Buku Tugas Akhir - Jihad Ardiansyah (1101188432)
Buku Tugas Akhir - Jihad Ardiansyah (1101188432)
TUGAS AKHIR
Disusun dalam rangka memenuhi persyaratan untuk memperoleh gelar Sarjana Teknik
pada Program Studi S1 Teknik Telekomunikasi
Oleh
Jihad Ardiansyah
1101188432
BANDUNG
2020
No. ITT-AK-FEK-PPT-
UNIVERSITAS TELKOM
Dokumen FM-001/004
Jl. Telekomunikasi No. 1 Terusan Buah Batu Bandung 40257 No. Revisi 00
Berlaku 02 Mei 2011
FORMULIR LEMBAR PENGESAHAN
efektif
Universitas Telkom
Oleh
Jihad Ardiansyah
1101188432
Pembimbing I Pembimbing II
ii
No. ITT-AK-FEK-PPT-
UNIVERSITAS TELKOM
Dokumen FM-001/004
Jl. Telekomunikasi No. 1 Terusan Buah Batu Bandung 40257 No. Revisi 00
Berlaku 02 Mei 2011
FORMULIR PERNYATAAN ORISINALITAS
efektif
Atas pertanyataan ini, saya siap menanggung resiko / sanksi yang dijatuhkan kepada saya
apabila kemudian ditemukan adanya pelanggaran terhadap kejujuran akademik atau etika
keilmuan dalam karya ini, atau ditemukan bukti yang menunjukkan ketidakaslian karya
ini.
Jihad Ardiansyah
NIM. 1101188432
iii
ABSTRAK
Mutu jagung menjadi salah satu persyaratan utama bagi industri pakan. Pada
umumnya, proses penentuan kualitas benih yaitu biji jagung dilakukan secara manual
dengan pengamatan visual. Proses tersebut menghasilkan penilaian berdasarkan sudut
pandang masing-masing pengamat yang cenderung subjektif. Penilaian subjektif ini
membutuhkan waktu yang lama dan kondisi pengukuran harus tepat, sehingga hasil
pengamatan akan berbeda-beda tergantung pada penglihatan mata maupun presepsi
visualnya, serta latar belakang pengamat dan faktor lainnya.
Pada Tugas Akhir ini, penulis telah membuat sebuah sistem yang dapat
mengklasifikasikan biji jagung berdasarkan tekstur berbasis pengolahan citra digital,
sehingga didapatkan hasil yang objektif dan tepat. Data citra yang diperlukan adalah
sampel biji jagung kering dengan pengambilan menggunakan kamera handphone. Sampel
yang sudah diambil dilakukan tahap ekstrasi ciri statistik sebagai parameter ciri latih
untuk proses selanjutnya. Untuk mendapatkan data latih tersebut, penulis menggunakan
metode Discrete Wavelet Transform, dan untuk klasifikasi data uji citra biji jagung
menggunakan Support Vector Machine.
Hasil penelitian Tugas Akhir ini mendapatkan akurasi sebesar 93,33% dengan
waktu komputasi 0,6384s pada parameter ektraksi ciri DWT orde satu yaitu Mean,
Variance, Skewness, Kurtosis, dan Entropy dengan subband LL, level 2 dekomposisi
wavelet, jenis kernel Linear dan multiclass OAO pada SVM. Dengan adanya sistem ini,
dapat dijadikan standar akurasi yang tepat dalam pengukuran kualitas biji jagung.
iv
ABSTRACT
Quality of corn to be one of the main requirements for the feed industry. In
general, the process of determining the quality of seed corn seed that is done manually by
visual observation. The process produces judgments based on the viewpoint of each
observer who tends to be subjective. This subjective assessment requires a long time and
measurement conditions must be just right, so that the observations will vary depending
on eyesight and visual perception, as well as observers background and other factors.
In this Final Task, the author has created a system that can classify corn seeds
based on textures based on digital image processing, so that objective and precise results
are obtained. Image data needed is a sample of dried corn kernels by taking using phone
camera. The sample that has been taken is carried out the statistical feature extraction
stage as a parameter of training characteristics for the next process. To obtain the training
data, the writer used the Discrete Wavelet Transform, and for classification of test data
using the corn kernels image Support Vector Machine.
This Final Task research results obtained accuracy of 93.33% with computing
time of 0,6384s on the extraction parameters of the order DWT feature is Mean,
Variance, Skewness, Kurtosis, and Entropy with the subband LL, Level 2 decomposition
of wavelet, Linear kernel type and OAO multiclass on SVM. It is expected that with the
ability of this system, it can be used as an accurate standard in measuring the quality of
corn seeds.
v
KATA PENGANTAR
Puji syukur kehadirat Allah SWT, atas rahmat dan ridha-Nya, serta tak lupa
shalawat serta salam semoga selalu tercurah kepada Nabi Muhammad SAW beserta
keluarga dan para sahabatnya. Sehingga penulis dapat menyelesaikan Tugas Akhir
dengan tepat pada waktunya. Semoga Allah selalu memberikan rezeki dan karunianya
dimanapun penulis berada.
Tugas akhir ini diajukan sebagai syarat untuk memperoleh gelar sarjana Teknik
pada program studi Teknik Telekomunikasi, Fakultas Teknik Elektro, di Universitas
Telkom. Adapun judul tugas akhir ini adalah “SISTEM KLASIFIKASI KUALITAS BIJI
JAGUNG BERDASARKAN TEKSTUR DENGAN METODE DISCRET WAVELET
TRANSFORM DAN KLASIFIKASI SUPPORT VECTOR MACHINE BERBASIS
PENGOLAHAN CITRA DIGITAL” penulis mengakui bahwa tugas akhir ini masih jauh
dari sempurna, penulis sangat terbuka terhadap kritik dan saran yang membangun.
Penulis menyadari sepenuhnya bahwa tugas akhir ini masih jauh dari kesempurnaan.
Besar harapan penulis, semoga tugas akhir ini dapat bermanfaat dan dapat bernilai positif
bagi semua pihak yang membutuhkan.
Jihad Ardiansyah
vi
UCAPAN TERIMAKASIH
Dalam kesempatan kali ini penulis ingin mengucapkan terima kasih kepada pihak-
pihak yang telah memberikan motivasi dan dukungan serta do’a selama proses
penyelesaian Tugas Akhir ini. Oleh karena itu, penulis ingin menyampaikan terima kasih
setulus-tulusnya kepada:
1. Kehadirat Allah Subhanahu wa Ta’ala atas berkat dan hidayah-Nya yang telah
memberikan pencerahan kepada penulis untuk membuat buku Tugas Akhir ini.
Shalawat serta salam semoga tercurah kepada Rasulullah Muhammad
Shallallahu'alaihi wasallam, Allhamdullilah penulis dapat menyelesaikan Tugas
Akhir ini.
2. Kedua Orang Tua penulis, Papah Suhatridjal dan Mamah Lela Romlah serta
kakak dan adik penulis, Meilatri Suhandini dan Mardiana yang selalu
memberikan dukungan melalui usaha, motivasi, nasihat dan semangat serta
tentunya do’a yang terus diucapkan sampai saat ini. Semoga jerih payah dari
Papah dan Mamah diganti oleh Allah SWT dengan Surga-Nya Amin Ya Rabbal
Alamiin.
3. Ibu Rita Purnamasari, S.T.,MT sebagai dosen pembimbing I, dan Bapak Dr. Ir.
Bambang Hidayat, DEA sebagai pembimbing II, yang telah mencurahkan segala
tenaga, waktu, pikiran, dan bimbingannya demi kelancaran pelaksanaan Tugas
Akhir ini.
4. Terimakasih kepada Dosen Wali Bu Ratna Mayasari dan teman-teman kelas TTX
42-01 yang telah memberikan banyak keluh dan kesah dalam masa perkuliahan.
5. Akhir kata penulis mengucapkan terima kasih kepada semua pihak yang telah
membantu penyelesaian tugas akhir ini semoga tugas akhir ini bermanfaat bagi
kita semua.
