Identifikasi daun Shorea dengan Backpropagation Neural Network menggunakan ekstraksi fitur Discrete Wavelet Transform dan Ekstraksi Warna HSV
IDENTIFIKASI DAUN SHOREA DENGAN BACKPROPAGATION NEURAL
NETWORK MENGGUNAKAN EKSTRAKSI FITUR DISCRETE WAVELET
TRANSFORM DAN EKSTRAKSI WARNA HSV
IMAN AKBAR RAMADHAN
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Program Studi Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012
ABSTRACT
IMAN AKBAR RAMADHAN. Shorea leaves Identification using Backpropagation Neural
Network with Discrete Wavelete Transform feature extraction and HSV colour extraction.
Supervised by AZIZ KUSTIYO.
Dipterocarpaceae is a major timber tree of tropical rain forest. Shorea is a genus of the
Dipterocarpaceae family which consists of around 194 species. Shorea is difficult to be identified
because it has a lot of diversity. It takes knowledge from an expert in the field of Shorea to be able
to identify the types of Shorea. Errors in identifying the type of Shorea wood can lead to
inappropriate selection for the final usability. In this research, we perform identification to 10
species of Shorea from Bogor Botanical Garden using Discrete Wavelet Transform and HSV color
extraction as the feature extraction methods. Backpropagation Neural Network is used as the
classification technique. The results of this research using both the DWT Haar family and HSV for
feature extraction, and the DWT Daubechies 2 family and HSV produce 90% accuracy. The
combination between DWT Haar family, DWT Daubechies 2 family and HSV color extraction
produces 93.33% accuracy. The conclusion from the results of this research is the significant effect
of HSV color extraction in increasing the accuracy for the identification of Shorea leaves.
Keywords: Discrete Wavelete Transform, colour extraction HSV, Backpropagation Neural
Network
Identifikasi daun Shorea dengan Backpropagation Neural Network
menggunakan ekstraksi fitur Discrete Wavelet Transform dan Ekstraksi
Warna HSV
: Iman Akbar Ramadhan
: G64096033
Judul Penelitian :
Nama
NRP
Menyetujui:
Pembimbing
Aziz Kustiyo, S.Si., M.Kom.
NIP 19700719 199802 1 001
Mengetahui:
Ketua Departemen Ilmu Komputer
Dr Ir Agus Buono MSi MKom
NIP 19660702 199302 1 001
Tanggal Lulus :
RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 14 April 1988 di Bogor. Penulis merupakan anak kedua dari
dua bersaudara dari pasangan Bapak Yusuf Hermansyah dan Ibu Lailatun. Pada tahun 2006,
penulis lulus dari SMA Negeri 7 Bogor. Pada tahun yang sama, penulis lulus seleksi masuk IPB
melalui jalur Undangan Seleksi Masuk IPB. Pada Tahun 2009, penulis lulus dari program Diploma
Jurusan Teknik Komputer Institut Pertanian Bogor. Pada tahun yang sama, penulis melanjutkan
program studi Sarjana di Departemen Ilmu Komputer, Institut Pertanian Bogor, Program Studi
Ilmu Komputer.
PRAKATA
Puji dan syukur penulis panjatkan ke hadirat Allah subhanahu wa ta'ala yang telah
memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan karya ilmiah ini.
Terima kasih penulis ucapkan kepada Bapak Aziz Kustiyo, SSi, MKom selaku pembimbing.
Adapun penulis mengucapkan terima kasih kepada:
1 Kedua orang tua yang telah memberikan dukungan, perhatian, dan doa sehingga penulis
dapat menyelesaikan studi di Departemen Ilmu Komputer IPB.
2 Mas Hoho dan Teteh atas dukungan dan doanya.
3 Dieni Fauziah Septiani atas dukungan, perhatian dan doanya.
4 Dosen penguji, Bapak Sony Hartono, MKom dan Bapak Dr Ir Agus Buono MSi MKom
atas saran dan bimbingannya.
5 Pihak Kebun Raya Bogor atas sampel daun Shorea.
6 Teman-teman satu bimbingan atas kerjasamanya.
7 Teman-teman Alih Jenis Ilkom angkatan 4, atas kerjasamanya selama penelitian.
Semoga penelitian ini dapat bermanfaat bagi semua pihak yang membutuhkan.
Bogor, Juni 2012
Iman Akbar Ramadhan
DAFTAR ISI
Halaman
DAFTAR TABEL ............................................................................................................................ vi
DAFTAR GAMBAR ....................................................................................................................... vi
DAFTAR LAMPIRAN .................................................................................................................... vi
PENDAHULUAN
Latar Belakang ............................................................................................................................. 1
Tujuan........................................................................................................................................... 1
Ruang Lingkup ............................................................................................................................. 1
TINJAUAN PUSTAKA
Shorea ........................................................................................................................................... 1
Discrete Wavelet Transform ......................................................................................................... 2
Wavelet Haar ................................................................................................................................ 2
Wavelet Daubechies ..................................................................................................................... 3
Pengolahan Citra Berwarna Model HSV ...................................................................................... 3
Backpropagation Neural Network ................................................................................................ 3
METODE PENELITIAN
Citra Daun .................................................................................................................................... 3
Praproses ...................................................................................................................................... 4
Ekstraksi Tekstur dengan Discrete Wavelet Transform (DWT) ................................................... 4
Ekstraksi Warna dengan Warna HSV........................................................................................... 4
Pelatihan menggunakan Backpropagation Neural Network ......................................................... 4
Pengujian ...................................................................................................................................... 5
Evaluasi ........................................................................................................................................ 5
Rancangan Percobaan ................................................................................................................... 5
HASIL DAN PEMBAHASAN
Percobaan 1: Discrete Wavelet Transform famili Haar ................................................................ 5
Percobaan 2: Discrete Wavelet Transform famili Daubechies 2 .................................................. 6
Perbandingan percobaan 1 dan percobaan 2 ................................................................................. 6
Percobaan 3: Ekstraksi Warna HSV ............................................................................................. 6
Percobaan 4: Kombinasi Ekstraksi Tekstur (DWT) dan Ekstraksi Warna (HSV) ........................ 7
Percobaan 5: Kombinasi Ekstraksi Tekstur DWT Haar, Daubechies dan Ekstraksi Warna
(HSV) ........................................................................................................................................... 7
KESIMPULAN DAN SARAN
Kesimpulan ................................................................................................................................... 8
Saran ............................................................................................................................................. 8
DAFTAR PUSTAKA ....................................................................................................................... 9
LAMPIRAN .................................................................................................................................... 10
v
DAFTAR TABEL
Halaman
1 Struktur JST propagasi balik ......................................................................................................... 5
2 Rancangan percobaan .................................................................................................................... 5
DAFTAR GAMBAR
Halaman
1 Contoh beberapa jenis tekstur. .................................................................................................... 2
2 Tampilan citra hasil dekomposisi. ............................................................................................... 2
3 Metodologi penelitian. ................................................................................................................ 4
4 Deskripsi citra aproksimasi dan citra detail................................................................................. 4
5 Grafik tingkat akurasi setiap jenis Shorea (DWT Haar). ............................................................ 6
6 Grafik tingkat akurasi setiap jenis Shorea (DWT Daubechies 2). ............................................... 6
7 Grafik tingkat akurasi setiap jenis Shorea (Histogram Warna HSV). ......................................... 7
8 Grafik tingkat akurasi setiap jenis Shorea (Haar - HSV). ........................................................... 7
9 Grafik tingkat akurasi setiap jenis Shorea (DB2 - HSV). ........................................................... 7
10 Grafik tingkat akurasi setiap jenis Shorea (Haar - DB2 - HSV). ................................................ 8
DAFTAR LAMPIRAN
Halaman
1 Antarmuka Implementasi ............................................................................................................ 11
2 Confusion matrix penggabungan fitur Discrete wavelet transform famili Haar – Hsv ............... 12
3 Confusion matrix Discrete wavelet transform famili Daubechies 2 – Hsv ................................. 15
4 Confusion matrix Discrete wavelet transform famili Haar - Daubechies 2 -Hsv ....................... 18
5 Tabel hasil akurasi species Shorea untuk ekstraksi fitur DWT famili haar ................................ 21
6 Tabel hasil akurasi species Shorea untuk ekstraksi fitur DWT famili daubechies 2 ................... 21
7 Tabel hasil akurasi species Shorea untuk ekstraksi warna histogram HSV ................................ 22
8 Tabel hasil akurasi species Shorea untuk penggabungan ekstraksi fitur DWT haar dan
ekstraksi warna HSV .................................................................................................................. 22
9 Tabel hasil akurasi species Shorea untuk penggabungan ekstraksi fitur DWT famili
daubechies 2 dan ekstraksi warna HSV ...................................................................................... 23
10 Tabel hasil akurasi species Shorea penggabungan ekstraksi fitur DWT famili haar,
daubechies 2 dan Histogram HSV ............................................................................................... 24
vi
1
PENDAHULUAN
Latar Belakang
Shorea merupakan kelompok famili
Dipterocarpaceae – sekelompok tumbuhan
hutan hujan tropis yang dimanfaatkan dalam
bidang perkayuan. Shorea adalah salah satu
marga tumbuhan penghasil kayu terbaik
dalam dunia perindustrian. Nilai ekonomi
yang tinggi mengakibatkan eksploitasi besarbesaran pohon Shorea. Maka dari itu, perlu
dikembangkan suatu sistem identifikasi daun
Shorea. Hal ini dilakukan agar tidak
menyebabkan kesalahan pemilihan kayu yang
tidak tepat dan mengurangi pertumbuhan jenis
kayu dengan sifat-sifat yang tidak diinginkan.
Identifikasi tumbuhan biasanya dilakukan
menggunakan batang, daun, buah, dan bunga.
Penentuan identifikasi pohon Shorea ini lebih
diutamakan pada identifikasi daun Shorea
dikarenakan daun cenderung mudah untuk
menjadi sumber pengamatan khususnya
berupa citra dan cenderung tersedia sebagai
sumber pengamatan sepanjang waktu.
Penelitian sebelumnya dengan data yang
sama dilakukan oleh Nurjayanti (2011).
Nurjayanti (2011) menggunakan K-Nearest
Neighbour sebagai classifier dan identifikasi
berdasarkan karateristik morfologi daun.
Penelitian tersebut menghasilkan akurasi data
yang sangat baik yaitu 100% data akurat.
Kanata (2008) melakukan penelitian tentang
deteksi sidik jari menggunakan ekstraksi fitur
transformasi wavelet dan menunjukan bahwa
metode wavelet sangat baik dalam identifikasi
citra sidik jari dengan akurasi 88%.
Puspitasari
(2011)
menggunakan
Backpropagation Neural Network (Jaringan
Saraf Tiruan Propagasi Balik) sebagai teknik
identifikasi daun Shorea yang menghasilkan
akurasi sebesar 94%. Backpropagation Neural
Network merupakan metode pembelajaran
yang efektif untuk jaringan multilayer
sehingga baik dalam menangani permasalahan
yang kompleks (Fausett 1994). Aminudin
(2010) menggunakan Histogram warna HSV
dalam ekstraksi pelatihan citra Belimbing
yang menghasilkan rata-rata akurasi terbaik
sebesar 78.87% untuk histogram H (hue).
