Transcript KLASIFIKASI PARKET KAYU JATI MENGGUNAKAN METODE SUPPORT VECTOR MACHINES (SVM) 50407731

KLASIFIKASI PARKET KAYU JATI MENGGUNAKAN
METODE SUPPORT VECTOR MACHINES (SVM)
RINA YULIANA SIAGIAN
50407731
• Dalam industri parket kayu jati menggunakan tenaga
manusia  belum akurat  perlu otomatisasi
pengklasifikasian.
• Ekstraksi fitur  klasifikasi tekstur parket kayu jati.
• Metode klasifikasi Support Vector Machines ini dipilih
karena cukup efektif sebagai metode klasifikasi yang
berhubungan dengan permukaan kayu (Prasetiyo,
2010).
Mengklasifikasi parket kayu jati ke dalam kelas 1, 2, dan
3 dengan menggunakan metode Support Vector Machines.
Mengklasifikasi parket kayu jati dengan Support Vector
Machines.
Support Vector Machine (SVM) adalah salah satu teknik
klasifikasi data dengan proses pelatihan dan proses
pengujian.
Support Vector Machines menghasilkan suatu classifier
yang akan bekerja dengan baik.
Berikut
ini
adalah
metode
yang
umum
untuk mengimplementasikan multi class SVM :
1. Metode ”One Against All”
2. Metode ”One Against One”
digunakan
Dengan menggunakan metode ini,
dibangun k buah model SVM biner (k
adalah jumlah kelas). Setiap model
klasifikasi
ke-i
dilatih
dengan
menggunakan keseluruhan data, untuk
mencari solusi permasalahan
Dengan menggunakan metode ini,
dibangun
buah model klasifikasi
biner
(k adalah jumlah kelas).
Setiap model klasifikasi dilatih pada data
dari dua kelas. Untuk data pelatihan dari
kelas ke-i dan kelas ke-j, dilakukan
pencarian solusi untuk persoalan optimasi
konstrain sebagai berikut :
Nilai fitur tekstural GLDM untuk nilai Contrast, Angular Second
Moment (ASM), Entropy, Inverse Difference Moment (IDM), dan Mean.
Dalam metode percentile warna, menganalisanya pada percentile 10,
percentile 30, percentile 50, percentile 70, dan percentile 90 untuk masing-masing
warna dari RGB (Red Green Blue).
Pada nilai fitur tekstural LBP 8 menunjukkan
kemunculan sebuah pola LBP 8 pada gambar.
nilai probabilitas
function genpred
%% Load dataset
tic
clc
load train
Ws = [];
%% Build classifier (OVA) with PRTools
for i=1:3 % OVA Classifiers
disp(strcat('Building classifier for
GLCM/PERCENTILE/LBP of class:', num2str(i)));
%generate label
MPC = counter(i); % Member Per-Class
bot = sum(counter(1:i-1))+1;
top = sum(counter(1:i));
tr_lab = zeros(sum(counter), 1);
tr_lab(bot:top, 1) = 1;
tr_ds = dataset(feature, lab, 'prior', [0.5 0.5 0.5]);
W = nusvc(tr_ds);
Ws = [Ws W];
end
fileName = strcat('genpred_nusvc');
save(fileName, 'Ws');
toc
Fungsi training / genpred
Menyatakan waktu
Jumlah kelas 3 untuk dilakukan perulangan
Jumlah data dari masing-masing kelas
Nilai label untuk menentukan jumlah data
Dataset training
Disimpan dengan nama file genpred_nusvc
Menyatakan waktu
function evalpred
%% Load dataset
tic
clc
load test
test = ts_fea;
disp('Now testing the classifiers for GLCM/percentile/lbp');
%% Test the classifiers
load genpred_nusvc
MPC = 5; % Member Per-Class
pred = Ws.data;
for i=1:3*MPC
disp(strcat('Testing image no:', num2str(i)));
ts_fea = test(i, :);
tempConf = [];
for j=1:3 % Classifier
estim = ts_fea*pred{1, j}*classc;
val = estim.data;
tempConf = cat(1, tempConf, val);
end
[a b c] = find(tempConf(:, 2)==max(tempConf(:, 2)));
a = a(1)
labels(i, 1) = a;
labels(i, 2) = tempConf(a, 2);
end
fileName = strcat('eval_nusvc');
save(fileName, 'labels');
toc
Fungsi testing / evalpred
Menyatakan waktu
Data fitur test
Jumlah data yang digunakan saat proses testing
Jumlah kelas 3 untuk dilakukan perulangan
Nilai fitur ts_fea
Nilai Config
Classifier
Disimpan dengan nama file eval_nusvc
Menyatakan waktu
Analisa hasil klasifikasi SVM ini didapatkan dari train dan test.
Fitur yang ditraining didapatkan dari fitur yang gambarnya tidak
digunakan pada training dan fitur yang gambarnya digunakan pada
training.
Bentuk dari analisa hasil klasifikasi SVM berupa persentasi tingkat
akurat prediksi kelas mana yang cocok dari masing-masing gambar.
Berikut analisa hasil dari fitur GLDM, fitur PERCENTILE, dan
fitur LBP yang gambarnya tidak digunakan pada tahap training :
Error rate (e) pada GLDM adalah
Klasifikasi PERCENTILE memiliki total error rate 100 %. Dikarenakan setiap
gambar tidak ada yang cocok sesuai dengan kelasnya. Maka dari itu PERCENTILE
sangat tidak cocok diklasifikasikan menggunakan SVM karena nilai fitur yang
disediakan adalah nilai pixel serta pengelompokan kelasnya tidak ada yang cocok.
Nilai config hampir semuanya 0,99.
TP = True Positif
Setiap gambar masuk ke kelas 2 semuanya.
Kecocokannya hanya dimiliki pada gambar 6 sampai
gambar 10 yang tidak memiliki error rate.
Gambar lainnya memiliki error rate 100 %. Jadi
total error rate adalah 33,33 %. Maka dari ini LBP
8 tidak cocok pada klasifikasi SVM, dikarenakan
terlalu banyak fitur. Nilai config adalah 0,99 tiap
image.
Setiap gambar masuk ke kelas 2 semuanya.
Kecocokannya hanya dimiliki pada gambar 6 sampai
gambar 10 yang tidak memiliki error rate.
Gambar lainnya memiliki error rate 100 %. Jadi
total error rate adalah 33,33 %. Maka dari ini LBP
8 tidak cocok pada klasifikasi SVM, dikarenakan
terlalu banyak fitur. Nilai config adalah 0,99 tiap
image.
Selanjutnya analisa hasil dari fitur GLDM, fitur
PERCENTILE, dan fitur LBP yang gambarnya
digunakan pada training.
Fitur yang gambarnya digunakan pada training dilakukan
percobaan sebanyak 5 kali.
Berikut analisa hasil dari fitur GLDM, fitur
PERCENTILE, dan fitur LBP yang gambarnya
digunakan pada tahap training
Ini dilihat dari berapa banyak gambar yang cocok sesuai dengan penempatan kelas. Maka
dari itu total persen error rate GLDM adalah 73 % error rate. Terlalu besar kesalahan yang di
peroleh. Jadi, GLDM kurang cocok untuk diklasifikasikan menggunakan SVM. Dikarenakan
data yang didapat masih sedikit, nilai fitur terlalu besar, dan SVM belum bisa mengenali pola
sesuai dengan kelasnya. Nilai config hampir semuanya 1.
TP= True Positif
Error rate (e) pada GLDM adalah
Klasifikasi PERCENTILE memiliki total error rate 100 %. Dikarenakan setiap
gambar tidak ada yang cocok sesuai dengan kelasnya. Maka dari itu PERCENTILE
sangat tidak cocok diklasifikasikan menggunakan SVM karena nilai fitur yang disediakan
adalah nilai pixel. Nilai config hampir semuanya 0,99.
TP = True Positif
Setiap gambar masuk ke kelas 2 semuanya.
Kecocokannya hanya dimiliki pada gambar 6 sampai
gambar 10 yang tidak memiliki error rate.
Gambar lainnya memiliki error rate 100 %. Jadi
total error rate adalah 33,33 %. Maka dari ini LBP
8 tidak cocok pada klasifikasi SVM, dikarenakan
terlalu banyak fitur. Nilai config adalah 0,99 tiap
image.
Error rate (e) pada GLDM dan PERCENTILE adalah
(untuk class 1)
(untuk class 2)
(untuk class 3)
Maka dari itu total persen error rate GLDM dan
PERCENTILE adalah 67 % error rate. Terlalu besar
kesalahan yang di peroleh. Jadi, GLDM kurang
cocok untuk diklasifikasikan menggunakan SVM.
Dikarenakan data yang didapat masih sedikit, nilai
fitur terlalu besar, dan SVM belum bisa mengenali
pola sesuai dengan kelasnya. Nilai config berkisar
dari 0,89 - 0,99.
Skripsi ini menghasilkan program untuk menentukan klasifikasi
SVM pada fitur GLDM, PERCENTILE, dan LBP. Proses
klasifikasi SVM dapat dilihat dari error rate dari masing-masing
fitur. Error rate yang terbaik adalah fitur GLDM dan
PERCENTILE yang imagenya digunakan pada training yaitu 40
% untuk kelas 1, 80 % untuk kelas 2, dan 80 % untuk kelas 3.
Besarnya nilai error rate ini disebabkan oleh jumlah fitur yang
terlalu banyak dan jumlah training image yang terlalu sedikit
sehingga classifier sulit untuk memberikan confidence value yang
cukup signifikan.
Klasifikasi SVM ini dapat ditingkatkan dengan melakukan
penambahan data yang digunakan untuk training dan mereduksi
jumlah fitur yang digunakan. Selain itu, kombinasi dari fitur yang
memberikan hasil terbaik yaitu GLDM dan PERCENTILE dapat
digunakan sebagai rekomendasi metode ekstraksi fitur untuk
penelitian lain yang sejenis.