17
5. Tidak bergantung pada tumpang tindih
6. Tidak bergantung secara statis : dua fitur harus tidak bergantung satu
dengan yang lain secara statistik.
2.3.1.1 Filter Gabor 2D
Metode Filter Gabor 2D mampu menghubungkan representasi tekstur dan detektor citra yang optimal. Fungsi fabor Filter 2D juga mampu
meminimalisasi ciri yang tidak penting dalam citra. Mandasari, dkk, 2012 Filter Gabor 2D diperoleh dari sebuah fungsi Gaussian yang dimodulasi
menggunakan variasi frekuensi ditunjukkan dengan Fungsi Gaussian 2-D ditunjukkan dengan persamaan :
2.1 Dengan nilai dan nilai . x
dan y merupakan nilai koordinat piksel dalam citra, f merupakan frekuensi gelombang sinusoidal, merupakan kontrol terhadap orientasi dari sebuah
fungsi Filter Gabor 2D, dan σ merupakan standar deviasi dimana . Fungsi kompleks filter Gabor 2D ditunjukkan dengan persamaan :
2.2 Real
2.3
18
Imaginer 2.4
2.3.1.2 Principal Component Analysis
Analisis komponen utama atau Pincipal Component Analysis adalah salah satu cara mengidentifikasi pola dalam data dan mengekspresikannya
sedemikian rupa sehingga dapat terlihat persamaan dan perbedaannya. Pola ini berguna untuk mengkompresi data, yaitu mengurangi ukuran atau dimensi
data tanpa kehilangan banyak informasi yang terkandung. Principal Component Analysis PCA melakukan transformasi set data
dari dimensi lama ke dimensi baru yang relatif berdimensi lebih rendah dengan memanfaatkan teknik dalam aljabar linear, tanpa memerlukan
masukan parameter tertentu dalam memberikan hasil pemetaan. Tujuan dari PCA yaitu meminimalkan redundansi yang diukur oleh nilai jarak dari
kovarian dan memaksimalkan nilai keluaran pemetaan, diukur dengan varian. Jika data dalam dimensi asli sulit untuk dipresentasikan melalui grafik,
maka data tersebut disederhanakan menggunakan data set yang
dipresentasikan melalui rumus. Misalkan mempunyai data set yang sudah decentering
dengan kovarian 2.5
Maka PCA menyelesaikan problem eigenvalue sebagai berikut :
19
2.6 atau
2.7 Persamaan di atas bisa diselesaikan untukmencari nilai dengan
menyelesaikan 2.8
Untuk eigenvalue dan eigenvector dengan solusi adalah eigenvector dan adalah eigenvalue yang terletak dalam span
Santoso, 2007
2.3.1.3 Support Vector Machine
