Buku Tugas Akhir - Jihad Ardiansyah (1101188432)

SISTEM KLASIFIKASI KUALITAS BIJI JAGUNG
BERDASARKAN TEKSTUR DENGAN METODE DISCRET

WAVELET TRANSFORM DAN KLASIFIKASI SUPPORT
VECTOR MACHINE BERBASIS PENGOLAHAN CITRA
DIGITAL
Classification System of Corn Kernel Quality Based On Texture Using
Discrete Wavelet Transform Methode and Support Vector Machine
Classification On Digital Image Processing
TUGAS AKHIR
Disusun dalam rangka memenuhi persyaratan untuk memperoleh gelar Sarjana Teknik
pada Program Studi S1 Teknik Telekomunikasi
Oleh
Jihad Ardiansyah
1101188432
FAKULTAS TEKNIK ELEKTRO

UNIVERSITAS TELKOM
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
LEMBAR PENGESAHAN TUGAS AKHIR
SISTEM KLASIFIKASI KUALITAS BIJI JAGUNG BERDASARKAN

TEKSTUR DENGAN METODE DISCRET WAVELET TRANSFORM
DAN KLASIFIKASI SUPPORT VECTOR MACHINE BERBASIS
PENGOLAHAN CITRA DIGITAL
(Classification System of Corn Kernel Quality Based On Texture Using
Classification On Digital Image Processing)
Telah disetujui dan disahkan sebagai Buku Tugas Akhir
Program Studi Teknik Telekomunikasi
Fakultas Teknik Elektro
Universitas Telkom
Oleh
Jihad Ardiansyah
1101188432
Bandung, 25 Juni 2020
Pembimbing I Pembimbing II
Rita Purnamasari, S.T.,MT. Dr. Ir. Bambang Hidayat, DEA

NIP. 10860010 NIP. 07510002
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
LEMBAR PERNYATAAN ORISINALITAS
Nama : Jihad Ardiansyah

Nim : 1101188432
Alamat : Antabaru Blok E No. 50 Cisaranten Bandung
No. Telp/Hp : 082113245027
Email : jihadardiansyah@gmail.com
Menyelesaikan bahwa Tugas Akhir ini merupakan karya orisinal saya sendiri, dengan
judul:
SISTEM KLASIFIKASI KUALITAS BIJI JAGUNG

BERDASARKAN TEKSTUR DENGAN METODE DISCRET
WAVELET TRANSFORM DAN KLASIFIKASI SUPPORT
VECTOR MACHINE BERBASIS PENGOLAHAN CITRA
DIGITAL
Classification System of Corn Kernel Quality Based On Texture Using
Classification On Digital Image Processing
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.
Bandung, 4 Mei 2020
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.
Kata Kunci : tekstur biji jagung, ekstrasi ciri, DWT, SVM
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.
Keywords: corn kernel texture, feature extraction, DWT, SVM
v
KATA PENGANTAR
Assalamu’alaikum Wr. Wb.
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.
Bandung, 4 Mei 2020
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
LEMBAR PENGESAHAN TUGAS AKHIR ................................................................. ii
LEMBAR PERNYATAAN ORISINALITAS ............................................................... iii
ABSTRAK ........................................................................................................................ iv
ABSTRACT ....................................................................................................................... v
KATA PENGANTAR ...................................................................................................... vi
UCAPAN TERIMAKASIH ........................................................................................... vii
DAFTAR ISI................................................................................................................... viii
DAFTAR GAMBAR ........................................................................................................ xi
DAFTAR TABEL .......................................................................................................... xiii
BAB I PENDAHULUAN ................................................................................................ 14
1.1 Latar Belakang Masalah .................................................................................... 14
1.2 Penelitian Terkait ............................................................................................... 15
1.3 Rumusan Masalah .............................................................................................. 15
1.4 Tujuan dan Manfaat ........................................................................................... 16
1.5 Batasan Masalah ................................................................................................ 16
1.6 Metode Penelitian .............................................................................................. 17
1.7 Sistematika Penulisan ........................................................................................ 18
BAB II KONSEP DASAR .............................................................................................. 19
2.1 Jagung ................................................................................................................ 19
2.1.1 Jenis-Jenis Jagung ..................................................................................... 19
2.1.2 Pengujian Kualitas Biji Jagung ................................................................. 20
2.3 Pengolahan Citra Digital .................................................................................... 22
2.3.1 Model Citra ............................................................................................... 23
viii
2.3.2 Citra Digital .............................................................................................. 24
2.4 Tipe Citra ........................................................................................................... 26
2.4.1 Citra Biner ................................................................................................. 26
2.4.2 Citra Warna ............................................................................................... 27
2.4.3 Citra Grayscale.......................................................................................... 28
2.5 Transformasi Wavelet ........................................................................................ 29
2.6 Discrete Wavelet Transform .............................................................................. 30
2.7 Ekstraksi Ciri ..................................................................................................... 33
2.8 Support Vector Machine .................................................................................... 34
2.8.1 Karakteristik Support Vector Machine ..................................................... 35
2.8.2 Konsep Support Vector Machine .............................................................. 35
2.8.3 Multiclass Support Vector Machine ......................................................... 38
BAB III MODEL SISTEM DAN PERANCANGAN .................................................. 41
3.1 Perancangan Sistem ........................................................................................... 41
3.2 Perancangan Perangkat Lunak ........................................................................... 41
3.3 Akuisisi Citra ..................................................................................................... 43
3.4 Prepocessing ...................................................................................................... 44
3.4.1 Cropping ................................................................................................... 45
3.4.2 Pengubahan Mode Warna ke Citra Grayscale .......................................... 45
3.5 Ekstraksi Ciri Discrete Wavelet Transform (DWT) .......................................... 46
3.6 Klasifikasi Support Vector Machine .................................................................. 47
3.7 Analisis Performansi Sistem .............................................................................. 49
3.7.1 Akurasi Sistem .......................................................................................... 50
3.7.2 Waktu Komputasi ..................................................................................... 50
3.7.3 Interface Sistem ........................................................................................ 50

ix
BAB IV PENGUJIAN DAN ANALISIS ....................................................................... 51
4.1 Spesifikasi Sistem .............................................................................................. 51
4.1.1 Perangkat Keras ........................................................................................ 51
4.1.2 Perangkat Lunak ....................................................................................... 51
4.2 Pengujian Sistem ................................................................................................ 52
4.3 Tahap Pengujian Sistem ..................................................................................... 52
4.4 Hasil Analisis Sistem ......................................................................................... 53
4.4.1 Pengujian Menggunakan Parameter Ekstrasi Ciri Pada DWT ................. 54
4.4.2 Pengujian Pengaruh Level Dekomposisi pada DWT................................ 57
4.4.3 Pengujian Pengaruh Jenis Kernel dan Multiclass pada SVM ................... 58
BAB V KESIMPULAN DAN SARAN .......................................................................... 60
5.1 Kesimpulan ........................................................................................................ 60
5.2 Saran .................................................................................................................. 60
DAFTAR PUSTAKA ...................................................................................................... 61
LAMPIRAN A
LAMPIRAN B
LAMPIRAN C
x
DAFTAR GAMBAR
Gambar 2.1 Jagung .......................................................................................................... 19
Gambar 2.2 Biji jagung ....................................................................................................21
Gambar 2.3 Pembentukan Citra ......................................................................................23
Gambar 2.4 Sampling secara spasial ...............................................................................24
Gambar 2.5 Citra biner dengan nilai piksel 0 atau 1 .......................................................26
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 2.8 (a) Gelombang (Wave) dan (b) wavelet ......................................................29
Gambar 2.9 Transformasi Wavelet 2D 1 level ................................................................31
Gambar 2.10 Hasil DWT 1 level .....................................................................................32
Gambar 2.11 Hasil DWT 2 level .....................................................................................32
Gambar 2.12 Alternatif bidang pemisah .........................................................................35
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 3.1 Blok perancangan sistem .............................................................................41
Gambar 3.2 Diagram alir proses latih dan uji .................................................................42
Gambar 3.3 Flowchart proses Identifikasi tekstur pada biji jagung ................................43
Gambar 3.4 Diagram pada preprocessing .......................................................................45
Gambar 3.5 Citra Grayscale ............................................................................................46
Gambar 3.6 Diagram Ekstraksi Ciri ................................................................................47

