Gray Level Co-occurrence Matrix (GLCM) adalah sebuah matriks yang digunakan untuk menganalisis tekstur pada citra digital. Berikut adalah beberapa informasi mengenai GLCM:

1. GLCM digunakan untuk mengukur hubungan antara nilai piksel pada citra digital. Matriks ini menghitung frekuensi kemunculan pasangan nilai piksel yang berada pada jarak dan arah tertentu pada citra.
2. GLCM dapat digunakan untuk menghasilkan berbagai fitur tekstur pada citra, seperti kontras, homogenitas, dan energi. Fitur-fitur ini dapat digunakan untuk mengklasifikasikan citra atau membedakan citra dari kelas yang berbeda.
3. GLCM dapat dihitung dengan cara menghitung frekuensi kemunculan pasangan nilai piksel pada citra dengan jarak dan arah tertentu. Hasilnya adalah sebuah matriks yang berisi frekuensi kemunculan pasangan nilai piksel pada citra.
4. GLCM dapat dihitung pada citra grayscale maupun citra berwarna. Pada citra berwarna, GLCM dapat dihitung pada setiap saluran warna (misalnya merah, hijau, dan biru) atau pada citra grayscale yang dihasilkan dari konversi citra berwarna ke grayscale.
5. GLCM dapat dihitung menggunakan berbagai bahasa pemrograman, seperti Python dan MATLAB. Terdapat pustaka-pustaka khusus yang dapat digunakan untuk menghitung GLCM pada citra digital.
6. GLCM dapat digunakan dalam berbagai aplikasi, seperti pengenalan pola, pengolahan citra medis, dan pengenalan objek pada citra.

Dalam pengolahan citra digital, GLCM adalah salah satu metode yang populer untuk menganalisis tekstur pada citra. Metode ini dapat digunakan untuk menghasilkan berbagai fitur tekstur yang dapat digunakan dalam berbagai aplikasi pengolahan citra digital.

Pendahuluan

Penelitian ini bertujuan untuk menerapkan pengolahan citra dalam klasifikasi kualitas biji kopi menggunakan metode Gray Level Co-occurrence Matrix (GLCM) dan K-Nearest Neighbor (K-NN), dengan segmentasi region growing. Tujuan utama dari penelitian ini adalah mengklasifikasikan biji kopi menjadi “baik” dan “buruk” dengan meningkatkan akurasi menggunakan segmentasi region growing sebelum ekstraksi fitur dan klasifikasi.

Metode

1. Pengumpulan Data: Data terdiri dari 70 citra biji kopi berkualitas baik dan 70 citra biji kopi berkualitas buruk. Selanjutnya, 10 citra baik dan 10 citra buruk digunakan untuk pengujian.
2. Segmentasi Region Growing: Proses segmentasi dilakukan sebelum ekstraksi fitur. Metode region growing digunakan untuk memisahkan daerah-daerah yang berbeda pada citra biji kopi. Ini membantu memfokuskan analisis hanya pada bagian yang relevan dari citra.
3. Ekstraksi Fitur dengan GLCM: Fitur GLCM dihitung dari setiap daerah yang telah di-segmentasi. Fitur-fitur tersebut mencakup kontras, energi, homogenitas, dan korelasi.
4. Pelatihan dan Klasifikasi dengan K-NN: Pelatihan dilakukan dengan menggunakan 70 citra biji kopi baik dan 70 citra biji kopi buruk yang telah disegmentasi dan dihitung fitur-fiturnya. Klasifikasi K-NN dilakukan menggunakan fitur-fitur tersebut.

Hasil dan Analisis

Dalam proses pelatihan, diperoleh akurasi sebesar 90%, precision sebesar 83,33%, recall sebesar 100%, dan error rate sebesar 10%. Hasil ini menunjukkan kemampuan model untuk mengklasifikasikan citra biji kopi dengan baik.

Dalam proses pengujian, akurasi diperoleh sebesar 75%, precision sebesar 66,67%, recall sebesar 100%, dan error rate sebesar 25%. Meskipun akurasi turun sedikit, model masih dapat mengklasifikasikan biji kopi dengan baik dan buruk dengan akurasi yang wajar.

Kesimpulan

Penelitian ini menunjukkan bahwa pengolahan citra dengan metode GLCM, K-NN, dan segmentasi region growing efektif dalam mengklasifikasikan kualitas biji kopi. Segmentasi region growing membantu memfokuskan analisis pada bagian yang relevan dari citra, meningkatkan akurasi dalam klasifikasi. Hasil akhir dari penelitian ini memberikan gambaran yang kuat tentang kemampuan model dalam mengenali biji kopi berkualitas baik dan buruk berdasarkan fitur-fitur yang diekstraksi dan dianalisis. Namun, peningkatan lebih lanjut dalam akurasi mungkin dapat dicapai dengan menambah jumlah data pelatihan atau menerapkan teknik lainnya.