Penelitian ini akan menggunakan data citra
daun Shorea dengan ekstraksi fitur Discrete
Wavelet Transform (DWT) dan Ekstraksi
Warna HSV dengan Backpropagation Neural
Network sebagai classifier. DWT digunakan
sebagai metode pengolahan citra daun yang
dapat mengekstraksi tekstur dari daun dan
mereduksi ukuran citra. Warna HSV
digunakan sebagai ekstraksi warna pada citra
daun. Model warna HSV lebih baik
dibandingkan dengan model warna lainnya
seperti RGB dan CMY. Hal ini dikarenakan
warna HSV lebih dapat merepresentasikan
visual mata manusia pada saat melihat objek
berwarna (Gonzalez & Woods 2002).
Penelitian
ini
juga
menggunakan
Backpropagation Neural Network (Jaringan
Saraf Tiruan Propagasi Balik) sebagai teknik
klasifikasi pada identifikasi citra Shorea
dengan melakukan pelatihan dan pengujian
data.
Tujuan
Tujuan
penelitian
ini
adalah
mengimplementasikan teknik ekstraksi fitur
menggunakan Discrete Wavelet Transform
(DWT) dan Ekstraksi warna HSV serta teknik
klasifikasi
Jaringan
saraf
tiruan
Backpropagation untuk pengenalan citra daun
Shorea.
Ruang Lingkup
Ruang lingkup penelitian ini meliputi
penggunaan Discrete Wavelet Transform 2Dimensi famili Haar dan Daubechies 2 serta
Transformasi Warna HSV untuk identifikasi
citra daun Shorea.
TINJAUAN PUSTAKA
Shorea
Shorea adalah salah satu marga dari
Dipterocarpaceae penghasil kayu terbaik
dalam perindustrian. Shorea memiliki sekitar
194 species yang persebarannya meliputi dari
Jawa hingga ke arah timur Maluku (Newman
1999). Pohon Shorea dapat tumbuh dari batas
permukaan laut sampai ketinggian 1750 m.
Ciri-ciri diagnostik utama pohon Shorea
ialah sangat besar dengan pepagan dalam
berlapis-lapis atau berwarna coklat merah
gelap. Daun menjangat, tidak berlipatan, tidak
bentuk perisai, tidak berlukup, berukuran 4-18
x 2-8 cm, pangkal daun biasanya simetris,
permukaan bawah daun bila mengering pudar,
pertulangan sekunder bersirip, 7-25 pasang,
terpisah permanen, pada permukaan bawah
daun bila mengering warnanya sama seperti
helai daun, atau lebih gelap pada Shorea
Javanica (Newman 1999).
2
Analisis Tekstur
Tekstur adalah gambaran visual dari
sebuah permukaan atau bahan. Dalam
computer vision, tekstur dicirikan dengan
variasi intensitas pada citra. Variasi intensitas
dapat disebabkan oleh kekasaran atau
perbedaan warna pada suatu permukaan.
Penampilan tekstur dipengaruhi oleh skala dan
arah pandangan lingkungan dan kondisi
pencahayaan (Mäenpää 2003).
Secara umum tekstur mengacu pada
pengulangan elemen-elemen tekstur dasar
yang disebut primitif atau teksel (texture
element – texel).
Gambar 1 Contoh beberapa jenis tekstur.
Discrete Wavelet Transform
Wavelet berasal dari sebuah fungsi
penyekala (scaling function) (Stollnitz & Eric
1995). Fungsi ini dapat membuat sebuah
induk wavelet (mother wavelet). Wavelet
didasarkan pada pembangkitan sejumlah tapis
(filter) dengan cara menggeser dan menskala
mother
wavelet.
Penambahan
dan
pengurangan skala akan mempengaruhi durasi
waktu, lebar bidang (bandwidth) dan nilai
frekuensi (Burrus & Guo 1998).
Transformasi wavelet dapat dibedakan
menjadi dua, yaitu Continous Wavelet
Transform (CWT) dan Discrete Wavelet
Transform
(DWT).
Discrete
Wavelet
Transform (DWT) merupakan proses fungsi
wavelet yang akan dikalkulasi pada pemilihan
subset dari skala dan posisi tertentu. DWT
digunakan pada proses pemfilteran yang
menghasilkan koefisien wavelet (Misiti 2002).
Pada citra, dilakukan transformasi
wavelet dua dimensi. Pada titik (x,y) atau baris
dan kolom pada matrik, dapat dihasilkan
φ(x,y)=φ(x)φ(y) yang merupakan koefisien
scaling atau Aproksimasi(A). Pada ψ(x,y) atau
koefisien wavelet, pengolahan menghasilkan
tiga
orientasi
detail
(D),
yaitu
ψH(x,y)=φ(x)ψ(y) atau detail horizontal (Dh),
ψV(x,y)=ψ(x)φ(y) atau detail vertikal (Dv) dan
ψH(x,y)=ψ(x)ψ(y) atau detail diagonal (Dd)
(Gonzalez & Woods 2002). Adapun
persamaan DWT pada fungsi f(x,y) ukuran M
x N (Gonzalez & Woods 2002) ialah
√
√
∑ ∑
∑∑
Inverse DWT,
√
∑∑
√
∑
∑ ∑∑
Transformasi
wavelet
melakukan
dekomposisi pada proses pemfilteran. Proses
pemfilteran dibagi dua, yaitu low-pass dan
high-pass. Low-pass digunakan pada lowfrequency berupa koefisien scaling atau
Aproksimasi(A), sedangkan high-pass pada
high-frequency berupa koefisien wavelet.
Adapun tampilan citra yang telah diproses
dekomposisi diperlihatkan pada Gambar 2.
Gambar 2 Tampilan citra hasil dekomposisi.
Proses dekomposisi akan mengekstraksi
fitur sekaligus mereduksi ukuran citra menjadi
lebih kecil sehingga mempercepat proses
identifikasi.
Wavelet Haar
Wavelet Haar merupakan wavelet yang
paling sederhana dan merupakan langkah awal
yang baik untuk tahap poses berikutnya
(McAndrew 2004). Fungsi Haar scaling
didefinisikan sebagai berikut (Burrus & Guo
1998):
{
Selain itu,
fungsi
Haar
wavelet
didefinisikan sebagai berikut (McAndrew
2004):
{
3
Proses dekomposisi Haar menerapkan
bank filter dengan h(0) = h(1) = 1/√2 sebagai
koefisien low-pass yang menghasilkan citra
pendekatan dan g(0) = 1/√2, g(1) = -1/√2
sebagai
koefisien
high-pass
yang
menghasilkan citra detail. Citra hasil
dekomposisi akan berukuran seperempat dari
ukuran citra sebenarnya.
Selain menggunakan transformasi warna,
digunakan juga histogram warna. Histogram
warna menggambarkan penyebaran nilai
intensitas piksel dari suatu citra. Puncak
histogram menampilkan intensitas piksel yang
paling menonjol sedangkan lebar puncak
menggambarkan lebar kontras (Widodo
2009).
Wavelet Daubechies
Backpropagation Neural Network
Wavelet Daubechies secara historis berasal
dari sistem Haar dan ditulis sebagai ‘dbN’
dengan N menunjukkan orde dengan 2
koefiesien (db2), 4 koefisien (db4), dan
seterusnya.
Backpropagation Neural Network atau
Jaringan Saraf Tiruan Propagasi Balik adalah
suatu sistem pemrosesan informasi yang
memiliki karateristik tertentu seperti jaringan
saraf biologis (Fauset 1994). Jaringan saraf
tiruan
telah
dikembangkan
sebagai
generalisasi model matematika dari saraf
biologis manusia.
Db2 memiliki scaling function dengan
koefisien low-pass sebagai berikut (Burrus &
Guo 1998).
√
√
√
√
√
√
√
√
Nilai koefisien high-pass fungsi wavelet
db2, adalah g0 = h3, g1 = -h2, g2 = h1, g3 = -h0.
Pengolahan Citra Berwarna Model HSV
Model warna HSV terdiri atas Hue,
Saturation, dan Value. Hue merepresentasikan
panjang gelombang dominan dalam campuran
gelombang
cahaya.
Saturation
mengindikasikan selang keabuan atau tingkat
intensitas dalam ruang warna. Value
menunjukkan tingkat kecerahan sehingga
HSV juga biasa disebut Hue Saturation
Brightness (HSB) (Georgieva et al. 2005).
Transformasi
RGB
menjadi
HSV
diperoleh menggunakan formula di bawah ini:
{
{
(Gonzalez & Woods 2002)
}
Jaringan saraf tiruan propagasi balik
merupakan algoritme pembelajaran yang
terawasi (supervised learning) dan biasanya
digunakan oleh jaringan multilayer untuk
mengubah bobot yang terhubung dengan
semua neuron pada hidden layer. Jaringan
saraf tiruan propagasi balik dikembangkan
oleh Rumelhart, Hinton, dan Williams pada
tahun 1986. Propagasi Balik merupakan
metode pembelajaran yang efektif untuk
jaringan multilayer yang memiliki input layer,
output layer, dan hidden layer.
METODE PENELITIAN
Tahapan yang akan dilakukan pada
penelitian ini secara umum dapat dilihat pada
Gambar 3.
Citra Daun
Citra Daun yang digunakan pada
penelitian adalah daun Shorea dengan 10
species. Satu species diwakili dengan 10 citra,
sehingga total citra ada sebanyak 100 citra.
Sebanyak 70 citra merupakan citra daun yang
digunakan sebagai data latih dan 30 citra
lainnya merupakan citra kueri yang digunakan
sebagai data uji. Citra yang digunakan
berukuran 3648x2736. Citra ini diakuisisi
menggunakan kamera digital. Citra yang
digunakan pada penelitian ini adalah Citra
daun Shorea yang sampelnya diambil dari
Kebun Raya Bogor.
4
yang telah difilter dengan menggunakan lowpass filter. Koefisien aproksimasi pada
dekomposisi level 1 akan diproses untuk
koefisien aproksimasi level 2 dan seterusnya.
Pada penelitian ini, level dekomposisi yang
digunakan sebanyak level 8. Hal ini agar
dapat diperoleh koefisien aproksimasi (cA4)
dan koefiesien detail (cDh4, cDv4, cDd4)
dengan ukuran 11 x 15 pixel untuk wavelet
famili haar dan ukuran 13 x 17 untuk wavelet
famili daubechies 2 yang dapat mewakili citra
asli.
Contoh citra untuk dekomposisi level 4
Wavelet Haar dalam bentuk citra aproksimasi
(cA), citra detail (cDh, cDv,cDd) pada Gambar
4.
Gambar 3 Metodologi penelitian.
Pengambilan Shorea dilakukan dengan
cara memotong kurang lebih dua tangkai daun
setiap species yang terdiri atas kurang lebih 10
daun pada tiap tangkai nya. Setelah proses
akuisisi citra, daun Shorea dipilah-pilah dan
diambil yang kualitas daun nya terlihat baik
dalam hal bentuk daun utuh dan struktur daun
jelas. Daun yang telah diakuisisi kemudian
diberikan latar belakang kertas putih untuk
dijadikan citra percobaan baik untuk pelatihan
atau pun pengujian.
Praproses
Pada tahapan ini, citra daun yang
diakuisisi dengan kamera digital menjadi citra
RGB dan diberikan latar belakang putih. Citra
akan dipraproses dengan mengubah citra
tersebut ke dalam ruang warna grayscale dan
dilakukan histogram equalization untuk
mempertajam nilai kontras citra. Citra
grayscale digunakan untuk ekstraksi tekstur
menggunakan DWT. Untuk tahapan ekstraksi
warna HSV, citra daun RGB diubah ke dalam
ruang warna HSV.
Ekstraksi Tekstur dengan Discrete Wavelet
Transform (DWT)
Citra daun yang telah dipraproses akan
ditransformasi menggunakan DWT 2D
dengan 2 tipe wavelet, yaitu Haar dan
Daubechies 2. Proses ini bertujuan
menghasilkan Koefisien Aproksimasi (cA)
dan Koefisien detail (cD).
Koefisien Aproksimasi (cA) merupakan
komponen-komponen yang mewakili citra asli
Gambar 4 Deskripsi citra aproksimasi dan
citra detail.
Ekstraksi Warna dengan Warna HSV
Pada tahap ini, komponen warna R,G,B
pada citra ditransformasikan ke dalam
komponen warna HSV. Kemudian, nilai
histogram citra tersebut dihitung untuk
melihat penyebaran nilai intensitas warnanya.
Hasil dari ekstraksi menggunakan histogram
akan dijadikan nilai masukan pada jaringan
saraf tiruan propagasi balik (Backpropagation
Neural Network).
Pelatihan menggunakan Backpropagation
Neural Network
Hasil dari transformasi wavelet dan nilai
transformasi warna HSV akan dijadikan
5
masukan Backpropagation Neural Network.
Adapun struktur JST propagasi balik yang
digunakan dapat dilihat pada Tabel 1.
Banyaknya kelas target pada jaringan
syaraf tiruan yang digunakan pada penelitian
ini sesuai dengan jumlah species daun Shorea
yaitu 10 kelas.
Tabel 1 Struktur JST propagasi balik
Karateristik
Spesifikasi
Arsitektur
1 layer Hidden
Neuron Input
Sesuai dengan dimensi
pada level wavelet dan
perhitungan histogram
HSV
Neuron Hidden
10, 20,30,40, 50, 60,
70, 80, 90, 100
Neuron Output
Banyaknya kelas
target yaitu 10
Laju pelatihan (α)
0.01, 0.1, 0.5
Toleransi
Kesalahan
0.01
Maksimal Iterasi
3000
Pada penelitian ini, pemilihan toleransi
0.01 dan laju pelatihan 0.01, 0.1, dan 0.5
diharapkan mampu meningkatkan tingkat
akurasi. Pemilihan iterasi maksimum sebesar
3000 dilakukan untuk membatasi proses
pelatihan (training) sehingga menghasilkan
model jaringan syaraf tiruan yang efektif dan
efisien.
Penelitian ini melakukan percobaan
dengan mengombinasikan jumlah neuron
hidden layer, laju pelatihan terhadap dimensi
citra yang telah mengalami transformasi
wavelet, dan hasil transformasi HSV.
Percobaan ini akan dilakukan pada 70 citra
sebagai data latih. Selama proses pelatihan,
output yang dihasilkan dibandingkan dengan
target. Jika output belum mencapai target,
pelatihan akan terus dilakukan dengan
memperbaiki
bobot
dengan
cara
mempropagasi balik nilai koreksi galat output
ke layer sebelumnya. Jika output sama dengan
target, pelatihan akan berhenti. Akhirnya
didapatkan model yang selanjutnya diteruskan
untuk proses pengujian.
Pengujian
Pengujian data dilakukan oleh sistem yaitu
dengan melihat hasil penelitian terhadap citra
kueri atau citra uji. Hasil penelitian ini diukur
dengan menggunakan tingkat akurasi dari data
citra yang diuji dan diamati. Persamaan
akurasi didefinisikan sebagai berikut:
∑
∑
Evaluasi
Evaluasi dilakukan dengan melakukan
pengelompokan data yang telah dilakukan
pengujian berdasarkan spesies dan ekstraksi
fitur yang digunakan. Evaluasi dibuat dalam
bentuk grafik agar dapat mudah dilihat dan
dianalisis seberapa besar akurasi pada
identifikasi daun Shorea.
Rancangan Percobaan
Percobaan penelitian ini dibagi menjadi
lima bagian percobaan. Pada saat pelatihan,
setiap percobaan menggunakan struktur JST
propagasi balik yang sama. serta dilakukan
pengujian dan evaluasi dari hasil pengujian.
Adapun rancangan percobaan yang akan
dilakukan dapat dilihat pada Tabel 2.
Tabel 2 Rancangan percobaan
Percobaan
Metode Ekstraksi
1
DWT famili Haar
2
DWT famili Daubechies 2
3
Histogram Warna HSV
4
Haar + HSV, DB2 + HSV
5
Haar + DB2 + HSV
HASIL DAN PEMBAHASAN
Ada sepuluh jenis Shorea yang
diidentifikasi,
yaitu
Shorea
Javanica,
Johorensis, Lepida, Leprosula, Marcoptera,
Materialis,
Palembanica,
Pinanga,
Platycados dan Seminis. Sepuluh jenis Shorea
tersebut masing-masing terdiri atas sepuluh
data citra.
Percobaan 1: Discrete Wavelet Transform
famili Haar
Percobaan ini melibatkan data hasil foto
10 jenis Shorea yang telah diakuisisi, hasil
foto tersebut dilakukan praproses dan
dilakukan ekstraksi fitur Discrete Wavelete
Transform famili Haar sebanyak 8
dekomposisi. Setelah itu, dilakukan proses
pelatihan menggunakan beberapa parameter
JST, di antaranya adalah Hidden Neuron,
Learning Rate, dan Toleransi Galat. Nilai
6
Neuron Hidden yang digunakan adalah 10, 20,
30, 40, 50, 60, 70, 80, 90, dan 100. Sementara
itu, nilai parameter lain dibuat tetap yaitu
Learning rate = 0.01 dan Toleransi galat =
0.01. Percobaan ini menghasilkan akurasi
tertinggi
sebesar
73.33%
dengan
menggunakan parameter Neuron Hidden 40,
70, dan 80. Enam dari sepuluh spesies Shorea
dapat teridentifikasi sebesar 100% ialah
Shorea Javanica, Shorea Lepida, Shorea
Palembanica, Shorea Pinanga, Shorea
Platycados dan Shorea Seminis. sedangkan
Shorea Marcoptera tidak dapat teridentifikasi
dengan akurasi terkecil sebesar 0%. Shorea
Marcoptera teridentifikasi sebagai Shorea
Materialis. Hal ini dikarenakan tekstur dan
struktur tulang daun kedua spesies ini terlihat
sama. Grafik akurasi untuk setiap jenis Shorea
pada percobaan ini dapat dilihat pada Gambar
5.
Gambar 5 Grafik tingkat akurasi setiap jenis
Shorea (DWT Haar).
Perbandingan percobaan 1 dan percobaan
2
Dari kedua percobaan tersebut diketahui
bahwa Shorea Javanica, Shorea Palembanica
dan Shorea Seminis, teridentifikasi secara baik
dengan akurasi sebesar 100%. Untuk Shorea
Materialis pada kedua percobaan tersebut
memiliki
rata-rata
akurasi
terendah
dibandingkan dengan 9 spesies lainnya.
Shorea Materialis memiliki akurasi masingmasing sebesar 33.33% untuk ekstraksi
tekstur menggunakan Haar dan 0% untuk
Daubechies 2. Dari kedua percobaan tersebut,
Shorea Materialis rata-rata teridentifikasi
sebagai Shorea Pinanga. Hal ini disebabkan
adanya kesamaan permukaan, bentuk, dan
luas daun serta adanya kemiripan pada
struktur tulang daun pada kedua spesies
tersebut.
Gambar 6 Grafik tingkat akurasi setiap jenis
Shorea (DWT Daubechies 2).
Percobaan 3: Ekstraksi Warna HSV
Percobaan 2: Discrete Wavelet Transform
famili Daubechies 2
Percobaan ini menggunakan data yang
sama seperti percobaan pertama dan
menggunakan parameter JST yang sama. Dari
percobaan, didapatkan akurasi tertinggi
sebesar 73.33% menggunakan parameter
neuron hidden 60 dan 80. Shorea Javanica,
Shorea Leprosula, Shorea Palembanica, dan
Shorea Platycados teridentifikasi dengan
akurasi sebesar 100%. Shorea Materialis tidak
dapat teridentifikasi dan menghasilkan akurasi
0%. Shorea Materialis teridentifikasi sebagai
Shorea Pinanga. Hal ini disebabkan adanya
kesamaan struktur tulang daun dan bentuk
pada kedua spesies tersebut. Tingkat akurasi
yang dihasilkan untuk setiap jenis Shorea
pada percobaan ini secara lengkap dapat
dilihat pada Gambar 6.
Pada percobaan ini, didapatkan akurasi
tertinggi sebesar 93.33% dengan parameter
neuron hidden 70. Sembilan dari sepuluh
spesies yang dapat teridentifikasi dengan baik
memiliki akurasi sebesar 100% ialah Shorea
Javanica, Shorea Johorensis, Shorea Lepida,
Shorea Leprosula, Shorea Marcoptera,
Shorea Materialis, Shorea Pinanga, Shorea
Platycados, dan Shorea Seminis. Shorea
Palembanica memiliki akurasi sebesar
33.33%, dua dari tiga data uji tidak dapat
diidentifikasi.
Shorea
Palembanica
teridentifikasi sebagai Shorea Lepida dan
Materialis. Hal ini disebabkan adanya
kesamaan pada tingkat kecerahan warna citra.
Tingkat akurasi yang dihasilkan setiap jenis
Shorea dapat dilihat secara lengkap pada
Gambar 7.
7
Palembanica teridentifikasi sebagai Shorea
Lepida. Hal ini disebabkan adanya kesamaan
tekstur, bentuk, struktur tulang daun dan
kecerahan warna pada ketiga pasang species
tersebut. Grafik akurasi untuk setiap jenis
Shorea pada percobaan ini dapat dilihat secara
lebih lengkap pada Gambar 8.
Gambar 7 Grafik tingkat akurasi setiap
jenis
Shorea
(Histogram
Warna HSV).
Gambar 8 Grafik tingkat akurasi setiap
jenis Shorea (Haar - HSV).
