BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA 2.1 Tinjauan studi (state of the art) Berikut penelitian yang telah dilakukan sebelumnya : 1. Penelitian dilakukan oleh Sigit Sugiyanto Feri Wibowo (2015), menjelaskan tentang klasifikasi tingkat kematangan buah pepaya (Carica Papaya) dalam ruang HSV algoritma K-Nearest Neighbors. Buah pepaya diidentifikasi tingkat kematangannya berdasarkan analisa warna kulit buah secara visual mata manusia yang memiliki keterbatasan. Proses identifikasi ini memiliki beberapa kelemahan diantaranya adalah tingkat persepsi kematangan buah yang berbeda, tingkat konsistenan manusia dalam hal menilai kematangan buah tidak menjamin. Maka dengan sebuah aplikasi berbasis teknologi pengolahan citra digital mengguanakan algoritma K-Nearest Neighbors (K-NN). Pengujian dengan jumlah K tetangga 5 jumlah data citra 12 data, didapatkan keakuratan algoritma K-NN 83,34% [2]. 2. Penelitian dilakukan oleh Febri Muni Mulato (2015), menjelaskan klasifikasi kematangan buah jambu biji merah (psidium guajava) dengan menggunakan model Fuzzy Logic. Buah jambu biji merah memiliki keterbatasan umur simpan yaitu antara 1-2 minggu setelah pascapanen. Daya simpan buah jambu dilakukan pada saat jambu biji merah yang relatif singkat mengharuskan pemanenan jambu biji merah yang relatif singkat mengharuskan pemanenan jambu dilakukan saat jambu masih mentah untuk keperluan industri lokal. Oleh seba itu dibutuhkan pegklasifikasian yang tepat untuk memperoleh mutu buah yang baik. Proses yang dilakukan adalah mengubah tipe gambar jambu dari RGB ke Greyscale mengklasifikasi menggunakan metode Fuzzy mendapatkan keakuratan data uji 94,67% data sampel 83,3% [1] 3. Penelitian dilakukan oleh Retno Nugroho Widhiasih, Sugi Guritman, Prapto Tri Suprio (2012) menjelaskan tentang klasifikasi tingkat kematangan buah manggis ekspor lokal berdasarkan warna tekstur menggunakan 4

5 Penelitian ini dilakukan oleh Retno Nugroho Widhiasih, Sugi Guritman Prapto Tri Suprio (2012) yang menjelaskan tentang klasifikasi tingkat kematangan buah manggis ekspor. Penelitian ini bertujuan mengembangkan model klasifikasi buah manggis segar secara non-destruktif dengan menggunakan FNN. Hasil pemodelan FNN menjadi 2 kelas target klasifikasi (ekspor lokal) mendapatkan model terbaik dengan fitur penduga indeks warna merah, hijau, biru, value, a*, u*, v*, entropi dengan 5 neuron pada lapisan tersembunyi menghasilkan akurasi 90% [5]. 4. Penelitian dilakukan oleh Sarngadi Palgunadi Yulandita Almandatya (2014) menjelaskan tentang klasifikasi kualitas kesehatan daun mangga berdasarkan warna citra daun. Daun mangga mudah terjangkiti macam-macam penyakit, salah satu penyakit daun mangga adalah mengalami perubahan warna. Perubahan warna terjadi akibat kekurangan klorofil sehingga daun tidak berwarna hijau melainkan kuning, disebut klorosis. Klasifikasi dilakukan menggunakan Complete Linkage Clustering dengan Dendogram. Hasil klasifikasi dari beberapa cluster yang mewakili tingkat kesehatan daun, selanjutnya akan dibuat vektor ciri dari masing-masing cluster. Proses klasifikasi ini mendapatkan akurasi 90% untuk index warna green [6]. 5. Penelitian ini dilakukan oleh Suastika Yulia Riska (2015) menjelaskan tentang klasifikasi level kematangan tomat berdasarkan perbedaan perbaikan citra menggunakan rata-rata RGB index pixel. Tomat merupakan salah satu buah yang memiliki proses kematangan relative cepat, sehingga klasifikasi level kematangan tomat memiliki peran yang penting untuk mengurangi resiko pembusukan tomat. Sebelum proses klasifikasi dilakukan pada tahap preprocessing dilakukan perbaikan citra untuk meningkatkan kualitas citra. Tahap selanjutnya adalah segmentasi untuk memisahkan objek tomat background. Hasil klasifikasi level kematangan tomat menunjukkan akurasi berdasarkan perbaikan citra dengan rata-rata RGB sebesar 86,7% [7].

