Analisa Jenis Kucing sebaiknya pakai ViolaJones

hasil Akurasi:
  'OUTPUT'    'PREDIKSI1'    'T/F'    'PREDIKSI2'    'T/F'
     1     7     0     1     1
     1     7     0     1     1
     1     7     0     1     1
     1     7     0     1     1
     1     7     0     1     1
     2     2     1     2     1
     2     2     1     2     1
     2     2     1     2     1
     2     2     1     2     1
     2     2     1     2     1
     3     3     1     3     1
     3     3     1     3     1
     3     3     1     3     1
     3     3     1     3     1
     3     3     1     3     1
     4     4     1     4     1
     4     4     1     4     1
     4     4     1     4     1
     4     4     1     4     1
     4     4     1     4     1
     5     5     1     5     1
     5     5     1     5     1
     5     5     1     5     1
     5     5     1     5     1
     5     5     1     5     1
     6     6     1     6     1
     6     6     1     6     1
     6     6     1     6     1
     6     6     1     6     1
     6     6     1     6     1
     7     7     1     7     1
     7     7     1     7     1
     7     7     1     7     1
     7     7     1     7     1
     7     7     1     7     1

output adalah terget yang harus di capai...

misal 1: kucing Angora, 2 Kucing Bengal, 3 Brits, 4 Exotic, 5 Mainecoon, 6 Persia dan  7 Sphynx

Menggunakan Metode SVM model Grayscale (rgb2gray): hasilnya kurang baik

Menggunakan Metode SVM model R+G/2(Red dan green saja): hasilnya lebih baik bahkan 100% benar

'T/F' =>1=true, 2 false atau tidak sesuai target 

Saat menggunakan Kmeans hasilya kurang baik karena disini menggunakan rumus labeling....

pil1=get(handles.pil1,'Userdata')
pil2=get(handles.pil2,'Userdata')
pil3=get(handles.pil3,'Userdata')
pil4=get(handles.pil4,'Userdata')


data=get(handles.mytable3,'Userdata');
data0=get(handles.mytable4,'Userdata');

if size(data,1)<1
   msgbox('Silakan pilih data latih dahhulu...','Lengkapi Data','help');
    return;
end

ROW=data(:,1)

co=size(data0,2);
mydata=data0(:,2:co);
mydatabaru=[pil1,pil2,pil3,pil4]
F=[mydata;mydatabaru];

K=8;
opts = statset('Display','final');
[prediction, CENTS] = kmeans(F, K, 'Distance','city','Replicates',40, 'Options',opts);

header=["X1","X2","X3","X4"];
c=size(CENTS,1);

T=size(prediction,1);
hsl=prediction(T);
row=linspace(1,c,c);
set(handles.mytable5,'data',CENTS,'ColumnName',header,'RowName',row);
set(handles.mytable5,'Userdata',CENTS);
OUT=cell2mat(ROW(hsl));
set(handles.edknn,'String',num2str(OUT));

+++++++++++++++++++

Perhitungan Normalsiasi SVM menggunalan rumus ini:

load DLATIH.mat;

load DLATIH2.mat;

load ROW.mat;

load ROW2.mat;

load KAT.mat;

kolom={'Contrast' 'Correlation' 'Energy' 'Homogeneity'};

    

set(handles.mytable,'data',DLATIH,'ColumnName',kolom,'RowName',ROW);

set(handles.mytable,'Userdata',DLATIH); 

%%%%%%%%%%%%%%%

set(handles.mytable2,'data',DLATIH2,'ColumnName',kolom,'RowName',ROW);

set(handles.mytable2,'Userdata',DLATIH2); 

%%%%%%%%%%%%%%%

  

   

%%%%%%%%%%%%%%%%%%%%

X =DLATIH;

Y = KAT;

prediction=multisvm(DLATIH,KAT,DLATIH);

prediction2=prediction';

ba=size(prediction2,2);

benar=0;

rekap1=[];

for i=1:ba

    if(KAT(1,i)==prediction2(1,i))

       benar=benar+1; 

       rekap1(1,i)=1;

    else

        rekap1(1,i)=0;

    end

end  

salah=ba-benar;

akurasi1=benar/ba;

prediction=multisvm(DLATIH2,KAT,DLATIH2);

prediction22=prediction';

ba=size(prediction22,2);

benar=0;

rekap2=[];

for i=1:ba

    if(KAT(1,i)==prediction22(1,i))

       benar=benar+1;

       rekap2(1,i)=1;

    else

        rekap2(1,i)=0;

    end

end  

salah=ba-benar;

akurasi2=benar/ba;

GAB=[KAT' prediction2' rekap1'  prediction22' rekap2']

row=linspace(1,ba,ba);

header={'OUTPUT','PREDIKSI1','T/F','PREDIKSI2','T/F'}

set(handles.mytable0,'data',GAB,'ColumnName',header,'RowName',row);

set(handles.mytable0,'Userdata',GAB);

Sedang raget yang hendak dicapai lebihd ari 2 item maka menggunakan rumsu Multisvm sbb:

function [itrfin] = multisvm( T,C,test )

itrind=size(test,1);

itrfin=[];

Cb=C;

Tb=T;

for tempind=1:itrind

    tst=test(tempind,:);

    C=Cb;

    T=Tb;

    u=unique(C);

    N=length(u);

    c4=[];

    c3=[];

    j=1;

    k=1;

    if(N>2)

        itr=1;

        classes=0;

        cond=max(C)-min(C);

        while((classes~=1)&&(itr<=length(u))&& size(C,2)>1 && cond>0)

            c1=(C==u(itr));

            newClass=c1;

            svmStruct = svmtrain(T,newClass,'kernel_function','polynomial');  

            classes = svmclassify(svmStruct,tst);

