IMPLEMENTASI METODE GRAY LEVEL CO-OCCURENCE MATRIX UNTUK SISTEM DETEKSI BUSUK BUAH STROBERI
Proposal Tugas Akhir
Diajukan oleh: ALFONSUS AGUNG 7113003
P!OG!A" STUD# T$%N#% #NFO!"AT#%A FA%ULT FA%ULTAS AS T$%NOLOG# T$%NOLOG # #NFO!"AS# # NFO!"AS# UN#&$!S#TA UN#&$!S# TAS S %!#ST$N DUTA 'A(ANA 'A(ANA )OG)A%A!TA *017
#+ple+en,asi "e,o-e Gra. Le/el (oOurrene "a,ri2 Un,uk Sis,e+ De,eksi usuk uah S,ro4eri
i-ang "ina, "a,a kuliah pen-ukung
: :
Pengolahan (i,ra Digi,al 15 Pengolahan (i,ra Digi,al
Na+a "ahasis8a N # " #P%
: : :
Al9onsus Agung 'a.an,o La8u-irejo 7113003 35*
6A
Proposal ini -iajukan -ala+ kolokiu+ se4agai pers.ara,an un,uk +e+ulai penulisan ,ugas akhir5
Proposal # Se+es,er Genap *01;*017 *017
2
1. Latar Belakang S,ro4eri +erupakan ,ana+an her4a5 A-a ra,usan +aa+ jenis s,ro4eri< salah sa,u jenis spesiesn.a 4erna+a Fragaria chiloensis L5 =enis ini .ang +en.e4ar ke 4er4agai negara A+erika< $ropa -an Asia5 Spesies .ang lainn.a .ai,u F. vesca L5 .ang sa,u ini le4ih +en.e4ar luas -i4an-ingkan spesies lainn.a5 =enis s,ro4eri F. vesca L5 ini pula .ang per,a+a kali +asuk ke #n-onesia5 'arna +erah s,ro4eri -ise4a4kan karena 4uah ini ka.a pig+en an,osianin -an +engan-ung an,ioksi-an ,inggi un,uk +elin-ungi s,ruk,ur sel -ala+ ,u4uh ser,a +enegah kerusakan oksigen pa-a organ ,u4uh +anusia5 Salah sa,u perke4unan 4uah s,ro4eri ,erle,ak -i Agro8isa,a an.uro,o ,erle,ak -i lereng Gunung "er4a4u< -esa an.uro,o< kea+a,an Sa8angan< ka4upa,en "agelang< =a8a Tengah5 Da.a ,arik u,a+a agro8isa,a ini a-alah 8isa,a pe,ik 4uah s,ro4eri langsung -i ke4un .ang ,a+pak -ari ,epi jalan5 %e4era-aann.a ukup +enarik +ina, 4an.ak 8isa,a8an khususn.a 8isa,a8an keluarga karena jarang ,er-apa, 8isa,a8an pe,ik 4uah se+aa+ ini -i -aerah "agelang -an seki,arn.a5 !a,ara,a ,ana+an s,o4eri -i4u-i-a.akan -i -aerah -a,aran ,inggi .ang +e+iliki u-ara .ang sejuk5 "enuru, in9or+asi< ,ana+an s,ro4eri 4er4uah pa-a +usi+ ke+arau karena 4an.ak ,erkena panaran sinar +a,ahari5 uah s,ro4eri .ang su-ah +a,ang -apa, -ipe,ik -an langsung 4isa -ikonsu+si a,au 4isa -iolah lagi un,uk +enja-i selai5 Dala+ peneli,ian -an pe+4ua,an sis,e+< penulis +enggunakan "e,o-e Gray
Level
Co-Ocurrence
Matrix
>GL("? -an
"e,o-e Naïve
Bayes
Classification >N(?5 "e,o-e GL(" -igunakan un,uk +enga+4il nilai -ari 9i,ur 9i,ur .ang a-a pa-a o4jek peneli,ian5 %e+u-ian penulis akan +enerapkan "e,o-e N( un,uk +elakukan perhi,ungan un,uk klasi9ikasi 4er-asarkan pro4a4ili,as -a,a .ang 4ersi9a, kuan,i,a,i9 -an -a,a -iskri,5 "e,o-e ini 4er9ungsi un,uk +engi-en,i9ikasikan o4jek 4uah s,ro4eri .ang +a,ang -an 4usuk5 Tujuan penulis +enggunakan "e,o-e GL(" -an "e,o-e N( -iharapkan -apa, +ene+ukan
3
