KLASIFIKASI LOGAM MENGGUNAKAN NAVE BAYES

CLASSIFIER
Lintang Resita Mayangsari1, Siti Fatimatuz Zuhriyah1, Puji Indah Lestari1, Nining
Nahdiyah Satriani1, Romlah Tantiati1
1

Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya
Jl. Veteran No.8 Malang, Informatika, Gedung A PTIIK UB
Email : 125150201111090@ub.ac.id1, 125150101111006@ub.ac.id1
, 1251501071110@ub.ac.id1 , 12515010211004@ub.ac.id1
, 125150101111009@ub.ac.id1
ABSTRAK

Pengklasifikasian logam telah sering dilakukan, namun penelitian pengklarifikasian logam masih
sebatas logam besi (feron) dan non-besi (non-feron). Pada pengklasifikasian kali ini, klasifikasi dilakukan untuk
mengelompokkan logam ke dalam empat kelas, yaitu emas, perak, aluminum dan tembaga. Mengingat keempat
logam tersebut sangat banyak digunakan dan dipakai dalam masyarakat dan sudah dikenal secara umum. Jika
logam dibedakan secara manual, maka akan membutuhkan usaha cukup besar dan waktu yang cukup lama.
Selain itu, bagi orang awam yang tidak bisa membedakan tembaga dan emas dengan logam logam yang
lainnya, itu akan menjadi masalah yang besar. Hal inilah yang menjadi topik utama pada penelitian ini. Dari
berbagai permasalahan tersebut, maka sangat dibutuhkan proses pengklasifikasian logam secara realtime,
cepat dan akurat dengan sistem yang mampu melakukan pengklasifikasian keempat logam tersebut.Fitur yang
digunakan untuk mempertimbangkan pengklasifikasian yaitu intensi warna (Red Green Blue/RGB), tingkat
kecerahan (lightness) dan diameter . Sedangkan untuk metodenya digunakan nave bayes classifier untuk
menentukan kelas melalui citra gambar. Nave Bayes Classifier merupakan sebuah metode klasifikasi yang
berakar pada teorema bayes. Teorema Bayes adalah probabilitas dan statistika menunjukkan hubungan antara
dua probabilitas kondisional dimana kedua kondisi tersebut saling bertolak belakang dan memperhitungkan
bahwa probabilitas suatu kejadian (hipotesis) bergantung pada keadaan lain (bukti). Ciri utama dari Nave
Bayes Classifier ini adalah asumsi yang sangat kuat (naif) akan indepedensi dari masing-masing
kondisi/kejadian. Sebelum dijelaskan Nave Bayes Classsifier ini akan terlebih dahulu dijelaskan tentang
Teorema Bayes yang menjadi dasar dari metode tersebut.
Kata Kunci: Nave Bayes Classifier, Bayes, Emas, Perak, Aluminium, Tembaga

Perak adalah suatu unsur kimia dalam tabel

periodik yang memiliki lambang Ag dan nomor atom
47. Lambangnya berasal dari bahasa Latin Argentum.
Sebuah logam transisi lunak, putih, mengkilap, perak
memiliki konduktivitas listrik dan panas tertinggi di
seluruh logam dan terdapat di mineral dan dalam
bentuk bebas. Logam ini digunakan dalam koin,
perhiasan, peralatan meja, dan fotografi. Perak
termasuk logam mulia seperti emas. Aluminium
adalah logam berwarna putih keperakan yang
memiliki beragam kegunaan. Tidak ada logam lain
yang memiliki kegunaan sebanyak aluminium.
Aluminium dikenal sebagai logam yang bisa didaur
ulang sehingga membuat ketersediaannya melimpah
tidak hanya dari tambang tapi juga dari hasil daur
ulang. Logam ini bisa ditemui di dalam rumah,
konstruksi, beberapa bagian mobil, dan juga di
sebagian besar moda transportasi. Tembaga
merupakan salah satu jenis sumber daya alam yang
sangat bermanfaat dan sangat banyak peralatan sehari
hari.

