Buku Prosiding Seminar Nasional Tahun 2012 - ELEKTRO ...

TI | 24Adapun tujuan penelitian ini adalah untuk melakukankajian terhadap metode pemilihan ciri SFFS danTransformasi Komponen Utama pada data Citra Radarskala kecil.Data yang digunakan pada penelitian ini adalah 2 citraRadar, yaitu data citra daerah Sumatera Selatan danKalimantan Timur. Evaluasi yang dilakukan terhadapmetode pemilihan ciri SFFS dan TransformasiKomponen Utama, adalah dengan menggunakanparameter akurasi klasifikasi global (seluruh kelasobyek)[12][13][3][4][2] dan akurasi klasifikasi per kelasobyek.Metode Sequential Forward FloatingSelection (SFFS)Disiapkan data yaitu himpunan citra ciri yangmengandung D ciri dan masing-masing ciri mempunyaiN piksel, masing-masing piksel mempunyai nilai antara0 sampai dengan 255. Dari D ciri yang ada tersebut,akan dipilih d ciri terbaik dengan d < D, yaitu d ciriyang mempunyai akurasi klasifikasi paling besar denganmenggunakan pendekatan Sequential Forward FloatingSelection (SFFS)[9].Pada artikel sebelumnya, Mulyono dan kawankawan(2011)menuliskan algoritma SFFS yang langkahlangkahnyasebagai berikut: “ Algoritmanya diawalidengan X d (himpunan d ciri terbaik ) = ∅, kemudianmenggunakan metode Sequential Forward Search (SFS)untuk memilih dua ciri terbaik pertama. Algoritma SFSadalah suatu metode bottom up ( mulai denganhimpunan kosong dan dengan penambahan ciri) yangpaling sederhana.Algoritma SFS dimulai dengan penentuan X d =∅,selanjutnya ciri terbaik ( the most significant feature )dengan respek terhadap himpunan X d ditambahkan padahimpunan X d tersebut, sehingga n(X d )=1. Proses inidiulang sekali lagi, sehingga diperoleh 2 ciri terbaik(n(X d )=2 ).Setelah diperoleh 2 ciri terbaik, selanjutnya terdapat tigalangkah utama sebagai berikut:Step 1: Inclusion. Memilih ciri terbaik (the mostsignificant feature ) dengan respek terhadap X d , danditambahkan ke X d . Dengan menggunakan metode SFSdasar, pilih ciri x d+1 dari himpunan yang tersedia Y-X duntuk membentuk himpunan ciri X d+1 , yaitu ciri terbaikx d+1 dengan respek terhadap X d ditambahkan pada X d ,sehingga X d+1 = X d + x d+1 mempunyai akurasiklasifikasi paling besar dibandingkan dengan jika yangditambahkan pada himpunan X d bukan ciri x d+1 tersebut.Untuk mendapatkan subset yang dimaksudkan, makadilakukan tahapan-tahapan sebagai berikut:a. Pasangkan tiap ciri yang ada pada himpunan Y-X dke subset X d sehingga terbentuk himpunanhimpunanX d+1 .b. Hitung akurasi klasifikasi dari tiap-tiap himpunanXd+1 yang terjadi, selanjutnya pilih himpunan yangmempunyai akurasi klasifikasi paling besar, dan darihimpunan X d+1 yang dipilih tersebut bisa diketahuiciri mana yang merupakan ciri terbaik x d+1 denganrespek terhadap X d .Dilanjutkan pada step 2.Step 2: Conditional Exclusion. Dapatkan ciri terburuk(the least significant feature ) dalam Xd+1. Jika ciritersebut tepat yang baru ditambahkan, makapertahankan dia, tetapi jika selain ciri tersebut, makakeluarkan ciri itu, asalkan nilai akurasi klasifikasi darisubset yang terjadi lebih besar dari akurasi klasifikasisubset ciri terbaik dengan ukuran sama yang sudahdiperoleh sebelumnya. Jika |X d |=2, maka kembali kestep 1, jika tidak demikian dilanjutkan ke step 3.Step 2 dilakukan dengan langkah-langkah sebagaiberikut:a. Keluarkan 1 ciri dari subset yang diperoleh padastep 1 ( yaitu set Xd+1), sehingga diperoleh d+1subset X d yang saling berbeda.b. Hitung akurasi klasifikasi dari setiap subset Xd yangdidapat pada langkah (a) dan pilih subset X d yangmempunyai akurasi klasifikasi paling besar.c. Jika subset Xdyang mempunyai akurasi klasifikasiyang diperoleh pada langkah (b), adalah subset yangterjadi akibat ciri yang dikeluarkan adalah ciri yangbaru diperoleh pada step 1, maka ciri tersebut bataldikeluarkan dan kembali ke step 1.d. Jika subset yang mempunyai akurasi klasifikasipaling besar adalah subset yang terjadi akibat bukanciri yang baru diperoleh pada step 1 yang′dikeluarkan, katakan set X d dan akurasi klasifikasi′dari X d masih lebih besar dari akurasi klasifikasisubset ciri terbaik dengan ukuran d ( kardinalitas d)yang diperoleh sebelumnya, maka keluarkan ciritersebut dan lanjutkan ke step 3 asalkan d>2, tetapijika d=2, maka keluarkan ciri tersebut dan kembalike step 1.′e. Jika akurasi klasifikasi dari X d sama atau lebih kecildari akurasi klasifikasi subset ciri terbaik denganukuran d yang diperoleh sebelumnya, maka ciritersebut tidak jadi dikeluarkan ( tidak jadi dibuang )dan kembali ke step 1.Step 3:Continuation of conditional exclusion.Dapatkan lagi ciri terburuk (the least significant′feature ) dalam X d , katakan x i . Jika ciri tersebut′dikeluarkan, yaitu X′=X d -x i , akan menyebabkan : |X′|>2 dan J(X′) lebih besar dari nilai criteria subset yangsudah dicapai sejauh ini dengan ukuran yang sama,SNTE-2012 ISBN: 978-602-97832-0-9