PROJECT PENGENALAN POLAKLASIFIKASI BUAH JERUK ( NIPIS, MANIS , LEMON ) dengan menggunakanMETODE TEORI KEPUTUSAN BAYES ( TKB )

Mata KuliahPengenalan Pola kelas CDisusun oleh :1. Firda Ika Pratiwi (115060800111011)2. Yekti Narika Cahyaningtyas (115060801111037)3. Noviani Hasianna Panjaitan (115060807111086)

TEKNIK INFORMATIKAPROGRAM TEKNOLOGI INFORMASI DAN ILMU KOMPUTERUNIVERSITAS BRAWIJAYA2013BAB IPENDAHULUAN1.1. Latar Belakang MasalahSeiring dengan berjalannya waktu, teknologi saat ini semakin lama semakin canggih dan berkembang. Hal ini dapat dilihat dengan banyaknya aplikasi-aplikasi yang dibuat dengan teknologi saat ini yang sedang berkembang. Saat ini semakin banyak pula aplikasi-aplikasi yang didesain seperti perilaku manusia. Misalnya saja aplikasi yang bisa mengenali berbagai macam jenis barang yang hampir mirip ciri-ciri dan karakteristiknya. Contohnya seperti kamera yang bisa mendeteksi wajah ( face recognition ) saat pengguna ingin memotret.Pengolahan citra merupakan salah satu cabang dari ilmu informatika. Pengolahan citra digunakan untuk mengubah suatu citra/gambar menjadi citra yang lain dengan menggunakan teknik tertentu. Maka dari itu pengolahan citra akan mempunyai inout berupa citra dan outputnya juga berupa citra. Pengolahan citra juga berkaitan dengan pengenalan pola. Pengenalan pola ( Pattern Recognition ) adalah metode atau sistem yang digunakan untuk meletakkan pola-pola kedalam kategori. Pengenalan pola juga bisa menerjemahkan citra menjadi deskripsi atau suatu informasi yang dapat merepresentasikan citra.

1.2. Maksud dan TujuanMaksud dan tujuan dari aplikasi ini adalah untuk menghasilkan senuah aplikasi yang bisa mengklasifikasika buah jeruk agar dapat memudahkan pengguna ( user ) untuk mengetahui jenis buahnya.

1.3. Pembatasan MasalahPembatasan masalah yang digunakan untuk membuat aplikasi ini adalah sebagai berikut :1.3.1 Membatasi pembuatan aplikasi hanya menggunakan metode teori keputusan bayes.1.3.2 Pengklasifikasian buah jeruk hanya menggunakan buah jeruk nipis, jeruk lemon, dan jeruk manis.1.3.3 Pengklasifikasian buah jeruk hanya menggunakan fitur mean red, mean green, mean blue, dan diameter buah jeruk.

1.4. Perumusan MasalahBagaimana merancang aplikasi program klasifikasi buah jeruk menggunakan metode teori keputusan bayes untuk mengetahui termasuk jenis buah jeruk nipis, jeruk lemon, atau jeruk manis.

BAB IITINJAUAN PUSTAKA

1 2 2.1 Pengenalan PolaPengenalan pola merupakan bidang dalam pembelajaran mesin dan dapat diartikan sebagai "tindakan mengambil data mentah dan bertindak berdasarkan klasifikasi data". Dengan demikian, ia merupakan himpunan kaidah bagi pembelajaran diselia (supervised learning).Ada beberapa definisi lain tentang pengenalan pola, di antaranya: Penentuan suatu objek fisik atau kejadian ke dalam salah satu atau beberapa kategori. Ilmu pengetahuan yang menitikberatkan pada deskripsi dan klasifikasi (pengenalan) dari suatu pengukuran. Suatu pengenalan secara otomatis suatu bentuk, sifat, keadaan, kondisi, susunan tanpa keikutsertaan manusia secara aktif dalam proses pemutusan.

Berdasarkan beberapa definisi di atas, pengenalan pola bisa didefinisikan sebagai cabang kecerdasan yang menitik-beratkan pada metode pengklasifikasian objek ke dalam klas - klas tertentu untuk menyelesaikan masalah tertentu.

Salah satu aplikasinya adalah pengenalan suara, klasifikasi teks dokumen dalam kategori (contoh. surat-E spam/bukan-spam), pengenalan tulisan tangan, pengenalan kode pos secara otomatis pada sampul surat, atau sistem pengenalan wajah manusia. Aplikasi ini kebanyakan menggunakan analisis citra bagi pengenalan pola yang berkenaan dengan citra digital sebagai input ke dalam sistem pengenalan pola

1. 2. 2.1.1 Teknik Pengenalan Pola

Pengenalan pola biasanya merupakan langkah perantaraan bagi proses lebih lanjut. Langkah ini biasanya merupakan dapatan data (gambar, bunyi, teks, dll.) untuk dikelaskan, pre-pemrosesan untuk menghilangkan gangguan atau menormalkan gambar dalam satu cara (pemrosesan gambar (image processing), teks dll.), pengiraan ciri-ciri, pengkelasan dan akhirnya post-pemrosesan berdasarkan kelas pengenalan dan aras keyakinan.Pengenalan pola itu sendiri khususnya berkaitan dengan langkah pengkelasan. Dalam kasus tertentu, sebagaimana dalam jaringan syaraf (neural networks), pemilihan ciri-ciri dan pengambilan juga boleh dilaksanakan secara semi otomatis atau otomatis sepenuhnya.

2.2 Teori Keputusan BayesTeorema Bayes adalah pendekatan statistic dalam pengenalan pola (pattern recognition). Pendekatan ini didasarkan pada kuantifikasi tradeoff antara berbagai keputusan klasifikasi dengan menggunakan probabilitas dan ongkos yang ditimbulkan dalam keputusan tersebut.Metode Bayes ini merupakan metode yang baik di dalam mesin pembelajaran berdasarkan data training, dengan menggunakan probabilitas bersyarat sebagai dasarnya.Bayesian Classification di dasarkan pada Teorema Bayesian. Konsep dasar teori bayes itu pada dasarnya adalah peluang bersyarat P(H|X). Dimana dalam Bayesian H adalah posterior dan X adalah prior. Prior adalah pengetahuan kita tentang karakteristik suatu parameter (bisa di baca sebagai pengalaman di masa lalu atas suatu parameter atau juga bisa berdasarkan teori), sedangkan posterior adalah karakteristik yang akan kita duga pada kejadian yang akan datang.Teorema Bayesian berguna untuk melakukan kalkulasi probabilitas posterior, P(H|X), dari P(H), P(X) dan P(X|H). Teori Bayes adalah sebagai berikut:P(H|X)=P(X|H)P(H) P(X)

2.3 NETBEANS IDE 7.1Netbeans merupakan sebuah aplikasi Integrated Development Environment (IDE) yang berbasiskan Java dari Sun Microsystems yang berjalan di atas swing. Swing merupakan sebuah teknologi Java untuk pengembangan aplikasi desktop yang dapat berjalan pada berbagai macam platform seperti windows, linux, Mac OS X dan Solaris. Sebuah IDE merupakan lingkup pemrograman yang di integrasikan ke dalam suatu aplikasi perangkat lunak yang menyediakan Graphic User Interface (GUI), suatu kode editor atau text, suatu compiler dan suatu debugger.Netbeans IDE merupakan sebuah IDE open source yang ditulis sepenuhnya dengan bahasa pemrograman java menggunakan platform netbeans. NetBeans IDE mendukung pengembangan semua tipe aplikasi Java (J2SE, web, EJB, dan aplikasi mobile)

BAB IIIMETODOLOGI

3.1 AlatAlat yang digunakan dalam penelitian ini adalah satu unit komputer dengan spesifikasi :Prosesor: Intel(R) Core(TM) i3 CPU M370 2.40GHzRAM: 2.00 GBOS: Windows 7 Home Basic 32-bit

3.2 Metode PenelitianStudi ini menggunakan metode penelitian deskriptif analitik dengan penekanan analisis pada teori yang digunakan. Teori yang kami gunakan yaitu Teori Keputusan Bayes.

3.3 Metode AnalitisStudi ini menggunakan metode analitis data kualitatif atau data kontinyu. Dan data citra yang ada akan diekstraksi ke dalam 4 fitur yaitu Red, Green, Blue dan juga diameter.

3.4 Pengumpulan dataDataset didapat dari elearning ptiik ub (elearning.ptiik.ub.ac.id), dan data disediakan oleh dosen pengampu mata kuliah pengenalan pola.

BAB IVPEMBAHASAN

4.1 DataDalam program ini data berupa citra digital dengan ekstensi jpeg , data yang ada adalah gambar tiga jenis jeruk yang berbeda yaitu jeruk manis , jeruk lemon dan jeruk nipis , data training digolongkan kedalam tiga kelas sesuai jenis jeruk,dengan ukuran citra berbeda-beda . Untuk pemilihan fitur program ini menggunakan empat fitur yaitu tiga warna dasar merah , hijau , biru dan juga menggunakan diameter dari gambar yang ada .

4.2 InputData training yang berupa citra diberi nama sesuai kelas masing-masing kemudian program membaca input berupa citra dengan perulangan untuk input data berulang ulang serta percabangan untuk membedakan masuk kelas manakah data tersebut.Data testing berupa file citra yang akan uji oleh program untuk pengklasifikasian data tersebut sesuai dengan aturan yang digunakan.

4.3 Pra ProsesSebelum pengambilan data , citra diolah terlebih dahulu untuk mendapatkan data sesuai yang diinginkan beberapa pekerjaan yang dilakukan program dalam pengolahan citra ini bertujuan untuk mendapatkan data diameter dan mean dari masing-masing warna red ,green, dan blue.

4.3.1 Pengubahan Ukuran CitraCitra yang memiliki ukuran berbeda beda perlu di ubah ukurannya agar saat penghitungan diameter didapat nilai yang sesui dengan konten citra dan tidak berpengaruh pada ukuran citra

4.3.2 GrayscalingCitra yang sudah di ubah ukurannya akan diubah menjadi citra keabu-abu an untuk mempermudah mendapatkan citra yang hanya memiliki warna hitam dan putih atau bisa disebut juga dengan citra biner untuk mendapatkan diameter dari data yang diinputkan.

Gambar 4.1

Pada program ini citra keabu-abuan didapat dengan menggunakan fungsi Function_ColorToGray yang digunakan untuk merubah citra berwarna menjadi citra keabu-abuan.Program ini menggunakan rumus berdasarkan luminosity dari citra untuk mendapatkan citra keabu-abuan yang diinginakan.GrayImage=0.2989 * R_Channel + 0.5870 * G_Channel + 0.1140 * B_Channel.

4.3.3 Citra BinerSetelah mendapatkan citra grayscale program merubah citra menjadi dua warna saja yaitu hitam dan putih dengan cara merubah warna abu-abu menjadi hitam atau putih sesuai dengan tingkat keabu-abuan pixel pada citra.

Gambar 4.2

4.3.4 Citra max filterCitra yang sudah berubah menjadi citra biner di perbaiki lagi agar tidak ada warna yang meneyebar tidak pada tempatnya dengan cara merubah warna pixel yang berbeda pada area didalam citra.

Gambar 4.3

4.4 KlasifikasiCitra yang telah diambil datanya akan diproses untuk mendapatkan pola dari kumpulan citra yang telah di inputkan sebagai data training

4.4.1 Mean Fitur, Mean Global, & Zero MeanDari setiap fitur(mean merah, hijau, biru, diameter) di kelompokkan berdasarkan kelas. Dari setiap fitur tersebut, hitung meannya dan di kelompokkan pada matriks mean fitur. Mencari mean global dengan menghitung mean setiap fitur dan di kelompokkan pada matriks mean global. Untuk menemukan zero mean, gunakan mean setiap fitur yang di kurangi dengan mean global.

4.4.2 KovarianProgram ini mencari kovarian dengan rumus berikut

4.4.3 LikelihoodProgram menghitung probabilitas likelihood dengan menggunakan rumus :

4.4.4 Posterior Setelah mendapatkan prior dan likelihood posterior dapat dihitung dengan rumus :

4.4.5 Keputusan KlasifikasiDari penghitungan posterior tiap kelas maka data yang ditest tersebut dapat diklasifikasikan kedalam kelas dengan posterior paling besar.

LAMPIRANScreenshot Program :

BAB VKESIMPULAN5.1 KesimpulanKesimpulan yang dapat diambil dari project Pengenalan Pola ini adalah bahwa dalam pembuatan program aplikasi klasifikasi buah jeruk dengan menggunakan metode teori keputusan bayes ini di awali dengan membuat desain tampilan yang kemudian digabungkan dengan source codenya. Program aplikasi ini dirancang dengan maksud untuk mengetahui klasifikasi jenis buah jeruk, yaitu jeruk nipis, jeruk lemon, dan jeruk manis.