JURTI - repository.unmul.ac.id
20
Transcript of JURTI - repository.unmul.ac.id
JURTI, Vol.3 No.2, Desember 2019, ISSN: 2579-8790 139
Received June 1st,2012; Revised June 25th, 2012; Accepted July 10th, 2012
Klasifikasi Jenis Bawang Menggunakan Metode K-
Nearest Neighbor Berdasarkan Ekstraksi Fitur Bentuk dan
Tekstur
Joan Angelina Widians1, Herman Santoso Pakpahan2, Edy Budiman 3, Haviluddin 4,
Maratus Soleha5
Jurusan Teknologi Informasi dan Komunikasi, Universitas Mulawarman, Samarinda
e-mail: [email protected], [email protected],
[email protected], [email protected], [email protected]
Abstrak
Bawang merupakan tumbuhan penting bagi manusia yang termasuk dalam Genus Allium.
Umbi, daun, atau bunga bawang dimanfaatkan sebagai sayuran atau sebagai rempah-rempah,
tergantung bagaimana kita memandangnya. Memilih jenis bawang berdasarkan ciri – ciri
sangatlah mudah dilakukan oleh manusia tetapi tidak mudah dilakukan oleh komputer.
Penelitian ini bertujuan untuk klasifikasi jenis bawang dengan menerapkan metode K-Nearest
Neighbor (KNN) berdasarkan ekstraksi fitur bentuk dan tekstur. Dari ektrstraksi fitur bentuk
menggunanakan parameter metric dan eccentricity. Pada ekstraksi fitur tekstur menggunakan
parameter contrast, correlation, energy, dan homogeneity. Dari ekstraksi fitur tersebut akan
didapatkan 6 parameter yang digunakan untuk proses klasifikasi. Data yang digunakan dalam
penelitian ini ada 5 jenis bawang yaitu bawang dayak, bawang merah, bawang bombai,
bawang putih, dan bawang lanang dengan masing-masing bawang 10 citra dan jumlah data
keseluruhan adalah 50 citra. Hasil evaluasi pengujian sebanyak 5 kali secara keseluruhan
dapat dilihat bahwa dengan pengujian 50% dari 50 citra bawang dihasilkan akurasi sebesar
84% dengan menggunakan k3, k5, dan k7. Rata-rata akurasi penggunaan nilai k pada 5 kali
pengujian yang terbaik yaitu pada k7 dengan akurasi 83.13%, sedangkan rata-rata akurasi
berdasarkan 5 kali pengujian terbaik dan penggunaan k terbaik dihasilkan sebesar 83.56%.
Kata kunci— Klasifikasi Bawang, Ekstraksi Fitur Bentuk, Ekstraksi Fitur Tekstur, K-Nearest
Neighbor (KNN)
1. PENDAHULUAN
Penggunaan tumbuh-tumbuhan sebagai obat tradisional sudah menjadi salah satu
alternatif yang diminati masyarakat Salah satu tumbuhan yang bermanfaat untuk pengobatan
herbal dan sering kita jumpai di kehidupan sehari-hari adalah bawang. Bawang merupakan
istilah umum bagi sekelompok tumbuhan penting bagi manusia yang termasuk dalam Genus
Allium. Umbi, daun, atau bunga bawang dimanfaatkan sebagai sayuran atau sebagai rempah-
rempah, tergantung bagaimana kita memandangnya [1]. Memilih jenis bawang berdasarkan
ciri–ciri sangatlah mudah dilakukan oleh manusia tetapi tidak mudah dilakukan oleh komputer.
Persepsi manusia biasanya cenderung subyektif terhadap suatu objek, hal ini dikarenakan
adanya faktor komposisi warna, bentuk atau tekstur yang dimiliki oleh objek tersebut. Oleh
karena itu, diperlukan sistem untuk melakukan identifikasi dan klasifikasi terhadap jenis
bawang yang dilakukan secara otomatis [2].
Penelitian ini bertujuan untuk klasifikasi jenis bawang dengan menerapkan metode K-
Nearest Neighbor (KNN) berdasarkan ekstraksi fitur bentuk dan tekstur. Dari ektrstraksi fitur
bentuk menggunakan parameter metric dan eccentricity. Untuk ekstraksi fitur tekstur
menggunakan parameter contrast, correlation, energy, dan homogeneity. K-Nearest Neighboor
ISSN: 1978-1520
IJCCS Vol. x, No. x, July 201x : first_page – end_page
140
(KNN) adalah metode untuk melakukan klasifikasi terhadap objek berdasarkan data
pembelajaran yang jaraknya paling dekat atau memiliki persamaan ciri paling banyak dengan
objek tersebut. Dekat atau jauhnya tetangga biasanya dihitung dengan jarak Euclidean. Teknik
ini sederhana dan dapat memberikan akurasi yang baik terhadap hasil klasifikasi [3]. Sedangkan
Feature Extraction atau ekstraksi fitur merupakan suatu pengambilan ciri/feature dari suatu
bentuk atau tekstur yang nantinya nilai yang didapatkan akan dianalisis untuk proses klasifikasi
[4]. Penelitian ini menggunakan ekstraksi fitur bentuk dan tekstur dalam proses klasifikasi.
2. METODE PENELITIAN
Metode penelitian yang digunakan dalam penelitian ini adalah metode K-Nearest
Neighbor (KNN) berdasarkan ekstraksi fitur bentuk dan tekstur, yang dapat dilihat pada langkah
yang umum dalam merancang sebuah sistem computer vision (pengolahan citra dan pengenalan
pola) dapat dilihat pada Gambar 1.
