Identifikasi Mangrove Berbasis Citra Daun Menggunakan KNN dengan Ekstraksi Tekstur Wavelet

IDENTIFIKASI MANGROVE BERBASIS CITRA DAUN
MENGGUNAKAN KNN DENGAN EKSTRAKSI
TEKSTUR WAVELET

SRI SITI SONARI

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Mangrove
Berbasis Citra Daun Menggunakan KNN dengan Ekstraksi Tekstur Wavelet
adalah benar karya saya dengan arahan dari komisi pembimbing dan belum
diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber
informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak
diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam
Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, September 2013
Sri Siti Sonari
NIM G64104015

ABSTRAK
SRI SITI SONARI. Identifikasi Mangrove Berbasis Citra Daun Menggunakan
KNN dengan Ekstraksi Tekstur Wavelet. Dibimbing oleh AZIZ KUSTIYO.
Mangrove merupakan tumbuhan yang hidup di daerah pasang-surut.
Mangrove memiliki banyak manfaat antara lain sebagai pencegah abrasi pantai
dan sebagai tanaman obat. Mangrove sulit diidentifikasi karena banyaknya spesies
mangrove dan kemiripan antar spesies. Pada penelitian ini dikembangkan sistem
identifikasi Mangrove menggunakan Discrete Wavelet Transform dengan
klasifikasi K-Nearest Neighbour berdasarkan citra daun mangrove. Penelitian ini
menghasilkan akurasi terbaik sebesar 88.75% pada dekomposisi Discrete Wavelet
Transform lima dan enam level.
Kata kunci: Citra Daun, Discrete Wavelet Transform,
Mangrove

K-Nearest Neighbour,

ABSTRACT
SRI SITI SONARI. Mangrove Identification Based on Leaf Image using KNN
with Wavelet Texture Extraction. Supervised by AZIZ KUSTIYO.
Mangroves are plants that live in tidal area. Mangroves have many benefits
such as preventing abrasion and becoming medicinal plants. Mangroves
identification is difficult because of their various species and simililarities
between species. This research developed a system to identify Mangrove using
Discrete Wavelet Transform and K-Nearest Neighbour classification based on
mangrove leaf image. The best accuracy in this research was 88.75%, obtained at
Discrete Wavelet Transform decomposition level five and six.
Keywords: Discrete Wavelet Transform, K-Nearest Neighbour, Leaf Images,
Mangroves

IDENTIFIKASI MANGROVE BERBASIS CITRA DAUN
MENGGUNAKAN KNN DENGAN EKSTRAKSI
TEKSTUR WAVELET

SRI SITI SONARI

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013

Penguji:
1 Dr Eng Wisnu Ananta Kusuma, ST, MT
2 M. Asyhar Agmalaro, SSi, MKom

Judui Skripsi: Identifikasi Mangrove Berbasis Citra Daun Menggunakan KNN
dengan Ekstraksi Tekstur WaveJet
Nama

: Sri Siti Sonari
NIM
: G64104015

Disetujui oleh

Aziz Kustiyo, SSi, MKom
Pembimbing

Tanggal Lulus:

10

SEP 2D13

Judul Skripsi : Identifikasi Mangrove Berbasis Citra Daun Menggunakan KNN
dengan Ekstraksi Tekstur Wavelet
Nama
: Sri Siti Sonari
NIM

: G64104015

Disetujui oleh

Aziz Kustiyo, SSi, MKom
Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi, MKom
Ketua Departemen

Tanggal Lulus:

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Adapun
penulis mengucapkan terima kasih kepada:
1 Keluarga yang telah memberikan dukungan, perhatian dan doa sehingga
penulis dapat menyelesaikan penelitian ini.

2 Bapak Aziz Kustiyo, SSi, MKom selaku pembimbing yang telah banyak
memberikan saran dan ide.
3 Dosen penguji, Bapak Dr Eng Wisnu Ananta Kusuma, ST, MT dan M. Asyhar
Agmalaro, SSi, MKom atas saran dan bimbingannya.
4 Bapak Ucu Yanuarbi SSi, MSi dan Yaya Ihya Ullumudin, SSi, MSi atas
bantuannya dalam pengumpulan data daun Mangrove.
5 Pihak Puslit Oseanografi-LIPI atas literature tentang Mangrove.
6 Teman-teman P2O serta temen-teman Alih Jenis Ilkom angkatan 5, khususnya
temen-teman satu bimbingan Septy, Ayu, Ilvi dan Erni.
7 Semua pihak yang telah membantu yang belum disebutkan di atas.
Semoga penelitian ini bermanfaat bagi semua pihak.

Bogor, September 2013
Sri Siti Sonari

DAFTAR ISI
DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

DAFTAR LAMPIRAN

vi

PENDAHULUAN

1

Latar Belakang

1

Perumusan Masalah

1

Tujuan Penelitian

2

Manfaat Penelitian

2

Ruang Lingkup Penelitian

2

TINJAUAN PUSTAKA

2

Mangrove

2

Representasi Citra Digital

4

Tingkat Abu-abu (Grayscale)

4

Analisis Tekstur

6

Discrete Wavelet Transform

6

Wavelet Haar

7

K-Fold Cross Validation

8

K-Nearest Neighbor (KNN)

8

METODE

9

Akuisisi Citra Daun Mangrove

10

Praproses

10

Ekstraksi Tekstur Wavelet

11

Klasifikasi Menggunakan K-Nearest Neighbor (KNN)

12

Evaluasi

12

HASIL DAN PEMBAHASAN

13

Percobaan 1: Discrete Wavelet Transform Famili Haar 5 Level

14

Percobaan 2: Discrete Wavelet Transform Famili Haar 6 Level

15

Percobaan 3: Discrete Wavelet Transform Famili Haar 7 Level

16

Percobaan 4: Discrete Wavelet Transform Famili Haar 8 Level

17

Perbandingan Akurasi antara Percobaan 1 – 4

18

Analisis Kesalahan

19

SIMPULAN DAN SARAN

23

LAMPIRAN

25

RIWAYAT HIDUP

30

DAFTAR TABEL
1
2
3
4
5
6
7
8

Susunan data uji dan data latih
Rancangan percobaan
Ukuran citra hasil dekomposisi
Hasil klasifikasi dekomposisi wavelet 5 level
Hasil klasifikasi dekomposisi wavelet 6 level
Hasil klasifikasi dekomposisi wavelet 7 level
Hasil klasifikasi dekomposisi wavelet 8 level
Confusion matrix percobaan 1 – 4

12
13
14
14
15
16
17
20

DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

Rhizhopora apiculata
Rhizophora stylosa
Bruguiera gymnorhiza
Bruguiera cylindrical
Contoh level ekstraksi fitur
Dekomposisi Wavelet 1 Level
Algoritme Piramida Mallat
Bank filter Haar
Metode Penelitian
Posisi akuisisi citra
Perubahan Citra RGB ke grayscale
Dekomposisi Wavelet Haar 3 level
Grafik tingkat akurasi dekomposisi wavelet 5 level
Grafik tingkat akurasi dekomposisi wavelet 6
Grafik tingkat akurasi dekomposisi wavelet 7 level
Grafik tingkat akurasi dekomposisi wavelet 8 level
Akurasi pada setiap k KNN
Rata-rata akurasi tertinggi pada k=1
Citra aproksimasi hasil dekomposisi 5 level – 8 level
(a) Bruguiera cylindrical (b) Rhizophora apiculata
(a) Bruguiera gymnorhiza (b) Rhizophora apiculata
(a) Rhizophora apiculata (b) Bruguiera cylindrical (c) Bruguiera
gymnorhiza
(a) Bruguiera cylindrical 2 (b) Bruguiera cylindrical
(a) Bruguiera gymnorhiza 6 (b) Bruguiera gymnorhiza 14 (c)
Bruguiera gymnorhiza 15
(a) Rhyzophora apiculata 9 (b) Rhyzophora apiculata 13
(a) Rhyzophora apiculata 2 (b) Rhyzophora apiculata 20