Pada
percobaan
kedua,
dilakukan
penggabungan ekstraksi tekstur Discrete
Wavelet Transform famili Daubechies 2 dan
histogram HSV menghasilkan akurasi
tertinggi sebesar 90% dengan neuron hidden
90. Shorea Javanica, Shorea Lepida, Shorea
Leprosula, Shorea Marcoptera, Shorea
Materialis, Shorea Pinanga,
Shorea
Platycados, dan Shorea Seminis teridentifikasi
dengan akurasi 100%, sedangkan Shorea
Leprosula, Shorea Palembanic, Shorea
Seminis menghasilkan akurasi sebesar
66.67%. Shorea Leprosula teridentifikasi
sebagai
Shorea
Johorensis,
Shorea
Palembanica teridentifikasi sebagai Shorea
Lepida, dan Shorea Seminis teridentifikasi
sebagai Shorea Palembanica. Hal ini
disebabkan adanya kesamaan tekstur, bentuk,
struktur tulang daun, dan kecerahan warna
pada ketiga pasang spesies tersebut. Tingkat
akurasi setiap jenis Shorea pada percobaan ini
dapat dilihat secara lebih lengkap pada
Gambar 9.
Percobaan 4: Kombinasi Ekstraksi Tekstur
(DWT) dan Ekstraksi Warna (HSV)
Percobaan ini dilakukan pelatihan dengan
menggunakan parameter JST neuron hidden
yang sama seperti percobaan 1, 2, dan 3.
Percobaan ini melakukan penggabungan data
dari hasil ekstraksi tekstur dan ekstraksi warna
menjadi satu buah data pelatihan model
klasifikasi dan percobaan 4 ini dibagi menjadi
dua bagian percobaan. Percobaan pertama
menggunakan penggabungan ekstrasi tekstur
Discrete Wavelet Transform famili Haar dan
histogram HSV yang menghasilkan akurasi
tertinggi sebesar 90% dengan neuron Hidden
30 dan 60. Shorea Javanica, Shorea Lepida,
Shorea Marcoptera, Shorea Materialis,
Shorea Pinanga, Shorea Platycados, dan
Shorea Seminis teridentifikasi dengan akurasi
sebesar 100%, sedangkan Shorea Johorensis,
Leprosula, dan Palembanica menghasilkan
akurasi sebesar 66.67%. Hal ini menunjukkan
bahwa masing-masing spesies tersebut
terdapat satu dari tiga data uji tidak dapat
teridentifikasi.
Shorea
Johorensis
teridentifikasi sebagai Shorea Leprosula,
Shorea Leprosula teridentifikasi sebagai
Shorea
Seminis,
sedangkan
Shorea
Gambar 9 Grafik tingkat akurasi setiap jenis
Shorea (DB2 - HSV).
Percobaan 5: Kombinasi Ekstraksi Tekstur
DWT Haar, Daubechies dan Ekstraksi
Warna (HSV)
Pada percobaan ini, dilakukan proses
penggabungan seluruh ekstraksi fitur tekstur
dan ekstraksi warna. Percobaan ini juga
menggunakan parameter yang sama dengan
percobaan
sebelumnya.
Percobaan
penggabungan seluruh fitur menghasilkan
akurasi terbaik sebesar 93.33% dengan neuron
hidden 30, 40, dan 60. Sebanyak 9 dari 10
jenis Shorea teridentifikasi dengan akurasi
8
sebesar 100%. Sembilan spesies tersebut ialah
Shorea Javanica, Johorensis, Lepida,
Leprosula,
Marcoptera,
Materialis,
Palembanica, Pinanga, dan Platycados. Pada
Shorea Seminis hanya 1 dari 3 data uji yang
dapat teridentifikasi sehingga akurasinya
hanya sebesar 33.33%. Shorea Seminis
teridentifikasi sebagai Shorea Lepida dan
Shorea Leprosula. Hal ini disebabkan oleh
adanya kesamaan bentuk dan tekstur serta
kecerahan warna antar ketiga spesies tersebut.
Tingkat akurasi setiap jenis Shorea pada
percobaan ini dapat dilihat secara lebih
lengkap pada Gambar 10.
dengan percobaan menggunakan metode
perhitungan manual berdasarkan morfologi
daun. Hal ini disebabkan adanya noise pada
citra yang mengakibatkan perbedaan nilai
pada tiap spesies sehingga pelatihan kurang
sempurna
dalam
menentukan
model
Selain
itu,
penelitian
klasifikasinya.
Puspitasari (2011) menggunakan 5 jenis
Shorea
dalam identifikasi, sedangkan
penelitian ini menggunakan 10 jenis Shorea
yang sebagian besar berbeda jenis Shorea-nya
dengan
penelitian
Puspitasari
(2011).
Penelitian Aminudin (2010) menggunakan
ekstraksi warna RGB, HSV, dan YcbCr
berbasis histogram, sedangkan penelitian ini
menggunakan ekstraksi warna HSV dengan
penggabungan
ekstraksi
fitur
untuk
mendapatkan peningkatan akurasi.
KESIMPULAN DAN SARAN
Kesimpulan
Gambar 10 Grafik tingkat akurasi setiap jenis
Shorea (Haar - DB2 - HSV).
Dalam percobaan penggabungan seluruh
ekstraksi ini, dapat ditunjukkan bahwa
masing-masing
ekstraksi
fitur
saling
mempengaruhi dalam proses identifikasi.
Seperti
pada
percobaan
4,
Shorea
Palembanica dan Shorea Leprosula tidak
dapat teridentifikasi dengan baik dengan
akurasi sebesar 66.66%. Akan tetapi setelah
menggabungkan seluruh ekstraksi fitur,
Shorea Palembanica dan Shorea Leprosula
teridentifikasi dengan baik menghasilkan
akurasi sebesar 100%.
Dari penelitian ini, dapat disimpulkan
beberapa hal dalam identifikasi daun Shorea
berdasarkan ekstraksi fitur dan ekstraksi
warna, yaitu:
1 Pada
percobaan
awal
proses
penggabungan ekstraksi fitur DWT dan
ekstraksi warna HSV menghasilkan
akurasi yang sangat baik sebesar 80%.
2 Pada percobaan kedua, percobaan
pertukaran data uji dan data latih serta
penggabungan ekstraksi fitur dan
ekstraksi warna HSV menghasilkan
peningkatan akurasi sebesar 90%.
3 Ekstraksi Warna HSV merupakan faktor
yang signifikan dalam hal proses
peningkatan dan penurunan akurasi
dalam identifikasi Shorea.
Saran
Perbandingan dengan penelitian Terkait
Pada Penelitian Puspitasari (2011), telah
didapatkan rata-rata akurasi sebesar 90%
dalam identifikasi daun Shorea menggunakan
Jaringan Saraf Tiruan Propagasi Balik atau
Backpropagation Neural Network. Penelitian
ini menghasilkan rata-rata akurasi terbesar
84.67%.
Adapun
parameter
yang
membedakan,
yaitu
objek
penelitian.
Penelitian Puspitasari (2011) menggunakan
perhitungan karateristik morfologi daun
sedangkan penelitian ini menggunakan citra
sebagai objek penelitian. Percobaan citra
cenderung lebih sulit dalam menentukan
model klasifikasi secara akurat dibandingkan
Penelitian ini masih memiliki beberapa
kekurangan yang dapat diperbaiki pada
penelitian selanjutnya. Adapun beberapa saran
untuk penelitian selanjutnya sebagai berikut :
1 Memperbanyak fitur-fitur lainnya seperti
ekstraksi warna RGB, YcbCr dan
ekstraksi tekstur seperti LBP, discrete
fourier transform.
2 Mengimplementasikan aplikasi berbasis
android agar dapat digunakan secara
mobile.
9
DAFTAR PUSTAKA
Aminudin P. 2010. Pemutuan belimbing
manis dengan citra pelatihan tunggal
menggunakan algoritme VFI5 berbasis
histogram warna [skripsi]. Bogor:
Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian
Bogor.
Burrus CS, Guo H. 1998. Introduction to
Wavelets and Wavelet Transforms, A
Primer. New Jersey: Prentice-Hall.
Fausett L. 1994. Fundamental of Neural
Network Architectures, Algorithms and
Aplication. New Jersey: Prentice-Hall.
Georgieva L, Dimitrova T, Angelov N. 2005.
RGB and HSV colour models in colour
identification of digital traumas image.
http://ecet.ecs.ru.acad.bg/cst05/Docs/c
p/sV/V.12.pdf/ [23 Okt 2011]
Gonzalez RC, Woods RE. 2002. Digital
Image Processing. Ed ke-2. New
Jersey: Prentice Hall.
Kanata B. 2008. deteksi sidik jari berbasis
alihragam gelombang singkat (wavelet)
dan jaringan syaraf tiruan (JST) khusus
kota mataram dan sekitarnya[skripsi].
Mataram: Fakultas Teknik Elektro,
Universitas Mataram.
Mäenpää T. 2003. The Local Binary Pattern
Approach to Texture Analysis.Oulu :
Oulu University Press.
McAndrew A. 2004. An Introduction to
Digital Image Processing with
MATLAB. Boston: Thomson Course
Technology.
M. 2002. Wavelet Toolbox.The
Mathwork, Inc.
Newman MF. 1999. Pedoman Identifikasi
Pohon-pohon Dipterocarpaceae Jawa
sampai Nugini. Bogor: PROSEA
INDONESIA.
Nurjayanti B.
2011. Identifikasi shorea
menggunakan k-Nearest Neighbour
berdasarkan karateristik morfologi
daun [skripsi]. Bogor: Fakultas
Matematika dan Ilmu Pengetahuan
Alam, Institut Pertanian Bogor.
Puspitasari D. 2011. Identifikasi jenis shorea
menggunakan jaringan syaraf tiruan
propagasi
balik
berdasarkan
karateristik morfologi daun [skripsi].
Bogor: Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian
Bogor.
Stollnitz, Eric J. 1995. Wavelets for Computer
Graphic: A Primer Part 1. University
of
Washington.
http://grail.cs.washington.edu/projects/
wavelets/article/wavelet1.pdf [23 Okt
2011].
Widodo Y. 2009. Penggunaan color histogram
dalam image retrieval. [terhubung
berkala]. http://ilmukomputer.org/wpcontent/uploads/2009/10/yanuwidcbir.pdf [15 Des 2011].
