Perbandingan Algoritma Decision Tree C4.5 Dan Naive Bayes pada Analisa Tekstur Gray Level Co-Occurrence Matrix Menggunakan Citra Wajah
Abstract
Abstrak
Analisis tekstur lazim dimanfaatkan sebagai proses untuk melakukan klasifikasi dan interpretasi citra. Suatu proses klasifikasi citra berbasis analisa tekstur pada umumnya membutuhkan tahapan ekstraksi ciri, yang terdiri dari tiga macam metode yaitu metode statistik, metode spaktral dan metode struktural. Metode GLCM (Gray-Level Co-Occurrence Matrix) termasuk dalam metode statistik di mana dalam perhitungan statistiknya menggunakan distribusi derajat keabuan dengan mengukur tingkat kekontrasan, granularitas (ukuran), dan kekasaran suatu daerah dari hubungan ketetanggaan antar piksel di dalam citra. Tujuan penelitian ini mencari nilai akurasi yang baik dengan membandingkan algoritma decision tree C4.5 dan naive bayes pada analisa tekstur Gray Level Co-occurrence Matrix (GLCM) menggunakan citra wajah. Tools yang digunakan untuk ektrasi fitur menggunakan MATLAB dan untuk klasifikasi algoritmanya menggunakan tools Rapid miner. Dari hasil penelitian untuk nilai terbaik pada perbandingan algoritma dengan analisa tekstur Gray-Level Co-Occurrence Matrix (GLCM) menggunakan citra wajah. Untuk nilai akurasi terhadap 2 kelas dengan algoritma klasifikasi C4.5 sebesar 58,64%, sedangkan untuk nilai akurasi algoritma klasifikasi Naive Bayes sebesar 75,45% sedangkan untuk nilai akurasi terhadap 3 kelas dengan algoritma klasifikasi C4.5 sebesar 54,74%%, sedangkan untuk nilai akurasi algoritma klasifikasi Naive Bayes sebesar 62,63%. Dapat disimpukan bahwa algoritma Naive Bayes memiliki nilai terbaik dalam analisa tekstur Gray-Level Co-Occurrence Matrix (GLCM) menggunakan citra wajah baik terhadap 2 kelas maupun yang 3 kelas.
Kata kunci: analisa tekstur, citra wajah, gray level co-occurrence matrix, algoritma c4.5, algoritma klasifikasi naive bayes
Abstract
Texture analysis is commonly used as a process for image classification and interpretation. An image classification process based on texture analysis generally requires feature extraction stages, which consist of three types of methods namely statistical methods, spactral methods and structural methods. The GLCM (Gray-Level Co-Occurrence Matrix) method is included in the statistical method in which statistical calculations use gray level distribution by measuring the contrast level, granularity (size), and roughness of an area from the neighboring relationships between pixels in the image. The purpose of this study is to find a good value of accuracy by comparing the C4.5 decision tree and naive bayes on the Gray Level Co-occurrence Matrix (GLCM) texture analysis using face images. The tools used for feature extraction use MATLAB and for the classification of the algorithm use Rapid Miner tools. From the results of the study for the best value in the comparison of algorithms with Gray-Level Co-Occurrence Matrix (GLCM) texture analysis using face images. For the accuracy of the two classes with C4.5 classification algorithm is 58.64%, while for the Naive Bayes classification algorithm accuracy value is 75.45% while for the accuracy of the 3 classes with C4.5 classification algorithm is 54.74 %% , while for the Naive Bayes classification algorithm accuracy value is 62.63%. It can be concluded that the Naive Bayes algorithm has the best value in Gray-Level Co-Occurrence Matrix (GLCM) texture analysis using face images for both classes and 3 classes.
Keywords: texture analysis, facial image, gray level co-occurrence matrix, c4.5 algorithm, naive bayes classification algorithm.
