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.