xi
Gambar 3.7 Diagram Proses Training SVM pada Citra Latih .......................................48
Gambar 3.8 Diagram Proses Testing SVM pada Citra Uji ..............................................49
Gambar 3.9 Perancangan Sistem GUI .............................................................................50
Gambar 4.1 Citra Hasil Preprocessing ............................................................................52
Gambar 4.2 Hasil Pengujian Parameter Subband dan Level Dekomposisi
pada DWT .........................................................................................................................58
xii
DAFTAR TABEL
Tabel 2.1 Macam Bentuk Biji Jagung ............................................................................. 20
Tabel 2.2 Persyaratan Kuantitatif Jagung Berdasarkan Standar Nasional Indonesia

Nomor 01-3920-1995 ....................................................................................................... 21
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 2.5 Contoh SVM Biner dengan metode One-Against-One ................................... 39
Tabel 3.1 Citra Data Latih dan Uji Menggunakan Kamera Handphone .......................... 44
Tabel 4.1 Hasil pengujian Ektrasi Ciri DWT skenario 1 ................................................ 54
Tabel 4.2 Hasil pengujian Ektrasi Ciri DWT skenario 2 .................................................55
Tabel 4.3 Hasil Pengujian Level Dekomposisi pada DWT ..............................................57
Tabel 4.4 Hasil Pengujian Parameter Kernel dan Multiclass SVM ..................................59
xiii
BAB I
PENDAHULUAN
1.1 Latar Belakang Masalah

Indonesia sebagian besar penduduk berpencaharian sebagai petani. Komoditas
palawija dalam pembagunan sektor pertanian adalah jagung. Hal ini dikarenakan nilai
nutrisi jagung tidak jauh berbeda dengan beras sehingga jagung mempunyai peran
penting terhadap perekonomian dan menempatkan jagung sebagai kontributor Produk
Domestik Bruto untuk tanaman pangan.
Jagung merupakan komoditas pertanian yang mudah dalam pengelolaan

budidayanya. Tanaman palawija ini pada dasarnya tidak membutuhkan perawatan
intensif dan resiko kegagalan bertanamnya pun umumnya kecil dibandingkan dengan
tanaman palawija lainnya. Biji jagung sebagai hasil utama dari jagung, hal ini digunakan
sebagai bahan pangan serta bahan baku penunjang industri lainnya[1].
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.
1.2 Penelitian Terkait

Pada penelitiaan sebelumnya tahun 2019 M Effendi, M. Jannah dan U. Effendi
juga melakukan melakukan penelitian kualitas biji jagung berdasarkan warna dan tekstur
dengan metode k-nearest neighbor. Jumlah data gambar yang digunakan adalah 500
gambar dengan rasio uji 70 banding 30. Akurasi yang tertinggi diperoleh pada
90,00%[3]. Pada tahun yang sama, Moch. Lutfi telah melakukan penelitian mengenai
klasifikasi mutu produksi jagung dengan metode k-nearest neighbor dan bagging. Model
yang diusulkan dengan algoritma k-nearest dibagi menjadi 10 bagian. Secara bertahap
data akan dibagi sebagai data latih dan sebagian lainnya digunakan sebagai data uji.
Diperoleh nilai akurasi terbaik yaitu 79.30%[4]. Kemudian pada tahun 2011, Kantip
Kiratiratanapruk dan Wasin Sinthupinyo melakukan klasifikasi biji jagung menggunakan
metode Grey level co-occurrence matrix (GLCM) and Local binary pattern (LBP)
dengan hasil akurasi yang diperoleh adalah 95,6% untuk jenis biji jagung normal dan
80,6% untuk kelompok jenis biji jagung yang cacat[5].
1.3 Rumusan Masalah

Berdasarkan latar belakang diatas dan penelitian terkait, maka dapat dirumuskan
beberapa masalah sebagai berikut:
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. Merancang simulasi sistem yang dapat melakukan klasifikasi kualitas biji

jagung berdasarkan tekstur dengan ekstraksi ciri statistik.
2. Membuat sistem berdasarkan parameter pengujian yang berpengaruh dalam
pengklasifikasian.
3. Menguji perfomansi sistem yang telah dibuat berdasarkan tingkat akurasi dan
waktu komputasi.
1.5 Batasan Masalah

Mengingat luasnya pembahasan, maka permasalah perlu dibatasi. Adapun batasan
masalah pada Tugas akhir ini yaitu:
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.
1.7 Sistematika Penulisan

Sistematika penulisan Tugas Akhir ini terdiri dari beberapa bagian subbab
diantaranya sebagai berikut:
 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%.
Gambar 2.1 Jagung[7]
2.1.1 Jenis-Jenis Jagung

Perkembangan pada pemuliaan tanaman jagung, jenis jagung dapat dibedakan
berdasarkan komposisi genetiknya, menjadi 2 golongan [8] yaitu:
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
Tabel 2.1 Macam Bentuk Biji Jagung[9]
No. Macam Bentuk Biji Keterangan

Jagung yang memiliki tekstur biji berbetnuk
1. Jagung mutiara (Flint corn)
mengkilap dan keras serta bewarna terang
Biji jagung yang mengalami pengerutan lapisan
2. Jagung gigi kuda (Dent corn) pati yang menyebabkan bentuk biji menyerupai
gigi kuda
Biji jagung dengan kandungan gula yang tinggi
3. Jagung manis (Sweet Corn)
dari pada pati.
Biji jagung yang keseluruhannya diselubungi oleh
4. Pod Corn
mahkota
Jagung Berondong Apabila dipanaskan, uap akan masuk ke dalam
5.
(Pop Corn) biji yang kemudian membesar dan pecah (pop)
Biji jagung dengan warna putih jernih menyerupai
6. Jagung Pulut (Waxy corn) lilin karena memiliki kandungan pati hampir
100% amilopektin
Jagung QPM Kandungan protein yang tinggi dalam endosperm
7.
(Quality Protein Maize) memberikan warna gelap pada biji
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.
2.1.2 Pengujian Kualitas Biji Jagung

Umumnya produk hasil pertanian ditinjau dari kualitas mutu biji jagung. Kualitas
jagung dapat ditentukan dengan mengamati hasil fisik biji jagung. Kerusakan hasil
pertanian dapat disebabkan oleh dua faktor yaitu faktor dalam (internal) dan faktor luar
(eksternal). Kerusakan tersebut mengakibatkan penurunan mutu jagung tersebut[10].
20
Gambar 2.2 Biji jagung[11].
Persyaratan mutu jagung untuk perdagangan menurut Standar Nasional Indonesia

(SNI) dikelompokkan menjadi dua bagian yaitu persyaratan kualitatif dan persyaratan
kuantitatif[10]. Adapun persyaratan kualitatif meliputi:
1. Produk harus terbebas dari hama dan penyakit.

