implementasi metode support vector machine...

IMPLEMENTASI METODE SUPPORT VECTOR

MACHINE UNTUK KLASIFIKASI DAUN MANGGA

BERDASARKAN TEKSTUR DAUN

Skripsi

Diajukan Sebagai Salah Satu Syarat untuk Memperoleh Gelar

Sarjana Komputer (S.Kom)

Oleh

HAFIZH ANDIKA PITOYO

NIM: 11140910000096

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH

JAKARTA

2020 M / 1442 H

i

PERNYATAAN ORISINALITAS

ii

LEMBAR PENGESAHAN PEMBIMBING

iii

PENGESAHAN UJIAN

iv

PERNYATAAN PERSETUJUAN PUBLIKASI SKRIPSI

v

KATA PENGANTAR

Assalamu’alaikum Wr. Wb.

Alhamdulillahi robbil ‘alamin, segala puji penulis curahkan kehadirat

Allah SWT atas segala hidayah, rahmat dan karunia-Nya sehingga penulis mampu

menyelesaikan skripsi ini dengan baik. Sholawat dan salam tak lupa penulis

curahkan kepada junjungan baginda Nabi Muhammad SAW, beserta keluarga,

para sahabat serta seluruh umatnya.

Skripsi yang berjudul Implementasi Metode Support Vector Machine

Untuk Klasifikasi Daun Mangga Berdasarkan Tekstur Daun merupakan salah

satu tugas akhir wajib mahasiswa sebagai persyaratan untuk mendapatkan gelar

Sarjana Komputer (S.Kom) pada Program Studi Teknik Informatika, Fakultas

Sains dan Teknologi, Universitas Islam Negeri Syarif Hidayatullah Jakarta.

Dalam penyusunan skripsi ini penulis mendapatkan banyak bimbingan dan

bantuan dari berbagai pihak. Oleh karena itu, pada lembar pengantar ini penulis

ingin mengucapkan terima kasih kepada :

1. Ibu Prof. Dr. Lily Surraya Eka Putri, M.Env.Stud., selaku Dekan Fakultas

Sains dan Teknologi.

2. Bapak Dr. Imam Marzuki Shofi, MT., selaku ketua Program Studi

Teknik Informatika, serta Bapak Andrew Fiade, M.Kom., selaku

sekretaris Program Studi Teknik Informatika.

3. Ibu Anif Hanifa Setyaningrum, M.Si. selaku Dosen Pembimbing I dan

Ibu Nurul Faizah Rozy, MTI. selaku dosen Dosen Pembimbing II yang

telah memberikan bimbingan, motivasi, dan arahan kepada penulis

sehingga skripsi ini bisa selesai dengan baik.

4. Seluruh Dosen, Staf Karyawan Fakultas Sains dan Teknologi, khususnya

Program Studi Teknik Informatika yang telah memberikan bantuan dan

kerjasama dari awal perkuliahan.

vi

5. Orang tua dan keluarga penulis yang senantiasa mendo‟akan, dan

mendukung penulis dalam mengerjakan skripsi baik secara moril maupun

material.

6. Pak Yandi Wibowo, S.p. selaku kepala toko dan para staffnya dari Toko

Trubus Bintaro yang telah memberikan penjelasan serta arahan selama

pengumpulan data terkait Daun Mangga Harummanis, Nangklawang, dan

Manalagi.

7. Kepada temen seperjuangan penulis Hanif Razin Rahmatullah, Ageng

Prasetyo, Ahmad Faisal Ridwan, dan Sriwanti Ayu Aisah yang sudah

membantu penulis dalam menyelesaikan skripsi ini.

8. Kepada kakakku tercinta Eka Andita Fitriannisa, S.E. dan adikku tercinta

Kenia Andira Tri Rahma yang selalu memberi semangat dan motivasi

penulis dalam menyelesaikan skripsi ini.

9. Kepada seluruh teman penulis Angkatan 2014 yang saling memberikan

semangat serta saling mendoakan satu sama lain untuk menjadi orang

sukses. Terima kasih atas kebersamaannya selama 4 tahun.

10. Seluruh pihak yang secara langsung maupun tidak langsung membantu

penulis dalam menyelesaikan skripsi ini.

Akhir kata, penulis berharap semoga skripsi ini bermanfaat serta

menambah wawasan dan pengetahuan bagi pembaca. Penulis menyadari bahwa

skripsi ini masih jauh dari sempurna. Untuk itu kritik dan saran yang bersifat

membangun demi kesempurnaan skripsi ini.

Semoga skripsi ini dapat memberi manfaat bagi semua. Aamiin ya

Rabbal’Alamin

Wassalamu’alaikum Wr. Wb

Jakarta, 12 Mei 2020

Hafizh Andika Pitoyo

vii

Nama : Hafizh Andika Pitoyo

Program Studi : Teknik Informatika

Judul : Implementasi Metode Support Vector Machine Untuk

Klasifikasi Daun Mangga Berdasarkan Tesktur Daun

ABSTRAK

Daun merupakan salah satu bagian terpenting, karenanya daun merupakan bagian

dari tanaman yang sering digunakan untuk membedakan jenis tanaman seperti

tanaman mangga. Saat ini untuk membedakan atau mengidentifikasikan jenis-

jenis tanaman mangga, masih menggunakan dengan cara manual yaitu dengan

hanya melihat karakteristik dari buah mangga, sedangkan masa berbuah mangga

membutuhkan waktu yang cukup lama. Penelitian ini dibuat untuk

mengklasifikasi 3 jenis tanaman mangga yakni Harummanis, Nangklawang, dan

Manalagi berdasarkan ekstraksi ciri tekstur Gray Level Co-Occurrence Matrix

meliputi 4 parameter yakni Contrast, Correlation, Energy, dan Homogeneity,

serta algoritma klasifikasi dengan Support Vector Machine. Nilai ekstraksi ciri

tersebut selanjutnya akan diproses menjadi masukan untuk klasifikasi

menggunakan Support Vector Machine. Akurasi tertinggi yang dicapai dalam

penelitian ini sebesar 84,40% dengan menggunakan 45 data latih dan 32 data uji.

Kata Kunci : Mangga, Daun Mangga, Pengolahan Citra, Image

Processing, Gray Level Co-occurrence Matrix,

Support Vector Machine

Daftar Pustaka : 25 (2015-2020)

Jumlah Halaman : VI Bab + xv Halaman + 127 Halaman + 29 Gambar 28

Tabel

viii

Nama : Hafizh Andika Pitoyo

Program Studi : Teknik Informatika

Judul : Implementasi Metode Support Vector Machine Untuk

Klasifikasi Daun Mangga Berdasarkan Tesktur Daun

ABSTRACK

Leaves are one of the most inmportants parts, so leaves are part of plants that are

often used to differentiate type of plants such as mango plants. At Present to

differentiate or identify the types as mango plants, it is still used manually by only

seeing the characteristics of the mango fruit, while the mango fruiting period

requires quite a long time. This research was made to classify 3 types of mango

plants Harummanis, Nangklawang, and Manalagi. Based on texture feature

extraction Gray Level Co-Occurrence Matrix includes 4 parameters Contrast,

Correlation, Energy, and Homogeneity, as well as classification algorithm with

Support Vector Machine. The feature extraction value will then be processed into

input for classification using Support Vector Machine. The highest accuracy

achieved in this research amounted to 84.40% using 45 training data and 32 test

data.

Keywords : Mango, Leaf Mango, Image Processing Gray Level Co-

occurrence Matrix, Support Vector Machine

Bibliography : 25 (2015-2020)

Number Of Pages : VI Chapter + xv Page + 127 Pages + 29 Images

28 Table

ix

DAFTAR ISI

PERNYATAAN ORISINALITAS .......................................................................... i

LEMBAR PENGESAHAN PEMBIMBING .......................................................... ii

PENGESAHAN UJIAN ........................................................................................ iii

PERNYATAAN PERSETUJUAN PUBLIKASI SKRIPSI .................................. iv

KATA PENGANTAR ............................................................................................ v

ABSTRAK ............................................................................................................ vii

ABSTRACK ........................................................................................................ viii

DAFTAR ISI .......................................................................................................... ix

DAFTAR GAMBAR ........................................................................................... xiv

DAFTAR TABEL ................................................................................................. xv

BAB I PENDAHULUAN ....................................................................................... 1

1.1. Latar Belakang ......................................................................................... 1

1.2. Rumusan Masalah .................................................................................... 3

1.3. Batasan Masalah ....................................................................................... 3

1.3.1. Proses ................................................................................................ 3

1.3.2. Metode............................................................................................... 3

1.3.3. Tools .................................................................................................. 4

1.4. Tujuan Penelitian ...................................................................................... 4

1.5. Manfaat Penelitian .................................................................................... 4

1.5.1. Bagi Penulis ...................................................................................... 4

1.5.2. Bagi Instansi ...................................................................................... 4

1.5.3. Bagi Universitas ................................................................................ 4

1.6. Metodologi Penelitian .............................................................................. 5

x

1.6.1. Metode Pengumpulan Data .................................................................. 5

1.6.2. Metode Pengembangan Sistem ......................................................... 5

1.7. Sistematika Penulisan ............................................................................... 6

BAB I PENDAHULUAN ................................................................................ 6

BAB II TINJAUAN PUSTAKA ..................................................................... 6

BAB III METODOLOGI PENELITIAN ........................................................ 6

BAB IV PERANCANGAN DAN PENGUJIAN SISTEM ............................. 6

BAB V HASIL PEMBAHASAN .................................................................... 6

BAB VI PENUTUP ......................................................................................... 7

BAB II LANDASAN TEORI ................................................................................. 8

2.1. Daun ......................................................................................................... 8

2.1.1. Definisi Daun .................................................................................... 8

2.1.2. Bagian-bagian Daun .......................................................................... 8

2.2. Mangga ..................................................................................................... 8

2.2.1. Definisi Mangga ................................................................................ 8

2.2.2. Taksonomi Mangga ........................................................................... 9

2.2.3. Vitamin yang terkandung dalam Mangga ....................................... 10

2.2.4. Morfologi Tanaman Mangga .......................................................... 11

2.2.5. Jenis-jenis mangga .......................................................................... 12

2.3. Pengolahan Citra .................................................................................... 14

2.3.1. Pengertian Citra ............................................................................... 14

2.3.2. Pengertian Pengolahan Citra Digital ............................................... 15

2.3.3. Prinsip Dasar Pengolahan Citra ...................................................... 16

2.4. Perbaikan Kualitas Citra ......................................................................... 21

2.4.1. Contrast Stretching (Perenggangan Kontras) ................................. 21

xi

2.4.2. Median Filter ................................................................................... 21

2.5. Ekstraksi Fitur ........................................................................................ 22

2.6. Gray Level Co-Occurrence Matrix (GLCM) ......................................... 22

2.7. Klasifikasi ............................................................................................... 24

2.8. Support Vector Machine (SVM) ............................................................ 25

2.8.1. Konsep SVM ................................................................................... 25

2.8.2. SVM Multiclass .............................................................................. 28

2.8.3. Karakteristik SVM .......................................................................... 30

2.9. Matlab ..................................................................................................... 31

2.10. Metode Simulasi ................................................................................. 32

2.11. Langkah – Langkah Dalam Proses Metode Simulasi ......................... 32

2.11.1. Problem Formulation ...................................................................... 32

2.11.2. Conceptual Model ........................................................................... 32

2.11.3. Collection of Input Data .................................................................. 33

2.11.4. Modelling ........................................................................................ 33

2.11.5. Simulation ....................................................................................... 34

2.11.6. Verification and Validation ............................................................. 34

2.11.7. Experimentation .............................................................................. 34

2.11.8. Output Analysis ............................................................................... 34

2.11.9. Perbandingan Model Metode Pengembangan Sistem ..................... 35

2.12. Alasan Menggunakan Simulasi .......................................................... 37

2.13. Metode Pengumpulan Data ................................................................. 37

2.13.1. Wawancara ...................................................................................... 37

2.13.2. Observasi ......................................................................................... 38

2.13.2. Studi Pustaka ................................................................................... 38

xii

BAB III METODOLOGI PENELITIAN.............................................................. 41

3.1. Pengumpulan Data ................................................................................. 41

3.1.1. Studi Pustaka ................................................................................... 41

3.1.2. Observasi ......................................................................................... 41

3.1.3. Wawancara ...................................................................................... 41

3.2. Metode Simulasi ..................................................................................... 42

3.2.1. Problem Formulation ...................................................................... 42

3.2.2. Conceptual Model ........................................................................... 42

3.2.3. Collection of Input Data ................................................................. 42

3.2.4. Modelling ........................................................................................ 43

3.2.5. Simulation ....................................................................................... 43

3.2.6. Verification and Validation ............................................................. 43

3.2.7. Experimentation .............................................................................. 43

3.2.8. Output Analysis ............................................................................... 44

3.3. Kerangka Pemikiran Penelitian .............................................................. 44

3.4. Perangkat Penelitian ............................................................................... 46

BAB IV ANALISIS DAN PERANCANGAN SISTEM ...................................... 47

4.1. Problem Formulation .............................................................................. 47

4.2. Conceptual Model .................................................................................. 48

4.3. Collection of Input Data ......................................................................... 54

4.4. Modelling ................................................................................................ 62

4.4.1. Perhitungan Manual Konversi Citra RGB ke Grayscale ................ 62

4.4.2. Perhitungan Manual Median Filter 3x3 .......................................... 64

4.4.3. Perhitungan Manual Gray Level Co-Occurrence Matrix (GLCM). 68

4.5. Simulation ............................................................................................... 75

xiii

BAB V HASIL PEMBAHASAN ......................................................................... 78

5.1. Verify and Validate the Model and Simulation ...................................... 78

5.2. Design of Experiment ............................................................................. 91

5.3. Execute Simulation and Analyze Output ............................................... 93

BAB VI PENUTUP ............................................................................................ 121

6.1. Kesimpulan ........................................................................................... 121

6.2. Saran ..................................................................................................... 121

DAFTAR PUSTAKA ......................................................................................... 123

LAMPIRAN ....................................................................................................... 126

xiv

DAFTAR GAMBAR

Gambar 2. 1 (a) Harummanis, (b) Nangklawang, (c) Manalagi ........................... 13

Gambar 2. 2 Algoritma Machine Learning ........................................................... 17

Gambar 2. 3 Perbedaan Citra Berwarna (a) dan Citra Grayscale (b) .................... 18

Gambar 2. 4 Perbedaan Citra Berwarna (a) dan Citra Biner (b) ........................... 19

Gambar 2. 5 Empat Arah Pembentuk Matriks GLCM ......................................... 23

Gambar 2. 6 Proses Pekerjaan Klasifikasi ............................................................ 25

Gambar 2. 7 Diagram Alir Training SVM ............................................................ 27

Gambar 2. 8 Diagram Alir Testing SVM .............................................................. 28

Gambar 2. 9 Contoh Klasifikasi dengan Metode One-against-all ........................ 30

Gambar 3. 1 Kerangka Berfikir ............................................................................. 45

Gambar 4. 1 Pra-Proses Simulasi Sistem .............................................................. 49

Gambar 4. 2 Proses Akuisisi Citra ........................................................................ 50

Gambar 4. 3 Hasil Pemotongan Citra pada Daun Harummanis............................ 51

Gambar 4. 4 Hasil Pemotongan Citra pada Daun Nangklawang .......................... 51

Gambar 4. 5 Hasil Pemotongan Citra pada Daun Manalagi ................................. 51

Gambar 4. 6 Citra RGB ......................................................................................... 53

Gambar 4. 7 Citra Grayscale ................................................................................. 53

Gambar 4. 8 Perbaikan Citra ................................................................................. 53

Gambar 4. 9 Citra Threshold ................................................................................. 54

Gambar 4. 10 Pembentukan GLCM Jarak 1 dan Sudut 0o .................................... 69

Gambar 4. 11 Pembentukan GLCM Jarak 1 dan Sudut 45o .................................. 69

Gambar 4. 12 Pembentukan GLCM Jarak 1 dan Sudut 90o .................................. 70

Gambar 4. 13 Pembentukan GLCM Jarak 1 dan Sudut 135o ................................ 70

Gambar 5. 1 Tampilan Utama ............................................................................... 78

Gambar 5. 2 Tampilan Hasil Input Citra ............................................................... 79

Gambar 5. 3 Tampilan Konversi citra ke RGB .................................................... 79

Gambar 5. 4 Tampilan Hasil Perbaikan Citra dan Thresholding .......................... 80

Gambar 5. 5 Tampilan Ekstraksi Ciri Tesktur ..................................................... 80

Gambar 5. 6 Tampilan Hasil Klasifikasi .............................................................. 81

xv

DAFTAR TABEL

Tabel 2. 1 Perbedaan Daun Mangga Harummanis, Nangklawang, Manalagi ...... 13

Tabel 2. 3 Klasifikasi SVM Biner dengan Metode One-against-all ..................... 29

Tabel 2. 4 Perbandingan Model Metode Pengembangan Sistem .......................... 35

Tabel 2. 5 Perbandingan Studi Literatur Sejenis ................................................... 39

Tabel 3. 1 Perangkat Keras (Hardware) Penelitian ............................................... 46

Tabel 3. 2 Perangkat Lunak (Software) Penelitian ............................................... 46

Tabel 4. 1 Hasil Normalisasi citra daun mangga .................................................. 52

Tabel 4. 2 Data Sampel Citra Input ....................................................................... 55

Tabel 4. 3 Perhitungan RGB ke Grayscale ........................................................... 62

Tabel 4. 4 Parameter yang digunakan ................................................................... 75

Tabel 5. 1 Hasil Ekstraksi Fitur Citra Input Berdimensi 250x250 ........................ 82

Tabel 5. 2 Skenario Pengujian .............................................................................. 91

Tabel 5. 3 Hasil Percobaan Skenario 1 ................................................................. 94

Tabel 5. 4 Output Kesalahan Hasil Klasifikasi Skenario 1 ................................... 96

Tabel 5. 5 Hasil Percobaan Skenario 2 ................................................................. 98

Tabel 5. 6 Output Kesalahan Hasil Klasifikasi Skenario 2 ................................. 100

Tabel 5. 7 Hasil Percobaan Skenario 3 ............................................................... 101

Tabel 5. 8 Output Kesalahan Hasil Klasifikasi Skenario 3 ................................. 103

Tabel 5. 9 Hasil Percobaan Skenario 4 ............................................................... 104

Tabel 5. 10 Output Kesalahan Hasil Klasifikasi Skenario 4 ............................... 107

Tabel 5. 11 Hasil Percobaan Skenario 5 ............................................................. 109






Tabel 5. 17 Hasil Akurasi Eksperimen ............................................................... 119

1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Setiap daun menjadi salah satu bagian tanaman yang sering digunakan

untuk mengklasifikasikan jenis tanaman. Daun biasanya digunakan untuk

mengklasifikasikan atau mengelompokkan jenis tanaman. Selain itu, daun lebih

diperoleh karena tidak bergantung pada musim. (Riska. et all , 2015). Mangga

merupakan salah satu tanaman jenis buah-buahan yang berasal dari Negara India.