3
3
4
4
5
7
7
8
9
10
10
11
15
16
17
18
18
19
19
20
21
21
22
22
22
23

DAFTAR LAMPIRAN
1 Confusion Matrix Percobaan 1 (Dekomposisi 5 level)
2 Confusion Matrix Percobaan 2 (Dekomposisi 6 level)

25
26

3 Confusion Matrix Percobaan 3 (Dekomposisi 7 level)
4 Confusion Matrix Percobaan 4 (Dekomposisi 8 level)
5 User interface sistem

27
28
29

PENDAHULUAN

Latar Belakang
Indonesia merupakan kawasan mangrove terluas di dunia (18 - 23%)
dengan areal seluas 3.5 juta hektar, melebihi Brazil (1,3 juta ha), Nigeria (1,1 juta
ha) dan Australia (0.97 juta ha) (Spalding et al. 1996). Di Indonesia terdapat 43
jenis spesies mangrove sejati(Noor et al. 1999) dari 60 jenis spesies mangrove
sejati di dunia (Saenger et al.1983).
Beberapa ahli mendefinisikan istilah “mangrove” secara berbeda-beda,
namun pada dasarnya merujuk pada hal yang sama. Tomlinson (1986) dan
Wightman (1989) mendefinisikan mangrove baik sebagai tumbuhan yang terdapat
di daerah pasang surut maupun sebagai komunitas. Mangrove juga didefinisikan
sebagai formasi tumbuhan daerah litoral yang khas di pantai daerah tropis dan sub
tropis yang terlindung (Saenger et al. 1983). Sementara itu, Soerianegara (1987)
mendefinisikan hutan mangrove sebagai hutan yang terutama tumbuh pada tanah
lumpur aluvial di daerah pantai dan muara sungai yang dipengaruhi pasang surut
air laut.
Identifikasi mangrove biasanya dilakukan untuk mengetahui nilai potensial,
manfaat dan pola persebarannya sebagai salah satu kekayaan hayati Indonesia.
Identifikasi tumbuhan ini dapat dilakukan dengan melihat aspek morfologi (Noor
et al. 1999). Aspek morfologi yang diteliti meliputi batang, daun, bunga, buah,
biji dan akar.
Jumlah pakar mangrove di Indonesia tidak banyak. Oleh karena itu, dirasa
perlu untuk membuat suatu sistem yang dapat mengidentifikasi mangrove secara
otomatis. Sistem ini akan melakukan identifikasi dengan hanya menggunakan
citra daun mangrove. Selama ini, para pakar masih sulit mengidentifikasi hanya
berdasarkan daun karena kemiripan daun dari beberapa spesies mangrove.
Penelitian yang terkait dengan identifikasi tanaman berbasis citra daun
antara lain dilakukan oleh Nurjayanti (2011) dan Ramadhan (2012). Nurjayanti
(2011) menggunakan K-Nearest Neighbour sebagai classifier dan identifikasi
berdasarkan karateristik morfologi daun shorea. Penelitian tersebut menghasilkan
akurasi data yang sangat baik yaitu 100% data akurat. Ramadhan (2012)
melakukan identifikasi Shorea berdasarkan citra daun dengan praproses Wavelet
dan menggunakan jaringan syaraf tiruan dengan akurasi sebesar 90%.
Berdasarkan penelitian tersebut, pada penelitian ini akan dilakukan
identifikasi Mangrove berdasarkan citra daun menggunakan ekstraksi tekstur
Wavelet dan klasifikasi K-Nearest Neighbor (KNN).
Perumusan Masalah
Perumusan masalah yang ada pada penelitian ini dapat diuraikan sebagai
berikut:
1 Bagaimana penerapan ekstraksi tekstur discrete wavelet transform.
2 Bagaimana penerapan teknik klasifikasi K-Nearest Neighbor untuk hasil dari
metode ekstraksi tekstur discrete wavelet transform.

2

Tujuan Penelitian
Tujuan penelitian ini adalah mengimplementasikan teknik ekstraksi tekstur
wavelet dan klasifikasi K-Nearest Neighbor (KNN) untuk mengidentifikasi jenis
tanaman mangrove.

Manfaat Penelitian
Manfaat dari penelitian ini adalah membantu identifikasi mangrove
berdasarkan citra daun sehingga memudahkan pengklasifian jenisnya.

Ruang Lingkup Penelitian
Ruang lingkup penelitian ini adalah:
1 Data yang digunakan berupa data citra daun.
2 Jumlah spesies yang akan diidentifikasi 4 spesies yang daunnya sangat mirip,
yaitu: Rhizophora apiculata, Rhizophora stylosa, Bruguiera gymnorhiza,
Bruguiera cylin-drical
3 Ekstraksi tekstur menggunakan transformasi wavelet haar.

TINJAUAN PUSTAKA
Mangrove
Mangrove didefinisikan sebagai formasi tumbuhan daerah litoral yang
khas di pantai daerah tropis dan sub tropis yang terlindung (Saenger et al. 1983).
Manfaat tanaman mangrove antara lain mencegah abrasi pantai, menambah
daratan, menyerap bahan kimia berbahaya yang ada di air sehingga air dapat
dikonsumsi dan tidak mengandung racun, mencegah air laut masuk ke daratan
sehingga mencegah banjir rob dan sebagai tempat berkembang biak bagi para ikan
laut.
Penelitian ini menggunakan empat jenis mangrove, yaitu:
1 Rhizophora apiculata
Rhizophora apiculata sering disebut bakau minyak, bakau tandok, bakau
akik, bakau puteh, bakau kacang,bakau leutik, akik, bangka minyak, donggo akit,
jankar, abat, parai, mangi-mangi, slengkreng, tinjang dan wako. Rhizophora
apiculata memiliki ketingian mencapai 30 m dengan diameter batang 50 cm dan
memiliki perakaran yang khas hingga mencapai ketinggian 5 m.

3

Gambar 1 Rhizhopora apiculata
Rhizophora apiculata memiliki bentuk daun elips menyempit dengan ujung
meruncing (Gambar 1). Warna daun Rhizophora apiculata adalah hijau tua
dengan hijau muda pada bagian tengah dan kemerahan di bagian bawah. Ukuran
daun Rhizophora apiculata berkisar 7-19 x 3,5-8 cm. Rhizophora apiculata
memiliki manfaat antara lain sebagai: bahan bangunan, kayu bakar, arang, jangkar,
pelindung pematang dan tanaman penghijauan.
2

Rhizophora stylosa
Rhizophora stylosa sering disebut bakau, bako-kurap, slindur, tongke besar,
wako dan bangko. Rhizophora stylosa memiliki satu atau banyak batang dengan
tinggi hingga 10 m dan akar dengan panjang hingga 3 m. Rhizophora stylosa
memiliki bentuk daun elips melebar dengan ujung meruncing (Gambar 2).
Rhizophora stylosa sering dimanfaatkan sebagai bahan bangunanm kayu bakar,
arang, boomerang, tombak, obat hematuria (pendarahan pada air seni).

