Upload
aditya-aufar
View
158
Download
4
Embed Size (px)
Citation preview
IDENTIFIKASI VARIETAS DURIAN MENGGUNAKAN K-
NEAREST NEIGHBOUR (KNN) BERDASARKAN CITRA DAUN
DENGAN PRAPROSES TRANSFORMASI WAVELET
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
PENDAHULUAN
Latar Belakang
Indonesia merupakan rumah bagi sebagian besar kerabat durian (Durio
Sp.). Dari sekitar 30 spesies yang ada di dunia, 20 spesies ditemukan di
Kalimantan dan tujuh spesies di Sumatera. Durian termasuk keluarga
Bombacaceae dari suku Malvaceae. Durian berkembang menjadi komoditas
komersial yang penting di tiga Negara yaitu Thailand, Indonesia, dan Malaysia.
Komoditas durian memiliki potensi ekonomi yang cukup tinggi.
Di Indonesia, produksi durian menepati urutan ke-4 setelah pisang, jeruk
dan manga dengan total produksi berkisar 388.806 sampai 797.798 ribu / tahun.
Durian dapat ditemukan di hamper seluruh wilayah Indonesia dengan berbagai
ragam varietas. Beberapa varietas yang banyak dikenal diantaranya diantaranya
durian bakul (Muara Enim), durian petruk (Jepara) dan Cane.
Potensi untuk mengembangkan durian sangat besar. Untuk
memaksimalkan potensi yang ada, merupakan pekerjaan yang cukup sulit karena
setiap durian tidak dapat tumbuh di sembarang tempat dan rasa durian juga
berbeda dari setiap jenis durian. Untuk itu perlu dilaukan penelitian untuk
mengklasifikasikan durian berdasrakan bentuk fisik seperti daun agar durian dapat
tumbuh secara maksimal sesuai dengan yang diharapkan.
TINJAUAN PUSTAKA
Wavelet
Wavelet diartikan sebagai small wave atau gelombang singkat.
Transformasi wavelet akan mengkonversi suatu sinyal ke dalam sederetan
wavelet. Gelombang singkat tersebut merupakan fungsi basis yang terletak
pada waktu berbeda. Wavelet berasal dari fungsi penskalaan (scaling
function). Wavelet disebut juga mother wavelet karena wavelet yang lainnya
lahir dari hasil penskalaan, dilasi, dan pergeseran mother wavelet .
Transformasi wavelet melakukan dekomposisi pada proses
pemfilteran. Proses emfilteran dibagi menjadi dua, yaitu low pass yang
digunakan pada low frequency berupa komponen aproksimasi dan high pass
yang digunakan pada high frequency berupa koefisien wavelet. Dekomposisi
pada wavelet akan mengekstraksi fitur dan mereduksi ukuran citra menjadi
lebih kecil.
Wavelet Haar
Haar adalah wavelet paling tua dan paling sederhana, diperkenalkan
oleh Alfred Haar pada tahun 1909. Wavelet Haar dilakukan dengan proses
perataan (averages) untuk mendapatkan bagian dari gambar yang berfrekuensi
rendah dan dilakukan proses pengurangan (differences) untuk mendapatkan
bagian dari gambar yang berfrekuensi tinggi
K-Nearest Neighbour
K-Nearest Neighbour adalah salah satu teknik klasifikasi dengan cara
membandingkan data uji yang diberikan dengan data latih yang sama. Setiap data
merepresentasikan sebuah titik dalam kelas. Data latih disimpan dalam kelas yang
telah ditentukan. K-NN akan mencari pola sebanyak k data latih yang dekat
dengan data yang belum memiliki kelas jika data yang diberikan tidak
diketahui kelasnya (Han et al. 2011). Kedekatan biasanya didefinisikan sebagai
sebuah fungsi jarak antara dua data. Fungsi jarak yang umumnya digunakan
adalah jarak Euclidean.
METODE
Penelitian ini dilakukan dengan beberapa tahapan proses untuk
mengetahui tingkat akurasi yang diperoleh menggunakan algoritme K-Neareast
Neighbour. Tahap-tahap yang dilakukan pada peneletian ini diilustrasikan pada
Gambar 9.
HASIL DAN PEMBAHASAN
Penelitian ini menggunakan 3 jenis citra daun durian, yaitu Bakul,
Cane,dan Petruk . Setiap jenis durian memiliki 8 data citra yang akan dibagi
menjadi 5 data data latih dan 3 data uji. Total data latih sebanyak 15 data dan data
uji sebanyak 9 data. Penelitian ini terdiri atas 3 percobaan, yaitu dekomposisi
wavelet level 3, 4 dan 5.
