2.5. Data Mining
Data mining , sering juga disebut knowledge discovery in database KDD,
adalah kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar.
Keluaran dari data mining ini bisa dipakai untuk memperbaiki pengambilan keputusan dimasa depan. Sehingga istilah pattern recognition sekarang jarang
digunakan karena ia termasuk bagian dari data mining Santosa, 2007.
2.6. Gray Level Co-occurrence Matrix
Gray Level Co-occurrence MatrixGLCM adalah matriks yang merepresentasekan banyaknya suatu pixel i dan pixel tetangga j yang berada pada
sebuah citra. Menurut Putra 2013 matriks kookurensi merupakan matriks berukuran L x L L menyatakan banyaknya tingkat keabuan dengan elemen P
yang merupakan distribusi probabilitas bersama join probability distribution dari pasangan titik-titik dengan tingkat keabuan x1 yang berlokasi pada koordinat j,k
dengan x2 yang berlokasi pada koordinat m,n. Koordinat pasangan titik-titik tersebut berjarak d dengan sudut
θ. Dari pernyataan Putra, dapat disimpulkan bawha setiap citra akan memiliki
ukuran matriks kookurensi yang berbeda tergantung pada banyaknya tingkat keabuan pada citra tersebut.
Gambar 2.2 Hubungan antara; acitra asli; bmatriks GLCM Gambar 2.2 bagian ada adalah citra asli dengan ukuran 5x5. Dari gambar a
dapat dilihat ada 3 tingkat keabuan, yaitu 0, 100, dan 250. Karena pada citra asli terdapat 3 tingkat keabuan, maka matriks kookurensi yang akan dibuat adalah
matriks dengan ukuran 3x3 seperti yang ditunjukan Gambar 2.2 bagian b. Matriks kookurensi dapat dituliskan Pi,j;d,
θ. Dalam membangun hubungan antar pixel diperlukan sudut
θ digunakan dalam menentukan arah tetangga dan d untuk menentukan jarak spasial.
Gambar 2.3 Ilustrasi penentuan arah
Dari ilustrasi seperti yangditunjukan Gambar 2.3, dapat ditentukan kearah mana suatu pixel akan dihubungkan dengan pixel tetangganya. Dengan ilustrasi ini
dapat ditentukan matriks kookurensi dari citra asli Gambar 2.2 dimana matriks GLCM yang akan dibentuk dengan jarak spasial d=1 dan sudut
θ=0
o
atau dapat dituliskan Pi,j;1,0
o
. a. citra asli
b. matriks GLCM PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Gambar 2.4 Menentukan pixel tetangga
Pada gambar ini diperlihatkan bahwa menentukan tenagga untuk membentuk sebuah hubungan antar pixel berdasarkan aturan Pi,j;1,0
o
. Karena jarak spasial 1 dan sudut arah 0
o
, maka pixel j atau pixel tetangga dari pixel i berada di kanan dengan jarak 1 pixel. Contoh, jika i
1,1
maka j
1,2
.
Gambar 2.5 Proses mebentuk matriks GLCM
Gambar 2.5 menjelasakan bagaimana cara membentuk matriks kookurensikanan dari citra aslikiri. Nilai tiap cell didapatkan dari jumlah
hubungan antar pixel pada citra asli yang memenuhi syarat Pi,j;1,0
o
dimana jarak antara suatu pixel dengan pixel tetangga sama dengan 1 dengan arah sudut 0
o
. Seperti pada Gambar 2.4 yang ditunjukan lingkaran merah diamana nilai i=0 dan
j=0, d=1 dan θ=0
o
hanya ada 1 yang memenuhi. Sedangkan untuk yang nilai i=100 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
dan j=0, d=1 dan θ=0
o
ada 6 hubungan pixel yang memenuhi. Cara yang sama dilakukan untuk mengisi matriks GLCM lainya hingga semua nilai matriks GLCM
di dapatkan. Dari matriks GLCM yang telah didapatkan, kemudian carilah fitur yang bisa
didapatkan dari matriks tersebut. Menurut Haralick1973, ada 14 fitur yang bisa didapatkan dari matriks GLCM. Pada fungsi matlab hanya ada 4 fitur saja yang bisa
didapatkan, seperti yang dijelaskan dalam web mathworks.com, fitur tersebut antara lain contrast, correlation, energy, dan homogeinity.
a. Kontras
∑| − | � ,
,
i = indeks baris dari matriks pi,j
j = indeks kolom dari matriks pi,j
b. Korelasi
∑ − �
− � � , � �
,
� = rata-rata elemen baris pada matriks pi,j � = rata-rata elemen kolom pada matriks pi,j
� = nilai standar deviasi elemen baris pada matriks pi,j � = nilai standar deviasi elemen baris pada matriks pi,j
c. Energi
∑ � ,
,
d. Homogenitas
∑ � ,
1 + | − |
,
2.1
2.2
2.3
2.4 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2.7. K-Nearest Neighbor
Kategori