Gambar 2 Rhizophora stylosa
3

Bruguiera gymnorhiza
Bruguiera gymnorhiza sering disebut sebagai Pertut, taheup, tenggel, putut,
tumu, tomo, kandeka, tanjang merah, tanjang, lindur, sala-sala, dau, tongke,
totongkek, mutut besar, wako, bako, bangko, mangimangi dan sarau. Bruguiera
gymnorhiza memiliki ketinggian mencapai 30 m. Bentuk daun Bruguiera
gymnorhiza elips dengan ujung meruncing (Gambar 3). Ukuran daun Bruguiera
gymnorhiza adalah 4,5-7 x 8,5-22 cm. Manfaat Bruguiera gymnorhiza
dimanfaatkan sebagai kayu bakar, arang dan manisan.

4

Gambar 3 Bruguiera gymnorhiza
4 Bruguiera cylindrical
Bruguiera cylindrical sering disebut Burus, tanjang, tanjang putih, tanjang
sukim, tanjang sukun, lengadai, bius dan lindur. Bruguiera cylindrical memiliki
keringgian mencapai 23 m. Bruguiera cylindrical memiliki bentuk daun elips
dengan ujung agak meruncing (Gambar 4), ukuran daun yaitu 7-17 x 2-8 cm.
Warna daun Bruguiera cylindrical hijau cerah dan bagian bawahnya hijau agak
kekuningan. Bruguiera cylindrical sering dimanfaatkan sebagai kayu bakar dan
bahan makanan.

Gambar 4 Bruguiera cylindrical
Representasi Citra Digital
Citra didefinisikan sebagai suatu fungsi dua dimensi f(x,y), dengan x, y
merupakan koordinat spasial, dan f disebut sebagai kuantitas bilangan skalar
positif yang memiliki maksud secara fisik ditentukan oleh sumber citra. Suatu
citra digital yang diasumsikan dengan fungsi f(x,y) direpresentasikan dalam suatu
fungsi koordinat berukuran M x N. Variabel M adalah baris dan N adalah kolom.
Setiap elemen dari array matriks disebut image element, picture element, pixel
atau pel (Gonzalez dan Woods 2002).

Tingkat Abu-abu (Grayscale)
Citra grayscale merupakan citra digital yang hanya memiliki satu nilai
kanal pada setiap pikselnya, dengan kata lain bagian red=green=blue. Nilai
tersebut digunakan untuk menunjukkan tingkat intensitas. Warna yang dimiliki

5
adalah warna dari hitam, keabuan dan putih. Tingkatan keabuan di sini merupakan
warna abu dengan berbagai tingkatan dari hitam hingga mendekati putih (Putra
2010).
Proses grayscale ini bertujuan mengubah citra RGB menjadi citra abu-abu.
Pemilihan pemrosesan pada tingkat abu-abu ini dipilih karena lebih sederhana,
yaitu hanya menggunakan sedikit kombinasi warna dan dengan citra abu-abu
dirasakan sudah cukup untuk memproses citra yang semula berupa RGB colour
dengan tingkat abu-abu.
Pengubahan citra RGB ke citra abu-abu YUV dengan mengambil
komponen Y (luminance) dapat dilakukan dengan mengalikan komponen R, G, B
dari nilai taraf intensitas tiap piksel RGB dengan konstanta (0.299R, 0.587G,
0.11B).

Ekstraksi Ciri (Feature Extraction)
Ekstraksi ciri adalah proses mengambil ciri-ciri yang terdapat pada objek
di dalam citra. Ekstraksi ciri diklasifikasikan ke dalam tiga tingkat yaitu low-level,
middle-level dan high-level. Low-level feature merupakan ekstraksi ciri
berdasarkan isi visual seperti warna dan tekstur. Low-level feature disebut primitif
fitur karena hanya diekstraksi melalui informasi yang terkandung dalam setiap
piksel. Midlle-level feature merupakan ekstraksi dari sekumpulan piksel,
contohnya object detection. High-level feature merupakan ekstraksi ciri
berdasarkan informasi semantic yang terkandung dalam citra, diekstraksi
berdasarkan sekumpulan piksel-piksel, contohnya emotion detection (Osadebey
2006). Contoh setiap level ekstraksi fitur disajikan pada Gambar 5.

Gambar 5 Contoh level ekstraksi fitur
Ekstraksi ciri sangat bermanfaat untuk analisis dan proses citra selanjutnya.
Ekstraksi ciri pada umumnya memanfaatkan komponen informasi pada citra yaitu
berdasarkan warna, bentuk, dan tekstur.

6
Analisis Tekstur
Tekstur adalah gambaran visual dari sebuah permukuan atau bahan. Dalam
computer vision, tekstur dicirikan dengan variasi intensitas pada citra. Variasi
intensitas dapat disebabkan oleh kekasaran atau pada perbedaan warna pada suatu
permukaan. Penampilan tekstur dipengaruhi oleh skala dan arah pandangan
lingkungan dan kondisi pencahayaan (Mäenpää 2003).
Tekstur dapat diartikan sebagai sekumpulan koefisien nilai piksel yang
merepresentasikan penskalaan pada citra. Discrete wavelet transform dapat
digunakan untuk menganalisis tekstur karena menghasilkan koefisien-koefisien
wavelet yang dapat digunakan untuk proses penskalaan (Kara dan Watsuji 2003).

Discrete Wavelet Transform
Wavelet merupakan sebuah basis, basis wavelet berasal dari sebuah fungsi
penskalaan. Wavelet ini disebut dengan mother wavelet karena wavelet lainnya
lahir dari hasil penskalaan, dilasi dan pergeseran mother wavelet (Putra 2010).
Fungsi penskalaan
memiliki persamaan:
∑

(1)

∑

(2)

p= x+ y
2

(3)

h0 menyatakan koefisien penskalaan atau koefisien dari tapis (filter), sedangkan k
menyatakan indeks dari koefisien penskalaan. Angka 0 pada h0 hanya
menunjukkan jenis koefisien (tapis), yang menyatakan pasangan dari jenis
koefisien lainnya. Pasangan tersebut didefinisikan dalam fungsi wavelet berikut
ini:

h0 dan h1 adalah koefisien transformasi berpasangan. h0 disebut juga sebagai
low pass sedangkan h1 disebut sebagai high pass. h0 berkaitan dengan proses
perataan (averages) sedangkan h1 berkaitan dengan proses pengurangan
(differences)
Perataan dilakukan dengan menghitung nilai rata-rata dua pasang data
dengan persamaan:

Sedangkan pengurangan dilakukan dengan persamaan:
p= x+ y
(4)
2
Koefisien-koefisien h0 dan h1 dapat ditulis sebagai berikut:
h0 = (h0(0),h0(1)) = (½ , ½) yang berkaitan dengan persamaan (3) dan
h1 = (h1(0),h1(1)) = (½ , - ½) yang berkaitan dengan persamaan (4).

7
Dengan kata lain, h0 adalah koefisien penskalaan karena menghasilkan
skala yang berbeda dari citra aslinya, sedangkan h1 adalah wavelet yang
menyimpan informasi penting untuk proses rekonstruksi.
Transformasi wavelet mempunyai kemampuan membawa keluar ciri
khusus pada suatu gambar yang diproses. Pada transformasi wavelet, sebuah
gambar didekomposisi menjadi sub gambar pada frekuensi dan orientasi yang
berbeda yaitu low-low (LL), low-high (LH), high-low (HL), dan high-high(HH)
(Gambar 6).

