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
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
2.
MetodeA. 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
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
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
(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,
(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.
Lampiran Tabel Datset Skenario Citra Buah Jeruk
a. Skenario 2 Data
ke-i
Nama Data Human Perception
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
n4 JerukMandarin JerukMandarin 9 jerukmandari
n1
JerukMandar in
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
Nama Data Human Perception
Machine Perception 1 jerukbali3 JerukBali JerukBali 2 jerukbali1 JerukBali JerukBali 3 jerukbali5 JerukBali JerukBali 4 jeruklemon3 JerukLemon JerukLemon 5 jeruklemon1 JerukLemon JerukLemon 6 jeruklemon5 JerukLemon JerukLemon 7 jerukmandari
n3
JerukMandar in
JerukMandar in
8 jerukmandari n1
JerukMandar in
JerukMandar in
9 jerukmandari n5
JerukMandar in
JerukMandar in
10 jeruknipis3 JerukNipis JerukNipis 11 jeruknipis1 JerukNipis JerukNipis 12 jeruknipis5 JerukNipis JerukNipis 13 jerukorange3 JerukOrange JerukLemon 14 jerukorange1 JerukOrange JerukLemon 15 jerukorange5 JerukOrange JerukLemon 16 jerukpurut3 JerukPurut JerukNipis 17 jerukpurut1 JerukPurut JerukNipis 18 jerukpurut5 JerukPurut JerukNipis
c.
Skenario 4Data ke-i
Nama Data Human Perception
Machine Perception 1 jerukbali4 JerukBali JerukBali 2 jerukbali2 JerukBali JerukBali 3 jerukbali1 JerukBali JerukBali 4 jeruklemon4 JerukLemon JerukLemon 5 jeruklemon2 JerukLemon JerukLemon 6 jeruklemon1 JerukLemon JerukLemon 7 jerukmandari
n4 JerukMandarin JerukMandarin 8 jerukmandari
n2
JerukMandar in
JerukMandar in
9 jerukmandari n1
JerukMandar in
JerukMandar in
10 jeruknipis4 JerukNipis JerukNipis 11 jeruknipis2 JerukNipis JerukNipis 12 jeruknipis1 JerukNipis JerukNipis 13 jerukorange4 JerukOrange JerukLemon 14 jerukorange2 JerukOrange JerukLemon 15 jerukorange1 JerukOrange JerukLemon 16 jerukpurut4 JerukPurut JerukNipis 17 jerukpurut2 JerukPurut JerukNipis 18 jerukpurut1 JerukPurut JerukNipis
d. Skenario 5
Data ke-i
Nama Data Human Perception
Machine Perception 1 jerukbali5 JerukBali JerukBali 2 jerukbali1 JerukBali JerukBali 3 jerukbali3 JerukBali JerukBali 4 jeruklemon5 JerukLemon JerukLemon 5 jeruklemon1 JerukLemon JerukLemon 6 jeruklemon3 JerukLemon JerukLemon 7 jerukmandari
n5 JerukMandarin JerukMandarin 8 jerukmandari
n1
JerukMandar in
JerukMandar in
9 jerukmandari n3
JerukMandar in
JerukMandar in
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
9 billy4 Billy Billy
10 billy2 Billy kidi
11 ganda10 Ganda ganda
12 ganda8 Ganda Ganda
13 ganda6 Ganda kidi
14 ganda4 Ganda Ganda
15 ganda2 Ganda Ganda
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
7 billy13 Billy Billy
8 billy15 Billy wiki
9 billy17 Billy billy
10 billy19 Billy wiki
11 ganda11 Ganda Kidi
12 ganda13 Ganda Ganda
13 ganda15 Ganda Ganda
14 ganda17 Ganda kidi
15 ganda19 Ganda Ganda
16 kidi11 Kidi kidi
17 kidi13 Kidi kidi
18 kidi15 Kidi ganda
19 kidi17 Kidi Kidi
20 kidi19 Kidi kidi
23 wiki15 Wiki Wiki
24 wiki17 Wiki billy
25 wiki19 Wiki billy
c.
Skenario 4
Datake-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
6 billy20 Billy wiki
7 billy18 Billy Billy
8 billy16 Billy Billy
9 billy14 Billy billy
10 billy12 Billy Billy
11 ganda20 Ganda ganda
12 ganda18 Ganda Ganda
13 ganda16 Ganda kidi
14 ganda14 Ganda Ganda
15 ganda12 Ganda Ganda
16 kidi20 Kidi kidi
17 kidi18 Kidi kidi
18 kidi16 Kidi ali
19 kidi14 Kidi ganda
20 kidi12 Kidi kidi
21 wiki20 Wiki Wiki
22 wiki18 Wiki billy
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
6 billy21 Billy billy
7 billy23 Billy Billy
8 billy25 Billy wiki
9 billy22 Billy billy
10 billy24 Billy wiki
11 ganda21 Ganda Kidi
12 ganda23 Ganda Ganda
13 ganda25 Ganda Ganda
14 ganda22 Ganda kidi
15 ganda24 Ganda Ganda
16 kidi21 Kidi ali
20 kidi24 Kidi kidi
21 wiki21 Wiki kidi
22 wiki23 Wiki billy
23 wiki25 Wiki Wiki
24 wiki22 Wiki billy