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 kotorankotoran 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 :
Program Klasifikasi kunyit, jahe dan lengkuas
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.
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
USER
Input gambar (training dan testing)
HASIL
Input gambar (training dan testing)
SISTEM
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.
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 Kunyit
Warna kulit rimpang Jingga kecoklatan atau
Warna daging rimpang Jingga kekuningan
berwarna terang agak kuning sampai sampai kuning kehitaman Jahe
Putih kekuningan
Putih sampai putih kekuningan
Lengkuas
Coklat agak kemerahan, atau
Berwarna putih kehijauan
kuning kehijauan pucat. Bersisik putih atau kemerahan, agak mengkilat
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 benarbenar 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=S5y6SsId9oC&printsec=frontcover&num=100#v=onepage&q&f=false [diunduh : 26 Mei 2013]
