P. 1
Klasifikasi Mutu Buah Manggis Fuzzy C Means

Klasifikasi Mutu Buah Manggis Fuzzy C Means

|Views: 869|Likes:
Published by Octa Heriana
Klasifikasi Mutu Buah Manggis Berdasarkan Warna Berbasis Fuzzy C Means dan Template Matching
Octa Heriana1, Risanuri Hidayat2
Jurusan Teknik Elektro FT UGM Jln. Grafika 2 Yogyakarta 55281 INDONESIA
Intisari— Paper ini memaparkan tentang metode pengklasifikasian mutu buah manggis berdasarkan dari nilai komponen warna. Metode yang diusulkan adalah Fuzzy C Means untuk pengklasifikasian warna, dan template matching dengan analisis jarak rerata tiap komponen warna. Metode pengklasifikasian ini bertuj
Klasifikasi Mutu Buah Manggis Berdasarkan Warna Berbasis Fuzzy C Means dan Template Matching
Octa Heriana1, Risanuri Hidayat2
Jurusan Teknik Elektro FT UGM Jln. Grafika 2 Yogyakarta 55281 INDONESIA
Intisari— Paper ini memaparkan tentang metode pengklasifikasian mutu buah manggis berdasarkan dari nilai komponen warna. Metode yang diusulkan adalah Fuzzy C Means untuk pengklasifikasian warna, dan template matching dengan analisis jarak rerata tiap komponen warna. Metode pengklasifikasian ini bertuj

More info:

Published by: Octa Heriana on Apr 11, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

06/24/2015

pdf

text

original

Klasifikasi Mutu Buah Manggis Berdasarkan Warna Berbasis Fuzzy C Means dan Template Matching

Octa Heriana1, Risanuri Hidayat2
Jurusan Teknik Elektro FT UGM Jln. Grafika 2 Yogyakarta 55281 INDONESIA
Intisari— Paper ini memaparkan tentang metode pengklasifikasian mutu buah manggis berdasarkan dari nilai komponen warna. Metode yang diusulkan adalah Fuzzy C Means untuk pengklasifikasian warna, dan template matching dengan analisis jarak rerata tiap komponen warna. Metode pengklasifikasian ini bertujuan untuk mengklasifikasi mutu buah manggis berdasarkan warna kulit dan ukuran diameter, sesuai dengan yang tertera di SNI 01–. 3211-1992 . Berdasarkan pengujian, metode Fuzzy C Means cukup akurat untuk melakukan klasifikasi warna. Keywords— Klasifikasi, Fuzzy C Means, template matching.
1,2

Utara, Riau, Jawa Timur dan Sulawesi Utara. Buah manggis dapat disajikan dalam bentuk segar, sebagai buah kaleng, dibuat sirop/sari buah. Secara tradisional buah manggis adalah obat sariawan, wasir dan luka. Kulit buah dimanfaatkan sebagai pewarna termasuk untuk tekstil dan air rebusannya dimanfaatkan sebagai obat tradisional. Batang pohon dipakai sebagai bahan bangunan, kayu bakar/ kerajinan. [6]. Penelitian ini mengimplementasikan teknik Digital Image Processing untuk menghasilkan perangkat lunak yang berfungsi untuk mengklasifikasikan buah manggis berdasarkan mutunya. II. METODOLOGI PENELITIAN Bahan penelitian yang digunakan adalah citra digital dengan format standar BMP (Microsoft Windows Bitmap) dan JPEG (Joint Photografic Experts Group), dengan ukuran minimum citra sebesar 50 x 50 piksel, dan ukuran maksimumnya sebesar 800 x 600 piksel. Objek yang diteliti adalah citra buah manggis. Perbandingan input berupa data citra buah manggis yang memiliki wana-warna yang bervariasi. Penelitian ini menggunakan perangkat lunak Matlab 7 (R2009a), dengan perangkat keras pengolah data komputer/laptop. A. Studi literatur Mempelajari dasar dan berbagai metode terkait dengan cara mengumpulkan referensi dan buku tentang Fuzzy C Means, pemrograman Matlab, pengolahan citra, dan materi pendukung lainnya. B. Pengembangan sistem 1) Analisis Melakukan identifikasi terhadap permasalahan dan memodelkan prosedur kerja dari algoritma-algoritma yang digunakan 2) Perancangan Perancangan pengolahan input untuk menghasilkan output dengan perangkat lunak Matlab 7 (R2009a). Input berupa data citra buah manggis yang memiliki wana-warna yang bervariasi. Proses pengklasifikasian warna buah manggis dengan Fuzzy C Means dilakukan berdasarkan perbedaan warna kulit buah yang sesuai dengan standar mutu buah manggis SNI 01–. 3211-1992. Kemudian citra permukaan

