Identifikasi Freycinetia Berbasis Citra Anatomi Epidermis Daun Menggunakan k- Nearest Neighbor

IDENTIFIKASI FREYCINETIA BERBASIS CITRA ANATOMI
EPIDERMIS DAUN MENGGUNAKAN K-NEAREST NEIGHBOR

PUTRI PREVIA YANTI

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012

IDENTIFIKASI FREYCINETIA BERBASIS CITRA ANATOMI
EPIDERMIS DAUN MENGGUNAKAN K-NEAREST NEIGHBOR

PUTRI PREVIA YANTI

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
2012

ABSTRACT
PUTRI PREVIA YANTI. Freycinetia Identification Based on Leaf Epidermis Anatomy Images Using
k-Nearest Neighbor. Supervised by AZIZ KUSTIYO.
Freycinetia identification was conducted to determine the potential values, benefits, and
distribution patterns as a biodiversity in Indonesia. The purpose of this research was to compare the
low frequency and high frequency in Freycinetia identification based on leaf epidermis anatomy
image by k-Nearest Neighbor (k-NN). Identification of Freycinetia can be described by using
morphology and anatomy characteristics. Leaf epidermis anatomy image was used in the
identification process to support the morphology characteristics, especially in speciment and sample
with incomplete morphology. This research analyzed ninety six data which contains four kinds of
Freycinetia, namely Freycinetia angustifolia, Freycinetia imbricata, Freycinetia javanica, and
Freycinetia Sumatrana. The data were transformed by Fourier transformation and filtered in
frequency domain to take the low frequency of image and the high frequency of image. It was found
that the accuracy of k-NN with low frequency was 90.625% and that of the high frequency was

81.25%. These accuracy values indicated that in the identification of Freycinetia based on leaf
epidermis anatomy image by k-Nearest Neighbor (k-NN), the use of low frequency is better than high
frequency.
Keyword: fourier transformation, frequency domain, Freycinetia, k-nearest neighbor, leaf epidermis.

Penguji :
1. Annisa, S.Kom, M.Kom
2. Dr. Yeni Herdiyeni, S.Si, M.Kom

Judul Skripsi : Identifikasi Freycinetia Berbasis Citra Anatomi Epidermis Daun Menggunakan kNearest Neighbor
Nama
: Putri Previa Yanti
NRP
: G64080018

Menyetujui:
Pembimbing

Aziz Kustiyo, S.Si, M.Kom
NIP.19700719 199802 1 001

Mengetahui:
Ketua Departemen Ilmu Komputer

Dr. Ir. Agus Buono, M.Si, M.Kom
NIP. 19660702 199302 1 001

Tanggal Lulus :

KATA PENGANTAR
Puji dan syukur penulis panjatkan ke hadirat Allah subhanahu wata’ala atas segala rahmat dan
karunia-Nya, sehingga penulis dapat menyelesaikan tugas akhir dengan baik. Shalawat dan salam
penulis sampaikan kepada Nabi Muhammad shallallahu ‘alaihi wasallam serta kepada keluarganya,
sahabatnya, serta para pengikutnya yang selalu berpegang kepada Al-Quran dan As-Sunnah. Penulis
juga menyampaikan terima kasih kepada seluruh pihak yang telah berperan dalam penelitian ini, yaitu:
1
Ayahanda Syofyan Nazar, Ibunda Miswati, Uni Fera Yanti, Uni Devy Wiri Yanti, dan Uni
Fevy Tri Yanti atas doa, kasih sayang, dukungan, serta motivasi kepada penulis untuk
penyelesaian penelitian ini.
2

Bapak Aziz Kustiyo, S.Si, M.Kom selaku dosen pembimbing yang telah memberi banyak ide,
saran, bantuan, serta dukungan sampai selesainya penelitian ini.

3

Ibu Annisa, S.Kom, M.Kom dan Ibu Dr. Yeni Herdiyeni, S.Si, M.Kom yang telah bersedia
menjadi penguji.

4

Sahabat-sahabat terbaik penulis, Muti Relegi, Dyah Sulistyorini, Riva Aktivia, Ariel Febrila
Niswar, Ella Rahmadani, Dewi Nurafifah, dan Annieke Stevani yang telah menemani hari-hari
penulis sejak menjadi mahasiswa, semoga sukses untuk kita bersama.

5

Rekan-rekan satu bimbingan, Hariman Hidayat Siregar, Brenda Kristi, Muhammad Hamdani,
dan Wangi Saraswati, terima kasih atas bantuan dan dukungannya.

6

Dunsanak Ikatan Kekeluargaan Mahasiswa Payakumbuh (IKMP-Bogor) yang telah menjadi
keluarga baru bagi penulis.

7

Rekan-rekan seperjuangan di Ilmu Komputer IPB angkatan 45 atas segala kebersamaan,
bantuan, dukungan, serta kenangan bagi penulis selama menjalani masa studi.

Penulis berharap penelitian ini dapat memberikan manfaat bagi semua pihak yang
membutuhkan.

Bogor, September 2012

Putri Previa Yanti

RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 31 Januari 1990 di Payakumbuh, Sumatera Barat. Penulis
merupakan anak keempat dari empat bersaudara dari pasangan Syofyan Nazar dan Miswati. Pada

tahun 2008, penulis lulus dari SMA Negeri 2 Payakumbuh. Pada tahun yang sama, penulis lulus
seleksi masuk IPB melalui jalur Undangan Seleksi Masuk IPB (USMI) dan diterima sebagai
mahasiswa pada Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam.
Selama aktif menjadi mahasiswa, penulis menjadi salah satu pengurus Himpunan Mahasiswa
Ilmu Komputer (Himalkom) pada tahun 2011. Penulis juga menjadi asisten praktikum pada Mata
Kuliah Data Mining (2012) dan Sistem Pakar (2012). Pada tahun 2011, penulis melaksanakan Praktik
Kerja Lapangan (PKL) di Bagian Biro Teknologi Informasi, Badan Pemeriksa Keuangan Republik
Indonesia (BPK RI).

DAFTAR ISI
Halaman
DAFTAR TABEL........................................................................................................................... vi
DAFTAR GAMBAR ...................................................................................................................... vi
DAFTAR LAMPIRAN ................................................................................................................... vi
PENDAHULUAN
Latar Belakang ............................................................................................................................ 1
Tujuan ......................................................................................................................................... 1
Ruang Lingkup ............................................................................................................................ 1
TINJAUAN PUSTAKA
Citra Digital................................................................................................................................. 2

Freycinetia .................................................................................................................................. 2
Epidermis Daun ........................................................................................................................... 2
Transformasi Wavelet .................................................................................................................. 3
Transformasi Fourier ................................................................................................................... 3
k-Nearest Neighbor (k-NN) .......................................................................................................... 4
METODE PENELITIAN
Data Penelitian ............................................................................................................................ 5
Praproses ..................................................................................................................................... 5
Transformasi Wavelet .................................................................................................................. 5
Transformasi Fourier ................................................................................................................... 5
Pembagian Data........................................................................................................................... 6
Klasifikasi Menggunakan k-Nearest Neighbor (k-NN) .................................................................. 6
Evaluasi Hasil Klasifikasi ............................................................................................................ 6
Lingkungan Pengembangan ......................................................................................................... 7
HASIL DAN PEMBAHASAN
Percobaan 1: Identifikasi Freycinetia menggunakan low frequency ............................................... 7
Analisis Kesalahan Prediksi Percobaan 1 ..................................................................................... 8
Percobaan 2: Identifikasi Freycinetia menggunakan high frequency.............................................. 8
Analisis Kesalahan Prediksi Percobaan 2 ..................................................................................... 9
Perbandingan Low Pass Filter dan High Pass Filter .................................................................... 10

