implementasi metode support vector machine...
TRANSCRIPT
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. 12 Output Kesalahan Hasil Klasifikasi Skenario 5 ............................... 112
Tabel 5. 13 Hasil Percobaan Skenario 6 ............................................................. 113
Tabel 5. 14 Output Kesalahan Hasil Klasifikasi Skenario 6 ............................... 115
Tabel 5. 15 Hasil Percobaan Skenario 7 ............................................................. 116
Tabel 5. 16 Output Kesalahan Hasil Klasifikasi Skenario 7 ............................... 118
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
(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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
Gambar 2. 7 Diagram Alir Training SVM
(Sumber : Prasetyo, 2013)
28
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
Kelas 2 Bukan kelas 2 f 2(x) = (w
2)x + b
2
Kelas 3 Bukan kelas 3 f 3(x) = (w
3)x + b
3
Kelas 4 Bukan kelas 4 f 4(x) = (w
4)x + b
4
30
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
3. Sangat sulit bagi
pelanggan untuk
mendefinisikan semua
spesifikasi di awal alur
pengembangan.
4. Pelanggan tidak
mungkin bersabar
mengakomodasi
perubahan yang
diperlukan di akhir
alur pengembangan.
(Rosa & Shalahuddin,
2013)
37
UIN Syarif Hidayatullah Jakarta
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.
(Rosa & Shalahuddin,
2013).
1. Sangat sulit bagi
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
Gambar 4. 1 Pra-Proses Simulasi Sistem
50
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
13
Daun Mangga
Harummanis
14
Daun Mangga
Harummanis
15
Daun Mangga
Harummanis
No. Nama Citra
Ukuran Citra
250 x 250
piksel 150 x 150 piksel
16. Daun Mangga
Nangklawang
17. Daun Mangga
Nangklawang
18. Daun Mangga
Nangklawang
58
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
piksel 150 x 150 piksel
31. Daun Mangga
Manalagi
32. Daun Mangga
Manalagi
60
UIN Syarif Hidayatullah Jakarta
33. Daun Mangga
Manalagi
34. Daun Mangga
Manalagi
35. Daun Mangga
Manalagi
36. Daun Mangga
Manalagi
37. Daun Mangga
Manalagi
61
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
3. Nilai-nilai piksel filter 3x3 ke 3
17 9 12
9 7 12
7 7 18
Setelah diurutkan : 7, 7, 7, 9, 9, 12, 12, 17, 18
Hasil filter median adalah = 9
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
UIN Syarif Hidayatullah Jakarta
4. Nilai-nilai piksel filter 3x3 ke 4
15 12 9
9 2 7
12 3 11
Setelah diurutkan : 2, 3, 7, 9, 9, 11, 12, 12, 15
Hasil filter median adalah = 9
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
5. Nilai-nilai piksel filter 3x3 ke 5
12 9 7
2 7 7
3 11 11
Setelah diurutkan : 2, 3, 7, 7, 7, 9, 11, 11, 12
Hasil filter median adalah = 7
7 diganti oleh 7, tempatkan pada matrik yang baru, hasilnya adalah :
18 23 17 9 12
15 11 9 9 12
9 9 7 18
12 16
18 9 15 14 20
6. Nilai-nilai piksel filter 3x3 ke 6
67
UIN Syarif Hidayatullah Jakarta
9 7 12
7 7 18
11 11 16
Setelah diurutkan : 7, 7, 7, 9, 11, 11, 12, 16, 18
Hasil filter median adalah = 11
7 diganti oleh 11, tempatkan pada matrik yang baru, hasilnya adalah
:
18 23 17 9 12
15 11 9 9 12
9 9 7 11 18
12 16
18 9 15 14 20
7. Nilai-nilai piksel filter 3x3 ke 7
9 2 7
12 3 11
18 9 15
Setelah diurutkan : 2, 3, 7, 9, 9, 11, 12, 15, 18
Hasil filter median adalah = 9
