PROJECT PENGENALAN POLA

KLASIFIKASI BUAH JERUK ( NIPIS, MANIS , LEMON ) dengan menggunakan

METODE TEORI KEPUTUSAN BAYES ( TKB )

Mata Kuliah
Pengenalan Pola kelas C
Disusun oleh :
1. Firda Ika Pratiwi (115060800111011)
2. Yekti Narika Cahyaningtyas (115060801111037)
3. Noviani Hasianna Panjaitan (115060807111086)

TEKNIK INFORMATIKA
PROGRAM TEKNOLOGI INFORMASI DAN ILMU KOMPUTER
UNIVERSITAS BRAWIJAYA
2013
BAB I

PENDAHULUAN
1.1. Latar Belakang Masalah
Seiring dengan berjalannya waktu, teknologi saat ini semakin lama semakin
canggih dan berkembang. Hal ini dapat dilihat dengan banyaknya aplikasi-aplikasi
yang dibuat dengan teknologi saat ini yang sedang berkembang. Saat ini semakin
banyak pula aplikasi-aplikasi yang didesain seperti perilaku manusia. Misalnya
saja aplikasi yang bisa mengenali berbagai macam jenis barang yang hampir mirip
ciri-ciri dan karakteristiknya. Contohnya seperti kamera yang bisa mendeteksi
wajah ( face recognition ) saat pengguna ingin memotret.
Pengolahan citra merupakan salah satu cabang dari ilmu informatika.
Pengolahan citra digunakan untuk mengubah suatu citra/gambar menjadi citra
yang lain dengan menggunakan teknik tertentu. Maka dari itu pengolahan citra
akan mempunyai inout berupa citra dan outputnya juga berupa citra. Pengolahan
citra juga berkaitan dengan pengenalan pola. Pengenalan pola ( Pattern
Recognition ) adalah metode atau sistem yang digunakan untuk meletakkan polapola kedalam kategori. Pengenalan pola juga bisa menerjemahkan citra menjadi
deskripsi atau suatu informasi yang dapat merepresentasikan citra.

1.2. Maksud dan Tujuan

Maksud dan tujuan dari aplikasi ini adalah untuk menghasilkan senuah
aplikasi yang bisa mengklasifikasika buah jeruk agar dapat memudahkan
pengguna ( user ) untuk mengetahui jenis buahnya.
1.3. Pembatasan Masalah
Pembatasan masalah yang digunakan untuk membuat aplikasi ini adalah
sebagai berikut :
1.3.1 Membatasi pembuatan aplikasi hanya menggunakan metode teori
1.3.2

keputusan bayes.
Pengklasifikasian buah jeruk hanya menggunakan buah jeruk
nipis, jeruk lemon, dan jeruk manis.

1.3.3

Pengklasifikasian buah jeruk hanya menggunakan fitur mean red,

mean green, mean blue, dan diameter buah jeruk.

1.4. Perumusan Masalah

Bagaimana

merancang

aplikasi

program

klasifikasi

buah

jeruk

menggunakan metode teori keputusan bayes untuk mengetahui termasuk jenis

buah jeruk nipis, jeruk lemon, atau jeruk manis.

BAB II
TINJAUAN PUSTAKA

2.1

Pengenalan Pola
Pengenalan pola merupakan bidang dalam pembelajaran mesin dan dapat
diartikan sebagai "tindakan mengambil data mentah dan bertindak berdasarkan
klasifikasi data". Dengan demikian, ia merupakan himpunan kaidah bagi

pembelajaran diselia (supervised learning).

Ada beberapa definisi lain tentang pengenalan pola, di antaranya:
Penentuan suatu objek fisik atau kejadian ke dalam salah satu atau beberapa

kategori.
Ilmu pengetahuan yang menitikberatkan pada deskripsi dan klasifikasi

(pengenalan) dari suatu pengukuran.

Suatu pengenalan secara otomatis suatu bentuk, sifat, keadaan, kondisi, susunan
tanpa keikutsertaan manusia secara aktif dalam proses pemutusan.
Berdasarkan beberapa definisi di atas, pengenalan pola bisa didefinisikan
sebagai cabang kecerdasan yang menitik-beratkan pada metode pengklasifikasian
objek ke dalam klas - klas tertentu untuk menyelesaikan masalah tertentu.
Salah satu aplikasinya adalah pengenalan suara, klasifikasi teks dokumen
dalam kategori (contoh. surat-E spam/bukan-spam), pengenalan tulisan tangan,
pengenalan kode pos secara otomatis pada sampul surat, atau sistem pengenalan
wajah manusia. Aplikasi ini kebanyakan menggunakan analisis citra bagi
pengenalan pola yang berkenaan dengan citra digital sebagai input ke dalam
sistem pengenalan pola

2.1.1

Teknik Pengenalan Pola

Pengenalan pola biasanya merupakan langkah perantaraan bagi proses lebih
lanjut. Langkah ini biasanya merupakan dapatan data (gambar, bunyi, teks, dll.)
untuk dikelaskan, pre-pemrosesan untuk menghilangkan gangguan atau

menormalkan gambar dalam satu cara (pemrosesan gambar (image processing),

teks dll.), pengiraan ciri-ciri, pengkelasan dan akhirnya post-pemrosesan
berdasarkan kelas pengenalan dan aras keyakinan.
Pengenalan pola itu sendiri khususnya berkaitan dengan langkah
pengkelasan. Dalam kasus tertentu, sebagaimana dalam jaringan syaraf (neural
networks), pemilihan ciri-ciri dan pengambilan juga boleh dilaksanakan secara
semi otomatis atau otomatis sepenuhnya.
2.2

Teori Keputusan Bayes

Teorema Bayes adalah pendekatan statistic dalam pengenalan pola (pattern
recognition). Pendekatan ini didasarkan pada kuantifikasi tradeoff antara berbagai
keputusan klasifikasi dengan menggunakan probabilitas dan ongkos yang
ditimbulkan dalam keputusan tersebut.
Metode Bayes ini merupakan metode yang baik di dalam mesin
pembelajaran berdasarkan data training, dengan menggunakan probabilitas
bersyarat sebagai dasarnya.
Bayesian Classification di dasarkan pada Teorema Bayesian. Konsep dasar
teori bayes itu pada dasarnya adalah peluang bersyarat P(H|X). Dimana dalam
Bayesian H adalah posterior dan X adalah prior. Prior adalah pengetahuan kita
tentang karakteristik suatu parameter (bisa di baca sebagai pengalaman di masa
lalu atas suatu parameter atau juga bisa berdasarkan teori), sedangkan posterior
adalah karakteristik yang akan kita duga pada kejadian yang akan datang.
Teorema Bayesian berguna untuk melakukan kalkulasi probabilitas
posterior, P(H|X), dari P(H), P(X) dan P(X|H). Teori Bayes adalah sebagai
berikut:
P(H|X)=P(X|H)P(H)
P(X)

2.3

NETBEANS IDE 7.1

Netbeans merupakan sebuah aplikasi Integrated Development Environment
(IDE) yang berbasiskan Java dari Sun Microsystems yang berjalan di atas swing.

Swing merupakan sebuah teknologi Java untuk pengembangan aplikasi desktop

yang dapat berjalan pada berbagai macam platform seperti windows, linux, Mac
OS X dan Solaris. Sebuah IDE merupakan lingkup pemrograman yang di
integrasikan ke dalam suatu aplikasi perangkat lunak yang menyediakan Graphic
User Interface (GUI), suatu kode editor atau text, suatu compiler dan suatu
debugger.
Netbeans IDE merupakan sebuah IDE open source yang ditulis sepenuhnya
dengan bahasa pemrograman java menggunakan platform netbeans. NetBeans
IDE mendukung pengembangan semua tipe aplikasi Java (J2SE, web, EJB, dan
aplikasi mobile)

BAB III
METODOLOGI
3.1

Alat
Alat yang digunakan dalam penelitian ini adalah satu unit komputer dengan
spesifikasi :

3.2

Prosesor

: Intel(R) Core(TM) i3 CPU M370 2.40GHz

RAM

: 2.00 GB

OS

: Windows 7 Home Basic 32-bit

Metode Penelitian
Studi ini menggunakan metode penelitian deskriptif analitik dengan
penekanan analisis pada teori yang digunakan. Teori yang kami gunakan yaitu
Teori Keputusan Bayes.

3.3

Metode Analitis
Studi ini menggunakan metode analitis data kualitatif atau data kontinyu.
Dan data citra yang ada akan diekstraksi ke dalam 4 fitur yaitu Red, Green, Blue
dan juga diameter.

3.4

Pengumpulan data
Dataset didapat dari elearning ptiik ub (elearning.ptiik.ub.ac.id), dan data
disediakan oleh dosen pengampu mata kuliah pengenalan pola.

BAB IV
PEMBAHASAN
4.1

Data
Dalam program ini data berupa citra digital dengan ekstensi jpeg , data
yang ada adalah gambar tiga jenis jeruk yang berbeda yaitu jeruk manis , jeruk
lemon dan jeruk nipis , data training digolongkan kedalam tiga kelas sesuai jenis
jeruk,dengan ukuran citra berbeda-beda . Untuk pemilihan fitur program ini
menggunakan empat fitur yaitu tiga warna dasar merah , hijau , biru dan juga
menggunakan diameter dari gambar yang ada .

4.2

Input
Data training yang berupa citra diberi nama sesuai kelas masing-masing
kemudian program membaca input berupa citra dengan perulangan untuk input
data berulang ulang serta percabangan untuk membedakan masuk kelas manakah
data tersebut.
Data testing berupa file citra yang akan uji oleh program untuk
pengklasifikasian data tersebut sesuai dengan aturan yang digunakan.

4.3

Pra Proses
Sebelum pengambilan data , citra diolah terlebih dahulu untuk mendapatkan
data sesuai yang diinginkan beberapa pekerjaan yang dilakukan program dalam
pengolahan citra ini bertujuan untuk mendapatkan data diameter dan mean dari
masing-masing warna red ,green, dan blue.
4.3.1 Pengubahan Ukuran Citra
Citra yang memiliki ukuran berbeda beda perlu di ubah ukurannya
agar saat penghitungan diameter didapat nilai yang sesui dengan konten
citra dan tidak berpengaruh pada ukuran citra

4.3.2 Grayscaling
Citra yang sudah di ubah ukurannya akan diubah menjadi citra keabuabu an untuk mempermudah mendapatkan citra yang hanya memiliki warna
hitam dan putih

atau bisa disebut juga dengan citra biner untuk

mendapatkan diameter dari data yang diinputkan.

Gambar 4.1
Pada program ini citra keabu-abuan didapat dengan menggunakan
fungsi Function_ColorToGray yang digunakan untuk merubah citra
berwarna menjadi citra keabu-abuan.
Program ini menggunakan rumus berdasarkan luminosity dari citra
untuk mendapatkan citra keabu-abuan yang diinginakan.
GrayImage=0.2989 * R_Channel + 0.5870 * G_Channel + 0.1140 *
B_Channel.
4.3.3 Citra Biner
Setelah mendapatkan citra grayscale program merubah citra menjadi
dua warna saja yaitu hitam dan putih dengan cara merubah warna abu-abu
menjadi hitam atau putih sesuai dengan tingkat keabu-abuan pixel pada
citra.

Gambar 4.2

4.3.4 Citra max filter

Citra yang sudah berubah menjadi citra biner di perbaiki lagi agar
tidak ada warna yang meneyebar tidak pada tempatnya dengan cara
merubah warna pixel yang berbeda pada area didalam citra.

Gambar 4.3
4.4

Klasifikasi
Citra yang telah diambil datanya akan diproses untuk mendapatkan pola
dari kumpulan citra yang telah di inputkan sebagai data training
4.4.1 Mean Fitur, Mean Global, & Zero Mean
Dari setiap fitur(mean merah, hijau, biru, diameter) di kelompokkan
berdasarkan kelas. Dari setiap fitur tersebut, hitung meannya dan di
kelompokkan pada matriks mean fitur. Mencari mean global dengan
menghitung mean setiap fitur dan di kelompokkan pada matriks mean
global.
Untuk menemukan zero mean, gunakan mean setiap fitur yang di
kurangi dengan mean global.
4.4.2 Kovarian
Program ini mencari kovarian dengan rumus berikut

4.4.3 Likelihood
Program menghitung probabilitas likelihood dengan menggunakan
rumus :

4.4.4 Posterior
Setelah mendapatkan prior dan likelihood posterior dapat dihitung
dengan rumus :

4.4.5 Keputusan Klasifikasi

Dari penghitungan posterior tiap kelas maka data yang ditest tersebut
dapat diklasifikasikan kedalam kelas dengan posterior paling besar.

LAMPIRAN
Screenshot Program :

BAB V
KESIMPULAN
5.1 Kesimpulan
Kesimpulan yang dapat diambil dari project Pengenalan Pola ini adalah
bahwa dalam pembuatan program aplikasi klasifikasi buah jeruk dengan
menggunakan metode teori keputusan bayes ini di awali dengan membuat desain
tampilan yang kemudian digabungkan dengan source codenya. Program aplikasi
ini dirancang dengan maksud untuk mengetahui klasifikasi jenis buah jeruk, yaitu
jeruk nipis, jeruk lemon, dan jeruk manis.