PENELITIAN UNTUK APLIKASI MOBILE MUNSELL SOIL

COLOR CHART BERBASIS ANDROID MENGGUNAKAN

HISTOGRAM RUANG CITRA HVC

DENGAN KLASIFIKASI K-NN

AHMAD ZULFIKAR S

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2014

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Penelitian untuk Aplikasi Mobile Soil Color Chart berbasis Android

Menggunakan Histogram Ruang Citra HVC dengan Klasifikasi k-NN adalah

benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan

dalam bentuk apapun kepada perguruan tinggi manapun. Sumber informasi yang

berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari

penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di

bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor beserta Balai Besar Penelitian dan Pengembangan Sumberdaya

Lahan Pertanian, Badan Penelitian dan Pengembangan Pertanian, Kementerian

Pertanian.

Bogor, Oktober 2014

Ahmad Zulfikar S

NIM G64100054

ABSTRAK

AHMAD ZULFIKAR S. Penelitian untuk Mobile Munsell Soil Color Chart

Berbasis Android dengan Menggunakan Histogram Ruang Citra HVC dengan

Klasifikasi k-NN. Dibimbing oleh KARLISA PRIANDANA dan SUKARMAN.

Menentukan warna tanah bukan perkara mudah karena banyaknya jenis

tanah dan tingginya tingkat kemiripan warna tanah. Untuk mengatasi kesulitan ini,

para praktisi menggunakan suatu buku pedoman warna tanah yaitu Munsell Soil

Color Chart (MSCC). Penelitian ini bertujuan mengembangkan aplikasi mobile

untuk mengidentifikasi warna tanah dalam menentukan warna mayor tanah sesuai

buku MSCC. Aplikasi dibangun menggunakan pemodelan warna HVC dengan

komponen warna hue, value, dan chroma. Penelitian ini menekankan klasifikasi

untuk warna hue saja. Namun demikian, diteliti juga komponen warna value dan

chroma. Citra yang digunakan sebagai data latih adalah 259 citra dari buku

MSCC yang masing-masing berukuran 1600 piksel. Data warna hue dari setiap

piksel ini dianalisis dalam bentuk histogram dan diklasifikasikan dengan k-NN.

Hasil penelitian menunjukkan bahwa akurasi tertinggi dalam klasifikasi nilai hue

adalah 45% pada nilai k=5. Akurasi mungkin dapat ditingkatkan dengan cara

menggunakan data soil color yang sudah tersedia secara online.

Kata kunci: Android, HVC, k-NN, Munsell Soil Color Chart.

ABSTRACT

AHMAD ZULFIKAR S. Study on Android-Based Mobile Munsell Soil Color

Chart by Using HVC Color Model Histogram with k-NN Classification.

Supervised by KARLISA PRIANDANA and SUKARMAN.

Soil color determination is a challenging task because of the various types

of soil and the high similarity of soil color. Munsell Soil Color Chart (MSCC) is

used to overcome this issue. The purpose of this research is to develop an android-

based mobile application to identify the major color of soil according to MSCC.

The application utilized HVC color model with hue, value, and chroma color

components. The hue color component had been the main concern of this research,

although the value and chorma color components were also observed. The training

data were 259 images from MSCC, with 1600 pixels each. Hue color data from

these pixels were analyzed in the form of histogram and classified with k-NN. The

results showed that the highest classification accuracy of hue value was 45% at

k=5, this accuracy may be improved by utilizing the soil color data that are

available online.

Keyword: Android, HVC, k-NN, Munsell Soil Color Chart.

Skripsi

sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer

pada

Departemen Ilmu Komputer

PENELITIAN UNTUK APLIKASI MOBILE MUNSELL SOIL

COLOR CHART BERBASIS ANDROID MENGGUNAKAN

HISTOGRAM RUANG CITRA HVC

DENGAN KLASIFIKASI K-NN

AHMAD ZULFIKAR S

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2014

Penguji: Endang Purnama Giri, SKom MKom

Judul Skripsi : Penelitian untuk Aplikasi Mobile Munsell Soil Color Chart

Berbasis Android Menggunakan Histogram Ruang Citra HVC

dengan Klasifikasi k-NN

Nama : Ahmad Zulfikar S

NIM : G64100054

Disetujui oleh

Karlisa Priandana, ST MEng

Pembimbing I

Dr Ir Sukarman, MS

Pembimbing II

Diketahui oleh

Dr Ir Agus Buono, MSi MKom

Ketua Departemen

Tanggal Lulus:

PRAKATA

Puji syukur penulis panjatkan kepada Allah Subhanahu wa ta’ala atas

segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Shalawat serta

salam penulis sampaikan kepada Nabi Muhammad Shalallahu ‘alaihi wassalam.

Judul penelitian yang dilaksanakan sejak bulan November 2013 ini ialah

Penelitian untuk Aplikasi Mobile Munsell Soil Color Chart Berbasis Android

Menggunakan Histogram Ruang Citra HVC dengan Klasifikasi k-NN ini tidak

lepas dari bantuan berbagai pihak. Oleh karena itu, penulis menyampaikan ucapan

terima kasih kepada:

1 Kedua orang tua tercinta Drs H Sidi dan Hj Nur Hidayat, serta Keluarga besar

yang selalu memberikan doa dan dukungan moral.

2 Ibu Karlisa Priandana, ST MEng dan Dr Ir Sukarman, MS, selaku dosen

pembimbing yang selalu sabar dalam memberikan ilmu dan bimbingan selama

penyelesaian skripsi.

3 Endang Purnamagiri sebagai dosen penguji atas segala kritik, masukan dan

saran yang diberikan kepada penulis terhadap penelitian ini.

4 Staff Balai Besar Penelitian dan Pengembangan Sumberdaya Lahan Pertanian

Bogor yang telah membantu dalam memperoleh data dan sumber informasi.

5 Sodik Kirono, S Komp dan Wahyu Dwi Atmoko, S Komp serta teman-teman

Ilmu Komputer atas pengalaman berbagi ilmu, kebersamaan dan dukungannya

selama menjalani studi di Departemen Ilmu Komputer IPB.

6 Staf pengajar dan staf tata usaha Departemen Ilmu Komputer yang telah

banyak membantu baik selama masa perkuliahan maupun pada saat penelitian.

Dan semua pihak yang telah banyak memberikan kontribusi yang besar

dalam penyelesaian tugas akhir yang tidak dapat disebutkan satu persatu.

Semoga karya ilmiah ini bermanfaat.

Bogor, Oktober 2014

Ahmad Zulfikar S

DAFTAR ISI

DAFTAR ISI IX

DAFTAR TABEL X

DAFTAR GAMBAR X

DAFTAR LAMPIRAN X

PENDAHULUAN 1

Latar Belakang 1

Perumusan Masalah 2

Tujuan Penelitian 2

Manfaat Penelitian 2

Ruang Lingkup Penelitian 2

TINJAUAN PUSTAKA 3

Warna Tanah 3

Warna Tanah dan Karatan 3

Model Warna 5

Metode Klasifikasi k-Nearest Neighbor 6

Jarak histogram 6

METODE PENELITIAN 6

1. PC 7

2. Mobile device 8

Lingkungan pengembangan 9

HASIL DAN PEMBAHASAN 10

SIMPULAN DAN SARAN 14

Simpulan 14

Saran 14

DAFTAR PUSTAKA 14

LAMPIRAN 16

DAFTAR TABEL

1 Tabel 1 Perbandingan nilai akurasi setiap komponen warna hue 13

DAFTAR GAMBAR

1 Sistem koordinat model warna (a) RGB dan (b) HVC 5 2 Metode klasifikasi k-Nearest Neighbor 6 3 Metode Penelitian 7 4 Alur sistem untuk identifikasi citra 9 5 Proses Pemotongan Citra dari buku MSCC 10

6 Nilai value untuk skala warna hue 5YR 11 7 Nilai chroma untuk skala warna hue 5YR 11 8 Pola value/chroma dari Gambar 6 dan 7 12 9 Perbandingan akurasi rata-rata untuk setiap nilai k 13

DAFTAR LAMPIRAN

1 Screenshoot aplikasi pengolah data 17 2 Konversi value dan chroma pada masing-masing model warna 19

3 Rumus Kalibrasi Skala Warna 25

4 Konversi Skala Warna Khusus Hue 26 5 Screenshoot aplikasi android 27

PENDAHULUAN

Latar Belakang

Tanah sangat penting untuk mendukung kehidupan tumbuhan dengan

menyediakan unsur hara dan air serta sebagai penopang akar. Di dalam tanah,

terdapat berbagai unsur hara atau partikel yang sangat berperan penting bagi

kelangsungan hidup tanaman seperti kandungan bahan organik, kondisi drainase,

dan aerasi (Soepardi 1983). Warna tanah sering digunakan sebagai salah satu

perameter untuk mengklasifikasikan tanah. Hasil klasifikasi tanah selanjutnya

digunakan sebagai dasar penilaian kesesuaian lahan berbagai tanaman pertanian

maupun tanaman kehutanan.

Dalam penelitian sumberdaya tanah saat ini, Munsell Soil Color Chart

(MSCC) digunakan sebagai standar: (1) warna dasar atau warna matriks, dan (2)

warna karatan sebagai hasil dari proses oksidasi dan reduksi di dalam tanah (Balai

Penelitian Tanah 2004). Cara penggunaan MSCC adalah dengan mengecek

kemiripan warna tanah pada pedoman warna yang terdapat dalam MSCC. Selama

penggunaannya, buku tersebut perlu dibawa ke lapangan untuk dijadikan sebagai

pedoman mencocokkan warna tanah. Namun, apabila penetapan warna ini

dilakukan secara manual, sangat mungkin terjadi kesalahan sehingga informasi

yang diperoleh kurang akurat. Selain itu, untuk melakukan pengukuran dengan

buku MSCC dapat meninmbulkan berbagai resiko diantaranya adalah cepat

rusaknya buku MSCC tersebut yang berharga cukup mahal. Berkaitan dengan hal

tersebut di atas maka diperlukan alternatif lain cara pengukuran warna tanah yang

lebih akurat, aman, dan praktis.

Era modern membuat teknologi berkembang sangat pesat terutama mobile

device berbasis Android sehingga memotivasi pengembang untuk membuat

berbagai aplikasi yang mempermudah aktivitas dan pekerjaan sehari-hari.

Menurut data yang dikeluarkan oleh International Data Corporation (IDC) pada

tahun 2012, sistem operasi Android menguasai sekitar 52% dari total smartphone

yang dipakai oleh masyarakat Indonesia (Wahyudi 2012). Oleh karena itu, dalam

penelitian ini aplikasi akan dibangun dengan menggunakan sistem operasi yang

berbasis Android. Fitur warna yang diekstraksi adalah fitur warna pada ruang citra

Hue, Value, Chroma (HVC). Hal ini dilakukan karena MSCC menggunakan

ruang citra HVC untuk mengklasifikasikan warna tanah.

Menurut buku Anonim (2009), hue adalah warna spektrum yang dominan

sesuai dengan panjang gelombangnya. Value menunjukkan gelap terangnya warna,

sesuai dengan banyaknya sinar yang dipantulkan. Chroma menunjukkan

kemurnian atau kekuatan dari warna spektrum. Chroma didefiniskan juga sebagai

gradasi kemurnian dari warna atau derajat pembeda adanya perubahan warna dari

kelabu atau putih netral ke warna lainnya.

Penelitian ini mengembangkan suatu aplikasi mobile yang dapat

mengklasifikasikan warna tanah berdasarkan MSCC secara otomatis sehingga

dapat mengurangi kemungkinan kesalahan pencocokan warna tanah, serta

mempermudah pengguna MSCC.

Menurut Boiman et al. (2008) metode klasifikasi k-Nearest Neighbor (k-NN)

sangat sederhana, efisien dan kinerjanya sangat baik dalam klasifikasi citra. Oleh

2

karena itu, untuk mengklasifikan skala warna tanah pada perangkat mobile, akan

digunakan warna mayor pada tanah namun sebelumnya, dibandingkan dengan

ruang citra HVC pada data latih dengan menggunkan klasifikasi k-NN.

Perumusan Masalah

Belum tersedianya mobile application berbasis android untuk mendeteksi

warna tanah secara otomatis bedasarkan buku MSCC.

Tujuan Penelitian

Berdasarkan rumusan permasalahan tersebut di atas, maka penelitian ini

bertujuan untuk mengembangkan suatu aplikasi mobile berbasis android yang

dapat mengklasifikasikan warna tanah berdasarkan MSCC secara otomatis.

Manfaat Penelitian

Hasil dari penelitian ini dapat dijadikan dasar untuk penelitian selanjutnya

dalam rangka mengembangkan suatu aplikasi mobile berbasis android, serta akan

membantu peneliti di Balai Besar Penelitian Tanah Bogor untuk meminimalkan

biaya dan waktu dalam mengklasifikasikan warna tanah.

Ruang Lingkup Penelitian

Ruang lingkup penelitian ini, yaitu:

1 Data uji dan data latih menggunakan data yang sama yaitu dari buku MSCC

yang diberikan oleh Balai Besar Penelitian dan Pengembangan Sumberdaya

Lahan Pertanian,

2 pengambilan citra dilakukan pada keadaan cerah dan dimulai pada pukul

8.00-11.00,

3 kamera yang digunakan adalah kamera dari perangkat mobile dengan

resolusi 8 megapiksel,

4 fokus kepada model warna hue dengan menampilkan warna dominan saja.

3

TINJAUAN PUSTAKA

Warna Tanah

Menurut Ritung et al. (2004:74) “warna tanah merupakan ciri tanah paling

mudah ditentukan ketika di lapangan. Warna mencerminkan beberapa sifat tanah

tertentu”.

Warna tanah dibedakan atas: (a) warna dasar tanah atau warna matriks, dan

(b) warna karatan sebagai proses dari hasil oksidasi dan reduksi di dalam tanah.

1. Warna matriks

Warna tanah ditentukan dengan standar warna sesuai buku MSCC,

dinyatakan dalam 3 model warna: hue, value, dan chroma menurut nama

yang tercantum dalam lajur yang bersangkutan, yaitu meliputi:

Warna dasar tanah (matriks),

warna bidang struktur dan liat (terutama tanah berstruktur

gumpal/sudut),

warna karatan dan konkresi,

warna plintit,

warna humus.

Dalam menentukan warna tanah harus diperhatikan:

Tanah harus lembab (jika mungkin kering dan lembab),

tanah ditempatkan di bawah lubang kertas Munsell dengan jari/pisau,

tanah tidak bisa mengkilap (kecuali pada warna bidang strukur). Untuk

tujuan khusus, perlu ditambahkan warna tanah setelah dihancurkan atau

diremas,

hindarkan bekerja menetapkan warna tanah sebelum jam 09.00 dan

sesudah jam 16.00,

jika warna tanah tidak tepat dengan warna pada buku Munsell, maka

akan diberikan angka-angka hue, value, dan chroma tertinggi dan

terendah yang membatasinya.

Contoh: warna tanah ditulis 7,5YR 5/4 artinya hue 7,5YR, value 5 dan

chroma 4, warna tanah coklat.

2. Karatan

Karatan adalah gejala kelainan warna tanah, yang diakibatkan oleh 2

proses kimia yaitu proses reduksi dan oksidasi. Karatan dalam penampang

tanah dicatat mengenai jumlah (kadar), ukuran (kontras), batas, bentuk, dan

warnanya.

Warna Tanah dan Karatan

Hal yang sama juga diungkapkan Hardjowigeno (1985:10), “bahwa warna

tanah merupakan sifat morfologi yang paling mudah dibedakan. Warna

merupakan petunjuk untuk beberapa sifat tanah, misalnya: warna hitam

menunjukkan kandungan bahan organik tinggi. Warna merah menunjukkan

4

adanya oksidasi bebas (tanah-tanah yang teroksidasi). Warna abu-abu atau

kebiruan menunjukkan adanya reduksi”.

Perlu diketahui bahwasanya hubungan warna tanah dengan kandungan

bahan organik di daerah tropika banyak yang tidak sesuai dengan yang ditemukan

di benua Amerika atau Eropa atau daerah beriklim sedang. Misal, tanah-tanah

merah di Indonesia banyak yang mempunyai bahan organik lebih dari satu persen,

sama dengan kandungan organik tanah hitam di daerah-daerah yang beriklim

sedang.

Menurut Hardjowigeno (1985) selain warna tanah, karatan tanah juga perlu

dipelajari lebih lanjut khususnya penyifatan tanah yang meliputi jumlah, ukuran

dan bandingan (kontras).

Jumlah

Sedikit = < 2%

Sedang = 2-20%

Banyak = >20%

Ukuran

Kecil = diameter terpanjang < 5 mm

Sedang = diameter antara 5 -15 mm

Bedar = diameter > 15 mm

Bandingan

Baur = ada karatan tidak jelas, jika tidak diamati dengan teliti. Warna

karatan dan metriks mempunyai hue dan chroma dan hampir

sama.

Jelas = walaupun tidak nyata, tetapi karatan mudah terlihat, warna

matriks dan kartan mudah dubedakan karena masing-masing

mempunyai hue, value dan chroma yang berbeda. Warna

mungkin berbeda satu-dua hue atau beberapa unit value

(chroma).

Buku MSCC edisi ke-4 mengatakan terdapat tiga variabel penting pada

warna tanah seperti: hue, value, dan chroma. Hue adalah warna spektrum yang

dominan sesuai dengan panjang gelombangnya. Value menunjukkan gelap

terangnya warna, sesuai dengan banyaknya sinar yang dipantulkan. Chroma

menunjukkan kemurnian atau kekuatan dari warna spektrum. Chroma sendiri

didefiniskan juga sebagai gradasi kemurnian dari warna atau derajat pembeda

adanya perubahan warna dari kelabu atau putih netral.

Merujuk buku MSCC dalam menentukan nilai hue dimulai dari spektrum

dominan paling merah (5R) sampai spektrum dominan paling kuning (5Y). Selain

itu, di dalam beberapa buku MSCC sering terdapat juga untuk warna-warna tanah

tereduksi (gley).

Value dibedakan dari 2-8, semakin tinggi nilai value maka menunjukkan

warna makin terang yang menandakan semakin banyak sinar yang dapat

dipantulkan oleh tanah tersebut. Nilai Value pada lembar buku MSCC terbentang

secara vertikal dari bawah ke atas dengan angka 2 menunjukkan paling gelap dan

angka 8 menunjukkan paling terang, sedangkan chroma juga dibagi dengan

rentang 1 dan 8, semakin tinggi chroma menunjukkan kemurnian spektrum atau

kekuatan warna spektrum makin meningkat dan begitu pula sebaliknya.

5

(a) (b)

Model Warna

Suatu warna didasarkan pada perbedaan eksitasi dari 3 penerima cahaya di

dalam retina. Ketiga warna tersebut adalah merah, hijau dan biru (red, green, dan

blue, atau sering disingkat RGB) yang akan menentukan warna dari suatu obyek

(Ford dan Roberts 1998).

Nilai H (hue), S (saturation) dan V (value) dapat diperoleh dari nilai model

warna RGB (Acharya dan Ray 2005) dan dari model warna tersebut dapat pul

diperoleh nilai C (chroma) melalui berikut:

(1)

{

-

-

-

(2)

H = 60o x ’ (3)

V = M (4)

{

(5)

dengan M * +

m * + -

Gambar 1 Sistem koordinat model warna (a) RGB dan (b) HVC

(Sumber Gambar : en.wikipedia.org)

6

?

Gambar 2 Metode klasifikasi k-Nearest Neighbor

Metode Klasifikasi k-Nearest Neighbor

Konsep dasar dari metode k-NN adalah mencari jarak terdekat antara data

uji dengan sejumlah k tetangga terdekat dalam data latih (Gambar 2). Berikut

algoritme k-NN (Song 2007):

1 Menentukan nilai k,

2 menghitung jarak antara data uji dengan setiap data latih,

3 mendapatkan k data yang memiliki jarak terdekat,

4 k data yang memiliki jarak terdekat, diperoleh kelas yang paling banyak

muncul,

5 kelas yang paling banyak muncul ditentukan sebagai kelas dari data uji.

Jarak histogram

Perhitungan jarak antara histogram A dan histogram B dilakukan dengan

rumus jarak Euclidean (Gonzales et al. 1987):

( ) √∑(

)

dengan:

= histogram A, Indeks array ke j

= histogram B, Indeks array ke j

n = panjang/rentang histogram

METODE PENELITIAN

Pembuatan aplikasi mobile untuk mengidentifikasi warna tanah berbasis

citra diimplementasikan pada mobile device untuk tempat penyimpanan database.

Tahapan penelitian mengacu pada penelitian sebelumnya oleh Satyalesmana

(2013). Tahap penelitian dapat dilihat pada Gambar 3.

(6)

7

Gambar 3 Metode Penelitian

Tahapan awal dilakukan proses akuisisi citra dengan mengambil citra data

uji dan data latih. Masukan untuk data uji dan data latih berasal dari MSCC.

Pembangunan model klasifikasi dan database histogram dilakukan pada PC untuk

kemudian digunakan pada mobile device.

1. PC

Citra dari MSCC akan digunakan untuk pembuatan model. Model dibuat

dengan cara melakukan training pada citra. Berikut tahapan dalam proses training:

Akuisisi

Tahap ini dilakukan untuk pengambilan citra digital dari buku MSCC

dari Balai Besar Penelitian dan Pengembangan Sumberdaya Lahan

Pertanian yang bertujuan guna pembuatan data latih dan data uji citra.

Praproses

Praproses dilakukan untuk pemotongan citra digital yang bertujuan

untuk mengambil bagian citra yang ingin diproses. Proses ini dilakukan

untuk menurunkan waktu komputasi dikarenakan citra yang diambil lebih

kecil dan bagian yang tidak terkait warna larutan dapat dihilangkan. Tahap

Mulai

Akuisisi

Mobile Device

Data Uji Data latih

Praproses Praproses

Ekstraksi Ekstraksi

Klasifikasi Model Klasifikasi

Hasil Klasifikasi

Evaluasi

Selesai

PC

8

praproses data latih dilakukan di PC untuk menghasilkan model klasifikasi

yang akan digunakan pada saat implementasi di aplikasi mobile, sedangkan

tahap praproses untuk data uji dilakukan di ponsel pada saat pengujian.

Ekstraksi Ciri

Tahap ini dilakukan untuk mengambil nilai komponen warna pada

setiap citra yang diperoleh dari tahapan praproses. Komponen warna yang

diperoleh tersebut merupakan model warna RGB. Untuk memperoleh model

warna HVC maka dilakukan konversi warna dari RGB tersebut. Hasil

konversi tersebut kemudian ditampilkan dalam histogram dengan

mengambil nilai dari setiap piksel dengan rentang 0-255.

Model Klasifikasi

Klasifikasi dilakukan berdasarkan hasil yang diperoleh dari tahap

sebelumnya. Metode klasifikasi yang digunakan adalah membandingkan

nilai HVC masing-masing piksel pada data uji dengan nilai HVC pada data

latih untuk menemukan nilai histogramnya. Nilai histogram akan

diklasifikasi dengan k-NN. Perhitungan jarak yang dipakai untuk

menentukan jarak antar histogram adalah jarak Euclidian. Euclidian akan

menghitung jarak histogram warna dari citra tanah sebagai data uji dengan

setiap 259 histogram warna sebagai data latih yang terdapat pada model

klasifikasi. Setelah diperoleh sebanyak k data yang memiliki jarak terdekat,

kemudian diketahui kelas yang paling banyak muncul, kelas tersebut adalah

kelas dari data uji.

Pengujian dan Evaluasi

Evaluasi hasil klasifikasi dapat dilakukan dengan cara menghitung

tingkat akurasi menggunakan rumus sebagai berikut:

(7)

Evaluasi hasil pengujian dilihat dengan menghitung nilai koefisien

determinasi (R2). R

2 digunakan untuk mengukur seberapa baik garis regresi

yang terbentuk oleh nilai dugaan dengan nilai aktualnya, semakin baik jika

mendekati 1. Menurut Walpole (1992), R2 dihitung dengan menggunakan

Persamaan 8:

[∑ n

i i

i ]

∑ ni

i

i

(8)

dengan:

= nilai aktual, = nilai prediksi,

= nilai aktual rata-rata, = nilai prediksi rata-rata.

2. Mobile device

Mobile device melakukan proses pengenalan citra menggunakan

perbandingan nilai HVC antara masing-masing nilai HVC pada data uji dengan

nilai HVC data latih. Ketika dijalankan aplikasi secara otomatis melakukan

9

praproses (cropping) dan proses ekstraksi fitur (pengambilan nilai hue, value, dan

chroma). Basisdata yang digunakan diperoleh dari PC, kemudian digunakan

untuk membandingkan nilai HVC pada citra data uji pada mobile dengan nilai

HVC pada basisdata.

Alur sistem untuk identifikasi citra pada aplikasi mobile yang akan

dibangun dapat dilihat pada Gambar 4, tahapan identifikasi citra dimulai dengan

proses pengambilan citra tanah untuk memperoleh data uji. Selanjutnya, citra dari

data uji yang tidak ingin diproses dipotong. Jika citra digital yang diperoleh

kurang baik maka aplikasi akan meminta untuk akuisisi citra lagi, sedangkan jika

citra digital yang diperoleh sudah baik maka dilakukan ekstraksi ciri untuk tahap

klasifikasi. Hasil klasifikasi akan dievaluasi sebagai tahap akhir dari tahapan ini.

Lingkungan pengembangan

Lingkungan pengembangan yang digunakan pada penelitian ini memiliki

spesifikasi sebagai berikut:

1. Perangkat Lunak

OpenCv

Notepad++

InkScape

Macromedia

XAMPP.

2. Pengkat Keras

Smartphone Lenovo P780 (OS. 4.2.1, Kamera 8MP)

Notebook Samsung (Spesifikasi Prosesor AMD Vision A6, AMD

Radeon Grafik 2.70 GHz).

Gambar 4 Alur sistem untuk identifikasi citra

Mulai

Ekstraksi Ciri

Data uji Akuisisi Citra Praproses

Klasifikasi Hasil

Klasifikasi Selesai

Tidak

Ya

Citra Dapat

Digunakan?

10

HASIL DAN PEMBAHASAN

Aplikasi yang dibangun yaitu aplikasi mobile berbasis android yang

bertujuan untuk mengidentifikasi warna tanah. Aplikasi ini diimplementasikan

pada mobile device.

Akuisisi

Tahap ini dilakukan untuk mengambil citra digital dari buku MSCC

sebagai data latih. Hasil akuisisi citra tersebut menghasilkan sebanyak 47

data citra dari setiap skala warna (7 kelompok hue dari buku MSCC)

sehingga diperoleh 259 data citra. Data uji yang digunakan sebanyak 140

data citra yang diambil secara acak pada data latih.

Praproses

Citra yang telah diakuisisi pada tahap sebelumnya dipotong sehingga

menjadi berukuran 40x40 piksel. Proses pemotongan citra dari buku MSCC

(Gambar 5).

Ekstraksi Ciri

Nilai piksel yang diperoleh pada tiap-tiap citra dikonversi kedalam

file .txt menggunakan PC (Lampiran 1). Isi di dalam file tersebut berupa

nilai histogram HVC dari 259 citra data latih. Setiap citra hasil pemotongan

menghasilkan 1.600 piksel dengan setiap pikselnya memiliki nilai histogram

dengan rentang antara 0-255. Frekuensi kemunculan setiap nilai piksel

ditampilkan dalam bentuk histogram warna.

Perbandingan hasil konversi RGB ke value dan chroma dalam skala

warna hue 2,5Y dari PC dan buku MSCC yang ditampilkan dalam diagram

garis (Lampiran 2):

Gambar 5 Proses Pemotongan Citra dari buku MSCC

11

Koefisien determinasi value yang tinggi yaitu R²=0.8688 (Gambar 6)

dapat diartikan bahwa secara simultan nilai value yang diperoleh dari alat

terhadap MSCC dapat dijelaskan dalam model sebesar 86%.

Hal berbeda terjadi pada koefisien determinasi chroma yaitu

R²=0.1744 (Gambar 7). Hal ini terjadi karena terdapat data pencilan yang

membuat fungsi tidak linear jika dibandingkan dengan data yang diperoleh

sebelumnya.

