SKRIPSI IDENTIFIKASI DAGING SAPI DAN DAGING BABI MENGGUNAKAN FITUR EKSTRAKSI GREY LEVEL CO-OCCURRENCE MATRIX DAN K-NEAREST NEIGHBOR CLASSIFIER

Transkripsi

1 SKRIPSI IDENTIFIKASI DAGING SAPI DAN DAGING BABI MENGGUNAKAN FITUR EKSTRAKSI GREY LEVEL CO-OCCURRENCE MATRIX DAN K-NEAREST NEIGHBOR CLASSIFIER BEEF AND PORK IDENTIFICATION USING FEATURE EXTRACTION OF GREY LEVEL CO-OCCURRENCE MATRIX AND K-NEAREST NEIGHBOR CLASSIFIER Diajukan Untuk Memenuhi Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Teknik Informatika Nama NIM Program Studi Disusun Oleh : : Ferry Anggriawan Susanto : A : Teknik Informatika S1 FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO SEMARANG

2 2015 PERSETUJUAN SKRIPSI Nama NIM Program Studi Fakultas Judul Tugas Akhir : Ferry Anggriawan Susanto : A : Teknik Informatika : Ilmu Komputer : Identifikasi Daging Sapi dan Daging Babi Menggunakan Fitur Ekstraksi GLCM dan K-NN Classifier Tugas Akhir ini telah diperiksa dan disetujui, Semarang, 7 Juli 2015 Menyetujui: Pembimbing Mengetahui: Dekan Fakultas Ilmu Komputer Catur Supriyanto, MCS Dr. Abdul Syukur ii

3 HALAMAN PENGESAHAN DEWAN PENGUJI Nama Pelaksana NIM Program Studi Fakultas Judul Tugas Akhir : Ferry Anggriawan Susanto : A : Teknik Informatika : Ilmu Komputer : Identifikasi Daging Sapi Dan Daging Babi Menggunakan Fitur Ekstraksi Grey Level Co-Occurrence Matrix Dan K- Nearest Neighbor Classifier Tugas akhir ini telah diujikan dan dipertahankan dihadapan Dewan Penguji pada Sidang tugas akhir tanggal 5 maret Menurut pandangan kami, tugas akhir ini memadai dari segi kualitas maupun kuantitas untuk tujuan penganugrahan gelar Sarjana Komputer (S.Kom) Semarang, 7 Juli 2015 Dewan Penguji : Hanny Haryanto, S.Kom, M.T Anggota 1 Aisyatul Karima, M.CS Anggota 2 DR Pulung Nurtantio Andono S.T, M.Kom Ketua Penguji iii

4 PERNYATAAN KEASLIAN SKRIPSI Sebagai mahasiswa Universitas Dian Nuswantoro, yang bertanda tangan di bawah ini, saya : Nama : Ferry Anggriawan Susanto NIM : A Menyatakan bahwa karya ilmiah saya yang berjudul : Identifikasi Daging Sapi Dan Daging Babi Menggunakan Fitur Ekstraksi Grey Level Co-Occurrence Matrix Dan K-Nearest Neighbor Classifier Merupakan karya asli saya (kecuali ringkasan dan cuplikan yang masing-masing telah saya jelaskan sumbernya dan perangkat pendukung seperti web cam dll). Apabila di kemudian hari, karya saya disinyalir bukan merupakan karya asli saya, yang disertai dengan bukti-bukti yang cukup, maka saya bersedia untuk dibatalkan gelar saya beserta hak dan kewajiban yang melekat pada gelar tersebut. Demikian surat pernyataan ini saya buat dengan sebenarnya. Dibuat di : Semarang Pada tanggal : 7 Juli 2015 Yang menyatakan (Ferry Anggriawan Susanto) iv

5 PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS Sebagai mahasiswa Universitas Dian Nuswantoro, yang bertanda tangan di bawah ini, saya: Nama : Ferry Anggriawan Susanto NIM : A Demi mengembangkan Ilmu Pengetahuan, menyetujui untuk memberikan kepada Universitas Dian Nuswantoro Hak Bebas Royalti Non-Ekskusif (Non-exclusive Royalty-Free Right) atas karya ilmiah saya yang berjudul: Identifikasi Daging Sapi Dan Daging Babi Menggunakan Fitur Ekstraksi Grey Level Co- Occurrence Matrix Dan K-Nearest Neighbor Classifier Classifier. beserta perangkat yang diperlukan (bila ada). Dengan Hak Bebas Royalti Non-Eksklusif ini Universitas Dian Nuswantoro berhak untuk menyimpan, mengcopy ulang (memperbanyak), menggunakan, mengelolanya dalam bentuk pangkalan data (database), mendistribusikannya dan menampilkan / mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya selama tetap mencantumkan nama saya sebagai penulis / pencipta. Saya bersedia untuk menanggung secara pribadi, tanpa melibatkan pihak Universitas Dian Nuswantoro, segala bentuk tuntutan hukum yang timbul atas pelanggaran Hak Cipta dalam karya ilmiah saya ini. Demikian surat pernyataan ini saya buat dengan sebenarnya. Dibuat di : Semarang Pada tanggal : 7 Juli 2015 Yang menyatakan (Ferry Anggriawan Susanto) v

6 UCAPAN TERIMA KASIH Dengan memanjatkan puji syukur kehadirat Allah SWT. Tuhan Yang Maha Pengasih dan Maha Penyayang yang telah melimpahkan segala rahmat, hidayah dan inayah-nya kepada penulis sehingga laporan tugas akhir dengan judul Identifikasi Daging Sapi Dan Daging Babi Menggunakan Fitur Ekstraksi Grey Level Co-Occurrence Matrix Dan K-Nearest Neighbor Classifier dapat penulis selesaikan sesuai rencana karena dukungan dari berbagai pihak yang tidak ternilai besarnya. Oleh karena itu penulis menyampaikan terima kasih kepada : 1. Dr. Ir. Edi Noersasongko, M.Kom, selaku Rektor Universitas Dian Nuswantoro Semarang. 2. Dr. Drs. Abdul Syukur, MM, selaku Dekan Fasilkom Universitas Dian Nuswantoro. 3. Dr. Heru Agus Santoso, Ph.D, selaku Ka.Progdi Teknik Informatika- S1. 4. Catur Supriyanto, M.CS, selaku pembimbing tugas akhir yang memberikan ide penelitian, dan selalu sabar memberikan bimbingan. 5. Dosen-dosen pengampu di Fakultas Ilmu Komputer Teknik Informatika Universitas Dian Nuswantoro Semarang yang telah memberikan ilmu dan pengetahuannya masing-masing. 6. Orang tua penulis tercinta Edy Susanto dan Tri Wulandari Susilaningrum, tak lupa adik - adik penulis Ivan Setyawan Susanto dan Alvian Kurniawan Susanto yang telah memotivasi penulis dalam pembuatan laporan Tugas Akhir ini. 7. Teman teman matrikulasi A , yang telah banyak memberikan bantuan dan semangat. 8. Pihak-pihak yang telah banyak membantu penulis, yang tidak dapat penulis sebutkan namanya satu-persatu. Semoga Tuhan yang Maha Esa memberikan balasan yang lebih besar kepada beliau-beliau. Semarang,20 Mei 2015 Penulis vi

