Abstrak
Klasifikasi adalah proses yang penting untuk mengenali dan membedakan sesuatu
hal dengan hal lainnya, hal ini dapat berupa hewan, tumbuhan, maupun manusia.
Identifikasi ini dilakukan dengan mengenali ciri khas yang dimiliki sesuatu hal tersebut.
Salah satu cara untuk mengklasifikasikan buah jeruk bisa dilakukan menggunakan metode
naive bayes dengan cara berbasis citra. Buah jeruk bisa dikenali berdasarkan tekstur dan
warnanya. Umumnya buah jeruk memiliki warna yang identik yaitu hijau dan kuning.
Contohnya jeruk orange dan mandarin. Hal ini menyebabkan sulit untuk mengklasifikasi
jenis jeruk tersebut. Dua teknik ekstraksi fitur digunakan dalam penelitian ini adalah
Normalisasi Warna dan analisis tekstur. Normalisasi warna menghasilkan tiga nilai yaitu
red, green, blue. Sedangkan analisis tekstur memiliki empat nilai yang terdiri dari fitur
entropi, kontras, energi, homogenitas.
Kata kunci : buah jeruk, naive bayes, analisis tekstur, normalisasi warna
2
untuk data latih dan 10 sample untuk pengambilan keputusan, dengan bobot
pengujian. atribut yang sama penting dan setiap
atribut saling bebas satu sama lain.(Zhang,
b. Preprosessing 2007)
Preprosesing terhadap citra jeruk
dilakukan pada tahapan ini, citra
diseragamkan ukurannya menjadi 16x16 ............(2)
piksel dan melakukan perubahan bentuk
citra ke dalam format grayscale 8 bit (28 =
256 derajat keabuan). f(x) = nilai probabilitas kemunculan
π = 3.14
Gray = 0,2989 x R + 0,5870 x G + 0,1140 σ = standar deviasi parameter
x B .........................................................(1) µ = rata-rata parameter
e = exponensial (2,71)
Pada tahapan analisis dilakukan x = nilai parameter
suatu analisa, mengenai sistem yang akan
di buat serta kemungkinan-kemungkinan Alur algoritma metode naive bayes
yang akan terjadi, sehingga dapat adalah sebagai berikut :
dipersiapkan sejak awal agar tercipta a) Memasukan data pengetahuan
sistem yang friendly dan mudah berdasarkan parameter
digunakan, serta dapat berjalan sesuai b) Menghitung nilai rata-rata dan standar
dengan yang di inginkan. deviasi dari setiap parameter
Adapun rancangan sistem secara c) Mencari probabilitas nilai
umum dari aplikasi yang akan kemunculan dari setiap parameter
dikembangkan adalah seperti pada d) Menghitung likelihood dari setiap
Gambar 2 berikut ini. klasifikasi
e) Mencari probabilitas terbesar.
b. Analisis tekstur
Tekstur adalah sifat – sifat atau
karakteristik yang dimiliki oleh suatu
daerah yang cukup besar sehingga secara
alami secara alami sifat tadi dapat
berulang dalam daerah tertentu.Pada
lingkungan alami, permukaan objek
seperti potongan kayu, rerumputan,
Gambar 2. Sistem yang Dikembangkan hamparan pasir pantai, tekstil, kulit, dan
sebagainya memiliki tekstur.Citra juga
Adapun metode yang digunakan adalah : dapat dipandang memiliki tekstur yang
a. Naive Bayes terbentuk akibat variasi dan atau gradasi
Model statistik merupakan salah keabuan pada citra digital. Tekstur adalah
satu model yang terpercaya sangat andal fitur yang bergantung konteks,
sebagai pendukung pengambilan maksudnya, tekstur tidak dapat
keputusan. Konsep probabilitas didefinisikan hanya dari piksel saja tetapi
merupakan salah satu model statistik. harus dalam kaitannya dengan piksel lain
Salah satu metode yang menggunakan dalam suatu wilayah citra (Hauta-Kasari,
konsep probabilitas adalah metode naive 1999: 13).Kegunaan analisis tekstur di
bayes. Pada metode ini, semua atribut antaranya untuk mengklasifikasikan objek
akan memberikan kontribusinya dalam berdasarkan perhitungan fitur tekstur, di
3
antaranya entropi, energi, kontras, tetap yang menyebabkan matriks
homogenitas (Haralick et al. 1973).Karena intensitas co-occurrence tidak akan
matriks I memiliki empat aras keabuan, mempunyai pasangan dengan pola
maka jumlah nilai piksel tetangga dan tertentu. Fitur yang berfungsi untuk
nilai piksel referensi pada area kerja mengukur keteracakan dari distribusi
matriks berjumlah empat. Berikut adalah intensitas tersebut yaitu entropi.Fitur yang
area kerja matriks. berfungsi untuk mengukur konsentrasi
pasangan intensitas adalah energi.Fitur
yang digunakan untuk mengukur kekuatan
perbedaan intensitas adalah kontras. Fitur
homogenitas berfungsi untuk mengukur
tingkat homogeni variasi intensitas
(Ahmad 2005), persamaan dari fitur
tersebut disajikan pada persamaan 3 – 6
berikut :
Gambar 3. Area kerja matriks Persamaan untuk keempat fitur
tersebut adalah sebagai berikut :
n1
Energi P (i, j)
i , j 0
2
………...….(3)
n1
Kontras Pi, j(i j)
i , j 0
2
………..(4)
n 1
P(i, j )
Gambar 4. Matriks asal, matriks I Homogenitas 1 i j
i , j 0
……(5)
Hubungan spasial untuk d=1 dan n1
θ=0o pada matriks diatas dapat dituliskan
dalam matriks berikut.
Entropi P(i, j) ( ln P(i, j)) .(6)
i , j 0
Dimana:
i dan j adalah sifat keabuan dari
resolusi 2 piksel yang berdekatan
p (i,j) adalah frekuensi relatif
matriks dari resolusi 2 piksel yang
berdekatan.
c. Normalisasi Warna
Gambar 5. Pembentukan matriks Untuk menghitung nilai warna dan
kookurensi dari matrik I menafsirkan hasilnya dalam model warna
RGB yaitu dengan melakukan
Sudut orientasi menentukan arah
normalisasi.Normalisasi dilakukan karena
hubungan tetangga dari piksel-piksel
sejumlah citra mempunyai penerangan
referensi, orientasi θ=0o berarti acuan
yang berbeda. Hasil perhitungan dari
dalam arah horizontal atau sumbu x positif
normalisasi akan menghilangkan
dari piksel-piksel referensi. Acuan sudut
pengaruh penerangan, sehingga nilai
berlawanan arah jarum jam. Angka 2 pada
untuk setiap komponen warna dapat
(0,0) berarti jumlah hubungan pasangan
dibandingkan satu sama lainnya walaupun
(0,0) pada matriks asal berjumlah 2.
berasal dari citra dengan kondisi
Sebuah citra memiliki penyebaran
penerangan yang berbeda.Cara
piksel secara acak tanpa struktur yang
4
menghitung normalisasi adalah sebagai untuk analisis tekstur. Tampilan proses
berikut : ekstraksi analisis tekstur dapat dilihat
adalah sebagai berikut : pada gambar 7.
............................................... (7)
............................................... (8)
............................................... (9)
5
Tampilan proses klasifikasi dapat dilihat Perhitungan Manual Analisis Tekstur
pada gambar 9. Proses yang dilakukan pertama kali
pada proses analisis tekstur adalah
merubah ukuran gambar menjadi 16 x 16
pixel dan merubah citra menjadi greyscale
untuk kemudian di ekstraksi dengan
analisis tekstur seperti ditunjukan pada
gambar 12.
6
Hubungan spasial untuk d=1 dan Perhitungan manual metode naive
ø=0 matriks diatas dapat dituliskan dalam bayes
matriks berikut:
Pada proses pengklasifikasian
menggunakan naive bayes, data citra yang
telah di normalisasi RGB dan analisis
tekstur masuk ke proses penginputan data
pengetahuan yang nantinya di latih dan di
uji. Proses pertama dalam klasifikasi naive
bayes adalah mencari nilai rata rata dan
standar deviasi dari data pengetahuan.
Berikut adalah nilai rata-rata dan standar
deviasi data pengetahuan.
Gambar 14. Matriks kookurensi
Matrik kookurensi bias digunakan
untuk membuat matrik normalisasi dari
hasil penjumlahan antara matrik
kookurensi dengan matrik transpose nya.
Untuk melakukan normalisasi kita harus
menghitung jumlah keseluruhan nilai yang
digunakan sebagai pembagi. Nilai dari
normalisasi = nilai/jumlah_total.Sehingga
Gambar 17. Nilai rata rata dan standar
didapatkan hasil matriks normalisasi
sebagai berikut: deviasi data pengetahuan
Nilai rata-rata dan standar deviasi
digunakan untuk menguji dengan data uji
dan mencari nilai probabilitas
kemunculannya dengan merujuk ke
persamaan 2. Berikut rekapitulasi
probabilitas kemunculannya.
7
data uji 41-52 mendapatkan presentase
yang sama 91,6%.
Uji coba struktural yang dilakukan sesuai
dengan flowchart dan uji coba fungsional
sesuai dengan fungsi dari elemen-elemen
aplikasi.
Berdasarkan persentase diatas bisa
disimpulkan bahwa klasifikasi jeruk
Gambar 18. Likelihood setiap jenis dengan naive bayes berdasarkan analisis
tekstur dan normalisasi warna dapat
Nilai likelihood digunakan untuk
mengklasifikasikan jeruk pontianak, beby,
menententukan probabilitasnya dengan
mandarin dan orange dengan baik.
cara membagi nilai likelihood jenis jeruk
dengan jumlah likelihood keseluruhan. Saran
Penelitian ini bisa dikembangkan
Berikut hasi probabilitasnya.
dengan menggunakan metode klasifikasi
lain misalnya K-Meansdan K – Nearest
Neighbor.Hal ini bisa menjadi bahan
perbandingan hasil akurasi dan dapat
diketahui metode mana yang mendapatkan
hasil terbaik untukklasifikasi citra jeruk.
Selain prosesklasifikasii, penelitian bisa
dikembangkan juga dengan
Gambar 18. Probabilitas setiap jenis menambahkan proses preprocessing yang
lain seperti segmentasi, penipisan bukit,
Dilihat dari tabel diatas
deteksi tepi, dan rotasi citra agar bisa
probabilitas paling besar adalah jeruk
mendapatkan hasil yang lebih baik.
beby. Maka citra yang dimasukan
termasuk jenis baby. Daftar Pustaka
Kesimpulan
Penerapan metode untuk Ahmad, U 2005. Pengolahan Citra
klasifikasijeruk pada aplikasi ini Digital dan Tehnik
menggunakan metode naive bayes Pemrogramannya. Yogyakarta
berdasarkan analisis tekstur dan : Graha Ilmu
normalisasi warna. Perancangan system Arham Zainul. 2004. Evaluasi Mutu
ini menggunakan software Jeruk Nipis Dengan
adobedreamweaver dengan bahasa Pengolahan Citra dan
pemrograman PHP, perancangan database Jaringan Syaraf Tiruan.
menggunakan MYSQL. Tahap penelitian Bandung.
dimulai dengan akusisi citra sebagai Betha Sidik, HI
pengumpulan data citra digital.
Pohan.2007.Pemrograman
Jumlah keseluruhan data yang
Web dengan
diambil adalah 52 data dengan 4 jenis
jeruk masing – masing ada 10 citra. Dari HTML.Informatika. Bandung.
52 data yang ada 40 diantaranya Fathansyah. 2001. Basis Data.
merupakan data latih dan 12 merupakan Informatika.Bandung.
data uji. Hasil uji coba menggunakan
metode k-fold cross validation Gunawan Deni. 2013. Klasifikasi Citra
berdasarkan range data uji 1-12, mendapat Buah Jeruk Kintamani Berdasarkan Fitur
presentase 91,6%. Sedangkan untuk range
8
Warna dan Ukuran
Menggunakan Pendekatan
Euclidean. Bandung.
Hestiningsih, Idhawati. 2004. Pengantar
Pengolahan Citra. Bandung.
Kusuma Indri. 2014. Klasifikasi Buah
jeruk Berdasarkan Warna dan
Diameter dengan Teknik Linear
Discriminat Analisis. Jakarta.
Kurniawan, P.2014. Penerapan Dimensi
Fraktal dan Analisis Tekstur
pada Identifikasi Tanaman obat
menggunakan K Nearest
Neightbor[skripsi].Bogor.
Universitas Pakuan
Zhang, H., dan Su, J. 2007.Naive
Bayesian Classifers for Ranking.
New Jersey.