KLASIFIKASI JENIS IKAN KOI MENGGUNAKAN GRAY LEVEL CO- OCCURRENCE MATRIX DAN ALGORITMA NAIVE BAYES

Transkripsi

1 KLASIFIKASI JENIS IKAN KOI MENGGUNAKAN GRAY LEVEL CO- OCCURRENCE MATRIX DAN ALGORITMA NAIVE BAYES Tri Adhi Atmaji 1, Catur Supriyanto 2 Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Jl. Imam Bonjol No. 207, Semarang, 50131, Telp. (024) atmaji.tri@gmail.com 1, catur.dinus@gmail.com 2 Abstrak Indonesia merupakan negara kepulauan sehingga mempunyai wilayah laut yang luas, luasnya wilayah perairan di Indonesia menjadi salah satu faktor majunya komoditas ikan salah satunya ikan hias. Ikan hias yang populer di Indonesia yaitu ikan koi, dikarenakan coraknya beragam serta warnanya yang indah menjadikan ikan koi sebagai ikan yang laris dipasaran. Jenis ikan koi beragam tergantung corak dan warna tetapi tiap jenis mempunyai warna yang mirip sehingga susah untuk membedakan tiap jenisnya. Orang awam yang tidak mempunyai pengetahuan ikan koi akan mengalami kesulitan dalam membedakan jenis dari tiap ikan koi, sehingga orang awam membeli ikan koi hanya membeli yang dirasa bagus tanpa mengetahui jenis dari ikan koi tersebut. Masalah pengenalan jenis ikan koi dapat diselesaikan dengan klasifikasi menggunakan ektraksi fitur GLCM (Gray Level Co-occurrence Matrix) dan algoritma Naive Bayes. Berdasarkan hasil penelitian yang telah dilakukan dengan 6 jenis ikan koi yaitu Asagi, Kohaku, Showa, Sanke, Shusui dan Tancho mendapatkan nilai akurasi sebesar 73,33% dengan menggunakan parameter jarak d = 2 pada sudut θ = 45, dengan jumlah data benar 22 dan jumlah data salah 8. Kata kunci Ikan Koi, GLCM (Gray Level Co-occurrence Matrix), Naive Bayes. I PENDAHULUAN Komoditas ikan hias salah satu komoditas yang menjanjikan di Indonesia. Luasnya perairan Indonesia menjadikan spesies ikan sangat beragam. Berdasarkan jenis dan daerah penyebaranya ikan hias banyak terdapat di Sumatra, Kalimantan, dan Irian jaya sedangkan di pulau Jawa ikan hias yang terdapat di alam sangatlah sedikit. Perkembangan komoditas ikan hias yang naik turun disebabkan perubahan tren ikan yang tidak pasti. Ikan koi salah satu ikan hias yang sangat populer karena warna coraknya yang unik sehingga membuat ikan ini mudah dikenali. Jenisnya pun beragam, ada ikan koi jenis Kohaku, Taisho Sanke, Showa Sanshoku, Bekko, Utsurimono, Asagi, Shusui, Koromo, Hikari Moyomono, Hikari Utsurimono, Kawarimono, dan Tancho [1] yang membedakan dari tiap jenisnya dapat dilihat dari warna, corak, pola dan ukuran tubuhnya. Ikan koi memiliki ciri khas warna seperti warna hitam, putih, merah, kuning, biru dan krem [2]. Dari corak warna inilah yang membuat kesulitan untuk membedakan antara jenis satu dengan yang lainya. Beberapa jenisnya menjadi sangat populer karena sering diperlombakan, adapun ikan koi yang sering diperlombakan yaitu jenis Kohaku, Sanke, Showa Sanshoku, Asagi, Shusui dan Tancho. Keenam jenis ikan koi tersebut mempunyai corak yang hampir mirip, sehingga sulit untuk membedakan. Keenam jenis koi tersebut identik dengan warna putih, merah dan hitam dengan corak yang berbeda. Kecuali ikan Kohaku yang mempunyai varian warna putih dan merah saja. Kebiasaan dari orang Indonesia dimana pembeli hanya membeli yang menurutnya menarik saja, tanpa mengetahui jenis dari ikan koi yang dibeli. Apabila pembeli mau membeli ikan yang mempunyai jenis yang sama, pembeli tersebut harus menjelaskan secara terperinci agar mendapatkan ikan yang sesuai keinginan. Tetapi masih dapat terjadi kesalahan dikarenakan kemiripan dari tiap jenis ikan koi. Karena banyaknya kemiripan pada jenis ikan koi maka memerlukan klasifikasi untuk mempermudah dalam membedakan jenisnya. Klasifikasi