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. 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 , , , , , , , , , , , , , . Bookmark the permalink. 3 Comments.

  1. Wildan Rahmawan

    mas bikin materi tentang Linear Discriminant Analysis (LDA) dong, kan masih ada kaitannya sama PCA ini.. lagi belajar lDA soalnya 😀

  2. 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?

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out /  Change )

Google photo

You are commenting using your Google account. Log Out /  Change )

Twitter picture

You are commenting using your Twitter account. Log Out /  Change )

Facebook photo

You are commenting using your Facebook account. Log Out /  Change )

Connecting to %s

%d bloggers like this: