1

MAKALAH SEMINAR TUGAS AKHIR

KLASIFIKASI KELAS DAGING MENGGUNAKAN

PENCIRIAN MATRIKS KO-OKURENSI ARAS KEABUAN

Laksono Tri Wibowo 1, Imam Santoso, ST. MT.

2 Budi Setiyono, ST. MT.

2

Jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro, Jl. Prof. Sudharto, Tembalang, Semarang, Jawa Tengah, Indonesia

Abstrak - Seiring dengan berkembangnya teknologi pengolahan citra digital, manusia menginginkan agar mesin

(komputer) dapat mengenali citra seperti layaknya penglihatan manusia. Salah satu cara untuk mengenali citra adalah dengan

membedakan tekstur citra tersebut. Setiap citra mempunyai tekstur yang unik yang dapat dibedakan dengan citra yang lain, ciri-

ciri inilah yang menjadi dasar dalam klasifikasi citra berdasarkan tekstur. Ada beberapa metode yang dapat digunakan untuk

memperoleh ciri tekstur dari suatu citra, salah satunya adalah dengan metode GLCM.

Matriks kookurensi dari data citra aras keabuan ( Gray Level Co-Occurrence Matrix-GLCM ) adalah salah satu metode

untuk memperoleh ciri-ciri citra tekstur dengan menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak

dan arah tertentu. Adapun parameter atau ciri-ciri tekstur yang didapat dari metode GLCM diantaranya adalah energi, entropi,

homogenitas, kontras, korelasi, momentum selisih varians jumlah, rata-rata jumlah, dan entropi jumlah. Hasil ekstraksi ciri-ciri

tersebut kemudian digunakan untuk proses klasifikasi dengan menggunakan k-Nearest Neighbour (k-NN) yang menentukan hasil

klasifikasi berdasarkan jumlah tetangga terdekat. Pada tugas akhir ini dibuat program simulasi untuk analisis citra dengan

metode GLCM. Program tersebut digunakan untuk mengenali citra daging dari tiga jenis kelas daging yang berbeda.

Dalam pengujian digunakan berbagai macam citra daging dari tiga jenis yang berbeda untuk mengetahui tingkat

pengenalan perangkat lunak terhadap citra tekstur daging tersebut. Tingkat keberhasilan pegenalan dapat diketahui dari

prosentase jumlah citra yang dapat dikenali terhadap jumlah total citra yang diuji. Berdasarkan pengujian tingkat pengenalan

tertinggi diperoleh pada jenis daging kerbau mencapai 100%, sedangkan tingkat pengenalan terendah terjadi pada jenis daging

kambing yang hanya mencapai 20%. Proses penajaman citra dapat meningkatkan tingkat pengenalan terhadap citra uji sebesar

40% sampai 80%. Tingkat pengenalan terhadap citra yang diakuisisi dengan kamera digital lebih baik dari citra yang diakuisisi

dengan kamera handphone, tingkat pengenalan terendah untuk citra dari kamera digital 20% sedang pada citra dari handphone

10% . Pemberian derau pada citra uji akan menurunkan tingkat pengenalan terhadap citra tersebut dari 100% menjadi 0-60%.

Kata kunci : daging, ekstraksi ciri, GLCM, ko-okurensi, klasifikasi, k-Nearest Neighbor

I. PENDAHULUAN

Tekstur suatu citra berperan penting dalam banyak tugas

pada sistem visual seperti pemeriksaan permukaan,

pengelompokan objek, pemeriksaan kualitas, dan lain-lain.

Untuk melakukan tugas-tugas tersebut, diperlukan suatu

analisis mengenai tekstur yang dapat digunakan untuk

mengidentifikasikan suatu pola-pola yang berulang-ulang dan

teratur, pola-pola intensitas, dan lain-lain. Salah satu manfaat

dari tekstur tersebut adalah untuk mengelompokkan citra ke

dalam kelas tertentu.

Setiap citra memiliki tekstur yang unik, yang mampu

membedakan citra dengan kelas yang lainnya. Manusia

mampu membedakan citra dengan kelas-kelas tertentu karena

manusia memiliki ingatan akan tekstur dari setiap kelas citra

tersebut. Kemampuan manusia tersebut apabila diterapkan ke

dalam suatu sistem yang berupa perangkat lunak maupun

perangkat keras, akan sangat berguna untuk diaplikasikan

dalam banyak hal. Contoh aplikasinya adalah automatisasi

dalam mengklasifikasikan objek atau barang dalam proses

industri, analisis citra satelit, pencarian data citra di dalam

halaman web atau basis data, peninjauan kualitas barang, dan

lain-lain.