Gambar 1 Langkah-langkah pengolahan citra
2.1 Akuisisi Citra
Akuisisi citra adalah proses pengubahan citra analog menjadi citra digital yang diambil
dari lingkungan atau dunia nyata menggunakan beberapa alat berikut, kamera digital, webcam,
smartphone, dan scanner, agar bisa dilanjutkan ke tahap processing. Hal-hal yang
mempengaruhi citra digital yang dihasilkan saat proses akuisisi yaitu resolusi alat yang
digunakan, jarak dan sudut pandang pengambilan citra, faktor pencahayaan, perbesaran dan
pengecilan, objek atau kamera dalam keadaan bergerak atau tidak serta format citra yang
dihasilkan [5].
2.2 Pengolahan Citra
Pengolahan gambar atau pengolahan citra yang sering disebut image processing,
merupakan suatu proses yang mengubah sebuah gambar menjadi gambar lain yang memiliki
kualitas lebih baik untuk tujuan tertentu. Pengolahan citra adalah sebuah proses pengolahan
yang inputnya adalah citra. Outuputnya dapat berupa citra atau sekumpulan karakteristik atau
parameter yang berhubungan dengan citra [6].
2.3 Image enchancement (perbaikan kualitas citra)
Image enchancement (perbaikan kualitas citra) merupakan bagian dari tahap
preprocessing yang bertujuan untuk meningkatkan kualitas citra. Pada penelitian ini
menggunakan teknik perubahan aras warna gambar, yaitu dari gambar berwarna menjadi
gambar abu-abu (grayscale). Pengubahan aras warna menjadi gambar abu-abu juga akan
menurunkan tingkat komputasi pada tahap pengambilan fitur [7]. Grayscaling digunakan untuk
menyederhanakan model citra RGB yang memiliki 3 layer matriks, yaitu layer matriks red,
green, dan blue menjadi 1 layer matriks keabuan [8].
2.4 Segmentasi Citra
Segmentasi merupakan bagian dari tahap preprocessing yang bertujuan untuk
memisahkan objek tertentu yang dikehendaki (foreground) dengan objek lain yang tidak
dikehendaki (background). Output segmentasi biasanya berupa citra biner, dimana foreground
diberi simbol 1 dan background diberi simbol 0 [5]. Segmentasi yang digunakan pada penelitian
yaitu metode thresholding. Satu cara yang jelas untuk mengekstrak objek dari background
IJCCS ISSN: 1978-1520
Title of manuscript is short and clear, implies research results (First Author)
141
adalah dengan memilih threshold T yang membagi mode-mode ini. Secara umum proses
thresholding terhadap citra grayscale bertujuan menghasilkan citra biner, secara matematis
dapat ditulis sebagai berikut :
Dengan g(x,y) adalah citra biner dari citra grayscale f(x,y), dan T menyatakan nilai threshold. Nilai T
ditentukan dengan menggunakan metode thresholding global dan thresholding local. Thresholding global
adalah metode dengan seluruh pixel pada citra dikonversi menjadi hitam dan putih dengan satu nilai
thresholding [9]. Dalam penelitian ini thresholding global menggunakan fungsi otomatis metode otsu.
Metode otsu melakukan analisis diskriminan dengan menentukan suatu variable dengan membedakan
antara dua atau lebih kelompok secara alami [4].
2.5 Pengenalan Pola
Pengenalan pola merupakan salah satu bidang dalam pembelajaran mesin (machine
learning) yang menitikberatkan pada metode klasifikasi objek ke dalam kelas-kelas tertentu
untuk menyelesaikan masalah tertentu. Aplikasi pengenalan pola bertujuan untuk melakukan
proses pengenalan terhadap suatu objek (citra) ke dalam salah satu kelas tertentu, berdasarkan
pola yang dimilikinya [5].
2.6 Ekstraksi Fitur
Penelitian ini menggunakan ekstraksi fitur bentuk dan tekstur dalam proses pengenalan pola.
Bentuk merupakan salah satu ciri yang dapat diekstrak dari suatu objek untuk membedakan
objek tersebut dengan objek lainnya. Pengenalan pola bentuk merupakan metode yang
meggunakan dua kombinasi parameter yaitu eccentricity dan metric dari suatu objek pada citra
biner. Parameter eccentricity dan metric merupakan teknik ekstraksi fitur yang bertujuan untuk
mengambil atau mengekstraksi nilai eccentricity dan metric [10].
Tekstur adalah sifat-sifat atau karakteristik yang dimiliki oleh suatu daerah (di dalam
citra) yang cukup besar sehingga secara alami sifat-sifat tadi dapat berulang dalam daerah
tersebut. Pengertian dari tekstur dalam hal ini kurang lebih adalah keteraturan pola-pola tertentu
yang terbentuk dari susunan piksel-piksel dalam citra digital [11].
Salah satu bagian penting dalam analisis tekstur adalah menggunakan matriks pasangan
intensitas (Gray Level Co-occurence Matrix (GLCM). GLCM merupakan suatu matriks yang
menggambarkan frekuensi munculnya pasangan dua piksel dengan intensitas tertentu dalam
jarak dan arah tertentu dalam citra [12]. Ekstraksi fitur (feature extraction) tekstur GLCM
menghasilkan beberapa fitur, antara lain contrast, correlation, energy, dan homogeneity.
2.7 Klasifikasi
Klasifikasi adalah algoritma yang mampu mengklasifikasikan atau meng-cluster objek
berdasarkan pada karakteristik ciri-ciri yang diberikan [13]. Pada penelitian ini proses
klasifikasi menggunakan metode K-Nearest Neighbor (KNN). K-Nearest Neighboor (KNN)
adalah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang
jaraknya paling dekat atau memiliki persamaan ciri paling banyak dengan objek tersebut. Dekat
atau jauhnya tetangga biasanya dihitung dengan jarak Euclidean. Teknik ini sederhana dan
dapat memberikan akurasi yang baik terhadap hasil klasifikasi [3].
