KLASIFIKASI BAWANG MERAH PUTIH DAN BOMBA
KLASIFIKASI BAWANG MERAH, PUTIH DAN BOMBAY
MENGGUNAKAN METODE NAÏVE BAYESIANCLASSIFIER
Finish Revita Ganidar, Evita Devi Martinuva, Indrahidayati Nur Rohmah, Karid Nurvenus, Sukarjo
Jurusan Teknik Informatika/Ilmu Komputer, Fakultas Program Teknologi Informasi dan Ilmu Komputer,
Universitas Brawijaya, Malang, 65145, Indonesia.
E-mail: [email protected], [email protected], [email protected], [email protected],
[email protected].
Abstrak
Warna merupakan salah satu atribut yang dapat digunakan untuk mengidentifikasikan suatu
object. Dimana warna ini merupakan salah satu karakteristik yang sangat menonjol pada buah
dan sayur terutama pada daerah tropis. Maka dalam makalah ini, warna digunakan untuk
mengidentifikasikan jenis bawang. Dengan menggunakan algoritma Naïve Bayes, bawang
dikelompokkan ke dalam tiga kelas yang telah ditentukan yaitu kelas bawang merah, bawang
putih dan bawang Bombay. Hasil penelitian ini diharapkan dapat menggantikan cara mendeteksi
jenis bawang secara manual. Dengan data uji 75 dataset yang menghasilkan akurasi sebesar 80%.
Kata kunci: bawang, klasifikasi, naïve bayes
Abstract
Color is one of attribute that can be used to identify an object. Color is one of the most visible
characteristic fruit and vegetable have and grow in tropic territory. In this research, color is used to
identify onion, garlic, and red onion. By using Naïve Bayes, onions are classified into three classes that
have been given; garlic class, onion class, and red onion class. This research result hopefully can change
onion detection that is done manually before.
Key worlds: onion, classification, naïve bayes
1. PENDAHULUAN
Bawang adalah tumbuhan yang memiliki
umbi yang kecil, terdiri dari berlapis-lapis kulit
dan mengandung aroma yang menyengat. Umbi
bawang sangat sering dibutuhkan dalam sebuah
bumbu masak. Umbi bawang sering digunakan
untuk sebuah olahan makanan. Gambar 1
disamping menunjukkan macam bawang yang
digunakan dalam penelitian kali ini.
Gambar 1. Bawang merah, bawang putih, dan
bawang bombay
Bawang merah merupakan bawang yang
berwarna merah keunguan. Bawang merah
dipercaya memiliki kandungan zat yang sangat
berguna bagi tubuh kita seperti kalsium, zat besi
dan vitamin C yang berguna dalam
penyembuhan gangguan kesehatan seperti
demam, batuk dan kencing manis. [4]
Bawang putih berwarna putih dan
memiliki berbagai kandungan zat yang berguna
bagi kesehatan. Bawang putih dipercaya
memiliki kandungan potassium, kalsium,
vitamin A,B,C dan zat antioksidan. Semua
kandungan ini meningkatkan kekebalan tubuh
sebagai penawar racun, mengurangi serangan
kanker, menghambat penuaan tubuh dan
meningkatkan insulin darah. [4]
Bawang bombay merupakan jenis bawang
yang memiliki perpaduan bawang merah dan
bawang putih. Dari bentuknya menyerupai
bawang merah namun ukurannya lebih besar.
Tetapi dari warna maupun aromanya menyerupai
bawang putih. Bawang bombay berguna
meningkatkan
kolesterol
baik,
menekan
kolesterol darah, mencegah penggumpalan
antitrombotik. [4]
Bawang biasanya tumbuh dan banyak
dibudidayakan oleh petani yang berada di daerah
dataran rendah hingga berada pada ketinggian
1300 meter di atas permukaan laut dengan
kondisi yang cukup lembab dan memiliki
kandungan air.
Warna menjadi salah satu ciri yang mudah
diketahui untuk membedakan jenis bawang.
Dalam
penelitian
ini
menerapkan
pengkasifikasian objek. Klasifikasi bertujuan
untuk menetapkan kelas
yang
telah
ditetapkan untuk setiap contoh. Hal ini dapat
membantu untuk memahami data yang ada dan
dapat digunakan untuk memprediksi bagaimana
kasus baru akan berperilaku. [1] Salah satu
metode pengklasifikasian yang digunakan adalah
algoritma Naïve Bayes untuk mengklasifikasikan
bawang dalam kelas bawang merah, kelas
bawang putih atau kelas bawang bombay.
Dengan
adanya
metode
pengklasifikasian ini,
kami
ingin
mengembangkan suatu program yang
berguna untuk mendeteksi jenis bawang.
Apakah jenis bawang dapat dibedakan
dengan menggunakan metode itu?
2. METODE PENELITIAN
Pada penelitian ini metode yang
digunakan dalam mengklasifikasikan bawang
Bombay digunakan metode algoritma Naïve
Bayes.
Naïve
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. Ada dua proses penting yang
dilakukan saat melakukan klasifikasi. Proses
yang pertama adalah learning (training)
yaitu proses pembelajaran menggunakan
training set. [3] Untuk kasus Naïve Bayesian
Classifier, perhitungan probabilitas dari data
berdasarkan data pembelajaran yang telah
dilakukan. Proses yang kedua adalah proses
testing yaitu menguji model menggunakan
data
testing.
Gambar
2
berikut
memperlihatkan alur dari kedua proses
tersebut.
Gambar 2. Proses training dan testing data
set
Keuntungan menggunakan metode Naïve Bayes
diantaranya : [5]
1. Relatif mudah untuk diimplemetasikan
karena tidak menggunakan optimasi
numerik, perhitungan matriks dan lainnya.
2. Efisien
dalam
pelatihan
dan
penggunaannya.
3. Bisa menggunakan data binary atau
polinom.
4. Karena diasumsikan independent maka
memungkinkan
metode
ini
diimplementasikan dengan berbagai macam
data set.
5. Akurasi yang dihasilkan relatif tinggi
A. Data Acquisition and Sensing
Bawang akan diklasifikasikan menjadi 3
kelas; Bawang Merah, Putih, dan Bombay.
Permasalahanya adalah bagaimana suatu
bawang akan diklasifikasikan kedalam
suatu kelas yang benar oleh Aplikasi ini.
Kita asumsikan bahwa kita hanya punya
3 jenis bawang; Bawang Merah, Putih, dan
Bombay.
Ada beberapa permasalahan yang bisa
menyebabkan kesalahan pengklasifikasian
jenis bawang, diantaranya disebabkan oleh
kondisi pencahayaan, posisi bawang ketika
diambil gambarnya, noise pada kamera dan
lain-lain.
Langkah – langkah pemrosesan:
1. Capture Image
Mengambil
gambar
bawang,
disarankan gambar bawang dengan
ukuran 100*100 pixel.
2. Isolate Onion
Bawang
dikelompokkan
sesuai
jenisnya.
3. Take Measurement
Ada beberapa fitur yang bisa
digunakan untuk membedakan jenis
bawang; warna RGB, ukuran bawang,
berat bawang.
B.
Pre-Processing
Melakukan cropping pada bagian
gambar bawang untuk menghindari warna
yang tidak dibutuhkan dalam proses
pengambilan nilai RGB. Misal background
gambar, akar bawang ataupun daun bawang.
C.
Feature Extraction
Kemungkinan fitur yang akan digunakan
adalah; fitur warna (RGB) bawang, ukuran
bawang, dan berat bawang.
Biasanya sering dijumpai ukuran dan
berat bawang putih adalah yang paling
besar diantara ketiganya, dan bawang
Bombay mempunyai ukuran dan berat lebih
besar dari bawang merah. Namun tidak
sedikit kasus bawang Bombay yang sama
atau malah lebih besar ukuran dan beratnya
dibandingkan bawang putih. Sehingga fitur
ukuran dan berat tidak bisa menjadi
pembeda.
Warna bawang merah adalah lebih
kemerah – merahan dibanding bawang
Bombay, bawang Bombay berwarna coklat
kemerah-merahan.
Sedangkan
warna
bawang putih adalah dominan putih.
Sehingga fitur warna dapat digunakan.
D. Classification
Berikut proses pengklasifikasian jenis
bawang:
1. Menghitung rata-rata nilai RGB. Untuk
menghitung nilai rata-rata fitur Red®,
dapat menggunakan persamaan (1),
Green (G) menggunakan persamaan
(2), dan fitur Blue (B) menggunakan
persamaan (3).
j =210
∑
R=
Rij
i=1
… (1)
j
j=210
∑
G=
Gij
i=1
… (2)
j
j=210
∑
B=
Bij
i=1
j
… (3)
2.
Kualifikasi gambar menjadi 3 kelas
yaitu Bawang Merah, Bawang Putih
dan Bawang Bombay
μ=
Pelatihan Data
Tahapan ini akan mencari nilai mean(
μ ) dan standar deviasi( σ ) setiap
fitur pada masing-masing kelas. Data latih
yang digunakan dalam penelitian ini
sejumlah 75 data latih. Dimana masingmasing kelas terdiri dari 25 data latih. Perlu
dilakukan ekstraksi fitur, sebelum dilakukan
pelatihan data. Hasil ekstraksi fitur bawang
yaitu fitur red, green, blue seperti pada table
1.
R
G
B
1
158
136
123
Bawang Merah
2
158
131
128
Bawang Merah
3
149
132
129
Bawang Merah
4
194
155
163
Bawang Merah
5
185
179
165
Bawang Merah
26
193
189
171
Bawang Putih
27
227
217
200
Bawang Putih
28
189
187
174
Bawang Putih
29
168
163
161
Bawang Putih
30
206
200
180
Bawang Putih
...................................
51
202
168
91
Bawang Bombay
52
164
170
89
Bawang Bombay
53
210
207
108
Bawang Bombay
54
196
179
127
Bawang Bombay
55
193
171
109
Bawang Bombay
...................................
Tabel.1 data Set RGB Gambar Bawang
Langkah – langkah pelatihan data
dengan Naïve Bayes yaitu:
a. Hitung probabilitas (prior) tiap
kelas yang ada.
b. Lalu hitung rata-rata (mean) tiap
fitur dan tiap kelas dengan
persamaan (4).
…(4)
∑n
c.
= jumlah nilai data
Kemudian hitung nilai standar
deviasi tiap fiitur dan tiap kelas
dengan persamaan (5).
x
¿
¿i
¿
x´
(−¿¿¿ 2¿)2 …(5)
n
1
∑¿
n−1 i=1
¿
σ =¿
Kelas
...................................
k
Dimana:
k = banyaknya data
3.
No
∑n
4.
Pengujian Data
Tahap-tahap dalam pengujian
data meliputi:
a. Menghitung densitas probabilitas
data
testing
menggunakan
persamaan (6).
2
1
φ μσ ( x )=
e
√2 π σ 2
−(x− μ)
2
2σ
…
(6)
Setelah didapatkan nilai densitas
probabilitasnya,
selanjutnya
menghitung probabilitas masingmasing
kelas
dengan
menggunakan persamaan (7).
P=P ( X|C i ) × P(C i) …(7)
Probabilitas yang paling besar
menunjukkan dimana bawang itu
diklasifikasikan. Apakah ke kelas
Bawang Merah, Putih atau Bombay.
b.
Dari proses pengujian data ini, kita
bandingkan
nilai
P(1∨ X) ,
P(2∨ X) , P(3∨X ) - nya seperti
sebagai berikut:
1. Jika
P (1| X ) > P(2∨ X)
dan
P (1| X ) > P(3∨X )
2.
3.
maka digolongkan ke dalam kelas 1
(Bawang Merah),
Jika
P (2| X ) > P(1∨ X)
dan
P (2| X ) > P(3∨X )
maka digolongkan ke dalam kelas 2
(Bawang Putih) dan
Jika
P (3| X ) > P(1∨ X)
dan
P (3| X ) > P(2∨ X)
maka masuk ke kelas 3 (Bawang
Bombay).
E. Post-Processing
Jika hasil pengklasifikasian jenis
bawang yang diproses pada sub classification
mempunyai keakuratan ≥ 90%, maka Aplikasi
pengklasifikasian jenis bawang ini dapat
digunakan.
3. HASIL DAN PEMBAHASAN
Pada penelitian ini dilakukan untuk
menguji jenis bawang berdasarkan warna RGB
dan diklasifikasikan kedalam 3 kelas yaitu kelas
bawang merah, bawang putih dan bawang
Bombay. Metode yang digunakan adalah metode
Naïve Bayes dengan 75 data set yang akan
dilatih. Berdasarkan persamaan (6) maka
diperoleh nilai P1, P2, dan P3. Nilai tersebutlah
yang akan dibandingkan untuk menentukan
kelas bawang merah, bawang putih atau bawang
Bombay. Hasil dari P1, P2, dan P3 yang
diperoleh dari data set tertera pada tabel 2.
P1
1.8973772E6
1.4819238E6
8.0632844E7
2.2258896E6
2.1199428E-6
P2
1.5872022
E-8
1.0878049
E-8
6.0657453
E-7
6.935671E8
6.441877E8
P3
1.4454519
E-8
6.6403416
E-9
1.2917517
E-8
1.3325734
E-8
4.720746E8
…………………………………
2.2855344
1.8898547
B.Bombay
E-9
E-6
1.1898738
6.942482E- B.Bombay
E-9
7
1.2144863
2.44846E-7 B.Bombay
E-8
2.1965738
2.9053263
B.Bombay
E-7
E-7
3.2983806
1.1112072E B.Bombay
E-8
-6
…………………………………..
1.4264705
4.5843793
B.Putih
E-6
E-10
6.778897E- 4.688274E- B.Putih
8
14
7.468145E- 7.0339424
B.Putih
7
E-12
7.684318E- 2.120078E- B.Putih
7
9
4.7174176
1.6788664
B.Putih
E-8
E-14
3.600684E-8
Kelas
B.Merah
B Merah
B.Merah
1.7065653E7
5.824343E10
1.2391709E7
1.8968353E7
1.2295541E8
1.5412209E13
3.1012654E10
6.046452E-7
6.001861E14
Tabel 2. Nilai P1, P2 dan P3 untuk masingmasing data set
Berdasarkan table 2, data latih yang kita
hitung P1, P2 dan P3 digunakan untuk melatih
data set dalam menentukan bawang merah,
bawang putih atau bawang Bombay. Dari table 2
tersebut kita bandingkan nilai P1, P2 dan P3 nya.
1. Jika P (1| X ) > P (2| X ) dan P (1| X )
> P (3| X )
maka digolongkan ke dalam kelas 1
(Bawang
Merah),
P (2| X ) > P (1| X )
2.
Jika
dan
P (2| X ) > P (3| X ) maka digolongkan ke
dalam kelas 2 (Bawang Putih) dan
3.
Jika
P (3| X ) > P (1| X )
P (3| X ) >
dan
P (2| X )
maka masuk ke kelas 3 (Bawang Bombay).
EVALUASI
Berdasarkan table 2, dapat kita hitung
tingkat akurasi dari metode Naïve Bayes yang
kita gunakan dalam mengklasifikasikan bawang
dengan cara menghitung peluang kebenarannya
dalam tabel 3 dan 4.
B.Merah
B.Merah
True
class
Bawang
Merah
Bawang
Putih
Bawang
Bombay
Jumlah
Bawang
Merah
Bawang
Putih
Bawang
Bombay
20
1
4
25
5
17
2
25
3
0
22
25
Tabel 3. Kebenaran metode Naïve Bayes
Dari tabel 3, kita dapat mengetahui
jumlah bawang yang sesuai dengan jenisnya
sebanyak 60 bawang. Dengan demikian,
maka
prosentase
kebenaran
secara
keseluruhan adalah (60/75)*100 atau 80%
benar.
Ada beberapa faktor yang menyebabkan
suatu bawang tidak diklasifikasikan oleh
program sesuai jenisnya. Salah satunya adalah
bawang-bawang yang tidak diklasifikasikan
sesuai jenisnya tersebut disebabkan oleh faktor
pencahayaan pada gambar yang membuat rgb
dari bawang yang diamati berbeda.
True
class
Bawang
Merah
Bawang
Putih
Bawang
Bombay
Jumla
h
Bawang
Merah
80%
4%
16%
100%
Bawang
Putih
20%
68%
12%
100%
Bawang
Bomba
y
12%
0%
88%
100%
Tabel 4. Persentase kebenaran metode Naïve
Bayes
KESIMPULAN
Dari penelitian terhadap pengklasifikasian
kematangan buah tomat dengan metode Naïve
Bayes dapat disimpulkan sebagai berikut:
Warna pada bawang dapat kita gunakan
untuk mengklasifikasikan bawang dalam
kelas bawang merah, bawang putih dan
bawang Bombay.
Dengan metode Naïve Bayes kita dapat
menentukan bawang dalam kelas
bawang merah, kelas bawang putih dan
kelas bawang Bombay dengan fitur
RGB.
Dengan 75 data latih dan berdasarkan
pada table 3 dan 4 menunjukkan bahwa
metode Naïve Bayes mempunyai
keakuratan 80% dalam menentukan
kelas bawang merah, kelas bawang putih
atau kelas bawang Bombay.
DAFTAR PUSTAKA
[1]. Materi Praktikum Data Mining Naive
Bayesian
Classifier
Program
Studi
Informatika
/
Matematika
FMIPA
Universitas Syiah Kuala. Pengarang: Dr.
Taufik Fuadi Abidin, M, Tech, Dr.
Muhammad Subianto, M.Si.
[2]. Proposal Metodologi Penelitian Pengenalan
Pola Wajah (Face Recognizion) pada Citra
Digital dengan Menggunakan Metode
Jaringan Saraf Tiruan (Neural Network).
Pengarang: Zahlul Fuad.
[3]. Model Prediktif. Pengarang: Hendro
Nindito S.SI, MSSI
[4]. Keragaman Stabilitas hasil Bawang Merah,
Putih dan Bombay. Ilmu Pertanian
Universitas Gadjah Mada. Pengarang:
Erlina Ambarwati dan Prapto Yudono
[5]. Rachli, Muhamad.2007. Email Filtering
menggunakan Naïve Bayesian. Bandung :
Tugas Akhir Jurusan Teknik Elektro Institut
Teknologi Bandung
BIOGRAFI PENULIS
Karid Nurvenus
Mahasiswa Universitas
Brawijaya – Malang.
Jurusan Informatika/Ilmu –
Komputer.
Lahir di Blitar 24 Januari 1993
Evita Devi Martinuva
Mahasiswa Universitas
Brawijaya – Malang.
Jurusan Informatika/Ilmu –
Komputer.
Lahir di Malang 8 Maret 1992
Sukarjo
Mahasiswa Universitas
Brawijaya – Malang.
Jurusan Informatika/Ilmu –
Komputer.
Lahir di Indramayu 29 Mei 1993
Finish Revita Ganidar
Mahasiswa Universitas
Brawijaya – Malang.
Jurusan Informatika/Ilmu –
Komputer.
Lahir di Malang 11 Juli 1993
Indrahidayati Nur Rohmah
Mahasiswa Universitas
Brawijaya – Malang.
Jurusan Informatika/Ilmu –
Komputer.
Lahir di Sidoarjo 13 Juni 1993
MENGGUNAKAN METODE NAÏVE BAYESIANCLASSIFIER
Finish Revita Ganidar, Evita Devi Martinuva, Indrahidayati Nur Rohmah, Karid Nurvenus, Sukarjo
Jurusan Teknik Informatika/Ilmu Komputer, Fakultas Program Teknologi Informasi dan Ilmu Komputer,
Universitas Brawijaya, Malang, 65145, Indonesia.
E-mail: [email protected], [email protected], [email protected], [email protected],
[email protected].
Abstrak
Warna merupakan salah satu atribut yang dapat digunakan untuk mengidentifikasikan suatu
object. Dimana warna ini merupakan salah satu karakteristik yang sangat menonjol pada buah
dan sayur terutama pada daerah tropis. Maka dalam makalah ini, warna digunakan untuk
mengidentifikasikan jenis bawang. Dengan menggunakan algoritma Naïve Bayes, bawang
dikelompokkan ke dalam tiga kelas yang telah ditentukan yaitu kelas bawang merah, bawang
putih dan bawang Bombay. Hasil penelitian ini diharapkan dapat menggantikan cara mendeteksi
jenis bawang secara manual. Dengan data uji 75 dataset yang menghasilkan akurasi sebesar 80%.
Kata kunci: bawang, klasifikasi, naïve bayes
Abstract
Color is one of attribute that can be used to identify an object. Color is one of the most visible
characteristic fruit and vegetable have and grow in tropic territory. In this research, color is used to
identify onion, garlic, and red onion. By using Naïve Bayes, onions are classified into three classes that
have been given; garlic class, onion class, and red onion class. This research result hopefully can change
onion detection that is done manually before.
Key worlds: onion, classification, naïve bayes
1. PENDAHULUAN
Bawang adalah tumbuhan yang memiliki
umbi yang kecil, terdiri dari berlapis-lapis kulit
dan mengandung aroma yang menyengat. Umbi
bawang sangat sering dibutuhkan dalam sebuah
bumbu masak. Umbi bawang sering digunakan
untuk sebuah olahan makanan. Gambar 1
disamping menunjukkan macam bawang yang
digunakan dalam penelitian kali ini.
Gambar 1. Bawang merah, bawang putih, dan
bawang bombay
Bawang merah merupakan bawang yang
berwarna merah keunguan. Bawang merah
dipercaya memiliki kandungan zat yang sangat
berguna bagi tubuh kita seperti kalsium, zat besi
dan vitamin C yang berguna dalam
penyembuhan gangguan kesehatan seperti
demam, batuk dan kencing manis. [4]
Bawang putih berwarna putih dan
memiliki berbagai kandungan zat yang berguna
bagi kesehatan. Bawang putih dipercaya
memiliki kandungan potassium, kalsium,
vitamin A,B,C dan zat antioksidan. Semua
kandungan ini meningkatkan kekebalan tubuh
sebagai penawar racun, mengurangi serangan
kanker, menghambat penuaan tubuh dan
meningkatkan insulin darah. [4]
Bawang bombay merupakan jenis bawang
yang memiliki perpaduan bawang merah dan
bawang putih. Dari bentuknya menyerupai
bawang merah namun ukurannya lebih besar.
Tetapi dari warna maupun aromanya menyerupai
bawang putih. Bawang bombay berguna
meningkatkan
kolesterol
baik,
menekan
kolesterol darah, mencegah penggumpalan
antitrombotik. [4]
Bawang biasanya tumbuh dan banyak
dibudidayakan oleh petani yang berada di daerah
dataran rendah hingga berada pada ketinggian
1300 meter di atas permukaan laut dengan
kondisi yang cukup lembab dan memiliki
kandungan air.
Warna menjadi salah satu ciri yang mudah
diketahui untuk membedakan jenis bawang.
Dalam
penelitian
ini
menerapkan
pengkasifikasian objek. Klasifikasi bertujuan
untuk menetapkan kelas
yang
telah
ditetapkan untuk setiap contoh. Hal ini dapat
membantu untuk memahami data yang ada dan
dapat digunakan untuk memprediksi bagaimana
kasus baru akan berperilaku. [1] Salah satu
metode pengklasifikasian yang digunakan adalah
algoritma Naïve Bayes untuk mengklasifikasikan
bawang dalam kelas bawang merah, kelas
bawang putih atau kelas bawang bombay.
Dengan
adanya
metode
pengklasifikasian ini,
kami
ingin
mengembangkan suatu program yang
berguna untuk mendeteksi jenis bawang.
Apakah jenis bawang dapat dibedakan
dengan menggunakan metode itu?
2. METODE PENELITIAN
Pada penelitian ini metode yang
digunakan dalam mengklasifikasikan bawang
Bombay digunakan metode algoritma Naïve
Bayes.
Naïve
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. Ada dua proses penting yang
dilakukan saat melakukan klasifikasi. Proses
yang pertama adalah learning (training)
yaitu proses pembelajaran menggunakan
training set. [3] Untuk kasus Naïve Bayesian
Classifier, perhitungan probabilitas dari data
berdasarkan data pembelajaran yang telah
dilakukan. Proses yang kedua adalah proses
testing yaitu menguji model menggunakan
data
testing.
Gambar
2
berikut
memperlihatkan alur dari kedua proses
tersebut.
Gambar 2. Proses training dan testing data
set
Keuntungan menggunakan metode Naïve Bayes
diantaranya : [5]
1. Relatif mudah untuk diimplemetasikan
karena tidak menggunakan optimasi
numerik, perhitungan matriks dan lainnya.
2. Efisien
dalam
pelatihan
dan
penggunaannya.
3. Bisa menggunakan data binary atau
polinom.
4. Karena diasumsikan independent maka
memungkinkan
metode
ini
diimplementasikan dengan berbagai macam
data set.
5. Akurasi yang dihasilkan relatif tinggi
A. Data Acquisition and Sensing
Bawang akan diklasifikasikan menjadi 3
kelas; Bawang Merah, Putih, dan Bombay.
Permasalahanya adalah bagaimana suatu
bawang akan diklasifikasikan kedalam
suatu kelas yang benar oleh Aplikasi ini.
Kita asumsikan bahwa kita hanya punya
3 jenis bawang; Bawang Merah, Putih, dan
Bombay.
Ada beberapa permasalahan yang bisa
menyebabkan kesalahan pengklasifikasian
jenis bawang, diantaranya disebabkan oleh
kondisi pencahayaan, posisi bawang ketika
diambil gambarnya, noise pada kamera dan
lain-lain.
Langkah – langkah pemrosesan:
1. Capture Image
Mengambil
gambar
bawang,
disarankan gambar bawang dengan
ukuran 100*100 pixel.
2. Isolate Onion
Bawang
dikelompokkan
sesuai
jenisnya.
3. Take Measurement
Ada beberapa fitur yang bisa
digunakan untuk membedakan jenis
bawang; warna RGB, ukuran bawang,
berat bawang.
B.
Pre-Processing
Melakukan cropping pada bagian
gambar bawang untuk menghindari warna
yang tidak dibutuhkan dalam proses
pengambilan nilai RGB. Misal background
gambar, akar bawang ataupun daun bawang.
C.
Feature Extraction
Kemungkinan fitur yang akan digunakan
adalah; fitur warna (RGB) bawang, ukuran
bawang, dan berat bawang.
Biasanya sering dijumpai ukuran dan
berat bawang putih adalah yang paling
besar diantara ketiganya, dan bawang
Bombay mempunyai ukuran dan berat lebih
besar dari bawang merah. Namun tidak
sedikit kasus bawang Bombay yang sama
atau malah lebih besar ukuran dan beratnya
dibandingkan bawang putih. Sehingga fitur
ukuran dan berat tidak bisa menjadi
pembeda.
Warna bawang merah adalah lebih
kemerah – merahan dibanding bawang
Bombay, bawang Bombay berwarna coklat
kemerah-merahan.
Sedangkan
warna
bawang putih adalah dominan putih.
Sehingga fitur warna dapat digunakan.
D. Classification
Berikut proses pengklasifikasian jenis
bawang:
1. Menghitung rata-rata nilai RGB. Untuk
menghitung nilai rata-rata fitur Red®,
dapat menggunakan persamaan (1),
Green (G) menggunakan persamaan
(2), dan fitur Blue (B) menggunakan
persamaan (3).
j =210
∑
R=
Rij
i=1
… (1)
j
j=210
∑
G=
Gij
i=1
… (2)
j
j=210
∑
B=
Bij
i=1
j
… (3)
2.
Kualifikasi gambar menjadi 3 kelas
yaitu Bawang Merah, Bawang Putih
dan Bawang Bombay
μ=
Pelatihan Data
Tahapan ini akan mencari nilai mean(
μ ) dan standar deviasi( σ ) setiap
fitur pada masing-masing kelas. Data latih
yang digunakan dalam penelitian ini
sejumlah 75 data latih. Dimana masingmasing kelas terdiri dari 25 data latih. Perlu
dilakukan ekstraksi fitur, sebelum dilakukan
pelatihan data. Hasil ekstraksi fitur bawang
yaitu fitur red, green, blue seperti pada table
1.
R
G
B
1
158
136
123
Bawang Merah
2
158
131
128
Bawang Merah
3
149
132
129
Bawang Merah
4
194
155
163
Bawang Merah
5
185
179
165
Bawang Merah
26
193
189
171
Bawang Putih
27
227
217
200
Bawang Putih
28
189
187
174
Bawang Putih
29
168
163
161
Bawang Putih
30
206
200
180
Bawang Putih
...................................
51
202
168
91
Bawang Bombay
52
164
170
89
Bawang Bombay
53
210
207
108
Bawang Bombay
54
196
179
127
Bawang Bombay
55
193
171
109
Bawang Bombay
...................................
Tabel.1 data Set RGB Gambar Bawang
Langkah – langkah pelatihan data
dengan Naïve Bayes yaitu:
a. Hitung probabilitas (prior) tiap
kelas yang ada.
b. Lalu hitung rata-rata (mean) tiap
fitur dan tiap kelas dengan
persamaan (4).
…(4)
∑n
c.
= jumlah nilai data
Kemudian hitung nilai standar
deviasi tiap fiitur dan tiap kelas
dengan persamaan (5).
x
¿
¿i
¿
x´
(−¿¿¿ 2¿)2 …(5)
n
1
∑¿
n−1 i=1
¿
σ =¿
Kelas
...................................
k
Dimana:
k = banyaknya data
3.
No
∑n
4.
Pengujian Data
Tahap-tahap dalam pengujian
data meliputi:
a. Menghitung densitas probabilitas
data
testing
menggunakan
persamaan (6).
2
1
φ μσ ( x )=
e
√2 π σ 2
−(x− μ)
2
2σ
…
(6)
Setelah didapatkan nilai densitas
probabilitasnya,
selanjutnya
menghitung probabilitas masingmasing
kelas
dengan
menggunakan persamaan (7).
P=P ( X|C i ) × P(C i) …(7)
Probabilitas yang paling besar
menunjukkan dimana bawang itu
diklasifikasikan. Apakah ke kelas
Bawang Merah, Putih atau Bombay.
b.
Dari proses pengujian data ini, kita
bandingkan
nilai
P(1∨ X) ,
P(2∨ X) , P(3∨X ) - nya seperti
sebagai berikut:
1. Jika
P (1| X ) > P(2∨ X)
dan
P (1| X ) > P(3∨X )
2.
3.
maka digolongkan ke dalam kelas 1
(Bawang Merah),
Jika
P (2| X ) > P(1∨ X)
dan
P (2| X ) > P(3∨X )
maka digolongkan ke dalam kelas 2
(Bawang Putih) dan
Jika
P (3| X ) > P(1∨ X)
dan
P (3| X ) > P(2∨ X)
maka masuk ke kelas 3 (Bawang
Bombay).
E. Post-Processing
Jika hasil pengklasifikasian jenis
bawang yang diproses pada sub classification
mempunyai keakuratan ≥ 90%, maka Aplikasi
pengklasifikasian jenis bawang ini dapat
digunakan.
3. HASIL DAN PEMBAHASAN
Pada penelitian ini dilakukan untuk
menguji jenis bawang berdasarkan warna RGB
dan diklasifikasikan kedalam 3 kelas yaitu kelas
bawang merah, bawang putih dan bawang
Bombay. Metode yang digunakan adalah metode
Naïve Bayes dengan 75 data set yang akan
dilatih. Berdasarkan persamaan (6) maka
diperoleh nilai P1, P2, dan P3. Nilai tersebutlah
yang akan dibandingkan untuk menentukan
kelas bawang merah, bawang putih atau bawang
Bombay. Hasil dari P1, P2, dan P3 yang
diperoleh dari data set tertera pada tabel 2.
P1
1.8973772E6
1.4819238E6
8.0632844E7
2.2258896E6
2.1199428E-6
P2
1.5872022
E-8
1.0878049
E-8
6.0657453
E-7
6.935671E8
6.441877E8
P3
1.4454519
E-8
6.6403416
E-9
1.2917517
E-8
1.3325734
E-8
4.720746E8
…………………………………
2.2855344
1.8898547
B.Bombay
E-9
E-6
1.1898738
6.942482E- B.Bombay
E-9
7
1.2144863
2.44846E-7 B.Bombay
E-8
2.1965738
2.9053263
B.Bombay
E-7
E-7
3.2983806
1.1112072E B.Bombay
E-8
-6
…………………………………..
1.4264705
4.5843793
B.Putih
E-6
E-10
6.778897E- 4.688274E- B.Putih
8
14
7.468145E- 7.0339424
B.Putih
7
E-12
7.684318E- 2.120078E- B.Putih
7
9
4.7174176
1.6788664
B.Putih
E-8
E-14
3.600684E-8
Kelas
B.Merah
B Merah
B.Merah
1.7065653E7
5.824343E10
1.2391709E7
1.8968353E7
1.2295541E8
1.5412209E13
3.1012654E10
6.046452E-7
6.001861E14
Tabel 2. Nilai P1, P2 dan P3 untuk masingmasing data set
Berdasarkan table 2, data latih yang kita
hitung P1, P2 dan P3 digunakan untuk melatih
data set dalam menentukan bawang merah,
bawang putih atau bawang Bombay. Dari table 2
tersebut kita bandingkan nilai P1, P2 dan P3 nya.
1. Jika P (1| X ) > P (2| X ) dan P (1| X )
> P (3| X )
maka digolongkan ke dalam kelas 1
(Bawang
Merah),
P (2| X ) > P (1| X )
2.
Jika
dan
P (2| X ) > P (3| X ) maka digolongkan ke
dalam kelas 2 (Bawang Putih) dan
3.
Jika
P (3| X ) > P (1| X )
P (3| X ) >
dan
P (2| X )
maka masuk ke kelas 3 (Bawang Bombay).
EVALUASI
Berdasarkan table 2, dapat kita hitung
tingkat akurasi dari metode Naïve Bayes yang
kita gunakan dalam mengklasifikasikan bawang
dengan cara menghitung peluang kebenarannya
dalam tabel 3 dan 4.
B.Merah
B.Merah
True
class
Bawang
Merah
Bawang
Putih
Bawang
Bombay
Jumlah
Bawang
Merah
Bawang
Putih
Bawang
Bombay
20
1
4
25
5
17
2
25
3
0
22
25
Tabel 3. Kebenaran metode Naïve Bayes
Dari tabel 3, kita dapat mengetahui
jumlah bawang yang sesuai dengan jenisnya
sebanyak 60 bawang. Dengan demikian,
maka
prosentase
kebenaran
secara
keseluruhan adalah (60/75)*100 atau 80%
benar.
Ada beberapa faktor yang menyebabkan
suatu bawang tidak diklasifikasikan oleh
program sesuai jenisnya. Salah satunya adalah
bawang-bawang yang tidak diklasifikasikan
sesuai jenisnya tersebut disebabkan oleh faktor
pencahayaan pada gambar yang membuat rgb
dari bawang yang diamati berbeda.
True
class
Bawang
Merah
Bawang
Putih
Bawang
Bombay
Jumla
h
Bawang
Merah
80%
4%
16%
100%
Bawang
Putih
20%
68%
12%
100%
Bawang
Bomba
y
12%
0%
88%
100%
Tabel 4. Persentase kebenaran metode Naïve
Bayes
KESIMPULAN
Dari penelitian terhadap pengklasifikasian
kematangan buah tomat dengan metode Naïve
Bayes dapat disimpulkan sebagai berikut:
Warna pada bawang dapat kita gunakan
untuk mengklasifikasikan bawang dalam
kelas bawang merah, bawang putih dan
bawang Bombay.
Dengan metode Naïve Bayes kita dapat
menentukan bawang dalam kelas
bawang merah, kelas bawang putih dan
kelas bawang Bombay dengan fitur
RGB.
Dengan 75 data latih dan berdasarkan
pada table 3 dan 4 menunjukkan bahwa
metode Naïve Bayes mempunyai
keakuratan 80% dalam menentukan
kelas bawang merah, kelas bawang putih
atau kelas bawang Bombay.
DAFTAR PUSTAKA
[1]. Materi Praktikum Data Mining Naive
Bayesian
Classifier
Program
Studi
Informatika
/
Matematika
FMIPA
Universitas Syiah Kuala. Pengarang: Dr.
Taufik Fuadi Abidin, M, Tech, Dr.
Muhammad Subianto, M.Si.
[2]. Proposal Metodologi Penelitian Pengenalan
Pola Wajah (Face Recognizion) pada Citra
Digital dengan Menggunakan Metode
Jaringan Saraf Tiruan (Neural Network).
Pengarang: Zahlul Fuad.
[3]. Model Prediktif. Pengarang: Hendro
Nindito S.SI, MSSI
[4]. Keragaman Stabilitas hasil Bawang Merah,
Putih dan Bombay. Ilmu Pertanian
Universitas Gadjah Mada. Pengarang:
Erlina Ambarwati dan Prapto Yudono
[5]. Rachli, Muhamad.2007. Email Filtering
menggunakan Naïve Bayesian. Bandung :
Tugas Akhir Jurusan Teknik Elektro Institut
Teknologi Bandung
BIOGRAFI PENULIS
Karid Nurvenus
Mahasiswa Universitas
Brawijaya – Malang.
Jurusan Informatika/Ilmu –
Komputer.
Lahir di Blitar 24 Januari 1993
Evita Devi Martinuva
Mahasiswa Universitas
Brawijaya – Malang.
Jurusan Informatika/Ilmu –
Komputer.
Lahir di Malang 8 Maret 1992
Sukarjo
Mahasiswa Universitas
Brawijaya – Malang.
Jurusan Informatika/Ilmu –
Komputer.
Lahir di Indramayu 29 Mei 1993
Finish Revita Ganidar
Mahasiswa Universitas
Brawijaya – Malang.
Jurusan Informatika/Ilmu –
Komputer.
Lahir di Malang 11 Juli 1993
Indrahidayati Nur Rohmah
Mahasiswa Universitas
Brawijaya – Malang.
Jurusan Informatika/Ilmu –
Komputer.
Lahir di Sidoarjo 13 Juni 1993