1. 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
5.5.3
Rajah 5.22, Rajah 5.23, Rajah 5.24
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

2. Ujian
U
ji
Latih
Lelurus
Persam
aan
Jadual 5.10
PET
BUKAN
-
90
92.3
Set 2
91..2
PET
BU
KAN-
89
92.3
90.7
[Set1,Set3,Set4,Set5]
PET
Set 3
PET
BUKA
N-
93
95.4
94.2
[Set1,Set2,Set4,Set5]
PET
Set 4
89
90.2
89.6
[Set1,Set2,Set3,Set5]
PET
PET BUKAN-
Set 5
PET
BUKAN
-
90
95.2
92.6
[Set1,Set2,Set3,Set4]
PET
Purata
-0.03x1+ -0.01x2+0.09=0
Purata Botol Botol
-1.93x1+-1.12x2+6.00=0
Purata Botol Botol
-0.05x1+-0.06x2=0.08=0
Purata Botol Botol
-0.02x1+-29.53x2+6.00=0
Purata Botol Botol
[Set2,Set3,Set4,Set5]
PET
Botol Botol
Set 1
-0.08x1+-0.05x2+0.05=0
Keputusan pengelasan bentuk botol untuk pendiskriminan lelurus bagi algoritma imej pangkasan terpilih
104

3. 105
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.
1
0.9
0.8
0.7
Sasaran
0.6
0.5
0.4
0.3
0.2
0.1
0
1
1.5
2
2.5
3
3.5
4
4.5
Input
Rajah 5.25
ii.
Plot rangkaian neural input dan sasaran untuk latihan dari set 3
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.

4. 106
1
0.9
0.8
0.7
Sasaran
0.6
0.5
0.4
0.3
0.2
0.1
0
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Input
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.

5. Jadual 5.12
Jadual 5.11
9 .8
5
9 .3
2
8 .1
2
9 .4
3
[S t1 e ,S t4 e ]
e ,S t3 e ,S t5
8 .8
7
P ra
u ta
B to
o l
PT
E
BKN
UA-
P ra
u ta
8 .5
8
9 .8
5
9 .2
2
[S t1 e ,S t4 e ]
e ,S t2 e ,S t5
PT
E
B to
o l
S t3
e
B to
o l
PT
E
BKN
UA-
P ra
u ta
8 .1
2
9
2
8 .1
7
[S t1 e ,S t3 e ]
e ,S t2 e ,S t5
PT
E
B to
o l
S t4
e
U n
jia
U
ji
L tih
a
P ra
u ta
8 .3
9
9
0
8 .7
9
[S t2 e ,S t4 e ]
e ,S t3 e ,S t5
PT
E
BKN
UA-
PT
E
S t1
e
B to
o l
B to
o l
S t2
e
PT
E
BKN
UA-
B to
o l
P ra
u ta
9 .6
2
9 .8
5
9 .2
4
[S t1 e ,S t4 e ]
e ,S t3 e ,S t5
PT
E
B to
o l
St3
e
PT
E
BKN
UA-
B to
o l
P ra
u ta
9 .2
5
9 .4
6
9 .8
5
[S t1 e ,S t4 e ]
e ,S t2 e ,S t5
PT
E
B to
o l
S t4
e
PT
E
BKN
UA-
B to
o l
P ra
u ta
9 .3
2
9 .4
4
9 .4
3
[S t1 e ,S t3 e ]
e ,S t2 e ,S t5
PT
E
B to
o l
9
4
S t5
e
PT
E
BKN
UA-
B to
o l
9
2
8
6
P ra
u ta
9
3
PT
E
BKN
UA-
B to
o l
St5
e
P ra
u ta
9 .1
2
8 .1
9
[S t1 e ,S t3 e ]
e ,S t2 e ,S t4
PT
E
B to
o l
[S t1 e ,S t3 e ]
e ,S t2 e ,S t4
PT
E
B to
o l
Keputusan pengelasan bentuk botol untuk rangkaian neural bagi algoritma imej pangkasan terpilih
[S t2 e ,S t4 e ]
e ,S t3 e ,S t5
8 .7
8
B to
o l
PT
E
B to P T
o l E
PT
E
P ra
u ta
BKN
UA-
B to
o l
S t2
e
BKN
UA-
U
ji
B to P T
o l E
S t1
e
U n
jia
L tih
a
Keputusan pengelasan bentuk botol untuk rangkaian neural bagi algoritma imej kotak sempadan
107

6. 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 Separa
PET
BUKAN-PET
0.16
1.07
0.13
1.09
0.13
1.09
0.15
0.69
0.09
0.84
0.12
0.69
0.12
0.90
0.17
0.68
0.24
0.66
0.09
0.86
0.24
0.68
0.07
0.85
0.17
1.10
0.04
0.79
0.28
0.87
Algoritma Analisa Warna
Tekstur Silau
PET
BUKAN-PET
0.27
0.02
0.17
0.00
0.18
0.00
0.45
0.00
0.28
0.02
0.18
0.00
0.26
0.02
0.37
0.03
0.19
0.00
0.20
0.00
0.03
0.03
0.20
0.00
0.13
0.05
0.58
0.05
0.56
0.03

7. 109
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 dan Rajah 5.28 menunjukkan vektor tertabur bagi
5.27
kan
set sifat dari kedua-dua algo
dua algoritma yang di plotkan lawan bilangan imej.
Rajah 5.27
Plot tertabur vektor sifat maksimum dari algoritma hakisan separa
1
Botol PET
0.9
Botol BUKAN-PET
PET
0.8
0.7
0.6
Nilai purata
0.5
0.4
0.3
0.2
0.1
0
0
50
100
150
200
250
Bilangan imej
Rajah 5.28
Plot tertabur vektor sifat purata dari algoritma imej pangkasan terpilih

8. 110
1
Botol PET
Botol BUKAN-PET
Fungsi Pembeza Lelurus
0.9
0.8
Nilai Purata
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
Rajah 5.29
0.2
0.4
0.6
0.8
1
Nilai Maksimum
1.2
1.4
1.6
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
Persamaan Lelurus
Botol PET Botol BUKAN-PET
Set 1:
0.032x1+-0.03x2+0.01=0
100%
98%
Set 2:
0.01x1+-0.01x2+0.01=0
98.50%
99%
100%
99%
99%
98%
100
98.50%
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

9. 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
Set
Botol BUKAN-PET
Purata
1
2
3
4
5
5.6
Botol PET
99.7
95
99.9
96.6
99.7
99.3
100
99.9
97.2
98.2
99.5
97.5
100
96.9
98.9
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.

10. 98.8
93
PET
Botol
95.4
PET
94.2
BUKAN- Purata
Botol
AIPT
AIPT : Algoritma imej pangkasan terpilih
AHS : Algoritma hakisan separa
97.5
PET
BUKAN- Purata
Botol
AHS
Pengelas Pendiskriminan Lelurus
99.9
PET
Botol
98.4
PET
99.1
BUKAN- Purata
Botol
AHS
95.2
PET
Botol
96.4
PET
95.8
BUKAN- Purata
Botol
AIPT
Pengelas Rangkaian Neural
100
PET
Botol
99
PET
99.5
BUKAN- Purata
Botol
99.9
PET
Botol
99.9
PET
100
BUKAN- Purata
Botol
Pendiskriminan Lelurus Pengelas Rangkaian Neural
Pengelas
Perlakuran Fitur
Jadual perbandingan ketepatan pengelasan antara pengelas diskriminan dan pengelas rangkaian neural
100
PET
Botol
Jadual 5.16
112

11. 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.

12. 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
103
Rajah 5.2, Jadual 5.2
103
Rajah 5.3 Jadual 5.3
103
Rajah 5.4 Jadual 5.4
103
Rajah 5.5 Jadual 5.5
103
Rajah 5.6 Jadual 5.6
103
Rajah 5.7 Jadual 5.7
103
Rajah 5.8 Jadual 5.8
103
Rajah 5.9 Jadual 5.9
103
Rajah 5.10 Rajah 5.11 Rajah 5.12 Rajah 5.13
103
Rajah 5.14
103
Rajah 5.15
103
Rajah 5.16
103
Rajah 5.17
103
Rajah 5.18
103
Rajah 5.19, Rajah 5.20, Rajah 5.21 Rajah 5.22, Rajah 5.23, Rajah 5.24
103
Rajah 5.25
Plot rangkaian neural input dan sasaran untuk latihan dari set 3
105
Rajah 5.26
Plot rangkaian neural input dan sasaran untuk latihan dari set 3
106
Rajah 5.27
Plot tertabur vektor sifat maksimum dari algoritma hakisan separa
109
Rajah 5.28
Plot tertabur vektor sifat purata dari algoritma imej pangkasan terpilih
109
Rajah 5.29
Plot tertabur vektor sifat pelakuran antara nilai maksimum dan nilai purata
110

13. 115
Rajah 5.1 , Jadual 5.1
103
Rajah 5.2, Jadual 5.2
103
Rajah 5.3 Jadual 5.3
103
Rajah 5.4 Jadual 5.4
103
Rajah 5.5 Jadual 5.5
103
Rajah 5.6 Jadual 5.6
103
Rajah 5.7 Jadual 5.7
103
Rajah 5.8 Jadual 5.8
103
Rajah 5.9 Jadual 5.9
103
Jadual 5.10 Keputusan pengelasan bentuk botol untuk pendiskriminan lelurus bagi
algoritma imej pangkasan terpilih
104
Jadual 5.11 Keputusan pengelasan bentuk botol untuk rangkaian neural bagi algoritma
imej kotak sempadan
107
Jadual 5.12 Keputusan pengelasan bentuk botol untuk rangkaian neural bagi algoritma
imej pangkasan terpilih
107
Jadual 5.13 Set sampel sifat dari dua algoritma sarian sifat
108
Jadual 5.14 Keputusan perlakuran sifat menggunakan pendiskriminan lelurus
110
Jadual 5.15 Keputusan perlakuran sifat menggunakan rangkaian neural
111
Jadual 5.16 Jadual perbandingan ketepatan pengelasan antara pengelas diskriminan dan
pengelas rangkaian neural
112