Jurnal Nasional Teknik Elektro dan Teknologi Informasi (Feb 2024)

Citra Tekstur Terbaik Untuk Gaussian Naïve Bayes Dengan Interpolasi Nearest Neighbor

  • Irwan Budi Santoso,
  • Shoffin Nahwa Utama,
  • Supriyono

DOI
https://doi.org/10.22146/jnteti.v13i1.8730
Journal volume & issue
Vol. 13, no. 1
pp. 68 – 75

Abstract

Read online

Salah satu faktor yang berpengaruh terhadap kinerja Gaussian naive Bayes classifier (GNBC) dalam klasifikasi citra tekstur adalah ukuran (dimensi) citra. Ukuran citra adalah salah satu kriteria citra tekstur terbaik di samping nilai pikselnya. Pada penelitian ini, diusulkan metode untuk mendapatkan ukuran citra tekstur terbaik terhadap GNBC dengan optimalisasi interpolasi nearest neighbor (NN). Ukuran citra tekstur terbaik dengan nilai piksel hasil interpolasi tersebut membuat GNBC mampu membedakan citra tekstur pada setiap kelasnya dengan kinerja paling tinggi. Langkah pertama metode usulan tersebut adalah menentukan ukuran citra tekstur untuk pelatihan melalui kombinasi ukuran baris dan kolom pada proses optimalisasi. Pengubahan ukuran (resizing) semua citra tekstur asal dengan interpolasi NN adalah langkah penting berikutnya untuk mendapatkan citra tekstur baru. Langkah selanjutnya adalah membangun GNBC berdasarkan citra baru hasil interpolasi dan menentukan akurasi klasifikasinya. Langkah terakhir yaitu memilih ukuran citra tekstur terbaik berdasarkan nilai akurasi klasifikasi terbesar sebagai kriteria pertama dan ukuran citra sebagai kriteria kedua. Evaluasi terhadap metode yang diusulkan tersebut dilakukan menggunakan data citra tekstur dari dataset publik CVonline dengan melibatkan beberapa skenario uji coba dan metode interpolasi. Hasil uji coba menunjukkan bahwa pada skenario yang melibatkan lima kelas citra tekstur, GNBC dengan interpolasi NN memberikan nilai akurasi klasifikasi terkecil 89% dan terbesar 100% pada ukuran citra terbaik, masing-masing 14 × 32 dan 47 × 42. Pada skenario yang melibatkan jumlah kelas kecil hingga besar, GNBC dengan interpolasi NN memberikan akurasi klasifikasi 81,6% - 95%. Dari hasil tersebut, GNBC dengan optimalisasi NN memberikan hasil lebih baik daripada metode interpolasi nonadaptif lainnya (bilinear, bicubic, dan lanczos) dan principal component analysis (PCA).

Keywords