Anda di halaman 1dari 20

1

JURNAL
KLASIFIKASI PARKET KAYU JATI MENGGUNAKAN METODE
SUPPORT VECTOR MACHINES (SVM)

Rina Yuliana Siagian. 50407731.

KLASIFIKASI PARKET KAYU JATI MENGGUNAKAN METODE SUPPORT
VECTOR MACHINES (SVM)
Skripsi, Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas
Gunadarma, 2011.
Kata Kunci : Parket Kayu Jati, Support Vector Machines


(vii + 64 + Lampiran)

Dalam industri kayu sekarang, jati dijadikan keping-keping parket
(parquet) penutup lantai. Akibat krisis ekonomi global kegiatan usaha ekspor
produk flooring parket yang dibuat dari bahan bau kayu jati mengalami penurunan
drastis. Oleh karena itu standar mutu dari produksi kayu jati parket harus terus
ditingkatkan. Kebutuhan perusahaan manufaktur yang tinggi untuk menjaga
kualitas produk yang lengkap, memerlukan kontrol selama produksi dan pada
akhir proses. Selama ini kontrol yang digunakan adalah kontrol manusia yang
tidak sepenuhnya dapat diandalkan dan tidak menjamin kualitas dari total kontrol.
Hal ini dapat diatasi dengan menggunakan komputer visi sebagai inspeksi visual
produk control. Dalam menentukan klasifikasi otomatisasi digunakan klasifikasi
Support Vector Machines.
Klasifikasi Support Vector Machines jenis kayu jati parket bertujuan
mengklasifikasikan parket ke dalam beberapa jenis parket yang berbeda-beda
tetapi mempunyai sifat yang serupa ke dalam kelompok-kelompok berdasarkan
pemakaiannya. Dalam penelitian parket dianalisa dengan menggunakan metode
Support Vector Machines (SVM). Features yang digunakan dalam analisa
2



klasifikasi ini adalah GLDM, PERCENTILE, dan LBP. Data dalam
penganalisasian terdiri dari 60 data citra kayu jati parket yang akan dianalisa
untuk dijadikan prediksi klasifikasi ke dalam jenis kayu jati parket 1,2, atau 3.
Daftar Pustaka (1997-2010)

Latar Belakang
Kayu jati atau Tectona
Grandis termasuk dalam kelas satu
karena kekuatan, keawetan dan
keindahannya. Meskipun keras dan
kuat, kayu jati mudah dipotong dan
dikerjakan, sehingga disukai untuk
membuat furniture dan ukir-ukiran.
Kayu jati Indonesia memiliki
beberapa kelebihan yang mungkin
tidak dimiliki oleh kayu-kayu jenis
lain baik dari sisi kekuatan ataupun
teksturnya. Dalam industri kayu
sekarang, jati juga diolah keping-
keping parket (parquet) penutup
lantai. Parket kayu juga memiliki
pola yang bermacam-macam. Pada
penulisan ini pola parket kayu
diklasifikasikan menjadi 3 (tiga)
macam pola, sebagaimana yang
diungkapkan oleh Diah Alfiani [3],
yaitu pola bergaris, pola melengkung
yang menyerupai huruf U dan juga
pola yang agak cacat (cacatnya tidak
melebihi 20 persen). Pengenalan pola
untuk klasifikasi ini memerlukan
otomatisasi.
Otomatisasi klasifikasi
memerlukan penentuan variabel yang
akan digunakan. Pada penelitian ini,
variabel yang digunakan adalah hasil
dari penelitian parket kayu jati
sebelumnya oleh Arum Agesti
Aprilia [1] dan Nanda Pramitha [19].
Batasan Masalah
Ruang lingkup yang dibahas
di dalam penulisan skripsi ini adalah
bagaimana menghasilkan
pengklasifikasi Support Vector
Machines parket kayu jati ke dalam
kelas 1, 2, dan 3.
Tujuan Penelitian
Penelitian ini bertujuan
untuk mengklasifikasi parket kayu
jati dengan Support Vector
Machines.

LANDASAN TEORI

Pengolahan Citra
3



Pengolahan citra merupakan
proses pengolahan dan analisis citra
yang banyak melibatkan persepsi
visual. Proses ini mempunyai ciri
data masukan dan informasi keluaran
yang berbentuk citra. Istilah
pengolahan citra digital secara umum
didefinisikan sebagai pemrosesan
citra dua dimensi dengan komputer.
Dalam definisi yang lebih luas,
pengolahan citra digital juga
mencakup semua data dua dimensi.
Citra digital adalah barisan bilangan
nyata maupun kompleks yang
diwakili oleh bit tertentu.
Dalam perwujudannya, citra
dibagi menjadi dua yaitu still images
(citra diam) dan moving images (citra
bergerak). Citra diam adalah citra
tunggal yang tidak bergerak. Citra
bergerak adalah rangkaian citra diam
yang ditampilkan secara berurutan
sehingga memberi kesan pada mata
kita sebagai gambar yang bergerak.
Setiap citra di dalam rangkaian itu
disebut frame. Gambar-gambar yang
tampak pada film layar lebar atau
televisi pada hakikatnya terdiri atas
ratusan sampai ribuan frame.
Citra sebagai keluaran suatu
sistem perekaman data dapat bersifat
optik berupa foto, bersifat analog
berupa sinyal video seperti gambar
pada monitor televisi, atau bersifat
digital yang dapat langsung disimpan
pada suatu pita magnetik. Citra yang
bersifat analog disebut dengan citra
yang kontinu. Sedangkan citra yang
bersifat digital disebut dengan citra
diskrit.
Kayu parket termasuk ke
dalam jenis kayu daun lebar. Kayu
parket merupakan potongan-
potongan beberapa jenis kayu
dengan beberapa butir yang dipasang
secara bersama-sama seperti sebuah
mosaik atau puzzle. Tujuan dasar
penggunaan kayu parket adalah
melapisi lantai agar terlihat lebih
indah. Tekstur kayu parket
mempunyai struktur yang lengkap,
struktur tersebut sulit dideskripsikan
dengan formula matematika.
Parket berasal dari istilah
berbahasa asing, yaitu parquette.
Parquette berarti menyusun
potongan-potongan kayu untuk
dijadikan penutup lantai. Parket
merupakan lembaran kayu berbentuk
persegi panjang, papan kecil dengan
pola tertentu, dengan pori-pori sangat
kecil, lebih dari kayu olahan. Ada
4