Akhir kata penulis mengucapkan terima kasih kepada semua pihak yang telah
membantu penyelesaian tugas akhir ini semoga tugas akhir ini bermanfaat bagi kita
semua.
vii
DAFTAR ISI
ABSTRAK ........................................................................................................................ iv
ABSTRACT ....................................................................................................................... v
viii
2.3.2 Citra Digital .............................................................................................. 24
4.4.3 Pengujian Pengaruh Jenis Kernel dan Multiclass pada SVM ................... 58
LAMPIRAN A
LAMPIRAN B
LAMPIRAN C
x
DAFTAR GAMBAR
Gambar 2.6 (a) Skema ruang warna RGB dalam bentuk kubus, (b) Warna RGB ........27
Gambar 2.7 Citra Grayscale dengan nilai piksel antara 0 sampai dengan 255 ...............28
Gambar 2.13 Bidang pemisah terbaik dengan margin (m) terbesar ................................37
Gambar 2.14 Contoh Klasifikasi dengan metode One Against All ................................39
Gambar 2.15 Contoh Klasifikasi dengan metode One Against One ...............................40
Gambar 3.3 Flowchart proses Identifikasi tekstur pada biji jagung ................................43
Gambar 3.8 Diagram Proses Testing SVM pada Citra Uji ..............................................49
xii
DAFTAR TABEL
Tabel 2.3 Definisi untuk masing-masing kriteria mutu fisik jagung ............................. 22
Tabel 2.4 Contoh 3 kelas SVM Biner dengan metode One-Against-All ........................ 38
Tabel 3.1 Citra Data Latih dan Uji Menggunakan Kamera Handphone .......................... 44
Tabel 4.4 Hasil Pengujian Parameter Kernel dan Multiclass SVM ..................................59
xiii
BAB I
PENDAHULUAN
Kualitas biji jagung diperlukan agar komoditas jagung memiliki keunggulan yang
kompetitif. Selama ini evaluasi kualitas biji jagung dalam proses pengklasifikasian
kualitas masih dilakukan secara manual melalui pengamatan visual. Tetapi kenyataannya
evaluasi kualitas dengan cara ini, masih memiliki beberapa kelemahan. Sebagai contoh
diantaranya ketidakkonsistenan karena keterbatasan visual manusia dan adanya
perbedaan sudut pandang tentang kualitas oleh masing-masing pengamat[2]. Pengolahan
citra digital merupakan alternatif untuk mengatasi masalah tersebut. Cara ini mampu
memproses penampilan suatu bahan berdasarkan ukuran, bentuk dan warna yang bisa
dipastikan akan lebih tepat dan objektif dibandingkan dengan cara visual yang bersifat
subjektif[3]. Oleh karena itu, pengolahan citra ini dapat dijadikan salah satu pilihan
dalam pengujian kualitas tekstur biji jagung tanpa merusak objek.
Pada Tugas Akhir ini dapat menghasilkan sebuah aplikasi yang mampu
mengetahui kualitas biji jagung berdasarkan tekstur. Citra dari setiap biji jagung akan
diambil menggunakan kamera. Untuk tahap selanjutnya yang dilakukan pada penelitian
ini adalah preprocessing, lalu akan dilakukan ekstrasi ciri dengan Discrete Wavelet
Transform. Metode ini akan melewati sinyal yang akan dianalisis pada filter dengan
14
frekuensi dan skala yang berbeda. Setelah didapatkan hasil ekstraksi ciri, klasifikasi
dilakuan dengan Support Vector Machine yang merupakan sebuah fungsi atau
hyperplane untuk memisahkan dua buah kelas atau lebih pola yang dipisahkan dengan
maksimal. Dengan dilakukannya penelitian ini dapat menciptakan program atau sistem
yang dapat mengidentifikasi dan mengklasifikasi biji jagung yang akurat dan efisien.
1. Merancang sistem deteksi kualitas biji jagung berdasarkan tekstur yang diperoleh
dari ekstraksi ciri dengan menggunakan metode Discret Wavelet Transform.
2. Melakukan implementasi Support Vector Machine untuk mengklasifikasikan
hasil ektraksi ciri yang dapat mengenali jenis kualitas biji jagung.
3. Membuat aplikasi yang efisien untuk digunakan dalam identifikasi kualitas biji
jagung berbasis pengolahan citra digital.
15
1.4 Tujuan dan Manfaat
Berdasarkan latar belakang yang telah diuraikan, maka tujuan dan manfaat dari
Tugas Akhir ini adalah sebagai berikut:
1. Sampel jagung yang digunakan adalah biji jagung yang sudah kering.
2. Citra yang diolah adalah citra berwarna dengan format (jpg) dengan resolusi
2448x2448 pixels.
3. Sampel citra biji jagung diambil dengan objek menggunakan kamera
handphone dengan posisi pengambilan gambar dari atas objek.
4. Mode warna citra yang dipakai dalam ekstraksi ciri dari citra warna diubah dalam
citra grayscale.
5. Terdapat tiga kelas hasil keluaran dengan pengelompokan berdasarkan hasil
dengan kualitas tinggi, sedang dan rendah.
6. Sistem yang dibangun bersifat offline menggunakan software Matlab R2018b.
7. Parameter yang diukur adalah tingkat akurasi dan komputasi sistem.
16
1.6 Metode Penelitian
Metode yang digunakan dalam penelitian Tugas Akhir ini adalah sebagai berikut:
1. Studi Literatur
Mengumpulkan berbagai materi dan referensi yang berhubungan dengan
pengolahan citra dengan mempelajari:
Pengolahan citra digital dan pengenalan warna citra.
Ekstraksi ciri dengan Discrete Wavelet Transform.
Klasifikasi data dengan Support Vector Machine.
Referensi yang di peroleh berdasarkan beberapa jurnal ilmiah, buku, laporan
penelitian yang sudah ada, dan sumber-sumber lain yang layak seperti informasi-
informasi yang tersedia di internet.
2. Desain Model Pemecahan Masalah
Terdapat dua tahap dalam desain sistem Tugas Akhir ini yaitu tahap latih dan
tahap uji, dimana pada tahap latih akan dicari ekstraksi ciri dari citra digital yang
menggunakan metode Discret Wavelet Transform (DWT) sehingga keluaran berupa
data ciri yang disimpan dalam database, ciri latih ini nantinya akan dilanjutkan pada
proses klasifikasi. Tahapan uji, merupakan tahap dimana masukan citra uji berupa
citra digital yang akan dibandingkan dengan database ciri latih dan diklasifikasikan
menggunakan Support Vector Machine.
3. Pengumpulan Data dan Analisis Data
Data yang digunakan berupa citra biji jagung dalam bentuk Joint Photographic
Group (*jpg) yang telah dipilih oleh penulis. Pengambilan sampel menggunakan
kamera handphone dan diproses dengan sistem yang telah dirancang sedemikian rupa
untuk dapat dianalisa menggunakan pemrograman yang telah ditentukan sebelumnya
oleh penulis.
4. Simulasi
Berdasarkan hasil pemodelan sistem sebelumnya, terikat sebuah informasi dari
metode ekstraksi ciri dan klasifikasi yang didapat selanjutnya akan di simulasikan
pada software Simulator Matlab 2018b.
17
5. Pengujian dan Analisis
Melakukan pengujian serta menganalisis hasil pengujian sistem yang telah
dilakukan agar mengetahui tingkat performansi dan akurasi hasil dari simulasi sistem
yang dibuat.
6. Kesimpulan
Menyusun buku serta membuat kesimpulan terhadap hasil analisis dari pengujian
yang telah didapat.
BAB I PENDAHULUAN
Bab ini menjelaskan tentang deskripsi umum isi Tugas Akhir dari penelitian yang
sedang di rencanakan, meliputi latar belakang, penelitian terkait, rumusan
masalah, tujuan dan manfaat, batasan masalah, metode penelitian serta sistematika
penulisan Tugas Akhir yang dibuat.
BAB II DASAR TEORI
Bab ini membahas tentang teori-teori yang digunakan sebagai dasar dalam
pembuatan buku Tugas Akhir.
BAB III PERANCANGAN SISTEM
Bab ini membahas model sistem yang akan dirancang.
BAB IV SIMULASI DAN ANALISIS HASIL
Bab ini bersisi tentang implementasi dan analisis dari hasil perancangan sistem
yang diujikan pada aplikasi MATLAB untuk kemudian diambil suatu kesimpulan.
BAB V KESIMPULAN DAN SARAN
Bab ini memaparkan kesimpulan dan saran Tugas Akhir ini.
18
BAB II
KONSEP DASAR
2.1 Jagung
Jagung (Zea mays L) merupakan komoditas palawija yang berperan sebagai
sumber karbohidrat kedua setelah beras. Jagung merupakan bahan baku pakan dari
jagung pipilan hasil tanaman jagung berupa biji kering yang telah dilepaskan dan
dibersihkan dari tongkolnya. Berdasarkan warna, biji jagung terdiri dari jagung putih dan
jagung kuning[6]. Tanda-tanda jagung dapat dikonsumsi, setelah jagung dikupas dari
tongkolnya lalu diseleksi yang kemudian dipipil sampai kadar air mencapai 12-14%.
1. Jagung Hibrida
Jagung hibrida sendiri merupakan salah satu jenis jagung yang memiliki
keturunan pertama dari perkawinan silang antara tanaman jagung betina dengan
tanaman jagung jantan, dimana masing-masing keduanya memiliki sifat individu
homogen dan heterozigot yang unggul.
2. Jagung Bersari Bebas
Pada varietas bersari bebas, tanaman-tanaman dibiarkan saling menyerbuki satu
sama lain. Dengan penyerbukan secara bebas ini, maka varietas bersari-bebas dapat
dikatakan sebagai kumpulan hibrida.
19
Selain itu jagung juga dapat digolongkan bedasarkan bentuk biji. Jenis-jenis
jagung berdasarkan bentuk biji dapat dilihat pada tabel 2.1
Pada Tugas Akhir ini, jagung yang akan digunakan adalah jagung manis,
dikarenakan biji ini memiliki gen dominan yang hasilnya positif dari segi peningkatan
produksi dan banyak beredar dipasaran.
