071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf

8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf

1/30

USULAN

PENELITIAN DOSEN PEMULA

EKSTRAKSI FITUR WARNA

MENGGUNAKAN HUE SATURATION VALUE UNTUK KLASIFIKASI

TUMBUHAN BERDASARKAN CITRA DAUN

(Pengembangan Bahan Ajar)

TIM PENGUSUL

SITI MUTROFIN, S.Kom.

NIDN: 0727068502

ENDANG KURNIAWAN, S.Kom, M.M.

NIDN: 0719117601

YOSI AGUSTIAWAN ST, MMT

NIDN: 0729087203

UNIVERSITAS PESANTREN TINGGI DARUL ULUM

JOMBANG

APRIL, 2015

Kode/Nama Rumpun Ilmu :

461/ Sistem Informasi


2/30

ii


3/30

iii

DAFTAR ISI

HALAMAN JUDUL ..................................................................................................... i

HALAMAN PENGESAHAN........................................................................................ ii

DAFTAR ISI ................................................................................................................. iii

RINGKASAN ............................................................................................................... iv

1. Pendahuluan .............................................................................................................. 1

1.1. Latar belakang .................................................................................................. 1

1.2. Tujuan penelitian ............................................................................................... 1

1.3. Manfaat penelitian ............................................................................................. 1

1.4. Target luaran .................................................................................................... 2

2. Tinjauan Pustaka ....................................................................................................... 2

2.1. Tumbuhan ......................................................................................................... 2

2.2. Polar Fourier Transform (PFT) ........................................................................ 2

2.3. Hue Saturation Value (HSV) ............................................................................ 5

2.4.

Gray Level Co-Occurrence Matric (GLCM) .................................................... 72.5. Probabilistic Neural Network (PNN) ................................................................ 9

3. Metode Penelitian ...................................................................................................... 9

3.1. Pengumpulan data ............................................................................................. 10

3.2. Praproses Data ................................................................................................... 11

3.3. Ekstraksi Fitur ................................................................................................... 8

3.4. Klasifikasi ......................................................................................................... 12

3.5. Pengujian Sistem ............................................................................................... 13

3.6.

Analisa Hasil ..................................................................................................... 134. Biaya dan Jadwal ....................................................................................................... 13

Daftar Pustaka ................................................................................................................ 14

Lampiran ....................................................................................................................... 15


4/30

iv

RINGKASAN

Klasifikasi tumbuhan berdasarkan daun masih menjadi tantangan untuk diteliti.

Salah satu klasifikasi tumbuhan berdasarkan daun hanya melihat pada fitur bentuk, jika

dataset daun menggunakan dataset Flavia, hal itu cukup, karena hanya terdiri dari warna

hijau daun saja. Faktanya, daun yang ada memiliki warna dan tekstur yang beragam,

seperti pada dataset Foliage. Penelitian sebelumnya dalam mengekstraksi warna

berdasarkan ruang warna RGB ( Red Gren Blue). Penulis mencoba mengusulkan ekstraksi

fitur warna berdasarkan ruang warna HSV ( Hue Saturation Value), karena ruang warna

HSV lebih baik dibandingkan dengan ruang warna RGB. Ekstraksi fitur tekstur

menggunakan GLCM (Gray Level Co-occurrence Matrix). Klasifikasi yang digunakan

adalah Probabilistic Neural Network (PNN). Dataset berdasarkan 60 spesies tumbuhan,

setiap spesies terdiri dari 120 citra (7200 citra). Data pelatihan terdiri dari 5100 citra,setiap spesies terdiri dari 85 citra (71%). Data uji sejumlah 2100 citra, setiap spesies

sejumlah 35 citra (29%). Hasil uji coba akan berdasarkan pada akurasi, baik pada fitur

bentuk, warna, tekstur, gabungan fitur bentuk dan warna, gabungan fitur bentuk dan

tekstur, gabungan dari fitur warna dan tekstur, maupun gabungan dari fitur bentuk, warna

dan tekstur.

Kata kunci: Foliage, PNN, HSV , GLCM, UCI machine learning.


5/30

1

1. Pendahuluan

1.1. Latar belakang

Tumbuhan adalah mahkluk hidup yang tidak bergerak, dan biasanya tumbuh

dengan sendirinya, bukan sesuatu yang sengaja untuk ditanam. Sedangkan tanaman

adalah tumbuhan yang sudah dijinakkan atau sudah mengalami rekayasa (sengaja

ditanam oleh masyarakat). Data Foliage adalah data dedaunan yang berupa citra dari 60

spesies tumbuhan, untuk setiap spesies terdiri dari 120 citra atau sejumlah 7200 citra.

Pengenalan dan klasifikasi tumbuhan secara otomatis menggunakan citra daun

dapat dipandang sebagai bagian khusus dari klasifikasi citra, yang telah banyak dipelajari

oleh komunitas visi komputer dan pengenalan pola. Umumnya metode untuk

menganalisis citra diterapkan pada klasifikasi daun dari suatu tumbuhan. Bentuk daun

dari suatu tumbuhan sangat penting, karena bentuk daun dapat digunakan untuk

membedakan antara spesies tumbuhan yang satu dengan spesies tumbuhan yang lain. Jika

kasus yang digunakan adalah dataset Flavia, hal itu cukup untuk membedakan spesies

tumbuhan. Namun, faktanya daun dari setiap tumbuhan tidak hanya dibedakan pada

bentuk daun, namun juga dari warna dan tekstur (dataset Foliage).

Sehingga, penulis mencoba untuk mengusulkan sebuah pendekatan pengenalan

daun untuk klasifikasi tumbuhan menggunakan algoritma Probabilistic Neural Network(PNN), karena memiliki kecepatan pada pelatihan dan struktur yang sederhana; Ekstraksi

fitur warna yang penulis usulkan menggunakan ruang warna HSV ( Hue Saturation

Value), karena kinerja HSV lebih baik dibandingkan dengan ruang warna RGB ( Red

Green Blue); Ekstraksi bentuk menggunakan Polar Fourier Transform (PFT), dan

ekstraksi tekstur menggunakan Gray Level Co-Occurrence Matric (GLCM).

1.2. Tujuan penelitian

Penelitian ini bertujuan untuk meningkatkan akurasi dalam klasifikasi daun pada

data Foliage dengan cara menggunakan ruang HSV, hasil penelitian ini juga bertujuan

untuk mengembangkan bahan ajar dari matakuliah yang terkait (Kecerdasan Buatan, Data

Mining, dll).

1.3. Manfaat penelitian

Diharapkan penelitian ini dapat bermanfaat untuk perkembangan keilmuan

(Pengolahan Citra Digital, Sistem Temu Kembali Informasi, dll) dan sebagai

pengembangan bahan ajar baik di matakuliah Sistem Intelegensia maupun Data Mining.


6/30

2

1.4. Target luaran

Target luaran dari penelitian ini akan dipublikasikan dalam jurnal

internasional/nasional atau proseding tingkat internasional/nasional dan pengembangan

bahan ajar, terutama di matakuliah Sistem Intelegensia atau Database.

2. Tinjauan Pustaka

2.1. Tumbuhan

Tumbuhan adalah sesuatu yang tumbuh dengan sendirinya, sedangkan tanaman

adalah tumbuhan yang sengaja ditanam oleh manusia (Kamus Besar Bahasa Indonesia).

Tumbuhan dipelajari dalam botani, flora asli/alami yang masih liar, yang secara

fitogeografis, tumbuhan tersebar di permukaan bumi. Sedangkan tanaman dipelajari

dalam ilmu tanaman, tanaman adalah tumbuhan yang telah dijinakan, atau yang telah

direkayasa oleh manusia, sehingga mempunyai nilai aspek guna laksana yang lebih baik

(Salimah dan Ariyanti, 2007). Antara satu tumbuhan dengan tumbuhan yang lain dapat

dibedakan, salah satunya dengan didasarkan daunnya, baik warna (Neto. dkk, 2006),

maupun gabungan dari warna, bentuk, dan tekstur dari daun (Kadir. dkk, 2011).

2.2. Polar Fourier Transform (PFT)

Menurut Wu, dkk (Kadir dan Susanto, 2013), fitur suatu objek merupakan

karakteristik yang melekat pada objek. Fitur bentuk merupakan suatu fitur yang diperoleh

melalui bentuk objek dan dapat dinyatakan melalui kontur, area, dan transformasi,

sebagaimana ditunjukkan pada Gambar 1. Fitur bentuk biasa digunakan untuk

kepentingan identifikasi objek. Sebagai contoh, rasio kebulatan dipakai sebagai salah satu

fitur pada identifikasi tanaman dan Polar Fourier Transform (PFT) dapat dipakai untuk

identifikasi daun.

Representasibentuk

Area TransformasiKontur

Kode rantai

Hampiran poligon

Rasio kebulatan

Transformasi jarak

Transformasi

Fourier

Transformasi PFT

Gambar 1. Representasi bentuk (Kadir dan Susanto, 2013)


7/30

3

Fitur-fitur suatu objek mempunyai peran yang penting untuk berbagai aplikasi

berikut (Kadir dan Susanto, 2013):

1. Pencarian citra: Fitur dipakai untuk mencari objek-objek tertentu yang berada di

dalam database.

2. Penyederhanaan dan hampiran bentuk: Bentuk objek dapat dinyatakan dengan

representasi yang lebih ringkas.

3. Pengenalan dan klasifikasi: Sejumlah fitur dipakai untuk menentukan jenis objek.

Sebagai contoh, fitur citra daun digunakan untuk menentukan nama tanaman.

Menurut Mingqiang (Kadir dan Susanto, 2013), untuk kepentingan aplikasi yang

telah disebutkan, fitur hendaknya efisien. Fitur yang efisien perlu memenuhi sifat-sifat

penting berikut.

1. Teridentifikasi: Fitur berupa nilai yang dapat digunakan untuk membedakan antara

suatu objek dengan objek lain. Jika kedua fitur tersebut didampingkan, dapat

ditemukan perbedaan yang hakiki. Hal ini sama seperti kalau dilakukan oleh manusia

secara visual.

2. Tidak dipengaruhi oleh translasi, rotasi, dan penyekalaan: Dua objek yang sama

tetapi berbeda dalam lokasi, arah pemutaran, dan ukuran tetap dideteksi sama.

3.

Tidak bergantung pada affine: Pengertian affine telah dibahas pada Bab 5. Idealnya,efek affine tidak mempengaruhi fitur.

4. Tahan terhadap derau: Fitur mempunyai sifat yang andal terhadap derau atau cacat

data. Sebagai contoh, daun yang sama tetapi salah satu sedikit robek tetap dikenali

sebagai objek yang sama.

5. Tidak bergantung pada tumpang-tindih: Apabila objek sedikit tertutupi oleh objek

lain, fitur bernilai sama dengan kalau objek itu terpisah.

6. Tidak bergantung secara statistis: Dua fitur harus tidak bergantung satu dengan yang

lain secara statistik.

Citra dapat ditransformasikan di kawasan spasial maupun di kawasan frekuensi.

Dalam istilah bahasa Indonesia istilah transformasi adalah alihragam. Salah satu

alihragam yang biasa dipakai di kawasan frekuensi adalah alihragam Fourier (Kadir dan

Susanto, 2013).

Alihragam Fourier (Fourier transform) merupakan salah satu jenis alihragam ke

kawasan frekuensi yang banyak dipakai pada pengolahan citra. Alihragam ini

dimanfaatkan untuk memetakan citra dari kawasan spasial ke dalam kawasan frekuensi.

Disamping untuk melihat karakteristik spektrum citra, juga menjadi bagian


8/30

4

pemrosesannya. Citra dapat diamati sebagai kumpulan gelombang sinusoid dengan

frekuensi, amplitudo, dan fase yang berbeda-beda. Meskipun pada zaman sekarang

terdapat berbagai alihragam sebagai alternatif alihragam Fourier , konsep yang

mendasari alihragam Fourier perlu dimengerti. Lagipula, beberapa pemrosesan masih

bertumpu pada alihragam Fourier (Kadir dan Susanto, 2013).

Salah satu turunan alihragam Fourier dalam koordinat polar dinamakan PFT2

(Polar Fourier Transform versi 2), yang diperkenalkan oleh Zhang (Kadir dan Susanto,

2013). PFT2 ini digunakan untuk kepentingan temu kembali citra berdasarkan bentuk

objek. Hasil PFT berupa generic Fourier descriptor (GFD). Deskriptor diperoleh dengan

mula-mula memperlakukan citra polar ke bentuk citra persegi panjang dua dimensi (Kadir

dan Susanto, 2013).

Kelebihan PFT2 terhadap Fourier Descriptor (FD) kontur Zhang (Kadir dan Susanto,

2013):

a) Tidak perlu mengetahui informasi kontur yang boleh saja tidak tersedia;

b) Dapat menangkap isi dalam bentuk;

c) Lebih andal terhadap variasi bentuk.

Adapun kelebihan terhadap ZMD:

a)

Mampu menangkap fitur bentuk baik pada arah radial maupun melingkar;b) Komputasi lebih sederhana;

c) Lebih andal.

PFT mempunyai sifat yang tidak bergantung pada translasi. Hal ini ditunjukkan

pada Gambar 2.

(a) Pola1 (b) Pola 2 (pergeseran dari Pola 1)

(c) Spektra Fourier Pola1 (d) Spektra Fourier Pola 2

Gambar 2. Contoh yang menunjukkan PFT2 bersifat

tidak tergantung pergeseran berdasarkan Zhang (Kadir dan Susanto, 2013)


9/30

5

PFT2 didefinisikan sebagai berikut:

(1)

dengan:

a) 0


10/30

6

Menurut Crane (Kadir dan Santosa, 2013), hue merujuk ke warna yang dikenal

manusia, seperti merah dan hijau. Properti ini mencerminkan warna yang ditangkap

oleh mata manusia yang menanggapi berbagai nilai panjang gelombang cahaya.

Sebagai contoh, bila mata menangkap panjang gelombang antara 430 dan 480

nanometer, sensasi yang diterima adalah warna biru, sedangkan jika panjang

gelombang berkisar antara 570 sampai dengan 600 nm, warna yang terlihat adalah

kuning, sedang campuran merah dan hijau terlihat kuning.

Saturation menyatakan tingkat kemurnian warna atau seberapa banyak cahaya putih

yang tercampur dengan hue. Setiap warna murni bersaturasi 100% dan tidak

mengandung cahaya putih sama sekali. Dengan kata lain, suatu warna murni yang

bercampur dengan cahaya putih memiliki saturasi antara 0 dan 100%.

Brightness atau kadang disebut lightness (kecerahan) menyatakan intensitas pantulan

objek yang diterima mata. Intensitas dapat dinyatakan sebagai perubahan warna putih

menuju abu-abu dan terakhir mencapai ke warna hitam, atau yang dikenal dengan

istilah aras keabuan. Perlu diketahui, istilah kromatik berarti gabungan antara hue dan

saturation dan istilah akromatik merujuk ke kecerahan.

Berdasarkan Gonzalez dan Woods (Kadir dan Susanto, 2013) mendefinisikan

ruang warna (atau kadang disebut sistem warna atau model warna) sebagai suatuspesifikasi sistem koordinat dan suatu subruang dalam sistem tersebut dengan setiap

warna dinyatakan dengan satu titik di dalamnya. Tujuan dibentuknya ruang warna adalah

untuk memfasilitasi spesifikasi warna dalam bentuk suatu standar. Ruang warna yang

paling dikenal pada perangkat komputer adalah RGB, yang sesuai dengan watak manusia

dalam menangkap warna. Namun, kemudian dibuat banyak ruang warna, antara lain HSI,

CMY, LUV, HSV, dan YIQ. HSV ( Hue Saturation Value) terkadang dinamakan HSB

( Hue Saturation Brightness).

Gambar 3 Ruang warna HSV pada Matlab (Kadir dan Susanto, 2013)


11/30

7

Model HSV, yang pertama kali diperkenalkan A. R. Smith pada tahun 1978,

ditunjukkan pada Gambar 3. Untuk mendapatkan nilai H, S, V berdasarkan R, G, dan B,

terdapat beberapa cara (Kadir dan Susanto, 2013). Cara yang tersederhana menurut

Acharya dan Ray adalah seperti berikut (Kadir dan Susanto, 2013).

(5) (6)

(7)

Namun, cara ini membuat hue tidak terdefinisikan kalau S bernilai nol. Cara kedua

menurut Acharya dan Ray (Kadir dan Susanto, 2013) terdapat pada Rumus-rumus yang

digunakan sebagai berikut:

, (8) (9)

(10)

(11)

(12)2.4. Gray Level Co-Occurrence Matric (GLCM)

GLCM diperoleh dengan menghitung probabilitas hubungan ketetanggaan antara

dua piksel pada jarak dan orientasi sudut tertentu (Eskaprianda, dkk., 2011).

Langkah-langkah untuk membuat GLCM adalah sebagai berikut (Eskaprianda,

dkk., 2011):

1. Membuat area kerja matriks,


12/30

8

2. Menentukan hubungan spasial piksel referensi dengan piksel tetangga,

3. Menghitung jumlah kookurensi dan mengisikannya pada area kerja,

4. Menjumlahkan matriks kookurensi dengan transposenya untuk menjadikannya

simetris, dan

5. Normalisasi matriks.

Setelah memperoleh matriks kookurensi tersebut, dapat dihitung ciri statistik

yang merepresentasikan citra yang diamati. Ciri atau fitur statistik GLCM antara lain

sebagai berikut (Kadir dan Susanto, 2013).

a. Momen Angular Kedua ( Angular Second Moment ) ASM dan Energi menyatakan

ukuran konsentrasi pasangan dengan intensitas keabuan tertentu pada matriks.

(13)Dalam hal ini, L menyatakan jumlah level yang digunakan untuk komputasi.

b. Kontras yang merupakan ukuran keberadaan variasi aras keabuan piksel citra

dihitung dengan cara seperti berikut:

(14)c. Fitur IDM digunakan untuk mengukur homogenitas. IDM dihitung dengan cara

seperti berikut:

(15)d. Entropi menyatakan ukuran ketidakteraturan aras keabuan di dalam citra.

Nilainya tinggi jika elemen-elemen GLCM mempunyai nilai yang relatif sama.

Nilai rendah jika elemen-elemen GLCM dekat dengan nilai 0 atau 1. Rumus

untuk menghitung entropi:

(16)e. Korelasi yang merupakan ukuran ketergantungan linear antarnilai aras keabuan

dalam citra dihitung dengan menggunakan rumus:

(17)dengan

(18) (19) (20)

(21)


13/30

9

2.5. Probabilistic Neural Network (PNN)

Probabilistic Neural Network (PNN) dikembangkan pertama kali oleh Donald

Specht (Budhi, dkk., 2008). Probabilistic Neural Network adalah suatu metode jaringan

saraf tiruan (neural network) yang menggunakan pelatihan (training) supervised. PNN

biasanya digunakan untuk masalah klasifikasi. Secara garis besar, menurut Haykin

(Budhi, dkk., 2008) PNN mempunyai tiga layer yaitu:

1. Input layer

Input layer merupakan layer data input bagi PNN.

2. Hidden layer

Pada layer ini menerima data dari input layer yang akan diproses dalam

3. Output layer

Pada layer ini, node output berupa binary yang menghasilkan keputusan

klasifikasi.

Langkah-langkah algoritma PNN (Budhi, dkk., 2008):

1. Inisiasi

2. Melakukan inisiasi bobot (weight ) awal pada radial basis layer yang

dilambangkan sebagai W dengan transpose matriks R x Q dari vektor training.

3.

Melakukan inisisasi bobot bias.4. Menghitung jarak (distance) dari data input (P) dengan bobot awal (W).

5. Menghitung nilai aktivitas dari jarak antara bobot awal dengan input (W-P),

dengan menggunakan fungsi radial basis (radbas).

6. Mencari bobot baru dan bobot bias yang baru .

7. Masuk ke dalam compotitive layer , menghitung output dari jaringan.

8. Simpan bobot awal dan bobot akhir.

3.

Metode Penelitian

Penulis mengklasifikasikan tumbuhan berdasarkan fitur daun, yaitu bentuk,

warna, dan tekstur. Tahap pertama adalah mengumpulkan dataset daun Foliage.

Selanjutnya, penulis mencoba melakukan praproses yang terdiri dari mengubah citra

berwarna menjadi citra keabuan, mengubah citra keabuan menjadi citra biner, dan citra

RGB menjadi ruang warna HSV. Ekstraksi fitur bentuk berdasarkan citra biner dengan

menggunakan algoritma PFT, ekstraksi warna berdasarkan ruang warna HSV dengan

kuantisasi 16x4x4 (256), dan ekstraksi tekstur berdasarkan citra keabuan. Hasil ekstraksi

fitur selanjutnya akan diklasifikasikan menggunakan algoritma PNN. Gambar 4


14/30

10

menunjukkan beberapa tahapan metode yang diusulkan. Model ini akan di uji coba

menggunakan MATLAB.

Gambar 4. Metode yang penulis usulkan

3.1. Pengumpulan data

Dataset daun Foliage terdiri dari 60 spesies, setiap spesies terdiri dari 120 citra,

atau sejumlah 7200. Data pelatihan setiap spesies terdiri dari 85 citra atau sejumlah 5100

citra. Data uji setiap spesies terdiri dari 35 citra atau sejumlah 2100 citra. Beberapa

contoh citra daun Flavia ditampilkan pada Gambar 5 dan contoh citra Foliage ditampilkan

pada Gambar 6.