7 ABSTRAK Harga daging sapi selalu mengalami peningkatan dari waktu ke waktu, hal ini disebabkan oleh banyak faktor terutama naiknya harga BBM serta mahalnya sapi hidup dan juga karena pasokan daging sapi yang semakin berkurang. Namun diperkirakan konsumsi daging sapi sapi akan selalu mengalami peningkatan. Karena semakin membaiknya perekonomian masyarakat Indonesia. Selain itu daging sapi adalah komoditas yang paling diminati dibandingkan dagingkan daging hewan lainya karena tingginya protein dan pengolahan daging yang lebih beragam. Tetapi semakin meningkatnya konsumsi daging sapi di Indonesia ini justru memberikan celah kepada pihak-pihak tertentu untuk meraup keuntungan lebih dengan cara curang. Salah satunya adalah dengan mengoplosnya dengan daging babi. Melihat masalah yang ada, maka dari itu dalam penelitian kali ini penulis ingin mengidentifikasi daging sapi dan daging babi dengan menggunakan fitur ektraksi Gray level co-occurrence matrix (GLCM) dengan metode klasifikasi K-Nearest Neighbor (K-NN) Classifier. Tahap penelitian dimulai dengan pengumpulan citra daging sapi dan daging babi. Selanjutnya akan diekstrakasi fitur dengan menggunakan fitur GLCM. Tahap berikutnya adalah melakukan klasifikasi antara citra latih dan citra uji dengan menggunakan K-Nearest Neighbor (K-NN) Classifier. Hasil klasifikasi tersebut akan dihitung tingkat akurasinya. Serta Membandingkan hasil akurasi dengan mengubah arah sudut pada GLCM dan Jumlah K pada K-Nearest Neighbor (K-NN) Classifier. Kata Kunci : Daging, Gray level co-occurrence matrix (GLCM), K-Nearest Neighbor (K-NN) Classifier vii

8 DAFTAR ISI PERSETUJUAN SKRIPSI... ii HALAMAN PENGESAHAN DEWAN PENGUJI... iii PERNYATAAN... iv KEASLIAN SKRIPSI... iv PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH... v UCAPAN TERIMA KASIH... vi ABSTRAK... vii DAFTAR ISI... viii DAFTAR TABEL... xi DAFTAR GAMBAR... xii BAB I... 1 PENDAHULUAN Latar Belakang Rumusan Masalah Batasan Masalah Manfaat Penelitian... 4 BAB II... 5 TINJAUAN PUSTAKA Penelitian Terkait GLCM Textural Features For Brain Tumor Classification Klasifikasi Massa pada Citra Mammogram Berdasarkan Gray Level Cooccurence Matrix (GLCM) Tinjauan Pustaka... 6 viii

9 2.2.1 Daging Tekstur Analisis Tekstur Citra Piksel Citra RGB Citra Grayscale Pengolahan Citra Digital Preprocessing Orde Statistik Matriks Kookurensi Gray Level Co-occurrence Matrix (GLCM) K-Nearest Neighbor Perhitungan Akurasi Kerangka Pemikiran BAB III METODE PENELITIAN Instrumen Penelitian Komponen Perangkat Lunak Kebutuhan Perangkat Keras Metode Pengumpulan Data Jenis Data Sumber Data Teknik Pengumpulan Data Metode Yang Diusulkan ix

10 3.2.5 Persiapan Pengolahan Citra Preprocessing Pengolahan Citra BAB IV ANALISIS HASIL PENELITIAN DAN PEMBAHASAN Kebutuhan Data Citra Persiapan Pengolahan Citra Pengolahan Citra Merubah Citra Menjadi Grayscale Membentuk Matriks Ko-okurensi Melakukan Ekstrkasi Fitur Melakukan Klasifikasi Dengan K-NN Menghitung Akurasi BAB V KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA x

11 DAFTAR TABEL Tabel 2.1 Area kerja matriks Tabel 2.2 Normalisasi matrik dengan probabilatitas Tabel 2.3 Nilai hasil ektraksi fitur GLCM Tabel 2.4 Urutan jarak citra training dengan citra testing Tabel 2.5 Jarak citra mayoritas beserta kelasnya Tabel 3.1 Skenario Percobaan Tabel 4.1 Area kerja matriks Tabel 4.2 Nilai matriks probabilitas Tabel 4.3 Hasil perhitungan contrast Tabel 4.4 Hasil perhitungan μ i Tabel 4.5 Hasil perhitungan μ J Tabel 4.6 Hasil perhitungan σ i Tabel 4.7 Hasil perhitungan σ j Tabel 4.8 Hasil perhitungan energy Tabel 4.9 Hasil perhitungan homogeneity Tabel 4.10 Nilai hasil ektraksi fitur GLCM Tabel 4.11 Urutan jarak citra training dengan citra testing Tabel 4.12 Jarak citra mayoritas beserta kelasnya Tabel 4.13 Hasil perhitungan homogeneity Tabel 4.14 Hasil ektraksi ciri dan klasifikasi xi

12 DAFTAR GAMBAR Gambar 2.1 Citra RGB [12] Gambar 2.2 Intensitas nilai citra grayscale Gambar 2.3 Citra grayscale [12] Gambar 2.4 Hubungan ketetanggan antar piksel dan jarak spasial Gambar 2.5 Arak sudut GLCM [12] Gambar 2.6 Hubungan spasial antara piksel dengan piksel tetangga Gambar 2.7 Arsitektur skema kerangka pemikiran Gambar 3.1 Metode yang diusulkan Gambar 4.1 Citra daging sapi sebelum dilakukan croping Gambar 4.2 Citra daging babi sebelum dilakukan croping Gambar 4.3 Citra daging sapi setelah croping Gambar 4.4 Perbedaan citra RGB sebelum dan sesudah dijadikan grayscale xii

13 BAB I PENDAHULUAN 1.1 Latar Belakang Harga daging sapi semakin hari selalu mengalami peningkatan terutama pada bulan Ramadhan dan hari raya Idul Fitri, hal ini disebabkan karena harga sapi hidup yang semakin melonjak dan jumlah pasokan daging yang semakin berkurang, selain itu juga karena kenaikan harga BBM yang terus mengalami peningkatan. Namun demikian diperkirakan konsumsi daging sapi akan terus mengalami peningkatan tiap tahunnya seiring dengan membaiknya perekonomian masyarakat Indonesia. Apalagi komoditas daging sapi adalah yang paling diminati dibandingkan daging lain seperti daging kambing, kerbau, dan babi. Tingginya protein dalam daging sapi serta pengolahan daging yang lebih beraneka ragam membuat konsumsi daging sapi terus meningkat [1]. Meningkatnya konsumsi daging sapi tersebut memberikan celah kepada pihak pihak tertentu untuk meraup keuntungan yang lebih besar. Salah satunya dengan cara curang yaitu dengan menjual daging sapi yang dioplos dengan daging babi. Karena harga daging babi yang relatif lebih murah dari pada daging sapi. Juga karena secara kasat mata kedua perbedaan daging tersebut hampir sama dan terlebih tidak banyak orang yang mengetahui perbedaan kedua daging tersebut. Hal ini akan sangat merugikan pembeli terutama para pembeli di pasar tradisional. Selama ini identifikasi atau pengenalan daging hanya dilakukan secara manual dengan indera pengelihatan manusia.cara ini memiliki banyak kelemahan karena kemampuan manusia yang tidak konsisten, adanya perbedaan persepsi masing masing pengamat, selain itu juga membutuhkan waktu yang lama. Bahkan dalam melakukan sidak pada pasar Badan Karantina Pertanian pun masih melakukanya secara manual dengan cara pengecekan satu persatu dan daging yang dicurigai akan diambil sample untuk diteliti di lab [2]. Cara ini akan memakan waktu yang terlalu lama karena membutuhkan dua kali 1

14 2 kerja. Apalagi jika jumlah daging yang relatif banyak. Data Badan Karantina Pertanian menunjukkan jumlah temuan daging sapi oplosan terus meningkat. Selama enam bulan terakhir ditemukan 16 kali penyelundupan dengan volume kilogram daging babi pada tahun 2014 ini sampai dengan bulan Juli Angka ini lebih tinggi dari temuan di sepanjang tahun 2013 yang mencapai 11 kali dengan volume kg [3]. Oleh karena itu perlu dibuat sistem yang dapat membantu mengenali dan mengklasifikasi daging sapi dan daging babi, salah satunya adalah dengan pengolahan citra digital, dengan pengolahan citra dapat membuat komputer untuk bisa mengenali benda benda seperti layaknya manusia. Untuk membedakan daging sapi dan daging babi bisa dilakukan analisa melalui warna dan tekstur, daging babi memiliki warna yang relatif lebih cerah dari pada daging sapi. Tetapi ada beberapa bagian daging sapi yang menyerupai warna daging sapi. Maka dari itu cara membedakan yang lebih akurat adalah melalui tekstur daging, daging babi memiliki tekstur lebih halus dari pada daging sapi, sedangkan daging sapi memiliki tekstur dan serat yang kasar [4]. Dari analisis tersebut penulis memilih tekstur sebagai ciri pembeda antara kedua daging, ada beberapa metode untuk membedakan tekstur salah satunya adalah metode ekstraksi ciri Grey Level Cooccurrence Matrix GLCM. Matriks kookurensi dari data citra aras keabuan Gray Level Co-Occurrence Matrix GLCM adalah salah satu metode untuk memperoleh ciri-ciri citra tekstur dengan menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan arah tertentu. Adapun parameter atau ciri-ciri tekstur yang didapat dari metode Grey Level Co-occurrence Matrix GLCM diantaranya adalah energi, homogenitas, kontras, korelasi [5]. Hasil ekstraksi ciri tersebut kemudian digunakan untuk proses klasifikasi dengan menggunakan metode K-Nearest Neighbor (K- NN) Classifier.

15 3 1.2 Rumusan Masalah Dari latar belakang diatas, maka rumusan masalah dapat dituliskan sebgai berikut: 1. Bagaimana mengimplementasikan ektraksi fitur Grey Level Cooccurrence Matrix (GLCM) dan K-Nearest Neighbor (K-NN) Classifier untuk mengidentifikasi daging sapi dan daging babi. 2. Berapa besar akurasi dalam pengenalan citra daging sapi dan daging babi dengan ekstraksi fitur Grey Level Co-occurrence Matrix (GLCM) dan K-Nearest Neighbor (K-NN) Classifier untuk mengklasifikasi daging sapi dan daging babi. 1.3 Batasan Masalah Agar masalah yang dibahas terarah dan tidak menyimpang dari judul dan tujuan sebenarnya, maka masalah yang dibahas dibatasi pada hal hal berikut : 1. Identifikasi dan pengujian hanya dilakukan pada daging sapi dan daging babi segar. 2. Mengimplementasikan algoritma Grey Level Co-occurrence Matrix (GLCM) sebagai ektraksi ciri dan metode K-Nearest Neighbor (K-NN) Classifier untuk pengklasifikasi daging sapi dan daging babi. 3. Dataset yang digunakan adalah citra daging sapi dan daging babi berjumlah 120 citra sampel dengan rincian 40 citra latih daging sapi, 40 citra latih daging babi dan 20 citra uji daging sapi, 20 citra uji daging babi. 4. Bahasa pemrograman yang digunakan menggunakan tools Matlab R2012a.

16 4 1.4 Tujuan Penelitian Berdasarkan rumusan di atas ujuan penelitian adalah sebagai berikut : 1. mengimplementasikan algoritma Grey Level Co-occurrence Matrix (GLCM) sebagai ektraksi ciri dan K-Nearest Neighbor (K-NN) Classifier untuk mengklasifikasi daging sapi dan daging babi. 2. Mengetahui berapa akurasi yang didapat dari ektraksi fitur Grey Level Co-occurrence Matrix (GLCM) dan metode K-Nearest Neighbor (K- NN) Classifier dalam mengidentifikasi dan mengklasifikasi daging sapi dan daging babi Manfaat Penelitian Adapun manfaat yang diharapkan dapat diperoleh dari penelitian ini nantinya adalah : 1. Bagi penulis a. Sebagai sarana untuk menerapkan ilmu yang telah diperoleh selama berada di bangku perkuliahan b. Menambah pemahaman bidang pengolahan citra digital terutama ektraksi fitur Grey Level Co-occurrence Matrix (GLCM) dan metode K-Nearest Neighbor (K-NN) Classifier. 2. Bagi Masyarakat Hasil penelitian diharapkan bisa bisa dikembangkan untuk membantu mengidentifikasi daging secara cepat dan tepat. 3. Bagi Akademik a. Sebagai tolak ukur sejauh mana pemahaman dan penguasaan materi terhadap teori yang diajukan. b. Sebagai bahan referensi bagi mereka yang mengadakan penelitian untuk dikembangkan lebih lanjut dengan permasalahan yang berbeda. c. Sebagai bahan evaluasi akademik untuk meningkatkan mutu pendidikan.

17 BAB II TINJAUAN PUSTAKA 2.1 Penelitian Terkait GLCM Textural Features For Brain Tumor Classification Penelitian ini ditulis oleh Nitish Zulpe dan Vrushsen Pawar menyatakan bahwa dalam penelitianya penulis mengelompokan empat kelas tumor yang berbeda seperti Astrocytoma Meningioma, Metastatic bronchogenic carcinoma dan Sarcoma. Menghasilkan akurasi sebesar 97,5%. Dari hasil tersebut dapat disimpulkan bahwa GLCM cukup baik dalam pengenalan tekstur [6] Klasifikasi Massa pada Citra Mammogram Berdasarkan Gray Level Cooccurence Matrix (GLCM) Penelitian kedua berjudul Klasifikasi Massa pada Citra Mammogram Berdasarkan Gray Level Cooccurence Matrix (GLCM). Yang ditulis oleh Refta Listia dan Agus Harjoko. Dalam penelitian ini dijelaskan penulis mengklasifikasikan citra mammogram kanker payudara ke dalam tiga kelas yaitu kelas normal, kelas tumor jinak, dan kelas tumor ganas. Dengan menggunakan ektraksi fitur GLCM yaitu kontras, energy, entropi, korelasi serta jarak (d=1) menghasilkan akurasi sebesar 81,1 %. [7] Analisis Tekstur Citra Anatomi Stomata Untuk Klasifikasi Freycinetia Menggunakan K-Nearest Neighbor Penelitiaan ketiga berjudul Analisis Tekstur Citra Anatomi Stomata Untuk Klasfikasi Freycinetia Menggunakan K-Nearest Neighbor. Ditulis oleh Arie Qur ania, Aji Hamim Wigena, dan Aziz Kustiyo. Penelitian ini menggunakan citra anatomi stomata yang dianalisis berdasarkan tekstur. Dan mengklasifikasaikannya kedalam 4 kelas 5

18 6 yaitu Freycineta Angustifolia, Freycinetia Imbricate, Freycinetia Javanica, dan Freycinetia Sumatrana. Hasil penelitian menghasilkan akurasi sebesar 86,46% untuk nilai fitur tanpa proses transformasi data dan 94,79% untuk nilai fitur dengan proses trnasformasi data. Dari penelitian ini bisa disimpulkan bahwa hasil klasifikasi dari analisis tekstur K-NN tergolong mempunyai akurasi tinggi yaitu sebesar 94,79% [8]. 2.2 Tinjauan Pustaka Daging Daging adalah jaringan otot, jaringan lemak, jaringan ikat, tulang dan tulang rawan merupakan komponen fisik utama pada daging. Jaringan otot yang terdiri dari jaringan otot licin, jaringan otot bergaris melintang, dan jaringan otot spesial. Berbeda dengan jaringan otot, jaringan lemak pada daging dibedakan menurut lokasinya, diantaranya adalah lemak subkutan, lemak intermuskular, lemak intramuskular, dan lemak intraselular. Jaringan ikat yang penting adalah serabut kolagen, serabut elastin, dan serabut retikulin [9]. Secara garis besar struktur daging terdiri atas satu atau lebih otot yang masing-masing disusun oleh banyak kumpulan otot, maka serabut otot merupakan unit dasar struktur daging. Di sekeliling otot daging terdapat seberkas jaringan penghubung epimisium, yang melekat di antara otot dan membaginya menjadi sekumpulan berkas otot yang terdiri dari serat-serat yang berdiri sendiri.serat-serat ini panjangnya beberapa sentimeter, tetapi garis tengahnya sekitar μm. Serat-serat ini dikelilingi oleh suatu selubung yang dinamakan sarkolema, yang tersusun dari protein dan lemak Tekstur Tekstur adalah konsep intuitif yang mendeskripsikan tentang sifat kehalusan, kekasaran, dan keteraturan dalam suatu daerah / wilayah.

19 7 Dalam pengolahan citra digital, tekstur didefinisikan distribusi spasial dari derajat keabuan di dalam sekumpulan piksel yang bertetangga. Jadi secara umum tekstur mengacu pada pengulangan elemen-elemen tekstur dasar yang disebut primitif atau teksel (texture element-texel) [10]. Syarat-syarat terbentuknya suatu tekstur antara lain : 1. Adanya pola-pola primitif yang terdiri dari satu piksel atau lebih. Bentuk-bentuk pola primitif ini dapat berupa titik, garis lurus, garis lengkung, luasan, dan lain-lain yang merupakan elemen dasar dari sebuah tekstur. 2. Pola-pola primitif tersebut muncul berulang-ulang dengan interval dan arah tertentu sehingga dapat diprediksi atau ditemukan karakteristik pengulangannya. Suatu citra memberikan interpretasi tekstur yang berbeda apabila dilihat dengan jarak dan sudut yang berbeda.manusia memandang tekstur berdasarkan deskripsi yang bersifat acak, seperti halus, kasar, teratur, tidak teratur, dan sebagainya. Hal ini merupakan deskripsi yang tidak tepat dan non-kuantitatif, sehingga diperlukan adanya suatu deskripsi yang kuantitatif (matematis) untuk memudahkan analisis Analisis Tekstur Analisis tekstur merupakan dasar dari berbagai macam aplikasi, aplikasi dari analisis tekstur antara lain : penginderaan jarak jauh, pencitraan medis, identifikasi kualitas suatu bahan (kayu, kulit, tekstil, dan lainlain), dan juga berbagai macam aplikasi lainnya [10]. Pada analisis citra, pengukuran tekstur dikategorikan menjadi lima kategori utama yaitu : 1. Statistis, Pendekatan statistis mempertimbangkan bahwa intensitas dibangkitkan oleh medan acak dua dimensi, metode ini berdasar pada frekuensi ruang. Contoh metode statistis adalah fungsi autokorelasi, matriks ko-okurensi, transformasi Fourier, frekuensi tepi.

20 8 2. Struktural, Teknik struktural berkaitan dengan penyusunan bagianbagian terkecil suatu citra. Contoh metode struktural adalah model fraktal. 3. Geometri, Metode geometri berdasar atas perangkat geometri yang ada pada elemen tekstur. 4. Model dasar, Contoh metode model dasar adalah medan acak. 5. Pengolahan sinyal, metode pengolahan sinyal adalah metode yang berdasarkan analisis frekuensi seperti transformasi Gabor dan transformasi wavelet Citra Citra merupakan representasi (gambaran) kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data optik berupa foto, bersifat analog berupa sinyal sinyal video seperti gambar pada monitor televisi, atau bersifat digital yang dapat langsung disimpan pada suatu media penyimpanan [11]. Pengambilan citra bisa dilakukan oleh kamera atau alat lain yang bisa digunakan untuk mentransfer gambar. Proses transformasi dari bentuk tiga dimensi ke bentuk dua dimensi untuk menghasilkan citra akan dipengaruhi oleh berbagai faktor yang mengakibatkan penampilan citra suatu benda tidak sama persis dengan bentuk aslinya. Faktor-faktor tersebut merupakan efek degradasi atau penurunan kualitas yang dapat berupa rentang kontras benda yang terlalu sempit atau terlalu lebar, distorsi, kekaburan (blur), kekaburan akibat objek citra yang bergerak (motion blur), gangguan yang disebabkan oleh interferensi peralatan pembuat citra, baik itu berupa tranducer, peralatan elektronik ataupun peralatan optik [9].

21 Piksel Sebuah citra yang disimpan kedalam sebuah komputer digital harus disimpan kedalam format yang dapat diolah oleh sebuah program komuter digital. Yaitu dengan cara membagi citra kedalam sekumpulan sel sel diskret yang disebut piksel. Piksel ini sendiri adalah sebuah kisi kisi persegi yang kecil. Selanjutnya setiap piksel diberi nilai sesuai dengan nilai kecerahan warna piksel itus endiri. Atau sering juga disebut intensitas piksel [5] Citra RGB Setiap titik pad layar berisi angka yang menunjukan nomor dari warna yang dipilih, dimana pada tiap titik dapat dipilih sebanyak 256 warnaa. Jika suatu citra memiliki 256 warna, maka fungsi fungsi yang dimiliki oleh pengolahan citra tidak dapat dilakukan secara langsung. Hal ini karena citra tersebut tidak memiliki tingkat kecerahan tertentu. Sedangkan masing masing palette warna tabel memiliki tiga buah kombinasi angka, yaitu R (red), G (green), dan B (blue) yang memnentukan posisi dari warna merah, hijau dan biru. Dengan demikian diketahui bahwa dalam suatu piksel akan diwakili dengan 3 byte memori yang masing masing terdiri dari 1 byte unutk warna merah, 1 byte untuk warana hijau dan 1 byte untuk warna biru [5].

