Klasifikasi Buah Jeruk Menggunakan Metode Naive Bayes Berdasarkan Analisis

Tekstur dan Normalisasi Warna

Wildan Agustian1, Dra. Sri Setyaningsih, M.Si1Arie Qur’ania, M.Kom1

1. Program Studi Ilmu Komputer FMIPA UNPAK – BOGOR, Jl. Pakuan, Bogor
16143, Indonesia
Email :agustian.wildan@gmail.com
Program Studi Ilmu Komputer FMIPA – Universitas Pakuan

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

Pendahuluan santang hingga jeruk mandarin, jeruk

Sebagai negara yang berada pada
garis katulistiwa, Indonesia merupakan
salah satu negara terkaya di dunia dengan
berbagai macam produk sayur-sayuran
dan jenis buah-buahan. Sebagian varietas
sayur-sayuran dan buah-buahan dunia
tumbuh indonesia. Varietas yang paling
beragam adalah varietas buah-buahan.
Indonesia merupakan negara yang
beriklim tropis. Hal ini mengakibatkan
berbagai varietas tanaman serta buah-
buahan di Indonesia beragam. Buah-
buahan di Indonesia sangat beragam.
Mulai dari varietas buah-buahan yang
khas iklim tropis yaitu pisang, sampai apel
dan jeruk. Salah satu varietas buah yang
sangat beragam adalah buah jeruk.
Negara indonesia memiliki
beragam varietas jeruk. Di seluruh dunia
di perkirakan terdapat kurang lebih 600
varietas jeruk, yang sebagiannya itu
berada di Indonesia. Varietas jeruk di
Indonesia yaitu jeruk yang paling khas
seperti jeruk medan, jeruk bali, jeruk
1
nipis, jeruk lemon dan jeruk orange.
Namun varietas yang banyak ini
mengakibatkan susahnya membedakan
varietas jeruk satu dan lainnya. Hal ini di
karenakan sebagian varietas jeruk di
indonesia memiliki warna dominan yaitu
jingga dan kuning. Sebagai contoh kita
sangat sulit membedakan antara jenis
jeruk mandarin dengan jenis jeruk orange
karena keduanya sedikit identik warnanya
serta ukurannya. Kondisi ini
mengakibatkan perlunya suatu metode
yang bisa mengklasifikasikan varietas
jeruk dengan akurat. Salah satu metode
pengklasifikasian adalah metode
klasifikasi naive bayes.
Naive Bayes merupakan salah satu
metode pada probabilistic reasoning.
Naive Bayes merupakan algoritma
klasifikasi yang sangat efektif dan efisien.
Metode Naive Bayes bertujuan untuk
melakukan klasifikasi data pada klas
tertentu. Untuk kerja pengklasifikasi
diukur dengan nilai predictive accuracy
(Zhang, 2007).
Sebelumnya telah dilakukan
penelitian tentang klasifikasi jeruk.
Gunawan (2013) melakukan penelitian
tentang Klasifikasi Citra Jeruk Kintamani
Berdasarkan Fitur Warna dan Ukuran
Mengggunakan Pendekatan Euclidean.
Penelitian ini mengklasifikasikan mutu
jeruk berdasarkan 3 jenis jeruk yaitu
kualitas 1, kualitas 2 dan kualitas 3.
Arham et al (2013) melakukan penelitian
Evaluasi Mutu Jeruk Nipis Dengan
Pengolahan Citra dan Jaringan Syaraf
Tiruan. Penelitian ini mengklasifikasikan
mutu jeruk berdasarkan kematangan jeruk
yaitu awal/tua dan matang/lewat.
Kusumaet al (2013) melakukan penelitian
tentang Klasifikasi Buah Jeruk
Berdasarkan Warna dan Diameter dengan
Teknik Linear Discriminat Analisis.
Penelitian ini mengklasifikasikan jeruk Gambar 1. Tahap Penelitian
berdasarkan 2 jenis jeruk yaitu lemon dan
manis. Ketiga penelitian tersebut berbasis Pada tahapan perencanaan terlebih
desktop yang hanya bisa di eksekusi di dahulu dikumpulkan beberapa bahan serta
platform Windows. data yang dapat dijadikan landasan awal
Berdasarkan uraian diatas maka untuk melengkapi pendefinisian
perlu dilakukan penelitian tentang permasalahan tersebut. Tahap
Klasifikasi Buah Jeruk Menggunakan perencanaan/identifikasi masalah
Metode Naive Bayes Berdasarkan Analisis berkaitan dengan akuisisi citra,
Tekstur dan Normalisasi Warna yang preprosessing serta diagnosa
dapat di jalankan di semua permasalahan sehingga dapat ditentukan
platform.Selanjutnya diharapkan dapat sasaran dan faktor kritis permasalahan
membantu dalam mengklasifikasi varietas yang ada, diantaranya :
jeruk yang beragam. 1. Studi Kepustakaan
2. Studi Lapang
Metodologi Penelitian
Tahapan penelitian untuk a. Akuisisi Citra
melakukan klasifikasi buah jeruk Pengambilan data dilakukan
menggunakan metode naive bayes dengan menggunakan kamera digital.
berbasis webdapat dilihat pada Gambar 1. Citra dihasilkan dengan melakukan
capture dari objek yang sebenarnya untuk
menghasilkan gambar digital yang
memiliki resolusi tinggi. Proses capture
menggunakan kamera digital akan
memperlihatkan secara jelas dan detail
tekstur dari citra. Pada penelitian ini citra
jeruk digunakan adalah 4 jenis jeruk,
masing – masing terdiri dari 10 sample

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 :
n1
Energi   P (i, j)
i , j 0
2
………...….(3)
n1
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 n1
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)

r = nilai prosentase red

g = nilai prosentase green
b = nilai prosentase blue
R= jumlah red
G= jumlah green
B= jumlah blue

Algoritma Normalisasi warna adalah

sebagai berikut :
a) Input data citra
b) Menentukan nilai RGB dari setiap Gambar 7. Tampilan Halaman Hasil
pixel Ekstraksi Analisis Tekstur
c) Menjumlahkan nilai keseluruhan niali
RGB Proses Normalisasi Warna
d) Menjumlahkan masing masing nilai Halaman normalisasi warna. Pada
R(red), G(green), B(blue) halaman ini akan diketahui, citra jeuk,
e) Mencari prosentase nilai RGB. nilai prosentase red, green, blue, untuk
normalisasi warna. Tampilan proses
ekstraksi normalisasi warna dapat dilihat
Hasil dan Pembahasan
Halaman utama adalah halaman pada gambar 8.
yang pertama di akses ketika website
dibuka. Halaman ini terdiri terdiri dari 3
bagian, yaitu header, menu dan
banner..Tampilan halaman utama dapat
dilihat pada gambar 6.

Gambar 8. Tampilan Halaman Hasil

Ekstraksi Normalisasi Warna
Proses Klasifikasi Naive Bayes
Halaman klasifikasi. Pada halaman
Gambar 6. Tampilan Halaman Utama ini akan diketahui, citra jeuk, nilai rata-
rata dari parameter setiap jenis jeruk nilai
Proses Ekstraksi Analisis Tekstur standar deviasi dari parameter setiap jenis
Halaman analisis tekstur. Pada jeruk, nilai likelihood setiap jenis jeruk,
halaman ini akan diketahui, citra jeuk, serta nilai probabilitas dari setiap jeruk
entropi, energi, kontras, homogenitas, menggunakan metode naive bayes.

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.

Gambar 9. Tampilan Halaman Klasifikasi

Perhitungan Manual Normalisasi
Warna
Normalisasi warna merupakan
proses Untuk menghitung nilai warna dan
menafsirkan hasilnya dalam model warna
RGB yaitu dengan menghitung Gambar 12 Nilai intensitas dari citra jeruk
prosentasenya. ukuran 16 x 16 piksel
Langkah untuk melakukan
normalisasi warna adalah sebagai berikut Matriks intensitas digunakan untuk
1. Membaca nilai RGB dari setiap pixel
menentukan matriks kookurensi. Untuk
dan menjumlahkannya.
menghindari pembentukan matrik
kookurensi yang terlalu besar dan dapat
menyebabkan proses perhitungan menjadi
lambat, biasanya ukuran matrik
kookurensi dibatasi. Ukuran yang umum
Gambar 10. Jumlah RGB digunakan untuk matrik kookurensi adalah
2. Menghitung prosentase R (merujuk 16 X 16.Dengan demikian bila nilai
persamaan 7), prosentase G (merujuk intensitas maksimum lebih dari 15, harus
persamaan 8) dan prosentase dikonversi sehingga nilai intensitas
B(merujuk persamaan 9). maksimum menjadi 15 (Ahmad, 2005).
Berikut adalah konversi nilainya.

Gambar 11. Hasil prosentase RGB Gambar 13. Penyederhanaan Intensitas 16

x 16

6
 Hubungan spasial untuk d=1 dan
ø=0 matriks diatas dapat dituliskan dalam
matriks berikut:
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
didapatkan hasil matriks normalisasi
sebagai berikut:
Gambar 15. Matriks Normalisasi
Matriks normalisasi digunakan untuk
mencari nilai dari entropi, energi, kontras,
dan homogenitas. Dari hasil keseluruhan
penjumlahan matrik, didapat masing –
masing nilai entropi, energi, kontras, dan
homogenitas seperti gambar 16:
Gambar 16. Hasil Analisis Tekstur
7
Perhitungan manual metode naive
bayes
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 17. Nilai rata rata dan standar
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.
Gambar 17. Rekapitulasi probabilitas
kemunculan
Probabilitas kemunculan digunakan
untuk mencari likelihood dari setiap
klasifikasi dengan cara mengalikan hasil
probabilitas kemunculannya dari setiap
parameter jenis jeruk. Berikut hasil
likelihoodnya.
 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.