KESIMPULAN DAN SARAN
Kesimpulan ............................................................................................................................... 11
Saran ......................................................................................................................................... 11
DAFTAR PUSTAKA .................................................................................................................... 11
LAMPIRAN .................................................................................................................................. 13

v

DAFTAR TABEL
Halaman
1
2
3
4
5
6
7
8
9
10

11
12
13

Level dekomposisi wavelet .......................................................................................................... 5
Hasil klasifikasi menerapkan low frequency ................................................................................. 7
Confusion matrix untuk low pass filter dengan radius 5 piksel ...................................................... 7
Confusion matrix untuk low pass filter dengan radius 10 piksel .................................................... 7
Confusion matrix untuk low pass filter dengan radius 15 piksel .................................................... 8
Confusion matrix untuk low pass filter dengan radius 20 piksel .................................................... 8
Confusion matrix untuk low pass filter dengan radius 25 piksel .................................................... 8
Hasil klasifikasi menerapkan high frequency ................................................................................ 9
Confusion matrix untuk low pass filter dengan radius 5 piksel ...................................................... 9
Confusion matrix untuk low pass filter dengan radius 10 piksel .................................................... 9
Confusion matrix untuk low pass filter dengan radius 15 piksel .................................................... 9
Confusion matrix untuk low pass filter dengan radius 20 piksel .................................................... 9
Confusion matrix untuk low pass filter dengan radius 25 piksel .................................................... 9

DAFTAR GAMBAR
Halaman

1
2
3
4
5
6
7
8
9
10

Fungsi koordinat sebagai representasi citra digital ........................................................................ 2
Citra anatomi stomata jenis Freycinetia angustifolia (Pasaribu 2010) ........................................... 3
Dekomposisi transformasi Wavelet Diskret 2 dimensi (McAndrew 2004) ..................................... 3
Metode penelitian ........................................................................................................................ 4
Citra RGB menjadi citra grayscale .............................................................................................. 5
Transformasi wavelet level 3 pada salah satu citra stomata Freycinetia angustifolia ..................... 5
Spektrum hasil transformasi Fourier ............................................................................................ 5
Filter low pass dengan radius 25 piksel ........................................................................................ 6
Filter high pass dengan radius 25 piksel ....................................................................................... 6

Akurasi klasifikasi ..................................................................................................................... 10

DAFTAR LAMPIRAN
Halaman
1
2
3
4
5
6

Citra anatomi stomata untuk data latih ........................................................................................ 14
Citra anatomi stomata untuk data uji ........................................................................................... 15
Spektrum hasil transformasi Fourier untuk setiap data latih ......................................................... 16
Spektrum hasil transformasi Fourier untuk setiap data uji ............................................................ 17
Contoh low frequency pada salah satu spektrum transformasi Fourier citra Kelas1 ....................... 18
Contoh high frequency pada salah satu spektrum transformasi Fourier citra Kelas1 ..................... 19

vi

1

PENDAHULUAN
Latar Belakang
Freycinetia
adalah
tumbuhan
yang
tergolong ke dalam famili Pandanaceae. Famili
ini terdiri atas empat genus, yaitu
Martillidendron, Pandanus, Freycinetia, dan
Sararanga. Genus Freycinetia memiliki
anggota sekitar 200 spesies yang tersebar mulai
dari Sri Langka, Asia Tenggara, hingga
Australia bagian utara dan Selandia Baru.
Spesies dari genus ini hidup menempel pada
pohon inang yang umumnya merupakan
tumbuhan dikotil.
Freycinetia dikenal di Indonesia sebagai
pandan hutan. Di beberapa daerah, tumbuhan
ini dikenal dengan berbagai nama, seperti di
Sunda dengan nama lolo cacing, di Palembang
dikenal dengan nama rotan kubu, dan di Bangka
dikenal dengan nama kepah balehang. Akar
tumbuhan ini dapat digunakan untuk membuat
tambang berkualitas tinggi dan bahan pakaian
kasar. Selain itu, tumbuhan ini juga digunakan
sebagai bahan makanan darurat.
Identifikasi Freycinetia biasanya dilakukan
untuk mengetahui nilai potensial, manfaat, dan
pola persebarannya sebagai salah satu kekayaan
hayati Indonesia. Identifikasi tumbuhan ini
dapat dilakukan dengan melihat aspek
morfologi dan aspek anatomi. Aspek morfologi
yang diteliti meliputi cara hidup, batang, daun,
bunga, dan kelopak. Dari aspek morfologi
tersebut, dapat diperoleh aspek anatomi yang
meliputi
jaringan
epidermis,
stomata,
sklerenkim, jaringan hipodermis, dan mesofil.
Ciri anatomi epidermis daun dapat mendukung
ciri morfologi dalam proses identifikasi
tumbuhan, khususnya pada kasus spesimen
yang memiliki ciri morfologi kurang lengkap.
Penelitian menggunakan ciri anatomi
epidermis daun dan stomata sebagai data
pendukung identifikasi Freycinetia telah
dilakukan menggunakan ukuran stomata,
frekuensi stomata, dan indeks stomata pada
jenis Freycinetia di Sumatera (Pasaribu 2010).
Penelitian lain menggunakan ciri anatomi
tersebut untuk menganalisis jenis, yaitu untuk
menganalisis jenis pisang (Damayanti 2007)
dan untuk menganalisis jenis salak (Haryanto
2010).
Identifikasi Freycinetia menggunakan ciri
epidermis daun dan stomata yang dilakukan
Pasaribu (2010)
memerlukan ketelitian,
pengalaman, dan waktu yang cukup lama untuk
keakuratan data karena dilakukan dengan
mengukur stomata, menghitung frekuensi

