IDENTIFIKASI VARIETAS DURIAN MENGGUNAKAN KNEAREST 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: Penambahan data uji dan data latih Melakukan ekstraksi fitur wavelet untuk level dekomposisi yang lain. Mencoba metode klasifikasi lain selain KNN. 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. 1. 2. 3. 4.

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 %