beberapa macam tipe parket yaitu :
Solid Wood, Engineering parquet,
Laminate parquet
Pada bidang perhutanan dan
perkayuan Indonesia, kayu
digolongkan atas dua kelompok kayu
besar yaitu : Kayu daun jarum
(softwood), Kayu daun lebar
(hardwood),
Untuk lantai kayu parket
akan lebih baik menggunakan kayu
jenis solid, karena kayu solid
tersebut tahan dari serangan rayap
selain memiliki tekstur yang bagus.
Selain itu buat susunan kayu yang
seimbang dengan bidang furniture.
Kelebihan menggunakan
lantai kayu parket adalah, sejuk
waktu panas, hangat waktu dingin,
indah dan anggun, nyaman akrab,
tidak masuk angin kalau ditiduri,
hygienic dan non allergy, tidak
membongkar dan merusak lantai
awal. Kondisi lapisan tidak sampai
mengelupas, tahan noda dan tahan
gores (ada lapisan corundum
crystal), tidak berobah warna, tahan
api rokok (ada lapisan corundum
crystal), tahan air dan waterproof
(lapisan atas laminate).
Dalam industri pengolahan
kayu, sangat tergantung dengan
susunan tekstur dan warna dari kayu.
Hal ini nilai ekstetika susunan tekstur
yang serupa dalam produk parket
kayu akan lebih indah. Hal ini
menjadikan suatu produk mempuyai
nilai kualitas yang tinggi yang
merupakan tujuan utama setiap
perindustrian kayu.

Dalam sistem klasifikasi
kayu, dilakukan suatu sistem
pengaturan beberapa jenis kayu yang
berbeda-beda tetapi memiliki sifat
yang serupa ke dalam kelompok-
kelompok dan subkelompok-
subkelompok berdasarkan
pemakaiannya. Sistem klasifikasi
memberikan suatu bahasan yang
mudah untuk menjelaskan secara
singkat sifat-sifat umum kayu yang
sangat bervariasi tanpa penjelasan
yang terperinci. Di dalam sistem
pengklasifikasian fitur kayu parquet
tersebut, digunakanlah berbagai
macam metode analisis fitur. Dan
salah satu metode analisis fitur kayu
parquet yang digunakan adalah
metode Support Vector Machines
(SVM).
5




Klasifikasi
Klasifikasi bertujuan untuk
memprediksi target kelas untuk
setiap kasus dalam data. Sebuah
tugas klasifikasi dimulai dengan satu
set data di mana kelas dikenal. Jenis
paling sederhana dari masalah
klasifikasi adalah klasifikasi biner.
Dalam klasifikasi biner, atribut target
hanya memiliki dua nilai yang
mungkin. Target multiclass memiliki
lebih dari dua nilai.
Dalam proses membangun
model (pelatihan), algoritma
klasifikasi menemukan hubungan
antara nilai-nilai prediksi dan nilai
target. Algoritma klasifikasi yang
berbeda menggunakan teknik yang
berbeda untuk menemukan
hubungan. Hubungan ini diringkas
dalam model, yang kemudian dapat
diterapkan pada data yang berbeda
ditetapkan di mana kelas tidak
diketahui. Klasifikasi model diuji
dengan membandingkan nilai-nilai
diprediksi nilai target dikenal dalam
satu set data uji. Data untuk
klasifikasi biasanya dibagi menjadi
dua set data: satu untuk membangun
model, yang lain untuk pengujian
model.
Sebuah model klasifikasi
diuji dengan menerapkan untuk
menguji data dengan nilai target
dikenal dan membandingkan nilai
prediksi dengan nilai-nilai diketahui.
Data uji harus sesuai dengan data
yang digunakan untuk membangun
model dan harus dipersiapkan
dengan cara yang sama. Biasanya
data train dan data test berasal dari
set data yang sama asalnya. Matrik
tes digunakan untuk menilai
seberapa akurat model dan
memprediksi nilai-nilai yang
diketahui. Hasil model klasifikasi
berupa kelas dan probabilitas untuk
setiap data.
Support Vector Machine
(SVM) adalah sistem pembelajaran yang
menggunakan ruang hipotesis berupa
fungsi-fungsi linier dalam sebuah ruang
fitur (feature space) berdimensi tinggi,
dilatih dengan algoritma pembelajaran yang
didasarkan pada teori optimasi dengan
mengimplementasikan learning bias
yang berasal dari teori pembelajaran statistik
[1]. Teori yang mendasari SVM sendiri
sudah berkembang sejak 1960-an, tetapi
baru diperkenalkan oleh Vapnik, Boser dan
6



Guyon pada tahun 1992 dan sejak itu SVM
berkembang dengan pesat. SVM adalah
salah satu teknik yang relatif baru
dibandingkan dengan teknik lain, tetapi
memiliki performansi yang lebih baik di
berbagai bidang aplikasi seperti
bioinformatics, pengenalan tulisan
tangan, klasifikasi teks dan lain sebagainya
[2].
Strategi lainnya untuk
mempercepat algoritma decomposition
adalah shrinking dan caching yang
pertama kali diperkenalkan oleh Joachim.
Shrinking merupakan strategi heuristik
yang memperkecil permasalahan pencarian
solusi untuk persoalan optimasi di atas
dengan mengabaikan beberapa
bounded support vector ( = C). Hal
ini dapat dilakukan karena umumnya nilai
bounded support vector setelah
beberapa iterasi dapat diidentifikasi dan
bernilai tetap sampai akhir iterasi [8]. Akan
tetapi, apabila solusi permasalahan dengan
menerapkan shrinking bukan solusi optimal
untuk (2.26) maka optimasi dilanjutkan
dengan menggunakan keseluruhan
variabel. Seperti yang dilihat di atas
algoritma decomposition melakukan
iterasi sampai solusi persamaan (2.22)
ditemukan. Dalam setiap iterasi nilai
elemen matriks digunakan. Agar
tidak perlu dilakukan perhitungan ulang
nilai maka nilai yang baru
digunakan disimpan di memori sehingga
waktu komputasi yang dibutuhkan menjadi
jauh lebih singkat. Strategi ini disebut
dengan caching.
Akurasi model yang akan
dihasikan dari proses pelatihan dengan
SVM sangat bergantung pada fungsi kernel
serta parameter yang digunakan. Oleh
karena itu performansinya dapat dioptimasi
dengan mencari (mengestimasi) parameter
terbaik. Ada beberapa cara yang dapat
dilakukan antara lain cross validation
(mudah digunakan), leave-one-
out (akurat tetapi membutuhkan biaya
komputasi yang tinggi), dan -estimator
[9]. Cara yang ketiga merupakan modifikasi
cara kedua yang diusulkan oleh Joachim
[9]. K-folds cross-validation dapat
digunakan untuk menentukan nilai
parameter C dan parameter kernel yang
tidak overfit data pelatihan [5]. Dengan
metode ini, data yang diambil secara acak
kemudian dibagi menjadi k buah partisi
dengan ukuran yang sama. Selanjutnya,
dilakukan iterasi sebanyak k. Pada setiap
iterasi digunakan sebuah partisi sebagai data
pengujian, sedangkan k-1 partisi sisanya
digunakan sebagai data pelatihan. Jadi akan
dicoba berbagai nilai parameter dan
7



parameter terbaik ditentukan melalui k-
folds cross-validation.
Imbalanced dataset adalah
dataset yang memiliki contoh kelas negatif
(kelas mayoritas) jauh lebih banyak
daripada contoh kelas positif (kelas
minoritas) misalnya pada
aplikasi fraud detection rasio
imbalance dapat mencapai 100 : 1 dan
bahkan bisa mencapai 100000 : 1 pada
aplikasi lain. Banyak teknik klasifikasi yang
akurasinya menurun ketika diterapkan pada
dataset dengan imbalance ratio yang
tinggi karena umumnya teknik tersebut
didesain untuk mengeneralisasi data
pelatihan dan menghasilkan hipotesis paling
sederhana yang sesuai dengan data tersebut
[10]. Akan tetapi, hipotesis yang dihasilkan
sering kali memprediksi hamper semua
instance sebagai kelas yang menjadi
mayoritas dalam data pelatihan. Selain itu
data dari kelas minoritas mungkin dianggap
noise sehingga mungkin saja diabaikan
oleh teknik klasifikasi [10].
SVM sendiri merupakan salah satu
teknik yang tidak terlalu sensitif terhadap
imbalanced dataset karena hipotesis
yang dihasilkan hanya dipengaruhi oleh
sebagian data yaitu data yang menjadi
support vector. Ada beberapa alasan
mengapa performansi SVM mungkin
menurun jika diterapkan pada
imbalanced dataset yaitu data dari kelas
minoritas terletak jauh dari bidang pemisah
yang ideal, kelemahan pada soft-margin
hyperplane (jika nilai parameter C kecil
maka SVM cenderung mengklasifikasikan
data sebagai kelas mayoritas), dan rasio
support vector yang tidak seimbang [10].
Pendekatan yang populer untuk mengatasi
masalah ini adalah memberikan bias
kepada teknik klasifikasi sehingga lebih
memperhatikan instance dari kelas
minoritas. Hal ini dapat dilakukan melalui
pemberian pinalti yang lebih besar jika
terjadi kesalahan dalam mengklasifikasikan
kelas minoritas, dibandingkan jika salah
mengklasifikasikan kelas mayoritas.
Pada pelatihan dengan
menggunakan SVM tidak terdapat
mekanisme untuk mengetahui atribut yang
penting atau yang kurang penting. Atribut
yang kurang penting umumnya
tidak mempengaruhi efektifitas teknik
klasifikasi. Oleh karena itu, jika atribut yang
kurang penting ini dibuang maka efisiensi
teknik klasifikasi akan meningkat.
Efektifitas teknik klasifikasi juga dapat
meningkat jika atribut yang kurang penting
ini ternyata menjadi noise. Pada SVM
salah satu cara yang sederhana untuk
mengetahui atribut yang penting adalah
8



