bab vb
TRANSCRIPT
![Page 1: Bab vb](https://reader036.vdokumen.net/reader036/viewer/2022082810/5584196fd8b42a40018b4e7b/html5/thumbnails/1.jpg)
103
`
Rajah 5.1 , Jadual 5.1
Rajah 5.2, Jadual 5.2
Rajah 5.3 Jadual 5.3
Rajah 5.4 Jadual 5.4
Rajah 5.5 Jadual 5.5
Rajah 5.6 Jadual 5.6
Rajah 5.7 Jadual 5.7
Rajah 5.8 Jadual 5.8
Rajah 5.9 Jadual 5.9
Rajah 5.10 Rajah 5.11 Rajah 5.12 Rajah 5.13
Rajah 5.14
Rajah 5.15
Rajah 5.16
Rajah 5.17
Rajah 5.18
Rajah 5.19, Rajah 5.20, Rajah 5.21 Rajah 5.22, Rajah 5.23, Rajah 5.24
5.5.3 Pengukuran Pengelasan Set Sifat Analisa Warna Tekstur Silau
Pengukuran pengelasan set sifat algoritma ini menggunakan dua alat pengelas. Pengelas pendiskriminan lelurus menggunakan dua set vektor sifat iaitu nilai purata dan nilai sisihan piawai manakala pengelas rangkaian neural hanya menggunakan nilai purata yang di sari hasil pelaksanaan algoritma analisa warna tekstur silau.
5.5.3.1 Persamaan Linear
![Page 2: Bab vb](https://reader036.vdokumen.net/reader036/viewer/2022082810/5584196fd8b42a40018b4e7b/html5/thumbnails/2.jpg)
104
Pers
amaa
n
Lel
urus
Lat
ih
Bot
ol
BU
KA
N-
PET
Pur
ata
Bot
ol
PET
Bot
ol
BU
KA
N-
PET
Pura
ta
Bot
ol
PET
Bot
ol
BU
KA
N-
PET
Pur
ata
Bot
ol
PET
Bot
ol
BU
KA
N-
PET
Pura
ta
Bot
ol
PET
Bot
ol
BU
KA
N-
PET
Pur
ata
Uji
Ujian
90
91..2
89
92.3
90.7
9395
.494
.289
90.2
89.6
9095
.292
.6
-0.0
8 x1+
-0.0
5 x2+
0.05
=0
-0.0
2 x1+
-29.
53x2
+6.
00=0
-0.0
5 x1+
-0.0
6 x2=
0.08
=0
-1.9
3 x1+
-1.1
2 x2+
6.00
=0
-0.0
3 x1+
-0.
01x2
+0.
09=0
Set 1
Set
2
Set 3
Se
t 4
Set 5
Bot
ol
PET
[Set
2,Se
t3,S
et4,
Set
5]
[Set
1,Set
3,Se
t4,S
et5]
[S
et1,
Set2
,Set
4,Se
t5]
[Set
1,Se
t2,S
et3,
Set5
] [S
et1,
Set2
,Set
3,Set
4]
92.3
Jadu
al 5
.10
Kep
utus
an p
enge
lasa
n be
ntuk
bot
ol u
ntuk
pen
disk
rim
inan
lelu
rus
bagi
alg
orit
ma
imej
pan
gkas
an te
rpil
ih
![Page 3: Bab vb](https://reader036.vdokumen.net/reader036/viewer/2022082810/5584196fd8b42a40018b4e7b/html5/thumbnails/3.jpg)
105
1 1.5 2 2.5 3 3.5 4 4.50
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
b) Rangkaian Neural
Pengelas rangkaian neural yang dibina untuk menguji set sifat warna silau
mengandungi dua lapisan tersembunyi dengan lima neuron untuk lapisan pertama
diikuti dengan tiga neuron untuk lapisan kedua menjadikan konfigurasi rangkaian
[5,3,1] dengan fungsi pengaktifan ‘tansig’, ‘tansig’, ‘purelin’. Bilangan nod masukan
bergantung kepada bilangan vektor sifat yang diuji manakala satu neuron digunakan
pada bahagian keluaran bagi mengelas sama ada botol PET atau sebaliknya.
