SISTEM KLASIFIKASI KUALITAS BIJI JAGUNG BERDASARKAN TEKSTUR BERBASIS PENGOLAHAN CITRA DIGITAL
Cl ass assi f i cation Syste System m of Corn Kern el Qual i ty base based on T extu r e Using Di gital I mage Proces Processi ng
TUGAS AKHIR
Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarj ana Teknik pada Fakultas Elektro dan Komunikasi Komunikasi Institut Teknologi Telkom
Oleh: DEBBY PERMATASARI 111081075
PROGRAM STUDI S1 TEKNIK TELEKOMUNIKASI FAKULTAS ELEKTRO DAN KOMUNIKASI INSTITUT TEKNOLOGI TELKOM BANDUNG 2012 i
INSTITUT TEKNOLOGI TELKOM
o. Dokumen
Jl.Telekomunikasi No.1 Ters. BuahBatu No. Revisi Bandung 40257 FORMULIR LEMBAR PENGESAHAN BerlakuEfektif
ITT-AK-FEK-PTT-FM004/001 00 02 Mei 2011
LEMBAR PENGESAHAN TUGAS AKHIR SISTEM KLASIFIKASI KUALITAS BIJI JAGUNG BERDASARKAN TEKSTUR BERBASIS PENGOLAHAN CITRA DIGITAL
CLASS CLASSI F I CATION SYS SYSTEM TEM OF CORN CORN KERNEL QUALI TY BASED BASED ON TEXTU RE USI USI NG DI GITAL I M AGE PRO PROCES CESS SI NG
Disusun oleh : DEBBY PERMATASARI 111081075
Telah disetujui dan disahkan sebagai Tugas Akhir Program S1 Teknik Telekomunikasi Fakultas Elektro dan Komunikasi Institut Teknologi Telkom
Bandung, Juni 2012 Disahkan oleh :
Pembimbing I,
BAMBANG HIDAYAT, Dr., Ir. NIK :07510368-3
Pembimbing II,
RATRI DWI ATMAJA, ST., MT. NIK: 10870625-2
ii
INSTITUT TEKNOLOGI TELKOM
o. Dokumen
Jl.Telekomunikasi No.1 Ters. BuahBatu No. Revisi Bandung 40257 FORMULIR PERNYATAAN PERNYATAAN ORISINALITAS ORISINALITAS BerlakuEfektif
ITT-AK-FEK-PTTFM-001/004 00 02 Mei 2011
LEMBAR PERNYATAAN ORISINALITAS
NAMA
: Debby Permatasari
NIM
: 111081075
ALAMAT
: Jl. Palem Raja V/25 Taman Yasmin Sektor 5, BogorJawa Barat
No Tlp/HP
: 085721758288
E-mail
:
[email protected] debbypermatasari
[email protected]
Menyatakan bahwa Tugas Akhir ini merupakan karya orisinal saya s endiri, dengan judul : SISTEM KLASIFIKASI KUALITAS BIJI JAGUNG BERDASARKAN TEKSTUR BERBASIS PENGOLAHAN CITRA DIGITAL
Classif Classif i cation Sys System tem of Corn Kern el Qual ity base based on T extu r e Usin g Digi tal I mage Proces Processin g
Atas pernyataan ini, i ni, 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 ketidak aslian karya ini.
Bandung,
Juni 2012
Debby Permatasari 111081075
iii
ABSTRAK Dalam pertanian jagung, sering ditemukan biji yang rusak, biji yang kusam, biji yang kotor, dan biji yang patah akibat proses pengeringan dan pemipilan. Biji jagung yang berukuran lebih kecil dari semestinya juga dapat memperburuk kualitas. Penentuan kualitas biji jagung biasa dilakukan secara manual dengan pengamatan visual. Sistem manual membutuhkan waktu yang lama dan menghasilkan produk dengan mutu yang tidak konsisten karena keterbatasan visual, kelelahan, dan perbedaan persepsi masing-masing pengamat. Pada tugas akhir ini dirancang sebuah sistem klasifikasi untuk mengetahui kualitas biji jagung dengan menggunakan analisis tekstur berbasis pengolahan citra digital, untuk mendapatkan hasil yang tepat dan objektif. Data citra yang diambil yaitu sampel biji-biji jagung menggunakan kamera digital 12 MP. Algoritma yang digunakan untuk ekstraksi ciri adalah statistik orde pertama dan orde kedua, serta klasifikasi kualitas biji jagung menggunakan K-Nearest Neighbour (K-NN). (K-NN). Berdasarkan simulasi secara keseluruhan, maka dapat disimpulkan bahwa sistem dapat mengklasifikasikan biji jagung berdasarkan tiga tingkat kualitas, yaitu kualitas satu, kualitas dua, dan kualitas tiga. Hasil akurasi tertinggi diperoleh pada saat k =3 =3 dan menggunakan Cityblock Distance yaitu sebesar 91,85%.
Kata Kunci : biji jagung, klasifikasi, kualitas, analisis tekstur, statistik, K-NN
iv
ABSTRACT In corn farming can be found damage kernel, dull kernel, dirty kernel, and broken kernel very often due to the drying and defoliation process. Corn kernel which smaller than normal also be able to worsen the quality. Corn kernel quality determination usually done manually by visual observation. Manual system takes a long time and produces quality products that are not consistent because of visual limitations, fatigue, and differences in the perception of each observer. At this final project is designed a classification system to determine the quality of corn kernel based on texture analysis using digital image processing, to get the right and objective results. Captured image data is sample of corn kernel using 12 MP digital camera. The algorithm used for feature extraction is first order and second order of statistic method and classification quality of the corn kernel using a K-Nearest Neighbor (K-NN). Based on a simulation, it can be concluded that the system can be classified according to three levels of corn kernel quality, there are first quality, second quality, and third quality. The highest accuracy results obtained when k = 3 and using Cityblock Distance that is equal to 91.85%. Key word: corn kernel, classification, quality, texture analysis, statistic, K-NN
v
KATA PENGANTAR
Assalamu’alaikum Warahmatullahi Wabarakatuh Segala puji dan syukur penulis ucapkan kepada Allah SWT yang telah memberikan segala nikmat dan karunia-Nya, serta dengan bimbingan-Nya pulalah penulis dapat menyelesaikan tugas akhir ini. Shalawat beserta salam semoga selalu tercurah kepada junjungan ummat manusia, teladan yang paling sempurna, penutup para nabi Rasulullah Rasul ullah Muhammad SAW, serta keluarga, para sahabat dan pengikutnya hingga yaumul yaumul akhir. Alhamdulillahirobbil’alamiin, penulis panjatkan karena hanya dengan rahmat dan ridha-Nya penulis dapat menyelesaikan tugas akhir ini yang berjudul “Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital ”. Tugas akhir ini penulis buat sebagai syarat untuk
memperoleh gelar Sarjana Teknik pada Program Studi Teknik Telekomunikasi Institut Teknologi Telkom. Dalam penulisan tugas akhir ini penulis menyadari masih banyak kekurangan karena keterbatasan ilmu yang dimiliki. Untuk itu penulis sangat membuka diri dalam menerima segala kritik dan saran yang bersifat membangun dari semua pihak untuk kesempurnaan tulisan ini sehingga lebih baik di kemudian hari. Sebagai penutup, penulis memohon maaf atas segala kesalahan yang penulis lakukan selama menyelesaikan tugas akhir ini. Semoga tugas akhir ini dapat bermanfaat bagi penulis sendiri dan pembaca. Wassalamu’alikum Warahmatullahi Wabarakatuh. Bandung, Juni 2012
Debby Permatasari
vi
LEMBAR UCAPAN TERIMA KASIH
Dalam kesempatan ini penulis ingin mengucapkan terima kasih kepada semua pihak yang telah memberikan bantuan, dukungan serta doa yang diberikan, karena tanpa mereka Tugas Akhir ini belum tentu dapat diselesaikan dengan baik. Dengan segala kerendahan hati, penulis ucapkan terima kasih kepada : 1. Allah SWT, atas karunia, berkah dan rahmat-Nya, serta atas petunjuk, kesempatan, kesehatan dan kemudahan yang diberikan, sehingga penulis dapat menyelesaikan Tugas Akhir ini. 2. Ibu, Bapa. Terima kasih untuk dukungan, doa , biaya dan kesabaran dalam mendidik dan membesarkan anaknya. Terima kasih telah menjadi orang tua yang sangat sayang dan penuh perhatian. 3. Bapak Bambang Hidayat, Dr.,Ir. dan Bapak Ratri Dwi Atmaja, ST.,MT. Selaku pembimbing I dan pembimbing II, terima kasih untuk bimbingan, dukungan dan motivasinya. Maaf banyak sesuatu yang sering tertinggal. 4. Bapak Tengku A. Riza selaku dosen wali yang sangat baik. 5. Kakak dan Kakak Ipar. Terima kasih untuk perhatian yang diberikan untuk adiknya. 6. Om Tato dan Bapak Saeful yang sudah membantu mendapatkan sampel untuk Tugas Akhir ini. 7. Bapak Parjo dari Balai Pertanian yang sudah menjelaskan segala pengetahuan tentang jagung. 8. Bapak Hari yang sudah mengajarkan tentang program matlab. 9. I Nyoman Sulistiana yang sudah memberi ide untuk Tugas Akhir ini. 10. Larasati Cahya Wening yang sudah sharing sudah sharing tentang masalah Tugas Akhir. 11. Rifqi Aji W selaku teman praktikum abadi yang walaupun sekarang sudah lulus tapi masih menyemangati penulis dalam menghadapi Tugas Akhir. 12. Harki Tunas Utomo yang sudah memberikan suntikan semangat yang luar biasa dan setia mendampingi di masa-masa sulit. 13. Ratih Suminar yang menjadi teman seperjuangan Tugas Akhir ini. Semoga kita sukses. Amin. 14. Teman-teman TT 32-03. Terima kasih sudah menjadi teman yang begitu berharga selama ini. Selamat berjuang teman-teman. 15. Dosen-dosen IT Telkom yang tidak bisa disebutkan satu-persatu. Terima kasih untuk bimbingan moral dan ilmu pengetahuan yang telah diberikan. Semoga saya dapat mengaplikasikan ilmu tersebut di kemudian hari. 16. Kepada pihak yang tidak bisa disebutkan satu-persatu. Terima kasih untuk semuanya.
vii
DAFTAR ISI
HALAMAN JUDUL ............................................. ................................................................... ........................................... ..................... i LEMBAR PENGESAHAN ............................................. .................................................................... ................................ ......... ii HALAMAN PERNYATAAN ORISINALITAS ........................................... iii ABSTRAK .......................................... ................................................................ ............................................ ........................................ .................. iv
.................................................................. ............................................ .................................... .............. v ABSTRACT ............................................ .................................................................. ........................................... .................... vi KATA PENGANTAR ........................................... LEMBAR UCAPAN TERIMA KASIH ........................................... ......................................................... .............. vii
................................................................. ............................................ .................................... .............. viii DAFTAR ISI ........................................... ................................................................... ........................................... ..................... xi DAFTAR GAMBAR ............................................. DAFTAR TABEL ......................................... ............................................................... ............................................ ............................. ....... xii
................................................................. ........................................ ................. xiii DAFTAR SINGKATAN .......................................... ................................................................ ............................................ ........................ .. xiv DAFTAR ISTILAH ..........................................
BAB I PENDAHULUAN
1.1
Latar Belakang .......................................... ................................................................. .................................... ............. 1
1.2
Tujuan ........................................................................................... 2
1.3
Manfaat ......................................................................................... 2
1.4
Rumusan Masalah ............................................................... ......................................................................... .......... 2
1.5
Batasan Masalah ....................................................... ............................................................................ ..................... 3
1.6
Metodologi Penelitian .......................................... ................................................................. ......................... .. 3
1.7
Sistematika Penulisan ................................................................... 3
BAB II DASAR TEORI
2.1
Jagung ........................................................................................... 5 2.1.1
Jenis-Jenis Jagung J agung ............................................ .............................................................. .................. 5
2.1.2
Biji jagung .......................................... ................................................................. ................................ ......... 6
2.2
Citra Digital .............................................................. ................................................................................... ..................... 8
2.3
Pengolahan Citra Digital .......................................... ............................................................... ..................... 9
2.4
Model Citra ................................................................................... 10 2.4.1
RGB ............................................... ...................................................................... .................................... ............. 10
viii
2.4.2
Citra Grayscale .......................................... ................................................................. ......................... .. 10
2.5
Analisis Tekstur ............................................................................ 11
2.6
Ekstraksi Ciri Statistik ............................................. .................................................................. ..................... 13 2.6.1 Ekstraksi Ciri Orde Pertama .................................... ................................................. ............. 14 2.6.2 Ekstraksi Ciri Orde Kedua ....................................... .................................................... ............. 15
2.7 K-Nearest Neighbor ...................................................................... ...................................................................... 20 2.8
Matlab ( Matrix Matrix Laboratory) Laboratory)......................................... ........................................................... .................. 22
BAB III MODEL DAN PERANCANGAN SISTEM
3.1
Perangkat Perancangan Sistem ............................................ ..................................................... ......... 23
3.2
Model Sistem Klasifikasi Kualitas Biji Jagung ............................. ............................. 23
3.3
Diagram Alir Alir Klasifikasi Kualitas Kualitas Biji Jagung ............................. ............................. 24 3.3.1 Pengambilan Sampel Sampel Citra Biji Jagung ................................ ................................ 25 3.3.2 Preprocessing 3.3.2 Preprocessing ........................................... .................................................................. ............................. ...... 26 3.3.3 Pengubahan Mode Warna Citra .............................. ............................................ .............. 27 3.3.4 Ekstraksi Ciri............................................ ................................................................... ............................. ...... 27 3.3.5 Penentuan Kombinasi Ciri ................................... .................................................... ................. 28 3.3.6 Klasifikasi dengan K-Nearest dengan K-Nearest Neighbor ..................... Neighbor ............................... .......... 29
3.4
Analisis Performansi Sistem ......................................................... 30
BAB IV ANALISIS DAN PENGUJIAN SISTEM
4.1
Analisis Ekstraksi Ciri dengan dengan Statistik Orde Pertama dan Orde Kedua .............................................. .................................................................... ............................................ ......................... ... 31 4.1.1
Ekstraksi Ciri Citra Red Citra Red .................................................... 32
4.1.2
Ekstraksi Ciri Citra Green..................... Green............................................ ............................. ...... 33
4.1.3
Ekstraksi Ciri Citra Blue Citra Blue ..... ........................... ............................................. ......................... .. 34
4.1.4
Ekstraksi Ciri Citra Grayscale .......................................... ............................................ .. 35
4.1.5
Kombinasi Ciri ........................... ................................................. ........................................ .................. 35 4.1.5.1 Kombinasi Ciri Citra Red Citra Red ....................................... ....................................... 36 4.1.5.2 Analisis Akurasi Citra RGB dan Grayscale ........... 41
4.2
Analisis Hasil Pengujian Klasifikasi dengan K-Nearest dengan K-Nearest Neighbor 42
4.3
Analisis Waktu Komputasi Sistem .......................................... ................................................ ...... 43
BAB V KESIMPULAN DAN SARAN
5.2
Kesimpulan ................................................................................... 45
ix
5.2
Saran .............................................................. .................................................................................... ................................ .......... 46
................................................................... ........................................... .................... 47 DAFTAR PUSTAKA ............................................ ............................................................. ................. A-1 LAMPIRAN A Tabel Kombinasi Ciri ............................................ LAMPIRAN B Tabel Database Tabel Database Ciri Ciri Latih .......................................... ...................................................... ............ B-1
Kualita s Biji Jagung J agung ............................... ............................... C-1 LAMPIRAN C Program Klasifikasi Kualitas
x
DAFTAR GAMBAR Gambar 2.1 Jagung Bisma.......................................................... ...............................................................................5 .....................5
..................................................................7 .....................7 Gambar 2.2 Biji Jagung Kualitas 1............................................. Gambar 2.3 Biji Jagung Kualitas 2............................................. ..................................................................7 .....................7 Gambar 2.4 Biji Jagung Kualitas 3............................................. ..................................................................8 .....................8
................................................................... ........................................10 .................10 Gambar 2.5 Citra RGB ............................................ J agung Bisma Kualitas Satu ................11 ................11 Gambar 2.6 Citra Grayscale dari Biji Jagung ....................................................... ................................12 ..........12 Gambar 2.7 Contoh Tekstur Visual ................................. .......................................................13 Gambar 2.8 Ilustrasi Ekstraksi Ciri Statistik .......................................................
