BAB 6 KESIMPULAN DAN SARAN
Dalam bab ini diuraikan kesimpulan dan saran berdasarkan pembahasan yang telah dijelaskan dalam tugas akhir ini. Kesimpulan dan saran juga diambil berdasarkan hasil uji coba dan evaluasi.
1.1. Kesimpulan Kesimpulan yang bisa diambil dalam tugas akhir ini adalah sebagai berikut: 1. Pengimplementasian algoritma UDA dalam suatu sistem ekstraksi fitur yang ditanamkan pada suatu sistem klasifikasi dapat berjalan cukup efektif dan efisien. Efektif, karena tingkat kesalahan klasifikasi cukup rendah, walaupun jumlah data sampel (data training)-nya rendah. Efisien, karena sistem klasifikasi berjalan dengan cepat disebabkan jumlah vektor diskriminan yang rendah, sehingga mengurangi kompleksitas perkalian matriks. 2. Jika dibandingkan tingkat efektivitas dari sistem ekstraksi fitur yang tidak menggunakan UDA, sistem ekstraksi fitur yang menggunakan UDA akan menghasilkan sistem klasifikasi yang cukup efektif walaupun kurang signifikan secara statistik. Hal ini disebabkan, selisih tingkat kesalahan dari keduanya cukup rendah dan bahkan pada titik tertentu sistem ekstraksi fitur tanpa menggunakan UDA bisa lebih baik 3. Jika dibandingkan tingkat efisiensi dari sistem ekstraksi fitur yang tidak menggunakan UDA, sistem ekstraksi fitur yang menggunakan UDA akan menghasilkan sistem klasifikasi yang sangat efisien apalagi diterapkan pada dataset yang memiliki fitur yang tinggi. Hal ini dikarenakan penggunaan vektor diskriminan yang lebih 125
126 sedikit, sehingga kompleksitas perkalian matriks yang dilakukan pada tahap klasifikasi menjadi lebih rendah. Sehinggga kesimpulan akhirnya adalah penggunaan metode UDA di dalam suatu sistem ekstraksi fitur memberikan nilai efisiensi yang lebih dari suatu sistem klasifikasi tanpa mengurangi nilai efektivitasnya. Dan metode UDA sangat cocok digunakan untuk klasifikasi terhadap dataset yang memiliki dimensi yang tinggi, karena UDA sangat efisien jika diterapkan pada dataset berdimensi tinggi.
1.2. Saran Saran-saran untuk pengembangan tugas akhir ini lebih lanjut adalah sebagai berikut: 1. Perbaikan terhadap ekstraksi fitur menggunakan algoritma UDA untuk meningkatkan efektivitas dari sistem klasifikasi, sehingga dengan penggunaan ekstraksi fitur dapat dihasilkan sistem klasifikasi yang lebih efektif dan lebih efisien. Algoritma UDA sangat cocok jika diimplementasikan terhadap dataset yang memiliki fitur yang tinggi misalnya aplikasi pengenalan wajah, karena dapat meningkatkan efisiensi, sehingga pengimplementasian algoritma UDA ke dalam aplikasi-aplikasi pengenalan pola yang memiliki fitur tinggi dapat meningkatkan efisiensi secara signifikan tanpa mengurangi tingkat efektivitasnya.
127 DAFTAR PUSTAKA [Yan08] Wen-Hui Yang, Dao-Qing Dai, dan Hong Yan. Mei 2008. “Feature Extraction and Uncorrelated Discriminant Analysis for High-Dimensional Data”. IEEE Transaction on Knowledge and Data Engineering, Vol. 20, No. 5, halaman 601-614. [Xio06] Tao Xiong, Jieping Ye, dan Vladimir Cherkassky. Juni 2006. “Kernel Uncorrelated and Orthogonal Discriminant Analysis: A Unified Approach”. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Vol. 1, halaman 125-131. [Moo00] Todd K. Moon. 2000.”Mathematical Methods and Algorithms for Signal Processing”. Upper Saddle River : Prentice Hall. [Ant94] Howard Anton dan Chris Rorres. 1994. “Elementary Linear Algebra”. Versi Aplikasi – Edisi Ketujuh. John Wiley & Sons, Inc. [Dud97] Richard O Duda. 1997. “Pattern Classification”. Edisi kedua. Pearson Prentice Hall. [orl02]
AT&T Laboratories Cambridge. “The ORL Database of Faces”. http://www.cl.cam.ac.uk/research/dtg/attarchive/facedataba se.html
[win92] UCI Machine Learning Repository. 1992. “Wine Data Set”. http://archive.ics.uci.edu/ml/datasets/Wine [iri36]
UCI Machine Learning Repository. 1936. “Iris Data Set”. http://archive.ics.uci.edu/ml/datasets/Iris
128
[wav84] UCI Machine Learning Repository. 1984. “Waveform Database Generator”. http://archive.ics.uci.edu/ml/datasets/Waveform+Database +Generator+(Version+1) [son88] UCI Machine Learning Repository. 1988. “Connectionist Bench (Sonar, Mines vs Rocks) Data Set”. http://archive.ics.uci.edu/ml/datasets/Connectionist+Bench +(Sonar%2C+Mines+vs.+Rocks) [wik09a] Wikipedia. “Scatter Matrix”. 18 Maret http://en.wikipedia.org/wiki/Scatter_matrix
2009.
[wik09b] Wikipedia. “Centering Matrix”. 2 April http://en.wikipedia.org/wiki/Centering_matrix
2009.
[wik09c] Wikipedia. “Singular Value Decomposition”. 8 Maret 2009. http://en.wikipedia.org/wiki/Singular_value_decomposition [wik09d] Wikipedia. “Feature Extraction”. 4 April http://en.wikipedia.org/wiki/Feature_extraction
2009.
[wik09e] Wikipedia. “Eigenvalue, eigenvector and eigenspace”. 19 Maret 2009. http://en.wikipedia.org/wiki/Eigenvalue [wik09f] Wikipedia. “Matlab”. 1 http://en.wikipedia.org/wiki/MATLAB
Mei
[wik09g] Wikipedia. “Kernel (statistic)”. 19 Juni http://en.wikipedia.org/wiki/Kernel_(statistics)
2009. 2009.
129 BIODATA PENULIS Penulis dilahirkan di Sidoarjo, pada tanggal 3 Juni 1987. Penulis merupakan putra sulung dari dua bersaudara. Setelah menyelesaikan sekolah dasar di SD Negeri Penambangan Balongbendo Sidoarjo, penulis melanjutkan pendidikan ke SMP Negeri 1 Krian. Setelah menyelesaikan pendidikan di SMA Negeri 1 Krian, penulis melanjutkan menuntut ilmu di Institut Teknologi Sepuluh Nopember Jurusan Teknik Informatika, dimana penulis dapat menyelesaikan Tugas Akhir ini. Melalui tugas akhir ini, penulis ingin berkontribusi terhadap ilmu pengetahuan dari ilmu yang telah didapatkannya selama menjadi mahasiswa Teknik Informatika ITS. Penulis dapat dihubungi di
[email protected]. Dan akhir kata, semoga Tugas Akhir ini dapat bermanfaat bagi perkembangan IPTEK. Amin.