Pengenalan Aksara Sunda Menggunakan Ekstraksi Ciri Zoning dan Klasifikasi Support Vector Machine
Teks penuh
Gambar
Dokumen terkait
akurasi model klasifikasi dari hasil data bersih yang dihasilkan dengan menggunakan. perangkat lunak lain yang digunakan sebagai data
Tujuan dari penelitian ini adalah mengimplementasikan metode transformasi wavelet, metode ekstraksi ciri statistic dan metode klasifikasi dengan SVM dalam menentukan
Hasil penelitian ini memiliki akurasi 47 % untuk ekstraksi warna, 47% untuk ekstraksi vektor horizontal 38% untuk ekstrasi vektor vertikal, 46% untuk ekstraksi ciri
Berdasarkan pengujian yang telah dilakukan, dapat disimpulkan bahwa klasifikasi suara dengan data training hasil ekstraksi ciri MFCC menggunakan model Random
Rugae Palatina tiap individu dilakukan dengan menggunakan metode ekstraksi ciri Singular Value Decomposition dan klasifikasi dengan metode Support Vector
Kemudian pada Tabel 4 akan terlihat perbandingan akurasi untuk ekstraksi ciri ICZ dengan hasil penelitian Lesmana (2012) yang menggunakan klasifikasi backpropagation
Metode ekstraksi ciri Local Binary Pattern (LBP) dan klasifikasi Support Vector Machine (SVM) sudah dapat digunakan untuk pengenalan individu dengan melakukan pengolahan citra
Simpulan Hasil penelitian klasifikasi citra daun herbal menggunakan perbandingan metode KNN dan SVM dengan ekstraksi fitur fourier descriptor, metode KNN menghasilkan akurasi 96%,