i. Algoritma imej kotak sempadan
Rajah 5.25 menunjukkan contoh set 3 yang memperolehi capaian antara input dan
sasaran yang baik semasa latihan bagi rangkaian neural. Keputusan keseluruhan
pengujian yang dilakukan terhadap 5 set imej ditunjukkan dalam Jadual 5.11.
Rajah 5.25 Plot rangkaian neural input dan sasaran untuk latihan dari set 3
ii. Algoritma imej pangkasan terpilih
Rajah 5.26 ditunjukkan contoh set 3 yang memperolehi capaian antara input dan
sasaran yang baik semasa latihan bagi rangkaian neural. Keputusan keseluruhan
pengujian yang dilakukan terhadap 5 set imej ditunjukkan dalam Jadual 5.12.
Input
Sasa
ran
![Page 4: Bab vb](https://reader036.vdokumen.net/reader036/viewer/2022082810/5584196fd8b42a40018b4e7b/html5/thumbnails/4.jpg)
106
0 0.1 0.2 0.3 0.4 0.5 0.6 0.70
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Rajah 5.26 Plot rangkaian neural input dan sasaran untuk latihan dari set 3
5.5.4 Perbincangan Pengelasan Analisa Warna Tekstur Silau
Peratusan keputusan pengelasan kedua-dua algoritma ini adalah baik dengan melebihi
80% untuk setiap ujian yang dilakukan ke atas semua sampel imej botol. Botol
BUKAN PET pula menunjukkan kelebihan peratus berbanding botol PET. Ini
disebabkan oleh imej botol PET adalah lutcahaya dan warna latarbelakang
mempengaruhi ciri tekstur intensiti yang diekstrak daripadanya. Botol BUKAN PET
adalah legap sepenuhnya dan keputusan yang terhasil tidak dipengaruhi hingar latar
belakang imej. Peratusan keputusan algorima imej pangkasan terpilih lebih tinggi
berbanding algoritma imej kotak sempadan adalah disebabkan faktor-faktor berikut:
a) Kotak sempadan mengekstrak ciri pada keseluruhan imej botol. Kewujudan
label dan penutup botol merupakan hingar yang boleh memberi kesan terhadap
keputusan pengelasan.
b) Algoritma imej pangkasan terpilih merupakan algoritma yang memilih kawasan
yang benar-benar mempunyai nilai berbeza antara dua jenis plastik tersebut
secara automatik. Ini dilakukan dengan pembahagian lima kawasan serta
memangkas kawasan berbeza serta terhindar daripada hingar.