Gambar 6 Dekomposisi Wavelet 1 Level
Wavelet Haar
Wavelet Haar adalah metode wavelet yang pertama kali diajukan oleh
Alfred Haar pada tahun 1909. Wavelet Haar merupakan metode wavelet yang
paling sederhana dan mudah untuk diimplementasikan. Untuk mengekstrak ciriciri tekstur dengan transformasi wavelet Haar, dilakukan proses perataan
(averages) untuk mendapatkan bagian dari gambar yang berfrekuensi rendah dan
dilakukan proses pengurangan (differences) untuk mendapatkan bagian dari
gambar yang berfrekuensi tinggi (Putra 2010).
Stephane Mallat memperkenalkan cara mudah untuk menghitung
dekomposisi wavelet dengan menggunakan algoritme piramida Mallat. Algoritme
tersebut ditunjukan ada Gambar 7 (Stollnitz et al. 1995), variable Cj merupakan
citra pendekatan, Dj merupakan citra detail, Aj filter low-pass, dan Bj filter highpass .

Gambar 7 Algoritme Piramida Mallat
Mallat memberi nilai koefisien low-pass, h0=h1= ½ dan koefisien high-pass,
g0=1/2, g1= - ½ sehingga bank filter Haar menjadi seperti yang ditunjukan pada
Gambar 8.

8

Gambar 8 Bank filter Haar
Inti dari piramida Mallat untuk dekomposisi level 1 adalah nilai Cj
diperoleh dengan rumus
, dan nilai Dj diperoleh dengan rumus Dj=siCj. Si adalah piksel citra yang diambil perkolom, kemudian hasil dari dekomposisi
kolom didekomposisi per baris.
K-Fold Cross Validation
Metode k-fold cross validation membagi sebuah himpunan contoh secara
acak menjadi k himpunan bagian lain (subset) yang saling bebas. Metode ini
melakukan perulangan sebanyak k kali untuk pelatihan dan pengujian. Pada setiap
perulangan disisipkan setiap subset untuk pengujian dan subset lainnya untuk
pelatihan (Weis dan Kulikowski 1991 diacu dalam Sarle 2004).
K-Nearest Neighbor (KNN)
K-Nearest Neighbor (KNN) merupakan salah satu teknik klasifikasi yang
berbasis pembelajaran. KNN membandingkan data uji yang diberikan dengan data
latih yang sama. Setiap data merepresentasikan sebuah titik dalam kelas. Data
latih disimpan dalam kelas yang telah ditentukan. Ketika diberikan data yang
tidak diketahui kelasnya, KNN akan mencari pola sebanyak k data latih yang
dekat dengan data yang belum memiliki kelas (Han et al. 2011).
Kedekatan biasanya didefinisikan sebagai sebuah fungsi jarak antara dua
data. Fungsi jarak yang umumnya digunakan adalah jarak Euclidean, karena
fungsinya sederhana, cukup dengan menghitung kuadrat jarak dari dua data yang
akan dihitung jaraknya. Misalkan terdapat dua data, yaitu
dan
, maka jarak Euclidean-nya adalah:
√∑

9

METODE
Penelitian ini dilakukan dengan beberapa tahapan proses untuk mengetahui
tingkat akurasi yang diperoleh menggunakan algoritme K-Neareast Neighbour.
Tahap-tahap yang dilakukan pada peneletian ini diilustrasikan pada Gambar 9.
Mulai

Akuisisi Citra
Daun Mangrove

Praproses

Ekstraksi Fitur
Wavelet

K-Fold Cross Validation
Data Latih

Data Uji

Klasifikasi
KNN

Evaluasi

Selesai

Gambar 9 Metode Penelitian

10
Akuisisi Citra Daun Mangrove
Data citra tanaman mangrove didapatkan dengan akuisisi data secara
langsung. Akuisisi citra daun mangrove dilakukan oleh peneliti dari Puslit
Oseanografi LIPI yaitu Ucu Yanuarbi, S.Si di Pulau Pari Kepulauan Seribu. Data
citra terdiri atas 4 spesies, yaitu Rhizophora apiculata, Rhizophora stylosa,
Bruguiera gymnorhiza dan Bruguiera cylindrical. Jumlah data untuk setiap
spesies berjumlah 20 citra sehingga total 80 data citra. Citra yang digunakan
berformat JPEG. Akuisisi citra dilakukan pada siang hari dengan menggunakan
kamera digital 6M piksel. Daun yang diambil sebagai data adalah daun yang telah
dewasa, sehingga ukuran daun tidak akan berubah lagi.

Gambar 10 Posisi akuisisi citra
Semua daun difoto dengan menggunakan latar berwarna putih untuk
menyeragamkan latar semua citra. Latar warna putih dipilih supaya kontras
dengan daun yang berwarna hijau. Citra diakuisisi dengan posisi ujung daun
berada di sebelah kanan dan pangkal daun berada di sebelah kiri kamera, seperti
pada Gambar 10. Penyeragaman posisi sangat penting dilakukan karena posisi
daun sangat mempengaruhi dalam proses klasifikasi.

Praproses
Citra input yang akan diekstraksi terlebih dahulu diubah warnanya dari
mode warna citra RGB menjadi citra grayscale. Grayscale digunakan untuk
menyederhanakan model citra dan komputasi menjadi lebih cepat (Putra 2010),
perubahan data ini ditunjukkan oleh Gambar 11.

Gambar 11 Perubahan Citra RGB ke grayscale

11
Ekstraksi Tekstur Wavelet
Citra daun yang telah dipraproses akan ditransformasi menggunakan DWT
2D Haar. Proses ini bertujuan menghasilkan Koefisien Aproksimasi (cA) dan
Koefisien detail (cD). Koefisien Aproksimasi (cA) merupakan komponenkomponen yang mewakili citra asli yang telah difilter dengan menggunakan low
pass filter. Koefisien aproksimasi pada dekomposisi 1 level akan diproses untuk
koefisien aproksimasi 2 level dan seterusnya.
Pada penelitian ini, dekomposisi yang digunakan yaitu dekomposisi 5 level
sampai 8 level. Citra aproksimasi dari masing-masing level menjadi input untuk
proses klasifikasi KNN. Contoh citra untuk dekomposisi 4 level Wavelet Haar
dalam bentuk citra aproksimasi (cA), citra detail (cDh, cDv, cDd) pada Gambar 12.
Pada penelitian ini dekomposisi wavelet Haar yang digunakan adalah basis
wavelet Haar ortogonal tetapi tidak ortonormal, bank filter dapat dilihat pada
Gambar 8. Penggunaan basis wavelet Haar yang tidak ortonormal ini dilakukan
untuk mendapatkan nilai piksel citra aproksimasi dengan kisaran 0-255.

Gambar 12 Dekomposisi Wavelet Haar 3 level

Pembagian Data
Pada penelitian ini data citra daun mangrove dibagi menjadi 2 bagian,
yaitu data latih dan data uji. Data latih digunakan untuk melakukan klasifikasi
menggunakan K-Nearest Neighbor, sedangkan data uji dilakukan untuk
melakukan pengujian klasifikasi. Penelitian ini menggunakan 4 spesies citra daun
mangrove, masing-masing terdiri atas 20 citra. Dari total 80 data citra daun
mangrove, 64 data digunakan sebagai data latih dan 16 citra digunakan sebagai
data uji. Setiap kelas terdiri dari 16 citra data latih dan 4 citra data uji.
Selanjutnya, data latih dan data uji akan disusun menggunkan k-fold cross
validation. Total data 80 citra disusun menjadi 5 fold. Bentuk susunan 5-fold
cross validation dapat dilihat pada Tabel 1.