Gambar 2.9 Citra Masukan ...................................................................... .................................................................................... ..............16
....................................................1 .....................16 6 Gambar 2.10 Nilai Intensitas Citra Masukan ............................... ...........................23 Gambar 3.1 Model Sistem Klasifikasi Kualitas Biji Jagung ...........................23 Gambar 3.2 (a) Diagram Alir Pembuatan Database Pembuatan Database .........................................2 .........................................24 4
........................................................ .........................24 ...24 Gambar 3.2 (b) Diagram Alir Pengujian .................................. Cit ra Biji Jagung.................25 Gambar 3.3 Diagram Alir Pengambilan Sampel Citra Gambar 3.4 Diagram Alir Preprocessing Alir Preprocessing .................... .......................................... ....................................26 ..............26
Cropping .........................................2 .....................26 6 Gambar 3.5 Citra Sebelum dan Sesudah Cropping .................... ......................................27 Gambar 3.6 Proses Pengubahan Mode Warna Citra ......................................27 Gambar 3.7 (a) Citra Red Citra Red ..................... ........................................... ............................................. ........................................27 .................27
.................................................................. ....................................27 .............27 Gambar 3.7 (b) Citra Green ........................................... Citra Blue.................... .......................................... ............................................. ........................................27 .................27 Gambar 3.7 (c) Citra Blue Gambar 3.7 (d) Citra Grayscale ............................................ ................................................................... .............................27 ......27
Ci ri ..................................................... .......................................................28 ..28 Gambar 3.8 Blok Diagram Ekstraksi Ciri Gambar 3.9 Diagram Alir Penentuan Kombinasi Ciri ....................................29 ....................................29 Gambar 4.1 Grafik Hasil Akurasi Tertinggi ........................................... ....................................................41 .........41
xi
DAFTAR TABEL
Kriteri a Mutu Fisik Jagung ............. 7 Tabel 2.1 Definisi Untuk Masing-Masing Kriteria Tabel 2.2 Persyaratan Mutu Jagung Berdasarkan SNI 01-3920-1995 ............... ............... 8 Tabel 2.3 Matriks Iterasi 0 Sudut 0o ............................................ ................................................................... .......................16 o
................................................................... .......................16 Tabel 2.4 Matriks Iterasi 1 Sudut 0 ............................................ ................................................................... .......................17 Tabel 2.5 Matriks Iterasi 2 Sudut 0o ............................................ o
........................................................... ................ 17 Tabel 2.6 Matriks Akhir Iterasi Sudut 0 ........................................... o
................................................. .... 18 Tabel 2.7 Matriks Kookurensi Sudut 0 (M(0)) ............................................. Tabel 2.8 Matriks Kookurensi Sudut 45 o (M(45)) ............................................. ............................................. 18 o
............................................. 18 Tabel 2.9 Matriks Kookurensi Sudut 90 (M(90)) ............................................. o
......................................... 19 Tabel 2.10 Matriks Kookurensi Sudut 135 (M(135)) ......................................... Tabel 4.1 Hasil Akurasi dari Ekstraksi Ciri Citra Red Citra Red ..................... ......................................... .................... 32
Green...................................... ................ 33 Tabel 4.2 Hasil Akurasi dari Ekstraksi Ciri Citra Green...................... Citra Blue ........................................ ........................................ 34 Tabel 4.3 Hasil Akurasi dari Ekstraksi Ciri Citra Blue Tabel 4.4 Hasil Akurasi dari Ekstraksi Ciri Citra Cit ra Grayscale.................... Grayscale ................................ ............ 35
Citra Red ............................... 36 Tabel 4.5 Hasil Akurasi dari Kombinasi Dua Ciri Citra Red Citra Red ..................... .............................. ......... 37 Tabel 4.6 Hasil Akurasi dari Kombinasi Tiga Ciri Citra Red Tabel 4.7 Hasil Akurasi dari Kombinasi Empat Ciri Citra Red Citra Red ...................... ........................... ..... 39
Citra Red .................... ............................. ......... 40 Tabel 4.8 Hasil Akurasi dari Kombinasi Lima Ciri Citra Red Citra Red ................... ............................ ......... 41 Tabel 4.9 Hasil Akurasi dari Kombinasi Enam Ciri Citra Red Tabel 4.10 Akurasi Sistem dengan K-Nearest dengan K-Nearest Neighbor ..................... Neighbor ..................................... ................ 43 Tabel 4.11 Waktu Komputasi Sistem dengan Berbagai Kombinasi Ciri ............. 44
xii
DAFTAR SINGKATAN
SNI
Standar Nasional Indonesia
GUI
Graphical User Interface
RGB
Red, Green, Blue
K-NN
K-Nearest Neighbor
xiii
DAFTAR ISTILAH
Tekstur
Keteraturan pola-pola tertentu yang terbentuk dari susunan piksel-piksel dalam citra digital
Piksel
Elemen terkecil dari sebuah citra digital yang merupakan persilangan antara kolom dan baris
Citra Latih
Citra wajah yang dilatihkan yang berfungsi sebagai database
Citra Uji
Citra wajah yang digunakan untuk menguji keandalan sistem
Cropping
Proses pemotongan sejumlah piksel dari citra
Database
Kumpulan satu atau lebih file
Ekstraksi Ciri
Pengambilan inti atau sari dari suatu objek
xiv
BAB I PENDAHULUAN 1.1 Latar Belakang
Pengetahuan dan pemanfaatan citra digital berkembang pesat, tidak hanya di bidang kedokteran, industri, dan kesehatan, tetapi juga di pertanian untuk mengidentifikasi dan mengawasi mutu, cemaran, tingkat kematangan, dan pengkelasan. Kemampuan pengolahan citra digital yang canggih memungkinkan dapat digunakan lebih efektif dan efisien untuk mengidentifikasi kualitas produk pertanian. Salah satu contoh yaitu untuk menentukan kualitas biji jagung berdasarkan teksturnya. Salah satu produk pertanian yang mengambil peran dalam pembangunan sektor pertanian adalah jagung. Di Indonesia, jagung merupakan komoditas pangan kedua setelah padi dan sumber kalori atau makanan pengganti beras, disamping itu juga sebagai makanan ternak. Kebutuhan jagung akan terus meningkat dari tahun ke tahun sejalan dengan peningkatan taraf hidup ekonomi masyarakat dan kemajuan industri pakan ternak sehingga kualitas jagung perlu diperhatikan. Hal yang mempengaruhi kualitas biji jagung yaitu tingginya tingkat kerusakan yang terjadi saat proses pemipilan jagung dengan mesin sehingga banyak ditemukan biji yang rusak dan patah. Selama ini evaluasi kualitas dalam proses klasifikasi kualitas biji jagung masih dilakukan secara manual melalui pengamatan visual. Sistem manual membutuhkan waktu yang lama dan menghasilkan produk dengan kualitas yang tidak merata karena keterbatasan visual, kelelahan, dan perbedaan persepsi masing-masing pengamat. Oleh karena itu pengolahan citra merupakan alternatif untuk mengatasi masalah tersebut. Pada tugas akhir ini dirancang sebuah sistem klasifikasi untuk mengetahui kualitas biji jagung berdasarkan tekstur berbasis pola citra digital untuk mendapatkan hasil yang cepat dan akurat. Data citra yang akan diambil yaitu sampel biji-biji jagung menggunakan kamera digital. Setelah itu tahap-tahap yang dilakukan pada penelitian ini adalah preprocessing , ekstraksi ciri, dan klasifikasi.
BAB 1 PENDAHULUAN
Algoritma yang digunakan adalah ekstraksi ciri statistik orde pertama dan orde kedua, serta metode klasifikasi K-Nearest klasifikasi K-Nearest Neighbor (K-NN). (K-NN). 1.2 Tujuan
Berdasarkan latar belakang yang telah diuraikan, maka tujuan dari Tugas Akhir ini adalah sebagai berikut. 1.
Merancang simulasi sistem yang dapat melakukan klasifikasi kualitas biji jagung berdasarkan tekstur dengan ekstraksi ciri statistik orde pertama dan orde kedua, serta pengklasifikasian menggunakan K-Nearest menggunakan K-Nearest Neighbor .
2.
Menganalisis performansi sistem klasifikasi kualitas biji jagung berdasarkan tekstur dengan parameter tingkat akurasi dan waktu komputasi dalam pengklasifikasian menggunakan ekstraksi ciri statistik dan K-Nearest Neighbor
1.3 Manfaat
Manfaat dari penelitian ini adalah menghasilkan alat bantu dalam bidang pertanian
dan
perdagangan
terutama
bagi
pengamat
( grader grader )
untuk
mengklasifikasi kualitas biji jagung berdasarkan tekstur berbasis pengolahan citra digital.
1.4 Rumusan Masalah
Dari tujuan yang telah diketahui diatas, maka masalah dalam Tugas Akhir ini dapat dirumuskan sebagai berikut. 1.
Bagaimana membangun sistem yang dapat mengklasifikasi kualitas biji jagung dilihat dari tekstur biji jagung?
2.
Bagaimana pengaruh citra RGB dan grayscale pada akurasi sistem?
3.
Bagaimana melakukan kombinasi ciri pada ekstraksi ciri statistik orde pertama dan orde kedua agar didapatkan akurasi yang terbaik?
4.
Apakah metode K-NN dapat menghasilkan akurasi yang diharapkan dalam klasifikasi kualitas biji jagung?
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital
2
BAB 1 PENDAHULUAN
1.5 Batasan Masalah
Mengingat luasnya pembahasan, maka permasalahan perlu dibatasi pada: 1.
Citra yang diolah adalah citra berwarna dengan format *.jpg.
2.
Sampel yang diambil adalah biji jagung jenis Bisma.
3.
Output sistem, yaitu: biji jagung kualitas 1, biji jagung kualitas 2, dan biji jagung kualitas 3.
4.
Sampel citra biji jagung diambil berjarak 15 cm tegak lurus dengan objek menggunakan kamera digital berukuran digital berukuran 12 megapiksel.
5.
Pencahayaan pada proses akuisisi citra menggunakan dua lampu LED.
6.
Mode warna citra yang dipakai dalam ekstraksi ciri adalah RGB dan Grayscale.
7.
Ekstraksi ciri menggunakan metode statistik dan klasifikasi menggunakan Kmenggunakan K Nearest Neighbour .
1.6 Metodologi Penelitian
Metode yang digunakan dalam penelitian Tugas Akhir ini adalah sebagai berikut. 1.
Melakukan studi literatur dengan dengan mencari, mengumpulkan, dan memahami baik berupa jurnal, artikel, buku referensi, internet, dan sumber-sumber lain yang berhubungan dengan masalah Tugas Akhir.
2.
Mengumpulkan data lapangan dan perangkat yang dibutuhkan.
3.
Merancang diagram alir sistem dan mengimplementasikannya.
4.
Melakukan simulasi sistem terhadap citra hasil pelatihan dan citra yang yang diuji.
5.
Menganalisa hasil yang diperoleh dari proses simulasi sistem.
6.
Menyusun laporan proses pengerjaan Tugas Akhir.
1.7 Sistematika Penulisan
Pembahasan Tugas Akhir ini disusun dalam lima bab, yaitu sebagai berikut. BAB 1 PENDAHULUAN Berisi latar belakang, tujuan dan manfaat, perumusan dan batasan masalah, metode penelitian yang dilakukan, dan sistematika penulisan.
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital
3
BAB 1 PENDAHULUAN
BAB 2 DASAR TEORI Berisi teori-teori dasar mengenai biji jagung, citra digital, pengolahan citra, ekstraksi ciri, dan klasifikasi. BAB 3 MODEL DAN PERANCANGAN SISTEM Berisi diagram alir penelitian, perancangan sistem serta cara kerja sistem. BAB 4 ANALISIS HASIL SIMULASI SISTEM Berisi data hasil pengolahan citra uji dan data hasil pengukuran tingkat akurasi citra uji. BAB 5 KESIMPULAN DAN SARAN Berisi kesimpulan atas hasil kerja yang telah dilakukan beserta rekomendasi dan saran untuk pengembangan dan perbaikan sel anjutnya.
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital
4
BAB II DASAR TEORI
2.1
Jagung [1]
Jagung merupakan salah satu tanaman pangan dunia yang terpenting, selain gandum dan padi. padi. Jagung sebagai sumber karbohidrat utama di Amerika Tengah dan Selatan dan menjadi alternatif sumber pangan di Amerika Serikat. Penduduk beberapa daerah di Indonesia juga menggunakan jagung sebagai pangan pokok. Selain sebagai sumber karbohidrat, jagung juga digunakan sebagai pakan ternak, diambil minyaknya, dibuat tepung dibuat tepung (dari bulir, dikenal dengan istilah tepung jagung atau maizena), dan bahan baku industri makanan.
Gambar 2.1 Jagung Bisma[1]
2.1.1 Jenis-Jenis jagung
[2]
Jenis jagung dapat dikelompokkan menurut umur dan bentuk biji. 1). Menurut umur, dibagi menjadi 3 golongan: a. Berumur pendek (genjah)
: 75-90 hari, contoh: Genjah Warang an, an,
Genjah Kertas, Kertas, Abimanyu dan Arjuna dan Arjuna.. b. Berumur sedang (tengahan)
: 90-120 90-120 hari, contoh: contoh: Hibrida C 1, Hibrida
CP 1 dan CPI 2, 2, Hibrida IPB 4, Hibrida Pioneer 2, Malin,Metro dan Pandu. c. Berumur panjang
: lebih dari 120 hari, contoh: Kania Putih, Putih,
Bastar, Kuning , Bima dan Harapan dan Harapan.. 2). Menurut bentuk biji, dibagi menjadi 7 golongan: a. Indentata ( Dent , "gigi-kuda")
BAB 2 DASAR TEORI
b. Indurata ( Flint , "mutiara") c. Saccharata (Sweet (Sweet , "manis") d. Everta ( Popcorn, Popcorn, "berondong") e. Amylacea ( Flour Flour corn, corn, "tepung") f. Glutinosa (Sticky (Sticky corn, corn, "ketan") g. Tunicata ( Podcorn, Podcorn, merupakan kultivar yang paling primitif dan anggota subspesies yang berbeda dari jagung budidaya lainnya) 3). Menurut varietas yang unggul, dibagi menjadi 2 golongan :
[3]
a. Jagung Hibrida Jagung hibrida merupakan generasi pertama dari persilangan antara dua galur. Jagung hibrida dapat diperoleh dari hasil seleksi kombinasi atau biasa disebut hibridisasi. Hibridisasi merupakan perkawinan silang antara tanaman satu dengan tanaman yang lain dalam satu spesies untuk mendapatkan genotipe (sifat-sifat dalam) yang unggul. Hal ini dapat menciptakan suatu jenis atau spesies baru yang dapat meningkatkan produksi, tahan terhadap serangan hama dan penyakit serta berumur pendek. Contoh : tipe mutiara, jagung j agung gigi kuda, setengah gigi kuda, P-21, P-12, C-7, Bisi 16, Pioneer-2, Hibrida C-1, P-11. b. Jagung Bersari Bebas Jagung bersari bebas adalah varietas yang seragam (homogen) dan benihnya diambil dari pertanaman sebelumnya, atau dapat dipakai terusmenerus dari setiap pertanamannya. Contoh : bisma, nakula, sadewa, bromo, arjuna. ar juna.
Pada Tugas Akhir ini, jagung yang akan diklasifikasi adalah jenis jagung Bisma. Jagung Bisma dipilih karena termasuk jenis jagung yang unggul dan biasa digunakan untuk industri makanan.
2.1.2
Biji Jagung
[4]
Kualitas jagung biasanya ditentukan dengan mengamati fisik biji jagung. Tingginya kerusakan dan cemaran disebabkan oleh cara penanganan yang kurang
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital
6
BAB 2 DASAR TEORI
baik seperti perontokan jagung dengan mesin dan penyimpanan jagung yang cukup lama di gudang setelah proses pengeringan. Kriteria biji yang memiliki kualitas rendah diantaranya biji yang rusak, biji yang kusam, biji yang kotor, biji yang patah, dan biji yang kecil. kecil . Berikut ini tabel penjelasan mengenai masing-masing kriteria mutu fisik jagung :
Tabel 2.1 Definisi Untuk Masing-Masing Kriteria Mutu Fisik Jagung[4] No.
Mutu fisik
Definisi
1.
Biji utuh
Biji jagung kering yang secara fisik keseluruhannya utuh tanpa adanya bercak, cacat ataupun jamur
2.
Biji rusak
Biji jagung yang cacat ataupun rusak akibat serangan serangga atau hama gudang.
3.
Biji patah
Biji jagung yang tidak utuh/rusak akibat proses perontokan atau pemipilan
4.
Biji kusam
Biji jagung yang berwarna cenderung gelap
Berikut ini contoh-contoh citra biji jagung berdasarkan kualitas :
Gambar 2.2 Biji Jagung Kualitas 1
Gambar 2.3 Biji Jagung Kualitas 2
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital
7
BAB 2 DASAR TEORI
Gambar 2.4 Biji Jagung Kualitas 3
Dan sebagai informasi saja, menurut standar SNI 01-3920-1995, kriteria kualitas fisik biji jagung dijabarkan pada tabel sebagai berikut :
Persyaratan Mutu Jagung Berdasarkan SNI 01-3920-1995[4] Tabel 2.2 Persyaratan Persyaratan kualitas No
Jenis uji
Satuan I
II
III
1
Kadar air
(%)
Maks 14
Maks 14
Maks 15
2
Butir rusak
(%)
Maks 2
Maks 4
Maks 6
3
Butir warna lain
(%)
Maks 1
Mak 3
Maks 7
4
Butir pecah
(%)
Maks 1
Maks 2
Maks 3
5
Kotoran
(%)
Maks 1
Maks 1
Maks 2
2.2
Citra Digital
[5]
Citra digital dapat dinyatakan sebagai suatu fungsi dua dimensi f(x,y), dengan x maupun y adalah posisi koordinat sedangkan f merupakan amplitudo pada posisi (x,y) yang sering dikenal sebagai intensias atau grayscale. grayscale. Nilai intensitas diskrit mulai dari 0 sampai 255, begitu pula nilai-nilai x, y, dan f(x,y) harus berada pada jangkauan atau range tertentu yang jumlahnya terbatas. Citra yang dicapture oleh kamera dan telah dikuantisasi dalam bentuk diskrit dinamakan citra digital. Citra digital tersusun dari sejumlah nilai tingkat keabuan yang disebut piksel pada posisi tertentu. Secara matematis persamaan untuk fungsi intensitas f(x,y) adalah: 0 ≤ f(x,y)<∞ f(x,y)<∞
(2.1)
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital
8
BAB 2 DASAR TEORI
Misalkan f merupakan sebuah citra digital 2 dimensi berukuran NxM. Maka representasi f dalam sebuah matriks dapat dilihat pada gambar di bawah ini, di mana f(0,0) berada pada sudut kiri atas dari matriks tersebut, sedangkan f(n-1,m1) berada pada sudut kanan bawah. f (0,1) ... f (0, M 1) f (0,0) f (1,0) f (1,1) ... f (1, M 1) . f ( x, y ) . . f ( N 1,0) f ( N 1,1) ... f ( N 1, M 1)
2.3
(2.2)
Pengolahan Citra Digital [6]
Pengolahan citra digital merupakan proses yang bertujuan untuk memanipulasi dan menganalisis citra dengan bantuan komputer. Pengolahan citra digital dapat dikelompokkan dalam dua jenis kegiatan : 1.
Memperbaiki
kualitas
suatu
gambar,
sehingga
dapat
lebih
mudah
diinterpretasi oleh mata manusia. 2.
Mengolah informasi yang terdapat pada suatu gambar untuk keperluan pengenalan objek secara otomatis. Bidang aplikasi kedua yang sangat erat hubungannya dengan ilmu
pengenalan pola ( pattern recognition) recognition) yang umumnya bertujuan mengenali suatu objek dengan cara mengekstrak informasi penting yang terdapat pada suatu citra. Bila pengenalan pola dihubungkan dengan pengolahan citra, diharapkan akan terbentuk suatu sistem yang dapat memproses citra masukan sehingga citra tersebut dapat dikenali polanya. Proses ini disebut pengenalan citra atau image recognition. Proses
pengenalan citra ini sering diterapkan dalam kehidupan kehidupan
sehari-hari. Pengolahan citra dan pengenalan pola menjadi bagian dari proses pengenalan citra. Kedua aplikasi ini akan saling melengkapi untuk mendapatkan ciri khas dari suatu citra yang hendak dikenali. Secara umum tahapan pengolahan citra digital meliputi akusisi citra, peningkatan kualitas citra, segmentasi citra, representasi dan uraian, pengenalan dan interpretasi.
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital
9
BAB 2 DASAR TEORI
2.4
Model Citra
[5]
2.4.1 RGB
RGB adalah suatu model warna yang terdiri dari merah, hijau, dan biru, digabungkan dalam membentuk suatu susunan warna yang luas. Setiap warna dasar, misalnya merah, dapat diberi rentang-nilai. Untuk monitor komputer, nilai rentangnya paling kecil = 0 dan paling besar = 255. Pilihan skala 256 ini didasarkan pada cara mengungkap 8 digit bilangan biner yang digunakan oleh mesin komputer. Dengan cara ini, akan diperoleh warna campuran sebanyak 256 x 256 x 256 = 1677726 jenis warna. Sebuah jenis warna, dapat dibayangkan sebagai sebuah vektor di ruang 3 dimensi yang biasanya dipakai dalam matematika, koordinatnya dinyatakan dalam bentuk tiga bilangan, yaitu komponen-x, komponen-y dan komponen-z. Misalkan sebuah vektor dituliskan sebagai r = (x,y,z). Untuk warna, komponen-komponen tersebut digantikan oleh komponen R(ed), G(reen), B(lue). Jadi, sebuah jenis warna dapat dituliskan sebagai berikut: warna = RGB(30, 75, 255). Putih = RGB (255,255,255), sedangkan untuk hitam= RGB(0,0,0).
Gambar 2.5 Citra RGB[5]
2.4.2
Citra Grayscale
Dalam komputasi, suatu citra digital grayscale adalah suatu citra dimana nilai dari setiap piksel merupakan sampel tunggal. Citra yang ditampilkan dari citra jenis ini terdiri atas warna abu-abu, bervariasi pada warna hitam pada bagian yang intensitas terlemah dan warna putih pada intensitas terkuat. Citra grayscale berbeda dengan citra ”hitam”hitam- putih”, putih”, dimana pada konteks komputer, citra hitam putih hanya terdiri atas 2 warna saja yaitu ”hitam” dan ”putih” saja. Pada citra Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 10
BAB 2 DASAR TEORI
grayscale warna bervariasi antara hitam dan putih, tetapi variasi warna diantaranya sangat banyak. Citra grayscale seringkali merupakan perhitungan dari intensitas cahaya pada setiap piksel pada spektrum elektromagnetik single band. Citra grayscale disimpan dalam format 8 bit untuk setiap sample piksel, yang memungkinkan sebanyak 256 intensitas. Format ini sangat membantu dalam pemrograman karena manupulasi bit yang tidak terlalu t erlalu banyak. Pada aplikasi lain seperti pada aplikasi aplikasi medical imaging dan remote sensing biasa juga digunakan digunakan format 10,12 maupun 16 bit. Model penyimpanannya adalah f(x,y) = nilai intensitas, dengan x dan y merupakan posisi nilai intensitas.
