KLASIFIKASI KUNYIT, JAHE, DAN LENGKUAS BERDASARKAN
CITRA MENGGUNAKAN METODE NAÏVE BAYES
LAPORAN
Disusun untuk Memenuhi Tugas Akhir Pengenalan Pola
Disusun Oleh :
Budi Setiawan 115090600111004
Ikhlasul Amalia R. 115090600111040
Alfan Nazala Putra 115090601111008
Citra Kusuma Dewi 115090601111012
Yusuf Aji Wibowo 115090613111004
PROGRAM STUDI INFORMATIKA / ILMU KOMPUTER
PROGRAM TEKNOLOGI INFORMASI DAN ILMU KOMPUTER
UNIVERSITAS BRAWIJAYA
MALANG
2013
BAB I
PENDAHULUAN
1.1 Latar belakang
Rempah-rempah merupakan tumbuhan asli Indonesia yang memiliki bayak
khasiat, mulai dari anak-anak sampai orang dewasa memanfaatkan salah satu jenis
rempah-rempah sebagai bumbu masakan dan obat herbal. Diantaranya adalah rimpang
jahe, kunyit, dan lengkuas, adapun khasiatnya adalah
a. Jahe dapat dimanfaatkan menjadi obat herbal untuk meringankan pecernaan,
mengobati masuk angin dan batuk, menurunkan kadar kolesterol dll.
b. Kunyit dapat dimanfaatkan sebagai bumbu masakan dan juga sebagai obat herbal
diantaranya sebagai anti oksidan, menyehatkan rambut, mengurangi nyeri haid, dll.
c. Lengkuas dapat dimanfaatkan sebagai penyedap masakan dan sebagi obat herbal
diantaranya bisa menyembuhkan bisul dan meredakan sakit perut, meredakan diare,
menyembuhkan reumatik, dll.
Jenis rimpang ini memiliki banyak kesamaan dari sisi warna dan ukuran, tak heran
banyak orang yang keliru untuk membedakan antara ketiganya. Dari latarbelakan tersebut
penulis berkeinginan untuk mengklasifikasikan jenis rimpang dengan program computer
menggunakan metode naïve bayes dengan cara menginputkan gambar rimpang pada
program computer. Diharapkan dengan adanya penklasifikasian menggunakan computer
ini bisa mempermudah user dalam memilih rimpang yang tepat.
1.2 Rumusan Masalah
Berdasarkan uraian dari latar belakang, dapat di ambil suatu rumusan masalah
sebagai bereikut:
1. Bagaimana membangun perarngkat lunak yang tepat untuk mengimplementasikan
klasifikasi rimpang menggunakan metode naïve bayes?
2. Bagiamana cara kerja aplikasi perangkat lunak yang di buat?
1.3 Batasan Masalah
Agar permasalahan yang dirumuskan dapat lebih terfokus, maka dalam pelenitian
ini dibatasi dalam hal :
1. Metode yang digunakan dalam pengimplementasian menggunankan metode naïve
bayes
2. Inputan hanya berupa gambar dengan format jpg/jpeg
3. Rimpang yang di gunakan hanya 3 yaitu : jahe (jenis jahe gajah), kunyit dan lengkuas
4. Bahasa pemrograman menggunakan bahasa JAVA
1.4 Tujuan
Adapun tujuan pembuat ini adalah membuat aplikasi pengklasifikasian rimpang
berdasarkan inputan gambar berformat jpg/jpeg dengan bahasa pemrograman java
menggunakan metode naïve bayes
1.5 Manfaat
Dari laporan yang kami buat diharapkan bermanfaat baik dari penulis maupun
pembaca, adapun manfaat yang akan di peroleh diantaranya
Bagi penulis
1. Penulis dapat menerapkan ilmu yang di dapat selama proses perkuliahan
2. Menggali penggetahuna khususnya di bidang teknologi citra digital dengan
menerapkan metode-metode tertentu
Bagi pembaca
1. Menambah wawasan akan adanya metode pengklasifikasian menggunakan citra
digital
2. Mempermudah penerapan dalam mengguanakan aplikasi yang di buat.
BAB II
KAJIAN DAN DASAR TEORI
Bab ini berisi kajian pustaka dan pembahasan tentang teori dasar yang berhubungan
dengan aplikasi pengidentifikasian gambar berextensi jpg melalui pendekatan statistika
dengan metode Naïve Bayes. Kajian pustaka adalah membahas penelitian yang telah ada dan
yang diusulkan. Dasar teori membahas teori yang diperlukan untuk menyusun penelitian
yang diusulkan.