Misiti
LAMPIRAN
11
Lampiran 1 Antarmuka Implementasi
12
Lampiran 2 Confusion matrix penggabungan fitur Discrete wavelet transform famili Haar – Hsv
Keterangan :
Java = Shorea Javanica
Joho = Shorea Johorensis
Lepid = Shorea Lepida
Lepro = Shorea Leprosula
Marco = Shorea Marcoptera
Mater = Shorea Materialis
Palem = Shorea Palembanica
Pinan = Shorea Pinanga
Platy = Shorea Platycados
Semin = Shorea Seminis
Haar Hsv - Neuron Hidden 10
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
2
1
3
3
3
1
2
3
3
1
1
Lepid
Lepro
1
Haar Hsv - Neuron Hidden 20
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
3
2
1
3
1
2
1
2
3
2
1
Haar Hsv - Neuron Hidden 30
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
2
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
1
3
2
1
3
3
1
2
3
3
3
13
Lanjutan
Haar Hsv - Neuron Hidden 40
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
3
3
3
1
2
3
3
1
2
Haar Hsv - Neuron Hidden 50
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
1
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
2
3
3
1
2
3
1
1
1
3
3
3
Haar Hsv - Neuron Hidden 60
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
3
3
3
3
2
1
1
2
3
Haar Hsv - Neuron Hidden 70
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
2
Palem
Pinan
Platy
Semin
1
3
3
1
2
3
1
1
1
1
2
3
3
14
Lanjutan
Haar Hsv - Neuron Hidden 80
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
1
1
2
2
1
2
1
2
3
3
3
Haar Hsv - Neuron Hidden 90
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
2
1
1
2
3
1
1
1
1
2
3
1
2
Haar Hsv - Neuron Hidden 100
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
2
1
1
2
3
1
1
1
1
2
3
1
2
15
Lampiran 3 Confusion matrix Discrete wavelet transform famili Daubechies 2 – Hsv
Daubechies 2 Hsv – Neuron Hidden 10
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
1
2
3
3
1
1
1
3
3
3
Daubechies 2 Hsv – Neuron Hidden 20
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
3
3
3
1
1
1
1
2
3
3
Daubechies 2 Hsv – Neuron Hidden 30
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
2
1
3
3
1
2
1
2
3
3
Daubechies 2 Hsv – Neuron Hidden 40
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
3
3
3
1
1
1
3
3
1
2
16
Lanjutan
Daubechies 2 Hsv – Neuron Hidden 50
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
2
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
1
3
1
1
1
3
3
1
1
1
3
3
3
Daubechies 2 Hsv – Neuron Hidden 60
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
1
1
1
1
2
3
3
1
2
3
1
2
Daubechies 2 Hsv – Neuron Hidden 70
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
3
3
2
1
1
1
1
3
3
1
2
Daubechies 2 Hsv – Neuron Hidden 80
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
3
3
1
2
2
1
3
3
1
2
17
Lanjutan
Daubechies 2 Hsv – Neuron Hidden 90
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
1
2
3
3
1
2
3
3
1
2
Daubechies 2 Hsv – Neuron Hidden 100
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
1
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
2
3
3
3
3
1
1
1
3
3
1
2
18
Lampiran 4 Confusion matrix Discrete wavelet transform famili Haar - Daubechies 2 -Hsv
Haar Daubechies 2 Hsv – Neuron Hidden 10
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
3
3
3
1
2
3
3
1
2
Haar Daubechies 2 Hsv – Neuron Hidden 20
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
1
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
1
Palem
Pinan
Platy
1
Semin
3
3
3
3
3
1
2
3
3
3
Haar Daubechies 2 Hsv – Neuron Hidden 30
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
1
2
3
3
1
2
3
3
3
Haar Daubechies 2 Hsv – Neuron Hidden 40
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
1
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
2
3
3
3
3
3
3
3
3
19
Lanjutan
Haar Daubechies 2 Hsv – Neuron Hidden 50
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
3
3
2
1
3
3
3
1
2
Haar Daubechies 2 Hsv – Neuron Hidden 60
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
3
3
3
3
3
3
1
1
1
Haar Daubechies 2 Hsv – Neuron Hidden 70
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
2
1
3
3
1
2
3
3
1
2
Haar Daubechies 2 Hsv – Neuron Hidden 80
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
3
3
2
1
1
2
3
3
1
1
1
20
Lanjutan
Haar Daubechies 2 Hsv – Neuron Hidden 90
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
2
1
3
3
1
1
1
3
3
3
Haar Daubechies 2 Hsv – Neuron Hidden 100
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
3
3
3
1
1
1
3
3
1
1
1
21
Lampiran 5 Tabel hasil akurasi species Shorea untuk ekstraksi fitur DWT famili haar
Haar
Javanica
Johorensis
Lepida
Leprosula
Marcoptera
Materialis
Palembanica
Pinanga
Platycados
Seminis
Rata-rata
Haar
Javanica
Johorensis
Lepida
Leprosula
Marcoptera
Materialis
Palembanica
Pinanga
Platycados
Seminis
Rata-rata
10
33.33%
66.67%
66.67%
33.33%
0.00%
100 %
100 %
0.00%
100 %
0.00%
50.00%
60
100 %
33.33%
100 %
66.67%
66.67%
33.33%
66.67%
100%
66.67%
66.67%
70.00%
20
Hidden Layer
30
100 %
66.67%
100 %
0.00%
66.67%
33.33%
66.67%
0.00%
100%
100 %
63.33%
66.67%
66.67%
100 %
100 %
66.67%
0.00%
0.00%
100%
100%
33.33%
63.33%
70
Hidden Layer
80
100 %
33.33%
100 %
33.33%
100%
100%
66.67%
0.00%
100%
100%
73.33%
100 %
66.67%
100 %
100 %
66.67%
66.67%
66.67%
100%
0.00%
66.67%
73.33%
40
100 %
66.67%
100 %
33.33%
0.00%
33.33%
100%
100%
100%
100%
73.33%
90
100 %
66.67%
66.67%
33.33%
66.67%
100%
100%
0.00%
100%
0.00%
63.33%
50
66.67%
0.00%
100 %
100 %
66.67%
66.67%
0.00%
100%
100%
33.33%
63.33%
100
100 %
33.33%
100 %
66.67%
100%
0.00%
66.67%
100%
66.67%
33.33%
66.67%
Lampiran 6 Tabel hasil akurasi species Shorea untuk ekstraksi fitur DWT famili daubechies 2
Daubechies 2
Javanica
Johorensis
Lepida
Leprosula
Marcoptera
Materialis
Palembanica
Pinanga
Platycados
Seminis
Rata-rata
Daubechies 2
Javanica
Johorensis
Lepida
Leprosula
Marcoptera
Materialis
Palembanica
Pinanga
Platycados
Seminis
Rata-rata
10
100%
33.33%
33.33%
33.33%
66.67%
100%
66.67%
0.00%
66.67%
66.67%
56.67%
60
100 %
33.33%
100 %
66.67%
66.67%
33.33%
66.67%
100%
66.67%
66.67%
70.00%
20
Hidden Layer
30
66.67%
66.67%
33.33%
66.67%
100%
66.67%
100%
66.67%
100%
33.33%
70.00%
100%
33.33%
66.67%
66.67%
0.00%
66.67%
66.67%
100%
100%
0.00%
60.00%
70
Hidden Layer
80
100 %
33.33%
100 %
33.33%
100%
100%
66.67%
0.00%
100%
100%
73.33%
100 %
66.67%
100 %
100 %
66.67%
66.67%
66.67%
100%
0.00%
66.67%
73.33%
40
100%
33.33%
100%
66.67%
100%
0.00%
100%
33.33%
100%
0.00%
63.33%
90
100 %
66.67%
66.67%
33.33%
66.67%
100%
100%
0.00%
100%
0.00%
63.33%
50
66.67%
33.33%
66.67%
33.33%
66.67%
33.33%
100%
100%
100%
100%
70.00%
100
100 %
33.33%
100 %
66.67%
100%
0.00%
66.67%
100%
66.67%
33.33%
66.67%
22
Lampiran 7 Tabel hasil akurasi species Shorea untuk ekstraksi warna histogram HSV
HSV
Javanica
Johorensis
Lepida
Leprosula
Marcoptera
Materialis
Palembanica
Pinanga
Platycados
Seminis
Rata-rata
HSV
Javanica
Johorensis
Lepida
Leprosula
Marcoptera
Materialis
Palembanica
Pinanga
Platycados
Seminis
Rata-rata
10
100%
100%
100%
100%
100%
100%
33.33%
100%
100%
0.00%
83.33%
60
66.67%
100%
100%
100%
100%
100%
33.33%
33.33%
100%
33.33%
76.67%
20
Hidden Layer
30
66.67%
100%
100%
100%
100%
66.67%
33.33%
33.33%
100%
100%
80.00%
100%
100%
100%
0.00%
100%
100%
0.00%
33.33%
100%
100%
73.33%
70
Hidden Layer
80
100%
100%
100%
100%
100%
100%
66.67%
100%
100%
100%
96.67%
100%
100%
0.00%
66.67%
100%
100%
66.67%
66.67%
100%
100%
80.00%
40
66.67%
100%
66.67%
100%
100%
100%
33.33%
0.00%
100%
100%
76.67%
90
66.67%
100%
100%
100%
100%
100%
33.33%
100%
100%
100%
90.00%
50
66.67%
100%
100%
100%
100%
100%
66.67%
100%
100%
33.33%
86.67%
100
100%
100%
100%
33.33%
100%
100%
33.33%
100%
100%
100%
86.67%
Lampiran 8 Tabel hasil akurasi species Shorea untuk penggabungan ekstraksi fitur DWT famili
haar dan ekstraksi warna HSV
Haar - HSV
Javanica
Johorensis
Lepida
Leprosula
Marcoptera
Materialis
Palembanica
Pinanga
Platycados
Seminis
Rata-rata
Haar - HSV
Javanica
Johorensis
Lepida
Leprosula
Marcoptera
Materialis
Palembanica
Pinanga
Platycados
Seminis
Rata-rata
10
100%
100%
66.67%
100%
100%
100%
66.67%
100%
100%
33.33%
86.67%
60
100%
100%
100%
100%
100%
100%
100%
33.33%
66.67%
100%
90.00%
20
Hidden Layer
30
100%
100%
100%
100%
0.00%
100%
66.67%
66.67%
100%
33.33%
76.67%
100%
66.67%
100%
66.67%
100%
100%
66.67%
100%
100%
100%
90.00%
70
Hidden Layer
80
100%
66.67%
100%
100%
66.67%
100%
33.33%
66.67%
100%
100%
83.33%
100%
100%
100%
33.33%
66.67%
66.67%
66.67%
100%
100%
100%
83.33%
40
100%
100%
100%
100%
100%
100%
0.00%
100%
100%
66.67%
86.67%
90
100%
100%
100%
66.67%
66.67%
100%
33.33%
66.67%
100%
66.67%
80.00%
50
100%
66.67%
100%
100%
66.67%
100%
33.33%
100%
100%
100%
86.
NETWORK MENGGUNAKAN EKSTRAKSI FITUR DISCRETE WAVELET
TRANSFORM DAN EKSTRAKSI WARNA HSV
IMAN AKBAR RAMADHAN
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Program Studi Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012
ABSTRACT
IMAN AKBAR RAMADHAN. Shorea leaves Identification using Backpropagation Neural
Network with Discrete Wavelete Transform feature extraction and HSV colour extraction.
Supervised by AZIZ KUSTIYO.
Dipterocarpaceae is a major timber tree of tropical rain forest. Shorea is a genus of the
Dipterocarpaceae family which consists of around 194 species. Shorea is difficult to be identified
because it has a lot of diversity. It takes knowledge from an expert in the field of Shorea to be able
to identify the types of Shorea. Errors in identifying the type of Shorea wood can lead to
inappropriate selection for the final usability. In this research, we perform identification to 10
species of Shorea from Bogor Botanical Garden using Discrete Wavelet Transform and HSV color
extraction as the feature extraction methods. Backpropagation Neural Network is used as the
classification technique. The results of this research using both the DWT Haar family and HSV for
feature extraction, and the DWT Daubechies 2 family and HSV produce 90% accuracy. The
combination between DWT Haar family, DWT Daubechies 2 family and HSV color extraction
produces 93.33% accuracy. The conclusion from the results of this research is the significant effect
of HSV color extraction in increasing the accuracy for the identification of Shorea leaves.
