KLASIFIKASI PENGENALAN POLA WAJAH DAN PENGUJIAN 5 JENIS BUAH PISANG METODE NAIVE BAYESSIAN

KLASIFIKASI PENGENALAN POLA WAJAH DAN PENGUJIAN 5 JENIS BUAH PISANG METODE NAIVE BAYESSIAN Imam Cholissodin, W. Lisa Yunita, Dinda Novitasari, Nur Alfiyah, Arista Welasari, Anisah Laboratorium Komputasi Cerdas dan Visualisasi, Jurusan Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya (UB), Malang, 65145, Indonesia E-mail: [email protected], [email protected], [email protected], [email protected], [email protected], [email protected]

bentuk, ukuran dan warna kulit yang berbeda karenanya setiap orang dapat dikenali dengan ciri khas wajahnya masing-masing. Karena terlalu kompleks mengklasifikasikan, kami berusaha untuk mengenali wajah menggunakan teori bayessian yang dianggap paling mudah untuk mengklasifikasikan sesuatu. Dengan pengklasifikasian menggunakan bayessian, maka kita dapat membedakan satu orang dengan yang lainnya. Pada saat ini juga, teknologi masih minim untuk dapat membedakan beberapa jenis pisang yang dapat di bedakan dengan kasat mata, sehingga kami berinisiatif untuk memecahkan masalah ini dengan menggunakan teknologi pengenalan pola berdasarkan klasifikasi naive bayesian. Metode bayyessian ini digunakan dengan bantuan implementasi aplikasi MATLAB yang dapat menghitung 5 kelas dan 5 fitur dalam mengklasifikasikan. Pada paper ini, kami menggunakan 5 wajah yang berbeda dari anggota kelompok kami dan bebarapa jenis pisang yang biasa digunakan masyarakat yaitu pisang batu, pisang raja, pisang ambon, pisang susu, dan pisang merah. Dengan metode Bayesian, pisang akan dihitung dan diteliti oleh citra yang ditangkap sehingga dapat dibedakan dan langsung dikelompokkan. Citra yang ditangkap akan di hitung dari bentuk, ukuran, dan warna yang dimiliki masing-masing orang agar lebih mudah diklasifikasikan. Beberapa referensi yang kami gunakan ialah: 1. Bayesian Classification of Halftone Image based on Region Covariance(Zhiqiang Wen, Yongxiang Hu, Wenqiu Zhu,2013). Mempresentasikan sebuah standar set tempat untuk memperoleh sebuah wilayah penggambaran kovarian baru dan sebuah metode bayesian untuk klasifikasi gambar halftone. Metode yang sederhana dan akan memperoleh hasil klasifikasi yang baik. Sebuah wilayah gambar dapat digambarkan dengan matriks kovarian yang mana memiliki keuntungan seperti rotasi invarian, kurangnya gangguan dari illuminasi, tidak mengubah dimensi

Abstrak - Pengenalan wajah merupakan bagian yang penting untuk mengenali seseorang, dengan mengenali wajah sesorang kita dapat mengingat nama orang tersebut. Namun beberapa orang memiliki tingkat kesamaan wajah yang cukup tinggi yang membuat citra wajah susah dibedakan jika dilihat sekilas, karenanya dalam kasus ini, klasifikasi Naive Bayessian dianggap paling tepat untuk menguji beberapa dataset untuk membedakan jenis wajah satu orang dengan lainnya. Tidak hanya wajah yang dapat diuji dengan metode ini, melainkan buah yang memiliki tingkat kesamaan dapat diidentifikasi dengan tingkat kesalahan yang rendah oleh metode ini. Paper ini mengenalkan informasi dari pengklasifikasian sudut citra dimana tidak dapat diperoleh hanya dengan pengujian yang singkat. Sebagai hasil dari adanya noise pada gambar dimana nilai dari projektif fitur-fitur yang sama muncul dan mengarah ke penilaian yang salah tentang jenis-jenis citra wajah. Dalam situasi ini, klasifikasi Naive Bayesian dikenalkan. Ketika terjadi kesalahan parameter karakteristik, probabilitas nilai dari tipe-tipe berbeda dari citra wajah dikalkulasikan dengan klasisfikasi Naive Bayesian dan membandingkan nilai probabilitas. Akhirnya menentukan tipe wajah untuk mencapai identifikasi citra dengan tepat. Kata kunci: Pengelompokkan, Metode Naive Bayessian

1.

Pendahuluan

Pengklasifikasian merupakan hal yang mudah jika memiliki tingkat perbedaan yang tinggi, namun tidak halnya dengan pengenalan wajah. Pengenalan wajah cukup sulit untuk dibedakan karena masing-masing orang mungkin memiliki bentuk wajah yang sama namun ukuran yang berbeda, ataupun sebaliknya. Sesorang dapat dibedakan satu dengan yang lain jika memiliki

1

untuk ukuran gambar yang berbeda. Wilayah kovarian telah terbentuk menggunakan lokasi pixel, intensitas, turunan intensitas, edge, orientasi edge, dll. sekarang perluasan fitur, seperti Fitur Gabor wavelet untuk klasifikasi tekstur gambar [1] 2. Research of Vehicle Video Image Recognition Technology Based on Naive Bayesian Classification Model.(TANG Jin-hua,2010). Dalam pengenalan gambar video kendaraan yang sama mengarah pada karakteristik pengalaman kendaraan mengikuti satu atau lebih transformasi tetap tidak berubah[2]. Kesamaan dari geometri proyeksi adalah dimensi yang sama dari matriks transform. Pengekstrakan kesamaan didapatkan dari gambar untuk model data. [2]. 3. Increasing the Accuracy of Discriminative of Multinomial Bayesian Classifier in Text Classification (T. MOURATIS & S. KOTSIANTIS, 2009) Untuk menghitung akurasi pengklasifikasi , seluruh training set dibagi menjadi sepuluh secara eksklusif dan subset sama besar dan untuk setiap bagian classifier itu dicoba pada semua himpunan lain. Metode ini bertujuan untuk akuransi yang lebih signifikan dibanding NB-multinomial tunggal pada 7 keluaran dari data set.[3]

input.[4] Kami memilih metode naive bayesian karena fitur set standart ekstraksi objek wajah dan buah pisang dapat menggambarkan kovarian menurut ukuran, warna dan bentuk gambar pisang dan laju kelas error dapat digunakan untuk evaluasi tampilan pengelompokkan pisang secara cepat. Selain itu metode ini dipilih karena menggunakan konsep peluang dimana setiap sampel data bersifat saling lepas satu sama lain berdasarkan atribut kelas. 2.

Kita akan menjelaskan algoritma untuk menghitung pengukuran wajah yang akan digunakan data wajah dan pisang yang berada didatabase pengujian. Dalam pengujian ini kami menggunakan 5 sketsa wajah kelompok kami dan 5 jenis buah pisang yang beredar di masyarakat untuk diklasifikasikan. 5 Wajah anggota kelompok kami yang diuji yaitu: No Citra Wajah Nama 1 Anisah

TABLE 1. COMPARING THE PROPOSED ALGORITHM WITH OTHER WELL KNOWN ALGORITHMS

Dataset

FS-DMNB Text

DMN B-Text

SMO

NBMultinomia l

oh0

91.82

91.23

81.96

89.03

oh10

84.48

83.81

74.86

81.24

oh15

85.32

84.77

72.72

83.78

re0

82.31

83.78

75.47

80.38

re1

82.50

82.86

74.29

83.35

tr11

89.37

86.23

74.17

84.79

tr12

91.36

86.91

74.46

83.05

tr21

93.12

91.93

79.46

63.37

tr23

93.19

91.17

74.12

71.55

tr41

97.27

96.36

87.02

94.42

Metode

4.

