PENENTUAN KUALITAS DAUN TEMBAKAU DENGAN PERANGKAT MOBILE BERDASARKAN EKSTRASI FITUR RATA-RATA RGB MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR Eko Subiyantoro, Yan Permana Agung Putra Program Studi Teknik Informatika STTAR Malang Teknik Informatika email: eko_bean93@yahoo.com, yan.permana20@gmail.com Abstrak Faktor yang mempengaruhi kualitas daun tambakau adalah warna daun, ketebalan daun, kehalusan daun, pegangan/body daun, elastisitas daun, aroma daun, ukuran panjang daun, keutuhan daun, benda asing, posisi daun, tingkat kecacatan dan lain-lain. Daun tembakau dapat ditangkap oleh perangkat mobile dengan resolusi kamera yang tinggi sehingga fitur rata-rata RGB dapat diekstrasi. Nilai fitur keutuhan dan kecatatan daun tembakau di tentukan melalui proses deteksi tepi dan proses integral proyeksi yang akan menghasilkan nilai fitur horisontal dan nilai fitur vertikal. Nilai Fitur tersebut akan digunakan sebagai data training maupun sebagai data uji yang akan diuji menggunakan nearest neighbor algoritm untuk menentukan kualitas daun tembakau. Proses pengambilan keputusan untuk menentukan kualitas daun tembakau besarnya nilai K pada algoritma K- NN sangat berpengaruh, semakin besar K maka hasil keputusan akan semakin akurat. Aplikasi ini berjalan dengan baik pada Nokia E63, berjalan kurang baik pada Sony Ericson K530i, Samsung Star dan Nokia 5800. Kata Kunci: Fitur keutuhan,ekstrasi RGB, Nearest Neighbor. 1. PENDAHULUAN 1.1 LATAR BELAKANG Tembakau merupakan salah satu komoditi perkebunan yang penting dalam pembangunan sub sektor perkebunan antara lain untuk memenuhi kebutuhan domestik maupun sebagai komoditi ekspor penghasil devisa negara. Tentunya mutu dan kualitas harus terus diperhatikan. Perlu adanya pengetahuan khusus yang harus dimiliki oleh seseorang agar dapat menilai kualitas daun tembakau. Diantara faktor yang mempengaruhi kualitas daun tambakau adalah warna daun, ketebalan daun, kehalusan daun. Pegangan/body daun, elastisitas daun, aroma daun, ukuran panjang daun, keutuhan daun, benda asing, posisi daun, tingkat kecacatan dan lain-lain. Perkembangan tekonologi kamera pada mobilephone sangat memungkinkan kamera telepon seluler dapat digunakan sebagai sarana input yaitu sebagai alat menggambil citra daun tembakau. Pengolahan citra digital merupakan proses yang bertujuan untuk memanipulasi dan menganalisis citra dengan bantuan komputer. Pengolahan citra digital ciri-cirinya yang akan menghasilkan value angka. Metode color filtering digunakan untuk memisahkan objek dan background. Salah satu metode dalam kecerdasan buatan adalah Nearest Neighbor, algoritma k-nearest neighbor (k- NN atau KNN) adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Dengan demikian untuk menentukan kualitas daun tembakau berdasarkan ekstrasi fitur ratarata RGB dengan menggunakan metode KNN dapat ditentukan melalui perangkat mobilephone. 1.2 RUMUSAN MASALAH Berdasarkan latar belakang di atas terdapat beberapa rumusan masalah dalam proyek akhir ini, yaitu: 1. Bagaimana mendapatkan nilai warna rata-rata dari sebuah daun tembakau. 2. Bagaimana mendapatkan nilai prosentase kecacatan daun tembakau. 3. Bagaimana mendapatkan nilai fitur keutuhan daun. dapat dikelompokkan dalam dua jenis kegiatan yaitu, 4. Bagaimana mendapatkan keputusan dengan memperbaiki kualitas suatu gambar, sehingga dapat membandingkan nilai ekstraksi dauntembakau pada lebih mudah diinterpretasi oleh mata manusia, dan mengolah informasi yang terdapat pada suatu gambar data sample dengan metode Nearest Neighbor. untuk keperluan pengenalan objek secara otomatis. Dengan pemrograman J2ME citra digital diekstrak 1.3 BATASAN MASALAH
