bab iii analisis dan perancangan sistem 3.1. analisis...
TRANSCRIPT
37
BAB III
ANALISIS DAN PERANCANGAN SISTEM
Analisis dan perancangan sistem ini ditujukan untuk memberikan
gambaran secara umum mengenai aplikasi yang akan dibuat. Hal ini berguna
untuk menunjang pembuatan aplikasi sehingga kebutuhan akan aplikasi tersebut
dapat diketahui.
3.1. Analisis Sistem
Metode analisis sistem yang digunakan dalam perancangan dan
pembuatan aplikasi pengolahan citra untuk menentukan umur pohon kelapa
sawit adalah aplikasi perangkat lunak berorientasi objek, yaitu mengatasi
masalah dengan cara melakukan perencanaan (planning), analisis
perancangan serta implementasi sistem.
Pada tahap pengumpulan data, sebelumnya dilakukan proses
pengklusteran pohon kelapa sawit secara manual, setelah itu akan dilakukan
proses pengambilan gambar-gambar (capturing) dari masing-masing objek
pohon kelapa sawit. Dari beberapa gambar pohon kelapa sawit yang dinilai
berumur 1-5 tahun dan berumur 6-10 tahun, kemudian akan dijadikan sebagai
gambar acuan dan disimpan sebagai bentuk database gambar.
Dalam aplikasi ini, sistem akan dibagi dalam 2 tahapan utama,
perrtama adalah tahapan pengambilan gambar pohon kelapa sawit, dan yang
kedua adalah penapisan tekstur. Adapun dalam perencanaan dan perancangan
pembuatan perangkat lunak memanfaatkan bahasa pemrograman MATLAB
Versi 7.13.0.291 (R2011b) sebagai perangkat lunak yang dapat membantu
menyelesaikan masalah pada penelitian ini. Berikut adalah ciri-ciri yang
menjadi dasar dari pemilihan pohon kelapa sawit yang dinilai berumur 1-5
tahun dan berumur 6-10 tahun. Untuk pohon kelapa sawit yang berumur 1-5
mahkota pohon masih berwarna hijau muda, diameter mahkota masih kecil,
jarak antar pohon masih renggang. Sedangkan pohon kelapa sawit yang
38
berumur 6-10 mempunyai ciri diameter mahkota pohon lebih besar warna
lebih tua (hijau tua).
Didalam sebuah petak perkebunan sawah, tentunya tidak hanya
terdapat jenis pohon kelapa sawit saja, di sekitarnya jelas di tumbuhi
beberapa tumbuhan penyeimbang buat tanaman disekitarnya, misalnya
rerumputan, atau mungkin dalam sebuah perkebunan itu dekat dengan
kawasan hutan, jadi memungkinkan pengambilan citra tidak murni seratus
persen pohon kelapa sawit saja, atau bisa jadi dalam sebuah petak perkebunan
tersebut terjadi campuran tumbuhan antara pohon kelapa sawit muda dan
pohon kelapa sawit tua. Seperti pada gambar di bawah ini :
(a) (b)
(c)
Keterangan :
(a) Adalah contoh citra pohon kelapa sawit campuran antara pohon kelapa
sawit dengan bukan pohon kelapa sawit (Rerumputan)
(b)Adalah contoh citra pohon kelapa sawit berumur 1-5 tahun (muda)
(c) Adalah contoh citra pohon kelapa sawit berumur 6-10 tahun (tua)
39
3.2. Perancangan Sistem
Perancangan sistem dimaksudkan untuk memberikan gambaran secara
umum tentang software yang dibuat dan juga hardware yang dibutuhkan. Hal
ini berguna untuk menunjang software yang akan dibuat, sehingga kebutuhan
akan software tersebut dapat diketahui sebelumnya.
3.2.1. Gambaran Umum Sistem
Didalam pembuatan suatu sistem, diperlukan adanya
perancangan sistem. Perancangan sistem ini dimaksudkan untuk
memberikan gambaran secara umum tentang bagaimana proses
dimulai hingga mampu menyelesaikan permasalahan yang dibuat.
Berikut adalah gambaran dari perancangan sistem tersebut:
Gambar 3.1 Perancangan Umum Sistem
Dari gambar 3.1 diatas menunjukkan sistem yang akan dibuat
menggunakan objek citra yang di ambil dari foto udara, pada sebuah
perkebunan disalah satu perkebunan di indonesia yang kemudian di
ambil citra kecil berukuran 256 x 256 pixel yang jadikan sebagai
bahan untuk pengambilan gambar (image) sehingga bisa dilakukan
pemrosesan data menggunakan proses pengolahan citra (dalam hal ini
memanfaatkan bahasa pemrograman MATLAB sebagai media
pemrosesan data digital) dan juga menggunakan sistem operasi
Microsoft Windows 7 Ultimate SP1 32-bit. Kemudian dilakukan
proses analisis citra untuk menghasilkan citra atau objek yang dapat
diidentifikasi sesuai dengan syarat dan kondisi yang sudah ditetapkan
sebelumnya.
Analisis
Citra
Citra Pengolahan citra
Identifikasi
40
3.2.3. Image RGB
Image yang digunakan dalam skripsi ini adalah data image
pohon kelapa sawit yang telah dicapture menggunakan kamera
digital, seperti yang terlihat pada gambar 3.2
Gambar 3.2 Citra RGB Pohon Kelapa Sawit
Model RGB menempatkan nilai intensitasnya kepada masing-
masing pixel dengan range 0 (hitam) sampai 255 (putih) untuk tiap-
tiap komponen RGB didalam sebuah image.
1. Apabila masing-masing komponen nilainya sama, warna yang
dihasilkan adalah warna abu-abu,
2. Apabila masing-masing komponen nilainya 255, warna yang
dihasilkan adalah putih murni. Sedangkan apabila masing-masing
komponen nilainya 0, warna yang dihasilkan adalah hitam pekat.
3.2.4. Perancangan Software
Fungsi dari flowchart ialah memberikan gambaran tentang
program yang akan dibuat pada penelitian ini, pada bagian ini akan
dijelaskan bagaimana proses pengolahan data yang berupa citra dapat
diolah menggunakan proses pengolahan citra hingga dapat
menghasilkan kemampuan mengidentifikasikan suatu objek. Berikut
ini adalah gambaran flowchart dari masing-masing tahapan:
41
a. Pemrosesan Data Awal (Pre-processing)
Pengolahan data awal dimulai dengan data Citra RGB,
citra awal akan dicropping untuk mendapatkan hasil objek yang
lebih dekat, setelah itu dilakukan proses resizing sehingga
mendapatkan dimensi citra 256 x 256 pixel, setelah itu citra hasil
resizing akan dikonversi kedalam bilangan double, pada tahap ini
nilai yang awalnya memiliki tipe data uint8 akan diubah dalam
bilangan double (hanya memiliki rentang nilai 0.0 – 1), nilai
tersebut mewakili nilai asli pada masing-masing kanal.
Setelah dilakukan proses pengkonversian kebilangan
double, langkah selanjutnya yakni proses pemisahan kanal R G B,
dan dilanjutkan pada tahapan yang terakhir dari pre-processing,
yakni normalisasi R G B, normalisasi R G B dimaksudkan untuk
menghilangkan pengaruh penerangan yang berbeda. Flowchart
pengolahan data awal dapat dilihat pada gambar 3.3
Gambar 3.3 Flowchart Pemrosesan Data Awal
b. Proses penentuan acuan tekstur
Pada proses penentuan acuan tekstur Pertama-tama, citra
inputan (citra RGB) akan dikonversi ke dalam citra gray, citra
42
gray sendiri merupakan citra digital yang hanya memiliki satu
nilai kanal pada setiap pixelnya, dengan kata lain nilai bagian
RED=GREEN=BLUE. Proses kemudian dilanjutkan pada proses
segmentasi, didalam proses segmentasi terdapat beberapa
subproses yakni edge detection dan operasi morfologi, proses ini
dimaksudkan untuk mendapatkan objek yang tanpa memiliki nilai
background.
Proses kemudian dilanjutkan dengan melakukan
perhitungan menggunakan metode co-occurrence matrix, setelah
itu akan dilakukan ekstraksi nilai ciri tekstur. Sendangkan proses
terakhri dari proses penentuan acuan tekstur yakni penentuan
range ciri tekstur, sehingga didapatkan hasil yang bisa dijadikan
sebagai data acuan untuk proses penapisan tekstur. Flowchart
penentuan acuan tekstur dapat dilihat pada gambar 3.4
Gambar 3.4 Flowchart Penentuan Acuan Tekstur
Penentuan acuan
43
Dalam proses penentuan acuan tekstur terdapat beberapa
sample yang dijadikan sebagai database acuan, diantaranya 5
sample yang bukan merupakan pohon kelapa sawit, dan 5 pohon
kelapa sawit yang berumur 1-5 tahun dan 5 pohon kelapa sawit
yang berumur 6-10 tahun.
Setiap pohon kelapa sawit mempunyai ciri tersendiri.
Pohon kelapa sawit tua mempunyai warna yang tajam di banding
dengan pohon kelapa sawit muda, memiliki tekstur mahkota
pohon yang baik, mempunyai diameter mahkota pohon yang
besar. Sedangkan untuk pohon kelapa sawit muda memiliki
warna condong agak pudar, warnanya hijau muda, memiliki
diameter mahkota pohon lebih kecil dari pada pohon kelapa sawit
tua, bentuk mahkota pohonnya belum maksimal. Dari cirri tekstur
diatas pohon kelapa sawit muda dan pohon kelapa sawit tua pasti
mempunyai perbedaan nilai. Maka nilai itulah yang akan
dijadikan acuan untuk membedakan antara pohon kelapa sawit
yang berumur 1-5 tahun (pohon kelapa sawit muda) dengan pohon
kelapa sawit yang berumur 6-10 (pohon kelapa sawit tua)
c. Proses Pengelompokkan Menggunakan Metode K-NN
Dalam proses pengelompokkan untuk mengetahui apakah
termasuk pohon kepala sawit atau bukan, dan atau pohon kepala
sawit umur 1-5 tahun atau pohon kepala sawit umur 6-10 dilakukan
menggunakan metode K-NN. Setelah melalui proses enhancement,
morfologi, kemudian citra di ekstraksi menggunakan Co-
Occurrence Matrix dan mendapatkan beberapa variable nilai (fitur-
fitur dari Co-occurrence Matrix yang menghasilkan nilai ASM
(Anguler Second Moment), Contrast, Corellation, Variance, IDM
(Invers Different Moment), dan Entropy)) kemudian dilakukan
pengelompokkan menggunakan rumus dari metode K-NN. Proses
K-NN dapat dilihat seperti pada gambar 3.5.
44
Gambar 3.5. Proses K-NN Untuk Penentuan Kelas Pohon Kelapa Sawit
Nilai Ekstraksi ciri
Co-occurrence matrix
Jarak Euclidian Hitung data uji + acuan
Urutkan Data Euclidian Sebanyak
K=1
Voting Hasil jenis terbanyak
dari sejumlah K
Bukan Sawit
atau
bukan?
Sawit
Sawit
muda ?
Bukan
ya
Sawit Tua
(Umur 6-10) Sawit Muda
(Umur 1-5) Bukan
Sawit
Selesai
Mulai
Tentukan Banyaknya K=1
45
d. Proses pengujian
Pada proses pengujian tahapan dimulai dengan melakukan
penginputan citra RGB, kemudian dilakukan pre-processing data.
Setelah syarat dan atau kondisi terpenuhi, proses dilanjutkan pada
pengkonversian dari citra RGB kedalam citra Grayscale sehingga
didapatkan objek atau citra gray. Kemudian dilanjutkan dengan
proses perbaikan citra, didalam proses perbaikan citra ini terdapat
beberapa subproses yakni proses normalisasi intensitas, ekualisasi
histogram, inverse citra, median filtering, dan image filling.
Pada proses Ekualisasi Histogram Dengan histogram
equalisasi kontras citra di stretch (direnggangkan), sehingga titik
atau pixel yang gelap semakin gelap sedangkan yang terang
semakin terang.
Pada proses Inverse citra atau disebut dengan proses
negative pada citra, misalkan citra, dimana setiap nilai citra
dibalik dengan acuan threshold yang diberikan. Proses ini banyak
digunakan pada citra-citra medis seperti usg dan X-Ray
Pada proses Metode median filter, proses ini yang
berfungsi untuk menghaluskan dan mengurangi noise atau
gangguan pada citra sehingga diperoleh citra yang cukup terang,
terhindar dari noise
Operasi image filling atau proses pengisian merupakan
kebalikan dari operasi pencarian batas citra. Pada operasi ini, citra
masukan adalah citra batas/kontur, kemudian dilakukan pengisian
sehingga diperoleh segmen objek yang solid. Prosesnya dimulai
dengan menentukan titik awal pengisian yang terletak di dalam
objek, kemudian bergerak ke arah titik-titik tetanganya sehingga
diperoleh hasil citra yang bulat, dalam hal ini adalah citra yang
memiliki tekstur mahkota pohon kelapa sawit yang cukup baik
dan bulat.
46
Proses kemudian beralih pada pendekatan menggunakan
metode Co-occurrence Matrix yang menghasilkan nilai ASM
(Anguler Second Moment), Contrast, Corellation, Variance, IDM
(Invers Different Moment), dan Entropy, proses selanjutnya yakni
melakukan perhitungan dengan menggunakan Square Euclidean
untuk mengetahui nilai kemiripan citra, selanjutnya dilakukan
proses penapisan tekstur. Jika syarat dan atau kondisi terpenuhi,
maka pohon kelapa sawit dapat diidentifikasian oleh sistem.
Proses dilanjutkan pada pengelompokkan umur pohon
kelapa sawit menggunakan metode KNN. Dimana acuan datanya
dari hasil ekstraksi ciri tekstur yang menggunakan konsep co-
occurrence matrix. Setelah diketahui nilai / hasil ekstraksi citra
itu, kemudian di cari jarak euclidiannya, setelah menghasilkan
jarak euclidiannya, disorting berdasarkan jarak terdekat.
Kemudian masuk proses KNN dimana KNN ini bekerja mencari
jarak yang paling dekat dari pada data acuan dengan data uji
dengan menggunakan voting terbanyak dari sekian k yang telah
ditentukan.
Data yang didapatkan dari hasil ekstraksi co-occurrence
matrix dapat dilihat pada tabel 3.1 berikut :
Tabel 3.1. Data Hasil dari Ekstraksi Ciri Co-Occurrence Matrix
CITRA ASM CON COR VAR IDM ENT Jenis
70-1 0.0005 271.3148 0.8651 869.8166 0.2147 12.4547 Non sawit
70-2 0.0002 407.2626 0.8556 1206.8173 0.1837 13.1665 Non sawit
70-3 0.0001 528.8396 0.8983 2334.3825 0.1692 13.7219 Non sawit
70-4 0.0002 449.1012 0.8997 2014.6341 0.1722 13.5192 Non sawit
70-5 0.0003 295.3564 0.8966 1280.4543 0.2020 12.8894 Non sawit
70-6 0.0002 438.8151 0.9158 2385.9108 0.2029 13.5275 Non sawit
70-7 0.0001 373.0124 0.9313 2528.1664 0.1716 13.5921 Non sawit
70-8 0.0002 440.4138 0.9076 2162.2589 0.1801 13.5762 Non sawit
70-9 0.0001 834.2108 0.9004 3772.3234 0.1613 14.1841 Non sawit
47
Lanjutan Tabel 3.1.
CITRA ASM CON COR VAR IDM ENT JENIS
70-10 0.0001 1257.7534 0.8223 2909.4686 0.1492 14.4324 Non sawit
80-1 0.0003 369.4826 0.9081 1825.1427 0.1882 13.2161 Sawit 1-5
80-2 0.0003 297.2727 0.9032 1386.9428 0.1953 12.9514 Sawit 1-5
80-3 0.0003 347.2805 0.9022 1602.0973 0.1877 13.1121 Sawit 1-5
80-4 0.0003 262.5352 0.9190 1507.3389 0.1997 12.8424 Sawit 1-5
80-5 0.0002 384.4904 0.9243 2348.6373 0.1784 13.4210 Sawit 1-5
80-6 0.0001 462.3367 0.9147 2480.3518 0.1673 13.7069 Sawit 1-5
80-7 0.0002 560.2324 0.9024 2588.5666 0.1725 13.7936 Sawit 1-5
80-8 0.0001 761.3535 0.8950 3245.3999 0.1657 14.1136 Sawit 1-5
80-9 0.0001 1041.6249 0.8772 3721.3422 0.1541 14.3502 Sawit 1-5
80-10 0.0001 1353.866 0.8202 3087.9161 0.1502 14.4622 Sawit 1-5
90-1 0.0001 839.5271 0.8543 2461.7958 0.1583 13.9979 sawit 6-10
90-2 0.0001 1218.4532 0.8249 2871.0251 0.1553 14.3251 sawit 6-10
90-3 0.0001 944.5036 0.8531 2742.6449 0.1574 14.1291 sawit 6-10
90-4 0.0002 870.5261 0.8670 2836.2833 0.1703 13.9593 sawit 6-10
90-5 0.0001 1050.9473 0.8423 2806.6481 0.1585 14.2021 sawit 6-10
90-6 0.0001 1072.7757 0.8497 3033.3920 0.1524 14.3017 sawit 6-10
90-7 0.0002 691.3481 0.8698 2309.9561 0.1609 13.7878 sawit 6-10
90-8 0.0001 940.4645 0.8581 2843.8429 0.1557 14.1631 sawit 6-10
90-9 0.0001 945.4568 0.8556 2800.8128 0.1500 14.2125 sawit 6-10
90-10 0.0001 896.7115 0.8795 3273.1594 0.1527 14.2491 sawit 6-10
Setelah di ketahui semua data, maka data diurutkan
berdasarkan nilai jarak dari nilai yang terkecil sampai terbesar
dapat dilihat pada tabel 3.2. dibawah ini :
Tabel 3.2. Data yang akan di uji
ASM CON COR VAR IDM ENT JENIS
0.0001 325.3654 0.8997 2528.166 0.1613 12.9514 Sawit 1-5
Data tersebut didapatkan dari hasil ekstraksi ciri citra yang
akan di uji.
48
Tabel 3.3. Hasil Perhitungan dan Pengurutan Jarak Euclidian
CITRA ASM CON COR VAR IDM ENT JARAK
EUCLIDIAN JENIS
70-7 0,0001 373,0124 0,9313 2528,1664 0,1716 13,5921 47,6513 Non sawit
80-6 0,0001 462,3367 0,9147 2480,3518 0,1673 13,7069 145,0791 Sawit 1-5
70-6 0,0002 438,8151 0,9158 2385,9108 0,2029 13,5275 181,9556 Non sawit
80-5 0,0002 384,4904 0,9243 2348,6373 0,1784 13.4210 189,0150 Sawit 1-5
80-7 0,0002 560,2324 0,9024 2588,5666 0,1725 13,7936 242,5106 Sawit 1-5
70-3 0,0001 528,8396 0,8983 2334,3825 0,1692 13,7219 280,9885 Non sawit
70-8 0,0002 440,4138 0,9076 2162,2589 0,1801 13,5762 383,5685 Non sawit
90-7 0,0002 691,3481 0,8698 2309,9561 0,1609 13,7878 426,0983 sawit 5-10
90-1 0,0001 839,5271 0,8543 2461,7958 0,1583 13,9979 518,4288 sawit 5-10
70-4 0,0002 449,1012 0,8997 2014,6341 0,1722 13,5192 528,2294 Non sawit
90-4 0,0002 870,5261 0.8670 2836,2833 0,1703 13,9593 626,2086 sawit 5-10
90-3 0,0001 944,5036 0,8531 2742,6449 0,1574 14,1291 655,2362 sawit 5-10
90-9 0,0001 945,4568 0,8556 2800,8128 0.1500 14,2125 677,3854 sawit 5-10
90-8 0,0001 940,4645 0,8581 2843,8429 0,1557 14,1631 691,3755 sawit 5-10
80-1 0,0003 369,4826 0,9081 1825,1427 0,1882 13,2161 704,4066 Sawit 1-5
90-5 0,0001 1050,9473 0,8423 2806,6481 0,1585 14,2021 777,1890 sawit 5-10
80-8 0,0001 761,3535 0.8950 3245,3999 0,1657 14,1136 839,3515 Sawit 1-5
90-6 0,0001 1072,7757 0,8497 3033.3920 0,1524 14,3017 902,1513 sawit 5-10
80-3 0,0003 347,2805 0,9022 1602,0973 0,1877 13,1121 926,3284 Sawit 1-5
90-10 0,0001 896,7115 0,8795 3273,1594 0,1527 14,2491 938,8571 sawit 5-10
90-2 0,0001 1218,4532 0,8249 2871,0251 0,1553 14,3251 956,6398 sawit 5-10
70-10 0,0001 1257,7534 0,8223 2909,4686 0,1492 14,4324 1007,3435 Non sawit
80-4 0,0003 262,5352 0.9190 1507,3389 0,1997 12,8424 1022,7592 Sawit 1-5
80-2 0,0003 297,2727 0,9032 1386,9428 0,1953 12,9514 1141,5693 Sawit 1-5
80-10 0,0001 1353,866 0,8202 3087,9161 0,1502 14,4622 1170,9550 Sawit 1-5
70-5 0,0003 295,3564 0,8966 1280,4543 0,2020 12,8894 1248,0729 Non sawit
70-2 0,0002 407,2626 0,8556 1206,8173 0,1837 13,1665 1323,8847 Non sawit
70-9 0,0001 834,2108 0,9004 3772,3234 0,1613 14,1841 1344,1919 Non sawit
80-9 0,0001 1041,6249 0,8772 3721,3422 0,1541 14,3502 1391,6530 Sawit 1-5
70-1 0,0005 271,3148 0,8651 869,8166 0,2147 12,4547 1659,2305 Non sawit
49
Dari hasil pengurutan data berdasarkan nilai jarak, diambil
sejumlah nilai K, yaitu 1 data teratas (nilai jaraknya paling kecil).
Maka, didapatkan hasil seperti yang ditampilkan pada Tabel 3.4.:
Tabel 3.4. Pengambilan Data Sejumlah K
CITRA ASM CON COR VAR IDM ENT Jarak
Euclidian Jenis
70-7 0,0001 373,0124 0,9313 2528,1664 0,1716 13,5921 47,6513 Non sawit
70-6 0,0002 438,8151 0,9158 2385,9108 0,2029 13,5275 181,9556 Non sawit
80-5 0,0002 384,4904 0,9243 2348,6373 0,1784 13.4210 189,0150 Sawit 1-5
80-7 0,0002 560,2324 0,9024 2588,5666 0,1725 13,7936 242,5106 Sawit 1-5
70-3 0,0001 528,8396 0,8983 2334,3825 0,1692 13,7219 280,9885 Non sawit
70-8 0,0002 440,4138 0,9076 2162,2589 0,1801 13,5762 383,5685 Non sawit
90-7 0,0002 691,3481 0,8698 2309,9561 0,1609 13,7878 426,0983 sawit 5-10
90-1 0,0001 839,5271 0,8543 2461,7958 0,1583 13,9979 518,4288 sawit 5-10
70-4 0,0002 449,1012 0,8997 2014,6341 0,1722 13,5192 528,2294 Non sawit
90-4 0,0002 870,5261 0.8670 2836,2833 0,1703 13,9593 626,2086 sawit 5-10
90-3 0,0001 944,5036 0,8531 2742,6449 0,1574 14,1291 655,2362 sawit 5-10
90-9 0,0001 945,4568 0,8556 2800,8128 0.1500 14,2125 677,3854 sawit 5-10
90-8 0,0001 940,4645 0,8581 2843,8429 0,1557 14,1631 691,3755 sawit 5-10
80-1 0,0003 369,4826 0,9081 1825,1427 0,1882 13,2161 704,4066 Sawit 1-5
90-5 0,0001 1050,9473 0,8423 2806,6481 0,1585 14,2021 777,1890 sawit 5-10
80-8 0,0001 761,3535 0.8950 3245,3999 0,1657 14,1136 839,3515 Sawit 1-5
90-6 0,0001 1072,7757 0,8497 3033.3920 0,1524 14,3017 902,1513 sawit 5-10
80-3 0,0003 347,2805 0,9022 1602,0973 0,1877 13,1121 926,3284 Sawit 1-5
90-10 0,0001 896,7115 0,8795 3273,1594 0,1527 14,2491 938,8571 sawit 5-10
90-2 0,0001 1218,4532 0,8249 2871,0251 0,1553 14,3251 956,6398 sawit 5-10
70-10 0,0001 1257,7534 0,8223 2909,4686 0,1492 14,4324 1007,3435 Non sawit
80-4 0,0003 262,5352 0.9190 1507,3389 0,1997 12,8424 1022,7592 Sawit 1-5
80-2 0,0003 297,2727 0,9032 1386,9428 0,1953 12,9514 1141,5693 Sawit 1-5
80-10 0,0001 1353,866 0,8202 3087,9161 0,1502 14,4622 1170,9550 Sawit 1-5
70-5 0,0003 295,3564 0,8966 1280,4543 0,2020 12,8894 1248,0729 Non sawit
70-2 0,0002 407,2626 0,8556 1206,8173 0,1837 13,1665 1323,8847 Non sawit
50
Lanjutan Tabel 3.4
CITRA ASM CON COR VAR IDM ENT Jarak
Euclidian Jenis
70-9 0,0001 834,2108 0,9004 3772,3234 0,1613 14,1841 1344,1919 Non sawit
80-9 0,0001 1041,6249 0,8772 3721,3422 0,1541 14,3502 1391,6530 Sawit 1-5
70-1 0,0005 271,3148 0,8651 869,8166 0,2147 12,4547 1659,2305 Non sawit
Dari hasil pengambilan data sejumlah nilai K, yaitu 1 data,
maka didapatkan hasil jenis kelompok kelapa sawit, maka
diperoleh keputusan citra uji tersebut tersebut adalah “Pohon
Kelapa Sawit Berumur 1-5 Tahun (Pohon Kelapa Sawit Muda)”.
Pada proses pengujian, ada banyak sample yang akan
dilakukan pengujiannya, terdapat 1 citra yang diujikan,
diantaranya meliputi pohon hutan, kelapa sawit dengan berbagai
umur, serta citra kombinasi antara pohon kelapa sawit dan non
sawit (pohon, hutan, rerumputan, dan lain-lain)
Pada waktu proses pengujian citra mengalami campuran
antara pohon kelapa sawit muda dan tua, maka sistem akan
melihat nilai dari pada hasil ekstraksi mahkota pohon kelapa sawit
tersebut. Setelah diketahui nilai dari pada ekstraksi berdasarkan
mahkota pohon kelapa sawit tersebut maka sistem KNN yang
akan mengelompokkannya, apakah termasuk pohon kelapa sawit
muda atau pohon kelapa sawit tua. Hal ini berdasarkan nilai acuan
dari pohon kelapa sawit muda dan pohon kelapa sawit tua dimana
citra uji (citra campuran antara pohon kelapa sawit muda dengan
pohon kelapa sawit tua) lebih condong ke nilai pohon kelapa sawit
muda atau nilai pohon kelapa sawit tua.