BAB II TINJAUAN PUSTAKA

Transkripsi

1 BAB II TINJAUAN PUSTAKA Untuk menunjang peaksanaan peneitian ini diakukan tinjauan pustaka mengenai tinjauan studi yang berisi peneitian-peneitian terkait dengan pengenaan kuaitas buah, median fitering, segmentasi menggunakan threshod, fitur warna, fitur bentuk, fitur tekstur, dan kasifikasi metode Support Vector Machine (SVM) Tinjauan Studi Peneitian pertama adaah membahas mengenai kontro otomatis kuaitas tomat yang dianaisis berdasarkan 3 metode yang berbeda, yaitu LVQ, MLP, dan SVM (Mehrdad et a, 2012). Gambar pertama kai diambi oeh kamera digita dan kemudian data tersebut diproses dengan mengurangi noise dan perbaikan kontras. Lau diakukan ekstraksi fitur pada dataset. Fitur yang digunakan adaah derajat kemerahan dan kekuningan yang diperoeh daam bentuk fuzzy, tingkat kehijauan, moment pertama, moment kedua, moment ketiga, rata-rata tiga moment yang disebutkan sebeumnya, niai kebuatan, dan uas permukaan. Fitur yang teah didapat, au digunakan pada 3 pengkasifikasi yang berbeda dan hasi akhir dibandingkan dan di evauasi. Hasi peneitian menunjukkan bahwa SVM memiiki kinerja yang ebih baik dibandingkan dengan dua metode aternatif. Peneitian kedua membahas mengenai anaisis awa dari sistem kasifikasi kuaitas untuk buah Jonagod dan Ape Goden Deicious (Unay dan Gossein, 2002)). Fitur yang digunakan adaah fitur warna, tekstur, dan waveet yang di ekstrak dari gambar ape tersebut. Lau fitur tersebut dijadikan sebgai inputan daam metode Muti Layer Perceptron - Neura Network. Peneitian ketiga membahas identifikasi dan kasifikasi dari berbagai jenis gambar buah menggunakan jaringan syaraf tiruan (Savakar, 2012). Skema untuk kasifikasi visua yang biasanya dianjutkan daam 2 tahap. Tahap pertama, fitur yang diambi mewakii gambar. Tahap kedua, diakukan kasifikasi dengan inputan yang digunakan dari hasi ekstraksi fitur. Jenis buah yang digunakan 14

2 15 adaah Ape, Chickoo, Mangga, Jeruk, dan Lemon. Metode Back Propagation Neura Network digunakan untuk mengkasifikasikan dan mengenai sampe gambar buah, menggunakan berbagai jenis fitur yaitu warna, tekstur, kombinasi dari kedua warna dan fitur tekstur. Peneitian ini mengungkapkan bahwa kombinasi fitur warna dan tekstur memiiki performa secara individu daam identifikasi dan kasifikasi dengan jenis buah yang berbeda. Peneitian keempat membahas kasifikasi buah menggunakan Mutikeas SVM (Zhang dan Wu, 2012). Langkah pertama gambar buah diakuisisi oeh kamera digita. Lau diakukan proses pengoahan citra yaitu segmentasi menggunakan agoritma spit and merge. Kemudian diakukan proses ekstraksi fitur dengan fitur bentuk, fitur tekstur, dan histogram warna. Pengurangan fitur diakukan menggunakan metode PCA. Kemudian proses kasifikasi diakukan menggunakan SVM dengan 3 mutikeas dan menggunakan kerne. Hasi yang didapatkan adaah dengan tingkat akurasi terbaik 88.2% menggunakan kerne RBF Pre-Processing Dataset Pre-processing adaah sebuah operasi awa yang digunakan untuk memproses sebuah gambar (Sonka, M, et a, 2008). Pre-processing tidak menambahkan informasi pada gambar. Tujuan dari Pre-processing adaah untuk meningkatkan informasi pada gambar yang seharusnya terdistorsi. Informasi pada gambar yang seharusnya bisa di ekstraksi terkadang terhaang oeh gangguan atau noise, sehingga informasi tersebut gaga didapatkan. Beberapa contoh masaah yang terjadi pada gambar yang menyebabkan kuaitas gambar menurun adaah contrast yang buruk, berbagai noise, distorsi geometri, dan tingkat fokus yang buruk (Menotti, et a, 2008). Pada peneitian ini, prosedur pre-processing ini diakukan pada seuruh dataset adaah sebagai berikut : 1. Menghiangkan noise menggunakan metode median fiter. 2. Menghiangkan atar beakang menggunakan metode segmentasi.

3 16 Pengurangan noise atau Noise Reduction termasuk pada kategori khusus pengoahan citra yaitu image restoration atau pemuihan citra. Citra yang dipihkan adaah citra yang rusak, yaitu citra yang niai intensitas pixenya berubah. Contohnya adaah dikarenakan bur atau buram yang disebabkan oeh sebab aamiah, tercemar oeh noise atau derau, dan distorsi geometris ensa. Noise merupakan informasi yang tidak diinginkan yang mencemari citra. Noise tersebut berbentuk titik-titik atau pixe-pixe yang memiiki intensitas berbeda yang mengganggu citra. Biasanya noise terjadi pada saat akuisisi citra, seperti sebuah kamera yang memotret, proses scan gambar, dan yang ain-ain. Terdapat banyak fiter yang dapa digunakan untuk menghiangkan noise, tetapi pada peneitian ini, fiter yang digunakan untuk menghiangkan noise adaah Median Fiter. Order-statistic fiter adaah fiter spasia yang hasinya didasarkan dari pengurutan atau perangkingan niai pixe yang merupakan isi daerah citra yang diterapkan oeh fiter. Dimana hasi rangking menentukan hasi fiter. Orderstatistic yang paing terkena adaah median fiter. Median fiter mengganti niai pixe dengan median dari eve intensitas daam tetangga pixe yang teah diakukan pengurutan. Niai pixe pada titik (x,y) dimasukkan daam komputasi median. Median fiter sangat terkena karena untuk jenis random noise tertentu memberikan kemampuan pengurangan noise yang sangat baik dengan memperhatikan pengurangan burring fiter smoothing inier pada ukuran yang sama. Median fiter efektif tertentu menunjukkan adanya noise bipoar dan unbipoar Fitur Warna Menggunakan Histogram Pada ekstraksi fitur warna, gambar RGB akan dikonversi menjadi HSV. Kemudian niai Vaue akan dihitung kemuncuannya menggunakan histogram warna.

4 17 Gambar 2.1 Ruang Warna HSV Citra dengan ruang HSV (Hue Saturation Vaue) menunjukkan ruang warna daam bentuk tiga komponen utama yaitu Hue, Saturation, dan Vaue (Ford dan Roberts, 1998). Hue adaah sudut 0 sampai 360 derajat, biasanya 0 adaah merah, 60 adaah kuning, 120 adaah hijau, 180 adaah cyan, 240 adaah biru, dan 300 adaah magenta. Hue menunjukkan jenis warna ditemukan daam spectrum warna. Saturation adaah ukuran seberapa besar kemurnian warna tersebut. Vaue adaah seberapa besar kecerahan dari suatu warna atau seberapa besar cahaya dating dari suatu warna. Perhitungan konversi RGB menjadi HSV dapat dirumuskan sebagai berikut : 1. Normaisasi terebih dahuu niai r, g, dan b dengan rumus : R = G = B = r r + g + b g r + g + b b r + g + b (2.1) (2.2) (2.3) 2. Tentukan niai max dan min dari niai R, G, dan B. 3. Menentukan niai Saturation dengan rumus : S = max min max (2.4) 4. Menentukan niai Vaue dengan rumus :

5 18 5. Menentukan niai Hue dengan rumus : V = max (2.5) R = G = B = max R max min max G max min max B max min H = undifined, S = 0 H = 5 + B, R = max dan G = min H = 1 G, R = max dan G min H = H = R + 1, G = max dan B = min H = 3 B, G = max dan B min H = 3 + G, R = max { H = 5 R, otherwise (2.6) (2.7) (2.8) (2.9) H = 60 H (2.10) Histogram warna merupakan fitur yang paing banyak digunakan untuk merepresentasikan ciri warna suatu citra. Citra pada umumnya dikonversi ke daam suatu ruang warna tertentu, kemudian setiap komponen ruang warna dibuat histogramnya (Putra, 2010). Gambar 2.2 Citra 4 x 4 Contoh berikut memberikan iustrasi daam memperoeh fitur histogram warna. Gambar 2.2 Menunjukkan suatu citra 4 x 4 pixe dengan asumsi citra