Input
Sasa
ran
![Page 5: Bab vb](https://reader036.vdokumen.net/reader036/viewer/2022082810/5584196fd8b42a40018b4e7b/html5/thumbnails/5.jpg)
107
Latih
Bot
ol
BUKAN-
PET
Pura
ta
Bot
ol
BUKAN-
PET
Purata
Bot
ol
PET
Bot
ol
BUKAN-
PET
Pur
ata
Bot
ol
PET
Bot
ol
BUKAN-
PET
Pur
ata
Bot
ol
PET
Bot
ol
BUKAN-
PET
Pur
ata
Uji
Ujian
88
.792
.382
.187
.888
.595
.892
.282
.192
87.1
8692
.189
.1
Latih
Bot
ol
PET
Bot
ol
BUKAN-
PET
Purata
Bot
ol
PET
Bot
ol
BUKAN-
PET
Pur
ata
Bot
ol
PET
Bot
ol
BUKAN-
PET
Pur
ata
Bot
ol
PET
Bot
ol
BUKAN-
PET
Pur
ata
Bot
ol
PET
Bot
ol
BUKAN-
PET
Pura
ta
Uji
Ujian
89
.390
89.7
92.6
95.8
94.2
95.2
96.4
95.8
92.3
94.4
93.4
9492
93
Set 1
Se
t 2
Set 3
Set 4
Set 5
[Set2,Set3,Se
t4,S
et5]
[S
et1,Set3,Se
t4,S
et5]
[S
et1,Se
t2,S
et4,Se
t5]
[Set1,Se
t2,S
et3,Se
t5]
[Set1,Se
t2,S
et3,Se
t4]
[Set2,Se
t3,S
et4,Se
t5]
[Set1,Set3,Se
t4,S
et5]
[S
et1,Set2,Se
t4,S
et5]
[S
et1,Set2,Se
t3,S
et5]
[S
et1,Se
t2,S
et3,Se
t4]
95.8
93.4
Set 1
Set 2
Se
t 3
Set 4
Se
t 5
Bot
ol P
ET
Bot
ol P
ET
Jadu
al 5
.11
Kep
utus
an p
enge
lasa
n be
ntuk
bot
ol u
ntuk
ran
gkai
an n
eura
lbag
i alg
oritm
a im
ej k
otak
sem
pada
n
Jadu
al 5
.12
Kep
utus
an p
enge
lasa
n be
ntuk
bot
ol u
ntuk
ran
gkai
an n
eura
lbag
i alg
oritm
a im
ej p
angk
asan
terp
ilih
![Page 6: Bab vb](https://reader036.vdokumen.net/reader036/viewer/2022082810/5584196fd8b42a40018b4e7b/html5/thumbnails/6.jpg)
108
5.5.5 Keputusan Perlakuran Sifat
Berpandukan mata kasar penentuan botol PET dan BUKAN_PET boleh dilakukan
berdasarkan warna tekstur PET yang silau berbanding botol BUKAN-PET yang legap.
Pengecaman botol plastik berdasarkan warna adalah lebih dominan berbanding
pengecaman berdasarkan bentuk. Kajian ini telah membuat justifikasi bahawa
pengecaman botol plastik lebih mudah dicam berdasarkan warna tekstur berbanding
bentuk. Oleh itu sebagai pengesahan pengelasan kelas botol plastik ini, perlakuran
sifat dilakukan. Berdasarkan Jadual 5.13, sifat dari kedua-dua algoritma tersebut
dilakurkan dan dijadikan input ke pengelas pendiskriminan lelurus dan rangkaian
neural tiruan. Keputusan perlakuran sifat antara sifat dari sarian sifat hakisan separa
dan sarian sifat analisa tekstur silau menunjukkan keputusan yang lebih baik dan jitu
dalam penentuan jenis botol plastik PET dan BUKAN-PET.
Jadual 5.13 Set sampel sifat dari dua algoritma sarian sifat
Algoritma Hakisan SeparaAlgoritma Analisa Warna
Tekstur SilauPET BUKAN-PET PET BUKAN-PET0.16 1.07 0.27 0.020.13 1.09 0.17 0.000.13 1.09 0.18 0.000.15 0.69 0.45 0.000.09 0.84 0.28 0.020.12 0.69 0.18 0.000.12 0.90 0.26 0.020.17 0.68 0.37 0.030.24 0.66 0.19 0.000.09 0.86 0.20 0.000.24 0.68 0.03 0.030.07 0.85 0.20 0.000.17 1.10 0.13 0.050.04 0.79 0.58 0.050.28 0.87 0.56 0.03
![Page 7: Bab vb](https://reader036.vdokumen.net/reader036/viewer/2022082810/5584196fd8b42a40018b4e7b/html5/thumbnails/7.jpg)
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
Nilai purata
Vektor sifat yang diperolehi daripada algoritma hakisan separa iaitu nilai maksimum
dan vektor sifat yang diperolehi daripada algoritma imej pangkasan terpilih iaitu nilai
purata digunakan untuk sebagai masukan kepada alat pengelas menggunakan
pendiskriminan lelurus. Rajah 5.2
set sifat dari kedua-dua algo
Rajah 5.27 Plot tertabur vektor
Rajah 5.28 Plot tertabur vektor
50 100 150 200 250
Bilangan imej
Botol PET
Botol BUKAN-PET
yang diperolehi daripada algoritma hakisan separa iaitu nilai maksimum
yang diperolehi daripada algoritma imej pangkasan terpilih iaitu nilai
purata digunakan untuk sebagai masukan kepada alat pengelas menggunakan
Rajah 5.27 dan Rajah 5.28 menunjukkan vektor tertabur bagi
dua algoritma yang di plotkan lawan bilangan imej.
Plot tertabur vektor sifat maksimum dari algoritma hakisan separa
Plot tertabur vektor sifat purata dari algoritma imej pangkasan terpilih
109
250
PET
yang diperolehi daripada algoritma hakisan separa iaitu nilai maksimum
yang diperolehi daripada algoritma imej pangkasan terpilih iaitu nilai
purata digunakan untuk sebagai masukan kepada alat pengelas menggunakan
kan vektor tertabur bagi
maksimum dari algoritma hakisan separa
purata dari algoritma imej pangkasan terpilih
![Page 8: Bab vb](https://reader036.vdokumen.net/reader036/viewer/2022082810/5584196fd8b42a40018b4e7b/html5/thumbnails/8.jpg)
110
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.60
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Nilai Maksimum
Nila
i Pur
ata
Botol PET
Botol BUKAN-PETFungsi Pembeza Lelurus
Persamaan Lelurus Botol PET Botol BUKAN-PET
Set 1: 0.032x1+-0.03x2+0.01=0
Set 2: 0.01x1+-0.01x2+0.01=0
Set 3: 0.01x1+-0.04x2+0.01=0
Set 4: 0.01x1+-0.03x2+0.01=0
Set 5: 0.06x1+-0.02x2+0.01=0
100% 98%
98.50% 99%
100% 99%
99% 98%
100 98.50%
Rajah 5.29 Plot tertabur vektor sifat pelakuran antara nilai maksimum dan nilai purata
Kedua-dua sifat ini digunakan dan dilakurkan untuk mendapatkan persamaan
pengelas. Contoh taburan vektor sifat bagi 400 imej dari kedua-dua kelas botol
ditunjukkan dalam Rajah 5.29. Keputusan pengelasan pendiskriminan lelurus
menunjukkan peratus pengecaman untuk semua lima set antara 98% ke 100%.
Keputusan ini menunjukkan penentuan jenis botol PET dan BUKAN-PET dapat
ditentukan dengan lebih baik dan jitu sekiranya perlakuran sifat di antara dua
algoritma dilakukan. Keputusan perlakuran sifat menggunakan pengelasan
pendiskriminan lelurus boleh dirujuk di Jadual 5.14.
Jadual 5.14 Keputusan perlakuran sifat menggunakan pendiskriminan lelurus
![Page 9: Bab vb](https://reader036.vdokumen.net/reader036/viewer/2022082810/5584196fd8b42a40018b4e7b/html5/thumbnails/9.jpg)
111
Vektor sifat yang sama dari kedua-dua algoritma hakisan separa dan imej pangkasan
terpilih akan dilakurkan dan diuji kejituan pengelasan antara dua kelas botol PET dan
BUKAN-PET menerusi pengelas rangkaian neural. Keputusan perlakuran sifat itu
ditunjukkan dalam Jadual 5.15.
