Implementasi Support Vector Machine dengan Optimasidigilib.its.ac.id/public/ITS-paper-35326-5110100084-presentation.pdfdi setiap kelas. 6. ... Implementasi dilakukan pada Matlab 7.6.0.

Implementasi Support Vector Machine dengan Optimasi Pruning pada Persoalan

Klasifikasi PolaDinda Firly Paramitha – 5110100084

Pembimbing I: Arya Yudhi Wijaya, S.Kom., M.Kom.

Pembimbing II: Dini Adni Navastara, S.Kom., M.Sc.

Agenda

PendahuluanPerancangan

Perangkat Lunak

Uji Coba dan Evaluasi

Kesimpulan dan Saran

2


Perangkat Lunak



3

Latar Belakang

• Support Vector Machine merupakan sebuah metodeuntuk melakukan klasifikasi ataupun regresi.

• Biaya komputasi besar disebabkan karena lamanyapembentukan support vector yang optimal

• Hal yang diupayakan untuk mengurangi biaya komputasiadalah sebuah cara untuk mengeliminasi support vectoryang tidak optimal.

4

Rumusan Masalah

• Bagaimana mengimplementasikan eliminasi training vectors dengan proses pruning?

• Bagaimana mengimplementasikan metode SVM dengan menggunakan SMO pada klasifikasi pola?

• Bagaimana evaluasi uji kinerja metode SVM dengan proses pruning?

5

Asumsi

Syarat yang harus dipenuhi oleh class data yang akan diproses dengan pruning adalah sebagai berikut:

1. Persoalan harus separable.

2. Terdapat sebuah convexhull pada masukan training vectorsdi setiap kelas.

6

Batasan Masalah

Dataset yang digunakan berupa citra berwarna.

Jumlah class yang digunakan adalah 2 kelas yaitu membedakan objek dan latar belakang

Proses pruning yang digunakan adalah menggunakan pemodelan Gaussian dan proses proyeksi.

Pengklasifikasi yang digunakan adalah SVM menggunakan Sequential Minimal Optimization (SMO)

Implementasi dilakukan pada Matlab 7.6.0.7

Tujuan

Melakukan implementasi eliminasi training vectors dengan menggunakan proses pruning

Melakukan implementasi klasifikasi pola dengan SVM menggunakan SMO

Melakukan evaluasi kinerja metode SVM dengan proses pruning dalam klasifikasi pola

8


Perangkat Lunak



9

Proses Utama pada Sistem

• Proses Training

Cropping citra training

Ekstraksi nilai R,G,B

Eliminasi training vectorsdengan Proses Proyeksi

Eliminasi training vectorsdengan Pemodelan Gaussian

Klasifikasi Pola dengan Sequential Minimal Optimization (SMO)

Model Klasifikasi

Mulai Selesai

10objek latar

belakang

Proses Utama pada Sistem

• Proses Testing

MulaiSelesai

Model Klasifikasi

Menentukan Klasifikasi Pola Berdasarkan Model

11

Menghitung nilai akurasi

Citra groundtruth

Nilai akurasi


Perangkat Lunak



12


Skenario 1

Skenario 2

13

Skenario 1: Ukuran Citra Training• Data uji coba pada skenario 1 menggunakan 10 citra berwarna

• Ukuran citra training yang digunakan adalah

30x30 40x40

50x50 60x60

14

Hasil Uji Coba Skenario 1

15

0

20

40

60

80

100

120

1 2 3 4 5 6 7 8 9 10

Aku

rasi

(%

)

Citra Berwarna

Akurasi Berdasarkan Ukuran Citra Training

30x30

40x40

50x50

60x60


16

0

20

40

60

80

100

120

1 2 3 4 5 6 7 8 9 10

Wak

tu (

de

tik)

Citra Berwarna

Waktu Komputasi Berdasarkan Ukuran Citra Training

60x60

50x50

40x40

30x30


• Dari perbandingan hasil uji coba skenario 1, didapatkan rata-rata akurasi dan rata-rata waktu komputasi sebagai berikut :

17

No. Rata-rataUkuran Citra Training

30x30 40x40 50x50 60x60

1. Akurasi (%) 93,98 95,95 97,41 92,43

2.Waktu Komputasi

(detik)11,69 16,86 18,65 28,16


Citra Berwarna Asli Citra Groundtruth

Ukuran 30x30

Akurasi : 85,39 %

Ukuran 40x40

Akurasi : 85,32 %

18


Ukuran 50x50 Ukuran 60x60

19

Akurasi : 92,10% Akurasi : 91,18%

Citra Berwarna Asli Citra Groundtruth

Skenario 2: Metode Eliminasi yang Digunakan• Data uji coba menggunakan 25 citra berwarna.