Gambar 2.6 Citra Grayscale dari Biji Jagung Bisma Kualitas Satu 2.5
[7]
Analisis Tekstur
Tekstur merupakan karakteristik intrinsik dari suatu citra yang terkait dengan tingkat kekasaran (roughness ( roughness), ), granulitas ( granulation), granulation), dan keteraturan (regularity) regularity) susunan struktural piksel. Aspek tekstural dari sebuah citra dapat dimanfaatkan sebagai dasar dari segmentasi, klasifikasi, maupun interpretasi citra. Tekstur dapat didefinisikan sebagai fungsi dari variasi spasial intensitas piksel (nilai keabuan) dalam citra. Berdasarkan strukturnya, tekstur dapat diklasifikasikan dalam dua golongan : a. Makrostruktur Tekstur makrostruktur memiliki perulangan pola lokal secara periodik pada suatu daerah citra, cit ra, biasanya terdapat pada pola-pola buatan manusia
dan
cenderung
mudah
untuk
direpresentasikan
secara
matematis. Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 11
BAB 2 DASAR TEORI
b. Mikrostruktur Pada tekstur mikrostruktur, pola-pola lokal dan perulangan tidak terjadi begitu jelas, sehingga tidak mudah untuk memberikan memberikan definisi tekstur yang komprehensif. Contoh gambar berikut ini menunjukkan perbedaan tekstur makrostruktur dan mikrostruktur (atas : makrostruktur ; bawah : mikrostruktur).
Gambar 2.7 Contoh tekstur visual[7]
Analisis tekstur bekerja dengan mengamati pola ketetanggaan antar piksel dalam domain spasial. Analisis tekstur lazim dimanfaatkan sebagai proses antara untuk melakukan klasifikasi dan interpretasi citra. Suatu proses klasifikasi citra berbasis analisis tekstur pada umumnya membutuhkan tahapan ekstraksi ciri, yang dapat terbagi dalam tiga macam metode berikut : a.
Metode statistik Metode statistik menggunakan perhitungan statistik distribusi derajat keabuan (histogram) dengan mengukur tingkat kekontrasan, granularitas, dan kekasaran suatu daerah dari hubungan ketetanggaan antar piksel di dalam citra. Paradigma statistik ini penggunaannya tidak terbatas, sehingga sesuai untuk tekstur-tekstur alami yang tidak terstruktur dari sub pola dan himpunan aturan (mikrostruktur).
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 12
BAB 2 DASAR TEORI
b. Metode spektral Metode spektral berdasarkan pada fungsi autokorelasi suatu daerah atau power distribution pada domain transformasi Fourier dalam mendeteksi periodisitas tekstur. c. Metode struktural Analisis dengan metode ini menggunakan deskripsi primitif tekstur dan aturan sintaktik. Metode struktural banyak digunakan untuk pola pola makrostruktur. Ekstraksi ciri statistik dapat dilakukan dalam orde pertama dan orde kedua. Ekstraksi ciri orde pertama dilakukan melalui histogram citra. Ekstraksi ciri statistik orde kedua dilakukan dengan matriks kookurensi, yaitu suatu matriks antara yang merepresentasikan hubungan ketetanggaan antar piksel dalam citra pada berbagai arah orientasi dan jarak spasial. 2.6
Ekstraksi Ciri Statistik [7]
Ekstraksi ciri dilakukan untuk mendapatkan pola dari suatu citra yang yang akan dilatih dilatih maupun citra yang akan diuji. diuji. Metode ekstraksi ciri yang digunakan adalah ekstraksi ciri statistik. Metode ini menggunakan perhitungan statistik distribusi derajat keabuan (histogram) dengan mengukur tingkat kekontrasan, granularitas, dan kekasaran suatu daerah dari hubungan ketetanggaan antar piksel di dalam citra. Ekstraksi ciri statistik terbagi menjadi dua yaitu ekstraksi ciri statistik orde pertama dan orde kedua. Ekstraksi ciri orde pertama dilakukan melalui histogram citra. Ekstraksi ciri statistik orde kedua dilakukan dengan matriks kookurensi, yaitu suatu matriks antara yang merepresentasikan hubungan ketetanggaan antar piksel dalam citra pada berbagai arah orientasi dan jarak spasial.
Gambar 2.8 Ilustrasi Ekstraksi Ciri Statistik [7] Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 13
BAB 2 DASAR TEORI
Keterangan Gambar 2.8 : Kiri
:
Histogram
citra
sebagai
fungsi probabilitas
kemunculan nilai
intensitas pada citra. Kanan : Hubungan ketetanggaan antar piksel sebagai fungsi orientasi dan jarak spasial.
2.6.1 Ekstraksi Ciri Orde Pertama
[7]
Ekstraksi ciri orde pertama merupakan metode pengamatan ciri yang didasarkan
pada
karakteristik
histogram
citra.
Histogram
menunjukkan
probabilitas kemunculan nilai derajat keabuan piksel pi ksel pada suatu citra. Dari nilainilai pada histogram yang dihasilkan, dapat dihitung beberapa parameter ciri orde pertama, antara lain adalah mean, mean, skewness, skewness, variances, variances, kurtosis, kurtosis, dan entropy. entropy.
a. Mean (µ) Menunjukkan ukuran dispersi dari suatu citra. µ=
(2.3)
Dimana f n merupakan suatu nilai intensitas keabuan, sementara p(f n) menunjukkan nilai histogram (probabilitas kemunculan intensitas tersebut pada citra). b. Variance (σ2) Menunjukkan variasi elemen pada histogram dari suatu citra.
– μ) – μ) p( )
σ 2 =
2
(2.4)
c. Skewness (α3) Menunjukkan tingkat kemencengan relatif kurva histogram dari suatu citra. α3 =
– μ) – μ) p( ) σ 3
(2.5)
d. Kurtosis (α4) Menunjukkan tingkat keruncingan relatif kurva histogram dari suatu citra. α4 =
– μ) – 3 – μ) p( ) – 3 σ 4
(2.6)
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 14
BAB 2 DASAR TEORI
e. Entropy (H) Entropy (H) Menunjukkan ukuran ketidakteraturan bentuk dari suatu citra. H=-
log p( ) 2
(2.7)
2.6.2 Ekstraksi Ciri Orde Kedua [8]
Pada beberapa kasus, ciri orde pertama tidak lagi dapat digunakan untuk mengenali perbedaan antar citra. Pada kasus seperti ini, kita membutuhkan pengambilan ciri statistik orde dua. Salah satu teknik untuk memperoleh ciri statistik orde dua adalah dengan menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan orientasi sudut tertentu. Pendekatan ini bekerja dengan membentuk sebuah matriks kookurensi dari data citra, dilanjutkan dengan menentukan ciri sebagai fungsi dari matriks antara tersebut. Kookurensi berarti kejadian bersama, yaitu jumlah kejadian satu level nilai piksel bertetangga dengan satu level nilai piksel lain dalam jarak (d ( d ) dan orientasi sudut (θ) tertentu. Jarak dinyatakan dalam piksel dan d an orientasi dinyatakan dalam derajat. Orientasi dibentuk dalam empat arah sudut dengan interval sudut 45°, yaitu 0°, 45°, 90°, dan 135°. Sedangkan jarak antar piksel biasanya ditetapkan sebesar 1 piksel. Matriks kookurensi merupakan matriks bujursangkar dengan jumlah elemen sebanyak kuadrat jumlah level intensitas piksel pada citra. Setiap titik ( p,q) p,q) pada matriks kookurensi berorientasi θ berisi peluang kejadian piksel bernilai p bernilai p bertetangga bertetangga dengan piksel bernilai q pada jarak d serta orientasi θ dan (180−θ) (180−θ).. Berikut ini adalah langkah mendapatkan matriks kookurensi : 1.
Misalkan ada citra masukan dengan intensitas 2 bit seperti pada Gambar 2.9 dan pada citra masukan tersebut memiliki nilai intensitas seperti Gambar 2.10.
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 15
BAB 2 DASAR TEORI
1 0 2 3 1 Gambar 2.9 Citra Masukan[8]
0 1 0 2 3
3 2 1 0 2
2 3 2 1 0
1 2 3 0 1
0 1 0 3 2
2 0 2 0 3
Gambar 2.10 Nilai Intensitas Citra Masukan[8]
2.
Lakukan iterasi untuk setiap sudut seperti pada Gambar 2.8.
3.
Lakukan iterasi sudut 0 o pada matriks 4 x 4, nilai 4 berasal dari 2 pangkat 2 bit, berikut ini matriks iterasi 0 (awal).
Tabel 2.3 Matriks Iterasi 0 Sudut 0o[8]
4.
1
2
3
4
1
0
0
0
0
2
0
0
0
0
3
0
0
0
0
4
0
0
0
0
Lakukan iterasi ke-1 (i=1, j=1) sudut 0 o (i = baris dan j = kolom). Rumus iterasi sudut 0 o : p = citra masukan (i,j) + 1 dan q = citra masukan (i,j + 1) + 1, pada kasus ini nilai citra masukan (i=1, j=1) = 1 maka nilai p = 1 + 1 = 2 dan nilai tetangga sudut 0 o yaitu (i,j + 1) = (1,1 + 1) = (1,2) = 0 maka nilai q = 0 + 1 = 1. Dari perhitungan didapatkan p = 2 dan q = 1, p dan q menyatakan indeks pada matriks iterasi. Lalu masukkan nilai iterasi pada Tabel 2.4 dengan rumus nilai pada indeks (p,q) + 1, maka didapatkan nilai indeks (2,1) = 0 + 1 = 1.
Tabel 2.4 Matriks Iterasi 1 Sudut 0o[8] 1
2
3
4
1
0
0
0
0
2
1
0
0
0
3
0
0
0
0
4
0
0
0
0
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 16
BAB 2 DASAR TEORI
5.
Lakukan iterasi ke-2 (i=1, j=2) sudut 0 o . Dengan cara yang sama nilai citra masukan (i=1, j=2) = 0, maka nilai p = 0 + 1 = 1 dan nilai tetangga sudut 0 o (i,j + 1) = (1,2 + 1) = (1,3) = 3 maka nilai q = 3 + 1 = 4. Dari perhitungan didapatkan p = 1 dan q = 4 maka nilai pada indeks (p,q) = (1,4) + 1 = 0 + 1 = 1, seperti ditunjukkan pada Tabel 2.5.
Tabel 2.5 Matriks Iterasi 2 Sudut 0o[8]
6.
1
2
3
4
1
0
0
0
1
2
1
0
0
0
3
0
0
0
0
4
0
0
0
0
Proses berlanjut hingga iterasi terakhir pada 0 o, dengan menggunakan MATLAB berikut ini adalah hasil akhir tabel iterasi sudut 0 o seperti pada gambar Tabel 2.6.
Tabel 2.6 Matriks Akhir Iterasi Sudut 0o[8]
7.
1
2
3
4
1
0
8
5
4
2
8
0
5
1
3
5
5
0
7
4
4
1
7
0
Selanjutnya akan dilakukan normalisasi sehingga menghasilkan matriks kookurensi dengan cara membagi setiap nilai piksel pada hasil akhir tabel iterasi sudut 0o dengan jumlah seluruh piksel pada hasil akhir tabel tersebut. Setiap nilai piksel pada Tabel 2.6 dibagi dengan jumlah seluruh piksel pada Tabel 2.6 karena matriks kookurensi berisi peluang kejadian piksel bernilai p bertetangga dengan piksel bernilai q. Jumlah seluruh piksel Tabel 2.6 adalah 60, lalu setiap nilai piksel pada Tabel. 2.6 dinormalisasi terhadap jumlah piksel Tabel 2.6 : a) (1,1) / 60 = 0 / 60 = 0 b) (1,2) / 60 = 8 / 60 = 0,1333
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 17
BAB 2 DASAR TEORI
c) (1,3) / 60 = 5 / 60 = 0,0833 d) Dan seterusnya hingga (4,4) Tabel 2.7 menunjukkan matriks kookurensi sudut 0 o :
Tabel 2.7 Matriks Kookurensi Sudut 0o (M(0))[8]
8.
1
2
3
4
1
0
0,1333
0,0833
0,0667
2
0,1333
0
0,0833
0,0167
3
0,0833
0,0833
0
0,1167
4
0,0667
0,0167
0,1167
0
Proses iterasi berlangsung sama untuk semua sudut yaitu 45 o, 90 o, dan 135 o yang membedakan hanyalah proses pengambilan tetangga harus sesuai dengan sudut yang digunakan.
Berikut ini adalah tabel-tabel yang
menunjukkan matriks kookurensi dari sudut 45 o, 90o, dan 135 o.
Tabel 2.8 Matriks Kookurensi Sudut 45o (M(45))[8]
0,1667
0
0,0833
0,0417
0
0
0,1042
0,125
0,0833
0,1042
0,0833
0,0208
0,0417
0,125
0,0208
0
Tabel 2.9 Matriks Kookurensi Sudut 90o (M(90))[8] 0
0,1429
0,1071
0,0536
0,1429
0
0,0536
0,0179
0,1071
0,0536
0
0,125
0,0536
0,0179
0,125
0
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 18
BAB 2 DASAR TEORI
Tabel 2.10 Matriks Kookurensi Sudut 135o (M(135))[8]
0,2083
0
0,0833
0
0
0,2083
0,0208
0
0,0833
0,0208
0,1667
0
0
0
0
0,2083
Setelah memperoleh matriks kookurensi dari masing-masing sudut maka akan dicari matriks kookurensi rata-rata ( Mrata-rata ) dengan persamaan : Mrata-rata = (M(0) + M(45) + M(90) + M(135)) / 4
(2.8)
Ciri statistik orde kedua dapat dihitung berdasarkan p(i,j) dari matriks kookurensi rata-rata. Beberapa parameter parameter ciri orde kedua, antara lain :
a. Angular Second Moment Menunjukkan ukuran sifat homogenitas citra.
(2.9)
Dimana p(i,j) p(i,j) menyatakan nilai pada baris I dan kolom j pada matriks kookurensi. b. Contrast Menunjukkan ukuran penyebaran (momen inersia) elemen-elemen matriks citra. Jika letaknya jauh dari diagonal utama, nilai kekontrasan besar. Secara visual, vis ual, nilai kekontrasan adalah adala h ukuran variasi antar derajat keabuan suatu daerah citra.
(2.10)
c. Correlation Menunjukkan ukuran ketergantungan linear derajat keabuan citra sehingga dapat memberikan petunjuk adanya struktur linear dalam citra.
(2.11)
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 19
BAB 2 DASAR TEORI
d. Variance Menunjukkan variasi elemen-elemen matriks kookurensi. Citra dengan transisi derajat keabuan kecil akan memiliki variansi yang kecil pula.
(2.12)
e. Invers Different Moment
(2.13)
Menunjukkan kehomogenan citra yang berderajat keabuan sejenis. Citra homogen akan memiliki harga IDM harga IDM yang besar. f. Entropy Menunjukkan ukuran ketidakteraturan bentuk. Harga ENT besar untuk citra dengan transisi derajat keabuan merata dan bernilai kecil jika struktur citra tidak teratur (bervariasi).
2.7
(2.14)
K-Nearest Neighbor [9]
Algoritma K- Nearest Neighbor (K-NN) adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Data pembelajaran diproyeksikan ke ruang berdimensi banyak, dimana masing-masing dimensi merepresentasikan fitur dari data. Ruang ini dibagi menjadi bagian-bagian berdasarkan klasifikasi data pembelajaran. Sebuah titik pada ruang ini ditandai kelas c jika kelas c merupakan klasifikasi yang paling banyak ditemui pada k buah tetangga terdekat titik tersebut. Dekat atau jauhnya tetangga dihitung berdasarkan jarak Euclidean, Euclidean, Correlation, Correlation, Cosine, Cosine, dan Cityblock . Berikut rumus-rumus perhitungan jarak : a. Euclidean distance Sebagai contoh, untuk menghiutng jarak antara dua titik X s dan Xt dengan metode Euclidean metode Euclidean,, digunakan rumus :
(2.15)
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 20
BAB 2 DASAR TEORI
b. Cityblock distance Cityblock distance Untuk menghitung jarak antara dua titik X s dan Xt dengan metode Cityblock , digunakan rumus :
(2.16)
c. Cosine distance Dalam Cosine distance, distance, titik-titik dianggap sebagai vektor, dan dilakukan pengukuran terhadap sudut antara dua vektor tersebut. Untuk memperoleh jarak dua vektor xs dan x t, memakai rumus sebagai berikut :
dengan
(2.17)
d. Correlation distance Dalam Correlation distance, distance, titik-titik dianggap sebagai barisan nilai, jarak antar nilai xs dan xt, memakai rumus sebagai berikut :
(2.18)
dimana,
Algoritma K-NN :
Tentukan nilai k .
Hitung jarak antara data baru ke setiap labeled data. data.
Tentukan k labeled k labeled data yang data yang mempunyai jarak yang paling minimal.
Klasifikasikan data baru ke dalam labeled data yang data yang mayoritas
Jika dibandingkan dengan metode klasifikasi yang lain, metode ini memiliki tingkat keakuratan yang cukup tinggi karena data yang masuk akan diklasifikasikan berdasarkan kemiripan ciri yang ada dari data sebelumnya yang Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 21
BAB 2 DASAR TEORI
sudah diklasifikasikan. Namun, pada algoritma K-NN perlu menentukan nilai dari paremeter k (jumlah (jumlah tetangga terdekat) dan pembelajaran berdasarkan jarak tidak jelas mengenai jenis jarak jar ak apa yang harus digunakan dan atribut mana yang harus digunakan untuk mendapatkan hasil yang terbaik. Matlab (M atri atri x Laborato Laboratory ry )[10]
2.8
Matlab adalah salah satu software aplikasi untuk menyelesaikan berbagai masalah
teknis.
Matlab
mengintegrasikan
komputasi,
visualisasi,
dan
pemrograman dalam suatu model yang sangat mudah untuk dipakai, dimana masalah-masalah dan penyelesaiannya diekspresikan dalam notasi matematika yang familiar. Penggunaan Matlab meliputi bidang-bidang:
Matematika dan Komputasi
Pembentukan Algoritma
Akusisi Data
Pemodelan, Simulasi, dan Pembuatan Prototipe
Analisa Data, Eksplorasi, dan Visualisasi
Grafik Keilmuan dan Bidang Rekayasa Matlab merupakan suatu sistem interaktif yang memiliki elemen data
dalam suatu array sehingga array sehingga memungkinkan untuk memecahkan banyak masalah teknis yang terkait dengan komputasi, khususnya yang berhubungan dengan matriks dan formulasi vektor. Fitur-fitur Matlab sudah banyak dikembangkan yang lebih dikenal dengan nama toolbox. toolbox. Toolbox merupakan Toolbox merupakan kumpulan dari fungsi-fungsi Matlab (M- files (M- files)) yang telah dikembangkan ke suatu lingkungan kerja Matlab untuk memecahkan masalah. Area-area yang sudah bisa dipecahkan dengan toolbox saat toolbox saat ini meliputi pengolahan sinyal, sistem kontrol, neural networks, networks, fuzzy logic, logic, wavelets, wavelets, dan lain-lain.
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 22
BAB III MODEL DAN PERANCANGAN SISTEM 3.1 Perangkat Perancangan Sistem
Pada Tugas Akhir ini digunakan perangkat keras ( hardware) hardware) dan perangkat lunak ( software). software). Spesifikasi perangkat keras yang digunakan untuk membangun sistem ini adalah sebagai berikut: 1.
