan panas dimasukkan ke dalam santan sambil
diaduk sampai santan lengket di pisang.
Gambar 2.4 Loka Sattai (Makanankhasmandar.blogspot, 2018)
B. Image Processing
Image Processing (pemrosesan citra) adalah kumpulan teknik komputasi
untuk menganalisis, meningkatkan, mengompresi dan merekonstruksi gambar.
Adapun komponen utamanya adalah importing (mengimpor), dimana gambar
diambil melalui scanning (pemindaian) atau fotografi digital. Pengolahan citra
merupakan metode untuk mengubah citra menjadi bentuk digital dan melakukan
beberapa operasi padanya, untuk mendapatkan citra yang disempurnakan atau untuk
mengekstrak beberapa informasi berguna darinya. Image Processing adalah jenis
dispensasi sinyal dimana input-nya adalah gambar, seperti frame (bingkai) video atau
9
foto dan output-nya dapat berupa gambar atau karakteristik yang terkait dengan
gambar tersebut (Mulyawan Rifqi, 2021).
Tahapan preprocessing citra yang diimplementasikan dalam penelitian ini
sebagai berikut :
1. Grayscale
Untuk melakukan perubahan suatu gambar full color (RGB) menjadi suatu citra
grayscale (gambar keabuan). Metode yang umum digunakan, dimana R: Unsur
warna merah G : Unsur warna hijau B : Unsur warna biru. Nilai yang dihasilkan
dari persamaan diatas akan diinput ke masing-masing unsur warna dasar citra
grayscale (Batubara, Widiyanto and Chamidah, 2020).
2. Gaussian blur
Gaussian Blur berfungsi untuk menempatkan warna transisi dalam citra sehingga
menghasilkan efek lembut pada sisi citra. Digunakan untuk menghilangkan noise
yang berasal dari pantulan cahaya pada kamera (Febriani, Sari and Wihandika,
2019).
3. Threshold
Metode threshold bertujuan untuk membagi histogram citra gray level kedalam
dua wilayah yang berbeda secara otomatis. Metode threshold melakukan analisis
diskriminan dengan menentukan suatu variable dengan membedakan antara dua
atau lebih secara alami (Batubara, Widiyanto and Chamidah, 2020).

10
4. Operasi morfologi (Morphological operation)
Operasi morfologi merupakan operasi yang umum dikenakan pada citra
biner (hitam-putih) untuk mengubah struktur bentuk objek yang terkandung
dalam citra. Morfologi adalah teknik pengolahan citra berdasarkan bentuk
segmen citra. Tujuan dari operasi morfologi adalah untuk memperbaiki hasil
segmentasi.
a) Elemen penstruktur
Ukuran dan bentuk elemen penstruktur (structure element) menentukan
hasil operasi morfologi. Bentuk yang umum digunakan pada operasi
morfologi adalah cakram dan lingkaran.
b) Operasi Dilasi dan Erosi
Operasi dilasi biasa dipakai untuk mendapatkan efek pelebaran terhadap
piksel yang bernilai 1. Operasi erosi mempunyai efek memperkecil
struktur citra (Marleny, 2022).
c) Operasi Opening dan Closing
Operasi opening adalah operasi erosi yang diikuti dengan dilasi dengan
menggunakan elemen penstruktur yang sama. Operasi ini berguna untuk
menghaluskan kontur objek dan menghilangkan seluruh piksel di area
yang terlalu kecil untuk ditempati oleh elemen penstruktur. Operasi
closing berguna untuk menghaluskan kontur dan menghilangkan lubang-
lubang kecil. Operasi closing dilaksanakan dengan melakukan operasi

11
dilasi terlebih dahulu dan kemudian diikuti dengan operasi erosi
(Batubara, Widiyanto and Chamidah, 2020).
5. Masking
Masking merupakan tahapan yang berguna untuk membedakan antara objek
digital dengan background yang ada di sekitar objek (Febriani, Sari and
Wihandika, 2019).
6. Cropping
Pada tahap segmentasi selanjutnya mengambil wilayah yang diinginkan yaitu
wilayah objek pada citra dengan metode cropping pada penelitian ini, keluaran
dari proses ini berupa citra RGB (Batubara, Widiyanto and Chamidah, 2020).
C. Fitur warna RGB(Red, Green, Blue)
Model warna RGB didasarkan pada ilmu mata manusia yang memahami
cahaya dan menerjemahkannya menjadi gelombang di dalam otak. Model warna
RGB umumnya ditampilkan di kamera digital, dan jenis perangkat tampilan berbasis
cahaya lainnya. Model warna merupakan proses penciptaan lebih banyak warna
melalui warna-warna primer, yaitu R (red), G (green), dan B (blue). RGB adalah
warna aditif yang menampilkan warna menggunakan ‘cahaya model’. Maka dari itu
model warna aditif atau RGB paling umum digunakan dalam menampilkan gambar-
gambar melalui perangkat elektronik. Dalam proses model warna RGB ini, jika tiga
warna ditumpangkan dengan intensitas paling sedikit maka warna hitam terbentuk.
12
Jika ditambahkan intensitas cahaya penuh, maka warna putih akan terbentuk
(Wiranata, 2019).
D. Color Histogram
Histogram citra adalah diagram yang menggambarkan frekuensi setiap nilai
intensitas yang muncul di seluruh piksel citra. Nilai yang besar menyatakan bahwa
piksel-piksel yang mempunyai intensitas tersebut sangat banyak. Pada citra berskala
keabuan, jumlah skala keabuan (biasa disimbolkan dengan L) sebanyak 256. Nilai
skala keabuan dimulai dari 0 hingga 255. Pada pengolahan citra, histogram
mempunyai peran untuk mengamati penyebaran intensitas warna dan dapat dipakai
untuk pengambilan keputusan dalam peningkatan kecerahan atau peregangan kontras
serta sebaran warna, untuk penentuan batas-batas dalam pemisahan objek dari latar
belakangnya dan memberikan persentase komposisi warna dan tekstur intensitas
untuk kepentingan identifikasi citra (Fauzan, 2016).
Metode ini adalah metode untuk mengambil fitur warna pada suatu citra.
Citra yang diperlukan dalam proses ini berupa citra red, green dan blue. Selanjutnya,
dilakukan pengambilan nilai fitur-fitur pada Color Histogram yang terdiri Mean,
Standar Deviasi, dan Skew. Fitur Mean adalah nilai rata-rata pada masing-masing
warna. Fitur Mean dapat dihitung menggunakan Persamaan 2.1.
𝑀𝑒𝑎𝑛 = 𝑐̅ = ∑𝐿−1
𝑐=0 𝑐𝑃(𝑐 ) (2.1)
Keterangan:
𝑐̅ : Nilai rata-rata channel citra c dari piksel tersebut
L : Jumlah piksel
13
c : Nilai piksel channel citra c pada citra
P(c) : Probabilitas nilai channel citra c pada citra
Fitur Standar Deviasi bertujuan untuk mendeskripsikan kontras dari suatu
citra. Citra dengan konstras yang tinggi akan memiliki Standar Deviasi yang tinggi
(Priambodo, Sari and Widodo, 2019). Fitur ini dapat dihitung menggunakan
Persamaan 2.2.
𝜎𝑐 = √∑𝐿−1 2
𝑔−0(𝑐 − 𝑐̅) 𝑃(𝑐) (2.2)
Keterangan:
L : Jumlah piksel citra
c- c̅ : Nilai piksel citra dikurangi nilai ratarata channel citra c dari piksel tersebut
P(c) : Probabilitas nilai channel citra c pada citra
Fitur Skew digunakan untuk mengukur keseimbangan rata-rata pada suatu
warna citra. Fitur ini dapat dihitung menggunakan Persamaan 2.3.

1
𝑆𝐾𝐸𝑊 = 𝜎3 ∑𝐿−1 3
𝑐=0(𝑐 − 𝑐̅) 𝑃(𝑐) (2.3)
𝑐
Keterangan:
L : Jumlah total piksel pada citra
c- c̅: Nilai piksel citra dikurangi nilai rata-rata channel citra c dari piksel tersebut
P(c) : Probabilitas nilai channel citra c pada citra.

14
E. Gray Level Co-Occurance Matrix (GLCM)
Metode GLCM termasuk dalam metode statistik dimana dalam perhitungan
statistiknya menggunakan distribusi derajat keabuan (histogram) dengan mengukur
tingkat kekontrasan, granularitas, dan kekasaran suatu daerah dari hubungan
ketetanggaan antar pixel di dalam citra. Paradigma statistik ini penggunaannya tidak
terbatas, sehingga sesuai untuk tekstur-tekstur alami yang tidak terstruktur dari sub
pola dan himpunan aturan (mikrostruktur). Metode statistik terdiri dari ekstraksi ciri
orde pertama dan ekstraksi ciri orde kedua. Ekstraksi ciri orde pertama dilakukan
melalui histogram citra sedangkan ekstraksi ciri statistik orde kedua dilakukan
dengan matriks kookurensi, yaitu suatu matriks antara yang merepresentasikan
hubungan ketetanggaan antar pixel dalam citra pada berbagai arah orientasi dan jarak
spasial (Utekqu, 2011).
Pada penelitian ini, fitur tekstur dari citra makanan akan di ekstraksi
menggunakan Gray Level Co-occurrence Matrix (GLCM). Teknik ini merupakan
teknik dasar tekstur Haralick dengan mengekstraksi ciri berbasiskan statistikal.
Teknik ini digunakan untuk menganalisa antar piksel yang bersebelahan yang dapat
ditentukan berdasarkan sudut yang digunakan. Langkah-langkah ekstraksi fitur
GLCM adalah sebagai berikut:
1. Mengubah citra RGB menjadi citra berskala keabuan.
2. Membentuk matrik co-occurrence dan dilanjutkan dengan menentukan hubungan
spasial antara piksel referensi dan piksel tetangga berdasarkan sudut θ dan jarak d.
15
3. Membentuk matrik simetris dengan menambahkan matrik co-occurrence dengan
matrik transposenya.
4. Melakukan normalisasi terhadap matrik simetris dengan menghitung probabilitas
setiap element matrik.
5. Menghitung fitur GLCM.
Terdapat enam fitur yang digunakan pada penelitian ini antara lain Contras,
Dissimilarity, Homogeneity, Angular Second Moment (ASM), Energy, dan
Correlation (Priambodo, Sari and Widodo, 2019). Setiap fitur dihitung dengan satu
piksel jarak di empat arah, yaitu 0°, 45°, 90° dan 135° untuk mendeteksi co-
occurrence (Batubara, Widiyanto and Chamidah, 2020).
a) Contrast, merupakan perbedaan intensitas antara nilai tertinggi (terang) dan
nilai terendah (gelap) dari sepasang piksel yang saling berdekatan. Secara
umum kontras diartikan sebagai perbedaan gradasi, kecerahan, atau nada
(warna) antara bidang gelap (shadow) dengan bidang terang, atau warna putih
yang mencolok sekali pada objek. Nilai kontras dapat dihitung dengan
persamaan 2.4
𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡 = ∑𝑁−1
𝑖,𝑗=0 𝑃𝑖, 𝑗 (𝑖 − 𝑗)
2
(2.4)
b) Dissimilarity (jarak antar data), merupakan ukuran yang mendefinisikan
variasi pasangan tingkat keabuan suatu citra, dimana dapat dihitung seperti
pada persamaan 2.5
𝐷𝑖𝑠𝑠𝑖𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦 = ∑𝑁−1
𝑖,𝑗=0 𝑃𝑖, 𝑗 |𝑖 − 𝑗| (2.5)
16
c) Homogeneity, merupakan ukuran tingkat homogenitas perulangan struktur
tekstur, di mana bobot nilainya merupakan invers dari kontras (contrast).
Tingkat homogeneity tekstur sangat tinggi bila nilai matriks co-occurrence
terkonsentrasi sepanjang diagonal matriks. Ini menunjukkan bahwa ada
banyak piksel dengan perulangan pasangan nilai intensitas yang sama sebagai
pembentuk struktur tekstur. Homogeneity memiliki kisaran nilai [0, 1]. Untuk
nilai homogeneity sama dengan 1 menunjukkan bahwa tekstur memiliki
struktur perulangan yang ideal, sedang bila nilainya rendah menunjukkan
bahwa elemen tekstur memiliki variasi yang tinggi dan tersebar secara merata
dalam area tekstur.

