BAB IV:HASIL DAN PEMBAHASAN
4.4. Pengujian Citra Uji Tanpa Menggunakan Database
4.4.1 Pengujian Nilai Variasi Resizing Terhadap Jendela Ekstraksi Ciri dan
Nilai k-Nearest Neighbor (k=1)
a. Pengujian Nilai Variasi Resizing Terhadap Jendela Ekstraksi Ciri Tanpa k-NN (k=1)
Untuk kelas k-Nearest Neighbor (k-NN) k=1 jendela ekstraksi cirinya dapat dilihat di tabel lampiran 20, 21 dan 22 dibagian hasil tidak dimasukkan ke database, semakin kecil ukuran variasi resizing pengenalannya semakin kecil dan banyak yang dikenali secara salah. Dari tabel juga memperlihatkan bahwa sistem belum dapat mengenali 100% yang dikenali hanya 99,09% pada variasi resizing 200×200 piksel dengan jendela ekstraksi ciri 9×9, 10×10 piksel dan variasi 128×128 piksel dengan jendela ekstraksi ciri 7×7, 8×8, 9×9, 10×10 piksel.
Tabel 4.2. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=1 terhadap Jendela Ekstraksi Ciri
Resizing (Piksel)
Jendela Ekstraksi Ciri (Piksel)
4×4 5×5 6×6 7×7 8×8 9×9 10×10
200×200 85,45 96,36 97,27 97,73 97,73 99,09 99,09
128×128 86,82 95,00 97,27 99,09 99,09 99,09 99,09
64×64 79,55 91,82 94,55 96,36 96,82 98,64 98,64
32×32 76,82 89,55 91,82 92,73 94,09 96,36 96,82
16×16 64,09 74,09 76,36 77,27 80,91 82,73 84,55
Dari tabel 4.2 dapat digambarkan grafik variasi Resizing dan Jendela Ekstraksi Ciri dengan tingkat pengenalan seperti pada gambar 4.8 Grafik pada gambar tersebut
menunjukkan bahwa, semakin kecil ukuran variasi resizing, maka tingkat pengenalan semakin rendah. Hal ini disebabkan karena semakin kecil ukuran variasi resizing, citra semakin terlihat tidak berbentuk citra masukan, sehingga tingkat pengenalannya juga akan semakin rendah. Semakin besar ukuran variasi resizing, tingkat pengenalannya semakin tinggi. Dari tingkat pengenalan jendela ekstraksi ciri, semakin besar ukuran dari variasi jendela ekstraksi ciri maka tingkat pengenalannya semakin tinggi. Hal ini disebabkan pengambilan sisi kiri atas dari hasil Discrete Cosine Transform Two Dimension (DCT 2-D) yang semakin besar bila jendela ekstraksi ciri nilai variasinya besar. Variasi jendela ekstraksi ciri yang kecil, akan sedikit mengambil sisi kiri atas dari hasil Discrete Cosine Transform Two Dimension (DCT 2-D) dan itulah yang menyebabkan variasi jendela ekstraksi ciri yang nilainya kecil tingkat pengenalannya lebih rendah dari variasi yang ukuran variasi jendela ekstraksi cirinya besar.
Gambar 4.8. Grafik tingkat pengenalan kelas k=1 terhadap Jendela Ekstraksi Ciri
b. Pengujian Nilai Variasi Resizing Terhadap Variasi Masukan Rotasi Tanpa k-NN (k=1)
Untuk kelas k=1 dari rotasi dapat dilihat di tabel lampiran 20 dan 21 dibagian hasil tidak dimasukkan ke database, semakin kecil ukuran variasi resizing pengenalannya semakin kecil dan banyak yang dikenali secara salah. Dari tabel juga memperlihatkan
0 10 20 30 40 50 60 70 80 90 100
4×4 5×5 6×6 7×7 8×8 9×9 10×10
Tingkat Pengenalan (%)
Jendela Ekstraksi Ciri (Piksel)
Tingkat Pengenalan Kelas k=1 Terhadap Jendela Ekstraksi Ciri
200×200 128×128 64×64 32×32 16×16
bahwa sistem sudah dapat mengenali 100% pada variasi resizing 200×200 piksel dengan citra rotasi 2,5°, resizing 128×128 piksel dengan citra rotasi -2,5° dan 2,5°.
Tabel 4.3. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=1 terhadap pengaruh masukan variasi Rotasi
Resizing (Piksel)
Rotasi
-12,5° -7,5° -2,5° 0° 2,5° 7,5° 12,5°
200×200 94 98 99 100 100 97 93
128×128 94 99 100 100 100 98 92
64×64 94 99 93 100 91 97 92
32×32 86 99 72 100 72 92 86
16×16 65 80 41 100 52 73 59
Dari tabel 4.3 dapat digambarkan grafik variasi resizing dan rotasi dengan tingkat pengenalan seperti pada gambar 4.9. Grafik pada gambar tersebut menunjukkan bahwa, semakin kecil ukuran variasi resizing, maka tingkat pengenalan semakin rendah. Hal ini disebabkan karena semakin kecil ukuran variasi resizing, citra semakin terlihat tidak berbentuk citra masukan, sehingga tingkat pengenalannya juga akan semakin rendah.
Semakin besar ukuran variasi resizing, tingkat pengenalannya semakin tinggi.
Gambar 4.9. Grafik tingkat pengenalan kelas k=1 terhadap pengaruh masukan variasi rotasi 0
10 20 30 40 50 60 70 80 90 100
-12,5° -7,5° -2,5° 0° 2,5° 7,5° 12,5°
Tingkat Pengenalan (%)
Rotasi
Tingkat Pengenalan Kelas k=1 Terhadap Pengaruh Masukan Variasi Rotasi
200×200 128×128 64×64 32×32 16×16
Untuk pengaruh tingkat pengenalan resizing dan rotasi, di lihat dari gambar 4.9 nilai variasi resizing 200×200 dan 128×128 piksel tingkat pengenalannya baik. Untuk 64×64, 32×32, 16×16 piksel semakin kecil resizing pengenalannya akan rendah karena pengenalannya tidak stabil atau banyak yang dikenali secara salah. Dapat dilihat dari rotasi minimum -12,5° pengenalannya semakin naik ke -7,5°, artinya pengenalan tersebut stabil.
Setelah melewati -7,5° seharusnya pengenalan akan semakin tinggi mendekati tingkat pengenalan 100% ketika melewati 0° nilai skala aslinya. Tetapi dengan resizing dibawah nilai variasi 128×128 piksel, akan turun tingkat pengenalannya di nilai skala minimum -2,5°. Hal ini disebabkan oleh resizing yang ukurannya semakin kecil, tingkat pengenalannya semakin rendah karena citra yang diekstraksi ciri tidak seperti aslinya.
Setelah melewati nilai minimum dari skala, maka melewati nilai maksimum yang seharusnya tingkat pengenalannya semakin rendah seperti bentuk grafik variasi resizing 200×200 dan 128×128 piksel. untuk nilai maksimum tidak stabil dari -2,5 seharusnya tingkat pengenalan mendekati 100% bila melewati 0° dan akan menurun lagi bila nilai skalanya semakin besar. Seperti pada gambar 4.9 tingkat pengenalan nilai minimum -2,5°
dan 2,5° pada resizing di bawah nilai 128×128 piksel tingkat pengenalannya akan semakin rendah.
c. Pengujian Nilai Variasi Resizing Terhadap Variasi Masukan Skala Tanpa k-NN (k=1)
Dari Skala k=1 dapat dilihat di tabel lampiran 21 dan 22 dibagian hasil tidak dimasukkan ke database, semakin kecil ukuran variasi resizing pengenalannya semakin kecil dan cukup banyak yang dikenali secara salah. Dari tabel juga memperlihatkan bahwa sistem sudah dapat mengenali 100% pada variasi resizing 200×200 piksel dengan citra skala 102,5%, 107,5%, 112,5%, resizing 128×128 piksel dengan citra skala 102,5%, 107,5%, 112,5%, resizing 64×64 piksel dengan citra skala 102,5%, 107,5%, 112,5%, dan resizing 32×32 piksel dengan citra skala 107,5%. Pengenalan ini sudah dapat dikenal dengan nilai skala di atas 100%, karena nilai skala di bawah 100% seperti 92,5%, 97,5%
citranya akan mengecil dan yang bukan bagian dari citra yang berwarna putih akan ikut diproses dan masuk ke Discrete Cosine Transform Two Dimension (DCT 2-D).
Tabel 4.4. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=1 terhadap pengaruh masukan variasi Skala
Resizing (Piksel)
Skala(%)
92,5% 97,5% 102,5 107,5 112,5
200×200 93 84 100 100 100
128×128 92 86 100 100 100
64×64 96 70 100 100 100
32×32 99 99 99 100 99
16×16 94 93 95 99 97
Dari tabel 4.4 dapat digambarkan grafik variasi resizing dan skala dengan tingkat pengenalan seperti pada gambar 4.10 Grafik pada gambar tersebut menunjukkan bahwa semakin kecil ukuran variasi resizing, maka tingkat pengenalan semakin rendah. Hal ini disebabkan karena semakin kecil ukuran variasi resizing, citra semakin terlihat tidak berbentuk citra masukan sehingga tingkat pengenalannya juga akan semakin rendah.
Semakin besar ukuran variasi resizing, tingkat pengenalannya semakin tinggi.
Gambar 4.10. Grafik tingkat pengenalan kelas k=1 terhadap pengaruh masukan variasi Skala
4.4.2. Pengujian Nilai Variasi Resizing Terhadap Jendela Ekstraksi Ciri dan Variasi Masukan Rotasi Serta Skala Dengan Menggunakan Nilai k-Nearest Neighbor (k=3)
0 10 20 30 40 50 60 70 80 90 100
92,5% 97,5% 102,5% 107,5% 112,5%
Tingkat Pengenalan (%)
Skala
Tingkat Pengenalan Kelas k=1 Terhadap Pengaruh Masukan Variasi Skala
200×200 128×128 64×64 32×32 16×16
a. Pengujian Nilai Variasi Resizing Terhadap Jendela Ekstraksi Ciri Menggunakan k-NN (k=3)
Untuk kelas k-Nearest Neighbor (k-NN) k=3 jendela ekstraksi cirinya dapat dilihat di tabel lampiran 25, 26 dan 27 dibagian hasil tidak dimasukkan ke database, semakin kecil ukuran variasi resizing pengenalannya semakin kecil dan banyak yang dikenali secara salah. Dari tabel juga memperlihatkan bahwa sistem belum dapat mengenali 100% yang dikenali hanya 94,55% pada variasi resizing 64×64 piksel dengan jendela ekstraksi ciri 10×10 piksel.
Tabel 4.5. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=3 terhadap Jendela Ekstraksi Ciri
Resizing (Piksel)
Jendela Esktraksi Ciri (Piksel)
4×4 5×5 6×6 7×7 8×8 9×9 10×10
200×200 79,09 88,64 90,00 90,91 91,82 92,73 93,64
128×128 81,82 90,00 89,55 91,82 92,27 92,27 93,64
64×64 72,73 84,09 86,36 90,00 90,45 93,18 94,55
32×32 74,09 82,73 86,36 89,55 89,09 90,91 93,18
16×16 63,18 78,50 68,18 73,64 75,45 76,36 79,55
Dari tabel 4.5 dapat digambarkan grafik variasi resizing dan jendela ekstraksi ciri dengan tingkat pengenalan seperti pada gambar 4.11. Grafik pada gambar tersebut menunjukkan bahwa semakin kecil ukuran variasi resizing, maka tingkat pengenalan semakin rendah. Hal ini disebabkan karena semakin kecil ukuran variasi resizing, citra semakin terlihat tidak berbentuk citra masukan sehingga tingkat pengenalannya juga akan semakin rendah. Semakin besar ukuran variasi resizing, tingkat pengenalannya semakin tinggi. Dari tingkat pengenalan jendela ekstraksi ciri semakin besar ukuran dari variasi jendela ekstraksi ciri maka tingkat pengenalannya semakin tinggi. Hal ini disebabkan pengambilan sisi kiri atas dari hasil Discrete Cosine Transform Two Dimension (DCT 2-D) yang semakin besar bila jendela ekstraksi ciri nilai variasinya besar. Variasi jendela ekstraksi ciri yang kecil akan sedikit mengambil sisi kiri atas dari hasil Discrete Cosine Transform Two Dimension (DCT 2-D) dan itulah yang menyebabkan variasi jendela ekstraksi ciri yang nilainya kecil lebih rendah tingkat pengenalannya dari variasi yang besar ukuran variasi jendela ekstraksi cirinya.
Gambar 4.11. Grafik tingkat pengenalan kelas k=3 terhadap Jendela Ekstraksi Ciri
b. Pengujian Nilai Variasi Resizing Terhadap Variasi Masukan Rotasi Menggunakan k-NN (k=3)
Untuk kelas k=3 dari rotasi dapat dilihat di tabel lampiran 25 dan 26 dibagian hasil tidak dimasukkan ke database, semakin kecil ukuran variasi resizing pengenalannya semakin kecil dan banyak yang dikenali secara salah. Dari tabel juga memperlihatkan bahwa sistem belum dapat mengenali 100% yang dikenali hanya 94% pada variasi resizing 200×200 piksel dengan citra rotasi 2,5°, dan resizing 128×128 piksel dengan citra rotasi -7,5°.
Tabel 4.6. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=3 terhadap pengaruh masukan variasi rotasi
Resizing (Piksel)
Rotasi
-12,5° -7,5° -2,5° 0° 2,5° 7,5° 12,5°
200×200 71 91 94 100 93 91 66
128×128 73 94 93 100 92 91 66
64×64 73 92 81 100 82 92 71
32×32 78 91 64 99 65 89 74
16×16 56 74 41 91 44 67 53
Dari tabel 4.6 dapat digambarkan grafik variasi resizing dan rotasi dengan tingkat pengenalan seperti pada gambar 4.12. Grafik pada gambar tersebut menunjukkan bahwa
0 10 20 30 40 50 60 70 80 90 100
4×4 5×5 6×6 7×7 8×8 9×9 10×10
Tingkat Pengenalan (%)
Jendela Ekstraksi Ciri (Piksel)
Tingkat Pengenalan Kelas k=3 Terhadap Jendela Ekstraksi Ciri
200×200 128×128 64×64 32×32 16×16
semakin kecil ukuran variasi resizing, maka tingkat pengenalan semakin rendah. Hal ini disebabkan karena semakin kecil ukuran variasi resizing, citra semakin terlihat tidak berbentuk citra masukan sehingga tingkat pengenalannya juga akan semakin rendah.
Semakin besar ukuran variasi resizing, tingkat pengenalannya semakin tinggi.
Gambar 4.12. Grafik tingkat pengenalan kelas k=3 terhadap pengaruh masukan variasi rotasi
Untuk pengaruh tingkat pengenalan resizing dan rotasi, di lihat dari gambar 4.12 nilai variasi resizing 200×200 dan 128×128 piksel tingkat pengenalannya cukup baik.
Untuk 64×64, 32×32, 16×16 piksel semakin kecil resizing pengenalannya akan rendah karena pengenalannya tidak stabil atau banyak yang dikenali secara salah. Dapat dilihat dari rotasi minimum -12,5° pengenalannya semakin naik ke -7,5°, artinya pengenalan tersebut stabil. Setelah melewati -7,5° seharusnya pengenalan akan semakin tinggi mendekati tingkat pengenalan 100% ketika melewati 0° nilai skala aslinya. Tetapi dengan resizing dibawah nilai variasi 128×128 piksel, akan turun tingkat pengenalannya di nilai skala minimum -2,5°. Hal ini disebabkan oleh resizing yang ukurannya semakin kecil, tingkat pengenalannya semakin rendah karena citra yang diekstraksi ciri tidak seperti aslinya. Setelah melewati nilai minimum dari skala, maka melewati nilai maksimum yang seharusnya tingkat pengenalannya semakin rendah seperti bentuk grafik variasi resizing
0 10 20 30 40 50 60 70 80 90 100
-12,5° -7,5° -2,5° 0° 2,5° 7,5° 12,5°
Tingkat Pengenalan (%)
Rotasi
Tingkat Pengenalan Kelas k=3 Terhadap Pengaruh Masukan Variasi Rotasi
200×200 128×128 64×64 32×32 16×16
200×200 dan 128×128 piksel. untuk nilai maksimum tidak stabil dari -2,5 seharusnya tingkat pengenalan mendekati 100% bila melewati 0° dan akan menurun lagi bila nilai skalanya semakin besar. Seperti pada gambar 4.12 tingkat pengenalan nilai minimum -2,5°
dan 2,5° pada resizing di bawah nilai 128×128 piksel tingkat pengenalannya akan semakin rendah. Faktor penyebab pengenalan ini semakin juga disebabkan oleh besarnya nilai k-NN seperti yang sudah dijelaskan. Hal ini disebabkan oleh nilai hasil jarak yang paling minimum diambil sebanyak kelas k akan membuat sedikit perbandingan dengan sampel variasi asli, rotasi dan skala citra yang lainnya.
c. Pengujian Nilai Variasi Resizing Terhadap Variasi Masukan Skala Menggunakan k-NN (k=3)
Dari skala k=3 dapat dilihat di tabel lampiran 26 dan 27 dibagian hasil tidak dimasukkan ke database, semakin kecil ukuran variasi resizing pengenalannya semakin kecil dan cukup banyak yang dikenali secara salah. Dari tabel juga memperlihatkan bahwa sistem sudah dapat mengenali 100% pada variasi resizing 200×200 piksel dengan citra skala 102,5%, 107,5%, 112,5%, resizing 128×128 piksel dengan citra skala 102,5%, 107,5%, 112,5%, resizing 64×64 piksel dengan citra skala 102,5%, 107,5%, 112,5%, dan resizing 32×32 piksel dengan citra skala 107,5%. Pengenalan ini sudah dapat dikenal dengan nilai skala di atas 100%, karena nilai skala di bawah 100% seperti 92,5%, 97,5%
citranya akan mengecil dan yang bukan bagian dari citra yang berwarna putih akan ikut diproses dan masuk ke Discrete Cosine Transform Two Dimension (DCT 2-D).
Tabel 4.7. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=3 terhadap pengaruh masukan variasi Skala
Resizing (Piksel)
Skala(%)
92,5% 97,5% 102,5% 107,5% 112,5%
200×200 96 82 100 100 100
128×128 99 86 100 100 100
64×64 98 71 100 100 100
32×32 98 98 99 100 98
16×16 94 91 97 99 82
Dari tabel 4.7 dapat digambarkan grafik variasi resizing dan skala dengan tingkat pengenalan seperti pada gambar 4.13. Grafik pada gambar tersebut menunjukkan bahwa semakin kecil ukuran variasi resizing, maka tingkat pengenalan semakin rendah. Hal ini
disebabkan karena semakin kecil ukuran variasi resizing, citra semakin terlihat tidak berbentuk citra masukan sehingga tingkat pengenalannya juga akan semakin rendah.
Semakin besar ukuran variasi resizing, tingkat pengenalannya semakin tinggi.
Gambar 4.13. Grafik tingkat pengenalan kelas k=3 terhadap pengaruh masukan variasi Skala
4.4.3. Pengujian Nilai Variasi Resizing Terhadap Jendela Ekstraksi Ciri dan Variasi Masukan Rotasi Serta Skala Dengan Menggunakan Nilai k-Nearest Neighbor (k=5)
a. Pengujian Nilai Variasi Resizing Terhadap Jendela Ekstraksi Ciri Menggunakan k-NN (k=5)
Untuk kelas k-Nearest Neighbor (k-NN) k =5 jendela ekstraksi cirinya dapat dilihat di tabel lampiran 30, 31, dan 32 dibagian hasil tidak dimasukkan ke database, semakin kecil ukuran variasi resizing pengenalannya semakin kecil dan banyak yang dikenali secara salah. Dari tabel juga memperlihatkan bahwa sistem belum dapat mengenali 100% yang dikenali hanya 93,18% pada variasi resizing 200×200 piksel dengan jendela ekstraksi ciri 10×10 piksel, dan variasi resizing 128×128 piksel dengan jendela ekstraksi ciri 10×10 piksel.
0 10 20 30 40 50 60 70 80 90 100
92,5% 97,5% 102,5% 107,5% 112,5%
Tingkat Pengenalan (%)
Skala
Tingkat Pengenalan Kelas k=3 Terhadap Pengaruh Masukan Variasi Skala
200×200 128×128 64×64 32×32 16×16
Tabel 4.8. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=5 terhadap Jendela Ekstraksi Ciri
Resizing (Piksel)
Jendela Esktraksi Ciri (Piksel)
4×4 5×5 6×6 7×7 8×8 9×9 10×10
200×200 75,45 89,09 89,55 90,45 91,36 92,73 93,18
128×128 76,36 88,64 89,09 89,09 90,91 91,36 93,18
64×64 68,64 83,18 84,09 87,27 89,55 89,55 91,82
32×32 71,36 80,45 83,18 84,55 86,36 87,27 89,55
16×16 59,55 64,09 68,64 69,55 73,64 72,73 75,45
Dari tabel 4.8 dapat digambarkan grafik variasi resizing dan jendela ekstraksi ciri dengan tingkat pengenalan seperti pada gambar 4.14. Grafik pada gambar tersebut menunjukkan bahwa semakin kecil ukuran variasi resizing, maka tingkat pengenalan semakin rendah. Hal ini disebabkan karena semakin kecil ukuran variasi resizing, citra semakin terlihat tidak berbentuk citra masukan sehingga tingkat pengenalannya juga akan semakin rendah. Semakin besar ukuran variasi resizing, tingkat pengenalannya semakin tinggi. Dari tingkat pengenalan jendela ekstraksi ciri semakin besar ukuran dari variasi jendela ekstraksi ciri maka tingkat pengenalannya semakin tinggi. Hal ini disebabkan pengambilan sisi kiri atas dari hasil Discrete Cosine Transform Two Dimension (DCT 2-D) yang semakin besar bila jendela ekstraksi ciri nilai variasinya besar. Variasi jendela ekstraksi ciri yang kecil akan sedikit mengambil sisi kiri atas dari hasil Discrete Cosine Transform Two Dimension (DCT 2-D) dan itulah yang menyebabkan variasi jendela ekstraksi ciri yang nilainya kecil lebih rendah tingkat pengenalannya dari variasi yang besar ukuran variasi jendela ekstraksi cirinya.
Gambar 4.14. Grafik tingkat pengenalan kelas k=5 terhadap Jendela Ekstraksi Ciri 0
10 20 30 40 50 60 70 80 90 100
4×4 5×5 6×6 7×7 8×8 9×9 10×10
Tingkat Pengenalan (%)
Jendela Ekstraksi Ciri (Piksel)
Tingkat Pengenalan Kelas k=5 Terhadap Jendela Ekstraksi Ciri
200×200 128×128 64×64 32×32 16×16
b. Pengujian Nilai Variasi Resizing Terhadap Variasi Masukan Rotasi Menggunakan k-NN (k=5)
Untuk kelas k=5 dari rotasi dapat dilihat di tabel lampiran 30 dan 31 dibagian hasil tidak dimasukkan ke database, semakin kecil ukuran variasi resizing pengenalannya semakin kecil dan banyak yang dikenali secara salah. Dari tabel juga memperlihatkan bahwa sistem belum dapat mengenali 100% yang dikenali hanya 96% pada variasi resizing 200×200 piksel dengan citra rotasi -7,5.
Tabel 4.9. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=5 terhadap pengaruh masukan variasi rotasi
Resizing (Piksel)
Rotasi
-12,5° -7,5° -2,5° 0° 2,5° 7,5° 12,5°
200×200 66 96 85 100 86 95 69
128×128 67 94 82 100 85 94 69
64×64 66 94 74 100 75 91 69
32×32 62 92 64 94 64 82 67
16×16 44 73 42 89 45 69 46
Dari tabel 4.9 dapat digambarkan grafik variasi resizing dan rotasi dengan tingkat pengenalan seperti pada gambar 4.15. Grafik pada gambar tersebut menunjukkan bahwa semakin kecil ukuran variasi resizing, maka tingkat pengenalan semakin rendah. Hal ini disebabkan karena semakin kecil ukuran variasi resizing, citra semakin terlihat tidak berbentuk citra masukan sehingga tingkat pengenalannya juga akan semakin rendah.
Semakin besar ukuran variasi resizing, tingkat pengenalannya semakin tinggi.
Gambar 4.15. Grafik tingkat pengenalan kelas k=5 terhadap pengaruh masukan variasi rotasi
0 10 20 30 40 50 60 70 80 90 100
-12,5° -7,5° -2,5° 0° 2,5° 7,5° 12,5°
Tingkat Pengenalan (%)
Rotasi
Tingkat Pengenalan Kelas k=5 Terhadap Pengaruh Masukan Variasi Rotasi
200×200 128×128 64×64 32×32 16×16
Untuk pengaruh tingkat pengenalan resizing dan rotasi, di lihat dari gambar 4.15 semua nilai variasi resizing tingkat pengenalannya rendah dibagian -2,5° dan 2,5°. Dapat dilihat dari rotasi minimum -12,5° pengenalannya semakin naik ke -7,5°, artinya pengenalan tersebut stabil. Setelah melewati -7,5° seharusnya pengenalan akan semakin tinggi mendekati tingkat pengenalan 100% ketika melewati 0° nilai skala aslinya. Tetapi semua nilai variasi resizing akan turun tingkat pengenalannya di nilai skala minimum -2,5°. Hal ini disebabkan oleh resizing yang ukurannya semakin kecil, tingkat pengenalannya semakin rendah karena citra yang diekstraksi ciri tidak seperti aslinya.
Setelah melewati nilai minimum dari skala, maka melewati nilai maksimum yang seharusnya tingkat pengenalannya semakin rendah. Untuk nilai maksimum tidak stabil dari -2,5 seharusnya tingkat pengenalan mendekati 100% bila melewati 0° dan akan menurun lagi bila nilai skalanya semakin besar. Seperti pada gambar 4.15 tingkat pengenalan nilai minimum -2,5° dan 2,5° pada semua variasi resizing tingkat pengenalannya akan semakin rendah. Faktor penyebab pengenalan ini semakin juga disebabkan oleh besarnya nilai k-NN seperti yang sudah dijelaskan. Hal ini disebabkan oleh nilai hasil jarak yang paling minimum diambil sebanyak kelas k akan membuat sedikit perbandingan dengan sampel variasi asli, rotasi dan skala citra yang lainnya.
c. Pengujian Nilai Variasi Resizing Terhadap Variasi Masukan Skala Menggunakan k-NN (k=5)
Dari skala k=5 dapat dilihat di tabel lampiran 31 dan 32 dibagian hasil tidak dimasukkan ke database, semakin kecil ukuran variasi resizing pengenalannya semakin kecil dan cukup banyak yang dikenali secara salah. Dari tabel juga memperlihatkan bahwa sistem sudah dapat mengenali 100% pada variasi resizing 200×200 piksel dengan citra skala 102,5%, 107,5%, 112,5%, resizing 128×128 piksel dengan citra skala 102,5%, 107,5%, 112,5%, resizing 64×64 piksel dengan citra skala 102,5%, 107,5%, 112,5%, dan resizing 32×32 piksel dengan citra skala 107,5%. Pengenalan ini sudah dapat dikenal dengan nilai skala di atas 100%, karena nilai skala di bawah 100% seperti 92,5%, 97,5%
citranya akan mengecil dan yang bukan bagian dari citra yang berwarna putih akan ikut diproses dan masuk ke Discrete Cosine Transform Two Dimension (DCT 2-D).
Tabel 4.10. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=5 terhadap pengaruh masukan variasi Skala
Resizing (Piksel)
Skala(%)
92,5% 97,5% 102,5% 107,5% 112,5%
200×200 99 79 100 100 100
128×128 99 82 100 100 100
64×64 98 67 100 100 100
32×32 96 94 95 100 99
16×16 89 86 93 95 79
Dari tabel 4.10 dapat digambarkan grafik variasi resizing dan skala dengan tingkat pengenalan seperti pada gambar 4.16. Grafik pada gambar tersebut menunjukkan bahwa semakin kecil ukuran variasi resizing, maka tingkat pengenalan semakin rendah. Hal ini disebabkan karena semakin kecil ukuran variasi resizing, citra semakin terlihat tidak berbentuk citra masukan sehingga tingkat pengenalannya juga akan semakin rendah.
Semakin besar ukuran variasi resizing, tingkat pengenalannya semakin tinggi.
Gambar 4.16. Grafik tingkat pengenalan kelas k=5 terhadap pengaruh masukan variasi Skala
4.4.4. Pengujian Nilai Variasi Resizing Terhadap Jendela Ekstraksi Ciri dan Variasi Masukan Rotasi Serta Skala Dengan Menggunakan Nilai k-Nearest Neighbor (k=7)
0 10 20 30 40 50 60 70 80 90 100
92,5% 97,5% 102,5% 107,5% 112,5%
Tingkat Pengenalan (%)
Skala
Tingkat Pengenalan Kelas k=5 Terhadap Pengaruh Masukan Variasi Skala
200×200 128×128 64×64 32×32 16×16
a. Pengujian Nilai Variasi Resizing Terhadap Jendela Ekstraksi Ciri Menggunakan k-NN (k=7)
Untuk kelas k-Nearest Neighbor (k-NN) k=7 jendela ekstraksi cirinya dapat dilihat di tabel lampiran 35, 36, dan 37 dibagian hasil tidak dimasukkan ke database, semakin kecil ukuran variasi resizing pengenalannya semakin kecil dan banyak yang dikenali secara salah. Dari tabel juga memperlihatkan bahwa sistem belum dapat mengenali 100% yang dikenali hanya 94,09% pada variasi resizing 200×200 piksel dengan jendela ekstraksi ciri 10×10 piksel.
Tabel 4.11. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=7 terhadap Jendela Ekstraksi Ciri
Resizing (Piksel)
Jendela Esktraksi Ciri (Piksel)
4×4 5×5 6×6 7×7 8×8 9×9 10×10
200×200 75,45 89,09 89,55 92,73 92,73 92,73 94,09
128×128 75,91 86,82 87,27 90,91 91,82 93,18 92,73
64×64 69,09 80,00 82,27 90,00 91,36 92,73 92,73
32×32 72,27 84,09 84,55 86,36 88,64 92,27 91,82
16×16 57,73 65,45 68,18 68,64 68,18 71,82 76,82
Dari tabel 4.11, dapat digambarkan grafik variasi resizing dan jendela ekstraksi ciri dengan tingkat pengenalan seperti pada gambar 4.17. Grafik pada gambar tersebut menunjukkan bahwa, semakin kecil ukuran variasi resizing, maka tingkat pengenalan semakin rendah. Hal ini disebabkan karena semakin kecil ukuran variasi resizing, citra semakin terlihat tidak berbentuk citra masukan sehingga tingkat pengenalannya juga akan semakin rendah. Semakin besar ukuran variasi resizing, tingkat pengenalannya semakin tinggi. Dari tingkat pengenalan jendela ekstraksi ciri semakin besar ukuran dari variasi jendela ekstraksi ciri maka tingkat pengenalannya semakin tinggi. Hal ini disebabkan pengambilan sisi kiri atas dari hasil Discrete Cosine Transform Two Dimension (DCT 2-D) yang semakin besar bila jendela ekstraksi ciri nilai variasinya besar. Variasi jendela ekstraksi ciri yang kecil akan sedikit mengambil sisi kiri atas dari hasil Discrete Cosine Transform Two Dimension (DCT 2-D) dan itulah yang menyebabkan variasi jendela ekstraksi ciri yang nilainya kecil lebih rendah tingkat pengenalannya dari variasi yang besar ukuran variasi jendela ekstraksi cirinya.
