Identifikasi Varietas Durian Berdasarkan Tekstur Daun dengan Metode Ekstraksi GLCM Menggunakan PNN
IDENTIFIKASI VARIETAS DURIAN BERDASARKAN
TEKSTUR DAUN DENGAN METODE EKSTRAKSI GLCM
MENGGUNAKAN PNN
NIKEN RATNA PERTIWI
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Varietas
Durian Berdasarkan Tekstur Daun dengan Metode Ekstraksi GLCM
Menggunakan PNN 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, Maret 2014
Niken Ratna Pertiwi
NIM G64114027
ABSTRAK
NIKEN RATNA PERTIWI. Identifikasi Varietas Durian Berdasarkan Tekstur
Daun dengan Metode Ekstraksi GLCM Menggunakan PNN. Dibimbing oleh
AZIZ KUSTIYO.
Keanekaragaman dan kemiripan varietas-varietas durian menyebabkan
sebagian orang sulit mengidentifikasi durian. Identifikasi dapat dilakukan dengan
melakukan ekstraksi tekstur daun durian. Daun dipilih karena pada umumnya
daun merupakan salah satu ciri yang bisa digunakan untuk membedakan jenis
tanaman. Identifikasi dilakukan dengan mengekstraksi tekstur untuk
mengantisipasi kesulitan identifikasi berdasarkan morfologi karena bentuk daun
varietas-varietas durian yang mirip. Pada penelitian ini, identifikasi berbasis
tekstur daun dilakukan menggunakan GLCM dan PNN. Percobaan ini
berdasarkan orientasi sudut GLCM 0o, 45o, 90o, dan 135o. Masing-masing sudut
diuji pada jarak 1 piksel, 2 piksel, dan 3 piksel. Setiap percobaan diuji untuk nilai
smoothing parameter (σ) PNN 0.1 sampai 9. Identifikasi dilakukan menggunakan
90 citra daun berukuran 281 x 281 piksel dari 9 varietas durian. Akurasi tertinggi
diperoleh sebesar 76.67% pada percobaan sudut 0o dengan jarak 1 piksel dan nilai
smoothing parameter (σ) 0.1.
Kata kunci : Gray Level Co-occurence Matrix (GLCM), identifikasi durian,
Probabilistic Neural Network (PNN), tekstur daun.
ABSTRACT
NIKEN RATNA PERTIWI. Durian Varieties Identification Based on Leaf
Texture with GLCM Extraction Method Using PNN. Supervised by AZIZ
KUSTIYO.
The diversity and similarity of durian varieties have caused some difficulties
to identify durian. In this research, the identification is performed by durian leaf
texture extraction. The leaf is selected because it is a characteristic that can be
used to differ the type of plant. Identification is performed by texture extraction to
anticipate the difficulty of morphology based identification, since durian varieties
have similar leaves shape. In this research, identification based on leaf texture is
performed using GLCM and PNN. This experiment is based on 0o, 45o, 90o, and
135o GLCM angle orientation. Each angles are tested at 1 pixels, 2 pixels, and 3
pixels distances. They are also tested for PNN smoothing parameter (σ) ranges
from 0.1 to 9. Identification is performed using 90 images from 9 varieties of
durian and the dimension of image is 281 x 281 pixel. The highest accuracy
achieved is 76.67% in 0o angle experiment with 1 pixels distance and 0.1
smoothing parameter (σ).
Keywords : Durian identification, Gray Level Co-occurence Matrix (GLCM), leaf
texture, Probabilistic Neural Network (PNN).
IDENTIFIKASI VARIETAS DURIAN BERDASARKAN
TEKSTUR DAUN DENGAN METODE EKSTRAKSI GLCM
MENGGUNAKAN PNN
NIKEN RATNA PERTIWI
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
2014
Penguji:
1 Dr Eng Wisnu Ananta Kusuma, ST MT
2 Karlisa Priandana, ST MEng
Judul Skripsi : Identifikasi Varietas Durian Berdasarkan Tekstur Daun dengan
Metode Ekstraksi GLCM Menggunakan PNN
Nama
: Niken Ratna Pertiwi
NIM
: G64114027
Disetujui
Aziz Kustiyo, SSi MKom
Pembimbing
Diketahui
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Tanggal Lulus :
Judul Skripsi : Identifikasi Varietas Durian Berdasarkan T ekstur Daun dengan
Metode Ekstraksi GLCM Menggunakan PNN
: Niken Ratna Pertiwi
Nama
NIM
: G64114027
Disetujui
Aziz Kustiyo, SSi MKom
Pembimbing
no MSiMKom
Tanggal Lulus :
o6 MAR 2014
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah SWT yang telah
memberikan kemudahan sehingga penulis dapat menyelesaikan tugas akhir yang
berjudul Identifikasi Varietas Durian Berdasarkan Tekstur Daun dengan Metode
Ekstraksi GLCM Menggunakan PNN.
Penghargaan dan rasa terima kasih penulis ucapkan kepada:
1 Keluarga tercinta, Ayahanda Cun Sukari dan Ibunda Istiana Ekawati,
Kakak Sigit Tyas Sasongko, serta Adik Ratih Tri Hapsari atas doa dan
dukungannya.
2 Bapak Aziz Kustiyo, SSi MKom selaku pembimbing yang telah
memberikan pengarahan, saran, dan solusi selama penelitian berlangsung.
3 Bapak Dr Eng Wisnu Ananta Kusuma, ST MT dan Ibu Karlisa Priandana,
ST MEng selaku penguji.
4 Nella Sabrina atas kerja samanya, Syeiva atas bantuannya, teman-teman
satu bimbingan, teman-teman ILKOM 6, dan seluruh pihak yang turut
membantu dalam penyelesaian penelitian ini.
Semoga karya ilmiah ini dapat memberikan manfaat bagi mahasiswa Ilmu
Komputer dan pembacanya.
Bogor, Maret 2014
Niken Ratna Pertiwi
DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
DAFTAR LAMPIRAN
PENDAHULUAN
Latar Belakang
Tujuan
Ruang Lingkup
Manfaat
METODE PENELITIAN
Identifikasi Masalah
Pengumpulan Data
Praproses
Ekstraksi Tekstur Menggunakan GLCM
Penentuan Data Latih dan Data Uji
Klasifikasi Menggunakan PNN
Perhitungan Akurasi
Lingkungan Pengembangan
HASIL DAN PEMBAHASAN
Percobaan Menggunakan Citra Daun Durian Utuh
Percobaan Menggunakan Citra Daun Durian Hasil Cropping
Perbandingan Penelitian Identifikasi Durian dengan Penelitian Terkait
SIMPULAN DAN SARAN
Simpulan
Saran
DAFTAR PUSTAKA
LAMPIRAN
vi
vi
vi
1
1
2
2
2
2
2
2
3
4
8
8
10
10
10
10
11
14
15
15
16
16
17
DAFTAR TABEL
1 Derajat keabuan 8 level
2 Akurasi rata-rata tertinggi percobaan menggunakan citra daun hasil
cropping
3 Confusion matrix percobaan citra hasil cropping pada sudut 0o,
jarak 1 piksel, dan σ = 0.1 (akurasi 76.67%)
5
12
13
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Tahapan metode penelitian
Tahapan praproses
Hubungan ketetanggaan antarpiksel dan orientasi sudut GLCM
Tahapan metode GLCM
Ilustrasi proses kuantisasi berdasarkan derajat keabuan 8 level
Ilustrasi pembentukan matriks kookurensi berdasarkan orientasi
sudut 0° dan jarak 1 piksel
Matriks kookurensi yang telah dinormalisasi
Ilustrasi pembagian data dengan 5-fold cross validation
Arsitektur PNN
Contoh citra daun durian utuh
Perbandingan akurasi rata-rata tertinggi percobaan
menggunakan citra daun durian utuh
Contoh citra daun durian hasil cropping
Perbandingan akurasi rata-rata tertinggi percobaan
menggunakan citra daun durian hasil cropping
Boxplot fitur IMC 2
Boxplot fitur sum variance
Perbandingan penelitian identifikasi durian dan penelitian
identifikasi 13 jenis tanaman dengan orientasi jarak 1 piksel
3
3
4
4
5
6
6
8
9
10
11
11
12
13
14
15
DAFTAR LAMPIRAN
1 Contoh data citra daun durian yang digunakan
2 Akurasi rata-rata tertinggi pada percobaan menggunakan citra
daun durian utuh
3 Boxplot fitur-fitur GLCM
17
17
18
PENDAHULUAN
Latar Belakang
Durian (Durio Zibethinus) merupakan salah satu jenis tanaman buah yang
banyak dibudidayakan di Indonesia karena durian memiliki prospek yang cukup
menjanjikan. Budi daya durian dinilai sangat menguntungkan karena nilai jual
buah durian yang cukup tinggi. Selain itu, buah durian juga kaya manfaat.
Nominal yang diperoleh petani durian mencapai 60 juta rupiah/hektar untuk setiap
musim panen (Riswanto 2012). Buah durian kaya gizi dan dipercaya dapat
memberikan beberapa manfaat bagi kesehatan, seperti mencegah anemia,
melancarkan buang air besar, meredakan nyeri lambung, dan mencegah radang
saluran pencernaan (BPBT 2012).
Di seluruh dunia terdapat 30 varietas durian. Di antara 30 varietas tersebut,
14 varietas terdapat di Kalimantan (Mansur 2007). Keanekaragaman durian
menyebabkan sebagian orang kesulitan membedakan varietas durian. Selain itu,
beberapa varietas durian juga memiliki kemiripan sehingga semakin mempersulit
proses identifikasi.
Salasa et al. (2013) pernah melakukan penelitian mengenai identifikasi
durian mirip varietas Bido di kabupaten Jombang dengan metode isozim dan
morfologi. Penelitian tersebut didasari oleh adanya kemiripan 27 varietas durian
dengan durian varietas unggul Bido sehingga sulit dibedakan secara langsung.
Penelitian dengan metode isozim dan morfologi tersebut dilakukan mulai Oktober
2012 sampai Maret 2013.