2. Produk terbebas dari bau busuk maupun zat kimia lainnya (berupa asam).
3. Produk harus terbebas dari bahan dan sisa-sisa pupuk maupun pestisida.
Berdasarkan Standar Nasional Indonesia nomor 01-3920-1995, jagung kuning

merupakan jagung yang terdiri dari 90% berwarna kuning sedangkan 10% jagung
berwarna lain. Untuk persyaratan kuantitatif dapat di lihat pada tabel 2.2
Tabel 2.2 Persyaratan Kuantitatif Jagung Berdasarkan Standar Nasional Indonesia

Nomor 01-3920-1995[12].
Komponen Persyaratan Mutu (% maks)

No Satuan
Utama I II III
1. Kadar Air (%) 14 14 15
2. Butir Rusak (%) 2 4 6
3. Butir Warna (%) 1 3 7
4. Butir Pecah (%) 1 4 3
5. Kotoran (%) 1 1 2
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.
Tabel 2.3 Definisi untuk masing-masing kriteria mutu fisik jagung[13].
No. Mutu Fisik Definisi

Biji jagung kering yang secara fisik keseluruhannya utuh
1. Biji utuh
tanpa adanya bercak, cacat ataupun jamur.
Biji jagung yang cacat ataupun rusak akibat serangan
2. Biji rusak
serangga atau hama gudang.
Biji jagung yang tidak utuh atau rusak akibat proses
3. Biji patah
perontokan atau pemipilan
4. Biji berjamur Biji jagung yang sudah terserang cendawan atau jamur
2.3 Pengolahan Citra Digital

Citra merupakan fungsi yang bersifat continue dari intensitas cahaya pada bidang
dua dimensi. Sumber cahaya menerangi objek yang dipantulkan kembali sebagian dari
berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh alat-alat optik, misalnya mata
pada manusia, kamera, dan lain sebagainya sehingga menghasilkan bayangan objek yang
disebut citra yang kemudian terekam[14].
Keluaran citra dari suatu sistem perekaman dapat bersifat berikut ini yaitu:
1. optik berupa foto,

2. analog berupa sinyal video seperti gambar pada monitor televisi,
3. digital yang dapat langsung disimpan pada suatu pita magnetik.
Pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan

komputer yang menjadikan citra dengan kualitas lebih baik. Pengolahan Citra bertujuan
memperbaiki kualitas citra agar mudah diinterpretasi oleh mesin (dalam hal ini
komputer)[14]. Teknik-teknik pengolahan citra mentransformasikan citra menjadi citra
lain. Jadi, masukannya adalah citra dan keluarannya juga citra, namun citra keluaran
mempunyai kualitas lebih baik daripada citra masukan.
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].
2.3.1 Model Citra

Secara matematis fungsi intensitas cahaya pada bidang dua dimensi disimbolkan
dengan f(x, y), dalam hal ini (x, y) adalah koordinat pada bidang dua dimensi dan f(x, y)
adalah intensitas cahaya pada titik (x, y). Berdasarkan gambar 2.3 proses pembentukan
citra, f(x, y) mempunyai komponen penyusun yaitu sebagai berikut[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
Gambar 2.3 Pembentukan Citra

Cahaya merupakan bentuk energi, maka intensitas cahaya f(x,y) bernilai antara nol
sampai tidak berhingga. Nilai i(x, y) ditentukan oleh sumber cahaya, sedangkan r(x, y)
ditentukan oleh karakteristik objek di dalam gambar. Nilai r(x,y) bernilai 0 menyatakan
penerapan total, sedangkan r(x,y) bernilai 1 menyatakan pemantulan total. Jika
permukaan mempunyai derajat pemantulan 0, maka fungsi intensitas cahaya f(x, y), akan
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].
2.3.2 Citra Digital

Citra dapat diolah oleh komputer digital, merupakan citra yang harus
direpresentasikan secara numerik dengan nilai-nilai diskrit yang disebut dengan
digitalisasi. Citra yang dihasilkan merupakan citra digital (digital image). Tiap elemen
citra digital atau elemen matriks disebut dengan image element, picture element, atau
pixel[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]:
1. Digitalisasi spasial (x,y) disebut sampling.

Sistem sampling adalah sistem yang mengubah citra kontinu menjadi citra digital
dengan cara membagi citra analog menjadi M baris dan N kolom, sehingga menjadi citra
diskrit. Citra kontinu disampling pada elemen grid berbentuk bujursangkar yang dapat
dilihat pada gambar 2.4
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
Gambar 2.4 Sampling secara spasial
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.
2. Digitalisasi intensitas f(x,y) disebut kuantisasi

Sistem kuantisasi adalah sistem yang melakukan pengubahan intensitas analog ke
intensitas diskrit, sehingga proses ini akan membuat membuat gradasi warna sesuai
kebutuhan. Intensitas kontinu dikuantisasikan menjadi suatu nilai intensitas diskrit.
Proses kuantisasi membagi skala keabuan (0, L) menjadi G buah level yang dinyatakan
dengan suatu harga bilangan integer, umumnya G diambil berpangkat dari 2, sehingga
didapat persamaan G = 2m dimana dalam hal ini G adalah derajat keabuan dan m adalah
bilangan bulat positif.
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]:
2.4.1 Citra Biner

Pada citra biner, setiap piksel hanya membutuhkan 1 bit memori. Maka, dengan
demikian setiap piksel hanya mempunyai 2 (dua) buah kemungkinan nilai intensitas,
yaitu 0 (nol) atau 1 (satu). Pixel dengan derajat keabuan lebih besar dari nilai batas akan
diberi nilai satu dan sebaliknya, pixel dengan derajat keabuan lebih kecil dari nilai batas
akan diberi nilai nol. Gambar 2.5 menunjukkan citra biner dilihat dari dekat dengan
beberapa nilai intensitas piksel.
Gambar 2.5 Citra biner dengan nilai piksel 0 atau 1[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].
Untuk mengubah citra berwarna yang mempunyai nilai matriks masing-masing R

(merah), G (hijau) dan B (biru) menjadi citra grayscale, maka konversi yang dapat
dilakukan dengan mengambil rata-rata dari nilai R, G dan B sehingga dapat dituliskan
menjadi[18]:
( )⁄
(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.
2.4.3 Citra Grayscale

Citra grayscale adalah citra digital yang setiap pixel merupakan sampel intensitas
tunggal, yaitu informasi intensitas. Penggunaan citra grayscale dikarenakan
membutuhkan sedikit informasi yang diberikan pada tiap pixel dibandingkan dengan citra
berwarna. Citra jenis ini terbentuk hanya dari warna abu-abu pada tingkatan yang
berbeda-beda, mulai dari warna hitam pada tingkat intensitas terendah hingga warna
putih pada tingkat intensitas tertinggi.
Citra greyscale memiliki matriks data yang nilai-nilainya mewakili intensitas

setiap pixel berkisar antara 0 sampai dengan 255. Setiap piksel membutuhkan 8 bit
memori. Gambar 2.7 menunjukan citra greyscale dilihat dari dekat dengan beberapa nilai
intensitas pixel[15].
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].
Gambar 2.8 (a) Gelombang (Wave) dan (b) wavelet [20]
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].
Inti dari wavelet adalah bagaimana mendekomposisi sinyal f ke dalam basis

fungsi 𝜓 dengan ai yang merupakan level dekomposisi. Hal ini dapat dirumuskan dalam
persamaan berikut[20]:
∑ (2.6)
Analisis data pada transformasi wavelet, dilakukan dengan mendekomposisikan

