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
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
2/30
ii
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
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
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
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.
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
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.
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
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)
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
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
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
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)
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
9/30
5
PFT2 didefinisikan sebagai berikut:
(1)
dengan:
a) 0
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
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)
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
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,
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
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)
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
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
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
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
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
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
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
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.
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
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
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
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.
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
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
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
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
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
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]
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
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
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
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
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
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
12. Alamat e-mail : [email protected]
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
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
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
Ilmiah dalam 5 Tahun Terakhir
No.Nama Pertemuan
Ilmiah/SeminarJudul Artikel Ilmiah
Waktu dan
Tempat
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.
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
26/30
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan Usulan Penelitian Dosen Pemula.
Jombang, 13 April 2014
Pengusul ,
Endang Kurniawan, S.Kom., M.M.
NIY : 11010714278
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
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
12. Alamat e-mail : [email protected]
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
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
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
Ilmiah dalam 5 Tahun Terakhir
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
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
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
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.
8/18/2019 071065_SITI_MUTROFIN_S.Kom_Ekstraksi_Fitur_Warna_Mengguna.pdf
30/30