Terjadi pengelompokan data yang hampir sama antara nilai hasil

konversi value dan chroma dari PC dengan buku Munsell (Gambar 8).

Namun hasil konversi hue dari PC dengan buku Munsell tidak ditampilkan

dalam diagram garis dikarenakan hasil konversi PC sedikit beragam jika

dibandingkan dengan nilai hue pada buku Munsell yang hanya, memiliki

satu nilai untuk satu skala warna.

Gambar 6 Nilai value untuk skala warna hue 5YR

Gambar 7 Nilai chroma untuk skala warna hue 5YR

y = 10,992x - 0,4956 R² = 0,8688

0

2

4

6

8

10

0,00 0,20 0,40 0,60 0,80

Val

ue

MSC

C

Value Alat

y = 7,1189x + 2,8021 R² = 0,1744

0

2

4

6

8

10

0,00 0,20 0,40 0,60 0,80

Ch

rom

a M

SCC

Chroma Alat

12

Gambar 8 Pola value/chroma dari Gambar 6 dan 7

Untuk pengelompokkan masing-masing warna value dan chroma dalam

mobile application diperlukan kalibrasi. Selain konversi value dan chroma pada

skala warna hue 2,5 Y, juga dilakukan konversi yang sama pada skala warna pada

hue 2,5Y, 2,5YR, 5Y, 7,5YR, 10Y, 10YR dan diperolehlah kalibrasi untuk

masing-masing skala warna (Lampiran 3). Terdapat perbedaan hasil konversi hue

antara konversi PC dengan hasil yang terdapat pada buku MSCC (Lampiran 4).

Hal ini terjadi karena proses digitalisasi dari buku MSCC ke model warna RGB

dan RGB ke model warna HVC.

Klasifikasi

Pengujian dilakukan pada mobile device (Lampiran 5) tanpa harus

terkoneksi dengan PC. Hasil ekstraksi kemudian diklasifikasi dengan k-NN, nilai

k yang digunakan yaitu 1, 2, 3, 3, 5, 6 dan 7 pada pengujian memiliki nilai akurasi

yang berbeda-beda sehingga diperoleh nilai k yang paling baik pada tahap

klasifikasi.

Perbandingan nilai akurasi dengan nilai k untuk komponen warna hue dan

dapat dilihat pada Tabel 1 sebagai berikut:

0,00

20,00

40,00

60,00

80,00

100,00

120,00

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33

Series1 Series2Alat MSCC

13

Tabel 1 Perbandingan nilai akurasi setiap komponen warna hue

Nilai Akurasi tiap skala warna mSCC (%) Akurasi

K Hue

2,5Y

Hue

2,5YR

Hue

5,5 Y

Hue

5,5YR

Hue

7,5Y

Hue

10R

Hue

10YR

(%)

1 20,00 100,00 10,00 5,00 30,00 10,00 40,00 30,71

2 40,00 80,00 40,00 15,00 35,00 40,00 25,00 39,28

3 40,00 75,00 30,00 20,00 0,00 5,00 15,00 26,42

4 20,00 75,00 50,00 30,00 20,00 0,00 30,00 32,14

5 30,00 50,00 45,00 50,00 55,00 40,00 45,00 45,00

6 55,00 30,00 15,00 35,00 40,00 15,00 30,00 31,42

7 25,00 40,00 40,00 40,00 20,00 20,00 50,00 33,57

Akurasi

(%)

32,85 64,28 32,85 30,71 28,57 18,57 33,57

Percobaan klasifikasi menggunakan metode k-NN dengan nilai k yang

berbeda-beda yaitu 1, 2, 3, 4, 5, 6 dan 7 pada komponen warna hue menunjukkan

nilai tertinggi pada nilai k=5 yaitu 45,00%. Adapun secara keseluruhan nilai

akurasi rata-rata tertinggi dalam pengelompokan komponen warna untuk semua

nilai k yaitu mencapai 64,28%. Berikut ini tampilan dalam visualisasi dari

persentase Tabel 1 (Gambar 9).

Keseluruhan komponen warna hue pada model warna HVC menghasilkan

akurasi rendah. Hal ini terjadi karena persiapan dalam praproses yang kurang

maksimal. Jika dilihat secara teori informasi yang terkandung di dalam komponen

warna hue lebih kepada informasi keragaman warna, sehingga dimungkinkan

akurasi hue lebih baik lagi.

Gambar 9 Perbandingan akurasi rata-rata untuk setiap nilai k

0

5

10

15

20

25

30

35

40

45

50

1 2 3 4 5 6 7

Aku

rasi

Rat

a-ra

ta

Nilai k

14

SIMPULAN DAN SARAN

Simpulan

Penelitian ini telah berhasil mengimplementasikan metode ekstraksi fitur

histogram warna pada masing-masing komponen warna R, G, B pada model

warna RGB dan komponen warna H, V, C pada model warna HVC. Implementasi

dilakukan menggunakan metode klasifikasi k-Nearest Neighbor (k-NN) untuk

mengidentifikasi skala warna tanah. Hasil akurasi rata-rata tertinggi pada

kelompok warna hue mencapai 45,00% pada nilai k=5. Selain itu diperoleh nilai

akurasi tertinggi untuk semua nilai k pada salah satu komponen warna (2,5YR)

sebesar 64,28%.

.

Saran

Beberapa hal yang dapat dikembangakan pada sistem ini yaitu:

1 Untuk pengembangan lebih lanjut dalam menambah akurasi aplikasi

sebelumnya persiapkan data untuk praproses dengan maksimal.

2 Pengambilan data uji dapat dilakukan dengan mengunduh soil color chart di

playstore (keyword: soil color chart).

3 Dapat digunakan metode hierarki dalam melakukan klasifikasi 7 kelompok

warna hue.

