Identifikasi Biji-Bijian Berdasarkan Ekstraksi Fitur Warna, Bentuk dan Tekstur Menggunakan Random Forest

  • Luthfi Alwi ISTTS
  • Arya Tandy Hermawan
  • Yosi Kristian
Keywords: Identifikasi, Ekstraksi Fitur, RGB, HSV, Morphological Threshold., GLCM, LBP, RF, MATLAB

Abstract

Abstrak - Proses identifikasi atau pengenalan biji-bijian merupakan aspek penting dalam dunia industri pengolahan pangan. Sebuah industri pangan berskala besar, proses pencampuran beberapa macam biji-bijian dalam pengolahan sebuah produk pangan sangat memperhatikan ketepatan dalam memilih bahan agar tidak terjadi kesalahan dalam proses produksi karena berpengaruh pada hasil akhir dari sebuah produksi. Agar tidak terjadi kesalahan yang fatal, diperlukan sebuah proses identifikasi dari bahan yang digunakan. Dengan sebuah sensor (intelligent camera) yang digunakan dari hasil sebuah proses identifikasi maka sebuah proses produksi produk pangan dapat berjalan dengan baik dan tidak terjadi kesalahan dalam pencampuran bahan. Proses pengidentifikasian terhadap beberapa varian biji-bijian dapat dilakukan dengan cara mengekstraksi fitur dari citra (image) dengan menganalisa melalui parameter warna, bentuk dan tekstur serta melakukan proses pengklasifikasian untuk mengukur tingkat keakuratan.  Penelitian ini melakukan identifikasi terhadap varian biji-bijian (padi, jagung, kacang tanah dan kedelai) dengan melakukan ekstraksi fitur warna menggunakan RGB dan HSV, ekstraksi fitur bentuk menggunakan Morphological Threshold dan ekstraksi fitur tekstur menggunakan Grey Level Co-occurrence Matrix (GLCM) dan Local Binary Pattern (LBP). Untuk proses pengklasifikasian, peneliti menggunakan metode Random Forest Classifier (RF) untuk mendapatkan tingkat akurasi yang tinggi dengan batasan-batasan yang mempengaruhi keakuratan dalam proses pengklasifikasian untuk dikembangkan dalam proses selanjutnya. Peneliti menggunakan tools MATLAB R2015b untuk proses identifikasi mulai dari proses ekstraksi fitur sampai proses klasifikasnya. Berdasarkan hasil pengujian yang dilakukan didapatkan tingkat akurasi sebesar 99.8 %. Dapat disimpulkan bahwa pengambilan dataset berupa gambar atau image biji-bijian yang diteliti dapat dijadikan patokan untuk pengidentifikasian dan dapat dikembangkan dalam proses selanjutnya.

References

[1] S. Sinurat et al., “Analisa tekstur citra biji kemiri menggunakan metode filter gabor,” vol. 13, pp. 50–54, 2018.
[2] M. M. Sobel, R. Canny, P. Teguh, K. Putra, N. Kadek, and A. Wirdiani, “Pengolahan Citra Digital Deteksi Tepi Untuk Membandingkan Metode Sobel, Robert dan Canny,” J. Ilm. Merpati (Menara Penelit. Akad. Teknol. Informasi), vol. 2, no. 2, pp. 253–261, 2016.
[3] E. G. Dianta, “Deteksi Tepi Menggunakan Metode Canny Dengan Matlab Untuk Membedakan Uang Asli dan Uang Palsu,” J. Jur. Tek. Inform. Fak. Teknol. Ind. Univ. Gunadarma, vol. 1, no. 1, pp. 1–13, 2012.
[4] I. R. G. A. Sugiartha, M. Sudarma, and I. M. O. Widyantara, “Ekstraksi Fitur Warna , Tekstur dan Bentuk untuk Clustered-Based Retrieval of Images ( CLUE ),” Teknol. Elektro, vol. 16, no. 1, pp. 85–90, 2017.
[5] D. Li, Y. Liu, L. Gao, and T. Management, “Research of Maize Seeds Classification Recognition Based on the Image Processing,” vol. 9, no. 11, pp. 181–190, 2016.
[6] S. I. Syafi’i, R. T. Wahyuningrum, and A. Muntasa, Segmentasi Obyek Pada Citra Digital Menggunakan Metode Otsu Thresholding, vol. 13, no. 1. 2016.
[7] M. Otsu, “Optimum Global Thresholding Using Otsu ’ s Method,” vol. 1, pp. 1–6.
[8] K. Kiliç, I. H. Boyaci, H. Köksel, and I. Küsmenoglu, “A classification system for beans using computer vision system and artificial neural networks,” J. Food Eng., vol. 78, no. 3, pp. 897–904, 2007.
[9] K. Kiratiratanapruk and W. Sinthupinyo, “Color and texture for corn seed classification by machine vision,” 2011 Int. Symp. Intell. Signal Process. Commun. Syst. "The Decad. Intell. Green Signal Process. Commun. ISPACS 2011, pp. 7–11, 2011.
[10] R. Binary, “Morphological Image Processing,” pp. 1–7, 2017.
[11] B. Pathak, A. Bhuyan, and D. Barooah, “Gray-Level Co-occurrence Matrix Implementation based on Edge Detection Information for Surface Texture Analysis,” pp. 1–5, 2014.
[12] M. Pietikäinen et a, Computational Imaging and Vision 40, vol. 40, no. Comput. Vis. Using Local Bin. Patterns. 2011.
[13] D. A. Muhammad, R. R. W. Ken, and E. Siswanto, “Pencarian Citra Digital Berbasiskan Konten dengan,” J. Telemat., vol. 8, no. 2, pp. 8–13, 1858.
[14] T. Ojala, M. Pietikäinen, and T. Mäenpää, “Multiresolution gray-scale and rotation invariant texture classification with local binary patterns,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 24, no. 7, pp. 971–987, 2002.
[15] Y. L. Pavlov, “Random forests,” Random For., pp. 1–122, 2019.
[16] N. Horning, “Random Forests: An algorithm for image classification and generation of continuous fields data sets,” Int. Conf. Geoinformatics Spat. Infrastruct. Dev. Earth Allied Sci. 2010, pp. 1–6, 2010.
[17] P. T. T. Hong, T. T. T. Hai, L. T. Lan, V. T. Hoang, V. Hai, and T. T. Nguyen, “Comparative Study on Vision Based Rice Seed Varieties Identification,” Proc. - 2015 IEEE Int. Conf.
Published
2020-08-06