BAB I PENDAHULUAN 1.1 Latar Belakang

Transkripsi

1 BAB I PENDAHULUAN 1.1 Latar Belakang Indonesia merupakan sebuah salah satu negara yang dikenal sebagai penghasil berbagai macam sumber daya alam, termasuk sumber daya alam berupa kayu-kayuan. Kayu di Indonesia memiliki beraneka macam jenisnya, antara lain kayu jati, bengkirai, glugu, nangka, sengon dan lain sebagainya. Jenis-jenis kayu di Indonesia tersebut tidak semua memiliki nilai jual dan ada juga yang memiliki nilai jual. Untuk jenis-jenis kayu yang memiliki nilai jual tergolong banyak jumlahnya, dan diantara jenis-jenis kayu tersebut bahkan memiliki nilai jual tinggi hingga pasar Internasional. Pengelompokan jenis kayu biasanya ditentukan oleh beberapa parameter, diantaranya adalah warna, berat, tekstur, dan masih banyak lagi. Salah satu faktor penting dalam pengelompokan jenis kayu adalah tekstur kayu [1]. Pengelompokan jenis kayu biasanya sangat bergantung pada persepsi mata manusia terhadap faktor tekstur jenis kayu, biasanya hanya dapat dilakukan oleh para ahli kayu maupun penjual mebel. Persepsi mata manusia biasanya cenderung subyektif terhadap suatu obyek dalam melakukan pengelompokan [2]. Untuk mengatasi hal ini maka digunakanlah suatu teknologi untuk menganalisis suatu tekstur kayu agar dapat diklasifikasikan ke dalam kelas-kelas tertentu. Keuntungan melakukan klasifikasi jenis kayu secara komputerisasi ini dapat terlihat secara nyata. Dengan kemampuan analisis yang lebih cermat terhadap perubahan-perubahan kecil yang secara umum tidak bisa dilakukan oleh manusia tentu menimbulkan perubahan yang cukup drastis. Perubahan tekstur kayu dapat terjadi akibat lingkungan pertumbuhan, suhu 1

2 2 kelembapan dan umur pohon itu sendiri. Sehingga warna dan tekstur dapat berubah sesuai dengan faktor lingkungan tersebut. Dalam penulisan ini, penulis menggunakan teknologi dan ilmu pengetahuan pada citra digital. Dimana teknologi tersebut dapat melakukan pengelompokan secara otomatis dengan menggunakan melakukan inputan ke dalam database. Oleh karena itu, diperlukan sebuah sistem yang dapat melakukan pendeteksian jenis kayu berdasarkan inputan citra tekstur kayu sehingga sistem tersebut diharapkan dapat melakukan klasifikasi jenis kayu berdasarkan tekstur. Klasifikasi biasa dilakukan melalui fitur-fitur yang diolah dengan menerapkan langkah-langkah pengumpulan dan pengelompokan data dengan beberapa upaya seperti pembagian ukuran fitur, seleksi fitur, dan pendesainan klasifikasi berdasar aturan. Secara praktikal, salah satu contoh bentuk pengolahan fitur dapat dilakukan melalui ekstraksi warna R-G-B [3]. Dari data jenis kayu tersebut akan dilakukan sebuah ekstraksi dengan ciri statistik atau analisis sebuah tekstur. Dengan menggunakan komposisi warna dalam bentuk histogram untuk mepresentasikan jumlah piksel untuk intensitas warna dalam citra. Gambar dalam database akan di olah melalui fitur ekstraksi ciri melalui Intensitas, Deviasi, Skewness, Energi, Entropi dan Smoothness yang akan digunakan dalam pengklasifikasian jenis kayu. Dari pengklasifikasian jenis kayu tersebut, selanjutnya dilanjutkan dengan menggunakan algoritma k-nearest Neighbor (KNN) untuk mendapatkan pengelompokan jenis kayu untuk mendapatkan hasil klasifikasi terdekat.pengklasifikasian menggunakan fitur pengukuran jarak, metode pengukuran jarak yang digunakan adalah Cityblock Distance sehingga dapat mengoptimalkan dalam melakukan pengklasifikasian berdasarkan jarak klasifikasi dari data training dan data testing.dalam penelitian ini digunakan fitur warna dan tekstur pada kayu guna menentukan jenis kayu menggunakan

3 3 Algoritma K-Nearest Neighbor. Pola pencarian dengan mencari sejumlah citra yang memiliki kemiripan dengan citra dalam database [4]. Adapun alasan penggunaan metode ini dikarenakan teknik klasifikasi dengan KNN bersifat sederhana, yaitu mencari selisih antar vektor ciri. Dengan penggunaan metode KNN sebagai teknik klasifikasi jenis kayu, tetap dapat menjaga pentingnya proses ekstraksi ciri dan output yang menghasilkan nilai kebenaran. Dari karakteristik yang ada pada tiap citra kayu, akan dilakukan percobaan untuk mendapatkan ciri khas dari masing-masing citra kayu. Diharapkan ciri yang berhasil diperoleh dapat membedakan jenis kayu pada masing-masing citra inputan. Sehingga pembuatan Tugas Akhir ini dapat bermanfaat untuk meminimalisir adanya kesalahan pemilihan jenis kayu berdasarkan citra yang dilihat [4]. Berdasarkan latar belakang di atas yang sudah di sampaikan sebelumnya, dengan ini maka penulis akan mengangkat judul Klasifikasi jenis kayu berdasarkan tekstur dan warna menggunakan algoritma K-Nearest Neighbor menggunakan fitur Histogram 1.2 Rumusan Masalah Berdasarkan latar belakang yang telah disampaikan sebelumnya, penelitian ini memiliki rumusan masalah adalah bagaimana mengklasifikasi jenis kayu berdasarkan tekstur dan warna menggunakan metode K-Nearest Neighbor (KNN) dengan pengukuran jarak Cityblock Distance? 1.3 Batasan Masalah Untuk menghindari penyimpangan dari judul dan tujuan yang sebenarnya serta keterbatasan pengetahuan yang dimiliki penulis. Maka penulis membuat ruang lingkup dan batasan masalah pada penelitian tugas akhir ini yaitu :

4 4 a. Data yang digunakan data citra kayu menggunakan kamera foto. b. Citra gambar menggunakan ukuran 625 x 417. c. Data yang digunakan berupa 5 jenis kayu dengan 50 citra yang berbeda untuk setiap jenisnya d. Data yang digunakan 150 citra training dan 100 citra uji. e. Objek data yang digunakan adalah jenis kayu nangka, jati, sengon, bengkirai dan glugu. f. Citra yang digunakan berupa citra warna atau RGB g. Metode yang digunakan adalah metode KNN h. Aplikasi untuk pengklasifikasian menggunakan Matlab i. Pengukuran jarak yang digunakan adalah Cityblock Distance. 1.4 Tujuan Penelitian Pengklasifikasian jenis kayu menggunakan metode K-Nearest Neighbor dengan pengukuran jarak Cityblock Distance dengan tingkat akurasi diatas 90%. Diharapkan dapat membantu masyarakat dalam membedakan jenis kayu berdasarkan citra. 1.5 Manfaat Penelitian Manfaat yang diharapkan dapat diperoleh dari penelitian ini adalah: 1. Bagi Penulis a. Sebagai sarana untuk menerapkan ilmu yang di dapat dalam bangku kuliah terutama tentang pengolahan citra digital. b. Mengimplementasikan riset dalam bidang Image Processing. c. Menambah wawasan dalam ilmu pengetahuan tentang jenis kayu d. Menambah pemahaman dan pengalaman dalam penerapan ekstraksi histogram dengan metode K-Nearest Neighbor (KNN) 2. Bagi Masyarakat

5 5 a. Penelitian ini dapat digunakan sebagai alat bantu untuk pengklasifikasian jenis kayu. b. Masyarakat dapat mengetahui jenis kayu yang harus dilestarikan dan diselamatkan. 3. Bagi Akademik a. Sebagai evaluasi akademik untuk meningkatkan mutu pendidikan. b. Referensi riset image processing bagi pengembangan penelitian selanjutnya.

