Nama
: Ifan Efendi
NPM
: 1B117043
Kelas
: 4KA43
Soal
VCLASS :
Jelaskan algoritma Classification lainnya , yaitu : decision tree, adaptive naive bayes, logistic regression
dan support vector machine. Bagaimana penerapannya dalam kasus.
1. Algoritma Classification decision tree :
Secara
konsep Decision tree adalah salah satu dari teknik decision analysis.Tries
sendiri pertama kali diperkenalkan pada tahun 1960-an oleh Fredkin. Trie atau
digital tree berasal dari kata retrival (pengambilan kembali) sesuai dengan fungsinya.
Secara etimologi kata ini diucapkan sebagai ‘tree’. Meskipun mirip dengan
penggunaan kata ‘try’ tetapi hal ini bertujuan untuk membedakannya dari general
tree. Dalam ilmu komputer, trie, atau prefix tree adalah sebuah struktur data
dengan representasi ordered tree yang digunakan untuk menyimpan associative
array yang berupa string. Berbeda dengan binary search tree (BST) yang tidak
ada node di tree yang menyimpan elemen yang berhubungan dengan node sebelumnya
dan, posisi setiap elemen di tree sangat menentukan. Semua keturunan dari suatu
node mempunyai prefix string yang mengandung elemen dari node itu, dengan root
merupakan string kosong. Values biasanya tidak terkandung di setiap node, hanya
di daun dan beberapa node di tengah yang cocok dengan elemen tertentu.
Secara
singkat bahwa Decision Tree merupakan salah satu metode klasifikasi pada Text
Mining. Klasifikasi adalah proses menemukan kumpulan pola atau fungsi-fungsi
yang mendeskripsikan dan memisahkan kelas data satu dengan lainnya, untuk dapat
digunakan untuk memprediksi data yang belum memiliki kelas data tertentu
(Jianwei Han, 2001).
Decision
Tree adalah sebuah struktur pohon, dimana setiap node pohon merepresentasikan
atribut yang telah diuji, setiap cabang merupakan suatu pembagian hasil uji,
dan node daun (leaf) merepresentasikan kelompok kelas tertentu. Level node
teratas dari sebuah Decision Tree adalah node akar (root) yang biasanya berupa
atribut yang paling memiliki pengaruh terbesar pada suatu kelas tertentu. Pada
umumnya Decision Tree melakukan strategi pencarian secara top-down untuk
solusinya. Pada proses mengklasifikasi data yang tidak diketahui, nilai atribut
akan diuji dengan cara melacak jalur dari node akar (root) sampai node akhir
(daun) dan kemudian akan diprediksi kelas yang dimiliki oleh suatu data baru
tertentu.
Decision Tree menggunakan algoritma
ID3 atau C4.5, yang diperkenalkan dan dikembangkan pertama kali oleh Quinlan
yang merupakan singkatan dari Iterative Dichotomiser 3 atau Induction of
Decision “3″ (baca: Tree).
Algoritma
ID3 membentuk pohon keputusan dengan metode divide-and-conquer data secara
rekursif dari atas ke bawah. Strategi pembentukan Decision Tree dengan
algoritma ID3 adalah:
• Pohon dimulai sebagai node tunggal (akar/root) yang merepresentasikan semua data..
• Sesudah node root dibentuk, maka data pada node akar akan diukur dengan information gain untuk dipilih atribut mana yang akan dijadikan atribut pembaginya.
• Sebuah cabang dibentuk dari atribut yang dipilih menjadi pembagi dan data akan didistribusikan ke dalam cabang masing-masing.
• Algoritma ini akan terus menggunakan proses yang sama atau bersifat rekursif untuk dapat membentuk sebuah Decision Tree. Ketika sebuah atribut telah dipilih menjadi node pembagi atau cabang, maka atribut tersebut tidak diikutkan lagi dalam penghitungan nilai information gain.
• Proses pembagian rekursif akan berhenti jika salah satu dari kondisi dibawah ini terpenuhi :
1. Semua data dari anak cabang telah termasuk dalam kelas yang sama.
2. Semua atribut telah dipakai, tetapi masih tersisa data dalam kelas yang berbeda. Dalam kasus ini, diambil data yang mewakili kelas yang terbanyak untuk menjadi label kelas pada node daun.
3. Tidak terdapat data pada anak cabang yang baru. Dalam kasus ini, node daun akan dipilih pada cabang sebelumnya dan diambil data yang mewakili kelas terbanyak untuk dijadikan label kelas.
• Pohon dimulai sebagai node tunggal (akar/root) yang merepresentasikan semua data..
• Sesudah node root dibentuk, maka data pada node akar akan diukur dengan information gain untuk dipilih atribut mana yang akan dijadikan atribut pembaginya.
• Sebuah cabang dibentuk dari atribut yang dipilih menjadi pembagi dan data akan didistribusikan ke dalam cabang masing-masing.
• Algoritma ini akan terus menggunakan proses yang sama atau bersifat rekursif untuk dapat membentuk sebuah Decision Tree. Ketika sebuah atribut telah dipilih menjadi node pembagi atau cabang, maka atribut tersebut tidak diikutkan lagi dalam penghitungan nilai information gain.
• Proses pembagian rekursif akan berhenti jika salah satu dari kondisi dibawah ini terpenuhi :
1. Semua data dari anak cabang telah termasuk dalam kelas yang sama.
2. Semua atribut telah dipakai, tetapi masih tersisa data dalam kelas yang berbeda. Dalam kasus ini, diambil data yang mewakili kelas yang terbanyak untuk menjadi label kelas pada node daun.
3. Tidak terdapat data pada anak cabang yang baru. Dalam kasus ini, node daun akan dipilih pada cabang sebelumnya dan diambil data yang mewakili kelas terbanyak untuk dijadikan label kelas.
Beberapa contoh
pemakaian Decision Tree dalam kasus, yaitu :
• Diagnosa penyakit tertentu, seperti hipertensi, kanker, stroke dan lain-lain
• Pemilihan produk seperti rumah, kendaraan, komputerdanlain-lain
• Pemilihan pegawai teladan sesuai dengan kriteria tertentu
• Deteksi gangguan pada computer atau jaringan computer seperti Deteksi Entrusi, deteksi virus (Trojan dan varians),dan lain-lain
• Diagnosa penyakit tertentu, seperti hipertensi, kanker, stroke dan lain-lain
• Pemilihan produk seperti rumah, kendaraan, komputerdanlain-lain
• Pemilihan pegawai teladan sesuai dengan kriteria tertentu
• Deteksi gangguan pada computer atau jaringan computer seperti Deteksi Entrusi, deteksi virus (Trojan dan varians),dan lain-lain
2. Adaptive naive bayes :
Bayesian
Classification didasarkan
pada Teorema Bayesian. Konsep dasar teori bayes itu pada dasarnya adalah
peluang bersyarat P(H∣X).
Dimana dalam Bayesian H adalah posterior dan X adalah prior. Prior adalah
pengetahuan kita tentang karakteristik suatu parameter (bisa dibaca sebagai
pengalaman di masa lalu atas suatu parameter atau juga bisa berdasarkan teori),
sedangkan posterior adalah karakteristik yang akan kita duga pada kejadian yang
akan datang.
Teorema
Bayesian berguna untuk melakukan kalkulasi probabilitas posterior, P(H|X), dari
P(H), P(X) dan P(X|H). Teori Bayes adalah sebagai berikut : P(H|X)
=P(X|H)P(H) P(X)
Proses classification biasanya
dibagi menjadi dua fase : learning dan test. Pada
fase learning, sebagian data yang telah diketahui kelas datanya diumpankan
untuk membentuk model perkiraan. Kemudian pada fase test model yang sudah
terbentuk diuji dengan sebagian data lainnya untuk mengetahui akurasi dari
model tersebut. Bila akurasinya mencukupi model ini dapat dipakai untuk
prediksi kelas data yang belum diketahui.
3. Logistic regression :
Regresi
logistik merupakan alternative uji jika asumsi multivariate normal distribution
pada variabel bebasnya tidak bisa terpenuhi ketika akan dilakukan analisis
diskriminan. Tidak terpenuhinya asumsi ini dikarenakan variabel bebas merupakan
campuran antara variabel kontinyu (metric) dan kategorial (non metric).
Misalnya, probabilitas bahwa orang yang menderita serangan jantung pada waktu
tertentu dapat diprediksi dari informasi usia, kebiasaan merokok, jenis
kelamin, dan lainnya.
CONTOH
KASUS Logistic Regression
Seorang
dokter ingin mengetahui probabilitas seorang pasien terkena penyakit jantung
berdasarkan rutinitas kebiasaan merokok dan usia Data dikumpulkan dari catatan medis sebanyak 30 orang pasien yang
melakukan pemeriksaan kesehatan di RS ABC
Menilai Model Fit
Untuk menilai model fit dapat
diperhatikan nilai statistik -2LogL yaitu tanpa mengikutsertakan variabel hanya
berupa konstanta yaitu sebesar 41.589. Ketika dimasukkan 2 variabel baru maka
prediksi nilai -2LogL sebesar 16.750. Artinya terdapat penurunan sebesar 41.589
– 16.750 = 24.839.
Untuk -2LogL pertama diperoleh nilai
41.589 dengan df1 = 30-1 = 29. Nilai ini signifikan pada alpha 5% yang berarti
Ho ditolak, artinya model tidak fit.
nilai -2LogL kedua adalah sebesar
16.750 dengan df2 = 30-3 = 27 adalah tidak signifikan pada alpha 5%. (Nilai
statistik -2LogL di atas dibandingkan dengan nilai statistik distribusi x^2.),
artinya model fit dengan data.
Statistik -LogL dapat digunakan untuk
menentukan apakah jika variabel bebas dimasukkan dalam model dapat secara
signifikan mempengaruhi model. dengan selisih 24.839 dan df(df1-df2=29-27=2)
maka menunjukkan angka ini signifikan pada alpha 5%. Hal ini berarti Ho ditolak
dan Model fit dengan data.
Cox n Snell’s R Square adalah ukuran
pengaruh bersama yaitu sebesar 0.563 dan nilai Nagelkerke R Square adalah
sebesar 0.751. dengan demikian dapat disimpulkan bahwa kemampuan variabel bebas
menjelaskan model adalah sebesar 75.10%.
Selanjutnya, Hosmer and Lemeshow’s GoF
dilakukan untuk menguji hipotesis. Jika sig < 0.05 maka Ho ditolak yang
berarti ada perbedaan signifikan antara model dengan nilai observasinya. Jika
sig > 0.05 maka Ho diterima, artinya tidak ada perbedaan antara model dan
nilai observasinya.
statistik Hosmer and Lemeshow’s GoF
diperoleh sebesar 0.594 (> 0.05) sehingga dapat dinyatakan bahwa model fit
dengan data. Hosmer and Lemeshow’s GoF juga menghasilkan nilai 6.475 dengan
probabilitas sebesar 0,594 sehingga dapat disimpulkan bahwa model fit dengan
data
Estimasi Parameter dan Interprestasi
Estimasi Maximum Likehood parameter
model dapat dilihat dari output pada tabel Variables in the Equation. Logistic
Regression kemudian dapat dinyatakan :
Ln P/1-P = -11.506 + 5.348 Rokok +
.210 Usia.
Variabel bebas kebiasaan merokok
signifikan dengan probabilitas sebesar 0.004 (< 0.05) dan variabel usia juga
signifikan dengan probabilitas 0.032. dengan memperhatikan persamaan ini maka
dapat diinterprestasikan sbb :
Log of Odds seseorang terkena secara
positif berhubungan dengan rokok. Probabilitas atau Odds seorang terkena
penyakit jantung jika ia perokok adalah sebesar 5.348. artinya seorang perokok
memiliki kemungkinan terkena serangan jantung 5.35 kali lebih besar dibanding
yang tidak merokok.
Jika variabel rokok dianggap konstan,
maka probabilitas seseorang terkena serangan jantung adalah sebesar 0.210 pada
setiap kenaikan satu tahun usia.
Jika Rokok dianggap konstan, maka
seseorang memiliki odds terkena penyakit jantung adalah sebesar 1.233 untuk
setiap penambahan usia. Sementara jika usia bernilai konstan maka odds seorang
terkena penyakit jantung adalah sebesar 210.286 untuk perokok dibandingkan
dengan yang tidak merokok. Hasil overall clasification rate adalah sebesar
90.0% pada cutoff 50%
Kesimpulan
- Pertama. Variabel rokok dan usia memiliki hubungan positif dengan odds penyakit jantung
- Kedua. Jika usia bernilai konstan, maka seorang perokok memiliki odds terkena penyakit jantung sebesar 5.384 kali lebih besar dibanding yang tidak merokok
- Ketiga. Jika rokok bernilai konstan, maka odds seorang terkena penyakit jantung adalah sebesar 0.210 pada setiap penambahan usia.
4. Algoritma Support
Vector Machine :
Support
Vector Machine (SVM) adalah suatu teknik untuk melakukan prediksi, baik dalam
kasus klasifikasi maupun regresi (Santosa, 2007). SVM memiliki prinsip dasar
linier classifier yaitu kasus klasifikasi yang secara linier dapat dipisahkan,
namun SVM telah dikembangkan agar dapat bekerja pada problem non-linier dengan
memasukkan konsep kernel pada ruang kerja berdimensi tinggi. Pada ruang
berdimensi tinggi, akan dicari hyperplane (hyperplane) yang dapat memaksimalkan
jarak (margin) antara kelas data. Menurut Santosa (2007) hyperplane klasifikasi
linier SVM dinotasikan :

dengan, Xi = himpunan data training, i = 1,2,...n dan yi = label kelas
dari Xi
Untuk mendapatkan hyperplane terbaik adalah dengan mencari hyperplane yang
terletak di tengah-tengah antara dua bidang pembatas kelas dan untuk
mendapatkan hyperplane terbaik itu, sama
dengan memaksimalkan margin atau jarak antara dua set objek dari kelas yang
berbeda (Santosa, 2007). Margin dapat dihitung dengan
.
Yoshida Rin
April 07, 2018
New Google SEO
Bandung, Indonesia5 Kelebihan :
1. Bisa melakukan nstalasi sistem operasi pada laptop/pc
2. Bisa membuat sebuah desain 3D menggunakan software blender
3. Bisa membuat aplikasi Augmented Reality berbasis Android
4. Sopan, baik, disiplin dan dapat menyelesaikan tugas/suatu hal dengan tepat waktu
5. Dapat membuat sebuah website sederhana
5 Kekurangan :
1. Saya lemah dalam perhitungan matematik, aljabar maupun bahasa pemrograman
2. Saya kurang suka membaca dan lebih suka mempelajari suatu hal dengan cara menonton/mendengarkan
3. Saya tidak mampu mempelajari sesuatu dengan singkat/cepat (butuh proses)
4. Saya kurang bisa bekerja dengan tim
5. Saya kurang mampu berbicara di depan publik Yoshida Rin April 03, 2018 New Google SEO Bandung, Indonesia
|
IJCCS, Vol.11, No.1, January 2017,
pp. 99~108
|
|
ISSN: 1978-1520
Klasifikasi Belimbing Menggunakan Naïve Bayes
Berdasarkan Fitur Warna RGB
Fuzy Yustika Manik1, Kana Saputra Saragih*2
1Manajemen Informatika, STMIK
Kaputama, Binjai
2Fakultas Ilmu Komputer,
Universitas Pembangunan Panca Budi, Medan
Abstrak
Permasalahan pasca panen pada buah belimbing yang diproduksi secara
skala besar atau industri adalah penyortiran. Saat ini buah belimbing
diklasifikasikan berdasarkan analisa warna kulit buah secara visual mata
manusia. Metode ini tidak efektif dan efisien. Penelitian ini bertujuan untuk
mengklasifikasikan buah belimbing berdasarkan tingkat kemanisan menggunakan
teknik pemrosesan citra. Ekstraksi fitur yang digunakan adalah nilai Red,
Green, dan Blue (RGB) untuk mendapatkan ciri pada citra warna. Kemudian hasil
ekstraksi fitur tersebut digunakan untuk mengklasifikasikan buah belimbing
dengan metode Naïve Bayes. Data citra belimbing yang digunakan berjumlah 120
yang terdiri dari data latih berjumlah 90 dan data uji berjumlah 30. Hasil
klasifikasi menunjukkan akurasi menggunakan ekstraksi ciri RGB sebesar 80%.
Penggunaan RGB sebagai ciri warna belum bisa digunakan sepenuhnya sebagai fitur
dari citra buah belimbing.
Kata
kunci—Belimbing,
Ekstraksi Ciri, Klasifikasi, Naive Bayes, RGB
Abstract
Post harvest issues on star fruit produced on a large scale or industry
is sorting. Currently, star fruits are classified by color analysis using human
eye. This method is not effective and inefficient. This research aims to
classify the starfruit sweetness level by using image processing techniques.
Features extraction used is the value of Red, Green and Blue (RGB) to obtain
the characteristics of the color image. Then the feature extraction results are
used to classify the star fruit with Naïve Bayes method. The starfruit image
data used are 120 images consisting of 90 training data and 30 testing data.
The results showed the classification accuracy using RGB feature extraction is
80%. The use of RGB as the color feature extraction can not be used entirely as
a feature of the image extraction of star fruit.
Keywords—
Starfruit,
Feature Extraction, Classification, Naive Bayes, RGB
1. PENDAHULUAN
Permasalahan produksi buah dalam skala besar adalah permasalahan pascapanen dalam hal penyortiran buah. Buah belimbing atau disebut juga starfruit digolongkan pada 3 kelas mutu buah belimbing yaitu kelas super, kelas A, dan kelas B. Salah satu cara pemilihan mutu buah adalah dengan memisahkan berdasarkan tingkat kemanisan. Selama ini buah diidentifikasi tingkat mutu rasa berdasarkan analisa warna kulit buah secara visual mata manusia yang memiliki keterbatasan. Proses identifikasi seperti ini memiliki beberapa kelemahan diantaranya yaitu membutuhkan tenaga lebih banyak untuk memilah, tingkat persepsi rasa buah yang berbeda, tingkat kekonsitenan manusia dalam hal menilai rasa buah tidak menjamin, karena manusia dapat mengalami kelelahan, sehingga dari fakta-fakta tersebut akan mempengaruhi waktu yang dibutuhkan dalam memilah dan mengidentifikasi tingkat kemanisan buah [1]. Untuk mengetahui tingkat kemanisan buah juga bisa dilakukan dengan melakukan pemeriksaan laboratorium kandungan Total Padat Terlarutnya (TPT). Akan tetapi analisis laboratorium ini akan menyebabkan buah yang diperiksa akan rusak. Oleh karena itu diperlukan teknik yang mampu memprediksi kemanisan buah belimbing tanpa merusaknya. Beberapa penelitian tentang teknik pemrosesan citra telah banyak diterapkan untuk melakukan pemutuan terhadap buah. Salah satu penelitian tentang pemutuan buah belimbing manis menggunakan Probabilistic Neural Networks (PNN) menghasilkan akurasi sebesar 90.86% [2]. Sedangkan penelitian lain menggunakan Jaringan Syaraf Tiruan (JST) Multi-layer Perceptron untuk sistem sortasi buah belimbing menghasilkan akurasi sebesar 90,5% [3]. Untuk penelitian menggunakan ekstraksi citra RGB dengan metode k-Nearest Neighbor (KNN) menghasilkan akurasi sebesar 83.33% [4]. Penerapan metode Naïve Bayes dan KNN sudah pernah dilakukan untuk mengklasifikasikan daun herbal. Hasilnya menunjukkan bahwa kinerja metode Naïve Bayes Classifier lebih baik dibandingkan metode KNN dengan nilai akurasi Naïve Bayes sebesar 75%, sedangkan nilai akurasi KNN sebesar 70,83% [5]. Metode Naïve bayes juga digunakan untuk mengklasifikasikan tebu pada Dinas Kehutanan dan Perkebunan Pati. Hasil presentase kinerja metode Naïve Bayes sebesar 73,3% [6]. Buah belimbing merupakan salah satu jenis tanaman hortikultura yang memiliki nilai ekonomis tinggi. Hal tersebut disebabkan karena buah belimbing tidak hanya digunakan sebagai bahan pangan yang dikonsumsi dalam bentuk segar, namun juga beraneka ragam bentuk olahan sampai dengan bahan obat alami atau herbal [7]. Belimbing manis (Averrhoa carambola L) termasuk 1 dari 60 komoditas tanaman buahbuahan binaan Direktorat Jenderal Hortikultura Departemen Pertanian RI [7]. Dalam ilmu taksonomi, belimbing manis termasuk dalam divisi Spermatophyta, subdivisi Angiospermae, kelas Dicotyledonae, bangsa Geraniales, dan suku Oxalidaceae. Buah yang dikenal dengan nama starfruit dan terdapat di banyak daerah di Indonesia ini mempunyai khasiat sebagai obat batuk, dan obat tekanan darah tinggi [8]. Panjang buah berkisar dari 4 hingga 13 cm dengan warna hijau untuk buah muda dan kuning kehijauan untuk yang sudah tua. Guna menjamin mutu dan meningkatkan daya saing produk, dilakukan penggolongan mutu terhadap belimbing manis. Sesuai dengan [8], dikenal 3 kelas mutu untuk belimbing manis, yakni: (1) kelas super, (2) kelas A, dan (3) kelas B. Hal ini penting agar produk belimbing yang dihasilkan dapat diterima konsumen sesuai segmennya. Oleh karena itu, salah satu penanganan pascapanen adalah melakukan sortasi buah sesuai mutu yang diinginkan. Berdasarkan deskripsi diatas maka dilakukan penelitian untuk mengklasifikasikan mutu rasa buah belimbing secara tepat dengan bantuan komputer, yaitu menggunakan metode pengolahan citra digital dengan melakukan Pengenalan Total Padat Terlarut (TPT) buah belimbing berdasarkan nilai RGB dan klasifikasi menggunakan algoritma Naïve Bayes. Proses pemisahan warna red (R), green (G), dan blue (B), untuk mengetahui unsur warna yang lebih dominan untuk masing - masing kelas belimbing. Karena mutu buah belimbing yang terlihat dari total padat terlarut (TPT) dapat diketahui dari warna dominan pada buah belimbing tersebut.
2. METODE PENELITIAN
Metode penelitian yang dilakukan meliputi pengumpulan data citra belimbing, ekstraksi fitur RGB, pembagian data dengan k-fold cross validation, model klasifikasi dengan Naive Bayes, dan evaluasi model dengan melihat hasil klasifikasi menggunakan confusion matrix. Tahapan penelitian dapat dilihat pada Gambar 1.
Permasalahan produksi buah dalam skala besar adalah permasalahan pascapanen dalam hal penyortiran buah. Buah belimbing atau disebut juga starfruit digolongkan pada 3 kelas mutu buah belimbing yaitu kelas super, kelas A, dan kelas B. Salah satu cara pemilihan mutu buah adalah dengan memisahkan berdasarkan tingkat kemanisan. Selama ini buah diidentifikasi tingkat mutu rasa berdasarkan analisa warna kulit buah secara visual mata manusia yang memiliki keterbatasan. Proses identifikasi seperti ini memiliki beberapa kelemahan diantaranya yaitu membutuhkan tenaga lebih banyak untuk memilah, tingkat persepsi rasa buah yang berbeda, tingkat kekonsitenan manusia dalam hal menilai rasa buah tidak menjamin, karena manusia dapat mengalami kelelahan, sehingga dari fakta-fakta tersebut akan mempengaruhi waktu yang dibutuhkan dalam memilah dan mengidentifikasi tingkat kemanisan buah [1]. Untuk mengetahui tingkat kemanisan buah juga bisa dilakukan dengan melakukan pemeriksaan laboratorium kandungan Total Padat Terlarutnya (TPT). Akan tetapi analisis laboratorium ini akan menyebabkan buah yang diperiksa akan rusak. Oleh karena itu diperlukan teknik yang mampu memprediksi kemanisan buah belimbing tanpa merusaknya. Beberapa penelitian tentang teknik pemrosesan citra telah banyak diterapkan untuk melakukan pemutuan terhadap buah. Salah satu penelitian tentang pemutuan buah belimbing manis menggunakan Probabilistic Neural Networks (PNN) menghasilkan akurasi sebesar 90.86% [2]. Sedangkan penelitian lain menggunakan Jaringan Syaraf Tiruan (JST) Multi-layer Perceptron untuk sistem sortasi buah belimbing menghasilkan akurasi sebesar 90,5% [3]. Untuk penelitian menggunakan ekstraksi citra RGB dengan metode k-Nearest Neighbor (KNN) menghasilkan akurasi sebesar 83.33% [4]. Penerapan metode Naïve Bayes dan KNN sudah pernah dilakukan untuk mengklasifikasikan daun herbal. Hasilnya menunjukkan bahwa kinerja metode Naïve Bayes Classifier lebih baik dibandingkan metode KNN dengan nilai akurasi Naïve Bayes sebesar 75%, sedangkan nilai akurasi KNN sebesar 70,83% [5]. Metode Naïve bayes juga digunakan untuk mengklasifikasikan tebu pada Dinas Kehutanan dan Perkebunan Pati. Hasil presentase kinerja metode Naïve Bayes sebesar 73,3% [6]. Buah belimbing merupakan salah satu jenis tanaman hortikultura yang memiliki nilai ekonomis tinggi. Hal tersebut disebabkan karena buah belimbing tidak hanya digunakan sebagai bahan pangan yang dikonsumsi dalam bentuk segar, namun juga beraneka ragam bentuk olahan sampai dengan bahan obat alami atau herbal [7]. Belimbing manis (Averrhoa carambola L) termasuk 1 dari 60 komoditas tanaman buahbuahan binaan Direktorat Jenderal Hortikultura Departemen Pertanian RI [7]. Dalam ilmu taksonomi, belimbing manis termasuk dalam divisi Spermatophyta, subdivisi Angiospermae, kelas Dicotyledonae, bangsa Geraniales, dan suku Oxalidaceae. Buah yang dikenal dengan nama starfruit dan terdapat di banyak daerah di Indonesia ini mempunyai khasiat sebagai obat batuk, dan obat tekanan darah tinggi [8]. Panjang buah berkisar dari 4 hingga 13 cm dengan warna hijau untuk buah muda dan kuning kehijauan untuk yang sudah tua. Guna menjamin mutu dan meningkatkan daya saing produk, dilakukan penggolongan mutu terhadap belimbing manis. Sesuai dengan [8], dikenal 3 kelas mutu untuk belimbing manis, yakni: (1) kelas super, (2) kelas A, dan (3) kelas B. Hal ini penting agar produk belimbing yang dihasilkan dapat diterima konsumen sesuai segmennya. Oleh karena itu, salah satu penanganan pascapanen adalah melakukan sortasi buah sesuai mutu yang diinginkan. Berdasarkan deskripsi diatas maka dilakukan penelitian untuk mengklasifikasikan mutu rasa buah belimbing secara tepat dengan bantuan komputer, yaitu menggunakan metode pengolahan citra digital dengan melakukan Pengenalan Total Padat Terlarut (TPT) buah belimbing berdasarkan nilai RGB dan klasifikasi menggunakan algoritma Naïve Bayes. Proses pemisahan warna red (R), green (G), dan blue (B), untuk mengetahui unsur warna yang lebih dominan untuk masing - masing kelas belimbing. Karena mutu buah belimbing yang terlihat dari total padat terlarut (TPT) dapat diketahui dari warna dominan pada buah belimbing tersebut.
2. METODE PENELITIAN
Metode penelitian yang dilakukan meliputi pengumpulan data citra belimbing, ekstraksi fitur RGB, pembagian data dengan k-fold cross validation, model klasifikasi dengan Naive Bayes, dan evaluasi model dengan melihat hasil klasifikasi menggunakan confusion matrix. Tahapan penelitian dapat dilihat pada Gambar 1.
2.1 Pengumpulan Data
Data yang digunakan adalah citra belimbing yang terdiri dari belimbing asam untuk kelas B, belimbing sedang untuk kelas A, dan belimbing manis untuk kelas super. Jumlah citra belimbing yang diperoleh berjumlah 120 citra belimbing. Belimbing merupakan salah satu tanaman buah eksotis yang cukup banyak digemari berbagai lapisan masyarakat. Manfaat utama tanaman ini adalah sebagai penghasil buah segar, bahan buah olahan, dan juga obat tadisional. Menurut sejarah, tanaman belimbing berasal dari kawasan Malaysia, kemudian menyebar luas ke berbagai negara yang beriklim tropis lainnya di dunia, termasuk Indonesia. Pada umumnya belimbing ditanam dalam bentuk kultur pekarangan, sebagai usaha sambilan atau tanaman peneduh di halaman-halaman rumah. Belimbing dibedakan atas dua macam, yaitu belimbing manis (Averrhoa carambola L.) dan belimbing wuluh (Averhoa belimbi L.). Belimbing wuluh sering digunakan untuk bumbu masakan, terutama untuk memberi rasa asam pada masakan. Dalam sistematika tumbuhan, belimbing manis diklasifikasikan sebagai berikut:
Data yang digunakan adalah citra belimbing yang terdiri dari belimbing asam untuk kelas B, belimbing sedang untuk kelas A, dan belimbing manis untuk kelas super. Jumlah citra belimbing yang diperoleh berjumlah 120 citra belimbing. Belimbing merupakan salah satu tanaman buah eksotis yang cukup banyak digemari berbagai lapisan masyarakat. Manfaat utama tanaman ini adalah sebagai penghasil buah segar, bahan buah olahan, dan juga obat tadisional. Menurut sejarah, tanaman belimbing berasal dari kawasan Malaysia, kemudian menyebar luas ke berbagai negara yang beriklim tropis lainnya di dunia, termasuk Indonesia. Pada umumnya belimbing ditanam dalam bentuk kultur pekarangan, sebagai usaha sambilan atau tanaman peneduh di halaman-halaman rumah. Belimbing dibedakan atas dua macam, yaitu belimbing manis (Averrhoa carambola L.) dan belimbing wuluh (Averhoa belimbi L.). Belimbing wuluh sering digunakan untuk bumbu masakan, terutama untuk memberi rasa asam pada masakan. Dalam sistematika tumbuhan, belimbing manis diklasifikasikan sebagai berikut:
Kingdom : Plantae
Divisi : Spermatopyta
Sub divisi : Angiospermae
Kelas : Dicotyledone
Ordo : Oxalidales
Famili : Oxalidaceae
Genus : Avverrhoa
Species : Averrhoa carambola L.
Belimbing manis memiliki banyak kandungan gizi yang terkandung di dalamnya. Belimbing manis mengandung protein, lemak, kalsium, fosfor, besi, vitamin B, vitamin C, vitamin A kalium dan serat. Kandungan kalorinya rendah sehingga baik untuk diet [8].
2. 2 Ekstraksi Ciri
Untuk mengetahui suatu citra, diperlukan adanya ekstraksi ciri. Ekstraksi ciri dapat diteliti dengan mengambil beberapa bagian citra yang bisa menunjukan ciri khas dari citra tersebut, misalkan warna, pola citra, diameter, bentuk dan masih banyak lagi. Citra warna merupakan citra digital yang memiliki kombinasi warna Red, Green dan Blue ditunjukkan pada Gambar 2. Teknik yang digunakan adalah dengan mengekstrak citra RGB (Red-Green-Blue) buah belimbing menjadi beberapa nilai ciri, seperti jumlah R, jumlah G, jumlah B, mean dan standar deviasi dari citra buah belimbing. Untuk satu buah, nilai ciri tersebut diperoleh dengan merataratakan atau menjumlahkan semua piksel yang ada, dan berdasar nilai inilah dilakukan pengenalan. Jadi dari teknik yang ada, proses pengenalan tidak berdasarkan semua piksel tetapi berdasarkan besaran yang merupakan rata-rata atau jumlah dari semua piksel [4].
Untuk mengetahui suatu citra, diperlukan adanya ekstraksi ciri. Ekstraksi ciri dapat diteliti dengan mengambil beberapa bagian citra yang bisa menunjukan ciri khas dari citra tersebut, misalkan warna, pola citra, diameter, bentuk dan masih banyak lagi. Citra warna merupakan citra digital yang memiliki kombinasi warna Red, Green dan Blue ditunjukkan pada Gambar 2. Teknik yang digunakan adalah dengan mengekstrak citra RGB (Red-Green-Blue) buah belimbing menjadi beberapa nilai ciri, seperti jumlah R, jumlah G, jumlah B, mean dan standar deviasi dari citra buah belimbing. Untuk satu buah, nilai ciri tersebut diperoleh dengan merataratakan atau menjumlahkan semua piksel yang ada, dan berdasar nilai inilah dilakukan pengenalan. Jadi dari teknik yang ada, proses pengenalan tidak berdasarkan semua piksel tetapi berdasarkan besaran yang merupakan rata-rata atau jumlah dari semua piksel [4].
2. 3 Pembagian Data
Seluruh data hasil ekstraksi masing-masing ciri dibagi menjadi data latih dan data uji. Persentase data latih yang dicobakan pada penelitian ini ditentukan dengan menggunakan k-fold cross validation. k-fold cross validation adalah metode yang digunakan untuk membagi dataset menjadi sejumlah k buah partisi secara acak. Data awal dibagi menjadi k subset secara acak yaitu D1, D2, D3, … , Dk, dengan ukuran subset yang hampir sama dengan mempertahankan perbandingan antar kelas. Langkahnya adalah dengan melakukan iterasi sejumlah k kali iterasi untuk data latih dan data uji, dimana masing-masing iterasi menggunakan partisi ke k sebagai data latih dan sisa partisi lainnya sebagai data uji. Keuntungan k-fold cross validation adalah semua data digunakan baik untuk data uji maupun data latih. Hal ini dilakukan untuk mendapatkan nilai akurasi ataupun ukuran penilaian lainnya dari hasil eksperimen yang dilakukan [9]. Jumlah k yang digunakan adalah 3. Mengingat data yang digunakan untuk pelatihan sedikit, pemilihan 3-fold cross validation cukup mampu untuk membuat variasi data, sehingga semua data digunakan, baik untuk data uji maupun data latih. Seluruh data hasil ekstraksi ciri dibagi menjadi 3 subset, yaitu D1, D2, D3. Masing-masing subset memiliki ukuran yang sama. Pada proses pertama D2, D3 menjadi data pelatihan dan D1 menjadi data pengujian, pada proses kedua D1, D3, menjadi data pelatihan dan D2 menjadi data pengujian, dan seterusnya.
Seluruh data hasil ekstraksi masing-masing ciri dibagi menjadi data latih dan data uji. Persentase data latih yang dicobakan pada penelitian ini ditentukan dengan menggunakan k-fold cross validation. k-fold cross validation adalah metode yang digunakan untuk membagi dataset menjadi sejumlah k buah partisi secara acak. Data awal dibagi menjadi k subset secara acak yaitu D1, D2, D3, … , Dk, dengan ukuran subset yang hampir sama dengan mempertahankan perbandingan antar kelas. Langkahnya adalah dengan melakukan iterasi sejumlah k kali iterasi untuk data latih dan data uji, dimana masing-masing iterasi menggunakan partisi ke k sebagai data latih dan sisa partisi lainnya sebagai data uji. Keuntungan k-fold cross validation adalah semua data digunakan baik untuk data uji maupun data latih. Hal ini dilakukan untuk mendapatkan nilai akurasi ataupun ukuran penilaian lainnya dari hasil eksperimen yang dilakukan [9]. Jumlah k yang digunakan adalah 3. Mengingat data yang digunakan untuk pelatihan sedikit, pemilihan 3-fold cross validation cukup mampu untuk membuat variasi data, sehingga semua data digunakan, baik untuk data uji maupun data latih. Seluruh data hasil ekstraksi ciri dibagi menjadi 3 subset, yaitu D1, D2, D3. Masing-masing subset memiliki ukuran yang sama. Pada proses pertama D2, D3 menjadi data pelatihan dan D1 menjadi data pengujian, pada proses kedua D1, D3, menjadi data pelatihan dan D2 menjadi data pengujian, dan seterusnya.
2. 4 Implementasi Metode Naive Bayes
Naïve Bayes merupakan salah satu metode machine learning yang menggunakan perhitungan probabilitas. Algoritma ini memanfaatkan metode probabilitas dan statistic sederhana dengan asumsi bahwa antar satu kelas dengan kelas yang lain tidak saling tergantung (independen) [10]. Dasar dari Naïve Bayes yang dipakai dalam pemrograman adalah persamaan (1) Bayes [11] :
Naïve Bayes merupakan salah satu metode machine learning yang menggunakan perhitungan probabilitas. Algoritma ini memanfaatkan metode probabilitas dan statistic sederhana dengan asumsi bahwa antar satu kelas dengan kelas yang lain tidak saling tergantung (independen) [10]. Dasar dari Naïve Bayes yang dipakai dalam pemrograman adalah persamaan (1) Bayes [11] :
Data yang digunakan dapat bersifat kategorial maupun kontinyu. Untuk data kontinyu dapat diselesaikan dengan menggunakan langkah-langkah berikut. 1. Hitung probabilitas (Prior) tiap kelas yang ada. 2. Lalu hitung rata-rata (mean) tiap fitur dengan persamaan (2).
Nilai probabilitas terbesar adalah kelas yang sesuai. Sedangkan untuk data kategorial, hanya memerlukan semua kemungkinan yang terjadi. Naïve Bayes adalah algoritma yang termasuk ke dalam supervised learning, maka akan dibutuhkan pengetahuan awal untuk dapat mengambil keputusan. Proses klasifikasi dengan Naïve Bayes dilakukan menggunakan data latih yang sebelumnya sudah dibagi menggunakan kfold cross validation. Dalam melakukan pelatihan dan pengujian data, karakter akan diambil satu per satu dari fitur yang ada. Klasifikasi yang akan dilakukan adalah didasarkan ciri-ciri warna buah belimbing yang menunjukkan buah belimbing tersebut manis, sedang atau asam. Terdapat 2 proses dalam klasifikasi ini yaitu: tahap training dengan memakai data yang ada, membangun metode untuk mengestimasi parameter dari distribusi peluangnya dengan asumsi bahwa adanya independensi dari masing-masing kelas (data dengan karakteristik yang sama). Dalam tahapan ini dilakukan estimasi pada parameter 𝜽 dengan Maximum Likelihood (ML), dan tahap prediksi yaitu proses menggunakan model yang sudah dibangun tersebut untuk melakukan tes data untuk memperkirakan/mengukur akurasi dari aturan yang dibentuk dalam model dengan menghitung peluang posterior kemudian mengklasifikasi kedalam peluang posterior terbesar MAPH (Maximum A Posteriori Hypothesis).
2. 5 Evaluasi
Tahapan ini merupakan tahapan untuk menganalisis dan mengevaluasi model yang diperoleh dari masing model yang digunakan. Proses perhitungan akurasi hasil klasifikasi menggunakan rumus Confusion matrix. Confusion matrix merupakan sebuah tabel yang terdiri atas banyaknya baris data uji yang diprediksi benar dan tidak benar oleh model klasifikasi. Tabel confusion matrix diperlukan untuk menentukan kinerja suatu model klasifikasi [12]. Ada empat istilah yang digunakan dalam confusion matrix yaitu: 1. True positive (TP): jumlah data positif yang benar diklasifikasi oleh classifier. 2. True negative (TN): jumlah data negatif yang benar diklasifikasi oleh classifier. 3. False positive (FP): jumlah data negatif yang salah diklasifikasi sebagai data positif. 4. False negative (FN): jumlah data positif yang salah diklasifikasi sebagai data negatif.
Contoh tabel confusion matrix prediksi kelas dapat dilihat pada Tabel 1.
3 HASIL DAN PEMBAHASAN
Pengujian dilakukan dengan tujuan untuk mengetahui keberhasilan sistem dalam mengklasifikasi rasa dari buah belimbing, apakah manis, sedang dan asam. Skenario uji coba yang dilakukan dengan jumlah data gambar dari buah belimbing, yaitu sebanyak 120 gambar. Masing-masing jumlah gambar dari tingkat kemanisan buah belimbing seperti terlihat pada Tabel 2.
Pengujian dilakukan dengan tujuan untuk mengetahui keberhasilan sistem dalam mengklasifikasi rasa dari buah belimbing, apakah manis, sedang dan asam. Skenario uji coba yang dilakukan dengan jumlah data gambar dari buah belimbing, yaitu sebanyak 120 gambar. Masing-masing jumlah gambar dari tingkat kemanisan buah belimbing seperti terlihat pada Tabel 2.

No Tingkat Kemanisan Buah Belimbing Jumlah 1 Asam 40 2 Sedang 40 3 Manis 40 Jumlah Citra 120
Pengujian dilakukan dengan cara memisahkan data menjadi dua bagian yaitu 80% digunakan sebagai data latih dan 20% digunakan sebagai data uji. Beberapa sampel citra yang telah terkumpul seperti yang ditunjukkan pada Gambar 3
3.1 Hasil Ektraksi Fitur
Praproses dilakukan dengan terlebih dahulu melakukan segmentasi. Proses ini diperlukan untuk memisahkan objek citra belimbing dengan latar belakangnya. Segmentasi sangat diperlukan untuk menentukan piksel yang akan dianalisis. Pada tahap ektraksi fitur dilakukan ektraksi fitur yang berisi 5 nilai yaitu dari fitur warna R,G,B, ean dan fitur standar deviasi dari citra belimbing seperti pada Gambar 4. Untuk satu buah belimbing, nilai ciri tersebut diperoleh dengan merata-ratakan atau menjumlahkan semua piksel yang ada, dan berdasar nilai inilah dilakukan pengenalan.
Praproses dilakukan dengan terlebih dahulu melakukan segmentasi. Proses ini diperlukan untuk memisahkan objek citra belimbing dengan latar belakangnya. Segmentasi sangat diperlukan untuk menentukan piksel yang akan dianalisis. Pada tahap ektraksi fitur dilakukan ektraksi fitur yang berisi 5 nilai yaitu dari fitur warna R,G,B, ean dan fitur standar deviasi dari citra belimbing seperti pada Gambar 4. Untuk satu buah belimbing, nilai ciri tersebut diperoleh dengan merata-ratakan atau menjumlahkan semua piksel yang ada, dan berdasar nilai inilah dilakukan pengenalan.
Berikut contoh nilai hasil ektraksi fitur dapat dilihat pada Tabel 3.
Tabel 3 Contoh Hasil Ekstraksi Fitur Citra Buah Belimbing
Tabel 3 Contoh Hasil Ekstraksi Fitur Citra Buah Belimbing
3.2 Hasil Klasifikasi
Proses training bertujuan untuk membangun model klasifikasi. Berdasarkan Tabel 4 diketahui bahwa akurasi terbesar yang diperoleh dari tiga kali percobaan terdapat pada fold 2 sebesar 83.33 %, akan tetapi untuk menghindari terjadinya overfitting, maka dihitung rata-rata dari model 3-fold cross validation. Kemudian hasil rata-rata dibandingkan dengan ketiga model tersebut. Fold 3 dipilih sebagai model Naive Bayes karena nilai fold 3 mendekati nilai rata-rata yang diperoleh.
Proses training bertujuan untuk membangun model klasifikasi. Berdasarkan Tabel 4 diketahui bahwa akurasi terbesar yang diperoleh dari tiga kali percobaan terdapat pada fold 2 sebesar 83.33 %, akan tetapi untuk menghindari terjadinya overfitting, maka dihitung rata-rata dari model 3-fold cross validation. Kemudian hasil rata-rata dibandingkan dengan ketiga model tersebut. Fold 3 dipilih sebagai model Naive Bayes karena nilai fold 3 mendekati nilai rata-rata yang diperoleh.
Pengujian hasil klasifikasi dilakukan terhadap 30 citra buah belimbing yang diperoleh dari perbandingan data latih dan data uji sebesar 80% dan 20%. Data uji akan diklasifikasikan terhadap data training.
Berdasarkan Tabel 5 diketahui metode Naïve Bayes untuk tingkat kemanisan sedang dan manis masih terjadi kesalahan klasifikasi. Hal ini terjadi karena fitur warna buah belimbing yang asam sangat berbeda dengan fitur warna buah belimbing yang memiliki tingkat kemanisan sedang dan manis. Penggunaan warna RGB sebagai ekstraksi ciri warna belum bisa digunakan sepenuhnya sebagai ektraksi fitur dari citra buah belimbing.
3.3 Evaluasi
Hasil klasifikasi dari tingkat kemanisan buah belimbing tersebut kemudian dihitung nilai akurasinya, dengan cara membagi jumlah dari data uji setiap kelas yang diklasifikasikan secara benar dengan total dari data uji. Berdasarkan hasil klasifikasi yang terlihat pada Tabel 5 diperoleh nilai akurasi untuk tiap tingkat kemanisan buah belimbing seperti pada Tabel 6.
Hasil klasifikasi dari tingkat kemanisan buah belimbing tersebut kemudian dihitung nilai akurasinya, dengan cara membagi jumlah dari data uji setiap kelas yang diklasifikasikan secara benar dengan total dari data uji. Berdasarkan hasil klasifikasi yang terlihat pada Tabel 5 diperoleh nilai akurasi untuk tiap tingkat kemanisan buah belimbing seperti pada Tabel 6.
Berdasarkan Tabel 6 diketahui bahwa rata-rata akurasi metode Naïve Bayes sebesar 80%. Hasil klasifikasi menggunakan algoritma Naïve Bayes masih terlalu rendah dibandingkan algoritma lain. Oleh karena itu, dibutuhkan ekstrasi ciri tambahan untuk mendukung model klasifikasi yang akan dibentuk.. Masih perlu ditambahkan ektraksi fitur lainnya seperti tektur, morfologi ataupun geometri.
4. KESIMPULAN
Ekstraksi fitur warna RGB dapat digunakan untuk ekstraksi ciri pada citra. Hasil ekstraksi ciri digunakan sebagai input bagi Naïve Bayes untuk mengenal pola citra dan mengklasifikasikan tingkat kemanisan buah belimbing. Hasil klasifikasi menunjukkan tingkat akurasi menggunakan ekstraksi ciri warna RGB sebesar 80%. Keberhasilan mengidentifikasikan juga dipengaruhi oleh fitur-fitur yang digunakan sebagai penciri pada metode klasifikasi tersebut. Rendahnya hasil akurasi menyebabkan perlu adanya penambahan fitur lain seperti tektur, morfologi ataupun geometri.
Ekstraksi fitur warna RGB dapat digunakan untuk ekstraksi ciri pada citra. Hasil ekstraksi ciri digunakan sebagai input bagi Naïve Bayes untuk mengenal pola citra dan mengklasifikasikan tingkat kemanisan buah belimbing. Hasil klasifikasi menunjukkan tingkat akurasi menggunakan ekstraksi ciri warna RGB sebesar 80%. Keberhasilan mengidentifikasikan juga dipengaruhi oleh fitur-fitur yang digunakan sebagai penciri pada metode klasifikasi tersebut. Rendahnya hasil akurasi menyebabkan perlu adanya penambahan fitur lain seperti tektur, morfologi ataupun geometri.
5. SARAN
Hasil klasifikasi menggunakan algoritma Naïve Bayes masih terlalu rendah dibandingkan algoritma lain. Oleh karena itu, dibutuhkan ekstrasi ciri tambahan untuk mendukung model klasifikasi yang akan dibentuk. Penambahan ektraksi ciri dapat berupa ciri morfologi atau geometri dari data citra yang diperoleh.
Hasil klasifikasi menggunakan algoritma Naïve Bayes masih terlalu rendah dibandingkan algoritma lain. Oleh karena itu, dibutuhkan ekstrasi ciri tambahan untuk mendukung model klasifikasi yang akan dibentuk. Penambahan ektraksi ciri dapat berupa ciri morfologi atau geometri dari data citra yang diperoleh.
DAFTAR PUSTAKA
[1] Sugianto S dan Wibowo F, 2015, Klasifikasi Tingkat Kematangan Buah Pepaya (Carica Papaya L) California (Callina-Ipb 9) Dalam Ruang Warna HSV dan Algoritma K-Nearest Neighbor, Prosiding Senatek, Purwokerto, 28 November
[2] Zaki F, 2009, Pengembangan Probabilistic Neural Networks Untik Penentuan Kematangan Belimbing Manis, Skripsi, Jurusan Ilmu Komputer, Institut Pertanian Bogor, Bogor.
[3] Abdullah M.Z, M Saleh J, Syahir F.A.S, dan M Azemi B.M.N, 2006, Discrimination and Classification of Fresh-cut Starfruits (Averrhoa Carambola L) using Automated Machine Vision System, Jurnal of Food Engeneering
[4] Saputra K dan Manik F.Y,2016, Klasifikasi Belimbing Menggunakan K-Nearest Neighbors (KNN) Berdasarkan Citra Red-Green-Blue (RGB), Prosiding SEMMAU 2016, Kupang, 17 September
[5] Liontoni F dan Nugroho H. 2015. Klasifikasi Klasifikasi Daun Herbal Menggunakan Metode Naïve Bayes Classifier Dan Knearest Neighbor. Jurnal Simantec
[6] Anandita E.R, 2014, Klasifikasi Tebu Dengan Menggunakan Algoritma Naïve Bayes Classification Pada Dinas Kehutanan dan Perkebunan Pati, Skripsi, Jurusan Sistem Informasi, Universitas Dian Nuswantoro, Semarang.
[7] Balai Pengkajian Teknologi Pertanian, 2008, Pupuk & Pemupukan Tanaman Belimbing, Jakarta.
[8] Yulandari S, 2013, Hubungan Tingkat Pengetahuan Dengan Tingkat Konsumsi Buah dan Sayur Pada Anak Kelas IV-V SD Pertiwi, Skripsi, Fakultas Keperawatan, Universitas Andalas,Padang.
[9] Han J, Kamber M, Pei J, 2012, Data Mining: Concepts and Techniques. 3th ed, New York (US): Morgan Kaufman Elsevier Academic Pr.
[10] Nugroho A dan Subahar, 2013, Klasifikasi Naïve Bayes Untuk Prediksi Kelahiran Pada Data Ibu Hamil. Berkala Mipa, Vol 23, Ed 3.
[11] Prasetyo E, 2012, Data Mining : Konsep dan Aplikasi Menggunakan Matlab, Penerbit Andi, Yogyakarta [12] Tan PN, Steinbach M, Kumar V, 2005, Introduction to data mining, New York (US): Addison Wesley
Yoshida Rin
March 30, 2018
New Google SEO
Bandung, Indonesia











