Seminar Nasional Teknologi Informasi dan Komunikasi-2020 e-ISSN: 2685-5615

“Inovasi Disruptif Teknologi Informasi di Era Normal Baru” p-ISSN: 2715-5315

SISTEM KLASIFIKASI KUALITAS BIJI JAGUNG BERDASARKAN TEKSTUR

DENGAN METODE DISCRET WAVELET TRANSFORM DAN KLASIFIKASI
SUPPORT VECTOR MACHINE BERBASIS PENGOLAHAN CITRA DIGITAL

CLASSIFICATION SYSTEM OF CORN KERNEL QUALITY BASED ON TEXTURE

USING DISCRETE WAVELET TRANSFORM METHODE AND SUPPORT VECTOR
MACHINE CLASSIFICATION ON DIGITAL IMAGE PROCESSING

Jihad Ardiansyah1, Rita Purnamasari2, Bambang Hidayat3

Prodi S1 Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom
e-mail: 1jihadardiansyah@gmail.com 2ritapurnamasari@telkomuniversity.ac.id
3
bhidayat@telkomuniversity.ac.id

Abstract: Quality of corn to be one of the main requirements for the feed industry. In general, the
process of determining the quality of seed corn seed that is done manually by visual observation. The
process produces judgments based on the viewpoint of each observer who tends to be subjective.
This subjective assessment requires a long time and measurement conditions must be just right, so
that the observations will vary depending on eyesight and visual perception, as well as observers
background and other factors. In this final task, designed a system that can classify corn seeds based
on the texture based on digital image processing, so that obtained objective and precise results. The
image data required is a sample of dried corn seeds using the Discrete Wavelet Transform method,
and for the classification of the Corn Seeds using the Support Vector Machine. Based on the research
that has been done, obtained accuracy of 93.33% with computing time of 0,6384s on the extraction
parameters of the order DWT feature is Mean, Variance, Skewness, Kurtosis, and Entropy with the
subband LL, Level 2 decomposition of wavelet, Linear kernel type and OAO multiclass on SVM. This
system, it can be used as a standard for precise accuracy in the quality measurement of corn seeds.

Keywords: Corn Kernel Texture, Feature Extraction, DWT, SVM

Abstrak: Mutu jagung menjadi salah satu persyaratan utama bagi industri pakan. Pada umumnya,
proses penentuan kualitas benih yaitu biji jagung dilakukan secara manual dengan pengamatan
visual. Proses tersebut menghasilkan penilaian berdasarkan sudut pandang masing-masing
pengamat yang cenderung subjektif. Penilaian subjektif ini membutuhkan waktu yang lama dan
kondisi pengukuran harus tepat, sehingga hasil pengamatan akan berbeda-beda tergantung pada
penglihatan mata maupun presepsi visualnya, serta latar belakang pengamat dan faktor lainnya.
Untuk mengatasi hal tersebut, dalam penelitian, dirancang sebuah sistem yang dapat
mengklasifikasikan biji jagung berdasarkan tekstur berbasis pengolahan citra digital, sehingga
didapatkan hasil yang objektif dan tepat. Data citra yang diperlukan adalah sampel biji jagung kering
dengan menggunakan metode Discrete Wavelet Transform, dan untuk klasifikasi citra biji jagung
menggunakan Support Vector Machine. Berdasarkan penelitian yang telah dilakukan, didapatkan
akurasi sebesar 93,33% dengan waktu komputasi 0,6384s pada parameter ektraksi ciri DWT orde
satu yaitu Mean, Variance, Skewness, Kurtosis, dan Entropy dengan subband LL, level 2
dekomposisi wavelet, jenis kernel Linear dan multiclass OAO pada SVM. Dengan adanya sistem ini,
dapat dijadikan standar akurasi yang tepat dalam pengukuran kualitas biji jagung.

Kata kunci: Tekstur Biji Jagung, Ekstrasi Ciri, DWT, SVM

1. PENDAHULUAN
Jagung merupakan komoditas pertanian yang mudah dalam pengelolaan budidayanya.
Tanaman palawija ini pada dasarnya tidak membutuhkan perawatan intensif dan resiko
kegagalan bertanamnya pun umumnya kecil dibandingkan dengan tanaman palawija
lainnya. Biji jagung sebagai hasil utama dari jagung ini digunakan sebagai bahan pangan
serta bahan baku penunjang industri lainnya [1].
Kualitas biji jagung diperlukan agar komoditas jagung memiliki keunggulan yang
kompetitif. Selama ini evaluasi kualitas biji jagung dalam proses pengklasifikasian kualitas
masih dilakukan secara manual melalui pengamatan visual. Tetapi kenyataannya evaluasi
========================================================================================
PROGRAM STUDI TEKNIK INFORMATIKA - UNIVERSITAS PGRI MADIUN | 1
Seminar Nasional Teknologi Informasi dan Komunikasi-2020 e-ISSN: 2685-5615
“Inovasi Disruptif Teknologi Informasi di Era Normal Baru” p-ISSN: 2715-5315

kualitas dengan cara ini, masih memiliki beberapa kelemahan. Sebagai contoh diantaranya
ketidakkonsistenan karena keterbatasan visual manusia dan adanya perbedaan sudut
pandang tentang kualitas oleh masing-masing pengamat [2]. Pengolahan citra digital
merupakan alternatif untuk mengatasi masalah tersebut. Cara ini mampu memproses
penampilan suatu bahan berdasarkan ukuran, bentuk dan warna yang bisa dipastikan akan
lebih tepat dan objektif dibandingkan dengan cara visual yang bersifat subjektif [3]. Oleh
karena itu, pengolahan citra ini dapat dijadikan salah satu pilihan dalam pengujian kualitas
tekstur biji jagung tanpa merusak objek.
Pada penelitian ini dapat menghasilkan sebuah aplikasi yang mampu mengetahui
kualitas biji jagung berdasarkan tekstur. Citra dari setiap biji jagung akan diambil
menggunakan kamera. Untuk tahap selanjutnya yang dilakukan pada penelitian ini adalah
preprocessing, lalu akan dilakukan ekstrasi ciri dengan Discrete Wavelet Transform. Metode
ini akan melewati sinyal yang akan dianalisis pada filter dengan frekuensi dan skala yang
berbeda. Setelah didapatkan hasil ektrasi ciri, klasifikasi dilakuan dengan Support Vector
Machine yang merupakan sebuah fungsi atau hyperplane untuk memisahkan dua buah
kelas atau lebih pola yang dipisahkan dengan maksimal. Dengan dilakukannya penelitian ini
dapat menciptakan program atau sistem yang dapat mengidentifikasi dan mengklasifikasi biji
jagung yang akurat dan efisien.

2. KAJIAN TEORI
2.1 Jagung
Jagung merupakan komoditas palawija yang berperan sebagai sumber karbohidrat
kedua setelah beras. Jagung-bahan baku pakan adalah jagung pipilan hasil tanaman jagung
(Zea mays L) berupa biji kering yang telah dilepaskan dan dibersihkan dari tongkolnya.
Berdasarkan warna biji jagung terdiri dari jagung putih dan jagung kuning[4]. Umumnya
produk hasil pertanian ditinjau dari kualitas mutu biji jagung. Kualitas jagung dapat
ditentukan dengan mengamati hasil fisik biji jagung. Kerusakan hasil pertanian dapat
disebabkan oleh dua faktor yaitu faktor dalam (internal) dan faktor luar (eksternal).
Kerusakan tersebut mengakibatkan penurunan mutu jagung tersebut. Persyaratan mutu
jagung untuk perdagangan menurut Standar Nasional Indonesia (SNI) dikelompokkan
menjadi dua bagian yaitu persyaratan kualitatif dan persyaratan kuantitatif[5].

2.2 Pengolahan Citra Digital

Citra dapat diolah oleh komputer digital, merupakan citra yang harus direprenstasikan
secara numerik dengan nilai-nilai diskrit yang disebut dengan digitalisasi. Citra yang
dihasilkan inilah yang disebut citra digital (digital image). Tiap elemen citra digital atau
elemen matriks disebut dengan image element, picture element, atau pixel[6].Sebuah citra
digital diwakili oleh matriks, dimana pepotongan antara baris dan kolom disebut piksel.
Piksel mempunyai dua parameter, yaitu koordinat dan intensitas atau warna. Nilai yang
terdapat pada koordinat (x,y) adalah f(x,y), yaitu besar intensitas atau warna dari piksel di
titik tertentu[7]. Artinya, sebuah citra digital dapat ditulis dalam bentuk matriks berikut:

(1)

2.3 Discrete Wavelet Transform

DWT (Discrete Wavelet Transform) merupakan metode untuk dekomposisi sinyal
berdasarkan sub-band yang efisien dan fleksibel, di karenakan DWT menyediakan informasi
tentang frekuensi maupun waktu (lokasi) dari sinyal yang bekerja secara multiresolusi[8].

========================================================================================
2 | PROGRAM STUDI TEKNIK INFORMATIKA - UNIVERSITAS PGRI MADIUN
Seminar Nasional Teknologi Informasi dan Komunikasi-2020 e-ISSN: 2685-5615
“Inovasi Disruptif Teknologi Informasi di Era Normal Baru” p-ISSN: 2715-5315

Gambar 1. Transformasi Wavelet 2D 1 level

Sebuah sinyal harus dilewatkan dalam dua filterisasi DWT yaitu High Pass Filter dan
Low Pass Filter agar frekuensi dari sinyal tersebut dapat dianalisis. Analisis terhadap
frekuensi dilakukan dengan cara menggunakan resolusi yang dihasilkan setelah sinyal
melewati filterisasi. Resolusi dari sinyal, yang merupakan rata-rata dari jumlah detil informasi
dalam sinyal, ditentukan melalui filterasi ini dan skalanya didapatkan dengan upsampling
dan downsampling (subsampling). Analisis frekuensi yang berbeda dengan menggunakan
resolusi yang berbeda inilah yang disebut dengan multi-resolution analysis[8].

2.4 Ekstraksi Ciri

Ekstraksi ciri adalah proses pengambilan ciri objek yang dapat digunakan sebagai
pembeda dari objek-objek lainnya. Beberapa parameter ciri statistik orde pertama, antara
lain[9]:
1) Mean (µ)
Rata-rata atau nilai tengah dari suatu sebaran nilai intensitas citra abu-abu
menunjukkan ukuran dispersi suatu citra dapat dicari dengan persamaan sebagai berikut:
(2)
dimana f(x,y) merupakan nilai intensitas citra pada titik (x,y) dan p(f(x,y)) adalah nilai
histogramnya (probabilitas kemunculan intensitas tersebut pada citra).
2) Variance (σ2)
Variance merupakan kuadrat dari standar deviasi. Variance digunakan untuk
menunjukkan tingkat perbedaan dari histogram suatu citra. Variance dapat dicari dengan
persamaan sebagai berikut:
(3)
3) Skewness (α3)
Skewness menunjukkan tingkat kemencengan relatif kurva histogram dari suatu citra
yang dapat dicari dengan persamaan sebagai berikut:
(4)
4) Kurtosis (α4)
Kurtosis menunjukkan tingkat keruncingan relatif kurva histogram dari suatu citra yang
dapat dicari dengan persamaan sebagai berikut:
(5)
5) Entropy (H)
Entropy digunakan untuk menunjukkan ukuran ketidakaturan bentuk dari suatu citra.
(6)

2.5 Support Vector Machine

Konsep SVM dapat dijelaskan secara sederhana sebagai usaha mencari hyperplane
terbaik yang berfungsi sebagai pemisah dua buah kelas pada input space. Gambar 2(a)
memperlihatkan beberapa pola yang merupakan anggota dari dua buah kelas yaitu kelas 1
dan kelas 2. Pola yang tergabung pada kelas 1 disimbolkan dengan warna merah (kotak),
sedangkan pola pada kelas 2, disimbolkan dengan warna biru (lingkaran). Masalah dari
klasifikasi dapat diterjemahkan dengan usaha menemukan garis (hyperplane) yang

========================================================================================
PROGRAM STUDI TEKNIK INFORMATIKA - UNIVERSITAS PGRI MADIUN | 3
Seminar Nasional Teknologi Informasi dan Komunikasi-2020 e-ISSN: 2685-5615
“Inovasi Disruptif Teknologi Informasi di Era Normal Baru” p-ISSN: 2715-5315

memisahkan antara kedua kelompok tersebut. Berbagai alternatif garis pemisah

(discrimination boundaries)[10]. ditunjukkan pada gambar 2(a).