9 diganti oleh 9, tempatkan pada matrik yang baru, hasilnya adalah :
18 23 17 9 12
15 11 9 9 12
9 9 7 11 18
12 9 16
18 9 15 14 20
8. Nilai-nilai piksel filter 3x3 ke 8
2 7 7
68
UIN Syarif Hidayatullah Jakarta
3 11 11
9 15 14
Setelah diurutkan : 2, 3, 7, 7, 9, 11, 11, 14, 15
Hasil filter median adalah = 9
9 diganti oleh 9, tempatkan pada matrik yang baru, hasilnya adalah :
18 23 17 9 12
15 11 9 9 12
9 9 7 11 18
12 9 9 16
18 9 15 14 20
9. Nilai-nilai piksel filter 3x3 ke 9
7 7 18
11 11 16
15 14 20
Setelah diurutkan : 7, 7, 11, 11, 14, 15, 16, 18, 20
Hasil filter median adalah = 14
11 diganti oleh 14, tempatkan pada matrik yang baru, hasilnya adalah
:
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
UIN Syarif Hidayatullah Jakarta
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
Gambar 4. 11 Pembentukan GLCM Jarak 1 dan Sudut 45o
Piksel Citra Asli Komposisi Piksel Jumlah Pasangan Piksel
Piksel Citra Asli Komposisi Piksel Jumlah Pasangan Piksel
70
UIN Syarif Hidayatullah Jakarta
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
Gambar 4. 12 Pembentukan GLCM Jarak 1 dan Sudut 90o
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
Gambar 4. 13 Pembentukan GLCM Jarak 1 dan Sudut 135o
Menjumlahkan matriks kookurensi dengan matriks transposnya
Hasil GLCM 0 + Matriks Transpos 0
= Hasil Penjumlahan 0
[ ]
[ ]
[ ]
Hasil GLCM 45 + Matriks Transpos 45
= Hasil Penjumlahan
45
Piksel Citra Asli Komposisi Piksel Jumlah Pasangan Piksel
Piksel Citra Asli Komposisi Piksel Jumlah Pasangan Piksel
71
UIN Syarif Hidayatullah Jakarta
[ ]
[ ]
[ ]
Hasil GLCM 90 + Matriks Transpos 90
= Hasil Penjumlahan
90
[ ]
[ ]
[ ]
Hasil GLCM 135 + Matriks Transpos 135
= 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
UIN Syarif Hidayatullah Jakarta
0 0,052 0,105 0 0
0,026 0 0 0,158 0
0,026 0 0 0 0,026
Hasil Penjumlahan GLCM Sudut 45 =
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
Hasil Normalisasi Matriks GLCM 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
Hasil Penjumlahan GLCM Sudut 90 =
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
Hasil Normalisasi Matriks GLCM Sudut 90 :
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
UIN Syarif Hidayatullah Jakarta
Hasil Penjumlahan GLCM Sudut 135 =
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
Hasil Normalisasi Matriks GLCM Sudut 135 :
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:
Hasil Normalisasi Matriks GLCM 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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
2 Nilai Nilai Nilai Nilai
......... ......... ......... .........
......... ......... ......... .........
45 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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
32.
32
Manalagi.
JPG
55.0743
0.98236
0.0025805
0.4074
91
UIN Syarif Hidayatullah Jakarta
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
yakni, 10 citra Daun
Mangga Harummanis, 10
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
yakni, 10 citra Daun
Mangga Nangklawang, 10
citra Daun Mangga
Manalagi
250x250 Mengetahui
akurasi klasifikasi
jika fitur yang
diguanakan
adalah Contrast,
Correlation,
Energy, dan
Homogeneity
92
UIN Syarif Hidayatullah Jakarta
4 Contrast,
Correlation,
Energy, dan
Homogeneity
3 Jenis Daun Mangga
yakni, 13 citra Daun
