BAB 5 UJI COBA DAN ANALISA HASIL

Transkripsi

1 BAB 5 UJI COBA DAN ANALISA HASIL Pada bab ini diuraikan mengenai lingkungan uji coba, hasil uji coba serta analisa hasil uji coba dari perangkat lunak. 5.1 Lingkungan Lingkungan uji coba merupakan komputer tempat uji coba perangkat lunak. Lingkungan uji coba digunakan pada tugas akhir ini yaitu notebook, dengan spesfikasi prosesor Intel Core 2 Duo 2,20 GHz dan memori 0,99 GB, dengan sistem operasi Microsoft Windows XP Home Service Pack Metodologi Pengujian Pengujian dilakukan dengan menggunakan basis data ETH- 80, dengan data pelatihan dan data uji coba saling pisah (disjoint). Pada basis data ETH-80, terdapat 8 kategori, dengan masing kategori terdapat 10 jenis berbeda-beda, dimana tiap jenis terdiri dari 41 citra obyek, memiliki perbedaan perubahan posisi. Ukuran citra asli adalah 8 x 8 piksel. coba pengenalan obyek dilakukan dengan pendekatan Appearance Based. Dimana, citra tersebut telah tersedia pada basis data ETH-80. Contoh citra digunakan sebagai uji coba adalah seperti pada Gambar 5.1 dan 5.2. Gambar 5.1 Contoh pada Appearance Based 55

2 56 Gambar 5.2 Contoh Mobil dengan 10 Jenis Berbeda Pada uji coba ini, jumlah citra digunakan sebagai data pelatihan dan data uji coba adalah sebanyak 1920 citra (24 pose untuk setiap 1 jenis). Tahap awal dilakukan adalah pemilihan citra pada tiap kategori dan tiap jenis, dengan memperhatikan pose. Kemudian tahap selanjutnya adalah mengubah ukuran citra menjadi berukuran 40 x 40 piksel. Terdapat 3 variasi jumlah citra pada data pelatihan digunakan pada uji coba. Tabel 5.1 merupakan tabel perbandingan antara jumlah data pelatihan dan jumlah data uji coba. Tabel 5.1 Perbandingan Pelatihan dan Basis Pelatihan Perbandingan ( Pelatihan : ) : : : Pada uji coba pengenalan obyek dengan pendekatan Appearance Based Recognition, diperlukan input jumlah subkelas per kelasnya. coba dilakukan dengan nilai input jumlah subkelasnya sama dengan coba dilakukan dengan nilai threshold = 1000, 1500, dan Pada uji coba 1, pemilihan nomor citra digunakan sebagai data pelatihan dan data uji coba untuk setiap kategori

3 57 tidak seluruhnya sama. Tabel 5.2-a dan 5.2-b merupakan tabel himpunan data citra pelatihan per jenis pada uji coba 1. Tabel 5.2-a Himpunan Pelatihan pada 1 Pelatihan , 8, 32, , 7, 11, 15, 16, 22, 28, , 8, 32, , 8, 32, 40 Pelatihan , 8, 2, , 7, 11, 15, 16, 22, 28, 40, 17, , 8, 2, , 8, 2, 19 Pelatihan , 8, 2, 19, 21, , 7, 11, 15, 16, 22, 28, 40, 17, , , 8, 2, 19, 21, , 8, 2, 19, 21, 36

4 58 Tabel 5.2-b Himpunan Pelatihan pada , 13, 15, 16, 19, 20, 22, , 8, 32, , 8, 32, , 8, 32, 40 Pelatihan , 13, 15, 16, 19, 20, 22, 24, 6, 16 3, 8, 2, , 8, 2, , 8, 2, 19 Pelatihan , 13, 15, 16, 19, 20, 22, 24, 6,, 25, , 8, 2, 19, 21, , 8, 2, 19, 21, , 8, 2, 19, 21, 36 Pelatihan Prosentase 66,67% 58,33% 50%

5 59 Pada uji coba 2, tidak terdapat perbedaan nomor citra digunakan sebagai data pelatihan dan data uji coba untuk setiap kategorinya. Tabel himpunan data citra pelatihan untuk tiap jenis pada uji coba 2, ditampilkan pada Tabel 5.3. Tabel 5.3 Himpunan Pelatihan pada 2 Pelatihan , 13, 15, 16, 19, 20, 22, 24 Pelatihan , 13, 15, 16, 19, 20, 22, 24, 6, Pelatihan , 13, 15, 16, 19, 20, 22, 24, 6,, 25, Prosentase 66,67% 58,33% 50% 5.3 Hasil Penjelasan hasil uji coba berikut ini dilakukan dengan menggunakan nilai threshold = 1000, 1500 dan 2000 dan nilai input subkelas = 6. Sedangkan hasil uji coba dengan input subkelas = 2 10, tertera pada bab lampiran.

6 Hasil Hasil 1 dengan Nilai threshold = 1000 coba 1 dilakukan dengan nomor citra ditampilkan pada Tabel 5.2-a dan 5.2-b. Tabel 5.4 merupakan tabel hasil pengenalan dengan metode SDA, dengan input jumlah subkelas = 6, dan nilai threshold = 1000 : Tabel 5.4 Hasil Pengujian dengan Perbedaan dalam Pemilihan mor dan Nilai threshold = 1000 Pelatihan 1-1 Pelatihan 1-2 Pelatihan / / /960 Prosentase 70,55% 72,95% 75,21%

7 Hasil 1 dengan Nilai threshold = 1500 coba 1 dilakukan dengan nomor citra ditampilkan pada Tabel 5.2-a dan 5.2-b. Tabel 5.5 merupakan tabel hasil pengenalan dengan metode SDA, dengan input jumlah subkelas = 6, dan nilai threshold = 1500 : Tabel 5.5 Hasil Pengujian dengan Perbedaan dalam Pemilihan mor dan Nilai threshold = 1500 Pelatihan 1-1 Pelatihan 1-2 Pelatihan / / /960 Prosentase 68,28% 69,73% 71,67%

8 Hasil 1 dengan Nilai threshold = 2000 coba 1 dilakukan dengan nomor citra ditampilkan pada Tabel 5.2-a dan 5.2-b. Tabel 5.6 merupakan tabel hasil pengenalan dengan metode SDA, dengan input jumlah subkelas = 6, dan nilai threshold = 2000 : Tabel 5.6 Hasil Pengujian dengan Perbedaan dalam Pemilihan mor dan Nilai threshold = 2000 Pelatihan 1-1 Pelatihan 1-2 Pelatihan / / /960 Prosentase 64,30% 70,80% 72,08%

9 Hasil Hasil 2 dengan Nilai threshold = 1000 coba 2 dilakukan dengan nomor citra ditampilkan pada Tabel 5.3. Tabel 5.7 merupakan tabel hasil pengenalan dengan metode SDA, dengan input jumlah subkelas = 6, dan nilai threshold = 1000 : Tabel 5.7 Hasil Pengujian dengan Persamaan dalam Pemilihan mor dan Nilai threshold = 1000 Pelatihan 2-1 Pelatihan 2-2 Pelatihan / / /960 Prosentase 64,38% 64,64% 69,38%

10 Hasil 2 dengan Nilai threshold = 1500 coba 2 dilakukan dengan nomor citra ditampilkan pada Tabel 5.3. Tabel 5.8 merupakan tabel hasil pengenalan dengan metode SDA, dengan input jumlah subkelas = 6, dan nilai threshold = 1500 : Tabel 5.8 Hasil Pengujian dengan Persamaan dalam Pemilihan mor dan Nilai threshold = 1500 Pelatihan 2-1 Pelatihan 2-2 Pelatihan / / /960 Prosentase 63,59% 63,84% 69,17%

