Perbandingan hasil akurasi pada fungsi kernel RBF

pada citra mikroskopis kayu. Kesalahan klasifikasi jenis kayu oleh sistem dari percobaan menggunakan kernel RBF parameter sigma = 35, 40, 45 dan 50 dengan ekstraksi ciri 60 dijabarkan menggunakan confusion matrix, ditunjukkan pada Tabel 4. Tabel 4 Confusion matrix percobaan kernel RBF dengan parameter sigma = 35, 40, 45 dan 50 AKTUAL PREDIKSI Kelas 1 Kelas 2 Kelas 3 Kelas 4 Kelas 1 24 Kelas 2 24 Kelas 3 21 3 Kelas 4 8 16 Tabel 4 menunjukkan klasifikasi pada kelas 1 Kayu Johar dan kelas 2 Kayu Jati terklasifikasi 100 sedangkan kelas 3 Kayu Rasamala ada tiga data yang terindentifikasi kelas 4 oleh prediktor dan kelas 4 Kayu Sengon ada delapan data yang teridentifikasi kelas 3 oleh prediktor. Ini menandakan bahwa kelas 3 dan kelas 4 terdapat kesamaan pola citra data. Nilai sensitivity dan specificity dapat dilihat pada Tabel 5, Gambar 3.23 dan Gambar 3.24. Tabel 5 Nilai sensitivity dan specificity kernel RBF Kelas Jenis Kayu TP FP FN TN Sensitivity Specificity 1 Johar 24 61 100 100 2 Jati 24 61 100 100 3 Rasamala 21 3 8 64 72 96 4 Sengon 16 8 3 69 84 90 Gambar 3.23 Sensitivity sistem kernel RBF Gambar 3.24 Specificity sistem kernel RBF 10 20 30 40 50 60 70 80 90 100 Se nsit ivity 10 20 30 40 50 60 70 80 90 100 Spe civic it y Keterangan: Kelas 1 = Kayu Johar Kelas 2 = Kayu Jati Kelas 3 = Kayu Rasamala Kelas 4 = Kayu Sengon Tabel 5 menunjukkan bahwa kelas 1 kayu Johar dan kelas 2 kayu Jati nilai sensitivity dan nilai specificity 100, ini berarti bahwa performance sistem sangat baik untuk kelas tersebut sedangkan pada kelas 3 kayu Rasamala dan kelas 4 kayu Sengon terjadi sedikit penurunan performance sistem tetapi nilai ini masih berada pada toleransi, perbedaan tidak lebih dari 28 untuk sensitivity dan tidak lebih dari 10 untuk specificity. .

3.6.2 Tingkat akurasi tertinggi pada fungsi kernel polinomial

Pada percobaan menggunakan kernel polinomial parameter orde 1 menghasilkan tingkat kesalahan 4.17 pada ekstraksi ciri 60 sampai dengan 75. Jumlah data yang salah diklasifikasikan sebanyak empat data dari 96 data, seperti ditunjukkan pada Gambar 3.25. Gambar 3.25 Tingkat akurasi tertinggi kernel Polinomial Gambar 3.25 menunjukkan hasil akurasi tertinggi berada pada ekstraksi ciri 60 sampai dengan 75, yaitu sebesar 95.83, sedangkan percobaan pada parameter orde 1 menunjukkan bahwa ekstraksi ciri 80 sampai dengan 95 terjadi penurunan akurasi hingga 84.37 pada ekstraksi ciri 95. Hal ini menunjukkan bahwa data teridentifikasi optimal menggunakan 2D-PCA dan SVM ketika berada pada ekstraksi 60 sampai dengan 75 dengan parameter d = 1 menghasilkan akurasi 95.83. Pada saat ekstraksi ciri 85 – 95 terjadi penurunan tingkat akurasi, akan tetapi penurunan tingkat akurasi ini tidak terjadi secara drastis seperti halnya pada kernel RBF. Kesalahan yang dihasilkan dari percobaan menggunakan kernel Polinomial parameter d = 1 dengan ekstraksi 60 sampai dengan 75 dijabarkan menggunakan confusion matrix, seperti ditunjukkan pada Tabel 6. 80 85 90 95 100 50 60 70 75 80 85 90 95 Akur asi Persen Ciri Orde 1