Kelas. Kelas. p q r s t u v w x y Level Transformasi.

dokumen-dokumen yang mirip
dan 3. Jumlah partisi vertikal (m) dari kiri ke kanan beturut-turut adalah 1, 2, 3, 4, dan 5. akurasi =.

Akurasi. Perangkat Lunak: Sistem operasi: Windows Vista Home Premium Aplikasi pemrograman: Matlab 7.0

HASIL DAN PEMBAHASAN. Generalisasi =

Lingkungan Pengembangan Pelatihan HASIL DAN PEMBAHASAN Seleksi Fitur Pelatihan (deskripsi training Klasifikasi Akurasi

Training. Level Transformasi Wavelet. Banyak Fitur. Ukuran Dimensi. 0 40x x30 600

PENDAHULUAN. Latar Belakang

Hardisk 80 GB Perangkat lunak Window XP Profesional MATLAB 7.0.1

PENDAHULUAN. Latar Belakang

BAB 5 UJI COBA DAN ANALISA HASIL

Percobaan 1 Percobaan 2

Created with Print2PDF. To remove this line, buy a license at:

PENDAHULUAN. Latar Belakang

BAB III METODOLOGI PENELITIAN

BAB 4 IMPLEMENTASI Implementasi

Pengenalan Tanda Tangan Menggunakan Algoritme VFI5 Melalui Praproses Wavelet

BAB 4 IMPLEMENTASI DAN EVALUASI. Aplikasi pintu otomatis ini menggunakan spesifikasi perangkat keras dan

BAB III METODOLOGI PENELITIAN

Bulu mata. Generalisasi= Jumlah pola dikenali dengan benar x 100% Jumlah total pola

BAB III METODOLOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: b. Memori : 8192 MB. c. Sistem Model : Lenovo G40-45

Lingkungan Pengembangan HASIL DAN PEMBAHASAN

BAB III METODE PENELITIAN

3. METODE PENELITIAN

BAB IV IMPLEMENTASI DAN EVALUASI SISTEM

BAB III METODE PENELITIAN

HASIL DAN PEMBAHASAN. Gambar 7 Diagram alur proses mutasi.

METODE PENELITIAN. Gambar 2 Tahapan penelitian. Praproses Data

BAB IV PERANCANGAN & IMPLEMENTASI SISTEM

BAB IV IMPLEMENTASI DAN UJI COBA. Pengenalan Pola dengan Algoritma Eigen Image, dibutuhkan spesifikasi

BAB III METODOLOGI PENELITIAN

BAB 4 IMPLEMENTASI DAN EVALUASI

BAB III METODOLOGI PENELITIAN

BAB I PENDAHULUAN 1.1. Latar Belakang Masalah

Pengantar Matematika kelas1 : kelas2 : kelas3 : mutu : A B C D E

HASIL DAN PEMBAHASAN. Laju pembelajaran 0.1, 0.3, 0.5

III METODOLOGI PENELITIAN

BAB 4 IMPLEMENTASI DAN EVALUASI

BAB IV IMPLEMENTASI DAN EVALUASI

BAB I PENDAHULUAN Latar Belakang

PENGENALAN TANDA TANGAN DENGAN MENGGUNAKAN NEURAL NETWORK DAN PEMROSESAN AWAL THINNING ZHANG SUEN

BAB V PENGUJIAN. Perancangan kasus uji yang akan dilakukan meliputi pengujian terhadap dua hal, yaitu:

METODOLOGI PENELITIAN

BAB I PENDAHULUAN 1.1. Latar Belakang Masalah

METODE PENELITIAN. Gambar 2 Metodologi penelitian.

BAB 4 IMPLEMENTASI DAN EVALUASI. pengkodean dan implementasi, memberikan petunjuk pemakaian program, dan

BAB III METODOLOGI PENELITIAN

BAB III ANALISIS DAN PERANCANGAN SISTEM

BAB 1 PENDAHULUAN. Perbaikan kualitas citra merupakan sebuah langkah awal dalam proses

BAB IV HASIL DAN EVALUASI. QoS, yaitu : pengujian terhadap Delay, pengujian terhadap Jitter, pengujian

BAB III ANALISIS DAN PERANCANGAN SISTEM

BAB I PERSYARATAN PRODUK

BAB 4 IMPLEMENTASI DAN PENGUJIAN

BAB 3 ANALISIS DAN PERANCANGAN SISTEM

Created with Print2PDF. To remove this line, buy a license at:

BAB 1 PENDAHULUAN 1.1 Pendahuluan 1.2 Latar Belakang Masalah

BAB 4 IMPLEMENTASI DAN EVALUASI. memadai. Berikut ini akan dijelaskan spesifikasi perangkat lunak dan keras yang Spesifikasi Perangkat Keras

1.PENDAHULUAN 1.1 Latar Belakang

Bab III ANALISIS&PERANCANGAN

BAB III METODE PENELITIAN. Desain penelitian untuk pengenalan nama objek dua dimensi pada citra

HASIL DAN PEMBAHASAN. Data

BAB I PENDAHULUAN 1.1. Latar belakang 1.2. Perumusan Masalah

BAB 1 PENDAHULUAN. aspek kehidupan dari bangsa ini akan selalu dipengaruhi oleh keadaan hujan ataupun

PENGENALAN TULISAN TANGAN MENGGUNAKAN EKSTRAKSI CIRI WAVELET TRANSFORM DARI PROJECTION PROFILE

BAB I PENDAHULUAN I.1

100% Akurasi = (11) Lingkungan Pengembangan

BAB 3 METODOLOGI PENELITIAN

III. METODOLOGI PENELITIAN. Pembuatan program dilaksanakan sejak tanggal 1 Januari 2014 sampai

Lingkungan Implementasi Clustering Menggunakan SOM HASIL DAN PEMBAHASAN Pengumpulan Data Perkembangan Anak Validasi Cluster Menggunakan

BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI

BAB III METODOLOGI PENELITIAN. Gambar 3.1 merupakan desain penelitian yang akan digunakan pada

BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah

BAB I PENDAHULUAN. Proses belajar mengajar yang telah dilakukan mengakibatkan anak didik

BAB III METODE PENELITIAN

BAB IV HASIL DAN PEMBAHASAN. Tabel 4.1 Kebutuhan Perangkat Keras. Perangkat Keras Spesifikasi Processor Intel Core i3. Sistem Operasi Windows 7

BAB III METODOLOGI PENELITIAN. pengembangan sistem pemugaran citra digital dengan algoritma exemplar-based

BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM

BAB IV HASIL DAN PENGUJIAN. telah dibuat. Pengujian yang dilakukan adalah menguji proses region of interest

Data Mining. Tidak. Mulai. Data transaksi. Pembersihan data. Seleksi data. Transformasi data. Pemberian nilai minimum support

BAB III PENGOLAHAN DATA

HASIL DAN PEMBAHASAN. Gambar 3 Ilustrasi pencarian titik pusat dan jari-jari pupil. Segmentasi

BAB I PENDAHULUAN. 1.1 Latar belakang

UJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES

BAB IV DESAI SISTEM. Tabel 4.1 Lingkungan Desain Perangkat Lunak Prosesor : Core 2 Duo, 2 GHz Memori : 2 GB

Pengembangan Aplikasi Presensi Sidik Jari dengan menggunakan Alihragam Wavelet dan Jarak Euclidean di Dinas Pendidikan Kabupaten Wonogiri

BAB 4 IMPLEMENTASI DAN EVALUASI Implementasi Program Simulasi. mengevaluasi program simulasi adalah sebagai berikut :

BAB III METODELOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: a. Prosesor : Intel Core i5-6198du (4 CPUs), ~2.

BAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function

BAB 1 PENDAHULUAN. Bahasa Jepang menggunakan berbagai jenis karakter untuk sistem

TEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR

BAB I PENDAHULUAN I.1 Latar Belakang

BAB IV HASIL DAN UJI COBA

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D

BAB 3. Metode dan Perancangan Sistem

BAB III METODOLOGI PENELITIAN

BAB 4 IMPLEMENTASI DAN EVALUASI

Pembersihan Data Lingkungan Pengembangan Sistem HASIL DAN PEMBAHASAN

BAB IV IMPLEMENTASI DAN EVALUASI. dengan baik. Adapun kebutuhan perangkat lunak (software) dan perangkat keras

BAB V IMPLEMENTASI (Evaluation Phase dan Deployment Phase)

BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah

IDENTIFIKASI TANDA TANGAN MENGGUNAKAN PROBABILISTIC NEURAL NETWORKS (PNN) DENGAN PRAPROSES MENGGUNAKAN TRANSFORMASI WAVELET INDRA DWI PUTRA

BAB I PENDAHULUAN. 1.1 Latar Belakang

Transkripsi:

Fitur yang digunakan untuk pelatihan pada algoritme VFI5 diperoleh dari tiap-tiap piksel pada citra tanda tangan. Fitur pada pelatihan yang semula berupa matriks berukuran 3 4 piksel disusun menjadi matriks berukuran 1 12 piksel. Klasifikasi Setiap nilai fitur dari instance citra uji diperiksa letak interval nilai fitur tersebut pada hasil vote yang telah dinormalisasi. Vote-vote setiap kelas untuk setiap fitur pada setiap interval yang bersesuaian diambil dan kemudian dijumlahkan. yang memiliki nilai total vote tertinggi menjadi rediksi instance tersebut. Akurasi Hasil yang diamati pada penelitian ini yaitu tingkat akurasi yang dicapai algoritme klasifikasi VFI5 dalam menglasifikasikan data pengujian setelah dilakukan pelatihan. Tingkat akurasi diperoleh dengan perhitungan: data uji benar diklasifikasi tingkat akurasi = 100%. total data uji Lingkungan Pengembangan Penelitian dilakukan dengan menggunakan perangkat lunak MATLAB 7.0.1 dan Microsoft Office Excel 2007 yang berjalan pada sistem operasi Microsoft Windows XP SP3. Adapun perangkat keras yang digunakan memiliki spesifikasi Prosesor AMD Athlon XP 3200+, DDRAM 1470 MB, VGA GeForce 6100 nforce 405, dan HDD 160 GB. HASIL DAN PEMBAHASAN Dalam penelitian ini, data diproses menggunakan wavelet Haar hingga level ke-5. Adapun ukuran dimensi dan banyak fitur yang diperoleh dari hasil praproses menggunakan transformasi wavelet Haar tercantum pada Tabel 1. Tabel 1 Ukuran dimensi dan banyak fitur pada dekomposisi wavelet Transformasi Ukuran Dimensi Banyak Fitur 1 20x30 600 2 10x15 150 3 5x8 40 4 3x4 12 5 2x2 4 Klasifikasi yang dilakukan tanpa melalui reduksi dimensi menghasilkan akurasi sebesar 97.5%. Hasil ini kemudian dibandingkan dengan klasifikasi dengan menggunakan reduksi. Percobaan 1: Dekomposisi wavelet level 1 Percobaan pertama merupakan percobaan dengan dekomposisi wavelet paling rendah. Hasil percobaan secara rinci untuk tiap kelas pada percobaan kelima dicantumkan pada Tabel 2. Tabel 2 Akurasi tiap-tiap ada level 1 Dari Tabel 2 dapat dilihat bahwa kelas y memiliki akurasi terendah, yakni 75%. lainnya memiliki akurasi 100%. Adapun ratarata akurasi yang diperoleh secara keseluruhan mencapai 97.5%. Percobaan 2: Dekomposisi wavelet level 2 Hasil percobaan untuk dekomposisi wavelet level 2 ditunjukkan pada Tabel 3. Dibandingkan percobaan sebelumnya pada level 1, kelas q mengalami penurunan akurasi sebesar 25%. selain q dan y memiliki akurasi 100%. Pada percobaan ini, akurasi rata-rata mencapai 95%. Tabel 3 Akurasi tiap-tiap ada level 2 7

Percobaan 3: Dekomposisi wavelet level 3 Pada level 3, akurasi rata-rata mengalami penurunan dibandingkan level 2. Perolehan akurasi ini ditunjukkan pada Tabel 4. Tabel 4 Akurasi tiap-tiap ada level 3 s 3 1 75 q memiliki akurasi paling kecil, yakni sebesar 50%. s dan y memiliki akurasi 75%, sedangkan kelas sisanya memiliki akurasi sebesar 100%. Rata rata akurasi untuk keseluruhan ada wavelet dekomposisi level 3 turun menjadi 90%. Percobaan 4: Dekomposisi wavelet level 4 Rata-rata akurasi yang diperoleh pada tiap kelas di level 4 dapat dilihat pada Tabel 5. p masih memiliki akurasi klasifikasi sebesar 100%, namun kelas u mengalami penurunan akurasi sebesar 50% dibandingkan hasil klasifikasi pada level 3. Akurasi sebesar 100% juga diperoleh untuk klasifikasi kelas w. Akurasi terkecil dimiliki oleh kelas r, yang mengalami penurunan akurasi hingga 75% dibandingkan hasil klasifikasi pada level 3. Secara rata-rata, akurasi pada level 4 ini adalah 65%, mengalami penurunan akurasi rata-rata hingga 25% dibandingkan hasil klasifikasi pada level 3. Tabel 5 Akurasi tiap-tiap ada level 4 r 1 3 25 s 2 2 50 u 2 2 50 v 2 2 50 x 3 1 75 y 2 2 50 Percobaan 5: Dekomposisi wavelet level 5 Rata-rata persentase akurasi yang diperoleh pada tiap kelas di level 5 dapat dilihat pada Tabel 6. Dari Tabel 6, dan u memiliki akurasi 100%. Pada kelas v dan r, hanya diperoleh akurasi sebesar 25%. s, w, dan y memiliki akurasi sebesar 50% dan sisanya memiliki akurasi sebesar 75%. Persentase akurasi rata-rata dari tiap-tiap ada dekomposisi wavelet level 5 ini mencapai 62.5%. Tabel 6 Akurasi tiap-tiap ada level 5 r 1 3 25 s 2 2 50 v 1 3 25 w 2 2 50 x 3 1 75 y 2 2 50 Secara umum, terjadi penurunan akurasi pada setiap peningkatan level dekomposisi wavelet. Semakin rendah level dekomposisi wavelet, semakin tinggi rata-rata akurasinya. Pada dekomposisi wavelet level 4 dan 5, akurasi turun drastis dibandingkan dekomposisi level 1, 2 dan 3. Penurunan akurasi paling besar terjadi pada dekomposisi wavelet dari level 3 ke dekomposisi wavelet level 4, yakni dari 90% menjadi 65%, atau turun sebesar 25%. Penurunan akurasi yang cukup besar dibanding percobaan sebelumnya dimungkinkan karena dengan 12 fitur, penciri pada tiap-tiap kelas mulai tidak dapat dikenali. Hubungan antara level dekomposisi dengan akurasi ditunjukkan pada Gambar 6. Akurasi (%) 100 80 60 40 20 0 97.5 95 90 65 62.5 1 2 3 4 5 Gambar 6 Persentase rata-rata akurasi pada tiap level. 8

Penelitian Riadi (2001) yang menggunakan keseluruhan 2400 fitur sebagai input dalam JST menghasilkan akurasi tertinggi sebesar 99%. Sementara pada penelitian Setia (2007), citra tanda tangan yang berukuran 40 60 piksel diresize menjadi citra 30 45 piksel. Hasil resize tersebut selanjutnya disegmentasi sebanyak 45 segmen dimana setiap segmen terdiri atas vektor observasi berukuran 30. Dengan menggunakan 8 hidden state, diperoleh rata-rata akurasi sebesar 75%. Dalam penelitian ini, setelah dilakukan dekomposisi wavelet level 1, terdapat 600 fitur sebagai input dalam algoritme VFI5 dan diperoleh akurasi sebesar 97.5%. Jika dibandingkan antara hasil percobaan tanpa reduksi yang memiliki 2400 fitur dengan hasil percobaan melalui reduksi wavelet level 1 yang memiliki 600 fitur, diperoleh kesamaan akurasi, yakni 97.5%. Meskipun demikian, banyak fitur pada percobaan yang telah melalui reduksi telah berkurang hingga 75%. Algoritme VFI5 Pada Tiap Hasil perhitungan akurasi pada tiap kelas per level dapat dilihat pada Tabel 7. Representasi grafis dari Tabel 7 dapat dilihat pada Gambar 7, sedangkan hasil penyesuaian antara kelas dugaan hasil klasifikasi dengan kelas sebenarnya terdapat dalam Lampiran 5. Tabel 7 Akurasi pada tiap level untuk tiap kelas Dekomposisi Akurasi per (%) p q r s t u v w x y 1 100 100 100 100 100 100 100 100 100 100 2 100 75 100 100 100 100 100 100 100 75 3 100 50 100 75 100 100 100 100 100 75 4 100 75 25 50 75 50 50 100 75 50 5 100 75 25 50 75 100 25 50 75 50 Rata-rata 100 75 70 75 90 90 75 90 90 70 100 Akurasi (%) 80 60 40 20 0 p q r s t u v w x y 1 2 3 4 5 Gambar 7 Akurasi pada tiap level untuk tiap kelas. Pada, seluruh citra pada tiap level dapat diklasifikasikan dengan benar. Pada kelas q, akurasi sebesar 100% hanya diperoleh pada level 1. Akurasi paling rendah terdapat pada level 3 sebesar 50%. Adapun akurasi sisanya pada kelas q sebesar 75%, Klasifikasi level 1, 2 dan 3 pada kelas r memiliki akurasi sebesar 100%, namun pada level 4 dan 5 akurasi turun menjadi 25%. Klasifikasi kelas s pada level 1 dan 2 memiliki akurasi sebesar 100%, dan menurun pada level 3 menjadi 75%. Pada level 4 dan 5, akurasi kembali turun menjadi 50%. Pada kelas t, citra pada level 1, 2 dan 3 dapat diklasifikasikan dengan benar, sedangkan pada level 4 dan 5, akurasi turun menjadi 75%. Pada kelas u, akurasi terendah sebesar 50% berada pada level 4, sisanya memiliki akurasi 100%. Nilai akurasi 100% di kelas v terjadi pada klasifikasi level 1, 2 dan 3. Nilai akurasi ini kemudian turun menjadi 50% pada level 4 dan 25% pada level 5. Klasifikasi pada kelas w memiliki akurasi sebesar 50% untuk level 5, namun untuk level lainnya, seluruh citra dapat diklasifikasikan dengan benar. 9

Pada kelas x, diperoleh nilai akurasi 100% untuk level 1, 2 dan 3. Nilai akurasi ini turun menjadi 75% pada level 4 dan 5. Pada kelas y, nilai akurasi 100% hanya diperoleh pada klasifikasi level 1. Nilai ini turun menjadi sebesar 75% pada level 2 dan 3, kemudian kembali turun menjadi 50% pada level 4 dan 5. p memiliki akurasi paling tinggi dibandingkan kelas lainnya. Seluruh citra pada dapat diklasifikasikan dengan benar. r dan y memiliki akurasi terendah, dengan rata-rata akurasi sebesar 70%. Algoritme VFI5 Tanpa p, s, atau q di 3 Pada percobaan selanjutnya, dilakukan eliminasi pada kelas-kelas yang berturut-turut memiliki nilai rata-rata akurasi tertinggi, sedang dan terendah pada level 3. -kelas yang dihilangkan yaitu yang memiliki ratarata akurasi tertinggi (100%), kelas s yang memiliki nilai rata-rata akurasi sedang (75%), dan kelas q yang memiliki nilai rata-rata akurasi terendah (50%). Nilai rata-rata akurasi yang diperoleh dengan menghilangkan, kelas s dan kelas q berturut-turut sebesar 86.11%, 86.11% dan 97.22%. Hasil percobaan secara rinci untuk, s, dan q berturut-turut dapat dilihat pada Tabel 8, Tabel 9, dan Tabel 10. Tabel 8 Akurasi tiap ada level 3 tanpa r 3 1 75 s 3 1 75 Tabel 8 menunjukkan penurunan rata-rata akurasi ketika terjadi eliminasi kelas yang memiliki nilai akurasi yang besar. Terlihat kelas r dan kelas t mengalami penurunan akurasi menjadi 75%, berkurang 25% dari akurasi percobaan sebelumnya dengan menggunakan data pelatihan seluruh kelas di level 3. Meskipun demikian, kelas y justru mengalami kenaikan nilai akurasi sebesar 25% dibandingkan percobaan sebelumnya di level 3 yang menggunakan keseluruhan kelas. Tabel 9 Akurasi tiap ada level 3 tanpa kelas s r 2 2 50 Tabel 9 menunjukkan penurunan rata-rata akurasi ketika terjadi eliminasi kelas yang memiliki nilai akurasi sedang. Terlihat kelas r mengalami penurunan akurasi sebesar 50%, begitu juga dengan kelas t yang mengalami penurunan akurasi sebesar 25%. y mengalami kenaikan akurasi sebesar 25%, sama seperti percobaan di level 3 dengan menghilangkan. Tabel 10 Akurasi tiap ada level 3 tanpa kelas q Tabel 10 menunjukkan peningkatan akurasi ketika kelas q yang memiliki akurasi rendah dihilangkan. s dan kelas y mengalami kenaikan akurasi sebesar 25% dibandingkan percobaan di level 3 sebelumnya. Ketika kelas dengan akurasi rendah dihilangkan, nilai ratarata akurasi untuk keseluruhan kelas meningkat. Algoritme VFI5 Tanpa p atau q di 2 Pada percobaan sebelumnya di level 2 dengan menggunakan keseluruhan kelas, akurasi maksimum dan minimum berturut-turut sebesar 100% dan 75%. Tidak ada persentase akurasi yang nilainya terletak di antara selang 100% dan 75%, sehingga hanya dilakukan dua percobaan dengan menghilangkan untuk 10

akurasi terbesar dan kelas q untuk akurasi terendah. Akurasi rata-rata yang diperoleh dengan menghilangkan adalah 94.44%, sedangkan akurasi rata-rata yang diperoleh dengan menghilangkan kelas q adalah 97.22%. Tabel 11 dan Tabel 12 berturut-turut menunjukkan rincian akurasi dengan menghilangkan dan kelas q. Tabel 11 Akurasi tiap ada level 2 tanpa v 3 1 75 Tabel 11 menunjukkan penurunan akurasi untuk kelas v sebesar 25% menjadi 75% dan peningkatan akurasi sebesar 25% untuk kelas y menjadi 100% jika dibandingkan dengan percobaan level 2 sebelumnya yang menggunakan keseluruhan kelas. Dari percobaan ini, diperoleh rata-rata akurasi sebesar 94.44%, atau turun 0.56% jika dibandingkan percobaan level 2 yang menggunakan keseluruhan kelas. Tabel 12 Akurasi tiap ada level 2 tanpa kelas q v 3 1 75 Tabel 12 menunjukkan peningkatan akurasi pada kelas y sebesar 25%, dan penurunan akurasi pada kelas v sebesar 25%. Dari percobaan ini, diperoleh rata-rata akurasi sebesar 97.22% atau meningkat 2.22% dari percobaan sebelumnya yang menggunakan keseluruhan kelas. Algoritme VFI5 Tanpa p atau y di 1 Pada percobaan sebelumnya untuk level 1 dengan menggunakan keseluruhan kelas, hanya terdapat dua nilai akurasi, yakni 75% dan 100%. Akurasi 75% dimiliki oleh kelas y, kelas lainnya memiliki akurasi 100%. Pada percobaan ini, dan kelas y dihilangkan. Rata-rata akurasi yang diperoleh dengan menghilangkan mencapai 100%, begitu juga dengan rata-rata akurasi dengan menghilangkan kelas y. Tabel 13 dan Tabel 14 berturut-turut menunjukkan rincian hasil percobaan dengan menghilangkan dan kelas y. Tabel 13 Akurasi tiap ada level 1 tanpa Tabel 13 menunjukkan peningkatan akurasi untuk kelas y sebesar 25% menjadi 100%. Ratarata akurasi yang diperoleh dengan menghilangkan menjadi 100%, atau meningkat 2.5% jika dibandingkan dengan percobaan level 1 sebelumnya yang menggunakan keseluruhan kelas. Tabel 14 Akurasi tiap ada level 1 tanpa kelas y Tabel 14 menunjukkan peningkatan rata-rata akurasi yang diperoleh dengan menghilangkan kelas y menjadi 100%, atau meningkat 2.5% jika dibandingkan dengan percobaan level 1 11