• Metode eliminasi yang digunakan ada 3, yaitu:

Tanpa pruning

Pemodelan Gaussian

Pruning20


21

050

100150200250300350400450500

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

Wak

tu (

det

ik)

Citra Berwarna

Perbandingan Waktu Komputasi Berdasarkan Metode Eliminasi Training Vectors

Tanpa Pruning

Gaussian

Pruning


22

80

85

90

95

100

105

1 2 3 4 5 6 7 8 9 10111213141516171819202122232425

Aku

rasi

(%

)

Citra Berwarna

Perbandingan Akurasi Berdasarkan Metode Eliminasi Training Vectors

Tanpa Pruning

Gaussian

Pruning


• Dari perbandingan hasil uji coba skenario 2, didapatkan rata-rata akurasi dan rata-rata waktu komputasi sebagai berikut:

23

No. Rata-rata

Metode Eliminasi yang Digunakan

Tanpa

Pruning

Eliminasi

dengan

Gaussian

Pruning

1. Akurasi (%) 97,25 97,27 97,05

2.Waktu Komputasi

(detik)267,15 69,92 19,64


Citra Berwarna Asli Citra Groundtruth Tanpa Pruning

Pemodelan Gaussian Dengan Pruning

Waktu : 248,61 detikAkurasi : 94,13 %

Waktu: 70,73 detikAkurasi: 94,10 %

Waktu: 20,61 detikAkurasi: 96,95%

24


Perangkat Lunak



25

Kesimpulan• Metode SVM dengan optimasi pruning dapat digunakan

untuk melakukan klasifikasi pola menggunakan citraberwarna dengan hasil yang baik.

• Berdasarkan hasil uji coba skenario 1, metode SVMdengan optimasi pruning secara optimal melakukanklasifikasi pola dengan ukuran citra training sebesar50x50 dengan rata-rata akurasi sebesar 97,41%

• Berdasarkan hasil uji coba skenario 2, metode SVMdengan optimasi pruning memiliki waktu komputasi yangpaling cepat dibandingkan metode SVM tanpa pruning(267,15 detik) dan metode SVM menggunakan eliminasidengan pemodelan Gaussian (62,92 detik) yaitu 19,64detik. 26

Saran

• Perlu dikembangkan klasifikasi pola menggunakan SVMdengan optimasi pruning pada persoalan yang tidak separabledan tidak memenuhi convexhull.

• Perlu dikembangkan klasifikasi pola menggunakan SVMdengan optimasi pruning pada persoalan lebih dari dua kelas(multiclass)

27

TERIMA KASIH

28

Proses Ekstraksi Nilai R,G,B

Hasil dari proses ini sebagai masukan untuk klasifikasi pola

Mulai Selesai

Memisahkan nilai R,G, dan B

Mengubah dalam matriks satu dimensi

Menjadikan dalam satu matriks

Transpose matriks

Matriks berisi nilai R,G,B

29

Eliminasi Training Vectors (I)

• Pemodelan Gaussian

Mulai Selesai


Menghitung nilai mean

Menghitung nilai covariance

Menghitung probabilitas dengan distribusi Gaussian

Mengambil nilai rata-rata hasil probabilitas < hasil

probabilitas

Menghitung nilai mean


yang sudah dieliminasi

Menghitung rata-rata hasil probabilitas

30

Eliminasi Training Vectors (II)

• Proses Proyeksi

Mulai Selesai

Memproyeksikan semua vektor


yang sudah dieliminasi

Menghitung mean masukan

Mengambil nilai hasil proyeksi

vektor <= 0

Matriks berisi nilai R,G,B yang

sudah dieliminasi lagi

31

Klasifikasi Model

• Klasifikasi model dengan Sequential Minimal Optimization (SMO)

Mulai Selesai

Melakukan pemodelan

dengan SMO

Matriks berisi nilai R,G,B yang sudah dieliminasi lagi, C,

Sigma

Model dari hasil

training

32

Proses Testing

• Melakukan klasifikasi pola terhadap citra masukan awal

Mulai Selesai

Mengubah hasil prediksi klasifikasi ke

bentuk awal

Matriks berisi hasil ekstraksi

RGB citra awal, model

Melakukan klasifikasi pola berdasarkan

model

33

Implementasi Support Vector Machine dengan Optimasidigilib.its.ac.id/public/ITS-paper-35326-5110100084-presentation.pdfdi setiap kelas. 6. ... Implementasi dilakukan pada Matlab 7.6.0.

Documents