![Proposal Sistem Pendeteksi Kebakaran [PDF]](https://pdfs.asia/img/200x200/proposal-sistem-pendeteksi-kebakaran.jpg)
13 0 803 KB
PROPOSAL PROYEK AKHIR
SISTEM PENDETEKSI KEBAKARAN MENGGUNAKAN IP CAMERA DAN ALGORITMA DECISION TREE
Disusun oleh : Puty Dwirona NIM. 1355301063
PROGRAM STUDI TEKNIK INFORMATIKA POLITEKNIK CALTEX RIAU 2016
RINGKASAN Api merupakan sumber energi panas yang dapat menguntungkan dan merugikan masyarakat. Api yang merugikan masyarakat merupakan api yang mendatangkan kebakaran. Kebakaran merupakan bencana yang dapat memakan korban jiwa dan menimbulkan kerugian ekonomi. Kebakaran biasanya terjadi akibat kelalaian ataupun kurangnya pengawasan dan bisa juga disebabkan oleh ulah tangan manusia. Ada baiknya bila terjadi kebakaran dapat diketahui lebih dini sebelum menimbulkan kerugian yang besar. Untuk itu, diajukan sebuah solusi dengan merancang sistem pendeteksi kebakaran yang dapat mendeteksi api dengan menggunakan IP Camera sebagai alat untuk menangkap citra dari api. Citra tersebut akan diolah untuk mendapatkan ciri warna dari citra api dengan menggunakan teknik histogram warna. Citra api yang sudah diekstraksi dapat dikenali polanya menggunakan algoritma klasifikasi Decision Tree untuk mendapatkan informasi kemunculan api kebakaran atau bukan api kebakaran. Infomasi yang didapatkan dari hasil klasifikasi, dikirimkan melalui e-mail sehingga user dapat mengetahui terjadinya kemunculan api kebakaran. Kata Kunci : Kebakaran, Api, IP Camera, Decision Tree
1
DAFTAR ISI RINGKASAN.......................................................................................................................................i DAFTAR ISI........................................................................................................................................ii DAFTAR GAMBAR...........................................................................................................................iv DAFTAR TABEL.................................................................................................................................v I.
PENDAHULUAN......................................................................................................................1 I.1
Latar Belakang.....................................................................................................................1
I.2
Perumusan Masalah.............................................................................................................2
I.3
Batasan Masalah..................................................................................................................3
I.4
Tujuan dan Manfaat.............................................................................................................3 I.4.1 Tujuan.........................................................................................................................3 I.4.2 Manfaat.......................................................................................................................3
I.5
Metodologi Penelitian..........................................................................................................3
I.6
Sistematika Penulisan..........................................................................................................4
II.
TINJAUAN PUSTAKA..............................................................................................................5 II.1
Penelitian Terdahulu.............................................................................................................5
II.2
Landasan Teori.....................................................................................................................6 II.2.1 Api..............................................................................................................................6 II.2.2 Kebakaran...................................................................................................................7 II.2.3 Citra Digital................................................................................................................8 II.2.4 Pengolahan Citra Digital (Digital Image Processing)................................................8 II.2.5 IP Camera.................................................................................................................11 II.2.6 Algoritma Pohon Keputusan (Decision Tree)...........................................................11 II.2.7 Hex Color Finder......................................................................................................23 II.2.8 KNIME.....................................................................................................................23 II.2.9 K-Fold Cross Validation...........................................................................................23 II.2.10 Confusion Matrix.................................................................................................24 II.2.11 E-mail..................................................................................................................25 II.2.12 SMS Gateway......................................................................................................25
III.
PERANCANGAN....................................................................................................................26
III.1
Arsitektur Perancangan......................................................................................................26
III.2
Perancangan Sistem...........................................................................................................26 III.2.1 Proses Learning....................................................................................................27 III.2.2 Proses Testing.......................................................................................................30 2
III.2.3 Use Case Diagram................................................................................................34 III.2.4 Skenario Use Case................................................................................................35 III.2.5 Skop Kebakaran...................................................................................................35 III.2.6 Perancangan Antarmuka.......................................................................................35 III.2.7 Metode Pengujian.................................................................................................36 IV.
JADWAL DAN ANGGARAN BIAYA....................................................................................37
IV.1
Jadwal.................................................................................................................................37
IV.2
Perkiraan Biaya..................................................................................................................37
DAFTAR PUSTAKA.........................................................................................................................38
3
DAFTAR GAMBAR Gambar 2.1 Api Kebakaran (Sumber: http://www.netralnews.com/)...................................................7 Gambar 2.2 Citra 4x4........................................................................................................................10 Gambar 2.3 Persebaran warna Histogram dari citra Gambar 2.3......................................................10 Gambar 2.4 Diagram cara kerja IP Camera. (Sumber: Aryanto, 2010)............................................11 Gambar 2.5 Model decision tree........................................................................................................12 Gambar 2.6. Model Decision Tree setelah penentuan root.................................................................16 Gambar 2.7. Model Decision Tree penentuan leaf node pertama.......................................................19 Gambar 2.9. Model akhir Decision Tree............................................................................................23 Gambar 2.10. Prosedur 10-fold Cross Validation (Sumber: Olson & Delen, 2008)..........................24 Gambar 3.1 Arsitektur Perancangan...................................................................................................26 Gambar 3.2 Gambar Flowchart pada proses learning.......................................................................27 Gambar 3.3 Blok Diagram Preprocesing...........................................................................................27 Gambar 3.4 Citra Api dan nilai pada suatu pixel, (a) warna oranye, (b) warna kuning, (c) warna putih ...................................................................................................................................................28 Gambar 3.5 Citra 4x4 dengan label warna oranye, kuning dan putih................................................29 Gambar 3.6 Gambar Flowchart pada proses testing..........................................................................30 Gambar 3.7 Gambar Flowchart algoritma Decision Tree..................................................................31 Gambar 3.8 Gambar Decision Tree berdasarkan Tabel 3.3................................................................34 Gambar 3.9 Gambar Use Case Diagram............................................................................................35 Gambar 3.10 Hasil klasifikasi berupa teks.........................................................................................36
4
DAFTAR TABEL Tabel 2.1 Perbandingan Penelitian Terdahulu dan Penelitian Sekarang..............................................6 Tabel 2.2 Warna dan nilai penyusun warna..........................................................................................8 Tabel 2.3 Contoh Tabel Data Testing..................................................................................................13 Tabel 2.4 Contoh Tabel Data Training...............................................................................................13 Tabel 2.5 Contoh Tabel Data Training untuk atribut Outlook dengan nilai atribut sunny.................16 Tabel 2.6 Contoh Tabel Data Training untuk atribut Outlook dengan nilai atribut overcast.............19 Tabel 2.7 Contoh Tabel Data Training untuk atribut Outlook dengan nilai atribut rain....................20 Tabel 2.8 Tabel Confusion Matrix......................................................................................................24 Tabel 3.1 Tabel warna penyusun api dan nilai komponen RGB nya..................................................28 Tabel 3.2 Unsur data testing...............................................................................................................31 Tabel 3.3 Unsur data training.............................................................................................................32 Tabel 4.1 Jadwal Pelaksanaan Proyek Akhir......................................................................................37 Tabel 4.2 Perkiraan Biaya...................................................................................................................37
5
I.
PENDAHULUAN I.1
Latar Belakang Dewasa ini, masih banyak bencana atau peristiwa yang tidak terduga terjadi disekitar kita.