I. PENDAHULUAN Gambar atau citra merupakan media informasi yang tersusun atas kombinasi warna-warna. Suatu informasi citra multikomponen dapat dianalisis melalui pengelompokkan berdasarkan persamaan bentuk atau warna. Citra yang mengandung banyak unsur warna dapat dikelompokkan menjadi beberapa warna dominan tertentu. Bagian warnawarna pada citra yang memiliki kemiripan dengan warna dominan yang dipilih, diarahkan untuk menjadi bagian dari kelompok warna dominan, dan dapat dikelompokkan berdasarkan kriteria yang ditentukan. Suatu cara pengelompokan data yang sedang berkembang saat ini adalah dengan menggunakan algoritma Fuzzy C-means. Algoritma Fuzzy C-means dikembangkan untuk membuat klasifikasi suatu kelompok objek berdasarkan persamaan ciri atau suatu ukuran [1]. Metoda pengelompokkan atau pengklasteran data untuk segmentasi gambar berwarna dengan cara pengklasifikasian tiga komponen warna dapat memberikan hasil segmentasi yang baik. Algoritma pengklasteran FCM (Fuzzy C-Means) yang digunakan untuk proses segmentasi gambar membutuhkan komputasi yang kompleks, meski demikian algoritma ini sangat sensitif untuk mengetahui nilai inisiali pusat klaster, yang merupakan hal penting untuk proses pengelompokkan atau pengklasteran data [2]. Manggis merupakan tanaman buah berupa pohon yang berasal dari hutan tropis yang teduh di kawasan Asia Tenggara, yaitu hutan belantara Malaysia atau Indonesia. Dari Asia Tenggara, tanaman ini menyebar ke daerah Amerika Tengah dan daerah tropis lainnya seperti Srilanka, Malagasi, Karibia, Hawaii dan Australia Utara. Di Indonesia manggis disebut dengan berbagai macam nama lokal seperti manggu (Jawa Barat), Manggus (Lampung), Manggusto (Sulawesi Utara), Manggista (Sumatera Barat). Pusat penanaman pohon manggis adalah Kalimantan Timur, Kalimantan Tengah, Jawa Barat (Jasinga, Ciamis, Wanayasa), Sumatera Barat, Sumatera

atau dikenal juga sebagai Fuzzy ISODATA. maka dapat dilihat bahwa pusat cluster akan menujui lokasi yang tepat. merupakan salah satu metode clustering yang merupakan bagian dari metode Hard KMeans. 5) Tentukan kriteria penghentian iterasi. pengolahan dengan algoritma Fuzzy C Means. b. Tingkat keberadaan data dalam suatu kelas atau cluster ditentukan oleh derajat keanggotaannya. FCM menggunakan model pengelompokan fuzzy sehingga data dapat menjadi anggota dari semua kelas atau cluster terbentuk dengan derajat atau tingkat keanggotaan yang berbeda antara 0 hingga 1 [6]. pertama kali adalah menentukan pusat cluster yang akan menandai lokasi rata-rata untuk tiap-tiap cluster. Pangkat (pembobot w > 1 ) d. Maksimum iterasi e. pusat cluster ini masih belum akurat. Konsep dasar FCM. 4) Pengujian program Pengujian program dilakukan dengan beberapa sampel input citra beberapa buah manggis. 3) Hitung pusat cluster V untuk setiap cluster. Kriteria penghentian ( ε = nilai positif yang sangat kecil) 2) Bentuk matriks partisi awal U (derajat keanggotaan dalam cluster).kulit buah manggis hasil klasifikasi dipisahkan berdasarkan batas warna. 4) Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi). Tiap-tiap data memiliki derajat keanggotaan untuk tiap-tiap cluster. Jumlah cluster yang akan dibentuk (C ≥ 2) c. PERANCANGAN A. dan m=jumlah m variabel (kriteria). Output yang diharapkan adalah citra hasil klasifikasi buah manggis berdasarkan mutunya. Algoritma FCM secara lengkap diberikan sebagai berikut [6]: 1) Tentukan : a. Pada kondisi awal. Apabila Δ< ε maka iterasi dihentikan. Perulangan ini didasarkan pada minimasi fungsi obyektif. Dengan cara memperbaiki pusat cluster dan nilai keanggotaan tiap-tiap data secara berulang. Pengambilan kesimpulan Mengambil kesimpulan dari proses penelitian yang didapat dari hasil pengujian program. Matriks X berukuran n x m. matriks partisi awal biasanya dibuat secara acak. III. Fuzzy C-Means Fuzzy C-means Clustering (FCM). dengan n = jumlah data yang akan di cluster. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981. meliputi pemrograman pembangkitan input citra. 3) Pemrograman (coding) Pemrograman dilakukan dengan bahasa yang dipakai pada Matlab R2009a. C. . yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya.

