SISTEM IDENTIFIKASI CITRA KAYU BERDASARKAN TEKSTUR MENGGUNAKAN GRAY LEVEL COOCURRENCE MATRIX (GLCM) DENGAN KLASIFIKASI JARAK EUCLIDEAN

ISSN: 1410-233

SISTEM IDENTIFIKASI CITRA KAYU BERDASARKAN TEKSTUR MENGGUNAKAN GRAY LEVEL COOCURRENCE MATRIX (GLCM) DENGAN KLASIFIKASI JARAK EUCLIDEAN Saifudin1, Abdul Fadlil2 Studi Teknik Informatika, 2Program Studi Teknik Elektro, Fakultas Teknologi Industri Universitas Ahmad Dahlan, Yogyakarya Email: [email protected], [email protected] 1Program

Abstrak -- Kayu jati (Tectona Grandis L.F.) dan mahoni (Swietenia Mahagoni) merupakan 2 jenis kayu yang biasa digunakan untuk bahan perabot rumah tangga. Perabot yang berbahan kayu jati dikenal sebagai produk kwalitas kelas 1 sedangkan perabot dengan bahan kayu mahoni dianggap sebagai produk kwalitas kelas ke 2. Namun secara manual sulit untuk membedakan antara kedua jenis kayu ini. Oleh karenanya penting dibangunnya suatu sistem otomatis yang mampu mengenali perbedaan dari kedua jenis kayu ini. Pada dasarnya citra kayu dapat dianalisis cirinya untuk mendapatkan pola-pola yang menunjukkan jenis kayu. Ekstraksi ciri dari citra kayu dapat dianalisi berdasarkan tekstur atau warnanya.Tulisan ini menjelaskan sistem identifikasi jenis kayu yang telah dikembangkan untuk membedakan antara jenis kayu jati atau mahoni. Sistem ini meliputi proses akusisi data citra, pemrosesan citra, ekstraksi ciri, dan klasifikasi. Ekstraksi ciri menggunakan tekstur Gray Level Co-ocurrence Matrix (GLCM) sedangkan pengklasikasi menggunakan metode jarak Euclidean. Hasil eksperimen-eksperimen dengan pengubahan ukuran citra asli menjadi 30x30, 20x20 dan 10x10 berturut-turut menghasilkan akurasi 82,5 %, 65,7 % dan 77,5%. Hasil ini menunjukkan bahwa akurasi tertinggi yang diperoleh layak untuk diimplementasikan ke dalam industri . Kata kunci: identifikasi kayu, Gray Level Coocurence Matrix, Euclidean Abstract -- Teak wood (Tectona Grandis LF) and mahogany wood (Swietenia Mahagoni) are 2 types of wood as material used for furniture. The furniture made from teak wood is known as quality product number 1 and furniture with mahogany wood is considered as class quality product number 2. It's very difficult to distinguish between these two types of wood manually, therefore essential to develop an automated system that able to recognize the difference between these two types of wood. Basically wood image can be analyzed characteristics to obtain patterns that indicate the type of wood. Image feature extraction of wood can be analyzed by the texture or color. This paper describes the system of identification of the type of wood that have been developed to distinguish between types of teak or mahogany. The system includes the image data acquisition, image processing, feature extraction and classification. The system includes the image data acquisition, image processing, feature extraction and classification. Feature extraction using texture Gray Level Co-ocurrence Matrix (GLCM) while for classifier using Euclidean distance. Results of experiments with changing the size of the original image into 30x30, 20x20 and 10x10 respectively produce an accuracy of 82.5%, 65.7% and 77.5%. These results indicate that the highest accuracy is obtained feasible to be implemented into the industry. Keywords: wood identification, writing, format, title

1.

PENDAHULUAN Teknologi saat ini terus berkembang terutama komputerisasi untuk proses-proses otomatisasi. Hal ini mendorong dibangunnya sistem yang dapat mengidentifikasi jenis kayu yaitu jati (Tectona Grandis L.F.) dan mahoni (Swietenia Mahagoni ) menggunakan komputer, sehingga dapat membantu manusia dalam membedakan kayu jati dan mahoni. Kayu jati dan mahoni merupakan 2 jenis kayu yang biasa digunakan untuk bahan perabot rumah tangga.

