Kumpulan jurnaL Ilmu Komputer (KLIK) Volume 03, No.02 September 2016 ISSN: 2406-7857 Jenis Obat Berdasarkan Gambar Logo dengan Naïve Bayes (I Gede Surya Rahayuda ) | 125 IDENTIFIKASI JENIS OBAT BERDASARKAN GAMBAR LOGO PADA KEMASAN MENGGUNAKAN METODE NAIVE BAYES I Gede Surya Rahayuda 1 1 Sistem Informasi, STMIK STIKOM Bali Jl. Raya Puputan Renon No. 86 Telp : (0361)244445 E-mail : [email protected]1) Abstract There many types of drugs have been approved by the government and circulating in the community, but many people don’t know. In this study, I want to create an application that can identify the type of drug based on the logo on the packaging. I’m using 4 different types of modern medicine and 3 types of herbal medicine, total there will be as many as 7 different logo that will be used. Pictures will be entered into the application, then detected the edges of the image using the Edge Detection, to get the shape of the logo image, after it is extracted using methods GLCM, extraction will produce output in the form of numbers, the numeric data is then classified using Naïve Bayes classification and will get the results in the form of the type of drug. From the experiments it was found that the resulting level of accuracy is quite high, there are 3 categories of types of drugs that have a high accuracy on Obat Bebas, Obat Bebas Terbatas and Obat Keras. From the results of these trials concluded that the Naïve Bayes method can be used to mengkalsifikasi types of drugs is based on the logo on the packaging of drugs. Keywords: logo, drug, image processing, edge detection, GLCM, naïve bayes Abstrak Terdapat banyak jenis obat telah disetujui oleh pemerintah dan beredar di masyarakat, namun banyak masyarakat tidak mengetahuinya. Pada penelitian ini saya ingin membuat suatu aplikasi yang dapat mengindentifikasi jenis obat berdasarkan logo pada kemasan. Saya menggunakan 4 jenis obat moderen dan 3 jenis obat herbal, total akan terdapat sebanyak 7 macam logo yang akan digunakan. Gambar akan diinputkan ke dalam aplikasi, kemudian dideteksi tepian gambarnya menggunakan metode Edge Detection, untuk mendapatkan bentuk dari gambar logo, setelah itu diekstraksi menggunakan metode GLCM, hasil ekstraksi akan menghasilkan output berupa angka, data angka ini kemudian diklasifikasikan menggunakan metode Naïve Bayes dan akan mendapatkan hasil klasifikasi berupa jenis obat. Dari percobaan yang dilakukan didapatkan bahwa tingkat akurasi yang dihasilkan cukup tinggi, terdapat 3 buah kategori jenis obat yang memiliki akurasi yang tinggi yaitu pada jenis Obat Bebas, Obat Bebas Terbatas dan Obat Keras. Dari hasil percobaan tersebut disimpulkan bahwa metode Naïve Bayes dapat digunakan untuk mengkalsifikasi jenis obat berdasarkan logo pada kemasan obat. Kata kunci: logo, obat, image processing, edge detection, GLCM, naïve bayes
10
Embed
125-134 IDENTIFIKASI JENIS OBAT BERDASARKAN GAMBAR …
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
There many types of drugs have been approved by the government andcirculating in the community,butmanypeopledon’tknow. In this study, Iwant tocreate an application that can identify the type of drug based on the logo on thepackaging. I’m using 4 different types of modern medicine and 3 types of herbalmedicine,totaltherewillbeasmanyas7differentlogothatwillbeused.Pictureswillbeenteredintotheapplication,thendetectedtheedgesoftheimageusingtheEdgeDetection,togettheshapeofthelogoimage,afteritisextractedusingmethodsGLCM,extraction will produce output in the form of numbers, the numeric data is thenclassifiedusingNaïveBayesclassificationandwillgettheresults intheformofthetypeofdrug.Fromtheexperimentsitwasfoundthattheresultinglevelofaccuracyisquitehigh,thereare3categoriesoftypesofdrugsthathaveahighaccuracyonObatBebas,ObatBebasTerbatasandObatKeras.FromtheresultsofthesetrialsconcludedthattheNaïveBayesmethodcanbeusedtomengkalsifikasitypesofdrugsisbasedonthelogoonthepackagingofdrugs.Keywords:logo,drug,imageprocessing,edgedetection,GLCM,naïvebayes
