Laporan TK Irmanew

APLIKASI PENGOLAHAN CITRA UNTUK IDENTIFIKASI KUALITAS BIJI KOPI BERDASARKAN TEKSTUR BIJI MENGGUNAKAN METODE EKSTRAKSI CIRI STATISTIK TUGAS KHUSUS Diajukan untuk Memenuhi Salah Satu Pra-Syarat Menempuh Tugas Akhir Oleh Irma Khoirunnisa’ (12201482) PROGRAM STUDI TEKNIK INFORMATIKA SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER ASIA MALANG 2016  PERSETUJUAN LAPORAN TUGAS KHUSUS Laporan TK dengan Judul : Alikasi Pengolahan Citra Untuk Identifikasi Kualitas Biji kopi Berdasarkan Tekstur Biji Menggunakan Metode Ekstraksi Ciri Statistik Disusun Oleh : Irma Khoirunnisa’ Nim : 12201482 Program Studi : Teknik Informatika Malang, ................... Menyetujui, Ketua Prodi Teknik Informatika Dosen Pembimbing (Rina Dewi Indah, S.S.Kom, M.Kom) (Budi Santoso, B.Eng) ABSTRAKSI Irma Khoirunnisa’, 12201482 ALIKASI PENGOLAHAN CITRA UNTUK IDENTIFIKASI KUALITAS BIJI KOPI BERDASARKAN TEKSTUR BIJI MENGGUNAKAN METODE EKSTRAKSI CIRI STATISTIK Teknik Informatika Sekolah Tinggi Managemen Informatika dan computer ASIA Malang, 2016. Kata Kunci : Pengolahan Citra, Ekstraksi Ciri Statistik, Kualitas Biji Kopi. (x + 75) Penentuan kualitas biji kopi di Indonesia mengacu pada SNI 01-2970-2008 yaitu menggunakan sistem nilai cacat pada setiap rendemen sampel teruji. Pada pelaksanaan teknisnya, pemutuan dilakukan oleh seorang tenaga ahli yang telah berpengalaman. Sedangkan tenaga yang ahli dibidang pemutuan itu sangat minim. Seperti halnya di daerah kecil seperti Pacitan, lebih tepatnya di desa Ngumbul Kecamatan Tulakan Kabupten Pacitan, hampir tidak ada seorang tenaga ahli dalam bidang pemutuan biji kopi karena hal seperti itu dianggap sepele sementara sebagian besar penduduknya memiliki kebun kopi yang tidak bisa dibilang sedikit. Akibatnya pengetahuan tentang kualitas kopi di pedesaan sangat kurang, sehingga harga dari semua jenis kopipun disamakan, entah itu kualitas yang baik ataupun yang buruk. Tujuan dari penelitian ini adalah, untuk membangun aplikasi untuk melakukan pemutuan secara digital melalui kamera sehingga mempermudah orang yang bukan ahli untuk mengetahui kualitas biji kopi. Melalui tekstur biji kopi dapat dilakukan ekstraksi ciri statistik dengan fitur mean, variance, skewness, kurtosis, Angular second moment, contrast, correlation, Inverse diverence moment dan entropy. Dari beberapa sample yang digunakan didapat persentase keakuratannya baru mencapai 60,71429%. Daftar Pustaka (2004 - 2016)  KATA PENGANTAR Dengan ketulusan hati penulis mengucapkan puji syukur kehadiran Tuhan Yang Maha Esa karena atas berkat dan kasih karuniannya, sehingga penulis dapat menyelesaikan Laporan Tugas Khusus ini dengan judul “APLIKASI PENGOLAHAN CITRA UNTUK IDENTIFIKASI KUALITAS BIJI KOPI BERDASARKAN TEKSTUR BIJI MENGGUNAKAN METODE EKSTRAKSI CIRI STATISTIK” Tidak lupa dengan ketulusan hati, penulis mengucapkanterima kasih kepada semua puhak yang telah banyak membantu penulis dalam menyusun penulisan laporan ini. Karena atas dukungan mereka baik secara moril maupun materil laporan ini dapat terselesaikan dengan lancar, yaitu kepada yang terhomat: Bapak Ir. Teguh Widodo, MM., selaku Ketua STIMIK Asia Malang. Bapak Muhammad Rofiq, M.Kom., selaku Pembantu Ketua I STIMIK Asia Malang. Ibu Rina Dewi Indah Sari, S.Kom, M.Kom., selaku Ketua Jurusan Teknik Informatika yang telah berkenan memberikan persetujuan terhadap judul Bapak Budi Santoso, B.Eng., selaku dosen pembimbing. Bapak Jaenal Arifin, S.Kom, MM, M.Kom., selaku dosen wali. Kelompok Tani Waluyo Asih Desa Ngumbul yang sudah bersedia membantu dalam melakukan pemutuan. Orang tua tersayang yang tak terbilang atas dorongan dan semangat yang diberikan, baik secara moril maupun materil. Seluruh keluarga besar, saudara, sahabat, teman-teman, semua yang selalu memberikan bantuan dalam penyelesaian tugas khusus ini. Semoga Tuhan Yang Maha Esa senantiasa memberikan berkat rahmat dan kasih-Nya, kepada semua pihak yang telah memberikan segala bentuk bantuan tersebut diatas. Penulis menyadari bahwa dengan terselesainya Laporan Tugas Khusus ini, kiranya masih bayak kekurangan-kekurangan karena disebabkan oleh terbatasnya pengetahuan yang ada pada penulis. Apabila mendapatkan segala saran dan kritik yang dapat membangun sebagai perbaikan dan evaluasi. Akirnya semoga laporan ini dapat bermanfaat bagi kita semua. Malang, 16 Juli 2016 Penulis  DAFTAR ISI HALAMAN JUDUL i PERSETUJUAN LAPORAN TUGAS KHUSUS ii ABSTRAKSI iii KATA PENGANTAR iv DAFTAR ISI vi DAFTAR GAMBAR viii DAFTAR TABEL ix BAB I PENDAHULUAN 1 1.1. Latar Belakang Masalah 1 1.2. Rumusan Masalah 2 1.3. Batasan Masalah 3 1.4. Tujuan dan Manfaat 3 1.4.1. Tujuan 3 1.4.2. Manfaat 3 1.5. Metodologi Penelitian 4 1.6. Sistematika Penulisan 5 BAB II LANDASAN TEORI 7 2.1. Kopi 7 2.2. Kopi Robusta 7 2.3. Definisi Kualitas 9 2.4. Kualitas Biji Kopi 9 2.5. Definisi Citra 12 2.6. Definisi Pengolahan Citra 23 2.7. Hubungan Pengolahan Citra Dalam Bidang Komputer 26 2.8. Histogram 28 2.9. GLCM (Grey Level Co-Occurrence) 30 2.10. Ekstraksi Ciri Statistik 32 2.11. K-Nearest Neighbor 36 2.12. Confusion Matrix 38 2.13. Flowchart 39 BAB III PEMBAHASAN 44 3.1. Analisa Sistem 44 3.1.1. Blok diagram 44 3.1.2. Digram alir 46 3.2. Pengolahan Data 51 BAB IV PENUTUP 72 4.1. Kesimpulan 72 4.2. Saran 72 DAFTAR PUSTAKA 74 DAFTAR RIWAYAT HIDUP 75  DAFTAR GAMBAR Gambar 2.1 Biji kopi 7 Gambar 2.2 Kopi Robusta 8 Gambar 2.3 kopi robusta dengan berbagai cacat 12 Gambar 2.4 Contoh citra biner 16 Gambar 2.5 Contoh citra grayscale 17 Gambar 2.6 Contoh citra true color 18 Gambar 2.7 Hubungan pengolahan citra dalam bidang komputer 26 Gambar 2.8 Alur grafika komputer 27 Gambar 2.9 Alur pengolahan citra 27 Gambar 2.10 Alur Pengenalan pola 28 Gambar 2.11 grafis histogram 29 Gambar 2.12 Ilustrasi ekstraksi ciri statistik 31 Gambar 2.12 Conceptual Flowchart dan Detail Flowchart 41 Gambar 3.1 Blok diagram 45 Gambar 3.2 Diagram alir sistem 46 Gambar 3.3 Ekstraksi ciri orde satu 47 Gambar 3.4 Ekstraksi ciri orde dua 49 Gambar 3.5 Klasifikasi KNN 50  DAFTAR TABEL Tabel 2.1 Standar pemutuan per-300 gram biji kopi 10 Table 2.2 Nilai cacat perbiji kopi 10 Table 2.3 Format File Citra Bitmap 22 Tabel 2.4 confusion matrix 39 Tabel 2.5 Simbol Flow Direction 41 Tabel 2.6 Simbol Processing 42 Tabel 2.7 Simbol Input Output 43 Tabel 3.1 Ekstraksi ciri statistik data training 52 Tabel 3.2 Data dengan objek sama cahaya sama 54 Tabel 3.3 Data dengan objek sama cahaya berbeda 54 Tabel 3.4 Data dengan objek berbeda cahaya sama 55 Tabel 3.5 Data dengan objek berbeda cahaya berbeda 55 Tabel 3.6 hasil penghitungan KNN 57 Tabel 3.7 Hasil Klasifikasi objek sama cahaya sama 57 Tabel 3.8 Hasil klasifikasi objek sama cahaya berbeda 58 Tabel 3.9 hasil klasifikasi objek berbeda cahaya sama 58 Tabel 3.10 hasil klasifikasi objek berbeda cahaya berbeda 58 Tabel 3.11 cofusion matrix 59 Tabel 3.12 akurasi permutu 59 Tabel 3.13 Data training 61 Tabel 3.14 Data dengan objek sama cahaya sama 62 Tabel 3.15 Data dengan objek sama cahaya