Analisis Gray Level Difference Method Dan Metode Naive Bayes Mengindentifikasi Penyakit Lidah Manusia

1

1. Latar Belakang

Lidah merupakan alat pengecap makanan. Jika lidah ini tidak berfungsi, dengan sendirinya akan berpengaruh terhadap rasa makanan ataupun selera makan. Tidak berfungsinya lidah sebagaimana mestinya disebabkan adanya kelainan atau penyakit. Contoh penyakit Bisul lidah dokter Herry Beng Koestanto (2012), mengatakan bahwa bintil-bintil kecil pada lidah yaitu lapisan papillae, membantu mengecap rasa. Peradangan rentan terjadi pada lapisan tersebut seperti sakit akibat trauma ringan, demam, atau gejala flu lainnya. Bila berlangsung dalam hitungan hari masih lumrah namun bila berminggu-minggu tidak ada tanda kesembuhan, segera periksa ke dokter. Bila didiamkan bisa menjadi gejala kanker mulut Penyakit pada lidah itu bermacam-macam, seperti glossodynia, glossopyrosis, fissured tongue, Geographic tongue dan beberapa penyakit lidah lainnya. Adapun beberapa karakteristik penyakit pada lidah, Fissured Tongue yaitu terlihat lidah tampak seperti retak-retak garis retakan kadang muncul hanya satu dan berada di tengah lidah, Geographic Tongue yaitu bercak pada lidah tampak seperti pulau dan bagian itu berwarna merah. Lidah dapat berfungsi sebagai komponen pendeteksi penyakit pada tubuh. Hal ini bisa dilihat dari warna lidah kita Namun, ada beberapa perubahan warna pada lidah yang dapat mengindikasikan adanya suatu gangguan tertentu. Lalu kemampuan manusia tersebut apabila diterapkan ke dalam suatu sistem yang berupa perangkat lunak maupun perangkat keras, akan sangat berguna untuk diaplikasikan dalam banyak hal. Pendeteksian ini bertujuan untuk Memperoleh keakuratan data penyakit. Contoh aplikasinya adalah automatisasi dalam menganalisa tekstur dan mengklasifikasikan objek di bidang medis, analisis citra satelit, pencarian data citra di dalam halaman web atau basis data dan peninjauan kualitas barang.

Dalam mengklasifikasi dan mendeteksi suatu objek tingkat keakurasian sangatlah penting karena untuk menghasilkan suatu sistem klasifikasi dan pendeteksi suatu objek dibutuhkan keakuratan yang baik. Sebelumnya dilakukan penelitian oleh Eko S. (2009),Analisa tekstur lazim dimanfaatkan sebagai proses

antara untuk melakukan klasifikasi dan interpretasi citra. Suatu proses klasifikasi citra berbasis analisis tekstur pada umumnya membutuhkan ekstraksi ciri, yang dapat terbagi dalam tiga macam metode yaitu : Statistikal, Geometri, Model-Based. Pada penelitian ini digunakan metode ekstraksi ciri statistikal, metode ekstraksi ciri yang digunakan adalah Gray Level Difference Method (GLDM). Terdapat beberapa jenis fitur yang dapat diekstraksi dari GLDM diantaranya adalah contrast, angular second moment (ASM), entropy, inverse difference moment (IDM) dan mean. Pada gray level difference method, suatu peristiwa dari perbedaan mutlak dihitung antara sepasang derajat keabuan yang terpisah oleh jarak tertentu dengan arah tertentu. (Nicky M. Z., 2009) Maka akan dihasilkan sebuah kemungkinan dari kumpulan variable distribusi. Untuk metode klasifikasi yang digunakan Pada penelitian ini adalah naïve bayes, algoritma naive 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. Proses yang pertama adalah learning (training) yaitu proses pembelajaran menggunakan training set. Sebelumnya telah dilakukan penelitian oleh Sri K., (2009), naive bayes dapat digunakan untuk proses klasifikasi data kontinu dan menghasilkan total kinerja pengujian sebesar 93%. Naive bayes adalah salah satu metode klasifikasi yang menggunakan konsep probabilistik. Naive bayes merupakan algoritma klasifikasi yang sangat efektif dan efisien.

Dari permasalahan dan solusi yang telah dijelaskan, penelitian skripsi ini akan mengklasifikasikan jenis penyakit lidah berdasarkan tekstur dengan menerapkan metode gray level difference method untuk proses ekstraksi citra dan metode naïve bayes untuk klasifikasi citra, diharapkan metode naïve bayes dapat mengklasifikasikan jenis penyakit lidah berdasarkan tekstur dan mengukur tingkat keakuratan klasifikasinya.

Berdasarkan latar belakang yang telah dijelaskan, maka penelitian ini merumuskan masalah yang akan dibahas yaitu bagaimana menerapkan metode GLDM untuk ekstraksi citra dan algoritma naïve bayes untuk klasifikasi citra. 1.3. Maksud Dan Tujuan

Maksud dari penelitian ini adalah mengimplementasikan algortima Naïve bayes untuk klasifikasi citra berdasarkan ekstraksi ciri tekstur dengan Gray level difference method.

Tujuan dari penelitian ini adalah :

1. Untuk mengetahui Gray level difference method bisa dikombinasikan dengan metode klasifikasi naïve bayes sehingga dapat citra digital berdasarkan tekstur untuk mengetahui apakah metode ini dapat digunakan untuk identifikasi penyakit lidah.

2. Untuk mengetahui tingkat keakuratan identifikasi penyakit lidah. 1.4. Batasan Masalah

Untuk menghindari meluasnya materi pembahasan tugas akhir ini, maka membatasi permasalahan dalam tugas akhir ini hanya mencakup hal berikut :

1. Citra yang diklasifikasi adalah citra nama penyakit geographic tongue, median Rhomboid glossitis, Fissured tongue, hairy tongue, plasma cell glossitis, glossodynia. Karena Penyakit lidah yang dapat di deteksi dibatasi hanya penyakit lidah yang dapat dilihat secara visual dari gejala-gejalanya, baik di-scan secara langsung pada penyakit lidah tersebut, maupun men-scan melalui file gambar dengan format gambar JPG

2. Objek yang digunakan untuk sistem stimulasi adalah citra digital RGB dari lidah manusia dengan format citra yang digunakan yaitu JPG.

3. Metode yang digunakan untuk ekstraksi ciri citra adalah Gray level difference method dan metode klasifikasi yang dilakukan menggunakan Algortima Naïve bayes.

4. Citra yang di masukan secara offline/citra sudah disiapkan sebelumnya. 1.5. Metodologi Penelitian

Metodologi penelitian yang digunakan dalam penulisan tugas akhir ini adalah penelitian deskriptif, penelitian deskriptif merupakan penelitian yang

berusaha mendeskripsikan dan menginterprestasikan kondisi atau hubungan yang ada. Penelitian deskriptif pada umumnya dilakukan dengan tujuan utama, yaitu menggambarkan secara sistematis fakta dan karakteristik objek yang diteliti secara tepat.

1.5.1 Metode Pengumpulan Data

Metode pengumpulan data yang digunakan dalam penelitian ini adalah sebagai berikut :

a. Studi Pustaka.

Pengumpulan data dengan cara mengumpulkan literature, jurnal, paper dan bacaan-bacaan yang berkaitan dengan tujuan penelitian, yaitu tentang objek penelitian seperti kulit dan penyakit kutlit. Serta tentang metode yang digunakan seperti metode GLDM dan metode Naïve bayes.

b. Pengamatan

Teknik pengumpulan data, dengan mengumpulkan foto-foto sample penyakit tersebut.

1.5.2 Metode Tahapan Pembangunan Perangkat Lunak

Metode pembangunan perangkat lunak yang digunakan untuk membangun sistem ini ialah dengan menggunakan metode agile dengan langkah-langkah atau tahapan sebagai berikut :

a. Planning

Perencanaan dari keputusan pengguna/pembuat yang telah ditetapkan prioritasnya. Tahap perencanaan disini dilakukan dengan pemodelan menggunakan metode pemrograman berorientasi objek.

b. Design

Tahap perancangan dari pembangunan sistem untuk identifikasi dan mengatur class-class di konsep Object Oriented. Jika temui kesulitan, prototype dibangun (spike solution) maka dilakukan refactoring, yaitu mengembangkan desain dari program setelah ditulis.

c. Coding

Setelah tahap perancangan sistem selanjutnya dilakukan konversi rancangan sistem kedalam kode-kode bahasa pemrograman yang digunakan

yaitu C#. Pada tahap ini dilakukan pembuatan komponen-komponen sistem yang meliputi modul program dan antarmuka.

d. Testing

Pengujian aplikasi dilakukan untuk memastikan bahwa aplikasi yang dibuat telah sesuai dengan desainnya dan semua fungsi dapat dipergunakan dengan baik tanpa ada kesalahan.

Gambar 1.1. Metode Agile, XP Process (Pressman, S.R., 2010)

1.6.Sistematika Penulisan

Sistematika penulisan ini adalah untuk memberikan gambaran umum tentang penelitian yang dijalankan. Sistematika penulisan ini dibagi menjadi beberapa bab, yaitu :

BAB I PENDAHULUAN

Bab ini menguraikan beberapa sub-bab antara lain menguraikan latar belakang, rumusan masalah, menentukan maksud dan tujuan, batasan masalah, metodologi penelitian, serta sistematika penulisan yang dimaksudkan agar dapat memberikan gambaran tentang urutan pemahaman dalam menyajikan laporan ini.

BAB II LANDASAN TEORI

Bab ini menguraikan tentang teori-teori pendekatan yang digunakan untuk menganalisis masalah dan teori yang dipakai dalam mengolah data penelitian yaitu teori mengenai Pengenalan Pola, teori mengenai Pengolahan Citra, teori mengenai metode Naïve Bayes, teori mengenai Analisis Tekstur, teori mengenai pemrograman Berorientasi object, teori mengenai bahasa C#, teori mengenai Visual studio.net dan teori mengenai Microsoft Visio.

BAB III ANALISIS DAN PERANCANGAN

Bab ini berisi tentang tahapan untuk menganalisis masalah, analisis proses, analisis kebutuhan sistem, dan analisis perhitungan metode Naïve Bayes dan GLDM pada klasifikasi citra, dan analisis untuk membangun program.

BAB 4 IMPLEMENTASI DAN PENGUJIAN

Bab ini berisi tentang pengujian akurasi, dan kecepatan metode Naïve Bayes dan Gray Level difference method pada klasifikasi citra dengan menggunakan program simulasi yang telah dibuat.

BAB 5 PENUTUP

6

BAB 2

TINJAUAN PUSTAKA

2.1 Lidah

Lidah adalah kumpulan otot rangka pada bagian lantai mulut yang dapat membantu pencernaan makanan dengan mengunyah dan menelan. Lidah dikenal sebagai indera pengecap yang banyak memiliki struktur tunas pengecap. Lidah juga turut membantu dalam tindakan bicara.Juga membantu membolak balik makanan dalam mulut. Sebuah organ otot di dasar mulut di sebagian besar vertebrata yang lebih tinggi yang membawa selera (lihat rasa) dan memanipulasi makanan. Ini dapat bertindak sebagai taktil atau organ dpt memegang di beberapa spesies. Dalam beberapa vertebrata canggih, lidah digunakan dalam artikulasi suara, terutama dalam bahasa manusia.

Lidah memiliki tiga fungsi utama. Pertama, ia membawa pada permukaannya selera yang mengirimkan informasi ke otak tentang sifat makanan yang dimakan. Tampaknya bahwa sensasi rasa bukan hanya untuk membuat makan menyenangkan, tetapi juga bertindak sebagai mekanisme perlindungan yang dirancang untuk menyebabkan penolakan berbahaya (berbahaya) makanan. Kedua, lidah memainkan bagian penting dalam proses pencernaan. Hal ini memungkinkan makanan untuk dipindahkan tentang mulut dan ditempatkan dalam posisi di mana ia dapat paling efektif tanah turun geraham. Ketika isi mulut siap untuk ditelan, lidah membentuk mereka menjadi bola, atau bolus, yang bergerak menuju faring pada awal menelan.

Akhirnya, lidah yang bersangkutan dalam sambutannya. Dengan asumsi posisi yang berbeda di mulut itu mengubah bentuk saluran udara melalui mana lulus suara yang dibuat oleh pita suara. Jika lidah ini tak berfungsi, dengan sendirinya akan berpengaruh terhadap rasa makanan ataupun selera makan kita. Tidak berfungsinya lidah sebagaimana mestinya disebabkan adanya kelainan atau penyakit. Penyakit pada lidah itu bermacam-macam, seperti plasma cell glossitis, glossopyrosis, fissured tongue, kanker lidah, geographic tongue, dan coated tongue dan beberapa penyakit lainnya, berikut beberapa contoh kasus penyakit lidah, (George Laskaris, D.D.S., M.D., 1994).

Fissured Tongue Furred Tongue

Plasma cell glossitis Geographic tongue

Median Rhomboid glossitis Hairy tongue 2.1 Gambar beberapa penyakit lidah

Fissured tongue atau lidah retak-retak merupakan penyakit pada lidah nan membuat lidah tampak seperti terbelah atau retak-retak. Garis retakan nan muncul jumlahnya kadang hanya satu dan berada di tengah lidah. Namun dapat juga bercabang-cabang. Kondisi ini tak terlalu membahayakan, tapi sewaktu-waktu bisa menimbulkan perih dan nyeri di lidah.

Geographic tongue merupakan peradangan pada lidah nan biasanya bersifat kronis dan terjadi jika ada gangguan pada saluran cerna. Penyakit pada lidah ini dinamakan geographic tounge sebab bercak pada lidah tampak seperti pulau-pulau. Bagian pulau itu berwarna merah dan lebih licin. Pada kondisi lebih nan lebih parah, daerah berbentuk pulau akan dikelilingi lapisan tebal berwarna putih. Penyakit pada lidah ini dapat terjadi dampak alergi.

Hairy tongue atau yang dikenal dengan Linguavillosa Nigra, Meskipun biasanya tanpa gejala, kadang-kadang pasien mungkin mengeluh menggelitik atau pembakaran lidah, mual, halitosis,dan mengangu penampilan, warna hitam adalah warna umum pada kondisi ini, namun, coklat, kuning dan hijau belang juga banyak terjadi. Hairy tongue disebabkan oleh cacat deskuamasi permukaan dorsal lidah, biasanya di sepertiga posterio lidah. Kecacatan deskuamasi ini mencegah pembersihan normal pada lidah sehingga menyebabkan pertumbuhan berlebihan dan penebalan papilla filiform yang kemudian mengumpulkan puing-puing, bakteri, jamur atau bahan asing lainnya yang berkontribusi terhadap perubahan warna. Keadaan ini harus dibedakan dengan pseudoblack hairy tongue yang merupakan diskolorasi lidah akibat permen, buah, obat-obatan, dan pigmentasi akibat dekomposisi dari darah tampa disertai perpanjangan papila folliform pada lidah.

Median Rhomboid Glossitis adalah kondisi dimana terdapat nodular merah yang halus pada garis tengah lidah. Ini adalah kelainan bawaan lahir. Penyakit ini sebagai salah satu jenis penyakit Papilla. papilia adalah tonjolan-tonjolan kecil pada lidah yang berkaitan sebagai perasa.

2.2 Kecerdasan Buatan

Kecerdasan buatan(Artificial inteligence) adalah salah satu cabang ilmu pengetahuan yang berhubungan dengan pemanfaatan mesin untuk memecahkan persoalan yang rumit dengan cara yang lebih manusiawi. Hal ini biasanya dilakukan dengan mengikuti/mencontoh karakteristik dan analogi berpikir dari kecerdasan manusia, dan menerapkannya sebagai algoritma yang dikenal oleh komputer.

Semakin pesatnya perkembangan teknologi menyebabkan adanya perkembangan dan perluasan lingkup yang membutuhkan kehadiran kecerdasan buatan. Karakteristik cerdas sudah mulai dibutuhkan di berbagai disiplin ilmu dan teknologi. Kecerdasan Buatan tidak hanya merambah di berbagai disiplin ilmu yang lain. Irisan antara psikologi dan kecerdasan buatan melahirkan sebuah area yang dikenal dengan nama cognition & psycolinguistics. Irisan antara teknik elektro dengan kecerdasan buatan melahirkan berbagai ilmu seperti pengolahan citra, teori kendali, pengenalan pola dan robotika.

Kecerdasan buatan digunakan untuk menganalisis pemandangan dalam citra dengan perhitungan simbol-simbol yang mewakili isi pemandangan tersebut setelah citra diolah untuk memperoleh ciri khas. Kecerdasan buatan bisa dilihat sebagai tiga kesatuan yang terpadu yaitu persepsi, pengertian dan aksi. Persepsi menerjemahkan sinyal dari dunia nyata dalam citra menjadi simbol-simbol yang lebih sederhana, pengertian memanipulasi simbol-simbol tadi untuk memudahkan penggalian suatu informasi tertentu, dan aksi menerjemahkan simbol-simbol yang telah dimanipulasi menjadi sinyal lain yang dapat merupakan hasil akhir atau hasil antara sesuai dengan keperluan (Ahmad U, 2005).

2.3Pola

Pola adalah suatu entitas yang terdefinisi dan dapat diidentifikasi serta diberi nama melalui ciri-cirinya (feature). Ciri-ciri tersebut digunakan untuk membedakan suatu pola dengan pola yang lainnya. Ciri yang baik adalah ciri yang memiliki daya pembeda yang tinggi, sehingga pengelompokan pola berdasarkan ciri yang dimiliki dapat dilakukan dengan keakuratan yang tinggi.

Pola adalah komposit/gabungan dari ciri yang merupakan sifat dari sebuah objek (Munir, 2002).

1. Huruf, memiliki ciri-ciri seperti tinggi, tebal, titik sudut, dan lengkungan garis. 2. Suara, memiliki ciri-ciri seperti amplitudo, frekuensi, nada, dan intonasi. 3. Tanda tangan, memiliki ciri-ciri seperti panjang, kerumitan, dan tekanan. 4. Sidik jari, memiliki ciri-ciri seperti lengkungan, dan jumlah garis.

Ciri pada suatu pola diperoleh dari hasil pengukuran terhadap objek uji. Khusus pada pola yang terdapat di dalam citra, ciri-ciri yang dapat diperoleh berasal dari informasi (Munir, 2002): 1. Spasial: intensitas pixel dan histogram.

2. Tepi: arah dan kekuatan.

3. Kontur: garis, elips dan lingkaran.

4. Wilayah/bentuk: keliling, luas dan pusat massa. 5. Hasil transformasi Fourier: frekuensi.

2.4Pengenalan Pola

Pengenalan Pola adalah mengelompokkan data numerik dan simbolik (termasuk citra) secara otomatis oleh mesin (dalam hal ini komputer). Pengenalan pola bertujuan menentukan kelompok atau kategori pola berdasarkan ciri-ciri yang dimiliki oleh pola tersebut. Dengan kata lain, pengenalan pola membedakan suatu objek dengan objek lain. Terdapat dua pendekatan yang dilakukan dalam pengenalan pola: pendekatan secara statistik dan pendekatan secara sintaktik atau struktural (Munir, 2002).

a. Pengenalan Pola secara Statistik

Pendekatan ini menggunakan teori-teori ilmu peluang dan statistik. Ciri-ciri yang dimiliki oleh suatu pola ditentukan distribusi statistiknya. Pola yang berbeda memiliki distribusi yang berbeda pula. Dengan menggunakan teori keputusan di dalam statistik, kita menggunakan distribusi ciri untuk mengklasifikasikan pola.

Sistem pengenalan pola dengan pendekatan statistik ditunjukan oleh diagram pada gambar 2.2.

Gambar 2.2 Sistem pengenalan pola dengan pendekatan statistik (Munir, 2002).

Ada dua fase dalam sistem pengenalan pola yaitu fase pelatihan dan fase pengenalan. Pada fase pelatihan, beberapa contoh citra dipelajari untuk menentukan ciri yang akan digunakan dalam proses pengenalan serta prosedur klasifikasinya. Pada fase pengenalan, citra diambil cirinya kemudian ditentukan kelas kelompoknya (Munir, 2002).

Pada penelitian ini termasuk sistem pengenalan pola dengan pendekatan statistik, karena ciri-ciri yang dimiliki oleh citra sidik jari memiliki pola yang ditentukan distribusi statistiknya. Apabila polanya berbeda maka memiliki distribusi yang berbeda pula. Distribusi ciri digunakan untuk mengklasifikasikan pola dengan memanfaatkan teori keputusan di dalam statistik.

Kumpulan ciri dari suatu pola dinyatakan sebagai vektor ciri dalam ruang bahumatra (multi dimensi). Jadi, setiap pola dinyatakan sebagai sebuah titik dalam ruang bahumatra. Ruang bahumatra dibagi menjadi sejumlah uparuang (sub-ruang). Tiap uparuang dibentuk berdasarkan pola-pola yang sudah dikenali kategori dan ciri-cirinya (melalui fase pelatihan) (Munir, 2002). Lihat Gambar (2.3).

3 kelas 2 kelas yang beririsan

ciri 1 ciri 2

b. Pengenalan Pola secara Sintaktik

Pendekatan ini menggunakan teori bahasa formal. Ciri-ciri yang terdapat pada suatu pola ditentukan primitif dan hubungan struktural antara primitif kemudian menyusun tata bahasanya. Dari aturan produksi pada tata bahasa tersebut kita dapat menentukan kelompok pola. Gambar 2.4 memperlihatkan sistem pengenalan pola dengan pendekatan sintaktik. Pengenalan pola secara sintaktik lebih dekat ke strategi pengenalan pola yang dilakukan manusia, namun secara praktek penerapannya relatif sulit dibandingkan pengenalan pola secara statistik (Munir, 2002). Sistem pengenalan pola dengan pendekatan sintaktik ditunjukan oleh diagram pada gambar 2.4.

Gambar 2.4 Sistem pengenalan pola dengan pendekatan sintaktik (Munir, 2002).

Pendekatan yang digunakan dalam membentuk tata bahasa untuk mengenali pola adalah mengikuti kontur (tepi batas) objek dengan sejumlah segmen garis terhubung satu sama lain, lalu mengkodekan setiap garis tersebut (misalnya dengan kode rantai). Setiap segmen garis merepresentasikan primitif pembentuk objek (Munir, 2002).

2.5 Pengolahan Citra

Pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan komputer, menjadi citra yang kualitasnya lebih baik. Umumnya, operasi-operasi pada pengolahan citra diterapkan pada citra bila :

1. Perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan kualitas penampakan atau untuk menonjolkan beberapa aspek informasi yang terkandung di dalam citra,

2. Elemen di dalam citra perlu dikelompokkan, dicocokkan, atau diukur, 3. Sebagian citra perlu digabung dengan bagian citra yang lain.

Pengolahan Citra bertujuan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin (dalam hal ini komputer). Teknik-teknik pengolahan citra mentransformasikan citra menjadi citra lain. Jadi, masukannya adalah citra dan keluarannya juga citra, namun citra keluaran mempunyai kualitas lebih baik dari pada citra masukan (Munir, 2002).

2.6 Operasi-operasi Pengolahan Citra

Operasi-operasi yang dilakukan di dalam pengolahan citra banyak ragamnya. Namun, secara umum, operasi pengolahan citra dapat diklasifikasikan dalam beberapa jenis sebagai berikut (Munir, 2002):

1. Perbaikan kualitas citra (image enhancement).

Jenis operasi ini bertujuan untuk memperbaiki kualitas citra dengan cara memanipulasi parameter-parameter citra. Dengan operasi ini, ciri-ciri khusus yang terdapat di dalam citra lebih ditonjolkan. Contoh-contoh operasi perbaikan citra:

a. Perbaikan kontras gelap/terang

b. Perbaikan tepian objek (edge enhancement) c. Penajaman (sharpening)

d. Pemberian warna semu (pseudocoloring) e. Penapisan derau (noise filtering)

2. Pemugaran citra (image restoration).

Operasi ini bertujuan menghilangkan/meminimumkan cacat pada citra. Tujuan pemugaran citra hampir sama dengan operasi perbaikan citra. Bedanya, pada pemugaran citra penyebab degradasi gambar diketahui. Contoh-contoh operasi pemugaran citra:

a. Penghilangan kesamaran (deblurring). b. Penghilangan derau (noise)

3. Pemampatan citra (image compression).

Jenis operasi ini dilakukan agar citra dapat direpresentasikan dalam bentuk yang lebih kompak sehingga memerlukan memori yang lebih sedikit. Hal penting yang harus diperhatikan dalam

pemampatan adalah citra yang telah dimampatkan harus tetap mempunyai kualitas gambar yang bagus.

4. Segmentasi citra (image segmentation).

Jenis operasi ini bertujuan untuk memecah suatu citra ke dalam beberapa segmen dengan suatu kriteria tertentu. Jenis operasi ini berkaitan erat dengan pengenalan pola.

5. Pengorakan citra (image analysis)

Jenis operasi ini bertujuan menghitung besaran kuantitif dari citra untuk menghasilkan deskripsinya. Teknik pengorakan citra mengekstraksi ciri-ciri tertentu yang membantu dalam identifikasi objek. Proses segmentasi kadangkala diperlukan untuk melokalisasi objek yang diinginkan dari sekelilingnya. Contoh-contoh operasi pengorakan citra:

a. Pendeteksian tepi objek (edge detection) b. Ekstraksi batas (boundary)

c. Representasi daerah (region)

6. Rekonstruksi citra (image reconstruction)

Jenis operasi ini bertujuan untuk membentuk ulang objek dari beberapa citra hasil proyeksi. Operasi rekonstruksi citra banyak digunakan dalam bidang medis. Misalnya beberapa foto rontgen dengan sinar X digunakan untuk membentuk ulang gambar organ tubuh.

7. Perubahan Model Warna

Warna adalah persepsi yang dirasakan oleh sistem visual manusia terhadap panjang gelombang cahaya yang dipantulkan oleh objek (Ahmad U. , 2005). Setiap warna mempunyai panjang gelombang yang berbeda. Warna merah mempunyai panjang gelombang paling tinggi, sedangkan warna ungu mempunyai panjang gelombang paling rendah. Warna-warna yang diterima oleh mata merupakan hasil kombinasi cahaya dengan panjang gelombang berbeda. Penelitian memperlihatkan bahwa kombinasi warna yang memberikan rentang warna yang paling lebar adalah red (R), green (G), blue (B).

Dalam pembentukan citra digital model warna yang umum digunakan antara lain sebagai berikut :

a. Citra RGB

Citra RGB yang biasa disebut juga citra true color, disimpan dalam citra berukuran (m x n) x 3 yang mendefinisikan warna merah (red), hijau (green) dan biru (blue) untuk setiap pikselnya. Warna pada setiap piksel ditentukan berdasarkan kombinasi dari warna red,

green dan blue (RGB). RGB merupakan citra 24 bit dengan komponen merah, hijau, dan biru yang masing-masing umumnya bernilai 8 bit sehingga intensitas kecerahan warna sampai 256 level dan kombinasi warnanya kurang dari sekitar 16 juta warna.

b. Citra Keabuan

Citra dengan derajat keabuan berbeda dengan citra RGB, citra ini didefinisikan oleh satu nilai derajat warna. Umumnya bernilai 8 bit sehingga intensitas kecerahan warna sampai 256 level dan kombinasi warnanya 256 varian. Tingkat kecerahan paling rendah yaitu 0 untuk warna hitam dan putih bernilai 255. Untuk mengkonversikan citra yang memiliki warna RGB ke derajat keabuan bisa menggunakan persamaan :

X = 0.21 ∙ � + 0.72 ∙ _� + 0.07 ∙ (2.1) Dimana : R = nilai red * 15 / 255

G = nilai green * 15 / 255 B = nilai blue * 15 / 255 2.7 Tekstur

Secara umum tekstur mengacu pada repetisi elemen-elemen tekstur dasar yang sering disebut primitif atau texel (texture element). Suatu texel terdiri dari beberapa pixel dengan aturan posisi bersifat periodik, kuasiperiodik, atau acak. Pengertian dari tekstur dalam hal ini adalah keteraturan pola-pola tertentu yang terbentuk dari susunan piksel-piksel dalam citra digital (Ahmad U, 2005).

Untuk membentuk suatu tekstur setidaknya ada dua persyaratan yang harus dipenuhi antara lain :

1. Terdiri dari satu atau lebih piksel yang membentuk pola-pola primitif (bagian-bagian terkecil). Bentuk-bentuk pola primitif ini dapat berupa titik, garis lurus, garis lengkung, luasan dan lain-lain yang merupakan elemen dasar dari sebuah bentuk.

2. Munculnya pola-pola primitif yang berulang-ulang dengan interval jarak dan arah tertentu sehingga dapat diprediksi atau ditemukan karakteristik perulangannya, untuk contoh dari beberapa citra tekstur dapat dilihat dari gambar 2.5 berikut.

Suatu citra memberikan interpretasi tekstur yang berbeda apabila dilihat dengan jarak dan sudut yang berbeda, manusia memandang tekstur berdasarkan deskripsi yang bersifat acak, seperti halus, kasar, teratur, tidak teratur, dan lain sebgainya. Hal ini merupakan deskripsi yang tidak tepat dan non-kuantitatif, sehingga diperlukan adanya suatu deskripsi yang kuantitatif (matematis) untuk memudahkan analisis (Ahmad U, 2005).

2.7.1 Analisis Tekstur

Analisis tekstur merupakan dasar dari berbagai macam aplikasi, aplikasi dari analisis tekstur antara lain adalah penginderaan jarak jauh, pencitraan medis, identifikasi kualitas suatu bahan (kayu, kulit, tekstil dan lain-lain). Pada analisis citra, dikategorikan menjadi lima kategori utama yaitu statistis, struktural, geometri, model dasar dan pengolahan sinyal. Pendekatan statistis mempertimbangakan bahwa internsitas dibangkitkan oleh medan acak dua dimensi, metode ini berdasar pada frekuensi-frekuensi ruang. Contoh metode statistis adalah fungsi autokorelasi, run-length, matriks kookurensi, tranformasi fourier, frekuensi tepi. Teknik struktural berkaitan dengan penyusupan bagian-bagian terkecil suatu citra. contoh metode struktural adalah model fraktal. Metode geometri berdasar atas perangkat geometri yang ada pada elemen tekstur. Contoh model dasar adalah medan acak. Sedangkan metode pengolahan sinyal adalah metode yang berdasarkan analisis frekuensi seperti transformasi gabor dan transformasi wavelet (Ahmad U, 2005).

2.8Gray Level Difference Method

Pada gray level difference method atau biasa disingkat dengan GLDM, peristiwa dari perbedaan mutlak dihitung antara sepasang derajat keabuan yang terpisah oleh jarak tertentu dengan arah tertentu. Maka akan dihasilkan sebuah kemungkinan dari kumpulan variable distribusi

Jika terdapat derajat keabuan m, ”probability density function” adalah vektor berdimensi m yang mana komponen ke 1 adalah probabilitas bahwa (i, j) akan memiliki nilai i. analisa tekstur dengan menggunakan GLDM (grey level difference method). Data- data yang diambil meliputi semua features yang telah ditentukan. Fitur-fitur dalam menentukan data adalah Contrast, Angular Second Moment (ASM), Entropy, Inverse Difference Moment (IDM) dan Mean (Nicky M. Z., 2009).

Menunjukkan ukuran penyebaran (momen inersia) elemen-elemen matriks citra. Jika letaknya jauh dari diagonal utama, nilai kekontrasan besar. Secara visual, nilai kekontrasan adalah ukuran variasi antar derajat keabuan suatu daerah citra. Hasil perhitungan kontras berkaitan dengan jumlah keberagaman intensitas keabuan dalam citra.

Rumus



    1 0 , 2 ) ).( , ( n j i j i j Pi Kontras (2.2) 2. ASM

ASM yang menunjukkan kesamaan citra berderajat keabuan sejenis. Citra akan memiliki harga kesamaan yang besar.

Rumus ASM =







1

0 ,

2 _]

j) -(i + [1 / j) P(i, n j i (2.3) 3. Entropi (Entropy)

Entropi dapat menunjukkan ketidakteraturan ukuran bentuk, jika nilai Entropinya besar untuk citra dengan transisi derajat keabuan merata dan bernilai kecil jika struktur citra tidak teratur (bervariasi).

Rumus



    1 0 , )) , ( log( ) , ( n j i j i P j i P

Entropi (2.4)

4. IDM

Idm menyatakan ukuran konsentrasi pasangan dengan intensitas keabuan tertentu pada matriks, dimana (i, j) menyatakan nilai pada baris i dan kolom j pada matriks kookurensi.

Rumus IDM = (2.5)

5. Mean

Mean menyatakan ukuran ketidaksamaan linear derajat keabuan citra sehingga dapat memberikan petunjuk adanya struktur linear dalam citra.

Gambar 2.6 Proses Gldm Tahap Konversi

Tahap Konversi Citra

Tahap konversi citra dimulai dengan memilih citra parket yang akan dianalisa teksturnya. Citra masukan akan diubah menjadi citra abu-abu kemudian akan dilakukan pencarian histogram dari hasil konversi citra masukan tersebut.

Gambar 2.7 Proses gldm tahap analisa

Tahap Analisa GLDM

Tahap analisa GLDM pada bagian atribut terdapat nomor 1 sampai 5. Atribut tersebut adalah Contrast, Angular Second Moment (ASM), Entropy, Inverse Difference Moment (IDM), dan Mean. Perbedaan histogram dapat dilihat dari hasil konversi citra abu-abu menjadi histogram yang dihasilkan berdasarkan pengelompokan deskripsi jenis kayu jati parket yang digunakan.

Dalam atribut contrast jika letaknya jauh dari diagonal utama, nilai kekontrasan besar.

Secara visual, nilai kekontrasan adalah ukuran variasi antar derajat keabuan suatu daerah citra. Angular second moment (ASM) menunjukkan ukuran sifat homogenitas citra.

Entropy, harga ENT besar untuk citra dengan transisi derajat keabuan merata dan bernilai kecil jika struktur citra tidak teratur (bervariasi). Inverse difference moment (IDM), citra homogen akan memiliki harga IDM yang besar. Sedangkan Mean menunjukkan ukuran dispersi dari suatu citra.

2.9 Klasifikasi Naïve Bayes

Naïve bayes adalah teknik prediksi berbasis probabilistik sederhana yang berdasar pada penerapan teorema Bayes (Prasetyo E, 2012).

1. Asumsi independensi (ketidaktergantungan) yang kuat (naif). 2. Model yang digunakan adalah “model fitur independen”.

Independensi yang kuat pada fitur adalah bahwa sebuah fitur pada sebuah data tidak ada kaitannya dengan adanya atau tidak adanya fitur yang lain dalam data yang sama. Contoh: kasus klasifikasi hewan dengan fitur: penutup kulit, melahirkan, berat, dan menyusui

1. Dalam dunia nyata, hewan yang berkembang biak dengan cara melahirkan dipastikan hewan tersebut menyusui juga, disini ada ketergantungan pada fitur menyusui karena hewan yang menyusui biasanya melahirkan, atau hewan yang bertelur biasanya tidak menyusui.

2. Dalam Bayes, hal tersebut tidak dipandang, sehingga masing-masing fitur seolah tidak ada hubungan apa-apa.

Kasus lain: prediksi hujan

1. Hujan tergantung angin, cuaca kemarin, kelembaban udara (tidak ada kaitan satu sama lain). 2. Tapi juga tidak boleh memasukkan fitur lain yang tidak ada hubungannya dengan hujan,

seperti: gempa bumi, kebakaran, dsb.

Naïve bayes adalah suatu metode pengklasifikasian paling sederhana dengan menggunakan peluang yang ada, dimana diasumsikan bahwa setiap variable X bersifat bebas (independence). Karena asumsi variabel tidak saling terikat, maka didapatkan :

(2.7)

Data yang digunakan dapat bersifat kategorial (diskrit) maupun continue. Namun, pada tugas akhir ini akan digunakan data continue, karena hasil ekstraksi ciri citra merupakan data continue berupa angka angka hasil pengukuran tingkat adalah Contrast, Angular Second Moment (ASM), Entropy, Inverse Difference Moment (IDM) dan Mean pada ekstraksi ciri. Maka dari itu untuk data continue dapat diselesaikan dengan menggunakan langkah-langkah berikut.

Training :

1. Hitung rata-rata (mean) tiap fitur dalam dataset training dengan.









q_

i

P

X

i

Y

y

y

Y

X

� = ∑ �� _(2.8)

Dimana: � = mean

= banyaknya data ∑ _� = jumlah nilai data

2. Kemudian hitung nilai varian dari diat dataset training tersebut seperti pada.

� = − ∑ �

�=

− µ _.9

Dimana: � = varians µ= mean

� = nilai data

= banyaknya data Testing :

1. Hitung probabilitas (Prior) tiap kelas yang ada dengan cara menghitung jumlah data tiap kelas dibagi jumlah total data secara keseluruhan.

2. Selanjutnya menghitung densitas probabilitasnya. Fungsi densitas mengekspresikan probabilitas relatif. Data dengan mean μ dan standar deviasi σ, fungsi densitas probabilitasnya adalah :

��� =

√ ��

− �−�_�22 _.

Dimana :

= data masukan π = 3,14

� = standar deviasi µ = mean

3. Setelah didapatkan nilai densitas probabilitasnya, selanjutnya menghitung posterior masing-masing kelas dengan menggunakan persamaan 2.11.

Atau bisa ditulis

� =� �� � �(� … … … � | �)

�(� … … … � _{| �)} (2.12)

4. Setelah didapat nilai posterior, kelas yang sesuai adalah nilai posterior terbesar. 2.10 OOP (Object Oriented Progamming)

Metodologi berorientasi objek adalah suatu strategi pembangunan perangkat lunak yang mengorganisasikan perangkat lunak sebagai kumpulan objek yang berisi data dan operasi yang diberlakukan terhadapnya. Metodologi berorientasi objek merupakan suatu cara bagaimana sistem perangkat lunak dibangun melalui pendekatan objek secara sistematis. Metode berorientasi objek didasarkan pada penerapann prinsip-prinsip pengelolaan kompleksitas. Metode berorientasi objek meliputi rangkaian aktifitas analisis beorientasi objek, perancangan berorientasi objek, pemrograman berorientasi objek, dan pengujian berorientasi objek (Nugroho A, 2005).

Pada saat ini, metode berorientais objek banyak dipilih karena metodologi lama banyak menimbulkan masalah seperti adanya kesulitan pada saat mentranformasi hasil dari satu tahap pengembangan ke tahap berikutnya, misalnya pada metode pendekatan terstruktur, jenis aplikasi yang dikembangkan saat ini berbeda dengan masa lalu. Aplikasi yang dikembangkan saat ini sangat beragam (aplikasi bisnis, real-time, utility dan sebagainya) dengan platform yang berbeda-beda, sehingga menimbulkan tuntutan kebutuhan metodologi pengembangan yang dapat mengakomodasi ke semua jenis aplikasi.

Keuntungan menggunakan metodologi berorientasi objek adalah sebagai berikut : a. Meningkatkan Produktivitas

Karena kelas dan objek yang ditemukan dalam suatu masalah masih dapat dipakai ulang untuk masalah lainnya yang melibatkan objek tersebut (reuseable).

b. Kecepatan Pengembangan

Karena sistem yang dibangun dengan baik dan benar pada saat analisis dan perancangan akan mennyababkan berkurangnya kesalahan pada saat pengkodean

c. Kemudahan Pemeliharaan

Karena dengan model objek, pola-pola yang cendrung tetap dan stabil dapat dipisahkan dan pola-pola yang mungkin sering diubah-ubah.

Karena sifat pewarisan dan penggunaan notasi yang sama pada saat analisis, perancangan maupun pengkodean.

e. Meningkatkan Kualitas Perangkat Lunak

Karena adanya pendekatan pengembangan lebih dekat dengan dunia nyata dan adanya konsistensi pada saat pengambangannya, perangkat lunak yang dihasilkan akan mampu memenuhi kebutuhan pemakai serta mempunyai sedikit kesalahan.

Berikut beberapa contoh bahasa pemograman yang mendukung pemrograman berorientasi objek adalah :

a. Smalltalk

Smalltalk adalah salah satu bahasa pemograman yang diekmbangkan untuk mendukung pemrograman beroirentasi objek.

b. Bahasa Pemrograman Eiffel

Eiffel merupakan bahsa pemrograman yang kembangkan untuk mendukung pemrograman berorientasi objek oleh Bertrand Meyer dan compiler.

c. Bahasa Pemrograman (Web) PHP

Php dibuat pertama kali oleh seorang perekayasa perangkat (software engineering) yang bernama Rasmus Lerdoff.

d. Bahasa Pemrograman C++

C++ merupakan pengembangan lebih lanjut dari bahasa pemrograman C untuk mendukung pemrograman berorientasi objek.

e. Bahasa Pemrograman Java

Java dikembangkan oleh perusahaan Sun Microsystem. Java menurut definisi dari Sun Microsystem adalah nama untuk sekumpulan teknologi untuk membuat dan menjalankan perangkat lunak pada komputer standalone ataupun pada lingkungan jaringan.

2.10.1 Konsep Dasar Berorientasi Objek

Berikut adalah konsep dasar pemrograman berorientasi objek : a. Objek (Object)

Objek adalah abtraksi dan sesuatu yang mewakili dunia nyata seperti benda, satuan organisasi, tempat, kejadian, struktur, status, atau hal-hal lain yang bersifat abstrak. Objek merupakan

suatu entitas yang mampu menyimpan informasi dan mempunyai operasi yang dapat diterapkan atau dapat berpengaruh pada status objeknya.

b. Kelas (Class)

Kelas adalah kumpulan objek-objek dengan karakteristik yang sama. Kelas merupakan definisi statik dan himpunan objek yang sama yang mungkin lahir atau diciptakan dalam kelas tersebut. c. Pembungkusan (Encapsulation)

Pembungkusan atribut data dan layanan yang mempunyai objek untuk menyembunyikan implementasi dan objek sehingga objek lain tidak mengetahui cara kerjanya.

d. Pewarisan (Inheritance) dan Generalisasi/Spesialisasi

Mekanisme yang memungkinkan satu objek mewarisi sebagian atau seluruh definisi dan objek lain sebagai bagian dirinya.

e. Metode

Operasi atau metode pada sebuah kelas hampir sama dengan fungsi atau prosedur pada metodologi struktural.

f. Polimorfisme

Kemampuan suatu objek untuk digunakan dibanyak tujuan yang berbeda dengan nama yang sama sehingga menghemat baris program.

2.11 UML (Unified Modelling Language)

Unified Modelling Language (UML) adalah sekumpulan spesifikasi yang dikeluarkan oleh OMG. UML terbaru adalah UML 2.3 yang terdiri dari 4 macam spesifikasi, yaitu : Diagram Interchange Spesification, UML Infrastrukture, UML Superstrukture, dan Object Constraint Language (OCL). Pada UML 2.3 terdiri 13 macam diagram yang dikelompokan pada 3 kategori, yaitu (Sutopo A. H. & Masya F., 2005):

A. Struktur Diagram, yaitu kumpulan diagram yang digunakan untuk menggambarkan suatu struktur statis dari sistem yang dimodelkan. Pada Struktur Diagram dibagi menjadi 6 bagian (Sutopo A. H. & Masya F., 2005) :

1. Diagram Kelas

Diagram kelas menggambarkan struktur sistem dari segi pendefinisian kelas-kelas yang akan dibuat untuk membangun sistem. Kelas memiliki apa yang disebut attribut dan metode atau operasi.

2. Diagram Objek

Digram objek menggambarkan struktur sistem dari segi penamaan objek dan jalannya objek dalam sistem.

3. Diagram Komponen

Diagram komponen dibuat untuk menunjukan organisasi dan ketergantungan diantara kumpulan komponen dalam sebuah sistem.

4. Composite Structure Diagram

Composite Structure Diagram baru mulai ada pada UML versi 2.0. diagram ini dapat digunakan untuk menggambarkan struktur dari bagian-bagian yang saling terhubung maupun mendeskripsikan struktur pada saat berjalan (runtime) .

5. Package Diagram

Package diagram menyediakan cara mengumpulkan elemen-elemen yang saling terkait dalam diagram UML. Hampir semua diagram dalam UML dapat dikelompokan menggunakan Package Diagram.

6. Deployment Diagram

Deployment diagram menunjukan konfigurasi komponen dalam proses eksekusi aplikasi.

B. Behavior Diagram, yaitu kumpulan diagram yang digunakan untuk menggambarkan kelakuan sistem atau rangkaian perubahan yang terjadi pada sebuah sistem. Pada Behavior Diagram dibagi menjadi 3 bagian :

1. Use Case Diagram

Use case diagram merupakan pemodelan untuk kelakuan (behavior) sistem informasi yang akan dibuat,. Use case mendeskripsikan sebuah interaksi antara satu atau lebih aktor dengan sistem informasi yang akan dibuat.

2. Activity Diagram

Activity diagram menggambarkan workflow atau aktivitas dari sebuah sistem atau proses bisnis atau menu yang ada pada perangkat lunak.

State machine diagram digunakan untuk menggambarkan perubahan status atau transisi status dari sebuah mesin atau sistem atau objek.

C. Interactions Diagram, yaitu kumpulan diagram yang digunakan untuk menggambarkan interaksi antar subsistem pada suatu sistem. Pada Interactions Diagram dibagi menjadi 4 bagian : 1. Sequence Diagram

Sequence diagram menggambarkan kelakuan objek pada use case dengan mendeskripsikan waktu hidup objek dan message yang dikirimkan dan diterima antar objek.

2. Communication Diagram

Communication diagram menggambarkan interaksi antar bojek/bagian dalam bentuk urutan pengiriman pesan. Diagram komunikasi merepresentasikan informasi yang diperoleh dari diagram kelas, diagram sequence, dan diagram use case untuk mendeskripsikan gabungan antara struktur statis dan tingkah laku dinamis dari suatu sistem.

3. Timing Diagram

Timing diagram merupakan diagram yang fokus pada penggambaran terkait batas waktu. 4. Interaction Overview Diagram

Interaction overview diagram mirip dengan diagram aktivitas yang berfungsi untuk menggarbarkan sekumpulan urutan aktivitas, diagram ini adalah bentuk aktivias diagram yang setiap titik merepresentasikan diagram interaksi.

2.12 Database

Istilah "basis data" berawal dari ilmu komputer. Meskipun kemudian artinya semakin luas, memasukkan hal-hal di luar bidang elektronika, artikel ini mengenai basis data komputer. Catatan yang mirip dengan basis data sebenarnya sudah ada sebelum revolusi industri yaitu dalam bentuk buku besar, kuitansi dan kumpulan data yang berhubungan dengan bisnis.

Konsep dasar dari basis data adalah kumpulan dari catatan-catatan, atau potongan dari pengetahuan. Sebuah basis data memiliki penjelasan terstruktur dari jenis fakta yang tersimpan di dalamnya: penjelasan ini disebut skema. Skema menggambarkan obyek yang diwakili suatu basis data, dan hubungan di antara obyek tersebut. Ada banyak cara untuk mengorganisasi skema, atau memodelkan struktur basis data: ini dikenal sebagai model basis data atau model data. Model yang umum digunakan sekarang adalah model relasional, yang menurut istilah layman mewakili semua

informasi dalam bentuk tabel-tabel yang saling berhubungan dimana setiap tabel terdiri dari baris dan kolom (definisi yang sebenarnya menggunakan terminologi matematika). Dalam model ini, hubungan antar tabel diwakili denga menggunakan nilai yang sama antar tabel. Model yang lain seperti model hierarkis dan model jaringan menggunakan cara yang lebih eksplisit untuk mewakili hubungan antar tabel. Istilah basis data mengacu pada koleksi dari data-data yang saling berhubungan, dan perangkat lunaknya seharusnya mengacu sebagai sistem manajemen basis data (database management system/DBMS). Jika konteksnya sudah jelas, banyak administrator dan programer menggunakan istilah basis data untuk kedua arti tersebut (Achmad S, 2010).

2.12.1 MySQL

MySQL adalah sebuah perangkat lunak sistem manajemen basis data SQL atau DBMS (Database Management System) yang multithread, multi-user, dengan sekitar 6 juta instalasi di seluruh dunia. MySQL AB membuat MySQL tersedia sebagai perangkat lunak gratis di bawah lisensi GNU General Public License (GPL), tetapi mereka juga menjual dibawah lisensi komersial untuk kasus-kasus dimana penggunaannya tidak cocok dengan penggunaan GPL.

Tidak seperti PHP atau Apache yang merupakan software yang dikembangkan oleh komunitas umum, dan hak cipta untuk kode sumber dimiliki oleh penulisnya masing-masing, MySQL dimiliki dan disponsori oleh sebuah perusahaan komersial Swedia yaitu MySQL AB. MySQL AB memegang penuh hak cipta hampir atas semua kode sumbernya. Kedua orang Swedia dan satu orang Finlandia yang mendirikan MySQL AB adalah: David Axmark, Allan Larsson, dan Michael "Monty" Widenius (Achmad S, 2010).

Fitur-fitur MySQL antara lain :

1. Relational Database System. Seperti halnya software database lain yang ada di pasaran, MySQL termasuk RDBMS.

2. Arsitektur Client-Server. MySQL memiliki arsitektur client-server dimana server database MySQL terinstal di server. Client MySQL dapat berada di komputer yang sama dengan server, dan dapat juga di komputer lain yang berkomunikasi dengan server melalui jaringan bahkan internet.

3. Mengenal perintah SQL standar. SQL (Structured Query Language) merupakan suatu bahasa standar yang berlaku di hampir semua software database. MySQL mendukung SQL versi SQL:2003.

4. Mendukung Sub Select. Mulai versi 4.1 MySQL telah mendukung select dalam select (sub select).

5. Mendukung Views. MySQL mendukung views sejak versi 5.0

6. Mendukung Stored Prosedured (SP). MySQL mendukung SP sejak versi 5.0

7. Mendukung Triggers. MySQL mendukung trigger pada versi 5.0 namun masih terbatas. Pengembang MySQL berjanji akan meningkatkan kemampuan trigger pada versi 5.1. 8. Mendukung replication.

9. Mendukung transaksi. 10.Mendukung foreign key. 11.Tersedia fungsi GIS. 12.Gratis (bebas didownload) 13.Stabil dan tangguh

14.Fleksibel dengan berbagai pemrograman

15.Security yang baik, dukungan dari banyak komunitas 16.Perkembangan software yang cukup cepat.

2.13 Bahasa Pemograman C#

C# (tanda ‘#’ dibaca “Sharp”) merupakan bahasa pemograman baru yang diciptakan Microsoft secara khusus sebagai salah satu bahasa pemrograman dalam teknologi .Net sebagai bahasa baru, C# tidak berevolusi dari bahasa C# versi bukan teknologi .Net. dengan demikian C# dapat memaksimalkan kemampuannya tanpa khawatir dengan masalah kompatibilitas dengan versi-versi sebelumnya. Keharusan sebuah perangkat lunak untuk tetap dapat kompatibel dengan versi-versi sebelumnya sebagaimana yang terjadi pada Visual Basic (VB) maupun C++biasanya menghambat optimalitas kemampuan dari perangkat lunak tersebut (Hartanto, B., 2008).

Sejak diluncurkan pada tahun 2000, C# dengan cepat merebut hati progammer C++ bahkan VB. Dengan tata cara penulisan yang mirip C++ dan interface mirip VB 6.0 menurut wikipedia, sebuah ensiklopedia gratis di internet pengguna C# .Net pada saat ini sudah melebihi pengguna VB.Net. sementara itu jumlah pengguna bahasa pemrograman lain masih berada dibawah jumlah pengguna VB .Net. masih menurut wikipedia, jumlah buku C# yang terjual pun berada dikisaran 2 hingga 3 kali lebih banyak dari jumlah buku VB yang terjual.

Dari informasi ini dapat disimpulkan bahwa C# merupakan bahasa pemrogrman baru yang sedang berkembang dan dapat diterima dengan baik oleh kebanyakan progammer dan kalangan industri. Di Microsoft sendiri, C# merupakan bahasa pemrograman yang digunakan untuk membuat perangkat lunak yang berteknologi .Net dengan demikian dapat diperkirakan bahwa C# akan menjadi bahasa pemrograman yang akan banyak digunakan di masa-masa mendatang (Hartanto, B., 2008).

2.14 Confusion matrix

Pengujian metode bertujuan untuk mengetahui hasil dari metode GLDM dalam mendeteksi ciri tektur jenis-jenis penyakit dan metode Naïve bayes yang diimplementasikan sebagai klasifikasi jenis penyakit pada system ini. Percobaan dilakukan dengan menggunakan metode K-Fold Cross validation (validasi silang). K-Fold Cross Validation membagi data menjadi K subset yang ukurannya sama satu sama lainnya.

Pada penelitian ini, Data yang digunakan dalam pengujian merupakan data dari 5 jenis penyakit lidah manusia sebanyak 50 data setiap kelasnya. Jumlah keseluruhan data yang digunakan adalah 100 data citra. Sedangkan alat bantu yang digunakan untuk mengukur tingkat akurasi adalah confusion matrix.

Tabel 2.1 Confusion matrix

Kelas Prediksi

0 1

Target 0 00 01 1 10 11

Formula yang digunakan untuk menghitung akurasinya adalah sebagai berikut:

akurasi = _{ℎ ℎ} ℎ _�

Dalam menggunakan metode K-fold yang harus dilakukan adalah menentukan nilai K-fold yang akan digunakan, nilai K-fold akan digunakan sebagai banyaknya perbangingan. Misalkan apabila terdapat data sebanyak 40 data dan memiliki 2 buah kelas. Nilai K-fold dimisalkan 2 maka pengujian yang dilakukan adalah dengan cara membagi seluruh data dalam kelas menjadi 2

93

BAB 5

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Dari hasil penelitian, analisis pengolahan citra, pelatihan dan pengujian metode gldm dan Naïve bayes untuk klasifikasi citra berdasarkan tekstur ini, didapatkan kesimpulan yaitu :

1. Algoritma naïve bayes dapat mengklasifikasikan citra lidah berdasarkan hasil ekstraksi citra digital metode gldm.

2. Algoritman naïve bayes dapat melakukan klasifikasi citra berdasarkan tekstur yang diekstraksi dengan metode gldm. Dikarenakan data hasil ekstraksi ciri ini adalah berupa data continue, atau biasa disebut data nominal, sehingga saat proses klasifikasi data hasil ekstraksi ciri tersebut dapat langsung digunakan sebagai masukan dalam klasifikasi naïve bayes dan mempunyai nilai akurasi hampir 85%.

5.2 Saran

Dalam pembuatan Tugas Akhir ini, masih terdapat banyak kekurangan yang dapat diperbaiki untuk pengembangan berikutnya. Beberapa saran yang dapat diberikan, yaitu :

1. Data citra masuka diambil berdasarkan pemilihan data hasil riset kedokteran.

2. Untuk dapat mengklasifikasi berbagai citra masukan sebaiknya menggunakan data latih yang banyak agar mendapatkan nilai presentase yang lebih tinggi.

3. Melakukan penelitian klasifikasi citra dengan menggunakan algoritma klasifikasi yang lain, seperti menggunakan SVM, jaringan syaraf tiruan dan lain-lainya agar dapat dibandingkan hasil keakuratan dan kecepatan prosesnya.

LIDAH MANUSIA

SKRIPSI

Diajukan untuk Menempuh Ujian Akhir Sarjana

RIEKAL FAHMI

10110482

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN ILMU KOMPUTER

UNIVERSITAS KOMPUTER INDONESIA

2015

v

ABSTRAK.………..………..………..………...i

ABSTRACT………..………..………..……….ii

KATA PENGANTAR………..………..………...iii

DAFTAR ISI………..………..………..………..…..v

DAFTAR GAMBAR………..………..………viii

DAFTAR TABEL………..………..……….…..x

DAFTAR SIMBOL………..………..………..………..xii

DAFTAR LAMPIRAN.………..………..………..………...xv

BAB 1 PENDAHULUAN………..………..………..1

1.1 Latar Belakang Masalah………..………....1

1.2 Rumusan Masalah………..………...………....2

1.3 Maksud Dan Tujuan………..………..………....2

1.4 Batasan Masalah………..………..………..2

1.5 Metologi Penelitian………..………..……….3

1.5.1 Metode Pengumpulan Data………..………3

1.5.2 Metode Pembangunan Perangkat Lunak……….4

1.6 Sistematika penulisan………..………5

BAB 2 Landasan Teori………..………..………...6

2.1 Lidah………..………..………6

2.2 Kecerdasan Buatan………..………..………..9

2.3 Pola………..………..………..9

2.4 Pengenalan Pola………..………..……….10

2.5 Pengolahan Citra………..………..………12

2.6 Operasi – Operasi Pengolahan Citra………..………13

2.7 Tekstur………..………..………..…………..15

2.7.1 Analisis Tekstur………..………....16

vi

2.10.1 Konsep Dasar Berorientasi Object……….…………...23

2.11 UML (Unified Modeling Language) ………..……….….24

2.12 Database………..………..………...26

2.12.1 Mysql………..………..………27

2.13 Bahasa pemrograman C#....………..28 2.14 Confusion Matrix………..29

BAB 3 ANALISIS DAN KEBUTUHAN ALGORITMA………...30

3.1 Analisis Masalah………..………..……….……....30

3.2 Analisis Sistem………..………..………...30

3.2.1 Analisis Masukan Citra lidah………..………32

3.2.2 Analisis GLDM……….……….……..………..32

3.2.2.1 Prepocessing ………..………..…….………...33

3.2.2.1.1 Resize………..………..………….……...33

3.2.2.1.2 Grayscale………..….………..…..34

3.2.2.2 Ekstraksi Ciri GLDM………..………...35

3.2.3 Analisis Pelatihan Naïve bayes……….…………..……...36

3.2.3.1 Ambil Data………..………..36

3.2.3.2 Pelatihan Naïve bayes……….………..37

3.2.3.3 Simpan Data Latih………..…………. . . ..…………..38

3.2.4 Analisis Pengujian Naïve bayes………..………39

3.2.4.1 Hasil Klasifikasi………..………. . . .. . ………39

3.3 Analisis Data ………..………..……… . . .……….….…..40

3.3.1 Analisis Data Masukan………..……… . . . ..….….…..40

3.3.2 Analisis Data Keluaran………..……… . . . ..….….…..41

3.4 Analisis Metode………..………..…………..…….….…..41

3.4.1 Analisis Tahap Pengolahan Citra………..……… ….….…..41

3.4.1.1 Proses Grayscaling………..……… . .. . . .….…..41

vii

3.5 Analisis Kebutuhan Basis Data………..…………. . .. ………..….…..61

3.5.1 Entity Relationship Diagram………..……….…..61

3.6 Analisis Kebutuhan Perangkat Lunak………..……….……….62

3.6.1 Analisis Kebutuhan Non Fungsional………...63 3.6.2 Analisis Kebutuhan Fungsionalitas………...64 3.6.3 Perancangan Basis data………...74 3.6.4 Perancangan Simulasi………...76

3.7 Jaringan Semantik………..………..……..……… ...80

BAB 4 IMPLEMENTASI DAN PENGUJAN SISTEM

4.1 Implementasi………...81

4.1.1 Implementasi Perangkat Keras………...81

4.1.2 Implementasi Perangkat Lunak………...81

4.1.3 Implementasi class………...82

4.1.4 Implementasi Antarmuka………...82

4.2 Rencana Pengujian………...………....84

4.2.1 Pengujian Fungsionalitas………...85

4.2.2 Pengujian Algoritma………...86

4.2.3 Rencana Pengujian Algoritma………...87

4.2.4 Pengujian Performansi………...87 4.3 Kesimpulan Pengujian………...92 BAB 5 KESIMPULAN DAN SARAN

5.1 Kesimpulan. ………...………...93

5.2 Saran………...………...93

1. Achmad U., 2005. Pengolahan Citra Digital & Teknik Pemrogramanya, Yogyakarta: Graha Ilmu.

2. Achmad S., 2010. MySql dari Pemula Hingga Mahir. Jakarta: Achmatim.

3. Asbaugh R., 1999. Ridgeology. Journal of Forensic Identification, Royal Canadian Mounted Police, Canada

4. Anik A., 2013. Sistem Pedukung Keputusan Berbasis Decision Tree Dalam Pemberian Beasiswa Studi Kasus:AMIK BSI YOGYAKARTA, Tugas Amik BSI Jakarta, Jakarta Selatan.

5. Eko S., 2009. Klasifikasi Sidik Jari dengan Menggunakan Metode Wavelet Symlet. Jurnal Informatika Volume 5 No 2, Universitas Kristen Satya Wacana, Diponegoro. 6. George Laskaris, D.D.S., M.D., 1994. Color atlas of Oral Diseases. Thieme Medical

Publisher, inc. NY.

7. Hartanto B., 2008. Memahami Visual C#.Net Secara Mudah. Pertama, Yogyakarta: Andi. 8. Herry Beng Koestanto, 2012. Analisis penyakit melalui lidah, Jurnal kedokteran gigi

Indonesia, Jakarta.

9. Munir R., 2002. Pengolahan Citra Digital. Bandung: Informatika.

10.Nicky M. Z., 2009. Analisis Tekstur Parket Kayu Jati Dengan Menggunakan Metode Statistikal Gray Level Difference Method, Tugas akhir teknik informatika, Universitas Gunadarma.

11.Nugroho A., 2005. Pemodelan Berorientasi Objek, Bandung: Informatika. 12.Pedersen, 1988. Oral Surgery 1st _{Edition, Philadelphia PA: EGC}

13.Pressman S. R., 2010. Rekayasa Perangkat Lunak. Yogyakarta: Andi.

14.Prasetyo E., 2012. Pengenalan Pola Naive Bayes, Jurnal Universitas Pembangunan Nasional, Jawa Timur.

15.Sri K., 2009. Klasifikasi Status Gizi Menggunakan Naïve Bayesian Clasification. Tugas Akhir Teknik Informatika, Universitas Islam Indonesia, Yogyakarta.

16.Sutopo A. H. dan Masya F., 2005. Pemograman Berorientasi Objek, Yogyakarta: Graha Ilmu.

ANALISIS GRAY LEVEL DIFFERENCE METHOD DAN METODE

NAÏVE BAYES MENGIDENTIFIKASI PENYAKIT LIDAH MANUSIA

Riekal Fahmi1

1 _{Teknik Informatika – Univesitas Komputer Indonesia} Jl. Dipatiukur 112 - 114 Bandung

E-mail : Friekal@yahoo.com1

ABSTRAK

Lidah adalah kumpulan otot rangka pada bagian lantai mulut yang dapat membantu pencernaan makanan dengan mengunyah dan menelan. Lidah dikenal sebagai indera pengecap yang banyak memiliki struktur tunas pengecap. Jika lidah ini tak berfungsi, dengan sendirinya akan berpengaruh terhadap rasa makanan ataupun selera makan kita. Tidak berfungsinya lidah sebagaimana mestinya disebabkan adanya kelainan atau penyakit. Salah satu cara agar dapat membedakan ciri tersebut ialah dengan cara mengenali perbedaan tekstur pada citra Terdapat beberapa metode untuk memperoleh ciri-ciri tekstur dalam suatu citra, Salah satu metode untuk memperoleh ciri-ciri citra tekstur adalah Gray level difference atau bisa di singkat (GLDM). Ciri-ciri tekstur yang didapat dari metode ini diantaranya adalah kontras, Angular Singular Moment, energi, invers different moment dan Mean. Dari hasil ciri-ciri tersebut kemudian digunakan untuk klasifikasi dengan menggunakan Naïve Bayes yang menentukan hasil klasifikasi berdasarkan nilai probabilitas terbesar. Objek yang diuji adalah citra jenis Penyakit lidah manusia.

Dari penelitian yang telah dilakukan, dapat ditarik kesimpulan sebagai berikut : naïve bayes dapat melakukan klasifikasi citra berdasarkan tekstur yang diekstraksi dengan metode matriks gldm. Dikarenakan data hasil ekstraksi ciri matriks gldm adalah berupa data continue, atau biasa disebut data nominal, sehingga saat proses klasifikasi data hasil ekstraksi ciri tersebut dapat langsung digunakan sebagai inputan dalam klasifikasi naïve bayes.

Berdasarkan hasil pengujian, kesimpulan yang didapatkan adalah naïve bayes dapat mengklasifikasi citra dengan baik, dikarenakan data hasil ekstraksi ciri tekstur penyakit dengan metode Gray level difference moment memiliki interval jarak yang berjauhan antar kelasnya. Sehingga klasifikasi naïve bayes dapat berjalan dengan baik saat melakukan klasifikasi 85%.

Kata kunci : tekstur citra, ekstraksi ciri, gldm matriks, klasifikasi naïve bayes

1. PENDAHULUAN

The tongue is a collection of skeletal muscle on the floor of the mouth that can help the digestion of food by chewing and swallowing. Aloe is known as the sense of taste buds that have more structure taster. If the tongue is not functioning, by itself will affect the taste of the food or our appetite. Malfunction of the tongue as it should be due to abnormalities or disease. One way to differentiate these traits is a way to recognize the difference of texture in the image are several methods to obtain the characteristics of texture in an image, one method for obtaining the characteristics of image texture is Gray level difference or can be short (GLDM)

Dalam mengklasifikasi dan mendeteksi suatu objek tingkat keakurasian sangatlah penting karena untuk menghasilkan suatu sistem klasifikasi dan pendeteksi suatu objek dibutuhkan keakuratan yang baik. Sebelumnya dilakukan penelitian oleh Eko S. (2009), Analisa tekstur lazim dimanfaatkan sebagai proses antara untuk melakukan klasifikasi dan interpretasi citra. Suatu proses klasifikasi citra berbasis analisis tekstur pada umumnya membutuhkan ekstraksi ciri, yang dapat terbagi dalam tiga macam metode yaitu : Statistikal, Geometri, Model-Based. Pada penelitian ini digunakan metode ekstraksi ciri statistikal, metode ekstraksi ciri yang digunakan adalah Gray Level Difference Method (GLDM). Terdapat beberapa

jenis fitur yang dapat diekstraksi dari GLDM diantaranya adalah contrast, angular second moment (ASM), entropy, inverse difference moment

(IDM) dan mean. Pada gray level difference method, suatu peristiwa dari perbedaan mutlak dihitung antara sepasang derajat keabuan yang terpisah oleh jarak tertentu dengan arah tertentu. (Nicky M. Z., 2009) Maka akan dihasilkan sebuah kemungkinan dari kumpulan variable distribusi. Untuk metode klasifikasi yang digunakan Pada penelitian ini adalah naïve bayes, algoritma naive 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. Proses yang pertama adalah learning (training) yaitu proses pembelajaran menggunakan training set. Sebelumnya telah dilakukan penelitian oleh Sri K., (2009), naive bayes dapat digunakan untuk proses klasifikasi data kontinu dan menghasilkan total kinerja pengujian sebesar 93%. Naive bayes adalah salah satu metode klasifikasi yang menggunakan konsep probabilistik. Naive bayes merupakan algoritma klasifikasi yang sangat efektif dan efisien.

1.1 Rumusan Masalah

Berdasarkan latar belakang yang telah dijelaskan, maka penelitian ini merumuskan masalah yang akan dibahas yaitu bagaimana menerapkan metode GLDM untuk ekstraksi citra dan algoritma naïve bayes untuk klasifikasi citra.

1.2 Maksud dan Tujuan

Maksud dari penelitian ini adalah mengimplementasikan algortima Naïve bayes untuk klasifikasi citra berdasarkan ekstraksi ciri tekstur dengan Gray level difference method.

Tujuan dari penelitian ini adalah :

1. Untuk mengetahui Gray level difference method bisa dikombinasikan dengan metode klasifikasi naïve bayes sehingga dapat citra digital berdasarkan tekstur untuk mengetahui apakah metode ini dapat digunakan untuk identifikasi penyakit lidah.

2. Untuk mengetahui tingkat keakuratan identifikasi penyakit lidah.

2. ISI PENELITIAN

2.1 Kecerdasan buatan

Kecerdasan buatan (Artificial inteligence) adalah salah satu cabang ilmu pengetahuan yang berhubungan dengan pemanfaatan mesin untuk memecahkan persoalan yang rumit dengan cara yang lebih manusiawi. Hal ini biasanya dilakukan dengan mengikuti/mencontoh karakteristik dan analogi berpikir dari kecerdasan manusia, dan menerapkannya sebagai algoritma yang dikenal oleh komputer.

Kecerdasan buatan dapat digunakan untuk menganalisis pemandangan dalam citra dengan perhitungan simbol-simbol yang mewakili isi pemandangan tersebut setelah citra diolah untuk memperoleh ciri khas. Kecerdasan buatan bisa dilihat sebagai tiga kesatuan yang terpadu yaitu persepsi, pengertian dan aksi. Persepsi menerjemahkan sinyal dari dunia nyata dalam citra menjadi simbol-simbol yang lebih sederhana, pengertian memanipulasi simbol-simbol tadi untuk memudahkan penggalian suatu informasi tertentu, dan aksi menerjemahkan simbol-simbol yang telah dimanipulasi menjadi sinyal lain yang dapat merupakan hasil akhir atau hasil antara sesuai dengan keperluan (Ahmad U, 2005).

2.2 Tekstur

Secara umum tekstur mengacu pada repetisi elemen-elemen tekstur dasar yang sering disebut primitif atau texel (texture element). Suatu texel terdiri dari beberapa pixel dengan aturan posisi bersifat periodik, kuasiperiodik, atau acak (Ahmad U. , 2005).

Syarat-syarat terbentuknya tekstur setidaknya ada dua, yaitu :

1. Adanya pola-pola primitif yang terdiri dari satu atau lebih pixel. Bentuk-bentuk pola primitif ini dapat berupa titik, garis lurus, garis lengkung, luasan dan lain-lain yang merupakan elemen dasar dari sebuah bentuk. 2. Pola-pola primitif tadi muncul berulang-ulang dengan interval jarak dan arah tertentu sehingga dapat diprediksi atau ditemukan karakteristik pengulangannya.

Gambar 1 Contoh tekstur dari VisTex Database

Suatu citra memberikan interpretasi tekstur yang berbeda apabila dilihat dengan jarak dan sudut yang berbeda. Manusia memandang tekstur berdasarkan deskripsi yang bersifat acak, seperti halus, kasar, teratur, tidak teratur, dan sebagainya. Hal ini merupakan deskripsi yang tidak tepat dan non-kuantitatif, sehingga diperlukan adanya suatu deskripsi yang kuantitatif (matematis) untuk memudahkan analisis (Ahmad U. , 2005).

2.3 Analisis Tekstur

Analisis tekstur merupakan dasar dari berbagai macam aplikasi, aplikasi dari analisis tekstur antara lain: penginderaan jarak jauh, pencitraan medis, identifikasi kualitas suatu bahan (kayu, kulit, tekstil, dan lain-lain), dan juga berbagai macam aplikasi lainnya. Pada analisis citra, pengukuran tekstur dikategorikan menjadi lima kategori utama yaitu: statistis, struktural, geometri, model dasar, dan pengolahan sinyal. Pendekatan statistis mempertimbangkan bahwa intensitas dibangkitkan oleh medan acak dua dimensi, metode ini berdasar pada frekuensi frekuensi ruang. Contoh metode statistis adalah fungsi autokorelasi, cooccurence Matrix, transformasi Fourier, frekuensi tepi, gdlm dan lainya. Teknik struktural berkaitan dengan penyusunan bagian bagian terkecil suatu citra. Contoh metode struktural adalah model fraktal. Metode geometri berdasar atas perangkat geometri yang ada pada elemen tekstur. Contoh metode model dasar adalah medan acak. Sedangkan metode pengolahan sinyal adalah metode yang berdasarkan analisis frekuensi seperti transformasi Gabor dan transformasi wavelet (Ahmad U. , 2005).

2.3.1 Gray Level Difference Method

Pada gray level difference method atau biasa disingkat dengan GLDM, peristiwa dari perbedaan mutlak dihitung antara sepasang derajat keabuan yang terpisah oleh jarak tertentu dengan arah tertentu. Maka akan dihasilkan sebuah kemungkinan dari kumpulan variable distribusi Jika terdapat derajat keabuan m, ”probability density function” adalah vektor berdimensi m yang mana komponen ke 1 adalah probabilitas bahwa (i, j) akan memiliki nilai i. analisa tekstur dengan menggunakan GLDM (gray level difference method). Data- data yang diambil meliputi semua features yang telah ditentukan. Fitur-fitur dalam menentukan data adalah Contrast, Angular Second Moment (ASM), Entropy, Inverse Difference Moment (IDM) dan Mean (Nicky M. Z., 2009). Orientasi dibentuk dengan empat arah pergeseran dengan interval 450, yaitu 00, 450, 900 , dan 1350.

Dimana varibel-variabel tersebut akan digunakan untuk mencari nilai dari atribut-atribut tekstur sebagai berikut:

1. kontras

Menunjukkan ukuran penyebaran (momen inersia) elemen-elemen matriks citra. Jika letaknya jauh dari diagonal utama, nilai kekontrasan besar. Secara visual, nilai kekontrasan adalah ukuran variasi antar derajat keabuan suatu daerah citra. Hasil perhitungan kontras berkaitan dengan jumlah keberagaman intensitas keabuan dalam citra.

2. Angular Singular Moment

ASM yang menunjukkan kesamaan citra berderajat keabuan sejenis. Citra akan memiliki harga kesamaan yang besar.

3. Entropy

Entropi dapat menunjukkan ketidakteraturan ukuran bentuk, jika nilai Entropinya besar untuk citra dengan transisi derajat keabuan merata dan bernilai kecil jika struktur citra tidak teratur (bervariasi).

4. Invers Different Moment

Idm menyatakan ukuran konsentrasi pasangan dengan intensitas keabuan tertentu pada matriks,.

5. Mean

Mean menyatakan ukuran ketidaksamaan linear derajat keabuan citra sehingga dapat memberikan petunjuk adanya struktur linear dalam citra.

2.4 Klasifikasi

Klasifikasi merupakan suatu pekerjaan yang melakukan penilaian terhadap suatu obyek data untuk masuk dalam suatu kelas tertentu dari sejumlah kelas yang tersedia. (Prasetyo, 2012).

Ada dua pekerjaan utama:

1. Pembangunan model sebagai prototype untuk disimpan sebagai memori

2. Menggunakan model tersebut untuk melakukan pengenalan/klasifikasi/prediksi pada suatu obyek data lain masuk pada kelas mana

2.4.1 Klasifikasi naïve bayes

Naïve bayes adalah Teknik prediksi berbasis probabilistik sederhana yang berdasar pada penerapan teorema Bayes (Prasetyo, 2012)

1. Asumsi independensi (ketidaktergantungan) yang kuat (naif).

2. Model yang digunakan adalah “model fitur independen”

Independensi yang kuat pada fitur adalah bahwa sebuah fitur pada sebuah data tidak ada kaitannya dengan adanya atau tidak adanya fitur yang lain dalam data yang sama

Naïve bayes adalah suatu metode pengklasifikasian paling sederhana dengan menggunakan peluang yang ada, dimana diasumsikan bahwa setiap variable X bersifat bebas (independence). Karena asumsi variabel tidak saling terikat, maka didapatkan persamaan (7).

Data yang digunakan dapat bersifat kategorial (diskrit) maupun kontinyu. Namun, pada tugas akhir ini akan digunakan data kontinyu, karena hasil ekstraksi ciri citra merupakan data kontinyu berupa angka angka hasil pengukuran tingkat kontras, homogenitas, entropy, energy, dan dissimilarity pada ekstraksi ciri. Maka dari itu Untuk data kontinyu dapat diselesaikan dengan menggunakan langkah-langkah berikut.

Training :

Hitung rata-rata (mean) tiap fitur dalam dataset training dengan persamaan

� = ∑ ��

�

Dimana:

� = mean

= banyaknya data

∑ �� = jumlah nilai data

 



 q_

i P Xi Y y y

Y X

Kemudian hitung nilai varian dari diat dataset training tersebut seperti pada persamaan

� = _�− ∑��= ��− µ

Dimana:

� = varians µ= mean

�� = nilai data

= banyaknya data

Testing :

1. Hitung probabilitas (Prior) tiap kelas yang ada

dengan cara menghitung jumlah data tiap kelas dibagi jumlah total data secara keseluruhan. 2. Selanjutnya menghitung densitas

probabilitasnya menggunakan persamaan (10). Fungsi densitas mengekspresikan probabilitas relatif. Data dengan mean μ dan standar deviasi σ, fungsi densitas probabilitasnya adalah :

��� � =_{√ ��2} −

�−� 2 2�2

Dimana :

� = data masukan π = 3,14

� = standar deviasi µ = mean

3. Setelah didapatkan nilai densitas probabilitasnya, selanjutnya menghitung posterior masing-masing kelas dengan menggunakan persamaan

� � =

� ��� �(� … … … � |��) �(� … … … � |�_�)

� � � � � �

� = � � � ℎ_�

Mencari nilai Evidence :

Evidence = (P(Rhomboid glossitis) . P(Kontras | Rhomboid glossitis) . P(ASM | Rhomboid glossitis). P(Entropy | Rhomboid glossitis). P(IDM | Rhomboid glossitis). P(mean | Rhomboid glossitis)) + (P(Geographic tongue) . P(Kontras | Geographic tongue) . P(ASM | Geographic tongue). P(Entropy | geographic tongue). P(IDM | geographic tongue). P(mean | geographic tongue))

Setelah didapat nilai evidence, selanjutnya mencari nilai posterior terbesar:

Posterior P(Rhomboid glossitis) . P(Kontras |

Rhomboid glossitis) . P(ASM | Rhomboid glossitis). P(Entropy | Rhomboid glossitis).

P(IDM | Rhomboid glossitis). P(mean | Rhomboid glossitis) / Evidence

4. Nilai posterior terbesar adalah kelas yang sesuai.

2.5 Metode pengujian keakurasian

Pada penelitian ini, rencana pengujian dilakukan dengan beberapa skenario, berikut adalah skenario yang telah dipersiapkan :

1. Menguji citra yang dijadikan data latih. 2. Menguji citra yang tidak termasuk data latih. 3. Menguji pengaruh jumlah data latih

terhadap akurasi dan waktu.

1. Menguji citra yang dijadikan data latih.

Metode pengujian ini menggunakan data yang telah di training, dengan kata lain, data training dan data uji adalah data yang sama

2. Supplied set test

Metode pengujian ini menggunakan data yang berbeda, dengan kata lain, data training berbeda dengan data yang akan diujikan

3. Pengaruh jumlah data latih terhadap akurasi Pengujian skenario 3 dilakukan untuk menguji pengaruh jumlah data latih terhadap akurasi, pengujian ini dilakukan dengan mengubah perbandingan antara data latih dan data uji

2.6 Analisis Proses

Analisis proses yang akan dilakukan pada penelitian ini adalah analisis dalam melakukan klasifikasi citra berdasarkan tekstur. Tahapan-tahapan proses kerja dalam melakukan klasifikasi mulai dari data masukan sampai data keluaran. Berikut adalah tahapan analisis proses yang akan dilakukan dan untuk alur analisis proses dapat dilihat pada gambar 2 :

Berikut penjelasan dari tiap tahapannya adalah sebagai berikut :

1. Masukan citra Lidah

Merupakan langkah pengambilan data citra pada media masukan ke dalam sistem. Citra masukan berupa file gambar yang didalamnya mengandung objek lidah yang diambil menggunakan tinta stempel yang ditempelkan pada kertas lalu kemudian di scan.

2. Pengolahan citra

Pada tahap ini citra yang dimasukan akan diresize menjadi 32x32 piksel, di grayscale

menjadi keabu-abuan untuk mendapatkan nilai matriks grayscale. Setelah didapat matriks

grayscale kemudian dilakukan proses ekstraksi ciri gldm dan memberi nama klasifikasi setelah didapat nilai fitur rata-rata gldm.

3. Pelatihan naïve bayes

Tahap pelatihan pada naïve bayes yaitu mengambil data yang telah diberi nama klasifikasi dan memiliki nilai rata-rata fitur gldm untuk dihitung dan mencari nilai mean dan varian. Setelah didapat nilai mean dan varian data latih disimpan ke database.

4. Pengujian naïve bayes

Pada proses pengujian naïve bayes, masukan citra yang akan diujikan. Citra yang dimasukan akan diproses untuk mencari nilai densitas probabilitas dan mencari nilai posterior terbesar. Setelah didapat nilai posterior terbesar maka diketahui hasil klasifikasi dari citra uji.

2.6.1 Analisis Data masukan

Dalam penelitian ini, yang pertama akan dilakukan adalah analisis data masukan. Analisis data masukan dilakukan untuk mendapatkan sebuah nilai inputan yang nantinya dapat digunakan untuk proses klasifikasi dalam metode naïve bayes. Dalam penelitian ini, data masukan merupakan sebuah citra, yang akan dicari kandungan nilainya dengan menggunakan metode ekstraksi ciri matrix gldm, nilai keluaran yang akan didapatkan adalah Kontras, ASM, Entropi, IDM, dan Mean. Nilai-nilai tersebut akan dijadikan sebagai data awal yang akan digunakan sebagai inputan dalam metode naïve bayes. Tahapan-tahapan yang akan dilakukan pada analisis data masukan adalah preprocessing yaitu dengan melakukan resize dan grayscale citra. Setelah melakukan preprocessing, maka dilakukan ekstraksi ciri dengan metode matriks gldm untuk mendapatkan nilai fitur dari citra tersebut.

2.6.1.1 Preprocessing

Pada peneltian ini, preprocessing dilakukan untuk memudahkan mendapatkan nilai ekstraksi ciri. Preprocessing yang akan dilakukan adalah resize,

grayscale, dan kuantisasi citra. Berikut alur proses dari preprocessing :

2.6.1.1.1 Resize

Resize adalah tahap pertama dari preprocessing. Resize dilakukan untuk mempercepat dan memudahkan proses perhitungan. Berikut alur proses dari resizeing :

Gambar 3 alur proses resize

2.6.1.1.2 Grayscale

Grayscale merupakan proses untuk mengubah warna menjadi keabu-abuan. Dengan mengubah nilai RGB setiap piksel gambar menjadi satu nilai yang sama sehingga setiap piksel memiliki nilai yang sama untuk ketiga unsur warna serta didapatkan nilai matriks grayscale. Berikut alur dari proses grayscale :

Gambar 4 alur proses greyscale

2.6.1.2 Ekstraksi Ciri

Ekstraksi ciri adalah proses untuk mendaptkan ciri utama yang terdapat pada citra, citra yang telah di grayscale akan menghasilkan matriks grayscale ynag telah di kuantisasi, matriks tersebutlah yang akan digunakan pada tahap ini. Tahap ini akan menghitung 5 nilai statistik dari gldm yaitu Kontras, ASM, Entropi, IDM dan Mean dengan sudut simetri 0, 45, 90 dan 135 . Setelah didapatkan semua nilai dari sudut akan dirata-ratakan. Berikut alur proses dari ekstraksi ciri.

2.6.1.3 Nama klasifikasi

Nama klasifikasi digunakan untuk menentukan nama klasifikasi yang telah didapatkan nilai rata-rata statistik dari ekstraksi ciri gldm. Berikut alur proses dari nama klasifikasi:

Gambar 5 alur proses nama klasifikasi

2.6.2 Analisis Pelatihan Naïve Bayes

Pelatihan naïve bayes dilakukan untuk mendapatkan data latih, proses ini dilakukan menjadi 3 tahap yaitu ambil data, latih data dan simpan data. Tahapan-tahapan tersebut akan dijelaskan sebagai berikut :

2.6.2.1 Ambil Data

Ambil data berfungsi sebagai pengambilan data yang telah disimpan sebelumnya. Berikut alur proses dari ambil data:

Gambar 6 proses ambil data

1.6.2.2 Pelatihan naïve bayes

Proses pelatihan dengan naïve bayes dilakukan dengan melakukan perhitungan nilai mean dan varians. Berikut adalah alur proses pelatihan dengan naïve bayes:

Gambar 7 alur proses pelatihan

1.6.3 Pengujian Naïve Bayes

Gambar 8 pengujian naïve bayes

2.7 Pengujian

Pengujian algoritma ini bertujuan untuk mengetahui performansi dari metode gldm dan naïve bayes untuk klasifikasi citra. Pengujian pada penelitian ini adalah untuk mengukur tingkat keakuratan dan waktu yang dibutuhkaan untuk proses

klasifikasi citra dengan beberapa skenario yang telah dipersiapkan, untuk mengukur tingkat keakuratan menggunakan metode confusion matrix.

Kelas

Hasil

Klasifikasi Persentase A B

Target Pemilik

Rhomboid 4 01 80% Geographic 0 5 100% Tabel 1 Confusion matrix

Untuk menghitung akurasinya digunakan formula :

5

5 � = %

2.7.1 Rencana Pengujian

Pada penelitian ini, rencana pengujian dilakukan dengan beberapa skenario, berikut adalah skenario yang telah dipersiapkan :

1. Menguji citra yang dijadikan data latih. 2. Menguji citra yang tidak termasuk data

latih.

3. Menguji pengaruh jumlah data latih terhadap akurasi dan waktu.

2.7.1.1 Pengujian Skenario 1

Skenario 1 dilakukan dilakukan untuk mengetahui keakurasian dalam mengenali pola-pola yang telah dilatihkan kepadanya. Jika dapat mengenali masing-masing citra secara sempurna, maka Metode berfungsi dengan baik data citra yang dijadikan sebagai data latih dan juga akan dijadikan datauji dan memiliki rata-rata tingkat akurasi 85%.

2.7.1.2 Pengujian scenario 2

Pengujian skenario 2 dilakukan dengan menguji citra yang tidak termasuk dalam data latih, pengujian ini bertujuan untuk mengetahui tingkat pengenalan citra diluar data latih. Pada pengujian skenario 2 didapat kesimpulan yaitu untuk citra yang belum dilatih rata-rata tingkat akurasinya adalah kurang dari 85%. Berikut adalah hasil pengujian skenario 2

3. PENUTUP

3.1 Kesimpulan

Dari hasil penelitian, analisis pengolahan citra, pelatihan dan pengujian metode gldm dan Naïve bayes untuk klasifikasi citra berdasarkan tekstur ini, didapatkan kesimpulan yaitu :

1. Algoritma naïve bayes dapat mengklasifikasikan citra lidah berdasarkan hasil ekstraksi citra digital metode gldm.

iii

KATA PENGANTAR

Segala puji dan syukur penulis panjatkan kehadirat Allah SWT yang telah memberikan iman, kekuatan, kecerdasan, kesehatan, semangat yang tinggi, serta semua kekayaan yang dilimpahkan kepada penulis, karena dengan izin dan berkah-Nya lah penelitian ini dapat diselesaikan dengan baik sesuai dengan waktu yang direncanakan. Sehingga penulis dapat

menyelesaikan penulisan skripsi dengan judul “ANALISIS GRAY LEVEL DIFFERENCE

METHOD DAN METODE NAÏVE BAYES MENGIDENTIFIKASI PENYAKIT LIDAH

MANUSIA” sebagai salah satu syarat kelulusan pada Program Strata 1 Program Studi Teknik

Informatika Fakultas Ilmu dan Teknik Komputer di Universitas Komputer Indonesia.

Penyusunan skripsi ini tidak akan terwujud tanpa mendapat dukungan, bantuan dan masukan dari berbagai pihak. Untuk itu, penulis ingin menyampaikan terima kasih yang sebesar-besarnya kepada :

1. Allah SWT atas rahmat, berkah dan izin-Nya saya bisa menyelesaikan penulisan skripsi ini.

2. Ayah dan Ibu terima kasih yang tak terhingga atas segala dukungan serta doanya sehingga

penulis memiliki semangat untuk dapat menyelesaikan tugas akhir ini.

3. Pak Galih Hermawan, S.kom, M.T selaku dosen pembimbing skripsi. Terima kasih banyak

atas bimbingan, arahan serta seluruh waktu dan perjuangan bapak selama ini demi mengantarkan penulis untuk dapat menyelesaikan tugas akhir skripsi.

4. Ibu Nelly Indriani W, S.Si, M.T. selaku reviewer yang telah banyak memberikan masukan

dan arahan.

5. Ibu Utami Dewi, S.Kom,. M.T selaku dosen wali yang telah memberikan masukan dan juga

arahan-arahan dari awal masuk perkuliahan sampai akhir perkuliahan hingga tugas akhir ini dapat diselesaikan.

6. Kepada seluruh Dosen dan Staff Program Studi Teknik Informatika Universitas Komputer

Indonesia, terima kasih atas semua ilmu pendidikan, pengetahuan serta pengajaran Bapak/Ibu.

iv

8. Tegar, Yusep, Putra, Rizalul, Heri dan semua teman-teman yang kosan pernah direpotkan

untuk bermain dota, menunggu jam kuliah, nonton Anime, mengerjakan tugas kuliah,

9. Seluruh teman-teman khususnya IF-11 angkatan 2010 yang telah menjadi teman seperjuangan

terbaik.

Penulis telah berupaya dengan semaksimal mungkin dalam penyelesaian tugas akhir ini, namun penulis menyadari masih banyak kelemahan baik dari segi isi maupuntata bahasa, untuk itu penulis mengharapkan kritik dan saran yang bersifat membangun dari pembaca demi kesempurnaan tugas akhir ini. Tak lupa penulis mohon maaf apabila dalam penulisan atau penyusunan tugas akhir ini, telah menyinggung perasaan atau bahkan telah menyakiti pihak tertentu baik yang disengaja maupun tidak disengaja. Kiranya isi tugas akhir ini bermanfaat dalam memperkaya khasanah ilmu pendidikan dan juga dapat dijadikan sebagai salah satu sumber referensi bagi peneliti selanjutnya yang berminat meneliti hal yang sama.

Bandung, Februari 2015

BIODATA PENULIS (RIWAYAT HIDUP)

Nama : Riekal Fahmi

TTL : Jakarta, 20 November 1992

Alamat : Jl. Siliwangi Prana Estate Blok A3 No.3 Kota Sukabumi

NO. Handphone : 085710114477

Email : Friekal@yahoo.com

RIWAYAT PENDIDIKAN

1998-2004 : SDN Kuda Laut Jakarta Timur

2004-2007 : SMP Muhammadiyah Kota Sukabumi

2007-2010 : SMAN 4 Kota Sukabumi