Keywords: Discrete Wavelete Transform, colour extraction HSV, Backpropagation Neural
Network
Identifikasi daun Shorea dengan Backpropagation Neural Network
menggunakan ekstraksi fitur Discrete Wavelet Transform dan Ekstraksi
Warna HSV
: Iman Akbar Ramadhan
: G64096033
Judul Penelitian :
Nama
NRP
Menyetujui:
Pembimbing
Aziz Kustiyo, S.Si., M.Kom.
NIP 19700719 199802 1 001
Mengetahui:
Ketua Departemen Ilmu Komputer
Dr Ir Agus Buono MSi MKom
NIP 19660702 199302 1 001
Tanggal Lulus :
RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 14 April 1988 di Bogor. Penulis merupakan anak kedua dari
dua bersaudara dari pasangan Bapak Yusuf Hermansyah dan Ibu Lailatun. Pada tahun 2006,
penulis lulus dari SMA Negeri 7 Bogor. Pada tahun yang sama, penulis lulus seleksi masuk IPB
melalui jalur Undangan Seleksi Masuk IPB. Pada Tahun 2009, penulis lulus dari program Diploma
Jurusan Teknik Komputer Institut Pertanian Bogor. Pada tahun yang sama, penulis melanjutkan
program studi Sarjana di Departemen Ilmu Komputer, Institut Pertanian Bogor, Program Studi
Ilmu Komputer.
PRAKATA
Puji dan syukur penulis panjatkan ke hadirat Allah subhanahu wa ta'ala yang telah
memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan karya ilmiah ini.
Terima kasih penulis ucapkan kepada Bapak Aziz Kustiyo, SSi, MKom selaku pembimbing.
Adapun penulis mengucapkan terima kasih kepada:
1 Kedua orang tua yang telah memberikan dukungan, perhatian, dan doa sehingga penulis
dapat menyelesaikan studi di Departemen Ilmu Komputer IPB.
2 Mas Hoho dan Teteh atas dukungan dan doanya.
3 Dieni Fauziah Septiani atas dukungan, perhatian dan doanya.
4 Dosen penguji, Bapak Sony Hartono, MKom dan Bapak Dr Ir Agus Buono MSi MKom
atas saran dan bimbingannya.
5 Pihak Kebun Raya Bogor atas sampel daun Shorea.
6 Teman-teman satu bimbingan atas kerjasamanya.
7 Teman-teman Alih Jenis Ilkom angkatan 4, atas kerjasamanya selama penelitian.
Semoga penelitian ini dapat bermanfaat bagi semua pihak yang membutuhkan.
Bogor, Juni 2012
Iman Akbar Ramadhan
DAFTAR ISI
Halaman
DAFTAR TABEL ............................................................................................................................ vi
DAFTAR GAMBAR ....................................................................................................................... vi
DAFTAR LAMPIRAN .................................................................................................................... vi
PENDAHULUAN
Latar Belakang ............................................................................................................................. 1
Tujuan........................................................................................................................................... 1
Ruang Lingkup ............................................................................................................................. 1
TINJAUAN PUSTAKA
Shorea ........................................................................................................................................... 1
Discrete Wavelet Transform ......................................................................................................... 2
Wavelet Haar ................................................................................................................................ 2
Wavelet Daubechies ..................................................................................................................... 3
Pengolahan Citra Berwarna Model HSV ...................................................................................... 3
Backpropagation Neural Network ................................................................................................ 3
METODE PENELITIAN
Citra Daun .................................................................................................................................... 3
Praproses ...................................................................................................................................... 4
Ekstraksi Tekstur dengan Discrete Wavelet Transform (DWT) ................................................... 4
Ekstraksi Warna dengan Warna HSV........................................................................................... 4
Pelatihan menggunakan Backpropagation Neural Network ......................................................... 4
Pengujian ...................................................................................................................................... 5
Evaluasi ........................................................................................................................................ 5
Rancangan Percobaan ................................................................................................................... 5
HASIL DAN PEMBAHASAN
Percobaan 1: Discrete Wavelet Transform famili Haar ................................................................ 5
Percobaan 2: Discrete Wavelet Transform famili Daubechies 2 .................................................. 6
Perbandingan percobaan 1 dan percobaan 2 ................................................................................. 6
Percobaan 3: Ekstraksi Warna HSV ............................................................................................. 6
Percobaan 4: Kombinasi Ekstraksi Tekstur (DWT) dan Ekstraksi Warna (HSV) ........................ 7
Percobaan 5: Kombinasi Ekstraksi Tekstur DWT Haar, Daubechies dan Ekstraksi Warna
(HSV) ........................................................................................................................................... 7
KESIMPULAN DAN SARAN
Kesimpulan ................................................................................................................................... 8
Saran ............................................................................................................................................. 8
DAFTAR PUSTAKA ....................................................................................................................... 9
LAMPIRAN .................................................................................................................................... 10
v
DAFTAR TABEL
Halaman
1 Struktur JST propagasi balik ......................................................................................................... 5
2 Rancangan percobaan .................................................................................................................... 5
DAFTAR GAMBAR
Halaman
1 Contoh beberapa jenis tekstur. .................................................................................................... 2
2 Tampilan citra hasil dekomposisi. ............................................................................................... 2
3 Metodologi penelitian. ................................................................................................................ 4
4 Deskripsi citra aproksimasi dan citra detail................................................................................. 4
5 Grafik tingkat akurasi setiap jenis Shorea (DWT Haar). ............................................................ 6
6 Grafik tingkat akurasi setiap jenis Shorea (DWT Daubechies 2). ............................................... 6
7 Grafik tingkat akurasi setiap jenis Shorea (Histogram Warna HSV). ......................................... 7
8 Grafik tingkat akurasi setiap jenis Shorea (Haar - HSV). ........................................................... 7
9 Grafik tingkat akurasi setiap jenis Shorea (DB2 - HSV). ........................................................... 7
10 Grafik tingkat akurasi setiap jenis Shorea (Haar - DB2 - HSV). ................................................ 8
DAFTAR LAMPIRAN
Halaman
1 Antarmuka Implementasi ............................................................................................................ 11
2 Confusion matrix penggabungan fitur Discrete wavelet transform famili Haar – Hsv ............... 12
3 Confusion matrix Discrete wavelet transform famili Daubechies 2 – Hsv ................................. 15
4 Confusion matrix Discrete wavelet transform famili Haar - Daubechies 2 -Hsv ....................... 18
5 Tabel hasil akurasi species Shorea untuk ekstraksi fitur DWT famili haar ................................ 21
6 Tabel hasil akurasi species Shorea untuk ekstraksi fitur DWT famili daubechies 2 ................... 21
7 Tabel hasil akurasi species Shorea untuk ekstraksi warna histogram HSV ................................ 22
8 Tabel hasil akurasi species Shorea untuk penggabungan ekstraksi fitur DWT haar dan
ekstraksi warna HSV .................................................................................................................. 22
9 Tabel hasil akurasi species Shorea untuk penggabungan ekstraksi fitur DWT famili
daubechies 2 dan ekstraksi warna HSV ...................................................................................... 23
10 Tabel hasil akurasi species Shorea penggabungan ekstraksi fitur DWT famili haar,
daubechies 2 dan Histogram HSV ............................................................................................... 24
vi
1
PENDAHULUAN
Latar Belakang
Shorea merupakan kelompok famili
Dipterocarpaceae – sekelompok tumbuhan
hutan hujan tropis yang dimanfaatkan dalam
bidang perkayuan. Shorea adalah salah satu
marga tumbuhan penghasil kayu terbaik
dalam dunia perindustrian. Nilai ekonomi
yang tinggi mengakibatkan eksploitasi besarbesaran pohon Shorea. Maka dari itu, perlu
dikembangkan suatu sistem identifikasi daun
Shorea. Hal ini dilakukan agar tidak
menyebabkan kesalahan pemilihan kayu yang
tidak tepat dan mengurangi pertumbuhan jenis
kayu dengan sifat-sifat yang tidak diinginkan.
Identifikasi tumbuhan biasanya dilakukan
menggunakan batang, daun, buah, dan bunga.
Penentuan identifikasi pohon Shorea ini lebih
diutamakan pada identifikasi daun Shorea
dikarenakan daun cenderung mudah untuk
menjadi sumber pengamatan khususnya
berupa citra dan cenderung tersedia sebagai
sumber pengamatan sepanjang waktu.
Penelitian sebelumnya dengan data yang
sama dilakukan oleh Nurjayanti (2011).
Nurjayanti (2011) menggunakan K-Nearest
Neighbour sebagai classifier dan identifikasi
berdasarkan karateristik morfologi daun.
Penelitian tersebut menghasilkan akurasi data
yang sangat baik yaitu 100% data akurat.
Kanata (2008) melakukan penelitian tentang
deteksi sidik jari menggunakan ekstraksi fitur
transformasi wavelet dan menunjukan bahwa
metode wavelet sangat baik dalam identifikasi
citra sidik jari dengan akurasi 88%.
Puspitasari
(2011)
menggunakan
Backpropagation Neural Network (Jaringan
Saraf Tiruan Propagasi Balik) sebagai teknik
identifikasi daun Shorea yang menghasilkan
akurasi sebesar 94%. Backpropagation Neural
Network merupakan metode pembelajaran
yang efektif untuk jaringan multilayer
sehingga baik dalam menangani permasalahan
yang kompleks (Fausett 1994). Aminudin
(2010) menggunakan Histogram warna HSV
dalam ekstraksi pelatihan citra Belimbing
yang menghasilkan rata-rata akurasi terbaik
sebesar 78.87% untuk histogram H (hue).
Penelitian ini akan menggunakan data citra
daun Shorea dengan ekstraksi fitur Discrete
Wavelet Transform (DWT) dan Ekstraksi
Warna HSV dengan Backpropagation Neural
Network sebagai classifier. DWT digunakan
sebagai metode pengolahan citra daun yang
dapat mengekstraksi tekstur dari daun dan
mereduksi ukuran citra. Warna HSV
digunakan sebagai ekstraksi warna pada citra
daun. Model warna HSV lebih baik
dibandingkan dengan model warna lainnya
seperti RGB dan CMY. Hal ini dikarenakan
warna HSV lebih dapat merepresentasikan
visual mata manusia pada saat melihat objek
berwarna (Gonzalez & Woods 2002).
Penelitian
ini
juga
menggunakan
Backpropagation Neural Network (Jaringan
Saraf Tiruan Propagasi Balik) sebagai teknik
klasifikasi pada identifikasi citra Shorea
dengan melakukan pelatihan dan pengujian
data.
Tujuan
Tujuan
penelitian
ini
adalah
mengimplementasikan teknik ekstraksi fitur
menggunakan Discrete Wavelet Transform
(DWT) dan Ekstraksi warna HSV serta teknik
klasifikasi
Jaringan
saraf
tiruan
Backpropagation untuk pengenalan citra daun
Shorea.