Mangga Harummanis, 10
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
yakni, 13 citra Daun
Mangga Harummanis, 10
citra Daun Mangga
Nangklawang, dan 9 citra
Daun Mangga Manalagi
150x150 Mengetahui
akurasi klasifikasi
jika fitur yang
diguanakan
adalah Contrast,
Correlation,
Energy, dan
Homogeneity
6 Contrast, dan
Correlation
3 Jenis Daun Mangg
yakni, 13 citra Daun
Mangga Harummanis, 10
citra Daun Mangga
Nangklawang, dan 9 citra
Daun Mangga Manalagi
250x250 Mengetahui
akurasi klasifikasi
jika fitur yang
diguanakan
adalah Contrast,
dan Correlation
7 Energy, dan
Homogeneity
3 Jenis Daun Mangga
yakni, 13 citra Daun
Mangga Harummanis, 10
citra Daun Mangga
Nangklawang, dan 9 citra
Daun Mangga Manalagi
250x250 Mengetahui
akurasi klasifikasi
jika fitur yang
diguanakan
adalah Energy,
dan Homogeneity
93
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
3 18 Harummanis.JPG 62.6551 0.96389 0.0024254 0.40526 Harummanis Benar
4 20 Harummanis.JPG 126.9417 0.93873 0.0051385 0.40363 Harummanis Benar
5 22 Harummanis.JPG 68.9743 0.9466 0.0066084 0.4485 Harummanis Benar
6 23 Harummanis.JPG 67.9392 0.97022 0.0022729 0.39939 Harummanis Benar
7 24 Harummanis.JPG 85.4174 0.96895 0.0017195 0.37271 Harummanis Benar
8 25 Harummanis.JPG 72.5427 0.97225 0.0017972 0.38058 Harummanis Benar
9 26 Harummanis.JPG 67.8923 0.97341 0.0016823 0.39544 Nangklawang Salah
10 30 Harummanis.JPG 43.5979 0.99392 0.0014067 0.4305 Nangklawang Salah
11 16 Nangklawang.JPG 42.6459 0.94118 0.010176 0.50865 Nangklawang Benar
12 17 Nangklawang.JPG 52.7618 0.98621 0.0013153 0.41142 Nangklawang Benar
95
UIN Syarif Hidayatullah Jakarta
13 18 Nangklawang.JPG 31.1807 0.98756 0.0028554 0.46237 Nangklawang Benar
14 19 Nangklawang.JPG 55.372 0.98858 0.00098028 0.41114 Nangklawang Benar
15 20 Nangklawang.JPG 35.2151 0.99229 0.001306 0.44126 Nangklawang Benar
16 35 Nangklawang.JPG 60.1691 0.95893 0.0058154 0.4381 Harummanis Salah
17 37 Nangklawang.JPG 52.1642 0.979 0.0034371 0.42206 Nangklawang Benar
18 38 Nangklawang.JPG 97.8587 0.95883 0.0047624 0.42281 Harummanis Salah
19 40 Nangklawang.JPG 35.2183 0.98975 0.0013964 0.44489 Nangklawang Benar
20 43 Nangklawang.JPG 66.2222 0.96417 0.0033833 0.41352 Harummanis Salah
Keterangan:
Daun Mangga Harummanis
Daun Mangga Nangklawang
Salah
96
UIN Syarif Hidayatullah Jakarta
Tabel 5. 4 Output Kesalahan Hasil Klasifikasi Skenario 1
Percobaan ke - Nama Citra Hasil
Klasifikasi
Keterangan
2 17 Harummanis.JPG Nangklawang Salah
9 26 Harummanis.JPG Nangklawang Salah
10 30 Harummanis.JPG Nangklawang Salah
16 35 Nangklawang.JPG Harummanis Salah
18 38 Nangklawang.JPG Harummanis Salah
20 43 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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
Tabel 5. 5 Hasil Percobaan Skenario 2
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 Harummanis Benar
3 18 Harummanis.JPG 62.6551 0.96389 0.0024254 0.40526 Harummanis Benar
4 20 Harummanis.JPG 126.9417 0.93873 0.0051385 0.40363 Harummanis Benar
5 22 Harummanis.JPG 68.9743 0.9466 0.0066084 0.4485 Harummanis Benar
6 23 Harummanis.JPG 67.9392 0.97022 0.0022729 0.39939 Harummanis Benar
7 24 Harummanis.JPG 85.4174 0.96895 0.0017195 0.37271 Harummanis Benar
8 25 Harummanis.JPG 72.5427 0.97225 0.0017972 0.38058 Harummanis Benar
9 26 Harummanis.JPG 67.8923 0.97341 0.0016823 0.39544 Harummanis Benar
