PENGENALAN KUALITAS BUAH JERUK KINTAMANI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) KOMPETENSI KOMPUTASI SKRIPSI KOMANG SONIYA GUNAWAN 1008605032 JURUSAN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS UDAYANA JIMBARAN 2014
PENGENALAN KUALITAS BUAH JERUK KINTAMANI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) KOMPETENSI KOMPUTASI [SKRIPSI] Sebagai syarat untuk memperoleh gelar Sarjana Komputer pada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Udayana Tulisan ini merupakan hasil penelitian yang belum pernah dipublikasikan KOMANG SONIYA GUNAWAN NIM. 1008605032 Pembimbing I Pembimbing II Agus Muliantara, S.Kom, M.Kom I Made Widiartha, S.Si, M.Kom NIP. 19800616 200501 1 001 NIP. 19821220 200801 1 008
KATA PENGANTAR Penelitian dengan judul Pengenalan Kualitas Buah Jeruk Kintamani Menggunakan Metode Support Vector Machine ini disusun dalam rangkaian kegiatan pelaksanaan Tugas Akhir di Jurusan Ilmu Komputer FMIPA UNUD. Penelitian ini dilaksanakan pada periode Juni 2014 hingga September 2014 di Universitas Udayana. Sehubungan dengan telah terselesaikannya penelitian ini, maka diucapkan terima kasih dan penghargaan kepada berbagai pihak yang telah membantu penyusun, antara lain : 1. Bapak Agus Muliantara, S.Kom, M.Kom sebagai pembimbing I yang telah membantu dalam penyelesaian penelitian ini; 2. Bapak I Made Widiartha, S.Si, M.Kom sebagai pembimbing II yang telah bersedia mengkritisi, memeriksa, dan menyempurnakan penelitian ini; 3. Bapak Drs. I Wayan Santiyasa, M.Si selaku Ketua Jurusan Ilmu Komputer Universitas Udayana yang telah banyak memberikan masukan dan motivasi sehingga memperlancar dalam proses penerjaan penelitian ini; 4. Bapak-bapak dan ibu-ibu dosen di Jurusan Ilmu Komputer yang telah meluangkan waktu turut memberikan saran dan masukan dalam penyusunan tugas akhir ini; 5. Bapak Prof. Ir. I Gede Putu Wirawan, M.Sc., Ph.D yang telah meluangkan waktu untuk memberikan informasi mengenai kualitas buah Jeruk Kintamani. Disadari pula bahwa sudah tentu hasil-hasil dari penelitian ini masih mengandung kelemahan dan kekurangan. Memperhatikan hal ini, maka masukan dan saran-saran penyempurnaan sangat diharapkan. Bukit Jimbaran, September 2014 Penulis iii
DAFTAR ISI KATA PENGANTAR... iii DAFTAR ISI... iv DAFTAR TABEL... vii DAFTAR GAMBAR... viii DAFTAR LAMPIRAN... x BAB I... 11 PENDAHULUAN... 11 1.1. Latar Belakang... 11 1.2. Rumusan Masalah... 12 1.3. Batasan Masalah... 12 1.4. Tujuan Penelitian... 13 1.5. Manfaat Penelitian... 13 BAB II... 14 TINJAUAN PUSTAKA... 14 2.1. Tinjauan Studi... 14 2.2. Pre-Processing Dataset... 15 2.3. Fitur Warna Menggunakan Histogram... 16 2.4. Fitur Tekstur... 19 2.5. Fitur Bentuk... 21 2.6. Support Vector Machine (SVM)... 23 2.7. Metode Kernel SVM... 26 iv
v BAB III... 29 ANALISIS DAN PERANCANGAN SISTEM... 29 3.1. Kebutuhan Fungsional... 29 3.1.1. Melakukan Pre-Processing... 29 3.1.2. Melakukan Ekstraksi Fitur... 29 3.1.3. Melakukan Klasifikasi... 30 3.2. Rancangan Data... 30 3.3. Rancangan Antar Muka Sistem... 32 3.4 Pengumpulan Data... 36 3.5 Pengolahan Data Awal... 36 3.5.1 Filtering... 37 3.5.2 Segmentasi... 38 3.5.3 Ekstraksi Fitur... 40 3.5.3.1 Fitur Bentuk... 40 3.5.3.2 Fitur Tekstur... 41 3.5.3.3 Fitur Warna... 42 3.6 Desain Penelitian... 44 3.7 Metode yang Digunakan... 44 3.7.1 SVM Linier... 45 3.7.1.1 Pelatihan... 45 3.7.1.2 Pengujian... 46 3.7.2 SVM Non-Linier... 47 3.7.2.1 Pelatihan... 47 3.7.2.2 Pengujian... 48
vi 3.8 Pengujian dan Evaluasi... 49 BAB IV... 51 HASIL DAN PEMBAHASAN... 51 4.1 Implementasi Filtering Pada Dataset... 51 4.2 Implementasi Segmentasi Pada Dataset... 52 4.3 Implementasi Ekstraksi Fitur Tekstur... 54 4.4 Implementasi Fitur Warna... 57 4.5 Implementasi Fitur Bentuk... 57 4.6 Implementasi Penyimpanan Fitur dan Normalisasi Data... 57 4.7 Implementasi Training SVM Linier... 60 4.8 Implementasi Testing SVM Linier... 61 4.9 Implementasi Training SVM Non-Lininer... 61 4.10 Implementasi Testing SVM Non-Linier... 62 4.11 Tampilan Antarmuka Pengenalan Kualitas Buah Jeruk Kintamani... 62 4.12 Hasil dan Pengujian Sistem... 67 4.12.1 Pengujian Terhadap SVM Linier... 67 4.12.2 Pengujian Terhadap Parameter Sigma Kuadrat Pada SVM Non-Linier... 68 4.13 Pembahasan... 70 BAB V... 71 KESIMPULAN DAN SARAN... 71 5.1. Kesimpulan... 71 5.2. Saran... 71 DAFTAR PUSTAKA... 72