Adapun yang menjadi batasan masalah dalam adalah: 1. Kualitas daun tembakau dalam aplikasi ini dinilai berdasarkan rata-rata warna dan tingkat kecacatan. 1. Daun tembakau yang akan di nilai kualitasnya adalah daun tembaku segar 2. Baground daun yang akan ditangkapadalah berwarna putih. 3. Intensitas cahaya dalam menangkap citra daun tembakau cerah, atau pada siang hari. 2.KAJIAN TEORI 2.1 TEMBAKAU Tembakau adalah salah satu produk pertanian dan bagian yang dimanfaatkan adalah daunnya, untuk keperluan industri. Di indonesia ada beberapa jenis tembakau yaitu Tembakau Virginia,Tembakau Madura,Tembakau Besuki,Tembakau Bawah Naungan(TBN) dan lainlain. Diantara faktor yang mempengaruhi kualitas daun tambakau adalah warna daun, ketebalan daun, kehalusan daun.pegangan/body daun, elastisitas daun, aroma daun, ukuran panjang daun, keutuhan daun, benda asing, posisi daun, tingkat kecacatan dan lain-lain. Berdasarkan toleransi kecacatan daun, dapat diklasifikasikan menjadi: 3 %, 5 %, 7,5 %, 15 %, 20 %, 30 %, 40 %, 50 %. Berikut adalah tabel mutu tembakau berdasarkan tingkat kecacatan daun: Tabel 1. Mutu Tembakau sebelahnya adalah 1. Pada gambar 2.1 (a) menunjukkan distribusi awal gambar nilai gray level. Kemudian mengidentifikasi semua daerah dengan nilai grey level terpisah dan karenanya terbentuk suatu peta, seperti di gambar 1(b). Itu dapat dilihat dengan menggabungkan label 9 dan 10, label 5 dan 6, dan lain-lain. Semua penggabungan mungkin seperti itu, dimana perbedaan grey level dengan daerah sebelahnya adalah 1, seperti gambar 1(c). Ketika semua penggabungan ini sudah berlangsung, maka segmentasi sudah berakhir,pada gambar 1(d), menunjukkan daerah putih dan hitam grey level sehingga pemandangannya ditafsirkan seperti dua object. Gambar 1: Region Merger 2.3 COLOR THRESHOLDING Color thresholding merupakan proses seleksi (filter) terhadap suatu nilai warna. Proses color thresholding ini dapat dilakukan dengan diambil nilai batas (threshold) yang static. Berikut persamaanya untuk color thresholding secara static. Dimana : 2.2 SEGMENTASI CITRA Segmentasi adalah proses mempartisi citra menjadi daerah daerah (region). Jika kita ingin mempartisi citra berdasarkan warnanya, maka kita dapat melakukannya pada setiap lapisan warna (baik pada HIS atau RGB). Segmentasi warna dapat menggunakan metode thresholding ataupun minimum Euclidean Distance. Segmentasi dapat dilakukan dengan pendekatan region merging dan splitting. Pada gambar 1 merupakan contoh teknik region merging. Contoh yang sederhana ini nilai grey level antara 1 dan 10 dan sifat bentuknya adalah menggabungkan jika perbedaan nilai grey level antara daerah lr, lg, lb adalah interval untuk warna r, g dan b yang ditentukan secara spesifik IF r>200 and g<64 and b<64 THEN warna=merah nilai threshold Proses color thresholding dinamik dapat dilakukan berdasarkan rata-rata warna yang didapatkan dari gambar-gambar acuan yang sebelumnya dibuat. 2.4 DETEKSI TEPI Deteksi tepi (Edge Detection) pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi dari obyek-obyek citra, tujuannya adalah, untuk menandai bagian yang menjadi detail citra atau untuk memperbaiki detail dari citra yang kabur, yang terjadi karena error atau adanya efek dari proses akuisisi citra.