mutu I=0%. mutu II. Terdiri dari 3 jenis mutu. mutu I=0%. c) Tingkat keseragaman: mutu super=segar.B. mutu II=seragam. mutu I=55–56 mm. 1 berikut ini.2078 cluster_warna = 2 R = G = 9. mutu II=0% f) Tangkai dan atau kelopak: mutu super utuh.1471 gray = 12. yaitu mutu super. mutu I=segar. a) Keseragaman: mutu super=seragam. PENGUJIAN Input citra buah manggis dimasukkan ke perangkat lunak yang dibuat.3. 4 dan Gbr.3179 Gbr. mutu II=bersih khas manggis C. mutu II=0% h) Serangga hidup dan atau mati :mutu super=tidak ada. 2. mutu II=muda mengkilat e) Buah cacat atau busuk (jumlah/jumlah): mutu super=0%. i) Warna daging buah: mutu super=putih bersih. Gbr. jumlah cluster. Perancangan Software Software dibuat dengan Matlab 7 dengan tampilan seperti pada Gbr.5022 147. 5. mutu II utuh g) kadar kotoran (b/b): mutu super=0%. Nilai cluster center dari FCM. mutu=II tidak ada. mutu I. mutu I=tidak ada. b) Diameter: mutu super>65 mm. mutu I=khas manggis putih.9474 B = 9.2342 18. mutu I=seragam. d) Warna kulit: mutu super hijau. nilai rerata komponen RGB dari keseluruhan piksel gambar. mutu I=kemerahan s/d merah. mutu I utuh. mutu II<55 mm. Klasifikasi dan Standar Mutu Buah Manggis Standar mutu buah manggis tercantum dalam Standar Nasional Indonesia SNI 01–3211-1992 [6]. seperti yang tertampil pada Gbr. mean_cluster_value = 128. Kemudian citra buah manggis hasil klasifikasi dipisahkan berdasarkan masing-masing cluster. dan nilai rerata gambar dengan warna keabuan (gray) ditampilkan pada command window matlab seperti tertampil berikut ini. 1 Software pengolah citra IV. 3 Hasil klasifikasi pertama . 2 Hasil klasifikasi warna buah manggis Gbr. hasilnya seperti tampak pada Gbr. mutu=II segar. Gbr.

