BAB 3ANALISIS METODE3.1 Analisis MasalahDalam 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 Nave 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 nave bayes, nave bayes adalah algoritma
klasifikasi yang tidak memiliki ketergantungan dengan nilai manapun
dari luar sehingga nave bayes sangatlah cocok untuk melakukan
klasifikasi.3.2 Analisis DataAnalisis 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 kedelai3.2.1Analisis Data
MasukkanData 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 KeluaranData 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 nave bayes.
Tabel 3.5 Analisis Data Keluaran Metode Naive
BayesNilaiKeterangan
>dan >dan>dan>Beras
>dan >dan>dan>Kacang hijau
>dan >dan>dan>Ketan hitam
>dan >dan>dan>Kacang merah
>dan >dan>dan>Kacang kedelai
3.3 Arsitektur SistemArsitektur 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 citra3.3.1
preprocessingDiagram alir preprocessing citra dalam penelitian ini
ditunjukan pada gambar 3.3.1
Gambar 3.3.1 PreprocessingProses 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-occurrence3.3.3 ekstraksi
ciri matrik co-occurrenceProses 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-occurnce3.3.4 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
Gambar 3.3.43.3.5 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
3.4 Analisis MetodeAnalisis 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.
4039
Matrix citra Kacang hijau
3.4.1Analisis metode Matrik Co-occuranceA. Membentuk Cooccurence
Matrix Simetris Ternormalisasi Langkah Langkah untuk membentuk
Cooccurence Matrix simetris ternormalisasi adalah sebagai berikut
:
1.Membentuk Frame workFrame 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:0123456789101112131415
00,00,10,20,30,40,50,60,70,80,90,100,110,120,130,140,15
11,01,11,21,31,41,51,61,71,81,91,101,111,121,131,141,15
22,02,12,22,32,42,52,62,72,82,92,102,112,122,132,142,15
33,03,13,23,33,43,53,63,73,83,93,103,113,123,133,143,15
44,04,14,24,34,44,54,64,74,84,94,104,114,124,134,144,15
55,05,15,25,35,45,55,65,75,85,95,105,115,125,135,145,15
66,06,16,26,36,46,56,66,76,86,96,106,116,126,136,146,15
77,07,17,27,37,47,57,67,77,87,97,107,117,127,137,147,15
88,08,18,28,38,48,58,68,78,88,98,108,118,128,138,148,15
99,09,19,29,39,49,59,69,79,89,99,109,119,129,139,149,15
1010,010,110,210,310,410,510,610,710,810,910,1010,1110,1210,1310,1410,15
1111,011,111,211,311,411,511,611,711,811,911,1011,1111,1211,1311,1411,15
1212,012,112,212,312,412,512,612,712,812,912,1012,1112,1212,1312,1412,15
1313,013,113,213,313,413,513,613,713,813,913,1013,1113,1213,1313,1413,15
1414,014,114,214,314,414,514,614,714,814,914,1014,1114,1214,1314,1414,15
1515,015,115,215,315,415,515,615,715,815,915,1015,1115,1215,1315,1415,15
2. Membentuk Matriks Kookurensi dari matriks awal Matriks
kookurensi didefinisikan dengan dua langkah sederhana sebagai
berikut: Hubungan spasial untuk d=1 dan =0o pada matriks diatas
dapat dituliskan dalam matriks berikut.0123456789101112131415
05261012427100000000
12111895663729251261000000
2171101288864412022125410000
36499089815040212013540000
444756661086745231321551200
542332515797703826241352000
641238403556926933199100000
701221263231426655382044000
804211414243338624025137000
915131019252217364732248300
10012661212222026321911100
11002373812619191417100
1200012229858146000
130001020101101000
140000000000000000
150000000000000000
3. Mentranpose matriksMatriks kookurensi yang sudah didapat
selanjutnya di transpose 521176444001000000
26118110494723121245100000
109512890563238212113220000
12668889665140261410631100
43764811085735321419672000
22941506797563124251232200
72520404570924233221282000
112222123386966381722129100
0612201326335562362068000
0151321241938404726195100
0045513920253232198100
0014551041324191414000
000012047811176100
0000200003110000
0000000000000000
0000000000000000
4.Menjumlahkan Matriks coocurrence dengan Transposenya untuk
menjadikkannya simetris5261012427100000000
2111895663729251261000000
171101288864412022125410000
6499089815040212013540000
44756661086745231321551200
42332515797703826241352000
41238403556926933199100000
01221263231426655382044000
04211414243338624025137000
15131019252217364732248300
012661212222026321911100
002373812619191417100
00012229858146000
0001020101101000
0000000000000000
0000000000000000
+521176444001000000
26118110494723121245100000
109512890563238212113220000
12668889665140261410631100
43764811085735321419672000
22941506797563124251232200
72520404570924233221282000
112222123386966381722129100
0612201326335562362068000
0151321241938404726195100
0045513920253232198100
0014551041324191414000
000012047811176100
0000200003110000
0000000000000000
0000000000000000
=
104727188611101000000
4723620511584523724106100000
272052561781207358433318630000
18115178178147101804734231171100
8841201472161248055274011123200
652731011241941266950492584200
1137588080126184111664121182000
124434755691111329355421613100
01033342750669312476451915000
161823404941557694584313400
01611112521424558643819200
003712818161943382831100
0001342131513193112100
0001220104211000
0000000000000000
0000000000000000
Normalisasi matriks untuk mengubahnya ke bentuk probabilitas,
Total jumlah pasangan = 8064Untuk mencari probabilitas akan maka
digunakan perhitungan P(i,j) = (i,j)/total jumlah pasanganContoh
perhitungan P(0,0) = 10/8064 =Hasil probabilitas
:0.0010.0060.0030.0020.0010.0010.001000000000
0.0060.0290.0250.0140.0100.0060.0050.0030.0010.001000000
0.0030.0250.0320.0220.0150.0090.0070.0050.0040.0020.00100000
0.0020.0140.0220.0220.0180.0130.0100.0060.0040.0030.0010.0010000
0.0010.0100.0150.0180.0270.0150.0100.0070.0030.0050.0010.0010000
0.0010.0060.0090.0130.0150.0240.0160.0090.0060.0060.0030.0010000
0.0010.0050.0070.0100.0100.0160.0230.0140.0080.0050.0030.0020000
00.0030.0050.0060.0070.0090.0140.0160.0120.0070.0050.0020.002000
00.0010.0040.0040.0030.0060.0080.0120.0150.0090.0060.0020.002000
00.0010.0020.0030.0050.0060.0050.0070.0090.0120.0070.0050.002000
000.0010.0010.0010.0030.0030.0050.0060.0070.0080.0050.002000
0000.0010.0010.0010.0020.0020.0020.0050.0050.0030.004000
00000000.0020.0020.0020.0020.0040.001000
0000000000000000
0000000000000000
0000000000000000
B. Perhitungan fitur untuk Tekstur 1. Contras
Rumus 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 Perhitungan
= 0.001 . 0 = 0
= 0.006 . 1 = 0.006
Hasil perhitungan dari sampai
00.0060.0130.0200.0160.0190.0490.00600.010000000
0.00600.0250.0570.0940.1030.1150.1070.0610.0480.01000000
0.0130.02500.0220.0600.0810.1150.1330.1470.1090.0480.0300000
0.0200.0570.02200.0180.0500.0890.0930.1050.1030.0670.0560.0100.01200
0.0160.0940.0600.01800.0150.0400.0610.0540.1240.0490.0730.0240.02000
0.0190.1030.0810.0500.01500.0160.0340.0560.0970.0780.0360.0240.01600
0.0490.1150.1150.0890.0400.01600.0140.0330.0460.0420.0560.009000
0.0060.1070.1330.0930.0610.0340.01400.0120.0270.0470.0320.0400.00400
00.0610.1470.1050.0540.0560.0330.01200.0090.0220.0210.030000
0.0100.0480.1090.1030.1240.0970.0460.0270.00900.0070.0210.0150.00800
00.0100.0480.0670.0490.0780.0420.0470.0220.00700.0050.0090.00200
000.0300.0560.0730.0360.0560.0320.0210.0210.00500.004000
0000.0100.0240.0240.0090.0400.0300.0150.0090.0040000
0000.0120.0200.01600.00400.0080.00200000
0000000000000000
0000000000000000
= 6.880Nilai contrast adalah 6.880
2.Homogenitas
Rumus homogenitas Dimana: i dan j adalah sifat keabuan dari
resolusi 2 piksel yang berdekatan p (i,j) adalah Probabilitas
kolom(i,j)
Contoh Perhitungan
= 0.001/1 = 0.0010.0010.0030.0010000000000000
0.0030.0290.0130.0030.00100000000000
0.0010.0130.0320.0110.0030.0010000000000
00.0030.0110.0220.0090.0030.001000000000
00.0010.0030.0090.0270.0080.0020.00100000000
000.0010.0030.0080.0240.0080.0020.0010000000
0000.0010.0020.0080.0230.0070.0020.001000000
00000.0010.0020.0070.0160.0060.0010.00100000
000000.0010.0020.0060.0150.0050.00100000
0000000.0010.0010.0050.0120.0040.0010000
00000000.0010.0010.0040.0080.0020000
0000000000.0010.0020.0030.002000
000000000000.0020.001000
0000000000000000
0000000000000000
0000000000000000
= 0.424Nilai homogenitas adalah 0.424
3.Entropy
Rumus Dimana: i dan j adalah sifat keabuan dari resolusi 2
piksel yang berdekatan p (i,j) adalah Cooccurence Matrix Simetris
Ternormalisasi
perhitungan
contoh perhitungan = -(0.001 . log(0.001)) =
0.0030.0030.0130.0080.0060.0030.0020.004000000000
0.0130.0450.0410.0260.0210.0140.0110.0080.0040.002000000
0.0080.0410.0480.0370.0270.0180.0150.0120.0100.0060.0020.0010000
0.0060.0260.0370.0370.0320.0240.0200.0130.0100.0070.0040.0030000
0.0030.0210.0270.0320.0420.0280.0200.0150.0080.0110.0040.0040.0010.00100
0.0020.0140.0180.0240.0280.0390.0280.0180.0140.0130.0080.0030.0020.00100
0.0040.0110.0150.0200.0200.0280.0370.0260.0170.0120.0070.0060.001000
00.0080.0120.0130.0150.0180.0260.0290.0220.0150.0120.0050.005000
00.0040.0100.0100.0080.0140.0170.0220.0280.0190.0130.0060.005000
00.0020.0060.0070.0110.0130.0120.0150.0190.0230.0150.0120.0050.00200
000.0020.0040.0040.0080.0070.0120.0130.0150.0170.0110.0060.00100
000.0010.0030.0040.0030.0060.0050.0060.0120.0110.0090.009000
00000.0010.0020.0010.0050.0050.0050.0060.0090.004000
00000.0010.0010000.0020.00100000
0000000000000000
0000000000000000
Perhitungan = 1.993Nilai entropy yang didpatkan adalah 1.993
4. Energy
Rumus Dimana: i dan j adalah sifat keabuan dari resolusi 2
piksel yang berdekatan p (i,j) adalah Cooccurence Matrix Simetris
Ternormalisasi
perhitungan
contoh perhitungan = (0.029)2 = 0841 = 0.0010000000000000000
00.0010.0010000000000000
00.0010.0010000000000000
0000000000000000
00000.00100000000000
000000.0010000000000
0000000.001000000000
0000000000000000
0000000000000000
0000000000000000
0000000000000000
0000000000000000
0000000000000000
0000000000000000
0000000000000000
0000000000000000
Perhitungan = 0.013Maka energy yang didapatkan adalah 0.013
5. Dissimilarity
Rumus Dissimilarity :
Contoh Perhitungan 0,0 = 0.006 .|0 0| = 00,1 = 0.006 .|0 1| =
0.006
00.0060.0070.0070.0040.0040.0080.00100.001000000
0.00600.0250.0290.0310.0260.0230.0180.0090.0060.00100000
0.0070.02500.0220.0300.0270.0290.0270.0250.0160.0060.0030000
0.0070.0290.02200.0180.0250.0300.0230.0210.0170.0100.0070.0010.00100
0.0040.0310.0300.01800.0150.0200.0200.0130.0250.0080.0100.0030.00200
0.0040.0260.0270.0250.01500.0160.0170.0190.0240.0160.0060.0030.00200
0.0080.0230.0290.0300.0200.01600.0140.0160.0150.0100.0110.001000
0.0010.0180.0270.0230.0200.0170.01400.0120.0140.0160.0080.0080.00100
00.0090.0250.0210.0130.0190.0160.01200.0090.0110.0070.007000
0.0010.0060.0160.0170.0250.0240.0150.0140.00900.0070.0110.0050.00200
00.0010.0060.0100.0080.0160.0100.0160.0110.00700.0050.0050.00100
000.0030.0070.0100.0060.0110.0080.0070.0110.00500.004000
0000.0010.0030.0030.0010.0080.0070.0050.0050.0040000
0000.0010.0020.00200.00100.0020.00100000
0000000000000000
0000000000000000
Perhitungan = 1.925Maka dissimilarity yang didapatkan adalah
1.925
3.4.2 analisis metode nave bayesMetode 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 Nave Bayes adalah sebagai
berikut:1. proses trainingmenghitung mean dan standar deviasi
setiap kelas a. menghitung rata-rata (mean) tiap fitur dan tiap
kelas dengan persamaan di bawah ini. Dimana: = mean = banyaknya
data = jumlah nilai data
b. Kemudian hitung nilai standar deviasi tiap fiitur dan tiap
kelas dengan persamaan di bawah ini.