Dalam tugas akhir ini akan dibuat suatu sistem berupa

perangkat lunak yang mengklasifikasikan citra daging,

sehingga menyerupai kemampuan manusia untuk

mengklasifikasikan citra. Daging secara fisik memiliki bentuk

dan tekstur yang khas yang mampu dibedakan secara baik oleh

penglihatan manusia. Namun perlu dilakukan penelitian,

sejauh mana suatu sistem yang dalam hal ini berupa perangkat

lunak, mampu mengenali kelas daging-daging tersebut dengan

menggunakan metode analisis tekstur matriks ko-okurensi dan

metode klasifikasi k-Nearest Neighbour. Sebelumnya pernah

dilakukan penelitian untuk mengklasifikasikan jenis-jenis

tekstur, oleh Arriawati (2007), dan juga terdapat penelitian

untuk mengklasifikasikan jenis biji-bijian oleh Kristiawan

(2009), yang keduanya menggunakan metode analisis tekstur

matriks ko-okurensi dan metode klasifikasi k-Nearest

Neighbour.

Tujuan dari tugas akhir ini adalah :

Membuat perangkat lunak yang dapat mengklasifikasikan

citra daging, dengan metode ekstraksi ciri matriks ko-okurensi

aras keabuan dan metode klasifikasi k-Nearest Neighbour,

serta melakukan pengujian dan analisis tingkat keberhasilan

pengenalan perangkat lunak terhadap citra daging.

II. DASAR TEORI

2.1 Tekstur

Tekstur adalah konsep intuitif yang mendeskripsikan

tentang sifat kehalusan, kekasaran, dan keteraturan dalam

suatu daerah/wilayah (region). Dalam pengolahan citra digital,

tekstur didefinisikan sebagai distribusi spasial dari derajat

keabuan di dalam sekumpulan piksel yang bertetangga.

Secara umum tekstur mengacu pada pengulangan

elemen-elemen tekstur dasar yang disebut primitif atau teksel

(texture element-texel).

Syarat-syarat terbentuknya suatu tekstur antara lain :

1. Adanya pola-pola primitif yang terdiri dari satu piksel

atau lebih. Bentuk-bentuk pola primitif ini dapat berupa

titik, garis lurus, garis lengkung, luasan, dan lain-lain

yang merupakan elemen dasar dari sebuah tekstur.

2. Pola-pola primitif tersebut muncul berulang-ulang

dengan interval dan arah tertentu sehingga dapat

diprediksi atau ditemukan karakteristik pengulangannya.

2

Suatu citra memberikan interpretasi tekstur yang berbeda

apabila dilihat dengan jarak dan sudut yang berbeda. Manusia

memandang tekstur berdasarkan deskripsi yang bersifat acak,

seperti halus, kasar, teratur, tidak teratur, dan sebagainya. Hal

ini merupakan deskripsi yang tidak tepat dan non-kuantitatif,

sehingga diperlukan adanya suatu deskripsi yang kuantitatif

(matematis) untuk memudahkan analisis.

2.2 Analisis Tekstur

Analisis tekstur merupakan dasar dari berbagai macam

aplikasi, aplikasi dari analisis tekstur antara lain:

penginderaan jarak jauh, pencitraan medis, identifikasi kualitas

suatu bahan (kayu, kulit, tekstil, dan lain-lain), dan juga

berbagai macam aplikasi lainnya. Pada analisis citra,

pengukuran tekstur dikategorikan menjadi lima kategori utama

yaitu : statistis, struktural, geometri, model dasar, dan

pengolahan sinyal. Pendekatan statistis mempertimbangkan

bahwa intensitas dibangkitkan oleh medan acak dua dimensi,

metode ini berdasar pada frekuensi-frekuensi ruang. Contoh

metode statistis adalah fungsi autokorelasi, matriks ko-

okurensi, transformasi Fourier, frekuensi tepi. Teknik

struktural berkaitan dengan penyusunan bagianbagian terkecil

suatu citra. Contoh metode struktural adalah model fraktal.

Metode geometri berdasar atas perangkat geometri yang ada

pada elemen tekstur. Contoh metode model dasar adalah

medan acak. Sedangkan metode pengolahan sinyal adalah

metode yang berdasarkan analisis frekuensi seperti

transformasi Gabor dan transformasi wavelet.

2.3 Matriks Ko-Okurensi Aras Keabuan (Gray Level Co-

occurrence Matrix - GLCM)

Matriks ko-okurensi adalah salah satu metode statistik

yang dapat digunakan untuk analisis tekstur. Matrik ko-

okurensi dibentuk dari suatu citra dengan melihat pada piksel-

piksel yang berpasangan yang memiliki intensitas tertentu.

Penggunaan metode ini berdasar pada hipotesis bahwa dalam

suatu tekstur akan terjadi perulangan konfigurasi atau

pasangan aras keabuan. Misal, d didefinisikan sebagai jarak

antara dua posisi piksel, yaitu (x1, y1) dan (x2, y2); dan θ

didefinisikan sebagai sudut diantara keduanya.

Maka matriks ko-okurensi didefinisikan sebagai matriks

yang menyatakan distribusi spasial antara dua piksel yang

bertetangga yang memiliki intensitas i dan j, yang memiliki

jarak d diantara keduanya, dan sudut θ diantara keduanya.

Matriks ko-okurensi dinyatakan dengan Pd,θ(i,j). Suatu piksel

yang bertetangga yang memiliki jarak d diantara keduanya,

dapat terletak di delapan arah yang berlainan, hal ini

ditunjukkan pada Gambar 2.1.

Gambar 2.1 Piksel bertetangga dalam delapan arah

Dalam matriks ko-okurensi, terdapat sembilan ciri tekstur

yang dapat diperoleh dari suatu citra yang digunakan sebagai

pembeda antara citra dengan kelas tertentu, dengan kelas

lainnya. Ciri-ciri tersebut adalah :

1. Energi (Energy)

∑∑

2. Entropi (Entropy)

∑∑

3. Kontras (Contrast)

∑∑

4. Homogenitas (Homogeneity)

∑∑

| |

5. Korelasi (Correlation)

∑∑

dimana :

∑ ∑

∑ ∑

∑

∑

∑

∑

6. Momentum Selisih Invers (Inverse Difference

Momentum)

∑∑

7. Rata-rata Jumlah (Sum Average)

∑ ∑

8. Entropi Jumlah (Sum Entropy)

∑ ∑

( )

9. Varians Jumlah (Sum Variance)

∑ ∑

2.4 K-Nearest Neighbour

Metode k-nearest neighbour adalah sebuah metode untuk

melakukan klasifikasi terhadap objek, berdasarkan data

pembelajaran yang jaraknya dekat dengan objek tersebut,

3

sesuai jumlah tetangga terdekatnya atau nilai k. Dekat atau

jauhnya tetangga tersebut biasanya dihitung berdasarkan jarak

euclidean dengan persamaan sebagai berikut:

√∑

dengan :

d : jarak data uji ke data pembelajaran

xj : data uji ke-j, dengan j = 1,2, … , n

yj : data pembelajaran ke-j, dengan j = 1,2, … , n

Klasifikasi k-NN dilakukan dengan mencari k buah

tetangga terdekat dari data uji dan memilih kelas dengan

anggota terbanyak. Adapun langkahlangkah klasifikasi k-NN

adalah sebagai berikut :

1. Jika sekumpulan data latih y memiliki N titik data secara

keseluruhan, maka dilakukan pengenalan terhadap k buah

tetangga terdekat dari data uji x.

2. Dari k buah tetangga terdekat tersebut, data x

diidentifikasikan pada kelas ωi , i = 1, 2, . . ., M. M

adalah jumlah kelas yang ada.

3. Data uji x dimasukkan pada kelas dengan jumlah anggota

terbanyak.

4. Jika terdapat dua atau lebih kelas ω yang merupakan

tetangga terdekat dari data uji x, maka terjadilah kondisi

seimbang (konflik) dan digunakan strategi pemecahan

konflik.

5. Untuk kelas-kelas yang terlibat konflik, jarak d

ditentukan antara data uji x dengan anggota kelas ω yang

terlibat konflik, yang berjumlah E.

6. Jika data pelatihan dari kelas ωi yang terlibat dalam

konflik ditunjukan dengan yim

= { yim

1 , . . ., yim

N }, maka

jarak antara x dengan kelas ωi adalah :

∑|

|

7. Data uji x dimasukkan ke dalam kelas dengan jarak di

paling kecil.

Gambaran penggunaan algoritma k-NN, ditunjukkan pada

Gambar 2.2

Gambar 2.2 Algoritma k-NN dengan k=5

III. PERANCANGAN PERANGKAT LUNAK

Dalam perangkat lunak pengklasifikasi jenis daging ini,

terdapat proses-proses yang dilakukan dari awal data dipilih,

hingga pada akhirnya data tersebut diklasifikasikan. Secara

garis besar, proses-proses tersebut dikelompokkan pada lima

proses utama yaitu :

1. Memilih citra masukan

Proses yang pertama kali dilakukan dalam perangkat

lunak pengklasifikasi jenis daging ini adalah memilih citra

masukan. Citra masukan adalah citra daging dengan format

yang didukung oleh Delphi 7. Citra dengan format lain

tidak akan dikenali dan akan menampilkan pesan

kesalahan.

2. Mengubah citra masukan menjadi citra aras keabuan

Citra masukan yang akan diekstraksi ciri menggunakan

metode GLCM, harus diubah menjadi citra aras keabuan

terlebih dahulu.