3. HASIL DAN PEMBAHASAN
Klasifikasi jenis bawang menggunakan metode K-Nearest Neighbor (KNN) berdasarkan
ekstraksi fitur bentuk dan tekstur ini membutuhkan masukkan berupa gambar. Sistem ini
diharapkan dapat membantu dalam mengidentifikasi jenis bawang berdasarkan bentuk dan
teksturnya. Tahapan desain sistem adalah sebagai berikut :
ISSN: 1978-1520
IJCCS Vol. x, No. x, July 201x : first_page – end_page
142
3.1. Akuisisi Citra
Memilih gambar masukkan, proses pertama dalam sistem ini adalah memilih citra jenis
bawang, bawang yang akan diidentifikasi ada 5 jenis yang dapat dilihat pada Gambar dibawang
ini :
Gambar 2 Bawang Dayak
Gambar 3 Bawang Merah
Gambar 4 Bawang Bombai
Gambar 5 Bawang Putih
Gambar 6 Bawang Lanang 3.2. Preprocessing
Preprocessing atau proses pengolahan data awal, dalam tahap ini dilakukan dengan cara
mengubah citra berwarna menjadi citra grayscale. Tahapan ini digunakan untuk mempermudah
proses citra selanjutnya yaitu proses segmentasi. Dalam proses segmentasi menggunakan
thresholding yang prosesnya didasarkan pada perbedaan derajat keabuan citra dan hasilnya
adalah citra grayscale. Citra bawang hasil grayscale menjadi input pada proses segmentasi.
Dalam proses ini dibutuhkan suatu nilai batas (nilai threshold), Nilai threshold (T) ditentukan
secara otomatis dengan menggunakan metode otsu. Proses grayscale dan segmentasi dapat
dilihat pada Gambar 7.
Gambar 7 Citra Hasil Preprocessing
3.3. Ekstraksi Fitur
Pada proses pengenalan pola ekstraksi fitur bentuk dan tekstur dilakukan perhitungan
parameter yang digunakan untuk proses klasifikasi. Parameter ekstraksi fitur bentuk yaitu metric
dan eccentricity. Dalam proses ekstraksi fitur bentuk citra yang diambil yaitu citra hasil
segmentasi yang berupa bilangan biner, dari bilangan biner inilah yang akan digunakan untuk
perhitungan parameter metric dan eccentricity. Parameter ekstraksi fitur tekstur yang digunakan
adalah contrast, correlation, energy, dan, homogeneity. Dalam proses ekstraksi fitur bentuk citra
yang digunakan yaitu citra grayscale, dari citra grayscale akan menghasilkan matrik grayscale
yang akan dilakukan perhitungan metode Gray Level Co-occurrence Matrix (GLCM). Dari hasil
metode GLCM akan menghasilkan parameter contrast, correlation, energy, dan, homogeneity.
Hasil perhitungan parameter ekstraksi fitur bentuk dan tekstur dapat dilihat pada Tabel 1 dan
Grafik ringkasan ekstraksi fitur dapat dilihat pada Gambar 8. Tabel 1 Hasil Ekstraksi Fitur
No Kode Metric Eccentricity Contrast Correlation Energy Homogeneity Jenis Bawang
1 A01 0.0342 0.9498 0.0972 0.9010 0.8760 0.9772 Bawang Dayak
… … … … … … … … …
10 A10 0.9365 0.9595 0.0764 0.8716 0.8849 0.9783 Bawang Dayak
IJCCS ISSN: 1978-1520
Title of manuscript is short and clear, implies research results (First Author)
143
No Kode Metric Eccentricity Contrast Correlation Energy Homogeneity Jenis Bawang
11 B01 0.3141 0.5230 0.1003 0.9297 0.7833 0.9562 Bawang Merah
… … … … … … … … …
20 B10 0.9652 0.6928 0.0056 0.9776 0.9734 0.9979 Bawang Merah
21 C01 0.6241 0.6053 0.0344 0.9934 0.5683 0.9859 Bawang Bombai
… … … … … … … … …
30 C10 0.8463 0.2963 0.0415 0.9933 0.7029 0.9858 Bawang Bombai
31 D01 0.7287 0.9010 0.0122 0.9823 0.9546 0.9963 Bawang Putih
… … … … … … … … …
40 D10 0.9276 0.6405 0.0131 0.9867 0.9310 0.9967 Bawang Putih
41 E01 0.5523 0.6114 0.0162 0.9862 0.9388 0.9956 Bawang Lanang
… … … … … … … … …
50 E10 0.9467 0.5433 0.0074 0.9860 0.9569 0.9978 Bawang Lanang
Berdasarkan Tabel 1, parameter metric merupakan sebuah besaran yang menunjukkan tingkat
kebulatan bentuk suatu objek. Hasil metric didapatkan berdasarkan Persamaan (1).
(1)
Parameter eccentricity merupakan nilai perbandingan panjang antara jarak foci ellips minor
dengan foci ellips mayor suatu objek. Hasil eccentricity didapatkan berdasarkan Persamaan (2).
(2)
Parameter contrast merupakan fitur yang merepresentasikan perbedaan tingkat warna atau skala
keabuah (grayscale) yang muncul pada sebuah citra. Hasil contrast didapatkan berdasarkan
Persamaan (3).
(3)
Parameter correlation merepresentasikan keterkaitan linear dari derajat dari citra keabuan. Hasil
correlation didapatkan berdasarkan Persamaan (4).
(4)
Parameter energy merepresentasikan ukuran keseragaman pada citra, Semakin tinggi kemiripan
citra maka akan semakin tinggi pula nilai energy. Hasil energy didapatkan berdasarkan
Persamaan (5).
(5)
Parameter homogeneity merepresentasikan ukuran keserbasamaan, homogeneity akan bernilai
tinggi jika semua piksel mempunyai nilai yang unifor. Hasil energy didapatkan berdasarkan
Persamaan (6).
(6)
Hasil nilai parameter dari ekstraksi fitur bentuk dan tekstur pada Tabel 1, diperoleh
dengan implementasi persamaan (1) - (6) digambarkan dengan grafik pada Gambar 8.