Gambar 5. Dataset Citra Flavia


15/30

11

Gambar 6. Dataset Citra Foliage

3.2. Praproses Data

Dataset daun Foliage berupa citra berwana RGB, sehingga citra harus dikonversi

kedalam ruang warna HSV, fungsi dari citra HSV adalah untuk ekstraksi fitur warna.

Praproses yang lain adalah konversi citra RGB ke citra keabuan, dan citra keabuan ke

citra biner. Persamaan 1 adalah formula yang digunakan untuk mengkonversi nilai piksel

RGB ke dalam nilai keabuan. Dimana R untuk warna piksel merah, G untuk hijau, dan B

untuk biru.

(22)Sebelum tahapan untuk mengubah citra keabuan kedalam citra biner, maka perlu

diketahui ambang berapa yang optimal dengan menggunakan algoritma histogram citra

keabuan. Algoritma tersebut dijelaskan sebagai berikut:

1.

Masukkan citra berukuran M baris dan N kolom.2.

L sebagai jumlah bit citra keabuan.

3.

Buatlah larik histogram sebanyak 2 L elemen dan isi dengan nol.

4. for i for j

hist(f(i,j)+1)hist(f(i,j)+1)+1end-for

end-for


16/30

12

Langkah selanjutnya adalah mengubah citra keabuan menjadi citra biner, teknik untuk

mengubah citra biner penulis memilih untuk menggunakan teknik pengambangan dwi-

aras (bi-level thresholding), dikarenakan teknik ini sangat tepat untuk citra ideal seperti

data citra daun yang penulis dapat dari Flavia, citra bebas dari derau pada dan latar

belakang citra hanya berisi satu warna, yaitu warna putih saja.

Dimana pada teknik ini, nilai yang lebih kecil daripada nilai ambang diperlakukan

sebagai kelompok area pertama dan yang lebih besar atau sama dengan nilai ambang

dikelompokkan sebagai area kedua. Dalam hal ini salah satu area berkedudukan sebagai

latar belakang dan area lain sebagai objek. Secara matematis teknik dwi-aras ini dapat

dirumuskan seperti pada Persamaan 23.

(23)Pada Persamaan 2, T dinyatakan sebagai ambang intensitas, dimana dalam kasus data

citra daun Foliage nilai ambang yang optimal adalah nilai 250 berdasarkan histogram.

3.3. Ekstraksi Fitur

Ekstraksi fitur yang pertama adalah ekstraksi berdasarkan ruang warna HSV,

dimana ruang warna HSV terdiri dari 360 untuk H, 255 untuk S, dan 255 untuk V atau

sejumlah 23.409.000 kemungkinan warna. Ekstraksi warna HSV ini dilakukan dengan

kuantisasi 16 untuk H, 4 untuk S, dan 4 untuk V atau sejumlah 256 kemungkinan warna.

Kuantisasi ini bertujuan untuk mengurangi waktu komputasi, menghapus komponen

warna yang dianggap noise, dan mengurangi ruang penyimpanan. Hasil ekstraksi warna

ini didapatkan sebanyak 256 fitur.

3.4. Klasifikasi

Klasifikasi ini menggunakan PNN, dimana PNN memiliki 4 layer. Layer 1

sebagai masukan. Layer 2 sebagai pattern yang berfungsi untuk menghitung “jarak”

vektor pengujian ke vektor pelatihan dan menghasilkan vektor yang mengindikasikan

seberapa “dekat” masukan ke vektor pelatihan. Layer 3 sebagai Summation yang akan

menjumlahkan kontribusi dari masing-masing kelas masukan untuk menghasilkan

probabilitas vektor masukan. Layer 3 sebagai keluaran, yang berfungsi untuk mentransfer

complete akan mengambil nilai maksimum dari vektor output , dan menghasilkan nilai

satu untuk kelas atribut tersebut dari nol untuk kelas lainnya.


17/30

13

3.5. Pengujian sistem

Untuk menguji apakah kontribusi yang diajukan bisa berjalan dengan baik, perlu

dilakukan beberapa kali uji coba. Uji coba sistem diimplementasikan pada MATLAB.

Ada beberapa kombinasi skenario pengujian yang akan dilakukan. Pengujian pada

skenario ini bertujuan untuk menguji metode yang diusulkan. Pengujian terdiri dari

pengambilan data sampel sebagai berikut:

Pengujian 1: Klasifikasi berdasarkan fitur warna

Pengujian 2: Klasifikasi berdasarkan fitur bentuk

Pengujian 3: Klasifikasi berdasarkan fitur tekstur

Pengujian 4: Klasifikasi berdasarkan fitur warna dan bentuk

Pengujian 5: Klasifikasi berdasarkan fitur bentuk dan tekstur

Pengujian 6: Klasifikasi berdasarkan fitur tekstur dan warna

Pengujian 7: Klasifikasi berdasarkan fitur warna, bentuk dan tekstur

3.6. Analisa hasil

Hasil uji coba akan dievaluasi sehingga dapat dilihat kinerja metode yang

diajukan. Ukuran evaluasi yang digunakan adalah akurasi dari setiap algoritma, baik RGB

maupun HSV. Akurasi adalah kemampuan sistem untuk mengklasifikasi dengan benar.

