1. Home
  2. Lainnya

Data Citra Anatomi Stomata Proses dekomposisi wavelet level satu

4.2. Data Latih dan Data Uji

Data citra stomata untuk empat jenis Freycinetia berjumlah total 96 data, dengan masing-masing jenis berjumlah 24 data. Data citra stomata pada masing - masing jenis dalam penelitian ini dibagi menjadi 2 bagian yaitu data latih 20 data dan data uji 4 data. Pembagian data mengikuti pola 6 cross validation, dimana data diujikan ke dalam 6 pola yang terdi ri dari pola 1 hingga pola 6 dengan rincian pada Tabel 4 sebagai berikut : Tabel 4 Susunan data latih dan data uji Pola Data Latih Data Uji 1 5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24 1,2,3,4 2 1,2,3,4,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24 5,6,7,8 3 1,2,3,4,5,6,7,8,13,14,15,16,17,18,19,20,21,22,23,24 9,10,11,12 4 1,2,3,4,5,6,7,8,9,10,11,12,17,18,19,20,21,22,23,24 13,14,15,16 5 1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,21,22,23,24 17,18,19,20 6 1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20 21,22,23,24

4.3. Klasifikasi Freycinetia

Penelitian ini menggunakan citra stomata untuk mengklasifikasikan jenis Freycinetia ke dalam empat kelas. Penelitian ini melakukan empat macam percobaan, terdiri atas percobaan kesatu RGB, analisis tekstur dengan K -NN, percobaan kedua RGB, analisis tekstur dengan JST, percobaan ketiga dekomposisi wavelet dengan K-NN, dan percobaan keempat dekomposisi wavelet dengan JST. Percobaan dilakukan menggunakan pola pada Tabel 4. Percobaan kesatu menggunakan dua macam input nilai, yaitu nilai fitur dengan transformasi dan nilai fitur tanpa transformasi.

4.3.1. Percobaan Kesatu RGB, Analisis Tekstur dengan K-NN

Percobaan kesatu menghasilkan tingkat kesalahan 13,54 dengan data yang salah diklasifikasikan sebanyak 13 data dari 96 data. Tingkat kesalahan menurun menjadi 5,21 jika nilai fitur ditransformasi, dengan jumlah data yang salah diklasifikasikan sebanyak 5 data . Perbandingan tingkat akurasi pada data tanpa transformasi dan dengan transformasi ditunjukkan pada Gambar 27. AKTUAL PREDIKSI PREDIKSI Tanpa Transformasi Dengan Transformasi Kelas 1 Kelas 2 Kelas 3 Kelas 4 Kelas 1 Kelas 2 Kelas 3 Kelas 4 Kelas 1 20 4 23 1 Kelas 2 22 2 22 2 Kelas 3 3 21 1 23 Kelas 4 4 20 1 23 86.5 86.5 82.3 84.4 84.4 84.4 94.8 94.8 89.6 91.7 91.7 91.7 70 80 90 100 1 2 3 4 5 6 nilai k Aktual Prediksi Data ke KelasJenis KelasJenis 2, 14, 18 , 20 1 F.angustifolia 3 F.javanica 23 , 24 2 F.imbricata 4 F.sumatrana 4, 5 , 16 3 F.javanica 1 F.angustifolia 2, 8, 17, 18 4 F.sumatrana 2 F.imbricata 0.9479 0.9375 0.9479 70 80 90 100 10 20 30 Jumlah hidden neuron

Dokumen yang terkait

Implementasi Algoritma Evolving Fuzzy Neural Network (EFuNN) Untuk Memprediksi Biaya Perkuliahan

18 135 79

The Development of Soybean Grading Algorithm Using Image Processing and Artificial Neural Network

1 14 192

The Development of Automatic Coffee Sorting System Based on Image Processing and Artificial Neural Network

0 7 5

ANALISIS TEKSTUR CITRA ANATOMI STOMATA UNTUK KLASIFIKASI FREYCINETIA MENGGUNAKAN K-NEAREST NEIGHBOR

0 6 4

The Development of Soybean Grading Algorithm Using Image Processing and Artificial Neural Network

1 15 91

Image Denoising Based on Artificial Bee Colony and BP Neural Network

0 2 10

Boosting Campus Network Design Using Cis

0 0 12

KLASIFIKASI JENIS BATUAN BEKU BERDASARKAN TEKSTUR DENGAN METODE TRANSFORMASI CURVELET DAN K-NEAREST NEIGHBOR (K-NN) Igneous Rock Classification Based On Texture Using Curvelet Transform and K-Nearest Neighbor (K-NN)

0 0 8

Prediction of Physical Quality of Corn Kernel for Feed using Artificial Neural Network Based on Image Processing

0 0 8

SIMULASI DAN ANALISIS KLASIFIKASI GENRE MUSIK BERBASIS FFT DAN K- NEAREST NEIGHBOR SIMULATION AND ANALYSIS OF MUSIC GENRE CLASSIFICATION BASED ON FFT AND K- NEAREST NEIGHBOR

0 0 6