Acer CoreTM2 Duo processor T5800
2.
RAM 1GB
3.
Hard disk 250 GB
4.
Monitor
5.
Keyboard, Touchpad dan mouse. Spesifikasi perangkat lunak yang digunakan untuk membangun sistem ini
adalah sebagai berikut : 1.
Sistem Operasi Windows 7 Home Premium
2.
Matlab 7.8.0 (R2009a) Sedangkan, minimum requirement untuk dapat menggunakan sistem ini
adalah sudah melakukan instalasi Matlab pada perangkat yang akan digunakan.
3.2 Model Sistem Klasifikasi Kualitas Biji Jagung
Preprocessing
Ekstraksi Ciri
Klasifikasi Kualitas Biji Jagung
Citra Biji Jagung
Gambar 3.1 Model Sistem Klasifikasi Kualitas Biji Jagung
Output
BAB 3 MODEL DAN PERANCANGAN SISTEM
Sistem klasifikasi kualitas biji jagung terdiri dari tiga blok utama, yaitu: preprocessing , ekstraksi ciri, dan klasifikasi. Sampel akan diolah oleh sistem klasifikasi dan hasilnya berupa klasifikasi kualitas biji jagung. Sistem akan dirancang
menggunakan tampilan Graphical User Interface Interface sehingga tampil
lebih menarik dan mudah dioperasikan.
3.3 Diagram Alir Klasifikasi Kualitas Biji Jagung
Proses klasifikasi kualitas biji jagung terbagi menjadi dua skenario, yaitu : pembuatan database dan pengujian sistem klasifikasi. Prinsipnya, citra latih dan citra uji yang telah diekstraksi dibandingkan jarak terdekatnya dengan K-Nearest Neighbor. Jarak yang terdekat menunjukkan kemiripan suatu citra. Hasil dari kemiripan tersebut berupa kualitas biji jagung pada keluaran. Berikut adalah diagram alir dari sistem klasifikasi kualitas biji jagung yang terdiri dari pembuatan database dan proses pengujian. Mulai
Mulai
Citra Latih
Citra Uji
Preprocessing
Preprocessing
Pengubahan mode warna citra
Pengubahan mode warna citra
Ekstraksi ciri dengan Statistik Orde Pertama dan Orde Kedua
Ekstraksi ciri dengan Statistik Orde Pertama dan Orde Kedua
Database ciri Database ciri citra latih
Penentuan kombinasi ciri
(a) Data ciri citra uji
Tentukan metode pengukuran jarak dan nilai k nilai k Blok k-NN Klasifikasi kualitas biji jagung
Kualitas biji jagung
Selesai
(b)
Gambar 3.2 (a) Diagram Alir Pembuatan Database Pembuatan Database (b) (b) Diagram Alir Pengujian Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 24
BAB 3 MODEL DAN PERANCANGAN SISTEM
Database pada Database pada sistem adalah ciri dari masing-masing kualitas biji jagung pada citra latih yang disimpan dis impan dalam file *.mat. file *.mat. Melalui database ciri citra latih tersebut, maka digunakan untuk membandingkan ciri citra latih dengan ciri citra uji dalam klasifikasi. Pengujian pada sistem klasifikasi adalah pengujian berdasarkan parameter uji yang digunakan. Dalam fase pengujian akan dilakukan uji pengaruh penggunaan kombinasi ciri yang diekstraksi diekstr aksi oleh statistik orde pertama dan orde kedua, jumlah k, dan metode pengukuran jarak pada K-Nearest pada K-Nearest Neighbor terhadap akurasi sistem.
3.3.1
Pengambilan Sampel Citra Biji Jagung
Pengambilan sampel citra biji jagung dilakukan dengan meng-capture meng- capture citra sampel biji jagung menggunakan kamera digital berukuran 12 megapiksel. Sampel biji jagung yang tersedia sekitar 500 gram per kualitas. Langkah-langkah dalam akuisisi citra diantaranya : menaruh sampel biji jagung sebanyak 3 genggam di atas wadah, kemudian wadah tersebut diletakkan di dalam kotak yang telah dibuat khusus, posisi kamera tegak lurus dengan objek dan dengan ketinggian 15 cm, serta pengaturan cahaya menggunakan 2 lampu LED di dua sisi objek, lalu dilakukan pengambilan citra. Mulai
Sampel biji jagung
Penempatan sampel ke dalam kotak
Pengaturan penyinaran
Pengambilan citra
Selesai
Gambar 3.3 Diagram Alir Pengambilan Sampel Citra Biji Jagung Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 25
BAB 3 MODEL DAN PERANCANGAN SISTEM
3.3.2
Preprocessing
Preprocessing adalah tahapan yang dilakukan sebelum melakukan ekstraksi ciri. Tahapan yang dilakukan dalam preprocessing adalah sebagai berikut. Mulai
Input Citra
Cropping
Citra Hasil Cropping
Selesai
Gambar 3.4 Diagram Alir Preprocessing Alir Preprocessing
Proses cropping dilakukan untuk menghilangkan bagian-bagian citra yang tidak perlu dan didapat citra dengan ukuran yang seragam dengan ukuran 2000 x 2000. Citra hasil cropping ini ini berikutnya akan masuk ke proses ekstraksi ciri dengan terlebih dahulu diubah ke mode warna grayscale , grayscale , red, green, dan blue untuk mengetahui mode warna yang paling baik untuk akurasi sistem.
Gambar 3.5 Citra Sebelum dan Sesudah Cropping
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 26
BAB 3 MODEL DAN PERANCANGAN SISTEM
3.3.3
Pengubahan Mode Warna Citra
Citra Hasil Cropping
Ambil layer red
Citra red
Ambil layer green
Citra green Citra green Ekstraksi Ciri
Ambil layer blue layer blue
Citra blue
Konversi dari RGB ke Grayscale
Citra grayscale
Gambar 3.6 Proses Pengubahan Mode Warna Citra
Citra awal yang masuk ke dalam sistem merupakan citra RGB berukuran 3000 x 4000 dengan format JPEG. Setelah melalui tahap cropping dalam sistem, citra yang dihasilkan berukuran 2000 x 2000. Citra tersebut diubah ke 4 mode warna, yaitu red, green, blue, blue, dan grayscale. grayscale. Pengubahan warna ini dilakukan untuk mengetahui mode warna yang memiliki akurasi paling baik di dalam sistem.
(a)
(b)
(c)
(d)
Gambar 3.7 (a) Citra Red Citra Red (b) Citra Green (c) Green (c) Citra Blue Citra Blue (d) Citra Grayscale
3.3.4 Ekstraksi Ciri
Ekstraksi ciri dilakukan untuk mendapatkan ciri tekstur dari citra biji jagung yang akan dilatih maupun citra yang akan diuji. Citra yang akan diekstrak untuk database ciri latih sebanyak 45 citra biji jagung, sedangkan citra yang diekstrak untuk pengujian sebanyak 135 citra biji jagung. Setelah mengalami proses Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 27
BAB 3 MODEL DAN PERANCANGAN SISTEM
pengubahan warna, citra diekstrak dengan metode ekstraksi ciri statistik orde pertama dan orde kedua. Ciri orde pertama terdiri dari lima parameter ciri, yaitu mean, variance, skewness, kurtosis, kurtosis, dan entropy. entropy. Sedangkan ciri orde kedua terdiri dari enam parameter ciri, yaitu angular second moment, contrast, correlation, variance, invers different moment, moment, dan entropy. entropy. Ciri latih yang disimpan akan dibandingkan dengan ciri citra uji pada tahapan klasifikasi.
Mean
Variance
Skewness Orde Satu Kurtosis Entropy Ekstraksi Ciri Citra Latih Angular Second Moment Orde Dua
Contrast
Correlation
Variance Inverse Different Moment Entropy
Gambar 3.8 Blok Diagram Ekstraksi Ciri
3.3.5
Penentuan Kombinasi Ciri
Pada tahap pengujian, setelah tahap ekstraksi ciri akan ditentukan ciri-ciri yang akan digunakan. Penentuan dilakukan dengan cara menguji akurasi dari setiap ciri orde pertama dan orde kedua. Pada tahap ini, diberi batasan bahwa ciri yang memiliki akurasi lebih dari 55 % yang diambil. Ciri yang diambil ini lalu saling dikombinasikan untuk mengetahui kombinasi ciri yang menghasilkan akurasi terbaik dan harus sesuai target yang diharapkan yaitu lebih dari 80 %.
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 28
BAB 3 MODEL DAN PERANCANGAN SISTEM
Mulai
Ciri tidak dipilih
Tidak
Citra Uji
Preprocessing
Pengubahan mode warna citra
Akurasi > 55 % ?
Klasifikasi dengan K-NN (default)
Pilih satu ciri dari statistik orde pertama dan orde kedua
Ya Ciri dipilih
Kombinasi ciri
Selesai
Gambar 3.9 Diagram Alir Penentuan Kombinasi Ciri
Seperti yang sudah dijelaskan sebelumnya, kombinasi ciri dilakukan pada ciri yang ketika diuji memiliki akurasi lebih dari 55 %. Dari ciri yang didapat akan saling dikombinasikan hingga kombinasi n ciri. Sebagai contoh, jika ada 6 ciri yang memiliki akurasi lebih dari 55 % maka akan dilakukan kombinasikombinasi ciri antara lain : kombinasi 2 ciri, kombinasi kombinasi 3 ciri, kombinasi 4 ciri, kombinasi 5 ciri, dan kombinasi 6 ciri. Setelah didapat akurasi masing-masing dari kombinasi ciri, akan dianalisis kombinasi ciri yang menghasilkan akurasi tertinggi. Kombinasi ciri dengan akurasi tertinggi akan dipakai saat menganalisa pengujian menggunakan menggunakan K-Nearest K-Nearest Neighbor. 3.3.6 Klasifikasi dengan K- Near Near est N eigh bor
K- Nearest Neighbor (K-NN) adalah metode pengukuran kemiripan yang sederhana. Penelitian Tugas akhir ini menggunakan empat cara dalam pengukuran kemiripannya, yaitu berdasarkan Euclidean, Cosine, Cosine, Correlation, dan Cityblock. Euclidean dan Cityblock tergolong dalam metode pengukuran kemiripan berdasarkan geometrik, sedangkan Correlation dan Cosine tergolong dalam metode pengukuran kemiripan berdasarkan himpunan. Analisis yang dilakukan pada K-NN adalah pengaruh penggunaan pengukuran kemiripan dan nilai k yang digunakan terhadap akurasi sistem dalam mengklasifikasi kualitas biji jagung. Nilai k yang di uji adalah 1, 3, dan 5. Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 29
BAB 3 MODEL DAN PERANCANGAN SISTEM
Dipilihnya nilai k yang ganjil agar mengurangi kesalahan algoritma jika peluang kemiripannya sama.
3.4 Analisis Performansi Sistem
Untuk
parameter
akurasi
sistem,
ditentukan
dengan
perbandingan
banyaknya pengujian tepat dengan dengan banyaknya seluruh pengujian, pengujian, sebagai berikut :
(3.1)
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 30
BAB IV ANALISIS DAN PENGUJIAN SISTEM
Pada bab ini akan dijelaskan beberapa hal terkait dengan analisis ekstraksi ciri menggunakan metode statistik orde pertama dan orde kedua terhadap akurasi sistem, analisis hasil pengujian klasifikasi dengan K-Nearest Neighbour ditinjau dari penggunaan nilai k dan metode pengukuran jarak (distance), ( distance), serta analisis waktu komputasi sitem.
4.1 Analisis Ekstraksi Ciri dengan Statistik Orde Pertama dan Orde Kedua
Di bawah ini akan diberikan tabel-tabel hasil percobaan dengan spesifikasi simulasi sebagai berikut : 1.
Citra latih berjumlah 45 citra (3 kualitas biji jagung, masing-masing 15 citra) dan citra uji berjumlah 135 citra (3 kualitas biji jagung, masingmasing 45 citra).
2.
Citra yang diproses oleh sistem adalah citra red, citra green, citra blue, blue, dan citra grayscale,
3.
Ciri statistik orde pertama yang diambil adalah mean, variance, skewness, kurtosis, dan kurtosis, dan entropy. entropy.
4.
Ciri statistik orde kedua yang diambil adalah angular second moment, contrast, correlation, variance, inverse different moment , dan entropy.
5.
Ciri yang memiliki akurasi lebih dari 55 %, saling dikombinasikan agar didapatkan akurasi tertinggi.
6.
Parameter K Parameter K - Nearest Nearest Neighbor pada ekstraksi ciri statistik orde pertama dan orde kedua adalah : k = 1 dan Euclidean dan Euclidean Distance (default).
7.
Untuk lebih detailnya hasil akurasi tiap simulasi dapat dilihat di lampiran A.
BAB 4 ANALISIS DAN PENGUJIAN SISTEM
4.1.1 Ekstraksi Ciri Citra Red
Tabel 4.1 Hasil akurasi dari ekstraksi ciri citra red CITRA RED RE D
Jumlah Data Benar
Kualitas 1
Kualitas 2
Kualitas 3
Total Benar
Akurasi (%)
Ciri Statistik
Mean
12
13
24
49
36,29
Orde Satu
Variance
42
23
17
81
60,74
Skewness
32
23
31
86
63,70
Kurtosis
28
14
37
79
58,52
Entropy
42
20
20
82
60,74
Angular Second Moment
44
21
35
100
74,07
Contrast
13
24
22
59
43,70
Correlation
10
18
23
51
37,78
Variance
14
18
23
55
40,74
Inverse Different Moment
13
37
6
56
41,48
Entropy
44
22
29
95
70,37
Ciri Statistik Orde Dua
Dari Tabel 4.1 dapat dipilih atau ditentukan bahwa ada 6 ciri yang memberikan akurasi cukup signifikan yakni lebih dari 55 % pada citra red, yaitu red, yaitu variance orde variance orde satu (variance (variance1), 1), skewness, kurtosis, entropy orde satu (entropy (entropy1), 1), angular second moment , dan entropy entropy orde dua (entropy (entropy2). 2). Hal ini menunjukkan bahwa citra red biji red biji jagung memiliki memili ki variasi elemen yang banyak pada histogram, tingkat kemencengan relatif kurva histogram yang tinggi, tingkat keruncingan relatif kurva histogram yang tinggi, bentuk citra yang teratur, homogenitas citra yang tinggi, dan transisi derajat keabuan yang merata. Dari ciri-ciri yang terpilih pada citra red ini dilakukan 5 kombinasi ciri, antara lain : kombinasi dua ciri, kombinasi tiga ciri, kombinasi empat ciri, kombinasi lima ciri, dan kombinasi enam ciri.
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 32
BAB 4 ANALISIS DAN PENGUJIAN SISTEM
4.1.2 Ekstraksi Ciri Citra Citra Green Tabel 4.2 Hasil akurasi dari ekstraksi ciri citra green citra green CITRA GREEN
Jumlah Data Benar
Kualitas 1
Kualitas 2
Kualitas 3
Total Benar
Akurasi (%)
Ciri Statistik
Mean
16
11
9
36
26,67
Orde Satu
Variance
35
19
23
77
57,04
Skewness
21
28
27
76
56,29
Kurtosis
22
21
13
56
41,48
Entropy
39
16
20
75
55,56
Angular Second Moment
43
11
19
73
54,07
Contrast
45
14
19
78
57,78
Correlation
12
18
21
51
37,78
Variance
15
17
22
54
40,00
Inverse Different Moment
12
40
5
57
42,22
Entropy
44
13
18
75
55,56
Ciri Statistik Orde Dua
Dari Tabel 4.2 dapat dipilih atau ditentukan bahwa ada 5 ciri yang memberikan akurasi cukup signifikan yakni lebih dari 55 % pada citra green, yaitu variance orde satu (variance (variance1), 1), skewness, skewness, entropy orde satu (entropy (entropy1), 1), contrast , dan entropy entropy orde dua (entropy (entropy2). 2). Hal ini menunjukkan bahwa citra green biji jagung memiliki variasi elemen yang banyak pada histogram, tingkat kemencengan relatif kurva histogram yang tinggi, bentuk citra yang teratur, letak penyebaran elemen-elemen matriks citra jauh dari diagonal utama, dan transisi derajat keabuan yang merata. Dari ciri-ciri yang terpilih pada citra green ini dilakukan 4 kombinasi ciri, antara lain : kombinasi dua ciri, kombinasi tiga ciri, kombinasi empat ciri, dan kombinasi lima ciri.
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 33
BAB 4 ANALISIS DAN PENGUJIAN SISTEM
4.1.3 Ekstraksi Ciri Citra Citra Blue Tabel 4.3 Hasil akurasi dari ekstraksi ciri citra blue Jumlah Data Benar CITRA BLUE
Kualitas 1
Kualitas 2
Kualitas 3
Total Benar
Akurasi (%)
Ciri Statistik
Mean
33
19
36
88
65,19
Orde Satu
Variance
31
26
13
70
51,85
Skewness
8
25
15
48
35,56
Kurtosis
28
25
16
69
51,11
Entropy
33
21
17
71
52,59
Angular Second Moment
34
12
24
70
51,85
Contrast
44
16
16
76
56,29
Correlation
38
21
10
69
51,11
Variance
36
28
9
73
54,07
Inverse Different Moment
12
37
3
52
38,52
Entropy
44
20
14
78
57,78
Ciri Statistik Orde Dua
Dari Tabel 4.3 dapat dipilih atau ditentukan bahwa ada 3 ciri yang memberikan akurasi cukup signifikan yakni lebih dari 55 % pada citra blue, blue, yaitu mean, contrast , dan entropy entropy orde dua (entropy ( entropy2). 2). Hal ini menunjukkan bahwa citra blue biji blue biji jagung memiliki memil iki ukuran dispersi citra yang tinggi, ti nggi, letak penyebaran elemen-elemen matriks citra jauh dari diagonal utama, dan transisi derajat keabuan yang merata. Dari ciri-ciri yang terpilih pada citra blue ini dilakukan 2 kombinasi ciri, antara lain : kombinasi dua ciri dan kombinasi tiga ciri.
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 34
BAB 4 ANALISIS DAN PENGUJIAN SISTEM
4.1.4 Ekstraksi Ciri Citra Grayscale
Tabel 4.4 Hasil akurasi dari ekstraksi ciri citra grayscale CITRA GRAYSCALE
Jumlah Data Benar
Kualitas 1
Kualitas 2
Kualitas 3
Total Benar
Akurasi (%)
Ciri Statistik
Mean
11
15
8
34
25,19
Orde Satu
Variance
39
18
23
80
59,26
Skewness
19
27
17
63
46,67
Kurtosis
20
18
16
54
40,00
Entropy
41
13
21
75
55,56
Angular Second Moment
41
11
22
74
54,81
Contrast
44
12
23
79
58,52
Correlation
17
15
19
51
37,78
Variance
20
12
24
56
41,48
Inverse Different Moment
12
33
7
52
38,52
Entropy
45
13
25
83
61,48
Ciri Statistik Orde Dua
Dari Tabel 4.4 dapat dipilih atau ditentukan bahwa ada 4 ciri yang memberikan akurasi cukup signifikan yakni lebih dari 55 % pada citra grayscale, yaitu variance orde variance orde satu (variance (variance1), 1), entropy orde entropy orde satu (entropy (entropy1), 1), contrast , dan entropy entropy orde dua (entropy (entropy2). 2). Hal ini menunjukkan bahwa citra grayscale grayscale biji jagung memiliki variasi elemen yang banyak pada histogram, bentuk citra yang teratur, letak penyebaran elemen-elemen matriks citra jauh dari diagonal utama, dan transisi derajat keabuan yang merata. Dari ciri-ciri yang terpilih pada citra grayscale ini dilakukan 3 kombinasi ciri, antara lain : kombinasi dua ciri, kombinasi tiga ciri, dan kombinasi empat ciri. 4.1.5 Kombinasi Ciri
Ciri-ciri yang terpilih pada masing-masing citra red , citra green, citra blue, blue, dan citra grayscale akan saling dikombinasikan untuk mendapat akurasi terbaik dari masing-masing kombinasi. Setelah itu akan dianalisis akurasi tertinggi yang didapatkan oleh citra red , citra green, citra green, citra blue, blue, dan citra grayscale.
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 35
BAB 4 ANALISIS DAN PENGUJIAN SISTEM
4.1.5.1 Kombinasi Ciri Citra Red
Tabel 4.5 Hasil akurasi dari kombinasi dua ciri citra red KOMBINASI CIRI CITRA RED RE D
Jumlah Data Benar
Total Benar
Akurasi (%)
18
83
61,48
23
17
82
60,74
42
23
17
82
60,74
Variance1 dan An gular Second Moment
42
23
17
82
60,74
Variance1 dan Entr opy2 opy2
42
23
17
82
60,74
Skewness dan Ku rtosis
28
21
38
87
64,44
Skewness dan Entropy1
40
25
41
106
78,52
Skewness dan A ngular Second Moment
32
23
31
86
63,70
Skewness dan Entr opy2 opy2
45
28
28
101
74,82
Kurtosis dan Entropy1
40
22
38
100
74,07
Kurtosis dan Angul ar Second Second Moment
28
14
37
79
58,52
Kurtosis dan Entr opy2 opy2
43
25
37
105
77,78
Entropy1 dan An gular Second Moment
42
20
20
82
60,74
Entropy1 dan Entr opy2 opy2
45
30
26
101
74,82
Angul ar Second Second Moment dan Entropy2
44
22
29
95
70,37
Kualitas 1
Kualitas 2
Kualitas 3
dan dan Skewness Variance1
42
23
dan dan Kurtosis Variance1
42
Variance1 dan Entropy1
Dari hasil kombinasi dua ciri pada Tabel 4.5 dapat dipilih atau ditentukan bahwa kombinasi ciri yang menghasilkan akurasi paling tinggi yaitu kombinasi ciri skewness skewness dengan entropy entropy orde satu, dengan nilai akurasi sebesar 78,52 %. Sedangkan kombinasi ciri yang menghasilkan akurasi terendah yaitu kombinasi ciri kurtosis dengan kurtosis dengan angular second moment , dengan nilai akurasi sebesar 58,52 %. Hal ini menunjukkan bahwa kombinasi parameter tingkat kemencengan relatif kurva histogram dan keteraturan bentuk citra menghasilkan nilai ciri yang relatif mirip antara citra latih dan citra uji. Sedangkan kombinasi parameter tingkat keruncingan relatif kurva histogram dan homogenitas citra menghasilkan nilai ciri yang kurang memiliki kemiripan antara citra latih dengan citra uji. Semakin mirip ciri citra uji dengan ciri citra latih, semakin besar akurasi yang dihasilkan.
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 36
BAB 4 ANALISIS DAN PENGUJIAN SISTEM
Tabel 4.6 Hasil akurasi dari kombinasi tiga ciri citra red KOMBINASI CIRI CITRA RED RE D
Jumlah Data Benar
Kualitas 1
Kualitas 2
Kualitas 3
Total Benar
42
23
18
83
61,48
42
23
18
83
61,48
42
23
18
83
61,48
42
23
18
83
61,48
42
23
17
82
60,74
Var ian ce1, ce1, Ku rt osis, osis, dan Angul ar Second Second Moment
42
23
17
82
60,74
Var ian ce1, ce1, Ku rt osis, osis, dan Entropy2
42
23
17
82
60,74
Vari ance1, ance1, Ent ropy1, dan Angul ar Second Second Moment
42
23
17
82
60,74
Vari ance1, ance1, Ent ropy1, dan Entropy2
42
23
17
82
60,74
Vari ance1, ance1, Angul ar Second Moment, dan Entr opy2 opy2
42
23
17
82
60,74
Skewness, Skewness, Ku r tosis, dan Entropy1
42
27
42
111
82,22
Skewness, Skewness, Ku r tosis, dan Angular Second Second M oment
28
21
38
87
64,44
Skewness, Skewness, Ku r tosis, dan Entropy2
45
27
35
107
79,26
Skewness, Skewness, En tr opy1, dan Angul ar Second Second Moment
40
25
41
106
78,52
Skewness, Skewness, En tr opy1, dan Entropy2
45
30
36
111
82,22
Skewness, Skewness, An gul ar Second Second Moment, dan Entr opy2 opy2
45
28
28
101
74,82
Kur tosis, tosis, En tropy1, dan Angular Second Second M oment
40
22
38
100
74,07
Kur tosis, tosis, En tropy1, dan Entropy2
44
30
37
111
82,22
Kur tosis, tosis, An gular Second Moment, dan Entr opy2 opy2
43
25
37
105
77,78
Entr opy1, opy1, Angul ar Second Moment, dan Entr opy2 opy2
45
30
26
101
74,82
Var i ance1, Skewness Skewness,, dan Kurtosis Var i ance1, Skewness Skewness,, dan Entropy1 Var i ance1, Skewness Skewness,, dan Angul ar Second Second Moment Var i ance1, Skewness Skewness,, dan Entropy2 Var ian ce1, ce1, Ku rt osis, osis, dan Entropy1
Akurasi (%)
Dari hasil kombinasi tiga ciri pada Tabel 4.6 dapat dipilih atau ditentukan bahwa kombinasi ciri yang menghasilkan akurasi paling tinggi yaitu kombinasi ciri skewness, kurtosis, kurtosis, dan entropy entropy orde satu serta kombinasi ciri skewness,
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 37
BAB 4 ANALISIS DAN PENGUJIAN SISTEM
entropy entropy orde satu, dan entropy entropy orde dua yang menghasilkan nilai akurasi yang sama, yaitu sebesar 82,22%. Sedangkan kombinasi ciri yang menghasilkan akurasi terendah yaitu : kombinasi ciri variance variance orde satu, kurtosis, kurtosis, dan entropy orde satu; kombinasi ciri variance variance orde satu, kurtosis, kurtosis, dan angular second moment ; kombinasi ciri variance variance orde satu, kurtosis, kurtosis, dan entropy entropy orde dua; kombinasi ciri variance orde variance orde satu, entropy orde entropy orde satu, dan angular second moment ; kombinasi ciri variance variance orde satu, entropy entropy orde satu, dan entropy entropy orde dua; kombinasi ciri variance orde variance orde satu, angular second moment , dan entropy orde entropy orde dua, yang memiliki nilai akurasi yang sama, yaitu sebesar 60,74 %. Hal ini menunjukkan bahwa kombinasi parameter tingkat kemencengan dan keruncingan relatif kurva histogram dan keteraturan bentuk citra, serta kombinasi parameter tingkat kemencengan relatif kurva histogram, keteraturan bentuk, dan keteraturan transisi derajat keabuan menghasilkan nilai ciri yang relatif mirip antara citra latih dan citra uji sehingga meningkatkan nilai akurasi. Sedangkan kombinasi yang memiliki parameter banyaknya variasi variasi elemen pada histogram histogram menghasilkan nilai ciri yang kurang memiliki kemiripan antara citra latih dengan citra uji sehingga memperburuk nilai akurasi. Lalu, dari hasil kombinasi empat ciri pada Tabel 4.7 dapat dipilih atau ditentukan bahwa kombinasi ciri yang menghasilkan akurasi paling tinggi yaitu kombinasi ciri skewness, kurtosis, entropy entropy orde satu, dan entropy entropy orde dua, dengan nilai akurasi sebesar 87,41%. Sedangkan kombinasi ciri yang menghasilkan akurasi terendah yaitu : kombinasi ciri variance orde variance orde satu, kurtosis, entropy orde entropy orde satu, dan angular second moment ; kombinasi ciri variance orde variance orde satu, kurtosis, entropy orde entropy orde satu, dan entropy orde dua; kombinasi ciri variance variance orde satu, kurtosis, angular second moment , dan entropy entropy orde dua; kombinasi ciri variance orde variance orde satu , entropy orde entropy orde satu, angular second moment , dan entropy orde entropy orde dua, yang memiliki nilai akurasi yang sama, yaitu sebesar 60,74 %. Hal ini menunjukkan bahwa kombinasi parameter tingkat kemencengan dan keruncingan relatif kurva histogram, keteraturan bentuk citra, dan keteraturan transisi derajat keabuan menghasilkan nilai ciri yang relatif mirip antara citra latih dan citra uji sehingga dapat dijadikan ciri acuan.
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 38
BAB 4 ANALISIS DAN PENGUJIAN SISTEM
Tabel 4.7 Hasil akurasi dari kombinasi empat ciri citra red KOMBINASI CIRI CITRA RED RE D
Jumlah Data Benar
Kualitas 1
Kualitas 2
Kualitas 3
Total Benar
Akurasi (%)
Var ian ce1, ce1, Skewness Skewness, K ur tosis, tosis, dan Entr opy1 opy1
42
23
18
83
61,48
Var ian ce1, ce1, Skewness Skewness, K ur tosis, tosis, dan Angul ar Second Second Moment
42
23
18
83
61,48
Var ian ce1, ce1, Skewness Skewness, K ur tosis, tosis, dan Entropy2
42
23
18
83
61,48
Var i ance1, Skewness Skewness,, Entropy1, dan An gul ar Se Second Moment
42
23
18
83
61,48
Var i ance1, Skewness Skewness,, Entropy1, dan Entropy2
42
23
18
83
61,48
Var ian ce1, ce1, Skewnes Skewness s, Angu lar Second Second M oment, dan Entr opy2
42
23
18
83
61,48
Vari ance1, ance1, Ku rtosis, rtosis, E ntr opy1, opy1, dan Angul ar Second Second Moment
42
23
17
82
60,74
Vari ance1, ance1, Ku rtosis, rtosis, E ntr opy1, opy1, dan Entr opy2 opy2
42
23
17
82
60,74
Vari ance1, ance1, Kurtosis, Kurtosis, Angular Second Second M oment, dan Entropy2
42
23
17
82
60,74
Vari ance1, ance1, Entr opy1, opy1, Angul ar Second Second M oment, dan Entr opy2
42
23
17
82
60,74
Skewnes Skewness s, K ur tosi tosi s, E ntr opy1, dan Angul ar Second Second Moment
42
27
42
111
82,22
Skewnes Skewness s, K ur tosi tosi s, E ntr opy1, dan Entropy2
45
32
41
118
87,41
Skewnes Skewness s, Ku rt osi osi s, Angu lar Second Second M oment, dan Entropy2
45
27
35
107
79,26
Skewnes Skewness s, Entr opy1, An gul ar Second Second M oment, dan Entr opy2
45
30
36
111
82,22
Kur tosis, tosis, Entr opy1, opy1, Angul ar Second Second M oment, dan Entropy2
44
30
37
111
82,22
Pada Tabel 4.7 dapat dilihat juga bahwa kombinasi yang memiliki parameter banyaknya variasi elemen pada histogram menghasilkan nilai ciri yang kurang memiliki kemiripan antara citra latih dengan citra uji sehingga tidak dapat dijadikan ciri acuan.
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 39
BAB 4 ANALISIS DAN PENGUJIAN SISTEM
Tabel 4.8 Hasil akurasi dari kombinasi lima ciri citra red KOMBINASI CIRI CITRA RED RE D
Jumlah Data Benar
Kualitas 1
Kualitas 2
Kualitas 3
Total Benar
Var ian ce1, ce1, Skewness Skewness, K ur tosis, tosis, Entropy1, dan An gul ar Se Second Moment
42
23
18
83
61,48
Var ian ce1, ce1, Skewness Skewness, K ur tosis, tosis, Entropy1, dan Entr opy2 opy2
42
23
18
83
61,48
42
23
18
83
61,48
42
23
18
83
61,48
42
23
17
82
60,74
45
32
41
118
87,41
Var ian ce1, ce1, Skewness Skewness, K ur tosis, tosis, Angul ar Second Second M oment, oment, dan Entropy2 Var ian ce1, ce1, Skewnes Skewness s, E ntr opy1, Angul ar Second Second M oment, oment, dan Entropy2 Vari ance1, ance1, Ku rtosis, rtosis, E ntr opy1, opy1, Angul ar Second Second M oment, oment, dan Entropy2 Skewnes Skewness s, K ur tosi tosi s, E ntr opy1, Angul ar Second Second M oment, oment, dan Entropy2
Akurasi (%)
Dari hasil kombinasi lima ciri pada Tabel 4.8 dapat dipilih atau ditentukan bahwa kombinasi ciri yang menghasilkan akurasi paling tinggi yaitu kombinasi ciri skewness, kurtosis, entropy entropy orde satu, angular second moment , dan entropy orde dua, dengan nilai akurasi sebesar 87,41%. Sedangkan kombinasi ciri yang menghasilkan akurasi terendah yaitu kombinasi ciri variance orde variance orde satu, kurtosis, kurtosis, entropy entropy orde satu, angular second moment , dan entropy entropy orde dua, dengan nilai akurasi sebesar 60,74%. Hal ini menunjukkan bahwa kombinasi parameter tingkat kemencengan dan keruncingan relatif kurva histogram, keteraturan bentuk citra, homogenitas citra, dan keteraturan transisi derajat keabuan menghasilkan nilai ciri yang relatif mirip antara citra latih dan citra uji sehingga dapat dijadikan ciri acuan. Sedangkan kombinasi yang memiliki parameter banyaknya variasi elemen pada histogram menghasilkan nilai ciri yang kurang memiliki kemiripan antara citra latih dengan citra uji sehingga tidak dapat dijadikan ciri acuan. Lalu, dari hasil kombinasi enam ciri pada Tabel 4.9 dapat dilihat bahwa pengujian dengan kombinasi seluruh ciri yang memiliki akurasi lebih dari 55% menghasilkan nilai akurasi yang kurang baik yaitu sebesar 61,48%. Hal ini menunjukkan bahwa ciri-ciri dari citra red yang terpilih, nilai variance orde satu atau banyaknya variasi elemen pada histogram citra dapat memperburuk nilai akurasi apabila dikombinasikan dengan parameter ciri yang lain sehingga Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 40
BAB 4 ANALISIS DAN PENGUJIAN SISTEM
kombinasi yang memiliki parameter variances pada citra red ini ini disarankan untuk tidak digunakan.
Tabel 4.9 Hasil akurasi dari kombinasi enam ciri citra red Jumlah Data Benar
KOMBINASI CIRI CITRA RED
Kualitas 1
Kualitas 2
Kualitas 3
Total Benar
Var ian ce1, ce1, Skewness Skewness, K ur tosi tosi s, Entr opy1, opy1, Angul ar Second Moment, dan Entropy2
42
23
18
83
Akurasi (%)
61,48
Untuk tabel kombinasi ciri citra green citra green,, citra blue, blue, dan citra grayscale dapat dilihat pada bagian lampiran A. 4.1.5.2 Analisis Akurasi Citra RGB dan Grayscale
Berikut ini merupakan grafik hasil akurasi tertinggi yang didapatkan oleh kombinasi ciri dari setiap mode warna citra :
100 90 80 70 ) % ( i s a r u k A
60
Kombinasi 2 Ciri
50
Kombinasi 3 Ciri
40
Kombinasi 4 Ciri
30
Kombinasi 5 Ciri
20
Kombinasi 6 Ciri
10 0 Citra Red
Citra Green
Citra Blue
Citra Grayscale
Gambar 4.1 Grafik Hasil Akurasi Tertinggi
Dari grafik hasil akurasi tertinggi yang diperoleh berdasarkan kombinasi ciri dari setiap mode warna citra pada Gambar 4.1, dapat dilihat bahwa mode warna citra red menghasilkan akurasi paling tinggi dibandingkan dengan citra green, blue, blue, dan grayscale dengan akurasi 87,41 % yang didapatkan pada
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 41
BAB 4 ANALISIS DAN PENGUJIAN SISTEM
kombinasi empat ciri dan kombinasi lima ciri. Kombinasi empat ciri yang tertinggi didapatkan saat kombinasi ciri skewness, ciri skewness, kurtosis, entropy orde entropy orde satu, dan entropy entropy orde dua. Sedangkan kombinasi lima ciri tertinggi didapatkan saat kombinasi skewness, kurtosis, entropy entropy orde satu, angular second moment , dan entropy orde entropy orde dua. Citra red menghasilkan akurasi paling tinggi karena warna biji jagung memiliki warna kekuningan mendekati warna jingga yang terdiri dari sebagian besar komponen red atau lebih jelasnya warna jingga=RGB(255,124,0) jingga=RGB(255,124,0)..
Nearest Neighbor 4.2 Analisis Hasil Pengujian Klasifikasi dengan K- Nearest
Di bawah ini adalah tabel hasil akurasi sistem dengan spesifikasi simulasi sebagai berikut : 1. Database dari ciri citra latih yang tersimpan akan digunakan sebagai acuan untuk klasifikasi citra uji yang jumlahnya sebanyak 135 citra, 45 citra biji jagung kualitas satu, 45 citra biji jagung kualitas dua, dan 45 citra biji jagung kualitas tiga. 2.
Citra yang diujikan adalah citra dengan mode warna red karena menghasilkan akurasi yang paling tinggi dibandingkan dengan grayscale, green, dan blue.
3.
Menggunakan kombinasi ciri yang memiliki akurasi tertinggi yaitu ciri skewness, kurtosis, entropy orde entropy orde satu, dan entropy orde entropy orde dua, dengan nilai akurasi sebesar 87,41%. Sebenarnya pada hasil percobaan, ada dua kombinasi yang menghasilkan akurasi 87,41% yaitu pada kombinasi empat ciri dan kombinasi lima ciri, namun dipilih kombinasi empat ciri agar proses komputasi lebih cepat dengan memakai ciri yang lebih sedikit.
4.
Metode K-Nearest
Neighbor
yang digunakan adalah Euclidean, Euclidean,
Cityblock, Cosine, dan Correlation. Correlation. 5. Nilai k yang diuji adalah 1, 3 , dan 5.
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 42
BAB 4 ANALISIS DAN PENGUJIAN SISTEM
Tabel 4.10 Akurasi Sistem dengan K-Nearest dengan K-Nearest Neighbor Neighbor Metode Distance Metode Distance
Euclidean
Cityblock
Cosine
Correlation
k
Jumlah Data Benar
Total Benar
Akurasi (%)
Kualitas 1
Kualitas 2
Kualitas 3
1
45
32
41
118
87,41
3
45
33
44
122
90,37
5
45
32
43
120
88,89
1
45
35
41
121
89,63
3
45
35
44
124
91,85
5
44
34
42
120
88,89
1
24
27
43
94
69,63
3
23
23
45
91
67,41
5
29
24
43
96
71,11
1
20
23
34
77
57,04
3
22
23
31
76
56,29
5
26
25
29
80
59,26
Pada Tabel 4.10 dapat dilihat hasil klasifikasi dengan K- Nearest Neighbor menggunakan kombinasi ciri skewness, kurtosis, entropy entropy orde satu, dan entropy orde dua. Hasil akurasi tertinggi didapatkan saat menggunakan metode Cityblock Distance dengan nilai k=3, yaitu sebesar 91,85%. Nilai k = 3 berarti terdapat tiga vektor berdekatan yang digunakan sebagai pembanding, dengan nilai tersebut maka sudah dapat mewakili vektor ciri dari berbagai kelas. Sedangkan akurasi terendah didapatkan saat menggunakan Correlation Distance dengan nilai k=3, k=3, yaitu sebesar 56,29%. Euclidean dan Cityblock tergolong dalam metode pengukuran kemiripan berdasarkan geometrik antar vektor latih dengan vektor uji, sedangkan Correlation dan Cosine distance tergolong dalam metode pengukuran kemiripan berdasarkan himpunan antar vektor latih dengan vektor uji. Jadi klasifikasi kualitas biji jagung dengan menggunakan ciri skewness, kurtosis, entropy orde satu, dan entropy orde dua dapat dilakukan dengan metode pengukuran kemiripan berdasarkan geometrik yang terbukti dengan hasil hasi l akurasi yang lebih tinggi.
