REVIEW DATA MINING MENGGUNAKAN WEKA

DATA MINING MENGGUNAKAN WEKA

Weka adalah aplikasi data mining open source berbasis Java. Aplikasi ini dikembangkan pertama kali oleh Universitas Waikato di Selandia Baru sebelum menjadi bagian dari Pentaho. Weka terdiri dari koleksi algoritma machine learning yang dapat digunakan untuk melakukan generalisasi / formulasi dari sekumpulan data sampling. Walaupun kekuatan Weka terletak pada algoritma yang makin lengkap dan canggih, kesuksesan data mining tetap terletak pada faktor pengetahuan manusia implementornya. Tugas pengumpulan data yang berkualitas tinggi dan pengetahuan pemodelan dan penggunaan algoritma yang tepat diperlukan untuk menjamin keakuratan formulasi yang diharapkan

Empat tombol diatas dapat digunakan untuk menjalanankan Aplikasi : 

•  Explorer digunakan untuk menggali lebih jauh data dengan aplikasi WEKA 
• Experimenter digunakan untuk melakukan percobaan dengan pengujian statistic skema belajar 
• Knowledge Flow digunakan untuk pengetahuan pendukung 
• Simple CLI antar muka dengan menggunakan tampilan command-line yang memungkinkan langsung mengeksekusi perintah weka untuk Sistem Operasi yang tidak menyediakan secara langsung

Pada bagian atas window, tepatnya pada bawah judul bar. Terdapat deretan data, seperti Prepocess,Classify,Cluster,Associate,Select Attributes Visualize. Namun yang aktif hanya Prepocess ini dikarenakan sebelum menggunakan algoritma diatas pastikan sudah melakukan set file yang akan dieksekusi. Kesimpulan, "Weka itu salah satu software untuk pengerjaan data mining". 

Apa itu data mining ?

Data mining merupakan proses semi otomatik yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi pengetahuan potensial dan berguna yang bermanfaat yang tersimpan di dalam database besar. (Turban et al, 2005 )

Data mining merupakan analisis dari peninjauan kumpulan data untuk menemukan hubungan yang tidak diduga dan meringkas data dengan cara yang berbeda dengan sebelumnya, yang dapat dipahami dan bermanfaat bagi pemilik data.” (Larose, 2006)

Dan di bawah ini saya menggunakan 2 jenis metode agar bisa dibandingkan nantinya.

Decision Table dan IBk

1. Buka dataset dari UCI Machine Learning Repository

2. Pilih dataset yang ingin di-tambang. Disini kita coba mengerjakan dataset wine. (Dalam memilih, perhatikan keterangan detail dari dataset yang dipilih.)

3. Pilih Data Folder, lalu dilanjutkan dengan wine.data

4. Karena data tersebut tidak bisa dibaca oleh Weka, maka data tersebut diubah dulu ke .csv dengan      menyalinnya ke notepad dan disave dengan nama wine.csv.

Tahap Selanjutnya, Penggunaan Weka dimulai pada tahap ini. Tahap ini jugalah yang akan menggunakan 2 metode berbeda dalam penyelesaiannya.

•  Buka aplikasi Weka, pilih "explorer"
  
•           Pilih "Open File"
  
•        Pilih data yang sudah kita persiapkan sebelumnya. Di saya namanya wine.csv 
  

Klasifikasi yang digunakan disini ada 2 dari beberapa jenis klasifikasi,yaitu :

1. Rule Based Classifier

Mengklasifikasikan record menggunakan aturan "if...then...". Salah satu contoh metode yang menggunakan klasifikasi ini adalah Algoritma Decision Table.

•  Pilih tab classify 
  
•        Pada tab choose, pilih "Decision Table". Hasilnya adalah seperti ini
  
  
  
  
  
  
  
  
  
  k-NN adalah jenis algoritma yang paling "Malas". Algoritma k-NN adalah algoritma bahasa mesin yang paling sederhana. 

2. K-Nearest Neighbor Classifier

• pilih tab classify 
  
•        Pada tab choose, pilih "IBk". Hasilnya adalah seperti berikut
  
  
  
  
  
  
  
  
  
  Ada baiknya jika dilakukan lagi pengujian dengan memakai metode yang lain agar mencapai keakuratan yang maksimal. Dan Akhir, Setelah melakukan banyak tahapan dari awal menggunakan 2 metode yaitu Decision Table dan IBk, dapat disimpulkan bahwa IBk memiliki tingkat keakuratan lebih tinggi daripada Decision Table untuk dataset wine.

PENGERTIAN PENGOLAHAN CITRA

Pengolahan citra adalah salah satu cabang dari ilmu informatika. Pengolahan citra berkutat pada usaha untuk melakukan transformasi suatu citra / gambar menjadi citra lain dengan menggunakan teknik tertentu. Pengolahan citra merupakan bidang yang bersifat multidisiplin, yang terdiri dari banyak aspek, antara lain fisika, elektronika, matematika, seni dan teknologi komputer.