4 Pengembangan untuk mengelompokkan nilai value dan chroma dapat

menggunakan kalibrasi yang telah diperoleh dalam penelitian ini.

DAFTAR PUSTAKA

Acharya T, Ray AK. 2005. Image Processing Principles and Applications. New

Jersey (US): John Wiley and Sons, Inc, Hoboken.

Anonim. 2009. Munsell Soil Color Chart. Munsell Color.

Anonim2. HSL and HSV. [Internet]. [diunduh 2013 Novemver 23]. Tersedia pada

http://en.wikipedia.org/wiki/HSL_and_HSV

Balai Penelitian Tanah. 2004. Petunjuk Teknis Pengamatan Tanah. A. Hidayat,

editor. Balai Penelitian Tanah, Pusat Penelitian dan Pengembangan Tanah

dan Agroklimat, Departemen Pertanian. hlm 117.

Boiman O, Shechtman E, Irani M. 2008. In defense of nearest neighbor based

image classification. 2008 IEEE Conference on Computer vision and pattern

recognition: 1-8.

Ford A, Roberts A. 1998. Colour Space Conversion. London (GB): Westminster

University.

Gonzales RC, Wintz Paul. 1987. Second Edition: Digital Image Processing.

Boston (US): Addison-Wesley Publishing Company.

15

Hardjowigeno S. 1985. Genesis dan Klasifikasi Tanah. Fakultas Pasca Sarjana,

Institut Pertanian Bogor. Bogor

Ritung S, Sukarman dan Rofik. 2004. Pencatatan hasil pengamatan. Di dalam: A.

Hidayat, editor. Petunjuk Teknis Pengamatan Tanah. Balai Penelitian

Tanah, Pusat Penelitian dan Pengembangan Tanah dan Agroklimat,

Departemen Pertanian. Bogor. hlm 22-110.

Satyalesmana E. 2013. Aplikasi Bagan Warna Daun untuk Optimasi Pemupukan

Tanaman Padi Menggunakan K-Nearest Neighbor. [skripsi]. Bogor: Institut

Pertanian Bogor.

Soepardi G. 1983. Sifat dan Ciri Tanah. Fakultas Pertanian Institut Pertanian

Bogor. Bogor.

Song Y. 2007. Informative k-Nearest Neighbor pattern classification. Springer-

Verlag Berlin Heidelberg. hlm 248-264.

Wahyudi. 2012.“ ” I . [Internet]. [diunduh 2014

Februari 23]. Tersedia pada http://tekno.kompas.com/read/2012/12/18/

09270540/2013.Robot.Hijau.Masih.Kuasai.Indonesia

Walpole ER. 1992. Pengantar Statistika. Jakarta (ID): Gramedia.