Identifikasi durian dengan ekstraksi tekstur daun merupakan alternatif lain
yang dapat dipilih sebagai solusi dari identifikasi dengan metode isozim dan
morfologi yang membutuhkan waktu lama. Daun dipilih karena pada umumnya
daun merupakan ciri yang dapat digunakan untuk membedakan jenis tanaman.
Daun juga mudah didapat dan tidak mengenal musim. Ekstraksi tekstur dilakukan
untuk mengantisipasi kesulitan identifikasi berdasarkan morfologi karena bentuk
daun varietas durian yang hampir serupa. Identifikasi berbasis tekstur daun ini
dilakukan dengan memanfaatkan bidang citra digital sehingga diharapkan lebih
efektif untuk dilakukan.
Ehsanirad dan Kumar (2010) pernah melakukan penelitian pengenalan 13
jenis tanaman berdasarkan tekstur daun menggunakan metode Gray Level Cooccurence Matrix (GLCM) dan Principal Component Analysis (PCA). Penelitian
tersebut menggunakan algoritme eigenspace untuk klasifikasi. Akurasi yang
diperoleh pada percobaan dengan metode GLCM ialah sebesar 78.46%,
sedangkan pada percobaan menggunakan metode PCA, akurasi yang diperoleh
ialah sebesar 98.46%.
Penelitian mengenai identifikasi durian berdasarkan tekstur daun ini
dilakukan dengan mengadaptasi metode ekstraksi tekstur GLCM yang digunakan
Ehsanirad dan Kumar (2010) dengan menerapkan Probabilistic Neural Network
(PNN) sebagai metode klasifikasi.
2
Tujuan
Tujuan penelitian ini ialah:
1 Membandingkan akurasi berdasarkan penggunaan sudut dan jarak yang
berbeda pada metode GLCM untuk mengidentifikasi varietas durian.
2 Mengetahui nilai smoothing parameter (σ) yang menghasilkan akurasi
tertinggi pada klasifikasi PNN.
Ruang Lingkup
Ruang lingkup penelitian ini, yaitu:
1 Identifikasi dilakukan berdasarkan tekstur daun bagian atas.
2 Citra yang digunakan ialah hasil scanning berformat JPG.
3 Identifikasi meliputi 9 varietas durian, yaitu Bakul, Cane, Hepe, Kendil,
Malaysia D24, Matahari, Petruk, Simas, dan Sukun.
4 Ekstraksi tekstur menggunakan GLCM dengan orientasi sudut 0°, 45°, 90°,
dan 135° serta jarak 1 piksel, 2 piksel, dan 3 piksel.
Manfaat
Manfaat penelitian ini ialah memudahkan identifikasi varietas durian. Hal
tersebut akan membantu petani pemula yang berminat membudidayakan tanaman
durian.
METODE PENELITIAN
Metode penelitian yang dilakukan meliputi identifikasi masalah,
pengumpulan data, praproses, ekstraksi tekstur, penentuan data latih dan data uji,
klasifikasi PNN, dan perhitungan akurasi. Tahapan metode penelitian dapat dilihat
pada Gambar 1.
Identifikasi Masalah
Berdasarkan latar belakang yang telah diuraikan, diketahui bahwa
identifikasi durian masih sulit dilakukan karena varietasnya yang beraneka ragam.
Selain itu, beberapa varietas durian juga memiliki kemiripan satu sama lain.
Pengumpulan Data
Daun durian yang digunakan berasal dari Warso Farm dan terdiri atas 9
varietas durian. Untuk setiap varietas durian, diambil 10 sampel daun sehingga
total terdapat 90 sampel daun durian. Seluruh daun durian tersebut kemudian discan menggunakan scanner dengan latar belakang kertas putih dan disimpan
dalam format JPG. Ukuran citra daun terbesar yang digunakan pada penelitian ini,
3
yaitu 2027 x 654 piksel, sedangkan ukuran citra terkecil, yaitu 679 x 316 piksel.
Contoh data yang digunakan pada penelitian ini dapat dilihat pada Lampiran 1.
Mulai
Mulai
Identifikasi
Identifikasi Masalah
Masalah
Pengumpulan
Pengumpulan Data
Data
Data
Data
Praproses
Praproses
Ekstraksi
Ekstraksi Tekstur
Tekstur
Penentuan
Penentuan
Data
Data Latih
Latih dan
dan
Data
Data Uji
Uji
Data
Data
Latih
Latih
Data
Data Uji
Uji
Klasifikasi
Klasifikasi PNN
PNN
Perhitungan
Perhitungan Akurasi
Akurasi
Selesai
Selesai
Gambar 1 Tahapan metode penelitian
Praproses
Praproses yang dilakukan pada penelitian ini ialah melakukan cropping citra
menjadi berukuran 281 x 281 piksel dan mengubah citra RGB menjadi citra
grayscale. Ukuran 281 x 281 piksel diambil karena menghasilkan akurasi
tertinggi dibandingkan dengan ukuran cropping lain yang pernah dicoba dalam
penelitian, yaitu 251 x 251 piksel dan 301 x 301 piksel. Tahapan praproses dapat
dilihat pada Gambar 2. Cropping dilakukan untuk memfokuskan ekstraksi pada
pola tekstur daun, sedangkan pengubahan citra RGB menjadi grayscale bertujuan
untuk menangkap pola RGB dalam bentuk model warna yang paling sederhana.
Gambar 2 Tahapan praproses
4
Ekstraksi Tekstur Menggunakan GLCM
GLCM merupakan metode yang sering digunakan dalam analisis tekstur.
Menurut Haralick et al. (1973), GLCM ialah suatu matriks yang
merepresentasikan hubungan ketetanggaan antarpiksel dalam citra pada berbagai
arah orientasi sudut dan jarak spasial. Hubungan ketetanggaan antarpiksel dan
orientasi sudut tersebut dapat dilihat pada Gambar 3. Tahapan metode GLCM
ditunjukkan oleh Gambar 4.
Gambar 3 Hubungan ketetanggaan antarpiksel dan orientasi sudut GLCM
Matriks
citra
grayscale
Kuantisasi
Matriks
hasil
kuantisasi
Perhitungan
berdasarkan orientasi
sudut dan jarak GLCM
Matriks
kookurensi
Normalisasi
Matriks
kookurensi
normal
Gambar 4 Tahapan metode GLCM
Gambar 4 menunjukkan bahwa matriks citra grayscale yang dihasilkan pada
tahapan praproses selanjutnya dikuantisasi berdasarkan derajat keabuan 8 level.
Kuantisasi dilakukan dengan merepresentasikan nilai intensitas pada matriks citra
grayscale berdasarkan levelnya. Sebagai contoh, nilai intensitas 17 pada matriks
5
citra grayscale akan direpresentasikan oleh nilai 1 pada matriks hasil kuantisasi.
Tabel 1 menunjukkan derajat keabuan 8 level yang digunakan pada penelitian ini.
Rentang derajat keabuan tersebut mengacu pada fungsi graycomatrix Matlab.
Ilustrasi proses kuantisasi berdasarkan derajat keabuan 8 level dapat dilihat pada
Gambar 5.
Tabel 1 Derajat keabuan 8 level
Level
1
2
3
4
5
6
7
8
Derajat Keabuan
0 - 18
19 - 54
55 - 99
100 - 127
128 - 163
164 - 200
201 - 236
237 - 255
Gambar 5 Ilustrasi proses kuantisasi berdasarkan derajat keabuan 8 level
Gambar 5 menunjukkan proses kuantisasi berdasarkan derajat keabuan 8
level. Setelah diperoleh matriks hasil kuantisasi, tahapan selanjutnya ialah
mencatat hubungan ketetanggaan antarpiksel yang terdapat pada matriks hasil
kuantisasi dalam bentuk matriks kookurensi. Ilustrasi proses pembentukan matriks
kookurensi berdasarkan orientasi sudut 0° dan jarak 1 piksel dapat dilihat pada
Gambar 6.
Gambar 6 memperlihatkan bahwa hubungan ketetanggaan antara 1 dan 3
serta 3 dan 3 pada orientasi sudut 0° jarak 1 piksel terjadi sebanyak 1 kali. Setelah
pencatatan hubungan ketetanggaan untuk seluruh elemen matriks selesai
dilakukan, selanjutnya matriks kookurensi dinormalisasi. Normalisasi dilakukan
dengan membagi setiap elemen matriks dengan jumlah seluruh elemen. Jumlah
elemen pada matriks kookurensi di atas ialah 8, sehingga normalisasi dilakukan
dengan membagi setiap elemen matriks kookurensi dengan 8. Gambar 7
merupakan matriks kookurensi yang telah dinormalisasi.
6
Gambar 6 Ilustrasi pembentukan matriks kookurensi berdasarkan
orientasi sudut 0° dan jarak 1 piksel
Gambar 7 Matriks kookurensi yang telah dinormalisasi
Nilai-nilai pada matriks kookurensi yang telah dinormalisasi selanjutnya
akan menjadi acuan untuk menghitung fitur-fitur GLCM. Pada penelitian ini, ada
13 fitur GLCM yang digunakan, yaitu:
Angular Second Moment (ASM)
2
(1)
= ∑∑
dengan:
f1: fitur angular second moment
: baris.
: kolom.
: elemen matriks kookurensi yang telah dinormalisasi.
2 Contrast
1
=∑
-1
=0
2
[∑
=1
| - |=
∑ =1
dengan:
f2: fitur contrast
n: jumlah data
Ng: ukuran matriks hasil kuantisasi.