Pengolahan citra (image processing) memiliki hubungan yang sangat erat dengan disiplin ilmu yang lain. jika sebuah ilmu disiplin ilmu dinyatakan dengan bentuk proses suatu input menjadi output, maka pengolahan citra memiliki input berupa citra serta output juga berupa citra.

Aplikasi pengolahan citra telah memberikan sumbangan yang sangat berarti dalam berbagai aspek. Para perancang desain grafis telah merasakan betapa nikmatnya menggunakan software semacam Adobe Photoshop untuk mengerjakan berbagai tugas mereka. Pemakai Microsoft Word bisa memberikan ilustrasi gambar yang dipoles dengan teknik tertentu, misalnya memungkinkan gambar seolah-olah dibuat dengan goresan kapur. Robot seperti AIBO dapat membaca mimik si pemiliknya dan melakukan aksi untuk menghibur. Mesin inspeksi mampu mendeteksi produk yang cacat. Perangkat presensi dapat mengenali sidik jari para mahasiswa yang akan mengikuti kuliah. Pintu pun terbuka setelah retina mata si pegawai dipindai oleh pembaca retina mata. Hal-hal tersebut menunjukkan beberapa contoh yang melibatkan pengolahan citra.

Makalah ini mengupas sejumlah fondasi dalam pengolahan citra hingga ke aplikasinya, mengombinasikan teori dan praktik, dan juga membahas berbagai cara penggolahan citra dan sekaligus mewujudkannya ke dalam bentuk program.

Contoh program diwujudkan dengan menggunakan Octave. Octave adalah Free Software yang kompatibel dengan MATLAB.

Perangkat lunak ini dapat diunduh secara gratis. Informasi pengunduhannya dapat dilihat di https://www.gnu.org/software/octave/download.html Versi Octave yang digunakan untuk mengimplementasikan program adalah Octave 3.4.3./ 4.2.1

YUUKKK...... 
LANGSUNG SAJA KITA PRAKTIKKAN ..!!!!

1. Meningkatkan Kecerahan

Operasi dasar yang sering dilakukan pada citra adalah peningkatan kecerahan (brightness), operasi ini diperlukan dengan tujuan untuk membuat gambar menjadi lebih terang. 

Secara matematis,peningkatan kecerahan dilakukan dengan cara menambahkan suatu konstanta terhadap nilai seluruh piksel. Misalkan,f(y, x) menyatakan nilai piksel pada citra berskala keabuan pada koordinat (y, x). Maka,citra baru (,)= (,) + (3.2) telah meningkat nilai kecerahan semua pikselnya sebesar terhadap citra asli f(y,x).Apabila β berupa bilangan negatif,kecerahan akan menurun atau menjadi lebih gelap. Berikut contoh meningkatkan kecerahan citra dengan memberikan perintah seperti dibawah ini 

Gambar 1 (Sebelum dicerahkan Gambar)      

                                           Gambar 2 (Setelah citra dicerahkan)

2. Merengangkan Citra

Kontras dalam suatu citra menyatakan distribusi warna terang dan warna gelap. Suatu citra berskala keabuan dikatakan memiliki kontras rendah apabila distribusi warna cenderung pada jangkauan aras keabuan yang sempit. Sebaliknya, citra mempunyai kontras tinggi apabila jangkauan aras keabuan lebih terdistribusi secara melebar. Kontras dapat diukur berdasarkan perbedaan antara nilai intensitas tertinggi dan nilai intensitas terendah yang menyusun piksel - piksel dalam citra.

Perlu diketahui, citra dengan kontras rendah acapkali terjadi karena kondisi pencahayaan yang jelek ataupun tidak seragam. Hal itu dapat diakibatkan oleh sensor - sensor penangkap citra yang tidak linear.

Agar distribusi intensitas piksel berubah perlu dilakukan peregangan kontras. Hal ini dilaksanakan dengan menggunakan rumus : (, ) = (, ) (3.3). Berdasarkan rumus di atas, kontras akan naik kalau α > 1 dan kontras akan turun kalau α < 1. Sekarang akan dicoba untuk meregangkan kontras dengan cara seperti berikut:

Gambar 1 (Sebelum dicerahkan Gambar)

Gambar 2 (Setelah meregangkan kontras)

3. Menampilkan Dua Citra Dalam Satu Jendela

Octave menyediakan fasilitas yang memungkinkan dua buah citra diletakkan dalam satu jendela dengan memberikan perintah ‘subplot’ seperti berikut :

Hasilnya dapat dilihat seperti dibawah ini :

Gambar 1. Menampilkan dua citra di dalam satu jendela

Fungsi ‘figure’ perlu dipanggil terlebih dulu sebelum memanggil ‘imshow’ untuk menampilkan dua citra di dua jendela masing – masing, Perintah ‘close all’ digunakan untuk menutup semua jendela.