12
Tabel 1 Susunan data uji dan data latih
Citra daun setiap spesies
Fold

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Fold 1
Fold 2
Fold 3
Fold 4
Fold 5
Keterangan
Data Latih
Data Uji

Klasifikasi Menggunakan K-Nearest Neighbor (KNN)
Setelah dilakukan pembagian data, data latih akan digunakan untuk
membuat model klasifikasi menggunakan algoritme K-Nearest Neighbors (KNN).
Konsep dasarnya adalah mencari jarak terdekat antara data yang akan dievaluasi
dengan k tetangga terdekatnya dalam data latih. Berikut algoritme KNN (Song et
al. 2007) :
1 Tentukan nilai k.
2 Hitung jarak data uji dengan setiap data training menggunakan jarak Euclidean.
3 Urutkan jarak tersebut.
4 Dapatkan sebanyak k data yang memiliki jarak terdekat.
5 Pilih kelas terbanyak diantara k data yang memiliki jarak terdekat
6 Tentukan kelas untuk data uji sesuai dengan langkah 5.
Pada penelitian yang menjadi input untuk proses klasifikasi KNN adalah
citra aproksimasi pada setiap level. Data uji akan dihitung jaraknya dengan setiap
data latih menggunakan jarak Euclidean.
Pada penelitian ini nilai k yang dipilih adalah 1, 3, 5 dan 7. Selanjutnya
akan dibandingkan nilai k mana yang mendapatkan akurasi tertinggi.
Evaluasi
Kinerja dari nilai KNN dapat diperoleh dengan melihat berapa banyak data
pada suatu kelas yang diklasifikasi benar, dengan persamaan sebagai berikut:
Akurasi = ∑ data uji benar diklasifikasikan x 100%
∑ data uji

13
Lingkungan Pengembangan
Perangkat keras dan perangkat lunak yang digunakan pada penelitian ini
adalah notebook dengan spesifikasi sebagai berikut :
a Perangkat keras
− Processor Intel® CoreTM i3
− Memory 3 GB
− Harddisk 600 GB
b Perangkat lunak
− Sistem operasi Microsoft Windows 7 Ultimate.
− Lingkungan pengembangan sistem Microsoft visual studio 2010.
− Bahasa pemrograman Visual c++ dan library opencv.

HASIL DAN PEMBAHASAN
Penelitian ini menggunakan 4 spesies citra daun mangrove, yaitu
Bruguiera cylindrical, Bruguiera gymnorhiza, Rhizophora apiculata dan kelas
Rhizophora stylosa. Setiap spesies mangrove memiliki 20 data citra yang akan
dibagi menjadi 16 data data latih dan 4 data uji. Total data latih sebanyak 64 data
dan data uji sebanyak 16 data.
Penelitian ini terdiri atas 4 percobaan. Tabel rancangan percobaan dapat
dilihat pada Tabel 2. Dekomposisi dilakukan mulai dari 5 level disebabkan oleh
keterbatasan resource komputer dan waktu yang diperlukan untuk menjalankan
sistem level 1 sampai 4 sangat banyak pada saat melakukan klasifikasi KNN.
Tabel 2 Rancangan percobaan
Percobaan
1
2
3
4

Dekomposisi
5 level
6 level
7 level
8 level

Cita awal berukuran 3008 x 2000 piksel kemudian dilakukan praproses
dengan mengubah warna RGB menjadi grayscale. Setelah didekomposisi
menggunakan Discrete Wavelet Transform, didapat ukuran citra untuk setiap
levelnya seperti tersaji pada Tabel 3.

14
Tabel 3 Ukuran citra hasil dekomposisi
Ukuran
Citra input
Level 1
Level 2
Level 3
Level 4
Level 5
Level 6
Level 7
Level 8

Ukuran Citra
(piksel)
3008 x 2000
1504 x 1000
752 x 500
376 x250
188 x 125
94 x 63
47 x 32
24 x 16
12 x 8

Citra hasil dari dekomposi wavelet dibagi menjadi data latih dan data uji
mengunakan 5-Fold cross validation, selanjutnya dilakukan klasifikasi
menggunakan k-Nearest Neighbor. Pada penelitian ini, nilai k yang digunakan
adalah k=1,3,5,7.

Percobaan 1: Discrete Wavelet Transform Famili Haar 5 Level
Pada percobaan ini citra input didekomposisi menggunakan Discrete
Wavelete Transform famili Haar sebanyak 5 level sehingga menghasilkan citra
aproksimasi berukuran 94 x 63 piksel. Pada Tabel 4 disajikan akurasi hasil
klasifikasi pada setiap k. Rata-rata akurasi tertinggi diperoleh pada k=1 yaitu
sebesar 88.75%. Untuk k yang lainnya yaitu k=3,5,7 mengalami kecendrungan
rata-rata akurasi menurun.
Tabel 4 Hasil klasifikasi dekomposisi wavelet 5 level
KNN
k=1
k=3
k=5
k=7
Rata-rata

BC
90
90
80
75
83.75

Akurasi Kelas (%)
BG
RA
85
80
80
70
85
65
80
55
82.50
67.50

RS
100
95
95
95
96.25

Rata-rata
88.75
83.75
81.25
76.25

Keterangan
BC : Bruguiera cylindrical
BG : Bruguiera gymnorhiza
RA : Rhizophora apiculata
RS : Rhizophora stylosa

Spesies yang memiliki akurasi tertinggi adalah Rhizophora stylosa dengan
nilai akurasi 100% pada k=1, sedangkan spesies dengan akurasi terendah adalah
Rhizophora apiculata dengan nilai akurasi 55% pada k=7 (Gambar 13).

15

Akurasi (%)

100
90
80
70
60
50
40
30
20
10
0

BC
BG
RA
RS
1

3

5

7

Nilai K
Gambar 13 Grafik tingkat akurasi dekomposisi wavelet 5 level

Percobaan 2: Discrete Wavelet Transform Famili Haar 6 Level
Pada percobaan ini citra input didekomposisi menggunakan Discrete
Wavelete Transform famili Haar sebanyak 6 level sehingga menghasilkan citra
aproksimasi berukuran 47 x 32 piksel. Pada Tabel 5 disajikan akurasi hasil
klasifikasi pada setiap k. Rata-rata akurasi tertinggi diperoleh pada k=1 yaitu
sebesar 88.75%. Untuk k yang lainnya yaitu k=3,5,7 mengalami kecendrungan
rata-rata akurasi menurun.
Tabel 5 Hasil klasifikasi dekomposisi wavelet 6 level
KNN
k=1
k=3
k=5
k=7
Rata-rata

BC
90
90
80
75
83.75

Akurasi Kelas (%)
BG
RA
85
80
80
70
85
65
80
60
82.50
68.75

RS
100
95
95
95
96.25

Rata-rata
88.75
83.75
81.25
77.50

Spesies yang memiliki akurasi tertinggi, yaitu Rhizophora stylosa dengan
nilai akurasi 100% pada k=1, sedangkan spesies dengan akurasi terendah adalah
Rhizophora apiculata dengan nilai akurasi 60% pada k=7 (Gambar 14).