hasil akura, -an ,er4aik pa-a i-en,i9ikasi 4uah s,ro4eri +a,ang -engan kuali,as .ang 4aik agar -apa, -ikonsu+si -an -iolah +enja-i olahan lain5
2. Rumusan Masalah Dari la,ar 4elakang ,erse4u, -iperlukan +asalah .ang akan -i4ahas -ari peneli,ian ini5 !u+usan +asalah .ang a-a -ala+ kasus ini -ian,aran.a a-alah: a5 agai+ana +enerapkan +e,o-e Gray Level Co-Occurrence Matrix -ala+ progra+ agar o+pu,er -apa, +engenali 4uah s,ro4eri 4usuk -ala+ 4en,uk i,ra 45 agai+ana pengaruh 9i,ur -ari +e,o-e Gray Level Co-Occurrence Matrix ,erha-ap akurasi sis,e+@
3. Batasan Masalah a,asan +asalah .ang a-a pa-a peneli,ian ini a-alah: a5 uah s,ro4eri pa-a kon-isi +a,ang -an 4usuk5 45 "e,o-e un,uk -e,eksi ,eks,ur -engan +enggunakan "e,o-e Gray Level Co-Occurrence Matrix >GL("? -an un,uk klasi9ikasi -engan Naïve Bayes Classification N(5 5 Ga+4ar +asukan >inpu,? ga+4ar 4uah s,ro4eri -engan kon-isi 4er4e-a .akni .ang +a,ang -an 4usuk -engan 4akgroun- 8arna pu,ih5 -5 For+a, i,ra .ang akan -i-e,eksi a-alah 54+p5 e5 (i,ra sa+ple 4uah ja+4u 4erukuran 10 2 10 piksel5
4. Tujuan Penelitian Tujuan -ari pe+4ua,an ,ugas akhir ini a-alah un,uk +enip,akan sis,e+ .ang -apa, +en-e,eksi 4usuk pa-a 4uah s,ro4eri -engan +enggunakan +e,o-e
4
Gray Level Co-Occurence Matrix ser,a +enganalisis keakura,an +e,o-e .ang -igunakan un,uk +en-e,eksi i,ra 4uah s,ro4eri 4er-asarkan ,eks,urn.a5
5. Manfaat Penelitian "an9aa, .ang -i-apa,kan -ari peneli,ian ,erse4u, -ian,aran.a +enge,ahui algori,+a -engan +e,o-e Gray Level Co-ocurrence Matrix -an algori,+a -engan +e,o-e Naïve Bayes Classification. Ser,a -apa, +engi-en,i9ikasikan 4uah s,ro4eri +a,ang -an 4usuk seara akura,5
6. Landasan Teori 6.1. Pengol!n C"#$ D"g"#l
Pengolahan i,ra -igi,al +enggunakan ,eknologi computer vision saa, ini 4an.ak -igunakan se4agai o4.ek peneli,ian5 agian -ari pengolahan i,ra a-alah -engan +enggunakan pengolahan 4er-asarkan 8arna5 Analisis 8arna -ala+ pengenalan i,ra -igi,al ini a-a 4e4erapa +o-el -ian,aran.a< +o-el !G< (")< BS#< BS& -an nor+aliCe- !G5 >%usu+an,o< *011?5 Peneli,ian .ang -ilakukan GonCaleC -an 'oo-s >*00*? +en-e9inisikan se4agai 9ungsi -ua -i+ensi 9>25.?< -i+ana 2 -an . +erupakan koor-ina, -ari 4i-ang -a,ar -an nilai ,er,inggi -ari 9 pa-a se,iap koor-ina, >2<.? -ise4u, in,ensi,as a,au ,ingka, kea4uan -ari ,i,ik i,ra ,erse4u,5
6.%. S#$o&e$"
S,ro4eri +erupakan ,ana+an 4uah 4erupa her4a .ang -i,e+ukan per,a+a kali -i (hili< A+erika5 Salah sa,u spesies ,ana+an s,ro4eri .ai,u Fragaria hiloensis L +en.e4ar ke 4er4agai negara A+erika< $ropa -an Asia5 Selanju,n.a spesies lain< .ai,u F5 /esa L5 le4ih +en.e4ar luas -i4an-ingkan spesies lainn.a5 =enis s,ro4eri ini pula .ang per,a+a kali +asuk ke #n-onesia5
5
Gamar ! uah S,ro4eri Segar . >h,,ps:;;en58ikipe-ia5org;8iki;S,ra84err.?
