Identifikasi Varietas Durian Berdasarkan Citra Daun Menggunakan K-Nearest Neighbor dengan Ekstraksi Tekstur Co-occurrence Matrix
IDENTIFIKASI VARIETAS DURIAN BERDASARKAN CITRA
DAUN MENGGUNAKAN K–NEAREST NEIGHBOR DENGAN
EKSTRAKSI TEKSTUR CO-OCCURRENCE MATRIX
NELLA SABRINA
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 Citra Daun Menggunakan K–Nearest Neighbor dengan
Ekstraksi Tekstur Co-occurrence Matrix 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
Nella Sabrina
NRP G64114014
ABSTRAK
NELLA SABRINA. Identifikasi Varietas Durian Berdasarkan Citra Daun
Menggunakan K–Nearest Neighbor dengan Ekstraksi Tekstur Co-occurrence
Matrix. Dibimbing oleh AZIZ KUSTIYO.
Durian (Durio zibethinus Murray) adalah salah satu tumbuhan tropik yang
berasal dari Asia Tenggara. Keanekaragaman durian dan adanya kemiripan antar
varietas mengakibatkan kesulitan dalam mengidentifikasi durian. Pada penelitian
ini dikembangkan sistem identifikasi durian dengan menerapkan co-occurrence
matrix sebagai ekstraksi ciri dan K–NN sebagai pengklasifikasi berdasarkan
tekstur daun durian. Penelitian ini menggunakan 9 varietas durian dan setiap
varietas memiliki 10 citra. Hasil penelitian ini menunjukkan pemotongan citra dan
pemilihan fitur tekstur dapat meningkatkan performa identifikasi. Penelitian ini
menghasilkan akurasi tertinggi sebesar 74.44% saat K = 5, sudut 450, dan jarak 2
piksel. Akurasi ini diperoleh dengan menggunakan 5 fitur tekstur daun, yaitu
contrast, entropy, information measures of correlation 1, sum average, dan sum
entropy.
Kata kunci: co-occurrence matrix, durian, K–Nearest Neighbor (K–NN), tekstur
ABSTRACT
NELLA SABRINA. Durian Variety Identification Based on Leaf Image Using KNearest Neighbor with Co-occurrence Matrix Texture Extraction. Supervised by
AZIZ KUSTIYO.
Durian (Durio zibethinus Murray) is the name of tropical plant from
Southeast Asia. The diversity of durian and the physical similarities between them
have caused difficulty to identify durian. This research developed a system to
identify durian by using co-occurrence matrix as the feature extraction and K-NN
as the classifier based on durian leaf texture. This research used 9 variety of
durians and each variety has 10 leaf images. The result of this research showed
that the cropping of images and selection of texture features can improve the
performance identification. The best accuracy in this research was 74.44% that
was obtained when K = 5, angle = 450, and distance = 2 pixels. This accuracy was
achieved by using five leaf texture features, namely contrast, entropy, information
measures of correlation 1, sum average, and sum entropy.
Keywords: co-occurrence matrix, durian, K–Nearest Neighbor (K–NN), texture
IDENTIFIKASI VARIETAS DURIAN BERDASARKAN CITRA
DAUN MENGGUNAKAN K–NEAREST NEIGHBOR DENGAN
EKSTRAKSI TEKSTUR CO-OCCURRENCE MATRIX
NELLA SABRINA
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 Toto Haryanto, SKom MSi
2 Karlisa Priandana, ST MEng
Judul Skripsi : Identifikasi Varietas Durian Berdasarkan Citra Daun
Menggunakan K-Nearest Neighbor dengan Ekstraksi Tekstur
Co-occurrence Matrix
Nama
: Nella Sabrina
NRP
: G64114014
Disetujui
Aziz Kustiyo, SSi MKom
Pembimbing
Diketahui
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Tanggal Lulus :
Judul Skripsi
Nama
NRP
Identiftkasi Varietas Durian Berdasarkan Citra Daun
Menggunakan K-Nearest Neighbor dengan Ekstraksi Tekstur
Co-occurrence Matrix
Nella Sabrina
G64114014
Disetujui
Aziz Kustiyo, SSi MKom
Pembimbing
Dr Ir A
no MSi MKom
Kenia Departemen
Tanggal Lulus :
n 6 MAR 2014·
PRAKATA
Puji dan syukur penulis panjatkan kehadirat Allah SWT atas segala rahmat
dan hidayah-Nya sehingga penulis dapat menyelesaikan tugas akhir berjudul
Identifikasi Varietas Durian Berdasarkan Citra Daun Menggunakan K-Nearest
Neighbor dengan Ekstraksi Tekstur Co-occurrence Matrix.
Dalam menyelesaikan tugas akhir ini terdapat masalah-masalah yang
penulis hadapi, akan tetapi karena mendapatkan bantuan, bimbingan, dan
dorongan dari berbagai pihak akhirnya masalah tersebut dapat diatasi. Ucapan
terima kasih penulis ucapkan kepada:
1 Kedua orang tua, Bapak Syaiful Irsal dan Ibu Armaletti, Adik Ady Setyawan
dan keluarga yang selalu memberikan dukungan, kasih sayang dan doa yang
tiada hentinya.
2 Bapak Aziz Kustiyo, SSi MKom selaku pembimbing yang telah memberi
bimbingan dan arahan kepada penulis dalam menyelesaikan skripsi ini.
3 Bapak Toto Haryanto, SKom MSi dan Ibu Karlisa Priandana, ST MEng yang
telah bersedia menjadi dosen penguji.
4 Pihak Warso Farm Bogor yang telah memberikan sampel daun durian.
5 Niken Ratna Pertiwi atas kerja sama dan teman-teman satu bimbingan lainnya,
serta rekan-rekan seperjuangan di Alih Jenis Ilmu Komputer Angkatan 6 yang
telah memberi semangat dan kenangan yang berharga.
6 Masripah, SE yang telah meluangkan waktu untuk memberikan masukan dan
saran terhadap penulisan skripsi ini.
7 Semua pihak yang telah membantu yang tidak dapat dituliskan satu persatu.
Semoga tugas akhir ini dapat memberikan manfaat bagi mahasiswa Ilmu
Komputer pada umumnya dan pembaca pada khususnya. Saran dan kritik yang
membangun akan diterima untuk perbaikan selanjutnya.
Bogor, Maret 2014
Nella Sabrina
DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
DAFTAR LAMPIRAN
PENDAHULUAN
Latar Belakang
Tujuan Penelitian
Manfaat Penelitian
Ruang Lingkup Penelitian
METODE PENELITIAN
Pengumpulan Data
Praproses
Ekstraksi Ciri dengan Co-occurrence Matrix
Pembagian Data dengan k-Fold Cross Validation
Klasifikasi dengan K-NN
Evaluasi
Lingkungan Pengembangan
Rancangan Percobaan
HASIL DAN PEMBAHASAN
SIMPULAN DAN SARAN
Simpulan
Saran
DAFTAR PUSTAKA
LAMPIRAN
vi
vi
vi
1
1
2
2
2
2
3
3
4
7
7
8
9
9
10
15
15
15
15
17
DAFTAR TABEL
1
2
3
4
Pembagian level derajat keabuan
Pembagian data setiap subset
Ilustrasi proses pemilihan fitur tekstur
Confusion matrix identifikasi tertinggi (sudut 450 dan jarak 2 piksel)
5
7
8
13
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
Tahapan penelitian
Sampel data citra
Ilustrasi proses pemotongan citra
Hasil pemotongan citra pada bagian tengah
Sudut dan jarak pada co-occurrence matrix
Rancangan percobaan
Hasil akurasi percobaan citra utuh dengan K = 1 dan K = 2
Rata-rata akurasi berdasarkan nilai K
Perbandingan akurasi terhadap sudut dan jarak percobaan citra cropping
dengan 13 fitur
10 Perbandingan akurasi terhadap sudut dan jarak percobaan citra cropping
dengan 5 fitur terpilih
11 Perbandingan hasil praproses durian simas dan sukun
12 Boxplot fitur entropy
3
4
4
4
5
9
10
11
12
12
13
14
DAFTAR LAMPIRAN
1 Akurasi percobaan berdasarkan nilai K menggunakan citra utuh dengan
13 fitur tekstur
2 Proses pemilihan fitur jarak 2 piksel dan sudut 450
3 Akurasi setiap percobaan berdasarkan nilai K
4 Boxplot fitur terpilih
17
18
20
21
PENDAHULUAN
Latar Belakang
Durio adalah nama genus durian dan memiliki beberapa spesies, di
antaranya Durio dulcis, Durio kutejensis, Durio oxeleyanus, dan Durio zibethinus
Murray. Durio zibethinus Murray merupakan salah satu spesies yang paling
banyak dibudidayakan orang (Wiryanta 2008). Spesies Durio zibethinus Murray
inilah yang lebih dikenal dengan nama durian. Dari segi agribisnis, durian menjadi
komoditas yang menjanjikan karena harga jual yang tergolong tinggi tetapi
banyak diminati (DBTB 2010).
Direktorat Jendral Hortikultura menyatakan bahwa hingga tahun 2009
terdapat 71 varietas durian unggul nasional yang tersebar di seluruh Indonesia, di
antaranya di Sumatera 14 varietas, di Jawa 21 varietas, di Kalimantan 21 varietas,
di Bali 1 varietas, di Sulawesi 5 varietas, di NTB 6 varietas, dan di Maluku 3
varietas. Jumlah ini sangat banyak dibandingkan dengan Thailand yang hanya
memiliki 4 varietas durian dan Malaysia hanya memiliki 1 varietas durian (Sobir
dan Napitupulu 2010). Beberapa varietas ada yang memiliki kemiripan fisik buah,
seperti durian si tokong dari Betawi yang memiliki kulit buah yang mirip dengan
durian petruk dari Jepara. Keanekaragaman varietas dan adanya kemiripan ini
membuat identifikasi durian cukup sulit dilakukan.
Identifikasi durian dapat digunakan untuk membantu pengelolaan dan
pengembangan durian di Indonesia. Di samping itu, identifikasi durian juga dapat
membantu petani pemula dalam memilih bibit tanaman durian yang tepat.
Kesalahan dalam memilih bibit dapat membuat durian kehilangan sifat unggulnya
karena setiap varietas memiliki karakteristik tumbuh yang berbeda. Sebagai
contoh, durian petruk bisa kurang memuaskan hasilnya jika ditanam di daerah
Bogor karena iklim dan tanah di Bogor berbeda dengan di Jepara (Prastowo et al.
2006).
Tanaman durian dapat diidentifikasi dari struktur organ tanaman seperti
daun, bunga, dan buahnya. Syahruddin (2012) menggunakan daun sebagai objek
penelitian untuk menganalisis keragaman durian berdasarkan penanda morfologi.
Daun dipilih karena pengamatan melalui bunga dan buah sering terkendala oleh
musim dan lingkungan. Selain itu, daun merupakan objek penelitian yang mudah
didapat.
Selain berdasarkan penanda morfologi, identifikasi durian dapat pula
dilakukan berdasarkan tekstur dan warna daunnya. Tekstur dipilih karena daun
durian pada beberapa varietas memiliki bentuk dan warna yang mirip sehingga
dapat mengakibatkan kesulitan dalam identifikasi. Penelitian berdasarkan tekstur
untuk mendapatkan ciri atau fitur daun pernah dilakukan oleh Gusadha (2011) dan
Sonari (2013). Gusadha (2011) menggunakan Local Binary Pattern Variance
(LBPV) dan co-occurrence matrix untuk mendapatkan fitur tekstur daun tanaman
Aglaonema, sedangkan Sonari (2013) menggunakan discrete wavelet transform
untuk mendapatkan fitur tekstur citra Mangrove.
Sharma et al. (2001) melakukan penelitian untuk membandingkan lima
metode analisis tekstur, yaitu auto-correlation, edge frequency, primitive-length,
Law’s method, dan co-occurrence matrix dengan menggunakan citra Meastex dan
2
Vistex. Penelitian Sharma menghasilkan akurasi tertinggi sebesar 86.8%
menggunakan co-occurrence matrix dengan classifier K-Nearest Neighbor (KNN).
Penelitian ini menggunakan co-occurrence matrix untuk mengekstraksi 13
fitur tekstur daun durian seperti disarankan oleh Haralick et al. (1973). Metode
klasifikasi yang digunakan adalah K-NN. Penelitian ini akan melakukan
pemilihan fitur dari 13 fitur tekstur yang diekstraksi. Pemilihan fitur diharapkan
dapat meningkatkan performansi identifikasi. Penelitian ini juga akan melihat
sudut dan jarak terbaik pada co-occurrence matrix yang dapat digunakan dalam
identifikasi durian.
Tujuan Penelitian
Tujuan dari penelitian ini adalah:
1 Menerapkan metode K-NN dalam mengidentifikasi tanaman durian dan
mengetahui nilai K terbaik hasil klasifikasi tersebut.