stomata pada epidermis daun, dan menghitung
indeks stomata secara manual. Oleh karena itu,
dibutuhkan
suatu
teknik
yang
dapat
memudahkan identifikasi Freycinetia, yaitu
berbasis citra anatomi epidermis daun.
Penelitian ini menggunakan gabungan
teknik ekstraksi fitur Transformasi Wavelet dan
Transformasi Fourier. Pada Transformasi
Fourier, dilakukan perbandingan spektrum
frekuensi rendah (low frequency) dengan
spektrum frekuensi tinggi (high frequency).
Penelitian terkait ektraksi fitur telah dilakukan
pada citra wajah menggunakan Transformasi
Wavelet
(Cahyaningtias
2007)
dan
Transformasi Fourier (Ashr 2011) dengan
tingkat akurasi masing-masing 100%.
Teknik klasifikasi yang digunakan untuk
identifikasi pada penelitian ini ialah k-Nearest
Neighbor (k-NN). Penelitian menggunakan kNN telah dilakukan untuk identifikasi Shorea
berdasarkan karakteristik morfologi daun
(Nurjayanti 2011) yang menghasilkan akurasi
100%. K-NN merupakan sebuah teknik yang
mampu mengelompokkan data uji ke dalam
kelas label dengan mencari data latih yang
relatif sama dengan data uji (Han et al. 2011).
Penelitian mengenai identifikasi Freycinetia
berbasis citra telah dilakukan oleh Qur’ania
(2012). Data yang digunakan pada penelitian
tersebut ialah data citra anatomi epidermis
daun dan stomata tumbuhan Freycinetia yang
diperoleh dari Pasaribu (2010). Klasifikasi
dilakukan menggunakan k-Nearest Neighbor (kNN) dan Jaringan Syaraf Tiruan (JST) dengan
dua ekstraksi fitur, yaitu ekstraksi fitur RGB
dan analisis tekstur, serta ekstraksi fitur
dekomposisi Wavelet (w-entropy). Akurasi
yang dihasilkan k-NN dan JST masing-masing
sebesar 84.46% dan 94.79% untuk ekstraksi
fitur RGB dan analisis tekstur, serta 96.88% dan
99% untuk ekstraksi fitur dekomposisi Wavelet.
Tujuan
Tujuan penelitian ini ialah membandingkan
penggunaan low frequency dan high frequency
pada pengenalan tumbuhan Freycinetia
berdasarkan citra anatomi epidermis daun.
Ruang Lingkup
Beberapa hal yang menjadi ruang lingkup
penelitian ini yaitu:
1 Data yang digunakan berupa data citra
anatomi
epidermis
daun
tumbuhan
Freycinetia yang diperoleh dari disertasi
Pasaribu (2010) yang terdiri dari kelas
Freycinetia
angustifolia,
Freycinetia

2

imbricata, Freycinetia javanica, dan
Freycinetia Sumatrana.
2 Ekstraksi fitur menggunakan Transformasi
Fourier dengan Transformasi Wavelet Haar
sebagai pereduksi matriks citra.

TINJAUAN PUSTAKA
Citra Digital
Citra didefinisikan sebagai sebuah fungsi
f(x,y), dengan x dan y adalah koordinat spasial
dan amplitudo dari f merupakan pasangan
koordinat (x,y) yang disebut gray level. Citra
digital merupakan sebuah fungsi f(x,y) yang
bernilai diskret dan terbatas. Citra mempunyai
elemen yang sering dikenal sebagai picture
elements, image elements, pels, dan pixel. Pixel
merupakan istilah yang paling sering digunakan
untuk menunjukkan elemen citra (Gonzalez &
Woods 2002).
Fungsi f(x,y) direpresentasikan dalam fungsi
koordinat berukuran MxN, dengan M
menunjukkan baris dan N menunjukkan kolom
seperti ditunjukkan pada Gambar 1.

1 Freycinetia angustifolia
Spesies ini tumbuh di pohon dengan
ketinggian mencapai 10 meter. Panjang ruas
spesies ini sekitar 4-18 mm dengan diameter
2-5 mm. Daun memanjang, tersusun
melingkar dan tidak saling tumpang tindih.
Aurikel mudah patah dan berserat halus.
Kelopak bunga berwarna kuning gelap
hingga kuning muda. Spesies ini tersebar di
daerah rawa dan hutan Bukit Barisan pada
ketinggian 500-1000 mdpl (Pasaribu 2010).
2 Freycinetia imbricata
Tumbuhan jenis ini bisa tumbuh pada pohon
dengan ketinggian mencapai 4 meter. Ruas
tumbuhan ini memiliki panjang sekitar 3-15
mm dan diameter 5-12 mm. Susunan daun
tidak terlalu rapat dengan ukuran 13-31x0.52.3 cm. Aurikel keras, transparan, dan
berlekuk. Bentuk bunga saling bersambung
dengan kelopak 6-8 dan
berwarna
kekuning-kuningan hingga kehijau-hijuan.
Habitatnya luas di Sumatera pada daerah
dengan ketinggian 15-1450 mdpl (Pasaribu
2010).
3 Freycinetia javanica

Gambar 1 Fungsi koordinat sebagai
representasi citra digital.
Freycinetia
Freycinetia adalah salah satu genus dari
famili tumbuhan Pandanaceae yang banyak
ditemukan di Indonesia. Freycinetia tergolong
tumbuhan monokotil. Tumbuhan ini lebih
sedikit dimanfaatkan karena bentuknya berupa
liana berkayu sehingga tidak terlalu dikenal
masyarakat. Di beberapa daerah, akarnya
dimanfaatkan untuk membuat tambang
berkualitas tinggi dan pakaian kasar.
Beberapa Freycinetia tumbuh dengan
diameter batang mencapai 6-7 cm, panjang
daun 150 cm, dan lebar daun 10 cm. Ciri
morfologi tumbuhan ini ialah daun yang
sederhana berbentuk panjang dan menirus,
beberapa ada yang menjorong sampai
membundar telur. Tepi daun dan tulang daun
bergerigi. Helai daun diperluas dengan adanya
sepasang aurikel. Perbungaan terbentuk di
terminal dan beberapa lateral. Freycinetia
banyak ditemukan tumbuh memanjat di pohonpohon dikotil sebagai pohon inangnya (Pasaribu
2010).
Penelitian ini menggunakan empat jenis
Freycinetia, yaitu:

Tumbuhan jenis ini tumbuh memanjat
hingga ketinggian 10 m. Tumbuhan ini
memiliki ruas dengan panjang 8-50 mm dan
diameter 6-16 mm. Daun tersusun melingkar
serta memiliki lapisan lilin yang tebal pada
permukaan yang lebih rendah dan bagian
tepi daun pada permukaan atas. Aurikel
terdapat pada bagian atas daun. Daerah
persebaran jenis ini cukup luas di Sumatera
pada daerah dengan ketinggian 10-1950
mdpl (Pasaribu 2010).
4 Freycinetia Sumatrana
Spesies ini tumbuh memanjat hingga
ketinggian 20 m. Tumbuhan ini memiliki
ruas dengan panjang 8-29 mm dan diameter
6-12 mm. Daun memanjang yang tersusun
sangat rapat dan ada yang saling tumpang
tindih. Tumbuhan jenis ini tersebar di
Sumatera pada daerah hutan dan rawa
dengan ketinggian 60-1600 mdpl (Pasaribu
2010).
Epidermis Daun
Epidermis adalah sistem sel yang struktur
dan fungsinya bervariasi dan menutupi tubuh
tumbuhan. Lapisan epidermis ini berhubungan
dengan lingkungan luar. Pada lapisan ini
terdapat bahan lemak dan kutikula untuk
membatasi penguapan sehingga dinding terluar

3

tumbuhan menjadi keras. Selain itu, terdapat
sel-sel bentuk modifikasi dari epidermis yang
disebut derifat, seperti stomata dan trikoma.
Stomata adalah celah yang diapit oleh dua
sel epidermis khusus yang disebut sel penutup.
Sel penutup tersebut dikelilingi oleh beberapa
sel tetangga. Sel penutup dapat membuka dan
menutup untuk menjaga kadar air dalam
tumbuhan, sedangkan sel penjaga berperan
dalam pergerakan sel penutup. Stomata terdapat
pada seluruh bagian tumbuhan, tetapi lebih
banyak ditemukan pada daun. Tipe dan
distribusi stomata pada daun sangat bervariasi,
bergantung pada kecepatan dan intensitas
transpirasi serta habitat tumbuhan tersebut
(Haryanti 2010). Contoh citra epidermis daun
ditunjukkan pada Gambar 2.

menunjukkan perubahan citra pada arah
horizontal dan vertikal, dan bidang HH (highhigh pass filter) menunjukkan komponen
frekuensi tinggi pada citra. Semakin tinggi level
dekomposisi, ukuran piksel citra hasil
dekomposisi akan semakin kecil. Panjang dan
lebar citra akan menjadi setengah dari
sebelumnya, sehingga ukuran citra menjadi
seperempat dari sebelumnya.
LL3 HL3
HL2
LH3 HH3

HL1
HH2

LH2

LH1

HH1

Gambar 3 Dekomposisi transformasi wavelet
diskret 2 dimensi (McAndrew
2004).
Gambar 2 Citra anatomi stomata jenis
Freycinetia angustifolia (Pasaribu
2010 ).

Discrete Wavelet Transform (DWT) 2
dimensi untuk citra
dengan ukuran
dapat ditunjukkan oleh persamaan berikut
(Gonzales & Woods 2002):

Transformasi Wavelet
Wave merupakan sebuah fungsi yang
berosilasi terhadap waktu (time) dan ruang
(space), seperti fungsi sinusoid. Sebuah wavelet
didefinisikan sebagai sebuah “small wave”
yang energinya terpusat pada waktu atau titik
tertentu. Wavelet
tidak hanya memiliki
gelombang yang berosilasi terhadap waktu,
tetapi juga mampu memberikan waktu simultan
dan analisis frekuensi dengan matematika.
Basis wavelet berasal dari sebuah fungsi
scaling yang dapat dituliskan dengan persamaan
berikut:
h

n

n

n

dengan h n adalah koefisien fungsi wavelet
dan
adalah vektor wavelet (Gonzalez &
Woods 2002).
Wavelet akan membagi citra ke dalam
sejumlah sub-sub bidang yang dinotasikan
dengan LL, HL, LH, dan HH seperti
ditunjukkan oleh Gambar 3. Bidang LL (lowlow pass filter) menunjukkan koefisien
aproksimasi citra asli, bidang HL (high-low
pass filter) dan LH (low-high pass filter)

m n

l

m n

mn

l

m n

dengan l
. Notasi
menunjukkan
skala yang berubah-ubah dan
m n
merupakan koefisien aproksimasi dari
pada skala
, sedangkan
m n
merupakan koefisien perubahan detail citra
pada arah horizontal, vertikal, dan diagonal
untuk skala
.
Transformasi Fourier
Transformasi fourier merupakan bagian
penting dalam pemrosesan citra. Transformasi
fourier lebih efisien digunakan pada spatial
filter untuk filter yang besar. Selain itu,
transformasi fourier juga memungkinkan
dilakukan pemrosesan citra pada domain
frekuensi. Dengan menerapkan transformasi
fourier, low pass filter dan high pass filter akan
menghasilkan nilai presisi yang besar
(McAndrew 2004).

4

Untuk citra
dengan ukuran
,
Discrete Fourier Transform (DFT) dua dimensi
dapat diterapkan menggunakan persamaan
berikut (Gonzalez & Woods 2002) :
u

e

uv

v

praproses, transformasi wavelet, transformasi
fourier,
pembagian
data,
klasifikasi
menggunakan k-Nearest Neighbor (k-NN),
penghitungan akurasi, dan perbandingan
akurasi. Tahapan yang dilakukan diilustrasikan
pada Gambar 4.
Mulai

Low pass filter dikenal juga dengan nama
blurring atau smoothing filter. Teknik ini
dilakukan pada domain frekuensi dengan
menghilangkan kisaran nilai yang berfrekuensi
tinggi sehingga menghasilkan citra yang kabur.
Beberapa low pass filter ialah ideal low pass
filter, Butterworth low pass filter, dan Gaussian
low pass filter (Gonzales & Woods 2002).

Data
Citra

Praproses

High pass filter disebut juga sharpening
filter. Teknik ini dilakukan pada domain
frekuensi dengan menghilangkan nilai yang
berfrekuensi rendah tanpa mengganggu nilai
yang berfrekuensi tinggi sehingga citra yang
dihasilkan lebih tajam. Beberapa high pass filter
ialah ideal high pass filter, Butterworth high
pass filter, dan Gaussian high pass filter
(Gonzales & Woods 2002).

Transformasi
Wavelet

Transformasi
Fourier

Filtering

k-Nearest Neighbor (k-NN)
k-Nearest Neighbor (k-NN) merupakan
salah satu teknik klasifikasi yang berbasis
pembelajaran. k-NN membandingkan data uji
yang diberikan dengan data latih yang sama.
Setiap data merepresentasikan sebuah titik
dalam kelas. Data latih disimpan dalam kelas
yang telah ditentukan. Ketika diberikan data
yang tidak diketahui kelasnya, k-NN akan
mencari pola sebanyak k data latih yang dekat
dengan data yang belum memiliki kelas (Han et
al. 2011).
Kedekatan biasanya didefinisikan sebagai
sebuah fungsi jarak antara dua data. Fungsi
jarak yang umumnya digunakan ialah jarak
Euclidean karena fungsinya sederhana, cukup
dengan menghitung kuadrat jarak dari dua data
yang akan dihitung jaraknya. Misalkan terdapat
dua data, yaitu
dan
n
,
maka
jarak
Euclidean-nya
n
adalah :
n
i

Low Pass
Filter

Data
Latih

Data
Uji

High Pass
Filter

Data
Latih

Klasifikasi KNN

Klasifikasi KNN

Pengenalan
Tumbuhan

Pengenalan
Tumbuhan

Penghitungan
Akurasi

Penghitungan
Akurasi

Perbandingan
Akurasi

i

i

METODE PENELITIAN
Penelitian ini dilakukan dengan beberapa
tahapan proses, yaitu pengumpulan data,

Selesai

Gambar 4 Metode penelitian.

Data
Uji

5

Data Penelitian
Data yang digunakan pada penelitian ini
ialah data citra anatomi epidermis daun dan
stomata Freycinetia dengan ukuran 640x480
piksel. Data diperoleh dari disertasi Pasaribu
(2010) yang terdiri atas empat kelas, yaitu
Freycinetia. angustifolia, Freycinetia imbricata,
Freycinetia
javanica,
dan
Freycinetia
Sumatrana. Masing-masing kelas terdiri atas 24
data citra. Citra anatomi epidermis daun yang
digunakan pada penelitian ini dapat dilihat pada
Lampiran 1 dan Lampiran 2. Penelitian ini
dilakukan tanpa adanya perbaikan citra.
Praproses
Praproses yang akan dilakukan pada
penelitian ini ialah mengubah mode warna citra
yang pada awalnya RGB menjadi citra
grayscale.
Grayscale
digunakan
untuk
menyederhanakan model citra. Fungsi format
ini adalah untuk memudahkan proses
selanjutnya karena jika menggunakan RGB,
nilai yang dihasilkan akan beragam. Perubahan
data ini ditunjukkan oleh Gambar 5.