3. Melakukan ekstraksi ciri

Matriks ko-okurensi aras keabuan dibentuk dengan

menggunakan parameter-parameter yang diperlukan untuk

membentuk matriks ko-okurensi tersebut. Parameter-

parameter tersebut adalah jarak (d) dengan d=1, arah (θ),

dengan 8 arah 0°, 45°, 90°, 135°, 180°, 225°, 270°, 315°.

Dan derajat keabuan (g) dengan besaran g=8 bit. Derajat

keabuan menentukan besarnya ukuran matriks ko-okurensi.

4. Menyimpan hasil ekstraksi ciri

Ciri yang didapat dari hasil ekstraksi ciri kemudian

disimpan untuk nantinya digunakan pada pembentukan

data acuan.

5. Membentuk data acuan/ data pelatihan

Sebelum proses klasifikasi dapat dilakukan, terlebih

dahulu harus dibentuk data acuan. Data acuan dibentuk dari

data-data ciri kelas daging yang sudah terlebih dahulu

disimpan.

6. Melakukan proses klasifikasi citra masukan.

Tahap terakhir setelah proses ekstraksi ciri dan proses

pembentukan data acuan dilakukan, adalah tahap

klasifikasi. Metode yang digunakan untuk mengklasifikasi

data masukan adalah metode k-Nearest Neighbor (kNN).

Parameter yang digunakan dalam metode kNN adalah k.

Algoritma kNN akan mengklasifikasikan data masukan ke

dalam kelas dengan jumlah anggota terbanyak. Apabila

terjadi konflik, maka digunakan strategi pemecahan

konflik. Mulai

Memilih Citra Masukan

Mengubah citra masukan menjadi

citra aras keabuan

Data acuan ada?

Selesai

Menyimpan hasil ekstraksi ciri

Ekstraksi ciri dengan GLCM

Membentuk data acuan

Proses Klasifikasi

Y

T

Gambar 3.1 Diagram alir program utama

4

IV. PENGUJIAN DAN ANALISIS

4.1 Analisis dan Pembahasan Secara Umum

Sebelum proses pengujian dilakukan, terlebih dahulu

adalah menentukan citra mana saja yang akan dijadikan

sebagai citra acuan, secara garis besar proses-proses dalam

program simulasi ini adalah pertama-tama memilih citra

masukan, kemudian mengubah citra masukan tersebut menjadi

citra aras keabuan, setelah itu dilakukan proses ekstraksi ciri,

kemudian hasil ekstraksi tersebut disimpan sebagai basis data

atau sebagai data latih. Setelah didapatkan basis data, baru

dapat dilakukan proses klasifikasi pada citra yang akan diuji

(citra uji). Citra yang digunakan sebagai basis data adalah citra

yang berasal atau diakuisisi dengan kamera digital Panasonic.

Hasil ekstraksi ciri dengan program simulasi seperti

ditunjukkan oleh gambar 4.1 berikut :

Gambar 4.1 Contoh hasil ekstraksi ciri sebuah citra di dalam program

simulasi

Dalam pengujian digunakan berbagai macam tekstur

daging dengan kelas yang berbeda untuk mengetahui tingkat

pengenalan perangkat lunak terhadap citra tekstur daging

tersebut. Dalam pengujian menggunakan beberapa skenario,

sehingga diharapkan akan mendapatkan beberapa hasil yang

berbeda-beda untuk tiap skenario.

Pengujian proses klasifikasi dilakukan dengan beberapa

skenario pengujian, yaitu:

1. Menguji citra masukan yang termasuk dalam data acuan.

2. Menguji citra masukan yang tidak termasuk dalam data

acuan.

3. Menguji citra masukan yang tidak termasuk dalam data

acuan dengan variasi jarak

4. Menguji citra masukan yang tidak termasuk dalam data

acuan dengan variasi kamera yang digunakan.

5. Menguji citra masukan yang tidak termasuk dalam data

acuan dengan variasi kamera yang digunakan. Dengan

penambahan proses penajaman citra (sharpness) untuk tiap

citra ujinya.

6. Menguji citra masukan yang termasuk dalam data acuan

dengan penambahan proses derau (noise) untuk tiap citra

ujinya.

Dalam enam skenario pengujian yang ada, digunakan

lima nilai k yang menyatakan parameter k dalam algoritma k-

NN. Nilai-nilai k yang digunakan yaitu : k = 1, k = 3, k = 5, k

= 7, dan k = 9.