Abstrak
Terdapat banyak jenis obat telah disetujui oleh pemerintah dan beredar dimasyarakat, namun banyakmasyarakat tidakmengetahuinya. Pada penelitian inisaya ingin membuat suatu aplikasi yang dapat mengindentifikasi jenis obatberdasarkanlogopadakemasan.Sayamenggunakan4jenisobatmoderendan3jenisobat herbal, total akan terdapat sebanyak 7 macam logo yang akan digunakan.Gambarakandiinputkankedalamaplikasi, kemudiandideteksi tepiangambarnyamenggunakanmetodeEdgeDetection,untukmendapatkanbentukdarigambarlogo,setelah itu diekstraksi menggunakan metode GLCM, hasil ekstraksi akanmenghasilkan output berupa angka, data angka ini kemudian diklasifikasikanmenggunakanmetodeNaïveBayesdanakanmendapatkanhasilklasifikasiberupajenisobat.Daripercobaanyangdilakukandidapatkanbahwatingkatakurasiyangdihasilkancukuptinggi, terdapat3buahkategori jenisobatyangmemilikiakurasiyangtinggiyaitupadajenisObatBebas,ObatBebasTerbatasdanObatKeras.DarihasilpercobaantersebutdisimpulkanbahwametodeNaïveBayesdapatdigunakanuntukmengkalsifikasijenisobatberdasarkanlogopadakemasanobat.Katakunci:logo,obat,imageprocessing,edgedetection,GLCM,naïvebayes
Obat merupakan suatu produk kesehatan yang banyak digunakan olehmasyarakat. Obat digunakan untukmenjaga kesehatan, mencegah penyakit, danjugauntukmenyembuhkansakit.Hampirsemuaorangpernahmengkonsumsiobat,saatiniobatbanyakditemukanataudijualdiapotikdanjugadiwarungatauditoko.Namun tidak semua orangmengetahui bahwa obatmemiliki jenis atau katagoriyangsebaiknyadiketahuiolehmasyarakat.Jenisobattelahditetapkanbaiksecaranasionalmaupuninternasional[1][2].Terdapatberbagaimacamjenislogoobat.Obatdikategorikanmenjadibeberapajenisseperti,obatbebas,obatterbatas,obatkeras,obatherbal,obattradisional,obatbiusataunarkotikadanlainnya[3][4].Logojenisobat tersebut umumnya terdapat pada bagian kemasan obat, logo obat umunyabeberntuksepertilingkarandenganwarnahijauataubiru,lingkarandenganhurufK,lingkarandengantandapositif,lingkarandengangambardaundanmasihbanyakbentuklogolainnya.
Masyarakat pada umunya tidak terlalu memperhatikan logo tersebutsebelummengkonsumsinya.Tentunyahaliniakandapatberdampaktidakbaikbagikesehatan pengguna jika seandainya obat tersebut tergolong kedalam jenis obatyangmemerlukanresepdaridokterataumerupakanjenisobatkeras[5].
Berdasarkanbeberapapemikirantersebutmakapenulismerasaperluuntukmelakukansebuahpenelitiandanmenggunakan teknologi informasiuntukdapatmemberikaninformasidanmemudahkanmasyarakatdalammengidentifikasijenisobatmelalui logoyang terdapatdalamkemasan.Penelitian inidilakukandenganmengambil beberapa sample dengan cara mengambil gambar logo obat padakemasan menggunakan camera poket atau kamera handphone. Gambar obattersebutkemudiandikumpulkandanselanjutnyaakandiprosespadaaplikasiyangdibuat. Hal pertama yang harus dilakukan adalah melakukan pemotongan padagambaragardidapatkangambarlogoobatyanglebihdetail.Prosespemotonganinidilakukan langsungpadasaataplikasidijalankan.Potongangambar logoobat inikemudiandipindahkanpada frame lainyang lebihbesar.Agardapatdklasifikasi,gambar iniharusdirubahmenjadi angka.Untuk itu