Klasifikasi Jenis Sayuran Menggunakan Algoritma PCA dan KNN
Apakah yang dimaksud dengan Principal Component Analysis (PCA)??
Principal Component Analysis (PCA) merupakan suatu algoritma yang mampu mengkonversi sekelompok data yang pada awalnya saling berkorelasi menjadi data yang tidak saling berkorelasi (Principal Component). Jumlah Principal Component yang dihasilkan adalah sama dengan jumlah data aslinya, tetapi dapat direduksi dengan jumlah yang lebih kecil dan tetap mampu merepresentasikan data asli dengan baik.
Berikut ini merupakan contoh pemrograman matlab untuk klasifikasi jenis sayuran menggunakan algoritma PCA dan KNN. Jenis sayuran yang akan diklasifikasi adalah sayur kol, sawi, dan wortel. Ketiga jenis sayur tersebut dibedakan berdasarkan ciri warna dan ukurannya. Contoh citra sayuran pada masing-masing kelas ditunjukkan pada gambar di bawah ini.
Algoritma dan pemrograman matlab untuk klasifikasi jenis sayuran adalah sebagai berikut:
1. Proses pelatihan
a. Membaca citra pada data latih (terdiri dari 7 citra kol, 4 citra sawi, dan 5 citra wortel)
b. Melakukan segmentasi citra menggunakan metode otsu thresholding
c. Melakukan operasi morfologi untuk menyempurnakan hasil segmentasi
d. Melakukan ekstraksi ciri warna berdasarkan nilai RGB dan HSV
e. Melakukan ekstraksi ciri ukuran berdasarkan nilai area (luas)
f. Mengkonversi hasil ekstraksi ciri menjadi principal component
g. Mereduksi principal component menjadi 2 PC (PC1 dan PC2)
h. Melakukan plotting sebaran data pada masing-masing kelas
clc; clear; close all; %%% Proses Pelatihan % membaca file citra nama_folder = 'data latih'; nama_file = dir(fullfile(nama_folder,'*.jpg')); jumlah_file = numel(nama_file); % inisialisasi variabel ciri_latih ciri_latih = zeros(jumlah_file,7); for n = 1:jumlah_file % membaca citra RGB Img = imread(fullfile(nama_folder,nama_file(n).name)); % konversi citra RGB menjadi grayscale Img_gray = rgb2gray(Img); % konversi citra grayscale menjadi biner bw = im2bw(Img_gray,graythresh(Img_gray)); % operasi morfologi bw = imcomplement(bw); bw = imfill(bw,'holes'); bw = bwareaopen(bw,100); % ekstraksi ciri warna RGB R = Img(:,:,1); G = Img(:,:,2); B = Img(:,:,3); R(~bw) = 0; G(~bw) = 0; B(~bw) = 0; Red = sum(sum(R))/sum(sum(bw)); Green = sum(sum(G))/sum(sum(bw)); Blue = sum(sum(B))/sum(sum(bw)); % ekstraksi ciri warna HSV HSV = rgb2hsv(Img); H = HSV(:,:,1); S = HSV(:,:,2); V = HSV(:,:,3); H(~bw) = 0; S(~bw) = 0; V(~bw) = 0; Hue = sum(sum(H))/sum(sum(bw)); Saturation = sum(sum(S))/sum(sum(bw)); Value = sum(sum(V))/sum(sum(bw)); % ekstraksi ciri ukuran Area = sum(sum(bw)); % mengisi hasil ekstraksi ciri pada variabel ciri_latih ciri_latih(n,1) = Red; ciri_latih(n,2) = Green; ciri_latih(n,3) = Blue; ciri_latih(n,4) = Hue; ciri_latih(n,5) = Saturation; ciri_latih(n,6) = Value; ciri_latih(n,7) = Area; end % standarisasi data [ciri_latihZ,muZ,sigmaZ] = zscore(ciri_latih); % pca [coeff,score_latih,latent,tsquared,explained] = pca(ciri_latihZ); % inisialisasi variabel kelas_latih kelas_latih = cell(jumlah_file,1); % mengisi nama2 sayur pada variabel kelas_latih for k = 1:7 kelas_latih{k} = 'kol'; end for k = 8:11 kelas_latih{k} = 'sawi'; end for k = 12:16 kelas_latih{k} = 'wortel'; end % ekstrak PC1 & PC2 PC1 = score_latih(1); PC2 = score_latih(2); % kelas kol x1 = PC1(1:7); y1 = PC2(1:7); % kelas sawi x2 = PC1(8:11); y2 = PC2(8:11); % kelas wortel x3 = PC1(12:16); y3 = PC2(12:16); % menampilkan sebaran data pada masing-masing kelas pelatihan figure plot(x1,y1,'r.','MarkerSize',30) hold on plot(x2,y2,'g.','MarkerSize',30) plot(x3,y3,'b.','MarkerSize',30) hold off grid on xlabel('PC1') ylabel('PC2') legend('kol','sawi','wortel') title('Sebaran data pelatihan KNN') % klasifikasi menggunakan knn Mdl = fitcknn([PC1,PC2],kelas_latih,'NumNeighbors',3); % menyimpan variabel-variabel hasil pelatihan save hasil_pelatihan Mdl muZ coeff sigmaZ
Grafik sebaran data principal component pada masing-masing kelas ditunjukkan pada gambar berikut:
2. Proses pengujian
a. Membaca citra pada data uji (terdiri dari 4 citra kol, 3 citra sawi, dan 3 citra wortel)
b. Melakukan segmentasi citra menggunakan metode otsu thresholding
c. Melakukan operasi morfologi untuk menyempurnakan hasil segmentasi
d. Melakukan ekstraksi ciri warna berdasarkan nilai RGB dan HSV
e. Melakukan ekstraksi ciri ukuran berdasarkan nilai area (luas)
f. Mengkonversi hasil ekstraksi ciri menjadi principal component
g. Mereduksi principal component menjadi 2 PC (PC1 dan PC2)
h. Melakukan klasifikasi berdasarkan banyaknya tetangga terdekat
i. Melakukan plotting sebaran data pada masing-masing kelas
%%% Proses Pengujian % membaca file citra nama_folder = 'data uji'; nama_file = dir(fullfile(nama_folder,'*.jpg')); jumlah_file = numel(nama_file); % inisialisasi variabel ciri_uji ciri_uji = zeros(jumlah_file,7); for n = 1:jumlah_file % membaca citra RGB Img = imread(fullfile(nama_folder,nama_file(n).name)); % konversi citra RGB menjadi grayscale Img_gray = rgb2gray(Img); % konversi citra grayscale menjadi biner bw = im2bw(Img_gray,graythresh(Img_gray)); % operasi morfologi bw = imcomplement(bw); bw = imfill(bw,'holes'); bw = bwareaopen(bw,100); % ekstraksi ciri warna RGB R = Img(:,:,1); G = Img(:,:,2); B = Img(:,:,3); R(~bw) = 0; G(~bw) = 0; B(~bw) = 0; Red = sum(sum(R))/sum(sum(bw)); Green = sum(sum(G))/sum(sum(bw)); Blue = sum(sum(B))/sum(sum(bw)); % ekstraksi ciri warna HSV HSV = rgb2hsv(Img); H = HSV(:,:,1); S = HSV(:,:,2); V = HSV(:,:,3); H(~bw) = 0; S(~bw) = 0; V(~bw) = 0; Hue = sum(sum(H))/sum(sum(bw)); Saturation = sum(sum(S))/sum(sum(bw)); Value = sum(sum(V))/sum(sum(bw)); % ekstraksi ciri ukuran Area = sum(sum(bw)); % mengisi hasil ekstraksi ciri pada variabel ciri_uji ciri_uji(n,1) = Red; ciri_uji(n,2) = Green; ciri_uji(n,3) = Blue; ciri_uji(n,4) = Hue; ciri_uji(n,5) = Saturation; ciri_uji(n,6) = Value; ciri_uji(n,7) = Area; end % standarisasi ciri uji ciri_ujiZ = zeros(jumlah_file,7); for k = 1:jumlah_file ciri_ujiZ(k,:) = (ciri_uji(k,:) - muZ)./sigmaZ; end % konversi ciri uji ke PC score_uji = ciri_ujiZ*coeff; % ekstrak PC1 & PC2 PC1 = score_uji(1); PC2 = score_uji(2); % mengujikan data uji pada knn hasil_uji = predict(Mdl,[PC1,PC2]); % menampilkan sebaran data pada masing-masing kelas pelatihan figure plot(x1,y1,'r.','MarkerSize',30) hold on plot(x2,y2,'g.','MarkerSize',30) plot(x3,y3,'b.','MarkerSize',30) grid on % kelas kol x1 = []; y1 = []; jumlah_kol = 0; for n = 1:jumlah_file if isequal(hasil_uji{n},'kol'); jumlah_kol = jumlah_kol+1; x1(jumlah_kol,1) = PC1(n); y1(jumlah_kol,1) = PC2(n); end end % kelas sawi x2 = []; y2 = []; jumlah_sawi = 0; for n = 1:jumlah_file if isequal(hasil_uji{n},'sawi'); jumlah_sawi = jumlah_sawi+1; x2(jumlah_sawi,1) = PC1(n); y2(jumlah_sawi,1) = PC2(n); end end % kelas wortel x3 = []; y3 = []; jumlah_wortel = 0; for n = 1:jumlah_file if isequal(hasil_uji{n},'wortel'); jumlah_wortel = jumlah_wortel+1; x3(jumlah_wortel,1) = PC1(n); y3(jumlah_wortel,1) = PC2(n); end end % menampilkan sebaran data pada masing-masing kelas pengujian plot(x1,y1,'cx','LineWidth',4,'MarkerSize',10) plot(x2,y2,'mx','LineWidth',4,'MarkerSize',10) plot(x3,y3,'yx','LineWidth',4,'MarkerSize',10) hold off xlabel('PC1') ylabel('PC2') legend('kol (latih)','sawi (latih)','wortel (latih)',... 'kol (uji)','sawi (uji)','wortel (uji)') title('Sebaran data pengujian KNN')
Grafik sebaran data principal component pada masing-masing kelas ditunjukkan pada gambar berikut:
Hasil pengujian klasifikasi jenis sayuran pada pemrograman di atas ditunjukkan pada tabel berikut ini:
Pada tabel di atas tampak bahwa terdapat tiga data yang diklasifikasikan secara salah dan tujuh data yang diklasifikasikan secara benar sehingga akurasi pengujian yang diperoleh adalah sebesar 7/10*100% = 70%.
3. Pembuatan GUI Matlab
function varargout = main_program(varargin) % MAIN_PROGRAM MATLAB code for main_program.fig % MAIN_PROGRAM, by itself, creates a new MAIN_PROGRAM or raises the existing % singleton*. % % H = MAIN_PROGRAM returns the handle to a new MAIN_PROGRAM or the handle to % the existing singleton*. % % MAIN_PROGRAM('CALLBACK',hObject,eventData,handles,...) calls the local % function named CALLBACK in MAIN_PROGRAM.M with the given input arguments. % % MAIN_PROGRAM('Property','Value',...) creates a new MAIN_PROGRAM or raises the % existing singleton*. Starting from the left, property value pairs are % applied to the GUI before main_program_OpeningFcn gets called. An % unrecognized property name or invalid value makes property application % stop. All inputs are passed to main_program_OpeningFcn via varargin. % % *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES % Edit the above text to modify the response to help main_program % Last Modified by GUIDE v2.5 01-Jan-2019 14:51:56 % Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @main_program_OpeningFcn, ... 'gui_OutputFcn', @main_program_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT % --- Executes just before main_program is made visible. function main_program_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to main_program (see VARARGIN) % Choose default command line output for main_program handles.output = hObject; % Update handles structure guidata(hObject, handles); movegui(hObject,'center'); % UIWAIT makes main_program wait for user response (see UIRESUME) % uiwait(handles.figure1); % --- Outputs from this function are returned to the command line. function varargout = main_program_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Get default command line output from handles structure varargout{1} = handles.output; % --- Executes on button press in pushbutton1. function pushbutton1_Callback(hObject, eventdata, handles) % hObject handle to pushbutton1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % menampilkan menu open file [nama_file, nama_path] = uigetfile('*.jpg'); % jika ada file yang dipilih maka akan mengeksekusi perintah di bawahnya if ~isequal(nama_file,0) % membaca file citra Img = imread(fullfile(nama_path, nama_file)); % menampilkan citra pada axes 1 axes(handles.axes1) imshow(Img) title('Citra Asli') % menampilkan nama file citra pada edit1 set(handles.edit1,'String',nama_file) % menyimpan variabel Img pada lokasi handles handles.Img = Img; guidata(hObject, handles) else % jika tidak ada file yang dipilih maka akan kembali return end % --- Executes on button press in pushbutton2. function pushbutton2_Callback(hObject, eventdata, handles) % hObject handle to pushbutton2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % memanggil variabel Img yang ada di lokasi handles Img = handles.Img; % konversi citra RGB menjadi grayscale Img_gray = rgb2gray(Img); % konversi citra grayscale menjadi biner bw = im2bw(Img_gray,graythresh(Img_gray)); % operasi morfologi bw = imcomplement(bw); bw = imfill(bw,'holes'); bw = bwareaopen(bw,100); % menampilkan citra biner hasil segmentasi pada axes2 axes(handles.axes2) imshow(bw) title('Citra biner') % ekstraksi komponen RGB R = Img(:,:,1); G = Img(:,:,2); B = Img(:,:,3); % mengubah nilai background menjadi nol R(~bw) = 0; G(~bw) = 0; B(~bw) = 0; RGB = cat(3,R,G,B); % menampilkan citra RGB hasil segmentasi pada axes3 axes(handles.axes3) imshow(RGB) title('Hasil Segmentasi') % menyimpan variabel bw pada lokasi handles handles.bw = bw; guidata(hObject, handles) % --- Executes on button press in pushbutton3. function pushbutton3_Callback(hObject, eventdata, handles) % hObject handle to pushbutton3 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % memanggil variabel Img & bw yang ada di lokasi handles Img = handles.Img; bw = handles.bw; % ekstraksi ciri warna RGB R = Img(:,:,1); G = Img(:,:,2); B = Img(:,:,3); R(~bw) = 0; G(~bw) = 0; B(~bw) = 0; Red = sum(sum(R))/sum(sum(bw)); Green = sum(sum(G))/sum(sum(bw)); Blue = sum(sum(B))/sum(sum(bw)); % ekstraksi ciri warna HSV HSV = rgb2hsv(Img); H = HSV(:,:,1); S = HSV(:,:,2); V = HSV(:,:,3); H(~bw) = 0; S(~bw) = 0; V(~bw) = 0; Hue = sum(sum(H))/sum(sum(bw)); Saturation = sum(sum(S))/sum(sum(bw)); Value = sum(sum(V))/sum(sum(bw)); % ekstraksi ciri ukuran Area = sum(sum(bw)); % mengisi hasil ekstraksi ciri pada variabel ciri_sayur ciri_sayur = cell(7,2); ciri_sayur{1,1} = 'Red'; ciri_sayur{2,1} = 'Green'; ciri_sayur{3,1} = 'Blue'; ciri_sayur{4,1} = 'Hue'; ciri_sayur{5,1} = 'Saturation'; ciri_sayur{6,1} = 'Value'; ciri_sayur{7,1} = 'Area'; ciri_sayur{1,2} = Red; ciri_sayur{2,2} = Green; ciri_sayur{3,2} = Blue; ciri_sayur{4,2} = Hue; ciri_sayur{5,2} = Saturation; ciri_sayur{6,2} = Value; ciri_sayur{7,2} = Area; % menampilkan ciri_sayur pada tabel set(handles.text2,'String','Hasil Ekstraksi Ciri') set(handles.uitable1,'Data',ciri_sayur,'RowName',1:7) ciri_uji = [Red,Green,Blue,Hue,Saturation,Value,Area]; % menyimpan variabel ciri_uji pada lokasi handles handles.ciri_uji = ciri_uji; guidata(hObject, handles) % --- Executes on button press in pushbutton4. function pushbutton4_Callback(hObject, eventdata, handles) % hObject handle to pushbutton4 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % memangil variabel ciri_uji pada lokasi handles ciri_uji = handles.ciri_uji; % load hasil pelatihan knn load hasil_pelatihan % standarisasi ciri uji ciri_ujiZ = (ciri_uji - muZ)./sigmaZ; % konversi ciri uji ke PC score_uji = ciri_ujiZ*coeff; % ekstrak PC1 & PC2 PC1 = score_uji(1); PC2 = score_uji(2); % mengujikan data uji pada knn hasil_uji = predict(Mdl,[PC1,PC2]); % menampilkan hasil pengujian pada edit2 set(handles.edit2,'String',hasil_uji) % --- Executes on button press in pushbutton5. function pushbutton5_Callback(hObject, eventdata, handles) % hObject handle to pushbutton5 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % mereset button2 axes(handles.axes1) cla reset set(gca,'XTick',[]) set(gca,'YTick',[]) axes(handles.axes2) cla reset set(gca,'XTick',[]) set(gca,'YTick',[]) axes(handles.axes3) cla reset set(gca,'XTick',[]) set(gca,'YTick',[]) set(handles.edit1,'String',[]) set(handles.edit2,'String',[]) set(handles.text2,'String',[]) set(handles.uitable1,'Data',[]) function