Melya Rizka Maulani 1, Mulyadi 2, Sila Abdullah Syakri 3. Abstrak. 1. Pendahuluan. 2. Metode Penelitian

Transkripsi

1 RACAG BAGU APLIKASI UUK MEGIDEIFIKASI KUA EKA BAU BAA BERDASARKA WARA BERBASIS PEGOLAHA CIRA MEGGUAKA MEODE EKSRAKSI CIRI SAISIK Melya Rizka Maulani 1, Mulyadi 2, Sila Abdullah Syakri 3 Program Studi eknik Informatika, Jurusan eknologi Informasi dan Komputer, Politeknik egeri Lhokseumawe, Jalan Banda Aceh-Medan Km. 280,3 Buketrata, Lhokseumawe, PO.BOX 90 elpon (0645) 42670, Fax 42785, Indonesia melyarizka30@gmail.com, adhi_na@yahoo.com, st_sila@yahoo.com Abstrak Dalam Industri batu bata tumbuh disetiap tempat untuk mendukung kesediaan batu bata, pembuatan batu bata membutuhkan proses pemilahan material tertentu sehingga menghasilkan mutu batu bata yang baik. Saat ini mengidentifikasi kuat tekan batu bata dilakukan secara mekanis menggunakan alat uji kuat tekan UM (Universal esting Machine) membutuhkan waktu yang lama karena proses dari alat itu sendiri. Maka, diperlukan metode ekstraksi ciri statistik untuk mengidentifikasi dan mengenali suatu citra batu bata dengan tekstur tertentu berdasarkan satu set kelas tekstur yang diberikan, aplikasi ini menggunakan microsoft visual basic.et 2010, dengan proses mencari nilai 5 parameter ekstraksi ciri yaitu mean, variance, skewness, kurtosis, dan entropy. Dari hasil pengujian yang telah dilakukan diperoleh bahwa tingkat keakuratan sistem untuk mengidentifikasi kuat tekan batu bata yaitu 73,33%, diperoleh dari 2 jenis sumber batu bata yaitu tanah sawah dan tanah gunung masing-masing sumber diambil 3 jenis warna batu bata yaitu warna merah, kuning, dan hitam kecoklatan, jumlah keseluruhan data uji yaitu 30 citra. erdapat beberapa faktor yang mempengaruhi sistem tidak akurat yaitu faktor pencahayaan, faktor jarak dalam pengambilan objek citra batu bata dan faktor perbandingan nilai mean data training dan data uji yang sangat mendekati sehingga sering terjadi kesalahan pendeteksian output kuat tekan batu bata, warna dan sumber batu bata. Kata kunci : Batu Bata, Ekstraksi Ciri Statistik, Citra, Identifikasi. 1. Pendahuluan 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. Citra dikatakan memiliki tekstur apabila pola citra terjadi secara berulang-ulang memenuhi semua bidang citra. Citra yang berbeda memiliki ciri-ciri yang berbeda. Ciri-ciri inilah yang menjadi dasar dalam klasifikasi citra berdasarkan tekstur. Salah satu metode untuk memperoleh ciri-ciri citra tekstur adalah dengan menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan arah tertentu. eknologi Konstruksi membutuhkan teknologi identifikasi tekstur, untuk mengidentifikasi baik itu segi kekuatan, kemiringan, atau ukuran suatu material. Penggunaan batu bata dalam dunia konstruksi baik sebagai pembentuk elemen struktur maupun non struktur sampai saat ini masih digunakan. Hal ini dapat dilihat dari banyaknya proyek konstruksi yang memanfaatkan batu bata sebagai dinding pada pembuatan gedung, 17 perumahan, pagar, saluran, pondasi, dan lain- lain. Oleh karena itu batu bata menjadi material bangunan yang penting dalam pembangunan fasilitas umum. Industri batu bata tumbuh disetiap tempat untuk mendukung kesediaan batu bata, pembuatan batu bata membutuhkan proses pemilahan material tertentu sehingga menghasilkan mutu batu bata yang baik. Saat ini mengidentifikasi kuat tekan batu bata dilakukan secara mekanis menggunakan alat uji kuat tekan UM (Universal esting Machine) yang membutuhkan waktu yang lama karena proses dari alat itu sendiri. Pada tugas akhir ini dirancang sebuah system aplikasi untuk mengidentifikasi kuat tekan batu bata dengan menggunakan analisis tekstur berbasiskan pengolahan citra digital. Objek yang diuji adalah batu bata yang sudah dimasak atau yang akan dipasarkan ke masyarakat. 2. Metode Penelitian Metode statistik menggunakan perhitungan statistik distribusi derajat keabuan (histogram) dengan

2 mengukur tingkat kekontrasan, granularitas, dan kekasaran suatu daerah dari hubungan ketetanggaan antar piksel di dalam citra. Paradigma statistik ini penggunaannya tidak terbatas, sehingga sesuai untuk tekstur-tekstur alami yang tidak terstruktur dari sub pola dan himpunan aturan (mikrostruktur) [3] (Siska Riantini Arief, 2011). Ekstraksi ciri merupakan metode pengambilan ciri yang didasarkan pada karakteristik histogram citra. Histogram menunjukkan probabilitas kemunculan nilai derajat keabuan piksel pada suatu citra. Dari nilai-nilai pada histogram yang dihasilkan, dapat dihitung beberapa parameter ciri, antara lain adalah mean, variance, skewness, kurtosis, dan entropy [6] (Abdul Fadlil, 2012). a. Mean (μ) Menunjukkan ukuran dispersi dari suatu citra. μ = f n p (f n ) f n = ilai Intensitas p(f n ) = ilai Histogram (1) b. Variance (σ2) Menunjukkan variasi elemen pada histogram dari suatu citra. Adapun proses diagram alir yang menjelaskan tentang proses perhitungan metode ekstraksi ciri statistik dapat dilihat pada gambar berikut : Mulai Mean (μ) =0 Kurtosis ( 4 ) = 0 f n μ p(f n ) 6 σ 2 = (f n μ) 2 p (f n ) = ilai intensitas keabuan = ilai mean = ilai histogram (2) Fn = nilai intensitas P(fn) = nilai histogram Mean = fn x P(fn) Hasil Mean Kurtosis = (1/Kurtosis) * ((fnmean)^4 P(fn))) -3 Hasil Kurtosis Entropy (H) = 0 c. Skewness ( 3 ) Menunjukkan tingkat kemencengan relatif kurva histogram dari suatu citra. 3 = 1 3 (f n μ) 3 p (f n ) (3) Variance (σ2) = 0 Variance = (fn-mean)^2 P(fn) Entropy = -1 * (P(fn) * (^2Log P(fn)) Hasil Entropy Hasil Mean, Varchar, Skewness, Kurtosis, Entropy Selesai (4) 3 = Standar deviasi dari nilai intensitas keabuan f n = ilai intensitas keabuan μ = ilai mean p(f n ) = ilai histogram Hasil Variance Skewness ( 3 ) = 0 Skewness = (1/Skewness) * (fn-mean)^3 P(fn) Hasil Skewness d. Kurtosis ( 4 ) Menunjukkan tingkat keruncingan relatif kurva histogram dari suatu citra. 4 = 1 4 (f n μ) 4 p (f n ) 3 (4) Gambar 1. Diagram Alir Metode Ekstraksi Ciri Statistik 4 = Standar deviasi dari nilai intensitas keabuan f n = ilai intensitas keabuan μ = ilai mean 18

3 p(f n ) = ilai histogram e. Entropy (H) Menunjukkan ukuran ketidakaturan bentuk dari suatu citra abel 3. abel hasil deteksi kuat tekan batu bata jenis anah Gunung Kuning H = p (f n ). p(f n ) = ilai histogram 2.log p (f n ) (5) 3. Hasil dan Pembahasan abel 1. abel hasil deteksi kuat tekan batu bata jenis anah Gunung Hitam Kecoklatan abel 4. abel hasil deteksi kuat tekan batu bata jenis anah Sawah Hitam Kecoklatan abel 2. abel hasil deteksi kuat tekan batu bata jenis anah Gunung Merah abel 5. abel hasil deteksi kuat tekan batu bata jenis anah Sawah Kuning 19

4 Berdasarkan hasil pengujian aplikasi yang telah dilakukan dengan tujuan untuk mengetahui sejauh mana tingkat keberhasilan ataupun kegagalan dari sistem ini. Pada proses mendeteksi kuat tekan batu bata yang diuji menggunakan metode ekstraksi ciri statistik yang memiliki 5 parameter yaitu mean, variance, kurtosis, skewness dan entropy. ilai mean menjadi nilai perbandingan antara data training dan data uji, tabel berikut adalah hasil pendeteksian dari 30 data uji batu bata yang terdiri dari 5 citra batu bata tanah gunung hitam kecoklatan, 5 citra batu bata tanah gunung kuning, 5 citra batu bata tanah gunung merah, 5 citra batu bata tanah sawah hitam kecoklatan, 5 citra batu bata tanah sawah kuning, dan 5 citra batu bata tanah sawah merah. Berdasarkan tabel hasil pengujian sistem identifikasi kuat tekan batu bata di atas, dapat dihitung untuk akurasi sistem ini yaitu dimana nilai adalah jumlah seluruh citra uji sebanyak 30 citra, yang terdiri dari 5 citra batu bata tanah gunung hitam kecoklatan, 5 citra batu bata tanah gunung kuning, 5 citra batu bata tanah gunung merah, 5 citra batu bata tanah sawah hitam kecoklatan, 5 citra batu bata tanah sawah kuning, dan 5 citra batu bata tanah sawah merah, maka dapat dihitung tingkat akurasinya sebagai berikut : abel 6. Akurasi Sistem Dari tabel akurasi sistem tersebut didapatkan tingkat akurasi untuk identifikasi kuat tekan batu bata berdasarkan perhitungan metode ekstraksi ciri statistik yaitu mencapai 73,33%. 4. Simpulan Berdasarkan hasil penelitian yang telah dilakukan dapat diambil kesimpulan sebagai berikut : a. Selain dari alat khusus pengujian kuat tekan batu bata, batu bata juga bisa diketahui kuat tekannya berdasarkan warnanya. b. Dari lima parameter ekstraksi ciri yang digunakan yaitu mean, variance, skweness, kurtosis dan entropy, dapat dilihat dan disimpulkan bahwa parameter kurtosis adalah parameter yang paling berpengaruh dalam penentuan ciri citra karena terlihat pada ukuran nilainya yang sangat fluktuaktif. c. Kendala yang muncul dari penggunaan metode jarak ekstraksi ciri statistik yaitu nilai mean citra uji yang gagal di identifikasi karena mendekati dengan nilai mean citra latih dalam database yang tidak sesuai dengan identitas citra yang diujikan, Sehingga sering terjadi kesalahan pendeteksian output kuat tekan batu bata serta warna dan sumber batu bata. d. Secara keseluruhan hasil deteksi kematangan dari aplikasi ini mempunyai persentase tingkat keberhasilan standar, yaitu 73,33%. 5. Daftar Acuan [1] Adikara, P.P, dkk. (2014). Pencarian Ruang Warna Kulit Manusia Berdasarkan nilai Karakteristik Matrik Window Citra. Jurnal eknologi Informasi dan Ilmu Komputer (JIIK) Vol.1, o.9 ahun [2] Al-Bahra bin Ladjamudin Analisis dan Desain Sistem Informasi. ogyakarta : Graha Ilmu. [3] Arief, Siska Riantini Analisis ekstur dan Ekstraksi Ciri, Program Studi eknik Informatika, Institut eknologi elkom Bandung.avalaible at: [4] Arriawati, A.J, dkk. (2011). Klasifikasi Citra ekstur Menggunakan K-earest eighbour Berdasarkan Ekstraksi Ciri Metode Matriks Kookurensi. Universitas Diponegoro : Konsentrasi Elektronika dan elekomunikasi. [5] B. Soeherman and M. Pinontoan, Designing Information System Concepts & Cases with Visio, Jakarta: P Elex Media Komputindo, [6] Fadlil, Abdul Modul Kuliah Pengenalan Pola. Universitas Ahmad Dahlan, ogyakarta. [7] Handayani, Sri. (2010). Kualitas Batu Bata Merah Dengan Penambahan Serbuk Gergaji. Jurnal eknik Sipil & Perencanaan, o.1 Volume 12 tahun [8] Hartono Perkiraan Perubahan anah Lempung Setelah Proses Pembakaran. Bandung. [9] Haviluddin, Memahami Penggunaan UML (Unified Modeling Language). Samarinda : Vol 6 o 1. Februari [10] Henderi, 2007, Analysis and Design with Unified Modeling Language (UML), SMIK Raharja, angerang [11] Indra, Ade. (2012). Kuat ekan (Compression Strength) Komposit Lempung/Pasir Pada 20

5 Aplikasi Bata Merah Daerah Payakumbuh Sumbar. Jurnal eknik Mesin Vol.1, o.2 : ahun 2002 [11] Munir, R Pengolahan Citra Digital. (Online). di.munir/buku/pengolahan%20citra%20digit al/ (8 januari 2016). [12] Permadi,. dan Murinto. Aplikasi Pengolahan Citra Untuk Identifikasi Kematangan Mentimun Berdasarkan ekstur Kulit Buah Menggunakan Metode Ekstraksi Ciri Statistik. Jurnal Informatika Vol.9, o.1 ahun