PENENTUAN KUALITAS IKAN BANDENG MENGGUNAKAN ALGORITMA NAIVE BAYES BERDASARKAN TEKSTUR PADA CITRA Rahmanika Ratna Sari 1, Hanny Haryanto 2 1,2 Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Jl. Nakula I No.5-11, Semarang, Jawa Tengah, 50131, Indonesia E-mail: nikamaghliga@gmail.com, hanny.haryanto@dsn.dinus.ac.id ABSTRAK Salah satu komoditas perikanan yang sangat laris di pasar domestik maupun untuk kebutuhan ekspor adalah ikan bandeng, dengan negara-negara tujuan ekspornya adalah Filipina,Singapura,Taiwan, dan Thailand. Ikan bandeng yang berkualitas memiliki ciri-ciri tekstur daging yang keyal, berbadan gemuk atau montok, terlihat segar, insang yang terlihat berwarna merah. Untuk mengenali kualitas ikan bandeng yang keadaannya segar atau busuk melalui mata ikan bandeng dengan menggunakan algoritma naive bayes dan metode ekstraksi fitur. Dengan menerapakan kedua metode tersebut, diharapkan konsumen dapat mengetahui kualitas ikan bandeng secara visual tanpa menggunakan alat bantu. Dalam penelitian ini menggunakan metode Naive Bayes sebagai klasifikasi dan tekstur fitur. Metode ekstraksi fitur tekstur digunakan untuk mengenali pola tertentu apabila dilihat oleh mata manusia mudah untuk dibedakan, maka secara komputerisasi diharapkan dapat memiliki sifat pengenalan pola yang dimiliki manusia. Algoritma naive bayes berfungsi untuk memprediksi probabilitas data yang terdapat pada masing-masing class. Nilai hasil dari akurasinya adalah sebesar 80%, nilai recall sebesar 80% dan presisinya 81%. Kata kunci: naive bayes, ekstraksi fitur, ikan bandeng, segar, busuk
I. PENDAHULUAN Indonesia merupakan negara yang mendapat julukan sebagai negara maritim yang artinya adalah negara yang terdiri dari 2/3 wilayahnya merupakan lutan, dan Indonesia menjadi salah satu negara penghasil kekayaan laut yang terbesar di dunia [1] [2]. Salah satu komoditas perikanan yang sangat laris di pasar domestik maupun untuk kebutuhan ekspor adalah ikan bandeng, dengan negara-negara tujuan ekspornya adalah Filipina,Singapura,Taiwan, dan Thailand. Ikan bandeng yang berkualitas memiliki ciri-ciri tekstur daging yang keyal, berbadan gemuk atau montok, terlihat seg Tetapi jika dilihat dua sisi tersebut kurang akurat maka dalam penelitian ini menggunakan media mata ikan bandeng sebagai objek untuk menentukan kualitas ikan bandeng. Dari mata jika dilihat terdapat perbedaan struktur dari ikan dalam kondisi baik maupun sudah membusuk yaitu, mata ikan bandeng yang masih segar struktur matanya masih kenyal dan bulat sempurna sedangkan untuk kondisi mata ikan bandeng kurang baik struktur mata akan lembek dan tidak bulat sempurna.ar, insang yang terlihat berwarna merah. Metode Histogram merupakan statis orde satu yang berfungsi untuk memperoleh fitur tekstur. Fitur tekstur dikenali melalui metode histogram yang diantaranya adalah rerata intensitas, deviasi standar, sekwness, energi, entropi dan kehalusan [3]. Fitur-fitur tekstur lalu diproses dengan menggunakan metode klasifikasi untuk menentukan dua kualitas ikan bandeng yaitu menjadi ikan bandeng dengan kualitas baik, dan kualitas kurang baik (busuk). Metode Naive Bayes merupakan suatu metode supervised. Naive Bayes classifier mempunyai keunggulan untuk mengklasifikasi Decision Tree dan Neural Network. Naive Bayes classifier juga dapat menangani dataset yang besar baik dengan atribut variabel diskrit atau kontinyu [4] [5]. Dengan menggunakan algoritma tersebut maka dapat diharapkan agar mempermudah dalam proses penentuan kualitas ikan bandeng dengan akurasi yag baik. II. METODE YANG DIUSULKAN 2.1. Algoritma Naive Bayes Naive Bayes Classifier (NBC) dapat juga disebut dengan Bayesian Classification yang merupakan metode pengklasifikasian statistik yang dapat digunakan untuk memprediksi probabilitas keanggotaan dari satu class. Naive Bayes Classifier juga dapat menangani dataset yang besar baik dengan atribut variabel diskrit kontinyu [5]. Bentuk umum Naive Bayes Classifier yaitu [5] : P(C i X)= ( ) ( ) ( ) Data yang bernilai nominal adalah sebagai pengguna metode sebelumnya yang akan berjalan secara langsung. Data yang bernilai numerik memiliki probabilitas normal atau gaussian
dengan menghitung nilai dari rerata μ dan standar deviasi σ pada setiap class. Di definisikan dengan rumus sebagai berikut: g(x, )= ( ) ( ) dapat disimpulkan dari persamaan diatas adalah pencarian probabilitaas X berdasarkan kondisi pada hipotesis Ci: P(X k C i ) = g(x i, i, i) 2.2. Ekstraksi Fitur Berbasis Histogram Statistical Histogram adalah suatu metode yang digunakan untuk mendapatkan tekstur pada histogram. Metode histogram digunakan untuk memperoleh fitur tekstur. Melalui metode histogram dapat mengenali beberapa fitur seperti rerata intensitas, deviasi standar,skewness, energi, entropi dan kehalusan [7]. Fitur yang pertama dapat dihitung secara statistik yang biasa disebut dengan rerata intensitas. Komponen-komponen fitur ini dihitung berdasarkan persamaan [7] [8]: 1. Rerata intensitas 2. Deviasi standar ( ) ( ) Pada σ2 disebut sebagai varians atau disebut sebagai momen orde dua ternormalisasi kerena p(i) merupakan fungsi peluang. Fitur ini memberikan ukuran kekontrasan. 3. Skewness ( ) ( ) Skewness atau yang disebut dengan momen orde tiga ternormalisasi, nilai negatif dinyatakan sebagai distribusi kecerahan yang condong ke kiri terhadap rerata dan nilai positif menyatakan bahwa distribusi kecerahan condong ke kanan terhadap rerata. 4. Energi ( ) Dapat dijabarkan, i adalah sebagai nilai keabuan pada citra f dan p(i) menyatakan sebagai probabilitas kemunculan i dan L yang menyatakan sebagai nilai keabuan tertinggi. Rumus tersebut akan menghasilkan rerata kecerahan objek. Citra dengan sedikit aras keabuan akan memiliki energi yang lebih tinggi daripada yang memiliki banyak nilai aras keabuan. Energi sering disebut sebagai keseragaman. 5. Entropi ( ( )( ( ( ))) Enteropi juga mempresentasikan jumlah informasi yang terkandung di dalam data.
6. Smoothness Dalam menghitung kehalusan, varians perlu di normalisasikan sehingga nilainya berbeda dalam jangkauan [0 1] dengan cara membaginya dengan (L-1)2 [8]. Untuk pendektan secara tekstur dengan probabilitas mempunya kelebihan pada sifatnya yang tidak tergantung pada operasi translasi, penyekalan, dan rotasi. 2.3. Pengukuran Akurasi, Recall, dan Presisi Nilai akurasi adalah jumlah dari recod data yang nantinya akan diklasifikasikan oleh sebuah algoritma klasifikasi, selanjuta nilai persisi adalah proporsi jumlah kasus yang diprediksi posotif pada data yang sebenarnya. Sedangkan nilai recall adalah proporsi jumlah kasus positif yang sebenarnya diprediksi positif secara benar [4] [7] [8]. Untuk perhitungan nilai akurasi, presisi dan recall didefinisikan sebagai berikut: Akurasi = (TP+TN)/(TP+TN+FP+FN) Recall = (TP+TN)/(TP+FN) Presisi = TP/(TP+FP) 2.4. Evaluasi Performa Terdapat dua ukuran evaluasi yang digunakan untuk mengevaluasi efektivitas dari sistem mesin pencari gambar. Pengukuran pertama adalah recall yang merupakan ukuran dari kemampuan sebuah sistem untuk menampilkan seluruh gambar yang relevan [4]. Pengukuran kedua adalah precision yang merupakan ukuran dari kemampuan sebuah sistem untuk menampilkan hanya gambar yang relevan. Hasil temu kembali merepresentasikan hasil yang relevan jika hasil temu kembali tersebut termasuk ke dalam kategori gambar yang sama dengan gambar query [6]. III. METODOLOGI PENELITIAN 3.1. Teknik Analisa Data Dalam penelitian ini, setelah data didaptkan ada beberapa tahapan yang dilakukan terhadap data-data yang diperoleh. Tahapantahapan tersebut antara lain 1. Melakukan seleksi citra pada ikan bandeng yang memenuhi standart (berkualitas) dan ikan bandeng yang tidak memenuhi standart yang akan digunakan dalam penelitian 2. Menerapkan metode ekstraksi fitur tektur berbasis histogram dari data citra mata ikan bandeng. Selanjutnya akan di dapatkan data fitur atau ciri tekstur berupa rerata intesitas, deviasi standar, sekwness, energi, entropi dan kehalusan. 3. Hasil dari ekstraksi fitur tekstur citra kelapa berbasis histogram selanjutnya diolah kembali dengan metode naive bayes untuk menentukan kualitas ikan bandeng tersebut menjadi dua klasifikasi yaitu A dan B 4. Menghitung yang berfungsi untuk kecocokan antara hasil data yang telah di klasifikasikan menjadi dua kelas oleh metode yang diusulkan dengan data testing dari grader
untuk diuji tingkat kinerja keberhasilan sistem klasifikasi ikan bandeng. 3.2. Metode Penelitian dengan rerata intensitas. Komponenkomponen fitur ini dihitung berdasarkan persamaan: b. Deviasi Standar momen orde dua ternormalisasi kerena p(i) merupakan fungsi peluang: ( ) ( ) Gambar 3. 1 Metode yang Diusulkan Dalam penelitian ini juga melakukan beberapa pengembangan berikut langkah pengembangan tersebut: 1. Setelah mengambil gambar objek ikan bandeng menggunakan kamera, maka selanjutnya melakukan proses croping yang difokuskan hanya pada mata ikan bandeng. 2. Merubah citra RGB menjadi grayscale. 3. Melakukan ekstraksi fitur tekstur mata ikan bandeng bertujuan untuk mendaptakan ciri tekstur mata ikan bandeng yang sebelumnya telah melalui tahap pengolahan awal citra. Untuk melakukan ektraksi fitur tekstur dapat dilakukan dengan rumus sebagai berikut: a. Fitur yang pertama dapat dihitung secara statistik yang biasa disebut c. Skewness atau yang disebut dengan momen orde tiga ternormalisasi ( ) ( ) d. Entropi diindikasikan sebagai kompleks citra. ( ) e. Kehalusan digunakan mengukur tingkat kehalusan atau kekasaran intensitas pada citra R = 1-4. Setelah melakukan ektraksi fitur tekstur langkah selanjutnya adalah Naive Bayes Classifier. Berikut rumus dari naive bayes classifier: P(Ci X) =(P(X Ci)P(Ci))/(P(X)) 5. Langkah Langkah yang terakhir adalah menghitung nilai akurasi, recall dan
presisi Untuk perhitungan nilai akurasi, presisi dan recall didefinisikan sebagai berikut: Tabel 4.1 Hasil Ekstraksi Fitur dalam Database Akurasi = Recall = Presisi =. IV. HASIL DAN PEMBAHASAN 4.1. Persiapan Data Dalam melakukan penelitian ini maka perlu data-data citra yang bersifat 2D dari citra mata ikan bandeng. Data tersebut nantinya akan digunakan sebagai penentu klasifikasi kualitas ikan bandeng yang berjumlah 100 data citra ikan bandeng, masing-masing terdiri dari 50 dalam kondisi segar dan 50 dalam kondisi busuk. 4.2. Ekstraksi Fitur Ekstraksi fitur pada citra telur di penelitian ini yang bertujuan untuk mendapatkan ciri tekstur dari citra pada telur yang sebelumnya melalui tahapan pengolahan awal citra yang sudah dijelaskan di subbab sebelumnya. Ekstraksi fitur tekstur tersebut menggunakan metode histogram pada metode ini didalamnya terdapat 6 fitur yaitu rerata intensitas, deviasi standar, skewness, energi, entropi dan smoothness. 4.3. Pengujian Model Pengujian menggunakan metode naive bayes yang digunakan untuk klasifikasi kualitas ikan bandeng, tahapan sebelum pengenalan dan dilakukan testing maka hasilnya didapatkan ekstraksi fitur mata ikan bandeng berdasarkan pada histogram. Selanjutnya dari data traning dan data testing yang sudah dilakukan pengolahan awal dan ekstraksi fitur akan dilakukan prosedur klasifikasi. Tahapan selanjutnya setelah melakukan proses pengolahan dan ekstaksi fitur adalah mengelola setiap citra mata ikan bandeng dalam bentuk database yang nantinya akan digunakan sebagai tolok ukur dengan menggunakan Naive Bayes. Berikut tahapantahapan yang perlu dilakukan: 1. Masukan data citra uji (data training ) kemudian masuk kedalam tahap proes awal dan ekstraksi fitur pada citra yang dimasukan. Data citra yang dimasukkan menggunakan file image dengan kode A57. 2. Masuk kedalam tahap klasifikasi dengan menggunakan metode Naive Bayes
a. Menghitung P(X k C i ) pada masing-masing class 3. Setelah melakukan perhitungan nilai mean dan standar deviasi pada masingmasing atribut class. a. Menghitung Posterior Probability P(C i X) pada masing-masing class. 4. Mencari nilai tertinggi pada Posterior Probability P(C i X) pada masing-masing class Setelah melakukan tahapan-tahapan diatas maka dapat diperoleh klasifikasi yang dilakukan secara komputerisasi. Dapat dilihat bahwa adanya perbedaan klasifikasi antara grader dan metde yang diuslkan. Tabel 4.4 Hasil klasifikasi 20 citra NO Kode Citra Prediksi Sistem data uji Prediksi Grader Hasil 1 A-85 Segar Segar True 2 A-86 Segar Segar True 3 A-87 Segar Segar True 4 A-88 Segar Segar True 5 A-89 Segar Segar True 6 A-90 Segar Segar True 7 A-91 Segar Segar True 8 A-92 Segar Segar True 9 A-93 Segar Segar True 10 A-94 Segar Segar True 11 B-73 Busuk Busuk True 12 B-74 Busuk Busuk True 13 8-75 Segar Busuk True 14 B-76 Busuk Busuk True 15 B-78 Busuk Busuk True 16 B-79 Segar Busuk False 17 B-80 Busuk Busuk True 18 B-51 Segar Busuk False 19 B-82 Busuk Busuk True 20 B-84 Segar Busuk False Hasil dari pencocokan data uji kemudian dimasukan ke dalam tabel confusion matrix. Berikut nilai akurasi, nilai recall dan nilai persisi: Tabel 4.5 confusion matrix untuk metode yang diusulkan True Segar True Busuk Prediksi A 10 0 Prediksi B 4 6 Dari tabel diatas dapat diperoleh nilai akurasi dengan menggunakan persamaan berikut: Akurasi = = = 0,8 x 100% = 80% Dari percobaan 20 data citra uji diatas maka diperoleh kesimpulan bahwa tingkat nilai akurasi memiliki tingkat kedekatan dengan nilai prediksi. Maka tingkat akurasi sebesar 80%.
V. PENUTUP Dari hasil penelitian tersebut dapat disimpulkan dengan menggunakan naive bayes berdasarkan tekstur pada citra menghasilkan nilai akurasi sebesar 80%, nilai recall sebesar 80% dan nilai pressisi sebesar 81%. Nilai tersebut berdasarkan 100 citra data training dan 20 data testing. Nilai akuasi sebesar 80% menunjukkan bahwa metode fitur ekstraksi dan algoritma naive bayes dapat diterapkan dengan baik [6] A.Kadir, A Model of Plant Identification System Using GLCM, Lacunarity and She Fetures, 2014. [7] S.Sergan, Color Histogram Features Based Image Classification In Content-Based Image Retrieval Syatems, 2008. [8] E. M. V. S. O. D. N. a. W. T. Sutoyo, "Teori Pengolahan,Citra Digital", 2009. DAFTAR PUSTAKA [1] 1 I.PENDAHULUAN Latar Belakang Ikan Bandeng, Unhas, 2011. [Online]. Available: http:..repository.unhas.ac.id/bitstream/handle/123 456789/135/Skripsi.pdf.. [Diakses 05 10 2015]. [2] Teori Pengolahan Citra Digital, dalam Teori Pengolahan Citra Digital, Yogyakarta, ANDI, 2009. [3] A. a. A. Susanto, Pengolahan Citra Teori dan Aplikasi, 2013. [4] E.R.Anandita, Klasifikasi Tebu Dengan Menggunakan Algoritma Naive Bayes Classification Pada Dinas Kehutanan Dan Perkebunan Pati, 2014. [5] J. L. H. Elvia Budianita, Implementasi Pengolahan Citra dan Klasifikasi K-Nearest Neighbour Untuk Membangun Aplikasi Pembeda Daging Sapi dan Babi, Jurnal Sains Teknologi dan Industri, vol. Vol.12 pp, pp. 242-247, 2015.