6

BAB II

LANDASAN TEORI

2.1. Penelitian yang Relevan

Berikut ini disajikan kajian terhadap beberapa penelitian yang pernah

dilakukan sebelumnya dan menjadi landasan bagi penulis untuk menyelesaikan

permasalahan dalam penelitian kali ini.

Hartono, dkk. (2012),melakukan studi pengenalan pola untuk

membedakan daging sapi dan babi berbasis citra digital. Permasalahan utama

dalam penelitian tersebut karenabanyaknya pemalsuan daging sapi dengan

daging babi dan menyebabkan kerugian bagi konsumen.Metode yang digunakan

ada dua, yaitu Principal Component Analysis (PCA)sebagaipengekstraksi ciri dari

sebuah citra.Data citra yang dijadikan sebagai data latih berbentuk vektor. Vektor

ini diperoleh dari matriks data citra yang kemudian diubah kedalam bentuk vektor

dan disimpan dalam database. Vector dengan nilai eigen terbesar sebagai acuan

mendapatkan dimensi terbaik.Sedangkan proses pengenalan pola menggunakan

Jaringan Saraf Tiruan Backpropagation. Akurasi pengenalan pola daging

mencapai 88.3%.Sistem dibangun berupadesktop application dengan perangkat

lunak Matlab. Kekurangan dari penelitian ini adalah penggunaan perangkat lunak

yang berlisensi dengan harga mahal dan tidak dapat digunakan secara

bergerak/mobile.

Menurut Yogiarto,dkk.(2009), klasifikasi beberapa daging konsumsi

termasuk didalamnya daging sapi dan babi dapat dilakukan dengan metode k-

Nearest Neighbour. Klasifikasi ini bersifat supervised learning. Tahap awal citra

berwarna RGB dikonversi kedalam citra keabuan (grey-scale), kemudian

dilakukan analisa tekstur menggunakan metode ekstraksi ciri orde satu dan

7

dua.Akurasi maksimal dari klasifikasinya sebesar 82,8% untuk nila k = 2 dan

perhitungan jarak dengan metode city block. Penelitian ini membuktikan bahwa

pengenalan citra daging dapat dilakukan dengan ektraksi ciri tekstur.Penelitian

yang dilakukan Nugroho, dkk.(2011), mengidentifikasi jenis daging dilakukan

dengan transformasi dari model warna RGB ke model warna HSI untuk

mengkonversi citra warna kedalam bentuk yang lebih sesuai. Dan hasil

perbandingan yang dilakukakan adalah, dimana akurasi rata-rata yang dihasilkan

oleh jaringan backpropagation sebesar 29,4% sedangkan akurasi rata-rata yang

dihasilkan jaringan GRNN sebesar 81,3%.Penelitian lainnya juga menggunakan

analisa tekstur dan persebaran lemak untuk penentuan kualitas gradingdaging

sapi.Data yang digunakan adalahcitra monokrom dengan level keabuan 16

dilakukan ekstraksi tekstur dengan metode GLCM.Grading daging sapi ini

mengacu pada skala 3 hingga 10. Hasilnya tekstur merupakan ciri yang efektif

untuk penentuan kualitas daging sapi (Shiranita,dkk 2009).

Salah satu cara sederhana namun efektif untuk mengenali pola dalam

sebuah citra adalah dengan mengenali ciri teksturnya. Hal ini diterapkan untuk

membedakan citra pemandangan laut dan non laut.Dengan menggunakan

GLCM khususnya fungsi kontras, entropi, korelasi, energy dan homogenitas

untuk ekstraksi tekstur.Nilai-nilai fungsi tersebut digunakan untuk masukan bagi

Jaringan Saraf Tiruan Backpropagation untuk kasifikasinya.Terbukti metode

GLCM mampu mendeteksi baik tipe fitur objek digital bahkan yang tidak jelas

sekalipun (Manaa, dkk 2011).

Penelitian yang dilakukan Liu, dkk.(2010), memberikan kontribusi

pengetahuan tentang klasifikasi kualitas daging babi di Kanada melalui

pengenalan citra hyperspectral.Dalam penelitian ini pengenalan tekstur dengan

metode Filter Gabor 2D sedangkan klasifikasinya membandingkan antara

8

metode K-Means dan Linear Discriminant Analysis (LDA). Hasilnya

menunjukkanbahwa akurasiK-meansmencapai78% dengan gabungan 5Principal

Components (PC) dan83% untuk 10gabungan, hasil ini lebih baik 15% dan28%

dibandingkan tanpa fiturtekstur. Sedangkan

akurasimenggunakanLDAmencapai100% dengan gabungan 5Principal

Components (PC).Dengan demikian, peningkatan akurasidapatdicapai dengan

menggunakanfiturtekstur.

Mohanaiah, dkk.(2013), memaparkan dalam penelitiannya, Mengenali

pola citra dapat dilakukan dengan analisa tekstur yang bertujuan untuk

menemukan karakteristik unik sehingga dapat digunakan menjadi parameter

pembeda dengan citra lainnya.Menemukan tekstur sebuah citra dapat

menggunakan metode GLCM yang merupakan orde kedua analisa fitur secara

statistic. Fitur yang digunakan antara lainenergy, correlation, Entropy dan Inverse

Difference Moment. Penggunaan metode GLCM sangat baik bahkan untuk

aplikasi real-time karena terbukti mengurangi waktu komputasi dengan hasil

akurasi bagus.

Disisi lain metode klasifikasi merupakan langkah pamungkas dalam

mencapai sebuah hasil dalam berbagai penelitian. Klasifikasi teks digital untuk

menentukan kepribadian seseorang.Menurut peneliti, sebagian besar teks digital

tidak terstruktur, sehingga cara paling baik untuk mengenalinya dengan

pendekatan probabilistik Nave Bayes Classifier. Nave Bayes termasuk

klasifikasi supervised learning.Pengenalan teks digital ini melalui beberapa tahap

antara lain pra-pemrosesan, tahap pelatihan dan klasifikasi. Tahap pra-

pemrosesan meliputi case folding, tokenizing, filtering dan stemming. Tahap

pelatihan dimulai dengan menghitung nilai probabilistic data latih terhadap

9

masing-masing kelas.Terakhir adalah tahap penarikan kesimpulan kategori

kepribadian berdasarkan nilai VMap terbesar.Kepribadian seseorang mengikuti

kategori sanguinis, koleris, melankolis dan pragmatis.Sistem diuji terhadap 40

data dan hasil penelitian menunjukkan akurasi klasifikasi dengan Nave Bayes

mencapai 92,5% (Ni Made, dkk 2013).

Sebuah studi terhadap metode Nave Bayes Classifier dilakukan untuk

deteksi gejala kanker payudara berdasarkan citra mammogram. Pengolahan citra

mammogram diawali dengan pemilihan area penelitian dengan Region Of

Interest (ROI) dan perbaikan citra. Citra berwarna dikonversi kedalam skala

keabuan (grey-scale).Selanjutnya untuk mengenali kanker dilakukan ekstraksi

tekstur dengan metode Histogram of Oriented Gradients (HOG). Fitur tekstur

yang dihitung antara lain: nilai rerata, standar deviasi, energy, kontras, korelasi

dan homogenitas. Nilai-nilai fitur tersebut dijadikan acuan untuk menghitung

probabilitas tiap data dengan masing-masing kelas data.Metode Nave Bayes

Classifier menghasilkan tingkat akurasi 96,5% terbuktitepat dan efisien untuk

membantu tim medis melakukan diagnosa gejala kanker payudara (Krishnaveni,

dkk 2014)

Penelitian-penelitian yang telah dipaparkan diatas menginspirasi

penelitian ini untuk memberikan kontribusi baru berupa pengenalan daging sapi

dan daging babi berdasarkan ciri tekstur menggunakan metode GLCM dan

klasifikasi Nave Bayes. Pemilihan metode-metode tersebut karena sama-sama

bekerja dalam wilayah probabilistik. Selanjutnya agar sistem yang dibangun

memiliki nilai manfaat bagi masyarakat luas, maka penelitian ini akan

dikembangkan dalam bentuk aplikasi berbasisandroid.

10

2.2. Dasar Teori

2.2.1. Daging

Daging adalah salah satu hasil ternak yang hampir tidak dapat

dipisahkan dari kehidupan manusia. Selain penganekaragaman sumber pangan,

daging dapat menimbulkan kepuasan atau kenikmatan bagi yang memakanya

karena kandungan gizinya lengkap, sehingga kehidupan gizi untuk hidup dapat

terpenuhi. Daging dapat diolah dengan cara memasak , digoreng, dipanggang,

disate, diasap, atau diolah menjadi produk lain yang menarik (Seoparno 2009).