6 Dari literatur diatas dapat diterapkan algoritma K-Nearest Neighbor untuk mengklasifikasi tingkat kematangan buah jambu biji merah (psidium guajava). Untuk memperjelas literatur, dapat dilihat pada tabel berikut: Tabel 2.1 State of the art No Peneliti Tahun judul Metode Hasil 1 Sigit 2015 Klasifikasi tingkat Ruang HSV Pengujian dengan sugiyanto kematangan buah jumlah K Feri pepaya (carica algoritma K- tetangga 5 Wibowo papaya) dalam Nearest jumlah data citra ruang HSV Neighbor 12 algoritma K- data,didapatkan Nearest Neighbor. keakuratan algoritma K-NN 83,34% 2 Febri muni 2015 klasifikasi Rata-rata Proses yang mulato kematangan buah RGB ke dilakukan adalah jambu biji merah greyscale mengubah tipe (psidium guajava) K-Means gambar jambu dengan Clustering dari RGB ke menggunakan Greyscale model Fuzzy Logic mengklasifikasi menggunakan metode Fuzzy mendapatkan keakuratan data uji 94,67% data sampel 83,3%

7 3 Retno 2012 klasifikasi tingkat RGB Hasil pemodelan Nugroho kematangan buah fuzzy neural FNN menjadi 2 Widhiasih, manggis ekspor network kelas target Sugi lokal berdasarkan klasifikasi Guritman, warna tekstur (ekspor Prapto menggunakan lokal) Tri Suprio Fuzzy Neural mendapatkan Network model terbaik dengan fitur penduga indeks warna merah, hijau, biru, value, a*, u*, v*, entropi dengan 5 neuron pada lapisan tersembunyi menghasilkan akurasi 90% 4 Palgunadi 2014 klasifikasi kualitas RGB Proses klasifikasi Yulandita kesehatan daun complete ini mendapatkan Almandatya manggaberdasarkan linkage akurasi 90% warna citra daun. clustering untuk index clustering warna green dengan dendrogram

8 5 Suastika 2015 klasifikasi level Rata-rata Hasil klasifikasi Yulia Riska kematangan tomat RGB level kematangan berdasarkan Multi SVM tomat perbedaan menunjukkan perbaikan citra akurasi menggunakan rata- berdasarkan rata RGB index perbaikan citra pixel dengan rata-rata RGB sebesar 86,7% 2.2 Tinjauan Pustaka 2.2.1 Jambu Biji Jambu biji adalah buah tropis yang berasal dari Brazil, disebarkan ke Indonesia melalui Thailand. Jambu biji memiliki buah yang berwarna putih atau merah. Buah jambu biji kaya akan vitamin, sehingga sangat cocok dikonsumsi setiap hari untuk menjaga kesehatan. Buah jambu biji dapat meningktakan imunitas tubuh, mencegah kanker menjaga tekanan darah [1]. 2.2.2 Pengolahan Citra Digital Pengolahan citra digital merupakan ilmu yang mendalami teknik mengubah citra. Citra yang dimaksud adalah gambar statis dari sensor vision berbentuk webcam citra merupakan fungsi kontinyu berdasarkan intensitas cahaya pada bilang dua dimensi[15]. Langkah-langkah pengolahan citra dapat dijabarkan sebagai berikut : 1. Akuisisi Citra Akuisisi citra merupakan proses awal agar menghasilkan citra digital. proses ini bertujuan untuk menetukan data yang diperlukan metodeperekaman citra digital. proses pertama pada objek yang akan diamil gambarnya, persiapan alat-alat, citranya.

9 2. Preprocessing Preprocessing membutuhkan tahap untuk menjamin kelancaran pada proses berikutnya, antara lain : a. Peningkatan kualitas citra (kontras, kecerahan, dll). b. Menghapus citra. c. Pembaruan citra. d. Transformasi citra. 3. Segmentasi Proses segmentasi memiliki tujuan mempartisi citra menjadi bagian pokok yang berisi informasi penting, seperti pemisahan objek latar belakang. 4. Representasi deskrpsi Representasi merupakan proses representasi wilayah sebagai daftar titik koordinat pada kurva tertutup, dengan deskripsi luasan parameternya. Seleksi ciri bertujuan untuk memilih informasi kognitif ciri yang ada membedakan kelas objek dengan baik. 5. Pengenalan Interpretasi Proses identifikasi bertujuan memberi label pada sebuah objek yang informasinya disiapkan descriptor, berbeda dengan proses interpretasi yang bertujuan memberi arti makna pada kelompok objek yang di kenali. 6. Basis Pengetahuan Basis pengetahuan memiliki tujuan memadu operasi masing-masing proses mengontrol interaksi antar modul tersebut.

10 2.2.3 Citra Digital Citra digital merupakan suatu citra yang dapat diolah dapat disimpan di dalam komputer. Sebuah citra dapat disimpan di dalam memori komputer setelah citra tersebut diubah menjadi citra digital. Membentuk citra menjadi digital dapat dilakukan dengan beberapa perangkat, seperti kamera, scanner, handycam. Citra yang disimpan pada komputer mempunyai angka-angka yang menunjukkan intensitas pada masing-masing piksel. Dengan angka-angka dari citra tersebut, komputer dapat mengolah suatu citra digital. Setiap warna citra pada masing-masing piksel memiliki warna tertentu. 162 124 148 118 99 93 121 59 106 147 109 134 103 84 79 106 44 91 Gambar 2.1 Citra RGB 88 50 97 44 25 42 77 15 84 Sebuah warna dalam suatu citra merupakan gabungan dari tiga warna yaitu merah (red), hijau (green) biru (blue). Model RGB terdiri dari tiga kombinasi warna yaitu merah (red), hijau (green), biru (blue) warna ini disebut juga tiga dasar warna. Sejumlah macam warna dapat diatur dengan kombinasi dari tiga jalur nilai-nilai kecerahan[8].

11 2.2.4 Ruang Warna HSV HSV kepanjangan dari Hue, Saturation, value. HSV memiliki karakteristik pokok hue, saturation, value dimana hue menunjukkan warna sebenarnya, sperti merah, violet kuning, saturation disebut juga kemurnian atau kekuatan warna segkan value adalah kecerahan warna. Dalam model HSV dapat ditunjukkan oleh hexacone piramida terbalik. Gambar 2.2 Piramida terbalik HSV Karakteristik model ruang warna dari HSV adalah tiga unsur yang bersifat independen. Dalam piramida terbalik HSV menjelaskan bahwa Hue digambarkan seperti lingkaran roda, arah horisontal mengindikasikan saturation arah vertikal mewakili value[9]. Selain itu HSV dapat digunakan untuk mengklasifikasi macam-macam warna dasar, dimana warna dasar digunakan pada penelitian sebagai warna identifikasi jambu. Ruang warna HSV memiliki keunggulan, yaitu mampu menoleransi terhadap perubahan intensitas cahaya apabila dibandingkan dengan ruang warna lainnya [10]. 2.2.5 K-Nearest Neighbor K-Nearest Neighbor merupakan metode klasifikasi terhadap sekumpulan data yang sudah terklasifikasi sebelumnya yang bertujuan mengklasifikasi objek baru menurut atribut uji sample. Uji sample diproyeksikan pada ruang berdimensi banyak, masing-masing dimensi merepresentasikan fitur dari data. Prinsip kerja K-Nearest Neighbor (K-NN) adalah proses mencari tetangga paling dekat terhadap sampel data yang diuji. Jika tetangga terdekatnya masuk pada