ISSN: 1978-1520
IJCCS Vol. x, No. x, July 201x : first_page – end_page
144
Gambar 8 Grafik Hasil Ekstraksi fitur
3.4. Klasifikasi Metode K-Nearest Neighbor (KNN) Pada tahapan klasifikasi KNN dibentuk dari beberapa masukkan data berupa ekstraksi
fitur bentuk dan tekstur yang terdiri dari metric, eccentricity, contrast, correlation, energy, dan
homogeneity. Pada klasifikasi metode KNN dilakukan pengujian sebanyak 5 kali dengan
kombinasi data training dan data testing, dapat dilihat pada Tabel 2. Tabel 2 Kombinasi pengujian data training dan data testing
No Presentase Data Training Data Testing
1. 50% : 50% 5 Bawang dayak, 5 bawang merah, 5 bawang
bombai, 5 bawang putih, 5 bawang lanang
5 Bawang dayak, 5 bawang merah, 5 bawang
bombai, 5 bawang putih, 5 bawang lanang
2. 60% : 40% 6 Bawang dayak, 6 bawang merah, 6 bawang
bombai, 6 bawang putih, 6 bawang lanang 4 Bawang dayak, 4 bawang merah, 4 bawang
bombai, 4 bawang putih, 4 bawang lanang
3. 70% : 30% 7 Bawang dayak, 7 bawang merah, 7 bawang
bombai, 7 bawang putih, 7 bawang lanang
3 Bawang dayak, 3 bawang merah, 3 bawang
bombai, 3 bawang putih, 3 bawang lanang
4 80% : 20% 8 Bawang dayak, 8 bawang merah, 8 bawang
bombai, 8 bawang putih, 8 bawang lanang
2 Bawang dayak, 2 bawang merah, 2 bawang
bombai, 2 bawang putih, 2 bawang lanang
5 90% : 10% 9 Bawang dayak, 9 bawang merah, 9 bawang
bombai, 9 bawang putih, 9 bawang lanang
1 Bawang dayak, 1 bawang merah, 1 bawang
bombai, 1 bawang putih, 1 bawang lanang
3.5. Akurasi Sistem
Tingkat akurasi metode KNN berdasarkan ekstraksi fitur bentuk dan tekstur dalam
mengidentifikasi jenis bawang menggunakan 50 data gambar dengan menggunakan k3, k5, dan,
k7 dapat dilihat pada Gambar 9.
Gambar 9 Grafik 5 kali pengujian
IJCCS ISSN: 1978-1520
Title of manuscript is short and clear, implies research results (First Author)
145
Pada Gambar 9 maka dapat diketahui akurasi tertinggi k3 adalah pada pengujian 50%
dengan akurasi 84% dan yang terendah pada pengujian 90% dengan akurasi 60%. Untuk akurasi
tertinggi k5 adalah pada pengujian 60% dengan akurasi 85% dan yang terendah pada pengujian
70%, 80%, dan 90% dengan akurasi 80%. Dan untuk akurasi tertinggi k7 adalah pada pengujian
70% dengan akurasi 86.66% dan yang terendah pada pengujian 80% dan 90% dengan akurasi
80%. Pada akurasi penggunaan nilai k keseluruhan dapat diketahui bahwa akurasi yang terbaik
pada pengujian 70% dengan menggunakan k7 dengan akurasi sebesar 86.66%
Berdasarkan perhitungan akurasi 5 kali pengujian yang dilakukan dapat dilihat pada Gambar 10.
Gambar 10 Grafik rata-rata hasil akurasi pengujian
Pada Gambar 10 diketahui bahwa akurasi yang tertinggi dilakukan pada pengujian 50%
dengan menggunakan k3, k5, dan k7 dengan jumlah 25 data training dan 25 data testing dari 50
citra jenis bawang dengan akurasi sebesar 84%. Pada penggunaan nilai k, pada 5 kali pengujian
nilai akurasi yang tertinggi yaitu pada k7 dengan akurasi sebesar 83.13%, sedangkan rata-rata
akurasi berdasarkan 5 kali pengujian terbaik dan penggunaan k terbaik dihasilkan sebesar
83.56%,
4. KESIMPULAN
Berdasarkan hasil penelitian klasifikasi jenis bawang menggunakan metode k-nearest
neighbor berdasarkan ekstraksi fitur bentuk dan tekstur maka dapat ditarik kesimpulan sebagai
berikut :
1. Berdasarkan 5 kali pengujian dengan menggunakan k3, k5, k7 hasil terbaik yaitu pada
pengujian 50% dengan jumlah 25 data training dan 25 data testing dari 50 citra bawang
dengan akurasi sebesar 84%. Penggunaan nilai k terbaik pada pengujian ke 3 yaitu 70%
dengan k7 mendapatkan akurasi sebesar 86.66%, dan rata-rata akurasi nilai k pada 5 kali
pengujian nilai akurasi yang tertinggi yaitu pada k7 dengan akurasi sebesar 83.13%.
2. Penggunaan metode K-Nearest Neighbor (KNN) berdasarkan ekstraksi fitur bentuk dengan
parameter metric dan eccentricity, ekstraksi fitur tekstur dengan parameter contrast,
correlation, energy, dan homogeneity dapat diterapkan dalam klasifikasi jenis bawang
dengan akurasi sebesar 83.56%.
5. SARAN
Beberapa saran yang dapat diuraikan dalam penelitian ini, antara lain adalah :
1. Dapat dikembangkan dengan menggunakan metode ekstraksi lain seperti ekstraksi fitur
warna, ukuran, dan lain-lain untuk meningkatkan nilai akurasi.
2. Perlu dikembangkan penelitian dengan metode klasifikasi yang lebih optimal.
ISSN: 1978-1520
IJCCS Vol. x, No. x, July 201x : first_page – end_page
146
DAFTAR PUSTAKA
[1] Rini, P., 2010, Keajaiban Bawang Berlian Ampuh Sembuhkan Berbagai Penyakit, diedit
Oleh Ari, Pustaka Baru Press, Yogyakarta.
