2.6 Pembagian Data
Pada tahapan ini citra akan dibagi menjadi 4 subkelompok, masing-masing subkelompok terdiri dari 4 kelas.
Data sebanyak 96 citra dibagi menjadi data latih dan data uji menggunakan K-Fold Cross Validation Fu 1994, 72 citra sebagai
data latih dan 24 citra sebagai data uji dengan kombinasi k = 4.
2.7 Ekstraksi Ciri
Ekstraksi ciri dilakukan menggunakan metode 2D-PCA, bagian citra yang diekstraksi adalah citra mikroskopis kayu yang telah disamakan ukurannya.
Ekstraksi ciri ini bertujuan mereduksi citra asli tanpa menghilangkan informasi penting dari citra itu sendiri. Hasil ekstraksi dengan 2D-PCA akan diperoleh
komponen utama berupa vektor ciri yang diperoleh dengan mengambil nilai ciri yang terbesar yang dianggap mewakili dari kumpulan data yang ada. Vektor ciri
ini diperoleh dari matriks kovarian untuk semua data latih yang ada. Langkah awal ekstraksi 2D-PCA ini, semua citra data latih dicari rata-ratanya terlebih
dahulu dan ilustrasi prosesnya dapat dilihat pada Gambar 2.8. Input citra mikroskopis kayu memiliki dimensi yang lebih kecil dibandingkan citra asli,
sedangkan untuk keragaman informasi digunakan 50 hingga 95 kemiripan dari citra mikroskopis kayu Yang dan Zhang 2004.
Gambar 2.8
Proses mencari rata-rata semua citra data latih
Setelah didapatkan matriks rataannya, kemudian dicari matriks kovarian untuk citra data latih dengan rumus sebagai berikut:
∑ ̅
̅
Pada penelitian ini akan berukuran n × n dan M adalah jumlah citra data latih
sebanyak 72 citra. merupakan citra data latih yang digunakan dan
adalah rata- rata data dari semua data latih. Kemudian akan diperoleh akar ciri
λ
dengan menggunakan rumus:
| |
� 72
�
2 ̅
72
� 2 � 2
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.
Kategori