Tingkat pengenalan program terhadap citra uji dapat

dihitung dengan persamaan berikut :

( 4.1 )

dimana,

P = Tingkat pengenalan program terhadap citra uji

A = Jumlah citra uji yang dikenali secara benar

B = Jumlah citra uji secara keseluruhan

Tingkat pengenalan dari keenam skenario pengujian di

atas apabila dirangkum dalam satu tabel, ditunjukkan pada

Tabel 4.1. Tabel 4.1 Tingkat pengenalan citra uji dari keenam skenario

Skenario

Nilai k

k=1 k=3 k=5 k=7 k=9

I 100 % 73,33 % 93,33 % 73,33 % 86,66 %

II 100 % 86,66 % 80 % 80 % 93,33 %

III 73,33 % 66,66 % 66,66 % 73,33 % 73,33 %

IV 36,66 % 20 % 20 % 23,33 % 23,66 %

V 16,66 % 10 % 13,33 % 6,66 % 13,33 %

VI 43,33 % 33,33 % 40 % 33,33 % 33,33 %

VII 26,66 % 26,66 % 20 % 13,33 % 10 %

VIII 46,66 % 43,33 % 40 % 40 % 46,66 %

IX 16,66 % 26,66 % 13,33 % 6,66 % 6,66 %

X 6,66 % 10 % 6,66 % 3,33 % 0 %

XI 53,33 % 46,66 % 36,66 % 46,66 % 43,33 %

XII 46,66 % 46,66 % 43,33 % 43,33 % 43,33 %

XIII 53,33 % 60 % 60 % 53,33 % 53,33 %

XIV 46,67 % 46,67 % 46,67 % 40 % 40 %

XV 60 % 60 % 66,67 % 66,67 % 73,33 %

XVI 40 % 40 % 40 % 40 % 46,67 %

Keterangan Tabel: I = Pengujian citra masukan yang termasuk dalam data acuan (skenario

1) untuk pengambilan jarak jauh.

II = Pengujian citra masukan yang termasuk dalam data acuan (skenario

1) untuk pengambilan jarak dekat. III = Pengujian citra masukan yang tidak termasuk dalam data acuan

(skenario 2) untuk pengambilan jarak jauh.

IV = Pengujian citra masukan yang tidak termasuk dalam data acuan (skenario 2) untuk pengambilan jarak dekat.

V = Pengujian citra masukan yang tidak termasuk dalam data acuan

dengan variasi jarak (skenario 3), dengan citra acuan menggunakan pengambilan jarak jauh sedangkan citra uji menggunakan

pengambilan jarak dekat.

VI = Pengujian citra masukan yang tidak termasuk dalam data acuan dengan variasi jarak (skenario 3) dengan citra acuan menggunakan

pengambilan jarak dekat sedangkan citra uji menggunakan

pengambilan jarak jauh. VII = Pengujian citra masukan yang tidak termasuk dalam data acuan

dengan variasi kamera yang digunakan ( skenario 4) untuk

pengambilan jarak jauh. VIII = Pengujian citra masukan yang tidak termasuk dalam data acuan

dengan variasi kamera yang digunakan ( skenario 4) untuk

pengambilan jarak dekat.

IX = Pengujian citra masukan yang tidak termasuk dalam data acuan

dengan variasi kamera yang digunakan, dengan citra uji ditajamkan

menggunakan fungsi Sharpness (skenario 5) untuk pengambilan jarak jauh dengan skala penajaman 50.

X = Pengujian citra masukan yang tidak termasuk dalam data acuan

dengan variasi kamera yang digunakan, dengan citra uji ditajamkan menggunakan fungsi Sharpness (skenario 5) untuk pengambilan

jarak jauh dengan skala penajaman 100.

XI = Pengujian citra masukan yang tidak termasuk dalam data acuan dengan variasi kamera yang digunakan, dengan citra uji ditajamkan

menggunakan fungsi Sharpness (skenario 5) untuk pengambilan

jarak dekat dengan skala penajaman 50.

5

XII = Pengujian citra masukan yang tidak termasuk dalam data acuan

dengan variasi kamera yang digunakan, dengan citra uji ditajamkan

menggunakan fungsi Sharpness (skenario 5) untuk pengambilan jarak dekat dengan skala penajaman 100.

XIII = Pengujian citra masukan yang termasuk dalam data acuan, dengan

citra uji sebelumnya diperlakukan proses derau (skenario 6) untuk pengujian jarak jauh dengan skala noise 50.

XIV = Pengujian citra masukan yang termasuk dalam data acuan, dengan

citra uji sebelumnya diperlakukan proses derau (skenario 6) untuk pengujian jarak jauh dengan skala noise 150.

XV = Pengujian citra masukan yang termasuk dalam data acuan, dengan

citra uji sebelumnya diperlakukan proses derau (skenario 6) untuk pengujian jarak dekat dengan skala noise 50.

XVI = Pengujian citra masukan yang termasuk dalam data acuan, dengan

citra uji sebelumnya diperlakukan proses derau (skenario 6) untuk pengujian jarak dekat dengan skala noise 150.

Dari Tabel 4.1 dapat dilihat bahwa tingkat pengenalan

tertinggi terhadap citra uji, ditunjukan oleh skenario 1. Hal

ini disebabkan karena data acuan yang digunakan adalah

sama dengan citra uji. Sedangkan tingkat pengenalan

terendah terhadap citra uji ditunjukan oleh skenario 5

dengan pengambilan jarak jauh dengan skala ketajaman 100.