2 Melakukan pemilihan fitur untuk mengetahui fitur-fitur tekstur yang baik
digunakan dalam identifikasi tanaman durian.
3 Membandingkan hasil akurasi dengan parameter sudut dan jarak yang berbeda
pada metode co-occurrence matrix dalam mengidentifikasi durian.
Manfaat Penelitian
Manfaat penelitian ini adalah mempermudah klasifikasi varietas durian
berdasarkan tekstur daunnya, sehingga dapat membantu dalam identifikasi
tanaman durian.
Ruang Lingkup Penelitian
Ruang lingkup penelitian ini adalah:
1 Data diperoleh dari hasil scanning citra daun durian bagian atas dengan format
JPG yang terdiri atas 9 varietas durian.
2 Metode ekstraksi ciri yang digunakan adalah co-occurrence matrix dengan
parameter sudut 00, 450, 900, dan 1350, serta jarak 1, 2, dan 3 piksel.
3 Metode klasifikasi yang digunakan adalah K-NN dengan nilai K = 1, 2, 3, 4, 5,
6, 7, 8, 9, dan 10.
METODE PENELITIAN
Penelitian ini dilakukan dengan melalui beberapa tahapan proses untuk
mengetahui hasil klasifikasi dengan K-NN. Tahapan-tahapan yang dilakukan
dapat dilihat pada Gambar 1.
3
Gambar 1 Tahapan penelitian
Pengumpulan Data
Data yang digunakan pada penelitian ini adalah citra daun durian berformat
JPG hasil scanning. Data yang digunakan memiliki ukuran citra daun terkecil
adalah 1057 x 332 piksel dan terbesar adalah 2121 x 744 piksel. Data diperoleh
dari Warso Farm Bogor dan terdiri atas 9 varietas durian, yaitu bakul, cane, hepe,
kendil, malaysia d24, matahari, petruk, simas, dan sukun. Satu varietas diwakili
oleh 10 citra, sehingga total data yang dikumpulkan adalah sebanyak 90 citra.
Praproses
Pada tahap praproses, citra daun yang telah dikumpulkan dipotong menjadi
berukuran 251 x 251 piksel dengan mengambil bagian tengah citra. Pemotongan
citra dilakukan untuk memfokuskan objek penelitian dan menyeragamkan ukuran
citra. Citra dipotong pada bagian tengah karena lebih mudah dilakukan dan
diharapkan dapat menjadi penciri yang baik dalam identifikasi karena adanya
kemiripan tulang daun dari data citra pada varietas yang sama.
Pada penelitian yang dilakukan oleh Wahyumianto (2011) dijelaskan bahwa
struktur tulang daun (pola venasi) merupakan fitur unik lain yang dapat
membedakan jenis tumbuhan dalam proses identifikasi. Contoh data citra sebelum
dilakukan pemotongan seperti pada Gambar 2.
4
Gambar 2 Sampel data citra
Gambar 3 Ilustrasi proses pemotongan citra
Gambar 3 menunjukkan mekanisme pemotongan citra dengan X dan Y
adalah ukuran citra yang akan dipotong, x dan y adalah koordinat titik awal
pemotongan, sedangkan a dan b adalah besar ukuran piksel citra yang dipotong.
Untuk mendapatkan koordinat titik awal citra yang akan dipotong dapat
dilakukan dengan persamaan sebagai berikut:
∆x = 0.5 × X – 125
(1)
∆y = 0.5 × Y – 125
(2)
Pengurangan dengan nilai 125 untuk mendapatkan posisi citra di bagian
tengah. Nilai 125 didapat dengan cara membagi dua dari ukuran target
pemotongan citra. Pada penelitian ini, target pemotongan citra adalah 250 x 250
piksel.
Setelah mendapatkan koordinat titik awal pemotongan, citra dipotong
menjadi ukuran 250 x 250 piksel. Akan tetapi, hasil pemotongan citra adalah 251
x 251 piksel bukan 250 x 250 piksel karena titik awal pemotongan termasuk
dalam area pemotongan. Hasil pemotongan citra dapat dilihat pada Gambar 4.
Gambar 4 Hasil pemotongan citra pada bagian tengah
Selanjutnya, citra dikonversi dari mode RGB menjadi grayscale. Konversi
ini dilakukan untuk menyederhanakan model citra yang awalnya tiga layer
matriks menjadi satu layer saja.
Ekstraksi Ciri dengan Co-occurrence Matrix
Berdasarkan Haralick et al. (1973), co-occurrence matrix adalah suatu
matriks yang menggambarkan jumlah dari kemunculan dua nilai piksel
5
bertetangga dengan level intensitas tertentu dalam jarak dan sudut tertentu.
Ilustrasi sudut dan jarak diperlihatkan pada Gambar 5.
Gambar 5 Sudut dan jarak pada co-occurrence matrix
Sebelum menghitung jumlah piksel tetangga, dilakukan proses kuantisasi
citra yang awalnya 256 level derajat keabuan menjadi 8 level. Level derajat
keabuan ini menentukan ukuran co-occurrence matrix. Pembagian level dilakukan
sesuai dengan fungsi graycomatrix yang terdapat pada Matlab. Pembagian level
dari 256 level menjadi 8 level dapat dilihat pada Tabel 1.
Tabel 1 Pembagian level derajat keabuan
Range derajat keabuan 256 level
0 – 18
19 – 54
55 – 99
100 – 127
128 – 163
164 – 200
201 – 236
237 - 255
Derajat keabuan 8 level
1
2
3
4
5
6
7
8
Setelah co-occurrence matrix terbentuk, nilainya digunakan untuk
menghitung ciri citra. Sebelum menghitung ciri, dilakukan normalisasi terhadap
nilai-nilai matriks tersebut. Perhitungan normalisasi didefinisikan sebagai berikut:
T(i,j)
p i,j = N - 1
(3)
∑i,j = 0 T(i,j)
dengan T(i,j) adalah jumlah kejadian bersama pada i (baris) dan j (kolom) dari cooccurrence matrix, dan N adalah ukuran co-occurrence matrix.
Haralick et al. (1973) menjelaskan ada 13 fitur yang dapat diekstraksi dari
co-occurrence matrix. Fitur-fitur tersebut dapat dihitung dengan persamaanpersamaan sebagai berikut:
1
Angular Second Moment (ASM)
(4)
f1 = ∑i ∑j p(i,j) 2
dengan p(i,j) menyatakan hasil normalisasi dari co-occurrence matrix pada
baris ke-i dan kolom ke-j.
2
Contrast
N - 1
g
g
f2 = ∑n = 0
n2 ∑i = 1
N
g
∑j = 1
p i,j
N
i - j = n
(5)
dengan Ng adalah jumlah ukuran co-occurrence matrix yang terbentuk.
6
3
Correlation
f3 =
∑i ∑j i x j p i,j - x y
σx σy
(6)
dengan, µ x, µ y, σx, dan σy adalah rata-rata dan standar deviasi dari px dan py .
px adalah nilai penjumlahan baris dari hasil normalisasi dan dihitung dengan
persamaan:
∑Ng
i = 1 p(i,j)
p adalah nilai penjumlahan kolom dari hasil normalisasi dan dihitung
dengan persamaan:
4
∑Ng
j = 1 p(i,j)
Difference Entropy (DE)
N - 1
g
f4 = - ∑i = 0 p x - y i log px - y i
(7)
px - y dapat dihitung dengan persamaan berikut:
px - y k =
5
6
7
Ng
∑Ng
i = 1 ∑j = 1 p i,j
; dengan k = 0, 1, …, Ng - 1
|i - j| = k
Difference Variance (DV)
f5 adalah varians dari px - y
f6 = - ∑i ∑j p i,j log p i,j
Inverse Difference Moment (IDM)
1
f7 = ∑i ∑j
2 p i,j
(10)
(11)
Information Measures of Correlation 1 (IMC1)
f8 =
HXY - HXY1
(12)
max HX,HY
dengan:
HX adalah entropy dari px dan XY adalah entropy dari py.
HXY = - ∑i ∑j p i,j log p i,j
HXY1 = - ∑i ∑j p i,j log px i py j
9
(13)
(14)
Information Measures of Correlation 2 (IMC2)
f9 = 1 - exp -2.0 HXY2 - HXY
10
(9)
Entropy
1 + i - j
8
(8)
1
2
(15)
HXY2 = - ∑i ∑j px i py j log px i py j
(16)
Sum Average (SA)
2Ng
f10 = ∑i = 2 i px + y i
(17)
px + y dapat dihitung dengan persamaan berikut:
px + y
∑Ng
∑Ng
i = 1
j = 1 p i,j
k =
i + j = k
; dengan k = 2, 3, …, 2Ng
(18)
7
11
12
Sum Entropy (SE)
2Ng
f11 = - ∑i = 2 px + y i log px + y i
(19)
Sum Variance (SV)
f12 = ∑i = 2g i - f11 px + y i
2
2N
(20)
13 Sum of Squares (SS): Variance.
f13 = ∑i ∑j i - p i,j
dengan µ adalah rata-rata dari matriks hasil normalisasi.
2
(21)
Pembagian Data dengan k-Fold Cross Validation
Sebelum dilakukan klasifikasi, data dibagi menjadi dua yaitu data latih dan
data uji dengan metode k-fold cross validation. Metode ini membagi data menjadi
k subset dan diulang sebanyak k kali. Setiap satu ulangan, salah satu subset k
digunakan sebagai data uji dan k - 1 subset lain disatukan menjadi data latih
(Schneider 1997).
Pada penelitian ini digunakan 5-fold cross validation, sehingga terdapat 5
subset yang akan diulang sebanyak 5 kali untuk setiap percobaan. Setiap subset
terdiri atas 18 data penelitian. Jadi, untuk setiap ulangan percobaan yang
dilakukan terdapat 18 data uji dan 72 data latih. Tabel 2 menunjukkan pembagian
data ke dalam subset-subset tersebut.
Tabel 2 Pembagian data setiap subset
Kelas
Subset Bakul Cane Hepe Kendil Malaysia Matahari Petruk Simas Sukun
D24
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3
2
2
2
2
2
2
2
2
2
4
2
2
2
2
2
2
2
2
2
5
2
2
2
2
2
2
2
2
2
Total
10
10
10
10
10
10
10
10
10
Klasifikasi dengan K-NN
Klasifikasi berguna untuk menentukan kelas dari data uji berdasarkan data
latih. Metode klasifikasi pada penelitian ini adalah K–NN, dengan nilai K = 1, 2,
3, 4, 5, 6, 7, 8, 9, dan 10. Langkah-langkah klasifikasi K–NN (Saharkiz 2009):
1 Pilih parameter K tetangga terdekat.
2 Hitung jarak data uji dengan semua data latih. Rumus jarak yang biasa
digunakan adalah jarak Euclidean.
d x,y = ∑ni = 1 (xi -yi )
2
dengan:
d : jarak data uji dan data latih
8
xi : fitur ke-i dari data uji, dengan i = 1, 2, …, n
yi : fitur ke-i dari data latih, dengan i = 1,2, …, n
n : banyaknya fitur data uji dan data latih yang digunakan
3 Urutkan jarak tersebut dan tetapkan tetangga terdekat berdasarkan jarak
minimum ke-K.
4 Periksa kelas dari tetangga terdekat.
5 Pilih hasil klasifikasi dari mayoritas kelas tetangga terdekat.
Salah satu klasifikasi yang dilakukan yaitu dengan menggunakan data hasil
pemilihan fitur. Pemilihan fitur merupakan proses memilih fitur-fitur tekstur yang
dianggap baik dalam identifikasi durian yang diharapkan dapat meningkatkan
performa identifikasi. Ilustrasi proses pemilihan fitur dapat dilihat pada Tabel 3.
Tabel 3 Ilustrasi proses pemilihan fitur tekstur
Pemilihan 1
Akurasi
Fitur
(%)
Pemilihan 2
Akurasi
Fitur
(%)
F1
15.6
F3, F1
41.1
F2
17.8
F3, F2
36.7
F3
43.3
F3, F4
50
F4
F5
23.3
33.3
F3, F5
33.3
Pemilihan 3
Akurasi
Fitur
(%)
F3, F4,
55.6
F1
F3, F4,
54.4
F2
F3, F4,
34.4
F5
Pemilihan 4
Akurasi
Fitur
(%)
F3,F4,
53,3
F1, F2
F3, F4,
42.2
F1, F5
Misalkan terdapat 5 fitur yang digunakan yaitu F1, F2, F3, F4, dan F5.