Gambar 6 Transformasi wavelet level 3 pada
salah satu citra stomata Freycinetia
angustifolia.
Tabel 1 Level dekomposisi wavelet
Level dekomposisi
wavelet

Ukuran citra
(piksel)

Citra asli

640 x 320

Level 1

320 x 240

Level 2

160 x 120

Level 3

80 x 60

Transformasi Fourier

Gambar 5 Perubahan citra RGB menjadi citra
grayscale.
Transformasi Wavelet
Transfromasi Wavelet dilakukan untuk
mereduksi matriks citra. Transformasi ini
menghasilkan energi citra yang terkonsentrasi
pada sebagian kecil koefisien transformasi dan
kelompok lain yang mengandung sedikit energi.
Wavelet membagi citra ke dalam sejumlah subsub bidang yang dinotasikan dengan LL, HL,
LH, dan HH. Bidang LL merupakan bagian
citra yang digunakan untuk tahapan selanjutnya,
karena bagian ini menyimpan lebih banyak
informasi citra. Gambar 6 menunjukkan
transformasi wavelet yang dilakukan terhadap
salah satu citra.
Pada penelitian ini dilakukan transformasi
wavelet hingga level 3 seperti yang ditampilkan
pada Tabel 1. Citra yang digunakan pada
tahapan selanjutnya merupakan bidang LL hasil
dekomposisi wavelet level 3 dengan ukuran
80x60 piksel.

Transformasi fourier dilakukan terhadap
koefisien aproksimasi hasil transformasi
wavelet level 3. Pada transformasi ini dilakukan
perubahan citra dari domain spasial ke domain
frekuensi. Hasilnya ialah sebuah matriks yang
telah digeser sehingga koefisien DC-nya berada
di pusat matriks. Hasil ini berupa spektrum dari
data yang nantinya akan digunakan dalam
klasifikasi. Hasil transformasi fourier untuk
setiap data dapat dilihat pada Lampiran 3 dan
Lampiran 4. Salah satu contoh bentuk spektrum
yang dihasilkan ditunjukkan oleh Gambar 7.

Gambar 7 Spektrum hasil transformasi fourier.
Setelah itu diterapkan low pass filter dan
high pass filter. Low pass filter diterapkan
untuk mengetahui pengaruh low frequency,
sedangkan high pass filter diterapkan untuk
mengetahui
pengaruh
high
frequency.
Transformasi ini dilakukan pada semua data
dengan ukuran circle matrix pada filtering yang
berbeda untuk setiap percobaan. Penerapan low
frequency dan high frequency pada citra dapat
dilihat pada Lampiran 5 dan Lampiran 6.

6

Pada low pass filter, misalkan ada matriks
hasil transformasi
fourier F, kemudian
dilakukan pergeseran sehingga koefisien DC
berada di pusat matriks. Low pass filter
dilakukan dengan mengalikan matriks tersebut
dengan sebuah matriks sehingga nilai di pusat
matriks dipertahankan dan nilai lainnya dibuang
atau diminimalkan. Matriks yang digunakan
dalam perkalian matriks ialah ideal low pass
matrix, yaitu sebuah matriks biner m yang
didefinisikan sebagai (McAndrew 2004) :
m
ika
ika

dekat ke usat dari
auh ke usat dari

dengan D merupakan radius lingkaran matriks
filter low pass. Semakin besar nilai radius yang
digunakan, citra yang dihasilkan akan semakin
halus dan kabur. Filter low pass ditunjukkan
oleh Gambar 8.

Gambar 8 Filter low pass dengan radius 25
piksel.

Pembagian Data
Data pada setiap hasil filtering dibagi
menjadi data latih dan data uji. Data latih
digunakan untuk melakukan
klasifikasi
menggunakan k-Nearest Neighbor (k-NN),
sedangkan data uji digunakan untuk melakukan
pengujian klasifikasi. Dari total 24 data citra, 16
data digunakan sebagai data latih dan 8 data
digunakan sebagai data uji. Data latih dapat
dilihat pada Lampiran 1 dan data uji dapat
dilihat pada Lampiran 2.
Klasifikasi Menggunakan k-Nearest Neighbor
(k-NN)
Setelah dilakukan pembagian data, data latih
akan digunakan untuk membuat klasifikasi
menggunakan algoritme k-Nearest Neighbors
(k-NN). Konsep dasarnya ialah mencari jarak
terdekat antara data yang akan dievaluasi
dengan k tetangga terdekatnya dalam data latih.
Berikut algoritme k-NN (Song et al. 2007):
1 Tentukan nilai k.
2 Hitung jarak data uji dengan setiap data
training menggunakan jarak Euclidean.
3 Urutkan jarak tersebut.
4 Dapatkan sebanyak k data yang memiliki
jarak terdekat.
5 Tentukan kelas untuk data uji.

Pada high pass filter, cara kerja hampir
sama dengan low pass filter, tetapi high pass
filter membuang nilai di pusat matriks dan
mempertahankan nilai lainnya. Matriks yang
digunakan ialah kebalikan dari low pass filter,
yaitu:

Tahapan ini menghasilkan dua klasifikasi,
yaitu klasifikasi yang diperoleh dari data latih
menggunakan low frequency dan yang
diperoleh dari data latih menggunakan high
frequency. Masing-masing klasifikasi tersebut
akan diuji menggunakan data uji sesuai dengan
filtering yang dilakukan sebelumnya.

m

Evaluasi Hasil Klasifikasi
ika
ika

dekat ke usat dari
auh ke usat dari

dengan D merupakan radius lingkaran matriks
filter high pass. Semakin besar nilai radius yang
digunakan, citra yang dihasilkan akan semakin
tajam dan detail citra akan semakin terlihat.
Filter high pass dapat ditunjukkan oleh Gambar
9.

k-NN dapat ditentukan kinerjanya dengan
menghitung besaran akurasi yang berhasil
diperoleh. Akurasi ditentukan dengan melihat
berapa banyak data pada suatu kelas yang
diklasifikasikan benar.
Akurasi dapat dihitung dengan persamaan
berikut :
kurasi
data u i benar diklasi ikasikan
data u i

Gambar 9 Filter high pass dengan radius 25
piksel.

Setelah perhitungan akurasi, tahapan
selanjutnya ialah membandingkan akurasi yang
diperoleh menggunakan klasifikasi dengan low
frequency dan klasifikasi dengan high
frequency. Tahap ini dilakukan untuk
menentukan frekuensi yang lebih baik

7

digunakan
untuk
Freycinetia.

klasifikasi

tumbuhan

Lingkungan Pengembangan
Perangkat keras dan perangkat lunak yang
digunakan pada penelitian ini memiliki
spesifikasi sebagai berikut:

rendah dari citra. Akurasi klasifikasi dengan
percobaan ini dapat dilihat pada Tabel 2.
Tabel 2 Hasil klasifikasi menerapkan low
frequency
Radius
(piksel)

Perangkat keras:

Jumlah benar untuk setiap kelas
Kelas
1

Kelas
2

Kelas
3

Kelas
4

Akurasi
(%)

 Processor Intel® CoreTM 2 Duo.
 Memory 2 GB.
 Harddisk 250 GB.

5

3

8

7

7

78.125

10

7

7

8

7

90.625

15

4

7

8

7

81.250

Perangkat lunak:

20

6

7

8

6

84.375

25

5

7

8

4

75.000

 Sistem operasi Microsoft Windows
Professional Service Pack 1 32-bit.
 Matlab 7.7 (R2008b).

