Buana Matematika: Jurnal Ilmiah Matematika dan Pendidikan Matematika

Volume 8, Nomor 1, Tahun 2018

p-ISSN 2088-3021
e-ISSN 2598-8077

KLASIFIKASI KENDARAAN BERMOTOR DENGAN MULTI

KERNEL SUPPORT VECTOR MACHINE

Muhammad Athoillah
Pendidikan Matematika, Fakultas Keguruan dan Ilmu Pendidikan, Universitas PGRI Adi
Buana Surabaya
athoillah.muhammad@gmail.com

Abstract

Since October 2017, Electronic automatic payments have been applied in all
Indonesian toll roads. This payment system needes an extra system which is able
to distinguish the types of motor vehicles that will enter the toll road due to the
regulation itself which allow four-wheel or more vehicle to pass the toll road.
This automatic system can be built by a classification algorithm, and one of the
best is Support Vector Machine (SVM), in order to be able to classify non-linear
separable data, SVM must be modified by giving kernel function on it.
Furthermore, determining the approriate kernel for every classification problem
is a fundamental step, and that’s obviously not easy, to solve that problem the
researchers found a method that can make this kernel function more flexible, this
method called Multi Kernel Learning (MKL). Main idea of this method is
formulating some kernel function to be one kernel function. This framework is
built an automatic system to classify the types of motor vehicles using Support
Vector Machine modified using Multi Kernel Learning method. The
experimental result shows that the system has a good average value of accuracy
that is 84.60%, the average value of precision is 84.95% and also average value
of recall is 84.60%

Keyword: Kendaraan Bermotor, Klasifikasi, Multi Kernel, Support Vector

Machine.

PENDAHULUAN melainkan cukup dengan menggunakan

Berdasarkan Peraturan Menteri PUPR
Nomor 16/PRT/M/2017, mulai oktober
2017 seluruh transaksi di gerbang jalan Tol
di Indonesia berubah menjadi transaksi non-
tunai. Itu artinya penggunaan Gerbang Tol
Otomatis (GTO) telah diterapkan pada
setiap jalan Tol di Indonesia. Dengan
Gebang Tol Otomatis ini pengguna jalan Tol
tidak lagi dilayani oleh petugas gerbang Tol
kartu e-money maka gerbang Tol akan
secara otomatis terbuka. Dengan sistem
pembayaran otomatis seperti ini, tentunya
dibutuhkan sebuah sistem tambahan yang
mampu untuk membedakan jenis kendaraan
bermotor yang hendak melewati Gerbang
Tol Otomatis, hal tersebut berkaitan dengan
regulasi bahwa kendaraan bermotor yang
diperbolehkan untuk melewati jalan Tol