Full Text:
PDFReferences
Referensi
Ardiyansyah, Rahayuningsih, P. A., & Maulana, R. (2018, Juni). Analisis Perbandingan Algoritma Klasifikasi Data Mining Untuk Dataset Blogger Dengan Rapid Miner. Jurnal Khatulistiwa Informatika, VOL. VI(p-ISSN: 2339-1928 & e-ISSN: 2579-633X), 20-28.
Buani, D. P. (2016). Optimasi Algoritma Naïve Bayes dengan Menggunakan Algoritma Genetika untuk Prediksi Kesuburan (Fertility). Jurnal Evolusi , Volume 4 Nomor 1(ISSN : 2338 – 8161), 54-63.
Dewi, R. K., & Ginardi, R. H. (2014). IDENTIFIKASI PENYAKIT PADA DAUN TEBU DENGAN GRAY LEVEL COOCCURRENCE MATRIX DAN COLOR MOMENTS. Jurnal Teknologi Informasi dan Ilmu Komputer, Vol. 1, No. 2.
Dawson, C. W. (2009). Projects in Computing and Information Systems a student’s guide. Harlow, UK: Addison-Wesley.
Gujral, E. R., & Nishi, E. (2015). A Novel technique for the Detection of Mixed Noise in Medical Images using Datamining. Vol.8, No.11 231-242.
Hayatin, N. (2016). Klasifikasi kelompok usia berdasarkan citra wajah menggunakan algoritma neural network dengan fitur face anthropometry dan kedalam kerutan. 61-67.
Kurniawan, I., & Riana, D. (2018). Analisa Tekstur Kulit Wajah Menggunakan Fitur Gray Level Co-Occurrance Matrix. Seminar Nasional Inovasi dan Tren (SNIT), 187-192.
Latif,M.H, A., Yusof,H, M., Sidek,S.N, & Rusli, N. (2015). Implementation Of GLCM Features In Thermal Imaging For Human Affective State Detection. IRIS, 308-315.
Li, R., Liu, P., Jia, K., & Wu, Q. (2015). Facial Expression Recognition under Partial Occlusion Based on Gabor Filter and Gray-level Co-occurrence Matrix.
Maurya, R., Singh, S. K., Maurya, A. K., & Kumar, A. (2014). GLCM and Multi Class Support Vector Machine based Automated Skin Cancer Classification.
Markkongkeaw, A., Phinyomark, A., Boonyapipha, P., & Phukpattaranont, P. (2013). Preliminary Results of Breast Cancer Cell Classifying Based on Gray-Level Co-occurrence Matrix. BMEiCON.
Mishra, S., Majhi, B., Sa, P. K., & Sharma, L. (2017). Gray level co-occurrence matrix and random forest based acute lymphoblastic leukemia detection. 272–280.
Mukminin, A., & Riana, D. (2017). Komparasi Algoritma C4.5, Naïve Bayes Dan Neural Network Untuk Klasifikasi Tanah. JURNAL INFORMATIKA, Vol.4 No.1, 21-31.
Nugroho, D., Nhita, F., & Trantoro, D. (Agustus 2016). Prediksi Penyakit Menggunakan Genetic Algorithm (GA) dan Naive Bayes Untuk Data Berdimensi Tinggi. e-Proceeding of Engineering, Vol.3, No.2 , hal. 3889-3899.
Permadi, Y., & Murinto. ( 2015). APLIKASI PENGOLAHAN CITRA UNTUK IDENTIFIKASI KEMATANGAN MENTIMUN BERDASARKAN TEKSTUR KULIT BUAH MENGGUNAKAN METODE EKSTRAKSI CIRI STATISTIK. JURNAL INFORMATIKA Vol. 9, No. 1, 1028-1038.
Permata, E. (2016). IDENTIFIKASI OBYEK BENDA TAJAM MENGGUNAKAN PENGOLAHAN CITRA DIGITAL PADA CITRA X-RAY. VOLT Vol. 1, No. 1.
Pramunendar, R. A., Supriyanto, C., Novianto, D. H., Yuwono, I. N., Shidik, G. F., & Andono, P. N. (2013). A Classification Method of Coconut Wood Quality Based on Gray. ROBIONETICS.
Prasetyo, E. (2011). Pengolahan citra digital dan aplikasinya menggunakan Matlab. Yogyakarta: Penerbit Andi.
Pratiwi, M., Alexander, Harefa, J., & Nanda, S. (2015). Mammograms Classification using Gray-level Co-occurrence Matrix and Radial Basis Function Neural Network. ICCSCI , 83-91.
Ramanda, K. (2015, Agustus). Penerapan Particle Swarm Optimization Sebagai Seleksi Fitur Prediksi Kelahiran Prematur Pada Algoritma Neural Network. Jurnal Teknik Komputer AMIK BSI, VOL. I NO. 2 (ISSN. 2442-2436), 178-183.
osandy, T. (2016, Mei). Perbandingan Metode Naive Bayes Classifier dengan Metode Decison Tree (C4.5) Untuk Menganalisa Kelancaran Pembiayaan (Study Kasus: KSPPS/BMT Al-Fadhila). Jurnal TIM Darmajaya, Vol. 02 No. 01(ISSN: 2442-5567 | E-ISSN: 2443-289X), 52-62.
Qayyum, R., Kamal, K., Zafar, T., & Mathavan, S. (2016). Wood Defects Classification Using GLCM Based Features And PSO Trained Neural Network.
S, A. B., Suma'inna, & Maulana, H. (2016). Pengenalan Citra Wajah Sebagai Identifier Menggunakan Metode Principal Component Analysis (PCA). JURNAL TEKNIK INFORMATIKA, VOL 9 NO. 2.
Santoni, M. M., Sensuse, D. I., Arymurthy, A. M., & Fanany, M. I. (2015). Cattle Race Classification Using Gray Level Co-occurrence Matrix Convolutional Neural Networks. ICCSCI, 493 – 502 .
Saputra, R. A. (2014). Komparasi Algoritma Klasifikasi Data Mining Untuk Memprediksi Penyakit Tuberculosis (TB): Studi Kasus Puskesmas Karawang Sukabumi. Seminar Nasional Inovasi dan Tren (SNIT) , (hal. 1-8). Sukabumi.
Sugiyono. (2013). Metode Penelitian Kuantitatif Kualitatif dan R&D. Bandung: Alfabeta.
Sofie, M., & Rizal, A. (2016). KLASIFIKASI CITRA REKAMAN SINYAL ELEKTROKARDIOGRAM MENGGUNAKAN METODE ANALISIS TEKSTUR, K-NN DAN MULTILAYER PERCEPTRON. Jurnal SIMETRIS, Vol 7 No 1.
Syifa, R. A., Adi, K., & Widodo, C. E. (2016). ANALISIS TEKSTUR CITRA MIKROSKOPIS KANKER PARU MENGGUNAKAN METODE GRAY LEVEL CO-OCCURANCE MATRIX (GLCM) DAN TRANFORMASI WAVELET DENGAN KLASIFIKASI NAIVE BAYES. Youngster Physics Journal, Vol. 5, No. 4, Hal. 457-462.
Vijayarani, D., & Priyatharsini, S. (2015). Facial Feature Extraction Based On FPD and GLCM Algorithms. IJIRCCE, Vol. 3, Issue 3.
Wahyuningsih, D., & Patima, E. (2018, Februari). Penerapan Naive Bayes Untuk Penerimaan Beasiswa. Jurnal Telematika, Vol. 11 No. 1(ISSN : 1979 – 925X & e-ISSN : 2442 - 4528), 135-147.
Zhong, W., Chen, J., Tian, B., & Xie , Y. (2013). The Research of Color Sorting Algorithm Based on Gray Level Co - Occurrence Matrix.
DOI: https://doi.org/10.32520/stmsi.v10i2.1305
Article Metrics
Abstract view : 641 timesPDF - 354 times
Refbacks
- There are currently no refbacks.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.