[2] Halela, I. A., Nurhadiyono, B., and Rahmanti, F. Z., “Identifikasi Jenis Buah Apel
Menggunakan Algoritma K-Nearest Neighbor (KNN) dengan Ekstraksi Fitur Histogram,”
[3] Prasetyo, E., 2012, Data Mining Konsep dan Aplikasi Menggunakan MATLAB, penerbit
ANDI, Yogyakarta.
[4] Putra, D., 2010, Pengolahan Citra Digital, penerbit Andi Offset, Yogyakarta.
[5] Andono, Nurtantio. P, Sutojo, Dan Muljono, 2017, Pengolahan Citra Digital, diedit Oleh A.
Pramesta, Penerbit Andi, Yogyakarta.
[6] Nurpadillah, D, I., Haviluddin, Pakpahan, H, S., Islamiyah, Setyadi, H, J., (2019).
Pengenalan Karakter Tulisan Menggunakan Metode Learning Vector Quantization.
[7] Davin, R., and Pratiwi, D., 2017. “Implementation of Inner Product to Analyze Digital
Handwriting based on Texture Traits" 2017 International Conference on Computer
Science and Artificial Intelligence, pp. 114-118
[8] Fazrini, D., 2018. Klasifikasi Penyakit Kanker Usus Besar (Kanker Kolorektal)
Menggunakan Probabilistic Neural Network. Skripsi. Universitas Sumatera Utara.
[9] Wati, M., Haviluddin., Puspitasari, N., & Budiman, E. Rahim, Robbi. 2019. First-order
Feature Extraction Methods for Image Texture and Melanoma Skin Cancer Detection
First-order Feature Extraction Methods for Image Texture and Melanoma Skin Cancer
Detection. https://doi.org/10.1088/1742-6596/1230/1/012013
[10] Pamungkas, A. 2015. “Pengolahan Citra Digital: Ekstraksi Ciri Citra”
https://pemrogramanmatlab.com/pengolahan-citradigital/ekstraksi-ciri-citra-digital/ diakses
pada tanggal 25 September 2019.
[11] Kadir, A., dan Susanto, A., 2012, Teori dan Aplikasi Pengolahan Citra, penerbit Andi
Offset, Yogyakarta.
[12] Prasetyo, E., 2011. Pengolahan Citra Digital Dan Aplikasinya Menggunakan Matlab, diedit
oleh Fi. Sigit Suyantoro, Penerbit Andi, Yogyakarta.
[13] Wati, M., Indrawan, W., Widians, Joan Angelina, and Puspitasari, N. (2017). Data mining
for predicting students' learning result. 4th International Conference on Computer
Applications and Information Processing Technology (CAIPT), Kuta Bali, pp. 1-4.
PLAGIARISM SCAN REPORT
Date December 25, 2020
Exclude URL: NO
Unique Content 65%
Plagiarized Content 16%
Paraphrased Plagiarism 19%
Word Count 1,497
Readability (max.100) -23
Records Found 12
CONTENT CHECKED FOR PLAGIARISM:
Klasifikasi Jenis Bawang Menggunakan Metode KNearestNeighbor Berdasarkan Ekstraksi Fitur Bentuk danTeksturJoan Angelina Widians1, Herman Santoso Pakpahan2, Edy Budiman 3, Haviluddin 4,Maratus SolehaAbstrakBawang merupakan tumbuhan penting bagi manusia yang termasuk dalam Genus Allium.Umbi, daun, atau bunga bawang dimanfaatkan sebagai sayuran atau sebagai rempah-rempah,tergantung bagaimana kita memandangnya. Memilih jenis bawang berdasarkan ciri – cirisangatlah mudah dilakukan oleh manusia tetapi tidak mudah dilakukan oleh komputer.Penelitian ini bertujuan untuk klasifikasi jenis bawang dengan menerapkan metode K-NearestNeighbor (KNN) berdasarkan ekstraksi fitur bentuk dan tekstur. Dari ektrstraksi fitur bentukmenggunanakan parameter metric dan eccentricity. Pada ekstraksi fitur tekstur menggunakanparameter contrast, correlation, energy, dan homogeneity. Dari ekstraksi fitur tersebut akandidapatkan 6 parameter yang digunakan untuk proses klasifikasi. Data yang digunakan dalampenelitian ini ada 5 jenis bawang yaitu bawang dayak, bawang merah, bawang bombai,bawang putih, dan bawang lanang dengan masing-masing bawang 10 citra dan jumlah datakeseluruhan adalah 50 citra. Hasil evaluasi pengujian sebanyak 5 kali secara keseluruhandapat dilihat bahwa dengan pengujian 50�ri 50 citra bawang dihasilkan akurasi sebesar
84�ngan menggunakan k3, k5, dan Rata-rata akurasi penggunaan nilai k pada 5 kalipengujian yang terbaik yaitu pada k7 dengan akurasi 83.13%, sedangkan rata-rata akurasiberdasarkan 5 kali pengujian terbaik dan penggunaan k terbaik dihasilkan sebesar 83.56%.Kata kunci— Klasifikasi Bawang, Ekstraksi Fitur Bentuk, Ekstraksi Fitur Tekstur, K-NearestNeighbor (KNN)1. PENDAHULUANPenggunaan tumbuh-tumbuhan sebagai obat tradisional sudah menjadi salah satualternatif yang diminati masyarakat Salah satu tumbuhan yang bermanfaat untuk pengobatanherbal dan sering kita jumpai di kehidupan sehari-hari adalah bawang. Bawang merupakanistilah umum bagi sekelompok tumbuhan penting bagi manusia yang termasuk dalam GenusAllium. Umbi, daun, atau bunga bawang dimanfaatkan sebagai sayuran atau sebagairempahrempah,tergantung bagaimana kita memandangnya [1]. Memilih jenis bawang berdasarkanciri–ciri sangatlah mudah dilakukan oleh manusia tetapi tidak mudah dilakukan oleh komputer.Persepsi manusia biasanya cenderung subyektif terhadap suatu objek, hal ini dikarenakanadanya faktor komposisi warna, bentuk atau tekstur yang dimiliki oleh objek tersebut. Olehkarena itu, diperlukan sistem untuk melakukan identifikasi dan klasifikasi terhadap jenisbawang yang dilakukan secara otomatis [2].Penelitian ini bertujuan untuk klasifikasi jenis bawang dengan menerapkan metode KNearestNeighbor (KNN) berdasarkan ekstraksi fitur bentuk dan tekstur. Dari ektrstraksi fiturbentuk menggunakan parameter metric dan eccentricity. Untuk ekstraksi fitur teksturmenggunakan parameter contrast, correlation, energy, dan homogeneity.KNN adalah metode untuk melakukan klasifikasi terhadap objek berdasarkan datapembelajaran yang jaraknya paling dekat atau memiliki persamaan ciri paling banyak denganobjek tersebut. Dekat atau jauhnya tetangga biasanya dihitung dengan jarak Euclidean. Teknikini sederhana dan dapat memberikan akurasi yang baik terhadap hasil klasifikasi [3]. SedangkanFeature Extraction atau ekstraksi fitur merupakan suatu pengambilan ciri/feature dari suatubentuk atau tekstur yang nantinya nilai yang didapatkan akan dianalisis untuk proses klasifikasi[4]. Penelitian ini menggunakan ekstraksi fitur bentuk dan tekstur dalam proses klasifikasi.2. METODE PENELITIANMetode penelitian yang digunakan dalam penelitian ini adalah metode K-NearestNeighbor (KNN) berdasarkan ekstraksi fitur bentuk dan tekstur, yang dapat dilihat pada langkahyang umum dalam merancang sebuah sistem computer vision (pengolahan citra dan pengenalan
pola) dapat dilihat pada Gambar 1.2. 1 Akuisisi CitraAkuisisi citra adalah proses pengubahan citra analog menjadi citra digital yang diambildari lingkungan atau dunia nyata menggunakan beberapa alat berikut, kamera digital, webcam,smartphone, dan scanner, agar bisa dilanjutkan ke tahap processing. Hal-hal yangmempengaruhi citra digital yang dihasilkan saat proses akuisisi yaitu resolusi alat yangdigunakan, jarak dan sudut pandang pengambilan citra, faktor pencahayaan, perbesaran danpengecilan, objek atau kamera dalam keadaan bergerak atau tidak serta format citra yangdihasilkan [5].2. 2 Pengolahan CitraPengolahan gambar atau pengolahan citra yang sering disebut image processing,merupakan suatu proses yang mengubah sebuah gambar menjadi gambar lain yang memilikikualitas lebih baik untuk tujuan tertentu. Pengolahan citra adalah sebuah proses pengolahanyang inputnya adalah citra. Outuputnya dapat berupa citra atau sekumpulan karakteristik atauparameter yang berhubungan dengan citra [6].2.3 Image enchancement (perbaikan kualitas citra)Image enchancement (perbaikan kualitas citra) merupakan bagian dari tahappreprocessing yang bertujuan untuk meningkatkan kualitas citra. Pada penelitian inimenggunakan teknik perubahan aras warna gambar, yaitu dari gambar berwarna menjadigambar abu-abu (grayscale). Pengubahan aras warna menjadi gambar abu-abu juga akanmenurunkan tingkat komputasi pada tahap pengambilan fitur [7]. Grayscaling digunakan untukmenyederhanakan model citra RGB yang memiliki 3 layer matriks, yaitu layer matriks red,green, dan blue menjadi 1 layer matriks 4 Segmentasi CitraSegmentasi merupakan bagian dari tahap preprocessing yang bertujuan untukmemisahkan objek tertentu yang dikehendaki (foreground) dengan objek lain yang tidakdikehendaki (background). Output segmentasi biasanya berupa citra biner, dimana foregrounddiberi simbol 1 dan background diberi simbol 0 [5]. Segmentasi yang digunakan pada penelitianyaitu metode thresholding. Satu cara yang jelas untuk mengekstrak objek dari background adalahdengan memilih threshold T yang membagi mode-mode ini. Secara umum prosesthresholding terhadap citra grayscale bertujuan menghasilkan citra biner, secara matematisdapat ditulis sebagai berikut :Dengan g(x,y) adalah citra biner dari citra grayscale f(x,y), dan T menyatakan nilai threshold. NilaiT
ditentukan dengan menggunakan metode thresholding global dan thresholding local. Thresholdingglobaladalah metode dengan seluruh pixel pada citra dikonversi menjadi hitam dan putih dengan satunilaithresholding [9]. Dalam penelitian ini thresholding global menggunakan fungsi otomatis metodeotsu.Metode otsu melakukan analisis diskriminan dengan menentukan suatu variable denganmembedakanantara dua atau lebih kelompok secara alami [4].2.5 Pengenalan PolaPengenalan pola merupakan salah satu bidang dalam pembelajaran mesin (machinelearning) yang menitikberatkan pada metode klasifikasi objek ke dalam kelas-kelas tertentuuntuk menyelesaikan masalah tertentu. Aplikasi pengenalan pola bertujuan untuk melakukanproses pengenalan terhadap suatu objek (citra) ke dalam salah satu kelas tertentu, berdasarkanpola yang dimilikinya [5].2. 