Gambar 4.17. Grafik tingkat pengenalan kelas k=7 terhadap Jendela Ekstraksi Ciri
b. Pengujian Nilai Variasi Resizing Terhadap Variasi Masukan Rotasi Menggunakan k-NN (k=7)
Untuk kelas k=7 dari rotasi dapat dilihat di tabel lampiran 35 dan 36 dibagian hasil tidak dimasukkan ke database, semakin kecil ukuran variasi resizing pengenalannya semakin kecil dan banyak yang dikenali secara salah. Dari tabel juga memperlihatkan bahwa sistem belum dapat mengenali 100% yang dikenali hanya 94% pada variasi resizing 200×200 piksel dengan citra rotasi -7,5.
Tabel 4.12. Tingkat Pengenalan (%) Pengaruh untuk k-NN k=7 terhadap pengaruh masukan variasi rotasi
Resizing (Piksel)
Rotasi
-12,5° -7,5° -2,5° 0° 2,5° 7,5° 12,5°
200×200 72 94 84 97 89 90 79
128×128 73 90 80 96 87 88 79
64×64 72 91 71 100 76 88 76
32×32 69 91 65 97 71 84 68
16×16 43 71 48 84 46 83 48
Dari tabel 4.12 dapat digambarkan grafik variasi resizing dan rotasi dengan tingkat pengenalan seperti pada gambar 4.18. Grafik pada gambar tersebut menunjukkan bahwa semakin kecil ukuran variasi resizing, maka tingkat pengenalan semakin rendah. Hal ini
0 10 20 30 40 50 60 70 80 90 100
4×4 5×5 6×6 7×7 8×8 9×9 10×10
Tingkat Pengenalan (%)
Jendela Ekstraksi Ciri (Piksel)
Tingkat Pengenalan Kelas k=7 Terhadap Jendela Ekstraksi Ciri
200×200 128×128 64×64 32×32 16×16
disebabkan karena semakin kecil ukuran variasi resizing, citra semakin terlihat tidak berbentuk citra masukan sehingga tingkat pengenalannya juga akan semakin rendah.
Semakin besar ukuran variasi resizing, tingkat pengenalannya semakin tinggi.
Gambar 4.18. Grafik tingkat pengenalan kelas k=7 terhadap pengaruh masukan variasi rotasi
Untuk pengaruh tingkat pengenalan resizing dan rotasi, di lihat dari gambar 4.18 semua nilai variasi resizing tingkat pengenalannya rendah dibagian -2,5° dan 2,5°. Dapat dilihat dari rotasi minimum -12,5° pengenalannya semakin naik ke -7,5°, artinya pengenalan tersebut stabil. Setelah melewati -7,5° seharusnya pengenalan akan semakin tinggi mendekati tingkat pengenalan 100% ketika melewati 0° nilai skala aslinya. Tetapi semua nilai variasi resizing akan turun tingkat pengenalannya di nilai skala minimum -2,5°. Hal ini disebabkan oleh resizing yang ukurannya semakin kecil, tingkat pengenalannya semakin rendah karena citra yang diekstraksi ciri tidak seperti aslinya.
Setelah melewati nilai minimum dari skala, maka melewati nilai maksimum yang seharusnya tingkat pengenalannya semakin rendah. Untuk nilai maksimum tidak stabil dari -2,5 seharusnya tingkat pengenalan mendekati 100% bila melewati 0° dan akan menurun lagi bila nilai skalanya semakin besar. Seperti pada gambar 4.18 tingkat pengenalan nilai minimum -2,5° dan 2,5° pada semua variasi resizing tingkat pengenalannya akan semakin
Setelah melewati nilai minimum dari skala, maka melewati nilai maksimum yang seharusnya tingkat pengenalannya semakin rendah. Untuk nilai maksimum tidak stabil dari -2,5 seharusnya tingkat pengenalan mendekati 100% bila melewati 0° dan akan menurun lagi bila nilai skalanya semakin besar. Seperti pada gambar 4.18 tingkat pengenalan nilai minimum -2,5° dan 2,5° pada semua variasi resizing tingkat pengenalannya akan semakin