4

BAB II

TINJAUAN PUSTAKA DAN LANDASAN TEORI

2.1. Tinjauan Pustaka

Di Indonesia pengaturan rambu lalu lintas jalan raya diatur dalam undang

undang nomor 22 Tahun 2009. Undang undang tersebut mengatur tentang semua

aspek di jalan raya. Salah satunya adalah tentang pengaturan jalan raya di

persimpangan jalan, yaitu dengan diberlakukanya lampu lalu lintas. Mengikuti

perkembangan dunia teknologi dewasa ini, banyak dilakukan upaya modernisasi

pengaturan lampu lalu lintas.

Adistya dan Muslim (2016), melakukan penelitianya dengan berjudul Deteksi

dan Klasifikasi Kendaraan Menggunakna Algoritma Backpropagation dan Sobel.

Pengenalan objek kendaraan adalah topik yang sangat menarik untuk dijadikan

bahan penelitian yang tak ada habisnya. Penggunaan algoritma yang tepat

memberikan dampak yang signifikan dalam proses pengenalan dan perhitungannya

Sistem dalam jurnal ini dirancang dan diimplementasikan menggunakan java.

Sistem ini mewujudkan sebuah aplikasi yang mana dapat mengklasifikasikan

kendaraan berdasarkan golongan yang melintas pada ruas tol surabaya-malang km

34 dengan menggunakan Backpropagation untuk learning dan Sobel dalam

Pengenalan objek. Pada proses image processing, data yang digunakan 10x10

kemudian dibinerisasi untuk dijadikan nilai input pada jaringan syaraf tiruan

menggunakan 3 layer,leraning rate 0.3. Training proses berhenti dengan nilai

maksimal 10.000 MSE (Mean Square Error) 0.0001. Tingkat pengujian sistem

pada pagi, siang, malam secara rata-rata adalah 94,63% , 93,85% , dan 68,32%.

Budi (2015), melakukan penelitian dengan judul Pemodelan Sistem Kontrol

Traffic Light Berdasarkan Kepadatan Kendaraan dengan Teknik Edge Detection

dan Logika Fuzzy. Secara umum pengendalian lalu-lintas selama ini menggunakan

pengatur lampu lalu lintas (Trafic Light). Penggunaan Trafic Light memiliki

kelemahan yaitu pengaturan kendaraan tidak berdasarkan kondisi real-time dari

jumlah kendaraan tetapi berdasarkan waktu. Pemafaatan teknologi pengolahan citra

digital dapat diterapkan pada sistem trafic light yaitu dengan mendeteksi jumlah

5

kendaraan dari setiap sisi jalan. Pendeteksian jumlah kendaraan menggunakan

metode deteksi tepi (edge detection) merupakan cara untuk mendeteksi kepadatan

kendaraan. Metode ini merupakan metode pemfilteran objek untuk mengambil

informasi bagian tepi objek berupa data biner. Sedangkan untuk menghasilkan lama

waktu yang akan diberikan pada setiap sisi traffic light maka digunakan logika

Fuzzy dengan metode Min-Max, sebagai parameter yaitu berdasarkan perbandingan

padat kendaran dari setiap sisi jalan. Hasil yang didapatkan yaitu jumlah waktu

nyala lampu traffic light pada tiap-tiap ruas berdasarkan kepadatan kendaran,

semakin padat kendaraan, maka waktu menyala lampu hijau semakin lama.

Hadi dan Samara (2012), melakukan penelitian dengan judul Deteksi Objek

Kendaraan Pada Citra Dijital Jalan Raya Menggunakan Metode Visi Komputer.

Pada penelitian ini konsep dan metode visi komputer dieksplorasi dan diterapkan

untuk mendeteksi keberadaan kendaraan pada citra digital jalan raya. Konsep utama

proses pendeteksian yang dilakukan merupakan gabungan dua metode yakni Hough

Transform (HT) dan Connected Component Labeling (CCL). HT digunakan untuk

mendeteksi garis tepi jalan raya dengan bantuan beberapa proses lainnya seperti

segmentasi dan deteksi tepi. Garis-garis yang diperoleh menjadi batas bagi Region

of Interest (ROI) jalan raya sehingga dapat digunakan sebagai acuan bagi proses

selanjutnya. CCL adalah metode yang sudah teruji untuk mendeteksi objek yang

memiliki karakteristik khusus. CCL merupakan suatu proses pemberian label yang

sama pada sekumpulan piksel pembentuk obyek yang saling berdekatan pada suatu

citra. Obyek yang berbeda ditandai dengan label yang berbeda. Kendaraan roda

empat atau lebih pada suatu citra dapat dideteksi melalui metode ini. Metode CCL

pada penelitian ini dikombinasikan dengan beberapa proses lain seperti substraksi,

grayscaling, pengambangan, juga proses morfologi opening dan closing sebelum

akhirnya dilakukan proses CCL. Dengan metode ini, maka obyek-obyek yang ada

di jalan raya seperti mobil dan kendaraan roda empat lainnya dapat dideteksi.