1
 Muhammad Athoillah: Klasifikasi Kendaraan Bermotor Dengan Multi Kernel Support
Vector Machine
hanya kendaraan bermotor roda empat atau
lebih.
Membangun sistem yang mampu
membedakan jenis kendaraan bermotor
dapat dilakukan dengan mengggunakan
algoritma klasifikasi. Salah satu algoritma
pengklasifikasian yang sangat baik adalah
Support Vector Machine (SVM) (Athoillah,
dkk, 2015). Dengan menemukan hyperplane
terbaik pada input space, dimana hyperplane
tersebut didapatkan dengan menghitung
margin maksimal dari dua garis vektor
pemisah kedua kelas (support line), maka
hasil pemisahan kelas yang dihasilkan
menjadi lebih baik daripada algoritma lain
yang hanya memanfaatkan satu garis
pemisah yang didapat dengan menghitung
jarak terdekat antar data (Clarke, dkk, 2009;
Campbell, dkk, 2011 ).
Meskipun SVM mampu
mengklasifikasikan data dengan sangat baik,
namun ternyata SVM hanya mampu
mengklasiikasikan data yang bersifat linier
saja. Untuk dapat mengklasifikasikan data
yang bersifat non-linier maka SVM harus
dimodifikasi sedemikian rupa, salah satu
metode yang dapat digunakan adalah dengan
menambahkan fungsi kernel di dalamnya.
Namun faktanya, dari beberapa fungsi
kernel yang dapat digunakan, tidak semua
kernel dapat memberikan hasil yang
maksimal pada tiap permasalahan, hal ini
dikarenakan setiap data yang digunakan
memiliki karakteristik sendiri dan tidak
2
semua data sesuai dengan fungsi kernel yang
digunakan. Oleh karenanya, memilih fungsi
kernel yang tepat merupakan hal yang
fundamental dalam setiap penggunaan
SVM, hal ini tentunya tidaklah mudah,
untuk mempermudahnya para peneliti
membuat metode yang menjadikan fungsi
kernel tersebut menjadi lebih fleksibel,
metode ini biasa disebut dengan Multi
Kernel Learning (MKL) (Athoillah, dkk,
2015; Rakotomamonjy dkk, 2007).
Beberapa penelitian terbaru menunjukkan
bahwa pembelajaran multi kernel mampu
memberikan hasil yang baik dalam hal
mengklasifikasi (Athoillah, dkk, 2015;
Athoillah, 2017; Shrivastava dkk, 2015; Li
dkk, 2014). Ide dasar dari MKL adalah
dengan mengkombinasikan beberapa fungsi
kernel menjadi sebuah persamaan,
penjelasan lebih lanjut ada pada bab
berikutnya.
Berdasarkan latar belakang yang telah
dijabarkan, pada penelitian ini dibangun
sebuah sistem yang mampu untuk
mengklasifikasikan dan mengidentifikasi
kendaraan bermotor berupa roda dua
maupun roda empat dengan menggunakan
algoritma SVM yang dimodifikasi dengan
metode Multi Kernel Learning (MKL).
METODE PENELITIAN
1. Pra-Proses
Penelitian ini diawali dengan pra-
proses, yaitu dengan mengubah file-file
Buana Matematika: Jurnal Ilmiah Matematika dan Pendidikan Matematika
Volume 8, Nomor 1, Tahun 2018
p-ISSN 2088-3021
e-ISSN 2598-8077

gambar yang menjadi dataset penelitian

…
menjadi bentuk data matriks yang kemudian
34 33 33 36 … 36
dilakukan perhitungan untuk mendapatkan
nilai histogram dari citra tersebut. Histogram Dari data tersebut didapatkan histogram
adalah perhitungan frekuensi kemunculan sebagai berikut:
nisbi (relative) dari intesitas sebuah citra.
Secara matematis nilai histogram sebuah
citra dapat dihitung sengan persamaan
berikut:
𝑛𝑖
ℎ𝑖 = , 𝑖 = 0,1,2, … , 𝐿 − 1
𝑛
Dengan, 𝑛𝑖 merupakan jumlah pixel yang
mempunyai derajat keabuan 𝑖, kemudian n
Gambar 2. Contoh histogram
merupakan jumlah seluruh pixel, sedangkan
Gambar 2 menunjukkan histogram dari
𝐿 merupakan nilai dari derajat keabuan
Gambar 1 dimana sumbu horizontal
(Athoillah, 2017). Jadi, misalkan terdapat
menunjukkan nilai grey level sedangkan
sebuah citra input seperti Gambar 1 dibawah
sumbu vertikal menunjukkan nilai jumlah
ini:
dari grey level tersebut. Dari hasil ini maka
didapat vektor input untuk setiap citra
berupa 𝑋 = (𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥256 ) dengan 𝑥𝑖
merupakan feature yang didapat dari jumlah
pada setiap grey level.