sendiri merupakan suatu cara memilah dan mengelompokan menjadi golongan atau unit tertentu. Cara yang digunakan dalam pengklasifikasian yaitu membandingkan untuk mencari persamaan maupun perbedaaan sifat atau ciri [3]. Media yang digunakan sebagai pengklasifikasian yaitu citra. Karena citra mudah dilihat dan diidentifikasi. Ilmu yang mempelajari tentang citra yaitu Image Processing atau pengolahan citra digital. Dimana pengolahan citra digital yaitu sebuah proses filter gambar asli menjadi gambar lain sesuai dengan keinginan. Dengan begitu informasi yang terdapat didalam citra dapat diolah sesuai kebutuhan. Citra ikan koi yang ingin diidentifikasi akan dibandingkan dengan citra lain untuk digolongkan kedalam jenis yang sesuai ciri warna corak terdapat dalam ikan koi. Corak ikan koi yang mempunyai perpaduan warna dapat diolah dengan menggunakan ekstraksi ciri pada citra menggunakan metode Grayscale, ekstraksi ciri dilakukan berdasarkan warna, bentuk dan tekstur. Dengan begitu kita mendapatkan nilai ektraksi yang sesuai untuk kemudian dibandingkan dengan nilai ekstraksi yang digunakan sebagai acuan. Setelah mendapat nilai yang sesuai, nilai tersebut akan diolah dengan menggunakan algoritma pengklasifikasian. Salah satu algoritma yang dapat digunakan untuk mengklasifikasikan yaitu Naive Bayes. Naive Bayes adalah sebuah pengklasifikasian statistik yang digunakan untuk memprediksi probabilitas keanggotaan suatu kelas. Biasanya metode Bayesian digunakan untuk membantu pengambilan keputusan sehingga mendapatkan nilai kepercayaan pada informasi. Dengan menggunakan algoritma Naive Bayesian Classifier diharapkan bisa memperoleh nilai akurasi kemiripan yang tinggi. II LANDASAN TEORI 2.1 Ikan koi Ikan koi Komoditas ikan koi mulai berkembang sangat pesat, banyaknya orang mulai menyukai ikan koi, berawal kepopulerannya di Jepang dan kemudian 1

2 menyebar berbagai belahan dunia. Ikan yang termasuk ikan hias ini digemari karena warnanya yang menarik dan beragam, serta mempunyai corak bervariasi. Varian warna didominasi oleh warna hitam, putih, merah, kuning, biru dan krem ini menjadikan ikan koi stabil dalam penjualannya. Mudahnya perawatan salah satu alasan untuk menjadikan ikan koi sebagai ikan peliharaan. Mempunyai jenis beragam membuat ikan koi menjadi stabil penjualanya dipasaran. Standar internasional dari ikan koi dapat dikatakan berkualitas, dapat dilihat dari beberapa kriteria, antara lain: 1. Bentuk tubuh sempurna. 2. Warnanya cerah mencolok, tidak terjadi gradasi warna atau bayangan. 3. Batas pada pola warna terlihat jelas. 4. Ukuran proposional sesuai panjang dan besarnya. Tiap jenis ikan koi mempunyai perbedaan tersendiridiri baik bentuk, corak dan warnanya. Untuk membedakan agak sulit karena beberapa jenis mempunyai persamaan warna [2]. 2.2 GLCM (Gray Level Co-occurrence Matrix) Gray Level Co-ocurrence Matrix (GLCM) adalah matriks yang mengambil nilai dari histogram tingkat kedua. Gray Level Co-ocurrence Matrix (GLCM) merupakan matriks yang menggunakan probabilitas dari dua titik x 1 dan x 2 pada tingkat keabuan dalam jarak tertentu d dan orientasi sudut θ tertentu. Orientasi sudut terbagi dalam 4 arah yaitu 0,45, 90 dan 135 serta jarak ditetapkan sebesar 1 pixel, 2 pixel dan seterusnya [3]. Langkah-langkah untuk membuat Gray Level Coocurrence Matrix (GLCM) ternormalisasi sebagai berikut: 1. Normalisasi pixel dengan mengubah rentan nilai intensitas pixel. I i,j = (I min) newmax newmin + newmin (1) Max Min 2. Membuat area kerja. 3. Menentukan hubungan spasial antara pixel referensi dengan piksel tetangga, dengan jarak dan sudut. 4. Menghitung jumlah kookurensi matriks dan mengisikanya pada area kerja. 