Pengujian metode dilakukan dengan menggunakan sebuah citra jalan raya kosong

sebagai citra dasar dan 36 buah citra yang berisi objek kendaraan dalam berbagai

variasi yang memenuhi segala kemungkinan. Dari hasil eksperimen dihitung

parameter ROC berupa sensitivitas dan spesifisitas, hasilnya menunjukkan bahwa

6

akurasi pendeteksian kendaraan berada pada tingkatan 79.46% berdasarkan tingkat

sensitivitas dari metode yang digunakan adalah 96.43%, sedangkan tingkat

spesifisitasnya adalah 62.50%.

Prasetyo dan Sutisna (2014), melakukan penelitian dengan judul

Implementasi Algoritma Logika Fuzzy untuk Sistem Pengaturan Lampu Lalu Lintas

Menggunakan Mikrokontroler. Pada umumnya sistem pengaturan lampu lalu-lintas

hanya melakukan pengaturan berdasarkan waktu yang tetap. Pada kenyataanya

tingkat kedatangan kendaraan pada persimpangan jalan tidak selalu sama sehingga

tentu saja tingkat kemacetan pada persimpangan jalan tidak dapat dikendalikan

dengan baik. Pada penelitian ini dibuat simulasi sistem kendali otomatis yang dapat

melakukan pengaturan lampu lalu lintas berdasarkan tingkat kedatangan kendaraan

dimana sistem pengaturannya tidak konstan tetapi mengikuti tingkat kedatangan

kendaraan. Metode yang digunakan untuk mengatur lamanya waktu ini adalah

algoritman logika Fuzzy dengan penalaran Fuzzy metode Mamdani. Metode ini

dapat memenuhi tujuan pengaturan lalu lintas secara optimal dengn durasi waktu

yang diberikan didasarkan pada tingkat kedatangan kendaraan. Semakin tinggi

tingkat kedatangan kendaraan makan semakin besar durasi waktu yang diberikan.

Romadhon dan Murinto (2014), melakukan penelitian dengan judul Aplikasi

Pengenalan Citra Rambu Lalu Lintas Berbentuk Lingkaran Menggunkan Metode

Jarak City-Block. Dalam penelitian ini dilakukan perancangan aplikasi pengenalan

citra rambu lalu lintas berbentuk lingkaran. Tujuan dari penghitungan jarak adalah

untuk menentukan kesamaan atau ketidaksamaan dua vektor fitur. Tingkat

kesamaan dinyatakan dengan suatu skor atau rangking. Semakin kecil nilai

rangking, semakin dekat kesamaan kedua vektor tersebut. Pengukuran jarak

dilakukan dengan beberapa cara, diantaranya adalah metode Euclidean, City-Block,

Minknowski, Chebyshev, Sorensen, Gower, Kulczynski, Intersection, Wave Hedges,

Inner Product, Harmonic Mean, Cosine, Jaccard, Dice, One Minus Correlation

Coefficient dan lain-lain. Metode yang dipakai dalam penelitian ini adalah city-

block. Proses identifikasi citra rambu lalu lintas meliputi: Pengambilan citra digital,

Pemrosesan awal (Pre – Processing), Segmentasi (cropping), Resize citra,

Penajaman citra (sharpening), Penghitungan Vektor Citra, Klasifikasi,

7

Pengambilan keputusan dan Hasil Identifikasi. Proses akusisi data citra rambu lalu

lintas memanfaatkan kamera digital. Ekstraksi ciri yang dipakai adalah perhitungan

vektor. Data yang digunakan sebanyak 90 citra terdiri dari 15 citra acuan dan 75

citra uji. Untuk masing-masing rambu larangan parkir, larangan berhenti, larangan

berbelok, larangan melebihi kecepatan 40km/jam dan larangan masuk bagi semua

kendaraan data acuan yang digunakan sebanyak 3 citra sedangkan untuk citra uji

sebanyak 15 sampel untuk masing-masing jenis rambu lalu lintas. Dari penelitian

yang dilakukan menghasilkan sebuah apilkasi pengenalan citra rambu lalu lintas

berbentuk lingkaran menggunakan metode jarak city-block. Pengujian untuk kerja

sistem dilakukan dengan melakukan variasi ukuran citra 50 piksel x 50 piksel, 75

piksel x 75 piksel, 100 piksel x 100 piksel. Tingkat akurasi pada ukuran 50 piksel

x 50 piksel adalah 88 %, ukuran 75 piksel x 75 piksel adalah 86,67 % serta ukuran

