contoh laporan TA Image Processing

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.


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.


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


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



7

BAB 2 DASAR TEORI


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)


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.


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)


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.


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


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


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.


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


BAB 2 DASAR TEORI


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)


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)


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.


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


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


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


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



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


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 %.



Mulai

Ciri tidak dipilih

Tidak

Citra Uji

Preprocessing


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


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)


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.



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


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


12

40

5

57

42,22

Entropy

44

13

18

75

55,56


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.



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


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


12

37

3

52

38,52

Entropy

44

20

14

78

57,78


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.



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


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


12

33

7

52

38,52

Entropy

45

13

25

83

61,48


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.



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.



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,



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.



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.



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


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



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.



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



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






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.


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


39

18

23

80

59,26

Variance1 dan Contrast

39

18

23

80

59,26


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


35

19

23

77

57,04

Variance1 dan Contrast

35

18

23

76

56,29


35

19

23

77

57,04


40

26

27

93

68,89

Skewness dan Contrast

45

19

19

83

61,48


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


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


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


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


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


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;


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;


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;


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

contoh laporan TA Image Processing

Recommend Documents