PENDAHULUAN
Latar Belakang
Rumusan Masalah
Batasan Masalah
Tujuan Penelitian
Manfaat Penelitian
TINJAUAN PUSTAKA
- Klasifikasi
- Ulos
- Ulos Ragi Hidup
- Ulos Sibolang
- Ulos Pinuncaan
- Ulos Sadum
- Ulos Tumtuman
- Citra
- Grayscale
- Haralick
- Naïve Bayes Clasifier
- Metode Evaluasi
- Confusion Matrix
- Model Evaluasi
- Penelitian Terdahulu
Menurut BPS pada tahun 2010, Suku Batak tercatat memiliki jumlah penduduk sekitar 3,6% dengan jumlah anggota lebih dari 8,4 juta jiwa yang tinggal dan tersebar di seluruh Pulau Sumatera. Suku Batak terdiri dari beberapa jenis suku yaitu Batak Toba, Karo, Simalungun, Pakpak, Angkola dan Mandailing. Meski suku Batak terdiri dari beberapa jenis suku, namun ulos merupakan kain tenun khas Batak.
Setiap sub suku Batak mempunyai jenis hasil tangkapan yang berbeda-beda mulai dari motif, tekstur dan warna (Siregar, 2017). Ulos ini terbilang mahal karena terdiri dari lima bagian yang ditenun secara terpisah dan masing-masing bagian dirangkai dengan indah menjadi satu Ulos yang dapat digunakan untuk berbagai keperluan seperti berkabung atau bergembira dalam acara adat. Ulos ini dikenakan oleh raja-raja adat dan masyarakat awam apabila sesuai dengan acara adat seperti acara pernikahan atau ada tuan rumah yang memakai Ulos ini pada saat upacara. Suku Batak memaknai kain Ulos sebagai simbol kegembiraan, agar keluarga selalu merasakan kegembiraan dalam beraktivitas sehari-hari (Evan & Irwansyah, 2017).
Pada citra skala abu-abu 8-bit, skala hitam-putih dibagi menjadi 256 derajat abu-abu dimana hitam sempurna diwakili dengan nilai 0 dan putih sempurna dengan nilai 255. Algoritma ini terdiri dari 14 nilai presisi fitur sebesar yang dianalisis dalam penelitian Dewi dan Ginardi. (2014). Penelitian ini menerapkan empat fitur teratas dari hasil penelitian Dewi dan Ginardi (2014) Fitur-fitur tersebut terdiri dari korelasi, energi, homogenitas, entropi, kontras dan varians.
Meskipun menggunakan asumsi independensi atribut (tidak ada korelasi antara atribut yang satu dengan atribut lainnya), namun kinerja dari pengklasifikasi naif Bayes sangat baik. Pada dasarnya tujuan klasifikasi Bayesian naif adalah untuk mencari peluang bersyarat (posterior) dari dua kejadian, misalnya X dan Y, dilambangkan dengan P(Y|
Secara umum, penelitian terdahulu merupakan sumber temuan penelitian masa lalu yang nantinya akan coba dibandingkan oleh peneliti dengan penelitian yang akan dilakukan. Naive Bayes Proses klasifikasi menggunakan Naive Bayes cukup akurat dalam mengklasifikasikan gender berdasarkan nilai probabilitas yang diperoleh masing-masing gender laki-laki dan perempuan dengan hasil akurasi sebesar 80%. Naïve Bayes Metode Naïve Bayes dapat digunakan untuk memprediksi dan mengklasifikasikan gambaran paru ke dalam kelas efusi, kanker, dan normal.
Haralick Algoritma Haralick mampu mengidentifikasi fitur objek berbentuk cacing pada gambar darah yang direkam oleh mikroskop digital dengan true positive rate berkisar antara 90% hingga 96%. Dimana tingkat keberhasilan identifikasi ciri objek pada citra mikroskop digital adalah 96% dengan perbesaran lensa 200 kali.
METODE PENELITIAN
Data yang digunakan
Pembagian Data
Sistem Pengklasifikasian Ulos
- Input Data
- Preprocessing
- Feature Extraction (Haralick)
- Klasifikasi
- Output Akhir
Dimana dilakukan proses pengubahan ukuran dan pengubahan warna suatu gambar dari RGB menjadi greyscale, untuk dijadikan masukan pada proses selanjutnya. Contoh hasil resize yang dilakukan ditunjukkan pada Gambar 3.2 a dan b, dimana Gambar 3.2 merupakan (a) sebelum dilakukan resize dan (b) gambar hasil resize. Gambar sebelum (a) dan setelah (b) proses resize Pada penelitian ini, penulis mengubah ukuran gambar yang sebelumnya berbeda menjadi 100 x 100 piksel untuk memenuhi kebutuhan sistem.
Gambar skala abu-abu adalah ketika suatu gambar tidak memiliki warna RGB, atau ketika gambar tersebut memiliki intensitas paling rendah, seperti yang ditunjukkan pada Gambar 2.1. Pada citra skala abu-abu, setiap citra mempunyai nilai intensitas antara 0 hitam dan 255 putih pada citra 8-bit. Maka konsepnya dimodifikasi dengan mengubah ketiga lapisan di atas menjadi satu lapisan matriks skala abu-abu dan hasilnya adalah gambar skala abu-abu.
Setelah tahap preprocessing citra akan dilakukan proses ekstraksi haralick, untuk kemudian menentukan hasil ekstraksi tekstur dengan mempertimbangkan nilai Contrast, Correlation, Energy dan Homogeneity. Semua data citra akan mempunyai nilai karakteristik yang berbeda-beda, sehingga citra uji akan ditentukan oleh nilai kemiripannya dengan citra query. Tahap selanjutnya setelah tahap ekstraksi fitur adalah memasukkan nilai-nilai hasil ekstraksi fitur tekstur sebagai nilai masukan pada proses Naive Bayes Classifier.
Menghitung Nilai Ekstraksi Fitur
Contoh matriks berukuran 7x7 dengan variasi bilangan dari 0 sampai 3. Dimensi matriks sesuai dengan bilangan minimum dalam matriks hingga bilangan maksimum dalam matriks. Pada Gambar 3.7, jumlah piksel tetangga pada sudut 00 adalah 42, sudut 450 adalah 35, sudut 900 adalah 42, dan sudut 1350 adalah 34. Oleh karena itu, setiap nilai piksel dari matriks haralick akan dibagi dengan jumlah piksel masing-masing. sudut. Kesimpulan yang dapat diambil dalam penelitian ini berdasarkan hasil pengujian sistem klasifikasi ulos Batak Toba menggunakan Naïve Bayes Classifier sebagai berikut.
Penelitian ini menggunakan lima jenis kain Ulos yaitu Ulos Ragi Hidup, Ulos Pinuncaan, Ulos Sibolang, Ulos Sadum dan Ulos Tumtuman, dimana masing-masing jenis kain ulos terdapat 60 sampel untuk data latih dan 40 sampel untuk data uji. Algoritma yang digunakan pada proses pelatihan dan klasifikasi menggunakan Naive Bayes Classifier, dimana pada gambar sebelumnya telah dilakukan ekstraksi 6 elemen fitur dari proses ekstraksi fitur Haralick. Setelah dibandingkan dengan penelitian sebelumnya yaitu menggunakan metode Learning Vector Quantization diperoleh persentase yang dihasilkan sebesar 85,3% untuk dataset latih dan 64,0% untuk dataset uji, sedangkan dengan menggunakan metode Naive Bayes classifier dan Haralick diperoleh persentase untuk dataset latih adalah 76,38%, sedangkan persentase untuk dataset pelatihan adalah 76,38%, pengujian 91%.
Penelitian ini masih mempunyai banyak kekurangan, dari hasil penelitian ini terdapat beberapa hal yang perlu diperbaiki untuk memperbaiki dan mengembangkan sistem ini, sehingga diperlukan saran-saran yang nantinya dapat mengembangkan skripsi ini. Menambahkan jenis kain ulos sehingga sistem dapat bekerja untuk menyortir beberapa jenis kain ulos. Pemilihan fitur perolehan informasi pada klasifikasi citra makanan menggunakan ekstraksi fitur momen warna Haralick dan YUF.
Perbandingan metode klasifikasi Naive Bayes dan K-Nearest Neighbor dalam analisis data status pekerjaan di kabupaten Demak tahun 2012. Penerapan algoritma Naive Bayes classifier dan probabilistic neural network untuk mengklasifikasikan nasabah bank dalam pembayaran kredit.
HASIL DAN PEMBAHASAN
Hasil Penelitian
- Implementasi Sistem
- Spesifikasi Perangkat Keras dan perangkat Lunak
- Implementasi Data
- Implementasi Klasifikasi
- Pelatihan Sistem
- Confusion matrix berdasarkan Sudut 0 0 , 45 0 , 90 0 , dan 135 0
- Pengujian Sistem
Pembahasan
64 KESIMPULAN DAN SARAN
Kesimpulan
Saran
