a
b
c Gambar 11 Hasil akurasi kernel RBF dengan parameter : a.
= 30, b = 35 dan c.
= 40
Percobaan menggunakan kernel RBF parameter sigma 30, 35 dan 40 dengan ekstraksi ciri 50 hingga 95 memiliki akurasi tertinggi 85. Jumlah
data yang salah dilkasifikasikan sebanyak 6 data dari 96 data, yaitu dari data kelas satu teridentifikasi oleh kelas 2 sebanyak 2 data dan dari kelas 1 teridentifikasi
oleh kelas 3 sebanyak 4 data.
4.4.4. Percobaan kelima pada fungsi Kernel RBF dengan parameter sigma 45 dan 50 menggunakan extraksi ciri 50 - 95.
Percobaan dengan fungsi kernel RBF pada parameter sigma 45 dan 50 menggunakan ekstraksi ciri 50 hingga 95 menunjukan pola yang hampir
sama. Pada percobaan menggunakan sigma 40 dapat dilihat pada Gambar 13 bahwa terjadi penurunan tingkat akurasi pada ciri 50 hingga 95, begitu pula
dengan parameter sigma 50 terjadi penurunan akurasi pada ciri 50 hingga 95 dibandingkan dengan percobaan menggunakan parameter 40. Dengan demikian
pada percobaan menggunakan kernel RBF dengan parameter sigma 40 dan 50 memiliki pola akurasi mendekati normal, dengan kata lain semaikin tinggi
ekstraksi ciri diikuti dengan akurasi yang bertambah akan tetapi penambahan parameter sigma semakin menurunkan tingkat akurasi pada semua ciri. Akurasi
yang tertinggi pada percobaan menggunakan parameter sigma 45 dan 50 adalah 81 yang terdapat pada ekstraksi ciri 80, 90 dan 95 dengan parameter
sigma 45 dan pada ekstraksi ciri 80, 85, 90 dengan parameter sigma 50, sedangkan akurasi terendah terdapat pada percobaan menggunakan parameter 50
dengan ciri 50 yaitu sebesar 63 seperti terlihat pada Gambar 12.
a
b Gambar 12 Hasil akurasi kernel RBF dengan parameter : a.
= 45, b. = 50
4.4.5. Perbandingan Hasil Fungsi Kernel RBF
Percobaan yang telah dilakukan menggunakan fungsi kernel RBF dengan beberapa ekstraksi ciri mulai dari 50 hingga 90. Perbandingan akurasi pada
ekstraksi ciri 70 menghasilkan tingkat keakurasian tertinggi pada parameter 10 sebesar 99. seperti terlihat pada Gambar 13.
Gambar 13 Perbandingan akurasi ekstraksi 70 menggunakan kernel RBF
Percobaan menggunakan fungsi kernel RBF dengan beberapa ekstraksi ciri mulai dari 50 hingga 90. Perbandingan akurasi pada ekstraksi ciri 90
menghasilkan tingkat keakurasian tertinggi pada parameter 20 sebesar 91.7. seperti terlihat pada Gambar 14.
Gambar 14 Perbandingan akurasi ekstraksi 90 menggunakan kernel RBF
Tren atau pola yang disajikan pada Gambar 13 dan Gambar 14 cenderung sama, dimulai dari memasukan parameter 1 mandapat akurasi rendah, kemudian
ditambahkan parameter 5 akurasi mulai meningkat menandakan semakin banyak data yang teridentifikasi secara tepat sampai dengan titik tertentu yaitu pada
parameter 21 akurasi mulai menurun sampai dengan parameter terbesar yang di coba yaitu parameter 50. Hal ini menunjukan bahwa semakin banyaknya
penambahan parameter maka semakin acak untuk mengidentifikasi data.
4.4.6. Percobaan pada fungsi Kernel Polynomial dengan parameter order 1 menggunakan extraksi ciri 50 hingga 95.
Selain melakukan percobaan dengan menggunakan fungsi kernel RBF, penelitian ini melakukan percobaan dengan fungsi kernel Polynomial
menggunakan ekstraksi ciri 50 hingga 90 menunjukan hasil grafik yang
menurun, akurasi tertinggi terdapat pada ekstraksi ciri 60 sebesar 87,5 sedangkan tingkat akurasi yang terendah tardapat pada ekstraksi ciri 95 yaitu
sebesar 75 seperti terlihat pada Gambar 15.
Gambar 15. Hasil akurasi kernel polynomial dengan parameter order = 1
4.4.7. Percobaan pada fungsi Kernel Polynomial dengan parameter order 2 menggunakan extraksi ciri 50 hingga 95.
Penelitian berikutnya melakukan percobaan dengan fungsi kernel Polynomial menggunakan ekstraksi ciri 50 hingga 90 pada parameter order 2
menunjukan hasil grafik yang menurun, akurasi tertinggi terdapat pada ekstraksi ciri 50 dan 60 sebesar 94,8
sedangkan tingkat akurasi yang terendah tardapat pada ekstraksi ciri 95 yaitu sebesar 75
seperti terlihat pada Gambar 16.
Gambar 16. Hasil akurasi kernel polynomial dengan parameter order 2
4.4.8. Percobaan pada fungsi Kernel Polynomial dengan parameter order 3
menggunakan extraksi ciri 50 hingga 95.
Penelitian berikutnya melakukan percobaan dengan fungsi kernel Polynomial menggunakan ekstraksi ciri 50 hingga 90 pada parameter order 3
menunjukan hasil grafik yang menurun, akurasi tertinggi terdapat pada ekstraksi ciri 50 sebesar 92,7
sedangkan tingkat akurasi yang terendah tardapat pada ekstraksi ciri 95 yaitu sebesar 25
seperti terlihat pada Gambar 17.
Gambar 17. Hasil akurasi kernel polynomial dengan parameter order 3
4.4.9. Percobaan pada fungsi Kernel Polynomial dengan parameter order 4
menggunakan extraksi ciri 50 hingga 95.
Penelitian berikutnya melakukan percobaan dengan fungsi kernel Polynomial menggunakan ekstraksi ciri 50 hingga 90 pada parameter order 4
menunjukan hasil grafik yang menurun, akurasi tertinggi terdapat pada ekstraksi ciri 50 sebesar 76
sedangkan tingkat akurasi yang terendah tardapat pada ekstraksi ciri 80, 85, 90 dan 95 yaitu sebesar 25
seperti terlihat pada Gambar 18.
Gambar 18. Hasil akurasi kernel polynomial dengan parameter order 4
4.4.10. Perbandingan Hasil Fungsi Kernel Polynomial
Percobaan yang telah dilakukan menggunakan fungsi kernel Polynomial dengan beberapa ekstraksi ciri mulai dari 50 hingga 90. Perbandingan
akurasi pada ekstraksi ciri 50 menghasilkan tingkat keakurasian tertinggi pada parameter 2 sebesar 94,8. seperti terlihat pada Gambar 19.
Gambar 19 Perbandingan akurasi ekstraksi 50 menggunakan kernel Polynomial Percobaan yang telah dilakukan menggunakan fungsi kernel Polynomial
dengan beberapa ekstraksi ciri mulai dari 50 hingga 95. Perbandingan akurasi pada ekstraksi ciri 80 menghasilkan tingkat keakurasian tertinggi pada
parameter 2 sebesar 80.2. seperti terlihat pada Gambar 20.