Sparse Bayesian Adversarial Learning Using Relevance Vector Machine Ensembles (Yan Zhou, Murat Kantarcioglu, and Bhavani Thuraisingham, 2012). Dalam kerangka Bayesian dari vektor relevansi mesin, kami memperkenalkan satu set parameter yang secara langsung mempertimbangkan perbedaan antara dua vektor pada setiap dimensi di ruang

2

2

Arista

3

Dinda

4

Nur

5

Wilda

Jenis pisang yang kami gunakan yaitu: No Citra Pisang 1 Raja

2

Ambon

3

Batu

4

Merah

5

pengujian gambar yaitu “CitraGray”, “Citra Biner”, “Citra Max Fit” yang akan menampilkan hasil visualisasi dari tiap gambar yang diuji pada kotak garis operator. Sedangkan pada tabel “testing data” memiliki 3 pengujian gambar yaitu “Citra Gray Test”, “Citra Biner Test”, “Citra Max Fit Test”.

Nama

Gbr 2. GUI perekaan testing dan training dataset. Hasil dari citra yang diperoleh di representasikan dalam “Tingkat Resolusi Gambar”, yaitu variabel yang menaruh variabel. Garis Operator di implementasikan pada gambar-gambar yang terpisah pada piramid. Hasil akhir penjumlahan semua gambar Gaussian Piramid dan rata-rata panjang berat beberapa gambar yang dihasilkan (tingkat kecerahan pengujian). Sebuah threshold kemudian di implementasikan untuk gambar di form untuk inisialisasi segmentasi biner.

Susu

Berikut adalah langkah-langkah untuk melakukan pengujian terhadap masing-masing dataset yang kami gunakan. A. Menginisialisasi matriks dataset. Matriks dataset akan mendeteksi tiap pixel gambar yang diinputkan. Untuk beberapa pixel pada (i,j). Selain itu, kita juga menghitung determinan rerata nilai gambar skala abu-abu, Q, adalah area local disekeliling garis. Pada materi sebelumnya[6], bentuk lancip di area local terlihat pada kotak. Respon pemilihan poin(i,j) di garis didapat dari S = P−Q (1) Proses ini diulangi kembali dengan orientasi yang berbeda pada garis diantara 0º and 180º. Nilai S didapat dari orientasi yang diletakkan pada nilai garis operator pada pixel. Pengurangan mean nilai skala abu-abu berada pada llingkungan Q, dari nilai mean di P dan Eq. (1) mengubah iluminasi pada background dan menghapusnya dari pemilihan gambar, S. Kami menggunakan 12 garis kotak untuk menggambarkan objek yang akan di testing dan diuji. Berikut ialah reka gambar untuk menghitung objek yang akan dimasukkan.

B. Penggambaran kovarian Fitur spectrum fourier adalah periode atau kedekatan periode teksture gambar 2D seperti ditunjukkan di gambar 2. Dari gambar 2, dapat menemukan tipe yang berbeda dari spectrum gambar dapat menyediakan tekstur yang berbasis klasifikasi. Dasarnya, kami mempresentasikan sebuah set tempat yang terlihat di gambar 3. Anggapan s di horisontal atau vertical langsung l dan element lain untuk 0. Kemudian i= 1,.....,L dan kita dapat memperoleh tempat L ditunjukkan A1, A2,.....,Al. Tempat ini digunakan untuk mengikat dengan spektrum fourier (batasan masalah perlu diproses) dari gambar halftone. Akibatnya, kita memperoleh fiturL sebagai S1,......,SL di setiap posisi spectrum. Jika E adalah spectrum citra (WxH) dan (x, y) menunjukkan posisi spectrum, Si (x, y)= E (x, y) ⊗ Ai (x, y) di mana ⊗ adalah konvolusi dua dimensi. Inspirasi literatur [6], d-dimensi vektor h(x,y) di posisi spectrum lain adalah desain yang mengikutinya. ℎ(𝑥𝑥, 𝑦𝑦) =

Gbr 1. Garis Operator Garis operator ini diletakkan pada sisi kiri “training data” dan sisi kanan “testing data”. Setiap gambar yang masuk pada garis operator akan dihitung sisi yang memiliki tingkat warna yang tinggi pada skala abu-abu di training dan testing data. Pada Gbr(2) “training data” memiliki 3

[𝑥𝑥, 𝑦𝑦, 𝐸𝐸(𝑥𝑥, 𝑦𝑦), |𝐸𝐸𝑥𝑥 |, �𝐸𝐸𝑦𝑦 �, �𝐸𝐸𝑥𝑥2 + 𝐸𝐸𝑦𝑦2 , |𝐸𝐸𝑥𝑥𝑥𝑥 |, �𝐸𝐸𝑦𝑦𝑦𝑦 �

𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝐸𝐸𝑥𝑥 (1) , 𝑆𝑆1 (𝑥𝑥, 𝑦𝑦), … … … . 𝑆𝑆𝐿𝐿 (𝑥𝑥, 𝑦𝑦)] 𝐸𝐸𝑦𝑦 dimana (x,y) adalah posisi spectrum. E(x,y) menggambarkan amplitudo di posisi (x,y). 𝐸𝐸𝑥𝑥 , 𝐸𝐸𝑥𝑥𝑥𝑥 adalah pertama masing-masing pesan dan pesan ,

3

kedua turunan amplitudo sepanjang arah x dari adalah arah spectrum gambar. 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝐸𝐸𝑥𝑥 / 𝐸𝐸𝑦𝑦 gradien. 𝑆𝑆1 (𝑥𝑥, 𝑦𝑦), … … … . 𝑆𝑆𝐿𝐿 (𝑥𝑥, 𝑦𝑦)dijelaskan di atas fitur L masing-masing di posisi (x,y). Nomor dimensi d dari h(x,y) adalah 9+L. vector h(x,y) tidak termasuk karakteristik spasial (berhubungan dengan ruang) spectrum, tetapi juga kaya akan tekstur spectrum. Kovarian matriks C dapat menggambarkannya. 𝐶𝐶 =

𝑊 𝐻 1 � � (ℎ(𝑥𝑥, 𝑦𝑦) − 𝜇𝜇)𝑇 (ℎ(𝑥𝑥, 𝑦𝑦) − 𝜇𝜇) 𝑀𝑁𝑁 𝑥𝑥=1 𝑦𝑦

1

Fungsi untuk meminimalkan resiko: 𝛼𝛼(𝑥𝑥) = arg 𝑚𝑚𝑚𝑚𝑚𝑚∩𝑎𝑎 𝑅𝑅(𝛼𝛼|𝑥𝑥) 𝑘𝑘

= arg 𝑚𝑚𝑚𝑚𝑚𝑚∩𝑎𝑎 𝑅𝑅(𝛼𝛼|𝑥𝑥) � 𝑗𝑗=1

Keputusan optimal dalam memilih kelas berdasarkan posterior.

