ISSN : 2302-450X
PROSIDING
PERTEMUAN DAN PRESENTASI KARYA ILMIAH
BALI, 23 OKTOBER 2015
PEMBICARA UTAMA SEMINAR PANEL DENGAN TEMA
“Inovasi Teknologi Informasi dan Komunikasi dalam
Menunjang Technopreneurship”
Ir.Onno Widodo Purbo.M.Eng.Ph.D
Putu Sudiarta, S.Kom
PENYUNTING AHLI
Dr. Ahmad Ashari.M.Kom
PELAKSANA SEMINAR
PELINDUNG
Rektor Universitas Udayana, Bali
PENANGGUNG JAWAB
Dekan Fakultas MIPA Universitas Udayana
Ketua Program Studi Teknik Informatika, FMIPA Universitas Udayana
PANITIA
I Gusti Agung Gede Arya Kadyanan,S.Kom.,M.Kom. I Dewa Made Bayu Atmaja Darmawan,S.Kom.,M.Cs.
I Wayan Supriana,S.Si.,M.Cs.
Ida Bagus Made Mahendra, S.Kom., M.Kom. I Komang Ari Mogi, S.Kom, M.Kom.
I Made Widi Wirawan, S.Si., M.Cs. I Putu Gede Hendra Suputra, S.Kom., M.Kom.
Ngurah Agus Sanjaya ER., S.Kom., M.Kom. Agus Muliantara, S.Kom.,M.Kom.
I Made Widiartha,S.Si., M.Kom. Made Agung Raharja, S.Si., M.Cs.
I Gusti Ngurah Anom Cahyadi Putra, S.T., M.Cs. I Gede Santi Astawa, S.T., M.Cs.
KATA PENGANTAR
Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa, atas terselesainya penyusunan Proceeding SNATIA 2015 ini. Buku ini memuat naskah hasil penelitian dari berbagai bidang kajian yang telah direview oleh pakar dibidangnya dan telah dipresentasikan dalam acara Seminar SNATIA tahun 2015 pada tanggal 23 Oktober 2015 di Universitas Udayana kampus Bukit Jimbaran, Badung, Bali.
Kegiatan SNATIA 2015 merupakan agenda tahunan Program Studi Teknik Informatika, Jurusan Ilmu Komputer, Universitas Udayana. SNATIA 2015 mengambil tema “Inovasi Teknologi Informasi dan Komunikasi dalam Menunjang Technopreneurship”, dengan pembicara utama seminar yang terdiri dari pakar-pakar peneliti dan Pemerhati dibidang Teknologi Informasi dan Technopreneurship.
Meskipun kegiatan seminar dan pendokumentasian naskah dalam proceeding ini telah dipersiapkan dengan baik, namun kami menyadari masih banyak kekurangannya. Untuk itu panitia mohon maaf yang sebesar-besarnya, dan juga mengucapkan terimakasih atas kepercayaan dan kerjasamanya dalam kegiatan ini. Kritik dan saran perbaikan sangat diharapkan untuk penyempurnaan di masa mendatang, yang dapat dikirimkan melalui e-mail snatia.unud@gmil.com.
Kepada semua pihak yang terlibat, baik langsung maupun tidak langsung dalam penyelenggaraan seminar, dan penyusunan proceeding SNATIA 2015, panitia mengucapkan terima kasih.
Denpasar, 23 Oktober 2015
DAFTAR ISI
Kata Pengantar Daftar Isi
Analisis dan Perancangan Sistem Informasi Kehadiran Pegawai pada Pusat Penelitian Perkembangan IPTEK Lembaga Ilmu Pengetahuan Indonesia
Warkim ... ... 1
Kompresi Citra Medis dengan Wavelet Packet
I Made Ari Dwi Suta Atmaja ... 11
Ekstraksi Fitur Warna dan Tekstur untuk Clustered-Based Retrival if Images (CLUE)
Sugiartha I Gusti Rai Agung ... 16
Peningkatan Kemampuan Guru dalam Menggunakan Geogebra sebagai Media Pembelajaran Matematika SMP
Luh Putu Ida Harini ... 21
Perbandingan Model Pembelajaran Kooperatif Tipe Belajar Bersama Menggunakan Media Google Drive dan Tanpa Google Drive
Desak Putu Eka Nilakusuma ... 28
Analisa Faktor-Faktor yang Mempengaruhi Actual Usage dalam Penggunaan Tiket Elektronik dengan Menggunakan Technology Acceptance Model (TAM) Studi Kasus PT.KAI Commuter Jabodetabek
Enok Tuti Alawiah ... 35
Pemanfaatan Aplikasi Google Docs sebagai Media Pembinaan Karya Ilmiah Remaja
Komang Dharmawan ... 45
Penerapan WAN dengan Protokol Routing RIP dan Passive Interfaces sebagai Pemilihan Jalur Menggunakan GNS3
Anggarda Sanjaya ... 49
Perancangan dan Implementasi Sistem Informasi Maajemen Rumah Sakit pada Unit Rawat Inap Studi Kasus Rumah Sakit Umum Famili Husada
I Dewa Ayu Kompyang Putri Utari ... 54
Perancangan dan Implementasi Sistem Informasi Manajemen Rumah Sakit Umum Famili Husada pada Unit Poliklinik
Mengukur Kinerja Load Balancing pada Sistem Cloud Computing dengan Parameter Throughput
I Gusti Ngurah Ary Juliantara ... 71
Perancangan dan Implementasi Sistem Informasi Manajemen Gudang pada Rumah Sakit Famili Husada
Luh Gede Apryta Astaridewi ... 77
Perancangan Website E-Commerce pada Toko Gadget Online Store
Ni Kadek Dwi Asri ... 85
Segmentasi Citra Tulisan Tangan Karakter Aksara Bali Menggunakan Metode Profile Projection
Ni Wayan Deviyanti Septiari ... 91
Klasifikasi Penyakit Anak pada Proses Retrieve dalam Sistem Pakar Berbasis Case Based Reasoning (CBR) dengan Metode Nearest Neighbour
Ni Wayan Ririn Puspita Dewi ... 98
Perancangan dan Implementasi Sistem Informasi Manajemen Instalasi Gawat Darurat pada Rumah Sakit Famili Husada
Putu Ita Purnama Yanti ... 105
Analisis dan Perancangan Sistem Informasi Geografis Berbasis Web untuk Mengetahui Ketersedian Air Tanah di Provinsi Bali
Made Dinda Pradnya Pramita ... 112
Perancangan dan Implementasi Sistem Informasi Manajemen Rumah Sakit pada Unit Radiologi – Studi Kasus Rumah Sakit Umum Famili Husada
I Putu Agustina .. ... 120
Pengamanan File Video MP4 dengan Metode Enkripsi Menggunakan Algoritma RC5
Rahmantogusnyta Mariantisna ... 128
Perancangan dan Implementasi Sistem Informasi Geografis Pariwisata di Bali Berbasis Web
Deni Supriawan .. ... 133
Sistem Pendukung Keputusan Perhitungan Rencana Anggaran Biaya Pembangunan Rumah Berbasis Aplikasi Mobile
I Gusti Ngurah Anom Cahyadi Putra ... 143
Sistem Pendukung Keputusan dengan Metode AHP dalam Memaksimalkan Penggunaan Pupuk dan Pencegahan Hama pada Tanaman Budidaya
Sistem Prediksi Inflasi Provinsi Bali Menggunakan Adaptive Neuro Fuzzy Inference System (ANFIS)
Made Agung Raharja ... 155
Pengaruh Model Mobilitas Manhattan terhadap Kinerja Protokol Routing OLSR pada Mobile Adhoc Network
I Nyoman Rudy Hendrawan ... 160
Penggunaan Model CSE-UCLA dalam Mengevaluasi Kualitas Program Aplikasi Sistem Pakar
Dewa Gede Hendra Divayana ... 165
Authentifikasi User dengan Captive Portal pada Hotspot PT.Bali Medianet
I Komang Trisna Hanggara ... 169
Sistem Pakar Seleksi Penerimaan Karyawan dengan Metode Fuzzy Tsukamoto
Sista Pradjna Paramitha ... 174
Implementasi File Sharing Dengan Menggunakan Samba
I Made Windipalla Royke ... 181
Perancangan Sistem untuk Menentukan Kesesuaian Komentar terhadap Topik Diskusi pada Forum Diskusi E-Lerning dengan Metode Naive Bayes
I Putu Gede Setyahadi Paramartha ... 186
Implementasi File Sharing Dengan Menggunakan Samba
I Made Windipalla Royke ... 181
Optimasi Bobot pada Metode Certainty Factor dengan Algoritma Genetika pada Sistem Pakar Pendiagnosa Penyakit Kulit
Ida Bagus Wahyu Ari Palguna ... 191
Analisis Perbandingan Kinerja Queue Tree dengan Simple Queue pada Aplikasi FTP (File Transfer Protocol)
I Gusti Agung Gede Nirartha ... 196
Analisis & Implementasi Metode AHP pada Sistem Pendukung Keputusan Pemilihan Objek Wisata di Bali (Studi Kasus : Truly Asia Tour Bali)
Ketut Ardha Chandra ... 203
Implementasi Metode Klasifikasi Cacar Air menggunakan Decision Tree dengan LVQ (Lerning Vektor Quantization)
Sistem Klasifikasi Tingkat Kesejahteraan Penduduk Desa Dangin Puri Kaja Denpasar dengan Metode Naive Bayes
A. A. Dwi Purnami Cahyaning ... 217
Sistem Informasi Raport Berbasis Kurikulum 2013 pada SMK Harapan Denpasar
Ayu Indah Saridewi ... 223
Rancang Bangun Media Penyimpanan Online dengan Konsep Sinkronisasi antara OwnCloud dengan Dropbox pada Cloud Computing
I Gede Edy Maha Putra ... 228
Rancang Bangun Sistem Informasi Persediaan Stok Barang Berbasis Web (Studi Kasus : Perusahaan Griya Alam)
I Wayan J.Wiratama ... 233
Perbandingan Metode Chipper Block Chaining (CBC) dan Electronic Codebook (ECB) menggunakan Algoritma Blowfish dalam Mengamankan File Teks
Taufiq Yudha Prakoso ... 240
Sistem Administrasi Perpustakaan Berbasis Object Oriented Programming
I Ketut Deni Satria Raharja ... 244
Pengaruh Ekstraksi Fitur Two Dimensional Linear Discriminant Analysis pada Pengenalan Nipple secara Otomatis menggunakan Klasifikasi Learning Vector Quantization
I Made Agus Oka Gunawan ... 252
Perbandingan Algoritma Kriptografi Twofish dan Blowfish dalam Mengamankan File Berkas
I Dewa Gede Agung Ari Dvijayanta ... 244
Pembuatan Aplikasi Baca dan Tulis Tag Rafid pada Sistem Operasi Android Client - Server
Adnin Rais ... ... 264
Analisis Kinerja Protokol Routing pada Mobile Ad-Hoc Network
A.A Made Agung Istri Iswari ... 270
Implementasi Protokol H323 pada Aplikasi VOIP
Sistem Temu Kembali Informasi dengan Metode TF-IDF untuk Pencarian Kata
I Wayan Dodik Wahyu Saputra ... 283
Perancangan dan Implementasi Sistem Informasi Manajemen Laboratorium Rumah Sakit Famili Husada
Ida Bagus Wijana Manuaba ... 289
Analisis dan Perancangan Sistem Pendukung Keputusan Pemilihan Handphone dengan Metode Entropy dan Metode Technique For Order Preference By Similarity To Ideal Solution (TOPSIS)
Ni Putu Sintya Dewi ... 298
Klasifikasi Penyakit Jantung menggunakan Metode Decision Tree dengan Penerapan Algoritma C5.0
Sharah Islamiati . ... 308
Perancangan Algoritma Kriptografi Klasik ACK4 untuk Pengamanan Teks
I Nengah Tirtayasa ... 317
Optimasi Lintasan Game Makepung 3D pada Engine Unity 3D
I Putu Agus Edy Saputra ... 322
Perancangan dan Implementasi Sistem Informasi Manajemen Rumah Sakit pada Unit Rekam Medis – Studi Kasus Rumah Sakit Umu Famili Husada
I Putu Dharma Ade Raharja ... 328
Perancangan dan Implementasi Sistem Informasi Manajemen Rumah Sakit Unit Apotek Rumah Sakit Famili Husada
Kadek Ary Budi Permana ... 336
