JTIKA.
Vol.
No.
September 2021
ISSN:2657-0327
KLASIFIKASI TINGKAT KESEGARAN CUMI Ae CUMI BERDASARKAN FITUR TEKSTUR DAN WARNA DENGAN MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (Classification of Squids Freshness Based on Texture and Color Using Support Vector Machin.
Fathin Zulian Tsany.
Fitri Bimantoro*.
Gibran Satya Nugraha Program Studi Teknik Informatika.
Universitas Mataram Jl.
Majapahit 62.
Mataram.
Lombok NTB.
INDONESIA Email: fathinzts@gmail.
com, bimo@unram.
id, gibransn@unram.
*Penulis Korespondensi Abstract Marine animals are very susceptible to decay.
The traditional method that is often used to distinguish the freshness of squid by local people is from the body color and smell of the squid.
This method is very simple but has many shortcomings in distinguishing freshness from squid.
The drawback of this method lies in the understanding and level of accuracy of each person who is different.
So it is necessary to create a system that can distinguish the freshness level of squid automatically only from the image of the squid.
In this study, a system model was developed that can classify the freshness level of squid using the Support Vector Mahine (SVM) method.
The GLCM and histogram methods as well as the HSI color space are used for texture and color feature extraction.
This study uses three types of classification.
The total data used in this study are 360 body images of squid that have been cropped and resized by 128 x 128 pixels for the treatment type class.
The total data for the freshness class with three types of classes is 495 and the total data for the freshness class with two types of classes is 330.
In this study, the process of cropping, augmentation, resizing and conversion of color space in the dataset was carried out.
The distribution of training data and test data is 70:30.
The highest accuracy obtained is 67.
Keywords: Squids Freshness.
SVM.
GLCM.
HSI.
Multi-Class
PENDAHULUAN
Indonesia merupakan negara kepulauan terbesar di dunia.
Wilayah pesisir dan pulau-pulau kecil dan lautan kepulauan Indonesia disimpan potensi sumber daya alam dan jasa lingkungan yang sangat besar dan belum dimanfaatkan secara optimal.
Potensi lestari sumberdaya perikanan laut Indonesia kurang lebih 6,4 juta ton per tahun .
Dengan luasnya perairan di Indonesia maka beragam pula hasil laut yang didapat, salah satunya adalah cumi Ae cumi.
Nilai rata-rata hasil tangkapan cumi Ae cumi setiap tahun sebesar 88ton dan 189ton untuk wilayah selat Karimata hingga Laut Jawa pada tahun 2011 Ae 2012 .
Banyaknya hasil laut berupa cumi Ae cumi menyebabkan berkembangnya restoran yang menyediakan seafood.
Kebiasaan mengkonsumsi seafood di kalangan masyarakat semakin meningkat.
Seafood merupakan makanan yang berasal dari olahan hewan-hewan laut, seperti udang, cumi-cumi, kepiting, ikan-ikan laut dan http://jtika.
id/index.
php/JTIKA/ Seafood dapat dikatakan salah satu olahan makanan yang paling digemari oleh masyarakat dan sering menjadi makanan untuk dikonsumsi sehari-hari.
Hewan-hewan laut yang sering dijadikan menu olahan seafood dapat dikatakan relatif mudah didapatkan karena bisa dijumpai di pasar tradisional maupun pasar Cumi Ae cumi merupakan hewan lunak (Phyllum Mollusc.
yang banyak digemari karena mengandung nilai gizi yang tinggi .
Cumi Ae cumi mengandung gizi yang baik untuk manusia, yaitu selenium, riboflavin, dan vitamin B 12.
Tinta pada cumicumi juga dapat berfungsi sebagai antioksidan .
Seperti hewan laut lainnya cumi Ae cumi cepat mengalami pembusukkan.
Ketika membeli cumi-cumi tentunya konsumen harus bisa membedakan mana cumi-cumi yang segar atau tidak.
Tingkat kesegaran cumi-cumi juga akan berpengaruh pada cita rasa dan gizi dari makanan yang akan dibuat nantinya.
Oleh karena itu, sangat penting untuk dapat membedakan cumi-cumi segar, atau yang sudah setengah segar JTIKA.
Vol.
No.
September 2021 maupun yang sudah tidak layak dikonsumsi.
Masih banyak masyarakat yang menjadi konsumen atau pembeli cumi-cumi yang belum bisa membedakan cumi-cumi segar atau yang sudah tidak segar lagi.
Kebiasaan masyarakat membedakan cumi - cumi dari Jika warnanya putih dan tidak pucat dapat dikatakan segar oleh masyarakat padahal faktanya cumi - cumi dengan warna putih sudah masuk kategori tidak segar.
Oleh karena itu, perlu adanya cara untuk bagaimana cara membedakan cumi-cumi segar, tidak segar dan busuk dengan cara yang efektif.
Terdapat banyak metode yang dapat digunakan untuk klasifikasi tingkat kesegaran, salah satunya adalah metode support vector machine.
Support vector machine merupakan mesin pembelajaran yang dapat digunakan untuk klasifikasi citra yang terdiri atas dua Saat ini telah ada multi class support vector machine yang dapat mengklasifikasi data ke dalam beberapa kelas .
ebih dari dua kela.
Sebelumnya telah digunakan metode support vector machine untuk klasifikasi tingkat kesegaran hewan laut yaitu ikan dengan akurasi sebesar 98% .
Sepengetahuan penulis belum ada yang melakukan penelitian khusus tentang klasifikasi kesegaran cumi-cumi, penelitian sejenis membahas tentang klasifikasi kelas cumi-cumi menggunakan Artificial Neural Network (ANN) .
Fitur atau ciri yang dapat membedakan tingkat kesegaran cumi-cumi diperoleh berdasarkan fitur tekstur dan warna.
Semakin lama umur daging cumi Ae cumi akan membuat cumi Ae cumi mengalami perubahan warna menjadi semakin mendekati warna merah dan perubahan tekstur yaitu bertambahnya bintik Ae bintik merah pada tubuh cumi Ae cumi.
Untuk fitur warna digunakan model ruang warna HSI dan metode histogram.
Model ruang warna HSI dapat menggambarkan warna yang dilihat oleh mata manusia .
Digunakan metode GLCM untuk ekstraksi fitur tekstur.
Metode GLCM sangat berguna pada pengenalan pola .
Kombinasi antara ruang warna HSI dengan metode GLCM telah banyak digunakan oleh peneliti sebelumnya dan menghasilkan akurasi yang cukup tinggi.
Salah satu penelitian yang menggunakan kombinasi antara ruang warna HSI dan GLCM yaitu penelitian tentang kesegaran daging sapi yang menghasilkan akurasi sebesar 90,5% .
Berdasarkan uraian yang telah dipaparkan di atas penulis akan melakukan penelitian yang berjudul AuKlasifikasi Tingkat Kesegaran Cumi Berdasarkan Fitur Tekstur dan Warna dengan Menggunakan Metode Support Vector MachineAy.
Di dalam penelitian ini, tingkat kesegaran cumi Ae cumi lokal akan diklasifikasi http://jtika.
id/index.
php/JTIKA/ ISSN:2657-0327 berdasarkan fitur tekstur dan warna yang ada pada badan cumi Ae cumi dengan menggunakan metode klasifikasi support vector machine.
TINJAUAN PUSTAKA
Beberapa penelitian terbaru yang berkaitan dengan penelitian tingkat kesegaran telah dilakukan sebelumnya oleh peneliti terdahulu namun untuk objek berupa cumi belum pernah dilakukan.
Penelitian tentang cumi Ae cumi .
pada bidang computer vision Telah dilakukan namun penelitian tersebut meneliti tentang jenis cumi Ae cumi berdasarkan bentuk multilayer perceptron (MLP).
Klasifikasi tingkat kesegaran hewan laut .
lainnya pernah dilakukan oleh peneliti sebelumnya dengan menggunakan metode pendekatan kuadran terkecil dengan akurasi sebesar 83,33%.
Dalam kasus hewan laut yang sama yaitu ikan pernah dilakukan penelitian tentang kesegaran ikan menggunakan metode support vector machine .
dengan akurasi sebesar 78,59%.
Ruang warna HSI telah banyak digunakan pada Penelitian menentukan kesegaran apel .
dengan menggunakan citra dari kulit buah apel yang utuh kemudian citra diubah dari RGB ke ruang warna HSI sehingga diperoleh akurasi tertinggi sebesar 50%.
Ruang warna yang sama digunakan pada klasifikasi daging sapi segar .
dengan akurasi tertinggi sebesar 84% untuk pengaruh ruang warna HSI terhadap rotasi.
Metode GLCM telah digunakan pada penelitian sebelumnya tentang klasifikasi daging sapi segar.
dengan menggunakan citra daging sapi dengan 2 perlakuan yaitu dengan suhu chilling atau pendinginan dan tanpa pendinginan.
Didapatkan akurasi sebesar 90,5%.
Metode yang sama juga digunakan pada kasus .
menggunakan citra dari tembok bangunan yang memiliki garis retakan paling parah dan didapatkan akurasi sebesar 96,35%.
Dengan menggunakan metode GLCM untuk kasus klasifikasi variasi lahan padi .
dengan menggunakan citra warna lahan padi yang berbeda Ae beda sehingga didapatkan akurasi sebesar 7% untuk tanaman padi yang baru tumbuh, 83.
untuk tanaman padi yang subur 100% untuk tanaman padi yang sudah matang.
Metode serupa juga digunakan dalam klasifikasi gambar lahan pertanian .
dengan akurasi sebesar 84,375%.
Adapun metode support vector machine telah digunakan dalam berbagai kasus klasifikasi.
Penelitian tentang klasifikasi tingkat kesegaran daging .
menggunakan metode support vector machine dengan JTIKA.
Vol.
No.
September 2021 akurasi sebesar 90,5%.
Metode yang sama juga digunakan pada klasifikasi retakan bangunan .
dan didapatkan tingkat akurasi sebesar 96,35%.
Klasifikasi tingkat kesegaran hewan laut.
juga pernah dilakukan dengan menggunakan metode serupa dengan akurasi sebesar 78,59%.
Berdasarkan penjelasan di atas, maka fitur tekstur pada badan cumi - cumi juga dapat diekstraksi dengan metode ekstraksi fitur GLCM dan fitur warna pada badan cumi Ae cumi dapat diekstraksi menggunakan model ruang warna HSI dan metode histogram serta klasifikasi dapat dilakukan dengan menggunakan metode klasifikasi Support Vector Machine.
Sehingga pada penelitian ini akan dibangun sistem klasifikasi tingkat kesegaran cumi Ae cumi dengan menggunakan metode Support Vector Machine.
Classifier Support Vector Machine dipilih karena merupakan salah satu classifier yang dapat mengatasi permasalahan pada data yang non linear.
METODE PENELITIAN
Diagram Alir Penelitian ISSN:2657-0327 studi literatur dengan tujuan untuk menambah dasar serta wawasan penulis dalam melakukan penelitian ini.
Studi literatur bersumber dari jurnal Ae jurnal serta buku yang berisi materi terkait.
Tahap selanjutnya merupakan pengumpulan data sampel.
Pada tahap ini dilakukan pengambilan citra cumi Ae cumi serta pengumpulan dataset yang akan digunakan pada penelitian ini.
Kemudian dilakukan perancangan model, tahap ini meliputi perancangan sistem seperti apa yang akan dihasilkan pada penelitian ini.
Dilakukan pengujian untuk mengetahui apakah sistem berjalan sesuai fungsinya atau tidak.
Jika tidak berjalan sesuai fungsinya maka kembali ke tahap pengumpulan data sampel untuk mengecek apakah ada kesalahan pada data yang digunakan.
Analisa hasil merupakan tahapan untuk analisa hasil dari sistem yang telah dibuat pada penelitian ini.
Dari hasil analisa diperoleh kesimpulan pada penelitian ini.
Pengumpulan Data Sampel Data yang digunakan berupa foto cumi Ae cumi dengan menggunakan tiga kondisi yaitu tanpa pendinginan, direndam air es dan disimpan di dalam kulkas dengan suhu medium.
Foto cumi Ae cumi yang digunakan pada penelitian ini diambil langsung oleh Cumi Ae cumi yang digunakan diperoleh dari pedagang di pasar Tanjung Luar.
Waktu yang ditempuh untuk mengambil cumi Ae cumi ke tempat pengambilan foto dataset 3-3,5 jam.
Cumi Ae cumi dengan kondisi tanpa pendinginan diambil selama 7 jam setiap Cumi Ae cumi dengan kondisi disimpan di dalam kulkas diambil sekali setiap hari selama 14 hari.
Cumi Ae cumi dengan kondisi direndam air es dilakukan pengambilan gambar sebanyak dua kali setiap harinya selama 7 hari dan air rendaman diganti setiap selesai mengambil gambar.
Adapun contoh citra cumi Ae cumi yang telah dikumpulkan dapat dilihat pada Tabel I.
Sehingga data yang diperoleh dan digunakan nantinya sejumlah 360 data.
TABEL I.
CONTOH CITRA CUMI Ae CUMI DISIMPAN DI DALAM KULKAS Citra Hari Citra Gambar 1.
Diagram Alir Penelitian Pada penelitian ini akan dilakukan beberapa tahapan seperti pada Gambar 1.
Pertama dilakukan http://jtika.
id/index.
php/JTIKA/ Hari keCitra JTIKA.
Vol.
No.
September 2021 Hari ISSN:2657-0327 Pelabelan dataset dilakukan oleh pakar dari Dinas Perairan dan Perikanan Provinsi NTB.
Adapun penjelasan lebih rinci mengenai data yang akan digunakan untuk masing Ae masing kelas dapat dilihat pada Tabel II.
Tabel i, dan Tabel IV TABEL II.
PEMBAGIAN DATASET KELAS JENIS PERLAKUAN
Jenis Data Kelas Direndam air es Disimpan di dalam Gambar 2.
Perancangan Sistem Terdapat dua proses utama pada penelitian ini yaitu proses pelatihan dan proses klasifikasi.
Penjelasan tentang tahapan proses pelatihan dan klasifikasi akan dijelaskan pada subbab 3.
1 sampai Tanpa Data Latih Data Uji Total Total TABEL i.
PEMBAGIAN DATASET KELAS JENIS KESEGARAN 3
KELAS
Jenis Data Data Latih Data Uji Kelas Tidak Segar Segar Total Busuk Total TABEL IV.
PEMBAGIAN DATASET KELAS JENIS KESEGARAN 2
KELAS
Jenis Data Data Latih Data Uji Kelas Total Segar Tidak Segar Total Perbedaan pada Tabel i dan Tabel IV yaitu terletak pada perbedaan dataset yang digunakan.
Dilakukan augmentasi data untuk kelas tidak segar dan kelas busuk pada Tabel i.
Sedangkan pada Tabel IV terdapat penggabungan dataset dari data kelas busuk dan tidak segar menjadi kelas tidak segar.
Perancangan Model http://jtika.
id/index.
php/JTIKA/ PreProcessing Pada tahap Preprocessing, akan dilakukan empat tahapan yaitu cropping, resize, augmentasi, dan konversi ruang warna.
Berikut penjelasan dan uraian mengenai tahap Ae tahap proses preprocessing Cropping, merupakan proses pemotongan citra menjadi ukuran tertentu.
Proses ini digunakan dengan tujuan agar dapat meningkatkan akurasi dari sistem.
Pada penelitian ini dilakukan cropping citra dengan rasio 1:1 pada bagian badan cumi Ae Proses ini dilakukan secara manual.
Augmentasi citra, merupakan proses mengubah gambar agar komputer mengenali gambar baru sebagai gambar yang berbeda namun manusia masih mengenali gambar baru adalah gambar yang sama dengan gambar awal.
Proses ini dilakukan dengan tujuan untuk memperbanyak dan menyeimbangkan jumlah data setiap kelasnya.
Resize, merupakan proses perubahan ukuran citra.
Proses ini bertujuan untuk memberikan dataset yang seragam sehingga dapat mempermudah pelatihan sistem.
Pada penelitian ini digunakan citra yang telah di-resize dengan ukuran 128 piksel x 128 piksel.
Konversi ruang warna merupakan tahap terakhir dari proses preprocessing.
Warna citra dikonversi dari warna semula yaitu RGB menjadi HSI dan JTIKA.
Vol.
No.
September 2021
ISSN:2657-0327
Semua citra hasil dari ketiga tahapan preprocessing tersebut selanjutnya akan diproses pada tahapan ekstraksi fitur Fitur Tekstur GLCM Contrast yaycuycu Oe1 Ocycu=0 ycu Ocycn=1 Oc yc=1 ycy ycn, yc Ekstraksi Fitur Fitur Warna RGB.
Pada ruang warna atau RGB masing-masing piksel memiliki warna tertentu, warna tersebut adalah merah (Re.
, hijau (Gree.
dan biru (Blu.
Jika masing-masing warna memiliki range 0 - 255, maka totalnya adalah 2553 = 375 .
K) variasi warna berbeda pada gambar, dimana variasi warna ini cukup untuk gambar apapun.
Karena jumlah bit yang diperlukan untuk setiap piksel, gambar tersebut juga disebut gambar-bit warna.
Ruang warna ini terdiri dari tiga matriks yang mewakili nilai-nilai merah, hijau dan biru untuk setiap pikselnya .
Fitur Warna HSI.
Model warna HSI mendefinisikan warna dalam terminologi Hue.
Saturation dan Intensity.
Hue menyatakan warna sebenarnya, seperti merah, hijau dan biru.
Hue digunakan warna-warna menentukan kemerahan .
, kehijauan .
dan sebagainya dari cahaya.
Saturation menyatakan tingkat kemurnian suatu warna, yaitu mengindikasikan seberapa banyak warna putih diberikan pada warna.
Intensity adalah atribut yang menyatakan banyaknya cahaya yang diterima oleh mata tanpa memperdulikan warna.
Dari warna RGB bisa didapatkan warna HSI melalui persamaan 1 sampai 4 untuk setiap komponen Ae komponen HSI .
ya yuE ycycnycoyca yaA ycycnycoyca yaA ya ya .
ycIOeya ycIOeyaA ycaycuyc Oe1 ycIOeya ycIOeyaA yaOeyaA ya ycI ya yaA min ycI, ya, yaA ycI ya yaA Fitur Warna Grayscale.
Untuk mengubah citra berwarna yang mempunyai nilai matriks masing Ae masing r, g dan b menjadi citra grayscale dengan nilai s, maka konversi dapat dilakukan dengan mengambil rata-rata dari nilai r, g dan b sehingga dapat dituliskan menjadi persamaan .
cnOey.
=ycu ycI ya yaA http://jtika.
id/index.
php/JTIKA/ .
Corellation yaycuyc Oc Oc ycnyc ycy ycn,yc OeyuN yuN Homogeneity yayaycA Ocycn Ocyc ycy ycn, yc Ocycn Ocyc ycy ycn, yc log ycy ycn, yc 1 ycnOeyc Entropy yaycuyc Variance ycycayc Ocycn Ocyc ycn yuN ycy ycn, yc Support Vector Machine (SVM) Support Vector Machine merupakan salah satu algoritma klasifikasi yang paling handal.
SVM
didasarkan pada gagasan untuk memaksimalkan margin yaitu memaksimalkan jarak minimum dari hyperplane pemisah ke contoh terdekat.
SVM dasar hanya mendukung klasifikasi biner, tetapi ekstensi SVM telah diusulkan untuk menangani kasus klasifikasi multiclass juga.
Dalam ekstensi ini, parameter dan batasan tambahan ditambahkan ke masalah optimisasi untuk menangani pemisahan kelas yang berbeda.
Formulasi SVM dapat menghasilkan masalah optimisasi besar, yang mungkin tidak praktis untuk sejumlah kelas besar.
Di sisi lain.
SVM melaporkan formulasi yang lebih baik dengan implementasi yang lebih efisien .
Dalam kasus klasifikasi yang secara linier bisa dipisahkan, dapat digunakan fungsi pemisah seperti pada persamaan .
yce ycu ycycN.
Di mana yc Ocycn ycaycn .
ycIycn dan b adalah bias, sedangkan x merupakan nilai dari citra uji.
Hyperplane pemisah terbaik antara kedua kelas dapat ditemukan dengan mengukur margin hyperplane dan mencari titik Margin adalah jarak antara hyperplane tersebut dengan pattern terdekat dari masing-masing Pattern yang paling dekat ini disebut sebagai support vector.
Garis ab pada Gambar 3 menunjukkan hyperplane terbaik, yaitu terletak tepat pada tengahtengah kedua kelas sedangkan lingkaran dan kotak yang terletak pada garis putus-putus cd dan ef merupakan support vector .
JTIKA.
Vol.
No.
September 2021
ISSN:2657-0327
Gambar 3.
Margin hyperplane Setiap data latih dinyatakan oleh .
, y ), di mana i=1,2.
N, dan x ={ x , x .
A, x .
ycN merupakan atribut .
set untuk data latih ke-i.
q merupakan data xi keq.
y OO {-1, .
menyatakan label kelas seperti pada Gambar 4 .
Gambar 5.
Gambar 5 Ilustrasi One-Against-All One-Against-One merupakan metode yang mengharuskan membangun sejumlah model SVM biner yang membandingkan satu kelas dengan kelas lainnya.
Pada metode ini juga memungkin terbentuknya area Ae area yang tidak dapat diklasifikasikan dapat diilustrasikan pada Gambar 6, di mana area Ae area yang tidak dapat diklasifikasikan ditunjukan dengan warna abu Ae abu .
Gambar 4.
Ilustrasi SVM Hyperplane klasifikasi linier SVM, seperti pada Gambar 3, dinotasikan seperti pada persamaan .
Data ycuycn yang masuk ke dalam kelas -1 adalah data yang memenuhi pertidaksamaan .
Sementara data ycuycn yang masuk ke dalam kelas 1 adalah data yang memenuhi pertidaksamaan .
Multi-Class SVM One-Against-All merupakan metode yang membandingkan satu kelas dengan semua kelas lainnya, sehingga dikenal sebagai one-againsttheRest.
Kelemahan utama metode One-AgainstAll ini adalah terbentuknya area Ae area yang tidak dapat diklasifikasikan .
ang bukan termasuk kelas Hal ini dapat diilustrasikan pada Gambar 5, di mana area Ae are yang tidak dapat diklasifikasikan ditunjukan dengan warna abu Ae abu .
http://jtika.
id/index.
php/JTIKA/ Gambar 6.
Gambar 6 Ilustrasi One-Against-One HASIL DAN PEMBAHASAN Hasil Pengujian dilakukan dengan menggunakan metode yang sama seperti pelatihan yaitu dengan menggunakan metode Support Vector Machine.
Adapun parameter pengujian yang digunakan yaitu pengaruh kualitas gambar terhadap akurasi dan pengaruh rotasi gambar terhadap akurasi.
Proses pengujian untuk setiap kelasnya dapat dilihat pada Gambar 7.
JTIKA.
Vol.
No.
September 2021 Muat Data Fitur Dataset Pengujian Struct Hasil Pelatihan ISSN:2657-0327 Pengujian dengan SVM Gambar 7 Pengujian dengan Support Vector Machine Adapun akurasi pengujian untuk semua kelas dapat dilihat pada Tabel V dan Tabel VI.
Untuk pengujian lebih jelasnya akan dijelaskan pada subbab TABEL V.
AKURASI PENGUJIAN KELAS KESEGARAN DENGAN
METODE SVM
Data
Kernel
RBF
Linear
RBF
Linear
KAM
Jmlh
Kelas Rata Ae Rata RBF
Linear
RBF
Linear
KAM
Rata - Rata Akurasi (%) 42,25 39,75 39,25 39,75 55,75 57,75 58,25 KETERANGAN: C=RGB.
H=HSI.
GS=GRAYSCALE.
G=GLCM.
GB=GLCM RGB.
GH=GLCM HSI TABEL VI.
AKURASI KELAS JENIS PERLAKUAN DENGAN METODE
SVM
Data
KAM
Akurasi (%) Kernel
Jmlh
Kelas RBF
Linear
RBF
Linear
63,75
67,75
64,25
65,25
Rata Ae Rata KETERANGAN: C=RGB.
H=HSI.
GS=GRAYSCALE.
G=GLCM.
GB=GLCM RGB.
GH=GLCM HSI Dari segi visual gambar yang dihasilkan oleh dataset dengan kamera HP jauh lebih gelap dibandingkan dengan hasil dari dataset kamera DSLR.
Selain itu gambar yang dihasilkan oleh kamera DSLR http://jtika.
id/index.
php/JTIKA/ memiliki noise lebih rendah dibandingkan dengan kamera HP.
Pembahasan Pada penelitian ini dilakukan beberapa kali pengujian untuk mengetahui pengaruh dari masing Ae masing parameter terhadap hasil klasifikasi.
Adapun parameter yang digunakan adalah resolusi dari citra dan rotasi gambar.
Pengujian untuk masing-masing parameter dilakukan sebanyak 6 kali untuk menguji 6 fitur berbeda yang terdiri atas fitur warna RGB.
HSI, grayscale, fitur tekstur GLCM, dan kombinasi fitur tekstur GLCM RGB, dan GLCM HSI .
Pada penelitian ini, ekstraksi fitur warna RGB dilakukan dengan menggunakan pendekatan statistik.
Nilai statistik yang diekstraksi yaitu rata Ae rata .
dari setiap layer R.
G, dan B sehingga dari tahapan ini didapatkan 3 fitur.
Sama seperti fitur warna RGB, fitur warna HSI juga didapatkan melalui pendekatan statistik dengan mencari nilai mean dari setiap layer H.
S, dan I.
Diperoleh jumlah fitur yang sama yaitu 3 fitur.
Pada penelitian ini untuk fitur warna grayscale sama seperti fitur warna lainnya dicari nilai rata Ae rata untuk grayscale sehingga didapatkan 1 fitur.
Penelitian ini menggunakan metode GLCM untuk ekstraksi fitur tekstur.
Adapun fitur yang digunakan adalah varience, contrast, homogeneity (IDM), correlation, dan entropy.
Pembentukan matriks GLCM pada penelitian ini dilakukan dengan memperhatikan 4 sudut yaitu sudut 0A, 45A, 90A, dan 135A dan dari keempat sudut ini diekstraksi ke-5 fitur tersebut sehingga didapatkan 20 fitur tekstur.
Hasil yang didapat dari pengujian akan dijelaskan lebih rinci pada 1 dan 4.
Pengaruh Kualitas Gambar dengan Akurasi Pengujian pertama dilakukan untuk mengetahui pengaruh dari kualitas gambar yang diperoleh.
Dalam penelitian ini gambar dari kamera HP dan kamera DSLR di-resize menjadi 128x128 piksel kemudian dilakukan pengujian untuk kelas kesegaran dan kelas jenis TABEL VII.
AKURASI MASING Ae MASING KUALITAS GAMBAR
Kelas Jenis Perlakuan Kesegaran 3 Kelas Kesegaran 2 Kelas Rata - Rata Dataset
HP (%)
65,17
54,17
Dataset Kamera (%) 66,33% 43,67 55,33 Pada Tabel VII dapat dilihat bahwa kualitas gambar mempengaruhi akurasi dari klasifikasi setiap kelasnya.
Akurasi terbaik diperoleh untuk dataset yang diambil JTIKA.
Vol.
No.
September 2021
ISSN:2657-0327
menggunakan kamera DSLR yaitu 55,33%.
Recall.
F1-score mempresentasikan akurasi dari setiap kelas yang ada Precission perbandingan prediksi kelas positif yang terklasifikasi dengan benar.
Recall merupakan perbandingan kelas positif yang terklasifikasi dengan benar.
F1-score merupakan rata Ae rata precission dan recall yang diberi Adapun akurasi untuk masing Ae masing kelas dapat dilihat dari nilai recall, precission dan F1-score yang dapat dilihat pada Tabel Vi sampai Tabel Xi.
Tabel Vi dan Tabel IX dapat dilihat bahwa untuk kelas jenis perlakuan dataset yang dihasilkan oleh kamera DSLR lebih baik dari dataset kamera HP dengan fitur terbaik yaitu fitur HSI.
TABEL X.
AKURASI KELAS JENIS KESEGARAN 3 KELAS HP
C (%)
H (%)
30 51 38
GS (%)
35 55 43
GB (%)
40 39 40
31 20 25
43 59 50
Kls
Kls
KLS
C (%)
G (%)
69 75 72
66 69 68
68 58 63
H (%)
GB (%)
75 67 71
70 78 74
58 58 58
GS (%)
GH (%)
74 78 76
77 67 72
56 61 59
Kelas Kls KETERANGAN: C=RGB.
H=HSI.
GS=GRAYSCALE.
G=GLCM,
GB=GLCM RGB.
GH=GLCM HSI, 0 = KELAS SEGAR, 1 = KELAS
TIDAK SEGAR.
R = RECALL.
P = PRECISSION.
F = F-SCORE
TABEL IX.
AKURASI KELAS JENIS PERLAKUAN KAMERA
C (%)
H (%)
Gs (%) KLS
KLS
G (%)
GB (%)
GH (%)
KETERANGAN: C=RGB.
H=HSI.
GS=GRAYSCALE.
G=GLCM,
GB=GLCM RGB.
GH=GLCM HSI, 0 = KELAS SEGAR, 1 = KELAS
TIDAK SEGAR.
R = RECALL.
P = PRECISSION.
F = F-SCORE
Pada Tabel VII dan Tabel IX terlihat jelas persentase dikenalinya setiap kelas jenis perlakuan sangat bervariasi untuk setiap jenis dataset.
Pada Tabel IX dapat dilihat bahwa kelas direndam air es dari dataset kamera dikenali dengan sangat baik dibuktikan dengan nilai tertinggi recall, precission dan F1-score dari kelas direndam air es.
Pada Tabel VII didapat nilai tertinggi recall oleh fitur GLCM HSI senilai 100%.
Dari http://jtika.
id/index.
php/JTIKA/ G (%) GH (%) 40 39 40
31 20 25
43 59 50
KETERANGAN: C=RGB.
H=HSI.
GS=GRAYSCALE.
G=GLCM,
GB=GLCM RGB.
GH=GLCM HSI, 0 = KELAS SEGAR, 1 = KELAS
TIDAK SEGAR.
R = RECALL.
P = PRECISSION.
F = F-SCORE
TABEL XI.
AKURASI KELAS JENIS KESEGARAN 3 KELAS KAMERA
TABEL Vi.
AKURASI KELAS JENIS PERLAKUAN HP
KLS
C (%)
G (%)
H (%)
GB (%)
36 65 46
21 8 12
61 47 53
GS (%)
GH (%)
36 65 46
61 47 53
KETERANGAN: C=RGB.
H=HSI.
GS=GRAYSCALE.
G=GLCM,
GB=GLCM RGB.
GH=GLCM HSI, 0 = KELAS SEGAR, 1 = KELAS
TIDAK SEGAR.
R = RECALL.
P = PRECISSION.
F = F-SCORE
Dapat dilihat pada Tabel X dan Tabel XI bahwa semua kelas dapat dikenali oleh sistem.
Nilai presisi terbaik dimiliki oleh fitur warna grayscale dari kelas jenis kesegaran dengan 3 kelas kesegaran dengan dataset kamera.
TABEL XII.
AKURASI KELAS JENIS KESEGARAN 2 KELAS HP
Kls
Kls
C (%)
R(%)
H (%)
52 45 48
52 59 55
H (%)
59 69 64
62 51 56
GS (%)
58 67 62
61 51 56
GR (%)
59 69 64
62 51 56
KETERANGAN: C=RGB.
H=HSI.
GS=GRAYSCALE.
G=GLCM,
GB=GLCM RGB.
GH=GLCM HSI, 0 = KELAS SEGAR, 1 = KELAS
TIDAK SEGAR.
R = RECALL.
P = PRECISSION.
F = F-SCORE
TABEL Xi.
AKURASI KELAS JENIS KESEGARAN 2 KELAS KAMERA
Kelas C (%) H (%) GS (%) JTIKA.
Vol.
No.
September 2021
Kelas G (%) GB (%) 55 80 65
63 35 45
ISSN:2657-0327
GH (%)
55 80 65
63 35 45
KETERANGAN: R=RGB.
H=HSI.
GR=GRAYSCALE.
G=GLCM,
GB=GLCM RGB.
GH=GLCM HSI, 0 = KELAS SEGAR, 1 = KELAS
TIDAK SEGAR.
R = RECALL.
P = PRECISSION.
F = F-SCORE
Hasil klasifikasi untuk kelas kesegaran dengan dua jenis kelas kesegaran jauh lebih baik dibandingkan dengan kelas kesegaran dengan tiga jenis kelas Dapat dilihat pada Tabel 4.
XII dan Tabel Xi adanya peningkatan nilai akurasi dari kedua dataset baik dari dataset hp dan dataset kamera dari akurasi sebelumnya yang dapat dilihat pada Tabel X dan Tabel XI.
Pengaruh Rotasi Terhadap Akurasi Pengujian terakhir dilakukan untuk mengetahui pengaruh dari rotasi gambar terhadap akurasi yang Dalam penelitian ini gambar pengujian dari dataset kamera HP diputar 90 dan 180 derajat searah jarum jam kemudian dilakukan pengujian untuk kelas kesegaran dan kelas jenis perlakuan.
TABEL XIV.
TABEL AKURASI MASING Ae MASING SUDUT ROTASI
Kelas Jenis Perlakuan Kesegaran 3
Kelas Kesegaran 2
Kelas Rata - Rata Dataset 90Ae
(%)
Dataset 180Ae
(%)
38,33
38,33
60,33
59,83
47,72
48,11
Pada Tabel XIV dapat dilihat bahwa terdapat perbedaan rotasi sudut mempengaruhi akurasi.
Jika dibandingkan dengan Tabel VII terdapat kemunduran nilai rata Ae rata akurasi dari 54,17 menjadi sekitar 4748,11.
Adapun akurasi untuk masing Ae masing sudut dapat dilihat dari nilai recall, precission dan F1-score yang dapat dilihat pada Tabel XV sampai Tabel XX.
TABEL XV.
AKURASI KELAS JENIS PERLAKUAN DATASET
PENGUJIAN ROTASI SUDUT 90A
Kls
Kls
C (%)
97 43 59
28 43 34
G (%)
86 42 57
39 40 39
H (%)
92 62 74
56 50 53
19 47 27
GB (%)
94 39 55
22 38 28
GS (%)
100 38 55
GH (%)
http://jtika.
id/index.
php/JTIKA/ KETERANGAN: R=RGB.
H=HSI.
GR=GRAYSCALE.
G=GLCM.
GB=GLCM RGB.
GH=GLCM HSI, 0 = KELAS SEGAR, 1 = KELAS
TIDAK SEGAR.
R = RECALL.
P = PRECISSION.
F = F-SCORE
TABEL XVI.
AKURASI KELAS JENIS PERLAKUAN DATASET
PENGUJIAN ROTASI SUDUT 180A
Kls
Kls
C (%)
G (%)
78 42 54
58 51 55
H (%)
GB (%)
97 38 55
28 62 38
GS (%)
GH (%)
KETERANGAN: R=RGB.
H=HSI.
GR=GRAYSCALE.
G=GLCM,
GB=GLCM RGB.
GH=GLCM HSI, 0 = KELAS SEGAR, 1 = KELAS
TIDAK SEGAR.
R = RECALL.
P = PRECISSION.
F = F-SCORE
Pada Tabel XV dan Tabel XVI untuk fitur warna tidak terdapat perbedaan kecuali pada fitur warna HSI ada sedikit perbedaan antara dataset sudut 90A dan 180A.
untuk setiap jenis dataset.
Perubahan nilai akurasi sangat terlihat pada fitur tekstur dan kombinasi fitur tekstur dan warna.
Pada fitur GLCM.
GLCM RGB dan GLCM HSI kelas tanpa pendingnan tidak dapat dikenali sama sekali sehingga menyebabkan penurunan nilai akurasi klasifikasi untuk kelas jenis TABEL XVII.
AKURASI KELAS JENIS KESEGARAN 3 KELAS
DATASET PENGUJIAN ROTASI SUDUT 90A
Kls
Kls
C (%)
G (%)
39 37 38
20 29 24
59 47 52
H (%)
GB (%)
39 37 38
18 27 22
59 47 52
GS (%)
GH (%)
KETERANGAN: C=RGB.
H=HSI.
GS=GRAYSCALE.
G=GLCM,
GB=GLCM RGB.
GH=GLCM HSI, 0 = KELAS SEGAR, 1 = KELAS
TIDAK SEGAR.
R = RECALL.
P = PRECISSION.
F = F-SCORE
TABEL XVi.
AKURASI KELAS JENIS KESEGARAN 3 KELAS
DATASET PENGUJIAN ROTASI SUDUT 180A
Kls
Kls
C (%)
G (%)
37 40 38
22 31 26
H (%)
GB (%)
39 40 40
20 31 25
GS (%)
GH (%)
JTIKA.
Vol.
No.
September 2021
ISSN:2657-0327
KETERANGAN: C=RGB.
H=HSI.
GS=GRAYSCALE.
G=GLCM,
GB=GLCM RGB.
GH=GLCM HSI, 0 = KELAS SEGAR, 1 = KELAS
TIDAK SEGAR.
R = RECALL.
P = PRECISSION.
F = F-SCORE
Dapat dilihat pada Tabel XVII dan Tabel XVi fitur warna kelas jenis kesegaran tiga kelas untuk setiap dataset memiliki nilai akurasi yang sama.
