Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Semarang

Transkripsi

1 IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: PENERAPAN ALGORITMA K-MEANS BERDASARKAN COSINE SIMILARITY UNTUK PENGENALAN KAYU KELAPA APPLICATION OF K-MEANS ALGORITHM BASED ON COSINE SIMILARITY FOR COCONUT WOOD RECOGNITION Ardha Rizqa Hidayat 1, Ricardus Anggi Pramunendar MCS 2 Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Semarang @mhs.dinus.ac.id, 2 ricardus.anggi@dsn.dinus.ac.id Abstrak Proses pemilihan kualitas kayu kelapa (Cocos nucifera L.) umumnya dilakukan oleh seorang grader terlatih dengan cara melihat secara langsung tanpa bantuan apapun. Masyarakat bergantung kepada grader tersebut dalam pemilihan kualitas kayu kelapa.untuk menghilangkan ketergantungan masyarakat, penelitian ini bertujuan untuk menerapkan aplikasi berbasis Android untuk pengenalan kayu kelapa secara otomatis. Proses pengenalan kayu kelapa sebelumnya diperlukan metode ekstraksi fitur tekstur berbasis histogram sebagai penentu karakteristik citra kayu kelapa 2D. Hasil ekstraksi fitur tekstur dikelompokkan menggunakan metode K-Means Clustering dengan Cosine Similarity. Berdasarkan hasil pengujian dari 170 data citra kayu kelapa, aplikasi pengenalan kayu kelapa menghasilkan akurasi sebesar 60.3%. Kata kunci : Computer Vision, Kayu Kelapa, K-Means Clustering, Cosine Similarity, Statistical Histogram Abstract The process of selecting quality of coconut wood is generally performed by a trained grader by looking coconut wood directly manually. People are highly dependent on the grader. To eliminate this dependence, this research aims to implement the Android-based applications for the introduction of coconut wood automatically. The first process required the extraction of texture features method based on histogram as a determinant characteristic 2D image of coconut wood. The extraction of texture features are classified using K-Means Clustering with Cosine Similarity. Based on the test results of 170 image data coconut wood, the application of coconut wood recognition produces an accuracy of 60.3%. Keywords : Computer Vision, Coconut Wood, K-Means Clustering, Cosine Similarity, Statistical Histogram 1. PENDAHULUAN Dunia teknologi informasi kini semakin berkembang pesat, manusia semakin cenderung menyelesaikan masalah dengan cepat dengan memanfaatkan teknologi. Smartphone adalah salah satu perangkat teknologi yang dimiliki oleh masyarakat di segala kalangan. Kecanggihan Received June1 st,2012; Revised June25 th, 2012; Accepted July 10 th, 2012