100 piksel x 100 piksel adalah 85,33 %. Hasil eksperimen dari pengujian sistem

menunjukkan tingkat akurasi yang baik yaitu 88 % pada ukuran citra 50 piksel x 50

piksel.

2.2. Landasan Teori

2.2.1. Lampu Lalu Lintas

Kepadatan kendaraan di jalan dapat berakibat adanya kemacetan di ruas

jalan tertentu. Penggunaan lampu lalu lintas (traffic light) di persimpangan jalan

merupakan salah satu solusi yang di gunakan untuk mengendalikan arus lalu lintas.

Pengendalian sistem lampu lalu lintas mengambil peran penting dalam memberikan

kualitas arus lalu lintas yang lebih baik. Strategi yang lebih baik dalam

mengendalikan arus lalu lintas memberikan dampak pengurangan polusi,

penghematan bahan bakar, serta meningkatkan pergerakan kendaraan dengan

mempersingkat waktu perjalanan. Parameter yang digunakan untuk menentukan

durasi pada sistem lampu lalu lintas adalah kepadatan kendaraan disuatu sisi

persimpangan yang dipengaruhi arus kendaraan di sisi tersebut. Nilai parameter ini

tidak dapat diketahui secara pasti, karena berubah terhadap waktu dan kondisi

lainnya. Penentuan durasi lampu dapat dilakukan dengan model matematis

berdasarkan data historis arus lalu lintas atau dengan kecerdasan buatan. Penelitian

8

mengenai model matematis untuk memoerkirakan dan mengendalikan arus lalu

lintas telah dilakukan sejak tahun 1935. Namun demikian penggunaan data historis

sebagai dasar penentuan durasi pada sistem lampu lalu lintas sangat rentang

terhadap kesalahan manusia (human error).

Menurut Kamus Besar Bahasa Indonesia (KBBI) lampu lalu lintas berarti

lampu berwarna merah, kuning, dan hijau yang dipasang di perempatan atau

persimpangan jalan untuk mengatur lalu lintas. Lampu berwarna merah

mengisyaratkan kendaraan tidak boleh bergerak. Lampu berwarna kuning,

mengisyaratkan kendaraan bersiap-siap untuk berhenti (sesudah lampu hijau) atau

mengurangi kecepatan (jika berkedip-kedip), isyarat untuk berhati-hati, isyarat

untuk bersiap-siap untuk melakukan kegiatan. Lampu berwarna hijau

mengisyaratkan kendaraan boleh jalan.

2.2.2. Citra Digital

Citra adalah gambar dua dimensi yang dihasilkan dari gambar analog dua

dimensi yang continue menjadi gambar diskrit melalui proses sampling. Gambar

analog dibagi menjadi N baris dan M kolom sehingga menjadi gambar diskrit.

Persilangan antara baris dan kolom tertentu disebut dengan piksel. Suatu citra dapat

didefinisikan sebagai fungsi f(x,y) berukuran M baris dan N kolom, dengan x dan

y adalah koordinat spasial, dan amplitudo f di titik koordinat (x,y) dinamakan

intensitas atau tingkat keabuan dari citra pada titik tersebut. Apabila nilai x,y dan

nilai amplitudo f secara keseluruhan berhingga (finite) dan bernilai diskrit maka

dapat dikatakan bahwa citra tersebut adalah citra digital.

Sebuah citra mengandung informasi tentang obyek yang presentasikan,

kemiripan, atau imitasi dari suatu obyek atau benda. Citra dapat dikelompokkan

menjadi citra tampak dan citra tak tampak. Untuk dapat dilihat mata manusia, citra

tidak tampak harus dirubah menjadi citra tampak, misalnya dengan

menampilkannya di monitor, dicetak di kertas dan sebagainya. Salah satu contoh

citra tidak tampak adalah citra digital. citra digital ditunjukkan pada Gambar 2.1.