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
12 17 Manalagi.JPG 42.0239 0.98895 0.0025569 0.42522 Manalagi Benar
99
UIN Syarif Hidayatullah Jakarta
13 18 Manalagi.JPG 67.1596 0.97522 0.0039781 0.40748 Manalagi Benar
14 19 Manalagi.JPG 50.3687 0.98322 0.0039746 0.44023 Manalagi Benar
15 20 Manalagi.JPG 51.3547 0.98548 0.004594 0.44857 Manalagi Benar
16 21 Manalagi.JPG 61.1479 0.97278 0.0016939 0.38459 Manalagi Benar
17 22 Manalagi.JPG 53.688 0.98364 0.0015188 0.40142 Manalagi Benar
18 24 Manalagi.JPG 67.2977 0.97675 0.0031011 0.4042 Manalagi Benar
19 29 Manalagi.JPG 60.8196 0.98965 0.0019246 0.39746 Manalagi Benar
20 32 Manalagi.JPG 55.0743 0.98236 0.0025805 0.4074 Manalagi Benar
Keterangan
Daun Mangga Nangklawang
Daun Mangga Manalagi
Salah
100
UIN Syarif Hidayatullah Jakarta
Tabel 5. 6 Output Kesalahan Hasil Klasifikasi Skenario 2
Percobaan ke - Nama Citra Hasil
Klasifikasi
Keterangan
10 30
Harummanis.JPG
Manalagi Salah
Dari hasil klasifikasi pada skenario 2, yaitu menggunakan 30 data training
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
Pada skenario 3 dilakukan percobaan menggunakan 2 jenis Daun
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
UIN Syarif Hidayatullah Jakarta
Tabel 5. 7 Hasil Percobaan Skenario 3
No Nama File Citra Nilai
Contrast
Nilai
Correlation Nilai Energy
Nilai
Homogeneity Daun Mangga Klasifikasi
1 16 Nangklawang.JPG 42.6459 0.94118 0.010176 0.50865 Nangklawang Benar
2 17 Nangklawang.JPG 52.7618 0.98621 0.0013153 0.41142 Nangklawang Benar
3 18 Nangklawang.JPG 31.1807 0.98756 0.0028554 0.46237 Nangklawang Benar
4 19 Nangklawang.JPG 55.372 0.98858 0.00098028 0.41114 Nangklawang Benar
5 20 Nangklawang.JPG 35.2151 0.99229 0.001306 0.44126 Nangklawang Benar
6 35 Nangklawang.JPG 60.1691 0.95893 0.0058154 0.4381 Nangklawang Benar
7 37 Nangklawang.JPG 52.1642 0.979 0.0034371 0.42206 Manalagi Salah
8 38 Nangklawang.JPG 97.8587 0.95883 0.0047624 0.42281 Nangklawang Benar
9 40 Nangklawang.JPG 35.2183 0.98975 0.0013964 0.44489 Nangklawang Benar
10 43 Nangklawang.JPG 66.2222 0.96417 0.0033833 0.41352 Nangklawang Benar
11 16 Manalagi.JPG 47.0699 0.98759 0.0020675 0.41243 Manalagi Benar
12 17 Manalagi.JPG 42.0239 0.98895 0.0025569 0.42522 Manalagi Benar
102
UIN Syarif Hidayatullah Jakarta
13 18 Manalagi.JPG 67.1596 0.97522 0.0039781 0.40748 Manalagi Benar
14 19 Manalagi.JPG 50.3687 0.98322 0.0039746 0.44023 Manalagi Benar
15 20 Manalagi.JPG 51.3547 0.98548 0.004594 0.44857 Manalagi Benar
16 21 Manalagi.JPG 61.1479 0.97278 0.0016939 0.38459 Manalagi Benar
17 22 Manalagi.JPG 53.688 0.98364 0.0015188 0.40142 Manalagi Benar
18 24 Manalagi.JPG 67.2977 0.97675 0.0031011 0.4042 Manalagi Benar
19 29 Manalagi.JPG 60.8196 0.98965 0.0019246 0.39746 Manalagi Benar
20 32 Manalagi.JPG 55.0743 0.98236 0.0025805 0.4074 Manalagi Benar
Keterangan
Daun Mangga Nangklawang
Daun Mangga Manalagi
Salah
103
UIN Syarif Hidayatullah Jakarta
Tabel 5. 8 Output Kesalahan Hasil Klasifikasi Skenario 3
Percobaan ke - Nama Citra Hasil
Klasifikasi
Keterangan
7 37 Nangklawang.JPG Manalagi Salah
Dari hasil klasifikasi pada skenario 3, yaitu menggunakan 30 data training
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
Pada skenario 4 dilakukan percobaan menggunakan 3 jenis Daun
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