Mangga memiliki nama latin Mangifera Indica L. Buah mangga memiliki nilai

gizi yang cukup tinggi, karena banyak mengandung vitamin A dan C sehingga

dapat membantu meningkatkan ketahanan tubuh terhadap kerusakan mata dan

penyakit sariawan. Selain itu buah mangga dapat diolah menjadi bahan kuliner

yang sangat lezat. Dengan banyaknya manfaat yang ada pada buah mangga tidak

jarang masyarakat ingin menanam pohon mangga untuk dibudidayakan dengan

tujuan komersil maupun pribadi. (Rahayu. et all, 2016).

Masyarakat masih sering salah menanam jenis pohon mangga yang

diinginkan sehingga menimbulkan perasaan kecewa di kemudian hari. Hal itu

disebabkan karena mayoritas masyarakat membedakan jenis mangga dengan

melihat karakteristik dari buah mangga sedangkan masa berbuah mangga

membutuhkan waktu yang cukup lama. (Rahayu. et all, 2016).

Salah satu solusi yang dapat digunakan untuk mengatasi permasalahan ini

ialah dengan dengan memanfaatkan teknik pengolahan citra digital. Dengan

merancang sebuah perangkat lunak yang mampu mengenal jenis tanaman mangga

berdasarkan pada citra tersebut dan mengklasifikasinya ke dalam suatu kelas.

Pada dasarnya sebuah citra mengandung informasi yang akan diolah untuk

mendapatkan ekstraksi fitur sebagai parameter untuk klasifikasi citra tersebut.

Ekstraksi fitur dilakukan untuk mengambil informasi pokok dari suatu

data untuk digunakan dalam proses selanjutnya. Salah satu metode untuk

mengekstraksi fitur sebuah sebuah citra adalah dengan GLCM (Gray Level Co-

Occurrence Matrix). Metode GLCM menghasilkan output berupa beberapa fitur.

2

UIN Syarif Hidayatullah Jakarta

Diantaranya: Contrast, Co-occurency, Energy, dan Homogeneity. Untuk

mengekstraksi fitur dengan metode GLCM, sebuah citra RGB dijadikan grayscale

(Pamudji, 2017).

Selain itu juga penelitian yang dilakukan oleh Devia Fitri pada tahun 2017

telah berhasil menganalisis klasifikasi jenis batuan sedimen berdasarkan tekstur

dengan menggunakan Gray Level Co-Occurrencematrix (GLCM). Hasil akurasi

yang didapatkan adalah 93,3% pada citra batuan sedimen megaskopis berada di

derajat 45% (Devita Fitri 2017).

Berdasarkan penelitian di atas, peneliti akan mengembangkan penelitian

tersebut menggunakan metode Support Vector Machine (SVM). Ciri dari metode

ini adalah menemukan fungsi pemisah (classifier) yang optimal yang bisa

memisahkan dua set data dari dua kelas yang berbeda (Munawarah, et al. 2016).

Pada penelitian ini digunakan metode Support Vector Machine diharapkan akan

memudahkan proses identifikasi jenis tanaman mangga dengan baik.

Beberapa penelitian telah dilakukan untuk membuktikan keakuratan

algoritma Gray Level Co-Occurrence Matrix. Pada penelitian yang dilakukan oleh

(Harjoko dan Prahudaya, 2017) dengan penelitian (Taningrum. et all, 2016)

bahwa GLCM lebih baik dibandingkan PCA. Penelitian Harjoko dan Prahudaya

mampu menghasilkan tingkat akurasi 91.25% dan Penelitian Taningrum. dkk

menghasilkan 60.00%.

Selanjutnya penelitian yang dilakukan oleh (Ichwan. et all, 2018) yang

melakukan perbandingan SVM dengan KNN untuk klasifikasi tingkat kemanisan

mangga, membuktikan bahwa SVM lebih baik dibandingan KNN. Kedua

algoritma memberikan performansi klasifikasi yang hampir sama namun terlihat

bahwa SVM memberikan tingkat akurasi yang lebih tinggi yaitu sebesar 87.5%

dibandingkan KNN sebesar 83.3%.

Selanjutnya penelitian yang dilakukan Desy Lusiyanti pada tahun 2015 yang

berjudul “Perbandingan Metode Learning Vector Quantization (LVQ) dan

Support Vector Machine (SVM) Untuk Prediksi Penyakit Jantung Koroner”

membuktikan bahwa SVM lebih baik dibandingkan LVQ. Kedua metode

memberikan performansi klasifikasi yang hampir sama namun terlihat bahwa

3


jaringan SVM memberikan tingkat akurasi yang lebih tinggi yaitu sebesar

90.2778% dibandingkan jaringan LVQ sebesar 68.0556% (Lusiyanti, 2015).

Pada penelitian ini peneliti akan membuat aplikasi untuk mengklasifikasi

jenis tanaman mangga berdasarkan tekstur tulang daun dimana citra daun mangga

akan diinput ke dalam aplikasi untuk tahap preprocessing dan ekstraksi ciri

berdasarkan tekstur seperti contrast, correlation, energy, dan homogeneity,

kemudian dari ekstraksi ciri tersebut citra bisa dikenali dengan menggunakan

algoritma klasifikasi Support Vector Machine.

Berdasarkan latar belakang permasalahan di atas, penulis mengambil judul

“Implementasi Metode Support Vector Machine Untuk Klasifikasi Daun

Mangga Berdasarkan Tekstur Daun”.

1.2. Rumusan Masalah

Berdasarkan latar belakang tersebut, peneliti merumuskan masalah sebegai

berikut: Bagaimana implementasi metode Support Vector Machine untuk

klasifikasi daun mangga berdasarkan tekstur daun?

1.3. Batasan Masalah

1.3.1. Proses

1. Jenis daun mangga yang akan diklasifikasi hanya 3 jenis yaitu daun

mangga harummanis, nangklawang, dan daun mangga manalagi.

2. Jenis citra yang digunakan adalah JPEG (Joint Photographic

Expert’s Group).

3. Cakupan penelitian ini adalah sebatas simulasi sistem.

1.3.2. Metode

1. Klasifikasi daun mangga harummanis, daun mangga nangklawang,

daun mangga manalagi ini berdasarkan ekstraksi tekstur.

2. Metode yang digunakan untuk ekstraksi fitur yaitu Gray Level Co-

Occurrence Matrix dan metode yang digunakan untuk klasifikasi

yaitu Support Vector Machine.

3. Metode Pengumpulan data yang digunakan yaitu wawancara,

observasi

4


4. Metode pengembangan sistem yang digunakan yaitu metode

simulasi.

1.3.3. Tools

1. Simulasi penelitian ini menggunakan perangkat lunak alat bantu

Matlab 2013b

1.4. Tujuan Penelitian

Tujuan penelitian ini adalah untuk mengklasifikasi jenis daun mangga

dengan Support Vector Machine.

1.5. Manfaat Penelitian

1.5.1. Bagi Penulis

1. Sebagai sarana untuk menerapkan ilmu teknik pengolahan citra

(image processing), klasifikasi dengan menggunakan algoritma

Support Vector Machine dalam merancang simulasi sistem

klasifikasi jenis Daun Mangga.

2. Lebih mengerti dan memahami tentang bahasa pemrograman yang

digunakan oleh penulis yaitu Matlab.

3. Lebih mengenal mengenai jenis-jenis Daun Mangga.

1.5.2. Bagi Instansi

1. Terbantu dalam memberikan informasi tentang jenis Daun

Mangga.

2. Sistem ini memberikan solusi kepada user dalam klasifikasi jenis

Daun Mangga.

3. Terbantu dalam aspek publikasi kepada masyarakat luas.

4. Membantu dalam memberikan informasi mengenai bentuk dan

elemen-elemen Daun Mangga.

1.5.3. Bagi Universitas

1. Mengetahui kemampuan mahasiswa dalam menguasau materi

pelajaran yang diperoleh di bangku kuliah.

5


2. Mengetahui kemampuan mahasiswa dalam menerapkan ilmunya

dan sebagai bahan evaluasi.

3. Memberikan gambaran tentang kesiapan mahasiswa dalam

menghadapi dunia kerja yang sebenarnya.

1.6. Metodologi Penelitian

1.6.1. Metode Pengumpulan Data

Dalam penulisan ini metodologi pengumpulan data yang

digunakan adalah sebagai berikut:

a. Wawancara

Mengumpulkan data dengan mewawancarai langsung kepada

pihak yang bersangkutan terkait objek skripsi yang di teliti oleh

penulis.

b. Observasi

Mengumpulkan data dan informasi dengan cara meninjau dan

mengamati secara langsung kegiatan yang terjadi di lapangan

1.6.2. Metode Pengembangan Sistem

Dalam penulisan ini metodologi pengembangan sistem yang

digunakan adalah sebagai berikut Sajjad A. Madani et al. (2010) :

1. Problem Formulation

2. Set Objective and Plan

3. Model Conceptual

4. Collection of Input Data

5. Model Translation

6. Verification

7. Validation

8. Experimentation Design

9. Documentation and Reporting

6


1.7. Sistematika Penulisan

Pada tahap ini dilakukan penyusunan skripsi yang berisi dasar teori,

dokumentasi dari perangkat lunak, dan hasil-hasil yang diperoleh selama

penelitian. Skripsi ini akan dibagi menjadi beberapa bab sebagai berikut:

BAB I PENDAHULUAN

Pada bab ini terdiri dari enam sub bab yang berisikan latar

berlakang masalah, tujuan penelitian, manfaat penelitian,

perumusan masalah, batasan masalah, metodologi penulisan, dan

sistematika penulisan

BAB II TINJAUAN PUSTAKA

Bab ini akan menguraikan teori-teori yang mendukung penelitian

yang diambil dari jurnal-jurnal, buku-buku serta e-book, baik teori

yang bersifat umum maupun khusus, teori image processing yang

mendukung analisa identifikasi dan klasifikasi jenis tanaman

mangga, serta studi literatur sejenis.

BAB III METODOLOGI PENELITIAN

Bab ini menguraikan tentang metode yang digunakan dalam

penelitian yang meliputi metode pengumpulan data, metode

pengembangan sistem, dan kerangka berpikir dalam penelitian dan

penyusunan skripsi ini.

BAB IV PERANCANGAN DAN PENGUJIAN SISTEM

Bab ini membahas tentang simulasi sistem dari perancangan

sampai pengujian sistem yang sesuai dengan metode yang

digunakan sistem

BAB V HASIL PEMBAHASAN

Bab ini berisi tentang output yang dihasilkan berdasarkan analisis

perancangan dan implementasi yang dilakukan pada sistem

7


BAB VI PENUTUP

Bab ini berisi kesimpulan dan saran berdasarkan pembahasan pada

bab-bab sebelumnya

8

BAB II

LANDASAN TEORI

2.1. Daun

2.1.1. Definisi Daun

Daun merupakan salah satu organ tumbuhan yang tumbuh dari

batang, umumnya berwarna hijau (mengandung klorofil) dan terutama

berfungsi sebagai penangkap energy dari cahaya matahari melalui

fotosintesis. Daun merupakan organ terpenting bagi tumbuhan dalam

melangsungkan hidupnya karena tumbuhan adalah organisme autotroph

obligat, ia harus memasok kebutuhan energinya sendiri melalui konversi

energi cahaya menjadi energy kimia. (Latifa, 2015)

2.1.2. Bagian-bagian Daun

Daun tumbuhan memiliki bentuk dan ukuran yang bervariasi,

mulai dari yang berbentuk duri kecil pada kaktus hingga yang berbentuk

lebar pada palm. Sekalipun bentuk dan ukuran daun tampak bervariasi,

pada dasarnya daun terdiri dari tiga bagian, yaitu bagian basal yang

berkembang menjadi pelepah (vagina), tangkai daun (petiolus) dan helaian

daun (lamina). Daun yang memiliki ketiga bagian tersebut dinamakan

daun lengkap. Pada sebagian besar tumbuhan, daun hanya terdiri dari satu

atau dua bagian saja, yakni helai daun saja, tangkai dan helai daun,

pelepah dan helai daun, atau tangkai daun saja. Daun-daun yang demikian

dinamakan sebagai daun tak lengkap. (Latifa, 2015)

2.2. Mangga

2.2.1. Definisi Mangga

Mangga merupakan tanaman buah tahunan berasal dari India, yaitu

daerah sekitar Bombay dan daerah di sekitar gunung Himalaya. Ada

masyarakat India yang menjadikan buah mangga sebagai makanan pokok,

terutama pada saat terjadi musim paceklik. Pohon mangga menyebar dari

9


India ke negara-negara lain, seperti Amerika Latin (terutama Brazilia),

benua Afrika, dan juga menyebar sampai negara-negara di kawasan Asia

Tenggara seperti Malaysia dan Indonesia.

Dalam perkembangan selanjutnya tanaman mangga meluas

ditanam di negara-negara yang beriklim tropis. Pengembangan budidaya

tanaman mangga secara intensif dan komersial pertama dilakukan oleh

Thailand dan Pilipina.

Mangga sudah tumbuh di Indonesia sejak lama. Hampir semua

pulau di Indonesia mempunyai pohon mangga. Pohon ini dapat tumbuh

baik di daerah dataran rendah, tetapi juga masih bisa hidup di daerah lain

yang hawanya sedang walaupun tidak sebaik di dataran rendah. Daerah

yang paling luas areal penanaman pohon mangga adalah Jawa Timur dan

Jawa Tengah.

Mangga memiliki banyak jenis di mana masing-masing jenis

tersebut menghendaki persyaratan agroklimat yang berbeda untuk dapat

tumbuh secara optimal. Sebagai contoh Arumanis, Gadung, Golek,

Manalagi hanya cocok dikembangkan di wilayah rendah kering, namun

sebaliknya varietas Gedong Gincu, Cengkir/ Indramayu, Sala, Bengkulu

cocok tumbuh dan berkembang baik di wilayah beriklim basah.

2.2.2. Taksonomi Mangga

Tanaman mangga termasuk ke dalam tumbuhan berbiji

(Spermatophyta) dengan biji tertutup (Angiospermae) dan berkeping dua

(Dicotildoneae). Tanaman mangga dalam sistematika (taksonomi)

tumbuhan dapat diklasifikasikan sebagai berikut :

Devisi : Spermatophyta

Sub Devisi : Angiospermae

Klas : Dicotiledoneae

Ordo : Sapindale

Famili : Anarcadiaceae

Genus : Mangifera

Species : Mangifera indica L.

10


2.2.3. Vitamin yang terkandung dalam Mangga

Menurut Salatin (2012), vitamin yang terkandung dalam mangga

antara lain:

Antioksidan

Mangga merupakan sumber beta-karoten, kalium, dan vitamin C.

Beta-karoten adalah zat yang di dalam tubuh akan diubah menjadi

vitamain A (zat gizi yang penting untuk fungsi retina). Beta-karoten (dan

vitamin C) juga tergolong antioksidan, senyawa yang dapat memberikan

perlindungan terhadap kanker karena dapat menetralkan radikal bebas.

Radikal bebas adalah molekul-molekul tak stabil yang dihasilkan oleh

berbagai proses kimia normal tubuh, radiasi matahari atau kosmis, asap

rokok, dan pengaruh-pengaruh lingkungan lainnya. Zat-zat gizi

antioksidan itu terkandung melimpah pada buah mangga.

Vitamin C

Disamping berfungsi sebagai antioksidan, vitamin C memiliki

fungsi menjaga dan memacu kesehatan pembuluh-pembuluh kapiler,

kesehatan gigi dan gusi. Vitamin C membantu penyerapan zat besi dan

dapat menghambat produksi natrosamin, satu zat pemicu kanker. Vitamin

C mampu pula membuat jaringan penghubung tetap normal dan membantu

penyembuhan luka.

Kalium dan Stroke

Kalium mempunyai fungsi meningkatkan keteraturan denyut

jantung, mengaktifkan kotraksi otot, dan membantu tekanan darah.

Konsumsi kalium yang memadai dapat mengurangi efek natrium dalam

meningkatkan tekanan darah dan secara bebas memberikan kontribusi

terhadap penurunan risiko karena stroke. Kalium terdapat melimpah pada

mangga. Tiap 100 gram mangga terkandung kalium sebesar 189 mg.

Dengan mengkonsumsi sebuah mangga harum manis ukuran sangat kecil

(minimal 250 gram), atau sebuah mangga gedong ukuran sedang (200-

250g), kecukupan kalium sebanyak 400 mg per hari dapat terpenuhi.

11


2.2.4. Morfologi Tanaman Mangga

1. Akar

Akar merupakan bagian tumbuhan berbiji yang berada di dalam

tanah, berwarna putih, dan bentuknya sering kali meruncing hingga lebih

mudah menembus tanah. Fungsi akar sebagai tempat masuknya mineral

(zat-zat hara) dari tanah menuju ke seluruh bagian tumbuhan, juga untuk

menunjang dan memperkokoh berdirinya tumbuhan di tempat hidupnya.

Tanaman mangga termasuk golongan tumbuhan dikotil mempunyai sistem

akar tunggang, tetapi jika dikembangbiakkan dengan stek atau cangkok

maka tumbuhan tersebut memiliki akar serabut. Pada akar terdapat

rambut-rambut akar yang merupakan perluasan permukaan sel-sel

epidemis akar. Rambut-rambut akar hanya tumbuh didekat ujung akar dan

umumnya relative pendek. Bila akar tumbuh memanjang ke dalam tanah

maka pada ujung akar yang lebih muda akan terbentuk rambut-rabut akar

yang baru, sedangkan rambut akar yang tua akan hancur dan mati.

2. Batang

Batang tanaman mangga sama seperti batang tumbuhan berkayu

umumnya keras dan umurnya relative panjang. Pada permukaan batang

yang tua terdapat lubang-lubang kecil yang disebut lentisel. Kulit kayu

yang agak tebal merupakan ciri khas batang yang sudah tua. Tanaman

mangga memiliki batang yang bercabang-cabang, memiliki kambium

vascular sehingga dapat mengalami pertumbuhan sekunder. Fungsi batang

sebagai organ lintasan air dan mineral dari akar ke daun dan lintasan zat

makanan dari hasil fotosintesis dari daun ke seluruh bagian tumbuhan.

3. Daun

Daun mangga berbentuk pipih melebar dan berwarna hijau. Warna

hijau daun disebabkan oleh kandungan kloroflas di dalam sel-sel daun. Di

dalam kloroflas terdapat klorofil. Secara morfologi daun mangga memiliki

bagian-bagian helaian daun dan tangkai daun. Pada tangkai daun terdapat

bagian yang menempel pada batang yang disebut pangkal sebagai daun.

Mangga hanya memiliki satu daun pada tangkainya, sehingga mangga

12


disebut memiliki daun tunggal. Fungsi daun sebagai tempat fotosintesis,

terinspirasi, dan sebagai alat respirasi (pernafasan).