Per4e-aan uah S,ro4eri .ang +asih segar -an su-ah 4usuk ,erliha, -ari ,eks,ur 4uahn.a .ang su-ah +unul ja+ur 4er8arna pu,ih .ang ,u+4uh pa-a 4uah s,ro4eri -an 8arna 4uah .ang su-ah +e+4usuk en-urung pua, ,i-ak seper,i 4uah s,ro4eri segar5
Gamar " uah S,ro4eri usuk . >h,,ps:;;en58ikipe-ia5org;8iki;S,ra84err.?
6.'. G$( Le)el Co-o**+$$en*e M#$", GLCM Gray Level Co-occurrence Matrix >GL("? a-alah +a,riks .ang +engga+4arkan 9rekuensi +unuln.a pasangan -ua piksel .ang 4er,e,angga -engan ,ingka, kea4uan > gray level ? ,er,en,u -ala+ jarak - -an orien,asi arah -engan su-u, ,er,en,u -ala+ i,ra5 =arak an,ar piksel< 4iasan.a 1<*<3 -an se,erusn.a5 Orien,asi su-u, -in.a,akan -ala+ -eraja, s,an-arn.a 0 E< E< 0E< 13E5 >!ao< Sas,r.< "alika< Tiong "ahalaksh+i<
*013? Orien,asu su-u, +enunjukan hu4ungan -engan ,e,angga5 eriku, a-alah ga+4aran pe+4en,ukan GL(" a,as i,ra ,ingka, kea4uan >gra. le/el? pa-a
6
jarak - H 1< -an arah 0E5 Seper,i pa-a Ga+4ar 3 -an ga+4ar >'i4a8an,o< Susan,o< 'i-o-o Tjokronegoro< *00I?
Gamar # (i,ra -engan ,ingka, kea4uan .
Gamar $ GL("< - H 1 -an su-u, 0E
Seper,i .ang -i,unjukkan pa-a Ga+4ar < piksel 1 +enunjukan arah 0 E -engan
jarak - H 1< piksel * arah E -engan jarak - H 1< piksel 3 +enunjukan arah 0E -engan jarak - H 15 >'i4a8an,o< Susan,o< 'i-o-o Tjokronegoro< *00I?
Gamar $ Arah Su-u, 0E<E<0E -an 13E
Langkah langkah +e+4ua, GL(" si+e,ris ,erno+alisasi a-alah se4agai 4eriku, : •
"e+4ua, frame%or& +a,riks
•
"enghu4ungkan spasial an,ara piksel re9erensi -engan piksel ,e,angga< 4erupa su-u, -engan jarak -
•
"enghi,ung ju+lah kookuren -an +engisikan pa-a frame%or& 5
7
•
"enju+lahkan +a,riks kookuren -engan ,ransposn.a un,uk +enja-ikan si+e,ris
•
Nor+alisasi +a,riks un,uk +engu4ahn.a ke 4en,uk pro4a4ili,as
Se,elah +e+peroleh +a,riks nor+alisasi seper,i .ang ,elah -ijelaskan -ia,as< +aka selanju,n.a +enghi,ung pa-a ,ahap ke-ua .ai,u +ene+ukan 9i,ur -ari i,ra ,erse4u,< pa-a kasus ini penulis +enggunakan e+pa, iri 9i,ur .ai,u energi< kon,ras< ho+ogeni,as -an korelasi5 Pa-a 4ukun.a< =ere+iah !< Furgosan +enjelaskan +engenai 9i,ur J 9i,ur .ang -igunakan< seper,i ini : >Ferguson< *007? a5 $nergi > 'nergy? $nergi +en.a,akan ukuran konsen,rasi pasangan -engan in,ensi,as kea4uan ,er,en,u5 $nergi juga +engukur ,ingka, kesera ga+an ,eks,ur5 Ga+4ar .ang +e+iliki ,eks,ur ,era,ur akan +e+iliki nilai energi le4ih ,inggi5 $nergi akan +enapai nilai ,er,inggi saa, perse4aran le/el kea4uan kons,an a,au 4ersi9a, perio-ik5 $nergi -apa, -ihi,ung -engan Persa+aan >1?