(a) (b)
Gambar 2. (a) Alternatif bidang pemisah (b) Bidang pemisah terbaik dengan margin (m)
terbesar
Margin merupakan jarak antara hyperplane tersebut dengan data terdekat dari
masing-masing kelas. Subset data training set yang paling dekat ini disebut sebagai support
vector. Hyperplane terbaik adalah hyperplane yang terletak di tengah-tengah antara dua set
obyek dari dua kelas. Mencari hyperplane terbaik ekuivalen dengan memaksimalkan margin
atau jarak antara dua set obyek dari kelas yang berbeda[10]. Adapun data (pola) yang
berada pada bidang pembatas ini disebut support vector. Pada gambar 2(b) terdapat dua
kelas yang dapat dipisahkan oleh sepasang bidang pembatas yang sejajar. Bidang
pembatas pertama membatasi kelas pertama sedangkan bidang pembatas kedua
membatasi kelas kedua, sehingga diperoleh[11]:

(7)
dimana parameter x merupakan vector input, variabel w adalah parameter bobot
(weight vector), dan b adalah posisi bidang relatif terhadap pusat koordinat

3. METODE
3.1 Perancangan Sistem
Secara keseluruhan sistem yang akan dibuat pada penelitian ini dapat dilihat gambar 3.

Gambar 3. Perancangan Sistem

Pada penelitian ini terdapat tahapan yang dilakukan sebagai berikut yaitu input citra
digital, kemudian tahap preprocessing untuk mempermudah proses komputasi citra pada
proses selanjutnya, dilanjutkan dengan tahap ekstrasi ciri menggunakan Discrete Wavelet
Transform (DWT) untuk mendapatkan ciri citra untuk proses klasifikasi. Tahap klasifikasi ini
menggunakan Support Vector Machine (SVM) untuk menentukan kualitas tekstur biji dari
citra yang dimasukkan ke perangkat lunak.

3.2 Perancangan Perangkat Lunak

Model perancangan perangkat lunak yang dibuat oleh penulis disajikan dalam bentuk
diagram alir sistem, yang dapat dilihat pada gambar 4.

========================================================================================
4 | PROGRAM STUDI TEKNIK INFORMATIKA - UNIVERSITAS PGRI MADIUN
Seminar Nasional Teknologi Informasi dan Komunikasi-2020 e-ISSN: 2685-5615
“Inovasi Disruptif Teknologi Informasi di Era Normal Baru” p-ISSN: 2715-5315

Gambar 4. Diagram alir sistem proses latih dan uji

Tahap latih adalah proses pembentukan database berdasarkan fakta yang sudah terjadi
sebagai referensi bagi citra ujinya nanti. Sedangkan tahap uji adalah proses untuk menguji
data yang sudah ditentukan untuk menghitung akurasi model klasifikasi yang dibentuk oleh
perangkat lunak.

3.3 Akuisisi Citra

Pengambilan sampel citra biji jagung dilakukan dengan meng-capture citra biji jagung
menggunakan kamera handphone, dimana citra ini digunakan sebagai data latih dan data
uji. Untuk menunjukann pembagian jumlah data citra latih dan uji pada pengujian ini dapat
dilihat pada tabel 1. Pada tahap pengambilan, pembagian citra menjadi 75% latih dan 25%
uji yang menggunakan 120 citra. Komposisi data latih yang disimpan dalam database
terdapat 90 citra untuk 3 kelas yang terbagi menjadi 30 citra dengan ukuran 2448x2448.
Sedangkan data uji terdapat 30 citra dalam 3 kelas yang terbagi menjadi 10 citra.
Tabel 1. Citra Data Latih dan Uji Menggunakan Kamera Handphone
Ukuran Citra Biji Jagung Data
Data Uji
Citra Kualitas 1 Kualitas 2 Kualitas 3 Latih

2448x2448
(Kamera 30 citra 10 citra
handphone)

3.4 Preprocessing
Preprocessing adalah proses awal yang dilakukan setalah mendapat akuisisi citra
sebagai citra masukan. Pada tahap preprocessing ini ada beberapa proses yang akan
dilakukan, yaitu:
1. Croping
Pada tahap ini bertujuan memberikan batasan yang lebih jelas dan terarah untuk
mendapatkan citra dengan ukuran yang seragam. Citra awal yang masuk ke dalam
sistem merupakan citra berukuran 2448x2448 dengan format JPG. Proses cropping
dilakukan untuk mendapatkan citra dengan ukuran seragam yaitu 2000x2000. Citra
hasil ini berikutnya akan diubah ke citra grayscale.

========================================================================================
PROGRAM STUDI TEKNIK INFORMATIKA - UNIVERSITAS PGRI MADIUN | 5
Seminar Nasional Teknologi Informasi dan Komunikasi-2020 e-ISSN: 2685-5615
“Inovasi Disruptif Teknologi Informasi di Era Normal Baru” p-ISSN: 2715-5315

2. Pengubahan Mode Warna ke Citra Grayscale

Hasil dari citra cropping, pada preprocessing dilakukan pemrosesan terhadap data
citra awal, dimana terdapat proses pengubahan citra RGB menjadi citra grayscale,
proses ini berfungsi untuk mereduksi citra tiga dimensi menjadi satu dimensi saja
dengan nilai intensitas yang sama, sehingga dalam proses komputasinya tidak
memerlukan waktu yang lama. Namun, apabila citra sudah dalam citra grayscale
maka tidak perlu dilakukan konversi lagi. Konversi dari citra RGB ke citra grayscale
dapat dilihat pada gambar 5 sebagai berikut

Gambar 5. Citra Grayscale

4. HASIL
4.1 Pengujian Menggunakan Parameter Ekstrasi Ciri Pada DWT
Pengujian dilakukan dengan menggunakan 30 data citra latih dan 10 data citra uji dari
masing-masing kelas kualitas, untuk mengetahui tingkat akurasi dan waktu komputasi
terhadap pengaruh parameter ekstrasi ciri DWT. Untuk pengujian parameter Ekstrasi Ciri
DWT menggunakan 2 skenario. Adapun skenario yang dilakukan adalah sebagai berikut ini:
1. Pengujian Ekstrasi Ciri DWT dengan parameter level 1 dekomposisi, subband LL
(Low Low), jenis kernel Linear dan multiclass OAA (One Against All)
Tabel 2 Hasil pengujian Ektrasi Ciri DWT skenario 1
Waktu
Kombinasi Parameter Akurasi
Komputasi
Mean 56.67% 0.6414s
Variance 50.00% 0.6546s
1 Ciri Skewness 56.67% 0.6329s
Kurtosis 50.00% 0.6532s
Entropy 33.33% 0.9691s
Mean, Variance 73.33% 0.6546s
Mean, Skewness 76.67% 0.6412s
Mean, Kurtosis 66.67% 0.9795s
Mean, Entropy 56.67% 0.9877s
Varian Skewness 36.67% 0.9846s
2 Ciri
Varian, Kurtosis 46.67% 0.9953s
Variance, entropy 50.00% 0.9565s
Skewness, Kurtosis 70.00% 0.9961s
Skewness, Entropy 56.67% 0.9734s
Kurtosis, Entropy 46.67% 0.9641s
Mean, Variance, Skewness 83.33% 0.9992s
Mean, Variance, Kurtosis 83.33% 0.9970s
Mean, Variance, Entropy 73.33% 0.9934s
Mean, Skewness, Kurtosis 76.67% 1.2056s
Mean, Skewness, Entropy 76.67% 0.9739s
3 Ciri
Mean, Kurtosis, Entropy 66.67% 0.9621s
Variance, Skewness, Kurtosis 66.67% 0.9827s
Variance, Skewness, Entropy 83.33% 0.9521s
Variance, Kurtosis, Entropy 46.67% 0.9841s
Skewness, Kurtosis, Entropy 70.00% 0.9559s
Mean, Variance, Skewness,
4 Ciri 83.33% 1.0196s
Kurtosis
========================================================================================
6 | PROGRAM STUDI TEKNIK INFORMATIKA - UNIVERSITAS PGRI MADIUN
Seminar Nasional Teknologi Informasi dan Komunikasi-2020 e-ISSN: 2685-5615
“Inovasi Disruptif Teknologi Informasi di Era Normal Baru” p-ISSN: 2715-5315

Mean, Variance, Skewness,

83.33% 1.0067s
Entropy
Mean, Variance, Kurtosis, Entropy 76.67% 0.9866s
Mean, Skewness, Kurtosis,
66.67% 1.0271s
Entropy
Variance, Skewness, Kurtosis,
70.00% 0.9923s
Entropy
Mean, Variance, Skewness,
5 Ciri 70.00% 0.9559s
Kurtosis, Entropy

2. Pengujian Ekstrasi Ciri DWT dengan parameter level 1 dekomposisi, subband LL

(Low Low), jenis kernel Linear dan multiclass OAO (One Against One)
Tabel 3 Hasil pengujian Ektrasi Ciri DWT skenario 2
Waktu
Kombinasi Parameter Akurasi
Komputasi
Mean 80.00% 0.6656s
Variance 50.00% 0.6333s
1 Ciri Skewness 66.67% 0.6404s
Kurtosis 46.67% 0.6310s
Entropy 33.33% 0.9838s
Mean, Variance 90.00% 0.6522s
Mean, Skewness 80.00% 1.1019s
Mean, Kurtosis 80.00% 1.0625s
Mean, Entropy 80.00% 0.9729s
Variance, Skewness 66.67% 1.0183s
2 Ciri
Variance, Kurtosis 60.00% 0.9927s
Variance, entropy 70.00% 0.9737s
Skewness, Kurtosis 80.00% 0.9738s
Skewness, Entropy 66.67% 0.9702s
Kurtosis, Entropy 46.67% 0.9803s
Mean, Variance, Skewness 90.00% 1.1813s
Mean, Variance, Kurtosis 90.00% 1.0403s
Mean, Variance, Entropy 90.00% 0.9837s
Mean, Skewness, Kurtosis 80.00% 0.9658s
Mean, Skewness, Entropy 80.00% 0.9619s
3 Ciri
Mean, Kurtosis, Entropy 66.67% 0.9765s
Variance, Skewness, Kurtosis 73.33% 0.9689s
Variance, Skewness, Entropy 70.00% 0.9703s
Variance, Kurtosis, Entropy 60.00% 0.9738s
Skewness, Kurtosis, Entropy 80.00% 1.0246s
Mean, Variance, Skewness,
90.00% 0.9835s
Kurtosis
Mean, Variance, Skewness,
90.00% 0.9711s
Entropy
Mean, Variance, Kurtosis,
4 Ciri 90.00% 0.9810s
Entropy
Mean, Skewness, Kurtosis,
80.00% 0.9977s
Entropy
Variance, Skewness, Kurtosis,
73.33% 0.9998s
Entropy
Mean, Variance, Skewness,
5 Ciri 90.00% 1.0028s
Kurtosis, Entropy

========================================================================================
PROGRAM STUDI TEKNIK INFORMATIKA - UNIVERSITAS PGRI MADIUN | 7
Seminar Nasional Teknologi Informasi dan Komunikasi-2020 e-ISSN: 2685-5615
“Inovasi Disruptif Teknologi Informasi di Era Normal Baru” p-ISSN: 2715-5315

4.2 Pengujian Pengaruh Subband dan Level Dekomposisi pada DWT

Untuk mengetahui level dekomposisi yang paling tepat untuk digunakan pada proses
ekstraksi ciri, dilakukan pengujian terhadap berbagai tingkatan level dekomposisi wavelet.
Dimana level dekomposisi yang digunakan adalah level 1, level 2, level 3, dan level 4. Pada
pengujian kedua ini, ciri yang digunakan 5 kombinasi ciri yaitu Mean, Variance, Skewness,
Kurtosis dan Entropy. Sedangkan untuk parameter SVM adalah jenis kernel Linear, dengan
multiclass OAO (One Against One).

Gambar 7. Hasil Pengujian Level Dekomposisi pada DWT

Berdasarkan gambar 7 ciri khusus dari Discrete Wavelet Transform terletak pada subband
Low Low (LL) karena subband ini mengandung informasi tentang citra tersebut. Untuk level
selanjutnya subband LL digunakan kembali untuk di transformasikan menjadi level yang
baru. Sehingga transformasi ini disebut multiresolusi. Dengan akurasi terbesar didapatkan
pada saat level dekomposisi wavelet yang digunakan pada level 2 dengan subband Low
Low yaitu sebesar 93,33% dan akurasi terkecil pada saat level dekomposisi wavelet yang
digunakan pada level 4 yaitu sebesar 16,67%.

4.3 Pengujian Pengaruh Jenis Kernel dan Multiclass pada SVM

Berikut ini merupakan pengujian untuk mengetahui hasil akurasi dari parameter SVM
jenis kernel Linear, Polynomial dan Gaussian Radial Basis Function (RBF) dengan
multiclass yaitu One Against One (OAO). Pada pengujian ini parameter ekstraksi ciri hasil
dari pengujian pertama pada kombinasi 5 ciri digunakan kembali yaitu Mean, Variance,
Skewness, Kurtosis, Entropy dengan level dekomposisi yang digunakan adalah level 2.
Tabel 4 Hasil Pengujian Parameter Kernel dan Multiclass SVM
Waktu
No. Jenis Kernel Multiclass Akurasi
Komputasi
OAA 70.00% 0.6367s
1. Linear
OAO 93.33% 0.6384s
OAA 60.00% 0.6508s
2. Polynomial
OAO 66.67% 0.6343s
OAA 33.33% 0.6367s
3. RBF
OAO 36.67% 0.6652s

5. PEMBAHASAN
Pada pengujian 1, berdasarkan tabel 2 akurasi terbesar didapatkan pada saat
parameter ekstrasi ciri orde satu dengan kombinasi 3 ciri dan 4 ciri. Untuk kombinasi 3 ciri
terdiri dari Mean, Variance, Skewness, dan Mean, Variance, Kurtosis, serta Variance,
Skewness, Entropy. Untuk kombinasi 4 ciri yaitu Mean, Variance, Skewness, Entropy dan
Mean, Variance, Kurtosis, Entropy dengan nilai sebesar 83,33%. Sedangkan akurasi terkecil
========================================================================================
8 | PROGRAM STUDI TEKNIK INFORMATIKA - UNIVERSITAS PGRI MADIUN
Seminar Nasional Teknologi Informasi dan Komunikasi-2020 e-ISSN: 2685-5615
“Inovasi Disruptif Teknologi Informasi di Era Normal Baru” p-ISSN: 2715-5315

sebesar 33,33% dengan parameter orde satu yang digunakan adalah Entropy pada
kombinasi 1 ciri. Selanjutnya untuk performansi sistem dengan waktu komputasi terbesar
didapatkan saat 1.2056s dengan parameter orde satu yang digunakan adalah Mean,
Skewnesss, Kurtosis. Sedangkan waktu komputasi terkecil diperoleh dengan waktu 0.6412s
pada saat kombinasi 2 ciri yaitu Mean, Skewness. Pada tabel 3 akurasi terbesar didapatkan
dengan nilai sebesar 90% pada saat parameter ekstrasi ciri orde satu dengan kombinasi 2
ciri, 3 ciri, 4 ciri dan 5 ciri. Untuk kombinasi 2 ciri yaitu Mean, Variance, kombinasi 3 ciri yaitu
Mean, Variance, Skewness, dan Mean, Variance, Kurtosis, serta Mean, Variance, Entropy.
Pada 4 kombinasi ciri yaitu Mean, Variance, Skewness, Kurtosis dan Mean, Variance,
Skewness, Entropy serta Mean, Variance, Kurtosis, Entropy dan kombinasi 5 ciri yaitu
Mean, Variance, Skewness, Kurtosis,dan Entropy. Sedangkan akurasi terkecil sebesar
33,33% dengan parameter orde satu yang digunakan adalah Entropy pada kombinasi 1 ciri.

Pada pengujian ke 2, berdasarkan gambar 7 ciri khusus dari Discrete Wavelet

Transform terletak pada subband Low Low (LL) karena subband ini mengandung informasi
tentang citra tersebut. Untuk level selanjutnya subband LL digunakan kembali untuk di
transformasikan menjadi level yang baru. Sehingga transformasi ini disebut multiresolusi.
Dengan akurasi terbesar didapatkan pada saat level dekomposisi wavelet yang digunakan
pada level 2 dengan subband Low Low yaitu sebesar 93,33% dan akurasi terkecil pada saat
level dekomposisi wavelet yang digunakan pada level 4 yaitu sebesar 16,67%.

6. KESIMPULAN
Berdasarkan hasil dari penelitian yang telah dilakukan, maka dapat ditarik kesimpulan
sebagai berikut:

1. Sistem ini sudah mampu mengklasifikasikan jenis kualitas jagung menggunakan

metode Discrete Wavelet Transform dan klasifikasi Support Vector Machine.
2. Pengujian pada 5 kombinasi ekstrasi ciri DWT dengan parameter level 1
dekomposisi, subband LL (Low Low), jenis kernel Linear dan multiclass OAO (One
Against One) memiliki nilai akurasi terbesar yaitu 90% dengan waktu komputasi
1.0028s. Sedangkan dengan multiclass OAA akurasi yang didapat sebesar 70%.
3. Pengujian pengaruh level dekomposisi DWT mendapat akurasi terbesar 93.33%
pada subband LL (Low Low) pada level 2.
4. Parameter jenis kernel linear One Against One mendapatkan akurasi terbaik sebesar
93.33% dengan waktu komputasi 0,6384s.
5. Parameter ciri orde satu terbaik pada saat nilai Mean, Variance, Skewness, Kurtosis
dan Entropy. Karena semakin banyak parameter orde satu yang digunakan maka
semakin banyak ciri citra yang diperoleh.

DAFTAR PUSTAKA
[1] R. H. Paeru and T. Q. Dewi, Panduan Praktis Budidaya Jagung. 2017.
[2] M. A. Bustomi and A. Z. Dzulfikar, “Analisis Distribusi Intensitas RGB Citra Digital
untuk Klasifikasi Kualitas Biji Jagung menggunakan Jaringan Syaraf Tiruan,” Jurnal
Fisika dan Aplikasinya, vol. 10, no. 3. p. 127, 2014, doi:
10.12962/j24604682.v10i3.791.
[3] M. Effendi, M. Jannah, and U. Effendi, “Corn quality identification using image
processing with k-nearest neighbor classifier based on color and texture features,”
IOP Conf. Ser. Earth Environ. Sci., vol. 230, no. 1, 2019, doi: 10.1088/1755-
1315/230/1/012066.
[4] S. N. Indonesia, “SNI 01-4483-1998 Jagung Bahan Baku Pakan BADAN
STANDARDISASI NASIONAL - BSN,” p. 1 dan 2, 1998.
[5] F. Muhadjir, “Budidaya Tanaman Jagung,” Badan Penelit. dan Pengemb. Pertanian.
Bogor. 423 hal, p. 21, 2009.

========================================================================================
PROGRAM STUDI TEKNIK INFORMATIKA - UNIVERSITAS PGRI MADIUN | 9
Seminar Nasional Teknologi Informasi dan Komunikasi-2020 e-ISSN: 2685-5615
“Inovasi Disruptif Teknologi Informasi di Era Normal Baru” p-ISSN: 2715-5315

[6] R. Munir, Pengolahan citra digital dengan pendekatan algoritmik. Bandung:

Informatika, 2004.
[7] P. Nurtantio Andono, T. Sutojo, and Muljono, Pengolahan Citra Digital. Yogyakarta:
Penerbit ANDI, 2017.
[8] D. Gupta and S. Choubey, “Discrete Wavelet Transform for Image Processing,” IEEE
Trans comm., vol. 4, no. 3, pp. 3165–3168, 2015.
[9] P. Nurtantio Andono, T. Sutojo, and Muljono, Pengolahan Citra Digital. Yogyakarta:
Penerbit ANDI, 2017
[10] A. S. Nugroho, D. Handoko, and A. B. Witarto, “Analisa Informasi Dimensi Tinggi
Pada Bioinformatika Memakai Support Vector Machine,” Proc Natl. Confererence Inf.
Commun. Technol. Indones., pp. 427–435, 2005.
[11] K. Sembiring, “Penerapan Teknik Support Vector Machine untuk Pendeteksian Intrusi
pada Jaringan,” Institut Teknologi Bandung, 2007.

========================================================================================
10 | PROGRAM STUDI TEKNIK INFORMATIKA - UNIVERSITAS PGRI MADIUN