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]