19
d. Kemudian selanjutnya menghitung Likelihoodnya 2.10, Hasil A1
=155|Ya dengan A2 = 45|Ya di kalikan begitu pula sebaliknya. Sehingga: Hasil A1 = 0.0240 x 0.0240 = 0.000576
Hasil A2 = 0.0119 x 0.0225 = 0.000267
e. Menghitung nilai probabilitas dengan melakukan normalisasi terhadap
nilai Ya dan nilai Tidak 2.11, sehingga diperoleh hasil akhir, seperti:
Kesimpulannya, nilai Probabilitas Ya lebih besar daripada nilai
Probabilitas Tidak. Sehingga hasil klasifikasi = Ya.
2.7 Akurasi
Sebuah sistem
dalam melakukan
klasifikasi diharapkan
dapat mengklasifikasi semua data set dengan benar, tetapi tidak dipungkiri bahwa
kinerja suatu sistem tidak bisa 100 akurat. a
Untuk menghitung akurasi digunakan:
b Untuk menghitung kesalahan prediksi error digunakan:
20
BAB III ANALISA DAN PERANCANGAN SISTEM
Pada bab analisa dan perancangan sistem ini, berisi tentang penjelasan mengenai perancangan sistem secara umum, perancangan setiap proses nya, mulai
dari proses ekstraksi ciri warna dan rata-rata vektor sampai dengan proses klasifikasi menggunakan algoritma Naive Bayes Classifier dan proses untuk
mendapatkan tingkat keakuratan dari proses klasifikasi kain tradisional nusantara.
3.1 Data Citra Kain Nusantara
Terdapat dua data yang digunakan dalam klasifikasi kain tradisional nusantara ini, masing-masing mempunyai 10 daerah atau kelas. Data yang
pertama merupakan data kain yang dalam satu daerah terdapat 1 jenis citra kain yang telah di potong-potong menjadi 10 bagian citra kain setiap daerahnya, total
keseluruhan ada 100 citra terdapat pada lampiran I. Data yang kedua dalam satu daerah terdapat 10 jenis citra kain, jumlah keseluruhan 100 citra terdapat pada
lampiran II. Semua citra kain berukuran 200x200 piksel.
Gambar 3. 1 Contoh Citra asli berukuran 200 x 200 piksel
21
3.2 Perancangan Sistem Secara Umum
Sistem klasifikasi kain tradisional nusantara ini dibuat dengan tujuan untuk memodelkan algoritma Naive Bayes dalam menangani klasifikasi kain
tradisional nusantara. Citra yang dimasukan kedalam sistem merupakan gambar yang berukuran 200x200 piksel. Pada citra dilakukan proses ekstraksi ciri yang
meliputi ekstraksi warna dan rata-rata vektor. Sistem akan menggunakan ciri tersebut untuk proses training dan testing. Ada 2 sistem yaitu yang pertama untuk
menghitung akurasi dari 100 data citra yang telah dilakukan proses klasifikasi menggunakan Naive Bayes.
Memotong Citra 200x200 piksel
Data Citra Kain Dari User
Memotong Citra 200x200 piksel
Memotong Citra 200x200 piksel
Menghitung rata- rata RGB
Menghitung rata- rata Red, Green
dan Blue Memisahkan
warna Red, Green dan Blue
Hasil ekstraksi ciri warna rata-rata
R,G,B dan rata- rata RGB
Deteksi tepi Canny
Grayscaling
Hitung rata-rata vektor Horisontal
Vertikal Hasil ekstraksi ciri
rata-rata vektor Horisontal atau
Vertikal Menghitung rata-
rata RGB Menghitung rata-
rata Red, Green dan Blue
Memisahkan warna Red, Green
dan Blue
Deteksi tepi Canny
Grayscaling
Hitung rata-rata vektor Horisontal
Vertikal Hasil ekstraksi ciri
gabungan warna dan rata-rata vektor
Ekstraksi Ciri Warna Ekstraksi Ciri Warna Rata-rata Vektor
Ekstraksi Ciri Rata-rata Vektor
Proses Klasifikasi menggunakan Naive
Bayes Perhitungan
Akurasi Proses Klasifikasi
menggunakan Naive Bayes
Perhitungan Akurasi
Proses Klasifikasi menggunakan Naive
Bayes Perhitungan
Akurasi Data Citra Kain
Dari User Data Citra Kain
Dari User
Gambar 3. 2 Alur Perancangan Sistem Dengan 100 Data
22
Yang kedua adalah menghitung probabilitas maksimal dari data citra yang dimasukan oleh user. Hasil keluarannya adalah daerah asal dari citra yang
dimasukan.
Memotong Citra 200x200 piksel
Data Citra Kain Dari User
Memotong Citra 200x200 piksel
Memotong Citra 200x200 piksel
Menghitung rata- rata RGB
Menghitung rata- rata Red, Green
dan Blue Memisahkan
warna Red, Green dan Blue
Hasil ekstraksi ciri warna rata-rata
R,G,B dan rata- rata RGB
Deteksi tepi Canny
Grayscaling
Hitung rata-rata vektor Horisontal
Vertikal Hasil ekstraksi ciri
rata-rata vektor Horisontal atau
Vertikal Menghitung rata-
rata RGB Menghitung rata-
rata Red, Green dan Blue
Memisahkan warna Red, Green
dan Blue
Deteksi tepi Canny
Grayscaling
Hitung rata-rata vektor Horisontal
Vertikal Hasil ekstraksi ciri
gabungan warna dan rata-rata vektor
Ekstraksi Ciri Warna Ekstraksi Ciri Warna Rata-rata Vektor
Ekstraksi Ciri Rata-rata Vektor
Proses Klasifikasi menggunakan Naive
Bayes Hasil berupa
Daerah asal citra kain
Proses Klasifikasi menggunakan Naive
Bayes Hasil berupa
Daerah asal citra kain
Proses Klasifikasi menggunakan Naive
Bayes Hasil berupa
Daerah asal citra kain
Data Citra Kain Dari User
Data Citra Kain Dari User
Gambar 3. 3 Alur Perancangan Sistem Dengan Data Dari User
23
3.3 Perancangan Proses Ekstraksi ciri
