Dari akar ciri tersebut dapat dicari vektor ciri X yang akan menghasilkan matriks hasil transformasi sebagai input pembelajaran oleh SVM dengan menggunakan
rumus:
2.8 Matriks Transformasi
Transformasi data latih dan data uji dilakukan untuk mengubah dimensi data yang akan digunakan. Data tersebut akan mengalami pengurangan dimensi
karena proses reduksi vektor ciri Yang dan Zhang 2004.
2.9 Pembelajaran dengan Support Vector Machine
Pembelajaran dengan menggunakan Support Vector Machine bersifat multi kelas, bertujuan menyelesaikan permasalahan non-linear menggunakan bantuan
fungsi kernel Hsu dan Lin 2010. Pada penelitian ini fungsi kernel yang digunakan adalah Radial Basis Function RBF dan Polinomial, seperti
ditunjukkan pada Gambar 2.9 Christianini dan Taylor 2000. Menggunakan strategi One Againts All Osuna et al 1997 untuk menentukan klasifikasi
kelasnya, digunakan untuk membangun k buah SVM biner k adalah jumlah kelas. Setiap klasifikasi kelas ke-i dilatih dengan menggunakan keseluruhan data.
Contohnya, terdapat permasalahan klasifikasi dengan empat buah kelas. Untuk pelatihan digunakan empat buah SVM biner seperti pada Tabel 1.
Tabel 1 Strategi One-against-all
yi = 1 yi =
−1 Hipotesis
Kelas 1 Bukan kelas 1
f
1
x = w
1
x+b
1
Kelas 2 Bukan kelas 2
f
2
x = w
2
x+b
2
Kelas 3 Bukan kelas 3
f
3
x = w
3
x+b
3
Kelas 4 Bukan kelas 4
f
4
x = w
4
x+b
4
Penelitian ini melakukan beberapa macam percobaan menggunakan
klasifikasi SVM pada fungsi kernel dan ekstraksi ciri yang berbeda, diantaranya adalah:
1 Percobaan fungsi kernel RBF menggunakan parameter sigma = 1, 5, 10,
15, 20, 25, 30, 35, 40, 45 dan 50 dengan ekstraksi ciri 50 – 95. Jumlah
parameter yang di ujicobakan mempunyai 11 parameter sigma, untuk itu percobaan dikelompokan menjadi beberapa bagian :
a. Percobaan pada fungsi kernel RBF dengan parameter sigma = 1, 5 dan
10 menggunakan ekstraksi ciri 50 - 95. b. Percobaan pada fungsi kernel RBF dengan parameter sigma
= 15, 20 dan 25 menggunakan ekstraksi ciri 50 - 95.
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.
