Satria Habiburrahman Fathul Hakim1 , Imam Cholissodin2

Abstrak

Sistem presensi mahasiswa pada Fakultas Ilmu Komputer, Universitas Brawijaya masih menggunakan system manual yang sangat rawan disalahgunakan oleh mahasiswa itu sendiri seperti menitipkan absen pada temannya. Oleh karena itu dibutuhkan suatu sistem yang telah terdigitalisasi dan juga cepat dalam mencari solusi permasalahan. Metode optimasi merupakan metode untuk pencarian solusi yang lebih cepat. Pada penelitian kali ini peneliti menggunakan metode Particle Swarm Optimization (PSO), yang mana metode tersebut terinspirasi dari perilaku sosial gerakan kawanan burung pada kehidupan kesehariannya. Sedangkan metode klasifikasi adalah metode yang sangat erat kaitannya dengan hipotesis probabilitas. Jadi 2 metode ini akan memiliki fungsi yang berbeda dalam pengenalan wajah pada presensi mahasiswa tersebut dimana PSO disini adalah sebagai seleksi fitur dan Naïve Bayes disini sebagai mesin klasifikasi sekaligus juga mempunyai fungsi untuk mendapatkan fitnessnya. Pada pengujian pengaruh iterasi didapatkan kesimpulan bahwa iterasi dengan total nilai fitness terbaik pada jumlah partikel ke 38 yaitu 13,38, kemudian pada pengujian pengaruh jumlah iterasi didapatkan kesimpulan bahwa total fitness terbesar berada pada iterasi 190 yaitu 36,799, dengan kata lain semakin besar iterasi maka fitness semakin baik pula dan pengujian yang terakhir yaitu pada bobot inersia berada, fitness tertinggi pada bobot inersia 1,2 yaitu 1,588.

Kata Kunci: Particle Swarm Optimization, Naive Bayes, metode optimasi, wajah

Abstract

The Presence system of students in the Faculty of Computer Science, Brawijaya University is still using the manual system that is very prone to be misused by the students as entrusted that presence to his friend. Therefore we need a system that has been digitized and also fast in finding solution problem. Optimization method is a method of searching for faster solutions. For this time the researchers is using the Particle Swarm Optimization (PSO) method, that method was inspired by the social behavior of bird movements in their daily lives. While the method of classification is a method that is closely related to the probability hypothesis. So there are 2 methods and have different functions in facial recognition at the student presences where PSO here is as a feature selection and Naïve Bayes here as a classification engine as well as a function to get fitness. In the test results obtained that iteration with the best total fitness value is on the number of particles 38 with the highest total fitness is 13,38, then on testing the effect of the number of iterations obtained the conclusion that the largest total fitness is at iteration 190 is 36,799, in other words the greater of iteration the fitness is also better and the last test is on testing for the weight of inertia is 1,2 with the highest total fitness result is 1,588.

Keywords: Particle Swarm Optimization, Naive Bayes, optimization method, faces

berupa tanda tangan pada buku presensi, hal ini

1. PENDAHULUAN

sangat rentan terhadap kecurangan pada presensi harian. Hal ini terbukti pula pada saat penulis

Dari hasil pengamatan penulis pada sistem presensi mahasiswa yang dilakukan oleh bagian

melakukan pengamatan langsung saat berada di akademik Fakultas Ilmu Komputer Universitas

dalam sebuah kelas yang berlokasi di gedung A FILKOM pada saat perkuliahan manajemen

Brawijaya masih menggunakan sistem manual

Fakultas Ilmu Komputer Universitas Brawijaya

sangat penting yaitu permasalahan sistem yang pukul 13.00 WIB sampai dengan selesainya

harus mendapatkan solusi permasalahan dengan mata kuliah pukul 15.30 WIB ada 35 mahasiswa

lebih cepat. Oleh karena itu dibutuhkan suatu yang hadir mengikuti mata kuliah, namun pada

sistem yang dapat menyelesaikan masalah buku presensi ada 40 anak yang mengisi presensi

tersebut dengan cara mengimplementasikan kehadiran. Jadi dapat disimpulkan bahwa ada

metode optimasi. Ada banyak teknik untuk beberapa orang mahasiswa yang tidak hadir

optimasi namun pada penelitian kali ini penulis tersebut menitipkan presensi pada temannya.

menggunakan teknik optimasi dengan algoritme Hal ini terjadi dikarenakan faktor sistem yang

Particle Swarm Optimization , dikarenakan masih belum terdigitalisasi dan terautomatisasi

algoritme PSO memiliki proses yang lebih mendorong peneliti untuk menciptakan suatu

sederhana dibandingkan dengan algoritme sistem yang mana nantinya wajah sebagai objek

optimasi lainnya seperti algoritme genetika. Hal untuk dapat mengidentifikasi presensi pada

ini dikarenakan algoritme PSO tidak memiliki mahasiswa.

proses crossover dan mutasi, selain itu parameter Wajah atau face adalah bagian tubuh yang

algoritme PSO juga lebih sedikit daripada berada pada kepala bagian depan manusia yang

algoritme genetika (Khusna, 2016). meliputi wilayah dahi, hidung, alis, pipi dan

PSO pada penelitian kali ini berfungsi dagu. Setiap orang sangat dipastikan memiliki

sebagai pemberi referensi seleksi fitur yang karakteristik wajah yang berbeda mulai dari

terbaik dan layak untuk diproses agar ekspresi, bentuk ataupun karakteristik wajah, hal

mendapatkan hasil yang maksimal. PSO akan itulah yang menjadi landasan bahwasannya

mencari berdasarkan ukuran populasi (swarm) wajah termasuk objek dari bidang biometrik.

dari tiap individu (partikel) dengan syarat harus Biometrik merupakan sebuah metode yang

diperbaharui pada tiap iterasinya. PSO akan terautomatisasi yang dapat mengenal seseorang

punya beberapa parameter berupa posisi, berdasarkan karakteristik fisik tertentu seperti

kecepatan, kecepatan max, konstanta kecepatan iris mata, sidik jari, tanda tangan dan suara

dab bobot inersia. PSO punya kelebihan untuk (Foka, 2002).

optimasi yang lebih cepat dan juga memiliki Wajah dapat diproses dengan pola

tingkat konvergensi yang stabil (Park, 2009). pengenalan

PSO juga mempunyai kelebihan yang lain yaitu merupakan langkah paling awal yang harus

wajah. Pendeteksian

wajah

sederhana, mudah dilakukan dalam melakukan pengidentifikasian

mempunyai

konsep

dan efisien dalam suatu wajah. Pendeteksian suatu wajah yang

diimplementasikan,

perhitungan jika dibandingkan dengan algoritme ideal harus dapat mengidentifikasi maupun

matematika dan teknik optimisasi heuristik menemukan lokasi dari luas semua wajah yang

lainnya (Tuegeh dkk, 2013). ada pada sebuah gambar dengan tidak

Penelitian selanjutnya pada Naïve Bayes memperhatikan skala, pose, umur, ekspresi,

penelitian yang dilakukan oleh (Fais dkk, 2014) maupun orientasi (Jain, 2000). Pendeteksian

yang mana dalam menentukan keberhasilan wajah dapat dilakukan dengan cara segmentasi

akurasi pada metode Naïve Bayes dipengaruhi pada area citra wajah dengan bagian latar

oleh kualitas dari preprocessing data sebelum (background). Dalam aplikasi berbasis desktop

dilakukannya klasifikasi pada Naïve Bayes. komputer atau device lainnya pengenalan wajah

Karena pada tiap pengujian pada penelitian dapat diproses dengan alur sesuai algoritme dan

tersebut mengalami perbedaan pada tiap adanya metode tertentu, agar diperoleh kualitas

perubahan data training pada proses hasil pengenalan wajah yang baik dibutuhkan suatu

klasifikasi.

kondisi lingkungan yang mendukung untuk Sedangkan untuk seleksi fitur warna dilakukannya uji coba atau dipakainya sistem

merujuk kepada penelitian yang dilakukan oleh tersebut diantaranya dengan indeks cahaya,

(Choi, 2011) terdapat 9 fitur warna pada warna kulit, sudut-sudut pada saat pengambilan

pengenalan wajah yaitu YCbCr, YIQ, HSV, Cie gambar wajah dan ukuran pixel kamera saat

l*u*v*, RGB, YUV, XYZ, CIE L*a*b*, Cie pengambilan gambar wajah berlangsung (Putra,

L*ch. Pada penelitian tersebut fitur diseleksi 2013).

berdasarkan kedekatan warna satu dengan yang Namun sistem itu belum banyak digunakan

lain dari data latih sebagai contoh RGB dan HSV di kalangan umum seperti sekolah, universitas,

akan menghasilkan informasi dari intensitas perkantoran dan perusahaan. Disamping

warna hijau. Kedekatan warna ini dihitung warna hijau. Kedekatan warna ini dihitung

gender, ras, pertumbuhan dan usia. Oleh karena kulit dimana fitur warna yang terbaik pada

tu tidak ada satu wajahpun yang serupa antara penelitian yang dilakukan oleh (Sutanto, 2010)

individu satu dengan yang lain, bahkan pada adalah RGB dan YcbCr. Pada penelitian tersebut

manusia kembar identik sekalipun. RGB dan YcbCr memberikan pendeteksian yang lebih tinggi dan juga menghasilkan akurasi sebesar 83%.

implementasi dan juga studi pustaka dari penelitian sebelumnya yang menggunakan metode PSO dan juga Naïve Bayes penulis memiliki hipotesis bahwa penelitian ini menghasilkan solusi yang optimal terkait dengan hasil fitness yang didapatkan pada pengujian nantinya. Penelitian pada kali ini ialah klasifikasi objek citra wajah dengan gabungan dari 2 metode dimana metode PSO disini adalah sebagai penyeleksi fitur yang paling optimal diakarenakan metode PSO ini mampu

menyelesaikan masalah yang kompleks dan juga

Gambar 1. Ilustrasi Gambar Dataset Wajah

metode yang lebih sederhana dibandingkan dengan metode optimasi lainnya seperti

2.3 Fitur Seleksi

algoritme genetika, sedangkan metode Naïve Bayes disini sebagai mesin klasifikasi yang

2.3.1. YcbCr

menghasilkan akurasi sebagai fitness sebagai Warna YcbCr kita bisa juga menyebutnya hasil keluarannya.

dengan istilah CCIR 601 (International Radio Consultative Commite ). YcbCr ini mempunyai

2. LANDASAN KEPUSTAKAAN

range warna dari 0-255. Warna ini awalnya

2.1 Konsep Pengenalan Pola

dikembangkan untuk dunia informasi digital berbasis video, sehingga dalam perkembangan

Pola adalah suatu entitas yang sudah terlebih video digital tidak lepas dari pengembangan dari dahulu didefinisikan berdasarkan ciri-cirinya.

model warna tersebut. Pada umumnya model Dari ciri-ciri itulah yang nantinya akan sangat

warna YcbCr ini adalah bagian dari ruang warna berguna sebagai pembeda antara pola satu

yang berasal dari transmisi video dan televisi. dengan pola yang lain. Suatu pola yang memiliki

Warna YcbCr ini juga mempunyai hubungan ciri-ciri yang baik akan memiliki pola dengan

tetangga yang mirip dengan warna lain yaitu pembeda yang sangat tinggi, sehingga pada

YUV dan YIQ, perbedaan yang terjadi adalah pengenalan pola berdasarkan pengelompokan

apabila YcbCr adalah sistem warna secara ciri tersebut didapatkan nilai keakurasian yang

digital sedangkan yang lain adalah sistem warna tinggi. Pola berasal dari gabungan berbagai fitur

secara analog. Warna YcbCr ini memisahkan dan merupakan sifat dari salah satu objek (Al

nilai dari RGB agar menjadi informasi Fatta, 2009).

luminance dan juga chrominance yang sangat berguna pada aplikasi kompresi citra gambar.

2.2 Pengenalan Wajah (Face Recognition)

Konversi dari RGB ke YcbCr ini memiliki Wajah merupakan bagian dari kepala

persamaan sebagai berikut (Ford dan Roberts, bagian depan manusia yang meliputi wilayah

dari dahi saapai bagian dagu, termasuk juga

Y = 0.299900.R + 0.58700.G + 0.11400.B

bagian rambut, dahi, alis, mata, hidung, pipi, mulut, bibir, gigi, kulit, dan dagu (KBBI, 2009).

C b = -0.16874.R - 0.33126.G + 0.50000.B

(1) pembeda antara wajah seseorang dengan yang

Elemen-elemen tersebut yang menjadi

C r = 0.50000.R - 0.41869.G - 0.08131.B

lainnya. Selain elemen fisik tersebut ada

2.3.2 CMY

beberapa faktor lain yang mempengaruhi wajah Warna CMY (Cyan, Magenta dan Yellow) yaitu: jaringan syaraf dan pembuluh darah, beberapa faktor lain yang mempengaruhi wajah Warna CMY (Cyan, Magenta dan Yellow) yaitu: jaringan syaraf dan pembuluh darah,

adalah model substractive yang mana

mempunyai tingkat kecerahan dari warna yang warna. CMY ini mempunyai range warna dari 0-

bervariasi dari saturation. Nilai warna ini antara 255. Contoh dari implementasi warna CMY

0-100%. Apabila warna tersebut memiliki nilai adalah pigmen warna pada cat. Permukaan yang

0, maka akan menjadi hitam dan apabila nilai telah dicat oleh warna cyan akan diiluminasi

tersebut dinaikkan akan membentuk variansi oleh sinar putih, tidak ada sinar merah yang

baru dari warna tersebut. Model warna ini dipantulkan dan juga adanya persamaan untuk

menganut sistem warna yang berasal dari teori warna magenta dengan warna hijau dan juga

warna Ostwald (Ostwald, 1931). kuning dengan biru. Konversi dari RGB ke

CMY memiliki persamaan sebagai berikut (Ford (𝑚𝑎𝑥−𝑚𝑖𝑛) 𝑆=

dan Roberts, 1998):

V= max

C = 1.0 –R

H berasal dari:

M = 1.0 –G If R= max and G = min (H = 5 + B’) Y = 1.0 –B

Else if R= max and G≠ min (H = 1- G’)

Else if G= max and B = min (H = R’ + 1) HSI (hue, saturation, intensity) adalah

2.3.3 HSI

Else if G= max and B ≠ min (H = 3 - B’) bentuk bidang datar dari model solid yang

Else if R= max (H = 3 + G’) dilakukan pemotongan secara horizontal pada

oherwise (H = 5- R’)

intensitas tertentu. HSI ini mempunyai range warna dari 0-255. Hue berasal dari warna merah,

2.3.5 RGB

saturation berasal dari jarak sumbu. Warna permukaan yang solid berasal dari saturasi yang

RGB adalah model dimana warna berasal penuh yang mana terdiri atas warna murni dan

dari konsep penambahan kuat dari cahaya primer spektrum tingkat keabuan. Konversi dari RGB

yaitu red, green dan blue. Pada satu ruang yang ke HSI memiliki persamaan sebagai berikut

sama apabila tidak adanya cahaya maka suatu (Ford dan Roberts, 1998):

ruangan tersebut akan mengalami gelap total.

1 Lalu apabila kita tambahkan cahaya merah di

H ’ = cos -1 (

) ruangan tersebut maka ruangan itu akan berubah

menjadi merah pada RGB menjadi (255,0,0)

S=1 – 3 / (R+G+B) min (R,G,B)

maka ruangan tersebut hanya dapat terlihat dengan warna merah saja. Dan hal tersebut juga

I = (R+G+B) / 3

akan sama apabila cahaya yang diberikan akan diganti dengan warna biru ataupun hijau

(Permana, 2010). RGB erat kaitannya dengan HSV (Hue, Saturation dan Value) dimana

2.3.4 HSV

normaliasasi RGB dimana 3 komponen utama hue adalah warna yang telah direfleksikan

yaitu r, g, dan b mengandung unsur persentase maupun dilakukan transmisi dari sebuah objek.

dari sebuah pixel yang ada digambar. Persamaan HSV ini mempunyai range warna dari 0-255.

untuk normalisasi adalah sebagai berikut (Ford Nilai hue dapat diukur dari lokasi roda standar

dan Roberts, 1998):

pada warna yang mana direpresentasikan dalam

nilai derajat dengan besaran sudut antara 0° dan

360°. Hue dalam pengimplementasiaannya dapat melakukan identifikasi nama dari warna

merah, orange (jingga) atau hijau. Saturation

(chroma) adalah merupakan ukuran kemurnian

(5) dari warna yang terjadi. Saturation akan membentuk representasi keabuan pada hue dan

ukurannya akan berbentuk dalam persentase 0% (gray) sampai 100% (full saturated). Untuk roda

CIE adalah kepanjangan dari Commisione standar warna, saturation dari pusat roda yang

Internationale de l'Eclairage merupakan Komisi berbentuk lingkaran ini akan semakin bertambah

Iluminasi Internasional yang mana bertanggung jawab

untuk

memberikan rekomendasi memberikan rekomendasi

Model L * a * b * merupakan model yang berhasil membuat suatu standar warna dari 3

berbentuk 3 dimensi, sehingga hanya bisa dasar yaitu spesifikasi cahaya sumber

diwakili dalam ruang 3 dimensi (3D (iluminants), pengamat dan metodologi untuk

representations of the L*a*b* gamut, Bruce digunakan memperoleh nilai pendeskripsian

Lindbloom ). Sedangkan dalam 2 dimensi warna. Pada warna CIE ini memanfaatkan 3

bentuk diagram koordinat dalam penemuan warna dalam suatu

penggambaran

berupa

kromatisitas yang mana merupakan bagian ruangan. Ruang warna itu yaitu:

warna dengan lightness yang tetap. 1 dimensi

a. CIE XYZ

merupakan sebagai penentu lightness. Namun Pada saat studi mengenai persepsi warna

model ini memiliki kekurangan yaitu pertama kali yang berhasil didefinisikan adalah

representasi visual dari semua warna dalam mengenai CIE XYZ (Introduction to Colour

model yang ada masih belum akurat. Science, William Andrew Steer & efg's Color

L* = 116 (Y/Y n ) 1/3 – 16

Chromaticity Diagrams Lab Report and Delphi ), yang dibuat pada tahun 1931. Warna

n ) source 1/3 – (Y/Y ] CIE XYZ didapat dari rangkaian uji coba yang

a* = 500 [(X/X n ) 1/3

b* = 200 [(Y/Y n ) 1/3 – (Z/Z n ) 1/3 ] (7) dilakukan pada 1920 oleh W.David Wright (CIE Color Space) dan John Guild, pada saat itu hasil

2.4 Particle Swarm Optimization

eksperimen tersebut digabungkan menjadi Particle swarm optimization adalah suatu spesifikasi warna CIE RGB dari turunan warna algoritma yang banyak terinspirasi dari perilaku CIE XYZ. sosial hewan seperti burung, lebah dan ikan. Perhitungan CIE XYZ ini dimana X Seekor hewan dalam algoritma PSO akan bertindak sebagai iluminasi, Z berarti quasi- dianggap sebagai partikel. Partikel ini akan equal stimulus biru (respon dari kerucut S), dan dipengaruhi oleh kecerdasan dari individu

X adalah kombinasi linear yang berasal dari hewan itu sendiri dan dan kecerdasan dari respon kerucut yang sifatnya ortogonal dari partikel lain dalam satu kelompok. Apabila satu iluminasi dan juga bernilai negatif dengan kata partikel menemukan jalan yang tepat dan lain bahwa XYZ ini adalah turunan dari respon terpendek menuju ke suatu sumber makanan, kerucut L (panjang), M (menengah) dan S maka yang terjadi adalah partikel-partikel lain (pendek). Dalam penyajian warna XYZ tersebut akan mengikuti partikel yang telah mempunyai standar tersendiri apabila ingin menemukan jalan yang tepat dan terpendek tadi. mengkombinasikan penambahan nilai XYZ, lalu Pada algoritma PSO ini memiliki proses ketiga warna tersebut akan dikonversikan ke perhitungan sebagai berikut: bentuk RGB dengan matriks berikut.

∗ R + 0.358 ∗ G + 0.180 ∗ B 2.4.1 Inisialiasi Kecepatan Awal

X = 0.412

∗ R + 0.715 ∗ G + 0.072 ∗ B Pada saat inisialisasi kecepatan iterasi awal ini (iterasi ke-0) semua kecepatan partikel

Y = 0.213

haruslah bernilai = 0 atau kita bisa lihat Namun CIE XYZ ini mempunyai beberapa

Z = 0.019 ∗ R + 0.119 ∗ G + 0.950 ∗ B (6)

Persamaan 8.

kelemahan yaitu sangat sulit pada pengaturan ( V i,j (t) =0) (8) brightness sesuai dengan yang diinginkan (Loy,

2.4.2 Inisialiasi Posisi Awal Partikel

b. CIE L* a* b*

Posisi awal dari sebuah partikel seharusnya LAB sebagai singkatan informal dengan

berada pada range [ 𝑥 min, 𝑥 max ]. Jika posisi yang sebutan CIE 1976 (L *, a *, b *). Perbedaan

dihasilkan kurang dari 𝑥 min maka posisi harus antara Hunter dan warna CIE adalah pada

dikembalikan lagi ke 𝑥 min , dan jika posisi koordinat CIE LAB yang L (Luminance atau

maka posisi harus tingkat kecerahan) a (rentang warna dari hijau

melebihi dari

max

sampai merah), dan b (rentang warna dari biru 𝑥 max. Formula untuk

dikembalikan lagi ke

melakukan inisialisasi sebuah pertikel dengan sampai kuning). Pertanda bintang (*) setelah L,a

range dimensi dapat dilihat pada Persamaan 9. dan b merupakan bagian nama lengkap, karena

merupakan perwakilan dari L *, a * dan b *, hal 𝑥 𝑖𝑗 (𝑡) = 𝑥 min 𝑗 + 𝑟(𝑥 𝑖𝑗 −𝑥 𝑖𝑗 ) (9) ini ditujukan sebagai pembeda antara CIELAB

2.4.3 Inisialiasi Pbest dan Gbest Awal

2. Suatu iterasi akan terhenti jika telah ditemukan solusi yang telah memenuhi

Pada inisialisasi Pbest iterasi ke-0, nilai

kriteria yang ada.

partikel ini dapat disamakan nilainya dengan

nilai Inisialisasi awal partikel. Suatu iterasi akan terhenti apabila tidak

adanya perubahan nilai (konvergen).

( Pbest i,j (t) = x i,j (t)) (10)

4. Suatu iterasi akan terhenti apabila nilai radius swarm yang telah dinormalisasi

2.4.4 Update Kecepatan

mendekati 0.

5. Suatu iterasi akan terhenti apabila grafik penentuan ke arah mana perpindahan posisi

Update kecepatan

berguna

dalam

fungsi obyektif telah mendekati nilai 0 partikel yang berada pada populasi tertentu.

seiring dengan pertambahan iterasi. Dimana nilai bobot inersia (w) telah diketahui,

untuk koefisien akselerasi 1 dan 2 (c 1 dan c 2 )

2.5 Naïve Bayes

telah diketahui, sedangkan untuk nilai random Naïve Bayes Classifier (NBC) adalah salah pada r 1 dan r 2 adalah bilangan yang dipilih

satu aspek dari pengenalan pola (pattern secara acak dalam interval 0 sampai dengan 1.

recognation ) yang sudah merujuk pada statistik

yang fundamental. Naïve Bayes adalah teknik v i , j  w . v i , j  c 1 . r 1  Pbest i , j  x i , j  yang prediksi berdasarkan probabilitas.

2 . r 2  Gbest g , j  x i , j  (11) Implementasi dari teorema bayes ini adalah

berdasarkan asumsi independensi yang dominan (Eko Prasetyo, 2012).

2.4.5 Update Posisi

Dalam teori bayes ada beberapa prinsip ada Apabila kecepatan baru telah didapatkan

beberapa prinsip ketidaktergantungan yang kuat maka dilakukan proses update posisi dengan

untuk tiap fitur pada sebuah data yang tidak cara menghitung nilai sigmoid berdasarkan

berhubungan dengan adanya fitur lain pada data Persamaan 12 berikut.

yang sama. Pada hipotesis Naïve Bayes adalah merupakan label identitas kelas yang telah

sig  v i , j 

 menjadi target pada pemetaan klasifikasi dengan v (12)

i t , 1 j  e telah terkait pada korelasi hipotesis, dan bukti tersebut dapat berupa fitur-fitur yang telah

Setelah nilai sigmoid pada seluruh partikel menjadi input pada model klasifiaksi. Persamaan ke- I dan dimensi ke- j didapatkan maka dilakukan

pada klasifikasi Naïve Bayes adalah sebagai perbandingan antara nilai pada update kecepatan

berikut:

terhadap nilai acak yang telah dibuat sebanyak partikel ke- 𝑑

I dimensi ke- j . Apabila nilai random 𝑃(𝑌)Π 𝑖=1 𝑃(𝑋 𝑖 P(Y|X) = |𝑌)

lebih kecil dari nilai sigmoid maka posisi terbaru

bernilai = 1 dan sebaliknya apabila nilai random lebih besar dari nilai sigmoid maka nilai posisi

3. PERANCANGAN

terbaru bernilai = 0. Hal tersebut dapat dilihat pada Persamaan 13.

3.1 Formulasi Permasalahan

mahasiswa FILKOM  UB

if rand [ 0 , 1 ]  sig  v i , j  1

t  1 Seorang

t  1  dimisalkan bernama A akan diidentifikasi x i , j   else

(13) wajahnya. Pertama masukkan gambar wajah 

 0 pada sistem untuk dilakukannya konversi nilai gambar kedalam beberapa fitur yaitu: HSV,

2.4.6 Kondisi Berhenti

YCbCr, RGB, HSI dan CIELab. Setelah fitur didapatkan maka akan dilakukan seleksi fitur

Kondisi berhenti dalam PSO adalah syarat menggunakan algortima Particle Swarm yang digunakan dalam mengakhiri iterasi

Optimization . Pada algoritma PSO ini pencarian. Syarat-syarat tersebut akan dijelaskan

diperlukan beberapa masukan yang meliputi: sebagai berikut:

jumlah iterasi, ukuran swarm, bobot inersia (w),

1. Suatu iterasi akan terhenti jika telah koefisien alselerasi 1 ( 𝑐1), dan koefisien mencapai nilai maksimum

akselerasi 2 ( 𝑐2). Setelah itu dilakukan proses Naïve Bayes seperti standar deviasi, Gaussian, akselerasi 2 ( 𝑐2). Setelah itu dilakukan proses Naïve Bayes seperti standar deviasi, Gaussian,

yang dihasilkan dapat Bayes . Hasil klasifikasi Naïve Bayes ini adalah

Nilai densitas

memberikan nilai referensi terhadap proses yang terdapat pada posterior dengan cara

algortima Naive Bayes. Diagram alir proses memilih nilai yang terbesar disbanding yang

pengenalan wajah menggunakan PSO dan Naive lainnya setelah posterior didapatkan maka akan

Bayes ditunjukan pada Gambar 2. dibuatkan suatu tabel kebenaran yang berguna menghasilkan nilai fitness untuk algoritma PSO. Proses seleksi fitur algoritma PSO pada Naïve

Mulai

Bayes ini akan berhenti ketika telah mencapai jumlah partikel makksimal dan juga iterasi maksimal. Untuk contoh nilai-nilai fitur dari

Data_training,

gambar mahasiswa yang telah dikonversikan ke Data_testing, HSV, YCbCr, RGB, HSI dan CIELab dapat Iterasi,Pop_size,c1,

r1,c2,r2,w,Posisi

dilihat pada Tabel 1.

Tabel 1. Data Ekstraksi Fitur Gambar Wajah

Proses PSO

bel-1 bel-2 bel-3 bel-4 bel-5 bel-6

Naïve Bayes

Naïve Bayes

5 9 6 2 Selesai H 18,1

Gambar 2. Diagram Alir Proses PSO dan Naive L

Bayes A 23,2

Pada algoritma PSO terdapat sejumlah

partikel-partikel yang merupakan cikal bakal

untuk melakukan proses seleksi fitur, dimana pada partikel tersebut akan dilakukan inisialisasi

*Keterangan Tabel:

sebanyak jumlah fitur yang akan diproses, Tabel 1 = Data Ke-

partikel-partikel tersebut akan direpresentasikan Tabel 2 = Nama Fitur

pada Tabel 2.

Tabel 3 = Nilai Fitur Baris 1 Kolom 1 Tabel 4 = Nilai Fitur Baris 1 Kolom 2

Tabel 2. Representasi Partikel PSO

Tabel 5 = Nilai Fitur Baris 2 Kolom 1

Partikel ke-

Dimensi ke- X1 X2 X3 X4 X5 X6 Xn

Tabel 6 = Nilai Fitur Baris 2 Kolom 2

x 1 (0)

Tabel 7 = Nama Kelas

X m (i)

3.2 Siklus Penyelesaian Masalah

Keterangan Tabel :

Siklus algoritma PSO dan Naive Bayes X1 – Xn = Dimensi dari partikel diinisialisasi

merupakan urutan penyelesaian masalah sejumlah fitur yang akan diproses menggunakan algoritma Particle Swam

sejumlah n.

Optimization dan Naive Bayes secara sekuensial. x 1 (0) = Partikel ke-1 dan Iterasi ke 0. Optimasi

menggunakan algoritma PSO x m (i) = Partikel ke-m dan Iterasi ke i. bertujuan untuk memperoleh nilai yang optimum

berdasarkan nilai fitness yang dihasilkan oleh

4. PENGUJIAN DAN ANALISIS

nilai fitness adalah belum terjadinya kovergen. Hal ini diakibatkan posisi selanjutnya yang akan

4.1 Hasil Pengujian dan Analisis Terhadap

ditempuh oleh suatu partikel akan dipengaruhi

Iterasi Maksimum

oleh posisi terbaik dari partikel yang ada pada Iterasi maksimum adalah pengujian dimana

sebelumnya dan juga posisi terbaik dari semua iterasi-iterasi tersebut untuk mengetahui nilai

partikel. Apabila posisi terbaik tersebut tidak fitness terbaik. Iterasi maksimum yang akan diuji

akan terjadi perubahan di local optimum, maka adalah pada kelipatan 10, yakni mulai dari iterasi

partikel akan cepat mengalami konvergen lalu

10 sampai dengan 200. Tiap percobaan iterasi sebaliknya apabila posisi terbaik tersebut masih tersebut akan dilakukan pengujian sebanyak 5

adanya perubahan di local optimum, maka kali. Pada pengujian kali ini parameter-

partikel belum dapat konvergen. Hal inilah yang parameter yang diujikan meliputi:

terjadi pada pengujian iterasi penelitian kali ini belum terjadinya konvergen dikarenakan masih

Ukuran populasi = 4 adanya perubahan di local optimum.

Koefisien akselerasi 1 (c 1 ) = 0,5

Hasil pengujian terhadap iterasi maksimum

terhadap total waktu dapat dilihat pada Gambar Bobot inersia (w) = 0,5

Koefisien akselerasi 2 (c 2 ) = 0,5

Pada hasil pengujian iterasi maksimum pada penelitian kali ini didapatkan hasil fitness

Pengaruh Iterasi Maksimum

yang berbeda. Selain itu kita juga dapat

Terhadap Total Waktu (menit)

mengetahui rata-rata total fitness terbesar berada u 40 29,8 pada iterasi ke 190 yaitu 36,799. Dari pengujian 33,1 30 35

iterasi maksimum ini dapat dilhat pada Gambar

tal Wakt

To

Pengaruh Iterasi Maksimum

ata

Terhadap Total Fitness

-r

Iterasi Maksimum

ata R

50 32,5 ss 45 40 e 36,8 35 32,9

Rata-rata Total Waktu

tn 25 30 20 9,711,3 15,4 17,8 21,4 26,1

Gambar 4. Grafik Hasil Waktu Pengujian Iterasi 5 0 4,7

Dari grafik pada Gambar 4 yaitu pengaruh

ata R

pengujian iterasi terhadap rata-rata total waktu

Iterasi Maksimum Rata-rata Total Fitness

adalah ada beberapa pengujian semakin naik iterasinya maka semakin naik pula total

waktunya, namun ada juga yang naik iterasinya

Gambar 3. Grafik Hasil Pengujian Iterasi

rata-rata total waktunya menurun hal ini

Maksimum

diakibatkan oleh posisi fitur partikel = 0. Fitur Berdasarkan grafik pada Gambar 3, dapat

pada posisi PSO tidak dieksekusi oleh Naïve diambil kesimpulan bahwa iterasi sangat

Bayes untuk mendapatkan akurasinya, sehingga mempengaruhi hasil fitness yang didapatkan tiap

tidak adanya perhitungan pada fitur pada posisi kali jumlah iterasinya. Hal ini dikarenakan

partikel = 0. Hal itu akan mempercepat jalannya sering terjadinya proses update posisi yang

eksekusi program selama pengujian jumlah terjadi pada tiap iterasi. Dalam menentukan

iterasi.

jumlah iterasi maksimum juga disarankan berdasarkan kompleksitas dari masalah yang

4.2 Hasil Pengujian dan Analisis Terhadap

akan diselesaikan. Jumlah iterasi apabila sangat

Jumlah Partikel

sedikit ataupun terlalu banyak akan membuat Pengujian jumlah partikel mempunyai komputasi semakin lama apabila hanya jumlah

tujuan agar mengetahuui nilai fitness terbaik. maksimum iterasi ini yang menjadi suatu

Pada pengujian ini nantinya jumlah partikel yang patokan (Englebercth, 2007).

akan diuji adalah partikel dengan kelipatan 2, Dari grafik pada Gambar 3 juga dapat

mulai dari 2 sampai dengan 40, dengan masing- disimpulkan bahwa pengaruh iterasi terhadap

masing percobaan tiap jumlah partikelnya masing percobaan tiap jumlah partikelnya

Pengaruh Jumlah Partikel Terhadap Total Waktu (menit)

Iterasi maksimum = 10

Koefisien akselerasi 1 (c 1 ) = 0,5

Koefisien akselerasi 2(c 2 ) = 0,5

Bobot inersia (w) = 0,5

To 0 2 0,6 Pada hasil pengujian jumlah partikel 2,3 4 6 8 10 12 14 16 18 20 22 24 1,1 26 28 1,2 30 32 1,4 34 36 1,5 38 40 didapatkan hasil fitness yang berbeda. Selain itu

tal

ata

kita juga dapat mengetahui rata-rata total fitness -r

terbesar berada pada jumlah partikel ke 38 yaitu Jumlah Partikel

ata

13,38. Dari pengujian jumlah partikel dapat Rata-rata Total Waktu dilihat pada Gambar 5.

Gambar 6. Grafik Hasil Waktu Pengujian Jumlah

Partikel

Pengaruh Jumlah Partikel Terhadap Total Fitness

4.3 Hasil Pengujian dan Analisis Terhadap

Bobot Inersia

ss e 35 30

tn 25

Bobot inersia (w) merupakan pengujian

Fi 20

akan mengetahui nilai fitness yang terbaik. Pada

ata

-r 10 7,2

pengujian bobot inersia ini yang akan diuji ini

nantinya adalah angka untuk masukan bobot

ata 0

inersia (w) dalam PSO dengan nilai 0,6 – 2,4. Setelah nilai bobot inersia dimasukkan maka

Jumlah Partikel

akan dilakukan pengujian sebanyak 5 kali pada

tiap nilai bobot inersianya. Pada pengujian kali ini parameter- parameter yang diujikan meliputi:

Rata-rata Total Fitness

Gambar 5. Grafik Hasil Pengujian Jumlah Partikel

Iterasi maksimum = 10 Jumlah partikel = 4

Berdasarkan grafik pada Gambar 5, dapat Koefisien akselerasi 1 (c 1 ) = 0,5 diambil kesimpulan bahwa apabila partikel

Koefisien akselerasi 2(c 2 ) = 0,5 semakin besar maka semakin baik pula solusi

yang dihasilkan dikarenakan partikel yang Pada hasil pengujian iterasi maksimum banyak tersebut akan membuat banyak pilihan

didapatkan hasil fitness yang berbeda. Selain itu posisi, oleh karena itulah sangat besar

kita juga dapat mengetahui rata-rata total fitness kemungkinan yang akan didapatakan untuk

terbesar berada pada bobot inersia 1,2 yaitu mencapai solusi yang optimal. Selain itu ada

1,588. Setelah bobot inersia mencapai 1.2 pendapat yang mengatakan bahwa umumnya

tersebut hasil rata-rata fitness tidak mengalami jumlah partikel 20 – 40 sudah cukup mampu

kenaikan yang signifikan. Hal ini tidak seperti dalam mendapatkan solusi yang optimal (Zerda

pada pengujian sebelumnya yaitu iterasi , 2009).

maksimum dan juga jumlah partikel yang mana Dari grafik pada Gambar 5 juga dapat

semakin naik nilainya maka akan semakin tinggi disimpulkan bahwa pengaruh partikel terhadap

nilai fitnessnya. Dari pengujian bobot inersia nilai fitness adalah belum terjadinya konvergen.

dapat dilihat pada Gambar 7. Hal ini diakibatkan oleh banyaknya partikel yang

memiliki keanekaragaman

dalam

merepresentasikan solusi penyelesaian masalah. Sebuah partikel memiliki posisi dan kecepatan yang berbeda yang mana telah menentukan representasi solusi secara mandiri saat itu juga.

Hasil pengujian terhadap jumlah partikel terhadap total waktu dapat dilihat pada Gambar

Pengaruh Bobot Inersia Terhadap Pengaruh Bobot Inersia Terhadap Total Fitness

Total Waktu (menit)

tal Waktu

ata 0,6 0,8 1 1,2 1,4 1,6 1,8 2 Bobot Inersia 2,2 2,4

Rata-rata Total Fitness Bobot Inersia

Rata-rata Total Waktu Gambar 7. Grafik Hasil Pengujian Bobot Inersia

Berdasarkan grafik pada Gambar 7, dapat

Gambar 8. Grafik Hasil Waktu Pengujian Bobot

diambil kesimpulan apabila bobot inersia

Inersia

semakin besar maka akan terjadi penurunan dari kecepatan tiap iterasinya, dengan kata lain

4.4 Hasil Pengujian dan Analisis Global

semakin besar bobot inersia tersebut maka Pada pengujian jumlah iterasi didapatkan kecepatan partikel akan diperlambat pada titik

kesimpulan bahwa iterasi sangat mempengaruhi awal pencarian solusi. Apabila kecepatan

hasil fitness yang didapatkan tiap kali jumlah melambat pada awal titik pencarian solusi hal ini

iterasinya. Hal ini dikarenakan sering terjadinya akan memberikan kesempatan terhadap

proses update posisi yang terjadi pada tiap eksploitasi lokal. Pada proses eksploitasi ini

iterasi. Dalam menentukan jumlah iterasi mempunyai kegunaan untuk pencarian solusi

maksimum juga disarankan berdasarkan dalam suatu wilayah tertentu sebelum

kompleksitas dari masalah yang akan melanjutkan eksplorasi ke wilayah yang lain,

diselesaikan. Jumlah iterasi apabila sangat namun ada beberapa hal yang perlu diperhatikan

sedikit ataupun terlalu banyak akan membuat jika pada kesempatan tersebut ekspoiltasi

komputasi semakin lama apabila hanya jumlah tersebut sangatlah kecil, yang terjadi adalah

maksimum iterasi ini yang menjadi suatu partikel-partikel tersebut akan cenderung akan

patokan (Englebercth, 2007). Hasil pengaruh melakukan eksploitasi wilayah baru dan akan

iterasi terhadap nilai fitness pada penelitian kali kehilangan kesempatan untuk mengeksploitasi

ini adalah belum terjadinya kovergen. Hal ini pada wilayah yang sedang dikunjungi, hal inilah

diakibatkan posisi selanjutnya yang akan yang menjadi permasalahan karena solusi yang

ditempuh oleh suatu partikel akan dipengaruhi optimal dari wilayah itu akan dilewati begitu saja

oleh posisi terbaik dari partikel yang ada pada (Novitasari, 2015).

sebelumnya dan juga posisi terbaik dari semua Dari grafik pada Gambar 7 juga dapat

partikel. Apabila posisi terbaik tersebut tidak disimpulkan bahwa pengaruh bobot inersia

akan terjadi perubahan di local optimum, maka terhadap nilai fitness adalah terjadinya

partikel akan cepat mengalami konvergen lalu konvergensi dini. Hal ini diakibatkan oleh fungsi

sebaliknya apabila posisi terbaik tersebut masih bobot inersia itu sendiri yang hanya sebagai

adanya perubahan di local optimum, maka pengontrol dampak perubahan dari kecepatan

partikel belum dapat konvergen. Hal inilah yang yang diberikan oleh partikel. Perubahan dari

terjadi pada pengujian iterasi penelitian kali ini kecepatan yang diberikan oleh partikel pada saat

belum terjadinya konvergen dikarenakan masih pengujian cukup baik sehingga menghasilkan

adanya perubahan di local optimum. hasil solusi yang cukup optimal. Pada pengujian

Pada pengujian jumlah partikel didapatkan bobot inersia ini terjadi hanya satu kali kenaikan

kesimpulan bahwa apabila partikel semakin yang berarti yaitu pada nilai bobot inersia 1,2.

besar maka semakin baik pula solusi yang Hasil pengujian bobot inersia terhadap total

dihasilkan dikarenakan partikel yang banyak waktu dapat dilihat pada Gambar 8. tersebut akan membuat banyak pilihan posisi

partikel, oleh karena itulah sangat besar kemungkinan yang akan didapatakan untuk mencapai solusi yang optimal. Selain itu ada partikel, oleh karena itulah sangat besar kemungkinan yang akan didapatakan untuk mencapai solusi yang optimal. Selain itu ada

untuk dilakukannya seleksi fitur. dalam mendapatkan solusi yang optimal (Zerda

b. Lalu perhitungan fitness didapatkan dari , 2009). Hasil pengaruh partikel terhadap nilai

hasil akurasi klasifikasi algoritma Naïve fitness adalah belum terjadinya konvergen. Hal

Bayes berdasarkan tabel kebenaran. ini diakibatkan oleh banyaknya partikel yang

c. Kemudian setelah itu update kecepatan memiliki

yang sangat berguna pada perhitungan merepresentasikan solusi penyelesaian masalah.

keanekaragaman

dalam

untuk melakukan perpindahan posisi Sebuah partikel memiliki posisi dan kecepatan

pada saat proses sedang terjadi. yang berbeda yang mana telah menentukan

d. Lalu dilakukan update posisi untuk representasi solusi secara mandiri saat itu juga.

menentukan posisi partikel setelah Pada pengujian bobot inersia didapatkan

dilakukannya perpindahan. kesimpulan apabila bobot inersia semakin besar

e. Kemudian menentukan Pbest untuk maka akan terjadi penurunan dari kecepatan tiap

evaluasi serta membandingkan hasil dari iterasinya, dengan kata lain semakin besar bobot

tiap update posisi.

inersia tersebut maka kecepatan partikel akan

f. Terakhir adalah menentukan Gbest yang diperlambat pada titik awal pencarian solusi.

mana berfungsi untuk mencari solusi Apabila kecepatan melambat pada awal titik

terbaik secara global pada partikel pencarian solusi hal ini akan memberikan

dengan posisi yang terbaik. kesempatan terhadap eksploitasi lokal. Pada

2. Implementasi algoritma Naïve Bayes dalam proses eksploitasi ini mempunyai kegunaan

proses klasifikasi wajah dapat berjalan untuk pencarian solusi dalam suatu wilayah

dengan baik, melalui tahapan sebagai tertentu sebelum melanjutkan eksplorasi ke

berikut:

wilayah yang lain, namun ada beberapa hal yang

a. Menghitung mean berguna mencari rata- perlu diperhatikan jika pada kesempatan tersebut

rata, varian, standar deviasi, Gaussian, eksploitasi yang terjadi sangatlah kecil, yang

Likelihood , dan juga Posterior. terjadi adalah partikel-partikel tersebut akan

b. Pada Naïve Bayes ini terjadi seleksi fitur cenderung akan melakukan eksploitasi wilayah

yang mana untuk seleksi fitur tersebut baru dan akan kehilangan kesempatan untuk

membutuhkan posisi partikel dari PSO. mengeksploitasi pada wilayah yang sedang

Dapat disimpulkan bahwa Naïve Bayes dikunjungi,

ini dapat berjalan setelah algoritma PSO permasalahan karena solusi yang optimal dari

hal inilah

yang

menjadi

memberikan posisi partikel dalam proses wilayah itu akan dilewati begitu saja (Novitasari,

klasifikasinya, setelah posisi partikel dari 2015). Hasil pengaruh bobot inersia terhadap

PSO didapatkan dilakukan proses nilai fitness pada penelitian kali ini adalah

klasifikasi.

terjadinya konvergensi dini. Hal ini diakibatkan

c. Hasil klasifikasinya dapat menentukan oleh fungsi bobot inersia itu sendiri yang hanya

suatu tabel kebenaran/akurasi yang sebagai pengontrol dampak perubahan dari

nantinya akan menjadi nilai fitness untuk kecepatan yang diberikan oleh partikel.

tiap partikel PSO.

Perubahan dari kecepatan yang diberikan oleh

3. Pada pengujian pengaruh iterasi didapatkan partikel pada saat pengujian cukup baik sehingga

kesimpulan bahwa iterasi dengan total nilai menghasilkan hasil solusi yang cukup optimal.

fitness terbaik pada jumlah partikel ke 38 yaitu 13,38, kemudian pada pengujian

5. KESIMPULAN

pengaruh jumlah

iterasi didapatkan kesimpulan bahwa total fitness terbesar

Setelah dilakukan penelitian dan juga pengujian diatas didapatkan kesimpulan sebagai

berada pada iterasi 190 yaitu 36,799, dengan berikut:

kata lain semakin besar iterasi maka fitness semakin baik pula dan pengujian yang

1. Implementasi algoritma Particle Swarm Optimization dalam penyeleksian fitur pada

terakhir yaitu pada bobot inersia berada, pengenalan pola wajah dapat berjalan cukup

fitness tertinggi pada bobot inersia 1,2 yaitu 1,588.

baik dengan cara sebagai berikut:

a. Inisialisasi partikel dimana pada posisi partikel awal ini didefinisikan secara

DAFTAR PUSTAKA

Jackson R., MacDonald L., Freeman K., John W & Sons., 1994. Computer Generated

Al Fatta H., 2009. Rekayasa Sistem Pengenalan

Colour .

Wajah: Membangun Sistem Presensi Karyawan

Kusumadewi S., 2003. Artificial Intelligence Visual Basic 6.0 dan Microsoft Access.

menggunakan

Microsoft

(Teknik dan Aplikasinya). Graha Ilmu Andi. Yogyakarta.

.Yogyakarta.

Bustami., 2013. Penerapan Algoritme Naive Khusna R.A., 2016. Implementasi Algoritma Bayes Untuk Mengklasifikasi Data

Particle Swarm Optimization Untuk Nasabah Asuransi, TECHSI : Jurnal

Pemerataan Guru Mata Penelitian Teknik Informatika.

Optimasi

Pelajaran Di Kabupaten Lamongan. S1. Universitas Brawijaya. Malang.

Brainard D.H., 1989. Calibration of a computer controlled color monitor, Color Research Karina N.E dan Yamasari Y., 2013. Aplikasi & Application.

Diagnosa Kanker Kandungan dengan Menggunakan Metode Naïve Bayes (Studi

Choi Y.J., Ro M.Y., Plataniotis N.K., 2011. Kasus: Rumah Sakit Islam Surabaya). Boosting Color Feature Selection for

Color Face Recognition .

Jurnal Manajemen Informatika.

Accepted

Manuscript for Publication in IEEE Novitasari D., 2015. Optimasi Support Vector Transaction on Image Processing .

Regression dengan Particle Swarm Optimization untuk Software Effort

Cholissodin I., Riyandani E., 2016. Swarm Estimasions. S1. Universitas Brawijaya. Intelligence . Fakultas Ilmu Komputer.

Malang.

Universitas Brawijaya. Malang. Permana K.E dan Hashim S.Z.M., 2010. Fuzzy

Esti N.K dan Yamasari Y., 2013. Aplikasi Membership Function Generation using Diagnosa Kanker Kandungan Dengan

Swarm Optimization . Menggunakan Metode Naïve Bayes.

Particle

Jurnal: Manajemen Informatika Fakultas International Journal Problems Compt. Teknik, Universitas Negeri Surabaya.

Park T.S., Lee J.H., Choi B., 2009. Optimization for Artificial Neural Network with

Eberhart R.C dan Shi Y., 2011. Particle Swarm Adaptive inertial weight of particle swarm Optimization

Developmetns,

IEEE International Applications and Resources. Proceedings Conference on Cognitive Informatics . of Congress on evolutionary computation.

optimization.

Putra T.W.A., 2013. Pengenalan Wajah Dengan Englebercth A.P., 2007.

Computational

Matriks Kookurensi Aras Keabuan Dan Intelligent : An Introduction 2 ed., West Jaringan Syaraf Tiruan Probabilistik. S2. Sussex : John Willwy & Sons Ltd. Universitas Diponegoro. Semarang.

nd

Foka P dan

Ramji

D.P.,

Ramadhan R.M., Rehab F., Abdel K., 2009. CCAAT/Enhancer-Binding

Proteins:

Face Recognition Using Particle Swarm Structure, Function and Regulation Optimization-Based Selected Features. Biochemical Journal .

Journal of Signal Ford A dan Roberts A., 1998. Color Space

International

Processing, Image Processing and Conversions .

Pattern .

Fais A., Aditya D.M., Mulya S., Ramadien D., Saleh A., 2015. Implementasi Metode Sani A., 2014. Klasifikasi Calon Pendonor

Naïve Bayes Dalam Darah Dengan Metode Naïve Bayes

Klasifikasi

Memprediksi Besarnya Penggunaan Classifier . S1. Universitas Brawijaya.

Tangga. Creative Malang.

Listrik

Rumah

Information Technology Journal (Citec). Jain A.K., Duin R.P.W., Mao J., 2000. Statistical

Santosa B., Willy P., 2011. Metode pattern recognition: A review Transaction

Metaheuristik, Konsep dan Implementasi. on Pattern Analysis and Machine

Graha Ilmu. Surabaya. Intelligence . IEEE.

Sutanto T., 2010. Kombinasi Penyaring Warna Kulit Kplisit Pada Bidang Warna RGB

Dan YCBCR Untuk Meningkatkan Akurasi Sistem Pendeteksian Warna Kulit. STIKOM. Surabaya.

Sproson W.N., Adam H Ltd., 1983. Colour Science in Television and Display Systems .

Tuegeh M., Soeprijanto., Purnomo., Mauridhi H., 2009. Modified Improved Particle Swarm Optimization For Optimal Generator Scheduling . Seminar Nasional Aplikasi

Teknologi

Informasi.

Yogyakarta. Xue B.X., Ma X., Gu J., Li Y.B., 2013. An

improved extremelearning machine based on variable-length particle swarm optimization,Proc.

10th

IEEE

International Conference on Robotics and Biomimetics . IEEE Computer Society.

Yu Y., 2015. Study On Student Classification Management Based On Bayes Network. International Journal of Simulation Systems, Science & Technology .

Zerda E.R., 2009. Analisis dan penerapan Algoritme Particle Swarm Optimization (PSO) pada Optimasi Penjadwalan Sumber Daya Proyek. S1. Institut Teknologi Telkom. Bandung.