20
Gambar 2.2 Biji jagung[11].
Sortasi adalah proses pemilahan mutu benih berdasarkan ciri-ciri tertentu. Jagung
yang sudah di sortasi, kemudian dipisahkan berdasarkan mutu fisiknya seperti biji utuh,
21
biji rusak, biji patah dan biji berjamur. Definisi untuk masing-masing kriteria mutu fisik
tersebut dapat dilihat pada tabel berikut.
Keluaran citra dari suatu sistem perekaman dapat bersifat berikut ini yaitu:
22
Pada dasarnya, formula pada pengolahan citra akan digunakan ketika citra terjadi
perbaikan atau modifikasi citra. Hal ini diperlukan untuk meningkatkan kualitas
penampakan citra, elemen-elemen didalam citra yang diukur, atau memperlihatkan
beberapa aspek informasi yang terkandung didalam citra[14].
1. i(x, y) merupakan jumlah cahaya yang berasal dari sumbernya (illumination) yang
mempunya nilai antara nol sampai tidak berhingga.
2. r(x,y) merupakan derajat kemampuan objek memantulkan cahaya (reflection)
yang mempunyai nilai nol sampai sama dengan satu.
Sumber Cahaya
i(x,y)
y
r(x,y) r(x,y)
f(x,y)
Objek Lensa
x
Citra pada bidang 2 dimensi
23
menghasilkan nilai nol. Sebaliknya, jika permukaan mempunyai derajat pemantulan 1,
maka fungsi intensitas cahaya f(x, y) sama dengan sumber cahaya yang diterima oleh
permukaan tersebut atau f(x, y) akan sama dengan i(x, y)[14].
Citra analog tidak dapat direpresentasikan dalam komputer, sehingga tidak bisa
diproses oleh komputer secara langsung. Untuk dapat diproses, citra analog harus
dikonversi menjadi citra digital. Citra digital ini dihasilkan dari peralatan digital, dimana
di dalam peralatan digital terdapat sistem sampling dan kuantisasi[15]. Adapun proses
digitalisasi citra menjadi dua macam yaitu sebagai berikut[14]:
j (0,M-1)
(0,0)(0,1)(0,2)
Dy (0,1)
(0,2)
i
M pixel
Dx
Sampling
y
N pixel
(N-1,0)
(0,0) x
Elemen Gambar Elemen Matriks
24
Terdapat perbedaan antara koordinat gambar yang disampling dengan koordinat
matriks yaitu hasil digitalisasi. Titik asal (0,0) pada elemen gambar dan (0,0) pada
elemen matriks tidak sama. Koordinat x dan y pada elemen gambar dimulai dari sudut
kiri bawah, sedangkan penomoran pixel pada matriks dimulai dari sudut kiri atas. Elemen
(i,j) dalam matriks menyatakn rata-rata intensitas cahaya pada area citra yang
direprensatikan oleh pixel.
Representasi citra digital didapat dari hasil sampling dan kuantisasi dari sebuah
citra yang merupakan bilangan real yang membentuk sebuah matriks M baris dan N
kolom. Sehingga ukuran citra adalah M x N [15]. Citra digital yang mempunya M baris,
N kolom dan memiliki L derajat keabuannya dapat dianggap sebagi fungsi:
( ){ (2.1)
Sebuah citra digital diwakili oleh matriks, dimana perpotongan antara baris dan
kolom disebut pixel. Pixel mempunyai dua parameter, yaitu koordinat dan intensitas atau
warna. Nilai yang terdapat pada koordinat (x,y) adalah f(x,y), yaitu besar intensitas atau
warna dari piksel di titik tertentu[15]. Artinya, sebuah citra digital dapat ditulis dalam
bentuk matriks berikut:
( ) ( ) ( )
( ) [ ( ) ( )] (2.2)
( ) ( ) ( )
25
2.4 Tipe Citra
Ada beberapa tipe citra yang biasa digunakan dalam penelitian yaitu diantaranya
sebagai berikut[15]:
Proses binersisasi citra grayscale untuk menghasilkan citra biner dapat dituliskan
dalam persamaan berikut ini[16]:
( )
( ) { (2.3)
( )
dalam hal ini, g(x,y) adalah citra biner dari citra grayscale (x,y) dan nilai T menyatakan
nilai ambang yang dispesifikasikan. Dengan operasi pengambangan tersebut, objek
dibuat berwarna gelap (1 atau hitam) sedangkan latar belakang berwarna terang (0 atau
putih).
26
2.4.2 Citra Warna
Citra warna adalah citra yang masing-masing pixel mempunyai tiga komponen
warna yang spesifik yaitu komponen merah (red), hijau (green), dan biru (blue). Warna
setiap pixel ditentukan oleh kombinasi dari intensitas warna merah, hijau, dan biru yang
tersimpan pada bidang warna di lokasi pixel. Format file grafis menyimpan citra warna
sebagai citra 24 bit, yang berasaal dari komponen merah, hijau dan biru masing-masing 8
bit. Model RGB biasa disajikan dalam bentuk kubus tiga dimensi, dengan warna merah,
hijau, dan biru berada pada pojok sumbu seperti terlihat pada gambar 2.6
(a) (b)
Gambar 2.6 (a) Skema ruang warna RGB dalam bentuk kubus, (b) Warna RGB[17]
Model warna RGB umumnya berdasarkan konsep penambahan kuat cahaya
primer yang berorientasi pada perangkat keras atau hardware, model warna ini
dikhususkan untuk warna tampilan pada monitor, kamera video, dan berbagai peralatan
elektronika penampil gambar[17].
( )⁄
(2.4)
27
Perubahan gambar dari format RGB menjadi format grayscale juga dapat
dilakukan dengan menggunakan metode illuminance grayscale yang direpresentasikan
dalam persamaan berikut:
(2.5)
Pada mode ini memanfaatkan warna gray (abu-abu) sebanyak 256 tingkat gradasi.
Setiap pixel dari gambar grayscale mempunyai nilai brightness (kecerahan) antara 0
(hitam) hingga 255 (putih)[18]. Dalam Tugas Akhir ini penulis melakukan perubahan
citra RGB ke grayscale untuk menyederhanakan citra 3 dimensi menjadi citra 1 dimensi
agar citra lebih mudah di indentifikasi.
Gambar 2.7 Citra Grayscale dengan nilai piksel antara 0 sampai dengan 255[15]
28
2.5 Transformasi Wavelet
Wavelet merupakan fungsi matematika yang dapat membantu dalam menjabarkan
gambar asli menjadi gambar dalam domain frekuensi, yang selanjutnya dapat dibagi
menjadi gambar sub-band komponen frekuensi yang berbeda[19].
Berdasarkan gambar 2.8 dapat dilihat wave merupakan fungsi osilasi, dimana
merupakan fungsi gerak bolak-balik benda di sekitar suatu titik setimbang dengan
lintasan yang sama secara periodik (berulang dalam rentang waktu yang sama).
Sedangkan wavelet merupakan gelombang yang dibatasi atau transformasi berbasis
gelombang kecil (small wave). Wavelet ini menkonsentrasikan energinya dalam ruang
dan waktu sehingga cocok untuk menganalisis sinyal yang sifatnya sementara saja.
Dengan demikian wavelet berbeda dengan wave[20].
∑ (2.6)
29
2.6 Discrete Wavelet Transform
DWT (Discrete Wavelet Transform) merupakan metode untuk dekomposisi sinyal
berdasarkan sub-band yang efisien dan fleksibel, di karenakan DWT menyediakan
informasi tentang frekuensi maupun waktu (lokasi) dari sinyal yang bekerja secara
multiresolusi[22].
DWT dua dimensi (2D-DWT) untuk fungsi f(x,y) yang berukuran M x N (baris x
kolom) didefinisikan sebagai berikut[23]:
( ) ∑ ∑ ( ) ( ) (2.7)
√
( ) ∑ ∑ ( ) ( ) (2.8)
√
maka parameter j berkaitan dengan dilasi atau penskalaan (resolusi) dalam domain waktu,
apabila fungsi sinyal f(x), fungsi penskalaan j0,k(x) dan fungsi wavelet ψj,k(x) merupakan
fungsi variabel diskrit untuk nilai x, dimana nilai x sama dengan 1, 2, 3 dan seterusnya,
maka terdapat translasi (pergeseran) dengan M – 1 maka koefisien-koefisien hasil dari
ekspansi itu dinamakan Discrete Wavelet Transform (DWT).
30
Gambar 2.9 Transformasi Wavelet 2D 1 level[15]
Sebuah sinyal harus dilewatkan dalam dua filterisasi DWT yaitu High Pass Filter
(HPF) dan Low Pass Filter (LPF) agar frekuensi dari sinyal tersebut dapat dianalisis.
Analisis terhadap frekuensi dilakukan dengan cara menggunakan resolusi yang dihasilkan
setelah sinyal melewati filterisasi. Resolusi dari sinyal, yang merupakan rata-rata dari
jumlah detil informasi dalam sinyal, ditentukan melalui filterasi ini dan skalanya
didapatkan dengan upsampling dan downsampling (subsampling). Analisis frekuensi
yang berbeda dengan menggunakan resolusi yang berbeda inilah yang disebut dengan
multi-resolution analysis.