Langkah pertama adalah mencari akurasi setiap fitur. Fitur yang paling tinggi
akurasinya diambil. Pada pemilihan 1, F3 merupakan fitur yang paling tinggi
akurasinya. Berikutnya, F3 digabungkan dengan fitur yang belum terpilih yaitu
F1, F2, F4, dan F5. Kemudian, dihitung kembali akurasinya dan diambil fitur
gabungan yang menghasilkan peningkatan akurasi dari akurasi sebelumnya. Jika
pemilihan fitur menghasilkan akurasi yang lebih kecil atau sama dengan akurasi
sebelumnya, pemilihan fitur dihentikan seperti pada pemilihan 4. Pemilihan fitur
tidak dilanjutkan karena akurasi lebih kecil dari sebelumnya. Jadi, fitur yang dapat
digunakan adalah F3, F4, dan F1.
Evaluasi
Evaluasi digunakan untuk menghitung akurasi klasifikasi yang telah
dilakukan. Perhitungan akurasi dapat dilakukan dengan rumus berikut:
∑ data yang tepat diklasifikasi
akurasi=
×100%
∑ data yang digunakan
9
Lingkungan Pengembangan
Perangkat keras dan perangkat lunak yang digunakan pada penelitian ini
memiliki spesifikasi sebagai berikut:
Perangkat keras:
• Processor Intel® CoreTM 2 Duo.
• Memori 3 GB.
• Hard disk 250 GB.
Perangkat lunak:
• Sistem operasi Microsoft Windows 7 Ultimate 32 bit.
• Matlab 7.7.0 (R2008).
Rancangan Percobaan
Penelitian ini menggunakan 13 fitur tekstur seperti yang disarankan oleh
Haralick et al. (1973). Setelah itu, dilakukan percobaan pemilihan fitur dari 13
fitur tekstur tersebut. Setiap percobaan menggunakan 90 data penelitian dan
melakukan pengubahan parameter sudut dan jarak pada co-occurrence matrix.
Ada 12 kombinasi yang didapatkan dengan mengubah parameter sudut dan jarak.
Penelitian ini menggunakan 5-fold cross validation untuk membagi data latih dan
data uji. Klasifikasi dengan K-NN dilakukan menggunakan parameter K = 1, 2, 3,
4, 5, 6, 7, 8, 9, dan 10. Adapun rancangan percobaan yang dilakukan dapat dilihat
pada Gambar 6.
Gambar 6 Rancangan percobaan
10
HASIL DAN PEMBAHASAN
Akurasi (%)
Pada awal penelitian, dilakukan klasifikasi dengan menggunakan citra utuh
(tanpa pemotongan citra) untuk melihat hasil identifikasi pada citra utuh. Karena
tidak dilakukan cropping (pemotongan), selanjutnya citra langsung dikonversi ke
grayscale dan diekstraksi menjadi 13 fitur tekstur. Hasil rata-rata akurasi yang
diperoleh dapat dilihat pada Lampiran 1.
Rata-rata akurasi tertinggi yang diperoleh pada citra utuh sebesar 28.89%
pada sudut 00 dan jarak 1 piksel dengan K = 1 dan 2 seperti terlihat pada Gambar
7.
100
90
80
70
60
50
40
30
20
10
0
0
jarak 1 piksel
45
90
Sudut (derajat)
jarak 2 piksel
135
jarak 3 piksel
Gambar 7 Hasil akurasi percobaan citra utuh dengan K = 1 dan K = 2
Rendahnya akurasi yang diperoleh bisa disebabkan oleh adanya background
putih pada citra penelitian dan nilai setiap fitur pada citra utuh tidak dapat
dijadikan penciri karena memiliki kemiripan antara varietas satu dengan lainnya.
Oleh karena itu, dilakukan percobaan cropping data citra penelitian.
Citra penelitian dipotong menjadi berukuran 251 x 251 piksel. Tahap
berikutnya yaitu mengubah citra RGB menjadi grayscale, mengekstraksi 13 fitur
tekstur, melakukan klasifikasi dengan K-NN, dan menghitung akurasinya.
Selanjutnya, dilakukan pula pemilihan fitur terhadap fitur-fitur tekstur pada
citra cropping. Fitur-fitur tersebut dipilih berdasarkan pada jarak terbaik
percobaan citra cropping dengan 13 fitur. Setiap jarak dikombinasikan dengan 4
sudut yaitu 00, 450, 900, dan 1350 dan dicari akurasi maksimal.
Pemilihan fitur yang dilakukan berhenti pada saat pemilihan ke-6 karena
akurasi yang diperoleh sama dengan akurasi sebelumnya. Jika pemilihan fitur
terus dilakukan hanya akan menambah waktu komputasi. Proses pemilihan fitur
dapat dilihat pada Lampiran 2.
Pemilihan fitur menghasilkan akurasi tertinggi sebesar 74.44% pada sudut
0
45 dan jarak 2 piksel. Fitur terpilih yang dihasilkan ada 5 fitur tekstur yaitu
11
contrast, entropy, information measures of correlation 1, sum average, dan sum
entropy.
Akurasi (%)
Pada percobaan citra cropping dengan 13 fitur dan citra cropping dengan
fitur terpilih, dilakukan pengubahan parameter sudut dan jarak dalam membentuk
co-occurrence matrix dan nilai K pada K-NN. Gambar 8 menampilkan pengaruh
nilai K terhadap hasil akurasi identifikasi durian. Hasil ini diperoleh dengan cara
merata-ratakan 12 kombinasi sudut dan jarak berdasarkan nilai K. Rata-rata
akurasi setiap percobaan berdasarkan nilai K tersebut dapat dilihat pada Lampiran
3.
80
75
70
65
60
55
50
45
40
35
30
1
2
3
4
5
6
7
K tetangga terdekat
Citra cropping dengan 13 fitur
8
9
10
Citra cropping fitur terpilih
Gambar 8 Rata-rata akurasi berdasarkan nilai K
Pada citra cropping dengan 13 fitur tekstur terjadi peningkatan rata-rata
akurasi saat nilai K = 1 sampai dengan 6, tetapi saat nilai K > 6 rata-rata akurasi
menurun. Akurasi tertinggi yang diperoleh sebesar 47.78% di K = 6 saat sudut 900
dan jarak 3 piksel serta pada sudut 1350 dan jarak 2 piksel.
Pada percobaan citra cropping dengan 5 fitur tekstur terpilih, terjadi
peningkatan rata-rata akurasi saat nilai K = 1 sampai dengan 5, tetapi saat nilai K
> 5 akurasi menurun. Akurasi tertinggi yang diperoleh mengalami peningkatan
dari 47.78% menjadi 74.44% pada sudut 450 dan jarak 2 piksel di K = 5.
Perbedaan hasil akurasi antara citra cropping dengan 13 fitur dan citra
cropping dengan 5 fitur terpilih bisa disebabkan oleh perbedaan jumlah input atau
fitur yang digunakan saat pengklasifikasian dengan K-NN. Hasil akurasi ini juga
dipengaruhi oleh parameter K tetangga terdekat yang diberikan. Saharkiz (2009)
menjelaskan bahwa pemilihan atribut atau input pada klasifikasi K-NN penting
dilakukan untuk memperoleh akurasi yang terbaik.
Kombinasi dari sudut dan jarak yang digunakan dalam membentuk cooccurrence matrix dapat pula memberikan perubahan hasil akurasi. Perbandingan
akurasi tertinggi setiap percobaan dengan sudut dan jarak yang digunakan dalam
penelitian ini dapat dilihat pada Gambar 9 dan Gambar 10. Perbandingan akurasi
dilihat pada rentang nilai K dari 1 sampai dengan 10 dan diambil akurasi
maksimal pada rentang nilai K tersebut.
Akurasi (%)
12
80
75
70
65
60
55
50
45
40
35
30
0
Jarak 1 piksel
45
90
Sudut (derajat)
Jarak 2 piksel
135
Jarak 3 piksel
Akurasi (%)
Gambar 9 Perbandingan akurasi terhadap sudut dan jarak percobaan citra
cropping dengan 13 fitur
80
75
70
65
60
55
50
45
40
35
30
0
Jarak 1 piksel
45
90
Sudut (derajat)
Jarak 2 piksel
135
Jarak 3 piksel
Gambar 10 Perbandingan akurasi terhadap sudut dan jarak percobaan citra
cropping dengan 5 fitur terpilih
Gambar 9 dan Gambar 10 memberikan gambaran bahwa sudut dan jarak
yang digunakan pada co-occurrence matrix berpengaruh terhadap peningkatan
dan penurunan hasil akurasi. Selain itu, saat jarak 1 piksel baik pada citra
cropping dengan 13 fitur maupun pada citra cropping dengan 5 fitur terpilih
memberikan hasil akurasi yang lebih rendah dibandingkan dengan jarak 2 dan 3
piksel.
Confusion matrix dari hasil akurasi tertinggi sebesar 74.44% di K = 5 dapat
dilihat pada Tabel 4.
13
Tabel 4 Confusion matrix identifikasi tertinggi (sudut 450 dan jarak 2 piksel)
Kelas
aktual
Bakul Cane Hepe
Bakul
Cane
Hepe
Kendil
Malaysia
D24
Matahari
Petruk
Simas
Sukun
Kendil
Kelas prediksi
Malaysia Matahari Petruk
D24
0
0
0
0
0
0
0
0
0
0
0
0
9
1
2
1
0
8
0
0
0
1
8
1
1
0
0
7
0
0
0
0
9
1
0
1
0
0
0
0
1
0
0
1
0
0
0
1
1
0
1
0
1
0
9
1
0
0
Simas Sukun
0
0
0
1
0
0
0
0
0
0
0
0
4
0
0
0
2
3
0
0
0
4
10
Berdasarkan Tabel 4 dapat dilihat varietas durian sukun berhasil tepat
diidentifikasi sesuai kelasnya sebesar 100%, sedangkan durian simas memiliki
identifikasi terendah sebesar 30%. Kesalahan identifikasi yang terjadi pada durian
simas disebabkan oleh adanya citra yang teridentifikasi ke dalam durian cane,
kendil, malaysia d24, dan sukun. Kesalahan identifikasi terbesar pada durian
simas adalah salah teridentifikasi ke durian sukun. Hal ini bisa disebabkan oleh
adanya kemiripan citra daun bagian tengah antara durian simas dan durian sukun
seperti terlihat pada Gambar 11.
Hasil praproses durian simas
Hasil praproses durian sukun
Gambar 11 Perbandingan hasil praproses durian simas dan sukun
Pada Gambar 11 dapat dilihat adanya kemiripan hasil praproses antara salah
satu sample citra durian simas dan durian sukun. Kemiripan ini bisa menghasilkan
nilai-nilai fitur tekstur yang sama dari keduanya, sehingga mengakibatkan
kesalahan dalam identifikasi.
Kesalahan identifikasi juga dapat dibuktikan dengan melihat nilai-nilai fitur
tekstur jika digambarkan dengan boxplot. Boxplot dibentuk berdasarkan data citra
daun dari setiap varietas durian seperti terlihat pada Gambar 12.
14
Gambar 12 Boxplot fitur entropy
Gambar 12 adalah boxplot untuk fitur entropy saat sudut 450 dan jarak 2
piksel, terlihat bahwa nilai fitur pada data durian simas memiliki sebaran data
yang mirip dengan data durian kendil, malaysia d24, matahari, petruk, dan sukun.
Hal ini yang menyebabkan terjadinya kesalahan identifikasi durian simas ke
varietas-varietas tersebut. Selain itu, data pencilan (ditandai dengan *) juga dapat
mengakibatkan terjadinya kesalahan identifikasi. Hasil boxplot untuk fitur terpilih
yang lain dapat dilihat pada Lampiran 4.
Perbandingan dengan Penelitian Terkait
Penelitian terkait menggunakan daun untuk identifikasi tanaman pernah
dilakukan oleh Sonari (2013) dan Gusadha (2011). Sonari (2013) melakukan
penelitian untuk identifikasi citra Mangrove menggunakan metode klasifikasi
yang sama dengan penelitian identifikasi durian, yaitu K-NN. Akan tetapi,
ekstraksi tekstur yang digunakan untuk mendapatkan ciri atau fitur daun
Mangrove adalah discrete wavelet transform. Metode discrete wavelet transform
ini bertujuan mereduksi ukuran citra menjadi lebih kecil. Citra Mangrove yang
digunakan adalah citra daun utuh (citra tanpa cropping). Penelitian ini
menghasilkan akurasi tertinggi sebesar 88.75% dengan K = 1.
Penelitian Gusadha (2011) menerapkan Local Binary Pattern (LBP)
descriptor, co-occurrence matrix, HSV-162 serta Probabilistic Neural Network
(PNN) sebagai pengklasifikasinya untuk mengidentifikasi tanaman Aglaonema.
Citra tanaman Aglaonema yang digunakan diperkecil ukuran citranya dan
dilakukan proses cropping secara manual dengan mengambil objek daun dalam
bentuk frame persegi.