4. Bunga

Bunga merupakan alat perkembangbiakan karena di dalam bunga

terdapat alat-alat reproduksi, seperti benang sari, putik, dan kandung

lembaga. Bunga dianggap sebagai pucuk (ujung batang yang

termidifikasi), sehingga bagian-bagian bunga merupakan hasil modifikasi

dari daun. Bunga hanya muncul pada saat tertentu saja. Bunga mangga

termasuk berkelamin sempurna (hermafrodit), artinya dalam satu bunga

terdapat putik (bunga betina) dan benang sari (bunga jantan). Fungsi

bunga sebagai alat perkembangbiakan generatif pada tumbuhan.

5. Buah

Buah mangga terdapat pada tangkai pucuk-pucuk daun. Setiap

tangkai terdapat 4-8 buah, bahkan ada yang lebih. Bentuk buah mangga

ada yang bulat penuh, bulat pippih, bulat telur, bulat memanjang, atau

lonjong.

6. Biji

Biji mangga memiliki bentuk yang sesuai dengan bentuk luar dari

buah mangga tersebut. Biji mangga merupakan alat perkembangbiakan

tanaman secara generatif.

2.2.5. Jenis-jenis mangga

Menurut Prascaya (2011) jenis-jenis mangga antara lain:

1. Mangga Arumanis

Disebut mangga arumanis karena baunya harum (arum) dan

rasanya manis. Pohon mangga arumanis tidak begitu besar, yakni

tingginya sekitar 9,0 m. Pohon mangga arumanis berdaun lebat dan

memiliki mahkota pohon seperti kerucut terpotong berdiameter 13,0 m.

Daun berbentuk lonjong dan ujung runcing dengan panjang bisa mencapai

sekitar 45 cm. Tanaman ini akan berbunga pada bulan Juli-Agustus dan

sudah bisa dipanen pada bulan September-November. Buah yang telah tua

13


berkulit hijau tua tertutup lapisan lilin sehingga warnanya seperti hijau

kelabu.

2. Mangga Manalagi

Pohon mangga manalagi tidak begitu besar, yakni tinggi pohon

dewasanya hanya sekitar 8,0 m. Mahkota pohon bulat dan berdiameter

sekitar 12,0 m. Pohon mangga ditumbuhi oleh daun dengan panjang

sekitar 25 cm dan lebar sekitar 7,5 cm, berbentuk lonjong, dan berujung

meruncing. Permukaan daun sedikit berombak. (Wijoyo 2013:44-45)

2.2.6. Perbedaan Jenis-Jenis Daun Mangga

Pengumpulan data-data tentang jenis-jenis daun mangga

harummanis, daun mangga manalagi, dan daun mangga nangklawang,

penulis melakukan observasi pada tanggal 9 November di Toko Trubus

Bintaro tepatnya di Jl. Raya Bintaro Jaya Sektor IX Tangerang. Diperoleh

hasil observasi pada gambar dan tabel dibawah ini :

(a) (b) (c)

Gambar 2. 1 (a) Harummanis, (b) Nangklawang, (c) Manalagi

(Sumber: Observasi Toko Trubus Bintaro)

Tabel 2. 1 Perbedaan Daun Mangga Harummanis, Nangklawang, Manalagi

Jenis Daun Mangga Urat/Tulang Daun Tekstur

Harummanis Cenderung menonjol

sedikit keatas, tulang

daun cenderung sedikit

rapat

Halus

Nangklawang Cenderung kedalam, Kasar

14


Tulang daun cenderung

lebih renggang

Manalagi Cenderung menonjol

keatas, tulang daun

cenderung rapat

Halus

2.3. Pengolahan Citra

2.3.1. Pengertian Citra

Citra atau image adalah suatu cahaya pada bidang dua dimensi.

Ditinjau dari sudut pandang matematis, citra merupakan fungsi kontinu

dari intensitas cahaya pada bidang dua dimensi. Sumber cahaya menerangi

objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut.

Pantulan cahaya ini ditangkap oleh oleh alat-alat optik, misalnya mata

pada manusia, kamera, scanner, dan sebagainya, sehingga bayangan objek

yang disebut citra tersebut terekam. (Iriyanto & Zaini, 2014)

Citra terbagi menjadi citra analog dan citra digital. Citra analog

adalah citra yang bersifat kontinu, seperti gambar pada monitor televisi,

foto sinar X, foto yang tercetak di kertas foto, lukisan, pemandangan alam,

hasil CT scan, gambar-gambar yang terekam pada pita kaset, dan lain

sebagainya. Citra analog tidak dapat direpresentasikan dalam komputer,

sehingga tidak bisa diproses di komputer secara langsung. (Andono,

Sutojo, & Muljono, 2017)

Citra digital adalah citra yang dapat diolah dengan komputer karena

citra digital diambil oleh mesin dengan bentuk pendekatan berdasarkan

sampling dan kuantisasi. Sampling menyatakan besarnya kotak-kotak yang

disusun dalam baris dan kolom. Pertemuan antara baris dan kolom disebut

pixel (titik). Sistem kuantisasi melakukan pengubahan intensitas analog ke

intensitas diskrit, sehingga dengan proses ini dimungkinkan untuk

membuat gradasi warna sesuai dengan kebutuhan. Sistem sampling

bertugas memotong citra menjadi M baris dan N kolom. Bersamaan

dengan itu proses kuantisasi menentukan besar intensitas yang terdapat di

15


titik tersebut sehingga menghasilkan resolusi citra yang diinginkan.

(Andono et al., 2017)

2.3.2. Pengertian Pengolahan Citra Digital

Menurut Efford (2000) yang dikutip dari Kadir dan Susanto

(2013:2-5), pengolahan citra adalah istilah umum untuk berbagai teknik

yang keberadaannya untuk memanipulasi dan memodifikasi citra berbagai

cara. Foto adalah contoh bergambar berdimensi dua yang dapat diolah

dengan mudah. Setiap foto dalam bentuk citra digital (misalnya berasal

dari kamera digital) dapat diolah melalui perangkat lunak tertentu.

Pengolahan citra merupakanbagian penting yang mendasari berbagai

aplikasi nyata, seperti pengenalan pola, penginderaan jarak jauh melalui

satelit atau pesawat udara, dan machine vision.

Pada pengenalan pola, pengenalan citra antara lain berperan

memisahkan objek dari latar belakang secara otomatis. Selanutnya, objek

akan diproses oleh pengklasifikasi pola. Sebagai contoh, sebuah objek

buah dapat dikenali sebagai jeruk, apel, atau papaya. Pada penginderaan

jarak jauh, tekstur atau warna pada citra dapat dipakai untuk

mengidentifikasi objek-objek yang terdapat di dalam citra. Pada machine

vision (sistem yang dapat “melihat” dan “memahami” yang dilihatnya),

pengolahan citra berperan untuk mengenali bentuk-bentuk khusus yang

dilihat oleh mesin. Penggunaan kamera pemantau ruangan merupakan

contoh bagian aplikasi pemrosesan citra. Perubahan gerakan yang

ditangkap melalui citra dapat menjadi dasar untuk melalukan pelaporan

situasi yang terekam. Aplikasi pengolahan citra semakin meluas. Di dunia

kedokteran, pengolahan citra mempunyai peran sangat besar. CT Scan

(Computed Tomography Scan) atau kadang disebut dengan CAT Scan

(Computerized Axial Tomography Scan) merupakan suatu contoh aplikasi

pengolahan citra, yang dapat dipakai untuk melihat potongan atau

penampang bagian tubuh manusia.

Menurut Hermawati (2013:1-3) mengatakan bahwa tujuan dari

pengolahan citra digital yaitu memperbaiki kualitas gambar dilihat dari

aspek radiometric (peningkatan kontras, transformasi warna, restorasi

16


citra) dan dari aspek geometri (rotasi, translasi, skala, transformasi

geometri). Melakukan proses penarikan informasi atau deskripsi objek

atau pengenalan objek yang terkandung pada citra. Melakukan kompresi

atau reduksi data untuk tujuan penyimpanan data, transmisi data, dan

waktu proses data.

2.3.3. Prinsip Dasar Pengolahan Citra

Menurut Kadir dan Susanto (2013:5-7) mengatakan bahwa,

prinsip-prinsip dasar pengolahan citra adalah sebagai berikut:

Peningkatan Kecerahan dan Kontras

Seringkali dijumpai citra yang tidak jelas akibat kekurangan sinar

ketika objek dibidik melalui kamera digital. Dengan menggunakan

pengolahan citra, citra seperti itu dapat diperbaiki melalui

peningkatan kecerahan dan kontras.

Penghilangan Derau

Citra yang akan diproses seringkali dalam keadaan terdistorsi atau

mengandung derau. Untuk kepentingan tertentu, derau tersebut

perlu dibersihkan terlebih dahulu. Dalam pengolahan citra terdapat

beberapa metode yang dapat dipakai untuk keperluan tersebut.

Salah satu cara dilaksanakan melalui filter natch.

Pencarian Bentuk Objek

Untuk kepentingan mengenali suatu objek di dalam citra, objek

perlu dipisahkan terlebih dulu dari latar belakangnya. Salah satu

pendekatan yang umum dipakai untuk keperluan ini adalah

penemuan batas objek. Dalam hal ini, batas objek berupa bagian

tepi objek. Setelah tepi objek diketahui, pencarian ciri terhadap

objek dapat dilaksanakan, misalnya berdasar perbandingan Panjang

dan lebar daun. Pemisahan objek dalam citra dari latar belakang

dikenal dengan sebutan segmentasi.

2.3.4. Jenis Citra Digital

Menurut (Kadir & Susanto, 2013), terdapat tiga jenis citra yang

umum digunakan dalam pemrosesan citra, yaitu:

17


1. Citra Berwarna

Citra berwarna adalah citra yang memiliki 3 buah kanal warna di

dalamnya. Pada umumnya jenis citra ini terbentuk dari komponen

RGB (merah/red, hijau/green, dan biru/blue) yang dimodelkan ke

dalam ruang warna RGB. RGB adalah standa r yang digunakan untuk

menampilkan citra berwarna pada layar televisi maupun layar

komputer. Namun terdapat juga citra berwarna yang menggunakan

ruang warna yang berbeda.seperti CMYK (Cyan, Magenta, Yellow,

Black), HSV (Hue, Saturation, Value), YcbCr (Luma, Chroma blue,

Chroma red), dan Lab (L*a*b*).

Citra berwarna sering juga disebut dengan 24-bit color image karena

citra berwarna memiliki kapasitas penyimpanan sebesar 24 bit setiap

pikselnya. Masing-masing piksel dalam setiap kanal memiliki

kemungkinan nilai 256, yaitu dengan rentang nilai 0 hingga 255. 3

kanal warna dalam citra berwarna terdiri dari 8 bit data per kanal

sehingga 3 x 8 bit adalah 24 bit. Dengan kombinasi warna yang ada,

maka citra berwarna memiliki kemungkinan sebanyak 256 x 256 x 256

= = 16.777.216 variasi warna. (Hidayatullah, 2017)

Gambar 2. 2 Algoritma Machine Learning

(Sumber : Pengolahan Citra Digital Teori dan Aplikasi Nyata, 2017)

2. Berskala Keabuan (Grayscale)

Berbeda dengan citra berwarna yang memiliki 3 kanal warna, citra

grayscale hanya memiliki 1 buah kanal sehingga yang ditampilkan

hanyalah nilai intensitas atau dikenal juga dengan istilah derajat

keabuan. Karena jenis citra ini hanya memiliki 1 kanal, maka jika

dibandingkan dengan citra berwarna, tempat penyimpanan pada citra

18


grayscale lebih hemat karena setiap pikselnya hanya membutuhkan 8

bit data. (Hidayatullah, 2017)

(a) (b)

Gambar 2. 3 Perbedaan Citra Berwarna (a) dan Citra Grayscale (b)

(Sumber : (Hidayatullah, 2017)

Cara mengkonversi citra berwarna ke dalam citra grayscale yang

paling mudah adalah dengan meratakan semua nilai piksel RGB sesuai

dengan persamaan berikut:

Hasil konversi yang diberikan dengan persamaan tersebut tidak

terlalu bagus. Maka untuk mendapatkan hasil konversi yang lebih

baik dapat menggunakan persamaan berikut:

(2.2)

3. Citra Biner

Citra biner atau citra hitam putih (black and white image) adalah citra

yang hanya membutuhkan 1-bit untuk menyimpan nilai pada setiap

pikselnya sehingga citra biner hanya memiliki 2 kemungkinan nilai

untuk setiap pikselnya, yaitu 0 atau 1.Nilai 0 akan tampil sebagai

warna hitam sedangkan nilai 1 akan tampil sebagai warna putih. Jenis

citra ini sering diguakan untuk proses masking ataupun proses

segmentasi citra. (Hidayatullah, 2017)

( ) (2.1)

19


(a) (b)

Gambar 2. 4 Perbedaan Citra Berwarna (a) dan Citra Biner (b)

(Sumber : (Hidayatullah, 2017)

Berikut merupakan source code untuk Citra Grayscale dan Citra Biner :

fileGear = imread(„Source Image/bike-gear.jpg‟);

gearGrayscale = rgb2gray(fileGear); #Citra Grayscale

gearBW = im2bw(gearGrayscale); #Citra Biner

2.3.5. Langkah-Langkah dalam Pengolahan Citra

Langkah-langkah dalam pengolahan citra dapat dijabarkan menjadi

beberapa langkah yaitu sebagai berikut (Andono et al., 2017) :

1. Akuisisi citra

Akuisisi citra adalah tahapan awal untuk mendapatkan citra digital.

Tujuan akuisisi citra adalah menentukan data yang diperlukan dan

memilih metode perekaman citra digital. Tahap ini dimulai dari objek

yang akan diambil gambarnya, persiapan alat-alat, sampai pada

pencitraan. Pencitraan adalah kegiatan transformasi dari citra tampak

(foto, gambar, lukisan, patung, pemandangan, dan lain-lain) menjadi

citra digital. Beberapa alat yang dapat digunakan untuk pencitraan

adalah :

a. video kamera

b. kamera digital

c. kamera konvensional dan konverter analog to digital

d. scanner

e. Photo sinar-x/sinar infra merah

20


Hasil dari akuisisi citra ini ditentukan oleh kemampuan sensor untuk

mendigitalisasi sinyal yang terkumpul pada sensor tersebut.

Kemampuan digitalisasi alat ditentukan oleh resolusi alat tersebut.

2. Preprocessing

Tahap ini diperluan untuk kelancaran pada proses berikutnya. Hal-hal

penting yang dilakukan pada tingkatan ini di antaranya adalah :

a. Peningkatan kualitas citra (kontras, brightness, dan lain-lain)

b. Menghilangkan noise

c. Perbaikan citra (image restoration)

d. Transformasi (image transformation)

e. Menentukan bagian citra yang akan diobservasi

3. Segmentasi

Tahapan ini bertujuan untuk mempartisi citra menjadi bagian-bagian

pokok yang mengandung informasi penting, Misalnya, memisahkan

objek dari latar belakang.

4. Representasi dan Deskripsi

Dalam hal ini representasi merupakan suatu proses untuk

merepresenasikan suatu wilayah sebagai suatu daftar titik-titik

koordinat dalam kurva yang tertutup, dengan deskripsi luasan atau

perimeternya. Setelah suatu wilayah dapat direpresentasi, proses

selanjutnya adalah melakukan deskripsi citra dengan cara seleksi ciri

dan ekstraksi ciri (Feature Extraction and Selection). Seleksi ciri

bertujuan untuk memilih informasi kuantitatif dari ciri yang ada yang

dapat membedakan kelas-kelas objek secara baik, sedangkan eksraksi

ciri bertujuan untuk mengukur besaran kuantitatif ciri setiap piksel,

misalnya rata-rata, satandar deviasi, koefisien variasi, Signal to Noize

ratio (SNR), dan lan-lain.

21


2.4. Perbaikan Kualitas Citra

2.4.1. Contrast Stretching (Perenggangan Kontras)

Kontras suatu citra adalah distribusi pixel terang dan gelap. Citra

grayscale dengan kontras rendah maka akan terlihat terlalu gelap, terlalu

terang, atau terlalu abu-abu. Histogram citra dengan kontras rendah,

semua pixels akan terkonsentrasi pada sisi kiri, sisi kanan, atau di tengah.

Semua pixel akan terkelompok secara rapat pada suatu sisi tertentu dan

menggunakan sebagian kecil dari semua kemungkinan nilai pixel.

Citra dengan kontras tinggi memiliki daerah gelap dan terang

yang luas. Histogram citra dengan kontras tinggi memiliki dua puncak

besar. Satu puncak terkonsentrasi pada sisi kiri dan yang satunya

terkonsentrasi pada sisi kanan histogram.

Citra dengan kontras yang bagus menampilkan rentangan nilai

pixel yang lebar. Histogramnya relatif menunjukkan distribusi nilai pixel

yang seragam, tidak memiliki puncak utama, atau tidak memiliki lembah.

Peranganggan kontras adalah teknik yang sangat berguna untuk

memperbaiki kontras citra terutama citra yang memiliki kontras rendah

(Putra, 2014).

2.4.2. Median Filter

Salah satu teknik pengurangan noise adalah median filter. Filter ini

beroperasi dengan cara mengiterasikan sebuah jendela dengan ukuran

tertentu dari pojok kiri atas sampai pojok kanan bawah citra. Pada setiap

iterasi nilai piksel pada citra yang posisinya tepat di tengah jendela akan

diganti dengan nilai tengah (median) dari nilai piksel-piksel citra yang

berada di dalam jendela tersebut. Ukuran jendela bisa 3x3, 5x5, dan

seterusnya dengan syarat berukuran ganjil (Hidayatullah, 2017).

22


2.5. Ekstraksi Fitur

Proses ekstraksi fitur yang digunakan sebagai ciri dalam pengenalan

suatuobjek juga dapat dilakukan dengan menganalisis tekstur objek. Tekstur objek

dapat direpresentasikan dengan menggunakan persamaan matematika, sehingga

hasil dari analisis tekstur dapat diukur dan dibandingkan dengan objek lainnya

dalam proses pengenalan (Muntasa, 2015).

Menurut (Kadir & Susanto 2013), ekstraksi fitur (feature extraction)

merupakan bagian fundamental dari analisis citra. Fitur-fitur suatu objek

mempunyai peran penting untuk berbagai aplikasi berikut:

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.

2.6. Gray Level Co-Occurrence Matrix (GLCM)

Alat statistik untuk mengekstraksi tekstur dari citra adalah Gray Level Co-

Occurrence Matrix yang disingkat GLCM. Matriks GLCM adalah matriks yang

merepresentasikan hubungan ketetanggaan antarpiksel dalam citra pada berbagai

arah orientasi dan jarak spasial d. Salah satu sumber ciri yang populer dan

efektif dalam analisis tekstur adalah matriks GLCM.

Pada umumnya, ada empat arah yang biasa digunakan untuk membuat

matriks GLCM, yaitu sudut = , , dan . Di dalam satu arah, ada

satu matriks GLCM untuk masing-masing nilai yang dipilih dari jarak d dan sudut

(Andono et al., 2017).

23


Gambar 2. 5 Empat Arah Pembentuk Matriks GLCM

(Sumber : Pengolahan Citra & Video Digital. Teori, Aplikasi,

dan Pemrograman Menggunakan MATLAB, 2017)

Hasil perhitungan GLCM, selanjutnya dapat digunakan untuk menghitung

nilai fitur-fitur sebagai representasi tekstur objek. Adapun fitur yang dapat

digunakan untuk memperoleh ciri tekstur dari suatu objek diantaranya adalah :

(Sharma, Priyanka, Kalsh, & Saini, 2015)

1. Angular Second Moment Feature (ASM) / Energy Feature, fungsinya

mengukur keseragaman piksel dalam suatu citra.

∑∑* ( )+

(2.3)

2. Contrast Feature, fungsinya mengukur perbedaan antarderajat

keabuan suatu daerah pada citra. Secara histogram, kontras

menunjukkan ukuran penyebaran nilai intensitas citra.

∑∑ ( )

(2.4)

3. Correlation Feature, fitur ini menggambarkan ketergantungan secara

linear dari suatu tingkat keabuan matrik piksel referensi terhadap

piksel-piksel tetangga disekitarnya. Untuk melakukan penghitungan

nilai correlation, dibutuhkan nilai mean dan standar deviation. Berikut

penghitungan nilai mean dan standar deviation.

24


Mean

∑ ( )

(2.5)

∑ ( )

(2.6)

Standar Deviation

√∑∑ ( ) ( )

(2.7)

√∑∑ ( ) ( )

(2.8)

∑ ∑ ( ) ( ) ( )

(2.9)

4. Inverse Different Moment (IDM) / Homogeneity Feature, fitur ini

digunakan untuk mengukur tingkat homoginitas lokal dari citra.

∑ ∑ ( )

(2.10)

2.7. Klasifikasi

Klasifikasi adalah cara untuk mengidentifikasi teknik pengelompokan

untuk dataset tertentu dalam suatu format. Identifikasi dilakukan tergantung pada

nilai dari target atau output, seluruh dataset dapat memenuhi syarat untuk menjadi

anggota kelas. Teknik ini membantu dalam mengidentifikasi suatu pola pada data.

Secara singkat, klasifikasi adalah mekanisme diskriminasi. (Gollapudi, 2016)

Kerangka kerja seperti yang ditunjukkan pada gambar 2.6 meliputi dua

langkah proses, yaitu induksi dan deduksi. Induksi merupakan langkah untuk

membangun model klasifikasi dari data latih yang diberikan, disebut juga proses

pelatihan, sedangkan deduksi merupakan langkah untuk menerapkan model

tersebut pada data uji sehingga kelas yang sesungguhnya dari data uji dapat

diketahui, disebut juga proses prediksi.

25


Gambar 2. 6 Proses Pekerjaan Klasifikasi

(Sumber : Data Mining Konsep dan Aplikasi

Menggunakan MATLAB, 2013)

2.8. Support Vector Machine (SVM)

Support Vector Machine (SVM) adalah sistem pembelajaran yang

menggunakan ruang hipotesis berupa fungsi-fungsi linier dalam sebuah ruang

fitur (feature space) berdimensi tinggi, dilatih dengan algoritma pembelajaran

yang didasarkan pada teori optimasi dengan mengimplementasikan learning bias

yang berasal dari teori pembelajaran statistik. Tujuannya adalah untuk

menemukan hyperplane optimal yang memaksimalkan margin pada masing-

masing kelas. (Zaki, 2014)

Teori yang mendasari SVM sendiri sudah berkembang sejak 1960-an,

tetapi baru diperkenalkan oleh Vapnik, Boser dan Guyon pada tahun 1992 dan

sejak itu SVM berkembang dengan pesat. SVM adalah salah satu teknik yang

relatif baru dibandingkan dengan teknik lain, tetapi memiliki performansi yang

lebih baik di berbagai bidang aplikasi seperti bioinformatics, pengenalan tulisan

tangan, klasifikasi teks dan lain sebagainya (Munawarah, Soesanto, & Faisal,

2016).

2.8.1. Konsep SVM

Support Vector Machine (SVM) merupakn metode klasifikasi jenis

terpandu (supervised) karena ketika proses pelatihan, diperlukan target

pembelajaran tertentu.(Widodo, Handayanto, & Herlawati, 2013) SVM

muncul pertama kali pada tahun 1992 oleh Vladimir Vapnik bersama

rekannya Bernhard Boser dan Isabelle Guyon.

26


Ide dasar SVM adalah memaksimalkan batas hyperplane (maximal

margin hyperplane). Konsep klasifikasi dengan SVM dapat dijelaskan

secara sederhana sebagai usaha untuk mencari hyperplane terbaik yang

berfungsi sebagai pemisah dua buah kelas data pada ruang input.

Hyperplane (batas keputusan) pemisah terbaik antara kedua kelas dapat

ditemukan dengan mengukur margin hyperplane tersebut dan mencari titik

maksimalnya. Margin adalah jarak antara hyperplane tersebut dengan data

terdekat dari masing-masing kelas. Usaha untuk mencari lokasi hyperplane

ini merupakan inti dari proses pelatihan pada SVM. (Prasetyo, 2013)

Dalam implementasinya, proses klasifikasi dibagi menjadi 2 tahap

yaitu training dan testing. Diagram proses training pada SVM dapat dilihat

pada Gambar dan diagram proses testing pada Gambar 2.7 dan Gambar 2.8.

27


Gambar 2. 7 Diagram Alir Training SVM

(Sumber : Prasetyo, 2013)

28


Gambar 2. 8 Diagram Alir Testing SVM

(Sumber : Prasetyo, 2013)

2.8.2. SVM Multiclass

SVM pada dasarnya didesain untuk klasifikasi biner (dua kelas).

Namun, penelitian lebih lanjut untuk mengembangkan SVM sehingga bisa

mengklasifikasi data yang memiliki lebih dari dua kelas, terus dilakukan.

Ada dua pilihan untuk mengimplementasikan multiclass SVM yaitu

dengan menggabungkan beberapa SVM biner atau menggabungkan semua

data yang terdiri dari beberapa kelas ke dalam sebuah bentuk

permasalahan optimasi. Namun, pada pendekatan yang kedua

permasalahan optimasi yang harus diselesaikan jauh lebih rumit.

Pada penelitian ini, pendekatan multiclass SVM yang penulis

gunakan adalah metode klasifikasi “one-against-all”. Pada metode ini,

dibangun k buah model SVM biner, dengan k adalah banyak kelas. Setiap

model klasifikasi ke-i dilatih dengan menggunakan keseluruhan data,

untuk mencari solusi permasalahan. SVM melakukan klasifikasi dua kelas

29


antara satu kelas dengan kelas-kelas lain yang dipandang sebagai satu

kelas. Kelas untuk suatu sampel data dapat langsung ditentukan dengan

metode ini. Ketika sampel data tidak dimasukkan ke dalam kelompok

yang berisi sekumpulan kelas, tetapi ke dalam suatu kelas yang spesifik,

maka kelas tersebut adalah kelas dari sampel data yang bersangkutan.

(Angriyasa, 2013)

Dalam rangka untuk membuat SVM sebagai multiclass problem,

berikut ini teknik yang diadopsi (Pushpalatha, Kumar, Shashikumar, &

Shivakumar, 2013):

k = 1;

do

Create an initial SVM problem as A x B where A=k,

b={k+1,k+2,...n}

Suppose the test vector is T

Class=classify(SVM(A,B),T)

Where classify is SVM classification problem.

If(class==A)

Break;

Else

K++;

While(k>=(n-1));

Actual class=Class

Tabel 2. 2 Klasifikasi SVM Biner dengan Metode One-against-all

(Sumber : Banyal, 2018)

yi = 1 yi = -1 Hipotesis Kernel

Kelas 1 Bukan kelas 1 f 1(x) = (w

1)x + b

1


2)x + b

2


3)x + b

3


4)x + b

4

30


Gambar 2. 9 Contoh Klasifikasi dengan Metode One-against-all

(Sumber : Banyal, 2018)

2.8.3. Karakteristik SVM

Menurut (Prasetyo, 2013), karakteristik klasifikasi SVM dapat

diringkas menjadi seperti berikut :

1. SVM bisa dikatakan sebagai teknik klasifikasi yang semi-eager

lerner karena selain memerlukan proses pelatihan, SVM juga

menyimpan sebagian kecil data latih untuk digunakan kembali pada

saat proses prediksi.

2. SVM selalu memberikan model yang sama dan solusi dengan margin

maksimal.

3. Proses pelatihan yang dilakukan oleh SVM tidak sebanyak ANN,

tetapi sering kali memberikan kinerja yang lebih baik daripada ANN.

4. Dalam penggunaannya SVM hanya menentukan fungsi kernel yang

harus digunakan (untuk kasus data yang distribusi kelasnya tidak

dapat dipisahkan secara linear).

5. SVM membutuhkan komputasi pelatihan dan prediksi yang rumit

karena dimensi data yang digunakan dalam proses pelatihan dan

prediksi lebih besar daripada dimensi yang sesungguhnya.

6. Untuk set data berjumlah besar, SVM membutuhkan memori yang

sangat besar untuk alokasi matriks kernel yang digunakan.

31


Penggunaan matriks kernel mempunyai keuntungan lain, yaitu

kinerja set data dengan dimensi besar tetapi jumlah datanya sedikit akan

lebih cepat karena ukuran data pada dimensi baru berkurang banyak.

2.9. Matlab

Menurut Wijaya dan Prijono (2007:1-2) MATLAB adalah sebuah bahasa

(pemrograman) dengan unjuk kerja tinggi (high-performance) untuk komputasi

teknis, yang mengintegrasikan komputasi, visualisasi, dan pemrograman di dalam

lingkungan yang mudah penggunannya dalam memecahkan persoalan dengan

solusinya yang dinyatakan dengan notasi matematik. Penggunaan MATLAB,

yaitu:

Matematika dan komputasi

Pengembangan algoritma

Pemodelan, simulasi dan pembuatan „prototipe‟

Analisis data, eksplorasi dan visualisasi

Grafik untuk sains dan teknik

Pengembangan aplikasi, termasuk pembuatan antarmuka grafis

untuk pengguna (Graphical User Interface)

MATLAB adalah sebuah sistem interaktif yang menggunakan elemen data

dasarnya adalah array yang tidak membutuhkan dimensi. Hal ini dapat

mempermudah untuk menyelesaikan masalah komputasi, terutama yang

menyangkut matriks dan vektor. Matlab merupakan singkatan dari „matrix

laboratory‟. MATLAB telah digunakan bertahun-tahun dengan banyak pengguna.

Di lingkungan universitas, MATLAB telah menjadi kakas standar untuk

pengajaran tingkat dasar dan tingkat lanjut yang berhubungan dengan matematika,

rekayasa dan sains. Fitur-fitur MATLAB untuk penyelesaian spesifik disebut

„toolboxes‟. „Toolboxes‟ adalah koleksi komperehensif dari fungsi-fungsi

MATLAB (M-files) yang memperlebar lingkungan MATLAB dalam

menyelesaikan kelas-kelas tertentu dari permasalahan. Beberapa toolbox yang

tersedia meliputi bidang: pengolahan sinyal, sistem kendali, jaringan syaraf

(neural network), logika ‘fuzzy’, wavelet, simulasi dan lain sebagainya.

32


2.10. Metode Simulasi

Simulasi komputer meniru pengoperasian sistem dan proses internal,

biasanya dari waktu ke waktu, dan secara rinci tepat untuk menarik kesimpulan

tentang perilaku sistem. Model simulasi yang dibuat menggunakan perangkat

lunak yang dirancang untuk mewakili komponen sistem umum, dan mencatat

bagaimana mereka berperilaku dari waktu ke waktu. Model simulasi digunakan

untuk berbagai keperluan seperti dalam desain sistem, dalam pengembangan

kebijakan sistem operasi, dan dalam penelitian untuk mengembangkan

pemahaman sistem. Para pengguna model ini, para pembuat keputusan

menggunakan informasi yang diperoleh dari hasil model ini, dan individu yang

terkena keputusan berdasarkan model ini semua benar peduli dengan apakah

model dan hasilnya adalah 'benar' untuk penggunaannya (Sargent, 2013).

2.11. Langkah – Langkah Dalam Proses Metode Simulasi

Menurut Sajad A. Madani et al., (2010), terdapat 8 (delapan) tahapan

simulasi, diantaranya :

2.11.1. Problem Formulation

Proses simulasi dimulai dengan masalah praktis yang memerlukan

pemecahan atau pemahaman. Sebagai contoh sebuah perusahaan kargo

ingin mencoba untuk mengembangkan strategi baru untuk pengiriman

truk, contoh lain yaitu astronom mencoba memahami bagaimana sebuah

nebula terbentuk. Pada tahap ini kita harus memahami perilaku dari

sistem, mengatur operasi sistem sebagai objek untuk percobaan. Maka kita

perlu menganalisa berbagai solusi dengan menyelidiki hasil sebelumnya

dengan masalah yang sama. Solusi yang paling diterima yang harus

dipilih.

2.11.2. Conceptual Model

Langkah ini terdiri dari deskripsi tingkat tinggi dari struktur dan

perilaku sebuah sistem dan mengidentifikasi semua benda dengan atribut

dan interface mereka. Kita juga harus menentukan variabel statenya,

33


bagaimana cara variabel tersebut saling terkait, dan mana yang penting

untuk penelitian. Pada tahap ini, dinyatakan aspek-aspek kunci dari

requierement. Selama definisi model konseptual, kita perlu

mengungkapkan fitur yang penting. Kita juga harus mendokumentasikan

informasi non-fungsional, misalnya seperti perubahan pada masa yang

akan datang, perilaku non-intuitive atau non-formal, dan hubungan dengan

lingkungan.

2.11.3. Collection of Input Data

Pada tahap ini kita mempelajari sistem untuk mendapatkan data

input dan output. Untuk melakukannya kita harus mengumpulkan dan

mengamati atribut yang telah ditentukan pada tahap sebelumnya. Ketika

entitas sistem yang dipelajari, maka dicoba mengaitkannya dengan waktu.

Isu penting lainnya pada tahap ini adalah pemilihan ukuran sampel yang

valid secara statistik dan format data yang dapat diproses dengan

komputer. Kita harus memutuskan atribut mana yang stokastik dan

deterministik. Dalam beberapa kasus, tidak ada sumber data yang dapat

dikumpulkan (misalnya pada sistem yang belum ada). Dalam kasus

tersebut kita perlu mencoba untuk mendapatkan set data dari sistem yang

ada (jika tersedia). Pilihan lain yaitu dengan menggunakan pendekatan

stokastik untuk menyediakan data yang diperlukan melalui generasi nomor

acak.

2.11.4. Modelling

Pada tahap pemodelan, kita harus membangun representasi yang

rinci dari sistem berdasarkan model konseptual dan input/output data yang

dikumpulkan. Model ini dibangun dengan mendefinisikan objek, atribut,

dan metode menggunakan paradigma yang dipilih. Pada tahap ini

spesifikasi model dibuat, termasuk set persamaan yang mendefinisikan

perilaku dan struktur. Setelah menyelesaikan definisi ini, kita harus

membangun struktur awal model (mungkin berkaitan sistem dan metrik

kerja).

34


2.11.5. Simulation

Pada tahap simulasi, kita harus memilih mekanisme untuk

menerapkan model (dalam banyak kasus menggunakan komputer dan

bahasa pemrograman dan alat-alat yang memadai), dan model simulasi

yang dibangun. Selama langkah ini, mungkin perlu untuk mendefinisikan

algoritma simulasi dan menerjemahkannya ke dalam program komputer.

2.11.6. Verification and Validation

Pada tahap sebelumnya, tiga model yang berbeda yang dibangun

yaitu model konseptual (spesifikasi), sistem model (desain), dan model

simulasi (executable program). Kita perlu memverifikasi dan memvalidasi

model ini. Verifikasi terkait dengan konsistensi internal antara tiga model

terkait model telah diterapkan dengan benar. Validasi difokuskan pada

korespondensi antara model dan realitas terkait hasil simulasi yang

konsisten dengan sistem yang dianalisis, membangun model yang tepat

berdasarkan hasil yang diperoleh selama tahap ini.

2.11.7. Experimentation

Kita harus menjalankan model simulasi, menyusul tujuan yang

dinyatakan pada model konseptual. Selama fase ini kita harus

mengevaluasi output dari simulator menggunakan korelasi statistik untuk

menentukan tingkat presisi untuk metrik kerja. Fase ini dimulai dengan

desain eksperimen, menggunakan teknik yang berbeda. Beberapa teknik

ini meliputi analisis sensitivitas, optimasi, dan seleksi (dibandingkan

dengan sistem alternatif).

2.11.8. Output Analysis

Pada tahap analisis output, output simulasi dianalisis untuk

memahami perilaku sistem. Output ini digunakan untuk mendapatkan

tanggapan tentang perilaku sistem yang asli. Pada tahap ini, alat visualisasi

dapat digunakan untuk membantu proses tersebut. Tujuan dari visualisasi

adalah untuk memberikan pemahaman yang lebih dalam sistem real

35


sedang diselidiki dan untuk membantu dalam mengeksplorasi set besar

data numerik yang dihasilkan oleh simulasi.

2.11.9. Perbandingan Model Metode Pengembangan Sistem

Pada penelitian ini, penulis menggunakan model simulasi. Berikut

tabel analisa beberapa metode pengembangan sistem sejenis dengan model

simulasi.

Tabel 2. 3 Perbandingan Model Metode Pengembangan Sistem

(Sumber : Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objek, 2013)

No. Model Deskripsi Kelebihan Kekurangan

1. Simulation Model simulasi

digunakan untuk

berbagai

keperluan seperti

dalam desain

sistem, dalam

pengembangan

kebijakan sistem

operasi, dan

dalam penelitian

untuk

mengembangkan

pemahaman

sistem.

1. Menghemat waktu.

2. Dapat merentang-

luaskan waktu.

3. Mengoreksi

kesalahan- kesalahan

perhitungan.

4. Dapat dihentikan dan

dijalankan kembali.

1. Hasil simulasi boleh

jadi tidak persis sama

dengan dunia nyata,

karena model mengan-

dung sedikit atau

banyak distorsi.

2. Simulasi bukan meru-

pakan proses optimasi

dan tidak menghasil-

kan jawaban, tetapi

hanya memberikan

suatu kumpulan

tanggapan sistem atas

berbagai kondisi

operasi dan kelemahan

yang sulit diukur.

