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
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
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
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
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
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
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
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
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
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.
Matrix citra Kacang hijau
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
Related Documents
