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
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