6 BAB II LANDASAN TEORI 2.1 Tinjauan Studi Penelitian ini dibuat dengan terlebih dahulu melakukan pembacaan jurnaljurnal dari penelitian-penelitian dan sumber-sumber lain. Dari jurnal itu, penulis menemukan beberapa penelitian yang mampu mendorong penulis untuk mengangkat tema seperti diatas. Penelitian tersebut membahas tentang topik yang terkait dengan penelitian ini, antara lain adalah penelitian mengenai metode metode dan objek data yang digunakan penulis yang akan diangkat oleh penulis. Penelitian yang pernah dilakukan yang berhubungan dengan sistem pendukung keputusan antara lain : Automatic Medical Image Classification and Abnormality Detection Using K- NN [5]. Penelitian menggunakan empat fase preprocessing, ekstraksi fitur, klasifikasi dan post processing. Algoritma K-NN digunakan untuk mengklasifikasikan gambar. K-NN performa klasifikasi di bandingkan dengan kernel based SVM clasifikasi (Linear and RBF). Confusion matrik dihitung dan menunjukkan bahwa K-NN dapat mencapai tingkat klasifikasi 80% lebih baik dari tingkat SVM. Desain dan Simulasi Sistem Identifikasi Manusia Dengan Analisis Ciri Fisis Citra Palmprint Berbasis Image Processing dan K-Nrearest Neighbour [6]. Jurnal ini menulis tentang perancangan suatu sistem identifikasi telapak tangan menggunakan metode berbasis pngolahan citra seperti peregangan kontras, pemotongan citra, deteksi tepi dan teknik ekstraksi ciri yang terkandung pada pola garis telapak tangan yang akan diambil vector cirinya. 6

7 7 Memodifikasi Algoritma K-Nearest Neighbour Menggunakan Chebyshev Distance berdasarkan Gray Level Co-occurrence Matrix untuk Klasifikasi Kayu [7]. Jurnal ini meneliti bagaimana untuk klasifikasi citra kayu menggunakan algoritma k- nearest neighbour dengan perhitungan jarak chebyshev distance berdasarkan fitur tekstur gray level co-occurrence sudut. Data citra yang digunakan adalah citra grayscale, baik sebagai data latih maupun data uji, dan selanjutnya diekstraksi menggunakan GLCM, kemudian klasifikasi kelas menggunakan algoritma KNN yang telah dimodifikasi menggunakan chebyshev distance. Hasil dari penelitian yang menggunakan 400 citra kayu terdiri dari 360 data latih dan 40 data uji dengan 4 kelas. Penelitian menghasilkan akurasi sebesar 77,5%. Klasifikasi Serat Miring pada Kayu Menggunakan Ekstraksi Ciri Statistik berdasarkan Pengolahan Citra [8].Pada tugas akhir ini dirancang sebuah sistem klasifikasi untuk mengetahui kelas kayu berdasarkan serat miringnya dengan menggunakan analisis tekstur berbasiskan pengolahan citra digital. Data citra yang diambil menggunakan IP Camera 1 MP. Algoritma yang digunakan untuk ekstrasi ciri adalah statistik orde pertama dan orde kedua, serta klasifikasi kelas kayu menggunakan Euclidean Distance. Sistem akan disimulasikan dengan menggunakan bahasa pemprograman Lab View, agar lebih mudah diimplementasikan langsung ke dalam perangkat keras. Berdasarkan simulasi secara keseluruhan, maka dapat disimpulkan bahwa sistem dapat mengklasifikasikan kelas kayu berdasarkan dua tingkat kemiringan, yaitu kelas A dengan tingkat kemiringan rendah sampai sedang, dan kelas B dengan tingkat kemiringan tinggi. Hasil akurasi tertinggi diperoleh saat k=3 dengan citra grayscale yaitu sebesar 91,52 %.

8 8 Tabel 2.1 Jurnal acuan Judul & Tahun Automatic Medical Image Clasification and Abnormality Detection Using K-NN (2012) Desain dan Simulasi Sistem Identifikasi Manusia Dengan Analisis Ciri Fisis Citra Palmprint Berbasis Image Processing dan K- Nrearest Neighbour (2010) Peneliti Isu & Masalah Hasil & Kesimpulan Dr.R.J.Ramteke,Khachane Penggunan 4 fase Klasifikasi Monali Y prosesing citra. memiliki tingkat Algoritma KNN akurat sebanyak sebagai 80%. Rosmawati Koredianto Achmad Rizal Dwi, Usman, pengklasifikasian citra. Perbandingan menggunakan kernel SVM. based Perancangan suatu sistem identifikasi telapak tangan menggunakan metode berbasis pngolahan citra seperti peregangan kontras, pemotongan citra, deteksi tepi dan teknik ekstraksi ciri yang terkandung pada pola garis telapak tangan yang akan diambil vector ciri. Pengidentifikasian manusia dengan menggunakan KNN dengan k=1 diperoleh performansi secara keseluruhan mencapai 85%

9 9 Memodifikasi Algoritma K-Nearest Neighbour Menggunakan Chebyshev Distance berdasarkan Gray Level Cooccurrence Matrix untuk Klasifikasi Kayu (2015) Klasifikasi Serat Miring pada Kayu Menggunakan Ekstraksi Ciri Statistik berdasarkan Pengolahan Citran (2015) Thariq Hafizhuddin Aufar, Ricardus Anggi Pramunendar Dyah Norma Maharsi, Junartho Halomoan, Ratri Dwi Atmaja Klasifikasi kayu menggunakan citra algoritma k- nearest neighbour dengan perhitungan jarak chebyshev distance berdasarkan fitur tekstur gray level co-occurrence sudut. Data citra yang adalah grayscale, digunakan citra baik sebagai data latih maupun data uji, dan diekstraksi selanjutnya menggunakan GLCM sistem klasifikasi untuk mengetahui kelas kayu berdasarkan serat miringnya dengan menggunakan analisis tekstur berbasiskan pengolahan citra digital. Data citra Uji coba menggunakan koefisien k yang berbeda-beda memperoleh akurasi terbesar pada k=5 sebesar 77,5%. Sehingga berdasarkan hasil tersebut dianggap bahwa k-nearest Neighbour dan ekstraksi fitur GLCM dapat diterapkan untuk pengenalan kayu. Metode ekstraksi ciri statistik orde kedua, serta metode klasifikasi jarak Euclidean dapat digunakan untuk mengklasifikasikan kelas kayu berdasarkan serat miringnya dengan akurasi sebesar 92,5791 %.