Berdasarkan gambar 2.9 Low Low (LL) menyatakan bagian koefisien yang
diperoleh melalui proses Low pass dilanjutkan dengan Low pass. Citra bagian ini mirip
dan merupakan versi lebih halus dari citra aslinya sehingga koefisien pada bagian LL
yang disebut komponen aproksimasi. Low High (LH) menyatakan bagian koefisien yang
diperoleh melalui proses Low pass kemudian dilanjutkan dengan High pass. Koefisien
pada bagian ini menunjukan citra tepi dalam arah horizontal. Bagian High Low (HL)
menyatakan bagian yang diperoleh melalui proses High pass kemudian dilanjutkan
dengan Low pass. Koefisien pada bagian ini menunjukkan citra tepi dalam arah vertikal.
High High (HH) menyatakan proses yang diawali dengan High pass dan dilanjutkan
dengan High pass, yang menunjukkan citra tepi dalam arah diagonal. Ketiga komponen
LH, HL, dan HH disebut juga komponen detil[24].
31
Pembagian sinyal menjadi frekuensi tinggi dan frekuensi rendah dalam proses
filterisasi High Pass Filter dan Low Pass Filter disebut sebagai dekomposisi. Proses
dekomposisi ini dapat melalui satu atau lebih tingkatan. Dekomposisi satu tingkat ditulis
dengan ekspresi matematika pada persamaan berikut ini [25]:
[ ] ∑ [ ] [ ] (2.9)
[ ] ∑ [ ] [ ] (2.10)
dari persamaan (2.9) dan (2.10), dapat diketahui bahwa [ ] merupakan detail
informasi sinyal dari hasil HPF dan [ ] merupakan taksiran kasar dari penskalaan
hasil LPF. Dimana [ ] adalah sinyal awal, [ ] highpass filter, [ ] adalah lowpass
filter, k adalah indeks dari koefisien penskalaan dan n adalah orde filter.
32
Berdasarkan gambar 2.11 perhatikan bahwa LL, LH, HL dan HH merupakan hasil
dekomposisi level 1. Bila dilakukan dekomposisi level dua, maka hanya sub-band Low
Low (LL) yang hanya bisa didekomposisi, karena hanya LL yang mengandung informasi
tentang citra tersebut. Sedangkan Low Low (LL) pada level satu tidak diperlihatkan pada
gambar karena langsung didekomposisi level 2 menjadi LL2, HL2, LH2, dan HH2[15].
Pada Tugas Akhir ini penulis hanya menggunakan ekstraksi ciri orde pertama,
karena pada metode ini pengambilan ciri yang didasarkan pada karakteristik histogram
citra. Histogram menunjukkan probabilitas kemunculan nilai derajat keabuan piksel pada
suatu citra[26]. Dari nilai-nilai pada histogram yang dihasilkan, dapat dihitung beberapa
parameter ciri statistik orde pertama, antara lain [15], [27]:
1. Mean (µ)
Rata-rata atau nilai tengah dari suatu sebaran nilai intensitas citra abu-abu
menunjukkan ukuran dispersi suatu citra yang dapat dicari dengan persamaan sebagai
berikut:
∑ ( ) ( ( )) (2.11)
dimana f(x,y) merupakan nilai intensitas citra pada titik (x,y) dan p(f(x,y)) adalah nilai
histogramnya (probabilitas kemunculan intensitas tersebut pada citra).
33
2. Variance (σ2)
Variance merupakan kuadrat dari standar deviasi. Variance digunakan untuk
menunjukkan tingkat perbedaan dari histogram suatu citra. Variance dapat dicari
dengan persamaan sebagai berikut:
∑( ( ) ) ( ( )) (2.12)
3. Skewness (α3)
Skewness menunjukkan tingkat kemencengan relatif kurva histogram dari suatu citra
yang dapat dicari dengan persamaan sebagai berikut:
∑( ( ) ) ( ( )) (2.13)
4. Kurtosis (α4)
Kurtosis menunjukkan tingkat keruncingan relatif kurva histogram dari suatu citra
yang dapat dicari dengan persamaan sebagai berikut:
∑( ( ) ) ( ( )) (2.14)
5. Entropy (H)
Entropy digunakan untuk menunjukkan ukuran ketidakaturan bentuk dari suatu citra.
∑ ( ( )) ( ( )) (2.15)
34
2.8.1 Karakteristik Support Vector Machine
Adapun karakteristik Support Vector Machine adalah sebagai berikut[29]:
35
Adapun data (pola) yang berada pada bidang pembatas ini disebut support vector.
Pada gambar 2.13 terdapat dua kelas yang dapat dipisahkan oleh sepasang bidang
pembatas yang sejajar. Bidang pembatas pertama membatasi kelas pertama sedangkan
bidang pembatas kedua membatasi kelas kedua, sehingga diperoleh[28]:
(2.16)
parameter w adalah normal bidang dan b adalah posisi bidang relatif terhadap pusat
koordinat. Nilai margin (jarak) antara bidang pembatas (berdasarkan rumus jarak garis ke
titik pusat) persamaan berikut ini:
( )
(2.17)
nilai margin ini dimaksimalkan dengan tetap memenuhi (2.16). Dengan mengalikan b
(posisi bidang relatif) dan w (normal bidang) dengan sebuah konstanta, akan dihasilkan
nilai margin yang dikalikan dengan konstanta yang sama. Oleh karena itu, konstrain
(2.16) merupakan scaling constraint yang dapat dipenuhi dengan rescaling b dan w.
Selain itu, karena memaksimalkan sama dengan meminimumkan |w|2 dan jika kedua
( ) (2.18)
parameter terletak pada decision boundary (DB), yaitu suatu model linear atau
hyperplane y(x) dengan parameter w dan b, maka pencarian bidang pemisah terbaik
dengan nilai margin terbesar dapat dirumuskan menjadi masalah optimasi konstrain, yaitu
(2.19)
( )
persoalan ini akan lebih mudah diselesaikan jika diubah ke dalam formula lagrangian
yang menggunakan lagrange multiplier. Dengan demikian, dapat diperoleh nilai αi yang
nantinya digunakan untuk menemukan w. Terdapat nilai αi untuk setiap data pelatihan.
Data pelatihan yang memiliki nilai αi > 0 adalah support vector sedangkan sisanya
36
memiliki nilai αi = 0. Dengan demikian fungsi keputusan yang dihasilkan hanya
dipengaruhi oleh support vector.
( ) ∑ (2.20)
dimana parameter xi adalah support vector, ns adala jumlah support vector dan xd adalah
data yang akan diklasifikasikan. Pada Kasus SVM Linear memiliki bentuk umum sebagai
berikut:
( ) (2.21)
variabel w adalah parameter bobot (weight vector), x merupakan vector input, dan b
adalah suatu konstanta.
37
disebut sebagai support vector. Hyperplane terbaik adalah hyperplane yang terletak di
tengah-tengah antara dua set objek dari dua kelas. Mencari hyperplane terbaik ekuivalen
dengan memaksimalkan margin atau jarak antara dua set objek dari kelas yang berbeda.
Hyperplane pendukung (supporting hyperplane) dari kelas +1 dapat dituliskan dengan
T
1+ = +1 dan hyperplane pendukung dari kelas −1 dapat ditulis T
1+ = -1, margin
antara dua kelas dapat dihitung dengan mencari jarak antara kedua hyperplane
pendukung dari kedua kelas.
yi=1 yi = -1 Hipotesis
38
Gambar 2.14 Contoh Klasifikasi dengan metode One Against All
dengan nilai k adalah jumlah kelas. Setiap model klasifikasi dilatih pada data dari dua
kelas. Terdapat beberapa metode untuk melakukan pengujian setelah keseluruhan
( )
model klasifikasi selesai dibangun. Salah satunya adalah metode voting.
Contohnya, terdapat permasalahan klasifikasi dengan 3 buah kelas. Oleh karena itu,
digunakan 3 buah SVM biner seperti pada tabel 2.5
Tabel 2.5 Contoh SVM Biner dengan metode One-Against-One[28]
yi=1 yi = -1 Hipotesis
Kelas 1 Kelas 2 ( ) ( )
Kelas 1 Kelas 3 ( ) ( )
Kelas 2 Kelas 3 ( ) ( )
39
Gambar 2.15 Contoh Klasifikasi dengan metode One Against One
Jika data x dimasukkan ke dalam fungsi hasil pelatihan dan hasilnya menyatakan
x adalah kelas i, maka vote (suara) untuk kelas i ditambah satu. Kelas dari data x akan
ditentukan dari jumlah suara terbanyak. Jika terdapat dua buah kelas yang jumlah
suaranya sama, maka kelas yang indeksnya lebih kecil dinyatakan sebagai kelas dari data.
