Pengenalan Citra Bunga Menggunakan Segmentasi Otsu Treshold dan Naïve Bayes
Article Sidebar
Main Article Content
Abstract
Bunga merupakan salah satu bagian tumbuhan yang mempunyai warna mencolok dibanding batang kayu dan daun. Bunga merupakan salah satu fitur penting dalam proses pengenalan objek. Proses pengenalan objek pada segmentasi digital sangat penting untuk memisahkan antara background dan foreground dari sebuah citra. Hal ini bertujuan untuk mendapatkan fitur-fitur yang dibutuhkan. Citra bunga pada penelitian ini memiliki kompleksitas gambar cukup sulit karena ada daun dan batang pohon di sekeliling gambar bunga tersebut. Oleh Karena itu, dalam penelitian ini segmentasi yang diusulkan menggunakan Otsu Treshold sebagai metode untuk memisahkan foreground dan background. Proses segmentasi sangat menentukan untuk mendapatkan fitur bentuk berupa area, eccentricity, dan perimeter. Hasil kalkulasi dari fitur-fitur tersebut akan diklasifikasi menggunakan algoritma Naïve Bayes dengan menggunakan 120 citra bunga dari dataset 17 flower. Dataset tersebut akan dibagi menjadi data tes dan data training, dan menggunakan cross validasi (k=10). Hasil dari klasifikasi menggunakan Naïve Bayes mendapatkan tingkat akurasi yang lebih tinggi sebesar 99.168% dengan relative absolute error sebesar 8.0937% dibandingkan dengan penelitian sebelumnya sebesar 83.83%.
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Jurnal Sistem dan Informatika (JSI) bersifat open access, yaitu dapat diakses secara umum tanpa dikenakan biaya. Penulis yang menerbitkan artikelnya di JSI setuju dengan ketentuan berikut:- JSI menggunakan perjanjian lisensi ekslusif, yaitu penulis memegang hak cipta atas artikel dan memberikan hak publikasi kepada Jurnal Sistem dan Informatika (JSI).
- JSI mempunyai hak ekslusif untuk mempublikasi dan mendistribusikan artikel secara sebagian atau keseluruhan, dan memberikan hak kepada orang lain sesuai dengan lisensi yang digunakan.
- JSI berhak untuk menyediakan artikel dalam berbagai bentuk dan media, sehingga artikel dapat digunakan untuk teknologi terbaru bahkan setelah dipublikasikan.
- JSI berhak untuk menegakkan hak-hak atas nama penulis pada artikel terhadap pihak ketiga. Misalnya dalam kasus plagiarisme atau pelanggaran hak cipta.
- Artikel harus dirujuk, link terhadap lisensi harus disediakan, dan jika terdapat bagian artikel yang diubah harus ditandai.
- Jika artikel disadur sehingga terdapat perubahan, hasil saduran harus didistribusikan menggunakan lisensi yang sama.
- Tidak diperkenankan untuk membatasi orang lain terhadap apa yang diperbolehkan oleh lisensi.
References
D. H. Apriyanti, A. M. Arymurthy, and L. T. Handoko, “Identification of orchid species using content-based flower image retrieval,†Proceeding-2013 Int. Conf. Comput. Control. Informatics Its Appl. “Recent Challenges Comput. Control Informaticsâ€, IC3INA 2013, no. March 2015, pp. 53–57, 2013.
F. Tanoto, E. Wibowo, F. Lutan, and A. Dharma, “Pengenalan Plat Kendaraan Bermotor Dengan Menggunakan,†J. MATRIK, vol. 19, no. 1, pp. 27–36, 2019.
F. Ugm, “Klasifikasi Varietas Cabai Berdasarkan Morfologi Daun Menggunakan Backpropagation Neural Network,†vol. 10, no. 2, pp. 161–172, 2016.
S. Bertrand, R. Ben Ameur, G. Cerutti, D. Coquin, L. Valet, and L. Tougne, “Bark and leaf fusion systems to improve automatic tree species recognition,†Ecol. Inform., vol. 46, no. 2017, pp. 57–73, 2018.
D. S. Guru, Y. H. Sharath Kumar, and S. Manjunath, “Textural features in flower classification,†Math. Comput. Model., vol. 54, no. 3–4, pp. 1030–1036, 2011.
S. Inthiyaz, B. T. P. Madhav, and P. V. V. Kishore, “Flower image segmentation with PCA fused colored covariance and gabor texture features based level sets,†Ain Shams Eng. J., vol. 9, no. 4, pp. 3277–3291, 2018.
P. Rosyani, M. Taufik, A. A. Waskita, and D. H. Apriyanti, “Comparison of color model for flower recognition,†2018 3rd Int. Conf. Inf. Technol. Inf. Syst. Electr. Eng., pp. 10–14, 2019.
F. Muwardi and A. Fadlil, “Sistem Pengenalan Bunga Berbasis Pengolahan Citra dan Pengklasifikasi Jarak,†J. Ilm. Tek. Elektro Komput. dan Inform., vol. 3, no. 2, p. 124, 2018.
I. R. G. A. Sugiartha, M. Sudarma, and I. M. O. Widyantara, “Ekstraksi Fitur Warna , Tekstur dan Bentuk untuk Clustered-Based Retrieval of Images ( CLUE ),†Teknol. Elektro, vol. 16, no. 1, pp. 85–90, 2017.
E. B. Putranto, P. A. Situmorang, and A. S. Girsang, “Face recognition using eigenface with naive Bayes,†Proc.-11th 2016 Int. Conf. Knowledge, Inf. Creat. Support Syst. KICSS 2016, no. 4, pp. 9–12, 2017.
M. A. Maricar and Dian Pramana, “Perbandingan Akurasi Naïve Bayes dan K-Nearest Neighbor pada Klasifikasi untuk Meramalkan Status Pekerjaan Alumni ITB STIKOM Bali,†J. Sist. dan Inform., vol. 14, no. 1, pp. 16–22, 2019.
S. K. Bhakre and A. Bang, “Emotion recognition on the basis of audio signal using Naive Bayes classifier,†2016 Int. Conf. Adv. Comput. Commun. Informatics, ICACCI 2016, pp. 2363–2367, 2016.
A. B. Mabrouk, A. Najjar, and E. Zagrouba, “Image flower recognition based on a new method for color feature extraction,†VISAPP 2014-Proc. 9th Int. Conf. Comput. Vis. Theory Appl., vol. 2, 2014.
N. Ben Amor, S. Benferhat, and Z. Elouedi, “Naive Bayes vs decision trees in intrusion detection systems,†Proc. ACM Symp. Appl. Comput., vol. 1, pp. 420–424, 2004.
A. Kelemen, H. Zhou, P. Lawhead, and Y. Liang, “Naive Bayesian Classifier for Microarray Data,†Proc. Int. Jt. Conf. Neural Networks, vol. 3, pp. 1769–1773, 2003.
