Академический Документы
Профессиональный Документы
Культура Документы
Keterangan :
= hasil dari konvolusi dari filter dengan gambar aslinya terhadap arah horizontal.
= hasil dari konvolusi dari filter dengan gambar aslinya terhadap arah vertikal.
2. 11 Ciri Statistik (Statistical Level Feature)
Ekstraksi ciri orde pertama merupakan metode pengambilan ciri yang didasarkan pada karakteristik
histogram citra. Dari nilai-nilai pada histogram yang dihasilkan, dapat dihitung beberapa parameter ciri orde
pertama, antara lain adalah mean, variance, standard deviation, skewness, kurtosis dan entropy[10][11][12].
a. Mean ()
Menunjukkan ukuran mengenai distribusi dari suatu citra.
= ( )
dimana fn merupakan suatu nilai vektor gradien, sementara p(fn) menunjukkan nilai histogramnya
(probabilitas kemunculan intensitas tersebut pada citra).
b. Variance (2)
Menunjukkan variasi elemen pada histogram dari suatu citra atau luas sebaran distribusi.
2 = ( )2 ( )
c. Standard Deviation ()
Standar deviasi merupakan akar kuadrat dari varians, yang dirumuskan sebagai berikut :
= ( )2 ( )
2. 12 K-Nearest Neighbor
Prinsip kerja dari klasifikasi K-Nearest Neighbor (KNN) adalah mencari jarak terdekat antara data yang
dievaluasi dengan data latih. Serupa dengan teknik clustering, mengelompokkan data baru berdasarkan jarak data
baru ke beberapa tetangga terdekat (tetangga). Aturan jarak yang digunakan adalah Euclidean, Cityblock, Cosine
dan Correlation [13].
3. Desain Sistem
Gambaran umum dari sistem yang dirancang pada penelitian kali ini direpresentasikan oleh diagram alir berikut
Ekstraksi
Mulai Akuisisi Preprocessing Klasifikasi Hasil Selesai
Ciri
Database
Labelling
Mengambil
Koordinat Objek
Menghitung Nilai
Gradient Ekstraksi Ciri Ekstraksi Ciri
HOG HOG
Menentukan Bin
Orientasi
Statistical Statistical
Level Feature Level Feature
Normalisasi Blok
Klasifikasi
Ekstraksi Ciri Database
KNN
(a) (b)
Gambar 4. (a) Diagram HOG (b) Diagram alir proses latih (kiri) dan proses uji (kanan)
3. 5 Performansi Sistem
Untuk pengujian sistem digunakan parameter akurasi dan waktu komputasi. Akurasi adalah ukuran ketepatan
sistem dalam mengenali masukan yang diberikan sehingga menghasilkan keluaran yang benar. Secara sistematis
dapat dituliskan sebagai berikut :
Jumlah_data_benar
Akurasi = 100%
Jumlah_data_keseluruhan
Waktu komputasi adalah waktu yang dibutuhkan sistem untuk melakukan suatu proses.
4. Hasil Pengujian Sistem
4. 1 Pengujian Pengaruh Cell Size
Skenario pengujian dilakukan dengan membandingkan beberapa cell size yang telah ditentukan. Percobaan ini
dilakukan pada KNN dengan k=1 dan distance euclidean, serta menggunakan ciri statistik.
Hasil pengujian dapat dilihat pada tabel dan grafik dibawah ini:
PENGUJIAN CELL SIZE TERHADAP AKURASI
100
72.549 74.5098 72.549 74.5098 52.9412
0
2x2 4x4 8x8 16x16 32x32
Gambar Error! No text of specified style in document..1 Grafik Hasil Pengujian Akurasi Bin Numbers
Berdasarkan Gambar 4.5, pengujian orientasi bin diperoleh akurasi terbaik 84.3% dikarenakan pembagian 15
channel pada sistem lebih mewakili (optimal) untuk vektor ciri orientasi HOG pada setiap kelasnya.
0.6 0.504015686 0.5404 0.5561 0.5683
0.4
9 12 15 18
Gambar Error! No text of specified style in document..2 Grafik Hasil Pengujian Waktu Bin Numbers
Berdasarkan Gambar 4.6, perolehan waktu tercepat didapat 0.504 detik. Pengaruh besar waktu respon dikarenakan
oleh semakin besar bin dapat meningkatkan ukuran vektor ciri sehingga membutuhkan lebih banyak waktu dalam
memproses [14].
4.4 Pengujian Pengaruh Statistical Level Feature
Pada skenario ini, akan dibandingkan ekstraksi ciri HOG dari citra yang telah di segmentasi menggunakan
ciri statistik. Parameter statistik yang digunakan diantaranya nilai mean, variance, skewness, standard deviation,
kurtosis dan entropy.
Hasil pengujian dapat dilihat pada tabel dan grafik dibawah ini:
PENGUJIAN STATISTIK TERHADAP AKURASI
100
50 68.6275 64.7059 64.7059 76.4706 74.5098 72.549 78.4314
0
Mean Variance Standard Skewness Kurtosis Entropy All
Deviation
Gambar Error! No text of specified style in document.10 Grafik Hasil Pengujian terhadap (a) Akurasi
dan (b) Waktu Semua Distance
Akurasi maksimum dari keseluruhan perancangan sistem yang dibuat adalah 84.3137% dengan waktu
komputasi rata-rata 0.556 detik untuk 51 sampel data uji pada parameter cell dan block size 4x4, bin numbers 15
serta k=7 distance cityblock yang didapatkan dengan 7 vektor pembanding berdasarkan pengukuran kemiripan
secara geometrik.
1. Penutup
5. 1 Kesimpulan
Berdasarkan hasil pengujian yang telah dilakukan, dapat diambil kesimpulan sebagai berikut :
1. Dengan adanya sistem deteksi kualitas dan kesegaran telur menggunakan metode Histogram of Oriented
Gradients (HOG) dengan klasifikasi K-Nearest Neighbor (KNN) dapat membantu mengklasifikasi telur
ayam ras yang masih segar secara mudah dan fleksibel, dibandingkan melakukan secara konvensional
menggunakan Haugh Unit Micrometer.
2. Nilai akurasi sistem terbaik 84.31% dengan waktu komputasi rata-rata 0.556 detik untuk 51 sampel data
uji menggunakan metode Histogram of Oriented Gradients (HOG) yang dioptimalkan dengan Statistical
Level Feature dan klasifikasi K-Nearest Neighbor (KNN).
3. Parameter ciri HOG yang menentukan pada sistem adalah cell size, block size dan bin numbers. Pada
akurasi terbaik didapat dengan kombinasi cell size dan block size 4x4 dan bin numbers = 15 .
4. Jumlah cell, block dan bin numbers akan mempengaruhi dimensi ciri HOG yang dihitung pada saat
ekstraksi ciri, serta mempengaruhi lama waktu komputasi pada sistem. Besar waktu komputasi sistem
sejalan dengan besar dimensi ciri HOG.
5. Parameter KNN yang berpengaruh pada sistem adalah nilai K dan jenis distance. Pada akurasi terbaik
didapat menggunakan k = 7 dengan menggunakan Cityblock. Pada KNN berlaku semakin baik database,
semakin baik tingkat akurasi sistem, mengingat mekanisme ketetanggan terdekat dari KNN. Database
yang baik dapat dilakukan dengan penambahan data set atau pemilihan data set yang dapat mewakili
seluruh data uji.
5. 2 Saran
Berdasarkan hasil pengujian yang telah dilakukan, sistem deteksi kualitas dan kesegaran telur dapat
dikembangkan untuk riset selanjutnya, adapun saran penulis adalah sebagai berikut :
1. Memperbaiki teknik pengambilan data dengan memperhatikan intensitas cahaya agar citra yang
dihasilkan lebih mudah di interpretasikan oleh sistem.
2. Memperbanyak citra latih yang dapat mewakili setiap kelas, sehingga sistem mampu mengklasifikasi
citra latih secara optimal.
3. Menggunakan ekstraksi ciri dari pengembangan HOG seperti CHOG ataupun menggabungkan beberapa
metode selain HOG untuk mendapatkan ciri yang lebih baik dan akurat.
4. Menggunakan teknik klasifikasi lainnya seperti metode Jaringan Syaraf Tiruan, decision tree, atau
metode lainnya.
5. Mengembangkan sistem dengan platform lain seperti Android, iOS, Windows Phone dan lain-lain
sehingga dapat digunakan secara real time dan friendly using.
Daftar Pustaka
[1] G. Meirinda, Deteksi Kualitas dan Kesegaran Telur Ayam Negeri Berdasarkan Segmentasi Warna
Menggunakan Metode Fuzzy Color Histogram (FCH) dan Histogram Equalization (HE) dengan
Klasifikasi K-Nearest Neighbor (K-NN) pada Citra Digital, Telkom University, 2016.
[2] Badan Standarisasi Nasional, SNI 3926:2008 Telur Ayam Konsumsi, Standar Nas. Indones., pp. 18,
2008.
[3] N. Dalal and B. Triggs, Histograms of oriented gradients for human detection, Proc. - 2005 IEEE
Comput. Soc. Conf. Comput. Vis. Pattern Recognition, CVPR 2005, vol. I, pp. 886893, 2005.
[4] Tim Praktikum Produksi Ternak Unggas, Penuntun Praktikum Produksi Ternak Unggas. Bandung:
Universitas Padjadjaran, 2013.
[5] HEDEGAARD, Structure of the egg. [Online]. Available: http://en.eggs.dk/the-egg/structure-of-the-
egg.aspx. [Accessed: 19-Oct-2016].
[6] P. Figoni, BAKING Exploring the Fundamentals of Baking Science. United States of America: John
Wiley & Sons, Inc, 2008.
[7] T. Pescatore and J. Jacob, Kentucky 4-H Poultry: Grading Eggs.
[8] EggNutritionCenter.org, Guide to Egg Carton Labels, 2012.
[9] The DSM Yolk Color Fan. [Online]. Available:
https://www.dsm.com/markets/anh/en_US/products/products-solutions/products_solutions_tools.html.
[Accessed: 19-Oct-2016].
[10] W. J. Palm, Introduction to MATLAB 6 for Engineers. London: McGraw Hill Companies, 2002.
[11] D. N. Maharsi, Klasifikasi Serat Miring pada Kayu Menggunakan Ekstraksi Ciri Statistik Berdasarkan
pada Pengolahan Citra, Telkom University, 2015.
[12] A. Kadir and A. Susanto, Teori dan Aplikasi Pengolahan Citra. Andi, 2013.
[13] E. Prasetyo, Pengolahan Citra Digital dan Aplikasinya Menggunakan Matlab. Andi, Yogyakarta, 2012.
[14] Mathworks, Extract histogram of oriented gradients (HOG) features. [Online]. Available:
https://www.mathworks.com/help/vision/ref/extracthogfeatures.html. [Accessed: 18-May-2017].