2.1 Naïve Bayes Clasifier
Sebuah bayes classifier adalah classifier probabilistik sederhana berdasarkan
penerapan teorema Bayes (dari statistik Bayesian) dengan asumsi independen (naif) yang
kuat. Sebuah istilah yang lebih deskriptif untuk model probabilitas yang digaris bawahi
adalah " model fitur independen".
Dalam terminologi sederhana, sebuah NBC mengasumsikan bahwa kehadiran
(atau ketiadaan) fitur tertentu dari suatu kelas tidak berhubungan dengan kehadiran (atau
ketiadaan) fitur lainnya. Sebagai contoh, buah mungkin dianggap apel jika merah, bulat,
dan berdiameter sekitar 4 inchi. Bahkan jika fitur ini bergantung satu sama lain atau atas
keberadaan fitur lain,. Sebuah NBC menganggap bahwa seluruh sifat-sifat berkontribusi
mandiri untuk probabilitas bahwa buah ini adalah apel.
Tergantung pada situasi yang tepat dari model probabilitas, NBC dapat dilatih
sangat efisien dalam supervised learning. Dalam aplikasi praktis, parameter estimasi
untuk model NBC menggunakan metode likelihood maksimum, dengan kata lain,
seseorang dapat bekerja dengan model Naïve Bayes tanpa mempercayai probabilitas
Bayesian atau menggunakan metode Bayesian lainnya.
Dibalik desain naifnya dan asumsi yang tampaknya terlalu disederhanakan, NBC
telah bekerja cukup baik dalam banyak situasi dunia nyata yang kompleks. Pada tahun
2004, analisis masalah klasifikasi Bayesian telah menunjukkan bahwa ada beberapa
alasan teoritis untuk keberhasilan yang tampaknya tidak masuk akal dari NBC (Zhang,
H., 2004). Selain itu, perbandingan yang komprehensif dengan metode klasifikasi
lainnya pada tahun 2006 menunjukkan bahwa klasifikasi Bayes mengungguli pendekatan
terbaru, seperti boosted tree atau random forest (Caruana, R. & Niculescu-Mizil, A,
2006).
Sebuah keuntungan dari NBC adalah bahwa ia memerlukan sejumlah kecil data
pelatihan untuk mengestimasi parameter (rata-rata dan varian dari variabel) yang
diperlukan untuk klasifikasi. Karena variabel diasumsikan independen, hanya varian dari
variabel-variabel untuk setiap kelas yang perlu ditentukan dan bukan keseluruhan
covariance matrix.
2.1.1 Model Probabilitas Naïve Bayes
Model probabilitas untuk classifier adalah model kondisional
p(C|F1,…,Fn) (2.1)
terhadap variabel kelas dependen C dengan sejumlah kecil hasil atau kelas,
tergantung pada beberapa variabel fitur F1 sampai Fn. Masalahnya adalah bahwa jika
jumlah fitur n besar atau bila fitur bisa mengambil sejumlah besar nilai, maka
membuat sebuah model pada tabel probabilitas adalah tidak mungkin. Oleh karena itu
kita mereformulasi model untuk membuatnya lebih fleksibel.
Menggunakan teorema Bayes , kita menulis
Dalam bahasa Inggris persamaan di atas dapat ditulis sebagai
Dalam prakteknya kita hanya tertarik pada pembilang dari persamaan
tersebut, karena penyebut tidak tergantung pada C dan nilai-nilai fitur Fi diberikan,
sehingga penyebut secara efektif konstan. Pembilang ini setara dengan model
probabilitas gabungan p(C|F1,…,Fn) yang dapat ditulis ulang sebagai berikut,
menggunakan penggunaan berulang dari definisi probabilitas bersyarat:
Sekarang asumsi kemandirian bersyarat yang "naif" memegang peranan.