Saifudin, Sistem Indikasi Citra Kayu

Dalam melakukan klasifikasi jenis kayu (jati dan mahoni) tentunya mudah bagi manusia yang mengerti akan karakteristik tumbuhan kayu tersebut. Manusia dapat mengetahui dan membedakan jenis kayu secara jelas melalui panca indera, baik penglihatan, penciuman, perabaan dan sebagainya. Namun hal ini tidak mudah bagi mesin / komputer biasa, sehingga perlu dikembangkan sistem pengenalan pola dan teknik klasifikasi untuk mengidentifikasi jenis kayu tersebut.

181

SINERGI Vol. 19, No. 3, Oktober 2015: 181-186

Pada penelitian sebelumnya Heru Wahyu Nugroho (2011) telah membuat sistem untuk proses identifikasi citra kacang, Devi Puspitasari (2013) telah membuat Sistem Identifikasi Citra Jenis Kunyit (curcuma domestica val.) Menggunakan Metode Klasifikasi Minkowski Distance Family, dan Marzuki Khalid, et. al, (2008) telah mengembangkan sistem cerdas untuk pengenalan jenis-jenis kayu serta Suresh, A. and Shunmuganathan, K.L. (2012), meneliti tentang klasifikasi tekstur yang didasarkan pada Gray Level Co-Occurrence Matrix (GLCM). 2. DASAR TEORI Pengolahan Citra Citra dapat didefinisikan sebagai suatu fungsi intensitas cahaya dua dimensi f(x,y) dimana x dan y menyatakan suatu koordinat spatial, nilai f pada f(x,y). Citra diperoleh dari suatu pengambilan atau pengolahan data pada objek dengan menggunakan alat perekam, data yang didapatkan melalui kegiatan interpretasi citra secara manual dengan alat bantu kamera digital. Pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan komputer, menjadi citra yang kualitasnya lebih baik. Citra berwarna (true color) pada dasarnya terdiri dari unsur warna merah, hijau dan biru (red, green, dan blue, atau sering disingkat RGB). Ketiga komponen warna ini menentukan warna suatu objek. Ilustrasi nilai intensitas RGB dari setiap piksel penyusun citra akan digambarkan dengan matrik berikut (Putra,D. 2009 ):

=

W

=

(4)

Ekstraksi Ciri Proses ekstraksi ciri ini berkaitan dengan kuantisasi karakteristik citra ke dalam sekelompok nilai ciri yang sesuai. Salah satu teknik untuk memperoleh ciri statistik adalah dengan menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan orientasi sudut tertentu. Pendekatan ini bekerja dengan membentuk sebuah matriks kookurensi dari data citra, dilanjutkan dengan menentukan ciri sebagai fungsi dari matriks antara tersebut. Matrik Kookurensi Aras Keabuan (Gray Level Co-Occurrence Matrix) 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. Keempat arah tersebut dapat direpresentasikan pada Gambar 1.

(1) Gambar 1. Empat Arah Derajat Keabuan

=

=

(2)

(3)

Citra abu-abu dihasilkan dari perhitungan rata-rata RGB disetiap piksel seperti persamaan (1) untuk red, persamaan (2) untuk green dan persamaan (3) untuk blue. Matriks diatas digunakan untuk menghitung nilai citra grayscale dengan rumus:

182

Matriks kookurensi merupakan matriks bujursangkar dengan jumlah elemen sebanyak kuadrat jumlah level intensitas piksel pada citra. Setiap titik (p,q) pada matriks kookurensi berorientasi θ berisi peluang kejadian piksel bernilai p bertetangga dengan piksel bernilai q pada jarak d serta orientasi θ dan (180−θ). Setelah memperoleh matriks kookurensi tersebut, Selanjutnya dapat menghitung ciri statistik orde dua yang merepresentasikan citra yang diamati. Haralick et al. mengusulkan berbagai jenis ciri tekstural yang dapat diekstraksi dari matriks kookurensi., yaitu Angular Second Moment, Contrast, Correlation, Variance, Inverse Difference Moment, dan Entropy (Haralick, K. Shanmugam, and I. Dinstein, 1973).

Saifudin, Sistem Indikasi Citra Kayu

ISSN: 1410-233

(5)

(6) (7) (8)

(9)

(10) Dalam persamaan diatas, notasi p(i,j) melambangkan probabilitas, yang bernilai mulai dari nol hingga satu, yaitu nilai elemen dalam matriks kookurensi. Sedangkan i dan j, melambangkan pasangan intensitas yang berdekatan, yang dalam matriks kookurensi masing-masing menjadi nomor baris dan nomor kolom. Klasifikasi Pada tahap pengklasifikasian jenis kayu solid yaitu kayu jati dan mahoni ini akan digunakan metode jarak yaitu metode Euclidean sebagai metode klasifikasi.

=

(11)

dimana: Pi= Pola citra uji Qi= Pola citra standart 3. METODE PENELITIAN Metode Pengumpulan Data Metode wawancara, penulis melakukan wawancara langsung dengan salah satu industri furniture yang berada di daerah Kulon Progo yaitu “Salim Furniture” dan bertemu langsung dengan pemilik dari industri furniture tersebut. Metode observasi, penulis melakukan observasi langsung ke industri furniture tersebut untuk kemudian mengambil Data yang dibutuhkan. Setelah data diperoleh data kemudian di sortir untuk memilih citra yang terbaik yang akan digunakan untuk citra standart dan citra uji. Perancangan Sistem Gambar 2 adalah blok diagram sistem identifikasi kayu yang dikembangkan berdasarkan tekstur menggunakan Gray Level Co-occurrence Matrixs (GLCM), dengan menggunakan pengklasifikasi jarak Eucledian.

Gambar 2. Diagram Blok Identifikasi Kayu

Saifudin, Sistem Indikasi Citra Kayu

183

SINERGI Vol. 19, No. 3, Oktober 2015: 181-186

Pengujian Sistem Pengujian ini dilakukan untuk proses memasukkan citra yang akan digunakan sebagai citra acuan/citra standart dan citra yang diuji/citra testing. Mengubah citra menjadi matriks citra aras keabuan Pengujian ini dilakukan untuk mengetahui apakah sistem dapat menjalakan proses mengubah citra uji menjadi aras keabuan dan menjadi matriks intensitas warna berdasarkan 8 tingkatan warna. Tahap ekstraksi ciri berdasarkan tekstur Pengujian ini dilakukan untuk mengetahui apakah sistem dapat berjalan dengan baik dalam mengenali citra uji dari citra acuan/citra standart dan apakah sistem dapat menjalankan ekstraksi ciri dengan menggunakan gray level cooccurrence matriks dengan 4 arah keabuan dan menggunakan 6 ciri statistik.

Hasil Pengujian Sistem a. Pemrosesan awal/pre-proccesing Pada tahap pemrosesan awal memasukkan citra sebagai input ke dalam proses identifikasi citra kayu solid dilakukan dengan mengambil citra baru yang telah tersimpan di dalam komputer. Proses cropping dilakukan dengan cara manual menggunakan mouse dengan memilih area pada citra masukan kayu solid. Selanjutnya proses konversi Citra RGB ke Gray Scale. Pada tahap konversi citra RGB ke grayscale hasil dari cropping citra asli RGB akan dikonversi kedalam bentuk citra keabuan/ grayscale. Hasil dari cropping citra kayu solid dan konversi RGB diubah menjadi citra keabuan grayscale ditunjukkan pada Gambar 3, berikut: Kayu Jati

Membentuk data acuan sebagai citra standart Sebelum proses klasifikasi dapat dilakukan, terlebih dahulu harus dibentuk data acuan/citra standart. Citra standart dibentuk dari data-data ciri tekstur kayu jati dan mahoni yang sudah terlebih dahulu disimpan dan dirata-rata. Klasifikasi Pengujian klasifikasi identifikasi citra kayu solid dilakukan dengan menggunakan metode klasifikasi jarak euclidean. Pengujian dikatakan baik jika dapat diketahui bahwa suatu pola image / data baru dapat dikatakan mirip dengan salah satu pola image standart melalui metode jarak Euclidean didasarkan pada nilai jarak mínimum. 4. HASIL DAN PEMBAHASAN Akusisi Data Proses Akuisisi data citra kayu solid dilakukan dengan menggunakan alat bantu kamera digital dan didapat gambar/citra kayu berukuran 3648x2736. Tabel 1 menunjukkan data citra kayu yang digunakan dalam penelitian ini.

