-
6
BAB II
LANDASAN TEORI
2.1. Penelitian yang Relevan
Berikut ini disajikan kajian terhadap beberapa penelitian yang
pernah
dilakukan sebelumnya dan menjadi landasan bagi penulis untuk
menyelesaikan
permasalahan dalam penelitian kali ini.
Hartono, dkk. (2012),melakukan studi pengenalan pola untuk
membedakan daging sapi dan babi berbasis citra digital.
Permasalahan utama
dalam penelitian tersebut karenabanyaknya pemalsuan daging sapi
dengan
daging babi dan menyebabkan kerugian bagi konsumen.Metode yang
digunakan
ada dua, yaitu Principal Component Analysis
(PCA)sebagaipengekstraksi ciri dari
sebuah citra.Data citra yang dijadikan sebagai data latih
berbentuk vektor. Vektor
ini diperoleh dari matriks data citra yang kemudian diubah
kedalam bentuk vektor
dan disimpan dalam database. Vector dengan nilai eigen terbesar
sebagai acuan
mendapatkan dimensi terbaik.Sedangkan proses pengenalan pola
menggunakan
Jaringan Saraf Tiruan Backpropagation. Akurasi pengenalan pola
daging
mencapai 88.3%.Sistem dibangun berupadesktop application dengan
perangkat
lunak Matlab. Kekurangan dari penelitian ini adalah penggunaan
perangkat lunak
yang berlisensi dengan harga mahal dan tidak dapat digunakan
secara
bergerak/mobile.
Menurut Yogiarto,dkk.(2009), klasifikasi beberapa daging
konsumsi
termasuk didalamnya daging sapi dan babi dapat dilakukan dengan
metode k-
Nearest Neighbour. Klasifikasi ini bersifat supervised learning.
Tahap awal citra
berwarna RGB dikonversi kedalam citra keabuan (grey-scale),
kemudian
dilakukan analisa tekstur menggunakan metode ekstraksi ciri orde
satu dan
-
7
dua.Akurasi maksimal dari klasifikasinya sebesar 82,8% untuk
nila k = 2 dan
perhitungan jarak dengan metode city block. Penelitian ini
membuktikan bahwa
pengenalan citra daging dapat dilakukan dengan ektraksi ciri
tekstur.Penelitian
yang dilakukan Nugroho, dkk.(2011), mengidentifikasi jenis
daging dilakukan
dengan transformasi dari model warna RGB ke model warna HSI
untuk
mengkonversi citra warna kedalam bentuk yang lebih sesuai. Dan
hasil
perbandingan yang dilakukakan adalah, dimana akurasi rata-rata
yang dihasilkan
oleh jaringan backpropagation sebesar 29,4% sedangkan akurasi
rata-rata yang
dihasilkan jaringan GRNN sebesar 81,3%.Penelitian lainnya juga
menggunakan
analisa tekstur dan persebaran lemak untuk penentuan kualitas
gradingdaging
sapi.Data yang digunakan adalahcitra monokrom dengan level
keabuan 16
dilakukan ekstraksi tekstur dengan metode GLCM.Grading daging
sapi ini
mengacu pada skala 3 hingga 10. Hasilnya tekstur merupakan ciri
yang efektif
untuk penentuan kualitas daging sapi (Shiranita,dkk 2009).
Salah satu cara sederhana namun efektif untuk mengenali pola
dalam
sebuah citra adalah dengan mengenali ciri teksturnya. Hal ini
diterapkan untuk
membedakan citra pemandangan laut dan non laut.Dengan
menggunakan
GLCM khususnya fungsi kontras, entropi, korelasi, energy dan
homogenitas
untuk ekstraksi tekstur.Nilai-nilai fungsi tersebut digunakan
untuk masukan bagi
Jaringan Saraf Tiruan Backpropagation untuk
kasifikasinya.Terbukti metode
GLCM mampu mendeteksi baik tipe fitur objek digital bahkan yang
tidak jelas
sekalipun (Manaa, dkk 2011).
Penelitian yang dilakukan Liu, dkk.(2010), memberikan
kontribusi
pengetahuan tentang klasifikasi kualitas daging babi di Kanada
melalui
pengenalan citra hyperspectral.Dalam penelitian ini pengenalan
tekstur dengan
metode Filter Gabor 2D sedangkan klasifikasinya membandingkan
antara
-
8
metode K-Means dan Linear Discriminant Analysis (LDA).
Hasilnya
menunjukkanbahwa akurasiK-meansmencapai78% dengan gabungan
5Principal
Components (PC) dan83% untuk 10gabungan, hasil ini lebih baik
15% dan28%
dibandingkan tanpa fiturtekstur. Sedangkan
akurasimenggunakanLDAmencapai100% dengan gabungan 5Principal
Components (PC).Dengan demikian, peningkatan akurasidapatdicapai
dengan
menggunakanfiturtekstur.
Mohanaiah, dkk.(2013), memaparkan dalam penelitiannya,
Mengenali
pola citra dapat dilakukan dengan analisa tekstur yang bertujuan
untuk
menemukan karakteristik unik sehingga dapat digunakan menjadi
parameter
pembeda dengan citra lainnya.Menemukan tekstur sebuah citra
dapat
menggunakan metode GLCM yang merupakan orde kedua analisa fitur
secara
statistic. Fitur yang digunakan antara lainenergy, correlation,
Entropy dan Inverse
Difference Moment. Penggunaan metode GLCM sangat baik bahkan
untuk
aplikasi real-time karena terbukti mengurangi waktu komputasi
dengan hasil
akurasi bagus.
Disisi lain metode klasifikasi merupakan langkah pamungkas
dalam
mencapai sebuah hasil dalam berbagai penelitian. Klasifikasi
teks digital untuk
menentukan kepribadian seseorang.Menurut peneliti, sebagian
besar teks digital
tidak terstruktur, sehingga cara paling baik untuk mengenalinya
dengan
pendekatan probabilistik Nave Bayes Classifier. Nave Bayes
termasuk
klasifikasi supervised learning.Pengenalan teks digital ini
melalui beberapa tahap
antara lain pra-pemrosesan, tahap pelatihan dan klasifikasi.
Tahap pra-
pemrosesan meliputi case folding, tokenizing, filtering dan
stemming. Tahap
pelatihan dimulai dengan menghitung nilai probabilistic data
latih terhadap
-
9
masing-masing kelas.Terakhir adalah tahap penarikan kesimpulan
kategori
kepribadian berdasarkan nilai VMap terbesar.Kepribadian
seseorang mengikuti
kategori sanguinis, koleris, melankolis dan pragmatis.Sistem
diuji terhadap 40
data dan hasil penelitian menunjukkan akurasi klasifikasi dengan
Nave Bayes
mencapai 92,5% (Ni Made, dkk 2013).
Sebuah studi terhadap metode Nave Bayes Classifier dilakukan
untuk
deteksi gejala kanker payudara berdasarkan citra mammogram.
Pengolahan citra
mammogram diawali dengan pemilihan area penelitian dengan Region
Of
Interest (ROI) dan perbaikan citra. Citra berwarna dikonversi
kedalam skala
keabuan (grey-scale).Selanjutnya untuk mengenali kanker
dilakukan ekstraksi
tekstur dengan metode Histogram of Oriented Gradients (HOG).
Fitur tekstur
yang dihitung antara lain: nilai rerata, standar deviasi,
energy, kontras, korelasi
dan homogenitas. Nilai-nilai fitur tersebut dijadikan acuan
untuk menghitung
probabilitas tiap data dengan masing-masing kelas data.Metode
Nave Bayes
Classifier menghasilkan tingkat akurasi 96,5% terbuktitepat dan
efisien untuk
membantu tim medis melakukan diagnosa gejala kanker payudara
(Krishnaveni,
dkk 2014)
Penelitian-penelitian yang telah dipaparkan diatas
menginspirasi
penelitian ini untuk memberikan kontribusi baru berupa
pengenalan daging sapi
dan daging babi berdasarkan ciri tekstur menggunakan metode GLCM
dan
klasifikasi Nave Bayes. Pemilihan metode-metode tersebut karena
sama-sama
bekerja dalam wilayah probabilistik. Selanjutnya agar sistem
yang dibangun
memiliki nilai manfaat bagi masyarakat luas, maka penelitian ini
akan
dikembangkan dalam bentuk aplikasi berbasisandroid.
-
10
2.2. Dasar Teori
2.2.1. Daging
Daging adalah salah satu hasil ternak yang hampir tidak
dapat
dipisahkan dari kehidupan manusia. Selain penganekaragaman
sumber pangan,
daging dapat menimbulkan kepuasan atau kenikmatan bagi yang
memakanya
karena kandungan gizinya lengkap, sehingga kehidupan gizi untuk
hidup dapat
terpenuhi. Daging dapat diolah dengan cara memasak , digoreng,
dipanggang,
disate, diasap, atau diolah menjadi produk lain yang menarik
(Seoparno 2009).
Daging merupakan bahan pangan yang penting dalam memenuhi
kebutuhan
gizi.Selain mutu proteinnya yang tinggi, daging mengandung asam
animo
esensial yang lengkap dan seimbang serta beberapa jenis mineral
dan
vitamin.Daging merupakan protein hewani yang lebih mudah dicerna
dibanding
dengan protein nabati. Bagian yang terpeting yang menjadi acuan
konsumen
dalam pemilihan daging adalah sifat-sifat dalam hal ini antara
lain warna,
keempukan, tekstur, kekenyalan dan kebasahan. (komariah dkk
2009).
2.2.2. Tekstur Daging Sapidan Daging Babi
Daging sapi mempunyai banyak serat dan terlihat jelas, tekstur
daging
sapi lebih kaku dan padat (solid dan keras) sehingga cukup sulit
untuk
diregangkan.(Lia Gunawan 2013).Sedangkan daging babi teksturnya
lembek,
sangat kenyal dan mudah diregangkan ditandai dengan nilairataan
tekstur
daging babi peliharaansebesar 2.25%.Sama halnya dengan warna,
tekstur
daging babi yang halus juga disebabkan karena aktivitas babi
peliharaan yang
sedikit karena hidup di dalam kandang dan dipelihara secara
intensif
-
11
(Natasasmita, dkk2005).Secara umum perbedaan tekstur daging sapi
dan daging
babi dapat dilihat Gambar 2.1.
Daging Babi Daging Sapi
Gambar 2.1 Perbedaan Tekstur Daging Sapi dan Daging Babi
2.2.3. Warna Daging Sapi Dan Daging Babi
Daging babi memiliki warna yang lebih pucat dari daging sapi
(Gambar
2.2), warna daging babi mendekati warna daging ayam.Namun
perbedaan ini tak
dapat dijadikan pegangan, karena warna pada daging babi oplosan
biasanya
dikamuflase dengan pelumuran darah sapi, walau kamuflase ini
dapat
dihilangkan dengan perendaman dengan air.Selain itu, ada bagian
tertentu dari
daging babi yang warnanya mirip sekali dengan daging sapi
sehingga sangat
sulit membedakannya.(Natasasmita, dkk 2005). Gambar 2.2
-
12
Daging Babi Daging Sapi
Gambar 2.2 Perbedaan Warna Daging Babi Dan Daging Sapi
2.2.4. Pengolahan Citra Digital
Dimulai pada tahun 1921, yaitu pertama kalinya sebuah foto
berhasil
ditransmisikan secara digital melalui kabel laut dari kota New
York ke kota
London, keuntungan utama yang dirasakan pada waktu itu
adalahan
pengurangan waktu pengiriman foto dari sekitar 1 minggu menjadi
kurung waktu
dari 3 jam. Sebelum dikirim, citra terlebih dulu dikodekan dan
setelah diterima
citra direkonstruksi ulang. Contoh ini sebenaranya masih tepat
digunakan
sebagai sebagai awal mula pengolahan citra digital karena dalam
prosesnya
belum menggunakan teknologi komputer (Gonzales, 2002).
Pengolahan citra merupakan bidang yang bersifat multidisiplin
dan terdiri
dari banyak aspek, antara lain fisika (optik, nuklir, gelombang
dan lain-lain),
matematika, seni, fotografi dan teknologi komputer. Pengolahan
citra (image
processing) memiliki hubungan yang sangat erat denga disiplin
ilmu yang lain jika
sebuah disiplin ilmu dinyatakan dalam bentuk proses suatu input
berupa citra
serta output yang juga berupa citra.
Pengenalan pola (pattern Recognittion) menerjemahkan citra
menjadi
deskripsi atau suatu informasi yag merepresentasikan citra tadi.
Sebagai contoh,
pada aplikasi pemilahan produk pertanian, dari citra sebuah
kentang dapat
diambil informasi mengenai kentang tersebut, misalnya ukuran,
warna kulit,
bentuk (bulat atau gepeng), atau ada tidaknya bagian yang busuk
pada kentang
itu. Contoh lain adalah pada aplikasi sensor visual untuk
mengenali kendaraan
penghuni sebuah apartemen. Dari citra kendaraan yang lewat pintu
gerbang
apartemen dapat diambil informasi mengenai warna dan jenis
kendaraan serta
-
13
nomor polisnya. Sebaliknya, disiplin ilmu grafika komputer
(computer Graphics)
mencoba beberapa ahli menambah rangkaian ilmu tadi dengan
kecerdasan
buatan (Artificial Intelligence) yang digunakan untuk
menerjemahkan
deskripsi/informasi yang telah diperoleh tadi menjadi informasi
lain lebih berguna
untuk mengambil keputusan. (B. Achmad danK. Firdausy, 2013).
Dalam computer vision , secara umum proses yang terjadi seperti
terlihat
dalam gambar 2.3 suatu citra digital melalui pengolahan citra
digital (digital image
processing) menghasilkan citra digital yang baru, termasuk di
dalamnya adalah
perbaikan citra (image restoration) dan peningkatan kualitas
citra (image
enhancement). sedangkan analisi citra digital (digital image
analysis)
menghasilkan suatu keputusan atau suatu data, termasuk di
dalamnya adalah
pengenalan pola (pattern recongnittion). (B. Achmad dan K,
Firdausy2013).
Gambar 2.3Urutan Pengolahan Citra Digital Sumber(B Ahmad, dan K
Firdausy)
2.2.5. Gray Level Co-Occurrence Matrix (GLCM)
Metode GLCM (Gray- Level Cooccurrence Matrix) adalah salah satu
cara
mengekstraksi fitur tekstur statistik orde-kedua. GLCM (yang
disebut juga Grey
Tone Spatial Dependency Matrix) adalah tabulasi mengenai
frekuensi atau
seberapa seringnya kombinasi nilai kecerahan piksel yang berbeda
posisinya
terjadi dalam suatu.Ilustrasi pembentukan GLCM atas citra dengan
4 tingkat
keabuan (gray level) pada jarak d=1 dan arah 0 adalah seperti
pada Gambar 2.4
Citra non
digital/sifat
fisik objek
Citra
Digital Pencitra
n
a
Pengolahan
citra digital
a
Citra
Digital Analisis citra
digital
a
Data/
keptusan
-
14
0
0
0
33
2 2
1
1
1
1
3
3
2
2
2
2
0
2
2
33
0 1
0 1
2
2
0 4 0 0
01
0 4
0 0 5
0 0
10 2 3
0
1
2
3
2
(a) (b)
GLCMdengan 4 tingkat keabuan Hasil GLCM pada jarak 1 arah 0
Gambar 2.4Mekanisme GLCM
Matriks GLCM mampu menangkap sifat tekstur tetapi tidak
secara
langsung dapat digunakan sebagai alat analisis, misalnya
membandingkan dua
tekstur.Data ini harus disarikan lagi agar didapatkan
angka-angka yang bisa
digunakan untuk mengklasifikasi tekstur. Haralick pada tahun
1973 mengusulkan
14 ukuran (atau ciri/fitur), tetapi Connors dan Harlow pada
tahun 1980-an
mengkaji bahwa dari 14 fitur yang diusulkan Haralick tersebut,
hanya 5
diantaranya yang biasa digunakan. Kelima fitur itu adalah:
energi, entropi,
korelasi, homogenitas, dan inersia. fungsi histogram serta
matrik GLCM sebagai
masukan sistem pengklasifikasi yaitu antara lain : mean,
entropy, standar
deviasi, variance, correlation, energy, serta homogeneity.
-
15
Nilai Parameter GLCM adalah Nilaiyang digunakan berkisar
antara
1sampai 10, namun dengan nilaiperpindahanyang besar menyebabkan
tidak
tertangkapnya informasi tekstur secararinci.Dari penelitian,
telah disimpulkan
bahwadenganhasil terbaikadalah1dan2.Setiappixeldalam citra
memiliki
delapanpiksel tetangga dimana setiap piksel tetangga berada
dalam sudut() 0,
45, 90, 135, 180, 225, 270atau315. Sudut 0 akan menghasilkan
nilai yang
sama dengan sudut180, begitu juga sudut yang lain, sehingga
variasi nilai
yang memungkinkan hanya empat yaitu0, 45, 90dan135.(Goswami,
2013)
2.2.6. Nave BayesClassifier
Bayes merupakan teknik prediksi berbasis probabilistik sederhana
yang
berdasar pada penerapan teorema Bayes denga asumsi indenpedensi
yang
kuat. Dengan kata lain, dalam Nave Bayes, model yag digunakan
adalah model
model fitur independenDalam bayes (terutama Nave Bayes),
maksud
indepedensi yang kuat pada fitur adalah bahwa sebuah fitur pada
sebuah data
tidak berkaitan dengan ada tidaknya fitur lain dalam data yang
sama. Contohnya,
pada klasifikasi hewan dengan fitur penutup kulit, melahirkan,
berat, dalam dunia
nyata, hewan yang berkembang biak dengan cara melahirkan
dipastikan juga
-
16
menyusui. Disini ada ketergantungan pada fitur yang menyusui
karena hewan
yang menyusui biasanya melahirkan, atau hewan yang bertelur
biasanya tidak
menyusui. Dalam Bayes, hal tersebut tidak dipandang sehungga
masing-masing
fitur seolah tidak meiliki hubungan apapun.(Eko Prasetyo
2012)
Kaitan antara Nave Bayes dengan klasifikasi, korelasi hipotesis,
dan
bukti denga klasifikasi adalah bahwa hipotesis dalam teorema
Bayes merupakan
label kelas yang menjadi target pemetaan dalam klasifikasi,
sedangkan bukti
merupakan fitur-fitur yang menjadi masukan dalam model
klasifikasi. Jika X
adalah vektor masukan yang berisi fitur dan Y adalah label
kelas, Nave Bayes
dituliskan dengan P(Y|X). notasu tersebut berarti probalitas
lebel kelas Y
didapatkan serelah fitur-fitur X diamati. Notasi ini disebut
juga probabilitas akhir
(psterior probability) untuk Y, sedangkan P(Y) disebut
probabilitas awal (prior
probability) Y.Selama proses pelatihan harus dilakukan
pembelajaran
probabilitas akhir (P(Y|X) pada model untuk setiap kombinasi X
dan Y
berdasarkan informasi yang didapat dari data latih. Degan
membangun model
tersebut, suatu data uji X dapat diklasifikasikan dengan mencari
nilai Y denga
memaksimalkan nilai P(Y|X) yang didapat. (E. Prasetyo 2012)
Formulasi Nave Bayes untuk klasifikasi adalah
.(2.8)
P(Y|X) adalah probabilitas data dengan vektor X pada kelas Y.
P(Y)
adalah probabilitas awal kelas Y. adalah probabilitas
independen
kelas Y dari semua fitur dalam vektor X. Nilai p(X) selalu tetap
sehingga dalam
perhitungan prediksi nantinya kita tinggal menghitung bagian
P(Y)
dengan memilih yang terbesar sebagai kelas yang dipilih sebagai
hasil prediksi.
-
17
Sementara probabilitas independen tersebut merupakan
pengaruh
semua fitur dari data terhadap setiap kelas Y, yang dinotasikan
dengan
P(X|Y = y) = .(2.9)
Setiap set fitur } terjadi atas q atribut (q dimensi). (Eko
Prasetyo 2012)
2.2.7. Android
Android adalah sebuah sistem operasi mobile yang berbasiskan
pada
versi modifikasi dari linux. Pertama kali sistem operasi ini
dikembangkan oleh
perusahan Android.Inc. nama perusahan inilah yang digunakan
sebagai nama
proyek sistem operasi mobile tersebut, yaitu sistem operasi
Android. Pada tahun
2005, sebagai bagian dari strategi untuk memasuki pasar mobile,
Google
membeli Android danmengambil alih proses pengembangannya
sekaligus team
developer Android. Google menginginkan Android untuk menjadi
sistem operasi
Open Source dan gratis, kebanyakan code Android dirilis di bawah
lisensi Open
Source Apache yang berarti setiap orang bebas untuk menggunakan
dan
mengunduh source code Android. Terlebih lagi para vendor bebas
untuk
mengubah sekaligus membuat penyusuain untuk Android. Di samping
itu,
perusahan dapat secara bebas untuk membuat perbedaan dari produk
vendor
lainya. (Wahana Komputer, 2013)
2.2.7.1. Fitur-fitur Android
Android adalah sebuah sistem operasi mobile Open Source dan
dapat
dimanufaktur untuk dikustominasasi sehingga tidak ada
konfigurasi yang pasti
-
18
mengenai software dan hardware-nya. Akan tetapi, secara garis
besar Android
sendiri mendukung fitur-fitur berikut: (Wahana Komputer
2013).
Storage: mendukung SQL Lite. SQL Lite adalah sebuah database
relational lite (versi ringan) yang digunakan untuk
penyimpanan
data.
Media Support: Dukungan media meliputi file media bertipe:
H.263, H.264 (Dalam bentuk 3GP atau MP4container), MPEG-4
SP, AMR, AMR-WB, AAC, HE-AAC, MP3, MIDI, Ogg Vorbis, Wav,
JPEG, PNG, GIF, dan BMP.
Dukungan Hardware: sensor accelerometer, Camera, Kompas
digital, Sensor proximity, dan GPS.
Multi Touch: Mendukung kemampuan untuk melaksanakan tugas
secara bersama.
Flash: Mendukung animasi Flash.
Lingkungan pengembangan yang komplek, termasuk emulator,
peralatan debugging, dan plugin untuk Eclipse IDE.
2.2.7.2. Arsitektur Android
Dalam memahami mengenai bagaimana cara kerja android, dapat
kita
lihat arsitektur Android yang ditunjukkan pada gambar 2.5.
-
19
Gambar 2.5 Arsitektur Sistem Android Sumber (Wahana Komputer
2013)