3 Correlation
=
∑∑
-
]
(2)
(3)
7
dengan:
f3: fitur correlation
: jumlah baris matriks kookurensi yang telah dinormalisasi
: jumlah kolom matriks kookurensi yang telah dinormalisasi
: rata-rata
: standar deviasi
4 Sum of Squares (SS) atau Variance
∑ ∑( - )
2
(4)
dengan:
f4: fitur sum of squares atau variance
: rata-rata dari matriks kookurensi yang telah dinormalisasi
5 Inverse Difference Moment (IDM)
1
∑∑
(5)
2
1
-
dengan:
f5: fitur inverse difference moment
6 Sum Average (SA)
2
f6= ∑ =2
()
dengan:
f6: fitur sum average
=2,3,
= ∑ =1 ∑ =1
(6)
2
=
-
7
8
9
10
11
= ∑
=1
| - |=
=0,1,
∑ =1
Sum Variance (SV)
2
= ∑ =2 ( - )
-1
2
dengan:
-
log {
(8)
(9)
dengan:
f7: sum variance
Sum Entropy (SE)
2
log {
= - ∑ =2
dengan:
f8: fitur sum entropy
Entropy
=- ∑i ∑
log(
dengan:
f9: fitur entropy
Difference Variance (DV)
=
dari dengan:
f10: fitur difference variance
Difference Entropy (DE)
=- ∑ =0-1
(7)
}
)
(10)
(11)
(12)
-
}
(13)
8
f11: fitur difference entropy
12 Information Measures of Correlation I (IMC 1)
=
-
(14)
ma
dengan:
f12: fitur IMC 1
HX dan HY: entropy dari
HXY = - ∑ ∑j
log
dan
(15)
}
HXY1 =- ∑ ∑
log {
13 Information Measures of Correlation 2 (IMC 2)
= (1-e p -2.0(
dengan:
f13: fitur IMC 2
HXY2= - ∑ ∑
log {
)
-
1⁄
2
}
(16)
(17)
(18)
Penentuan Data Latih dan Data Uji
Pembagian data latih dan data uji pada penelitian ini dilakukan dengan
menggunakan teknik K-fold cross validation. Sejumlah data dibagi menjadi
beberapa subset untuk digunakan sebagai data uji dan data latih. Pada penelitian
ini, total data yang digunakan ialah 90 data yang terdiri atas 10 citra dari 9
varietas durian. Dari 10 data pada setiap varietas, 8 citra digunakan sebagai data
latih dan 2 citra digunakan sebagai data uji. Nilai K diperoleh dari hasil
pembagian total data yang digunakan dengan total data uji. Penelitian ini
menggunakan teknik K-fold cross validation dengan K = 5. Nilai K
merepresentasikan iterasi atau perulangan percobaan yang dilakukan. Ilustrasi
pembagian data dengan 5-fold cross validation dapat dilihat pada Gambar 8.
Gambar 8 Ilustrasi pembagian data dengan 5-fold cross validation
Klasifikasi Menggunakan PNN
PNN terdiri atas lapisan masukan, lapisan pola, lapisan penjumlahan, dan
lapisan keluaran. Arsitektur PNN dapat dilihat pada Gambar 9.
9
X1
Neuron
A1
Neuron
A2
X2
Neuron
An
Lapisan
Masukan
X3
Neuron
B1
fA(X)
Neuron
B2
Neuron
Bn
Lapisan
Pola
Lapisan
Penjumlahan
fB(X)
Kelas
Keputusan
Lapisan
Keluaran
Gambar 9 Arsitektur PNN
Data uji yang telah melalui proses ekstraksi tekstur akan menghasilkan
nilai-nilai fitur GLCM. Nilai-nilai tersebut akan menjadi input pada lapisan
masukan. Nilai pada lapisan masukan menjadi input untuk lapisan pola, kemudian
input dihitung dengan persamaan sebagai berikut:
=e p
T
(
)
(19)
2σ2
dengan:
f(xA): fungsi kernel lapisan pola untuk kelas A
x: masukan
xAi: pola pelatihan ke-i kelas A
σ: smoothing parameter
Hasil perhitungan pada lapisan pola akan menjadi input untuk lapisan
penjumlahan. Pada lapisan penjumlahan, digunakan persamaan sebagai berikut:
σ (2 ) 2
∑e p
T
2σ
(
)
2
dengan:
p(xA): peluang kelas A
N: jumlah pola pelatihan seluruh kelas
d: dimensi vektor input
NA: jumlah pola pelatihan kelas A
Hasil perhitungan pada lapisan penjumlahan kemudian masuk ke lapisan
keluaran untuk ditentukan nilai maksimum sebagai kelas keputusan (Specht 1990).
Pada klasifikasi PNN, terdapat suatu nilai parameter yang berfungsi untuk
menghaluskan fungsi kernel yang disebut smoothing parameter (σ). Seminar et al.
(2006) menyebutkan bahwa nilai σ secara tidak langsung berperan dalam
menentukan ketepatan klasifikasi PNN. Nilai σ tersebut tidak dapat ditentukan
10
secara langsung, tetapi bisa diperoleh melalui metode statistik maupun dari hasil
coba-coba.
Perhitungan Akurasi
Setelah klasifikasi selesai dilakukan, tahapan terakhir ialah menghitung
akurasi. Akurasi dihitung dengan menggunakan rumus sebagai berikut:
kurasi=
jumlah teridentifikasi benar
jumlah keseluruhan
100
(21)
Lingkungan Pengembangan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk
penelitian ini adalah sebagai berikut:
Perangkat keras:
Processor Intel ® CoreTM I3.
Memory 2 GB.
Hard disk 320 GB.
Perangkat lunak:
Sistem operasi Windows 7 Ultimate 64 bit.
Matlab 7.7 (R2008b).
HASIL DAN PEMBAHASAN
Percobaan menggunakan citra daun utuh dan percobaan menggunakan citra
hasil cropping dilakukan dengan menerapkan 13 fitur GLCM. Seluruh percobaan
dilakukan dengan menguji nilai smoothing parameter (σ) antara 0.1 dan 9.
Percobaan Menggunakan Citra Daun Durian Utuh
Percobaan ini merupakan percobaan awal yang dilakukan dalam penelitian
identifikasi varietas durian. Contoh citra yang digunakan berupa citra daun durian
utuh seperti pada Gambar 10. Hasil percobaan dapat dilihat pada Lampiran 2.
Perbandingan akurasi rata-rata tertinggi pada orientasi sudut 0°, 45°, 90°, dan
135° yang diperoleh pada nilai σ tertentu ditunjukkan oleh Gambar 11.
Gambar 10 Contoh citra daun durian utuh
11
100
Akurasi (%)
80
60
40
31,11 31,11 32,22
33,33 32,22 33,33
31,11 32,22 33,33
30,00 31,11 32,22
0
45
90
135
20
0
1 Piksel
Sudut (°)
2 Piksel
3 Piksel
Gambar 11 Perbandingan akurasi rata-rata tertinggi percobaan menggunakan citra
daun durian utuh
Gambar 11 menunjukkan bahwa percobaan menggunakan citra daun durian
utuh menghasilkan akurasi tertinggi sebesar 33.33%. Akurasi tertinggi didapat
pada percobaan dengan sudut 45°, jarak 1 piksel, dan σ = 0.7, jarak 3 piksel dan σ
= 0.9, serta percobaan dengan sudut 90°, jarak 3 piksel, dan σ = 0.9.
Akurasi rendah yang diperoleh pada percobaan ini disebabkan ekstraksi
tekstur yang dilakukan terhadap citra daun utuh mungkin menghasilkan nilai-nilai
fitur GLCM yang mirip sehingga proses identifikasi menjadi tidak akurat. Selain
itu, latar belakang putih pada citra yang ikut terproses juga mungkin
menyebabkan ekstraksi tekstur daun tidak fokus pada permukaan daun. Oleh
karena itu, percobaan selanjutnya dilakukan dengan menambahkan cropping pada
citra.
Percobaan Menggunakan Citra Daun Durian Hasil Cropping
Percobaan ini dilakukan menggunakan citra daun durian hasil cropping
dengan ukuran 281 x 281 piksel. Gambar 12 merupakan contoh citra daun durian
hasil cropping yang digunakan pada percobaan ini. Seluruh orientasi sudut dan
jarak GLCM pada percobaan ini diuji pada σ = 0.1 sampai σ = 9, kemudian
diambil akurasi rata-rata tertinggi dari masing-masing percobaan. Tabel 2
menunjukkan akurasi rata-rata tertinggi setiap percobaan berdasarkan jarak 1
piksel, 2 piksel, dan 3 piksel yang diperoleh pada nilai σ tertentu.
Gambar 12 Contoh citra daun durian hasil cropping
12
Tabel
2
Akurasi rata-rata tertinggi percobaan
menggunakan citra daun hasil cropping
Jarak (Piksel)
1
2
3
Akurasi (%)
76.67
70.00
67.78
σ
0.1
0.1
0.1
45
1
2
3
65.56
57.78
58.89
0.1
0.3
0.2
90
1
2
3
64.44
57.78
58.89
0.1
0.3
0.3
135
1
2
3
62.22
58.89
58.89
0.1
0.3
0.3
Sudut (°)
0
Tabel 2 menunjukkan bahwa akurasi tertinggi percobaan sudut 0°, 45°, 90°,
dan 135° ialah sebesar 76.67%, 65.56%, 64.44%, 62.22%. Seluruh akurasi
tersebut diperoleh pada jarak 1 piksel dan σ = 0.1. Dari seluruh percobaan, sudut
0° menghasilkan akurasi terbaik pada jarak 1 piksel dan σ = 0.1, yaitu sebesar
76.67%. Perbandingan seluruh percobaan tersebut dapat dilihat pada Gambar 13.
100
Akurasi (%)
80
76,67
70,00 67,78
60
65,56
57,78 58,89
64,44
57,78 58,89
62,22 58,89 58,89
40
20
0
0
45
90
135
Sudut (°)
1 Piksel
2 Piksel
3 Piksel
Gambar 13 Perbandingan akurasi rata-rata tertinggi percobaan menggunakan citra
daun durian hasil cropping
Gambar 13 menunjukkan bahwa pada penelitian ini akurasi cenderung menurun
ketika orientasi sudut GLCM semakin besar. Dari Gambar 13 juga terlihat bahwa
jarak 1 piksel merupakan jarak terbaik karena menghasilkan akurasi tertinggi di
seluruh percobaan. Confusion matrix hasil percobaan ini dapat dilihat pada Tabel 3.