16

LAMPIRAN

17

Lampiran 1 Screenshoot aplikasi pengolah data

a. Tampilan situs mSCC

Halaman home admin

Halaman admin

Halaman tambah data citra

18

Lampiran 1 Lanjutan

Halaman Konversi RGB ke HVC

19

Lampiran 2 Konversi value dan chroma pada masing-masing model warna

Nilai value untuk skala warna hue 2,5Y

Nilai chroma untuk skala warna hue 2,5Y

y = 10,746x + 0,0598 R² = 0,8458

0

1

2

3

4

5

6

7

8

9

0,00 0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80

Val

ue

Ala

t

Value MSCC

y = 17,439x + 1,4879 R² = 0,8462

0

1

2

3

4

5

6

7

8

9

0,00 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40

Ch

rom

a A

lat

Chroma MSCC

20

Lampiran 2 Lanjutan

Nilai value untuk skala warna hue 2,5YR

Nilai chroma untuk skala warna hue 2,5YR

y = 0,0294x - 0,037 R² = 0,8209

-0,05

0,00

0,05

0,10

0,15

0,20

0,25

0,30

0 2 4 6 8 10

Val

ue

Ala

t

Value MSCC

y = 27,952x + 1,6997 R² = 0,798

0

1

2

3

4

5

6

7

8

9

0,00 0,05 0,10 0,15 0,20 0,25 0,30

Ch

rom

a A

lat

Chroma MSCC

21

Lampiran 2 Lanjutan

Nilai value untuk skala warna hue 5Y

Nilai chroma untuk skala warna hue 5Y

y = 0,0315x + 5,6783 R² = 0,0229

0

1

2

3

4

5

6

7

8

9

0,00 10,00 20,00 30,00 40,00 50,00

Val

ue

MSC

C

Value Alat

y = 18,71x + 1,1782 R² = 0,9619

0

1

2

3

4

5

6

7

8

9

0,00 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40

Ch

aro

ma

MSC

C

Chroma Alat

22

Lampiran 2 Lanjutan

Nilai value untuk skala warna hue 7,5YR

Nilai chroma untuk skala warna hue 7,5YR

y = 10,828x - 0,2688 R² = 0,8887

0

1

2

3

4

5

6

7

8

9

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8

Val

ue

MSC

C

Value Alat

y = 22,006x + 1,6804 R² = 0,8985

0

1

2

3

4

5

6

7

8

9

0 0,05 0,1 0,15 0,2 0,25 0,3 0,35

Ch

rom

a M

SCC

Chroma Alat

23

Lampiran 2 Lanjutan

Nilai value untuk skala warna hue 10R

Nilai chroma untuk skala warna hue 10R

y = 11,77x - 1,0639 R² = 0,871

0

1

2

3

4

5

6

7

8

9

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8

Val

ue

Ala

t

Value MSCC

y = 17,22x + 2,3343 R² = 0,3902

0

1

2

3

4

5

6

7

8

9

10

0 0,1 0,2 0,3 0,4 0,5

Ch

rom

a M

SCC

Chroma Alat

24

Lampiran 2 Lanjutan

Nilai value untuk skala warna hue 10YR

Nilai chroma untuk skala warna hue 10R

y = 10,896x - 0,2331 R² = 0,9073

0

1

2

3

4

5

6

7

8

9

0 0,2 0,4 0,6 0,8 1

Val

ue

MSC

C

Value Alat

y = 19,847x + 1,7404 R² = 0,84

0

1

2

3

4

5

6

7

8

9

0 0,05 0,1 0,15 0,2 0,25 0,3 0,35

Ch

rom

a M

SCC

Chroma Alat

25

Lampiran 3 Rumus Kalibrasi Skala Warna

Skala Warna Rumus Kalibrasi

Hue 2,5Y VMSCC = 10,746 Valat – 0,0598

CMSCC = 27,439 Calat + 1,4879

Hue 2,5YR VMSCC = 0,0294 Valat - 0.037

CMSCC = 27,952 Calat + 1,6997

Hue 5Y VMSCC = 0,0315 Valat + 5,6783

CMSCC = 18,71 Calat + 1.1782

Hue 5YR VMSCC = 10,5992 Valat - 0.4956

CMSCC = 7,1189 Calat + 2,8021

Hue 7,5YR VMSCC = 10.828 Valat - 0.2688

CMSCC = 22.006 Calat + 1.6804

Hue 10Y VMSCC = 11.77 Valat - 1.0639

CMSCC = 17,22 Calat + 2,3343

Hue 10YR VMSCC = 10.8965 Valat - 0.2331

CMSCC = 19,847 Calat + 1,7404

26

Lampiran 4 Konversi Skala Warna Khusus Hue

Heu 2,5Y Heu 2,5YR Heu 5Y Hue 5YR Hue 7,5YR Hue 10Y Hue 10YR

46.33 17.54 51.87 17.27 34.5 16.42 41.03

45.12 38.03 50.66 20.49 30.6 19.01 38.89

40.99 151.63 49.60 128.10 30.1 75.38 38.30

40.82 3.71 47.93 0.00 40.7 0.00 34.77

38.45 20.95 49.13 20.13 0.0 15.12 45.15

14.59 19.96 20.69 19.34 33.1 13.81 21.38

44.21 14.40 49.53 13.09 31.7 12.94 38.08

41.98 15.34 47.16 34.84 25.8 61.14 37.32

37.99 175.00 45.68 134.98 25.4 331.51 32.18

34.58 0.00 42.93 0.00 22.5 0.00 30.63

33.87 19.10 43.43 18.99 0.0 12.56 35.77

52.31 15.90 14.75 16.23 30.0 12.91 1.24

40.69 13.90 46.99 14.24 27.9 11.50 35.72

39.14 9.94 46.33 7.85 23.0 14.66 33.63

36.53 10.14 45.94 24.55 17.3 8.98 28.20

31.83 188.76 43.59 288.15 17.4 157.04 23.95

26.29 15.01 31.42 19.07 70.3 7.50 25.26

4.71 12.79 61.92 18.18 24.6 9.73 0.00 33.47 10.32 41.12 14.95 23.2 6.47 30.94

129.39 10.82 40.57 12.58 20.6 6.81 27.94

32.17 22.78 36.60 11.33 15.0 291.84 27.66

29.22 195.17 27.61 197.76 24.8 193.20 26.52

25.94 7.55 81.19 13.79 0.0 8.74 13.93

49.26 9.20 32.88 9.12 16.6 12.59 0.00 28.49 10.60 31.79 7.69 16.7 126.35 23.48

25.43 107.64 27.27 12.53 16.6 186.80 21.13

26.06 7.20 13.13 0.00 28.3 203.89 21.11

43.77 26.88 10.29 79.35 62.9 286.70 13.33

40.87 260.44 0.00 121.45 45.8 352.19 0.00 36.82 27.57 0.00 237.13 12.6 243.18 22.24

0.00 30.02 36.20 185.22 294.0 318.90 23.73

114.65 311.62

168.70 125.29

136.77 253.03

56.80

148.36

312.50

27

Lampiran 5 Screenshoot aplikasi android

Menu Home

Menu Galeri

Menu Kamera

Menu Petunjuk

Pemilihan citra dari galeri

Proses citra dari galeri

28

Lampiran 5 Lanjutan

Proses citra dari kamera

Proses identifikasi

Hasil identifikasi

29

RIWAYAT HIDUP

Ahmad Zulfikar S lahir pada tanggal 1 Juli 1992 di Kabupaten Selayar

Provinsi Sulawesi Selatan, dari pasangan H Drs Sidi dan Hj Nur Hidayat. Pada

tahun 2010, penulis lulus dari SMA Negeri 1 Benteng Selayar dan diterima

sebagai mahasiswa di Departemen Ilmu Komputer, Institut Pertanian Bogor (IPB)

melalui jalur Undangan Seleksi Masuk IPB.

Selama menjadi mahasiswa, penulis pernah menjadi Panitia Seminar Bidang

MIPA BKS-PTN Barat (SEMIRATA 2014) sebagai Koordinator Panitia. Pada

tahun 2013, penulis melaksanakan kegiatan Praktik Kerja Lapangan (PKL) di

International Collaboration Office (ICO) IPB selama 35 hari kerja. Selama

perkuliahan, penulis juga aktif dalam organisasi Himpunan Mahasiswa Ilmu

Komputer (HIMALKOM) dan Organisasi Mahasiswa Daerah Ikatan Mahasiswa

Sulawesi Selatan-Barat (IKAMI SULSEL-BAR). Penulis juga aktif diberbagai

kegiatan kepanitiaan kegiatan kampus dan menjadi salah satu pengajar di LPK

Tepi Sawah desa Cekonjen Kabupaten Bogor. Selain itu Penulis juga pernah

menjadi Panitia bidang Devisi D3 pada acara IT TODAY 2012.