seperti yang dilakukan pada [12]. Pemilihan
atribut penting dilakukan dengan
mengevaluasi efektifitas dan efisiensi teknik
klasifikasi setelah sebuah fitur dihilangkan.
Dari hasil pengujian setelah fitur ini
dihilangkan dapat diketahui sebuah fitur
penting atau tidak dari perbedaan efisiensi
dan efektifitas.
Pada SVM hanya support vector
(data yang berada di perbatasan antar kelas)
yang mempengaruhi fungsi keputusan hasil
pelatihan. Karakteristik ini, dapat
menyelesaikan masalah utama SVM yang
menjadi lambat ketika dilatih dengan
menggunakan data dalam jumlah yang
sangat besar. Dengan demikian, kita dapat
memilih kandidat support vector sebelum
pelatihan, sehingga mengurangi jumlah
data pelatihan dan pada akhirnya
mengurangi kebutuhan penggunaan
memori [14].
METODE PENELITIAN
Penelitian ini adalah
mengklasifikasi jenis parket kayu jati
berdasarkan citra. Citra ini dibagi
menjadi 3 kelas. Jumlah masing-
masing citra dari 3 kelas ini adalah
20 image. Jadi jumlah seluruh citra
adalah 60 buah. Ukuran citra yang
digunakan dijadikan sama dengan
melihat ukuran yang terkecil dari
masing-masing citra yang berbeda.
Di mana panjangnya 195 x 1976.
Citra ini menghasilkan fitur GLDM,
fitur PERCENTILE, dan fitur LBP.
Setelah menghasilkan fitur,
dilakukan klasifikasi SVM.
Klasifikasi SVM ini menghasilkan
model pelatihan sebanyak 15 citra
dari masing-masing kelas dan model
pengujian sebanyak 5 buah dari
masing-masing kelas.
Awalnya dilakukan analisis
tekstur GLDM yang menghasilkan
nilai fitur. Fitur GLDM ini
didapatkan dari Contrast, Angular
Second Moment (ASM), Entropy,
Inverse Difference Moment (IDM)
dan Mean. Nilai dari fitur-fitur ini
berdasarkan dari sudut yang diambil
yaitu sudut 0, sudut 45, sudut 90
dan sudut 135. Fitur GLDM ini
membagi image dalam proses block
dengan ukuran 8 x 8, kemudian
setiap sub-image akan dianalisis
menggunakan metode statistikal
GLDM yang telah dihasilkan dari
Arum Agesti Aprilia [22]. Pada
bagian ini menampilkan nilai fitur
tekstural GLDM. Namun, karena
hasil regionisasi dari data citra terlalu
banyak, maka pada bagian ini hanya
9



menampilkan sebagian contoh nilai
fitur GLDM.

Data Masukan PERCENTILE
Dalam metode percentile
warna, menganalisanya pada
percentile 10, percentile 30,
percentile 50, percentile 70, dan
percentile 90 untuk masing-masing
warna dari RGB (Red Green Blue).
Nilai dari masing-masing percentile
menghasilkan pixel. Sama seperti
metode statistikal GLDM, pada
metode color percentile sebelum
proses analisis tiap image dibagi
menjadi 8 x 8 sub-image.
Data masukan ini
menganalisa jenis kayu jati parket
dalam bentuk citra RGB. Pada
bagian ini menampilkan nilai
percentile. Namun, karena hasil
regionisasi dari data citra terlalu
banyak, maka pada bagian ini hanya
menampilkan sebagian contoh nilai
fitur percentile.

Data Masukan LBP
Data yang digunakan adalah
data kayu parket yang terlebih
dahulu dilakukan ekstraksi warna
dengan menggunakan Local Binary
Pattern yang dianalisis oleh Nanda
Pramitha [23]. Data-data yang
diambil akan dijadikan nilai features
yang telah ditentukan nilainya. Nilai
features berdasarkan dari jumlah
neighbor (nilai tetangga) 8, 16 dan
24 yang masing-masing nilai akan
diambil 10 features dari setiap data.
Nilai features dari setiap data akan
terbagi menjadi dua yaitu data
training sebanyak 15 data dan data
testing sebanyak 5 data.
Features setiap data akan
dijadikan matriks. Matriks tersebut
disesuaikan dengan nilai dari
masing-masing LBP. Matriks
tersebut akan dkelompokkan menjadi
matriks data training dan matriks
data testing. Setiap data dari image
akan dijadikan satu matriks dengan
panjang baris yang sama untuk setiap
nilai features LBP.
Data inputan akan diolah
dengan menggunakan metode Local
Binary Pattern berdasarkan dari
neighbor 8, 16, dan 24. Nilai
neightbour ini menentukan hasil
features dari setiap data yang akan
diinputkan.
Pada bagian ini
menampilkan nilai fitur tekstural
10



LBP 8. Namun, karena hasil
regionisasi dari data citra terlalu
banyak, maka pada bagian ini hanya
menampilkan sebagian contoh nilai
fitur LBP 8.

Spesifikasi Hardware dan Software
yang digunakan
Spesifikasi hardware dan
software yang digunakan pada
pengembangan aplikasi klasifikasi
SVM ini :
1. Hardware
Spesifikasi hardware yang
digunakan untuk membuat
program ini adalah sebagai
berikut :

Prosesor Intel
Pentium 1.86 GHz.
Memori 120 GB.
Harddisk 1 Gb.
Laptop 14.
Mouse dan Keyboard.

2. Software
Spesifikasi software yang
digunakan untuk membuat
program ini adalah sebagai
berikut :
Windows XP
Professional sebagai
sistem operasi.
Matlab 2008a sebagai
perangkat lunak
pengolahan citra.

Model Pelatihan
Fitur ditraining terlebih
dahulu dengan menggunakan fungsi
genpred. Saat pelatihan
menggunakan waktu untuk
memproses training. Image yang
digunakan saat train sebanyak 15
buah dari masing-masing kelas pada
metode analisisnya. Dalam proses
training ini membutuhkan counter
atau jumlah kelas untuk
mengklasifikasikan parket kayu jati,
label yang menandakan parket kayu
jati tersebut termaksud dalam kelas
berapa nantinya. Tools yang
digunakan adalah PRTOOLS untuk
klasifikasi. Pada saat mengtrain
menghasilkan dataset yang didapat
dari memasukkan jumlah
keseluruhan data dari semua kelas
(label), banyaknya data dari masing-
masing kelas (counter), prior, dan
nilai fitur dari metode analisis
11



tersebut. Saat mengklasifikasikan
menggunakan klasifikasi nuSVM.
Hasilnya dapat dilihat dengan
melihat nilai Ws dari hasil train
datasetnya
Model Pengujian
Setelah fitur ditraining maka
ditesting dengan menggunakan
fungsi evalpred. Saat pengujian
menggunakan waktu untuk
memproses testing. Image yang
digunakan saat test sebanyak 5 buah
dari masing-masing kelas pada
metode analisisnya. Dalam proses
testing ini membutuhkan counter
atau jumlah kelas untuk
mengklasifikasikan parket kayu jati,
label yang menandakan parket kayu
jati tersebut termaksud dalam kelas
berapa nantinya. Tools yang
digunakan adalah PRTOOLS untuk
klasifikasi. Pada saat mengtest akan
melakukan pengujian terhadap 15
gambar dari 5 gambar.. Saat
mengklasifikasikan menggunakan
klasifikasi nuSVM. Hasilnya dapat
dilihat dengan melihat nilai Labels
dari hasil test yang memiliki nilai
confidence terbaik untuk menyatakan
kelas mana inmage tersebut

Classifier
Classifier yang digunakan
adalah Nu_SVC. Classifier ini
berfungsi untuk mengklasifikasi fitur
GLDM, PERCENTILE, dan LBP.
Classifier menentukan pencocokan
kelas dari masing-masing fitur yang
sesuai. Dilihat dari masing-masing
fitur maka classifier kurang dapat
mengklasifikasi fitur yang ada.
Classifier dibentuk dari PRTools.

PRTools
PRTools adalah sebuah
toolbox matlab untuk
mengklasifikasi suatu data. Di mana
di dalamnya terdapat mendefinisikan
kelas dan objek. Di dalam kelas
PRTools akan mengidentifikasi
dataset. Struktur data pusat PRTools
adalah dataset. Ini terutama terdiri
dari satu set objek direpresentasikan
oleh matriks vektor fitur. Elemen-
elemen matriksnya adalah satu set
label untuk setiap objek dan satu set
fitur, juga disebut label fitur. Label
bernilai integer. Selain itu, satu set
probabilitas untuk masing-masing
kelas, disimpan. Umumnya dataset
itu dinyatakan dengan A dan bisa
menangani multi-kelas set objek. Hal
12



ini dimungkinkan untuk
mendefinisikan lebih dari satu set
label dalam dataset. Misalnya, saat
obyek yang piksel dalam gambar,
maka mungkin diberi label sesuai
segmen citra, tetapi juga untuk
gambar yang digunakan. Struktur
data kelas menyimpan data
transformasi, pengklasifikasi, hasil
ekstraksi fitur, data definisi skala,
proyeksi nonlinier, dan sebagainya.
Biasanya dinyatakan dengan W.

ANALISA HASIL
Analisa hasil klasifikasi SVM
ini didapatkan dari train dan test.
Fitur yang ditraining didapatkan dari
fitur yang gambarnya tidak
dimasukkan pada tahap training dan
fitur yang gambarnya dimasukkan
pada tahap training. Fitur yang
gambarnya dimasukkan pada tahap
training dilakukan percobaan
sebanyak 5 kali. Bentuk dari analisa
hasil klasifikasi SVM berupa
persentasi tingkat akurat prediksi
kelas mana yang cocok dari masing-
masing image. Maka dari itu
didapatkan hasil klasifikasi SVM
yang terbaik. Berikut analisa hasil
dari fitur GLDM, fitur
PERCENTILE, dan fitur LBP yang
gambarnya tidak digunakan pada
tahap training :


Analisa SVM Pada GLDM
Ini dilihat dari berapa banyak
gambar yang cocok sesuai dengan
penempatan kelas. Maka dari itu
total persen error rate GLDM adalah
73 % error rate. Terlalu besar
kesalahan yang di peroleh. Jadi,
GLDM kurang cocok untuk
diklasifikasikan menggunakan SVM.
Dikarenakan data yang didapat
masih sedikit, nilai fitur terlalu besar,
dan SVM belum bisa mengenali pola
sesuai dengan kelasnya. Nilai
confidence value-nya hampir
semuanya 1.

Analisa SVM Pada PERCENTILE
Pada tabel 4.2 disimpulkan
bahwa klasifikasi PERCENTILE
memiliki total error rate 100 %.
Dikarenakan setiap gambar tidak ada
yang cocok sesuai dengan kelasnya.
Maka dari itu PERCENTILE sangat
tidak cocok diklasifikasikan
menggunakan SVM karena nilai fitur
yang disediakan adalah nilai pixel
13



serta pengelompokan kelasnya tidak
ada yang cocok. Nilai confidence
value hampir semuanya 0,99.

Analisa SVM Pada LBP 8
Pada tabel 4.3 di bawah ini
setiap gambar masuk ke kelas 2
semuanya. Kecocokannya hanya
dimiliki pada gambar 6 sampai
gambar 10 yang tidak memiliki error
rate. Gambar lainnya memiliki error
rate 100 %. Jadi total error rate
adalah 33,33 %. Maka dari ini LBP 8
tidak cocok pada klasifikasi SVM,
dikarenakan terlalu banyak fitur.
Nilai confidence value-nya adalah
0,99 tiap image.

Analisa SVM Pada LBP 16, LBP
24, LBP 8 + LBP 16, LBP 8 + LBP
24, LBP 16 + LBP 24, LBP 8 +
LBP 16 + LBP 24
Pada tabel 4.4 di bawah ini
setiap gambar masuk ke kelas 3
semuanya. Kecocokannya hanya
dimiliki pada gambar 11 sampai
gambar 15 yang tidak memiliki error
rate. Gambar lainnya memiliki error
rate 100 %. Maka dari ini LBP tidak
cocok pada klasifikasi SVM,
dikarenakan terlalu banyak fitur dan
data train-nya yang sedikit. Vector
Machines kurang dapat identifikasi
perbedaan setiap kelas. Jadi total
error rate adalah 33,33 %. Nilai
confidence value-nya adalah 1 tiap
image.

Analisa SVM Pada GLDM dan
PERCENTILE
Pada tabel 4.5 di bawah ini
setiap gambar masuk ke kelas 2
semuanya. Kecocokannya hanya
dimiliki pada gambar 6 sampai
gambar 10 yang tidak memiliki error
rate. Gambar lainnya memiliki error
rate 100 %. Jadi total error rate
adalah 33,33 %. Nilai confidence
value-nya adalah 0,97.
Maka dari ini gabungan
GLDM dan PERCENTILE tidak
cocok pada klasifikasi SVM,
dikarenakan terlalu banyak fitur.
Jumlah data untuk training sedikit.
Vector Machines kurang dapat
identifikasi perbedaan setiap kelas.

Analisa SVM Pada GLDM + LBP
8, GLDM + LBP 16, GLDM + LBP
24, GLDM + (LBP 8 + LBP 16),
GLDM + (LBP 8 + LBP 24),
GLDM + (LBP 16 + LBP 24),
14



GLDM + (LBP 8 + LBP 16 + LBP
24)
Pada tabel 4.6 di bawah ini
setiap gambar masuk ke kelas 2
semuanya. Kecocokannya hanya
dimiliki pada gambar 6 sampai
gambar 10 yang tidak memiliki error
rate. Gambar lainnya memiliki error
rate 100 %. Jadi total error rate
adalah 33,33 %. Nilai confidence
value-nya adalah 0,98.
Maka dari ini gabungan
GLDM dan LBP tidak cocok pada
klasifikasi SVM, dikarenakan terlalu
banyak fitur. Jumlah data untuk
training sedikit. Vector Machines
kurang dapat identifikasi perbedaan
setiap kelas.

Analisa SVM Pada PERCENTILE
+ LBP 8, PERCENTILE + LBP 16,
PERCENTILE + LBP 24,
PERCENTILE + (LBP 8 + LBP
16), PERCENTILE + (LBP 8 +
LBP 24), PERCENTILE + (LBP
16 + LBP 24), PERCENTILE +
(LBP 8 + LBP 16 + LBP 24)
Pada tabel 4.7 di bawah ini
setiap gambar masuk ke kelas 3
semuanya. Kecocokannya hanya
dimiliki pada gambar 11 sampai
gambar 15 yang tidak memiliki error
rate. Gambar lainnya memiliki error
rate 100 %. Jadi total error rate
adalah 33,33 %. Nilai confidence
value-nya adalah 0,99. Maka dari ini
gabungan PERCENTILE dan LBP
tidak cocok pada klasifikasi SVM,
dikarenakan terlalu banyak fitur.
Jumlah data untuk training sedikit.
Vector Machines kurang dapat
identifikasi perbedaan setiap kelas.

Analisa SVM Pada PERCENTILE
Pada tabel 4.9 disimpulkan
bahwa klasifikasi PERCENTILE
memiliki total error rate 100 %.
Dikarenakan setiap gambar tidak ada
yang cocok sesuai dengan kelasnya.
Maka dari itu PERCENTILE sangat
tidak cocok diklasifikasikan
menggunakan SVM karena nilai fitur
yang disediakan adalah nilai pixel.
Nilai confidence value-nya hampir
semuanya 0,99.

Analisa SVM Pada GLDM dan
PERCENTILE
Error rate (e) pada GLDM
dan PERCENTILE adalah


15



(untuk class 1)



(untuk class 2)



(untuk class 3)

Ini dilihat dari berapa banyak
gambar yang cocok sesuai dengan
penempatan kelas. Maka dari itu
total persen error rate GLDM dan
PERCENTILE adalah 67 % error
rate. Terlalu besar kesalahan yang di
peroleh. Jadi, GLDM kurang cocok
untuk diklasifikasikan menggunakan
SVM. Dikarenakan data yang
didapat masih sedikit, nilai fitur
terlalu besar, dan SVM belum bisa
mengenali pola sesuai dengan
kelasnya. Nilai confidence value-nya
berkisar dari 0,89 - 0,99.
Maka dari ini gabungan
GLDM dan PERCENTILE tidak
cocok pada klasifikasi SVM,
dikarenakan terlalu banyak fitur.
Jumlah data untuk training sedikit.
Vector Machines kurang dapat
identifikasi perbedaan setiap kelas.

Analisa SVM Pada LBP 8, LBP 16,
LBP 24, LBP 8 + LBP 16, LBP 8 +
LBP 24, LBP 16 + LBP 24, LBP 8
+ LBP 16 + LBP 24
Pada tabel 4.11 di bawah ini
setiap gambar masuk ke kelas 2
semuanya. Kecocokannya hanya
dimiliki pada gambar 6 sampai
gambar 10 yang tidak memiliki error
rate. Gambar lainnya memiliki error
rate 100 %. Maka dari ini LBP tidak
cocok pada klasifikasi SVM,
dikarenakan terlalu banyak fitur dan
data train-nya yang sedikit. Vector
Machines kurang dapat identifikasi
perbedaan setiap kelas. Jadi total
error rate adalah 33,33 %. Nilai
confidence value-nya adalah 1 tiap
image.

Analisa SVM Pada GLDM + LBP
8, GLDM + LBP 16, GLDM + LBP
24, GLDM + (LBP 8 + LBP 16),
GLDM + (LBP 8 + LBP 24),
GLDM + (LBP 16 + LBP 24),
GLDM + (LBP 8 + LBP 16 + LBP
24)
Pada tabel 4.12 di bawah ini
setiap gambar masuk ke kelas 3
semuanya. Kecocokannya hanya
16



dimiliki pada gambar 11 sampai
gambar 15 yang tidak memiliki error
rate. Gambar lainnya memiliki error
rate 100 %. Jadi total error rate
adalah 33,33 %. Nilai confidence
value-nya adalah 0,98.
Maka dari ini gabungan
GLDM dan LBP tidak cocok pada
klasifikasi SVM, dikarenakan terlalu
banyak fitur. Jumlah data untuk
training sedikit. Vector Machines
kurang dapat identifikasi perbedaan
setiap kelas.

Analisa SVM Pada PERCENTILE
+ LBP 8, PERCENTILE + LBP 16,
PERCENTILE + LBP 24,
PERCENTILE + (LBP 8 + LBP
16), PERCENTILE + (LBP 8 +
LBP 24), PERCENTILE + (LBP
16 + LBP 24), PERCENTILE +
(LBP 8 + LBP 16 + LBP 24)
Pada tabel 4.13 di bawah ini
setiap gambar masuk ke kelas 2
semuanya. Kecocokannya hanya
dimiliki pada gambar 6 sampai
gambar 10 yang tidak memiliki error
rate. Gambar lainnya memiliki error
rate 100 %. Jadi total error rate
adalah 33,33 %. Nilai confidence
value-nya adalah 0,99. Maka dari ini
gabungan PERCENTILE dan LBP
tidak cocok pada klasifikasi SVM,
dikarenakan terlalu banyak fitur.
Jumlah data untuk training sedikit.
Vector Machines kurang dapat
identifikasi perbedaan setiap kelas.

Perbandingan Analisa hasil SVM
yang Imagenya Digunakan Pada
Training dan Tidak Digunakan
Pada Training dari Fitur GLDM,
Fitur PERCENTILE, dan Fitur
LBP
Perbandingan dari masing-
masing fitur dilihat dari error rate,
testing, dan confusion matriknya.
Analisa hasil SVM fitur GLDM yang
imagenya tidak digunakan pada
training, nilai confidence value-nya
sama besar dengan analisa hasil
SVM fitur GLDM image-nya
digunakan pada training. Di mana
berjumlah 73 %. Analisa hasil SVM
fitur PERCENTILE yang image-nya
tidak digunakan pada training
confidence value-nya sama besar
dengan analisa hasil SVM fitur
PERCENTILE image-nya digunakan
pada training. Di mana persentase-
nya adalah 100 %. Analisa hasil
SVM fitur GLDM dan
17



PERCENTILE yang image-nya tidak
digunakan pada training nilai
confidence value-nya lebih kecil
daripada analisa hasil SVM fitur
GLDM dan PERCENTILE image-
nya digunakan pada training. Di
mana persentase fitur GLDM dan
PERCENTILE yang image-nya tidak
digunakan pada training adalah
33,33 % sedangkan fitur GLDM dan
PERCENTILE image-nya digunakan
pada training adalah 67 %. Pada fitur
LBP nilai persentase-nya sama
semua yaitu 33,33 % yang dimana
memiliki klasifikasi kelas yang sama
semua dari masing-masing image.
Dikarenakan nilainya hampir sama
semua dan jumlah data yang terlalu
banyak.

Metode One Against One
Pada metode One Against
One ini terlihat pada masing-masing
fitur yang dimana klasifikasi setiap
kelas tidak cocok semuanya karena
dimensi nilainya terlalu besar dan
fitur yang terlalu banyak. Nilai
fiturnya hampir sama sulit untuk
membedakan perbedaan klasifikasi.

Analisa Umum SVM Pada Fitur
GLDM, PERCENTILE, dan LBP
Pada fitur GLDM ini SVM
memiliki nilai fitur yang terlalu
besar, dan jumlah fiturnya terlalu
banyak maka dari itu dapat dilihat
dari error rate yang cukup besar
persentase-nya yaitu 73 %. Pada
fitur percentile memiliki nilai fitur
yang besar dan merupakan nilai pixel
dari masing masing-masing
percentile. Error rate percentile
sangat besar yaitu 100 %. Pada fitur
LBP memiliki kecocokan kelas
hampir sama semuanya. Terlihat dari
nilai fitur LBP yang hampir sama
dari masing-masing citra. Jadi
memiliki error rate yang sama pula.
Pengujian ini dilakukan berulang-
ulang sebanyak 5 kali.
Kesimpulan
Skripsi ini menghasilkan
program untuk menentukan
klasifikasi SVM pada fitur GLDM,
PERCENTILE, dan LBP. Proses
klasifikasi SVM dapat dilihat dari
error rate dari masing-masing fitur.
Error rate yang terbaik adalah fitur
GLDM dan PERCENTILE yang
imagenya digunakan pada training
yaitu 40 % untuk kelas 1, 80 % untuk
18