2 Perbandingan kesalahan Manggis m1 m2 m3 m4 m5 m6 m7 m8 m9 Error per sepuluh 0 0 0 0 0 1 0 0 0 0 Gbr. mutu I=kemerahan. yaitu mutu super = hijau. dengan komputasi yang cukup lama.31 7 8.Tabel. V. dan 5 buah manggis yang termasuk ke dalam kelas mutu I=55-56 mm. yaitu terdapat 5 buah manggis yang termasuk ke dalam kelas diameter mutu super>65 mm.5721 10.443 7.386 4 6.9922 6.1548 22.2113 5.871 4 8.577 11. dan 5 buah manggis yang termasuk ke dalam kelas mutu I=55-56 mm. kemudian terdapat 6 buah manggis yang termasuk ke dalam kelas wana kulit buah mutu I=kemerahan. mutu I=55–56 mm. dan mutu II<55 mm. KESIMPULAN Pengklasifikasian dengan Fuzzy C Means menghasilkan clustering warna yang cukup akurat. Pengujian dilakukan terhadap 10 buah citra buah manggis dengan warna dan ukuran yang bervariasi. Pengujian terhadap sepuluh data citra buah manggis yang bervariasi. 5 Hasil klasifikasi objek yang diinginkan m10 Nilai rerata RGB dan gray digunakan untuk proses pengklasifikasian berikutnya.685 2 6.685 2 4.65 mean B 9.872 11. kemudian terdapat 6 buah manggis yang termasuk ke dalam kelas wana kulit buah mutu I=kemerahan.147 1 13.167 4 9.0249 21.774 12.843 2 6.764 8 10. Kesalahan pengujian data terdapat 10%.11 3 mean R 18. Tabel. dan 4 buah manggis yang termasuk ke dalam mutu super=hijau. terdapat 5 buah manggis yang termasuk ke dalam kelas diameter mutu super>65 mm.25 8.160 1 Diameter mutu super>65 mm mutu I=55–56 mm mutu I=55–56 mm mutu super>65 mm mutu super>65 mm mutu I=55–56 mm mutu I=55–56 mm mutu super>65 mm mutu I=55–56 mm mutu super>65 mm Warna Kulit mutu I=kemerahan mutu I=kemerahan mutu I=kemerahan mutu super = hijau mutu super = hijau mutu I=kemerahan mutu I=kemerahan mutu super = hijau mutu super = hijau mutu I=kemerahan Gbr.335 2 13. dan 4 buah manggis yang termasuk ke dalam mutu super=hijau. 2. Pengklasifikasian warna kulit buah terdiri dari tiga kelas.745 8 7.217 20.8219 13.75 3 9. Pengklasifikasian mutu .234 2 6. 4 Hasil klasifikasi kedua Berdasarkan pengujian terhadap sepuluh citra buah manggis. yaitu mutu super>65 mm. menghasilkan 2 kelompok kelas pada kelas ukuran diameter dan warna kulit buah.137 8 13.9474 7. seperti tertampil pada Tabel.160 1 4. dan mutu II=muda mengkilat. 1 Hasil pengujian Manggi s m1 m2 m3 m4 m5 m6 m7 m8 m9 m10 mean gray 12. Hasil pengujian dengan analisis keterkaitan jumlah rerata nilai tiap komponen warna dengan klasifikasi warna buah serta ukuran diameter buah adalah seperti tertampil pada Tabel.006 1 5.769 9. Dan untuk pengklasifikasian diameter terdiri dari tiga kelas.257 mean G 9.489 14.654 3 9.931 6.19 14.1 berikut ini.19 13. yaitu pengklasifikasian buah manggis berdasarkan warna dan ukuran diameternya.592 9.

)”.” 2009 International Conference on Environmental Science and Information Application Technology. Y. “An Improved FCM algorithm for Color Image Segmentation.php? option=com_repository&Itemid=34&task=detail&nim=111051032 “MANGGIS. Xianyi. “Aplikasi Segmentasi Gambar dengan Menggunakan Metode Level Set”.buah manggis berdasarkan analisis rerata komponen warna RGB dan gray kurang baik dengan tingkat kesalahan 10%. B. 8. no. (Garcinia mangostana L. available at: http://www.” 2008 International Workshop on Education Technology and Training & 2008 International Workshop on Geoscience and Remote Sensing. Liu.pdf [2] [3] [4] [5] [6] .go. IEEE. S. Du. Tian.ristek. November 2007: 130 – 133. 2008. IEEE.id/library/index. P. “A Modified Fuzzy C-means Algorithm in Remote Sensing Image Segmentation. Wang. G. S. Z.ittelkom. Jurnal Informatika vol. Xiangpu. “Pendeteksian Penyakit Kulit Menggunakan Kombinasi Analisa Warna dan Tekstur dengan Color Histogram dan Edge Histogram Descriptor. 2. Joko. Hu. Miao.” The 3rd International Conference on Innovative Computing Information and Control (ICICIC'08). 2008.” available at: http://www. K. G. REFERENSI [1] C. G. IEEE. Yohan. Cherry. dan M. 2009. F. G.id/pertanian/manggis.warintek.ac. Zou. Kartika. “An Image Segmentation of Fuzzy C-means Clustering Based on the Combination of Improved Ant Colony Algorithm and Genetic Algorithm.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->