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

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

5022 147. 3 Hasil klasifikasi pertama . Kemudian citra buah manggis hasil klasifikasi dipisahkan berdasarkan masing-masing cluster. mutu II utuh g) kadar kotoran (b/b): mutu super=0%. mutu I utuh. nilai rerata komponen RGB dari keseluruhan piksel gambar. mutu I=0%. mutu I=segar. mutu II=0% f) Tangkai dan atau kelopak: mutu super utuh. Gbr. mutu I=seragam. 5. mutu I=0%. i) Warna daging buah: mutu super=putih bersih. mean_cluster_value = 128. PENGUJIAN Input citra buah manggis dimasukkan ke perangkat lunak yang dibuat.B. jumlah cluster. 1 berikut ini. mutu II. 4 dan Gbr.9474 B = 9. c) Tingkat keseragaman: mutu super=segar. mutu II=bersih khas manggis C. mutu I=55–56 mm.1471 gray = 12. mutu=II segar. a) Keseragaman: mutu super=seragam.3. mutu II=muda mengkilat e) Buah cacat atau busuk (jumlah/jumlah): mutu super=0%. yaitu mutu super. Perancangan Software Software dibuat dengan Matlab 7 dengan tampilan seperti pada Gbr. dan nilai rerata gambar dengan warna keabuan (gray) ditampilkan pada command window matlab seperti tertampil berikut ini. mutu I=kemerahan s/d merah. mutu I=khas manggis putih.2078 cluster_warna = 2 R = G = 9. Nilai cluster center dari FCM. 2. hasilnya seperti tampak pada Gbr. Klasifikasi dan Standar Mutu Buah Manggis Standar mutu buah manggis tercantum dalam Standar Nasional Indonesia SNI 01–3211-1992 [6]. mutu I. mutu=II tidak ada. 2 Hasil klasifikasi warna buah manggis Gbr. mutu I=tidak ada.3179 Gbr. seperti yang tertampil pada Gbr. Terdiri dari 3 jenis mutu.2342 18. d) Warna kulit: mutu super hijau. b) Diameter: mutu super>65 mm. 1 Software pengolah citra IV. Gbr. mutu II<55 mm. mutu II=0% h) Serangga hidup dan atau mati :mutu super=tidak ada. mutu II=seragam.

Pengklasifikasian mutu .9922 6.764 8 10.65 mean B 9. menghasilkan 2 kelompok kelas pada kelas ukuran diameter dan warna kulit buah.745 8 7.006 1 5.5721 10.167 4 9.9474 7. kemudian terdapat 6 buah manggis yang termasuk ke dalam kelas wana kulit buah mutu I=kemerahan.489 14.774 12. Kesalahan pengujian data terdapat 10%.577 11.19 14. dengan komputasi yang cukup lama.386 4 6. mutu I=kemerahan. dan mutu II=muda mengkilat. Pengujian terhadap sepuluh data citra buah manggis yang bervariasi. yaitu mutu super>65 mm.335 2 13.11 3 mean R 18.871 4 8. 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. dan 4 buah manggis yang termasuk ke dalam mutu super=hijau.769 9.872 11. dan 5 buah manggis yang termasuk ke dalam kelas mutu I=55-56 mm.257 mean G 9. KESIMPULAN Pengklasifikasian dengan Fuzzy C Means menghasilkan clustering warna yang cukup akurat. yaitu terdapat 5 buah manggis yang termasuk ke dalam kelas diameter mutu super>65 mm.8219 13.147 1 13.160 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. yaitu mutu super = hijau.1548 22.685 2 6.2113 5. Pengklasifikasian warna kulit buah terdiri dari tiga kelas. V.25 8.443 7. dan 5 buah manggis yang termasuk ke dalam kelas mutu I=55-56 mm.31 7 8.137 8 13. Dan untuk pengklasifikasian diameter terdiri dari tiga kelas. seperti tertampil pada Tabel.Tabel.843 2 6.160 1 4.654 3 9. dan 4 buah manggis yang termasuk ke dalam mutu super=hijau. yaitu pengklasifikasian buah manggis berdasarkan warna dan ukuran diameternya. 4 Hasil klasifikasi kedua Berdasarkan pengujian terhadap sepuluh citra buah manggis. mutu I=55–56 mm.75 3 9.592 9. Pengujian dilakukan terhadap 10 buah citra buah manggis dengan warna dan ukuran yang bervariasi.0249 21.19 13.1 berikut ini. terdapat 5 buah manggis yang termasuk ke dalam kelas diameter mutu super>65 mm. 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. kemudian terdapat 6 buah manggis yang termasuk ke dalam kelas wana kulit buah mutu I=kemerahan.234 2 6.217 20. 5 Hasil klasifikasi objek yang diinginkan m10 Nilai rerata RGB dan gray digunakan untuk proses pengklasifikasian berikutnya. dan mutu II<55 mm.685 2 4. Tabel. 2.931 6.

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

Sign up to vote on this title
UsefulNot useful

Master Your Semester with Scribd & The New York Times

Special offer: Get 4 months of Scribd and The New York Times for just $1.87 per week!

Master Your Semester with a Special Offer from Scribd & The New York Times