7

HASIL DAN PEMBAHASAN
Penelitian ini menggunakan 4 kelompok
citra anatomi epidermis daun. Masing-masing
kelompok terdiri atas 24 citra. Keempat
kelompok tersebut selanjutnya disebut kelas.
Kelas 1 merupakan kelompok tumbuhan
Freycinetia angustifolia, kelas 2 merupakan
kelompok tumbuhan Freycinetia imbricata,
kelas 3 merupakan kelompok tumbuhan
Freycinetia javanica, dan kelas 4 merupakan
kelompok tumbuhan Freycinetia Sumatrana.
Tahapan selanjutnya ialah Transformasi
Wavelet hingga level 3, dan dilanjutkan dengan
Transformasi Fourier. Setelah itu dilakukan
filtering dengan dua percobaan terhadap hasil
transformasi fourier, yaitu low pass filter
sebagai percobaan 1 untuk mengambil spektrum
pada frekuensi rendah dan high pass filter
sebagai percobaan 2 untuk mengambil spektrum
pada frekuensi tinggi. Kedua filtering dilakukan
menggunakan ideal matrix dengan lima radius
yang berbeda, yaitu 5, 10, 15, 20, dan 25 piksel.
Pada setiap percobaan diamati nilai akurasi
terbaik yang diberikan oleh algoritme
klasifikasi untuk membandingkan kinerja kedua
percobaan terhadap identifikasi tumbuhan
Freycinetia. Algoritme klasifikasi yang
digunakan ialah k-Nearest Neighbor dengan
nilai ketetanggaan 1.
Percobaan 1: Identifikasi
Menggunakan Low Frequency

Freycinetia

Percobaan pertama yang dilakukan ialah
klasifikasi menggunakan low frequency.
Klasifikasi ini dilakukan dengan menerapkan
low pass filter untuk mengambil frekuensi

Akurasi tertinggi dihasilkan oleh percobaan
menggunakan radius matriks filter 10 piksel,
yaitu sebesar 90.625%.
Confusion matrix untuk percobaan low pass
filter
dengan radius matriks 5 piksel
ditunjukkan oleh Tabel 3. Kelas 2 memiliki
akurasi klasifikasi terbesar, yaitu 100%,
sedangkan kelas 1 memiliki akurasi terkecil,
yaitu 37.5%. Dari 8 data uji untuk kelas 1, 3
data diklasifikasikan benar sebagai kelas 1 dan
5 data diklasifikasikan salah, yaitu sebagai kelas
5.
Tabel 3 Confusion matrix untuk low pass filter
dengan radius 5 piksel
Kelas hasil prediksi

Kelas
aktual

Kelas 1

Kelas 2

Kelas 3

Kelas 4

Kelas 1

3

0

5

0

Kelas 2

0

8

0

0

Kelas 3

1

0

7

0

Kelas 4

1

0

0

7

Confusion matrix percobaan low pass filter
dengan radius matriks 10 piksel dapat dilihat
pada Tabel 4. Kelas 3 memiliki akurasi
klasifikasi terbesar yaitu 100%, sedangkan tiga
kelas lainnya memiliki akurasi sebesar 87.5%
karena terdapat kesalahan klasifikasi pada 1
data untuk setiap kelasnya.
Tabel 4 Confusion matrix untuk low pass filter
dengan radius 10 piksel
Kelas hasil prediksi

Kelas
aktual

Kelas 1

Kelas 2

Kelas 3

Kelas 4

Kelas 1

7

0

1

0

Kelas 2

0

7

0

1

Kelas 3

0

0

8

0

Kelas 4

1

0

0

7

8

Confusion matrix untuk percobaan low pass
filter dengan radius matriks 15 piksel dapat
dilihat pada Tabel 5. Kelas 3 memiliki akurasi
klasifikasi terbesar, yaitu 100%, sedangkan
kelas 1 memiliki akurasi terkecil, yaitu 50%.
Sebanyak 4 dari 8 data uji pada kelas 1
diklasifikasikan sebagai kelas 3.
Tabel 5 Confusion matrix untuk low pass filter
dengan radius 15 piksel
Kelas hasil prediksi

Kelas
aktual

Kelas 1

Kelas 2

Kelas 3

Kelas 4

Kelas 1

4

0

4

0

Kelas 2

0

7

0

1

Kelas 3

0

0

8

0

Kelas 4

1

0

0

7

Confusion matrix untuk percobaan low pass
filter
dengan radius matriks 20 piksel
ditunjukkan oleh Tabel 6. Kelas 3 memiliki
akurasi klasifikasi terbesar, yaitu 100%,
sedangkan kelas 1 dan kelas 4 memiliki akurasi
terkecil, yaitu 75% karena 2 data dari masingmasing kelas mengalami salah klasifikasi.
Tabel 6 Confusion matrix untuk low pass filter
dengan radius 20 piksel
Kelas hasil prediksi

Kelas
aktual

Kelas 1

Kelas 2

Kelas 3

Kelas 4

Kelas 1

6

0

2

0

Kelas 2

0

7

0

1

Kelas 3

0

0

8

0

Kelas 4

1

0

1

6

Confusion matrix untuk percobaan low pass
filter
dengan radius matriks 25 piksel
ditunjukkan oleh Tabel 7. Kelas 3 memiliki
akurasi klasifikasi terbesar, yaitu 100%,
sedangkan kelas 4 memiliki akurasi terkecil,
yaitu 50%. Sebanyak 4 data uji kelas 4 salah
diklasifikasikan, yaitu 1 data sebagai kelas 1, 1
data sebagai kelas 2, dan 2 data sebagai kelas 3.
Tabel 7 Confusion matrix untuk low pass filter
dengan radius 25 piksel
Kelas hasil prediksi

Kelas
aktual

Kelas 1

Kelas 2

Kelas 3

Kelas 4

Kelas 1

5

0

3

0

Kelas 2

0

7

1

0

Kelas 3

0

0

8

0

Kelas 4

1

1

2

4

Analisis Kesalahan Prediksi Percobaan 1
Pada penerapan low pass filter, kelas 1
sering mengalami salah klasifikasi. Data uji ke1 dari kelas ini selalu salah diklasifikasikan. Hal
ini disebabkan oleh adanya cairan yang tidak
rata pada preparat saat melakukan akuisisi data
sehingga terdapat warna merah yang berlebih
pada sebagian citra. Akibatnya, spektrum yang
dihasilkan sangat berbeda dengan spektrum data
lain dari kelasnya.
Data uji kelas 1 yang
mengalami
salah
klasifikasi
selalu
diklasifikasikan sebagai kelas 3. Hal ini
diakibatkan oleh struktur anatomi epidermis
kedua kelas yang mirip. Sel-sel epidermis dan
stomata yang mirip serta adanya pasir-pasir
granulosit pada kedua tumbuhan ini diduga
turut menjadi penyebab salah klasifikasi.
Untuk kelas 2, data uji ke-2 sering salah
diklasifikasikan, yaitu sebagai kelas 4. Hal ini
disebabkan oleh adanya bintik hitam yang
muncul pada citra dan pengambilan citra yang
agak miring, sehingga spektrum yang dihasilkan
berbeda dengan data lainnya.
Kelas 3 merupakan kelas yang paling tepat
diklasifikasikan. Hanya ada satu data yang
mengalami salah klasifikasi, yaitu data uji ke-5
yang diklasifikasikan sebagai kelas 1 pada
penggunaan radius matriks 5 piksel.
Untuk kelas 4, data uji ke-6 selalu salah
diklasifikasikan, yaitu sebagai kelas 1. Hal ini
disebabkan terdapat penggunaan cairan yang
tidak rata pada preparat saat akuisisi data
sehingga warna partikel-partikel kalsium
oksalat pada epidermis daun terlihat lebih gelap
dan membuat data ini berbeda dengan data lain
di kelasnya. Selain itu, posisi sel-sel epidermis
yang tegak lurus juga menjadi penyebab salah
klasifikasi. Data kelas 4 lainnya yang salah
klasifikasi terjadi pada penggunaan radius 20
dan 25 piksel.
Percobaan 2: Identifikasi
Menggunakan High Frequency