40
BAB III
MODEL SISTEM DAN PERANCANGAN
Sistem klasifikasi kualitas biji jagung terdiri dari tiga blok utama, yaitu
preprocessing, ekstraksi ciri, dan klasifikasi. Deskripsi sistem ini dapat direpresentasikan
pada gambar 3.1
41
Pada tahap latih prosesnya terdiri atas preprocessing terhadap data latih citra yang
dimasukkan, kemudian dilakukan ekstraksi ciri tekstur dengan menggunakan Discrete
Wavelet Transform (DWT). Kemudian ciri citra tersebut disimpan ke dalam sebuah
bentuk database yang nantinya digunakan sebagai data pembanding pada proses
klasifikasi citra uji. Tahap latih ini merupakan proses pencarian nilai pixel yang menjadi
acuan untuk database program, dimana nilai pixel tersebut yang dicocokan dengan citra
uji untuk mendeteksi kelas biji jagung. Hasil dari ciri citra yang membedakan antara
kelas kualitas biji jagung tersebut. Pada tahap uji, setelah dilakukan preprocessing dan
ekstraksi ciri, selanjutnya citra dideteksi dengan menggunakan metode klasifikasi
Support Vector Machine (SVM) untuk mengetahui kecocokan vektor ciri dari data uji
terhadap data latih sehingga di dapatkan hasil klasifikasinya.
Gambaran umum perangkat lunak ini dapat dilihat pada gambar 3.2 sebagai
berikut.
42
Perancangan perangkat lunak kualitas biji jagung berdasarkan segementasi tekstur
dari proses data latih dan data uji digambarakan dengan flowchart yang dapat dilihat pada
gambar 3.3 berikut ini.
43
sama yaitu 2448x2448 dan format joint photographic group (jpg). Kemudian data ini
akan di proses dalam tahap preprocessing. Untuk data biji jagung dari citra latih dan citra
uji terdiri dari atas tiga kelas yaitu kualitas tinggi, sedang dan kualitas rendah.
Untuk menunjukann pembagian jumlah data citra latih dan uji pada pengujian ini
dapat dilihat pada tabel 3.1. Pada tahap pengambilan, pembagian citra menjadi 75% latih
dan 25% uji yang menggunakan 120 citra. Komposisi data latih yang disimpan dalam
database terdapat 90 citra untuk 3 kelas yang terbagi menjadi 30 citra untuk 1 kelas
dengan ukuran 2448x2448. Sedangkan data uji terdapat 30 citra dalam 3 kelas yang
terbagi menjadi 10 citra.
Tabel 3.1 Citra Data Latih dan Uji Menggunakan Kamera Handphone
2448x2448
(Kamera 30 citra 10 citra
handphone)
3.4 Prepocessing
Preprocessing adalah proses awal yang dilakukan setelah mendapat akuisisi citra
sebagai citra masukan. Untuk tahapan yang dilakukan dalam preprocessing dapat dilihat
pada gambar 3.4
44
Gambar 3.4 Diagram pada preprocessing
3.4.1 Cropping
Pada tahap ini bertujuan memberikan batasan yang lebih jelas dan terarah untuk
mendapatkan citra dengan ukuran yang seragam. Citra awal yang masuk ke dalam sistem
merupakan citra berukuran 2448x2448 dengan format JPG. Proses cropping dilakukan
untuk mendapatkan citra dengan ukuran seragam yaitu 2000x2000. Citra hasil ini
berikutnya akan diubah ke citra grayscale.
45
Gambar 3.5 Citra Grayscale
1. Proses Dekomposisi
Dekomposisi Discrete Wavelet Transform merupakan proses membagi atau
mendekompsisikan sebuah dimensi sinyal menjadi 2 bagian, yang disebut dengan bagian
frekuensi tinggi dan frekuensi rendah. Sebuah sinyal dilewatkan melalui High Pass Filter
(HPF) dan Low Pass Filter (LPF). Selanjutnya dilakukan proses subband, yaitu
mengambil sample dari setengah keluaran pada masing-masing filter tersebut. Sehingga,
proses dekomposisi level 1 menghasilkan 4 buah subband yaitu LL, LH, HL, dan HH.
Pada Tugas Akhir ini proses dekomposisi dilakukan sampai level 4. Untuk melakukan
proses dekomposisi lebih dari satu kali, proses dekomposisi selanjutnya dilakukan pada
subband frekuensi rendah atau LL karena pada subband LL merupakan ciri khusus untuk
proses level dekomposisi selanjutnya. Proses ini diulang sampai dekomposisi ke 4.
2. Proses Perhitungan Vektor Fitur
Vektor ciri citra hasil dekomposisi dengan wavelet diperoleh dengan mengitung rata-
rata (mean), standar deviasi (variance), skewness, kurtosis, dan entropy yang terdapat
pada setiap level. Proses ini dilakukan secara berulang terhadap semua citra latih. Nilai
dari vektor ciri ini sebagai representasi fitur tekstur dari setiap citra. Proses ekstraksi ciri
DWT jika digambarkan dapat dilihat pada gambar 3.6 sebagai berikut.
46
Gambar 3.6 Diagram Ekstraksi Ciri
1. Proses Training
Proses Training atau tahap pelatihan merupakan tahap melatih citra latih menjadi
model SVM yang nantinya akan digunakan untuk mengklasifikasi kualitas biji jagung
pada tahap pengujian atau testing. Klasifikasi untuk proses training menggunakan data
latih. Proses training dapat dilihat pada gambar 3.7
47
Gambar 3.7 Diagram Proses Training SVM pada Citra Latih
Gambar 3.7 menunjukkan tahap pelatihan yang berawal dari mendapatkan ekstraksi
ciri dari citra latih. Kemudian ciri citra yang telah didapatkan dilatih dengan
menggunakan SVM training dengan cara menentukan jenis kernel dan menentukan
metode multiclass SVM yang digunakan. Untuk penentuan jenis kernel karena datanya
berupa data non linear digunakan jenis Gaussian, Polynomial, atau RBF, sehingga
dibutuhkan fungsi kernel untuk mengubah data-data pada ruang dimensi awal ke ruang
dimensi baru atau dimensi yang relatife lebih tinggi. Sedangkan penentuan metode
multiclass SVM yang digunakan yaitu One Against One (OAO) atau One Against All
(OAA). Setelah itu pelatihan data dari hasil training SVM sudah didefinisikan tergolong
sebagai data latih kelas untuk di proses selanjutnya.
48
2. Proses Testing
Proses ini dilakukan untuk mengetahui keakuratan model atau fungsi yang akan
dibangun pada proses training, maka digunakan data yang disebut dengan testing set
untuk memprediksi kelas-kelasnya.
49
Pengujian sistem ini dilakukan untuk mengetahui performansi sistem sehingga
dapat diketahui kelebihan dan kekurangan sistem sebagai evaluasi terhadap peforma
sistem. Performa sistem diukur berdasarkan parameter-parameter berikut:
(3.1)
(3.2)
50
BAB IV
PENGUJIAN DAN ANALISIS
Pada pengujian sistem akan diukur seberapa besar tingkat keberhasilan dalam
melakukan analisis sistem klasifikasi kualitas biji jagung berdasarkan tekstur yang telah
dirancang. Pengujian ini dilakukan untuk mengetahui efektifitas sistem yang telah
dikembangkan.
51
4.2 Pengujian Sistem
Pengujian sistem dilakukan untuk mendapatkan performansi sistem yang telah di
rancang. Adapun tujuan dari pengujian ini adalah sebagai berikut:
52
3. Tahap Ekstraksi Ciri
Serelah dilakukan preprocessing, tahap selanjutnya yaitu ekstraksi ciri tekstur dengan
menggunakan metode DWT (Discrete Wavelet Transform) orde satu yang terdiri dari
mean, variance, skewness, kurtosis dan entropy. Pada metode DWT, pengujian tahap
ini dilakukan dengan menggunakan parameter subband LL berdasarkan tiap level
dekomposisi DWT yaitu level 1, level 2, level3, dan level 4. Tahap ini dilakukan
untuk menentukan ciri dari masing-masing citra dengan menganalisa parameter
sesuai dengan ketentuan level pada metode DWT.
4. Tahap Klasifikasi
Pada tahap ini pengelompokan citra menjadi tiga kelas yaitu kelas kualitas biji jagung
tinggi, sedang, dan rendah. Klasifikasi yang digunakan adalah SVM (Support Vector
Machine), dimana parameter pengujiannya berdasarkan jenis kernel (Polynomial,
Linear, RBF) dan jenis multiclass (One Against One dan One Against All).
5. Tahap Pengujian
Tahap terakhir dalam pengujian sistem adalah proses testing untuk memperoleh
tingkat akurasi dan waktu komputasi yang paling bagus dengan mengubah parameter
dari metode DWT dan klasifikasi SVM.
1. Pengujian sistem dengan menggunakan metode ekstraksi ciri DWT dan klasifikasi
SVM.
2. Menganalisi perubahan parameter akurasi dan waktu komputasi terhadap parameter
orde satu, dan level dekomposisi pada DWT.
3. Menganalisi perubahan parameter akurasi dan waktu komputasi terhadap parameter
ekstraksi ciri dengan jenis kernel dan multiclass pada SVM.
53
4.4.1 Pengujian Menggunakan Parameter Ekstrasi Ciri Pada DWT
Pengujian dilakukan dengan menggunakan 30 data citra latih dan 10 data citra uji
dari masing-masing kelas kualitas, untuk mengetahui tingkat akurasi dan waktu
komputasi terhadap pengaruh parameter ekstrasi ciri DWT. Untuk pengujian parameter
Ekstrasi Ciri DWT menggunakan 2 skenario. Adapun skenario yang dilakukan adalah
sebagai berikut ini:
Waktu
Kombinasi Parameter Akurasi
Komputasi
Mean 56.67% 0.6414s
Variance 50.00% 0.6546s
1 Ciri Skewness 56.67% 0.6329s
Kurtosis 50.00% 0.6532s
Entropy 33.33% 0.9691s
Mean, Variance 73.33% 0.6546s
Mean, Skewness 76.67% 0.6412s
Mean, Kurtosis 66.67% 0.9795s
Mean, Entropy 56.67% 0.9877s
Varian Skewness 36.67% 0.9846s
2 Ciri
Varian, Kurtosis 46.67% 0.9953s
Variance, entropy 50.00% 0.9565s
Skewness, Kurtosis 70.00% 0.9961s
Skewness, Entropy 56.67% 0.9734s
Kurtosis, Entropy 46.67% 0.9641s
Mean, Variance, Skewness 83.33% 0.9992s
Mean, Variance, Kurtosis 83.33% 0.9970s
Mean, Variance, Entropy 73.33% 0.9934s
Mean, Skewness, Kurtosis 76.67% 1.2056s
Mean, Skewness, Entropy 76.67% 0.9739s
3 Ciri
Mean, Kurtosis, Entropy 66.67% 0.9621s
Variance, Skewness, Kurtosis 66.67% 0.9827s
Variance, Skewness, Entropy 83.33% 0.9521s
Variance, Kurtosis, Entropy 46.67% 0.9841s
Skewness, Kurtosis, Entropy 70.00% 0.9804s
54
Mean, Variance, Skewness, Kurtosis 70.00% 0.9559s
Mean, Variance, Skewness, Entropy 83.33% 1.0196s
4 Ciri Mean, Variance, Kurtosis, Entropy 83.33% 1.0067s
Mean, Skewness, Kurtosis, Entropy 76.67% 0.9866s
Variance, Skewness, Kurtosis, Entropy 66.67% 1.0271s
Mean, Variance, Skewness, Kurtosis,
5 Ciri 70.00% 0.9923s
Entropy
Berdasarkan tabel 4.1 akurasi terbesar didapatkan pada saat parameter ekstrasi ciri
orde satu dengan kombinasi 3 ciri dan 4 ciri. Untuk kombinasi 3 ciri terdiri dari Mean,
Variance, Skewness, dan Mean, Variance, Kurtosis, serta Variance, Skewness, Entropy.
Untuk kombinasi 4 ciri yaitu Mean, Variance, Skewness, Entropy dan Mean, Variance,
Kurtosis, Entropy dengan nilai sebesar 83,33%. Sedangkan akurasi terkecil sebesar
33,33% dengan parameter orde satu yang digunakan adalah Entropy pada kombinasi 1
ciri. Selanjutnya untuk performansi sistem dengan waktu komputasi terbesar didapatkan
saat 1.2056s dengan parameter orde satu yang digunakan adalah Mean, Skewnesss,
Kurtosis. Sedangkan waktu komputasi terkecil diperoleh dengan waktu 0.6412s pada saat
kombinasi 2 ciri yaitu Mean, Skewness.
Waktu
Kombinasi Parameter Akurasi
Komputasi
Mean 80.00% 0.6656s
Variance 50.00% 0.6333s
1 Ciri Skewness 66.67% 0.6404s
Kurtosis 46.67% 0.6310s
Entropy 33.33% 0.9838s
Mean, Variance 90.00% 0.6522s
Mean, Skewness 80.00% 1.1019s
Mean, Kurtosis 80.00% 1.0625s
2 Ciri
Mean, Entropy 80.00% 0.9729s
Variance, Skewness 66.67% 1.0183s
Variance, Kurtosis 60.00% 0.9927s
55
Variance, entropy 70.00% 0.9737s
Skewness, Kurtosis 80.00% 0.9738s
Skewness, Entropy 66.67% 0.9702s
Kurtosis, Entropy 46.67% 0.9803s
Mean, Variance, Skewness 90.00% 1.1813s
Mean, Variance, Kurtosis 90.00% 1.0403s
Mean, Variance, Entropy 90.00% 0.9837s
Mean, Skewness, Kurtosis 80.00% 0.9658s
Mean, Skewness, Entropy 80.00% 0.9619s
3 Ciri
Mean, Kurtosis, Entropy 66.67% 0.9765s
Variance, Skewness, Kurtosis 73.33% 0.9689s
Variance, Skewness, Entropy 70.00% 0.9703s
Variance, Kurtosis, Entropy 60.00% 0.9738s
Skewness, Kurtosis, Entropy 80.00% 1.0246s
Mean, Variance, Skewness, Kurtosis 90.00% 0.9835s
Mean, Variance, Skewness, Entropy 90.00% 0.9711s
4 Ciri Mean, Variance, Kurtosis, Entropy 90.00% 0.9810s
Mean, Skewness, Kurtosis, Entropy 80.00% 0.9977s
Variance, Skewness, Kurtosis, Entropy 73.33% 0.9998s
Mean, Variance, Skewness, Kurtosis,
5 Ciri 90.00% 1.0028s
Entropy
Berdasarkan tabel 4.1 akurasi terbesar didapatkan dengan nilai sebesar 90% pada
saat parameter ekstrasi ciri orde satu dengan kombinasi 2 ciri, 3 ciri, 4 ciri dan 5 ciri.
Untuk kombinasi 2 ciri yaitu Mean, Variance, kombinasi 3 ciri yaitu Mean, Variance,
Skewness, dan Mean, Variance, Kurtosis, serta Mean, Variance, Entropy. Pada 4
kombinasi ciri yaitu Mean, Variance, Skewness, Kurtosis dan Mean, Variance, Skewness,
Entropy serta Mean, Variance, Kurtosis, Entropy dan kombinasi 5 ciri yaitu Mean,
Variance, Skewness, Kurtosis,dan Entropy. Sedangkan akurasi terkecil sebesar 33,33%
dengan parameter orde satu yang digunakan adalah Entropy pada kombinasi 1 ciri.
Untuk hasil, waktu komputasi terbesar didapatkan saat 1.1813s dengan parameter
orde satu yang digunakan adalah Mean, Variance, Skewnesss pada kombinasi 3 ciri.
Sedangkan waktu komputasi terkecil diperoleh pada kombinasi 1 ciri yaitu Kurtosis
dengan waktu 0.6310s.
56
Berdasarkan hal tersebut, semakin banyak parameter orde satu yang digunakan,
maka semakin banyak ciri dan akurasi yang diperoleh semakin besar oleh sistem.
Sehingga dapat mempermudah sistem dalam membedakan ciri pada setiap kelas. Selain
itu, semakin sedikit ciri pada parameter orde satu, maka semakin kecil waktu komputasi
yang diperoleh. Hal ini dikarenakan semakin sedikit ciri parameter orde satu yang
digunakan maka proses yang dilakukan akan membutuhkan waktu yang lebih cukup
cepat.
Berdasarkan tabel 4.3 dapat diketahui bahwa level dekomposisi yang digunakan
dapat mempengaruhi akurasi pengujian dan waktu komputasi. Akurasi terbesar
didapatkan pada saat level dekomposisi wavelet yang digunakan pada level 2 dengan
subband Low Low yaitu sebesar 93,33% dan akurasi terkecil pada saat level dekomposisi
wavelet yang digunakan pada level 4 yaitu sebesar 16,67%. Sedangkan waktu komputasi
terbesar didapatkan saat level dekomposisi yang digunakan adalah level 1 dengan waktu
0.6784s dan waktu komputasi terkecil disaat level dekomposisi wavelet yang digunakan
adalah level 4 yaitu 0.6299s.
57
Pengaruh Level Dekomposisi pada DWT
Level 1 Level 2 Level 3 Level 4
90.00% 93.33%
Persen(%)
23.33%
16.67%
LL
Berdasarkan gambar 4.2 ciri khusus dari Discrete Wavelet Transform terletak
pada subband Low Low (LL) karena subband ini mengandung informasi tentang citra
tersebut. Untuk level selanjutnya subband LL digunakan kembali untuk di
transformasikan menjadi level yang baru. Sehingga transformasi ini disebut multiresolusi.
Pada pengujian tersebut dapat diketahui bahwa semakin besar level dekomposisi
maka akan semakin banyak ciri citra yang telah ditrasfomasikan kembali yang membuat
hasil akurasi semakin rendah karena data yang diproses merupakan data yang tidak linear
yang disebebkan data tersebut digunakan kembali untuk level selanjutnya. Selain itu
semakin kecil level dekomposisi yang digunakan, maka akurasi semakin besar karena
nilai ciri yang diproses tidak banyak. Pada level dekomposisi yang lebih kecil,
memperoleh waktu komputasi semakin besar. Hal ini dikarenakan semakin banyak nilai
yang diproses oleh sistem.
