BAB III. METODE PENELITIAN
3.5 D ESAIN U SER I NTERFACE
Desain User Interface digunakan untuk melakukan pengujian dengan data tunggal dari skenario pengujian yang memberikan akurasi terbaik. Desain dapat dilihat pada Gambar 3.5.
Gambar 3.5 Desain User Interface
Input dari GUI merupakan citra aksara Bali yang akan diujikan dengan sistem. Tombol Open Image berfungsi untuk memilih citra aksara Bali yang akan diujikan, kemudian sistem akan menampilkan citra mentah yang telah dipilih.
Selanjutnya tombol Preprocessing berfungsi untuk melakukan proses processing dan sistem akan menampilkan hasil citra preprocessing yang siap untuk diolah.
Tombol Klasifikasi berguna untuk memulai proses klasifikasi, dimulai dari melakukan ekstraksi ciri pada citra yang telah di preprocessing pada langkah sebelumnya. Kemudian sistem akan melakukan proses klasifikasi dengan metode SVM menggunakan kombinasi pemodelan dan kernel SVM terbaik berdasarkan hasil skenario pengujian. Setelah itu, sistem akan mendapatkan label prediksi dari citra yang diujikan dan akan menampilkan huruf dari citra yang diujikan tersebut.
Time merupakan banyaknya waktu yang dibutuhkan oleh sistem dalam melakukan proses klasifikasi mulai dari membuat SVM Model hingga mendapatkan label prediksi dari citra yang diujikan.
BAB IV.
HASIL PENELITIAN DAN ANALISIS
4.1. Data
Pada penelitian ini, data citra aksara bali yang akan digunakan sebanyak 1001 data yang terdiri dari 18 label. Jumlah citra dalam 18 label tersebut cukup bervariasi. Data citra tersimpan dalam folder dan sudah dikelompokkan berdasarkan labelnya. Setiap folder seperti pada Gambar 4.1 berisikan citra dari 18 label yang sudah diubah menjadi bentuk grayscale.
Rincian jumlah data dalam setiap label dapat dilihat pada Tabel 3.1.
Gambar 4.1 Folder data citra aksara bali 4.2. Pembagian Data Latih dan Data Uji
Pembagian data latih dan data uji dilakukan sebelum melakukan proses preprocessing dan ekstraksi ciri. Pembagian data latih dan data uji berdasarkan nilai fold yang digunakan. Jika 3 fold digunakan maka data akan dibagi menjadi 1/3 untuk setiap fold-nya, dimana 1 fold akan digunakan sebagai data uji dan 2 fold akan digunakan sebagai data latih. Data akan dibagi secara merata sehingga setiap fold memiliki 1/3 dari total data untuk label citra yang sama. Sama halnya dengan 3 fold, jika 5 fold maka data akan dibagi menjadi 1/5 untuk setiap fold-nya, dimana 1 fold akan digunakan sebagai data uji dan 4 fold akan digunakan sebagai data latih. Setiap fold akan menyimpan 1/5 dari total data masing-masing label citra.
4.3. Implementasi Preprocessing
Preprocessing dilakukan untuk menyiapkan data citra yang sudah dimiliki agar siap untuk diolah lebih lanjut pada proses selanjutnya. Tahap Preprocessing yang dilakukan meliputi binerisasi, crop, resize, invers, reduksi derau dan thinning.
4.3.1. Binerisasi
Binerisasi dilakukan menggunakan fungsi dari matlab yaitu imbinarize(). Gambar 4.2 merupakan contoh implementasi dari penggunaan fungsi imbinarize().
Gambar 4.2 Implementasi imbinarize()
Gambar 4.3 menunjukan hasil citra sebelum dan setelah dilakukan binerisasi. Terlihat bahwa sebelum binerisasi masih terdapat beberapa area yang memiliki grayscale, setelah dilakukan binerisasi terlihat bahwa bagian-bagian yang sebelumnya terdapat grayscale sudah hilang dan hanya ada hitam dan putih. Value dari citra berubah dari yang sebelum binerisasi merupakan uint8 menjadi logical setelah binerisasi.
Sebelum Binerisasi Setelah Binerisasi
Gambar 4.3 Contoh hasil implementasi fungsi imbinarize()
4.3.2. Cropping
Cropping dilakukan menggunakan dengan metode proyeksi profil dimana berguna untuk mengambil bagian dari citra yang akan digunakan pada proses klasifikasinya saja. Gambar 4.4 merupakan implementasi dari cropping yang dilakukan.
Gambar 4.4 Implementasi Cropping
Gambar 4.5 merupakan menunjukan hasil implementasi dari proses cropping. Perbedaan jelas terlihat dari ukuran piksel citra dimana sebelum cropping memiliki nilai 139x45 piksel, sedangkan setelah cropping ukuran piksel citra menjadi 39x44 piksel.
Sebelum Cropping Setelah Cropping
Gambar 4.5 Contoh hasil implementasi croping
4.3.3. Resize
Resize dilakukan dengan menggunakan fungsi dari matlab yaitu imresize(). Gambar 4.6 merupakan contoh penggunaan fungsi dari resize citra menjadi ukuran 50x50.
Gambar 4.6 Implementasi Resize
Gambar 4.6 merupakan menunjukan hasil implementasi dari proses resize. Perbedaan jelas terlihat dari ukuran piksel citra dimana sebelum resize memiliki nilai 39x44 piksel, sedangkan setelah resize ukuran piksel citra menjadi 50x50 piksel.
Sebelum Resize Setelah Resize
Gambar 4.7 Contoh hasil implementasi resize
4.3.4. Invers
Invers dilakukan dengan menggunakan fungsi dari matlab yaitu imcomplement(). Gambar 4.8 merupakan contoh penggunaan fungsi dari invers citra.
Gambar 4.8 Implementasi Invers
Gambar 4.9 merupakan menunjukan hasil implementasi dari proses invers. Citra sebelum invers memiliki background putih dan objek hitam, setelah invers, citra memiliki background hitam dan objek berwarna putih.
Sebelum Invers Setelah Invers
Gambar 4.9 Contoh hasil implementasi invers
4.3.5. Reduksi Derau
Reduksi Derau dilakukan dengan menggunakan fungsi dari matlab yaitu medfilt2(). Gambar 4.10 merupakan contoh penggunaan fungsi dari invers citra.
Gambar 4.10 Implementasi Reduksi Derau
Gambar 4.11 merupakan menunjukan hasil implementasi dari proses reduksi derau. Citra sebelum reduksi derau memiliki beberapa bitnik hitam di dalam objek citra aksara, setelah invers, citra aksara sudah tidak lagi memiliki bitnik-bintik hitam.
Sebelum reduksi derau Setelah reduksi derau
Gambar 4.11 Contoh hasil implementasi reduksi derau
4.3.6. Thinning
Thinning dilakukan dengan menggunakan fungsi dari matlab yaitu bwskel(). Gambar 4.12 merupakan contoh penggunaan fungsi dari bwskel().
Gambar 4.12 Implementasi thinning
Gambar 4.13 merupakan menunjukan hasil implementasi dari proses Thinning. Terlihat bahwa hasil citra setelah thinning menunjukan kerangka asli dari citra saja.
Sebelum Thinning Setelah Thinning
Gambar 4.13 Contoh hasil implementasi thinning 4.4. Implementasi Ekstraksi Ciri Moment Invariant
Proses ekstraksi ciri menggunakan moment invariant akan menghasilkan 7 nilai moment invariant serta panjang dan lebar citra.
Sehingga total memiliki 9 kolom nilai yang aakan digunakan untuk proses klasifikasi. Gambar 4.14 merupakan implementasi dari moment invariant, dengan mencari nilai dari 7 moment invariant dan ukuran asli dari citra.
Gambar 4.15 merupakan hasil dari implementasi ekstraksi ciri, memiliki 9 kolom dimana 7 kolom pertama menunjukan nilai dari moment invariant, kolom 8 merupakan panjang citra dan kolom 9 merupakan lebar citra.
Panjang dan lebar citra pada kolom 8 dan 9 diperoleh setelah dilakukannya proses cropping dan sebelum proses resize sehingga nilai panjang dan lebar tidak akan terpengaruh oleh proses resize.
Gambar 4.14 Implementasi Ekstraksi Ciri
Gambar 4.15 Hasil Implementasi Ekstraksi Ciri 4.5. Implementasi Klasifikasi SVM
Pada proses klasifikasi dengan Support Vector Machine ini akan menggunakan library dari matlab yaitu fitcecoc(). Penggunaan fungsi fitcecoc() ini menggunakan 6 parameter. Parameter pertama berupa hasil ekstraksi ciri data latih yang berisi 9 kolom yaitu 7 nilai moment invariant serta panjang dan lebar asli citra. Parameter kedua merupakan label dari data latih yang digunakan. Parameter ketiga dan keempat menyatakan fungsi svm yang akan digunakan, seperti kernel function apa yang akan digunakan.
Sementara parameter kelima dan keenam menyatakan tentang model multiclass svm yang akan digunakan, antara one vs one atau one vs all.
Gambar 4.16 merupakan contoh implementasi dari penggunaan fungsi fitcecoc().
Gambar 4.16 Contoh penggunaan fungsi fitcecoc()
Output yang dihasilkan merupakan label hasil prediksi yang sudah diujikan dengan data uji. Kemudian menjumlahkan berapa banyak label yang cocok dengan label dari data uji untuk menentukan akurasi yang didapatkan.
Gambar 4.17 merupakan contoh dari label hasil prediksi yang telah dilakukan.
Gambar 4.17 Contoh label hasil prediksi 4.6. Pengujian dan Evaluasi
Pengujian akan dilakukan sesuai dengan skenario pengujian yang sudah dijelaskan pada bab 3. Akan dilakukan variasi pada preprocessing dengan kombinasi resize ukuran citra dan thinning. Ekstraksi ciri yang digunakan memiliki 9 ciri yaitu 7 nilai moment invariant dan ukuran asli citra yang kemudian akan diujicobakan dengan 3 kernel SVM, yakni Linear, Polynomial, dan RBF/Gaussian. Selain pengujian dengan kernel SVM, proses pengujian juga akan menggunakan model multiclass SVM, yaitu One vs One dan One vs All. Selanjutnya, kombinasi skenario yang menghasil rata-rata akurasi tertinggi dari 2 model multiclass SVM akan diujikan kembali dengan menggunakan melakukan reduksi derau terhadap setiap citra aksara.
Selanjutnya dilakukan proses pengujian melalui skenario terbaik dengan ekstraksi ciri moment invariant saja tanpa ukuran asli citra.
Data latih dan data uji yang akan digunakan untuk pengujian diperoleh melalui proses k-fold cross validaton dimana k bernilai 3 dan 5.
Sehingga, data uji akan memiliki setidaknya 1 data dari setiap label citra.
4.6.1. Pengujian dengan model One vs One
Pengujian ini menggunakan 1001 data citra yang akan dibagi menggunkan k-fold cross validation dengan k =3 dan k=5.
a. Pengujian Non Thinning dan Ukuran Asli
Hasil pengujian dengan Non Thinning dan Ukuran Asli adalah sebagai berikut:
Tabel 4.1 Hasil Akurasi pengujian non thinning dan ukuran asli 3 fold
Tahap pengujian 3-fold
Akurasi (%)
Non Thining dan Ukuran Asli One vs One
Gaussian Linear Polynomial
Tahap 1 57,66 73,87 68,7
Tahap 2 61,56 69,07 65,17
Tahap 3 60,3 70,15 67,76
rata-rata akurasi 59,84 71,03 67,21
Pada Tabel 4.1, menggunakan data 3 fold cross validation, akurasi tertinggi dari pengujian terhadap citra dengan kernel Gaussian sebesar 61,56%, dengan kernel Linear sebesar 73,87%, dengan kernel Polynomial sebesar 68,7%.
Tabel 4.2 Hasil Akurasi pengujian non thinning dan ukuran asli 5 fold
Tahap pengujian 5-fold
Akurasi (%)
Non Thining dan Ukuran Asli One vs One
Gaussian Linear Polynomial
Tahap 1 57,5 73 71
Tahap 2 59,5 71,5 70,5
Tahap 3 61,5 73 71
Tahap 4 63,5 73 70,5
Tahap 5 59,2 69,1 68,66
rata-rata akurasi 60,24 71,92 70,332
Pada Tabel 4.2, menggunakan data 5 fold cross validation, akurasi tertinggi dari pengujian terhadap citra dengan kernel Gaussian sebesar 63,5%, dengan kernel Linear sebesar 73%, dengan kernel Polynomial sebesar 71%.
b. Pengujian Thinning dan Ukuran Asli
Hasil pengujian dengan Thinning dan Ukuran Asli adalah sebagai berikut:
Tabel 4.3 Hasil Akurasi pengujian thinning dan ukuran asli 3 fold
Tahap pengujian 3-fold
Akurasi (%) Thining dan Ukuran Asli
One vs One
Gaussian Linear Polynomial
Tahap 1 70,57 81,08 74,77
Tahap 2 69,97 83,48 80,48
Tahap 3 66,57 79,7 81,79
rata-rata akurasi 69,03667 81,42 79,0133333 Pada Tabel 4.3, menggunakan data 3 fold cross validation, Akurasi tertinggi dari pengujian terhadap citra dengan kernel Gaussian sebesar 70,57%, dengan kernel Linear sebesar 83,48%, dengan kernel Polynomial sebesar 81,79%.
Tabel 4.4 Hasil Akurasi pengujian thinning dan ukuran asli 5 fold
Tahap pengujian 5-fold
Akurasi (%) Thining dan Ukuran Asli
One vs One
Gaussian Linear Polynomial
Tahap 1 76,5 80,5 79,5
Tahap 2 73,5 78 78,5
Tahap 3 79 86 85
Tahap 4 72,5 82,5 81
Tahap 5 69,65 76,12 80,5
rata-rata akurasi 74,23 80,624 80,9
Pada Tabel 4.4, menggunakan data 5 fold cross validation, Akurasi tertinggi dari pengujian terhadap citra dengan kernel Gaussian sebesar 79%, dengan kernel Linear sebesar 86%, dengan kernel Polynomial sebesar 85%.
c. Pengujian Non Thinning dan Resize 50x50
Hasil pengujian dengan Non Thinning dan Resize 50x50 adalah sebagai berikut:
Tabel 4.5 Hasil Akurasi pengujian Non Thinning dan Resize 50x50 3 fold
Tahap pengujian 3-fold
Akurasi (%)
Non Thinning dan resize 50x50 One vs One
Gaussian Linear Polynomial
Tahap 1 50,75 75,38 69,67
Tahap 2 57,96 75,98 77,18
Tahap 3 62,39 76,41 70,45
rata-rata akurasi 57,03333 75,92333 72,4333333 Pada Tabel 4.5, menggunakan data 3 fold cross validation, Akurasi tertinggi dari pengujian terhadap citra dengan kernel Gaussian sebesar 62,39%, dengan kernel Linear sebesar 76,41%, dengan kernel Polynomial sebesar 77,18%.
Tabel 4.6 Hasil Akurasi pengujian Non Thinning dan Resize 50x50 5 fold
Tahap pengujian 5-fold
Akurasi (%)
Non Thinning dan resize 50x50 One vs One
Gaussian Linear Polynomial
Tahap 1 57,5 76,5 72
Tahap 2 53,5 79 73,5
Tahap 3 64,5 79,5 78,5
Tahap 4 68 77 71,5
Tahap 5 60,71 75,12 73,63
rata-rata akurasi 60,842 77,424 73,826
Pada Tabel 4.6, menggunakan data 5 fold cross validation, Akurasi tertinggi dari pengujian terhadap citra dengan kernel Gaussian sebesar 68%, dengan kernel Linear sebesar 79,5%, dengan kernel Polynomial sebesar 78,5%.
d. Pengujian Thinning dan Resize 50x50
Hasil pengujian dengan Thinning dan Resize 50x50 adalah sebagai berikut:
Tabel 4.7 Hasil Akurasi pengujian Thinning dan Resize 50x50 3 fold
Tahap pengujian 3-fold
Akurasi (%)
Thinning dan resize 50x50 One vs One
Gaussian Linear Polynomial
Tahap 1 67,28 80,18 78,38
Tahap 2 67,87 83,18 76,28
Tahap 3 67,16 81,8 80,3
rata-rata akurasi 67,43667 81,72 78,32
Pada Tabel 4.7, menggunakan data 3 fold cross validation, Akurasi tertinggi dari pengujian terhadap citra dengan kernel Gaussian sebesar 67,87%, dengan kernel Linear sebesar 83,18%, dengan kernel Polynomial sebesar 80,3%.
Tabel 4.8 Hasil Akurasi pengujian Thinning dan Resize 50x50 5 fold
Tahap pengujian 5-fold
Akurasi (%)
Thinning dan resize 50x50 One vs One
Gaussian Linear Polynomial
Tahap 1 69 82 81
Tahap 2 66,5 80,5 77,5
Tahap 3 73 84,5 79
Tahap 4 71,5 83,5 76
Tahap 5 65,67 81,1 79,6
rata-rata akurasi 69,134 82,32 78,62
Pada Tabel 4.8, menggunakan data 5 fold cross validation, Akurasi tertinggi dari pengujian terhadap citra dengan kernel Gaussian sebesar 73%, dengan kernel Linear sebesar 84,5%, dengan kernel Polynomial sebesar 81%.
e. Pengujian Non Thinning dan Resize 70x70
Hasil pengujian dengan Non Thinning dan Resize 70x70 adalah sebagai berikut:
Tabel 4.9 Hasil Akurasi pengujian Non Thinning dan Resize 70x70 3 fold
Tahap pengujian 3-fold
Akurasi (%)
Non Thinning dan resize 70x70 One vs One
Gaussian Linear Polynomial
Tahap 1 51,95 76,28 67,58
Tahap 2 57,97 74,77 75,98
Tahap 3 62,69 76,72 70,45
rata-rata akurasi 57,53667 75,92333 71,3366667 Pada Tabel 4.9, menggunakan data 3 fold cross validation, Akurasi tertinggi dari pengujian terhadap citra dengan kernel Gaussian sebesar 62,69%, dengan kernel Linear sebesar 76,72%, dengan kernel Polynomial sebesar 75,98%.
Tabel 4.10 Hasil Akurasi pengujian Non Thinning dan Resize 70x70 5 fold
Tahap pengujian 5-fold
Akurasi (%)
Non Thinning dan resize 70x70 One vs One
Gaussian Linear Polynomial
Tahap 1 55 79 74
Tahap 2 54 76 71
Tahap 3 63,5 79 80,5
Tahap 4 65,5 76,5 77
Tahap 5 61,69 75,62 71,64
rata-rata akurasi 59,938 77,224 74,828
Pada Tabel 4.10, menggunakan data 5 fold cross validation, Akurasi tertinggi dari pengujian terhadap citra dengan kernel Gaussian sebesar 65,5%, dengan kernel Linear sebesar 79%, dengan kernel Polynomial sebesar 80,5%.
f. Pengujian Thinning dan Resize 70x70
Hasil pengujian dengan Thinning dan Resize 70x70 adalah sebagai berikut:
Tabel 4.11 Hasil Akurasi pengujian Thinning dan Resize 70x70 3 fold
Tahap pengujian 3-fold
Akurasi (%)
Thinning dan resize 70x70 One vs One
Gaussian Linear Polynomial
Tahap 1 66,67 80,48 74,17
Tahap 2 64,86 79,88 73,87
Tahap 3 68,36 79,11 78,51
rata-rata akurasi 66,63 79,82333 75,5166667 Pada Tabel 4.11, menggunakan data 3 fold cross validation, Akurasi tertinggi dari pengujian terhadap citra dengan kernel Gaussian sebesar 68,36%, dengan kernel Linear sebesar 80,48%, dengan kernel Polynomial sebesar 78,51%.
Tabel 4.12 Hasil Akurasi pengujian Thinning dan Resize 70x70 5 fold
Tahap pengujian 5-fold
Akurasi (%)
Thinning dan resize 70x70 One vs One
Gaussian Linear Polynomial
Tahap 1 70,5 80,5 75
Tahap 2 68 80,5 79
Tahap 3 72 83,5 79,5
Tahap 4 70,5 80,5 78,5
Tahap 5 67,66 79,6 79,6
rata-rata akurasi 69,732 80,92 78,32
Pada Tabel 4.12, menggunakan data 5 fold cross validation, Akurasi tertinggi dari pengujian terhadap citra dengan kernel Gaussian sebesar 72%, dengan kernel Linear sebesar 83,5%, dengan kernel Polynomial sebesar 79,6%.
4.6.2. Pengujian dengan model One vs One
Pengujian ini menggunakan 1001 data citra yang akan dibagi menggunkan k-fold cross validation dengan k =3 dan k=5.
a. Pengujian Non Thinning dan Ukuran Asli
Hasil pengujian dengan Non Thinning dan Ukuran Asli adalah sebagai berikut:
Tabel 4.13 Hasil Akurasi pengujian Non Thinning dan Ukuran Asli 3 fold
Tahap pengujian 3-fold
Akurasi (%)
Non Thining dan Ukuran Asli One vs All
Gaussian Linear Polynomial
Tahap 1 68,47 63,1 69,1
Tahap 2 64,26 60,36 64,26
Tahap 3 62,67 59,7 65,97
rata-rata akurasi 65,13333 61,053333 66,4433333 Pada Tabel 4.13, menggunakan data 3 fold cross validation, Akurasi tertinggi dari pengujian terhadap citra dengan kernel Gaussian sebesar 68,47%, dengan kernel Linear sebesar 63,1%, dengan kernel Polynomial sebesar 69,1%.
Tabel 4.14 Hasil Akurasi pengujian Non Thinning dan Ukuran Asli 5 fold
Tahap pengujian 5-fold
Akurasi (%)
Non Thining dan Ukuran Asli One vs All
Gaussian Linear Polynomial
Tahap 1 65,5 65,5 69,5
Tahap 2 69,5 59,5 71,5
Tahap 3 70,5 60,5 78
Tahap 4 67,5 59,5 73
Tahap 5 63,18 58,2 56,72
rata-rata akurasi 67,236 60,64 69,744
Pada Tabel 4.14, menggunakan data 5 fold cross validation, Akurasi tertinggi dari pengujian terhadap citra dengan kernel Gaussian sebesar 70,5%, dengan kernel Linear sebesar 65,5%, dengan kernel Polynomial sebesar 78%.
b. Pengujian Thinning dan Ukuran Asli
Hasil pengujian dengan Thinning dan Ukuran Asli adalah sebagai berikut:
Tabel 4.15 Hasil Akurasi pengujian Thinning dan Ukuran Asli 3 fold
Tahap pengujian 3-fold
Akurasi (%) Thining dan Ukuran Asli
One vs All
Gaussian Linear Polynomial
Tahap 1 71,77 66,37 77,78
Tahap 2 72,97 69,97 77,48
Tahap 3 71,05 70,44 77,61
rata-rata akurasi 71,93 68,926667 77,6233333
Pada Tabel 4.15, menggunakan data 3 fold cross validation, Akurasi tertinggi dari pengujian terhadap citra dengan kernel Gaussian sebesar 72,97%, dengan kernel Linear sebesar 70,44%, dengan kernel Polynomial sebesar 77,78%.
Tabel 4.16 Hasil Akurasi pengujian Thinning dan Ukuran Asli 5 fold
Tahap pengujian 5-fold
Akurasi (%) Thining dan Ukuran Asli
One vs All
Gaussian Linear Polynomial
Tahap 1 72,5 66,5 79,5
Tahap 2 77 74 78,5
Tahap 3 77 71,5 80,5
Tahap 4 71,5 62,5 82
Tahap 5 72,64 69,15 76,6
rata-rata akurasi 74,128 68,73 79,42
Pada Tabel 4.16, menggunakan data 5 fold cross validation, Akurasi tertinggi dari pengujian terhadap citra dengan kernel Gaussian sebesar 77%, dengan kernel Linear sebesar 74%, dengan kernel Polynomial sebesar 80,5%.
c. Pengujian Non Thinning dan Resize 50x50
Hasil pengujian dengan Non Thinning dan Resize 50x50 adalah sebagai berikut:
Tabel 4.17 Hasil Akurasi pengujian Non Thinning dan Resize 50x50 3 fold
Tahap pengujian 3-fold
Akurasi (%)
Non Thinning dan resize 50x50 One vs All
Gaussian Linear Polynomial
Tahap 1 72,67 67,57 65,47
Tahap 2 73,87 63,36 71,78
Tahap 3 73,73 58,51 73,73
rata-rata akurasi 73,42333 63,146667 70,3266667
Pada Tabel 4.17, menggunakan data 3 fold cross validation, Akurasi tertinggi dari pengujian terhadap citra dengan kernel Gaussian sebesar 73,87%, dengan kernel Linear sebesar 67,57%, dengan kernel Polynomial sebesar 73,73%.
Tabel 4.18 Hasil Akurasi pengujian Non Thinning dan Resize 50x50 5 fold
Tahap pengujian 5-fold
Akurasi (%)
Non Thinning dan resize 50x50 One vs All
Gaussian Linear Polynomial
Tahap 1 74 66 66,5
Tahap 2 74,5 67,5 73,5
Tahap 3 75 66,5 73
Tahap 4 80 65 75
Tahap 5 73,1 62,67 72,64
rata-rata akurasi 75,32 65,534 72,128
Pada Tabel 4.18, menggunakan data 5 fold cross validation, Akurasi tertinggi dari pengujian terhadap citra dengan kernel Gaussian sebesar 80%, dengan kernel Linear sebesar 67,5%, dengan kernel Polynomial sebesar 75%.
d. Pengujian Thinning dan Resize 50x50
Hasil pengujian dengan Thinning dan Resize 50x50 adalah sebagai berikut:
Tabel 4.19 Hasil Akurasi pengujian Thinning dan Resize 50x50 3 fold
Tahap pengujian 3-fold
Akurasi (%)
Thinning dan resize 50x50 One vs All
Gaussian Linear Polynomial
Tahap 1 74,17 64,56 74,77
Tahap 2 72,37 68,47 75,38
Tahap 3 69,55 64,48 75,52
rata-rata akurasi 72,03 65,836667 75,2233333
Pada Tabel 4.19, menggunakan data 3 fold cross validation, Akurasi tertinggi dari pengujian terhadap citra dengan kernel Gaussian sebesar 74,17%, dengan kernel Linear sebesar 68,47%, dengan kernel Polynomial sebesar 75,52%.
Tabel 4.20 Hasil Akurasi pengujian Thinning dan Resize 50x50 5 fold
Tahap pengujian 5-fold
Akurasi (%)
Thinning dan resize 50x50 One vs All
Gaussian Linear Polynomial
Tahap 1 75 65,5 78
Tahap 2 74,5 66 75
Tahap 3 78,5 69,5 80
Tahap 4 73 66,5 84,5
Tahap 5 69,15 65,67 75,12
rata-rata akurasi 74,03 66,634 78,524
Pada Tabel 4.20, menggunakan data 5 fold cross validation, Akurasi tertinggi dari pengujian terhadap citra dengan kernel Gaussian sebesar 78,5%, dengan kernel Linear sebesar 69,5%, dengan kernel Polynomial sebesar 84,5%.
e. Pengujian Non Thinning dan Resize 70x70
Hasil pengujian dengan Non Thinning dan Resize 70x70 adalah sebagai berikut:
Tabel 4.21 Hasil Akurasi pengujian Non Thinning dan Resize 70x70 3 fold
Tahap pengujian 3-fold
Akurasi (%)
Non Thinning dan resize 70x70 One vs All
Gaussian Linear Polynomial
Tahap 1 71,17 68,77 68,47
Tahap 2 75,38 65,47 73,27
Tahap 3 72,53 61,8 74,93
rata-rata akurasi 73,02667 65,346667 72,2233333
Pada Tabel 4.21, menggunakan data 3 fold cross validation, Akurasi tertinggi dari pengujian terhadap citra dengan kernel Gaussian sebesar 75,38%, dengan kernel Linear sebesar 68,77%, dengan kernel Polynomial sebesar 74,93%.
Tabel 4.22 Hasil Akurasi pengujian Non Thinning dan Resize 70x70 5 fold
Tahap pengujian 5-fold
Akurasi (%)
Non Thinning dan resize 70x70 One vs All
Gaussian Linear Polynomial
Tahap 1 72 64 68
Tahap 2 75 68,5 74
Tahap 3 77 69,5 81
Tahap 4 77 67,5 77,5
Tahap 5 68,16 61,69 75,12
rata-rata akurasi 73,832 66,238 75,124
Pada Tabel 4.22, menggunakan data 5 fold cross validation, Akurasi tertinggi dari pengujian terhadap citra dengan kernel Gaussian sebesar 77%, dengan kernel Linear sebesar 69,5%, dengan kernel Polynomial sebesar 81%.
f. Pengujian Thinning dan Resize 70x70
Hasil pengujian dengan Thinning dan Resize 70x70 adalah sebagai berikut:
Tabel 4.23 Hasil Akurasi pengujian Thinning dan Resize 70x70 3 fold
Tahap pengujian 3-fold
Akurasi (%)
Thinning dan resize 70x70 One vs All
Gaussian Linear Polynomial
Tahap 1 73,87 69,37 77,48
Tahap 2 73,87 63,06 79,58
Tahap 3 68,66 59,71 75,52
rata-rata akurasi 72,13333 64,046667 77,5266667
Pada Tabel 4.23, menggunakan data 3 fold cross validation, Akurasi tertinggi dari pengujian terhadap citra dengan kernel Gaussian sebesar 73,87%, dengan kernel Linear sebesar 69,37%, dengan kernel Polynomial sebesar 79,58%.
Tabel 4.24 Hasil Akurasi pengujian Thinning dan Resize 70x70 5 fold
Tahap pengujian 5-fold
Akurasi (%)
Thinning dan resize 70x70 One vs All
Gaussian Linear Polynomial
Tahap 1 75,5 69 78
Tahap 2 73,5 67 75,5
Tahap 3 78,5 71,5 83
Tahap 4 70 65 84,5
Tahap 5 69,65 58,2 74,63
rata-rata akurasi 73,43 66,14 79,126
Pada Tabel 4.24, menggunakan data 5 fold cross validation, Akurasi tertinggi dari pengujian terhadap citra dengan kernel Gaussian sebesar 78,5%, dengan kernel Linear sebesar 71,5%, dengan kernel Polynomial sebesar 84,5%.
Dari data hasil pengujian yang dilakukan diatas menggunakan citra aksara bali, didapatkan hasil pengujian yang cukup baik. Pengujian data One vs One mendapatkan akurasi tertinggi sebesar 86% dengan kernel SVM Linear, kombinasi preprocessing thinning dan ukuran citra asli serta menggunakan 5-fold cross validation. Sedangkan untuk pengujian data One vs All mendapatkan akurasi tertinggi sebesar 84,5%
dengan kernel SVM Polynomial, kombinasi preprocessing thinning dan resize ukuran citra menjadi 50x50 atau 70x70 serta menggunakan 5-fold cross validation.
Tabel 4.25 merupakan rata-rata akurasi yang dilakukan dari semua skenario pengujian yang telah dilakukan.
Tabel 4.25 Hasil Pengujian Keseluruhan Model
SVM Kernel Ukuran
citra
Thin
ning k-fold akurasi rata-rata (%)
Model
SVM Kernel Ukuran
citra
Thin
ning k-fold akurasi rata-rata (%)
Model
SVM Kernel Ukuran
citra
Thin
ning k-fold akurasi rata-rata (%)
Sedangkan untuk rata-rata akurasi tertinggi dari pengujian data One Vs One sebesar 82,32% dengan kernel SVM Linear, kombinasi preprocessing thinning dan resize ukuran citra menjadi 50x50 serta menggunakan 5-fold cross validaiton. Sedangkan rata-rata akurasi tertinggi dari pengujian data One Vs All sebesar 79,42% dengan kernel SVM Polynomial, kombinasi preprocessing thinning dan resize ukuran citra menjadi 50x50 serta menggunakan 5-fold cross validaiton. Hal ini sejalan dengan penelitian yang dilakukan oleh Safrizal, Arnia, dan Muharar (2019) dimana mereka berhasil melakukan klasifikasi pada aksara jawi tulisan tangan dengan menggunakan ciri FCC dan SVM mendapatkan akurasi sebesar 80%.
SVM merupakan metode dengan sistem pembelajaran yang menggunakan ruang hipotesa berupa fungsi-fungsi linear. Konsep klasifikasi dengan SVM adalah usaha untuk mencari hyperplane terbaik untuk memisahkan 2 buah kelas pada ruang input dimana hyperplane yang merupakan pemisah terbaik antar 2 kelas dengan mengukur margin hyperplane dan mencari titik maksimalnya.
Berikutnya akan dilakukan pengujian dengan skenario terbaik dari model one vs one dan one vs all terhadap citra yang dikenai dengan reduksi derau.
Gambar 4.18 Grafik akurasi pengujian dengan reduksi derau
Pada percobaan dengan menggunakan reduksi derau terhadap citra dan menggunakan 2 model SVM menunjukan bahwa skenario
Pada percobaan dengan menggunakan reduksi derau terhadap citra dan menggunakan 2 model SVM menunjukan bahwa skenario