9

Gambar 2. 1 Koordinat Citra Digital (Putra, 2010)

Citra digital agar dapat diolah dengan dengan komputer, maka harus

direpresentasikan secara numerik dengan nilai-nilai diskrit. Representasi citra dari

fungsi malar (kontinu) menjadi nilai-nilai diskrit disebut digitalisasi (Munir, 2004).

Ada beberapa tahapan yang dilakukan dalam pembentukan citra digital yaitu

akuisisi citra, sampling dan kuantisasi. Tahapan pertama yaitu proses akuisisi citra

adalah pemetaan suatu pandangan (scene) menjadi citra kontinu dengan

menggunakan sensor. Ada beberapa macam sensor untuk akuisisi citra, yaitu sensor

tunggal, sensor garis dan sensor larik.

Tahap selanjutnya setelah menjadi citra kontinu yaitu proses sampling, yang

merupakan proses untuk menentukan warna pada piksel tertentu pada citra dari

sebuah gambar yang kontinu. Pada proses sampling biasanya dicari warna rata-rata

dari gambar analog yang kemudian dibulatkan. Proses sampling sering juga disebut

proses digitisasi. Kemudian tahap terakhir adalah proses kuantisasi,yang

merupakan perubahan nilai amplitudo kontinu menjadi nilai baru yang berupa nilai

diskrit. Nilai amplitudo yang dikuantisasi adalah nilai-nilai pada koordinat diskrit

hasil proses sampling.

Terjadinya proses citra berawal dari sumber cahaya menerangi obyek,

obyek memantulkan kembali sebagian dari berkas cahaya tersebut. Pantulan cahaya

10

ini ditangkap oleh alat-alat optik, misalnya mata pada manusia, kamera, pemindai

(scanner), dan sebagainya, sehingga bayangan obyek yang disebut citra tersebut

terekam. Seperti yang ditunjukkan pada Gambar 2.2.

Gambar 2. 2 Proses Pembentukan Citra (Putra, 2010).

2.2.3. Pra-Proses

Pra-proses adalah proses pengolahan data citra asli sebelum data tersebut

diproses berikutnya. Beberapa pra-proses yang sering digunakan adalah proses

cropping dan proses grayscale (aras keabuan), resize.

Cropping adalah proses pemotongan citra pada koordinat tertentu pada area

citra. Proses ini dilakukan untuk mengambil bagian yang dirasa penting atau bagian

yang mempunyai paling banyak informasi untuk diolah menggunakan jaringan

syaraf tiruan. Selain itu proses ini juga dapat mengubah ukuran citra menjadi lebih

kecil, sehingga akan mempercepat proses komputasi.

Selain dengan melakukan cropping, untuk mempercepat proses komputasi

dapat melakukan proses grayscale. Grayscale adalah warna-warna piksel yang

berada pada rentang gradasi hitam dan putih yang akan menghasilkan efek warna

abu-abu. Pada citra ini warna dinyatakan dengan intensitas, dimana intensitas

berkisar antara 0 sampai dengan 225, dimana 0 dinyatakan warna hitam dan 225

dinyatakan warna putih (Kadir & Susanto, 2013). Proses grayscale dilakukan

dengan mengubah citra 3 layer citra yaitu: red, green dan blue (RGB) menjadi citra

1 layer gray.

11

Resize adalah proses mengubah ukuran data digital dengan cara mengubah

jarak setiap titik pada data terhadap titik acuan. Data dapat diskalakan dengan arah

horizontal maupun vertical dengan cara mengalikan koordinat tiap data dengan

factor konstanta. Resize keukuran yang lebih kecil akibatnya dapat mengurangi

informasi yang terkandung dalam data tersebut.

Citra dapat diperbaiki kualitasnya dan dapat diperhalus dengan melakukan

beberapa cara, salah satunya adalah dengan menggunakan masking dengan filter

median. Pada filter median, suatu “jendela” (windows) memuat sejumlah piksel

(ganjil). Jendela digeser titik demi titik pada seluruh daerah citra. Pada setiap

pergeseran dibuat jendela baru. Titik tengah dari jendela ini diubah dengan nilai

median dari jendela tersebut (Munir, 2004).

2.2.4. Deteksi Tepi

Deteksi tepi adalah proses yang dijalankan untuk mendeteksi garis tepi (edge)

yang membatasi duawilayah citra homogen yang memiliki tingkat kecerahan yang

berbeda (pitas. 1993). Edge merupakan tempat-tempat yang memiliki perubahan

intensitas yang besar dalam jarak yang pendek.

Edge Detection bertujuan untuk menandai bagian yang menjadi detail

gambar/citra untuk memperbaiki detail dari gambar/citra yang blur, atau edge

sengaja dikuatkan untuk memperoleh ciri suatu data. Suatu titik (x,y) dikatakan

sebagai tepi (edge) dari suatu citra bila titik tersebut mempunyai perbedaan yang

tinggi dengan tetangganya dan berikut pengertian dari beberapa metode Sobel,

Prewitt, Laplace, Robert, dan Canny.

a. Sobel

Metode ini mengambil prinsip dari fungsi Laplace dan Gaussian yang

dikenal sebagai fungsi untuk membangkitkan HPF, dan kelebihan dari

metode sobel ini adalah mengurangi noise sebelum melakukan perhitungan

deteksi tepi.

b. Prewitt

Metode Prewitt merupakan pengembangan metode Robert dengan

menggunakan filter HPF yang diberi satu angka nol penyangga. Metode ini

12

mengambil prinsip dari fungsi laplacian yang dikenal sebagai fungsi untuk

membangkitkan HPF.

c. Laplace

Metode Laplace adalah metode transformasi yang digunakan untuk

penyelesaian persamaan diferensial.

d. Robert

Metode Robert adalah nama lain dari teknik differensial pada arah

horisontal dan differensial pada arah vertikal, dengan ditambahkan proses

konversi biner setelah dilakukan differensial. Maksud konversi biner adalah

meratakan distribusi warna hitam dan putih.

e. Canny

Metode Canny merupakan deteksi tepi yang optimal. Operator Canny

menggunakan Gaussian Derivative Kernel untuk menyaring kegaduhan dari

citra awal untuk mendapatkan hasil deteksi tepi yang halus.

Contoh hasil dari 5 metode deteksi tepi diatas ditunjukkan pada Gambar 2.3.

Gambar 2. 3 Proses Edge Detection

2.2.5. Jaringan Syarat Tiruan

Jaringan syaraf tiruan (neural network) adalah sebuah alat pemodelan data

statistik nonlinier. Neural network dapat digunakan untuk memodelkan hubungan

13

yang kompleks antara input dan output untuk menemukan pola-pola pada data

(Widodo, 2005).

Secara garis besar Neural Network mengadopsi dari kemampuan otak

manusia yang mampu memberikan stimulasi/rangsangan, melakukan proses, dan

memberikan output. Output diperoleh dari variasi stimulasi dan proses yang terjadi

di dalam otak manusia. Kemampuan manusia dalam memproses informasi

merupakan hasil kompleksitas proses di dalam otak. Misalnya, yang terjadi pada

anak-anak, mereka mampu belajar untuk melakukan pengenalan meskipun mereka

tidak mengetahui algoritma apa yang digunakan. Kekuatan komputasi yang luar

biasa dari otak manusia ini merupakan sebuah keunggulan di dalam kajian ilmu

pengetahuan.

Model pada JST pada dasarnya merupakan fungsi model matematika yang

mendefinisikan fungsi 𝑓: 𝑥 → 𝑦. Istilah "jaringan" pada JST merujuk pada

interkoneksi dari beberapa neuron yang diletakkan pada lapisan yang berbeda.

Secara umum, lapisan pada JST dibagi menjadi tiga bagian:

a. Lapis masukan (input layer) terdiri dari neuron yang menerima data

masukan dari variabel X. Semua neuron pada lapis ini dapat terhubung

ke neuron pada lapisan tersembunyi atau langsung ke lapisan luaran jika

jaringan tidak menggunakan lapisan tersembunyi.

b. Lapisan tersembunyi (hidden layer) terdiri dari neuron yang menerima data

dari lapisan masukan.

c. Lapisan luaran (output layer) terdiri dari neuron yang menerima data dari

lapisan tersembunyi atau langsung dari lapisan masukan yang nilai

luarannya melambangkan hasil kalkulasi dari X menjadi nilai Y.

Secara matematis, neuron merupakan sebuah fungsi yang menerima masukan

dari lapisan sebelumnya 𝒈𝒊(𝒙) (lapisan ke-𝒊). Fungsi ini pada umumnya mengolah

sebuah vektor input untuk kemudian diubah ke nilai skalar melalui

komposisi nonlinear weighted sum, dimana𝑓(𝑥) = 𝐾(∑ 𝑤𝑖. 𝑔𝑖(𝑥))𝑖 .

K, merupakan fungsi khusus yang sering disebut dengan fungsi aktivasi dan 𝑤

merupakan beban atau weight.