13
Tabel 3 Confusion matrix percobaan citra hasil cropping pada sudut 0°, jarak 1
piksel, dan σ = 0.1 (akurasi 76.67%)
Kelas Prediksi
Kelas
Aktual
Bakul
Bakul
9
Cane
Hepe
Cane
Hepe
Kendil
Malaysia
D24
Petruk
Simas
4
1
2
1
8
1
8
1
Malaysia
D24
1
8
Matahari
1
1
1
1
1
9
1
Sukun
1
Kendil
Petruk
Matahari
1
2
1
5
Simas
1
Sukun
1
1
9
9
Tabel 3 menunjukkan hasil identifikasi percobaan dengan sudut 0°, jarak 1
piksel, dan σ = 0.1. Beberapa data uji Cane teridentifikasi tidak akurat sebagai
Hepe, Malaysia D24, Matahari, Petruk, dan Simas. Beberapa data uji Petruk juga
teridentifikasi tidak akurat sebagai Bakul, Cane, dan Kendil. Identifikasi yang
tidak akurat terjadi karena adanya fitur GLCM dari beberapa varietas yang
nilainya berdekatan. Gambar 14 merupakan boxplot yang dibuat berdasarkan nilai
fitur Information Measure of Correlation 2 (IMC 2) seluruh varietas. Tanda
bintang pada boxplot menunjukkan data yang mengalami ekstrapolasi. Bagian
horizontal merepresentasikan varietas durian, sedangkan bagian vertikal
merupakan nilai fitur IMC 2.
Gambar 14 Boxplot fitur IMC 2
Gambar 14 menunjukkan bahwa nilai fitur IMC 2 varietas Cane, Hepe,
Kendil, Malaysia D24, dan Petruk berada pada satu rentang yang berdekatan,
14
yaitu antara 0.8 dan 0.9. Kedekatan nilai inilah yang menjadi salah satu faktor
penyebab proses identifikasi tidak akurat karena varietas-varietas tersebut
mungkin dianggap mirip.
Dari Tabel 3, diketahui bahwa Cane merupakan varietas yang
identifikasinya paling tidak akurat dibandingkan dengan varietas lainnya.
Identifikasi Cane yang tidak akurat kemungkinan disebabkan nilai fitur sum
variance yang memiliki rentang cukup jauh, yaitu antara 8 dan 21. Boxplot untuk
fitur sum variance ditunjukkan oleh Gambar 15. Boxplot fitur-fitur GLCM lainnya
dapat dilihat pada Lampiran 3.
Seminar et al. (2006) dalam penelitiannya menyebutkan, apabila pola
pelatihan dan data masukan pada satu kelas yang sama sangat berbeda jauh
nilainya, maka PNN akan mengekstrapolasi data masukan tersebut. Hal inilah
yang nantinya akan mengakibatkan akurasi klasifikasi PNN turun cukup drastis.
Gambar 15 Boxplot fitur sum variance
Gambar 15 menunjukkan bahwa berdasarkan nilai fitur sum variance,
varietas Cane merupakan salah satu varietas yang mengalami ekstrapolasi.
Ekstrapolasi berarti memperkirakan nilai suatu variabel yang melampaui interval
pengamatan aslinya berdasarkan hubungannya dengan variabel lain.
Perbandingan Penelitian Identifikasi Durian dengan Penelitian Terkait
Metode ekstraksi tekstur GLCM pernah digunakan oleh Ehsanirad dan
Kumar (2010) untuk mengidentifikasi 13 jenis tanaman. Perbandingan penelitian
identifikasi durian dengan penelitian identifikasi 13 jenis tanaman dapat dilihat
pada Gambar 16.
15
100
Akurasi (%)
90
78,46
78,46
80
70,76
76,67
65,56
70
64,45
62,22
60
49,23
50
40
0
45
90
135
Sudut (°)
Penelitian Identifikasi Durian
Penelitian Identifikasi 13 Jenis Tanaman
Gambar 16 Perbandingan penelitian identifikasi durian dan penelitian identifikasi
13 jenis tanaman dengan orientasi jarak 1 piksel
Gambar 16 menunjukkan perbandingan akurasi rata-rata yang dihasilkan
pada penelitian identifikasi durian dengan penelitian identifikasi 13 jenis tanaman
yang menggunakan metode ekstraksi tekstur serupa. Penelitian identifikasi 13
jenis tanaman dilakukan dengan menggunakan 390 data citra daun utuh. Selain itu,
ekstraksi tekstur juga dilakukan dengan menggunakan GLCM disertai 9 fitur
tambahan, yaitu energy, max correlation coefficient, autocorrelation, dissimilarity,
cluster shade, cluster prominence, maximum probability, inverse difference
normalized, dan inverse difference moment normalized. Perbandingan hanya
dilakukan pada orientasi jarak 1 piksel karena penelitian identifikasi 13 jenis
tanaman hanya menggunakan satu parameter jarak.
Dari Gambar 16, terlihat bahwa pada penelitian identifikasi durian akurasi
cenderung turun pada orientasi sudut yang semakin besar, sedangkan pada
penelitian identifikasi 13 jenis tanaman akurasi terlihat lebih fluktuatif. Pada sudut
0° dan 90° akurasi yang diperoleh sama, yaitu sebesar 78.46%. Akan tetapi,
akurasi mengalami penurunan pada sudut 45° dan 135°. Identifikasi durian
menghasilkan akurasi tertinggi pada sudut 0°, sedangkan identifikasi 13 jenis
tanaman menghasilkan akurasi tertinggi pada sudut 0° dan 90°. Perbandingan
kedua penelitian menunjukkan bahwa sudut 0° memberikan akurasi yang cukup
baik pada jarak 1 piksel.
SIMPULAN DAN SARAN
Simpulan
Tekstur daun durian yang diekstraksi dengan metode GLCM dapat
digunakan untuk mengidentifikasi varietas-varietas durian. Identifikasi varietas
durian berbasis tekstur daun ini dapat dijadikan solusi dari identifikasi durian
dengan metode isozim dan morfologi yang membutuhkan waktu lama.
16
Percobaan menggunakan citra daun durian utuh menghasilkan akurasi
sebesar 33.33%. Percobaan menggunakan citra hasil cropping terbukti mengalami
peningkatan akurasi sebesar 43.34% sehingga akurasi tertinggi diperoleh sebesar
76.67 pada percobaan sudut 0°, jarak 1 piksel, dan σ = 0.1. Berdasarkan
perbandingan dengan penelitian terkait, metode GLCM bekerja cukup baik pada
penelitian ini.
Saran
Saran untuk pengembangan penelitian ini, yaitu:
1 Melakukan segmentasi untuk menghilangkan background citra dan melakukan
proses image enhancement lainnya untuk memperbaiki kualitas citra.
2 Melakukan variasi cropping pada penelitian, yaitu dengan menguji beberapa
ukuran citra dan melakukan cropping citra pada posisi yang berbeda-beda.
3 Menerapkan metode GLCM untuk citra RGB dan HSV.
DAFTAR PUSTAKA
[BPBT] Balai Penelitian Buah dan Tropika. 2012. 1001 manfaat durian untuk
kesehatan [Internet]. Tersedia pada: http://balitbu.litbang.go.id/ind/index.php
/berita-mainmenu-26/13-info-aktual/339-1001-manfaat-durian-untukkesehatan
Ehsanirad A, Kumar S. 2010. Leaf recognition for plant using GLCM and PCA
methods. Oriental Journal of Computer Science & Technology [Internet].
[diunduh 2014 Januari 10]; 3(1): 31-36.
Haralick RM, Shanmugan K., Dinstein I. 1973. Textural features for image
classification. IEEE Transactions on System, Man and Cybernetics. 3(6):
610-621.
Mansur M. 2007. Penelitian ekologi jenis durian (Durio spp.) di desa Intuh
Lingau, Kalimantan Timur [Internet]. Jurnal Teknologi dan Lingkungan.
[diunduh 2013 September 10]; 8(3): 211-216.
Riswanto A. 2012. Prospek bisnis bidang agro industri durian [Internet]. Tersedia
pada:
http://blog.tebs.telkomuniversity.ac.id/prospek-bisnis-bidang-agroindustri-durian
Salasa KAN, Ashari S, Herlina N. 2013. Identifikasi tanaman durian mirip durian
bido di kecamatan Wonosalam kabupaten Jombang dengan metode isozim
dan morfologi. Jurnal Produksi Tanaman. 1(5): 427-433.
Seminar KB, Buono A, Sukin TPJ. 2006. Desain dan implementasi komputasi
paralel dengan algoritma genetik untuk prapemrosesan Probabilistic Neural
Network. Jurnal Teknologi. 3(1): 1-26.
Specht DF. 1990. Probabilistic neural networks and the polynomial adalines
classification. IEEE Transactions on Neural Networks. 1(3): 111-121.
17
Lampiran 1 Contoh data citra daun durian yang digunakan
Varietas
Data
Bakul
Cane
Hepe
Kendil
Malaysia
D24
Matahari
Petruk
Sukun
Lampiran 2 Akurasi rata-rata tertinggi pada percobaan menggunakan citra daun
durian utuh
Jarak (Piksel)
1
2
3
Akurasi (%)
31.11
31.11
32.22
σ
1
0.7
0.8
45
1
2
3
33.33
32.22
33.33
0.7
0.9
0.9
90
1
2
3
31.11
32.22
33.33
0.7
0.7
0.9
135
1
2
3
30.00
31.11
32.22
0.5
0.9
0.9
Sudut (°)
0
18
Lampiran 3 Boxplot fitur-fitur GLCM
19
20
21
22
RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 27 Juli 1989 di Karawang. Pada tahun 2001,
penulis lulus dari SD Negeri 1 Rawamerta kemudian melanjutkan pendidikan di
SMP Negeri 1 Rawamerta. Pada tahun 2004, penulis masuk SMA Negeri 1
Karawang dan lulus pada tahun 2007. Penulis melanjutkan pendidikan di program
Diploma Universitas Padjadjaran Bandung jurusan Manajemen Informatika dan
lulus tahun 2010. Tahun 2011 penulis melanjutkan pendidikan program sarjana di
Institut Pertanian Bogor jurusan Ilmu Komputer.
TEKSTUR DAUN DENGAN METODE EKSTRAKSI GLCM
MENGGUNAKAN PNN
NIKEN RATNA PERTIWI
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Varietas
Durian Berdasarkan Tekstur Daun dengan Metode Ekstraksi GLCM
Menggunakan PNN 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, Maret 2014
Niken Ratna Pertiwi
NIM G64114027
ABSTRAK
NIKEN RATNA PERTIWI. Identifikasi Varietas Durian Berdasarkan Tekstur
Daun dengan Metode Ekstraksi GLCM Menggunakan PNN. Dibimbing oleh
AZIZ KUSTIYO.
Keanekaragaman dan kemiripan varietas-varietas durian menyebabkan
sebagian orang sulit mengidentifikasi durian. Identifikasi dapat dilakukan dengan
melakukan ekstraksi tekstur daun durian. Daun dipilih karena pada umumnya
daun merupakan salah satu ciri yang bisa digunakan untuk membedakan jenis
tanaman. Identifikasi dilakukan dengan mengekstraksi tekstur untuk
mengantisipasi kesulitan identifikasi berdasarkan morfologi karena bentuk daun
varietas-varietas durian yang mirip. Pada penelitian ini, identifikasi berbasis
tekstur daun dilakukan menggunakan GLCM dan PNN. Percobaan ini
berdasarkan orientasi sudut GLCM 0o, 45o, 90o, dan 135o. Masing-masing sudut
diuji pada jarak 1 piksel, 2 piksel, dan 3 piksel. Setiap percobaan diuji untuk nilai
smoothing parameter (σ) PNN 0.1 sampai 9. Identifikasi dilakukan menggunakan
90 citra daun berukuran 281 x 281 piksel dari 9 varietas durian. Akurasi tertinggi
diperoleh sebesar 76.67% pada percobaan sudut 0o dengan jarak 1 piksel dan nilai
smoothing parameter (σ) 0.1.
Kata kunci : Gray Level Co-occurence Matrix (GLCM), identifikasi durian,
Probabilistic Neural Network (PNN), tekstur daun.
ABSTRACT
NIKEN RATNA PERTIWI. Durian Varieties Identification Based on Leaf
Texture with GLCM Extraction Method Using PNN. Supervised by AZIZ
KUSTIYO.
The diversity and similarity of durian varieties have caused some difficulties
to identify durian. In this research, the identification is performed by durian leaf
texture extraction. The leaf is selected because it is a characteristic that can be
used to differ the type of plant. Identification is performed by texture extraction to
anticipate the difficulty of morphology based identification, since durian varieties
have similar leaves shape. In this research, identification based on leaf texture is
performed using GLCM and PNN. This experiment is based on 0o, 45o, 90o, and
135o GLCM angle orientation. Each angles are tested at 1 pixels, 2 pixels, and 3
pixels distances. They are also tested for PNN smoothing parameter (σ) ranges
from 0.1 to 9. Identification is performed using 90 images from 9 varieties of
durian and the dimension of image is 281 x 281 pixel. The highest accuracy
achieved is 76.67% in 0o angle experiment with 1 pixels distance and 0.1
smoothing parameter (σ).
Keywords : Durian identification, Gray Level Co-occurence Matrix (GLCM), leaf
texture, Probabilistic Neural Network (PNN).
IDENTIFIKASI VARIETAS DURIAN BERDASARKAN
TEKSTUR DAUN DENGAN METODE EKSTRAKSI GLCM
MENGGUNAKAN PNN
NIKEN RATNA PERTIWI
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
2014
Penguji:
1 Dr Eng Wisnu Ananta Kusuma, ST MT
2 Karlisa Priandana, ST MEng
Judul Skripsi : Identifikasi Varietas Durian Berdasarkan Tekstur Daun dengan
Metode Ekstraksi GLCM Menggunakan PNN
Nama
: Niken Ratna Pertiwi
NIM
: G64114027
Disetujui
Aziz Kustiyo, SSi MKom
Pembimbing
Diketahui
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Tanggal Lulus :
Judul Skripsi : Identifikasi Varietas Durian Berdasarkan T ekstur Daun dengan
Metode Ekstraksi GLCM Menggunakan PNN
: Niken Ratna Pertiwi
Nama
NIM
: G64114027
Disetujui
Aziz Kustiyo, SSi MKom
Pembimbing
no MSiMKom
Tanggal Lulus :
o6 MAR 2014
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah SWT yang telah
memberikan kemudahan sehingga penulis dapat menyelesaikan tugas akhir yang
berjudul Identifikasi Varietas Durian Berdasarkan Tekstur Daun dengan Metode
Ekstraksi GLCM Menggunakan PNN.
Penghargaan dan rasa terima kasih penulis ucapkan kepada:
1 Keluarga tercinta, Ayahanda Cun Sukari dan Ibunda Istiana Ekawati,
Kakak Sigit Tyas Sasongko, serta Adik Ratih Tri Hapsari atas doa dan
dukungannya.
2 Bapak Aziz Kustiyo, SSi MKom selaku pembimbing yang telah
memberikan pengarahan, saran, dan solusi selama penelitian berlangsung.
3 Bapak Dr Eng Wisnu Ananta Kusuma, ST MT dan Ibu Karlisa Priandana,
ST MEng selaku penguji.
4 Nella Sabrina atas kerja samanya, Syeiva atas bantuannya, teman-teman
satu bimbingan, teman-teman ILKOM 6, dan seluruh pihak yang turut
membantu dalam penyelesaian penelitian ini.
Semoga karya ilmiah ini dapat memberikan manfaat bagi mahasiswa Ilmu
Komputer dan pembacanya.
Bogor, Maret 2014
Niken Ratna Pertiwi
DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
DAFTAR LAMPIRAN
PENDAHULUAN
Latar Belakang
Tujuan
Ruang Lingkup
Manfaat
METODE PENELITIAN
Identifikasi Masalah
Pengumpulan Data
Praproses
Ekstraksi Tekstur Menggunakan GLCM
Penentuan Data Latih dan Data Uji
Klasifikasi Menggunakan PNN
Perhitungan Akurasi
Lingkungan Pengembangan
HASIL DAN PEMBAHASAN
Percobaan Menggunakan Citra Daun Durian Utuh
Percobaan Menggunakan Citra Daun Durian Hasil Cropping
Perbandingan Penelitian Identifikasi Durian dengan Penelitian Terkait
SIMPULAN DAN SARAN
Simpulan
Saran
DAFTAR PUSTAKA
LAMPIRAN
vi
vi
vi
1
1
2
2
2
2
2
2
3
4
8
8
10
10
10
10
11
14
15
15
16
16
17
DAFTAR TABEL
1 Derajat keabuan 8 level
2 Akurasi rata-rata tertinggi percobaan menggunakan citra daun hasil
cropping
3 Confusion matrix percobaan citra hasil cropping pada sudut 0o,
jarak 1 piksel, dan σ = 0.1 (akurasi 76.67%)
5
12
13
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Tahapan metode penelitian
Tahapan praproses
Hubungan ketetanggaan antarpiksel dan orientasi sudut GLCM
Tahapan metode GLCM
Ilustrasi proses kuantisasi berdasarkan derajat keabuan 8 level
Ilustrasi pembentukan matriks kookurensi berdasarkan orientasi
sudut 0° dan jarak 1 piksel
Matriks kookurensi yang telah dinormalisasi
Ilustrasi pembagian data dengan 5-fold cross validation
Arsitektur PNN
Contoh citra daun durian utuh
Perbandingan akurasi rata-rata tertinggi percobaan
menggunakan citra daun durian utuh
Contoh citra daun durian hasil cropping
Perbandingan akurasi rata-rata tertinggi percobaan
menggunakan citra daun durian hasil cropping
Boxplot fitur IMC 2
Boxplot fitur sum variance
Perbandingan penelitian identifikasi durian dan penelitian
identifikasi 13 jenis tanaman dengan orientasi jarak 1 piksel
3
3
4
4
5
6
6
8
9
10
11
11
12
13
14
15
DAFTAR LAMPIRAN
1 Contoh data citra daun durian yang digunakan
2 Akurasi rata-rata tertinggi pada percobaan menggunakan citra
daun durian utuh
3 Boxplot fitur-fitur GLCM
17
17
18
PENDAHULUAN
Latar Belakang
Durian (Durio Zibethinus) merupakan salah satu jenis tanaman buah yang
banyak dibudidayakan di Indonesia karena durian memiliki prospek yang cukup
menjanjikan. Budi daya durian dinilai sangat menguntungkan karena nilai jual
buah durian yang cukup tinggi. Selain itu, buah durian juga kaya manfaat.
Nominal yang diperoleh petani durian mencapai 60 juta rupiah/hektar untuk setiap
musim panen (Riswanto 2012). Buah durian kaya gizi dan dipercaya dapat
memberikan beberapa manfaat bagi kesehatan, seperti mencegah anemia,
melancarkan buang air besar, meredakan nyeri lambung, dan mencegah radang
saluran pencernaan (BPBT 2012).
Di seluruh dunia terdapat 30 varietas durian. Di antara 30 varietas tersebut,
14 varietas terdapat di Kalimantan (Mansur 2007). Keanekaragaman durian
menyebabkan sebagian orang kesulitan membedakan varietas durian. Selain itu,
beberapa varietas durian juga memiliki kemiripan sehingga semakin mempersulit
proses identifikasi.
Salasa et al. (2013) pernah melakukan penelitian mengenai identifikasi
durian mirip varietas Bido di kabupaten Jombang dengan metode isozim dan
morfologi. Penelitian tersebut didasari oleh adanya kemiripan 27 varietas durian
dengan durian varietas unggul Bido sehingga sulit dibedakan secara langsung.
Penelitian dengan metode isozim dan morfologi tersebut dilakukan mulai Oktober
2012 sampai Maret 2013.
