PERBANDINGAN ALGORITMA PERHITUNGAN JARAK MENGGUNAKAN ECUILDEAN DAN MANHATTAN DISTANCE PADA K-NEAREST NEIGHBOR GUNA KLASIFIKASI CITRA JENIS MOBIL RODA EMPAT Erlangga Fery Anggriwan 1,DR. Pulung Nurtantio Andono,S.T,M.Kom 2 1 Fakultas Ilmu Komputer,2 Universitas Dian Nuswantoro Jl. Nakula 1 No. 5-11, Jawa Tengah 50131 Telp : (024) 3517261 E-mail : erlanggaferyanggriwan@gmail.com 1, maspapu@gmail.com 2 Abstrak Perhitungan nilai kesamaan suatu citra merupakan salah satu komponen esensial dari hasil proses suatu algoritma ataupun metode untuk mencocokkan antara citra hasil training dengan citra baru sebagai pembanding. Salah satu tahap pencocokan kesamaan ataupun kemiripan ciri-ciri suatu citra adalah dengan menggunakan metode pengukuran jarak. Beberapa metode pengukuran jarak dalam mengukur tingkat kesamaan (similarity) atau kemiripan suatu citra diantaranya menggunakan jarak Euclidean dan Manhattan/City Block Distance. Penggunaan metode pengukuran jarak banyak digunakan dalam algoritma pengklasifikasian atau pendeteksian, Ada beberapa metode yang sering digunakan salah satunya adalah dengan algoritma K-Nearest Neighbour (KNN). Dengan membandingkan 2 metode pengukuran jarak menggunakan algoritma K-NN, akan diketahui metode pengukuran jarak mana yang memiliki tingkat akurasi paling tinggi dengan melakukan pengujian terhadap citra jenis mobil. Kata Kunci: K-Nearest Neighbor,Ecuildean Distance,Manhattan Distance, Klasifikasi Abstract The calculation of the value of the similarity of an image is one of the essential components of processing an algorithm method for matching between the image of the training results with a new image as a comparison. One commonality or similarity matching phase characteristics of an image is to use methods of distance measurement. Some distance measurement method in measuring the degree of similarity (similarity) or resemblance of an image of them using the Euclidean distance and Manhattan / City Block Distance. The use of distance measurement method widely used in the classification or detection algorithms, There are several methods commonly used one is the algorithm K-Nearest Neighbor (KNN). By comparing the two methods of measuring distances using K-NN algorithm, will be known distance measurement method which has the highest level of accuracy by testing the image type of car. Keywords: K-Nearest Neighbor,Ecuildean Distance,Manhattan Distance, Clasification 1. PENDAHULUAN Perhitungan nilai kesamaan suatu citra merupakan salah satu komponen esensial dari hasil proses suatu algoritma ataupun metode untuk mencocokkan antara citra hasil training dengan citra baru sebagai pembanding. Salah satu tahap pencocokan kesamaan ataupun kemiripan ciri-ciri suatu citra adalah dengan menggunakan metode pengukuran jarak. Jarak merupakan aspek penting dalam pengembangan metode pengelompokan maupun regresi. Sebelum dilakukan pengelompokkan data atau objek untuk proses deteksi, terlebih dahulu ditentukan ukuran jarak kedekatan antar elemen data. Keakuratan penghitungan nilai kemiripan sangat menentukan dalam pembandingan citra hasil proses training dari suatu algortima memiliki ciri ciri karakteristik dengan citra pembanding [1]. Beberapa metode pengukuran jarak dalam mengukur tingkat kesamaan (similarity) atau kemiripan suatu citra 1