Suatu titik (x,y) dikatakan sebagai tepi (edge) dari suatu citra bila titik tersebut mempunyai perbedaan yang tinggi dengan tetangganya. Gambar 2 berikut ini meng-gambarkan bagaimana tepi suatu gambar diperoleh. melihat gambar diatas maka keputusannya adalah buruk. Penyelesaian dengan k NN, dengan k = 3 : Gambar 4: Penyelesaian KNN Gambar 2: Proses Deteksi Tepi 2.4 INTEGRAL PROYEKSI Integral proyeksi adalah suatu metode yang digunakan untuk mencari daerah atau lokasi dari objek. Metode ini dapat diguanakan untuk mendeteksi batas dari daerah gambar yang berbeda, sehingga bias dicari daerah lokasi daun tembakau dan fitur-fiturnya. Metode ini juga bisa disebut dengan integral baris dan kolom dari pixel, karena integral ini menjumlahkan pixel per baris dan pixel per kolom. Dari metode ini akan dengan mudah untuk menemukan daerah lokasi object yang diperlukan. 3. HASIL DAN PEMBAHASAN 3.1. RANCANGAN SISTEM Desain sistem dari aplikasi penilaian kualitas daun tembakau pada perangkat mobile dengan nearest neighbor algoritm ditunjukkan dalam gambar berikut Gambar 4: Desain sistem 3.2. ALUR PROSES PADA PONSEL Pada ponsel proses-proses yang terjadi adalah proses image proccessing. Berikut adalah gambar alur proses pada ponsel. Gambar 3: Integral Proyeksi 2.5. Nearest Neighbor Algoritm Algoritma k-nearest neighbor (k-nn atau KNN) adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Dengan menggunakan metode ini hasil ekstraksi fitur dalam proses sebelumnya akan dibandingkan dengan data sample.ada beberapa jenis NN yaitu 1-NN yaitu pengklasifikasian terhadap 1 labeled data terdekat dan KNN. Data baru akan dihitung jaraknya dengan rumus euclidean pada semua data setelah itu dicari satu data dengan jarak terdekat. Keputusan akan ditentukan berdasarkan data tetangganya yang paling dekat. Bila
Gambar 5: Alur Proses Pada Ponsel. 3.3. EKSTRAKSI FITUR RATA-RATA RGB Proses ekstraksi rata-rata RGB adalah proses untuk mencari nilai rata-rata RGB pada daun tembakau yang ditangkap oleh kameraponsel.citra daun tembakau yang telah ditangkap sebelumnya oleh kamera ponsel akan di grayscale untuk membuat citra menjadi abu- abu, lalu citra yang telah di grayscale akan difilter setiap pixelnya apakah nilainya lebih dari 128 atau kurang dari 128, jika pixel nilai kurang dari 128 menunjukan bahwa pixel tersebut mempunyai warna mendekati warna hitam yang tidak lain adalah warna objek maka pixel tersebut akan diset dengan nilai RGB objek aslinya dan jika nilai pixel lebih dari 128 menunjukan bahwa pixel tersebut mendekati warna putih yang tidak lain adalah warna baground maka pixel tersebut akan diset dengan nilai 0 atau warna hitam. Tujuan dari merubah warna baground menjadi warna hitam adalah untuk mempermudah dalam mencari rata-rata RGB objek.setelah proses pemilahan objek dan bagroun diatas lalu proses menghitung rata-rata RGB dapat dilakukan. Selain warna hitam pixel akan dipecah menjadi nilai red, green, blue lalu dijumlahkan dan dibagi dengan jumlah pixel yang dijumlahkan maka akan menghasilkan nilai rata-rata