2. Proses Klasifikasi
Gambar 1 Contoh citra input
Nilai 𝑋 = (𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥256 ) yang
Kemudian setelah diubah menjadi greyscale telah didapat dari proses sebelumnya,
dan dilakukan resize sehingga menjadi citra kemudian diklasifikasikan dengan
dengan ukuran 50 x 50 maka didapatkan menggunakan algoritma SVM atau lebih
data sebagai berikut. dikenal dengan proses training SVM. Pada
6 5 4 2 … 162 dasarnya SVM merupakan algoritma yang
7 7 4 4 … 173 hanya dapat mengklasifikasikan data yang
7 5 3 2 … 174
bersifat linier. Untuk dapat
21 21 19 19 … 177
mengklasifikasikan data non-linier,

3
 Muhammad Athoillah: Klasifikasi Kendaraan Bermotor Dengan Multi Kernel Support
Vector Machine

algortima SVM harus dimodifikasi dengan Faktanya, setiap data memiliki

memasukkan fungsi kernel. Fungsi kernel karakteristik yang berbeda-beda, sehingga
disini berfungsi untuk memetakan data 𝑥 tidak setiap fungsi kernel dapat digunakan

dari input space ke ruang vektor yang dan memberikan hasil yang maksimal.

berdimensi lebih tinggi (feature space) Untuk itu diperlukan pendekatan lain yang

dengan fungsi Φ sehingga Φ ∶ 𝑥 → Φ(𝑥) . dapat membuat fungsi kernel tersebut

Dengan demikian, maka pada ruang vektor menjadi lebih fleksibel dan mampu

yang baru ini, hyperplane dapat digunakan pada tiap data yang ada,

dikonstruksikan dan data dapat dipisahkan pendekatan ini disebut dengan metode Multi

(Scholkopf & Smola, 2001). Karena sulitnya Kernel Learning (MKL) (Athoillah, dkk,

menemukan fungsi transformasi dari Φ , 2015; Rakotomamonjy dkk, 2007),

maka perhitungan dot product tersebut dapat Jika pada Persamaan (1) fungsi kernel

digantikan dengan fungsi kernel 𝐾(𝑥𝑖, 𝑥𝑗 )
dimana fungsi tersebut mendefinisikan
transformasi Φ secara implisit. Inilah yang
disebut dengan “kernel trick” (Hamel,
2009) dirumuskan dengan:
𝐾(𝑥𝑖, 𝑥𝑗 ) = 〈Φ(𝑥𝑖 ). Φ(𝑥𝑗 )〉
Dengan penambahan fungsi kernel tersebut,
hasil klasifikasi dari data
didefinisikan dengan 𝐾(𝑥, 𝑥 ′ ) maka pada
pembelajaran dengan metode multi kernel,
fungsi tersebut dapat digantikan oleh fungsi
kombinasi dari beberapa fungsi kernel
dengan 𝐾1 (𝑥, 𝑥 ′ ), 𝐾2 (𝑥, 𝑥 ′ ), … , 𝐾𝑀 (𝑥, 𝑥 ′ )
yang dirumuskan sebagai berikut:
(1)
𝑀
𝐾(𝑥, 𝑥 ′ ) = ∑ 𝑑𝑚 𝐾𝑚 (𝑥, 𝑥 ′ ) (3)
𝑥 dapat 𝑚=1

diformulasikan sebagai berikut: dengan kendala

𝑛𝑠 𝑀

𝑓(𝑥𝑑 ) = ∑ 𝛼𝑖 𝑦𝑖 𝑥𝑖 𝑥𝑑 + 𝑏 𝑑𝑚 ≥ 0, ∑ 𝑑𝑚 = 1
𝑖=1 𝑚=1
𝑛𝑠 Dimana M adalah jumlah dari fungsi kernel
= ∑ 𝛼𝑖 𝑦𝑖 〈Φ(𝑥𝑖 ). Φ(𝑥𝑑 )〉 + 𝑏 (Rakotomamonjy dkk, 2008). Pada
𝑖=1,𝑥𝑖 𝜖𝑆𝑉
𝑛𝑠
penelitian ini fungsi kernel yang digunakan
= ∑ 𝛼𝑖 𝑦𝑖 𝐾(𝑥𝑖 , 𝑥𝑑 ) + 𝑏 (2) dan dikombinasikan diantaranya adalah
𝑖=1,𝑥𝑖 𝜖𝑆𝑉 fungsi kernel Polinomial order tiga, fungsi
Dengan SV = Support Vector ialah subset kernel RBF dan fungsi kernel Linier, berikut
dari training set yang terpilih sebagai ini adalah persamaan dari ketiga fungsi
support vector, dengan kata lain data 𝑥 yang tersebut:
berkorespondensi pada 𝛼𝑖 ≥ 0. Kernel Linier:

𝐾(𝑥𝑖, 𝑥𝑗 ) = 𝑥𝑖, 𝑥𝑗𝑇 (4)

4
Buana Matematika: Jurnal Ilmiah Matematika dan Pendidikan Matematika
Volume 8, Nomor 1, Tahun 2018
p-ISSN 2088-3021
e-ISSN 2598-8077

Kernel Polynomial: Hasil uji coba didapatkan dengan

p menghitung nilai akurasi, nilai presisi dan
𝐾(𝑥𝑖, 𝑥𝑗 ) = (𝑥𝑖 𝑥𝑗𝑇 + 1) (5)
nilai recall dari sistem dalam menentukan
Kernel RBF: citra input sebagai kendaraan beroda dua
2
‖𝑥𝑖 −𝑥𝑗 ‖ maupun beroda empat. Berikut ini adalah
𝐾(𝑥𝑖, 𝑥𝑗 ) = exp(− ) (6)
2σ2
user interface dari sistem klasifikasi
kendaraan kendaraan bermotor yang
PEMBAHASAN
dibangun pada penelitian ini.
1. Dataset
Dataset yang digunakan dalam
penelitian ini adalah dataset citra yang
berupa citra kendaraan roda dua dan citra
kendaraan roda empat, dimana masing-
masing kelompok citra berjumlah 500 citra.
Sehingga total dari citra dataset yang
digunakan berjumah 1000 citra. Dari jumlah
total tersebut 90% digunakan untuk proses
Gambar 3. User Interface Sistem
training sedangkan 10% sisanya digunakan
Nilai presisi merupakan perhitungan dari
sebagai data testing.
tingkat ketepatan antara informasi yang
Proses validasi dari penelitian ini
diminta oleh pengguna dengan jawaban
dilakukan dengan menggunakan metode k-
yang diberikan oleh sistem. Adapun recall
fold cross validation (Mohri, dkk, 2012).
adalah tingkat keberhasilan sistem dalam
Dimana dataset yang digunakan dibagi
menemukan kembali sebuah informasi,
menjadi sepuluh bagian (k = 10), dari
sedangkan nilai akurasi didefinisikan
sepuluh bagian tersebut sembilan bagiannya
dengan tingkat kedekatan antara nilai
digunakan sebagai kelompok data training
prediksi dengan nilai sebenarnya (Abe,
dan satu kelompok digunakan sebagai
2010). Untuk lebih jelasnya perhatikan tabel
kelompok data testing. Kemudian percobaan
dari Confusion matrix nilai klasifikasi yang
dilakukan sebanyak sepuluh kali (k = 10)
dihasilkan sistem dengan nilai pengamatan
dengan kombinasi kelompok data training
yang sebenarnya beikut:
dan testing yang berbeda pada tiap
Tabel 1. Confusion matrix
percobaannya.
Klasifikasi sistem
Benar Salah
2. Hasil Uji Coba