Sistem Pendukung Keputusan Pemilihan Guru Berprestasi (Studi Kasus : SMA N 2 Denpasar)
I Gusti Bagus Hadi Widhinugraha ... 343
Perancangan dan Implementasi Website E-Commerce Biro Jasa Perjalanan Wisata di Bali – Studi Kasus Bali Online Trans
Kadek Ary Surya Wiratama ... 349
Rancang Bangun Sistem Pendukung Keputusan dalam Penentuan Jurusan di Sekolah Menengah Atas (SMA) dengan Metode Simple Additive Weighting (SAW)
Pemilihan Reksadana berdasarkan Profol Risiko Calon Konsumen menggunakan Metode SAW (Simple Additive Weighting)
Ni Made Putri Sasmidayani ... 364
Sistem Pendukung Keputusan Pemberian Pinjaman Koperasi Menggunakan Metode Simple Additive Weighting (SAW)
Made Aprian Sudarma Putra ... 373
Perancangan Aplikasi Help Desk (Meja Informasi) di Kantor Pelayanan Pajak Pratama Denpasar Timur
Putri Cahyaning RF ... 382
Perancangan dan Pembuatan Sistem Informasi Peminjaman Sound System – Studi Kasus Dinas Komunikasi dan Informatika Denpasar
I Putu Dony Suryambawa ... 388
Perancangan dan Implementasi Peringkasan Teks Otomatis Artikel Berbahasa Indonesia
Luh Gede Putri Suardani ... 394
Perancangan dan Implementasi Production Data Management System di General Agency Prusatwika Negara
Ida Bagus Komang Winduyasa ... 401
Penerapan Algoritma K-Nearest Neighbor (K-NN) untuk Mengklasifikasi Perilaku Kreatif Siswa dalam Pengelolaan Sampah
Andre Agave ... ... 407
Model Sistem Kontrol Elevator dengan Metode Transportasi Least Cost
I Gede Wisesa Priya Fentika ... 413
Perancangan Arsitektur Teknologi IP Camera Jarak Jauh sebagai Keamanan Lingkungan Berbasis Mobile
Aryana Surya Budiman ... 419
Perancangan Aplikasi Game Susun Aksara Bali sebagai Media Belajar Aksara Bali Anak SD Berbasis Android
Penggunaan Certainty Factor dalam Sistem Pakar untuk Melakukan Diagnosis Penyakit Neurologi
I Putu Eky Sila Krisna ... 432
Deteksi Tepi pada Gambar Menggunakan Algoritma Canny Detection dan Sobel
Putu Rika Pratama Anggarani ... 436
Sistem Informasi Penanggulangan Bencana dan Mitigasi Bencana
I Gde Bagus Arya Diwadatta Subrata ... 440
Perancangan Aplikasi Multimedia untuk Pembelajaran Doa dan Nyanyian Suci Agama Hindu Berbasis Android
I Putu Ari Ratna Pratama ... 448
Rancang Bangun Aplikasi Berbasis Web Tenung Pewacakan Kehilangan Berdasarkan Lontar Wrespati Kalpa
I Kadek Dwija Putra ... 457
Implementasi Algoritma Djakstra pada Software Definition Network (SDN)
I Made Adi Bhaskara ... 463
Perancangan Aplikasi Pembelajaran Interaktif Berbasis Multimedia dengan menggunakan Adobe Flash (Studi Kasus Mata Kuliah Pemrograman Berbasis Web pada Jurusan Ilmu Komputer)
I Wayan Aditya Setiawan ... 469
Sistem Informasi Geografis Pariwisata Bali Berbasis Google Map API
Ni Luh Putu Ratna Sri Andi Yani ... 477
Penghapusan Derau Suara dengan Menggunakan Algoritma Least Mean Square dengan Adaptive Filter
Anak Agung Rani Pradnyandari ... 488
Sistem Informasi Satuan Kredit Partisipasi Mahasiswa
I Putu Indra Mahendra Priyadi ... 493
Perancangan Sistem E-Commerce Kain Endek Pegringsingan Berbasis Web
I Made Dedik Amijaya ... 498
Perancangan dan Pengaplikasian Siste E-Commerce Komputer dan Hnadphone Berbasis Web
Membangun Infrastruktur IT Menggunakan SQUID sebagai Proxy Server (Studi Kasus : PT. Jamsostek Persero)
Kadek Bayu Diandra Putra ... 514
Pengamanan File Audio Menggunakan Metode Enkripsi dengan Algoritma Stream Cipher RC4
I Wayan Aindra Adhi Saputra ... 520
Implementasi Socket Programming pada Kasir Restoran Fast Food
I Dewa Putu Satria Laksana ... 525
Sistem Pendukung Keputusan Penentu Status Gizi pada Balita dengan Menggunakan Metode Naive Bayes
Kadek Nyoman Adhisurya Yogapriangan ... 530
Sistem Pakar Pembagian Waris Menurut Hukum Islam
Rizky Anugerah Ramadhan ... 536
Aplikasi E-Commerce dengan Sistem Rekomendasi Berbasis Collaborative Filtering pada Penjualan Plakat
I Wayan Gede Purwa Darmaja ... 542
Sistem Informasi Geografis untuk Pemetaan dan Pencarian Hotel di Kota Denpasar
I Ketut Arta Kusuma Atmaja ... 555
Sistem Informasi Administrasi pada Kantor Desa Dangin Puri Kaja
Anak Agung Istri Putri Candra Sari ... 561
Perancangan dan Implementasi Sistem Billing pada Sistem Informasi Manajemen Rumah Sakit Famili Husada
Ida Bagus Gede Sarasvananda ... 568
Analisis Kinerja Ncomputing Menggunakan Sistem Operasi Open Source UbuntuStudi Kasus Laboratorium Jaringan Ilmu Komputer
I Nyoman Budayasa ... 577
Perancangan Aplikasi Desktop Pelanggan pada Supermarket
Indra Maulana Bachtifar ... 582
Implementasi Teknik Watermarking dengan Menggunakan Algoritma Advance Least Significant Bit (ALSB)
Optimasi Penggunaan Sumber Daya Media Penyimpanan dengan Metode ATA Over Ethernet dan LVM
I Made Kurniawan Putra ... 595
Implementasi Port Knocking pada Owncloud sebagai Media Keamanan Jaringan