6 19 tersebut mewakii suatu komponen dari suatu ruang warna. Sehingga histogramnya dapat diihat pada Gambar 2.3. Berdasarkan histogram warna pada Gambar 2.3, maka fitur warna citra tersebut adaah 150. Gambar 2.3 Histogram Warna dari Citra Gambar Fitur Tekstur Anaisis tekstur azim dimanfaatkan sebagai proses antara untuk meakukan kasifikasi dan interpretasi citra. Fitur tekstur yang digunakan adaah Entropy, Energy, Contrast, Homogeneity, Correation, Mean, dan Variance. Untuk pencarian niai Entropy, Energy, Contrast, Homogeneity, Correation, dan Variance menggunakan Matriks Kookurensi, sedangkan pencarian niai Mean menggunakan histogram citra. 1. Entropy Ciri entropy menunjukkan sifat ketidakteraturan suatu image. Ciri entropy diekstrak menggunakan persamaan : entropy = p(f n ). og p(f n ) n=0 (2.11) dengan : p ( f n ) = jumah kemuncuan suatu niai intensitas (niai histogram suatu niai intensitas keabuan).

7 20 f n = niai intensitas keabuan daam suatu image, berada dari rentang 0 hingga Energy Ciri energy menunjukkan sifat homogenitas suatu image, dibagi dengan besar dimensi image tersebut. Ciri energy diekstrak menggunakan persamaan : Energy = p(i, j) 2 i,j (2.12) dimana p(i,j) menyatakan niai pada baris i dan koom j pada matriks kookurensi. 3. Contrast Menunjukkan ukuran penyebaran (momen inersia) eemen-eemen matriks citra. Jika etaknya jauh dari diagona utama, niai kekontrasan besar. Secara visua, niai kekontrasan adaah ukuran variasi antar derajat keabuan suatu daerah citra. contrast = i j 2 p(i, j) i,j (2.13) 4. Homogeneity Secara matematis, homogenitas GLCM (Gray Leve Co-occurrence Matrix) adaah invers dari kontras GLCM, yaitu keseragaman intensitas keabuan pada citra. p(i, j) homogeneity = 1 + i j i,j (2.14) 5. Correation Menunjukkan ukuran ketergantungan inear derajat keabuan citra sehingga dapat memberikan petunjuk adanya struktur inear daam citra. Correation = (i μ i )(j μ j) p(i, j) σ i σ j i,j (2.15)

8 21 σ i = σ i 2 dan σ j = σ j 2 (2.16) 6. Mean Menunjukkan ukuran dispersi dari suatu citra. μ = f n p(f n ) n (2.17) dimana fn merupakan suatu niai intensitas keabuan, sementara p(fn) menunjukkan niai histogramnya (probabiitas kemuncuan intensitas tersebut pada citra). 7. Variance Menunjukkan variasi eemen pada histogram dari suatu citra. σ i 2 = p(i, j)(1 μ i ) 2 i,j σ j 2 = p(i, j)(1 μ j ) 2 i,j (2.18) (2.19) 2.5. Fitur Bentuk Anaisis bentuk adaah bentuk suatu objek berkaitan dengan profie dan struktur fisik dari objek tersebut. Kode rantai atau Chain Code sering digunakan untuk mendeskripsikan atau mengkodekan bentuk atau counter suatu objek. Gambar 2.4 Arah Kode Rantai Urutan daam pembacaan arah satu pixe ke pixe yang ain berdasarkan arah jarum jam. Pembentukan kode rantai dimuai dengan menentukan pixe

9 22 pertama dari objek. Berdasarkan pixe tersebut kode rantai objek dibentuk dengan mengikuti aturan arah kode rantai. Berdasarkan kode rantainya, anaisis terhadap suatu objek dapat diakukan dengan menghitung keiing (perimeter) dan area. Gambar 2.5 Objek dengan Kode Rantai Perimeter menyatakan panjang dari kerangka yang dihasikan (Putra, 2010). Perimeter dapat dihitung dengan rumus sebagai berikut: P = jumah kode genap + 2 jumah kode ganji (2.20) Masuknya faktor 2 pada penentuan perimeter untuk kode ganji adaah kaena kode ganji memiiki arah diagona. Area menyatakan uas dari suatu objek (Putra, 2010). Untuk menghitung area suatu objek, maka hitung terebih dahuu area setiap kode rantai tersebut dengan aturan sebagai berikut : Kode 0 Area = Area + Y (2.21) Kode 1 Area = Area + (Y + 0.5) (2.22) Kode 2 Area = Area (2.23) Kode 3 Area = Area (Y + 0.5) (2.24) Kode 4 Area = Area Y (2.25)