5
 Muhammad Athoillah: Klasifikasi Kendaraan Bermotor Dengan Multi Kernel Support
Vector Machine

True False
Benar Positif Negative
Sebena (TP) (FN) 1,2
rnya False True
1
Salah Positive Negative
(FP) (TN) 0,8
0,6
𝑇𝑃 + 𝑇𝑁
Akurasi = × 100% 0,4
Jumlah keseluruhan data
0,2
𝑇𝑃
Presisi = × 100% 0
𝑇𝑃 + 𝐹𝑃
Coba Coba Coba Coba Coba Coba Coba Coba Coba Coba
𝑇𝑃 1 2 3 4 5 6 7 8 9 10
Recall = × 100%
𝑇𝑃 + 𝐹𝑁
Motor Mobil

Berikut adalah tabel yang menunjukkan nilai Gambar 4. Grafik nilai presisi sistem secara
rata-rata dari hasil percobaan pada penelitian keseluruhan
ini:
Tabel 2. Nilai rata-rata hasil klasifikasi
1,2
Kelas Presisi Recall Akurasi 1
Motor 84.02% 85.20% 84.60% 0,8
Mobil 85.88% 84.00% 84.60% 0,6
Rata2 84.95% 84.60% 84.60% 0,4
0,2
Berdasarkan Tabel 2 terlihat bahwa sistem
0
mampu mengklasifikasikan kendaraan Coba Coba Coba Coba Coba Coba Coba Coba Coba Coba
1 2 3 4 5 6 7 8 9 10
bermotor dengan baik. Hal ini dibuktikan
Motor Mobil
dengan nilai akurasi yang mencapai 84.60%,
sedangkan nilai rata-rata presisi dan recall
Gambar 5. Grafik nilai recall sistem secara
yang mencapai 84.95% dan 84.60% keseluruhan
menunjukkan konsistensi dari tingkat
1
ketepatan sistem dalam mengenali
0,8
kendaraan bermotor pada seluruh percobaan
0,6
adalah baik. Sebagai pemahaman lebih
0,4
lanjut bagaimana kemampuan sistem dalam
0,2
mengklasifikasikan kendaraan bermotor
0
dalam penelitian ini, berikut adalah data CobaCobaCobaCobaCobaCobaCobaCobaCobaCoba
1 2 3 4 5 6 7 8 9 10
hasil uji coba sistem secara keseluruhan
pada setiap percobaan.

6
Buana Matematika: Jurnal Ilmiah Matematika dan Pendidikan Matematika
Volume 8, Nomor 1, Tahun 2018
p-ISSN 2088-3021
e-ISSN 2598-8077

Gambar 6. Grafik nilai akurasi sistem menggunakan metode k-fold cross validation
secara keseluruhan dimana data dibagi menjadi 10 bagian (k
Terlihat pada Gambar 4, Gambar 5, dan =10) yang kemudian dilakukan percobaan
Gambar 6, grafik nilai presisi, recall, dan sebanyak 10 kali pula dengan kombinasi data
akurasi sistem secara keseluruhan pada tiap testing dan training yang berbeda tiap
percobaan konsisten menunjukkan nilai di percobaannya.
persekitaran 80%. Hal ini menunjukkan Hasil dari percobaan menunjukkan
bahwa sistem secara stabil mampu bahwa pada penelitian ini, sistem klasifikasi
mengklasifikasikan semua dataset citra yang dibangun dengan menggunakan
kendaraan bermotor dengan sangat baik algoritma SVM multi kernel memiliki
pada tiap percobaannya. performa yang baik dengan rata-rata nilai
akurasi yang mencapai 84.60%, rata-rata
PENUTUP
nilai presisi adalah 84.95% serta rata-rata
Simpulan
nilai recall yang mencapai 84.60%.
Pada penelitian ini dibangun sebuah
sistem yang mampu mengklasifikasikan
Saran
kendaraan bermotor roda dua dan roda empat
Untuk penelitian selanjutnya dapat
dengan menggunakan algoritma Support
dilakukan dengan menggunakan dataset
Vector Machine (SVM) yang dimodifikasi
yang berbeda, misalnya dengan
dengan menambahkan fungsi multi kernel
mengklasifikasikan suara, video, maupun
didalamnya, fungsi kernel tersebut dibentuk
data yang lainnya, atau penelitian dapat
dengan memformulasikan beberapa fungsi
dilakukan dengan mengkombinasikan
kernel diantaranya kernel Polinomial order
fungsi kernel yang lain selain dari fungsi
tiga, kernel RBF dan kernel Linier menjadi
yang telah digunakan dalam penelitian ini.
sebuah fungsi kernel tunggal, metode ini
disebut dengan metode Multi Kernel
DAFTAR PUSTAKA
Learning (MKL). Pada penelitian ini,
Abe, S. (2010), Support Vector Machines for
percobaan dilakukan dengan menggunakan
Pattern Classification, Springer-
dataset berupa citra kendaraan bermotor roda
Verlag, London, UK.
dua dan roda empat sebanyak masing-masing
Athoillah, M. (2017). Pengenalan Wajah
500 citra, yang mana dari jumlah tersebut
Menggunakan SVM Multi Kernel
90% darinya digunakan sebagai data training
dengan Pembelajaran yang
dan 10% menjadi data testing. Validasi dari
Bertambah. Jurnal Online
penelitian ini dilakukan dengan

