PENGENALAN AKSARA SUNDA MENGGUNAKAN EKSTRAKSI CIRI ZONING DAN KLASIFIKASI SUPPORT VECTOR MACHINE ISNAN MULIA

Transkripsi

1 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

2 PENGENALAN AKSARA SUNDA MENGGUNAKAN EKSTRAKSI CIRI ZONING DAN KLASIFIKASI SUPPORT VECTOR MACHINE ISNAN MULIA Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012

3 ABSTRACT ISNAN MULIA. Sundanese Script Recognition Using Zoning Feature Extraction and Support Vector Machine Classification. Supervised by MUSHTHOFA. This research aims to determine the most effective feature extraction 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 extraction 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 number of zones used are 4, 6, 8, and 12 zones. Support Vector Machine is used as classifier, with linear, quadratic, polynomial, and RBF kernel. Among the feature extraction methods used, the hybrid feature extraction method ICZ and ZCZ obtains maximum accuracy for all the number of zones used. On the other side, the feature extraction method using 12 zones obtains the maximum accuracy for all the feature extraction methods used. From this result, it can be concluded that the most effective feature extraction 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)

4 Penguji: 1. Aziz Kustiyo, S.Si, M.Kom 2. Dr. Yeni Herdiyeni, S.Si, M.Kom

5 Judul Skripsi : Pengenalan Aksara Sunda Menggunakan Ekstraksi Ciri Zoning dan Klasifikasi Support Vector Machine Nama : Isnan Mulia NRP : G Menyetujui, Pembimbing Mushthofa, S.Kom, M.Sc NIP Mengetahui, Ketua Departemen Ilmu Komputer Dr. Ir. Agus Buono, M.Si, M.Kom NIP Tanggal Lulus :

6 KATA PENGANTAR Puji dan syukur penulis panjatkan ke hadirat Allah subhanahu wata ala, yang telah memberikan nikmat yang begitu banyak, sehingga penulis dapat menyelesaikan penelitian dan tulisan ini. Shalawat dan salam penulis sampaikan kepada Nabi Muhammad shallallahu alaihi wasallam, keluarganya, sahabatnya, serta umatnya hingga akhir zaman. Tulisan ini merupakan hasil penelitian yang penulis lakukan sejak Desember 2011 hingga Mei Tulisan ini mengambil topik pengenalan pola, dan bertujuan membangun model pengenalan pola karakter aksara 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 penelitian ini. 2 Bapak Mushthofa, S.Kom, M.Sc, selaku dosen pembimbing, yang telah memberikan banyak ide, masukan, dan dukungan kepada penulis. 3 Bapak Aziz Kustiyo, S.Si, M.Kom dan Ibu Dr. Yeni Herdiyeni, S.Si, M.Kom, yang telah bersedia menjadi penguji. 4 Rekan-rekan seperjuangan Ilkomerz 45 atas segala dukungan, bantuan, dan kebersamaannya. Semoga kesuksesan senantiasa menyertai kita semua. 5 Muhammad Abrar Istiadi, Alif Kurniawan, Abdul Qifli Sangadji, Arief Hidayatulloh, Annisa Anastasia, Ariel Febrila Niswar, Sri Rahayu, dan sahabat lainnya. 6 Rekan satu bimbingan, Dony Satria, semoga diberikan kelancaran dalam penelitiannya. 7 Pihak-pihak lain yang tidak dapat penulis sebutkan satu persatu. Penulis berharap penelitian dan tulisan ini dapat memberikan manfaat untuk kemajuan masyarakat Indonesia pada umumnya dan masyarakat Sunda pada khususnya. Bogor, Agustus 2012 Isnan Mulia

7 RIWAYAT HIDUP Penulis dilahirkan di Bogor, Jawa Barat, pada tanggal 7 Januari Penulis merupakan anak pertama dari pasangan Muanas dan Tri Marlina. Penulis mengenyam pendidikan di SDN Sasana Wiyata I Kabupaten Bogor pada tahun , dilanjutkan dengan SMP Negeri 1 Kota Bogor pada tahun , dan SMA Negeri 1 Kota Bogor pada tahun Pada tahun 2008, penulis diterima di Departemen Ilmu Komputer Institut Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB. Selama aktif menjadi mahasiswa, penulis menjadi salah satu pengurus Himpunan Mahasiswa Ilmu Komputer (Himalkom) pada tahun 2010 sampai tahun Penulis juga menjadi asisten praktikum untuk beberapa mata kuliah, yaitu Algoritme dan Pemrograman (2010), Organisasi Komputer (2011 dan 2012), Struktur Data (2011 dan 2012), dan Metode Kuantitatif (2011). Selain itu, penulis melaksanakan Praktik Kerja Lapangan di Direktorat Jenderal Hortikultura Kementerian Pertanian pada tahun 2011.

8 DAFTAR ISI Halaman DAFTAR TABEL... vi DAFTAR GAMBAR... vi DAFTAR LAMPIRAN... vi PENDAHULUAN Latar Belakang... 1 Tujuan... 1 Ruang Lingkup... 1 TINJAUAN PUSTAKA Digital Image (Citra Digital)... 1 Ekstraksi Ciri... 2 Metode Ekstraksi Ciri Zoning... 2 K-fold Cross-validation... 3 Support Vector Machine... 3 METODE PENELITIAN 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 Penelitian... 6 HASIL DAN PEMBAHASAN Pengumpulan Data... 6 Praproses Data... 7 Ekstraksi Ciri... 7 Klasifikasi Support Vector Machine... 8 Analisis... 8 SIMPULAN DAN SARAN Simpulan... 9 Saran DAFTAR PUSTAKA LAMPIRAN v