Penelitian Gusadha menghasilkan akurasi tertinggi sebesar 54.44% dengan
kombinasi metode antara co-occurrence matrix dan HSV-162. Fitur tekstur yang
diekstrak dari co-occurrence matrix adalah energy, moment, entropy, maximum
probability, contrast, correlation, dan homogeneity. Jika dilihat pada fitur tekstur
yang digunakan pada penelitian identifikasi durian dan identifikasi tanaman
Aglaonema, ada dua fitur tekstur yang sama yaitu entropy dan contrast.
15
SIMPULAN DAN SARAN
Simpulan
1
2
3
4
Berdasarkan penelitian yang telah dilakukan dapat disimpulkan bahwa:
Metode co-occurrence matrix sebagai ekstraksi ciri dan K–NN sebagai
classifier dapat digunakan dalam identifikasi varietas durian. Pada penelitian
ini, nilai K terbaik di K = 1 dan 2 pada citra utuh dengan 13 fitur, K = 6 pada
citra cropping dengan 13 fitur, dan K = 5 pada citra cropping dengan fitur
terpilih.
Proses cropping citra dapat meningkatkan hasil identifikasi durian. Dengan
menggunakan 13 fitur, sebelum dilakukan cropping akurasi tertinggi sebesar
28.89% dan setelah cropping meningkat menjadi 47.78%. Hal ini disebabkan
oleh adanya pengaruh background putih pada citra penelitian.
Pemilihan fitur yang tepat mampu meningkatkan performansi identifikasi. Dari
pemilihan yang dilakukan terpilih 5 fitur tekstur, yaitu contrast, entropy,
information measures of correlation 1, sum average, dan sum entropy. Hal ini
terlihat dengan meningkatnya akurasi dari 47.78% menjadi 74.44%
menggunakan citra cropping.
Parameter sudut dan jarak yang digunakan dalam membentuk co-occurrence
matrix dapat memberikan perubahan hasil akurasi untuk identifikasi durian.
Sudut dan jarak yang terbaik adalah 450 dan 2 piksel dengan akurasi tertinggi
sebesar 74.44% di K = 5 saat digunakan citra cropping dengan fitur terpilih.
Saran
Untuk pengembangan dari penelitian ini disarankan melakukan beberapa hal
berikut:
1 Melakukan cropping dengan ukuran dan posisi potong yang berbeda selain
mengambil bagian tengah citra daun.
2 Melakukan image enhancement sehingga pola citra lebih terlihat.
3 Menggunakan teknik pemilihan fitur yang lain seperti Genetic Algorithm (GA)
dan Particle Swarm Optimization (PSO).
DAFTAR PUSTAKA
[DBTB] Direktorat Budidaya Tanaman Buah. 2010. Pedoman Standar Penilaian
Durian. Jakarta (ID): Direktorat Jenderal Hortikultura Kementerian Pertanian.
Haralick RM, Shanmugam K, Dinstein I. 1973. Textural features for image
classification. IEEE Transactions on Systems, Man, and Cybernetics. 3(6):
610-621.
Gusadha AD. 2011. Identifikasi jenis aglaonema menggunakan probabilistic
neural network [skripsi]. Bogor (ID): Institut Pertanian Bogor.
16
Prastowo NH, Roshetko JM, Maurung GES, Nugraha E, Tukan JM, Harum F.
2006. Teknik Pembibitan dan Perbanyakan Vegetatif Tanaman Buah. Bogor
(ID): World Agroforestry Center (ICRAF) dan Wimrock International.
Saharkiz A. 2009. K-nearest neighbor algorithm implementation and overview
[internet].
[diunduh
2014
Januari
10].
Tersedia:
http://www.codeproject.com/Articles/32970/K-Nearest-Neighbor-AlgorithmImplementation-and-Overview.
Schneider J. 1997. Cross validation [internet]. [diunduh 2013 Sept 25]. Tersedia
pada: http://www.cs.cmu.edu/~schneide/tut5/node42.html
Sharma M, Markow M, Singh S. Evaluation of texture methods for image
analysis. Di dalam: Intelligent Information Systems Conference, The Seventh
Australian and New Zealand; 2001 Nov 18-21; Perth, Western Australia. Perth
(AU): ARCME. hlm 117-121.
Sobir, Napitupulu RM. 2010. Bertanam Durian Unggul. Jakarta (ID): Penebar
Swadaya.
Sonari SS. 2013. Identifikasi mangrove berbasis citra daun menggunakan KNN
dengan ekstraksi tekstur wavelet [skripsi]. Bogor (ID): Institut Pertanian
Bogor.
Syahruddin K. 2012. Analisis keragaman beberapa genotipe durian (Durio
zibethinus murr.) menggunakan penanda morfologi dan molekuler (ISSR)
[tesis]. Bogor (ID): Institut Pertanian Bogor.
Wahyumianto A. 2011. Identifikasi tumbuhan berdasarkan minutiae tulang daun
menggunakan SOM Kohonen [skripsi]. Surabaya (ID): Institut Teknologi
Sepuluh November.
Wiryanta BTW. 2008. Sukses Bertanam Durian. Jakarta (ID): PT Agromedia
Pustaka.
17
Lampiran 1 Akurasi percobaan berdasarkan nilai K menggunakan citra utuh
dengan 13 fitur tekstur
Sudut
(derajat)
Jarak
(piksel)
0
45
90
135
K tetangga terdekat
1
2
3
1
28.89
25.56
27.78
2
28.89
25.56
27.78
3
26.67
22.22
22.22
4
22.22
20
17.78
5
23.33
20
21.11
6
16.67
18.89
21.11
7
20
20
20
8
20
17.78
17.78
9
20
21.11
21.11
10
21.11
18.89
20
1
26.67
26.67
22.22
17.78
20
18.89
20
17.78
17.78
18.89
2
3
23.33
23.33
23.33
23.33
18.89
20
20
20
20
22.22
21.11
21.11
21.11
25.56
17.78
21.11
21.11
22.22
22.22
21.11
1
27.78
27.78
22.22
18.89
21.11
17.78
21.11
18.89
18.89
18.89
2
3
26.67
23.33
26.67
23.33
21.11
20
20
20
20
21.11
20
23.33
24.44
24.44
20
22.22
24.44
22.22
22.22
21.11
1
27.78
27.78
22.22
17.78
18.89
20
21.11
17.78
20
18.89
2
3
25.56
24.44
25.56
24.44
20
22.22
20
20
21.11
21.11
22.22
24.44
22.22
25.56
18.89
22.22
23.33
23.33
21.11
22.22
Rata-rata akurasi
25.93 25.93 21.67 19.54 20.83 20.46
22.13 19.35 21.30 20.56
18
Lampiran 2 Proses pemilihan fitur jarak 2 piksel dan sudut 450
Pemilihan 1
Fitur
F1
F2
F3
F4
F5
F6
F7
F8
F9
F10
F11
F12
F13
Akurasi
21.11
26.67
22.22
24.44
25.56
22.22
26.67
16.67
18.89
42.22
21.11
32.22
35.56
Pemilihan 2
Fitur
F10, F1
F10, F2
F10, F3
F10, F4
F10, F5
F10, F6
F10, F7
F10, F8
F10, F9
F10, F11
F10, F12
F10, F13
Akurasi
44.44
41.11
37.78
47.78
42.22
51.11
40
37.78
38.89
48.89
35.56
36.67
Pemilihan 3
Fitur
F10, F6, F1
F10, F6, F2
F10, F6, F3
F10, F6, F4
F10, F6, F5
F10, F6, F7
F10, F6, F8
F10, F6, F9
F10, F6, F11
F10, F6, F12
F10, F6, F13
Akurasi
53.33
56.67
55.56
53.33
51.11
51.11
68.89
55.56
53.33
34.44
47.78
Pemilihan 4
Fitur
F10, F6, F8, F1
F10, F6, F8, F2
F10, F6, F8, F3
F10, F6, F8, F4
F10, F6, F8, F5
F10, F6, F8, F7
F10, F6, F8, F9
F10, F6, F8, F11
F10, F6, F8, F12
F10, F6, F8, F13
Akurasi
67.78
67.78
64.44
66.67
68.89
70
68.89
73.33
44.44
54.44
19
Proses pemilihan fitur jarak 2 piksel dan sudut 450 (lanjutan)
Pemilihan 5
Fitur
F10, F6, F8, F11, F1
F10, F6, F8, F11, F2
F10, F6, F8, F11, F3
F10, F6, F8, F11, F4
F10, F6, F8, F11, F5
F10, F6, F8, F11, F7
F10, F6, F8, F11, F9
F10, F6, F8, F11, F12
F10, F6, F8, F11, F13
Pemilihan 6
Akurasi
73.33
74.44
70
72.22
73.33
73.33
72.22
43.33
60
Fitur
F10, F6, F8, F11, F2, F1
F10, F6, F8, F11, F2, F3
F10, F6, F8, F11, F2, F4
F10, F6, F8, F11, F2, F5
F10, F6, F8, F11, F2, F7
F10, F6, F8, F11, F2, F9
F10, F6, F8, F11, F2, F12
F10, F6, F8, F11, F2, F13
Akurasi
74.44
70
70
74.44
74.44
71.11
42.22
60
20
Lampiran 3 Akurasi setiap percobaan berdasarkan nilai K
a Percobaan menggunakan citra cropping dengan 13 fitur tekstur
Sudut
(derajat)
Jarak
(piksel)
0
1
2
3
K tetangga terdekat
1
34.44
36.67
2
34.44
36.67
3
33.33
40.00
4
38.89
37.78
5
36.67
43.33
6
37.78
42.22
7
37.78
42.22
8
40.00
40.00
9
37.78
38.89
10
38.89
40.00
38.89
38.89
40.00
36.67
43.33
44.44
43.33
42.22
40.00
37.78
1
2
3
38.89
37.78
38.89
37.78
38.89
34.44
38.89
41.11
42.22
41.11
42.22
44.44
42.22
40.00
40.00
41.11
38.89
41.11
40.00
41.11
37.78
37.78
35.56
40.00
42.22
44.44
41.11
38.89
44.44
40.00
90
1
2
3
36.67
40.00
38.89
36.67
40.00
38.89
36.67
37.78
34.44
37.78
41.11
37.78
38.89
43.33
44.44
40.00
45.56
47.78
42.22
42.22
41.11
40.00
38.89
42.22
41.11
42.22
43.33
40.00
40.00
44.44
135
1
2
3
36.67
40.00
36.67
40.00
40.00
36.67
36.67
37.78
40.00
44.44
41.11
47.78
43.33
43.33
41.11
40.00
41.11
44.44
40.00
45.56
40.00
38.06
40.00
38.06
34.44
36.85
41.11
38.80
42.22
41.85
45.56
43.61
42.22
41.76
43.33
40.65
44.44
41.48
41.11
40.74
45
Rata-rata akurasi
b Percobaan menggunakan citra cropping dengan 5 fitur tekstur terpilih
Sudut
(derajat)
Jarak
(piksel)
0
45
90
135
K tetangga terdekat
1
2
3
4
5
6
7
8
9
10
1
2
3
43.33
45.56
43.33
45.56
48.89
46.67
47.78
51.11
52.22
56.67
53.33
52.22
52.22
55.56
54.44
54.44
52.22
53.33
51.11
56.67
53.33
53.33
58.89
54.44
62.22
56.67
58.89
54.44
56.67
51.11
1
51.11
51.11
54.44
55.56
58.89
58.89
55.56
57.78
54.44
55.56
2
3
55.56
55.56
61.11
62.22
74.44
65.56
61.11
60.00
58.89
57.78
58.89
58.89
62.22
64.44
70.00
67.78
63.33
57.78
55.56
55.56
1
54.44
54.44
57.78
53.33
57.78
53.33
55.56
60.00
54.44
60.00
2
3
57.78
57.78
61.11
62.22
67.78
62.22
62.22
60.00
55.56
54.44
58.89
58.89
62.22
65.56
71.11
66.67
63.33
60.00
54.44
55.56
1
53.33
53.33
56.67
55.56
60.00
56.67
57.78
56.67
53.33
53.33
2
3
54.44
54.44
61.11
62.22
68.89
63.33
62.22
60.00
55.56
55.56
56.67
53.61
56.67
53.61
63.33
57.87
62.22
58.06
73.33
64.44
67.78
60.37
66.67
59.54
58.89
57.87
54.44
54.91
53.33
55.00
Rata-rata akurasi
21
Lampiran 4 Boxplot fitur terpilih
!
!
!
! "
!
!
!
!
22
#
"
23
RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 10 Maret 1989 di Bandar Lampung. Penulis
merupakan puteri pertama dari pasangan Bapak Syaiful Irsal dan Ibu Armaletti.
Pada tahun 2007, penulis menyelesaikan pendidikan menengah atas di SMA
Negeri 3 Bandar Lampung dan melanjutkan pendidikan D3 di Politeknik Negeri
Jakarta dengan Jurusan Teknik Elektronika Industri dan lulus tahun 2010. Pada
tahun 2011, penulis melanjutkan pendidikan Sarjana di Institut Pertanian Bogor
jurusan Ilmu Komputer program Alih Jenis.