Menganggap bahwa setiap fitur Fi adalah secara kondisi independen terhadap setiap
fitur lainnya Fj untuk j ≠ i. Ini berarti bahwa
untuk i ≠ j , sehingga joint model dapat dinyatakan sebagai
Ini berarti bahwa di bawah asumsi independen di atas, distribusi bersyarat dari
variabel kelas C dapat dinyatakan seperti ini :
dimana Z (bukti) adalah faktor skala tergantung hanya pada F1,…,Fn , yaitu, sebuah
konstanta jika nilai dari variabel fitur diketahui.
Model dari bentuk ini jauh lebih mudah dikelola, karena mereka memecah
menjadi class prior p(C) dan distribusi probabilitas independen p(Fi|C). Jika ada k
kelas dan jika model untuk masing-masing p(Fi|C = c) dapat dinyatakan dalam
bentuk parameter, maka model naif Bayes yang sesuai memiliki (k - 1) + n r k
parameter. Dalam prakteknya, sering k = 2 (klasifikasi biner) dan r = 1 (variable
Bernoulli sebagai fitur) yang umum, sehingga jumlah parameter model Bayes naïf
adalah 2n + 1, dimana n adalah jumlah fitur biner yang digunakan untuk klasifikasi
dan prediksi.
2.1.2 Estimasi Parameter
Semua model parameter (yaitu, prior kelas dan distribusi probabilitas fitur)
dapat didekati dengan frekuensi relatif dari himpunan pelatihan. Ini merupakan
perkiraan kemungkinan maksimum dari probabilitas. Sebuah prior class dapat
dihitung dengan asumsi kelas equiprobable (yaitu, prior = 1 / (jumlah kelas)), atau
dengan menghitung perkiraan probabilitas kelas dari himpunan pelatihan (yaitu,
(prior untuk kelas tertentu) = ( jumlah sampel di kelas) / (jumlah sampel)). Untuk
memperkirakan parameter untuk distribusi fitur ini, seseorang harus mengasumsikan
distribusi atau menghasilkan model nonparametrik untuk iturfitur dari training set.
Jika seseorang berhadapan dengan data kontinu, asumsi khas adalah distribusi
Gaussian, dengan parameter model dari mean dan varians.
Mean, μ, dihitung dengan
dimana N adalah jumlah sampel dan xi adalah nilai dari suatu contoh yang
diberikan.
Varian, σ2, dihitung dengan
Jika sebuah kelas tertentu dan nilai fitur tidak pernah terjadi bersama-sama
dalam himpunan pelatihan maka estimasi probabilitas berbasis frekuensi akan
menjadi nol. Hal ini bermasalah karena akan menghapus seluruh informasi dalam
probabilitas lain ketika mereka dikalikan. Oleh karena itu sering diinginkan untuk
memasukkan koreksi sampel kecil dalam semua perkiraan probabilitas bahwa tidak
ada probabilitas untuk menjadi persis nol.
2.1.3 Membangun Sebuah Clasifier dari Model Probabilitas
Diskusi sejauh ini telah menurunkan model fitur independen, yaitu, model
robabilitas naïve bayes. NBC mengkombinasikan model ini dengan aturan
keputusan. Sebuah aturan yang umum adalah untuk memilih hipotesis yang paling
mungkin, ini dikenal sebagai posteriori maksimum atau aturan keputusan MAP.
Classifier terkait adalah fungsi yang didefinisikan sebagai berikut:
2.2 Pengolahan Citra Digital
Pengolahan citra merupakan proses pengolahan dan analisis citra yang banyak
melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan informasi
keluaran yang berbentuk citra. Istilah pengolahan citra digital secara umum didefinisikan
sebagai pemrosesan citra dua dimensi dengan komputer. Dalam definisi yang lebih luas,
pengolahan citra digital juga mencakup semua data dua dimensi. Citra digital adalah
barisan bilangan nyata maupun kompleks yang diwakili oleh bit-bit tertentu.
Umumnya citra digital berbentuk persegi panjang atau bujur sangkar (pada
beberapa sistem pencitraan ada pula yang berbentuk segienam) yang memiliki lebar dan
tinggi tertentu. Ukuran ini biasanya dinyatakan dalam banyaknya titik atau piksel
sehingga ukuran citra selalu bernilai bulat. Setiap titik memiliki koordinat sesuai
posisinya dalam citra. Koordinat ini biasanya dinyatakan dalam bilangan bulat positif,
yang dapat dimulai dari 0 atau 1 tergantung pada sistem yang digunakan. Setiap titik juga
memiliki nilai berupa angka digital yang merepresentasikan informasi yang diwakili oleh
titik tersebut.
2.2.1 Format Citra Digital
Format data citra digital berhubungan erat dengan warna. Pada
kebanyakan kasus, terutama untuk keperluan penampilan secara visual, nilai data
digital merepresentasikan warna dari citra yang diolah. Format citra digital yang
banyak dipakai adalah Citra Biner (monokrom), Citra Skala Keabuan ( gray scale
), Citra Warna ( true color ), dan Citra Warna Berindeks.
1. Warna
Warna adalah spektrum tertentu yang terdapat di dalam suatu cahaya sempurna
(berwarna putih). Nilai warna ditentukan oleh tingkat kecerahan maupun kesuraman
warna. Nilai ini dipengaruhi oleh penambahan putih ataupun hitam
Penelitian memperlihatkan bahwa kombinasi warna yang memberikan rentang
paling lebar adalah red (R), green (G) dan blue (B). Ketiga warna tersebut merupakan
warna pokok yang biasa disebut RGB. Warna lain dapat diperoleh dengan
mencampurkan ketiga warna pokok tersebut dengan perbandingan tertentu. Setiap
warna pokok mempunyai intensitas sendiri dengan nilai maksimum 255 (8-bit). Misal
warna kuning merupakan kombinasi warna merah dan hijau sehingga nilai RGB: 255
255 0.
RGB disebut juga ruang warna yang dapat divisualisasikan sebagai sebuah
kubus seperti gambar 2.4, dengan tiga sumbunya yang mewakili komponen warna
merah (red) R, hijau (green) G, biru (blue) B. Salah satu pojok alasnya yang Sistem
Klasifikasi Jenis dan Kematangan Buah Tomat Berdasarkan Bentuk dan Ukuran serta
Warna Permukaan Kulit Buah Berbasis Pengolahan Citra Digital berlawanan
menyatakan warna hitam ketika R = G = B = 0, sedangkan pojok atasnya yang
berlawanan menyatakan warna putih ketika R= G= B= 255 ( sistem warna 8 bit bagi
setiap komponennya ).
2. Citra Biner (Binary Image)
Citra biner (binary image) adalah citra yang hanya mempunyai dua nilai
derajat keabuan yaitu hitam dan putih. Alasan masih digunakannya citra biner dalam
pengolahan citra digital hingga saat ini adalah algoritma untuk citra biner telah
berkembang dengan baik dan waktu pemrosesan lebih cepat karena jumlah bit untuk
tiap pikselnya lebih sedikit.
3. Citra YCbCr
YCbCr merupakan standar internasional bagi pengkodean digital gambar
televisi yang didefinisikan di CCIR Recommendation. Y merupakan komponen
luminance, Cb dan Cr adalah komponen chrominance. Pada monitor monokrom nilai
luminance digunakan untuk merepresentasikan warna RGB, secara psikologis ia
mewakili intensitas sebuah warna RGB yang diterima oleh mata. Chrominance
merepresentasikan corak warna dan saturasi (saturation). Nilai komponen ini juga
mengindikasikan banyaknya komponen warna biru dan merah pada warna. YCbCr
(256 level) dapat diperoleh dari RGB 8 bit.
2.2.2 Jenis Citra Digital
Berdasarkan jenisnya, citra digital dapat dibagi menjadi 4 yaitu :
1. Citra Warna (true color)
Setiap piksel pada citra warna mewakili warna yang merupakan kombinasi
tiga warna dasar, yaitu merah, hijau, dan biru (RGB = Red, Green, Blue). Setiap
warna dasar menggunakan penyimpanan 8 bit = 1 byte (nilai maksimum 255 warna),
jadi satu piksel pada citra warna diwakili oleh 3 byte.
2. Citra Grayscale (skala keabuan)
Citra grayscale mempunyai kemungkinan warna hitam untuk nilai minimal
dan warna putih untuk nilai maksimal. Banyaknya warna tergantung pada jumlah bit
yang disediakan di memori untuk menampung kebutuhan warna tersebut. Semakin
besar jumlah bit warna yang disediakan di memori, maka semakin halus gradasi warna
yang terbentuk.
3. Citra Biner (Monokrom)
Memiliki 2 buah warna, yaitu hitam dan putih. Warna hitam bernilai 1 dan
warna putih bernilai 0. Untuk menyimpan kedua warna ini dibutuhkan 1 bit di
memori.
4. Citra Max Filter
Max filter berfungsi untuk mengurangi noise pada citra. Pada saat proses
capture(pengambilan gambar), ada beberapa gangguan yang mungkin terjadi, seperti
kamera tidak focus atau munculnya bintik-bintik yang bisa jadi disebabkan oleh
proses capture yang tidak sempurna. Noise pada citra tidak hanya terjadi karena
ketidaksempurnaan dalam proses capture, tetapi bisa juga disebabkan oleh kotoran-
kotoran yang terjadi pada citra.
BAB III
METODOLOGI PENELITIAN
3.1 Metode Penelitian
Metode penelitian yang digunakan adalah penelitian kuantitatif dengan data dari
beberapa sampel gambar kunyit, jahe dan lengkuas. Berikut adalah diagram alir tahapan
penelitian :
Gambar 3.1 Diagram alir tahapan penelitian
3.2 Studi Literatur
Studi literatur mempelajari mengenai penjelasan dasar teori yang digunakan untuk
menunjang laporan ini. Teori-teori pendukung-pendukung tersebut diperoleh dari buku,
jurnal,dan dokumentasi project.
Program
Klasifikasi
kunyit, jahe
dan lengkuas
3.3 Penyusunan Dasar Teori
Penyusunan dasar teori dilakkan setelah mendapatkan referensi yang tepat untuk
mendukung penulisan laporan ini. Teori-teori pendukung tersebut meliputi :
1. Teori Naïve Bayes
2. Pengolahan Citra Digital
3.4 Analisa dan Perancangan
Analisa kebutuhan bertujuan untuk mandapatkan semua kebutuhan yang diperlukan
oleh system yang akan dibangun. Analisis kebutuhan dilakukan dengan mengidentifikasi
kebutuhan system dan siapa saja yang terlibat didalamnya. Berikut ini merupakan analisis
yang dibutuhkan dalam aplikasi pengidentifikasian gambar dalam bentuk jpg.
3.4.1 Kebutuhan Antar Muka
Kebutuhan untuk pengembangan perangkat lunak ini adalah sebagai berikut :
1. Program yang dibangun harus memiliki interface yang mudah dan familiar
bagi user.
2. Program yang dibangun harus mempunyai interface yang memungkinkan user
mudah dalam proses penginputan gambar.
3. Program yang dibangun harus mampu menampilkan hasil dari pemrosesan
gambar yang diinputkan.
3.4.2 Kebutuhan Data
Data yang diolah oleh parangkat lunak ini ialah :
1. Data gambar, berupa data training dan data testing untuk mengklasifikasikan
kunyit, jahe dan lengkuas.
2. Data hasil pengidentifikasian gambar yang di inputkan yang akan disimpan
dalam database.
3.4.3 Kebutuhan Fungsional
Fungsi-fungsi yang dimiliki oleh perangkat lunak ini adalah :
1. Program harus mampu mengklasifikasikan gambar ke dalam kunyit, jahe dan
lengkuas yang ada.
2. Program harus mampu menampilkan data spesifikasi gambar (warna dan
diameter).
3.4.4 Arsitektur Program
Gambar 3.2 Arsitektur Program
Dari gambar di atas dijelaskan bahwa user harus menginputkan gambar dulu
sebelum sistem menganalisa dan mengklasifikasikan gamba tersebut. Gambar terdiri
dari dua jenis data, yaitu : data training dan data testing. Setelah semua gambar
diinputkan, system menganalisa warna dan diameter dengan teori keputusan naïve
bayes untuk mengklasifikasikan kunyit, jahe dan lengkuasnya. Ada dua tahap
penghitungan yaitu grayscale dan trasholding. Setelah itu, output nya adalah kunyit,
jahe dan lengkuas yang sesuai dengan data yang diinputkan.
USER Input gambar (training
dan testing)
Input gambar (training
dan testing)
HASIL SISTEM
3.4.5 Diagram Alir Sistem
Diagram alir menggunakan notasi-notasi untuk menggambarkan arus data
yang membantu dalam proses memahami jalannya aplikasi yang dibuat.
Gambar 3.3 Diagram Alir
3.5 Implementasi
Pada tahapan ini, pembuatan program mulai berlangsung. Implementasi dilakukan
sesuai dengan diagram alir sistem. Pembuatan program menggunakan bahasa Java dengan
menggunakan platform Netbeans 7.01 dan JDK 1.7.
3.6 Pengujian
Pengujian aplikasi dilakukan untuk mengetahui tingkat keberhasilan sistem dan
menegetahui akurasi data yang dihasilkan. Pengujian dilakukan dengan memasukkan data
testing dan mengklasifikasikan jenisnya.
3.7 Penulisan Laporan
Laporan penelitian ini ditulis setelah semua proses pengerjaan tugas pembuatan
aplikasi dilalui. Laporan berisi dokumentasi perancangan aplikasi yang akan berguna bagi
pengembangan aplikasi selanjutnya.
BAB IV
HASIL DAN PEMBAHASAN
4.1 Proses Pengambilan Data Set
Sebelum menerapakan dalam perangkat lunak diperlukan beberapa tahapan yang
perlu diperhatikan yaitu pengambilan sample data sebagai pembanding tiap-tiap class dan
pengujian data set. Oleh karena itu dibutuhkan pengambilan data set berupa citra digital
berformat jpg/jpeg dan juga pengujian terhadap data itu sendiri.
Adapun tahapan-tahapan yang harus di perhatikan meliputi :
1. Pengambilan citra digital
Pengambilan citra digital digunakan sebagai data inputan yang akan dijadikan data
training sebagai kalkulasi sesuai pada metode yang di gunakan pada perangkat
lunak, pengambilan citra harus memenuhi syarat-syarat sebagai berikut :
a. Gambar diambil pada jarak, kecerahan, dan device yang sama
b. Citra beresulusi dengan kisaran 500 x 400 pixel
2. Data training
Dari hasil pengambilan citra digital dujadikan data training yaitu subuah data yang
akan dijadikan patokan yang mengacu pada sebuah gagasan presiktif, Gambar
yang digunakan untuk proses kalkulasi dengan menginputkan citra yang sudah di
tentukan meliputi :
a. Warna
Warna di ambil sebagai feature pembeda antara class kunyit, jahe, dan
lengkuas berdasarkan perbedaan pada tingkat RGB pada gambar.
Class Warna kulit rimpang Warna daging rimpang
Kunyit Jingga kecoklatan atau
berwarna terang agak kuning
sampai sampai kuning
kehitaman
Jingga kekuningan
Jahe Putih kekuningan Putih sampai putih kekuningan
Lengkuas Coklat agak kemerahan, atau
kuning kehijauan pucat.
Bersisik putih atau kemerahan,
agak mengkilat
Berwarna putih kehijauan
b. Diameter
Diameter di ambil sebagai atribut pembeda antar ketebalan masing-masaing
rimpang, karena kebanyakan rimpang berbentuk silindris.
Class Diameter
Kunyit 2-4 cm
Jahe 4,53 – 6,30 cm
Lengkuas +- 2cm
4.2 Skema jalan program
Dari data set yang sudah di himpun dan telah menjalani training pada
perangkat lunak, maka aplikasi mengkalkulasi data testing yang di inputkan dan akan
menampilkan data yang di inputkan sebagai hasil, adapun skema jalan dari program
sebagai berikut :
a. Jalan program klasifikasi secara general
b. Flowchart
4.3 Implementasi Aplikasi
Implementasi aplikasi pencitraan kunyit, jahe dan lengkuas dilakukan dengan
mengacu pada perancangan system. Implementasi program dalam menggunakan
bahasa java. Implementasi aplikasi ini meliputi:
Pembuatan user interface berupa tombol training untuk memproses data training
yang dijadikan acuan dalam melakukan testing
Melakukan proses grayscale,biner dan max filter dari gambar yang di inputkan
Melakukan proses penghitungan objek dengan metode naïve bayes
Mencetak output berdasarkan hasil penghitungan klasifikasi
4.4 Pengujian
Dari pengekstrakkan fitur-fitur pada data training, diperoleh hasil sebagai berikut:
Dari data training diatas, akan dilakukan perhitungan untuk mencari mean, varian,
likelihood dan posterior dari setiap kelas yang ada yakni kunyit, jahe dan lengkuas untuk
mendapatkan hasil klasifikasi kelas yang sesuai.
Gambar coba 1.jpg
Dari gambar diatas akan di ekstraksi fitur-fiturnya sehingga akan mendapatkan data
sebagai berikut:
Setelah dilakukan percobaan perhitungan dari data Training menggunakan program
tersebut, diperoleh hasil persentase:
Kelas Jumlah Data Persentase Benar Persentase Salah
Kunyit 54 98.15 1.85
Jahe 37 91.89 8.11
Lengkuas 27 37.04 62.96
4.5 Screenshoot
Tampilan awal
Tampilan ketika program melakukan training data
Tampilan ketika program melakukan testing data
a. kunyit
b. Lengkuas
c. Jahe
BAB V
PENUTUP
5.1 Kesimpulan
Kesimpulan dari laporan ini adalah :
1. Pada bagian data training, data-data berupa gambar yang ada harus di inputkan
terlebih dahulu agar pada saat penginputan data testing aplikasi perangkat lunak
ini dapat membaca data yang akan di testing.
2. Bagian diameter data diperoleh dari hasil perhitungan pada proses penyecanan
gambar. Diameter diambil dari hasil perhitungan yang paling besar, baik itu dari
hasil perhitungan secara vertikal atupun secara horizontal.
5.2 Saran
1. Dalam menginputkan gambar pada bagian data training, diharapkan user benar-
benar mengetahui ciri-ciri fisik dan nama jenis rimpang dari gambar yang akan
diinputkan agar tidak terjadi kesalahan pengklasifikasian untuk data testing.
Karena kesalahan pada saat menginputkan gambar pada data training akan
berkelanjutan pada bagian data testing.
2. Penginputan gambar harus dipastikan gambar yang akan di inputkan berextensi
jpg. Karena selain gambar yang berextensi jpg program ini tidak dapat
mengolah data yang diinputkan. Pengubahan extensi gambar dapat dilakukan
dengan mengconvert gambar yang dibutuhkan.
Daftar Pustaka
Anonym. 2013. Klasifikasi dan Morfologi Lengkuas. [Online] . Tersedia di :
http://hidup-sehat.com/klasifikasi-dan-morfologi-lengkuas#.UaKR2dKl5gs [diunduh : 26 Mei
2013]
Anonym. 2012. Mengenal Rimpang Jahe. [Online] . Tersedia di :
http://tentangjahe.blogspot.com/2012/09/mengenal-rimpang-jahe_5756.html [diunduh : 26
Mei 2013]
Anonym. Karakteristik Lengkuas. [Online] . Tersedia di :
http://www.scribd.com/doc/89891783/KARAKTERISTIK-LENGKUAS [diunduh : 26 Mei
2013]
Said,Ahmad. Khasiad & Manfaat Kunyit. [Online] . Tersedia di :
http://books.google.co.id/books?id=S5y6S-
sId9oC&printsec=frontcover&num=100#v=onepage&q&f=false [diunduh : 26 Mei 2013]
Top Related