Danie Yoga K .... ... 601
Implementasi Video Conference pada Project Manangement System sebagai Sarana Rapat Project Online
I Made Martina .. ... 607
Sistem Pendukung Keputusan untuk Penerimaan Insentif Menggunakan Metode SAW (Simple Additive Weighting)
I Made Bagus Wiradivka Laksa Wibawa ... 613
Perancangan Algoritma Kriptografi Twofish untuk Enkripsi dan Deskripsi dalam Pengamanan Teks
I Putu Dody Wiraandryana ... 620
Penerapan Metode Analytical Hierarchy Process (AHP) untuk Rekomendasi Apotek (Studi Kasus Apotek Daerah Jimbaran)
Ni Luh Putu Eka Juliari ... 624
Perancangan Sistem Informasi Pelayanan Kesehatan Ibu Hamil Berbasis Video Streaming
I Gusti Putu Putra Adnyana ... 633
Implementasi PCO (Per Connection Queue) pada Pembatasan Bandwidh Download berdasarkan Jenis File di Diskominfo Kota Denpasar
I Putu Yoga Indrawan ... 640
Implementasi Samba menggunakan Virtualisasi PDC dan File Server di Perusahaan Galeri Radha’s Shop
Made Ari Sucahyana ... 648
Perancangan System Pengaturan Kerja Karyawan Hotel menggunakan Metode Algoritma Monroe
I Wayan Telaga Ekatresna ... 655
Implementasi Vidio Conference Menggunakan OPENVPN mikrotik Ruter sebagai Sarana Rapat Online
Analisis Load Balancing Web Server dengan Web Server Cluster Menggunakan Linux Virtual Server pada Virtual Mesin
I Putu Hendra Prayoga Dhana ... 668
Anified Logging Framework For Social Network Menu Analytic At SINTAKS.COM
Pande Gede Suyoga Adi Gitayana ... 673
Sistem Pakar untuk Mendiagnosis Penyakit dengan Gejala Batuk pada Anak Balita dengan Metode Dempster Shafer
Ida Bagus Wira Negara ... 676
Pengembangan Plugin untuk MLM dengan Sistem Binary pada Mesin Wordpress
Christo Edward Werat ... 680
Perancangan Sistem Informasi Promosi Kerajinan Tradisional Bali Berbasis Web
Putu Mega Suryawan ... 687
Perancangan E-commerce pada Usaha Kerajinan Bubut Kayu Jati pada Gallery Nirmala
I Made Wahyu Wijaya ... 694
Perancangan Media Penyimpanan Online Menggunakan Owncloud Berbasis Client Server dan Dropbox pada Cloud Computing
I Made Ari Widjaja Bukian ... 699
Sistem Pendukung Keputusan Memilih Perguruan Tinggi Negeri (PTN) Menggunakan Analytical Hierarchy Process (AHP)
Dewa Putu Rama Prabawa ... 705
Klasifikasi Konten Berita Menggunakan Naive Bayes dengan Smoothing Modified Absolut Discount
I Made Dwi Putra Suarbawa ... 711
Static Routing Software Defined Networking pada RYU Controling
Tutde Suputrawan ... 717
Sistem Informasi Promosi Pakaian Adat Bali Berbasis Web
Perancangan Game Edukasi Cecimpedan Berbasis Mobile sebagai Sarana Pembelajaran Sastra Bali
IGM Surya A.Darmana ... 730
Sistem Informasi Rekomendasi Objek Wisata di Bali Berbasis Web
Ni Ketut Ari Puspita Dewi ... 738
Perancangan dan Analisis Sistem Pendukung Keputusan Menentukan Rumah Makan Berdasarkan Pemilihan Makanan Menggunakan Pohon Keputusan C4.5 (Decision Tree)
Baiq Sofia Hadra ... 744
Analisis Penerapan Jaringan 4G LTE dengan Penggunaan Teknologi MIMO (Multiple – Input – Multiple – Output) di Indonesia
Putu Sugawa Aris Munandar ... 751
Perancangan Sistem Website Portal Villa di Bali
Made Dwita Prastini ... 756
Perancangan Sistem Pakar untuk Diagnosa Awal Penyakit Gangguan Makan Anoreksia Nevrosa dan Bulmia Nevrosa pada Remaja dengan Metode Certainty Factor
Nusandika Patria ... 760
Analisis & Desain Sistem E-Commerce (Studi Kasus : Toko Cuci Gudang Mygarage)
Kharisma Sadewi Satria ... 768
Analisis Keamanan Cloud Computing Sebagai Sistem Penyimpanan Data
I Made Duana Saputra ... 772
Pengenalan Jenis Tanaman Berdasarkan Daunnya dengan Metode LVQ
I Wayan Pio Pratama ... 776
Local Video On Demand dengan Aplikasi Wowza pada Virtual Private Network
I Gusti Bagus Putu Yoga Pratama ... 782
Perancangan Mobile Gamepad Berbasis Android sebagai Game Controller untuk PC/Laptop
Pembuatan Game Star Hunter di Android dengan Menggunakan Framework COCOS2D-X
Joy Salomo Sipahutar ... 794
Implementasi Metode LVM (Logical Volume Management) untuk Optimasi Cloud Storage Berbasis Owncloud
I Kadek Hadi Haryawan ... 801
IPTEKS Bagi Masyarakat pada Penginapan di Ubud
252
PENGARUH EKSTRAKSI FITUR
TWO DIMENSIONAL
LINEAR DISCRIMINANT ANALYSIS
PADA PENGENALAN
NIPPLE
SECARA OTOMATIS MENGGUNAKAN
KLASIFIKASI
LEARNING VECTOR QUANTIZATION
I Made Agus Oka Gunawan1, Agus Muliantara2, I Gede Santi Astawa3
1,2,3
Jurusan Ilmu Komputer, Fakultas MIPA, Universitas Udayana Jl. Kampus Bukit Jimbaran Universitas Udayana
Email: agusokagunawan@gmail.com1, muliantara@gmail.com2,santi.astawa@cs.unud.ac.id3
ABSTRAK