6 Ekstraksi FiturPenelitian ini menggunakan ekstraksi fitur bentuk dan tekstur dalam proses pengenalan pola.Bentuk merupakan salah satu ciri yang dapat diekstrak dari suatu objek untuk membedakanobjek tersebut dengan objek lainnya. Pengenalan pola bentuk merupakan metode yangmeggunakan dua kombinasi parameter yaitu eccentricity dan metric dari suatu objek pada citrabiner. Parameter eccentricity dan metric merupakan teknik ekstraksi fitur yang bertujuan untukmengambil atau mengekstraksi nilai eccentricity dan metric [10].Tekstur adalah sifat-sifat atau karakteristik yang dimiliki oleh suatu daerah (di dalamcitra) yang cukup besar sehingga secara alami sifat-sifat tadi dapat berulang dalam daerahtersebut. Pengertian dari tekstur dalam hal ini kurang lebih adalah keteraturan pola-pola tertentuyang terbentuk dari susunan piksel-piksel dalam citra digital [11].Salah satu bagian penting dalam analisis tekstur adalah menggunakan matriks pasanganintensitas (Gray Level Co-occurence Matrix (GLCM). GLCM merupakan suatu matriks yangmenggambarkan frekuensi munculnya pasangan dua piksel dengan intensitas tertentu dalamjarak dan arah tertentu dalam citra [12]. Ekstraksi fitur (feature extraction) tekstur GLCMmenghasilkan beberapa fitur, antara lain contrast, correlation, energy, dan homogeneity.2.7 KlasifikasiKlasifikasi adalah algoritma yang mampu mengklasifikasikan atau meng-cluster objek
berdasarkan pada karakteristik ciri-ciri yang diberikan [13]. Pada penelitian ini prosesklasifikasi menggunakan metode K-Nearest Neighbor (KNN). K-Nearest Neighboor (KNN)adalah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yangjaraknya paling dekat atau memiliki persamaan ciri paling banyak dengan objek tersebut. Dekatatau jauhnya tetangga biasanya dihitung dengan jarak Euclidean. Teknik ini sederhana dandapat memberikan akurasi yang baik terhadap hasil klasifikasi [3].3. HASIL DAN PEMBAHASANKlasifikasi jenis bawang menggunakan metode K-Nearest Neighbor (KNN) berdasarkanekstraksi fitur bentuk dan tekstur ini membutuhkan masukkan berupa gambar. Sistem inidiharapkan dapat membantu dalam mengidentifikasi jenis bawang berdasarkan bentuk danteksturnya. Tahapan desain sistem adalah sebagai berikut :3.1. Akuisisi CitraMemilih gambar masukkan, proses pertama dalam sistem ini adalah memilih citra jenisbawang, bawang yang akan diidentifikasi ada 5 jenis yang dapat dilihat pada Gambarini :3.2. PreprocessingPreprocessing atau proses pengolahan data awal, dalam tahap ini dilakukan dengan caramengubah citra berwarna menjadi citra grayscale. Tahapan ini digunakan untuk mempermudahproses citra selanjutnya yaitu proses segmentasi. Dalam proses segmentasi menggunakanthresholding yang prosesnya didasarkan pada perbedaan derajat keabuan citra dan hasilnyaadalah citra grayscale. Citra bawang hasil grayscale menjadi input pada proses segmentasi.Dalam proses ini dibutuhkan suatu nilai batas (nilai threshold), Nilai threshold (T) ditentukansecara otomatis dengan menggunakan metode otsu. Proses grayscale dan segmentasi dapatdilihat pada Gambar 7. 3.3. Ekstraksi FiturPada proses pengenalan pola ekstraksi fitur bentuk dan tekstur dilakukan perhitunganparameter yang digunakan untuk proses klasifikasi. Parameter ekstraksi fitur bentuk yaitu metricdan eccentricity. Dalam proses ekstraksi fitur bentuk citra yang diambil yaitu citra hasilsegmentasi yang berupa bilangan biner, dari bilangan biner inilah yang akan digunakan untukperhitungan parameter metric dan eccentricity. Parameter ekstraksi fitur tekstur yang digunakanadalah contrast, correlation, energy, dan, homogeneity. Dalam proses ekstraksi fitur bentuk citrayang digunakan yaitu citra grayscale, dari citra grayscale akan menghasilkan matrik grayscaleyang akan dilakukan perhitungan metode Gray Level Co-occurrence Matrix (GLCM). Dari hasilmetode GLCM akan menghasilkan parameter contrast, correlation, energy, dan, homogeneity.
Hasil perhitungan parameter ekstraksi fitur bentuk dan tekstur dapat dilihat pada Tabel 1 danGrafik ringkasan ekstraksi fitur dapat dilihat pada Gambar 8.Berdasarkan Tabel 1, parameter metric merupakan sebuah besaran yang menunjukkan tingkatkebulatan bentuk suatu objek. Hasil metric didapatkan berdasarkan Persamaan (1).
MATCHED SOURCES:
e-journals.unmul.ac.id - 18% SimilarCompare
http://e-journals.unmul.ac.id/index.php/INF/article/view/321....
www.scribd.com - 3% SimilarCompare
https://www.scribd.com/doc/190538396/ML2F304218
yudistira.lecture.ub.ac.id - 2% SimilarCompare
http://yudistira.lecture.ub.ac.id/files/2014/01/SEGEMENTASI-....
www.academia.edu - 2% SimilarCompare
https://www.academia.edu/9131959/A_Klasifikasi_K_Nearest_Nei....
github.com - 2% SimilarCompare
https://github.com/julioalfian/K-Nearest-Neighbor
www.scribd.com - 1% SimilarCompare
https://www.scribd.com/document/390080220/17-04-498-jurnal-e....
www.scribd.com - 1% SimilarCompare
https://www.scribd.com/doc/192408846/BAB-II-docx
www.scribd.com - 1% SimilarCompare
https://www.scribd.com/doc/273999362/Segmentasi-Citra-Digita....
manfat-bawang.my.aptoide.com - 1% SimilarCompare
https://manfat-bawang.my.aptoide.com/
distributorbawang.wordpress.com - 1% SimilarCompare
https://distributorbawang.wordpress.com/
nidanurfauziah.blogspot.com - <1>Compare
http://nidanurfauziah.blogspot.com/
dosbing.id - <1>Compare
https://dosbing.id/klasifikasi-daun-herbal-menggunakan-metod....