Daging merupakan bahan pangan yang penting dalam memenuhi kebutuhan

gizi.Selain mutu proteinnya yang tinggi, daging mengandung asam animo

esensial yang lengkap dan seimbang serta beberapa jenis mineral dan

vitamin.Daging merupakan protein hewani yang lebih mudah dicerna dibanding

dengan protein nabati. Bagian yang terpeting yang menjadi acuan konsumen

dalam pemilihan daging adalah sifat-sifat dalam hal ini antara lain warna,

keempukan, tekstur, kekenyalan dan kebasahan. (komariah dkk 2009).

2.2.2. Tekstur Daging Sapidan Daging Babi

Daging sapi mempunyai banyak serat dan terlihat jelas, tekstur daging

sapi lebih kaku dan padat (solid dan keras) sehingga cukup sulit untuk

diregangkan.(Lia Gunawan 2013).Sedangkan daging babi teksturnya lembek,

sangat kenyal dan mudah diregangkan ditandai dengan nilairataan tekstur

daging babi peliharaansebesar 2.25%.Sama halnya dengan warna, tekstur

daging babi yang halus juga disebabkan karena aktivitas babi peliharaan yang

sedikit karena hidup di dalam kandang dan dipelihara secara intensif

11

(Natasasmita, dkk2005).Secara umum perbedaan tekstur daging sapi dan daging

babi dapat dilihat Gambar 2.1.

Daging Babi Daging Sapi

Gambar 2.1 Perbedaan Tekstur Daging Sapi dan Daging Babi

2.2.3. Warna Daging Sapi Dan Daging Babi

Daging babi memiliki warna yang lebih pucat dari daging sapi (Gambar

2.2), warna daging babi mendekati warna daging ayam.Namun perbedaan ini tak

dapat dijadikan pegangan, karena warna pada daging babi oplosan biasanya

dikamuflase dengan pelumuran darah sapi, walau kamuflase ini dapat

dihilangkan dengan perendaman dengan air.Selain itu, ada bagian tertentu dari

daging babi yang warnanya mirip sekali dengan daging sapi sehingga sangat

sulit membedakannya.(Natasasmita, dkk 2005). Gambar 2.2

12

Daging Babi Daging Sapi

Gambar 2.2 Perbedaan Warna Daging Babi Dan Daging Sapi

2.2.4. Pengolahan Citra Digital

Dimulai pada tahun 1921, yaitu pertama kalinya sebuah foto berhasil

ditransmisikan secara digital melalui kabel laut dari kota New York ke kota

London, keuntungan utama yang dirasakan pada waktu itu adalahan

pengurangan waktu pengiriman foto dari sekitar 1 minggu menjadi kurung waktu

dari 3 jam. Sebelum dikirim, citra terlebih dulu dikodekan dan setelah diterima

citra direkonstruksi ulang. Contoh ini sebenaranya masih tepat digunakan

sebagai sebagai awal mula pengolahan citra digital karena dalam prosesnya

belum menggunakan teknologi komputer (Gonzales, 2002).

Pengolahan citra merupakan bidang yang bersifat multidisiplin dan terdiri

dari banyak aspek, antara lain fisika (optik, nuklir, gelombang dan lain-lain),

matematika, seni, fotografi dan teknologi komputer. Pengolahan citra (image

processing) memiliki hubungan yang sangat erat denga disiplin ilmu yang lain jika

sebuah disiplin ilmu dinyatakan dalam bentuk proses suatu input berupa citra

serta output yang juga berupa citra.

Pengenalan pola (pattern Recognittion) menerjemahkan citra menjadi

deskripsi atau suatu informasi yag merepresentasikan citra tadi. Sebagai contoh,

pada aplikasi pemilahan produk pertanian, dari citra sebuah kentang dapat

diambil informasi mengenai kentang tersebut, misalnya ukuran, warna kulit,

bentuk (bulat atau gepeng), atau ada tidaknya bagian yang busuk pada kentang

itu. Contoh lain adalah pada aplikasi sensor visual untuk mengenali kendaraan

penghuni sebuah apartemen. Dari citra kendaraan yang lewat pintu gerbang

apartemen dapat diambil informasi mengenai warna dan jenis kendaraan serta

13

nomor polisnya. Sebaliknya, disiplin ilmu grafika komputer (computer Graphics)

mencoba beberapa ahli menambah rangkaian ilmu tadi dengan kecerdasan

buatan (Artificial Intelligence) yang digunakan untuk menerjemahkan

deskripsi/informasi yang telah diperoleh tadi menjadi informasi lain lebih berguna

untuk mengambil keputusan. (B. Achmad danK. Firdausy, 2013).

Dalam computer vision , secara umum proses yang terjadi seperti terlihat

dalam gambar 2.3 suatu citra digital melalui pengolahan citra digital (digital image

processing) menghasilkan citra digital yang baru, termasuk di dalamnya adalah

perbaikan citra (image restoration) dan peningkatan kualitas citra (image

enhancement). sedangkan analisi citra digital (digital image analysis)

menghasilkan suatu keputusan atau suatu data, termasuk di dalamnya adalah

pengenalan pola (pattern recongnittion). (B. Achmad dan K, Firdausy2013).

Gambar 2.3Urutan Pengolahan Citra Digital Sumber(B Ahmad, dan K Firdausy)

2.2.5. Gray Level Co-Occurrence Matrix (GLCM)

Metode GLCM (Gray- Level Cooccurrence Matrix) adalah salah satu cara

mengekstraksi fitur tekstur statistik orde-kedua. GLCM (yang disebut juga Grey

Tone Spatial Dependency Matrix) adalah tabulasi mengenai frekuensi atau

seberapa seringnya kombinasi nilai kecerahan piksel yang berbeda posisinya

terjadi dalam suatu.Ilustrasi pembentukan GLCM atas citra dengan 4 tingkat

keabuan (gray level) pada jarak d=1 dan arah 0 adalah seperti pada Gambar 2.4

Citra non

digital/sifat

fisik objek

Citra

Digital Pencitra

n

a

Pengolahan

citra digital

a

Citra

Digital Analisis citra

digital

a

Data/

keptusan

14

0

0

0

33

2 2

1

1

1

1

3

3

2

2

2

2

0

2

2

33

0 1

0 1

2

2

0 4 0 0

01

0 4

0 0 5

0 0

10 2 3

0

1

2

3

2

(a) (b)

GLCMdengan 4 tingkat keabuan Hasil GLCM pada jarak 1 arah 0

Gambar 2.4Mekanisme GLCM

Matriks GLCM mampu menangkap sifat tekstur tetapi tidak secara

langsung dapat digunakan sebagai alat analisis, misalnya membandingkan dua

tekstur.Data ini harus disarikan lagi agar didapatkan angka-angka yang bisa

digunakan untuk mengklasifikasi tekstur. Haralick pada tahun 1973 mengusulkan

14 ukuran (atau ciri/fitur), tetapi Connors dan Harlow pada tahun 1980-an

mengkaji bahwa dari 14 fitur yang diusulkan Haralick tersebut, hanya 5

diantaranya yang biasa digunakan. Kelima fitur itu adalah: energi, entropi,

korelasi, homogenitas, dan inersia. fungsi histogram serta matrik GLCM sebagai

masukan sistem pengklasifikasi yaitu antara lain : mean, entropy, standar

deviasi, variance, correlation, energy, serta homogeneity.

15

Nilai Parameter GLCM adalah Nilaiyang digunakan berkisar antara

1sampai 10, namun dengan nilaiperpindahanyang besar menyebabkan tidak

tertangkapnya informasi tekstur secararinci.Dari penelitian, telah disimpulkan

bahwadenganhasil terbaikadalah1dan2.Setiappixeldalam citra memiliki

delapanpiksel tetangga dimana setiap piksel tetangga berada dalam sudut() 0,

45, 90, 135, 180, 225, 270atau315. Sudut 0 akan menghasilkan nilai yang

sama dengan sudut180, begitu juga sudut yang lain, sehingga variasi nilai

yang memungkinkan hanya empat yaitu0, 45, 90dan135.(Goswami, 2013)

2.2.6. Nave BayesClassifier

Bayes merupakan teknik prediksi berbasis probabilistik sederhana yang

berdasar pada penerapan teorema Bayes denga asumsi indenpedensi yang

kuat. Dengan kata lain, dalam Nave Bayes, model yag digunakan adalah model

model fitur independenDalam bayes (terutama Nave Bayes), maksud

indepedensi yang kuat pada fitur adalah bahwa sebuah fitur pada sebuah data

tidak berkaitan dengan ada tidaknya fitur lain dalam data yang sama. Contohnya,

pada klasifikasi hewan dengan fitur penutup kulit, melahirkan, berat, dalam dunia

nyata, hewan yang berkembang biak dengan cara melahirkan dipastikan juga

16

menyusui. Disini ada ketergantungan pada fitur yang menyusui karena hewan

yang menyusui biasanya melahirkan, atau hewan yang bertelur biasanya tidak

menyusui. Dalam Bayes, hal tersebut tidak dipandang sehungga masing-masing

fitur seolah tidak meiliki hubungan apapun.(Eko Prasetyo 2012)