Adapun pada ‘subplot’, argumen pertama menyatakan jumlah baris citra dan argumen kedua menyatakan jumlah kolom citra dalam jendela. Argumen ketiga menyatakan indeks citra dalam jendela yang bernilai antara 1 sampai dengan jumlah baris x jumlah kolom.


4. Menggunakan Histogram Citra

Pengertian histogram dalam pengolahan citra adalah .representasi grafis untuk distribusi warna dari citra digital atau menggambarkan penyebaran nilai-nilai intensitas pixel dari suatu citra atau bagian tertentu di dalam citra. Dari sebuah histogram dapat diketahui frekuensi kemunculan relatif dari intensitas pada citra, kecerahan, dan kontas dari sebuah gambar.

Histogram citra dipresentasikan dengan dua bentuk:

1.      pertama tabel yang memuat kolom-kolom nilai piksel jumlah absolut setiap nilai piksel, jumlah komulatif piksel, presentase absolut setiap nilai, dan presentase komulatifnya.

2.      kedua, gambaran grafis yang menunjukkan nilai piksel pada sumbu x dan frekuensi kemunculan pada sumbu y.

Melalui gambaran grafis histogram ini, secara umum dapat diketahui sifat-sifat citra yang diwakilinya. Misalnya citra yang direkam dengan spectrum gelombang relatif pendek akan menghasilkan “ bukit tunggal “ histogram yang sempit (unimodal) wilayah yang memuat tubuh air agak luas akan menghasilkan kenampakan histogram dengan dua puncak.
Menampilkan histogram dengan memberikan perintah sebagai berikut :

   

Hasilnya dapat dilihat seperti dibawah ini :

Gambar.a : Citra Asli & Keabuan .jpg             Gambar.b : Histogranya

Perlu diketahui, (0:255) untuk membentuk nilai dari 0,1,2, dan seterusnya sampai dengan 255. Dengan kata lain, (0:255) membentuk larik1 x 256. Tanda ‘ di belakang (0:255) menyatakan operasi transpos, sehingga hasilnya berupa larik berukuran 256x1. Perintah bar digunakan untuk membuat diagram batang.

Terlihat pada Gambar.b : .Perhatikan keberadaan satu garis yang cukup panjang di posisi intensitas 250, yang berasal dari bagian citra yang berwarna hitam. Adapun puncak histogram di posisi intensitas sekitar 90 menyatakan warna dominan abu-abu.Garis panjang di sisi kanan menyatakan warna putih.

5. Citra Negatif

Negatif Image adalah suatu citra sepeti halnya meniru film  negatif pada fotografi dengan cara mengurangi nilai intensitas  pixel dari nilai keabuan maksimum. Misal citra dengan 256 derajat keabuan (8 bit), maka citra negatif diperoleh dengan persaman sebagai berikut:

X = (R + G + B) / bilangan pembagi     Y = 255 – X

Berikut contoh Citra Negatif dengan memberikan perintah seperti dibawah ini :

• Kesimpulan

Dari Blog ini dapat kita simpulkan bahwa Pengolahan citra adalah salah satu cabang dari ilmu informatika. Pengolahan citra, pada usaha untuk melakukan transformasi suatu citra / gambar menjadi citra lain dengan menggunakan teknik tertentu.

Pengolahan citra merupakan bidang yang bersifat multidisiplin, yang terdiri dari banyak aspek, antara lain fisika, elektronika, matematika, seni dan teknologi komputer.

Aplikasi pengolahan citra telah memberikan sumbangan yang sangat berarti dalam berbagai aspek. Para perancang desain grafis telah merasakan betapa nikmatnya menggunakan software semacam Adobe Photoshop untuk mengerjakan berbagai tugas mereka.

Pemakai Microsoft Word bisa memberikan ilustrasi gambar yang dipoles dengan teknik tertentu, misalnya memungkinkan gambar seolah-olah dibuat dengan goresan kapur. Robot seperti AIBO dapat membaca mimik si pemiliknya dan melakukan aksi untuk menghibur. Mesin inspeksi mampu mendeteksi produk yang cacat. Perangkat presensi dapat mengenali sidik jari para mahasiswa yang akan mengikuti kuliah. Pintu pun terbuka setelah retina mata si pegawai dipindai oleh pembaca retina mata. Hal-hal tersebut menunjukkan beberapa contoh yang melibatkan pengolahan citra.

• https://www.gnu.org/software/octave/doc/interpreter/Introduction.html#Introduction
  http://trihartatiii.blogspot.co.id/2017/06/koding-pengolahan-citra-digital.html
  https://pengolahancitradigital1.wordpress.com/2018/01/09/pengolahan-citra-eko-eresha/