36


2. Protoype Model prototype

dapat digunakan

menyambungkan

ketidakpahaman

pelanggan

mengenai hal

teknis dan

memperjelas

spesifikasi

kebutuhan yang

diinginkan

pelanggan

kepada

pengembang

perangkat lunak

(Shalaludin dan

Rosa, 2013).

1. Dalam model

protoype pelanggan

berpartisipasi aktif

dalam pengembangan

sistem, sehingga hasil

produk

pengembangan akan

semakin mudah

disesuaikan dengan

keinginan dan

kebutuhan pelanggan.

2. Model prototype juga

cocok digunakan

untuk menggali

spesifikasi kebutuhan

pelanggan secara

lebih detail tetapi

beresiko tinggi

terhadap

membengkak-nya

biaya dan waktu

proyek. (Rosa &

Shalahuddin, 2013).

1. Sangat sulit bagi

pelanggan untuk

mendefinisikan semua

spesifikasi di awal alur

pengembangan.

2. Pelanggan tidak

mungkin bersabar

mengakomodasi

perubahan yang

diperlukan di akhir

alur pengembangan.

(Rosa & Shalahuddin,

2013)

3. Rapid

Application

Development

(RAD)

Model 3. Dalam model

protoype pelanggan

berpartisipasi aktif

dalam pengembangan

sistem, sehingga hasil

produk

pengembangan akan

semakin mudah

disesuaikan dengan

keinginan dan

kebutuhan pelanggan.

4. Model prototype juga

cocok digunakan

untuk menggali

spesifikasi kebutuhan


pelanggan untuk

mendefinisikan semua

spesifikasi di awal alur

pengembangan.

4. Pelanggan tidak

mungkin bersabar

mengakomodasi

perubahan yang

diperlukan di akhir

alur pengembangan.


2013)

37


pelanggan secara

lebih detail tetapi

beresiko tinggi

terhadap

membengkak-nya

biaya dan waktu

proyek. (Rosa &

Shalahuddin, 2013).

4. Watefall Model waterfall

menyediakan

pendekatan alur

hidup perangkat

lunak secara

sekuensial atau

terurut dimulai

dari analis,

desain,

pengkodean,

pengujian, dan

tahap pendukung

(support).

Model waterfall sangat

cocok digunakan

kebutuhan pelanggan

sudah sangat

dipahami dan

kemungkinan terjadi

perubahan kebutuhan

selama

pengembangan

perangkat lunak kecil.


2013).


pelanggan untuk

mendefini-sikan

semua spesifikasi di

awal alur

pengembangan.

2. Pelanggan tidak

mungkin bersabar

mengakomodasi

perubahan yang

diperlukan di akhir

alur pengembang-an.

2.12. Alasan Menggunakan Simulasi

Menurut Landriscina (2013:7) dalam buku yang berjudul

“Simulation and Learning A Model-Centered Approach” salah satu

pentingnya penggunaan simulasi yaitu efektivitas biaya, karena

memperoleh data dari simulasi biaya jauh lebih sedikit dari pada

melakukannya dari sistem nyata.

2.13. Metode Pengumpulan Data

2.13.1. Wawancara

Menurut Notoatmodjo (2013) wawancara adalah suatu metode

yang dipergunakan untuk mengumpulkan data, dimana peneliti

mendapatkan keterangan atau informasi secara lisan dari seseorang sasaran

38


penelitian (responden), atau bercakap-cakap berhadapan muka dengan

orang tersebut (face to face). Jadi data tersebut diperoleh langsung dari

responden melalui suatu pertemuan atau percakapan.(Notoatmodjo,

2012:139)

Wawancara digunakan bila ingin mengetahui hal-hal dari responden

secara lebih mendalam serta jumlah responden sedikit (Guritno, et al.

2014). Wawancara digunakan sebagai teknik pengumpulan data apabila

peneliti ingin melakukan studi pendahuluan untuk menemkan permasalahan

yang harus diteliti, tetapi juga apabila peneliti ingin mengetahui hal-hal dari

responden yang lebih mendalam (Sugiyono, 2013).

2.13.2. Observasi

Observasi atau pengamatan adalah suatu teknik atau cara untuk

mengumpulkan data dengan jalan mengamati kegiatan yang sedang

berlangsung. Pengamatan dapat dilakukan dengan partisipasi ataupun

nonpartisipasi. Dalam pengamatan partisipasi (partisipation observation)

pengamat ikut serta dalam kegiatan yang sedang berlangsung. Pengamat

ikut serta sebagai peserta rapat atau peserta pelatihan. Sementara dalam

pengamatan non partisipasi (nonpartisipation observation) pengamat tidak

ikut serta dalam kegiatan. Pengamat hanya berperan mengamati kegiatan

(Sudaryono, 2015).

2.13.2. Studi Pustaka

Studi pustaka merupakan langkah awal dalam metode

pengumpulan data. Studi pustaka merupakan metode pengumpulan data

yang diarahkan kepada pencarian data dan informasi melalui dokumen-

dokumen, baik dokumen tertulis, foto-foto, gambar, maupun dokumen

elektronik yang dapat mendukung dalam proses penelitian (Sugiyono,

2013). Berikut studi literatur sejenis yang dipakai dalam penelitian ini

yaitu sebagai berikut :

39


Tabel 2. 4 Perbandingan Studi Literatur Sejenis

No Judul

Penelitian

Penulis Tahun Metode Kelebihan Kekurangan

1. Klasifikasi Jenis

Batuan Sedimen

Berdasarakan

Tekstur Dengan

Metode Gray

Level Co-

Occurrence

Matrix dan

K-NN

Devita

Fitri,

et al.

2015 Metode GLCM

(Gray Level Co-

Occurrence

Matrix) dan KNN

(K-Nearest

Neighbors)

Citra megaskopis

memiliki akurasi

93,3% sementara

citra mikroskopis

memiliki akurasi

73,33%.

Kualitas pengam-

bilan citra yang

digunakan masih

kurang dan waktu

komputasi

menggunakan

KNN terlalu

lama.

2. Support Vector

Machine Untuk

Klasifikasi Citra

Jenis Daging

Berdasarkan

Tekstur

Menggunakan

Ekstraksi

GLCM.

Neneng,

et al.

2016 Metode GLCM

(Gray Level Co-

Occurrence

Matrix) dan SVM

(Support Vector

Machine).

Tingkat akurasi

dengan meng-

gunakan GLCM

dengan fitur

Correlation,

Energy,

Homogeneity dan

Variance, sebesar

87,5%

Tidak

menggabungkan

fitur warna untuk

klasifikasi jenis

daging.

3. Identifikasi

penyakit pada

daun tebu

dengan Gray

Level Co-

Occurance

Matrix dan

Color Moments.

Ratih

Kartika

Dewi,

et al.

2014 Metode GLCM

(Gray Level Co-

Occurrence

Matrix), SVM

(Support Vector

Machine) dan

Color Moment.

Mampu

melakukan

identifikasi

penyakit daun

tebu dengan

menghasilkan

akurasi yang

tinggi yaitu

sebesar 97%.

Tidak dijelaskan

secara rinci

mengenai

klasifikasi SVM.

40


4. Analisis

perbandingan

akurasi deteksi

serangan pada

jaringan

komputer

dengan metode

Naïve Bayes

dan Support

Vector

Machine

(SVM)

Mercury

Fluorida

Fibrianda,

et al.

2018 Metode Naïve

Bayes dan SVM

(Support Vector

Machine).

Hasil klasifikasi

dengan Support

Vector Machine

lebih tinggi dari

Naïve Bayes

Hasil deteksi

berupa akurasi

tidak ditampilkan

sehingga sulit

untuk mengetahui

seberapa akurat

sistem yang dibuat

dalam penelitian

ini.

Berdasarkan penelitian di atas, terdapat beberapa hal yang dapat

dikembangkan untuk penulisan skripsi ini, antara lain:

1. Menggunakan ekstraksi ciri tekstur menggunakan Gray Level Co-

Occurrence Matrix (GLCM) dengan parameter yaitu Contrast,

Correlation, Energy, dan Homogeneity.

2. Dapat membedakan 3 jenis daun mangga, yaitu daun mangga arumanis,

daun mangga manalagi, dan daun mangga nangklawang.

3. Menggunakan metode klasifikasi menggunakan Support Vector

Machine (SVM). Alasan penulis menggunakan metode ini karena

Support Vector Machine memiliki kemampuan klasifikasi serupa

Decision Tree dan Neural Network. Support Vector Machine juga

memiliki kinerja yang baik.

41

BAB III

METODOLOGI PENELITIAN

3.1. Pengumpulan Data

3.1.1. Studi Pustaka

Penulis melakukan studi pustaka dengan mengumpulkan buku -

buku terkait dengan penelitian ini yang dijadikan acuan dalam

pembuatan simulasi sistem. Selain buku-buku, penulis juga

mengumpulkan jurnal- jurnal serta buku elektronik sebagai referensi

dalam melakukan penelitian ini. Penulis telah mengumpulkan 11 buku,

6 skripsi, dan 8 jurnal.

3.1.2. Observasi

Tujuan penulis melakukan observasi dengan mengumpulkan data

citra jenis Daun Mangga. Data-data tersebut digunakan sebagai sampel

dalam penelitian ini yang termasuk ke dalam data primer. Observasi ini

dilakukan dikarenakan belum ada artikel, buku, karya ilmiah atau lainnya

yang membahas tentang jenis Tanaman Mangga secara detail.

3.1.3. Wawancara

Wawancara dilakukan di Toko Trubus Cabang Bintaro Tangerang.

Narasumbernya adalah Pak Yandi Wibowo S.p, selaku Kepala Toko

Trubus Cabang Bintaro Tangerang. Wawancara dilakukan pada tanggal 8

November 2019 untuk mendapatkan informasi tentang jenis tanaman

mangga. Tujuan penulis melakukan wawancara adalah untuk

mendapatkan data tentang jenis tanaman mangga. Dalam hal ini data

digunakan sebagai landasan teori pada BAB II.

42


3.2. Metode Simulasi

Metode simulasi yang penulis gunakan dalam klasifikasi jenis Daun

Mangga menggunakan metode Support Vector Machine (SVM) adalah

simulasi komputer. Berikut merupakan tahapan dari simulasi komputer :

3.2.1. Problem Formulation

Tahap pertama dalam metode simulasi komputer ini yaitu

merumuskan permasalahan yang akan dianalisa dan menentukan

penggunaan simulasi atau tidak untuk mendapatkan solusi dari

permasalahan yang telah dirumuskan. Setelah mengumpulkan data,

penulis merumuskan masalah bagaimana mengidentifikasi perbedaan

jenis Daun Mangga dengan menggunakan metode Gray Level Co-

Occurrence Matrix (GLCM) dan Support Vector Machine (SVM). Dari

rumusan masalah tersebut, penulis memutuskan untuk menggunakan

metode simulasi.

3.2.2. Conceptual Model

Setelah permasalahan dirumuskan, penulis membuat pemodelan

yang akan digunakan untuk melakukan klasifikasi jenis Daun Mangga

menggunakan metode Support Vector Machine (SVM).

3.2.3. Collection of Input Data

Langkah berikutnya, menentukan input yang akan diproses.

Input yang akan diproses pada simulasi ini yaitu citra dengan format

.jpg. Selanjutnya gambar Daun Mangga di resize menjadi ukuran 250 x

250 pixel. Gambar tersebut diubah ke grayscale untuk tahap

preprocessing dan kemudian citra di filter menggunakan median filter

untuk mendapatkan nilai ekstraksi ciri Gray Level Co-Occurrence

Matrix (GLCM) berdasarkan tekstur yaitu contrast, correlation, energy,

dan homogeneity. Setelah nilai keduanya terkumpul dan dimasukan

dalam data latih, selanjutnya citra baru bisa diklasifikasikan

menggunakan metode Support Vector Machine.

43


Penelitian ini menggunakan 45 data training, yang terbagi dalam

3 kelas meliputi, kelas daun mangga arumanis, kelas daun mangga

nangklawang, dan daun mangga manalagi. Sedangkan untuk testing

menggunakan 32 data yang terbagi 13 kelas daun mangga harummanis,

10 daun mangga nangklawang, dan 9 kelas daun magga manalagi.

Total data yang digunakan dalam penelitian ini ialah 77 citra daun

mangga.

3.2.4. Modelling

Peneliti membuat model simulasi berupa model perhitungan

manual metode ekstraksi Gray Level Co-Occurrence Matrix

berdasarkan parameter contrast, correlation, energy, dan homogeneity

serta algoritma klasifikasi dengan Support Vector Machine yang

diterapkan dalam penelitian ini.

3.2.5. Simulation

Pada tahap ini, peneliti menjalankan proses simulasi

berdasarkan conceptual model atau model konseptual menggunakan

teknik pengolahan citra yang telah dibuat pada tahap sebelumnya.

3.2.6. Verification and Validation

Tahap verification dan validation merupakan bagian tahap

pengujian. Tujuan dari tahapan ini, yaitu untuk memeriksa kesesuaian

penerapan metode dalam penelitian ini.

3.2.7. Experimentation

Desain eksperimen menjelaskan bagaimana data input didapatkan

untuk pelaksanaan percobaan pada model. Dalam hal ini sampel daun

mangga arumanis, daun mangga nangklawang, dan daun mangga

manalagi. Eksperimen yang digunakan dalam penelitian ini yaitu 32 data

percobaan citra daun mangga di luar data latih.

44


3.2.8. Output Analysis

Tahap output analysis merupakan tahap akhir dari metode

simulasi. Pada tahapan ini, peneliti menganalisis ouput dari hasil

percobaan yang telah dilakukan. Hasil analisis yang di uraikan berupa

hasil akurasi yang diperoleh dalam penelitian sesuai dengan

permasalahan utama.

3.3. Kerangka Pemikiran Penelitian

Kerangka pemikiran menjelaskan tahap demi tahap yang dilakukan

dalam penelitian. Berikut merupakan kerangka penelitian yang penulis

gunakan :

45


Metode Pengumpulan Data

Studi Pustaka

Wawancara

YA

Mulai

Identifikasi Masalah

Metode Simulasi

Verification and

Validation

Experimentation

Output Analysis

Simulation

Kesimpulan dan Saran

Selesai

TIDAK

Akuisisi Citra

Pra-Pengolahan

Ekstraksi Ciri Tekstur

dengan Contrast,

Correlation, Energy

dan Homogenity

Klasifikasi Citra

dengan menggunakan

Support Vector

Machine (SVM)

Problem Formultion

Conceptual Model

Collection Input Data

Modelling

Observasi

Gambar 3. 1 Kerangka Berfikir

46


3.4. Perangkat Penelitian

Dalam penelitian ini penulis menggunakan perangkat keras (hardware)

dan perangkat lunak (software) sebagai berikut:

1. Perangkat keras (hardware):

Tabel 3. 1 Perangkat Keras (Hardware) Penelitian

No. Perangkat Keras Spesifikasi

1. Device Laptop HP Notebook

2. Processor Intel Core i3 @2.00 GHz

3. Monitor 14 inch

4. VGA 2 GB

5. Memori (RAM) 4.00 GB

6. Keyboard dan Mouse Standar

7. Speaker Standar

2. Perangkat lunak (Software):

Tabel 3. 2 Perangkat Lunak (Software) Penelitian

No. Perangkat Lunak Spesifikasi

1. Sistem Operasi Windows 10 Home Single

Language 64-bit

2. Tools Matlab R2013b

3. Bahasa Pemrograman Matlab

47

BAB IV

ANALISIS DAN PERANCANGAN SISTEM

4.1. Problem Formulation

Menurut (Muntasa, 2015), proses ekstraksi fitur yang digunakan sebagai

ciri dalam pengenalan suatu objek juga dapat dilakukan dengan menganalisis

tekstur objek. Tekstur objek dapat direpresentasikan dengan menggunakan

persamaan matematika, sehingga hasil dari analisis teksturdapat diukut dan

dibandingkan dengan objek lainnya.

Dalam penelitian ini, peneliti menerapkan metode ekstraksi ciri tekstur

Gray Level Co-Occurrence Matrix (GLCM). Parameter yang dihasilkan dalam

penelitian ini ada 4 ciri yaitu contrast, correlation, energy dan homogeneity.

Algoritma klasifikasi yang digunakan pada penelitian ini yaitu Support Vector

Machine. Proses analisis tekstur dengan menggunakan metode simulasi.

Tujuan analisis tekstur untuk proses ekstraksi fitur adalah menghasilkan nilai

fitur atau nilai ciri citra berdasarkan parameter yang telah ditentukan.

Selanjutnya, nilai fitur parameter citra tersebut diolah sebagai parameter dalam

algoritma Support Vector Machine sehingga diperoleh pengelompokan citra

untuk hasil klasifikasi.

Dalam merumuskan permasalahan pada penelitian ini peneliti melakukan

pengumpulan data dengan menggunakan wawancara dan observasi. Menurut

Yandi Wibowo S.p, selaku Kepala Toko dari Toko Trubus Cabang

Bintaro juga menjelaskan bahwa saat ini untuk mengenali jenis tanaman

mangga masih menggunakan cara manual yaitu dengan melihat tekstur atau

tulang daun dari jenis daun mangga tersebut. Selain itu mengenali daun

mangga secara manual juga rentan terjadi kesalahan.

Sedangkan berdasarkan hasil observasi yang penulis lakukan, penulis

mendapatkan bahwa ada 3 jenis daun mangga yaitu harummanis, nangklawang,

dan manalagi dan. Ketiga jenis daun mangga inilah yang dikenal oleh

masyarakat umum. Tujuan dari observasi ini memperoleh data-data mengenai

48


ketiga jenis daun mangga tersebut dalam bentuk citra dengan format jpg yang

akan penulis uji.

Berdasarkan uraian diatas, maka permasalahan utama penelitian sesuai

dengan perumusan masalah yaitu bagaimana mengklasifikasi jenis daun

mangga menggunakan metode Support Vector Machine (SVM).

4.2. Conceptual Model

Pada tahapan ini, peneliti membuat model konseptual yang berisi langkah-

langkah yang dilakukan dalam penelitian untuk mengklaisfikasi jenis daun

mangga dari citra sebagai input dengan menggunakan teknik pengolahan citra

digital (digital image processing). Tujuan dari tahapan ini, yaitu untuk

menjawab pertanyaan permsalahan yang telah didefinisikan sebelumnya pada

penelitian ini. Adapun langkah-langkahnya adalah sebagai berikut:

49


Gambar 4. 1 Pra-Proses Simulasi Sistem

50


1. Akuisisi Citra

Tahapan awal akuisisi citra, menentukan data yang dibutuhkan

sehingga diperoleh citra digital. Dalam penelitian ini, proses akuisisi

citra diperoleh dengan menggunakan sebuah kamera smartphone.