2 2 ISSN: dan kemudahan smartphone ini sangat membantu manusia untuk menyelesaikan masalahmasalah dalam segala bidang [5]. Salah satu bidang yang dapat memanfaatkan smartphone sebagai teknologi untuk membantu menyelesaikan masalah adalah bidang agrikultur. Di bidang agrikultur, telah banyak penelitian yang dilakukan untuk mempermudah kontrol kualitas produk. Seperti pada penelitian [2], meneliti tentang penentuan kualitas pada beras. Dan pada [3], meneliti tentang penentuan kualitas pada kayu kelapa. Kayu kelapa telah dimanfaatkan untuk pembuatan furnitur dan sebagai bahan bangunan. Penentuan penilaian kelas secara visual pada kayu kelapa ditentukan oleh kepadatan bundel (pola) pada irisan kayu kelapa per satuan luas. Semakin padat maka kualitas kayu semakin baik. Hal lain yang membuat faktor kualitas kayu kelapa adalah warna dan ukuran pola bundel, ukuran yang lebih besar dan warna yang lebih gelap akan menghasilkan kualitas yang lebih baik [4]. Proses penentuan kualitas kayu kelapa yang berkualitas dan cocok sebagai bahan baku suatu produk dilakukan oleh seorang grader yang terlatih dengan cara melihat kayu secara langsung tanpa menggunakan alat bantu, hal ini menyebabkan ketergantungan masyarakat akan seorang grader dalam pemilihan kualitas kayu kelapa [3]. Untuk mempermudah penyelesaian masalah dalam menentukan kualitas kayu kelapa dengan atau tanpa seorang grader, dibutuhkan aplikasi berbasis mobile yang dapat mengklasifikasi kualitas kayu kelapa dengan melakukan pengolahan citra digital pada citra kayu kelapa. Pada pengolahan citra digital, untuk melakukan proses klasifikasi sebelumnya diperlukan proses analisis tekstur untuk mengidentifikasi parameter penentu kelas sebuah citra. Analisis tektstur membutuhkan tahapan fitur tekstur [5]. Pada [5] dikatakan bahwa metode ekstraksi fitur berbasis histogram merupakan metode statis orde satu untuk memperoleh fitur tekstur. Beberapa fitur yang dapat dikenali melalui metode histogram adalah: rerata intensitas, deviasi standar, skewness, energi, entropi dan kehalusan. Dari ekstraksi fitur berbasis histogram dapat menghasilkan ciri tekstur kayu kelapa, selanjutnya akan diproses menggunakan metode clustering untuk mengelompokkan data kayu kelapa. K-Means merupakan salah satu metode clustering non hirarki yang berusaha mempartisi data ke dalam satu atau lebih cluster berdasarkan jarak minimal data ke centroid. Dengan algoritma K-Means Clustering data dapat dipartisi, dimana data yang memiliki karakteristik yang mirip dikelompokkan ke dalam cluster yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam cluster yang lain [6]. Pada [2] peneliti menerapkan algoritma K-Means clustering dengan Manhattan/City Block distance space untuk mengklasifikasi kualitas beras. Hasil dari penelitian tersebut data beras dibagi menjadi 3 cluster, Cluster 1 untuk beras kualitas buruk, Cluster 2 untuk beras kualitas sedang, dan Cluster 3 untuk beras kualitas baik, serta dihasilkan validasi sebesar 92,82%. Beberapa alternatif penerapan K-Means dengan pengembangan teori-teori penghitungan terkait telah diusulkan. Hal ini termasuk pemilihan Distance space untuk menghitung jarak di antara suatu data dan centroid [7]. Pada penelitian [8], membandingkan 5 macam penghitungan, salah satunya Cosine Similarity. Cosine Similarity adalah salah satu persamaan yang populer yang diaplikasikan untuk text document, seperti Information Retrieval dan clustering juga [9]. Penelitian-penelitian sebelumnya mengenai kayu kelapa telah menggunakan beberapa metode clustering, namun belum menerapkan hasil penelitian ke dalam perangkat lunak di smartphone. Maka dari itu, penelitian ini akan menerapkan aplikasi berbasis android menggunakan metode clustering dengan algoritma K-Means dengan Cosine Similarity untuk pengenalan kayu kelapa. IJCCS Vol. x, No. x, July201x : first_page end_page

