Klasifikasi Mutu Buah Manggis Berdasarkan Warna Berbasis Fuzzy C Means dan Template Matching

Transkripsi

1 Klasifikasi Mutu Buah Manggis Berdasarkan Warna Berbasis Fuzzy C Means dan Template Matching Octa Heriana 1, Risanuri Hidayat 2 1,2 Jurusan Teknik Elektro FT UGM Jln. Grafika 2 Yogyakarta INDONESIA Intisari Paper ini memaparkan tentang metode pengklasifikasian mutu buah manggis berdasarkan dari nilai komponen warna. Metode yang diusulkan adalah Fuzzy C Means untuk pengklasifikasian warna, dan template matching dengan analisis jarak rerata tiap komponen warna. Metode pengklasifikasian ini bertujuan untuk mengklasifikasi mutu buah manggis berdasarkan warna kulit dan ukuran diameter, sesuai dengan yang tertera di SNI Berdasarkan pengujian, metode Fuzzy C Means cukup akurat untuk melakukan klasifikasi warna. Keywords Klasifikasi, Fuzzy C Means, template matching. I. PENDAHULUAN Gambar atau citra merupakan media informasi yang tersusun atas kombinasi warna-warna. Suatu informasi citra multikomponen dapat dianalisis melalui pengelompokkan berdasarkan persamaan bentuk atau warna. Citra yang mengandung banyak unsur warna dapat dikelompokkan menjadi beberapa warna dominan tertentu. Bagian warnawarna pada citra yang memiliki kemiripan dengan warna dominan yang dipilih, diarahkan untuk menjadi bagian dari kelompok warna dominan, dan dapat dikelompokkan berdasarkan kriteria yang ditentukan. Suatu cara pengelompokan data yang sedang berkembang saat ini adalah dengan menggunakan algoritma Fuzzy C-means. Algoritma Fuzzy C-means dikembangkan untuk membuat klasifikasi suatu kelompok objek berdasarkan persamaan ciri atau suatu ukuran [1]. Metoda pengelompokkan atau pengklasteran data untuk segmentasi gambar berwarna dengan cara pengklasifikasian tiga komponen warna dapat memberikan hasil segmentasi yang baik. Algoritma pengklasteran FCM (Fuzzy C-Means) yang digunakan untuk proses segmentasi gambar membutuhkan komputasi yang kompleks, meski demikian algoritma ini sangat sensitif untuk mengetahui nilai inisiali pusat klaster, yang merupakan hal penting untuk proses pengelompokkan atau pengklasteran data [2]. Manggis merupakan tanaman buah berupa pohon yang berasal dari hutan tropis yang teduh di kawasan Asia Tenggara, yaitu hutan belantara Malaysia atau Indonesia. Dari Asia Tenggara, tanaman ini menyebar ke daerah Amerika Tengah dan daerah tropis lainnya seperti Srilanka, Malagasi, Karibia, Hawaii dan Australia Utara. Di Indonesia manggis disebut dengan berbagai macam nama lokal seperti manggu (Jawa Barat), Manggus (Lampung), Manggusto (Sulawesi Utara), Manggista (Sumatera Barat). Pusat penanaman pohon manggis adalah Kalimantan Timur, Kalimantan Tengah, Jawa Barat (Jasinga, Ciamis, Wanayasa), Sumatera Barat, Sumatera Utara, Riau, Jawa Timur dan Sulawesi Utara. Buah manggis dapat disajikan dalam bentuk segar, sebagai buah kaleng, dibuat sirop/sari buah. Secara tradisional buah manggis adalah obat sariawan, wasir dan luka. Kulit buah dimanfaatkan sebagai pewarna termasuk untuk tekstil dan air rebusannya dimanfaatkan sebagai obat tradisional. Batang pohon dipakai sebagai bahan bangunan, kayu bakar/ kerajinan. [6]. Penelitian ini mengimplementasikan teknik Digital Image Processing untuk menghasilkan perangkat lunak yang berfungsi untuk mengklasifikasikan buah manggis berdasarkan mutunya. II. METODOLOGI PENELITIAN Bahan penelitian yang digunakan adalah citra digital dengan format standar BMP (Microsoft Windows Bitmap) dan JPEG (Joint Photografic Experts Group), dengan ukuran minimum citra sebesar 50 x 50 piksel, dan ukuran maksimumnya sebesar 800 x 600 piksel. Objek yang diteliti adalah citra buah manggis. Perbandingan input berupa data citra buah manggis yang memiliki wana-warna yang bervariasi. Penelitian ini menggunakan perangkat lunak Matlab 7 (R2009a), dengan perangkat keras pengolah data komputer/laptop. A. Studi literatur Mempelajari dasar dan berbagai metode terkait dengan cara mengumpulkan referensi dan buku tentang Fuzzy C Means, pemrograman Matlab, pengolahan citra, dan materi pendukung lainnya. B. Pengembangan sistem 1) Analisis Melakukan identifikasi terhadap permasalahan dan memodelkan prosedur kerja dari algoritma-algoritma yang digunakan 2) Perancangan Perancangan pengolahan input untuk menghasilkan output dengan perangkat lunak Matlab 7 (R2009a). Input berupa data citra buah manggis yang memiliki wana-warna yang bervariasi. Proses pengklasifikasian warna buah manggis dengan Fuzzy C Means dilakukan berdasarkan perbedaan warna kulit buah yang sesuai dengan standar mutu buah manggis SNI Kemudian citra permukaan

