Shintya Yosvine Monro¹, Bambang Hidayat², Ari Novianty³. ¹Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom

Transkripsi

1 KLASIFIKASI JENIS DAN KUALITAS TELUR ASIN BERDASARKAN WARNA KUNING TELUR MENGGUNAKAN TRANSFORMASI LBP (LOCAL BINARY PATTERN) DAN METODA SVM (SUPPORT VECTOR MACHINE) CLASSIFICATION KIND AND QUALITY OF SALTED EGG USING LBP (LOCAL BINARY PATTERN) TRANSFORMAT Shintya Yosvine Monro¹, Bambang Hidayat², Ari Novianty³ ¹Teknik Telekomunikasi,, Universitas Telkom Abstrak Penilaian warna dan kenampakan telur asin bergantung terhadap subjek yang menilai, sehingga hasilnya kurang akurat. Maka dari itu perlu adanya sistem yang berbasis pengolahan citra digital untuk melakukan penilaian kualitas telur asin secara objektif. Untuk ekstraksi ciri digunakan transformasi LBP (Local binary pattern) dan metoda SVM (Support Vector Machine) untuk klasifikasi kualitas telur asin ke dalam jenis telur asin rebus atau bakar yang untuk kemudian diklasifikasikan ke dalam kelas kualitas 1 atau kualitas 2. Pada tugas akhir ini dilakukan proses preprocessing yang terdiri dari operasi cropping dan resizing, morfologi, peningkatan kontras, grayscale, filtering. Untuk analisa akurasi dan waktu komputasi dilakukan pada varian parameter gaussian filter memakai matrik kernel 5x5 7x7 9x9, varian parameter LBP yaitu nilai (P,R) (4,1) (8,1) (8,2) (16,2) dan varian parameter kernel SVM (Rbf, Polynomial dan Linear) serta uji parameter jenis LBP. Dari hasil pengujian tingkat akurasi, perubahan parameter matrik kernel gaussian filter sama sekali tidak mempengaruhi akurasi. Varian nilai (P,R) terbaik adalah varian (8,1) dengan tingkat akurasi sebesar 76,67% pada uji jenis dan 80% pada uji kualitas. Lalu didapat juga kesimpulan varian kernel SVM terbaik adalah kernel polynomial, menghasilkan akurasi 73,13% pada uji jenis dan 81,88% pada uji kualitas dan akurasi terbaik didapat pada jenis LBP Uniform sebesar 81,25%. Dan dari hasil pengujian waktu komputasi, didapat hasil perubahan parameter kernel SVM tidak mempengaruhi waktu komputasi. Untuk perubahan parameter matrik kernel gaussian filter mempengaruhi waktu komputasi,semakin besar matrik semakin cepat waktu komputasi. Perubahan parameter nilai (P,R) juga mempengaruhi waktu komputasi, semakin besar nilai P semakin lama waktu yang dibutuhkan sistem. Kata Kunci : telur asin, pengolahan citra digital, ekstraksi ciri LBP, SVM.

2 Powered by TCPDF ( Tugas Akhir Abstract Assessment salted egg color and appearance depend on the subject are considered, so the results are less accurate. Thus the need for systems based on digital image processing to assess objectively the quality of salted eggs. Used for feature extraction transformation LBP (Local Binary Pattern) and the method of SVM (Support Vector Machine ) for classification of the quality of salted eggs into salted egg kind of poached or grilled and then classified into quality classes 1 or 2 quality. In this thesis performed the preprocessing process consists of cropping and resizing operations, morphology, contrast enhancement, grayscale, filtering. To analyze the accuracy and computational time is done on the variant parameter gaussian kernel filter using 5x5 7x7 9x9 matrix, parameter variant LBP is the value of (P,R) (4,1) (8,1) (8,2) (16,2) and variant parameter SVM kernel (RBF, polynomial and linear) and test parameter types LBP. The accuracy of the test results, change filter parameters gaussian kernel matrix does not affect accuracy. Variant values (P, R) is the best variant (8.1) with an accuracy rate of 76.67% on the test type and 80% in the test quality. Then the conclusion is also obtained the best SVM kernel variants are polynomial kernel, yield 73.13% accuracy on the test type and 81.88% on test quality and the best accuracy obtained on the type of LBP was 81.25% Uniform. And the computational time of the test results, the results obtained SVM kernel parameter changes do not affect the computation time. To change the filter gaussian kernel matrix parameters affect the computation time, the greater the faster matrix computation time. Changes in parameter values (P,R) also affects the computation time, the greater the P value the longer it takes the system. Keywords : salted egg, digital image processing, feature extraction LBP, SVM.