(2)

𝛼𝛼(𝑥𝑥) = arg 𝑚𝑚𝑚𝑚𝑚𝑚∩𝑎𝑎 �1 − 𝑝𝑝(𝛼𝛼|𝑥𝑥)� = arg 𝑚𝑚𝑚𝑚𝑚𝑚∩𝑎𝑎 𝑝𝑝(𝛼𝛼|𝑥𝑥)

∑𝑊 ∑𝐻 ℎ(𝑥𝑥, 𝑦𝑦) Kovarian matrix C dimana 𝜇𝜇 = 𝑀𝑁𝑁 𝑥𝑥=1 𝑦𝑦−1 adalah dxd simetrik matriks definit positif yang nyata yang mana diagonal elemennya diindikasi variasi beberapa fitur element lain yang terlihat dari masingmasing korelasi. Ukurang C independent dari ukuran wilayah target WxH, tetapi hanya tergantung dimensi d. Karena tidak terlalu panjang masing-masing fitur pesanan atau nomor wilayah gambar, matriks kovarian C adalah ketahanan terhadap sasaran deformasi, rotasi.

Fungsi mencari mean

-

𝑃𝑃(𝜔𝜔1 ) + 𝑃𝑃(𝜔𝜔2 ) = 1

Tingkat kepercayaan pada citra dapat dihitung dengan rumus dibawah ini: 𝑝𝑝(𝑥𝑥|𝑤𝑤)𝑝𝑝(𝑤𝑤) 𝑝𝑝(𝑥𝑥)

-

Aturan bayes:

𝑗𝑗=1

(𝑥𝑥−𝜇𝜇)2 2𝜎𝜎2

Matriks mean dan var_mean 𝑥𝑥1 𝑦𝑦1 𝑧𝑧 | 𝑥𝑥11 𝑦𝑦1 𝑧𝑧1

𝑥𝑥2 𝑦𝑦2 𝑧𝑧2 𝑥𝑥3 𝑦𝑦3 𝑧𝑧3

𝑥𝑥3 𝑥𝑥1 𝑦𝑦3 𝑦𝑦1 𝑧𝑧4 𝑧𝑧1 𝑥𝑥4 ||𝑥𝑥1 𝑦𝑦4 𝑦𝑦1 𝑧𝑧4 𝑧𝑧


1


𝑥𝑥4 𝑥𝑥2 𝑦𝑦4 𝑦𝑦2 𝑧𝑧4 𝑧𝑧2 𝑥𝑥4 || 𝑥𝑥2 𝑦𝑦4 𝑦𝑦2 𝑧𝑧4 𝑧𝑧2

𝑥𝑥5 𝑦𝑦5 𝑧𝑧5 𝑥𝑥5| 𝑦𝑦5 𝑧𝑧5


𝑥𝑥5 𝑦𝑦5 𝑧𝑧5 𝑥𝑥5 | 𝑦𝑦5 𝑧𝑧5

Menghitung nilai persamaan proyeksi

Langkah-langkah dari model naive bayesian berdasarkan pada identifikasi pengenalan wajah sebagai berikut: 1. Koordinat dari tiap titik pojok dipilih acak oleh image pre-processing, yang dipilih Ii=(x1,x2,...xn), 1≤ i ≤ n, dan xi merupakan koordinat dari lima titik yang mana dipilih acak dari himpunan I 2. Menentukan kelas variabel c1 dan rangenya

λ �𝛼𝛼𝑖𝑖 �𝑤𝑤𝑗𝑗 �𝑝𝑝(𝑤𝑤𝑗𝑗 |𝑥𝑥)

𝑃𝑃�𝜔𝜔𝑗𝑗 �𝑥𝑥� = 𝑃𝑃�𝑥𝑥�𝜔𝜔𝑗𝑗 �𝑃𝑃(𝜔𝜔𝑗𝑗 )/𝑃𝑃(𝑥𝑥)

𝑃𝑃𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 =

𝑒𝑒

−

(𝜇𝜇 < 0, 𝑣𝑣 < 1), (𝜇𝜇 < 0, 𝑣𝑣 = 1), (𝜇𝜇 = 0, 𝑣𝑣 > 1), (𝜇𝜇 = 0, 𝑣𝑣 = 1), (𝜇𝜇 > 0, 𝑣𝑣 = 1), (𝜇𝜇 > 0, 𝑣𝑣 > 1)

Tingkat resiko dapat dihitung dengan : 𝑅𝑅(𝛼𝛼𝑖𝑖 |𝑥𝑥) = �

1

√2𝜋𝜋𝜎𝜎 2

𝑥𝑥2 𝑦𝑦2 𝑧𝑧 𝑣𝑣(𝑎𝑎1 , 𝑎𝑎2 , 𝑎𝑎3 , 𝑎𝑎4 , 𝑎𝑎5 ) = | 𝑥𝑥2 2 𝑦𝑦2 𝑧𝑧2

𝑃𝑃(𝜔𝜔1 ): 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 1 𝑃𝑃(𝜔𝜔2 ): 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 2

𝑘𝑘

𝜑𝜑𝜇𝜇,𝜎𝜎 (𝑥𝑥) =

𝜇𝜇(𝑎𝑎1 , 𝑎𝑎2 , 𝑎𝑎3 , 𝑎𝑎4 , 𝑎𝑎5 ) =

C. Perhitungan yang dilakukan. Penghitungan probabilitas:

𝑝𝑝(𝑤𝑤|𝑥𝑥) =

λ �𝛼𝛼𝑖𝑖 �𝑤𝑤𝑗𝑗 �𝑝𝑝(𝑤𝑤𝑗𝑗 |𝑥𝑥)

𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿ℎ𝑜𝑜𝑜𝑜𝑜𝑜 ∗ 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸

(𝜇𝜇 < 0, 𝑣𝑣 > 1), (𝜇𝜇 > 0, 𝑣𝑣 = 1), (𝜇𝜇 > 0, 𝑣𝑣 < 1), �(𝜇𝜇 < 0, 𝑣𝑣 < 1), (𝜇𝜇 < 0, 𝑣𝑣 = 1), (𝜇𝜇 = 0, 𝑣𝑣 > 1), (𝜇𝜇 = 0, 𝑣𝑣 < 1),� (𝜇𝜇 > 0, 𝑣𝑣 = 1), (𝜇𝜇 > 0, 𝑣𝑣 > 1)

2

𝑃𝑃(𝑥𝑥) = � 𝑝𝑝�𝑥𝑥�𝑤𝑤𝑗𝑗 �𝑝𝑝(𝑤𝑤𝑗𝑗 )

hal ini diwakili oleh c1~c9. c1~c3 mewaili wajah ataupun citra pisang. c4~c9 adalah nilai dari kesalahan penilaian yang tidak bernilai.

𝑗𝑗=1

4

3. 4.

|𝑐𝑐|

Menghitung probabilitas Ci.

𝑃𝑃�𝐼𝐼𝑗𝑗 � = � 𝑃𝑃(𝑐𝑐𝑘𝑘 )𝑃𝑃�𝐼𝐼𝑗𝑗 |𝑐𝑐𝑘𝑘 �

𝑃𝑃(𝑥𝑥1 , 𝑥𝑥2 , … . 𝑥𝑥𝑛𝑛 |𝑐𝑐𝑖𝑖 )𝑃𝑃(𝑐𝑐𝑖𝑖 ) 𝑃𝑃(𝑐𝑐𝑖𝑖 |𝑥𝑥1 , 𝑥𝑥2 , … . 𝑥𝑥𝑛𝑛 ) = 𝑃𝑃(𝑥𝑥1 , 𝑥𝑥2 , … . 𝑥𝑥𝑛𝑛 ) = 𝑎𝑎𝑎𝑎(𝑐𝑐𝑖𝑖 )𝑃𝑃(𝑥𝑥1 , 𝑥𝑥2 , … . 𝑥𝑥𝑛𝑛 |𝑐𝑐𝑖𝑖 ) (5)

𝑘𝑘=1

𝑃𝑃(𝑐𝑐𝑖𝑖 |𝑥𝑥1 , 𝑥𝑥2 , … . 𝑥𝑥𝑛𝑛 ) =

𝑖𝑖=1

𝑃𝑃�𝑐𝑐𝑘𝑘 �𝐼𝐼𝑗𝑗 � =

(6)

= =

∑𝑛𝑛𝑗𝑗=1 𝐵𝐵𝐵𝐵�𝑐𝑐𝑘𝑘 �𝐼𝐼𝑗𝑗 � 𝑁𝑁

1, 𝐼𝐼𝑗𝑗 𝜖𝜖𝑐𝑐𝑘𝑘 , 𝐵𝐵𝐵𝐵�𝑐𝑐𝑘𝑘 �𝐼𝐼𝑗𝑗 � = � � 0, 𝐼𝐼𝑗𝑗 𝜖𝜖𝑐𝑐𝑘𝑘

𝜃𝜃𝑥𝑥𝑖𝑖|𝑐𝑐𝑘𝑘 = 𝑃𝑃(𝑥𝑥𝑖𝑖 |𝑐𝑐𝑘𝑘 ) 1 + ∑𝑁𝑁 𝑁𝑁 𝑗𝑗=1 𝑗𝑗𝑗𝑗 𝐵𝐵𝐵𝐵�𝑐𝑐𝑘𝑘 �𝐼𝐼𝑗𝑗 �

(7)

(8)

Dan 𝑁𝑁𝑗𝑗𝑗𝑗 = 𝑇𝑇𝑇𝑇�𝑥𝑥𝑖𝑖 , 𝐼𝐼𝑗𝑗 �, |𝑋𝑋| adalah angka dari objek yang dikelompokkan. 5. Dengan pengklasifikasi naive bayesian untuk mengkalsifikasikan bahwa menghitung probabilitas posterior yang diberikan sampel untuk memiliki banyak tipe. Probabilitas kategori maksimum berkorespodensi ke kategori merupakan hasil dari penilaian. Memiliki bermacam-macam tipe dari probabilitas posterior dapat dihitung dengan metode bayesian. Kita mendapatkan: 𝑃𝑃�𝑐𝑐𝑘𝑘 �𝐼𝐼𝑗𝑗 � =

𝑃𝑃(𝑐𝑐𝑘𝑘 )𝑃𝑃(𝐼𝐼𝑗𝑗 |𝑐𝑐𝑘𝑘 ) 𝑃𝑃(𝐼𝐼𝑗𝑗 )

1

(13)

𝑁𝑁 |𝑐𝑐| |𝑥𝑥| ∑𝑖𝑖=1 𝜃𝜃𝑐𝑐𝑐𝑐 ∏𝑖𝑖=1(𝜃𝜃𝑥𝑥𝑥𝑥|𝑐𝑐𝑐𝑐 ) 𝑗𝑗𝑗𝑗

D. Tingkat resolusi gambar Pemrosesan sebuah citra dimana sebuah citra akan diperhalus dan di-subsampling secara berangsurangsur sebanyak nilai pixel yang diinginkan. Sehingga 1 citra gambar dapat menjadi beberapa contoh testing dengan ukuran resolusi yang berbeda, jadi gambar hanya dibedakan nilai pixelnya saja Akibatnya, nilai resolusi citra tersebut akan berkurang dari level ke level dan jika diilustrasikan akan seperti sebuah piramida. Semakin tinggi level yang digunakan maka semakin kecil pula resolusi citra yang dihasilkan. Hal ini dilakukan untuk mendapatkan piksel-piksel pemisah yang mempunyai intensitas yang menonjol dengan piksel tetangga lainnya. Pixel yang ditangkap memiliki range dari 0-255 dimana tingkat RGB(Red, Green, Blue) menentukan nilai pixel yang ditangkap. Pixel tersebut harus dihitung supaya memeroleh hasil akuransi yang tepat dan memiliki tingkat error yang rendah. Karenanya intensitas cahaya dan kualitas dalam pemilihan citra menentukan hasil akhir dari pengujian yang dilakukan. Warna setiap pengujian gambar dihitung dalam hasil penghitungan manual dalam program. Warna yang mendominasi akan mengklasifikasikan gambar sesuai citra pada testing yang ada. Berikut adalah hasil tingkat resolusi gambar yang berbeda-beda(diambil dari 1 gambar).

(9)

|𝑥𝑥| |𝑥𝑥| + ∑𝑁𝑁 𝑗𝑗=1 ∑𝑖𝑖=1 𝑁𝑁𝑗𝑗𝑗𝑗 𝐵𝐵𝐵𝐵�𝑐𝑐𝑘𝑘 �𝐼𝐼𝑗𝑗 �

1

𝑁𝑁 |𝑥𝑥| 𝜃𝜃𝑐𝑐𝑐𝑐 ∑𝑖𝑖−1(𝜃𝜃𝑥𝑥𝑥𝑥|𝑐𝑐𝑐𝑐 ) 𝑗𝑗𝑗𝑗

6. Menurut formula, semua nilai di atas dihitung secara berurutan, menentukan probabilitas nilai menurut rumus 𝑃𝑃�𝑐𝑐𝑘𝑘 �𝐼𝐼𝑗𝑗 �, 𝑖𝑖𝑖𝑖 𝑃𝑃�𝑐𝑐𝑚𝑚 �𝐼𝐼𝑗𝑗 � > 𝑃𝑃�𝑐𝑐𝑚𝑚 �𝐼𝐼𝑗𝑗 � > , 𝑚𝑚 ≠ 𝑛𝑛, memperbesar 𝑃𝑃�𝑐𝑐𝑘𝑘 �𝐼𝐼𝑗𝑗 �, mentukan tipe dari kendaraan menurut probabilitas.

kategorial variabel dari probabiltas unconditional dan atribut varibel dari kelas kondisional merupakan banyak cara untuk menghitung. Dalam paper ini model MN dipakai. Formula model MN adalah sebagai berikut: 𝜃𝜃𝑐𝑐𝑐𝑐 = 𝑃𝑃(𝑐𝑐𝑘𝑘 )

(12)

Dan kita bisa mendapatkan penilaian untuk sampel dari probabilitas posterior dengan mensubtitusi (12) ke (10) yang ditunjukkan (13)[6]:

Pengklasifikasi model Naive Bayesian dimulai sebagai proses dari parameter pembelajaran [5]. Secara virtual, hal ini pembelajaran kategorial variabel dari probabilitas tidak kondisional dan atribut variable dari probalitas kondisiional kelas: 𝜃𝜃𝑐𝑐𝑐𝑐 = 𝑃𝑃(𝐶𝐶 = 𝑐𝑐𝑘𝑘 ); 𝜃𝜃𝑥𝑥𝑖𝑖 |𝑐𝑐𝑘𝑘 = 𝑃𝑃(𝑋𝑋𝑖𝑖 |𝐶𝐶 = 𝑐𝑐𝑘𝑘 )

1

𝑃𝑃�𝐼𝐼𝑗𝑗 |𝑐𝑐𝑘𝑘 � = � 𝑃𝑃(𝑥𝑥𝑖𝑖 |𝑐𝑐𝑘𝑘 )𝑁𝑁𝜇𝜇

P(ci) probalitas utama dari ci 𝑃𝑃(𝑐𝑐𝑖𝑖 |𝑥𝑥1 , 𝑥𝑥2 , … . 𝑥𝑥𝑛𝑛 ), adalah probabilitas tambahan dari ci, α adalah koefisien. 4. Pengklasifikasi Naive Bayesian adalah pengasumsi setiap atribut independent satu sama lain. Eqs.3.1 dapat disederhanakan ke dalam: 𝑎𝑎𝑎𝑎(𝑐𝑐𝑖𝑖 ) ∏𝑛𝑛𝑗𝑗=1 𝑃𝑃(𝑥𝑥𝑗𝑗 |𝑐𝑐𝑖𝑖 )

|𝑥𝑥|

(11)

(10)

5

mendapatkan G2, G3 dan seterusnya [31]. Untuk mendapatkan nilai tiap piksel dari tiap-tiap level pyramid pada citra 2D, dapat dilakukan dengan menggunakan persamaan:

(Citra Asli)

g l (i, j ) = ∑∑ w(m, n) g l −1 (2i + m,2 j + n) (2) m

(Level 0)

(Level 1)

(Level 2)

n

dimana w (m,n) adalah generating kernel. Untuk lebih sederhananya dapat ditulis menjadi:

(a)

g l = REDUCE ( g l +1 )

(3)

A. Max Filter Contoh matriks citra dan hasil max filter dari matriks citra dengan window 3x3

(b)

TABLE 1. HASIL SAMPLE WINDOWING CITRA WAJAH.

2 5 11 7 8 9

Gbr 3. Proses Resolusi Gambar skenario Reduce pada pengenalan wajah, (Citra Asli)

(Level 0)

78 150 187 177 167 168

82 168 192 255 138 252

16 172 198 248 222 238

19 96 201 29 27 26

TABLE 2. SAMPLE 1 PENCARIAN MAXMIN DARI WINDOW

(a)

(Level 1)

4 36 68 82 89 98

2 5 11 Max filter = 187 Min filter = 2

(Level 2)

4 36 68

78 150 187

TABLE 3. SAMPLE 2 PENCARIAN MAXMIN DARI WINDOW (b)

7 8 9 Max filter = 177 Min filter = 7

Gbr 3. Proses Gbr 4. Proses Resolusi Gambar, (b) Reduce pada pengenalan buah pisang, Gambar 3 dan 4, merupakan citra hasil dari operasi pengurangan pixel pada citra yang ada. Resolusi gambar memiliki variasi yang berbeda dengan tingkat pixel yang diperkecil atau diperbesar dari citra asli yang didapat. Dalam kasus ini citra seperti lowpas pyramid dengan beberapa level, misal G0 adalah citra hasil dari level nol atau sama dengan citra asli, untuk menghasilkan citra G1, pada citra G0 dilakukan proses lowpass-filtered, jika citra G0 mempunyai ukuran i x j, maka ukuran citra G1 menjadi i/2 x j/2. Proses yang sama dilakukan untuk

6

82 89 98

177 167 168

-

Filter max berarti menggantikan pixel dengan nilai tertinggi dari suatu deret yang terbentuk dari matriks yang sesuai dengan ukuran dari filter window. Pixel ini yang paling menonjol dibanding ukuran pixel lain pada gambar testing.

-

Filter min merupakan kebalikan dari max filter. Pixel akan digantikan dengan nilai min (minimal) dari sebuah deret dari matriks yang berukuran sesuai dengan window filter. Pixel ini yang paling rendah ukuran pixelnya disbanding pixel lain pada gambar testing.

Tujuannya adalah untuk mengukur citra di letak gambar pengujian yang disediakan secara vertical, sehingga lebar gambar (height) dapat diukur.

B. Normalisasi Data TABLE 4. FITUR YANG DIGUNAKAN DALAM PROGRAM

No 1 2 3

Fitur 1 50 25 25

Fitur 2 30 50 25

Untuk normalisasi menggunakan rumus

𝑁𝑁 =

X normalisasi | 1=

√502 X normalisasi | 2=

5. Hasil

𝑥𝑥𝑥𝑥

2 �∑𝑁𝑁 𝑖𝑖=1 𝑥𝑥𝑥𝑥

50

+ 25 + 252 50

√502 + 25 + 252

Citra Gray Wajah

Citra Biner Wajah

Citra Gray Pisang

Citra Biner Pisang

= 0.81

= 0.81

Gbr. 5. Hasil

gambar Penangkapan Citra TABLE 5. HASIL TESTING CITRA WAJAH.

Pada penelitian ini akan dilakukan menggunakan pengujian dari citra yang telah dimasukkan dalam “training” data, semua gambar yang ada pada database “training” akan di rekam gambarnya per citra, kemudian hasil dari citra yang telah direkam tersebut akan digunakan sebagai perbandingan uji “testing” data. Sehingga semua data yang akan di testing akan dilakukan pencocokan dari database dan perekaman yang ada pada “training”. Proses uji coba dapat memberikan hasil dari beberapa pegujian yang dapat memberikan hasil yang benar/cocok dengan gambar yang di test. Meskipun ada beberapa gambar yang pda pengujiannya tidak menunjukkan hasil yang sama antara kelas dan hasil klasifikasi yang diberikan. Pada pengujian yang dilakukan memiliki 3 macam skenario yaitu nilai level, dan menggunakan orientasi sudut yang berbeda-beda. Nilai level yang digunakan meliputi level 1, level 2 dan level 3. Kemudian orientasi sudut yang digunakan meliputi (0° ≤ θ < 180°), (0° < θ < 90°). Pada skenario dua, ada beberapa macam orientasi sudut yang digunakan. Pertama, sudut yang mempunyai interval antara 0 derajat sampai 180 derajat. Tujuanya adalah untuk mengukur citra di letak gambar pengujian yang telah disediakan secara horisontal, sehingga panjang gambar (width) dapat diukur dengan benar. Kedua, sudut yang mempunyai interval antara 0 derajad sampat 90 derajad.

TABLE 6. HASIL TESTING CITRA PISANG.

TABLE 7. HASIL PENGUJIAN DATASET WAJAH

Dat a ke-i 1 2 3

7

Nama Data

Human Perception

Machine Perception

anisah_depan4 anisah_hadap kanan 4 anisah_hadap kiri

Anisah Anisah

Wilda Wilda

Anisah

Wilda

4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

4 anisah_nyerong kanan 4 anisah_nyerong kiri 4 Arista_hadap_kan an17 Arista_hadap_kan an19 Arista_serong_ka nan13 Arista_serong_kir i20 Arista_serong_kir i23 dinda_depan 4 dinda_miring_kan an 4 dinda_miring_kiri 1 dinda_serong_kan an 4 dinda_serong_kiri 4 Nur_depan1 Nur_serong kanan1 Nur_serong kanan2 Nur_serong kiri1 Nur_serong kiri2 wilda_depan1_4 wilda_samping kanan 4 wilda_serongkana n6_4 wilda_serongkiri5 wilda_samping kiri 4

6

Dinda

Wilda

Dinda

Wilda

Arista

Arista

Arista

Arista

Arista

Arista

Arista

Arista

Arista

Arista

Dinda Dinda

Wilda Wilda

Dinda

Wilda

Dinda

Wilda

Dinda

Wilda

Dinda Alfi

Wilda Wilda

Alfi

Wilda

Alfi Alfi Wilda Dinda

Wilda Wilda Wilda Wilda

Wilda

Wilda

Wilda Dinda

Wilda Wilda

Pisang Pisang Merah Ambon 7 pisang batu 7 Pisang Pisang Batu Ambon 8 pisang batu 8 Pisang Pisang Batu Ambon 9 pisang batu 9 Pisang Pisang Batu Ambon 10 pisang merah7 Pisang Pisang Merah Merah 11 pisang merah8 Pisang Pisang Merah Merah 12 pisang merah9 Pisang Pisang Merah Merah 13 pisang susu 7 Pisang Pisang Merah Susu 14 pisang susu 8 Pisang Pisang Merah Susu 15 pisang susu 9 Pisang Pisang Merah Susu (Skenario berikutnya pada lampiran) Seperti Tabel 7, Tabel 8 hasil uji coba citra wajah dan citra pisang pada data testing menampilkan data testing yang telah di uji coba terdapat Human Perception yang diambil dari data citra wajah berdasarkan urutan nama file sedangkan Machine Perception diambil berdasarkan hasil uji coba pada program. Setelah dilakukan hasil uji coba terhadap data testing setiap citra wajah dan pisang yang dilakukan lima skenario maka akan terdapat akurasi data yang diperoeh dari perhitungan datahasil uji coba yang akurat atau benar. Rumus perhitungan akurasi data: Akuransi = MP

Nama Data

2

Pisagraja8

3

Pisagraja9

4

pisang ambon7

5

pisang ambon8

pisagraja7

Human Perception Pisang Merah Pisang Merah Pisang Merah Pisang Merah Pisang Merah

HP + -

TABLE 8. HASILPENGUJIAN DATASET PISANG

Data ke-i 1

pisang ambon9

Machine Perception Pisang Raja

TP + TN × 100% 𝑇𝑇𝑇𝑇 + 𝑇𝑇𝑇𝑇 + 𝐹𝐹𝐹𝐹 + 𝐹𝐹𝐹𝐹 TABLE 9. TABEL KONTINUENSI.

+ TP FN

FP TN

Pada percobaan antara human perception dan machine perception pada beberapa gambar masih menunjukkan kesalahan, sehingga hasil riset yang dilakukan masih memiliki kesalahan. Kesalahan ini diperoleh karena citra gambar yang ditangkap kurang baik disekitar citra uji, sehingga antara mesin dengan klasifikasi yang dilakukan tidak memiliki singkronisasi yang baik. Karenanya gambar yang memiliki fokus citra di satu titil akan menghasilkan hasil yang akurat.

Pisang Raja Pisang Raja Pisang Ambon Pisang Ambon

8

hitam) yang direkam dalam citra yang ada. Berikut adalah hasil gambar dari mulai testing awal hingga hasil gambar max filter yang ada. Berikut adalah hasil pengujian skenario ke 2:

Tabel Akurasi Riset Data Berdasarkan hasil data uji coba diperoleh data akurasi dari masing-masing citra yang disajikan pada Tabel 10&11 dengan hasil akuransi dan gambar grafik akurasi seperti ada pada Tabel 10 & Gbr 6 pada pengujian citra wajah dan Tabel 11 & Gbr 7 pada pengujian citra pisang yaitu: TABLE 10. HASIL AKURASI CITRA WAJAH.

Hasil

1 84%

Akurasi

2 100%

Skenario 3 60%

4 80%

5 50%

Gbr 8. semua hasil Citra pengujian Wajah skenario 1.

150% 100% 50%

akuransi

Gbr 9. semua hasil pengujian Pisang skenario 3. Pada skenario ke 2 citra wajah (Gbr 8) didapatkan bahwa hasil pengujian citra menunjukkan kelas dan hasil klasifikasi yang berbeda dan hasil yang didapatkan tidak cocok dengan citra yang dimasukkan. Tingkat kesalahan ini akan terjadi dalam suatu pengujian yang dilakukan, karena setiap citra yang dimasukkan memiliki beberapa tingkat perbandingan yang sama, sehingga error akan tetap terjadi dalam pengklasifikasian meskipun nilainya kecil.

0% 1 2 3 4 5 Gbr 6. Diagram Akuransi Citra Wajah TABLE 11. HASIL AKURASI CITRA PISANG.

Hasil

1 60%

Akurasi

2 80%

Skenario 3 50%

4 80%

5 80%

100% 80% 60% akuransi

40% 20% 0% 1 2 3 4 5

Gbr 7. Diagram Akuransi Citra Pisang

Gbr 10. Hasil testing (gbr 8)

Hasil dari pengambilan citra wajah di rekam oleh dataset penangkapan citra dimana dari data dataset tersebut memiliki beberapa parameter yang dapat mengklasifikasikan gambar pada kelasnya masing-masing. Ada perbedaan antara perhitungan dataset wajah dengan dataset pisang, yaitu mean dan varian mean yang dimiliki oleh RGB. Pada dataset wajah disertakan rata-rata mean da varian mean pada data wajah sedangkan pada dataset pisang menghitung panjang dan lebar pada citra pisang. Nilai skala abu-abu pada gambar memiliki nilai antara [0, 255] yang mana objek akan diberi nilai 1 (warna putih) dan sekitar objek bernilai 0 (warna

Untuk menguji tigkat error yang didapatkan, maka dilakukan kembali pengujian pada skenario lain yang diharapkan dapat dijadikan perbandingan tingkat error. Berikut adalah data yang di dapatkan skenario 5 yang telah mengalami pengujian.


9

kata lain pengklasifikasian diperoleh dari rata-rata mean warna gambar yang di tangkap pada kolom pengujian, yang kemudian muncullah hasil klasifikasi yang tepat dalam pengelompokkan citra yang ditangkap. 6. Kesimpulan Dalam paper ini, hasil dari pengujian pengklasifikasian citra yang dimiliki manusia dengan pengklasifikasian citra pisang dapat dilakukan dengan metode yang sama namun memiliki perhitungan yang berbeda. Metode Naive Bayessian merupakan metode termudah untuk mengklasifikasikan citra yang diuji, sehingga tingkat error yang didapat rendah dan dapat menunjukkan hasil akuransi yang tepat dari dataset yang diuji. Tingkat intensitas gambar dan kecerahan memengaruhi hasil dari pengujian yang dilakukan, sehingga kualitas gambar harus di perhatikan dalam pemilihan pengujian pengklasifikasian ini. Karenanya untuk mendapatkan hasil akkuransi yang tinggi dibutuhkan kualitas RGB yang baik dalam setiap gambar baik dari “training” maupun “testing”. Optimalisasi sistem ini dapat dikembangkan lebih lanjut, tujuannya dapat digunakan sebagai penggunaan absensi ataupun fungsi lain yang membutuhkan klasifikasi.

Gbr 12. Hasil testing (gbr 11). Dari hasil pengujian skenario 2 didapatkan bahwa perbedaan data mulai menunjukkan perbedaan dan mengarah pada tingkat kebenaran 50:50. Yaitu data kelas telah mengalami hasil yang benar namun hasil klasifikasi masih salah. Skenario diambil lagi dengan data yang mengalami tingkat kecocokan 100% pada tiap gambar yang akan diuji. Berikut adalah gambar skenario yang benar saat diuji :


REFERENSI [1] Zhiqiang Wen, Yongxiang Hu, Wenqiu Zhu. Bayesian Classification of Halftone Image based on Region Covariance. School of computer & communication. 2013 : 1-2. [2] TANG Jin-hua. Research of Vehicle Video Image Recognition Technology Based on Naive Bayesian Classification Model. School of Mechanical & aoutomobile Enginnering. 2010: 1-3. [3] Increasing the Accuracy of Discriminative of Multinomial Bayesian Classifier in Text Classification (T. MOURATIS & S. KOTSIANTIS, 2009) [4] Sparse Bayesian Adversarial Learning Using Relevance Vector Machine Ensembles (Yan Zhou, Murat Kantarcioglu, and Bhavani Thuraisingham, 2012). [5] Enhancement of trabecular bone on dental panoramic radiographs using multiscale line operator. Vision and Image Processing Laboratory, 2011: 1-8. [6] O Tuzel, F Porikli, P Meer. Pedestrian Detection via Classification on Riemannian Manifolds, IEEE Trans. on Pattern Analysis and Machine Intelligence, 2008, 30(10):1713-1727.

Gbr 14. Hasil testing (gbr 13). Tingkat kesalahan yang terjadi pada pengujian gambar dipengaruhi oleh banyak faktor yang memicu tingginya tingkat error. Salah satu faktor yang di kenali yaitu kualitas gambar yang kurang baik yang memicu tingkat pengenalan menjadi salah. Pengujian pada kolom “citra gray”, “citra biner”, dan “citra max fit” menguji setiap gambar yang di tes dan hasil dari pengetesan tersebut muncul pada kolom data testing yang ada. Gambar diuji tingkat rata-rata tingkat kecerahan warna merah (R), green (G), dan biru (B). Dari perhitungan tersebut, gambar dapat di kelompokkan masing-masing ke dalam kelas yang telah di tentukan. Data yang memiliki tingkat kelas yang mendekati hasil dari mean yang ada merupakan hasil dari klasifikasi citra yang ditangkap. Dengan

10

Imam Cholissodin. Lahir di desa Sunge Geneng, kecamatan Sekaran, kabupaten Lamongan pada tanggal 19 Juli 1985. Peneliti telah menyelesaikan pendidikan S2 di Teknik Informatika FTIF ITS Surabaya pada Tahun 20092011. Saat ini peneliti aktif sebagai dosen pengajar di jurusan Teknik Informatika Program Teknologi dan Ilmu Komputer (PTIIK) Universitas Brawijaya (UB) Malang pada beberapa mata kuliah, seperti Information Retrieval, Pengolahan Citra Digital, Probabilitas dan Statatistika, Grafika Komputer, Decision Support System dan Pengenalan Pola. Bidang Keminatan yang ditekuni peneliti adalah Information Retrieval, Artificial Vision, Image Processing, dan Cryptography. Di samping mengajar, peneliti juga aktif dalam Riset Group Image Processing dan Vision (IMPROV) di dalam Laboratorium Komputasi Cerdas dan Visualisasi. Selain itu peneliti juga telah melakukan beberapa publikasi pada jurnal nasional dan internasional (IEEE). Riset pada tahun 2013 yang sedang dilakukan sekarang bersama dengan beberapa tim dosen dan mahasiswa semester akhir adalah berfokus pada bidang Information Retrieval untuk melakukan analisis dokumen lembaga pendidikan secara Real-time, yaitu dengan tema “Groups Decision Sentiment Analysis Untuk Klasifikasi Dokumen E-Complaint Kampus Menggunakan Additive Kernel SVM” yang merupakan kombinasi dari dua lintas bidang keilmuan antara Decision Support System (DSS) dan Information Retrieval (IR).

Arista Welasari Lahir di Lumajang pada tanggal 11 Januari 1993. Menjalani pendidikan S1, Semester 4 di jurusan Teknik Informatika Program Teknologi dan Ilmu Komputer (PTIIK) Universitas Brawijaya (UB) Malang. Di samping kuliah, peneliti juga aktif dalam kegiatan organisasi di Teater ANTIIK PTIIK Universitas Brawijaya(UB) .

Anisah Lahir di Sampang pada tanggal 11 Mei 1993. Menjalani pendidikan S1, Semester 4 di jurusan Teknik Informatika Program Teknologi dan Ilmu Komputer (PTIIK) Universitas Brawijaya (UB) Malang.

W.Lisa Yunita Lahir di kota Surabaya pada tanggal 26 September 1993. Menjalani pendidikan S1, Semester 4 di jurusan Teknik Informatika Program Teknologi dan Ilmu Komputer (PTIIK) Universitas Brawijaya (UB) Malang. Di samping kuliah, peneliti juga aktif dalam kegiatan organisasi di Unit Aktivitas Kerohanian Katolik (UAKKat) menjabat sebagai Kepala Bidang 1 dan Lembaga Pers Mahasiswa PTIIK (DISPLAY) menjabat sebagai anggota reportase.

Dinda Novitasari Lahir di kota Malang pada tanggal 4 November 1993. Menjalani pendidikan S1, Semester 4 di jurusan Teknik Informatika Program Teknologi dan Ilmu Komputer (PTIIK) Universitas Brawijaya (UB) Malang. Di samping kuliah, peneliti juga aktif dalam kegiatan organisasi di Forum Mahasiswa Studi Bahasa Inggris Universitas Brawijaya (FORMASI UB) menjabat sebagai Coordinator of Public Communication.

Nur Alfiyah Lahir di kota Banyuwangi pada tanggal 6 April 1994. Menjalani pendidikan S1, Semester 4 di jurusan Teknik Informatika Program Teknologi dan Ilmu Komputer (PTIIK) Universitas Brawijaya (UB) Malang. Di samping kuliah, peneliti juga aktif dalam kegiatan organisasi di Lembaga Pers Mahasiswa PTIIK (DISPLAY) menjabat sebagai anggota reportase dan staff riset di Riset dan Karya Ilmiah Mahasiswa (RKIM) Universitas Brawijaya(UB).

11

Lampiran Dataset Citra Wajah Data ke-i 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

Nama Data

anisah_depan5 anisah_hadap kanan 5 anisah_hadap kiri 5 anisah_nyerong kanan 5 anisah_nyerong kiri 5 Arista_hadap_kanan 18 Arista_serong_kana n16 Arista_serong_kiri2 1 Arista_serong_kiri2 2 Arista_serong_kiri2 4 dinda_depan 5 dinda_miring_kana n5 dinda_miring_kiri 5 dinda_serong_kana n5 dinda_serong_kiri 5 Nur_depan2 Nur_serong kanan3 Nur_serong kanan4 Nur_serong kanan5 Nur_serong kiri3 wilda_depan1_5 wilda_samping kanan 5 wilda_samping kiri 5 wilda_serongkanan 6_5 wilda_serongkiri5 - Skenario 2

Human Perceptio n Anisah Dinda

Machine Perceptio n Wilda Wilda

Anisah Dinda

Wilda Wilda

Anisah

Wilda

Arista

Arista

Arista

Arista

Arista

Arista

Arista

Arista

Arista

Arista

Dinda Dinda

Wilda Wilda

Dinda Dinda

Wilda Wilda

Dinda Dinda Wilda Wilda Wilda Wilda Wilda Dinda

Wilda Wilda Wilda Wilda Wilda Wilda Wilda Wilda

Dinda

Wilda

Wilda

Wilda

Wilda

Wilda

Data ke-i 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

12

Nama Data wajahAnisah1 wajahAnisah2 wajahAnisah3 wajahAnisah4 wajahAnisah5 wajahArista1 wajahArista2 wajahArista3 wajahArista4 wajahArista5 wajahDinda1 wajahDinda2 wajahDinda3 wajahDinda4 wajahDinda5 wajahAlfi1 wajahAlfi2 wajahAlfi3 wajahAlfi4 wajahAlfi5 wajahWilda1 wajahWilda2 wajahWilda3 wajahWilda4 wajahWilda5 - Skenario 3

Human Perception Anisah Anisah Anisah Anisah Anisah Arista Arista Arista Arista Arista Dinda Wilda Wilda Dinda Dinda Dinda Dinda Dinda Alfi Alfi Wilda Wilda Wilda Wilda Dinda

Machine Perception Anisah Anisah Anisah Anisah Anisah Arista Arista Arista Arista Arista Dinda Dinda Dinda Dinda Dinda Alfi Alfi Alfi Alfi Alfi Wilda Wilda Wilda Wilda Wilda

Data ke-i 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25


Human Perception Anisah Anisah Anisah Anisah Dinda Arista Arista Arista Arista Arista Dinda Dinda Dinda Dinda Dinda Wilda Wilda Wilda Wilda Wilda Dinda Wilda Dinda Dinda Wilda

Data ke-i 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25


13


Human Perception Dinda Dinda Anisah Anisah Anisah Arista Arista Arista Arista Arista Dinda Dinda Dinda Dinda Dinda Alfi Alfi Alfi Wilda Wilda Wilda Wilda Wilda Wilda Wilda


a. -

-

Lampiran Dataset Citra Pisang Skenario 2

Data ke-i 1

Nama Data

2

Pisagraja9

3

Pisagraja3

4

Pisang ambon10

5

Pisangambon1

6

Pisangambon2

7

Pisang batu 10

Pisagraja10

8

Pisang batu 1

9

Pisang batu 2

10

Pisang merah10

11

Pisang merah2

12

Pisang merah 4

13

Pisang susu 10

14

Pisang susu 2

15

Pisang susu 3

Human Perception Pisang Merah Pisang Merah Pisang Raja Pisang Merah Pisang Merah Pisang Ambon Pisang Merah Pisang Merah Pisang Merah Pisang Merah Pisang Merah Pisang Merah Pisang raja Pisang susu Pisang susu

Machine Perception Pisang Raja Pisang Raja Pisang Raja Pisang Ambon Pisang Ambon Pisang Ambon Pisang Batu Pisang Batu Pisang batu Pisang Merah Pisang Merah Pisang Merah Pisang Susu Pisang Susu Pisang susu

14

Skenario 3

Data ke-i 1

Nama Data

2

Pisangraja5

3

Pisangraja6

4

Pisangambon3

5

Pisangambon4

6

Pisangambon5

7

Pisang batu 3

8

Pisang batu 4

9

Pisang batu 5

10

Pisang merah9

11

Pisang merah5

12

Pisang merah 2

13

Pisang susu 9

14

Pisang susu 7

15

Pisang susu 5

Pisangraja4

Human Perception Pisang Merah Pisang Raja Pisang Raja Pisang Ambon Pisang Ambon Pisang Merah Pisang Ambon Pisang Ambon Pisang Batu Pisang Merah Pisang Merah Pisang Merah Pisang Batu Pisang Susu Pisang Batu

Machine Perception Pisang Raja Pisang Raja Pisang Raja Pisang Ambon Pisang Ambon Pisang Ambon Pisang Batu Pisang Batu Pisang Batu Pisang Merah Pisang Merah Pisang Merah Pisang Susu Pisang Susu Pisang Susu

-

Skenario 4

Data ke-i 1

Nama Data

2

pisangRaja6

3

pisangRaja9

4

pisangAmbon6

5

pisangAmbon2

6

pisangAmbon3

7

Pisang batu 6

8

Pisang batu 7

9

Pisang batu 8

10

Pisang merah6

11

Pisang merah2

12

Pisang merah 3

13

Pisang susu 6

14

Pisang susu 2

15

Pisang susu 3

pisangRaja3

Skenario 5 Human Perception Pisang Raja Pisang Raja Pisang Raja Pisang Ambon Pisang Ambon Pisang Ambon Pisang Batu Pisang Batu Pisang Batu Pisang Merah Pisang Merah Pisang Merah Pisang Merah Pisang Merah Pisang Merah

Machine Perception Pisang Raja Pisang Raja Pisang Raja Pisang Ambon Pisang Ambon Pisang Ambon Pisang Batu Pisang Batu Pisang Batu Pisang Merah Pisang Merah Pisang Merah Pisang Susu Pisang Susu Pisang Susu

15

Data ke-i 1

Nama Data

2

pisangRaja8

3

pisangRaja10

4

pisangAmbon8

5

pisangAmbon7

6

pisangAmbon10

7

Pisang batu 6

8

Pisang batu 7

9

Pisang batu 8

10

Pisang merah6

11

Pisang merah2

12

Pisang merah 3

13

Pisang susu 6

14

Pisang susu 2

15

Pisang susu 3

pisangRaja2

Human Perception Pisang Merah Pisang Merah Pisang Merah Pisang Ambon Pisang Ambon Pisang Ambon Pisang Merah Pisang Merah Pisang Batu Pisang Merah Pisang Merah Pisang Merah Pisang Merah Pisang Merah Pisang Susu

Machine Perception Pisang Raja Pisang Raja Pisang Raja Pisang Batu Pisang Batu Pisang Batu Pisang Batu Pisang Batu Pisang Batu Pisang Merah Pisang Merah Pisang Merah Pisang Susu Pisang Susu Pisang Susu

KLASIFIKASI PENGENALAN POLA WAJAH DAN PENGUJIAN 5 JENIS BUAH PISANG METODE NAIVE BAYESSIAN

Recommend Documents