22 10 Gambar 2.1 : Citra RGB [12] Citra Grayscale Citra grayscale adalah citra digital yang setiap pikselnya merupakan piksel tunggal yaitu informasi insensitas. Citra ini terbentuk hsnys dsri warna abu abu pada tingkat yang berbeda beda mulai dari warna hitam pada tingkat terendah hingga intensitas tertinggi. Gambar 2.2 : Intensitas nilai citra grayscale

23 11 Gambar 2.3 : Citra grayscale [12] Pengolahan Citra Digital Dalam buku [11], citra adalah representasi (gambaran), kemiripan, atau imitasi gambaran dari suatu objek. Citra dibagi menjadi dua yaitu citra analog dan citra digital, citra analog memiliki sifat kontinu seperti gambar yang terdapat dalam televisi, foto yang tercetak dalam kertas, lukisan,dan hasil CT scan. Citra analog tidak bisa direpresentasikan pada computer sehingga computer tidak bisa mengolah sebuah citra analog. Sedangkan citra digital adalah citra yang dapat diolah oleh computer. Sebuah citra digital terdiri dari sejumlah angka yang berhingga yang di definisikan sebagai nilai intensitas, karena yang di simpan dan di baca oleh memori adalah berupa angka yang membentuk sebuah citra digital Preprocessing Preprocessing adalah tahapan dimana gambar diberikan peningkatan kualitas citra(image enhancement). Tujuan utama dari peningkatan citra adalah untuk memproses citra sehingga citra yang dihasilkan lebih baik dari citra asli untuk aplikasi tertentu.

24 12 Beberapa proses peningkatan kualitas citra digital adalah [10]: 1. Operasi negasi (Invers) Operasi negasi dipakai untyk mendapatkan citra negatif, seperti film(negatif) dari hasil cetak foto. 2. Kecerahan (Brightness) Operasi brightness digunakan untuk mengontrol nilai warna citra agar diperoleh tingkat kecerahan sesuai yang diinginkan. 3. Kontras (Contrast) Kontras adalah tingkat penyebaran piksel-piksel ke dalam intensitas warna. 4. Operasi ambang batas (Thresholding) Thresholding merupakan proses mengubah citra grayscale menjadi citra biner dengan syarat memenuhi nilai ambang batas, pixel yang dibawah nilai ini menjadi warna hitam, sedangkan piksel yang diatas warna ini akan menjadi warna putih. 0, f f 0 (x, y) = { i (x, y) < , f i (x, y) 128 (2.1) Pixel-pixel yang nilai intensitasnya dibawah 128 diubah menjadi hitam(nilai intensitas=0), sedangkan pixel-pixel yang nilainya diatas 128 diubah menjadi putih(nilai intensitasnya=255).

25 13 5. Citra Aras Keabuan (Grayscale) Konversi citra berwarna RGB ke citra keabuan adalah dengan cara memberikan nilai bobot yang berbeda-beda pada setiap komponen RGB, seperti berdasarkan persamaan berikut ini [13]. Gray = (0.5 x R) + (0.5 x G) + (0.5 x B) (2.2) Dengan : R : Nilai intensitas Merah G : Nilai intensitas hijau B: Nilai intensitas biru Orde Statistik Berdasarkan orde statistiknya, analisis tekstur dapat dikategorikan menjadi 3 jenis, yaitu [13]: 1. Statistik satu merupakan metode pengambilan ciri yang didasarkan pada karakteristik histogram citra. Histogram menunjukkan probabilitas kemunculan nilai derajat keabuan piksel pada suatu citra, dengan mengabaikan hubungan antar piksel tetangga. Analisa tekstur orde satu lebih baik dalam merepresentasikan tekstur citra dalam parameter-parameter terukur, seperti mean, skewness, variance, kurtosis dan Entropy. 2. Statistik dua yaitu dengan mempertimbangkan hubungan antara dua piksel (piksel yang bertetangga) pada citra. Untuk kebutuhan analisanya, analisis tekstur orde dua memerlukan bantuan matriks kookurensi (matrix co-occurence) untuk citra keabuan, biasanya disebut GLCM. Analisa tekstur orde dua lebih baik dalam merepresentasikan tekstur citra dalam parameter-parameter terukur, seperti kontras, korelasi, homogenitas, entropi, dan energi.

26 14 3. Statistik tiga dan statistik yang lebih tinggi, mempertimbangkan hubungan antara tiga atau lebih piksel, hal ini secara teoritis memungkinkan tetapi belum biasa diterapkan. Pada beberapa kasus, ciri orde pertama tidak lagi dapat digunakan untuk mengenali perbedaan antar citra. Pada kasus seperti ini, membutuhkan pengambilan ciri statistik orde dua. Salah satu teknik untuk memperoleh ciri statistik orde dua adalah dengan menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan orientasi sudut tertentu. Pendekatan ini bekerja dengan membentuk sebuah matriks kookurensi dari data citra, dilanjutkan dengan menentukan ciri sebagai fungsi dari matriks antara tersebut Matriks Kookurensi Matriks kookurensi merupakan suatu matriks anatara yang merepresentasikan hubungan ketetanggaan antar piksel dalam citra pada berbagai arah orientasi dan jarak spasial. Matriks kookurensi merupakan matriks berukuran L x L dimana L merupakan banyaknya tingkat keabuan, dengan elemen P(x1, x2) yang merupakan distribusi probabilitas bersama (join probability distribution) dari pasangan titiktitik dengan tingkat keabuan x1 yang berlokasi pada koordinat (j, k) dengan x2 yang berlokasi pada koordinat (m, n). Koordinat pasangan titik-titik tersebut berjarak r dengan sudut θ [13].

27 Gray Level Co-occurrence Matrix (GLCM) Gray Level Co-occurence Matric adalah suatu matriks yang elemenelemennya merupakan jumlah pasangan piksel yang memiliki tingkat kecerahan tertentu, di mana pasangan piksel itu terpisah dengan jarak d, dan dengan suatu sudut inklinasi θ. Dengan kata lain, matriks kookurensi adalah probabilitas munculnya gray level i dan j dari dua piksel yang terpisah pada jarak d dan sudut θ. Suatu piksel yang bertetanggaan memiliki d diantara keduanya, dapat terletak didelapan arah yang berlainan, hal ini ditunjukan gambar 2.4. Gambar 2.4 : Hubungan ketetanggaan antar piksel dan jarak spasial [10] Arah piksel tetangga untuk mewakili jarak dapat dipilih, misalnya 135 o, 90 o, 45 o, 0 o atau, seperti yang diilustrasikan pada gambar 2. Gambar 2.5 : Arah sudut GLCM [13]