Akurasi dapat dihitung menggunakan Persamaan (24), dimana TP adalah (True Positive),

TN (True Negative) , FP (False Postive) , FN (False Negative).

(24)4. Biaya Dan Jadwal Penelitian

4.1. Anggaran Biaya

No Jenis Pengeluaran Biaya yang

Diusulkan (RP)

1 Gaji dan Upah 3.000.000

2 Bahan habis pakai dan peralatan 7.000.000

3 Perjalanan 2.500.000

4 Lain-lain (Publikasi, Seminar, laporan, lainya

sebutkan)

2.500.000

Jumlah 15.000.000


18/30

14

4.2. Jadwal Penelitian

No Kegiatan Bulan (tahun 2015)

1 2 3 4 5 6 7 8 9 10 11 12

1 Studi Literatur

2 Analisis dan desain

3 Implementasi

4 Pengujian

5 Pembuatan laporan hasil

penelitian

6 Publikasi

5. Daftar Pustaka

Neto, J. C., Meyer, G. E., Jones, D. D., & Samal, A. K. (2006). Plant species

identification using Elliptic Fourier leaf shape analysis. Computers and electronics in

agriculture, 50 (2), 121-134.

Salimah, A dan Ariyanti, M. (2007). Pengenalan Tumbuhan dan Tanaman. Fakultas

Pertanian, Universitas Padjdjaran, Bandung.

Budhi, G. S., Handayani., dan Adipranata. (2008). Aplikasi Pengenalan Daun UntukKlasifikasi tanaman Dengan Menggunakan PNN. Seminar Ilmiah Nasional Komputer

dan Sistem Intelejen (Kommit 2008), Universitas Gunadarma, Jakarta, 230-235.

Eskaprianda, A., Isnanto, R. R., dan Santoso, I. (2011). Deteksi Kondisi Organ Pankreas

Melalui iris Mata Menggunakan Jaringan syaraf Tiruan Model Perambatan Balik

dengan Pencirian Matriks Ko-Okurensi Aras Keabuan. Transmisi, 12 (1)

Kadir, A., Nugroho, L. E., Susanto, A., & Santosa, P. I. (2011). Leaf classification using

shape, color, and texture. International Journal of Computer Trends & Technology

(IJCTT), 225-230.

Kadir, A., & Susanto, A. (2013). Teori dan Aplikasi Pengolahan Citra. Andi Publisher:

Yogyakarta.


19/30

LAMPIRAN

Lampiran 1

Justifikasi anggaran penelitian

No Jenis Pengeluaran Biaya yang diusulkan

1 Honor Tim Peneliti Rp. 3.000.000

2 Peralatan dan bahan :

Kertas A4

Tinta Flash Disk

Modem

Pulsa

Membangun aplikasi

Pengujian sistem

Dokumentasi pembuatan sistem

Pembuatan laporan penelitian

Rp 150.000

Rp 350.000Rp 600.000

Rp. 700.000

Rp. 700.000

Rp. 2.500.000

Rp. 1.500.000

Rp. 300.000

Rp. 200.000

3 Transportasi :

Transportasi dan akomodasi seminar

Transportasi (Pengadaan alat dan bahan

penelitian)

Rp. 1.600.000

Rp. 900.0004 Lain-lain :

Prosiding Seminar

Jurnal Ilmiah

Rp. 1.000.000

Rp. 1.500.000

Jumlah Rp. 15.000.000


20/30

Lampiran 2

Susunan organisasi tim peneliti dan dan pembagian tugas

No Nama NIY/NIDN Bidang

Ilmu

Alokasi

waktu

Jam/mg

Uraian Tugas

1 Siti Mutrofin,

S.Kom

11240510153/

0727068502

Sistem

Informasi

100 Jam Mengkoordinasi

pelaksanaan

penelitian,

PengumpulanData, dan analisis

sistem

2 Endang

Kurniawan,

S.Kom, M.M

11010714278/

0719117601

Sistem

Informasi

100 Jam Mempersiapkan

analisis

kebutuhan data,

membuat program

3 Yosi Agustiawan,

ST, MMT

01011201008

/0729087203

Sistem

Informasi

100 Jam Mempersiapkan

bahan, alat

penelitian,

pengujian, dan

laporan


21/30

Lampiran 3

BIODATA PENELITI

KETUA PENELITI

A. Identitas Diri

1. Nama : Siti Mutrofin, S.Kom, M.Kom

2. Jenis kelamin : Perempuan

3. Jabatan Fungsional : -

4. Jabatan Struktural : Dosen Tetap Fakultas Teknik Sistem Informasi

5. N I Y : 11240510153

6.

NIDN : 0727068502

7. Tempat Tanggal Lahir : Jombang, 27 Juni 1985

8. Alamat Rumah : Jl. Makam RT/RW: 6/4 Ngumpul Jogoroto

Jombang 61485

9. Nomor Telepon/Faks/HP : Hp. 087852416880

10. Alamat Kantor : Tromol Pos 10 Peterongan Jombang 61481

11. Nomor Telepon/Faks/HP : (0321) 876771

12. Alamat e-mail : [email protected]

13.

