Paper project kelompok 3 kelas A

(1)

KLASIFIKASI PENGENALAN CITRA WAJAH KELOMPOK DAN BUAH JERUK DENGAN MENERAPKAN METODE NAIVE BAYES

Imam Cholissodin, Muhammad Ali Al Atas, Irvan Kidisetianto, Wiki Pakusadewo, Billy Astian, Ganda Neswara Laboratorium Komputasi Cerdas dan Visualisasi, Jurusan Teknik Informatika, Program Teknologi Informasi dan

Ilmu Komputer, Universitas Brawijaya (UB), Malang, 65145, Indonesia

(2)

Abstrak – Wajah manusia di dunia ini memiliki berbagai macam bentuk dan warna, dengan adanya perbedaan itu disini kami berinisiatid membuat pengenalan Citra Wajah yang memudahkan untuk mengenali wajah keasaman tententu serta memiliki keanekaragaman

nama. Dengan

menggunakan metode dari Naive Bayes

Classifier ,

memudahkan untuk pengklasifikasian membedakan pola setiap individu pola dari buah jeruk

Keywords: menggunakan metode

naïve bayes

memudahkan dalam

klasifikasin citra wajah dan buah yang dimana memiliki dataset yang berupa foto wajah dan buah jeruk. Dan itu

membantu dalam

pengklasifikasian saat proses testing citra wajah ataupun citra buah jeruk. .

Untuk mendukut dalam mengerjakan pro-jec ini kami menelaah beberapa paper. Paper tersebut antara lain; “Weighted naïve bayes classification algorithm based on particle swarm optimization” Permasa-lah yang dibahas adaPermasa-lah memperbaiki algoritma naïve bayes clasifikasi yang berdasarkan PSO (particle swarm optimi-zation) yang dirumus-yang berdasarkan karak-teritik data itu sendiri, metode ini bertujuan untuk ketepatan clasifi-kasi naïve bayes dan menghindari kehilangan informasi data. (Jie Lin and Jiankun Yu, 2011)

Support vector machine classification for high-dimentional da-taset, dalam paper ini membahas masalah se-leksi fiture untuk high-dimentional data dan optimisasi parameter SVM. Sistem clasifikasi SVM yang berdasarkan simulated

annealing(SA) untuk meningkatkan peforma

clasifikasi SVM. Teknik classifikasi SA-SVM ini digunakan berdasarkan dataset yang ditetapkan yang diperoleh dari ha-sil konfirmasi keunggul-an SA-SVM ykeunggul-ang di-bandingkan dengan standart parameter SA-SVM. (Sipeng Wang, 2012)

Intrusion detection based on K-Mean Clus-tering and naïve bayes classification, pada pa-per ini pa-permasalah yang dibahas adalah sistem deteksi anomaly, karena akhir-akhir inideteksi anomaly sering terkait dengan alrm palsu de-ngan akurasi yang ku-rang dan tingkat deteksi tidak dapat mendeteksi semua jenis serangan. Metode yang digunakan adalah pendekatan hyb-rid melalui kombinasi pengelompokan K-MEAN dan Naïve Ba-yes. Pendekatan terse-but akan mengklaster-kan semua data kedalam kelompok yang sesuai sebelum mengaplikasi-kan untuk tujuan klasifi-kasi. (Yan Zhu dkk, 2009)

D-LDA: A Topic Modeling Approach without constrain gene-ration for semi-defined classification, paper ini membahas tentang ma-salah algoritma evolusi-oner multiobjektif dite-rapkan untuk meningg-katkan tingkat kesulitan trade off antara interpre-tability dan akurasi sis-tem berbasis fuzzy. Me-tode yang digunakan

(3)

2.

Metode

A. Dataset

Data set yang

digunakan dalam

klasifikasi ini adalah macam-macam buah jeruk dan bentuk wajah manusia.

Dalam

pengklasifikasian buah jeruk terdapat 6 kelas, yaitu:

1. Jeruk Bali 2. Jeruk Lemon 3. Jeruk

Mandarin 4. Jeruk Nipis 5. Jeruk Orange 6. Jeruk Purut

Dalam

pengklasifikasian wajah manusia terdapat 5 kelas berdasarkan nama masing-masing dari citra tersebut, yaitu:

1. Wajah Ali 2. Wajah Billy 3. Wajah Ganda 4. Wajah Kidi 5. Wajah Wiki

B. Ekstraksi Fitur

Ekstraksi fitur yang digunakan dalam Pengenalan Citra Wajah ada 5 yaitu; Mean Red, Mean Green, Mean Blue, Mean RGB, dan Varian RGB. Sedangkan dalam Pengenalan Citra Buah Jeruk memiliki 5 fitur, antaralain; Mean Red, Mean Green, Mean

Blue, Diameter

Horisontal, dan

Diameter Vertikal.

C. Naive Bayes

Metode Naïve

Bayes Classifier merukapan salah satu metide pengklasifikasian data yang mampu menyelesaikan prediksi probabilitas, sebagai contoh memprediksi peluang keanggotaan suatu kelas. Metode klasifikasi ini diturunkan dari penerapan Teorema Bayesian dengan asumsi saling bebas, atau dengan kata lain Naïve Bayes Classifier mengansumsi bahwa keberadaan sebuah atribut (variabel) tidak ada kaitanya dengan keberadaan atribut (variabel) yang lain. Berdasarkan pada teorema bayes, maka diperoleh rumus sebagai berikut:

Atau dengan sederhana ditulis sebagai berikut:

Dalam rumus

tersebut menjelaskan

bahwa peluang

masukkannya sampel dengan karakteristik tertentu dalam kelas C (posterior) adalah peluang munculnya kelas C (prior) dikali

dengan peluang

kemunculan

karakteristik-karakteristik sampel

pada kelas C

(likelihood), dibagi

dengan peluang

kemunculan

karakteristik-karakteristik sampel secara global (evidence). Nilai evidence selalu tetap untuk setiap kelas pada satu sampel. Nilai dari posterior tersebut

nantinya akan

dibandingkan dengan nilai-nilai posterior kelas

lainnya untuk

menentukan ke kelas apa suatu sampel akan diklasifikasikan.

Penentuan kelas dari suatu data dilakukan

dengan cara

(4)

D. Max Filter

Max Filter yaitu

metode yang

menggantikan pxel dengan nilai tertinggi sehingga mendapatkan nilai pixel yang maximum.

E. Min Filter

Min filter adalah metode yang kebalikan dari max filter, filter minimum menghasilkan output berupa nilai piksel minimum.

F. Normalisasi Data Normalisasi data adalah proses untuk mendapatan striktur table atau relasi yang efisien dan bebas dari anomalidan mengacu pada data item yang dikelompokan pada struktur record. Anomaly merupakan efek samping yang tidak diharapkan, yang ditmbulkan dari suatu proses.

Terdapat 3 macan anomaly, ialah:

1. Anomaly

peremajaan, terjadi jika dilakukkan pengubahan data yang

mengakibatkan data lain yang tidak mempunyai

hubungan secara logika

2. Anomaly

penyisipan, terjadi apabila dilakukan penambahan atau penyisipan data yang

mengakibatkan perlunyapenambaha n atau penyisipan data yang lain yang tidak mempunyai hubungan secara logika.

3. Anomaly penghapusan, terjadi jika dilakukan penghapusan data sehingga

mengakibatkan hilangnya data yang lain yang tidak mempunyai hubungan secara logika.

G. Evaluasi

Dalam melakukan ujicoba pada program ini

kami melakukan

beberapa ujicoba terhadap dataset. Contoh dari evaluasi itu sendiri

True positive merupakan hasil presepsi mesin sama dengan presepsi manusia, false positive merupakan presepsi mesin tidak

memasukkan sampel ke kedalam kelas namun sebenarnya termasuk dalam kelas, false positive merupakan

presepsi mesin yang memasukkan sampel ke dalam kelas namun sebenarnya tidak termasuk dalam kelas, dan true negarive presepsi mesin tidak memasukkan sampel kedalam kelas dan sebenarnya sampel memang tidak termasuk dalam kelas.

3. Result

Proses pengujian kali ini dilakukan dengan menggunakan 5 skenario yang berbeda pada tiap citra wajah dan 6 skenario yang berbeda pada tiap citra buah jeruk. Hal tersebut bertujuan untuk menguji nilai akurasi dari proses enhancement sehingga mendapatkan parameter yang optimum.

Selain itu

pengujian dari setiap citra tersebut, dilakukan

dengan cara

memasukkan data

training, sehingga semua

gambar yang

dimasukkan ke dalam data training tersebut akan terekam tiap citra /gambar yang telah dimasukkan. Kemudian tiap citra yang telah testing akan dilakukkan

pencocokan dan skenario citra buah jeruk pada data testing seperti dibawah ini:

Nama Data Human Perception

Machine Perception 1 JerukBali1 JerukBali JerukBali 2 JerukBali3 JerukBali JerukBali 3 JerukBali5 JerukBali JerukBali 4 JerukLemon1 JerukLemon JerukLemon 5 JerukLemon3 JerukLemon JerukLemon 6 JerukLemon5 JerukLemon JerukLemon 7 JerukMandari

n1 JerukMandarin JerukMandarin 8 JerukMandari

10 JerukNipis1 JerukNipis JerukNipis 11 JerukNipis3 JerukNipis JerukNipis 12 JerukNipis5 JerukNipis JerukNipis 13 JerukOrange1 JerukOrange JerukLemon 14 JerukOrange3 JerukOrange JerukLemon 15 JerukOrange5 JerukOrange JerukLemon 16 JerukPurut1 JerukPurut JerukNipis 17 JerukPurut3 JerukPurut JerukNipis 18 JerukPurut5 JerukPurut JerukNipis

Pada hasil uji coba salah satu skenario citra wajah pada data testing seperti dibawah ini:

TABLE 2. HASIL SKENARIO CITRA WAJAH. Data

ke-i NamaData HumanPerception MachinePerception

1 Ali1 Ali Ali

2 Ali3 Ali Ali

3 Ali5 Ali Ali

4 Ali7 Ali Ali

5 Ali9 Ali Ali

6 Billy1 Billy Kidi

7 Billy3 Billy Billy

8 Billy5 Billy Billy

9 Billy7 Billy Kidi

(5)

11 Ganda1 Ganda

12 Ganda3 Ganda

13 Ganda5 Ganda

14 Ganda7 Ganda

15 Ganda9 Ganda

16 Kidi1 Kidi

17 Kidi3 Kidi

18 Kidi5 Kidi

19 Kidi7 Kidi

20 Kidi9 Kidi

21 Wiki1 Wiki

22 Wiki3 Wiki

23 Wiki5 Wiki

24 Wiki7 Wiki

25 Wiki9 Wiki

(Skenario berikutnya pada lampiran)

Setelah dilakukan hasil uji coba terhadap data testing setiap citra wajah dan buah jeruk yang dilakukan dengan 5 (citra wajah) dan 6 (citra jeruk) sehingga terdapat akurasi data yang

diperoeh dari

perhitungan datahasil uji coba yang akurat atau

benar. Rumus

perhitungan akurasi data:

% 100 . _ _



testing data

akurat data

B. Tabel Akurasi Riset Data

Berdasarkan hasil data uji coba diperoleh data akurasi dari masing-masing citra yang disajikan pada Tabel 3 dengan gambar grafik akurasi seperti ada pada Gbr1 dan Tabel 4 dengan gambar grafik akurasi seperti ada pada

Gbr.2, yaitu:

TABLE 3. HASIL AKURASI CITRA

BUAHJERUK.

Hasil ₁ ₂

Akura

si 66,67% 66,67%

Berdasarkan Gbr.1 didapatkan nilai akurasi sama pada setiap skenarionya. Sedangkan untuk nilai rata-rata akurasinya 66,67%. Nilai akurasi ini memang tidak dapat dikatakan optimal, hal ini dikarenakan dari segi fitur menurut RGB dan diameter. Sedangkan, warna dari buah jeruk ada yang sama mendekali pada buah jeruk lainnya.

TABLE 4. HASIL AKURASI CITRA WAJAH.

Hasil ₁ ₂

Akurasi 72% 68%

Berdasarkan Gbr.2 didapatkan nilai akurasi tertinggi terdapat pada skenario empat. Sedangkan untuk nilai rata-rata akurasinya 68%. Nilai akurasi ini memang tidak dapat dikatakan optimal, hal ini dikarenakan dari segi fitur menurut RGB. Sedangkan, warna dari citra wajah hampir sama.

Sebelum melakukan perbandingan terhadap data testing terlebih dahulu melakukan uji coba pada data-data yang terdapat pada citra tersebut dimana yang memiliki 5 fitur dengan klasifikasinya. Dalam proses uji coba ini dapat memberikan hasil yang benar-benar akurat dari beberapa pengujian, meskipun ada beberapa gambar tidak sesuai dengan kelas dan hasil klasifikasi yang diberikan pada proses pengujian training, data tersebut direkam dan menghasilkan mean dari setiap fitur yang terdapat pada Tabel 5 dan Tabel 6.

TABLE 5. HASIL DATASET BUAH JERUK.

Berikut adalah hasil gambar dari mulai testing awal hingga hasil gambar max filter yang ada.

(a) (b)

(c) (d)

TABLE 6. HASIL DATASET WAJAH

Hasil citra wajah dari citra dataset, citra grayscale, citra biner, dan citra max filter. Gbr.2 GrafikAkurasi Citra Wajah

Gbr.1 Grafik Akurasi Citra Buah Jeruk

(6)

(a)

(c)

Perhitungan tersebut menunjukkan gambar dikelompokkan masing-masing ke dalam kelas diperoleh dari rata-rata mean warna yang ditangkap oleh gambar dan diameter vertical dan horizontal pada citra buah jeruk, kemudian muculah hasil klasifikasi yang tepat pada pengelompokan citra yang telah ditankap.

4. Kesimpulan

Dari Hasil uji pengklasifikasian citra wajah manusia dan pengklasifikasian buah jeruk yang telah dilakukan, keduanya menggunakan metode Naive Bayessian. Dalam pengklasifikasian beberapa data dengan mungganakan metode tersebut, dapat dilihat dengan munggunakan parameter jumlah fitur,

untuk memandingkan pengaruh jmlah fitur terhadap nilai akurasi

Perbedaan akurasi yang terdapat pada uji klasifikasi citra wajah ini dapat disebabkan oleh beberapa faktor yang diantaranya adalah kualitas gambar yang diuji dan tingkat kecerahan gambar. Sedangkan bebrapa

factor yang

mempengaruhi pada klasifikasi citra buah jeruk sama denan citra wajah, hanya saja ada tambahan fitur diameter vertical dan diameter horizontal. tujuannya untuk membantu proses and Jiankun Yu, (2011) [3] Support vector machine classification for high-dimentional dataset (Sipeng Wang, 2012) Development in Information

Retrieval, pages

275-281, 1998.

[5 Intrusion

detection based on K-Mean Clustering and naïve bayes classification, (Yan Zhu dkk, 2009) [6] comparative study on term weighting schemes for text categorization with support vector proven approaches to text retrieval, Technical Report, 1997. and K. Low, Feature selection,

perceptron

learning, and a usability case study for

text categorization, in Proc. 20th Int. ACM SIGIR

Conf. on Research and Development in Information Retrieval (SIGIR97), pages 67-73, 1997. [12] T. Mitchell, Machine Learning, McGraw-Hill, New York, 1997.

[13] Y. Yang and X.

Liu, A

re-examination of text

categorisation methods, in Proc. 22nd Int. ACM SIGIR Conf. on

Research and

Development in Information

Retrieval (SIGIR99), pages 67-73, 1999. [14] S. Tong and D. Koller, Support Vector Machine Active Learning with Applications to Text

Classification, Journal of Machine Learning

Research, Volume 2, pages 45-66, 2001.

[15] D-LDA: A Topic Modeling Approach without constrain

generation for semi-defined classification,

(7)

(Fuzhen Zhuang dkk, 2010)

Imam Cholissodin. Lahir di desa Sunge Geneng, keca-matan Sekaran, kabupaten La-mongan pada tanggal 19 Juli 1985. Peneliti telah menyele-saikan pendidikan S2 di Teknik Informatika FTIF ITS Surabaya pada Tahun 2009-2011. Saat ini peneliti aktif se-bagai dosen pengajar di juru-san Teknik Informatika Pro-gram Teknologi dan Ilmu Komputer (PTIIK) Universitas Brawijaya (UB) Malang pada beberapa mata kuliah, seperti

Information Retrieval, Pengo-lahan Citra Digital, Probabili-tas dan Statatistika, Grafika Komputer, Decision Support System dan Pengenalan Pola. Bidang Keminatan yang ditekuni peneliti adalah Infor-mation Retrieval, Artificial Vi-sion, Image Processing, dan

Cryptography. Di samping mengajar, peneliti juga aktif dalam Riset Group Image Pro-cessing dan Vision (IMPROV) di dalam Laboratorium Kom-putasi Cerdas dan Visualisasi. Selain itu peneliti juga telah melakukan beberapa publikasi pada jurnal nasional dan inter-nasional (IEEE). Riset pada tahun 2013 yang sedang di-lakukan sekarang bersama den-gan beberapa tim dosen dan mahasiswa semester akhir adalah berfokus pada bidang

Information Retrieval untuk melakukan analisis dokumen lembaga pendidikan secara

Real-time, yaitu dengan tema “Groups Decision Sentiment Analysis Untuk Klasifikasi Dokumen E-Complaint Kam-pus Menggunakan Additive Kernel SVM” yang merupakan kombinasi dari dua lintas bidang keilmuan antara Deci-sion Support System (DSS) dan

Information Retrieval (IR).

Muhammad Ali Al Atas Lahir di kota Banyuwangi pada tang-gal 12 Desember 1992. Menja-lani pendidikan S1, Semester 4 di jurusan Teknik Informatika Program Teknologi dan Ilmu Komputer (PTIIK) Universitas Brawijaya (UB) Malang.

Billy Astian Putra Lahir di kota Tulung Agung pada tang-gal 26 Juli 1993. Menjalani pendidikan S1, Semester 4 di jurusan Teknik Informatika Program Teknologi dan Ilmu Komputer (PTIIK) Universitas Brawijaya (UB) Malang.

Ganda Neswara Lahir di kota Surabaya pada tanggal 11 juli 1993. Menjalani pendidikan S1, Semester 4 di jurusan nik Informatika Program Tek-nologi dan Ilmu Komputer (PTIIK) Universitas Brawijaya (UB) Malang.

Irvan Kidisetianto. Lahir di kota Jakarta pada tanggal 12 Februari 1993. Saat ini peneliti sedang menempuh pendidikan S1 di jurusan Informatika Program Teknologi Informasi dan llmu Komputer (PTIIK) Universitas Brawijaya (UB) Malang.

(8)

Lampiran Tabel Datset Skenario Citra Buah Jeruk

a. Skenario 2 Data

ke-i

Machine Perception 1 jerukbali2 JerukBali JerukBali 2 jerukbali4 JerukBali JerukBali 3 jerukbali1 JerukBali JerukBali 4 jeruklemon2 JerukLemon JerukLemon 5 jeruklemon4 JerukLemon JerukLemon 6 jeruklemon1 JerukLemon JerukLemon 7 jerukmandari

n2 JerukMandarin JerukMandarin 8 jerukmandari

n1

JerukMandar in

10 jeruknipis2 JerukNipis JerukNipis 11 jeruknipis4 JerukNipis JerukNipis 12 jeruknipis1 JerukNipis JerukNipis 13 jerukorange2 JerukOrange JerukLemon 14 jerukorange4 JerukOrange JerukLemon 15 jerukorange1 JerukOrange JerukLemon 16 jerukpurut2 JerukPurut JerukNipis 17 jerukpurut4 JerukPurut JerukNipis 18 jerukpurut1 JerukPurut JerukNipis

b. Skenario 3 Data

ke-i

n3

JerukMandar in

8 jerukmandari n1

JerukMandar in

9 jerukmandari n5

JerukMandar in

c.

Skenario 4

Data ke-i

n2

JerukMandar in

9 jerukmandari n1

JerukMandar in

d. Skenario 5

Data ke-i

n1

JerukMandar in

9 jerukmandari n3

JerukMandar in

(9)

Lampiran Tabel Datset Skenario Citra Wajah a.

Skenario 2

Data ke-i

Nama Data

Human Perception

Machine Perception

1 ali10 Ali ganda

2 ali8 Ali Ali

3 ali6 Ali Ali

4 ali4 Ali Ali

5 ali2 Ali Ali

6 billy10 Billy Billy

7 billy8 Billy kidi

8 billy6 Billy kidi

10 billy2 Billy kidi

11 ganda10 Ganda ganda

12 ganda8 Ganda Ganda

13 ganda6 Ganda kidi

16 kidi10 Kidi ganda

17 kidi8 Kidi kidi

18 kidi6 Kidi kidi

19 kidi4 Kidi wiki

20 kidi2 Kidi billy

21 wiki10 Wiki Wiki

22 wiki8 Wiki Wiki

23 wiki6 Wiki Wiki

24 wiki4 Wiki Wiki

25 wiki2 Wiki Wiki

b. Skenario 3

Data ke-i

Nama Data

Human Perception

Machine Perception

1 ali11 Ali Ali

2 ali13 Ali Ali

3 ali15 Ali ganda

4 ali17 Ali Ali

5 ali19 Ali Ali

6 billy11 Billy Kidi

8 billy15 Billy wiki

9 billy17 Billy billy

11 ganda11 Ganda Kidi

16 kidi11 Kidi kidi

17 kidi13 Kidi kidi

19 kidi17 Kidi Kidi

20 kidi19 Kidi kidi

23 wiki15 Wiki Wiki

24 wiki17 Wiki billy

c.

Skenario 4

Data

ke-i

Nama Data

Human Perception

Machine Perception

1 ali20 Ali Ali

2 ali18 Ali Ali

3 ali16 Ali Ali

4 ali14 Ali Ali

5 ali12 Ali Ali

11 ganda20 Ganda ganda

16 kidi20 Kidi kidi

17 kidi18 Kidi kidi

18 kidi16 Kidi ali

20 kidi12 Kidi kidi

21 wiki20 Wiki Wiki

23 wiki16 Wiki kidi

24 wiki14 Wiki Wiki

25 wiki12 Wiki Wiki

d. Skenario 5

Data ke-i

Nama Data

Human Perception

Machine Perception

1 ali21 Ali Ali

2 ali23 Ali Ali

3 ali25 Ali Ali

4 ali22 Ali Ali

5 ali24 Ali Ali

11 ganda21 Ganda Kidi

16 kidi21 Kidi ali

(10)

20 kidi24 Kidi kidi

21 wiki21 Wiki kidi

23 wiki25 Wiki Wiki