𝑁−1
𝑃𝑖,𝑗
𝐻𝑜𝑚𝑜𝑔𝑒𝑛𝑒𝑖𝑡𝑦 = ∑ 2
(2.6)
𝑖,𝑗=0 1+(𝑖−𝑗)
d) Angular Second Moment (ASM), digunakan untuk mengukur intensitas
pasangan piksel pada matriks ko-okurensi. Ketika piksel sangat mirip, maka
nilai angular second moment akan semakin besar, dimana dapat dihitung
seperti pada persamaan :
𝐴𝑆𝑀 = ∑𝑁−1
𝑖,𝑗=0 𝑃𝑖, 𝑗
2
(2.7)
e) Energy, merupakan ukuran konsentrasi pasangan dengan intensitas keabuan
tertentu pada matriks. Nilai energy dapat dihitung dengan persamaan berikut:
𝐸𝑛𝑒𝑟𝑔𝑦 = √∑𝑁−1
𝑖,𝑗=0 𝑃𝑖, 𝑗
2 (2.8)
f) Entropy, merupakan fitur GLCM yang digunakan untuk mengukur tingkat
ketidak aturan bentuk dan distribusi intensitas citra matriks ko-okurensi.

17
Persamaan 2. 9 berikut menunjukkan rumus fitur entropy.
𝐸𝑛𝑡𝑟𝑜𝑝𝑦 = − ∑ 𝑖 ∑ 𝑗 𝑝(𝑖, 𝑗)𝑙𝑜𝑔(𝑝(𝑖, 𝑗)) (2.9)
Keterangan:
N : Jumlah total piksel pada citra
i,j : koordinat matriks citra
Pi,j : Nilai matiks pada citra
F. Normalisasi
Suatu teknik untuk mengorganisasikan data kedalam tabel-tabel untuk
memenuhi kebutuhan pemakai didalam suatu orgnisasi. Data-data yang dilakukan
normalisasi dengan membagi nilai data tersebut dengan nilai range data (nilai data
maksimum - nilai data minimum). Tujuan dari normalisasi yaitu:
1. Untuk menghilangan kerangkapan data
2. Untuk mengurangi kompleksitas
3. Untuk mempermudah pemodifikasian data

𝑋0 −𝑋𝑚𝑖𝑛
𝑋𝑛 = 𝑋 (2.10)
𝑚𝑎𝑥 −𝑋𝑚𝑖𝑛
Keterangan :
𝑋𝑛 = nilai data normal
𝑋0 = nilai data aktual
𝑋𝑚𝑖𝑛 = nilai minimum data aktual keseluruhan
𝑋𝑚𝑎𝑥 = nilai maksimum data aktual keseluruhan

18
Normalisasi data input bertujuan untuk menyesuaikan nilai range data
dengan fungsi aktivasi dalam sistem ELM (Extreame Learning Machine). Ini berarti
nilai kudrat input harus berada pada range 0 sampai 1. Sehingga range input yang
memenuhi syarat adalah nilai data input dari 0 sampai 1. Oleh karena itu output yang
dihasilkanpun akan berada pada range 0 sampai 1. Kemudian untuk nendapatkan
nilai sebenarnya dari output perlu dilakukan normalisasi (Hidayat and Suprapto,
2016).
G. K-Nearest Neighbour (KNN)
K-Nearest Neighbour (KNN) merupakan algoritma yang berfungsi untuk
melakukan klasifikasi suatu data berdasarkan data pembelajaran (train dataset), yang
diambil dari k tetangga terdekatnya (nearest neighbour). Dengan k adalah banyaknya
tetangga terdekat. K-Nearest Neighbour melakukan klasifikasi dengan proyeksi data
pelatihan pada ruang berdimensi banyak. Ruang ini dibagi menjadi bagian-bagian
yang merepresentasikan kriteria data pelatihan (Advernesia, 2021).
Klasifikasi yang digunakan dalam penelitian ini menggunakan metode
KNN. Metode ini diharapkan mampu mengklasifikasikan makanan berdasarkan fitur
yang di dapat dari citra makanan. Prinsip umum dari metode klasifikasi K-Nearest
Neighbour adalah berbasis pembelajaran dengan membandingkan nilai dari data uji
dengan data latih yang berdekatan berdasarkan jumlah tetangga terdekat (k). Data
latih disimpan kedalam kelas yang telah ditentukan. Ketika terdapat masukan data
yang belum diketahui kelasnya, maka KNN akan mencari pola sebanyak k data latih
yang berdekatan dengan data yang belum memiliki kelas (Priambodo, Sari and
19
Widodo, 2019). Jarak Euclidean digunakan untuk menghitung jarak antara dua
vektor yang berfungsi menguji ukuran yang bisa digunakan sebagai interpretasi
kedekatan jarak antara dua objek. Dalam penelitian ini menggunakan perhitungan
Euclidean Distance dengan rumus perhitungan (Purnamasari and Sutojo, 2017) :
𝑑 = √∑𝑛𝑖=1(𝑋𝑖 − 𝑌𝑗)2 (2.11)
Keterangan:
d = jarak data uji ke data pembelajaran
Xi = data uji ke-i, dengan i = 1, 2,........., n
Yj = data uji ke-j, dengan j =1, 2,..........., n
H. Perhitungan Klasifikasi
Confusion Matrix berbentuk tabel matriks yang menggambarkan kinerja
model klasifikasi pada serangkaian data uji yang nilai sebenarnya diketahui. Gambar
dibawah ini merupakan confusion matrix dengan 4 kombinasi nilai prediksi dan nilai
aktual yang berbeda.
Tabel 2.1 Confusion Matrix

Predicted Class
Actual Class
Positive Negative
Positive True Positive(TP) False Positive(FP)
Negative False Negative(FN) True Negative(TN)
Matriks Confusion adalah matriks N x N yang digunakan untuk
mengevaluasi kinerja model klasifikasi, dimana N adalah jumlah target kelas. Matriks
20
Confusion adalah alat untuk analisis prediktif dalam mesin yang sedang belajar.
Untuk memeriksa kinerja berdasarkan klasifikasi model pembelajaran mesin.
Terdapat 4 istilah sebagai representasi hasil proses klasifikasi pada Confusion Matrix.
Keempat istilah tersebut adalah TP (True Positive) merupakan jumlah data aktual
yang sebenarnya True diprediksi True, TN (True Negative) merupakan jumlah data
aktual yang sebenarnya False diprediksi False, FP (False Positive) merupakan
jumlah data aktual yang sebenarnya True diprediksi False dan FN (False Negative)
merupakan jumlah data aktual yang sebenarnya False diprediksi True. Dalam proses
klasifikasi dilakukan pengujian untuk menentukan Akurasi, Presisi, Recall, dan
Error dari hasil klasifikasi (Ting, 2017).
1. Akurasi (Accuracy) merupakan rasio prediksi benar (positif dan negatif) dengan
keseluruhan data. Dengan kata lain, accuracy merupakan tingkat kedekatan nilai
prediksi dengan nilai aktual (sebenarnya). Nilai accuracy dapat diperoleh dengan
persamaan 2.12.
(𝑇𝑃+𝑇𝑁)
Akurasi = (2.12)
(𝑇𝑃+𝐹𝑃+𝑇𝑁+𝐹𝑁)
2. Presisi (precision) merupakan rasio prediksi benar positif dibandingkan dengan
keseluruhan hasil yang diprediksi positif. Dari semua kelas positif yang telah di
prediksi dengan benar, berapa banyak data yang benar-benar positif.
Nilai precision dapat diperoleh dengan persamaan 2.13.

𝑇𝑃
𝑃𝑟𝑒𝑠𝑖𝑠𝑖 = (2.13)
(𝑇𝑃+𝐹𝑃)
21
3. Recall merupakan rasio prediksi benar positif dibandingkan dengan keseluruhan
data yang benar positif. Nilai Recall dapat diperoleh dengan persamaan 2.14.
𝑇𝑃
𝑅𝑒𝑐𝑎𝑙𝑙 = (2.14)
(𝑇𝑃+𝐹𝑁)
4. Error artinya terdapat kesalahan prediksi dari data.
(𝐹𝑃+𝐹𝑁)
𝐸𝑟𝑟𝑜𝑟 = (2.15)
(𝑇𝑃+𝐹𝑃+𝑇𝑁+𝐹𝑁)
Keterangan:
TP : Nilai Prediksi dan nilai sebenarnya bernilai benar
TN : Nilai Prediksi dan nilai sebenarnya bernilai salah
FP : Nilai Prediksi benar dan nilai sebenarnya bernilai salah
FN : Nilai Prediksi salah dan nilai sebenarnya bernilai benar
I. Python
Python (bahasa pemrograman) merupakan bahasa pemrograman tingkat
tinggi yang bisa melakukan eksekusi sejumlah instruksi multi guna secara langsung
(interpretatif) dengan metode Object Oriented Programming dan juga menggunakan
semantik dinamis untuk memberikan tingkat keterbacaan syntax. Sebagai bahasa
pemrograman tingkat tinggi, bahasa pemrograman python banyak digemari oleh para
programmer karena syntax bahasa yang mudah dipahami dan bisa dijalankan di
beberapa platform manapun melalui interpreter (Materi, 2020).

22
J. OpenCV
OpenCV (Open sourch Computer Vision) adalah sebuah API (Application
Programming Interface) Library pada Pengolahan Citra Computer Vision. Computer
Vision itu sendiri adalah salah satu cabang dari Bidang Ilmu Pengolahan Citra
(Image Processing) yang memungkinkan komputer dapat melihat seperti manusia.
Vision tersebut membuat komputer dapat mengambil keputusan, melakukan aksi,
dan mengenali terhadap suatu objek. Beberapa pengimplementasian dari Computer
Vision adalah Face Recognition, Face Detection, Face/Object Tracking, Road
Tracking. OpenCV adalah library Open Source untuk Computer Vision. OpenCV
didesain untuk aplikasi real-time, memiliki fungsi-fungsi akuisisi yang baik untuk
image/video (Priawadi, 2021).
K. Penelitian Terkait
Penelitian terkait dengan klasifikasi makanan menggunakan ekstraksi fitur
Gray Level Co-Occurance Matrik dan Metode K-Nearest Neighbour dapat dilihat
pada Tabel 2.2.
Tabel 2.2 Penelitian Terkait

Nama dan Perbedaan dan
No Metode
tahun Judul penelitian Hasil penelitian persamaan
penelitian
penelitian penelitian
1 Priambodo, Klasifikasi Jenis -Color Hasil dari akurasi Perbedaannya
Hafid Satrio Citra Makanan Histogram rata-rata yang ada pada jenis
Sari, Yuita menggunakan -GLCM dihasilkan oleh makanan yang
Arum Color Histogram -KNN metode-metode diujikan,
Widodo, dan Gray Level tersebut adalah sedangkan
Agus Co-occurrence sebesar 93,33%. persamaannya
Wahyu pada Matrix dengan adalah fitur
23
tahun 2019 K-Nearest GLCM dan

