7403040015 identifikasi buah

PROYEK AKHIR

IMAGE CLUSTERING BERDASARKAN WARNA UNTUK IDENTIFIKASI BUAH DENGAN METODE VALLEY TRACING

HELMY HASNIAWATI NRP. 7403 040 015

Dosen Pembimbing :

Ali Ridho Barakbah, S.Kom NIP. 132 297 799

Nana Ramadijanti, S.Kom, M.Kom

NIP. 132 206 161

JURUSAN TEKNOLOGI INFORMASI POLITEKNIK ELEKTRONIKA NEGERI SURABAYA

SURABAYA 2007

PROYEK AKHIR

IMAGE CLUSTERING BERDASARKAN WARNA

UNTUK IDENTIFIKASI BUAH DENGAN METODE

VALLEY TRACING

HELMY HASNIAWATI

NRP. 7403 040 015

Dosen Pembimbing : Ali Ridho Barakbah, S.Kom

NIP. 132 297 799

Nana Ramadijanti, S.Kom, M.Kom NIP. 132 206 161

JURUSAN TEKNOLOGI INFORMASI POLITEKNIK ELEKTRONIKA NEGERI SURABAYA

SURABAYA 2007

ABSTRAK

Proyek akhir ini bertujuan untuk membangun program aplikasi yang dapat mengenali buah-buahan. Ciri yang digunakan dalam identifikasi buah adalah ciri warna (fitur R, G, dan B). Selanjutnya dilakukan clustering dengan metode Single Linkage Hierarchical Method (SLHM) terhadap ciri warna yang diperoleh. Dalam clustering, umumnya harus dilakukan inisialisasi jumlah cluster yang diinginkan terlebih dahulu, padahal pada beberapa kasus clustering, user bahkan tidak tahu berapa banyak cluster yang bisa dibangun. Untuk itu, dalam proyek akhir ini diaplikasikan metode Valley Tracing. Metode ini merupakan constraint yang akan melakukan identifikasi terhadap pergerakan variance dari tiap tahap pembentukan cluster, dan menganalisa polanya untuk membentuk suatu cluster secara otomatis (automatic clustering). Jumlah cluster yang diperoleh menunjukkan jumlah buah yang diidentifikasi, kemudian nama buah masig-masing diperoleh dengan membandingkan nilai centroid tiap cluster dengan nilai centroid data training yang sebelumnya telah disimpan dalam database dan mempunyai label nama buah.

Image Clustering dengan metode valley tracing dalam membentuk cluster secara otomatis mempunyai keakuratan sebesar 55 %. Sedangkan hasil identifikasinya mempunyai keakuratan mencapai 74,1 %.

Kata kunci : Pengenalan buah, SLHM, Image Clustering, Clustering Otomatis, Valley Tracing.

iii

ABSTRACT

This final project was made to build an application program which has a capability to identify a group of fruit. The basic characteristic to be processed , was colour feature (R, G, and B). Then those feature was clustered or grouped using hierarchical clustering called Single Linkage Hierarchical Method (SLHM). In clustering, commonly we have to initialize how many cluster that we want to build first. Meanwhile, in some clustering cases the users has not any idea to determine the number of clusters. Hence, in this final project we proposed a new approach called Valley Tracing to overcame that problem. This metode act as constraint which is identify the moving variance from each stage of cluster construction and analyze the pattern to perform an automatic clustering. Number of cluster represents number of identified fruits, and the fruit’s name obtained by comparing between centroid value of each cluster and centroid value of training set which was stored in database and labeled by fruit’s name.

The accuracy of appliying valley tracing method in image clustering to build a cluster automatically was 55 %. Meanwhile, the accuracy of its identification computed 74,1%.

Keyword : Fruit Identification , SLHM, Image Clustering, Automatic Clustering, Valley Tracing.

iv

KATA PENGANTAR Assalamu’alaikum Wr. Wb.

Alhamdulillah, segala puji syukur kehadirat Illahi Robbi Allah SWT yang telah melimpahkan rahmat, hidayah serta karunia-Nya yang tiada henti. Tiada lupa Shalawat dan salam semoga senantiasa tercurahkan kepada Rasulullah Muhammad SAW beserta keluarga, para sahabat serta seluruh pengikutnya sehingga penulis dapat menyelesaikan buku laporan Tugas Akhir ini dengan judul :

IMAGE CLUSTERING BERDASARKAN WARNA UNTUK IDENTIFIKASI BUAH DENGAN METODE VALLEY

TRACING

Tugas akhir ini disusun untuk melengkapi persyaratan akademik dalam penyelesaian program pendidikan Diploma IV Jurusan Teknologi Informasi di Politeknik Elektronika Negeri Surabaya ITS. Dengan selesainya buku laporan proyek akhir ini, penulis berharap semoga buku ini dapat membawa manfaat pembaca umumnya dan juga bagi penulis pada khususnya serta semua pihak yang berkepentingan. Penulis juga berharap agar proyek akhir ini dapat dikembangkan lebih lanjut sehingga dapat benar-benar digunakan sebaik-baiknya untuk mendukung perkembangan ilmu pengetahuan.

Penulis menyadari bahwa penulis adalah manusia biasa yang tidak luput dari kesalahan dan kekurangan. Untuk itu, kritikan dan saran yang bersifat membangun kami harapkan untuk perbaikan selanjutnya. Wassalamu’alaikum Wr. Wb. Surabaya, Juli 2007 Penulis

v

UCAPAN TERIMA KASIH

Melalui kesempatan ini, penulis ingin menyampaikan ungkapan

rasa terima kasih dari dalam hati atas terselesainya tugas akhir ini. Khususnya rasa syukur kepada Allah SWT yang telah banyak memberikan kekuatan dan rahmad-Nya kepada penulis. Juga tak lupa penulis ucapkan terima kasih kepada : 1. Aba dan ibu, adikku dan keluarga besar bani yusuf yang telah

memberikan dukungan doa, motivasi, materiil, kasih sayang dan segala-galanya yang tidak akan pernah bisa terukur nilainya.

2. Bapak Dr. Ir. Titon Dutono, M.Eng selaku Direktur Politeknik Elektronika Negeri Surabaya.

3. Bapak Iwan Syarief, M.Kom selaku Ketua Jurusan Teknik Informatika.

4. Bapak Ali Ridho Barakbah, S.Kom dan ibu Nana Ramadijanti, S.Kom, M. Kom selaku dosen pembimbing yang telah dengan sabar dan arif memberikan ilmu, pengarahan, bimbingan, dan masukan-masukan kepada penulis selama mengerjakan Tugas Akhir ini.

5. Para dosen penguji proyek akhir yang turut menyempurnakan tugas proyek akhir ini.

6. Mas Perumdos M2 for supporting me no matter what, yang selalu ngingetin dan marahin aku, serta semua doa, bantuan dan pengertiannya, viel dank, sehr verliebt für immer und ewig.

7. Seluruh Bapak Ibu dosen PENS-ITS yang telah membagikan ilmunya, mohon maaf penulis tidak dapat menyebutkan satu-persatu.

8. Komunitas D4-IT 2003 (Cangkrukan Community), ical, yeye, isna, nia, c.phan, andri, sixta, c.wan, c.rud, ary, jonathan, coy, noor, desi, uul, danang, vie, wuwu, fian, khakha, ukin, bagus, ruby, we are so a happy family even more, zu vergessen nicht. Luv u all

9. TMB 95 Community, yanti, pasth, cebee, oks + ryo, novi, bwat keceriaan, kegilaan, tangis, dan tawa. Suwun bantuane.

10. Revi, Wulan, especially for sending a time to help me, viel dank. 11. De Ayhiel material ’05, da direpotin mulu ma mbaknya, viel dank 12. Semua pihak yang telah membantu dalam penyelesaian tugas akhir

ini yang tidak dapat penulis sebutkan satu-persatu.

vi

DAFTAR ISI

HALAMAN JUDUL........................................................................ i LEMBAR PENGESAHAN ...................................... ...................... ii ABSTRAK.................................................................. . .................... iii ABSTRACT................................................................ ..................... iv KATA PENGANTAR ..................................................................... v UCAPAN TERIMA KASIH........................................................... vi DAFTAR ISI.................................................................................... vii DAFTAR GAMBAR ....................................................................... ix DAFTAR TABEL............................................................................ xi BAB I PENDAHULUAN 1.1 Latar Belakang ................................................................. 1 1.2 Tujuan ............................................................................. 1 1.3 Rumusan Masalah ........................................................... 2 1.4 Batasan Masalah....................................................... ....... 2

1.5 Sistematika Penulisan...................................................... 2 BAB II DASAR TEORI

2.1 Pengertian Clustering ....................................................... 5 2.2 Karakteristik Clustering.................................................... 6

2.3 Algoritma Clustering ........................................................ 6 2.4 Analisa Cluster ................................................................. 12

2.5 Identifikasi Pola Pergerakan Varian ................................. 13 2.6 Konsep Warna .................................................................. 16

BAB III PERANCANGAN SISTEM 3.1 Blok Diagram Sistem ....................................................... 17

3.2 Pengambilan Gambar ........................................................ 18 3.2.1 Capture....................................................................... 18 3.2.2 Perencanaan Data ...................................................... 19

3.3 Ekstraksi Warna.......... ....................................................... 20 3.4 Proses Learning ................................................................ 21 3.5 Proses Identifikasi ............................................................ 23

BAB IV ANALISA HASIL SISTEM 4.1 Spesifikasi Training........................................................... 27 4.1.1 Pengambilan Grand Centroid Jeruk........................... 27 4.1.2 Pengambilan Grand Centroid Apel........................... 27

vii

4.1.3 Pengambilan Grand Centroid Pear............................. 28 4.1.4 Pengambilan Grand Centroid Anggur........................ 29 4.1.5 Pengambilan Grand Centroid mangga....................... 29

4.2 Analisa Keseluruhan Data Training.................................... 30 4.3 Pengujian Sistem Identifikasi Buah.................................... 30

BAB V PENUTUP 5.1 Kesimpulan ...................................................................... . 59 5.2 Saran-saran....................................................................... . 60

DAFTAR PUSTAKA ..................................................................... . 61 PROFIL PENULIS......................................................................... . 63

viii

DAFTAR GAMBAR Gambar 2.1 Ilustrasi Clustering.................................................... 5 Gambar 2.2 Ilustrasi Algoritma K-means .................................... 7 Gambar 2.3 Ilustrasi kelemahan K-means.................................... 7 Gambar 2.4 Ilustrasi Algoritma Hierarchical Clustering.............. 8 Gambar 2.5 Ilustrasi Single Linkage............................................ 9 Gambar 2.6 Ilustrasi Centroid Linkage ........................................ 10 Gambar 2.7 Ilustrasi Complete Linkage....................................... 11 Gambar 2.8 Ilustrasi Average Linkage......................................... 11 Gambar 2.9 Pergerakan Variance pada tiap Tahap pembentukan cluster................................................. 13 Gambar 2.10 Pola nilai beda Hill-climbing .................................... 14 Gambar 2.11 Pola nilai beda Valley-tracing .................................. 14 Gambar 2.12 Konsep Warna .......................................................... 16 Gambar 3.1 Blok diagram sistem................................................. 17 Gambar 3.2 Gambar apel ukuran 32x32....................................... 19 Gambar 3.3 Gambar jeruk ukuran 32x32 ..................................... 19 Gambar 3.4 Gambar pear ukuran 32x32 ...................................... 19 Gambar 3.5 Gambar anggur ukuran 32x32 .................................. 19 Gambar 3.6 Gambar mangga ukuran 32x32................................. 20 Gambar 3.7 Gambar input ukuran 32x32 .................................... 20 Gambar 3.8 Ekstraksi Warna........................................................ 20 Gambar 3.9 Blok Diagram Proses Learning................................. 21 Gambar 3.10 Blok Diagram Proses Identifikasi............................. 24 Gambar 3.11 GUI Proses Training Data Identifikasi ..................... 25 Gambar 4.1 Pengambilan Grand Centroid Jeruk.......................... 27 Gambar 4.2 Pengambilan Grand Centroid Apel........................... 28 Gambar 4.3 Pengambilan Grand Centroid Pear ........................... 28 Gambar 4.4 Pengambilan Grand Centroid Anggur ...................... 29 Gambar 4.5 Pengambilan Grand Centroid Mangga ..................... 29 Gambar 4.6 Pengujian terhadap gambar 1 ................................... 31 Gambar 4.7 Grafik Nilai Beda Tinggi gambar 1 .......................... 31 Gambar 4.8 Pengujian terhadap gambar 2 ................................... 32 Gambar 4.9 Grafik Nilai Beda Tinggi gambar 2 .......................... 33 Gambar 4.10 Pengujian terhadap gambar 3 ................................... 34 Gambar 4.11 Grafik Nilai Beda Tinggi gambar 3 .......................... 34 Gambar 4.12 Pengujian terhadap gambar 4 ................................... 35 Gambar 4.13 Grafik Nilai Beda Tinggi gambar 4. ......................... 36 Gambar 4.14 Pengujian terhadap gambar 5 .................................. 37

ix

Gambar 4.15 Grafik Nilai Beda Tinggi gambar 5 ....................... 37 Gambar 4.16 Pengujian terhadap gambar 6................................. 38 Gambar 4.17 Grafik Nilai Beda Tinggi gambar 6 ....................... 39 Gambar 4.18 Pengujian terhadap gambar 7................................. 40 Gambar 4.19 Grafik Nilai Beda Tinggi gambar 7 ....................... 40 Gambar 4.20 Pengujian terhadap gambar 8................................. 41 Gambar 4.21 Grafik Nilai Beda Tinggi gambar 8. ...................... 42 Gambar 4.22 Pengujian terhadap gambar 9................................. 43 Gambar 4.23 Grafik Nilai Beda Tinggi gambar 9 ....................... 43 Gambar 4.24 Pengujian terhadap gambar 10............................... 45 Gambar 4.25 Grafik Nilai Beda Tinggi gambar 10 ..................... 45 Gambar 4.26 Pengujian terhadap gambar 11............................... 46 Gambar 4.27 Grafik Nilai Beda Tinggi gambar 11 ..................... 47 Gambar 4.28 Pengujian terhadap gambar 12............................... 48 Gambar 4.29 Grafik Nilai Beda Tinggi gambar 12 ..................... 48 Gambar 4.30 Pengujian terhadap gambar 13............................... 49 Gambar 4.31 Grafik Nilai Beda Tinggi gambar 13. .................... 49 Gambar 4.32 Pengujian terhadap gambar 14............................... 50 Gambar 4.33 Grafik Nilai Beda Tinggi gambar 14 ..................... 50 Gambar 4.34 Pengujian terhadap gambar 15............................... 51 Gambar 4.35 Grafik Nilai Beda Tinggi gambar 15 ..................... 51 Gambar 4.36 Pengujian terhadap gambar 16............................... 52 Gambar 4.37 Grafik Nilai Beda Tinggi gambar 16 ..................... 52 Gambar 4.38 Pengujian terhadap gambar 17............................... 53 Gambar 4.39 Grafik Nilai Beda Tinggi gambar 17 ..................... 53 Gambar 4.40 Pengujian terhadap gambar 18............................... 54 Gambar 4.41 Grafik Nilai Beda Tinggi gambar 18. .................... 54 Gambar 4.42 Pengujian terhadap gambar 19............................... 55 Gambar 4.43 Grafik Nilai Beda Tinggi gambar 19 ..................... 55 Gambar 4.44 Pengujian terhadap gambar 20............................... 56 Gambar 4.45 Grafik Nilai Beda Tinggi gambar 20 ..................... 56

x

DAFTAR TABEL Tabel 2.1 Kemungkinan pola Valley-tracing mencapai global optimum .............................................. 15 Tabel 3.1 Grand Centroid............................................................... 23 Tabel 4.1 Grand Centroid Masing-masing Buah............................ 30 Tabel 4.2 Nilai centroid hasil clustering gambar input 1 ............... 32 Tabel 4.3 Nilai centroid hasil clustering gambar input 2 ............... 33 Tabel 4.4 Nilai centroid hasil clustering gambar input 3 ............... 35 Tabel 4.5 Nilai centroid hasil clustering gambar input 4 ............... 36 Tabel 4.6 Nilai centroid hasil clustering gambar input 5 ............... 38 Tabel 4.7 Nilai centroid hasil clustering gambar input 6 ............... 39 Tabel 4.8 Nilai centroid hasil clustering gambar input 7 ............... 41 Tabel 4.9 Nilai centroid hasil clustering gambar input 8 ............... 42 Tabel 4.10 Nilai centroid hasil clustering gambar input 9 ............... 44 Tabel 4.11 Nilai centroid hasil clustering gambar input 10 ............. 46 Tabel 4.12 Nilai centroid hasil clustering gambar input 11 ............. 47 Tabel 4.13 Akurasi Identifikasi Terhadap 20 Percobaan ................. 57

xi

xii

BAB I PENDAHULUAN

1.1 LATAR BELAKANG

Dewasa ini perkembangan teknologi informasi berkembang sangat pesat. Hal ini diikuti pula dengan banyaknya penelitian-penelitian baru dalam bidang tersebut, diantaranya adalah yang berkaitan dengan object recognition (pengenalan objek). Aplikasi object recognition yang telah ada salah satunya adalah proses identifikasi / pengenalan buah berdasarkan ciri warna. Pada pengenalan buah berdasarkan ciri warna sebelumnya, sistem hanya mampu mengidentifikasi objek buah tunggal [1]. Sistem yang dibangun belum mampu mengenali objek berupa sekumpulan buah. Sehingga dibutuhkan suatu solusi untuk permasalahan tersebut.

Dalam proyek akhir ini akan dibangun aplikasi image clustering untuk mengidentifikasi buah berdasarkan warna. Dalam clustering, umumnya harus dilakukan inisialisasi jumlah cluster yang diinginkan terlebih dahulu, padahal pada beberapa kasus clustering, user bahkan tidak tahu berapa banyak cluster yang bisa dibangun. Untuk itu, dalam proyek akhir ini diaplikasikan metode Valley Tracing yang mampu menyelesaikan masalah tersebut. Metode ini bisa melakukan clustering secara otomatis (Automatic Clustering) terhadap fitur warna berupa R,G,B dari buah dengan memanfaatkan Single Linkage Hierarchical Method (SLHM), yaitu mendeteksi pergerakan varian pada tiap tahap pembentukan clusternya untuk menemukan global optimum sehingga bisa dibangun cluster secara otomatis (automatic Clustering) [2]. Nilai centroid masing-masing hasil clustering selanjutnya akan digunakan untuk mengidentifikasi jenis buah.

1.2 TUJUAN

Tujuan dari pembuatan proyek akhir ini adalah untuk merancang dan membangun suatu aplikasi yang mampu mengenali atau mengidentifikasi sekumpulan buah berdasarkan ciri warna. Serta mampu menyumbangkan suatu metode baru dalam bidang object recognition dengan memanfaatkan proses clustering.

1

2

1.3 RUMUSAN MASALAH

Permasalahan utama pada proyek akhir bagaimana membangun sistem identifikasi buah, dari permasalahan ini akan dibahas 3 permasalahan yang penting yaitu : - Bagaimana mengidentifikasi berapa jenis buah dalam gambar input. - Bagaimana mengidentifikasi jenis buah apa saja yang ada pada

gambar input. - Bagaimana menerapkan metode Valley Tracing untuk membangun

cluster secara otomatis (Automatic Clustering).

1.4 BATASAN MASALAH

Batasan pada proyek akhir ini adalah sebagai berikut : - Objek yang digunakan adalah buah. Buah yang digunakan sebagai

objek adalah buah dengan warna-warna dominan, dan jenisnya adalah : apel Washington, jeruk mandarin, mangga gadung, Pear, dan Anggur.

- Obyek yang digunakan sudah tersimpan dalam format JPG, dengan ukuran 32x32.

- Proses pembelajaran (learning process) menggunakan algoritma K-means dengan inisialisasi jumlah cluster adalah 3.

- Software dirancang menggunakan java. - Ciri yang dipakai adalah ciri warna dengan fitur R,G, dan B. - Warna dasar tempat meletakkan objek tetap (background putih). - Clustering menggunakan Single Linkage Hierarchichal Method

(SLHM) . 1.5 SISTEMATIKA PENULISAN

Sistematika pembahasan dari proyek ini adalah sebagai berikut : BAB 1: PENDAHULUAN

Dalam bab ini dijelaskan tentang latar belakang, tujuan, rumusan masalah, batasan masalah, metodologi dan sistematika penulisan.

3

BAB 2: TEORI PENUNJANG

Dalam bab ini dijelaskan tentang landasan teori yang digunakan sebagai penunjang dalam pembuatan proyek akhir ini.

BAB 3: PERANCANGAN SISTEM

Membahas secara detail dari perencanaan dan pembuatan sistem proyek akhir. Diantaranya adalah perencanaan GUI, pengaplikasian clustering dengan SLHM, dll.

BAB 4: ANALISA HASIL SISTEM

Membahas tentang pengujian dari sistem yang telah dibuat beserta analisanya. Pengujian dilakukan dengan akurasi jumlah pembentukan cluster secara otomatis dan identifikasi jenis buah dengan euqlidean distance.

BAB 5: PENUTUP

Bab ini berisi tentang kesimpulan dari keseluruhan pengerjaan proyek akhir dan saran-saran untuk memperbaiki kelemahan sistem yang telah dibuat demi pengembangan dan penyempurnaan di waktu mendatang.

4

********** Halaman ini sengaja dikosongkan**********

BAB II DASAR TEORI

2.1 PENGERTIAN CLUSTERING Clustering adalah suatu cara menganalisa data dengan cara mengelompokkan objek kedalam kelompok-kelompok berdasar suatu kesamaan tertentu [1]. Bisa juga diartikan sebagai proses untuk mendefinisikan pemetaan/mapping f:D C dari beberapa data D={t1, t2,

…… tn} kedalam beberapa cluster C={ c1, c2,…., cn} berdasarkan kesamaan antar ti [2]. Sebuah cluster adalah sekumpulan obyek yang digabung bersama karena persamaan atau kedekatannya [3]. Sedangkan Image clustering ( pengelompokkan gambar ) adalah proses untuk membagi atau mengelompokkan suatu image ke dalam beberapa bagian yang berbeda, dimana pada tiap bagian yang berbeda tersebut anggotanya mempunyai kesamaan khusus (homogen) [4]. Clustering biasa digunakan pada banyak bidang, seperti : data mining, pattern recognition (pengenalan pola), image classification (pengklasifikasian gambar), ilmu biologi, pemasaran, perencanaan kota, pencarian dokumen, dan lain sebagainya.

Clustering berdasar bentuk

Clustering berdasar warna

Gambar 2.1 Ilustrasi clustering

5

6

2.2 KARAKTERISTIK CLUSTERING

Karakteristik clustering dibagi menjadi 4, yaitu : 1. Partitioning clustering

Partitioning clustering disebut juga exclusive clustering, dimana setiap data harus termasuk ke cluster tertentu. Karakteristik tipe ini juga memungkinkan bagi setiap data yang termasuk cluster tertentu pada suatu tahapan proses, pada tahapan berikutnya berpindah ke cluster yang lain. Contoh : K-Means, residual analysis.

2. Hierarchical clustering Pada hierarchical clustering, Setiap data harus termasuk ke cluster tertentu. Dan suatu data yang termasuk ke cluster tertentu pada suatu tahapan proses, tidak dapat berpindah ke cluster lain pada tahapan berikutnya. Contoh: Single Linkage, Centroid Linkage,Complete Linkage, Average Linkage.

3. Overlapping clustering Dalam overlapping clustering, setiap data memungkinkan termasuk ke beberapa cluster. Data mempunyai nilai keanggotaan (membership) pada beberapa cluster. Contoh: Fuzzy C-means, Gaussian Mixture.

4. Hybrid Karakteristik hybrid adalah Mengawinkan karakteristik dari partitioning, overlapping dan hierarchical.

2.3 ALGORITMA CLUSTERING

Ada beberapa algoritma yang sering digunakan dalam clustering, yaitu : 1. K-Means

Termasuk partitioning clustering yang memisahkan data ke k daerah bagian yang terpisah. K-means algorithm sangat terkenal karena kemudahan dan kemampuannya untuk mengklaster data besar dan data outlier dengan sangat cepat. Sesuai dengan karakteristik partitioning clustering, Setiap data harus termasuk ke cluster tertentu, dan Memungkinkan bagi setiap data yang termasuk cluster tertentu pada suatu tahapan proses, pada tahapan berikutnya berpindah ke cluster yang lain. Algoritma K-Means : 1. Menentukan k sebagai jumlah cluster yang ingin dibentuk

7

2. Membangkitkan k centroids (titik pusat cluster) awal secara random

3. Menghitung jarak setiap data ke masing-masing centroids 4. Setiap data memilih centroids yang terdekat 5. Menentukan posisi centroids baru dengan cara menghitung nilai

rata-rata dari data-data yang memilih pada centroid yang sama. 6. Kembali ke langkah 3 jika posisi centroids baru dengan centroids

lama tidak sama.

Gambar 2.2 Ilustrasi Algoritma K-means

Karakteristik K-Means : • K-means sangat cepat dalam proses clustering • K-means sangat sensitif pada pembangkitan centroids awal

secara random • Memungkinkan suatu cluster tidak mempunyai anggota • Hasil clustering dengan K-means bersifat tidak unik ( selalu berubah-ubah) - terkadang baik, terkadang jelek. • K-means sangat sulit untuk mencapai global optimum

Gambar 2.3 Ilustrasi kelemahan K-means

8

2. Hierarchical Clustering

Dengan metode ini, data tidak langsung dikelompokkan kedalam beberapa cluster dalam 1 tahap, tetapi dimulai dari 1 cluster yang mempunyai kesamaan, dan berjalan seterusnya selama beberapa iterasi, hingga terbentuk beberapa cluster tertentu [2]. Arah hierarchical clustering dibagi 2, yaitu : a) Divisive

- Dari 1 cluster ke k cluster - Pembagian dari atas ke bawah (top to down division)

b) Agglomerative - Dari N cluster ke k cluster - Penggabungan dari bawah ke atas (down to top merge).

Algoritma Hierarchical clustering : 1. Menentukan k sebagai jumlah cluster yang ingin dibentuk 2. Setiap data dianggap sebagai cluster. Kalau N = jumlah data dan

c=jumlah cluster, berarti ada c=N. 3. Menghitung jarak antar cluster 4. Cari 2 cluster yang mempunyai jarak antar cluster yang paling

minimal dan gabungkan (berarti c=c-1). 5. Jika c>k, kembali ke langkah 3.

1 2

4 5 4 5

1 52 3 4 1 5 2 3 4 1 52 3 4

3

21

3

54

3

21

Gambar 2.4 Ilustrasi Algoritma Hierarchical Clustering

Penghitungan jarak antar obyek, maupun antar clusternya dilakukan dengan Euclidian distance, khususnya untuk data numerik [2]. Untuk data 2 dimensi, digunakan persamaan sebagai berikut :

9

d (x,y) = ∑=

−n

iii yx

1

2 (2.1)

Algoritma hierarchical clustering banyak diaplikasikan pada metode peng-clusteran berikut : 1. Single Linkage Hierarchical Method (SLHM)

Single Linkage adalah proses pengclusteran yang didasarkan pada jarak terdekat antar obyeknya ( minimum distance) [5].

Metode SLHM sangat bagus untuk melakukan analisa pada tiap tahap pembentukan cluster. Metode ini juga sangat cocok untuk dipakai pada kasus shape independent clustering, karena kemampuannya untuk membentuk pattern/pola tertentu dari cluster. Sedangkan untuk kasus condensed clustering, metode ini tidak bagus.

Algoritma Single Linkage Hierarchical Method : 1. Diasumsikan setiap data dianggap sebagai cluster. Kalau

n=jumlah data dan c=jumlah cluster, berarti ada c=n. 2. Menghitung jarak antar cluster dengan Euclidian distance. 3. Mencari 2 cluster yang mempunyai jarak antar cluster yang

paling minimal dan digabungkan (merge) kedalam cluster baru (sehingga c=c-1)

4. Kembali ke langkah 3, dan diulangi sampai dicapai cluster yang diinginkan.

7

Cluster 1

Cluster 26

5 5

44

33

2211

6

5

Jarak cluster 1 ke cluster 2

= Jarak data 3 ke

data 4

4

3

2

1

1 2 3 4 5 6 7

Gambar 2.5 Ilustrasi Single Linkage

10

2. Centroid Linkage Hierarchical Method Centroid Linkage adalah proses pengclusteran yang didasarkan pada jarak antar centroidnya [6]. Metode ini bagus untuk memperkecil variance within cluster karena melibatkan centroid pada saat penggabungan antar cluster. Metode ini juga baik untuk data yang mengandung outlier. Algoritma Centroid Linkage Hierarchical Method : 1. Diasumsikan setiap data dianggap sebagai cluster. Kalau

n=jumlah data dan c=jumlah cluster, berarti ada c=n. 2. Menghitung jarak antar cluster dengan Euclidian distance. 3. Mencari 2 cluster yang mempunyai jarak centroid antar cluster

yang paling minimal dan digabungkan (merge) kedalam cluster baru (sehingga c=c-1)


7

1 2

3

4

5

Cluster 1

Cluster 2

3

4

5

21

66 Jarak cluster 1 ke cluster 2

= Jarak centroid

cluster 1 ke centroid cluster 2

5

4 3 2 1 1 2 3 4 5 6 7 Gambar 2.6 Ilustrasi Centroid Linkage 3. Complete Linkage Hierarchical Method

Complete Linkage adalah proses pengclusteran yang didasarkan pada jarak terjauh antar obyeknya ( maksimum distance) [6]. Metode ini baik untuk kasus clustering dengan normal data set distribution. Akan tetapi, metode ini tidak cocok untuk data yang mengandung outlier. Algoritma Complete Linkage Hierarchical Method : 1. Diasumsikan setiap data dianggap sebagai cluster. Kalau

n=jumlah data dan c=jumlah cluster, berarti ada c=n. 2. Menghitung jarak antar cluster dengan Euclidian distance.

11

3. Mencari 2 cluster yang mempunyai jarak antar cluster yang paling maksimal / terjauh dan digabungkan (merge) kedalam cluster baru (sehingga c=c-1)


7 Cluster 2

4. Average Linkage Hierarchical Method Average Linkage adalah proses pengclustpada jarak rata-rata antar obyeknya ( aveMetode ini relatif yang terbaik dari metodeNamun, ini harus dibayar dengan waktu kotinggi dibandingkan dengan metode-metode h

Cluster 1

5

6a5

44

33

2211

6

5

4

3

2

1

1 2 3 4 5 6 7

Gambar 2.7 Ilustrasi Complete Link

7

Cluster 1

Cluster 2

5

6a5

44

33

2211

Ja

∑

6

5

4

3

2

1

1 2 3 4 5 6 7

Gambar 2.8 Ilustrasi Average Link

Jarak cluster 1 ke cluster 2

= Jarak data 1 ke

data 6

eran yang didasarkan rage distance) [6]. -metode hierarchical. mputasi yang paling ierarchical yang lain.

age

rak cluster 1 ke cluster 2

= Jarak antar data

nxm

Dimana :n=jumlah data cluster 1 m=jumlah data cluster 2

age

12

2.4 ANALISA CLUSTER

Analisa cluster adalah suatu teknik analisa multivariate (banyak variabel) untuk mencari dan mengorganisir informasi tentang variabel tersebut sehingga secara relatif dapat dikelompokkan dalam bentuk yang homogen dalam sebuah cluster [3]. Secara umum, bisa dikatakan sebagai proses menganalisa baik tidaknya suatu proses pembentukan cluster. Analisa cluster bisa diperoleh dari kepadatan cluster yang dibentuk (cluster density). Kepadatan suatu cluster bisa ditentukan dengan variance within cluster (Vw) dan variance between cluster (Vb).

