PROPOSAL SKRIPSI

KLASIFIKASI DAUN TEMBAKAU

MENGGUNAKAN METODE GREY LEVEL
RUN LENGTH MATRIX DAN COLOR
MOMENT

Disusun Oleh :
AGUS PURNAMA
150411100015

Pembimbing 1 : Prof. Dr. Arif Muntasa, S.Si, M.T 19691118 200112 1 004
Pembimbing 2 : Fitri Damayanti, S.Kom., M.Kom 19750827 200312 2 001

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS TRUNOJOYO MADURA
2019
 DAFTAR ISI
DAFTAR ISI....................................................................................................................... i
DAFTAR GAMBAR ......................................................................................................... ii
DAFTAR TABEL ............................................................................................................ iii
ABSTRAK .........................................................................................................................iv
BAB I PENDAHULUAN .................................................................................................. 1
1.1 Latar Belakang .................................................................................................. 1
1.2 Perumusan Masalah ......................................................................................... 2
1.2.1 Permasalahan ............................................................................................ 2
1.2.2 Usulan Solusi : Metode ............................................................................. 2
1.2.3 Pertanyaan Penelitian ............................................................................... 2
1.3 Tujuan dan Manfaat ......................................................................................... 3
1.3.1 Tujuan Penelitian ...................................................................................... 3
1.3.2 Manfaat ...................................................................................................... 3
1.4 Batasan-Batasan ................................................................................................ 4
1.5 Sistematika Proposal ........................................................................................ 4
BAB II KAJIAN PUSTAKA ............................................................................................ 5
2.1 Daun Tembakau ................................................................................................ 5
2.2 Ekstraksi Fitur .................................................................................................. 5
2.2.1 Color Moment ........................................................................................... 5
2.2.2 Grey Level Run Length Matrix (GLRLM) ............................................ 6
2.3 Klasifikasi Citra ................................................................................................ 8
2.4 Penelitian Terkait............................................................................................ 11
BAB III METODE USULAN......................................................................................... 15
3.1 Algoritma ......................................................................................................... 15
3.1.1. Rancangan Sistem Secara Umum .......................................................... 15
3.1.2. Rancangan Sistem Untuk Metode CM .................................................. 16
3.1.3. Rancangan Sistem Untuk Metode GLRLM ......................................... 17
3.2 Dataset.............................................................................................................. 17
3.3 Arsitektur Sistem ............................................................................................ 19
3.4 Pengujian ......................................................................................................... 20
3.5 Perkiraan Jadwal ............................................................................................ 22
REFERENSI.................................................................................................................... 23

i
 DAFTAR GAMBAR

Gambar 2. 1 Klasifikasi KNN ............................................................................... 11

Gambar 3. 1 Rancangan Sistem Secara Umum .................................................... 16

Gambar 3. 2 Rancangan CM Ekstraksi Fitur ........................................................ 16
Gambar 3. 3 Rancangan GLRLM Ekstraksi Fitur ................................................ 17
Gambar 3. 4 (a) normal, (b) berlubang, (c) keriting.............................................. 18
Gambar 3. 5 Arsitektur Sistem .............................................................................. 19
Gambar 3. 6 Pembagian Data dengan K-Fold Cross Validation .......................... 20

ii
 DAFTAR TABEL

Tabel 1. 1 RP - RQ - RO ......................................................................................... 3
Tabel 2. 1 Penelitian Terkait ................................................................................. 13
Tabel 3. 1 Jumlah Data Tembakau ........................................................................ 18
Tabel 3. 2 Confusion Matrix ................................................................................. 21
Tabel 3. 3 Perkiraan Jadwal .................................................................................. 22

iii
“KLASIFIKASI DAUN TEMBAKAU MENGGUNAKAN METODE GREY
LEVEL RUN LENGTH MATRIX DAN COLOR MOMENT”

Agus Purnama

(15.04.1.1.1.00015)

Pembimbing I : Prof. Dr. Arif Muntasa, S.Si, M.T

Pembimbing II : Fitri Damayanti, S.Kom., M.Kom

ABSTRAK

Tembakau merupakan salah satu hasil produk pertanian yang diproses dari
bagian daun tanaman tembakau. Masyarakat secara umum hanya mengetahui
bahwa tembakau merupakan bahan baku utama rokok, akan tetapi pada
kenyataannya ada manfaat lain dari daun tembakau, mulai dari melepaskan gigitan
lintah hingga sebagai obat HIV/AIDS dan sebagai biofuel. Pada umumnya ada dua
faktor yang mempengaruhi kualitas tanaman pada daun tembakau yaitu hama dan
penyakit. Untuk meminimalisir penurunan kualitas tanaman pada daun tembakau,
dibutuhkan suatu metode yang mampu mendeteksi penyakit daun tembakau sebagai
bentuk dari pengembangan teknologi digital (pengolahan citra). Metode yang
digunakan pada penelitian ini yaitu Color Moment (CM), dimana metode ini
digunakan untuk ekstraksi fitur warna. Sedangkan untuk ekstraksi fitur tekstur,
metode yang digunakan adalah metode Grey Level Run Length Matrix (GLRLM).
Klasifikasi dilakukan berdasarkan fitur yang telah diekstraksi sebelumnya.
Penelitian ini menggunakan algoritma klasifikasi K-Nearest Neighbors (KNN).
Hasil penelitian diharapkan dapat memberikan akurasi yang tinggi untuk
mengklasifikasi daun tembakau.

Kata Kunci : klasifikasi, tembakau, ekstraksi fitur, grey level run length matrix,
color moment

iv
 BAB I PENDAHULUAN

1.1 Latar Belakang

Tembakau merupakan salah satu hasil produk pertanian yang diproses dari
bagian daun tanaman tembakau. Masyarakat secara umum hanya mengetahui
bahwa tembakau merupakan bahan baku utama rokok, akan tetapi pada
kenyataannya ada manfaat lain dari daun tembakau, mulai dari melepaskan
gigitan lintah hingga sebagai obat HIV/AIDS dan sebagai biofuel [1].
Pada umumnya ada dua faktor yang mempengaruhi kualitas tanaman pada
daun tembakau yaitu hama dan penyakit. Hama dan penyakit merupakan
masalah utama bagi para petani tembakau, hingga saat ini hama dan penyakit
yang menyerang tanaman tembakau sangat bervariasi. Dari berbagai macam
penyakit yang menyerang tembakau, di antara yang paling sering dan paling
berbahaya adalah penyakit yang menyerang bagian daun tembakau.
Oleh karena itu sangat dibutuhkan seorang konsultan pertanian yang mampu
mendiagnosa hama dan penyakit pada tanaman tembakau. Akan tetapi waktu
dan biaya menjadi alasan yang memberatkan petani untuk melakukan
kosultasi.[2]. Penyakit pada tanaman (termasuk pada daun tembakau) bisa
dengan mudah dideteksi oleh pakar ahli dengan mata telanjang, akan tetapi hal
ini menjadi sangat sulit dan membutuhkan biaya operasional yang mahal ketika
ukuran lahan tanam sangat luas serta jauhnya jarak lahan tanam dari lokasi
pakar. Sehingga penerapan teknik Digital Image Processing dalam konteks
klasifikasi penyakit daun tembakau menjadi penting.
Langkah yang akan digunakan dalam penelitian ini adalah pengambilan
citra (image acquicition), perbaikan citra (preprocessing), ekstraksi ciri (feature
extraction) dan pengidentifikasian (identification) objek [3]. Metode yang
digunakan pada penelitian ini yaitu Color Moment (CM), dimana metode ini
digunakan untuk ekstraksi fitur warna. Sedangkan untuk ekstraksi fitur tekstur,
metode yang digunakan adalah metode Grey Level Run Length Matrix
(GLRLM).
Setelah melakukan ekstraksi fitur warna dan fitur tekstur kemudia dilakukan
proses klasifikasi. Proses klasifikasi menggunakan algoritma klasifikasi K-

1
Nearest Neighbors (KNN) dimana data tersebut dibagi menjadi data training
dan data testing serta akan dilakukan pengukuran tingkat akurasi menggunakan
persamaan Euclidean Distance
Berdasarkan paparan masalah mengenai kebutuhan klasifikasi penyakit
pada daun tembakau, penerapan metode GLRLM untuk ekstraksi fitur yang
dipadukan dengan metode CM untuk ekstraksi warna diharapkan bisa
mendapatkan hasil ekstraksi fitur yang menjadikan citra dari satu penyakit
dengan citra dari penyakit yang lain bisa terbedakan dengan baik secara
komputasional. Sehingga penyakit yang terdapat pada daun tembakau bisa
diklasifikasi secara akurat.
1.2 Perumusan Masalah
1.2.1 Permasalahan
Penyakit pada tanaman (termasuk pada daun tembakau) bisa dengan mudah
dideteksi oleh pakar ahli dengan mata telanjang, akan tetapi hal ini menjadi
sangat sulit dan membutuhkan biaya operasional yang mahal ketika ukuran
lahan tanam sangat luas serta jauhnya jarak lahan tanam dari lokasi pakar.
Untuk mengklasifikasi tanaman pada daun tembakau, digunakan metode-
metode yang dapat mengekstraksi beberapa fitur dari suatu citra sehingga
menghasilkan nilai akurasi untuk mengklasifikasi tanaman daun tembakau.
1.2.2 Usulan Solusi : Metode
Metode yang akan digunakan adalah metode Grey Level Run Length Matrix
dan Color Moment.
1.2.3 Pertanyaan Penelitian
Adapun pertanyaan yang di dapat dari rumusan masalah diatas yaitu :
1. Seberapa akurat penggunaan ekstraksi fitur warna dengan metode CM
untuk mengklasifikasi citra penyakit tanaman pada daun tembakau?
2. Seberapa akurat penggunaan ekstraksi fitur tekstur dengan metode
GLRLM untuk mengklasifikasi citra penyakit tanaman pada daun
tembakau?
3. Bagaimana perbandingan tingkat akurasi metode CM dan GLRLM serta
gabungan antara keduanya?

2
1.3 Tujuan dan Manfaat
1.3.1 Tujuan Penelitian
Berikut merupakan tujuan dari penelitian ini, yaitu :
1. Mengklasifikasikan daun tembakau antara daun tembakau normal dan daun
tembakau berpenyakit
2. Mengukur tingkat akurasi citra penyakit pada daun tembakau dengan
ekstraksi fitur warna menggunakan metode CM.
3. Mengukur tingkat akurasi citra penyakit pada daun tembakau dengan
ekstraksi fitur tekstur menggunakan metode GLRLM.
4. Mengukur tingkat akurasi penggunaan kedua ekstraksi fitur yaitu warna dan
tekstur dalam klasifikasi citra pada daun tembakau dengan menggunakan
metode CM dan GLRLM.
Berikut tabel tujuan dari penelitian ini yaitu bisa dilihat pada Tabel 1.1 :

Tabel 1. 1 RP - RQ - RO

Research Problem Research Question Research Objective

Dalam metode Seberapa akurat Penerapan metode
pemrosesan citra metode GLRLM dan GLRLM dan CM
digital terdapat CM dalam ekstraksi dalam ekstraksi fitur
beberapa fitur yang fitur untuk untuk klasifikasi
bisa diekstraksi yaitu mengklasifikasi citra penyakit pada daun
fitur tekstur, warna daun tembakau? tembakau
dan bentuk atau shape.

1.3.2 Manfaat
Adapun manfaat dilakukannya penelitian ini adalah diharapkan dapat
menjadi rujukan untuk membangun atau mengembangkan aplikasi klasifikasi

3
daun tembakau, sehingga dapat diterapkan untuk mendeteksi penyakit pada
berbagai studi kasus yang lebih luas atau tanaman lainnya.
1.4 Batasan-Batasan
Adapun batasan-batasan harus diterapkan agar tidak keluar dari tujuan
utama dilaksanakannya penelitian ini adalah :
 Data citra yang digunakan adalalah citra daun tembakau dimana gambar
tersebut diambil langsung pada tempatnya yang berada di Kabupaten
Sumenep dan Kabupaten Pamekasan.
 Data citra yang digunakan berjumlah sebanyak 300 citra daun tembakau
yang sudah dilabeli.
 Label yang akan diklasifikasi ada 3 yaitu daun tembakau normal (100
citra), daun tembakau berlub.ang (100 citra), dan daun tembakau keriting
(100 citra)
1.5 Sistematika Proposal
Adapun sistematika proposal yang digunakan terdiri dari beberapa bagian,
yaitu :
BAB I PENDAHULUAN
Bagian pendahuluan berisi latar belakang, rumusan masalah, tujuan dan
manfaat, batasan masalah dan sistematika proposal.
BAB II KAJIAN PUSTAKA
Bagian ini membahas mengenai beberapa teori penunjang yang
berhubungan dengan pokok pembahasan dalam skripsi yang secara umum
berisi rangkuman penelitian-penelitian sebelumnya.
BAB III METODE USULAN
Secara garis besar bab ini membahas mengenai gagasan yang diusulkan
yaitu mencakup algoritma, arsitektur sistem, dataset dan tahapan penelitian.

4
 BAB II KAJIAN PUSTAKA
2.1 Daun Tembakau
Tembakau adalah produk pertanian semusim yang bukan termasuk
komoditas pangan, melainkan komoditas perkebunan. Produk ini dikonsumsi
bukan untuk makanan tetapi sebagai pengisi waktu luang atau "hiburan", yaitu
sebagai bahan baku rokok dan cerutu. Tembakau juga dapat dikunyah.
Kandungan metabolit sekunder yang kaya juga membuatnya bermanfaat
sebagai pestisida dan bahan baku obat [4]
Permasalahan yang sangat dirasakan pada beberapa tahun ini adalah
rendahnya produktivitas, meskipun berbagai upaya telah dilakukan, volume
produksi pasar belum terpenuhi. Penyebab belum terpenuhinya kebutuhan
pasar tersebut cukup kompleks, antara lain akibat serangan hama dan penyakit,
disamping faktor fisik lingkungan seperti iklim, terutama curah hujan dan
faktor tanah.
2.2 Ekstraksi Fitur
Ekstraksi fitur pada citra merupakan tahap yang sangat penting dalam
pemroresan citra digital. Karena pada ekstraksi fitur diharapkan bisa
menghasilknan fitur yang sempurna yang bisa mencerminkan konten intrisik
pada citra [5].
Ekstraksi fitur adalah suatu pengambilan ciri dari suatu bentuk yang
membedakan antara satu dengan yang lain. Ekstraksi fitur bertujuan untuk
menggambarkan karakteristik dari objek tersebut yang nantinya nilai yang
didapatkan akan dianalisis untuk proses selanjutnya.
Ada beberapa fitur yang bisa diekstrak dari suatu citra, di antaranya adalah
warna, tekstur, bentuk dan special semantic content. Akan tetapi fitur-fitur
yang paling banyak digunakan adalah warna, tekstur dan bentuk. Bahkan tiga
fitur tersebut sering disebut sebagai low level features [5].
2.2.1 Color Moment
Color Moments adalah suatu metode yang digunakan untuk
membedakan citra berdasarkan fitur warnanya. Dasar dari Metode Color
Moments adalah asumsi bahwa distribusi warna pada sebuah citra dapat

5
dinyatakan sebagai distribusi probabilitas, oleh sebab itu, akurasi yang
dihasilkan adalah konstan walaupun ukuran citra berubah [6].
Sekali dihitung, color moment ini memberikan pengukuran untuk
warna kesamaan antara gambar. Nilai-nilai ini dari kesamaan kemudian dapat
dibandingkan dengan nilai-nilai gambar diindeks dalam database untuk tugas-
tugas seperti pengambilan gambar. Oleh karena itu gambar ditandai dengan 9
moments (3 moments untuk setiap saluran warna) [7]. 3 Moments warna
kemudian dapat didefinisikan sebagai berikut :
a. Mean, dapat dikatakan sebagai nilai warna rata-rata pada citra dengan
rumus pada Persamaan 1 sebagai berikut :
1
Ei = ∑𝑁
𝑗=1 𝑁 𝑃𝑖𝑗 ………………………………………………….. (1)

Dengan :
Ei = Nilai mean pada color channel ke-i
Pij = Piksel ke-j pada color channel ke-i
N = Jumlah piksel
b. Standart Deviation adalah akar kuadrat dari varian distribusi atau jangkauan
terbesar terbesarnya dari data mean dengan rumus pada Persamaan 2
sebagai berikut :
1
𝜎𝑖 = √𝑁 ∑𝑁
𝑗=1(𝑃𝑖𝑗 − 𝐸𝑖 ) ………………………………………………... (2)
2

Dengan :
𝜎𝑖 adalah nilai standard deviation pada color channel ke-i
c. Sweakness, dapat dikatakan sebagai ukuran tingkat asimetri data disekitar
mean dengan rumus pada Persamaan 3 sebagai berikut :
3 1
Si = √(𝑁 (∑𝑁
𝑗=1(𝑃𝑖𝑗 − 𝐸𝑖 )) ) ……………………………………………. (3)
2

Dengan :
Si adalah nilai sweakness pada color channel ke-i [8].
2.2.2 Grey Level Run Length Matrix (GLRLM)
Grey level run length matrix (GLRLM) merupakan salah satu metode
yang populer untuk mengekstrak tekstur sehingga diperoleh ciri statistik atau
atribut yang terdapat dalam tekstur dengan mengestimasi piksel-piksel yang

6
memiliki derajat keabuan yang sama [9]. Ekstraksi tekstur dengan metode
GLRLM dilakukan dengan membuat rangkaian pasangan nilai (i,j) pada setiap
baris piksel. Perlu kita ketahui maksud dari run length itu sendiri adalah jumlah
piksel berurutan dalam arah tertentu yang memiliki derajat keabuan/nilai
intensitas yang sama. Jika diketahui sebuah matrik run length dengan elemen
matrik q ( i, j | 𝜃) dimana i adalah derajat keabuan pada masing-masing piksel,
j adalah nilai run length, dan 𝜃 adalah orientasi arah pergeseran tertentu yang
dinyatakan dalam derajat [9][10].
Metode GLRM memiliki lebih banyak fitur yang bisa diekstrak
diantaranya yaitu: Short Runs Emphasis (SRE), Long Runs Emphasis (LRE),
Grey Level Non-uniformity (GLN), Run Length Non-uniformity (RLN), Run
Percentage (RP), Low Grey Level Run Emphasis (LGRE), High Grey Level
Run Emphasis (HGRE), Short Run Low Grey-Level Emphasis (SRLGE), Short
Run High Grey-Level Emphasis (SRHGE), Long Run Low Grey-Level
Emphasis (LRLGE) dan Long Run High Grey-Level Emphasis (LRHGE) [11].
Ada beberapa variabel yang digunakan untuk mendapatkan nilai fitur dari
metode GLRLM :
i = Tingkat abu-abu
j = Piksel berturut-turut (run)
M = Jumlah derajat abu-abu dalam suatu gambar
N = Jumlah piksel berurutan dalam suatu gambar
r (j) = Jumlah piksel berurutan berdasarkan pada banyak urutan (run length)
g (i) = Jumlah piksel berurutan berdasarkan nilai derajat abu-abu mereka
s = Jumlah total nilai run yang dihasilkan dalam arah tertentu
n = Jumlah baris * jumlah kolom [9][10].
Dari variabel di atas digunakan untuk menemukan nilai fitur sebagai berikut
[9] :
a. Short Run Emphasis (SRE)
SRE mengukur distribusi short run. SRE sangat bergantung pada
banyaknya short run dan diharapkan bernilai kecil pada tekstur halus dan
bernilai besar pada terkstur kasar. Rumus tersebut dapat dilihat pada
Persamaan 4 sebagai berikut :

7
 𝑝(𝑖,𝑗)/𝑠 𝑟(𝑗)/𝑠
SRE = ∑𝑀 𝑁
𝑖=1 ∑𝑗=1 = ∑𝑁
𝑗=1 ………………………….. (4)
𝑗2 𝑗2

b. Long Run Emphasis (LRE)

LRE mengukur distribusi long run. LRE sangat bergantung pada
banyaknya long run dan diharapkan bernilai besar pada tekstur halus dan
bernilai kecil pada tekstur kasar. Rumus tersebut dapat dilihat pada
Persamaan 5 sebagai berikut :
LRE = ∑𝑀 𝑁 2 𝑁 2
𝑖=1 ∑𝑗=1 𝑗 𝑝(𝑖, 𝑗)/𝑠 = ∑𝑗=1 𝑟(𝑗). 𝑗 /𝑠……...…………….... (5)

c. Grey-Level Nunoniformity (GLN)

GLN mengukur persamaan nilai derajat keabuan diseluruh citra dan
diharapkan bernilai kecil jika nilai derajat keabuan serupa di seluruh citra.
Rumus tersebut dapat dilihat pada Persamaan 6 sebagai berikut :
GLN = ∑𝑀 𝑁 2 𝑁 2
𝑖=1( ∑𝑗=1 𝑝(𝑖, 𝑗)) /𝑠 = ∑𝑖=1 𝑔(𝑖) …………………….…. (6)

d. Run Length Nunoniformity (RLN)

RLN mengukur persamaan panjangnya run diseluruh citra dan diharapkan
bernilai kecil jika panjangnya run serupa di seluruh citra. Rumus tersebut
dapat dilihat pada Persamaan 7 sebagai berikut :
RLN = ∑𝑁 𝑀 2 𝑁 2
𝑗=1( ∑𝐽=1 𝑝(𝑖, 𝑗)) /𝑠 = ∑𝐽=1 𝑟(𝑗) /𝑠 ……………………... (7)

e. Run Percentage (RP)

RP mengukur keserbasamaan dan distribusi run dari sebuah citra pada arah
tertentu. RP bernilai paling besar jika panjangnya run adalah 1 untuk
semua derajat keabuan pada arah tertentu. Rumus tersebut dapat dilihat
pada Persamaan 8 sebagai berikut :
RP = ∑𝑀 𝑁 𝑁
𝑖=1 ∑𝐽=1 𝑝(𝑖, 𝑗)/𝑛 = ∑𝐽=1 𝑟(𝑗)/𝑛 ……………………………. (8)

2.3 Klasifikasi Citra

Klasifikasi citra adalah proses pelabelan kepada suatu citra terhadap
kategori-kategori yang telah ditentukan. Pada teknik klasifikasi, data yang akan
diuji akan dibagi menjadi dua bagian besar, yaitu data training dan data testing.
Data training adalah tempat di mana model prediksi data dibuat, sedangkan
data testing untuk melakukan pengukuran seberapa bagus model yang telah
dibuat.

8
 Klasifikasi bertujuan untuk mengklasifikasikan objek menjadi kelas-kelas
tertentu berdasarkan nilai atribut yang terkait dengan objek yang diamati.
Setiap objek tertentu memiliki fitur tertentu, sehingga klasifikasi dapat
membedakan objek dari objek lain. Ada pun untuk metode pada klasfikasi citra
maka sama saja seperti metode-metode klasifikasi pada data mining umunya
semisal Artificial Neural Network (ANN), K-Nearest Neghbour (KNN),
Support Vector Machine (SVM) dan sebagainya.
Dalam penelitian ini, untuk melakukan klasifikasi menggunakan algoritma
Nearest Neighbor (kadang disebut juga K-Nearest Neighbor / KNN) adalah
metode untuk mengklasifikasikan objek berdasarkan data pembelajaran yang
paling dekat dengan objek. KNN adalah metode yang menggunakan algoritma
terawasi di mana hasil comtoh baru diklasifikasikan oleh mayoritas. KNN akan
mengkonsolidasikan hasil perhitungan dengan data pelatihan memiliki jumlah
kerabat terbesar dalam rentang (k) yang ditentukan. Jarak antara data pelatihan
dan data uji dapat dihitung dengan berbagai metode, termasuk menggunakan
persamaan Euclidean [12]. Berikut merupakan rumus untuk menghitung Jarak
Euclidean pada Peramaan 9 :
𝐸(𝑖, 𝑗) = √∑𝑛𝑘=1(𝑖𝑘 − 𝑗𝑘 )2 …………………………………………. (9)
Dengan :
E (i, j) adalah Jarak Euclidean antara vektor i dan vektor j
k adalah keanggotaan nilai
n adalah jumlah fitur dalam vektor i dan j
Berikut merupakan alur umum klasifikasi citra menggunakan algoritma
Nearest Neighbor dapat dilihat pada Gambar 2.1 yaitu [13]:

9
10
 Gambar 2. 1 Klasifikasi KNN

2.4 Penelitian Terkait

Miftahus Solihin dkk pada tahun 2017 telah melakukan penelitian
klasifikasi batik lamongan menggunakan metode Color Moment (CM) untuk
ekstarsi warna, Grey Level Co-Occurance Matrix (GLCM) untuk ekstraksi
tekstur, dan Moment untuk ekstraksi bentuk. Terdapat 3 kelas batik yang
diklasifikasi yaitu slempang, pethetan, dan putihan. Citra batik sebelumnya
dilakukan preprocessing kemudian diekstraksi dan diklasifikasi menggunakan
metode K-Nearest Neighbor (KNN). Hasil dari peniltian ini mendapatkan nilai
akurasi tertinggi sebesar 90.4 %.
Fan Zhang dan Xinhong Zhang pada tahun 2011 melakukan penelitian
tentang klasifikasi dan evaluasi kualitas daun tembakau menggunakan metode
Fuzzy Comprehensive Evaluation. Hasil dari penelitian ini mendapatkan nilai

11
akurasi sebesar 92% untuk daun tembakau yang terlatih, sedangkan untuk daun
tembakau yang belum terlatih nilai akurasinya sebesar 72%. Penelitian ini juga
menjelaskan kinerja ini tidak secara praktis mengeksplor, hasil eksperimen
menunjukkan bahwa Fuzzy Comprehensive Evaluation yang membingungkan
dapat dilakukan untuk klasifikasi otomatis atau penilaian kualitas daun
tembakau.
Aswini Kumar Mohanty dkk melakukan penelitian klasifikasi citra tentang
kanker payudara jinak dan ganas menggunakan metode Grey Level Co-
Occurence Matrix (GLCM) dan Grey Level Run Length Matrix (GLRLM).
Data yang digunakan adalah citra yang massanya ganas berjumlah 23
sedangkan yang massanya jinak berjumlah 65. Hasil dari penelitian ini
menyatakan bahwa akurasi GLCM lebih tinggi dari pada GLRLM. Namun
metode GLCM lebih rendah apabila metode GLCM dan GLRM
dikombinasikan yaitu menghasilkan nilai akaurasi sebesar 94.9 %.
Diny Hafizha Amelia dkk pada tahun 2018 dalam penelitiannya
melakukan identifikasi biometric pola enamel gigi menggunakan metode
GLRLM. Pada penelitian ini dirancang sistem perangkat lunak yang terdiri atas
dua tahapan, yaitu tahap pelatihan dan pengujian. Pada tahap pelatihan serta
pengujian, data citra dimasukan ke dalam perangkat dan kemudian digunakan
metode GLRLM untuk segmentasinya yang kemudian hasil segmentasi
tersebut digunakan untuk keperluan ektraksi ciri dan proses klasifikasi dengan
KNearest Neighbor menghasilkan nilai akurasi terbaik yaitu sebesar 84 %
adalah dengan waktu komputasi 0,7707 detik dan 0,7290 detik
Gusti Ayu Triwayuni dkk pada tahun 2018 dalam penelitiannya
melakukan identifikasi terhadap penyakit kulit menggunakan metode
Lacunarity dan Color Moment. Dalam penelitian ini terdapat 10 kelas jenis
penyakit kulit dimana pengambilan gambar menggunakan 100 data training
dan 4 penyakit kulit data uji. Hasil dari penelitian ini sangat baik jika
menggunakan metode Color Moment dimana akurasi mencapai 100% dan
penurunan kinerja aplikasi menggunakan metode Lacunarity dengan
persentase akurasi tertinggi 25%. Namun apabila kedua metode tersebut
digabungkan nilai akurasi yang didapat mencapai 60%. Kombinasi

12
 perhitungan ekstraksi metode Color Moments dan Lacunarity memiliki akurasi
aplikasi yang lebih baik dibandingkan dengan ekstraksi fitur tekstur saja.
Sabiq Adzhani Hammam dkk pada tahun 2017 telah melakukan penelitian
yaitu tentang segmentasi tekstur kapas berdasarkan Analisa tekstur
menggunakan metode GLRLM dan Eucladian Distance. Dalam penelitian ini
data yang diguanakan berupa citra kain katun berukuran 200x200 pixels
dengan format png. Berdasarkan hasil pengujian yang telah dilakukan maka
didapat kesimpulan bahwa metode segmentasi citra tekstur berdasarkan
analisis tekstur menggunakan Gray Level Run Length dapat membuat
pengenalan pola yang terdapat nilai fitur yang digunakan untuk melakukan
klasifikasi dengan metode Euclidean distance. Dari hasil semua tes, metode
jarak Euclidean menghasilkan tingkat akurasi 100% dengan 2 gambar
pengujian dan 4 gambar pelatihan.
Zhi-Chun Huang dkk pada tahun 2010 dalam penelitiannya mengusulkan
metode pengambilan gambar berbasis konten berdasarkan fitur warna dan
tekstur yaitu menggunakan metode CM dan GABOR. Penelitian tersebut Basis
data menampung 1.000 gambar berwarna dari 10 kelas. Setiap kelas memiliki
100 gambar, yang terdiri dari Afrika, laut, bangunan, bus, dinosaurus, gajah,
bunga, kuda, gunung, dan makanan. Dari hasil penelitian tersebut total rata-
rata yang didapat menggunakan metode tersebut akurasinya mencapai 63.6 %.

Tabel 2. 1 Penelitian Terkait

Peneliti, Tahun Permasalahan Metode Hasil

Miftahus Solihin Klasifikasi batik GLCM dan Mendapatkan nilai akurasi
dkk, 2017 [14] lamongan CM tertinggi sebesar 90.4 %
Fan Zhang dan Klasifikasi dan Fuzzy Mendapatkan nilai akurasi
Xinhong Zhang, evaluasi kualitas Comprehensive sebesar 92% yang terlatih,
2011 [15] daun tembakau Evaluation sedangkan untuk daun tembakau
yang belum terlatih nilai
akurasinya sebesar 72%

13
Aswini Kumar Klasifikasi citra GLCM dan Nilai akurasi GLCM lebih
Mohanty dkk [16] kanker payudara GLRLM tinggi dari pada GLRLM.
jinak dan ganas Namun metode GLCM lebih
rendah apabila metode GLCM
dan GLRM dikombinasikan
yaitu menghasilkan nilai
akaurasi sebesar 94.9 %.
Diny Hafizha Identifikasi GLRLM Menghasilkan nilai akurasi
Amelia dkk, 2018 biometric pola terbaik yaitu sebesar 84 % adalah
[17] enamel gigi dengan waktu komputasi 0,7707
detik dan 0,7290 detik
Gusti Ayu Identifikasi Lacunarity dan Metode CM mencapai akurasi
Triwayuni dkk, terhadap CM 100% sedangkan Lacunarity
2018 [6] penyakit kulit dengan persentase akurasi
tertinggi 25%. Namun apabila
kedua metode tersebut
digabungkan nilai akurasi yang
didapat mencapai 60%.
Sabiq Adzhani Segmentasi GLRLM dan Menghasilkan tingkat akurasi
Hammam dkk, Tekstur Kapas Eucladian 100% dengan 2 gambar
2017 [10] Distance pengujian dan 4 gambar
pelatihan.
Zhi-Chun Huang Pengambilan CM dan Total rata-rata yang didapat
dkk, 2010 [18] Gambar GABOR akurasinya mencapai 63.6 %.
Berbasis Konten
Berdasarkan
Fitur Warna dan
Tekstur

14
 BAB III METODE USULAN

3.1 Algoritma
3.1.1. Rancangan Sistem Secara Umum
Pada Gambar 3.1 menunjukkan rancangan sistem secara umum dimana
penelitian ini metode yang diusulkan yaitu menggabungkan ekstraksi fitur
tekstur GLRLM dan ekstraksi fitur warna CM yang akan mengklasifikasikan
menggunakan algoritma K-NN. Penelitian ini menggunakan masukan atau
inputan berupa citra daun tembakau yang telah dilabeli sebelumnya.
Pada kedua jenis data citra yang masuk, semuanya akan melalui tahap
preprocessing, yaitu proses pada kasus ini data citra yang akan dilakukan
proses ekstraksi fitur akan dijadikan citra hitam putih terlebih dahulu atau biasa
disebut greyscale, dan juga dilakukan konversi gambar menjadi Hue Saturation
Value. Setelah itu proses yang paling penting dari penelitian ini akan
diterapkan pada citra masukan yaitu ekstraksi fitur tekstur menggunakan
metode GLRLM dan eskstraksi warna menggunakan metode CM. Setelah
mendapatkan semua hasil ekstraksi, itu akan digunakan untuk proses
klasifikasi menggunakan K-NN dengan menghitung jarak Euclidean antara
data training dan data testing. Hasil Klasifikasi KNN akan menguji akurasi
menggunakan Confusion Matrix. Untuk kemudian hasil klasifikasi tersebut
akan dihitung tingkat akurasinya berdasarkan data yang telah dilabeli
sebelumnya.

15
 Gambar 3. 1 Rancangan Sistem Secara Umum

3.1.2. Rancangan Sistem Untuk Metode CM

Berikut merupakan alur sistem untuk metode CM dapat dilihat pada Gambar
3.2 sebagai berikut :

Gambar 3. 2 Rancangan CM Ekstraksi Fitur

16
 Keterangan:
1. Input citra terlebih dahulu diubah menjadi HSV.
2. Citra yang sudah dirubah menjadi HSV kemudian dibagi menjadi 3
komponen (yaitu H, S, V)
3. Komponen tersebut kemudian dijadikan sebagai parameter untuk proses
ekstraksi fitur lebih lanjut.
3.1.3. Rancangan Sistem Untuk Metode GLRLM
Berikut merupakan alur sistem untuk metode GLRLM dapat dilihat pada
Gambar 3.3 sebagai berikut :

Gambar 3. 3 Rancangan GLRLM Ekstraksi Fitur

Keterangan:
1. Input citra terlebih dahulu diubah menjadi grey scale.
2. Citra yang sudah menjadi greyscale kemudian akan dihitung
panjang tiap grey level sesuai dengan arah 0 derajat.
3. Hasil perhitungan panjang tiap grey level lalu dibangun dalam
bentuk matriks GLRLM.
4. Matriks GLRLM yang telah terbangun kemudian dijadikan sebagai
parameter untuk proses ekstraksi fitur lebih lanjut.
3.2 Dataset
Dataset yang akan digunakan adalah citra daun tembakau yang diambil
langsung oleh peneliti . Dataset yang digunakan dalam penelitian ini berjumlah
300 data dimana dataset tersebut akan diklasifikasikan menjadi 3 kelas yaitu
daun tembakau normal, daun tembakau berlubang, dan daun tembakau keriting
dapat dilihat pada Gambar 3.4 sebagai berikut :

17
 Gambar 3. 4 (a) normal, (b) berlubang, (c) keriting

Dari 300 data tersebut terdiri dari 100 data daun tembakau normal, 100
data daun tembakau berlubang, dan 100 data daun tembakau keriting, dimana
data tersebut diambil dari kabupaten Sumenep dan kabupaten Pamekasan.
Berikut pembagian dan jumlah data dari masing-masing kabupaten dapat
dilihat pada Tabel 3.1 :

Tabel 3. 1 Jumlah Data Tembakau

Data Tembakau Normal Berlubang Keriting

Sumenep 50 50 50
Pamekasan 50 50 50
Jumlah 100 100 100

18
3.3 Arsitektur Sistem
Dalam arsitektur sistem ini dijelaskan tentang alur dalam proses identifikasi
penyakit pada daun tebakau. Secara umum tahapan proses dapat dilihat pada
Gambar 3.5 :

Gambar 3. 5 Arsitektur Sistem

19
 Pada penelitian ini, inputan berupa citra daun tembakau yang sudah dilabeli,
kemudian setelah dilakukan input kemudian citra tersebut dilakukan tahap
preprocessing yaitu citra dirubah menjadi greyscale atau HSV. Setelah itu
proses yang paling penting dari penelitian ini akan diterapkan pada citra
masukan yaitu ekstraksi fitur tekstur menggunakan metode GLRLM dan
juga ekstraksi fitur warna menggunakan metode CM. Proses klasifikasi
dengan KNearest Neighbor. kemudian dari hasil klasifikasi ini dibuat
sebuah keputusan akurasi mengenai klasifikasi penyakit pada daun
tembakau.
3.4 Pengujian
Adapun skenario pengujian yang akan dilakukan dalam penelitian ini yaitu
menggunakan metode K-Fold Cross Valodation. K-fold adalah salah satu
metode Cross Validation dengan melipat gandakan data sebanyak K dan
mengulangi (melakukan iterasi) eksperimennya sebanyak K. Dalam teknik K-
Fold Cross Validation dataset yang ada akan dibagi menjadi sebanyak k bagian.
Lalu akan diambil satu potongan data secara bergantian sebagai data testing,
dan potongan data sisanya sebagai data training. Sehingga jumlah k bagian data
semuanya sama-sama pernah menjadi data testing dan juga pernah menjadi
data training. Dalam Gambar 3.6 berikut ilustrasi K-Fold Cross Validation
dengan k = 3.

Gambar 3. 6 Pembagian Data dengan K-Fold Cross Validation

Untuk menghitung akurasi menggunakan Confusion Matrix yaitu

membandingkan hasil klasifikasi yang dilakukan oleh sistem dengan hasil
klasifikasi seharusnya. Pada pengukuran akurasi menggunakan Confusion
Matrix terdapat 4 (empat) istilah sebagai reprentasi proses klasifikasi.
Keempat istilah tersebut adalah True Positive (TP), True Negative (TN), False

20
Positive (FP) dan False Negative (FN). Nilai True Negative (TN) merupakan
jumlah data negatif yang terdeteksi dengan benar, sedangkan False Positive
(FP) merupakan data negatif namun terdeteksi sebagai data positif. Sementara
itu, True Positive (TP) merupakan data positif yang terdeteksi benar. False
Negative (FN) merupakan kebalikan dari True Positive, sehingga data posifit,
namun terdeteksi sebagai data negatif. Untuk lebih jelasnya dapat dilihat pada
Tabel 3.2 :

Tabel 3. 2 Confusion Matrix

Kelas Terklasifikasi Positif Terklasifikasi Negatif

Positif TP FN
Negatif FP TN

Berdasarkan nilai True Negative (TN), False Positive (FP), False Negative
(FN), dan True Positive (TP) dapat diperoleh nilai akurasi, presisi dan recall.
Nilai akurasi menggambarkan seberapa akurat sistem dapat
mengklasifikasikan data secara benar. Dengan kata lain, nilai akurasi
merupakan perbandingan antara data yang terklasifikasi benar dengan
keseluruhan data. Nilai akurasi dapat diperoleh dengan Persamaan 10. Nilai
presisi menggambarkan jumlah data kategori positif yang diklasifikasikan
secara benar dibagi dengan total data yang diklasifikasi positif. Presisi dapat
diperoleh dengan Persamaan 11. Sementara itu, recall menunjukkan berapa
persen data kategori positif yang terklasifikasikan dengan benar oleh sistem.
Nilai recall diperoleh dengan Persamaan 12.
𝑇𝑃+𝑇𝑁
Akurasi = 𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁 * 100 % ………………………………… (10)
𝑇𝑃
Presisi = 𝐹𝑃+𝑇𝑃 * 100 % ………………………………………… (11)
𝑇𝑃
Recall = 𝐹𝑁+𝑇𝑃 * 100 % ………………………………………… (12)

21
 3.5 Perkiraan Jadwal
Dalam melaksanakan penelitian, maka disusun jadwal perkiraan
pelaksanaannya antara lain :

Tabel 3. 3 Perkiraan Jadwal

Tahun 2019 2020

Kegiatan Bulan Okt Nov Des Jan
Minggu 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Perumusan Masalah
Pembuatan Proposal
Pengumpulan Data
Perancangan Sistem
Melakukan Penelitian
Berdasarkan Pertanyaan
Penelitian
Konsultasi
Pembuatan Laporan

22
 REFERENSI

[1] N. Z. Kurniawan, S. T. Rasmana, and Y. Triwidyastuti, “Identifikasi Jenis

Penyakit Daun Tembakau Menggunakan Metode Gray Level Co-Occurence
Matrix (GLCM) Dan Support Vectot Machine (SVM),” vol. 5, no. 1, pp.
158–163, 2016.
[2] M. Arifin, S. Slamin, and W. E. Y. Retnani, “Penerapan Metode Certainty
Factor Untuk Sistem Pakar Diagnosis Hama Dan Penyakit Pada Tanaman
Tembakau,” Berk. Sainstek, vol. 5, no. 1, p. 21, 2017.
[3] M. Widyaningsih, “Identifikasi Kematangan Buah Apel Dengan Gray Level
Co-Occurrence Matrix (GLCM),” J. SAINTEKOM, vol. 6, no. 1, p. 71, 2017.
[4] V. Pitrandjalisari and T. D. Putra, “Kapasitas Mesin Menentukan Daya
Mesin Poros Pasak,” vol. 22, no. 1, pp. 52–60, 2014.
[5] P. N. Munje, “Novel Techniques for Color and Texture Feature Extraction,”
vol. 3, no. 2, pp. 497–507, 2014.
[6] I. G. A. Triwayuni, I. K. Gede, D. Putra, I. P. Agus, and E. Pratama, “Content
Based Image Retrieval Using Lacunarity and Color Moments of Skin
Diseases,” vol. 9, no. 1, pp. 243–248, 2018.
[7] T. Weng, Y. Yuan, L. Shen, and Y. Zhao, “Clothing Image Retrieval Using
Color Moment,” pp. 1016–1020, 2013.
[8] G. F. Laxmi, F. Satrya, F. Kusumah, and L. Destriani, “Perbandingan metode
fuzzy color histogram dan color moment untuk identifikasi ikan air tawar,”
pp. 839–843, 2018.
[9] D. Alfiani, S. Puspitodjati, S. Widodo, and D. A. Septiana, “Klasifikasi
Tekstur Parket Kayu dengan Menggunakan Metode Statistikal Grey Level
Run Length Matrix,” vol. 1, no. 1, 2011.
[10] S. A. Hammam, T. W. Purboyo, and R. E. Saputra, “Cotton Texture
Segmentation Based On Image Texture Analysis Using Gray Level Run
Length And Euclidean Distance,” Int. J. Appl. Eng. Res., vol. 95, no. 1, pp.
6915–6923, 2017.
[11] X. Tang, “Texture information in run-length matrices,” no. December 1998,
2015.
[12] O. R. Indriani, E. J. Kusuma, C. A. Sari, D. R. Ignatius, and M. Setiadi,
“Tomatoes Classification Using K-NN Based on GLCM and HSV Color
Space.”
[13] E. Budianita and L. Handayani, “Implementasi Pengolahan Citra dan
Klasifikasi K- Nearest Neighbour Untuk Membangun Aplikasi Pembeda
Daging Sapi dan Babi,” vol. 12, no. 2, pp. 242–247, 2015.
[14] M. Sholihin, S. Mujilahwati, R. Wardhani, F. Teknik, and U. I. Lamongan,
“CLASSIFICATION OF BATIK LAMONGAN BASED ON FEATURES

23
 OF,” vol. 9, no. 1, pp. 25–32, 2017.
[15] F. Zhang and X. Zhang, “Classification and Quality Evaluation of Tobacco
Leaves Based on Image Processing and Fuzzy Comprehensive Evaluation,”
2011.
[16] A. K. Mohanty, S. Beberta, and S. K. Lenka, “Classifying Benign and
Malignant Mass using GLCM and GLRLM based Texture Features from
Mammogram,” vol. 1, no. 3, pp. 687–693.
[17] D. H. Amelia et al., “Identifikasi Biometrik Pola Enamel Gigi Menggunakan
Metode Grey Level Run Length Matrix (GLRLM) Dan Klasifikasi K-
Nearest Neighbor (KNN) Sebagai Aplikasi Forensik Kedokteran Gigi
Berbasis Matlab,” vol. 5, no. 1, pp. 443–448, 2018.
[18] Z. Huang, P. P. K. Chan, W. W. Y. Ng, and D. S. Yeung, “Content-Based
Image Retrival Using Color Moment And Gabor Texture Feature,” no. July,
pp. 11–14, 2010.

24