3 IJCCS ISSN: METODE PENELITIAN Dalam menyelesaikan permasalahan, diterapkan sebuah metode serta algoritma yang sesuai dengan tujuan penelitian. Metode tersebut merupakan serangkaian tindakan yang dilakukan hingga mencapai hasil penelitian yang diinginkan. Dalam setiap tahapan pada metode menentukan proses pada tahap selanjutnya dimana berarti hal ini menunjukkan ketergantungan antar tahapan. Metode yang diusulkan dapat digambarkan sebagai berikut : Citra Kayu Kelapa Normalisasi Citra Ekstraksi fitur citra Pengelompokkan Citra Data 3 kelompok Citra Kayu Kelapa Gambar 1 Gambaran Metode yang Diusulkan Dari gambar di atas dapat dijelaskan metode yang diusulkan sebagai berikut: 1. Normalisasi citra, dalam metode ini citra kayu kelapa original dari model warna RGB akan dinormalisasi ke dalam citra kayu kelapa dengan model warna grayscale. 2. Ekstraksi fitur, metode ini menerapkan ekstraksi fitur tekstur berbasis histogram. Penggunaan metode ini bertujuan agar dapat mengetahui data ciri fitur tekstur pada citra kayu kelapa. Terdapat 6 ciri fitur yang didapatkan yaitu nilai rerata intensitas, deviasi standar, skewness, energi, entropi, dan kehalusan. 3. Pengelompokkan citra, metode ini menggunakan algoritma K-Means clustering. Penggunaan metode ini bertujuan untuk mengelompokkan data kayu kelapa yang sudah diketahui ciri atau fiturnya ke dalam 3 kelompok berdasarkan kedekatan jarak antar ciri atau fitur yang dihitung dengan cosine similarity.: Percobaan dilakukan dengan menggunakan 170 data kayu kelapa yang telah diuji dan dikelompokkan oleh grader kayu kelapa dari PIKA. Dari pengujian tersebut, didapati 3 kelompok data kayu kelapa, dimana masing-masing kelompok menentukan kualitas kayu kelapa yaitu 67 data merupakan kualitas A, 56 data merupakan kualitas B, dan 47 data merupakan kualitas C. Pengujian dilakukan dengan mengambil 105 data gambar citra kayu kelapa yang akan dinormalisasi dan dilakukan proses pengelompokkan menjadi 3 kelompok data kayu kelapa. Dari 3 kelompok data kayu kelapa yang telah dihasilkan dan 105 data uji kayu kelapa yang telah disebutkan di atas akan dianalisa dan diukur menggunakan evaluation measure dengan menghitung nilai presisi, recall dan f-measure. Hal ini bertujuan untuk menganalisa kinerja dan menguji keakuratan aplikasi pengelompokkan kayu kelapa apakah sesuai dengan hasil perhitungan metode yang diusulkan serta sesuai dengan hasil pengukuran grader atau tidak. Title of manuscript is short and clear, implies research results (First Author)

4 4 ISSN: HASIL DAN PEMBAHASAN Dalam melakukan serangkaian proses penelitian, peneliti membutuhkan bahan sebagai penunjang rancangan agar hasil serta tujuan aplikasi tercapai dengan tepat dan sesuai seperti harapan. Adapun beberapa kebutuhan yang diperlukan yaitu kebutuhan perangkat keras, kebutuhan perangkat lunak, kebutuhan data, spesifikasi sistem serta sistematika kerja sistem. Berikut merupakan spesifikasi kebutuhan perangkat keras dan perangkat lunak yang digunakan pada penelitian ini : Tabel 1 Spesifikasi Kebutuhan Perangkat Lunak dan Perangkat Keras Spesifikasi Perangkat Keras Spesifikasi Perangkat Lunak PC (Personal Computer) Processor Intel Core i5 2.1 GHz Windows 7 Home Premium Ram 4 GB MATLAB Harddisk 500GB Android Studio Monitor LCD 13,3 Smartphone Processor Quad-core 1.3 GHz Cortex-A7 Android Lollipop Ram 3GB Layar 5.7, Resolusi 1080 x 1920 Internal Storage 32GB Pengelompokkan data dilakukan menggunakan algoritma K-Means Clustering dengan perhitungan jarak Cosine Similarity. Tabel 2 Contoh Datahasil Ekstraksi Fitur Tekstur Citra Kayu Kelapa No. Kayu Rerata Intensitas Kontras Skewness Energi Entropi Smoothness , ,0557-0,6210 0,0188 4,3461 0, , ,9803-0,8444 0,0179 4,3825 0, , ,0424-0,3361 0,0109 4,7224 0, , ,1727-0,2295 0,0132 4,5362 0, , ,5018-0,7258 0,0093 4,8475 0, , ,3453-0,3254 0,0098 4,7575 0,0189 Langkah awal pada K-Means Clustering adalah menentukan banyaknya clustering. Pada penelitian ini telah ditentukan banyaknya cluster adalah 3 kelompok. Dimana masing-masing centroid ditentukan secara acak. Dari sampel hasil ekstraksi fitur tekstur pada citra kayu kelapa pada Tabel 4 di atas, akan ditentukan centroid-nya. Centroid yang telah ditentukan dapat dilihat pada Tabel 5 di bawah ini: IJCCS Vol. x, No. x, July201x : first_page end_page