Kayu mahoni

Gambar 3. Citra Cropping dan Konversi RGB Ke Grayscale b.

Mengubah Ukuran Citra yang telah dilakukan cropping selanjutnya citra akan diubah ke bentuk matrik yang menginformasikan warna pixel dari data citra dari 256 akan dijadikan 8 tingkatan warna dengan ukuran matrik 10x10, 20x20, 30x30. Matrik tersebut menginformasikan intensitas warna yang ada pada citra yang dimasukkan. Berikut adalah tampilan nilai konversi citra RGB ke grayscale yang ditunjukkan pada Gambar 4 berikut ini:

Tabel 1. Data Citra Kayu Kayu Solid

Jumlah citra

Citra standart

Citra Pengujian

Format Citra

Mahoni

30

10

20

*.jpg

Jati

30

10

20

*.jpg

184

Gambar 4. Tampilan nilai konversi citra RGB ke grayscale

Saifudin, Sistem Indikasi Citra Kayu

ISSN: 1410-233

c.

Ekstraksi Ciri Proses ini berkaitan dengan kuantisasi karakteristik citra ke dalam sekelompok nilai ciri yang sesuai. Ciri tekstur kayu solid diekstrasi dalam bentuk matrik kookurensi aras keabuan (Gray level coocurrence matrix) dengan menekan tombol “Ekstraksi”. Matrik kookurensi diperoleh dari 4 arah derajat keabuan yaitu 0°,45°,90° dan 135° dari empat arah tersebut dihitung ciri statistik yang mempresentasikan citra yang diamati. Jenis ciri tekstural yang diekstraksi dalam matriks kookurensi disini ada 6 ciri yaitu: Angular Second Moment, Contrast, Correlation, Variance, Inverse Difference Moment dan Entropy.

karena hasil jarak minimumnya adalah ke pola standart mahoni maka diambil keputusan klasifikasi jenis kayu yang dimaksud adalah mahoni. f.

Pengujian Sistem Identifikasi Tampilan Graphic User Interface (GUI) sistem identifkasi kayu solid seperti tampak pada Gambar 6 berikut;

d.

Penyimpanan Data Acuan Citra Standart Penyimpanan data standart ini merupakan tahap yang penting dikarenakan data pola standart adalah pola yang mewakili dari setiap kelompok kayu solid yang diujikan. Pola standart sendiri adalah pola yang akan dijadiakan acuan ataupun referensi dalam identifikasi kayu solid ini. Didalam penelitian ini penulis menggunakan 10 citra standart untuk jati dan 10 citra standart untuk mahoni jadi keseluruhan citra standart ada 20 citra. e.

Klasifikasi Proses klasifikasi dilakukan setelah proses input citra, pemrossan awal dan ektraksi selesai maka proses identifikasi citra kayu solid dapat dilakukan. Proses klasifikasi menggunakan metode jarak Euclidean. Gambar 5 berikut adalah tampilan ilustrasi penentuan klasifikasi.

Gambar 5. Ilustrasi Penentuan Klasifikasi Nilai jarak euclidean D(px,pj)

= 2.4594

D(px,pm)

Gambar 6. GUI Sistem Identifikasi Kayu Solid Gambar 6 adalah tampilan utama dari sistem identifikasi kayu solid yang terdiri dari menu buka file digunakan untuk memasukkan citra uji, pre-proccesing untuk pemrosesan awal, ekstraksi untuk menampilkan hasil ekstraksi ciri dan menu klasifikasi untuk mngetahui hasil klasifikasi yang diperoleh dan yang terakhir adalah tombol keluar. Hasil pengujian sistem yang ditunjukkan tingkat akurasi berdasarkan variasi perubahan ukuran citra asli menjadi berurukan 10x10, 20x20, 30x30 terangkum dalam Tabel 2. Secara umum dari hasil pengujian yang telah dilakukan dapat diketahui bahwa sistem identifikasi citra kayu solid dengan ekstraksi ciri gray level co-occurrence matrix dan kalsifikasi dengan euclidean menunjukkan akurasi yang paling tinggi didapat pada citra ukuran 30x30 yaitu 82,5% dan akurasi terendah didapat dari citra ukuran 20x20 dengan 65,0% dan ukuran 10x10 de

=2.4584

Dimana: px= pola citra uji, pj= pola citra standar Jati pm= pola citra standar Mahoni

Saifudin, Sistem Indikasi Citra Kayu

185

SINERGI Vol. 19, No. 3, Oktober 2015: 181-186

Tabel 2. Hasil Eksperimen Identifikasi Citra Kayu Matriks Citra Ukuran 10x10 Dikenali Citra masukan Jati Jati

15

Mahoni

4

Akurasi

Dikenali Mahoni 5 16

77,5 %

Matriks Citra Ukuran 20x20 Dikenali Citra masukan Jati Jati

14

Mahoni

8

Akurasi

Dikenali Mahoni 6 12

65,0 %

Matriks Citra Ukuran 30x30 Dikenali Citra masukan Jati

Dikenali Mahoni

Jati

16

4

Mahoni

3

17

Akurasi

82,5 %

Secara umum dari hasil pengujian yang telah dilakukan dapat diketahui bahwa sistem identifikasi citra kayu solid dengan ekstraksi ciri gray level co-occurrence matrix dan kalsifikasi dengan euclidean menunjukkan akurasi yang paling tinggi didapat pada citra ukuran 30x30 yaitu 82,5% dan akurasi terendah didapat dari citra ukuran 20x20 dengan 65,0% dan ukuran 10x10 dengan akurasi 77,5%. 4.

KESIMPULAN Sistem otomis untuk mengidentifikasi kayu jati dan mahoni telah berhasil dibuat.Berdasarkan analisis hasil pengujian sistem telah diperoleh unjuk kerja yang optimal yaitu 82,5 %.Hasil ini

186

menunjukkan bahwa sistem yang telah dibuat ini telah mampu mengidentifikasi jenis kayu jati dan mahoni dengan baik sehingga potensial untuk diimplementasikan ke dalam industri. Pada penelitian selanjutnya sistem ini masih dapat dikembangkan yaitu dengan mencari metode lain pada ekstraksi ciri dan atau metode pengklasifikasi agar menghasilkan unjuk dengan tingkat akurasi yang lebih tinggi lagi. REFERENSI Haralick, K. Shanmugam, and I. Dinstein. Textural Features For Image Classification. IEEE Trans. On Systems, Man, and Cybernetics. 1973; (3): 610-621 Marzuki Khalid, et. al, Design of an intelligent wood species recognition system, International Journal of Simulation, Systems, Science and Technology (IJSSST). 2008; 9 (3): 9-19. Puspitasari, D. Sistem Identifikasi Citra Jenis Kunyit (curcuma domestica val.) Menggunakan Metode Klasifikasi Minkowski Distance Family. Skripsi. Yogyakarta: Program Studi Teknik Informatika UAD. 2013. Putra, D.. Pengolahan Citra Digital. Yogyakarta: Andi. 2009. Suresh, A. and Shunmuganathan, K.L., An Efficient Texture Classification System Based On Gray Level Co-Occurrence Matrix, International Journal of Computer Science and Information Technology & Security (IJCSITS), 2010; 2 (4): 793-798. Wahyu, N.H. Identifikasi Citra Kacang Menggunakan Metode Jarak Manhattan dan Euclidean. Skripsi. Yogyakarta: Program Studi Matematika UAD. 2011

Saifudin, Sistem Indikasi Citra Kayu