Freycinetia

Percobaan kedua yang dilakukan ialah
klasifikasi menggunakan high frequency.
Klasifikasi ini dilakukan dengan menerapkan
high pass filter untuk mengambil frekuensi
tinggi dari citra. Akurasi klasifikasi dengan
percobaan ini dapat dilihat pada Tabel 8.
Akurasi tertinggi dihasilkan oleh percobaan
menggunakan radius matriks filter 5 piksel,
yaitu 81.25%.

9

Tabel 8
Radius
(piksel)

Hasil klasifikasi menerapkan high
frequency

diklasifikasikan, 2 data sebagai kelas 2 dan 2
lainnya sebagai kelas 3.

Jumlah benar untuk setiap kelas

Tabel 11

Confusion matrix untuk low pass
filter dengan radius 15 piksel

Kelas
aktual

Kelas hasil prediksi
Kelas 1

Kelas 2

Kelas 3

Kelas 4

Kelas 1

8

0

0

0

Kelas 2

0

6

0

2

Kelas 3

0

1

5

2

Kelas 4

0

2

2

4

Akurasi
(%)

Kelas
1

Kelas
2

Kelas
3

Kelas
4

5

7

7

8

4

81.250

10

8

7

5

5

78.125

15

8

6

5

4

71.875

20

8

5

6

4

71.875

25

6

3

2

3

43.750

Confusion matrix untuk percobaan high pass
filter
dengan radius matriks 5 piksel
ditunjukkan oleh Tabel 9. Kelas 3 memiliki
akurasi klasifikasi terbesar, yaitu 100%,
sedangkan kelas 4 memiliki akurasi terkecil,
yaitu 50%. Sebanyak 4 dari 8 data uji kelas 4
salah diklasifikasikan sebagai kelas 2.
Tabel 9 Confusion matrix untuk low pass filter
dengan radius 5 piksel
Kelas
aktual

Confusion matrix untuk percobaan low pass
filter
dengan radius matriks 20 piksel
ditunjukkan oleh Tabel 12. Kelas 1 memiliki
akurasi klasifikasi terbesar, yaitu 100%,
sedangkan kelas 4 memiliki akurasi terkecil,
yaitu 50%. Sebanyak 4 data uji kelas 4 salah
diklasifikasikan, 2 data sebagai kelas 2 dan 2
lainnya sebagai kelas 3.
Tabel 12

Confusion matrix untuk low pass
filter dengan radius 20 piksel
Kelas hasil prediksi
Kelas 1

Kelas 2

Kelas 3

Kelas 4

Kelas hasil prediksi
Kelas 1

Kelas 2

Kelas 3

Kelas 4

Kelas 1

7

0

1

0

Kelas
aktual

Kelas 2

0

7

1

0

Kelas 1

8

0

0

0

Kelas 3

0

0

8

0

Kelas 2

0

5

2

1

Kelas 4

0

4

0

4

Kelas 3

2

0

6

0

Kelas 4

0

2

2

4

Confusion matrix untuk percobaan low pass
filter
dengan radius matriks 10 piksel
ditunjukkan oleh Tabel 10. Kelas 1 memiliki
akurasi klasifikasi terbesar, yaitu 100%,
sedangkan kelas 3 dan kelas 4 memiliki akurasi
klasifikasi terkecil, yaitu 62.5%. Sebanyak 3
data dari masing-masing kelas salah
diklasifikasikan.
Tabel 10

Confusion matrix untuk low pass
filter dengan radius 10 piksel

Confusion matrix untuk percobaan low pass
filter
dengan radius matriks 25 piksel
ditunjukkan oleh Tabel 13. Kelas 1 memiliki
akurasi klasifikasi terbesar, yaitu 75%,
sedangkan kelas 3 memiliki akurasi terkecil,
yaitu 25%. Sebanyak 2 data uji dari kelas 3
diklasifikasikan sebagai kelas 1 dan 4 data
sebagai kelas 2.
Tabel 13

Confusion matrix untuk low pass
filter dengan radius 25 piksel
Kelas hasil prediksi
Kelas 1

Kelas 2

Kelas 3

Kelas 4

Kelas hasil prediksi

Kelas
aktual

Kelas 1

Kelas 2

Kelas 3

Kelas 4

Kelas 1

8

0

0

0

Kelas
aktual

Kelas 2

0

7

0

1

Kelas 1

6

1

1

0

Kelas 3

1

0

5

2

Kelas 2

0

3

4

1

Kelas 4

0

1

2

5

Kelas 3

2

4

2

0

Kelas 4

0

4

1

3

Confusion matrix untuk percobaan low pass
filter
dengan radius matriks 15 piksel
ditunjukkan oleh Tabel 11. Kelas 1 memiliki
akurasi klasifikasi terbesar, yaitu 100%,
sedangkan kelas 4 memiliki akurasi terkecil,
yaitu 50%. Sebanyak 4 data uji kelas 4 salah

Analisis Kesalahan Prediksi Percobaan 2
Pada penerapan high pass filter, kelas 1
merupakan
kelas
yang
paling
tepat
klasifikasinya. Data uji ke-1 mengalami salah

10

Untuk kelas 2, data uji ke-2 sering
mengalami salah klasifikasi, yaitu sebagai kelas
4. Hal ini disebabkan oleh adanya bintik hitam
yang muncul pada citra serta pengambilan citra
yang agak miring sehingga berbeda dengan data
lainnya. Kesalahan klasifikasi juga terjadi pada
data ke-4 dan data ke-8. Hal ini disebabkan oleh
pasir-pasir granulosit atau bintik hitam pada selsel epidermis yang kurang terlihat, sehingga
membedakannya dengan citra lain pada
kelasnya.
Data uji ke-1 dan ke-7 pada kelas 3 sering
salah diklasifikasikan. Kedua data uji ini
diklasifikasikan sebagai kelas 4 pada
penggunaan radius 10 dan 15 piksel, serta
sebagai kelas 1 pada penggunaan radius 20 dan
25 piksel. Hal ini terjadi karena kerapatan
stomata pada data ini berbeda dengan citra lain
pada kelasnya, sehingga spektrum transformasi
yang dihasilkan juga berbeda.
Untuk kelas 4, data uji ke-2, ke-3, ke-4, ke5, dan ke-6 sering salah diklasifikasikan. Hal ini
disebabkan oleh posisi sel-sel epidermis pada
citra yang tegak lurus, berbeda dengan data
latihnya yang agak miring.
Perbandingan Low Frequency dan High
Frequency
Penelitian ini menerapkan klasifikasi
menggunakan k-Nearest Neighbor (k-NN)
dengan dua percobaan berbeda terhadap hasil
ekstraksi fitur, yaitu menggunakan low
frequency dengan menerapkan low pass filter
dan menggunakan high frequency dengan
menerapkan high pass filter. Percobaan ini
diterapkan untuk membandingkan penggunaan
low frequency dan high frequency pada citra
dalam identifikasi tumbuhan Freycinetia.
Pada penggunaan low frequency, kelas 1,
kelas 2, dan kelas 3 sering salah klasifikasi
menjadi kelas lainnya. Hal ini terjadi karena
bentuk sel-sel epidermis ketiga kelas ini hampir
sama, yaitu memanjang dengan banyak pasir
granulosit dan sel penjaga di dekat stomata
yang tampak berbeda dari sel lain di
sekelilingnya.