16

Akurasi (%)

100
90
80
70
60
50
40
30
20
10
0

BC
BG
RA
RS

1

3

5

7

Nilai K
Gambar 14 Grafik tingkat akurasi dekomposisi wavelet 6

Percobaan 3: Discrete Wavelet Transform Famili Haar 7 Level
Pada percobaan ini citra input didekomposisi menggunakan Discrete
Wavelete Transform famili Haar sebanyak 7 level sehingga menghasilkan citra
aproksimasi berukuran 24 x 16 piksel. Pada Tabel 6 disajikan akurasi hasil
klasifikasi pada setiap k. Rata-rata akurasi tertinggi diperoleh pada k=1 yaitu
sebesar 87.50%. Untuk k yang lainnya yaitu k=3,5,7 mengalami kecendrungan
rata-rata akurasi menurun.
Tabel 6 Hasil klasifikasi dekomposisi wavelet 7 level
Kelas
k=1
k=3
k=5
k=7
Rata-rata

BC
80
85
80
80
81.25

Akurasi Kelas (%)
BG
RA
90
80
90
65
95
65
85
55
90
66.25

RS
100
100
90
95
96.25

Rata-rata
87.50
85.00
82.50
78.75

Spesies yang memiliki akurasi tertinggi yaitu Rhizophora stylosa dengan
nilai akurasi 100% pada k=1 dan k=3, sedangkan spesies dengan akurasi terendah
adalah Rhizophora apiculata dengan nilai akurasi 55% pada k=7 (Gambar 15).

17

Akurasi (%)

100
90
80
70
60
50
40
30
20
10
0

BC
BG
RA
RS

1

3

5

7

Nilai K
Gambar 15 Grafik tingkat akurasi dekomposisi wavelet 7 level
Percobaan 4: Discrete Wavelet Transform Famili Haar 8 Level
Pada percobaan ini citra input didekomposisi menggunakan Discrete
Wavelete Transform famili Haar sebanyak 8 level sehingga menghasilkan citra
aproksimasi berukuran 12 x 8 piksel. Pada Tabel 7 disajikan akurasi hasil
klasifikasi pada setiap k. Rata-rata akurasi tertinggi diperoleh pada k=1 yaitu
sebesar 85.00%. Untuk k yang lainnya yaitu k=3,5,7 mengalami kecendrungan
rata-rata akurasi menurun.
Tabel 7 Hasil klasifikasi dekomposisi wavelet 8 level
Kelas
k=1
k=3
k=5
k=7
Rata-rata

Akurasi Kelas (%)
BC
BG
RA
85
80
85
80
80
70
80
85
70
90
85
55
83.75
82.50
70.00

RS
90
90
85
90
88.75

Rata-rata
85.00
80.00
80.00
80.00

Spesies yang memiliki akurasi tertinggi yaitu Rhizophora stylosa dengan
nilai akurasi 90% pada k=1,3 dan 7, sedangkan spesies dengan akurasi terendah
adalah Rhizophora apiculata dengan nilai akurasi 55% pada k=7 (Gambar 16).

18

Akurasi (%)

100
90
80
70
60
50
40
30
20
10
0

BC
BG
RA
RS

1

3

5

7

Nilai K
Gambar 16 Grafik tingkat akurasi dekomposisi wavelet 8 level
Perbandingan Akurasi antara Percobaan 1 – 4
Berdasarkan hasil percobaan 1 sampai dengan percobaan 4 didapatkan
hasil bahwa nilai k sangat mempengaruhi nilai akurasi identifikasi, pada Gambar
17 dapat dilihat perbandingan akurasi pada setiap nilai k.
90
88
86

Akurasi (%)

84
82
80
78
76
74
72
1

3

5

7

Nilai K

Gambar 17 Akurasi pada setiap k KNN
KNN dengan nilai k=1 memiliki akurasi rata-rata tertinggi yaitu sebesar
87.5%, sedangkan akurasi terendah adalah k=7 dengan nilai akurasi sebesar
78.13%. Grafik yang disajikan pada Gambar 17 menunjukan bahwa semakin
tinggi nilai k, semakin rendah akurasinya.

19
Berdasarkan hasil percobaan 1 – 4 diperoleh level dekomposisi dengan
akurasi terbaik adalah dekomposisi 5 level dan 6 level pada k=1 dengan nilai
akurasi sebesar 88.75%. Grafik hasil rata-rata akurasi tertinggi pada setiap level
dekomposisi dapat dilihat pada Gambar 18.
90

Akurasi (%)

89
88
87
86
85
84
83
5

6

7

8

Level

Gambar18 Rata-rata akurasi tertinggi pada k=1
Pada dekomposisi 7 level akurasi menurun menjadi 87.5%, begitu juga
pada dekomposisi 8 level akurasi menurun menjadi 85.00%. Penurunan akurasi
pada dekomposisi 7 level dan 8 level disebabkan ukuran citra yang menjadi sangat
kecil. Ukuran citra aproksimasi dekomposisi 7 level adalah 24 x 16 piksel dan
pada 8 level adalah 12 x 8 piksel. Ukuran citra aproksimasi yang sangat kecil ini
menyebabkan klasifikasi KNN tidak memiliki fitur yang cukup untuk
membedakan/mengidentifikasi spesies dengan benar. Sebagai contoh pada
lampiran 3 dan 4 (confusion matrix untuk k=1), pada dekomposisi 7 level spesies
Rhizophora stylosa dapat diidentifikasi dengan benar sebesar 100%, tetapi pada
dekomposisi 8 level hanya dapat diidentifikasi dengan benar sebesar 90%. Pada
Gambar 19 dapat dilihat ukuran citra aproksimasi sebenarnya.

Gambar 19 Citra aproksimasi hasil dekomposisi 5 level – 8 level
Analisis Kesalahan
Kondisi umum pada semua percobaan dapat dilihat pada Tabel 8, dimana
Bruguiera cylindrical, Bruguiera gymnorhiza dan Rhizophora apiculata sering
diidentifikasikan salah sebagai salah satu dari ketiga spesies tersebut.

20
Tabel 8 Confusion matrix percobaan 1 – 4

Kelas Asli

Mangrove

Kelas Prediksi KNN (K=1,3,5,7) Dekomposisi 3 – 8 Level
B.cylindrical B.gymnorhiza R.apiculata
R.stylosa

B.cylindrica

265

4

42

9

B.gymnorhiza
R.apiculata
R.stylosa

6
70
16

270
32
0

44
218
1

0
0
303

Keterangan
Data uji diidentifikasi benar
Data uji yang sering diidentifikasi salah

Bruguiera cylindrical sering diidentifikasikan salah sebagai Rhizophora
apiculata sebesar 13.13% atau sebanyak 42 kali, hal ini disebabkan oleh bentuk
daun kedunya yang mirip yaitu elips dengan ujung meruncing seperti yang dapat
dilihat pada Gambar 20. Ukuran daun Bruguiera cylindrical dan Rhizophora
apiculata juga hanya memiiki selisih dimensi yang sedikit yaitu ukuran Bruguiera
cylindrical 7–17 x 2–8 cm dan Rhizophora apiculata 7-19 x 3.5-8cm.

(a)
(b)
Gambar 20 (a) Bruguiera cylindrical (b) Rhizophora apiculata
Bruguiera gymnorhiza sering diidentifikasikan salah sebagai Rhizophora
apiculata sebesar 13.75% atau sebanyak 44 kali, hal ini disebabkan oleh bentuk
daun kedunya yang mirip yaitu elips dengan ujung meruncing seperti yang dapat
dilihat pada Gambar 21. Ukuran daun Bruguiera gymnorhiza dan Rhizophora
apiculata memiliki ukuran yang berbeda tetapi karena jarak akuisisi citra daun
yang berbeda-beda mengikuti ukuran daun sehingga pada citra data uji dan data
latih perbedaan ukuran daun menjadi tidak terlihat.

