PENGENALAN AKSARA SUNDA MENGGUNAKAN EKSTRAKSI
CIRI ZONING DAN KLASIFIKASI SUPPORT VECTOR MACHINE
ISNAN MULIA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012
PENGENALAN AKSARA SUNDA MENGGUNAKAN EKSTRAKSI
CIRI ZONING DAN KLASIFIKASI SUPPORT VECTOR MACHINE
ISNAN MULIA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
ABSTRACT
ISNA N MULIA. Sundanese Script Recognition Using Zoning Feature Ext raction and Support Vector Machine Classification. Superv ised by MUSHTHOFA.
This research aims to determine the most effective feature e xtraction method used in Sundanese script recognition. The data used in this research are generated in the form of image files, each of which contains a Sundanese character. Feature e xtraction method used is the variations of zoning method: Image Centroid and Zone (ICZ), Zone Centroid and Zone (ZCZ), and combination of ICZ and ZCZ. The nu mber of zones used are 4, 6, 8, and 12 zones. Support Vector Machine is used as classifier, with linear, quadratic, polyno mia l, and RBF kerne l. A mong the feature extract ion methods used, the hybrid feature e xtraction method ICZ and ZCZ obtain s ma ximu m accuracy for a ll the number of zones used. On the other side, the feature extract ion method using 12 zones obtain s the ma ximu m accuracy fo r all the feature e xt raction methods used. From th is result, it can be concluded that the most effective feature extract ion method used in Sundanese script recognition is the hybrid method ICZ & ZCZ with 12 zones.
Keywords: pattern recognition, Sundanese script, support vector machine, zoning, image centroid and zone (ICZ), zone centroid and zone (ZCZ)
Penguji:
1. Aziz Kustiyo, S.Si, M.Ko m 2. Dr. Yen i Herdiyeni, S.Si, M.Ko m
Judul Skripsi : Pengenalan Aksara Sunda Menggunakan Ekstraksi Ciri Zoning dan Klasifikasi
Support Vector Machine
Na ma : Isnan Mulia NRP : G64080006 Menyetujui, Pe mbimb ing Mushthofa, S.Ko m, M.Sc NIP. 19820325 200912 1 003 Mengetahui,
Ketua Departe men Ilmu Ko mputer
Dr. Ir. Agus Buono, M.Si, M.Ko m NIP. 19660702 199302 1 001
KATA PENGANTAR
Puji dan syukur penulis panjatkan ke hadirat A llah subhanahu wata’ala, yang telah me mbe rikan nikmat yang begitu banyak, sehingga penulis dapat menyelesaikan penelitian dan tulisan ini. Shalawat dan salam penulis sampaikan kepada Nabi Muha mmad shallallahu ‘alaihi wasallam, keluarganya, sahabatnya, serta umatnya hingga akhir za man. Tulisan ini merupakan hasil penelit ian yang penulis lakukan sejak Desember 2011 hingga Mei 2012. Tulisan ini mengambil topik pengenalan pola, dan bertujuan me mbangun model pengenalan pola kara kter a ksara Sunda.
Tak lupa penulis mengucapkan terima kasih kepada seluruh pihak yang telah berperan dalam penelitian ini, yaitu:
1 Ayahanda Muanas, Ibunda Tri Marlina, serta Adik Mulianto Raharjo atas kasih sayang, doa, semangat, dan dorongan kepada penulis agar dapat segera menyelesaikan penelit ian in i. 2 Bapak Mushthofa, S.Ko m, M.Sc , selaku dosen pembimb ing, yang telah me mberikan banyak
ide, masukan, dan dukungan kepada penulis.
3 Bapak A ziz Kustiyo, S.Si, M .Ko m dan Ibu Dr. Yeni Herd iyeni, S.Si, M.Ko m, yang telah bersedia menjad i penguji.
4 Rekan -re kan seperjuangan Ilko merz 45 atas segala dukungan, bantuan, dan kebersamaannya. Se moga kesuksesan senantiasa menyertai kita semua.
5 Muhammad Abrar Istiadi, Alif Kurn iawan, Abdul Qif li Sangadji, Arief Hidayatulloh, Annis a Anastasia, Arie l Febrila Niswar, Sri Rahayu, dan sahabat lainnya.
6 Rekan satu bimbingan, Dony Satria, semoga diberikan ke lancaran dala m penelit iannya. 7 Pihak-pihak lain yang tidak dapat penulis sebutkan satu persatu.
Penulis berharap penelitian dan tulisan in i dapat me mbe rikan manfaat untuk ke ma juan masyarakat Indonesia pada umu mnya dan masyarakat Sunda pada khususnya.
Bogor, Agustus 2012
RIWAYAT HIDUP
Penulis dilahirkan di Bogor, Jawa Ba rat, pada tanggal 7 Januari 1991. Penulis merupakan anak pertama dari pasangan Muanas dan Tri Marlina. Penulis mengenyam pendidikan di SDN Sasana Wiyata I Kabupaten Bogor pada tahun 1996 -2002, d ilan jutkan dengan SMP Negeri 1 Kota Bogor pada tahun 2002-2005, dan SMA Negeri 1 Kota Bogor pada tahun 2005-2008. Pada tahun 2008, penulis diterima di Departe men Ilmu Ko mputer Institut Pertanian Bogor mela lui ja lur Undangan Sele ksi Masuk IPB.
Sela ma akt if men jadi mahasiswa, penulis menjadi salah satu pengurus Himpunan Mahasiswa Ilmu Ko mputer (Hima lko m) pada tahun 2010 sa mpai tahun 2012. Penulis juga men jadi asisten praktiku m untuk beberapa mata ku liah, ya itu Algorit me dan Pe mrogra man (2010), Organisasi Ko mputer (2011 dan 2012), Stru ktur Data (2011 dan 2012), dan Metode Kuantitatif (2011). Se la in itu, penulis mela ksanakan Praktik Ke rja Lapangan di Dire ktorat Jenderal Hortikultura Ke menterian Pertanian pada tahun 2011.
v
DAFTAR ISI
Hal aman
DAFTAR TABEL ... vi
DAFTAR GAM BAR ... vi
DAFTAR LAMPIRAN ... vi
PENDAHULUAN Latar Be la kang ... 1
Tujuan ... 1
Ruang Lingkup ... 1
TINJA UAN PUSTAKA Digital Image (Citra Digital) ... 1
Ekstraksi Ciri ... 2
Metode Ekstraksi Ciri Zoning ... 2
K-fold Cross-validation ... 3
Support Vector Machine ... 3
METODE PENELITIA N Pengumpulan Data ... 4
Praproses Data ... 4
Ekstraksi Ciri ... 4
K-fold Cross-validation ... 6
Pelatihan Support Vector Machine ... 6
Pengujian Support Vector Machine ... 6
Analisis ... 6
Lingkungan Penelit ian ... 6
HASIL DA N PEM BAHASA N Pengumpulan Data ... 6
Praproses Data ... 7
Ekstraksi Ciri ... 7
Klasifikasi Support Vector Machine ... 8
Analisis ... 8
SIMPULAN DAN SA RAN Simpu lan ... 9
Saran ... 10
DAFTAR PUSTA KA ... 10
vi
DAFTAR TABEL
Halaman
1 Pengelo mpokan beberapa variasi metode ekstraksi c iri zoning ... 2
2 Daftar ukuran data hasil e kstraksi c iri ... 7
3 Hasil aku rasi rata-rata berdasarkan metode ekstraksi ciri dan ju mlah zona yang digunakan ... 8
DAFTAR GAMBAR
Halaman1 Keadaan linearly separable ... 3
2 Tahapan penelitian ... 4
3 Variasi untuk ka rakter "ka" ... 4
4 Contoh citra untuk algorit me ICZ dan ZCZ ... 5
5 Pe rhitungan jarak pixel non-background dengan image centroid untuk zona 1 ... 5
6 Pe rhitungan jarak pixel non-background dengan zone centroid untuk zona 1 ... 5
7 Contoh citra hasil pe mbangkitan data ... 7
8 (a ) Citra sebelu m dila kukan praproses, (b) citra setelah dila kukan binerisasi dan pemotongan, serta (c) citra setelah dila kukan binerisasi, pe motongan, dan pengubahan ukuran ... 7
9 Hasil akurasi rata-rata berdasarkan (a ) metode ekstraksi c iri, dan (b) ju mlah zona yang digunakan ... 8
10 Hasil akurasi berdasarkan jenis k ernel. ... 9
DAFTAR LAMPIRAN
Halaman 1 Contoh kara kter a ksara Sunda yang digunakan ... 122 Contoh citra asli, c itra hasil praproses, dan data hasil e kstraksi c iri menggunakan algorit me ICZ dan ZCZ untuk citra angka ... 13
3 Hasil aku rasi keseluruhan untuk data hasil ekstraksi c iri gabungan ICZ dan ZCZ dengan ju mlah zona 12 berdasarkan jenis k ernel yang digunakan ... 16
1
PENDAHULUAN
Latar BelakangPengenalan pola (pattern recognition)
me rupakan salah satu perke mbangan dari kecerdasan buatan (artificial intelligence).
Dengan pengenalan pola, ko mputer dapat mengenali pola-pola kara kter yang dikenali oleh manusia untuk ke mudian d iproses oleh ko mputer. Pengenalan pola dapat digunakan untuk mengenali tulisan tercetak maupun tulisan tangan, baik tulisan dengan aksara Latin mau-pun aksara non-Latin, seperti yang dilakukan oleh Rajashekararadhya dan Ranjan (2008). Salah satu contoh tulisan dengan aksara non-Latin ia lah tulisan menggunakan aksara Sunda.
Aksara Sunda merupakan salah satu aksara daerah Indonesia. Aksara ini sudah digunakan oleh masyarakat Sunda sejak lima abad yang lalu. Seja k dikeluarkannya Surat Keterangan Gubernur Jawa Barat No mor 434/Sk.614-Dis.Pk/99 tentang pembakuan aksara Sunda, aksara Sunda seolah-olah dihidupkan ke mbali dala m keh idupan masyarakat Sunda di Jawa Barat (Ba idillah et al. 2008). Bah kan, sejak April 2008, aksara Sunda sudah resmi masuk ke dala m Un icode, dan masuk ke dala m daftar kara kter Un icode versi 5.1 (Unicode 2008). Salah satu cara untuk me masyarakatkan aksara Sunda ialah dengan mengajarkannya kepada siswa me la lui buku pe laja ran bahasa Sunda. Sela in itu, aksara Sunda dapat juga digunakan dala m penulisan papan nama jalan, seperti yang terdapat pada papan nama ja lan di beberapa kota di Jawa Barat.
Tulisan dengan aksara Sunda, baik yang terdapat pada papan nama ja lan maupun buku bacaan, menimbu lkan masalah tersendiri bagi beberapa orang dalam me maha minya, terlebih bagi orang yang sama sekali belu m pernah mengenal aksara Sunda. Hal ini disebabkan oleh bentuk karakter pada aksara Sunda yang sangat berbeda dengan karakter pada aksara Latin. Sela in itu, terdapat kara kter ta mbahan untuk menyatakan suku kata tertentu. Karenanya, untuk me mpermudah pengenalan aksara Sunda, diperlukan sebuah sistem ko mputer yang dapat me mbaca dan mengenali tu lisan dengan aksara Sunda.
Penelit ian mengenai pengenalan aksara Sunda belum banyak dilaku kan. Salah satu penelitian mengenai hal ini ya itu penelitian yang dilakukan oleh Mubarok (2010). Da la m penelitian tersebut, dilakukan pengenalan guratan tulisan tangan aksara Sunda secara
online (kara kter masukan diproses secara
lang-sung) menggunakan sebuah aplikasi desk top dengan mouse sebagai media pemasukan data. Ke mudian data masukan diolah dan dikenali menggunakan Kohonen Neural Network . Pene-lit ian tersebut mendapatkan akurasi rata-rata untuk guratan norma l sebesar 75.36%, sedang-kan guratan ber-noise menghasilsedang-kan akurasi rata-rata sebesar 75.36%.
Penelit ian ini a kan me mbuat model penge-nalan aksara Sunda menggunakan ekstraksi ciri
Zoning dan klasifikasi Support Vector Machine.
Data yang digunakan adalah citra aksara Sunda tercetak. Va riasi metode ekstraksi ciri yang digunakan adalah metode yang diajukan oleh Ra jashekararadhya dan Ranjan (2008), ya itu
Image Centroid and Zone (ICZ), Zone Centroid and Zone (ZCZ), dan gabungan ICZ dan ZCZ.
Dala m penelitiannya, Rajashekararadhya dan Ranjan me mpe roleh ting kat pengenalan rata-rata kara kter angka Kannada, Telugu, Ta mil, dan Malayala m yang ditulis tangan di atas 90% dengan metode ekstraksi ciri gabungan ICZ dan ZCZ untuk hasil klasifikasi menggunakan Jaringan Sara f Tiruan dan KNN.
Tujuan
Tujuan dari penelitian ini ialah menentukan metode ekstraksi ciri yang paling efektif di antara metode ekstraksi c iri yang digunakan untuk pengenalan aksara Sunda.
Ruang Lingkup
Ruang lingkup dari penelitian ini yaitu: 1 Kara kter a ksara Sunda yang digunakan
adalah karakter swara (vokal), ngalagena (konsonan), dan angka (0–9), tanpa kara kter imbuhan (penambah dan pengubah suara), berdasarkan naskah yang terdapat pada Unicode.
2 Model yang akan dike mbangkan mengenali pola aksara hasil cetakan (OCR), bukan tulisan tangan.
3 Metode yang digunakan untuk menerapkan
multi-class SVM ia lah metode one-versus-all.
TINJAUAN PUSTAKA
Digital Image (Citra Digital)
Menurut Gonza les dan Woods (2002), sebuah citra dapat didefinis ikan sebagai fungsi dua dimensi f(x , y), dengan x dan y adalah koordinat spasial atau bidang, dan nilai amp litudo f untuk masing-masing pasangan x dan y disebut intensitas atau derajat keabuan dari citra pada titik tersebut. Jika nila i x, y, serta
2
nila i a mp litudo f berupa nilai d iskret, c itra disebut citra digital. Cit ra digital tersusun atas sejumlah ele men yang masing-masing me miliki nila i dan lokasi tertentu yang disebut dengan
picture elements (pixels).
Ekstr aksi Ciri
Devijver dan Kittler (1982, diacu dala m Trie r et al. 1995) mendefinisikan ekstraksi c iri sebagai masalah “ mengekstraksi informasi yang sangat relevan dari data mentah untuk proses klasifikasi, dala m art i me minima lkan variabili-tas pola dalam kelas sambil me mpe rbesar varia-bilitas pola antarkelas.”
Metode Ekstraksi Ciri Zoning
Zoning merupakan salah satu metode
ekstraksi ciri pada citra kara kter. Secara u mu m, dengan metode ekstraksi ciri zoning, citra akan dibagi menjadi beberapa zona yang berukuran sama. Set iap zona ke mudian d ia mbil c irinya.
Ada beberapa variasi algorit me untuk metode ekstraksi c iri zoning, yang dapat dike lo mpokkan berdasarkan
Tabel 1 Pengelo mpokan beberapa variasi metode ekstraksi c iri zoning
Kelo mpok Refe rensi
Ciri yang dia mbil Rata-rata jara k
antara pixel dan titik acuan
Ra jashekararadhya dan Ranjan (2008), Gatos et
al. (2011)
Rata-rata sudut antara pixel dan titik acuan
Ra jashekararadhya dan Ranjan (2009a), Ra jashe-kararadhya dan Ran jan (2009b)
Titik acuan
Image centroid Ra jashekararadhya dan Ranjan (2008), Ra jashe-kararadhya dan Ran jan (2009a), Ra jashekarara-dhya dan Ranjan (2009b)
Zone centroid Ra jashekararadhya dan Ranjan (2008), Ra jashe-kararadhya dan Ran jan (2009b)
Titik la in Gatos et al. (2011) Posisi zona
Tetap Ra jashekararadhya dan
Ranjan (2008), Ra jashe-kararadhya dan Ran jan (2009a), Ra jashekarara-dhya dan Ranjan (2009b) Berubah-ubah
(adaptif)
Gatos et al. (2011)
Beberapa di antaranya tercantum da la m Tabe l 1. Dala m penelit ian in i, variasi metode ekstraksi ciri zoning yang digunakan adalah variasi yang disebutkan oleh Rajashekararadhya dan Ranjan (2008), ya itu metode ekstraksi c iri jara k metrik ICZ (image centroid and zone), metode ekstraksi ciri jara k metrik ZCZ ( zone
centroid and zone), dan metode ekstraksi ciri
gabungan (ICZ dan ZCZ). Tahapan pengerjaan dari masing-masing algorit me akan dije laskan sebagai berikut.
Metode ekstraksi ciri jarak metrik Image
Centroid and Zone
1 Hitung centroid (pusat) dari citra masukan.
2 Bagi c itra masukan men jadi n zona yang sama.
3 Hitung jarak antara centroid citra dan setiap pixel yang ada dalam zona. 4 Ulangi langkah 3 untuk se mua pixel yang
ada dalam zona.
5 Hitung ja rak rata-rata antara tit ik-titik tersebut.
6 Ulangi langkah 3–5 untuk semua zona secara berurutan.
7 Akhirnya, akan didapatkan n ciri untuk klasifikasi dan pengenalan.
Metode ekstraksi ciri jarak met rik Zone
Centroid and Zone
1 Bagi c itra masukan men jadi n zona yang sama.
2 Hitung centroid tiap zona.
3 Hitung ja rak antara centroid zona dan setiap pixel yang ada dalam zona. 4 Ulangi langkah 3 untuk se mua pixel yang
ada dalam zona.
5 Hitung ja rak rata-rata antara tit ik-titik tersebut.
6 Ulangi langkah 3–5 untuk semua zona secara berurutan.
7 Akhirnya, akan didapatkan n ciri untuk klasifikasi dan pengenalan.
Metode ekstraksi ciri gabungan (ICZ dan ZCZ)
1 Hitung centroid dari citra masukan. 2 Bagi c itra masukan men jadi n zona yang
sama.
3 Hitung jarak antara centroid citra dan setiap pixel yang ada dalam zona. 4 Ulangi langkah 3 untuk se mua pixel yang
ada dalam zona.
5 Hitung ja rak rata-rata antara tit ik-titik tersebut.
6 Hitung centroid tiap zona.
7 Hitung ja rak antara centroid zona dan setiap pixel yang ada dalam zona. Ada beberapa variasi algorit me untuk
metode ekstraksi ciri zoning, yang dapat dike lo mpokkan berdasarkan c iri yang dia mbil, titik acuan yang digunakan, dan posisi zona. Beberapa
3
8 Ulangi langkah 7 untuk se mua pixel yang ada dalam zona.
9 Hitung ja rak rata-rata antara tit ik-titik tersebut.
10 Ulangi langkah 3–9 untuk semua zona secara berurutan.
11 Akhirnya, akan didapatkan 2n ciri untuk klasifikasi dan pengenalan.
K-fold Cross-validation
Cross-validation merupakan metode
statisti-ka untuk mengevaluasi dan me mbandingstatisti-kan algorit me pe mbela jaran dengan me mbagi data men jadi dua bagian: satu bagian digunakan untuk me mpela jari atau melatih model dan bagian lainnya digunakan untuk me mva lidasi model tersebut. Salah satu bentuk
cross-validation ialah k -fold cross-cross-validation.
Pada k -fold cross-validation, awalnya data dibagi menjadi k bagian yang berukuran sama (atau hampir sama ). Secara berurutan, pelat ihan dan validasi dilakukan sebanyak k ulangan sehingga dala m setiap perulangan satu bagian data yang berbeda digunakan untuk validasi sementara k – 1 bagian lainnya digunakan untuk pembela jaran atau pelatihan (Refae ilzadeh et al. 2009).
Support Vector Machine
Support Vector Machine (SVM) merupakan
prosedur pembela jaran konstruktif yang universal yang berbasis teori pembela jaran statistik. Istilah “universal” berarti bahwa SVM dapat digunakan untuk me mpela jari beraga m representasi, seperti jaringan s araf (dengan fungsi aktivasi sigmoid biasa), radial basis
function, dan spline. SVM mengo mbinasikan
empat konsep berbeda, yaitu imple mentasi baru dari prinsip induktif Structural Risk
Minimiza-tion (SRM), pe metaan data masukan ke ruang
dimensi tinggi, fungsi linear dengan kendala pada komple ksitas, dan dualitas teori optimisasi (Cherkassky & Mulier 2007).
SVM a kan mencari hyperplane (bidang pe-misah) terbaik yang me misahkan data dari suatu permasalahan. Menurut Osuna et al. (1997), suatu data dikatakan linearly separable (dapat dipisahkan secara linear) jika untuk permasa-lahan tersebut dapat dicari pasangan (w, b) sedemikian sehingga:
i b i kelas (1) i b - i kelas (2)
Ga mbar 1 Keadaan linearly separable. Karenanya, ruang hipotesis adalah set fungsi yang diberikan oleh
b si n b
Ga mbar 1 menunjukkan kondisi suatu data yang linearly separable. Pada gambar tersebut, terdapat sebuah hyperplane yang memisahkan data di ke las +1 (lingkaran) dengan data di ke las –1 (kotak). Terdapat pula margin, yaitu jarak antara hyperplane dengan elemen terluar dari kedua ke las. Bidang pe misah terbaik adalah bidang pemisah yang menghasilkan n ila i margin terbesar.
SVM d irancang tidak hanya untuk dapat menyelesaikan permasalahan linear, tetapi juga permasalahan non-linear. Agar permasalahan non-linear dapat diselesaikan, permasalahan tersebut dapat dipetakan ke dala m ruang ciri berdimensi lebih tinggi, ke mudian diterapkan klasifikasi linear dala m ruang tersebut. Tepat-nya, variabel input x dipetakan ke dala m vektor variabel ciri ϕ(x) dengan fungsi transformasi x ϕ . Fungsi yang me metakan suatu permasalahan non-linear ke dala m ruang ciri yang lebih tinggi disebut dengan fungsi k ernel,
K(x, y). Terdapat tiga k ernel yang biasa
digunakan dalam SVM, ya itu sebagai berikut (Osuna et al. 1997).
Polinomial dengan derajat d:
Gaussian Radial Basis Function (RBF): e - - an
Multi Layer Perceptron (untuk beberapa nilai ): tanh - .
Metode M ulti-class SVM One -versus-all Pada awalnya, SVM d idesain untuk me la kukan klasifikasi biner, dengan kata lain hanya dapat menangani data yang me miliki dua kelas. Cara untuk menge mbangkan SVM agar
Kelas –1 Kelas +1 Margin
4
dapat digunakan untuk klasifikasi banyak ke las me rupakan isu riset yang masih berjalan. Salah satu metode yang digunakan untuk klasifikasi
multi-class SVM ialah metode one-versus-all
atau metode one-against-all.
Menurut Hsu dan Lin (2002), metode
one-versus-all ke mungkinan merupakan metode
imple mentasi untuk klasifikasi multi-class SVM paling awa l. Metode ini me mbangun k model SVM, dengan k adalah jumlah ke las yang ada. Model SVM ke -i dilatih menggunakan semua contoh di kelas ke-i dengan label positif (ke las 1), dan semua contoh di kelas lain dengan label negatif (ke las –1). Setelah dilaku kan pelatihan SVM, d idapatkan k fungsi keputusan dari k model tersebut. Misalkan ada data baru x yang diujikan pada model SVM one-versus-all ini, x akan masuk ke dala m ke las tertentu yang me miliki nilai fungsi keputusan terbesar.
METODE PENELITIAN
Secara garis besar, tahapan dalam penelitian ini d iga mbarkan pada Ga mbar 2.Ga mbar 2 Tahapan penelitian. Pengumpulan Data
Data yang akan digunakan dalam pelatihan dan pengujian SVM diku mpulkan pada tahapan ini. Data didapatkan dari hasil pe mbangkitan yang dilaku kan oleh penulis dengan menulis aksara Sunda pada program pengolah vektor grafis. Setelah sedikit dio lah (diatur pos isinya, warna back ground, dan lain-la in), kara kter aksara Sunda ke mudian di-export menjad i file
citra PNG. File citra PNG ini akan digunakan sebagai data pelatihan danpengujian.
Kara kter a ksara Sunda yang digunakan berupa karakter tunggal yang ada pada naskah Unico e se erti karakter “ka” ᮊ “ga” ᮌ), an “nga” ᮍ). Data untuk setiap karakter akan diberikan variasi yang berbeda. Sebagai contoh, variasi untuk karakter “ka” itunjukkan a a Ga mbar 3. Pe mberian variasi untuk setiap data bertujuan untuk me mbuat data yang digunakan men jadi lebih beragam. Contoh citra kara kter aksara Sunda yang digunakan ditunjukkan pada La mp iran 1.
Ga mbar 3 Va riasi untuk kara kter "ka". Prapr oses Data
Pada tahapan praproses data, data citra yang sudah dibangkitkan pada tahap sebelumnya akan dipraproses agar dapat diolah pada tahap berikutnya. Metode praproses data yang akan digunakan ialah binerisasi (konversi citra warna men jadi cit ra biner) dan pemotongan (cropping) bagian kara kter dari c itra.
Ekstr aksi Ciri
Metode ekstraksi ciri yang digunakan ialah metode zoning. Metode ini me miliki beberapa variasi a lgorit me, tiga di antaranya seperti yang dije laskan oleh Ra jashekararadhya dan Ranjan (2008). Penelitian ini menggunakan ketiga variasi algorit me metode zoning, yaitu Image
Centroid and Zone (ICZ), Zone Centroid and Zone (ZCZ), dan gabungan dari ICZ dan ZCZ.
Sebagai ilustrasi, berikut ini a kan diberikan contoh ekstraksi ciri menggunakan algorit me
Image Centroid and Zone dan Zone Centroid and Zone. Sebagai citra ilustrasi digunakan
sebuah citra berukuran 5x9 pixel, seperti pada Ga mbar 4.
Dengan menggunakan algorit me Image
Cen-troid and Zone, pertama dihitung cenCen-troid
(pusat) dari citra. Centroid dari citra d inyatakan dengan nilai koordinat titik (xc, yc). Cara menghitung centroid yaitu:
i i
an
i
i
(4)
dengan f(x, y) adalah nila i pixel dari citra pada posisi tertentu. Perhitungan menghasilkan nila i
xc = 3 dan yc = 5 sehingga didapatkan nilai
5
Ga mbar 4 Contoh citra untuk algorit me ICZ dan ZCZ.
Berikutnya, citra d ibagi men jadi n zona yang sama, misalkan menjad i 3 zona, yaitu zona atas, zona tengah, dan zona bawah, dengan masing-masing zona berukuran 5x3 pixel. Ke mudian, dihitung jarak antara centroid dan setiap pixel yang ada dalam zona, dala m hal ini pixel yang digunakan adalah pixel non-back ground. Jarak dihitung menggunakan rumus jarak Euclid, dengan rumus berikut:
jarak
Ga mbar 5 Perh itungan jarak pixel non-
back ground dengan image centroid untuk zona 1.
Untuk zona 1 (zona atas), perhitungan jarak, yang divisualisasikan oleh Ga mbar 5, d ila kukan dengan perhitungan berikut:
jarak – – . jarak – – . jarak – – jarak – – . jarak – – .
Setelah didapatkan jarak centroid-pixel untuk masing-masing pixel non-back ground pada zona 1, ja rak rata-ratanya dihitung sebagai berikut.
jarak jarak jarak Perhitungan menghasilkan ja rak rata-rata
centroid-pixel untuk zona 1 ia lah 3.196.
Dengan cara yang sama, ja rak centroid-pixel dihitung untuk setiap pixel pada zona 2 (tengah) dan 3 (bawah), ke mudian dihitung rata-ratanya. Dari hasil perhitungan, didapatkan bahwa jarak rata-rata centroid-pixel untuk zona 2 dan 3 berturut-turut ialah 0.94 dan 3.196.
Se mentara itu, jika menggunakan algorit me
Zone Centroid and Zone, pertama citra akan
langsung dibagi menjadi n zona yang sama, misalkan menjadi 3 zona seperti pada algoritme
Image Centroid and Zone, menjadi zona atas,
zona tengah, dan zona bawah. Ke mudian, zone
centroid dari masing-masing zona dihitung
menggunakan Persamaan 4. Da ri hasil perhi-tungan, didapatkan hasil berikut:
Zona 1 (atas): xc = 3, yc = 2.2 Zona 2 (tengah): xc = 3, yc = 5 Zona 3 (bawah): xc = 3, yc = 7.8
Ga mbar 6 Perh itungan jarak pixel non-
back ground dengan zone centroid untuk zona 1.
Ke mudian, untuk masing-masing zona, jara k antara centroid masing-masing zona dan setiap
pixel non-back ground yang ada di dalam zona
dicari menggunakan rumus jarak Euc lid (Persa maan 5). Untuk zona 1 (atas), perhitungan jara k, yang divisualisasikan oleh Ga mbar 6, dila kukan dengan perhitungan berikut:
jarak – – . . jarak – – . .
6
jarak – – . . jarak – – . . jarak – – . . Setelah didapatkan jarak centroid-pixel untuk masing-masing pixel non-back ground pada zona 1, jarak rata-ratanya dihitung, sebagai berikut.
jarak jarak jarak Dari hasil perhitungan, didapatkan bahwa jara k rata-rata centroid zona dengan seluruh
pixel untuk zona 1 ia lah 1.508.
Dengan cara yang sama, ja rak centroid-pixel dihitung untuk setiap pixel pada zona 2 (tengah) dan 3 (bawah), ke mudian rata-ratanya dihitung. Dari hasil perhitungan, jarak rata-rata
centroid-pixel untuk zona 2 dan 3 berturut-turut ialah
0.94 dan 1.508.
Dengan demikian, tiga nilai d idapatkan untuk masing-masing algorit me e kstraksi ciri, yang merupakan ciri dari citra yang didapatkan dari masing-masing zona. Untuk algorit me
Image Centroid and Zone, hasilnya adalah
3.196, 0.94, dan 3.196. Se mentara itu, untuk algorit me Zone Centroid and Zone hasilnya adalah 1.508, 0.94, dan 1.508. Ket iga nila i dari masing-masing algorit me ini ke mudian akan digunakan dalam pelatihan dan/atau pengujian SVM.
K-fold Cross-validation
Data yang sudah dikenakan proses ekstraksi ciri ke mudian dibagi menjad i data latih dan data uji dengan menggunakan k -fold
cross-valida-tion. K-fold cross-validation me mbagi seluruh
data menjadi k subbagian data yang sama, ke-mudian secara berurutan menggunakan k sub-bagian data tersebut sebagai data uji, dan k – 1 data yang lain digunakan sebagai data latih. Nila i k yang digunakan ialah 5.
Pelatihan Support Vector Machine
Pelatihan SVM dila kukan menggunakan data latih hasil ekstraksi ciri yang sebelumnya sudah dibagi menggunakan k -fold
cross-validation. Dala m pelatihan SVM ini, akan
dicobakan pelatihan menggunakan empat fungsi
k ernel, yaitu k ernel linear (polino mial berderajat
1), quadratic (polinomia l berderajat 2), polino-mia l berderajat 3, dan Radial Basis Function (RBF).
Pengujian Support Vector Machine
Setelah didapatkan model dari pelat ihan SVM, model akan diuji menggunakan data uji hasil ekstraksi ciri yang sebelumnya sudah dibagi menggunakan k -fold cross-validation. Analisis
Dari hasil pelatihan dan pengujian SVM dengan k ernel dan algoritme pelatihan yang berbeda, akan didapatkan hasil untuk kinerja algorit me SVM dala m klasifikasi citra kara kter aksara Sunda. Setelah itu, dicari akurasi untuk masing-masing hasil klasifikasi. Ru mus yang digunakan untuk menghitung akurasi hasil klasifikasi, yaitu:
kurasi umlah benar
umlah ata uji Se mentara itu, hal-hal yang akan dianalisis me liputi metode ekstraksi c iri dan ju mlah zona, serta jenis k ernel SVM yang digunakan.
Lingkungan Pe nelitian
Lingkungan yang digunakan untuk peneliti-an ini me miliki spesifikasi sebagai berikut. Perangkat ke ras:
Processor Intel Core i3-2310M, Memory 2 GB, dan
Harddisk 500 GB. Perangkat lunak:
Sistem Operasi M icrosoft Windows 7 Professional Service Pack 1 32-bit,
MATLAB R2008b, dan Inkscape 0.48.
HASIL DAN PEMBAHASAN
Pengumpulan DataData yang digunakan dalam penelitian ini didapat dari hasil pe mbangkitan yang dilakukan menggunakan program pengolah vektor grafis Inkscape dan font SundaneseLatin. Di dala m
font SundaneseLatin, terdapat 40 kara kter
aksara Sunda, yang terdiri atas 7 karakter swara (vokal), 23 kara kter ngalagena (konsonan), dan 10 kara kter angka (0– 9). Untuk 40 kara kter tersebut, dibangkitkan 10 citra ka rakter berjen is PNG beru kuran 90x86 pixel, masing-masing dengan variasi posisi karakter, wa rna kara kter, dan warna latar yang berbeda-beda, seperti ditunjukkan pada Ga mba r 7. Setelah tahapan ini selesai, didapatkan 400 data c itra.
7
Ga mbar 7 Contoh citra hasil pe mbangkitan data.
Prapr oses Data
Pada tahapan praproses data, data citra yang sudah dibangkitkan sebelumnya diubah men jadi citra bine r (b inerisasi), dipotong (crop), dan diubah ukurannya (resize).
Data hasil pe mbangkitan berupa citra warna RGB. Ka rena citra yang akan diproses harus berupa citra biner dengan bagian karakter ber-nila i 1 dan bagian back ground berber-nilai 0, c itra RGB harus diubah menjad i citra b iner. Tahapan yang dilaku kan ialah mengubah citra RGB men jadi c itra grayscale, mengubah citra
gray-scale menjadi c itra b iner, serta menegasikan
citra, jika diketahui bagian ka rakter bernilai 0. Pe motongan citra dilaku kan karena hanya bagian karakter saja yang akan diproses, sementara bagian latar akan dibuang. Cara me motong -nya sebagai berikut. Perta ma , ditentukan batas kiri, kanan, atas dan bawah dari citra kara kter yang akan diambil. Setelah itu, ele men citra yang berada di dala m batas diamb il sebagai citra baru.
Setelah dilaku kan pemotongan, ternyata didapatkan citra hasil yang ukurannya tidak seragam. Agar u kurannya seragam, citra hasil harus diubah ukurannya. Setelah dilakukan pengamatan, ditentukan bahwa ukuran citra untuk kemudian diproses lebih lanjut ialah 60x56 pixel. Perbandingan antara citra asli sebelum dilaku kan praproses data, setelah dila kukan binerisasi dan pemotongan, serta setelah dilakukan binerisasi, pe motongan, dan pengubahan ukuran ditunjukkan o leh Ga mbar 8. Ekstraksi Ciri
Metode ekstraksi ciri yang digunakan adalah variasi dari metode ekstraksi c iri zoning, yaitu Image Centroid and Zone (ICZ), Zone
Centroid and Zone (ZCZ), dan gabungan dari
ICZ dan ZCZ. Ju mlah zona yang digunakan yaitu 4, 6, 8, dan 12 zona.
Data hasil ekstraksi c iri menggunakan algorit me ICZ dan ZCZ d idapat dari hasil imple mentasi algorit me ICZ dan ZCZ yang disebutkan oleh Rajashekararadhya dan Ranjan (2008). Se mentara itu, data hasil e kstraksi c iri gabungan ICZ dan ZCZ didapat dari pengga-bungan data hasil ekstraksi c iri ICZ dan ZCZ.
Hal ini dilaku kan karena sebenarnya algoritme gabungan ICZ dan ZCZ merupakan urutan pengerjaan ekstraksi ciri menggunakan algorit-me ICZ yang dilanjutkan dengan ekstraksi ciri menggunakan algorit me ZCZ.
Setelah dila kukan ekstraksi c iri mengguna-kan algorit me ICZ dan ZCZ serta empat maca m zona, didapatkan 12 dataset dengan ukuran yang berbeda-beda, seperti ditunjukkan pada Tabel 2. Adapun contoh citra asli, citra hasil praproses, dan data hasil ekstraksi ciri menggunakan algorit me ICZ dan ZCZ untuk citra angka d itunjukkan pada La mp iran 2.
me mii
Ga mbar 8 (a) Cit ra sebelum dilaku kan praproses, (b) citra setelah dila kukan binerisasi dan pemotongan, serta (c) citra setelah dilakukan b inerisasi, pemotongan, dan pengubahan ukuran.
Tabel 2 Daftar u kuran data hasil ekstraksi ciri Metode Ekstraksi Ciri Jumlah Zona 4 6 8 12 ICZ 400 x 4 400 x 6 400 x 8 400 x 12 ZCZ 400 x 4 400 x 6 400 x 8 400 x 12 ICZ + ZCZ 400 x 8 400 x 12 400 x 16 400 x 24
8
Kl asifikasi Support Vector Machine
Setelah didapatkan data hasil e kstraksi c iri, proses dilanjutkan dengan klasifikasi(Support Vector Machine (SVM). Proses klasifikasi SVM
diawa li dengan me modifikasi fungsi SVM, agar dapat digunakan untuk menangani data yang me miliki banyak kelas . Teknik perluasan fungsionalitas yang digunakan ialah SVM
one-versus-all. Dengan teknik in i, dapat dibangun
SVM sebanyak ju mlah kelas yang ada, yaitu 40 buah, dengan masing-masing SVM mewa kili setiap kelas yang ada. Misalkan SVM 1 mewakili kelas “nol” SVM ini akan mengenali citra karakter “nol” an “bukan nol”.
Data yang digunakan untuk pelatihan SVM sebanyak 320 buah, dan data uji yang digunakan sebanyak 80 buah. Pembagian data dilakukan menggunakan 5-fold cross-validation.
Setelah data dibagi menggunakan k -fold
cross-validation, dilakukan klasifikasi SVM.
Model SVM dibangun menggunakan empat fungsi k ernel, yaitu k ernel linear (polino mia l berderajat 1), quadratic (polinomial berderajat 2), polino mial berdera jat 3, dan RBF. Dengan menggunakan kee mpat fungsi k ernel ini, dibentuklah unit percobaan sebanyak 1728 buah. Setelah dilaku kan pelatihan dan pengujian hanya didapatkan 1667 hasil klasifikasi saja. Hal ini disebabkan oleh beberapa hal yang terjadi sela ma proses pelatihan dan pengujian unit percobaan.
Setelah didapatkan hasil klasifikasi, dihitung akurasi dari hasil klasifikasi tersebut. Perhitungan akurasi dilaku kan menggunakan Persamaan 6.
Analisis
Setelah hasil akurasi untuk semua kombinasi
k ernel dan parameternya didapatkan, akurasi
ku mulatif dih itung berdasarkan metode ekstrak-si ciri dan ju mlah zona, serta jen is k ernel. Metode ekstraksi ciri dan jumlah z ona
Untuk hasil akurasi berdasarkan metode ekstraksi ciri dan jumlah zona yang digunakan, nila i akurasi yang dianalisis merupakan rata-rata nila i akurasi dari hasil klasifikasi untuk masing-masing dataset. Hasil akurasi rata-rata berdasar-kan metode ekstraksi ciri dan ju mlah zona yang digunakan ditunjukkan pada Tabel 3, sementara itu Ga mbar 9 me mvisualisasikan Tabel 3 dari sudut pandang (a) metode ekstraksi c iri, dan (b) ju mlah zona yang digunakan.
Jika ditin jau berdasarkan metode ekstraksi ciri yang digunakan (Ga mba r 9.a.), dapat dilihat
Tabel 3 Hasil akurasi rata-rata berdasarkan metode ekstraksi c iri dan ju mlah zona yang digunakan
Jumlah zona
Metode Ekstraksi Ciri
ICZ ZCZ ICZ + ZCZ 4 75.03% 67.88% 89.74% 6 83.91% 84.99% 91.17% 8 82.75% 88.26% 91.51% 12 88.35% 90.79% 93.99% (a) (b)
Ga mbar 9 Hasil a kurasi rata-rata berdasarkan (a) metode ekstraksi c iri, dan (b) ju mlah zona yang digunakan. bahwa metode ekstraksi c iri ZCZ menghasilkan akurasi yang lebih baik daripada metode ekstraksi ciri ICZ untuk ju mlah zona 6, 8, dan 12 buah. Sebaliknya, metode ekstraksi ciri ICZ menghasilkan akurasi yang lebih baik daripada metode ekstraksi ciri ZCZ untuk ju mlah zona 4 buah. Hal ini dapat disebabkan oleh metode ICZ yang merupakan metode ekstraksi ciri global, yang mengambil ciri dari c itra secara keselu-ruhan. Sementara itu, metode ZCZ merupakan metode ekstraksi ciri loka l, yang mengamb il cir i
50% 60% 70% 80% 90% 100% 4 6 8 12 A k u ra s i Jumlah zona ICZ ZCZ ICZ + ZCZ 50% 60% 70% 80% 90% 100% ICZ ZCZ ICZ + ZCZ A k u ra s i
Metode ekstraksi ciri 4 6 8 12
9
dari cit ra secara lokal berdasarkan informasi pola lokal sehingga ciri yang diambil lebih mendetail dan dapat meningkatkan akurasi hasil klasifikasi.
Se mentara itu, metode ekstraksi ciri gabungan ICZ dan ZCZ mendapatkan hasil akurasi terbaik untuk kee mpat zona. Bahkan untuk jumlah zona 6, 8, dan 12 buah, nila inya me lebih i 90%. Ha l ini wa jar, karena data untuk metode ekstraksi c iri gabungan ICZ dan ZCZ me rupakan gabungan antara data untuk metode ekstraksi ciri ICZ dan ZCZ, dan seharusnya data gabungan ini dapat menghasilkan nila i akurasi yang lebih tinggi daripada data hasil ekstraksi ciri menggunakan metode ICZ atau ZCZ saja.
Jika dit injau berdasarkan ju mlah zona yang digunakan (Ga mbar 9.b.), dapat dilihat bahwa hasil akurasi meningkat seiring dengan penam-bahan jumlah zona yang digunakan ketika proses ekstraksi ciri. Ha l yang sedikit berbeda terdapat pada hasil ekstraksi c iri menggunakan ICZ, yaitu penggunaan 6 buah zona menghasilkan a kurasi yang lebih baik daripada penggu -naan 8 buah zona. Secara u mu m, ha l in i dapat disebabkan oleh jumlah ciri yang diamb il dari citra, ka rena ju mlah zona me mpengaruhi ju mlah ciri yang diamb il. Se ma kin banyak ju mlah zona, semakin banyak c iri yang dia mb il dari c itra, baik c iri global maupun ciri loka l. Ha l ini dapat me mbuat a kurasi hasil klasifikasi meningkat.
Dari hasil in i, dapat dikatakan bahwa peningkatan jumlah zona yang digunakan dapat men ingkatkan akurasi, wa laupun pada metode ICZ a kurasi untuk ju mlah zona 6 buah lebih tinggi daripada akurasi untuk jumlah zona 8 buah.
Jenis kernel
Ga mbar 10 Hasil aku rasi berdasarkan jenis
k ernel.
quadratic, polinomia l berderajat 3, dan RBF,
untuk data hasil metode ekstraksi c iri gabungan ICZ dan ZCZ dengan jumlah zona 12 buah. Pe milihan data hasil metode ekstraksi ciri serta ju mlah zona yang digunakan sebagai pemban -ding didasarkan pada hasil dari bagian sebelum-nya, yang menunjukkan bahwa metode ekstrak-si ciri dan ju mlah zona yang menghaekstrak-silkan akurasi terbaik ialah metode ekstraksi ciri gabungan ICZ dan ZCZ dan jumlah zona 12 buah. Hasil akurasi untuk seluruh klasifikasi untuk data hasil e kstraksi c iri gabungan ICZ dan ZCZ dengan jumlah zona 12 buah dapat dilihat pada La mpiran 3, se mentara tabel akurasi untuk hasil klasifikasi terba ik dari setiap fungsi kernel yang digunakan dapat dilihat pada La mp iran 4.
Dari Ga mbar 10 diketahui bahwa klasifikasi SVM untuk data hasil ekstraksi c iri gabungan ICZ dan ZCZ dan ju mlah zona 12 buah menggunakan kee mpat jenis fungsi kernel menghasilkan akurasi terbaik yang sama. Dari hasil in i dapat dikata kan bahwa kee mpat fungsi
k ernel SVM me miliki kinerja yang sama da la m
me la kukan pelatihan SVM untuk data yang digunakan dalam penelit ian in i.
SIMPULAN DAN SARAN
SimpulanPengenalan pola merupakan salah satu perke mbangan dari artificial intelligence, yang me mungkinkan ko mputer dapat mengenali pola kara kter yang dikenali oleh manusia. Pengenalan pola biasa digunakan dalam proses OCR (optical character recognition) dan HCR (handwritten charater recognition).
Dala m penelit ian ini, dibangun model pengenalan aksara Sunda tercetak menggunakan metode ekstraksi c iri zoning dan klasifikasi
Support Vector Machine. Tujuan dari penelitian
ini ya itu untuk menentukan metode ekstraksi ciri yang paling efektif di antara metode ekstraksi ciri yang digunakan untuk pengenalan aksara Sunda.
Dari hasil yang didapat, diketahui bahwa metode ekstraksi c iri gabungan ICZ dan ZCZ menghasilkan akurasi paling tinggi, untuk kee mpat ju mlah zona yang digunakan dalam proses ekstraksi ciri. Se mentara itu, untuk ju mlah zona yang digunakan, akurasi paling tinggi didapat oleh ju mlah zona 12 buah, un tuk ketiga metode ekstraksi c iri yang digunakan.
Dari apa yang telah dilaku kan, dapat disimpulkan bahwa metode ekstraksi ciri yang paling efe ktif di antara metode ekstraksi c iri 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
Linear Quadratic Polinomial, or er RBF A k u ra s i Jenis kernel
Ga mbar 10 menunjukkan hasil akurasi terbaik berdasarkan jenis k ernel yang digunakan pada pelatihan SVM, yaitu k ernel linear,
10
yang digunakan untuk pengenalan aksara Sunda ialah metode gabungan ICZ dan ZCZ, dengan ju mlah zona 12 buah.
Saran
Beberapa saran untuk penelitian selanjutnya yaitu:
1 Perancangan data latih dan data uji lebih lanjut untuk menguji kinerja algorit me
zoning, misalnya dengan mengubah ukuran
atau ke miringan ka rakter.
2 Penggunaan metode klasifikasi la in untuk pengenalan aksara Sunda, misalnya KNN atau Back propagation Neural Network . 3 Pengembangan sistem pengenalan aksara
Sunda lebih lan jut, sehingga sistem dapat mengenali ka rakter pena mbah dan pengubah suara.
4 Pengembangan aplikasi mobile untuk menerap kan model SVM yang sudah didapatkan dari penelitian ini.
DAFTAR PUSTAKA
Ba idillah I, Darsa UA, Abdurahman O, Permadi T, Gunardi G et al. 2008. Direk tori Ak sara
Sunda untuk Unicode. Bandung: Pe merintah Provinsi Ja wa Barat.
Cherkassky V, Mulie r F. 2007. Learning from
Data: Concepts, Theory, and Methods. Ed
ke-2. Ne w Jersey: John Wiley & Sons. Devijver PA, Kittle r J. 1982. Pattern
Recognition: A Statistical Approach.
London: Prentice -Ha ll.
Gatos B, Kesid is AL, Papandreou A. 2011. Adaptive zoning features for character and word recognition. Di dala m: 11th International Conference on Document Analysis and Recognition; Beijing, 18-21
Sep 2011. Washington DC: IEEE Co mputer Society. h lm 1160-1164. Gon za lez R, Woods R. 2002. Digital Image
Processing. Ed ke-2. New Jersey: Prentice
Hall.
Hsu CW, Lin CJ. 2002. A co mparison of methods for mult iclass support vector
mach ines. IEEE Transactions on Neural
Network s 13 (2): 415-425.
Mubarok. 2010. Pengenalan tulisan tangan aksara Sunda menggunakan kohonen neural network [skripsi]. Bandung: Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam, Un iversitas Pendidikan Indonesia.
Osuna EE, Freund R, Girosi F. 1997. Support Vector Machines: Training and Applica-tions. AI Memo 1602, Massachusetts Institute of Technology.
Ra jashekararadhya SV, Ranjan P V. 2008. Efficient zone based feature extration algorith m for handwritten numera l recognition of four popular South Indian scripts. Journal of Theoretical and Applied
Information Technology 4 (12):
1171-1181.
Ra jashekararadhya SV, Ranjan PV. 2009a. Handwritten numera l recognition of Kannada script. Di dala m: Ba jaj P, Abraham A, ed itor. Work shop Proceedings
of the International Work shop on Machine Intelligence Research; Nagpur, 24 Jan
2009. Washington: Machine Intelligence Research Labs. hlm 80-86.
Ra jashekararadhya SV, Ranjan PV. 2009b. A novel zone bas ed feature extraction algorith m for handwritten numera l recognition of four indian scripts. Digital
Technology Journal 2: 41-51.
Refae ilzadeh P, Tang L, Liu H. 2009. Cross -validation. Di dala m: Liu L, Öszu MT , editor. Encyclopedia of Database Systems. New York: Sp ringer.
Trie r OD, Jain AK, Ta xt T. 1996. Feature e xtraction methods for character recognition – a survey. Pattern Recognition 4 (29): 641-662.
[Un icode]. 2008. The Unicode Standard,
Version 5.1 Archived Code Charts.
http://www.unicode.org/Public/ 5.1.0/charts /CodeCharts.pdf [27 Des 2011].
12
La mp iran 1 Contoh kara kter a ksara Sunda yang digunakan Kara kter angka
0 1 2 3 4
5 6 7 8 9
Kara kter swara (voka l)
A É E EU I O U
Kara kter ngalagena (konsonan)
BA CA DA FA GA HA
JA KA LA MA NA NGA
NYA PA QA RA SA TA
13
La mp iran 2 Contoh citra asli, c itra hasil praproses, dan data hasil ekstraksi c iri menggunakan algorit me ICZ dan ZCZ untuk c itra angka
Kara kter Citra Asli Citra Hasil Praproses 0 1 2 3 4
Kara kter Citra Asli Citra Hasil Praproses 5 6 7 8 9
Data hasil e kstraksi ciri Metode ICZ dengan 4 zona
Kara kter Data Hasil Ekstraksi Ciri 0 25.191 25.926 24.779 25.474 1 23.458 28.818 22.953 22.747 2 23.028 24.130 16.787 24.223 3 24.910 22.846 18.360 19.296 4 19.857 16.847 20.414 16.119 5 25.521 24.972 25.949 25.686 6 22.020 28.127 18.941 17.958 7 18.422 22.111 21.513 18.005 8 18.871 26.388 22.406 17.707 9 22.436 27.378 20.976 20.256 Metode ICZ dengan 6 zona
Kara kter Data Hasil Ekstraksi Ciri
0 25.336 24.843 26.229 25.020 24.138 25.886 1 25.149 22.661 30.243 23.196 19.142 25.031 2 27.846 20.049 0.000 18.626 14.856 28.910 3 27.638 21.616 23.607 19.063 14.955 24.088 4 22.731 13.706 21.977 23.542 16.298 20.908 5 25.624 24.434 25.077 26.718 23.153 26.370 6 18.874 26.029 25.661 20.042 13.655 23.233 7 16.397 18.324 25.887 25.336 17.505 17.303 8 25.265 15.785 27.584 24.087 18.248 14.960 9 23.162 23.375 27.837 21.760 16.360 25.202
14
Lanjutan
Metode ICZ dengan 8 zona
Kara kter Data Hasil Ekstraksi Ciri
0 25.301 25.784 25.032 26.143 24.866 25.944 24.720 25.178 1 27.633 28.818 13.951 0.000 16.706 19.757 25.789 25.951 2 28.723 26.923 11.713 11.562 9.069 17.957 21.887 26.797 3 29.605 29.279 13.767 21.614 11.882 15.603 21.811 22.749 4 22.539 20.677 10.752 12.930 16.204 16.101 26.614 19.142 5 28.912 28.489 18.524 18.096 22.583 21.863 27.400 27.347 6 27.556 32.002 16.810 21.589 13.892 14.160 21.715 21.036 7 23.421 27.452 13.338 14.910 13.553 13.048 26.668 22.449 8 23.577 30.880 8.141 16.603 15.301 13.866 26.346 21.940 9 26.870 28.330 13.632 20.959 14.199 15.754 24.420 23.957 Metode ICZ dengan 12 zona
Kara kter Data Hasil Ekstraksi Ciri
0 25.7 24.8 26.3 25.0 0.0 26.1 24.9 0.0 25.9 25.2 24.1 25.8 1 30.3 24.9 30.2 14.6 12.8 0.0 16.8 10.3 22.9 27.3 22.5 27.6 2 31.3 25.8 0.0 11.5 11.8 0.0 12.0 6.3 27.7 22.8 20.8 29.2 3 32.2 26.3 0.0 14.0 13.4 23.6 13.2 8.7 22.4 23.0 19.4 25.5 4 23.9 19.2 22.9 17.4 7.0 20.8 20.5 11.9 20.9 29.2 25.0 0.0 5 29.6 24.8 29.4 18.5 16.8 18.1 22.6 0.0 21.9 29.3 23.2 29.2 6 25.6 29.5 32.4 17.1 15.6 23.8 15.1 8.0 22.2 23.4 17.6 23.9 7 21.9 23.2 31.6 15.4 9.6 19.1 17.5 7.4 15.2 30.7 22.2 21.8 8 26.1 21.6 31.5 8.0 8.8 17.7 18.1 11.6 15.0 27.6 22.8 0.0 9 28.8 25.8 29.3 14.0 12.8 22.9 15.3 9.2 22.9 25.8 20.9 26.9 Metode ZCZ dengan 4 zona
Kara kter Data Hasil Ekstraksi Ciri
0 9.967 10.163 10.000 10.112 1 10.037 6.489 9.827 10.782 2 10.837 6.638 10.150 10.875 3 10.108 10.366 9.770 10.727 4 10.689 10.084 10.590 7.820 5 8.843 8.962 10.288 10.229 6 8.022 12.799 10.319 10.488 7 8.464 11.504 10.936 9.051 8 9.255 9.302 9.705 7.223 9 9.256 7.759 10.265 10.965
Metode ZCZ dengan 6 zona
Kara kter Data Hasil Ekstraksi Ciri
0 7.792 5.783 7.902 7.768 5.792 7.871 1 9.607 7.757 4.352 8.540 9.012 8.810 2 8.387 8.247 0.000 7.979 11.454 6.956 3 9.173 7.633 4.931 8.191 9.469 10.326 4 8.035 9.977 10.054 10.561 8.135 4.507 5 8.680 8.968 8.727 8.487 5.779 8.536 6 5.530 8.577 9.809 8.724 9.339 10.033 7 5.007 9.019 8.184 8.605 8.942 6.416 8 4.909 8.563 8.236 8.104 9.652 2.460 9 8.981 8.110 8.272 8.587 9.096 10.627
15
Lanjutan
Metode ZCZ dengan 8 zona
Kara kter Data Hasil Ekstraksi Ciri
0 6.652 6.780 4.759 4.566 4.767 4.643 6.674 6.797 1 8.321 6.489 4.813 0.000 4.856 7.682 7.952 7.190 2 8.629 3.508 5.008 5.360 6.083 10.308 7.353 7.786 3 8.279 1.499 4.586 6.008 5.791 8.276 7.274 6.458 4 6.861 5.804 7.509 8.289 8.799 7.772 5.107 0.000 5 6.800 6.953 4.593 4.686 4.633 4.744 8.349 8.258 6 4.817 3.597 4.920 6.178 6.110 8.276 8.023 6.484 7 4.470 9.949 5.380 8.369 7.397 6.001 9.195 5.056 8 6.870 6.793 4.319 4.180 6.675 4.263 8.373 3.928 9 7.194 5.031 4.750 5.739 6.245 8.662 7.986 6.545
Metode ZCZ dengan 12 zona
Kara kter Data Hasil Ekstraksi Ciri
0 4.53 5.78 4.62 4.76 0.00 4.57 4.77 0.00 4.64 4.48 5.79 4.63 1 6.10 6.25 4.35 4.06 3.47 0.00 4.82 3.50 5.88 5.78 5.78 5.09 2 5.61 5.24 0.00 2.77 5.09 0.00 4.51 5.59 5.18 5.40 5.78 5.59 3 5.82 4.57 0.00 3.64 5.33 4.93 4.51 5.05 5.44 5.26 6.33 4.60 4 4.72 6.31 4.12 4.19 5.44 6.69 5.14 5.91 4.51 3.55 4.27 0.00 5 6.22 8.78 6.21 4.56 7.19 4.60 4.63 0.00 4.74 5.99 5.78 5.94 6 2.49 6.33 1.70 4.17 5.68 4.93 4.92 4.76 5.87 5.87 6.33 4.63 7 2.35 6.43 4.76 3.78 5.87 4.37 4.22 4.67 4.17 5.24 6.47 3.41 8 4.08 4.61 5.68 1.12 6.08 3.83 5.60 8.18 2.46 6.70 5.85 0.00 9 5.12 6.44 3.32 4.07 4.56 4.74 4.71 4.77 5.34 5.78 6.35 4.56
16
La mp iran 3 Hasil akurasi keseluruhan untuk data hasil ekstraksi ciri gabungan ICZ dan ZCZ dengan ju mlah zona 12 berdasarkan jenis k ernel yang digunakan
Kernel Linear Percobaan ke- 1 2 3 4 5 6 7 8 99.25% 99.25% 99.75% 99.75% 99.75% 99.75% 99.75% 99.75% Kernel Quadratic Percobaan ke- 1 2 3 4 5 6 7 8 99.75% 99.75% 99.75% 99.75% 99.75% 99.75% 99.75% 99.75%
Kernel Polino mial
Dera jat Percobaan ke-
1 2 3 4 5 6 7 8 3 99.75% 99.75% 99.75% 99.75% 99.75% 99.75% 99.75% 99.75% 4 99.25% 99.25% 99.25% 99.25% 99.25% 99.25% 99.25% 99.25% 5 94.50% 94.50% 94.50% 94.50% 94.50% 94.50% 94.50% 94.50% 6 64.00% 64.00% 64.00% 64.00% 64.00% 64.00% 64.00% 64.00% Kernel RBF
Sig ma Percobaan ke-
1 2 3 4 5 6 7 8 0.5 99.00% 99.00% 99.00% 99.00% 99.00% 99.00% 99.00% 99.00% 1 99.25% 99.25% 99.25% 99.25% 99.25% 99.25% 99.25% 99.25% 2 99.50% 99.50% 99.75% 99.75% 99.75% 99.75% 99.75% 99.75% 4 99.75% 99.50% 99.25% 99.25% 99.25% 99.75% 99.75% 99.75% 8 95.50% 96.50% 97.25% 99.25% 99.25% 99.25% 99.25% 99.25% 16 90.50% 86.75% 87.75% 92.75% 95.25% 95.75% 97.75% 99.25% 32 92.25% 90.75% 86.00% 83.75% 85.75% 89.00% 90.00% 94.75% 64 91.75% 91.75% 91.25% 90.75% 82.75% 83.75% 84.50% 88.50% 128 91.75% 91.75% 91.75% 91.75% 91.25% 90.75% 82.00% 83.75% 256 91.75% 91.75% 91.75% 91.75% 91.75% 91.75% 91.25% 90.75%
17
La mp iran 4 Tabel a kurasi untuk hasil klasifikasi terbaik dari setiap fungsi k ernel yang digunakan
Kernel Linear
No Kelas Asli Fold 1 Fold 2 Fold 3 Fold 4 Fold 5 Hasil Sama? Hasil Sama? Hasil Sama? Hasil Sama? Hasil Sama?
1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 3 2 2 1 2 1 2 1 2 1 2 1 4 2 2 1 2 1 2 1 2 1 2 1 5 3 3 1 3 1 3 1 3 1 3 1 6 3 3 1 3 1 3 1 3 1 3 1 7 4 4 1 4 1 4 1 4 1 4 1 8 4 4 1 4 1 4 1 4 1 4 1 9 5 5 1 5 1 5 1 5 1 5 1 10 5 5 1 5 1 5 1 5 1 5 1 11 6 6 1 6 1 6 1 6 1 6 1 12 6 6 1 6 1 6 1 6 1 6 1 13 7 7 1 7 1 7 1 7 1 7 1 14 7 7 1 7 1 7 1 7 1 7 1 15 8 8 1 8 1 8 1 8 1 8 1 16 8 8 1 8 1 8 1 8 1 8 1 17 9 9 1 9 1 9 1 9 1 9 1 18 9 9 1 19 0 9 1 9 1 9 1 19 10 10 1 10 1 10 1 10 1 10 1 20 10 10 1 10 1 10 1 10 1 10 1 21 11 11 1 11 1 11 1 11 1 11 1 22 11 11 1 11 1 11 1 11 1 11 1 23 12 12 1 12 1 12 1 12 1 12 1 24 12 12 1 12 1 12 1 12 1 12 1 25 13 13 1 13 1 13 1 13 1 13 1 26 13 13 1 13 1 13 1 13 1 13 1 27 14 14 1 14 1 14 1 14 1 14 1 28 14 14 1 14 1 14 1 14 1 14 1 29 15 15 1 15 1 15 1 15 1 15 1 30 15 15 1 15 1 15 1 15 1 15 1 31 16 16 1 16 1 16 1 16 1 16 1 32 16 16 1 16 1 16 1 16 1 16 1 33 17 17 1 17 1 17 1 17 1 17 1 34 17 17 1 17 1 17 1 17 1 17 1 35 18 18 1 18 1 18 1 18 1 18 1 36 18 18 1 18 1 18 1 18 1 18 1 37 19 19 1 19 1 19 1 19 1 19 1 38 19 19 1 19 1 19 1 19 1 19 1 39 20 20 1 20 1 20 1 20 1 20 1 40 20 20 1 20 1 20 1 20 1 20 1 41 21 21 1 21 1 21 1 21 1 21 1 42 21 21 1 21 1 21 1 21 1 21 1 43 22 22 1 22 1 22 1 22 1 22 1 44 22 22 1 22 1 22 1 22 1 22 1 45 23 23 1 23 1 23 1 23 1 23 1 46 23 23 1 23 1 23 1 23 1 23 1 47 24 24 1 24 1 24 1 24 1 24 1 48 24 24 1 24 1 24 1 24 1 24 1 49 25 25 1 25 1 25 1 25 1 25 1 50 25 25 1 25 1 25 1 25 1 25 1 51 26 26 1 26 1 26 1 26 1 26 1 52 26 26 1 26 1 26 1 26 1 26 1 53 27 27 1 27 1 27 1 27 1 27 1 54 27 27 1 27 1 27 1 27 1 27 1
18 Lanjutan 55 28 28 1 28 1 28 1 28 1 28 1 56 28 28 1 28 1 28 1 28 1 28 1 57 29 29 1 29 1 29 1 29 1 29 1 58 29 29 1 29 1 29 1 29 1 29 1 59 30 30 1 30 1 30 1 30 1 30 1 60 30 30 1 30 1 30 1 30 1 30 1 61 31 31 1 31 1 31 1 31 1 31 1 62 31 31 1 31 1 31 1 31 1 31 1 63 32 32 1 32 1 32 1 32 1 32 1 64 32 32 1 32 1 32 1 32 1 32 1 65 33 33 1 33 1 33 1 33 1 33 1 66 33 33 1 33 1 33 1 33 1 33 1 67 34 34 1 34 1 34 1 34 1 34 1 68 34 34 1 34 1 34 1 34 1 34 1 69 35 35 1 35 1 35 1 35 1 35 1 70 35 35 1 35 1 35 1 35 1 35 1 71 36 36 1 36 1 36 1 36 1 36 1 72 36 36 1 36 1 36 1 36 1 36 1 73 37 37 1 37 1 37 1 37 1 37 1 74 37 37 1 37 1 37 1 37 1 37 1 75 38 38 1 38 1 38 1 38 1 38 1 76 38 38 1 38 1 38 1 38 1 38 1 77 39 39 1 39 1 39 1 39 1 39 1 78 39 39 1 39 1 39 1 39 1 39 1 79 40 40 1 40 1 40 1 40 1 40 1 80 40 40 1 40 1 40 1 40 1 40 1 Jumlah benar 80 79 80 80 80 Akurasi 100.00% 98.75% 100.00% 100.00% 100.00% Akurasi rata2 99.75% Kernel Quadratic
No Kelas Asli Fold 1 Fold 2 Fold 3 Fold 4 Fold 5 Hasil Sama? Hasil Sama? Hasil Sama? Hasil Sama? Hasil Sama?
1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 3 2 2 1 2 1 2 1 2 1 2 1 4 2 2 1 2 1 2 1 2 1 2 1 5 3 3 1 3 1 3 1 3 1 3 1 6 3 3 1 3 1 3 1 3 1 3 1 7 4 4 1 4 1 4 1 4 1 4 1 8 4 4 1 4 1 4 1 4 1 4 1 9 5 5 1 5 1 5 1 5 1 5 1 10 5 5 1 5 1 5 1 5 1 5 1 11 6 6 1 6 1 6 1 6 1 6 1 12 6 6 1 6 1 6 1 6 1 6 1 13 7 7 1 7 1 7 1 7 1 7 1 14 7 7 1 7 1 7 1 7 1 7 1 15 8 8 1 8 1 8 1 8 1 8 1 16 8 8 1 8 1 8 1 8 1 8 1 17 9 9 1 9 1 9 1 9 1 9 1 18 9 9 1 19 0 9 1 9 1 9 1 19 10 10 1 10 1 10 1 10 1 10 1 20 10 10 1 10 1 10 1 10 1 10 1 21 11 11 1 11 1 11 1 11 1 11 1 22 11 11 1 11 1 11 1 11 1 11 1 23 12 12 1 12 1 12 1 12 1 12 1
19 Lanjutan 24 12 12 1 12 1 12 1 12 1 12 1 25 13 13 1 13 1 13 1 13 1 13 1 26 13 13 1 13 1 13 1 13 1 13 1 27 14 14 1 14 1 14 1 14 1 14 1 28 14 14 1 14 1 14 1 14 1 14 1 29 15 15 1 15 1 15 1 15 1 15 1 30 15 15 1 15 1 15 1 15 1 15 1 31 16 16 1 16 1 16 1 16 1 16 1 32 16 16 1 16 1 16 1 16 1 16 1 33 17 17 1 17 1 17 1 17 1 17 1 34 17 17 1 17 1 17 1 17 1 17 1 35 18 18 1 18 1 18 1 18 1 18 1 36 18 18 1 18 1 18 1 18 1 18 1 37 19 19 1 19 1 19 1 19 1 19 1 38 19 19 1 19 1 19 1 19 1 19 1 39 20 20 1 20 1 20 1 20 1 20 1 40 20 20 1 20 1 20 1 20 1 20 1 41 21 21 1 21 1 21 1 21 1 21 1 42 21 21 1 21 1 21 1 21 1 21 1 43 22 22 1 22 1 22 1 22 1 22 1 44 22 22 1 22 1 22 1 22 1 22 1 45 23 23 1 23 1 23 1 23 1 23 1 46 23 23 1 23 1 23 1 23 1 23 1 47 24 24 1 24 1 24 1 24 1 24 1 48 24 24 1 24 1 24 1 24 1 24 1 49 25 25 1 25 1 25 1 25 1 25 1 50 25 25 1 25 1 25 1 25 1 25 1 51 26 26 1 26 1 26 1 26 1 26 1 52 26 26 1 26 1 26 1 26 1 26 1 53 27 27 1 27 1 27 1 27 1 27 1 54 27 27 1 27 1 27 1 27 1 27 1 55 28 28 1 28 1 28 1 28 1 28 1 56 28 28 1 28 1 28 1 28 1 28 1 57 29 29 1 29 1 29 1 29 1 29 1 58 29 29 1 29 1 29 1 29 1 29 1 59 30 30 1 30 1 30 1 30 1 30 1 60 30 30 1 30 1 30 1 30 1 30 1 61 31 31 1 31 1 31 1 31 1 31 1 62 31 31 1 31 1 31 1 31 1 31 1 63 32 32 1 32 1 32 1 32 1 32 1 64 32 32 1 32 1 32 1 32 1 32 1 65 33 33 1 33 1 33 1 33 1 33 1 66 33 33 1 33 1 33 1 33 1 33 1 67 34 34 1 34 1 34 1 34 1 34 1 68 34 34 1 34 1 34 1 34 1 34 1 69 35 35 1 35 1 35 1 35 1 35 1 70 35 35 1 35 1 35 1 35 1 35 1 71 36 36 1 36 1 36 1 36 1 36 1 72 36 36 1 36 1 36 1 36 1 36 1 73 37 37 1 37 1 37 1 37 1 37 1 74 37 37 1 37 1 37 1 37 1 37 1 75 38 38 1 38 1 38 1 38 1 38 1 76 38 38 1 38 1 38 1 38 1 38 1 77 39 39 1 39 1 39 1 39 1 39 1 78 39 39 1 39 1 39 1 39 1 39 1 79 40 40 1 40 1 40 1 40 1 40 1 80 40 40 1 40 1 40 1 40 1 40 1 Jumlah benar 80 79 80 80 80
20
Lanjutan
Akurasi 100.00% 98.75% 100.00% 100.00% 100.00%
Akurasi rata2 99.75%
Kernel Polino mial
No Kelas Asli Fold 1 Fold 2 Fold 3 Fold 4 Fold 5
Hasil Sama? Hasil Sama? Hasil Sama? Hasil Sama? Hasil Sama?
1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 3 2 2 1 2 1 2 1 2 1 2 1 4 2 2 1 2 1 2 1 2 1 2 1 5 3 3 1 3 1 3 1 3 1 3 1 6 3 3 1 3 1 3 1 3 1 3 1 7 4 4 1 4 1 4 1 4 1 4 1 8 4 4 1 4 1 4 1 4 1 4 1 9 5 5 1 5 1 5 1 5 1 5 1 10 5 5 1 5 1 5 1 5 1 5 1 11 6 6 1 6 1 6 1 6 1 6 1 12 6 6 1 6 1 6 1 6 1 6 1 13 7 7 1 7 1 7 1 7 1 7 1 14 7 7 1 7 1 7 1 7 1 7 1 15 8 8 1 8 1 8 1 8 1 8 1 16 8 8 1 8 1 8 1 8 1 8 1 17 9 9 1 9 1 9 1 9 1 9 1 18 9 9 1 19 0 9 1 9 1 9 1 19 10 10 1 10 1 10 1 10 1 10 1 20 10 10 1 10 1 10 1 10 1 10 1 21 11 11 1 11 1 11 1 11 1 11 1 22 11 11 1 11 1 11 1 11 1 11 1 23 12 12 1 12 1 12 1 12 1 12 1 24 12 12 1 12 1 12 1 12 1 12 1 25 13 13 1 13 1 13 1 13 1 13 1 26 13 13 1 13 1 13 1 13 1 13 1 27 14 14 1 14 1 14 1 14 1 14 1 28 14 14 1 14 1 14 1 14 1 14 1 29 15 15 1 15 1 15 1 15 1 15 1 30 15 15 1 15 1 15 1 15 1 15 1 31 16 16 1 16 1 16 1 16 1 16 1 32 16 16 1 16 1 16 1 16 1 16 1 33 17 17 1 17 1 17 1 17 1 17 1 34 17 17 1 17 1 17 1 17 1 17 1 35 18 18 1 18 1 18 1 18 1 18 1 36 18 18 1 18 1 18 1 18 1 18 1 37 19 19 1 19 1 19 1 19 1 19 1 38 19 19 1 19 1 19 1 19 1 19 1 39 20 20 1 20 1 20 1 20 1 20 1 40 20 20 1 20 1 20 1 20 1 20 1 41 21 21 1 21 1 21 1 21 1 21 1 42 21 21 1 21 1 21 1 21 1 21 1 43 22 22 1 22 1 22 1 22 1 22 1 44 22 22 1 22 1 22 1 22 1 22 1 45 23 23 1 23 1 23 1 23 1 23 1 46 23 23 1 23 1 23 1 23 1 23 1 47 24 24 1 24 1 24 1 24 1 24 1 48 24 24 1 24 1 24 1 24 1 24 1 49 25 25 1 25 1 25 1 25 1 25 1 50 25 25 1 25 1 25 1 25 1 25 1
21 Lanjutan 51 26 26 1 26 1 26 1 26 1 26 1 52 26 26 1 26 1 26 1 26 1 26 1 53 27 27 1 27 1 27 1 27 1 27 1 54 27 27 1 27 1 27 1 27 1 27 1 55 28 28 1 28 1 28 1 28 1 28 1 56 28 28 1 28 1 28 1 28 1 28 1 57 29 29 1 29 1 29 1 29 1 29 1 58 29 29 1 29 1 29 1 29 1 29 1 59 30 30 1 30 1 30 1 30 1 30 1 60 30 30 1 30 1 30 1 30 1 30 1 61 31 31 1 31 1 31 1 31 1 31 1 62 31 31 1 31 1 31 1 31 1 31 1 63 32 32 1 32 1 32 1 32 1 32 1 64 32 32 1 32 1 32 1 32 1 32 1 65 33 33 1 33 1 33 1 33 1 33 1 66 33 33 1 33 1 33 1 33 1 33 1 67 34 34 1 34 1 34 1 34 1 34 1 68 34 34 1 34 1 34 1 34 1 34 1 69 35 35 1 35 1 35 1 35 1 35 1 70 35 35 1 35 1 35 1 35 1 35 1 71 36 36 1 36 1 36 1 36 1 36 1 72 36 36 1 36 1 36 1 36 1 36 1 73 37 37 1 37 1 37 1 37 1 37 1 74 37 37 1 37 1 37 1 37 1 37 1 75 38 38 1 38 1 38 1 38 1 38 1 76 38 38 1 38 1 38 1 38 1 38 1 77 39 39 1 39 1 39 1 39 1 39 1 78 39 39 1 39 1 39 1 39 1 39 1 79 40 40 1 40 1 40 1 40 1 40 1 80 40 40 1 40 1 40 1 40 1 40 1 Jumlah benar 80 79 80 80 80 Akurasi 100.00% 98.75% 100.00% 100.00% 100.00% Akurasi rata2 99.75% Kernel RBF
No Kelas Asli Fold 1 Fold 2 Fold 3 Fold 4 Fold 5
Hasil Sama? Hasil Sama? Hasil Sama? Hasil Sama? Hasil Sama?
1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 3 2 2 1 2 1 2 1 2 1 2 1 4 2 2 1 2 1 2 1 2 1 2 1 5 3 3 1 3 1 3 1 3 1 3 1 6 3 3 1 3 1 3 1 3 1 3 1 7 4 4 1 4 1 4 1 4 1 4 1 8 4 4 1 4 1 4 1 4 1 4 1 9 5 5 1 5 1 5 1 5 1 5 1 10 5 5 1 5 1 5 1 5 1 5 1 11 6 6 1 6 1 6 1 6 1 6 1 12 6 6 1 6 1 6 1 6 1 6 1 13 7 7 1 7 1 7 1 7 1 7 1 14 7 7 1 7 1 7 1 7 1 7 1 15 8 8 1 8 1 8 1 8 1 8 1 16 8 8 1 8 1 8 1 8 1 8 1 17 9 9 1 9 1 9 1 9 1 9 1 18 9 9 1 19 0 9 1 9 1 9 1 19 10 10 1 10 1 10 1 10 1 10 1
22 Lanjutan 20 10 10 1 10 1 10 1 10 1 10 1 21 11 11 1 11 1 11 1 11 1 11 1 22 11 11 1 11 1 11 1 11 1 11 1 23 12 12 1 12 1 12 1 12 1 12 1 24 12 12 1 12 1 12 1 12 1 12 1 25 13 13 1 13 1 13 1 13 1 13 1 26 13 13 1 13 1 13 1 13 1 13 1 27 14 14 1 14 1 14 1 14 1 14 1 28 14 14 1 14 1 14 1 14 1 14 1 29 15 15 1 15 1 15 1 15 1 15 1 30 15 15 1 15 1 15 1 15 1 15 1 31 16 16 1 16 1 16 1 16 1 16 1 32 16 16 1 16 1 16 1 16 1 16 1 33 17 17 1 17 1 17 1 17 1 17 1 34 17 17 1 17 1 17 1 17 1 17 1 35 18 18 1 18 1 18 1 18 1 18 1 36 18 18 1 18 1 18 1 18 1 18 1 37 19 19 1 19 1 19 1 19 1 19 1 38 19 19 1 19 1 19 1 19 1 19 1 39 20 20 1 20 1 20 1 20 1 20 1 40 20 20 1 20 1 20 1 20 1 20 1 41 21 21 1 21 1 21 1 21 1 21 1 42 21 21 1 21 1 21 1 21 1 21 1 43 22 22 1 22 1 22 1 22 1 22 1 44 22 22 1 22 1 22 1 22 1 22 1 45 23 23 1 23 1 23 1 23 1 23 1 46 23 23 1 23 1 23 1 23 1 23 1 47 24 24 1 24 1 24 1 24 1 24 1 48 24 24 1 24 1 24 1 24 1 24 1 49 25 25 1 25 1 25 1 25 1 25 1 50 25 25 1 25 1 25 1 25 1 25 1 51 26 26 1 26 1 26 1 26 1 26 1 52 26 26 1 26 1 26 1 26 1 26 1 53 27 27 1 27 1 27 1 27 1 27 1 54 27 27 1 27 1 27 1 27 1 27 1 55 28 28 1 28 1 28 1 28 1 28 1 56 28 28 1 28 1 28 1 28 1 28 1 57 29 29 1 29 1 29 1 29 1 29 1 58 29 29 1 29 1 29 1 29 1 29 1 59 30 30 1 30 1 30 1 30 1 30 1 60 30 30 1 30 1 30 1 30 1 30 1 61 31 31 1 31 1 31 1 31 1 31 1 62 31 31 1 31 1 31 1 31 1 31 1 63 32 32 1 32 1 32 1 32 1 32 1 64 32 32 1 32 1 32 1 32 1 32 1 65 33 33 1 33 1 33 1 33 1 33 1 66 33 33 1 33 1 33 1 33 1 33 1 67 34 34 1 34 1 34 1 34 1 34 1 68 34 34 1 34 1 34 1 34 1 34 1 69 35 35 1 35 1 35 1 35 1 35 1 70 35 35 1 35 1 35 1 35 1 35 1 71 36 36 1 36 1 36 1 36 1 36 1 72 36 36 1 36 1 36 1 36 1 36 1 73 37 37 1 37 1 37 1 37 1 37 1 74 37 37 1 37 1 37 1 37 1 37 1 75 38 38 1 38 1 38 1 38 1 38 1 76 38 38 1 38 1 38 1 38 1 38 1 77 39 39 1 39 1 39 1 39 1 39 1
23 Lanjutan 78 39 39 1 39 1 39 1 39 1 39 1 79 40 40 1 40 1 40 1 40 1 40 1 80 40 40 1 40 1 40 1 40 1 40 1 Jumlah benar 80 79 80 80 80 Akurasi 100.00% 98.75% 100.00% 100.00% 100.00% Akurasi rata2 99.75% Keterangan:
Dari kee mpat tabel akurasi tersebut, kesalahan klasifikasi terjadi pada data yang sama, yaitu pada data uji ke 18 pada fold kedua. Seharusnya data tersebut masuk ke dala m kelas 9 , a kan tetapi hasil klasifikasi me mbuat data tersebut masuk ke da la m ke las 19.