Hal ini disebabkan karena citra uji yang didapatkan dengan

kamera telepon genggam memiliki kualitas yang jauh

berbeda dengan citra acuan yang didapatkan dengan kamera

digital Panasonic, dengan penambahan fungsi sharpness

pada citra uji menyebabkan citra tersebut lebih dikenali

sebagai citra lain yang mempunyai jarak yang lebih kecil.

Keenam skenario pengujian diatas menggunakan data

acuan yang terdiri dari tiga puluh ciri citra yang didapat dari

tiga kelas daging yang ada, sehingga masing-masing kelas

mempunyai sepuluh data acuan dari total keseluruhan data

acuan yang ada, dengan pembagian antara jarak jauh dan

dekat. Pemilihan data acuan mempunyai pengaruh terhadap

tingkat keberhasilan pengenalan citra uji. Dalam pengujian

skenario 2, program dapat mengenali dengan baik citra uji

yang ada, karena data acuan yang digunakan cukup

representatif untuk citra masukan yang digunakan, meskipun

demikian, jumlah data acuan yang relatif kecil akan kurang

representatif untuk citra masukan yang banyak dan bervariasi.

Jarak pengambilan gambar pada citra masukan juga

mempunyai pengaruh yang cukup besar dalam tingkat

keberhasilan pengenalan citra masukan. Jarak pengambilan

yang berbeda akan menghasilkan tekstur citra yang berbeda

pula. Hal ini ditunjukan pada Tabel 4.1, skenario 1 dan 2

mempunyai tingkat pengenalan yang lebih baik bila

dibandingkan dengan skenario 3. Pengujian skenario 6

bertujuan untuk melihat pengaruh derau terhadap tingkat

pengenalan program. Kualitas citra uji juga memberikan

pengaruh terhadap tingkat keberhasilan pengenalan citra uji.

Citra uji yang mengalami perubahan sehingga mengalami

penurunan kualitas, tidak akan dapat dikenali dengan baik 4.2 Tingkat Pengenalan Pada Masing-masing Kelas

Daging

Tingkat pengenalan masing-masing kelas dalam enam

skenario pengujian di atas ditunjukan pada Tabel 4.2.