Report Generated on December 25, 2020 by prepostseo.com
PLAGIARISM SCAN REPORT
Date December 25, 2020
Exclude URL: NO
Unique Content 89%
Plagiarized Content 0%
Paraphrased Plagiarism 11%
Word Count 587
Readability (max.100) -23
Records Found 1
CONTENT CHECKED FOR PLAGIARISM:
Berdasarkan Tabel 1, parameter metric merupakan sebuah besaran yang menunjukkan tingkatkebulatan bentuk suatu objek. Hasil metric didapatkan berdasarkan Persamaan (1).(1)Parameter eccentricity merupakan nilai perbandingan panjang antara jarak foci ellips minordengan foci ellips mayor suatu objek. Hasil eccentricity didapatkan berdasarkan Persamaan (2).(2)Parameter contrast merupakan fitur yang merepresentasikan perbedaan tingkat warna atau skalakeabuah (grayscale) yang muncul pada sebuah citra. Hasil contrast didapatkan berdasarkanPersamaan (3).(3)Parameter correlation merepresentasikan keterkaitan linear dari derajat dari citra keabuan. Hasilcorrelation didapatkan berdasarkan Persamaan (4).(4)Parameter energy merepresentasikan ukuran keseragaman pada citra, Semakin tinggi kemiripancitra maka akan semakin tinggi pula nilai energy. Hasil energy didapatkan berdasarkanPersamaan (5).(5)Parameter homogeneity merepresentasikan ukuran keserbasamaan, homogeneity akan bernilaitinggi jika semua piksel mempunyai nilai yang unifor. Hasil energy didapatkan berdasarkan
Persamaan (6).(6)Hasil nilai parameter dari ekstraksi fitur bentuk dan tekstur pada Tabel 1, diperolehdengan implementasi persamaan (1) - (6) digambarkan dengan grafik Klasifikasi Metode K-NearestNeighbor (KNN)Pada tahapan klasifikasi KNN dibentuk dari beberapa masukkan data berupa ekstraksifitur bentuk dan tekstur yang terdiri dari metric, eccentricity, contrast, correlation, energy, danhomogeneity. Pada klasifikasi metode KNN dilakukan pengujian sebanyak 5 kali dengankombinasi data training dan data testing, dapat dilihat pada Tabel 2.Tabel 2 Kombinasi pengujian data training dan data testing.3.5. Akurasi SistemTingkat akurasi metode KNN berdasarkan ekstraksi fitur bentuk dan tekstur dalammengidentifikasi jenis bawang menggunakan 50 data gambar dengan menggunakan k3, k5, dan,k7 dapat dilihat pada Gambar 9.Pada Gambar 9 maka dapat diketahui akurasi tertinggi k3 adalah pada pengujian 50�ngan akurasi84�n yang terendah pada pengujian 90�ngan akurasi 60%. Untuk akurasitertinggi k5 adalah pada pengujian 60�ngan akurasi 85�n yang terendah pada pengujian70%, 80%, dan 90�ngan akurasi 80%. Dan untuk akurasi tertinggi k7 adalah pada pengujian70�ngan akurasi 86.66�n yang terendah pada pengujian 80�n 90�ngan akurasi80%. Pada akurasi penggunaan nilai k keseluruhan dapat diketahui bahwa akurasi yang terbaikpada pengujian 70�ngan menggunakan k7 dengan akurasi sebesar 86.66�rdasarkan perhitunganakurasi 5 kali pengujian yang dilakukan dapat dilihat pada Gambar 10.Pada Gambar 10 diketahui bahwa akurasi yang tertinggi dilakukan pada pengujian 50�nganmenggunakan k3, k5, dan k7 dengan jumlah 25 data training dan 25 data testing dari 50citra jenis bawang Pada penggunaan nilai k, pada 5 kali pengujiannilai akurasi yang tertinggi yaitu pada k7 dengan akurasi sebesar 83.13%, sedangkan rata-rataakurasi berdasarkan 5 kali pengujian terbaik dan penggunaan k terbaik dihasilkan sebesar83.56%,4. KESIMPULANBerdasarkan hasil penelitian klasifikasi jenis bawang menggunakan metode k-nearestneighbor berdasarkan ekstraksi fitur bentuk dan tekstur maka dapat ditarik kesimpulan sebagaiberikut :1. Berdasarkan 5 kali pengujian dengan menggunakan k3, k5, k7 hasil terbaik yaitu pada
pengujian 50�ngan jumlah 25 data training dan 25 data testing dari 50 citra Penggunaan nilai kterbaik pada pengujian ke 3 yaitu 70�ngan k7 mendapatkan akurasi sebesar 86.66%, dan rata-rata akurasi nilai k pada 5 kalipengujian nilai akurasi yang tertinggi yaitu pada k7 dengan akurasi sebesar 83.13%.2. Penggunaan metode K-Nearest Neighbor (KNN) berdasarkan ekstraksi fitur bentuk denganparameter metric dan eccentricity, ekstraksi fitur tekstur dengan parameter contrast,correlation, energy, dan homogeneity dapat diterapkan dalam klasifikasi jenis bawangdengan akurasi sebesar 83.56%.5. SARANBeberapa saran yang dapat diuraikan dalam penelitian ini, antara lain adalah :1. Dapat dikembangkan dengan menggunakan metode ekstraksi lain seperti ekstraksi fiturwarna, ukuran, dan lain-lain untuk meningkatkan nilai akurasi.2. Perlu dikembangkan penelitian dengan metode klasifikasi yang lebih optimal.
MATCHED SOURCES:
e-journals.unmul.ac.id - 10% SimilarCompare
http://e-journals.unmul.ac.id/index.php/INF/article/view/321....
Report Generated on December 25, 2020 by prepostseo.com
