Professional Documents
Culture Documents
ABSTRAK
Kemajuan teknologi komputer saat ini sangatlah pesat. Teknologi komputer dikembangkan agar dapat
melakukan proses pengenalan suatu pola, sebagaimana kemampuan yang dimiliki manusia. Sistem pengenalan
pola banyak dimanfaatkan saat ini, contohnya seperti pengenalan sidik jari dan telapak tangan. Disini kami
mencoba mengklasifikasikan jenis bawang dengan menggunakan metode naive bayes classifier. Bawang
merupakan sesuatu yang selalu kita jumpai dalam kehidupan sehari-hari lebih tepatnya dalam dunia dapur atau
untuk memasak. Metode teori keputusan naive bayes adalah metode pengklasifikasian paling sederhana dari
model pengklasifikasian yang ada dengan menggunakan konsep peluang, dimana diasumsikan bahwa setiap
atribut contoh (data sampel) bersifat saling lepas satu sama lain berdasarkan atribut kelas. Mengklasifikasikan
jenis bawang dengan menggunakan metode naive bayes classifier ini diharapkan dapat menggantikan cara
mendeteksi jenis bawang secara manual. Pengklasifikasian ini akan mengklasifikasikan jenis bawang
berdasarkan fitur-fitur yang dimiliki oleh bawang tersebut. Dalam melakukan pengklasifikasian ini, ada lima
fitur yang digunakan yaitu warna R (Red), G (Green), B (Blue), Diameter, dan Panjang dari bawang tersebut.
Pengklasifikasian jenis bawang yang kami lakukan ini berbasis citra yang mempunyai dataset 100 dengan empat
kelas yaitu kelas bawang merah, kelas bawang putih, kelas bawang bombay, dan kelas bawang prei. Selanjutnya
data-data tersebut diolah dengan menggunakan metode Naive Bayes Classifier yaitu dengan menghitung
Probabilitas Prior, Probabilitas Likelihood dan yang terakhir Probabilitas Posterior. Disini pengklasifikasian
jenis bawang di bagi menjadi tiga skenario, skenario 1 yaitu perbandingannya 80 : 20, 80% data training dan
20% data testing, skenario 2 yaitu perbandingannya 70 : 30, 70% data training dan 30% data testing, dan
skenario 3 yaitu perbandingannya 50 : 50, 50% data training dan 50% data testing. Data pengujian di bagi
menjadi 2 yaitu secara urut dan random. Hasil akurasi skenario 1 secara urut adalah 95.0% dan secara random
adalah 95% , hasil akurasi skenario 2 secara urut adalah 93,33% dan secara random adalah 96,67%, dan hasil
akurasi skenario 3 secara urut adalah 90.0% dan secara random 92,0%. Hasil akurasi ini bisa berubah-ubah
pada setiap percobaan,tetapi tidak begitu banyak perubahan yang terjadi.
Kata kunci : metode teori naive bayes classifier, berbasis citra, klasifikasi bawang
1. PENDAHULUAN
Saat ini perkembangan teknologi sangatlah
pesat,
terutama
dalam
pemanfaatan
komputerisasi dalam menyelesaikan masalah
agar lebih efektif. Salah satunya pembuatan
sistem informasi dalam proses pengenalan suatu
pola. Sistem pengenalan pola banyak
dimanfaatkan saat ini, seperti pengenalan sidik
jari dan telapak tangan yang berupa citra,
pengelompokan umbi-umbi an (dalam kasus ini
bawang) yang berbasis citra.
Bawang merupakan istilah umum bagi
sekelompok tumbuhan penting bagi manusia
yang termasuk dalam genus Allium. Umbi, daun,
atau bunga bawang dimanfaatkan sebagai
sayuran atau sebagai rempah-rempah, tergantung
bagaimana kita memandangnya. Bawang sendiri
bawang
P (C j | A1 , A2 ,..., An )
P ( A1 , A2 ,..., An | C j ) P(C j )
P ( A1 , A2 ,..., An )
P( A | C ) P(C )
i
i 1
P ( A1 , A2 ,..., An )
P (d | C j ) P( A1 , A2 ,..., An | C j ) P ( A1 | C j ) P ( A2 | C j )....P( An | C j )
1.4 Threshold
dimana :
w = nilai derajat keabuan sebelum thresholding
x = nilai derajat keabuan setelah thresholding
2. Bawang Putih
3. Bawang Bombay
4. Bawang Prei
1.
Pengambilan gambar
Mengambil
gambar
bawang
,
disarankan gambar bawang dengan
ukuran minimal 100*100 pixel agar
warnanya bisa terlihat dengan jelas.
2.
3.
4.
Ratio70:30
70% sebagai data training dan 30%
sebagai data testing. Sehingga dari
dataset 100 kita bagi menjadi 70 data
training dan 30 data testing.
Ratio 50:50
50% sebagai data training dan 50%
sebagai data testing. Sehingga dari
dataset 100 kita bagi menjadi 50 data
training dan 50 data testing.
Pencatatan fitur-fitur bawang
Ada beberapa fitur yang kita gunakan
untuk membedakan jenis bawang yaitu
diameter,panjang dan warna RGB.
Dataset yang sudah kita siapkan
selanjutnya kita cari fitur-fiturnya yaitu
dengan mengukur panjang, diameter
dan RGB gambar.
5.
6.
7.
P(prei|x) = 9.848600590900304E-17
8.
Menentukan keputusan
Hasil klasifikasi data yang di testing
contoh : data yang diuji masuk kelas
bawang merah.
9.
98.00%
96.00%
94.00%
92.00%
90.00%
88.00%
Urut
Random
98.00%
96.00%
94.00%
92.00%
Urut
90.00%
Random
88.00%
1.2 Saran
Karena dalam penelitian ini, kami hanya
menggunakan 100 dataset maka diharapkan
untuk
penelitian
selanjutnya
dapat
menambahkan dataset bawang sebagai data
training dan testing
dalam jumlah yang
cukup / lebih besar untuk pengujian yang lebih
optimal. Selain itu, juga diharapkan
menggunakan
kombinasi
metode
pengkalasifikasian yang lain misalnya naive
bayes clasifier dengan PCA atau Naive Bayes
clasifier dengan PDA.
6. DAFTAR PUSTAKA
http://en.wikipedia.org/wiki/Naive_Bayes_cl
assifier diakses pada 30 Mei 2014
http://users3.jabry.com/luxky/Bayes.asp
diakses pada 30 Mei 2014
www.informatika.unsyiah.ac.id/tfa/dm/dmbayesian-classifier.pdf
diakses pada 31 Mei 2014
http://repository.usu.ac.id/bitstream/123456789
/20106/4/Chapter%20I.pdf diakses pada
tanggal 31 Mei 2014
http://repository.usu.ac.id/bitstream/123456789
/16877/4/Chapter%20II.pdf
diakses pada tanggal 31 Mei 2014
http://www.pps.unud.ac.id/thesis/pdf_thesis/un
ud-211-1184866289-tesis.pdf
diakses pada tanggal 31 Mei 2014
http://id.wikipedia.org/wiki/Bawang_merah
diakses pada 30 Mei 2014
http://id.wikipedia.org/wiki/Bawang_putih
diakses pada 30 Mei 2014
http://id.wikipedia.org/wiki/Daun_bawang
diakses pada 30 Mei 2014
http://id.wikipedia.org/wiki/Bawang_bombai
diakses pada 30 Mei 2014