Kaitan antara Nave Bayes dengan klasifikasi, korelasi hipotesis, dan

bukti denga klasifikasi adalah bahwa hipotesis dalam teorema Bayes merupakan

label kelas yang menjadi target pemetaan dalam klasifikasi, sedangkan bukti

merupakan fitur-fitur yang menjadi masukan dalam model klasifikasi. Jika X

adalah vektor masukan yang berisi fitur dan Y adalah label kelas, Nave Bayes

dituliskan dengan P(Y|X). notasu tersebut berarti probalitas lebel kelas Y

didapatkan serelah fitur-fitur X diamati. Notasi ini disebut juga probabilitas akhir

(psterior probability) untuk Y, sedangkan P(Y) disebut probabilitas awal (prior

probability) Y.Selama proses pelatihan harus dilakukan pembelajaran

probabilitas akhir (P(Y|X) pada model untuk setiap kombinasi X dan Y

berdasarkan informasi yang didapat dari data latih. Degan membangun model

tersebut, suatu data uji X dapat diklasifikasikan dengan mencari nilai Y denga

memaksimalkan nilai P(Y|X) yang didapat. (E. Prasetyo 2012)

Formulasi Nave Bayes untuk klasifikasi adalah

.(2.8)

P(Y|X) adalah probabilitas data dengan vektor X pada kelas Y. P(Y)

adalah probabilitas awal kelas Y. adalah probabilitas independen

kelas Y dari semua fitur dalam vektor X. Nilai p(X) selalu tetap sehingga dalam

perhitungan prediksi nantinya kita tinggal menghitung bagian P(Y)

dengan memilih yang terbesar sebagai kelas yang dipilih sebagai hasil prediksi.

17

Sementara probabilitas independen tersebut merupakan pengaruh

semua fitur dari data terhadap setiap kelas Y, yang dinotasikan dengan

P(X|Y = y) = .(2.9)

Setiap set fitur } terjadi atas q atribut (q dimensi). (Eko

Prasetyo 2012)

2.2.7. Android

Android adalah sebuah sistem operasi mobile yang berbasiskan pada

versi modifikasi dari linux. Pertama kali sistem operasi ini dikembangkan oleh

perusahan Android.Inc. nama perusahan inilah yang digunakan sebagai nama

proyek sistem operasi mobile tersebut, yaitu sistem operasi Android. Pada tahun

2005, sebagai bagian dari strategi untuk memasuki pasar mobile, Google

membeli Android danmengambil alih proses pengembangannya sekaligus team

developer Android. Google menginginkan Android untuk menjadi sistem operasi

Open Source dan gratis, kebanyakan code Android dirilis di bawah lisensi Open

Source Apache yang berarti setiap orang bebas untuk menggunakan dan

mengunduh source code Android. Terlebih lagi para vendor bebas untuk

mengubah sekaligus membuat penyusuain untuk Android. Di samping itu,

perusahan dapat secara bebas untuk membuat perbedaan dari produk vendor

lainya. (Wahana Komputer, 2013)

2.2.7.1. Fitur-fitur Android

Android adalah sebuah sistem operasi mobile Open Source dan dapat

dimanufaktur untuk dikustominasasi sehingga tidak ada konfigurasi yang pasti

18

mengenai software dan hardware-nya. Akan tetapi, secara garis besar Android

sendiri mendukung fitur-fitur berikut: (Wahana Komputer 2013).

Storage: mendukung SQL Lite. SQL Lite adalah sebuah database

relational lite (versi ringan) yang digunakan untuk penyimpanan

data.

Media Support: Dukungan media meliputi file media bertipe:

H.263, H.264 (Dalam bentuk 3GP atau MP4container), MPEG-4

SP, AMR, AMR-WB, AAC, HE-AAC, MP3, MIDI, Ogg Vorbis, Wav,

JPEG, PNG, GIF, dan BMP.

Dukungan Hardware: sensor accelerometer, Camera, Kompas

digital, Sensor proximity, dan GPS.

Multi Touch: Mendukung kemampuan untuk melaksanakan tugas

secara bersama.

Flash: Mendukung animasi Flash.

Lingkungan pengembangan yang komplek, termasuk emulator,

peralatan debugging, dan plugin untuk Eclipse IDE.

2.2.7.2. Arsitektur Android

Dalam memahami mengenai bagaimana cara kerja android, dapat kita

lihat arsitektur Android yang ditunjukkan pada gambar 2.5.

19

Gambar 2.5 Arsitektur Sistem Android Sumber (Wahana Komputer 2013)