1
1. Latar Belakang
Lidah merupakan alat pengecap makanan. Jika lidah ini tidak berfungsi, dengan sendirinya akan berpengaruh terhadap rasa makanan ataupun selera makan. Tidak berfungsinya lidah sebagaimana mestinya disebabkan adanya kelainan atau penyakit. Contoh penyakit Bisul lidah dokter Herry Beng Koestanto (2012), mengatakan bahwa bintil-bintil kecil pada lidah yaitu lapisan papillae, membantu mengecap rasa. Peradangan rentan terjadi pada lapisan
tersebut seperti sakit akibat trauma ringan, demam, atau gejala flu lainnya. Bila berlangsung dalam hitungan hari masih lumrah namun bila berminggu-minggu tidak ada tanda kesembuhan, segera periksa ke dokter. Bila didiamkan bisa menjadi gejala kanker mulut Penyakit pada lidah itu bermacam-macam, seperti
glossodynia, glossopyrosis, fissured tongue, Geographic tongue dan beberapa penyakit lidah lainnya. Adapun beberapa karakteristik penyakit pada lidah,
Fissured Tongue yaitu terlihat lidah tampak seperti retak-retak garis retakan kadang muncul hanya satu dan berada di tengah lidah, Geographic Tongue yaitu bercak pada lidah tampak seperti pulau dan bagian itu berwarna merah. Lidah dapat berfungsi sebagai komponen pendeteksi penyakit pada tubuh. Hal ini bisa dilihat dari warna lidah kita Namun, ada beberapa perubahan warna pada lidah yang dapat mengindikasikan adanya suatu gangguan tertentu. Lalu kemampuan manusia tersebut apabila diterapkan ke dalam suatu sistem yang berupa perangkat lunak maupun perangkat keras, akan sangat berguna untuk diaplikasikan dalam banyak hal. Pendeteksian ini bertujuan untuk Memperoleh keakuratan data penyakit. Contoh aplikasinya adalah automatisasi dalam menganalisa tekstur dan mengklasifikasikan objek di bidang medis, analisis citra satelit, pencarian data citra di dalam halaman web atau basis data dan peninjauan kualitas barang.
Dalam mengklasifikasi dan mendeteksi suatu objek tingkat keakurasian sangatlah penting karena untuk menghasilkan suatu sistem klasifikasi dan pendeteksi suatu objek dibutuhkan keakuratan yang baik. Sebelumnya dilakukan
antara untuk melakukan klasifikasi dan interpretasi citra. Suatu proses klasifikasi citra berbasis analisis tekstur pada umumnya membutuhkan ekstraksi ciri, yang dapat terbagi dalam tiga macam metode yaitu : Statistikal, Geometri, Model-Based. Pada penelitian ini digunakan metode ekstraksi ciri statistikal, metode ekstraksi ciri yang digunakan adalah Gray Level Difference Method (GLDM). Terdapat beberapa jenis fitur yang dapat diekstraksi dari GLDM diantaranya adalah contrast, angular second moment (ASM), entropy, inverse difference moment (IDM) dan mean. Pada gray level difference method, suatu peristiwa dari perbedaan mutlak dihitung antara sepasang derajat keabuan yang terpisah oleh jarak tertentu dengan arah tertentu. (Nicky M. Z., 2009) Maka akan dihasilkan sebuah kemungkinan dari kumpulan
variable distribusi. Untuk metode klasifikasi yang digunakan Pada penelitian ini adalah naïve bayes, algoritma naive bayes merupakan pengklasifikasian dengan metode probabilitas dan statistik yang dikemukakan oleh ilmuwan inggris Thomas Bayes, yaitu memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya. Proses yang pertama adalah learning (training) yaitu proses pembelajaran menggunakan training set. Sebelumnya telah dilakukan penelitian oleh Sri K., (2009), naive bayes dapat digunakan untuk proses klasifikasi data kontinu dan menghasilkan total kinerja pengujian sebesar 93%. Naive bayes adalah salah satu metode klasifikasi yang menggunakan konsep probabilistik. Naive bayes merupakan algoritma klasifikasi yang sangat efektif dan efisien.
Dari permasalahan dan solusi yang telah dijelaskan, penelitian skripsi ini akan mengklasifikasikan jenis penyakit lidah berdasarkan tekstur dengan menerapkan metode gray level difference method untuk proses ekstraksi citra dan metode naïve bayes untuk klasifikasi citra, diharapkan metode naïve bayes dapat mengklasifikasikan jenis penyakit lidah berdasarkan tekstur dan mengukur tingkat keakuratan klasifikasinya.
Berdasarkan latar belakang yang telah dijelaskan, maka penelitian ini merumuskan masalah yang akan dibahas yaitu bagaimana menerapkan metode GLDM untuk ekstraksi citra dan algoritma naïve bayes untuk klasifikasi citra.
1.3. Maksud Dan Tujuan
Maksud dari penelitian ini adalah mengimplementasikan algortima Naïve bayes untuk klasifikasi citra berdasarkan ekstraksi ciri tekstur dengan Gray level difference method.
Tujuan dari penelitian ini adalah :
1. Untuk mengetahui Gray level difference method bisa dikombinasikan dengan metode klasifikasi naïve bayes sehingga dapat citra digital berdasarkan tekstur untuk mengetahui apakah metode ini dapat digunakan
untuk identifikasi penyakit lidah.
2. Untuk mengetahui tingkat keakuratan identifikasi penyakit lidah. 1.4. Batasan Masalah
Untuk menghindari meluasnya materi pembahasan tugas akhir ini, maka membatasi permasalahan dalam tugas akhir ini hanya mencakup hal berikut :
1. Citra yang diklasifikasi adalah citra nama penyakit geographic tongue, median Rhomboid glossitis, Fissured tongue, hairy tongue, plasma cell glossitis, glossodynia. Karena Penyakit lidah yang dapat di deteksi dibatasi hanya penyakit lidah yang dapat dilihat secara visual dari gejala-gejalanya, baik di-scan secara langsung pada penyakit lidah tersebut, maupun men-scan melalui file gambar dengan format gambar JPG
2. Objek yang digunakan untuk sistem stimulasi adalah citra digital RGB dari lidah manusia dengan format citra yang digunakan yaitu JPG.
3. Metode yang digunakan untuk ekstraksi ciri citra adalah Gray level difference method dan metode klasifikasi yang dilakukan menggunakan Algortima Naïve bayes.
4. Citra yang di masukan secara offline/citra sudah disiapkan sebelumnya.
1.5. Metodologi Penelitian
berusaha mendeskripsikan dan menginterprestasikan kondisi atau hubungan yang ada. Penelitian deskriptif pada umumnya dilakukan dengan tujuan utama, yaitu menggambarkan secara sistematis fakta dan karakteristik objek yang diteliti secara tepat.
1.5.1 Metode Pengumpulan Data
Metode pengumpulan data yang digunakan dalam penelitian ini adalah sebagai berikut :
a. Studi Pustaka.
Pengumpulan data dengan cara mengumpulkan literature, jurnal, paper dan bacaan-bacaan yang berkaitan dengan tujuan penelitian, yaitu tentang objek penelitian seperti kulit dan penyakit kutlit. Serta tentang metode yang digunakan seperti metode GLDM dan metode Naïve bayes.
b. Pengamatan
Teknik pengumpulan data, dengan mengumpulkan foto-foto sample penyakit tersebut.
1.5.2 Metode Tahapan Pembangunan Perangkat Lunak
Metode pembangunan perangkat lunak yang digunakan untuk membangun sistem ini ialah dengan menggunakan metode agile dengan langkah-langkah atau
tahapan sebagai berikut :
a. Planning
Perencanaan dari keputusan pengguna/pembuat yang telah ditetapkan
prioritasnya. Tahap perencanaan disini dilakukan dengan pemodelan menggunakan metode pemrograman berorientasi objek.
b. Design
Tahap perancangan dari pembangunan sistem untuk identifikasi dan mengatur class-class di konsep Object Oriented. Jika temui kesulitan, prototype dibangun (spike solution) maka dilakukan refactoring, yaitu mengembangkan desain dari program setelah ditulis.
c. Coding
yaitu C#. Pada tahap ini dilakukan pembuatan komponen-komponen sistem yang meliputi modul program dan antarmuka.
d. Testing
Pengujian aplikasi dilakukan untuk memastikan bahwa aplikasi yang dibuat telah sesuai dengan desainnya dan semua fungsi dapat dipergunakan dengan baik tanpa ada kesalahan.
Gambar 1.1. Metode Agile, XP Process (Pressman, S.R., 2010)
1.6.Sistematika Penulisan
Sistematika penulisan ini adalah untuk memberikan gambaran umum tentang penelitian yang dijalankan. Sistematika penulisan ini dibagi menjadi beberapa bab, yaitu :
BAB I PENDAHULUAN
BAB II LANDASAN TEORI
Bab ini menguraikan tentang teori-teori pendekatan yang digunakan untuk menganalisis masalah dan teori yang dipakai dalam mengolah data penelitian yaitu teori mengenai Pengenalan Pola, teori mengenai Pengolahan Citra, teori mengenai metode Naïve Bayes, teori mengenai Analisis Tekstur, teori mengenai pemrograman Berorientasi object, teori mengenai bahasa C#, teori mengenai Visual studio.net dan teori mengenai Microsoft Visio.
BAB III ANALISIS DAN PERANCANGAN
Bab ini berisi tentang tahapan untuk menganalisis masalah, analisis proses, analisis kebutuhan sistem, dan analisis perhitungan metode Naïve Bayes dan GLDM pada klasifikasi citra, dan analisis untuk membangun program.
BAB 4 IMPLEMENTASI DAN PENGUJIAN
Bab ini berisi tentang pengujian akurasi, dan kecepatan metode Naïve Bayes dan Gray Level difference method pada klasifikasi citra dengan menggunakan program simulasi yang telah dibuat.
BAB 5 PENUTUP
6
BAB 2
TINJAUAN PUSTAKA
2.1 Lidah
Lidah adalah kumpulan otot rangka pada bagian lantai mulut yang dapat membantu pencernaan makanan dengan mengunyah dan menelan. Lidah dikenal sebagai indera pengecap yang banyak memiliki struktur tunas pengecap. Lidah juga turut membantu dalam tindakan bicara.Juga membantu membolak balik makanan dalam mulut. Sebuah organ otot di dasar mulut di sebagian besar vertebrata yang lebih tinggi yang membawa selera (lihat rasa) dan memanipulasi makanan. Ini dapat bertindak sebagai taktil atau organ dpt memegang di beberapa spesies. Dalam beberapa vertebrata canggih, lidah digunakan dalam artikulasi suara, terutama dalam bahasa manusia.
Lidah memiliki tiga fungsi utama. Pertama, ia membawa pada permukaannya selera yang mengirimkan informasi ke otak tentang sifat makanan yang dimakan. Tampaknya bahwa sensasi rasa bukan hanya untuk membuat makan menyenangkan, tetapi juga bertindak sebagai mekanisme
perlindungan yang dirancang untuk menyebabkan penolakan berbahaya (berbahaya) makanan. Kedua, lidah memainkan bagian penting dalam proses pencernaan. Hal ini memungkinkan makanan untuk dipindahkan tentang mulut dan ditempatkan dalam posisi di mana ia dapat paling efektif tanah turun geraham. Ketika isi mulut siap untuk ditelan, lidah membentuk mereka menjadi bola, atau bolus, yang bergerak menuju faring pada awal menelan.
Fissured Tongue Furred Tongue
Plasma cell glossitis Geographic tongue
Median Rhomboid glossitis Hairy tongue
Fissured tongue atau lidah retak-retak merupakan penyakit pada lidah nan membuat lidah tampak seperti terbelah atau retak-retak. Garis retakan nan muncul jumlahnya kadang hanya satu dan berada di tengah lidah. Namun dapat juga bercabang-cabang. Kondisi ini tak terlalu membahayakan, tapi sewaktu-waktu bisa menimbulkan perih dan nyeri di lidah.
Geographic tongue merupakan peradangan pada lidah nan biasanya bersifat kronis dan terjadi jika ada gangguan pada saluran cerna. Penyakit pada lidah ini dinamakan geographic tounge sebab bercak pada lidah tampak seperti pulau-pulau. Bagian pulau itu berwarna merah dan lebih licin. Pada kondisi lebih nan lebih parah, daerah berbentuk pulau akan dikelilingi lapisan tebal berwarna putih. Penyakit pada lidah ini dapat terjadi dampak alergi.
Hairy tongue atau yang dikenal dengan Linguavillosa Nigra, Meskipun biasanya tanpa gejala, kadang-kadang pasien mungkin mengeluh menggelitik atau pembakaran lidah, mual, halitosis,dan mengangu penampilan, warna hitam adalah warna umum pada kondisi ini, namun, coklat, kuning dan hijau belang juga banyak terjadi. Hairy tongue disebabkan oleh cacat deskuamasi permukaan dorsal lidah, biasanya di sepertiga posterio lidah. Kecacatan deskuamasi ini mencegah pembersihan normal pada lidah sehingga menyebabkan pertumbuhan berlebihan dan penebalan papilla filiform yang kemudian mengumpulkan puing-puing, bakteri, jamur atau bahan asing lainnya yang berkontribusi terhadap perubahan warna. Keadaan ini harus dibedakan dengan pseudoblack hairy tongue yang merupakan diskolorasi lidah akibat permen, buah, obat-obatan, dan pigmentasi akibat dekomposisi dari darah tampa disertai perpanjangan papila folliform pada lidah.
Median Rhomboid Glossitis adalah kondisi dimana terdapat nodular merah yang halus pada garis tengah lidah. Ini adalah kelainan bawaan lahir. Penyakit ini sebagai salah satu jenis
2.2 Kecerdasan Buatan
Kecerdasan buatan(Artificial inteligence) adalah salah satu cabang ilmu pengetahuan yang berhubungan dengan pemanfaatan mesin untuk memecahkan persoalan yang rumit dengan cara yang lebih manusiawi. Hal ini biasanya dilakukan dengan mengikuti/mencontoh karakteristik dan
analogi berpikir dari kecerdasan manusia, dan menerapkannya sebagai algoritma yang dikenal oleh komputer.
Semakin pesatnya perkembangan teknologi menyebabkan adanya perkembangan dan perluasan lingkup yang membutuhkan kehadiran kecerdasan buatan. Karakteristik cerdas sudah mulai dibutuhkan di berbagai disiplin ilmu dan teknologi. Kecerdasan Buatan tidak hanya merambah di berbagai disiplin ilmu yang lain. Irisan antara psikologi dan kecerdasan buatan melahirkan sebuah area yang dikenal dengan nama cognition & psycolinguistics. Irisan antara teknik elektro dengan kecerdasan buatan melahirkan berbagai ilmu seperti pengolahan citra, teori kendali, pengenalan pola dan robotika.
Kecerdasan buatan digunakan untuk menganalisis pemandangan dalam citra dengan perhitungan simbol-simbol yang mewakili isi pemandangan tersebut setelah citra diolah untuk memperoleh ciri khas. Kecerdasan buatan bisa dilihat sebagai tiga kesatuan yang terpadu yaitu persepsi, pengertian dan aksi. Persepsi menerjemahkan sinyal dari dunia nyata dalam citra menjadi simbol-simbol yang lebih sederhana, pengertian memanipulasi simbol-simbol tadi untuk memudahkan penggalian suatu informasi tertentu, dan aksi menerjemahkan simbol-simbol yang telah dimanipulasi menjadi sinyal lain yang dapat merupakan hasil akhir atau hasil antara sesuai dengan keperluan (Ahmad U, 2005).
2.3Pola
Pola adalah suatu entitas yang terdefinisi dan dapat diidentifikasi serta diberi nama melalui ciri-cirinya (feature). Ciri-ciri tersebut digunakan untuk membedakan suatu pola dengan pola yang lainnya. Ciri yang baik adalah ciri yang memiliki daya pembeda yang tinggi, sehingga pengelompokan pola berdasarkan ciri yang dimiliki dapat dilakukan dengan keakuratan yang tinggi.
Pola adalah komposit/gabungan dari ciri yang merupakan sifat dari sebuah objek (Munir, 2002).
1. Huruf, memiliki ciri-ciri seperti tinggi, tebal, titik sudut, dan lengkungan garis. 2. Suara, memiliki ciri-ciri seperti amplitudo, frekuensi, nada, dan intonasi. 3. Tanda tangan, memiliki ciri-ciri seperti panjang, kerumitan, dan tekanan. 4. Sidik jari, memiliki ciri-ciri seperti lengkungan, dan jumlah garis.
Ciri pada suatu pola diperoleh dari hasil pengukuran terhadap objek uji. Khusus pada pola yang terdapat di dalam citra, ciri-ciri yang dapat diperoleh berasal dari informasi (Munir, 2002): 1. Spasial: intensitas pixel dan histogram.
2. Tepi: arah dan kekuatan.
3. Kontur: garis, elips dan lingkaran.
4. Wilayah/bentuk: keliling, luas dan pusat massa. 5. Hasil transformasi Fourier: frekuensi.
2.4Pengenalan Pola
Pengenalan Pola adalah mengelompokkan data numerik dan simbolik (termasuk citra) secara otomatis oleh mesin (dalam hal ini komputer). Pengenalan pola bertujuan menentukan kelompok atau kategori pola berdasarkan ciri-ciri yang dimiliki oleh pola tersebut. Dengan kata lain, pengenalan pola membedakan suatu objek dengan objek lain. Terdapat dua pendekatan yang dilakukan dalam pengenalan pola: pendekatan secara statistik dan pendekatan secara sintaktik atau struktural (Munir, 2002).
a. Pengenalan Pola secara Statistik
Pendekatan ini menggunakan teori-teori ilmu peluang dan statistik. Ciri-ciri yang dimiliki oleh suatu pola ditentukan distribusi statistiknya. Pola yang berbeda memiliki distribusi yang
berbeda pula. Dengan menggunakan teori keputusan di dalam statistik, kita menggunakan distribusi ciri untuk mengklasifikasikan pola.