2 kulit buah manggis hasil klasifikasi dipisahkan berdasarkan batas warna. Output yang diharapkan adalah citra hasil klasifikasi buah manggis berdasarkan mutunya. 3) Pemrograman (coding) Pemrograman dilakukan dengan bahasa yang dipakai pada Matlab R2009a, meliputi pemrograman pembangkitan input citra, pengolahan dengan algoritma Fuzzy C Means. 4) Pengujian program Pengujian program dilakukan dengan beberapa sampel input citra beberapa buah manggis. C. Pengambilan kesimpulan Mengambil kesimpulan dari proses penelitian yang didapat dari hasil pengujian program. A. Fuzzy C-Means III. PERANCANGAN Fuzzy C-means Clustering (FCM), atau dikenal juga sebagai Fuzzy ISODATA, merupakan salah satu metode clustering yang merupakan bagian dari metode Hard K- Means. FCM menggunakan model pengelompokan fuzzy sehingga data dapat menjadi anggota dari semua kelas atau cluster terbentuk dengan derajat atau tingkat keanggotaan yang berbeda antara 0 hingga 1 [6]. Tingkat keberadaan data dalam suatu kelas atau cluster ditentukan oleh derajat keanggotaannya. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun Konsep dasar FCM, pertama kali adalah menentukan pusat cluster yang akan menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat cluster ini masih belum akurat. Tiap-tiap data memiliki derajat keanggotaan untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan nilai keanggotaan tiap-tiap data secara berulang, maka dapat dilihat bahwa pusat cluster akan menujui lokasi yang tepat. Perulangan ini didasarkan pada minimasi fungsi obyektif. Algoritma FCM secara lengkap diberikan sebagai berikut [6]: 1) Tentukan : a. Matriks X berukuran n x m, dengan n = jumlah data yang akan di cluster; dan m=jumlah m variabel (kriteria). b. Jumlah cluster yang akan dibentuk (C 2) c. Pangkat (pembobot w > 1 ) d. Maksimum iterasi e. Kriteria penghentian ( ε = nilai positif yang sangat kecil) 2) Bentuk matriks partisi awal U (derajat keanggotaan dalam cluster); matriks partisi awal biasanya dibuat secara acak. 3) Hitung pusat cluster V untuk setiap cluster. 4) Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi). 5) Tentukan kriteria penghentian iterasi, yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya. Apabila Δ< ε maka iterasi dihentikan.

3 B. Klasifikasi dan Standar Mutu Buah Manggis Standar mutu buah manggis tercantum dalam Standar Nasional Indonesia SNI [6]. Terdiri dari 3 jenis mutu, yaitu mutu super, mutu I, mutu II. a) Keseragaman: mutu super=seragam; mutu I=seragam; mutu II=seragam. b) Diameter: mutu super>65 mm; mutu I=55 56 mm; mutu II<55 mm. c) Tingkat keseragaman: mutu super=segar; mutu I=segar; mutu=ii segar. d) Warna kulit: mutu super ; mutu s/d merah; mutu II=muda mengkilat e) Buah cacat atau busuk (jumlah/jumlah): mutu super=0%; mutu I=0%; mutu II=0% f) Tangkai dan atau kelopak: mutu super utuh, mutu I utuh, mutu II utuh g) kadar kotoran (b/b): mutu super=0%; mutu I=0%; mutu II=0% h) Serangga hidup dan atau mati :mutu super=tidak ada; mutu I=tidak ada; mutu=ii tidak ada. i) Warna daging buah: mutu super=putih bersih; mutu I=khas manggis putih; mutu II=bersih khas manggis mean_cluster_value = cluster_warna = 2 R = G = B = gray = C. Perancangan Software Software dibuat dengan Matlab 7 dengan tampilan seperti pada Gbr. 1 berikut ini. Gbr. 2 Hasil klasifikasi warna buah manggis Gbr. 1 Software pengolah citra IV. PENGUJIAN Input citra buah manggis dimasukkan ke perangkat lunak yang dibuat, hasilnya seperti tampak pada Gbr. 2. Kemudian citra buah manggis hasil klasifikasi dipisahkan berdasarkan masing-masing cluster, seperti yang tertampil pada Gbr.3, Gbr. 4 dan Gbr. 5. Nilai cluster center dari FCM, jumlah cluster, nilai rerata komponen RGB dari keseluruhan piksel gambar, dan nilai rerata gambar dengan warna keabuan (gray) ditampilkan pada command window matlab seperti tertampil berikut ini. Gbr. 3 Hasil klasifikasi pertama