Dimana:= standar deviasi= mean = nilai data banyaknya data
2. Proses testinga. Mencari densitas probabilitas data testing
menggunakan persamaan di bawah ini. Dimana :
iv
39
= data masukan = 3,14standar deviasi = 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 nave bayes adalah sebagai berikutTabel
data masukanKelas Contrast Energy Entropy Homogeneity
Dissimilarity
Beras 0.38750.28421.32480.80630.1063
Beras 0.51020.20961.89770.77780.1778
Beras 0.47740.27631.67860.81770.1177
Kacang Merah 0.28140.22631.52030.82550.2255
Kacang Merah0.28180.32481.52210.86080.2608
Kacang Merah0.28300.32111.52440.81230.2123
Kacang Hijau0.93440.13322.68760.67760.3776
Kacang Hijau 0.93360.10962.62210.74490.3449
Kacang Hijau 0.97270.15212.55250.66360.3636
Ketan Hitam 0.18370.58990.96720.90900.4090
Ketan Hitam0.19720.31931.74990.91940.4194
Ketan Hitam0.13960.61600.99070.94410.4441
Kacang kedelai1.18370.98990.66720.50900.5590
Kacang kedelai1.19720.91930.64990.51940.5594
Kacang kedelai1.13960.91600.69070.54410.5541
1. TrainingMenghitung mean dan standar deviasiBerikut adalah
hasil perhitungan mean dan standar deviasi dengan excel
Gambar hasil perhitungan mean dan standar deviasi dengan
excel
2. Testinga. 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 0.1063Contoh
perhitungan kemungkinan munculnya beras = 3.3708Berikut adalah
hasil perhitungan dengan Microsoft excel, nilai densitas
probabilitas yang didapatkan dari perhitungan di atas.Densitas
probabilitasContrast Energy Entropy Homogeneity Dissimilarity
Beras3.37087.77230.779718.67939.4980
Kacang Merah0.00007.09670.00009.07650.0004
Kacang Hijau0.00000.00000.00000.35340.0000
Ketan Hitam0.00000.95700.87830.00000.0000
kacang kedelai0.00000.00000.00000.00000.0000
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 perhitunganyaLikehood Kacang merah =
0.0000 X 7.0967 X 0.0000 X 9.0765 = 0.0000Dari perhitungan diatas
dapat diuraikan hasil perhitunganya pada table di bawah
inilikehood
Beras3624.2387
Kacang Merah0.0000
Kacang Hijau0.0000
Ketan Hitam0.0000
kacang kedelai0.0000
c. Setelah didapatkan nilai likehood masing masing kelas,
selanjutnya cari nilai probabilitas akhirContoh
perhitunganyaP(X|Beras) = 3624.2387/ 3624.2387 + 0.0000 + 0.0000 +
0.0000 + 0.0000 = 1.0000Dari perhitungan diatas dapat diuraikan
hasil perhitunganya pada table di bawah ininormalisasi
Beras1.0000
Kacang Merah0.0000
Kacang Hijau0.0000
Ketan Hitam0.0000
kacang kedelai0.0000
Berdasarkan hasil perhitungan di atas, maka Jika sebuah citra
masukan, dengan nilai contrast 0.3875, energy 0.2842, entropy
1.3248, homogenitas 0.8063, dan dissimilarity 0.1063 maka akan
dikategorikan sebagai Beras karena probabilitas terbesar adalah
beras