berbeda 62 Tabel 3.16 Data dengan objek berbeda cahaya sama 63 Tabel 3.17 Data dengan objek berbeda cahaya berbeda 63 Tabel 3.18 hasil KNN dari objek sama cahaya sama 64 Tabel 3.19 hasil KNN dari objek sama cahaya berbeda 64 Tabel 3.20 hasil KNN dari objek berbeda cahaya sama 64 Tabel 3.21 hasil KNN dari objek berbeda cahaya berbeda 65 Tabel 3.22 Confusion matrix 65 Tabel 3.23 Akurasi permutu 66 Tabel 3.24 Data training 67 Tabel 3.25 Data dengan objek sama cahaya sama 68 Tabel 3.26 Data dengan objek sama cahaya berbeda 68 Tabel 3.27 Data dengan objek berbeda cahaya sama 69 Tabel 3.28 Data dengan objek berbeda cahaya berbeda 69 Tabel 3.29 hasil KNN dari objek sama cahaya sama 70 Tabel 3.30 hasil KNN dari objek sama cahaya berbeda 70 Tabel 3.31 hasil KNN dari objek berbeda cahaya sama 70 Tabel 3.32 hasil KNN dari objek berbeda cahaya berbeda 71 Tabel 3.33 Confusion matrix 71 Tabel 3.34 Akurasi permutu 71  BAB I PENDAHULUAN Latar Belakang Masalah Kopi merupakan komoditas perkebunan yang paling banyak diperdagangkan dan menjadi salah satu komoditas ekspor penting pada sub sektor perkebunan Indonesia. Komoditas ini juga mempunyai peranan sangat berarti sebagai penghasil devisa negara dan sumber pendapatan petani. Sejarah mencatat bahwa penemuan biji kopi sebagai minuman yang sangat berkhasiat dan berenergi pertama kali ditemukan oleh orang dari bangsa Etiopia di benua Afrika sekitar 3000 tahun yang lalu, atau 1000 tahun sebelum masehi. Kopi kemudian terus berkembang hingga sekarang ini menjadi salah satu minuman paling populer di dunia. Negara indonesia sendiri telah mampu memproduksi lebih dari 400 ribu ton kopi pertahunnya dan kemudian di eksport di berbagai penjuru dunia. Di samping rasa dan aromanya yang sangat menarik, khasiat kopi juga dapat menurunkan resiko terkena penyakit kanker, diabetes, batu empedu, dan berbagai penyakit jantung. Penentuan kualitas biji kopi di Indonesia mengacu pada SNI 01-2970-2008 yaitu menggunakan sistem nilai cacat pada setiap rendemen sampel teruji. Pada pelaksanaan teknisnya, pemutuan  dilakukan oleh seorang tenaga ahli yang telah berpengalaman. Sedangkan tenaga yang ahli dibidang pemutuan itu sangat minim. Seperti halnya di daerah kecil seperti Pacitan, lebih tepatnya di desa Ngumbul Kecamatan Tulakan Kabupten Pacitan, hampir tidak ada seorang tenaga ahli dalam bidang pemutuan biji kopi karena hal seperti itu dianggap sepele sementara sebagian besar penduduknya memiliki kebun kopi yang tidak bisa dibilang sedikit. Akibatnya pengetahuan tentang kualitas kopi di pedesaan sangat kurang, sehingga harga dari semua jenis kopipun disamakan, entah itu kualitas yang baik ataupun yang buruk. Untuk itu penulis berinisiatif untuk membuat sebuah aplikasi pengolahan citra untuk identifikasi kualitas biji kopi berdasarkan tekstur biji menggunkan ekstraksi ciri statistik. Diharapkan sistem yang akan dibuat ini mampu membantu petani-petani kopi di daerah-daerah kecil seperti halnya di desa Ngumbul ini. Rumusan Masalah Berdasarkan latar belakang yang telah diuraikan diatas, maka rumusan masalah yang dapat diangkat dalam penulisan ini adalah, bagaimana cara membuat aplikasi pengolahan citra untuk identifikasi kualitas biji kopi berdasarkan tekstur biji menggunakan metode ekstraksi ciri statistik.  Batasan Masalah Pembatasan masalah dalam penyusunan tugas khusus ini adalah : Sample biji kopi yang digunakan adalah biji kopi robusta. Citra yang akan digunakan adalah citra digital. Tidak membahas rasa atau aroma kopi. Untuk mengidentifikasi hasil menggunakan klasifikasi K-nearest neighbor. Kamera yang digunakan adalah kamera handphone 13mp merk Infinix Pure Xl. Tujuan dan Manfaat Tujuan Tujuan dari penyusunan tugas khusus ini adalah : Membuat perancangan sistem untuk mengidentifikasi citra biji kopi dengan metode ekstraksi ciri statistik. Untuk menganalisa tingkat pengenalan perangkat lunak terhadap citra kopi. Manfaat Manfaat yang diharapkan dari hasil penelitian ini adalah : Hasil penelitian ini dapat memberikan tambahan pengetahuan dan wawasan tentang kualitas kopi bagi para petani kopi dan orang-orang awam pada umumnya. Dapat mempermudah untuk mengenali kualitas kopi. Metodologi Penelitian Penelitian ni dilakukan dalam beberapa tahap sebagai berikut : Pengumpulan data Dalam pengumpulan data dilakukan dalam beberapa cara, yaitu: Interview (wawancara) Teknik pengumpulan data dengan cara wawancara kepada narasumber yaitu petani kopi dan orang-orang yang ahli dalam hal menentukan kualitas kopi. Studi pustaka Studi pustka dilakukan dengan cara mempelajari teori-teori literature dan buku-buku yang berhubungan dengan objek kajian sebagai dasar dalam penelitian ini, dengan tujuan memperoleh dasar teoritis gambaran dari apa yang dilakukan. Kajian online di internet Browsing halaman-halaman yang membahas tentang dasar dari pengolahan citra dengan metode ekstraksi ciri statistik. Perumusan masalah Pada tahap ini dilakukan analisa terhadap masalah, pengumpulan bahan-bahan dan referensi, untuk dijadikan bahan acuan dalam melakukan studi awal pemahaman konsep dan perumusan model aplikasi yang akan dibuat. Perancangan sistem Pada tahap ini, dilakukan perancangan sistem dalam pengidentifikasian kualitas biji kopi yang baik dan yang buruk dengan menggunakan metode ekstraksi ciri statistik. Sistematika Penulisan Sistematika penulisan yang digunakan untuk mengembangkan tugas khusus ini adalah sebagai berikut : BAB I : PENDAHULUAN Bab ini menjelaskan tentang gambaran umum mengenai penulisan tugas khusus. Pada bab ini berisi sub-sub bab, yaitu, latar belakan masalah, rumusan masalah, batasan masalah, tujuan dan manfaat, metodologi penelitian, sistematika penelitian. BAB II : LANDASAN TEORI Pada bab ini berisi teori-teori yang diambil dari literature yang mendukung dalam pelaksanaan penelitian. Membahas semua teori yang diambil dari referensi orang lain baik dalam bentuk buku atau sumber lainnya, bukan berdasarkan opini penulis. BAB III : PEMBAHASAN Pada bab ini menjelaskan analisa permasalahan dalam penelitian dan tahapan dalam penyelesaian permasalahan tersebut. BAB IV : PENUTUP Pada bab ini berisi kesimpulan dari hasil perancangan serta saran untuk pengembangan system selanjutnya.   