Dampak persebaran pornografi di internet memiliki efek merugikan yang sangat besar, terutama jika yang mengaksesnya belum memiliki kesiapan dari segi mental seperti terlihat dari kasus-kasus pelecehan atau tindak kejahatan seksual yang menurut pelakunya sendiri dilakukan karena pengaruh pornografi. Sehingga diperlukan suatu sistem yang bisa melakukan pengenalan pornografi dan secara otomatis akan melakukan blocking atau sensor. Adapun dalam pengenalan suatu konten pornografi, bisa dilihat dari isi yang terdapat di dalamnya misalnya pada citra manusia yang akan menjadi suatu citra pornografi jika bagian tubuh tertentunya terlihat seperti jika bagian nipplenya terlihat.
Dalam melakukan suatu pengenalan seperti mengenali bagian nipple, ada dua hal yang menjadi permasalahan utama, yaitu proses ekstraksi fitur dari data sampel yang ada dan metode yang digunakan dalam melakukan klasifikasi terhadap data yang akan dikenali. Dalam penelitian ini digunakan metode Two Dimensional Linear Discriminat Analysis untuk ekstraksi fitur dan metode Learning Vector Quantization dalam melakukan klasifikasinya. Penelitian ini akan melihat pengaruh metode ekstraksi fitur TDLDA dalam melakukan pengenalan nipple.
Dari hasil uji coba yang dilakukan metode ekstraksi fitur TDLDA berpengaruh terhadap akurasi pengenalan yang dihasilkan. Dengan menggunakan kombinasi antara LVQ dan TDLDA menghasilkan akurasi sebesar 99,77 % sedangkan dengan hanya menggunakan LVQ saja menghasilkan akurasi sebesar 41,19 %.
Kata Kunci: Learning Vector Quantization, Two Dimensional Linear Discriminant Analysis, nipple.
ABSTRACT
The impact of pornography over the Internet has very big negative effect, especially if someone who accessing it is not mentally ready like we have seen in the sexual abuse crime cases that based on convict statements inspired from pornography. Thus, the system that able to determine pornography content and automatically blocking it is needed. As for to recognize pornography content, can be seen from the material inside it for instance in the human images that will be a pornography images if some specific body parts can be seen like nipple.
In able to recognize images like recognize nipple parts, there are two things become the main problems, feature extraction process from the existing sample data and the method that use to classifies the recognized data. In this research the Dimensional Linear Discriminant Analysis (TDLDA) method is use to do feature extraction process and the Learning Vector Quantization method is use to do the classification process. This research will observe the effect of TDLDA method in recognizing the nipple.
Based on the testing results, TDLDA method has effect on the accuracy of recognized results that are produced. With combination between LVQ and TDLDA the accuracy is 99.77% therefore if only LVQ is used will produce accuracy 41.19%.
Keywords: Learning Vector Quantization, Two Dimensional Linear Discriminant Analysis, nipple.
1 PENDAHULUAN
Perkembangan teknologi senantiasa membawa dampak secara langsung maupun tidak
ISSN : 2302 – 450X
253
sebagai ajang penyebaran konten-konten yang berkaitan dengan pornografi. Dampak persebaran pornografi di internet memiliki efek merugikan yang sangat besar, terutama jika yang mengaksesnya belum memiliki kesiapan dari segi mental seperti terlihat dari kasus-kasus pelecehan atau tindak kejahatan seksual yang menurut pelakunya sendiri dilakukan karena pengaruh video porno.
Dalam beberapa penelitian deteksi ponografi yang telah dilakukan sebelumnya, hanya berpatokan pada warna kulitnya saja yang tentu saja memiliki kelemahan dalam pendeteksian pada citra yang bukan porno dengan luasan warna seperti warna kulit akan dideteksi sebagai citra pornografi. Demikian juga untuk citra pornografi yang memiliki luasan warna kulit dideteksi sebagai bukan citra pornografi. Adapun konten-konten pornografi bisa dilihat dari isi yang terdapat di dalam konten tersebut, misalnya pada citra manusia yang akan menjadi suatu citra pornografi jika bagian tubuh tertentunya tidak tertutupi, contohnya adalah bagian
nipple seseorang.
Dalam melakukan suatu pengenalan seperti mengenali bagian nipple, ada dua hal yang menjadi permasalahan utama, yaitu proses ekstraksi fitur dari data sampel yang ada dan juga metode yang digunakan dalam melakukan klasifikasi terhadap data yang akan dikenali. Pada penelitian ini akan dilakukan pengenalan pornografi dengan mengenali bagian yang dianggap termasuk objek penelitian, dengan menggunakan metode klasifikasi Artificial
Neural Network yaitu Learning Vector Quantization
dan akan dikombinasikan dengan metode Two
Dimensional Linear Discriminant Analysis untuk
proses ekstraksi fiturnya untuk melihat pengaruh dari penggunaan metode ekstraksi fitur dalam pengenalannya.