10 10 yang diambil menggunakan IP Camera 1 MP. Algoritma yang digunakan untuk ekstrasi ciri adalah statistik orde pertama dan orde kedua, serta klasifikasi kelas kayu menggunakan Euclidean Distance. Waktu komputasi sistem klasifikasi kelas kayu tergolong cepat, di kisaran ms untuk satu image atau sekitar 0,034-0,038 detik per gambar. 2.2 Landasan Teori Pengolahan Citra Digital Pengolahan citra merupakan proses pengolahan dan analisis citra yang banyak melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan informasi keluaran yang berbentuk citra. Istilah pengolahan citra digital secara umum didefinisikan sebagai pemrosesan citra dua dimensi dengan komputer. Dalam definisi yang lebih luas, pengolahan citra digital juga mencakup semua data dua dimensi. Citra digital adalah barisan bilangan nyata maupun kompleks yang diwakili oleh bit-bit tertentu.

11 11 Umumnya citra digital berbentuk persegi panjang atau bujur sangkar (pada beberapa sistem pencitraan ada pula yang berbentuk segienam) yang memiliki lebar dan tinggi tertentu. Ukuran ini biasanya dinyatakan dalam banyaknya titik atau piksel sehingga ukuran citra selalu bernilai bulat. Setiap titik memiliki koordinat sesuai posisinya dalam citra. Koordinat ini biasanya dinyatakan dalam bilangan bulat positif, yang dapat dimulai dari 0 atau 1 tergantung pada sistem yang digunakan. Setiap titik juga memiliki nilai berupa angka digital yang merepresentasikan informasi yang diwakili oleh titik tersebut. Format data citra digital berhubungan erat dengan warna. Pada kebanyakan kasus, terutama untuk keperluan penampilan secara visual, nilai data digital merepresentasikan warna dari citra yang diolah. Format citra digital yang banyak dipakai adalah Citra Biner (monokrom), Citra Skala Keabuan ( gray scale ), Citra Warna ( true color ), dan Citra Warna Berindeks. Terdapat dua ilmu yang mempelajari tentang teknik-teknik mengolah citra,yaitu : 1. Citra Kontinu Dihasilkan dari sistem optic yang menerima sinyal analog. Contoh : mata manusia, kamera analog. 2. Citra Diskrit Dihasilkan melalui proses digital terhadap citra kontinu. Contoh : Kamera digital, Scanner Terdapat tiga macam gambar citra digital,yaitu : 1. Warna

12 12 Warna adalah spektrum tertentu yang terdapat di dalam suatu cahaya sempurna (berwarna putih). Nilai warna ditentukan oleh tingkat kecerahan maupun kesuraman warna. Nilai ini dipengaruhi oleh penambahan putih ataupun hitam. Penelitian memperlihatkan bahwa kombinasi warna yang memberikan rentang paling lebar adalah red (R), green (G) dan blue (B). Ketiga warna tersebut merupakan warna pokok yang biasa disebut RGB. Warna lain dapat diperoleh dengan mencampurkan ketiga warna pokok tersebut dengan perbandingan tertentu. Setiap warna pokok mempunyai intensitas sendiri dengan nilai maksimum 255 (8-bit). Misal warna kuning merupakan kombinasi warna merah dan hijau sehingga nilai RGB: RGB disebut juga ruang warna yang dapat divisualisasikan sebagai sebuah kubus seperti gambar 2.4, dengan tiga sumbunya yang mewakili komponen warna merah (red) R, hijau (green) G, biru (blue) B. Salah satu pojok contoh yang ada di Sistem Klasifikasi Jenis kayu Berdasarkan Tekstur dan Ukuran serta Warna Permukaan Kulit Buah Berbasis Pengolahan Citra Digital berlawanan menyatakan warna hitam ketika R = G = B = 0, sedangkan pojok atasnya yang berlawanan menyatakan warna putih ketika R= G= B= 255 ( sistem warna 8 bit bagi setiap komponennya ).

13 13 Gambar 2. 1 Diagonal RGB dan Grayscale 2. Citra Biner Citra biner (binary image) adalah citra yang hanya mempunyai dua nilai derajat keabuan yaitu hitam dan putih. Alasan masih digunakannya citra biner dalam pengolahan citra digital hingga saat ini adalah algoritma untuk citra biner telah berkembang dengan baik dan waktu pemrosesan lebih cepat karena jumlah bit untuk tiap pikselnya lebih sedikit. Gambar 2. 2 Citra Biner

14 14 3. Citra YCbCr YCbCr merupakan standar internasional bagi pengkodean digital gambar televisi yang didefinisikan di CCIR Recommendation. Y merupakan komponen luminance, Cb dan Cr adalah komponen chrominance. Pada monitor monokrom nilai luminance digunakan untuk merepresentasikan warna RGB, secara psikologis mewakili intensitas sebuah warna RGB yang diterima oleh mata. Chrominance merepresentasikan corak warna dan saturasi (saturation). Nilai komponen ini juga mengindikasikan banyaknya komponen warna biru dan merah pada warna. Gambar 2.3 Citra YCbCr

15 15 Pengolahan citra digital adalah salah satu bentuk pemrosesan informasi dengan inputan berupa citra (image) dan keluaran yang juga berupa citra atau dapat juga bagian dari citra tersebut. Tujuan dari pemrosesan ini adalah memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin computer. Operasi-operasi pada pengolahan citra digital secara umum dapat diklasifikasikan sebagai berikut: 1. Perbaikan kualitas citra (image enhancement). 2. Restorasi citra (image restoration). 3. Pemampatan citra (image compression). 4. Segmentasi citra (image segmentation). 5. Pengorakan citra (image analysis). 6. Rekonstruksi citra (image recronstruction). Citra digital memiliki fungsi dua dimensi f(x,y) dimana x dan y merupakan suatu koordinat dan f dari (x,y) menyatakan amplitudo atau intensitas atau derajat keabuan (grayscale). Nilai tingkat keabuan pada citra digital disebut sebagai piksel pada posisi tertentu. Nilai x, y dan f dari (x,y) merupakan nilai diskrit atau berhingga. Citra digital dalam bentuk matriks dapat dituliskan sebagai berikut :

16 16 Gambar 2. 4 Respresentasi Citra Pada matriks citra digital f(x,y), nilai x dan y menyatakan koordinat posisi piksel itu berada, dan nilai f(x,y) menunjukkan intensitas (derajat keabuan) piksel pada koordinat tersebut. Hal ini dapat dilihat pada gambar di bawah ini Elemen Dasar Citra Elemen-elemen dasar yang penting diantaranya adalah sebagai berikut : 1. Elemen Citra Digital 1.1 Kecerahan (brightness)