3 BAB I PENDAHULUAN 1.1 Latar Belakang Telur asin adalah istilah umum untuk masakan berbahan dasar telur bebek yang diawetkan dengan cara diasinkan (diberi adonan garam dan batu bata merah berlebih untuk menonaktifkan enzim perombak). Kebanyakan telur yang diasinkan adalah telur bebek, meski tidak menutup kemungkinan untuk telur-telur yang lain diasinkan. Dalam penelitian saya kali ini saya hanya akan membahas telur asin dari telur bebek khas kota Brebes. Di Jawa Tengah, kota Brebes dikenal sebagai penghasil utama telur asin. Industri telur asin di Brebes cukup meluas hingga tersedia berbagai pilihan kualitas telur asin. Masingmasing produsen memiliki cap sendiri-sendiri yang biasanya dapat dilihat pada kulit telur. Walaupun selera orang berbeda-beda, telur asin yang dinilai berkualitas tinggi memiliki ciri-ciri bagian kuning telur berwarna jingga terang hingga kemerahan, "kering" (jika digigit tidak mengeluarkan cairan), tidak menimbulkan bau amis, dan rasa asin tidak menyengat. Kriteria warna kuning telur asin kualitas 1 adalah warna kuning telur nya jingga kemerahan dan terdapat kandungan minyak. Sedangkan kenampakan kuning telur asin kualitas 2 warnanya jingga lebih pucat masih terdapat kandungan minyak di dalamnya namun tidak sebanyak kandungan minyak pada kuning telur asin kualitas 1. Penentuan kualitas telur asin dari kenampakan dan warna kuning telurnya biasanya dilakukan oleh tester. Apabila penilaian dilakukan oleh tester, kelemahannya adalah hasil yang didapat akan bersifat subjektif karena selera tester berbeda-beda sehingga hasil yang didapat kurang objektif. Oleh karena Penentuan kualitas telur asin dari kenampakan dan warna kuning telurnya yang dilakukan oleh tester bersifat subjektif, penulis tugas akhir ini mengembangkan metode lain penentuan kualitas telur asin dari kenampakan dan warna kuning telurnya selain dengan tester, yaitu menggunakan suatu sistem berbasis pengolahan citra digital. Untuk ekstraksi ciri menggunakan transformasi LBP (Local Binary Pattern) dan metoda SVM untuk klasifikasi. 1

4 Sistem ini mengolah citra kuning telur asin yang memiliki gradasi warna tipis. Dengan metoda LBP yang merupakan salah satu metode segmentasi warna, mengelompokan citra kuning telur asin ke dalam cluster-cluster warna dan mempertegas gradasinya menjadi suatu ciri khusus. Ciri inilah yang akan dipelajari dan dikenali oleh metoda SVM untuk menghasilkan output berupa penilaian jenis dan kualitas telur asin dilihat dari kuning telur nya, apakah termasuk jenis telur asin bakar atau telur asin rebus, yang untuk kemudian diklasifikasikan lagi ke dalam golongan kualitas 1 atau kualitas 2. Parameter kerja sistem berupa akurasi, yang ditentukan dengan membandingkan jumlah pengujian tepat dengan jumlah seluruh pengujian. 1.2 Tujuan Tujuan tugas akhir ini adalah membuat simulator yang dapat melakukan penilaian terhadap jenis dan kualitas telur asin berdasarkan kenampakan kuning telurnya dengan menggunakan parameter transformasi LBP (Local Binary Patterns) untuk ekstraksi ciri dan menggunakan metoda SVM (Support Vector Machine) untuk klasifikasi. 1.3 Rumusan Masalah Beberapa permasalahan yang akan menjadi objek pada penelitian ini adalah sebagai berikut : 1. Bagaimana mengetahui kenampakan citra kuning telur asin kualitas 1 dan Bagaimana melakukan preprocessing citra warna kuning telur asin. 3. Bagaimana mendapatkan ekstraksi ciri dari masing-masing kualitas kuning telur asin dengan transformasi LBP (Local Binary Patterns). 4. Bagaimana melakukan klasifikasi jenis dan kualitas telur asin dengan metode SVM. 5. Bagaimana melakukan analisis performansi sistem berupa parameter keakuratan identifikasi dan waktu komputasi. 1.4 Batasan Masalah Tugas akhir ini akan membatasi permasalahan pada poin-poin sebagai berikut : 1. Objek simulasi berupa telur asin rebus dan telur asin bakar dari telur bebek daerah Brebes. 2