14

Keberhasilan perceptron dalam pengklasifikasian pola tertentu ini tidak

sepenuhnya sempurna, masih ditemukan juga beberapa keterbatasan di dalamnya.

Perceptron tidak mampu untuk menyelesaikan permasalahan XOR (exclusive-OR).

Namun demikian, perceptron berhasil menjadi sebuah dasar untuk penelitian-

penelitian selanjutnya di bidang neural network. Saat ini neural network dapat

diterapkan pada beberapa task, diantaranya classification, recognition,

approximation, prediction, clusterization, memory simulation dan banyak task-task

berbeda yang lainnya, dimana jumlahnya semakin bertambah seiring berjalannya

waktu.

Learning Vector Quantization (LVQ) merupakan salah satu terapan dari

neural network. LVQ melakukan proses pemetaan vektor yang berjumlah banyak

menjadi vektor dengan jumlah tertentu (Kusumadewi, 2004). Pada pengenalan

citra, berupa vektor ciri dari masing-masing citra, yang diperoleh dari proses

ekstraksi ciri. Untuk lebih jelasnya ditunjukkan pada Gambar 2.4.

Gambar 2. 4 Jaringan Syaraf Tiruan (Kusumadewi, 2004)

2.2.6. Learning Vector Quaitization

Berdasarkan fungsinya LVQ cocok digunakan untuk klasifikasi dan

pengenalan pola. Learning Vector Quantization merupakan bagian dari Jaringan

Syaraf Tiruan untuk melakukan pembelajaran pada lapisan kompetitif yang

terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk

mengklasifikasikan vektor-vektor input. Kelas-kelas yang didapatkan sebagai hasil

dari lapisan kompetitif ini hanya tergantung pada jarak antara vektor-vektor input.

15

Jika dua vektor input mendekati sama, maka lapisan kompetitif akan meletakkan

kedua vektor input tersebut ke dalam kelas yang sama (Kusumadewi, 2003).

Dalam hal ini diberikan sehimpunan pola yang klasifikasinya diketahui

diberikan bersama distribusi awal vektor referensi. Setelah pelatihan jaringan LVQ

mengklasifikasikan vektor masukan dalam kelas yang sama dengan unit keluaran

yang memiliki vektor bobot (referensi) yang paling dekat dengan vektor masukan.

Arsitektur dari LVQ ditunjukkan pada Gambar 2.5.

Gambar 2. 5 Arsitektur Learning Vector Quantization (Kusumadewi, 2004)

Keterangan:

X = Vektor masukan (X1, X2, ..., Xn)

F = Lapisan Kompetitif

y_in = Masukan lapisan kompetitif

y = Keluaran

W = Vektor bobot untuk unit keluaran

||X-W|| = Selisih nilai jarak Euclidean antara vektor input

Contohnya adalah Klasifikasi Buah Garcia Mangostaba L. Menggunakan

Metode Learning Vector Quantization. Terdapat tiga kelas yaitu mutu super, mutu

1, dan mutu 2. Terdapat dua proses dalam metode LVQ, yang pertama adalah proses

pelatihan dan yang kedua adalah proses pengujian. Data masukan yang digunakan

dalam proses pelatihan dan pengujian merupakan ekstraksi fitur citra buah Garcia

𝑦2

𝐹1

𝑥1

𝑥2

𝑥3

𝑥4

| 𝒙 − 𝒘𝟏

| 𝒙 − 𝒘𝟐

𝑦_𝑖𝑛1

𝑦_𝑖𝑛2

𝑦1

𝐹2

16

yang diambil dengan menggunakan kamera digital yang terdiri dari mean, standard

deviation, kurtosis, skewness dan entropy. Ekstraksi fitur yang digunakan pada

penelitian ini didapatkan dari histogram warna, histogram grayscale, histogram

tingkat saturasi dan histogram metode Sobel. Metode LVQ akan secara otomatis

mengklasifikasikan citra buah manggis ke dalam kelasnya masing-masing. Hasil

klasifikasi pada pengujian 1 mendapatkan akurasi sebesar 85 % untuk mutu super,

55 % untuk mutu 1 dan 60 % untuk mutu 2, pada pengujian 2 mendapatkan akurasi

sebesar 30 % untuk mutu super, 80 % untuk mutu 1 dan 80 % untuk mutu 2, pada

pengujiaan 3 mendapatkan akurasi sebesar 70 % untuk mutu super, 20 % untuk

mutu 1 dan 40 % untuk mutu 2.