diantaranya menggunakan jarak Euclidean dan Manhattan/City Block Distance[2]. Euclidean Distance merupakan metode perbandingan jarak dengan membandingkan jarak minimum image testing dengan database pelatihan, sedangkan Manhattan Distance merupakan metode pengukuran jarak yang sering digunakan dengan mengganti perbedaan kuadrat jarak absolut variabel, Kedua metode tersebut merupakan metode yang paling sering digunakan dalam pengukuran jarak. Sehingga pada akhirnya akan dibandingkan jarak manakah yang memiliki tingkat kesamaan ataupun kemiripan paling tinggi untuk suatu citra. Penggunaan metode pengukuran jarak banyak digunakan dalam algoritma pengklasifikasian atau pendeteksian, Ada beberapa metode yang sering digunakan salah satunya adalah dengan algoritma K-Nearest Neighbour (KNN). Algoritma K-Nearest Neighbor (KNN) merupakan sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Dekat atau jauhnya tetangga biasanya dihitung berdasarkan metode perhitungan jarak. Data pembelajaran diproyeksikan ke ruang berdimensi masing-masing dimensi merepresentasikan ciri dari data citra tersebut. Ruang ini dibagi menjadi bagian-bagian berdasarkan klasifikasi data pembelajaran [1]. Peneliti menggunakan algoritma K-NN dikarenakan dalam penggunaan algoritma K-NN, proses pengaturan parameter ketetanggaan (k) dan jarak dihitung berulang hingga diperoleh hasil akurasi yang paling maksimum. Jarak terdekat dengan basis data suatu kelas yang diperoleh akan dapat dijadikan sebagai acuan penentu data uji tersebut akan termasuk kejenis kelas mana begitu juga hasil yang akan dikeluarkan [3]. Dengan membandingkan 2 metode pengukuran jarak menggunakan algoritma K-NN, akan diketahui metode pengukuran jarak mana yang memiliki tingkat akurasi paling tinggi dengan melakukan pengujian terhadap citra jenis mobil. Jenis mobil digunakan dikarenakan bentuk untuk setiap jenis mobil memiliki karakteristik yang berbeda, contohnya adalah bentuk mobil jenis SUV dengan jenis City Car. Dimana penggunaan citra jenis mobil merupakan salah satu tahap pencocokan, kesamaan ataupun kemiripan ciri-ciri suatu citra, dan tahap tersebut merupakan tahapan dalam penggunaan algoritma K-NN. Diharapkan karakteristik citra jenis mobil dapat di klasifikasikan sesuai dengan jenisnya. Berdasarkan uraian di atas, pada penelitian ini akan dilakukan perbandingan metode jarak ecuidean dan manhattan distance yang di implementasikan menggunakan Algoritma K-Nearest Neighbourhood guna penklasifikasian jenis mobil. 2. METODE PENELITIAN Metode penelitian Klasifikasi mobil menggunakan K-NN sebagai berikut : Gambar 1. Metode Penelitian 2
2.1 Objek Penelitian Dalam tugas akhir ini pemilihan mobil sebagai objek penelitian. Objek penelitian adalah bagaimana melakukan klasifikasi jenis mobil yang memiliki karakteristik berbeda untuk setiap jenisnya. Penekanan pada metode pengukuran jarak dengan membandingkan 2 metode pengukuran pada K-NN, sehingga nantinya di dapatkan performa ke 2 metode pengukuran jarak dalam pengklasifikasian jenis mobil. 2.2 Instrumen Penelitian Instrumen penelitian yang dipergunakan berupa hardware dan software sebagai berikut : 2.2.1 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. 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. 2.2.2 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 jenis mobil yang berbeda. Data testing berfungsi sebagai data uji coba kemampuan mesin. Data-data tersebut kemudian dipindahkan kedalam database. Data training dan data testing menggunakan 30 citra mobil dari 3 jenis mobil yang berbeda. Dalam penelitian ini ada beberapa tahapan yang dilakukan terhadap data-data yang diperoleh, tahapan tersebut antara yaitu : Gambar 3.2 Proses Pengolahan Data Data yang sudah dimasukkan ke dalam mesin aplikasi. Kemudian di uji menggunakan data citra testing jenis mobil secara acak. Sehingga didapatkan output klasifikasi citra jenis mobil. Proses Preprocessing yang dilakukan pada tahapan pengolahan dataset sebagai berikut : 1. Citra inputan berupa citra mobil RGB 2. Citra yang sudah diinputkan akan diekstraksi menggunakan ekstraksi fitur histogram. 3. Ekstraksi fitur histogram yang digunakan adalah Rata-rata intnsitas, deviasi, skewnessm energy dan entropi. 4. Dari hasil ekstraksi akan didapatkan nilai nilai ekstraksi seperti dibawah ini. 3
