Waktu dan Tempat Penelitian

Gambar 8 menunjukan bahwa setiap data mengumpul sesuai dengan kelasnya masing-masing, pada kelas 3 berkelompok di area kelas 1, sementara pada kelas 4 dan kelas 3 berkelompok pada masing-masing kelas. Hal ini menandakan bahwa kelas-kelas tersebut dapat di klasifikasikan. 4.3. Data Latih dan Data Uji Data citra spora Pteridhopyta untuk 4 jenis mempunyai jumlah keseluruhan 96 data, dengan masing-masing jenis berjumlah 24 data. Data citra spora pada masing-masing jenis pada penelitian ini dibagi menjadi 2 bagian yaitu data latih 18 data dan data uji 4 data. Pengambilan data mengikuti pola 4 cross validation, dimana data diujikan kedalam 4 pola yang terdiri atas pola 1 hingga pola 4 dengan rincian seperti pada Tabel 4. Tabel 4 Susunan data latih dan data uji Pola Citra Data Latih Citra Data Uji 1 7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24 1,2,3,4,5,6 2 1,2,3,4,5,6,13,14,15,16,17,18,19,20,21,22,23,24 7,8,9,10,11,12 3 1,2,3,4,5,6,7,8,9,10,11,12,19,20,21,22,23,24 13,14,15,16,17,18 4 1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18 19,20,21,22,23,24 4.4. Identfikasi Spora Menggunakan SVM Penelitian ini menggunakan menggunakan citra sspora untuk mengidentifikasi jenis Pteridhopyta kedalam 4 kelas. Penelitian ini melakukan beberapa macam percobaan dengan menggunakan SVM dengan metode One Againts All pada fungsi kernel dan ekstraksi ciri yang berbeda, diantaranya adalah: 1. Percobaan fungsi kernel RBF menggunakan parameter  = 1, 5, 10, 15, 20, 25, 30,35, 40, 45, 50 dengan ekstraksi ciri 50 - 90. Jumlah parameter yang di ujicobakan mempunyai 11 parameter sigma, untuk itu penjabaran dikelmpokan 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 Polynmial menggunakan parameter d = 1, 2, 3, 4 dengan ekstraksi ciri 50 - 90.

4.4.1. Percobaan pada fungsi Kernel RBF dengan parameter sigma  1, 5

dan 10 menggunakan extraksi ciri 50 - 95. Percobaan dengan fungsi kernel RBF pada parameter sigma 1, 5 dan 10 menggunakan ekstraksi ciri 50 hingga 95 menunjukan pola yang berbeda. Pada percobaan menggunakan sigma 1 dapat dilihat bahwa terjadi penurunan tingkat akurasi yang signifikan, berbeda halnya dengan parameter sigma 5 mendapatkan tingkat akurasi yang meningkat dibanding dengan parameter sigma 1, begitu pula dengan hasil percobaan pada parameter 10 menghasilkan pola yang meningkat. Hal ini di sebabkan ketika menggunakan parameter 1 hanya sedikit data yang teridentifikasi dan ketika parameter sigma ditambahkan maka dapat mengidentifikasi data yang menyebar. Percobaan menggunakan parameter 1, 5 dan 10 menghasilkan akurasi terendah pada parameter 1 dengan ciri 80 hingga 95 dengan akurasi 25 sedangkan akurasi tertinggi terdapat pada paremeter 10 dengan ciri 70. Seperti terlihat pada Gambar 9. a b c Gambar 9 Hasil akurasi kernel RBF dengan parameter : a.  = 1, b. = 5 dan c.  = 10

4.4.2. Percobaan pada fungsi Kernel RBF dengan parameter sigma  15, 20

dan 25 menggunakan extraksi ciri 50 - 95. Percobaan dengan fungsi kernel RBF pada parameter sigma 15, 20 dan 25 menggunakan ekstraksi ciri 50 hingga 95 menunjukan pola yang hampir sama. Pada percobaan menggunakan sigma 15 dapat dilihat bahwa terjadi peningkatan tingkat akurasi pada ciri 80 hingga 95, begitu pula dengan parameter sigma 20 mendapatkan tingkat akurasi yang meningkat pada ciri 75 hingga 95, sedangkan dengan hasil percobaan pada parameter 25 menghasilkan akurasi yang menurun dibandingkan dengan parameter sigma 15 dan 20. Hal ini dapat dilihat bahwa pada percobaan menggunakan kernel RBF