Gambar 4. 2 Proses Akuisisi Citra

2. Tahap Pra Pengolahan

Tahap preprocessing citra yang dilakukan terdiri atas pemotongan

citra (cropping image), normalisasi ukuran citra (resize image), proses

input citra, konversi citra RGB ke grayscale, proses peningkatan

kontras (contrast stretching), proses penghalusan (smooting) dengan

median filter. Berikut ini adalah proses yang dilakukan pada tahap

preprocessing citra :

Pemotongan Citra (cropping image)

Tahap proses pemotongan citra merupakan tahap yang dilakukan

setelah dataset terkumpul. Pemotongan citra dilakukan dengan

tujuan agar citra yang akan di proses dapat menghasilkan bagian

yang tepat untuk proses identifikasi. Proses pemotongan citra

dilakukan dengan menggunakan software Snipping Tool.

51


Gambar 4. 3 Hasil Pemotongan Citra pada Daun Harummanis

Gambar 4. 4 Hasil Pemotongan Citra pada Daun Nangklawang

Gambar 4. 5 Hasil Pemotongan Citra pada Daun Manalagi

Normalisasi Ukuran Citra (resize imange)

Setelah proses pemotongan citra, maka tahapan selanjutnya adalah

normalisasi ukuran citra (resize image). Pada proses ini digunakan

untuk menormaliasi ukuran citra dengan menggunakan software

Paint sehingga ukuran piksel semua citra data latih dan data uji akan

sama. Ukuran dimensi citra dalam penelitian ini adalah 250 x 250

piksel untuk skenario pertama, dan 150 x 150 piksel untuk ukuran

52


skenario kedua. Berikut contoh hasil normalisasi ukuran citra pada

gambar di bawah ini.

Tabel 4. 1 Hasil Normalisasi citra daun mangga

No. Nama Citra

Ukuran Citra

250 x 250 piksel 150 x 150

piksel

1 Daun mangga

Harummanis

2 Daun mangga

Nangklawang

3 Daun mangga

Manalagi

Proses Input

Tahap proses memilih citra atau gambar yang terdapat pada

directory penyimpanan komputer sebagai data masukan gambar.

Citra masukan yang digunakan telah melalui proses akuisisi citra.

Format citra yang digunakan adalah format “*.jpg” dengan

dimensi ukuran citra 250 x 250 piksel dan 150 x 150 piksel, tipe

citra yang digunakan merupakan citra aras RGB. Dapat dilihat

pada gambar 4.6

53


Gambar 4. 6 Citra RGB

Konversi RGB ke grayscale

Tahap awal dari preprocessing yaitu konversi citra RGB menjadi

citra grayscale. Hal ini merupakan tahapan penting sebelum

melakukan proses peningkatan kualitas citra, penghalusan

(smoothing), cropping, dan resize. Dapat dilihat pada gambar 4.7

Gambar 4. 7 Citra Grayscale

Perenggangan Kontras (Contrast Stretching)

Pada proses ini berguna untuk memperbaiki kontras pada citra

grayscale sehingga kontrasnya menjadi lebih baik dari pada

kontras citra asalnya. Dapat dilihat pada gambar 4.8

Gambar 4. 8 Perbaikan Citra

Edge Thresholding

54


Proses ini dilakukan untuk mendeteksi garis tepi pada tesktur

tulang daun mangga. Dapat dilihat pada gambar 4.9

Gambar 4. 9 Citra Threshold

3. Ekstraksi Ciri Tekstur

Proses ekstraksi ciri tekstur dapat dilakukan setelah proses resizing

citra selesai. Proses ini berguna untuk mengekstraksi ciri pembeda

yang ada pada citra. Ekstraksi ciri tekstur yang digunakan pada

penelitian ini yaitu Gray Level Co-Occurrence Matrix (GLCM)

dengan parameter yang dihasilkan adalah nilai Contrast, Correlation,

Energy dan Homogeneity. Hasil dari ekstraksi tersebut akan

menghasilkan suatu nilai yang menjadi parameter yang akan

dibutuhkan untuk proses klasifikasi citra

4. Klasifikasi

Klasifikasi dilaukan dengan menggunakan algoritma Support Vector

Machine (SVM). Data dikelompokan untuk mendapatkan hasil

identifikasi perbedaan daun mangga harummanis, daun mangga

nangklawang, dan daun mangga manalagi.

4.3. Collection of Input Data

Dalam penelitian ini data sampel citra daun mangga yang peneliti

gunakan sebanyak 45 (empat puluh) buah sampel citra daun mangga yang

terdiri dari 15 buah citra daun mangga harummanis, 15 buah citra daun mangga

nangklawang, dan 15 buah citra daun mangga manalagi.

Berikut merupakan sampel citra yang peneliti gunakan merupakan

gambar peneliti telah menentukan data input yang digunakan antara lain:

55


Tabel 4. 2 Data Sampel Citra Input

No. Nama Citra

Ukuran Citra

250 x 250

piksel 150 x 150 piksel

1. Daun Mangga

Harummanis

2. Daun Mangga

Harummanis

3.

Daun Mangga

Harummanis

4.

Daun Mangga

Harummanis

5.

Daun Mangga

Harummanis

56


6.

Daun Mangga

Harummanis

7.

Daun Mangga

Harummanis

8.

Daun Mangga

Harummanis

9.

Daun Mangga

Harummanis

10.

Daun Mangga

Harummanis

11

Daun Mangga

Harummanis

12

Daun Mangga

Harummanis

57


13

Daun Mangga

Harummanis

14

Daun Mangga

Harummanis

15

Daun Mangga

Harummanis

No. Nama Citra

Ukuran Citra

250 x 250


16. Daun Mangga

Nangklawang

17. Daun Mangga

Nangklawang

18. Daun Mangga

Nangklawang

58


19. Daun Mangga

Nangklawang

20. Daun Mangga

Nangklawang

21. Daun Mangga

Nangklawang

22. Daun Mangga

Nangklawang

23. Daun Mangga

Nangklawang

24. Daun Mangga

Nangklawang

25. Daun Mangga

Nangklawang

59


26 Daun Mangga

Nangklawang

27 Daun Mangga

Nangklawang

28 Daun Mangga

Nangklawang

29 Daun Mangga

Nangklawang

30 Daun Mangga

Nangklawang

No. Nama Citra

Ukuran Citra

250 x 250


31. Daun Mangga

Manalagi

32. Daun Mangga

Manalagi

60


33. Daun Mangga

Manalagi

34. Daun Mangga

Manalagi

35. Daun Mangga

Manalagi

36. Daun Mangga

Manalagi

37. Daun Mangga

Manalagi

61


38. Daun Mangga

Manalagi

39. Daun Mangga

Manalagi

40. Daun Mangga

Manalagi

41 Daun Mangga

Manalagi

42 Daun Mangga

Manalagi

43 Daun Mangga

Manalagi

44 Daun Mangga

Manalagi

62


45 Daun Mangga

Manalagi

4.4. Modelling

4.4.1. Perhitungan Manual Konversi Citra RGB ke Grayscale

Berikut ini adalah tahap – tahap perhitungan konversi citra RGB

ke grayscale dengan menggunakan rumus y = 0.229R + 0.587G +

0.114B. Diketahui sebuah citra RGB memiliki tiga komponen

warna yaitu R = red, G = green dan B = blue dimana ketiga

komponen tersebut memiliki nilai matriks yakni sebagai berikut:

Tabel 4. 3 Perhitungan RGB ke Grayscale

R = 48

G = 28

B = 17

R = 52

G = 35

B = 15

R = 45

G = 28

B = 12

R = 38

G = 20

B = 8

R = 41

G = 22

B = 15

R = 43

G = 26

B = 16

R = 38

G = 23

B = 16

R = 35

G = 20

B = 13

R = 37

G = 18

B = 6

R = 40

G = 23

B = 15

R = 37

G = 20

B = 14

R = 27

G = 14

B = 8

R = 35

G = 18

B = 11

R = 33

G = 18

B = 11

R = 44

G = 30

B = 21

R = 41

G = 23

B = 16

R = 26

G = 15

B = 11

R = 36

G = 23

B = 17

R = 36

G = 23

B = 17

R = 42

G = 28

B = 21

R = 44

G = 30

B = 19

R = 31

G = 22

B = 17

R = 38

G = 27

B = 23

R = 39

G = 26

B = 20

R = 46

G = 31

B = 24

Ubahlah citra RGB di atas menjadi citra grayscale dengan

menggunakan rumus y = 0.229R + 0.587G + 0.114B?

Jawab:

RGB[1,1]=(0.299x48)+(0.587x28)+(0.114x17) = 32.726 = 33

RGB[1,2]=(0.299x52)+(0.587x35)+(0.114x15) = 37.803 = 38

RGB[1,3]=(0.299x45)+(0.587x28)+(0.114x12) = 31.259 = 32

RGB[1,4]=(0.299x38)+(0.587x20)+(0.114x8) = 24.014 = 24

RGB[1,5]=(0.299x41)+(0.587x22)+(0.114x15) = 26.883 = 27

63


RGB[2,1]=(0.299x43)+(0.587x26)+(0.114x16) = 29.943 = 30

RGB[2,2]=(0.299x38)+(0.587x23)+(0.114x16) = 26.687 = 27

RGB[2,3]=(0.299x35)+(0.587x20)+(0.114x13) = 23.687 = 24

RGB[2,4]=(0.299x37)+(0.587x18)+(0.114x6) = 22.313 = 22

RGB[2,5]=(0.299x40)+(0.587x23)+(0.114x15) = 27.171 = 27

RGB[3,1]=(0.299x37)+(0.587x20)+(0.114x14) = 24.399 = 24

RGB[3,2]=(0.299x27)+(0.587x14)+(0.114x8) = 17.203 = 17

RGB[3,3]=(0.299x35)+(0.587x18)+(0.114x11) = 22.285 = 22

RGB[3,4]=(0.299x33)+(0.587x18)+(0.114x11) = 21.687 = 22

RGB[3,5]=(0.299x44)+(0.587x30)+(0.114x21) = 33.16 = 33

RGB[4,1]=(0.299x41)+(0.587x23)+(0.114x16) = 27.584 = 27

RGB[4,2]=(0.299x26)+(0.587x15)+(0.114x11) = 17.833 = 18

RGB[4,3]=(0.299x36)+(0.587x23)+(0.114x17) = 26.203 = 26

RGB[4,4]=(0.299x36)+(0.587x23)+(0.114x17) = 26.203 = 26

RGB[4,5]=(0.299x42)+(0.587x28)+(0.114x21) = 31.388 = 31

RGB[5,1]=(0.299x44)+(0.587x30)+(0.114x19) = 32.932 = 33

RGB[5,2]=(0.299x31)+(0.587x22)+(0.114x17) = 24.121 = 24

RGB[5,3]=(0.299x38)+(0.587x27)+(0.114x23) = 29.833 = 30

RGB[5,4]=(0.299x39)+(0.587x26)+(0.114x20) = 29.203 = 29

RGB[5,5]=(0.299x46)+(0.587x31)+(0.114x24) = 34.687 = 35

Maka hasil dari citra grayscalenya adalah sebagai berikut:

33 38 32 24 27

30 27 24 22 27

24 17 22 22 33

27 18 26 26 31

33 24 30 29 35

64


4.4.2. Perhitungan Manual Median Filter 3x3

Berikut ini adalah tahap-tahap perhitungan median filter yang akan

diterapkan pada program MATLAB. Citra keabuan f(x,y) yang berukuran

5x5 mempunyai skala keabuan hendak diproses menggunakan filter

median berukuran 3x3. Prosesnya adalah sebagai berikut:

18 23 17 9 12

15 12 9 7 12

9 2 7 7 18

12 3 11 11 16

18 9 15 14 20

Hasil proses h(x,y) dihitung sebagai berikut:

18 23 17

15 12 9

9 2 7

1. Pilih f(x,y) berukuran 3x3 pada citra berukuran 5x5 dimulai dari

pojok kiri atas. Kemudian cari nilai tengah dari piksel-piksel

tersebut. Dalam contoh ini nilai tengah ditandai dengan blok hitam.

Artinya nilai intensitas titik ini akan diganti dengan intensitas hasil

pengurutan yang dipilih. Semula nilai intensitas semua tetangga

diurutkan dahulu menjadi:

2, 7, 9, 9, 12, 15, 17, 18, 23

Hasil pemilihan filter median (nilai tengah) adalah h = 12, sehinga

12 diganti oleh 12, tempatkan pada matrik yang baru, hasilnya adalah

:

18 23 17 9 12

15 11 12

9 18

12 16

65


18 9 15 14 20

2. Nilai-nilai piksel filter 3x3 ke 2

23 17 9

12 9 7

2 7 7

Setelah diurutkan : 2, 7, 7, 7, 9, 9, 12, 17, 23

Hasil filter median adalah = 9

9 diganti oleh 9, tempatkan pada matriks yang baru, hasilnya adalah:

18 23 17 9 12

15 11 9 12

9 18

12 16

18 9 15 14 20


17 9 12

9 7 12

7 7 18



7 diganti oleh 9, tempatkan pada matrik yang baru, hasilnya adalah:

18 23 17 9 12

15 11 9 9 12

9 18

12 16

18 9 15 14 20

66



15 12 9

9 2 7

12 3 11



2 diganti oleh 9, tempatkan pada matrik yang baru, hasilnya adalah :

18 23 17 9 12

15 11 9 9 12

9 9 18

12 16

18 9 15 14 20


12 9 7

2 7 7

3 11 11




18 23 17 9 12

15 11 9 9 12

9 9 7 18

12 16

18 9 15 14 20


67


9 7 12

7 7 18

11 11 16




:

18 23 17 9 12

15 11 9 9 12

9 9 7 11 18

12 16

18 9 15 14 20


9 2 7

12 3 11

18 9 15




18 23 17 9 12

15 11 9 9 12

9 9 7 11 18

12 9 16

18 9 15 14 20


2 7 7

68


3 11 11

9 15 14




18 23 17 9 12

15 11 9 9 12

9 9 7 11 18

12 9 9 16

18 9 15 14 20


7 7 18

11 11 16

15 14 20




:

18 23 17 9 12

15 11 9 9 12

9 9 7 11 18

12 9 9 14 16

18 9 15 14 20

4.4.3. Perhitungan Manual Gray Level Co-Occurrence Matrix

(GLCM)

Langkah-langkah perhitungan manual dengan menggunakan

metode ekstraksi fitur dijelaskan sebagai berikut :

69


Diberikan Matriks M berdimensi 5x5

1 1 1 1 2

1 1 2 2 2

3 3 3 3 0

0 0 0 0 1

1 1 1 1 0

Menentukan hubungan spasial antar piksel dengan inisiasi nilai

jarak (d) dan nilai sudut. Hubungan spasial Jarak 1 dan Sudut 0o,

45o, 90

o dan 135

o.

Menghitung matriks kookurensi dan dipindahkan ke area kerja

baru.

0 1 2 3 4

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

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

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

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

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

0 1 2 3 4

0 3 1 0 0 0

1 0 4 2 0 0

2 0 0 2 0 0

3 1 0 0 3 0

4 1 0 0 0 3

0 1 2 3 4

0 1 1 1 1 2

1 1 1 2 2 2

2 3 3 3 3 0

3 0 0 0 0 1

4 4 4 4 4 0

Gambar 4. 10 Pembentukan GLCM Jarak 1 dan Sudut 0o

0 1 2 3 4

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

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

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

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

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

0 1 2 3 4

0 0 0 0 3 0

1 0 2 0 0 0

2 0 1 1 0 0

3 0 1 3 0 0

4 0 1 0 0 0

0 1 2 3 4

0 1 1 1 1 2

1 1 1 2 2 2

2 3 3 3 3 0

3 0 0 0 0 1

4 4 4 4 4 0


Piksel Citra Asli Komposisi Piksel Jumlah Pasangan Piksel


70


0 1 2 3 4

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

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

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

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

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

0 1 2 3 4

0 0 1 1 4 0

1 1 2 0 0 0

2 0 2 1 0 0

3 0 2 2 0 0

4 4 0 0 0 0

0 1 2 3 4

0 1 1 1 1 2

1 1 1 2 2 2

2 3 3 3 3 0

3 0 0 0 0 1

4 4 4 4 4 0


0 1 2 3 4

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

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

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

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

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

0 1 2 3 4

0 1 0 1 3 0

1 0 1 0 1 0

2 0 3 0 0 0

3 0 2 1 0 0

4 3 0 0 0 0

0 1 2 3 4

0 1 1 1 1 2

1 1 1 2 2 2

2 3 3 3 3 0

3 0 0 0 0 1

4 4 4 4 4 0


Menjumlahkan matriks kookurensi dengan matriks transposnya

Hasil GLCM 0 + Matriks Transpos 0

= Hasil Penjumlahan 0

[ ]

[ ]

[ ]


= Hasil Penjumlahan

45



71


[ ]

[ ]

[ ]


= Hasil Penjumlahan

90

[ ]

[ ]

[ ]


= Hasil Penjumlahan

135

[ ]

[ ]

[ ]

Normalisasi matriks hasil penjumlahan dengan dua langkah:

Menjumlahkan Semua elemen matriks dari hasil GLCM

Membagi nilai elemen matriks terhadap hasil penjumlahan

matriks GLCM dan meletakkan kembali elemen matriks pada

posisi yang bersesuaian.