RGB.Berikut ini adalah flowchart proses ekstraksi fitur rata-rata RGB. Gambar 6: Flowchart Ekstrasi Fitur Rata-Rata RGB. 3.4. EKSTRAKSI FITUR KEUTUHAN DAUN Citra daun tembakau yang telah ditangkap sebelumnya oleh kamera ponsel akan di grayscale untuk membuat citra menjadi abu- abu, lalu citra yang telah di grayscale akan difilter setiap pixelnya apakah nilainya lebih dari 128 atau kurang dari 128, jika pixel nilaikurang dari 128 menunjukan bahwa pixel tersebut mempunyai warna mendekati warna hitam yang tidak lain adalah warna objek maka pixel tersebut akan diset dengan nilai putih danjika nilai pixel lebih dari 128 menunjukan bahwa pixel tersebut mendekati warna putih yang tidak lain adalah warna baground maka pixel tersebut akan diset dengan nilai 0 atau warna hitam. Tujuan dari merubah warna objek menjadi putih dan warna baground menjadi warna hitam agar terjadi perbedaan yang kontras antara baground dan objek sehingga proses diteksi tepi menjadi lebih baik.
Setelah proses diteksi tepi dilakukan maka proses selanjutnya untuk mencari nilai fitur keutuhan daun adalah proses integral proyeksi yang akan menghasilkan nilai fitur horisontal dan nilai fitur vertikal.untuk memudahkan dalam penyimpanan dan perhitungan pada server maka fitur horisontal dan vertikal di jumlahkan untuk menjadi satu nilai yaitu nilai fitur keutuhan daun.berikut ini adalah flowchart proses ekstraksi fitur keutuhan daun. Gambar 8: Alur Proses Pada Server. 3.6. PENGUJIAN DENGAN KNN Data fitur yang telah di ekstrak oleh ponsel akan dikrimkan kepada server untuk mencari keputusan. Pencarian keputusan menggunakan algoritma nearest neighbor, semua fitur yang dikirimkan ke server akan di hitung jaraknya dengan data training yang ada di database menggunakan encludiance distance. Tabel 2: Pengujian Pada Nokia E-63 Gambar7: Flowchart Ekstrasi Fitur Rata-Rata RGB. 3.5. ALUR PROSES PADA SERVER Pada server proses-proses yang terjadi adalah proses kecerdasan buatan untuk pengambilan keputusan. Berikut adalah gambar alur proses pengiriman pada server.
4. KESIMPULAN 1. Sistem dan aplikasi yang dibangun berhasil mengimplementasikan teknik-teknik pengolahan citra untuk melakukan ekstraksi fitur-fitur yang digunakan untuk proses pengenalan kualitas, diantaranya adalah fitur rata-rata RGB, fitur keutuhan dan fitur kecacatan. 2. Pada proses pengambilan keputusan besar nilai K pada algoritma KNNsangat berpengaruh, semakin besar K maka hasil keputusan akan semakin akurat. 3. Aplikasi ini berjalan dengan baik pada Nokia E63, berjalan kurang baik pada Sony Ericson K530i, Samsung Star dan Nokia 5800. DAFTAR REFERENSI [1] Basuki Achmad, Jozua F Palandi,Fatchurrochman. 2005.Pengolahan Citra Digital Menggunakan Visual Basic.Yogyakarta: Graha Ilmu [2] Hartanto, A. Aditya. 2008. Pengolahan Citra Pada Pemrograman Java. Kampung Teknologi Lola Mobile. [3] Hartono, Puji. 2004. Pemrograman Aplikasi Wireless [4] http://disbunjatim.go.id/tembakau.php, diakses tanggal 11 Januari 2010 [5] Santosa, R. Nurrokhman. 2009. Mobile Marketing Engine.