Neighbour KNN yang
digunakan
2 Novyanti, Pengenalan Citra -Color Hasil dari Perbedaannya
Ofi Eka Jenis Makanan Channel pengujian ini ada pada jenis
Sari, Yuita menggunakan -GLCM bahwa pengenalan makanan yang
Arum Ekstraksi Fitur -KNN citra jenis makanan diujikan,
Furqon, Color Channel menggunakan sedangkan
Muhammad dan Gray Level ekstraksi fitur color persamaannya
Tanzil pada Co-Occurence channel dan GLCM adalah fitur
tahun 2019 Matrix dengan KNN dapat GLCM dan
dilakukan pada KNN yang
nilai k=3 dengan digunakan.
akurasi sebesar
90,58% untuk data
seimbang.
3 Anggraini, Klasifikasi Jenis -GLCM Akurasi terbaik Perbedaannya
Reni pada Kualitas Keju -SVM sebesar 97.9167% ada pada jenis
tahun 2017 Dengan dengan waktu makanan yang
Menggunakan komputasi 0.0286s diujikan,
Metode Gray dengan sedangkan
Level Co- menggunakan persamaannya
occurrence metode GLCM adalah fitur
Matrix (GLCM) dimana digunakan GLCM yang
dan Support ekstraksi ciri digunakan.
Vector Machine berdasarkan tekstur
(SVM) Pada dan warna dengan
Citra Digital parameter orde dua
(kontras dan
homogenitas), arah
0°, d= 2 pixel,
kernel polynomial,
dan jenis multiclass
OAO.
4 Liantoni, Klasifikasi Daun KNN Pengujian Perbedaannya
Febri pada Dengan klasifikasi dengan ada pada jenis
tahun 2016 Perbaikan Fitur menggunakan objek yang
Citra metode K-Nearest diujikan,
Menggunakan Neighbour (KNN) sedangkan
Metode K- didapatkan nilai persamaannya
Nearest Akurasi sebesar adalah metode
Neighbour 86,67%, hasil ini KNN yang
menunjukkan digunakan.
metode KNN
mampu melakukan
klasifikasi daun
dengan baik
24
5. Simanjuntak Analisis GLCM SVM classifier Perbedaannya

, Taufik Keseluruhan tidak mampu ada pada jenis
Ismail Pada Sudut Co- bekerja dengan baik objek dan fitur
Tahun 2018 Occurrence pada ekstraksi fitur yang diujikan,
Matrix Pada GLCM sedangkan
GLCM Dalam persamaannya
Mengklasifikasi adalah metode
Citra GLCM yang
digunakan.
6 Prabudaya, Metode KNN Hasil pengujian Perbedaannya
Taftayani Klasifikasi Mutu didapatkan bahwa ada pada objek
Yusuf Jambu Biji metode klasifikasi yang
Harjoko, Menggunakan ini mampu digunakan,
Agus KNN memberikan sedangkan
pada tahun Berdasarkan Akurasi terbaik persamaannya
2017 Fitur Warna Dan pada k=3 dalam ada pada
Tekstur metode KNN metode
dengan Akurasi klasifikasi yang
91,25% digunakan.
7 Farokhah, Implementasi K- -KNN Hasil menunjukkan Perbedaannya
Lia Nearest -Ekstraksi bahwa kolaborasi ada pada objek
pada tahun Neighbour Fitur metode klasifikasi yang diujikan,
2020 Untuk Warna KNN dengan sedangkan
Klasifikasi ekstraksi fitur persamaannya
Bunga Dengan warna RGB ada pada
Ekstraksi Fitur memiliki metode yang
Warna RGB kelemahan terhadap digunakan
percobaan pertama klasifikasi yang
dengan akurasi 50- digunakan.
60% pada k=5.
Percobaan kedua
memiliki akurasi
sekitar 90-100%
pada k=5.
Peningkatan
Akurasi, precision
dan Recall terjadi
ketika menaikkan
jumlah k yaitu dari
k=1 menjadi k=3
dan k=5.
8 Rahman, Klasifikasi Batik -KNN Dari hasil Perbedaannya
Yurni Menggunakan -GLCM penelitian yang ada pada objek
Wijayanto, Metode K- menggunakan 75 yang diujikan,
Hanang Nearest citra tenun dengan sedangkan
Pada tahun Neighbour 5 kelas yaitu Bali, persamaannya
2015 Berdasarkan Kalimantan, NTT, ada pada
25
Gray Level Co- Sulawesi dan metode yang

Occurrence Sumatra digunakan
Matrices ( menghasilkan klasifikasi yang
GLCM ) tingkat Akurasi digunakan.
tertinggi pada uji
coba 3 sudut 0° k=2
sebesar 70% dan
terendah pada uji
coba 2 sudut 45°
k=1 sebesar 2%.
9 Neneng Klasifikasi Jenis -GLCM Hasil klasifikasi Perbedaannya

Fernando, Daging terbaik yang ada pada objek
Yusra Pada Berdasarkan diperoleh adalah yang diujikan,
Tahun 2017 Analisis Citra 75,6% berada pada sedangkan
Tekstur Gray arah GLCM 45o persamaannya
Level Co- dengan jarak piksel ada pada
Occurrence tetangga d=3 dan metode yang
Matrices ( arah GLCM 135 o digunakan
GLCM ) Dan dengan jarak piksel klasifikasi yang
Warna tetangga d=2. Nilai digunakan.
tersebut berada
pada parameter
sigma 2,1.
10 Pamungkas, Ekstraksi Citra -GLCM Berdasarkan hasil Perbedaannya
Danar Putra menggunakan -KNN pengujian dan ada pada objek
pada tahun Metode GLCM analisa dari yang diujikan,
2019 dan KNN untuk penelitian yang sedangkan
Identifikasi Jenis telah dilakukan persamaannya
Anggrek dapat disimpulkan ada pada
(Orchidaceae) tingkat metode yang
keberhasilan digunakan
identifikasi klasifikasi yang
Orchidaceae atau digunakan.
bunga anggrek
mencapai 80%
dengan rata-rata
77%. Nilai k
berpengaruh pada
tingkat
keberhasilan
identifikasi,
semakin besar nilai
k akurasi semakin
kecil.
26
BAB III
METODOLOGI PENELITIAN
A. Jenis Penelitian
Penelitian ini menggunakan penelitian kuantitatif. Jenis penelitian ini dipilih
karena data yang digunakan berupa angka atau data yang dapat dikonversi menjadi
angka. Penelitian kuantitatif merupakan salah satu jenis penelitian yang
spesifikasinya adalah sistematis, terencana, dan terstruktur dengan jelas sejak awal
hingga pembuatan desain penelitiannya. Penelitian kuantitatif ini merupakan
penelitian yang banyak menuntut penggunaan angka mulai dari pengumpulan data,
penafsiran terhadap data tersebut, serta penampilan dari hasilnya.
B. Lokasi dan Waktu Penelitian
Penelitian ini dilakukan di Kabupaten Majene Provinsi Sulawesi Barat
dengan waktu penelitian dilakukan mulai bulan Februari sampai dengan Juli 2022.
Data diperoleh melalui pengambilan citra secara langsung. Selain itu data juga
diperoleh dari sumber-sumber tertulis baik media cetak maupun elektronik. Jadwal
Penelitian dapat dilihat pada Tabel 3.1.
26
27
Tabel 3.1 Jadwal penelitian

Waktu Penelitian
N
Kegiatan Bulan 1 Bulan 2 Bulan 3 Bulan 4 Bulan 5 Bulan 6
o
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Pengumpu
1
lan Data
Rancanga
2
n Program
Implement
3
asi
Pengujian
4
Klasifikasi
C. Alat dan Bahan
Alat dan bahan yang digunakan dalam merancang pengklasifikasian
makanan Tradisional Mandar ini berupa perangkat keras dan perangkat lunak yaitu,
sebagai berikut:
1. Perangkat Keras
a. Smartphone
b. Personal Computer/laptop, processor intel 80 05U (1,70 Ghz)
c. RAM 4.00 GB
d. HDD 500 GB
2. Perangkat Lunak
a. Sistem Operasi Windows 10
b. Idle
28
D. Tahap Penelitian
Adapun tahapan-tahapan yang akan dilakukan dalam pengoptimalan
penghitungan menggunakan ekstraksi fitur GLCM dan klasifikasi menggunakan
algoritma KNN ini adalah sebagai berikut :
1. Pengumpulan Data
Adapun tahap pengumpulan data menjelaskan mengenai data yang
digunakan dalam penelitian ini. Data yang digunakan adalah data primer yaitu
pengambilan data di ambil secara manual dengan menggunakan alat berupa
smartphone.
a. Objek yang digunakan dalam penelitian ini berupa makanan yang berbentuk
padat dan terdapat 4 jenis makanan, yaitu jepa gollamamea, lokasattai, jepa
sagu, dan jepa ubi.
b. Intensitas cahaya menggunakan cahaya matahari yang ada pada ruangan.
c. Menggunakan smartphone dengan kamera utama 13 megapiksel f/2.2.
d. Pengambilan gambar dilakukan secara tegak lurus terhadap objek.
2. Analisis Data
Adapun teknik analisis data yang digunakan adalah teknik analisis data
kuantitatif. Teknik analisis data kuantitatif merupakan suatu kegiatan sesudah
pengambilan data dari perhitungan atau sumber data-data lain.

29
E. Gambaran Sistem
Pada tahap ini program akan dibuat berdasarkan hasil dari pengumpulan dan
analisa data yang telah dilakukan. Bahasa pemrograman yang akan digunakan adalah
bahasa pemprograman python. Program ini akan dibuat sesuai dengan alur
penyelesaian masalah dengan menggunakan algoritma KNN. Data yang digunakan
berupa citra dari empat kelas. Data citra makanan Tradisional Mandar yang
digunakan sebanyak 200 citra yang terdiri dari 4 jenis. Selanjutnya dilakukan proses
ekstraksi fitur warna dengan Color Histogram dan fitur tekstur dengan GLCM.
Proses diawali dengan membaca citra makanan tradisional mandar,
kemudian preprosesing citra untuk mendapatkan citra hasil segmentasi, dilanjutkan
dengan ekstraksi fitur color histogram dengan citra inputan berupa citra RGB hasil
segmentasi dan ekstraksi fitur tekstur. Dari kedua ekstraksi fitur ini kemudian
disimpan sebagai data latih untuk klasifikasi menggunakan KNN dengan
menentukan nilai k untuk memperoleh nilai akurasi tetentu.

30
Gambar 3.1 Diagram alir perancangan keseluruhan proses klasifikasi.
Secara keseluruhan, perancangan yang akan dibangun terdiri atas beberapa
tahapan. Tahapan tersebut terdiri atas enam proses utama, yaitu:
1. Proses dimulai dengan membaca citra berupa citra makanan Tradisional Mandar.
2. Melakukan proses preprocessing. Pada tahapan ini akan dilakukan segmentasi
terhadap citra dengan mengurangi noise dan diharapkan mendapatkan hasil data
latih dan data uji yang lebih baik dari sebelumnya. Pada tahap preprocessing ada
beberapa tahapan yang dilakukan, yaitu:

31
a. Grayscalling, salah satu tahap dalam preprocessing adalah mengubah citra
kedalam warna RGB. Setelah nilai pixel R,G, dan B diperoleh, citra akan
diubah kedalam warna keabuan.
b. Blurring, langkah selanjutnya setelah didapatkan nilai grayscalling adalah
melakukan tahap blurring.
c. Thresholding, proses yang dilakukan berikutnya adalah tahap thresholding,
dimana tahapan ini menggunakan otsu thresholding.
d. Opening dan Closing
Operasi opening berguna untuk menghaluskan kontur objek dan
menghilangkan seluruh piksel di area yang terlalu kecil untuk ditempati oleh
elemen penstruktur. Operasi closing berguna untuk menghaluskan kontur dan
menghilangkan lubang-lubang kecil.
e. Masking, setelah diperoleh nilai dilasi, maka tahap akhir dari preprocessing
adalah melakukan masking.
3. Melakukan proses ekstraksi fitur warna dengan menggunakan fitur Color
histogram .
4. Melakukan proses ekstraksi fitur tekstur dengan menggunakan fitur GLCM.
5. Melakukan proses klasifikasi dengan menggunakan algoritma KNN.
6. Melakukan proses perhitungan evaluasi. Perhitungan ini dilakukan untuk
melakukan perbandingan antara hasil klasifikasi data uji dengan kelas yang
sebenarnya.
32
7. Mendapatkan hasil output berupa hasil evaluasi dari perhitungan yang sudah
dikerjakan.
F. Tahap Pengujian
Tahap selanjutnya adalah tahapan pengujian, pada tahap ini akan melakukan
pengujian terhadap pengklasifikasian yang dibuat untuk melihat penerapan algoritma
KNN dalam pengklasifikasian. Hal tersebut dilakukan dengan terlebih dahulu
memasukkan data uji kedalam program python kemudian melakukan running untuk
melihat berhasil tidaknya program melakukan pengklasifikasian. Pada bagian ini,
pengujian dilakukan dalam 3 tahap yaitu pengujian nilai k, pengujian ekstraksi fitur,
dan pengujian perhitungan jarak tetangga terdekat. Hasil dari ekstraksi fitur tekstur
dan warna disimpan sebagai data latih atau digunakan sebagai data uji untuk proses
klasifikasi dengan KNN. Sebelum dilakukan proses klasifikasi, dataset harus dilatih
terlebih dahulu untuk menghasilkan variabel-variabel pengetahuan baru, dimana
variabel ini sebagai penentu jenis makanan yang diinput.
Berdasarkan dari tahap pengujian dengan menggunakan 200 set data,
dimana data latih dan data uji digunakan untuk menentukan akurasi, presisi, recall
dan error dari hasil klasifikasi. Dalam menghitung akurasi, rumus perhitungannya
menggunakan jumlah keseluruhan nilai data prediksi yang bernilai benar ditambah
jumlah keseluruhan nilai data yang bernilai salah kemudiaan dibagi dengan seluruh
jumlah nilai data, sebagaimana pada persamaan (2.12). Kemudian dari perhitungan
ini akan diperoleh nilai akurasi yang menentukan hasil prediksi yang benar dari citra
makanan pada setiap kelas mencapai sekian persen dari total jumlah data yang ada.
BAB IV
HASIL DAN PEMBAHASAN
A. Analisis Kebutuhan
Tahapan analisis yang dilakukan penulis adalah menguraikan beberapa hal
berkaitan dengan ruang lingkup proses yang nantinya dibutuhkan untuk mengambil
keputusan dalam proses klasifikasi.Identifikasi Masalah Pada penelitian ini akan
dilakukan klasifikasi citra makanan menggunakan fitur warna Color Histogram dan
fitur tekstur GLCM. Data yang digunakan dalam penelitian ini sebanyak 200 citra
makanan Tradisional Mandar dari empat kelas dimana 160 citra makanan Tradisional
Mandar digunakan sebagai data latih dan sisanya yaitu 80 data sebagai data uji dari 4
kelas yang berbeda.
Dalam penelitian ini, klasifikasi makanan dilakukan dengan menggunakan
algoritma KNN untuk melakukan klasifikasi. Nilai akurasi adalah parameter yang
menentukan seberapa baik model yang dibuat dengan menggunakan data latih dan
menggunakan data uji untuk melakukan pengujian model. Data yang diidentifikasi
pada penelitian ini merupakan 4 jenis makanan Tradisional Mandar berdasarkan hasil
identifikasi masalah yang telah dilakukan. 4 jenis makanan Tradisional Mandar
dikategorikan menjadi 4 kelas yaitu jepa sagu, jepa gollamamea, jepa ubi dan
lokasattai.
35
36
B. Pengumpulan Data
Data yang digunakan dalam penelitian ini sebanyak 200 citra makanan
Tradisional Mandar dari empat kelas dimana dari 200 citra sebagian digunakan
sebagai data latih dan sisanya sebagai data uji dengan 4 kelas yang berbeda. Citra
data latih dan data uji dapat dilihat pada Gambar 4.1 dan Gambar 4.2. Dari 200 citra
makanan Tradisional Mandar yang digunakan dilakukan pengambilan gambar
menggunakan kamera smartphone dengan ukuran 3120 x 4160 pixel dengan
Background warna merah dan biru yang bertujuan untuk menguji bagaimana hasil
segmentasi dengan kedua warna background yang digunakan.
Gambar 4.1 dan Gambar 4.2 merupakan citra hasil pemotretan yang akan
digunakan sebagai data latih dan data uji yang sebelumnya akan melalui tahapan
preprocessing untuk mendapatkan citra RGB hasil segmentasi yang akan diambil
setiap nilai fiturnya sebagai fitur data latih dan fitur data uji untuk klasifikasi
makanan tradisional mandar menggunakan KNN Classifier.
(a)
(b)
37
(c)
(d)
Gambar 4.1 Data latih, (a) kelas gollamamea, (b) kelas lokasattai, (c) kelas sagu dan
(d) kelas ubi
Gambar 4.2 Sampel data uji
C. Perancangan (Design) Proses Implementasi
Tahap berikutnya adalah perancangan. Perancangan meliputi perancangan
algoritma untuk mengolah gambar dan pemrograman klasifikasi untuk menentukan
kelas sesuai dengan data pembelajaran yang telah didapatkan. Pada tahap ini
dilakukan pemodelan berdasarkan hasil analisis. Perancangan menentukan
bagaimana suatu algoritma pemrograman menyelesaikan apa yang harus
diselesaikan. Pada tahap ini dilakukan pembuatan model dari aplikasi. Maksud
pembuatan model ini adalah untuk memperoleh pengertian yang lebih baik terhadap
38
aliran data dan control, proses-proses fungsional, tingkah laku operasi dan informasi-
informasi yang terkandung di dalamnya. Perancangan sistem dimulai dengan
perancangan implementasi preprocessing, implementasi ekstraksi fitur warna (Color
Histogram), implementasi ekstraksi fitur tekstur (GLCM), klasifikasi dengan KNN.
1. Rancangan implementasi Preprocessing
Pada tahapan Preprocessing, merupakan tahapan awal pada pengolahan
citra yang berfunsi untuk memperbaiki kualitas citra dan memudahkan pada tahapan
selanjutnya. Preprocessing dilakukan proses grayscale, gaussian blur, otsu
thresholding, opening, closing, cropping dan masking pada citra data latih dan citra
data uji. Alur tahapan preprosesing ditunjukkan pada Gambar 4.3.
Gambar 4.3 Diagram alir proses segmentasi citra

39
Penjelasan dari masing-masing tahapan pada Gambar 4.3 adalah sebagai
berikut:
1) Mulai proses.
2) Membaca citra RGB dalam folder.
Citra dalam folder merupakan citra RGB dengan ukuran 3120x4160 pixel
dengan Background warna merah dan biru menggunakan fungsi imread
dari library OpenCv.
3) Resize ukuran citra.
Merubah ukuran citra menggunakan fungsi imrez dari 3120x4160 pixel
menjadi 300x300 pixel untuk mengurangi proses komputasi dalam
pengolahan citra.
4) Mengkonversi citra RGB menjadi citra grayscale.
5) Filtering menggunakan Gaussian Blur dengan kernel 3x3.
6) Melakukan segmentasi citra dengan otsu thresholding. Nilai ambang batas
yang digunakan adalah 50 kemudian untuk nilai pixel diatas nilai batas
yang ditentukan akan diubah menjadi citra biner 1 (putih), sedangkan nilai
dibawah ambang batas yang ditentukan akan diubah menjadi 0 (hitam).
7) Melakukan opening ke citra threshold dengan nilai kernel (structuring
element), dimana operasi ini berguna untuk menghaluskan kontur objek dan
menghilangkan seluruh piksel di area yang terlalu kecil untuk ditempati
oleh elemen penstruktur..

40
8) Melakukan closing ke citra opening dengan nilai kernel (structuring
element), operasi closing berguna untuk menghaluskan kontur dan
menghilangkan lubang-lubang kecil.
9) Melakukan masking ke citra closing. Masking dilakukan untuk
mendapatkan citra RGB hasil segmentasi.
10) Melakukan proses cropping pada citra masking berdasarkan area
thresholding untuk memotong area yang tidak diperlukan.
11) Proses selesai.
2. Rancangan Implementasi Ekstraksi Fitur Warna (Color Histogram)
Pada tahapan color histogram, merupakan tahapan untuk mendapatkan nilai
mean, standar deviasi dan skewness dari masing-masing fitur warna pada citra Red,
Green dan Blue (RGB). Proses ini membutuhkan citra yang telah tersegmentasi dan
terdapat nilai RGB dalam citra tersebut.
Gambar 4.4 Diagram Alir Ekstraksi Fitur Color Histogram

41
berikut:
1) Mulai proses.
2) Membaca citra RGB yang telah tersegmentasi. Citra RGB yang telah
tersegmentasi digunakan sebagai inputan untuk mendapatkan nilai fitur
color histogram.
3) Menghitung nilai mean, standar deviasi dan skew setiap kanal citra.
4) Mendapatkan nilai statistik citra dengan menggunakan library statistik
5) Output nilai statistik citra RGB sebagai fitur Color Histogram. Nilai fitur
warna color histogram akan digunakan sebagai atribut fitur untuk
klasifikasi.
6) Proses selesai.
3. Rancangan Implementasi Ekstraksi Fitur Tekstur (Gray level Co-occurance
Matrix)
Pada tahapan GLCM, merupakan tahapan untuk mendapatkan fitur tekstur
pada citra yang meliputi kontras, dissimilarity, homogeneity, angular second moment
(ASM), energy dan correlation dari citra.

42
Gambar 4.5 Diagram alir ekstraksi fitur GLCM

berikut:
1) Mulai proses.
43
2) Membaca citra RGB hasil segmentasi. Citra RGB yang telah melalui
preprosesing akan digunakan sebagia inputan ekstraksi fitur
tekstur(GLCM).
3) Mengonversi citra RGB ke grayscale. Untuk mendapatkan nilai fitur
statistik GLCM citra rgb terlebih dahulu di ubah ke citra grayscale.
4) Menghitung nilai matriks ko-okurensi awal dengan ketetapan nilai d(jarak
antar piksel) adalah 1 menggunakan 4 arah sudut yaitu 0°, 45°, 90°, dan
135°.
5) Membentuk matriks simetris dengan menjumlahkan nilai matriks ko-
okurensi dengan transposenya.
6) Melakukan normalisasi terhadap nilai matriks.
7) Output nilai fitur GLCM(Contrast, dissimilarity, homogeneity, angular
second moment(ASM), energy dan entropy) untuk klasifikasi.
8) Proses selesai.
4. Rancangan Implementasi Klasifikasi dengan KNN
Proses klasifikasi dilakukan dengan menggunakan data masukan hasil dari
proses ekstraksi warna dan proses ektraksi ciri tekstur yang telah setiap fiturnya telah
dinormalisasi dengan rentang nilai 0 hingga 1 dari data latih untuk menyesuaikan
nilai range data, kemudian menentukan setiap kelas atau target dari data latih untuk
mempermudah proses klasifikasi k-nearest neighbour.

44
Gambar 4.6 Diagram alir proses klasifikasi dengan KNN

Proses klasifikasi makanan tradisioanal mandar dimodelkan dengan diagram
alir yang terdapat pada Gambar 4.6. Hasil dari ekstraksi fitur tekstur dan warna
disimpan sebagai data latih atau digunakan sebagai data uji dengan format file csv
untuk proses klasifikasi dengan KNN. Penjelasan dari masing-masing tahapan pada
Gambar 4.6 adalah sebagai berikut:
1) Mulai proses.
2) Membaca fitur data uji dalam format file csv. Data uji yang dimasukkan
merupakan atribut data dari fitur Color Histogram dan GLCM.