7
 Muhammad Athoillah: Klasifikasi Kendaraan Bermotor Dengan Multi Kernel Support
Vector Machine

Informatika (JOIN), Vol 2, No 2, Algorithm for Image Classification,

hal-84-91 Jurnal Visual Communication and
Athoillah, M., Irawan, M.I., dan Imah, E.M. Image Representation, Vol 25, No 5,
(2015). Study Comparison of SVM-, Hal 1112-1117
K-NN- and Backpropagation-Based Mohri, M., Rostamizadeh, A. dan
Classifier for Image Retrieval. Talwalkar, A. (2012), Foundations
Journal of Computer Science and of Machine Learning, Buku seri The
Information, Vol 8, No 1, hal-11-19 Adaptive Computations and
Athoillah, M., Irawan, M.I., and Imah, E.M, Machine Learning, MIT Press,
(2015). Support Vector Machine Massachusetts Institute of
with Multiple Kernel Learning for Technology, USA.
Image Retrieval. Proceeding of Rakotomamonjy, A., Bach, F.R., Canu, S.
International Conference on Dan Grandvalet, Y. (2008),
Information, Communication “SimpleMKL”, Journal Machine
Technology and System (ICICTS), Learning Research 9, hal 2491-2521
ITS, Surabaya. Rakotomamonjy, A., Bach, F.R., Canu, S.
Campbell, C dan Ying, Y. (2011). Learning Dan Grandvalet, Y. (2007), “More
with Support Vector Machines, Efficiency in Multiple Kernel
Buku seri Synthesis Lectures on Learning”, Proceesings of 24th
Artificial Intelligence and Machine International Conference on
Learning, Morgan & Claypool Machine Learning, Corvallis, OR,
Publisher, UK USA. hal 775-782
Clarke, B., Fokoue, E., dan Zhang, H.H. Scholkopf, B dan Smola, A.j. (2001),
(2009). Principles and Theory for Learning with Kernels, Buku seri
Data Mining and Machine Learning, The Adaptive Computations and
Springer Science + Bussiness Machine Learning, MIT Press,
Media, New York, USA. Massachusetts Institute of
Hamel, L. (2009), Knowledge Discovery Technology, USA.
with Support Vector Machine Shrivastava, A., Pillai, J.K., dan Patel, V.M.
Learning, John Wiley & Sons, Inc, (2015). Multiple Kernel-based
New Jersey, USA Dictionary Learning for Weakly
Li, D., Wang, J., Zhao, X., Liu, Y., dan Supervised Classification, Jurnal
Wang, D. (2014). Multiple Kernel- Pattern Recognition, Vol 48, No 8,
Based Multi-Instance Learning Hal 2667-2675.

View publication stats