BAB II LANDASAN TEORI Kopi Kata kopi sendiri berasal dari bahasa Arab :  ﺓﻮﻬﻗ dibaca qahwah yang artinya kekuatan, karena pada awal ditemukan kopi digunakan sebagai makanan berenergi tinggi. Kata qahwah kemudian diubah menjadi kahveh yang berasal dari bahasa Turki dan kemudian diubah lagi menjadi koffie. Dalam bahasa Belanda kata koffie langsung diartikan ke dalam bahasa Indonesia menjadi kata kopi yang hingga saat ini dikenal dengan nama kopi. Gambar 2.1 Biji kopi Kopi Robusta Kopi robusta (nama ilmiah: coffea robusta lindi, ex de wild) merupakan kopi yang berasal dari familia rubiaceae, dan bukan nama spesies karena kopi ini adalah keturunan dari kopi spesies coffea canephora. Secara geografis kopi robusta dapat hidup di  daerah-daerah berdataran rendah, dengan lokasi paling baik yakni ketinggian 300-900 meter dpl. Suhu optimum untuk pertumbuhan dan perkembangan kopi robusta dikisaran 24-30 derajat celcius, dengan curah hujan 2.000-3.000 mm/tahun. Robusta sangat cocok ditanam pada lahan yang gembur dan kaya akan sumber unsur hara organik. Tingkat keasaman (pH) tanah yaitu 5,5-6,5. Kopi robusta biasanya ditanam khusus di daerah perkebunan. Dan kopi robusta sangat cocok ditanam di Indonesia, karena Indonesia memiliki iklim tropis. Gambar 2.2 Kopi robusta Robusta akan berbuah kira-kira pada umur 2-3 tahun dengan catatan proses perawatan robusta harus intensif. Untuk mendapatkan hasil panen yang optimal, kopi robusta memerlukan waktu kering 2,2-5 bulan selama satu tahun dengan beberapa kali turun hujan. (SL-PHT; 2016)  Definisi Kualitas Dalam kamus besar bahasa Indonesia kualitas didefinisikan sebagai tingkat baik buruknya sesuatu. Sedangkan definisi kualitas menurut beberapa ahli adalah sebagai berikut . Tjiptono (2004:11), mendefinisikan kualitas sebagai kesesuaian untuk digunakan (fitnes untuk digunakan). Definisi lain yang menekankan orientasi harapan pelanggan pertemuan. Kadir (2001:19), menyatakan bahwa kualitas adalah tujuan yang sulit dipahami, karena harapan para konsumen akan selalu berubah. Setiap standar baru ditemukan, maka konsumen akan menuntut lebih untuk mendapatkan standar baru lain yang lebih baru dan lebih baik. Dalam pandangan ini, kualitas adalah proses dan bukan hasil akhir. Menurut ISO-8402 (Loh, 2001:35), kualitas adalah totalitas fasilitas dan karakteristik dari produk atau jasa yang memenuhi kebutuhan, tersurat maupun tersirat. Kualitas Biji Kopi Kualitas atau mutu biji kopi yang beredar dan diperdagangakan di pasar dalam negeri mengikuti Standar Nasional Indonesia (SNI 01-2970-2008). Mutu atau kualitas biji kopi dapat ditentukan dengan menggunakan beberapa cara salah satunya adalah menggunakan nilai cacat (defect system). Adapun pemberian nilai cacat atas biji kopi didasarkan pada jenis cacat yang dikandung oleh biji itu sendiri. Penentuan cacat dari setiap biji cacat dicantumkan dalam tabel berikut: Table 2.1 Standar pemutuan kopi per-300 gram No. Kelas Mutu Nilai Cacat Maksimal 1. Mutu 1 11 2. Mutu 2 12-25 3. Mutu 3 26-44 4. Mutu 4a 45-60 5. Mutu 4b 61-80 6. Mutu 5 81-150 7. Mutu 6 151-225 Berikut beberapa macam cacat pada biji kopi yang berhubungan dengan nilai. Table 2.2 Nilai cacat perbiji kopi No. Jenis Cacat Nilai Cacat 1. 1 (satu) biji hitam 1 2. 1 (satu) biji hitam sebagian ½ 3. 1 (satu) biji hitam pecah ½ 4. 1 (satu) biji gelondong 1 5. 1 (satu) biji coklat ¼ 6. 1 (satu) kulit kopi (husk) ukuran besar 1 7. 1 (satu) kulit kopi (husk) ukuran sedang ½ 8. 1 (satu) kulit kopi (husk) ukuran kecil 1/5 9. 1 (satu) biji berkulit tanduk ½ 10. 1 (satu) kulit tanduk ukuran besar ½ 11. 1 (satu) kulit tanduk ukuran sedang 1/5 12. 1 (satu) kulit tanduk ukuran kecil 1/10 13. 1 (satu) biji pecah 1/5 14. 1 (satu) biji muda 1/5 15. 1 (satu) biji berlubang satu 1/10 16. 1 (satu) biji berlubang lebih dari satu 1/5 17. 1 (satu) biji bertutul-tutul (untuk proses basah) 1/5 18. 1 (satu) ranting tanah, atau batu ukuran besar 5 19 1 (satu) ranting tanah, atau batu ukuran sedang 2 20. 1 (satu) ranting tanah, atau batu ukuran kecil 1 Gambar 2.3 kopi robusta dengan berbagai cacat Jumlah nilai cacat dihitung dari contoh uji coba seberat 300 g. Jika satu biji kopi mempunyai lebih dari satu nilai cacat, penentuan nilai cacat tersebut didasarkan bobot nilai cacat terbesar. (Pudji,2012) Definisi Citra Citra atau gambar dapat didefinisikan sebagai sebuah fungs dua dimensi, f(x,y), di mana x dan y adalah koordinat bidang datar, dan harga fungsi f di setiap pasangan koordinat (x,y) disebut intensitas atau level keabuan (gray level) dari gambar di titik itu. Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi dari suatu objek. Citra sebagai keluaran suatu system perekaman data dapat bersifat optic berupa foto, bersifat analog berupa sinyal-sinyal video seperti gambar pada monitor televise, atau bersifat digital yang dapat langsung disimpan pada suatu media penyimpanan. Definisi citra analog Citra analog adalah citra yang bersifat kontinu, seperti gambar pada monitor televise, foto sinar-X, foto yang tercetak di kertas foto, lukisan, pemandangan alam, hasil CT scan, gambar-gambar yang terekam pada pita kaset, dan lain sebagainya. Citra analog tidak dapat direpresentasikan dalam komputer sehingga tidak bisa diproses di komputer secara langsung. Oleh sebab itu, agar citra ini dapat di proses di komputer, proses analog ke digital harus dilakukan terlebih dahulu. Citra analog dihasilkan dari alat-alat analog, seperti video kamera analog, kamera foto analog, WebCam, CT scan, sensor rontgen untuk foto thorax, sensor gelombang pendek pada system radar, sensor ultrasound pada system USG, dan lain-lain. Definisi citra Digital Citra digital adalah citra yang dapat diolah oleh komputer. Sebuah citra digital terdiri dari sejumlah elemen yang berhingga, di mana masing-masing mempunyai lokasi dan nilai tertentu. Elemen-elemen ini disebut sebagai picture element, image element, pels atau pixels. Bidang digital image processing meliputi pengolahan digital image dari suatu komputer digital. Gambar dihasilkan dari seluruh spektrum elektromagnetik mulai dari gamma sampai gelombang radio. Sistem Pencitraan Pencitraan adalah proses untuk mentransformasi citra analog menjadi citra digital. Beberapa alat yang dapat digunakan untuk pencitraan adalah: Kamera digital Kamera konvensional dan converter analog to digital Scanner dan lain-lain. Ada beberapa jenis proses pencitraan yaitu sebagai berikut: Digitalisasi citra Proses mengubah citra analog menjadi citra digital disebut digitalisasi citra. Ada dua hal yang harus dilakukan pada digitalisasi citra, yaitu digitalisasi spasial yang disebut jug sebagai sampling (penerokan) dan digitalisasi intensitas yang disebut kuantisasi. Sampling Sampling adalah transormasi citra kontinu menjadi citra digital dengan cara membagi citra analog (kontinu) menjadi M kolom dan N baris sehingga menjadi diskrit. Semakin besar nilai M dan N, semakin halus citra digital yang dihasilkan dan artinya resolusi citra semakin tinggi. Persilangan antara baris dan kolom tertentu itu yang disebut dengan piksel. Kuantisasi Warna sebuah citra digital ditentukan oleh besar intensitas piksel-piksel penyusunnya. Warna ini diperoleh dari besar kecilnya intensitas cahaya yang ditangkap oleh sensor. Sedangkan skala intensitas cahaya di ala mini (gradasi intensitas analog) tidak terbatas, yang bisa menghasilkan warna dengan jumlah tak hingga. Resolusi Ada dua jenis resolusi yang perlu diketahui, yaitu resolusi spasial dan resolusi kecemerlangan. Resolusi spasial adalah ukuran halus atau kasarnya pembagian kisi-kisi baris dan kolom pada saat dilakukan sampling. Sedangkan resolusi kecemerlangan (intensitas/brightness) atau biasanya disebut sebagai kedalaman bit/kedalaman warna (Bit Depth) adalah ukuran halus atau kasar pembagian tingkat gradasi warna saat dilakukan kuantisasi.  