Ruang Lingkup
Ruang lingkup penelitian ini meliputi
penggunaan Discrete Wavelet Transform 2Dimensi famili Haar dan Daubechies 2 serta
Transformasi Warna HSV untuk identifikasi
citra daun Shorea.
TINJAUAN PUSTAKA
Shorea
Shorea adalah salah satu marga dari
Dipterocarpaceae penghasil kayu terbaik
dalam perindustrian. Shorea memiliki sekitar
194 species yang persebarannya meliputi dari
Jawa hingga ke arah timur Maluku (Newman
1999). Pohon Shorea dapat tumbuh dari batas
permukaan laut sampai ketinggian 1750 m.
Ciri-ciri diagnostik utama pohon Shorea
ialah sangat besar dengan pepagan dalam
berlapis-lapis atau berwarna coklat merah
gelap. Daun menjangat, tidak berlipatan, tidak
bentuk perisai, tidak berlukup, berukuran 4-18
x 2-8 cm, pangkal daun biasanya simetris,
permukaan bawah daun bila mengering pudar,
pertulangan sekunder bersirip, 7-25 pasang,
terpisah permanen, pada permukaan bawah
daun bila mengering warnanya sama seperti
helai daun, atau lebih gelap pada Shorea
Javanica (Newman 1999).
2
Analisis Tekstur
Tekstur adalah gambaran visual dari
sebuah permukaan atau bahan. Dalam
computer vision, tekstur dicirikan dengan
variasi intensitas pada citra. Variasi intensitas
dapat disebabkan oleh kekasaran atau
perbedaan warna pada suatu permukaan.
Penampilan tekstur dipengaruhi oleh skala dan
arah pandangan lingkungan dan kondisi
pencahayaan (Mäenpää 2003).
Secara umum tekstur mengacu pada
pengulangan elemen-elemen tekstur dasar
yang disebut primitif atau teksel (texture
element – texel).
Gambar 1 Contoh beberapa jenis tekstur.
Discrete Wavelet Transform
Wavelet berasal dari sebuah fungsi
penyekala (scaling function) (Stollnitz & Eric
1995). Fungsi ini dapat membuat sebuah
induk wavelet (mother wavelet). Wavelet
didasarkan pada pembangkitan sejumlah tapis
(filter) dengan cara menggeser dan menskala
mother
wavelet.
Penambahan
dan
pengurangan skala akan mempengaruhi durasi
waktu, lebar bidang (bandwidth) dan nilai
frekuensi (Burrus & Guo 1998).
Transformasi wavelet dapat dibedakan
menjadi dua, yaitu Continous Wavelet
Transform (CWT) dan Discrete Wavelet
Transform
(DWT).
Discrete
Wavelet
Transform (DWT) merupakan proses fungsi
wavelet yang akan dikalkulasi pada pemilihan
subset dari skala dan posisi tertentu. DWT
digunakan pada proses pemfilteran yang
menghasilkan koefisien wavelet (Misiti 2002).
Pada citra, dilakukan transformasi
wavelet dua dimensi. Pada titik (x,y) atau baris
dan kolom pada matrik, dapat dihasilkan
φ(x,y)=φ(x)φ(y) yang merupakan koefisien
scaling atau Aproksimasi(A). Pada ψ(x,y) atau
koefisien wavelet, pengolahan menghasilkan
tiga
orientasi
detail
(D),
yaitu
ψH(x,y)=φ(x)ψ(y) atau detail horizontal (Dh),
ψV(x,y)=ψ(x)φ(y) atau detail vertikal (Dv) dan
ψH(x,y)=ψ(x)ψ(y) atau detail diagonal (Dd)
(Gonzalez & Woods 2002). Adapun
persamaan DWT pada fungsi f(x,y) ukuran M
x N (Gonzalez & Woods 2002) ialah
√
√
∑ ∑
∑∑
Inverse DWT,
√
∑∑
√
∑
∑ ∑∑
Transformasi
wavelet
melakukan
dekomposisi pada proses pemfilteran. Proses
pemfilteran dibagi dua, yaitu low-pass dan
high-pass. Low-pass digunakan pada lowfrequency berupa koefisien scaling atau
Aproksimasi(A), sedangkan high-pass pada
high-frequency berupa koefisien wavelet.
Adapun tampilan citra yang telah diproses
dekomposisi diperlihatkan pada Gambar 2.
Gambar 2 Tampilan citra hasil dekomposisi.
Proses dekomposisi akan mengekstraksi
fitur sekaligus mereduksi ukuran citra menjadi
lebih kecil sehingga mempercepat proses
identifikasi.
Wavelet Haar
Wavelet Haar merupakan wavelet yang
paling sederhana dan merupakan langkah awal
yang baik untuk tahap poses berikutnya
(McAndrew 2004). Fungsi Haar scaling
didefinisikan sebagai berikut (Burrus & Guo
1998):
{
Selain itu,
fungsi
Haar
wavelet
didefinisikan sebagai berikut (McAndrew
2004):
{
3
Proses dekomposisi Haar menerapkan
bank filter dengan h(0) = h(1) = 1/√2 sebagai
koefisien low-pass yang menghasilkan citra
pendekatan dan g(0) = 1/√2, g(1) = -1/√2
sebagai
koefisien
high-pass
yang
menghasilkan citra detail. Citra hasil
dekomposisi akan berukuran seperempat dari
ukuran citra sebenarnya.
Selain menggunakan transformasi warna,
digunakan juga histogram warna. Histogram
warna menggambarkan penyebaran nilai
intensitas piksel dari suatu citra. Puncak
histogram menampilkan intensitas piksel yang
paling menonjol sedangkan lebar puncak
menggambarkan lebar kontras (Widodo
2009).
Wavelet Daubechies
Backpropagation Neural Network
Wavelet Daubechies secara historis berasal
dari sistem Haar dan ditulis sebagai ‘dbN’
dengan N menunjukkan orde dengan 2
koefiesien (db2), 4 koefisien (db4), dan
seterusnya.
Backpropagation Neural Network atau
Jaringan Saraf Tiruan Propagasi Balik adalah
suatu sistem pemrosesan informasi yang
memiliki karateristik tertentu seperti jaringan
saraf biologis (Fauset 1994). Jaringan saraf
tiruan
telah
dikembangkan
sebagai
generalisasi model matematika dari saraf
biologis manusia.
Db2 memiliki scaling function dengan
koefisien low-pass sebagai berikut (Burrus &
Guo 1998).
√
√
√
√
√
√
√
√
Nilai koefisien high-pass fungsi wavelet
db2, adalah g0 = h3, g1 = -h2, g2 = h1, g3 = -h0.
Pengolahan Citra Berwarna Model HSV
Model warna HSV terdiri atas Hue,
Saturation, dan Value. Hue merepresentasikan
panjang gelombang dominan dalam campuran
gelombang
cahaya.
Saturation
mengindikasikan selang keabuan atau tingkat
intensitas dalam ruang warna. Value
menunjukkan tingkat kecerahan sehingga
HSV juga biasa disebut Hue Saturation
Brightness (HSB) (Georgieva et al. 2005).
Transformasi
RGB
menjadi
HSV
diperoleh menggunakan formula di bawah ini:
{
{
(Gonzalez & Woods 2002)
}
Jaringan saraf tiruan propagasi balik
merupakan algoritme pembelajaran yang
terawasi (supervised learning) dan biasanya
digunakan oleh jaringan multilayer untuk
mengubah bobot yang terhubung dengan
semua neuron pada hidden layer. Jaringan
saraf tiruan propagasi balik dikembangkan
oleh Rumelhart, Hinton, dan Williams pada
tahun 1986. Propagasi Balik merupakan
metode pembelajaran yang efektif untuk
jaringan multilayer yang memiliki input layer,
output layer, dan hidden layer.
METODE PENELITIAN
Tahapan yang akan dilakukan pada
penelitian ini secara umum dapat dilihat pada
Gambar 3.
Citra Daun
Citra Daun yang digunakan pada
penelitian adalah daun Shorea dengan 10
species. Satu species diwakili dengan 10 citra,
sehingga total citra ada sebanyak 100 citra.
Sebanyak 70 citra merupakan citra daun yang
digunakan sebagai data latih dan 30 citra
lainnya merupakan citra kueri yang digunakan
sebagai data uji. Citra yang digunakan
berukuran 3648x2736. Citra ini diakuisisi
menggunakan kamera digital. Citra yang
digunakan pada penelitian ini adalah Citra
daun Shorea yang sampelnya diambil dari
Kebun Raya Bogor.
4
yang telah difilter dengan menggunakan lowpass filter. Koefisien aproksimasi pada
dekomposisi level 1 akan diproses untuk
koefisien aproksimasi level 2 dan seterusnya.
Pada penelitian ini, level dekomposisi yang
digunakan sebanyak level 8. Hal ini agar
dapat diperoleh koefisien aproksimasi (cA4)
dan koefiesien detail (cDh4, cDv4, cDd4)
dengan ukuran 11 x 15 pixel untuk wavelet
famili haar dan ukuran 13 x 17 untuk wavelet
famili daubechies 2 yang dapat mewakili citra
asli.
Contoh citra untuk dekomposisi level 4
Wavelet Haar dalam bentuk citra aproksimasi
(cA), citra detail (cDh, cDv,cDd) pada Gambar
4.
Gambar 3 Metodologi penelitian.
Pengambilan Shorea dilakukan dengan
cara memotong kurang lebih dua tangkai daun
setiap species yang terdiri atas kurang lebih 10
daun pada tiap tangkai nya. Setelah proses
akuisisi citra, daun Shorea dipilah-pilah dan
diambil yang kualitas daun nya terlihat baik
dalam hal bentuk daun utuh dan struktur daun
jelas. Daun yang telah diakuisisi kemudian
diberikan latar belakang kertas putih untuk
dijadikan citra percobaan baik untuk pelatihan
atau pun pengujian.
Praproses
Pada tahapan ini, citra daun yang
diakuisisi dengan kamera digital menjadi citra
RGB dan diberikan latar belakang putih. Citra
akan dipraproses dengan mengubah citra
tersebut ke dalam ruang warna grayscale dan
dilakukan histogram equalization untuk
mempertajam nilai kontras citra. Citra
grayscale digunakan untuk ekstraksi tekstur
menggunakan DWT. Untuk tahapan ekstraksi
warna HSV, citra daun RGB diubah ke dalam
ruang warna HSV.
Ekstraksi Tekstur dengan Discrete Wavelet
Transform (DWT)
Citra daun yang telah dipraproses akan
ditransformasi menggunakan DWT 2D
dengan 2 tipe wavelet, yaitu Haar dan
Daubechies 2. Proses ini bertujuan
menghasilkan Koefisien Aproksimasi (cA)
dan Koefisien detail (cD).
Koefisien Aproksimasi (cA) merupakan
komponen-komponen yang mewakili citra asli
Gambar 4 Deskripsi citra aproksimasi dan
citra detail.
Ekstraksi Warna dengan Warna HSV
Pada tahap ini, komponen warna R,G,B
pada citra ditransformasikan ke dalam
komponen warna HSV. Kemudian, nilai
histogram citra tersebut dihitung untuk
melihat penyebaran nilai intensitas warnanya.
