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.
.