UIN Syarif Hidayatullah Jakarta
Tabel 5. 9 Hasil Percobaan Skenario 4
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
3 18 Harummanis.JPG 62.6551 0.96389 0.0024254 0.40526 Harummanis Benar
4 20 Harummanis.JPG 126.9417 0.93873 0.0051385 0.40363 Harummanis Benar
5 22 Harummanis.JPG 68.9743 0.9466 0.0066084 0.4485 Harummanis Benar
6 23 Harummanis.JPG 67.9392 0.97022 0.0022729 0.39939 Harummanis Benar
7 24 Harummanis.JPG 85.4174 0.96895 0.0017195 0.37271 Harummanis Benar
8 25 Harummanis.JPG 72.5427 0.97225 0.0017972 0.38058 Harummanis Benar
9 26 Harummanis.JPG 67.8923 0.97341 0.0016823 0.39544 Harummanis Benar
10 30 Harummanis.JPG 43.5979 0.99392 0.0014067 0.4305 Nangklawang Salah
11 28 Harummanis.JPG 84.6381 0.95824 0.0023895 0.38644 Harummanis Benar
12 32 Harummanis.JPG 74.7588 0.96521 0.0019037 0.39114 Harummanis Benar
105
UIN Syarif Hidayatullah Jakarta
13 33 Harummanis.JPG 166.9073 0.92588 0.0059218 0.39863 Harummanis Benar
14 16 Nangklawang.JPG 42.6459 0.94118 0.010176 0.50865 Nangklawang Benar
15 17 Nangklawang.JPG 52.7618 0.98621 0.0013153 0.41142 Nangklawang Benar
16 18 Nangklawang.JPG 31.1807 0.98756 0.0028554 0.46237 Nangklawang Benar
17 19 Nangklawang.JPG 55.372 0.98858 0.00098028 0.41114 Nangklawang Benar
18 20 Nangklawang.JPG 35.2151 0.99229 0.001306 0.44126 Nangklawang Benar
19 35 Nangklawang.JPG 60.1691 0.95893 0.0058154 0.4381 Nangklawang Benar
20 37 Nangklawang.JPG 52.1642 0.979 0.0034371 0.42206 Manalagi Salah
21 38 Nangklawang.JPG 97.8587 0.95883 0.0047624 0.42281 Harummanis Salah
22 40 Nangklawang.JPG 35.2183 0.98975 0.0013964 0.44489 Nangklawang Benar
23 43 Nangklawang.JPG 66.2222 0.96417 0.0033833 0.41352 Harummanis Salah
24 16 Manalagi.JPG 47.0699 0.98759 0.0020675 0.41243 Manalagi Benar
25 17 Manalagi.JPG 42.0239 0.98895 0.0025569 0.42522 Manalagi Benar
26 18 Manalagi.JPG 67.1596 0.97522 0.0039781 0.40748 Manalagi Benar
106
UIN Syarif Hidayatullah Jakarta
27 19 Manalagi.JPG 50.3687 0.98322 0.0039746 0.44023 Manalagi Benar
28 20 Manalagi.JPG 51.3547 0.98548 0.004594 0.44857 Manalagi Benar
29 22 Manalagi.JPG 53.688 0.98364 0.0015188 0.40142 Manalagi Benar
30 24 Manalagi.JPG 67.2977 0.97675 0.0031011 0.4042 Manalagi Benar
31 29 Manalagi.JPG 60.8196 0.98965 0.0019246 0.39746 Manalagi Benar
32 32 Manalagi.JPG 55.0743 0.98236 0.0025805 0.4074 Manalagi Benar
Keterangan:
Daun Mangga Harummanis
Daun Mangga Nangklawang
Daun Mangga Manalagi
Salah
107
UIN Syarif Hidayatullah Jakarta
Tabel 5. 10 Output Kesalahan Hasil Klasifikasi Skenario 4
Percobaan ke - Nama Citra Hasil
Klasifikasi
Keterangan
2 17 Harummanis.JPG Nangklawang Salah
10 30 Harummanis.JPG Nangklawang Salah
20 37 Nangklawang.JPG Manalagi Salah
21 38 Nangklawang.JPG Harummanis Salah
23 43 Nangklawang.JPG Harummanis Salah
Dari hasil klasifikasi pada skenario 4, yaitu menggunakan 45 data training
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
Pada skenario 5 dilakukan percobaan menggunakan 3 jenis Daun
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
UIN Syarif Hidayatullah Jakarta
Dengan perhitungan yang telah dijelaskan pada bab sebelumnya didapat hasil
sebagai berikut:
109
UIN Syarif Hidayatullah Jakarta
Tabel 5. 11 Hasil Percobaan Skenario 5
No Nama File Citra Nilai
Contrast
Nilai
Correlation Nilai Energy
Nilai
Homogeneity Daun Mangga Klasifikasi