28 16 Dibawah ini contoh perhitungan GLCM dengan image grayscale 4 4 dengan derajat keabuan antara 0 sampai 255. Matriks kookurensi akan dihitung dengan nilai d=1 dan θ=0 o. Jumlah frekuensi munculnya pasangan (i,j) dihitung untuk keseluruhan matriks [13] [ ] Piksel Image I 1. Normalisasi, yaitu proses mengubah rentang nilai intensitas pixel. Dengan rumus min max normalization: I N = (I Min) newmax newmin Max Min Dimana : I = nilai piksel Max = nilai maksimal variabel I Min = nilai minimum variabel I newmax = nilai baru maksimal newmin= nilai baru minimum + newmin (2.3) Dari kasus diatas nilai piksel grayscale 0 sampai 255 akan diubah nilai rentangnya menjadi empat aras keabuan dengan min 0 dan max 3. Hasilnya seperti dibawah ini: [ ] [ ] Piksel image I Matrik I

29 17 2. Membuat area kerja matriks. Karena matriks I memiliki empat aras keabuan, maka jumlah nilai piksel tetangga dan nilai piksel referensi pada area kerja matriks berjumlah empat. Berikut adalah area kerja matriks. Tabel 1.1 Area kerja matriks Nilai piksel tetangga Nilai piksel referensi 0 0,0 0,1 0,2 0,3 1 1,0 1,1 1,2 1,3 2 2,0 2,1 2,2 2,3 3 3,0 3,1 3,2 3,2 3. Menentukan hubungan spasial antara piksel referensi dengan piksel tetangga, berapa nilai sudut θ dan jarak d. 4. Menghitung jumlah kookurensi dan mengisikannya pada area kerja.

30 18 Hubungan spasial untuk d=1 dan θ=0 o pada matriks diatas dapat dituliskan dalam matriks berikut. Gambar 2.6 : Hubungan spasial antara piksel dengan piksel tetangga Sudut orientasi menentukan arah hubungan tetangga dari pikselpiksel referensi, orientasi θ=0 o berarti acuan dalam arah horizontal atau sumbu x positif dari piksel-piksel referensi. Acuan sudut berlawanan arah jarum jam. Angka 2 pada (0,0) berarti jumlah hubungan pasangan (0,0) pada matriks asal berjumlah 2. Matriks kookurensi yang didapat kemudian ditambahkan dengan matriks transposenya untuk menjadikannya simetris terhadap sumbu diagonal. Menjumlahkan matriks kookurensi dengan transposenya untuk menjadikannya simetris [ ] + [ ] = [ ] I + I - = I simetris

31 19 5. Normalisasi matriks untuk mengubahnya ke bentuk probabilitas. Tabel 2.2 Normalisasi matrik dengan probabilatitas Matriks yang telah simetris selanjutnya harus dinormalisasi, elemen-elemennya dinyatakan dengan probabilitas. Nilai elemen untuk masing-masing sel dibagi dengan jumlah seluruh elemen spasial. Setelah memperoleh matriks kookurensi tersebut, dapat dihitung ciri statistik orde dua yang merepresentasikan citra yang diamati. Dalam matrik ko-okurensi, terdapat sebelas ciri tekstur yang dapat diperoleh sari suatu citra yang digunkan sebagai pembeda antara citra tertentu dengan citra yang lainnya. Fritz Albregtsen memaparkan beberapa jenis ciri tekstur yang dapat diekstraksi dengan matriks kookurensi[20]. Beberapa diantaranya adalah sebagai berikut: 1. Energi (Energy) menyatakan ukuran konsentrasi pasangan dengan intensitas keabuan tertentu pada matriks. Energy = P d 2 (i, j) i,j (2.4) Dimana p (i, j) menyatakan nilai pada baris i dan kolom j pada matriks kookurensi.

32 20 2. Entropi (Entropy) Menunjukkan ketidakteraturan ukuran bentu.. Entropi mengukur informasi atau pesanyang hilang dari sabuah sinyal tranmisi juga menghitung informasi gambar[21]. Entropi = P d (i, j) log(p d (i, j)) (2.5) i,j 3. Kontras (Contrast) merupakan hasil perhitungan yang berkaitan dengan jumlah keberagaman intensitas keabuan dalam citra. Contrast = (i j) 2 Pd(i, j) i j (2.6) 4. Homogenitas (Homogenity) p(i, j) Homogeinity = 1 + i j i,j (2.7) 5. Korelasi(Correlation) menunjukkan ukuran ketergantungan linear derajat keabuan citra sehingga dapat memberikan petunjuk adanya struktur linear dalam citra. (i μi)(j μ)p(i, j) Correlation = σiσj i,j (2.8) K-Nearest Neighbor K-Nearest Neighbor (K-NN) adalah algoritma yang termasuk dalam anggota supervised dimana hasil dari query instance yang baru diklasifikasikan berdasarkan mayoritas dari kategori pada K- NN. Atau singkatnya algoritma ini mengklasifikasi objek berdasarkan atribut atau training sample. Algoritma ini tidak

33 21 menggunakan pencocokan melainkan hanya berdasarkan memori. Diberikan titik query dan akan ditemukan sejumlah K objek atau diantara klasifikasi dari k objek. Algoritma K-NN menggunakan klasifikasi ketetanggan sebagai nilai prediksi dari query instance yang baru. K-NN adalah algoritma yang sangat sederhana karena bekerja hanya berdasarkan jarak terpendek dari query instance ke training sample untuk menentukan K-NN-nya.Training sample diroyeksikan ke ruang berdimensi banyak, dimana masing masing dimensi mempresentasikan fitur dari data. Ruang ini dibagi menjadi bagian bagian berdasarkan klasifikasi training sample. Sebuah titik pada ruang ini ditandai kelas c jika kelas c merupakan klasifikasi yang paling banyak ditemui pada K buah tetangga terdekat dari titik tersebut. Dekat atau jauhnya tetangga bisa dihitung berdasarkan Euclidean Distance [14].

34 22 Langkah-langkah klasifikasi K-NN adalah sebgai berikut : 1. Tentukan parameter k, yaitu jumlah tetangga terdekat. 2. Hitung jarak antara citra latih dan citra uji menggunakan Euclidean Distance, dengan rumus sebagai berikut : n d = (ai Ai) 2 + (bi Bi) 2 + (ci Di) 2 + (di Di) 2 i=1 Keterangan : d(a,b) : jarak vektor a dan b ai adalh fitur ke-i dari vektor b, dan n adalah jumlah. 3. Urutkan jarak tersebut dan tetapkan tetangga terdekat berdasarkan jarak k minimum. 4. Periksa outuput atau label pada masing-masing kelas tetangga terdekat. 5. Kelompokan citra uji kedalam kelas mayoritas dari tetangga terdekat berdasarkan data citra latih. Contoh perhitungan : Misal diketahui dua buah citra, citra ini termasuk kedalam citra training dan menambah satu citra untuk diuji (citra 3). Pada penelitian ini ektraksi fitur ysng digunakan adalah 4 ektraksi fitur diantaranya contrast, correlation, energy, dan homogeneity. Misal didapatakan nilai dari hasil perhitungan dari fitur ekstraksi GLCM adalah sebgai berikut : (2.10)