Jadual 5.15 Keputusan perlakuran sifat menggunakan rangkaian neural
5.6 PERBANDINGAN KEPUTUSAN ANTARA PENGELAS
Jadual 5.16 adalah jadual perbandingan keputusan pengelasan antara alat pengelas
yang diguna iaitu pengelas pendiskriminan lelurus dan rangkaian neural serta
keputusan perlakuran sifat yang dilakukan.
Kesemua algoritma memberikan peratus pengelasan melebihi 90%. Daripada
keputusan kedua-dua pengujian alat pengelasan, algoritma hakisan separa kelihatan
memberikan peratus pengelasan tepat yang lebih baik berbanding algoritma imej
pangkasan terpilih. Algoritma hakisan separa menyumbang 98.8% keputusan
pengelasan tepat dengan menggunakan pengelas pendiskriminan lelurus manakala
algoritma imej pangkasan terpilih menyumbang 94.2%. Bagi pengelas rangkaian
neural pula keputusan algoritma hakisan separa adalah 99.1% manakala algoritma
imej pangkasan terpilih menyumbang 95.8%. Teknik perlakuran sifat dilaksanakan
pada kedua-dua alat pengelas. Keputusan yang terhasil memberikan prestasi
pengecaman yang lebih baik dengan perlakuran sifat untuk alat pengelas
pendiskriminan lelurus adalah sebanyak 99.5% manakala alat pengelas rangkaian
neural memberikan keputusan 100% pengelasan tepat. Ini bererti bagi setiap 500 imej
botol PET dan BUKAN-PET, tiada salah pengelasan berlaku dengan menggunakan
perlakuran sifat pada alat alat pengelasan rangkaian neural.
Set Botol PET Botol BUKAN-PET Purata
1 99.7 99.3 99.52 95 100 97.53 99.9 99.9 1004 96.6 97.2 96.95 99.7 98.2 98.9
![Page 10: Bab vb](https://reader036.vdokumen.net/reader036/viewer/2022082810/5584196fd8b42a40018b4e7b/html5/thumbnails/10.jpg)
112
Bot
ol
PET
Bot
ol
BU
KA
N-
PET
Pura
ta
Bot
ol
PET
Bot
ol
BU
KA
N-
PET
Pura
ta B
otol
PET
Bot
ol
BU
KA
N-
PET
Pur
ata
Bot
ol
PET
Bot
ol
BU
KA
N-
PET
Pura
ta
Bot
ol
PET
Bot
ol
BU
KA
N-
PET
Bot
ol
PET
Pur
ata
100
97.5
98.8
9395
.494
.299
.998
.499
.195
.296
.495
.810
099
99.9
100
AH
S : A
lgor
itma
haki
san
sepa
ra
AIP
T :
Alg
oritm
a im
ej p
angk
asan
terp
ilih
Per
laku
ran
Fit
ur
Peng
elas
Pen
disk
rim
inan
Lel
urus
Pe
ngel
as R
angk
aian
Neu
ral
Peng
elas
Pend
iskr
imin
an L
elur
us P
enge
las
Ran
gkai
an N
eura
l
99.5
99.9
AH
SA
IPT
AH
SA
IPT
Pura
ta
Bot
ol
BU
KA
N-
PET
Jadu
al 5
.16
Jadu
al p
erba
ndin
gan
kete
pata
n pe
ngel
asan
ant
ara
pen
gela
s di
skri
min
anda
n pe
ngel
as r
angk
aian
neu
ral
![Page 11: Bab vb](https://reader036.vdokumen.net/reader036/viewer/2022082810/5584196fd8b42a40018b4e7b/html5/thumbnails/11.jpg)
113
5.7 RUMUSAN KESELURUHAN PENGELASAN IMEJ BOTOL
Secara keseluruhannya, keputusan pengelasan imej botol menunjukkan semua sifat
yang disari dari ketiga-tiga algoritma yang dibangunkan boleh membezakan jenis
botol sama ada PET atau BUKAN-PET. Pengesahan dilakukan dengan melaksana
modul pengesahan dan pengujian menggunakan kaedah rangkaian neural dan
persamaan lelurus. Seterusnya vektor sifat dari algoritma hakisan separa dan algoritma
imej pangkasan kawasan terpilih dilakurkan dan peratus pengecaman dikira menerusi
kaedah pengelasan persamaan lelurus dan rangkaian neural. Keputusan perlakuran
sifat yang diperolehi juga menunjukkan peningkatan iaitu dengan peratus pengecaman
antara 99.5% ke 100%. Tujuan melakukan perlakuran sifat adalah supaya dapat
meningkatkan ketepatan pengecaman.
