Implementasi Algoritma Naive Bayes Untuk Klasifikasi Citra Berdasarkan Ekstraksi Ciri Tekstur Dengan Metode Matriks Kookurensi
| Main Author: | Prabowo, Febrianto |
|---|---|
| Format: | Thesis PeerReviewed |
| Terbitan: |
Universitas Komputer Indonesia
, 2016
|
| Subjects: | |
| Online Access: |
http://repository.unikom.ac.id/1341/ http://elib.unikom.ac.id/gdl.php?mod=browse&op=read&id=jbptunikompp-gdl-febriantop-34056 |
Daftar Isi:
- Salah satu cara untuk mengenali citra adalah dengan membedakan tekstur citra tersebut. Citra dikatakan memiliki tekstur apabila pola citra terjadi secara berulang-ulang memenuhi semua bidang citra. Citra yang berbeda memiliki ciri-ciri yang berbeda. Ciri-ciri inilah yang menjadi dasar dalam klasifikasi citra berdasarkan tekstur. Terdapat beberapa metode untuk memperoleh ciri-ciri tekstur dalam suatu citra, Salah satu metode untuk memperoleh ciri-ciri citra tekstur adalah matriks co-occurrence. Ciri-ciri tekstur yang didapat dari metode matriks co-occurrence diantaranya adalah entropi, kontras, homogenitas, energi dan dissimilarity. Dari hasil ciri-ciri tersebut kemudian digunakan untuk klasifikasi dengan menggunakan NaÃ� ̄ve Bayes yang menentukan hasil klasifikasi berdasarkan nilai probabilitas terbesar. Objek yang diuji adalah citra jenis biji-bijian (beras, beras merah, ketan hitam, ketan putih, dan kacang hijau). Dari penelitian yang telah dilakukan, dapat ditarik kesimpulan sebagai berikut : naÃ� ̄ve bayes dapat melakukan klasifikasi citra berdasarkan tekstur yang diekstraksi dengan metode matriks co-occurrence. Dikarenakan data hasil ekstraksi ciri matriks co-occurrence adalah berupa data continue, atau biasa disebut data nominal, sehingga saat proses klasifikasi data hasil ekstraksi ciri tersebut dapat langsung digunakan sebagai inputan dalam klasifikasi naÃ� ̄ve bayes. berdasarkan hasil pengujian, kesimpulan yang didapatkan adalah naÃ� ̄ve bayes dapat mengklasifikasi citra dengan baik, dikarenakan data hasil ekstraksi ciri tekstur biji-bijian dengan metode matriks co-occurrence memiliki interval jarak yang berjauhan antar kelasnya. Sehingga klasifikasi naÃ� ̄ve bayes dapat berjalan dengan baik saat melakukan klasifikasi.