Hasil Penjumlahan GLCM Sudut 0 =

Total = 6 + 1 + 0 + 1 + 1 + 1 + 8 + 2 + 0 + 0 + 0 + 2 + 4 + 0 + 0

+ 1 + 0 + 0 + 6 + 0 + 1 + 0 + 0 + 0 + 6 = 38

Hasil Normalisasi Matriks GLCM Sudut 0 :

0,158 0,026 0 0,026 0,026

0,026 0,210 0,052 0 0

72


0 0,052 0,105 0 0

0,026 0 0 0,158 0

0,026 0 0 0 0,026


Total = 0 + 0 + 0 + 3 + 0 + 0 + 4 + 1 + 1 + 1 + 0 + 1 + 2 + 3 + 0

+ 3 + 1 + 3 + 0 + 0 + 0 + 1 + 0 + 0 + 0 = 24


0 0 0 0,125 0

0 0,167 0,041 0,041 0,041

0 0,041 0,083 0,125 0

0,125 0,041 0,125 0 0

0 0,041 0 0 0


Total = 0 + 2 + 1 + 4 + 4 + 2 + 4 + 2 + 2 + 0 + 1 + 2 + 2 + 2 + 0

+ 4 + 2 + 2 + 0 + 0 + 4 + 0 + 0 + 0 + 0 = 40


0 0,05 0,025 0,1 0,1

0,05 0,1 0,05 0,05 0

0,025 0,05 0,05 0,05 0

0,1 0,05 0,05 0 0

0,1 0 0 0 0

73



Total = 2 + 0 + 1 + 3 + 3 + 0 + 2 + 3 + 3 + 0 + 1 + 3 + 0 + 1 + 0

+ 3 + 3 + 1 + 0 + 0 + 3 + 0 + 0 + 0 + 0 = 32


0,062 0 0,031 0,093 0,093

0 0,062 0,031 0,031 0

0,031 0,093 0 0,031 0

0,093 0,093 0,031 0 0

0,093 0 0 0 0

Menghitung nilai fitur ekstraksi GLCM dari hasil normalisasi

Berikut perhitungan nilai fitur ekstraksi GLCM untuk sudut 45:


0 0 0 0,125 0

0 0,167 0,041 0,041 0,041

0 0,041 0,083 0,125 0

0,125 0,041 0,125 0 0

0 0,041 0 0 0

Contrast =

= 4,561

mean i =

mean j =

=3,66

varian j =

varian i =

74


varian = 2,15

standart deviasi = √ = 3,50

Correlation =

= 0,8098

Energy/ ASM =

Energy/ ASM = (0)2 + (0)

2 + (0)2 + (0,125)

2 + (0)2 + (0)

2 + (0,167)2 +

(0,041)2 + (0,041)

2 + (0,041)2 + (0)

2 + (0,041)2 + (0,083)

2 + (0,125)2 + (0)

2

+ (0,125)2 + (0,041)

2 + (0,125)2 + (0)

2 + (0)2 + (0)

2 + (0,041)2 + (0)

2 + (0)2

+ (0)2 = 0,2602

Homogeneity/ IDM =

= 0,912

5. Pengklasifikasian dengan Support Vector Machine (SVM)

Untuk melakukan klasifikasi citra daun mangga, penulis menggunakan

metode Support Vector Machine. Metode SVM yang digunakan adalah

One-Against-All. Klasifikasi dengan metode One-Against-All dilakukan

berdasarkan banyaknya jumlah kelas (grup), yakni akan terdapat 3 kali

klasifikasi. Saat data uji diinputkan, SVM akan membandingkan data uji

dengan semua grup dari data latih hingga data uji tersebut masuk ke dalam

suatu grup yang spesifik. Klasifikasi ini menentukan jenis daun mangga

dari inputan yang dimasukkan, antara daun mangga harummanis,

nangklawang, dan manalagi. Adapun langkah-langkahnya sebagai berikut:

75


1. Buat inisialisasi permasalahan SVM sebagai AxB, dimana A = k

dan B = {k+1,k+2,…,n} dan k=1, k adalah banyak kelas. Dan

untuk tes vektor adalah T. Lalu kelas = klasifikasi (SVM(A,B),T).

2. Input : x = { x1, x2,...,xn }

Data citra daun mangga sebanyak 45 buah citra dengan masukan

parameter fitur tekstur GLCM sebagai atribut, yaitu contrast,

correlation, energy, dan homogeneity. Jumlah kelas k = 4 terdiri

atas :

Kelas 1 = Daun mangga Harummanis

Kelas 2 = Daun mangga Nangklawang

Kelas 3 = Daun mangga Manalagi

Tabel 4. 4 Parameter yang digunakan

Citra Contrast Correlation Energy Homogeneity

1 Nilai Nilai Nilai Nilai


......... ......... ......... .........

......... ......... ......... .........


Total Sampel Citra 45

3. Apabila x1 = 1, maka x1 merupakan jenis klasifikasi A, dimana nilai

A merupakan k=1.

4. Apabila x1 = -1, maka x1 akan diuji dengan B, dimana nilai B

merupakan {k+1,k+2,...,n}.

5. Proses klasifikasi akan berhenti saat x menemukan kelas actual

yang sesuai dengan nilai T. Sebaliknya, apabila x belum

menemukan kelas yang sesuai maka akan kembali ke langkah 4.

4.5. Simulation

Proses simulasi dilakukan berdasarkan model konseptual yang telah

dibuat pada tahap sebelumnya. Adapun penjelasan simulasi dengan langkah-

76


langkah sebagai berikut:

1. Akuisisi Citra

Proses awal tahapan klasifikasi jenis daun mangga dimulai dari

akuisisi citra daun mangga. Format citra yang digunakan adalah

*.jpg dengan tipe RGB. Berikut kode program akuisisi citra:

2. Preprocessing

Setelah proses akuisisi citra, citra RGB di konversi ke citra

grayscale. Berikut ini kode program untuk konversi ke grayscale.

Setelah menjadi citra grayscale, kemudian citra ditingkatkan

kualitasnya dengan Contrast Stretching, kemudian citra dilakukan

edge thresholding untuk menampakkan garis tepi tekstur tulang

daun mangga dan di haluskan dengan menggunakan Median Filter

5x5. Berikut ini kode program untuk preprocessing :

3. Ekstraksi Tekstur

Fungsi ekstraksi ciri tekstur pada penelitian ini menggunakan

metode Gray Level Co-Occurrence Matrix (GLCM). GLCM

memiliki fungsi untuk mendapatkan nilai contrast, correlation,

energy, dan homogeneity. Berikut kode program fungsi ekstraksi

fitur :

[filename, pathname] = uigetfile({'*.jpeg;*.jpg','File Citra..

(*.jpeg,*.jpg)'; '*.jpg','File jpeg (*.jpg)'; '*.*','Semua File (*.*)'},... 'Buka File Citra Asli'); Img = imread(fullfile(pathname,filename));

handles.RGB_Img = Img;

RGB ke Grayscale

grayscale = rgb2gray(handles.RGB_Img);

% Meningkatkan kontras dengan Contrast Stretching adjusted_img = imadjust(grayscale,stretchlim(grayscale),[]); %edge threshold imM = edge(adjusted_img); % Menghaluskan Citra filter = medfilt2(adjusted_img,[5 5]);

77


4. Klasifikasi dengan Support Vector Machine (SVM)

1. Klasifikasi yang digunakan dalam penelitian ini adalah metode

Support Vector Machine (SVM). Proses identifikasi citra daun

mangga ini, dilakukan setelah proses ekstraksi tekstur. Pada fungsi

ini, sistem akan mencocokkan data uji dengan data latih yang

tersimpan dalam database, untuk mengetahui citra daun mangga

yang tergabung dalam kelompok manakah pada data uji ini. Dalam

proses klasifikasi ini, hasilnya akan dikelompokan menjadi 3 jenis,

termasuk dalam kategori

%Ekstraksi Tekstur pixel_dist = 1; GLCM = graycomatrix(Closing,'Offset',...

[0 pixel_dist; -pixel_dist pixel_dist; -pixel_dist 0;-

pixel_dist -pixel_dist] ],'NumLevels',256, 'GrayLimits',[1 256]); Data_Uji = graycoprops(GLCM,{'contrast','correlation',

'energy','homogeneity'});

Contrast = Data_Uji.Contrast; Correlation = Data_Uji.Correlation; Energy = Data_Uji.Energy; Homogeneity = Data_Uji.Homogeneity;

MContrast = mean(Contrast); MCorrelation = mean(Correlation); MEnergy = mean(Energy); MHomogeneity = mean(Homogeneity);

Uji_GLCM = [MContrast MCorrelation MEnergy MHomogeneity];

if hasil_klasifikasi == 1 R1 = 'Harummanis '; set(handles.edHasil,'string',R1); helpdlg('Teridentifikasi sebagai Daun Harummanis'); disp(' Harummanis '); elseif hasil_klasifikasi == 2 R2 = 'Nangklawang'; set(handles.edHasil,'string',R2); helpdlg('Teridentifikasi sebagai Daun Nangklawang'); disp('Nangklawang'); elseif hasil_klasifikasi == 3 R3 = 'Manalagi'; set(handles.edHasil,'string',R3); helpdlg('Teridentifikasi sebagai Daun Manalagi'); disp('Manalagi');

end

78

BAB V

HASIL DAN PEMBAHASAN

5.1. Verify and Validate the Model and Simulation

Pada tahap verification dilakukan pengecekan kembali kesesuaian proses

simulasi pada program dengan menerapkan metode esktraksi ciri tekstur Gray

Level Co-Occurrence Matrix (GLCM) dengan parameter nilai yang dihasilkan

yaitu contrast, correlation, energy, dan homogeneity, serta klasifikasi dengan

Support Vector Machine. Hal ini bertujuan untuk memastikan bahwa proses

simulasi menggunakan teknik pengolahan citra digital yang diterapkan telah

benar. Berikut merupakan hasil antarmuka program :

1. Tampilan Antarmuka Halaman Utama

Tampilan halaman utama muncul saat program baru dijalankan juga

merupakan tampilan yang digunakan untuk klasifikasi daun mangga sesuai

citra yang diinputkan dengan menggunakan metode GLCM dan Support

Vector Machine, Tampilan halaman utama dapat dilihat pada gambar 5.1

Gambar 5. 1 Tampilan Utama

79


2. Tampilan Antarmuka Hasil Input Citra

Proses input citra dilakukan dengan memilih tombol “Input Citra”. Berikut

merupakan tampilan hasil input citra yang berhasil diinputkan kedalam

program yang dapat dilihat pada gambar 5.2.

Gambar 5. 2 Tampilan Hasil Input Citra

3. Tampilan Antarmuka Hasil konversi citra RGB ke dalam bentuk grayscale

dapat dilihat pada gambar 5.3.

Gambar 5. 3 Tampilan Konversi citra ke RGB

80


4. Tampilan Antarmuka Hasil Perbaikan citra dan Thresholding

Berikut hasil perbaikan citra dan segmentasi menggunakan Edge

Threshold dapat dilihat pada gambar 5.4.

Gambar 5. 4 Tampilan Hasil Perbaikan Citra dan Thresholding

5. Tampilan Antarmuka Ekstraksi Ciri Tesktur

Pada proses ini program menampilkan nilai hasil ekstraksi ciri GLCM.

Nilai ekstraksi ditampilkan dalam bentuk tabel. Tampilan saat memilih

tombol “Ekstraksi Tekstur” dapat dilihat pada gambar 5.5.

Gambar 5. 5 Tampilan Ekstraksi Ciri Tesktur

81


6. Tampilan Antarmuka Hasil Klasifikasi.

Pada proses ini program menampilkan hasil klasifikasi menggunakan

Support Vector Machine yang mana parameternya adalah nilai dari

ekstraksi ciri tekstur dapat dilihat pada gambar 5.6.

Gambar 5. 6 Tampilan Hasil Klasifikasi

Selanjutnya, tahap validasi dilakukan dengan cara menganalisis tekstur

tulang daun pada citra daun mangga untuk memastikan bahwa model dan attribut

pengujian sudah valid dengan mencirikan setiap objek. Analisis tekstur dilakukan

menggunakan 32 sampel citra Daun Mangga yang telah dikumpulkan. Adapun

proses validasi dimulai dari tahapan proses input citra, mengkonversi citra RGB

menjadi Grayscale, mengekstraksi fitur tekstur citra dengan memanfaatkan

matriks GLCM, segmentasi, dan mengklasifikasi citra daun mangga

menggunakan metode klasifikasi Support Vector Machine. Pada tabel 5.1

merupakan nilai dari 4 parameter hasil ekstraksi fitur digunakan untuk proses

klasifikasi.

82


Tabel 5. 1 Hasil Ekstraksi Fitur Citra Input Berdimensi 250x250

No Jenis Citra

Daun

Citra RGB Grayscale Perbaikan

Citra

Threshold Nilai Fitur

Contrast

Nilai Fitur

Correlation

Nilai Fitur

Energy

Nilai Fitur

Homogeneity

1

16

Harummanis.

JPG

210.9837

0.9617

0.0038961

0.36813

2.

17

Harummanis

rev.JPG

65.7586

0.97981

0.0018251

0.41389

3.

18

Harummanis.

JPG

62.6551

0.96389

0.0024254

0.40526

83


4. 20

Harummanis.

JPG

126.9417

0.93873

0.0051385

0.40363

5.

22

Harummanis.

JPG

68.9743

0.9466

0.0066084

0.4485

6.

23

Harummanis.

JPG

67.9392

0.97022

0.0022729

0.39939

7.

24

Harummanis.

JPG

85.4174

0.96895

0.0017195

0.37271

84


8.

25

Harummanis.

JPG

72.5427

0.97225

0.0017972

0.38058

9.

26

Harummanis.

JPG

67.8923

0.97341

0.0016823

0.39544

10.

30

Harummanis.

JPG

43.5979

0.99392

0.0014067

0.4305

11

28

Harummanis.

JPG

84.6381

0.95824

0.0023895

0.38644

85


12

32

Harummanis.

JPG

74.7588

0.96521

0.0019037

0.39114

13

33

Harummanis.

JPG

166.9073

0.92588

0.0059218

0.39863

14.

16

Nangklawang

.JPG

42.6459

0.94118

0.010176

0.50865

15.

17

Nangklawang

.JPG

52.7618

0.98621

0.0013153

0.41142

86


16.

18

Nangklawang

.JPG

31.1807

0.98756

0.0028554

0.46237

17.

19

Nangklawang

.JPG

55.372

0.98858

0.00098028

0.41114

18.

20

Nangklawang

.JPG

35.2151

0.99229

0.001306

0.44126

19.

35

Nangklawang

.JPG

60.1691

0.95893

0.0058154

0.4381

87


20.

37

Nangklawang

.JPG

52.1642

0.979

0.0034371

0.42206

21.

38

Nangklawang

.JPG

97.8587

0.95883

0.0047624

0.42281

22.

40

Nangklawang

.JPG

35.2183

0.98975

0.0013964

0.44489

23.

43

Nangklawang

.JPG

66.2222

0.96417

0.0033833

0.41352

88


24.

16

Manalagi.

JPG

47.0699

0.98759

0.0020675

0.41243

25.

17

Manalagi.

JPG

42.0239

0.98895

0.0025569

0.42522

26.

18

Manalagi.

JPG

67.1596

0.97522

0.0039781

0.40748

27.

19

Manalagi.

JPG

50.3687

0.98322

0.0039746

0.44023

89


28.

20

Manalagi.

JPG

51.3547

0.98548

0.004594

0.44857

29.

22

Manalagi.

JPG

53.688

0.98364

0.0015188

0.40142

30.

24

Manalagi.

JPG

67.2977

0.97675

0.0031011

0.4042

31.

29

Manalagi.

JPG

60.8196

0.98965

0.0019246

0.39746

90


32.

32

Manalagi.

JPG

55.0743

0.98236

0.0025805

0.4074

91


5.2. Design of Experiment

Setelah mendapatkan nilai fitur, tahap selanjutnya adalah dilakukan pada

32 sampel citra Daun Mangga. Terdapat 7 skenario dalam percobaan ini yang

tertera pada tabel 5.2

Tabel 5. 2 Skenario Pengujian

No. Fitur Jumlah Sampel Dimensi

Citra

Tujuan

1 Contrast,

Correlation,

Energy, dan

Homogeneity

2 Jenis Daun Manga

yakni, 10 citra Daun

Mangga Harummanis, 10

citra Daun Mangga

Nangklawang

250x250 Mengetahui

akurasi klasifikasi

jika fitur yang

diguanakan

adalah Contrast,

Correlation,

Energy, dan

Homogeneity

2 Contrast,

Correlation,

Energy, dan

Homogeneity

2 Jenis Daun Mangga



citra Daun Mangga

Manalagi

250x250 Mengetahui

akurasi klasifikasi

jika fitur yang

diguanakan

adalah Contrast,

Correlation,

Energy, dan

Homogeneity

3 Contrast,

Correlation,

Energy, dan

Homogeneity

2 Jenis Daun Mangga


Mangga Nangklawang, 10

citra Daun Mangga

Manalagi

250x250 Mengetahui

akurasi klasifikasi

jika fitur yang

diguanakan

adalah Contrast,

Correlation,

Energy, dan

Homogeneity

92


4 Contrast,

Correlation,

Energy, dan

Homogeneity

3 Jenis Daun Mangga



citra Daun Mangga

Nangklawang, dan 9 citra

Daun Mangga Manalagi

250x250 Mengetahui

akurasi klasifikasi

jika fitur yang

diguanakan

adalah Contrast,

Correlation,

Energy, dan

Homogeneity

5 Contrast,

Correlation,

Energy, dan

Homogeneity

3 Jenis Daun Mangga



citra Daun Mangga



150x150 Mengetahui

akurasi klasifikasi

jika fitur yang

diguanakan

adalah Contrast,

Correlation,

Energy, dan

Homogeneity

6 Contrast, dan

Correlation

3 Jenis Daun Mangg



citra Daun Mangga



250x250 Mengetahui

akurasi klasifikasi

jika fitur yang

diguanakan

adalah Contrast,

dan Correlation

7 Energy, dan

Homogeneity

3 Jenis Daun Mangga



citra Daun Mangga



250x250 Mengetahui

akurasi klasifikasi

jika fitur yang

diguanakan

adalah Energy,

dan Homogeneity

93


5.3. Execute Simulation and Analyze Output

Dalam menganalisis citra Daun Mangga, ciri fitur atau citra didapatkan

melalui proses ekstraksi fitur dengan menggunakan metode Gray Level Co-

Occurrence Matrix (GLCM), dan Algoritma Support Vector Machine. Pada

proses ekstraksi fitur GLCM akan dihasilkan nilai ciri citra dengan empat

parameter contrast, correlation, energy, dan homogeneity. Nilai parameter dari

seluruh citra tersebut yang akan menentukan jenis Daun Mangga. Selanjutnya,

nilai ciri seluruh citra akan diproses sebagai masukan untuk proses

pengelompokan citra menggunakan Algoritma Support Vector Machine dengan

output berupa hasil klasifikasi.

1. Skenario I

Pada skenario 1 dilakukan percobaan menggunakan 2 jenis Daun

Mangga yakni, Harummanis dan Nangklawang dengan 30 data training dan 20

data testing citra Daun Mangga dengan ukuran gambar 250 x 250 piksel. Dengan

perhitungan yang telah dijelaskan pada bab sebelumnya didapat hasil sebagai

berikut:

94


Tabel 5. 3 Hasil Percobaan Skenario 1

No Nama File Citra Nilai

Contrast

Nilai

Correlation Nilai Energy

Nilai

Homogeneity Daun Mangga Klasifikasi

1 16 Harummanis.JPG 210.9837 0.9617 0.0038961 0.36813 Harummanis Benar

2 17 Harummanis.JPG 65.7586 0.97981 0.0018251 0.41389 Nangklawang Salah









11 16 Nangklawang.JPG 42.6459 0.94118 0.010176 0.50865 Nangklawang Benar


95





16 35 Nangklawang.JPG 60.1691 0.95893 0.0058154 0.4381 Harummanis Salah





Keterangan:

Daun Mangga Harummanis

Daun Mangga Nangklawang

Salah

96


Tabel 5. 4 Output Kesalahan Hasil Klasifikasi Skenario 1

Percobaan ke - Nama Citra Hasil

Klasifikasi

Keterangan

2 17 Harummanis.JPG Nangklawang Salah



16 35 Nangklawang.JPG Harummanis Salah



Dari hasil klasifikasi pada skenario 1, yaitu menggunakan 30 data training

dan 20 data testing citra daun mangga harummanis dan nangklawang, dengan

ukuran 250 x 250 piksel dan diklasifikasikan berdasarkan ekstraksi ciri tekstur

GLCM. Pada skenario 1 terdapat 6 data yang salah pada saat diklasifikasi.Dari

hasil percobaan yang dilakukan untuk klasifikasi citra Daun Mangga

menggunakan fitur GLCM (Contrast, Correlation, Energy dan Homogeneity)

didapat hasil akurasi sebesar 70%. Perhitungan nilai akurasi diperoleh dari

persamaan berikut.