Identifikasi durian dengan ekstraksi tekstur daun merupakan alternatif lain
yang dapat dipilih sebagai solusi dari identifikasi dengan metode isozim dan
morfologi yang membutuhkan waktu lama. Daun dipilih karena pada umumnya
daun merupakan ciri yang dapat digunakan untuk membedakan jenis tanaman.
Daun juga mudah didapat dan tidak mengenal musim. Ekstraksi tekstur dilakukan
untuk mengantisipasi kesulitan identifikasi berdasarkan morfologi karena bentuk
daun varietas durian yang hampir serupa. Identifikasi berbasis tekstur daun ini
dilakukan dengan memanfaatkan bidang citra digital sehingga diharapkan lebih
efektif untuk dilakukan.
Ehsanirad dan Kumar (2010) pernah melakukan penelitian pengenalan 13
jenis tanaman berdasarkan tekstur daun menggunakan metode Gray Level Cooccurence Matrix (GLCM) dan Principal Component Analysis (PCA). Penelitian
tersebut menggunakan algoritme eigenspace untuk klasifikasi. Akurasi yang
diperoleh pada percobaan dengan metode GLCM ialah sebesar 78.46%,
sedangkan pada percobaan menggunakan metode PCA, akurasi yang diperoleh
ialah sebesar 98.46%.
Penelitian mengenai identifikasi durian berdasarkan tekstur daun ini
dilakukan dengan mengadaptasi metode ekstraksi tekstur GLCM yang digunakan
Ehsanirad dan Kumar (2010) dengan menerapkan Probabilistic Neural Network
(PNN) sebagai metode klasifikasi.
2
Tujuan
Tujuan penelitian ini ialah:
1 Membandingkan akurasi berdasarkan penggunaan sudut dan jarak yang
berbeda pada metode GLCM untuk mengidentifikasi varietas durian.
2 Mengetahui nilai smoothing parameter (σ) yang menghasilkan akurasi
tertinggi pada klasifikasi PNN.
Ruang Lingkup
Ruang lingkup penelitian ini, yaitu:
1 Identifikasi dilakukan berdasarkan tekstur daun bagian atas.
2 Citra yang digunakan ialah hasil scanning berformat JPG.
3 Identifikasi meliputi 9 varietas durian, yaitu Bakul, Cane, Hepe, Kendil,
Malaysia D24, Matahari, Petruk, Simas, dan Sukun.
4 Ekstraksi tekstur menggunakan GLCM dengan orientasi sudut 0°, 45°, 90°,
dan 135° serta jarak 1 piksel, 2 piksel, dan 3 piksel.
Manfaat
Manfaat penelitian ini ialah memudahkan identifikasi varietas durian. Hal
tersebut akan membantu petani pemula yang berminat membudidayakan tanaman
durian.
METODE PENELITIAN
Metode penelitian yang dilakukan meliputi identifikasi masalah,
pengumpulan data, praproses, ekstraksi tekstur, penentuan data latih dan data uji,
klasifikasi PNN, dan perhitungan akurasi. Tahapan metode penelitian dapat dilihat
pada Gambar 1.
Identifikasi Masalah
Berdasarkan latar belakang yang telah diuraikan, diketahui bahwa
identifikasi durian masih sulit dilakukan karena varietasnya yang beraneka ragam.
Selain itu, beberapa varietas durian juga memiliki kemiripan satu sama lain.
Pengumpulan Data
Daun durian yang digunakan berasal dari Warso Farm dan terdiri atas 9
varietas durian. Untuk setiap varietas durian, diambil 10 sampel daun sehingga
total terdapat 90 sampel daun durian. Seluruh daun durian tersebut kemudian discan menggunakan scanner dengan latar belakang kertas putih dan disimpan
dalam format JPG. Ukuran citra daun terbesar yang digunakan pada penelitian ini,
3
yaitu 2027 x 654 piksel, sedangkan ukuran citra terkecil, yaitu 679 x 316 piksel.
Contoh data yang digunakan pada penelitian ini dapat dilihat pada Lampiran 1.
Mulai
Mulai
Identifikasi
Identifikasi Masalah
Masalah
Pengumpulan
Pengumpulan Data
Data
Data
Data
Praproses
Praproses
Ekstraksi
Ekstraksi Tekstur
Tekstur
Penentuan
Penentuan
Data
Data Latih
Latih dan
dan
Data
Data Uji
Uji
Data
Data
Latih
Latih
Data
Data Uji
Uji
Klasifikasi
Klasifikasi PNN
PNN
Perhitungan
Perhitungan Akurasi
Akurasi
Selesai
Selesai
Gambar 1 Tahapan metode penelitian
Praproses
Praproses yang dilakukan pada penelitian ini ialah melakukan cropping citra
menjadi berukuran 281 x 281 piksel dan mengubah citra RGB menjadi citra
grayscale. Ukuran 281 x 281 piksel diambil karena menghasilkan akurasi
tertinggi dibandingkan dengan ukuran cropping lain yang pernah dicoba dalam
penelitian, yaitu 251 x 251 piksel dan 301 x 301 piksel. Tahapan praproses dapat
dilihat pada Gambar 2. Cropping dilakukan untuk memfokuskan ekstraksi pada
pola tekstur daun, sedangkan pengubahan citra RGB menjadi grayscale bertujuan
untuk menangkap pola RGB dalam bentuk model warna yang paling sederhana.
Gambar 2 Tahapan praproses
4
Ekstraksi Tekstur Menggunakan GLCM
GLCM merupakan metode yang sering digunakan dalam analisis tekstur.
Menurut Haralick et al. (1973), GLCM ialah suatu matriks yang
merepresentasikan hubungan ketetanggaan antarpiksel dalam citra pada berbagai
arah orientasi sudut dan jarak spasial. Hubungan ketetanggaan antarpiksel dan
orientasi sudut tersebut dapat dilihat pada Gambar 3. Tahapan metode GLCM
ditunjukkan oleh Gambar 4.
Gambar 3 Hubungan ketetanggaan antarpiksel dan orientasi sudut GLCM
Matriks
citra
grayscale
Kuantisasi
Matriks
hasil
kuantisasi
Perhitungan
berdasarkan orientasi
sudut dan jarak GLCM
Matriks
kookurensi
Normalisasi
Matriks
kookurensi
normal
Gambar 4 Tahapan metode GLCM
Gambar 4 menunjukkan bahwa matriks citra grayscale yang dihasilkan pada
tahapan praproses selanjutnya dikuantisasi berdasarkan derajat keabuan 8 level.
Kuantisasi dilakukan dengan merepresentasikan nilai intensitas pada matriks citra
grayscale berdasarkan levelnya. Sebagai contoh, nilai intensitas 17 pada matriks
5
citra grayscale akan direpresentasikan oleh nilai 1 pada matriks hasil kuantisasi.
Tabel 1 menunjukkan derajat keabuan 8 level yang digunakan pada penelitian ini.
Rentang derajat keabuan tersebut mengacu pada fungsi graycomatrix Matlab.
Ilustrasi proses kuantisasi berdasarkan derajat keabuan 8 level dapat dilihat pada
Gambar 5.
Tabel 1 Derajat keabuan 8 level
Level
1
2
3
4
5
6
7
8
Derajat Keabuan
0 - 18
19 - 54
55 - 99
100 - 127
128 - 163
164 - 200
201 - 236
237 - 255
Gambar 5 Ilustrasi proses kuantisasi berdasarkan derajat keabuan 8 level
Gambar 5 menunjukkan proses kuantisasi berdasarkan derajat keabuan 8
level. Setelah diperoleh matriks hasil kuantisasi, tahapan selanjutnya ialah
mencatat hubungan ketetanggaan antarpiksel yang terdapat pada matriks hasil
kuantisasi dalam bentuk matriks kookurensi. Ilustrasi proses pembentukan matriks
kookurensi berdasarkan orientasi sudut 0° dan jarak 1 piksel dapat dilihat pada
Gambar 6.
Gambar 6 memperlihatkan bahwa hubungan ketetanggaan antara 1 dan 3
serta 3 dan 3 pada orientasi sudut 0° jarak 1 piksel terjadi sebanyak 1 kali. Setelah
pencatatan hubungan ketetanggaan untuk seluruh elemen matriks selesai
dilakukan, selanjutnya matriks kookurensi dinormalisasi. Normalisasi dilakukan
dengan membagi setiap elemen matriks dengan jumlah seluruh elemen. Jumlah
elemen pada matriks kookurensi di atas ialah 8, sehingga normalisasi dilakukan
dengan membagi setiap elemen matriks kookurensi dengan 8. Gambar 7
merupakan matriks kookurensi yang telah dinormalisasi.
6
Gambar 6 Ilustrasi pembentukan matriks kookurensi berdasarkan
orientasi sudut 0° dan jarak 1 piksel
Gambar 7 Matriks kookurensi yang telah dinormalisasi
Nilai-nilai pada matriks kookurensi yang telah dinormalisasi selanjutnya
akan menjadi acuan untuk menghitung fitur-fitur GLCM. Pada penelitian ini, ada
13 fitur GLCM yang digunakan, yaitu:
Angular Second Moment (ASM)
2
(1)
= ∑∑
dengan:
f1: fitur angular second moment
: baris.
: kolom.
: elemen matriks kookurensi yang telah dinormalisasi.
2 Contrast
1
=∑
-1
=0
2
[∑
=1
| - |=
∑ =1
dengan:
f2: fitur contrast
n: jumlah data
Ng: ukuran matriks hasil kuantisasi.