2.5 Eksperimen 5. Nilai ektraksi tersebut akan menjadi nilai acuan yang nantinya dibandingkan dengan nilai ektraksi citra acuan. 6. Citra uji dan citra acuan yang sudah diekstraksi akan dihitung menggunakan metode perhitungan jarak Ecuildean dan Manhattan Distance untuk mendapatkan perbandingan nilai keduanya. 7. Nilai yang didapat dari perbandingan ke 2 metode pengukuran jarak sebagai berikut: 2.4 Objek Data Objek data yang digunakan dalam penelitian ini adalah citra jenis mobil. Jenis mobil yang digunakan terdiri dari 3 jenis yaitu Hatchback, SUV dan Sedan. Citra yang digunakan nantinya menggunakan background putih agar mempermudah dalam pembacaan dan ukuran citra yang digunakan adalah 512 x 512. Dan citra yang digunakan sebagai berikut : Citra Jenis Jumlah Citycar 30 Citra SUV 30 Citra Pada tahap ini akan dilakukan penelitian dengan melakukan pengujian terhadap aplikasi yang sudah di bangun. Pada tahap ekperimen ini penulis menerapkan metode yang digunakan adalah K-Nearest Neighbourhood. Tahap awal pada penelian, penulis melakukan pengumpulan data yang akan digunakan yaitu model model dari jenis mobil. Selanjutnya citra dari mobil jenis mobil tersebut di proses menggunakan histrogram dan di bagi menjadi data training dan data testing. Dari data tersebut penulis sudah mendapatkan data training, selanjutnya adalah untuk citra data testing. Data testing dipilih secara acak dimana data yang nantinya diinputkan dipilih tidak sesuai dengan jenisnya. Dari data testing tersebut akan didapatkan klasifikasi jenis mobil menggunakan aplikasi yang sudah di bangun. Akurasi dan jarak tiap citra akan berbeda beda. Sehingga di tahapan akhir, penulis akan membandngkan antara 2 metode pengukuran jarak pada K-NN. Diharapkan dapat diketahui metode pengukuran jarak mana yang memiliki tingkat akurasi tertinggi. Antara metode pengukuran jarak Ecuildean Distance atau Manhattan Distance. Sedan 30 Citra 4
metode perhitungan jarak pada k-nn. Proses fitur ekstraksi tersebut yaitu : Memasukkan citra jenis mobil dan diuji dengan melakukan proses pengolahan awal citra jenis mobil yang menggunakan feature ekstraksi histogram, pada feature ekstraksi ini citra mobil yang diuji akan menghasilkan angka-angka piksel disetiap citra yang nantinya digunakan dalam pengujian perhitungan antar 2 metode pengukuran jarak. 3. HASIL DAN PEMBAHASAN Dalam melakukan eksperimen ini, diperlukan citra gambar jenis mobil. Citra yang digunakan dalam penelitian ini adalah citra jenis mobil yaitu jenis City car, Sedan dan SUV. Citra yang digunakan berukuran 625 x 417 pixel.citra yang digunakan dibagi menjadi 2 yaitu data citra training 60 dan juga 30 data testing yang nantinya seperti dengan metode yang diusulkan. Berikut adalah tampilan program untuk mengekstraksi citra jenis mobil. Terdapat tiga kelas/label yaitu Citycar, Sedan dan SUV. Citra mobil yang telah diinput lalu ditentukan apakah citra mobil tersebut termasuk dalam kelas jenis mobil Citycar, Sedan atau SUV. Gambar 2. Citra yang digunakan Pada tahap pengujian, sample pada citra jenis mobil yang digunakan sebagai data citra uji. Citra tersebut kemudian diproses menggunakan fitur ekstraksi histogram, dari hasil pengolahan citra uji tersebut, selanjutnya dilakukan perhitungan jarak menggunakan 2 Gambar diatas menunjukkan tampilan program saat dijalankan. Pada bagian atas ditampilkan citra mobil yang telah diinput, kemudian pada bagian kanan gambar muncul nilai fitur ekstraksi dari citra yang diinput. Nilai-nilai fitur ekstraksi tersebut meliputi intensitas, deviasi, skewness, energy,entropi, dan smoothness. Dan terakhir adalah output aplikasi dimana terdapat perhitungan jarak menggunakan cityblock dan ecuildean distance sehingga akan muncul jarak kedekatan menggunkan perhitungan jarak, dan akan terlihat kedekatan jarak menggunakan 2 perbandingan metode yang memiliki jarak terkecil guna mendapatkan tingkat 5