suatu sinyal ke dalam komponen-komponen frekuensi yang berbeda-beda. Selanjutnya,
masing-masing komponen frekuensi tersebut dapat dianalisis sesuai dengan skala
resolusinya atau level dekomposisinya. Hal ini seperti proses filtering, dimana sinyal
dalam domain waktu dilewatkan ke dalam High Pass Filter dan Low Pass Filter. High
Pass Filter dan Low Pass Filter ini untuk memisahkan komponen frekuensi tinggi dan
frekuensi rendah[21].
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].
Adapun penerapan aplikasi wavelet untuk pemrosesan citra membutuhkan desain

wevelet dua dimensi. Oleh karena itu dikembangkan DWT dua dimensi (2D-DWT) yang
dapat dihitung dengan cara menerapkan DWT satu dimensi (1D-DWT) sepanjang baris
dan kolom citra secara terpisah. Transformasi ini mendekomposisi citra dengan suatu
skala faktor empat sub-band dimana setiap level terdiri atas sebuah sub-citra resolusi
rendah dan tiga sub-citra koefisien wavelet[23].
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).
Transformasi Wavelet pada citra 2D prinsipnya sama dengan transformasi dengan

transformasi pada citra 1D. Pada citra dua dimensi (2D) proses transformasi dilakukan
pada baris (horizontal) terlebih dahulu, kemudian dilanjutkan dengan filtering pada
kolom (vertikal)[24]. Filtering akan menghasilkan 4 buah sub-band yang berisi nilai
koefisien-koefisien wavelet, seperti ditunjukkan pada gambar 2.9 berikut ini.
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.
Hasil transformasi Wavelet 2D (DWT-2D) 1 level, dapat dibuat dalam bentuk

skema berikut ini.
Gambar 2.10 Hasil DWT 1 level[24]
CA, Cv, CH, dan CD berturut-turut menyatakan komponen aproksimasi, vertikal,

horizontal dan diagonal. Transformasi wavelet 2D untuk level 2, 3 dan seterusnya
dilakukan dengan cara yang sama, hanya dilakukan pada sub-band Low Low (LL)[24].
Gambar 2.11 Hasil DWT 2 level[15]
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].
2.7 Ekstraksi Ciri

Ekstraksi ciri adalah proses pengambilan ciri objek yang dapat digunakan sebagai
pembeda dari objek-objek lainnya[15]. Proses ini berkaitan dengan kuantisasi
karakteristik citra ke dalam sekelompok nilai ciri yang sesuai. Ciri-ciri umum yang
digunakan untuk mengenali satu atau beberapa objek di dalam citra adalah ukuran, posisi
atau lokasi, dan orientasi atau sudut kemiringan objek terhadap garis acuan yang
digunakan. Salah satu metode yang digunakan pada ekstraksi ciri adalah ekstraksi ciri
statistik orde pertama dan ekstraksi ciri orde kedua. Ekstraksi ciri merupakan langkah
awal dalam melakukan proses klasifikasi[26].
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)
2.8 Support Vector Machine

SVM (Support Vector Machine) adalah sistem pembelajaran yang menggunakan
ruang hipotesis berupa fungsi-fungsi linier dalam sebuah ruang fitur (feature space)
berdimensi tinggi, dilatih dengan algoritma pembelajaran yang didasarkan pada teori
optimasi dengan mengimplementasikan learning bias yang berasal dari teori
pembelajaran statistik. Teori yang mendasari SVM sendiri sudah berkembang sekitar
tahun 1960, tetapi baru diperkenalkan oleh Vapnik, Boser dan Guyon pada tahun 1992
dan sejak itu SVM berkembang dengan pesat. SVM adalah salah satu teknik yang relatif
baru dibandingkan dengan teknik lain, tetapi memiliki performansi yang lebih baik di
berbagai bidang aplikasi seperti bioinformatics, pengenalan tulisan tangan, klasifikasi
teks dan lain sebagainya[28].
34
2.8.1 Karakteristik Support Vector Machine
Adapun karakteristik Support Vector Machine adalah sebagai berikut[29]:
1. Secara prinsip SVM adalah linear classifier.

2. Pattern recognition dilakukan dengan mentransformasikan data pada input space ke
ruang yang berdimensi lebih tinggi, dan optimisasi dilakukan pada ruang vektor yang
baru tersebut. Hal ini membedakan SVM dari solusi pattern recognition pada
umumnya, yang melakukan optimisasi parameter pada ruang hasil transformasi yang
berdimensi lebih rendah daripada dimensi input space.
3. Menerapkan strategi Structural Risk Minimization (SRM).
4. Prinsip kerja SVM pada dasarnya hanya mampu menangani klasifikasi dua kelas.
2.8.2 Konsep Support Vector Machine

Konsep SVM dapat dijelaskan secara sederhana sebagai usaha mencari
hyperplane terbaik yang berfungsi sebagai pemisah dua buah kelas pada input space.
Gambar 2.12 memperlihatkan beberapa pola yang merupakan anggota dari dua buah
kelas yaitu kelas 1 dan kelas 2. Pola yang tergabung pada kelas 1 disimbolkan dengan
warna merah (kotak), sedangkan pola pada kelas 2, disimbolkan dengan warna biru
(lingkaran). Masalah dari klasifikasi dapat diterjemahkan dengan usaha menemukan garis
(hyperplane) yang memisahkan antara kedua kelompok tersebut. Berbagai alternatif garis
pemisah (discrimination boundaries)[30] ditunjukkan pada gambar 2.12
Gambar 2.12 Alternatif bidang pemisah [30]
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
bidang pembatas pada (2.16) direpresentasikan dalam persamaan (2.18),
( ) (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.
Formula pencarian bidang pemisah terbaik ini adalah pemasalahan quadratic

programming, sehingga nilai maksimum global dari αi selalu dapat ditemukan. Setelah
solusi pemasalahan quadratic programming ditemukan (nilai αi) maka kelas dari data
pengujian x dapat ditentukan berdasarkan nilai dari fungsi keputusan:
( ) ∑ (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.
Gambar 2.13 Bidang pemisah terbaik dengan margin (m) terbesar[28]
Berdasarkan gambar 2.13 margin merupakan jarak antara hyperplane tersebut

dengan data terdekat dari masing-masing kelas. Subset data training yang paling dekat
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.
2.8.3 Multiclass Support Vector Machine

Ada dua pilihan untuk mengimplementasikan multiclass SVM yaitu dengan
menggabungkan beberapa SVM biner atau menggabungkan semua data yang terdiri dari
beberapa kelas ke dalam sebuah bentuk permasalah optimasi. Namun, pada pendekatan
yang kedua permasalahan optimasi yang harus diselesaikan jauh lebih rumit.
Berikut ini adalah metode yang umum digunakan untuk mengimplementasikan

multiclass SVM dengan pendekatan yang pertama[28]:
1. Metode One Against All

Dengan menggunakan metode ini, dibangun k buah model SVM biner dengan nilai k
adalah jumlah kelas. Setiap model klasifikasi ke-i dilatih dengan menggunakan
keseluruhan data. Contohnya, terdapat permasalahan klasifikasi dengan 3 buah kelas.
Untuk pelatihan digunakan 3 buah kelas SVM biner seperti pada tabel 2.4 dan
penggunaannya dalam mengklasifikasi data baru dapat dilihat pada gambar 2.14.
Tabel 2.4 Contoh 3 kelas SVM Biner dengan metode One-Against-All[28]
yi=1 yi = -1 Hipotesis
Kelas 1 Bukan Kelas 1 ( ) ( )
38
Gambar 2.14 Contoh Klasifikasi dengan metode One Against All
2. Metode One Against One