Varian tiap tahap pembentukan cluster bisa dihitung dengan rumus :

( )∑

=

−−

=n

ici

c

yyn

Vc1

22

11 (2.2)

Dimana, Vc2 = varian pada cluster c c = 1..k, dimana k = jumlah cluster nc = jumlah data pada cluster c yi = data ke-i pada suatu cluste

yi = rata-rata dari data pada suatu cluster Selanjutnya dari nilai varian diatas, kita bisa menghitung nilai variance within cluster (Vw) dengan rumus :

( )∑=

⋅−−

=c

ii Vin

cNVw

1

211 (2.3)

Dimana, N = Jumlah semua data ni = Jumlah data cluster i Vi= Varian pada cluster i

Dan nilai variance between cluster (Vb) dengan rumus :

( )∑=

−−

=c

iii yyn

cVb

1

2

11 (2.4)

Dimana,

y = rata-rata dari iy Salah satu metode yang digunakan untuk menentukan cluster yang ideal adalah batasan variance [7], yaitu dengan menghitung kepadatan

13

cluster berupa variance within cluster (Vw) dan variance between cluster (Vb) [8,1]. Cluster yang ideal mempunyai Vw minimum yang merepresentasikan internal homogenity dan maksimum Vb yang menyatakan external homogenity.

VbVwV = (2.5)

Meskipun minimum Vw menunjukkan nilai cluster yang ideal, tetapi pada beberapa kasus kita tidak bisa menggunakannya secara langsung untuk mencapai global optimum. Jika kita paksakan, maka solusi yang dihasilkan akan jatuh pada local optima.

2.5 IDENTIFIKASI POLA PERGERAKAN VARIAN

Identifikasi pola pergerakan varian merupakan metode untuk memperoleh cluster yang mencapai global optimum, yang mampu mengatasi masalah dari minimum V. Gambar 2.6 menunjukkan pergerakan varian pada tiap tahap pembentukan cluster, dimana dari gambar tersebut terlihat bahwa global optimum berada pada tahap ke 15, dengan 6 total cluster.

Gambar 2.9 Pergerakan Variance pada tiap Tahap Pembentukan cluster

Berikut tahap untuk menemukan global optimum dari tahap pembentukan cluster : a) Mendeskripsikan semua pola dari pergerakan varian, seperti

gambar 2.6 diatas. b) Menganalisa kemungkinan global optimum yang berada pada

tempat yang tepat. c) Melihat posisi dari global optimum yang mungkin. Posisi yang mungkin untuk menemukan global optimum pada pergerakan varian, dikelompokkan menjadi 2, yaitu :

14

1. Hill-climbing Pada Hill-climbing didefinisikan bahwa kemungkinan mencapai global optimum terletak pada tahap ke-i, jika memenuhi persamaan berikut : ii vv .1 α>+ (2.6) Dimana, α adalah nilai tinggi. Nilai tinggi digunakan untuk menentukan seberapa mungkin metode ini mencapai global optimum. Nilai α yang biasa digunakan adalah 2,3, dan 4. Persamaan diatas, diperoleh berdasar analisa pergerakan varian pola Hill-climbing berikut:

Gambar 2.10 Pola nilai beda Hill-climbing

2. Valley-tracing Pada Valley-tracing didefinisikan bahwa kemungkinan mencapai global optimum terletak pada tahap ke-i, jika memenuhi persamaan berikut : (2.7) )()(

11 iii vvvvi

>∩≥+−

Dimana i = 1…n, dan n tahap terakhir pembentukan cluster. Persamaan diatas, diperoleh berdasar analisa pergerakan varian pola Valley-tracing berikut :

Berikut tabel yang menunjukkan pola-pola Valley-tracing yang mungkin mencapai global optimum [9]. Pola yang mungkin ditandai dengan simbol √.

Gambar 2.11 Pola nilai beda Valley-tracing

15

Va

Selahill-taha

Nilaini dUntglobseca

Untpad hill

njutnya, baik dclimbing dilakup, yang didefinis

∂ =

=

i ∂ digunakan uiperoleh dari ma

uk membentuk cal optima, digura otomatis terb

uk mengetahui ka hierarchical m-climbing, digun

Tabel 1. Tabel kemungkinan polalley-tracing mencapai global optimum

engan pendekatan metode valley-tracing maupun kan identifikasi perbedaan nilai tinggi (∂) pada tiap ikan dengan :

( ) ( )( ) ( iii

iii

vvv

vvivv

×−+ )−+−

−+

−+

2

11

11 (2.8)

ntuk menghindari local optima, dimana persamaan ksimum ∂ yang dipenuhi pada persamaan 7. luster secara otomatis, yaitu cluster yang mencapai nakan nilai λ sebagai threshold, sehingga cluster

entuk ketika memenuhi :

max (∂) ≥ λ (2.9)

eakuratan dari suatu metode pembentukan cluster ethod, baik menggunakan valley-tracing maupun

akan persamaan sebagai berikut :

16

φ = ( )( )∂

∂max

maxkatkenilaiterde

(2.10)

Dimana ( )∂maxkatkenilaiterde adalah nilai kandidat max(∂) sebelumnya. Nilai φ yang lebih besar dari 2, menunjukkan cluster yang terbentuk merupakan cluster yang well-separated (terpisah dengan baik).

2.6 KONSEP WARNA

Warna pokok [3] dalam pengelolaan citra terdiri dari 3 (tiga) unsur, yaitu merah (R), hijau (H), dan biru (B). Jika warna-warna pokok tersebut digabungkan, maka akan menghasilkan warna lain. Penggabungan tersebut bergantung pada warna pokok yang tiap-tiap warna memiliki nilai 256 (8 bit).

Gambar 2.12 Konsep Warna Warna yang dideskripsikan dengan RGB adalah pemetaan yang

mengacu pada panjang gelombang dari RGB. Pemetaan menghasilkan nuansa warna untuk masing-masing R, G, dan B. Masing-masing R, G, dan B didiskritkan dalam skala 256, sehingga RGB akan memiliki indeks antara 0 sampai 255.

(255, 0, 0)

(255, 255, 0)

(255, 255, 255)

(0, 255, 0)

(0, 0, 255)

(128,128,128)

(255, 0, 255)

(0, 0, 0)

BAB III PERANCANGAN SISTEM

Pada bab ini pembahasan materi difokuskan pada perancangan dan pembuatan sistem yang merupakan pokok pembahasan dari Tugas Akhir. 3.1. BLOK DIAGRAM SISTEM

Image Input Image Training

Ekstraksi warna (RGB tiap pixel)

Proses Learning (Cari Centroid Rata-rata)

Clustering otomatis

Data Base Buah

Identifikasi centroid hasil dengan centroid

Output berupa banyak jenis buah dan namanya

Ekstraksi warna (RGB tiap pixel)

Gambar 3Berupa proses lelearning, data gamasing-masing bulearning (pembela

Gambar 3.1 Blok Diagram Sistem

.1 menunjukkan gambaran sistem secara keseluruhan. arning, dan proses identifikasi gambar. Pada proses mbar buah yang ditraining merupakan data gambar ah atau buah tunggal, yang selanjutnya masuk ke proses jaran) untuk mendapatkan nilai centroid buah, yang

17

18

kemudian satu persatu centroid buah disimpan dalam database, dan diberi label sesuai dengan nama buah yang bersangkutan. Image input atau gambar input, dalam hal ini merupakan gambar sekumpulan buah yang akan diidentifikasi, selanjutnya diproses dengan metode Single Linkage Hierarchical method (SLHM) yang dioptimasi dengan metode valley-tracing sehingga mampu melakukan clustering secara otomatis sebanyak jumlah jenis buah yang ada pada gambar input. Setelah dilakukan proses clustering otomatis, maka akan didapat nilai centroid dari masing-masing hasil cluster. Nilai centroid hasil ini kemudian dicari kedekatannya dengan nilai centoid data training yang sebelumnya telah disimpan pada database dengan Euclidean distance. Dari proses tersebut akan diketahui jumlah jenis buah yang ada pada gambar dan namanya yang diperoleh dari label pada database dan kemudian di-outputkan.

3.2. PENGAMBILAN GAMBAR

3.2.1 CAPTURE

Proses capture adalah proses pengambilan gambar melalui kamera. Teknik pengambilan gambar yang digunakan adalah meletakkan buah yang akan dikenali pada tempat yang disediakan di depan kamera. Kamera yang digunakan adalah kamera digital. Gambar yang akan kita pakai dibagi menjadi dua kategori, yaitu gambar test/input dan gambar training. Dilakukan cara yang berbeda pula terhadap cara capture kedua kategori tersebut.

Pada gambar training, masing-masing jenis buah yang dipakai sebagai gambar training, dilakukan 5 kali capture dengan posisi buah diubah-ubah. Sedangkan gambar input tidak ada aturan, kecuali bahwa gambar input merupakan capture kumpulan buah, bukan capture buah tunggal seperti pada training.

Dalam mengcapture gambar dari kamera , ada beberapa hal yang harus diperhatikan , yaitu : • Spesifikasi Kamera

Kamera yang digunakan untuk mengambil gambar adalah kamera digital. Jarak kamera dengan buah saat identifikasi adalah tetap .

• Seting Kamera Seting kamera untuk gambar training dan gambar input untuk identifikasi harus sama, agar buah dapat dikenali.

• Seting Tempat Seting tempat meletakkan obyek tetap, yaitu background warna putih

19

3.2.2 PERENCANAAN DATA Perencanaan data sistem ini menggunakan format file gambar dengan ektensi JPG. Dari proses capture diatas selanjutnya file gambar tersebut diubah ukuran filenya sehingga menjadi ukuran yang kecil supaya dalam proses tidak memperlama kinerja sistem yang dibuat. Pengubahan file gambar disesuaikan dengan ukuran 32x32, baik pada gambar training maupun gambar input. Jumlah gambar yang digunakan adalah sebanyak 35, yang merupakan hasil capture diatas, dengan rincian : Gambar training :

a) Gambar apel (Washington) sebanyak 5.

Gambar 3.2 Gambar apel ukuran 32x32

b) Gambar jeruk (Clemenville) sebanyak 5.

Gambar 3.3 Gambar jeruk ukuran 32x32

c) Gambar pear sebanyak 5.

Gambar 3.4 Gambar pear ukuran 32x32

d) Gambar anggur sebanyak 5.

Gambar 3.5 Gambar anggur ukuran 32x32

20

e) Gambar mangga sebanyak 5.

2 Gambar input/test

Gambar input berupa 10 buah gambar kumpulan buah.