Cita awal dilakukan praproses dengan mengubah warna RGB menjadi
grayscale. Setelah itu dilakukan dekomposisi menggunakan Discrete Wavelet
Transform. Citra hasil dari dekomposi wavelet dibagi menjadi data latih dan
data uji , selanjutnya dilakukan klasifikasi menggunakan k-Nearest Neighbor.
Pada penelitian ini, nilai k yang digunakan adalah k=1 dan 3.
Hasil klastifikasi daun durian menggunakan KNN (k=1 dan 3) adalah sebagai
berikut.
1. Dekomposisi Wavelet Level 3
Untuk k = 1 berhasil dilakukan klasifikasi sebanyak 5 tekstur daun dari 9
data uji, dengan akurasi 56 %
Untuk k = 3 berhasil dilakukan klasifikasi sebanyak 3 tekstur daun dari 9
data uji, dengan akurasi 33 %
2. Dekomposisi Wavelet Level 4
Untuk k = 1 berhasil dilakukan klasifikasi sebanyak 5 tekstur daun dari 9
data uji, dengan akurasi 56 %.
Untuk k = 3 berhasil dilakukan klasifikasi sebanyak 3 tekstur daun dari 9
data uji, dengan akurasi 33 %
1. Dekomposisi Wavelet Level 5
Untuk k = 1 berhasil dilakukan klasifikasi sebanyak 4 tekstur daun dari 9
data uji, dengan akurasi 44 %
Untuk k = 3 berhasil dilakukan klasifikasi sebanyak 5 tekstur daun dari 9
data uji, dengan akurasi 56 %
Dari ketiga level wavelet dengan nilai k =1 dan k = 3, dapat diketahui bahwa
akurasi terbaik didapat dari dekomposisi wavelet level 3 dan 4 dengan nilai k=1
serta level 5 dengan nilai k=3 dengan nilai 56%.
SIMPULAN DAN SARAN
Simpulan
Dari penelitian ini, dapat disimpulkan bahwa klasifikasi daun durian,
khususnya jenis durian Bakul, Cane,dan Petruk , dapat dilakukan menggunakan
ekstraksi fitur wavelet dengan metode klasifikasi KNN. Klasifikasi terbaik didapat
dari dekomposisi wavelet level 3 dan 4 dengan nilai k=1 serta level 5 dengan nilai
k=3 dengan nilai akurasi sebesar 56 %.
Saran
Saran untuk penelitian selanjutnya adalah sebagai berikut:
1. Penambahan data uji dan data latih
2. Melakukan ekstraksi fitur wavelet untuk level dekomposisi yang lain.
3. Mencoba metode klasifikasi lain selain KNN.
4. Memperbanyak fitur-fitur lainnya seperti ekstraksi warna RGB,
YcbCr dan ekstraksi tekstur lain seperti Local Binary Pattern.
5. Pengambilan citra dilakukan pada jarak yang sama.
DAFTAR PUSTAKA
Soniari, Sri S. 2013. Identifikasi Mangrove Berbasis Citra Daun Menggunakan
Knn Dengan Ekstraksi Tekstur Wavelet [skripsi]. Bogor: Fakultas
Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Santoso PJ.2012. Identifikasi Mangrove Berbasis Citra Daun Menggunakan Knn
Dengan Ekstraksi Tekstur Wavelet.Padang:BPTBT
Lampiran:
1. Fungsi wavelet yang digunakan di matlab
function[F]=wavelet(F)
for i = 1 : 3 % ukuran i menentukan level dekomposisi wavelet %
[F,CH,CV,CD] = dwt2(F,'haar');
End
2. Fungsi knn yang digunakan di matlab
testing=[bakultesting1; bakultesting2; bakultesting3;
canetesting1; canetesting2; canetesting3; petruktesting1;
petruktesting2; petruktesting3];
training=[bakullatih1; bakullatih2; bakullatih3; bakullatih4;
bakullatih5; canelatih1; canelatih2; canelatih3; canelatih4;
canelatih5;petruklatih1; petruklatih2; petruklatih3; petruklatih4;
petruklatih5];
group=[1;1;1;1;1;2;2;2;2;2;3;3;3;3;3];
class = knnclassify(testing, training, group,4); % Parameter
knnclassify yang ke 4 adalah k %