DAUN MENGGUNAKAN K–NEAREST NEIGHBOR DENGAN
EKSTRAKSI TEKSTUR CO-OCCURRENCE MATRIX
NELLA SABRINA
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 Citra Daun Menggunakan K–Nearest Neighbor dengan
Ekstraksi Tekstur Co-occurrence Matrix 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
Nella Sabrina
NRP G64114014
ABSTRAK
NELLA SABRINA. Identifikasi Varietas Durian Berdasarkan Citra Daun
Menggunakan K–Nearest Neighbor dengan Ekstraksi Tekstur Co-occurrence
Matrix. Dibimbing oleh AZIZ KUSTIYO.
Durian (Durio zibethinus Murray) adalah salah satu tumbuhan tropik yang
berasal dari Asia Tenggara. Keanekaragaman durian dan adanya kemiripan antar
varietas mengakibatkan kesulitan dalam mengidentifikasi durian. Pada penelitian
ini dikembangkan sistem identifikasi durian dengan menerapkan co-occurrence
matrix sebagai ekstraksi ciri dan K–NN sebagai pengklasifikasi berdasarkan
tekstur daun durian. Penelitian ini menggunakan 9 varietas durian dan setiap
varietas memiliki 10 citra. Hasil penelitian ini menunjukkan pemotongan citra dan
pemilihan fitur tekstur dapat meningkatkan performa identifikasi. Penelitian ini
menghasilkan akurasi tertinggi sebesar 74.44% saat K = 5, sudut 450, dan jarak 2
piksel. Akurasi ini diperoleh dengan menggunakan 5 fitur tekstur daun, yaitu
contrast, entropy, information measures of correlation 1, sum average, dan sum
entropy.
Kata kunci: co-occurrence matrix, durian, K–Nearest Neighbor (K–NN), tekstur
ABSTRACT
NELLA SABRINA. Durian Variety Identification Based on Leaf Image Using KNearest Neighbor with Co-occurrence Matrix Texture Extraction. Supervised by
AZIZ KUSTIYO.
Durian (Durio zibethinus Murray) is the name of tropical plant from
Southeast Asia. The diversity of durian and the physical similarities between them
have caused difficulty to identify durian. This research developed a system to
identify durian by using co-occurrence matrix as the feature extraction and K-NN
as the classifier based on durian leaf texture. This research used 9 variety of
durians and each variety has 10 leaf images. The result of this research showed
that the cropping of images and selection of texture features can improve the
performance identification. The best accuracy in this research was 74.44% that
was obtained when K = 5, angle = 450, and distance = 2 pixels. This accuracy was
achieved by using five leaf texture features, namely contrast, entropy, information
measures of correlation 1, sum average, and sum entropy.
Keywords: co-occurrence matrix, durian, K–Nearest Neighbor (K–NN), texture
IDENTIFIKASI VARIETAS DURIAN BERDASARKAN CITRA
DAUN MENGGUNAKAN K–NEAREST NEIGHBOR DENGAN
EKSTRAKSI TEKSTUR CO-OCCURRENCE MATRIX
NELLA SABRINA
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 Toto Haryanto, SKom MSi
2 Karlisa Priandana, ST MEng
Judul Skripsi : Identifikasi Varietas Durian Berdasarkan Citra Daun
Menggunakan K-Nearest Neighbor dengan Ekstraksi Tekstur
Co-occurrence Matrix
Nama
: Nella Sabrina
NRP
: G64114014
Disetujui
Aziz Kustiyo, SSi MKom
Pembimbing
Diketahui
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Tanggal Lulus :
Judul Skripsi
Nama
NRP
Identiftkasi Varietas Durian Berdasarkan Citra Daun
Menggunakan K-Nearest Neighbor dengan Ekstraksi Tekstur
Co-occurrence Matrix
Nella Sabrina
G64114014
Disetujui
Aziz Kustiyo, SSi MKom
Pembimbing
Dr Ir A
no MSi MKom
Kenia Departemen
Tanggal Lulus :
n 6 MAR 2014·
PRAKATA
Puji dan syukur penulis panjatkan kehadirat Allah SWT atas segala rahmat
dan hidayah-Nya sehingga penulis dapat menyelesaikan tugas akhir berjudul
Identifikasi Varietas Durian Berdasarkan Citra Daun Menggunakan K-Nearest
Neighbor dengan Ekstraksi Tekstur Co-occurrence Matrix.
Dalam menyelesaikan tugas akhir ini terdapat masalah-masalah yang
penulis hadapi, akan tetapi karena mendapatkan bantuan, bimbingan, dan
dorongan dari berbagai pihak akhirnya masalah tersebut dapat diatasi. Ucapan
terima kasih penulis ucapkan kepada:
1 Kedua orang tua, Bapak Syaiful Irsal dan Ibu Armaletti, Adik Ady Setyawan
dan keluarga yang selalu memberikan dukungan, kasih sayang dan doa yang
tiada hentinya.
2 Bapak Aziz Kustiyo, SSi MKom selaku pembimbing yang telah memberi
bimbingan dan arahan kepada penulis dalam menyelesaikan skripsi ini.
3 Bapak Toto Haryanto, SKom MSi dan Ibu Karlisa Priandana, ST MEng yang
telah bersedia menjadi dosen penguji.
4 Pihak Warso Farm Bogor yang telah memberikan sampel daun durian.
5 Niken Ratna Pertiwi atas kerja sama dan teman-teman satu bimbingan lainnya,
serta rekan-rekan seperjuangan di Alih Jenis Ilmu Komputer Angkatan 6 yang
telah memberi semangat dan kenangan yang berharga.
6 Masripah, SE yang telah meluangkan waktu untuk memberikan masukan dan
saran terhadap penulisan skripsi ini.
7 Semua pihak yang telah membantu yang tidak dapat dituliskan satu persatu.
Semoga tugas akhir ini dapat memberikan manfaat bagi mahasiswa Ilmu
Komputer pada umumnya dan pembaca pada khususnya. Saran dan kritik yang
membangun akan diterima untuk perbaikan selanjutnya.
Bogor, Maret 2014
Nella Sabrina
DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
DAFTAR LAMPIRAN
PENDAHULUAN
Latar Belakang
Tujuan Penelitian
Manfaat Penelitian
Ruang Lingkup Penelitian
METODE PENELITIAN
Pengumpulan Data
Praproses
Ekstraksi Ciri dengan Co-occurrence Matrix
Pembagian Data dengan k-Fold Cross Validation
Klasifikasi dengan K-NN
Evaluasi
Lingkungan Pengembangan
Rancangan Percobaan
HASIL DAN PEMBAHASAN
SIMPULAN DAN SARAN
Simpulan
Saran
DAFTAR PUSTAKA
LAMPIRAN
vi
vi
vi
1
1
2
2
2
2
3
3
4
7
7
8
9
9
10
15
15
15
15
17
DAFTAR TABEL
1
2
3
4
Pembagian level derajat keabuan
Pembagian data setiap subset
Ilustrasi proses pemilihan fitur tekstur
Confusion matrix identifikasi tertinggi (sudut 450 dan jarak 2 piksel)
5
7
8
13
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
Tahapan penelitian
Sampel data citra
Ilustrasi proses pemotongan citra
Hasil pemotongan citra pada bagian tengah
Sudut dan jarak pada co-occurrence matrix
Rancangan percobaan
Hasil akurasi percobaan citra utuh dengan K = 1 dan K = 2
Rata-rata akurasi berdasarkan nilai K
Perbandingan akurasi terhadap sudut dan jarak percobaan citra cropping
dengan 13 fitur
10 Perbandingan akurasi terhadap sudut dan jarak percobaan citra cropping
dengan 5 fitur terpilih
11 Perbandingan hasil praproses durian simas dan sukun
12 Boxplot fitur entropy
3
4
4
4
5
9
10
11
12
12
13
14
DAFTAR LAMPIRAN
1 Akurasi percobaan berdasarkan nilai K menggunakan citra utuh dengan
13 fitur tekstur
2 Proses pemilihan fitur jarak 2 piksel dan sudut 450
3 Akurasi setiap percobaan berdasarkan nilai K
4 Boxplot fitur terpilih
17
18
20
21
PENDAHULUAN
Latar Belakang
Durio adalah nama genus durian dan memiliki beberapa spesies, di
antaranya Durio dulcis, Durio kutejensis, Durio oxeleyanus, dan Durio zibethinus
Murray. Durio zibethinus Murray merupakan salah satu spesies yang paling
banyak dibudidayakan orang (Wiryanta 2008). Spesies Durio zibethinus Murray
inilah yang lebih dikenal dengan nama durian. Dari segi agribisnis, durian menjadi
komoditas yang menjanjikan karena harga jual yang tergolong tinggi tetapi
banyak diminati (DBTB 2010).
Direktorat Jendral Hortikultura menyatakan bahwa hingga tahun 2009
terdapat 71 varietas durian unggul nasional yang tersebar di seluruh Indonesia, di
antaranya di Sumatera 14 varietas, di Jawa 21 varietas, di Kalimantan 21 varietas,
di Bali 1 varietas, di Sulawesi 5 varietas, di NTB 6 varietas, dan di Maluku 3
varietas. Jumlah ini sangat banyak dibandingkan dengan Thailand yang hanya
memiliki 4 varietas durian dan Malaysia hanya memiliki 1 varietas durian (Sobir
dan Napitupulu 2010). Beberapa varietas ada yang memiliki kemiripan fisik buah,
seperti durian si tokong dari Betawi yang memiliki kulit buah yang mirip dengan
durian petruk dari Jepara. Keanekaragaman varietas dan adanya kemiripan ini
membuat identifikasi durian cukup sulit dilakukan.
Identifikasi durian dapat digunakan untuk membantu pengelolaan dan
pengembangan durian di Indonesia. Di samping itu, identifikasi durian juga dapat
membantu petani pemula dalam memilih bibit tanaman durian yang tepat.
Kesalahan dalam memilih bibit dapat membuat durian kehilangan sifat unggulnya
karena setiap varietas memiliki karakteristik tumbuh yang berbeda. Sebagai
contoh, durian petruk bisa kurang memuaskan hasilnya jika ditanam di daerah
Bogor karena iklim dan tanah di Bogor berbeda dengan di Jepara (Prastowo et al.
2006).
Tanaman durian dapat diidentifikasi dari struktur organ tanaman seperti
daun, bunga, dan buahnya. Syahruddin (2012) menggunakan daun sebagai objek
penelitian untuk menganalisis keragaman durian berdasarkan penanda morfologi.
Daun dipilih karena pengamatan melalui bunga dan buah sering terkendala oleh
musim dan lingkungan. Selain itu, daun merupakan objek penelitian yang mudah
didapat.
Selain berdasarkan penanda morfologi, identifikasi durian dapat pula
dilakukan berdasarkan tekstur dan warna daunnya. Tekstur dipilih karena daun
durian pada beberapa varietas memiliki bentuk dan warna yang mirip sehingga
dapat mengakibatkan kesulitan dalam identifikasi. Penelitian berdasarkan tekstur
untuk mendapatkan ciri atau fitur daun pernah dilakukan oleh Gusadha (2011) dan
Sonari (2013). Gusadha (2011) menggunakan Local Binary Pattern Variance
(LBPV) dan co-occurrence matrix untuk mendapatkan fitur tekstur daun tanaman
Aglaonema, sedangkan Sonari (2013) menggunakan discrete wavelet transform
untuk mendapatkan fitur tekstur citra Mangrove.
Sharma et al. (2001) melakukan penelitian untuk membandingkan lima
metode analisis tekstur, yaitu auto-correlation, edge frequency, primitive-length,
Law’s method, dan co-occurrence matrix dengan menggunakan citra Meastex dan
2
Vistex. Penelitian Sharma menghasilkan akurasi tertinggi sebesar 86.8%
menggunakan co-occurrence matrix dengan classifier K-Nearest Neighbor (KNN).
Penelitian ini menggunakan co-occurrence matrix untuk mengekstraksi 13
fitur tekstur daun durian seperti disarankan oleh Haralick et al. (1973). Metode
klasifikasi yang digunakan adalah K-NN. Penelitian ini akan melakukan
pemilihan fitur dari 13 fitur tekstur yang diekstraksi. Pemilihan fitur diharapkan
dapat meningkatkan performansi identifikasi. Penelitian ini juga akan melihat
sudut dan jarak terbaik pada co-occurrence matrix yang dapat digunakan dalam
identifikasi durian.
Tujuan Penelitian
Tujuan dari penelitian ini adalah:
1 Menerapkan metode K-NN dalam mengidentifikasi tanaman durian dan
mengetahui nilai K terbaik hasil klasifikasi tersebut.
2 Melakukan pemilihan fitur untuk mengetahui fitur-fitur tekstur yang baik
digunakan dalam identifikasi tanaman durian.
3 Membandingkan hasil akurasi dengan parameter sudut dan jarak yang berbeda
pada metode co-occurrence matrix dalam mengidentifikasi durian.
Manfaat Penelitian
Manfaat penelitian ini adalah mempermudah klasifikasi varietas durian
berdasarkan tekstur daunnya, sehingga dapat membantu dalam identifikasi
tanaman durian.
Ruang Lingkup Penelitian
Ruang lingkup penelitian ini adalah:
1 Data diperoleh dari hasil scanning citra daun durian bagian atas dengan format
JPG yang terdiri atas 9 varietas durian.
2 Metode ekstraksi ciri yang digunakan adalah co-occurrence matrix dengan
parameter sudut 00, 450, 900, dan 1350, serta jarak 1, 2, dan 3 piksel.
3 Metode klasifikasi yang digunakan adalah K-NN dengan nilai K = 1, 2, 3, 4, 5,
6, 7, 8, 9, dan 10.
METODE PENELITIAN
Penelitian ini dilakukan dengan melalui beberapa tahapan proses untuk
mengetahui hasil klasifikasi dengan K-NN. Tahapan-tahapan yang dilakukan
dapat dilihat pada Gambar 1.
3
Gambar 1 Tahapan penelitian
Pengumpulan Data
Data yang digunakan pada penelitian ini adalah citra daun durian berformat
JPG hasil scanning. Data yang digunakan memiliki ukuran citra daun terkecil
adalah 1057 x 332 piksel dan terbesar adalah 2121 x 744 piksel. Data diperoleh
dari Warso Farm Bogor dan terdiri atas 9 varietas durian, yaitu bakul, cane, hepe,
kendil, malaysia d24, matahari, petruk, simas, dan sukun. Satu varietas diwakili
oleh 10 citra, sehingga total data yang dikumpulkan adalah sebanyak 90 citra.
Praproses
Pada tahap praproses, citra daun yang telah dikumpulkan dipotong menjadi
berukuran 251 x 251 piksel dengan mengambil bagian tengah citra. Pemotongan
citra dilakukan untuk memfokuskan objek penelitian dan menyeragamkan ukuran
citra. Citra dipotong pada bagian tengah karena lebih mudah dilakukan dan
diharapkan dapat menjadi penciri yang baik dalam identifikasi karena adanya
kemiripan tulang daun dari data citra pada varietas yang sama.
Pada penelitian yang dilakukan oleh Wahyumianto (2011) dijelaskan bahwa
struktur tulang daun (pola venasi) merupakan fitur unik lain yang dapat
membedakan jenis tumbuhan dalam proses identifikasi. Contoh data citra sebelum
dilakukan pemotongan seperti pada Gambar 2.
4
Gambar 2 Sampel data citra
Gambar 3 Ilustrasi proses pemotongan citra
Gambar 3 menunjukkan mekanisme pemotongan citra dengan X dan Y
adalah ukuran citra yang akan dipotong, x dan y adalah koordinat titik awal
pemotongan, sedangkan a dan b adalah besar ukuran piksel citra yang dipotong.
Untuk mendapatkan koordinat titik awal citra yang akan dipotong dapat
dilakukan dengan persamaan sebagai berikut:
∆x = 0.5 × X – 125
(1)
∆y = 0.5 × Y – 125
(2)
Pengurangan dengan nilai 125 untuk mendapatkan posisi citra di bagian
tengah. Nilai 125 didapat dengan cara membagi dua dari ukuran target
pemotongan citra. Pada penelitian ini, target pemotongan citra adalah 250 x 250
piksel.
Setelah mendapatkan koordinat titik awal pemotongan, citra dipotong
menjadi ukuran 250 x 250 piksel. Akan tetapi, hasil pemotongan citra adalah 251
x 251 piksel bukan 250 x 250 piksel karena titik awal pemotongan termasuk
dalam area pemotongan. Hasil pemotongan citra dapat dilihat pada Gambar 4.
Gambar 4 Hasil pemotongan citra pada bagian tengah
Selanjutnya, citra dikonversi dari mode RGB menjadi grayscale. Konversi
ini dilakukan untuk menyederhanakan model citra yang awalnya tiga layer
matriks menjadi satu layer saja.
Ekstraksi Ciri dengan Co-occurrence Matrix
Berdasarkan Haralick et al. (1973), co-occurrence matrix adalah suatu
matriks yang menggambarkan jumlah dari kemunculan dua nilai piksel
5
bertetangga dengan level intensitas tertentu dalam jarak dan sudut tertentu.
Ilustrasi sudut dan jarak diperlihatkan pada Gambar 5.
Gambar 5 Sudut dan jarak pada co-occurrence matrix
Sebelum menghitung jumlah piksel tetangga, dilakukan proses kuantisasi
citra yang awalnya 256 level derajat keabuan menjadi 8 level. Level derajat
keabuan ini menentukan ukuran co-occurrence matrix. Pembagian level dilakukan
sesuai dengan fungsi graycomatrix yang terdapat pada Matlab. Pembagian level
dari 256 level menjadi 8 level dapat dilihat pada Tabel 1.
Tabel 1 Pembagian level derajat keabuan
Range derajat keabuan 256 level
0 – 18
19 – 54
55 – 99
100 – 127
128 – 163
164 – 200
201 – 236
237 - 255
Derajat keabuan 8 level
1
2
3
4
5
6
7
8
Setelah co-occurrence matrix terbentuk, nilainya digunakan untuk
menghitung ciri citra. Sebelum menghitung ciri, dilakukan normalisasi terhadap
nilai-nilai matriks tersebut. Perhitungan normalisasi didefinisikan sebagai berikut:
T(i,j)
p i,j = N - 1
(3)
∑i,j = 0 T(i,j)
dengan T(i,j) adalah jumlah kejadian bersama pada i (baris) dan j (kolom) dari cooccurrence matrix, dan N adalah ukuran co-occurrence matrix.
Haralick et al. (1973) menjelaskan ada 13 fitur yang dapat diekstraksi dari
co-occurrence matrix. Fitur-fitur tersebut dapat dihitung dengan persamaanpersamaan sebagai berikut:
1
Angular Second Moment (ASM)
(4)
f1 = ∑i ∑j p(i,j) 2
dengan p(i,j) menyatakan hasil normalisasi dari co-occurrence matrix pada
baris ke-i dan kolom ke-j.
2
Contrast
N - 1
g
g
f2 = ∑n = 0
n2 ∑i = 1
N
g
∑j = 1
p i,j
N
i - j = n
(5)
dengan Ng adalah jumlah ukuran co-occurrence matrix yang terbentuk.
6
3
Correlation
f3 =
∑i ∑j i x j p i,j - x y
σx σy
(6)
dengan, µ x, µ y, σx, dan σy adalah rata-rata dan standar deviasi dari px dan py .
px adalah nilai penjumlahan baris dari hasil normalisasi dan dihitung dengan
persamaan:
∑Ng
i = 1 p(i,j)
p adalah nilai penjumlahan kolom dari hasil normalisasi dan dihitung
dengan persamaan:
4
∑Ng
j = 1 p(i,j)
Difference Entropy (DE)
N - 1
g
f4 = - ∑i = 0 p x - y i log px - y i
(7)
px - y dapat dihitung dengan persamaan berikut:
px - y k =
5
6
7
Ng
∑Ng
i = 1 ∑j = 1 p i,j
; dengan k = 0, 1, …, Ng - 1
|i - j| = k
Difference Variance (DV)
f5 adalah varians dari px - y
f6 = - ∑i ∑j p i,j log p i,j
Inverse Difference Moment (IDM)
1
f7 = ∑i ∑j
2 p i,j
(10)
(11)
Information Measures of Correlation 1 (IMC1)
f8 =
HXY - HXY1
(12)
max HX,HY
dengan:
HX adalah entropy dari px dan XY adalah entropy dari py.
HXY = - ∑i ∑j p i,j log p i,j
HXY1 = - ∑i ∑j p i,j log px i py j
9
(13)
(14)
Information Measures of Correlation 2 (IMC2)
f9 = 1 - exp -2.0 HXY2 - HXY
10
(9)
Entropy
1 + i - j
8
(8)
1
2
(15)
HXY2 = - ∑i ∑j px i py j log px i py j
(16)
Sum Average (SA)
2Ng
f10 = ∑i = 2 i px + y i
(17)
px + y dapat dihitung dengan persamaan berikut:
px + y
∑Ng
∑Ng
i = 1
j = 1 p i,j
k =
i + j = k
; dengan k = 2, 3, …, 2Ng
(18)
7
11
12
Sum Entropy (SE)
2Ng
f11 = - ∑i = 2 px + y i log px + y i
(19)
Sum Variance (SV)
f12 = ∑i = 2g i - f11 px + y i
2
2N
(20)
13 Sum of Squares (SS): Variance.
f13 = ∑i ∑j i - p i,j
dengan µ adalah rata-rata dari matriks hasil normalisasi.
2
(21)
Pembagian Data dengan k-Fold Cross Validation
Sebelum dilakukan klasifikasi, data dibagi menjadi dua yaitu data latih dan
data uji dengan metode k-fold cross validation. Metode ini membagi data menjadi
k subset dan diulang sebanyak k kali. Setiap satu ulangan, salah satu subset k
digunakan sebagai data uji dan k - 1 subset lain disatukan menjadi data latih
(Schneider 1997).
Pada penelitian ini digunakan 5-fold cross validation, sehingga terdapat 5
subset yang akan diulang sebanyak 5 kali untuk setiap percobaan. Setiap subset
terdiri atas 18 data penelitian. Jadi, untuk setiap ulangan percobaan yang
dilakukan terdapat 18 data uji dan 72 data latih. Tabel 2 menunjukkan pembagian
data ke dalam subset-subset tersebut.
Tabel 2 Pembagian data setiap subset
Kelas
Subset Bakul Cane Hepe Kendil Malaysia Matahari Petruk Simas Sukun
D24
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3
2
2
2
2
2
2
2
2
2
4
2
2
2
2
2
2
2
2
2
5
2
2
2
2
2
2
2
2
2
Total
10
10
10
10
10
10
10
10
10
Klasifikasi dengan K-NN
Klasifikasi berguna untuk menentukan kelas dari data uji berdasarkan data
latih. Metode klasifikasi pada penelitian ini adalah K–NN, dengan nilai K = 1, 2,
3, 4, 5, 6, 7, 8, 9, dan 10. Langkah-langkah klasifikasi K–NN (Saharkiz 2009):
1 Pilih parameter K tetangga terdekat.
2 Hitung jarak data uji dengan semua data latih. Rumus jarak yang biasa
digunakan adalah jarak Euclidean.
d x,y = ∑ni = 1 (xi -yi )
2
dengan:
d : jarak data uji dan data latih
8
xi : fitur ke-i dari data uji, dengan i = 1, 2, …, n
yi : fitur ke-i dari data latih, dengan i = 1,2, …, n
n : banyaknya fitur data uji dan data latih yang digunakan
3 Urutkan jarak tersebut dan tetapkan tetangga terdekat berdasarkan jarak
minimum ke-K.
4 Periksa kelas dari tetangga terdekat.
5 Pilih hasil klasifikasi dari mayoritas kelas tetangga terdekat.
Salah satu klasifikasi yang dilakukan yaitu dengan menggunakan data hasil
pemilihan fitur. Pemilihan fitur merupakan proses memilih fitur-fitur tekstur yang
dianggap baik dalam identifikasi durian yang diharapkan dapat meningkatkan
performa identifikasi. Ilustrasi proses pemilihan fitur dapat dilihat pada Tabel 3.
Tabel 3 Ilustrasi proses pemilihan fitur tekstur
Pemilihan 1
Akurasi
Fitur
(%)
Pemilihan 2
Akurasi
Fitur
(%)
F1
15.6
F3, F1
41.1
F2
17.8
F3, F2
36.7
F3
43.3
F3, F4
50
F4
F5
23.3
33.3
F3, F5
33.3
Pemilihan 3
Akurasi
Fitur
(%)
F3, F4,
55.6
F1
F3, F4,
54.4
F2
F3, F4,
34.4
F5
Pemilihan 4
Akurasi
Fitur
(%)
F3,F4,
53,3
F1, F2
F3, F4,
42.2
F1, F5
Misalkan terdapat 5 fitur yang digunakan yaitu F1, F2, F3, F4, dan F5.
Langkah pertama adalah mencari akurasi setiap fitur. Fitur yang paling tinggi
akurasinya diambil. Pada pemilihan 1, F3 merupakan fitur yang paling tinggi
akurasinya. Berikutnya, F3 digabungkan dengan fitur yang belum terpilih yaitu
F1, F2, F4, dan F5. Kemudian, dihitung kembali akurasinya dan diambil fitur
gabungan yang menghasilkan peningkatan akurasi dari akurasi sebelumnya. Jika
pemilihan fitur menghasilkan akurasi yang lebih kecil atau sama dengan akurasi
sebelumnya, pemilihan fitur dihentikan seperti pada pemilihan 4. Pemilihan fitur
tidak dilanjutkan karena akurasi lebih kecil dari sebelumnya. Jadi, fitur yang dapat
digunakan adalah F3, F4, dan F1.
