Dedi Argya Nugroho Effendi 1,Erna Zuni Astuti 2 1,2

Transkripsi

1 37 Pengelompokan Jenis Tekstur Kayu Menggunakan K- Nearest Neighbor dan Ekstraksi Fitur Histogram Wood Texture Classification Using K-Nearest Neighbor and Histogram Feature Extraction Dedi Argya Nugroho Effendi 1,Erna Zuni Astuti 2 1,2 Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Jl. Nakula 1 No. 5-11, Semarang dediargya@gmail.com 1, ernazunias@yahoo.com 2 Abstrak Kayu di Indonesia memiliki beraneka macam jenisnya, antara lain kayu jati, bengkirai, glugu, nangka, sengon dan lain sebagainya. 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. Pengelompokan 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. Untuk mengatasi hal ini maka digunakanlah suatu teknologi untuk menganalisis suatu tekstur kayu agar dapat diklasifikasikan ke dalam kelas-kelas tertentu. 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. Dari pengklasifikasian jenis kayu menggunakan algoritma k-nearest Neighbors (KNN) untuk mendapatkan pengelompokan jenis kayu.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. Kata Kunci: K-Nearest Neighbor, Klasifikasi Citra Kayu, Cityblock Distance Abstract Wood in Indonesia has various colors, such as teak, bengkirai, glugu, jackfruit, Albizia, and so forth. Grouping by type of timber is usually determined by several parameters, such as color, weight, texture, and much more. One important factor in the grouping type of wood is the wood texture. Grouping types of wood can usually only be carried out by experts of wood and furniture sellers. Perception of the human eye tends subjective to an object in the grouping. To overcome this it is used a technology to analyze a wood texture that can be classified into certain classes. Therefore, we need a system that can make the detection of the type of timber based on the input image texture of wood so that the system is expected to classify the type of wood based texture. From the classification of types of wood using the algorithm k-nearest Neighbors (KNN) for grouping wood types. This classification uses features distance measurement, distance measurement method used is Cityblock Distance so as to optimize in making the classification based on the distance the classification of the training data and data testing. Keywords: K-Nearest Neighbor, Wood Image Classification, Cityblock Distance 1. PENDAHULUAN Indonesia merupakan sebuah salah satu negara yang dikenal sebagai penghasil berbagai macam sumber daya alam, termasuk sumber daya alam berupa kayu-

2 38 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 kelembapan dan umur pohon itu sendiri. Sehingga warna dan tekstur dapat berubah sesuai dengan faktor lingkungan tersebut. Dalam penelitian 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 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

3 39 SN: 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 penelitian 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 Ekstraksi Fitur Histogram Guna Klasifikasi Jenis Kayu Menggunakan Algoritma K-Nearest Neighbor 2. METODE PENELITIAN Metode penelitian Klasifikasi citra kayu menggunakan K-NN sebagai berikut : Gambar 1. Metode Penelitian 2.1 Objek Penelitian Dalam penelitian 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 2.2 Instrumen Penelitian Instrumen penelitian yang dipergunakan berupa hardware dan software sebagai berikut : 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. Received June1 st,2012; Revised June25 th, 2012; Accepted July 10 th, 2012

4 40 b. Matlab R2014 Digunakan dalam implementasi Ekstraksi Citra, Impelentasi Metode pengukuran jarak 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 A47 Core i5 b. VGA Nvidia 2Gb c. Ram 4 Gb d. Harddisk 500 Gb 2.3 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 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. 2.4 Objek Data 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. 2.5 Eksperimen 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.

5 41 SN: 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 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.manhattan Distance. 3. HASIL DAN PEMBAHASAN 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 penelitian ini : Citra Nama Jumlah Kayu Training = 30 Glugu Testing = 20 Kayu Bengkirai Training = 30 Testing = 20 Kayu Nangka Training = 30 Testing = 20 Received June1 st,2012; Revised June25 th, 2012; Accepted July 10 th, 2012

6 42 Kayu Sengon Training = 30 Testing = 20 Kayu Jati Training = 30 Testing = 20 Gambar 2. Citra yang digunakan 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 : Nama Citra Glugu Citra Bengki rai Citra Jati Citra Nangk a Citra Sengon Tabel 1 Citra Training Intensitas Deviasi Skewness Energi Entropi Smoothn ess

7 43 SN: Pengujian Aplikasi Berikut percobaan klasifikasi menggunakan metode KNN dengan parameter =3 untuk menghasilkan nilai akurasi pada aplikasi : Tabel 2 Pengujian Aplikasi No Jenis Hasil Aplikasi TRUE / FALS E 1 Glugu Glugu TRUE 2 Glugu Glugu TRUE 3 Glugu Glugu TRUE 4 Glugu Glugu TRUE 5 Glugu Glugu TRUE 6 Glugu Glugu TRUE 7 Glugu Sengon FALSE 8 Glugu Glugu TRUE 9 Glugu Glugu TRUE 10 Glugu Glugu TRUE 11 Glugu Glugu TRUE 12 Glugu Glugu TRUE 13 Glugu Glugu TRUE 14 Glugu Glugu TRUE 15 Glugu Glugu TRUE 16 Glugu Glugu TRUE 17 Glugu Glugu TRUE 18 Glugu Glugu TRUE 19 Glugu Glugu TRUE 20 Glugu Glugu TRUE 21 Bengkirai Bengkirai TRUE 22 Bengkirai Bengkirai TRUE 23 Bengkirai Bengkirai TRUE 24 Bengkirai Bengkirai TRUE 25 Bengkirai Bengkirai TRUE 26 Bengkirai Bengkirai TRUE 27 Bengkirai Bengkirai TRUE 28 Bengkirai Bengkirai TRUE 29 Bengkirai Bengkirai TRUE 30 Bengkirai Bengkirai TRUE 31 Bengkirai Bengkirai TRUE 32 Bengkirai Bengkirai TRUE 33 Bengkirai Nangka FALSE 34 Bengkirai Bengkirai TRUE Received June1 st,2012; Revised June25 th, 2012; Accepted July 10 th, 2012