PENDAHULUAN

Logam terdiri dari banyak jenis dan

memilki berbagai kegunaan masing-masing. Di alam,
logam berlimpah, sehingga dalam pengolahannya dan
pengklasifikasiannya pun dibutuhkan cara khusus.
Logam yang akan dibahas kali ini adalah emas,
perak, tembaga dan aluminium, yaitu logam yang
sering kita jumpai sehari hari. Emas telah diketahui
dan dinilai sangat tinggi sejak jaman purba kala.
Emas adalah unsur kimia dlm tabel periodik yang
memiliki simbol Au (bahasa Latin: aurum) dan
nomor atom 79. Sebuah logam transisi (trivalen dan
univalen) yang lembek, mengkilap, kuning, berat,
malleable, dan ductile. Sifat dan pemakaian emas
antara lain Warna kuning yang sangat menarik,
sangat liat, mudah ditempa menjadi lembaran yang
sangat tipis dan dapat ditarik menjadi kawat dengan
diameter yang sangat kecil, sebagai bahan mata uang,
perhiasan yang dikenal sebagai barang berharga,
sebagai jaminan moneter dan lain lain.

Tembaga merupakan salah satu

bahan yang juga berfungsi untuk membentuk bahan
lainnya. Contohnya adalah kuningan yang merupakan
campuran antara tembaga dan seng. Manfaat tembaga
dalam kehidupan sehari hari sangat banyak
digunakan untuk penghantar panas dalam dunia
listrik. Manfaat tembaga dalam industri memang
sangat vital, berbagai peralatan dan mesin
menggunakan bahan utama atau komponen tembaga.
Dalam pemanfaatannya tembaga juga dikenal dengan
harga yang cukup rendah dibandingkan dengan
logam lainnya yang ada di pasaran. Melihat fungsi,
kegunaan dan peranan ke-empat logam di atas yang
begitu penting dan erat kaitannya dengan kehidupan
manusia, maka keempat logam di atas harus
diklasifikan secara baik untuk dimanfaatkan dalam
kehidupan, oleh karena itu kelompok kami
mengangkat tema dengan judul Klasifikasi Logam
Menggunakan Nave Bayes Classifier. Klasifikasi
adalah proses untuk menemukan model atau fungsi
yang menjelaskan atau membedakan prinsip atau
kelas
data
dengan
tujuan
untuk
dapat
mengklasfikasikan kelas dari suatu objek. Klasifikasi
merupakan proses awal dari pengelompokan data.

MODEL, ANALISIS, DESAIN, DAN

IMPLEMENTASI

2.1 Teorema Bayes

Penjaminan Nama teorema Bayes diambil
dari nama penemu teorema tersebut yaitu Thomas
Bayes (1702 1761). Teorema Bayes dalam
probabilitas dan statistika menunjukkan hubungan
antara dua probabilitas kondisional dimana kedua
kondisi tersebut saling bertolak belakang dan
memperhitungkan bahwa probabilitas suatu kejadian
(hipotesis) bergantung pada keadaan lain (bukti).
Ringkasnya yaitu teorema tersebut menyatakan
bahwa suatu kejadian yang terjadi di masa depan atau
yang belum terjadi dapat diprediksi sebelumnya
dengan syarat kejadian sebelumnya telah terjadi.
Probabilitas itu sendiri dapat dideffinisikan
sebagai ukuran kuantitatif dari suatu ketidakpastikan
informasi atau peristiwa. Probabilitas memiliki
indeks nilai yang berkisr antara 0 sampai 1. Hal ini
juga dipengaruhi oleh jumlah total kejadian selama
percobaan. Apabila probabilitas suatu keadaan adalah
0 (nol), maka keadaan tersebut dapat diyakinkan pasti
tidak akan terjadi. Namun, apabila probabilitas suatu
keadaan adalah 1, maka keadaan tersebut dapat
diyakinkan pasti akan terjadi.
Sedangkan
misalkan
suatu
kejadian
memiliki probabilitas 0,5 maka kejadian tersebut
memiliki tingkat keraguan yang maksimum.Keadaan
probabilitas dapat digambarkan seperti di bawah ini :

Gambar 1. Grafik Probabilitas

Dalam Teorema Bayes sering disebut istilah
probabilitas bersyarat. Probabilitas bersyarat adalah
suatu kejadian yang mungkin atau tidak tergantung
pada terjadinya peristiwa lain. Ketergantungan ini
dapat ditulis dalam bentuk probabilitas bersyarat
sebagai berikut :