Evaluasi
Evaluasi digunakan untuk menghitung akurasi klasifikasi yang telah
dilakukan. Perhitungan akurasi dapat dilakukan dengan rumus berikut:
∑ data yang tepat diklasifikasi
akurasi=
×100%
∑ data yang digunakan
9
Lingkungan Pengembangan
Perangkat keras dan perangkat lunak yang digunakan pada penelitian ini
memiliki spesifikasi sebagai berikut:
Perangkat keras:
• Processor Intel® CoreTM 2 Duo.
• Memori 3 GB.
• Hard disk 250 GB.
Perangkat lunak:
• Sistem operasi Microsoft Windows 7 Ultimate 32 bit.
• Matlab 7.7.0 (R2008).
Rancangan Percobaan
Penelitian ini menggunakan 13 fitur tekstur seperti yang disarankan oleh
Haralick et al. (1973). Setelah itu, dilakukan percobaan pemilihan fitur dari 13
fitur tekstur tersebut. Setiap percobaan menggunakan 90 data penelitian dan
melakukan pengubahan parameter sudut dan jarak pada co-occurrence matrix.
Ada 12 kombinasi yang didapatkan dengan mengubah parameter sudut dan jarak.
Penelitian ini menggunakan 5-fold cross validation untuk membagi data latih dan
data uji. Klasifikasi dengan K-NN dilakukan menggunakan parameter K = 1, 2, 3,
4, 5, 6, 7, 8, 9, dan 10. Adapun rancangan percobaan yang dilakukan dapat dilihat
pada Gambar 6.
Gambar 6 Rancangan percobaan
10
HASIL DAN PEMBAHASAN
Akurasi (%)
Pada awal penelitian, dilakukan klasifikasi dengan menggunakan citra utuh
(tanpa pemotongan citra) untuk melihat hasil identifikasi pada citra utuh. Karena
tidak dilakukan cropping (pemotongan), selanjutnya citra langsung dikonversi ke
grayscale dan diekstraksi menjadi 13 fitur tekstur. Hasil rata-rata akurasi yang
diperoleh dapat dilihat pada Lampiran 1.
Rata-rata akurasi tertinggi yang diperoleh pada citra utuh sebesar 28.89%
pada sudut 00 dan jarak 1 piksel dengan K = 1 dan 2 seperti terlihat pada Gambar
7.
100
90
80
70
60
50
40
30
20
10
0
0
jarak 1 piksel
45
90
Sudut (derajat)
jarak 2 piksel
135
jarak 3 piksel
Gambar 7 Hasil akurasi percobaan citra utuh dengan K = 1 dan K = 2
Rendahnya akurasi yang diperoleh bisa disebabkan oleh adanya background
putih pada citra penelitian dan nilai setiap fitur pada citra utuh tidak dapat
dijadikan penciri karena memiliki kemiripan antara varietas satu dengan lainnya.
Oleh karena itu, dilakukan percobaan cropping data citra penelitian.
Citra penelitian dipotong menjadi berukuran 251 x 251 piksel. Tahap
berikutnya yaitu mengubah citra RGB menjadi grayscale, mengekstraksi 13 fitur
tekstur, melakukan klasifikasi dengan K-NN, dan menghitung akurasinya.
Selanjutnya, dilakukan pula pemilihan fitur terhadap fitur-fitur tekstur pada
citra cropping. Fitur-fitur tersebut dipilih berdasarkan pada jarak terbaik
percobaan citra cropping dengan 13 fitur. Setiap jarak dikombinasikan dengan 4
sudut yaitu 00, 450, 900, dan 1350 dan dicari akurasi maksimal.
Pemilihan fitur yang dilakukan berhenti pada saat pemilihan ke-6 karena
akurasi yang diperoleh sama dengan akurasi sebelumnya. Jika pemilihan fitur
terus dilakukan hanya akan menambah waktu komputasi. Proses pemilihan fitur
dapat dilihat pada Lampiran 2.
Pemilihan fitur menghasilkan akurasi tertinggi sebesar 74.44% pada sudut
0
45 dan jarak 2 piksel. Fitur terpilih yang dihasilkan ada 5 fitur tekstur yaitu
11
contrast, entropy, information measures of correlation 1, sum average, dan sum
entropy.
Akurasi (%)
Pada percobaan citra cropping dengan 13 fitur dan citra cropping dengan
fitur terpilih, dilakukan pengubahan parameter sudut dan jarak dalam membentuk
co-occurrence matrix dan nilai K pada K-NN. Gambar 8 menampilkan pengaruh
nilai K terhadap hasil akurasi identifikasi durian. Hasil ini diperoleh dengan cara
merata-ratakan 12 kombinasi sudut dan jarak berdasarkan nilai K. Rata-rata
akurasi setiap percobaan berdasarkan nilai K tersebut dapat dilihat pada Lampiran
3.
80
75
70
65
60
55
50
45
40
35
30
1
2
3
4
5
6
7
K tetangga terdekat
Citra cropping dengan 13 fitur
8
9
10
Citra cropping fitur terpilih
Gambar 8 Rata-rata akurasi berdasarkan nilai K
Pada citra cropping dengan 13 fitur tekstur terjadi peningkatan rata-rata
akurasi saat nilai K = 1 sampai dengan 6, tetapi saat nilai K > 6 rata-rata akurasi
menurun. Akurasi tertinggi yang diperoleh sebesar 47.78% di K = 6 saat sudut 900
dan jarak 3 piksel serta pada sudut 1350 dan jarak 2 piksel.
Pada percobaan citra cropping dengan 5 fitur tekstur terpilih, terjadi
peningkatan rata-rata akurasi saat nilai K = 1 sampai dengan 5, tetapi saat nilai K
> 5 akurasi menurun. Akurasi tertinggi yang diperoleh mengalami peningkatan
dari 47.78% menjadi 74.44% pada sudut 450 dan jarak 2 piksel di K = 5.
Perbedaan hasil akurasi antara citra cropping dengan 13 fitur dan citra
cropping dengan 5 fitur terpilih bisa disebabkan oleh perbedaan jumlah input atau
fitur yang digunakan saat pengklasifikasian dengan K-NN. Hasil akurasi ini juga
dipengaruhi oleh parameter K tetangga terdekat yang diberikan. Saharkiz (2009)
menjelaskan bahwa pemilihan atribut atau input pada klasifikasi K-NN penting
dilakukan untuk memperoleh akurasi yang terbaik.
Kombinasi dari sudut dan jarak yang digunakan dalam membentuk cooccurrence matrix dapat pula memberikan perubahan hasil akurasi. Perbandingan
akurasi tertinggi setiap percobaan dengan sudut dan jarak yang digunakan dalam
penelitian ini dapat dilihat pada Gambar 9 dan Gambar 10. Perbandingan akurasi
dilihat pada rentang nilai K dari 1 sampai dengan 10 dan diambil akurasi
maksimal pada rentang nilai K tersebut.
Akurasi (%)
12
80
75
70
65
60
55
50
45
40
35
30
0
Jarak 1 piksel
45
90
Sudut (derajat)
Jarak 2 piksel
135
Jarak 3 piksel
Akurasi (%)
Gambar 9 Perbandingan akurasi terhadap sudut dan jarak percobaan citra
cropping dengan 13 fitur
80
75
70
65
60
55
50
45
40
35
30
0
Jarak 1 piksel
45
90
Sudut (derajat)
Jarak 2 piksel
135
Jarak 3 piksel
Gambar 10 Perbandingan akurasi terhadap sudut dan jarak percobaan citra
cropping dengan 5 fitur terpilih
Gambar 9 dan Gambar 10 memberikan gambaran bahwa sudut dan jarak
yang digunakan pada co-occurrence matrix berpengaruh terhadap peningkatan
dan penurunan hasil akurasi. Selain itu, saat jarak 1 piksel baik pada citra
cropping dengan 13 fitur maupun pada citra cropping dengan 5 fitur terpilih
memberikan hasil akurasi yang lebih rendah dibandingkan dengan jarak 2 dan 3
piksel.
Confusion matrix dari hasil akurasi tertinggi sebesar 74.44% di K = 5 dapat
dilihat pada Tabel 4.
13
Tabel 4 Confusion matrix identifikasi tertinggi (sudut 450 dan jarak 2 piksel)
Kelas
aktual
Bakul Cane Hepe
Bakul
Cane
Hepe
Kendil
Malaysia
D24
Matahari
Petruk
Simas
Sukun
Kendil
Kelas prediksi
Malaysia Matahari Petruk
D24
0
0
0
0
0
0
0
0
0
0
0
0
9
1
2
1
0
8
0
0
0
1
8
1
1
0
0
7
0
0
0
0
9
1
0
1
0
0
0
0
1
0
0
1
0
0
0
1
1
0
1
0
1
0
9
1
0
0
Simas Sukun
0
0
0
1
0
0
0
0
0
0
0
0
4
0
0
0
2
3
0
0
0
4
10
Berdasarkan Tabel 4 dapat dilihat varietas durian sukun berhasil tepat
diidentifikasi sesuai kelasnya sebesar 100%, sedangkan durian simas memiliki
identifikasi terendah sebesar 30%. Kesalahan identifikasi yang terjadi pada durian
simas disebabkan oleh adanya citra yang teridentifikasi ke dalam durian cane,
kendil, malaysia d24, dan sukun. Kesalahan identifikasi terbesar pada durian
simas adalah salah teridentifikasi ke durian sukun. Hal ini bisa disebabkan oleh
adanya kemiripan citra daun bagian tengah antara durian simas dan durian sukun
seperti terlihat pada Gambar 11.
Hasil praproses durian simas
Hasil praproses durian sukun
Gambar 11 Perbandingan hasil praproses durian simas dan sukun
Pada Gambar 11 dapat dilihat adanya kemiripan hasil praproses antara salah
satu sample citra durian simas dan durian sukun. Kemiripan ini bisa menghasilkan
nilai-nilai fitur tekstur yang sama dari keduanya, sehingga mengakibatkan
kesalahan dalam identifikasi.
Kesalahan identifikasi juga dapat dibuktikan dengan melihat nilai-nilai fitur
tekstur jika digambarkan dengan boxplot. Boxplot dibentuk berdasarkan data citra
daun dari setiap varietas durian seperti terlihat pada Gambar 12.
14
Gambar 12 Boxplot fitur entropy
Gambar 12 adalah boxplot untuk fitur entropy saat sudut 450 dan jarak 2
piksel, terlihat bahwa nilai fitur pada data durian simas memiliki sebaran data
yang mirip dengan data durian kendil, malaysia d24, matahari, petruk, dan sukun.
Hal ini yang menyebabkan terjadinya kesalahan identifikasi durian simas ke
varietas-varietas tersebut. Selain itu, data pencilan (ditandai dengan *) juga dapat
mengakibatkan terjadinya kesalahan identifikasi. Hasil boxplot untuk fitur terpilih
yang lain dapat dilihat pada Lampiran 4.
Perbandingan dengan Penelitian Terkait
Penelitian terkait menggunakan daun untuk identifikasi tanaman pernah
dilakukan oleh Sonari (2013) dan Gusadha (2011). Sonari (2013) melakukan
penelitian untuk identifikasi citra Mangrove menggunakan metode klasifikasi
yang sama dengan penelitian identifikasi durian, yaitu K-NN. Akan tetapi,
ekstraksi tekstur yang digunakan untuk mendapatkan ciri atau fitur daun
Mangrove adalah discrete wavelet transform. Metode discrete wavelet transform
ini bertujuan mereduksi ukuran citra menjadi lebih kecil. Citra Mangrove yang
digunakan adalah citra daun utuh (citra tanpa cropping). Penelitian ini
menghasilkan akurasi tertinggi sebesar 88.75% dengan K = 1.
Penelitian Gusadha (2011) menerapkan Local Binary Pattern (LBP)
descriptor, co-occurrence matrix, HSV-162 serta Probabilistic Neural Network
(PNN) sebagai pengklasifikasinya untuk mengidentifikasi tanaman Aglaonema.
Citra tanaman Aglaonema yang digunakan diperkecil ukuran citranya dan
dilakukan proses cropping secara manual dengan mengambil objek daun dalam
bentuk frame persegi.
Penelitian Gusadha menghasilkan akurasi tertinggi sebesar 54.44% dengan
kombinasi metode antara co-occurrence matrix dan HSV-162. Fitur tekstur yang
diekstrak dari co-occurrence matrix adalah energy, moment, entropy, maximum
probability, contrast, correlation, dan homogeneity. Jika dilihat pada fitur tekstur
yang digunakan pada penelitian identifikasi durian dan identifikasi tanaman
Aglaonema, ada dua fitur tekstur yang sama yaitu entropy dan contrast.
