S N A S T I K ' M 2D 1 3 Seminar Nasional Teknologi Informasi & Komunikasi
Medan, 13 - 14 Maret 2013
PROSIDING
Volume 1 EDITOR Tulus Marwan Ramli H.M.Zulfin Sajadin Sembiring Irvan Ummul Khair Ihsan Lubis
PROSIDING SEMINAR NASIONAL TEKNOLOGIINFORMASI & KOMUNIKASI
SNASTIKDM 201 3
APLIKASI CLOUD COMPUTING DALAM MENINGKATKAN MOBILITAS DAN FLEKSIBILITAS PROSES BISNIS
VOLUME 1
EDITOR Tulus Marwan Ramli H.M.Zulfin Sajadin Sembiring Irvan Ummul Khair Ihsan Lubis
SNASTIKDM 2D 1 3 Seminar Nasional Teknologi Informasi & Komunikasi
Sekolah Tinggi Teknik Harapan Medan
DIDUKUNG OLEH :
Presiding Seminar Nasional Teknologi Informasi & Komu aikasi 2 0 1 3 volume 1 Diterbitkan O l e h : Sekolah Tinggi Teknik Harapan (STTH) Medan
Editor Tulus M a r w a n Ramli H. M . Zulfin Sajadin Sembiring Irvan U m m u l Khair Ihsan Lubis
Didukung Oleh . Asosiasi Perguruan Tinggi Informatika dai\ I h n u Komputer (APTIKOM) Indonesian Mathematical Society (IndoMS) Aceh Sumut Ikatan pelajar dan A l u n m i Malaysia asal Sumatera Utara (IPAMSU) ISBN. 9 7 8 - 6 0 2 - 1 9 8 3 7 - 1 - 3 (no.jiLIengkap) ISBN. 9 7 8 - 6 0 2 - 1 9 8 3 7 - 2 - 0 ( j i l l )
Copyright©2013 Sekolah Tinggi Teknik Harapan Panitia Pelaksana Seminar Nasional Teknologi Informasi dan Komunikasi Printed i n Indonesia, Maret 2013
Hak Cipta dilindung oleh undang-undang. Dilarang memperbanyak atari memindahkan sebagian atau seluruh isi buku i n i dalam bentuk apapun, baik secara elektronis m a u p u n mekanis, termasuk memfotocopy, merekam atau dengan sistem penyimpanan lainnya, tanpa i z i n tertulis dari penerbit
KATA PENGANTAR Cloud computing yang dalam Bahasa Indonesia diartikan sebagai komputasi awan merupakan suatu konsep yang menggabungkan pemanfaatan teknologi komputer (komputasi) dan pengembangan berbasis internet (awan), yakni informasi secara permanen tersimpan pada server internet, dan sementara pada komputer pengguna. Pengenalan konsep ini diawali pada tahun 1950-an, ketika komputer mainframe skala besar mulai tersedia baik untuk kepentingan akademik maupun bisnis, dan dapat. diakses melalui komputer terminal. Disebabkan karena harga komputer mainframe yang sangat mahal pada masa itu, berbagai kalangan mencari cara untuk dapat menekan biaya serendah-rendahnya sembari tetap memperoleh manfaat komputasi dari mainframe tersebut. Salah satu cara yang dianggap paling efisien adalah dengan membangun sebuah sistem yang memungkinkan beberapa pengguna dapat berbagi akses flsik ke komputer pusat dari beberapa terminal, serta membagi waktu CPU, menghilangkan masa nonaktif yang kemudian dikenal di dunia industri sebagai time-sharing. Selanjutnyapada era tahun 1990-an beberapa industri telekomunikasi mulai menawarkan teknologi Virtual Private NetM'ork (VPN). Teknologi ini menawarkan kualitas layanan yang baik sebanding dengan memiliki sistem sendiri, namun dengan biaya yang jauh lebih rendah. Dengan mengelola traffic data sedemikian rupa dalam rangka menjaga keseimbangan pemanfaatan sumberdaya yang ada, bandwidth jaringan dapat dioptimalkan. Simbol awan digunakan untuk menunjukkan titik demarkasi (batas) antara wilayah sistem yang menjadi tanggung jawab penyedia layanan dan wilayah sistem yang dikelola pengguna (user). Pengguna dapat mengakses layanan komputasi awan dengan menggunakan berbagai perangkat klien jaringan yang saat ini tersedia luas, seperti komputer desktop (PC), laptop, tablet, atau smartphone. Bcrnyak aplikasi awan yang tidak lagi memerlukan software tertentu terinstall pada komputer klien, akan tetapi hanya menggunakan web browser untuk berinteraksi dengan aplikasi awan. Salah satu fungsi Teknologi Informasi baik untuk dunia akademik maupun dunia bisnis adalah mendukung pengembangan akademik maupun bisnis itu sendiri. Banyak dunia akademik/bisnis yang sukses sebagai akibat dari penerapan Teknologi Informasi yang tepat dan memberikan keunggulan kompetitif. Dengan adanya cloud service, maka sebagian kegiatan operasi dan server maintenance telah dialihkan, sehingga terdapat waktu yang cukup banyak bagi pelaksana Teknologi Informasi untuk melaksanakan kegiatan yang lainnya.
Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan (STTH) Medan melalui SNASTIKOM 2013 dengan tema "Aplikasi Cloud Computing dalam Meningkatkan Mobilitas dan Fleksibilitas Proses Bisnis " mengajakpara akademisi, peneliti dan praktisi untuk saling berbagi informasi, ide, wawasan dan berdiskusi tentang hal-hal yang berkaitan dengan pemanfaatan konsep cloud computing dalam rangka meningkatkan mobilitas dan fleksibilitas proses bisnis dan mensosialisasikan hasilnya kepada pemerintah dan masyarakat agar dapat memanfaatkan konsep tersebut dalam aktivitasnya. Dibandingkan dengan peserta SNASTIKOM
2012, jumlah pemakalah mengalami
peningkatan yang cukup besar. Sejumlah lebih dari 188 makalah masuk kepada panitia, dan setelah melalui proses review, jumlah makalah yang disajikan dalam prosiding ini sebanyak 133 makalah. Sebagaimana pada kegiatan SNASTIKOM
2012 yang lalu, keikutsertaan para
mahasiswa, program diploma, sarjana, magister dan doktor juga cukup tinggi. Hal ini menunjukkan bahwa SNASTIKOM
dapat berfungsi sebagai sarana kaderisasi para peneliti
muda dan pertukaran pengetahuan antara peneliti senior dan junior. Kami ucapkan selamat berseminar kepada seluruh peserta dan pemakalah. Tak lupa kami ucapkan terima kasih kepada para reviewer yang telah bersedia melakukan review, para pihak yang telah membantu proses produksi prosiding ini, dan juga kepada pembicara utama dan pembicara tamuyang telah meluangkan waktunya untuk berkontribusi pada seminar ini. Medan, 13 Maret 2013
Ihsan Lubis Ketua Panitia SNASTIKOM 2013
ii
KATA SAMBUTAN KETUA S E K O L A H TINGGI T E K N I K HARAPAN
Fuji syukur kami panjatkan ke hadirat Allah SWT, berkat limpahan rahmat dan kasih sayang-Nya SNASTIKOM 2013 telah terselenggara dengan balk. Semoga shalcrwat dan salam tercurahkan kepada Nabi Muhammad Shallallahu 'alaihi wassallam yang telah menyampaikan risalah ilahi sehingga umat manusia dapat meniti jalan yang lurus. SNASTIKOM 2013 telah berlalu. Sejumlah makalah ilmiah hasil penelitian baik dari dosen, praktisi, mahasiswa, maupun masyakat ilmiah lainnya telah dipaparkan dalam forum seminar ini. Kami memandang, banyaknya makalah yang yang dipaparkan dalam ajang ini menunjukkan betapa besar antusias masyarakat ilmiah khususnya di Sumatera Utara dan umumnya di Indonesia dalam melakukan penelitian dan pengembangan ilmu pengetahuan. Banyaknya undangan yang hadir mencerminkan besamya keingintahuan masyarakat tentang ilmu pengetahuan dan teknologi khususnya yang terkait dengan tema yang dimunculkan dalam seminar ini. Kami berharap kegiatan ini tidak berhenti hanya sampai disini, dan pada tahun ini saja, tetapi dapat terlaksana secara berkesinambungan hingga waktu-waktu yang akan datang. Kumpulan makalah hasil-hasil penelitian yang telah dipaparkan dalam SNASTIKOM 013 telah dikemas dalam prosiding ini. Kami berharap semogaprosiding ini dapat memberikan awasan yang luas dan menjadi sumbangan pengetahuan bagi para pembaca khususnya bagi asyarakat ilmiah. Kepada Jurusan Teknik Informatika STT-Harapan Medan kami ucapkan terima kasih as perannya dalam penyelenggaraan SNASTIKOM 2013. Tak lupa kepada seluruh jajaran itia kami ucapkan terima kasih atas jerih payahnya, semoga Allah membalasnya dengan baikan yang banyak. Wassalamu 'alaikum. 'edan, Maret2013 etua STT-Harapan Medan
. Zulfin, MT
KATA SAMBUTAN KETUA APTIKOM WILAYAH 1 SUMATERA UTARA A C E H
Assalamu 'alaikum Wr Wb, Pertama-tama ijinkanlah saya, atas noma APTIKOM
Wilayah 1 Sumatera Utara dan
Aceh mengucapkan selamat dan menyatakan kegembiraan kami atas terselenggaranya kegiatan SNASTIKOM 2013, setelah setahun yang lain sukses dengan pelaksanaan SNASTIKOM 2012. Kami sangat mengharapkan seminar ini dapat membuahkan penelitian-penelitian yang memberikan manfaat yang besar bagi dunia teknologi informasi, ilmu komputer dan komunikasi khususnya, dan bagi ilmu pengetahuan pada umumnya. Kemudian daripada itu kami juga mengharapkan agar forum ini dapat digunakan sebagai sarana untuk soling bertukar ide, konsep dan gagasan dan yang tidak kalah penting lagi adalah agar para peserta dapat menjalin silaturahim diantara sesama mereka. Dalam kesempatan ini kami juga mengharapkan munculnya peneliti-peneliti yng menjunjung tinggi prinsip-prinsip kejujuran akademis, sehingga dihasilkan karya-karya ilmiah yang berkualitas. Marilah kita bersama-sama menghindari praktek-praktek plagiarisme dengan menghargai karya orang lain. Marilah kita melatih kemampuan untuk menuangkan ide penelitian kedalam bentuk tulisan dengan tetap memegang teguh kejujuran dan mengikuti aturan-aturan yang berlaku. Semoga seminar ini dapat dijadikan sebagai sarana untuk melatih kemampuan tersebut. Demikianlah sambutan dari kami, semoga semua peserta mendapatkan manfaat yang sebesar-besarnya. Bagi peserta yang berasal dari luar kota Medan, kami ucapkan selamat datang di kota Medan. Tidak lupa bagi panitia yang sudah bekerja keras demi suksesnya pelaksanaan seminar ini, kami memberikan penghargaan yang setinggi-tingginya. Semoga seminar ini dapat berlangsung secara berkesinambimgan dan pelaksanaannya menjadi semakin baik. Selamat mengikuti seminar. Billahitaufiq wal hidayah, Wassalam.
Ketua Aptikom Wilayah Sumatera Utara
Prof. Dr. Opim. Salim Sitompul MSc
iv
Daftar Isi Kata Pengantar Kata Sambutan Ketua Sekolah Tinggi Teknik Harapan Kata Sambutan Ketua Aptikom Wilayah 1 Sumatera Utara-Aceh Daftar Isi
i iii iv v
1. Cloud Computing 1
Peran Komputasi Awan Pada Sains Data-Intensive Achmad Benny Mutiara
1-1
2
Membangun Layanan IaaS Cloud Berbasis Perangkat Lunak F/OSS Di Universitas Indonesia Tonny Adhi Sabastian, Gladhi Guarddin
1-7
3
Pemanfaatan Google Maps dalam Pembuatan Aplikasi Pemantau Kondisi Jalan dan Lahilintas Dyah Retno Utari, AriefWibowo
1-13
4
Strategi Pemanfaatan Teknologi Cloud Computing Dalam Mengintegrasikan Fungsi Pemerintahan Daerah Tingkat II EdwarAli
1-19
5
Analisis Kinerja Private Cloud untuk Mendukung Pembelajaran Sistem Operasi Lanjut Di Prodi Manajemen Informatika Politeknik Negeri Medan Julham, Hikmah Adwin Adam
1-25
6
Program Aplikasi Perpustakaan Sekolah berbasis Google Cloud dengan Google App Engine Hendra, Jimmy
1-29
7
Pemanfaatan Cloud Storage Sebagai Media Penyimpan Data Terstruktur Pada Open Government Zefriansyah, TeddyJuana, Yuwaldi Away, Taufiq Abdul Gani
1-35
8
Peningkatan Kualitas Informasi Perguruan Tinggi Melalui Penggunaan Pangkalan Data Berbasis Awan Simon Petrus Sebayang, Sajadin Sembiring, Solly Aryza
1-41
2. Mobile Computing Aplikasi Mobile Resto (M-Resto) Berbasis ANDROID Diana Effendi, Agung Mulyanto
v
2-1
Aplikasi Smart Tajwid Menggunakan Eclipse Classic 4.2 Berbasis Android 2.3 Benny Irawan, Pipit DewiAmesia,
Muhammad
Syarif
TOEFLoid : Aplikasi M-Learning Simulasi Tes TOEFL Berbasis Mobile DharmayamATrin! Saptariani, Parno, Mella Sri K, SriAstuti
Apikas 7a-_a
Na—a Ilmiah Dunia Tumbuhan Berbasis Android
M e - . g r - - a - . a r . Eclipse
Br —
DiniSundani,
Agustine
Ham
Apfikasi Perhitungan Kalori, IMT (Indeks Mass Tubuh) dan Zat Gizi Pada Smartphone Android Diana Ikasari, Dwi Yudhis Ad:r. z Perancangan Disaster Recovery Center Jaringan Telekomunikasi Menggunakan VSAT Frederick Alexander, AJberz Gifson Aplikasi Obyek Wisaca Di Provinsi Sulawesi Tenggara Menggunakan Android V e r a 22 Rani Pzzzzz z~z Erma Sova A p Q a s i E n s i i o p e d i a Negara Asia Tenggara Berbasis A n d r o i d II l i i Z2 Bakkf f — 1 1 1 . Yudhistira Anggara - r :
vi
14
Sistem Pakar Untuk Memberikan Gambaran Tentang Penyakit Pada Sistem Saluran Pencemaan Berbasis Mobile Sri Mulyati, Arie Kurniawan
15
Aplikasi Mobile Pemesanan Tiket Kereta Api Pada Stasiun Kota Berbasis Sms Gateway Safrina Amini, Nur Vita Marina
16
Perancangan Permainan Multiplayer Truf Gembira Berbasis Android Mohammad FadlySyah Putra, RomiFadiliahRahmat, IzharilshakAksa
17
Implementasi Konsep Bilingual pada Mobile Application Pengenalan Budaya Indonesia Berbasis Android Debyo Saptono, Andika Novanda
Artificial Intellegence 1
Aplikasi Pengolahan Citra Mikroskopis Untuk Pendeteksi Kandungan Formalin Pada Tahu Menggunakan Kamera CCD (Charge Couple Device) Anton Hidayat,Nadia Aifitri, Hendrick, Ramiati, Budhi Bakhtiar
2
Prediksi Jumlah Penjualan Distributor Telur Terhadap Permintaan Pasar Menggunakan Metode Evolving Fuzzy Neural Network (Efunn) Muhammad Fadhiy Sani, Romi Fadiliah Rahmat, Noviyanti
3
Pemodelan Sistem Pakar untuk Mendeteksi Kerusakan pada Komputer dengan Metode Forward Chaining Maria Bifida, Mahyuddin K M. Nasution
4
Robot Pendeteksi Warna Menggunakan TCS3200 Ummul Khair, Ihsan Lubis, Ames Sembiring Sistem Pakar Pada Penggalian Potensi Tanaman Kelapa Sawit Berbasis Mobile Android Ummul Khair, Suriati, Aditya Perdana
6
Sistem Pakar Mendiagnosa Penyakit Tanaman Kopi Rayuwati, Emnita Ginting Algoritma Mendeteksi Ketidaknormalan Premature Atrial Contractions (PACS) Berdasarkan Kombinasi RR Interval Dan Correlation Coefficient Iman Fahruzi
vii
8
Pengenalan Pola Warna Image dengan Jaringan Syaraf Tiruan pada MATLAB John Adler
3-45
9
Implementasi Metode Certainty Factor untuk menentukan Jenis Kelinci Klaudius Jevanda B.S
3-51
10
Sistem Pakar Pendiagnosis Kerusakan Kendaraan Sepeda Motor Lucy Simorangkir, Nilawati
3-57
11
Pelokalisiran Citra Iris Menggunakan Wavelet 2D Suriati, RizaMAkram
3-63
12
Rush Hour Puzzle Solver Dengan Metode Heuristik Irene Lazarusli, Arnold Aribowo, Sonny Prima
3-69
13
Metode Jaringan Syaraf Tiruan dalam Prediksi Serangan Jantung YangEfektif SahatSonang S, Ferri Ojak Immanuel Pardede, Arifin dan Tua Purba
3-75
14
Sistem Pakar Diagnosa Kerusakan Transmisi RBS dengan Menggunakan Metode Forward Chaining Solikhun, Markus Bangun
3-81
15
Sistem Pendukung Keputusan Untuk Menentukan Lokasi Pasar Dengan Menggunakan fuzzy Multi Atribut Decision Making (FMADM) Metode Simple Additive Weighting(SAW) Reny Wahyuning Astuti, Muhsin
3-87
16
Pengenalan Tingkat Kematangan Buah Pepaya Paya Rabo Menggunakan Pengolahan Citra Berdasarkan Warna (RGB) Dengan K-Means Clustering Eliyani, Tulus, Fahmi
3-93
17
Rancang Bangun Permainan Jumping Checkers Menggunakan Metode Heuristik Arnold Aribowo, Samuel Lukas, David Kurniawan
3-99
18
Klasifikasi Gambar Berwarna Menggunakan K-Nearest Neighbor dan Support Vector Machine Laina Farsiah, Taufik FuadiAbidin, Khairul Munadi
3-105
19
Implementasi Dan Analisis Kinerja Algoritma Arihtmetic Coding Dan Shannon-Fano Pada Kompresi Citra BMP Syahjitri Kartika Lidya, Mohammad Andri Budiman, Romi Fadillah Rahmat
3-111
vm
20
Peningkatan Unjuk Kerja Verifikasi Citra Sidik Jari Berminyak Berdasarkan Minuatiae dengan Metode Gabor Filter Sayed Munazzar, Tulus .Fahmi
3-115
21
Pendekatan Adaptive Neuro Fuzzy Inference System dalam Penentuan Prediksi Tingkat lnflasi di Indonesia Silvia Avira, Rofl'ah, Riyanti, Syudastri
3-119
22
Karakterisasi Pola Data Penyakit Diabetes Berdasarkan Bau Urine Menggunakan Short Time Fourier Transform Hendrick, Anton Hidayat, Andrizal ,Albar, RozaSusanti
3-125
23
Deteksi Fitur Wajah Manusia Tanpa Marker Aktif Menggunakan Metode Principal Component Analysis (PCA) Muliyadi, Tulus,Fahmi
3-131
24
Klasifikasi Dan Peningkatan Kualitas Citra Sidik Jari Menggunakan FFT (Fast Fourier Transform} Salahuddin, Tulus,Fahmi
25
Deteksi Usia Tanaman Padi Berdasarkan Indeks Warna Muhammad Nasir, Nazzaruddin, Salahuddin, Yusman
3-143
26
Pendeteksian dan Pencegahan Deadlock pada Sistem Operasi Menggunakan Algoritma Resource Allocation Graph dan Algoritma Banker Nenna Irsa Syahputri
3-149
27
Robot Carrier Peng On Dai Gat Berbasis Atmega 16 Adam Tias Riyadi, Yani Prabowo
3-155
28
Aplikasi Pembelajaran Sandi Semaphore Berbasis Augmented Reality (AR} DiniSundani, Darmastuti Reza Adi Putra
3-159
29
Syllables Experimental Analysis Of Prosodic In Dysfunction Phonologies Muhammad Subali, Tri Wahyu Retno Ningsih, Muh Kholiq
3-163
30
Pengaruh Modifikasi Atribut Application Experience (APEX] Model COCOMOII Terhadap Estimasi Usaha Perangkat Lunak SriAndayani
3-167
31
Deteksi Pestisida Pada Tomat Dengan Pengolahan Citra Menggunakan Mikroskop Digital Nadia Alfitri, Hendrick, Surva Yondri, Tuti Angraini, Efrizon
3-173
ix
.
3-137
4
Sistem Pendukung Keputusan Seleksi Penerimaan Beasiswa di STTH Medan RachmatAulia
4-23
5
Sistem Pendukung Keputusan Untuk Pembeiian Rumah Menggunakan Basis Data Fuzzy Riah Ukur Ginting, Standy Oei
4-31
6
Analisis Dan Perancangan Knowledge Management System Pada Pt. Riau Media Televisi (R-TV) Lefy Indah Sari, Idria Maita
4-37
xi
Scientific Committee Prof. Dr. Jasni M h d Zain (UMP) Dr. Zainal Hasibuan (Universitas Indonesia) Prof. Dr. Muhammad Zarlis (Universitas Sumatera Utara) Prof. Dr. Opim Salim Sitompul (Universitas Sumatera Utara) Steering Committee Prof. Dr. Tulus (Universitas Sumatera Utara) Dr. Marwan Ramli, M.Si (Universitas Syah Kuala) Dr. Taufik Fuadi Abidin, M.Tech (Universitas Syah Kuala) Syahril Effendi, S.Si, M I T (Universitas Sumatera Utara) Ir. H . M Zulfin, M T (Universitas Sumatera Utara) Drs. Awaluddin Sibarani, M.Si (Yayasan Pendidikan Harapan) Drs. H. Hasdari Helmi, MT (Universitas Sumatera Utara) Sajadin Sembiring S.Si, M.Sc (Sekolah Tinggi Teknik Harapan) Organizing Committee Ihsan Lubis, ST, M.Kom (Ketua) M . Fadly Syahputra, B.Sc, M.Sc (Sekretaris) Romi Fadillah R., B.Comp.Sc, MSc (Wakil Sekretaris) Ummul Khair, ST, M.Kom (Bendahara) Dra. Suriati (Wakil Bendahara) Sayuti Rahman ST (Sekretariat) Irvan, M.Si (Prosiding) Samsuddin, ST, M.Kom (Seminar) Husni Lubis, ST,M.Kom (Perlengkapan)
visional Teknologi Informasi dan Komunikasi (SNASTIKOM 2013)
ISBN 978-602-19837-2-0
Klasifikasi Gambar Berwarna Menggunakan K-Nearest Neighbor dan Support Vector Machine Laina Farsiah 1 , Taufik Fuadi Abidin 2 , dan Khairul Munadi 3 Jurusan Matematika FMIPA Universitas Syiah Kuala Banda Aceh, Indonesia1,2 Jurusan Teknik Elektro Universitas Syiah Kuala Banda Aceh, Indonesia E-mail:
[email protected].
[email protected] .
[email protected]
Abstrak •Jam kategori dari gambar (image) :.-:iah besar tidak mungkin dilakukan ~:.mual karena membutuhkan waktu Untuk itu, dibutuhkan sebuah ang dapai mengkategorikan gambar ^mi :; matis menggunakan kompuier. Untuk • • e r r . , n algoritma tersebut, fitur-fltur • jiegori gambar hams ditentukan. mm tmz
tersebut adalah warna, tekstur, magnitudo fourier, dan koefisien ^Hp Cosine Transform (DCT). Paper ini tentang algoritma penentuan t dari gambar berwarna menggunakan K-Nearest Neighbor (KNN) dan l Vector Machine (SVM). Pengujian an menggunakan Corel dataset dan m terbaik dipilih menggunakan metode mt fitur (feature selection). Hasil ' menunjukkan bahwa akurasi dari KNN sama baiknya dengan akurasi SVM. Kunci: Klasifikasi KNN, SVM.
gambar,
feature
•dahuluan • (image) jika diketahui kategorinya dapat ~udah proses pengambilan keputusan. Foto stcg diambil melalui satelit jika diketahui nya dapat digunakan untuk memprediksi i cuaca secara lebih tepat. Foto udara juga rigunakan untuk menilai kondisi hutan dan p n pada permukaan bumi tertentu. Hanya oentuan kategori dari gambar dalam jumlah Egat sulit dilakukan secara manual karena ^hkan banyak waktu dan tenaga. Untuk itu, • yang dapat menentukan kategori dari ralara jumlah besar menggunakan komputer ubangkan. Menurut Han [1], klasifikasi adalah teknik mnng yang digunakan untuk memprediksi
kategori dari objek yang belum memiliki kategori. Ada metode klasifikasi yang membangun model terlebih dahulu, seperti support vector machine (SVM), dan ada pula metode klasifikasi yang secara langsung menggunakan data pembelajaran untuk menentukan kategori dari data baru yang ingin ditentukan kategorinya. Metode ini dikenal dengan nama K-Nearest Neighbor (KNN). Penentuan fitur-fitur gambar merupakan langkah awal yang dilakukan untuk membangun sistem klasifikasi gambar. Secara umum, penentuan fitur adalah proses pemilihan fitur terbaik di antara semua transformasi yang ada, yang mempertahankan keterpisahan kategori dengan ruang sebesar mungkin dengan dimensi serendah mungkin [2], Fitur akan menjadi karakteristik dari setiap kategori yang akan digunakan untuk mengenali kategori gambar. Fiturfitur yang telah diekstrak kemudian diseleksi menggunakan metode pemilihan fitur (feature selection) untuk memilih fitur-fitur terbaik yang dapat meningkatkan akurasi. Pada kajian ini, metode klasifikasi yang digunakan adalah K N N dan SVM. K N N adalah metode klasifikasi yang menentukan kategori berdasarkan mayoritas kategori pada A-tetangga terdekat. Jika D adalah sekumpulan data pelatihan maka ketika data uji d disajikan, algoritma akan menghitung jarak antara setiap data dalam D dengan data uji d. Perhitungan jarak dilakukan menggunakan euclidian distance. Kemudian, k buah data dalam D yang memiliki jarak terdekat dengan d diambil. Himpunan k merupakah k-nearest neighbor. Selanjutnya, kategori d ditentukan berdasarkan mayoritas kategori dalam himpunan k-tetangga terdekat. Meskipun sederhana, KNN sering memberi hasil akurasi yang tinggi pada banyak kasus. Metode KNN juga sangat fleksibel dan dapat bekerja dengan berbagai batasan keputusan [3]. SVM adalah metode klasifikasi berdasarkan margin (garis tepi) terbesar. SVM merupakan metode pembelajaran berbasis ruang vektor yang bertujuan untuk menemukan batas keputusan (decision boundary) yang memiliki lebar maksimum dari dua titik (support vectors) antara kedua kategori pada data pelatihan. Metode SVM menemukan batas
Artificial Intellegence
3-105
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2013)
pemisah yang terbaik dengan mencari jarak yang paling maksimal dari seluruh titik data. Apabila terjadi kesalahan pada pengukuran tidak akan menyebabkan kekeliruan hasil kategori karena margin yang dibentuk memiliki ukuran yang besar sehingga menghasilkan keputiisan klasifikasi dengan akurasi tinggi [4]. Penelitian ini bertujuan untuk membandingkan nilai akurasi dalam menentukan kategori dari gambar berwarna menggunakan metode KNN dan SVM. Akurasi diukur menggunakan F-measure [3].
2. Studi Literatur
Berbagai penelitian mengenai klasifikasi gambar telah dilakukan sebelumnya. Perbedaan yang paling menonjol dari setiap penelitian terletak pada dataset dan fitur-fitur yang digunakan. Perbedaan lain juga terletak pada metode klasifikasi yang digunakan. Vailaya [5] mengemukakan bahwa pengelompokan gambar ke dalam kategori menggunakan fitur visual tingkat rendah cukup menantang untuk kasus content-based image retrieval (CBIR). Metode bayesian digunakan dalam penelitian tersebut untuk mengetahui konsep dari fitur-fitur gambar tingkat rendah. Keluaran dari setiap gambar uji akan masuk dalam kategori tertentu. Gambar yang diuji adalah gambar berkategori liburan yaitu liburan indoor atau outdoor. Kelas outdoor dikategorikan lebih lanjut sebagai kota dan pemandangan. Kategori pemandangan kemudian dikategorikan lebih lanjut menjadi kategori matahari terbenam, hutan, dan gunung. Hasil kajian menunjukkan bahwa akurasi dari kategori indoor dan outdoor adalah 90,5%, akurasi dari kategori kota dan pemandangan adalah 95,3%, dan akurasi dari kategori matahari terbenam, hutan, dan gunung adalah 96,6%. Kajian yang dilakukan oleh Herdiyeni [6] menjabarkan tentang penggunaan SVM untuk kasus content based image retrieval (CBIR). Pada penelitian itu, komponen warna digunakan sebagai fitur utama dan algoritma SVM dioptimalkan menggunakan sequential minimal optimization (SMO. Eksperimen menggunakan caltech dataset dan beberapa gambar yang bersumber dari www.flower.vg. Hasil menunjukkan bahwa akurasi menggunakan SVM dan SMO adalah 76,76%, jauh lebih bari dari akurasi metode klasifikasi yang menggunakan jarak euclidean untuk mencari tetangga terdekat, yaitu 50,91%. Eka [7] mengungkapkan bahwa kebutuhan yang tinggi perusahaan manufaktur untuk menjaga kualitas produk memerlukan kontrol pada akhir proses produksi. Kontrol inspeksi visual produk
3-106
ISBN 978-602-19837-2-0
yang dilakukan manusia tidak sepenuhnya dapa: diandalkan. Hal ini dapat diatasi dengar menggunakan visi komputer sebagai kontra inspeksi visual produk. Komputer tidak dapa: membedakan tekstur seperti halnya penglihatar. manusia. Oleh karena itu, perlu digunakan analisis tekstur untuk mengetahui pola suatu citra digitai berdasarkan ciri yang diperoleh secara matematis Penelitian ini menggunakan salah satu metoce analisis tekstur yaitu metode haar transform. Cir tekstur dapat diperoleh dari parameter panjang dar lebar garis dalam pixel. Kedua ciri terseb-r kemudian digunakan untuk menentukan kategor menggunakan metode KNN. Keluaran dari sister pengenalan dikelompokkan menjadi 3 kategor yaitu: pakan robek, pakan tercampur, dan pakar rangkap. Dari hasil yang diperoleh disimpulka: bahwa metode haar transform dapat digunaka: untuk membedakan tekstur. Metode KNN dia menggunakan k = 1, 5, 10, dan 20. Perbedaan antara penelitian yang dilakukai dengan penelitian-penelitian sebelumnya terleaa; pada dataset dan fitur-fitur gambar yang digunakar Data set yang digunakan pada penelitian ini adaia: corel dataset (http://wang. ist.psu. edu/docs/relates dengan fitur-berupa warna (RGB, HSV, YCbC: YIQ), tekstur (canny, sobel, prewitt, roberts, leg. koefisien magnitudo fourier, dan koefisien Ciscrcx Cosine Transform (DCT) [8][9], Perbandinga: akurasi antara metode KNN dan SVM juga dinar dalam penelitian ini.
3. Metode Penelitian
Data set gambar yang digunakan dalam pei ini adalah corel dataset yang memiliki 1000 g; dalam 10 kategori, yaitu orang Afrika, bangunan, bus, dinosaurus, gajah, mawar, gunung, dan makanan. Masing-masing k memiliki 100 gambar. Seluruh gambar pada dataset tersebut berjenis truecolor artinya pixel gambar memiliki 3 komponen warna yam merah, hijau, dan biru. Langkah awal yang ditempuh dr. penelitian ini adalah menormalisasikan seb gambar dengan mengubah ukuran gambar mer 100x100 pixel agar seluruh nilai fitur gar sebanding. Dalam penelitian ini, fitur-fitur gar seperti warna (RGB, HSV, YCbCr, YIQ), ten (canny, sobel, prewitt, roberts, log), koeri magnitudo fourier, dan koefisien Discrete CcTransform (DCT) digunakan. Nilai dari fir, tersebut adalah nilai rata-rata (mean), : maksimal, dan nilai minimal. Total fitur digura berjumlah 39.
Artificial Intellegence
ISBN 978-602-19837-2-0
eminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2013)
Langkah selanjutnya adalah menormalisasikan nilai fitur agar setiap nilai berada dalam interval yang sama. Dengan normalisasi, hasil klasifikasi akan menjadi lebih baik dan akurat. Metode normalisasi yang dipakai adalah mix-max mrmalization. Metode ini men-transformasikan nilai « i a p fitur menjadi dalam interval 0 sampai 1 [10]. Perlu dipahami bahwa, fitur-fitur yang telah •ekstrak itu belum tentu akan memberi hasil akurasi png baik. Oleh karena itu, fitur-fitur terbaik dipilih menggunakan metode pemilihan fitur {feature median). Metode pemilihan fitur yang digunakan •talah correlation based feature selection (CFS) Mbset evaluation [11]. Metode CFS subset maiuation memilih 29 fitur terbaik dari 39 fitur ?acg ada. Dengan kata lain, ada 10 fitur yang harus •cuang karena memiliki nilai korelasi yang rendah prhadap hasil prediksi kategori. Data kemudian dibagi menjadi data •Eubelajaran {training set) dan data pengujian paring). Data training digunakan untuk bangun model dan data testing digunakan untuk guji model yang telah dibangun. Porsi antara pembelajaran dan pengujian masing-masing | dan 20%. Langkah selanjutnya adalah melakukan klasifikasi menggunakan metode K N N dan iM. Metode K N N diuji menggunakan 5 jensi mneter k yaitu 3, 5, 7, 9, dan 11, sementara •gujian menggunakan SVM dilakukan secara one mnsi all (satu lawan semua) dalam membangun rtek Dengan kata lain, satu kategori akan fewan sembilan kategori lainnya. Jadi, ada 10 •el yang dibangun untuk 10 kategori yang ada. I SVM yang digunakan adalah linier, mial, dan radial [4].
Hasil dan Pembahasan Analisis Klasifikasi Menggunakan KNN
Tabel 1. Hasil klasifikasi KNN dengan 39 fitur PmeaMire
Kelas
k=3
k=5
K=7
k=9
k=ll
Rerata
Orang Afrika
57,8
56,5
59,6
58,8
56,0
57,7
Pantai
61,2
59,6
59,6
62,5
58,3
60,2
Bangunan
51,3
42,4
48,5
51,6
42,4
47,2
Bus
84,2
72,7
82,9
81,0
75,6
79,3
Dinosaurus
95,2
95,2
97,6
97,6
00,0
97,1
Gajah
75,0
70,0
66,7
70,0
68,3
70,0
Mawar
94,7
91,9
91,9
88,9
91,9
91,9
Kuda
92,3
92,3
90,0
87,2
87,2
89,8
Gunung
47,1
41,2
41,2
43,8
33,3
41,3
Makanan
83,3
89,5
84,2
85,0
86,5
85,7
Rata-rata
74,2
71,1
72,2
72,6
69,9
72,0
b. Analisis Klasifikasi Menggunakan SVM Pengujian terhadap SVM dilakukan menggunakan kernel linier, polinomial, dan radial. Tabel 3 memperlihatkan hasil klasifikasi menggunakan 29 dan 39 fitur. Untuk 39 fitur, akurasi yang diperoleh adalah 74,21%, dan untuk 29 fitur, akurasi yang diperoleh adalah 73,63%. Tabel 2. Hasil klasifikasi KNN dengan 29 fitur Pnj«ts»r«
Kelas
k=3
k=5
K=7
k=9
k=ll
Rerata
Orang Afrika
60,0
52,4
63,6
60,5
61,9
59,7
Pantai
59,3
65,4
68,0
72,0
61,5
65,2
Bangunan
46,7
50,0
50,0
50,0
48,5
49,0
Bus
85,0
78,0
78,0
79,1
74,4
78,9
Dinosaurus
97,6
95,2
97,6
97,6
97,6
97,1
Gajah
68,3
73,2
69,8
71,4
73,2
71,2
|ian terhadap metode K N N dilakukan 98,4 Mawar 91,9 100,0 100,0 100,0 100,0 gunakan k = 3, 5, 7, 9, dan 11. Hasil klasifikasi 87,9 Kuda 87,8 87,8 87,2 87,2 89,5 tgunakan 39 fitur dapat dilihat pada tabel 1. rata-rata Fmeamre adalah 72,0% dan akurasi 38,7 44,0 Gunung 45,2 42,4 37,5 56,3 diperoleh menggunakan k = 3. Tabel 2 85,7 83,3 89,5 89,5 92,3 88,1 Makanan lihatkan hasil klasifikasi menggunakan 29 Rata-rata 72,7 72,8 74,1 76,3 73,8 73,9 Nilai rata-rata Fmeasure adalah 73,9%. Hal ini kan bahwa keberhasilan penggunaan pemilihan fitur. Dengan fitur yang lebih Hasil ini memperlihatkan bahwa klasifikasi dapat menghasilkan akurasi yang relatif menggunakan 29 fitur tidak berbeda dengan 39 fitur. ahkan dalam kasus ini akurasi meningkat.
Artificial Intellegence
3-107
2013)
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM
Tabel 3. Hasil klasifikasi SVM (%) Kelas
Kernel
Linier Orang Afrika Polinomial Radial Linier Pantai Polinomial Radial Linier Bangunan Polinomial Radial Linier Bus Polinomial Radial Linier Dinosaurus Polinomial Radial Linier Gajah Polinomial Radial Linier Ma war Polinomial Radial Linier Kuda Polinomial Radial Linier Gunung Polinomial Radial Linier Makanan Polinomial Radial Rata-rata
Fniea»ure
39 Fitur 56,25 60,00 47,37 70,59 65,22 56,41 55,56 63,16 45,71 73,17 85,10 90,00 97,56 97,56 100,00 60,61 68,09 69,57 89,45 94,74 94,74 85,71 85,00 90,00 47,06 59,09 53,33 89,47 85,72 90,00 74,21
29 Fitur 51,61 65,00 51,28 62,50 58,54 65,00 55,56 66,67 64,87 82,93 71,11 74,42 97,56 100,00 100,00 50,00 72,73 76,19 89,47 97,44 91,89 82,93 90,00 92,68 43,75 53,33 53,06 76,47 82,05 90,00 73,63
ISBN
978-602-19837-2
Tabel 4. Rata-rata nilai Fmeamre setiap kernel F Kernel 39 Fitur* measure29 Fitur Linier 72,54 69,28 Polinomial 76,37 75,69 Radial 73,71 75,94 Rata-rata 74,21 73,63 Rata-rata nilai FmeasllK untuk setiap kategori
* measure
39 Fitur 54,54 64,07 54,81 82,76 98,37 66,09 92,98 86,90 53,16 88,40 74,21
29 Fitur 55,96 62,01 62,36 76,15 99,19 66,31 92,93 88,54 50,05 82,84 73,63
c. Perbandingan Hasil Klasifikasi Nilai Fmeasure klasifikasi dengan KNN dan menggunakan 29 fitur yang terseleksi dapat pada Tabel 6. Nilai tersebut didapat dari kelas masing-masing dengan menggunaki: macam nilai k dan ketiga kernel. Dari tabel dapat dilihat bahwa akurasi yang dihasilkan dan SVM sangat dekat, masing-masing 73,9C"S Tabel 4 menunjukkan rata-rata nilai Fmeasure yang 73,63%. KNN lebih unggul dari SVM hanya' dihasilkan oleh setiap kernel. Pada klasifikasi Meskipun demikian, akurasi pada setiap kelas dengan 39 fitur, kernel terbaik adalah polinomial variatif. Untuk kelas orang Afrika, pantai yaitu sebesar 76,37 dan pada klasifikasi dengan 29 gajah, mawar, dan makanan, akurasi KNN fitur kernel radial dan polinomial memiliki akurasi tinggi dari akurasi SVM, sedangkan untuk bangunan, dinosaurus, kuda, dan gunung, yang sangat dekat. SVM lebih baik dari KNN.
3-108
Artificial Intellegence
Seminar Nasional Teknologi Informasi dan Komunikasi (SNASTIKOM 2013)
pada 29 fitur
[8]
Rerata
Peringkat
[9]
Tabel 6. Perbandingan N i l a i Fineasi,re Kelas
F
* measure
raw
Orang Afhka
59,70
55,96
57,82
8
Pantai
(IS 90
69 01
63,63
7
nn
69 96 oz,ao
55,70
9
75 on
76 rs /o,19
77,53
5
00 10
98.16
1
Bangunan Bus
UJ,^U AQ
Omn^aiinK Gajah
71,20
66,31
68.75
6
Mawar
98,40
92,93
95,66
2
Kuda
87,90
88,54
88,22
3
Gunung
44,00
50,05
47,04
10
Makanan
88,10
82,84
85,45
4
Rata-rata
73,90
73,63
73,79
[10]
[11]
ISBN 978-602-19837-2-0
Gonzalez, R.C. dan Woods, R.E., 2002. Digital Image Processing, Second Edition. Prentice Hall, New Jersey. Gonzalez, R C , Woods, RE., dan Eddins, S.L., 2009. Digital Image Processing Using MATLAB, Low Price Edition. Pearson Education. Han, Jiawei dan Kamber, Micheline. 2006. Data Mining: Concepts dan Techniques, Second Edition. Morgan Kaufmann Publishers, San Francisco. Hall, Mark A . , dan Smith, Lloyd A . 1999. Practical Feature Subset Selection for Machine Learning. University o f Waikato, Hamilton.
Kesimpulan fesil kajian menunjukkan bahwa akurasi klasifikasi I p c b a r berwarna menggunakan metode K N N sama • f c i y a dengan metode S V M . Kategori yang • e m i l i k i nilai Fmeasure yang t i n g g i dan rendah pada k a u a metode ditunjukkan oleh kategori yang sama. Rasifikasi menggunakan 29 fitur tidak jauh berbeda M g a n 39 fitur.
Pfeftar Pustaka Han, J. dan Kamber, M . , 2006. Data Mining: Concepts dan Techniques, Second Edition. Morgan Kaufmann Publishers, San Francisco. Fukunaga, K . , 1990. Introduction to Statistical Pattern Recognition, Second Edition. Academic Press, San Diego. Liu, B., 2007. Web Data Mining: Exploring Hyperlinks, Contents, dan Usage Data. Springer, Berlin. Manning, C D . , Raghavan, P., dan Schutze, H . , 2009. An Introduction to Information Retrieval, Online Edition. Cambridge University Press, Cambridge. Vailaya, A., Figueiredo, M.A.T., Jain, A . K., dan Zhang, H.J., 2001. Image Classification for Content-Based Indexing. IEEE Transactions On Image Processing,Vol. 10, No. 1, January 2001 Herdiyeni, Y., Buono, A., dan Noorniawati, V.Y., 2007. Klasifikasi Citra Dengan Support Vector Machine Pada Sistem Temu Kembali Citra. Seminar Nasional Sistem dan Informatika. Bali. SNSI07-036. 6 November 2007. 3ca, N . , 2011. Aplikasi Pengolahan Citra Digital Dalam Klasifikasi Cacat Kain Grey Menggunakan Metode K-Nearest Neighbor. Skripsi. U I I , Yokyakarta.
Artificial Intellegence
3-109
