WIXLIB

MACHINE LEARNING PENGENALAN CITRA DIGITALDIGITAL IMAGE RECOGNITION MACHINE LEARNINGAndi Lukman1, Syafaruddin2, Merna Baharuddin21Program Studi Teknik Informatika, Sekolah Tinggi Multimedia dan InformatikaNusa Palapa2Jurusan Teknik Elektro, Fakultas Teknik, Universitas HasanuddinAlamat Korespondensi :Andi LukmanProgram Studi Teknik InformatikaSekolah Tinggi Multimedia dan Informatika (STIMED) Nusa PalapaMakassar, Sulawesi Selatan.HP : 08124255094Email : uke@stimednp.ac.id

ABSTRAKAplikasi pengenalan citra yang telah ada hanya dapat digunakan untuk kebutuhan khusus objek penelitianpengenalan citra tertentu. Penelitian ini bertujuan membangun aplikasi machine learning sebagai alat bantu bagipengguna untuk mendapatkan algoritma klasifikasi terbaik dalam mengenali citra digital. Metode penelitian inimemanfaatkan data set citra wajah Caltech 101 yang diambil dari Computational vision Institut TeknologiCalifornia. Algoritma yang digunakan adalah algoritma klasifikasi Machine Learning WEKA yaitu: SupportVector Machine, K-Nearest Neighbor, Naïve Bayes, C4.5 Decision Tree, Logistic Regression dan RandomForest. Aplikasi dibangun menggunakan bahasa pemrograman java dimana untuk sisi client menggunakanGoogle Web Toolkit dan sisi server menggunakan Java Servlet. Modul/fungsi aplikasi diuji menggunakanpengujian black box. Persentasi keberhasilan pengenalan citra digital dihitung dengan membandingkan jumlahcitra dikenali dengan total jumlah citra yang diberikan. Hasil penelitian memperlihatkan bahwa untukmembangun aplikasi, data set citra terlebih dahulu melalui proses filterisasi berupa normalisasi 64X64 pixel danbag of words 16 bagian. Kemudian data set dikonversi ke bentuk ARFF agar dapat dilakukan proses pelatihandan pengujian algoritma. Pengujian black box memperlihatkan setiap modul/fungsi aplikasi dapat berjalan sesuaikeinginan. Hasil pengujian persentasi keberhasilan pengenalan citra memperlihatkan Logistic Regressionmendapatkan persentase keberhasilan tertinggi yaitu 95%, 90% untuk kelas ya dan 100% untuk kelas bukandalam mengenali wajah. Penelitian ini dapat disimpulkan bahwa aplikasi machine learning pengenalan citradigital sukses dibangun dan dapat digunakan oleh pengguna untuk mendapatkan algoritma klasifikasi terbaikdalam mengenali citra digital.Kata Kunci : Machine Learning, Pengenalan, Citra Digital, KlasifikasiABSTRACTImage recognition applications that already exist can only be used for specific needs particular research objectimage recognition. This study aims to build a machine learning applications as a tool for users to get the bestclassification algorithm to recognize digital images. This research method utilizing face image data sets takenfrom the Caltech 101 Computational Vision California Institute of Technology. The algorithm used is WEKAMachine Learning classification algorithms, namely: Support Vector Machine, K-Nearest Neighbor, NaïveBayes, C4.5 Decision Tree, Logistic Regression and Random Forest. Applications built using the Javaprogramming language, client side using Google Web Toolkit and server side using Java Servlet. Modules /applications function was tested using black box testing. Percentage of the successful recognition of the digitalimage is calculated by comparing the total number of images identified by the image of a given number. Theresults showed that for building applications, data sets of image filtering first through a normalization process of64x64 pixels and 16 piece bag of words. Then the data set is converted into ARFF form that can be use intraining and testing algorithms. Black box testing shows each module / function applications can run as desired.Percentage of successful recognize image test results shows that Logistic Regression algorithm get the highestpercentage of success is 95%, 90% for class yes and 100% for classes no in recognizing faces. It can beconcluded that the application of digital image recognition machine learning has built successfully and can beused by users to get the best classification algorithm in recognizing digital image.Key Words: Machine Learning, Recognition, Digital Image, Classification

PENDAHULUANPengenalan citra digital merupakan salah satu tema penelitian computer visionkhususnya pattern recognition dan machine learning. Penelitian pengenalan citra sangatbermanfaat untuk kebutuhan klasifikasi objek di berbagai bidang, seperti: kedokteran,kelautan dan bisnis. Penelitian-penelitian sebelumnya membuat aplikasi khusus untukmengenal citra digital tertentu menggunakan algoritma machine learning tertentu dengannilai-nilai parameter optimal sesuai hasil penelitannya. Aplikasi tersebut hanya efektifdigunakan untuk citra yang telah diteliti sebagai objek penelitiannya, sehingga setiap peneliticitra harus membangun aplikasi baru untuk objek penelitian baru. Hal ini membutuhkankeahlian dalam pemrograman, sementara para peneliti citra berasal dari berbagai bidang ilmuyang tidak semuanya programmer.Dengan adanya permasalah tersebut, kami menganggap perlu melakukan penelitianberjudul “Machine Learning Pengenalan Citra Digital”. Hasil penelitian ini diharapkan dapatmembantu para peneliti pengenalan citra tanpa harus membangun sendiri aplikasi setiapmelakukan penelitian dengan fleksibilitas dalam memilih algoritma dan dapat digunakanuntuk berbagai objek citra digital.Beberapa penelitian yang telah dilakukan menjadi ide dasar dalam penelitan ini.Implementasi Pengolahan Citra dan Algoritma LVQ untuk Pengenalan Pola Buku. Penelitianini menggunakan Algoritma Learning Vector Quantization (LVQ) untuk klasifikasi bukusesuai sampulnya. Sebelum diolah menggunakan LVQ, citra terlebih dahulu dinormalisasidan dikonversi menjadi citra biner (Lukman, 2012). Breast Tissue Classification Using GaborFilter, PCA and Support Vector Machine. Penelitian ini menggunakan algoritma SupportVector Machine (SVM) untuk klasifikasi citra mamografi dalam mengenali kanker payudara.Sebelum diklasifikasi, Citra terlebih dahulu melalui proses normalisasi, ekstraksi fiturmenggunakan filter gabor dan reduksi dimensi citra menggunakan PCA (Hajare dkk., 2012).Using the K-Nearest Neighbor Algorithm for the Classification of Lymph Node Metastasis inGastric Cancer. Citra terlebih dahulu melalui proses seleksi fitur untuk mereduksi dimesinya,kemudian digunakan K-Nearest Neighbor (KNN) untuk klasifikasi. Penelitian inimembuktikan kelayakan dan efektivitas dari metode machine learning untuk diagnosakelenjar getah bening metastatis pada kanker lambung menggunakan data GSI (Li dkk.,2012). Comparing Image Classification Methods:K-Nearest-Neighbor and Support-Vector-Machines. Penelitian ini mencoba membandingkan kemampuan klasifikasi citra metode KNNdan SVM menggunakan model Bag of Word (BoW). Dengan menggunakan model BoW,SVM lebih unggul dari KNN (Kim dkk., 2012). Analisis Komparasi Algoritma Klasifikasi

Data Mining Untuk Prediksi Mahasiswa Non Aktif. Penelitian ini membandingkan 4algoritma data mainingyaitu logistic regression, decision tree, naïve bayes dan neuralnetwork untuk mendapatkan algoritma yang paling akurat dalam memprediksi mahasiswanon-aktif pada perguruan tinggi. Data set yang digunakan sebanyak 3861 mahasiswaUniversitas Dian Nuswantoro terdiri dari data demografi dan akademik (Hastuti, 2012).Seleksi Fitur Menggunakan Random Forest Dan Neural Network. Penelitian inimenggabungkan algoritma Random Forest dan Neural Network untuk kebutuhan klasifikasi,agar data set yang mempunyai banyak fitur. Percobaan menggunakan seleksi fitur denganmenggunakan data set iris, lung cancer dan semeion handwriting digital (Saputra dkk., 2011).Analysis of Machine Learning Algorithms using WEKA. Penelitian ini mengimplementasikanaplikasi WEKA untuk klasifikasi dan membandingkan performa waktu learning dan ketepatanklasifikasi beberapa Algoritma Machine Learning (Desai dkk., 2012).Penelitian ini bertujuan membangun aplikasi pengenalan citra digital menggunakanalgoritma machine learning untuk kebutuhan klasifikasi citra digital sebagai alat bantu bagipengguna dalam mendapatkan algoritma klasifikasi terbaik dalam mengenali citra digital.BAHAN DAN METODELokasi dan Rancangan PenelitianPenelitian ini dilakukan di Laboratorium Komputer Jurusan Teknik Elektro FakultasTeknik Universitas Hasanuddin Makassar. Lokasi ini dipilih karena penelitian menggunakankoneksi internet, perangkat lunak dan perangkat keras yang dapat di peroleh dari sebuahlaboratorium komputer.Dalam penelitian ini, aplikasi Machine Learning Pengenalan Citra Digitalmenggunakan algoritma-algoritma Machine learning WEKA. Untuk menjelaskan rancanganaplikasi secara umum, digunakan diagram uses case seperti pada gambar 1. Diagram use casemenunjukkan hubungan antara use case dan aktor-aktor maupun use case dan use case lainnyadalam sebuah sistem. Setiap use case menunjukkan fungsi yang dilakukan oleh sistem.Sedangkan aktor mewakili pihak-pihak yang berinteraksi dengan sistem.Terdapat 3 aktor yang berinteraksi dengan sistem yaitu peneliti citra, google appengine (GAE) dan Machine Learning WEKA. Peneliti citra merupakan orang yangmenggunakan sistem. GAE merupakan mesin tempat mengerjakan setiap fungsi pada sistem(Sanderson, 2013). Machine Learning WEKA merupakan sebuah library java yangmenyediakan algoritma-algoritma Machine Learning yang dibutuhkan oleh sistem (Wittendkk., 2011).

Garis kotak putus-putus menandakan batasan sistem yang dibangun, terlihat padagambar 1, setiap aktor berada di luar sistem yang dibangun. Use case – use case algoritmaMachine Learning juga berada di luar sistem yang dibangun karena mereka berasal darilibrary Machine Learning WEKA yang digunakan oleh sistem. Use case – use case yangberada di dalam yang merupakan fungsi-fungsi sistem yang dibangun dalam penelitian ini.Instrumen PenelitianPenelitian ini menggunakan instrumen meliputi seperangkat komputer berbasis core i3yang kompatibel dengan perangkat lunak yang digunakan. Pemilihan perangkat keras tersebutberdasarkan kebutuhan processor minimum agar dalam membangun aplikasi, peneliti tidakterhambat oleh masalah akses yang lambat. Perangkat lunak yang digunakan yaitu : Java 2SDK, Eclipse for Java EE Developer, Google Plugin for Eclipse, Google App Engine SDK,Google Web Toolkit dan Web Browser. Alasan pemilihan perangkat lunak disebabkan karenaaplikasi yang dibangun berbasis software as a service google app engine yang membutuhkanperangkat lunak tersebut.Teknik Pengumpulan DataTeknik pengumpulan data yang digunakan adalah teknik kepustakaan dengan mencaribahan-bahan yang berkaitan dengan materi penelitian, baik dari buku, jurnal dan internet.Data citra yang digunakan untuk data set pelatihan, pengujian dan pengenalan citra adalahcitra wajah pada direktori faces easy Caltech 101 yaitu kumpulan objek citra digital wajahmanusia baik laki-laki maupun perempuan bertipe PNG berasal dari computational age Datasets/Caltech101/.Pengujian SistemKesuksesan Modul atau fungsi dari aplikasi sebagai indikator output akan diujimenggunakan metode pengujian black box sehingga dapat diketahui apakah aplikasi suksesberjalan sesuai yang diharapkan. Modul-modul yang akan diuji tersebut yaitu: proses login,memasukkan/unggah data citra untuk pelatihan dan pengujian, proses normalisasi dan Bag ofWords citra digital, penyimpanan data set latih dan uji, menampilkan data set latih dan uji,memasukkan pengaturan data set latih dan uji, proses konversi data set menjadi format ARFF,proses pelatihan dan pengujian algoritma-algoritma machine learning yang digunakan,menampilkan hasil pelatihan dan pengujian, memasukkan/unggah data citra yang akandikenali dan proses pengenalan citra digital sesuai hasil pelatihanIndikator ouput lainnya adalah persentasi keberhasilan aplikasi dalam mengenali citradigital sesuai data set pelatihan dan pengujian yang diberikan. Untuk menghitung persentasi