1 16 Harummanis.JPG 106.5303 0.97602 0.005338 0.40249 Manalagi Salah
2 17 Harummanis.JPG 71.7187 0.97781 0.0020055 0.4129 Harummanis Benar
3 18 Harummanis.JPG 61.7533 0.96904 0.0022881 0.38509 Harummanis Benar
4 20 Harummanis.JPG 70.2804 0.95876 0.0061042 0.4265 Harummanis Benar
5 22 Harummanis.JPG 67.7052 0.95423 0.0062647 0.42535 Harummanis Benar
6 23 Harummanis.JPG 66.9055 0.9748 0.0023241 0.39193 Harummanis Benar
7 24 Harummanis.JPG 77.5896 0.97363 0.0018191 0.37445 Harummanis Benar
8 25 Harummanis.JPG 81.5242 0.97346 0.0018756 0.36982 Harummanis Benar
9 26 Harummanis.JPG 56.3559 0.98443 0.0020303 0.40689 Nangklawang Salah
10 30 Harummanis.JPG 45.4806 0.99438 0.001489 0.41816 Manalagi Salah
11 28 Harummanis.JPG 63.9246 0.97505 0.0030221 0.41047 Harummanis Benar
110
UIN Syarif Hidayatullah Jakarta
12 32 Harummanis.JPG 65.0294 0.97985 0.0024923 0.40178 Nangklawang Salah
13 33 Harummanis.JPG 74.8387 0.94682 0.0073466 0.42321 Harummanis Benar
14 16 Nangklawang.JPG 44.798 0.94242 0.0098339 0.48178 Harummanis Salah
15 17 Nangklawang.JPG 74.2271 0.98227 0.0012217 0.37714 Manalagi Salah
16 18 Nangklawang.JPG 43.9448 0.98514 0.0027021 0.4362 Nangklawang Benar
17 19 Nangklawang.JPG 77.7241 0.98449 0.00091399 0.38252 Manalagi Salah
18 20 Nangklawang.JPG 35.2151 0.99229 0.001306 0.44126 Nangklawang Benar
19 35 Nangklawang.JPG 53.4227 0.97024 0.0071979 0.4535 Nangklawang Benar
20 37 Nangklawang.JPG 73.8316 0.97469 0.0033065 0.39966 Nangklawang Benar
21 38 Nangklawang.JPG 56.4644 0.97185 0.0053523 0.43515 Nangklawang Benar
22 40 Nangklawang.JPG 39.1612 0.98989 0.0012911 0.40641 Nangklawang Benar
23 43 Nangklawang.JPG 53.9682 0.9761 0.0041347 0.43142 Nangklawang Benar
24 16 Manalagi.JPG 62.0383 0.98647 0.002088 0.39831 Manalagi Benar
25 17 Manalagi.JPG 59.0335 0.98695 0.0024856 0.39935 Manalagi Benar
26 18 Manalagi.JPG 93.168 0.9751 0.0042203 0.4047 Manalagi Benar
111
UIN Syarif Hidayatullah Jakarta
27 19 Manalagi.JPG 49.3518 0.98493 0.0041243 0.43034 Nangklawang Salah
28 20 Manalagi.JPG 74.1256 0.98189 0.0042902 0.41869 Manalagi Benar
29 22 Manalagi.JPG 59.0069 0.98368 0.0015723 0.3891 Nangklawang Salah
30 24 Manalagi.JPG 59.8012 0.98121 0.0034041 0.4045 Manalagi Benar
31 29 Manalagi.JPG 58.1309 0.98987 0.0019745 0.39149 Manalagi Benar
32 32 Manalagi.JPG 58.3242 0.98397 0.0027798 0.40109 Manalagi Benar
Keterangan:
Daun Mangga Harummanis
Daun Mangga Nangklawang
Daun Mangga Manalagi
Salah
112
UIN Syarif Hidayatullah Jakarta
Tabel 5. 12 Output Kesalahan Hasil Klasifikasi Skenario 5
Percobaan ke - Nama Citra Hasil
Klasifikasi
Keterangan
1 16 Harummanis.JPG Manalagi Salah
9 26 Harummanis.JPG Nangklawang Salah
10 30 Harummanis.JPG Manalagi Salah
12 32 Harummanis.JPG Nangklawang Salah
14 16 Nangklawang.JPG Harummanis Salah
15 17 Nangklawang.JPG Manalagi Salah
17 19 Nangklawang.JPG Manalagi Salah
27 19 Manalagi.JPG Nangklawang Salah
29 22 Manalagi.JPG Nangklawang Salah
Dari hasil klasifikasi pada skenario 5, yaitu menggunakan 45 data training
dan 32 data testing citra daun mangga harummanis, nangklawang dan manalagi,
dengan ukuran 150 x 150 piksel dan diklasifikasikan berdasarkan ekstraksi ciri
tekstur GLCM. Pada skenario 5 terdapat 9 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 71,9%. Perhitungan nilai akurasi
diperoleh dari persamaan berikut.
113
UIN Syarif Hidayatullah Jakarta
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 :
Tabel 5. 13 Hasil Percobaan Skenario 6
No Nama File Citra Nilai
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
3 18 Harummanis.JPG 62.6551 0.96389 Harummanis Benar
4 20 Harummanis.JPG 126.9417 0.93873 Harummanis Benar
5 22 Harummanis.JPG 68.9743 0.9466 Harummanis Benar
6 23 Harummanis.JPG 67.9392 0.97022 Harummanis Benar
7 24 Harummanis.JPG 85.4174 0.96895 Harummanis Benar
8 25 Harummanis.JPG 72.5427 0.97225 Harummanis Benar
9 26 Harummanis.JPG 67.8923 0.97341 Manalagi Salah
10 30 Harummanis.JPG 43.5979 0.99392 Manalagi Salah
11 28 Harummanis.JPG 84.6381 0.95824 Harummanis Benar
12 32 Harummanis.JPG 74.7588 0.96521 Harummanis Benar
13 33 Harummanis.JPG 166.9073 0.92588 Harummanis Benar
14 16 Nangklawang.JPG 42.6459 0.94118 Harummanis Salah
15 17 Nangklawang.JPG 52.7618 0.98621 Manalagi Salah
114
UIN Syarif Hidayatullah Jakarta
16 18 Nangklawang.JPG 31.1807 0.98756 Nangklawang Benar
17 19 Nangklawang.JPG 55.372 0.98858 Manalagi Salah
18 20 Nangklawang.JPG 35.2151 0.99229 Nangklawang Benar
19 35 Nangklawang.JPG 60.1691 0.95893 Harummanis Salah
20 37 Nangklawang.JPG 52.1642 0.979 Nangklawang Benar
21 38 Nangklawang.JPG 97.8587 0.95883 Harummanis Salah
22 40 Nangklawang.JPG 35.2183 0.98975 Nangklawang Benar
23 43 Nangklawang.JPG 66.2222 0.96417 Harummanis Salah
24 16 Manalagi.JPG 47.0699 0.98759 Manalagi Benar
25 17 Manalagi.JPG 42.0239 0.98895 Nangklawang Salah
26 18 Manalagi.JPG 67.1596 0.97522 Manalagi Benar
27 19 Manalagi.JPG 50.3687 0.98322 Nangklawang Salah
28 20 Manalagi.JPG 51.3547 0.98548 Manalagi Benar
29 22 Manalagi.JPG 53.688 0.98364 Manalagi Benar
30 24 Manalagi.JPG 67.2977 0.97675 Manalagi Benar
31 29 Manalagi.JPG 60.8196 0.98965 Manalagi Benar
32 32 Manalagi.JPG 55.0743 0.98236 Manalagi Benar
Keterangan:
Daun Mangga Harummanis
Daun Mangga Nangklawang
Daun Mangga Manalagi
Salah
115
UIN Syarif Hidayatullah Jakarta
Tabel 5. 14 Output Kesalahan Hasil Klasifikasi Skenario 6
Percobaan ke - Nama Citra Hasil
Klasifikasi
Keterangan
2 17 Harummanis.JPG Manalagi Salah
9 26 Harummanis.JPG Manalagi Salah
10 30 Harummanis.JPG Manalagi Salah
14 16 Nangkalawang.JPG Harummanis Salah
15 17 Nangklawang.JPG Manalagi Salah
17 19 Nangklawang.JPG Manalagi Salah
19 35 Nangklawang.JPG Harummanis Salah
21 38 Nangklawang.JPG Harummanis Salah
23 43 Nangklawang.JPG Harummanis Salah
25 17 Manalagi.JPG Nangklawang Salah
27 19 Manalagi.JPG Nangklawang Salah
Dari hasil klasifikasi pada skenario 6, yaitu menggunakan 45 data training
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 6 terdapat 11 data yang salah pada saat
diklasifikasi.Dari hasil percobaan yang dilakukan untuk klasifikasi citra Daun
Mangga menggunakan fitur GLCM (Contrast, dan Correlation) didapat hasil
akurasi sebesar 65,6%. Perhitungan nilai akurasi diperoleh dari persamaan
berikut.
116
UIN Syarif Hidayatullah Jakarta
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.