akurasi diantara ke 2 nya Ekstraksi fitur tekstur pada citra mobil di penelitian ini yang bertujuan untuk mendapatkan ciri tiap jenis mobil yaitu jenis city car, sedan dan SUV yang sebelumnya melalui tahap-tahap pengolahan awal citra yang sudah dijelaskan di sub bab sebelumnya. Ekstraksi fitur tekstur tersebut menggunakan metode histogram pada metode ini didalamnya terdapat 6 fitur yaitu : rerata intensitas, deviasi, skewness, energi, entropi dan kehalusan (smoothness). Pada table dibawah ini adalah 5 sample data citra berdasarkan jenis mobil yang di fitur ekstraksi histogram. diperhitungkan jaraknya menggunakan 2 metode perhitungan jarak guna mendapatkan keakuratan dalam perbandingan 2 metode pengukuran jarak. 4.1.1 Perhitungan Ekstraksi 1. Intensitas Fitur Fitur pertama yang dihitung adalah intensitas. Dengan persamaan sebagai berikut : M = = 0 1 2 3 5 6 7 8 9 10 = 0.005429368 0.000206039 0.000403837 0.000717933 0.001772855 0.003187659 0.003750833 = 7018.684 2. Deviasi σ = Tabel 3. Tabel luas marker Dari data diatas adalah sample beberapa citra jenis mobil yang sudah difitur ekstraksi menggunakan fitur ekstraksi histogram dan menghasilkan angka-angka piksel tersebut. Dan langkah selanjutnya akan = 6
Energy = skewnes s = = 99837.47559 3. Skewness = = (0- ) (1- = [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] = 4.971839312 10ˉ9 1.886766479 10ˉ10 3.698062298 10ˉ10 6.574332974 10ˉ10 2.716943729 10ˉ10 1.086777492 10ˉ9 6.574332974 10ˉ10 1.147992582 10ˉ9 1.623457734 10ˉ9 2.919037383 10ˉ9 = 0.006427225 ) (2- ) (3- ) (4- ) (5- ) (6- ) (7- ) (8- ) (9- ) (10- ) = (-24379549.78) (-4747233.253) (- 6643285.797) (-8853927.799) ( - 5689377.181)( -11373888.66) (- 8842574.484)( -11679832.55) ( - 13883588.72) (-18608665.06) (- 20177032.76) = -330603501002.68 5. Entropi Entropi = = 4. Energy 7
= (-9.724763994 10ˉ4) (-2.218588951 Pada sub 10ˉ4) bab berikut akan menjelaskan tentang perbandingan (-3.01267527 10ˉ4) (-3.0910482827 antara metode perhitungan jarak 10ˉ4) (-2.618950374 10ˉ4) ecluidean (-4.908237664 dan cityblock, setelah dilakukan perhitungan jarak untuk 10ˉ4) (-3.0910482827 10ˉ4) ( - mendapatkan hasil label dengan cara 5.031184584 10ˉ4) melakukan beberapa proses untuk mendapatkan akurasi dari citra, proses (-5.882308691 10ˉ4) (-7.658988034 10ˉ4) yang dilakukan pertama kali mencari hasil dengan metode K-NN yang = -7.528903833 didapatkan dari perbandingan nilai antara distance ecuildean dan cityblock. 6. Smoothness Kemudian dihitung menggunakan perhitungan akurasi antara 2 metode smoothness = perbandingan jarak. 1. Citra City car = = 0.09106210957 7. Perhitungan Ecuildean Distance a. Ecuildean Distance : = = 18.3523 b. Manhattan Distance : = = 23.7483 Citra Ecluidean Manhattan Hasil 1 5.966319 9.519727 Correct 2 20.93597 23.99612 Correct 3 12.17201 18.92776 Correct 4 21.32968 28.07414 Correct 5 14.92454 18.52364 Correct 6 15.1552 22.77551 Correct 7 16.44944 23.83267 Correct 8 21.24344 31.21623 Correct 9 24.51905 34.78669 Correct 10 24.14606 34.83288 Correct Total 137.589 191.581 53.99223 2. Citra sedan Citra Ecluidean Manhattan Hasil Total 1 18.3523 23.7483 Correct 2 18.3468 23.5926 Correct 3 26.4167 40.6249 Correct 4 5.54286 8.15497 Correct 5 16.5863 21.6913 Correct 6 5.52907 8.1326 Correct 7 30.7403 41.9054 Correct 8 5.50288 7.78665 Correct 9 5.04222 7.81153 Correct 10 5.52907 8.1326 Correct 194.7977 276.553 81.7553 7 8