9 DAFTAR TABEL Halaman 1 Pengelompokan beberapa variasi metode ekstraksi ciri zoning Daftar ukuran data hasil ekstraksi ciri Hasil akurasi rata-rata berdasarkan metode ekstraksi ciri dan jumlah zona yang digunakan... 8 DAFTAR GAMBAR Halaman 1 Keadaan linearly separable Tahapan penelitian Variasi untuk karakter "ka" Contoh citra untuk algoritme ICZ dan ZCZ Perhitungan jarak pixel non-background dengan image centroid untuk zona Perhitungan jarak pixel non-background dengan zone centroid untuk zona Contoh citra hasil pembangkitan data (a) Citra sebelum dilakukan praproses, (b) citra setelah dilakukan binerisasi dan pemotongan, serta (c) citra setelah dilakukan binerisasi, pemotongan, dan pengubahan ukuran Hasil akurasi rata-rata berdasarkan (a) metode ekstraksi ciri, dan (b) jumlah zona yang digunakan Hasil akurasi berdasarkan jenis kernel DAFTAR LAMPIRAN Halaman 1 Contoh karakter aksara Sunda yang digunakan Contoh citra asli, citra hasil praproses, dan data hasil ekstraksi ciri menggunakan algoritme ICZ dan ZCZ untuk citra angka Hasil akurasi keseluruhan untuk data hasil ekstraksi ciri gabungan ICZ dan ZCZ dengan jumlah zona 12 berdasarkan jenis kernel yang digunakan Tabel akurasi untuk hasil klasifikasi terbaik dari setiap fungsi kernel yang digunakan vi

10 1 Latar Belakang PENDAHULUAN Pengenalan pola (pattern recognition) merupakan salah satu perkembangan dari kecerdasan buatan (artificial intelligence). Dengan pengenalan pola, komputer dapat mengenali pola-pola karakter yang dikenali oleh manusia untuk kemudian diproses oleh komputer. Pengenalan pola dapat digunakan untuk mengenali tulisan tercetak maupun tulisan tangan, baik tulisan dengan aksara Latin maupun aksara non-latin, seperti yang dilakukan oleh Rajashekararadhya dan Ranjan (2008). Salah satu contoh tulisan dengan aksara non- Latin ialah tulisan menggunakan aksara Sunda. Aksara Sunda merupakan salah satu aksara daerah Indonesia. Aksara ini sudah digunakan oleh masyarakat Sunda sejak lima abad yang lalu. Sejak dikeluarkannya Surat Keterangan Gubernur Jawa Barat No mor 434/Sk.614- Dis.Pk/99 tentang pembakuan aksara Sunda, aksara Sunda seolah-olah dihidupkan kembali dalam kehidupan masyarakat Sunda di Jawa Barat (Baidillah et al. 2008). Bahkan, sejak April 2008, aksara Sunda sudah resmi masuk ke dalam Unicode, dan masuk ke dalam daftar karakter Unicode versi 5.1 (Unicode 2008). Salah satu cara untuk memasyarakatkan aksara Sunda ialah dengan mengajarkannya kepada siswa melalui buku pelajaran bahasa Sunda. Selain itu, aksara Sunda dapat juga digunakan dalam penulisan papan nama jalan, seperti yang terdapat pada papan nama jalan di beberapa kota di Jawa Barat. Tulisan dengan aksara Sunda, baik yang terdapat pada papan nama jalan maupun buku bacaan, menimbulkan masalah tersendiri bagi beberapa orang dalam memahaminya, terlebih bagi orang yang sama sekali belum pernah mengenal aksara Sunda. Hal ini disebabkan oleh bentuk karakter pada aksara Sunda yang sangat berbeda dengan karakter pada aksara Latin. Selain itu, terdapat karakter tambahan untuk menyatakan suku kata tertentu. Karenanya, untuk mempermudah pengenalan aksara Sunda, diperlukan sebuah sistem komputer yang dapat membaca dan mengenali tulisan dengan aksara Sunda. Penelitian mengenai pengenalan aksara Sunda belum banyak dilakukan. Salah satu penelitian mengenai hal ini yaitu penelitian yang dilakukan oleh Mubarok (2010). Dalam penelitian tersebut, dilakukan pengenalan guratan tulisan tangan aksara Sunda secara online (karakter masukan diproses secara langsung) menggunakan sebuah aplikasi desktop dengan mouse sebagai media pemasukan data. Kemudian data masukan diolah dan dikenali menggunakan Kohonen Neural Network. Penelitian tersebut mendapatkan akurasi rata-rata untuk guratan normal sebesar 75.36%, sedangkan guratan ber-noise menghasilkan akurasi rata-rata sebesar 75.36%. Penelit ian ini akan membuat model pengenalan aksara Sunda menggunakan ekstraksi ciri Zoning dan klasifikasi Support Vector Machine. Data yang digunakan adalah citra aksara Sunda tercetak. Variasi metode ekstraksi ciri yang digunakan adalah metode yang diajukan oleh Rajashekararadhya dan Ranjan (2008), yaitu Image Centroid and Zone (ICZ), Zone Centroid and Zone (ZCZ), dan gabungan ICZ dan ZCZ. Dalam penelitiannya, Rajashekararadhya dan Ranjan memperoleh ting kat pengenalan ratarata karakter angka Kannada, Telugu, Tamil, dan Malayalam yang ditulis tangan di atas 90% dengan metode ekstraksi ciri gabungan ICZ dan ZCZ untuk hasil klasifikasi menggunakan Jaringan Saraf Tiruan dan KNN. Tujuan Tujuan dari penelitian ini ialah menentukan metode ekstraksi ciri yang paling efektif di antara metode ekstraksi ciri yang digunakan untuk pengenalan aksara Sunda. Ruang Lingkup Ruang lingkup dari penelitian ini yaitu: 1 Karakter aksara Sunda yang digunakan adalah karakter swara (vokal), ngalagena (konsonan), dan angka (0 9), tanpa karakter imbuhan (penambah dan pengubah suara), berdasarkan naskah yang terdapat pada Unicode. 2 Model yang akan dikembangkan mengenali pola aksara hasil cetakan (OCR), bukan tulisan tangan. 3 Metode yang digunakan untuk menerapkan multi-class SVM ialah metode one-versusall. TINJAUAN PUSTAKA Digital Image (Citra Digital) Menurut Gonzales dan Woods (2002), sebuah citra dapat didefinisikan sebagai fungsi dua dimensi f(x, y), dengan x dan y adalah koordinat spasial atau bidang, dan nilai amplitudo f untuk masing-masing pasangan x dan y disebut intensitas atau derajat keabuan dari citra pada titik tersebut. Jika nilai x, y, serta

11 2 nilai amplitudo f berupa nilai diskret, citra disebut citra digital. Citra digital tersusun atas sejumlah elemen yang masing-masing memiliki nilai dan lokasi tertentu yang disebut dengan picture elements (pixels). Ekstraksi Ciri Devijver dan Kittler (1982, diacu dalam Trier et al. 1995) mendefinisikan ekstraksi ciri sebagai masalah mengekstraksi informasi yang sangat relevan dari data mentah untuk proses klasifikasi, dalam art i meminimalkan variabilitas pola dalam kelas sambil memperbesar variabilitas pola antarkelas. Metode Ekstraksi Ciri Zoning Zoning merupakan salah satu metode ekstraksi ciri pada citra karakter. Secara umum, dengan metode ekstraksi ciri zoning, citra akan dibagi menjadi beberapa zona yang berukuran sama. Setiap zona kemudian diambil cirinya. Ada beberapa variasi algoritme untuk metode ekstraksi ciri zoning, yang dapat dikelompokkan berdasarkan ciri yang diambil, titik acuan yang digunakan, dan posisi zona. Beberapa Tabel 1 Pengelompokan beberapa variasi metode ekstraksi ciri zoning Kelompok Referensi Ciri yang diambil Rata-rata jarak Rajashekararadhya dan antara pixel dan titik acuan Ranjan (2008), Gatos et al. (2011) Rata-rata sudut antara pixel dan titik acuan Rajashekararadhya dan Ranjan (2009a), Rajashekararadhya dan Ranjan (2009b) Titik acuan Image centroid Rajashekararadhya dan Ranjan (2008), Rajashekararadhya dan Ranjan (2009a), Rajashekararadhya dan Ranjan (2009b) Zone centroid Rajashekararadhya dan Ranjan (2008), Rajashekararadhya dan Ranjan (2009b) Titik lain Gatos et al. (2011) Posisi zona Tetap Rajashekararadhya dan Ranjan (2008), Rajashekararadhya dan Ranjan Berubah-ubah (adaptif) (2009a), Rajashekararadhya dan Ranjan (2009b) Gatos et al. (2011) Beberapa di antaranya tercantum dalam Tabel 1. Dalam penelitian ini, variasi metode ekstraksi ciri zoning yang digunakan adalah variasi yang disebutkan oleh Rajashekararadhya dan Ranjan (2008), yaitu metode ekstraksi ciri jarak metrik ICZ (image centroid and zone), metode ekstraksi ciri jarak metrik ZCZ (zone centroid and zone), dan metode ekstraksi ciri gabungan (ICZ dan ZCZ). Tahapan pengerjaan dari masing-masing algoritme akan dijelaskan sebagai berikut. Metode ekstraksi ciri jarak metrik Image Centroid and Zone 1 Hitung centroid (pusat) dari citra masukan. 2 Bagi citra masukan menjadi n zona yang sama. 3 Hitung jarak antara centroid citra dan setiap pixel yang ada dalam zona. 4 Ulangi langkah 3 untuk semua pixel yang ada dalam zona. 5 Hitung jarak rata-rata antara titik-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 metrik Zone Centroid and Zone 1 Bagi citra masukan menjadi n zona yang sama. 2 Hitung centroid tiap zona. 3 Hitung jarak antara centroid zona dan setiap pixel yang ada dalam zona. 4 Ulangi langkah 3 untuk semua pixel yang ada dalam zona. 5 Hitung jarak rata-rata antara titik-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 citra masukan menjadi n zona yang sama. 3 Hitung jarak antara centroid citra dan setiap pixel yang ada dalam zona. 4 Ulangi langkah 3 untuk semua pixel yang ada dalam zona. 5 Hitung jarak rata-rata antara titik-titik tersebut. 6 Hitung centroid tiap zona. 7 Hitung jarak antara centroid zona dan setiap pixel yang ada dalam zona.