Pada penggunaan high frequency, kelas 4
sering salah klasifikasi menjadi kelas lain
karena posisi sel-sel epidermis pada citra yang
tidak seragam membuatnya sulit untuk dikenali.
Pada kelas 1, high frequency lebih cocok
digunakan daripada low frequency karena
terdapat lebih banyak data yang diklasifikasikan
dengan benar. Data uji ke-1 dari kelas 1 sering
mengalami salah klasifikasi pada kedua
percobaan, karena adanya warna merah yang
berlebih pada citra yang mengakibatkan
perbedaan spektrum transformasi.
Pada kelas 2, low frequency lebih cocok
digunakan karena memberikan lebih banyak
data yang tepat diklasifikasikan. Kesalahan
klasifikasi sering terjadi pada data uji ke-2
karena adanya bintik hitam dan posisi sel-sel
epidermis yang berbeda dengan data lainnya.
Pada kelas 3, low frequency lebih cocok
digunakan karena akurasi yang diberikan lebih
tinggi daripada high frequency. Kesalahan
klasifikasi sering terjadi pada data uji ke-1 dan
ke-7 karena memiliki kerapatan stomata yang
berbeda sehingga menghasilkan spektrum
transformasi yang berbeda pula.
Untuk kelas 4, low frequency lebih cocok
digunakan, karena menghasilkan lebih banyak
data yang tepat diklasifikasikan. Kesalahan
sering terjadi data uji ke-3, ke-4, dan ke-6
karena posisi sel-sel epidermis yang berbeda
dengan data lainnya. Posisi sel-sel epidermis
yang agak miring menghasilkan spektrum yang
berbeda dengan data yang memiliki posisi selsel epidermis tegak lurus.
Gambar 10 menunjukkan grafik akurasi
klasifikasi menggunakan low frequency dan
high frequency dengan berbagai radius matriks
sesuai dengan data pada Tabel 2 dan Tabel 8.
100
90
80
70

Akurasi (%)

klasifikasi, yaitu sebagai kelas 3 pada
penggunaan radius 5 piksel dan sebagai kelas 2
pada penggunaan radius 25 piksel. Hal ini
disebabkan oleh spektrum transformasi yang
sangat berbeda akibat adanya warna merah yang
berlebih pada citra anatomi ini. Data uji ke-3
juga mengalami salah klasifikasi pada
penggunaan radius 25 piksel, yaitu sebagai
kelas 3.

60
50
40
30
20
10
0
5

10

15

20

25

Radius (piksel)
Low Frequency
High Frequency

Gambar 10 Akurasi klasifikasi.

11

Berdasarkan Gambar 10 dapat disimpulkan
bahwa penggunaan low frequency secara umum
memberikan akurasi yang lebih baik daripada
high frequency pada identifikasi tumbuhan
Freycinetia. Hal ini disebabkan oleh data citra
anatomi epidermis daun Freycinetia yang
digunakan memiliki banyak pasir-pasir
granulosit berupa bintik-bintik hitam yang bisa
dianggap sebagai noise. Noise ini menutupi
sebagian sel-sel epidermis sehingga sulit untuk
dikenali.
Penggunaan
low
frequency
mengakibatkan noise ini menjadi kabur dan
detail epidermis terlihat, sedangkan high
frequency mengakibatkan detail dan noise-nya
semakin tajam sehingga semakin mengurangi
akurasi.
Akurasi
tertinggi
yang
dihasilkan
menggunakan low frequency dan high
frequency sebesar 90.625% dan 81.25%.
Akurasi ini masih lebih rendah dibandingkan
dengan akurasi yang diperoleh pada penelitian
Qur’ania (2012).

KESIMPULAN DAN SARAN
Kesimpulan
Penelitian ini menggunakan k-Nearest
Neighbor (k-NN) untuk identifikasi Freycinetia
berdasarkan citra anatomi epidermis daun, yang
menjadi input pada klasifikasi ini adalah citra
yang telah mengalami transformasi wavelet
level 3 dan transformasi fourier.
Kelas 1 (Freycinetia angustifolia) lebih
cocok diklasifikasikan menggunakan high
frequency, sedangkan kelas 2 (Freycinetia
imbricata), kelas 3 (Freycinetia javanica), dan
kelas 4 (Freycinetia Sumatrana) lebih cocok
diklasifikasikan menggunakan low frequency.
Akurasi tertinggi pada penggunaan low
frequency untuk semua kelas sebesar 90.625%
dengan radius matriks lingkaran 10 piksel.
Akurasi tertinggi pada penggunaan high
frequency untuk semua kelas sebesar 81.25%
dengan radius matriks lingkaran 5 piksel.
Berdasarkan hal tersebut dapat disimpulkan
bahwa low frequency lebih cocok digunakan
untuk identifikasi Freycinetia berbasis citra
anatomi epidermis daun menggunakan kNearest Neighbor daripada high frequency.

1 Menggunakan low frequency dan high
frequency dengan berbagai dekomposisi
Wavelet dan berbagai jenis citra.
2 Melakukan berbagai kombinasi data
training dan data testing.
3 Menemukan kriteria yang cocok untuk
menetukan jenis frekuensi yang digunakan
pada pengenalan citra.
4 Menggunakan algoritme klasifikasi yang
lain, seperti Jaringan Syaraf Tiruan (JST)
yang dapat meningkatkan akurasi.

DAFTAR PUSTAKA
Ashr N. 2011. Pengenalan wajah dengan
menggunakan Transformasi Fourier dan
fungsi jarak Euclidean [skripsi]. Bogor:
Fakultas Matematika dan Ilmu Pengetahuan
Alam, Institut Pertanian Bogor.
Cahyaningtias T. 2007. Pengenalan wajah
dengan pemrosesan awal Transformasi
Wavelet
[skripsi].
Bogor:
Fakultas
Matematika dan Ilmu Pengetahuan Alam,
Institut Pertanian Bogor.
Damayanti F. 2007. Analisis jumlah kromoson
dan anatomi stomata pada beberapa plasma
nutfah pisang (Musa sp.) asal Kalimantan
Timur. Bioscientiae 4:53-61.
Gonzalez RC, Woods RE. 2002. Digital Image
Processing. Ed ke-2. New Jersey: Prentice
Hall.
Han J, Kamber M, Pei J. 2011. Data Mining
Concepts and Techniques. Ed ke-3.
Massachusetts: Morgan Kaufmann.
Haryanti S. 20