Algoritma untuk melakukan ekstraksi fitur menggunakan Gabor Filter berupa : 1.
Menentukan nilai sigma,theta, dan F 2.
Ambil data berupa citra digital berwarna retina, kemudian data tersebut dibagi dua untuk digunakan sebagai data training dan data testing
3. Melakukan multiple Gabor Transforms dengan perngubahan parameter
ke data training, dan menggunakan perubahan gambar sebagai fitur. 4.
Menambahkan Gabor Linear Modeling ke data training. 5.
Setelah menghasilkan GLM dari data training, kita akan menguji seberapa baik Gabor dengan penambahan GLM dalam menghasilkan
fitur pada testing 6.
Seteleh mendapatkan nilai output dari GLM menggunakan ekstraksi fitur dari testing image, didapatkan hasil seberapa baik pendeteksi
dapat menunjukan lokasi kelainan.
3.4. Metode Klasifikasi Menggunakan Support Vector Machine
Untuk dapat menggunakan PCA dengan tepat digunakan algoritma berikut : 1.
Matriks X adalah hasil pengurangan rata-rata dari setiap dimensi data pada matriks data.
2. Matriks C
x
adalah covariance matrix dari matriks X. 3.
Hitung eigenvector dan eigenvalue dari C
x .
4. Pilih component dan bentuk vector feature dan principal component dari
eigenvector yang memiliki eigenvalue paling besar diambil.
5. Menurunkan set data yang baru.
Algoritma untuk melakukan klasifikasi menggunakan SVM adalah sebagai berikut :
1. Tentukan H dimana
H
ij =
y
i
y
j
x
i
.x
j
3.1 2.
Cari α sehingga 3.2
3. Menjadi maksimal, dengan syarat :
3.3 4.
Hitung 3.4
5. Tentukan seluruh support vector S dengan mencari indexnya dimana αi ≥ 0
6. Hitung
3.5 7.
Tiap titik baru x’ dapat terklarifikasi dengan memeriksa 3.6
Fungsi kernel yang biasa digunakan dalam literature SVM : 1.
Linear 3.7
2. Polynomial
3.8 3.
Gaussian RBF
3.9 4.
Sigmoidtangen hiperbolik 3.10
Klasifikasi non-linear 1.
Lakukan pemetaan data ke dimensi lebih tinggi dengan kernel yang dipilih
2. Tentukan H dimana
3.11 3.
Cari α sehingga 3.12
Menjadi maksimal, dengan syarat : 3.13
4. Hitung
3.14 5.
Tentukkan seluruh support vector S dengan mencari indexnya dimana
6. Hitung
3.15 7.
Tiap titik baru x’ dapat terklasifikasi dengan memeriksa
3.16
3.5. Evaluasi hasil
Pada K-Fold cross validation dataset yang utuh dipecah secara random menjadi k subset dengan size yang hampir sama dan saling eksklusif satu sama
lain. Model pada klasifikasi di latih dan diuji sebanyak k kali. Setiap proses pelatihan semua dilatih pada semua fold kecuali hanya sat fold yang digunakan
untuk proses pengujian. Penilaian cross-validation terhadap akurasi model secara keseluruhan dihitung dengan mengambil rerata dari semua hasil akurasi individu
‘k’, seperti yang ditunjukkan dengan persaman berikut:
3.17
Keterangan : Σ data benar = jumlah angka pada diagonal matriks
Σ seluruh data = keseluruhan data yang digunakan untuk pengujian
BAB IV IMPLEMENTASI DAN ANALISA SISTEM