11 Hasil 2 dengan Nilai threshold = 2000 coba 2 dilakukan dengan nomor citra ditampilkan pada Tabel 5.3. Tabel 5.9 merupakan tabel hasil pengenalan dengan metode SDA, dengan input jumlah subkelas = 6, dan nilai threshold = 2000 : Tabel 5.9 Hasil Pengujian dengan Persamaan dalam Pemilihan mor dan Nilai threshold = 2000 Pelatihan 2-1 Pelatihan 2-2 Pelatihan / / /960 Prosentase 61,09% 63,39% 66,67%

12 Analisa Hasil Berdasarkan hasil uji coba diperoleh, perbedaan pemilihan nomor citra dilakukan pada uji coba 1 dan 2 memberikan tingkat akurasi berbeda. Ketika terdapat perbedaan dalam pemilihan citra untuk setiap kategori, seperti dilakukan pada uji coba 1, maka tingkat akurasi keberhasilan diperoleh cenderung lebih tinggi. Tabel merupakan tabel perbandingan hasil uji coba 1 dan uji coba 2 dengan nilai threshold = 1000, 1500 dan 2000, dan input subkelas = 6. Tabel 5.10 Perbandingan Prosentase Akurasi pada 1 dan 2 dengan Nilai threshold = 1000 Tipe Pelatihan ,55% 64,38% ,95% 64,64% ,21% 69,38% Tabel 5.11 Perbandingan Prosentase Akurasi pada 1 dan 2 dengan Nilai threshold = 1500 Tipe Pelatihan ,28% 63,59% ,73% 63,84% ,67% 69,17% Tabel 5. Perbandingan Prosentase Akurasi pada 1 dan 2 dengan Nilai threshold = 2000 Tipe Pelatihan ,30% 61,09% ,80% 63,39% ,68% 66,67%

13 67 Pada hasil uji coba telah dilakukan, tingkat akurasi juga dipengaruhi oleh nilai threshold. Tabel 5.13 dan 5.14 berikut ini merupakan tabel informasi memuat data perbandingan tingkat akurasi cenderung menurun ketika nilai threshold diperbesar. coba dilakukan dengan input subkelas = 6. Tabel 5.13 Perbandingan Prosentase Akurasi pada 1 dengan Nilai threshold = 1000, 1500 dan 2000 Pelatihan Pelatihan Nilai threshold ,55% 68,28% 64,30% ,95% 69,73% 70,80% ,21% 71,67% 72,68% Tabel 5.14 Perbandingan Prosentase Akurasi pada 2 dengan Nilai threshold = 1000, 1500 dan 2000 Pelatihan Pelatihan Nilai threshold ,38% 63,59% 61,09% ,64% 63,84% 63,39% ,38% 69,17% 66,67% Gambar 5.3 berikut ini merupakan grafik menyajikan perbandingan prosentase akurasi dan nilai threshold dengan menggunakan 3 pilihan data pelatihan pada uji coba 1.

14 68 Gambar 5.3 Grafik Perbandingan Tingkat Akurasi terhadap Nilai threshold pada 1 Sedangkan pada Gambar 5.4 merupakan grafik menyajikan perbandingan prosentase akurasi dan nilai threshold dengan menggunakan 3 pilihan data pelatihan pada uji coba 2.

15 69 Gambar 5.4 Grafik Perbandingan Tingkat Akurasi Terhadap Nilai threshold pada 2 Tingkat akurasi cenderung meningkat ketika nilai threshold diperkecil. Hal tersebut disebabkan karena nilai threshold adalah faktor menjadi pembatas ketika pemilihan vektor eigen dari Σ X akan dipertahankan dan menjadi fitur ekstraksi.

16 70 Ketika vektor eigen Σ X nilai eigennya kurang dari hasil pembagian antara jumlah diagonal nilai eigen Σ X dan nilai threshold, maka vektor eigen tersebut akan dieliminasi. Dan menjadi fitur ekstraksi adalah vektor eigen tidak dieliminasi.