>1? 45 %on,ras >Contrast ? %on,ras +erupakan ukuran ke4era-aan /ariasi ,ingka, kea4uan piksel sa,u -engan piksel .ang 4er-eka,an -i seluruh ga+4ar5 %on,ras juga +en.a,akan se4aran piksel J piksel ke-ala+ in,ensi,as 8arna ser,a +en.a,akan se4aran ,erang -an gelap pa-a sua,u ga+4ar5 %on,ras -apa, -ihi,ung seper,i Persa+aan >*?
>*? 5 Bo+ogeni,as > (omogenity?
8
Bo+ogeni,as +enunjukan keho+ogenan sua,u i,ra5 Bo+ogeni,as +engukur keseraga+an in,ensi,as kea4uan pa-a i,ra5 (i,ra .ang +e+iliki se-iki, /arian +e+iliki nilai ho+ogeni,as +enapai nilai +aksi+al a,au 15 Bo+ogeni,as -apa, -ihi,ung +enggunakan Persa+aan >3?
>3? -5 %orelasi >Correlation? "enunjukan ukuran ke,ergan,ungan linear -eraja, kea4uan sehingga -apa, +e+4erikan penunjuk a-an.a s,ruk,ur linear -ala+ i,ra5 %on,ras -apa, -iperoleh -ari Persa+aan >?
>?
6./. N")e B(e0 Cl00"*#"on
"o-el S,a,is,ik +erupakan salah sa,u +o-el .ang ,erpera.a sanga, an-al se4agai pen-ukung penga+4ilan kepu,usan5 %onsep pro4a4ili,as +erupakan salah sa,u 4en,uk +o-el s,a,is,i5 Salah sa,u +e,o-e .ang +enggunakan konsep pro4a4ili,as a-alah Naïve Bayes Classification >N(?5 Pa-a +e,o-e ini< se+ua a,ri4u, akan +e+4erikan kon,ri4usin.a -ala+ penga+4ilan kepu,usan -engan 4o4o, a,ri4u, .ang sa+a pen,ing -an se,iap a,ri4u, saling 4e4as +e+ilih sa,u sa+a lain5 Persa+aan -ari ,eore+a a.es a-alah
>? %e,erangan : K :Da,a -engan lass .ang 4elu+ -ike,ahui B : Bipo,esis -a,a +erupakan sua,u lass spesi9ik P>BK? :Pro4a4ili,as hipo,esis B 4er-asar kon-isi K >pos,eriori pro4a4ili,as? 9
P>B? : Pro4a4ili,as hipo,esis B >prior pro4a4ili,as? P>KB? :Pro4a4ili,as K 4er-asarkan kon-isi pa-a hipo,esis B P>K? : Pro4a4ili,as K Un,uk +enjelaskan +e,o-e Nai/e a.es< perlu -ike,ahui 4ah8a proses klasi9ikasi +e+erlukan seju+lah pe,unjuk un,uk +enen,ukan kelas apa .ang ook 4agi sa+pel .ang -ianalisis ,erse4u,5 %arena i,u< +e,o-e NaM/e a.es -i a,as -isesuaikan se4agai 4eriku,:
>? Di +ana &aria4el ( +erepresen,asikan kelas< se+en,ara /aria4el F1555Fn +erepresen,asikan karak,eris,ik pe,unjuk .ang -i4u,uhkan un,uk +elakukan klasi9ikasi5 "aka ru+us ,erse4u, +enjelaskan 4ah8a peluang +asukn.a sa+pel karak,eris,ik ,er,en,u -ala+ kelas ( >Pos,erior? a-alah peluang +unuln.a kelas ( >se4elu+ +asukn.a sa+pel ,erse4u,< seringkali Dise4u, prior?< -ikali -engan peluang ke+unulan karak,eris,ikkarak,eris,ik sa+pel pa-a kelas ( >-ise4u, juga likelihoo-?< -i4agi -engan peluang ke+unulan karak,eris,ik karak,eris,ik sa+pel seara glo4al >-ise4u, juga e/i-ene?5 %arena i,u< ru+us -i a,as -apa, pula -i,ulis seara se-erhana se4agai 4eriku,:
>7? Nilai $/i-ene selalu ,e,ap un,uk se,iap kelas pa-a sa,u sa+pel5 Nilai -ari pos,erior ,erse4u, nan,in.a akan -i4an-ingkan -engan nilainilai pos,erior kelas lainn.a un,uk +enen,ukan ke kelas apa sua,u sa+pel akan -iklasi9ikasikan5 Penja4aran le4ih lanju, ru+us a.es ,erse4u, -ilakukan -engan +enja4arkan > 1<
< ? +enggunakan a,uran perkalian se4agai 4eriku,:
>I? 10
Dapa, -iliha, 4ah8a hasil penja4aran ,erse4u, +en.e4a4kan se+akin 4an.ak -an se+akin ko+pleksn.a 9ak,or 9ak,or s.ara, .ang +e+pengaruhi nilai pro4a4ili,as< .ang ha+pir +us,ahil un,uk -ianalisa sa,u persa,u5 Aki4a,n.a< perhi,ungan ,erse4u, +enja-i suli, un,uk -ilakukan5 Disinilah -igunakan asu+si in-epen-ensi .ang sanga, ,inggi >nai9?< 4ah8a +asing+asing pe,unjuk >F1in-epen-en? sa,u sa+a lain5 Dengan asu+si ,erse4u,< +aka 4erlaku sua,u kesa+aan se4agai 4eriku,:
>? Un,uk ij < sehingga
>10? Persa+aan -i a,as +erupakan +o-el -ari ,eore+a Nai/e a.es .ang selanju,n.a akan -igunakan -ala+ proses klasi9ikasi5 Un,uk klasi9ikasi -engan -a,a kon,in.u -igunakan ru+us Densi,as Gauss :
>11? %e,erangan : P : Peluang Ki : A,ri4u, ke i 2i : Nilai a,ri4u, ke i ) : %elas .ang -iari .i : Su4 kelas ) .ang -iari : +ean< +en.a,akan ra,a J ra,a -ari seluruh a,ri4u, Q :De/iasi s,an-ar< +en.a,akan /arian -ari seluruh a,ri4u,5
6.2. G$(0*ll"ng
11
"enuru, San,i >*011?< grayscalling +erupakan proses a8al -ala+ image processing .ai,u +engu4ah i,ra 4er8arna +enja-i i,ra grayscale5 Se4uah i,ra ,er-iri -ari ,iga layer +a,rik 8arna .ai,u !e-< Green< -an lue5 Proses perhi,ungan +enggunakan ,iga layer +a,rik ,erse4u, akan -ilakukan se4an.ak ,iga kali -engan perhi,ungan .ang sa+a< un,uk +en.e-erhanakan perhi,ungan +a,rik< ke,iga la.er +a,rik -iu4ah +enja-i 1 layer .ang +erupakan se4uah +a,rik grayscale5 (i,ra 8arna -apa, -iu4ah +enja-i i,ra grayscale -engan ara +enghi,ung ra,a J ra,a ele+en 8arna !e-< Green< -an lue5 Seara +a,e+a,is hi,ungann.a a-alah se4agai 4eriku,5
>?