P(A|B)
Maksudnya adalah probabilitas bahwa kejadian A
akan terjadi apabila kejadian B terjadi atau bisa
disebut sebagai probabilitas gabungan kejadian A dan
B. Dari kondisi tersebut dapat dirumuskan suatu
hubungan sebagai berikut :

P( A | B)

P ( B | A) P ( A)
P( B)

Dengan penjelasan sebagai berikut :

- P(A) adalah probabilitas sebelum (tanpa
syarat atau probabilitas marjinal) kejadian A.
Maksudnya ini adalah kejadian A sebelum
memperhitungkan segala informasi tentang
kejadian B.
- P(B) adalah probabilitas atau marjinal
sebelum kejadian B dan bertindak sebagai
konstanta normalisasi.
- P(A|B) adalah probabilitas bersyarat dari
kejadian A apabila kejadian B telah terjadi.
- P(B|A) adalah probabilitas bersyarat dari
kejadian B apabila kejadian A telah terjadi.
Misalkan kejadian A adalah independen atau saling
bebas terhadap kejadian B, maka teorema Bayes
dapat dituliskan sebagai berikut :

P ( A | B ) P ( A)
P ( B | A) P ( B )
Teorema Bayes dalam hal ini memberikan
representasi secara matematis tentang bagaimana
probabilitas bersyarat kejadian A dan B yang
diberikan adalah saling berkaitan dengan probabilitas
bersyarat B karena A.

Imam Cholissodin, Sentiment Analysis Dokumen E-Complaint Kampus

Menggunakan Additive Selected Kernel SVM
2.2 Naive Bayes Classifier
Variasi lain dari teorema Bayes yang
digunakan untuk metode email filtering adalah Naive
Bayesian Filtering. Naive bayesian klasifikasi adalah
suatu klasifikasi berpeluang sederhana berdasarkan
aplikasi teorema Bayes dengan asumsi antar variabel
penjelas saling bebas (independen). Dalam hal ini,
diasumsikan bahwa kehadiran atau ketiadaan dari
suatu kejadian tertentu dari suatu kelompok tidak
berhubungan dengan kehadiran atau ketiadaan dari
kejadian lainnya.
Naive Bayesian dapat digunakan untuk
berbagai macam keperluan antara lain untuk
klasifikasi dokumen dalam pengelompokan teks dan
berita yang ada sekarang ini, deteksi spam atau
filtering spam, dan masalah klasifikasi lainnya.
Teorema Naive Bayesian
memiliki beberapa
kelebihan dan kekurangan yaitu sebagai berikut :
Keuntungan Naive Bayesian :
- Menangani kuantitatif dan data diskrit
- Kokoh untuk titik noise yang diisolasi,
misalkan titik yang dirata ratakan ketika
mengestimasi peluang bersyarat data.
- Hanya memerlukan sejumlah kecil data
pelatihan untuk mengestimasi parameter
(rata- rata dan variansi dari variabel) yang
dibutuhkan untuk klasifikasi.
- Menangani nilai yang hilang dengan
mengabaikan instansi selama perhitungan
estimasi peluang
- Cepat dan efisiensi ruang
- Kokoh terhadap atribut yang tidak relevan
Kekurangan Naive Bayesian :
- Tidak
berlaku
jika
probabilitas
kondisionalnya adalah nol, apabila nol maka
probabilitas prediksi akan bernilai nol juga
- Mengasumsikan variabel bebas
Naive Bayesian dapat dirumuskan sebagai berikut :
n

P( X | Ci ) P( Xk | Ci )
k l

p ( x | w) p ( w)
p ( x)