17 17 Kecerahan disebut juga sebagai intensitas cahaya. Kecerahan pada suatu titik (piksel) di dalam suatu citra sebenarnya adalah intensitas rata-rata dari suatu area yang melingkupinya. 1.2 Kontras (contrast) Kontras menyatakan sebaran terang (lightness) dan gelap (darkness) dalam suatu citra. Citra dengan kontras rendah dicirikan oleh sebagian besar komposisi citranya adalah terang atau sebagian besar gelap. Citra dengan kontras yang baik, komposisi gelap dan terangnya tersebar secara merata. 1.3 Kontur (contour) Kontur adalah keadaan yang ditimbulkan oleh perubahan intensitas pada pixel-pixel yang bertetangga. Karena adanya perubahan intensitas inilah, maka tepi-tepi (edge) objek pada citra dapat dideteksi. 1.4 Warna (color) Warna adalah persepsi yang dirasakan oleh sistem visual manusia terhadap panjang gelombang cahaya yang dipantulkan oleh objek. Setiap warna mempunyai panjang gelombang yang berbeda-beda. Warna yang diterima oleh sistem visual manusia (mata) merupakan hasil kombinasi cahaya dengan panjang gelombang yang berbeda-beda. Kombinasi warna yang memberikan rentang warna yang paling lebar adalah red (R), green(g), dan blue(b). 1.5 Bentuk (shape)

18 18 Bentuk adalah properti intrinsik dari objek tiga dimensi. Bentuk merupakan properti intrinsik utama untuk sistem visual manusia karena manusia lebih sering menginterpretasikan suatu objek berdasarkan bentuknya daripada elemen lainnya Tekstur (texture) Tekstur dicirikan sebagai distribusi spasial dari derajat keabuan di dalam sekumpulan pixel-pixel yang bertetangga. Sehingga, tekstur tidak dapat didefinisikan dalam sebuah pixel. Tekstur merupakan karakteristik untuk menganalisa permukaan berbagai jenis citra objek. 2. Sistem Pemrosesan Citra Digital Secara umum, elemen yang terlibat dalam pemrosesan citra dapat dibagi menjadi empat komponen: a. digitizer b. komputer digital c. piranti tampilan d. piranti penyimpanan Operasi dari sistem pemrosesan citra tersebut dapat dibagi menjadi empat kategori prinsip: digitalisasi, pemrosesan, penayangan, dan penyimpanan. Digitizer atau digital image acquisition system merupakan sistem penangkap citra digital yang melakukan penjelajahan citra dan mengkonversinya ke representasi numerik sebagai masukan bagi komputer digital. Hasil dari digitizer adalah matriks yang elemen - elemennya menyatakan nilai intensitas cahaya pada suatu titik.

19 19 Contoh digitizer adalah kamera digital dan scanner. Gambar 2. 5 Proses Pembentukan Citra Digital Digitizer terdiri dari tiga komponen dasar: a. Sensor citra yang bekerja sebagai pengukur intensitas cahaya, b. Perangkat penjelajah yang berfungsi merekam hasil pengukuran intensitas pada seluruhbagian citra, dan pengubah analog-ke-digital yang berfungsi melakukan penerapan dan kuantisasi. c. Komputer digital yang digunakan pada sistem pemroses citra dapat bervariasi dari komputer mikro sampai komputer besar yang mampu melakukan bermacam - macam fungsi pada citra digital resolusi tinggi [9]. Pada dasarnya pada bidang ilmu komputer terdapat tiga bidang studi yang berkaitan dengan data citra dan memiliki tujuan yang berbedabeda, yaitu : 1. Grafika Komputer (Computer Graphics)

20 20 Grafika Komputer menghasilkan citra (lebih tepat disebut grafik atau picture) dengan primitif-primitif geometri seperti garis lingkaran, dan sebagainya. Primitif-primitif geometri tersebut memerlukan data deskriptif untuk melukis elemen-elemen gambar. Contoh data deskriptif adalah koordinat titik, panjang garis, jari-jari lingkaran, tebal garis, warna, dan sebagainya. Grafika komputer memainkan peranan penting dalam visualisasi. Gambar 2.6 Gambar Grafika Komputer 2. Pengenalan Citra (Image Processing) Pengenalan Citra berfungsi untuk memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin (dalam hal ini komputer). Teknik-teknik pengolahan citra mentransformasikan citra menjadi citra lain. Jadi, masukannya adalah citra dan keluarannya juga citra, namun citra keluaran mempunyai kualitas lebih baik daripada citra masukan. Termasuk ke dalam bidang ini juga adalah pemampatan citra (image compression). Gambar 2.7 Gambar Pengolahan Citra

21 21 3. Pengenalan Pola (Pattern Recognition/Image Intrepretation) Pengenalan pola bertujuan untuk menentukan kelompok atau kategori pola berdasarkan ciri-ciri yang dimiliki oleh pola tersebut. Pengenalan pola membedakan suatu objek dengan objek lain. Terdapat dua pendekatan yang dilakukan dalam pengenalan pola: pendekatan secara statistik dan pendekatan secara sintaktik atau struktural. Secara umum, langkah pengenalan pola citra digital dijabarkan dalam beberapa langkah yang digambarkan oleh Gambar dibawah ini : Gambar 2.8 Tahap-tahap Pengenalan pola

22 22 1. Akuisisi Citra (Image Acquisition) Akusisi citra merupakan tahapan awal untuk mendapatkan citra digital[11]. Akuisisi citra bertujuan untuk menentukan data yang diperlukan dalam memilih metode perekaman citra digital. Tahap awal akusisi memulai dari objek yang akan diambil gambarnya, persiapan alat sampai pada pencitraan. Alat yang digunakan dalam pencitraan : a. video kamera b. kamera digital c. kameran konvensional dan konverter analog to digital d. Scanner e. Photo sinar-x 2. Preprocessing Preprocessing dibutuhkan untuk menjamin kelancaran pada proses proses berikutnya. Hal yang penting pada tingkatan ini di antaranya : a. Peningkatan kualitas citra (kontras, brightness, dan lain-lain) b. Menghilangkan Noise c. Transformasi d. Perbaikan citra (image restoration) e. Menentukan bagian citra yang akan diobservasi. 3. Segmentasi(Segmentation) Segmentasi bertujuan untuk mempartisi citra menjadi bagian pokok yang mengandung informasi penting. 3. Representasi dan deskripsi (Representation and Description)

23 23 Representasi merupakan suatu proses merepresentasikan suatu wilayah sebagai daftar titik-titik koordinat dalam kuradran tertutup dengan deskripsi luasan atau parimeternya. Deskripsi dilakukan dengan cara seleksi ciri dan ekstraksi ciri. Seleksi ciri bertujuan untuk membedakan kelas-kelas objek secara baik sedangkan ekstraksi ciri bertujuan untuk mengukur besaran ciri setiap pixel. 4. Pengenalan dan interpretasi (Recognition and Interpretation) Pengenalan dan interpretasi bertujuan untuk memberikan label pada sebuah objek yang informasinya disediakan oleh descriptor. Tahap interpretasi bertujuan untuk memberi arti atau makna pada objek yang dikenali. 5. Basis Pengetahuan(Knowledge Base) Basis Pengatahuan berguna untuk memandu operasi dari masingmasing modul proses dan mengkontrol interaksi antar modul. Pengetahuan juga digunakan sebagai referensi pada proses temple matching atau pengenalan pola[10] Analisis Tekstur Analisa tekstur memiliki tujuan untuk mengidentifikasi parameter-parameter yang tepat dengan ciri atau karakteristik dari objek di dalam sebuah citra. Dari parameter yang di ekstrak dari citra merupakan representasi bentuk atau ciri dari objek sebuah citra. Analisa tekstur biasanya menggunakan Gray Level Co-occurrence Matrix