3 Correlation
=
∑∑
-
]
(2)
(3)
7
dengan:
f3: fitur correlation
: jumlah baris matriks kookurensi yang telah dinormalisasi
: jumlah kolom matriks kookurensi yang telah dinormalisasi
: rata-rata
: standar deviasi
4 Sum of Squares (SS) atau Variance
∑ ∑( - )
2
(4)
dengan:
f4: fitur sum of squares atau variance
: rata-rata dari matriks kookurensi yang telah dinormalisasi
5 Inverse Difference Moment (IDM)
1
∑∑
(5)
2
1
-
dengan:
f5: fitur inverse difference moment
6 Sum Average (SA)
2
f6= ∑ =2
()
dengan:
f6: fitur sum average
=2,3,
= ∑ =1 ∑ =1
(6)
2
=
-
7
8
9
10
11
= ∑
=1
| - |=
=0,1,
∑ =1
Sum Variance (SV)
2
= ∑ =2 ( - )
-1
2
dengan:
-
log {
(8)
(9)
dengan:
f7: sum variance
Sum Entropy (SE)
2
log {
= - ∑ =2
dengan:
f8: fitur sum entropy
Entropy
=- ∑i ∑
log(
dengan:
f9: fitur entropy
Difference Variance (DV)
=
dari dengan:
f10: fitur difference variance
Difference Entropy (DE)
=- ∑ =0-1
(7)
}
)
(10)
(11)
(12)
-
}
(13)
8
f11: fitur difference entropy
12 Information Measures of Correlation I (IMC 1)
=
-
(14)
ma
dengan:
f12: fitur IMC 1
HX dan HY: entropy dari
HXY = - ∑ ∑j
log
dan
(15)
}
HXY1 =- ∑ ∑
log {
13 Information Measures of Correlation 2 (IMC 2)
= (1-e p -2.0(
dengan:
f13: fitur IMC 2
HXY2= - ∑ ∑
log {
)
-
1⁄
2
}
(16)
(17)
(18)
Penentuan Data Latih dan Data Uji
Pembagian data latih dan data uji pada penelitian ini dilakukan dengan
menggunakan teknik K-fold cross validation. Sejumlah data dibagi menjadi
beberapa subset untuk digunakan sebagai data uji dan data latih. Pada penelitian
ini, total data yang digunakan ialah 90 data yang terdiri atas 10 citra dari 9
varietas durian. Dari 10 data pada setiap varietas, 8 citra digunakan sebagai data
latih dan 2 citra digunakan sebagai data uji. Nilai K diperoleh dari hasil
pembagian total data yang digunakan dengan total data uji. Penelitian ini
menggunakan teknik K-fold cross validation dengan K = 5. Nilai K
merepresentasikan iterasi atau perulangan percobaan yang dilakukan. Ilustrasi
pembagian data dengan 5-fold cross validation dapat dilihat pada Gambar 8.
Gambar 8 Ilustrasi pembagian data dengan 5-fold cross validation
Klasifikasi Menggunakan PNN
PNN terdiri atas lapisan masukan, lapisan pola, lapisan penjumlahan, dan
lapisan keluaran. Arsitektur PNN dapat dilihat pada Gambar 9.
9
X1
Neuron
A1
Neuron
A2
X2
Neuron
An
Lapisan
Masukan
X3
Neuron
B1
fA(X)
Neuron
B2
Neuron
Bn
Lapisan
Pola
Lapisan
Penjumlahan
fB(X)
Kelas
Keputusan
Lapisan
Keluaran
Gambar 9 Arsitektur PNN
Data uji yang telah melalui proses ekstraksi tekstur akan menghasilkan
nilai-nilai fitur GLCM. Nilai-nilai tersebut akan menjadi input pada lapisan
masukan. Nilai pada lapisan masukan menjadi input untuk lapisan pola, kemudian
input dihitung dengan persamaan sebagai berikut:
=e p
T
(
)
(19)
2σ2
dengan:
f(xA): fungsi kernel lapisan pola untuk kelas A
x: masukan
xAi: pola pelatihan ke-i kelas A
σ: smoothing parameter
Hasil perhitungan pada lapisan pola akan menjadi input untuk lapisan
penjumlahan. Pada lapisan penjumlahan, digunakan persamaan sebagai berikut:
σ (2 ) 2
∑e p
T
2σ
(
)
2
dengan:
p(xA): peluang kelas A
N: jumlah pola pelatihan seluruh kelas
d: dimensi vektor input
NA: jumlah pola pelatihan kelas A
Hasil perhitungan pada lapisan penjumlahan kemudian masuk ke lapisan
keluaran untuk ditentukan nilai maksimum sebagai kelas keputusan (Specht 1990).
Pada klasifikasi PNN, terdapat suatu nilai parameter yang berfungsi untuk
menghaluskan fungsi kernel yang disebut smoothing parameter (σ). Seminar et al.
(2006) menyebutkan bahwa nilai σ secara tidak langsung berperan dalam
menentukan ketepatan klasifikasi PNN. Nilai σ tersebut tidak dapat ditentukan
10
secara langsung, tetapi bisa diperoleh melalui metode statistik maupun dari hasil
coba-coba.
Perhitungan Akurasi
Setelah klasifikasi selesai dilakukan, tahapan terakhir ialah menghitung
akurasi. Akurasi dihitung dengan menggunakan rumus sebagai berikut:
kurasi=
jumlah teridentifikasi benar
jumlah keseluruhan
100
(21)
Lingkungan Pengembangan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk
penelitian ini adalah sebagai berikut:
Perangkat keras:
Processor Intel ® CoreTM I3.
Memory 2 GB.
Hard disk 320 GB.
Perangkat lunak:
Sistem operasi Windows 7 Ultimate 64 bit.
Matlab 7.7 (R2008b).
HASIL DAN PEMBAHASAN
Percobaan menggunakan citra daun utuh dan percobaan menggunakan citra
hasil cropping dilakukan dengan menerapkan 13 fitur GLCM. Seluruh percobaan
dilakukan dengan menguji nilai smoothing parameter (σ) antara 0.1 dan 9.
Percobaan Menggunakan Citra Daun Durian Utuh
Percobaan ini merupakan percobaan awal yang dilakukan dalam penelitian
identifikasi varietas durian. Contoh citra yang digunakan berupa citra daun durian
utuh seperti pada Gambar 10. Hasil percobaan dapat dilihat pada Lampiran 2.
Perbandingan akurasi rata-rata tertinggi pada orientasi sudut 0°, 45°, 90°, dan
135° yang diperoleh pada nilai σ tertentu ditunjukkan oleh Gambar 11.
Gambar 10 Contoh citra daun durian utuh
11
100
Akurasi (%)
80
60
40
31,11 31,11 32,22
33,33 32,22 33,33
31,11 32,22 33,33
30,00 31,11 32,22
0
45
90
135
20
0
1 Piksel
Sudut (°)
2 Piksel
3 Piksel
Gambar 11 Perbandingan akurasi rata-rata tertinggi percobaan menggunakan citra
daun durian utuh
Gambar 11 menunjukkan bahwa percobaan menggunakan citra daun durian
utuh menghasilkan akurasi tertinggi sebesar 33.33%. Akurasi tertinggi didapat
pada percobaan dengan sudut 45°, jarak 1 piksel, dan σ = 0.7, jarak 3 piksel dan σ
= 0.9, serta percobaan dengan sudut 90°, jarak 3 piksel, dan σ = 0.9.
Akurasi rendah yang diperoleh pada percobaan ini disebabkan ekstraksi
tekstur yang dilakukan terhadap citra daun utuh mungkin menghasilkan nilai-nilai
fitur GLCM yang mirip sehingga proses identifikasi menjadi tidak akurat. Selain
itu, latar belakang putih pada citra yang ikut terproses juga mungkin
menyebabkan ekstraksi tekstur daun tidak fokus pada permukaan daun. Oleh
karena itu, percobaan selanjutnya dilakukan dengan menambahkan cropping pada
citra.
Percobaan Menggunakan Citra Daun Durian Hasil Cropping
Percobaan ini dilakukan menggunakan citra daun durian hasil cropping
dengan ukuran 281 x 281 piksel. Gambar 12 merupakan contoh citra daun durian
hasil cropping yang digunakan pada percobaan ini. Seluruh orientasi sudut dan
jarak GLCM pada percobaan ini diuji pada σ = 0.1 sampai σ = 9, kemudian
diambil akurasi rata-rata tertinggi dari masing-masing percobaan. Tabel 2
menunjukkan akurasi rata-rata tertinggi setiap percobaan berdasarkan jarak 1
piksel, 2 piksel, dan 3 piksel yang diperoleh pada nilai σ tertentu.
Gambar 12 Contoh citra daun durian hasil cropping
12
Tabel
2
Akurasi rata-rata tertinggi percobaan
menggunakan citra daun hasil cropping
Jarak (Piksel)
1
2
3
Akurasi (%)
76.67
70.00
67.78
σ
0.1
0.1
0.1
45
1
2
3
65.56
57.78
58.89
0.1
0.3
0.2
90
1
2
3
64.44
57.78
58.89
0.1
0.3
0.3
135
1
2
3
62.22
58.89
58.89
0.1
0.3
0.3
Sudut (°)
0
Tabel 2 menunjukkan bahwa akurasi tertinggi percobaan sudut 0°, 45°, 90°,
dan 135° ialah sebesar 76.67%, 65.56%, 64.44%, 62.22%. Seluruh akurasi
tersebut diperoleh pada jarak 1 piksel dan σ = 0.1. Dari seluruh percobaan, sudut
0° menghasilkan akurasi terbaik pada jarak 1 piksel dan σ = 0.1, yaitu sebesar
76.67%. Perbandingan seluruh percobaan tersebut dapat dilihat pada Gambar 13.
100
Akurasi (%)
80
76,67
70,00 67,78
60
65,56
57,78 58,89
64,44
57,78 58,89
62,22 58,89 58,89
40
20
0
0
45
90
135
Sudut (°)
1 Piksel
2 Piksel
3 Piksel
Gambar 13 Perbandingan akurasi rata-rata tertinggi percobaan menggunakan citra
daun durian hasil cropping
Gambar 13 menunjukkan bahwa pada penelitian ini akurasi cenderung menurun
ketika orientasi sudut GLCM semakin besar. Dari Gambar 13 juga terlihat bahwa
jarak 1 piksel merupakan jarak terbaik karena menghasilkan akurasi tertinggi di
seluruh percobaan. Confusion matrix hasil percobaan ini dapat dilihat pada Tabel 3.
