Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X Vol. 3, No. 7, Juli 2019, hlm. 6556-6566 http://j-ptiik.ub.ac.id Pengenalan Citra Makanan Tradisional menggunakan Fitur Hue Saturation Value dan Fuzzy k-Nearest Neighbor
Refi Fadholi1, Yuita Arum Sari2, Fitra Abdurrachman Bachtiar3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: [email protected], [email protected], [email protected]
Abstrak Makanan dan jajanan tradisional merupakan pangan khas yang biasanya digunakan untuk acara atau tradisi. Sebagian masyarakat menganggap makanan dan jajanan tradisional adalah pangan yang sudah ketinggalan zaman, sehingga makanan dan jajanan tradisional tersebut banyak yang ditinggalkan oleh masyarakat dan mulai beralih pada kehidupan modern, padahal makanan dan jajanan tradisional sendiri adalah salah satu bentuk wujud warisan nenek moyang yang seharusnya tetap dilestarikan dari generasi penerus. Pembuatan sistem yang dapat mengenali jenis makanan tradisional dapat dilakukan menggunakan pengolahan citra digital. Dalam penelitian ini, citra yang digunakan adalah citra hasil segmentasi dengan pengujian tiga jenis data, yaitu 300 data citra hasil segmentasi paling bagus, 300 data citra dengan jumlah data tiap kelas hampir sama dan 400 data citra dengan hasil segmentasi paling bagus. Fitur citra yang digunakan adalah Hue Saturation Value (HSV) yang meliputi mean, deviasi standar, skewness dan kurtosis tiap dimensi warnanya. Klasifikasi dilakukan memakai metode Fuzzy k-NN dan k-Fold Cross Validation. Hasil pengujian nilai k (k-Fold) dan k (k-NN) didapatkan hasil akurasi rata-rata tertinggi sebesar 53,33%. Hasil pengujian juga menunjukkan bahwa kemiripan citra antar kelas, kualitas data citra yang kurang bagus dan tidak meratanya data membuat nilai akurasi pengujian menurun. Kata kunci: makanan tradisional, hue saturation value, fuzzy-knn, k-fold cross validation. Abstract Traditional food and snacks are typical of ancestors usually used for events or traditions. Some people consider that traditional food and snacks are obsolete, so that more traditional food and snacks are left behind by the people, and begin to shift to modern life, whereas traditional snacks themselves are one form of ancestral heritage that must preserved by next generation. Making system that can identify traditional types of food can be done using digital image processing. In this study, the image data used the result of image after segmentation with three types of data on testing, that is 300 images of the best segmentation result, 300 data of images with the amount of data each class is almost same and 400 data of images with the best segmentation results. Image feature used Hue Saturation Value (HSV) that contains mean, standard deviation, skewness and curtosis each color dimensions. Classification using the Fuzzy k-NN method and k-Fold Cross Validation. The test results based on values of k (k- Fold) and k (k-NN) obtained highest average accuracy at 53.33%. The test results also show that high color similarity between classes, poor image quality data and uneveness amount of data makes the test result decreased. Keywords: traditional food, hue saturation value, fuzzy-knn, k-fold cross validation
1. PENDAHULUAN memiliki makanan khas yang bisa ditampilkan sebagai daya tarik bagi wisatawan misalnya dari Indonesia terdiri dari beberapa pulau besar daerah Tapanuli dan Samosir yang mempunyai dan mempunyai banyak provinsi berpotensi Ikan Mas Arsik, Dengke Tombur dan lain-lain. besar dalam wisata makanan (food tourism) Indonesia masih menyimpan ribuan jenis karena memiliki kekayaan etnis dan budaya, makanan dan minuman khas yang berpotensi yang masing-masing memiliki kuliner khas untuk dikembangkan secara global sebagai daya tersendiri. Hampir semua daerah di Indonesia
Fakultas Ilmu Komputer Universitas Brawijaya 6556 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 6557 tarik wisata (Gultom, 2015). Makanan dan k-Nearest Neighbor (Fuzzy k-NN) untuk jajanan tradisional merupakan pangan khas dari Fingerprint Access Point pada Indoor nenek moyang dan biasanya digunakan untuk Positioning. Pada penelitian ini dilakukan acara atau tradisi. Makanan tradisional disebut pengimplementasian Indoor Positioning dengan juga sebagai makanan pasar karena makanan metode Fingerprint (metode pengenalan pola tradisional pada waktu dulu banyak dijumpai di kekuatan sinyal) menggunakan pengukuran pasar-pasar tradisional. Pada zaman modern, kekuatan sinyal (Received Signal pasar tidak hanya menjual makanan tradisional, Strength/RSS), yaitu dengan melihat pola melainkan banyak makanan dan jajanan modern kekuatan sinyal access point yang datang ke antara lain: rainbow cake, quick chiken, hot dog penerima dari setiap ruangan. Hasil pengujian dan pizza (Kusumaningtyas, Wibisono & posisi client menghasilkan tingkat akurasi pada Kusnadi, 2013). metode k-NN dengan nilai untuk k=1 nilainya Makanan dan jajanan tradisional sekarang mencapai 96%, k=2 hingga k=7 nilainya jarang sekali ditemukan, karena adanya mencapai 76%, dan k=8 hingga k=10 nilainya perubahan zaman. Sebagian masyarakat mencapai 73%. Hasil pengujian menggunakan menganggap makanan dan jajanan tradisional metode Fuzzy k-NN dengan nilai k=1 dan k=2 adalah pangan yang sudah ketinggalan zaman, nilainya mencapai 96%, k=3 hingga k=8 sehingga makanan dan jajanan tradisional nilainya mencapai 76%, k=9 nilainya mencapai tersebut banyak yang ditinggalkan oleh 73%, dan k=10 nilainya mencapai 76%. masyarakat dan mulai beralih pada kehidupan Berdasarkan hasil akurasi tersebut maka modern. Padahal makanan dan jajanan implementasi metode klasifikasi Fuzzy k- tradisional sendiri adalah salah satu bentuk Nearest Neighbor (Fuzzy k-NN) untuk wujud warisan nenek moyang yang seharusnya Fingerprint Access point pada Indoor tetap dijaga dan dilestarikan dari generasi Positioning ini memiliki tingkat akurasi yang penerus (Kusumaningtyas, Wibisono & lebih baik daripada metode k-NN. Kusnadi, 2013). Berdasarkan permasalahan diatas, Salah satu fitur yang bisa digunakan pada dilakukan suatu usulan penelitian untuk citra adalah fitur warna. Pada penelitian tentang mengklasifikasikan citra makanan tradisional pencarian resep makanan menggunakan fitur untuk mengetahui jenis dari citra makanan SMSD, CIELAB Color Moment dan Local tradisional tersebut. Adapun fitur yang Binary Pattern didapatkan bahwa fitur warna digunakan adalah fitur warna menggunakan memiliki hasil pengujian lebih optimal dengan metode ruang warna HSV, sedangkan metode nilai MAP yang lebih tinggi dibandingkan klasifikasi menggunakan metode Fuzzy K-NN. ekstraksi fitur warna, ekstraksi tekstur ataupun Hasil dari penelitian ini diharapkan dapat gabungan dari semua ekstraksi. Hue Saturation meningkatkan pengetahuan masyarakat Value (HSV) memiliki hasil terbaik dari terhadap makanan tradisional dan mendapatkan CIELAB dan CIELUV karena Hue Saturation hasil akurasi baik. Value (HSV) memiliki kesamaan perseptual. Dimensi warna HSV sering digunakan pada 2. LANDASAN KEPUSTAKAAN bidang penglihatan warna dimana setiap channelnya berhubungan erat dengan kategori 2.1. Hue Saturation Value (HSV) persepsi warna manusia (Nabella, Sari & Untuk membuat proses deteksi yang lebih Wihandika, 2019). Adapun penelitian yang efisien, gambar RGB dikonversi menjadi dilakukan oleh Sugiyanto & Wibowo (2015) gambar HSV. HSV merupakan representasi untuk mengklasifikasikan kematangan buah warna silinder, sedangkan RGB adalah pepaya menggunakan ruang warna HSV. representasi warna kartesius. HSV merupakan Penelitian ini menghasilkan tingkat akurasi kependekan dari Hue, Saturation dan Value. tertinggi 83,34% menggunakan k-NN dengan 5 Hue menunjukkan seberapa murni warna buah jumlah k (ketetanggaan). tersebut terhadap warna aslinya. Saturation Terdapat beberapa metode yang bisa menggambarkan seberapa putih warna dari digunakan untuk mengklasifikasikan citra, salah citra. Nilai warna (value) menunjukkan satunya yaitu Fuzzy k-NN. Penelitian yang kegelapan warna tertentu (Mazumder, Nahar & dilakukan oleh Billyan, Bhawiyuga dan Atique, 2018). Primananda (2017) yang membahas tentang Pengimplementasian metode klasifikasi Fuzzy Data RGB bisa dikonversikan menjadi
Fakultas Ilmu Komputer, Universitas Brawijaya Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 6558 ruang warna HSV menggunakan Persamaan 1 termasuk kedalam vektor tersebut. Jika suatu hingga Persamaan 5, diasumsikan nilai R, G, B vektor memiliki nilai keanggotaan 0,55 dalam berada pada rentang nilai 0 hingga 255. kelas satu, 0,44 dalam kelas dua dan 0,01 dalam kelas tiga, kita tidak bisa menentukan bahwa kelas yang termasuk adalah kelas 3. Penandaan 푀 = max(푅, 퐺, 퐵) (1) suatu keanggotaan harus dilakukan dengan 푚 = min(푅, 퐺, 퐵) (2) menggunakan algoritme yang dapat digunakan dalam proses klasifikasi. Basis dari algoritme 푉 = 푀 (3) Fuzzy k-NN adalah untuk menandai 0 푖푓 푉 = 0 푆 = { (4) keanggotaan sebagai suatu fungsi jarak pada (푉 − 푚)⁄푉 푖푓 푉 > 0 suatu vektor dari ketetanggaan k terdekat dan 퐻 = keanggotaan ketetanggaannya dalam kelas yang 0 푖푓 푆 = 0 memungkinkan (Keller, Gray & Given, 1985). (푀 = 푅 Sebelum menghitung nilai keanggotaan pada
60 ∗ (퐺 − 퐵)⁄(푀 − 푚) 푖푓 푎푛푑 Fuzzy k-NN, terlebih dahulu dilakukan proses 퐺 ≥ 퐵) perhitungan inisialisasi Fuzzy tiap data latih (푀 = 푅 (5) dengan data uji memakai Persamaan 9. 60 ∗ (퐺 − 퐵)⁄(푀 − 푚) + 360 푖푓 푎푛푑 푛푗 퐺 < 퐵) 0.51 + ∗ 0.49 (푗 = 푖) 푈 (푥) = { 푘 (9) 60 ∗ (퐺 − 퐵)⁄(푀 − 푚) + 120 푖푓 푀 = 퐺 푖푗 푛푗 ∗ 0.49 (푗 ≠ 푖) {60 ∗ (퐺 − 퐵)⁄(푀 − 푚) + 240 푖푓 푀 = 퐵 푘
Dimana: Dimana M dan m merupakan nilai Fungsi U (x) : Nilai keanggotaan kelas i maksimum dan minimum dari ketiga warna ij pada vektor j RGB (Li, Drew& Liu, 2014). n : Banyak anggota kelas j pada Setelah nilai HSV ditemukan, citra j data latih n dikonversikan kedalam citra 8-bit dengan k : Nilai ketetanggaan terdekat menggunakan Persamaan 6 hingga Persamaan 8 j : Kelas data (Nabella, Sari & Wihandika, 2019). Nilai 0,51 pada persamaan di atas 푉 = 푉 × 255 (6) menunjukkan bahwa instance yang digunakan 푆 = 푆 × 255 (7) memiliki jumlah nilai yang lebih dari total keanggotaan, sedangkan sisanya dibagi di 퐻 = 퐻 (8) 2 antara kelas masalah yang lainnya. Nilai yang Dimana: lebih rendah dari keanggotaan kelas bernilai 0, kecuali satu dari ketetanggaan terdekat pertama - H: nilai piksel channel H merujuk pada kelas tersebut. Nilai yang lebih - S: nilai piksel channel S tinggi dapat dianggap sebagai suatu pengukuran - V: nilai piksel channel V relatif dari kemunculan kelas tersebut diantara data training yang nilainya tidak lebih besar 2.2. Fuzzy k-NN dari 0,49 (Derrac, et al., 2014). Algoritme Fuzzy k-NN menetapkan kelas Selanjutnya menghitung nilai keanggotaan keanggotaan pada suatu vektor sampel daripada masing-masing kelas dengan Persamaan 10 menempatkan kelas pada suatu kelas tertentu. (Keller, Gray & Given, 1985). Keuntungan dari algoritme ini adalah bahwa 푘 −2⁄(푚−1) tidak ada kesembarangan penempatan dari ∑푗=1 푢푖푗(‖푥−푥푗‖ ) keanggotaan dari algoritme ini. Selain itu pada 푢푗(푥) = −2⁄(푚−1) (10) ∑푘 (‖푥−푥 ‖ ) vektor nilai keanggotaan harus terdapat suatu 푗=1 푗 level kepastian yang dihasilkan pada hasil klasifikasi. Misalkan, jika sebuah vektor Keterangan : keanggotaan bernilai 0,9 dalam satu kelas dan Uij : Nilai keanggotaan Fuzzy pada contoh 0,05 terhadap dua kelas lainnya, maka bisa pengujian (x, xj) dipastikan bahwa kelas yang memiliki nilai k : Nilai tetangga terdekat keanggotaan 0,9 merupakan kelas yang j : Variabel data keanggotaan data uji
Fakultas Ilmu Komputer, Universitas Brawijaya Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 6559 m : Bobot pangkat yang besarnya m> 1 Deviasi standar menjelaskan sesuatu tentang kontras yaitu mengambarkan 3. METODOLOGI PENELITIAN penyebaran dalam data, yang dihitung menggunakan Persamaan 12. 3.1. Pre-processing 1 2 휎 = √ ∑푀 ∑푁 (푃푖푗 − µ) (12) Pre-processing adalah tahap awal dalam 푀푁 푖=1 푗=1 pengolahan citra. Kegunaan dari pre-processing adalah untuk menghilangkan fitur-fitur atau bagian-bagian yang tidak diperlukan dalam 3) Skewness tahapan pemrosesan selanjutnya. Merujuk pada Skewness atau kecondongan citra penelitian yang dilakukan oleh Nabella, Sari merupakan ukuran ketidaksimetrisan citra, dan Wihandika (2018) dengan penyesuaian, rumus yang digunakan ada pada Persamaan 13. tahapan pre-processing pada penelitian ini 3 ∑푀 ∑푁 (푃푖푗−µ) adalah sebagai berikut. 휃 = 푖=1 푗=1 (13) 푀푁휎3 1) Mengubah ukuran citra. 2) Mengkonversi citra RGB ke citra HSV. 3) Mengubah citra HSV ke citra greyscale. 4) Kurtosis 4) Filtering menggunakan Gaussian Blur Kurtosis menunjukkan sebaran data dengan kernel 5x5. bersifat meruncing atau mengumpul, yang 5) Melakukan segmentasi citra Otsu dengan didefinisikan pada rumus Persamaan 14. nilai threshold 120 kemudian 4 ∑푀 ∑푁 (푃푖푗−µ) mengubahnya menjadi citra biner. 훾 = 푖=1 푗=1 − 3 (14) 6) Melakukan erosi dan dilasi pada citra. 푀푁휎4 7) Melakukan masking. 3.3. Min-Max Normalization Gambar 2 menunjukkan proses pre- processing data citra. Min-Max Normalization merupakan sebuah cara normalisasi sebuah data dengan range minimal dan maksimal baru yang sudah ditentukan, cara ini biasanya disebut Interpolation Normalization. Untuk menggunakan cara ini cukup dengan rumus pada Persamaan 15 (Septianto, 2016).
푋푎−푀푖푛푎 푋푏 = ( × (푀푎푥푏 − 푀푖푛푏)) + Gambar 2. Proses pre-processing citra 푀푎푥푎−푀푖푛푎 푀푖푛푏 (15) 3.2. Ekstraksi Fitur Warna HSV Dimana: Fitur statistik warna dapat dihitung Xb : Nilai X setelah dinormalisasi menggunakan Persamaan 11 sampai 14 (Kadir X : Nilai X sebelum dinormalisasi & Susanto, 2013) antara lain. a Maxa : Nilai maksimum baris data sebelum 1) Mean dinormalisasi Min : Nilai X minimum baris data sebelum Mean merupakan nilai rata-rata, sehingga a dinormalisasi memberitahu sesuatu tentang kecerahan umum Max : Nilai maksimum baris data setelah gambar. Untuk menghitung nilai rata-rata bisa b dinormalisasi menggunakan rumus Persamaan 11. Minb : Nilai minimum baris data setelah 1 휇 = ∑푀 ∑푁 푃푖푗 (11) dinormalisasi 푀푁 푖=1 푗=1
3.4. Metode Pengujian M menunjukkan lebar citra, N merupakan Pengujian menggunakan 5 nilai k (k-NN) tinggi citra dan P yang merupakan piksel saat ij pada masing-masing nilai Fold, dimana nilai k ini. (k-fold) menggunakan 2 nilai. Pengujian 2) Deviasi Standar dilakukan menggunakan 3 variasi data pengujian antara lain, pengujian 300 dataset
Fakultas Ilmu Komputer, Universitas Brawijaya Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 6560 citra dengan jumlah tiap kelas berbeda-beda 4.1.1. Pengujian k-fold dengan nilai k=5 dengan 24 kelas, pengujian 300 dataset citra dengan jumlah yang mendekati rata-rata dengan Hasil pengujian dengan nilai k-fold=5 yang 20 kelas, serta pengujian menggunakan 400 diujikan pada nilai k (k-NN)=1 hingga 9 dataset dengan jumlah kelas 24. Nilai akurasi ditunjukkan pada Tabel 2. yang digunakan adalah nilai akurasi rata-rata Hasil pengujian pada nilai k (k-NN) dari k-fold pada tiap nilai k (k-NN)nya yang menunjukkan bahwa tingkat akurasi rata-rata kemudian dianalisis pada tahapan analisis. Tiap tertinggi adalah 52,3% saat nilai k (k-NN)=3. pengujian nilai k (k-NN) yang digunakan adalah Nilai akurasi rata-rata terendah dengan nilai 1,3,5, 7 dan 9. Tujuan dari penggunaan nilai 50,7% terdapat pada saat nilai k (k-NN)=1. Hal ganjil adalah untuk mengurangi resiko ini terjadi karena bobot data latih tidak ambiguitas hasil klasifikasi. Pengujian diperhitungkan, sehingga tidak menjangkau menggunakan dataset yang berjumlah 300 bobot yang lebih kecil yang mungkin memiliki dengan nilai k dari k-fold=5 dan 10. prioritas yang lebih tinggi. Klasifikasi k-NN cenderung tidak memprioritaskan nilai bobot 4. HASIL DAN PEMBAHASAN data latih tertinggi, melainkan kelas dari data latih terhadap nilai bobot. Nilai akurasi 4.1.Pengujian 300 dataset (jumlah tiap kelas terendah juga dicapai pada saat nilai k (k- berbeda) NN)=7 dengan nilai yang sama. Derajat Tabel 1 merupakan tabel data makanan ketetanggaan yang terlalu banyak dapat tradisional berdasarkan jenis disertai dengan mengakibatkan data dengan jarak ketetanggaan jumlahnya yang digunakan pada pengujian. terdekat dengan anggota kelas yang salah Jumlah data adalah 300 citra makanan mendapatkan prioritas dalam klasifikasi. tradisional. Tabel 2. Pengujian pertama dengan nilai k=5 Tabel 1. Dataset makanan tradisional pengujian k (k-NN) Rata- Fold pertama rata 1 3 5 7 9 Kelas Jenis Makanan Jumlah A Kue Cucur 10 1 48,3 53,3 51,7 50 48,3 50,3 B Molen 12 2 45 50,0 48,3 48,3 46,7 47,7 C Bakso Bakar 23 D Lumpia 25 3 55 56,7 56,7 56,7 56,7 56,3 E Roti Goreng 9 4 51,7 51,7 51,7 51,7 56,7 52,7 F Dadar Gulung Kelapa 3 5 53,3 50 48,3 46,7 46,7 49 G Kue Sus 5 Rata- H Karipap 16 50,7 52,3 51,3 50,7 51 rata I Wingko 4 J Kue Apem 7 Hasil pengujian terhadap tiap fold K Lemper Hijau 7 menunjukkan akurasi rata-rata tertinggi ada L Wingko Babat 19 pada fold 3 (56,33%), sedangkan untuk fold M Gethuk 5 terendah terdapat pada fold 5 (47,67%). Tabel 3 N Pisang Goreng 6 menunjukkan jumlah data berdasarkan kelas O Roti Bakar 18 yang terdapat dalam masing-masing fold. P Kue Lumpur 12 Q Dadar Gulung 31 Tabel 3. Jumlah data pengujian pertama R Tahu Bakso 14 berdasarkan kelas tiap fold (k=5) S Risol 20 T Kue Bugis 11 Fold Kelas Jumlah U Onde-onde 12 1 2 3 4 5 V Bika Ambon 13 W Tahu Isi 11 A 2 2 2 2 2 10 Y Klepon 7 B 3 3 2 2 2 12 Jumlah 300 C 4 4 5 6 4 23 D 5 5 5 5 5 25
Fakultas Ilmu Komputer, Universitas Brawijaya Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 6561
E 2 2 2 1 2 9 1 56,7 60,0 60,0 63,3 60,0 60,0 F 1 0 0 1 1 3 2 50,0 53,3 56,7 56,7 53,3 54,0 G 1 1 1 1 1 5 3 53,3 60,0 63,3 63,3 66,7 61,3 H 3 4 3 3 3 16 4 46,7 53,3 50,0 50,0 50,0 50,0 I 1 0 1 1 1 4 5 46,7 46,7 43,3 43,3 43,3 44,7 J 1 2 2 1 1 7 6 40,0 43,3 43,3 40,0 43,3 42,0 K 1 1 1 2 2 7 7 50,0 43,3 46,7 43,3 43,3 45,3 L 4 4 4 4 3 19 8 56,7 56,7 56,7 53,3 53,3 55,3 M 1 1 1 1 1 5 9 56,7 53,3 53,3 53,3 53,3 54,0 N 1 1 1 1 2 6 10 66,7 60,0 60,0 56,7 56,7 60,0 Rata- O 4 4 4 3 3 18 52,3 53,0 53,3 52,3 52,3 rata P 2 2 2 3 3 12 Q 7 6 6 6 6 31 Hasil pengujian pada nilai k (k-NN) menunjukkan bahwa tingkat akurasi rata-rata R 2 3 3 3 3 14 tertinggi saat nilai k (k-NN)=5 sebesar 53%. S 4 4 4 4 4 20 Nilai akurasi rata-rata terendah sebesar 52,33% T 2 3 2 2 2 11 terdapat pada saat nilai k (k-NN)=1, 7 dan 9. U 2 2 3 3 2 12 Hasil akurasi terendah menunjukkan bahwa nilai k (k-NN)=1 hanya menggunakan 1 V 3 3 2 2 3 13 ketetanggan terdekat sebagai hasil klasifikasi, W 2 2 3 2 2 11 sehingga mengabaikan hasil klasifikasi data Y 2 1 1 1 2 7 dengan ketetanggaan yang lebih jauh yang memungkinkan hasil klasifikasi yang lebih Jumlah 60 60 60 60 60 akurat. Nilai ketetanggaan yang terlalu banyak Fold 3 yang merupakan fold dengan nilai juga dapat menghasilkan hasil akurasi yang akurasi rata-rata tertinggi memiliki penyebaran terendah dikarenakan data dengan hasil kelas jumlah data pada tiap kelas yang hampir rata klasfikasi yang salah dapat masuk dalam jumlahnya dengan fold yang lainnya, serta prioritas klasifikasi, sehingga dapat memiliki jumlah penyebaran data kelas yang menurunkan tingkat akurasi pengujian. sebagian besar lebih sedikit pada kelas yang Fold 6 dengan nilai rata-rata akurasi memiliki jumlah data yang sedikit (kurang dari tertinggi (61,33%) memiliki data dengan citra 10). Sebaliknya pada fold 5 yang merupakan yang cenderung lebih bagus pada warna dan fold dengan rata-rata nilai akurasi terendah hasil segmentasinya dibandingkan dengan citra memiliki penyebaran jumlah penyebaran data lainnya. Sebaliknya fold 1 yang memiliki nilai kelas yang sebagian besar lebih banyak pada rata-rata akurasi terendah (42%) memiliki lebih kelas dengan jumlah data yang kurang dari 10. banyak citra dengan hasil segmentasi yang Data latih pada kelas lebih terkumpul pada data kurang bagus. uji yang mengakibatkan kurangnya pelatihan data pada kelas tersebut. 4.2. Pengujian 300 dataset (jumlah tiap kelas mendekati sama rata) 4.1.2. Pengujian k-fold dengan nilai k=10 Pengujian 300 dataset dengan jumlah tiap Hasil pengujian dengan nilai k-fold=10 kelas mendekati sama rata merupakan dataset yang diujikan dengan nilai k (k-NN)=1 hingga 9 citra yang memiliki hasil segmentasi bagus dan ditunjukkan pada Tabel 4. tidak bagus. Tujuan dari pengujian ini yaitu
untuk menguji pengaruh pemerataan data Tabel 4. Pengujian pertama dengan nilai k=10 dengan segmentasi citra kurang bagus terhadap hasil klasifikasi. Tabel 5 merupakan tabel data k (k-NN) Rata- Fold rata makanan tradisional berdasarkan jenis disertai 1 3 5 7 9 dengan jumlahnya yang digunakan pada pengujian dimana kelas yang digunakan
Fakultas Ilmu Komputer, Universitas Brawijaya Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 6562 berjumlah 20 kelas citra. tertinggi pada saat nilai k (k-NN)=3 sebesar 40%. Nilai akurasi rata-rata terendah terdapat
pada saat nilai k (k-NN)=9 sebesar 38%. Hal ini terjadi karena perhitungan bobot data latih Tabel 5. Dataset makanan tradisional pengujian melibatkan banyak ketetangggaan, sehingga kedua keterlibatan data tetangga dengan klasifikasi salah berpotensi menurunkan nilai akurasi Kelas Jenis Makanan Jumlah pengujian. Hal tersebut diakibatkan oleh A Kue Cucur 15 penambahan data dengan hasil segmentasi B Molen 15 kurang bagus dalam dataset. Tabel 7 C Bakso Bakar 16 merupakan jumlah data dengan hasil D Lumpia 16 segmentasi kurang bagus masing-masing fold. F Dadar Gulung Kelapa 15 G Kue Sus 15 Tabel 6. Pengujian kedua dengan nilai k (k- H Karipap 15 fold)=5 J Kue Apem 15 L Wingko Babat 15 k (k-NN) Fold Rata-rata N Pisang Goreng 15 1 3 5 7 9 O Roti Bakar 15 P Kue Lumpur 13 1 35 30 32 30 30 31,3 Q Dadar Gulung 16 R Tahu Bakso 15 2 46,7 48,3 50 48 45 47,7 S Risol 16 3 45,0 40,0 45 42 42 42,7 T Kue Bugis 15 U Onde-onde 15 4 35,0 45,0 38 40 42 40,0 V Bika Ambon 13 5 31,7 36,7 30 33 32 32,7 W Tahu Isi 15 Rata- 38,7 40,0 39 39 38 Y Klepon 15 rata Jumlah 300 Tabel 7. Data jumlah citra yang tersegmentasi Gambar 3 merupakan contoh citra hasil kurang bagus (k=5) segmentasi kurang bagus yang digunakan pada Fold pengujian ini. Kelas Jumlah 1 2 3 4 5 Jumlah 30 26 33 36 38 163
Jumlah data citra yang memiliki hasil segmentasi kurang bagus berjumlah banyak, Gambar 2. Contoh citra dengan hasil yakni 163 dari 300 data citra yang digunakan segmentasi kurang bagus menyebabkan banyak kesalahan pengambilan Hasil segmentasi yang bagus memiliki ciri nilai fitur pada tahapan ekstraksi fitur citra-citra berupa latar belakang yang terfilter sebanyak tersebut sehingga dapat menurunkan hasil mungkin dan mempertahankan objek makanan klasifikasi pada tahapan pengujian dari hasil sebanyak mungkin. Gambar 2 yang merupakan pengujian pertama. hasil segmentasi yang kurang bagus memiliki ciri banyak latar belakang yang ikut 4.2.2. Pengujian k-fold dengan nilai k=10 tersegmentasi serta terfilternya bagian dari Hasil pengujian dengan nilai k-fold=10 makanan sebagian yang menyebabkan yang diujikan dengan nilai k (k-NN)=1 hingga 9 berkurangnya fitur dari citra. ditunjukkan pada Tabel 8. 4.2.1. Pengujian k-fold dengan nilai k=5 Tabel 8. Pengujian kedua dengan nilai k (k- fold)=10 Hasil pengujian dengan nilai k-fold=5 yang diujikan dengan nilai k (k-NN)=1 hingga 9 k (k-NN) Rata- Fold ditunjukkan pada Tabel 6. rata 1 3 5 7 9 Hasil pengujian terhadap nilai k (k-NN) 1 23,3 23,3 30 26,7 23,3 25,3 menunjukkan bahwa nilai akurasi rata-rata
Fakultas Ilmu Komputer, Universitas Brawijaya Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 6563
2 36,7 43,3 37 30,0 26,7 34,7 4.3. Pengujian 400 dataset (jumlah tiap kelas berbeda) 3 46,7 40,0 40 43,3 40,0 42,0 4 60,0 60,0 60 56,7 60,0 59,3 Pengujian 400 dataset dengan jumlah tiap kelas berbeda merupakan dataset citra yang 5 73,3 66,7 70 76,7 76,7 72,7 memiliki hasil segmentasi bagus dan tidak 6 56,7 56,7 57 60,0 56,7 57,3 bagus dimana citra ditambahkan pada beberapa 7 40,0 36,7 37 36,7 36,7 37,3 kelas. Tabel 10 merupakan tabel data makanan tradisional berdasarkan jenis disertai dengan 8 53,3 50,0 53 53,3 53,3 52,7 jumlahnya yang digunakan pada pengujian 9 36,7 46,7 40 36,7 43,3 40,7 dimana kelas yang digunakan berjumlah 24 10 46,7 43,3 40 46,7 46,7 44,7 kelas citra. Tujuan dari pengujian ini adalah Rata- untuk menguji pengaruh penambahan jumlah 47,3 46,7 46 46,7 46,3 rata dataset dengan data citra kurang bagus terhadap hasil klasifikasi. Hasil pengujian terhadap nilai k (k-NN) menunjukkan bahwa nilai akurasi rata-rata Tabel 10. Dataset makanan tradisional tertinggi pada saat nilai k (k-NN)=1 sebesar pengujian ketiga 47,33% sedangkan nilai akurasi rata-rata terendah terdapat pada saat nilai k (k-NN)=7 Citra Jenis Makanan Jumlah dan 9 dengan nilai 46,33%. Rata-rata akurasi A Kue Cucur 11 dari hasil klasifikasi tiap nilai k memiliki B Molen 15 perbedaan yang tidak terlalu signifikan, hal ini dikarenakan data dengan segmentasi yang C Bakso Bakar 23 kurang bagus sudah bercampur dengan data D Lumpia 28 hasil segmentasi bagus seperti yang ada pada E Roti Goreng 9 Gambar 4, dimana tidak terfilternya sebagian F Dadar Gulung Kelapa 13 latar belakang pada citra dan terfilternya sebagian objek pada citra menyebabkan G Kue Sus 14 perubahan fitur dari data citra. H Karipap 16 I Wingko 7 Fold Jumlah Kelas J Kue Apem 20 1 2 3 4 5 K Lemper Hijau 8 Jumlah 15 11 15 13 17 163 L Wingko Babat 19 Fold Kelas M Gethuk 8 6 7 8 9 10 N Pisang Goreng 15 Jumlah 15 15 18 23 21 O Roti Bakar 23 Tabel 9 merupakan data dengan hasil segmentasi kurang bagus masing-masing fold. P Kue Lumpur 13 Q Dadar Gulung 32 Tabel 9. Data jumlah citra yang tersegmentasi kurang bagus (k=10) R Tahu Bakso 18 S Risol 25 Dikarenakan hasil segmentasi telah T Kue Bugis 23 dikombinasikan antara hasil segmentasi yang bagus dengan yang kurang bagus dengan U Onde-onde 16 jumlah yang cukup besar, yakni 163 data V Bika Ambon 14 mengakibatkan berubahnya nilai fitur pada W Tahu Isi 16 tahap ekstraksi fitur. Data citra yang memiliki segmentasi kurang bagus tiap foldnya juga Y Klepon 14 membuat penurunan pada tahap klasifikasi Jumlah 400 dibandingkan dengan pengujian pertama. Penyebaran jumlah data dari masing- masing kelas menambahkan hasil citra kurang bagus yang paling bagus untuk ditambahkan
Fakultas Ilmu Komputer, Universitas Brawijaya Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 6564 kedalam citra yang berjumlah 300 pada 3 40 42,5 40 37,5 40 40 pengujian pertama. 4 48 37,5 40 37,5 38 40 5 38 37,5 35 35 38 36,5 4.3.1. Pengujian k-fold dengan nilai k=5 6 65 65 60 60 63 62,5 Hasil pengujian dengan nilai k-fold=5 yang 7 63 72,5 70 72,5 73 70 diujikan dengan nilai k (k-NN)=1 hingga 9 8 43 47,5 45 45 45 45 ditunjukkan pada Tabel 11. 9 45 45 45 45 43 44,5 Tabel 11. Pengujian ketiga dengan nilai k=5 10 50 50 50 47,5 48 49 k (k-NN) Rata- Rata- 49 50,3 49 48,8 49 Fold rata rata 1 3 5 7 9 1 55 53,8 52,5 53 53 53,3 Tabel 13 menunjukkan contoh kelompok 2 56,3 56,3 57,5 58 58 57,0 citra dengan hasil segmentasi kurang bagus. 3 42,5 45 46,2 45 45 44,8 Tabel 13. Contoh data pengujian ketiga (data 4 43,8 45 43,8 44 44 44,0 segmentasi kurang bagus) 5 40 42,5 42,5 40 41 41,3 Kelas Data citra Rata- Apem 47,5 48,5 48,5 48 48 rata (J)
Hasil pengujian terhadap nilai k (k-NN) menunjukkan bahwa nilai akurasi rata-rata Tahu isi (W) tertinggi saat nilai k (k-NN)=3 dan k (k-NN)=5 dengan nilai 48,5%. Nilai akurasi rata-rata terendah terdapat pada saat nilai k (k-NN)=1 Klepon dengan nilai 46,75%. Hal ini terjadi karena (Y) bobot ketetanggaan data latih hanya bergantung pada 1 ketetanggaan sehingga menyebabkan Peningkatan hasil akurasi saat hasil proses klasifikasi tidak menjangkau bobot segmentasi kurang bagus disebabkan oleh citra ketetanggaan yang lebih jauh dan memiliki dengan hasil segmentasi kurang bagus kelas sesuai untuk dijadikan prioritas cenderung mendominasi kelas tertentu. klasifikasi. Dominasi kemiripan warna pada Dominasi kemiripan warna citra pada kelas citra pada kelas yang sama juga menghasilkan sama juga menghasilkan klasifikasi benar klasifikasi yang benar karena menghasilkan karena fitur citra mirip satu sama lain fitur citra yang mirip satu sama lain. 5. PENUTUP 4.3.2.Pengujian k-fold dengan nilai k=10 Hasil pengujian saat k-fold bernilai 10 Berdasarkan pengujian dan analisis yang yang diujikan dengan nilai k (k-NN)=1 hingga 9 telah dilakukan dapat diambil kesimpulan ditunjukkan pada Tabel 12.. bahwa penerapan klasifikasi citra makanan tradisional menggunakan fitur HSV dan Fuzzy Akurasi rata-rata terendah terdapat pada k-NN dilakukan dengan cara mengekstraksi saat nilai k (k-NN)=7. Bercampurnya data fitur HSV dari sejumlah dataset yang segmentasi kurang bagus dengan yang kurang diklasifikasikan menggunakan metode Fuzzy k- bagus mempengaruhi tahap ekstraksi fitur. NN. Hasil akurasi yang didapatkan tergolong Tabel 12. Pengujian ketiga dengan nilai k=10 rendah sebesar 53,33% disebabkan oleh tidak meratanya jumlah antar kelas serta kualitas Fold k (k-NN) Rata- hasil segmentasi citra yang digunakan banyak rata 1 3 5 7 9 yang kurang bagus. Kualitas segmentasi citra dan kemiripan warna memiliki pengaruh yang 1 55 60 58 57,5 58 57,5 lebih besar daripada jumlah data citra pada 2 45 45 48 50 50 47,5 masing-masing kelas, semakin bagus hasil
Fakultas Ilmu Komputer, Universitas Brawijaya Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 6565 segmentasi citra serta kemiripan warna pada Ilmu Komputer, 5(1), 378-385. satu kelas semakin baik hasil klasifikasinya. Gerhana, Y. A., Zulfikar, W. B., Ramdani, A. Adapun hal yang perlu dilakukan untuk H. & Ramdhani, M. A. (2018). meningkatkan hasil penelitian selanjutnya Implementation of Nearest Neighbor using adalah menggunakan data citra dengan hasil HSV to Identify Skin Disease. The 2nd segmentasi yang lebih bagus. Pengujian Annual Applied Science and Engineering menggunakan kelas-kelas dengan jumlah yang Conference (AASEC 2017), 1-5. lebih rata tiap kelasnya serta penambahan fitur Ichsan, R., Putra, P., Wibisono, W. & lain dapat dilakukan untuk meningkatkan Studiawan, H. (2013). Sistem Pendeteksi performa pelatihan data dan meningkatkan Posisi dalam Ruangan Menggunakan akurasi penelitian. Kekuatan Sinyal Wi-Fi dengan Penerapan Algoritma Cluster Filtered KNN. Jurnal 6. DAFTAR PUSTAKA Teknik Promits, 2(1), 1-5. Adha, S. N., Sari, Y. A. & Wihandika, R. C. Kadir, A. & Susanto, A. (2013). Teori dan (2018). Klasifikasi Jenis Citra Makanan Aplikasi Pengolahan Citra. Yogyakarta: Tungggal berdasarkan Fitur Local Binary Penerbit ANDI. Patterns dan Hue Saturation Value menggunakan Improved KNearest Keller, J. M., Gray, M. R. & Givens, J. A., Jr. Neighbor. Jurnal Pengembangan (1985). A Fuzzy K-Nearest Neighbor Teknologi Informasi dan Ilmu Komputer, Algorithm. IEEE Transactions on Items, 3(3), 2416-2424. Man and Cybernetics, 15(4), 580-585. Bakry, M. E., Safwat, S. & Hegazy, O. (2015). Kusumaningtyas, A., Wibisono, B. & Kusnadi Big Data Classification using Fuzzy K- (2018). Penggunaan Istilah Makanan dan Nearest Neighbor. International Journal of Jajanan Tradisional pada Masyarakat di Computer Applications, 132(10), 8-13. Kabupaten Banyuwangi Sebuah Kajian Etnolinguistik. Jurnal Sastra Indonesia Brownlee, J. (2016). K-Nearest Neighbors for Fakultas Sastra Universitas Jember, 1(1), Machine Learning [online] Tersedia di: 2416-2424.
Fakultas Ilmu Komputer, Universitas Brawijaya Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 6566
Kematangan Buah Pepaya (Carica Papaya L) California (Callina-Ipb 9) dalam Ruang Warna HSV dan Algoritma K-Nearest Neighbors. Prosiding Senatek Fakultas Teknik UMP, 1-11.
Fakultas Ilmu Komputer, Universitas Brawijaya