24 24 (GLCM ). Ekstraksi ciri merupakan langkah awal dari klasifikasi dan proses kuantisasi dan dihitung secara pasti dari karakteristik ke dalam kelompok nilai ciri yang sesuai. Tabel 2.1 Array Intensitas Ukuran 8x8 Dari gambar 2.7 dihitung dengan jarak spasial 1 dan sudut 90 0 akan diperoleh matriks Co-occurrence yang dapat melalui ciri statistik yang merepresentasikan citra. Dari 8 aras keabuan maka jumlah nilai piksel referensi area kerja matriks sebagai berikut : Tabel 2.2 Area Kerja Matriks

25 25 Menghitung nilai matriks dengan mengisi jumlah hubungan spasial, sebagai berikut : Tabel 2.3 Contoh pembentukan Matriks Co-occurrence Dari proses gambar 2.8, gambar 2.9 dan gambar 2.10 merupakan langkah-langkah pertama mengubah menjadi GLCM [11]. Kemudian dicari nilai transpos dan dijumlahkan dengan nilai hasil pertama GLCM. Dari penjumlahan tersebut akan menghasikan nilai matriks yang ternomalisasi, sebagai berikut : Tabel 2.4 Matriks Yang Telah Simetris

26 26 Dari gambar 2.11 kemudian dinormalisasi dengan probabilitas dan nilai masing-masing elemen dibagi dengan seluruh elemen spasial sebagai berikut : Tabel 2.5 Matrik Ternomalisasi 2.3 Ekstraksi Fitur Histogram Histogram merupakan sebuah metode untuk mendapatkan sebuah tekstur pada grafik yang menggambarkan penyebaran nilai-nilai intensitas pixel suatu citra. Histgram dapat diketahui menggunakan tiap frekuensi kemunculan nisbi (relative) dengan suatu intensitas pada citra. Metode histogram merupakan metode statis orde satu untuk mendapat fitur-fitur tekstur. Fitur-fitur yang bisa dikenali dari metode histogram antara lain yaitu intensitas, deviasi, skewness, energi, entropi, smoothness. Persamaan perhitungan ke-6 ciri dapat dilihat dibawah ini : 1. Intensitas dengan rumus sebagai berikut :

27 27.. (2.1) nilai i merupakan aras keabuan pada citra f dan p(i) merupakan probabilitas kemunculan i dan L merupakan aras keabuan tertinggi dan akan menghasilkan kecerahan pada citra. 2. Deviasi dengan rumus sebagai berikut :. (2.2) Pada rumus deviasi standar, dinamakan varians atau momen orde kedua tenomalisasi dikarenakan merupakan fungsi peluang. Fitur deviasi akan memberikan ukuran kekontrasan. 3. Skewness dengan rumus sebagai berikut : (2.3) Skewness juga sering disebut dengan momen orde tiga ternomalisasi dengan nilai negatif menyatakan bahwa distribusi pada kecerahan lebih condong ke kanan terhadap rata rata. 4. Energi dengan rumus sebagai berikut :

28 28. (2.4) Citra yang sama dengan satu nilai aras keabuan akan mempunyai nilai pada energi yang maksimum. Energi juga sering disebut sebagai keseragaman. 5. Entropy dengan rumus sebagai berikut : (2.5) Semakin tinggi nilai entropinya maka akan semakin kompleks citra tersebut. Entropi serta energi lebi cenderung berkebalikan. Entropi juga merepresentasikan jumlah informasi yang terkandung pada sebaran data. 6. Smoothness dengan rumus sebagai berikut :.. (2.6) Smoothness merupakan fitur untuk mengukur tingkat kehalusan atau kekasaran pada intensitas sebuah citra. Pada rumusan diatas, merupakan deviasi standar. Nilai pada R yang rendah menunjukan bahwa citra memiliki intensitas yang kasar. Seperti yang diketahui, di dalam menghitung smoothness, varians perlu dinormalisasi sehingga nilainya berada di dalam jangkauan [0-1] dengan cara membagi dengan (L-1) 2 [9]. 2.4 K-Nearest Neighbor Algoritma K-Nearest Neighbor (KNN) merupakan sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Dekat atau jauhnya tetangga biasanya dihitung berdasarkan jarak eucildean.

29 29 Data pembelajaran diproyeksikan ke ruang berdimensi banyak, masingmasing dimensi merepresentasikan ciri dari data tersebut. Ruang ini dibagi menjadi bagian-bagian berdasarkan klasifikasi data pembelajaran. Dekat atau jauhnya tetangga dapat dihitung berdasarkan jarak Euclidean dengan rumus umum. Karena metode klasifikasi yang menggunakan mengunakan metode k- NN maka proses pengaturan parameter ketetanggaan (k) dan penggunaan rumus jarak sampai diperoleh hasil akurasi yang paling maksimum. Jarak terdekat dengan basis data suatu kelas yang diperoleh akan dapat dijadikan sebagai acuan penentu data uji tersebut akan termasuk kejenis kelas mana begitu juga hasil yang akan dikeluarkan. Klasifikasi k-nn mempunyai dua langkah,yaitu : 1. Menentukan tetangga tetangga terdekat dari data tersebut. 2. Menentukan kelas dari masing masing tetangga terdekat tersebut. Penetuan kelas dilakukan dengan voting mayoritas sederhana yaitu dengan membandingkan jumlah kelas dalam sejumlah k data terdekat dengan data uji. Ukuran kedekatan data diuji dengan rumus jarak. Perhitungan rumus jarak menggunakan rumus cityblock distance dimana rumus tersebut akan melakukan perhitungan terhadap nilai kelas tetangga terdekat [9] : 1. City block distance...(2.7)

30 Contoh Perhitungan KNN menggunakan Cityblock distance Berikut contoh perhitungan KNN menggunakan manhattan distance menggunakan ekstraksi fitur : 1. Ekstraksi fitur Data Training Tabel 2. 6 Tabel Ekstraksi Fitur Data Training Intensitas Deviasi Skewness Energi Entropy Smothness Ekstraksi Fitur Data Testing Tabel 2.7 Ekstraksi Fitur Data Testing Intensitas Deviasi Skewness Energi Entropy Smothness Contoh Perhitungan K-NN menggunakan Cityblock Distance Tabel 2.8 Contoh Perhitungan K-NN Kuadrat Jarak = Klasifikasi Klasifikasi Jenis Jarak 1 Kayu Jati 3 Kayu Sengon

31 = = = Kayu Glugu 2 Kayu Nangka 2.5 Kayu Kayu adalah bahan lignoselulosa yang dihasilkan oleh tumbuhan berkayu yang mempunyai tinggi minimal 7 m (pohon). Kayu didapatkan dari tumbuh-tumbuhan (pohon-pohonan/trees) dan termasuk vegetasi alam. Kayu adalah Material alam yang dapat diperbaharui, dengan mengelola hutan dengan baik. Material struktur ini memiliki berat jenis yang ringan dan proses pengerjaannya dilakukan dengan alat sederhana. Kayu merupakan bahan alam yang dapat terurai secara sempurna (digunakan secara menyeluruh) sehingga tidak ada istilah limbah pada kayu Anatomi Kayu Senyawa utama penyusun kayu adalah selulosa, hemiselulosa, dan lignin dengan komposisi kira-kira 50% selulosa, 25% hemiselulosa, dan 25% lignin. Secara umum anatomi kayu terdiri dari kulit, kambium, cinicin tahun, kayu gubal, kayu teras, dan inti kayu.

