1 / 22

Pengenalan Image Bola dengan metode Naïve Bayes

Pengenalan Image Bola dengan metode Naïve Bayes. Kelompok : Rosangelina Desbry (741004004) Prasetia Adi Putra (7410040022) Dimas Fanny H. P. (7410040023). Latar belakang.

rashad
Download Presentation

Pengenalan Image Bola dengan metode Naïve Bayes

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Pengenalan Image Bola denganmetode Naïve Bayes Kelompok : RosangelinaDesbry (741004004) PrasetiaAdi Putra (7410040022) Dimas Fanny H. P. (7410040023)

  2. Latarbelakang • Bola terdapatbanyaksekalimacamnya. Misalkan bola sepak, bola basket, bola golf, bola baseball, bola tenis, bola rugby, dll. • Sebagai computer untukmengenalimasing – masing bola diperlukan data training dan proses komputasi yang tepat.

  3. Tujuan • Penerapan algoritma naïve bayesuntuk mengklasifikasikan jenis- jenis bola yang ada • Pengujian akurasi algoritma naïve bayesterhadap banyak data training danberdasarkan clustering image. • untuk mengklasifikasikan jenis – jenis bolaberdasarkan warna Red, Green, Blue danberdasarkanukurandari bola tersebut.

  4. Manfaat • Dapat mengetahui tingkat akurasi pada algoritma pengujian akurasi algoritma naïve bayesterhadap banyak data training dan clustering image terhadapgambarinputan.

  5. Metode naïve bayes • Metode probabilistic sederhanadenganmengklasifikasikansuatu data training denganmetodeteoremabayessian. • Metodeinimenggunakanperhitungandari probabilistic darisuatu data training yang ada.

  6. Image clustering • Pengelompokkan data/gambarpadasuatu data training berdasarkandengankarakteristik yang samasesuaidengan variable yang ada. • Untukpadasuatugambar variable yang ditentukanbiasanyaterhadapwarna, pixel dan lain – lain.

  7. Data training public String[] kelas = {"Sepak", "Voli", "Basket", "Golf", "Baseball", "Tenis", "Rugby"}; private ArrayList<Dataset> dataset; private Data temp; public NaiveBayesClassifier() { //Buat dataset per kelas dataset = new ArrayList<>(); for (inti = 0; i < kelas.length; i++) { dataset.add(new Dataset(kelas[i])); } } Data dataTesting; ImageHelperimageTesting = new ImageHelper(); imageTesting.setImage(input); double[] rgb = {imageTesting.getR(),imageTesting.getG(),imageTesting.getB()}; dataTesting = new Data(rgb[0], rgb[1], rgb[2], imageTesting.getDiameter()); double[] sampel = dataTesting.getMatrik();

  8. Penjelasan source code data training • Untuksebagaipenginisialisasian data awalpadaobjekselanjutnyadalam string kelas []. Selanjutnya data disimpanpada array tersebut • Selanjutnya data testing tersebutdicarinilai mean danvarianuntukmendapatkanhasilnilai Red, Green, Blue dan diameter padasuatugambar bola • Selanjutnyadiklasifikasikanpadakelasyang bersangkutanberdasarkannilai yang dihasilkandari mean danvariantersebut (Red, Green, Blue, dan diameter) semuakemungkinannilai yang ada.

  9. Mencarinilai mean meanTemp = new double[data[0].length]; for (baris = 0; baris < data.length; baris++) { for (kolom = 0; kolom < data[0].length; kolom++) { meanTemp[kolom] += data[baris][kolom]; } } for (inti = 0; i < kolom; i++) { meanTemp[i] /= baris; }

  10. Mencarinilaivarian varianTemp = new double[data[0].length]; for (baris = 0; baris < data.length; baris++) { for (kolom = 0; kolom < data[0].length; kolom++) { varianTemp[kolom] += Math.pow((data[baris][kolom] - meanTemp[kolom]),2); } } for (int j = 0; j < kolom; j++) { varianTemp[j] /= (baris - 1); }

  11. //Buat Classifier Mean & Varian ArrayList<Classifier> cl = new ArrayList<>(); for (inti = 0; i < kelas.length; i++) { cl.add(new Classifier(kelas[i], dataset.get(i).getMatrix())); } //Kalkulasiprobabilitaskemungkinan ArrayList<Likelihood> lk = new ArrayList<>(); for(int j = 0; j < kelas.length; j++) { lk.add(new Likelihood(kelas[j], cl.get(j), sampel)); } //Kalkulasiprobabilitasposterior/ujung ArrayList<Posterior> pt = new ArrayList<>(); for(int k = 0; k < kelas.length; k++) { pt.add(new Posterior(kelas[k], lk.get(k), getProbKelas(k))); } //KeputusanAkhir Posterior terpilih = pt.get(0); for(int m = 1; m < kelas.length; m++) { if(terpilih.getProbabilitas() < pt.get(m).getProbabilitas()) { terpilih = pt.get(m); } } System.out.println("Keputusannyaadalah " + terpilih.getNamaKelas()); return terpilih.getNamaKelas(); Pengklasifikasiangambarinputan • Berdasarkan source code tersebutkitadapatmengklasifikasikangambarinputandanberdasarkan data training