12 3 8 Ulangi langkah 7 untuk semua pixel yang ada dalam zona. 9 Hitung jarak rata-rata antara titik-titik tersebut. 10 Ulangi langkah 3 9 untuk semua zona secara berurutan. 11 Akhirnya, akan didapatkan 2n ciri untuk klasifikasi dan pengenalan. Margin K-fold Cross-validation Cross-validation merupakan metode statistika untuk mengevaluasi dan membandingkan algoritme pembelajaran dengan membagi data menjadi dua bagian: satu bagian digunakan untuk mempelajari atau melatih model dan bagian lainnya digunakan untuk memvalidasi model tersebut. Salah satu bentuk crossvalidation ialah k-fold cross-validation. Pada k-fold cross-validation, awalnya data dibagi menjadi k bagian yang berukuran sama (atau hampir sama). Secara berurutan, pelatihan dan validasi dilakukan sebanyak k ulangan sehingga dalam setiap perulangan satu bagian data yang berbeda digunakan untuk validasi sementara k 1 bagian lainnya digunakan untuk pembelajaran atau pelatihan (Refaeilzadeh et al. 2009). Support Vector Machine Support Vector Machine (SVM) merupakan prosedur pembelajaran konstruktif yang universal yang berbasis teori pembelajaran statistik. Istilah universal berarti bahwa SVM dapat digunakan untuk mempelajari beragam representasi, seperti jaringan saraf (dengan fungsi aktivasi sigmoid biasa), radial basis function, dan spline. SVM mengombinasikan empat konsep berbeda, yaitu implementasi baru dari prinsip induktif Structural Risk Minimization (SRM), pemetaan data masukan ke ruang dimensi tinggi, fungsi linear dengan kendala pada kompleksitas, dan dualitas teori optimisasi (Cherkassky & Mulier 2007). SVM akan mencari hyperplane (bidang pemisah) terbaik yang memisahkan data dari suatu permasalahan. Menurut Osuna et al. (1997), suatu data dikatakan linearly separable (dapat dipisahkan secara linear) jika untuk permasalahan tersebut dapat dicari pasangan (w, b) sedemikian sehingga: i b i kelas (1) i b - i kelas (2) Kelas 1 Kelas +1 Gambar 1 Keadaan linearly separable. Karenanya, ruang hipotesis adalah set fungsi yang diberikan oleh b si n b Gambar 1 menunjukkan kondisi suatu data yang linearly separable. Pada gambar tersebut, terdapat sebuah hyperplane yang memisahkan data di kelas +1 (lingkaran) dengan data di kelas 1 (kotak). Terdapat pula margin, yaitu jarak antara hyperplane dengan elemen terluar dari kedua kelas. Bidang pemisah terbaik adalah bidang pemisah yang menghasilkan nilai margin terbesar. SVM dirancang tidak hanya untuk dapat menyelesaikan permasalahan linear, tetapi juga permasalahan non-linear. Agar permasalahan non-linear dapat diselesaikan, permasalahan tersebut dapat dipetakan ke dalam ruang ciri berdimensi lebih tinggi, kemudian diterapkan klasifikasi linear dalam ruang tersebut. Tepatnya, variabel input x dipetakan ke dalam vektor variabel ciri ϕ(x) dengan fungsi transformasi x ϕ. Fungsi yang memetakan suatu permasalahan non-linear ke dalam ruang ciri yang lebih tinggi disebut dengan fungsi kernel, K(x, y). Terdapat tiga kernel yang biasa digunakan dalam SVM, yaitu 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 Multi-class SVM One-versus-all Pada awalnya, SVM didesain untuk melakukan klasifikasi biner, dengan kata lain hanya dapat menangani data yang memiliki dua kelas. Cara untuk mengembangkan SVM agar

13 4 dapat digunakan untuk klasifikasi banyak kelas merupakan 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 oneversus-all kemungkinan merupakan metode implementasi untuk klasifikasi multi-class SVM paling awal. Metode ini membangun k model SVM, dengan k adalah jumlah kelas yang ada. Model SVM ke-i dilatih menggunakan semua contoh di kelas ke-i dengan label positif (kelas 1), dan semua contoh di kelas lain dengan label negatif (kelas 1). Setelah dilakukan pelatihan SVM, didapatkan 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 dalam kelas tertentu yang memiliki nilai fungsi keputusan terbesar. METODE PENELITIAN Secara garis besar, tahapan dalam penelitian ini digambarkan pada Gambar 2. Gambar 2 Tahapan penelitian. Pengumpulan Data Data yang akan digunakan dalam pelatihan dan pengujian SVM dikumpulkan pada tahapan ini. Data didapatkan dari hasil pembangkitan yang dilakukan oleh penulis dengan menulis aksara Sunda pada program pengolah vektor grafis. Setelah sedikit diolah (diatur posisinya, warna background, dan lain-lain), karakter aksara Sunda kemudian di-export menjadi file citra PNG. File citra PNG ini akan digunakan sebagai data pelatihan dan pengujian. Karakter aksara 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 Gambar 3. Pemberian variasi untuk setiap data bertujuan untuk membuat data yang digunakan menjadi lebih beragam. Contoh citra karakter aksara Sunda yang digunakan ditunjukkan pada Lampiran 1. Gambar 3 Variasi untuk karakter "ka". Praproses 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 menjadi citra biner) dan pemotongan (cropping) bagian karakter dari citra. Ekstraksi Ciri Metode ekstraksi ciri yang digunakan ialah metode zoning. Metode ini memiliki beberapa variasi algoritme, tiga di antaranya seperti yang dijelaskan oleh Rajashekararadhya dan Ranjan (2008). Penelitian ini menggunakan ketiga variasi algoritme metode zoning, yaitu Image Centroid and Zone (ICZ), Zone Centroid and Zone (ZCZ), dan gabungan dari ICZ dan ZCZ. Sebagai ilustrasi, berikut ini akan diberikan contoh ekstraksi ciri menggunakan algoritme Image Centroid and Zone dan Zone Centroid and Zone. Sebagai citra ilustrasi digunakan sebuah citra berukuran 5x9 pixel, seperti pada Gambar 4. Dengan menggunakan algorit me Image Centroid and Zone, pertama dihitung centroid (pusat) dari citra. Centroid dari citra dinyatakan dengan nilai koordinat titik (x c, y c ). Cara menghitung centroid yaitu: i i an i i (4) dengan f(x, y) adalah nilai pixel dari citra pada posisi tertentu. Perhitungan menghasilkan nilai x c = 3 dan y c = 5 sehingga didapatkan nilai centroid citra yaitu (3, 5).

14 5 Setelah didapatkan jarak centroid-pixel untuk masing-masing pixel non-background pada zona 1, jarak rata-ratanya dihitung sebagai berikut. jarak jarak jarak Perhitungan menghasilkan jarak rata-rata centroid-pixel untuk zona 1 ialah Gambar 4 Contoh citra untuk algoritme ICZ dan ZCZ. Berikutnya, citra dibagi menjadi n zona yang sama, misalkan menjadi 3 zona, yaitu zona atas, zona tengah, dan zona bawah, dengan masingmasing zona berukuran 5x3 pixel. Kemudian, dihitung jarak antara centroid dan setiap pixel yang ada dalam zona, dalam hal ini pixel yang digunakan adalah pixel non-background. Jarak dihitung menggunakan rumus jarak Euclid, dengan rumus berikut: jarak Dengan cara yang sama, jarak centroid-pixel dihitung untuk setiap pixel pada zona 2 (tengah) dan 3 (bawah), kemudian dihitung rata-ratanya. Dari hasil perhitungan, didapatkan bahwa jarak rata-rata centroid-pixel untuk zona 2 dan 3 berturut-turut ialah 0.94 dan Sementara itu, jika menggunakan algoritme 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. Kemudian, zone centroid dari masing-masing zona dihitung menggunakan Persamaan 4. Dari hasil perhitungan, didapatkan hasil berikut: Zona 1 (atas): x c = 3, y c = 2.2 Zona 2 (tengah): x c = 3, y c = 5 Zona 3 (bawah): x c = 3, y c = 7.8 Gambar 5 Perhitungan jarak pixel nonbackground dengan image centroid untuk zona 1. Untuk zona 1 (zona atas), perhitungan jarak, yang divisualisasikan oleh Gambar 5, dilakukan dengan perhitungan berikut: jarak. jarak. jarak jarak. jarak. Gambar 6 Perhitungan jarak pixel nonbackground dengan zone centroid untuk zona 1. Kemudian, untuk masing-masing zona, jarak antara centroid masing-masing zona dan setiap pixel non-background yang ada di dalam zona dicari menggunakan rumus jarak Euclid (Persamaan 5). Untuk zona 1 (atas), perhitungan jarak, yang divisualisasikan oleh Gambar 6, dilakukan dengan perhitungan berikut: jarak.. jarak..

15 6 jarak.. jarak.. jarak.. Setelah didapatkan jarak centroid-pixel untuk masing-masing pixel non-background pada zona 1, jarak rata-ratanya dihitung, sebagai berikut. jarak jarak jarak Dari hasil perhitungan, didapatkan bahwa jarak rata-rata centroid zona dengan seluruh pixel untuk zona 1 ialah Dengan cara yang sama, jarak centroid-pixel dihitung untuk setiap pixel pada zona 2 (tengah) dan 3 (bawah), kemudian rata-ratanya dihitung. Dari hasil perhitungan, jarak rata-rata centroidpixel untuk zona 2 dan 3 berturut-turut ialah 0.94 dan Dengan demikian, tiga nilai didapatkan untuk masing-masing algoritme ekstraksi ciri, yang merupakan ciri dari citra yang didapatkan dari masing-masing zona. Untuk algoritme Image Centroid and Zone, hasilnya adalah 3.196, 0.94, dan Sementara itu, untuk algoritme Zone Centroid and Zone hasilnya adalah 1.508, 0.94, dan Ketiga nilai dari masing-masing algoritme ini kemudian akan digunakan dalam pelatihan dan/atau pengujian SVM. K-fold Cross-validation Data yang sudah dikenakan proses ekstraksi ciri kemudian dibagi menjadi data latih dan data uji dengan menggunakan k-fold cross-validation. K-fold cross-validation membagi seluruh data menjadi k subbagian data yang sama, kemudian secara berurutan menggunakan k subbagian data tersebut sebagai data uji, dan k 1 data yang lain digunakan sebagai data latih. Nilai k yang digunakan ialah 5. Pelatihan Support Vector Machine Pelatihan SVM dilakukan menggunakan data latih hasil ekstraksi ciri yang sebelumnya sudah dibagi menggunakan k-fold crossvalidation. Dalam pelatihan SVM ini, akan dicobakan pelatihan menggunakan empat fungsi kernel, yaitu kernel linear (polinomial berderajat 1), quadratic (polinomial berderajat 2), polinomial berderajat 3, dan Radial Basis Function (RBF). Pengujian Support Vector Machine Setelah didapatkan model dari pelatihan 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 kernel dan algoritme pelatihan yang berbeda, akan didapatkan hasil untuk kinerja algoritme SVM dalam klasifikasi citra karakter aksara Sunda. Setelah itu, dicari akurasi untuk masing-masing hasil klasifikasi. Rumus yang digunakan untuk menghitung akurasi hasil klasifikasi, yaitu: kurasi umlah umlah ata uji benar Sementara itu, hal-hal yang akan dianalisis meliputi metode ekstraksi ciri dan jumlah zona, serta jenis kernel SVM yang digunakan. Lingkungan Penelitian Lingkungan yang digunakan untuk penelitian ini memiliki spesifikasi sebagai berikut. Perangkat keras: Processor Intel Core i3-2310m, Memory 2 GB, dan Harddisk 500 GB. Perangkat lunak: Sistem Operasi Microsoft Windows 7 Professional Service Pack 1 32-bit, MATLAB R2008b, dan Inkscape HASIL DAN PEMBAHASAN Pengumpulan Data Data yang digunakan dalam penelitian ini didapat dari hasil pembangkitan yang dilakukan menggunakan program pengolah vektor grafis Inkscape dan font SundaneseLatin. Di dalam font SundaneseLatin, terdapat 40 karakter aksara Sunda, yang terdiri atas 7 karakter swara (vokal), 23 karakter ngalagena (konsonan), dan 10 karakter angka (0 9). Untuk 40 karakter tersebut, dibangkitkan 10 citra karakter berjenis PNG berukuran 90x86 pixel, masing-masing dengan variasi posisi karakter, warna karakter, dan warna latar yang berbeda-beda, seperti ditunjukkan pada Gambar 7. Setelah tahapan ini selesai, didapatkan 400 data citra.

16 7 Gambar 7 Contoh citra hasil pembangkitan data. Praproses Data Pada tahapan praproses data, data citra yang sudah dibangkitkan sebelumnya diubah menjadi citra biner (binerisasi), dipotong (crop), dan diubah ukurannya (resize). Data hasil pembangkitan berupa citra warna RGB. Karena citra yang akan diproses harus berupa citra biner dengan bagian karakter bernilai 1 dan bagian background bernilai 0, citra RGB harus diubah menjadi citra biner. Tahapan yang dilakukan ialah mengubah citra RGB men jadi citra grayscale, mengubah citra grayscale menjadi citra biner, serta menegasikan citra, jika diketahui bagian karakter bernilai 0. Pemotongan citra dilakukan karena hanya bagian karakter saja yang akan diproses, sementara bagian latar akan dibuang. Cara memotongnya sebagai berikut. Pertama, ditentukan batas kiri, kanan, atas dan bawah dari citra karakter yang akan diambil. Setelah itu, elemen citra yang berada di dalam batas diambil sebagai citra baru. Setelah dilakukan pemotongan, ternyata didapatkan citra hasil yang ukurannya tidak seragam. Agar ukurannya 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 dilakukan praproses data, setelah dilakukan binerisasi dan pemotongan, serta setelah dilakukan binerisasi, pemotongan, dan pengubahan ukuran ditunjukkan oleh Gambar 8. Ekstraksi Ciri Metode ekstraksi ciri yang digunakan adalah variasi dari metode ekstraksi ciri zoning, yaitu Image Centroid and Zone (ICZ), Zone Centroid and Zone (ZCZ), dan gabungan dari ICZ dan ZCZ. Jumlah zona yang digunakan yaitu 4, 6, 8, dan 12 zona. Data hasil ekstraksi ciri menggunakan algoritme ICZ dan ZCZ didapat dari hasil implementasi algoritme ICZ dan ZCZ yang disebutkan oleh Rajashekararadhya dan Ranjan (2008). Sementara itu, data hasil ekstraksi ciri gabungan ICZ dan ZCZ didapat dari penggabungan data hasil ekstraksi ciri ICZ dan ZCZ. Hal ini dilakukan karena sebenarnya algoritme gabungan ICZ dan ZCZ merupakan urutan pengerjaan ekstraksi ciri menggunakan algoritme ICZ yang dilanjutkan dengan ekstraksi ciri menggunakan algoritme ZCZ. Setelah dilakukan ekstraksi ciri menggunakan algoritme ICZ dan ZCZ serta empat macam 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 algoritme ICZ dan ZCZ untuk citra angka ditunjukkan pada Lampiran 2. memii Gambar 8 (a) Citra sebelum dilakukan praproses, (b) citra setelah dilakukan binerisasi dan pemotongan, serta (c) citra setelah dilakukan binerisasi, pemotongan, dan pengubahan ukuran. Tabel 2 Daftar ukuran data hasil ekstraksi ciri Metode Ekstraksi Ciri ICZ ZCZ ICZ + ZCZ Jumlah Zona x x x x x x x x x x x x 24

17 8 Klasifikasi Support Vector Machine Setelah didapatkan data hasil ekstraksi ciri, proses dilanjutkan dengan klasifikasi(support Vector Machine (SVM). Proses klasifikasi SVM diawali dengan memodifikasi fungsi SVM, agar dapat digunakan untuk menangani data yang memiliki banyak kelas. Teknik perluasan fungsionalitas yang digunakan ialah SVM oneversus-all. Dengan teknik ini, dapat dibangun SVM sebanyak jumlah kelas yang ada, yaitu 40 buah, dengan masing-masing SVM mewakili 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 kernel, yaitu kernel linear (polinomial berderajat 1), quadratic (polinomial berderajat 2), polinomial berderajat 3, dan RBF. Dengan menggunakan keempat fungsi kernel ini, dibentuklah unit percobaan sebanyak 1728 buah. Setelah dilakukan pelatihan dan pengujian hanya didapatkan 1667 hasil klasifikasi saja. Hal ini disebabkan oleh beberapa hal yang terjadi selama proses pelatihan dan pengujian unit percobaan. Setelah didapatkan hasil klasifikasi, dihitung akurasi dari hasil klasifikasi tersebut. Perhitungan akurasi dilakukan menggunakan Persamaan 6. Analisis Setelah hasil akurasi untuk semua kombinasi kernel dan parameternya didapatkan, akurasi ku mulatif dih itung berdasarkan metode ekstraksi ciri dan jumlah zona, serta jenis kernel. Metode ekstraksi ciri dan jumlah zona Untuk hasil akurasi berdasarkan metode ekstraksi ciri dan jumlah zona yang digunakan, nilai akurasi yang dianalisis merupakan rata-rata nilai akurasi dari hasil klasifikasi untuk masingmasing dataset. Hasil akurasi rata-rata berdasarkan metode ekstraksi ciri dan jumlah zona yang digunakan ditunjukkan pada Tabel 3, sementara itu Gambar 9 memvisualisasikan Tabel 3 dari sudut pandang (a) metode ekstraksi ciri, dan (b) jumlah zona yang digunakan. Jika ditinjau berdasarkan metode ekstraksi ciri yang digunakan (Gambar 9.a.), dapat dilihat Tabel 3 Hasil akurasi rata-rata berdasarkan metode ekstraksi ciri dan jumlah zona yang digunakan Jumlah zona Akurasi Akurasi Metode Ekstraksi Ciri ICZ ZCZ ICZ + ZCZ % 67.88% 89.74% % 84.99% 91.17% % 88.26% 91.51% % 90.79% 93.99% 100% 90% 80% 70% 60% 50% 100% 90% 80% 70% 60% 50% ICZ ZCZ ICZ + ZCZ Jumlah zona (a) ICZ ZCZ ICZ + ZCZ Metode ekstraksi ciri (b) Gambar 9 Hasil akurasi rata-rata berdasarkan (a) metode ekstraksi ciri, dan (b) jumlah zona yang digunakan. bahwa metode ekstraksi ciri ZCZ menghasilkan akurasi yang lebih baik daripada metode ekstraksi ciri ICZ untuk jumlah zona 6, 8, dan 12 buah. Sebaliknya, metode ekstraksi ciri ICZ menghasilkan akurasi yang lebih baik daripada metode ekstraksi ciri ZCZ untuk jumlah zona 4 buah. Hal ini dapat disebabkan oleh metode ICZ yang merupakan metode ekstraksi ciri global, yang mengambil ciri dari citra secara keseluruhan. Sementara itu, metode ZCZ merupakan metode ekstraksi ciri lokal, yang mengambil ciri

18 9 dari citra secara lokal berdasarkan informasi pola lokal sehingga ciri yang diambil lebih mendetail dan dapat meningkatkan akurasi hasil klasifikasi. Sementara itu, metode ekstraksi ciri gabungan ICZ dan ZCZ mendapatkan hasil akurasi terbaik untuk keempat zona. Bahkan untuk jumlah zona 6, 8, dan 12 buah, nilainya melebihi 90%. Hal ini wajar, karena data untuk metode ekstraksi ciri gabungan ICZ dan ZCZ merupakan gabungan antara data untuk metode ekstraksi ciri ICZ dan ZCZ, dan seharusnya data gabungan ini dapat menghasilkan nilai akurasi yang lebih tinggi daripada data hasil ekstraksi ciri menggunakan metode ICZ atau ZCZ saja. Jika ditinjau berdasarkan jumlah zona yang digunakan (Gambar 9.b.), dapat dilihat bahwa hasil akurasi meningkat seiring dengan penambahan jumlah zona yang digunakan ketika proses ekstraksi ciri. Hal yang sedikit berbeda terdapat pada hasil ekstraksi ciri menggunakan ICZ, yaitu penggunaan 6 buah zona menghasilkan akurasi yang lebih baik daripada penggunaan 8 buah zona. Secara umum, hal ini dapat disebabkan oleh jumlah ciri yang diambil dari citra, karena jumlah zona mempengaruhi jumlah ciri yang diambil. Semakin banyak jumlah zona, semakin banyak ciri yang diambil dari citra, baik ciri global maupun ciri lokal. Hal ini dapat membuat akurasi hasil klasifikasi meningkat. Dari hasil ini, dapat dikatakan bahwa peningkatan jumlah zona yang digunakan dapat meningkatkan akurasi, walaupun pada metode ICZ akurasi untuk jumlah zona 6 buah lebih tinggi daripada akurasi untuk jumlah zona 8 buah. Jenis kernel Gambar 10 menunjukkan hasil akurasi terbaik berdasarkan jenis kernel yang digunakan pada pelatihan SVM, yaitu kernel linear, quadratic Akurasi 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% Linear Quadratic Polinomial, or er Jenis kernel RBF Gambar 10 Hasil akurasi berdasarkan jenis kernel. quadratic, polinomial berderajat 3, dan RBF, untuk data hasil metode ekstraksi ciri gabungan ICZ dan ZCZ dengan jumlah zona 12 buah. Pemilihan data hasil metode ekstraksi ciri serta ju mlah zona yang digunakan sebagai pembanding didasarkan pada hasil dari bagian sebelumnya, yang menunjukkan bahwa metode ekstraksi ciri dan jumlah zona yang menghasilkan akurasi terbaik ialah metode ekstraksi ciri gabungan ICZ dan ZCZ dan jumlah zona 12 buah. Hasil akurasi untuk seluruh klasifikasi untuk data hasil ekstraksi ciri gabungan ICZ dan ZCZ dengan jumlah zona 12 buah dapat dilihat pada Lampiran 3, sementara tabel akurasi untuk hasil klasifikasi terbaik dari setiap fungsi kernel yang digunakan dapat dilihat pada Lampiran 4. Dari Gambar 10 diketahui bahwa klasifikasi SVM untuk data hasil ekstraksi ciri gabungan ICZ dan ZCZ dan jumlah zona 12 buah menggunakan keempat jenis fungsi kernel menghasilkan akurasi terbaik yang sama. Dari hasil ini dapat dikatakan bahwa keempat fungsi kernel SVM memiliki kinerja yang sama dalam melakukan pelatihan SVM untuk data yang digunakan dalam penelitian ini. Simpulan SIMPULAN DAN SARAN Pengenalan pola merupakan salah satu perkembangan dari artificial intelligence, yang memungkinkan komputer dapat mengenali pola karakter yang dikenali oleh manusia. Pengenalan pola biasa digunakan dalam proses OCR (optical character recognition) dan HCR (handwritten charater recognition). Dalam penelitian ini, dibangun model pengenalan aksara Sunda tercetak menggunakan metode ekstraksi ciri zoning dan klasifikasi Support Vector Machine. Tujuan dari penelitian ini yaitu 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 ciri gabungan ICZ dan ZCZ menghasilkan akurasi paling tinggi, untuk keempat jumlah zona yang digunakan dalam proses ekstraksi ciri. Sementara itu, untuk jumlah zona yang digunakan, akurasi paling tinggi didapat oleh jumlah zona 12 buah, untuk ketiga metode ekstraksi ciri yang digunakan. Dari apa yang telah dilakukan, dapat disimpulkan bahwa metode ekstraksi ciri yang paling efektif di antara metode ekstraksi ciri