Gambar 3.7 Gambar input uk 3.3. EKSTRAKSI WARNA Proses ini dilakukan baik pada proseidentifikasi untuk mengambil fitur warna berupyang mana fitur inilah yang akan diproses lebnilai centroidnya sebagai acuan baik untuk daproses identifikasi.

Gambar 3.8 Ekstraks

Gambar 3.6 Gambar mangg ukuran 32x3

uran 32x32

s learning maupun proses a R,G, dan B dari gambar, ih lanjut untuk didapatkan ta training maupun untuk

i Warna

21

Berikut potongan program untuk mendapatkan nilai R,G, dan B dari tiap piksel gambar yang diberikan.

img1.getRGB(0,0,width,height,pixel,0,width); for (int y=0;y<width;y++){ for (int x=0;x<height;x++){ c = pixel[x+height*y]; r = (c & 0x00ff0000) >> 16; g = (c & 0x0000ff00) >> 8; b = c & 0x000000ff; data[m][0]= r; data[m][1]= g; data[m][2]= b;

3.4. PROSES LEARNING

Gambar 3.9 menggambarkan blok diagram proses learning, dimana setelah gambar diekstraksi warnanya, sehingga didapat nilai R,G,dan B, selanjutnya nilai tersebut di-cluster oleh system dengan menggunakan algoritma K-means seperti yang telah dijelaskan pada bab sebelumnya., dengan inisialisasi jumlah cluster sebanyak 3, yang merepresentasikan buah, background, dan bayang-bayang. Dari proses

K-Means Clustering

Gambar 3.9 Blok Diagram Proses Learning

22

tersebut, akan diperoleh 3 buah nilai centroid, yaitu nilai centroid buah itu sendiri, nilai centroid background dan nilai centroid bayang-bayang. Karena yang kita ingin dapatkan hanya nilai centroid dari buah, maka dilakukan proses menghilangkan background dan bayang-bayang. Algoritmanya sebagai berikut : 1. Dari 3 centroid yang didapat, masing-masing hitung nilai member/

anggotanya 2. Bandingkan ketiganya, yang paling kecil anggotanya (minimum)

diabaikan atau dibuang, karena centroid dengan jumlah anggota kecil merepresentasikan nilai noise.

3. Pada 2 sisa centroid yang ada, dilakukan pengukur jarak masing-masing nilai R,G,B-nya terhadap nilai 255,255,255 (representasi nilai putih/background) dengan euqlidean distance.

4. Bandingkan keduanya, nilai jarak terkecil (minimum) diabaikan karena dekat dengan nilai putih (255,255,255), diasumsikan sebagai background. Centroid yang tersisa itulah centroid buah yang dicari.

/* ----- eliminasi noise ----- */ min3=minvar[0]; for (int j=1;j<3;j++){ if (minvar[j]< min3) min3=minvar[j]; } /*----- Eliminasi background putih ----- */ tempcentro = new int[3][3]; double[] sum = new double[3]; for (int y=0;y<cluster;y++){ if ( minvar[y]!= min3 ){ sum[y]=0 ; for (int i=0;i<3;i++){ tempcentro[y][i] = 255; sum[y] = sum[y]+ Math.pow((

tempcentro[y][i]- centAwal[y][i]),2); } sum[y]=Math.round((float)Math.sqrt(sum[y])); } else sum[y]=0 ; } max1 = (int) sum[0];max2 = 0 ; for (int y=0;y<cluster;y++){ if (sum[y] > max1){ max1 = (int) sum[y]; max2 = y; } }

23

Diatas adalah potongan program yang digunakan untuk mengeliminasi noise/ bayang-bayang dan background sehingga diperoleh hanya 1 centroid, yaitu centroid buah. Selanjutnya, niilai yang disimpan dalam database adalah nilai grand centroid, bukan nilai centroid. Nilai grand centroid adalah nilai rata-rata dari beberapa centroid. Untuk mendapatkan grand centroid dalam system ini, user diharapkan terhadap 1 jenis buah training dilakukan 5 kali load gambar buah tersebut, dimana gambar buah dengan posisi yang berbeda-beda. Hal ini dilakukan untuk menangani kemungkinan centroid yang berbeda pada tiap kali pengambilan centoid suatu jenis buah. Nilai rata-rata dari 5 kali pengambilan sample buah inilah yang disebut grand centroid, dan diberi label sesuai dengan nama buah yang bersangkutan, selanjutnya disimpan dalam database. Berikut table database yang digunakan.

Tabel 3.1 Tabel Database Grand Centroid

R G B Buah

80 28 30 Apel

115 68 37 Jeruk

132 31 34 Anggur

...... ..... ......... ..............

3.5. PROSES IDENTIFIKASI Gambar 3.10 berikut menggambarkan blok diagram proses identifikasi, dimana setelah gambar diekstraksi warnanya, sehingga didapat nilai R,G,dan B, selanjutnya nilai tersebut di-cluster oleh system dengan menggunakan algoritma Single Linkage Hierarchical Method yang juga mengaplikasikan metode valley tracing untuk membentuk cluster secara otomatis.. Disinilah proses pembentukan cluster terjadi. Cluster terbentuk dari sebesar n-1, dimana n adalah jumlah data, sampai n=2. Pada tiap tahap pembentukan cluster dilakukan penghitungan nilai beda tinggi ∂. Nilai tersebut dihitung dengan cara terlebih dahulu melakukan pengecekan dengan metode valley tracing, jika memenuhi, maka nilai ∂ dihitung. Selanjutnya pada nilai ∂max itulah cluster yang optimal

24

terbentuk. Dari cluster yang terbentuk diperolehlah nilai centroid. Masuk ke proses identifikasi, nilai centroid hasil dihitung kedekatannya dengan nilai centroid masing-masing data learning menggunakan euqlidean distance. Nilai jarak yang paling minimal dipilih dengan representasi label pada data training.

Single linkage Hierarchical

Method

Output Jumlah jenis dan nama buah

Pada gambar deinformasi dalam1. Untuk mena2. Keseluruha

centroid bu3. Menampilk4. Nama buah

yang dipero5. Untuk men

menampilka6. Untuk meng

yang diguna

Gambar 3.10 Blok Diagram Proses Identifikasi

sain GUI gambar 3.11 terdapat 11 bagian yang merupakan menjalankan proses training dan identifikasi buah. mpilkan gambar training yang akan diproses

n proses clustering dengan K-Means, dengan hasil nilai ah training. an nilai grand centroid, setelah penekanan tombol save yang akan dipakai sebagai label atas hasil grand centroid leh dari suatu gambar training. yimpan nilai grand centroid dan label pada database, juga n nilai grand centroid dari gambar training. hapus data dari database, dengan cara select data dari list kan menampilkan database.

25

7. Menampilkan isi dari database, dan bisa dihapus dengan memilih data pada bagian ini

8. Untuk menampilkan gambar input yang akan diidentifikasi 9. Keseluruhan proses clustering dengan Single Linkage

Hierarchical Method, penghitungan varian, sampai didapat nilai centroid gambar input secara otomatis.

10. Untuk menampilkan output berupa jumlah macam buah yang ada pada gambar input.

11. Menampilkan banyak proses, untuk proses learning ditampilkan nilai centroid tiap gambar training sebelum di rata-rata menjadi grand centroid. Sedang untuk proses identifikasi akan ditampilkan nilai varian dari tiap tahap pembentukan clusternya, nilai beda tinggi (∂).

12. Menampilkan nama-nama buah yang berhasil diidentifikasi 13. Menampilkan nilai centroid dari masing-masing cluster yang

terbentuk.

8 1

9

3

2

10

6

4 12

5

11 7

13

i
Gambar 3.11 GUI Proses Training Dan Identifikas

26

*Halaman ini sengaja dikosongkan*

BAB IV ANALISA HASIL SISTEM

4.1. SPESIFIKASI TRAINING

Pada bab ini dimaksudkan untuk mengetahui keseluruhan pengujian dari perencanaan hasil program yang telah dibuat. Dimana pertama kali kita lakukan proses learning terhadap masing-masing gambar image yang akan digunakan dalam identifikasi buah, yaitu apel, jeruk, pear, anggur, dan mangga.

4.1.1 Pengambilan Grand Centroid Jeruk

k

Ni 4.1.2 Peng

Ni

Gambar 4.1 Pengambilan Grand Centroid Jeru

lai R=172, G=102, B=56 , merepresentasikan buah jeruk.

ambilan Grand Centroid Apel

lai R=73, G=53, B=62 , merepresentasikan buah apel.

27

28

4.1.3 Pen

N

Gambar 4.2 Pengambilan Grand Centroid Apel

gambilan Grand Centroid Pear

il
Gambar 4.3 Pengambilan Grand Centroid Pear
ai R=143, G=141, B=97 , merepresentasikan buah pear.

29

4.1.4 Pengambilan Grand Centroid Anggur

4.1.5 Pe

Gambar 4.4 Pengambilan Grand Centroid Anggur

Nilai R=37, G=28, B=30 , merepresentasikan buah anggur.

ngambilan Grand Centroid Mangga
Gambar 4.5 Pengambilan Grand Centroid Mangga

30

Nilai R=146, G=151, B=47 , merepresentasikan buah anggur.

4.2. ANALISA KESELURUHAN DATA TRAINING. Lima macam buah ditraining untuk didapat nilai centroid

masing-masing. Masing-masing buah dicoba sebanyak lima kali, yang kemudian dari 5 macam buah terhadap 5 kali percobaan diperoleh nilai centroid masing-masing buah yang kemudian di-labeli dengan nama buah yang bersangkutan dan disimpan dalam database. Berikut ini adalah tabel nilai grand centroid dari masing-masing buah, dimana telah dilakukan sebanyak 5 kali percobaan masing-masingnya.

Pada tiapgambar yaini dikaredibangkitknilai yangmerupakaproses traSemakin semakin b 4.3. PENBerikut apercobaanvalley trasebagai ccluster yayang tidasehingga

Tabel 4.1 Grand Centroid Masing-masing Buah

R G B Buah

58 31 37 Apel

174 108 66 Jeruk

146 151 47 Mangga

143 141 97 Pear

37 28 30 Anggur

percobaan pengambilan gambar, meskipun terhadap satu ng sama, terkadang diperoleh hasil centroid yang berbeda, hal

nakan kelemahan metode K-Mean, dimana centroid awalnya an secara random, tetapi hal itu tidak menjadi masalah, karena dipakai nantinya adalah nilai grand centroid, yang mana

n nilai rata-rata centroid tiap buah. K-mean digunakan dalam ining karena proses komputasinya yang sangat cepat. banyak training yang dilakukan pada 1 jenis buah, akan aik representasi nilai grand centroid terhadap buah tersebut.