![Page 12: Bab vb](https://reader036.vdokumen.net/reader036/viewer/2022082810/5584196fd8b42a40018b4e7b/html5/thumbnails/12.jpg)
114
Contents
5.5.4 Perbincangan Pengelasan Analisa Warna Tekstur Silau ...............................................106
5.5.5 Keputusan Perlakuran Sifat............................................................................................108
5.6 Perbandingan Keputusan Antara Pengelas...............................................................................111
5.7 Rumusan Keseluruhan Pengelasan Imej Botol.........................................................................113
Rajah 5.1 , Jadual 5.1 103Rajah 5.2, Jadual 5.2 103Rajah 5.3 Jadual 5.3 103Rajah 5.4 Jadual 5.4 103Rajah 5.5 Jadual 5.5 103Rajah 5.6 Jadual 5.6 103Rajah 5.7 Jadual 5.7 103Rajah 5.8 Jadual 5.8 103Rajah 5.9 Jadual 5.9 103Rajah 5.10 Rajah 5.11 Rajah 5.12 Rajah 5.13 103Rajah 5.14 103Rajah 5.15 103Rajah 5.16 103Rajah 5.17 103Rajah 5.18 103Rajah 5.19, Rajah 5.20, Rajah 5.21 Rajah 5.22, Rajah 5.23, Rajah 5.24 103Rajah 5.25 Plot rangkaian neural input dan sasaran untuk latihan dari set 3 105Rajah 5.26 Plot rangkaian neural input dan sasaran untuk latihan dari set 3 106Rajah 5.27 Plot tertabur vektor sifat maksimum dari algoritma hakisan separa 109Rajah 5.28 Plot tertabur vektor sifat purata dari algoritma imej pangkasan terpilih 109Rajah 5.29 Plot tertabur vektor sifat pelakuran antara nilai maksimum dan nilai purata
110
![Page 13: Bab vb](https://reader036.vdokumen.net/reader036/viewer/2022082810/5584196fd8b42a40018b4e7b/html5/thumbnails/13.jpg)
115
Rajah 5.1 , Jadual 5.1 103Rajah 5.2, Jadual 5.2 103Rajah 5.3 Jadual 5.3 103Rajah 5.4 Jadual 5.4 103Rajah 5.5 Jadual 5.5 103Rajah 5.6 Jadual 5.6 103Rajah 5.7 Jadual 5.7 103Rajah 5.8 Jadual 5.8 103Rajah 5.9 Jadual 5.9 103Jadual 5.10 Keputusan pengelasan bentuk botol untuk pendiskriminan lelurus bagi algoritma imej pangkasan terpilih 104Jadual 5.11 Keputusan pengelasan bentuk botol untuk rangkaian neural bagi algoritma imej kotak sempadan 107Jadual 5.12 Keputusan pengelasan bentuk botol untuk rangkaian neural bagi algoritma imej pangkasan terpilih 107Jadual 5.13 Set sampel sifat dari dua algoritma sarian sifat 108Jadual 5.14 Keputusan perlakuran sifat menggunakan pendiskriminan lelurus 110Jadual 5.15 Keputusan perlakuran sifat menggunakan rangkaian neural 111Jadual 5.16 Jadual perbandingan ketepatan pengelasan antara pengelas diskriminan dan pengelas rangkaian neural 112