Jenis-jenis Citra Digital Citra biner (monokrom) Banyakna warna 2, yaitu hitam dan putih dibutuhkan 1 bit di memori untuk menyimpan kedua warna ini. Gambar 2.4 Contoh citra biner Gradasi warna: 0 1 Bit 0 = warna hitam Bit 1 = warna putih Citra grayscale (skala keabuan) Banyaknya warna: tergantung pada jumlah bit yang disediakan di memori untuk menampung kebutuhan warna ini. Gambar 2.5 contoh citra grayscale Citra 2 bit mewakili 4 warna dengan gradasi warna berikut: 0 1 2 3 Citra 3 bit mewakili 8 warna dengan gradasi warna berikut: 0 1 2 3 4 5 6 7 Semakin besar jumlah bit warna yang disediakan di memori, semakin halus gradasi warna yang terbentuk. Citra warna (true color) Setiap piksel pada citra warna mewakili warna yang merupakan kombinasi dari tiga warna dasar (RGB = Red Green Blue). Setiap warna dasar menggunakan penyimpanan 8 bit = 1 byte, yang berarti setiap warna mempunyai gradasi sebanyak 255 warna. Berarti setiap piksel mempunyai kombinasi warna sebanyak juta warna lebih. Itulah sebabnya format ini dinamakan true color karena mempunyai jumlah warna yang cukup besar sehingga bisa dikatakan hampir mencakup semua warna di alam. Gambar 2.6 contoh citra true color Penyimpanan citra true color di dalam memori berbeda dengan grayscale. Setiap piksel dari citra grayscale 256 gradasi warna diwakili oleh 1 byte. Sedangkan 1 byte citra true color diwakili oleh 3 byte, dimana masing-masing byte mempresentasikan warna merah (Red), hijau (Green) dan biru (blue). Elemen-elemen Citra Digital Berikut ini adalah elemen-elemen yang terdapat pada citra digital.  Kecerahan (brightness) Kecerahan (brightness) merupakan intensitas cahaya yang dipancarkan piksel dari citra yang dapat ditangkap oleh sistem penglihatan. Kecerahan pada suatu titik (piksel) di dalam citra merupakan intensitas rata-rata dari suatu area yang melingkupinya. Kontras (contrast) Kontras (contrast) menyatakan sebagai terang dan gelap dalam sebuah citra. Pada citr yang baik, komposisi gelap dan terang tersebar secara merata. Kontur (contour) Kontur (contour) adalah keadaan yang ditimbulkan oleh perubahan intensitas pada piksel-piksel yang bertetangga. Karena adanya perubahan intensitas inilah mata mampu mendeteksi tepi-tepi objek di dalam citra. Warna Warna sebagai persepsi yang ditangkap sistem visual terhadap panjang gelombang cahaya yang dipantulkan objek.  Bentuk (shape) Bentuk (shape) adalaha properti intrinsik dari objek 3 dimensi, dengan pengertian bahwa bentuk merupakan properti intrinsik utama untuk sistem visual manusia Tekstur (texture) Tekstur (texture) dicirikan sebagai distribusi spasial dari derajad keabuan didalam sekumpulan piksel-piksel yang bertetangga. Format File Citra Ada dua jenis format file citra yang sering digunakan dalam pengolahan citra, yaitu citra bitmap dan citra vektor. Format file citra bitmap Citra bitmap sering juga disebut citra raster. Citra bitmap menyimpan data kode citra secara digital dan lengkap (cara penyimpanannya adalah per piksel). Citra bitmap dipresentasikan dalam bentuk matriks atau dipetakan dengan menggunakan bilangan biner atau sistem bilangan lain. Citra ini memiliki kelebihan untuk memanipulasi warna, tetapi untuk mengubah objek lebih sulit. Tampilan bitmap dapat menunjukkan kehalusan gradasi karena itu, bitmap merupakan media elektronik yang paling tepat untuk gambar-gambar dengan perpaduan gradasi yang rumit, seperti foto dan lukisan digital. Citra bitmap biasanya diperoleh dengan cara scanner, camera digital, video capture dan lain-lain. Beberapa format yang umum digunakan pengolahan citra dapat disajikan dalam table berikut:  Table 2.3 Format File Citra Bitmap Nama Format Ekstensi Kegunaan Microsoft windows bitmap format BMP Format umum untuk menympan citra bitmap yang dikembangkan oleh Microsoft Compuserve graphics interchange fromat GIFF Format umum citra yang dirancang untuk keperluan transmisi melalui modem Aldus tangged image file format TIF Format kompleks yang multiguna yang dikembangkan oleh Aldus bersama Microsoft Wordperfect graphics format WPG Format vector yang juga mendukung citra bitmap GEM image format IMG Format bitmap yang dikembangkan untuk riset digital dilingkungan GEM Zsoft pengolahan citra paintbrush format PCX Dirancang untuk menyimpan citra layar dan merupakan format bitmap yang didukung luas Microsoft paint bitmap format MSP Secara fungsional mirip IMG dan PCX tetapi kurang popular AT & T targa format TGA Format untuk 16-bit dan 24-bit citra warna penuh diciptakan untuk sistem truvision Apple macpaint format PTNG Format asli dari macintosh macpain program Sun microsistem raster format RAS Format bitmap asli yang digunakan pada Sun SPARCS X windows X-11 bitmap format XBM Format umum untuk menyimpan citra bitmap yang dikembangkan untuk X windows Format file citra vector Citra vektor dihasilkan dari perhitungan matematis dan tidak berdasarkan piksel, yaitu data tersimpan dalam bentuk vektor posisi, dimana yang tersimpan hanya informasi vektor posisi dengan bentuk sebuah fungsi. Pada citra vektor, mengubah warna lebih sulit dilakukan, tetapi membentuk objek dengan cara mengubah nilai lebih mudah. Oleh karena itu, bila citra diperkecil atau diperbesar, kualitas citra relatif tetap baik dan tidak berubah. Citra vektor biasanya dibuat menggunakan aplikasi seperti corelDRAW, adobe illustrator, macromedia freehand, autocad, dan lain-lain. Definisi Pengolahan Citra Pengolahan citra (image processing) merupakan suatu sistem dimana proses dilakukan dengan masukan berupa citra (image) dan hasilnya juga berupa citra. Sesuai dengan perkembangan komputer vision pengolahan citra memiliki dua tujuan, yaitu : Memperbaiki kualitas citra, dimana citra yang dihasilkan dapat menampilkan informasi secara jelas atau dengan kata lain manusia dapat melihat informasi yang diharapkan dengan menginterpretasikan citra yang ada. Mengekstraksi informasi cirri yang meninjol pada suatu citra, dimana hasilnya adalah manusia mendapatkan informasi ciri dari citra secara numerik atau dengan kata lain komputer (mesin) melakukan interprestasi terhadap informasi yang ada pada citra melalui besaran data yang dapat dibedakan secara jelas (besaran-besaran ini berupa besaran numerik). Langkah-langkah penting dalam pengolahan citra yaitu : Akuisisi citra Akuisisi citra adalah tahap awal untuk mendapat citra digital. Tujuan akuisisi citra adalah untuk menentukan data yang diperlukan dan memilih metode perekaman citra digital. Tahap ini dimulai dari objek yang akan diambil gambarnya, persiapan alat-alat, sampai pada pencitraan. Pencitraan lukisan, patung, pemandangan dan lain-lain menjadi citra digital. Preprocessing Tahap ini diperlukan untuk menjamin kelancaran pada proses berikutnya. Hal-hal penting yang dilakukan pada tingkatan ini antara lain : Peningkatan kualitas citra (kontras, brightness dan lain-lain) Menghilangkan noise Perbaikan citra (image restoration) Transformasi