58
Pada pengujian ini parameter ekstraksi ciri hasil dari pengujian pertama pada
kombinasi 5 ciri digunakan kembali yaitu Mean, Variance, Skewness, Kurtosis, Entropy
dengan level dekomposisi yang digunakan adalah level 2.
Berdasarkan tabel 4.4, akurasi terbesar didapatkan pada saat jenis kernel Linear
dengan multiclass OAO yaitu sebesar 93.33% dan akurasi terkecil pada saat jenis kernel
RBF dengan multiclass OAA yaitu sebesar 33,33%. Sedangkan waktu komputasi terbesar
didapatkan saat jenis kernel RBF dengan multiclass OAA dengan waktu 0,6652s dan
waktu komputasi terkecil saat jenis kernel Polynomial dengan multiclass OAO yaitu
dengan waktu 0,6343s.
Jenis kernel yang digunakan untuk menghasilkan akurasi terbaik pada sistem ini
adalah jenis kernel Linear. Hal ini dikarenakan data yang diproses merupakan data yang
tidak linear, dengan fungsi kernel yang merupakan fungsi untuk mengubah data yang
tidak linear menjadi linear.
59
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil pengujian yang dilakukan pada sistem pengklasifikasian citra
biji jagung pada Tugas Akhir ini, didapatkan kesimpulan sebagai berikut:
5.2 Saran
Sistem klasifikasi jenis kualitas biji jagung ini masih dapat dikembangkan,
sehingga tingkat akurasi yang diperoleh lebih besar dan akurat tanpa butuh waktu
komputasi yang lama. Oleh karena itu, adapun saran untuk pengembangan Tugas Akhir
ini selanjutnya yaitu:
1. Pada saat pengambilan data akusisi citra sebaiknya pada pencahayaan yang bagus,
dan perbesaran yang sesuai dan tidak berubah sampai proses selesai, karena
pencahayaan berpengaruh terhadap nilai akurasi sistem.
2. Validasi jagung dibutuhkan agar sistem yang telah di buat dapat menyesuaikan
dengan standar dari kualitas biji jagung yang sudah ada.
60
DAFTAR PUSTAKA
[3] M. Effendi, M. Jannah, and U. Effendi, “Corn quality identification using image
processing with k-nearest neighbor classifier based on color and texture features,”
IOP Conf. Ser. Earth Environ. Sci., vol. 230, no. 1, 2019, doi: 10.1088/1755-
1315/230/1/012066.
[5] K. Kiratiratanapruk and W. Sinthupinyo, “Color and texture for corn seed
classification by Machine Vision,” 2011 Int. Symp. Intell. Signal Process.
Commun. Syst. "The Decad. Intell. Green Signal Process. Commun. ISPACS 2011,
pp. 7–11, 2011, doi: 10.1109/ISPACS.2011.6146100.
61
Fase Pertumbuhan Jagung,” Balai Penelit. Tanam. Serealia, Maros, pp. 16–28,
2008.
[13] A. Somantri, E.Darmawati, and I. Astika, “Identifikasi Mutu Fisik Jagung Dengan
Menggunakan Teknologi Pengolahan Citra Dan Jaringan Syaraf Tiruan,” J.
Pascapanen, vol. 2, pp. 101–112, 2013, doi: 10.5296/ijafr.v5i1.7267.
[19] A. Kumar Singh, S. Tiwari, and V. P.Shukla, “Wavelet based Multi Class image
classification using Neural Network,” Int. J. Comput. Appl., vol. 37, no. 4, pp. 21–
25, 2012, doi: 10.5120/4597-6555.
62
[20] L. NOVAMIZANTI and A. KURNIA, “Analisis Perbandingan Kompresi Haar
Wavelet Transform dengan Embedded Zerotree Wavelet pada Citra,” ELKOMIKA
J. Tek. Energi Elektr. Tek. Telekomun. Tek. Elektron., vol. 3, no. 2, p. 161, 2015,
doi: 10.26760/elkomika.v3i2.161.
[22] D. Gupta and S. Choubey, “Discrete Wavelet Transform for Image Processing,”
IEEE Trans comm., vol. 4, no. 3, pp. 3165–3168, 2015.
63
Intrusi pada Jaringan,” Institut Teknologi Bandung, 2007.
64
LAMPIRAN A
Citra Latih Biji Jagung
a) Kualitas 1
65
26.jpg 27.jpg 28.jpg 29.jpg 30.jpg
b) Kualitas 2
66
21.jpg 22.jpg 23.jpg 24.jpg 25.jpg
c) Kualitas 3
67
16.jpg 17.jpg 18.jpg 19.jpg 20.jpg
68
Citra Uji Biji Jagung
a) Kualitas 1
b) Kualitas 2
69
c) Kualitas 3
70
LAMPIRAN B
Pengujian lainnya
Waktu
Paramter Pengujian Kombinasi Parameter Akurasi
Komputasi
Mean 80.00% 0.6770s
Variance 33.33% 0.6225s
1 Ciri Skewness 60.00% 0.6431s
Kurtosis 40.00% 0.6373s
Entropy 33.33% 0.7251s
Mean, Variance 33.33% 0.6592s
Mean, Skewness 80.00% 0.6483s
Mean, Kurtosis 80.00% 0.6466s
Mean, Entropy 80.00% 0.9993s
Variance, Skewness 33.33% 0.6237s
2 Ciri
Variance, Kurtosis 33.33% 0.6356s
Variance, entropy 33.33% 1.0171s
Skewness, Kurtosis 76.67% 0.6400s
Level 1
dekomposisi Skewness, Entropy 60.00% 0.6576s
subband LL Kurtosis, Entropy 46.67% 0.6075s
Gaussian Radial Mean, Variance, Skewness 33.33% 0.6429s
Basis Function Mean, Variance, Kurtosis 33.33% 0.6598s
(RBF)
Mean, Variance, Entropy 33.33% 0.7094s
One Against All
(OAA) Mean, Skewness, Kurtosis 80.00% 0.6565s
Mean, Skewness, Entropy 80.00% 0.6408s
3 Ciri
Mean, Kurtosis, Entropy 80.00% 0.6077s
Variance, Skewness, Kurtosis 33.33% 0.6431s
Variance, Skewness, Entropy 33.33% 0.6606s
Variance, Kurtosis, Entropy 33.33% 0.6355s
Skewness, Kurtosis, Entropy 73.33% 0.6089s
Mean, Variance, Skewness, Kurtosis 33.33% 0.6258s
Mean, Variance, Skewness, Entropy 33.33% 0.6288s
4 Ciri Mean, Variance, Kurtosis, Entropy 33.33% 0.6758s
Mean, Skewness, Kurtosis, Entropy 80.00% 0.6193s
Variance, Skewness, Kurtosis, Entropy 33.33% 0.6170s
Mean, Variance, Skewness, Kurtosis,
5 Ciri 33.33% 0.6110s
Entropy
71
Waktu
Paramter Pengujian Kombinasi Parameter Akurasi
Komputasi
Mean 70.00% 0.6436s
Variance 40.00% 0.6416s
1 Ciri Skewness 66.67% 0.6411s
Kurtosis 40.00% 0.6219s
Entropy 33.33% 0.8888s
Mean, Variance 33.33% 0.6358s
Mean, Skewness 70.00% 0.6318s
Mean, Kurtosis 70.00% 0.6191s
Mean, Entropy 56.67% 1.0351s
Variance, Skewness 40.00% 0.6677s
2 Ciri
Variance, Kurtosis 33.33% 0.6295s
Variance, entropy 36.67% 0.6377s
Skewness, Kurtosis 73.33% 0.6296s
Level 1
dekomposisi Skewness, Entropy 66.67% 0.6200s
subband LL Kurtosis, Entropy 46.67% 0.8391s
Gaussian Radial Mean, Variance, Skewness 33.33% 0.6533s
Basis Function Mean, Variance, Kurtosis 33.33% 0.6772s
(RBF)
Mean, Variance, Entropy 33.33% 0.6516s
One Against One
(OAO) Mean, Skewness, Kurtosis 70.00% 0.6259s
Mean, Skewness, Entropy 56.67% 0.6146s
3 Ciri
Mean, Kurtosis, Entropy 56.67% 0.6194s
Variance, Skewness, Kurtosis 40.00% 0.6307s
Variance, Skewness, Entropy 33.33% 0.6255s
Variance, Kurtosis, Entropy 33.33% 0.6021s
Skewness, Kurtosis, Entropy 76.67% 0.6146s
Mean, Variance, Skewness, Kurtosis 33.33% 0.6420s
Mean, Variance, Skewness, Entropy 33.33% 0.6071s
4 Ciri Mean, Variance, Kurtosis, Entropy 33.33% 0.6115s
Mean, Skewness, Kurtosis, Entropy 56.67% 0.6094s
Variance, Skewness, Kurtosis, Entropy 33.33% 0.6067s
Mean, Variance, Skewness, Kurtosis,
5 Ciri 33.33% 0.6258s
Entropy
72
Waktu
Paramter Pengujian Kombinasi Parameter Akurasi
Komputasi
Mean 43.33% 1.0063s
Variance 33.33% 0.9607s
1 Ciri Skewness 63.33% 1.0075s
Kurtosis 43.33% 1.000s
Entropy 33.33% 0.6104s
Mean, Variance 33.33% 0.9734s
Mean, Skewness 26.67% 1.0146s