45
3) Tentukan jumlah tetangga ter-dekat. Nilai k merupakan jumlah data dengan
jarak terdekat dengan kelas dominan. Nilai dominan merupakan kelas
terhadap data uji. k Tetangga terdekat ditentukan sesuai dengan jumlah data
kelas dari pengujian data secara berturut-turut. Penentuan nilai k
mempengaruhi tingkat akurasi dalam klasifikasi data.
4) Hitung jarak data uji ke data latih. Perhitungan jarak data uji ke data latih
menggunakan rumus euclidean distance.
5) Kemudian mengurutkan objek–objek tersebut kedalam kelompok yang
mempunyai jarak euclid terkecil.
6) Mengumpulkan kategori Y (Klasifikasi nearest neighbour)
7) Dengan menggunakan kategori nearest neighbour yang paling mayoritas
maka dapat dipredisikan nilai query instance yang telah dihitung.
8) Hasil klasifikasi pada data uji. Setelah didapatkan hasil klasifikasi pada data
uji maka akan divisualisasikan dengan menggunakan confusion matrix.
9) Proses selesai.
D. Implementasi (Implementation)
Tahap berikutnya yang dilakukan adalah implementasi dari proses yang
telah di gambarkan pada bagian perancangan.
1. Preprocessing Citra
a. Pada tahap preprocessing, proses pertama yang dilakukan adalah resize gambar
menggunakan program python dari ukuran semula 3120 x 4160 pixel menjadi
46
300 x 300 pixel untuk memperkecil ukuran setiap gambar. Hasil resize dapat
dilihat pada Gambar 4.7.
(a) (b)
Gambar 4.7 (a) citra sebelum resize dan (b) citra setelah resize ke 300x300 pixel
b. Tahapan selanjutnya yang dilakukan adalah mengkonversi citra RGB ke
grayscale bertujuan agar mempermudah dalam proses Thresholding citra. Hasil
dari konversi dapat dilihat pada Gambar 4.8.
Gambar 4.8 Citra grayscale
c. Tahapan selanjutnya yang dilakukan adalah mengkonversi citra grayscale ke
gaussian blur bertujuan agar mempermudah dalam proses thresholding citra.
Hasil dari konversi dapat dilihat pada Gambar 4.9.
Gambar 4.9 Citra blur

47
d. Tahapan selanjutnya dilakukan tresholding untuk mempermudah proses
segmentasi objek terhadap background. Hasil thresholding dapat dilihat pada
Gambar 4.10.
Gambar 4.10 Citra threshold

e. Tahapan selanjutnya dilakukan operasi opening untuk menghilangkan citra
yang berukuran lebih kecil dari nilai iterasi yang telah ditentukan. Hasil
opening dapat dilihat pada Gambar 4.11.
Gambar 4.11 Citra opening
f. Tahapan selanjutnya dilakukan operasi closing untuk menutup area objek
thresholding berukuran lebih kecil dari nilai iterasi yang telah ditentukan. Hasil
opening dapat dilihat pada Gambar 4.12.
Gambar 4.12 Citra closing

48
g. Tahapan selanjutnya dilakukan operasi masking untuk mengembalikan citra
biner menjadi citra RGB. Hasil opening dapat dilihat pada Gambar 4.13.
Gambar 4.13 Citra masking
h. Tahapan selanjutnya dilakukan operasi cropping untuk mengurangi Background dari
citra hasil segmentasi. Hasil cropping dapat dilihat pada Gambar 4.14.
Gambar 4.14 Citra croping

2. Color Histogram
a. Membaca citra RGB yang telah tersegmentasi.
b. Mendapatkan nilai mean, standar deviasi dan skewness dari masing-masing
chanel RGB citra menggunakan library statistik.

49
(a)
(b) (c) (d)

Gambar 4.15 (a) Ploting color histogram, (b) citra red, (c)citra green dan (d) citra
blue
Nilai fitur dari sampel ekstraksi fitur color histogram yang telah
dinormalisasi dari data latih dapat dilihat pada Tabel 4.1.
Tabel 4.1 Nilai fitur color histogram data latih
Fitur
Mean Red 0.713376 0.146497 0.33758 0.955414

Mean Green 0.491431 0.352555 0.307363 0.67275
Mean Blue 0.513488 0.302435 0.376332 0.617801
Standar 0.708161 0.88145 0.639737 0.524688
50
Defiasi Red
Standar
Defiasi Green 0.685309 1 0.687167 0.59951
Standar
Defiasi Blue 0.639506 1 0.753389 0.603707
Skew Red 0.165611 0.429119 0.586112 0.090521
Skew Green 0.1687 0.375732 0.56447 0.114176
Skew Blue 0.192818 0.386073 0.591304 0.144487
Dari data pada Tabel 4.1. merupakan data hasil ekstraksi fitur Color
histogram menggunakan scipy.stats untuk mendapatkan nilai mean, standar deviasi
dan skew dari masing-masing kanal warna.
3. Gray Level Co-Occurance Matrix (GLCM)
a. Membaca citra RGB hasil sementasi yang kemudian dikonversi kecitra
grayscale
(a) (b)
Gambar 4.16 (a) citra rgb dan (b) citra grayscale
b. Mendapatkan nilai fitur tekstur pada citra yang meliputi kontras, dissimilarity,
homogeneity, angular second moment (ASM), energy dan correlation dengan
menggunakan modul graycomatrix dan graycoprops dari library
skimage.feature.
Nilai fitur dari ekstraksi fitur GLCM yang telah dinormalisasi dari data latih
dapat dilihat pada table 4.2.

51
Tabel 4.2 Nilai fitur glcm data latih
fitur
contrast 0 0.411772 0.3586 0.610764 0.077952
contrast 45 0.555744 0.322035 0.696677 0.178896
contrast 90 0.608758 0.329894 0.69267 0.225436
contrast 135 0.585968 0.433296 0.653617 0.175441
dissimilarity 0 0.607957 0.282793 0.694651 0
dissimilarity 45 0.746819 0.304149 0.774577 0.143304
dissimilarity 90 0.795513 0.258686 0.78274 0.145837
dissimilarity 135 0.785104 0.377597 0.754892 0.157503
homogeneity 0 0.331784 0.836994 0.519255 0.462863
homogeneity 45 0.291352 0.815588 0.481302 0.416894
homogeneity 90 0.297204 0.836086 0.499851 0.411669
homogeneity 135 0.280801 0.802005 0.479886 0.413457
ASM 0 0.11495 0.71952 0.30180 5 0.129649
ASM 45 0.091391 0.708643 0.273145 0.106628
ASM 90 0.099791 0.74180 7 0.295267 0.107508
ASM 135 0.090438 0.707254 0.27853 0.108637
energy 0 0.327552 0.845564 0.541082 0.348925
energy 45 0.290236 0.839018 0.514267 0.31486
energy 90 0.303932 0.858575 0.535301 0.316116
energy 135 0.288535 0.838156 0.519415 0.317878
correlation 0 0.80102 0.964415 0.713273 0.983794
correlation 45 0.68097 0.938137 0.680 453 0.866346
correlation 90 0.664973 0.958508 0.65547 0.853013
correlation 135 0.627112 0.888521 0.626447 0.856054

52
Dari data pada Tabel 4.2. merupakan data hasil ekstraksi fitur GLCM
menggunakan library graycomatrix dan graycoprops dari skimage.feature yang telah
dinormalisasi menggunakan fungsi min_max_scaler dari library preprocessing dari
sklearn.
4. Klasifikasi K-Nearest Neighbour
Berdasarkan hasil klasifikasi data menggunakan algoritma KNN dengan
menggunakan fitur gabungan, hasil akurasi dengan perbandingan jumlah data latih
dan jumlah data uji pada nilai k=1, k=3, k=5, k=7, k=9, k=11 dan k=13 dapat dilihat
pada Tabel 4.3.
Tabel 4.3 Hasil klasifikasi k-nearest neighbour

Akurasi (%)
Perbandingan (%)
Nilai K
60:40 70:30 80:20 90:10
K1 82 72 60 60
K3 79 73 52 45
K5 76 75 60 50
K7 79 75 62 60
K9 80 72 67 60
K11 78 72 62 65
K13 76 72 62 65
Berdasarkan hasil klasifikasi data menggunakan algoritma KNN dengan
menggunakan fitur gabungan. Hasil akurasi terbesar pada perbandingan jumlah data
latih dan data uji 60:40% pada nilai ketetanggaan k=1 dengan nilai akurasi sebesar
82%. Hasil akurasi terbesar pada perbandingan jumlah data latih dan data uji 70:30%
pada nilai k=5 dan k=7 dengan nilai akurasi sebesar 75%. Hasil akurasi terbesar pada
perbandingan jumlah data latih dan data uji 80:20% pada nilai k=9 dengan nilai
akurasi sebesar 67%. Hasil akurasi terbesar pada perbandingan jumlah data latih dan
53
data uji 90:10% pada nilai k=11 dengan nilai akurasi sebesar 65%. Hasil akurasi
dipengaruhi oleh banyaknya jumlah data latih dan jumlah data uji. Pada saat
pengujian metode KNN, terjadi perubahan akurasi pada beberapa kali percobaan
pengujian dengan nilai k tertentu, seperti pada k=7. Akurasi pada saat pengujian
pertama memperoleh nilai sebesar 78% sedangkan pada pengujian kedua
memperoleh nilai akurasi sebesar 80% dengan kesalahan klasifikasi yang banyak
terjadi pada kelas lokasattai. Hal ini dikarenakan berdasarkan hasil pengurutan data
sejumlah k terdapat kesamaan jumlah data label mayoritas antara kelas lokasattai
dan kelas lainnya seperti sagu dan gollamamea yang menyebabkan KNN
memberikan hasil yang berbeda pada pengujian pertama dan kedua.
5. Confusion Matrix
Confusion Matrix digunakan untuk memudahkan dalam proses perhitungan
akurasi dengan mengetahui jumlah data uji yang diklasifikasikan dengan benar dan
jumlah data uji yang salah dalam pengklasifikasian. Confusion Matrix dilakukan
dengan mengelompokkan data sesuai pada setiap kelasnya. Setiap kelas yang
terpisah digunakan untuk menghitung nilai presisi, recall, error dan akurasi
perkelasnya. Tabel confusion matrix dengan nilai ketetanggan k=1 pada
perbandingan jumlah data latih dan data uji 60:40% dapat dilihat pada tabel 4.4.
Tabel 4.4 Confusion matrix dengan nilai ketetanggan k= 1

Predicted Values
Actual Values gollamamea lokasattai sagu ubi
gollamamea 17 1 2 0
lokasattai 1 15 2 2
sagu 2 2 15 1
ubi 0 1 0 19
54
Berdasarkan tabel 4.4 Confusion matrix dilakukan pengelompokan data
sesuai pada setiap kelasnya untuk menghitung nilai presisi, recall, error dan akurasi
perkelas. Tabel confusion matrix perkelas dapat dilihat pada tabel berikut ini :
Tabel 4.5 Perhitungan evaluasi kinerja sistem kelas gollamamea dengan k=1
Predict
Positif Negatif
Actual
Positif 17 3
Negatif 0 0
Pada Tabel 4.5 terdapat 17 data bernilai true positive dan 3 data false
positive dan masing-masing 0 data bernilai false negative dan true negative.
17
Precision Gollamamea = 17+0 = 1
Presisi sebesar 100% artinya terdapat 17 data prediksi benar positif dibandingkan
dengan keseluruhan hasil yang diprediksi positif dari semua kelas positif yang telah di
prediksi dengan benar.

17
Recall Gollamamea = 17+3 = 0,85
Recall sebesar 85% artinya terdapat 17 data yang diprediksi benar adalah kelas
gollamamea dari aktual 20 data kelas gollamamea.

0+3
Error Gollamamea = 17+0+0+3 = 0,15
Error sebesar 15% artinya terdapat kesalahan prediksi sebanyak 3 data dari 20 data.
17+0
Akurasi Gollamamea = 17+0+3+0 = 0,85
Akurasi sebesar 85% artinya hasil prediksi yang benar dari kelas gollamamea adalah
mencapai 17 dari 20 data.

55
Berdasarkan perhitungan diatas maka diperoleh nilai presisi, recall, error
dan akurasi dari kelas gollamamea dengan k=1.
Tabel 4.6 Perhitungan evaluasi kinerja sistem kelas lokasattai dengan k=1
Predict
Positif Negatif
Actual
Positif 15 5
Negatif 0 0
Pada Tabel 4.6 terdapat 6 data bernilai true positive dan 4 data false positive
dan masing-masing 0 data bernilai false negative dan true negative.

