BAB IV HASIL DAN PEMBAHASAN
4.2. Pengujian Dengan Variasi Skala Speed-up Robust Feature
Pada Pengujian ini skala variasi speed-up robust feature akan di uji cobakan pada 3 model skala level, model pertama menggunakan 3 skala, model kedua dengan menggunakan 4 skala dan model terakhir menggunakan 5 skala. Berikut adalah hasil pengujian dari masing-masing skala.
41
Tabel 4.8 Pengujian klassifikasi pada trainingSet1 dengan menggunakan 3 skala deteksi Average Blur Citra non Blur Gaussian Blur Motion Blur
Average Blur 97 % 0% 3% 0%
Tabel 4.9 Pengujian klassifikasi pada testingSet1 dengan menggunakan 3 skala deteksi Average Blur Citra non Blur Gaussian Blur Motion Blur
Average Blur 44% 3% 46% 7%
Citra non Blur 0% 90% 2% 8%
Gaussian Blur 69% 0% 26% 5%
Motion Blur 13% 3% 2% 82%
Rata-rata Akurasi 60%
Tabel 4.10 Pengujian klassifikasi pada trainingSet1 dengan menggunakan 4 skala deteksi Average Blur Citra non Blur Gaussian Blur Motion Blur
Average Blur 100% 0% 0% 0%
Citra non Blur 0% 100% 0% 0%
Gaussian Blur 14% 0% 86% 0%
Motion Blur 0% 0% 0% 100%
Rata-rata Akurasi 97%
Tabel 4.11 Pengujian klassifikasi pada testingSet1 dengan menggunakan 4 skala deteksi Average Blur Citra non Blur Gaussian Blur Motion Blur
Average Blur 62% 0% 28% 10%
Citra non Blur 0% 95% 0% 5%
Gaussian Blur 69% 0% 18% 13%
Motion Blur 0% 2% 3% 95%
Rata-rata Akurasi 67%
42
Tabel 4.12 Pengujian klassifikasi pada trainingSet1 dengan menggunakan 5 skala deteksi Average Blur Citra non Blur Gaussian Blur Motion Blur
Average Blur 97% 0% 2% 1%
Citra non Blur 0% 100% 0% 0%
Gaussian Blur 5% 0% 95% 0%
Motion Blur 0% 0% 0% 100%
Rata-rata Akurasi 98%
Tabel 4.13 Pengujian klassifikasi pada testingSet1 dengan menggunakan 5 skala deteksi Average Blur Citra non Blur Gaussian Blur Motion Blur
Average Blur 56% 0% 31% 13%
Citra non Blur 0% 92% 0% 8%
Gaussian Blur 36% 0% 38% 26%
Motion Blur 3% 0% 5% 92%
Rata-rata Akurasi 70%
Tabel 4.8 menunjukkan klasifikasi dengan akurasi yang cukup tinggi yaitu 98%, namun pada tabel 4.9 menunjukkan akurasi klasifikasi yang rendah yaitu 60%. Hal ini menunjukkan diperlukan pengujian lebih lanjut terhadap skala yang digunakan pada pendeteksian interest point. Dimana pendeteksian pola blur pada citra kurang dikenali dengan menggunakan hanya 3 skala pendeteksian interest point. Hal ini juga ditunjukkan pada bag of feature yang terbentuk, dimana bag of feature yang dihasilkan memiliki rentang index word yang jauh. Gambar 4.9 adalah gambar bag of feature yang dibentuk.
43
Gambar 4.9 Bag of Visual Word yang dibentuk
Pada pengujian yang telah dilakukan pada tabel 4.11 ditemukan peningkatan akurasi klasifikasi citra blur sebesar 7% dari sebelumnya yaitu pada tabel 4.9. Dimana pada tabel 4.11 menggunakan 4 skala deteksi dan pada tabel 4.9 menggunakan 3 skala deteksi.
Sedangkan pada tabel 4.13 ditemukan peningkatan akurasi klasifikasi citra blur sebesar 3
% dari sebelumnya yaitu pada tabel 4.11. Dimana pada tabel 4.13 menggunakan 5 skala deteksi dan pada tabel 4.11 menggunakan 4 skala deteksi. Untuk itu diperlukan pengujian lebih lanjut dengan melakukan 10 kali pengujian terhadap 3, 4 dan 5 skala pendeteksian pada metode speed-up robust feature sebelum dimodifikasi dengan metode speed-up robust feature setelah dimodifikasi. Hal ini berfungsi untuk menemukan akurasi yang konsisten terhadap klasifikasi citra blur sebelum dan sesudah modifikasi, mengingat penentuan trainingSet dan testingSet dilakukan secara acak. Selain itu pengujian akan dilakukan dengan mengubah nilai K pada clustering k-means. Hal ini dikarenakan bag of visul words yang dihasilkan pada pengujian pada tabel 4.10, tabel 4.11, tabel 4.12 dan tabel 4.13 tidak mencapai 500 index, seperti terlihat pada gambar 4.9. Untuk itu akan dilakukan pengurangan nilai K menjadi 200. Berikut adalah hasil pengujiannya :
44
Tabel 4.14 Percobaan 1 Menggunakan 3 Skala Pendeteksian Interest Point
Pada percobaan 1 menggunakan 3 skala pendeteksian interest point pada testingSet1 sebelum dimodifikasi speed-up robust feature, menghasilkan nilai akurasi average blur sebesar 33%, citra non blur sebesar 74 %, gaussian blur sebesar 18 %, motion blur sebesar 77 % dengan rata-rata akurasi sebesar 51 %, seperti terlihat pada tabel 4.9. Selain itu terjadi banyak miss classification, seperti klasifikasi average blur yang diklasifikasikan ke dalam citra non blur sebesar 15 %, yang diklasifikasikan ke dalam gaussian blur sebesar 21 %, dan diklasifikasikan ke dalam motion blur sebesar 31 %. Sedangkan pengujian pada testingSet1 menggunakan speed-up robust feature yang telah dimodifikasi mengalami peningkatan nilai akurasi average blur sebesar 44 %. Namun masih terjadi miss classification terhadap 3 kelas lainnya, untuk itu akan dilakukan 10 kali pengujian menggunakan speed-up robust feature yang belum dimodifikasi dengan speed-up robust feature yang telah dimodifikasi, untuk mendapatkan nilai akurasi yang konsisten. Hasil pengujiannya ditunjukkan pada tabel 4.15 dan tabel 4.16.
Percobaan 1 Menggunakan 3 Skala Pendeteksian Interest Point testingSet1 (sebelum modifikasi speed-up robust feature)
Average Blur Citra Non Blur Gaussian Blur Motion Blur
testingSet1 (setelah modifikasi speed-up robust feature )
Average blur Citra Non Blur Gaussian Blur Motion Blur
45
Tabel 4.15 Hasil Keseluruhan 10 Kali Pengujian Pada testingSet1 Sebelum di Modifikasi Testing Skala yang digunakan
3 Skala 4 Skala 5 Skala
Tabel 4.16 Hasil Keseluruhan 10 Kali Pengujian Pada testingSet1 Setelah di Modifikasi Testing Skala yang digunakan
3 Skala 4 Skala 5 Skala
Rata-rata Akurasi 64.50% 70.80% 72.30%
Setelah dilakukan 10 kali pengujian pada testingSet1 menggunakan speed-up robust feature yang belum dimodifikasi dengan speed-up robust feature yang telah dimodifikasi, didapatkan peningkatan nilai akurasi pada speed-up robust feature yang telah dimodifikasi.
46
Gambar 4.10 Hasil Klasifikasi Citra Blur Sebelum Modifikasi
Gambar 4.11 Hasil Klasifikasi Citra Blur Setelah Modifikasi
Dimana rata-rata akurasi tertinggi menggunakan 3 skala pendeteksian interest point menggunakan speed-up robust feature yang telah dimodifikasi sebesar 64.5 %, sedangkan nilai akurasi tertinggi mengggunakan speed-up robust feature yang belum dimodifikasi sebesar 51.0 % . Rata-rata akurasi tertinggi menggunakan 4 skala pendeteksian interest point menggunakan speed-up robust feature yang telah dimodifikasi sebesar 70.8 %,
51% 50%
Skala yang digunakan 3 Skala Skala yang digunakan 4 Skala Skala yang digunakan 5 Skala Skala yang digunakan 3 Skala Skala yang digunakan 4 Skala
Skala yang digunakan 5 Skala
47
sedangkan nilai akurasi tertinggi mengggunakan speed-up robust feature yang belum dimodifikasi sebesar 49.1 % . Dan rata-rata akurasi tertinggi menggunakan 5 skala pendeteksian interest point menggunakan speed-up robust feature yang telah dimodifikasi sebesar 72.3 %, sedangkan nilai akurasi tertinggi mengggunakan speed-up robust feature yang belum dimodifikasi sebesar 49.6 %. Grafik klasifikasi citra blur sebelum modifikasi dan sesudah dimodifikasi dapat dilihat pada Gambar 4.10 dan Gambar 4.11.
Setelah dilakukan 10 kali pengujian pada 3 skala yang berbeda yaitu skala 3, 4 dan 5 pendeteksian interest point, maka ditemukan rata-rata akurasi tertinggi klasifikasi citra blur sebesar 72,3% dengan menggunakan 5 skala pendeteksian seperti yang ditunjukkan pada tabel 4.16.