c. Percobaan pada fungsi kernel RBF dengan parameter sigma = 30, 35
dan 40 menggunakan ekstraksi ciri 50 - 95. d. Percobaan pada fungsi kernel RBF dengan parameter sigma
= 45 dan 50 menggunakan ekstraksi ciri 50 - 95.
2 Percobaan fungsi kernel Polinomial menggunakan parameter = 1, 2, 3, 4
dengan ekstraksi ciri 50 - 95.
Gambar 2.9 Ilustrasi permasalahan SVM non-linear
2.10 Analisis dan Evaluasi
Evaluasi dilakukan dengan menggunakan Confusion matrix yang merupakan sebuah tabel, terdiri atas banyaknya baris data uji yang diprediksi
benar dan tidak benar oleh sistem klasifikasi untuk menentukan kinerja suatu sistem klasifikasi Tan et al 2005. Proses pelatihan dan pengujian menggunakan
pembelajaran SVM yang dilakukan mendapatkan hasil tingkat akurasi atau keberhasilan pengenalan klasifikasi jenis kayu dan tingkat kesalahan dalam
pengenalan citra mikroskopis kayu pada masing-masing kelas. Akurasi dihitung berdasarkan data uji pada proses empat fold cross validation.
Nilai sensitivity serta specificity dapat dihitung menggunakan rumus:
True positive adalah data uji kelas x yang diklasifikasikan ke kelas x, true negative adalah data uji kelas selain x yang diklasifikasikan ke kelas selain x, false positive
adalah data uji kelas selain x yang diklasifikasikan ke kelas x, dan false negative adalah data uji kelas x yang diklasifikasikan ke kelas selain x, dimana kelas x
adalah kelas yang akan dihitung nilai sensitivity dan specificity-nya.
3 HASIL DAN PEMBAHASAN
3.1 Data Citra
Sampel hasil dari akuisisi citra mikroskopis kayu pada penelitian ini seperti ditunjukkan pada Gambar 3.1.
Kelas 1 Johar
Kelas 2 Jati
Kelas 3 Rasamala
Kelas 4 Sengon
Gambar 3.1 Sampel citra mikroskopis kayu
3.2 Praproses
Citra kayu berukuran 96 x 128 piksel diubah dari citra RGB menjadi citra grayscale, seperti ditunjukkan pada Gambar 3.2.
Citra RGB Citra Grayscale
Gambar 3.2 Hasil Praproses