15
Precission Lokasattai = 15+0 = 1

15
Recall Lokasattai = 15+5 = 0,75
lokasattai dari aktual 20 data kelas lokasattai.

0+5
Error Lokasattai = 15+0+0+5 = 0,25
Error sebesar 25% artinya terdapat kesalahan prediksi sebanyak 5 dari 20 data.
15+0
Akurasi Lokasattai = 15+0+0+5 = 0,75
Akurasi sebesar 75% artinya hasil prediksi yang benar dari kelas lokasattai adalah

56
Berdasarkan perhitungan diatas maka diperoleh nilai presisi, recall, eror
dan akurasi dari kelas lokasattai dengan k=1.
Tabel 4.7 Perhitungan evaluasi kinerja sistem kelas sagu dengan k=1
Predict
Positif Negatif
Actual
Positif 15 5
Negatif 0 0

15
Precission Sagu = 15+0 = 1

15
Recall Sagu = 15+5 = 0,75
lokasattai dari aktual 20 data kelas lokasattai.

0+5
Error Sagu = 15+0+0+5 = 0,25
15+0
Akurasi Sagu = 15+0+0+5 = 0,75
Akurasi sebesar 75% artinya hasil prediksi yang benar dari kelas lokasattai adalah
dan akurasi dari kelas sagu dengan k=1.

57
Tabel 4.8 Perhitungan evaluasi kinerja sistem kelas ubi dengan k=1
Predict
Positif Negatif
Actual
Positif 19 1
Negatif 0 0

19
Precission Ubi = 19+0 = 1

19
Recall Ubi = 19+1 = 0,95
gollamamea dari aktual 20 data kelas ubi.

0+1
Error Ubi = 9+0+1+0 = 0,05

19+0
Akurasi Ubi = 19+1+0+0 = 0,95
Akurasi sebesar 95% artinya hasil prediksi yang benar dari kelas ubi adalah
dan akurasi dari kelas ubi dengan k=1.
Berdasarkan hasil klasifikasi menggunakan KNN Classifier, dilakukan
evaluasi terhadap kinerja sistem dalam mengklasifikasikan data menggunakan

58
metode confusion matrix. Hasil evaluasi kinerja sistem pada Tabel 4.4 sampai 4.8
dapat dilihat pada Tabel 4.9 nilai precision, recall, error dan akurasi dapat dilihat
pada Tabel berikut ini :
Tabel 4.9 Nilai precision, recall, error dan akurasi data perkelas pada k=1
Kelas
K=1
Gollamamea Lokasattai Sagu Ubi
Akurasi 0,85 0,75 0,75 0,95
Presisi 1 1 1 1
Recall 0,85 0,75 0,75 0,05
Error 0,15 0,25 0,25 0,95
Hasil evaluasi confusion matrix perkelasnya pada k=1 dapat dilihat pada
Tabel 4.9. Nilai akurasi terbesar ada pada kelas ubi dengan tingkat akurasi 95% pada
k=1. Sedangkan nilai akurasi terkecil ada pada kelas lokasattai dan sagu dengan
tingkat akurasi 75% pada k=1.
E. Pengujian
Tahapan berikutnya yang dilakukan adalah pengujian, pengujian dilakukan
untuk membandingkan kinerja sistem maka dilakukan pengujian terhadap setiap
metode. Skenario dalam melakukan pengujian terbagi menjadi tiga. Pertama yaitu
jika menggunakan metode Color Histogram. Kedua yaitu menggunakan metode
GLCM. Ketiga yaitu menggunakan metode Color Histogram dan GLCM. Pada tahap
ini dilakukan pengujian masing-masing metode dan fungsi untuk mengetahui apakah
dapat bekerja dengan semestinya.
1. Pengujian Terhadap Ekstraksi Fitur Color Histogram
Pengujian Metode Color Histogram terhadap akurasi pada tabel 4.10 dapat
dilihat perbandingan hasil akurasi dengan nilai k tertentu dengan 80 data uji.
59
Tabel 4.10 Hasil pengujian data uji dengan color histogram

K Fitur Color Histogram
Data Benar Akurasi
1 52 65%
3 52 65%
5 45 56%
7 45 56%
9 46 57%
11 41 52%
13 37 48%
Pengujian metode Color Histogram terhadap akurasi pada tabel 4.10 dapat
dilihat bahwa nilai akurasi 65% pada k=1 dan k=3 merupakan nilai akurasi tebesar.
Tabel 4.11 Pengujian color histogram dengan nilai k dengan akurasi tertinggi (k=1)
Kelas Prediksi
Kelas Sebanarnya Gollamamea Lokasattai Sagu Ubi
Gollamamea 13 3 2 2
Lokasattai 1 17 1 1
Sagu 5 2 6 7
Ubi 0 1 3 16
Berdasarkan Tabel 4.11 dapat dilihat perbandingan dari kelas sebenarnya
dan kelas hasil prediksi. Sebanyak 80 data uji yang digunakan terdapat 28 data yang
tidak sesuai dengan kelas sebenarnya.
2. Pengujian Terhadap Ekstraksi Fitur Gray Level Co-Occurrence Matrix(GLCM)
Pengujian metode Gray Level Co-occurrence Matrix terhadap akurasi. Pada
Tabel 4.26 dapat dilihat perbandingan hasil akurasi dengan nilai k tertentu dengan 80
data uji.
Tabel 4.12 Hasil pengujian data uji dengan GLCM

K Fitur Gray Level Co-Occurrence Matrix
Data Benar Akurasi
1 48 60%
3 50 62%
60
K Fitur Gray Level Co-Occurrence Matrix

Data Benar Akurasi
5 51 64%
7 51 64%
9 51 64%
11 51 64%
13 51 64%
Pengujian Metode Gray Level Co-occurrence Matrix terhadap akurasi pada
Tabel 4.12 dapat dilihat bahwa nilai akurasi 64% pada k=5, k=7, k=9, k=11 dan
k=13 merupakan nilai akurasi tebesar.
Tabel 4.13 Pengujian GLCM dengan nilai k dengan akurasi tertinggi (k=13)
Kelas Prediksi
Kelas Sebanarnya
Gollamamea 15 1 0 4
Lokasattai 9 4 2 5
Sagu 4 1 14 1
Ubi 1 1 0 18
Tabel 4.13 dapat dilihat perbandingan dari hasil kelas sebenarnya dan kelas prediksi.
Sebanyak 80 data uji yang digunakan terdapat 29 data yang tidak sesuai dengan kelas
sebenarnya.
3. Pengujian terhadap Ekstraksi Fitur Gabungan
Pengujian Metode Color Histogram dan Gray Level Co-occurrence Matrix
terhadap Akurasi pada Tabel 4.14 dapat dilihat perbandingan hasil akurasi dengan
nilai k tertentu dengan 80 data uji.
Tabel 4.14 Hasil pengujian data uji dengan fitur gabungan

Gabungan
K
Data Benar Akurasi
1 66 82%
61
3 63 79%
5 61 76%
7 62 78%
9 64 80%
11 62 78%
13 61 76%
Pengujian Metode Color Histogram dan Gray Level Co-occurrence Matrix
terhadap akurasi pada Tabel 4.14 dapat dilihat bahwa nilai akurasi 82% pada k=1
merupakan nilai akurasi tebesar.dapat dilihat perbandingan dari kelas sebenarnya dan
kelas hasil prediksi. Sebanyak 80 data uji yang digunakan terdapat beberapa data
yang tidak sesuai dengan kelas sebenarnya.
Tabel 4.15 Perbandingan klasifikasi data benar dan data salah hasil prediksi
Klasifikasi
Jumlah
Nilai K Data
Data Data Salah Akurasi
Benar
1 80 66 14 82%
3 80 63 17 79%
5 80 61 19 76%
7 80 62 18 78%
9 80 64 16 80%
11 80 62 18 78%
13 80 61 19 76%
Tabel 4.15 merupakan Tabel hasil klasifikasi data uji menggunakan fitur
gabungan dengan nilai k=1, k=3, k=5, k=7, k=9, k=11 dan k=13. Hasil pengujian
data uji pada Tabel 4.15 menggunakan fitur Color Histogram dan fitur Gray Level
Co-occurrence Matrix Sebanyak 80 data uji yang digunakan terdapat beberapa data
yang tidak sesuai dengan kelas sebenarnya. Pada k=1 terdapat 14 data yang tidak
sesuai dengan kelas sebenarnya, k=3 terdapat 17 data yang tidak sesuai dengan kelas
62
sebenarnya, k=5 terdapat 19 data yang tidak sesuai dengan kelas sebenarnya, k=7
terdapat 18 data yang tidak sesuai dengan kelas sebenarnya, pada k=9 terdapat 16
data yang tidak sesuai dengan kelas sebenarnya, pada k=11 terdapat 18 data yang
tidak sesuai dengan kelas sebenarnya dan pada k=13 terdapat 19 data yang tidak
sesuai dengan kelas sebenarnya.
Tabel 4.16 Hasil pengujian data uji dengan fitur gabungan dengan nilai k dengan
akurasi tertinggi (k=1)
Kelas Prediksi
Kelas Sebanarnya
Gollamamea 17 1 2 0
Lokasattai 1 15 2 2
Sagu 2 2 15 1
Ubi 0 1 0 19
Tabel 4.16 dapat dilihat perbandingan dari kelas sebenarnya dan kelas hasil prediksi.
Sebanyak 80 data uji yang digunakan terdapat 14 data yang tidak sesuai dengan kelas
sebenarnya.
4. Perbandingan Akurasi
Tabel 4.17 Hasil pengujian data uji dengan fitur gabungan

Fitur Gray Level Co-
Fitur Color Histogram Occurrence Matrix Gabungan
K Data
Benar Akurasi Data Benar Akurasi Data Benar Akurasi
1 52 65% 48 60% 66 82%
3 52 65% 50 62% 63 79%
5 45 56% 51 64% 61 76%
7 45 56% 51 64% 62 78%
9 46 57% 51 64% 64 80%
11 41 52% 51 64% 62 78%
13 37 48% 51 64% 61 76%
63
Perbandingan akurasi menggunakan masing-masing fitur dan fitur gabungan
dapat dilihat pada tabe 4.17. Dengan menggunakan fitur Color Histogram dan
GLCM, nilai akurasi tertinggi sebesar 82% dengan nilai k=1. Berbeda dengan nilai
akurasi fitur Color Histogram saja dimana akurasi tertinggi sebesar 65% pada k=1
dan k=3, dan GLCM dengan akurasi tertinggi sebesar 64% pada k=5, k=7, k=9,
k=11 dan k=13.

66
BAB V
PENUTUP
A. Kesimpulan
Kesimpulan yang didapat dalam penelitian ini yaitu sebagai berikut.
1. Ekstraksi fitur warna Color Histogram dengan citra inputan berupa RGB yang
diperoleh menggunakan library statistik yang terdiri dari fitur Mean, standar
deviasi, dan Skewness serta fitur tekstur yang diperoleh dengan menghitung nilai
matriks ko-okurensi awal untuk jarak antar pixel tetangga d=1 pada sudut 0°, 45°,
90°, dan 135°. Membentuk matriks simetris dengan menjumlahkan nilai matriks
ko-okurensi dengan transposenya, melakukan normalisasi terhadap nilai matriksi
untuk memperoleh fitur Contras, Dissimilarity, Homogeneity, Angular Second
Moment (ASM), Energy, dan Correlation. Terakhir dengan menggunakan fitur-
fitur yang didapat kemudian dilakukan klasifikasi.
2. Klasifikasi citra makanan menggunakan metode GLCM dan Color Histogram
dengan KNN Classifier menghasilkan nilai akurasi sebesar 82% dengan nilai k=1
pada perbandingan 60:40%. Akurasi pada fitur Color Histogram sebesar 65%
pada k=1 dan k=3, dan GLCM dengan akurasi sebesar 64% pada k=5, k=7, k=9,
k=11 dan k=13. Selain itu, hasil dari pengujian yang telah dilakukan
menggunakan metode Color Histogram menghasilkan akurasi sebesar 47%
dengan k=3 dan metode GLCM menghasilkan akurasi sebesar 57% dengan k=9.
67
Nilai akurasi tertinggi sebesar 75% dengan nilai k=5 dan k=7 pada perbandingan
70:30%. Nilai akurasi tertinggi sebesar 67% dengan nilai k=9 pada perbandingan
70:30%. Serta nilai akurasi tertinggi sebesar 35% dengan nilai k=1, k=7 dan k=13
pada perbandingan 90:10%.
B. Saran
Saran yang didapatkan dari hasil penelitian ini yaitu sebagai berikut.
1. Jika menggunakan fitur warna dalam melakukan penelitian, sebaiknya data yang
digunakan memiliki keberagaman warna.
2. Diperlukan pengenalan bentuk dalam melakukan klasifikasi citra jika memiliki
data yang tidak utuh.