Dengan tiap set atribut X = {X1,X2,.....,Xn} terdiri

dari n atribut.
2.3 Density of Document
2.4 Sentiment Analysis

KESIMPULAN DAN SARAN

DAFTAR PUSTAKA

[1] Website Resmi Lembaga E-Complaint UB.,

2013.
E-Complaint
UB
|
Beranda,
<URL:http://e-complaint.ub.ac.id>.
[2] Rafael E. Banchs. 2012. Text Mining with
MATLAB. MATLAB is a registered
trademark of The MathWorks, Inc.
[3] Sethu Vijayakumar and Si Wu. 1999
Sequential Support Vector Classifiers and
Regression.
Proceeding
International
Conference on Soft Computing (SOCO99),
Genoa, Italy, pp.610-619.
[4] Uma, R. Muneeswaran, K. 2013. Efficacious
Geospatial Information Retrieval Using Density
Probabilistic Document Correlation Approach.
Journal of Computer Science, 9 (1): 83-93.
[5] Subhransu Maji, Alexander C. Berg, Jitendra
Malik. 2013. Efficient Classification for
Additive Kernel SVMs. IEEE, Transactions
On Pattern Analysis And Machine
Intelligence, Vol. 35, No. 1.
[6] Khin Phyu Phyu Shein, Thi Thi Soe Nyunt.
2010. Sentiment Classification based on
Ontology and SVM Classifier. Second
International Conference on Communication
Software and Networks.
[7] Aqsath Rasyid Naradhipa, Ayu Purwarianti.
2012. Sentiment Classification for Indonesian
Message in Social Media. IEEE.
[8] Mooney, Raymond J. 2006. Mining Text
Mining with Information Extraction. Austin :
University of Texas.
[9] B. Pang., L. Lee. 2008. Opinion Mining and
Sentiment Analysis. Foundations and
Trends in Information Retrieval Vol. 2, Nos.
12 1135 DOI: 10.1561/1500000001.
[10] Clayton R. Fink, Danielle S. Chou, Jonathon J.
Kopecky, Ashley J. Llorens. 2011. Coarse- and
Fine-Grained Sentiment Analysis of Social
Media Text. Johns Hopkins Apl Technical
Digest, Volume 30, Number 1.
[11] Taras Zagibalov, John Carroll. 2008.
Automatic Seed Word Selection for
Unsupervised Sentiment Classification of
Chinese Text. Proceedings of the 22nd
International Conference on Computational
Linguistics pages 10731080 Manchester.
[12] C. Cortes., V. Vapnik, (1995), Support-Vector
Networks, Machine Learning, vol. 20, no. 3,
pp. 273-297.
Imam Cholissodin.
Lahir di
Lamongan pada tanggal 19 Juli
1985. Peneliti telah menyelesaikan
pendidikan
S2
di
Teknik
Informatika FTIF ITS Surabaya
pada Tahun 2009-2011. Saat ini

peneliti aktif sebagai dosen pengajar di

jurusan Teknik Informatika Program Teknologi dan Ilmu
Komputer (PTIIK) Universitas Brawijaya (UB) Malang pada
beberapa mata kuliah, seperti
Information Retrieval,
Pengolahan Citra Digital, Probabilitas dan Statatistika, Grafika
Komputer, Decision Support System, Kecerdasan Buatan, Data
Mining dan Pengenalan Pola. Bidang Keminatan yang ditekuni
peneliti adalah Information Retrieval, Artificial Vision, Image
Processing, dan Cryptography. Di samping mengajar, peneliti
juga aktif dalam Riset Group Image Processing dan Vision
(IMPROV) di dalam Laboratorium Komputasi Cerdas dan
Visualisasi. Selain itu peneliti juga telah melakukan beberapa
publikasi pada jurnal nasional dan internasional (IEEE). Riset
pada tahun 2013-2014 yang sedang dilakukan sekarang bersama
dengan beberapa tim dosen dan mahasiswa semester akhir
adalah berfokus pada bidang Information Retrieval untuk
melakukan analisis dokumen lembaga pendidikan secara Realtime, yaitu dengan tema Groups Decision Sentiment Analysis
Untuk
Klasifikasi
Dokumen
E-Complaint
Kampus
Menggunakan Additive Kernel SVM yang merupakan
kombinasi dari dua lintas bidang keilmuan antara Decision
Support System (DSS) dan Information Retrieval (IR).
Motto : We Are A Code, We Are The Best Code Of God.
Pas Foto Ketua Kelompok + Biography.

Pas Foto Anggota Kelompok + Biography.