Tabel 4.2 Tingkat Pengenalan masing-masing kelas daging

Sknrio Citra Masukan

Tingkat Pengenalan Citra Uji

k=1 k=3 k=5 k=7 k=9

I

Kambing 100 % 80 % 80 % 60 % 80 %

Kerbau 100 % 60 % 100 % 80 % 80 %

Sapi 100 % 80 % 100 % 80 % 100 %

Sknrio Citra

Masukan

Tingkat Pengenalan Citra Uji

k=1 k=3 k=5 k=7 k=9

II

Kambing 100 % 80 % 80 % 80 % 100 %

Kerbau 100 % 100 % 80 % 80 % 100 %

Sapi 100 % 80 % 80 % 80 % 80 %

III

Kambing 80 % 60 % 60 % 80 % 80 %

Kerbau 100 % 60 % 100 % 100 % 100 %

Sapi 40 % 40 % 40 % 40 % 40 %

IV

Kambing 60 % 20 % 20 % 20 % 60 %

Kerbau 80 % 80 % 80 % 80 % 60 %

Sapi 80 % 20 % 20 % 40 % 20 %

V

Kambing 10 % 10 % 10 % 10 % 10 %

Kerbau 30 % 10 % 10 % 0 % 10 %

Sapi 10 % 10 % 20 % 10 % 20 %

VI

Kambing 70 % 40 % 50 % 40 % 30 %

Kerbau 10 % 10 % 20 % 10 % 20 %

Sapi 50 % 50 % 50 % 50 % 50 %

VII

Kambing 40 % 30 % 20 % 20 % 10 %

Kerbau 50 % 50 % 40 % 20 % 20 %

Sapi 0 % 0 % 0 % 0 % 0 %

VIII

Kambing 30 % 20 % 20 % 20 % 30 %

Kerbau 30 % 30 % 20 % 20 % 30 %

Sapi 80 % 80 % 80 % 80 % 90 %

IX

Kambing 30 % 40 % 20 % 0 % 0 %

Kerbau 20 % 40 % 20 % 20 % 20 %

Sapi 0 % 0 % 0 % 0 % 0 %

X

Kambing 10 % 10 % 10 % 0 % 0 %

Kerbau 10 % 10 % 10 % 10 % 0 %

Sapi 0 % 10 % 0 % 0 % 0 %

XI

Kambing 20 % 10 % 10 % 10 % 20 %

Kerbau 60 % 50 % 20 % 40 % 20 %

Sapi 80 % 80 % 80 % 90 % 90 %

XII

Kambing 0 % 0 % 10 % 0 % 10 %

Kerbau 60 % 60 % 50 % 50 % 40 %

Sapi 80 % 80 % 80 % 80 % 80 %

XIII

Kambing 0 % 20 % 20 % 0 % 0 %

Kerbau 80 % 80 % 80 % 80 % 80 %

Sapi 80 % 80 % 80 % 80 % 80 %

XIV

Kambing 0 % 0 % 0 % 0 % 0 %

Kerbau 60 % 60 % 60 % 40 % 40 %

Sapi 80 % 80 % 80 % 80 % 80 %

XV

Kambing 60 % 60 % 60 % 60 % 80 %

Kerbau 80 % 80 % 80 % 80 % 80 %

Sapi 40 % 40 % 60 % 60 % 60 %

XVI

Kambing 20 % 40 % 40 % 40 % 60 %

Kerbau 100 % 80 % 80 % 80 % 80 %

Sapi 0 % 0 % 0 % 0 % 0 %

6

Dari Tabel 4.2 dapat dilihat bahwa citra daging yang

memiliki tingkat pengenalan tertinggi adalah citra daging

kerbau. Sedangkan citra daging yang memiliki tingkat

pengenalan terendah adalah citra daging kambing. Hal ini

disebabkan karena daging kerbau memiliki tekstur yang

paling berbeda dibandingkan kedua jenis daging yang

lainnya. Daging Kerbau memiliki warna merah tua dan

memiliki serat yang kasar sedangkan jenis daging yang lain

memiliki serat yang cenderung lebih halus. Citra kambing

memiliki tingkat pengenalan yang terendah karena tekstur

citra yang dibentuk kambing memiliki kemiripan dengan

kelas daging sapi karena keduanya mempunyai serat otot

yang halus, sehingga citra kambing sering salah dikenali

sebagai citra kelas sapi.

V PENUTUP

5.1 Kesimpulan

Dari hasil pengujian dan analisis maka dapat

disimpulkan hal-hal sebagai berikut :

Tingkat pengenalan citra uji yang tertinggi

ditunjukkan pada pengujian skenario 1, khususnya pada k=1

yang bisa mencapai 100%, hal ini disebabkan karena data uji

yang digunakan sama dengan basis data.

Tingkat pengenalan terhadap citra diluar basis data

(skenario 2) pada citra daging kerbau mencapai 100%

(k=1,k=5,k=7,k=9) untuk pengujian jarak jauh, sementara

beberapa citra uji dari jenis daging kambing dikenali sebagai

daging sapi, hal ini dikarenakan tekstur citra yang dibentuk

kambing memiliki kemiripan dengan kelas daging sapi.

Tingkat pengenalan terendah terjadi pada citra daging kambing

untuk k=7 sebesar 20% dan citra daging sapi untuk k=9

sebesar 20%.

Tingkat pengenalan citra uji yang diakuisisi dengan jarak

pengambilan kamera yang berbeda dengan jarak pengambilan

citra basis data (skenario 3) cukup rendah. Daging kambing

dapat dikenali sebesar 70%, sedangkan tingkat pengenalan

terendah terjadi pada citra uji dari daging kerbau (untuk k=7)

yang kesemua citra uji tidak dapat dikenali (tingkat pengenalan

= 0%)

Tingkat pengenalan citra uji yang terendah ditunjukan

pada pengujian skenario 5 pengambilan jarak jauh dengan

skala penajaman 100 yaitu sebesar 6,67 %, hal ini

disebabkan karena citra uji diambil menggunakan kamera

ponsel yang memiliki kualitas yang jauh lebih rendah

dibandingkan dengan data acuanyang diambil

menggunakan kamera Panasonic. Penambahan proses

sharpness tidak terlalu mempengaruhi tingkat pengenalan.

Pada pengujian skenario 5 dengan penambahan fungsi

sharpness, pengujian jarak dekat memiliki tingkat pengenalan

citra lebih tinggi dibandingkan pengujian jarak jauh. Hasil

tingkat pengenalan citra untuk pengambilan jarak dekat

dengan penambahan proses penajaman lebih tinggi daripada

tanpa proses penajaman.

Pada pengujian skenario 6, memiliki tingkat pengenalan

citra uji yang relatif rendah, hal ini disebabkan karena derau

yang terdapat pada citra uji cukup banyak mempengaruhi hasil

klasifikasi. Jenis daging kerbau mampu dikenali secara baik,

hal ini dikarenakan pemberian proses noise tidak terlalu

mempengaruhi tekstur yang terbentuk dari citra daging kerbau.

Jenis daging dengan tingkat pengenalan tertinggi adalah

kerbau, hal ini disebabkan karena daging kerbau memiliki

tekstur yang paling berbeda dibandingkan kedua jenis

daging yang lainnya.

