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.