IDENTIFIKASI JENIS KAYU MENGGUNAKAN
SUPPORT VECTOR MACHINE
BERBASIS CITRA
A.A GEDE RAI GUNAWAN
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa tesis berjudul Identifikasi Jenis Kayu Menggunakan Support Vector Machine Berbasis Citra adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
Bogor, Maret 2014
A.A Gede Rai Gunawan NIM G651110291
RINGKASAN
A.A GEDE RAI GUNAWAN. Identifikasi Jenis Kayu Menggunakan Support Vector Machine Berbasis Citra. Komisi Pembimbing SRI NURDIATI dan YANDRA ARKEMAN.
Identifikasi jenis kayu dapat dipelajari sebagai ilmu pengetahuan, namun kemampuan mengidentifikasi jenis kayu hanya dapat diperoleh melalui proses latihan yang cukup lama, berulang-ulang dan terus-menerus. Permasalahan yang timbul apabila petugas yang mengidentifikasi kayu belum terampil maka proses bisnis akan membutuhkan waktu yang lebih lama dan tentunya akan menambah biaya. Sistem identifikasi jenis kayu sangat diperlukan untuk memberikan solusi pada permasalahan ini.
Sampel jenis kayu diperoleh dari Balai Pemantauan Pemanfaatan Hutan Produksi Wilayah XII Palangka Raya, yang terdiri atas 4 jenis kayu yaitu: kayu Johar, Jati Rasamala dan Sengon. Data citra jenis kayu diperoleh dengan menggunakan kamera mikroskopis, masing-masing jenis mempunyai 24 citra. Total data pada penelitian ini berjumlah 96 citra dengan ukuran awal 480 x 640 piksel kemudian ukuran citra diubah menjadi 96 x 128 piksel lalu citra RGB tersebut akan diubah menjadi citra grayscale.
Pengolahan citra pada penelitian ini menggunakan ekstraksi ciri Two-Dimensional Principal Component Analysis (2D-PCA) yang berfungsi untuk mereduksi dimensi pada citra jenis kayu tanpa menghilangkan informasi yang berarti dan Support Vector Machine (SVM) dengan fungsi kernel Radial Basis Function
(RBF) dan kernel Polinomial untuk klasifikasinya.
Hasil tingkat akurasi menggunakan kernel RBF tertinggi didapat pada parameter sigma 35, 40, 45 dan 50 dengan ekstraksi ciri 60% adalah sebesar 94.79%, sedangkan tingkat akurasi tertinggi menggunakan kernel Polinomial didapat pada parameter orde 1 dengan ekstraksi ciri 60% sampai dengan 75% yaitu sebesar 95.83%. Hasil penelitian menunjukan ekstraksi ciri menggunakan kernel
Polinomial menghasilkan akurasi lebih tinggi dibandingkan menggunakan kernel
RBF.
SUMMARY
A.A GEDE RAI GUNAWAN. Wood Type Identification Using Support Vector Machine Base on Image Data. Supervised by SRI NURDIATI and YANDRA ARKEMAN.
The wood type identification can be studied as a science, but the ability to identify the type of wood can only be obtained through a long training process, repeatedly and continuously. The problems that appear when workers are not skilled enough to identify the type of wood are the longer time of business process, and thus certainly will added more cost. The wood type identification system is very necessary to provide an alternative solution for this problem.
The wood samples had obtained from Balai Pemantauan Pemanfaatan Hutan Produksi Wilayah XII Palangka Raya, which is consists of 4 types of wood, namely: Johar, Jati, Rasamala and Sengon wood. The image of wood type data has obtained using a microscopic camera, and each type has 24 images. Total data in this study are 96 images with has an initial size 480 x 640 pixels and converted into 96 x 128 pixels size. This RGB sample data image is converted into a grayscale images.
The image processing in this study using Two - Dimensional Principal Component Analysis (2D-PCA) feature extraction method, which is serves to reduce the images dimensions without removing the important information. The Support Vector Machine (SVM) with kernel function Radial Basis Function (RBF) and polynomial kernel method has been used for classification process.
The highest accuracy results which obtained using the RBF kernel at sigma parameter 35, 40, 45 and 50, within 60% feature extraction are 94.79%. The highest accuracy level which obtained using the polynomial kernel within 1 parameter order and 60% to 75% feature extraction are 95.83%. The results showed that the feature extraction using polynomial kernel produces a higher accuracy than the RBF kernel method.
© Hak Cipta Milik IPB, Tahun 2014
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya.Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB
IDENTIFIKASI JENIS KAYU MENGGUNAKAN
SUPPORT VECTOR MACHINE BERBASIS CITRA
A.A GEDE RAI GUNAWAN
Tesis
sebagai salah satu syarat untuk memperoleh gelar Magister Komputer
pada
Program Studi Ilmu Komputer
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
Judul Tesis : Identifikasi Jenis Kayu Menggunakan Support Vector Machine Berbasis Citra
Nama : A.A Gede Rai Gunawan
NIM : G651110291
Disetujui oleh
Komisi Pembimbing
Dr Ir Sri Nurdiati, MSc Dr Ir Yandra Arkeman, MEng
Ketua Anggota
Diketahui oleh
Ketua Program Studi Dekan Sekolah Pascasarjana
Ilmu Komputer
Dr Eng Wisnu Ananta Kusuma, ST, MT Dr Ir Dahrul Syah, MScAgr
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah SWT atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan September 2012 adalah Identifikasi Jenis Kayu Menggunakan Support Vector Machine Berbasis Citra.
Terima kasih penulis ucapkan kepada Ibu Dr Ir Sri Nurdiati, MSc dan Bapak Dr Ir Yandra Arkeman, MEng selaku pembimbing, serta Dr Ir Agus Buono, Msi, MKom selaku penguji dalam ujian tesis. Di samping itu, penghargaan penulis sampaikan kepada Direktorat Jenderal Bina Produksi Kehutanan melalui beasiswa Kementerian Kehutanan atas pemberian fasilitas baik pembiayaan maupun sarana/prasarana selama penyusunan karya ilmiah ini dan untuk Balai Pemantauan Pemanfaatan Hutan Produksi Wilayah XII Palangka Raya, atas ketersediaan data untuk penelitian ini. Ungkapan terima kasih juga disampaikan kepada Istri tercinta Rilka Pasila, SH dan putra putri tercinta Abdullah Sadiidaan Albanna, Zikra Aqila dan Syamil Abdullah atas segala doa dan kasih sayangnya.