GUJIAN SISTEM IDENTIFIKASI BUAH dalah pengujian sistem terhadap identifikasi buah. Dari 10 yang dilakukan berikut ini, akan dianalisa bagaimana metode cing bekerja mendeteksi pergerakan varian, dengan bertindak onstraint melalui nilai beda tinggi (∂). Pada beberapa kasus ng terbentuk tidak tepat, hal ini dikaranakan kualitas gambar k baik sehingga mengandung pixel-pixel yang mengganggu membentuk cluster yang tidak diinginkan. Karena kualitas

31

gambar yang dipakai mempengaruhi kinerja sistem. Dimana pixel-pixel yang dihasilkan mempengaruhi kinerja clustering. Pengujian 1 :

Dari gambar nilai ∂ yang pdianggap opmempunyai n

10

20

30

40

50

Nila

i Bed

a Ti

nggi

Berikut nilai c

Gambar 4.6 Pengujian terhadap gambar 1
4.6 diperoleh 5 buah cluster. Nilai tersebut didapat dari ada program diepresentasikan dengan theta. Cluster yang timal merupakan tahap pembentukan cluster yang ilai ∂max. Berikut grafik nilai ∂.
Nilai Beda Tinggi

0

0

0

0

0

0

20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2

Tahap Pem bentukan Cluste r
Gambar 4.7 Grafik Nilai Beda Tinggi gambar 1 entroid dari 5 cluster yang terbentuk :

32

Tabel 4.2 Nilai centroid hasil clustering gambar input 1

Cluster R G B Identifikasi Centroid 1 178 156 162 Pear 2 210 194 212 Background 3 87 51 33 Mangga 4 223 100 23 Jeruk 5 57 50 15 Apel

Pengujian terhadap gambar input diatas adalah benar 100%, dimana didalamnya terbentuk 5 cluster. Secara kasat mata bisa kita lihat bahwa gambar input diatas memang membentuk 5 cluster, dengan rincian tiap cluster mewakili background, buah jeruk, buah apel , buah pear dan buah mangga. Tabel 4.2 menyajikan masing-masing nilai centroid cluster dan hasil identifikasinya, yaitu dengan menghitung nilai kedekatan masing-masing centroid hasil dengan centroid training menggunakan euqlidean distance. Pada pengujian 1, jumlah buah terdeteksi benar adalah 4 dari 4 jenis buah, yang diidentifikasi sebagai buah jeruk, buah apel , buah pear dan buah mangga, proses identifikasi tepat 100%. Pengujian 2 :

2
Gambar 4.8 Pengujian terhadap gambar

33

Dari gambar 4.8 diperoleh 4 buah cluster. Nilai tersebut didapat dari nilai ∂ yang pada program diepresentasikan dengan theta. Cluster yang dianggap optimal merupakan tahap pembentukan cluster yang mempunyai nilai ∂max. Berikut grafik nilai ∂. Nilai Beda Tinggi

0100200300400500600700800

20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2


Nila

i Bed

a Ti

nggi

Berikut nilai centroid dari 4 cluster yang terbentuk :

Cluste1 2 3 4

Pengujiadidalamgambar centroidmangga.hasil idemasing distancePada pediidentifidentifik


r

n tnya inpu clu Tantifcent. nguikasasi

Gambar 4.9 Grafik Nilai Beda Tinggi gambar 2

R G B Identifikasi Centroid 153 150 142 Background 117 83 17 Jeruk 94 85 63 Pear 46 55 10 Mangga

erhadap gambar input diatas adalah benar 100%, dimana terbentuk 4 cluster. Secara kasat mata bisa kita lihat bahwa t diatas memang membentuk 4 cluster, dengan rincian tiap

ster mewakili background, buah jeruk, buah pear dan buah bel 4.3 menyajikan masing-masing nilai centroid cluster dan ikasinya, yaitu dengan menghitung nilai kedekatan masing-roid hasil dengan centroid training menggunakan euqlidean

jian 2, jumlah buah terdeteksi benar adalah 3, yang i sebagai buah jeruk, buah pear dan buah mangga, proses

tepat 100%.

34

Pengujian 3 :

3 Dari gambar 4.10 diperoleh 3 buah cluster. Nilai tersebut didapat dari nilai ∂ yang pada program diepresentasikan dengan theta. Cluster yang dianggap optimal merupakan tahap pembentukan cluster yang mempunyai nilai ∂max, dimana nilai ∂max terdapat pada tahap pembentukan cluster sebanyak 3. Berikut grafik nilai ∂.

Nilai Beda Tinggi

Berikut

Nila

i Bed

a Ti

nggi

nilai c


0

1000

2000

3000

4000

5000

20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2

entroid dari 3 cluster yang terbentuk :

35

Cluster R G B Identifikasi Centroid 1 168 165 168 Background 2 44 19 18 Apel 3 44 42 44 Anggur

Pengujian terhadap gambar input diatas adalah benar 100%, dimana didalamnya terbentuk 3 cluster. Secara kasat mata bisa kita lihat bahwa gambar input diatas memang membentuk 3 cluster, dengan rincian tiap centroid cluster mewakili background, buah apel dan buah anggur. Tabel 4.4 menyajikan masing-masing nilai centroid cluster dan hasil identifikasinya, yaitu dengan menghitung nilai kedekatan masing-masing centroid hasil dengan centroid training menggunakan euqlidean distance. Pada pengujian 3, jumlah buah terdeteksi benar adalah 2, yang diidentifikasi sebagai buah apel dan buah anggur, proses identifikasi tepat 100%. Pengujian 4 :

4

36

Dari gambar 4.12 diperoleh 3 buah cluster. Nilai tersebut didapat dari nilai ∂ yang pada program diepresentasikan dengan theta. Cluster yang dianggap optimal merupakan tahap pembentukan cluster yang mempunyai nilai ∂max, dimana nilai ∂max terdapat pada tahap pembentukan cluster sebanyak 3. Berikut grafik nilai ∂.

Nilai Beda Tinggi Beriku

Clu123

PengudidalagambacentroTabelidentimasindistanPada diidentepat 1

0

1000

2000

3000

4000

5000

6000

20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2

Ta ha p Pe m be ntuka n Cluste r

Nila

i Bed

a Ti

nggi

t nil

ster

jian mnyr inid c 4.5 fikasg cece. pentifik00%

ai centroid dari 3 cluster yang terbentuk : Tabel 4.5 Nilai centroid hasil clustering gambar input 4 R G B Identifikasi Centroid
148 145 149 Background 81 62 17 Mangga 154 113 90 Jeruk

terhadap gambar input diatas adalah benar 100%, dimana a terbentuk 3 cluster. Secara kasat mata bisa kita lihat bahwa put diatas memang membentuk 3 cluster, dengan rincian tiap luster mewakili background, buah mangga dan buah jeruk. menyajikan masing-masing nilai centroid cluster dan hasil

inya, yaitu dengan menghitung nilai kedekatan masing-ntroid hasil dengan centroid training menggunakan euqlidean

gujian 4, jumlah buah terdeteksi benar adalah 2, yang asi sebagai buah mangga dan buah jeruk, proses identifikasi .

37

Pengujian 5 :

5


Nilai Beda Tinggi

5

10

15

20

25

30

Nila

i Bed

a Ti

nggi


0

00

00

00

00

00

00

20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2

Tahap Pembentukan Cluster

38

Berikut nilai centroid dari 4 cluster yang terbentuk :

Cluster R G B Identifikasi Centroid

1 226 225 224 Background 2 190 158 95 Jeruk 3 50 31 28 Apel 4 115 40 33 Anggur

Pengujian terhadap gambar input diatas adalah benar 100%, dimana didalamnya terbentuk 4 cluster. Secara kasat mata bisa kita lihat bahwa gambar input diatas memang membentuk 4 cluster, dengan rincian tiap centroid cluster mewakili background, buah apel, buah anggur dan buah jeruk. Tabel 4.6 menyajikan masing-masing nilai centroid cluster dan hasil identifikasinya, yaitu dengan menghitung nilai kedekatan masing-masing centroid hasil dengan centroid training menggunakan euqlidean distance. Pada pengujian 5, jumlah buah terdeteksi benar adalah 3, yang diidentifikasi sebagai buah apel, buah anggur dan buah jeruk, proses identifikasi tepat 100%. Pengujian 6 :

6

39


Nilai Beda Tinggi Beriku

Clus1234

Pengudidalagambacentrojeruk.hasil imasindistanPada diidenpembeproses

0100200300400500600700800

20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2


Nila

i Bed

a Ti

nggi

t ni

ter

jianmnyr inid c Tabdeng cece. pentifikntu ide


lai centroid dari 4 cluster yang terbentuk :
Tabel 4.7 Nilai centroid hasil clustering gambar input 6 R G B Identifikasi Centroid
196 200 184 Background 125 53 26 Jeruk 247 156 79 Pear 73 9 9 Apel

terhadap gambar input diatas adalah benar, dimana a terbentuk 4 cluster. Secara kasat mata bisa kita lihat bahwa put diatas memang membentuk 4 cluster, dengan rincian tiap luster mewakili background, buah apel, buah anggur dan buah el 4.7 menyajikan masing-masing nilai centroid cluster dan

tifikasinya, yaitu dengan menghitung nilai kedekatan masing-ntroid hasil dengan centroid training menggunakan euqlidean

gujian 6, jumlah buah terdeteksi benar adalah 3, yang asi sebagai buah apel, buah pear dan buah jeruk. Proses kan cluster yang menandai jumlah buah tepat sebesar 100%, ntifikasi tepat 100%.

40

Pengujian 7 :

7 Dari gambar 4.18 diperoleh 4 buah cluster. Nilai tersebut didapat dari nilai ∂ yang pada program diepresentasikan dengan theta. Cluster yang dianggap optimal merupakan tahap pembentukan cluster yang mempunyai nilai ∂max, dimana nilai ∂max terdapat pada tahap pembentukan cluster sebanyak 4. Berikut grafik nilai ∂.

Nilai Beda Tinggi

Nila

i Bed

a Ti

nggi

Tab


0100200300400500600700800

20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2

Gambar 4.19 Grafik Nilai Beda Tinggi gambar 7 Berikut nilai centroid dari 4 cluster yang terbentuk : el 4.8 Nilai centroid hasil clustering gambar input 7

41

Clust

1 2 3 4

Pengujdidalamgambarcentroijeruk. hasil idmasingdistancPada pdiidentidentifi Penguj

Dari ganilai ∂

er R G B Identifikasi Centroid 251 208 138 Background 116 29 22 Apel 173 41 2 Jeruk 254 170 2 Pear

ian terhadap gambar input diatas adalah benar 100%, dimana nya terbentuk 4 cluster. Secara kasat mata bisa kita lihat bahwa input diatas memang membentuk 4 cluster, dengan rincian tiap d cluster mewakili background, buah apel, buah pear dan buah Tabel 4.7 menyajikan masing-masing nilai centroid cluster dan entifikasinya, yaitu dengan menghitung nilai kedekatan masing- centroid hasil dengan centroid training menggunakan euqlidean e. engujian 7, jumlah buah terdeteksi benar adalah 3, yang

ifikasi sebagai buah apel, buah pear dan buah jeruk, proses kasi tepat 100%.

ian 8 :

mbar 4.20 diperoleh 3 buah cluster. Nilai tersebut didapat dari yang . Cluster yang 8
pada program diepresentasikan dengan thetaGambar 4.20 Pengujian terhadap gambar

42

dianggap optimal merupakan tahap pembentukan cluster yang mempunyai nilai ∂max, dimana nilai ∂max terdapat pada tahap pembentukan cluster sebanyak 3. Berikut grafik nilai ∂.

Nilai Beda Tinggi

3000

3500

Berik

Clu123

PengupembclustememamewamasindengadengaPada buah,seharuhal indengaProse100%

0

500

1000

1500

2000

2500

20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2

Ta ha p Pe m bentuka n Cluste r

Nila

i Bed

a Ti

nggi


ut nil

Tas

jian entukr. Seng mkili g-man mn cenpeng yansnya

i dikn nils pem, pro

ai centroid dari 3 cluster yang terbentuk :

bel 4.9 Nilai centroid hasil clustering gambar input 8troid
ter R G B Identifikasi Cen
238 248 250 Background 162 70 26 Apel 167 187 207 Pear

terhadap gambar input diatas adalah benar dalam hal an cluster otomatisnya, dimana didalamnya terbentuk 3 cara kasat mata bisa kita lihat bahwa gambar input diatas embentuk 3 cluster, dengan rincian tiap centroid cluster

background, buah apel dan buah jeruk. Tabel 4.9 menyajikan sing nilai centroid cluster dan hasil identifikasinya, yaitu enghitung nilai kedekatan masing-masing centroid hasil troid training menggunakan euqlidean distance. ujian 8, jumlah buah terdeteksi benar adalah 1 dari 2 jenis g diidentifikasi sebagai buah apel. Buah kedua yang adalah buah jeruk, salah teridentifikasi sebagai buah pear, arenakan nilai centroid cluster ke-3 memiliki kedekatan lebih ai centroid buah pear daripada nilai centroid buah jeruk. bentukan cluster yang menandai jumlah buah tepat sebesar

ses identifikasi tepat 50%.

43

Pengujian 9 :

Gambar 4.22 Pengujian terhadap gambar 9 Dari gambar 4.22 diperoleh 4 buah cluster. Nilai tersebut didapat dari nilai ∂ yang pada program diepresentasikan dengan theta. Cluster yang dianggap optimal merupakan tahap pembentukan cluster yang mempunyai nilai ∂max, dimana nilai ∂max terdapat pada tahap pembentukan cluster sebanyak 4. Berikut grafik nilai ∂. Nilai Beda Tinggi

2500 Beri

0

500

1000

1500

2000

20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2


Nila

i Bed

a Ti

nggi

kut nilai centroid dari 4 cluster yang terbentuk : Gambar 4.23 Grafik Nilai Beda Tinggi gambar 9

T put 9
abel 4.10 Nilai centroid hasil clustering gambar in

44

Clus roid

1234

Pengupembeclustememamewa4.10 identifmasindistanPada buah, ketigasebagamemilcentrodalambuah, menan66,7% Pengu

ter R G B Identifikasi Cent
222 220 196 Background 110 78 67 Apel 156 171 84 Pear 253 157 48 Jeruk
jian terhadap gambar input diatas adalah benar dalam hal ntukan cluster otomatisnya, dimana didalamnya terbentuk 3

r. Secara kasat mata bisa kita lihat bahwa gambar input diatas ng membentuk 3 cluster, dengan rincian tiap centroid cluster kili background, buah apel, buah mangga, dan buah jeruk. Tabel menyajikan masing-masing nilai centroid cluster dan hasil ikasinya, yaitu dengan menghitung nilai kedekatan masing-g centroid hasil dengan centroid training menggunakan euqlidean ce. pengujian 8, jumlah buah terdeteksi benar adalah 2 dari 3 jenis yang diidentifikasi sebagai buah apel dan buah jeruk. Buah yang seharusnya adalah buah mangga, salah teridentifikasi i buah pear, hal ini dikarenakan nilai centroid cluster ke-3 iki kedekatan lebih dengan nilai centroid buah pear daripada nilai id buah mangga. Kesalahan tersebut bisa jadi karena centroid data training kurang presisi dalam mewakili centroid suatu jenis dalam hal ini buah mangga. Proses pembentukan cluster yang dai jumlah buah, tepat sebesar 100%, proses identifikasi tepat .

jian 10 :

45

Gambar 4.24 Pengujian terhadap gambar 10 Dari gambar 4.24 diperoleh 3 buah cluster. Nilai tersebut didapat dari nilai ∂ yang pada program diepresentasikan dengan theta. Cluster yang dianggap optimal merupakan tahap pembentukan cluster yang mempunyai nilai ∂max, dimana nilai ∂max terdapat pada tahap pembentukan cluster sebanyak 3. Berikut grafik nilai ∂.

Nilai Beda Tinggi Berik

0

500

1000

1500

2000

2500

3000

20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2


Nila

i Bed

a Ti

nggi

ut

T


nilai centroid dari 3 cluster yang terbentuk :

abel 4.11 Nilai centroid hasil clustering gambar input 10

46

Clu roid

123

PengupembclustememamewamasindengadengaPada buah,seharuProse100% Pengu

ster R G B Identifikasi Cent
184 194 194 Background 48 23 36 Apel 121 113 77 Mangga jian terhadap gambar input diatas adalah benar dalam hal
entukan cluster otomatisnya, dimana didalamnya terbentuk 3 r. Secara kasat mata bisa kita lihat bahwa gambar input diatas ng membentuk 3 cluster, dengan rincian tiap centroid cluster kili background, buah apel, dan buah pear. Tabel 4.11 menyajikan g-masing nilai centroid cluster dan hasil identifikasinya, yaitu n menghitung nilai kedekatan masing-masing centroid hasil n centroid training menggunakan euqlidean distance. pengujian 8, jumlah buah terdeteksi benar adalah 1 dari 2 jenis yang diidentifikasi sebagai buah apel. Buah kedua yang snya adalah buah pear, salah teridentifikasi sebagai buah mangga,

s pembentukan cluster yang menandai jumlah buah, tepat sebesar . Proses identifikasi tepat 50%.

jian 11 :

47


Nilai Beda Tinggi

Berik

Clu123

Pengudimanjeruk,centrokedekmengPada buah, yang pembtetapiProse75%.

0

50

100

150

200

250

300

20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2

Taha p Pem be ntuka n Cluste r

Nila

i Bed

a Ti

nggi

ut n

ster

jiana t daid catangunpenyan

sehaentu hans pePro


ilai centroid dari 3 cluster yang terbentuk :

1
Tabel 4.12 Nilai centroid hasil clustering gambar input 1 R G B Identifikasi Centroid
226 213 207 Background 73`` 47 48 Apel 219 119 61 Jeruk

terhadap gambar input diatas seharusnya terbentuk 4 cluster. iap centroid cluster mewakili background, buah apel, buah n buah pear. Tabel 4.12 menyajikan masing-masing nilai luster dan hasil identifikasinya, yaitu dengan menghitung nilai masing-masing centroid hasil dengan centroid training

akan euqlidean distance. gujian 11, jumlah buah terdeteksi benar adalah 2 dari 3 jenis g diidentifikasi sebagai buah apel dan jeruk. Buah ketiga rusnya adalah buah pear, tidak teridentifikasi karena kesalahan kan cluster otomatis, dimana seharusnya terbentuk 4 cluster, ya terbentuk 3 cluster, sehingga 1 buah tidak teridentifikasi. mbentukan cluster yang menandai jumlah buah, tepat sebesar ses identifikasi tepat 66,7%.

48

Pengujian 12 :

Dari gambar 4.24 diperoleh 17 buah cluster. Nilai tersebut didapat dari nilai ∂ yang pada program diepresentasikan dengan theta. Pada percobaan ini kemungkinan tidak tercapainya cluster optimal sangat besar, dimana nilai ∂max terdapat pada tahap pembentukan cluster sebanyak 17. Berikut grafik nilai ∂.

Nilai Beda Tinggi

Nila

i Bed

a Ti

nggi


020406080

100120140160

20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2

Ta ha p Pem bentukan Cluster

49

Pengujian terhadap gambar input diatas seharusnya terbentuk 4 cluster. dimana tiap centroid cluster mewakili background, buah apel, buah jeruk, dan buah mangga, sehingga buah yang dikenali jauh lebih banyak daripada buah sesungguhnya. Pada pengujian 12, Proses pembentukan cluster yang menandai jumlah buah, tepat hanya sebesar 23,5%. Proses identifikasi tepat 100%. Pengujian 13 :

Tahap pembentukan cluster gambar 13 sebanyak 5.Berikut grafik nilai ∂

Nilai Beda Tinggi


0

500

1000

1500

2000

2500

20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2


Nila

i Bed

a Ti

nggi

50

Pengujian terhadap gambar input diatas seharusnya terbentuk 4 cluster. dimana tiap centroid cluster mewakili background, buah apel, buah jeruk, dan buah anggur, tetapi ternyata cluster yang terbentuk adalah 5, sehingga buah yang dikenali lebih banyak daripada buah sesungguhnya. Pada pengujian 13, proses pembentukan cluster yang menandai jumlah buah, tepat sebesar 80 %. Proses identifikasi juga tepat sebesar 66,7%. Pengujian 14 :

Tahap embentukan cluster gambar 14 sebanyak 5.Berikut grafik nilai ∂

Nilai Beda Tinggi

p

Nila

i Bed

a Ti

nggi


0

200

400

600

800

1000

1200

1400

20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2

Ta ha p Pe m be ntuka n Cluste r

51

Pengujian terhadap gambar input diatas seharusnya terbentuk 4 cluster. dimana tiap centroid cluster mewakili background, buah apel, buah jeruk, dan buah anggur, tetapi ternyata cluster yang terbentuk adalah 5, sehingga buah yang dikenali lebih banyak daripada buah sesungguhnya. Pada pengujian 14, proses pembentukan cluster yang menandai jumlah buah, tepat sebesar 80 %. Proses identifikasi juga tepat sebesar 66,7%. Pengujian 15 :


