HASIL DAN PEMBAHASAN

Transkripsi

1 HASIL DAN PEMBAHASAN Ekstraksi ciri Citra yang digunakan dalam penelitian ini berukuran 150 x 150 pixel, sehingga jika divektorkan akan menghasilkan vektor berukuran Melalui tahap ekstraksi ciri dengan metode 2D-PCA diharapkan dapat memperkecil dimensi vektor yang dihasilkan dengan menghilangkan fitur-fitur citra yang tidak begitu berarti, sehingga proses klasifikasi dapat berjalan lebih cepat. Dengan cara ini juga diharapkan dapat mengurangi noise pada data sehingga klasifikasi dapat menjadi lebih akurat. Ekstraksi 2D-PCA dilakukan dalam dua tahap dengan pengambilan nilai eigen pada masing-masing tahap sebesar 95%, 90% dan 85%. Hasil yang diperoleh dapat dilihat pada Tabel 2. PCA 2D tahap 1 PCA 2D tahp 2 Tahap 1 Jml. PC Tahap 2 Jml. PC Jml. Fitur Tabel 2. Jumlah fitur/ciri yang diperoleh dengan metode 2D-PCA dua tahap Dari tabel di atas terlihat bahwa metoda 2D-PCA dua tahap yang telah dilakukan cukup berhasil mereduksi dimensi citra yang pada awalnya berukuran fitur. Akurasi model Model yang telah diuji dalam penelitian ini berjumlah 81 model seperti dapat dilihat dari Tabel 1. Pengujian dilakukan menggunakan perangkat lunak Matlab serta library-library nya. Hasil pengujian dan pengukuran akurasi yang telah dilakukan selengkapnya dapat dilihat pada Lampiran 1, dan dirangkum pada 27

2 pada Tabel 3. Kernel Kuadratik Linear Kubik (sig=1) (sig=5) (sig=8) (sig=10) (sig=20) (sig=30) PCA 95/ / / / / / / / / Tidak konvergen Tabel 3. Hasil pengukuran akurasi 81 model pendeteksi ban ganda Dari hasil pengujian tahap pertama diperoleh fakta bahwa untuk pengklasifikasi SVM yang menggunakan kernel linear tidak konvergen sampai jumlah maksimum iterasi. Ini menunjukkan bahwa klasifikasi data ban ganda dan non ban ganda adalah bukan kasus linear separable. Dengan demikian model yang menggunakan kernel linear tidak akan diuji pada tahap kedua. Untuk penggunaan kernel polinamial orde 2 (kuadratik) dan orde 3 (kubik) menunjukkan akurasi yang bagus, lebih dari 95%. Sementara untuk penggunaan kernel juga memberikan akurasi yang bagus, kecuali untuk nilai sigma = 1 yang menunjukkan perilaku yang berbeda, sehingga model yang menggunakan kernel dengan sigma=1 juga tidak akan diuji pada tahap kedua. Dari tabel hasil di atas juga terlihat bahwa ada pengaruh dari jumlah fitur yang dihasilkan dari tahap ekstraksi ciri menggunakan PCA terhadap akurasi model. Ini terlihat lebih jelas pada model yang menggunakan kernel dengan sigma=5. Untuk memperjelas pengaruh proses ekstraksi ciri 2D-PCA terhadap akurasi model masing-masing kernel, data pada Tabel 3. ditampilkan sebagai grafik pada Gambar

3 Kuadratik Kubik SVM(=5) SVM(=8) SVM(=10) SVM(=20) SVM(=30) /95 95/90 95/85 90/95 90/90 90/85 85/95 85/90 85/85 Gambar 12. Grafik hubungan persen nilai eigen pada tahap ekstraksi ciri terhadap akurasi model untuk masing-masing kernel SVM Dari Gambar 12 di atas dapat dilihat bahwa pengambilan persen nilai eigen sebesar 95/95, 95/90, 90/95, dan 95/85 memberikan akurasi lebih rendah jika dibandingkan dengan yang lain, hal ini menunjukkan bahwa pengambilan persen nilai eigen tersebut kurang cocok dipakai pada model pendeteksi ban ganda yang dikembangkan. Berdasarkan perilaku tersebut maka model-model yang akan diuji di tahap kedua adalah model-model yang menggunakan persen nilai eigen 90/90, 85/95, 90/85, 85/90 dan 85/85. Pemilihan Kernel Polinomial Model-model yang menggunakan kernel polinomial yang akan di uji pada tahap dua dipilih berdasarkan pencapaian akurasi. Data akurasi untuk model yang menggunakan kernel polinomial dapat dilihat pada Tabel 4. 2D-PCA Tahap 1 Tahap 2 Kuadratik Kubik Tabel 4. Akurasi model yang menggunakan kernel polinomial Dengan menggunakan data tersebut kemudian dipilih model yang 29

4 memberikan akurasi tertinggi yaitu kernel kuadratik pada saat persen nilai eigen 90/90, 85/95, 85/90 dan 85/85 untuk proses 2D-PCA dua tahap. Sedangkan pada saat persen nilai eigen 90/85 kernel kubik pada klasifikasi dengan SVM memberikan akurasi lebih tinggi. Pemilihan Kernel Data akurasi untuk model yang menggunakan kernel dapat dilihat pada Tabel 5. 2D-PCA (sig=1) (sig=5) (sig=8) (sig=10) (sig=20) (sig=30) 90/ / / / / Tabel 5. Nilai akurasi model-model yang menggunakan kernel Dari Tabel 5 terlihat bahwa untuk PCA 90/90 akurasi tertinggi dicapai pada saat sigma=8, demikian juga saat PCA 85/95. Tetapi untuk PCA 90/85, 85/90 dan 85/85 akurasi terbaik diberikan oleh model yang menggunakan kernel dengan sigma=5. Dengan demikian model-model yang menggunakan kernel yang akan diuji pada tahap dua menggunakan nilai parameter sigma=5 dan sigma=8. Pengujian Tahap Dua Dari pemilihan model-model yang telah dilakukan, maka diperoleh sepuluh model pendeteksi terbaik seperti terlihat pada Tabel 6. PCA 2D Akurasi No. Tahap 1 Tahap 2 Kernel SVM tahap 1 Model Kuadratik Kuadratik Kubik Kuadratik Kuadratik , sig= , sig= , sig= , sig= , sig= Tabel 6 : Model-model pendeteksi ban ganda terpilih 30

5 Kesepuluh model tersebut kemudian dicobakan untuk mendeteksi keberadaan ban ganda pada 30 citra yang diambil dengan kamera 640 x 480 pixel dengan skenario pengambilan seperti telah dipaparkan pada tahap pengambilan data. Dari 30 citra yang dicobakan, 15 citra mengandung ban ganda dan 15 citra tidak mengandung ban ganda. Gambar 30 citra uji yang dipergunakan dapat dilihat selengkapnya pada Lampiran 3. Proses deteksi dilakukan menggunakan teknik sliding window, dimana sebuah jendela detektor berukuran 150 x 150 pixel digerakan di seluruh area yang dimungkinkan terdapat objek ban ganda. Dalam penelitian ini diambil posisi koordinat awal (1,30) dan posisi akhir di (300,170). Jendela detektor digerakkan sejauh 10 pixel, sehingga total detektor yang harus diklasifikasi oleh model berjumlah 450 jendela per citra. Pada Gambar 13 dapat dilihat area pencarian yang dilakukan pada setiap citra uji. Gambar 13 : Area pencarian ban ganda pada citra uji Hasil pengujian terhadap sepuluh model terpilih dapat dilihat selengkapnya pada Tabel 7. Model Akurasi keterangan : angka 1 menunjukkan klasifikasi benar dan 0 menunjukkan klasifikasi salah Tabel 7. Hasil pengujian sepuluh model terpilih 31

6 Berdasarkan jumlah citra yang terklasifikasi dengan baik kemudian akurasi dihitung dengan perhitungan Akurasi= jumlah citra yang terklasifikasi dengan baik jumlah total citra yang diklasifikasi Hasil perhitungan selengkapnya dapat dilihat pada Tabel 8 berikut : PCA 2D tahap 1 No. Akurasi Akurasi Kernel SVM Model Tahap 1 Tahap 2 Tahap 1 Tahap Kuadratik Kuadratik Kubik Kuadratik Kuadratik , sig= , sig= , sig= , sig= , sig= Tabel 8. Hasil pengujian tahap dua model pendeteksi ban ganda pada citra kendaraan menggunakan teknik sliding windows Hasil yang diperoleh dari pengujian tahap dua menunjukkan akurasi model pengklasifikasi yang jauh di bawah akurasi uji tahap pertama. Dari hasil pengujian pada Tabel 7 juga terlihat bahwa model yang dibangun banyak melakukan salah klasifikasi pada citra-citra yang tidak mengandung ban ganda yang terdeteksi sebagai citra yang mengandung ban ganda. Untuk memahami perilaku ini kemudian nilai fungsi pengklasifikasi dari tiap-tiap jendela detektor pada taiaptiap citra uji dianalisis. Data tersebut menunjukkan bahwa sebuah citra (jendela detektor) akan diklasifikasikan sebagai ban ganda jika nilai fungsi pengklasifikasi bernilai negatif (-) dan bukan ban ganda jika positif. Semakin besar nilai negatif menandakan bahwa model semakin yakin bahwa citra tersebut adalah ban ganda. Agar semua citra uji yang tidak mengandung ban ganda diklasifikasi secara benar maka nilai fungsi pengklasifikasi dari semua jendela detektor pada citra-citra uji yang tidak mengandung ban ganda harus bernilai positif. Hal ini dapat dilakukan dengan menambahkan sebuah konstanta (threshold) bernilai positif pada fungsi pengklasifikasi dengan nilai lebih besar dari absolut nilai fungsi pengklasifikasi 32

7 paling kecil. Tetapi menambahkan sebuah konstanta positif pada fungsi pengklasifikasi yang terlalu besar dapat menyebabkan nilai fungsi pengklasifikasi pada citra-citra yang mengandung ban ganda semakin besar bahkan mungkin menjadi positif. Jika ini terjadi maka citra yang mengandung ban ganda akan diklasifikasi sebagai citra yang tidak mengandung ban ganda. Dengan demikian perlu dilakukan pemilihan nilai threshold yang memberikan akurasi model paling maksimum. Pemilihan nilai threshold yang memberikan akurasi maksimum ditentukan oleh nilai fungsi pengklasifikasi paling kecil (minimum) dari jendela detektor pada 30 citra uji. Jika thresholding membuat nilai fungsi dari jendela detektor minimum pada citra uji menjadi positif dapat dipastikan ke 449 jendela detektor yang lain pun akan bernilai positif. Sehingga dipilih sedemikian agar thresholding dapat membuat nilai fungsi minimum dari jendela detektor untuk15 citra yang mengandung ban ganda tetap bernilai negatif, tapi membuat nilai fungsi minimum dari jendela detektor untuk 15 citra yang tidak mengandung ban ganda menjadi positif. Untuk mempermudah pemilihan nilai threshold, data nilai fungsi minimum untuk 30 citra uji menggunakan masing-masing model diplot dalam sebuah grafik seperti pada Gambar 14. Grafik selengkapnya untuk 10 model pendeteksi dapat dilihat pada Lampiran 4. 2 Pemiliha Trashold Model 1 (Kudratik 90/90) Nilai Fungsi Pengklasifikasi Nomor Citra Uji Ban Ganda Non Ban Ganda Gambar 14 : Grafik nilai fungsi minimum dari masing-masing citra uji tahap 2 menggunakan pengklasifikasi model 1 33

8 Pada Gambar 14 terlihat bahwa citra-citra yang diklasifikasi oleh fungsi pengklasifikasi sebagai ban ganda adalah citra-citra dengan nilai fungsi pengklasifikasi negatif (nilai fungsi < 0). Tampak bahwa banyak citra non ban ganda ( ) yang diklasifikasikan sebagai ban ganda karena memiliki nilai fungsi negatif. Ini merupakan penyebab rendahnya akurasi model pada pengujian tahap dua. Rendahnya akurasi ini dapat diperbaiki dengan menambahkan sebuah tetapan kepada fungsi pengklasifikasi sehingga pemisahan data ban ganda atau non ban ganda tidak berada pada titik nol tetapi bergeser ke bawah sejauh nilai tetapan yang dipilih. Dengan demikian fungsi pengklasifikasi yang pada awalnya berbentuk f x i =sign w T x i b menjadi f x i =sign w T x i b c dimana c adalah tetapan yang dipilih sedemikian agar akurasi menjadi maksimum. Agar lebih mudah dianalisis, data pada Gambar 14 dapat disajikan dalam bentuk grafik distribusi nilai minimum pengklasifikasi. Untuk keperluan tersebut, data di bagi ke dalam delapan bin kemudian jumlah data pada masing-masing bin dihitung (frekwensi). Hasil perhitungan untuk model 1 dapat dilihat pada Tabel 9. Gambar 15. Bins Frekwensi Min Max Rataan Ban Non Ban Ganda Ganda Tabel 9. Frekwensi nilai fungsi pengklasifikasi dalam delapan bin Selanjutnya Tabel 9 ditampilkan dalam bentuk grafik distribusi seperti Frekwensi Non Ban Ganda Ban Ganda Nilai fungsi pengklasifikasi Gambar 15 : Grafik ditribusi nila fungsi pengklasifikasi 34

9 Grafik distribusi untuk model-model lain dapat dilihat selengkapnya pada Lampiran 4. Pemilihan nilai tetapan c untuk masing-masing model dilakukan secara inspeksi dan trial-error terhadap grafik nilai fungsi minimum dari masing-masing citra uji tahap 2 untuk masing-masing model pengklasifikasi. Grafik nilai fungsi minimum dari masing-masing citra uji tahap 2 untuk masing-masing model pengklasifikasi selengkapnya dapat dilihat pada Lampiran 4. Hasil pemilihan nilai c serta akurasi maksimum yang dicapai untuk masingmasing model dapat dilihat pada Tabel 10 berikut. PCA 2D Akurasi Akurasi No. Nilai c Tahap 1 Tahap 2 Kernel SVM sebelum setelah Model (threshold) thresholding thresholding Kuadratik Kuadratik Kubik Kuadratik Kuadratik , sig= , sig= , sig= , sig= , sig= Tabel 10. Hasil pemilihan nilai threshold dan pengujian tahap dua Dari Tabel 10 di atas terlihat bahwa kernel dan kuadratik menunjukkan kinerja yang sama baiknya dengan akurasi maksimum 93.3%. Rata-rata waktu yang diperlukan oleh masing-masing model untuk melakukan satu kali klasifikasi adalah detik. Sehingga untuk melakukan klasifikasi terhadap 450 jendela detektor pada satu gambar diperlukan waktu 2.34 detik. Hasil ini masih jauh dari kebutuhan waktu untuk pemrosesan secara real time. Sebagai perbandingan, untuk kamera denga kecepatan 15 fps, waktu pemrosesan satu frame citra harus lebih kecil detik agar bisa berjalan secara real time. 35