Jenis daging dengan tingkat pengenalan terendah

adalah kambing, karena tekstur citra yang dibentuk

kambing memiliki kemiripan dengan kelas daging sapi.

5.2 Saran

Berdasarkan pengujian terhadap program klasifikasi jenis

daging menggunakan matriks ko-okurensi ini, dapat diberikan

beberapa saran sebagai berikut :

Untuk proses ekstraksi ciri dapat digunakan metode

ekstraksi ciri yang lain Metode lain untuk ekstraksi ciri antara

lain adalah histogram jumlah dan selisih (sum and difference

histogram), tapis gabor, frekuensi tepi dan metode law.

Perlu dilakukan penelitian untuk perbandingan hasil

klasifikasi dengan menggunakan metode klasifikasi yang lain

diantaranya menggunakan jaringan syaraf tiruan dan k-means.

Akuisisi citra menggunakan kamera yang memiliki

kualitas dan resolusi yang lebih tinggi, dan teknik pengambilan

gambar yang lebih baik sehingga mendapatkan citra yang lebih

jelas dan jernih.

DAFTAR PUSTAKA

[1] Arriawati, Asri Junita. “Klasifikasi Citra Tekstur

Menggunakan k-Nearest Neighbour Berdasarkan

Ekstraksi Ciri Metode Matriks Ko-okurensi”. Tugas

Akhir, Jurusan Teknik Elektro Universitas Diponegoro,

Semarang, 2007.

[2] Kristiawan, Yudhistira Ganis, “Klasifikasi Citra Dengan

Matiks Ko-okurensi Aras Keabuan (Gray Level Co-

ocurrence Matrix-GLCM) Pada Lima Kelas Biji-bijian”.

Tugas Akhir, Jurusan Teknik Elektro Universitas

Diponegoro, Semarang, 2009.

[3] Gadkari, D. , Image Quality Analysis Using GLCM, http:

//purl.fcla.edu/fcla/etd/CFE0000273 , Mei 2008.

[4] Nugroho, A. W. , Analisis Tekstur Menggunakan Metode

Autokorelasi, Skripsi S-1, Universitas Diponegoro,

Semarang, 2006.

[5] Listyaningrum, R., Analisis Tekstur Menggunakan

Metode Transformasi Wavelet, Skripsi S-1, Universitas

Diponegoro, Semarang, 2006.

[6] Munir, R., Pengantar Pengolahan Citra , http:

//informatika.org/~rinaldi/Buku/Pengolahan%20Citra

%20Digital/Bab-1_Pengantar%20 Pengolahan%20 Citra.

pdf, Agustus 2008

[7] Osuna, R.G. , Lecture 8: The K Nearest Neighbor Rule

(k-NNR),http://courses.cs.tamu.edu/rgutier/cs790_w02/l8

.pdf ,Juli 2008

[8] Rikxoort, E. M. , Texture Analysis, http: // eidetic . ai.

ru.nl/egon/ publications/pdf/Rikxoort04-Texture_analysis

.pdf , Mei 2008.

[9] Teknomo, K., How K-Nearest Neighbor (KNN)

Algorithm works?, http://people.revoledu.com/kardi/

tutorial/K-NN/HowTo-kNN.html , Juli 2008

[10] Tsechansky, M.S. , Classification Model,

http://www.cs.umbc.edu/671/fall01/class- notes/k-NN1

.ppt , Juli 2008

[11] Tuceryan, M and A.K. Jain, Texture Analysis,

http://www.cs.iupui.edu/~tuceryan/research/ComputerVis

ion/texture-review.pdf , Agustus 2008

[12] …….., Dasar Teori, http://fajri.freebsd.or.id/tugas_akhir/

bab2.pdf , Juni 2008.

7

[13] …….., Basic Concept on Co-Occurrence Matrices,

http://www.keyres-technologies.com/product2.html, Juni

2008.

[14] ........... ,Digital Image Procesing, http://en.wikipedia.org/

Digital image processing, Juli 2008.

[15] …….. Daging, http://id.wikipedia.org/wiki/Daging

[16] Lawrie, Membedakan jenis daging,

http://www.peternakan-id.info/2011/04/tekstur-daging.

html, 1995

[17] …….., BAB 2 Citra Digital, http://repository.usu.ac.id/

bitstream/123456789

[18] …….., Konvolusi, http://ukdw.ac.id/kuliah/si/erickblog/

10E92/06Konvolusi.pdf

Laksono Tri Wibowo (L2F709003),

Saat ini sedang menyelesaikan studi S1

di Jurusan Elektronika Fakultas Teknik

Universitas Diponegoro Semarang

dengan pilihan konsentrasi Elektronika

dan Telekomunikasi.

Mengetahui,

Pembimbing I

Imam Santoso, ST. MT.

NIP. 197012031997021001

Pembimbing II

Budi Setiyono, ST. MT.

NIP. 197005212000121001