5. Normalisasi matriks untuk mengubah kebentuk probabilitas. p(x 1, x 2 ) = jumlah pasangan titik titik keabuan x 1 dan x 2 (2) Banyaknya titik pada daerah suatu citra Hasil dari ektraksi akan digunakan sebagai atribut perhitungan. Adapun beberapa ekstraksi fitur ciri yang digunakan sebagai pembeda dari tiap citra yaitu: 1. Energi(Energy) Untuk mengukur kesamaan nilai keabuan yang mempunyai nilai derajat keabuan sama. Citra yang sama akan memiliki nilai energy yang besar [4]. f 1 = i j p 2 d (i, j) (3) 2. Entropi(Entropy) Menunjukkan tidak keteraturan bentuk, dengan variasi elemen-elemen matriks kookurensi. Citra yang memiliki transisi derajat keabuan kecil akan memiliki variansi yang kecil juga [4]. f 2 = i j pd(i, j) log(pd(i, j)) (4) 3. Kontras(Contrast) Menunjukan tingkat nilai derajat keabuan pada daerah citra. Semakin jauh nilai keabuan dari daerah diagonal utama, maka mempunyai nilai keabuan yang besar [4]. f 3 = i j i j 2 pd(i, j) (5) 4. Homogenitas(Homogenety) Homogenitas ini kesamaan dari variasi isi yang terdapat pada citra menunjukan nilai kemiripan dari citra. f 4 = pd(i,j) i j (6) 1+ i j 5. Korelasi(Correlation) Menunjukan keterkaitan tiap pixel-pixel terhadap nilai ketergantungan linier derajat pada suatu citra abu-abu [4]. f 5 = ijp d (i,j)(i μ x)(j μ y ) i j (7) σ x σ y 2.3 Naive Bayes Klasifikasi mempunyai tujuan untuk memeriksa ciri objek baru dan didefinisikan kedalam kelas yang sudah ditentukan. Objek tersebut diklasifikasikan dengan data yang ada didatabase atau sering disebut data training. Salah satu algoritma yang bagus untuk digunakan untuk pengklasifikasian pola yaitu algoritma Naive Bayes. Dalam penerapanya pengolahan citra yaitu teknik atau metode untuk memilih vektor fitur kedalam kelaskelas tertentu. Dalam teori Bayes diperkenalkan 2 jenis probabilitas untuk mengelompokan pola yaitu probabilitas apriori (apriori probability) dan probabilitas aposteriori (aposteriori probability) [5]. Kedua probabilitas saling terkait satu sama lain. Probabilitas apriori yaitu merupakan probabilitas penglompokan suatu pola kedalam kelas yang telah diketahui. Dalam melakukan klasifikasi menggunakan algoritma Naive Bayes mempunyai langkah-langkah, adapun langkah-langkah tersebut [6]. 1. Menghitung probabilitas (prior) tiap kelas yang ada. 2. Lalu menghitung rata-rata (mean) tiap ektraksi fitur yang digunakan, menggunakan rumus. μ = n (8) k k = banyaknya data n =nilai data 3. Menghitung nilai standar deviasi dari setiap fitur yang digunakan, menggunakan rumus. σ = [( 1 n 1 (x i μ) 2 n i=1 )] 0.5 (9) 2

3 4. Kemudian menghitung nilai densitas probabilitas, dengan menggunakan rumus. (x μ) 1 2 P(x C i ) = 2πσ e 2σ 2 (10) 5. Setelah mendapatkan nilai denstitas probabilitas dan prior, menghitung probabilitas masing-masing kelas. P(C i x) = P(x C i )P(c) (11) Nilai terbesar dari perhitungan probabilitas adalah kelas yang sesuai. 2.4 Akurasi Tingkat akurasi merupakan metode digunakan untuk mengetahui kinerja dari klasifikasi jenis ikan koi menggunakan algoritma naive bayes. Dibutuhkan sebuah metode perhitungan kinerja yaitu akurasi. Setelah mendapatkan nilai akurasi dapat menyimpulkan tingkat akurasi kemiripan dari klasifikasi naive bayes terhadap citra [7]. akurasi = III jumlah data benar jumlah data keseluruhan METODOLOGI PENELITIAN 100% (12) 3.1 Prosedur Pengambilan Data Dalam penelitian ini saat melakukan experimen, pengambilan data tidak dilakukan secara langsung. Peneliti menggunakan data sekunder yang mempunyai sifat publik atau dapat diakses semua orang. Data diambil dari sumber yang terpercaya melalui internet. Dengan data yang diambil dari internet peneliti bermaksud untuk memberikan kemudahan orang lain mempelajari penelitian ini. Jumlah data yang diambil 120 citra ikan koi, terbagi atas 20 citra ikan koi jenis Kohaku, 20 citra ikan koi jenis Sanke, 20 citra ikan koi jenis Showa, 20 citra ikan koi Asagi, 20 citra ikan koi Shusui dan 20 citra ikan koi Tancho dengan ukuran pixel yang berbeda-beda. Maka dalam prosesnya harus disamakan terlebih dahulu ukuran pikselnya, citra harus melakukan proses resize. 120 data citra ikan koi akan dibagi kedalam 2 jenis data yaitu 90 data citra training dan 30 data citra uji yang terdiri dari ikan koi jenis Kohaku, Sanke, Asagi, Shusui, Tancho dan Showa. Berikut dataset citra ikan koi jenis Kohaku, Sanke, Showa, Asagi, Shusui dan Tancho yang digunakan dalam penelitian ini dapat dilihat pada Gambar 1. Gambar 1 Data Set. 3.2 Metode Usulan Pada penelitian tentang klasifikasi ikan koi jenis Kohaku, Showa, Sanke, Asagi dan Tancho menggunakan beberapa tahapan. Tahap awal menyamakan ukuran pixel dari data citra yang digunnakan, serta mengekstraksi ciri citra dengan metode Gray Level Co-occurrence Matrix (GLCM). Setelah mendapatkan ciri dari citra tahap selanjutnya mengklasifikasikan hasil ekstraksi ciri menggunakan alogoritma Naive Bayes. Berikut kerangka pemikiran dari penelitian ini dapat dilihat pada Gambar 2. Gambar 2 Kerangka Pemikiran Dalam melakukan penelitian ini terdapat beberapa tahap yang perlu dilakukan untuk citra ikan koi dapat diklasifikasikan menurut jenisnya. Adapun proses yang dilakukan sebagai berikut: 1. Dataset Penelitian ini menggunakan dataset citra ikan koi yang berjumlah 120 data citra yang berisi 20 citra ikan koi jenis Kohaku, 20 citra ikan koi jenis Showa, 20 citra ikan koi jenis Sanke, 20 citra ikan koi jenis Asagi, 20 citra ikan koi jenis Shusui dan 20 citra ikan koi jenis Tancho. Dari 120 data tersebut dibagi kedalam dua bagian yaitu 90 data 3

4 training dan 30 data uji. Dataset diambil dari berbagai sumber di internet. 2. Resize dan Konversi Citra Pada tahap ini data citra ikan koi yang mempunyai ukuran pixel yang berbeda mengalami tahapan resize disamakan ukuran pikselnya, dengan ukuran 100*250 pixel. Setelah mempunyai ukuran yang sama data citra ikan koi dikonversi menjadi citra grayscale dengan 256 derajat keabuan. 3. Ekstraksi ciri dengan GLCM Pada langkah selanjutnya citra yang sudah dikonversi menjadi grayscale akan diambil fitur ekstraksi cirinya. Dalam penelitian ini, peneliti menggunakan 4 fitur ekstraksi ciri yaitu energi, homogenitas, korelasi dan kontras. Dengan nilai jarak d=1, d=2 dan sudut θ = 0, 45, 90 dan 135. Langkah-langkah ekstraksi ciri dengan menggunakan GLCM sebagai berikut: a) Mengubah framework matriks. b) Menentukan hubungan spasial antara pixel referensi dengan pixel lain dengan memberikan sudut (θ) dan jarak (d). c) Menghitung nilai kookurensi matriks dan mengisikanya ke framework matriks. d) Menjumlahkan matriks kookurensi dengan matriks transposenya untuk menjadikan matriks simetris. e) Normalisasi matriks untuk mengubahnya kebentuk probabilitas. f) Setelah matriks kookurensi tersebut, barulah dapat dihitung analisa seperti energi, homogenitas, korelasi dan kontras. 4. Proses klasifikasi dengan menggunakan algoritma Naive Bayes Untuk pengklasifikasian citra ikan koi, peneliti menggunakan algoritma klasifikasi Naive Bayes. Dengan membandingkan probabilitas-probabilitas sesuai dengan nilai ektraksi fitur ciri. Awalnya pemberian label terhadap hasil probabilitas proses GLCM dan kemudian dibandingkan dengan data lainnya yang mempunyai nilai mendekati. Data lainya yang dimaksud adalah data training. 0, 45, 90, 135. Salah satu contoh hasil ektraksi fitur GLCM pada jarak 1 sudut 0 dapat dilihat Gambar 3. Gambar 3 Hasil Ekstraksi GLCM Hasil ekstraksi dapat digunakan untuk melakukan klasifikasi. Di matlab sudah menyediakan fungsi klasifikasi Naive Bayes, dengan menggunakan fungsi NaiveBayes.fit(). Menghasilkan atribut-atribut yang dapat digunakan sebagai prediksi. Setelah mendapatkan hasil prediksi akan diubah menjadi tabel dengan menggunakan confusion matrix di matlab terdapat fungsi confusionmat(). Berikut hasil atribut Naive Bayes dilihat pada Gambar 4. IV HASIL DAN PEMBAHASAN Data citra yang didapat awalnya mempunyai ukuran pixel yang berbeda-beda, maka diperlukan penyesuaian terhadap citra tersebut dengan cara mengubah ukuran pixel dan melakukan pemotongan gambar agar sesuai dibutuhkan. Selanjutnya citra akan diolah menggunakan ekstraksi fitur GLCM untuk mendapatkan nilai kontras, korelasi, energi dan homogenitas dengan parameter jarak 1 dan 2 terhadap sudut Gambar 4 Atribut NaiveBayes.fit() Membuat naive bayes objek untuk mendapatkan nilai yang digunakan sebagai pediksi. Hasil yang didapat berupa prior, mean dan standard deviasi, selanjutnya hasil tersebut akan 4

5 diprediksi dengan fungsi predict() di matlab. Contoh hasil prediksi dilihat pada Gambar 5. Dari percobaan diatas dapat dilihat nilai akurasi paling tinggi dari klasifikasi dengan algoritma naive bayes sebesar 73,33% dengan jumlah data benar 22 serta jumlah data yang salah 8, pada jarak 2 dan sudut 45. Berikut hasil klasifikasi dengan jarak 2 dan sudut 45 beserta keterangannya dapat dilihat pada Tabel 3. Tabel 3 Keterangan Klasifikasi Gambar 5 Hasil Prediksi Perhitungan nilai akurasi bertujuan untuk mendapat seberapa tinggi nilai kemiripan dari hasil klasifikasi yang telah dilakukan terhadap citra ikan koi. Perhitungan nilai akurasi dilakukan dengan jarak 1 dan jarak 2 pada sudut 0, 45, 90, 135. Dalam proses perhitungan akurasi memerlukan tabel confusion matrix untuk melihat hasil prediksi serta tingkat keberhasilan prediksi yang telah dilakukan. Berikut contoh perhitungan akurasi pada jarak 1 dan sudut 0 dilihat pada Tabel 1. Tabel 1 Confusion Matrix akurasi = % = 46,67% 30 Berikut hasil akurasi keseluruhan yang telah dilakukan dengan jarak 1 dan 2 pada sudut 0, 45, 90, 135 dapat dilihat pada Tabel 2. Tabel 2 Hasil Klasifikasi Naive Bayes V KESIMPULAN Dari hasil penelitian yang sudah dilakukan dan sesuai dengan tujuan penelitian untuk mengimplementasikan algoritma Naive Bayes dalam melakukan klasifikasi terhadap citra ikan koi serta mendapatkan nilai akurasi, dapat disimpulkan ada beberapa faktor yang mempengaruhi nilai prediksi yaitu nilai jarak dan sudut yang digunakan. Ektraksi fitur GLCM (Gray Level Co-occurrence Matrix) seperti contrast, correlation, homogenity dan energy ikut mempengaruhi hasil dari prediksi. Akurasi yang didapat dari klasifikasi Naive Bayes terhadap jenis ikan koi adalah 73,33% dengan jarak 2 pada sudut 45. VI REFERENSI [1] D. S. Lesmana dan I. Dermawan, Budi Daya Ikan Hias Air Tawar, Jakarta: Penebar Swadaya, [2] A. Asmara dan A., Meraih Untung Memelihara Ikan KOI, Bandung: Titan Ilmu, [3] D. Putra, Pengolahan Citra Digital, Yogyakarta: Penerbit Andi,

6 [4] Y. G. K, I. Santoso and R.. R. Isnanto, Klasifikasi Citra Dengan Matriks Ko-okurensi Aras Keabuan (Gray Level Co-occurence Matrix), Universitas Diponegoro, Semarang, [5] L. Kusrini, Algoritma Data Mining, Surabaya: Andi Offset, [6] A. R. Hermawan, A. E. Wibowo, D. F. Ningrum and N. S. Liman, Pengklasifikasian Daun Mangga, Salam dan Sawo dengan Menggunakan Metode Naive Bayes, Universitas Brawijaya, Malang, [7] M. Miqdad, Penentuan Kualitas Kayu Kelapa Menggunakan Algoritma Naive Bayes Berdasarkan Tekstur Pada Citra, Universitas Dian Nuswantoro, Semarang,