Menentukan bagian citra yang akan diobservasi Segmentasi Tahap ini bertujuan untuk mempartisi citra menjadi bagian-bagian pokok mengandung informasi penting. Misal memisahkan objek dan latar belakang representasi dan deskripsi dalam hal ini representasi merupakan suatu proses untuk merepresentasikan suatu wilayah sebagai suatu daftar titik-titik koordinat dalam kurva yang tertutup, dengan deskripsi luasan atau parameternya. Setelah suatu wilayah dapat direpresentasikan, proses selanjutnya adalah melakuakan deskripsi citra dengan cara seleksi ciri dan ekstraksi ciri (feature extraction and selection). Seleksi ciri bertujuan untuk memilih informasi kuantitatif dari ciri yang ada, yang dapat membedakan kelas-kelas objek secara baik, sedangkan ekstraksi ciri bertujuan untuk mengukur besaran kuantitatif dari setiap piksel. Pengenalan dan interpretasi Tahap pengenalan bertujuan untuk memberi label pada sebuah objek yang informasinya disediakan oleh descriptor, sedangkan tahap interpretasi bertujuan untuk member arti atau makna kepada kelompok objek-objek yang dikenali. Basis pengetahuan Sebagai basis data pengetahuan berguna untuk memadu operasi dan masing-masing modul proses dan mengontrol interaksi antara modul-modul tersebut. Selain itu juga digunakan sebagai referensi pada proses template matching atau pada pengenalan pola. Hubungan Pengolahan Citra Dalam Bidang Komputer Di dalam bidang komputer, ada tiga bidang studi yang berkaitan dengan data citra, namun tujuan ketiganya berbeda, yaitu grafika komputer (computer graphics), pengolahan citra (image processing), pengenalan pola (pattern recognition/image interpretation), dapat ditunjukkan dalam gambar. Pengolahan citra Citra Citra Grafika Pengenalan Komputer Pola Deskripsi Deskripsi Gambar 2.7 Hubungan pengolahan citra dalam bidang komputer Grafika komputer (computer graphics) Grafika komputer bertujuan menghasilkan citra (lebih tepat disebut grafik atau picture), dengan primitif-primitif geometri seperti garis, lengkungan, dan sebagainya. Primitif-primitif geometri tersebut memerlukan data deskriptif untuk melukis elemen-elemen gambar. Contoh data deskriptif adalah koordinat titik, panjang garis, jari-jari lingkaran, tebal garis, warna dan sebagainya. Grafika komputer memainkan peranan penting dalam visualisasi dan virtual reality. Grafika komputer Data Citra Deskriptif Gambar 2.8 alur grafika komputer Pengolahan citra Pengolahan citra bertujuan memperbaiki kualitas citra agar mudah diinterpretasikan oleh manusia atau mesin (dalam hal ini komputer). Teknik-teknik pengolahan citra mentransformasikan citra menjadi citra lain, jadi masukannnya adalah citra dan keluarannya juga citra, namun citra keluaran mempunyai kualitas lebih baik dari pada citra masukan. Termasuk ke dalam bidang ini juga adalah juga pemampatan citra (image compression). Pengolahan citra Citra Citra Gambar 2.9 alur pengolahan citra Pengenalan pola Pengenalan pola mengelompokkan data numerik dan simbolik (termasuk citra) secara otomatis oleh mesin (dalam hal ini komputer). Tujuan pengelompokkan adalah untuk mengenali suatu objek di dalam citra. Manusia bisa mengenali objek-objek di dalam sehingga mampu membedakan suatu objek dengan objek lainnya. Kemampuan sistem visual inilah yang coba ditiru oleh mesin. Komputer menerima masukan berupa citra objek yang akan diidentifikasi, memproses citra tersebut dan memberikan keluaran berupa deskripsi objek di dalam citra. (Imam;2012) Pengenalan pola Deskripsi Citra objek Gambar 2.9 alur pengenalan pola Histogram Informasi penting mengenai isi citra digital dapat diketahui dengan membuat histogram citra. Histogram citra adalah grafik yang menggambarkan penyebaran nilai-nilai intensitas pixel dari suatu citra atau bagian tertentu di dalam citra. Dari sebuah histogram dapat diketahui frekuensi kemunculan nisbi (relative) dari intensitas pada citra tersebut. Histogram juga dapat menunjukkan banyak hal tentang kecerahan (brightness) dan kontras (contrast) dari sebuah gambar. Karena itu, histogram adalah alat bantu yang berharga dalam pekerjaan pengolahan citra baik secara kualitatif maupun kuantitatif. Misalkan citra digital memiliki L derajat keabuan, yaitu dari nilai 0 sampai L – 1 (misalnya pada citra dengan kuantisasi derajat keabuan 8-bit, nilai derajat keabuan dari 0 sampai 255). Secara matematis histogram citra dihitung dengan rumus (1) yang dalam hal ini, = jumlah pixel yang memiliki derajat keabuan i = jumlah seluruh pixel di dalam citra Secara grafis histogram ditampilkan dengan diagram batang. Gambar dibawah adalah contoh grafis histogram. Gambar 2.10 grafis histogram GLCM (Grey Level Co-Occurrence) Analisis tekstur lazim dimanfaatkan sebagai proses antara untuk melakukan klasifikasi dan interpretasi citra. Suatu proses klasifikasi citra berbasis analisis tekstur pada umumnya membutuhkan tahapan ekstraksi ciri, yang terdiri dari tiga macam metode yaitu metode statistik, metode spaktral dan metode struktural. Metode GLCM termasuk dalam metode statistik dimana dalam perhitungan statistiknya menggunakan distribusi derajat keabuan (histogram) dengan mengukur tingkat kekontrasan, granularitas, dan kekasaran suatu daerah dari hubungan ketetanggaan antar piksel di dalam citra. Paradigma statistik ini penggunaannya tidak terbatas, sehingga sesuai untuk tekstur-tekstur alami yang tidak terstruktur dari sub pola dan himpunan aturan (mikrostruktur). Metode statistik terdiri dari ekstraksi ciri orde pertama dan ekstraksi ciri orde kedua. Ekstraksi ciri orde pertama dilakukan melalui histogram citra sedangkan ekstraksi ciri statistik orde kedua dilakukan dengan matriks kookurensi, yaitu suatu matriks antara yang merepresentasikan hubungan ketetanggaan antar piksel dalam citra pada berbagai arah orientasi dan jarak spasial. Ilustrasi ekstraksi ciri statistik ditunjukkan pada gambar 2.11. Gambar 2.11 Ilustrasi ekstraksi ciri statistik, (a) histogram, (b) Hubungan ketetanggaan antar piksel sebagai fungsi orientasi dan jarak spasial Kookurensi berarti kejadian bersama, yaitu jumlah kejadian satu level nilai piksel bertetangga dengan satu level nilai piksel lain dalam jarak (d) dan orientasi sudut (θ) tertentu. Jarak dinyatakan dalam piksel dan orientasi dinyatakan dalam derajat. Orientasi dibentuk dalam empat arah sudut dengan interval sudut 45°, yaitu 0°, 45°, 90°, dan 135°. Sedangkan jarak antar piksel biasanya ditetapkan sebesar 1 piksel, 2 piksel, 3 piksel dan seterusnya. Matriks kookurensi merupakan matriks bujursangkar dengan jumlah elemen sebanyak kuadrat jumlah level intensitas piksel pada citra. Setiap titik (i,j) pada matriks kookurensi berorientasi  berisi peluang kejadian piksel bernilai i bertetangga dengan piksel bernilai j pada jarak d serta orientasi dan (180−θ). Sebagai contoh matriks 4×4 memiliki matriks GLCM dengan ukuran yang sama. Matriks kookurensi akan dihitung dengan nilai d=1 dan θ=0o. Jumlah frekuensi munculnya pasangan (i,j) dihitung untuk keseluruhan