edit1_Callback(hObject, eventdata, handles) % hObject handle to edit1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of edit1 as text % str2double(get(hObject,'String')) returns contents of edit1 as a double % --- Executes during object creation, after setting all properties. function edit1_CreateFcn(hObject, eventdata, handles) % hObject handle to edit1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end function edit2_Callback(hObject, eventdata, handles) % hObject handle to edit2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of edit2 as text % str2double(get(hObject,'String')) returns contents of edit2 as a double % --- Executes during object creation, after setting all properties. function edit2_CreateFcn(hObject, eventdata, handles) % hObject handle to edit2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end
Tampilan GUI Matlab yang dihasilkan oleh algoritma dan pemrograman di atas adalah sebagai berikut:
Klasifikasi jenis sayuran kol
Klasifikasi jenis sayuran sawi
Klasifikasi jenis sayuran wortel
Metode pengolahan citra di atas menunjukkan bahwa jenis sayuran dapat diklasifikasikan dengan baik. Dengan didasari oleh teori pengolahan citra, kita dapat mengembangkan metode pengolahan citra terbaru lainnya untuk klasifikasi objek agar diperoleh tingkat akurasi yang lebih baik.
File source code lengkap beserta citra pada pemrograman di atas dapat diperoleh melalui halaman berikut ini: Source code
Posted on January 1, 2019, in Pengenalan Pola, Pengolahan Citra and tagged algoritma knn, algoritma knn adalah, algoritma pca adalah, contoh tutorial pemrograman, feature extraction, feature reduction, feature selection, klasifikasi citra, pca adalah, reduksi fitur, segmentasi citra, thresholding citra, thresholding otsu, tutorial pemrograman. Bookmark the permalink. 13 Comments.
mas bikin materi tentang Linear Discriminant Analysis (LDA) dong, kan masih ada kaitannya sama PCA ini.. lagi belajar lDA soalnya 😀
semoga ke depan terdapat materi tentang Linear Discriminant Analysis (LDA)
mas mau tanya klo knn disni sya gnti euclidean distance bisa gk untuk menentukan kelas cacat dan tidak cacat? caranya bagaimana ya mas? pca untuk mendapatkan nilai coef,latent,score dri mana ya mas? klo dipca saya gnti ke nilai mean, kovarian, eigen value, eigenface bagaimana mas?
mas untuk materi kohonen SOM ada ga ya?
mudah mudahan ke depan terdapat materi mengenai kohonen dan SOM
Assalamualaikum wr. wb.
Mas Adi, apabila codingan ini diterapkan pada object wajah untuk klasifikasi gender apakah cocok ?
Terima Kasih, semoga selalu diberi kesehatan untuk bs berbagi ilmu
Wassalamulaikum wr wb
Waalaikumsalam
Koding di atas bisa dicoba diimplementasikan untuk klasifikasi gender berdasarkan citra wajah
Mas Adi, saya mau tanya source code untuk button undo/redo di matlab bagaimana yah? apakah ada?
Terima Kasih mas Adi
Mas adi, saya mau tanya. Untuk percobaan di atas yang citra wortel, didapat nilai Hue = 0.1732, Saturation = 0.7610 dan Value = 0.7607. Yang ingin saya tanya, Hue memiliki nilai 0.1732 itu artinya apa ya? Begitu juga dengan Saturation dan Value
Kombinasi dari ketiga nilai tersebut menyatakan warna dari wortel
Assalamualaikum mas adi, saya mau tanya kenapa harus menggunakan algoritma PCA? Apakah bisa apabila hanya menggunakan metode kNN?
Waalaikumsalam
Tidak harus, bisa dicoba tanpa algoritma PCA
mau tanya pak, ini segmentasinya pakai metode apa ya?