21

(a)
(b)
Gambar 21 (a) Bruguiera gymnorhiza (b) Rhizophora apiculata
Rhizophora apiculata sering diidentifikasikan salah sebagai Bruguiera
cylindrical dan Bruguiera gymnorhiza. Rhizophora apiculata diidentifikasi salah
sebagai Bruguiera gymnorhiza sebesar 10.00% atau sebanyak 32 kali. Kesalahan
ini membuktikan bahwa Rhizophora apiculata memiliki kemiripan dengan
Bruguiera cylindrical dan Bruguiera gymnorhiza. Kemiripan tersebut berdasarkan
bentuk daun yaitu elips dengan ujung meruncing dapat dilihat pada Gambar 22.

(a)

(b)

(c)

Gambar 22 (a) Rhizophora apiculata (b) Bruguiera cylindrical (c) Bruguiera
gymnorhiza
Rhizophora stylosa memiliki akurasi yang sangat baik, dari seluruh
percobaan dihasilkan akurasi sebesar 94.69%, hal ini disebabkan oleh bentuk daun
Rhizophora stylosa berbeda dengan ketiga daun lainnya. Rhizophora stylosa
memiliki bentuk daun elips agak melebar, sedangkan yang lain elips. Rhizophora
stylosa hanya diidentifikasi salah sebesar 5% atau 16 kali sebagai Bruguiera
cylindrical.
Analisis kesalahan pada setiap data uji akan dilakukan pada dekomposisi
level 6 dengan klasifikasi KNN pada k=1, hal ini dilakukan karena pada level 6
dan KNN dengan k=1 memiliki rata-rata akurasi tertinggi.
Pada dekomposisi 6 level dengan k=1 Bruguiera cylindrical diidentifikasi
benar sebesar 90% atau sebanyak 18 kali dan diidentifikasi salah sebagai
Rhizophora apiculata sebesar 10% atau 2 data uji. Kesalahan identifikasi terletak
pada citra input Bruguiera cylindrical 2 dan 16, Gambar 23(a) dan 23(b)
menunjukan kedua citra tersebut. Kesalahan identifikasi ini karena pada saat
akuisisi daun agak terlipat.

22

(a)
(b)
Gambar 23 (a) Bruguiera cylindrical 2 (b) Bruguiera cylindrical
Bruguiera gymnorhiza diidentifikasi benar sebesar 85% dan diidentifikasi
salah sebagai Rhizophora apiculata sebesar 15%. Kesalahan identifikasi terletak
pada citra input Bruguiera gymnorhiza 6, 14 dan 15, Gambar 24(a), (b), (c)
menunjukan ketiga citra. Pada Bruguiera gymnorhiza 6 kesalahan disebabkan
oleh posisi tangkai daun agak miring dan pada latar terdapat noise. Pada
Bruguiera gymnorhiza 14 kesalahan disebabkan oleh posisi daun agak
melengkung ke atas. Pada Bruguiera gymnorhiza 15 kesalahan disebabkan oleh
daun agak terlipat.

(a)
(b)
(c)
Gambar 24 (a) Bruguiera gymnorhiza 6 (b) Bruguiera gymnorhiza 14 (c)
Bruguiera gymnorhiza 15
Rhyzophora apiculata diidentifikasi dengan benar sebesar 80% dan
diidentifikasi salah sebagai Bruguiera cylindrical sebesar 10% atau 2 data uji serta
sebagai Bruguiera gymnorhiza sebesar 10% atau 2 data uji. Kesalahan identifikasi
sebagai Bruguiera cylindrical terletak pada citra input Rhyzophora apiculata 9
dan 13. Gambar 25(a) dan (b) menunjukan kedua citra tersebut. Pada Rhyzophora
apiculata 9 kesalahan disebabkan oleh posisi daun agak terlipat. Pada Rhyzophora
apiculata 13 kesalahan disebabkan oleh ada noise pada latar.

(a)
(b)
Gambar 25 (a) Rhyzophora apiculata 9 (b) Rhyzophora apiculata 13
Kesalahan identifikasi Rhyzophora apiculata sebagai Bruguiera gymnorhiza
terletak pada citra input Rhyzophora apiculata 2 dan 20, Gambar 26 menunjukan
kedua citra tersebut tersebut. Pada Rhyzophora apiculata 2 kesalahan disebabkan

23
oleh ada noise pada latar dan pada Rhyzophora apiculata 20 disebabkan oleh
warna daun lebih muda. Sementara untuk spesies Rhyzophora stylosa
diidentifikasi dengan benar 100%.

(a)
(b)
Gambar 26 (a) Rhyzophora apiculata 2 (b) Rhyzophora apiculata 20

SIMPULAN DAN SARAN
Simpulan
Dari penelitian ini, dapat disimpulkan beberapa hal dalam identifikasi daun
mangrove berdasarkan ekstraksi fitur wavelet dengan klasifikasi KNN, yaitu:
1 Sistem perangkat lunak yang dikembangkan dalam penelitian ini dapat
mengidentifikasi daun Mangrove dengan cukup baik.
2 Dekomposisi wavelet yang menghasilkan akurasi tertinggi berada pada
dekomposisi 5 dan 6 level pada klasifikasi KNN dengan k=1 yaitu sebesar
88.75%.
3 Pada dekomposisi wavelet 7 dan 8 level akurasi menurun, hal ini disebabkan
oleh ukuran citra yang sangat kecil sehingga sulit untuk melihat perbedaan
teksturnya.
4 Semakin besar nilai k pada KNN maka nilai akurasi semakin menurun.
5 Spesies yang dapat diidentifikasi dengan mudah yaitu Rhyzophora stylosa,
sedangkan spesies yang sulit untuk dibedakan adalah Bruguiera cylindrical,
Bruguiera gymnorhiza dan Rhyzophora apiculata karena kemiripan bentuk
daun.
Saran
Penelitian ini masih memiliki beberapa kekurangan yang dapat diperbaiki
pada penelitian selanjutnya. Adapun beberapa saran untuk penelitian selanjutnya
sebagai berikut:
1 Memperbanyak fitur-fitur lainnya seperti ekstraksi warna RGB, YcbCr dan
ekstraksi tekstur lain seperti Local Binary Pattern.
2 Pengambilan citra dilakukan pada jarak yang sama.