97


2. Skenario 2

Pada skenario 2 dilakukan percobaan menggunakan 2 jenis Daun Mangga

yakni, Harummanis dan Manalagi dengan 30 data training dan 20 data testing

citra Daun Mangga dengan ukuran gambar 250 x 250 piksel. Dengan perhitungan

yang telah dijelaskan pada bab sebelumnya didapat hasil sebagai berikut:

98




Contrast

Nilai


Nilai











10 30 Harummanis.JPG 43.5979 0.99392 0.0014067 0.4305 Manalagi Salah

11 16 Manalagi.JPG 47.0699 0.98759 0.0020675 0.41243 Manalagi Benar


99










Keterangan



Salah

100




Klasifikasi

Keterangan

10 30

Harummanis.JPG

Manalagi Salah


dan 20 data testing citra daun mangga harummanis dan manalagi, dengan ukuran

250 x 250 piksel dan diklasifikasikan berdasarkan ekstraksi ciri tekstur GLCM.

Pada skenario 2 terdapat 1 data yang salah pada saat diklasifikasi.Dari hasil

percobaan yang dilakukan untuk klasifikasi citra Daun Mangga menggunakan

fitur GLCM (Contrast, Correlation, Energy dan Homogeneity) didapat hasil

akurasi sebesar 95%%. Perhitungan nilai akurasi diperoleh dari persamaan

berikut.

3. Skenario 3


Mangga yakni, Nangklawang dan Manalagi dengan 30 data training dan 20 data

testing citra Daun Mangga dengan ukuran gambar 250 x 250 piksel. Dengan

perhitungan yang telah dijelaskan pada bab sebelumnya didapat hasil sebagai

berikut:

101




Contrast

Nilai


Nilai








7 37 Nangklawang.JPG 52.1642 0.979 0.0034371 0.42206 Manalagi Salah






102










Keterangan



Salah

103




Klasifikasi

Keterangan

7 37 Nangklawang.JPG Manalagi Salah


dan 20 data testing citra daun mangga nangklawang dan manalagi, dengan ukuran

250 x 250 piksel dan diklasifikasikan berdasarkan ekstraksi ciri tekstur GLCM.

Pada skenario 3 terdapat 1 data yang salah pada saat diklasifikasi.Dari hasil

percobaan yang dilakukan untuk klasifikasi citra Daun Mangga menggunakan

fitur GLCM (Contrast, Correlation, Energy dan Homogeneity) didapat hasil

akurasi sebesar 95%%. Perhitungan nilai akurasi diperoleh dari persamaan

berikut.

4. Skenario 4


Mangga yakni, Harummanis, Nangklawang dan Manalagi dengan 45 data training

dan 32 data testing citra Daun Mangga dengan ukuran gambar 250 x 250 piksel..

Dengan perhitungan yang telah dijelaskan pada bab sebelumnya didapat hasil

sebagai berikut:

104




Contrast

Nilai


Nilai














105
















106








Keterangan:




Salah

107




Klasifikasi

Keterangan







dan 32 data testing citra daun mangga harummanis, nangklawang dan manalagi,

dengan ukuran 250 x 250 piksel dan diklasifikasikan berdasarkan ekstraksi ciri

tekstur GLCM. Pada skenario 4 terdapat 5 data yang salah pada saat

diklasifikasi.Dari hasil percobaan yang dilakukan untuk klasifikasi citra Daun

Mangga menggunakan fitur GLCM (Contrast, Correlation, Energy dan

Homogeneity) didapat hasil akurasi sebesar 84,4%. Perhitungan nilai akurasi

diperoleh dari persamaan berikut.

5. Skenario 5


Mangga yakni, Harummanis, Nangklawang dan Manalagi dengan 45 data training

dan 32 data testing citra Daun Mangga dengan ukuran gambar 150 x 150 piksel.

108


Dengan perhitungan yang telah dijelaskan pada bab sebelumnya didapat hasil

sebagai berikut:

109




Contrast

Nilai


Nilai













110

















111


27 19 Manalagi.JPG 49.3518 0.98493 0.0041243 0.43034 Nangklawang Salah


29 22 Manalagi.JPG 59.0069 0.98368 0.0015723 0.3891 Nangklawang Salah




Keterangan:




Salah

112




Klasifikasi

Keterangan

1 16 Harummanis.JPG Manalagi Salah







27 19 Manalagi.JPG Nangklawang Salah







Mangga menggunakan fitur GLCM (Contrast, Correlation, Energy dan

Homogeneity) didapat hasil akurasi sebesar 71,9%. Perhitungan nilai akurasi

diperoleh dari persamaan berikut.

113


6. Skenario 6

Pada skenario 6 dilakukan percobaan menggunakan menggunakan 3

jenis Daun Mangga yakni, Harummanis, Nangklawang dan Manalagi

dengan 45 data training dan 32 data testing berdasarkan 2 parameter

ekstraksi ciri GLCM yaitu contrast dan correlation, dengan ukuran citra

sebesar 250 x 250 piksel. Dengan perhitungan yang telah dijelaskan pada

bab sebelumnya didapatkan hasil sebagai berikut :



Contrast

Nilai

Correlation Daun Mangga Klasifikasi

1 16 Harummanis.JPG 210.9837 0.9617 Harummanis Benar

2 17 Harummanis.JPG 65.7586 0.97981 Manalagi Salah












14 16 Nangklawang.JPG 42.6459 0.94118 Harummanis Salah

15 17 Nangklawang.JPG 52.7618 0.98621 Manalagi Salah

114


16 18 Nangklawang.JPG 31.1807 0.98756 Nangklawang Benar








24 16 Manalagi.JPG 47.0699 0.98759 Manalagi Benar

25 17 Manalagi.JPG 42.0239 0.98895 Nangklawang Salah








Keterangan:




Salah

115




Klasifikasi

Keterangan




14 16 Nangkalawang.JPG Harummanis Salah













Mangga menggunakan fitur GLCM (Contrast, dan Correlation) didapat hasil

akurasi sebesar 65,6%. Perhitungan nilai akurasi diperoleh dari persamaan

berikut.

116


7. Skenario 7

Pada skenario 7 dilakukan percobaan menggunakan menggunakan 3

jenis Daun Mangga yakni, Harummanis, Nangklawang dan Manalagi

dengan 45 data training dan 32 data testing berdasarkan 2 parameter

ekstraksi ciri GLCM yaitu Energy dan Correlation, dengan ukuran citra

sebesar 250 x 250 piksel. Dengan perhitungan yang telah dijelaskan pada

bab sebelumnya didapatkan hasil sebagai berikut.



Energy

Nilai











10 30 Harummanis.JPG 0.0014067 0.4305 Nangklawang Salah




117














26 18 Manalagi.JPG 0.0039781 0.40748 Harummanis Salah







118




Klasifikasi

Keterangan













26 18 Manalagi.JPG Harummanis Salah

27 19 Manalagi.JPG Manalagi Salah

28 20 Manalagi.JPG Manalagi Salah





119



Mangga menggunakan fitur GLCM (Energy, dan Homogeneity) didapat hasil

akurasi sebesar 53,12%. Perhitungan nilai akurasi diperoleh dari persamaan

berikut.

Setelah melakukan simulasi dengan 7 skenario, didapatkan hasil akurasi

dari setiap skenario. Hasil dari eksperimen simulasi dapat dilihat pada tabel

dibawah ini.

Tabel 5. 17 Hasil Akurasi Eksperimen

No.

Skenario Parameter Jumlah Sampel

Dimensi

Citra Akurasi

1

Contrast,

Correlation,

Energy,

Homogeneity

2 Jenis Daun

Mangga yakni, 10

citra Harummanis

dan 10 citra

Nangklawang

250x250 70%

2

Contrast,

Correlation,

Energy,

Homogeneity

2 Jenis Daun

Mangga yakni 10

citra Harummanis

dan 10 citra

Manalagi

250x250 95%

3

Contrast,

Correlation,

Energy,

Homogeneity

2 Jenis Daun

Mangga yakni 10

citra Nangklawang

dan 10 citra

Manalagi

250x250 95%

4

Contrast,

Correlation,

Energy,

Homogeneity

3 Jenis Daun

Mangga yakni 13

citra Harummanis,

10 citra

Nangklawang, dan

9 citra Manalagi

250x250 84,40%

5 Contrast, 3 Jenis Daun 150x150 71,9%

120


Correlation,

Energy,

Homogeneity

Mangga 13 citra

Harummanis, 10

citra Nangklawang,

dan 9 citra

Manalagi

6 Contrast, dan

Correlation

3 Jenis Daun

Mangga 13 citra

Harummanis, 10

citra Nangklawang,

dan 9 citra

Manalagi

250x250

65,6%

7 Energy, dan

Homogeneity

3 Jenis Daun

Mangga 13 citra

Harummanis, 10

citra Nangklawang,

dan 9 citra

Manalagi

250x250

53,12%

Dari tabel diatas dapat diketahui bahwa akurasi tertinggi dengan

menggunakan 32 sampel terdapat pada skenario terdapat pada skenario 4 dengan

dimensi 250x250 dengan menggunakan 4 parameter (Contrast, Correlation,

Energy dan Homogeneity) menghasilkan akurasi sebesar 84,40%, serta skenario

5 dengan dimensi 150x150 menghasilkan akurasi lebih rendah yaitu 71,9%.

Penggunaan fitur hanya Contrast dan Correlation menghasilkan akurasi

sebesar 65,6% serta Energy dan Homogeneity mengjasilkan akurasi lebih rendah

yaitu 53,12%.

Perubahan pada dimensi citra mengakibatkan perubahan pada nilai

GLCM pada skenario 4 dan 5 dapat terlihat bahwa akurasi tertinggi dihasilkan

pada percobaan dengan menggunakan dimensi citra 250x250 piksel.

121

BAB VI

PENUTUP

6.1. Kesimpulan

Berdasarkan hasil pembahasan penelitian untuk mengidentifikasi daun

mangga harummanis, daun mangga nangklawang, dan daun mangga manalagi

berdasarkan ekstraksi tekstur Gray Level Co-occurrence Matrix (GLCM) dan

klasifikasi menggunakan metode Support Vector Machine (SVM), maka

kesimpulan yang dapat diambil yaitu sebagai berikut:


dan daun mangga manalagi menggunakan ekstraksi tekstur Gray

Level Co-Occurrence Matrix (GLCM), dan klasifikasi Support

Vector Machine (SVM) menghasilkan akurasi terbaik pada ukuran

citra 250 x 250 piksel, yaitu sebesar 84,40% dan pada ukuran citra

150 x 150 piksel sebesar 71,9 %.


dan daun mangga manalagi tidak bisa hanya menggunakan 2

parameter ekstraksi Gray Level Co-Occurrence Matrix (GLCM),

karena bila menggunakan 2 parameter Gray Level Co-Occurrence

Matrix (GLCM) hasil identifikasi tidak sebaik atau kemungkinan

kecil dibandingkan menggunakan 4 parameter ekstraksi tekstur Gray

Level Co-Occurrence Matrix (GLCM). Pada parameter contrast dan

correlation sebesar 65,6%. Pada parameter energy dan homogeneity

sebesar 53,12 %.

6.2. Saran

Penulis menyadari masih banyak terdapat kekurangan dan keterbatasan

pada penelitian yang telah dilakukan. Oleh karena itu, penulis menyarankan

untuk mengembangkan penelitian ini menjadi lebih baik dengan beberapa poin

berikut:

122


1. Dapat dikembangkan dengan menggunakan metode ekstraksi fitur

lain, seperti ekstraksi warna, atau ekstraksi bentuk.

2. Adanya standar kondisi ideal untuk setiap pengambilan citra daun

mangga dalam segi pencahayaan.

3. Dapat dikembangkan menggunakan metode klasifikasi lain dengan

syarat sampel citra harus lebih banyak.

4. Dapat dikembangkan menjadi aplikasi berbasis mobile, atau

website, agar dapat digunakan oleh masyarakat luas.

123


DAFTAR PUSTAKA

Riska Yulia Suastika, Cahyani Laili, & Rosadi Imron Muhammad, “Klasifikasi

Jenis Tanaman Mangga Gadung dan Mangga Madu Berdasarkan Tulang

Daun”, Jurnal Institut Teknologi Sepuluh November 2013.

Rahayu Puji Arum, Honainah, & Pawening Enggar Ratri, “Klasifikasi Jenis

Mangga Berdasarkan Bentuk dan Tekstur Daun Menggunakan Metode K-

Nearest Neighbor”, Jurnal Polteknik Negeri Malang Volume 8 - ISSN :

2085-2347

Latifa Roimil, “Karakter Morfologi Daun Beberapa Jenis Pohon Penghijauan

Hutan Kota di Kota Malang”, Jurnal Seminar Nasional, Jurusan Biologi

FKIP Universitas Muhammadiyah Malang, Tahun 2015.

Salatin Puspa Nurjanah “Perbanyak Tanaman Mangga (Mangifera indica)

Dengan Cara Cangkok di UPTD B2TPH, Tohudan, Colomadu,

Karanganyar”, Universitas Sebelas Maret Fakultas Pertanian Jakarta,

2012

Ir. Prascaya “Bertanam Mangga”, Cetakan 1 Jakarta, 2012.

Andono, P. N., Sutojo, & Muljono. (2017). Pengolahan Citra Digital.

Yogyakarta:

ANDI.

Angriyasa. (2014). Klasifikasi Tekanan Dalam Rongga Kepala Menggunakan

Support Vector Machines Sequential Klasifikasi Tekanan Dalam Rongga

Kepala Menggunakan Support Vector Machines Sequential.

Banyal, N. A. (2018). Klasifikasi Perkembangbiakan Plasmodium Penyebab

Penyakit Malaria dalam Sel Darah Merah Manusia dengan Menggunakan

124


SVM Di Kota Jayapura, 10(April), 28–32.

Devita Ba'diatan Fitri, Bambang Hidayat & Andri Slamet Subandrio. (2017).

Klasifikasi Jenis Batuan Sedimen Berdasarkan Tekstur Dengan Metode

Gray Lever Co-Occurrence Matrix dan K-NN. Jurnal Telkom University

Vol. 4, No. 2. 1638.

Gollapudi, S. (2016). Practical Machine Learning. Tackle the real-world

complexities of modern machine learning with innovative and cutting-edge

techniques. Packt Publishing. https://doi.org/10.1088/1751-

8113/44/8/085201

Hidayatullah, P. (2017). Pengolahan Citra Digital Teori dan Aplikasinya.

Bandung: Informatika.

Iriyanto, & Zaini. (2014). Pengolahan Citra Digital. Anugrah Utama Raharja.

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

Yogyakarta: ANDI.

MathWorks. (2016). Introducing Machine Learning. Machine Learning with

MATLAB, 12. https://doi.org/10.1111/j.2041-210X.2010.00056.x

Munawarah, R., Soesanto, O., & Faisal, M. R. (2016). Penerapan Metode Support

Vector Machine, 04(01), 103–113. https://doi.org/10.20527/klik.v3i1.39

Notoatmodjo, S. (2012). Metodologi Penelitian Kesehatan (Revisi Cet). Jakarta:

Rineka Cipta.

Landriscina, F. (2013). Simulation and learning: A model-centered approach.

Simulation and Learning: A Model-Centered Approach. New York:

Springer.

Prasetyo, E. (2013). Pengolahan Citra Digital dan Aplikasinya Menggunakan

Matlab. Yogyakarta : Andi.

125


Purnamasari, D., Henharta, J., Sasmita, Y. P., Ihsani, F., & Wicaksana, I. W. S.

(2013). Machine Learning “Get Easy Using WEKA.” Dapur Buku, 1–40.

Pushpalatha, K. N., Kumar, A., Shashikumar, G. D. R., & Shivakumar, K. B.

(2012). Iris Recognition System with Frequency Domain Features

optimized with PCA and SVM Classifier. International Journal of

Computer Science Issues, 9(5), 172–180.

Putra, Darma. (2014). Pengolahan Citra Digital. Yogyakarta: Andi.

Sajjad A. Madani, Kazmi, J., & Mahlknecht, S. (2010). Wireless sensor networks :

modeling and simulation, 1–15.

Sharma, E. K., Priyanka, E., Kalsh, E. A., & Saini, E. K. (2015). GLCM and its

Features. International Journal of Advanced Research in Electronics and

Communication Engineering (IJARECE), 4(8), 2180–2182.

Sugiyono. (2013). Metode Penelitian Kuantitatif, Kualitatif Dan R&D. Bandung:

Alfabeta.

Widodo, P. P., Handayanto, R. T., & Herlawati. (2013). Penerapan Data Mining

Dengan Matlab. Bandung: Rekayasa Sains.

Zaki, M. J. (2014). Data Mining and Analysis. New York: Cambridge University

Press.

126


LAMPIRAN

Lampiran 1

HASIL WAWANCARA

Hari, Tanggal : Jum‟at 8 November 2019

Waktu : 10.30 WIB

Tempat : Toko Trubus Bintaro Jl. Raya Bintaro Jaya Sektor IX

Tangerang

Narasumber : Bapak Yandi Wibowo, S.p. Selaku Kepala Toko

1. Apa saja yang bisa membedakan dari suatu jenis tanaman mangga?

Jawab : Tanaman mangga bisa dibedakan dari buah dan daunnya.

2. Apakah tanaman mangga bisa dibedakan dari daunnya saja?

Jawab : Tanaman mangga bisa dibedakan dari daunnya saja.

3. Apa saja jenis tanaman mangga yang sering dibeli oleh pelanggan?

Jawab : Jenis tanaman mangga yang paling sering dibeli biasanya mangga

harummanis, nangklawang, dan manalagi.

4. Dapatkah foto daun mangga digunakan untuk mengidentifikasi jenis mangga?

Jawab : Foto dapat dijadikan bahan acuan untuk identifikasi jenis tanaman

mangga apabila foto tersebut hasilnya jelas maka saya bisa menentukan jenis

tanaman mangga dan untuk membedakannya bisa dilihat dari bentuk atau

tekstur tulang daun.

5. Apakah dengan adanya aplikasi ini dapat bermanfaat untuk Karyawan di

Toko ini?

Jawab : Dengan adanya alat atau aplikasi tersebut, dapat membantu

Karyawan untuk mengklasifikasikan jenis tanaman mangga berdasarkan dari

tekstur tulang daun. Semoga dengan menggunakan aplikasi ini dapat

mempermudah Karyawan di toko ini dalam mengklasifikasikan jenis tanaman

mangga.

127


Lampiran 2

implementasi metode support vector machine...

Documents