4.3 Analisis Waktu Komputasi Sistem
Analisis waktu komputasi sistem bertujuan untuk mengetahui kecepatan bekerja suatu sistem. Sistem terdiri dari berbagai tahapan, antara lain
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 43
BAB 4 ANALISIS DAN PENGUJIAN SISTEM
preprocessing , pengubahan mode warna, ekstraksi ciri, dan klasifikasi. Tabel 4.11 adalah total waktu komputasi dari preprocessing sampai klasifikasi berdasarkan banyaknya kombinasi kombinasi ciri yang digunakan.
Tabel 4.11 Waktu Komputasi Sistem dengan berbagai Kombinasi Ciri (dalam detik)
Layer Citra
Waktu Komputasi dengan 1 Ciri
Waktu Komputasi dengan 2 Ciri
Waktu Komputasi dengan 3 Ciri
Waktu Komputasi dengan 4 Ciri
Waktu Komputasi dengan 5 Ciri
Waktu Komputasi dengan 6 Ciri
Red
6,561
6,601
6,626
6,668
6,679
6,698
Green
6,589
6,595
6,679
6,682
6,701
-
Blue
6,566
6,567
6,616
-
-
-
Grayscale
6,728
6,763
6,792
6,863
-
-
Berdasarkan Tabel 4.11, setiap penambahan ciri yang digunakan, waktu komputasi semakin bertambah walaupun hanya sepersekian detik, hal tersebut disebabkan semakin banyak ciri yang digunakan, maka waktu proses sistem juga semakin lama. Selain itu, waktu komputasi citra grayscale lebih lama dibandingkan citra red, green, dan blue karena adanya proses konversi dari citra RGB ke grayscale.
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Tekstur Berbasis Pengolahan Citra Digital 44
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil percobaan dan analisis data pada sistem klasifikasi kualitas biji jagung berdasarkan ciri fisik ditinjau dari tekstur biji jagung dengan menggunakan ekstraksi ciri statistik dan K-Nearest Neighbor maka dapat ditarik kesimpulan sebagai berikut. 1. Metode ekstraksi ciri statistik orde pertama dan orde kedua, serta metode klasifikasi K-Nearest klasifikasi K-Nearest Neighbor dapat digunakan untuk mengklasifikasikan kualitas biji jagung dengan akurasi sebesar 91,85%. 2. Waktu komputasi sistem klasifikasi kualitas biji jagung masih tergolong lambat dengan kisaran 6 sampai 7 detik. Semakin banyak ciri yang digunakan, semakin lama proses komputasi sistem, terbukti waktu komputasi citra red diperoleh sebesar 6,561 detik dengan menggunakan 1 ciri dan 6,698 detik dengan menggunakan kombinasi 6 ci ri. 3. Kombinasi
ciri
yang
menghasilkan
akurasi
paling
baik
dalam
pengklasifikasian kualitas biji jagung adalah kombinasi ciri ciri skewness, kurtosis, entropy orde entropy orde satu, dan entropy dan entropy dua pada ekstraksi ciri citra red , dengan akurasi sebesar 87,41%. 4. Citra red menghasilkan akurasi sistem paling tinggi, yaitu 91,85% karena warna biji jagung memiliki warna kekuningan mendekati warna jingga yang terdiri dari komponen red = 255 dan green dan green = 124. 5. Metode K-Nearest Metode K-Nearest Neighbor dapat menghasilkan akurasi yang diharapkan pada sistem klasifikasi kualitas biji jagung. Terbukti pada saat nilai k = 3 dan menggunakan menggunakan Cityblock Distance Distance dapat menghasilkan akurasi 91,85%.
BAB 5 KESIMPULAN DAN SARAN
5.2 Saran
Berikut adalah beberapa saran untuk pengerjaan-pengerjaan Tugas Akhir selanjutnya : 1. Sebaiknya pada saat akuisisi citra biji jagung, jarak objek dengan kamera lebih dari 15 cm agar ketika citra di-cropping di- cropping menghasilkan citra yang ukurannya lebih kecil sehingga waktu pemrosesan sistem lebih cepat. 2. Dibuat sistem yang dapat mengklasifikasikan jenis biji jagung di samping klasifikasi kualitas. 3. Menggunakan metode ekstraksi ciri yang lain untuk meningkatkan akurasi. 4. Menggunakan metode klasifikasi yang lain untuk meningkatkan akurasi. 5. Sistem dibuat real time. real time.
Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan Ciri Fisik Berbasis Pengolahan Citra Digital 46
DAFTAR PUSTAKA
[1]
Wikipedia.
(2011).
Jagung. Jagung.
http://id.wikipedia.org/wiki/Jagung.html [2]
[Online].
Tersedia
:
[20 September 2011]
Pusat Penelitian dan Pengembangan Tanaman Pangan (1988). Jagung Bogor. Badan Penelitian dan Pengembangan Pertanian
[3]
Saenong, Sania. (1988). Teknologi Benih Jagung. Pusat Penelitian dan Pengembangan
Tanaman Pangan. Bogor. Badan Penelitian dan
Pengembangan Pertanian [4]
Somantri, Agus Supriatna. (2009). Identifikasi (2009). Identifikasi Mutu Fisik Jagung Dengan Menggunakan Teknologi Pengolahan Citra Digital Dan Jaringan Syaraf Tiruan. Tiruan. Jurnal Standardisasi Vol. 31, No. 5 Tahun 2009
[5]
Purnomo, Mauridhi Hery dan Arif Muntasa. 2010. Konsep Pengolahan Citra Digital dan Ekstraksi Fitur. Yogyakarta: Graha Ilmu
[6]
Sutoyo, T., S.Si., M.Kom. (dkk). 2009. Teori Pengolahan Citra Digital. Yogyakarta Penerbit ANDI
[7]
Modul Praktikum Pengolahan Citra. (2008). Analisis (2008). Analisis Tekstur dan Ekstraksi Ciri. [Online]. Tersedia : http://biomed.ee.itb.ac.id. : http://biomed.ee.itb.ac.id. [19 [19 Juni 2012]
[8]
Ardi. (2011). Analisis Tekstur dengan Metode GLCM (Gray Level Cooccurrence
Matrix). Matrix).
[Online].
Tersedia:
http://utekqu.wordpress.com/2011/01/23/analisis-tekstur-dengan-metodeglcm/. [13 glcm/. [13 Juni 2012]. [9]
Widiarsana, I.G.A Oke (dkk). (2011). Data (2011). Data Mining Metode Classification Classif ication K-Nearest
Neighbor
(KNN). (KNN).
[Online].
Tersedia:
http://www.scribd.com/doc/88859050/57208138-Metode-AlgoritmaKNN. [13 Juni 2012]. [10]
Wijaya, Marvin Ch dan Agus Prijono. 2007. Pengolahan Citra Digital Menggunakan Matlab, Matlab , Image Processing Toolbox. Bandung : Penerbit Informatika.
[11]
Atmaja, Ratri Dwi. 2008. Deteksi Jenis Kayu dari Citra Perabot Ukiran Jepara dengan Menggunakan JST Backpropagation. Backpropagation . Bandung: Institut Teknologi Telkom
[12]
Sulistiana, I Nyoman. 2011. Identifikasi Terumbu Karang Berdasarkan Citra Penginderaan Jauh Multispektral dengan Filter 2D Gabor Wavelet dan k- Nearest Neighbor. Bandung: Institut Teknologi Telkom
48
LAMPIRAN A TABEL KOMBINASI CIRI
A.1 CITRA GRAYSCALE A.1.1 Kombinasi Dua Ciri Tabel Hasil akurasi dari kombinasi dua ciri pada citra grayscale KOMBINASI CIRI CITRA GRAYSCALE
Jumlah Data Benar
Total Benar
Akurasi (%)
Kualitas 1
Kualitas 2
Kualitas 3
Variance1 dan Entropy1
39
18
23
80
59,26
Variance1 dan Contrast
39
18
23
80
59,26
Variance1 dan Entropy2
39
18
23
80
59,26
Entropy1 dan Contrast
42
24
21
87
64,44
Entropy1 dan Entropy2
45
24
20
89
65,93
Contrast dan Entropy2
44
15
23
82
60,74
A.1.2 Kombinasi Tiga Ciri Tabel Hasil akurasi dari kombinasi tiga ciri pada citra grayscale KOMBINASI CIRI CITRA GRAYSCALE
Jumlah Data Benar
Total Benar
Akurasi (%)
Kualitas 1
Kualitas 2
Kualitas 3
Variance1, Entropy1, dan Contrast
39
18
23
80
59,26
Variance1, Contrast, dan Entropy2
39
18
23
80
59,26
Entropy1, Contrast, Contrast, dan Entropy2
42
23
23
88
65,19
A.1.3 Kombinasi Empat Ciri Tabel Hasil akurasi dari kombinasi empat ciri pada citra grayscale KOMBINASI CIRI
Jumlah Data Benar
CITRA GRAYSCALE
Kualitas 1
Kualitas 2
Kualitas 3
Total Benar
Variance1, Entropy1, Contrast, dan Entropy2
39
18
23
80
Akurasi (%) 59,26
A-1
A.2 CITRA GREEN A.2.1 Kombinasi Dua Ciri Tabel Hasil akurasi dari kombinasi dua ciri pada citra green KOMBINASI CIRI
Jumlah Data Benar
Total Benar
Akurasi (%)
CITRA GREEN
Kualitas 1
Kualitas 2
Kualitas 3
Variance1 dan Skewness
35
19
23
77
57,04
Variance1 dan Entropy1
35
19
23
77
57,04
Variance1 dan Contrast
35
18
23
76
56,29
Variance1 dan Entropy2
35
19
23
77
57,04
Skewness dan Entropy1
40
26
27
93
68,89
Skewness dan Contrast
45
19
19
83
61,48
Skewness dan Entropy2
45
26
23
94
69,63
Entropy1 dan Contrast
45
19
18
82
60,74
Entropy1 dan dan Entropy2
44
26
15
85
62,96
Contrast dan Entropy2
45
14
18
77
57,04
A.2.2 Kombinasi Tiga Ciri Tabel Hasil akurasi dari kombinasi tiga ciri pada citra green KOMBINASI CIRI
Jumlah Data Benar
CITRA GREEN
Kualitas 1
Kualitas 2
Kualitas 3
Total Benar
Akurasi (%)
Variance1, Skewness, dan Entropy1
35
19
23
77
57,04
Variance1, Skewness, Skewness, dan Contrast Contrast
35
18
23
76
56,29
Variance1, Skewness, dan Entropy2
35
19
23
77
57,04
Variance1, Entropy1, dan Contrast
35
18
23
76
56,29
Variance1, Entropy1, dan Entropy2
35
19
23
77
57,04
Variance1, Contrast, dan Entropy2
35
18
23
76
56,29
Skewness, Entropy1, dan Contrast
45
20
18
83
61,48
Skewness, Entropy1, dan Entropy2
44
27
23
94
69,63
Skewness, Contrast, dan Entropy2
45
20
18
83
61,48
Entropy1, Contrast, Contrast, dan Entropy2 Entropy2
45
19
18
82
60,74
A-2
A.2.3 Kombinasi Empat Ciri Tabel Hasil akurasi dari kombinasi empat ciri pada citra green Jumlah Data Benar
KOMBINASI CIRI CITRA GREEN
Total Benar
Akurasi (%)
Kualitas 1
Kualitas 2
Kualitas 3
35
18
23
76
56,29
35
19
23
77
57,04
35
18
23
76
56,29
35
18
23
76
56,29
45
20
17
82
60,74
Variance1, Skewness, Entropy1, dan dan Contrast Variance1, Skewness, Entropy1, dan dan Entropy2 Variance1, Skewness, Contrast, dan Entropy2 Variance1, Entropy1, Contrast, dan Entropy2 Skewness, Entropy1, Contrast, dan Entropy2
A.2.4 Kombinasi Lima Ciri Tabel Hasil akurasi dari kombinasi lima ciri pada citra green Jumlah Data Benar
KOMBINASI CIRI CITRA GREEN
Kualitas 1
Kualitas 2
Kualitas 3
35
18
23
Variance1, Skewness, Entropy1, Contrast, Contrast, dan Entropy2
Total Benar
Akurasi (%)
76
56,29
A.3 CITRA B L U E A.3.1 Kombinasi Dua Ciri Tabel Hasil akurasi dari kombinasi dua ciri pada citra blue KOMBINASI CIRI
Jumlah Data Benar Total Benar
Akurasi (%)
36
96
71,11
18
36
86
63,70
12
16
72
53,33
CITRA BLUE CITRA BLUE
Kualitas 1
Kualitas 2
Kualitas 3
Mean dan Contrast Contrast
41
19
Mean dan Entropy2 Entropy2
32
Contrast dan Entropy2
44
A.3.2 Kombinasi Tiga Ciri Tabel Hasil akurasi dari kombinasi tiga ciri pada citra blue KOMBINASI CIRI CITRA BLUE CITRA BLUE Mean, Contrast, Contrast, dan Entropy2
Jumlah Data Benar Kualitas 1
Kualitas 2
Kualitas 3
41
19
36
Total Benar
Akurasi (%)
96
71,11
A-3
LAMPIRAN B TABEL DATABASE CIRI CIRI LATIH
B.1 CIRI CITRA RE D B.1.1 Biji Jagung Kualitas Satu Mean
Var1
Skew
Kurt
Ent1
146,7736
863,5806
-0,82759
1,111608
6,827567
143,5417
678,0664
-0,81873
0,746738
6,64642
156,301
720,7872
-0,77356
0,787814
6,709147
145,0089
605,1022
-0,66067
0,585962
6,602452
155,9595
621,9251
-0,84015
0,636399
6,578762
144,2986
588,7598
-0,7509
0,59361
6,563339
144,0805
603,2899
-0,88754
0,675943
6,539133
151,3968
695,7957
-0,87273
0,705136
6,651905
146,222
698,7409
-0,64661
0,695353
6,700542
150,2335
673,1056
-0,80307
0,82351
6,648714
142,3551
565,6847
-1,03719
0,976332
6,447709
135,2145
543,6295
-1,03383
1,244768
6,443228
137,4053
542,2373
-0,94822
0,930308
6,45634
142,5454
582,9593
-1,0043
1,078949
6,498704
134,156
579,0868
-0,85965
0,777918
6,530482
ASM
CON
COR
Var2
IDM
ent2
0,001026
17,14796
1,52E+09 1,52E+09
5809250
0,335274
10,70729
0,00115
15,06594
1,45E+09 1,45E+09
5520208
0,338565
10,48061
0,001138
15,21881
1,71E+09
6516903
0,344521
10,5224
0,001174
14,18013
1,47E+09 1,47E+09
5610755
0,339785
10,42088
0,001171
16,69207
1,7E+09
6463847
0,337082
10,45696
0,001175
15,59128
1,46E+09 1,46E+09
5553117
0,330447
10,43844
0,001185
17,39587
1,46E+09 1,46E+09
5540691
0,329574
10,46247
0,001154
15,13702
1,61E+09 1,61E+09
6121863
0,340138
10,48081
0,001179
14,34244
1,5E+09
5725622
0,349409
10,48578
0,001261
13,73625
1,58E+09 1,58E+09
6025651
0,359371
10,39725
0,001453
13,09709
1,42E+09 1,42E+09
5403824
0,364135
10,16399
0,001494
12,85153
1,29E+09 1,29E+09
4887313
0,365476
10,15267
0,001421
12,65902
1,33E+09 1,33E+09
5040996
0,363849
10,16907
0,001406
12,99077
1,43E+09 1,43E+09
5422502
0,362673
10,22196
0,001331
13,71864
1,27E+09 1,27E+09
4822957
0,358351
10,28385
B-1
B.1.2 Biji Jagung Kualitas Dua
Mean
Var1
Skew
Kurt
Ent1
139,87764
790,4078
-0,53296
0,300837
6,812485
140,09966
815,7173
-0,61405
0,265115
6,814585
140,04118
716,5847
-0,91316
0,836827
6,665381
141,10117
770,0087
-0,72826
0,640593
6,752744
144,18027
780,9182
-0,92316
0,748209
6,713072
142,63959
804,4018
-0,90964
0,880549
6,749955
143,27228
748,3326
-0,73255
0,633589
6,736369
142,85118
813,8483
-0,90452 -0,90452
0,7102
6,751868
143,09307
799,604
-0,76741
0,700395
6,771382
142,29249
795,5913
-0,6464
0,44134
6,791087
142,07441
806,7699
-0,58095 -0,58095
0,446478
6,8174
137,39497
1011,587
-0,26757
0,35608
7,009863
137,71844
959,8735
-0,16787
0,440932
6,974868
139,39208
1016,072
-0,21942
0,472029
7,002064
139,6914
1056,724
0,034353
0,403616
7,042702
ASM
CON
COR
Var2
IDM
ent2
0,0009064
19,76985
1,38E+09
5280313
0,31884
10,82041
0,0010251
15,88101
1,39E+09 1,39E+09
5303215
0,348141
10,64814
0,0011998
14,95526
1,38E+09 1,38E+09
5273765
0,351225
10,46972
0,001106
15,78018
1,4E+09
5364377
0,349731
10,5772
0,0011286
15,96861
1,47E+09 1,47E+09
5593522
0,347896
10,54277
0,0011085
15,93512
1,44E+09 1,44E+09
5485724
0,345878
10,59033
0,0011034
15,53687
1,45E+09 1,45E+09
5517922
0,346582
10,57002
0,0010813
16,70653
1,44E+09 1,44E+09
5503338
0,344103
10,60962
0,0010789
16,74283
1,44E+09 1,44E+09
5517696
0,344138
10,62865
0,0010429
16,55295
1,43E+09 1,43E+09
5457832
0,345464
10,64037
0,0010271
16,11688
1,42E+09 1,42E+09
5444938
0,346601
10,66141
0,0010038
15,23041
1,35E+09 1,35E+09
5160224
0,376365
10,76818
0,0012222
12,20221
1,35E+09 1,35E+09
5170419
0,418771
10,51616
0,0010309
15,8081
1,38E+09
5304055
0,374015
10,77484
0,0009933
15,60013
1,39E+09 1,39E+09
5336090
0,376258
10,80722
B-2
B.1.3 Biji Jagung Kualitas Tiga Mean
Var1
Skew
Kurt
Ent1
140,5051
798,0593
-0,48823
-0,04356
6,816602
137,2132
821,2365
-0,62991
0,114842
6,816126
139,0142
937,073
-0,72656
0,257509
6,882898
138,912
958,7408
-0,57805
0,09791
6,938753
127,7312
943,8567
-0,63212
0,175332
6,911171
138,8361
965,7153
-0,67557
0,238397
6,925284
140,8613
979,7178
-0,42103
0,331712
6,973484
141,3063
1042,435
-0,54876
0,222013
7,008159
138,9757
955,9967
-0,65232
0,397207
6,928441
140,7467
899,0026
-0,60207
0,403162
6,896352
137,0115
914,7287
-0,75148
0,312293
6,867005
138,2401
888,5306
-0,81946
0,542701
6,833623
135,7396
943,0366
-0,78969
0,297958
6,868807
138,1168
953,5334
-0,71636
0,398033
6,911304
136,7057
854,4057
-0,7424
0,463278
6,830054
ASM
CON
COR
Var2
IDM
ent2
0,000966
16,48507
1,39E+09
5328140
0,340677
10,69107
0,000976
17,07018
1,33E+09
5098123
0,341205
10,69698
0,000846
21,22251
1,37E+09
5255063
0,312233
10,93299
0,000788
21,79994
1,37E+09
5253864
0,311414
11,00462
0,000961
16,03663
1,17E+09
4481697
0,351831