5 IJCCS ISSN: Kayu Rerata Intensitas Kontras Skewness Energi Entropi Smoothness , ,0556-0,6210 0,0188 4,3460 0, , ,0423-0,3360 0,0109 4,7223 0, , ,173-0,0656 0,0091 4,7817 0,0186 Tabel 3 Contoh Pemilihan Data Centroid Dari contoh data hasil ekstraksi fitur tekstur dan data centroid yang telah ditentukan, dapat dihitung nilai jarak menggunakan Cosine Similarity. Hasil dari perhitungan di atas dapat dilihat pada Tabel 4 di bawah ini. Tabel 4 Contoh Hasil Perhitungan Nilai Jarak menggunakan Cosine Similarity NO KAYU Jarak dari Data ke Centroid C1 C2 C ,0000 0,9997 0, ,9992 0,9998 0, ,9997 1,0000 0, ,0000 0,9995 0, ,9863 0,9900 0, ,9902 0,9933 0,9993 Data dengan tanda warna hijau menunjukan nilai perhitungan jarak dari data ke centroid yang terendah atau yang paling dekat dengan salah satu centroid. Proses selanjutnya yaitu menghitung nilai centroid yang baru. Hasil perhitungan nilai centroid yang baru terdapat pada Tabel 5. Tabel 5 Contoh Hasil Perhitungan Centroid Baru No. Centroid Rerata Intensitas Kontras Skewness Energi Entropi Smoothness 1 C C C Proses selanjutnya adalah menghitung kembali jarak antara data fitur tekstur citra kayu kelapa dengan data nilai centroid yang baru. Proses ini akan diulang terus-menerus hingga tidak ada nilai data yang berubah. Hasil akhir dari penghitungan jarak dari data ke centroid terdapat pada Tabel 6. Title of manuscript is short and clear, implies research results (First Author)

6 6 ISSN: Tabel 6 Contoh Hasil Perhitungan Centroid Baru iterasi ke-2 (terakhir) No. Centroid Rerata Intensitas Kontras Skewness Energi Entropi Smoothness 1 C C C Pada proses iterasi ke-2, sudah tidak ada nilai data yang berubah, maka iterasi berhenti. Hasil perhitungan nilai jarak pada iterasi ke-2 dapat dilihat pada Tabel 7. Tabel 7 Contoh Hasil Perhitungan Nilai Jarak menggunakan Cosine Similarity (iterasi ke-2) NO KAYU Jarak dari Data ke Centroid C1 C2 C Hasil pengelompokkan kayu kelapa pada Tabel 8. Tabel 8 Hasil pengelompokkan kayu kelapa NO KAYU KELOMPOK 1 1 C1 2 2 C2 3 5 C2 4 6 C1 5 9 C C3 Implementasi ke dalam aplikasi sebagai berikut: IJCCS Vol. x, No. x, July201x : first_page end_page

7 IJCCS ISSN: Gambar 2 Tampilan Upload Data Gambar 2 menampilkan proses berhasilnya normalisasi dan ekstraksi fitur data yang selanjutnya hasil ekstraksi fitur dimasukkan ke dalam database aplikasi. Gambar 3 Database Hasil Ekstraksi Fitur Citra Pada Gambar 3 menampilkan database dari hasil ekstraksi fitur citra yang telah dimasukkan. Title of manuscript is short and clear, implies research results (First Author)

8 8 ISSN: Gambar 4 Konfirmasi Proses Data Training Gambar 5 Proses Data Training Saat memilih menu PROSES, akan muncul tampilan seperti pada Gambar 4, jika memilih OK maka sistem akan melakukan proses pengelompokkan berdasarkan data yang ada telah dimasukkan. Dan pada Gambar 5 menandakan bahwa proses telah selesai. Gambar 6 Halaman Testing (hasil rendah) Gambar 7 Halaman Testing (hasil sedang) Gambar 8 Halaman Testing (hasil tinggi) Pada ketiga gambar di atas merupakan tampilan pada Halaman Testing setelah proses pengujian pada data citra. Pada Gambar 6, hasil data uji citra adalah Rendah, pada Gambar 7 memiliki hasil data uji citra Sedang, dan pada Gambar 8 memiliki hasil data uji citra Tinggi. IJCCS Vol. x, No. x, July201x : first_page end_page