32 32 Gambar 2.9 Anatomi Kayu Keterangan: A: Kambium B: Kulit dalam C: Kulit luar D: Kayu gubal/sapwood E : Kayu teras/heartwood F : Hati/galih G : Jari-jari kayu 1. Kulit luar Bagian yang terluar. Kulit bertugas sebagai pelindung bagian dalam kayu dari pengaruh-pengaruh iklim, serangan serangga dan jamur atau secara mekanis.

33 33 2. Kambium Jaringan yang berupa lapisan tipis dan bening, yang melingkar pohon. Tugas kambium ke arah luar membentuk kulit yang baru dan ke dalam membentuk kayu. 3. Kayu gubal Bagian kayu yang terdiri dari sel-sel yang masih hidup, masih berfungsi. Oleh karena itu tugas kayu gubal ini ialah menyalurkan bahan makanan dari daun ke bagian-bagian pohon yang lain. 4. Kayu teras Bagian yang terdiri dari sel-sel yang sudah tua atau mati. Kayu teras ini asalnya dari kayu gubal yang makin tua lalu mati, sehingga tidak berfungsi, Kayu teras ini hanya sebagai pengokoh tumbuhnya pohon saja. Kayu teras lebih awet dan pada umumnya warna kayu lebih tua daripada kayu gubalnya. 5. Hati Merupakan bagian kayu yang berada di pusat pohon. Hati ini asalnya dari kayu awal yaitu kayu yang pertama-tama dibentuk oleh kambium dan bersifat rapuh berupa jaringan gabus. 6. Pori-pori Sebenarnya pori-pori adalah sel-sel pembuluh kayu yang terpotong, sehingga memberi kesan lubang - lubang kecil (pori-pori). Ukuran besarnya pori-pori ini untuk tiap-tiap jenis kayu berbeda-beda.

34 34 7. Lingkaran tahun/tumbuh Kondisi pertumbuhan pohon ditentukan oleh lingkungan tumbuh, yaitu iklim. Mutu kayu dipengaruhi oleh tebalnya lingkaran tahun, semakin tipis gelang tahun semakin kuat karena dinding sel relatif tebal [14] Jenis Kayu Berbagai macam jenis kayu tumbuh dan berkembang di Indonesia tentunya dengan berbagai macam karakter dan kegunaan. Dalam sub bab kali akan mengenal karakteristik, keunggulan dan kelemahan dari berbagai macam kayu yang ada di Indonesia. Berikut jenis kayu di Indonesia yang akan dipergunakan sebagai objek data : 1. Kayu Jati Kayu jati atau latinnya disebut tectona grandis, adalah jenis kayu yang termasuk dalam kelas awet I-II, dan kelas kuat II. Kayu jati memiliki corak warna khususnya pada kayu terasnya coklat agak muda sampai tua kehijau-hijauan. Corak warna kayu jati ini mempunyai nilai dekoratif yang sangat indah dan menarik, menyebabkannya banyak diminati oleh para pengusaha mebel maupun industri pengolahan kayu. Selain keindahan corak, kayu jati mempunyai sifat pengerjaan yang mudah sampai dengan sedang, daya retak rendah, serat lurus atau berpadu walaupun memiliki tekstur yang agak kasar. Kayu jati dalam kegunaannya adalah termasuk kayu yang istimewa karena dapat digunakan untuk semua tujuan (serbaguna).

35 35 Gambar 2.10 Kayu Jati 2. Kayu Nangka Dilihat dari kelasnya kayu nangka dibandingkan dengan kayu jati memang tidak selevel, kayu nangka berada dibawahnya. Namun demikian kayu nangka memiliki kualitas yang cukup bagus dibandingkan dengan mahoni dan albazia. Disamping tahan lama, keistimewaan kayu nangka adalah warna kuning yang cerah hingga agak gelap yang dipengaruhi umur pohon. Semakin tua warna kuning akan mendominasi kayu nangka.

36 36 Gambar 2.11 Kayu Nangka 3. Kayu Sengon Sengon (Albizia chinensis) adalah sejenis pohon anggota suku Fabaceae. Pohon peneduh dan penghasil kayu ini tersebar secara alami di India, Asia Tenggara, Cina selatan, dan Indonesia. Sengon menghasilkan kayu yang ringan sampai agak ringan, dengan densitas kg/m³ pada kadar air 15%, agak padat, berserat lurus dan agak kasar, namun mudah dikerjakan. Kayu terasnya kuning mengkilap sampai cokelat-merah-gading.

37 37 Gambar 2.12 Kayu Sengon 4. Kayu Bengkirai Kayu Bengkirai merupakan salah satu jenis kayu yang berkualitas bagus. Hal tersebut dapat dibuktikan pada saat dalam proses pengerjaan (pengerjaan kayu bengkirai). Kayu bengkirai ini mudah diproses seperti diserut, dipotong, diukir dll. Oleh sebab itu, banyak orang yang memasukkan kayu bengkirai ini ke dalam golongan jenis-jenis kayu pertukangan. Dan dalam prakteknya, saat ini banyak sekali orang-orang yang menggunakan kayu bangkirai ini untuk memproduksi beraneka macam produk dari kayu.