Mean, Kurtosis 40.00% 0.6586s
Mean, Entropy 33.33% 0.5992
Variance, Skewness 33.33% 0.6566s
2 Ciri
Variance, Kurtosis 33.33% 0.6386s
Variance, entropy 33.33% 0.6061s
Skewness, Kurtosis 90.00% 0.6456s
Level 1 Skewness, Entropy 60.00% 0.6081s
dekomposisi Kurtosis, Entropy 43.33% 0.6058s
subband LL Mean, Variance, Skewness 33.33% 0.6545s
Polynomial Mean, Variance, Kurtosis 33.33% 0.6742s
One Against All Mean, Variance, Entropy 33.33% 0.5957s
(OAA)
Mean, Skewness, Kurtosis 40.00% 0.6423s
Mean, Skewness, Entropy 33.33% 0.6027s
3 Ciri
Mean, Kurtosis, Entropy 33.33% 0.6139s
Variance, Skewness, Kurtosis 33.33% 0.6345s
Variance, Skewness, Entropy 33.33% 0.6343s
Variance, Kurtosis, Entropy 33.33% 0.6189s
Skewness, Kurtosis, Entropy 90.00% 0.6270s
Mean, Variance, Skewness, Kurtosis 33.33% 0.6321s
Mean, Variance, Skewness, Entropy 33.33% 0.6779s
4 Ciri Mean, Variance, Kurtosis, Entropy 33.33% 0.6251s
Mean, Skewness, Kurtosis, Entropy 33.33% 0.6353s
Variance, Skewness, Kurtosis, Entropy 33.33% 0.6295s
Mean, Variance, Skewness, Kurtosis,
5 Ciri 33.33% 0.6177s
Entropy
73
Waktu
Paramter Pengujian Kombinasi Parameter Akurasi
Komputasi
Mean 10.00% 0.9701s
Variance 33.33% 0.9462s
1 Ciri Skewness 66.67% 1.0499s
Kurtosis 46.67% 0.9640s
Entropy 33.33% 0.5905s
Mean, Variance 33.33% 1.0541s
Mean, Skewness 26.67% 1.0167s
Mean, Kurtosis 30.00% 0.6618s
Mean, Entropy 33.33% 0.5954s
Variance, Skewness 33.33% 0.6273s
2 Ciri
Variance, Kurtosis 33.33% 0.6650s
Variance, entropy 33.33% 0.5972s
Skewness, Kurtosis 93.33% 0.6442s
Level 1 Skewness, Entropy 66.67% 0.6106s
dekomposisi Kurtosis, Entropy 50.00% 0.6011s
subband LL Mean, Variance, Skewness 33.33% 0.6680s
Polynomial Mean, Variance, Kurtosis 33.33% 0.6411s
One Against One Mean, Variance, Entropy 33.33% 0.6129s
(OAO)
Mean, Skewness, Kurtosis 30.00% 0.6649s
Mean, Skewness, Entropy 33.33% 0.5953s
3 Ciri
Mean, Kurtosis, Entropy 33.33% 0.6155s
Variance, Skewness, Kurtosis 33.33% 0.6202s
Variance, Skewness, Entropy 33.33% 0.6671s
Variance, Kurtosis, Entropy 33.33% 0.6219s
Skewness, Kurtosis, Entropy 93.33% 0.6057s
Mean, Variance, Skewness, Kurtosis 33.33% 0.7224s
Mean, Variance, Skewness, Entropy 33.33% 0.6303s
4 Ciri Mean, Variance, Kurtosis, Entropy 33.33% 0.6167s
Mean, Skewness, Kurtosis, Entropy 33.33% 0.6246s
Variance, Skewness, Kurtosis, Entropy 33.33% 0.6284s
Mean, Variance, Skewness, Kurtosis,
5 Ciri 33.33% 0.6296s
Entropy
74
Pengujian Pengaruh Subband dan Level Dekomposisi pada DWT
Parameter yang digunakan adalah 2 Ciri terbaik (Mean, Variance), jenis kernel Linear
dan multiclass OAO
Waktu
Subband Level Dekomposisi Akurasi
Komputasi
Level 1 90.00% 0.6522s
Level 2 83.33% 1.0595s
LL
Level 3 23.33% 1.0050s
Level 4 16.67% 0.9275s
Parameter yang digunakan adalah 3 Ciri terbaik (Mean, Variance, Skewness), jenis
kernel Linear dan multiclass OAO
Waktu
Subband Level Dekomposisi Akurasi
Komputasi
Level 1 90.00% 1.0403s
Level 2 86.67% 0.9601s
LL
Level 3 23.33% 1.0049s
Level 4 6.67% 0.9491s
Parameter yang digunakan adalah 4 Ciri terbaik (Mean, Variance, Kurtosis, Entropy),
jenis kernel Linear dan multiclass OAO
Waktu
Subband Level Dekomposisi Akurasi
Komputasi
Level 1 90.00% 0.9835s
Level 2 93.33% 1.0018s
LL
Level 3 23.33% 0.9555s
Level 4 16.67% 0.8587s
75
LAMPIRAN C
SOURCE CODE
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
76
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
axes(handles.axes3);
image(imread('jagung','jpg'));
grid off;
axis off;
axes(handles.axes4);
image(imread('logotel_u','jpg'));
grid off;
axis off;
axes(handles.axes5);
image(imread('foto','jpg'));
grid off;
axis off;
% --- Outputs from this function are returned to the command line.
function varargout = TugasAkhir_OutputFcn(hObject, eventdata, handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
77
global citra
[nama_file, tempat_file]=uigetfile('*.jpg','Pilih File');
if isequal(nama_file,0)
return;
end
file = fullfile(tempat_file,nama_file); %Mengambil nama tempat baru
filename
citra = imread(file);
axes(handles.axes1);
set(handles.edit1,'string',nama_file); %untuk memanmpilkan format
gambar
baris=size(citra,1);
set(handles.edit2,'string',baris); %Nilai baris berada di button
edit2
kolom=size(citra,2);
set(handles.edit3,'string',kolom); %Nilai kolom berada di button
edit3
imshow(citra);
78
function edit2_Callback(hObject, eventdata, handles)
% hObject handle to edit2 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
79
function pushbutton2_Callback(hObject, eventdata, handles)
global citra citra_preprocessing citra_gray %ambilgambar dari
pussbutton1
baris=size(citra_preprocessing,1);
set(handles.edit4,'string',baris); %baris berada di button edit4
kolom=size(citra_preprocessing,2);
set(handles.edit5,'string',kolom); %kolom berada di button edit5
axes(handles.axes2);
imshow(citra_gray);
end
80
function edit5_Callback(hObject, eventdata, handles)
% hObject handle to edit5 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
81
function popupmenu2_Callback(hObject, eventdata, handles)
% hObject handle to popupmenu2 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
level_dwt = get(handles.popupmenu2,'Value');
[cA,cH,cV,cD] = dwt2(citra_gray,'haar');
for i = 1:level_dwt-1
[cA,cH,cV,cD] = dwt2(cA,'haar');
end
% histogram = imhist(gambar_gray);
% H = histogram/sum(histogram);
% I = [0:255];
%
% rata = I*H;
% varian = (I-rata).^2*H;
82
% skewness = (I-rata).^3*H/varian^1.5;
% kurtosis = (I-rata).^4*H/varian^2-3;
% entropy = -H.*log2(H+eps);
rata = mean(ciri_dwt(:));
varian = var(ciri_dwt(:));
skew = skewness(ciri_dwt(:));
kurt = kurtosis(ciri_dwt(:));
%ent = entropy(ciri_dwt(:));
set (handles.edit6,'string',rata);
set (handles.edit7,'string',varian);
set (handles.edit8,'string',skew);
set (handles.edit9,'string',kurt);
83
% Hints: get(hObject,'String') returns contents of edit7 as text
% str2double(get(hObject,'String')) returns contents of edit7 as
a double
84
% str2double(get(hObject,'String')) returns contents of edit9 as
a double
load data_ciri_latih
t = templateSVM('KernelFunction','linear');
Mdl = fitcecoc(ciri_latih, target, 'Learners', t , 'Coding',
'onevsall');
[citra_gray] = preprocessing(citra);
%Diambil dari file ektrasi_ciri_dwt
ciri_stats = ekstraksi_ciri_dwt(citra_gray);
id_kelas_uji = predict(Mdl, ciri_stats);
kelas_uji = nama_kelas{id_kelas_uji};
set(handles.edit10,'string',kelas_uji);
85
% Hints: get(hObject,'String') returns contents of edit10 as text
% str2double(get(hObject,'String')) returns contents of edit10
as a double
86
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
87