DAFTAR TABEL Tabel 3.1 Confusion Matrix... 50 Tabel 4.1 Sintak Fungsi Median Filtering... 51 Tabel 4.2 Sintak Fungsi Segmentasi... 52 Tabel 4.3 Sintak Fungsi Matriks Kookurensi Arah 0 Derajat... 54 Tabel 4.4 Sintak Fungsi Matriks Kookurensi Arah 45 Derajat... 54 Tabel 4.5 Sintak Fungsi Matriks Kookurensi Arah 90 Derajat... 55 Tabel 4.6 Sintak Fungsi Matriks Kookurensi Arah 135 Derajat... 55 Tabel 4.7 Sintak Fungsi Fitur Tekstur dan Fitur Warna... 55 Tabel 4.8 Sintak Fungsi Fitur Bentuk... 57 Tabel 4.9 Sintak Untuk Menyimpan Fitur Data Training... 58 Tabel 4.10 Sintak Untuk Menyimpan Fitur Data Testing... 58 Tabel 4.11 Sintak Untuk Normalisasi Fitur Data Training... 59 Tabel 4.12 Sintak Untuk Normalisasi Fitur Data Testing... 60 Tabel 4.13 Sintak Fungsi Quadratic Programming... 60 Tabel 4.14 Sintak Untuk Menghitung Nilai w dan bias... 60 Tabel 4.15 Sintak Testing SVM Linier... 61 Tabel 4.16 Sintak Proses Kernelisasi Fitur Data Training... 62 Tabel 4.17 Sintak Proses Kernelisasi Pada Data Testing... 62 Tabel 4.18 Confusion Matrix SVM Linier... 67 Tabel 4.19 Pengujian Terhadap Parameter Sigma Kuadrat... 68 Tabel 4.20 Confusion Matrix SVM Non-Linier... 69 vii
DAFTAR GAMBAR Gambar 2.1 Ruang Warna HSV... 17 Gambar 2.2 Citra 4 x 4... 18 Gambar 2.3 Histogram Warna dari Citra Gambar 2.2... 19 Gambar 2.4 Arah Kode Rantai... 21 Gambar 2.5 Objek dengan Kode Rantai 000 007 766 554 444 433 2211... 22 Gambar 2.6 Alternatif Bidang Pemisah (kiri) dan Bidang Pemisah terbaik dengan Margin (m) Terbesar (kanan)... 23 Gambar 2.7 Contoh Feature Mapping... 27 Gambar 2.8 Representasi Data Kernel... 28 Gambar 3.1 Rancangan Array Fitur Data Training... 30 Gambar 3.2 Rancangan Array Fitur Data Training dengan Kernel... 31 Gambar 3.3 Rancangan Array Fitur Data Testing... 31 Gambar 3.4 Rancangan Array Fitur Data Testing dengan Kernel... 32 Gambar 3.5 Rancangan Tampilan Awal Sistem... 32 Gambar 3.6 Rancangan Tampilan Training dan Testing SVM Linier... 33 Gambar 3.7 Rancangan Tampilan Menu Pada Sistem... 33 Gambar 3.8 Rancangan Tampilan SVM Non-Linier dengan Pemilihan pada Data Testing... 34 Gambar 3.9 Rancangan Tampilan SVM Non-Linier dengan Semua Data Testing... 34 Gambar 3.10 Rancangan Tampilan SVM Non-Linier Singkat dengan Semua Data Testing... 35 viii
ix Gambar 3.11 Rancangan Tampilan SVM Non-Linier Singkat dengan Pemilihan pada Data Testing... 36 Gambar 3.12 Flowchart Pengolahan Data Awal... 37 Gambar 3.13 Flowchart Proses Pengurangan Noise Menggunakan Median Filtering... 38 Gambar 3.14 Flowchart Proses Segmentasi Menggunakan Threshold... 39 Gambar 3.15 Flowchart Ekstraksi Fitur... 40 Gambar 3.16 Flowchart Ekstraksi Fitur Bentuk... 41 Gambar 3.17 Flowchart Ekstraksi Fitur Tekstur... 42 Gambar 3.18 Flowchart Ekstraksi Fitur Warna... 43 Gambar 3.19 Flowchart Pengenalan Kualitas Buah Jeruk Kintamani Menggunakan SVM... 45 Gambar 3.20 Flowchart Training SVM Linier... 46 Gambar 3.21 Flowchart Testing SVM Linier... 47 Gambar 3.22 Flowchart Training SVM Non-Linier... 48 Gambar 3.23 Flowchart Testing SVM Non-Linier... 49 Gambar 4.1 (a) Citra Asli, (b) Citra Hasil Filtering... 52 Gambar 4.2 Citra Hasil Segmentasi... 53 Gambar 4.3 Tampilan Awal Sistem... 63 Gambar 4.4 Tampilan Proses Training & Testing SVM Linier... 64 Gambar 4.5 Tampilan Submenu Fast Classification Choose File... 64 Gambar 4.6 Tampilan Submenu Fast Classification All Data... 65 Gambar 4.7 Tampilan Submenu Testing With All Data... 66 Gambar 4.8 Tampilan Submenu Testing With Choose File... 66
DAFTAR LAMPIRAN Lampiran 1. Data Fitur Pada SVM Linier dan SVM Non-Linier 2. Confusion Matrix Pada SVM Non-Linier x