Top Banner
BAB 3 ANALISIS METODE 3.1 Analisis Masalah Dalam mendeteksi citra keakurasian sangatlah penting karena untuk menghasilkan suatu system pendeteksi citra dibutuhkan keakurasian yang baik. Metode yang digunakan untuk mendeteksi citra pun dijadikan suatu pertimbangan. Metode yang akan digunakan adalah metode Matrik Co-occurence untuk ekstraksi ciri dan metode Naïve Bayes untuk klasifikasinya. Dipenelitian sebelumnya telah dijelaskan bahwa metode Matrik Co-occurrence dikombinasikan dengan K-Nearest Neighbour dapat mencapai hasil keakurasian tertinggi yaitu 90% dengan masukkan 5 kelas citra biji-bijian. Namun ada kelemahan di algoritma klasifikasinya, yaitu K-Nearest Neighbour bergantung pada nilai K, dimana nlai K adalah nilai untuk mencari tetangga terdekat, apabila nilai K = 1, maka akan dicari 1 nilai terdekat dari data testing ke database, dan jika K = 10, maka akan dicari 10 nilai terdekat antara data testing dengan 10 data terdekat dari database, dan semakin besar nilai K semakin buruk akurasinya. Dari masalah tersebut, peneliti sebelumnya menyarankan untuk melakukan penelitian sejenis dengan mengganti algoritma klasifikasinya sehingga
35

Bab III(Belum Fix)

Dec 26, 2015

Download

Documents

Mian

a
Welcome message from author
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Page 1: Bab III(Belum Fix)

BAB 3

ANALISIS METODE

3.1 Analisis Masalah

Dalam mendeteksi citra keakurasian sangatlah penting karena untuk menghasilkan

suatu system pendeteksi citra dibutuhkan keakurasian yang baik. Metode yang digunakan

untuk mendeteksi citra pun dijadikan suatu pertimbangan. Metode yang akan digunakan

adalah metode Matrik Co-occurence untuk ekstraksi ciri dan metode Naïve Bayes untuk

klasifikasinya. Dipenelitian sebelumnya telah dijelaskan bahwa metode Matrik Co-

occurrence dikombinasikan dengan K-Nearest Neighbour dapat mencapai hasil keakurasian

tertinggi yaitu 90% dengan masukkan 5 kelas citra biji-bijian. Namun ada kelemahan di

algoritma klasifikasinya, yaitu K-Nearest Neighbour bergantung pada nilai K, dimana nlai

K adalah nilai untuk mencari tetangga terdekat, apabila nilai K = 1, maka akan dicari 1 nilai

terdekat dari data testing ke database, dan jika K = 10, maka akan dicari 10 nilai terdekat

antara data testing dengan 10 data terdekat dari database, dan semakin besar nilai K

semakin buruk akurasinya. Dari masalah tersebut, peneliti sebelumnya menyarankan untuk

melakukan penelitian sejenis dengan mengganti algoritma klasifikasinya sehingga nantinya

dapat di bandingkan metode mana yana yang lebih baik.

Berdasarkan uraian diatas yang telah disampaikan, maka akan dilakukan penelitian

yang sama dengan mengganti algoritma klasifikasinya dengan naïve bayes, naïve bayes

adalah algoritma klasifikasi yang tidak memiliki ketergantungan dengan nilai manapun dari

luar sehingga naïve bayes sangatlah cocok untuk melakukan klasifikasi.

3.2 Analisis Data

Analisis data terdiri dari analisis data masukkan dan analisis data keluaran. Sampel

data diperoleh dari pengambilan poto citra biji-bijian. Citra biji bijian yang digunakan

terdiri dari 5 kelas, yaitu kacang hijau, ketan hitam, beras, kacang merah dan kacang

kedelai

Page 2: Bab III(Belum Fix)

30

3.2.1Analisis Data Masukkan

Data masukan berupa hasil ekstraksi ciri dari citra yang sebelumnya telah di

resize, dari ukuran semula ke ukuran 64 x 64. Kemudian citra tersebut akan

mengalami preprocessing sebelum masuk ke tahap ekstraksi ciri. Preprocessing yang

akan dilakukan adalah untuk menyederhanakan dan memudahkan proses selanjutnya.

Proses pada preprocessing adalah mengkonversi citra asal ke dalam bentuk

greyscale sehingga untuk setiap pixel citra hanya akan terdapat satu nilai

keabuan(grey value). Setelah citra melalui proses greyscale maka akan dihasilkan

gambar dengan warna greyscale dan tampilan matrix citra. Selanjutnya untuk

mendapatkan data masukan citra greyscale akan di lakukan pembentukan matrix Co-

occurrence dan menentukan nilai probabilitas matrix coocurence, dan setelah

mendapatkan nilai probabilitas matrix co-occurrence selanjutnya adalah melakukan

ekstraksi ciri, yang dimana akan dijadikan data inputan untuk klasifikasi.

3.2.2 Analisis Data Keluaran

Data keluaran adalah data hasil setelah melakukan serangkaian proses. Dalam

penelitian ini, data masukan akan melalui tahap image processing yang terdiri dari :

(preprocessing, Pembentukan matrix Co-occurrence, dan ekstraksi ciri), lalu akan melalui

tahap klasifikasi yaitu pelatihan dan pengetesan. Setelah melalui serangkaian proses

tersebut, maka akan dihasilkan data keluaran berupa hasil klasifikasi. Data keluaran

didapatkan dari hasil klasifikasi, dimana metode klasifikasi yang digunakan adalah metode

klasifikasi naïve bayes.

Tabel 3.5 Analisis Data Keluaran Metode Naive Bayes

Nilai Keterangan

P( X∨Beras)>P( X∨Kacang Hijau)dan

P( X∨Beras)>P( X∨Kacang merah)

Beras

Page 3: Bab III(Belum Fix)

31

dan

P ( X|Beras )>P ( X|Ketan Hitam )dan

P ( X|Beras )>P ( X|Kacang Kedelai )

P( X∨Kacang hijau)>P( X∨Beras)

dan

P( X∨Kacang hijau)>P( X∨Ketan Hitam)dan

P ( X|Kacang Hijau )>P ( X|Kacang Merah )dan

P ( X|Kacang hijau )>P ( X|Kacang kedelai )

Kacang hijau

P( X∨Ketan Hitam)>P( X∨Beras)

dan

P( X∨Ketanhitam)>P( X∨Kacang Hijau)dan

P ( X|Ketan Hitam )>P ( X|Kacang Merah )dan

P ( X|Ketan Hitam )>P ( X|Kacang Kedelai )

Ketan hitam

P( X∨Kacang Merah)>P( X∨Beras)

dan

P( X∨Kacang Merah)>P( X∨Kacang Hijau)dan

P ( X|Kacang Merah )>P ( X|Ketan Hitam )dan

P ( X|Kacang Merah )>P ( X|Kacang Kedelai )

Kacang merah

P( X∨Kacang kedelai)>P( X∨Beras)

dan

P( X∨Kacang kedelai)>P( X∨Kacang hijau)dan

P ( X|Kacang kedelai )>P ( X|ketan hitam )dan

Kacang kedelai

Page 4: Bab III(Belum Fix)

32

P ( X|Kacang kedelai )>P ( X|Kacang merah )

3.3 Arsitektur Sistem

Arsitektur system yang digunakan adalah seperti yang diperlihatkan pada gambar 3.3.

system akan dipecah dalam 5 proses utama, 1 preprocessing, 2 pembentukan matrik co-

occurrence, 3 ekstraksi ciri matrik co-occurrence 4 training(menghitung mean dan standar

deviasi) 5 testing(perhitungan densitas probabilitas dan maksimum likehood).

Gambar 3.3 Arsitektur system klasifikasi citra

3.3.1 preprocessing

Diagram alir preprocessing citra dalam penelitian ini ditunjukan pada gambar 3.3.1

Page 5: Bab III(Belum Fix)

33

Gambar 3.3.1 Preprocessing

Proses awal adalah preprocessing, dalam preprocessing penelitian ini adalah mengkonversi

citra asal ke citra keabuan sehingga setiap pixelnya akan memiliki 1 nilai keabuan.

3.3.2 pembentukan matrik

Gambar 3.3.2 Pembentukan matrik Co-occurrence

Page 6: Bab III(Belum Fix)

34

3.3.3 ekstraksi ciri matrik co-occurrence

Proses ekstraksi ciri dilakukan dengan menghitung 5 ciri statistic matrik co-occurrence.

Matrik co-occurrence yang akan dihitung adalah matrik co-ocurence 00, 450, 900 dan 1350

sehingga ada 20 ciri statistic, yang kemudian akan di hitung rata rata setiap ciri statistic

tersebut, sehingga akan didapatkan energy, entropi, homogenitas, kontras, dan kolerasi.

Diagram alir ekstraksi ciri matrik co-occurnce adalah pada gambar 3.3.3

Gambar 3.3.3 ekstraksi ciri matrik co-occurnce

3.3.4 training (mencari mean dan standar deviasi)

Proses selanjutnya adalah training, dengan menghitung mean dan standar deviasi masing

masing kelas. Gambar 3.3.4 adalah diagram alir untuk proses training

Page 7: Bab III(Belum Fix)

35

Gambar 3.3.4

3.3.5 testing(densitas probabilitas dan maksimum likehood)

Proses selanjutnya adalah testing, dengan menghitung densitas probabilitas dan maksimum

likehood. Gambar 3.3.5 adalah diagram alir untuk proses testing

Gambar 3.3.5 Testing

Page 8: Bab III(Belum Fix)

36

3.4 Analisis Metode

Analisis metode sangat membantu dalam meningkatkan efisiensi program.

Kecanggihan suatu program bukan dilihat dari tampilan program, tetapi berdasarkan

efisiensi metode atau algoritma yang terdapat didalam program tersebut. Dalam

menguji suatu metode, dibutuhkan beberapa kriteria untuk mengukur efisiensi suatu

metode yaitu dengan cara memeriksa kebenaran bentuk logika, implementasi metode

algoritma, pengujian dengan data dan menggunakan cara matematika untuk

membuktikan kebenaran.

Page 9: Bab III(Belum Fix)

Matrix citra Kacang hijau

Page 10: Bab III(Belum Fix)

30

3.4.1Analisis metode Matrik Co-occurance

A. Membentuk Cooccurence Matrix Simetris Ternormalisasi

Langkah Langkah untuk membentuk Cooccurence Matrix simetris ternormalisasi adalah

sebagai berikut :

1.Membentuk Frame work

Frame work yang terbentuk akan memiliki ukuran 16 x 16 karena citra grayscale diatas

memiliki 16 nilai intensitas yaitu (0,sampai 15).Framework yang terbentuk seperti dibawah

ini:

  0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

0 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,10 0,11 0,12 0,13 0,14 0,15

1 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 1,10 1,11 1,12 1,13 1,14 1,15

2 2,0 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 2,10 2,11 2,12 2,13 2,14 2,15

3 3,0 3,1 3,2 3,3 3,4 3,5 3,6 3,7 3,8 3,9 3,10 3,11 3,12 3,13 3,14 3,15

4 4,0 4,1 4,2 4,3 4,4 4,5 4,6 4,7 4,8 4,9 4,10 4,11 4,12 4,13 4,14 4,15

5 5,0 5,1 5,2 5,3 5,4 5,5 5,6 5,7 5,8 5,9 5,10 5,11 5,12 5,13 5,14 5,15

6 6,0 6,1 6,2 6,3 6,4 6,5 6,6 6,7 6,8 6,9 6,10 6,11 6,12 6,13 6,14 6,15

7 7,0 7,1 7,2 7,3 7,4 7,5 7,6 7,7 7,8 7,9 7,10 7,11 7,12 7,13 7,14 7,15

8 8,0 8,1 8,2 8,3 8,4 8,5 8,6 8,7 8,8 8,9 8,10 8,11 8,12 8,13 8,14 8,15

9 9,0 9,1 9,2 9,3 9,4 9,5 9,6 9,7 9,8 9,9 9,10 9,11 9,12 9,13 9,14 9,15

10 10,0 10,1 10,2 10,310,

410,5 10,6 10,7 10,8 10,9 10,10 10,11 10,12 10,13 10,14 10,15

11 11,0 11,1 11,2 11,311,

411,5 11,6 11,7 11,8 11,9 11,10 11,11 11,12 11,13 11,14 11,15

12 12,0 12,1 12,2 12,312,

412,5 12,6 12,7 12,8 12,9 12,10 12,11 12,12 12,13 12,14 12,15

13 13,0 13,1 13,2 13,313,

413,5 13,6 13,7 13,8 13,9 13,10 13,11 13,12 13,13 13,14 13,15

14 14,0 14,1 14,2 14,314,

414,5 14,6 14,7 14,8 14,9 14,10 14,11 14,12 14,13 14,14 14,15

15 15,0 15,1 15,2 15,315,

415,5 15,6 15,7 15,8 15,9 15,10 15,11 15,12 15,13 15,14 15,15

Page 11: Bab III(Belum Fix)

31

2. Membentuk Matriks Kookurensi dari matriks awal

Matriks kookurensi didefinisikan dengan dua langkah sederhana sebagai berikut: Hubungan

spasial untuk d=1 dan θ=0o pada matriks diatas dapat dituliskan dalam matriks berikut.

 0 1 2 3 4 5 6 7 8 9

1

0

1

1

1

2

1

3

1

4

1

5

0 52

6

1

0

1

24 2 7 1 0 0 0 0 0 0 0 0

12

1

1

1

8

9

5

6

6

3

7

2

9

2

5

1

26 1 0 0 0 0 0 0

21

7

1

1

0

1

2

8

8

8

6

4

4

1

2

0

2

2

1

25 4 1 0 0 0 0

3 64

9

9

0

8

9

8

1

5

0

4

0

2

1

2

0

1

35 4 0 0 0 0

4 44

7

5

6

6

6

1

0

8

6

7

4

5

2

3

1

3

2

15 5 1 2 0 0

5 42

3

3

2

5

1

5

7

9

7

7

0

3

8

2

6

2

4

1

35 2 0 0 0

6 41

2

3

8

4

0

3

5

5

6

9

2

6

9

3

3

1

99

1

00 0 0 0

7 01

2

2

1

2

6

3

2

3

1

4

2

6

6

5

5

3

8

2

04 4 0 0 0

8 0 42

1

1

4

1

4

2

4

3

3

3

8

6

2

4

0

2

5

1

37 0 0 0

9 1 51

3

1

0

1

9

2

5

2

2

1

7

3

6

4

7

3

2

2

48 3 0 0

1

00 1 2 6 6

1

2

1

2

2

2

2

0

2

6

3

2

1

9

1

11 0 0

1

10 0 2 3 7 3 8

1

26

1

9

1

9

1

4

1

71 0 0

1

20 0 0 1 2 2 2 9 8 5 8 1 6 0 0 0

Page 12: Bab III(Belum Fix)

32

4

1

30 0 0 1 0 2 0 1 0 1 1 0 1 0 0 0

1

40 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

1

50 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

3. Mentranpose matriks

Matriks kookurensi yang sudah didapat selanjutnya di transpose

5 21 17 6 4 4 4 0 0 1 0 0 0 0 0 0

2

6

11

8

11

0

4

9 47

2

3

1

2

1

2 4 5 1 0 0 0 0 0

1

0 95

12

8

9

0 56

3

2

3

8

2

1

2

1

1

3 2 2 0 0 0 0

1

2 66 88

8

9 66

5

1

4

0

2

6

1

4

1

0 6 3 1 1 0 0

4 37 64

8

1

10

8

5

7

3

5

3

2

1

4

1

9 6 7 2 0 0 0

2 29 41

5

0 67

9

7

5

6

3

1

2

4

2

5

1

2 3 2 2 0 0

7 25 20

4

0 45

7

0

9

2

4

2

3

3

2

2

1

2 8 2 0 0 0

1 12 22

2

1 23

3

8

6

9

6

6

3

8

1

7

2

2

1

2 9 1 0 0

0 6 12

2

0 13

2

6

3

3

5

5

6

2

3

6

2

0 6 8 0 0 0

0 1 5

1

3 21

2

4

1

9

3

8

4

0

4

7

2

6

1

9 5 1 0 0

0 0 4 5 5

1

3 9

2

0

2

5

3

2

3

2

1

9 8 1 0 0

0 0 1 4 5 5

1

0 4

1

3

2

4

1

9

1

4

1

4 0 0 0

0 0 0 0 1 2 0 4 7 8

1

1

1

7 6 1 0 0

0 0 0 0 2 0 0 0 0 3 1 1 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

4.Menjumlahkan Matriks coocurrence dengan Transposenya untuk menjadikkannya simetris

5 26 10 12 4 2 7 1 0 0 0 0 0 0 0 0

21 118 95 66 37 29 25 12 6 1 0 0 0 0 0 0

Page 13: Bab III(Belum Fix)

33

17 11012

888 64 41 20 22 12 5 4 1 0 0 0 0

6 49 90 89 81 50 40 21 20 13 5 4 0 0 0 0

4 47 56 66 108 67 45 23 13 21 5 5 1 2 0 0

4 23 32 51 57 97 70 38 26 24 13 5 2 0 0 0

4 12 38 40 35 56 92 69 33 19 9 10 0 0 0 0

0 12 21 26 32 31 42 66 55 38 20 4 4 0 0 0

0 4 21 14 14 24 33 38 62 40 25 13 7 0 0 0

1 5 13 10 19 25 22 17 36 47 32 24 8 3 0 0

0 1 2 6 6 12 12 22 20 26 32 19 11 1 0 0

0 0 2 3 7 3 8 12 6 19 19 14 17 1 0 0

0 0 0 1 2 2 2 9 8 5 8 14 6 0 0 0

0 0 0 1 0 2 0 1 0 1 1 0 1 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

+

5 21 17 6 4 4 4 0 0 1 0 0 0 0 0 0

2

6

11

8

11

0

4

9 47

2

3

1

2

1

2 4 5 1 0 0 0 0 0

1

0 95

12

8

9

0 56

3

2

3

8

2

1

2

1

1

3 2 2 0 0 0 0

1

2 66 88

8

9 66

5

1

4

0

2

6

1

4

1

0 6 3 1 1 0 0

4 37 64

8

1

10

8

5

7

3

5

3

2

1

4

1

9 6 7 2 0 0 0

2 29 41

5

0 67

9

7

5

6

3

1

2

4

2

5

1

2 3 2 2 0 0

7 25 20

4

0 45

7

0

9

2

4

2

3

3

2

2

1

2 8 2 0 0 0

1 12 22

2

1 23

3

8

6

9

6

6

3

8

1

7

2

2

1

2 9 1 0 0

0 6 12

2

0 13

2

6

3

3

5

5

6

2

3

6

2

0 6 8 0 0 0

0 1 5

1

3 21

2

4

1

9

3

8

4

0

4

7

2

6

1

9 5 1 0 0

0 0 4 5 5

1

3 9

2

0

2

5

3

2

3

2

1

9 8 1 0 0

0 0 1 4 5 5

1

0 4

1

3

2

4

1

9

1

4

1

4 0 0 0

0 0 0 0 1 2 0 4 7 8 1 1 6 1 0 0

Page 14: Bab III(Belum Fix)

34

1 7

0 0 0 0 2 0 0 0 0 3 1 1 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

=

10 47 27 18 8 6 11 1 0 1 0 0 0 0 0 0

47 236 205 115 84 52 37 24 10 6 1 0 0 0 0 0

27 205 256 178 120 73 58 43 33 18 6 3 0 0 0 0

18 115 178 178 147 101 80 47 34 23 11 7 1 1 0 0

8 84 120 147 216 124 80 55 27 40 11 12 3 2 0 0

6 52 73 101 124 194 126 69 50 49 25 8 4 2 0 0

11 37 58 80 80 126 184 111 66 41 21 18 2 0 0 0

1 24 43 47 55 69 111 132 93 55 42 16 13 1 0 0

0 10 33 34 27 50 66 93 124 76 45 19 15 0 0 0

1 6 18 23 40 49 41 55 76 94 58 43 13 4 0 0

0 1 6 11 11 25 21 42 45 58 64 38 19 2 0 0

0 0 3 7 12 8 18 16 19 43 38 28 31 1 0 0

0 0 0 1 3 4 2 13 15 13 19 31 12 1 0 0

0 0 0 1 2 2 0 1 0 4 2 1 1 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Normalisasi matriks untuk mengubahnya ke bentuk probabilitas, Total jumlah pasangan =

8064

Untuk mencari probabilitas akan maka digunakan perhitungan P(i,j) = (i,j)/total jumlah

pasangan

Contoh perhitungan P(0,0) = 10/8064 =

Hasil probabilitas :

0.0

01

0.0

06

0.0

03

0.0

02

0.0

01

0.0

01

0.0

010 0 0 0 0 0 0 0 0

0.0

06

0.0

29

0.0

25

0.0

14

0.0

10

0.0

06

0.0

05

0.0

03

0.0

01

0.0

010 0 0 0 0 0

0.0

03

0.0

25

0.0

32

0.0

22

0.0

15

0.0

09

0.0

07

0.0

05

0.0

04

0.0

02

0.0

010 0 0 0 0

0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0 0 0 0

Page 15: Bab III(Belum Fix)

35

02 14 22 22 18 13 10 06 04 03 01 01

0.0

01

0.0

10

0.0

15

0.0

18

0.0

27

0.0

15

0.0

10

0.0

07

0.0

03

0.0

05

0.0

01

0.0

010 0 0 0

0.0

01

0.0

06

0.0

09

0.0

13

0.0

15

0.0

24

0.0

16

0.0

09

0.0

06

0.0

06

0.0

03

0.0

010 0 0 0

0.0

01

0.0

05

0.0

07

0.0

10

0.0

10

0.0

16

0.0

23

0.0

14

0.0

08

0.0

05

0.0

03

0.0

020 0 0 0

00.0

03

0.0

05

0.0

06

0.0

07

0.0

09

0.0

14

0.0

16

0.0

12

0.0

07

0.0

05

0.0

02

0.0

020 0 0

00.0

01

0.0

04

0.0

04

0.0

03

0.0

06

0.0

08

0.0

12

0.0

15

0.0

09

0.0

06

0.0

02

0.0

020 0 0

00.0

01

0.0

02

0.0

03

0.0

05

0.0

06

0.0

05

0.0

07

0.0

09

0.0

12

0.0

07

0.0

05

0.0

020 0 0

0 00.0

01

0.0

01

0.0

01

0.0

03

0.0

03

0.0

05

0.0

06

0.0

07

0.0

08

0.0

05

0.0

020 0 0

0 0 00.0

01

0.0

01

0.0

01

0.0

02

0.0

02

0.0

02

0.0

05

0.0

05

0.0

03

0.0

040 0 0

0 0 0 0 0 0 00.0

02

0.0

02

0.0

02

0.0

02

0.0

04

0.0

010 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

B. Perhitungan fitur untuk Tekstur

1. Contras

Rumus Kontras= ∑

i , j=0

n−1

(Pi , j) .( i− j)2

Dimana:

i dan j adalah sifat keabuan dari resolusi 2 piksel yang berdekatan

p (i,j) adalah Probabilitas kolom(i,j)

Syarat : Ketika nilai i dan j sama, sel berada pada diagonal dan (i-j) = 0. Nilai-nilai ini

merepresentasikan pixel yang keseluruhannya mirip dengan tetangga mereka, sehingga

mereka diberi bobot 0

Contoh PerhitunganP( i , j) .( i− j)2

P(0,0 ).(0−0 )2= 0.001 . 0 = 0

P(0,1 ).(0−1)2= 0.006 . 1 = 0.006

Hasil perhitungan dari P(0,0 ).(0−0 )2sampai P(15 , 15) .(15−15 )2

Page 16: Bab III(Belum Fix)

36

00.0

06

0.0

13

0.0

20

0.0

16

0.0

19

0.0

49

0.0

060

0.0

100 0 0 0 0 0

0.0

060

0.0

25

0.0

57

0.0

94

0.1

03

0.1

15

0.1

07

0.0

61

0.0

48

0.0

100 0 0 0 0

0.0

13

0.0

250

0.0

22

0.0

60

0.0

81

0.1

15

0.1

33

0.1

47

0.1

09

0.0

48

0.0

300 0 0 0

0.0

20

0.0

57

0.0

220

0.0

18

0.0

50

0.0

89

0.0

93

0.1

05

0.1

03

0.0

67

0.0

56

0.0

10

0.0

120 0

0.0

16

0.0

94

0.0

60

0.0

180

0.0

15

0.0

40

0.0

61

0.0

54

0.1

24

0.0

49

0.0

73

0.0

24

0.0

200 0

0.0

19

0.1

03

0.0

81

0.0

50

0.0

150

0.0

16

0.0

34

0.0

56

0.0

97

0.0

78

0.0

36

0.0

24

0.0

160 0

0.0

49

0.1

15

0.1

15

0.0

89

0.0

40

0.0

160

0.0

14

0.0

33

0.0

46

0.0

42

0.0

56

0.0

090 0 0

0.0

06

0.1

07

0.1

33

0.0

93

0.0

61

0.0

34

0.0

140

0.0

12

0.0

27

0.0

47

0.0

32

0.0

40

0.0

040 0

00.0

61

0.1

47

0.1

05

0.0

54

0.0

56

0.0

33

0.0

120

0.0

09

0.0

22

0.0

21

0.0

300 0 0

0.0

10

0.0

48

0.1

09

0.1

03

0.1

24

0.0

97

0.0

46

0.0

27

0.0

090

0.0

07

0.0

21

0.0

15

0.0

080 0

00.0

10

0.0

48

0.0

67

0.0

49

0.0

78

0.0

42

0.0

47

0.0

22

0.0

070

0.0

05

0.0

09

0.0

020 0

0 00.0

30

0.0

56

0.0

73

0.0

36

0.0

56

0.0

32

0.0

21

0.0

21

0.0

050

0.0

040 0 0

0 0 00.0

10

0.0

24

0.0

24

0.0

09

0.0

40

0.0

30

0.0

15

0.0

09

0.0

040 0 0 0

0 0 00.0

12

0.0

20

0.0

160

0.0

040

0.0

08

0.0

020 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

∑i , j=0

n−1

P( i , j).( i− j)2

= 6.880

Nilai contrast adalah 6.880

Page 17: Bab III(Belum Fix)

37

2.Homogenitas

Rumus homogenitas ∑

i , j=0

n−1

P( i,j) / [ 1+( i-j )2 ]

Dimana:

i dan j adalah sifat keabuan dari resolusi 2 piksel yang berdekatan

p (i,j) adalah Probabilitas kolom(i,j)

Contoh Perhitungan P( i,j ) / [1+( i-j)2 ]

P(0,0 ) / [1+(0-0 )2 ]= 0.001/1 = 0.001

0.0

01

0.0

03

0.0

010 0 0 0 0 0 0 0 0 0 0 0 0

0.0

03

0.0

29

0.0

13

0.0

03

0.0

010 0 0 0 0 0 0 0 0 0 0

0.0

01

0.0

13

0.0

32

0.0

11

0.0

03

0.0

010 0 0 0 0 0 0 0 0 0

00.0

03

0.0

11

0.0

22

0.0

09

0.0

03

0.0

010 0 0 0 0 0 0 0 0

00.0

01

0.0

03

0.0

09

0.0

27

0.0

08

0.0

02

0.0

010 0 0 0 0 0 0 0

0 00.0

01

0.0

03

0.0

08

0.0

24

0.0

08

0.0

02

0.0

010 0 0 0 0 0 0

0 0 00.0

01

0.0

02

0.0

08

0.0

23

0.0

07

0.0

02

0.0

010 0 0 0 0 0

0 0 0 00.0

01

0.0

02

0.0

07

0.0

16

0.0

06

0.0

01

0.0

010 0 0 0 0

0 0 0 0 00.0

01

0.0

02

0.0

06

0.0

15

0.0

05

0.0

010 0 0 0 0

0 0 0 0 0 00.0

01

0.0

01

0.0

05

0.0

12

0.0

04

0.0

010 0 0 0

0 0 0 0 0 0 00.0

01

0.0

01

0.0

04

0.0

08

0.0

020 0 0 0

0 0 0 0 0 0 0 0 00.0

01

0.0

02

0.0

03

0.0

020 0 0

0 0 0 0 0 0 0 0 0 0 00.0

02

0.0

010 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

∑i , j=0

n−1

P( i,j) / [ 1+( i-j )2 ]= 0.424

Page 18: Bab III(Belum Fix)

38

Nilai homogenitas adalah 0.424

3.Entropy

Rumus Entropi=− ∑

i , j=0

n−1

P( i , j) log( P( i , j))

Dimana:

i dan j adalah sifat keabuan dari resolusi 2 piksel yang berdekatan

p (i,j) adalah Cooccurence Matrix Simetris Ternormalisasi

perhitungan −(P (i , j) log( P( i , j)))

contoh perhitungan −(P (0,0) log( P(0,0 )))= -(0.001 . log(0.001)) = 0.003

0.0

03

0.0

13

0.0

08

0.0

06

0.0

03

0.0

02

0.0

040 0 0 0 0 0 0 0 0

0.0

13

0.0

45

0.0

41

0.0

26

0.0

21

0.0

14

0.0

11

0.0

08

0.0

04

0.0

020 0 0 0 0 0

0.0

08

0.0

41

0.0

48

0.0

37

0.0

27

0.0

18

0.0

15

0.0

12

0.0

10

0.0

06

0.0

02

0.0

010 0 0 0

0.0

06

0.0

26

0.0

37

0.0

37

0.0

32

0.0

24

0.0

20

0.0

13

0.0

10

0.0

07

0.0

04

0.0

030 0 0 0

0.0

03

0.0

21

0.0

27

0.0

32

0.0

42

0.0

28

0.0

20

0.0

15

0.0

08

0.0

11

0.0

04

0.0

04

0.0

01

0.0

010 0

0.0

02

0.0

14

0.0

18

0.0

24

0.0

28

0.0

39

0.0

28

0.0

18

0.0

14

0.0

13

0.0

08

0.0

03

0.0

02

0.0

010 0

0.0

04

0.0

11

0.0

15

0.0

20

0.0

20

0.0

28

0.0

37

0.0

26

0.0

17

0.0

12

0.0

07

0.0

06

0.0

010 0 0

00.0

08

0.0

12

0.0

13

0.0

15

0.0

18

0.0

26

0.0

29

0.0

22

0.0

15

0.0

12

0.0

05

0.0

050 0 0

00.0

04

0.0

10

0.0

10

0.0

08

0.0

14

0.0

17

0.0

22

0.0

28

0.0

19

0.0

13

0.0

06

0.0

050 0 0

00.0

02

0.0

06

0.0

07

0.0

11

0.0

13

0.0

12

0.0

15

0.0

19

0.0

23

0.0

15

0.0

12

0.0

05

0.0

020 0

0 00.0

02

0.0

04

0.0

04

0.0

08

0.0

07

0.0

12

0.0

13

0.0

15

0.0

17

0.0

11

0.0

06

0.0

010 0

0 00.0

01

0.0

03

0.0

04

0.0

03

0.0

06

0.0

05

0.0

06

0.0

12

0.0

11

0.0

09

0.0

090 0 0

0 0 0 00.0

01

0.0

02

0.0

01

0.0

05

0.0

05

0.0

05

0.0

06

0.0

09

0.0

040 0 0

0 0 0 00.0

01

0.0

010 0 0

0.0

02

0.0

010 0 0 0 0

Page 19: Bab III(Belum Fix)

39

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Perhitungan Entropi=− ∑

i , j=0

n−1

P( i , j) log( P( i , j))= 1.993

Nilai entropy yang didpatkan adalah 1.993

4. Energy

Rumus Energi= ∑

i , j=0

n−1

P (i , j )2

Dimana:

i dan j adalah sifat keabuan dari resolusi 2 piksel yang berdekatan

p (i,j) adalah Cooccurence Matrix Simetris Ternormalisasi

perhitunganP( i , j)2

contoh perhitungan P(1,1)2= (0.029)2 = 0841 = 0.001

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

00.0

01

0.0

010 0 0 0 0 0 0 0 0 0 0 0 0

00.0

01

0.0

010 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 00.0

010 0 0 0 0 0 0 0 0 0 0

0 0 0 0 00.0

010 0 0 0 0 0 0 0 0 0

0 0 0 0 0 00.0

010 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Page 20: Bab III(Belum Fix)

40

Perhitungan Energi= ∑

i , j=0

n−1

P (i , j )2

= 0.013

Maka energy yang didapatkan adalah 0.013

5. Dissimilarity

Rumus Dissimilarity : Dissimilarity= ∑

i , j=0

n−1

P ( i , j ).|i− j|

Contoh Perhitungan P( i , j) .|i− j|

0,0 = 0.006 .|0 – 0| = 0

0,1 = 0.006 .|0 – 1| = 0.006

00.0

06

0.0

07

0.0

07

0.0

04

0.0

04

0.0

08

0.0

010

0.0

010 0 0 0 0 0

0.0

060

0.0

25

0.0

29

0.0

31

0.0

26

0.0

23

0.0

18

0.0

09

0.0

06

0.0

010 0 0 0 0

0.0

07

0.0

250

0.0

22

0.0

30

0.0

27

0.0

29

0.0

27

0.0

25

0.0

16

0.0

06

0.0

030 0 0 0

0.0

07

0.0

29

0.0

220

0.0

18

0.0

25

0.0

30

0.0

23

0.0

21

0.0

17

0.0

10

0.0

07

0.0

01

0.0

010 0

0.0

04

0.0

31

0.0

30

0.0

180

0.0

15

0.0

20

0.0

20

0.0

13

0.0

25

0.0

08

0.0

10

0.0

03

0.0

020 0

0.0

04

0.0

26

0.0

27

0.0

25

0.0

150

0.0

16

0.0

17

0.0

19

0.0

24

0.0

16

0.0

06

0.0

03

0.0

020 0

0.0

08

0.0

23

0.0

29

0.0

30

0.0

20

0.0

160

0.0

14

0.0

16

0.0

15

0.0

10

0.0

11

0.0

010 0 0

0.0

01

0.0

18

0.0

27

0.0

23

0.0

20

0.0

17

0.0

140

0.0

12

0.0

14

0.0

16

0.0

08

0.0

08

0.0

010 0

00.0

09

0.0

25

0.0

21

0.0

13

0.0

19

0.0

16

0.0

120

0.0

09

0.0

11

0.0

07

0.0

070 0 0

0.0

01

0.0

06

0.0

16

0.0

17

0.0

25

0.0

24

0.0

15

0.0

14

0.0

090

0.0

07

0.0

11

0.0

05

0.0

020 0

00.0

01

0.0

06

0.0

10

0.0

08

0.0

16

0.0

10

0.0

16

0.0

11

0.0

070

0.0

05

0.0

05

0.0

010 0

0 00.0

03

0.0

07

0.0

10

0.0

06

0.0

11

0.0

08

0.0

07

0.0

11

0.0

050

0.0

040 0 0

0 0 00.0

01

0.0

03

0.0

03

0.0

01

0.0

08

0.0

07

0.0

05

0.0

05

0.0

040 0 0 0

0 0 0 0.0 0.0 0.0 0 0.0 0 0.0 0.0 0 0 0 0 0

Page 21: Bab III(Belum Fix)

41

01 02 02 01 02 01

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Perhitungan Dissimilarity= ∑

i , j=0

n−1

P ( i , j ).|i− j|= 1.925

Maka dissimilarity yang didapatkan adalah 1.925

3.4.2 analisis metode naïve bayes

Metode Bayes merupakan pendekatan statistik untuk menghitung peluang atau probabilitas

persoalan klasifikasi. Dalam metode ini semua atribut memberikan kontribusinya dalam

pengambilan keputusan. Metode ini berfungsi untuk mencari nilai probabilitas disetiap faktor.

Adapun cara perhitungan atau alur perhitungan metode Naïve Bayes adalah sebagai berikut:

1. proses training

menghitung mean dan standar deviasi setiap kelas

a. menghitung rata-rata (mean) tiap fitur dan tiap kelas dengan persamaan di bawah

ini.

μ=∑ x i

n

Dimana:

μ = mean

n = banyaknya data

∑ x i = jumlah nilai data

b. Kemudian hitung nilai standar deviasi tiap fiitur dan tiap kelas dengan persamaan

di bawah ini.

σ=¿¿

Dimana:

σ= standar deviasi

µ= mean

x i = nilai data

n=¿ banyaknya data

Page 22: Bab III(Belum Fix)

42

2. Proses testing

a. Mencari densitas probabilitas data testing menggunakan persamaan di bawah ini.

φμσ ( x )= 1

√2 π σ2e−(x−μ )2

2 σ2

Dimana :

x = data masukan

π = 3,14

σ=¿standar deviasi

µ = mean

b. Setelah didapatkan nilai densitas probabilitas masing masing kelas dan masing

masing fitur, selanjutnya akan dicari nilai Likehood dengan cara mengalikan

semua hasil perhitungan fitur pada masing masing kelas.

c. Setelah didapatkan nilai likehood masing masing kelas, selanjutnya cari nilai

probabilitas akhir

Adapun perhitungan metode naïve bayes adalah sebagai berikut

Tabel data masukan

Kelas

Contr

ast

Ener

gy

Entr

opy

Homog

eneity

Dissimil

arity

Beras

0.38

75

0.28

42

1.32

48 0.8063 0.1063

Beras

0.51

02

0.20

96

1.89

77 0.7778 0.1778

Beras

0.47

74

0.27

63

1.67

86 0.8177 0.1177

Kacang

Merah

0.28

14

0.22

63

1.52

03 0.8255 0.2255

Kacang

Merah

0.28

18

0.32

48

1.52

21 0.8608 0.2608

Kacang

Merah

0.28

30

0.32

11

1.52

44 0.8123 0.2123

Page 23: Bab III(Belum Fix)

43

Kacang

Hijau

0.93

44

0.13

32

2.68

76 0.6776 0.3776

Kacang

Hijau

0.93

36

0.10

96

2.62

21 0.7449 0.3449

Kacang

Hijau

0.97

27

0.15

21

2.55

25 0.6636 0.3636

Ketan

Hitam

0.18

37

0.58

99

0.96

72 0.9090 0.4090

Ketan

Hitam

0.19

72

0.31

93

1.74

99 0.9194 0.4194

Ketan

Hitam

0.13

96

0.61

60

0.99

07 0.9441 0.4441

Kacang

kedelai

1.18

37

0.98

99

0.66

72 0.5090 0.5590

Kacang

kedelai

1.19

72

0.91

93

0.64

99 0.5194 0.5594

Kacang

kedelai

1.13

96

0.91

60

0.69

07 0.5441 0.5541

1. Training

Menghitung mean dan standar deviasi

Berikut adalah hasil perhitungan mean dan standar deviasi dengan excel

Page 24: Bab III(Belum Fix)

44

Gambar hasil perhitungan mean dan standar deviasi dengan excel

2. Testing

a. Mencari densitas probabilitas data testing.

Data testing yang digunakan adalah nilai contrast 0.3875, energy 0.2842, entropy

1.3248, homogenitas 0.8063, dan dissimilarity 0.1063

Page 25: Bab III(Belum Fix)

45

Contoh perhitungan kemungkinan munculnya beras φ❑ (contrast=0.3875∨Beras )

φ❑ (contrast=0.3875∨Beras )= 1

√2π 0.06352e

−(0.3875−0.4584)2

2 X 0.06352

= 3.3708

Berikut adalah hasil perhitungan dengan Microsoft excel, nilai densitas probabilitas

yang didapatkan dari perhitungan di atas.

Densitas 

probabilitas

Contra

st

Energ

y

Entrop

y

Homogenei

ty

Dissimilari

ty

Beras 3.3708

7.772

3 0.7797 18.6793 9.4980

Kacang Merah 0.0000

7.096

7 0.0000 9.0765 0.0004

Kacang Hijau 0.0000

0.000

0 0.0000 0.3534 0.0000

Ketan Hitam 0.0000

0.957

0 0.8783 0.0000 0.0000

kacang kedelai 0.0000

0.000

0 0.0000 0.0000 0.0000

b. Setelah didapatkan nilai densitas probabilitas masing masing kelas dan masing masing

fitur, selanjutnya akan dicari nilai Likehood dengan cara mengalikan semua hasil perhitungan

fitur pada masing masing kelas.

Contoh perhitunganya

Likehood Kacang merah = 0.0000 X 7.0967 X 0.0000 X 9.0765 = 0.0000

Dari perhitungan diatas dapat diuraikan hasil perhitunganya pada table di bawah ini

likehood  

Beras

3624.2

387

Kacang Merah 0.0000

Kacang Hijau 0.0000

Ketan Hitam 0.0000

kacang kedelai 0.0000

Page 26: Bab III(Belum Fix)

46

c. Setelah didapatkan nilai likehood masing masing kelas, selanjutnya cari nilai

probabilitas akhir

Contoh perhitunganya

P(X|Beras) = 3624.2387/ 3624.2387 + 0.0000 + 0.0000 + 0.0000 + 0.0000  = 1.0000

Dari perhitungan diatas dapat diuraikan hasil perhitunganya pada table di bawah ini

normalisasi  

Beras

1.000

0

Kacang Merah

0.000

0

Kacang Hijau

0.000

0

Ketan Hitam

0.000

0

kacang kedelai

0.000

0