35 23 Tabel 2.3 : Nilai hasil ektraksi fitur GLCM Citra Contrast Correlation Energy Homogeneity Kelas Daging Babi Daging Babi Daging Sapi Daging Sapi ? Sebagai contoh citra 1 sampai dengan citra 4 merupakan citra training. Dan citra 5 adalah citra testing yang akan diklasifikasikan. Langkah pertama yang harus dihitung adalah jarak Euclidean. 1. Menentukan parameter nilai k, atau tetangga terdekatnya. Misal k = Menhitung jarak Euclidean citra testing dengan semua citra training. Jarak Euclidean antara citra 1 dengan citra 5 n ( ) 2 + ( ) 2 + ( ) 2 + ( ) 2 i=1 Jarak Euclidean antara citra 2 dengan citra 5 ( ) 2 + ( ) 2 + ( ) 2 + ( ) 2 n i=1

36 24 Jarak Euclidean antara citra 3 dengan citra 5 n ( ) 2 + ( ) 2 + ( ) 2 + ( ) 2 i=1 Jarak Euclidean antara citra 4 dengan citra 5 n ( ) 2 + ( ) 2 + ( ) 2 + ( ) 2 i=1 3. Urutkan hasil perhitungan jarak antar citra berdasarkan jarak k minimum. Tabel 2.4 : Urutan jarak citra training dengan citra testing. Jarak citra dengan Citra 5 Rangking Jarak Termasuk ke dalam 3 tetangga terdekat Citra Ya Citra Ya Citra Tidak Citra Ya 4. Periksa kelas pada masing masing citra training. Tabel 2.5 : Jarak citra mayoritas beserta kelasnya Jarak citra Rangking Termasuk ke dalam dengan Citra 5 Jarak 3 tetangga terdekat Kelas Citra Ya Daging Babi Citra Ya Daging Babi Citra Tidak - Citra Ya Daging Sapi 5. Kelompokan kelas citra training kedalam mayoritas kelas yang terdekat. Dari tabel diatas dapat disimpulkan bahwa Citra 5 termasuk kedalam kelas Daging Babi.

37 Perhitungan Akurasi Tingkat akurasi adalah tingkat keakuratan jaringan yang telah dibuat dalam mengenali inputan citra yang diberikan sehingga menghasilkan outputan yang benar. Secara matematis tingkat akurasi bisa dihitung dengan rumus sebagai berikut : akurasi = jumlah data benar jumlah data keseluruhan 100 (2.11) Kerangka Pemikiran Penelitian ini bertujuan untuk mengetahui seberapa baik ekstraksi fitur menggunakan fitur ekstraksi Gray Level Co-occurrence Matrix dalam identifikasi daging sapi dan daging babi. Berikut adalah gambaran arsitektur skema identifikasi daging sapi dan daging babi Data Foto Daging Sapi dan Daging Babi Pre-Processing Ekstraksi Fitur Pencocokan Hasil Ekstraksi Fitur Penghitungan Akurasi Hasil Gambar 2.7 Arsitektur skema kerangka pemikiran

38 26 Dari gambar arsitektur di atas menunjukan bahwa sumber data utama adalah citra daging sapi dan daging babi, selanjutnya citra tersebut akan dilakukan pre-processing dengan mengubahnya menjadi citra grayscale. Dan citra tersebut akan di ektraksi fitur menggunakan Gray Level Co-occurrence Matrix. Selanjutnya hasil ektrkasi fitur akan dilakukan klasifikasi dengan K-Nearest Neighbor (K-NN) dan selanjutnya akan dihitung tingkat akurasinya.

39 BAB III METODE PENELITIAN 3.1 Instrumen Penelitian Adapun komponen kebutuhan dalam penelitian ini adalah sebagai berikut : Komponen Perangkat Lunak Kebutuhan perangkat lunak yang digunakan dalam penelitian ini antara lain : 1. Sistem Operasi Sistem operasi yang digunakan dalam penelitian ini adalah Microsoft Windows 8 64-bit 2. Matlab Software yang digunakan dalam penelitian ini adalah matlab versi R2012a. Digunakan untuk implementasi proses penelitian, mulai dari tahapan preprocessing sampai penghitungan akurasi. 3. Ms. Word Penulis menggunakan Ms Word 2013 dalam pengerjaan laporan akhir Kebutuhan Perangkat Keras Perangkat keras yang digunakan dalam penelitian ini adalah notebook dengan merk DELL tipe Insiron N 4010, prosesor Intel core(tm ) i3- M GHz, RAM berkapasitas 4096 MB. 3.2 Metode Pengumpulan Data Jenis Data Jenis data yang digunakan penulis adalah data kuantitatif, yaitu data berupa angka. Data yang digunakan dalam penelitian ini adalah citra daging sapi dan daging babi. Sebanyak 120 citra dengan rincian 60 citra daging sapi 27

40 28 dan 60 citra daging babi. Sumber data didapat dari berbagai sumber di internet Sumber Data Sumber data yang digunakan dalam penelitian ini adalah data sekunder. Disebut sekunder karena dalam pengambilanya tidak langsung. Melainkan diperoleh dari buku, publikasi jurnal ilmiah, laporan penelitian dari sebuah instansi, dan dari internet sebagai sumber data yang menunjang landasan teori. Karena penulisan tidak menemukan satu sumber yang relevan dari satu sumber. Sehingga penulis memperoleh data dari berbagai sumber di internet Teknik Pengumpulan Data Teknik pengumpulan data pada penelitian ini menggunakan teknik Studi Pustaka (Library Reaserch Method) dalam melakukan pengumpulan datanya. Dan mencari literature dari berbagai sumber tentang daging sapi dan daging babi, ektraksi fitur GLCM dan algoritma K-NN Classifier, dan pemrograman MATLAB yang bersumber dari buku, jurnal, laporan penelitian, dan berbagai sumber lain Metode Yang Diusulkan Dalam penelitian ini secara garis besar, metode yang digunakan adalah sebagai berikut, data yang digunakan adalah citra daging sapi dan daging babi, langkah pertama adalah membagi data menjadi dua bagian, yaitu data training dan data testing. Langkah selanjutnya adalah merubah semua citra kedalam bentuk grayscale, Selanjutnya mengestraksi citra dengan GLCM dan hasil ekstraksi ini akan di klasifikasikan menggunakan K-NN. Dan langkah terakhir sebagai pengujian dilakukan penghitungan akurasi. Berikut skema proses bila digambarkan kedalam bentuk diagram :

41 29 Gambar 3.1: Metode yang diusulkan Persiapan Pengolahan Citra Langkah-langkah persiapan sebelum pengolahan adalah sebagai berikut : 1. Menyiapkan citra daging sapi dan daging babi. 2. Menyiapkan citra latih dan citra uji.

42 30 3. Meresize ukuran citra menjadi 250 x 250 piksel Preprocessing Langkah-langkah preprocessing citra adalah sebagai berikut : 1. Menyiapkan citra daging sapi dan daging babi. 2. Menyiapkan citra latih dan citra uji. 3. Meresize ukuran citra menjadi 250 x 250 piksel. 4. Merubah menjadi grayscale dengan 256 derajat keabuan yang merupakan default dari bentuk citra grayscale Pengolahan Citra Setelah mendapatkan citra grayscale 256 derajat keabuan dengan ukuran citra 250 x 250 piksel. Langkah selanjutnya adalah masuk proses pengolahan, dengan tahap sebagai berikut: a. Normalisasi piksel image grayscale ke matrik bentukan. b. Membuat framework matriks. c. Menentukan hubungan spasial antara pixel referensi dengan piksel tetangga berupa sudut 0, 45, 90, 135 dan jarak d = 1. d. Menghitung jumlah co-ocurence dan mengisikannya pada framework. e. Menjumlahkan matriks co-occurence dengan transposnya untuk menjadikan simetris. f. Normalisasi matriks untuk mengubahnya ke bentuk probabilitas. g. Mengambil 4 fiture ekstraksi yaitu Contrast, Correlation, Energy dan Homogeineity. h. Mengklasifikasi dengan K-NN Classifier dengan nilai k = 1, 3, 5, 7, 9 dan 9. i. Menghitung akurasi dan membandingkan akurasi yang didapatkan.

43 31 Tabel 3.1 : Skenario Percobaan GLCM K-NN Jumlah Sudut Nilai k Data Benar Jumlah Data Salah Akurasi

44 BAB IV ANALISIS HASIL PENELITIAN DAN PEMBAHASAN Dalam bab ini akan membahas mengenai langkah langkah implementasi metode penelitian implementasi fitur ekstraksi GLCM dan K-NN Classifier untuk identifikasi daging sapid an daging babi. 4.1 Kebutuhan Data Citra Data yang digunakan dalam penelitian ini adalah citra foto daging sapi dan daging babi sebanyak 120 citra dengan rincian 60 citra daging sapid an 60 citra daging babi. Selanjutnya data ini dibagi menjadi dua, yaitu data training sebanyak 80 citra dengan rincian 40 citra daging sapi dan 40 citra daging babi. Data kedua yaitu data testing sebanyak 40 citra dengan rincian 20 citra daging sapi dan 20 citra daging babi. 4.2 Persiapan Pengolahan Citra 1. Menyiapkan citra daging sapi dan daging babi Citra daging memiliki dimensi antara 400 x 400 piksel sampai dengan 3000 x 2500 piksel dengan jenis citra RGB dan melakukan croping untuk Gambar 4.1 : Citra daging sapi sebelum dilakukan croping 32

45 33 Gambar 4.2 : Citra daging babi sebelum dilakukan croping 2. Menyiapkan citra training dan citra testing Citra dibagi menjadi dua bagian yaitu citra training atau latih dan citra testing atau citra uji. Data citra keseluruhan berjumlah 120 citra. Dibagi dengan pembagian sebagai berikut : Folder Train berisi 80 citra (40 citra daging sapi dan 40 citra daging babi ). Folder Test berisi 40 citra (20 citra daging sapid an 20 citra daging babi ). 3. Menyamakan ukuran citra Dari ukuran citra yang tidak seragam harus dilakukan penyamaan ukuran citra selain itu agar meringankan kerja sistem. Citra yang sebelumnya berukuran antara 400 x 400 sampai dengan 3000 x 2000 piksel diubah menjadi ukuran 150 x 150 piksel.

46 34 Gambar 4.3 : Citra daging sapi setelah dilakukan croping Gambar 4.4 : itra daging sapi setelah dilakukan croping 4.3 Pengolahan Citra Merubah Citra Menjadi Grayscale Ektsraksi fitur GLCM hanya bisa membaca citra berdimensi 2 sedangakan citra yang ada berjenis RGB dengan dimensi 3. Oleh karena itu harus diubah kedalam format grayscale untuk menjadi 2 dimensi. Unutk fungsi ini MATLAB sudah menyeddiakan yaitu dengan menuliskan : I = rgb2gray(a)

47 35 I adalah variable penampung citra yang akan diubah kedalam grsyscale. Sedangkn a adalah variable citra masukan. Gambar 4.4 : Perbedaan citra RGB sebelum dan sesudah dijadikan grayscale Membentuk Matriks Ko-okurensi Setelah citra diubah dalam bentuk grayscale, langkah selanjutnya adalah membentuk matriks ko-okurensi I = [ ] Misalkan I adalah citra training 1.jpg. Dengan nilai pikes seperti diatas. Akan di normalisasi dengan rumus sebagai berikut : Iij = (I min) newmax newmin Max Min + newmin (4.1) I 1,1 = (162 0) = = 6 I 1,2 = (170 0) = = 6

48 36 I 1,3 = (183 0) = = 6 I 250,250 = (124 0) = = 4 Setelah dinormalisasi masukan hasil perhitungan kedalam matriks sehingga terbentuk matriks seperti dibawah ini : I = [ ] Langkah selanjutnya adalah membuat area kerja matriks dengan ketentuan sudut = 0 dan jarak = 1 Tabel 4.1 : Area kerja matriks P

49 37 Menghitung probabilitas dengan rumus : Nilai piksel/total nilai piksel. Contoh : P 1,1 = 0/62250 = 0 P 1,2 = 1/62250 = P 1,3 = 0/62250 = 0 P 8,8 = 0/62250 = 0 Tabel 4.2 : Nilai matriks probabilitas Melakukan Ekstrkasi Fitur Langkah terakhir dalam algoritma GLCM ini adalha melaukan ektraksi fitur, ektraksi fitur dilakukan pad semua data. Baik critra training maupun testing. Pada penelitian ini penulis menggunakan empat ekstrkasi fitur yaitu contrast, correlation, energy, dan homogeneity. Ektraksi fitur dihitung dengan rumus sebagai berikut : a. Contrast CON = i j (i j) 2 Pd(i, j) (4.2)

50 38 CON = = Tabel 4.3 : Hasil perhitungan contrast (i j) (i j) 2 (i j) 2 Pd(i, j) (1,1) 0 0 (2,1) (6,1) 25 0 (7,1) 36 0 (8,8) 0 0 (i j) 2 Pd(i, j) i j b. Correlation COR = Menghitung nilai μi (i μi)(j μ)p(i,j) i,j (4.3) σiσj μi = i j i p (i, j) (4.4) μ 1 = 1 * ( ) = μ 2 = 2 * ( ) =

51 39 μ 8 = 8 * ( ) = 0 Tabel 4.4 : Hasil perhitungan μ i Baris (i) Hasil (μ i ) Jumlah Menghitung nilai μ j : μj = i j j p (i, j) (4.5) μ 1 = 1 * ( ) = μ 2 = 1 * ( ) = μ 8 = 1 * ( ) = 0

52 40 Tabel 4.5 : Hasil perhitungan μ J Kolom (j) Hasil (μ J ) Jumlah Menghitung σ i : σ i = i,j (i μi) 2 p(i, j) (4.6) σ i = ( ) ( ) ( ) 2 0 =

53 41 Tabel 4.6 : Hasil perhitungan σ i Baris (i) Hasil (σ i ) (i-μi)(j-μ)p(i, j) σiσj i,j σ i Menghitung σ j : σ j = i,j (j μj) 2 p(i, j) (4.7)

54 42 σ j = ( ) ( ) ( ) 2 0 = Tabel 4.7 : Hasil perhitungan σ j Kolom (j) Hasil (σ j ) (j-μj) 2 p(i, j) i,j