( )
Dengan menggunakan metode ini, dibangun buah model klasifikasi biner
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 ( ) ( )
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
3.1 Perancangan Sistem

Tujuan dari perancangan sistem adalah menjelaskan secara detail dan bertahap
tetntang gambaran desain sistem yang dibuat untuk diimplementasikan. Pada Tugas
Akhir ini terdapat tahapan yang dilakukan sebagai berikut yaitu input citra digital,
kemudian tahap preprocessing untuk mempermudah proses komputasi citra pada proses
selanjutnya, dilanjutkan dengan tahap ekstraksi ciri menggunakan Discrete Wavelet
Transform (DWT) untuk mendapatkan ciri citra untuk proses klasifikasi. Tahap
klasifikasi ini menggunakan Support Vector Machine (SVM) untuk menentukan kualitas
tekstur biji dari citra yang dimasukkan ke perangkat lunak.
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
Gambar 3.1 Blok perancangan sistem
3.2 Perancangan Perangkat Lunak

Perangkat lunak yang dirancang pada Tugas Akhir ini menggunakan bahasa
pemrograman MATLAB (MATrix LABoratory), yang terdiri atas dua tahap yaitu tahap
latih dan tahap uji. Adapun tahap pelatihan dan pengujian dapat dilihat pada Gambar 3.2.
Tahap latih adalah proses pembentukan database berdasarkan fakta yang sudah terjadi
sebagai referensi bagi citra ujinya nanti. Sedangkan tahap uji adalah proses untuk
menguji data yang sudah ditentukan untuk menghitung akurasi model klasifikasi yang
dibentuk oleh perangkat lunak.
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.
Gambar 3.2 Diagram alir proses latih dan uji
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.
Gambar 3.3 Flowchart proses Identifikasi tekstur pada biji jagung
3.3 Akuisisi Citra

Pengambilan sampel citra biji jagung dilakukan dengan meng-capture citra biji
jagung menggunakan kamera handphone, dimana citra ini digunakan sebagai data latih
dan data uji. Langkah-langkah dalam akuisisi citra diantaranya dengan menempatkan biji
jagung di dalam sebuah wadah yang terdapat kertas putih dibawahnya sehingga
pengambilan data lebih mudah. Data yang telah didapat memiliki perlakuan ukuran yang
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
Citra Biji Jagung

Ukuran Citra Data Latih Data Uji
Kualitas 1 Kualitas 2 Kualitas 3
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.
3.4.2 Pengubahan Mode Warna ke Citra Grayscale

Hasil dari citra cropping, pada preprocessing dilakukan pemrosesan terhadap data
citra awal, dimana terdapat proses pengubahan citra RGB menjadi citra grayscale, proses
ini berfungsi untuk mereduksi citra tiga dimensi menjadi satu dimensi saja dengan nilai
intensitas yang sama, sehingga dalam proses komputasinya tidak memerlukan waktu
yang lama. Namun, apabila citra sudah dalam citra grayscale maka tidak perlu dilakukan
konversi lagi. Konversi dari citra RGB ke citra grayscale dapat dilihat pada gambar 3.5
sebagai berikut.
45
Gambar 3.5 Citra Grayscale
3.5 Ekstraksi Ciri Discrete Wavelet Transform (DWT)

Tahap ekstraksi ciri merupakan proses yang dilakukan terhadap citra masukan
yang sudah diproses pada tahap preprocessing untuk memperoleh ciri tekstur citra
sehingga dapat digunakan untuk tahap selanjutnya. Ekstraksi ciri pada Tugas Akhir ini
yaitu menggunakan metode Discrete Wavelet Transform (DWT). Tujuan proses ekstraksi
ciri adalah mengambil beberapa informasi penting dari citra biji jagung. Pada tahap
ekstraksi ciri ini terdiri dari 2 proses, yaitu:
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
3.6 Klasifikasi Support Vector Machine

Proses klasifikasi adalah proses untuk menemukan model atau fungsi yang
menjelaskan atau membedakan konsep sebuah kelas data dengan tujuan untuk
memperkirakan kelas yang tidak diketahui dari suatu objek. Secara umum dalam proses
klasifikasi memiliki dua proses yaitu:
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.
Gambar 3.8 Diagram Proses Testing SVM pada Citra Uji
Pada gambar 3.8 setelah diekstraksi, selanjutnya citra uji diklasifikasikan

menggunakan fungsi SVM classify untuk menentukan kelas data uji dengan parameter
hasil klasifikasi yang diperoleh pada tahap training SVM. Kemudian sistem akan
menampilkan hasil klasifikasi.
3.7 Analisis Performansi Sistem

Setelah melakukan tahap proses training terhadap data latih, selanjutnya untuk
tahap berikutnya adalah pengujian sistem. Pada proses pengujian bertujuan sebagai
berikut:
1. Menganalisa akurasi performansi sistem dan waktu komputasi sistem.

2. Menganalisa pengaruh parameter nilai level dekomposisi dari DWT (Discrete
Wavelet Transform).
3. Menganalisa pengaruh fungsi kernel dan multiclass yang digunakan pada proses
klasifikasi menggunakan SVM (Support Machine Vector) terahadap akurasi
performansi sistem.
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:
3.7.1 Akurasi Sistem

Performansi sistem yang diuji dengan menggunakan nilai akurasi. Dimana tingkat
akurasi adalah tingkat keakuratan sistem yang telah dibuat dalam mengenali masukan
citra yang diberikan sehingga menghasilkan keluaran yang benar. Untuk parameter
akurasi sistem, ditentukan dengan perbandingan banyaknya pengujian tepat dengan
banyaknya seluruh pengujian, yang dapat di tulis secara matematis sebagai berikut:
(3.1)
3.7.2 Waktu Komputasi

Waktu komputasi merupakan waktu yang di butuhkan oleh sistem untuk
melakukan suatu proses. Pada sistem ini, waktu komputasi di hitung dengan
menggunakan waktu akhir dikurangi waktu mulai sehingga akan di peroleh waktu
komputasi sistem. Adapun secara matematis dapat dituliskan sebagai berikut:
(3.2)
3.7.3 Interface Sistem

Interface sistem dirancang menggunakan Graphical User Interface (GUI) pada
Matlab R2018b.
Gambar 3.9 Perancangan Sistem GUI
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.
4.1 Spesifikasi Sistem

Pada perancangan sistem pendeteksian kualitas biji jagung ini, dibutuhkan
perangkat keras (hardware) dan perangkat lunak (software) dengan spesifikasi sebagai
berikut ini:
4.1.1 Perangkat Keras

Untuk spesifikasi perangkat keras yang digunakan dalam Tugas Akhir adalah
sebagai berikut ini:
1. Model Sistem : HP Laptop 14-dk0xxx

2. Processor : AMD Ryzen 3 3200U with Radeon Vega Mobile Gfx
2.60 GHz
3. Installed memory (RAM) : 4.00 GB
4. System type : 64-bit Operating System, x64-based processor
5. Kamera handphone Iphone dengan resolusi 8 megapixel dengan diafragma lensa
lebar f/2,2.
4.1.2 Perangkat Lunak

Untuk spesifikasi perangkat lunak yang digunakan dalam Tugas Akhir adalah
sebagi berikut ini:
1. Sistem operasi : Windows 10

2. Programming Tool : MATLAB (MATrix LABoratory)
3. Microsoft Office Word 2010
4. Microsoft Office Excel 2010 untuk mengelola data dari hasil pengujian sistem
51
4.2 Pengujian Sistem
Pengujian sistem dilakukan untuk mendapatkan performansi sistem yang telah di
rancang. Adapun tujuan dari pengujian ini adalah sebagai berikut:
1. Mengetahui performansi berdasarkan tingkat akurasi dan waktu komputasi terhadap

pengujian citra biji jagung.
2. Mengetahui parameter yang menunjang sistem agar dapat bekerja secara maksimal.
3. Menganalisis hasil kerja output sistem sehingga dapat mengetahui kekurangan dan
kelebihan dari sistem tersebut.
4.3 Tahap Pengujian Sistem

Citra masukan berupa citra biji jagung yang difoto menggunakan kamera
handphone dengan format JPG yang kemudian di pindahkan pada laptop. Pengujian
untuk mendeteksi kualitas biji jagung ini meliputi beberapa tahap yaitu sebagai berikut:
1. Tahap Akuisisi Citra

Citra biji jagung berjumlah 120 buah terdiri 3 kelas, dengan rincian 30 citra untuk
setiap kelas pada data latih dan 10 citra untuk setiap kelas pada data uji. Dimana citra
yang dijadikan data latih disimpan dalam database berdasarkan kelas, yaitu kelas
kualitas tinggi, sedang dan rendah. Citra uji yang telah diakuisisi masuk ke tahap
preprocessing.
2. Tahap Pre-processing
Pada tahap preprocessing sebelum dilakukan ekstraksi ciri yaitu citra diubah menjadi
citra grayscale. Citra akan di cropping dalam ukuran 2000x2000 pixel kemudian
disegmentasi dan dikonversi ke dalam bentuk grayscale. Dapat dilihat gambar 4.1
yang merupakan citra hasil preprocessing.
Gambar 4.1 Citra Hasil Preprocessing
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.
4.4 Hasil Analisis Sistem

Pengujian sistem dilakukan berdasarkan beberapa parameter yang diperoleh
selama proses pemrograman sistem yang memiliki beragam hasil yang berbeda-beda.
Sehingga masing-masing pengujian direpresentasikan dalam bentuk tabel dan kesimpulan
dalam bentuk grafik. Skenario pengujian pada sistem ini adalah sebagai berikut
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:
1. Pengujian Ekstrasi Ciri DWT dengan parameter level 1 dekomposisi, subband LL

(Low Low), jenis kernel Linear dan multiclass OAA (One Against All)
Tabel 4.1 Hasil pengujian Ektrasi Ciri DWT skenario 1
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.
2. Pengujian Ekstrasi Ciri DWT dengan parameter level 1 dekomposisi, subband LL

(Low Low), jenis kernel Linear dan multiclass OAO (One Against One)
Tabel 4.2 Hasil pengujian Ektrasi Ciri DWT skenario 2
Waktu
Kombinasi Parameter Akurasi
Komputasi
Mean 80.00% 0.6656s
Variance 50.00% 0.6333s
Kurtosis 46.67% 0.6310s
Entropy 33.33% 0.9838s
2 Ciri
Variance, Skewness 66.67% 1.0183s
Variance, Kurtosis 60.00% 0.9927s
55
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
3 Ciri
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.
4.4.2 Pengujian Pengaruh Level Dekomposisi pada DWT

Untuk mengetahui level dekomposisi yang paling tepat untuk digunakan pada
proses ekstraksi ciri, dilakukan pengujian terhadap berbagai tingkatan level dekomposisi
wavelet. Dimana level dekomposisi yang digunakan adalah level 1, level 2, level 3, dan
level 4. Pada pengujian kedua ini, ciri yang digunakan 5 kombinasi ciri yaitu Mean,
Variance, Skewness, Kurtosis dan Entropy. Sedangkan untuk parameter SVM adalah
jenis kernel Linear, dengan multiclass OAO (One Against One).
Tabel 4.3 Hasil Pengujian Level Dekomposisi pada DWT
Subband Level Dekomposisi Akurasi Waktu Komputasi
Level 1 90.00% 0.6784s

Level 2 93.33% 0.6512s
LL
Level 3 23.33% 0.6198s
Level 4 16.67% 0.6299s
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
Gambar 4.2 Hasil Pengujian Parameter Level Dekomposisi pada DWT
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.
4.4.3 Pengujian Pengaruh Jenis Kernel dan Multiclass pada SVM

Berikut ini merupakan pengujian untuk mengetahui hasil akurasi dari parameter
SVM jenis kernel Linear, Polynomial dan Gaussian Radial Basis Function (RBF) dengan
multiclass yaitu One Against One (OAO).
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.
Tabel 4.4 Hasil Pengujian Parameter Kernel dan Multiclass SVM
No. Jenis Kernel Multiclass Akurasi Waktu Komputasi

OAA 70.00% 0.6367s
1. Linear
OAO 93.33% 0.6384s
OAA 60.00% 0.6508s
2. Polynomial
OAO 66.67% 0.6343s
OAA 33.33% 0.6367s
3. RBF
OAO 36.67% 0.6652s
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:
1. Sistem ini sudah mampu mengklasifikasikan jenis kualitas jagung menggunakan

metode Discrete Wavelet Transform dan klasifikasi Support Vector Machine.
2. Pengujian pada 5 kombinasi ekstrasi ciri DWT dengan parameter level 1
dekomposisi, subband LL (Low Low), jenis kernel Linear dan multiclass OAO
(One Against One) memiliki nilai akurasi terbesar yaitu 90% dengan waktu
komputasi 1.0028s. Sedangkan dengan multiclass OAA akurasi yang didapat
sebesar 70%.
3. Pengujian pengaruh level dekomposisi DWT mendapat akurasi terbesar 93.33%
pada subband LL (Low Low) pada level 2.
4. Parameter jenis kernel linear One Against One mendapatkan akurasi terbaik
sebesar 93.33% dengan waktu komputasi 0,6384s.
5. Parameter ciri orde satu terbaik pada saat nilai Mean, Variance, Skewness,
Kurtosis dan Entropy. Karena semakin banyak parameter orde satu yang
digunakan maka semakin banyak ciri citra yang diperoleh.
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
[1] R. H. Paeru and T. Q. Dewi, Panduan Praktis Budidaya Jagung. 2017.
[2] M. A. Bustomi and A. Z. Dzulfikar, “Analisis Distribusi Intensitas RGB Citra

Digital untuk Klasifikasi Kualitas Biji Jagung menggunakan Jaringan Syaraf
Tiruan,” Jurnal Fisika dan Aplikasinya, vol. 10, no. 3. p. 127, 2014, doi:
10.12962/j24604682.v10i3.791.
[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.
[4] M. Lutfi, “Implementasi Metode K-Nearest Neighbor dan Bagging Untuk

Klasifikasi Mutu Produksi Jagung,” Agromix, vol. 10, no. 2, pp. 130–137, 2019,
doi: 10.35891/agx.v10i2.1636.
[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.
[6] S. N. Indonesia, “SNI 01-4483-1998 Jagung Bahan Baku Pakan BADAN

STANDARDISASI NASIONAL - BSN,” p. 1 dan 2, 1998.
[7] S. Fitri Ikayanti, “Mengenal Jagung di Indonesia,” 30 November, 2018. [Online].

Available: https://pertanian.pontianakkota.go.id/artikel/47-mengenal-jagung-di-
indonesia.html. [Accessed: 04-Feb-2020].
[8] N. R. Iriany, M. H. G. Yasin, and a. M. Takdir, “Asal, Sejarah, Evolusi, dan

Taksonomi Tanaman Jagung,” Jagung Tek. Produksi dan Pengemb., pp. 1–15,
2009.
[9] N. A. Subekti, Syafruddin, R. Efendi, and S. Sunarti, “Morfologi Tanaman dan
61
Fase Pertumbuhan Jagung,” Balai Penelit. Tanam. Serealia, Maros, pp. 16–28,
2008.
[10] F. Muhadjir, “Budidaya Tanaman Jagung,” Badan Penelit. dan Pengemb.

Pertanian. Bogor. 423 hal, p. 21, 2009.
[11] B. P. Tanaman Serealia, “Gen Pengendali Vitamin E Pada Jagung Ditemukan,” 13

Mei, 2019. [Online]. Available: http://balitsereal.litbang.pertanian.go.id/gen-
pengendali-vitamin-e-pada-jagung/.
[12] P. E. Kerja, SNI 01-3920-1995. 1995, p. 1.
[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.
[14] R. Munir, Pengolahan citra digital dengan pendekatan algoritmik. Bandung:

Informatika, 2004.
[15] P. Nurtantio Andono, T. Sutojo, and Muljono, Pengolahan Citra Digital.

Yogyakarta: Penerbit ANDI, 2017.
[16] A. S. R. Sinaga, “Implementasi Teknik Thresholding pada Segmentasi Citra

Digital,” Mantik Penusa, vol. 1, no. 2, p. 49, 2017.
[17] D. Agung Prabowo, D. Abdullah, and A. Manik, “DETEKSI DAN

PERHITUNGAN OBJEK BERDASARKAN WARNA MENGGUNAKAN
COLOR OBJECT TRACKING,” Gener. J., vol. 2, no. 1, pp. 40–47, 2018.
[18] M. Budianto, “DESIGN AND DEVELOP APPLICATION FOR COLOR

TRANSFERING FROM COLOR IMAGE TO GRAYSCALE IMAGE USING
GLOBAL IMAGE MATCHING METHOD,” State Islamic University of Sultan
Syarif Kasim Riau, 2010.
[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.
[21] W. K. Adi, “Deteksi Dini Kerusakan Minyak Transformator Daya Distribusi

Berbasis Analisis Fitur Spektrum Arus Menggunakan Transformasi Wavelet &
Probabilistic Neural Networks,” INSTITUT TEKNOLOGI SEPULUH
NOPEMBER, 2017.
[22] D. Gupta and S. Choubey, “Discrete Wavelet Transform for Image Processing,”
IEEE Trans comm., vol. 4, no. 3, pp. 3165–3168, 2015.
[23] T. Basaruddin and D. Maulidiya, “On the Performance of SVD-DWT Based

Digital Video Watermarking Technique with Semi-Blind Detector,” MAKARA
Technol. Ser., vol. 13, no. 1, pp. 7–14, 2009, doi: 10.7454/mst.v13i1.489.
[24] D. Putra, Pengolahan Citra Digital. Yogyakarta, 2010.
[25] A. R. Hakim, “ANALISA PERBANDINGAN WATERMARKING IMAGE

MENGGUNAKAN DISCRETE WAVELET TRANSFORM,” Universitas
Indonesia, 2012.
[26] O. D. Nurhayati, “SISTEM ANALISIS TEKSTUR SECARA STATISTIK ORDE

PERTAMA UNTUK MENGENALI JENIS TELUR AYAM BIASA DAN
TELUR AYAM OMEGA-3,” J. Sist. Komput., vol. 5, no. Lab.Multimedia, Prodi
Sistem Komputer, Fakultas Teknik Universitas Diponegoro, Jl. Prof.H.Soedarto,
Tembalang Semarang, Email, pp. 5–8, 2015.
[27] D. Kristomo, R. Hidayat, and I. Soesanti, “Feature extraction and classification of

the Indonesian syllables using Discrete Wavelet Transform and statistical
features,” Proc. - 2016 2nd Int. Conf. Sci. Technol. ICST 2016, pp. 88–92, 2017,
doi: 10.1109/ICSTC.2016.7877353.
[28] K. Sembiring, “Penerapan Teknik Support Vector Machine untuk Pendeteksian
63
Intrusi pada Jaringan,” Institut Teknologi Bandung, 2007.
[29] A. S. Nugroho, A. B. Witarto, and D. Handoko, “Support Vector Machine (Teori

dan Aplikasinya dalam Bioinformatika),” Kuliah Umum IlmuKomputer.Com,
2003. [Online]. Available: http://www.asnugroho.net/papers/ikcsvm.pdf.
[30] A. S. Nugroho, D. Handoko, and A. B. Witarto, “Analisa Informasi Dimensi

Tinggi Pada Bioinformatika Memakai Support Vector Machine,” Proc Natl.
Confererence Inf. Commun. Technol. Indones., pp. 427–435, 2005.
64
LAMPIRAN A
Citra Latih Biji Jagung
a) Kualitas 1
1.jpg 2.jpg 3.jpg 4.jpg 5.jpg
65
b) Kualitas 2
66
c) Kualitas 3
67
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
Kurtosis 40.00% 0.6373s
Entropy 33.33% 0.7251s
2 Ciri
 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)
 One Against All
(OAA) Mean, Skewness, Kurtosis 80.00% 0.6565s
3 Ciri
5 Ciri 33.33% 0.6110s
Entropy
71
Waktu
Komputasi
Mean 70.00% 0.6436s
Variance 40.00% 0.6416s
Kurtosis 40.00% 0.6219s
Entropy 33.33% 0.8888s
2 Ciri
 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)
 One Against One
(OAO) Mean, Skewness, Kurtosis 70.00% 0.6259s
3 Ciri
5 Ciri 33.33% 0.6258s
Entropy
72
Waktu
Komputasi
Mean 43.33% 1.0063s
Variance 33.33% 0.9607s
Kurtosis 43.33% 1.000s
Entropy 33.33% 0.6104s
Mean, Entropy 33.33% 0.5992
2 Ciri
 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)
3 Ciri
5 Ciri 33.33% 0.6177s
Entropy
73
Waktu
Komputasi
Mean 10.00% 0.9701s
Variance 33.33% 0.9462s
Kurtosis 46.67% 0.9640s
Entropy 33.33% 0.5905s
2 Ciri
 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)
3 Ciri
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
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
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
function varargout = TugasAkhir(varargin)

% TUGASAKHIR MATLAB code for TugasAkhir.fig
% TUGASAKHIR, by itself, creates a new TUGASAKHIR or raises the
existing
% singleton*.
%
% H = TUGASAKHIR returns the handle to a new TUGASAKHIR or the
handle to
% the existing singleton*.
%
% TUGASAKHIR('CALLBACK',hObject,eventData,handles,...) calls the
local
% function named CALLBACK in TUGASAKHIR.M with the given input
arguments.
%
% TUGASAKHIR('Property','Value',...) creates a new TUGASAKHIR or
raises the
% existing singleton*. Starting from the left, property value
pairs are
% applied to the GUI before TugasAkhir_OpeningFcn gets called. An
% unrecognized property name or invalid value makes property
application
% stop. All inputs are passed to TugasAkhir_OpeningFcn via
varargin.
%
% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only
one
% instance to run (singleton)".
%
% See also: GUIDE, GUIDATA, GUIHANDLES
% Edit the above text to modify the response to help TugasAkhir
% Last Modified by GUIDE v2.5 19-May-2020 22:38:30
% Begin initialization code - DO NOT EDIT

gui_Singleton = 1;
gui_State = struct('gui_Name', mfilename, ...
'gui_Singleton', gui_Singleton, ...
'gui_OpeningFcn', @TugasAkhir_OpeningFcn, ...
'gui_OutputFcn', @TugasAkhir_OutputFcn, ...
'gui_LayoutFcn', [] , ...
'gui_Callback', []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
76
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
% --- Executes just before TugasAkhir is made visible.

function TugasAkhir_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to TugasAkhir (see VARARGIN)
% Choose default command line output for TugasAkhir

handles.output = hObject;
% Update handles structure

guidata(hObject, handles);
axes(handles.axes3);
image(imread('jagung','jpg'));
grid off;
axis off;
image(imread('logotel_u','jpg'));
grid off;
axis off;
image(imread('foto','jpg'));
grid off;
axis off;
% UIWAIT makes TugasAkhir wait for user response (see UIRESUME)

% uiwait(handles.figure1);
% --- 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
% Get default command line output from handles structure

varargout{1} = handles.output;
% --- Executes on button press in pushbutton1.

%Tombol Untuk memangambil Citra Gambar
function pushbutton1_Callback(hObject, eventdata, handles)
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);
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);
% hObject handle to pushbutton1 (see GCBO)

function edit1_Callback(hObject, eventdata, handles)

% hObject handle to edit1 (see GCBO)
% Hints: get(hObject,'String') returns contents of edit1 as text

% str2double(get(hObject,'String')) returns contents of edit1 as
a double
% --- Executes during object creation, after setting all properties.

function edit1_CreateFcn(hObject, eventdata, handles)
% handles empty - handles not created until after all CreateFcns
called
% Hint: edit controls usually have a white background on Windows.

% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
78

a double

called

end


a double

called

end
79
global citra citra_preprocessing citra_gray %ambilgambar dari
pussbutton1
if size(citra) <= 816

msgbox('Ukuran untuk croping tidak sesuai','Peringatan','warn');
return
else
citra_preprocessing = imcrop(citra,[0 0 2000 2000]); %citra di crop
dahulu
citra_gray = rgb2gray(citra_preprocessing);
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
imshow(citra_gray);
end



a double

called

end
80

a double

called

end
% --- Executes on selection change in popupmenu1.

function popupmenu1_Callback(hObject, eventdata, handles)
% hObject handle to popupmenu1 (see GCBO)
% Hints: contents = cellstr(get(hObject,'String')) returns popupmenu1

contents as cell array
% contents{get(hObject,'Value')} returns selected item from
popupmenu1

function popupmenu1_CreateFcn(hObject, eventdata, handles)
called
% Hint: popupmenu controls usually have a white background on Windows.

end
81

popupmenu2

called

end

global citra_gray
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
pil_komponen = get(handles.popupmenu1,'Value'); %Pemilihan Subband

switch pil_komponen
case 1
ciri_dwt = cA;
case 2
ciri_dwt = cH;
case 3
ciri_dwt = cV;
case 4
ciri_dwt = cD;
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);



a double

called

end

83
a double

called

end


a double

called

end

84
a double

called

end
% --- Executes when uipanel1 is resized.

function uipanel1_SizeChangedFcn(hObject, eventdata, handles)
% hObject handle to uipanel1 (see GCBO)

global kelas_uji ciri_latih citra_gray citra
%GLOBAL MEMPENGARUHI SEMUANYAA DARI AWAL BUTTON
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
% str2double(get(hObject,'String')) returns contents of edit10
as a double

called

end

function axes3_CreateFcn(hObject, eventdata, handles)
% hObject handle to axes3 (see GCBO)

called
% Hint: place code in OpeningFcn to populate axes3


popupmenu4

called

86
end
87

Buku Tugas Akhir - Jihad Ardiansyah (1101188432)

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

Buku Tugas Akhir - Jihad Ardiansyah (1101188432)

Diunggah oleh

Hak Cipta:

Format Tersedia

SISTEM KLASIFIKASI KUALITAS BIJI JAGUNG

BERDASARKAN TEKSTUR DENGAN METODE DISCRET

FAKULTAS TEKNIK ELEKTRO

LEMBAR PENGESAHAN TUGAS AKHIR

SISTEM KLASIFIKASI KUALITAS BIJI JAGUNG BERDASARKAN

Telah disetujui dan disahkan sebagai Buku Tugas Akhir

Program Studi Teknik Telekomunikasi

Fakultas Teknik Elektro

Bandung, 25 Juni 2020

Rita Purnamasari, S.T.,MT. Dr. Ir. Bambang Hidayat, DEA

LEMBAR PERNYATAAN ORISINALITAS

Nama : Jihad Ardiansyah

SISTEM KLASIFIKASI KUALITAS BIJI JAGUNG

Bandung, 4 Mei 2020

Kata Kunci : tekstur biji jagung, ekstrasi ciri, DWT, SVM

Keywords: corn kernel texture, feature extraction, DWT, SVM

Assalamu’alaikum Wr. Wb.

Bandung, 4 Mei 2020

LEMBAR PENGESAHAN TUGAS AKHIR ................................................................. ii

LEMBAR PERNYATAAN ORISINALITAS ............................................................... iii

KATA PENGANTAR ...................................................................................................... vi

UCAPAN TERIMAKASIH ........................................................................................... vii

DAFTAR ISI................................................................................................................... viii

DAFTAR GAMBAR ........................................................................................................ xi

DAFTAR TABEL .......................................................................................................... xiii

BAB I PENDAHULUAN ................................................................................................ 14

1.1 Latar Belakang Masalah .................................................................................... 14

1.2 Penelitian Terkait ............................................................................................... 15

1.3 Rumusan Masalah .............................................................................................. 15

1.4 Tujuan dan Manfaat ........................................................................................... 16

1.5 Batasan Masalah ................................................................................................ 16

1.6 Metode Penelitian .............................................................................................. 17

1.7 Sistematika Penulisan ........................................................................................ 18

BAB II KONSEP DASAR .............................................................................................. 19

2.1 Jagung ................................................................................................................ 19

2.1.1 Jenis-Jenis Jagung ..................................................................................... 19

2.1.2 Pengujian Kualitas Biji Jagung ................................................................. 20

2.3 Pengolahan Citra Digital .................................................................................... 22

2.3.1 Model Citra ............................................................................................... 23

2.4 Tipe Citra ........................................................................................................... 26

2.4.1 Citra Biner ................................................................................................. 26

2.4.2 Citra Warna ............................................................................................... 27

2.4.3 Citra Grayscale.......................................................................................... 28

2.5 Transformasi Wavelet ........................................................................................ 29

2.6 Discrete Wavelet Transform .............................................................................. 30

2.7 Ekstraksi Ciri ..................................................................................................... 33

2.8 Support Vector Machine .................................................................................... 34

2.8.1 Karakteristik Support Vector Machine ..................................................... 35

2.8.2 Konsep Support Vector Machine .............................................................. 35

2.8.3 Multiclass Support Vector Machine ......................................................... 38

BAB III MODEL SISTEM DAN PERANCANGAN .................................................. 41

3.1 Perancangan Sistem ........................................................................................... 41

3.2 Perancangan Perangkat Lunak ........................................................................... 41

3.3 Akuisisi Citra ..................................................................................................... 43

3.4 Prepocessing ...................................................................................................... 44

3.4.1 Cropping ................................................................................................... 45

3.4.2 Pengubahan Mode Warna ke Citra Grayscale .......................................... 45

3.5 Ekstraksi Ciri Discrete Wavelet Transform (DWT) .......................................... 46

3.6 Klasifikasi Support Vector Machine .................................................................. 47

3.7 Analisis Performansi Sistem .............................................................................. 49

3.7.1 Akurasi Sistem .......................................................................................... 50

3.7.2 Waktu Komputasi ..................................................................................... 50

3.7.3 Interface Sistem ........................................................................................ 50

4.1 Spesifikasi Sistem .............................................................................................. 51