Bencana adalah rangkaian peristiwa yang mengancam dan mengganggu kehidupan masyarakat. Kebakaran merupakan contoh bencana yang disebabkan oleh faktor non alam yang dapat memakan korban jiwa dan menimbulkan kerugian ekonomi. Bencana kebakaran dapat terjadi di rumah, sekolah, gedung, hutan dan lain-lain. Berdasarkan laporan yang dirilis oleh BNPB (Badan Nasional Penanggulan Bencana) titik kebakaran hutan dan lahan di Indonesia semakin meningkat mencapai 151 hotspot dan Riau dengan titik kebakaran tertinggi yaitu 45 titik kebakaran. Kebakaran biasanya terjadi akibat kelalaian ataupun kurangnya pengawasan dan bisa juga disebabkan oleh ulah tangan manusia. Ada baiknya bila kebakaran dapat dicegah sebelum menimbulkan kerugian yang besar. Dengan adanya teknologi yang sudah canggih tentunya tanda-tanda kebakaran dapat dipantau (BNPB, 2016). Teknologi informasi semakin pesat dan dapat digunakan disegala bidang. Menurut (Williams & Sawyer, 2003), teknologi informasi adalah teknologi yang menggabungkan komputer dengan jalur komunikasi berkecepatan tinggi yang membawa data, suara dan video. Data dalam bentuk multimedia yang ditampung dengan menggunakan komputer. Perangkat keras yang paling umum digunakan dalam teknologi informasi adalah komputer. Komputer bukan merupakan hal yang langka lagi bagi umat manusia. Selain perangkat keras tentunya ada juga teknologi perangkat lunak yang digunakan (Dudung, 2015). Teknik pengolahan citra merupakan salah satu teknologi perangkat lunak yang banyak digunakan di kehidupan sehari-hari. Seperti pendeteksi kondisi cuaca berdasarkan citra awan yang akan memberikan informasi cuaca (Handhoko, Zul, & Fitrisia, 2015). Penerapan lainnya pada bidang ketenagakerjaan seperti scanning sidik jari pada mesin fingerprint yang digunakan untuk sistem absensi kepegawaian. Pengolahan citra juga dapat digunakan untuk pendeteksian objek dibidang keamanan seperti pendeteksi kebakaran yang akan mendeteksi citra api. Api dapat dideteksi berdasarkan sebaran warna yang dimiliki oleh citra api. Dalam pemantauan dibidang keamanan alat yang biasa digunakan yaitu surveillance camera. Jenis surveillance camera ada berbagai macam seperti CCTV (Closed-Circuit Televsion), IP Camera dan lain - lain. CCTV merupakan perangkat yang biasa digunakan pada bidang keamanan salah satunya dalam mendeteksi api kebakaran seperti penilitian yang dilakukan oleh (Prahara, 2015) yaitu sistem deteksi kebakaran yang menggunakan kamera CCTV sebagai alat pemantau. Akan tetapi beberapa perangkat CCTV memiliki kekurangan seperti menggunakan kabel coaxial yang rumit dan mahal, lebih mudah dipengaruhi noise serta interferensi dan terkadang perangkat ini sering salah dalam 1
menggabungkan warna. Sehingga diberikan solusi menggunakan alat yang tidak memerlukan kabel coaxial yang mahal, kamera yang lebih tahan terhadap noise dan instalasi kabel yang lebih sedikit yaitu IP Camera (Pratama, 2015). IP Camera adalah perangkat teknologi yang terdiri atas sebuah komputer, software, dan kamera yang terintegrasi menjadi satu kesatuan dengan kemampuan utama merekam objek dalam bentuk gambar atau video. Netcam (Network Camera) merupakan nama lain dari IP Camera yang dapat diakses oleh PC secara langsung, atau melalui LAN, internet dan jaringan telepon seluler (Aryanto, 2010). IP Camera ini sering digunakan untuk pengawasan dan keamanan. Pada sistem deteksi kebakaran gambar yang ditangkap oleh IP Camera dapat diproses menggunakan teknik pengolahan citra. Citra yang ada dapat diklasifikasikan dengan menggunakan algoritma klasifikasi yang dapat mengenal pola api. Decision Tree merupakan algoritma yang dapat digunakan untuk pengenalan pola (Badriyah, 2008). Algoritma Decision Tree adalah algoritma berupa pohon keputusan. Decision Tree merupakan salah satu algoritma yang dapat digunakan untuk melakukan klasifikasi terhadap sekumpulan objek atau record (Yulianora, Latif, & Febriana, 2014). Sehingga Deision Tree dapat digunakan
sebagai
algoritma
yang
menghasilkan
pola
pohon
keputusan
yang
dapat
mengklasifikasikan sebuah pola warna api yang diduga sebagai api kebakaran. Dari permasalahan yang telah dibahas sebelumnya maka dilakukan penelitian untuk membuat sistem pendeteksi kebakaran menggunakan IP Camera dan menerapkan algoritma klasifikasi Decision Tree. Sistem ini akan mendeteksi citra dengan intensitas sebaran warna yang diduga sebagai api kebakaran. Sistem pendeteksi kebakaran berbasis web ini digunakan untuk mendeteksi api yang berpotensi menyebabkan kebakaran dan dapat mengirimkan informasi kemunculan api melalui e-mail kepada user. I.2
Perumusan Masalah Berdasarkan latar belakang yang telah diuraikan, maka dirumuskanlah masalah dalam
pembuatan proyek akhir ini, masalah tersebut yaitu: 1. Bagaimana merancang sistem pendeteksi kebakaran dengan menggunakan IP Camera? 2. Bagaimana membuat sistem dapat mengelolah gambar yang ditangkap oleh IP Camera dengan menggunakan teknik pengolahan citra sehingga dapat memberikan informasi kemunculan api yang berpotensi sebagai api kebakaran kepada user? 3. Bagaimana melakukan proses klasifikasi citra api dengan menggunakan algoritma Decision Tree?
2
I.3
Batasan Masalah Adapun batasan masalah dalam pembuatan proyek akhir ini adalah:
1. 2. 3. 4.
Menggunakan 1 IP camera sebagai penangkap citra api Posisi IP Camera bersifat statis Pengujian pada deteksi api berupa simulasi Api yang dideteksi berdasarkan banyaknya intensitas warna yang ada pada citra api dengan menggunakan ekstraksi ciri sebaran warna
5. Sistem memberikan informasi kemunculan api kebakaran berupa text kepada user melalui email I.4
Tujuan dan Manfaat Proyek akhir ini memiliki beberapa tujuan dan manfaat. Adapun tujuan dan manfaat dari
pembuatan proyek akhir ini antara lain: I.4.1
Tujuan Adapun tujuan dari pembuatan proyek akhir ini adalah merancang sistem pendeteksi
kebakaran menggunakan IP Camera dan menerapkan teknik pengolahan citra digital sehingga sistem dapat mengirimkan informasi terjadinya kebakaran. I.4.2
Manfaat Manfaat dari pembuatan proyek akhir ini adalah:
1. Mengetahui nilai akurasi ketepatan sistem dalam mengklasifikasikan citra api 2. User dapat mengetahui informasi api yang berpotensi sebagai api kebakaran I.5
Metodologi Penelitian Dalam penulisan laporan proyek akhir ini digunakan beberapa metode untuk mendapatkan
data-data yang diperlukan sebagai pedoman dalam menulis laporan proyek akhir. Metode-metode tersebut adalah: 1
Studi Literatur Proses pengumpulan referensi pada proyek akhir ini baik dari buku, artikel, paper, jurnal, makalah, maupun situs internet mengenai kebakaran, IP Camera, Pengolahan Citra Digital, algoritma Decision Tree, serta beberapa referensi lainnya untuk menunjang pencapaian tujuan penelitian.
2
Perancangan Melakukan perancangan pembuatan sistem dengan mempertimbangkan tujuan dan manfaat dari pembuatan sistem pendetekesi kebakaran menggunakan IP Camera dan algoritma Decision Tree
3
Pengujian 3
Melakukan pengujian terhadap sistem pendetekesi kebakaran menggunakan IP Camera dan algoritma Decision Tree 4
Analisa dan Evaluasi Melakukan analisa dan evaluasi terhadap hasil dari sistem pendetekesi kebakaran menggunakan IP Camera dan algoritma Decision Tree
I.6
Sistematika Penulisan Sistematika penulisan laporan proyek akhir ini secara keseluruhan terdiri dari empat bab,
masing-masing terdiri dari beberapa sub bab. Adapun pokok pembahasan dari masing-masing bab tersebut secara garis besar sebagai berikut: BAB I PENDAHULUAN Bab ini menguraikan tentang latar belakang masalah, perumusan masalah dan ruang lingkup masalah, tujuan dan manfaat penelitian, metodologi penelitian dan sistematika penulisan. BAB II TINJAUAN PUSTAKA Bab ini menguraikan beberapa hasil penelitian terdahulu dan landasan teori yang diperlukan untuk merancang sistem. BAB III PERANCANGAN Bab ini menjelaskan tentang perancangan sistem terdiri dari perancangan sistem yang akan dibangun. BAB IV JADWAL DAN PERKIRAAN BIAYA Bab ini berisi informasi mengenai jadwal pengerjaan proyek akhir dan perkiraan biaya yang dibutuhkan untuk pengerjaan proyek akhir.
4
II.
TINJAUAN PUSTAKA I.7
Penelitian Terdahulu
Penelitian menggunakan teknik pengolahan citra sudah banyak dilakukan sebelumnya, salah satunya adalah penelitian yang dilakukan oleh (Miqdad, 2015), mengenai sistem yang dapat mendeteksi kualitas kayu kelapa. Masukan dari sistem berupa citra dari kayu kelapa yang kemudian ciri dari kayu kelapa diekstraksi menggunakan teknik Histogram. Kayu yang sudah diekstraksi, diklasifikasikan ke dalam beberapa class untuk menentukan kualitas drai kayu kelapa. Algoritma klasifikasi yang digunakan adalah Naïve Bayes, yang mengkategorikan class dengan nilai A, B, dan C. Hasil dari pengujian terhadap pendeteksian kualitas kayu kelapa memiliki akurasi yaitu 86.67%. Penelitian yang dilakukan oleh (Budianita, Jasril, & Handayani, 2015), mengenai suatu sistem yang dapat mendeteksi daging sapi dan babi dengan menggunakan pengolahan citra. Penelitian yang dilakukan dengan menggunakan kamera handphone Samsung Grand Two 8 MP dilakukan pemotretan terhadap data daging sapi dan babi sehingga diperoleh citra digital daging sapi dan babi. Ektraksi fitur pada citra daging sapi dan babi menggunakan metode Histogram warna HSV untuk fitur warna dan dan metode orde dua untuk ekstraksi fitur tekstur. Klasifikasi citra daging sapi dan babi menggunakan k-NN. Hasil pengujian terhadap citra daging sapi dan babi memiliki akurasi yaitu 88.75%. Penelitian selanjutnya dilakukan oleh (Handhoko, Zul, & Fitrisia, 2015), mengenai sistem pendeteksian cuaca berdasarkan pencitraan awan berbasis pengolahan citra menggunakan teknologi IP Camera. Metode klasifikasi pada citra awan menggunakan algoritma Histogram warna. Algoritma klasifikasi untuk menentukan kelas pada citra awan menggunakan algoritma k-NN. Berdasarkan pengujian yang dilakukan oleh Handhoko, sistem menghasilkan tingkat akurasi sebesar 84.21%. Penelitian terakhir ini berhubungan dengan deteksi kebakaran yang dilakukan oleh (Prahara, 2015), mengenai pendeteksi kebakaran pada video berbasis pengolahan citra dengan dukungan GPU (Graphic Processing Unit). Penilitian yang dilakukan menggunakan kamera CCTV yang berguna sebagai perekam video. Citra api dari video diolah menggunakan Histogram HSV. Penilitian berfungsi sebagai informasi kebakaran serta lokasi kebakaran pada sistem. Hasil pengujian terhadap citra api berupa video memiliki akurasi 97.96% pada kondisi pagi hari dan 98.65% pada kondisi malam hari.
5
Tabel 2.1 Perbandingan Penelitian Terdahulu dan Penelitian Sekarang Parameter
Miqdad (2015)
Judul
Penentuan Kualitas Kayu Kelapa Menggunakan Algoritma Naïve Bayes Berdasarkan Tekstur pada Citra
Input
Citra kayu kelapa
Metode
Histogram
Ektraksi Ciri Metode Klasifikasi Output
I.8
Budianita, dkk (2015) Implementasi Pengolahan Citra dan Klasifikasi kNearest Neighbour Untuk Membangun Aplikasi Pembeda Daging Sapi dan Babi
Gambar yang ditangkap menggunakan kamera handphone Samsung Grand Two 8 MP Histogram warna HSV
Naïve Bayes Kualitas kayu dengan kategori nilai A, B dan C
K-Nearest Neighbor Daging sapi, daging babi
Penelitian
Handhoko (2015)
Prahara (2015)
Sistem Deteksi Kondisi Cuaca Berdasarkan Pencitraan Awan Berbasis Pengolahan Citra Digital Menggunakan Algoritma kNearest Nesighbor (k-NN)
Deteksi Kebakaran pada Video Berbasis Pengolahan Citra dengan Dukungan GPU
Citra yang ditangkap melalui IP Camera
Citra ditangkap berupa video melalui CCTV
Citra dari IP Camera
Histogram warna
Histogram warna HSV
Histogram warna
K-Nearest Neighbor Cerah Berawan, Berawan, Hujan, Malam Cerah, Malam Hujan
Informasi kebakaran
Sekarang Sistem Pendeteksi Kebakaran Menggunakan IP Camera dan Algoritma Decision Tree
Decision Tree Informasi Ada Kebakaran, Tidak Ada Kebakaran
Landasan Teori Terdapat beberapa landasan teori yang digunakan untuk mendukung pengerjaan sistem ini.
Adapun teori-teori yang digunakan dalam pembuatan sistem ini antara lain: 1. Api 2. Kebakaran 3. Citra Digital 4. Pengolahan Citra Digital 5. IP Camera 6. Algoritma Pohon Keputusan (Decision Tree) 7. K-Fold Cross Validation 8. Confusion Matrix 9. E-mail 6
II.2.1 Api Api didefinisikan sebagai suatu reaksi kimia yang diikuti oleh pengeluaran asap, panas, nyala dan gas-gas lainnya. Api juga merupakan hasil dari reaksi pembakaran yang cepat. Terdapat tiga unsur yang diperlukan untuk membuat terjadinya api yaitu bahan bakar (fuel), udara (oksigen), dan sumber panas. Apabila ketiga unsur berada dalam satu konsentrasi, maka terjadilah pembakaran yang timbul akibat reaksi oksidasi (Ifan, Th.Musa, & Farhamsa, 2015). Lilin yang dibakar merupakan contoh reaksi oksidasi. Ketika lilin dinyalakan akan timbul panas. Panas ini merupakan reaksi kimia dari lilin dan oksigen. Selain itu, molekul-molekul lilin disekitar api akan langsung berubah wujud menjadi gas untuk bereaksi dengan oksigen. Setiap materi yang suhunya sangat panas akan memancarkan cahaya, awalnya berwarna merah, dan jika semakin panas akan mejadi kuning dan kemudian biru. Suhu yang sangat tinggi membuat molekul-molekul gas lilin, udara dan sisa pembakaran yang tidak sempurna berpijar menghasilkan cahaya, itulah yang disebut api. 1
Warna Api Warna dominan dalam nyala api berubah dengan suhunya. Sebagian besar pembakaran
terjadi terdapat api dengan warna putih yaitu warna yang memiliki suhu terpanas (1.300°C sampai dengan 1.500°C) atau warna kuning. Diatas wilayah kuning, perubahan warna menjadi oranye yang suhunya lebih rendah (1.100°C sampai dengan 1.200°C), dimana api dengan warna oranye lebih dingin dibandingkan putih dan kuning (Maggio, 2011).
Gambar 2.1 Api Kebakaran (Sumber: http://www.netralnews.com/)
II.2.2 Kebakaran Kebakaran umumnya diketahui apabila keadaan api sudah mulai membesar (Faishal & Budiyanto, 2010). Kebakaran merupakan suatu peristiwa reaksi oksidasi dari tiga unsur yaitu bahan bakar, oksigen dan panas yang dapat menimbulkan kerugian harta benda, cidera dan kematian. Kebakaran merupakan bencana yang terjadi akibat timbulnya api yang tidak dikehendaki. Kebakaran terjadi secara tidak diduga, api kebakaran tidak akan padam apabila tidak dipadamkan. Kebakaran akan padam apabila konsentrasi keseimbangan hubungan tiga unsur dalam seigitiga api 7
tidak terpenuhi lagi. Penyebab timbulnya api kebakaran bisa dikarenakan ulah tangan manusia, peristiwa alam dan unsur kesengajaan (Ifan, Th.Musa, & Farhamsa, 2015). II.2.3 Citra Digital Citra Digital dapat dinyatakan sebagai suatu fungsi dua dimensi f(x,y), dengan x maupun y adalah posisi koordinat sedangkan f merupakan amplitudo pada posisi (x,y) yang sering dikenal sebagai intensitas atau gray scale (Gonzales, 2002). Nilai dari intensitas bentuknya adalah diskrit mulai dari 0 sampai 255. Citra yang ditangkap oleh kamera dan telah dikuantisasi dalam bentuk nilai diskrit disebut sebagai citra digital (digital image). Sedangkan foto hasil cetak dari printer tidak dapat disebut sebagai citra digital, namun foto yang tersimpan pada file gambar (bmp, jpg, png atau format lainnya) pada komputer dapat disebut sebagai citra digital. Jadi citra digital tersusun dari sejumlah nilai tingkat keabuan yang dikenal sebagai piksel (pixel) pada posisi tertentu (Kadir & Susanto, 2013). Untuk Melakukan pemrosesan citra digital, maka citra analog harus dikonversi terlebih dahulu ke dalam bentuk citra digital. Proses scanning menggunakan scanner merupakan salah satu proses konversi dari suatu citra analog menjadi citra digital. Proses pengambilan atau penangkapan suatu obyek menggunakan kamera digital akan langsung menghasilkan citra digital. Ada dua jenis citra digital, citra diam (still image) dan citra bergerak (moving image). Pada prinsipnya citra bergerak adalah sekumpulan citra diam dalam bentuk frame-frame. 1. Warna RGB Citra berwarna, atau biasa dinamakan citra RGB, merupakan jenis citra yang menyajikan warna dalam bentuk komponen R (merah), G (hijau), dan B (biru). Setiap komponen warna menggunakan 8 bit (nilainya berkisar 0 sampai dengan 255). Dengan demikian, kemungkinan warna yang dapat disajikan mencapai 255 x 255 x 255 atau 16.581.375 warna. Tabel 2.2 menentukan contoh warna dan nilai R, G dan B (Kadir & Susanto, 2013). Tabel 2.2 Warna dan nilai penyusun warna
Warna Merah Hijau Biru Hitam Putih Kuning
R
G
B
255 0 0 0 255 0
0 255 0 0 255 255
0 0 255 0 255 255
II.2.4 Pengolahan Citra Digital (Digital Image Processing) Secara umum, istilah pengolahan citra digital menyatakan “pemrosesan gambar berdimensidua melalui computer digital” (Jain, 1989). Menurut Efford (2000), pengolahan citra adalah istilah 8
umum untuk berbagai teknik yang keberadaannya untuk memanipulasi dan memodifikasi citra. Foto adalah contoh gambar berdimensi dua yang dapat diolah dengan mudah. Setiap foto dalam bentuk citra digital (misalnnya berasal dari kamera digital) dapat diolah melalui perangkat lunak tertentu. Pengolahan citra merupakan bagian penting yang mendasari berbagai aplikasi nyata, seperti pengenalan pola. Pada pengenalan pola, pengolahan citra antara lain berperan memisahkan objek dari latar belakang secara otomatis. Selanjutnya, objek akan diproses oleh pengklasifikasian pola. Sebagai contoh, sebuah objek buah dapat dikenali sebagai jeruk, apel, atau papaya. Pada penginderaan jarak jauh, tekstur atau warna pada citra dapat dipakai untuk mengidentifikasi objekobjek yang terdapat di dalam citra (Kadir & Susanto, 2013). 1. Akuisisi Citra Digital Akuisisi (pembentukan citra) merupakan proses pengambilan data citra. Untuk pengambilan data pada citra kontinyu menggunakan mata manusia dan kamera analog. Apabila citra yang ditangkap bukan merupakan citra digital, maka citra perlu didigitalisasi sehingga barulah disebut citra digital. Sedangkan, pengambilan data citra yang menggunakan kamera digital dan scanner sudah menghasilkan citra digital (Mahastama, 2013). 2. Ekstraksi Ciri Ekstraksi ciri (feature extraction) merupakan bagian fundamental dari analisis citra. Fitur adalah karateristik unik dari sebuah objek. Karateristik fitur yang baik sebisa mungkin memenuhi persyaratan sebagai berikut (Putra, 2010): 1. Dapat membedakan suatu objek dengan yang lainnya 2. Tidak terikat dalam arti bersifat invariant terhadap berbagai transformasi (rotasi, penskalaan, pergeseran, dan lain sebagainya) 3. Jumlahnya sedikit, karena fitur yang jumlahnya sedikit akan dapat menghemat waktu untuk komputasi dan ruang penyimpanan untuk proses selanjutnya Metode ekstraksi fitur suatu citra ada berbagai macam, yaitu Histogram, Matriks Coocurence, Gradient, Edge Detection, Wavelet, Histogram warna dan lain-lain. 3. Histogram Warna Informasi penting pada citra dapat diketahui dengan membuat histogram citra. Histogram citra adalah grafik yang menggambarkan penyebaran nilai-nilai intensitas pixel dari suatu citra atau bagian tertentu di dalam citra. Dari sebuah histogram dapat diketahui frekuensi kemunculan yang relative dari intensitas pada citra tersebut. Khusus untuk citra berwarna, histogramnya dibuat untuk setiap kanal RGB (merah, hijau, dan biru) (Munir, 2004).
9
Gambar 2.2 Citra 4x4
Histogram Warna 8 7
7
6
6
5
Nilai Pixel
4 3
3
2 1 0
Merah
Abu-Abu
Putih
Gambar 2.3 Persebaran warna Histogram dari citra Gambar 2.3
Berdasarkan grafik Histogram warna pada pada gambar 2.3, dapat dilihat persebaran warna yang muncul dari citra 4x4 yang terdapat pada Gambar 2.2. Berdasarkan penelitian yang pernah dilakukan oleh Handhoko (2015), maka dapat dihitung presentase banyak kemunculan warna dari citra tersebut: Merah=
7 x 100=43.75 16
Abu−Abu=
Putih=
6 x 100=37.5 16
2 x 100=18.75 16
Dari perhitungan persentase kemunculan warna tersebut, didapatkan dengan jumlah banyaknya kemunculan warna dibagi dengan banyaknya pixel dan dikali dengan 100, sehingga didapatkan nilai persentase dari tiap-tiap warna. Hasil dengan presentase warna yang tertinggi merupakan warna dominan dari citra.
10
II.2.5 IP Camera IP Camera atau network camera memiliki tiga blok utama, yaitu blok CPU, I/O, dan camera. Cara kerja IP Camera tidak jauh berbeda dengan CCTV. Blok diagram cara kerja IP Camera ditunjukkan pada gambar 2.4.
Gambar 2.4 Diagram cara kerja IP Camera. (Sumber: Aryanto, 2010)
Pada Gambar 2.5 diperlihatkan blok diagram sebuah IP Camera. Saat IP Camera beroperasi untuk menangkap objek berupa manusia, hewan, dan benda lain melalui lensa yang terdapat pada bagian camera, lensa akan mengubah objek yang ditangkap menjadi sinyal listrik. Sinyal tersebut kemudian diteruskan ke bagian CPU untuk diproses agar mudah dilewatkan pada jaringan IP. Setelah itu diteruskan kebagian I/O yang telah berbentuk paket-paket data kemudian dikeluarkan via port RJ 45 untuk diteruskan ke tujuan langsung, yaitu ke monitor PC atau media display lainnya (Aryanto, 2010). II.2.6 Algoritma Pohon Keputusan (Decision Tree) Pohon Keputusan (Decision Tree) adalah gambaran skematik dari alternatif yang tersedia bagi pengambil keputusan dan kemungkinan hasilnya. Istilah pohon keputusan diambil dari bentuk diagramnya yang memiliki cabang dan ranting seperti halnya sutau pohon. Pohon keputusan memiliki fungsi yang sama dengan tabel keputusan, namun biasanya lebih sesuai untuk situasi analisis yang memilliki keputusan berjenjang (Herjanto, 2008). Decision Tree merupakan algoritma klasifikasi yang berbentuk seperti struktur pohon (tree) di mana setiap node merupakan atribut, sedangkan cabangnya merupakan nilai dari atribut dan daun merupakan kelas. Pada decision tree yang merupakan node teratas disebut sebagai root (Gorunescu, 2011). Pada decision tree terdapat 3 jenis node, yaitu (Mentari, Prastio, & Muhtadi, 2015): 1. Root Node Merupakan node yang terletak paling atas, pada node ini bisa tidak mempunyai output atau bisa jadi output lebih dari satu dan tidak memiliki input. 2. Internal Node Merupakan node percabangan, pada internal node hanya ada satu input dan memiliki output paling sedikit dua 3. Leaf Node atau Terminal Node Merupakan node terakhir, pada leaf node hanya terdapat satu input dan tidak memiliki output maka dari itu disebut node paling akhir atau bawah 11
Gambar 2.5 Model decision tree
Pada gambar 2.5 , menunjukkan bahwa Decision Tree seperti menggunakan aturan if-then, tetapi tidak membutuhkan parameter dan metrik. Struktur yang sederhana dan dapat memungkinkan decision tree untuk memecahkan masalah atribut multi-type. Decision tree juga dapat mengelola nilai-nilai yang hilang atau data noise (Dua & Xian, 2011). Cara menentukan node yang terpilih sebagai root, dapat menggunakan nilai entropy dari setiap kriteria dengan data sample yang ditentukan. Node yang terpilih adalah keriteria dengan entropy yang paling kecil. Untuk mendapatkan nilai entropy dapat dihitung menggunakan rumus (1): n
Entropy ( S )=∑ −Pi × log 2 Pi i=1
(1)
Dimana: S : Himpunan kasus n : Jumlah partisi S Pi : Proporsi dari Si terhadap S Dari Tabel 2.5 terdapat contoh studi kasus untuk menerapkan perhitungan pada rumus Decision Tree. Tabel 2.5 berisi atribut yang dapat menentukan seseorang bisa bermain atau tidak bisa bermain. Tabel 2.5 merupakan data training dengan atribut kondisi cuaca yang terjadi dan kelas yang menentukan bisa bermain atau tidak bisa bermain. Tabel 2.4 merupakan data testing yang perlu diklasifikasi.
12
Tabel 2.3 Contoh Tabel Data Testing
I
Temperatur
Windy
D
Outlook
e
Humidity
1
Overcast
Mild
Normal
Kelas True
?
Tabel 2.4 Contoh Tabel Data Training
I
Temperatur
Windy
D
Outlook
e
Humidity
Kelas
1
Sunny
Hot
High
False
Don’t Play
2
Sunny
Hot
High
True
Don’t Play
3
Overcast
Hot
High
False
Play
4
Rain
Mild
High
False
Play
5
Rain
Cool
Normal
False
Play
6
Rain
Cool
Normal
True
Don’t Play
7
Overcast
Cool
Normal
True
Play
8
Sunny
Mild
High
False
Don’t Play
9
Sunny
Cool
Normal
False
Play
10
Rain
Mild
Normal
False
Play
11
Sunny
Mild
Normal
True
Play
12
Overcast
Mild
High
True
Play
13
Overcast
Hot
Normal
False
Play
14
Rain
Mild
High
True
Don’t Play
Dari data yang ada pada Tabel 2.5 dapat dilakukan perhitungan entropy masing-masing atribut menggunakan rumus (1) untuk menentukan atribut mana yang akan digunakan sebagai root, perhitungannya sebagai berikut: -
Outlook Atribut = Sunny Sunny =
5 14
2 Sunny ( Play )= =0.4 5 3 ' Sunny ( Do n t Play ) = =0.6 5 Entropy ( Play )=−0.4 × log 2 ( 0.4 )=0.53 Entropy ( Do n' t Play ) =−0.6 × log 2 ( 0.6 ) =0.44 13
Final Entropy=( 0.53+ 0.44 ) ×
5 =0.35 14
Atribut = Overcast Overcast=
4 14
4 A ( Play )= =1 4 0 A ( Don ' tPlay )= =0 4 Entropy ( Play )=−1× log 2 ( 1 )=0 Entropy ( Do n' t Play ) =−0 × log2 ( 0 )=0 Final Entropy=( 0+0 ) ×
4 =0 14
Atribut = Rain Rain=
5 14
3 Rain ( Play )= =0.6 5 2 Rain ( Don ' t Play ) = =0.4 5 Entropy ( Play )=−0.6 × log 2 ( 0.6 )=0.44 Entropy ( Do n' t Play ) =−0.4 × log 2 ( 0.4 )=0.53 Final Entropy=( 0.44 +0.53 ) ×
-
5 =0.35 14
Temperature Atribut = Hot Hot=
4 14
2 Hot ( Play ) = =0.5 4
14
2 Hot ( Don' t Play )= =0.5 4 Entropy ( Play )=−0.5 × log 2 ( 0.5 ) =0.5 Entropy ( Do n' t Play ) =−0.5 ×log 2 ( 0.5 )=0.5 Final Entropy=( 0.5+ 0.5 ) ×
4 =0.28 14
Atribut = Mild Mild=
6 14
4 Mild ( Play ) = =0.67 6 2 Mild ( Do n' t Play )= =0.33 6 Entropy ( Play )=−0.67 × log 2 ( 0.67 )=0.38 Entropy ( Do n' t Play ) =−0.33 ×log 2 ( 0.33 )=0.52 Final Entropy=( 0.38+ 0.52 ) ×
6 =0.39 14
Atribut = Cool Cool=
4 14
3 Cool ( Play )= =0.75 4 1 C ( Do n' t Play ) = =0.25 4 Entropy ( Play )=−0.75 × log 2 ( 0.75 ) =0.31 Entropy ( Do n' t Play ) =−0.25 ×log 2 ( 0.25 )=0.5 Final Entropy=( 0.31+ 0.5 ) ×
-
9 =0.23 11
Humidity Atribut = High 15
High=
7 14
3 High ( Play ) = =0.42 7 4 High ( Don' t Play )= =0.57 7 Entropy ( Play )=−0.42 ×log 2 ( 0.42 )=0 .52 Entropy ( Do n' t Play ) =−0.57 ×log 2 ( 0.57 ) =0.46 Final Entropy=( 0.52+ 0.46 ) ×
7 =0.49 14
Atribut = Normal Normal=
7 14
6 Normal ( Play )= =0 .86 7 1 Normal ( Don' t Play )= =0.14 7 Entr opy ( Play ) =−0.86 × log 2 ( 0.86 )=0.19 Entropy ( Do n' t Play ) =−0.14 × log 2 ( 0.14 )=0.4 Final Entropy=( 0.19+ 0.4 ) ×
-
7 =0.29 14
Windy Atribut = False False=
8 14
6 False ( Play )= =0.75 8 2 ' False ( Do n t Play )= =0.25 8 Entropy ( Play )=−0.75 × log 2 ( 0.75 ) =0 .31 16
Entropy ( Do n' t Play ) =−0.25 ×log 2 ( 0.25 )=0.5 Final Entropy=( 0.31+ 0.5 ) ×
8 =0.46 14
Atribut = True True=
6 14
3 True ( Play )= =0 .5 6 3 True ( Do n' t Play )= =0.5 6 Entropy ( Play )=−0.5 × log 2 ( 0.5 ) =0.5 Entropy ( Do n' t Play ) =−0.5 ×log 2 ( 0.5 )=0.5 Final Entropy=( 0.5+ 0.5 ) ×
6 =0.43 14
Selanjutnya FE (Final Entropy) dari masing-masing atribut dijumlahkan. Sehingga, didapatkan hasil sebagai berikut: -
Outlook: 0.35 + 0 + 0.35 = 0.70 Temperature: 0.28 + 0.39 + 0.23 = 0.90 Humidity: 0.49 + 0.29 = 0.78 Windy: 0.46 + 0.43 = 0.89
Dari hasil penjumlahan maka dipilihlah entropy terkecil dari masing-masing atribut yaitu atribut Outlook dengan nilai entropy 0.70 sebagai root. Kemudian buatlah cabang dari nilai-nilai atribut yang ada pada atribut Outlook yaitu sunny, overcast dan rain. Sehingga dihasilkan pola pohon keputusan seperti pada gambar 2.6.
Gambar 2.6. Model Decision Tree setelah penentuan root
Lakukan perhitungan entropy kembali, tetapi tanpa menggunakan atribut yang sudah menjadi root (Outlook) dan hanya melakukan perhitungan terhadap nilai atribut yang menjadi cabang dari atribut root yaitu hanya pada nilai atribut sunny. Pada Tabel 2.6 terdapat data yang digunakan untuk perhitungan penetentuan internal node pertama. 17
Tabel 2.5 Contoh Tabel Data Training untuk atribut Outlook dengan nilai atribut sunny
I
Temperatur
Windy
D
Outlook
e
Humidity
Kelas
1
Sunny
Hot
High
False
Don’t Play
2
Sunny
Hot
High
True
Don’t Play
8
Sunny
Mild
High
False
Don’t Play
9
Sunny
Cool
Normal
False
Play
11
Sunny
Mild
Normal
True
Play
Dari data yang ada pada Tabel 2.6 dilakukan perhitungan entropy pada atribut Temperature, Humidity dan Windy menggunakan rumus (1) untuk menentukan atribut mana yang akan digunakan sebagai internal node setelah root node, perhitungannya sebagai berikut: -
Temperature Atribut = Hot Hot=
2 5
0 Hot ( Play ) = =0 2 2 Hot ( Don' t Play )= =1 2 Entropy ( Play )=−0 × log 2 ( 0 )=0 Entropy ( Do n' t Play ) =−1× log 2 (1 ) =0 2 Final Entropy=( 0+ 0 ) × =0 5 Atribut = Mild Mild=
2 5
1 Mild ( Play ) = =0.5 2 1 Mild ( Do n' t Play )= =0.5 2 Entropy ( Play )=−0.5 × log 2 ( 0.5 ) =0.5
18
Entropy ( Do n' t Play ) =−0.5 ×log 2 ( 0.5 )=0.5 2 Final Entropy=( 0.5+ 0.5 ) × =0.4 5 Atribut = Cool Cool=
1 5
1 Cool ( Play )= =1 1 0 Cool ( Do n' t Play ) = =0 1 Entropy ( Play )=−1× log 2 ( 1 )=0 Entropy ( Do n' t Play ) =−0 × log2 ( 0 )=0 1 Final Entropy=( 0+ 0 ) × =0 5 -
Humidity Atribut = High High=
3 5
0 High ( Play ) = =0 3 3 ' High ( Don t Play )= =1 3 Entropy ( Play )=−0 × log 2 ( 0 )=0 Entropy ( Do n' t Play ) =−1× log 2 (1 ) =0 3 Final Entropy=( 0+ 0 ) × =0 5 Atribut = Normal Normal=
2 5
19
2 Normal ( Play )= =1 2 0 ' Normal ( Don t Play )= =0 2 Entropy ( Play )=−1× log 2 ( 1 )=0 Entropy ( Do n' t Play ) =−0 × log2 ( 0 )=0 2 Final Entropy=( 0+ 0 ) × =0 5 -
Windy Atribut = False False=
3 5
1 False ( Play )= =0.33 3 2 False ( Do n' t Play )= =0.67 3 Entropy ( Play )=−0.33 × log 2 ( 0.33 ) =0 .53 Entropy ( Do n' t Play ) =−0.67 × log 2 ( 0.67 ) =0.38 3 Final Entropy=( 0.53+ 0.38 ) × =0.55 5 Atribut = True True=
2 5
1 True ( Play )= =0 .5 2 1 True ( Do n' t Play )= =0.5 2 Entropy ( Play )=−0.5 × log 2 ( 0.5 ) =0.5 Entropy ( Do n' t Play ) =−0.5 ×log 2 ( 0.5 )=0.5
20
2 Final Entropy=( 0.5+ 0.5 ) × =0.4 5 Selanjutnya FE (Final Entropy) dari masing-masing atribut dijumlahkan. Sehingga, didapatkan hasil sebagai berikut: -
Temperature: 0 + 0.4 + 0 = 0.4 Humidity: 0 + 0 = 0 Windy: 0.55 + 0.4 = 0.95
Dari hasil penjumlahan maka dipilihlah entropy terkecil dari masing-masing atribut yaitu atribut Humidity dengan nilai entropy 0 sebagai internal node. Kemudian buatlah cabang dari nilainilai atribut yang ada pada atribut Humidity yaitu high dan normal. Berdasarkan nilai atribut (high dan normal) yang ada pada internal node dengan atribut Humidity memiliki nilai entropy yang sama maka langsung didapatkan leaf node pertama seperti pada Gambar 2.7.
Gambar 2.7. Model Decision Tree penentuan leaf node pertama
Lakukan perhitungan entropy kembali, tetapi tanpa menggunakan atribut yang sudah menjadi root (Outlook) dan hanya melakukan perhitungan terhadap nilai atribut yang menjadi cabang dari atribut yang menjadi root yaitu nilai atribut overcast. Pada Tabel 2.7 terdapat data yang digunakan untuk perhitungan penetentuan internal node. Tabel 2.6 Contoh Tabel Data Training untuk atribut Outlook dengan nilai atribut overcast
I
Temperatur
Windy
D
Outlook
e
Humidity
Kelas
3
Overcast
Hot
High
False
Play
7
Overcast
Cool
Normal
True
Play
12
Overcast
Mild
High
True
Play
13
Overcast
Hot
Normal
False
Play
21
Dari Tabel 2.7 dapat dilihat bahwa atribut Outlook dengan nilai atribut overcast keseluruhannya berada pada kelas play, sehingga dapat ditentukan langsung leaf node keduanya. Pada Gambar 2.8 menunjukkan hasil pohon keputusan hingga penentuan leaf node kedua.
Gambar 2.8. Model Decision Tree penentuan leaf node kedua
Lakukan perhitungan entropy kembali, tetapi tanpa menggunakan atribut yang sudah menjadi root (Outlook) dan hanya melakukan perhitungan terhadap nilai atribut yang menjadi cabang dari atribut yang menjadi root yaitu nilai atribut rain. Pada Tabel 2.8 terdapat data yang digunakan untuk perhitungan penetentuan internal node. Tabel 2.7 Contoh Tabel Data Training untuk atribut Outlook dengan nilai atribut rain
I
Temperatur
Windy
D
Outlook
e
Humidity
Kelas
4
Rain
Mild
High
False
Play
5
Rain
Cool
Normal
False
Play
6
Rain
Cool
Normal
True
Don’t Play
10
Rain
Mild
Normal
False
Play
14
Rain
Mild
High
True
Don’t Play
Dari data yang ada pada Tabel 2.8 dilakukan perhitungan entropy pada atribut Temperature, Humidity dan Windy menggunakan rumus (1) untuk menentukan atribut mana yang akan digunakan sebagai internal node setelah root node, perhitungannya sebagai berikut: Cabang yang belum memiliki turunan atribut atau kelas, tetap dilakukan perhitungan entropy hingga mendapatkan hasil kelasnya yang merupakan akhir dari model pohon keputusan. Sehingga didapatkan kelas untuk data testing pada Tabel 2.4 yaitu “Play” yang berasal dari model pohon keputusan seperti yang ditunjukkan pada Gambar 2.6. -
Temperature Atribut = Hot 22
Hot=
0 5
0 Hot ( Play ) = =0 0 0 Hot ( Don' t Play )= =0 0 Entro py ( Play )=−0 ×log 2 ( 0 )=0 Entropy ( Do n' t Play ) =−0 × log2 ( 0 )=0 0 Final Entropy=( 0+ 0 ) × =0 5 Atribut = Mild Mild=
3 5
2 Mild ( Play ) = =0.67 3 1 Mild ( Do n' t Play )= =0.33 3 Entropy ( Play )=−0.67 × log 2 ( 0.67 )=0.38 Entropy ( Do n' t Play ) =−0.33 ×log 2 ( 033 )=0.53 3 Final Entropy=( 0.38+ 0.53 ) × =0.55 5 Atribut = Cool Cool=
2 5
1 Cool ( Play )= =0.5 2 1 Cool ( Do n' t Play ) = =0.5 2 Entropy ( Play )=−0.5 × log 2 ( 0.5 ) =0.5 Entropy ( Do n' t Play ) =−0.5 ×log 2 ( 0.5 )=0.5 23
2 Final Entropy=( 0.5+ 0.5 ) × =0.4 5 -
Humidity Atribut = High High=
2 5
1 High ( Play ) = =0.5 2 1 High ( Don' t Play )= =0.5 2 Entropy ( Play )=−0.5 × log 2 ( 0.5 ) =0.5 Entropy ( Do n' t Play ) =−0.5 ×log 2 ( 0.5 )=0.5 2 Final Entropy=( 0.5+ 0.5 ) × =0.4 5 Atribut = Normal Normal=
3 5
2 Normal ( Play )= =0.67 3 1 Normal ( Don' t Play )= =0.33 3 Entropy ( Play )=−0.67 × log 2 ( 0.67 )=0.38 Entropy ( Do n' t Play ) =−0.33 ×log 2 ( 0.33 )=0.53 3 Final En tropy=( 0.38+ 0.53 ) × =0.55 5 -
Windy Atribut = False False=
3 5
24
3 False ( Play )= =1 3 0 ' False ( Do n t Play )= =0 3 Entropy ( Play )=−1× log 2 ( 1 )=0 Entropy ( Do n' t Play ) =−0 × log2 ( 0 )=0 3 Final Entropy=( 0+ 0 ) × =0 5 Atribut = True True=
2 5
0 True ( Play )= =0 2 2 True ( Do n' t Play )= =1 2 Entropy ( Play )=−0 × log 2 ( 0 )=0 Entropy ( Do n' t Play ) =−1× log 2 (1 ) =0 2 Final Entropy=( 0+ 0 ) × =0 5 Selanjutnya FE (Final Entropy) dari masing-masing atribut dijumlahkan. Sehingga, didapatkan hasil sebagai berikut: -
Temperature: 0 + 0.55 + 0.4 = 0.95 Humidity: 0.4 + 0.55 = 0.95 Windy: 0 + 0 = 0
Dari hasil penjumlahan maka dipilihlah entropy terkecil dari masing-masing atribut yaitu atribut Windy dengan nilai entropy 0 sebagai internal node. Kemudian buatlah cabang dari nilainilai atribut yang ada pada atribut Windy yaitu false dan true. Berdasarkan nilai atribut (false dan true) yang ada pada internal node dengan atribut Windy memiliki nilai entropy yang sama maka langsung didapatkan leaf node ketiga seperti pada Gambar 2.9. Gambar 2.9 merupakan hasil akhir dari pola pohon keputusan
25
Gambar 2.9. Model akhir Decision Tree
Berdasarkan pola pohon keputusan yang didapat dari Gambar 2.9, dapat disimpulkan bahwa: -
(Outlook = sunny & Humidity = high) = Don’t Play (Outlook = sunny & Humidity = normal) = Play (Outlook = overcast) = Play (Outlook = rain & Windy = true) = Don’t Play
-
(Outlook = rain & WIndy = false) = Play
II.2.7 Hex Color Finder Hex Color Finder (HCF) merupakan tool sebagai pemilih warna untuk sistem operasi Windows yang membantu pengguna dalam mendapatkan nilai warna RGB dan set warna dengan cepat dan mudah. Hex Color Finder menghasilkan nilai warna heksadesimal (misal: 2E505C). Untuk mendapatkan nilai warna bisa dilihat hanya dengan satu kali klik pada warna tertentu. Hex Color Finder memungkinkan untuk mengklik apa pun warna yang ada pada layar komputer dan menghasilkan kode warna yang dituju (Foley, 2014). II.2.8 KNIME KNIME atau Konstanz Information Miner merupakan software analisis data yang bersifat open source dan semakin banyak digunakan untuk proses data mining. Salah satu kelebihan dari KNIME adalah dapat memberi kemudahan dalam pengolahan data skala besar. Bahkan untuk mengolah big data, KNIME mampu memroses dengan cepat. Sehingga, sangat menghemat waktu pengerjaan jika dibandingkan dengan software yang lain (Riveranda, 2014). II.2.9 K-Fold Cross Validation Pada metode k-fold cross-validation, data pengujian dipisah secara acak ke dalam k himpunan bagian yang masing – masing kurang lebih berukuran sama. Pelatihan dan pengujian dilakukan sebanyak k kali. Pada iterasi ke-i, partisi Si digunakan sebagai data tes, dan partisi 26
sisanya digunakan bersama untuk melatih model (Lesmana, 2012). Misalnya, 10-fold cross validation dimana akan terjadi 10 kali iterasi. Terdapat 10 subset, 9 subset digunakan sebagai data training dan 1 subset digunakan sebagai data testing. Hasil pengukuran adalah nilai rata-rata dari 10 kali pengujian. Prosedur 10-fold validation ditunjukkan pada Gambar 2.7.
Gambar 2.10. Prosedur 10-fold Cross Validation (Sumber: Olson & Delen, 2008)
II.2.10 Confusion Matrix Confusion Matrix adalah teknik yang berguna untuk menganalisis seberapa baik classifier set-set data dari kelas yang berbeda. TP (True Positif) dan TN (True Negatives) memberikan informasi ketika classifier benar, sedangkan FP (False Positif) dan FN (False Negatives) memberitahu ketika classifier salah (Han, Kamber, & Pei, 2012). Tabel Confusion Matrix ditunjukkan pada tabel 2.6. Tabel 2.8 Tabel Confusion Matrix
1. 2. 3. 4.
Classification as Correct Classification + + True positive False negative False positif True negative True Positives : Mengacu pada tupel (record) yang diberi label benar sebagai positif True Negatives : Mengacu pada tupel (record) yang diberi label benar sebagai negativ False Positives : Mengacu pada tupel (record) yang diberi label salah sebagai positif False Negatives : Mengacu pada tupel (record) yang diberi label salah sebagai negativ
Pada confusion matrix terdapat langkah sensitivity dan specificity yang dapat digunakan. Sensitivity merupakan label yang benar pada bagian positif, sedangkan specificity merupakan label yang benar pada bagian negativ. Bisa dilihat pada rumus (2) dan (3): sensitivity=
TP P
(2)
specificity=
TN N
(3)
27
Dari penjelasan dan rumus sensitivity serta specificity dapat menunjukkan bahwa akurasi (accuracy) merupakan fungsi dari sensitivity dan specificity, dapat dilihat perhitungan akurasi pada rumus (4) dan (5): Akurasi=sensitivity
P N + specificity ( p + N) (p + N )
(4)
atau Akurasi =
TP+TN (TP+FP+ TN + FN)
* 100
(5)
Error rate atau kesalahan yang terjadi pada kalsifikasi juga dapat dihitung dengan menggunakan rumus (6): error rate=
FP+ FN P+ N
(6)
II.2.11 E-mail E-mail merupakan singkatan dari Electronic Mail, yaitu suatu metode untuk mengirimkan pesan (surat), menyimpannya (storing) dan meneruskannya (forwarding) ke alamat e-mail yang lain melalui media elektronik (internet/intranet). E-mail merupakan fasilitas yang dapat digunakan untuk saling bertukar file, baik berupa file dokumen, foto/gambar, suara, video dan file-file lainnya. Sebuah alamat e-mail terdiri atas dua bagian, yaitu di sebelah kiri dari tanda @ disebut user id yang menunjukkan identitas pemilik e-mail. Sedangkan, teks setelah lambang @ disebut domain name/hostname, yang menujukkan identitas domain tempat e-mail tersebut disimpan (Yuhefizar, 2008). II.2.12 SMS Gateway Gateway dapat diartikan sebagai jembatan penghubung antara satu sistem dengan sistem lain yang berbeda sehingga dapat terjadi suatu pertukaran data antara sistem tersebut. SMS gateway adalah sebuah gerbang yang menghubungkan antara komputer dengan client melalui SMS. SMS gateway merupkan suatu teknologi pengolahan SMS yang dilakukan secara terkomputerisasi dan memanfaatkan layanan SMS untuk berbagai keperluan serta tujuan masing – masing. SMS gateway dapat dibuat dengan infrastruktur yang sederhana seperti menggunakan ponsel ataupun modem GSM (Global System for Mobile Communication) / CDMA (Code Division Multiple Access) sebagai media pengiriman atau penerima SMS yang terpasang pada sebuah computer (Maulana, 2015).
28
II.
PERANCANGAN II.1
Arsitektur Perancangan
Arsitektur sistem secara keseluruhan pada proyek akhir ini dapat dilihat pada Gambar 3.1.
Gambar 3.1 Arsitektur Perancangan
Keterangan Gambar: 1. IP Camera: Alat yang digunakan untuk masukan atau input pada sistem yang menangkap citra api sebagai data testing 2. Router/Switch: Alat yang digunakan sebagai penghubung semua perangkat yang dibutuhkan agar semua perangkat berada dalam satu network 3. Server: Pada bagian server merupakan tempat untuk melakukan ekstraksi ciri dan klasifikasi class dengan menggunakan pola hasil algoritma Decision Tree. Data yang diklasifikasi merupakan data uji (data testing) yang dibandingkan dengan data yang sudah ada (data training). Server dirancang berbasis Web dengan menggunakan bahasa pemrograman PHP 4. Monitoring via Laptop / PC: Monitoring sistem pada web browser melalui Laptop / PC 5. Notifikasi via e-mail dan SMS: Pemberitahuan berupa teks melalui e-mail dan SMS mengenai informasi ketika terjadinya kemunculan api yang berpotensi sebagai api kebakaran yang dikirim secara otomatis oleh sistem. II.2
Perancangan Sistem
Dalam perancangan sistem, secara keseluruhan terdapat dua proses yang dilakukan yaitu proses learning dan proses testing.
29
III.2.1 Proses Learning Pada Gambar 3.2 ditunjukkan diagram alir (flowchart) pada tahapan proses learning.
Gambar 3.2 Gambar Flowchart pada proses learning
Berdasarkan flowchart pada Gambar 3.2, dapat dilihat tahapan yang terjadi pada proses learning. Citra api yang merupakan masukan akan diproses, kemudian akan melewati tahap preprocessing yang merupakan tahap awal pada proses citra api. Setelah itu akan dilakukan ekstraksi ciri menggunakan teknik histogram warna untuk menentukan intensitas warna tertinggi pada sebaran warna yang dimiliki oleh api. Hasil dari ekstraksi ciri disimpan sebagai data training. Data training digunakan sebagai data acuan atau pola dari warna api untuk melakukan proses klasifikasi dari data testing. 1. Preprocesing Citra api yang sudah memasuki sistem berupa citra digital selanjutnya melewati tahap preprocessing. Gambar 3.3 menunjukkan blok diagram pada tahapan preprocessing.
30
Gambar 3.3 Blok Diagram Preprocesing
2. Labeling Warna Komponen warna dari citra api akan dipisahkan menjadi 3 bagian warna yaitu, warna oranye, kuning dan putih. Pada masing-masing warna yang berada pada koordinat tertentu memiliki nilai RGB. Nilai RGB dari masing-masing warna didapatkan dengan menggunakan tools bantuan yaitu hex color finder 3.0. Gambar 3.4 menujukkan nilai warna RGB pada suatu titik pixel gambar api.
Gambar 3.4 Citra Api dan nilai pada suatu pixel, (a) warna oranye, (b) warna kuning, (c) warna putih
31
Citra api pada Gambar 3.4 menunjukkan nilai warna RGB yang berada pada titik koordinat tertentu. Nilai warna RGB pada citra api akan disimpan kedalam file excel. Tabel 3.1 Tabel warna penyusun api dan nilai komponen RGB nya
R 233 227 250 241 255 176 214 185 235 241
Oranye G 118 115 113 110 131 57 76 62 85 93
B 35 36 27 28 35 19 21 19 22 22
Kuning G 164 172 201 199 192 188 231 213 212 237
R 255 255 255 220 237 232 237 251 249 255
B 40 51 70 55 43 75 66 76 45 82
R 252 244 244 244 249 248 235 253 248 252
Putih G 249 242 244 252 247 242 251 250 255 245
B 181 156 215 228 240 151 150 166 204 188
Dari beberapa data pada Tabel 3.1 dapat disimpulkan range untuk warna oranye, kuning dan putih. Range untuk tiap warna dilihat dari nilai terkecil hingga nilai terbesar pada masingmasing komponen penyusun RGB. 3. Ekstraksi Ciri Setelah melewati tahap preprocessing, selanjutnya citra melewati tahapan ekstraksi ciri dengan menggunakan teknik histogram warna untuk mendapatkan nilai intensitas sebaran warna pada citra yang diduga api yang berpotensi sebagai api kebakaran. Tahapan Ekstraksi ciri ini meliputi warna api dengan warna oranye, kuning dan putih yang sudah diberi label pada tahap preprocessing. Selanjutnya data dari hasil ekstraksi ciri yang sudah diproses disimpan di dalam database sebagai data training yang digunakan untuk proses klasifikasi. Pada Gambar 3.5 menunjukkan citra dengan ukuran 4x4 dengan jumlah pixel 16 yang sudah memiliki label warna pada masing – masing pixel-nya.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Gambar 3.5 Citra 4x4 dengan label warna oranye, kuning dan putih
Dari Gambar 3.5 dapat dihitung nilai persentase untuk masing-masing sebaran warna oranye, kuning dan putih sebagai berikut:
32
Putih=
Oranye=
8 x 100=50 16
Kuning=
6 x 100=37.5 16
2 x 100=12.5 16
III.2.2 Proses Testing Selain proses learning juga terdapat proses testing, Gambar 3.5 menunjukkan proses testing pada sistem
Gambar 3.6 Gambar Flowchart pada proses testing
Berdasarkan flowchart pada Gambar 3.5, proses yang pertama dilakukan adalah proses akuisisi citra. Proses akuisisi citra adalah tahapan dimana IP Camera menangkap citra api yang dilakukan secara realtime, kemudian citra yang ditangkap menjadi masukan pada sistem berupa data testing. Citra yang ditangkap melewati tahap preprocessing, setalah dilakukan tahap pemrosesan awal ciri warna pada citra selanjutnya diekstraksi menggunakan metode histogram warna. Nilai yang didapat dari hasil ekstraksi ciri menggunakan histogram warna disebut sebagai data testing yang kemudian diklasifikasikan menggunakan algoritma klasifikasi Decision Tree. Klasifikasi dilakukan untuk menentukan citra api yang ditangkap termasuk kedalam class ada 33
kebakaran atau tidak ada kebakaran. Setelah sistem mendapatkan hasil dari klasifikasi citra api, maka notifikasi berupa teks dikirimkan melalui E-mail kepada user sebagai informasi adanya api yang berpotensi sebagai api kebakaran. 1. Akuisisi Citra Akuisisi Citra dilakukan pada sistem untuk menangkap citra api yang menjadi data testing. Citra ditangkap menggunakan IP Camera sehingga citra yang dihasilkan sudah merupakan citra digital. IP Camera yang digunakan untuk menangkap citra berada di luar ruangan dengan kondisi pada saat siang dan malam hari. 2. Klasifikasi menggunakan Decision Tree Tahapan klasifikasi menggunakan algoritma Decision Tree dilakukan pada data masukan yang sebelumnya melewati tahapan akuisisi citra yang disebut dengan data testing. Data testing diklasifikasi menggunakan Decision Tree berdasarkan data yang sudah mememiliki label warna api sebelumnya yaitu data training. Flowchart penggunaan algoritma Decision Tree ditunjukkan pada gambar 3.6
Gambar 3.7 Gambar Flowchart algoritma Decision Tree
Algoritma Decision Tree digunakan untuk mengklasifikasikan citra api berdasarkan model pohon keputusan yang dihasilkan dari data training. Model Decision Tree untuk sistem nantinya akan dibantu dengan menggunakan tool KNIME. 34
Pada Tabel 3.2 terdapat suatu data testing yang dikatakan telah melewati tahapan akuisisi, preprocessing dan ekstraksi ciri. Sedangkan Tabel 3.3 terdapat 12 data training yang digunakan sebagai data acuan untuk membuat sebuah pola pohon keuputusan dengan menggunakan perhitungan entropy pada rumus (1). Tabel 3.2 Unsur data testing
I D
Oranye
Kuning
Putih
Kelas
1
0.51
0.02
0.10
?
Tabel 3.3 Unsur data training
I
Temperatur
D
Outlook
e
Humidity
Kelas
1
0.60
0.10
0.10
Ada
2
0.20
0.51
0.10
Ada
3
0.51
0.15
0.15
Ada
4
0.15
0.10
0.51
Ada
5
0.51
0.20
0.10
Ada
6
0.21
0.52
0.10
Ada
7
0.10
0.05
0.05
Tidak Ada
8
0.05
0.05
0.20
Tidak Ada
9
0.08
0.02
0.10
Tidak Ada
10
0.15
0.05
0.04
Tidak Ada
11
0.12
0.10
0.01
Tidak Ada
12
0.20
0.02
0.05
Tidak Ada
Berdasarkan data yang ada pada tabel 3.3 dihitunglah nilai entropy masing-masing atribut untuk menentukan atribut yang akan menjadi root. Untuk nilai atribut dibagi menjadi 2 bagian, nilai atribut pertama (0 – 0.50) dan nilai atribut kedua (0.51 – 1). -
Oranye Nilai Atribut = 0 – 0.50 0−0.50=
9 12
3 0−0.50 ( Ada )= =0.33 9
35
6 0−0.50 (Tidak Ada )= =0.67 9 Entropy ( Ada )=−0.33× log 2 ( 0.33 )=0.53 Entropy ( Tidak Ada )=−0.6 7 × log2 ( 0.6 7 ) =0.38
Final Entropy=( 0.53+ 0.38 ) ×
9 =0. 68 12
Nilai Atribut = 0.51 - 1 0.51−1=
3 12
3 0.51−1 ( Ada ) = =1 3 0 0.51−1 ( Tidak Ada )= =0 3 Entropy ( Ada )=−1× log 2 ( 1 ) =0 Entropy ( Tidak Ada )=−0 ×log 2 ( 0 )=0 Final Entropy=( 0+ 0 ) × -
3 =0 12
Kuning Nilai Atribut = 0 – 0.50 0−0.50=
10 12
0−0.50 ( Ada )=
4 =0. 4 10
0−0.50 (Tidak Ada )=
6 =0.6 10
Entropy ( Ada )=−0. 4 × log 2 ( 0. 4 )=0.53 Entropy ( Tidak Ada )=−0.6 × log 2 ( 0.6 ) =0. 44
Final Entropy=( 0.53+ 0. 44 ) ×
10 =0. 80 12 36
Nilai Atribut = 0.51 - 1 0.51−1=
2 12
2 0.51−1 ( Ada ) = =1 2 0 0.51−1 ( Tidak Ada )= =0 2 Entropy ( Ada )=−1× log 2 ( 1 ) =0 Entropy ( Tidak Ada )=−0 ×log 2 ( 0 )=0 Final Entropy=( 0+ 0 ) × -
2 =0 12
Putih Nilai Atribut = 0 – 0.50 0−0.50=
11 12
0−0.50 ( Ada )=
5 =0.45 11
0−0.50 (Tidak Ada )=
6 =0.54 11
Entropy ( Ada )=−0.45× log 2 ( 0.45 )=0.52 Entropy ( Tidak Ada )=−0.54 × log 2 ( 0.54 )=0.47
Final Entropy=( 0.52+ 0.47 ) ×
11 =0.91 12
Nilai Atribut = 0.51 - 1 0.51−1=
1 12
1 0.51−1 ( Ada ) = =1 1 0 0.51−1 ( Tidak Ada )= =0 1
37
Entropy ( Ada )=−1× log 2 ( 1 ) =0 E ntropy ( Tidak Ada )=−0 × log 2 ( 0 )=0 Final Entropy=( 0+ 0 ) ×
3 =0 12
Selanjutnya FE (Final Entropy) dari masing-masing atribut dijumlahkan. Sehingga, didapatkan hasil sebagai berikut: -
Oranye: 0.68 + 0 = 0.68 Kuning: 0.80 + 0 = 0.80 Putih: 0.91 + 0 = 0.91
Dari hasil penjumlahan maka dipilihlah entropy terkecil dari masing-masing atribut yaitu atribut Oranye dengan nilai entropy terkecil yaitu 0.68 sebagai root. Kemudian buatlah cabang dengan membagi 2 nilai atribut yaitu percabangan pertama (0 – 0.50) dan percabangan kedua (0.51 – 1). Lakukan perhitungan entropy untuk percabang pertama setelah root. Perhitungan entropy selanjutnya dilakukan tanpa melibatkan atribut yang sudah menjadi root (Oranye). Sehingga didapatkan hasil akhir dari pola pohon keputusan seperti pada Gambar 3.8.
Gambar 3.8 Gambar Decision Tree berdasarkan Tabel 3.3
III.2.3 Use Case Diagram Pada Use Case Diagram dijelaskan aktor yang berperan di dalam sistem dan apa saja interakasi yang dapat dilakukan oleh aktor. Use case Diagram pada sistem ini dijelaskan pada gambar 3.7.
38
Gambar 3.9 Gambar Use Case Diagram
III.2.4 Skenario Use Case Skenario Use Case akan menjelaskan alur kinerja pada setiap use case yang ada pada sistem. Berikut skenario Use Case pada sistem pendeteksi kebakaran. 1. Nama Use Case : Melihat Informasi Kebakaran Aktor Tujuan
: User : User dapat melihat informasi kebakakaran pada sistem
Pre-condition
: User mengakses sistem pendeteksi kebakaran Tabel 3.1 Skenario Melihat Informasi Kebakaran
Aktor “User”
Sistem
Skenario Normal 1. User berhasil mengakses sistem 2. Menampilkan informasi pada sistem 3. Melihat informasi
III.2.5 Skop Kebakaran Kebakaran dideteksi berdasarkan warna yang dimiliki oleh api. Api yang berpotensi sebagai kebakaran dilihat berdasarkan intensitas sebaran warna api yang dimiliki citra. Semakin besar sebaran warna api pada suata citra maka dinyatakan api yang berpotensi sebagai api kebakaran. Sedangkan sebaran warna api yang sedikit dinyatakan bukan api kebakaran. Api dinyatakan berpotensi sebagai kebakaran atau tidak dapat dilihat setelah dilakukannya klasifikasi.
39
III.2.6 Perancangan Antarmuka Pada Gambar 3.8 dapat dilihat halaman untuk melihat informasi kebakaran melalui sistem. Pada halaman ini merupakan tempat proses testing yang dilakukan secara otomatis. Hasil klasifikasi berupa informasi tersebut dikirimkan ke alamat e-mail dan berupa SMS ke nomor handphone user .
Gambar 3.10 Hasil klasifikasi berupa teks
III.2.7 Metode Pengujian Metode pengujian dilakukan untuk mengetahui tingkat akurasi algoritma klasifikasi yang digunakan. 1. K-fold Cross Validation Pengujian model pohon keputusan dilakukan dengan menggunakan metode k-fold cross validation, dengan contoh nilai k sebanyak 10 fold yang nantinya akan menghasilkan 10 kali iterasi. Tahap pengujian dengan menggunakan metode 10-fold cross validation yang artinya membagi dataset yang awalnya berjumlah 50 data akan dibagi menjadi 10 subset dimana masing-masing subset berjumlah 5 data. Pada fold pertama terdapat kombinasi 9 subset yang berbeda digabung dan digunakan sebagai data training, sedangkan 1 subset digunakan sebagai data testing, proses training dan testing dilakukan sampai fold ke 10. Selanjutnya untuk menghitung tingkat akurasi pada masing-masing fold dan secara keseluruhan menggunakan confusion matrix. 2. Confusion Matrix Pada penelitian ini dilakukan pengujian terhadap sistem untuk menghitung akurasi dan ketepatan sistem pada saat mengklasifikasikan data. Untuk mendapatkan nilai akurasi menerapkan perthitungan Confusion matrix. Confusion matrix membandingkan hasil dari set data training dan hasil dari data testing yang telah melewati tahapan k-fold cross validation. 40
Perhitungan akurasi pada Confusion Matrix menggunakan rumus (5) yang nantinya akan menghasilkn presentase akurasi dari sistem.
41
III.
JADWAL DAN ANGGARAN BIAYA III.1 Jadwal Penulis membuat jadwal pengerjaan tugas akhir yang bertujuan agar penggunaan waktu lebih efektif dan sesuai dengan metodologi yang digunakan.Adapun jadwalnya terlihat pada tabel berikut. Tabel 4.1 Jadwal Pelaksanaan Proyek Akhir N o 1 2 3
4
5 6 7
Kegiatan
April
Mei
Juni
Juli
Agustu
Septembe
Oktobe
Novembe
Desembe
(2016
(2016
(2016
(2016
s
r
r
r
r
)
)
)
)
(2016)
(2016)
(2015)
(2016)
(2016)
Januari (2017)
Pembuata n Proposal Sidang Proposal Pembuata n Sistem Pengujian dan Analisa Pembuata n Laporan Seminar Hasil Sidang Akhir
III.2 Perkiraan Biaya Pada perkiraan biaya agar proyek akhir dapat berjalan dengan lancar dan sesuai dengan metodologi yang digunakan, penulis membutuhkan biaya untuk peralatan yang dibutuhkan dalam mengerjakan proyek akhir ini. Adapun peralatan serta biaya yang digunakan sebagai berikut. Tabel 4.2 Perkiraan Biaya
No 1 2
Nama Barang Laptop Asus A455L IP Camera
Jumlah 1 1
42
Keterangan Milik Pribadi Milik Pribadi
DAFTAR PUSTAKA Aryanto, M. (2010). IP Camera dan Aplikasinya. Jakarta: PT Elex Media Komputindo. Badriyah, T. (2008). Algortima Klasifikasi Decision Tree. Retrieved Mei 2016, from tessy.lecturer.pens.ac.id/kuliah/db2/klasifikasi.pdf BNPB.
(2016).
Definisi
dan
Jenis
Bencana.
Retrieved
April
2016,
from
BNPB:
http://www.bnpb.go.id/pengetahuan-bencana/definisi-dan-jenis-bencana Budianita, E., Jasril, & Handayani, L. (2015). Implementasi Pengolahan Citra dan Klasifikasi KNearest Neighbour Untuk Membangun Aplikasi Pembeda Daging Sapi dan Babi. Jurnal Sains, Teknologi dan Industri, Vol. 12, No. 2. Dudung. (2015, April 3). 6 Pengertian Teknologi Informasi Menurut Para Ahli. Retrieved April 2016, from Dosen Pendidikan: http://www.dosenpendidikan.com/6-pengertian-teknologiinformasi-menurut-para-ahli/ Faishal, A., & Budiyanto, M. (2010). Pendeteksi Kebakaran dengan Menggunakan Sensor Suhu LM35D dan Sensor Asap. Seminar Nasional Informatika. Foley,
K.
(2014).
What
is
Hex
Color
Finder.
Retrieved
Agustus
2016,
from
http://www.hexcolorfinder.com/ Han, J., Kamber, M., & Pei, J. (2012). Data Mining Concepts and Technique. USA: Morgan Kaufmann. Handhoko, A., Zul, M. I., & Fitrisia, Y. (2015). Sistem Deteksi Kondisi Cuaca Berdasarkan Pencitraan Awan Berbasis Pengolahan Citra Digital Menggunakan Algoritma k-Nearest Neighbor (k-NN). 3rd Applied Business and Engineering Conference (pp. 765-769). Batam: Polliteknik Negeri Batam. Herjanto, E. (2008). Manajemen Operasi (Edisi 3). Jakarta: Grasindo. Ifan, Th.Musa, M., & Farhamsa, D. (2015). Aalarm Kebakaran Berbasis Citra. Palu: Universitas Tadulako, Gravitasi Vol. 14 No.1. Kadir, A., & Susanto, A. (2013). Teori dan Aplikasi Pengolahan Citra. Yogyakarta: CV. Andi. Lesmana, I. D. (2012). Pengembangan Decision Tree J48 Untuk Dagnosis Penyakit Diabetes Mellitus. Semarang: Politeknik Negeri Jember. Maggio, M. (2011, Agustus 26). Fire II: Color and Temperature. Retrieved Agustus 19, 2016, from http://maggiemaggio.com/color/2011/08/fire-ii-color-and-temperature/ Mahastama, A. W. (2013). Sistem Optik dan Proses Akuisisi Citra Digital. Retrieved 2016, from lecturer.ukdw.ac.id/~mahas/dossier/pcd_02.pdf Maulana, S. (2015). 5 Proyek Populer SMS Gateway. Jakarta: PT Elex Media Komputindo.
43
Mentari, R., Prastio, H., & Muhtadi, J. (2015). Machine Learning Untuk Pengklasifikasian Hubungan Perkawinan Suami Dan Isteri Menggunakan Metode Decision Tree. Jakarta: Universitas Bina Nusantara. Miqdad, M. (2015). Penentuan Kualitas Kayu Kelapa Menggunakan Algoritma Naive Bayes Berdasarkan Tekstur pada Citra. Semarang: Universitas Dian Nuswantoro Semarang. Munir, R. (2004). Pengolahan Citra Digital. Bandung: Institut Teknologi Bandung. Olson, D. L., & Delen, D. (2008). Advanced Data Mining Techniques. USA: Springer-Verlag Berlin Heidelberg. Prahara, A. (2015). Deteksi Kebakaran pada Video Berbasis Pengolahan Citra dengan Dukungan GPU. Seminar Nasional Aplikasi Teknologi Informasi. Pratama, A. (2015, Febuari). Perbedaan Antara CCTV Analog dan IP Camera. Retrieved Juli 2016, from http://www.anugrahpratama.com/a/perbedaan-antara-cctv-analog-dan-ip-camera/ Putra, D. (2010). Pengolahan Citra Digital. Yogyakarta: C.V Andi Offset. Riveranda, O. (2014). Analisis Cluster Pola Kebiasaan Penghuni Rumah Tangga dalam Pengonsumsian Energi Listrik. Pekanbaru: Politeknik Caltex Riau. Yuhefizar. (2008). 10 Jam Menguasai Internet Teknologi dan Aplikasinya. Jakarta: PT Elex Media Komputindo. Yulianora, F., Latif, M. H., & Febriana, R. J. (2014). Analisis Perbandingan Algoritma Decision Tree J48. Jakarta: Binus University.
44