  12. private void hitungMeanRGB() { int length = koordObjek.size(); double red = 0; double green = 0; double blue = 0; int x, y; Color before; String xy[]; for (inti = 0; i < length; i++) { xy = koordObjek.get(i).toString().split(","); //System.out.println(xy[0] + "-" + xy[1]); x = Integer.parseInt(xy[0]); y = Integer.parseInt(xy[1]); before = new Color(this.realImage.getRGB(x, y) & 0x00ffffff); red += before.getRed(); blue += before.getBlue(); green += before.getGreen(); } red /= length; blue /= length; green /= length; this.meanR = red; this.meanG = green; this.meanB = blue; } Mendapatkannilai RGB • Berdasarkan source code tersebut, kitamendapatkannilai R,G,B padagambardari data training ataupuninputan

  13. private void hitungDiameter() { intxKanan; intxKiri; //daritepikiri outloop: for (xKiri = 0; xKiri < lebarCitra; xKiri++) { for (intyKiri = 0; yKiri < tinggiCitra; yKiri++) { Color c = new Color(binaryImage.getRGB(xKiri, yKiri) & 0x00ffffff); if (c.getGreen() == 255) { break outloop; } } } //daritepikanan outloop2: for (xKanan = lebarCitra - 1; xKanan > 0; xKanan--) { for (intyKanan = 0; yKanan < tinggiCitra; yKanan++) { Color d = new Color(binaryImage.getRGB(xKanan, yKanan) & 0x00ffffff); if (d.getGreen() == 255) { break outloop2; } } } //Kembalikannilaiselisih x this.diameterObjek = (xKanan - xKiri); } Mendapatkannilai diameter gambar • Untukmendapatkannilaidari diameter suatugambarberupacitrabinerhitamputih. • Selainitujugaharusmelakukanpendeteksiannilaiwarnadarinilaitepipadasuatugambar

  14. Hasilnilai mean danvarian • Berdasarkangambartersebut, nilaidari mean danvarianakan di cocokkandengan data training yang telahadadarigambarinputan yang telahdikalkulasinilai Red, Green, Blue, Diameter nya. • Nilai mean yaitunilaiuntukmencarikesamaannilaidengan data training • Nilaivarianadalahnilaikemungkinan yang cocokdengan data training dari data gambarinputan • Selanjutnyanilaitertinggipadavariandaritiapklasifikasinilaiakandiperhitungkandanmendapatkanhasilkeputusantermasukkelasmana.

  15. KalkulasiProbabilitas likelihood • Untuksebagaiperhitunganprobabilitaspadasuatuobjekuntukmendapatkannilaivariandan mean (rata - rata) darisetiapgambarinputan yang di sesuaikandengan data training

  16. Kodingnya public Likelihood(String kelas, Classifier cl, double[] dataInput) { this.classifier = cl; this.dataTesting = dataInput; this.namaKelas = kelas; double[] pFiturKelasTemp; pFiturKelasTemp = new double[classifier.getJumlahFitur()]; for(inti = 0; i < classifier.getJumlahFitur(); i++) { double varian = classifier.getVarian()[i]; double mean = classifier.getMean()[i]; double nilai = dataTesting[i]; pFiturKelasTemp[i] = (1 / (Math.sqrt(2 * Math.PI * varian))* (Math.pow(Math.E,(-(Math.pow((nilai - mean),2))/(2 * varian))))); } this.pFiturKelas = pFiturKelasTemp; //Untuk log this.cetakProbabilitas();

  17. Menampilkanhasilprobabilitas public void cetakProbabilitas() { System.out.println("Prob. Likelihood " + this.namaKelas + " :"); for(inti = 0; i < pFiturKelas.length; i++) { System.out.print(pFiturKelas[i] + " "); System.out.println(""); } System.out.println("----------------------------"); } • Pada source code tersebutakanmenampilkannilaiprobabilitaspadakelas– kelas yang ada.

  18. Hasilnilaiprobabilitas

  19. Probabilitas posterior public class Posterior { private String namaKelas; private double ProbPosterior; public Posterior(String kelas, Likelihood likelihood, double probKelas) { double tempProbPosterior = probKelas; for(inti = 0; i < likelihood.getPFiturKelas().length; i++) { tempProbPosterior *= likelihood.getPFiturKelas()[i]; } this.namaKelas = kelas; this.ProbPosterior = tempProbPosterior; //Untuk log this.cetakProbabilitas(); } public double getProbabilitas() { return this.ProbPosterior; } public String getNamaKelas() { return this.namaKelas; } public void cetakProbabilitas() { System.out.println("Probabilitas Posterior " + namaKelas + " : " + this.ProbPosterior); } • Padabagianberikutdigunakanuntukmendapatkanhasilkeputusanakhirdannilai yang telahdikalkulasi.

  20. Hasilprobabilitas posterior / akhir

  21. Hasil output

  22. TERIMA KASIH

More Related