matriks. Ekstraksi Ciri Statistik Ekstraksi ciri merupakan langkah awal dalam melakukan klasifikasi dan interpretasi citra. Proses ini berkaitan dengan kuantisasi karakteristik citra ke dalam sekelompok nilai ciri yang sesuai. Analisis tekstur lazim dimanfaatkan sebagai proses antara untuk melakukan klasifikasi dan interpretasi citra. Suatu proses klasifikasi citra berbasis analisis tekstur pada umumnya membutuhkan tahapan ekstraksi ciri. Berdasarkan orde statistiknya, analisis tekstur dapat dikategorikan menjadi 3, yaitu analisis tekstur orde satu, orde dua, dan orde tiga. Untuk penelitian ini digunakan ekstraksi ciri statistik orde satu dan dua. Ekstraksi ciri statistik orde kesatu merupakan metode pengambilan ciri yang didasarkan pada karakteristik histogram citra. Histogram menunjukan probabilitas kemunculan nilai derajat keabuan piksel pada suatu citra dengan mengabadikan hubungan antar piksel tetangga. Analisa tekstur orde satu lebih baik dalam mempresentasikan tekstur citra dalam parameter-parameter terukur, seperti mean, skewness variance, kurtosis dan entropy. Rumus mencari ekstraksi ciri orde satu sebagai berikut : Mean () Mean (m) menunjukkan ukuran dispersi dari suatu citra. (2) Dimana : = nilai intensitas keabuan = nilai histogram Variance () Variance () menunjukkan variasi elemen pada histogram dari suatu citra. (3) Dimana : = nilai intensitas keabuan = nilai mean = nilai histogram Skewness () Skewness menunjukkan tingkat kemencengan relative kurva histogram dari suatu citra. (4) Dimana : = standar deviasi dari nilai intensitas keabuan () = nilai intensitas keabuan = nilai mean = nilai histogram Kurtosis (α) Menunjukkan tingkat keruncingan relatif kurva histogram dari suatu citra (5) Dimana : = standar deviasi dari nilai intensitas keabuan = nilai intensitas keabuan = nilai mean = nilai histogram Ekstraksi ciri statistik orde kedua mempertimbangkan hubungan antara dua piksel (piksel yang bertetangga) pada citra.untuk kebutuhan analisanya. Analisis tekstur orde dua memerlukan bantuan matriks kookurensi (matrix co-occurrence) untuk citra keabuan. Analisa tekstur orde dua lebih baik merepresentasikan tekstur citra dalam parameter-parameter tekstur, seperti kontras, korelasi, momen selisih terbaik, Momen angular kedua. Rumus mencari ekstraksi ciri orde satu sebagai berikut : Kontras (contrastI) Menunjukkan ukuran penyebaran (moment inertia) elemen-elemen matrik citra. (6) Dimana : = kolom dari matriks asal = baris dari matriks asal = nilai matriks kookurensi Korelasi (Correlation) Menunjukkan ukuran ketergantungan linear derajat keabuan citra sehingga dapat memberikan petunjuk adanya struktur linear dalam citra. (7) Dimana : = nilai rata-rata elemen kolom = nilai rata-rata elemen baris = nilai standart deviasi elemen kolom = nilai standart deviasi elemen baris Momen selisih terbalik (Inverse different moment) Menunjukkan kehomogenan citra yang berderajat keabuan sejenis. Citra homogen akan memiliki harga IDM yang besar. (8) Momen angular kedua (Angular second moment) atau energy Menunjukkan ukuran sifat homogenitas citra dengan persamaan berikut (9) Entropy (H) Entropy, mengukur tingkat keacakan piksel. Entropy mencapai nilai tertinggi jika semua elemen dalam matrix P sama. Nilai entropy dapat dicari menggunakan persamaan berikut (10) K-Nearest Neighbor Algoritma K-NN merupakan teknik klasifikasi yang sangat populer yang diperkenalkan oleh Fix dan Hodges (1951), yang telah terbukti menjadi algoritma sederhana yang baik dan merupakan salah satu metode yang digunakan dalam pengklasifikasian dengan menggunakan algoritma supervised. Tujuan dari algoritma ini adalah mengklasifikasikan obyek baru berdasarkan jarak suatu obyek yang akan diklasifikasikan terhadap data contoh. Classifer hanya menggunakan fungsi jarak dari data baru ke data training. Menurut Agusta, 2007 bahwa prinsip kerja K-nearest neighbor adalah mencari jarak terdekat antara data yang dievaluasi dengan K tetangga terdekatnya dengan data yang dievaluasi dengan K tetangga terdekatnya dalam data pelatihan. Adapun persamaan perhitungan untuk mencari dengan dimensi data: (11) Dimana : = sampel data uji = data uji = jarak = dimensi data Langkah-langkah K-nearest neighbor Menentukan parameter K = jumlah tetangga terdekat. Hitung jarak antara data baru dengan data training. Urutkan jarak tersebut dan tetapkan tetangga terdekat berdasarkan jarak minimum ke-K Periksa kelas dari tetangga terdekat. Gunakan mayoritas sederhana dari kelas tetangga terdekat sebagai nilai prediksi data baru. Confusion Matrix Kinerja prediksi suatu sistem tidak bisa bekerja 100% benar. Untuk sebuah sistem klasifikasi harus diukur kinerjanya yaitu menggunakan matrik confusion (confusion matrix). Confusion matrix merupakan tabel yang mencatat hasil kerja klasifikasi.   Kelas hasil prediksi  Kelas=1 Kelas=0  Kelas asli (i)   Kelas=1  Kelas=0 Tabel 2.4 confusion matrix Jumlah data dari masing-masing kelas yang diprediksi secara benar adalah (+), dan data yang diprediksi salah adalah (+). Pengukuran akhir adalah untuk mencari akurasi dan laju error. (12) (13) Flowchart Adalah bagian-bagian yang mempunyai arus yang menggambarkan langkah-langkah penyelesaian suatu masalah. Flowchart merupakan cara penyajian dari suatu algoritma. Tujuan membuat flowchart: Menggambarkan suatu tahapan penyelesaian masalah Secara sederhana, terurai, rapi dan jelas Menggunakan simbol-simbol standar Dalam penulisan flowchart dikenal dua model, yaitu Sistem Flowchart dan Program Flowchart. Sistem Flowchart: Yaitu bagan memperlihatkan urutan prosedur dan proses dari beberapa file di dalam media tertentu. Melalui flowchart ini terlihat jenis media penyimpanan yang dipakai dalam pengolahan data. Selain itu juga menggambarkan file yang dipakai sebagai input dan output. Tidak digunakan untuk menggambarkan urutan langkah untuk memecahkan masalah. Hanya untuk menggambarkan prosedur dalam sistem yang dibentuk. Program Flowchart Yaitu bagan yang memperlihatkan urutan dan hubungan proses dalam suatu program. Dua jenis metode penggambarakn program flowchart. Conceptual flowchart, menggambarkan alur pemecahan masalah secara global. Detail flowchart, menggambarkan alur pemecahan masalah secara rinci. Start End Input Proses Output Gambar 2.12 Conceptual Flowchart dan Detail Flowchart (Jogiyanto, 2005) Simbol-simbol Flowchart Simbol-simbol yang di pakai dalam flowchart dibagi menjadi 3 kelompok: Flow direction symbols Digunakan untuk menghubungkan simbol satu dengan yang lain. Disebut juga connecting line. Tabel 2.5 Simbol Flow Direction Simbol arus flow, yaitu menyatakan jalannya arus suatu proses Simbol communication link, yaitu menyatakan tranmisi data dari satu lokasi ke lokasi lain Simbol connector, berfungsi menyatakan sambungan dari proses ke proses lainnya dalam halaman yang sama Simbol offline connector, menyatakan sambungan dari proses ke proses lainnya dalam halaman yang berbedas Processing Symbols Menunjukkan jenis operasi pengolahan dalam suatu proses/prosedur. Tabel 2.6 Simbol Processing Simbol proses, yaitu menyatakan suatu tindakan (Proses) yang dilakukan oleh komputer Simbol manual, yaitu menyatakan suatu tindakan (Proses) yang tidak dilakukan oleh komputer Simbol decision, yaitu menunjukkan suatu kondisi tertentu yang akan menghasilkan dua kemungkinan. Jawaban: Ya / Tidak Symbol predefined process, yaitu menyatakan penyediaan tempat penyimpanan suatu pengolahan untuk memberi harga awal Simbol terminal, yaitu menyatakan permulaan atau akhir suatu program Symbol keying operation, menyatakan segala jenis operasi yang di proses dengan menggunakan suatu mesin yang mempunyai keyboard Symbol offline – storage, menunjukkan bahwa data dalam symbol ini akan di simpan ke suatu media tertentu Symbol manual input, memasukkan data secara manual dengan menggunakan online keyboard Input Output Symbols Menunjukkan jenis peralatan yang digunakan sebagai media input atau output. Tabel 2.7 Simbol Input Output Simbol input / output, menyatakan proses input atau output tanpa tergantung jenis peralatannya Simbol punched card, menyatakan input berasal dari kartu atau output ditulis ke kartu Simbol magnetic tape, menyatakan input berasal dari pita magnetis atau outpit di simpan ke pita magnetic Simbol disk strorage, menyatakan input berasal dari disk atau output disimpan ke disk  BAB III PEMBAHASAN Pada bab ini ada beberapa sub bab yang akan dibahas. Yaitu yang pertama sub bab yang membahas tentang analisa sistem secara umum, yang meliputi smpel data, blok diagram, dan diagram alir. Sub bab yang kedua membahas tentang penghitungan ekstraksi ciri statistik orde satu dan orde dua. Dan sub bab yang terakhir membahas tentang klasifikasi menggunakan metode K-nearest neighbor. Analisa Sistem Sistem yang akan dibangun adalah sistem yang mampu untuk mengenali Kualitas atau mutu biji kopi dengan inputan berupa citra (image) digital untuk kemudian diproses dengan menggunakan metode ekstraksi ciri statistik dan klasifikasi KNN. Penelitian ini dilakukan dengan tujuan untuk mempermudah petani untuk melakukan pemutuan pada biji kopi yang selama ini hanya dilakukan oleh para ahli. Blok diagram Sistem yang akan dibangun ini dibagi menjadi dua sub sistem, yaitu sub sistem untuk training dan sub sistem untuk testing. Sub sistem training digunakan sebagai data latih dari berbagai Mutu kopi yang akan disimpan dalam database dan  nanti akan digunakan klasifikasi saat testing atau melakukan pemutuan. Berikut blok diagram sistemnya. Gambar 3.1 Blok Diagram User menginputkan citra (image) yang akan diekstraksi sebagai data training. System akan melakukan preprocessing seperti penghitungan histogram dan pembuatan grafik histogramnya untuk memudahkan proses ekstraksi. Selanjutnya sistem akan mengekstraksi ciri statistik dari citra tekstur yang diinputkan. Selanjutnya diberikan label Mutu sesuai penelitian kemudian disimpan ke database. Sedangkan untuk proses testing, prosesnya hampir sama dengan data training perbedaannya adalah pada saat testing dilakukan proses klasifikasi disesuaikan dengan data yang ada. Proses klasifikasi yang akan dilakukan sistem pada penelitian ini adalah menggunakan metode K-Nearest Neighbor (KNN) yaitu dengan menghitung jarak Euclidean kemudian diambil jarak yang paling kecil sebagai outputnya. Digram alir Diagram alir proses utama Secara umum proses jalannya sistem pada penelitian dengan menggunakan metode ekstraksi ciri statistik dapat digambarkan sebagai berikut. Gambar 3.2 Diagram Alir sistem Pada sistem yang akan dibangun terdapat beberapa proses yang akan dijalankan, yaitu, pertama dilakukan pemilihan citra yang digunakan sebagai input, kemudian dilakukan konversi dari citra warna ke citra grayscale, proses selanjutnya mengekstraksi nilai tekstur dari citra grayscale tersebut. Untuk proses pengklasifikasian menggunakan metode KNN. Diagram alir proses ekstraksi ciri orde satu Berikut ini merupakan aliran sistem pada proses penghitungan ekstraksi ciri orde satu. Gambar 3.3 Ekstraksi ciri orde satu Dari diagram alir di atas dapat dijelaskan sebagai berikut. Dari citra yang sesudah dikonversi menjadi aras keabuan (grayscale) dilakukan penghitungan nilai histogram, ini disebabkan karena ekstraksi ciri statistik orde satu didasarkan pada histogram. Proses selanjutnya dilakukan penghitungan ekstraksi ciri dengan parameter mean, variance, skenewss, kurtosis, entropy. Setelah mendapatkan hasil ciri-ciri tekstur kemudian disimpan kedalam database untuk dijadikan acuan dalam proses klasifikasi. Diagram alir ekstraksi ciri statistik orde dua Diagram alir ekstraksi ciri statistik orde dua dapat digambarkan sebagai berikut. Gambar 3.4 Ekstraksi ciri orde dua Dari citra gyarscale kemudian dilakukan proses pembentukan matriks co-occurrence yang berorientasi pada ketetanggaan dua piksel pada jarak yang ditentukan 1 piksel dalam 4 arah sudut dengan interval 45°, yaitu 0°, 45°, 90°, dan 135°. Kemudian dilakukan pembentukan glcm simetris yaitu matiks transpose dari matriks co-occurrence kemudian dinormalisasi. Setelah didapat matriks yang telah dinormalisasi, kemudian dihitung ciri-ciri tekstur menggunakan ekstraksi ciri statistik orde dua dan hasilnya disimpan kedalam database untuk dijadikan acuan pada saat proses klasifikasi. Diagram alir proses klasifikasi KNN Klasifikasi berguna untuk menentukan kelas dari suatu citra uji berdasarkan ciri-ciri yang telah diekstraksi. Metode yang akan digunakan pada sistem ini adalah metode K-nearest neighbor (KNN) yaitu berdasarkan jumlah tetangga terdekat untuk penentuan kelasnya. Berikut diagram alir dari proses KNN. Gambar 3.5 Klasifikasi KNN Dari diagram alir diatas dapat dijelaskan sebagai berikut. Dari data testing yang telah diekstraksi kemudian ditentukan nilai k. kemudian menghitung jarak antara citra testing dengan seluruh citra training menggunakan rumus jarak Euclidean. kemudian menentukan citra terdekat dengan citra testing berdasarkan nilai k. Pengolahan Data Data tanpa preprocessing Data tidak dipreprocessing terlebih dahulu tetapi langsung dilakukan penghitungan ekstraksi ciri statistik menggunakan software imagej. Data training Data training merupakan data master yang akan digunakan sebagai acuan dalam penentuan kualitas atau mutu. Berikut data tabel sample data training yang digunakan dalam penelitian ini.  Data testing Data testing ini nanti akan dicocokkan dengan data training apakah antara pemutuan yang dilakukan secara manual dan menggunakan pemutuan menggunakan data citra dengan metode ekstraksi ciri ini sesuai. Pada penelitian ini ada empat perlakuan berbeda pada data testing. Yaitu pertama dengan objek dan pencahayaan yang sama saat pengambilan citra antara objek untuk data testing dan data training. Yang kedua dengan menggunakan objek yang sama namun pencahayaan berbeda. Yang ketiga, menggunakan objek berbeda dengan pencahayaan yang sama. Yang keempat, menggunakan objek berbeda dan pencahayaan berbeda. Berikut data testing yang digunakan dalam penelitian ini. Klasifikasi K-nearest neighbor Pada penelitian ini penklasifikasian kualitas menggunakan K-nearest neighbor, yaitu dengan menggunakan rumus jarak euclidean dengan k=100. Berikut penghitungannya.  