10 23 Kode 5 Area = Area (Y 0.5) (2.26) Kode 6 Area = Area (2.27) Kode 7 Area = Area + (Y 0.5) (2.28) Seteah perhitungan uas area untuk setiap kode rantai seesai, maka dapat dihitung area objek tersebut dengan rumus : n A = Area (2.29) 2.6. Support Vector Machine (SVM) Support Vector Machine (SVM) pertama kai diperkenakan oeh Vapnik pada tahun 1992 sebagai rangkaian harmonis konsep-konsep ungguan daam bidang pattern recognition (Satriyo et a, 2003). Sebagai saah satu metode pattern recognition, usia SVM terbiang masih reatif muda. Waaupun demikian, evauasi kemampuannya daam berbagai apikasinya menempatkannya sebagai state of the art daam pattern recognition, dan dewasa ini merupakan saah satu tema yang berkembang dengan pesat. SVM adaah metode earning machine yang bekerja atas prinsip Structura Risk Minimization (SRM) dengan tujuan menemukan hyperpane terbaik yang memisahkan dua buah cass pada input space. Gambar 2.6 Aternatif Bidang Pemisah (kiri) dan Bidang Pemisah terbaik dengan Margin (m) Terbesar (kanan)

11 24 Lineary separabe data merupakan data yang dapat dipisahkan secara inier. Misakan {x 1,, x n } adaah dataset dan yi {+1, 1} adaah abe keas dari data xi. Pada gambar 2.6 dapat diihat berbagai aternatif bidang pemisah yang dapat memisahkan semua data set sesuai dengan keasnya. Namun, bidang pemisah terbaik tidak hanya dapat memisahkan data tetapi juga memiiki margin paing besar. Adapun data yang berada pada bidang pembatas ini disebut support vector. Daam contoh di atas, dua keas dapat dipisahkan oeh sepasang bidang pembatas yang sejajar. Bidang pembatas pertama membatasi keas pertama sedangkan bidang pembatas kedua membatasi keas kedua, sehingga diperoeh: x i. w + b +1 untuk y i = +1 (2.30) x i. w + b 1 untuk y i = 1 (2.31) w adaah norma bidang dan b adaah posisi bidang reatif terhadap pusat koordinat. Niai margin (jarak) antara bidang pembatas (berdasarkan rumus jarak garis ke titik pusat) adaah D = b 1 b 1 w d = 1 w = 2 w (2.32) (2.33) Niai margin ini dimaksimakan dengan tetap memenuhi (2.32). Dengan mengaikan b dan w dengan sebuah konstanta, akan dihasian niai margin yang dikaikan dengan konstanta yang sama. Oeh karena itu, konstrain (2.32) merupakan scaing constraint yang dapat dipenuhi dengan rescaing b dan w. Seain itu, karena memaksimakan 1 w sama dengan meminimumkan w 2 dan jika kedua bidang pembatas pada (2.30) dan (2.31) di representasikan daam pertidaksamaan (2.34) : y i (x i. w + b) 1 0 (2.34) Maka pencarian bdang pemisah terbaik dengan niai margin terbesar dapat dirumuskan menjadi masaah optimasi konstrain, yaitu min w 2 (2.35)

12 25 subject to y i (x i. w + b) 1 0 (2.36) Persoaan ini akan ebih mudah diseesaikan jika diubah ke daam formua agrangian yang menggunakan agrange mutipier. Lagrangian L harus diminimakan dengan memandang prima variabe w dan b dan memaksimajan dengan ke dua variabe i, dengan kata ain poin penentu harus sudah ditentukan. Pernyataan bahwa pada poin penentu, yang derivative dari L dengan prima variabe harus dihiangkan : Mengarah ke : L b = 0 (2.37) L w = 0 (2.38) i y i = 0 (2.39) w = α i y i x i (2.40) Sehingga proses perhitungan dua probemnya adaah sebagai berikut : L(w, b, α) = 1 2 w 2 α i (y i (x i. w + b) 1) (2.41) = 1 2 (w. w) ( α iy i x i w + x i y i b α i ) (2.42) = 1 2 ( α iy i x i. α j y j x j ) ( α i y i (x i. α j y j x j ) + 0 α i ) (2.43) j=1 j=1 = 1 2 ( α iα j y i y j x i. x j ) ( α i α j y i y j x i. x j + 0 α i ) (2.44) i,j=1 i,j=1 = 1 2 α iα j y i y j x i. x j α i α j y i y j x i. x j + α i i,j=1 i,j=1 (2.45)

13 26 Sehingga didapatkan rumus dua probem adaah L(w, b, α) = α i 1 2 α iα j y i y j x i. x j i,j=1 (2.46) Dengan demikian, dapat diperoeh niai i yang nantinya digunakan untuk menemukan w. terdapat niai i untuk setiap data peatihan. Data peatihan yang memiiki niai i > 0 adaah support vector sedangkan sisanya memiiki niai i = 0. Dengan demikian fungsi keputusan yang dihasikan hanya dipengaruhi oeh support vector. Formua pencarian bidang pemisah terbaik ini adaah permasaahan quadratic programming, sehingga niai maksimum goba dari i seau dapat ditemukan. Dengan menggunakan Quadratic Programming didapatkan niai apha ( ). Bia data x i memiiki niai = 0, maka data tersebut bukanah support vector. Sedangkan bia > 0, maka data tersebut merupakan support vector. Apabia niai teah diperoeh, maka w dan b dapat diperoeh dengan menggunakan persamaan (2.47) dan (2.48). Seteah itu, dapat meakukan proses testing dengan persamaan (2.49). w = α i y i x i (2.47) b = 1 2 (w. x 1 + w. x +1 ) (2.48) n f(t) = sgn ( α i y i t. x i + b) (2.49),x i SV 2.7. Metode Kerne SVM Banyak teknik data mining atau machine earning yang dikembangkan dengan asumsi keinieran. Sehingga agoritma yang dihasikan terbatas untuk kasus-kasus yang inier. Karena itu, bia suatu kasus kasifikasi memperihatkan

14 27 ketidakinieran, agoritma seperti perceptron tidak bias mengatasinya. Secara umum, kasus-kasus dunia nyata adaah kasus yang tidak inier. Sebagai contoh, perhatikan Gambar 2.7. Data tersebut suit dipisahkan secara inier. Metode kerne adaah saah satu sousinya. Dengan metode kerne suatu data x di input space di mapping ke feature space D dengan dimensi yang ebih tinggi meaui map φ sebagai berikut φ: x_ φ(x). Karena itu data x di input space menjadi φ(x) di feature space. Sering kai fungsi φ(x) tidak tersedia atau tidak bias dihitung. Tetapi dot product dari dua vector dapat di hitung baik di daam input space maupun di feature space. Dengan kata ain, sementara φ(x) mungkin tidak diketahui, dot product < φ(x1), φ(x2) > masih dapat dihitung pada feature space. Untuk dapat menggunakan metode kerne, pembatas (constraint) peru diekspresikan daam bentuk dot product dari vector data x i. Sebagai konsekuensi, pembatas yang menjeaskan permasaahan daam kasifikasi harus diformuasikan kembai sehingga menjadi bentuk dot product. Daam feature space ini, dot product <. > menjadi < φ(x), φ(x) >. Suatu fungsi kerne, K(x, x ), bias untuk menggantikan dot product < φ(x), φ(x) >. Kemudian di feature space, dapat membuat suatu fungsi pemisah yang inier yang mewakii fungsi noninier di input space. Gambar 2.7 mendeskripsikan suatu contoh feature mapping dari ruang 2 dimensi ke feature space 2 dimensi. Gambar 2.7 Contoh Feature Mapping

15 28 Daam input space, data tidak dapat dipisahkan secara inier, tetapi dapat dipisahkan di feature space. Karena itu, dengan memetakan data ke feature space menjadikan tugas kasifikasi menjadi ebih mudah. Terdapat beberapa fungsi kerne yang biasa digunakan : Kerne Linier : K(x, x ) = x T x (2.50) Kerne Homogeneous Poynomia : K(x, x ) = (x x ) d (2.51) Kerne Gaussian Radia Basis : K( x, x ) = exp ( x x 2 2σ 2 ) (2.52) Kerne Hyperboic Tangent : K(x, x ) = tanh (κx x + c) (2.53) Sepanjang fungsi kernenya egitimate, SVM akan beroperasi secara benar meskipun tidak diketahui seperti apa map yang digunakan. Fungsi kerne yang egitimate diberikan oeh Teori Mercer, dimana fungsi tersebut harys memenuhi syarat, yaitu continuous dan positive definite. Lebih mudah menemukan fungsi kerne daripada mencari map φ. Pada penerapan metode kerne, tidak peru mengetahui map apa yang digunakan untuk satu per satu data, tetapi ebih penting mengetahui bahwa dot product dua titik di feature space bias digantikan oeh fungsi kerne. Gambar 2.8 Representasi Data Kerne