68
DAFTAR PUSTAKA
Batubara, N. P., Widiyanto, D. and Chamidah, N. (2020) ‘Klasifikasi rempah

rimpang berdasarkan ciri warna rgb dan tekstur glcm menggunakan
algoritma naive bayes’, Informatik : Jurnal Ilmu Komputer, 16(3), p. 156.
doi: 10.52958/iftk.v16i3.2196.
Febriani, F. D., Sari, Y. A. and Wihandika, R. C. (2019) ‘Klasifikasi Citra Kue
Tradisional Indonesia Berdasarkan Ekstraksi Fitur Warna RGB Color
Moment Menggunakan K-Nearest Neighbour’, Jurnal Pengembangan
Teknologi Informasi dan Ilmu Komputer, 3(10), pp. 10199–10206.
Hidayat, R. and Suprapto, S. (2016) ‘Meminimalisasi Nilai Error Peramalan dengan
Algoritma Extreme Learning Machine’, Jurnal Optimasi Sistem Industri,
11(1), p. 187. doi: 10.25077/josi.v11.n1.p187-192.2012.
Makanankhasmandar.blogspot (2018) MAKANAN KHAS MANDAR: Jepa Gollai,
makanankhasmandar.blogspot. Available at:
http://makanankhasmandar.blogspot.com/2018/03/jepa-gollai.html
(Accessed: 22 November 2021).
Marleny, F. D. (2022) Pengolahan Citra Digital Menggunakan Python.
Noval (2012) gambar jepa sagu khas mandar - Yahoo Hasil Image Search,
novalpengedarjepa.blogspot.com. Available at:
https://id.images.search.yahoo.com/search/images?p=gambar+jepa+sagu+k
has+mandar&fr=mcafee&type=E210ID885G0&imgurl=https%3A%2F%2
F1.bp.blogspot.com%2F-lxtxWuszU0Y%2FW4LKMxx-
2lI%2FAAAAAAAAAFk%2F9Iou18t1sUIa3-
TBe_WXR1V0oocSTmy3QCLcBGAs%2Fs1600%2FGraphic5.jpg#
(Accessed: 20 November 2021).
Priambodo, H. S., Sari, Y. A. and Widodo, A. W. (2019) ‘Klasifikasi Jenis Citra
Makanan menggunakan Color Histogram dan Gray Level Co-occurrence
Matrix dengan K-Nearest Neighbour’, Jurnal Pengembangan Teknologi
Informasi dan Ilmu Komputer, 3(7), pp. 6873–6880.
Priawadi, O. (2021). OpenCV. Www.Priawadi.Com.
https://www.priawadi.com/2012/09/opencv.html
Purnamasari, I. and Sutojo, T. (2017) ‘Pengenalan Ciri Garis Telapak Tangan
Menggunakan Ekstraksi Fitur (Glcm) Dan Metode K-Nn’, CCIT Journal,
10(2), pp. 221–229. doi: 10.33050/ccit.v10i2.541.
Sulbar, B. (2016) Jepa Pangan Lokal Berbasis Ubi Kayu dari Sulawesi Barat,
sulbar.litbang.pertanian.go.id. Available at:
http://sulbar.litbang.pertanian.go.id/ind/index.php/berita/19-jepa-pangan-
lokal-berbasis-ubi-kayu-dari-sulawesi-
barat?&modjemcal_id=819&modjemcal_month=10&modjemcal_year=203
2 (Accessed: 19 November 2021).
Ting, K. M. (2017) ‘Confusion Matrix’, Encyclopedia of Machine Learning and
69
Data Mining, (October), pp. 260–260. doi: 10.1007/978-1-4899-7687-1_50.

Utekqu. (2011). Analisis Tekstur dengan Metode GLCM (Gray Level Co-occurrence
Matrix) | utekqu. Utekqu.Wordpress.Com.
https://utekqu.wordpress.com/2011/01/23/analisis-tekstur-dengan-metode-
GLCM/
Wiranata, C. (2019). Apa itu Model Warna RGB? Nih, Penjelasan Lengkapnya!
Www.Solusiprinting.Com. https://solusiprinting.com/apa-itu-model-warna-
RGB-nih-penjelasan-lengkapnya/
70
LAMPIRAN-LAMPIRAN
a. Lampiran Fitur Data Latih

Fitur Gollamamea Lokasattai Sagu Ubi
mean red 0.470459 0.319459 0.466344 0.594662
mean green 0.491431 0.486819 0.403714 0.637675
mean blue 0.513488 0.442262 0.331316 0.588703
standar deviasi red 0.708161 0.882838 0.773023 0.603455
standar deviasi green 0.685309 0.966106 0.779387 0.686336
standar deviasi blue 0.639506 0.954169 0.732897 0.685896
skew red 0.165611 0.430817 0.84955 0.495526
skew green 0.174181 0.384407 0.942578 0.54436
skew blue 0.192818 0.384309 0.92003 0.544721
contrast 0 0.411772 0.585955 0.70015 0.209733
contrast 45 0.555744 0.497115 0.801527 0.278651
contrast 90 0.608758 0.326259 0.803882 0.283805
contrast 135 0.585968 0.539827 0.777336 0.277124
dissimilarity 0 0.607957 0.54193 0.782696 0.178396
dissimilarity 45 0.746819 0.479696 0.879051 0.298752
dissimilarity 90 0.795513 0.316295 0.89039 0.272142
dissimilarity 135 0.785104 0.551427 0.85905 0.295953
homogeneity 0 0.331784 0.645518 0.534177 0.46255
homogeneity 45 0.291352 0.628248 0.495346 0.414771
homogeneity 90 0.297204 0.664654 0.509029 0.430444
homogeneity 135 0.280801 0.616061 0.487029 0.41685
ASM 0 0.114875 0.42899 0.324222 0.167521
ASM 45 0.09132 0.412143 0.291624 0.143356
ASM 90 0.099716 0.443798 0.31248 0.157631
ASM 135 0.090361 0.411071 0.293108 0.147119
energy 0 0.326004 0.648126 0.56088 0.39768
energy 45 0.288732 0.634953 0.531016 0.366555
energy 90 0.30237 0.659527 0.550233 0.385132
energy 135 0.286898 0.633988 0.53227 0.371392
correlation 0 0.80102 0.876538 0.715764 0.926113
correlation 45 0.68097 0.872415 0.641206 0.844079
correlation 90 0.664973 0.950539 0.652938 0.86455
correlation 135 0.627112 0.838181 0.613425 0.827559
71
b. Lampiran Fitur Data Uji

Fitur Gollamamea Lokasattai Sagu Ubi
mean red 0.781423254 0.890151 0.837998 0.377924
mean green 0.578490415 0.547693 0.865706 0.200866
mean blue 0.544309796 0.22265 0.886661 0.152218
standar deviasi red 0.835166113 0.982312 0.919132 0.876426
standar deviasi green 0.540410357 0.579738 0.857545 0.728607
standar deviasi blue 0.304510761 0.036965 0.84428 0.651606
skew red 0.962000336 0.823124 0.535729 0.19543
skew green 1 0.7655 0.481179 0.169777
skew blue 1 0.766392 0.488216 0.181776
contrast 0 0.417829488 0.335918 0.141141 0.261545
contrast 45 1 0.891882 0.896673 0.102853
contrast 90 1 0.94148 0.917785 0.353146
contrast 135 0.518590871 0.446092 0.298595 0.407144
dissimilarity 0 0.523969017 0.440395 0.171894 0.178799
dissimilarity 45 0.938333789 0.843539 0.796538 0.031724
dissimilarity 90 0.933491881 0.892976 0.825583 0.247058
dissimilarity 135 0.633266516 0.586714 0.379062 0.301888
homogeneity 0 0.305704629 0.371529 0.436072 1
homogeneity 45 0.295169678 0.347347 0.31254 1
homogeneity 90 0.319914191 0.365215 0.333804 1
homogeneity 135 0.322950419 0.383546 0.383569 1
ASM 0 0.241779634 0.287027 0.271185 0.972308
ASM 45 0.222520835 0.261231 0.214256 0.97318
ASM 90 0.230104912 0.264972 0.218908 0.933374
ASM 135 0.230687258 0.279812 0.242961 0.937144
energy 0 0.335507413 0.386737 0.369082 0.980391
energy 45 0.324843615 0.36998 0.31491 0.981604
energy 90 0.329948259 0.370275 0.316625 0.953427
energy 135 0.328555217 0.384836 0.342923 0.955861
correlation 0 0.50138737 0.591905 1 0.827241
correlation 45 0.262765185 0.31742 0.572082 1
correlation 90 0.129931133 0.144881 0.439146 0.727104
correlation 135 0.341451717 0.419663 0.913492 0.719474
72
c. Lampiran Tabel Hasil Pengujian

Predi N Predi Predi N Predi
No File File No File File
ksi o ksi ksi o ksi
golla
lokas
1 mame 21 41 sagu 61 ubi
attai
a
lokas
2 sagu 22 42 sagu 62 ubi
attai
golla golla
lokas
3 mame 23 43 mame 63 ubi
attai
a a
golla golla
4 mame 24 mam 44 sagu 64 ubi
a ea
golla
lokas lokas
5 mame 25 45 65 ubi
attai attai
a
golla
lokas
attai
a
golla
mame 27 ubi 47 sagu 67 ubi
a
golla
lokas
attai
a
golla
9 mame 29 ubi 49 sagu 69 ubi
a
golla
lokas lokas
10 mame 30 50 sagu 70
attai attai
a
golla
lokas
attai
a
73
Predi N Predi Predi N Predi