            

            for i=1:size(newClass,2)

                if newClass(1,i)==0;

                    c3(k,:)=T(i,:);

                    k=k+1;

                end

            end

            T=c3;

            c3=[];

            k=1;

            

            for i=1:size(newClass,2)

                if newClass(1,i)==0;

                    c4(1,j)=C(1,i);

                    j=j+1;

                end

            end

            C=c4;

            c4=[];

            j=1;

            

            cond=max(C)-min(C); 

            if classes~=1

                itr=itr+1;

            end

        end

    end

    

    valt=Cb==u(itr);

    val=Cb(valt==1);

    val=unique(val);

    itrfin(tempind,:)=val;

end

end

Datalatih target:


    'Anggora'
    'Anggora'
    'Anggora'
    'Anggora'
    'Anggora'
    'Bengal'
    'Bengal'
    'Bengal'
    'Bengal'
    'Bengal'
    'Britsh'
    'Britsh'
    'Britsh'
    'Britsh'
    'Britsh'
    'Exotic'
    'Exotic'
    'Exotic'
    'Exotic'
    'Exotic'
    'Mainecoon'
    'Mainecoon'
    'Mainecoon'
    'Mainecoon'
    'Mainecoon'
    'Persia'
    'Persia'
    'Persia'
    'Persia'
    'Persia'
    'Sphynx'
    'Sphynx'
    'Sphynx'
    'Sphynx'
    'Sphynx'

DLATIH =

   1.0e+10 *

    0.1114    1.0030    0.0106    0.0000
    0.1114    1.0030    0.0106    0.0000
    0.1114    1.0030    0.0106    0.0000
    0.0959    1.0573    0.0153    0.0000
    0.1114    1.0030    0.0106    0.0000
    0.1276    2.5270    0.0104    0.0000
    0.1276    2.5270    0.0104    0.0000
    0.1276    2.5270    0.0104    0.0000
    0.1276    2.5270    0.0104    0.0000
    0.1276    2.5270    0.0104    0.0000
    0.0669    0.6027    0.0046    0.0000
    0.0669    0.6027    0.0046    0.0000
    0.0669    0.6027    0.0046    0.0000
    0.0669    0.6027    0.0046    0.0000
    0.0669    0.6027    0.0046    0.0000
    0.0893    0.2997    0.0045    0.0000
    0.0893    0.2997    0.0045    0.0000
    0.0893    0.2997    0.0045    0.0000
    0.0893    0.2997    0.0045    0.0000
    0.0893    0.2997    0.0045    0.0000
    0.1419    3.0747    0.0114    0.0000
    0.0732    1.1291    0.0145    0.0000
    0.1418    1.8808    0.0081    0.0000
    0.0892    1.3324    0.0200    0.0000
    0.1418    0.9196    0.0120    0.0000
    0.1114    0.8824    0.0063    0.0000
    0.1114    0.8824    0.0063    0.0000
    0.1114    0.8824    0.0063    0.0000
    0.1114    0.8824    0.0063    0.0000
    0.1421    1.1542    0.0027    0.0000
    0.1099    1.0015    0.0114    0.0000
    0.1099    1.0015    0.0114    0.0000
    0.1099    1.0015    0.0114    0.0000
    0.1099    1.0015    0.0114    0.0000
    0.1099    1.0015    0.0114    0.0000

>> DLATIH2

DLATIH2 =

   1.0e+10 *

    0.1114    1.0030    0.0106    0.0000
    0.1114    1.0030    0.0106    0.0000
    0.1114    1.0030    0.0106    0.0000
    0.0959    1.0573    0.0153    0.0000
    0.1114    1.0030    0.0106    0.0000
    0.1276    2.5270    0.0104    0.0000
    0.1276    2.5270    0.0104    0.0000
    0.1276    2.5270    0.0104    0.0000
    0.1276    2.5270    0.0104    0.0000
    0.1276    2.5270    0.0104    0.0000
    0.0669    0.6027    0.0046    0.0000
    0.0669    0.6027    0.0046    0.0000
    0.0669    0.6027    0.0046    0.0000
    0.0669    0.6027    0.0046    0.0000
    0.0669    0.6027    0.0046    0.0000
    0.0893    0.2997    0.0045    0.0000
    0.0893    0.2997    0.0045    0.0000
    0.0893    0.2997    0.0045    0.0000
    0.0893    0.2997    0.0045    0.0000
    0.0893    0.2997    0.0045    0.0000
    0.1419    3.0747    0.0114    0.0000
    0.0732    1.1291    0.0145    0.0000
    0.1418    1.8808    0.0081    0.0000
    0.0892    1.3324    0.0200    0.0000
    0.1418    0.9196    0.0120    0.0000
    0.1114    0.8824    0.0063    0.0000
    0.1114    0.8824    0.0063    0.0000
    0.1114    0.8824    0.0063    0.0000
    0.1114    0.8824    0.0063    0.0000
    0.1421    1.1542    0.0027    0.0000
    0.1099    1.0015    0.0114    0.0000
    0.1099    1.0015    0.0114    0.0000
    0.1099    1.0015    0.0114    0.0000
    0.1099    1.0015    0.0114    0.0000
    0.1099    1.0015    0.0114    0.0000


Terlihat 0 tetapi sebanarnya nilainya ada......cb di lihat lebih detail:
>> DLATIH2(1,4)

ans =

   1.6878e+04