9 IJCCS ISSN: Tabel 9 Hasil Pengujian dan Perhitungan nilai precision, recall, dan f-measure A B C Hasil pengujian dan penghitungan nilai precision, recall, dan f-measure pada data citra label A, B, dan C terhadap kelompok 1, 2, dan 3 terdapat pada Tabel 10 maka dapat dihitung nilai rerata penghitungan f-measure. Dengan hasil penghitungan di atas, dapat diketahui nilai f-measure dari pengelompokkan terhadap 170 data uji citra kayu kelapa adalah 60.3%. 4. KESIMPULAN Kesimpulan yang didapat dari penelitian ini adalah : 1. Dari hasil pengujian dari 170 data citra kayu kelapa, aplikasi pengenalan kayu kelapa memiliki nilai f-measure atau akurasi sebesar 60.3% 2. Metode penelitian yang diusulkan pada penelitian ini dapat diaplikasikan untuk memudahkan masyarakat dalam mengelompokkan kayu kelapa ke dalam 3 kelompok dengan kualitas berbeda tanpa seorang grader. 5. SARAN Saran-saran yang berguna untuk pengembangan aplikasi ini adalah sebagai berikut: 1. Aplikasi dapat dikembangkanlagi menggunakan metode-metode clustering dan perhitungan jarak lainnya untuk meningkatkan akurasi. 2. Aplikasi dapat dilengkapi dengan algoritma pendeteksi citra kayu agar dapat memilah citra kayu dengan citra bukan kayu. 3. Aplikasi dapat dioptimalkan untuk data training dalam jumlah banyak. 4. Aplikasi dapat dilanjutkan dengan teknik pengolahan citra seperti operasi pemotongan atau cropping. DAFTAR PUSTAKA [1] A. Kadir and A. Susanto, Pengolahan Citra Teori dan Aplikasi. Yogyakarta, Indonesia: Andi, [2] Barly, Coconut Stem As Conventional Timber Alternative, Duta Rimba, vol. 174, pp , Dec [3] Food & Agriculture Organization of the United Nation, Coconut Wood: Processing and Use. Rome: Food & Agriculture Org, [4] I. N. Yuwono, R. A. Pramunendar, P. N. Andono, and R. A. Subandi, The Quality Determination Of Coconut Wood Density Using Learning Vector Quantization, Journal Title of manuscript is short and clear, implies research results (First Author)

10 10 ISSN: Of Theoritical and Applied Information Technology, vol. 57, pp , Nov [5] Ricardus Anggi Pramunendar, Catur Supriyanto, Dwi Hermawan Novianto, Ignatius Ngesti Yuwono, Guruh Fajar Shidik, and Pulung Nurtantio Andono, A Classification Method of Coconut Wood Quality Based on Gray Level Co-Occurrence Matricesn, International Conference on Robotics, Biomimetics, Intelligent Computational Systemss (ROBIONETICS), [6] Silvi Agustina, Dhimas Yudho, Hadi Santoso, Nofiadi Marnasusanto, Arif Tirtana, Fakhris Khusnu, Clustering Kualitas Beras Berdasarkan Ciri Fisik Menggunakan Metode K-Means, Program Studi Ilmu Komputer, Program Teknologi dan Ilmu Komputer, Universitas Brawijaya, [7] Yudi Agusta, K-Means Penerapan Permasalahan dan Metode Terkait, Jurnal Sistem dan Informatika, pp , [8] Wilis Kaswidjanti, Herlina Jayadianti, Ervina Amelia Malik, Aplikasi Pengenalan Bendera Negara Menggunakan Histogram Citra, Seminar Nasional Informatika 2011, [9] Renaldi Munir, Pengolahan Citra Digital Dengan Pendekatan Algoritmik. Jakarta, Indonesia: Informatika, IJCCS Vol. x, No. x, July201x : first_page end_page