. Blok !iagram "istem
12
Gamar $) Diagra+ Alir Proses Na/i a.es (lassi9ia,ion
Gamar *. Diagra+ Alir Proses GL("
13
#. Metodologi Penelitian e4erapa
+e,o-e
peneli,ian
.ang
-igunakan
penulis
un,uk
+en.elesaikan ,ugas akhir ini a-alah : a5 S,u-i Li,era,ur S,u-i Li,era,ur -ilakukan -engan ara +e+4aa -an +e+peroleh in9or+asi -ari jurnal -an 4uku .ang 4erhu4ungan -engan +e,o-e .ang -igunakan5 45 Peranangan sis,e+ Peranangan sis,e+ -ilakukan agar -ala+ +e+4angun sis,e+ 4isa le4ih +u-ah karena su-ah a-a ranangan .ang -i4ua,5 Peranangan sis,e+ +enakup -esain in,er9ae< +e,o-e+e,o-e un,uk +e+4angun sis,e+ ,erse4u,< -an ara kerja sis,e+5 5 #+ple+en,asi sis,e+ #+ple+en,asi sis,e+ -ilakukan -engan ara pela,ihan pengenalan 4en,uk 4en,uk 4uah ja+4u ke -ala+ -a,a4ase -an selanju,n.a sis,e+ -apa, 4er9ungsi un,uk +englasi9ikasi jenisjenis 4uah ja+4u air5 -5 $/aluasi $/aluasi ,erha-ap sis,e+ akan -ilakukan oleh penulis -engan +enguji ke+a+puan sis,e+ ke,ika sis,e+ +a+pu +enen,ukan kuali,as 4uah naga -engan -a,a .ang su-ah -iinpu,kan oleh pengguna5
$. !aftar Pustaka "unir*00?5 +engolahan Citra ,igital. !e,rie/e- Ok,o4er 13<*01<9ro+ in9or+a,ika5s,ei5i,45a5i-: h,,p:;;in9or+a,ika5s,ei5i,45a5i-;Rrinal-i5+unir;uku;Pengolahan*0(i,ra *0Digi,al; %a-ir< A5< -an Susan,o< A5< *01*< Teori -an Aplikasi Pengolahan (i,ra< pener4i, An-i O99se,< )og.akar,a5
14
Gin,ing< S5 L5 5< Trinan-a< !5 P5 >*011?5 T$%N#% DATA "#N#NG "$NGGUNA%AN "$TOD$ A)$S (LASS#F#$! UNTU% OPT#"AL#SAS# P$N(A!#AN PADA APL#%AS# P$!PUSTA%AAN5 niversitas +asunan. Banung 5 u-iarso< 5 >*010?5 #-en,i9ikasi "aan Tu,ul Dengan "e,o-e Gre. Le/el (oouren, "a,ri2 >GL("?5 /urnal ,inami&a 0nformati&a< ">*?5 !ajen-ra< P5< %on-o< N5< Nino+i.a< %5< %a+a,a< =5< %uri,a< "5< Shiigi< T5< 555 %ohno< )5 >*00?5 Machine vision algorithm for roots to harvest stra%erries in taletop culture greenhouses5 $ngineering in Agriul,ure< $n/iron+en, an- Foo-< *>1?< *305 Lis,ia< !5< Barjoko< A5 >*01?5 1lasifi&asi Massa paa Citra Mammogram Berasar&anGray Level Cooccurence Matrix 2GLCM3. #=((S#n-onesian =ournal o9 (o+pu,ing an- (.4erne,is S.s,e+s< I>1?< I5 u-iani,a< $5< =asril< =5< Ban-a.ani< L5 >*01?5 0mplementasi +engolahan Citra an 1lasifi&asi 1-Nearest Neighour ntu& Memangun 4pli&asi +emea ,aging 5api an Bai Berasis 6e. /urnal 5ains an 7e&nologi 0nustri < 1*>*?< ***75 Ou.ang< (5< Li< D5< 'ang< =5< 'ang< S5< Ban< )5 >*01*< O,o4er?5 7he research of the stra%erry isease ientification ase on image processing an pattern recognition5
#n #n,erna,ional
(on9erene
on
(o+pu,er
an-
(o+pu,ing
Tehnologies in Agriul,ure >pp5 77?5 Springer erlin Bei-el4erg5
15