Metode Klasifikasi Berbasis Multi Kernel Dengan Pembelajaran Yang Bertambah Untuk Temu Kembali Citra

Athoillah, Muhammad (2015) Metode Klasifikasi Berbasis Multi Kernel Dengan Pembelajaran Yang Bertambah Untuk Temu Kembali Citra. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
1213201056-Master-Thesis.pdf

Download (5MB) | Preview

Abstract

Support vector machine (SVM) merupakan teknik yang mampu menyelesaikan masalah klasifikasi dengan baik. Walaupun begitu, ternyata untuk masalah domain yang bersifat nonlinier tidak bisa dipecahkan dengan SVM standar, sehingga perlu dimodifikasi dengan memasukkan fungsi kernel didalamnya. Ide dasar dari metode kernel ini adalah memodifikasi SVM dengan memetakan data input ke ruang vektor yang berdimensi lebih tinggi, sehingga pada ruang vektor yang baru ini, hyperplane dapat dikonstruksikan. Pada kenyataannya, menentukan fungsi kernel yang tepat untuk menyelesaikan klasifikasi yang dikerjakan dengan baik adalah hal yang sulit. Oleh karena itu, para peneliti mengembangkan pembelajaran kernel yang lebih fleksibel, yaitu dengan mengkombinasikan semua kernel selama proses pembelajaran yang biasa disebut dengan Pembelajaran Multi Kernel. Selain itu, hal penting lainnya dalam pembelajaran mesin adalah proses pembelajarannya, dimana pada umumnya sebuah sistem melakukan pembelajaran yang baru setiap penambahan kelas baru, sehingga seolah-olah pembelajaran yang lalu tidaklah berarti, hal ini tentunya tidaklah efektif. Pada penelitian ini dibangun klasifikasi dengan metode SVM yang berbasis multi kernel yang kemudian diaplikasikan pada aplikasi temu kembali citra (image retrieval) dengan teknik pembelajaran yang bertambah (incremental) artinya apabila terjadi penambahan data atau informasi baru tidak harus menghapus pengetahuan yang lalu dan mengulang pembelajarannya dari awal. Hasil yang didapat dari penelitian ini menunjukkan bahwa metode klasifikasi berbasis multi kernel dengan pembelajaran yang bertambah memiliki performa yang baik dengan rata-rata nilai precision mencapai 42%, recall 38% serta akurasi dengan nilai 87% lebih baik bila dibandingkan dengan pembelajaran standar dan berbasis kernel tunggal RBF dimana nilai precision hanya 3%, recall 12% serta akurasi 80%, atau Polynomial dengan nilai precision 40%, recall 35% serta akurasi 86%. Hasil penelitian juga menunjukkan bahwa dengan metode pembelajaran yang bertambah, waktu komputasi yang dibutuhkan selama proses training lebih cepat bila dibandingkan dengan metode pembelajaran yang standar. Dimana waktu training rata-rata yang dibutuhkan sistem mencapai 8.7334 lebih cepat 2.0755 detik bila dibandingkan dengan SVM Polynomial dan 4.0546 detik lebih cepat daripada SVM RBF. =================================================================================================== Support Vector Machine is technique that can solve classification problem well. Although that, the regular SVM can’t solve classification problems deal with nonlinear domain, to solving that one the regular SVM need to be modified by put Kernel Function to that SVM. The main idea of this kernel method is modified SVM that maping input data to the higher-dimensional space, so in this new space, the hyperplane can be constructed. However selecting the precise kernel to solve classification problem well is quite difficult. So the machine learning practitioner may be interested in more flexible models, that is combining multiple kernel during training process that we usually called this Multiple Kernel Learning (MKL) method. Beside that, another important thing in machine learning is learning process problem, which is the system usually do a new training process when a new class is added to it. This process is certainly not effective, because its mean that previous training process is in vain. The framework in this paper is to build a classifier with SVM MKL-based method and apply in image retrieval with incemental learning. It’s mean that if new data or new information is added to the system, it doesn’t has to be repeat the learning process since the learner can be simply updated. The result shows that Incremental Multiple Kernel Learning method has good perform with average of precision value reach 42%, recall 38% and accuracy 87% better than standart learning method with single kernel RBF which is the precision value is only 3%, recall 12% and accuracy 80%, or Polynomial kernel with precision value is 40%, recall 35% and accuracy 86%. The result also shows that incremental learning method has faster computation time during training session than standart learning method. Where the average training time of system is 8.7334 second, 2.0755 second faster than SVM Polynomial and 4.0546 second faster and SVM RBF.

Item Type: Thesis (Masters)
Additional Information: RTMa 006.42 Ath m
Uncontrolled Keywords: Support Vector Machine, Klasifikasi, Pembelajaran Multi kernel, Pembelajaran yang Bertambah, Temu Kembali Citra
Subjects: T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
Divisions: Faculty of Mathematics and Science > Mathematics > 44101-(S2) Master Thesis
Depositing User: Mr. Marsudiyana -
Date Deposited: 05 Dec 2019 05:42
Last Modified: 05 Dec 2019 05:42
URI: http://repository.its.ac.id/id/eprint/72221

Actions (login required)

View Item View Item