13
Tabel 3 Confusion matrix percobaan citra hasil cropping pada sudut 0°, jarak 1
piksel, dan σ = 0.1 (akurasi 76.67%)
Kelas Prediksi
Kelas
Aktual
Bakul
Bakul
9
Cane
Hepe
Cane
Hepe
Kendil
Malaysia
D24
Petruk
Simas
4
1
2
1
8
1
8
1
Malaysia
D24
1
8
Matahari
1
1
1
1
1
9
1
Sukun
1
Kendil
Petruk
Matahari
1
2
1
5
Simas
1
Sukun
1
1
9
9
Tabel 3 menunjukkan hasil identifikasi percobaan dengan sudut 0°, jarak 1
piksel, dan σ = 0.1. Beberapa data uji Cane teridentifikasi tidak akurat sebagai
Hepe, Malaysia D24, Matahari, Petruk, dan Simas. Beberapa data uji Petruk juga
teridentifikasi tidak akurat sebagai Bakul, Cane, dan Kendil. Identifikasi yang
tidak akurat terjadi karena adanya fitur GLCM dari beberapa varietas yang
nilainya berdekatan. Gambar 14 merupakan boxplot yang dibuat berdasarkan nilai
fitur Information Measure of Correlation 2 (IMC 2) seluruh varietas. Tanda
bintang pada boxplot menunjukkan data yang mengalami ekstrapolasi. Bagian
horizontal merepresentasikan varietas durian, sedangkan bagian vertikal
merupakan nilai fitur IMC 2.
Gambar 14 Boxplot fitur IMC 2
Gambar 14 menunjukkan bahwa nilai fitur IMC 2 varietas Cane, Hepe,
Kendil, Malaysia D24, dan Petruk berada pada satu rentang yang berdekatan,
14
yaitu antara 0.8 dan 0.9. Kedekatan nilai inilah yang menjadi salah satu faktor
penyebab proses identifikasi tidak akurat karena varietas-varietas tersebut
mungkin dianggap mirip.
Dari Tabel 3, diketahui bahwa Cane merupakan varietas yang
identifikasinya paling tidak akurat dibandingkan dengan varietas lainnya.
Identifikasi Cane yang tidak akurat kemungkinan disebabkan nilai fitur sum
variance yang memiliki rentang cukup jauh, yaitu antara 8 dan 21. Boxplot untuk
fitur sum variance ditunjukkan oleh Gambar 15. Boxplot fitur-fitur GLCM lainnya
dapat dilihat pada Lampiran 3.
Seminar et al. (2006) dalam penelitiannya menyebutkan, apabila pola
pelatihan dan data masukan pada satu kelas yang sama sangat berbeda jauh
nilainya, maka PNN akan mengekstrapolasi data masukan tersebut. Hal inilah
yang nantinya akan mengakibatkan akurasi klasifikasi PNN turun cukup drastis.
Gambar 15 Boxplot fitur sum variance
Gambar 15 menunjukkan bahwa berdasarkan nilai fitur sum variance,
varietas Cane merupakan salah satu varietas yang mengalami ekstrapolasi.
Ekstrapolasi berarti memperkirakan nilai suatu variabel yang melampaui interval
pengamatan aslinya berdasarkan hubungannya dengan variabel lain.
Perbandingan Penelitian Identifikasi Durian dengan Penelitian Terkait
Metode ekstraksi tekstur GLCM pernah digunakan oleh Ehsanirad dan
Kumar (2010) untuk mengidentifikasi 13 jenis tanaman. Perbandingan penelitian
identifikasi durian dengan penelitian identifikasi 13 jenis tanaman dapat dilihat
pada Gambar 16.
15
100
Akurasi (%)
90
78,46
78,46
80
70,76
76,67
65,56
70
64,45
62,22
60
49,23
50
40
0
45
90
135
Sudut (°)
Penelitian Identifikasi Durian
Penelitian Identifikasi 13 Jenis Tanaman
Gambar 16 Perbandingan penelitian identifikasi durian dan penelitian identifikasi
13 jenis tanaman dengan orientasi jarak 1 piksel
Gambar 16 menunjukkan perbandingan akurasi rata-rata yang dihasilkan
pada penelitian identifikasi durian dengan penelitian identifikasi 13 jenis tanaman
yang menggunakan metode ekstraksi tekstur serupa. Penelitian identifikasi 13
jenis tanaman dilakukan dengan menggunakan 390 data citra daun utuh. Selain itu,
ekstraksi tekstur juga dilakukan dengan menggunakan GLCM disertai 9 fitur
tambahan, yaitu energy, max correlation coefficient, autocorrelation, dissimilarity,
cluster shade, cluster prominence, maximum probability, inverse difference
normalized, dan inverse difference moment normalized. Perbandingan hanya
dilakukan pada orientasi jarak 1 piksel karena penelitian identifikasi 13 jenis
tanaman hanya menggunakan satu parameter jarak.
Dari Gambar 16, terlihat bahwa pada penelitian identifikasi durian akurasi
cenderung turun pada orientasi sudut yang semakin besar, sedangkan pada
penelitian identifikasi 13 jenis tanaman akurasi terlihat lebih fluktuatif. Pada sudut
0° dan 90° akurasi yang diperoleh sama, yaitu sebesar 78.46%. Akan tetapi,
akurasi mengalami penurunan pada sudut 45° dan 135°. Identifikasi durian
menghasilkan akurasi tertinggi pada sudut 0°, sedangkan identifikasi 13 jenis
tanaman menghasilkan akurasi tertinggi pada sudut 0° dan 90°. Perbandingan
kedua penelitian menunjukkan bahwa sudut 0° memberikan akurasi yang cukup
baik pada jarak 1 piksel.
SIMPULAN DAN SARAN
Simpulan
Tekstur daun durian yang diekstraksi dengan metode GLCM dapat
digunakan untuk mengidentifikasi varietas-varietas durian. Identifikasi varietas
durian berbasis tekstur daun ini dapat dijadikan solusi dari identifikasi durian
dengan metode isozim dan morfologi yang membutuhkan waktu lama.
16
Percobaan menggunakan citra daun durian utuh menghasilkan akurasi
sebesar 33.33%. Percobaan menggunakan citra hasil cropping terbukti mengalami
peningkatan akurasi sebesar 43.34% sehingga akurasi tertinggi diperoleh sebesar
76.67 pada percobaan sudut 0°, jarak 1 piksel, dan σ = 0.1. Berdasarkan
perbandingan dengan penelitian terkait, metode GLCM bekerja cukup baik pada
penelitian ini.
Saran
Saran untuk pengembangan penelitian ini, yaitu:
1 Melakukan segmentasi untuk menghilangkan background citra dan melakukan
proses image enhancement lainnya untuk memperbaiki kualitas citra.
2 Melakukan variasi cropping pada penelitian, yaitu dengan menguji beberapa
ukuran citra dan melakukan cropping citra pada posisi yang berbeda-beda.
3 Menerapkan metode GLCM untuk citra RGB dan HSV.
DAFTAR PUSTAKA
[BPBT] Balai Penelitian Buah dan Tropika. 2012. 1001 manfaat durian untuk
kesehatan [Internet]. Tersedia pada: http://balitbu.litbang.go.id/ind/index.php
/berita-mainmenu-26/13-info-aktual/339-1001-manfaat-durian-untukkesehatan
Ehsanirad A, Kumar S. 2010. Leaf recognition for plant using GLCM and PCA
methods. Oriental Journal of Computer Science & Technology [Internet].
[diunduh 2014 Januari 10]; 3(1): 31-36.
Haralick RM, Shanmugan K., Dinstein I. 1973. Textural features for image
classification. IEEE Transactions on System, Man and Cybernetics. 3(6):
610-621.
Mansur M. 2007. Penelitian ekologi jenis durian (Durio spp.) di desa Intuh
Lingau, Kalimantan Timur [Internet]. Jurnal Teknologi dan Lingkungan.
[diunduh 2013 September 10]; 8(3): 211-216.
Riswanto A. 2012. Prospek bisnis bidang agro industri durian [Internet]. Tersedia
pada:
http://blog.tebs.telkomuniversity.ac.id/prospek-bisnis-bidang-agroindustri-durian
Salasa KAN, Ashari S, Herlina N. 2013. Identifikasi tanaman durian mirip durian
bido di kecamatan Wonosalam kabupaten Jombang dengan metode isozim
dan morfologi. Jurnal Produksi Tanaman. 1(5): 427-433.
Seminar KB, Buono A, Sukin TPJ. 2006. Desain dan implementasi komputasi
paralel dengan algoritma genetik untuk prapemrosesan Probabilistic Neural
Network. Jurnal Teknologi. 3(1): 1-26.
Specht DF. 1990. Probabilistic neural networks and the polynomial adalines
classification. IEEE Transactions on Neural Networks. 1(3): 111-121.
17
Lampiran 1 Contoh data citra daun durian yang digunakan
Varietas
Data
Bakul
Cane
Hepe
Kendil
Malaysia
D24
Matahari
Petruk
Sukun
Lampiran 2 Akurasi rata-rata tertinggi pada percobaan menggunakan citra daun
durian utuh
Jarak (Piksel)
1
2
3
Akurasi (%)
31.11
31.11
32.22
σ
1
0.7
0.8
45
1
2
3
33.33
32.22
33.33
0.7
0.9
0.9
90
1
2
3
31.11
32.22
33.33
0.7
0.7
0.9
135
1
2
3
30.00
31.11
32.22
0.5
0.9
0.9
Sudut (°)
0
18
Lampiran 3 Boxplot fitur-fitur GLCM
19
20
21
22
RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 27 Juli 1989 di Karawang. Pada tahun 2001,
penulis lulus dari SD Negeri 1 Rawamerta kemudian melanjutkan pendidikan di
SMP Negeri 1 Rawamerta. Pada tahun 2004, penulis masuk SMA Negeri 1
Karawang dan lulus pada tahun 2007. Penulis melanjutkan pendidikan di program
Diploma Universitas Padjadjaran Bandung jurusan Manajemen Informatika dan
lulus tahun 2010. Tahun 2011 penulis melanjutkan pendidikan program sarjana di
Institut Pertanian Bogor jurusan Ilmu Komputer.