Terima kasih kepada pengelola pasca sarjana, seluruh dosen dan staf akademik Ilmu Komputer Institut Pertanian Bogor, teman-teman angkatan XII dan XIII Program Studi Ilmu Komputer (khususnya lima sekawan) atas kebersamaan dan bantuannya selama kuliah dan penyelesaian penelitian ini.
Semoga karya ini dapat bermanfaat. Kritik dan saran sangat penulis harapkan demi kesempurnaan karya ini di kemudian hari.
Bogor, Maret 2014
ii
DAFTAR ISI
DAFTAR TABEL 13
DAFTAR GAMBAR 13
DAFTAR LAMPIRAN 14
1 PENDAHULUAN 1
1.1 Latar Belakang 1
1.2 Perumusan Masalah 1
1.3 Tujuan Penelitian 2
1.4 Manfaat Penelitian 2
1.5 Ruang Lingkup 2
2 METODE PENELITIAN 3
2.1 Bahan 3
2.2 Alat 3
2.3 Prosedur Analisis Data 4
2.4 Data Citra Mikroskopis Kayu 4
2.5 Praproses 5
2.6 Pembagian Data 6
2.7 Ekstraksi Ciri 6
2.8 Matriks Transformasi 7
2.9 Pembelajaran dengan Support Vector Machine 7
2.10 Analisis dan Evaluasi 8
3 HASIL DAN PEMBAHASAN 9
3.1 Data Citra 9
3.2 Praproses 9
3.3 Pembagian Data Latih dan Data Uji 10
3.4 Ekstraksi Ciri 10
3.5 Matriks Transformasi 11
3.6 Pembelajaran Metode SVM 11
3.7 Pembahasan 18
4.1 Simpulan 23
4.2 Saran 23
DAFTAR PUSTAKA 24
iii
DAFTAR TABEL
1 Strategi One-against-all 7
2 Susunan data latih dan data uji 10
3 Hasil Ektraksi Ciri 10
4 Confusion matrix percobaan kernel RBF dengan parameter
sigma = 35, 40, 45 dan 50 19
5 Nilai sensitivity dan specificitykernel RBF 19
6 Confusion matrix percobaan kernel polinomial dengan parameter
orde = 1 21
7 Nilai sensitivity dan specificitykernel polinomial 21
DAFTAR GAMBAR
1.1 Posisi Penelitian 2
2.1 Sampel kayu 3
2.2 Kamera mikroskopis 3
2.3 Cutter 3
2.4 Metode penelitian 4
2.5 Referensi tiga dimensi bidang geometris permukaan kayu 5
2.6 Cara mengiris daerah penampang kayu 5
2.7 Akuisisi citra mikroskopis kayu 5
2.8 Proses mencari rata-rata semua citra data latih 6
2.9 Ilustrasi permasalahan SVM non-linear 8
3.1 Sampel citra mikroskopis kayu 9
3.2 Hasil Praproses 9
3.3 Pembagian Data Latih dan Data Uji 10
3.4 Hasil akurasi kernel RBF dengan parameter sigma = 1 11
3.5 Hasil akurasi kernel RBF dengan parameter sigma = 5 11 3.6 Hasil akurasi kernel RBF dengan parameter sigma = 10 12 3.7 Hasil akurasi kernel RBF dengan parameter sigma = 15 12
3.8 Hasil akurasi kernel RBF dengan parameter sigma = 20 12 3.9 Hasil akurasi kernel RBF dengan parameter sigma = 25 13 3.10 Hasil akurasi kernel RBF dengan parameter sigma = 30 13
3.11 Hasil akurasi kernel RBF dengan parameter sigma = 35 13 3.12 Hasil akurasi kernel RBF dengan parameter sigma = 40 14
3.14 Hasil akurasi kernel RBF dengan parameter sigma = 50 14 3.15 Akurasi kernel RBF dengan parameter sigma = 1, 5, 10, 15 dan 20 15
3.16 Akurasi kernel RBF dengan parameter sigma = 25, 30, 35,
40, 45 dan 50 16
3.17 Hasil akurasi kernel Polinomial dengan parameter orde = 1 16 3.18 Hasil akurasi kernel Polinomial dengan parameter orde = 2 16
3.19 Hasil akurasi kernel polinomial dengan parameter orde = 3 17 3.20 Hasil akurasi kernel polinomial dengan parameter orde = 4 17 3.21 Akurasi kernel Polinomial dengan parameter orde 1,2,3 dan 4 18
3.22 Tingkat akurasi tertinggi kernel RBF 18
3.23 Sensitivity sistem kernel RBF 19
3.24 Specificity sistem kernel RBF 19
3.25 Tingkat akurasi tertinggi kernel Polinomial 20
3.26 Sensitivity sistem kernel polinomial 21
3.27 Specificity sistem kernel polinomial 21
DAFTAR LAMPIRAN
1 Citra mikroskopis jenis kayu (Contoh 9 citra untuk masing-masing jenis) 25
2 Langkah-langkah proses dan hasil dari ekstraksi ciri 27
3 Matriks hasil transformasi 28
1
PENDAHULUAN
1.1 Latar Belakang
Identifikasi jenis pohon di hutan mudah diketahui dengan memeriksa batang, bunga, buah dan daunnya. Namun setelah pohon ditebang, identifikasi jenis pohon menjadi sangat sulit karena harus mengenali ciri mikroskopis untuk identifikasinya. Salah satu ciri mikroskopis kayu adalah susunan pori, bentuk pori, frekuensi pori dan jari-jari yang hanya dapat dilihat jelas menggunakan mikroskop atau loupe dengan pembesaran minimal 10 kali. Metode identifikasi jenis kayu dapat dipelajari sebagai ilmu pengetahuan, namun kemampuan mengidentifikasi jenis kayu hanya dapat diperoleh melalui proses latihan yang cukup lama, berulang-ulang dan terus-menerus. Permasalahan yang timbul apabila petugas yang mengidentifikasi kayu belum terampil maka proses bisnis membutuhkan waktu yang lebih lama dan tentunya dapat menambah biaya (Mandang dan Pandit 2002). Sistem identifikasi jenis kayu sangat diperlukan untuk memberikan solusi pada permasalahan ini.
Penelitian menggunakan ciri pori kayu untuk menyelesaikan masalah identifikasi jenis kayu bangunan dan furniture dengan metode Neuro-Fuzzy telah dilakukan (Purba 2009). Penelitian tersebut mempunyai tingkat akurasi yang tinggi tetapi memiliki kelemahan pada perlunya data training yang besar, belum berbasis citra dan menggunakan data uji sama dengan data latih. Penelitian pengenalan wajah menggunakan 2D-PCA dan SVM mendapatkan hasil akurasi lebih tinggi yaitu 97.3% dibandingkan menggunakan 1D-PCA dan SVM yang mendapatkan hasil akurasi 95.7% (Le dan Bui 2011). Metode 2D-PCA dan SVM berbasis citra untuk mengidentifikasi tanaman paku telah dilakukan dan memperoleh hasil yang baik dengan beragam percobaan (Maryana 2012).
Dalam penelitian ini dilakukan pengenalan jenis kayu menggunakan citra mikroskopis kayu sebagai pengenal cirinya, mengekstraksi citra menggunakan 2D-PCA dan klasifikasi menggunakan Support Vector Machine (SVM). Sistem identifikasi jenis kayu ini diharapkan dapat membantu para petugas kehutanan dan pihak-pihak yang berkepentingan untuk mengidentifikasi jenis kayu secara cepat dan akurat. Posisi penelitian dapat dilihat pada Gambar 1.1. Pekerjaan yang
dilakukan pada penelitian “Identifikasi Jenis Kayu Menggunakan Support Vector Machine Berbasis Citra” adalah menerapkan teknik pengenalan pola pada citra mikroskopis kayu menggunakan metode Support Vector Machine untuk memperoleh klasifikasi jenis kayu. Adapun tahapan perancangan sistem identifikasi jenis kayu secara meliputi: (1) Tahap pengambilan data berupa citra miskroskopis kayu; (2) Praproses citra kayu; (3) Ekstraksi fitur citra kayu; (4) Klasifikasi Jenis Kayu; (5) Evaluasi akurasi klasifikasi.
1.2 Perumusan Masalah
Berdasarkan permasalahan yang telah diuraikan pada latar belakang masalah, maka masalah yang akan diteliti dirumuskan sebagai berikut:
2
2 Bagaimana analisis nilai akurasi sistem yang dikembangkan menggunakan SVMmulti kelas?
1.3 Tujuan Penelitian
Penelitian ini mempunyai tujuan:
1 Mengembangkan sistem identifikasi jenis kayu berbasis citra dengan SVM. 2 Mengevaluasi tingkat akurasi dari hasil identifikasi jenis kayu.
1.4 Manfaat Penelitian
Penelitian ini bermanfaat untuk:
1 Menghasilkan sistem identifikasi jenis kayu berbasis citra yang akurat.
2 Sistem ini diharapkan dapat mempermudah dan mempercepat proses identifikasi jenis kayu oleh petugas bidang kehutanan yang belum terampil dan pihak-pihak yang berkepentingan lainnya.
1.5 Ruang Lingkup
Sistem sistem identifikasi jenis kayu yang dikembangkan mempunyai ruang lingkup sebagai berikut ini :
1 Jenis-jenis kayu yang akan diidentifikasi adalah beberapa jenis kayu yang dapat diperdagangkan di Indonesia seperti kayu Johar, kayu Jati, kayu Rasamala dan kayu Sengon.
2 Parameter citra yang digunakan untuk mengenali jenis kayu adalah menggunakan ciri mikroskopis kayu.
3 Sistem identifikasi jenis kayu yang dikembangkan menggunakan SVM..
Pattern Recognition
Ekstraksi Fitur
Praproses
Classifier
Input Citra
Teks
Suara
2D-PCA
Detector
canny
PNN
Neuro Fuzzy Naïve Bayes
SVM
(Hull 1994)
PCA
FLBP
(Roy 2006) (Iakovidis 2008)
(Le & Bui 2011) (Yang 2004)
Cropping
Resize
Grayscale
(Meng 2011) (Le dan Bui 2011)
(Rashid 2008)
(Iakovidis 2008)
Transformasi hough
(Roy 2006)
(Sun & Jang 2009)
(Le & Bui 2011) (Specht 1990)
2
METODE PENELITIAN
2.1 Bahan
Penelitian ini mendapatkan sampel kayu dari Balai Pemantauan Pemanfaatan Hutan Produksi Wilayah XII Palangka Raya, Kalimantan Tengah yang terdiri empat jenis kayu yang berbeda. Jenis kayu yang digunakan biasa diperdagangkan di Indonesia. Sampel kayu seperti ditunjukkan pada Gambar 2.1.
Gambar 2.1 Sampel kayu
2.2 Alat
Alat yang digunakan dalam penelitian ini terdiri atas:
1 Seperangkat komputer: Prosesor Intel(R) Core(TM) i3-2100 @ 3.10 GHz, Memori DDR3 RAM 4.00 GB, Harddisk 300 GB, Sistem Operasi Windows 7 Ultimate 32-bit, Matlab 7.8 (2009a).
2 Kamera Mikroskopis, sebagai alat untuk memperoleh citra mikroskopis kayu (Gambar 2.2).
3 Cutter, sebagai alat mengiris sampel kayu (Gambar 2.3).
4
2.3 Prosedur Analisis Data
Metode pada penelitian ini terdiri atas beberapa tahapan proses yaitu, dimulai dari pengumpulan data menggunakan kamera mikroskopis. Tahapan praproses, pembagian data (data latih dan uji), ekstraksi ciri dengan metode 2D-PCA, pembelajaran, pengujian dan evaluasi dengan SVM menggunakan software Matlab 7.8, seperti ditunjukkan pada Gambar 2.4.
Gambar 2.4 Metode penelitian
2.4 Data Citra Mikroskopis Kayu
Bond dan Hamner (2002) mengelompokkan pengamatan permukaan kayu ke dalam tiga kategori referensi bidang geometris, yaitu: cross section, radial section, dan tangential section seperti ditunjukkan pada Gambar 2.5.
Mulai
Citra Kayu
Praproses
Pembagian Data (K-Fold Cross
Validation)
Data Latih
Evaluasi
Selesai
Parameter Terbaik
Matriks Transformasi
Pengujian SVM Data Uji
Pembelajaran SVM
Estimasi
5
Gambar 2.5 Referensi tiga dimensi bidang geometris permukaan kayu
Data yang digunakan dalam penelitian ini berupa citra mikroskopis kayu sebanyak 96 citra yang berasal dari empat jenis kayu yang berbeda, masing-masing jenis kayu memberikan 24 citra yang berukuran 480 x 640 piksel. Ciri anatomi kayu dapat dilihat pada bidang cross section dengan cara memotong bidang kayu secara tegak lurus dengan arah pertumbuhan pohon atau bidang penampang kayu. Sebelum dilakukan pemotretan, daerah penampang kayu harus diiris terlebih dahulu dengan menggunakan cutter agar menghasilkan citra pori kayu yang bagus, seperti ditunjukkan pada Gambar 2.6.
Gambar 2.6 Cara mengiris daerah penampang kayu
Gambar 2.7 Akuisisi citra mikroskopis kayu
Akuisisi citra mikroskopis kayu dilakukan dengan pemotretan sampel kayu yang berbeda jenisnya. Total data penelitian ini berjumlah 96 citra dari empat jenis kayu yang berbeda, masing-masing diambil 24 citra citra kayu berukuran 480 x 640 piksel, seperti ditunjukkan pada Gambar 2.7.
2.5 Praproses
6
2.6 Pembagian Data
Pada tahapan ini citra akan dibagi menjadi 4 subkelompok, masing-masing subkelompok terdiri dari 4 kelas. Data sebanyak 96 citra dibagi menjadi data latih dan data uji menggunakan K-Fold Cross Validation (Fu 1994), 72 citra sebagai data latih dan 24 citra sebagai data uji dengan kombinasi k = 4.
2.7 Ekstraksi Ciri
Ekstraksi ciri dilakukan menggunakan metode 2D-PCA, bagian citra yang diekstraksi adalah citra mikroskopis kayu yang telah disamakan ukurannya. Ekstraksi ciri ini bertujuan mereduksi citra asli tanpa menghilangkan informasi penting dari citra itu sendiri. Hasil ekstraksi dengan 2D-PCA akan diperoleh komponen utama berupa vektor ciri yang diperoleh dengan mengambil nilai ciri yang terbesar yang dianggap mewakili dari kumpulan data yang ada. Vektor ciri ini diperoleh dari matriks kovarian untuk semua data latih yang ada. Langkah awal ekstraksi 2D-PCA ini, semua citra data latih dicari rata-ratanya terlebih dahulu dan ilustrasi prosesnya dapat dilihat pada Gambar 2.8. Input citra mikroskopis kayu memiliki dimensi yang lebih kecil dibandingkan citra asli, sedangkan untuk keragaman informasi digunakan 50% hingga 95% kemiripan dari citra mikroskopis kayu (Yang dan Zhang 2004).
Gambar 2.8 Proses mencari rata-rata semua citra data latih
Setelah didapatkan matriks rataannya, kemudian dicari matriks kovarian ( untuk citra data latih dengan rumus sebagai berikut:
∑( ̅ ( ̅
Pada penelitian ini akan berukuran n × n dan M adalah jumlah citra data latih sebanyak 72 citra. merupakan citra data latih yang digunakan dan adalah
rata-rata data dari semua data latih. Kemudian akan diperoleh akar ciri (λ) dengan menggunakan rumus:
| |
� 72 �
2 ̅
72 � 2
7
Dari akar ciri tersebut dapat dicari vektor ciri (X) yang akan menghasilkan matriks hasil transformasi sebagai input pembelajaran oleh SVM dengan menggunakan rumus:
2.8 Matriks Transformasi
Transformasi data latih dan data uji dilakukan untuk mengubah dimensi data yang akan digunakan. Data tersebut akan mengalami pengurangan dimensi karena proses reduksi vektor ciri (Yang dan Zhang 2004).
2.9 Pembelajaran dengan Support Vector Machine
Pembelajaran dengan menggunakan Support Vector Machine bersifat multi kelas, bertujuan menyelesaikan permasalahan non-linear menggunakan bantuan fungsi kernel (Hsu dan Lin 2010). Pada penelitian ini fungsi kernel yang digunakan adalah Radial Basis Function (RBF) dan Polinomial, seperti ditunjukkan pada Gambar 2.9 (Christianini dan Taylor 2000). Menggunakan strategi One Againts All (Osuna et al 1997) untuk menentukan klasifikasi kelasnya, digunakan untuk membangun k buah SVM biner (k adalah jumlah kelas). Setiap klasifikasi kelas ke-i dilatih dengan menggunakan keseluruhan data. Contohnya, terdapat permasalahan klasifikasi dengan empat buah kelas. Untuk pelatihan digunakan empat buah SVM biner seperti pada Tabel 1.
Tabel 1 Strategi One-against-all
yi = 1 yi = −1 Hipotesis
Kelas 1 Bukan kelas 1 f1(x) = (w1)x+b1
Kelas 2 Bukan kelas 2 f2(x) = (w2)x+b2
Kelas 3 Bukan kelas 3 f3(x) = (w3)x+b3
Kelas 4 Bukan kelas 4 f4(x) = (w4)x+b4
Penelitian ini melakukan beberapa macam percobaan menggunakan klasifikasi SVM pada fungsi kernel dan ekstraksi ciri yang berbeda, diantaranya adalah:
1 Percobaan fungsi kernel RBF menggunakan parameter sigma = 1, 5, 10, 15, 20, 25, 30, 35, 40, 45 dan 50 dengan ekstraksi ciri 50% – 95%. Jumlah parameter yang di ujicobakan mempunyai 11 parameter sigma, untuk itu percobaan dikelompokan menjadi beberapa bagian :
a. Percobaan pada fungsi kernel RBF dengan parameter sigma = 1, 5 dan 10 menggunakan ekstraksi ciri 50% - 95%.
8
c. Percobaan pada fungsi kernel RBF dengan parameter sigma = 30, 35 dan 40 menggunakan ekstraksi ciri 50% - 95%.
d. Percobaan pada fungsi kernel RBF dengan parameter sigma = 45 dan 50 menggunakan ekstraksi ciri 50% - 95%.
2 Percobaan fungsi kernel Polinomial menggunakan parameter = 1, 2, 3, 4 dengan ekstraksi ciri 50% - 95%.
Gambar 2.9 Ilustrasi permasalahan SVM non-linear
2.10 Analisis dan Evaluasi
Evaluasi dilakukan dengan menggunakan Confusion matrix yang merupakan sebuah tabel, terdiri atas banyaknya baris data uji yang diprediksi benar dan tidak benar oleh sistem klasifikasi untuk menentukan kinerja suatu sistem klasifikasi (Tan et al 2005). Proses pelatihan dan pengujian menggunakan pembelajaran SVM yang dilakukan mendapatkan hasil tingkat akurasi atau keberhasilan pengenalan klasifikasi jenis kayu dan tingkat kesalahan dalam pengenalan citra mikroskopis kayu pada masing-masing kelas. Akurasi dihitung berdasarkan data uji pada proses empat fold cross validation.
Nilai sensitivity serta specificity dapat dihitung menggunakan rumus:
3
HASIL DAN PEMBAHASAN
3.1 Data CitraSampel hasil dari akuisisi citra mikroskopis kayupada penelitian ini seperti ditunjukkan pada Gambar 3.1.
Kelas 1 Johar
Kelas 2 Jati
Kelas 3 Rasamala
Kelas 4 Sengon
Gambar 3.1 Sampel citra mikroskopis kayu
3.2 Praproses
Citra kayu berukuran 96 x 128 piksel diubah dari citra RGB menjadi citra grayscale, seperti ditunjukkan pada Gambar 3.2.
Citra RGB Citra Grayscale
11
3.5 Matriks Transformasi
Matriks hasil transformasi dengan ukuran 96 x 19 ( ), diperoleh dari perkalian matriks citra asli greyscale ukuran 96 x 128 ( 2 ) dengan matriks ciri ukuran 128 x 19 ( 2 ). Contoh matriks dapat dilihat pada Lampiran 3.
3.6 Pembelajaran Metode SVM
Dari percobaan-percobaan yang dilakukan dengan menggunakan fungsi kernel dan parameter yang berbeda, didapatkan hasil sebagai berikut:
3.6.1 Percobaan pada fungsi kernel RBF dengan parameter sigma = 1, 5 dan 10 menggunakan ekstraksi ciri 50% - 95%
Akurasi pada percobaan ini menunjukkan pola yang tidak begitu berbeda, setiap percobaan dengan menggunakan parameter sigma 1, 5 dan 10 menghasilkan akurasi di antara 80% - 90%, ini berarti persentasi ekstraksi ciri tidak begitu mempengaruhi akurasi.
Gambar 3.4 Hasil akurasi kernel RBF dengan parameter sigma
= 1
Gambar 3.5 Hasil akurasi kernel RBF dengan parameter sigma
= 5
Pada percobaan menggunakan parameter sigma 1 dan 5 terlihat pola peningkatan akurasi seiring bertambahnya ekstraksi ciri sedangkan pada percobaan menggunakan parameter sigma 10 terjadi sebaliknya dan menghasilkan akurasi terendah pada parameter sigma 1 dengan ekstraksi cirri 70% - 75% dan menghasilkan akurasi tertinggi pada parameter sigma 10 dengan ekstraksi ciri 50%, seperti ditunjukkan pada Gambar 3.4, Gambar 3.5 dan Gambar 3.6.
12
Gambar 3.6 Hasil akurasi kernel RBF dengan parameter sigma
= 10
3.6.2 Percobaan pada fungsi kernel RBF dengan parameter sigma = 15, 20 dan 25 menggunakan ekstraksi ciri 50% - 95%
Pada percobaan dengan menggunakan parameter sigma 15, 20 dan 25 terjadi fluktuasi akurasi walaupun tidak terlalu ekstrim perbedaannya, tingkat akurasi mencapai 70% - 90%. Terlihat pada Gambar 3.7, Gambar 3.8 dan Gambar 3.9 bahwa terjadi penurunan akurasi di saat ekstraksi ciri 80% - 95% dan setiap percobaan memiliki tingkat akurasi yang sama pada setiap parameter sigma.
Gambar 3.7 Hasil akurasi kernel RBF dengan parameter sigma
= 15
Gambar 3.8 Hasil akurasi kernel RBF dengan parameter sigma
13
Gambar 3.9 Hasil akurasi kernel RBF dengan parameter sigma
= 25
Ketiga percobaan ini memiliki pola akurasi yang sama, yaitu terjadi peningkatan akurasi lalu akan menurun di saat ekstraksi ciri mencapai 80%. Tingkat akurasi terendah 73% pada saat parameter sigma 25 dan ekstraksi ciri 80% - 95% sedangkan tingkat akurasi yang tertinggi 92% pada saat parameter sigma 15 dengan ekstraksi ciri 75%, parameter 20 dengan ekstraksi ciri 75% dan parameter 25 dengan ekstraksi ciri 70%.
3.5.3 Percobaan pada fungsi kernel RBF dengan parameter sigma = 30, 35 dan 40 menggunakan ekstraksi ciri 50% - 95%
Tingkat akurasi pada ketiga percobaan ini memiliki pola yang sama, tinggi pada saat ekstraksi ciri 50% - 75% dan rendah pada saat ekstraksi ciri 80% - 95%, ini menandakan bertambahnya ekstraksi ciri tidak selalu diikuti dengan bertambahnya tingkat akurasi.
Gambar 3.10 Hasil akurasi kernel RBF dengan parameter sigma
= 30
Gambar 3.11 Hasil akurasi kernel RBF dengan parameter sigma
14
Gambar 3.12 Hasil akurasi kernel RBF dengan parameter sigma
= 40
Tingkat akurasi tertinggi 94% dicapai pada saat parameter sigma 30 dan 35 dan ekstraksi ciri 60% sedangkan tingkat akurasi terendah 70% dicapai pada saat parameter sigma 40 dan ekstraksi ciri 80% - 95% seperti ditunjukkan pada Gambar 3.10, Gambar 3.11 dan Gambar 3.12.
3.5.4 Percobaan pada fungsi kernel RBF dengan parameter sigma = 45 dan 50 menggunakan ekstraksi ciri 50% - 95%.
Memiliki tingkat akurasi yang tinggi pada saat ekstraksi ciri 60% - 75% dan tingkat akurasi rendah pada saat ekstraksi ciri 80% - 95% yang berarti penambahan ekstraksi ciri akan dapat menurunkan tingkat akurasi. Penurunan tingkat akurasi cukup ekstrim perbedaannya sehingga perlu kehati-hatian dalam meningkatkan ekstraksi ciri, seperti ditunjukkan pada Gambar 3.13 dan Gambar 3.14.
Gambar 3.13 Hasil akurasi kernel RBF dengan parameter sigma
= 45
Gambar 3.14 Hasil akurasi kernel RBF dengan parameter sigma
15
Tingkat akurasi tertinggi dicapai ada saat ekstraksi ciri 60% untuk setiap parameter sigma, yaitu mencapai 94%. Tingkat akurasi terendah diperoleh pada saat parameter sigma 50 dengan ekstraksi ciri 80% - 95%, yaitu 67%.
3.5.5 Perbandingan hasil akurasi pada fungsi kernel RBF
Percobaan dengan fungsi kernel RBF dengan menggunakan parameter sigma = 1, 5, 10, 15, 20, 25, 30, 35, 40, 45 dan 50 dengan ekstraksi ciri 50% – 95% telah dilakukan dan dapat diambil kesimpulan sebagai berikut:
1 Pada saat parameter sigma 1, 5, 10, 15 dan 20 memiliki tinggat akurasi yang stabil atau tidak terjadi peningkatan atau penurunan tingkat akurasi yang signifikan. Akurasi cenderung tetap pada ekstraksi ciri 80% - 95% seperti terlihat pada Gambar 3.15.
2 Parameter sigma 1, 5 dan 10 memiliki kecenderungan tingkat akurasi yang menurun pada saat ekstraksi ciri 80% - 95% tetapi sebaliknya pada saat parameter sigma 15 dan 20 memiliki kecenderungan peningkatan tingkat akurasi.
Gambar 3.15 Akurasi kernel RBF dengan parameter sigma = 1, 5, 10, 15 dan 20
3. Pada saat parameter sigma 25, 30, 35, 40 dan 45 terjadi perubahan tinggat akurasi yang ekstrim atau signifikan pada saat ekstraksi ciri bertambah 80% - 95%, seperti ditunjukkan pada Gambar 3.16.
4. Pada saat parameter sigma 50, terjadi peningkatan tingkat akurasi yang signifikan ketika ekstraksi ciri ditambah dari 50% menjadi 60%, seperti ditunjukkan pada Gambar 3.16.
60 70 80 90 100
50 60 70 75 80 85 90 95
Akur
asi
(%
)
Persen Ciri (%)
Sigma 1
Sigma 5
Sigma 10
Sigma 15
16
Gambar 3.16 Akurasi kernel RBF dengan parameter sigma = 25, 30, 35, 40, 45 dan 50
3.5.6 Percobaan pada fungsi kernel polinomial dengan parameter orde 1 menggunakan ekstraksi ciri 50% - 95%
Selain melakukan percobaan dengan menggunakan fungsi kernel RBF, penelitian ini melakukan percobaan dengan fungsi kernel polinomial menggunakan ekstraksi ciri 50% hingga 95% menunjukkan kecenderungan hasil grafik yang menurun. Pada saat parameter orde 1, tingkat akurasi tertinggi dicapai ketika ekstraksi ciri 60%-75% yaitu sebesar 95.83%, seperti ditunjukkan pada Gambar 3.17.
Gambar 3.17 Hasil akurasi kernel Polinomial dengan parameter orde = 1
17
3.5.6 Percobaan pada fungsi kernel polinomial dengan parameter orde 2 menggunakan ekstraksi ciri 50% - 95%
Penelitian berikutnya melakukan percobaan dengan fungsi kernel polinomial menggunakan ekstraksi ciri 50% hingga 95% pada parameter order 2, menunjukkan hasil grafik yang stabil atau tidak terjadi perubahan akurasi yang signifikan, akurasi tertinggi terdapat pada ekstraksi ciri 70%, yaitu sebesar 93.75% sedangkan tingkat akurasi yang terendah dan cenderung konstan tardapat pada ekstraksi ciri 75% - 95% yaitu sebesar 83% seperti ditunjukkan pada Gambar 3.18.
3.5.7 Percobaan pada fungsi kernel polinomial dengan parameter orde 3 dan 4 menggunakan ekstraksi ciri 50% - 95%
Pada percobaan ini terjadi penurunan tingkat akurasi yang sangat signifikan, yaitu menjadi 25% saja, hal ini terjadi karena sistem tidak mampu untuk menghasilkan model untuk pembelajaran SVM, seperti ditunjukkan pada Gambar 3.19 dan Gambar 3.20. Kondisi ini terjadi untuk setiap penambahan orde dan juga penambahan ekstraksi ciri.
Gambar 3.19 Hasil akurasi kernel polinomial dengan parameter orde = 3
Gambar 3.20 Hasil akurasi kernel polinomial dengan parameter orde = 4
3.5.8 Perbandingan hasil akurasi pada fungsi kernel Polinomial
Percobaan yang telah dilakukan menggunakan fungsi kernel polinomial dengan parameter orde 1, 2, 3 dan 4 dengan beberapa ekstraksi ciri mulai dari 50% hingga 95%. Tingkat akurasi yang baik dapat diperoleh dari parameter orde 1 dan 2 sedangkan pada parameter orde 3 dan 4 mempunyai tingkat akurasi yang buruk. Akurasi tertinggi diperoleh pada saat parameter orde 1, yaitu sebesar 95,83% dan akurasi terendah pada saat parameter 3 dan 4 untuk setiap ekstraksi ciri, seperti ditunjukkan pada Gambar 3.21.
18
Gambar 3.21 Akurasi kernel Polinomial dengan parameter orde 1,2,3 dan 4
3.7 Pembahasan
3.6.1 Percobaan pada fungsi kernel RBF dengan 35, 40, 45 dan 50
Percobaan menggunakan fungsi kernel RBF menggunakan parameter sigma
35, 40, 45 dan 50 dengan ekstraksi ciri 60% menghasilkan tingkat akurasi tertinggi, yaitu 94.79%. Jumlah data yang salah diklasifikasikan sebanyak 11 data dari 96 data. Hasil percobaan seperti ditunjukkan pada Gambar 3.22.
Gambar 3.22 Tingkat akurasi tertinggi kernel RBF
Pada saat ekstraksi ciri 80 – 95% terjadi penurunan tingkat akurasi, hal ini terjadi karena sistem tidak dapat membaca dengan baik ciri-ciri dominan yang terdapat
0 10 20 30 40 50 60 70 80 90 100
50 60 70 75 80 85 90 95
A
kur
asi
(%
)
Persen Ciri (%)
Orde 1
Orde 2
Orde 3
Orde 4
94.79%
60 65 70 75 80 85 90 95 100
50 60 70 75 80 85 90 95
Akur
asi
(%
)
Persen Ciri (%)
Sigma 35
Sigma 40
Sigma 45
19
pada citra mikroskopis kayu. Kesalahan klasifikasi jenis kayu oleh sistem dari percobaan menggunakan kernel RBF parameter sigma = 35, 40, 45 dan 50 dengan ekstraksi ciri 60% dijabarkan menggunakan confusion matrix, ditunjukkan pada Tabel 4. (Kayu Jati) terklasifikasi 100% sedangkan kelas 3 (Kayu Rasamala) ada tiga data yang terindentifikasi kelas 4 oleh prediktor dan kelas 4 (Kayu Sengon) ada delapan data yang teridentifikasi kelas 3 oleh prediktor. Ini menandakan bahwa kelas 3 dan kelas 4 terdapat kesamaan pola citra data. Nilai sensitivity dan specificity dapat dilihat pada Tabel 5, Gambar 3.23 dan Gambar 3.24.
Tabel 5 Nilai sensitivity dan specificity kernel RBF
Kelas Jenis Kayu TP FP FN TN Sensitivity
20
Tabel 5 menunjukkan bahwa kelas 1 (kayu Johar) dan kelas 2 (kayu Jati) nilai sensitivity dan nilai specificity 100%, ini berarti bahwa performance sistem sangat baik untuk kelas tersebut sedangkan pada kelas 3 (kayu Rasamala) dan kelas 4 (kayu Sengon) terjadi sedikit penurunan performance sistem tetapi nilai ini masih berada pada toleransi, perbedaan tidak lebih dari 28% untuk sensitivity dan tidak lebih dari 10% untuk specificity.
.
3.6.2 Tingkat akurasi tertinggi pada fungsi kernel polinomial
Pada percobaan menggunakan kernel polinomial parameter orde 1 menghasilkan tingkat kesalahan 4.17% pada ekstraksi ciri 60% sampai dengan 75%. Jumlah data yang salah diklasifikasikan sebanyak empat data dari 96 data, seperti ditunjukkan pada Gambar 3.25.
Gambar 3.25 Tingkat akurasi tertinggi kernel Polinomial
Gambar 3.25 menunjukkan hasil akurasi tertinggi berada pada ekstraksi ciri 60% sampai dengan 75%, yaitu sebesar 95.83%, sedangkan percobaan pada parameter orde 1 menunjukkan bahwa ekstraksi ciri 80% sampai dengan 95% terjadi penurunan akurasi hingga 84.37% pada ekstraksi ciri 95%. Hal ini menunjukkan bahwa data teridentifikasi optimal menggunakan 2D-PCA dan SVM ketika berada pada ekstraksi 60% sampai dengan 75% dengan parameter d = 1 menghasilkan akurasi 95.83%. Pada saat ekstraksi ciri 85 – 95% terjadi penurunan tingkat akurasi, akan tetapi penurunan tingkat akurasi ini tidak terjadi secara drastis seperti halnya pada kernel RBF. Kesalahan yang dihasilkan dari percobaan menggunakan kernel Polinomial parameter d = 1 dengan ekstraksi 60% sampai dengan 75% dijabarkan menggunakan confusion matrix, seperti ditunjukkan pada Tabel 6.
80 85 90 95 100
50 60 70 75 80 85 90 95
Akur
asi
(%
)
Persen Ciri (%)
21 Rasamala) pada kelas prediktor. Nilai sensitivity dan specificity dapat dilihat pada Tabel 7, Gambar 3.26 dan Gambar 3.27.
Tabel 7 Nilai sensitivity dan specificitykernel polinomial
22
4
SIMPULAN DAN SARAN
4.1 Simpulan
1. Penelitian ini telah berhasil mengembangkan sistem identifikasi jenis kayu dengan menggunakan metode 2D-PCA dan SVM.
2. Tingkat akurasi sistem identifikasi jenis kayu yang dikembangkan mampu mencapai lebih dari 95% pada kernel Polinomial dengan ekstraksi ciri 60% sampai dengan 75%.
4.2 Saran
DAFTAR PUSTAKA
Bond B, Hamner P. 2002. Wood Identification for Hardwood and Soft wood Species. Tennesse (US): Department of Forestry, Wildlife and Fisheries The University of Tennessee. PB1692-1.5M-2/02.
Christianini Nello dan Taylor J.S. 2000. An Introduction to Support Vector Machines and Other Kernel-based Learning Methods. Cambridge University Press.
Cortes C, Vapnik V. 1995. Support Vector Machines, Machine Learning, 20, 273-297, Kluwer Academic Publishers, Boston.
Fu L. 1994. Neural Network in Computer Intelligence. Singapura: McGraw Hill. ISBN: 0071133194.
Hsu, Chih-Wei dan Lin, Chih-Jen. 2002. A Comparison of Methods For Multiclass Support Vector Machine. IEEE Transactions on Neural Networks, Vol. 13, No. 2, March 2002.
Hull, J.J. 1994. A database for handwritten text recognition research. NY, (US): University of New York.
Iakovidis Dimitris K. 2008. Fuzzy Local Binary Patterns for Ultrasound Texture Characterization. Athens, Greece: University of Athens.
Le Thai Hoang, Bui Len (2011), Face Recognation Based on SVM and 2D-PCA, International Journal of Signal Processing, Image Processing and Pattern Recognation, Vol.4. No.3. Page 85-93.
Mandang YL, Pandit IKN. 2002. Seri Manual : Pedoman Identifikasi Jenis Kayu Lapangan. Bogor (ID): PROSEA.
Maryana S. 2012. Pemodelan Support Vector Machine Untuk Identifikasi Jenis Tanaman Paku Berdasarkan Citra Spora Dalam Ruang Eigen. [Tesis]. Bogor (ID): Intitut Pertanian Bogor.
Newman, M.F, Burgess, P.F and Whitmore, T.C. 1999. Manual of Dipterocarps Series (Sumatera, Kalimantan, Jawa to Nuigini). PROSEA – Indonesia. Bogor.
Osuna EE, Freund R, Girosi F. 1997. Support Vector Machine: Training dan Application. Massachusetts Institute Of Technology. C.B.C.L Paper No. 144.
Purba FRBr. 2009. Rekayasa Sistem Neuro-Fuzzy Untuk Identifikasi Jenis Kayu Bangunan dan Furniture. Yogyakarta (ID): SNATI UII, ISSN 1907.
Rashid, R.A. et al. 2008. Security system using biometric technology: Design and implementation of Voice Recognition System (VRS). Computer and Communication Engineering. International Conference on , vol., no., pp.898,902.
Roy K. 2006. Iris Recognition Using Support Vector Machines. Montreal- Quebec, Canada: Concordia University.
Specht Donald F. 1990. Probabilistic Neural Networks. US: Pergamon Press plc. Neural Networks, Vol.3, pp.109-118.
Tan et al 2005. Introduction to Data Mining. US: Addison Wesley.
LAMPIRAN
Lampiran 1 Citra mikroskopis jenis kayu (Contoh 9 citra untuk masing-masing jenis)
Kayu Johar (Kelas 1)
1.jpg 2.jpg 3.jpg
4.jpg 5.jpg 6.jpg
25.jpg 26.jpg 27.jpg
Kayu Jati (Kelas 2)
7.jpg 8.jpg 9.jpg
26
31.jpg 32.jpg 33.jpg
Kayu Rasamala (Kelas 3)
13.jpg 14.jpg 15.jpg
16.jpg 17.jpg 18.jpg
37.jpg 38.jpg 39.jpg
Kayu Sengon (Kelas 4)
27
22.jpg 23.jpg 24.jpg
43.jpg 44.jpg 45.jpg
Lampiran 2 Langkah-langkah proses dan hasil dari ekstraksi ciri
1. Matriks citra grayscale dengan ukuran 96 x 128.
2
(
2
2 2
2
2 2
2
2 2 )
2. Matriks rataan dengan ukuran 128 x 128.
2 2
(
2 2 2 2
2 2 2 2 2 2 )
3. Matriks kovarian dengan ukuran 128 x 128
2 2
(
2
2
2
2 2 2 2
2 2 2 2 2 2 )
4. Akar ciri dengan ukuran 128 x 1
⃗
(
2
2 )
5. Vektor ciri dengan ukuran 128 x 1 sebanyak 128 buah
⃗⃗⃗⃗⃗
(
2 )
⃗⃗⃗⃗⃗ 2
(
2 )
⃗⃗⃗⃗⃗⃗⃗⃗⃗ 2
(
2
28
6. Matriks ciri dengan ukuran 128 x 19
2
Lampiran 3 Matriks hasil transformasi
2 x 2
Lampiran 4 Confusion matrix kernel RBF pada ekstraksi ciri 50%
Parameter 1
AKTUAL
Parameter 5
29
Lampiran 5 Confusion matrix kernel RBF pada ekstraksi ciri 60%
30
Lampiran 6 Confusion matrix kernel RBF pada ekstraksi ciri 70%
32
Lampiran 7 Confusion matrix kernel RBF pada ekstraksi ciri 75%
33
Lampiran 8 Confusion matrix kernel RBF pada ekstraksi ciri 80%
34
Lampiran 9 Confusion matrix kernel RBF pada ekstraksi ciri 85%
35
Lampiran 10 Confusion matrix kernel RBF pada ekstraksi ciri 90%
36
Lampiran 11 Confusion matrix kernel RBF pada ekstraksi ciri 95%
37
Parameter 50
38
Lampiran 12 Confusion matrix kernel Polinomial pada ekstraksi ciri 50%
Orde 1
Lampiran 13 Confusion matrix kernel Polinomial pada ekstraksi ciri 60%
39
Lampiran 14 Confusion matrix kernel Polinomial pada ekstraksi ciri 70%
Orde 1
Lampiran 15 Confusion matrix kernel Polinomial pada ekstraksi ciri 75%
40
Lampiran 16 Confusion matrix kernel Polinomial pada ekstraksi ciri 80%
Orde 1
Lampiran 17 Confusion matrix kernel Polinomial pada ekstraksi ciri 85%
41
Lampiran 18 Confusion matrix kernel Polinomial pada ekstraksi ciri 90%
Orde 1
Lampiran 19 Confusion matrix kernel Polinomial pada ekstraksi ciri 95%