kelas 2, dan 80 % untuk kelas 3.
Besarnya nilai error rate ini
disebabkan oleh jumlah fitur yang
terlalu banyak dan jumlah training
image yang terlalu sedikit sehingga
classifier sulit untuk memberikan
confidence value yang cukup
signifikan.
Saran
Klasifikasi SVM ini dapat
ditingkatkan dengan melakukan
penambahan data yang digunakan
untuk training dan mereduksi jumlah
fitur yang digunakan. Selain itu,
kombinasi dari fitur yang
memberikan hasil terbaik yaitu
GLDM dan PERCENTILE dapat
digunakan sebagai rekomendasi
metode ekstraksi fitur untuk
penelitian lain yang sejenis.

DAFTAR PUSTAKA

Agesti, Arum Aprilia. Analisis
Tekstur Parket Kayu Jati
Berdasarkan Penggabungan
Fitur Ekstraksi Metode
Statistikal GLDM dan
Metode Color Percentile,
Universitas Gunadarma,
2011.
Akbani, Rehan et. Al. 2004. Applying
Support Vector Machine to
Imbalanced Datasets, 2004.
Proceedings of ECML-04.
Alfiani, Diah. Sistem Pengenalan
Parket Kayu Menggunakan
Sub Region, Draft Disertasi
Program Doktor Teknologi
Informasi Universitas
Gunadarma, 2010.
Arief, Muhammad R. H. Klasifikasi
Parket Kayu Jati
berdasarkan Analisa Tekstur
GLDM dengan Metode
Backpropagation, Universitas
Gunadarma, 2010.
Bernhard Schlkopf. A Tutorial on
nu-Support Vector Machines,
Max Planck Institute for
Biological Cybernetics,
Tbingen, Germany
bernhard.schoelkopf@tuebin
gen.mpg.de
Burges, Christopher. A Tutorial On
Support Vector Machines for
Pattern Recognition, Data
Mining and Knowledge
Discovery, 2(2):955-974. 1998.
Chang, Chih-Chung, Chih-Jen Lin. LIB
SVM : A Library for Support
Vector Machines, 2001.
19



Chen, Yi-Wei dan Chih-jen Lin.
Combining SVM with Various
Features Selection Strategies,
2003. Department of Computer
Science, National Taiwan
University.
Christianini, Nello. Support Vector and
Kernel Machines, ICML
tutorial, 2001.
Christianini, Nello dan John S. Taylor. An
Introduction to Support
Vector Machinesand Other
Kernel-based Learning
Methods, Cambridge University
Press, 2000.
Hsu, Chih-Wei et al. A Practical Guide
to Support Vector
Classification. Department of
Computer Science and
Information Engineering, National
Taiwan University. 2004.
Hsu, Chih-Wei, Chih-Jen Lin. A
Comparison of Methods for
Multi-class Support Vector
Machines, IEEE Transactions on
Neural Networks, 13(2):415-
425.2002.
Katagiri, Shinya dan Shigeo Abe.
Incremental Training of
Support Vector Machines
Using Hyperspheres, Graduate
School of Science and technology,
Kobe University. 2006.
Lin, Chih-Jen. 2005. Optimization,
Support Vector Machines,
and Mahine Learning,
http://www.csie.ntu.edu.tw/%
7Ecjlin/papers/rome.pdf.
Diakses tanggal 10 Januari2007.
Muhammad, Nicky Zahab. Analisis
Tekstur Parket Kayu Jati
Dengan Menggunakan
Metode Statistikal Gray Level
Difference Method,
Universitas Gunadarma,
2009.
Mukkamala, S. et al. Feature Selection
for Intrusion Detection using
Neural Networks and Support
Vector Machines, 2003.
Osuna, Edgar E. et. al.1997. Support
Vector machines: Training
and Applications, MIT, 1997.
Pai-Hsuen Chen, Chih-Jen Lin. A
Tutorial on nu-Support
Vector Machines, Department
of Computer Science and
Information Engineering
National Taiwan University
Taipei 106, Taiwan.
Pramitha, Nanda. Analisa Fitur
Parket Kayu Jati
20



Berdasarkan Warna dan
Tekstur Menggunakan
Metode Local Binary Pattern,
Universitas Gunadarma,
2011.
Prasetiyo. A Comparative Study of
Feature Extraction Methods
for Wood Texture
Classification. Laboratoire
Electronique, Informatique et
Image (LE2I) UMR CNRS
5158 Le Creusot, France.
2010.
Quang, Anh tran et al. Evolving
Support Vector Machine
Parameters, Slide presentasi
ICML. Tsinghua University, 2002.
R.P.W. Duin, P. Juszczak, P. Paclik,
E. Pekalska, D. de Ridder,
D.M.J. Tax, S. Verzakov.
PRTools4 A Matlab Toolbox
for Pattern Recognition,
Version 4.1, August 2007.
Schlkopf, Bernhard. Estimating the
Support of High-Dimensional
Distribution, Neural
Computation 13, 1443-1471.
MIT. 2001.
Steve R. Gunn. Support Vector
Machines for Classification
and Regression, Faculty of
Engineering, Science and
Mathematics School of
Electronics and Computer
Science, University of
Southampton. 10 May 1998.
Wu, Shih-Hung (Ph.D), Lin, Chih-
Jens. Support Vector
Machines and SVM Tool,
Dept. of CSIE, CYUT.