Tabel 3.6 hasil penghitungan KNN d Mutu 8,973 1 1,476 1 8,207 1 9,714 2 20,186 2 266,716 2 227,482 3 190,551 3 344,325 3 284,758 4a 223,443 4a 312,635 4a 168,672 4b 226,366 4b 246,402 4b 216,984 5 331,316 5 284,910 5 276,056 6 204,447 6 273,505 6 Berikut ini hasil pengklasifikasian dari data testing yang digunakan. Tabel 3.7 Hasil Klasifikasi objek sama cahaya sama d mutu 1,476 1 2,89 2 4,285 3 14,293 4a 26,16 6 14,294 3 6,975 3 Tabel 3.8 Hasil klasifikasi objek sama cahaya berbeda D mutu 18,516 1 20,038 1 20,347 3 17,536 3 66,977 3 12,37 3 17,548 4b Tabel 3.9 hasil klasifikasi objek berbeda cahaya sama D mutu 3,479 1 11,507 3 10,094 4a 6,24 6 15,037 5 51,369 3 12,197 4a Tabel 3.10 hasil klasifikasi objek berbeda cahaya berbeda D mutu 19,068 1 60,399 3 62,147 3 68,414 3 20,068 3 21,586 2 10,085 3 Pengukuran kinerja klasifikasi menggunakan confusion matrix Dari hasil klasifikasi diatas bisa digunakan untuk menghitung akurasi dan laju error. Tabel 3.11 cofusion matrix    mutu Hasil Prediksi 1 2 3 4a 4b 5 6 mutu asli  1 4 1 0 0 0 0 0 2 0 1 0 0 0 1 0 3 0 2 3 2 2 3 2 4a 0 0 0 1 0 0 1 4b 0 0 1 0 0 0 1 5 0 0 0 0 1 0 0 6 0 0 0 1 1 0 0 32,14% Tabel 3.12 akurasi permutu Mutu Akurasi permutu 1 100 % 2 25 % 3 75 % 4a 25 % 4b 0 % 5 0 % 6 0 %  Data dengan preprocessing Sebelum dilakukan penghitungan ekstraksi ciri statistik terlebih dahulu data dipreprocessing. Pada penelitian ini prepocessing dilakukan dengan tools yang ada pada software imagej menggunakan dua cara berbeda untuk kemudian dilakukan perbandingan mana yang lebih mendekati kebenaran. Yang pertama dilakukan dilakukan preprocessing menggunakan image enhance dan smooth (untuk mengurangi noise). dan yang kedua dilakukan preprocessing menggunakan image enhance, smooth dan treshold. Preprocessing menggunakan image enhance dan smooth  Data training Data testing K-nearest neighbor (k=100) Tabel 3.18 hasil KNN dari objek sama cahaya sama mutu D 1 0,955 2 1,773 3 0,66 4a 4,06 4b 10,134 5 4,171 6 9,681 Tabel 3.19 hasil KNN dari objek sama cahaya berbeda mutu D 1 11,615 1 12,667 3 9,957 3 2,157 3 10,871 6 5,958 6 6,051 Tabel 3.20 hasil KNN dari objek berbeda cahaya sama mutu D 1 3,507 2 4,721 4a 7,73 4a 0,851 5 9,683 3 11,005 6 8,552  Tabel 3.21 hasil KNN dari objek berbeda cahaya berbeda mutu D 1 12,188 2 8,06 3 7,823 2 12,052 6 9,274 4b 9,913 3 5,924 Confusion matrix Tabel 3.22 Confusion matrix    mutu Hasil Prediksi 1 2 3 4a 4b 5 6 mutu asli  1 4 1 0 0 0 0 0 2 0 3 0 1 0 0 0 3 0 0 3 1 1 1 1 4a 0 0 1 2 0 0 0 4b 0 0 0 0 1 1 0 5 0 0 0 0 1 1 0 6 0 0 0 0 1 1 3  Tabel 3.23 Akurasi permutu Mutu Akurasi permutu 1 (4/4)x100=100 % 2 (3/4)x100=75 % 3 (3/4)x100=75 % 4a (2/4)x100=50 % 4b (1/4)x100=25 % 5 (1/4)x100=25 % 6 (3/4)x100=75 % Preprocessing menggunakan image enhance, smooth dan treshold Dari citra asli kemudian dipreprocessing menggunakan image enhance, smooth dan treshold sehingga citra baru berupa citra biner.  Data training Data testing K-nearest neighbor (K=400) Tabel 3.29 hasil KNN dari objek sama cahaya sama hasil d 14,287 1 64,801 2 17,073 3 25,493 4a 87,567 5 48,629 3 31,059 4b Tabel 3.30 hasil KNN dari objek sama cahaya berbeda hasil d 133,252 1 256,757 1 14,463 3 41,547 4b 347,847 6 27,065 3 35,928 3 Tabel 3.31 hasil KNN dari objek berbeda cahaya sama hasil d 74,921 1 33,004 4b 48,001 4b 20,285 2 58,628 6 150,956 3 28,412 4b  Tabel 3.32 hasil KNN dari objek berbeda cahaya berbeda hasil d 208,147 1 320,859 2 18,633 6 139,587 6 42,171 4b 22,294 4b 21,879 4b Confusion matrix Tabel 3.33 confusion matrix    mutu Hasil Prediksi 1 2 3 4a 4b 5 6 mutu asli  1 4 1 0 0 0 0 0 2 0 2 0 1 0 0 0 3 0 0 2 0 0 3 2 4a 0 0 0 1 0 0 0 4b 0 1 1 1 1 1 2 5 0 0 0 0 1 0 0 6 0 0 1 1 2 0 0 Tabel 3.34 akurasi permutu mutu Akurasi 1 (4/4)x100%=100% 2 (2/4)x100%=50% 3 (2/4)x100%=50% 4a (1/4)x100%=25% 4b (1/4)x100%=25% 5 0% 6 0%  BAB IV PENUTUP Kesimpulan Kesimpulan yang dapat diambil dari penulisan tugas khusus ini adalah sebagai berikut: Pencahayaan dalam pengambilan citra sangat mempengaruhi kualitas citra yang akan diekstraksi menggunakan ekstraksi ciri statistik. Ciri yang paling menonjol dan mempengaruhi dalam pengklasifikasian pada metode ekstraksi ciri statistik ini adalah pada ciri contrast terlihat dari data pada bab 3 ciri contrast memiliki nilai yang tinggi. Penggunaan preprocessing yang terbaik pada penelitian ini adalah dengan image enhance dan smooth jika dibandingkan dengan dua percobaan yang lainnya dengan persentase akurasinya 60,71429% Saran Dari pembahasan identifikasi kualitas biji kopi dengan menggunakan metode ekstraksi ciri statistik dalam tugas khusus ini, dapat diberikan beberapa saran sebagai berikut: Perlu dilakukan penelitian lebih lanjut dengan pencahayaan yang lebih stabil, misal menggunakan peralatan pencahayaan  buatan dalam box atau kardus sehingga citra yang diambil bisa mendapatkan pencahayaan yang stabil. Perlu dilakukan preprocessing dengan metode yang lain untuk menghasilkan citra yang lebih baik lagi, dan bisa meningkatkan akurasi. Perlu dilakukan penelitian dengan metode yang lain sebagai perbandingan, misal dengan metode jaringan syaraf tiruan, k-means atau fuzzy  DAFTAR PUSTAKA Buku Panduan, Sekolah Lapang Pengendalian Hama Terpadu (SL_PHT, Tanaman Kopi), Pacitan, 2016. Danoedoro, Projo, Pengantar Penginderaan Jauh Digital, ANDI, Yogyakarta, 2012. Fitrianto, Faris, Identifikasi jenis penyakit kulit berdasarkan analisis warna dan tekstur pada citra kulit menggunakan klasifikasi K-nearest neighbor, Universitas Diponegoro, Semarang, 2010. Muhtadi, Imam, Klasifikasi Citra Dengan Matriks Ko-Okurensi Aras Keabuan Pada Jenis Kayu, Tugas Khusus, STMIK Asia, Malang, 2012. Munir, Rinaldi, Pengolahan Citra Digital dengan Pendekatan Algoritmik, Informatika, Bandung, 2004. Putra, Darma, Pengolahan Citra Digital, ANDI, Yogyakarta, 2010. Rahardjo, Pudji, Kopi Panduan Budidaya dan Pengolahan Kopi Arabika dan Robusta, Penebar Swadaya, Jakarta, 2012. Sutoyo, T, Mulyanto, Edy, dkk, Teori Pengolahan Citra Digital, ANDI, Yogyakarta, 2009. Trisnanigtyas, Puspa Rizky, Maimunah, Klasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor, Universitas Islam “45”, Bekasi, 2015.  DAFTAR RIWAYAT HIDUP IDENTITAS DIRI Nama : Irma Khoirunnisa’ Tempat/ Tgl. Lahir : Pacitan, 30 September 1993 Jenis Kelamin : Perempuan Alamat : Jeruk, Rt:006 Rw:004 Ds. Ngumbul, Kec. Tulakan Kab. Pacitan, Jawa Timur Agama : Islam Kwarganegaraan : Indonesia Telp : 085736365031 E-mail : irma.khoirunnisa@gmail.com PENDIDIKAN Madrasah Ibtidaiyah Muhammadiyah Ngumbul Lulus th. 2006 Madrasah Tsanawiyah Muhammadiyah 2 Tulakan Lulus th. 2009 Madrasah Aliyah Negeri Pacitan Jurusan IPA Lulus th. 2012 Wearnes Education Center Madiun Jurusan Inforkom Lulus th.2013 STMIK ASIA Malang 55 16 76 79 10 11 56 17 78 83