Home > Documents > Bab III(Belum Fix)

Bab III(Belum Fix)

Date post: 26-Dec-2015
Category:
Author: mian
View: 23 times
Download: 0 times
Share this document with a friend
Description:
a
Embed Size (px)
of 35 /35
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
Transcript

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


Recommended