sebelumnyaharusdilakukanprosespengambilanbentukgambarmenggunakanmetodependeteksiantepiyaitumetodeEdgeDetection[6][7][8].Denganmenggunakanmetodeinimakanantinyaakandidapatkanhasilberupabentukgambarberwarnaputihdanlatarberwarnahitam.DenganbentuksepertiinimakaselanjutnyagambardapatdiekstraksimengunakanmetodeGLCM[9][10].ProsesekstraksigambarmenggunakanmetodeGLCMiniakandapatmenghasilkanoutputberupaangka,sepertiEnergy,Correlation,ContrastdanHomogeneity[11][12]. Data angka inilah yang nantinya akan diklasifikasikan. UntukmengklasifikasidataangkatersebutdigunakanmetodeklasifikasiNaïveBayes[13],alasanmemilihuntukmenggunakanmetode ini karenametode inimudahuntukdipahami, cepat dalam perhitungannya, hanya memerlukan pengkodean yangsederhana,hanyamemerlukansejumlahkecildatauntukmengestimasiparameterdan jugakokohterhadapatributyangtidakrelevan[14].Tujuandaripenelitian iniadalah untuk memberikan informasi kepada masyarakat mengenai pentingnyauntukmengetahuijenisobatsebelummengkonsumsinyadanuntukmenghasilkansuatu aplikasi teknologi informasi yang dapat memudahkan masyarakat untukmengidentifikasi jenisobatmelalui logoyangadapadakemasan.Penelitianyang
dilakukan dapat memberikan beberapa manfaat atau kontribusi pada beberapabidangkeilmuan,Padabidangilmukesehatan,penelitianinimemberipengetahuanbahwaobatyangselamainiberedardimasyarakatmemilikijenisberdasarkanlogoyang terdapat pada kemasan obat. Pada bidang ilmu hukum, penelitian inimemberikan pengetahuan bahwa jenis obat telah ditetapakan dalam peraturanyang telah disahkan oleh negara, dan juga dalam peraturan internasional. Padabidang teknologi informasi dan matematika, penelitian ini memberikanpengetahuanmengenai ekstraksi dan klasifikasi gambarmenggunakan beberapametode seperti, Edge Detection, GLCM dan Naive Bayes. Penelitian ini jugamemberikan manfaat berupa pengetahuan dalam membangun suatu aplikasimenggunakanbahasaMATLABProgramming.2. METODEPENELITIAN
Penentuan jenisdanbanyakkelasditentukanberdasarkan jenisobatyangtelah ditetapkan. Terdapat sebanyak 4 macam obat modern dan 3 macam obattradisionalyangakansayagunakan, sehingga totalakan terdapat7macamkelasyangakandigunakanpadaprosesklasifikasi.7macamkelastersebutadalahsebagaiberikut:
Gambar2.JenisKelasLogoObat
3.2 MenentukanDataSampleData sample yang digunakan adalah berupa potongan gambar logo dari
Klasifikasi dilakukan dengan cara memotong logo pada gambar obat,kemudianpotongan gambar tersebutditampilkanpada axe ke2dandiperbesar,potongan gambar ini selanjutnya diubah menjadi grayscale dan dideteksi tepigambar tersebut menggunakan metode Edge Detection, hasil dari proses EdgeDetectionkemudiandiektraksimenggunakanmetodeGLCM.HasildariprosesGLCM
akan menghasilkan data angka seperti Contrast, Correlation, Energy danHomogeneity[18][19].Datainikemudiandisimpanuntuknantinyadigunakansebagaipembandingdalamproses klasifikasimenggunakanmetodeNaïveBayes. Berikutadalahdata sampleyangdihasilkandariprosespemotongan,EdgeDetection danGLCM[20]:
Setelah proses penyimpanan data sample, langkah selanjutnya yangdilakukan adalah menentukan data training, data training yang akan digunakanadalahsebanyak35gambarobat,dimanamasing–masingjenisterdapatsebanyak5buahgambarobat,berikutadalahdatatrainingyangakandigunakan:
diujicobamenggunakanaplikasiyangtelahdibuat.Datagambardicropkemudiandiekstraksi dan diklasifikasi menggunakanmetode naïve bayes. Percobaan yangdilakukanakanmenghasilkandatahasil ekstraksidandatahasil klasifikasi.Datahasil klasifikasi nantinya akan bernilai benar atau salah, jika benar maka akanbernilai1danjikasalahakandiberikannilai0.Hasilpercobaaninidicatatpadatabelhasilpercobaan.Masing–masingjenisobatterdapat5buahdatasample.Akurasiatauketepatanklasifikasididapatkandarijumlahnilaibenardibagidenganjumlahdatakemudiandikalikandengan100%[21][22].Akurasijugaakandicatatpadatablehasilpercobaan.
Percobaaniniakanmemilikibanyakkemungkinanuntukmenghasilkandataekstraksi fituryangberbeda.Karenapadasetiappemotonganmemiliki titikatausudut potongan yang berbeda. Karena kemungkinan untuk mendapatkan hasilklasifikasi yang benarmenjadi lebih susah. Dari hasil percobaan yang dilakukanterhadapbeberapasampledidapatkanbahwa.Beberapajenisobatmemilikiakurasiyangsangat tinggi sebesar100%yaitupada jenisObatBebasTerbatasdanObat
Keras.KetepatanhasilklasifikasiinimungkinterjadikarenabentukdarilogoObatKerasmemiliki bentuk yang unik berupa huruf K dan jenis logo ini sangat jauhberbedadenganbentuklogolainnya.HasilyangtinggijugaterjadipadajenisObatBebasTerbatas,inimungkindisebabkankarenabentukdarilogoobatyangcukupsimpleberupabentuklingkaran,bentukinimudahuntukdibacaolehaplikasi.Logodenganbentukserupa juga terdapatpada jenis logoobatObatBebas,hanyasajamemiliki warna yang berbeda dengan Obat Bebas Terbatas. Obat Bebas jugamemilikitingkatakurasiklasifikasiyangtinggiyaitusebesar80%,dimanaterdapatsatudatayangsalahdiklasifikasisebgaiObatBebasTerbatas.Halinimungkinsajaterjadi karena logo dari Obat Bebas Terbatas dan Obat Bebas memiliki tingkatkemiripanyangtinggi.Selain itu jenisobat lainnyamemiliki tingkatakurasiyangsangat kurang, seperti pada jenis Narkotika dengan akurasi sebesar 40%, jamusebesar20%,ObatHerbalsebesar20%,bahkanadajugajenisobatyangsamasekalitidakmemiliinilaibenarpadasaatdilakukannyapercobaanyaitupadajenisobatfitofarmakasebesar0%.Nilaiakurasiyangkecilmungkindisebabkankarenalogoyangsangat rumit, amungkin juga terjadikarenagambardata sampleyang tidakjelasatauterlalukecil.Selain itumungkin jugaterjadikarenasudutpengambilangambaryangberbedasehinggaakanmenghasilkanekstraksiyangberbeda.
percobaandidapatkantingkatakurasiyangdihasilkancukuptinggi,terdapat3buahkategorijenisobatyangmemilikiakurasiyangtinggiyaitupadajenisObatBebas,Obat Bebas Terbatas dan Obat Keras. Akurasi yang cukup tinggi ini mungkindisebabkan karena bentuk logo yang mudah untuk diekstraksi, sehinggamenghasilkan hasil ekstraksi yang relative sama dengan beberapa data samplesejenislainnya.
Dengan hasil yang demikian maka data tersebut akan mudahdiklasifikasikan. Beberapa hasil klasifikasi jugamenghasilkan hasil akurasi yangkurangtepat,inimungkindisebabkankarenagambarlogoyangterlalurumitataugambaryangkurangjelas.4.2 Saran
b. Penambahan suatu metode atau sistem yang berguna untuk melakukanpencarian suatu bentuk dalam gambar secara otomatis, seperti metode FaceDetectionuntukpendeteksianwajahseseorangpadafotosekumpulanorang.
DAFTARPUSTAKA[1] Hernani, 2011. Pengembangan Biofarmaka Sebagai Obat Herbal Untuk
[5] Anggradini and S. Lianti, 2011. Perbedaan Pengetahuan Tentang ObatSebelumdanSesudahPemberianPenyuluhandenganLeafletpadaIbu-Ibu Pesucen Kecamatan Petarukan Kabupaten Pemalang. UniversitasMuhammadiyahSurakarta.
[9] S. Rodgers and R. Cumella, 2012. Encountering Asian Art through JointFaculty-Student Field Research and Museum Curatorship : IgnatianParallels.JesuitHigh.Educ.,vol.1,no.1,pp.73–96.
[10] N. Zulpe and V. Pawar, 2012.GLCM Textural Features for Brain TumorClassification.Int.J.Comput.Sci.,vol.9,no.3,pp.354–359.
[12] H. B. Kekre, S. D. Thepade, A. K. Sarode, and V. Suryawanshi, 2010. ImageRetrievalusingTextureFeaturesextractedfromGLCM,LBGandKPE.Int.J.Comput.TheoryEng.,vol.2,no.5,pp.695–700.
[13] O.Nuraeni,2014.PenerapanDataMiningUntukMenampilkanInformasiPertumbuhan Berat Badan Ideal Balita dengan Menggunakan MetodeNaiveBayesClassifier.Gunadarma.
[14] P.SeminarandN.Aplikasi,KlasifikasiTeksDenganNaiveBayesClassifier(NBC) untuk Pengelompokan Teks Berita dan Abstract Akademis. inProsidingSeminarNasionalAplikasiSainsdanTeknologi,2012,no.2011,pp.269–277.
31,no.10.[17] S. B. Wahyu, Susilo, and Kusminarto, 2013. Aplikasi Perangkat Lunak
Berbasis MATLAB Untuk Pengukuran Radiograf Digital. J. Pendidik. Fis.Indones.,vol.9,pp.85–92.
[18] L. Vincent, 1993. Morphological Grayscale Reconstruction in ImageAnalysis:ApplicationsandEcientAlgorithms1Introduction.IEEETrans.ImageProcess.,vol.2,no.2.
[19] Inwijayati and P. Bertalya, Identifikasi Ciri Kain Menggunakan FiturTeksturdanGrayLevelDifferenceMethod.