8 44 35 Bengkirai Bengkirai TRUE 36 Bengkirai Bengkirai TRUE 37 Bengkirai Bengkirai TRUE 38 Bengkirai Bengkirai TRUE 39 Bengkirai Bengkirai TRUE 40 Bengkirai Bengkirai TRUE 41 Jati Jati TRUE 42 Jati Jati TRUE 43 Jati Jati TRUE 44 Jati Jati TRUE 45 Jati Jati TRUE 46 Jati Bengkirai FALSE 47 Jati Jati TRUE 48 Jati Jati TRUE 49 Jati Jati TRUE 50 Jati Jati TRUE 51 Jati Jati TRUE 52 Jati Jati TRUE 53 Jati Jati TRUE 54 Jati Jati TRUE 55 Jati Jati TRUE 56 Jati Jati TRUE 57 Jati Jati TRUE 58 Jati Jati TRUE 59 Jati Jati TRUE 60 Jati Jati TRUE 61 Nangka Nangka TRUE 62 Nangka Nangka TRUE 63 Nangka Nangka TRUE 64 Nangka Nangka TRUE 65 Nangka Nangka TRUE 66 Nangka Nangka TRUE 67 Nangka Nangka TRUE 68 Nangka Nangka TRUE 69 Nangka Nangka TRUE 70 Nangka Jati FALSE 71 Nangka Nangka TRUE 72 Nangka Sengon FALSE 73 Nangka Nangka TRUE 74 Nangka Nangka TRUE 75 Nangka Nangka TRUE 76 Nangka Nangka TRUE 77 Nangka Sengon FALSE

9 45 SN: Nangka Nangka TRUE 79 Nangka Nangka TRUE 80 Nangka Nangka TRUE 81 Sengon Sengon TRUE 82 Sengon Sengon TRUE 83 Sengon Sengon TRUE 84 Sengon Nangka FALSE 85 Sengon Nangka FALSE 86 Sengon Sengon TRUE 87 Sengon Sengon TRUE 88 Sengon Sengon TRUE 89 Sengon Sengon TRUE 90 Sengon Sengon TRUE 91 Sengon Sengon TRUE 92 Sengon Sengon TRUE 93 Sengon Sengon TRUE 94 Sengon Sengon TRUE 95 Sengon Sengon TRUE 96 Sengon Sengon FALSE 97 Sengon Sengon TRUE 98 Sengon Sengon TRUE 99 Sengon Sengon TRUE 100 Sengon Sengon TRUE Perhitungan akurasi dalam klasifikasi jenis kayu menggunakan klasifikasi K-NN dengan metode perhitungan jarak ecuilden distance dihitung menggunakan recognition rate. Dari 100 citra testing terdapat 9 citra yang tidak sesuai dengan class jenis kayunya sehingga menghasilkan akurasi sebesar 91%. Dengan perhitungan sebagai berikut. Recognition Rate = (Σ Citra benar)(σ Jumlah Citra) x 100 % = 91/100 x 100% = 91% 4. KESIMPULAN Berdasarkan dari penelitian tentang klasifikasi jenis kayu menggunakan metode K-Nearest Neighbor (KNN) dan metode perhitunagn jarak Cityblock Distance dengan menggunakan 150 citra training yang di masukkan ke dalam database sebagai citra acuan dan 100 citra uji sebagai citra pengujian aplikasi yang sudah di bangun dengan menggunakan 5 jenis citra kayu yang berbeda yaitu kayu jati, sengon, glugu, nangka, dan bengkirai. Dari hasil percobaan terhadap aplikasi, hasil terbaik pengelompokan jenis kayu dengan nilai k=3 menggunakan 5 citra jenis kayu yang berbeda mencapai akurasi 91%. Sehingga dapat disimpulkan bahwa metode K-Nearest Neighbor (KNN) dengan metode perhitungan jarak menggunakan Cityblock Distance dapat digunakan Received June1 st,2012; Revised June25 th, 2012; Accepted July 10 th, 2012

10 46 sebagai metode klasifikasi jenis kayu berdasarkan citra kayu dengan tingkat akurasi sebesar 91% 5. SARAN Beberapa saran untuk meningkatkan hasil penelitian berikutnya tentang klasifikasi jenis kayu diantaranya sebagai berikut : 1. Penelitian selanjutnya diharapkan untuk menambah sampel jenis kayu. 2. Dalam data training dan data testing menggunakan data citra yang lebih banyak lagi agar dapat meningkatkan akurasi yang lebih baik. 3. Pengambilan citra menggunakan banyak sudut dan jarak yang berbeda-beda. 4. Menggunakan metode perhitungan jarak yang lain, maupun membandingkan antara metode perhitungan jarak dalam melakukan pengklasifikasian citra. DAFTAR PUSTAKA [1] M. Khalid, E. L. Y. Lee, R. Yusof dan M. Nadaraj, Design Of An Intelligent Wood Species Recognition System, IJSSST, p. 03, [2] Online Lecture Prinsip, jenis, dan unsur-unsur perspektif, (diakses : ) [3] Andi, Pengolahan Citra Digital, Yogyakarta: Darma Putra, [4] Y. H. S. K. Devanur S Guru, Manjunath Shantharamu, Texture Features and KNN in Classification of Flower Images Texture Features and KNN in Classification of Flower Images, May 2016, 2010.