5 2. Pengambilan gambar dilakukan dengan kamera digital Samsung 8.2MP dengan posisi pengambilan gambar dari atas objek dengan jarak 20 cm dr ujung kamera digital. 3. Background pengambilan gambar disamakan untuk seluruh objek yaitu background berwarna (hijau). 4. Waktu pengambilan gambar siang hari, dilakukan di dalam ruangan yang terang karena pantulan sinar matahari dari luar (bukan karena sinar lampu). 5. Hasil keluaran sistem berupa jenis telur (telur asin rebus atau telur asin bakar) dan klasifikasi kualitas telur asin tersebut baik kualitas 1 atau kualitas Parameter kinerja sistem yang digunakan adalah tingkat akurasi pengenalan yang merupakan prosentase antara hasil pengenalan benar terhadap seluruh percobaan dan waktu komputasi. 7. Perangkat lunak yang digunakan adalah program MATLAB R2013a. 1.5 Metodologi Penelitian Penelitian Tugas Akhir ini dilakukan dengan metode-metode sebagai berikut : 1. Pengambilan data berupa gambar telur asin bakar dan rebus kualitas 1&2 untuk dijadikan bahan latih dan bahan uji sistem. 2. Melakukan perancangan sistem yang meliputi : proses perbaikan citra melalui tahap pre-processing citra, menentukan ciri citra menggunakan transformasi LBP, dan melakukan proses klasifikasi dengan metoda SVM. 3. Melakukan pengujian sistem dengan parameter kerja keakuratan hasil klasifikasi dibandingkan dengan data latih. 4. Pengambilan kesimpulan terhadap hasil analisis dan melaporkan hasil kerja sistem dalam bentuk Sidang dan Buku Tugas Akhir. 1.6 Sistematika Penulisan Proposal Tugas Akhir ini dibagi dalam beberapa topik bahasan yang disusun secara sistematis sebagai berikut : BAB I PENDAHULUAN Bab ini membahas tentang latar belakang, tujuan, perumusan masalah, batasan masalah, metodologi penelitian dan sistematika penulisan. 3

6 Powered by TCPDF ( Tugas Akhir BAB II DASAR TEORI Bab ini membahas tentang dasar-dasar teori pengolahan citra digital, metode ekstraksi ciri menggunakan LBP (Local Binary Pattern) dan metoda SVM untuk klasifikasi. BAB III MODEL SISTEM Bab ini menjelaskan tentang model sitem secara umum, proses sistem akuisisi data, proses preprocessing, proses pengambilan ciri, serta proses pembelajaran dan pengenalan SVM. BAB IV PENGUJIAN SISTEM DAN ANALISIS Bab ini berisi tentang pengujian sistem dan analisis terhadap hasil penelitian, meliputi pengujian analisis varian gaussian filter, nilai P dan R pada LBP, varian kernel pada SVM dan jenis LBP yang digunakan. BAB V PENUTUP Bab ini berisi kesimpulan dari hasil Tugas Akhir dan saran untuk pengembanganpengembangan lebih lanjut. 4

7 BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Dari hasil analisis terhadap pengujian yang dilakukan pada sistem pengklasifikasian telur asin dengan pengolahan citra digital menggunakan konsep transformasi LBP dan SVM maka dapat ditarik kesimpulan sebagai berikut : 1. Pada analisa pengaruh parameter gaussian filter terhadap akurasi, perubahan matrik kernel gaussian filter baik pada uji jenis maupun uji kualitas tidak mempengaruhi nilai akurasi. 2. Pada analisa pengaruh parameter gaussian filter terhadap waktu komputasi, didapat kesimpulan bahwa perubahan matrik kernel gaussian filter mempengaruhi waktu komputasi walaupun selisih nilainya kecil sekali. Waktu komputasi untuk matrik kernel 5x5; 7x7; 9x9 secara berturut-turut sebesar 0,683; 0,675; 0,674 semakin besar matrik kernel gaussian yang digunakan semakin kecil waktu komputasi. 3. Dari tabel hasil akurasi parameter R dan P uji jenis, nilai akurasi tertinggi sebesar 80% pada varian (1,4) dan (1,8). Namun secara rata-rata akurasi didapat nilai akurasi tertinggi 76,67% pada varian (1,8). Sedangkan Dari tabel hasil akurasi parameter R dan P uji kualitas, akurasi tertinggi sebesar 85% pada varian (2,8) dan (2,16). Namun secara rata-rata akurasi didapat nilai akurasi tertinggi 80% pada varian (1,8) dan (2,8). Karena sesungguhnya dari penelitian sebelumnya dikatakan varian (1,8) yang terbaik, maka untuk penelitian ini dapat dikatakan varian (1,8) adalah yang terbaik dalam akurasi. 4. Perubahan nilai P dan R mempengaruhi waktu komputasi, semakin besar nilai P dan R semakin lama sistem membutuhkan waktu komputasi. 5. Dari tabel hasil akurasi parameter kernel SVM uji jenis, nilai akurasi tertinggi 80% pada varian kernel Rbf dan Polynomial. Namun secara rata-rata akurasi didapat nilai akurasi tertinggi 73,13% pada varian Polynomial dan Linear. Dari tabel hasil akurasi parameter kernel SVM uji kualitas, nilai akurasi tertinggi 85% pada varian kernel Polynomial dan Linear. Namun secara rata-rata akurasi didapat nilai akurasi tertinggi 81,88% pada varian Polynomial. Maka dari itu dapat dikatakan varian kernel SVM terbaik pada uji jenis maupun uji kualitas adalah kernel Polynomial. 48

8 Powered by TCPDF ( Tugas Akhir Waktu komputasi untuk kernel Rbf, Polynomial maupun linear adalah 0, yang artinya perubahan kernel SVM tidak mempengaruhi waktu komputasi. 7. Dengan melihat dari rata-rata akurasi uji jenis dan kualitas dengan menggunakan LBP biasa didapat akurasi 78,75% dan untuk LBP U2 81,25% maka dari itu jenis LBP terbaik adalah LBP U2 5.2 Saran Penelitian lebih lanjut diharapkan dapat memperbaiki kekurangan yang ada dan diharapkan dapat mengembangkan apa yang telah dilakukan pada penelitian ini. Untuk itu disarankan hal-hal berikut : 1. Penggunaan data latih dan data uji yang lebih banyak agar sistem dapat mengenali berbagai variasi data pada masing-masing kelas telur asin. 2. Penggunaan metode pre-processing yang lain agar didapatkan komponen-komponen citra yang dapat menghasilkan ciri yang lebih baik. 3. Pada proses ekstraksi ciri bisa dikembangkan dengan proses yang lebih kompleks atau juga dapat menggunakan metoda yang lain. 4. Pada proses klasifikasi SVM bisa dikembangkan lebih lanjut sehingga dapat menghasilkan nilai akurasi lebih baik atau juga dapat menggunakan metoda yang lain. 5. Pengambilan citra ada baiknya disertai perangkat pengambilan gambar, untuk mendapatkan komposisi citra yang sama. 6. Perlu dilakukan pengembangan menjadi bentuk sistem real-time dan dikembangkan menjadi suatu produk. 49

9 Powered by TCPDF ( Tugas Akhir DAFTAR PUSTAKA [1] Bisonerich Pengertian Matlab. [online]. Tersedia: diakses tanggal 06 November [2] Biwasputra, Dimas. (2013).Teknik Pengenalan Ruas Jari Berbasis Fitur LBP dan SVM. Tugas Akhir Program Sarjana. Institut Telnologi Telkom. Bandung. [3] Cristianini N., Taylor J.S., An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods, Cambridge Press University, [4] Mayhoneys.2008.Pengolahan citra digital. [Online]. Tersedia: Apemrosesan-sinyal&id=383%3Apengolahan-citradigital&option=com_content&Itemid=15 [24 September 2013]. [5] Nugroho, Anto Satriyo. (dkk) Support Vector Machine Teori dan Aplikasinya dalam Bioinformatika. [online]. Tersedia: diakses tanggal 06 November [6] Permana, Raden Indra Andhika. (2013). Simulasi dan Analisis Sistem Identifikasi Ruas Jari Tangan Manusia Menggunakan Metode LBP. Tugas Akhir Program Sarjana. Institut Telnologi Telkom. Bandung. [7] Purnomo, Mauridhi Hery dan Arif Muntasa Konsep Pengolahan Citra Digital dan Ekstraksi Fitur. Yogyakarta: Graha Ilmu.\ [8] Sandra, Leong Salted egg hunt. 23 Maret The Sunday Times, [online]. Tersedia: diakses tanggal 06 November [9] Sutoyo, T., S.Si., M.kom. (dkk) Teori Pengolahan Citra Digital. Yogyakarta: Penerbit ANDI. [10] Telur asin. Dalam : Paket industri pangan. Bogor : Pusbangtepa-IPB, s.a. Hal. 4 [11] Timo Ahonen, Abdenour Hadid,and Matti Pietik ainen, Face Description with Local Binary Pattern:Application to Face Recognition, vol. 28 no. 12, pp , December [12] Vapnik V.N., The Nature of Statistical Learning Theory, 2nd edition, Springer- Verlag, New York Berlin Heidelberg, 1999.