ABSTRAKSI: Tugas akhir ini bertujuan menghasilkan suatu alat bantu berbasis software untuk para peneliti bakteri E.coli pada air sungai dan air sumur dalam mendiagnosa citra air serta mempermudah dalam mengklasifikasikan tipe kelayakan air ke dalam tiga kelas, yaitu kelas air banyak, kelas air sedang, dan kelas air sedikit yang terjangkit bakteri. Secara umum, pendeteksian E.coli ini terdiri dari 3 bagian utama, yaitu: Preprocessing, Feature extraction dan Classification.
Proses pendektesian bakteri patogen terdiri dari berapa proses, yaitu proses ekstrasi ciri menggunakan Local Binary Paterrn (LBP) dan sebelumnya melakukan perbandingan menggunakan Principal Component Analysis (PCA) untuk menghasilkan fungsi dasar maksimal yang dapat mempersentasikan ciri khas bakteri E.coli secara efisien. Sedangkan untuk klasifikasi menggunakan metode K-Nearest Neighbour (K-NN) dengan cara melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Pemrosesan awal dilakukan dengan cara membuang informasi yang tidak dibutuhkan dalam pengolahan citra.
Keluaran dari sistem berupa pengelompokkan bakteri yang tepat untuk setiap citra yang dihasilkan pada mikroskop yang menjadi masukan. Sistem yang telah dirancang memiliki tingkat akurasi sebesar 86.3% dengan rata-rata waktu komputasi mencapai 3.488-6.322 detik.Kata Kunci : E.coli, Coliform, Local Binary Pattern (LBP), PCA (Principal Component Analysis), K-Nearest Neighbour (K-NN)ABSTRACT: Thesis aimed at generating a software-based tool for researchers E.coli bacteria in river water and ground water in the water as well as image diagnose facilitate feasibility in classifying the type of water into three classes that is class affected many water bacteria, class affected medium water bacteria and class affected a little water bacteria. In general, the detection of E. coli consists of 3 main parts : Preprocessing, Feature Extraction and Classification.
Detection process consists of a number of pathogenic bacteria process, namely the extraction process using Local Binary Paterrn characteristics (LBP) and before doing a comparison using Principal Component Analysis (PCA) to produce the maximum basic functions that can presented feature extraction of E.coli bacteria efficiently. As for the classification using the K-Nearest Neighbour (K-NN) by means of classification of objects based on the distance learning data closest to the object. Initial processing is done by removing unneeded information in image processing.
Output of the system in the form of grouping bacteria for each image produced on a microscope. The system has been designed to have an accuracy rate of 86.3% with an average computation time reaches 3488-6322 seconds.Keyword: E coli, Coliform, Local Binary Pattern (LBP), K-Nearest Neighbour (K-NN)