Nilai Beda Tinggi


0100200300400500600700800

20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2


Nila

i Bed

a Ti

nggi

52

Pengujian terhadap gambar input diatas seharusnya terbentuk 5 cluster. dimana tiap centroid cluster mewakili background, buah apel, buah jeruk, buah mangga dan buah pear, tetapi ternyata cluster yang terbentuk adalah 3. Jumlah buah terdeteksi benar adalah 1 dari 4 jenis buah, yang diidentifikasi sebagai buah mangga. Proses pembentukan cluster yang menandai jumlah buah, tepat sebesar 75%. Proses identifikasi tepat hanya sebesar 25%. Pengujian 16 :

6


Nilai Beda Tinggi

Nila

i Bed

a Ti

nggi


020406080

100120140160

20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3

Tahap Pem bentuka n Cluster

53

Pengujian terhadap gambar input diatas seharusnya terbentuk 6 cluster. dimana tiap centroid cluster mewakili background, buah apel, buah jeruk, buah mangga,buah anggur dan buah pear, tetapi ternyata cluster yang terbentuk adalah 4. Jumlah buah terdeteksi benar adalah 3 dari 5 jenis buah, yang diidentifikasi sebagai buah apel, buah jeruk, dan buah pear. Proses pembentukan cluster yang menandai jumlah buah, tepat sebesar 66,7 %. Proses identifikasi tepat sebesar 60 %. Pengujian 17 :

7 Tahap p mbentukan cluster gambar 17 sebanyak 4.Berikut grafik nilai ∂ Nilai Beda Tinggi

e

Nila

i Bed

a Ti

nggi


0

500

1000

1500

2000

2500

3000

3500

20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2

Tahap Pembentukan Cluste r

54

Pengujian terhadap gambar input diatas seharusnya terbentuk 3 cluster. dimana tiap centroid cluster mewakili background, buah apel, dan buah anggur, tetapi ternyata cluster yang terbentuk adalah 5. Jumlah buah terdeteksi benar adalah 1 dari 2 jenis buah, yang diidentifikasi sebagai buah apel. Proses pembentukan cluster yang menandai jumlah buah, tepat sebesar 60 %. Proses identifikasi tepat sebesar 50 %. Pengujian 18 :


Nilai Beda Tinggi


0

500

1000

1500

2000

2500

20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2

Tahap Pe mbe ntuka n Cluster

Nila

i Bed

a Ti

nggi


55

Pengujian terhadap gambar input diatas seharusnya terbentuk 4 cluster. dimana tiap centroid cluster mewakili background, buah apel, dan buah anggur, tetapi ternyata cluster yang terbentuk adalah 3. Jumlah buah terdeteksi benar adalah 1 dari 3 jenis buah, yang diidentifikasi sebagai buah mangga. Proses pembentukan cluster yang menandai jumlah buah, tepat sebesar 75 %. Proses identifikasi tepat sebesar 33,3 %. Pengujian 19 :


Nilai Beda Tinggi


0200400600800

1000120014001600

20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2

Tahap Pembentukan Cluste r

Nila

i Bed

a Ti

nggi

56

Pengujian terhadap gambar input diatas seharusnya terbentuk 3 cluster. dimana tiap centroid cluster mewakili background, buah apel, dan buah pear, tetapi ternyata cluster yang terbentuk adalah 4. Jumlah buah terdeteksi benar adalah 2 dari 2 jenis buah, yang diidentifikasi sebagai buah pear dan buah apel. Proses pembentukan cluster yang menandai jumlah buah, tepat sebesar 75 %. Proses identifikasi tepat 100 %. Pengujian 20 :


Nilai Beda Tinggi


0200400600800

1000120014001600

20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2

Tahap Pe m be ntukan Cluste r

Nila

i Bed

a Ti

nggi

57

Pengujian terhadap gambar input diatas adalah benar dalam hal pembentukan cluster otomatisnya, dimana didalamnya terbentuk 4 cluster. Secara kasat mata bisa kita lihat bahwa gambar input diatas memang membentuk 4 cluster, dengan rincian tiap centroid cluster mewakili background, buah apel, buah jeruk dan buah anggur. Pada pengujian 20, jumlah buah terdeteksi benar adalah 2 dari 3 jenis buah, yang diidentifikasi sebagai buah apel dan buah jeruk. Proses pembentukan cluster yang menandai jumlah buah, tepat sebesar 100%. Proses identifikasi tepat 66,7%. Berikut tabel hasil analisa proses pendeteksian jumlah buah dan identifikasi jenis buah berdasarkan 20 pengujian diatas.

JumB

Tabel 4.12 Akurasi Identifikasi Terhadap 20 Percobaan

Identifikasi Gambar Sebenarnya Identifikasi Gambar Oleh Sistem

lah uah Jenis Buah

Jumlah buah

terdeteksi

Jenis buah teridentifikasi

2 Apel, anggur 2 Apel, anggur 2 Jeruk, mangga 2 Jeruk, mangga 2 Jeruk, apel 2 Apel, pear 2 Apel, pear 2 Apel, mangga 2 Pear, apel 3 Pear, apel, jeruk

2 Apel, anggur 4 Pear, mangga, jeruk, apel

3 Apel, jeruk, pear 2 Apel, jeruk

3 Apel, jeruk, mangga 2 Pear, mangga

3 Jeruk, apel, anggur 3 Apel, jeruk, pear 3 Jeruk, apel, anggur 3 Jeruk,apel,anggur 3 Jeruk, apel, pear 3 Jeruk, apel, pear 3 Jeruk, apel, pear 3 Jeruk, apel, pear

3 Mangga, jeruk, pear 3 Mangga, jeruk, pear

3 Mangga, apel, jeruk 3 Apel, pear, jeruk

3 Jeruk, apel, anggur 4 Jeruk, apel, mangga, pear

58

3 Apel, anggur, jeruk 4 Jeruk, apel, pear, mangga

3 Apel, jeruk, mangga 17 Apel, jeruk, mangga

4 Apel, mangga, pear, jeruk 2 Mangga, anggur

4 apel, jeruk, pear, mangga 4 apel, jeruk, pear,

mangga

5 Apel, mangga, jeruk, pear, anggur 3 Apel, jeruk, pear

Dari 20 pengujian yang dilakukan terhadap sistem, keakuratan pembentukan cluster secara otomatis yang merepresentasikan jumlah buah adalah sebesar 55 %. Sedang identifikasi buahnya mempunyai keakuratan sebesar 74,1 %. Kesalahan pembentukan cluster umumnya dikarenakan kualitas gambar yang tidak bagus sehingga pixel noise membentuk cluster yang tidak seharusnya ada, sehingga berakibat pada kesalahan pendeteksian jumlah buah. Sedang kesalahan identifikasi pada umumnya dikarenakan kurang akurasinya representasi nilai centroid data training yang dijadikan acuan proses identifikasi.

BAB V PENUTUP

5.1 KESIMPULAN

Pada bagian ini akan diulas tentang kesimpulan dari seluruh percobaan dan pengujian software identifikasi buah dengan memanfaatkan metode valley tracing.

Pada image clustering dibutuhkan data-data yang terpisah dengan baik (well-separated) untuk mendapatkan hasil cluster yang tepat, pembuatan algoritma yang bagus penggunaan metode untuk membangun cluster secara otomatis.

Berikut beberapa kesimpulan yang dapat diambil dari percobaan dan pengujian proyek akhir ini : 1. Proses identifikasi buah dengan Metode valley tracing dalam image

clustering mampu membentuk cluster secara otomatis dengan keakuratan sebesar 55 %. Sedangkan hasil identifikasinya mempunyai keakuratan mencapai 74,1 %.

2. Untuk medapatkan cluster yang tepat pada saat pengclusteran otomatis terhadap data fitur R,G,B. Kualitas gambar juga menentukan tepat tidaknya hasil cluster.

5.2 SARAN – SARAN

Hasil yang dicapai dari proyek akhir ini belum sempurna. Untuk meningkatkan hasil yang dicapai, maka diperlukan : 1. Pre-processing terhadap image yang akan diproses dengan

clustering, hal ini untuk mereduksi pixel-pixel yang mengganggu yang mengakibatkan terbentuknya cluster yang tidak diinginkan.

2. Penggunaan algoritma clustering yang lebih ampuh untuk membentuk cluster, yang mampu menangani data yang mengandung outlier (dalam hal ini pixel yang mengganggu).

3. Pengambilan gambar dengan pencahayaan yang bagus, agar diperoleh kualitas gambar yang bagus.

59

60

* Halaman ini sengaja dikosongkan*

DAFTAR PUSTAKA

[1] W.H. Ming, C.J. Hou, Cluster analysis and visualization, Workshop on Statistics and Machine Learning, Institute of Statistical Science, Academia Sinica, 2004.Achmad Basuki, Setiawardhana, “Histogram warna pada image”, PENS-ITS, Surabaya.

[2] A.R. Barakbah, K. Arai, Determining Constraints of Moving Variance to Find Global Optimum and Make Automatic Clustering, In. IES 2004, Politeknik Elektronika Negeri Surabaya, ITS.

[3] http://www.elet.polimi.it/upload/matteucc/Clustering/tutorial_html/index.html

[4] http://www.w3.org/TR/REC-html40 [5] G. Karypis, E.H. Han, V. Kumar, Chameleon: a hierarchical

clustering algorithm using dynamic modeling, IEEE Computer: Special Issue on Data Analysis and Mining 32(8):68W5, 1999.

[6] A.R. barakbah, Clustering, In. Workshop Data Mining 2006, Jurusan Teknologi Informasi Politeknik Elektronika Negeri Surabaya,ITS.

[7] C.J. Veenman, M.J.T. Reinders, E. Backer, A maximum variance cluster algorithm, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 24, no. 9, pp. 1273-1280, 2002.

[8] S. Ray, R.H. Turi, Determination of number of clusters in k-means clustering and application in colour image segmentation, 4th ICAPRDT Proc., pp.137-143, 1999.

[9] A.R. Barakbah, K. Arai, Identifying moving variance to make automatic clustering for normal data set, In. Proc. IECI Japan Workshop 2004 (IJW 2004), Musashi Institute of Technology, Tokyo.

61

62

* Halaman ini sengaja dikosongkan*

63

PROFIL PENULIS

Nama : Helmy Hasniawati
Tanggal lahir : 19 Juli 1985
Orang tua : Drs. Hasan Ahmadi Alamat : Gg. Merpati Putih Rt.1 / Rw. 2

No.457 Sugio- Lamongan 62256 Telepon : (0322) 458351 / 0856-48029209 Hoby : Nonton, Musik, Nulis, Baca e-mail : [email protected] : Do the best, then Allah do The rest Riwayat Pendidikan

: - Politeknik Elektronika Negeri Surabaya-ITS, tahun 2003-2007

- SMU Negeri 2 Lamongan, tahun 2000 - 2003

- SLTP Negeri 1 Babat, tahun 1997 - 2000

- SDN Sugio 2, tahun 1991-1997

Documents

7403040015 identifikasi buah