2 MODEL, ANALISIS, DESAIN, DAN
IMPLEMENTASI
2.1 Dasar Teori
2.1.1. Learning Vector Quantization
Learning Vector Quantization (LVQ)
adalah suatu metode klasifkasi pola dimana masing – masing input merepresentasikan kelas atau kategori yang sama.
Gambar 1. Arsitektur jaringan LVQ
Jika dua vektor input mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor input tersebut ke dalam kelas yang sama. Setelah pembelajaran, lapisan LVQ membagi vektor input (x) dengan penempatan lapisan LVQ ke kelas yang sama sebagai unit ouput (y) yang mempunyai vektor bobot (w) terdekat dengan vektor input [1].
Cara kerja algoritma untuk LVQ yaitu dengan mencari output yang terdekat dengan vektor input. Algoritma LVQ dapat dijelaskan sebagai berikut[1]:
a. Menetapkan learning rate (α),
bobot (w), maksimum epoh, dan error minimal yang diharapkan. b. Untuk masing-masing
pembelajaran vektor input training x melakukan langkah ke c sampai f.
c. Mencari Cj dimana xwj dengan persamaan (1).
n i ij ij x w
C
1
2
………. (1) d. Update wj dengan cara :
Jika T = Cj maka : wj (t+1) = wj (t)+ α(t) (x –wj(t)) ………. (2) Jika T ≠ Cj maka: wj (t+1) = wj (t)–α(t) (x – wj(t)) ……… (3)
e. Mengurangi learning rate.
α = α *
rasio………. (4)
f. Kondisi berhenti jika mencapai maksimum iterasi atau nilai
learning rate cukup kecil.
Keterangan :
x = Vektor input training
T = Kategori atau kelas yang benar
I Made Agus Oka Gunawan, Pengaruh Ekstraksi Fitur Two Dimensional Linear Discriminant Analysis
Pada Pengenalan Nipple Secara Otomatis Menggunakan Klasifikasi Learning Vector Quantization
254
Cj = Kategori atau kelas yang ditunjukkan oleh output ke–j
j
w x
= Jarak Euclidian antara vektor input training dan vektor bobot ke-j.
2.1.2. Two Dimensional Linear
Discriminat Analysis
Salah satu metode ekstraksi fitur adalah Two Dimensional Linear Discriminant
Analysis (TDLDA) diperkenalkan oleh Li dan
Ye pada tahun 2005. Perbedaan antara LDA dengan TDLDA adalah pada LDA menggunakan vektor image untuk menghitung matriks beetween class dan matriks scatter
within-class, sedangkan pada TDLDA
menggunakan matriks image asli untuk menghitung kedua matriks tersebut. TDLDA mengklaim bahwa hasilnya lebih baik dibandingkan dengan metode ekstraksi fitur yang lainnya [2].
Ada 3 tahapan dalam ekstraksi fitur TDLDA pada suatu data pelatihan yaitu tahap pertama menghitung nilai rata-rata kelas dan rata-rata global, tahap kedua menghitung matriks sebaran dalam kelas dan sebaran antar kelas dan tahap terakhir menghitung matriks fitur ekstraksi data-data pelatihan.
Berikut adalah langkah-langkah dalam proses TDLDA terhadap suatu dataset citra pelatihan untuk menghitung nilai rata-rata kelas dan rata-rata global :
1. Jika dalam suatu basisdata citra terdapat himpunan sebanyak n citra pelatihan Ai = [A1,A2,…,An] (i =
1,2,…,n) dengan dimensi citra (r x c), matrik dari citra tersebut adalah :
�� = [ � � � � … �� � � � � � … �� � … … … … � � � �� � … � � �� ]
Matriks ini digunakan sebagai data inputan. Data inputan lainnya adalah jumlah kelas (k), jumlah data perkelas
(ni) dan banyaknya data pelatihan (n). 2. Menghitung rata-rata citra pelatihan
dari kelas ke-i dengan menggunakan persamaan (5).
i x i i A n M 1………... (5) 3. Menghitung rata-rata semua citra
pelatihan dengan persamaan (6).
k
i
x i A
n M
1
1
………. (6)
Berikut adalah langkah-langkah dalam proses TDLDA terhadap suatu dataset citra pelatihan untuk menghitung matriks sebaran antar kelas dan matriks sebaran dalam kelas :
1. Menentukan nilai ll (panjang baris) dan l2 (panjang kolom), dimana nilai ll
≤ r dan l2 ≤ c.
2. Menetapkan matriks transformasi R ukuran c x l2 yang diperoleh dari gabungan matriks identitas ukuran l2 x l2 dengan matriks nol ukuran (c-l2)xl2. 3. Menghitung matriks between class
scatter R dengan ukuran r x r dengan
persamaan (7)
k i T i T i i Rb n M M RR M M
S
1 ……... (7)
4. Menghitung matriks within class
scatter R dengan ukuran r x r dengan
persamaan (8)
k i x T i T i R W i M A RR M A S 1 ……. (8) 5. Hitung nilai eigen dan vector eigendari R b S dan R W S
sesuai dengan persamaan (9) dengan ukuran r x r
L=(
R W
S
)-1(
R b
S
)... (9) 6. Ambil sebanyak l1 vektor eigen
terbesar dari langkah 5 denganukuran matriksnya r x l1.
7. Menghitung matriks between class
scatter L dengan ukuran c x c dengan
persamaan (10)
k i i T T i i Lb n M M LL M M
S
1 ……...(10)
8. Menghitung matriks within class
scatter L dengan ukuran c x c dengan
persamaan (11)
k i x i T T i L W i M A LL M A S 1 …… ... (11) 9. Hitung nilai eigen dan vector eigendari L b S dan L W S
sesuai dengan persamaan (12) dengan ukuran c x c
R=(
L W
S
)-1(
L b
S
ISSN : 2302 – 450X
255
10. Ambil sebanyak l2 vektor eigen terbesar dari langkah 9 denganukuran matriksnya c x l2.
Berikut adalah langkah-langkah dalam proses TDLDA terhadap suatu dataset citra pelatihan untuk menghitung ekstraksi fitur pada setiap citra :
1. Inputan berupa matriks data pelatihan
�� = [ � � �� … � � � � � �� … � � � … … … … �� � �� � … � � �� ]
Inputan lainnya : matriks transformasi baris (L) dan matriks transformasi kolom (R).
2. Hitung matriks ekstraksi fitur dengan persamaan (13), ukuran matriksnya (l1 x l2)
Bi=LTAiR………... (13) 3. Output yang dihasilkan adalah matriks
ekstraksi fitur Bi, matriks transformasi L dan matriks transformasi R.
Langkah-langkah dalam ekstraksi fitur pada pengujian LVQ adalah sebagai berikut : 1. Inputan berupa matrik data pengujian C
yang ukuran dimensi matriksnya sama dengan matriks data pelatihan yaitu r x c :
� = [ � � … � � � � … � � … … … … �� �� … ��� ]
Inputan lainnya adalah matriks transformasi baris (L) dan matriks transformasi kolom (R), yang keduanya didapat dari proses ekstraksi TDLDA pada pelatihan LVQ. 2. Hitung matriks ekstraksi fitur sesuai dengan
persamaan (14) yang ukuran matriksnya l1 x l2.
D=LTCR………... (14) Output : matriks ekstraksi fitur D.
2.2 Analisis dan Perancangan
Pada tahap ini akan dijelaskan tentang bagaimana pengolahan data yang dilakukan agar bisa sampai mengenali objek penelitian. Akan ada beberapa tahapan proses yang akan dijelaskan seperti tahap pre-processing, ekstraksi fitur, pelatihan data
training dan pengenalan.
Mulai
Citra RGB Pengujian
Mengubah citra pengujian menjadi citra grayscale
Mengubah citra grayscale menjadi citra biner
Matriks piksel 80 x 80 citra
uji
Selesai Menghitung width dan height
citra uji
Menambahkan piksel hitam pada citra uji
r < height citra uji
c < width citra uji
Menyimpan piksel citra uji berukuran 80 x 80 piksel
c+1 Y Y r+1 T T r=1 c=1
Gambar 2. Flowchartpre-processing citra uji
Citra pengujian yang merupakan citra RGB berukuran r x c piksel yang merupakan citra hasil ekstraksi dari video, akan melalui proses
preprocessing sebelum ke proses selanjutnya. Citra
uji akan diubah menjadi grayscale. Selanjutnya adalah mengubah citra grayscale menjadi citra biner dan dihitung ukuran citra ujinya. Kemudian dilakukan penambahan piksel hitam pada citra yang nantinya digunakan dalam frame extraction pada citra uji tersebut. Langkah frame extraction
dilakukan dengan membagi citra uji yang berukuran
r x c piksel menjadi piksel yang lebih kecil
berukuran 80 x 80 piksel kemudian dilakukan pergeseran piksel agar mendapat semua piksel yang ada di citra uji. Setelah proses pergeseran citra dan
frame extraction selesai maka selesai tahap dari
I Made Agus Oka Gunawan, Pengaruh Ekstraksi Fitur Two Dimensional Linear Discriminant Analysis
Pada Pengenalan Nipple Secara Otomatis Menggunakan Klasifikasi Learning Vector Quantization
256 Mulai
Matriks data pelatihan A, k, ni, n
Mengitung nilai rata-rata kelas
Menghitung nilai rata-rata global
Menentukan matriks R
Menghitung matriks between dan within class scatter R
Menentukan matriks transformasi L
Menghitung matriks between dan within class scatter L
Menentukan matriks
transformasi R Menghitung ekstraksi ciri (Bi)
Selesai Matriks ekstraksi ciri
data pelatihan (Bi) Inisialisasi l1 dan l2
Gambar 3. Flowchart ekstraksi fitur
Setelah dilakukan tahap pre-processing
yang dihasilkan citra biner dan matriks citra binernya maka selanjutnya akan dilakukan langkah ekstraksi fitur yang inputnya adalah matriks dari citra biner tersebut. Untuk ekstraksi fitur pada citra pelatihan, ekstraksi fitur TDLDA akan dibagi menjadi 3 tahapan yaitu tahap pertama menghitung nilai rata-rata kelas dan rata-rata-rata-rata global, tahap kedua menghitung matriks sebaran dalam kelas dan sebaran antar kelas dan tahap terakhir menghitung matriks ekstraksi fitur data-data pelatihan. Sedang untuk ekstraksi fitur pada data pengujian akan dihitung matriks ekstraksi fitur data pengujian dengan menggunakan persamaan (13). Adapun hasil dari tahap ini adalah matriks ekstraksi fitur dari suatu citra.
Mulai
Vektor fitur ekstraksi data pelatihan (x) Target (T)
Learning rate (α ) Bobot awal (w) Maksimum epoh
(maxepoh) Minimum error (err) Pengurang rasio (rasio) Epoh = 0
Epoh < maxepoh ||
α <err Bobot Optimal Selesai
T==Cj
wj (t+1) = wj (t)–α(t) (x –wj(t))
wj (t+1) = wj (t) + α(t) (x –wj(t))
α = α * rasio
Epoh + 1
T
Y
T
Y
Gambar 4. Flowchart pelatihan LVQ
Setelah tahap ekstraksi fitur dari citra-citra pelatihan maka proses selanjutnya adalah melakukan proses pelatihan data training. Pada proses pelatihan ini vektor hasil ekstraksi citra pelatihan akan dijadikan input. Pada pelatihan ini akan dicari bobot akhir yang didapat setelah dilakukan perubahan nilai bobot awal pada setiap perulangan.
Mulai
Vektor fitur ekstraksi data pengujian (x) Bobot hasil training (w)
Selesai Menentukan kelas data
pengujian
Kelas data pengujian
Gambar 5. Flowchart pengujian LVQ
ISSN : 2302 – 450X
257
adalah melakukan proses pengenalan dari citra pengujian yang sudah diekstraksi fiturnya. Pada proses pengenalan akan dihitung jarak antara vektor hasil ekstraksi fitur citra pengujian dengan bobot yang dihasilkan dari pelatihan data training. Dari hasil perhitungan jarak tersebut akan dicari nilai yang paling minimum dari proses perhitungan, yang akan digunakan untuk menentukan kelas dari citra ujinya.
3 SKENARIO UJI COBA
Pada proses pengujian akan diuji tingkat keakuratan atau tingkat pengenalannya. Dalam pengujian ini, masing-masing data uji telah diberikan target yaitu koordinat yang dikenali sebagai objek pornografi. Jika koordinat target itu berada diantara koordinat citra uji maka sistem sudah berhasil melakukan pengenalan objek pornografi.
Dalam penelitian ini akan dilakukan pengujian terhadap beberapa unit komponen ekstraksi fitur dan pengenalannya antara lain : ll (panjang baris), l2 (panjang kolom) dan learning rate. Dalam pengujian dilakukan beberapa perubahan, untuk setiap pengujian dilakukan perhitungan nilai akurasinya (keakuratannya). Nilai dari akurasi dapat dihitung dengan persamaan berikut [3] :
=� ... (15) Keterangan :
P(n) : nilai keakuratan (akurasi)
i : jumlah data yang berhasil dikenali n : total jumlah data
4 HASIL UJI COBA
Nilai dari panjang baris (l1) dan kolom (l2) yang akan digunakan dalam pengujian ini telah ditentukan yaitu 5-80.
Gambar 6. Hasil pengujian panjang baris
Pada gambar 6 terlihat bahwa nilai l1 akan mempengaruhi akurasi yang dihasilkan oleh sistem. Pada grafik juga terlihat nilai l1 yang mendekati nilai r akan menghasilkan akurasi yang optimal, dimana
nilai panjang baris terbaik yang didapatkan pada rentang 70-80.
Gambar 7. Hasil pengujian panjang kolom
Pada gambar 7 terlihat bahwa nilai l2 akan mempengaruhi akurasi yang dihasilkan oleh sistem. Pada grafik juga terlihat nilai l2 yang mendekati nilai c memiliki tingkat akurasi terbaik.
Gambar 8. Hasil pengujian learning rate
Pada pengujian dengan learning rate
dilakukan pengujian dengan pengubahan learning rate yang telah ditentukan yaitu 0,001 sampai dengan 0,009, 0,01 sampai dengan 0,09, dan 0,1 sampai dengan 1. Pada gambar 8 terlihat bahwa nilai
learning rate akan mempengaruhi akurasi yang
dihasilkan oleh sistem. Pada grafik juga terlihat nilai semakin besar nilai learning rate maka akurasi yang dihasilkan semakin optimal. Penggunaan nilai
learning rate akan mempengaruhi proses perubahan
bobot dalam pelatihan dan menjadi target error
untuk menghentikan pelatihan.
Gambar 10. Hasil pengujian perbandingan LVQ dan LVQ+TDLDA
0 50 100 150
0 20 40 60 80 100
A ku rasi l1
Panjang Baris
0 50 100 1500 20 40 60 80 100
A ku rasi l2
Panjang Kolom
0 2000 0,5 1 1,5
A ku rasi Learning Rate
Akurasi
0 2000 20 40
A
ku
rasi
Video ke-
Hasil Perbandingan
LVQ dan LVQ+TDLDA
LVQ
I Made Agus Oka Gunawan, Pengaruh Ekstraksi Fitur Two Dimensional Linear Discriminant Analysis
Pada Pengenalan Nipple Secara Otomatis Menggunakan Klasifikasi Learning Vector Quantization
258
Dari grafik pada gambar 10 juga terlihat bahwa dengan menggunakan LVQ dan eksraksi fitur TDLDA dalam melakukan pengenalan akan mempengaruhi akurasinya, dimana dengan menggunakan LVQ+TDLDA menghasilkan akurasi sebesar 99,77% yang lebih baik dibandingkan dengan hanya menggunakan LVQ saja yang menghasilkan akurasi sebesar 41,19%.
5 KESIMPULAN
Dari hasil implementasi dan pengujian yang telah dilakukan maka didapatkan kesimpulan sebagai berikut :
1. Metode ekstraksi fitur TDLDA berpengaruh terhadap akurasi pengenalan yang dihasilkan, dengan menggunakan LVQ+TDLDA menghasilkan akurasi sebesar 99,77 % sedangkan dengan hanya menggunakan LVQ saja menghasilkan akurasi sebesar 41,19 %. 2. Hasil analisis keterkaitan parameter dari LVQ
dan TDLDA menunjukkan adanya pengaruh terhadap tingkat akurasi. Dalam penelitian ini didapatkan parameter terbaik untuk learning rate sebesar 0,9, l1 pada rentang 70-80 dan l2 sebesar 75.
6 DAFTAR PUSTAKA
[1] Fausett, L. 1994. Fundamentals of Neural Network : Architecture, Algorithm, and Application. New Jersey: Prentice-Hall. [2] J. Ye, R. Janardan and Q. Li. 2005.
Two-Dimensional Linear Discriminant Analysis. NIPPS.
[3] Kohavi, R., & Provost, F. 1998. Glossary of Terms Special Issue on Aplication of Machine Learning and the Knowledge Discovery Proceess. Academic Publishers
Boston, 271-274.
[4] Munir, R. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik. Bandung: Informatika.
[5] Damayanti. 2010. Pengenalan Citra Wajah