12 kategori A, maka sample dapat disebut kelas A. Jarak tetangga biasanya dihitung berdasarkan jarak Euclidean dengan rumus sebagai berikut : d i = (1) Definisi: d i = jarak Euclidean, x1 = sampel data, x2 = data uji, i = variabel data, dist = jarak, p = dimensi data. Pada tahap pengkajian, algoritma ini menyimpan vektor-vektor fitur pada data pembelajaran. Pada klasifikasi fitur yang sama dihitung untuk data set. Jarak seluruh vektor data pembelajaran yang baru dihitung, jumlah k buah paling dekat diambil. Nilai k yang baik untuk K-NN bergantung pada data, dengan nilai k yang tinggi dapat mengurangi efek noise pada klasifikasi. Untuk menentukan nilai k yang baik dapat menggunakan optimasi parameter seperti cross-validation.[11]. Keunggulan dari K-Nearest Neighbor dibandingkan dengan metode klasifikasi lain adalah tangguh terhadap data yang terdapat noise efektif apabila jumlah data besar[10]. 2.2.6 Confusion Matrix Confusion matrix merupakan metode yang dapat digunakan untuk melakukan perhitungan akurasi pada konsep data mining. Evaluasi menggunakan confusion matrix menghasilkan angka accuracy, precision, recall. Confusion matrix mendapatkan hasil yang didapatkan dalam data training testing serta penilaian perfomance klasifikasi berlandaskan entitas benar atau salah. Berikut contoh persamaan model confusion matrix untuk menghitung akurasi[12]. Tabel 2.2 Persamaaan model confusion matrix Nilai sebenarnya Benar Salah Nilai Benar BP (Benar Positif) SN (Salah Negatif) Prediksi Salah SP (Salah Positif) BN (Benar Negatif)

13 Keterangan : Benar Positif : jumlah record positif yang diklasifikasi sebagai positif. Salah Positif : jumlah record negatif yang diklasifikasi sebagai negatif. Salah Negatif : jumlah record positif yang diklasifikasi sebagai negatif. Benar Negatif : jumlah record negatif yang diklasifikasi sebagai negatif. Setelah mendapatkan hasil klasifikasi, kemudian menghitung nilai accuracy dengan confusion matrix. Berikut rumus perhitungan nilai accuracy. Accuracy = (2) Keterangan : BP = jumlah Benar Positif. BN = jumlah Benar Negatif. SN = jumlah Salah Negatif. SP = jumlah Benar Positif. Nilai accuracy merupakan presentase dari hasil record data yang diklasifikasi oleh algoritma dapat membuat klasifikasi setelah dilakukan pengujian pada hasil klasifikasi tersebut. [13]. 2.2.7 Matlab Matlab merupakan suatu program untuk menganalisa mengolah data numerik pada sebuah komputer. Matlab juga dapat diartikan suatu bahasa pemrograman matematika lanjut, yang dibentuk dengan dasar pemikiran yang menggunakan sifat bentuk matriks[14].

14 2.3 Kerangka Pemikiran Problem Mengklasifikasi tingkat kematangan jambu biji merah berdasarkan fitur warna Technical Problem algoritma K-Nearest Neighbor dapat mengklasifikasi kualitas jambu biji berdasarkan fitur warna Tujuan Dapat menerapkan teknik klasifikasi dengan metode K-Nearest Neighbor dalam mengukur tingkat kematangan jambu biji merah.mengetahui tingkat akurasi metode K-Nearest Neighbor dalam mengukur tingkat kematangan jambu biji merah. Eksperimen Data Metode Tools Citra jambu Citra RGB di konversi ke HSV Rata-rata citra HSV K-Nearest Neighbor Matlab r2010a Hasil Mengetahui keakuratan algoritma K-Nearest Neighbor dalam mengklasifikasi tingkat kematangan buah jambu biji berdasarkan fitur warna. Manfaat Dari hasil klasifikasi tingkat kematangan buah jambu, dapat menambah wawasan masyarakat agar dapat memilih jambu biji mengurangi angka kecurangan penjualan jambu biji. Gambar 2.3 Kerangka pemikiran