38 38 Gambar 2.13 Kayu Bengkirai 5. Kayu Glugu Kayu glugu adalah kayu yang terbuat dari batang pohon kelapa. Kayu ini dikenal memiliki daya tahan dan tingkat kekokohan yang tinggi. Tak heran, banyak orang yang akhirnya menggunakan kayu glugu sebagai alternatif material pembangun rumah. Sebenarnya, anda bisa meningkatkan kualitas kayu glugu kelapa menjadi setara kayu jati dengan mengawetkannya. Adapun tujuannya yaitu untuk menutup pori-pori di dalam kayu. Proses pengawetan kayu glugu terbilang mudah, hanya saja membutuhkan ketelatenan yang tinggi. Kayu glugu yang sudah diawetkan akan mempunyai kualitas yang bertambah sampai dua kali lipat daripada

39 39 sebelumnya. Bahkan kayu ini juga bakal terhindar dari serangan rayap, kumbang, tikus, dan serangga-serangga perusak kayu lainnya [16]. Gambar 2.14 Kayu Glugu

40 Kerangka Pemikiran Berikut kerangka pemikiran dalam penulisan tugas akhir ini : Masalah Cara mengklasifikasi jenis kayu berdasarkan tekstur dan warna Tujuan Melakukan pengklasifikasian Jenis kayu berdasarkan tekstur menggunakan metode K-Nearest Neighbour Eksperimen Data Metode Pengumpulan citra 5 jenis kayu yaitu 150 data training dan 100 data testing Ekstraksi citra berdasarkan tekstur dan warna menggunakan metode KNN. Jarak antara citra di hitung menggunakan Cityblock Distance Hasil Pembangunan aplikasi menggunakan metode KNN guna melakukaan pengklasifikasian yang nantinya dilakukan pengujian terhadap citra uji. Diharapkan aplikasi yang dibangun memiliki tingkat akurasi diatas 90% Manfaat Melakukan implementasi metode KNN dengan objek citra jenis kayu berdasarkan tekstur dan warna

41 BAB III METODE PENELITIAN 3.1 Metode Penelitian Berikut ini merupakan kerangka kerja klasifikasi jenis kayu menggunakan metode K-NN : Input Citra RGB Kayu Data Training Data Testing Ekstraksi Ekstraksi Database Citra Training Database Citra Testing K-NN Cityblock Distance Output Gambar 3.1 Metode Penelitian 41

42 Instrumen Penelitian Perangkat keras dan lunak yang dipergunakan antara lain : Perangkat Lunak (Software) Perangkat lunak yang digunakan dalam menyelesaikan penelitian adalah sebagai berikut : a. Windows 7 ultimate 64 bit Penulis menggunakan windows 7 ultimate 64 bit dalam pembuatan aplikasi dan laporan penelitian. b. Matlab Digunakan dalam implementasi Ekstraksi Histogram dan k-nearest Neighbors (KNN). c. Microsoft Office Word 2010 Digunakan dalam penulisan penelitian d. Adobe Photoshop Software photoshop digunakan dalam melakukan perbaikan citra seperti cropping citra Perangkat Keras ( Hardware) Perangkat lunak yang digunakan dalam menyelesaikan penelitian adalah sebagai berikut : a. Laptop Asus A45S Core i3 b. VGA Nvidia 1Gb c. Ram 4 Gb d. Harddisk 500 Gb e. Kamera Smartphone

43 Objek Penelitian Dalam tugas akhir ini penulis memilih kayu sebagai objek penelitian. Objek penelitian adalah bagaimana melakukan klasifikasi jenis kayu dengan metode K- NN menggunakan inputan citra kayu sehingga inputan tersebut dapat di ketahui jenis kayunya. 3.4 Metode Pengumpulan Data 1. Observasi Observasi adalah cara mendasar untuk mencari tahu tentang dunia di sekitar kita. Sebagai manusia, kita dilengkapi keingintahuan untuk mengambil informasi rinci tentang lingkungan kita melalui indera kita. Namun, sebagai metode pengumpulan data untuk tujuan penelitian, pengamatan lebih dari sekedar mencari atau mendengarkan. Kegiatan yang dilakukan adalah melakukan pengumpulan data melalui website dengan mencari informasi mengenai perbedaan jenis kayu dan aplikasi yang dapat melakukan klasifikasi. 2. Studi Pustaka Studi pustaka merupakan teknik pengumpulan data dengan mengadakan studi penelaahan terhadap buku buku, literatur-literatur, catatan-catatan,dan laporanlaporan yang ada hubungannya dengan masalah yang dipecahkan. Studi pustaka yang dilakukan oleh penulis selama melakukan penulisan yaitu berupa mencari jenis kayu yang memiliki karakteristik unik dan pencarian metode yang dapat digunakan sebagai klasifikasi yaitu metode K-NN.

44 Jenis Data 1. Data Primer Data primer yang digunakan berupa data kayu yang nantinya digunakan sebagai citra testing dan data training yang nantinya akan di lakukan klasifikasi menggunakan perbandingan dengan citra uji atau citra inputan Tabel 3.1 Jenis Citra Kayu Citra Nama Jumlah Kayu Jati Training = 30 Testing = 20 Nangka Training = 30 Testing = 20

45 45 Kayu Sengon Training = 30 Testing = 20 Kayu beringai Training = 30 Testing = 20 Kayu Glugu Training = 30 Testing = 20

46 46 2. Data Sekunder Data atau informasi yang diperoleh dari dokumen, laporan tertulis, buku, jurnal terkait dan thesis yang diperoleh dari berbagai sumber.adapun data sekunder tersebut yaitu : a. Materi Klasifikasi menggunakan K-NN diambil dari paper yang berjudul Texture Features and KNN in Classification of Flower Images karya D S Guru 2010 b. Materi K- Nearest Neighbour diambil dari jurnal ilmiah oleh N.S.Altman dengan judul An Introduction to Kernel and Nearest-Neighbor Nonparametric Regression 1990 c. Materi Tekstur Jenis Kayu yang diambil dari jurnal ilmiah Madison, WI: U.S. Department of Agriculture, Forest Service, Forest Products Laboratory dengan judul Wood as an engineering material. General Technical Report Teknik Pengambilan Data Teknik pengambilan data dalam memperoleh citra jenis kayu di gunakan menggunakan kamera dengan pengambilan gambar dari sudut 90 derajat. Pengambilan gambar citra kayu dilakukan pada siang hari sehingga memiliki tingkat keterangan yang sama dan menggunakan background berwarna putih. Background digunakan berwarna putih diharapkan dapat mempermudah dalam pengambilan citra dan mempermudah dalam pengklasifikasian menggunakan metode K-NN. 3.7 Teknik Analisis Data Teknik analisis data adalah cara mengolah data menjadi informasi sehingga sifat atau karakteris datanya mudah dipahami. Data yang telah dikumpulkan akan dibagi menjadi dua jenis yaitu data training dan data testing. Data training

47 47 berfungsi sebagai bahan pembelajaran pada mesin agar mesin dapat memiliki sebuah pengetahuan tentang tekstur kayu. Data testing berfungsi sebagai data uji coba kemampuan mesin. Data-data tersebut kemudian dipindahkan kedalam komputer. Data training sebanyak 30 citra dan data testing sebanyak 20 citra dari 5 jenis kayu yang berbeda. Dalam penelitian ini ada beberapa tahapan yang dilakukan terhadap data-data yang diperoleh, tahapan tersebut antara lain : 1. Melakukan seleksi kualitas tektur dan warna kayu yang memenuhi standart 2. Melakukan ekstraksi untuk data testing dan data training 3. Ekstraksi menggunakan Histogram 4. Metode klasifikasi menggunakan metode K-Nearest Neighbor (KNN) 5. Pemilihan data uji sehingga data inputan dapat dengan mudah terdeteksi. 3.8 Alur Metode Penelitian Alur metode penelitian merupakan alur yang digunakan untuk mendeskripsikan diagram yang ada di metode penelitian, tahapnya sebagai berikut 1. Input Citra RGB Kayu Menginputkan citra input kayu yang akan di masukkan kedalam data training dan data testing. Data yang dipergunakan berjumlah 30 data training dan 20 data testing. 2. Data Training dan data testing Citra yang dimasukkan ke dalam citra input.akan dibagi menjadi citra data training dan testing. 3. Ekstraksi Citra yang ada di data training dan testing, di ekstraksi menggunakan fitur ekstraksi, dimana pada tahap ini dilakukan pengkalkulasian citra berdsarkan 6 fitur ekstraksi histogram yaitu : Intensitas, Deviasi, Skewness, Energi, Entropy

48 48 dan Smoothness. Nilai yang dihasilkan dari fitur ekstraksi dimasukkan di data training dan data testing. 4. Database Training dan Testing Nilai yang dihasilkan dari tahap sebelum dimasukkan ke database training dan testing. Database training digunakan sebagai acuan data, yang nantinya dicocokan dengan data testing. 5. K-NN Perhitungan metode menggunakan K-Nearest Neighbor. K-NN menggunakan k=3 dikarenakan klasifikasi pada k=3 merupakan nilai yang optimal dalam pengklasifikasian. Dengan menentukan tetangga terdekat, kemudian melakukan penentuan kelas ketertangaan jarak. Sehingga dapat diketahui kelas kelas citranya berdasarkan jarak ketertanggaan. 6. Cityblock Distance Tahap selanjutnya adalah melakukan perhitungan jarak. Jarak yang dikalkulasi adalah antara jarak data testing dengan data training, perhitungan jarak tersebut menggunakan Cityblock distance. 7. Output Perhitungan yang sudah dilakukan menggunakan cityblock distance antara data training dengan data testing, akan menghasilkan output nama berdasarkan kelas citra yang dihasilkan pada tahap kalkulasi. 3.9 Eksperimen Pada tahap eksperimen akan dilakukan penelitian yaitu melakukan pengujian terhadap aplikasi yang di bangun. Pada tahap eksperimen ini penulis menerapkan

49 49 metode yang digunakan adalah K-Nearest Neighbor. Tahapan yang di lakukan adalah sebagai berikut : 1. Melakukan input citra training dan testing, Citra training yang digunakan sebanyak 30 buah dan citra testing sebanyak 20 buah. Citra yang di inputkan berupa citra jenis kayu. 2. Citra kemudian diekstraksi menggunakan fitur histogram. 3. Citra yang sudah terekstraksi di simpan pada database citra training yang nantinya digunakan sebagai acuan klasifikasi. 4. Citra testing diinputkan sebagai bahan uji coba yang nantinya digunakan sebagai perhitungan nilai akurasi. 5. Citra testing dihitung jarak terhadap citra training yang sudah diinputkan sebelumnya. 6. Perhitungan menggunakan metode K-NN terhadap ekstraksi citra data training dan data testing. Perhitungan jarak yang digunakan yaitu menggunakan metode perhitungan jarak Cityblock Distance 7. Muncul output berdasarkan tahapan yang dilakukan diatas. Dari output tersebut kemudian akan dihitung tingkat akurasinya menggunakan rumus Recognition Rate = = Jumlah Data Benar Jumlah Data Seluruhnya x 100% 8. Tingkat akurasi yang diharapakan yaitu lebih dari 90%

50 BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Penelitian Pada bab ini membahas implementasi dan pembahasan dari hasil penelitian yang telah dilakukan tentang klasifikasi jenis kayu menggunakan metode k-nearest Neighbors (KNN) Tahap Pengambilan Data Pada penelitian ini, dibuat aplikasi pengklasifikasian jenis kayu menggunakan metode K-Nearest Neighbors. Data-data tersebut digunakan sebagai input dan output untuk pelatihan (training) dan data uji (testing) untuk sistem. Data yang digunakan berupa data citra jenis kayu yang diambil sendiri menggunakan kamera Data citra Data citra yang digunakan menggunakan ukuran piksel 625x417. Citra yang digunakan berjumlah 250 citra kayu dari 5 jenis kayu. Citra diambil menggunakan kamera saat siang hari. Dari jumlah 250 citra, 150 data citra digunakan sebagai data training dan 100 data citra sebagai data testing. Data training di masukkan ke dalam database sebagai media klasifikasi. Berikut citra yang digunakan dalam uji coba : 50

51 51 Tabel 4.1 Data Citra Citra Nama Jumlah Kayu Glugu Training = 30 Testing = 20 Kayu Bengkirai Training = 30 Testing = 20 Kayu Nangka Training = 30 Testing = 20 Kayu Sengon Training = 30 Testing = 20

52 52 Kayu Jati Training = 30 Testing = Ekstraksi Nilai Citra Ekstraksi fitur citra jenis kayu digunakan untuk mendapatkan ciri tekstur dari pola kayu yang berbeda. Dalam ekstraksi fitur yang dilakukan menggunakan 6 fitur diantaranya Intensitas, Deviasi, Skewness, Energi, Entropi dan Smoothness. Citra tersebut kemudian diproses menggunakan ekstraksi fitur Histogram dengan menggunakan jarak Ecluidean Distance. Untuk proses ekstraksi fitur Histogram akan menghasilkan angka - angka pixel pada setiap citra jenis kayu sebagai berikut : 1. Citra Training Citra training adalah citra yang digunakan sebagai data training. Data training berjumlah 150 data citra yang sudah di ekstraksi menggunakan 6 fitur. Citra yang digunakan berupa citra RGB atau citra warna. Berikut contoh tabel citra training yang digunakan dalam penelitian : Tabel 4.2 Contoh ekstraksi citra Nama Intensitas Deviasi Skewness Energi Entropi Smoothness Citra Glugu

53 53 Citra Bengkirai Citra Jati Citra Nangka Citra Sengon Citra Testing Citra testing adalah citra yang digunakan sebagai data testing atau data uji. Data testing berjumlah 100 data citra dari 5 jenis citra kayu yang sudah di ekstraksi menggunakan 6 fitur. Berikut contoh tabel citra training yang digunakan dalam penelitian :

54 54 Tabel 4.3 Ekstraksi citra testing Nama Intensitas Deviasi Skewness Energi Entropi Smoothness Citra Glugu Citra Bengkirai Citra Jati Citra Nangka Citra Sengon

55 Implementasi Aplikasi Berikut tampilan aplikasi yang digunakan ssebagai pengujian : 1. Halaman Utama Halaman ini merupakan tampilan form utama program aplikasi dijalankan. Pada form ini berisi menu untuk melakukan inputan citra, Gambar 4.1 Tampilan aplikasi Tahapan selanjutnya yaitu input citra dari data testing guna melakukan pengklasifikasian :

56 56 Gambar 4.2 Tampilan output aplikasi Pada tampilan setelah dilakukanya proses ekstraksi akan menghasilkan nilai ekstraksi dan tombol hasil untuk menampilkan hasil klasifikasi beserta deskripsi citra yang diinputkan. Berdasarkan output tersebut maka dapat digunakan sebagai data untuk menghitung akurasi dari aplikasi yang digunakan.