10,73793
0,000898
17,87005
1,37E+09
5250713
0,339394
10,82388
0,000907
17,35922
1,41E+09
5400471
0,340564
10,86227
0,000847
17,91745
1,42E+09
5448657
0,337935
10,91089
0,000913
17,91274
1,37E+09
5258191
0,339989
10,82455
0,000952
16,77806
1,4E+09
5371325
0,341727
10,77099
0,00095
16,31196
1,33E+09
5108187
0,342833
10,73076
0,001015
16,23104
1,36E+09
5188532
0,34644
10,67704
0,000969
16,04792
1,31E+09
5025834
0,34461
10,72125
0,000941
15,95311
1,36E+09
5196292
0,346209
10,75232
0,001001
16,11478
1,33E+09
5070928
0,34358
10,68791
B-3
B.2 CIRI CITRA GREEN B.2.1 Biji Jagung Kualitas Satu
Mean
Var1
Skew
Kurt
Ent1
124,4925
1783,3724
-0,138735
-0,452467
7,4059789
121,33582
1466,3909
-0,232151
-0,568537
7,2541329
128,15373
1620,9959
-0,163447
-0,504423
7,3412901
119,29388
1426,6962
-0,0922
-0,542557
7,2511112
126,45791
1528,4487
-0,182966
-0,650577
7,2636904
119,35173
1374,7089
-0,13018
-0,508956
7,2114418
117,88852
1364,3509
-0,223476
-0,606766
7,193199
125,50134
1572,2413
-0,24794
-0,583178
7,3068218
121,71524
1557,8614
-0,070057
-0,476301
7,3170837
122,71849
1539,3166
-0,078432
-0,389416
7,3044016
115,37956
1274,1632
-0,266992
-0,592645
7,1156879
109,61627
1166,1693
-0,228559
-0,394343
7,0881761
111,71593
1207,6969
-0,241445
-0,596774
7,0985788
117,06737
1282,6281
-0,252012
-0,450635
7,1482987
ASM
CON
COR
Var2
IDM
Ent2
0,0005901
19,514869
1,164E+09
4485839,1
0,3268471
11,35758
0,0006507
17,094271
1,092E+09
4204629,3
0,330049
11,15818
0,0006296
17,673924
1,215E+09
4682781,1
0,3341471
11,23728
0,0006561
16,273061
1,057E+09
4067671,4
0,3297868
11,14909
0,0006457
18,393539
1,181E+09
4547479,6
0,3300397
11,19795
0,0006654
17,781265
1,055E+09
4057378,6
0,3217144
11,15759
0,000653
18,938055
1,031E+09
3965321,2
0,3236107
11,16809
0,0006267
17,425774
1,167E+09
4497054,3
0,3310118
11,21115
0,0006586
16,507738
1,104E+09
4251712,8
0,3394168
11,18232
0,0007053
15,263162
1,12E+09
4310483,6
0,3514003
11,11379
0,0008007
14,321709
986322349
3791335,6
0,3577734
10,88473
0,0008368
13,845284
892589788
3428863,8
0,3600728
10,84088
0,0007952
13,801185
926088300
3559520,3
0,3573534
10,86327
0,0007901
14,043012
1,013E+09
3895035,7
0,3566087
10,91953
0,0007669
14,860328
946427015
3638744,3
0,3526211
10,93921
B-4
B.2.2 Biji Jagung Kualitas Dua
Mean
Var1
Skew
Kurt
Ent1
116,5568
1658,5599
-0,06981925
-0,6727017
7,3539396
116,1339
1628,5651
-0,11156458
-0,6286114
7,33716268
114,7147
1452,0785
-0,16015294
-0,4763583
7,25500354
118,1799
1620,7889
-0,09558751
-0,5025874
7,33926972
119,7062
1568,5195
-0,25347183
-0,5371826
7,29217848
120,8116
1619,2206
-0,22563178
-0,4250177
7,33075854
120,4036
1567,408
-0,12331773
-0,3929116
7,31990935
120,8501
1699,7094
-0,27182358
-0,6131816
7,3450137
121,1636
1682,5538
-0,11782636
-0,4891119
7,3594283
119,2333
1655,0971
-0,09898357
-0,5734563
7,35213799
120,3656
1720,8076
-0,07973934
-0,54289
7,373658
118,0613
1920,2519
0,157802512
-0,3446542
7,47211251
116,6034
2030,7948
0,338121958
-0,3144705
7,49639472
120,7218
1932,9696
0,106467268
-0,2234126
7,46861566
119,7849
2119,8413
0,299889238
-0,2621876
7,52768827
ASM
CON
COR
Var2
IDM
Ent2
0,00054
21,664463
1027308548
3959453,24
0,31209159
11,4180399
0,000621
17,687581
1019031353
3926721,48
0,34037802
11,2321738
0,000694
16,481479
986601568,4
3797232,99
0,34426848
11,1151387
0,000639
17,480781
1050918609
4048772,85
0,3426785
11,2209671
0,000656
17,719038
1072272050
4129060,29
0,34010499
11,1838767
0,000641
17,578007
1093230989
4210699,89
0,33801802
11,2333799
0,000655
17,312008
1083349740
4171971,51
0,33883054
11,2150015
0,000615
18,590596
1098649426
4233422
0,33625622
11,2652806
0,000624
18,740453
1102736941
4248681,66
0,33611498
11,2821337
0,000616
18,474334
1069710787
4122109,61
0,33762046
11,2635673
0,000615
17,934279
1092155397
4209095,24
0,33883165
11,2777212
0,000641
16,989838
1067839169
4118328,45
0,36812257
11,2890496
0,000722
14,032632
1052075443
4058820,36
0,40729432
11,1113161
0,000651
17,740014
1111449755
4285735,56
0,3651396
11,3024698
0,000616
17,66772
1108051582
4275542,61
0,36732457
11,3557149
B-5
B.2.3 Biji Jagung Kualitas Tiga Mean
Var1
Skew
Kurt
Ent1
118,27408
1520,09959
-0,08960123
-0,62743936
7,29156978
115,662693
1417,39673
-0,17064562
-0,51654176
7,2436653
116,416008
1634,23934
-0,13892747
-0,60867002
7,33693917
118,053708
1793,03537
-0,05348393
-0,727212
7,40738311
108,34528
1527,13921
-0,08909746
-0,55151173
7,29527904
118,562821
1736,27607
-0,18098569
-0,65695502
7,37840778
122,000686
1836,21426
-0,07223882
-0,41746879
7,43972231
121,001982
1877,14809
-0,07272296
-0,58624845
7,45028898
119,917889
1738,82403
-0,15178734
-0,59854626
7,39109464
121,150472
1632,95636
-0,13081709
-0,49268092
7,35418537
116,929743
1604,19265
-0,20639814
-0,63825974
7,32068083
116,050373
1581,65467
-0,14463391
-0,56320449 -0,56320449
7,318951
117,131674
1571,21869
-0,29665154
-0,55877005
7,29164149
118,824218
1674,27898
-0,20232927
-0,59221732
7,35480194
114,758188
1450,92715
-0,13260463
-0,49786611
7,26066913
ASM
CON
COR
Var2
IDM
Ent2
0,00061641
18,3589896
1045965448
4028738,921
0,33213687 0,33213687
11,2306933
0,00065987
18,6520655
998889437,4
3844453,45
0,33415468
11,1795004
0,0005422
22,8444548
1023515764
3943803,134
0,30684818 0,30684818
11,4346864
0,00049747
23,8047071
1059080475
4084371,664
0,30460843 0,30460843
11,5290437
0,00065353
17,1465056
895628934
3449424,17
0,34683112
11,1643978
0,00057653
19,7479279
1063968825
4101574,001
0,33190068 0,33190068
11,3362288
0,00057785
19,1748949
1125741829
4340536,949
0,33348306 0,33348306
11,3842959
0,00055306
19,6845252
1111818356
4288312,297
0,33071559 0,33071559
11,4085285
0,00057974
19,7501315
1085743490
4185617,521
0,33300579 0,33300579
11,3425062
0,00061317
18,2576129
1099183475
4235221,933
0,3352619
11,2805097
0,00061311
17,7813886
1030075710
3968741,961
0,3358503
11,2362478
0,00063419
17,565311
1014973509
3909862,695
0,3402004
11,2106636
0,00064492
17,2138036
1031551939
3972594,243
0,33897761 0,33897761
11,1885635
0,00061088
17,1559868
1064326894
4101761,463
0,33976243 0,33976243
11,2426866
0,00066138
17,292997
987019303,9
3799434,5
0,33744573
11,1658337
B-6
B.3 CIRI CITRA B L U E B.3.1 Biji Jagung Kualitas Satu Mean
Var1
Skew
Kurt
Ent1
75,387002
2688,8862
0,8186416
-0,1232395
7,43618129
72,230195
2179,8228
0,6842585
-0,3442706
7,33731896
68,553025
2434,7604
0,7635452
-0,2597833
7,37036867
65,657745
2130,0601
0,7544467
-0,3080361
7,26045332
68,398447
2183,7221
0,5113197
-0,8593536
7,30696937
66,955586
2038,7097
0,6849629
-0,4681959
7,25814452
63,3941
1965,783
0,5762954
-0,7538838
7,18722636
69,527248
2247,9074
0,633767
-0,7091404
7,29304746
68,72278
2564,6047
0,8240082
-0,170613
7,37165315
61,398221
2338,4925
0,8043464
-0,3247741
7,25481892
60,189065
1826,5036
0,5639231
-0,9823781
7,09603303
57,801376
1765,0443
0,7792547
-0,4179179
7,08253188
59,290954
1785,8709
0,6383775
-0,7522659
7,10028778
61,496856
2071,2726
0,6549773
-0,7361139
7,1916987
68,164616
2120,5171
0,5681198
-0,8371223
7,24730515
ASM
CON
COR
V ar2
IDM
Ent2
0,0005569
22,926073
565855167
2179471,74
0,29882138
11,541775 11,541775
0,0005853
20,083486
500913591
1928331
0,30346346
11,386257
0,0005923
21,243264
482847806
1858829,57
0,30443496
11,426634 11,426634
0,0006646
19,253551
437095227
1680227,26
0,30615922
11,285147 11,285147
0,0005942
19,612481
464656971 464656971
1789000,4
0,31168246
11,320041
0,0006117
20,37777
442370312 442370312
1701231,52
0,29806358
11,327593
0,0006617
19,778963
406455348 406455348
1562012,6
0,30765067
11,222568
0,00062
20,729478
479977637
1846198,43
0,30284138
11,345469 11,345469
0,0006232
20,833631
493261067 493261067
1898219,6
0,30933795
11,407718
0,0007547
16,998871
414525423
1593133,56
0,32989833
11,155551 11,155551
0,0008044
15,157581
370820837 370820837
1423883,58
0,3390054
10,938442
0,0008677
14,908544
347945162
1334641,3
0,3406621
10,915374
0,0008189
14,891581
360882152 360882152
1385299,7
0,33828486
10,942892
0,0007677
15,274215
397578110
1527851,41
0,33672274
11,045157 11,045157
0,0007096
16,403695
459010717 459010717
1765349,2
0,33145837
11,143066
B-7
B.3.2 Biji Jagung Kualitas Dua
Mean
Var1
Skew
Kurt
Ent1
118,173932
1369,4634
0,00468919
-0,5557094
7,2317728
117,898599
1349,0752
-0,0494966
-0,5314904
7,2178803
116,456188
1203,7027
-0,0974624
-0,3679215
7,1352619
120,035262
1356,7129
-0,0413666
-0,3954613
7,2247783
121,300518
1302,5936
-0,2022705
-0,4639598
7,1780307
122,288225
1362,5224
-0,1742107
-0,3355799
7,2231008
121,894652
1311,6858
-0,0498345
-0,3037755
7,2051321
122,402051
1420,563
-0,2202401
-0,5452577
7,2378135
122,85086
1417,7667
-0,0666161
-0,4010337
7,250292
120,838146
1383,4587
-0,0289727
-0,4707012
7,2394786
121,99121
1446,6985
-0,0113283
-0,4620532
7,2645916
119,301761
1660,2554
0,24775717
-0,2067913
7,3711412
118,410777
1721,0663
0,42846109
-0,1128945
7,3775616
121,796726
1662,4287
0,21597304
-0,0508309
7,365994
121,363039
1820,5552
0,40623574
-0,0845227
7,4166981
ASM
CON
COR
Var2
IDM
Ent2
0,00061344
20,499052 20,499052
1034989574
3983590,61
0,3196771 0,3196771
11,255267 11,255267
0,00070752
16,562691 16,562691
1029560884
3961941,43
0,3498392 0,3498392
11,063492 11,063492
0,00079389
15,400228
998632008
3837739,73
0,3540805
10,94498
0,00072339
16,424764 16,424764
1064387155
4095393,81
0,3519856 0,3519856
11,059195 11,059195
0,0007409
16,543518 16,543518
1081794913
4160333,22
0,3499355 0,3499355
11,019288 11,019288
0,00072018
16,528797 16,528797
1101596478
4237752,47
0,3472022 0,3472022
11,078537 11,078537
0,00073961
16,229754 16,229754
1092012960
4199911,72
0,3482396 0,3482396
11,051839 11,051839
0,00068994
17,417826 17,417826
1106701530
4259551,82
0,3456408 0,3456408
11,109511 11,109511
0,00070074
17,627708 17,627708
1114083301
4287300,46
0,3451195 0,3451195
11,126214 11,126214
0,00069742
17,306352 17,306352
1078846441
4152149,61
0,3470696 0,3470696
11,101789 11,101789
0,00069022
16,840566 16,840566
1101643919
4240744,68
0,3479874 0,3479874
11,121446 11,121446
0,00072446
15,953629
1071531418
4127899,21
0,3771503
11,13857
0,00085526
12,906229 12,906229
1061476407
4089319,88
0,4220249 0,4220249
10,917063 10,917063
0,00073614
16,629333 16,629333
1112238597
4283874,24
0,3743019 0,3743019
11,149303 11,149303
0,00070514
16,548329
1115044259
4297279,39
0,376449
11,193473
B-8
B.3.3 Biji Jagung Kualitas Tiga
Mean
Var1
Skew
Kurt
Ent1
69,51221
2468,6509
0,6750014
-0,4268816
7,3493765
68,69345
2329,8662
0,6914282
-0,4114006
7,3458324
63,50188
2483,7743
0,82157658
-0,2669267
7,3028949
74,270369
2748,078
0,67933678
-0,358082
7,4352076
69,442343
2585,2033
0,62654906
-0,6207421
7,3972777
76,433926
2804,9862
0,6335745
-0,4087693
7,503828
73,431064
2725,606
0,74758268 0,74758268
-0,1745031
7,4669564
76,686705
2844,4703
0,53493474
-0,7212735
7,4840207
78,379626
2929,1523
0,65050841
-0,4252758
7,5193457
72,751049
2813,5811
0,73221519 0,73221519
-0,4159702
7,413721
77,607884
2837,8235
0,66730252
-0,4226817
7,4820415
78,161705
3223,041
0,94122824
0,11599529
7,5024056
77,004057
3570,6004 3570,6004
1,07288037
0,37977198
7,4896205 7,4896205
81,102343
3201,983
0,90091659
0,22209453
7,5498313
81,320002
3539,6191
0,95686212
0,15881041
7,54379
ASM
CON
COR
Var2
IDM
Ent2
0,0005871
23,598169
494183770
1901636,89
0,295108
11,487766
0,0006533
19,601497
477258199
1836967,27
0,3201908
11,334233
0,0007219
18,304939
441716965
1698527,78
0,323882
11,247819
0,0006207
19,83828
558464446
2151191,1
0,3209072
11,419844
0,0006109
19,773516
500889206
1929570,56
0,3176343
11,389612
0,0005527
20,21751
583493262
2250127,17
0,3142077
11,524422
0,0005862
19,885469
548350843
2113313,09
0,3162586
11,472845
0,0005609
20,786392
588854347
2270369,28
0,3146251
11,505667
0,0005491
21,781404
611978589
2359940,69
0,3122207
11,564548
0,0006295
20,930774
548094896
2110111,33
0,3136403
11,43673
0,0005782
20,089358
598185632
2305755,51
0,3167117
11,491509
0,0006795
20,89754
629908970
2426515,42
0,3428883
11,461664
0,0008306
18,670933
641437634
2469436,34
0,3762545
11,278507
0,0006189
21,529009
659351801
2542585,12
0,3420554
11,516894
0,0006716
21,756434
684589621
2638484,62
0,3445517
11,502103
B-9
B.4 CIRI CITRA GRAYSCALE B.4.1 Biji Jagung Kualitas Satu
Mean
Var1
Skew
Kurt
Ent1
71,42523575
2097,26635
0,581408768
-0,46614323
7,348186185
69,63803725
1734,7839
0,580177301
-0,4665607
7,243240093
69,48379375
2210,4941
0,686188874
-0, 38883807
7,341125005
75,8450345
2487,69571
0,648735023
-0,48584599
7,431127188
69,47764225
2129,21231
0,660751432
-0,3706868
7,30543792
76,11184575
2258,43486
0,490905139
-0,65588132
7,392220691
83,090982
2945,22503
0,664934974
-0,24869878
7,5594676
80,467304
2908,00908
0,626402653
-0,49132768
7,535234232
81,5584515
2562,30395
0,557267502
-0,44356373
7,486331779
78,31197625
2513,75443
0,640222854
-0,37219371
7,459576321
71,399994
2093,96671
0,633371183
-0,47429279
7,322038003
70,51906225
2242,29592
0,679562323
-0,44905683
7,339040611
76,98511375
2184,80587
0,472287658
-0,69868161
7,378775162
82,0889395
2392,17769
0,506351651
-0,60713201
7,448612464
71,399994
2093,96671
0,633371183
-0,47429279
7,322038003
ASM
CON
COR
Var2
IDM
Ent2
0,000595038
20,2714168
487369184
1877133,773
0,313307744
11,375124
0,000643176
19,7380402
446672663,4
1718692,144
0,317183237
11,250712
0,0005582
24,4039922
476283880,8
1833482,703
0,291137614
11,5064212
0,000511562
25,7708058
556659625,6
2145067,266
0,287853499
11,6302292
0,000675771
18,3249863
471411550
1814168,483 1814168,483
0,329206757
11,2494884
0,000577004
21,5599934
544325833,7
2097520,336
0,313208952
11,4363448
0,000528764
21,8804313
663821469,3
2561182,608
0,312753522
11,6094522
0,000534682
21,9373082
632766027,9
2440615,74
0,309381156
11,5962151
0,000543147
22,2579665
621789306,9
2397886,338
0,312066137
11,5408716
0,000562046
20,3851565
584014468,7
2251254,112
0,313066334
11,490002
0,00062947
18,9217062
487156943,2
1875468,623
0,318223293
11,3143491
0,000639183
19,1304489
488556699,4
1880730,66
0,320421082
11,3197166
0,000587192
18,6577146
548575046,7
2113895,918
0,319008776
11,366897
0,000556939
19,0550457
616476094,9
2377081,116
0,318734977
11,4402108
0,00062947
18,9217062
487156943,2
1875468,623
0,318223293
11,3143491
B-10
B.4.2 Biji Jagung Kualitas Dua
Mean
Var1
Skew
Kurt
Ent1