Fitur tekstur dan kombinasi fitur tekstur dan warna memiliki perbedaan nilai akurasi seperti pada kelas jenis Kelas busuk pada kelas kesegaran untuk jumlah kelas 3 kelas dapat dikenali.
gambar 7 sebaran nilai dari data antar masingAemasing kelas memiliki nilai yang jauh berbeda.
Contrast Segar Tidak segar Gambar 7.
Grafik Sebaran Data Fitur Contrast Kelas Kesegaran TABEL XIX.
AKURASI KELAS JENIS KESEGARAN 2 KELAS
HSI
DATASET PENGUJIAN ROTASI SUDUT 90A
Kls
Kls
C (%)
G (%)
78 60 68
49 69 57
H (%)
GB (%)
78 60 68
49 69 57
GS (%)
GH (%)
KETERANGAN: C=RGB.
H=HSI.
GS=GRAYSCALE.
G=GLCM,
GB=GLCM RGB.
GH=GLCM HSI, 0 = KELAS SEGAR, 1 = KELAS
TIDAK SEGAR.
R = RECALL.
P = PRECISSION.
F = F-SCORE
TABEL XX.
AKURASI KELAS JENIS KESEGARAN 2 KELAS
DATASET PENGUJIAN ROTASI SUDUT 180A
Kls
Kls
C (%)
63 63 63
63 63 63
G (%)
78 59 67
47 68 55
H (%)
43 51 47
59 51 55
GB (%)
78 59 67
47 68 55
GS (%)
GH (%)
KETERANGAN: C=RGB.
H=HSI.
GS=GRAYSCALE.
G=GLCM,
GB=GLCM RGB.
GH=GLCM HSI, 0 = KELAS SEGAR, 1 = KELAS
TIDAK SEGAR.
R = RECALL.
P = PRECISSION.
F = F-SCORE
Dapat dilihat pada Tabel XVII sampai Tabel XX fitur warna untuk kelas jenis kesegaran setiap dataset memiliki nilai akurasi yang sama masing Ae masing kelasnya sehingga dapat disimpulkan bahwa untuk dataset pengujian kelas kesegaran untuk fitur warna tidak dipengaruhi rotasi.
Analisa Sebaran Data Akurasi terbaik untuk kelas jenis kesegaran diperoleh oleh fitur GLCM sebesar 58,5% dengan fitur GLCM terbaik yaitu fitur contrast.
Dapat dilihat pada http://jtika.
id/index.
php/JTIKA/ direndam air es disimpan di kulkas tanpa pendinginan Gambar 8.
Grafik Sebaran Data Fitur HSI Kelas Jenis Perlakuan Nilai akurasi klasifikasi kelas jenis perlakuan tertinggi diperoleh fitur HSI dengan nilai rata-rata sebesar 67,75%.
dapat dilihat pada gambar 8 merupakan grafik sebaran data dari fitur HSI untuk kelas jenis perlakuan.
Antar masing-masing kelas memiliki perbedaan nilai yang berbeda sehingga dapat dikatakan bahwa fitur HSI dapat membedakan ketiga kelas dengan cukup baik.
KESIMPULAN DAN SARAN
Kesimpulan Tujuan penelitian yang sudah dipaparkan pada bagian Pendahuluan telah didapatkan, sedangkan beberapa kesimpulan yang didapatkan dari penelitian ini antara lain sebagai berikut:
Faktor penentu nilai akurasi dari metode support vector machine adalah terletak pada data.
Jika data diberi label dengan tepat maka akurasi dari metode support vector machine (SVM) dapat meningkat.
JTIKA.
Vol.
No.
September 2021 Selain data perlu juga memperhatikan fitur Ae fitur yang digunakan.
Banyaknya fitur yang digunakan tidak dapat menjamin peningkatan nilai akurasi.
Perlu dilakukan seleksi fitur terlebih dahulu untuk permasalahan yang ada.
Klasifikasi jenis perlakuan fitur terbaik didapatkan yaitu pada fitur warna HSI dengan nilai rata Ae rata akurasi sebesar 67,75%.
Fitur terbaik untuk kelas jenis kesegaran yaitu fitur GLCM dengan nilai akurasi 58,5%.
Perbedaan penggunaan media pengambilan mempengaruhi akurasi dari klasifikasi dengan menggunakan metode SVM.
Hasil akurasi dari dataset dengan menggunakan kamera DSLR jauh lebih baik dibandingkan dataset menggunakan kamera HP.
Selain itu rotasi juga dapat mempengaruhi hasil dari akurasi.
Baik buruknya sebuah dataset dapat dilihat dari grafik penyebaran data dari setiap fitur yang digunakan.
Jika terdapat perbedaan nilai fitur dari masing Ae masing kelas yang signifikan dapat dikatakan dataset yang digunakan merupakan dataset yang baik.
Saran Adapun saran untuk penelitian lebih lanjut adalah sebagai berikut:
Perlu perhatian ekstra dalam pengambilan dan pemberian label dataset.
Lebih baik jika membentuk tim dengan time keeper di dalamnya.
Lakukan pengambilan data dengan menggunakan kamera Iphone.
Perlu dilakukan segmentasi untuk meningkatkan kualitas data.
Lakukan seleksi fitur untuk mengetahui fitur yang tepat untuk jenis data seperti bagian tubuh cumi Ae cumi beserta grafik korelasi antar variabel kelas.
Lakukan percobaan dengan menggunakan metode CNN atau metode klasifikasi lainnya.
UCAPAN TERIMA KASIH