Tabel 5. 15 Hasil Percobaan Skenario 7
No Nama File Citra Nilai
Energy
Nilai
Homogeneity Daun Mangga Klasifikasi
1 16 Harummanis.JPG 0.0038961 0.36813 Harummanis Benar
2 17 Harummanis.JPG 0.0018251 0.41389 Manalagi Salah
3 18 Harummanis.JPG 0.0024254 0.40526 Manalagi Salah
4 20 Harummanis.JPG 0.0051385 0.40363 Harummanis Benar
5 22 Harummanis.JPG 0.0066084 0.4485 Manalagi Salah
6 23 Harummanis.JPG 0.0022729 0.39939 Manalagi Salah
7 24 Harummanis.JPG 0.0017195 0.37271 Harummanis Benar
8 25 Harummanis.JPG 0.0017972 0.38058 Harummanis Benar
9 26 Harummanis.JPG 0.0016823 0.39544 Manalagi Salah
10 30 Harummanis.JPG 0.0014067 0.4305 Nangklawang Salah
11 28 Harummanis.JPG 0.0023895 0.38644 Harummanis Benar
12 32 Harummanis.JPG 0.0019037 0.39114 Harummanis Benar
13 33 Harummanis.JPG 0.0059218 0.39863 Harummanis Benar
117
UIN Syarif Hidayatullah Jakarta
14 16 Nangklawang.JPG 0.010176 0.50865 Nangklawang Benar
15 17 Nangklawang.JPG 0.0013153 0.41142 Manalagi Salah
16 18 Nangklawang.JPG 0.0028554 0.46237 Nangklawang Benar
17 19 Nangklawang.JPG 0.00098028 0.41114 Manalagi Salah
18 20 Nangklawang.JPG 0.001306 0.44126 Nangklawang Benar
19 35 Nangklawang.JPG 0.0058154 0.4381 Manalagi Salah
20 37 Nangklawang.JPG 0.0034371 0.42206 Manalagi Salah
21 38 Nangklawang.JPG 0.0047624 0.42281 Manalagi Salah
22 40 Nangklawang.JPG 0.0013964 0.44489 Nangklawang Benar
23 43 Nangklawang.JPG 0.0033833 0.41352 Manalagi Salah
24 16 Manalagi.JPG 0.0020675 0.41243 Manalagi Benar
25 17 Manalagi.JPG 0.0025569 0.42522 Manalagi Benar
26 18 Manalagi.JPG 0.0039781 0.40748 Harummanis Salah
27 19 Manalagi.JPG 0.0039746 0.44023 Nangklawang Salah
28 20 Manalagi.JPG 0.004594 0.44857 Nangklawang Salah
29 22 Manalagi.JPG 0.0015188 0.40142 Manalagi Benar
30 24 Manalagi.JPG 0.0031011 0.4042 Manalagi Benar
31 29 Manalagi.JPG 0.0019246 0.39746 Manalagi Benar
32 32 Manalagi.JPG 0.0025805 0.4074 Manalagi Benar
118
UIN Syarif Hidayatullah Jakarta
Tabel 5. 16 Output Kesalahan Hasil Klasifikasi Skenario 7
Percobaan ke - Nama Citra Hasil
Klasifikasi
Keterangan
2 17 Harummanis.JPG Manalagi Salah
3 18 Harummanis.JPG Manalagi Salah
5 22 Harummanis.JPG Manalagi Salah
6 23 Harummanis.JPG Manalagi Salah
9 26 Harummanis.JPG Manalagi Salah
10 30 Harummanis.JPG Nangklawang Salah
15 17 Nangklawang.JPG Manalagi Salah
17 19 Nangklawang.JPG Manalagi Salah
19 35 Nangklawang.JPG Manalagi Salah
20 37 Nangklawang.JPG Manalagi Salah
21 38 Nangklawang.JPG Manalagi Salah
23 43 Nangklawang.JPG Manalagi Salah
26 18 Manalagi.JPG Harummanis Salah
27 19 Manalagi.JPG Manalagi Salah
28 20 Manalagi.JPG Manalagi Salah
Dari hasil klasifikasi pada skenario 7, yaitu menggunakan 45 data training
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 7 terdapat 15 data yang salah pada saat
119
UIN Syarif Hidayatullah Jakarta
diklasifikasi.Dari hasil percobaan yang dilakukan untuk klasifikasi citra Daun
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
UIN Syarif Hidayatullah Jakarta
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:
1. Klasifikasi daun mangga harummanis, daun mangga nangklawang,
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 %.
2. Klasifikasi daun mangga harummanis, daun mangga nangklawang,
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
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
UIN Syarif Hidayatullah Jakarta
Lampiran 2