KLASIFIKASI BAWANG MERAH PUTIH DAN BOMBA

(1)

KLASIFIKASI BAWANG MERAH, PUTIH DAN BOMBAY

MENGGUNAKAN METODE

NAÏVE BAYESIANCLASSIFIER

Finish Revita Ganidar, Evita Devi Martinuva, Indrahidayati Nur Rohmah, Karid Nurvenus, Sukarjo

Jurusan Teknik Informatika/Ilmu Komputer, Fakultas Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya, Malang, 65145, Indonesia.

E-mail: [email protected], [email protected], [email protected], [email protected], [email protected].

Abstrak

Warna merupakan salah satu atribut yang dapat digunakan untuk mengidentifikasikan suatu

object. Dimana warna ini merupakan salah satu karakteristik yang sangat menonjol pada buah

dan sayur terutama pada daerah tropis. Maka dalam makalah ini, warna digunakan untuk

mengidentifikasikan jenis bawang. Dengan menggunakan algoritma Naïve Bayes, bawang

dikelompokkan ke dalam tiga kelas yang telah ditentukan yaitu kelas bawang merah, bawang

putih dan bawang Bombay. Hasil penelitian ini diharapkan dapat menggantikan cara mendeteksi

jenis bawang secara manual. Dengan data uji 75 dataset yang menghasilkan akurasi sebesar 80%.

Kata kunci: bawang, klasifikasi,

naïve bayes

Abstract

Color is one of attribute that can be used to identify an object. Color is one of the most visible characteristic fruit and vegetable have and grow in tropic territory. In this research, color is used to identify onion, garlic, and red onion. By using Naïve Bayes, onions are classified into three classes that have been given; garlic class, onion class, and red onion class. This research result hopefully can change

onion detection that is done manually before.

Key worlds: onion, classification, naïve bayes

1. PENDAHULUAN

Bawang adalah tumbuhan yang memiliki umbi yang kecil, terdiri dari berlapis-lapis kulit dan mengandung aroma yang menyengat. Umbi bawang sangat sering dibutuhkan dalam sebuah bumbu masak. Umbi bawang sering digunakan untuk sebuah olahan makanan. Gambar 1 disamping menunjukkan macam bawang yang

digunakan dalam penelitian kali ini. _{Gambar 1. Bawang merah, bawang putih, dan}

(2)

Bawang merah merupakan bawang yang berwarna merah keunguan. Bawang merah dipercaya memiliki kandungan zat yang sangat berguna bagi tubuh kita seperti kalsium, zat besi dan vitamin C yang berguna dalam penyembuhan gangguan kesehatan seperti demam, batuk dan kencing manis. [4]

Bawang putih berwarna putih dan memiliki berbagai kandungan zat yang berguna bagi kesehatan. Bawang putih dipercaya memiliki kandungan potassium, kalsium, vitamin A,B,C dan zat antioksidan. Semua kandungan ini meningkatkan kekebalan tubuh sebagai penawar racun, mengurangi serangan kanker, menghambat penuaan tubuh dan meningkatkan insulin darah. [4]

Bawang bombay merupakan jenis bawang yang memiliki perpaduan bawang merah dan bawang putih. Dari bentuknya menyerupai bawang merah namun ukurannya lebih besar. Tetapi dari warna maupun aromanya menyerupai bawang putih. Bawang bombay berguna meningkatkan kolesterol baik, menekan kolesterol darah, mencegah penggumpalan antitrombotik. [4]

Bawang biasanya tumbuh dan banyak dibudidayakan oleh petani yang berada di daerah dataran rendah hingga berada pada ketinggian 1300 meter di atas permukaan laut dengan kondisi yang cukup lembab dan memiliki kandungan air.

Warna menjadi salah satu ciri yang mudah diketahui untuk membedakan jenis bawang. Dalam penelitian ini menerapkan pengkasifikasian objek. Klasifikasi bertujuan untuk menetapkan kelas yang telah ditetapkan untuk setiap contoh. Hal ini dapat membantu untuk memahami data yang ada dan dapat digunakan untuk memprediksi bagaimana kasus baru akan berperilaku. [1] Salah satu metode pengklasifikasian yang digunakan adalah algoritma Naïve Bayes untuk mengklasifikasikan bawang dalam kelas bawang merah, kelas bawang putih atau kelas bawang bombay.

Dengan

adanya

metode

pengklasifikasian ini, kami ingin

mengembangkan suatu program yang

berguna untuk mendeteksi jenis bawang.

Apakah jenis bawang dapat dibedakan

dengan menggunakan metode itu?

2. METODE PENELITIAN

Pada penelitian ini metode yang digunakan dalam mengklasifikasikan bawang Bombay digunakan metode algoritma Naïve Bayes.

Naïve

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. Ada dua proses penting yang

dilakukan saat melakukan klasifikasi. Proses

yang pertama adalah

learning (training)

yaitu proses pembelajaran menggunakan

training set.

[3] Untuk kasus

Naïve Bayesian

Classifier

, perhitungan probabilitas dari data

berdasarkan data pembelajaran yang telah

dilakukan. Proses yang kedua adalah proses

testing

yaitu menguji model menggunakan

data testing. Gambar 2 berikut

memperlihatkan alur dari kedua proses

tersebut.

Gambar 2. Proses training dan testing data set

Keuntungan menggunakan metode Naïve Bayes diantaranya : [5]

(3)

2. Efisien dalam pelatihan dan penggunaannya.

3. Bisa menggunakan data binary atau

polinom.

4. Karena diasumsikan independent maka

memungkinkan metode ini

diimplementasikan dengan berbagai macam data set.

5. Akurasi yang dihasilkan relatif tinggi

A. Data Acquisition and Sensing

Bawang akan diklasifikasikan menjadi 3 kelas; Bawang Merah, Putih, dan Bombay. Permasalahanya adalah bagaimana suatu bawang akan diklasifikasikan kedalam suatu kelas yang benar oleh Aplikasi ini. Kita asumsikan bahwa kita hanya punya 3 jenis bawang; Bawang Merah, Putih, dan Bombay.

Ada beberapa permasalahan yang bisa menyebabkan kesalahan pengklasifikasian jenis bawang, diantaranya disebabkan oleh kondisi pencahayaan, posisi bawang ketika diambil gambarnya, noise pada kamera dan lain-lain.

Langkah – langkah pemrosesan:

1. Capture Image

Mengambil gambar bawang, disarankan gambar bawang dengan ukuran 100*100 pixel.

2. Isolate Onion

Bawang dikelompokkan sesuai jenisnya.

3. Take Measurement

Ada beberapa fitur yang bisa digunakan untuk membedakan jenis bawang; warna RGB, ukuran bawang, berat bawang.

B. Pre-Processing

Melakukan cropping pada bagian gambar bawang untuk menghindari warna yang tidak dibutuhkan dalam proses pengambilan nilai RGB. Misal background gambar, akar bawang ataupun daun bawang.

C. Feature Extraction

Kemungkinan fitur yang akan digunakan adalah; fitur warna (RGB) bawang, ukuran bawang, dan berat bawang.

Biasanya sering dijumpai ukuran dan berat bawang putih adalah yang paling besar diantara ketiganya, dan bawang Bombay mempunyai ukuran dan berat lebih besar dari bawang merah. Namun tidak sedikit kasus bawang Bombay yang sama atau malah lebih besar ukuran dan beratnya dibandingkan bawang putih. Sehingga fitur ukuran dan berat tidak bisa menjadi pembeda.

Warna bawang merah adalah lebih kemerah – merahan dibanding bawang Bombay, bawang Bombay berwarna coklat kemerah-merahan. Sedangkan warna bawang putih adalah dominan putih. Sehingga fitur warna dapat digunakan.

D. Classification

Berikut proses pengklasifikasian jenis bawang:

1. Menghitung rata-rata nilai RGB. Untuk menghitung nilai rata-rata fitur Red®, dapat menggunakan persamaan (1),

Green (G) menggunakan persamaan (2), dan fitur Blue (B) menggunakan persamaan (3).

R

=

∑

i=1

j=210

Rij

j

… (1)

G

=

∑

i=1

j=210

Gij

j

… (2)

B

=

∑

i=1

j=210

Bij

j

(4)

2. Kualifikasi gambar menjadi 3 kelas yaitu Bawang Merah, Bawang Putih dan Bawang Bombay

3. Pelatihan Data

Tahapan ini akan mencari nilai mean(

μ

) dan standar deviasi(

σ

) setiap fitur pada masing-masing kelas. Data latih yang digunakan dalam penelitian ini sejumlah 75 data latih. Dimana masing-masing kelas terdiri dari 25 data latih. Perlu dilakukan ekstraksi fitur, sebelum dilakukan pelatihan data. Hasil ekstraksi fitur bawang yaitu fitur red, green, blue seperti pada table 1.

Tabel.1 data Set RGB Gambar Bawang

Langkah – langkah pelatihan data dengan Naïve Bayes yaitu:

a. Hitung probabilitas (prior) tiap kelas yang ada.

b. Lalu hitung rata-rata (mean) tiap fitur dan tiap kelas dengan persamaan (4).

μ

=

∑

n

k

…(4)

Dimana:

k

= banyaknya data

∑

n

= jumlah nilai data c. Kemudian hitung nilai standar

deviasi tiap fiitur dan tiap kelas dengan persamaan (5).

x

¿

i

¿

´

x

(−¿¿¿

2 ¿)

2

1 n

−

1

∑

i=1

n

¿

σ

=¿

…(5)

4. Pengujian Data

Tahap-tahap dalam pengujian data meliputi:

a. Menghitung densitas probabilitas data testing menggunakan persamaan (6).

φ

μσ

(

x

)=

1

√

2 π σ

2

e

−(x−μ)2 2σ2

…

(6)

b. Setelah didapatkan nilai densitas probabilitasnya, selanjutnya menghitung probabilitas

masing-masing kelas dengan

menggunakan persamaan (7).

P

=

P

(

X

_|

C

_i

)

× P

(

C

_i

)

…(7) Probabilitas yang paling besar menunjukkan dimana bawang itu diklasifikasikan. Apakah ke kelas Bawang Merah, Putih atau Bombay.

Dari proses pengujian data ini, kita

bandingkan nilai

P

(

1 ∨

X

)

,

P

(

2 ∨

X

)

,

P

(

3 ∨

X

)

- nya seperti sebagai berikut:

1. Jika

P

(

1

|

X

)

> P(2∨X)

No R G B Kelas

1 158 136 123 Bawang Merah 2 158 131 128 Bawang Merah 3 149 132 129 Bawang Merah 4 194 155 163 Bawang Merah 5 185 179 165 Bawang Merah

... 26 193 189 171 Bawang Putih 27 227 217 200 Bawang Putih 28 189 187 174 Bawang Putih 29 168 163 161 Bawang Putih 30 206 200 180 Bawang Putih

...

51 202 168 91 Bawang Bombay 52 164 170 89 Bawang Bombay 53 210 207 108 Bawang Bombay 54 196 179 127 Bawang Bombay 55 193 171 109 Bawang Bombay

(5)

dan

P

(

1

|

X

)

> P(3∨X)

maka digolongkan ke dalam kelas 1 (Bawang Merah),

2. Jika

P

(

2 |

X

)

>

P

(

1 ∨

X

)

dan

P

(

2

|

X

)

> P(3∨X)

maka digolongkan ke dalam kelas 2 (Bawang Putih) dan

3. Jika

Jika hasil pengklasifikasian jenis bawang yang diproses pada sub classification

mempunyai keakuratan ≥ 90%, maka Aplikasi pengklasifikasian jenis bawang ini dapat digunakan.

3. HASIL DAN PEMBAHASAN

Pada penelitian ini dilakukan untuk menguji jenis bawang berdasarkan warna RGB dan diklasifikasikan kedalam 3 kelas yaitu kelas bawang merah, bawang putih dan bawang Bombay. Metode yang digunakan adalah metode Naïve Bayes dengan 75 data set yang akan dilatih. Berdasarkan persamaan (6) maka diperoleh nilai P1, P2, dan P3. Nilai tersebutlah yang akan dibandingkan untuk menentukan kelas bawang merah, bawang putih atau bawang Bombay. Hasil dari P1, P2, dan P3 yang diperoleh dari data set tertera pada tabel 2.

P1 P2 P3 Kelas

Tabel 2. Nilai P1, P2 dan P3 untuk masing-masing data set

Berdasarkan table 2, data latih yang kita hitung P1, P2 dan P3 digunakan untuk melatih data set dalam menentukan bawang merah, bawang putih atau bawang Bombay. Dari table 2 tersebut kita bandingkan nilai P1, P2 dan P3 nya.

1. Jika

P

(

1

|

X

)

>

P

(

2

|

X

)

dan

P

(

1

|

X

)

maka masuk ke kelas 3 (Bawang Bombay).

EVALUASI

Berdasarkan table 2, dapat kita hitung tingkat akurasi dari metode Naïve Bayes yang kita gunakan dalam mengklasifikasikan bawang dengan cara menghitung peluang kebenarannya dalam tabel 3 dan 4.

(6)

Bawang

Merah 20 1 4 25

Bawang

Putih 5 17 2 25

Bawang

Bombay 3 0 22 25

Tabel 3. Kebenaran metode Naïve Bayes

Dari tabel 3, kita dapat mengetahui

jumlah bawang yang sesuai dengan jenisnya

sebanyak 60 bawang. Dengan demikian,

maka prosentase kebenaran secara

keseluruhan adalah (60/75)*100 atau 80%

benar.

Ada beberapa faktor yang menyebabkan suatu bawang tidak diklasifikasikan oleh program sesuai jenisnya. Salah satunya adalah bawang-bawang yang tidak diklasifikasikan sesuai jenisnya tersebut disebabkan oleh faktor pencahayaan pada gambar yang membuat rgb dari bawang yang diamati berbeda.

True class

Bawang Merah

Bawang Putih

Bawang Bombay

Jumla h

Bawang

Merah 80% 4% 16% 100%

Bawang

Putih 20% 68% 12% 100%

Bawang Bomba

y

12% 0% 88% 100%

Tabel 4. Persentase kebenaran metode Naïve Bayes

KESIMPULAN

Dari penelitian terhadap pengklasifikasian kematangan buah tomat dengan metode Naïve Bayes dapat disimpulkan sebagai berikut:

 Warna pada bawang dapat kita gunakan untuk mengklasifikasikan bawang dalam kelas bawang merah, bawang putih dan bawang Bombay.

 Dengan metode Naïve Bayes kita dapat menentukan bawang dalam kelas

bawang merah, kelas bawang putih dan kelas bawang Bombay dengan fitur RGB.

 Dengan 75 data latih dan berdasarkan pada table 3 dan 4 menunjukkan bahwa metode Naïve Bayes mempunyai keakuratan 80% dalam menentukan kelas bawang merah, kelas bawang putih atau kelas bawang Bombay.

DAFTAR PUSTAKA

[1]. Materi Praktikum Data Mining Naive Bayesian Classifier Program Studi Informatika / Matematika FMIPA Universitas Syiah Kuala. Pengarang: Dr. Taufik Fuadi Abidin, M, Tech, Dr. Muhammad Subianto, M.Si.

[2]. Proposal Metodologi Penelitian Pengenalan Pola Wajah (Face Recognizion) pada Citra Digital dengan Menggunakan Metode Jaringan Saraf Tiruan (Neural Network).

Pengarang: Zahlul Fuad.

[3]. Model Prediktif. Pengarang: Hendro Nindito S.SI, MSSI

[4]. Keragaman Stabilitas hasil Bawang Merah, Putih dan Bombay. Ilmu Pertanian Universitas Gadjah Mada. Pengarang: Erlina Ambarwati dan Prapto Yudono

(7)

BIOGRAFI PENULIS

Karid Nurvenus Mahasiswa Universitas Brawijaya – Malang. Jurusan Informatika/Ilmu – Komputer.

Lahir di Blitar 24 Januari 1993

Evita Devi Martinuva Mahasiswa Universitas Brawijaya – Malang. Jurusan Informatika/Ilmu – Komputer.

Lahir di Malang 8 Maret 1992

Sukarjo

Mahasiswa Universitas Brawijaya – Malang. Jurusan Informatika/Ilmu – Komputer.

Lahir di Indramayu 29 Mei 1993

Finish Revita Ganidar Mahasiswa Universitas Brawijaya – Malang. Jurusan Informatika/Ilmu – Komputer.

Lahir di Malang 11 Juli 1993

Indrahidayati Nur Rohmah Mahasiswa Universitas Brawijaya – Malang. Jurusan Informatika/Ilmu – Komputer.