Mata Kuliah yang Diampu :

1) Sistem Intelegensia (S1)

2) Sistem Basis Data (S1)

3) Desain Basis Data (S1)

4) Teknologi Basis Data (S1)

A. Riwayat Pendidikan

S1 S2

Nama Perguruan

Tinggi

Universitas Trunojoyo Institut Teknologi Sepuluh

Nopember

Bidang Ilmu Teknik Informatika Teknik InformatikaTahun Masuk-

Lulus

2003-2009 2012-sekarang

Judul

Skripsi/Thesis/

Disertasi

Analisa dan

Implementasi Internet

Protocol Version 6

(IPv6) di Fakultas Teknik

Universitas Trunojoyo

Teknik Genetic Modified k-

Nearest Neighbor untuk Estimasi

Hasil Produksi Gula Tebu

Berdasarkan Nilai Klorofil Daun

Tebu

Nama

Pembimbing/

Promotor

1. Ir. Muhammad

Husni, M.Kom

2. Koko Joni. M.Eng

1. Dr. Ir. R.V. Hari Ginardi,

M.Sc

2. Dr. Chastine Fatichah,

M.Kom

mailto:[email protected]:[email protected]:[email protected]:[email protected]


22/30

B. Pengalaman Penelitian Dalam 5 Tahun Terakhir

(Bukan Skripsi, Tesis, maupun Disertasi)

No. Tahun Judul PenelitianPendanaan

Sumber* Jumlah (Rp)

1. 2015 Optimasi Teknik Klasifikasi

Modified k-Nearest Neighbor

Menggunakan Algoritma

Genetika (Pengembangan Bahan

Ajar)

Dikti 12.000.000

C.

Pengalaman Pengabdian Kepada Masyarakat dalam 5 Tahun Terakhir

No. TahunJudul Pengabdian Pada

Masyarakat

Pendanaan

Sumber* Jumlah (Rp)

1. 2015 Relawan Pengajar pada

Kelas Inspirasi Kediri #3

Mandiri 500.000

D. Pengalaman Penulisan Artikel Ilmiah dalam Jurnal 5 Tahun Terakhir

No. Judul Artikel Ilmiah Volume/Nomor/Tahun Nama Jurnal

1. Emotion Detection of Tweets

in Indonesian Language using Non-Negative Matrix

Factorization

6/9/ 2014 IJISA

( International Journal Intelligent

Systems and

Applications)

2. User Emotions Identification

In Twitter Using Spesific

Features : Hastag, Emoji,

Emoticon, dan Adjective Term

7/1/ 2014 JIKI (Jurnal Ilmu

Komputer dan

Informasi)

E. Pengalaman Penyampaian Makalah Secara Oral pada Pertemuan/Seminar

Ilmiah dalam 5 Tahun Terakhir

No.Nama Pertemuan

Ilmiah/SeminarJudul Artikel Ilmiah

Waktu dan

Tempat

1. Seminar Nasional Teknologi

Informasi dan Multimedia 2013

Hybrid Artificial Bee Colony:

Penyeleseian Baru Pohon

Rentang Berbatas Derajat

19 Januari 2013,

STIMIK Amikom,

Yogyakarta

2 Seminar Nasional Teknologi

Informasi & Komputasi 2014

Klasifikasi Menggunakan

Kombinasi Multilayer

Perceptron dan Alignment

Particle Swarm Optimization

10 September

2014, Universitas

Trunojoyo,

Bangkalan,

Madura


23/30

Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan dapat

dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata ditemukan

ketidaksesuaian dengan kenyataan, saya sanggup menerima risikonya.

Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu

persyaratan dalam pengajuan Usulan Penelitian Dosen Pemula.

Jombang, 25 April 2014


24/30

ANGGOTA PENELITI

A.

Identitas Diri

1. Nama : Endang Kurniawan, S.Kom, M.M

2. Jenis kelamin : Laki-laki

3. Jabatan Fungsional : -

4. Jabatan Struktural : Dosen Tetap Fakultas Teknik Sistem Informasi

5. N I Y : 11010714278

6. NIDN : 0719117601

7. Tempat Tanggal Lahir : 19 Nopember 1976

8.

Alamat Rumah : Graha Majapahit, Jl. Dewi, Banowati, No. 40-42,

Mojoanyar, Mojokerto, Jawa Timur, 61364

9. Nomor Telepon/Faks/HP : 0856.1220.108 / 0812.9895.476

10. Alamat Kantor : Tromol Pos 10 Peterongan Jombang 61481

11. Nomor Telepon/Faks/HP : (0321) 876771


13. Mata Kuliah yang Diampu :

1) Algoritma dan Pemrograman I (S1)

2)

Algoritma dan Pemrograman II (S1)

3) Analisis dan Desain Sistem Informasi (S1)

4) Enterprise Application Integration (S1)

5) Sistem Informasi Akuntansi (S1)

6) Pendidikan Pancasila (S1)

F. Riwayat Pendidikan

S1 S2

Nama Perguruan

Tinggi

STMIK Nusa Mandiri, Jakarta Universitas

Muhammadiyah Prof.

Dr. Hamka, Jakarta

Bidang Ilmu Sistem Informasi Magister Manajemen

Tahun Masuk-Lulus 2009 – 2010 2010 – 2012

Judul Skripsi/Thesis/

Disertasi

Perancangan Dan Pembuatan

Sistem Informasi Penjualan

Berbasis Web Dengan SSL

Pengaruh Gaya

Kepemimpinan dan

Budaya Organisasi


25/30

(Secure Sockets Layer) Terhadap Kinerja

Karyawan

Nama Pembimbing/

Promotor

Djarod Wibowo, M.Kom Prof. Dr .H.JH.

Sinaulan, MA, M.Sc

G. Pengalaman Penelitian Dalam 5 Tahun Terakhir

(Bukan Skripsi, Tesis, maupun Disertasi)

No. Tahun Judul PenelitianPendanaan

Sumber* Jml (Juta Rp.)

H. Pengalaman Pengabdian Kepada Masyarakat dalam 5 Tahun Terakhir

No. TahunJudul Pengabdian Pada

Masyarakat

Pendanaan

Sumber* Jml (Juta Rp.)

I. Pengalaman Penulisan Artikel Ilmiah dalam Jurnal 5 Tahun Terakhir

No. Judul Artikel Ilmiah Volume/Nomor/Tahun Nama Jurnal

J. Pengalaman Penyampaian Makalah Secara Oral pada Pertemuan/Seminar


No.Nama Pertemuan

Ilmiah/SeminarJudul Artikel Ilmiah

Waktu dan

Tempat





26/30



Jombang, 13 April 2014

Pengusul ,

Endang Kurniawan, S.Kom., M.M.

NIY : 11010714278


27/30

ANGGOTA PENELITI

A.

Identitas Diri1. Nama : Yosi Agustiawan, ST, MT

2. Jenis Kelamin : Laki-laki

3. Jabatan Fungsional : Lektor

4. Jabatan Struktural : Dekan Fakultas Teknik Unipdu

5. N I Y : 01011201008

6. N IDN : 0729087203

7. Tempat/ Tanggal Lahir : Magelang, 29 Agustus 1972

8. Alamat Rumah : Kompleks Ponpes Darul Ulum Peterongan

Jombang

61481

9.

Nomor Telepon/ Faks/HP :

10. Alamat Kantor : Kompleks Ponpes Darul Ulum Peterongan

Jombang

61481

11. Nomor Telepon/Faks : (0321) 876771


13. Mata kuliah yang diampu :

1) Manajemen Proyek

2) Manajemen Sains

3) Sistem Operasi

B. Riwayat Pendidikan

S1 S2

Nama Pergguruan Tinggi Universitas Sebelas Maret Institut teknologi

Sepuluh Nopember

Bidang Ilmu Teknik Sipil

Tahun Masuk-Lulus 1991/1996 1999/2005

Judul Skripsi/Thesis Respon Dinamik Struktur

Pondasi Frame Karena

Beban Mesin Turbin

Analisis Investasi

Asrama Mahasiswi

UNIPDU

Nama Pembimbing Ir. Agus M.Sc Prof. Rianto B. Adiharjo

C. Pengalaman Penelitian Dalam 5 Tahun Terakhir

NO Tahun Judul Penelitian Pendanaan

Sumber* Jml(Juta

Rp)

1 2012 Rancang Bangun Sistem

Informasi Bursa UsahaSantri Dan

Alumni Pesantren Berbasis

Mandiri Rp

2.000.000


28/30

NO Tahun Judul Penelitian Pendanaan

Sumber* Jml(Juta

Rp)2 2011 Kajian Penerimaan E-learning

Siswa RSBI Dengan Technolgy

Acceptance Model (TAM) Untuk

Meningkatkan Mutu Siswa SMA

di Daerah (Studi Kasus RSBI

Kab. Jombang )

Unipdu Rp.

2000.000

D. Pengalaman Pengabdian Kepada Masyarakat dalam 5 Tahun Terakhir

NO Tahun Judul Pengabdian PadaMasyarakat PendanaanSumber* Jml(Juta Rp)

1 2011 Pemantauan dan Konsulatasi

Teknis Pelaksanaan E-KTP

Pemda

Jombang

Rp 480.000.000

2 2012 Perencanaan dan pengawasan

Pembangunan Gedung Olah

Raga Ponpes Darul Ulum

Kemenpora Rp

1.5000.000.000

E. Pengalaman Penulisan Artikel Ilmiah dalam Jurnal 5 Tahun Terakhir

NO Judul Artikel Volume/Nomor/Tahun Nama Jurnal

1 Perubahan dalam

organsasi pada

Implemetasi sistem

informasi

Vol 1/ No. 2/ 2011 Teknologi

2 Upaya good

governance pemerintah

Indonesia

melalui E-procurement

No 2/ 2010

Entrepreneur

F. Pengalaman Penyampaian Makalah Secara Oral pada Pertemuan/ Seminar


NO Nama Pertemuan

Ilmiah/ Seminar

Judul Artikel Ilmiah Waktu dan

tempat

1 Seminas CompetitiveAdvantage 2

Rancang Bangun SistemInformasi Bursa Usaha

Santri Dan Alumni Pesantren

Berbasis Web (Studi Kasus Di

Pesantren Al-Muhibbin

Tambakberas Jombang)

Unipdu Jombang,2012

2 Seminas Competitive

Advantage 1

Kajian Penerimaan E-learning

Siswa RSBI Dengan

Technolgy Acceptance Model

(TAM) Untuk

Meningkatkan Mutu Siswa

SMA di Daerah (StudiKasus RSBI Kab. Jombang)

Unipdu Jombang,

2011


29/30

NO Nama Pertemuan

Ilmiah/ Seminar

Judul Artikel Ilmiah Waktu dan

tempat

3 Seminar NasionalManajemen Teknologi

1

Analisa Investasi AsramaMahasiswi Universitas

Pesantren Tinggi Darul Ulum

Jombang

Institut TeknologiSepuluh

Nopember

Surabaya,

25-26 Februari

2005







30/30

071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf

Documents

Transcript of 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf