...

island shape detector menggunakan chain code dengan metode

by user

on
Category: Documents
3

views

Report

Comments

Transcript

island shape detector menggunakan chain code dengan metode
ISLAND SHAPE DETECTOR MENGGUNAKAN CHAIN CODE
DENGAN METODE PENGKLASIFIKASIAN NAIVE BAYES
Ayu Nur Fadillah1, Asyrofa Rahmi2, Kartika Purwandari3, Ika Srimuddawamah4, Richa Etika
Ulhaq5, Elok Candrarini6
1,2,3,4,5,6
Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya
Jl. Veteran No.8 Malang, Informatika, Gedung A PTIIK – UB
Email : [email protected], [email protected], [email protected], [email protected],
[email protected], [email protected]
ABSTRAK
Pada proyek ini dilakukan pendeteksian citra dari beberapa pulau di Indonesia yang mana pulau-pulau tersebut
memiliki bentuk dan luas yang berbeda-beda. Namun dengan sangat beragamnya pulau-pulau yang ada di Indonesia,
mungkin saja kita masih kesulitan untuk membedakan pulau yang satu dengan pulau yang lainnya, sehingga dibutuhkan
metode tertentu untuk menyelesaikan masalah ini. Metode yang akan digunakan dalam proyek ini adalah metode
klasifikasi Naive Bayes.
Proses pendeteksian dimulai dengan mendeteksi tepi dari pulau-pulau yang ada dengan metode Chain Code,
setelah mendapatkan data-data dari metode tersebut maka citra akan diklasifikasikan dengan metode Naive Bayes. Hasil
dari proses ini adalah informasi dari pulau berupa nama pulau, luas pulau, panjang garis pantai, dan jumlah penduduk
dari pulau tersebut.
Kata Kunci: Chain Code, Naive Bayes
ABSTRACT
This project will be carried out on the detection image of some islands in Indonesia, where the islands have a
different wide and shape. But the very diversity of the islands in Indonesia, we might still difficult to distinguish one
island to another island, so it takes a specific method to solve this problem. The method will be used in this project is
the Chain Code and Naive Bayes classification methods.
Detection process starts by detecting the edges of the islands that exist with Chain Code method, after getting the
data from these methods then the image will be classified with Naive Bayes method. The result of this process is the
information from the island such as name of the island, spacious island, around the island, and the total population of
the island.
Keywords : Chain code, Naive Bayes
1 PENDAHULUAN
Indonesia terkenal dengan negara kepulauan
karena lebih dari 18.000 pulau berada di kawasan
Indonesia, dengan 7.870 pulau yang bernama dan 634
pulau tak bernama[3]. Dari sekian banyak pulau yang
terbentang dari Sabang sampai Merauke tentunya
memiliki bentuk dan luas yang berbeda-beda, sehingga
beberapa orang awam sulit untuk membedakan pulaupulau tersebut, oleh karena itu dibutuhkan suatu
metode untuk memecahkan masalah ini.
Deteksi tepi pada sebuah citra adalah suatu proses
yang menghasilkan tepi-tepi dari obyek citra yang
bertujuan untuk menandai bagian yang menjadi detail
citra[2]. Banyak metode yang bisa digunakan untuk
mendeteksi tepi citra, diantaranya metode Chain Code,
yang akan digunakan penulis dalam menyelesaikan
permasalahan tersebut dalam paper yang berjudul
Island Shape Detector menggunakan Metode Naïve
Bayes.
2 METODE PENELITIAN
Berikut metode penelitian yang dilakukan pada
proyek ini.
Mengubah citra ke grayscale Mengubah ke citra binary Menghilangkan noise dengan closing Deteksi tepi dengan operator canny Ekstraksi fitur menggunakan Chain Code Klasifikasi dengan Naive Bayes Gambar 1. Cara kerja Islands Shape detector
Berdasarkan bagan di atas, berikut ini merupakan cara
kerja dari sistem pengklasifikasian data training dari
hasil deteksi tepi pulau. Pertama adalah preprocessing,
yang terdiri dari beberapa langkah, yaitu:
1.
Mengubah citra berwarna menjadi citra keabuan
yang bertujuan untuk mendapatkan nilai biner.
2. Mengubah citra biner dari citra keabuan.
3. Menghilangkan noise, dilakukan dengan metode
closing. Metode closing terdiri dari proses dilasi,
yaitu mengubah objek menjadi lebih besar.
Kemudian erosi, yaitu yang bertujuan untuk
mengisi lubang namun tetap menjaga ukuran
aslinya.
Setelah dilakukan preprocessing, maka dilakukan
proses pengklasifikasian yang terdiri dari beberapa
langkah, yaitu:
1. Menemukan tepi gambar yang didapatkan dengan
menggunakan operator canny.
2. Dilakukan ekstraksi fitur dengan chain code untuk
menemukan luas dan keliling pulau.
3. Klasifikasi dengan Naïve Bayes.
2.1 Metode Chain Code
Chain code adalah metode yang mendeskripsikan
kontur objek yang dibentuk oleh titik-titik kontur pada
citra menjadi rentetan kode kode yang setiap
elemennya menunjukkan jumlah titik sudut cell yang
berhubungan dengan kontur objek pada citra. Setiap
titik akan dikodekan kedalam Chain code dengan cara
menelusuri setiap titik kontur tersebut. Dalam hal ini
yang dimaksud dengan titik kontur adalah sebuah pixel
yang direpresentasikan sebagai sebuah titik dalam
rectangular cell. Rectangular Cell merupakan sel-sel
berbentuk segiempat, dimana kontur objek dapat
digambarkan pada sisi-sisi dari sel. Jadi sebelum
dilakukan pengkodean kedalam Chain code, maka
kontur objek pada citra harus divisualisasikan dahulu
kedalam rectangular cell. Chain code biasanya
digunakan dalam 4 titik tetangga(4 arah) atau 8 titik
tetangga(8 arah). Ilustrasi dari Chain code terdapat
pada gambar 2[1].
angka(arah Jalur bisa searah jarum jam atau
sebaliknya)[1].
Digunakan : {Po,L,T4} dalam menyatakan
parameter-parameter dari Chain coding. Selanjutnya
melihat
bagaimana
masing-masing
parameter
menentukan hasil proses dari penelusuran tepi kontur.
Memilih titik hitam pertama (Po) dengan cara scanning
piksel terhadap warna hitam, diharapkan bisa
mendapatkan hasil penelusuran tepi kontur yang
sama[1].
L adalah jarak antara titik asal dengan titik
tetangga terpilih yang membentuk kontur. Dalam
percobaan, nilai L=1 agar representasi bentuk
mendapatkan fitur yang akurat[1].
Perbedaan hasil dari penelusuran diagram arah
pada sistem adalah jelas, apabila {0,1,2,3,4,5,6,7}
dibandingkan dengan {4,5,6,7,0,1,2,3} bentuk obyek
jelas akan berbeda. Misal :
Gambar 3. Perbedaan dalam penelusuran diagram arah
Nilai sederetan angka dalam metode Chain code
adalah mewakili arah jalur. Dimana perbedaan nilai
dalam Chain code mencerminkan ciri atau keunikan
bentuk obyek pada setiap gambar.
2.2 Klasifikasi Naive Bayes
Metode klasifikasi ini diturunkan dari penerapan
teorema Bayes dengan asumsi independence (saling
bebas). Naive bayes classifier adalah metode
pengklasifikasian paling sederhana dari model
pengklasifikasian dengan peluang, dimana diasumsikan
bahwa setiap atribut contoh (data sampel) bersifat
saling lepas satu sama lain berdasarkan atribut kelas.
Karena asumsi atribut tidak saling lepas tidak saling
terkait maka :
!
  ! =
(! |! )
!!!
Gambar 2. Ilustrasi Chain code
Dari konsep diatas, dapat dikatakan bahwa
Chain Code dapat digunakan pada garis tepi obyek
yang berlekuk lekuk dan tertutup (membentuk bangun
lingkar). Pada dasarnya, ada 3 parameter untuk
melakukan metode Chain code. Parameter itu adalah :
titik hitam pertama (Po), tahap (L) pencarian titik hitam
tetangga (menggunakan diagram arah), terakhir adalah
mendapatkan Jalur (T4) sebagai fitur berupa sederetan
Bila P(X|Ci) dapat diketahui melalui perhitungan
pada rumus, maka kelas label kita adalah kelas label
P(Xk|Ci)*p(i) maksimum. Kelebihan Naive Bayes
adalah mudah diimplementasikan dan memberikan
hasil yang baik untuk banyak kasus. Namun Naive
Bayes juga mempunyai kelemahan yaitu harus
mengasumsikan antar fitur tidak terkait dalam realita,
keterkaitan itu ada, dan keterkaitan tersebut tidak dapat
dimodelkan oleh Naive Bayes classifier.
3
HASIL DAN PEMBAHASAN
Secara garis besar, sistem bekerja sebagai berikut.
Pertama, pilih citra yang ingin dikenali. Ketika gambar
akan diproses oleh sistem, gambar akan melalui praproses dimana gambar diubah menjadi grayscale untuk
mendapatkan bentuk biner gambar. Selanjutnya
menghilangkan noise dan menemukan tepi gambar
dengan menggunakan operator canny, noise
dihilangkan bertujuan untuk menjaga ukuran asli
gambar. Setelah pemrosesan gambar selesai, dilakukan
ekstraksi fitur dengan chain code untuk mendapatkan
keliling dan luas pulau. Kemudian dilakukan proses
klasifikasi dengan menggunakan naive bayes.
Sistem diuji dengan data training yang berjumlah
15 gambar pulau dengan ukuran berbeda. Masingmasing gambar yang akan diuji dicari terlebih dahulu
probabilitas
kemunculannya.
Sehingga
dapat
digunakan dalam menentukan klasifikasi pada data
testing.
Gambar 4. Training data semua Pulau
Gambar diatas menunjukkan mesin sedang
melakukan training data berupa citra-citra pulau
Indonesia yang terdiri dari pulau Sumatera, Jawa,
Lombok, Kalimantan, dan Bali. Setelah proses training
selesai akan muncul jumlah data setiap chain code
sebagai dataset yang nanti akan digunakan untuk
klasifikasi data dengan Naive Bayes.
Gambar 6. Testing data Pulau Sumatera
Gambar di atas menunjukkan proses testing dari
peta buta Pulau Sumatera. Dari hasil testing diatas
diperoleh data informasi gambar dan hasil probabilitas
sebagai berikut :
- Nama Pulau Sumatera
- Panjang garis pantai 13675.00
- Luas wilayah 15228.17
- Jumlah penduduk 42.000.000
- P(Kelas = Sumatera | X) = 2.4934e-019
- P(Kelas = Jawa | X) = 4.6362e-027
- P(Kelas = Lombok | X) = 1.8757e-029
- P(Kelas = Kalimantan | X) = 3.7005e-024
- P(Kelas = Bali | X) = 3.1143e-025
- Hasil klasifikasi keputusan = Sumatera
Gambar 7. Testing data Pulau Bali
Gambar 5. Testing data Pulau Jawa
Gambar di atas menunjukkan proses testing dari
peta buta Pulau Jawa. Dari hasil testing diatas
diperoleh data informasi gambar, hasil probabilitas,
dan hasil klasifikasi keputusan sebagai berikut :
- Nama Pulau Jawa
- Panjang garis pantai 7118.00
- Luas wilayah 7190.59
- Jumlah penduduk 136.000.000
- P(Kelas = Sumatera | X) = 3.1098e-033
- P(Kelas = Jawa | X) = 5.2037e-019
- P(Kelas = Lombok | X) = 1.6273e-021
- P(Kelas = Kalimantan | X) = 2.3917e-021
- P(Kelas = Bali | X) = 2.4905e-020
- Hasil klasifikasi keputusan = Jawa
Gambar di atas menunjukkan proses testing dari
peta buta Pulau Bali. Dari hasil testing diatas diperoleh
data informasi gambar, hasil probabilitas, dan hasil
klasifikasi keputusan sebagai berikut :
- Nama Pulau Bali
- Panjang garis pantai 8717.00
- Luas wilayah 10262.07
- Jumlah penduduk 3.890.000
- P(Kelas = Sumatera | X) = 4.6114e-019
- P(Kelas = Jawa | X) = 8.947e-025
- P(Kelas = Lombok | X) = 1.1441e-018
- P(Kelas = Kalimantan | X) = 2.8726e-020
- P(Kelas = Bali | X) = 2.8591e-019
- Hasil klasifikasi keputusan = Bali
mendapatkan bentuk tepi pulau sehingga lebih optimal.
Hasil uji coba juga menunjukkan bahwa metode naïve
bayes cukup efektif untuk proses klasifikasi dengan
persentase keakuratan sebesar 100% dari 10 citra data
testing dan sebanyak 15 citra data training.
5
Gambar 8. Testing data Pulau Kalimantan
Gambar di atas menunjukkan proses testing dari
peta buta Pulau Kalimantan. Dari hasil testing diatas
diperoleh data informasi gambar, hasil probabilitas,
dan hasil klasifikasi keputusan sebagai berikut :
- Nama Pulau Kalimantan
- Panjang garis pantai 19973.00
- Luas wilayah 21804.93
- Jumlah penduduk 12.000.000
- P(Kelas = Sumatera | X) = 5.7423e-095
- P(Kelas = Jawa | X) = 1.8225e-067
- P(Kelas = Lombok | X) = 2.0012e-022
- P(Kelas = Kalimantan | X) = 1.5434e-021
- P(Kelas = Bali | X) = 4.4631e-027
- Hasil klasifikasi keputusan= Kalimantan
Gambar 9. Testing data Pulau Lombok
Gambar di atas menunjukkan proses testing dari
peta buta Pulau Lombok. Dari hasil testing diatas
diperoleh data informasi gambar, hasil probabilitas,
dan hasil klasifikasi keputusan sebagai berikut :
- Nama Pulau Lombok
- Panjang garis pantai 8717.00
- Luas wilayah 10262.07
- Jumlah penduduk 3.200.000
- P(Kelas = Sumatera | X) = 4.6114e-019
- P(Kelas = Jawa | X) = 8.947e-025
- P(Kelas = Lombok | X) = 1.1441e-018
- P(Kelas = Kalimantan | X) = 2.8726e-020
- P(Kelas = Bali | X) = 2.8591e-019
- Hasil klasifikasi keputusan = Lombok
Dari semua data testing sebanyak 10 citra dan
data training sebanyak 15 citra yang digunakan tidak
terdapat data yang salah prediksi, sehingga keakurasian
yang didapat adalah 100%.
4
KESIMPULAN
Berdasarkan hasil uji coba dapat disimpulkan
bahwa metode chain code cukup efektif untuk
DAFTAR PUSTAKA
[1] http://digilib.ittelkom.ac.id/index.php?view=articl
e&catid=21%3Aitp-informatika-teori-dan
pemograman&id=1095%3Avertex-chaincode&option=com_content&Itemid=14 diakses
tanggal 13 Desember 2013
[2] Parikesit, Dian. Analisis Deteksi Tepi untuk
Mengidentifikasi Pola Wajah Review (Image
Edge Detection Based dan Morphology). Jakarta
[3] Hermawan, Andrian Riza, dkk. Pengklasifikasian
Daun Mangga, Salam, dan Sawo dengan
menggunakan Metode Naive Bayes. Malang
[4] Ginting, Elias Dianta. Deteksi Tepi Menggunakan
Metode
Canny
dengan
Matlab
untuk
Membedakan Uang asli dan Uang Palsu. Jakarta
[5] Yuliani, Nur, dkk. Pendekatan Kode Rantai
sebagai Dasar Pengenalan Karakter. Jakarta
Fly UP