Gambar 2.2 Sistem pengenalan pola dengan pendekatan statistik (Munir, 2002).
Ada dua fase dalam sistem pengenalan pola yaitu fase pelatihan dan fase pengenalan. Pada fase pelatihan, beberapa contoh citra dipelajari untuk menentukan ciri yang akan digunakan dalam proses pengenalan serta prosedur klasifikasinya. Pada fase pengenalan, citra diambil cirinya kemudian ditentukan kelas kelompoknya (Munir, 2002).
Pada penelitian ini termasuk sistem pengenalan pola dengan pendekatan statistik, karena ciri-ciri yang dimiliki oleh citra sidik jari memiliki pola yang ditentukan distribusi statistiknya. Apabila polanya berbeda maka memiliki distribusi yang berbeda pula. Distribusi ciri digunakan untuk mengklasifikasikan pola dengan memanfaatkan teori keputusan di dalam statistik.
Kumpulan ciri dari suatu pola dinyatakan sebagai vektor ciri dalam ruang bahumatra (multi dimensi). Jadi, setiap pola dinyatakan sebagai sebuah titik dalam ruang bahumatra. Ruang bahumatra dibagi menjadi sejumlah uparuang (sub-ruang). Tiap uparuang dibentuk
berdasarkan pola-pola yang sudah dikenali kategori dan ciri-cirinya (melalui fase pelatihan) (Munir, 2002). Lihat Gambar (2.3).
3 kelas 2 kelas yang beririsan
ciri 1 ciri 2
b. Pengenalan Pola secara Sintaktik
Pendekatan ini menggunakan teori bahasa formal. Ciri-ciri yang terdapat pada suatu pola ditentukan primitif dan hubungan struktural antara primitif kemudian menyusun tata
bahasanya. Dari aturan produksi pada tata bahasa tersebut kita dapat menentukan kelompok pola. Gambar 2.4 memperlihatkan sistem pengenalan pola dengan pendekatan sintaktik. Pengenalan pola secara sintaktik lebih dekat ke strategi pengenalan pola yang dilakukan manusia, namun secara praktek penerapannya relatif sulit dibandingkan pengenalan pola secara statistik (Munir, 2002). Sistem pengenalan pola dengan pendekatan sintaktik ditunjukan oleh diagram pada gambar 2.4.
Gambar 2.4 Sistem pengenalan pola dengan pendekatan sintaktik (Munir, 2002).
Pendekatan yang digunakan dalam membentuk tata bahasa untuk mengenali pola adalah
mengikuti kontur (tepi batas) objek dengan sejumlah segmen garis terhubung satu sama lain, lalu mengkodekan setiap garis tersebut (misalnya dengan kode rantai). Setiap segmen garis merepresentasikan primitif pembentuk objek (Munir, 2002).
2.5 Pengolahan Citra
1. Perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan kualitas penampakan atau untuk menonjolkan beberapa aspek informasi yang terkandung di dalam citra,
2. Elemen di dalam citra perlu dikelompokkan, dicocokkan, atau diukur, 3. Sebagian citra perlu digabung dengan bagian citra yang lain.
Pengolahan Citra bertujuan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin (dalam hal ini komputer). Teknik-teknik pengolahan citra mentransformasikan citra menjadi citra lain. Jadi, masukannya adalah citra dan keluarannya juga citra, namun citra keluaran mempunyai kualitas lebih baik dari pada citra masukan (Munir, 2002).
2.6 Operasi-operasi Pengolahan Citra
Operasi-operasi yang dilakukan di dalam pengolahan citra banyak ragamnya. Namun, secara umum, operasi pengolahan citra dapat diklasifikasikan dalam beberapa jenis sebagai berikut (Munir, 2002):
1. Perbaikan kualitas citra (image enhancement).
Jenis operasi ini bertujuan untuk memperbaiki kualitas citra dengan cara memanipulasi parameter-parameter citra. Dengan operasi ini, ciri-ciri khusus yang terdapat di dalam citra lebih ditonjolkan. Contoh-contoh operasi perbaikan citra:
a. Perbaikan kontras gelap/terang
b. Perbaikan tepian objek (edge enhancement) c. Penajaman (sharpening)
d. Pemberian warna semu (pseudocoloring) e. Penapisan derau (noise filtering)
2. Pemugaran citra (image restoration).
Operasi ini bertujuan menghilangkan/meminimumkan cacat pada citra. Tujuan pemugaran citra hampir sama dengan operasi perbaikan citra. Bedanya, pada pemugaran citra penyebab degradasi gambar diketahui. Contoh-contoh operasi pemugaran citra:
a. Penghilangan kesamaran (deblurring). b. Penghilangan derau (noise)
3. Pemampatan citra (image compression).
pemampatan adalah citra yang telah dimampatkan harus tetap mempunyai kualitas gambar yang bagus.
4. Segmentasi citra (image segmentation).
Jenis operasi ini bertujuan untuk memecah suatu citra ke dalam beberapa segmen dengan suatu
kriteria tertentu. Jenis operasi ini berkaitan erat dengan pengenalan pola. 5. Pengorakan citra (image analysis)
Jenis operasi ini bertujuan menghitung besaran kuantitif dari citra untuk menghasilkan deskripsinya. Teknik pengorakan citra mengekstraksi ciri-ciri tertentu yang membantu dalam identifikasi objek. Proses segmentasi kadangkala diperlukan untuk melokalisasi objek yang diinginkan dari sekelilingnya. Contoh-contoh operasi pengorakan citra:
a. Pendeteksian tepi objek (edge detection) b. Ekstraksi batas (boundary)
c. Representasi daerah (region)
6. Rekonstruksi citra (image reconstruction)
Jenis operasi ini bertujuan untuk membentuk ulang objek dari beberapa citra hasil proyeksi. Operasi rekonstruksi citra banyak digunakan dalam bidang medis. Misalnya beberapa foto rontgen dengan sinar X digunakan untuk membentuk ulang gambar organ tubuh.
7. Perubahan Model Warna
Warna adalah persepsi yang dirasakan oleh sistem visual manusia terhadap panjang gelombang cahaya yang dipantulkan oleh objek (Ahmad U. , 2005). Setiap warna mempunyai panjang gelombang yang berbeda. Warna merah mempunyai panjang gelombang paling tinggi, sedangkan warna ungu mempunyai panjang gelombang paling rendah. Warna-warna yang
diterima oleh mata merupakan hasil kombinasi cahaya dengan panjang gelombang berbeda. Penelitian memperlihatkan bahwa kombinasi warna yang memberikan rentang warna yang paling lebar adalah red (R), green (G), blue (B).
Dalam pembentukan citra digital model warna yang umum digunakan antara lain sebagai berikut :
a. Citra RGB
green dan blue (RGB). RGB merupakan citra 24 bit dengan komponen merah, hijau, dan biru yang masing-masing umumnya bernilai 8 bit sehingga intensitas kecerahan warna sampai 256 level dan kombinasi warnanya kurang dari sekitar 16 juta warna.
b. Citra Keabuan
Citra dengan derajat keabuan berbeda dengan citra RGB, citra ini didefinisikan oleh satu nilai derajat warna. Umumnya bernilai 8 bit sehingga intensitas kecerahan warna sampai 256 level dan kombinasi warnanya 256 varian. Tingkat kecerahan paling rendah yaitu 0 untuk warna hitam dan putih bernilai 255. Untuk mengkonversikan citra yang memiliki warna RGB ke derajat keabuan bisa menggunakan persamaan :
X = 0.21 ∙ � + 0.72 ∙ � + 0.07 ∙ (2.1) Dimana : R = nilai red * 15 / 255
G = nilai green * 15 / 255 B = nilai blue * 15 / 255 2.7 Tekstur
Secara umum tekstur mengacu pada repetisi elemen-elemen tekstur dasar yang sering disebut primitif atau texel (texture element). Suatu texel terdiri dari beberapa pixel dengan aturan posisi bersifat periodik, kuasiperiodik, atau acak. Pengertian dari tekstur dalam hal ini adalah keteraturan pola-pola tertentu yang terbentuk dari susunan piksel-piksel dalam citra digital (Ahmad U, 2005).
Untuk membentuk suatu tekstur setidaknya ada dua persyaratan yang harus dipenuhi antara lain :
1. Terdiri dari satu atau lebih piksel yang membentuk pola-pola primitif (bagian-bagian terkecil). Bentuk-bentuk pola primitif ini dapat berupa titik, garis lurus, garis lengkung, luasan dan lain-lain yang merupakan elemen dasar dari sebuah bentuk.
2. Munculnya pola-pola primitif yang berulang-ulang dengan interval jarak dan arah tertentu sehingga dapat diprediksi atau ditemukan karakteristik perulangannya, untuk contoh dari beberapa citra tekstur dapat dilihat dari gambar 2.5 berikut.
Suatu citra memberikan interpretasi tekstur yang berbeda apabila dilihat dengan jarak dan sudut yang berbeda, manusia memandang tekstur berdasarkan deskripsi yang bersifat acak, seperti halus, kasar, teratur, tidak teratur, dan lain sebgainya. Hal ini merupakan deskripsi yang tidak tepat dan non-kuantitatif, sehingga diperlukan adanya suatu deskripsi yang kuantitatif (matematis)
untuk memudahkan analisis (Ahmad U, 2005). 2.7.1 Analisis Tekstur
Analisis tekstur merupakan dasar dari berbagai macam aplikasi, aplikasi dari analisis tekstur antara lain adalah penginderaan jarak jauh, pencitraan medis, identifikasi kualitas suatu bahan (kayu, kulit, tekstil dan lain-lain). Pada analisis citra, dikategorikan menjadi lima kategori utama yaitu statistis, struktural, geometri, model dasar dan pengolahan sinyal. Pendekatan statistis mempertimbangakan bahwa internsitas dibangkitkan oleh medan acak dua dimensi, metode ini berdasar pada frekuensi-frekuensi ruang. Contoh metode statistis adalah fungsi autokorelasi, run-length, matriks kookurensi, tranformasi fourier, frekuensi tepi. Teknik struktural berkaitan dengan penyusupan bagian-bagian terkecil suatu citra. contoh metode struktural adalah model fraktal. Metode geometri berdasar atas perangkat geometri yang ada pada elemen tekstur. Contoh model dasar adalah medan acak. Sedangkan metode pengolahan sinyal adalah metode yang berdasarkan analisis frekuensi seperti transformasi gabor dan transformasi wavelet (Ahmad U, 2005).
2.8Gray Level Difference Method
Pada gray level difference method atau biasa disingkat dengan GLDM, peristiwa dari perbedaan mutlak dihitung antara sepasang derajat keabuan yang terpisah oleh jarak tertentu dengan arah tertentu. Maka akan dihasilkan sebuah kemungkinan dari kumpulan variable distribusi
Jika terdapat derajat keabuan m, ”probability density function” adalah vektor berdimensi m yang mana komponen ke 1 adalah probabilitas bahwa (i, j) akan memiliki nilai i. analisa tekstur dengan menggunakan GLDM (grey level difference method). Data- data yang diambil meliputi semua features yang telah ditentukan. Fitur-fitur dalam menentukan data adalah Contrast, Angular Second Moment (ASM), Entropy, Inverse Difference Moment (IDM) dan Mean (Nicky M. Z., 2009).
Menunjukkan ukuran penyebaran (momen inersia) elemen-elemen matriks citra. Jika letaknya jauh dari diagonal utama, nilai kekontrasan besar. Secara visual, nilai kekontrasan adalah ukuran variasi antar derajat keabuan suatu daerah citra. Hasil perhitungan kontras berkaitan dengan jumlah keberagaman intensitas keabuan dalam citra.
Rumus
ASM yang menunjukkan kesamaan citra berderajat keabuan sejenis. Citra akan memiliki harga kesamaan yang besar.
Entropi dapat menunjukkan ketidakteraturan ukuran bentuk, jika nilai Entropinya besar untuk citra dengan transisi derajat keabuan merata dan bernilai kecil jika struktur citra tidak teratur (bervariasi).
Idm menyatakan ukuran konsentrasi pasangan dengan intensitas keabuan tertentu pada matriks, dimana (i, j) menyatakan nilai pada baris i dan kolom j pada matriks kookurensi.
Rumus IDM = (2.5)
5. Mean
Mean menyatakan ukuran ketidaksamaan linear derajat keabuan citra sehingga dapat memberikan petunjuk adanya struktur linear dalam citra.
Gambar 2.6 Proses Gldm Tahap Konversi
Tahap Konversi Citra
Gambar 2.7 Proses gldm tahap analisa
Tahap Analisa GLDM
Tahap analisa GLDM pada bagian atribut terdapat nomor 1 sampai 5. Atribut tersebut adalah Contrast, Angular Second Moment (ASM), Entropy, Inverse Difference Moment (IDM), dan Mean. Perbedaan histogram dapat dilihat dari hasil konversi citra abu-abu menjadi histogram yang
dihasilkan berdasarkan pengelompokan deskripsi jenis kayu jati parket yang digunakan. Dalam atribut contrast jika letaknya jauh dari diagonal utama, nilai kekontrasan besar.
Secara visual, nilai kekontrasan adalah ukuran variasi antar derajat keabuan suatu daerah citra. Angular second moment (ASM) menunjukkan ukuran sifat homogenitas citra.
2.9 Klasifikasi Naïve Bayes
Naïve bayes adalah teknik prediksi berbasis probabilistik sederhana yang berdasar pada penerapan teorema Bayes (Prasetyo E, 2012).
1. Asumsi independensi (ketidaktergantungan) yang kuat (naif). 2. Model yang digunakan adalah “model fitur independen”.
Independensi yang kuat pada fitur adalah bahwa sebuah fitur pada sebuah data tidak ada kaitannya dengan adanya atau tidak adanya fitur yang lain dalam data yang sama. Contoh: kasus klasifikasi hewan dengan fitur: penutup kulit, melahirkan, berat, dan menyusui
1. Dalam dunia nyata, hewan yang berkembang biak dengan cara melahirkan dipastikan hewan tersebut menyusui juga, disini ada ketergantungan pada fitur menyusui karena hewan yang menyusui biasanya melahirkan, atau hewan yang bertelur biasanya tidak menyusui.
2. Dalam Bayes, hal tersebut tidak dipandang, sehingga masing-masing fitur seolah tidak ada hubungan apa-apa.
Kasus lain: prediksi hujan
1. Hujan tergantung angin, cuaca kemarin, kelembaban udara (tidak ada kaitan satu sama lain). 2. Tapi juga tidak boleh memasukkan fitur lain yang tidak ada hubungannya dengan hujan,
seperti: gempa bumi, kebakaran, dsb.
Naïve bayes adalah suatu metode pengklasifikasian paling sederhana dengan menggunakan peluang yang ada, dimana diasumsikan bahwa setiap variable X bersifat bebas (independence). Karena asumsi variabel tidak saling terikat, maka didapatkan :
(2.7)
Data yang digunakan dapat bersifat kategorial (diskrit) maupun continue. Namun, pada tugas akhir ini akan digunakan data continue, karena hasil ekstraksi ciri citra merupakan data continue berupa angka angka hasil pengukuran tingkat adalah Contrast, Angular Second Moment (ASM), Entropy, Inverse Difference Moment (IDM) dan Mean pada ekstraksi ciri. Maka dari itu untuk data continue dapat diselesaikan dengan menggunakan langkah-langkah berikut.
Training :
1. Hitung rata-rata (mean) tiap fitur dalam dataset training dengan.
qi
P
X
iY
y
y
Y
X
� = ∑ �� (2.8)
Dimana: � = mean
= banyaknya data ∑ � = jumlah nilai data
2. Kemudian hitung nilai varian dari diat dataset training tersebut seperti pada.
� = − ∑ �
�=
− µ .9
Dimana: � = varians µ= mean
� = nilai data
= banyaknya data Testing :
1. Hitung probabilitas (Prior) tiap kelas yang ada dengan cara menghitung jumlah data tiap kelas dibagi jumlah total data secara keseluruhan.
2. Selanjutnya menghitung densitas probabilitasnya. Fungsi densitas mengekspresikan probabilitas relatif. Data dengan mean μ dan standar deviasi σ, fungsi densitas probabilitasnya adalah :
��� =
√ ��
− �−��22 .
Dimana :
= data masukan π = 3,14
� = standar deviasi µ = mean
3. Setelah didapatkan nilai densitas probabilitasnya, selanjutnya menghitung posterior
masing-masing kelas dengan menggunakan persamaan 2.11.
Atau bisa ditulis
� =� �� � �(� … … … � | �)
�(� … … … � | �) (2.12)
4. Setelah didapat nilai posterior, kelas yang sesuai adalah nilai posterior terbesar.
2.10 OOP (Object Oriented Progamming)
Metodologi berorientasi objek adalah suatu strategi pembangunan perangkat lunak yang mengorganisasikan perangkat lunak sebagai kumpulan objek yang berisi data dan operasi yang diberlakukan terhadapnya. Metodologi berorientasi objek merupakan suatu cara bagaimana sistem perangkat lunak dibangun melalui pendekatan objek secara sistematis. Metode berorientasi objek didasarkan pada penerapann prinsip-prinsip pengelolaan kompleksitas. Metode berorientasi objek meliputi rangkaian aktifitas analisis beorientasi objek, perancangan berorientasi objek, pemrograman berorientasi objek, dan pengujian berorientasi objek (Nugroho A, 2005).
Pada saat ini, metode berorientais objek banyak dipilih karena metodologi lama banyak menimbulkan masalah seperti adanya kesulitan pada saat mentranformasi hasil dari satu tahap pengembangan ke tahap berikutnya, misalnya pada metode pendekatan terstruktur, jenis aplikasi yang dikembangkan saat ini berbeda dengan masa lalu. Aplikasi yang dikembangkan saat ini
sangat beragam (aplikasi bisnis, real-time, utility dan sebagainya) dengan platform yang berbeda-beda, sehingga menimbulkan tuntutan kebutuhan metodologi pengembangan yang dapat mengakomodasi ke semua jenis aplikasi.
Keuntungan menggunakan metodologi berorientasi objek adalah sebagai berikut : a. Meningkatkan Produktivitas
Karena kelas dan objek yang ditemukan dalam suatu masalah masih dapat dipakai ulang untuk masalah lainnya yang melibatkan objek tersebut (reuseable).
b. Kecepatan Pengembangan
Karena sistem yang dibangun dengan baik dan benar pada saat analisis dan perancangan akan mennyababkan berkurangnya kesalahan pada saat pengkodean
c. Kemudahan Pemeliharaan
Karena dengan model objek, pola-pola yang cendrung tetap dan stabil dapat dipisahkan dan pola-pola yang mungkin sering diubah-ubah.
Karena sifat pewarisan dan penggunaan notasi yang sama pada saat analisis, perancangan maupun pengkodean.
e. Meningkatkan Kualitas Perangkat Lunak
Karena adanya pendekatan pengembangan lebih dekat dengan dunia nyata dan adanya
konsistensi pada saat pengambangannya, perangkat lunak yang dihasilkan akan mampu memenuhi kebutuhan pemakai serta mempunyai sedikit kesalahan.
Berikut beberapa contoh bahasa pemograman yang mendukung pemrograman berorientasi objek adalah :
a. Smalltalk
Smalltalk adalah salah satu bahasa pemograman yang diekmbangkan untuk mendukung pemrograman beroirentasi objek.
b. Bahasa Pemrograman Eiffel
Eiffel merupakan bahsa pemrograman yang kembangkan untuk mendukung pemrograman berorientasi objek oleh Bertrand Meyer dan compiler.
c. Bahasa Pemrograman (Web) PHP
Php dibuat pertama kali oleh seorang perekayasa perangkat (software engineering) yang bernama Rasmus Lerdoff.
d. Bahasa Pemrograman C++
C++ merupakan pengembangan lebih lanjut dari bahasa pemrograman C untuk mendukung pemrograman berorientasi objek.
e. Bahasa Pemrograman Java
Java dikembangkan oleh perusahaan Sun Microsystem. Java menurut definisi dari Sun
Microsystem adalah nama untuk sekumpulan teknologi untuk membuat dan menjalankan perangkat lunak pada komputer standalone ataupun pada lingkungan jaringan.
2.10.1 Konsep Dasar Berorientasi Objek
Berikut adalah konsep dasar pemrograman berorientasi objek : a. Objek (Object)
suatu entitas yang mampu menyimpan informasi dan mempunyai operasi yang dapat diterapkan atau dapat berpengaruh pada status objeknya.
b. Kelas (Class)
Kelas adalah kumpulan objek-objek dengan karakteristik yang sama. Kelas merupakan definisi
statik dan himpunan objek yang sama yang mungkin lahir atau diciptakan dalam kelas tersebut. c. Pembungkusan (Encapsulation)
Pembungkusan atribut data dan layanan yang mempunyai objek untuk menyembunyikan implementasi dan objek sehingga objek lain tidak mengetahui cara kerjanya.
d. Pewarisan (Inheritance) dan Generalisasi/Spesialisasi
Mekanisme yang memungkinkan satu objek mewarisi sebagian atau seluruh definisi dan objek lain sebagai bagian dirinya.
e. Metode
Operasi atau metode pada sebuah kelas hampir sama dengan fungsi atau prosedur pada metodologi struktural.
f. Polimorfisme
Kemampuan suatu objek untuk digunakan dibanyak tujuan yang berbeda dengan nama yang sama sehingga menghemat baris program.
2.11 UML (Unified Modelling Language)
Unified Modelling Language (UML) adalah sekumpulan spesifikasi yang dikeluarkan oleh OMG. UML terbaru adalah UML 2.3 yang terdiri dari 4 macam spesifikasi, yaitu : Diagram Interchange Spesification, UML Infrastrukture, UML Superstrukture, dan Object Constraint Language (OCL). Pada UML 2.3 terdiri 13 macam diagram yang dikelompokan pada 3 kategori, yaitu (Sutopo A. H. & Masya F., 2005):
A. Struktur Diagram, yaitu kumpulan diagram yang digunakan untuk menggambarkan suatu struktur statis dari sistem yang dimodelkan. Pada Struktur Diagram dibagi menjadi 6 bagian (Sutopo A. H. & Masya F., 2005) :
1. Diagram Kelas
2. Diagram Objek
Digram objek menggambarkan struktur sistem dari segi penamaan objek dan jalannya objek dalam sistem.
3. Diagram Komponen
Diagram komponen dibuat untuk menunjukan organisasi dan ketergantungan diantara kumpulan komponen dalam sebuah sistem.
4. Composite Structure Diagram
Composite Structure Diagram baru mulai ada pada UML versi 2.0. diagram ini dapat digunakan untuk menggambarkan struktur dari bagian-bagian yang saling terhubung maupun mendeskripsikan struktur pada saat berjalan (runtime) .
5. Package Diagram
Package diagram menyediakan cara mengumpulkan elemen-elemen yang saling terkait dalam diagram UML. Hampir semua diagram dalam UML dapat dikelompokan menggunakan
Package Diagram. 6. Deployment Diagram
Deployment diagram menunjukan konfigurasi komponen dalam proses eksekusi aplikasi.
B. Behavior Diagram, yaitu kumpulan diagram yang digunakan untuk menggambarkan kelakuan sistem atau rangkaian perubahan yang terjadi pada sebuah sistem. Pada Behavior Diagram dibagi menjadi 3 bagian :
1. Use Case Diagram
Use case diagram merupakan pemodelan untuk kelakuan (behavior) sistem informasi yang akan dibuat,. Use case mendeskripsikan sebuah interaksi antara satu atau lebih aktor dengan sistem informasi yang akan dibuat.
2. Activity Diagram
Activity diagram menggambarkan workflow atau aktivitas dari sebuah sistem atau proses bisnis atau menu yang ada pada perangkat lunak.
State machine diagram digunakan untuk menggambarkan perubahan status atau transisi status dari sebuah mesin atau sistem atau objek.
C. Interactions Diagram, yaitu kumpulan diagram yang digunakan untuk menggambarkan interaksi antar subsistem pada suatu sistem. Pada Interactions Diagram dibagi menjadi 4 bagian :
1. Sequence Diagram
Sequence diagram menggambarkan kelakuan objek pada use case dengan mendeskripsikan waktu hidup objek dan message yang dikirimkan dan diterima antar objek.
2. Communication Diagram
Communication diagram menggambarkan interaksi antar bojek/bagian dalam bentuk urutan pengiriman pesan. Diagram komunikasi merepresentasikan informasi yang diperoleh dari diagram kelas, diagram sequence, dan diagram use case untuk mendeskripsikan gabungan antara struktur statis dan tingkah laku dinamis dari suatu sistem.
3. Timing Diagram
Timing diagram merupakan diagram yang fokus pada penggambaran terkait batas waktu. 4. Interaction Overview Diagram
Interaction overview diagram mirip dengan diagram aktivitas yang berfungsi untuk menggarbarkan sekumpulan urutan aktivitas, diagram ini adalah bentuk aktivias diagram yang setiap titik merepresentasikan diagram interaksi.
2.12 Database
Istilah "basis data" berawal dari ilmu komputer. Meskipun kemudian artinya semakin luas, memasukkan hal-hal di luar bidang elektronika, artikel ini mengenai basis data komputer. Catatan
yang mirip dengan basis data sebenarnya sudah ada sebelum revolusi industri yaitu dalam bentuk buku besar, kuitansi dan kumpulan data yang berhubungan dengan bisnis.
informasi dalam bentuk tabel-tabel yang saling berhubungan dimana setiap tabel terdiri dari baris dan kolom (definisi yang sebenarnya menggunakan terminologi matematika). Dalam model ini, hubungan antar tabel diwakili denga menggunakan nilai yang sama antar tabel. Model yang lain seperti model hierarkis dan model jaringan menggunakan cara yang lebih eksplisit untuk mewakili
hubungan antar tabel. Istilah basis data mengacu pada koleksi dari data-data yang saling berhubungan, dan perangkat lunaknya seharusnya mengacu sebagai sistem manajemen basis data (database management system/DBMS). Jika konteksnya sudah jelas, banyak administrator dan programer menggunakan istilah basis data untuk kedua arti tersebut (Achmad S, 2010).
2.12.1 MySQL
MySQL adalah sebuah perangkat lunak sistem manajemen basis data SQL atau DBMS (Database Management System) yang multithread, multi-user, dengan sekitar 6 juta instalasi di seluruh dunia. MySQL AB membuat MySQL tersedia sebagai perangkat lunak gratis di bawah lisensi GNU General Public License (GPL), tetapi mereka juga menjual dibawah lisensi komersial untuk kasus-kasus dimana penggunaannya tidak cocok dengan penggunaan GPL.
Tidak seperti PHP atau Apache yang merupakan software yang dikembangkan oleh komunitas umum, dan hak cipta untuk kode sumber dimiliki oleh penulisnya masing-masing, MySQL dimiliki dan disponsori oleh sebuah perusahaan komersial Swedia yaitu MySQL AB. MySQL AB memegang penuh hak cipta hampir atas semua kode sumbernya. Kedua orang Swedia dan satu orang Finlandia yang mendirikan MySQL AB adalah: David Axmark, Allan Larsson, dan Michael "Monty" Widenius (Achmad S, 2010).
Fitur-fitur MySQL antara lain :
1. Relational Database System. Seperti halnya software database lain yang ada di pasaran, MySQL termasuk RDBMS.
2. Arsitektur Client-Server. MySQL memiliki arsitektur client-server dimana server database
MySQL terinstal di server. Client MySQL dapat berada di komputer yang sama dengan server, dan dapat juga di komputer lain yang berkomunikasi dengan server melalui jaringan bahkan internet.
4. Mendukung Sub Select. Mulai versi 4.1 MySQL telah mendukung select dalam select (sub select).
5. Mendukung Views. MySQL mendukung views sejak versi 5.0
6. Mendukung Stored Prosedured (SP). MySQL mendukung SP sejak versi 5.0
7. Mendukung Triggers. MySQL mendukung trigger pada versi 5.0 namun masih terbatas. Pengembang MySQL berjanji akan meningkatkan kemampuan trigger pada versi 5.1. 8. Mendukung replication.
9. Mendukung transaksi. 10.Mendukung foreign key. 11.Tersedia fungsi GIS. 12.Gratis (bebas didownload) 13.Stabil dan tangguh
14.Fleksibel dengan berbagai pemrograman
15.Security yang baik, dukungan dari banyak komunitas 16.Perkembangan software yang cukup cepat.
2.13 Bahasa Pemograman C#
C# (tanda ‘#’ dibaca “Sharp”) merupakan bahasa pemograman baru yang diciptakan Microsoft secara khusus sebagai salah satu bahasa pemrograman dalam teknologi .Net sebagai bahasa baru, C# tidak berevolusi dari bahasa C# versi bukan teknologi .Net. dengan demikian C# dapat memaksimalkan kemampuannya tanpa khawatir dengan masalah kompatibilitas dengan versi-versi sebelumnya. Keharusan sebuah perangkat lunak untuk tetap dapat kompatibel dengan versi-versi sebelumnya sebagaimana yang terjadi pada Visual Basic (VB) maupun C++biasanya
menghambat optimalitas kemampuan dari perangkat lunak tersebut (Hartanto, B., 2008).
Dari informasi ini dapat disimpulkan bahwa C# merupakan bahasa pemrogrman baru yang sedang berkembang dan dapat diterima dengan baik oleh kebanyakan progammer dan kalangan industri. Di Microsoft sendiri, C# merupakan bahasa pemrograman yang digunakan untuk membuat perangkat lunak yang berteknologi .Net dengan demikian dapat diperkirakan bahwa C#
akan menjadi bahasa pemrograman yang akan banyak digunakan di masa-masa mendatang (Hartanto, B., 2008).
2.14 Confusion matrix
Pengujian metode bertujuan untuk mengetahui hasil dari metode GLDM dalam mendeteksi ciri tektur jenis-jenis penyakit dan metode Naïve bayes yang diimplementasikan sebagai klasifikasi jenis penyakit pada system ini. Percobaan dilakukan dengan menggunakan metode K-Fold Cross validation (validasi silang). K-Fold Cross Validation membagi data menjadi K subset yang ukurannya sama satu sama lainnya.
Pada penelitian ini, Data yang digunakan dalam pengujian merupakan data dari 5 jenis penyakit lidah manusia sebanyak 50 data setiap kelasnya. Jumlah keseluruhan data yang digunakan adalah 100 data citra. Sedangkan alat bantu yang digunakan untuk mengukur tingkat akurasi adalah confusion matrix.
Tabel 2.1 Confusion matrix
Kelas Prediksi
0 1
Target 0 00 01 1 10 11
Formula yang digunakan untuk menghitung akurasinya adalah sebagai berikut:
akurasi = ℎ ℎ ℎ �
93
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari hasil penelitian, analisis pengolahan citra, pelatihan dan pengujian metode gldm dan Naïve bayes untuk klasifikasi citra berdasarkan tekstur ini, didapatkan kesimpulan yaitu :
1. Algoritma naïve bayes dapat mengklasifikasikan citra lidah berdasarkan hasil ekstraksi citra digital metode gldm.
2. Algoritman naïve bayes dapat melakukan klasifikasi citra berdasarkan tekstur yang diekstraksi dengan metode gldm. Dikarenakan data hasil ekstraksi ciri ini adalah berupa data continue, atau biasa disebut data nominal, sehingga saat proses klasifikasi data hasil ekstraksi ciri tersebut dapat langsung digunakan sebagai masukan dalam klasifikasi naïve bayes dan mempunyai nilai akurasi hampir 85%.
5.2 Saran
Dalam pembuatan Tugas Akhir ini, masih terdapat banyak kekurangan yang dapat diperbaiki untuk pengembangan berikutnya. Beberapa saran yang dapat diberikan, yaitu :
1. Data citra masuka diambil berdasarkan pemilihan data hasil riset kedokteran.
2. Untuk dapat mengklasifikasi berbagai citra masukan sebaiknya menggunakan data latih yang banyak agar mendapatkan nilai presentase yang lebih tinggi.
LIDAH MANUSIA
SKRIPSI
Diajukan untuk Menempuh Ujian Akhir Sarjana
RIEKAL FAHMI
10110482
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK DAN ILMU KOMPUTER
v
ABSTRAK.………..………..………..………...i
ABSTRACT………..………..………..……….ii
KATA PENGANTAR………..………..………...iii
DAFTAR ISI………..………..………..………..…..v
DAFTAR GAMBAR………..………..………viii
DAFTAR TABEL………..………..……….…..x
DAFTAR SIMBOL………..………..………..………..xii
DAFTAR LAMPIRAN.………..………..………..………...xv
BAB 1 PENDAHULUAN………..………..………..1
1.1 Latar Belakang Masalah………..………....1
1.2 Rumusan Masalah………..………...………....2
1.3 Maksud Dan Tujuan………..………..………....2
1.4 Batasan Masalah………..………..………..2
1.5 Metologi Penelitian………..………..……….3
1.5.1 Metode Pengumpulan Data………..………3
1.5.2 Metode Pembangunan Perangkat Lunak……….4
1.6 Sistematika penulisan………..………5
BAB 2 Landasan Teori………..………..………...6
2.1 Lidah………..………..………6
2.2 Kecerdasan Buatan………..………..………..9
2.3 Pola………..………..………..9
2.4 Pengenalan Pola………..………..……….10
2.5 Pengolahan Citra………..………..………12
2.6 Operasi – Operasi Pengolahan Citra………..………13
2.7 Tekstur………..………..………..…………..15
2.7.1 Analisis Tekstur………..………....16
vi
2.10.1 Konsep Dasar Berorientasi Object……….…………...23
2.11 UML (Unified Modeling Language) ………..……….….24
2.12 Database………..………..………...26
2.12.1 Mysql………..………..………27
2.13 Bahasa pemrograman C#....………..28 2.14 Confusion Matrix………..29
BAB 3 ANALISIS DAN KEBUTUHAN ALGORITMA………...30
3.1 Analisis Masalah………..………..……….……....30
3.2 Analisis Sistem………..………..………...30
3.2.1 Analisis Masukan Citra lidah………..………32
3.2.2 Analisis GLDM……….……….……..………..32
3.2.2.1 Prepocessing ………..………..…….………...33
3.2.2.1.1 Resize………..………..………….……...33
3.2.2.1.2 Grayscale………..….………..…..34
3.2.2.2 Ekstraksi Ciri GLDM………..………...35
3.2.3 Analisis Pelatihan Naïve bayes……….…………..……...36
3.2.3.1 Ambil Data………..………..36
3.2.3.2 Pelatihan Naïve bayes……….………..37
3.2.3.3 Simpan Data Latih………..…………. . . ..…………..38
3.2.4 Analisis Pengujian Naïve bayes………..………39
3.2.4.1 Hasil Klasifikasi………..………. . . .. . ………39
3.3 Analisis Data ………..………..……… . . .……….….…..40
3.3.1 Analisis Data Masukan………..……… . . . ..….….…..40
3.3.2 Analisis Data Keluaran………..……… . . . ..….….…..41
3.4 Analisis Metode………..………..…………..…….….…..41
3.4.1 Analisis Tahap Pengolahan Citra………..……… ….….…..41
3.4.1.1 Proses Grayscaling………..……… . .. . . .….…..41
vii
3.5 Analisis Kebutuhan Basis Data………..…………. . .. ………..….…..61
3.5.1 Entity Relationship Diagram………..……….…..61
3.6 Analisis Kebutuhan Perangkat Lunak………..……….……….62
3.6.1 Analisis Kebutuhan Non Fungsional………...63 3.6.2 Analisis Kebutuhan Fungsionalitas………...64 3.6.3 Perancangan Basis data………...74 3.6.4 Perancangan Simulasi………...76
3.7 Jaringan Semantik………..………..……..……… ...80
BAB 4 IMPLEMENTASI DAN PENGUJAN SISTEM
4.1 Implementasi………...81
4.1.1 Implementasi Perangkat Keras………...81
4.1.2 Implementasi Perangkat Lunak………...81
4.1.3 Implementasi class………...82
4.1.4 Implementasi Antarmuka………...82
4.2 Rencana Pengujian………...………....84
4.2.1 Pengujian Fungsionalitas………...85
4.2.2 Pengujian Algoritma………...86
4.2.3 Rencana Pengujian Algoritma………...87
4.2.4 Pengujian Performansi………...87 4.3 Kesimpulan Pengujian………...92
BAB 5 KESIMPULAN DAN SARAN
5.1 Kesimpulan. ………...………...93
5.2 Saran………...………...93
1. Achmad U., 2005. Pengolahan Citra Digital & Teknik Pemrogramanya, Yogyakarta: Graha Ilmu.
2. Achmad S., 2010. MySql dari Pemula Hingga Mahir. Jakarta: Achmatim.
3. Asbaugh R., 1999. Ridgeology. Journal of Forensic Identification, Royal Canadian Mounted Police, Canada
4. Anik A., 2013. Sistem Pedukung Keputusan Berbasis Decision Tree Dalam Pemberian Beasiswa Studi Kasus:AMIK BSI YOGYAKARTA, Tugas Amik BSI Jakarta, Jakarta Selatan.
5. Eko S., 2009. Klasifikasi Sidik Jari dengan Menggunakan Metode Wavelet Symlet. Jurnal Informatika Volume 5 No 2, Universitas Kristen Satya Wacana, Diponegoro. 6. George Laskaris, D.D.S., M.D., 1994. Color atlas of Oral Diseases. Thieme Medical
Publisher, inc. NY.
7. Hartanto B., 2008. Memahami Visual C#.Net Secara Mudah. Pertama, Yogyakarta: Andi. 8. Herry Beng Koestanto, 2012. Analisis penyakit melalui lidah, Jurnal kedokteran gigi
Indonesia, Jakarta.
9. Munir R., 2002. Pengolahan Citra Digital. Bandung: Informatika.
10.Nicky M. Z., 2009. Analisis Tekstur Parket Kayu Jati Dengan Menggunakan Metode Statistikal Gray Level Difference Method, Tugas akhir teknik informatika, Universitas Gunadarma.
11.Nugroho A., 2005. Pemodelan Berorientasi Objek, Bandung: Informatika.
12.Pedersen, 1988. Oral Surgery 1st Edition, Philadelphia PA: EGC 13.Pressman S. R., 2010. Rekayasa Perangkat Lunak. Yogyakarta: Andi.
14.Prasetyo E., 2012. Pengenalan Pola Naive Bayes, Jurnal Universitas Pembangunan Nasional, Jawa Timur.
15.Sri K., 2009. Klasifikasi Status Gizi Menggunakan Naïve Bayesian Clasification. Tugas Akhir Teknik Informatika, Universitas Islam Indonesia, Yogyakarta.
ANALISIS GRAY LEVEL DIFFERENCE METHOD DAN METODE
NAÏVE BAYES MENGIDENTIFIKASI PENYAKIT LIDAH MANUSIA
Riekal Fahmi1
1 Teknik Informatika – Univesitas Komputer Indonesia Jl. Dipatiukur 112 - 114 Bandung
E-mail : Friekal@yahoo.com1
ABSTRAK
Lidah adalah kumpulan otot rangka pada bagian lantai mulut yang dapat membantu pencernaan makanan dengan mengunyah dan menelan. Lidah dikenal sebagai indera pengecap yang banyak memiliki struktur tunas pengecap. Jika lidah ini tak berfungsi, dengan sendirinya akan berpengaruh terhadap rasa makanan ataupun selera makan kita. Tidak berfungsinya lidah sebagaimana mestinya disebabkan adanya kelainan atau penyakit. Salah satu cara agar dapat membedakan ciri tersebut ialah dengan cara mengenali perbedaan tekstur pada citra Terdapat beberapa metode untuk memperoleh ciri-ciri tekstur dalam suatu citra, Salah satu metode untuk memperoleh ciri-ciri citra tekstur adalah Gray level difference atau bisa di singkat (GLDM). Ciri-ciri tekstur yang didapat dari metode ini diantaranya adalah kontras, Angular Singular Moment, energi, invers different moment dan Mean. Dari hasil ciri-ciri tersebut kemudian digunakan untuk klasifikasi dengan menggunakan Naïve Bayes yang menentukan hasil klasifikasi berdasarkan nilai probabilitas terbesar. Objek yang diuji adalah citra jenis Penyakit lidah manusia.
Dari penelitian yang telah dilakukan, dapat ditarik kesimpulan sebagai berikut : naïve bayes dapat melakukan klasifikasi citra berdasarkan tekstur yang diekstraksi dengan metode matriks gldm. Dikarenakan data hasil ekstraksi ciri matriks gldm adalah berupa data continue, atau biasa disebut data nominal, sehingga saat proses klasifikasi data hasil ekstraksi ciri tersebut dapat langsung digunakan sebagai inputan dalam klasifikasi naïve bayes.
Berdasarkan hasil pengujian, kesimpulan yang didapatkan adalah naïve bayes dapat mengklasifikasi citra dengan baik, dikarenakan data hasil ekstraksi ciri tekstur penyakit dengan metode Gray level difference moment memiliki interval jarak yang berjauhan antar kelasnya. Sehingga klasifikasi naïve bayes dapat berjalan dengan baik saat on the floor of the mouth that can help the digestion of food by chewing and swallowing. Aloe is known as the sense of taste buds that have more structure taster. If the tongue is not functioning, by itself will affect the taste of the food or our appetite. Malfunction of the tongue as it should be due to abnormalities or disease. One way to differentiate these traits is a way to recognize the difference of texture in the image are several methods to obtain the characteristics of texture in an image, one method for obtaining the characteristics of image texture is Gray level difference or can be short (GLDM)
Dalam mengklasifikasi dan mendeteksi suatu objek tingkat keakurasian sangatlah penting karena untuk menghasilkan suatu sistem klasifikasi dan pendeteksi suatu objek dibutuhkan keakuratan yang baik. Sebelumnya dilakukan penelitian oleh Eko S. (2009), Analisa tekstur lazim dimanfaatkan sebagai proses antara untuk melakukan klasifikasi dan interpretasi citra. Suatu proses klasifikasi citra berbasis analisis tekstur pada umumnya membutuhkan ekstraksi ciri, yang dapat terbagi dalam tiga macam metode yaitu : Statistikal, Geometri, Model-Based. Pada penelitian ini digunakan metode ekstraksi ciri statistikal, metode ekstraksi ciri yang digunakan adalah Gray Level Difference Method (GLDM). Terdapat beberapa
jenis fitur yang dapat diekstraksi dari GLDM diantaranya adalah contrast, angular second moment (ASM), entropy, inverse difference moment
sebelumnya. Proses yang pertama adalah learning (training) yaitu proses pembelajaran menggunakan training set. Sebelumnya telah dilakukan penelitian oleh Sri K., (2009), naive bayes dapat digunakan untuk proses klasifikasi data kontinu dan menghasilkan total kinerja pengujian sebesar 93%. Naive bayes adalah salah satu metode klasifikasi yang menggunakan konsep probabilistik. Naive bayes merupakan algoritma klasifikasi yang sangat efektif dan efisien.
1.1 Rumusan Masalah
Berdasarkan latar belakang yang telah dijelaskan, maka penelitian ini merumuskan masalah yang akan dibahas yaitu bagaimana menerapkan metode GLDM untuk ekstraksi citra dan algoritma naïve bayes untuk klasifikasi citra.
1.2 Maksud dan Tujuan
Maksud dari penelitian ini adalah mengimplementasikan algortima Naïve bayes untuk klasifikasi citra berdasarkan ekstraksi ciri tekstur dengan Gray level difference method.
Tujuan dari penelitian ini adalah :
1. Untuk mengetahui Gray level difference method bisa dikombinasikan dengan metode klasifikasi naïve bayes sehingga dapat citra digital berdasarkan tekstur untuk mengetahui apakah metode ini dapat digunakan untuk identifikasi penyakit lidah.
2. Untuk mengetahui tingkat keakuratan identifikasi penyakit lidah.
2. ISI PENELITIAN
2.1 Kecerdasan buatan
Kecerdasan buatan (Artificial inteligence) adalah salah satu cabang ilmu pengetahuan yang berhubungan dengan pemanfaatan mesin untuk memecahkan persoalan yang rumit dengan cara yang lebih manusiawi. Hal ini biasanya dilakukan dengan mengikuti/mencontoh karakteristik dan analogi berpikir dari kecerdasan manusia, dan menerapkannya sebagai algoritma yang dikenal oleh komputer.
Kecerdasan buatan dapat digunakan untuk menganalisis pemandangan dalam citra dengan perhitungan simbol-simbol yang mewakili isi pemandangan tersebut setelah citra diolah untuk memperoleh ciri khas. Kecerdasan buatan bisa dilihat sebagai tiga kesatuan yang terpadu yaitu persepsi, pengertian dan aksi. Persepsi menerjemahkan sinyal dari dunia nyata dalam citra menjadi simbol-simbol yang lebih sederhana, pengertian memanipulasi simbol-simbol tadi untuk memudahkan penggalian suatu informasi tertentu, dan aksi menerjemahkan simbol-simbol yang telah dimanipulasi menjadi sinyal lain yang dapat merupakan hasil akhir atau hasil antara sesuai dengan keperluan (Ahmad U, 2005).
2.2 Tekstur
Secara umum tekstur mengacu pada repetisi elemen-elemen tekstur dasar yang sering disebut primitif atau texel (texture element). Suatu texel terdiri dari beberapa pixel dengan aturan posisi bersifat periodik, kuasiperiodik, atau acak (Ahmad U. , 2005).
Syarat-syarat terbentuknya tekstur setidaknya ada dua, yaitu :
1. Adanya pola-pola primitif yang terdiri dari satu atau lebih pixel. Bentuk-bentuk pola primitif ini dapat berupa titik, garis lurus, garis lengkung, luasan dan lain-lain yang merupakan elemen dasar dari sebuah bentuk. 2. Pola-pola primitif tadi muncul berulang-ulang dengan interval jarak dan arah tertentu sehingga dapat diprediksi atau ditemukan karakteristik pengulangannya.
Gambar 1 Contoh tekstur dari VisTex Database
Suatu citra memberikan interpretasi tekstur yang berbeda apabila dilihat dengan jarak dan sudut yang berbeda. Manusia memandang tekstur berdasarkan deskripsi yang bersifat acak, seperti halus, kasar, teratur, tidak teratur, dan sebagainya. Hal ini merupakan deskripsi yang tidak tepat dan non-kuantitatif, sehingga diperlukan adanya suatu deskripsi yang kuantitatif (matematis) untuk memudahkan analisis (Ahmad U. , 2005).
2.3 Analisis Tekstur
Analisis tekstur merupakan dasar dari berbagai macam aplikasi, aplikasi dari analisis tekstur antara lain: penginderaan jarak jauh, pencitraan medis, identifikasi kualitas suatu bahan (kayu, kulit, tekstil, dan lain-lain), dan juga berbagai macam aplikasi lainnya. Pada analisis citra, pengukuran tekstur dikategorikan menjadi lima kategori utama yaitu: statistis, struktural, geometri, model dasar, dan pengolahan sinyal. Pendekatan statistis mempertimbangkan bahwa intensitas dibangkitkan oleh medan acak dua dimensi, metode ini berdasar pada frekuensi frekuensi ruang. Contoh metode statistis adalah fungsi autokorelasi, cooccurence Matrix, transformasi Fourier, frekuensi tepi, gdlm dan lainya. Teknik struktural berkaitan dengan penyusunan bagian bagian terkecil suatu citra. Contoh metode struktural adalah model fraktal. Metode geometri berdasar atas perangkat geometri yang ada pada elemen tekstur. Contoh metode model dasar adalah medan acak. Sedangkan metode pengolahan sinyal adalah metode yang berdasarkan analisis frekuensi seperti transformasi Gabor dan transformasi wavelet (Ahmad U. , 2005).
2.3.1 Gray Level Difference Method
Pada gray level difference method atau biasa disingkat dengan GLDM, peristiwa dari perbedaan mutlak dihitung antara sepasang derajat keabuan yang terpisah oleh jarak tertentu dengan arah tertentu. Maka akan dihasilkan sebuah kemungkinan dari kumpulan variable distribusi Jika terdapat derajat keabuan m, ”probability density function” adalah vektor berdimensi m yang mana komponen ke 1 adalah probabilitas bahwa (i, j) akan memiliki nilai i. analisa tekstur dengan menggunakan GLDM (gray level difference method). Data- data yang diambil meliputi semua features yang telah ditentukan. Fitur-fitur dalam menentukan data adalah Contrast, Angular Second Moment (ASM), Entropy, Inverse Difference Moment (IDM) dan Mean (Nicky M. Z., 2009). Orientasi dibentuk dengan empat arah pergeseran dengan interval 450, yaitu 00, 450, 900 , dan 1350.
Dimana varibel-variabel tersebut akan digunakan untuk mencari nilai dari atribut-atribut tekstur sebagai berikut:
1. kontras
Menunjukkan ukuran penyebaran (momen inersia) elemen-elemen matriks citra. Jika letaknya jauh dari diagonal utama, nilai kekontrasan besar. Secara visual, nilai kekontrasan adalah ukuran variasi antar derajat keabuan suatu daerah citra. Hasil perhitungan kontras berkaitan dengan jumlah keberagaman intensitas keabuan dalam citra.
2. Angular Singular Moment
ASM yang menunjukkan kesamaan citra berderajat keabuan sejenis. Citra akan memiliki harga kesamaan yang besar.
3. Entropy
Entropi dapat menunjukkan ketidakteraturan ukuran bentuk, jika nilai Entropinya besar untuk citra dengan transisi derajat keabuan merata dan bernilai kecil jika struktur citra tidak teratur (bervariasi).
4. Invers Different Moment
Idm menyatakan ukuran konsentrasi pasangan dengan intensitas keabuan tertentu pada matriks,.
5. Mean
Mean menyatakan ukuran ketidaksamaan linear derajat keabuan citra sehingga dapat memberikan petunjuk adanya struktur linear dalam citra.
2.4 Klasifikasi
Klasifikasi merupakan suatu pekerjaan yang melakukan penilaian terhadap suatu obyek data untuk masuk dalam suatu kelas tertentu dari sejumlah kelas yang tersedia. (Prasetyo, 2012).
Ada dua pekerjaan utama:
1. Pembangunan model sebagai prototype untuk disimpan sebagai memori
2. Menggunakan model tersebut untuk melakukan pengenalan/klasifikasi/prediksi pada suatu obyek data lain masuk pada kelas mana
2.4.1 Klasifikasi naïve bayes
Naïve bayes adalah Teknik prediksi berbasis probabilistik sederhana yang berdasar pada penerapan teorema Bayes (Prasetyo, 2012)
1. Asumsi independensi (ketidaktergantungan) yang kuat (naif). yang lain dalam data yang sama
Naïve bayes adalah suatu metode pengklasifikasian paling sederhana dengan menggunakan peluang yang ada, dimana diasumsikan bahwa setiap variable X bersifat bebas (independence). Karena asumsi variabel tidak saling terikat, maka didapatkan persamaan (7).
Kemudian hitung nilai varian dari diat dataset training
1. Hitung probabilitas (Prior) tiap kelas yang ada
dengan cara menghitung jumlah data tiap kelas dibagi jumlah total data secara keseluruhan. 2. Selanjutnya menghitung densitas
probabilitasnya menggunakan persamaan (10). Fungsi densitas mengekspresikan probabilitas relatif. Data dengan mean μ dan standar deviasi σ, fungsi densitas probabilitasnya adalah :
��� � =√ ��2 −
3. Setelah didapatkan nilai densitas probabilitasnya, selanjutnya menghitung posterior masing-masing kelas dengan menggunakan persamaan
Evidence = (P(Rhomboid glossitis) . P(Kontras | Rhomboid glossitis) . P(ASM | Rhomboid glossitis). P(Entropy | Rhomboid glossitis). P(IDM | Rhomboid glossitis). P(mean | Rhomboid glossitis)) + (P(Geographic tongue) . P(Kontras | Geographic tongue) . P(ASM | Geographic tongue). P(Entropy | geographic tongue). P(IDM | geographic tongue). P(mean | geographic tongue))
Setelah didapat nilai evidence, selanjutnya mencari nilai posterior terbesar:
Posterior P(Rhomboid glossitis) . P(Kontras |
Rhomboid glossitis) . P(ASM | Rhomboid glossitis). P(Entropy | Rhomboid glossitis).
P(IDM | Rhomboid glossitis). P(mean |
Pada penelitian ini, rencana pengujian dilakukan dengan beberapa skenario, berikut adalah skenario yang telah dipersiapkan :
1. Menguji citra yang dijadikan data latih. 2. Menguji citra yang tidak termasuk data latih. 3. Menguji pengaruh jumlah data latih
terhadap akurasi dan waktu.
1. Menguji citra yang dijadikan data latih.
Metode pengujian ini menggunakan data yang telah di training, dengan kata lain, data training dan data uji adalah data yang sama
2. Supplied set test
Metode pengujian ini menggunakan data yang berbeda, dengan kata lain, data training berbeda dengan data yang akan diujikan
3. Pengaruh jumlah data latih terhadap akurasi Pengujian skenario 3 dilakukan untuk menguji pengaruh jumlah data latih terhadap akurasi, pengujian ini dilakukan dengan mengubah perbandingan antara data latih dan data uji
2.6 Analisis Proses
Analisis proses yang akan dilakukan pada penelitian ini adalah analisis dalam melakukan klasifikasi citra berdasarkan tekstur. Tahapan-tahapan proses kerja dalam melakukan klasifikasi mulai dari data masukan sampai data keluaran. Berikut adalah tahapan analisis proses yang akan dilakukan dan untuk alur analisis proses dapat dilihat pada gambar 2 :