24

DAFTAR PUSTAKA
Gonzalez RC, Woods RE. 2002. Digital Image Processing. 2nd Edition. New
Jersey: Prentice Hall.
Han J, Kamber M, Pei J. 2011. Data Mining Concepts and Techniques. 3rd Edition.
USA. Morgan Kaufmann Publishers.
Kara B, Watsuji N. 2003. Using Wavelet for Texture classification. IJCI
Proceeding of International Conference on Signal Processing [internet]. [diacu
2013
Maret
15].
Tersedia
pada:
http://www.wseas.us/elibrary/conferences/digest2003/papers/463-228.pdf
Mäenpää T. 2003. The Local Binary Pattern Approach to Texture Analysis. Oulu
(FI): Oulu University Press.
Noor YR, Khazali M, Suryadiputra INN. 1999. Panduan Pengenalan Mangrove di
Indonesia. Bogor : Wetlands & Ditjen PKA.
Nurjayanti B. 2011. Identifikasi Shorea menggunakan k-Nearest Neighbor
berdasarkan karakteristik morfologi daun [skripsi]. Bogor: Fakultas
Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Osadebey ME. 2006. Integrated Content-Based Image Retrieval Using Texture,
Shape and Spatial Information [thesis]. Umea: Departement of Applied and
Electronics, Umea University.
Putra D. 2010. Pengenalan Citra Digital. Yogyakarta : C.V Andi Offset.
Ramadhan IA. 2012. Identifikasi Daun Shorea dengan Backpropagation Neural
Network Menggunakan Ekstraksi Fitur Discrete Wavelet Transform dan
Ekstraksi Warna HSV [skripsi]. Bogor: Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian Bogor.
Saenger P, Hegerl EJ, Davie JDS. 1983. Global Status of Mangrove Ecosystems.
IUCN Commission on Ecology Papers No. 3, 88 hal.
Soerianegara I. 1987. Masalah Penentuan atas Lebar Jalur Hijau Hutan Mangrove.
Prosiding Seminar III Ekosistem Mangrove. Jakarta. Hal 39.
Song Y, Huang J, Zhou D, Zha H, Giles CL. 2007. IKNN : Informative K-Nearest
Neighbor Pattern Classification. Springer-Verlag Berlin Heidelberg : 248-264.
Spalding MD, Blasco F, Field C. 1996. World Mangrove Atlas. International
Society for Mangrove Ecosystems, Okinawa, Japan.
Stollnitz EJ, DeRose TD, Salesin DH. 1995. Wavelet for Computer Graphics: A
Primer Part 2 [internet]. [diacu 2013 Maret 15]. Tersedia dari:
http://research.microsoft.com/pubs/75446/waveletsforcomputergraphicspart2.p
df
Tomlinson PB. 1986. The Botany of Mangroves. Cambridge University Press,
Cambridge, U.K., 419 hal.
Weis SM, Kulikowski CA. 1991. Computer System That Learn. Massachusetts
(US): Morgan Kaufmann.
Wightman GM. 1989. Mangroves of the Northern Territory. Northern Territory
Botanical Bulletin No. 7. Conservation Commission of the Northern Territory,
Palmerston, N.T., Australia.

25

Lampiran 1 Confusion Matrix Percobaan 1 (Dekomposisi 5 level)

Mangrove
Kelas Asli

B.cylindrical
B.gymnorhiza
R.apiculata
R.stylosa

Kelas Asli

Mangrove
B.cylindrical
B.gymnorhiza
R.apiculata
R.stylosa

Kelas Asli

Mangrove
B.cylindrical
B.gymnorhiza
R.apiculata
R.stylosa

Kelas Asli

Mangrove
B.cylindrical
B.gymnorhiza
R.apiculata
R.stylosa

Kelas Prediksi KNN (K=1)
B.cylindrical B.gymnorhiza R.apiculata
18
0
2
0
17
3
2
2
16
0
0
0

R.stylosa
0
0
0
20

Kelas Prediksi KNN (K=3)
B.cylindrical B.gymnorhiza R.apiculata R.stylosa
18
0
1
1
2
16
2
0
4
2
14
0
1
0
0
19

B.cylindrical
16
0
4
1

B.cylindrical
15
0
6
1

Kelas Prediksi KNN (K=5)
B.gymnorhiza R.apiculata
0
3
17
3
3
13
0
0

Kelas Prediksi KNN (K=7)
B.gymnorhiza R.apiculata
0
4
16
4
3
11
0
0

R.stylosa
1
0
0
19

R.stylosa
1
0
0
19

26

Lampiran 2 Confusion Matrix Percobaan 2 (Dekomposisi 6 level)

Kelas Asli

Mangrove
B.cylindrical
B.gymnorhiza
R.apiculata
R.stylosa

Kelas Asli

Mangrove
B.cylindrical
B.gymnorhiza
R.apiculata
R.stylosa

Kelas Asli

Mangrove
B.cylindrical
B.gymnorhiza
R.apiculata
R.stylosa

Kelas Asli

Mangrove
B.cylindrical
B.gymnorhiza
R.apiculata
R.stylosa

B.cylindrical
18
0
2
0

Kelas Prediksi KNN (K=1)
B.gymnorhiza
R.apiculata R.stylosa
0
2
0
17
3
0
2
16
0
0
0
20

Kelas Prediksi KNN (K=3)
B.cylindrical B.gymnorhiza R.apiculata R.stylosa
18
0
1
1
2
16
2
0
4
2
14
0
1
0
0
19

B.cylindrical
16
0
4
1

Kelas Prediksi KNN (K=5)
B.gymnorhiza R.apiculata
0
3
17
3
3
13
0
0

R.stylosa
1
0
0
19

Kelas Prediksi KNN (K=7)
B.cylindrical B.gymnorhiza R.apiculata R.stylosa
15
1
3
1
0
16
4
0
5
3
12
0
1
0
0
19

27

Lampiran 3 Confusion Matrix Percobaan 3 (Dekomposisi 7 level)

Mangrove
Kelas Asli

B.cylindrical
B.gymnorhiza
R.apiculata
R.stylosa

Mangrove
Kelas Asli

B.cylindrical
B.gymnorhiza
R.apiculata
R.stylosa

Kelas Asli

Mangrove
B.cylindrical
B.gymnorhiza
R.apiculata
R.stylosa

Kelas Asli

Mangrove
B.cylindrical
B.gymnorhiza
R.apiculata
R.stylosa

Kelas Prediksi KNN (K=1)
B.cylindrical B.gymnorhiza R.apiculata R.stylosa
16
0
4
0
0
18
2
0
2
2
16
0
0
0
0
20

B.cylindrical
17
0
5
0

Kelas Prediksi KNN (K=3)
B.gymnorhiza R.apiculata R.stylosa
0
2
1
18
2
0
2
13
0
0
0
20

B.cylindrical
16
0
5
2

Kelas Prediksi KNN (K=5)
B.gymnorhiza R.apiculata
0
4
19
1
2
13
0
0

B.cylindrical
15
0
7
1

Kelas Prediksi KNN (K=7)
B.gymnorhiza R.apiculata R.stylosa
0
4
1
17
3
0
2
11
0
0
0
19

R.stylosa
0
0
0
18

28

Lampiran 4 Confusion Matrix Percobaan 4 (Dekomposisi 8 level)

Kelas Asli

Mangrove
B.cylindrical
B.gymnorhiza
R.apiculata
R.stylosa

Kelas Asli

Mangrove
B.cylindrical
B.gymnorhiza
R.apiculata
R.stylosa

B.cylindrical
17
1
2
2

B.cylindrical
16
0
5
2

Kelas Asli

Mangrove

B.cylindrical
B.cylindrical
16
B.gymnorhiza
0
R.apiculata
5
R.stylosa
2

Kelas Asli

Mangrove

B.cylindrical
B.cylindrical
18
B.gymnorhiza
1
R.apiculata
8
R.stylosa
1

Kelas Prediksi KNN (K=1)
B.gymnorhiza R.apiculata
0
3
16
3
1
17
0
0

R.stylosa
0
0
0
18

Kelas Prediksi KNN (K=3)
B.gymnorhiza R.apiculata R.stylosa
1
2
1
16
4
0
1
14
0
0
0
18
Kelas Prediksi KNN (K=5)
B.gymnorhiza R.apiculata R.stylosa
1
3
0
17
3
0
1
14
0
0
0
18
Kelas Prediksi KNN (K=7)
B.gymnorhiza R.apiculata
1
1
17
2
1
11
0
1

R.stylosa
0
0
0
18

29

Lampiran 5 User interface sistem

30

RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 23 Juni 1982 di Cimahi. Pada tahun 2005
penulis lulus dari program Diploma Politeknik Negeri Bandung Jurusan Teknik
Komputer dan Informatika. Pada tahun 2006 sampai saat ini penulis bekerja di
Puslit Oseanografi LIPI. Pada tahun 2010 penulis meneruskan program Sarjana di
Departemen Ilmu dan Komputer, Institut Pertanian Bogor, Program Studi Ilmu
Komputer.