19 10 yang digunakan untuk pengenalan aksara Sunda ialah metode gabungan ICZ dan ZCZ, dengan jumlah zona 12 buah. Saran Beberapa saran untuk penelitian selanjutnya yaitu: 1 Perancangan data latih dan data uji lebih lanjut untuk menguji kinerja algoritme zoning, misalnya dengan mengubah ukuran atau kemiringan karakter. 2 Penggunaan metode klasifikasi lain untuk pengenalan aksara Sunda, misalnya KNN atau Backpropagation Neural Network. 3 Pengembangan sistem pengenalan aksara Sunda lebih lanjut, sehingga sistem dapat mengenali karakter penambah dan pengubah suara. 4 Pengembangan aplikasi mobile untuk menerapkan model SVM yang sudah didapatkan dari penelitian ini. DAFTAR PUSTAKA Baidillah I, Darsa UA, Abdurahman O, Permadi T, Gunardi G et al Direktori Aksara Sunda untuk Unicode. Bandung: Pemerintah Provinsi Jawa Barat. Cherkassky V, Mulier F Learning from Data: Concepts, Theory, and Methods. Ed ke-2. New Jersey: John Wiley & Sons. Devijver PA, Kittler J Pattern Recognition: A Statistical Approach. London: Prentice-Hall. Gatos B, Kesidis AL, Papandreou A Adaptive zoning features for character and word recognition. Di dalam: 11th International Conference on Document Analysis and Recognition; Beijing, Sep Washington DC: IEEE Computer Society. hlm Gonzalez R, Woods R Digital Image Processing. Ed ke-2. New Jersey: Prentice Hall. Hsu CW, Lin CJ A comparison of methods for multiclass support vector machines. IEEE Transactions on Neural Networks 13 (2): Mubarok Pengenalan tulisan tangan aksara Sunda menggunakan kohonen neural network [skripsi]. Bandung: Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam, Universitas Pendidikan Indonesia. Osuna EE, Freund R, Girosi F Support Vector Machines: Training and Applications. AI Memo 1602, Massachusetts Institute of Technology. Rajashekararadhya SV, Ranjan PV Efficient zone based feature extration algorithm for handwritten numeral recognition of four popular South Indian scripts. Journal of Theoretical and Applied Information Technology 4 (12): Rajashekararadhya SV, Ranjan PV. 2009a. Handwritten numeral recognition of Kannada script. Di dalam: Bajaj P, Abraham A, editor. Workshop Proceedings of the International Workshop on Machine Intelligence Research; Nagpur, 24 Jan Washington: Machine Intelligence Research Labs. hlm Rajashekararadhya SV, Ranjan PV. 2009b. A novel zone based feature extraction algorithm for handwritten numeral recognition of four indian scripts. Digital Technology Journal 2: Refaeilzadeh P, Tang L, Liu H Crossvalidation. Di dalam: Liu L, Öszu MT, editor. Encyclopedia of Database Systems. New York: Springer. Trier OD, Jain AK, Taxt T Feature extraction methods for character recognition a survey. Pattern Recognition 4 (29): [Unicode] The Unicode Standard, Version 5.1 Archived Code Charts /charts /CodeCharts.pdf [27 Des 2011].

20 LAMPIRAN

21 12 Lampiran 1 Contoh karakter aksara Sunda yang digunakan Karakter angka Karakter swara (vokal) A É E EU I O U Karakter ngalagena (konsonan) BA CA DA FA GA HA JA KA LA MA NA NGA NYA PA QA RA SA TA VA WA XA YA ZA

22 13 Lampiran 2 Contoh citra asli, citra hasil praproses, dan data hasil ekstraksi ciri menggunakan algoritme ICZ dan ZCZ untuk citra angka Karakter Citra Asli Citra Hasil Praproses Karakter Citra Asli Citra Hasil Praproses Data hasil ekstraksi ciri Metode ICZ dengan 4 zona Karakter Data Hasil Ekstraksi Ciri Metode ICZ dengan 6 zona Karakter Data Hasil Ekstraksi Ciri

23 14 Lanjutan Metode ICZ dengan 8 zona Karakter Data Hasil Ekstraksi Ciri Metode ICZ dengan 12 zona Karakter Data Hasil Ekstraksi Ciri Metode ZCZ dengan 4 zona Karakter Data Hasil Ekstraksi Ciri Metode ZCZ dengan 6 zona Karakter Data Hasil Ekstraksi Ciri

24 15 Lanjutan Metode ZCZ dengan 8 zona Karakter Data Hasil Ekstraksi Ciri Metode ZCZ dengan 12 zona Karakter Data Hasil Ekstraksi Ciri

25 16 Lampiran 3 Hasil akurasi keseluruhan untuk data hasil ekstraksi ciri gabungan ICZ dan ZCZ dengan jumlah zona 12 berdasarkan jenis kernel yang digunakan Kernel Linear Percobaan ke % 99.25% 99.75% 99.75% 99.75% 99.75% 99.75% 99.75% Kernel Quadratic Percobaan ke % 99.75% 99.75% 99.75% 99.75% 99.75% 99.75% 99.75% Kernel Polinomial Derajat Percobaan ke % 99.75% 99.75% 99.75% 99.75% 99.75% 99.75% 99.75% % 99.25% 99.25% 99.25% 99.25% 99.25% 99.25% 99.25% % 94.50% 94.50% 94.50% 94.50% 94.50% 94.50% 94.50% % 64.00% 64.00% 64.00% 64.00% 64.00% 64.00% 64.00% Kernel RBF Sigma Percobaan ke % 99.00% 99.00% 99.00% 99.00% 99.00% 99.00% 99.00% % 99.25% 99.25% 99.25% 99.25% 99.25% 99.25% 99.25% % 99.50% 99.75% 99.75% 99.75% 99.75% 99.75% 99.75% % 99.50% 99.25% 99.25% 99.25% 99.75% 99.75% 99.75% % 96.50% 97.25% 99.25% 99.25% 99.25% 99.25% 99.25% % 86.75% 87.75% 92.75% 95.25% 95.75% 97.75% 99.25% % 90.75% 86.00% 83.75% 85.75% 89.00% 90.00% 94.75% % 91.75% 91.25% 90.75% 82.75% 83.75% 84.50% 88.50% % 91.75% 91.75% 91.75% 91.25% 90.75% 82.00% 83.75% % 91.75% 91.75% 91.75% 91.75% 91.75% 91.25% 90.75%

26 17 Lampiran 4 Tabel akurasi untuk hasil klasifikasi terbaik dari setiap fungsi kernel 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?

27 18 Lanjutan Jumlah benar Akurasi % 98.75% % % % Akurasi rata % 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?

28 19 Lanjutan Jumlah benar