No File File No File File
ksi o ksi ksi o ksi
golla
lokas
attai
a
golla
lokas
attai
a
golla
14 mame 34 sagu 54 sagu 74 ubi
a
lokas
15 sagu 35 55 sagu 75 ubi
attai
golla
lokas lokas
16 mame 36 56 76 ubi
attai attai
a
golla
lokas
attai
a
golla
lokas
attai
a
golla golla
lokas
19 mame 39 59 mame 79 ubi
attai
a a
lokas
20 40 sagu 60 ubi 80 ubi
attai
74
d. Lampiran Sourcode :
Sourcode preprocessing citra, kstraksi fitur color histogram dan GLCM
1.import cv2
2.import numpy as np
3.from matplotlib import pyplot
4.from scipy.stats import skew
5.import matplotlib.pyplot as plt
6.from PIL import Image
7.import xlsxwriter
8.from skimage .feature import graycomatrix, graycoprops
9.from skimage.morphology import (erosion, dilation, closing, opening,
10. area_closing, area_opening)
11. workbook = xlsxwriter.Workbook('Fitur Data uji10persen1.xlsx')
12. worksheet = workbook.add_worksheet()
13. jenis =['gollamamea','lokasattai','sagu','ubi']
14. jumlah_data = 45
15. rgb_properties = ['red','green','blue']
16. histogram_properties = ['mean', 'standar defiasi', 'skew']
17. glcm_properties = ['contrast', 'dissimilarity', 'homogeneity', 'ASM', 'ener
gy', 'correlation']#https://www.mathworks.com/help/images/ref/graycoprops.html
18. angles = ['0' ,'45', '90', '135']
19. #worksheet.write(0,0,"file")
20. kolom = 0
21. #menulis header excel
22. '''for i in rgb_properties :
23. worksheet.write(0,kolom,i)
24. kolom +=1'''
25. for i in histogram_properties:
26. for j in rgb_properties:
27. worksheet.write(0,kolom,i+" "+j)
28. kolom +=1
29. for i in glcm_properties :
30. for j in angles:
31. worksheet.write(0,kolom,i+" "+j)
32. kolom +=1
33. baris = 1
34. #perulangan untuk setiap kumpulan data
35. for i in jenis:
36. for j in range(46, 51):
37. kolom =0
38. file_name =("train/"+"original image/"+i+str(j)+".jpg")
39. print(file_name)
40. #worksheet.write(baris, kolom , file_name)
41. #kolom +=1
75
42. #preprocessing
43. src = cv2.imread(file_name, 1)
44. rez = cv2.resize(src, (300, 300))
45. tmp = cv2.cvtColor(rez, cv2.COLOR_RGB2GRAY)
46. #Konversi ke Gaussian Blur
47. blur = cv2.GaussianBlur(tmp,(3, 3), 0)
48. #Konversi ke Otsu Thresholding
49. _,tresh =cv2.threshold(blur, 50, 255, cv2.THRESH_BINARY)
50. #Konversi ke Erotion
51. opening = area_opening(tresh.copy(),10000)
52. closing = area_closing(opening.copy(),10000)
53. #Konversi ke Masking
54. Mask = cv2.bitwise_and(rez,rez, mask = closing)
55. contours, hierarchy = cv2.findContours(closing,cv2.RETR_TREE,cv2.C
HAIN_APPROX_SIMPLE)
56. selected = max(contours,key=cv2.contourArea)
57. x,y,w,h = cv2.boundingRect(selected)
58. cropped = Mask[y:y+h,x:x+w]
59. gray = cv2.cvtColor(cropped, cv2.COLOR_BGR2GRAY)
60. cv2.imwrite("hist/"+i+str(j)+".jpg", cropped)
61. #color histogram
62. hist = ("hist/"+i+str(j)+".jpg")
63. citra = cv2.imread(hist)
64. colon_number = 0
65. means, dev = cv2.meanStdDev(citra)
66. s= skew (citra)
67. for item in means:
68. worksheet.write(baris, kolom, item)
69. kolom +=1
70. for item in dev:
72. kolom +=1
73. for item in s:
75. kolom +=1
76. #glcm
77. glcm = graycomatrix(gray,
78. distances = [5],
79. angles = [0, np.pi/4, np.pi/2, 3*np.pi/4],
80. levels = 256,
81. symmetric = True,
82. normed = True)
83. glcm_props = [propery for name in glcm_properties for propery in gray
coprops(glcm, name)[0]]
76
84. for item in glcm_props:

86. kolom +=1
87. worksheet.write(baris, kolom, i)
88. worksheet.write(0,kolom,"kelas")
89. kolom +=1
90. baris +=1
91. workbook.close()
Sourcode klasifikasi dengan KNN
1.import seaborn as sns
2.import matplotlib.pyplot as plt
3.import pandas as pd
4.from sklearn.metrics import classification_report, confusion_matrix, accuracy_scor
e
5.from csv import reader
6.from math import sqrt
7.# Memuat file CSV
8.def load_csv(filename):
9. dataset = list()
10. with open(filename, 'r') as file:
11. csv_reader = reader(file)
12. for row in csv_reader:
13. if not row:
14. continue
15. dataset.append(row)
16. return dataset
17. # Ubah kolom string menjadi float
18. def str_column_to_float(dataset, column):
19. for row in dataset:
20. row[column] = float(row[column].strip())
21.
22. # Ubah kolom string menjadi integer
23. def str_column_to_int(dataset, column):
24. class_values = [row[column] for row in dataset]
25. unique = set(class_values)
26. lookup = dict()
27. for i, value in enumerate(unique):
28. lookup[value] = i
29. print('[%s] => %d' % (value, i))
31. row[column] = lookup[row[column]]
32. return lookup
33. # Hitung jarak Euclidean antara dua vektor
34. def euclidean_distance(row1, row2):
77
35. distance = 0.0

36. for i in range(len(row1)-1):
37. distance += (row1[i] - row2[i])**2
38. return sqrt(distance)
39. # Temukan tetangga yang paling mirip
40. def get_neighbors(train, test_row, num_neighbors):
41. distances = list()
42. for train_row in train:
43. dist = euclidean_distance(test_row, train_row)
44. distances.append((train_row, dist))
45. distances.sort(key=lambda tup: tup[1])
46. neighbors = list()
47. for i in range(num_neighbors):
48. neighbors.append(distances[i][0])
49. return neighbors
50. # Buat prediksi dengan tetangga
51. def predict_classification(train, test_row, num_neighbors):
52. neighbors = get_neighbors(train, test_row, num_neighbors)
53. output_values = [row[-1] for row in neighbors]
54. prediction = max(set(output_values), key=output_values.count)
55. return prediction
56. # Algoritma kNN
57. def k_nearest_neighbors(train, test, num_neighbors):
58. predictions = list()
59. for row in test:
60. output = predict_classification(train, row, num_neighbors)
61. predictions.append(output)
62. return(predictions)
63. # Buat prediksi dengan KNN di Dataset
64. filename = ("Fitur Data Latih80normminmax.csv")
65. dataset = load_csv(filename)
66. for i in range(len(dataset[0])-1):
67. str_column_to_float(dataset, i)
68. filename_tes = ("Data Uji20normminmax.csv")
69. datates = load_csv(filename_tes)
70. for i in range(len(datates[0])-1):
71. str_column_to_float(datates, i)
72. actual = ['gollamamea','gollamamea','gollamamea','gollamamea','gollamamea'
,'gollamamea','gollamamea','gollamamea','gollamamea','gollamamea','lokasattai','loka
sattai','lokasattai','lokasattai','lokasattai','lokasattai','lokasattai','lokasattai','lokasattai','l
okasattai','sagu','sagu','sagu','sagu','sagu','sagu','sagu','sagu','sagu','sagu','ubi','ubi','ubi',
'ubi','ubi','ubi','ubi','ubi','ubi','ubi']
73. predict=[]
74. for row0 in datates:
78

76. distance = euclidean_distance(row0, row)
77. #print(distance)
78. num_neighbors = 13
79. label = predict_classification(dataset, row0, num_neighbors)
80. #print(label)
81. predict.append(label)
82. cm= confusion_matrix(actual,predict)
83. print(cm)
84. cr = classification_report(actual,predict)
85. print(cr)
86. ac=accuracy_score(actual,predict)
87. print(ac)
88. # Membuat kerangka data untuk matriks Confusion berformat array, sehingg
a akan mudah untuk diplot..
89. cm_df = pd.DataFrame(cm,
90. index = ['gollamamea','lokasattai', 'sagu','ubi'],
91. columns = ['gollamamea','lokasattai', 'sagu','ubi'])
92. print(cm.sum())
93. plt.figure(figsize=(6,5))
94. sns.heatmap(cm_df, annot=True)
95. plt.title('Confusion Matrix')
96. plt.ylabel('Actual Values')
97. plt.xlabel('Predicted Values')
98. plt.show()

Tutup Muslika D0218365-2

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

Tutup Muslika D0218365-2

Diunggah oleh

Hak Cipta:

Format Tersedia

SKRIPSI

KLASIFIKASI MAKANAN TRADISIONAL MANDAR

CLASSIFICATION OF TRADITIONAL MANDAR FOOD USING

PROGRAM STUDI INFORMATIKA

KLASIFIKASI MAKANAN TRADISIONAL MANDAR

CLASSIFICATION OF TRADITIONAL MANDAR FOOD USING

Diajukan untuk memenuhi salah satu syarat derajat

PROGRAM STUDI INFORMATIKA

KLASIFIKASI MAKANAN TRADISIONAL MANDAR

MENGGUNAKAN EKSTRAKSI FITUR WARNA DAN TEKSTUR

DENGAN METODE K-NEAREST NEIGHBOUR

Pada Tanggal 18 November 2022

Arnita Irianti, S.Si., M.Si. Dr. Eng. Sulfayanti, S.Si., M.T.

Telah disiapkan dan disusun oleh

Telah dipertahankan di depan Tim Penguji

Pada Tanggal 18 November 2022

Susunan tim penguji

Arnita Irianti, S.Si., M.Si. Nahya Nur,S.T.,M.Kom.

Dr. Eng. Sulfayanti, S.Si., M.T. Farid Wajidi,S.Kom.,M.T.

Nurhikma Arifin,S.Kom., M.T.

disebutkan dalam daftar pustaka.

Majene, 18 November 2022

Keywords: Type of food, Color Histogram, Gray Level Co-occurrence Matrix,

melimpahkan segenap rahmat dan hidayah-Nya sehingga saya dapat menyelesaikan

skripsi yang berjudul “Klasifikasi Makanan Tradisional Mandar menggunakan

Ekstraksi Fitur Warna dan Tekstur dengan Metode K-Nearest Neighbour”.

terang benderang seperti sekarang ini.

Saya mengucapkan banyak terima kasih kepada pihak-pihak yang telah

ucapan terima kasih yang tak terhingga kepada :

tak pernah henti-hentinya memberikan dukungan, semangat serta do’a kepada

Universitas Sulawesi Barat.

waktunya untuk membimbing dan memberi semangat kepada penulis.

meluangkan waktunya untuk membimbing dan memberi semangat kepada

7. Ibu Nahya Nur,S.T.,M.Kom., selaku penguji pertama.

8. Bapak Farid Wajidi,S.Kom.,M.T., selaku penguji kedua.

9. Ibu Nurhikma Arifin,S.Kom., M.T., selaku penguji ketiga.

Fakultas Teknik Universitas Sulawesi Barat.

dalam menyelesaikan Skripsi Penelitian ini.

Semoga bantuan yang telah diberikan kepada penulis diberkahi dan

agar skripsi ini dapat bermanfaat bagi kita semua.

Majene, 18 November 2022

HALAMAN JUDUL ............................................ Error! Bookmark not defined.

G. K-Nearest Neighbour (KNN) ......................................................................18

Tabel 2.1 Confusion Matrix ....................................................................................... 19

Provinsi Sulawesi Barat merupakan salah satu wilayah Indonesia yang

masyarakatnya memiliki kebiasaan mengkonsumsi beras sebagai makanan

dengan berjalannya waktu, kepopuleran makanan Tradisional Mandar ini semakin

memudar dikalangan masyarakat terutama generasi muda. Untuk mengatasi

permasalahan tersebut, perlu dilakukan penelitian untuk mengklasifikasikan suatu

suatu jenis makanan. Dalam pengklasifikasian, setiap jenis makanan memiliki

beberapa karakteristik yang dapat dikenali, seperti bentuk, keberagaman warna,

tekstur, dan sebagainya. Setiap jenis makanan memiliki karakteristik masing-masing,

makanan. Adapun pada penelitian menggunakan ekstraksi fitur warna Color

pengklasifikasian citra makanan menghasilkan akurasi 67%. Selain itu, terdapat

metode ekstraksi fitur lain untuk melakukan pengklasifikasian makanan, salah

satunya adalah menggunakan ekstraksi fitur tekstur Gray Level Co-occurrence

mendapatkan nilai fitur tekstur pada suatu citra.

Beberapa penelitian sudah dilakukan menggunakan metode tersebut,

menggunakan GLCM pun menghasilkan akurasi lebih baik dibandingkan dengan

menghasilkan akurasi sebesar 99% (Suresh dan Shanmuganathan, 2012). Terdapat

beberapa metode dalam melakukan pengklasifikasian. Penelitian menggunakan

metode klasifikasi K-Nearest Neighbour (KNN) sudah banyak dilakukan, beberapa

diantaranya adalah penggunaan metode klasifikasi K-Nearest Neighbour pada

penelitian Iris Recognition dengan menghasilkan akurasi tertinggi sebesar 96,3%