4 Tabel. 1 Hasil pengujian Manggi s mean gray mean R mean G m m m m m m m m m m mean B Diameter Warna Kulit mutu super>65 mutu mutu I=55 56 mutu mutu I=55 56 mutu 3 mm mutu super>65 mutu super = 4 mm mutu super>65 mutu super = mutu I=55 56 mutu mutu I=55 56 mutu 8 mm mutu super>65 mutu super = mutu I=55 56 mutu super = mutu super>65 mutu Gbr. 4 Hasil klasifikasi kedua Berdasarkan pengujian terhadap sepuluh citra buah manggis, terdapat 5 buah manggis yang termasuk ke dalam kelas diameter mutu super>65 mm, dan 5 buah manggis yang termasuk ke dalam kelas mutu I=55-56 mm, kemudian terdapat 6 buah manggis yang termasuk ke dalam kelas wana kulit buah mutu, dan 4 buah manggis yang termasuk ke dalam mutu super=. Kesalahan pengujian data terdapat 10%, seperti tertampil pada Tabel. 2. Tabel. 2 Perbandingan kesalahan Manggis Error per sepuluh m1 0 m2 0 m3 0 m4 0 m5 0 m6 1 m7 0 m8 0 Gbr. 5 Hasil klasifikasi objek yang diinginkan Nilai rerata RGB dan gray digunakan untuk proses pengklasifikasian berikutnya, yaitu pengklasifikasian buah manggis berdasarkan warna dan ukuran diameternya. Pengklasifikasian warna kulit buah terdiri dari tiga kelas, yaitu mutu super =, mutu, dan mutu II=muda mengkilat. Dan untuk pengklasifikasian diameter terdiri dari tiga kelas, yaitu mutu super>65 mm, mutu I=55 56 mm, dan mutu II<55 mm. Pengujian dilakukan terhadap 10 buah citra buah manggis dengan warna dan ukuran yang bervariasi. Hasil pengujian dengan analisis keterkaitan jumlah rerata nilai tiap komponen warna dengan klasifikasi warna buah serta ukuran diameter buah adalah seperti tertampil pada Tabel.1 berikut ini. m9 0 m10 0 V. KESIMPULAN Pengklasifikasian dengan Fuzzy C Means menghasilkan clustering warna yang cukup akurat, dengan komputasi yang cukup lama. Pengujian terhadap sepuluh data citra buah manggis yang bervariasi, menghasilkan 2 kelompok kelas pada kelas ukuran diameter dan warna kulit buah, yaitu terdapat 5 buah manggis yang termasuk ke dalam kelas diameter mutu super>65 mm, dan 5 buah manggis yang termasuk ke dalam kelas mutu I=55-56 mm, kemudian terdapat 6 buah manggis yang termasuk ke dalam kelas wana kulit buah mutu, dan 4 buah manggis yang termasuk ke dalam mutu super=. Pengklasifikasian mutu

5 buah manggis berdasarkan analisis rerata komponen warna RGB dan gray kurang baik dengan tingkat kesalahan 10%. REFERENSI [1] C. Xianyi, G. Xiangpu, An Image Segmentation of Fuzzy C-means Clustering Based on the Combination of Improved Ant Colony Algorithm and Genetic Algorithm, 2008 International Workshop on Education Technology and Training & 2008 International Workshop on Geoscience and Remote Sensing, IEEE, [2] K. Zou, Z. Wang, dan M. Hu, An Improved FCM algorithm for Color Image Segmentation, The 3rd International Conference on Innovative Computing Information and Control (ICICIC'08), IEEE, [3] G. Kartika, G. B. Cherry, S. Yohan, Aplikasi Segmentasi Gambar dengan Menggunakan Metode Level Set, Jurnal Informatika vol. 8, no. 2, November 2007: [4] G. Du, F. Miao, S. Tian, Y. Liu, A Modified Fuzzy C-means Algorithm in Remote Sensing Image Segmentation, 2009 International Conference on Environmental Science and Information Application Technology, IEEE, [5] P. Joko, Pendeteksian Penyakit Kulit Menggunakan Kombinasi Analisa Warna dan Tekstur dengan Color Histogram dan Edge Histogram Descriptor, available at: option=com_repository&itemid=34&task=detail&nim= [6] MANGGIS, (Garcinia mangostana L.), available at: