Identifikasi Jenis Biji Kedelai (Glycine Max L) Menggunakan Gray Level Coocurance Matrix (GLCM) dan K-Means Clustering

Penulis

  • Rahmat Robi Waliyansyah Universitas PGRI Semarang

Kata Kunci:

Kedelai, K-Means, GLCM, Identifikasi

Abstrak

Kacang kedelai merupakan tanaman pangan yang dapat diolah dalam berbagai olahan, seperti tempe & tahu. Indonesia mempunyai banyak varietas kedelai, varietas lokal atau impor. Meningkatnya konsumsi kedelai tersebut sangat dipengaruhi oleh pemilihan varietas dari kedelai tersebut. Tetapi hanya beberapa varietas saja yang dapat diolah dalam industri pengolahan kedelai, khususnya industri tahu & tempe. Untuk itu perlu adanya aplikasi identifikasi kedelai yang dapat membedakan varietas biji kedelai. Aplikasi untuk identifikasi jenis biji kedelai menggunakan pengolahan citra digital, dalam proses segmentasinya menggunakan Citra L*a*b dan K-Means Clustering. Ekstraksi ciri yang digunakan ada dua yaitu tekstur dan morfologi. Ekstraksi ciri tekstur menggunakan Metode Gray Level Coocurrence Matrix (GLCM) dengan jarak spasial 2 pixel. Parameter yang digunakan ada 4 yaitu energy, contrast, homogeneity & correlation.. Ekstraksi ciri morfologi menggunakan 2 parameter yaitu Metric dan Eccentricity. Ada pun varietas biji kedelai yang digunakan adalah : Anjasmoro, Burangrang, Dering-1, Dena-1, Demas-1 dan Grobogan untuk jenis varietas kedelai emas serta Detam-1, Detam-3, Detam-4 untuk jenis varietas kedelai hitam. Berdasarkan hasil pengujian, didapatkan tingkat akurasi sebesar 47% dari total 198 sampel citra uji biji kedelai dan 0% pada pengujian biji-bijian yang lain (kacang hijau) yang secara tekstur, bentuk dan warna mirip dengan kedelai (hitam). Hasil pengujian yang kurang baik ini disebabkan oleh belum maksimalnya data yang digunakan, karena sampel biji kedelai tidak selalu tersedia dan juga tiap jenis kedelai yang dipanen memiliki ukuran yang berbeda.

 

Abstract

Soybeans are food crops that can be processed in various preparations, such as tempeh & tofu. Indonesia has many varieties of soybeans, both local and imported varieties. Increased consumption of soybeans is strongly affected by the selection of varieties of soybeans. But only a few varieties that can be processed in soybean processing industry, in particular the tofu & tempe industry. Applications made using digital image processing, while the segmentation used is the Image L * a * b and K-Means Clustering. The feature extraction used is two, i.e. texture and morphology. The extraction of Texture feature was using the Gray Level Co-occurrence Matrix Method (GLCM) with a spatial distance of 2 pixels. The parameters used were 4, i.e. energy, contrast, homogeneity & correlation. Morphological feature extraction used 2 parameters, Metric and Eccentricity. There were also soybean seed varieties that were used: Anjasmoro, Burangrang, Dering-1, Dena-1, Demas-1 and Grobogan which are grouped into the types of golden soybean varieties, and Detam-1, Detam-3, Detam-4 for black soybean varieties. Based on the test results, an accuracy rate of 47% was obtained from a total of 198 samples of soybean seed test images. This unfavorable test result is caused by the lack of data used because soybean seed samples are not always available and also each type of soybean that grows has a different size.


Downloads

Download data is not yet available.

Biografi Penulis

  • Rahmat Robi Waliyansyah, Universitas PGRI Semarang
    Dosen Tetap Prodi Informatika Fakultas Teknik dan Informatika Universitas PGRI Semarang

Referensi

AGUNG, T. dan RAHAYU, A.Y., 2004. Analisis efisiensi serapan N, pertumbuhan, dan hasil beberapa kultivar kedelai unggul baru dengan cekaman kekeringan dan pemberian pupuk hayati. Agrosains, 6(2), pp.70–74.

ALBREGTSEN, F., 2008. Statistical Texture Measures Computed from Gray Level Coocurrence Matrices. [online] Department of Informatics, University of Oslo. Oslo.

ANBARASAN, K. dan CHITRAKALA, S., 2018. Clustering-based color image segmentation using local maxima. International Journal of Intelligent Information Technologies, 14(1), pp.28–47.

ASRONI dan ADRIAN, R., 2015. Penerapan Metode K-Means untuk Clustering Mahasiswa Berdasarkan Nilai Akademik dengan Weka Interface Studi Kasus pada Jurusan Teknik Informatika UMM Magelang. Jurnal Ilmiah Semesta Teknika, 18(1), pp.76–82.

BALITKABI, 2016. Deskripsi Varietas Unggul Kedelai 1918-2016. First ed. Malang: Kementerian Pertanian Republik Indonesia.

BANSAL, S. dan AGGARWAL, D., 2011. Color Image Segmentation Using CIELab Color Space Using Ant Colony Optimization. International Journal of Computer Science & Engineering Technology (IJCSET), 1(7), pp.415–420.

BENRAIS, L. dan BAHA, N., 2016. Towards a faster image segmentation using the k-means algorithm on grayscale histogram. International Journal of Information Systems in the Service Sector, 8(2), pp.57–69.

BUNGA, J.A., ISNANTO, R.R. dan AJULIAN, A., 2011. Klasifikasi Citra Dengan Metode Transformasi Wavelet pada Lima Jenis Biji-Bijian. Semarang.

DEWI, R.K. dan GINARDI, R.V.H., 2014. Identifikasi Penyakit pada Daun Tebu dengan Gray Level Co- Occurrence Matrix dan Color Moments. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 1(2), pp.70–77.

DINAR, L., SUYANTOHADI, A. dan FALAH, M.A.F., 2012. Pendugaan Kelas Mutu Berdasarkan Analisa Warna Dan Bentuk Biji Pala ( Myristica fragrans houtt ) Menggunakan Teknologi Pengolahan Citra Dan Jaringan Saraf Tiruan. JTEP, 26(1), pp.53–59.

GANIS, Y., SANTOSO, I. dan ISNANTO, R.R., 2011. Klasifikasi Citra Dengan Matriks Ko-Okurensi Aras Keabuan (GLCM) pada Lima Kelas Biji-Bijian. Semarang.

GINTING, E., ANTARLINA, S.S. dan WIDOWATI, S., 2009. Varietas Unggul Kedelai untuk Bahan Baku Industri Pangan. Jurnal Litbang Pertanian, 28(3), pp.79–87.

GONZALEZ, R.C. dan WOODS, R.E., 2009. Digital Image Processing. Third Edit ed. Pearson Prentice Hall. New Jersey: Pearson Education, Inc.

GYOGLUU, C., JAISWAL, S.K., BOAHEN, S.K. dan DAKORA, F.D., 2018. Identification and distribution of microsymbionts associated with soybean nodulation in Mozambican soils. Systematic and Applied Microbiology, 41(5), pp.506–515.

KUMAR, R., SRIVASTAVA, R. dan SRIVASTAVA, S., 2017. Microscopic Biopsy Image Segmentation Using Hybrid Color K-Means Approach. International Journal of Computer Vision and Image Processing, 7(1), pp.79–90.

NASARI, F. dan DARMA, S., 2015. Penerapan K-Means Clustering Pada Data Penerimaan Mahasiswa Baru (Studi Kasus : Universitas Potensi Utama). In: Seminar Nasional Teknologi Informasi dan Multimedia 2015. Yogyakarta: STMIK AMIKOM Yogyakarta, pp.73–78.

OUHDA, M., ASNAOUI, K. EL, OUANAN, M. dan AKSASSE, B., 2018. A Content Based Image Retrieval Method Based on K-Means Clustering Technique. Journal of Electronic Commerce in Organizations, 16(1), pp.82–96.

PANTIC, I., DACIC, S., BRKIC, P., LAVRNJA, I., PANTIC, S., JOVANOVIC, T. dan PEKOVIC, S., 2014. Application of fractal and grey level co-occurrence matrix analysis in evaluation of brain corpus callosum and cingulum architecture. Microscopy and Microanalysis, 20(5), pp.1373–1381.

PREECE, K.E., DROST, E., HOOSHYAR, N., KRIJGSMAN, A., COX, P.W. dan ZUIDAM, N.J., 2015. Confocal imaging to reveal the microstructure of soybean processing materials. Journal of Food Engineering, 147, pp.8–13.

PRILIANTI, K.R. dan WIJAYA, H., 2014. Aplikasi Text Mining untuk Automasi Penentuan Tren Topik Skripsi dengan Metode K-Means Clustering. Jurnal Cybermatika, 2(1), pp.1–6.

PURWANINGSIH, N., SOESANTI, I. dan NUGROHO, H.A., 2015. Ekstraksi Ciri Tekstur Citra Kulit Sapi Berbasis Co-Occurrence Matrix. In: Seminar Nasional Teknologi Informasi dan Multimedia. Yogyakarta: STMIK AMIKOM Yogyakarta, pp.6–8.

PUTRA, R.P., RAHMADWATI dan SETYAWATI, O., 2018. Klasifikasi Penyakit Tanaman Kedelai Melalui Tekstur Daun dengan Metode Gabor. Jurnal EECCIS, 12(1), pp.40–46.

RULANINGTYAS, R., SUKSMONO, A.B., MENGKO, T.L.R. dan SAPTAWATI, G.A.P., 2015. Segmentasi Citra Berwarna dengan Menggunakan Metode Clustering Berbasis Patch untuk Identifikasi Mycobacterium Tuberculosis. Jurnal Biosains Pascasarjana, 17(1).

SUBIYANTO, HERMANTO, ARIEF, U.M. dan NAFI, A.Y., 2018. An accurate assessment tool based on intelligent technique for suitability of soybean cropland: case study in Kebumen Regency, Indonesia. Heliyon, 4(7), pp.1–28.

WAHYUNI, Y., HIDAYAT, T. dan MARTHA, C.W., 2015. Pembuatan Aplikasi Pengolahan Citra Digital Pemilihan Biji Kacang Kedelai Bagi Petani Kedelai Untuk Diterapkan Didesa Tumpang Kabupaten Malang. In: Seminar Nasional Teknologi. Malang: Institut Teknologi Nasional Malang, pp.535–543.

Diterbitkan

04-02-2020

Terbitan

Bagian

Ilmu Komputer

Cara Mengutip

Identifikasi Jenis Biji Kedelai (Glycine Max L) Menggunakan Gray Level Coocurance Matrix (GLCM) dan K-Means Clustering. (2020). Jurnal Teknologi Informasi Dan Ilmu Komputer, 7(1), 17-26. https://jtiik.ub.ac.id/index.php/jtiik/article/view/1066