15
SIMPULAN DAN SARAN
Simpulan
1
2
3
4
Berdasarkan penelitian yang telah dilakukan dapat disimpulkan bahwa:
Metode co-occurrence matrix sebagai ekstraksi ciri dan K–NN sebagai
classifier dapat digunakan dalam identifikasi varietas durian. Pada penelitian
ini, nilai K terbaik di K = 1 dan 2 pada citra utuh dengan 13 fitur, K = 6 pada
citra cropping dengan 13 fitur, dan K = 5 pada citra cropping dengan fitur
terpilih.
Proses cropping citra dapat meningkatkan hasil identifikasi durian. Dengan
menggunakan 13 fitur, sebelum dilakukan cropping akurasi tertinggi sebesar
28.89% dan setelah cropping meningkat menjadi 47.78%. Hal ini disebabkan
oleh adanya pengaruh background putih pada citra penelitian.
Pemilihan fitur yang tepat mampu meningkatkan performansi identifikasi. Dari
pemilihan yang dilakukan terpilih 5 fitur tekstur, yaitu contrast, entropy,
information measures of correlation 1, sum average, dan sum entropy. Hal ini
terlihat dengan meningkatnya akurasi dari 47.78% menjadi 74.44%
menggunakan citra cropping.
Parameter sudut dan jarak yang digunakan dalam membentuk co-occurrence
matrix dapat memberikan perubahan hasil akurasi untuk identifikasi durian.
Sudut dan jarak yang terbaik adalah 450 dan 2 piksel dengan akurasi tertinggi
sebesar 74.44% di K = 5 saat digunakan citra cropping dengan fitur terpilih.
Saran
Untuk pengembangan dari penelitian ini disarankan melakukan beberapa hal
berikut:
1 Melakukan cropping dengan ukuran dan posisi potong yang berbeda selain
mengambil bagian tengah citra daun.
2 Melakukan image enhancement sehingga pola citra lebih terlihat.
3 Menggunakan teknik pemilihan fitur yang lain seperti Genetic Algorithm (GA)
dan Particle Swarm Optimization (PSO).
DAFTAR PUSTAKA
[DBTB] Direktorat Budidaya Tanaman Buah. 2010. Pedoman Standar Penilaian
Durian. Jakarta (ID): Direktorat Jenderal Hortikultura Kementerian Pertanian.
Haralick RM, Shanmugam K, Dinstein I. 1973. Textural features for image
classification. IEEE Transactions on Systems, Man, and Cybernetics. 3(6):
610-621.
Gusadha AD. 2011. Identifikasi jenis aglaonema menggunakan probabilistic
neural network [skripsi]. Bogor (ID): Institut Pertanian Bogor.
16
Prastowo NH, Roshetko JM, Maurung GES, Nugraha E, Tukan JM, Harum F.
2006. Teknik Pembibitan dan Perbanyakan Vegetatif Tanaman Buah. Bogor
(ID): World Agroforestry Center (ICRAF) dan Wimrock International.
Saharkiz A. 2009. K-nearest neighbor algorithm implementation and overview
[internet].
[diunduh
2014
Januari
10].
Tersedia:
http://www.codeproject.com/Articles/32970/K-Nearest-Neighbor-AlgorithmImplementation-and-Overview.
Schneider J. 1997. Cross validation [internet]. [diunduh 2013 Sept 25]. Tersedia
pada: http://www.cs.cmu.edu/~schneide/tut5/node42.html
Sharma M, Markow M, Singh S. Evaluation of texture methods for image
analysis. Di dalam: Intelligent Information Systems Conference, The Seventh
Australian and New Zealand; 2001 Nov 18-21; Perth, Western Australia. Perth
(AU): ARCME. hlm 117-121.
Sobir, Napitupulu RM. 2010. Bertanam Durian Unggul. Jakarta (ID): Penebar
Swadaya.
Sonari SS. 2013. Identifikasi mangrove berbasis citra daun menggunakan KNN
dengan ekstraksi tekstur wavelet [skripsi]. Bogor (ID): Institut Pertanian
Bogor.
Syahruddin K. 2012. Analisis keragaman beberapa genotipe durian (Durio
zibethinus murr.) menggunakan penanda morfologi dan molekuler (ISSR)
[tesis]. Bogor (ID): Institut Pertanian Bogor.
Wahyumianto A. 2011. Identifikasi tumbuhan berdasarkan minutiae tulang daun
menggunakan SOM Kohonen [skripsi]. Surabaya (ID): Institut Teknologi
Sepuluh November.
Wiryanta BTW. 2008. Sukses Bertanam Durian. Jakarta (ID): PT Agromedia
Pustaka.
17
Lampiran 1 Akurasi percobaan berdasarkan nilai K menggunakan citra utuh
dengan 13 fitur tekstur
Sudut
(derajat)
Jarak
(piksel)
0
45
90
135
K tetangga terdekat
1
2
3
1
28.89
25.56
27.78
2
28.89
25.56
27.78
3
26.67
22.22
22.22
4
22.22
20
17.78
5
23.33
20
21.11
6
16.67
18.89
21.11
7
20
20
20
8
20
17.78
17.78
9
20
21.11
21.11
10
21.11
18.89
20
1
26.67
26.67
22.22
17.78
20
18.89
20
17.78
17.78
18.89
2
3
23.33
23.33
23.33
23.33
18.89
20
20
20
20
22.22
21.11
21.11
21.11
25.56
17.78
21.11
21.11
22.22
22.22
21.11
1
27.78
27.78
22.22
18.89
21.11
17.78
21.11
18.89
18.89
18.89
2
3
26.67
23.33
26.67
23.33
21.11
20
20
20
20
21.11
20
23.33
24.44
24.44
20
22.22
24.44
22.22
22.22
21.11
1
27.78
27.78
22.22
17.78
18.89
20
21.11
17.78
20
18.89
2
3
25.56
24.44
25.56
24.44
20
22.22
20
20
21.11
21.11
22.22
24.44
22.22
25.56
18.89
22.22
23.33
23.33
21.11
22.22
Rata-rata akurasi
25.93 25.93 21.67 19.54 20.83 20.46
22.13 19.35 21.30 20.56
18
Lampiran 2 Proses pemilihan fitur jarak 2 piksel dan sudut 450
Pemilihan 1
Fitur
F1
F2
F3
F4
F5
F6
F7
F8
F9
F10
F11
F12
F13
Akurasi
21.11
26.67
22.22
24.44
25.56
22.22
26.67
16.67
18.89
42.22
21.11
32.22
35.56
Pemilihan 2
Fitur
F10, F1
F10, F2
F10, F3
F10, F4
F10, F5
F10, F6
F10, F7
F10, F8
F10, F9
F10, F11
F10, F12
F10, F13
Akurasi
44.44
41.11
37.78
47.78
42.22
51.11
40
37.78
38.89
48.89
35.56
36.67
Pemilihan 3
Fitur
F10, F6, F1
F10, F6, F2
F10, F6, F3
F10, F6, F4
F10, F6, F5
F10, F6, F7
F10, F6, F8
F10, F6, F9
F10, F6, F11
F10, F6, F12
F10, F6, F13
Akurasi
53.33
56.67
55.56
53.33
51.11
51.11
68.89
55.56
53.33
34.44
47.78
Pemilihan 4
Fitur
F10, F6, F8, F1
F10, F6, F8, F2
F10, F6, F8, F3
F10, F6, F8, F4
F10, F6, F8, F5
F10, F6, F8, F7
F10, F6, F8, F9
F10, F6, F8, F11
F10, F6, F8, F12
F10, F6, F8, F13
Akurasi
67.78
67.78
64.44
66.67
68.89
70
68.89
73.33
44.44
54.44
19
Proses pemilihan fitur jarak 2 piksel dan sudut 450 (lanjutan)
Pemilihan 5
Fitur
F10, F6, F8, F11, F1
F10, F6, F8, F11, F2
F10, F6, F8, F11, F3
F10, F6, F8, F11, F4
F10, F6, F8, F11, F5
F10, F6, F8, F11, F7
F10, F6, F8, F11, F9
F10, F6, F8, F11, F12
F10, F6, F8, F11, F13
Pemilihan 6
Akurasi
73.33
74.44
70
72.22
73.33
73.33
72.22
43.33
60
Fitur
F10, F6, F8, F11, F2, F1
F10, F6, F8, F11, F2, F3
F10, F6, F8, F11, F2, F4
F10, F6, F8, F11, F2, F5
F10, F6, F8, F11, F2, F7
F10, F6, F8, F11, F2, F9
F10, F6, F8, F11, F2, F12
F10, F6, F8, F11, F2, F13
Akurasi
74.44
70
70
74.44
74.44
71.11
42.22
60
20
Lampiran 3 Akurasi setiap percobaan berdasarkan nilai K
a Percobaan menggunakan citra cropping dengan 13 fitur tekstur
Sudut
(derajat)
Jarak
(piksel)
0
1
2
3
K tetangga terdekat
1
34.44
36.67
2
34.44
36.67
3
33.33
40.00
4
38.89
37.78
5
36.67
43.33
6
37.78
42.22
7
37.78
42.22
8
40.00
40.00
9
37.78
38.89
10
38.89
40.00
38.89
38.89
40.00
36.67
43.33
44.44
43.33
42.22
40.00
37.78
1
2
3
38.89
37.78
38.89
37.78
38.89
34.44
38.89
41.11
42.22
41.11
42.22
44.44
42.22
40.00
40.00
41.11
38.89
41.11
40.00
41.11
37.78
37.78
35.56
40.00
42.22
44.44
41.11
38.89
44.44
40.00
90
1
2
3
36.67
40.00
38.89
36.67
40.00
38.89
36.67
37.78
34.44
37.78
41.11
37.78
38.89
43.33
44.44
40.00
45.56
47.78
42.22
42.22
41.11
40.00
38.89
42.22
41.11
42.22
43.33
40.00
40.00
44.44
135
1
2
3
36.67
40.00
36.67
40.00
40.00
36.67
36.67
37.78
40.00
44.44
41.11
47.78
43.33
43.33
41.11
40.00
41.11
44.44
40.00
45.56
40.00
38.06
40.00
38.06
34.44
36.85
41.11
38.80
42.22
41.85
45.56
43.61
42.22
41.76
43.33
40.65
44.44
41.48
41.11
40.74
45
Rata-rata akurasi
b Percobaan menggunakan citra cropping dengan 5 fitur tekstur terpilih
Sudut
(derajat)
Jarak
(piksel)
0
45
90
135
K tetangga terdekat
1
2
3
4
5
6
7
8
9
10
1
2
3
43.33
45.56
43.33
45.56
48.89
46.67
47.78
51.11
52.22
56.67
53.33
52.22
52.22
55.56
54.44
54.44
52.22
53.33
51.11
56.67
53.33
53.33
58.89
54.44
62.22
56.67
58.89
54.44
56.67
51.11
1
51.11
51.11
54.44
55.56
58.89
58.89
55.56
57.78
54.44
55.56
2
3
55.56
55.56
61.11
62.22
74.44
65.56
61.11
60.00
58.89
57.78
58.89
58.89
62.22
64.44
70.00
67.78
63.33
57.78
55.56
55.56
1
54.44
54.44
57.78
53.33
57.78
53.33
55.56
60.00
54.44
60.00
2
3
57.78
57.78
61.11
62.22
67.78
62.22
62.22
60.00
55.56
54.44
58.89
58.89
62.22
65.56
71.11
66.67
63.33
60.00
54.44
55.56
1
53.33
53.33
56.67
55.56
60.00
56.67
57.78
56.67
53.33
53.33
2
3
54.44
54.44
61.11
62.22
68.89
63.33
62.22
60.00
55.56
55.56
56.67
53.61
56.67
53.61
63.33
57.87
62.22
58.06
73.33
64.44
67.78
60.37
66.67
59.54
58.89
57.87
54.44
54.91
53.33
55.00
Rata-rata akurasi
21
Lampiran 4 Boxplot fitur terpilih
!
!
!
! "
!
!
!
!
22
#
"
23
RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 10 Maret 1989 di Bandar Lampung. Penulis
merupakan puteri pertama dari pasangan Bapak Syaiful Irsal dan Ibu Armaletti.
Pada tahun 2007, penulis menyelesaikan pendidikan menengah atas di SMA
Negeri 3 Bandar Lampung dan melanjutkan pendidikan D3 di Politeknik Negeri
Jakarta dengan Jurusan Teknik Elektronika Industri dan lulus tahun 2010. Pada
tahun 2011, penulis melanjutkan pendidikan Sarjana di Institut Pertanian Bogor
jurusan Ilmu Komputer program Alih Jenis.