125,5669578
1474,882494
-0,0800395
-0,306688
7,28648136
122,3859563
1193,9633
-0,1660539
-0,4670623
7,12723148
129,7837478
1302,197499
-0,0894741
-0,4116829
7,19802054
120,8767298
1138,452485
-0,0124454
-0,4452017
7,10071472
128,6696988
1210,593469
-0,1498247
-0,6104136
7,11101047
120,8451915
1099,133735
-0,0694596
-0,4420891
7,06558711
119,514389
1090,842583
-0,1815749
-0,5464732
7,0460194
126,8709218
1256,5328
-0,1971836
-0,52851
7,16209676
123,011403
1275,055434
0,02541907
-0,3576659
7,18607422
123,959268
1233,736913
-0,0238541
-0,3117126
7,1573476
117,1592085
1019,29808
-0,2404844
-0,5558862
6,96785779
111,3703368
940,7602189
-0,1880602
-0,2859345
6,94832925
113,426824
970,3899838
-0,1978959
-0,5323624
6,95833572
118,3598368
1041,377802
-0,2010128
-0,3980279
7,01219896
114,1785848
1028,793289
-0,1609423
-0,4710013
7,01796119
ASM
CON
COR
Var2
IDM
Ent2
0,000674529
17,90576293
1162967773
4476387,14
0,33662792
11,181999
0,000744346
15,70460973
1092941657
4201110,26
0,33983595
10,975628
0,000735543
16,0230362
1224510000
4709870,65
0,3456169
11,028765
0,000767923
14, 82207421
1065096875
4092181,61
0,34066112 0,34066112
10,93613
0,000742944
17,24163541
1199877073
4611856,78
0,33859844
10,999601
0,000767231
16,28683552
1062324534
4079649,3
0,33151281
10,95528
0,000750252
17,81739156
1040183305
3995067,51
0,33141286
10,978485
0,000725765
15,9240578
1171545889
4505595,68
0,34144281 0,34144281
11,007025
0,000761052
15,08759088
1108199212
4261367,55
0,35056155
10,989004
0,000815887
14,2078229
1121712209
4311363,46
0,36134944 0,36134944
10,914608
0,000920545
13, 35256678
998973893
3833083,83
0,36753265 0,36753265
10,686579
0,000966985
13,00057008
905432713
3471411,13
0,3694999
10,654332
0,000914695
12,90152158
937881943
3598378,53
0,36704014
10,67365
0,000905861
13,16458369
1019275428
3911938,17
0,36600263
10,735848
0,000866185
13,99660551
952804953
3657778,85
0,3615153
10,773263
B-11
B.4.3 Biji Jagung Kualitas Tiga
Mean
Var1
Skew
Kurt
Ent1
119,587299
1266,67536
-0,0315753
-0,5570711
7,17207205
116,866227
1184,41785
-0,1446212
-0,4583864
7,12552719
117,829923
1376,54872
-0,1136737
-0,5066409
7,22785125
119,486142
1510,69854
-0,0210741
-0,6378193
7,2980495
109,720573
1324,20106
-0,0606797
-0,4663531
7,20439522
119,792044
1468,56152
-0,1617723
-0,5766724
7,27239632
123,211001
1583,65285
0,01397389
-0,3045664
7,34441876 7,34441876
122,458852
1617,83252
-0,0223522
-0,4942252
7,35581983
121,249841
1488,72137
-0,1132697
-0,4972627
7,29280818
122,133926
1395,07806
-0,0667564
-0,3949584
7,2533418
118,286592
1369,64355
-0,1838256
-0,5679086
7,22131773
117,502339
1336,12765
-0,124702
-0,4566204 -0,4566204
7,21063082
118,126028
1353,29918
-0,2679171
-0,4895725
7,2003877
120,411173
1442,10793
-0,1753349
-0,5030914
7,26174821
116,384698
1237,93659
-0,1112004
-0,4021781
7,15641642
ASM
CON
COR
Var2
IDM
Ent2
0,0007002
17,2372219
1051486043
4044618,34
0,34169546
11,0618834
0,00074741
17,5522074
1003568360
3857191,88
0,34360841
11,01307
0,00060995
21,721589
1029939087
3963531,02
0,3139816
11,2872969
0,00056007
22,5772338
1064405124
4100080,43
0,3121915
11,3791498
0,00072667
16,2483609
903260506
3475051,42
0,35562331
11,0299278
0,00064919
18,607826
1067069234
4108779,3
0,3409458
11,1834949
0,0006448
18,1452023
1130029418
4352615,89
0,34206645
11,2451778
0,00061726
18,6059092
1119496754
4313606,65
0,33934107
11,2697863
0,00064982
18,6879724
1091868319
4204610,47
0,34166571
11,1998863
0,00068748
17,2650802
1100705884
4236213,03
0,34375351
11,1359834
0,00068595
16,8083127
1037066896
3991206,86
0,34478157
11,0922986
0,00071687
16,5778705
1022724380
3934688,1
0,3492496
11,0569603
0,00071353
16,3084718
1033829828
3977268,12
0,34741815
11,0550454
0,00068039
16,2719713
1075492745
4140444,99
0,34848635
11,1068542
0,00074553
16,3801264
999403196
3842109,76
0,34621621
11,0175738
B-12
LAMPIRAN C PROGRAM KLASIFIKASI KUALITAS BIJI JAGUNG J AGUNG C.1 Br owse owse F il e function browse_Callback(hObject, function browse_Callback(hObject, eventdata, handles) clc [file path flag]=uigetfile('*.jpg' flag]=uigetfile('*.jpg', ,'select *.jpg file'); file'); if flag~=0 if flag~=0 pic=imread([path file]); [r c l]=size(pic); axes(handles.gambar); imshow(pic); set (handles.namagambar, (handles.namagambar,'string' 'string',file); ,file); save sampeljagung.mat pic r c l end
C.2 Program Preprocessing function preprocessing_Callback(hObject, eventdata, handles) function preprocessing_Callback(hObject, load sampeljagung.mat [jumbar jumkol jumlapis] = size(pic); geser_kiri = 100; pusat_bar = round(jumbar./2); pusat_kol = round(jumkol./2) – geser_kiri; half = 1000; citra_cropp = pic(pusat_bar – half : pusat_bar + half – 1, pusat_kol – half : pusat_kol + half – 1, : ); axes(handles.gambar2); imshow(citra_cropp); set (handles.namagambar2,’string’ ,’Citra Hasil Cropping’ ); save citra_cropp.mat citra_cropp
C.3 Program Ekstraksi Ciri function pushbutton7_Callback(hObject, function pushbutton7_Callback(hObject, eventdata, handles) load citra_cropp if if get(handles.radiobutton7, 'Value' 'Value') ) citra_warna = rgb2gray(citra_cropp); set (handles.namagambar3,'string' (handles.namagambar3,'string', ,'Citra Grayscale'); Grayscale'); elseif get(handles.radiobutton8, 'Value' elseif 'Value') ) citra_warna = citra_cropp(:,:,1); citra_cropp(:,:,1); set (handles.namagambar3,'string' (handles.namagambar3,'string', ,'Citra Red'); Red'); elseif get(handles.radiobutton9, 'Value' elseif 'Value') ) citra_warna = citra_cropp(:,:,2); citra_cropp(:,:,2); set (handles.namagambar3,'string' (handles.namagambar3,'string', ,'Citra Green'); Green'); elseif get(handles.radiobutton10, 'Value' elseif 'Value') ) citra_warna = citra_cropp(:,:,3); citra_cropp(:,:,3); set (handles.namagambar3,'string' (handles.namagambar3,'string', ,'Citra Blue'); Blue'); end axes(handles.gambar3); imshow(citra_warna);
C-1
[CiriMEAN CiriVAR CiriSKEW CiriKURT CiriENT] = CiriOrdeSatu(citra_warna); [CiriASM CiriCON CiriCOR CiriVAR2 CiriIDM CiriENT2] = CiriOrdeDua(citra_warna); ciri_orde_satu_data_uji = [CiriMEAN CiriVAR CiriSKEW CiriKURT CiriENT]; ciri_orde_dua_data_uji = [CiriASM CiriCON CiriCOR CiriVAR2 CiriIDM CiriENT2]; pil_ciri_orde_satu = []; pil_ciri_orde_dua pil_ciri_orde_dua = []; if if get(handles.checkbox1, 'Value' 'Value') ) == 1 pil_ciri_orde_satu = [pil_ciri_orde_satu 1]; set(handles.edit13,'string' set(handles.edit13, 'string',CiriMEAN) ,CiriMEAN) end if if get(handles.checkbox2, 'Value' 'Value') ) == 1 pil_ciri_orde_satu = [pil_ciri_orde_satu 2]; set(handles.edit14,'string' set(handles.edit14, 'string',CiriVAR) ,CiriVAR) end if if get(handles.checkbox3, 'Value' 'Value') ) == 1 pil_ciri_orde_satu = [pil_ciri_orde_satu 3]; set(handles.edit15,'string' set(handles.edit15, 'string',CiriSKEW) ,CiriSKEW) end if if get(handles.checkbox4, 'Value' 'Value') ) == 1 pil_ciri_orde_satu = [pil_ciri_orde_satu 4]; set(handles.edit16,'string' set(handles.edit16, 'string',CiriKURT) ,CiriKURT) end if if get(handles.checkbox5, 'Value' 'Value') ) == 1 pil_ciri_orde_satu = [pil_ciri_orde_satu 5]; set(handles.edit17,'string' set(handles.edit17, 'string',CiriENT) ,CiriENT) end if if get(handles.checkbox6, 'Value' 'Value') ) == 1 pil_ciri_orde_dua = [pil_ciri_orde_dua 1]; set(handles.edit18,'string' set(handles.edit18, 'string',CiriASM) ,CiriASM) end if if get(handles.checkbox7, 'Value' 'Value') ) == 1 pil_ciri_orde_dua = [pil_ciri_orde_dua 2]; set(handles.edit19,'string' set(handles.edit19, 'string',CiriCON) ,CiriCON) end if if get(handles.checkbox8, 'Value' 'Value') ) == 1 pil_ciri_orde_dua = [pil_ciri_orde_dua 3]; set(handles.edit20,'string' set(handles.edit20, 'string',CiriCOR) ,CiriCOR) end if if get(handles.checkbox9, 'Value' 'Value') ) == 1 pil_ciri_orde_dua = [pil_ciri_orde_dua 4]; set(handles.edit21,'string' set(handles.edit21, 'string',CiriVAR2) ,CiriVAR2) end if if get(handles.checkbox10, 'Value' 'Value') ) == 1 pil_ciri_orde_dua = [pil_ciri_orde_dua 5]; set(handles.edit22,'string' set(handles.edit22, 'string',CiriIDM) ,CiriIDM) C-2
end if if get(handles.checkbox11, 'Value' 'Value') ) == 1 pil_ciri_orde_dua = [pil_ciri_orde_dua 6]; set(handles.edit23,'string' set(handles.edit23, 'string',CiriENT2) ,CiriENT2) end data_uji_1 = ciri_orde_satu_data_uji(:,pil_ciri_orde_satu); data_uji_2 = ciri_orde_dua_data_uji(:,pil_ciri_orde_dua); data_uji = [data_uji_1 data_uji_2]; save data_ciri data_uji pil_ciri_orde_satu pil_ciri_orde_dua
C.4 Program Ciri Orde Pertama function [CiriMEAN function [CiriMEAN CiriVAR CiriSKEW CiriKURT CiriENT] = CiriOrdeSatu(citra) H=imhist(citra)'; H=H/sum(H); I=[0:255]; CiriMEAN= I*H'; CiriENT=-H*log2(H+eps)'; CiriVAR=(I-CiriMEAN).^2*H'; CiriSKEW = (I-CiriMEAN).^3*H'/CiriVAR^1.5; CiriKURT=(I-CiriMEAN).^4*H'/CiriVAR^2-3; fprintf('\n\tMean fprintf('\n\tMean :%13.4f\n',CiriMEAN); :%13.4f\n',CiriMEAN); fprintf(' fprintf(' \tVariance :%13.4f\n',CiriVAR :%13.4f\n',CiriVAR ); fprintf(' fprintf(' \tSkewness :%13.4f\n',CiriSKEW); :%13.4f\n',CiriSKEW); fprintf(' fprintf(' \tKurtosis :%13.4f\n',CiriKURT); :%13.4f\n',CiriKURT); fprintf(' fprintf(' \tEntropy :%13.4f\n',CiriENT :%13.4f\n',CiriENT );
C.5 Program Ciri Orde Kedua function [CiriASM CiriCON CiriCOR CiriVAR CiriIDM CiriENT]= function [CiriASM CiriOrdeDua(pic) mk000=ko000(pic); mk045=ko045(pic); mk090=ko090(pic); mk135=ko135(pic); MatKook=(mk000+mk045+mk090+mk135)/4; I=[1/256]; SumX=sum(MatKook); SumY=sum(MatKook,2); MeanX=SumX*I'; MeanY=SumY*I'; StdX=sqrt((I-MeanX).^2*SumX'); StdY=sqrt((I-MeanY').^2*SumY); save data_error CiriASM=sum(sum(MatKook.^2)); CiriCON=0;CiriCOR=0;CiriVAR=0;CiriIDM=0;CiriENT=0; for i=1:256 for i=1:256 for j=1:256 for j=1:256 TempCON = (i-j)*(i-j)*MatKook(i,j); TempCOR = (i)*(j)*MatKook(i,j); TempVAR = (i-MeanX)*(j-MeanY)*MatKook(i,j); TempIDM = (MatKook(i,j))/(1+(i-j)*(i-j)); C-3
TempENT CiriCON CiriCOR CiriVAR CiriIDM CiriENT
= = = = = =
-(MatKook(i,j))*(log2(MatKook(i,j)+eps)); CiriCON + TempCON; CiriCOR + TempCOR; CiriVAR + TempVAR; CiriIDM + TempIDM; CiriENT + TempENT;
end end CiriCOR=(CiriCOR-MeanX*MeanY)/(StdX*StdY); fprintf('\n\tASM fprintf('\n\tASM :%13.4f\n',CiriASM); :%13.4f\n',CiriASM); fprintf(' fprintf(' \tCON :%13.4f\n',CiriCON); :%13.4f\n',CiriCON); fprintf(' fprintf(' \tCOR :%13.4f\n',CiriCOR); :%13.4f\n',CiriCOR); fprintf(' fprintf(' \tVAR :%13.4f\n',CiriVAR); :%13.4f\n',CiriVAR); fprintf(' fprintf(' \tIDM :%13.4f\n',CiriIDM); :%13.4f\n',CiriIDM); fprintf(' fprintf(' \tENT :%13.4f\n',CiriENT); :%13.4f\n',CiriENT);
C.6 Program Matriks Kookurensi Orientasi 0
o
function function MatriksHasil=ko000(pic) pic=double(pic); Temp=zeros(256); [tinggi,lebar]=size(pic); for i=1:tinggi for i=1:tinggi for j=1:lebar-1 for j=1:lebar-1 p=pic(i,j)+1; q=pic(i,j+1)+1; Temp(p,q)=Temp(p,q)+1 ; Temp(q,p)=Temp(q,p)+1 ; end end JumlahPixel=sum(sum(Temp)); MatriksHasil=Temp/JumlahPixel;
C.7 Program Matriks Kookurensi Orientasi 45
o
function MatriksHasil=ko045(pic) function pic=double(pic); Temp=zeros(256); [tinggi,lebar]=size(pic); for i=2:tinggi for i=2:tinggi for j=1:lebar-1 for j=1:lebar-1 p=pic(i,j)+1; q=pic(i-1,j+1)+1; Temp(p,q) = Temp(p,q)+1 ; Temp(q,p) = Temp(q,p)+1 ; end end JumlahPixel=sum(sum(Temp)); MatriksHasil=Temp/JumlahPixel;
C.8 Program Matriks Kookurensi Orientasi 90
o
function MatriksHasil=ko090(pic) function pic=double(pic); Temp=zeros(256); [tinggi,lebar]=size(pic); for i=2:tinggi for i=2:tinggi for j=1:lebar for j=1:lebar p=pic(i,j)+1; C-4
q=pic(i-1,j)+1; Temp(p,q) = Temp(p,q)+1 ; Temp(q,p) = Temp(q,p)+1 ; end end JumlahPixel=sum(sum(Temp)); MatriksHasil=Temp/JumlahPixel;
C.10 Program Matriks Kookurensi Orientasi 135
o
function MatriksHasil=ko135(pic) function pic=double(pic); Temp=zeros(256); [tinggi,lebar]=size(pic); for i=2:tinggi for i=2:tinggi for j=2:lebar for j=2:lebar p=pic(i,j)+1; q=pic(i-1,j-1)+1; Temp(p,q) = Temp(p,q)+1 ; Temp(q,p) = Temp(q,p)+1 ; end end JumlahPixel=sum(sum(Temp)); MatriksHasil=Temp/JumlahPixel;
C.11 Program Klasifikasi function klasifikasi_Callback(hObject, function klasifikasi_Callback(hObject, eventdata, handles) if if get(handles.radiobutton7, 'Value' 'Value') ) load gray1 load gray2 load gray3 elseif elseif get(handles.radiobutton8, 'Value' 'Value') ) load ciri_orde1_dan_orde2_kw1 load kw2 load ciri_orde1_dan_orde2_kw3 elseif elseif get(handles.radiobutton9, 'Value' 'Value') ) load green1 load green2 load green3 elseif elseif get(handles.radiobutton10, 'Value' 'Value') ) load blue1 load blue2 load blue3 end load data_ciri jum_data_latih = 15; data_latih_1 = [ciri_orde_satu_kw1(1:jum_data_latih, pil_ciri_orde_satu); ciri_orde_satu_kw2(1:jum_data_latih, pil_ciri_orde_satu); ciri_orde_satu_kw3(1:jum_data_latih,pil_ciri_orde_satu)]; data_latih_2 = [ciri_orde_dua_kw1(1:jum_data_latih, pil_ciri_orde_dua); ciri_orde_dua_kw2(1:jum_data_latih, pil_ciri_orde_dua); ciri_orde_dua_kw3(1:jum_data_latih,pil_ciri_orde_dua)]; data_latih = [data_latih_1 data_latih_2]; kls1 kls1 kls2 kls2
= = = =
'KUALITAS 1'; 1'; repmat(kls1,jum_data_l repmat(kls1,jum_data_latih,1); atih,1); 'KUALITAS 2'; 2'; repmat(kls2,jum_data_latih,1); C-5
kls3 = 'KUALITAS 3'; 3'; kls3 = repmat(kls3,jum_data_l repmat(kls3,jum_data_latih,1); atih,1); grup_kelas = [kls1; kls2; kls3]; pil = get(handles.popupmenu4,'value' get(handles.popupmenu4,'value'); ); switch pil switch pil case 1 case 1 pil_k = 1 case 2 case 2 pil_k = 2 case 3 case 3 pil_k = 3 case 4 case 4 pil_k = 4 case 5 case 5 pil_k = 5 end pil = get(handles.popupmenu2,'value' get(handles.popupmenu2,'value'); ); switch pil switch pil case 1 case 1 pil_distance = 'euclidean' 'euclidean'; ; case 2 case 2 pil_distance = 'cityblock' 'cityblock'; ; case 3 case 3 pil_distance = 'cosine' 'cosine'; ; case 4 case 4 pil_distance = 'correlation' 'correlation'; ; end pil = get(handles.popupmenu3,'value' get(handles.popupmenu3,'value'); ); switch pil switch pil case 1 case 1 pil_rule = 'nearest' 'nearest'; ; case 2 case 2 pil_rule = 'random' 'random'; ; case 3 case 3 pil_rule = 'consensus' 'consensus'; ; end kelas_data_uji = knnclassify(data_uji, data_latih, grup_kelas, pil_k, pil_distance, pil_rule); set(handles.namakw, 'string' 'string', , kelas_data_uji); kelas_data_uji);
C-6