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 %