3. Citra SUV Citra Ecluidean Manhattan Hasil 1 11.7849 15.24419 Correct 2 5.636878 7.57331 Correct 3 32.66671 40.15874 Correct 4 9.966807 15.43397 False 5 45.31843 67.31526 Correct 6 10.26037 14.37839 Correct 7 20.50857 28.47747 Correct 8 25.5349 38.25847 Correct 9 7.339802 11.04766 False 10 25.78031 38.66559 Correct Total 176.8417 246.4854 69.64365 Dari tabel diatas dapat diketahui perhitungan jarak antara dua metode yaitu ecluidean dan cityblock. Dimana nilai perhitungan jarak menggunakan metode Ecluidean Distance memiliki nilai yang lebih kecil, artinya metode Ecluidean Distance lebih baik dibandingan dengan metode Cityblock dalam perhitungan jarak menggunakan metode K-NN Nilai akurasi yang digunakan dari jumlah citra bernilai kebenaran dibagi dengan jumlah data uji keseluruhan dikali 100% Akurasi = x100% = 93 % Nilai perbandingan perhitungan jarak menggunakan metode Ecuildean Distance dan Manhattan Distance sebagai berikut : Jenis Ecuildean Manhattan Selisih City Car 137.589 191.581 53.99223 Sedan 194.7977 276.553 81.75537 SUV 176.8417 246.4854 69.64365 Dapat dilihat dari tabel diatas bahwa perbandingan metode pengukuran jarak ecuildean dan manhattan distance, Metode Ecuildean Distance memiliki nilai yang lebih kecil daripada perhitungan menggunakan Manhattan Distance. Sehingga Metode pengukuran jarak menggunakan Ecuildean Distance memiliki keakuratan lebih tinggi daripada menggunakan Manhattan Distance hal ini ditunjukan dengan nilai pengukuran menggunakan Ecuildean Distance yang lebih kecil. 5. SARAN Beberapa saran yang dihasil dalam penulisan penelitian ini, dan sebagai penelitian berikutnya sebagai berikut : 1. Menggunakan metode perbandingan jarak lebih dari 2, sehingga akan meningkatkan perbandingan tentang perhitungan jarak 2. Penggunaan data yang lebih banyak sehingga akan diketahui ketika menghitung perbandingan dengan jumlah data yang banyak. 3. Menggunakan metode lain dalam perhitungan dan dikolaborasikan. DAFTAR PUSTAKA [1] Hermawati F.A, Pengolahan citra Digital. Yogyakarta: ANDI, 2013. [2] M. K. T. Sutoyo, S.Si., M.Kom., Edy Mulyanto, S.Si., M.Kom., Dr.Vincent Suhartono, Oky Dwi Nurhayati, M.T., Wijanarto, Teori Pengolahan Citra Digital, 2009. [3] Andi, Pengolahan Citra Digital, Yogyakarta: Darma Putra, 2010. [4] L A Dewi, H Bambang,W.A Tody, Klasifikasi Jenis mobil menggunakan metode Backpropagatioan dan Deteksi tepi Canny Universitas Telkom.2011. [5] D Rosmawati, U Koredianto dan R Achmad, Desain dan Simulasi Sistem Identifikasi Manusia Dengan 9
Analisis Ciri Fisis Citra Palmprint Berbasis Image Processing dan K- NN Universitas Telkom, Bandung, 2010. [6] H.A Thariq, A.P Ricardus, Memodifikasi Algoritma K-Nearest Neighbour Menggunakan Chebyshev Distance Berdasarkan GRAY LEVEL CO-OCCURRENCE MATRIX untuk Klasifikasi Kayu Universitas Dian Nuswantoro, Semarang, 2015 [7] Y. Bertha, H Bambang, Klasifikasi Jenis Mobil Berdasarkan Transformasi wavelet multi Scale dan Metode K-Nearest Neighbor Universitas Telkom, 2011. [8] Hermawati F.A, Pengolahan citra Digital. Yogyakarta: ANDI, 2013. [9] S. Kom. Prof achmad Benny mutiara Ssi, Pengantar Pengolahan Citra. [Online]. Available: http://amutiara.staff.gunadarma.ac.id/do wnloads/files/39981/bab- PengantarPengolahanCitra.pdf [10] Raditya Mengenal jenis jenis mobil berdasarkan bentuknya http://www.ototaiment.com/2015/03/16/ 533/mengenal-jenis-jenis-mobilberdasarkan-bentuknya/ (diakses 10 September 2016) [11] Teiseran T, Martin Kiat Merawat Mobil Yogyakarta, Penerbit Kanisius (Anggota IKAPI), 2014 [12] Lafortune, Pierre How to Calculate Euclidean and Manhattan Distance http://math.stackexchange.com/questio ns/139600/how-to-calculate-theeuclidean-and-manhattan-distance (diakses : 11 Januari 2017) 10