Hasil dari ekstraksi menggunakan histogram
akan dijadikan nilai masukan pada jaringan
saraf tiruan propagasi balik (Backpropagation
Neural Network).
Pelatihan menggunakan Backpropagation
Neural Network
Hasil dari transformasi wavelet dan nilai
transformasi warna HSV akan dijadikan
5
masukan Backpropagation Neural Network.
Adapun struktur JST propagasi balik yang
digunakan dapat dilihat pada Tabel 1.
Banyaknya kelas target pada jaringan
syaraf tiruan yang digunakan pada penelitian
ini sesuai dengan jumlah species daun Shorea
yaitu 10 kelas.
Tabel 1 Struktur JST propagasi balik
Karateristik
Spesifikasi
Arsitektur
1 layer Hidden
Neuron Input
Sesuai dengan dimensi
pada level wavelet dan
perhitungan histogram
HSV
Neuron Hidden
10, 20,30,40, 50, 60,
70, 80, 90, 100
Neuron Output
Banyaknya kelas
target yaitu 10
Laju pelatihan (α)
0.01, 0.1, 0.5
Toleransi
Kesalahan
0.01
Maksimal Iterasi
3000
Pada penelitian ini, pemilihan toleransi
0.01 dan laju pelatihan 0.01, 0.1, dan 0.5
diharapkan mampu meningkatkan tingkat
akurasi. Pemilihan iterasi maksimum sebesar
3000 dilakukan untuk membatasi proses
pelatihan (training) sehingga menghasilkan
model jaringan syaraf tiruan yang efektif dan
efisien.
Penelitian ini melakukan percobaan
dengan mengombinasikan jumlah neuron
hidden layer, laju pelatihan terhadap dimensi
citra yang telah mengalami transformasi
wavelet, dan hasil transformasi HSV.
Percobaan ini akan dilakukan pada 70 citra
sebagai data latih. Selama proses pelatihan,
output yang dihasilkan dibandingkan dengan
target. Jika output belum mencapai target,
pelatihan akan terus dilakukan dengan
memperbaiki
bobot
dengan
cara
mempropagasi balik nilai koreksi galat output
ke layer sebelumnya. Jika output sama dengan
target, pelatihan akan berhenti. Akhirnya
didapatkan model yang selanjutnya diteruskan
untuk proses pengujian.
Pengujian
Pengujian data dilakukan oleh sistem yaitu
dengan melihat hasil penelitian terhadap citra
kueri atau citra uji. Hasil penelitian ini diukur
dengan menggunakan tingkat akurasi dari data
citra yang diuji dan diamati. Persamaan
akurasi didefinisikan sebagai berikut:
∑
∑
Evaluasi
Evaluasi dilakukan dengan melakukan
pengelompokan data yang telah dilakukan
pengujian berdasarkan spesies dan ekstraksi
fitur yang digunakan. Evaluasi dibuat dalam
bentuk grafik agar dapat mudah dilihat dan
dianalisis seberapa besar akurasi pada
identifikasi daun Shorea.
Rancangan Percobaan
Percobaan penelitian ini dibagi menjadi
lima bagian percobaan. Pada saat pelatihan,
setiap percobaan menggunakan struktur JST
propagasi balik yang sama. serta dilakukan
pengujian dan evaluasi dari hasil pengujian.
Adapun rancangan percobaan yang akan
dilakukan dapat dilihat pada Tabel 2.
Tabel 2 Rancangan percobaan
Percobaan
Metode Ekstraksi
1
DWT famili Haar
2
DWT famili Daubechies 2
3
Histogram Warna HSV
4
Haar + HSV, DB2 + HSV
5
Haar + DB2 + HSV
HASIL DAN PEMBAHASAN
Ada sepuluh jenis Shorea yang
diidentifikasi,
yaitu
Shorea
Javanica,
Johorensis, Lepida, Leprosula, Marcoptera,
Materialis,
Palembanica,
Pinanga,
Platycados dan Seminis. Sepuluh jenis Shorea
tersebut masing-masing terdiri atas sepuluh
data citra.
Percobaan 1: Discrete Wavelet Transform
famili Haar
Percobaan ini melibatkan data hasil foto
10 jenis Shorea yang telah diakuisisi, hasil
foto tersebut dilakukan praproses dan
dilakukan ekstraksi fitur Discrete Wavelete
Transform famili Haar sebanyak 8
dekomposisi. Setelah itu, dilakukan proses
pelatihan menggunakan beberapa parameter
JST, di antaranya adalah Hidden Neuron,
Learning Rate, dan Toleransi Galat. Nilai
6
Neuron Hidden yang digunakan adalah 10, 20,
30, 40, 50, 60, 70, 80, 90, dan 100. Sementara
itu, nilai parameter lain dibuat tetap yaitu
Learning rate = 0.01 dan Toleransi galat =
0.01. Percobaan ini menghasilkan akurasi
tertinggi
sebesar
73.33%
dengan
menggunakan parameter Neuron Hidden 40,
70, dan 80. Enam dari sepuluh spesies Shorea
dapat teridentifikasi sebesar 100% ialah
Shorea Javanica, Shorea Lepida, Shorea
Palembanica, Shorea Pinanga, Shorea
Platycados dan Shorea Seminis. sedangkan
Shorea Marcoptera tidak dapat teridentifikasi
dengan akurasi terkecil sebesar 0%. Shorea
Marcoptera teridentifikasi sebagai Shorea
Materialis. Hal ini dikarenakan tekstur dan
struktur tulang daun kedua spesies ini terlihat
sama. Grafik akurasi untuk setiap jenis Shorea
pada percobaan ini dapat dilihat pada Gambar
5.
Gambar 5 Grafik tingkat akurasi setiap jenis
Shorea (DWT Haar).
Perbandingan percobaan 1 dan percobaan
2
Dari kedua percobaan tersebut diketahui
bahwa Shorea Javanica, Shorea Palembanica
dan Shorea Seminis, teridentifikasi secara baik
dengan akurasi sebesar 100%. Untuk Shorea
Materialis pada kedua percobaan tersebut
memiliki
rata-rata
akurasi
terendah
dibandingkan dengan 9 spesies lainnya.
Shorea Materialis memiliki akurasi masingmasing sebesar 33.33% untuk ekstraksi
tekstur menggunakan Haar dan 0% untuk
Daubechies 2. Dari kedua percobaan tersebut,
Shorea Materialis rata-rata teridentifikasi
sebagai Shorea Pinanga. Hal ini disebabkan
adanya kesamaan permukaan, bentuk, dan
luas daun serta adanya kemiripan pada
struktur tulang daun pada kedua spesies
tersebut.
Gambar 6 Grafik tingkat akurasi setiap jenis
Shorea (DWT Daubechies 2).
Percobaan 3: Ekstraksi Warna HSV
Percobaan 2: Discrete Wavelet Transform
famili Daubechies 2
Percobaan ini menggunakan data yang
sama seperti percobaan pertama dan
menggunakan parameter JST yang sama. Dari
percobaan, didapatkan akurasi tertinggi
sebesar 73.33% menggunakan parameter
neuron hidden 60 dan 80. Shorea Javanica,
Shorea Leprosula, Shorea Palembanica, dan
Shorea Platycados teridentifikasi dengan
akurasi sebesar 100%. Shorea Materialis tidak
dapat teridentifikasi dan menghasilkan akurasi
0%. Shorea Materialis teridentifikasi sebagai
Shorea Pinanga. Hal ini disebabkan adanya
kesamaan struktur tulang daun dan bentuk
pada kedua spesies tersebut. Tingkat akurasi
yang dihasilkan untuk setiap jenis Shorea
pada percobaan ini secara lengkap dapat
dilihat pada Gambar 6.
Pada percobaan ini, didapatkan akurasi
tertinggi sebesar 93.33% dengan parameter
neuron hidden 70. Sembilan dari sepuluh
spesies yang dapat teridentifikasi dengan baik
memiliki akurasi sebesar 100% ialah Shorea
Javanica, Shorea Johorensis, Shorea Lepida,
Shorea Leprosula, Shorea Marcoptera,
Shorea Materialis, Shorea Pinanga, Shorea
Platycados, dan Shorea Seminis. Shorea
Palembanica memiliki akurasi sebesar
33.33%, dua dari tiga data uji tidak dapat
diidentifikasi.
Shorea
Palembanica
teridentifikasi sebagai Shorea Lepida dan
Materialis. Hal ini disebabkan adanya
kesamaan pada tingkat kecerahan warna citra.
Tingkat akurasi yang dihasilkan setiap jenis
Shorea dapat dilihat secara lengkap pada
Gambar 7.
7
Palembanica teridentifikasi sebagai Shorea
Lepida. Hal ini disebabkan adanya kesamaan
tekstur, bentuk, struktur tulang daun dan
kecerahan warna pada ketiga pasang species
tersebut. Grafik akurasi untuk setiap jenis
Shorea pada percobaan ini dapat dilihat secara
lebih lengkap pada Gambar 8.
Gambar 7 Grafik tingkat akurasi setiap
jenis
Shorea
(Histogram
Warna HSV).
Gambar 8 Grafik tingkat akurasi setiap
jenis Shorea (Haar - HSV).
Pada
percobaan
kedua,
dilakukan
penggabungan ekstraksi tekstur Discrete
Wavelet Transform famili Daubechies 2 dan
histogram HSV menghasilkan akurasi
tertinggi sebesar 90% dengan neuron hidden
90. Shorea Javanica, Shorea Lepida, Shorea
Leprosula, Shorea Marcoptera, Shorea
Materialis, Shorea Pinanga,
Shorea
Platycados, dan Shorea Seminis teridentifikasi
dengan akurasi 100%, sedangkan Shorea
Leprosula, Shorea Palembanic, Shorea
Seminis menghasilkan akurasi sebesar
66.67%. Shorea Leprosula teridentifikasi
sebagai
Shorea
Johorensis,
Shorea
Palembanica teridentifikasi sebagai Shorea
Lepida, dan Shorea Seminis teridentifikasi
sebagai Shorea Palembanica. Hal ini
disebabkan adanya kesamaan tekstur, bentuk,
struktur tulang daun, dan kecerahan warna
pada ketiga pasang spesies tersebut. Tingkat
akurasi setiap jenis Shorea pada percobaan ini
dapat dilihat secara lebih lengkap pada
Gambar 9.
Percobaan 4: Kombinasi Ekstraksi Tekstur
(DWT) dan Ekstraksi Warna (HSV)
Percobaan ini dilakukan pelatihan dengan
menggunakan parameter JST neuron hidden
yang sama seperti percobaan 1, 2, dan 3.
Percobaan ini melakukan penggabungan data
dari hasil ekstraksi tekstur dan ekstraksi warna
menjadi satu buah data pelatihan model
klasifikasi dan percobaan 4 ini dibagi menjadi
dua bagian percobaan. Percobaan pertama
menggunakan penggabungan ekstrasi tekstur
Discrete Wavelet Transform famili Haar dan
histogram HSV yang menghasilkan akurasi
tertinggi sebesar 90% dengan neuron Hidden
30 dan 60. Shorea Javanica, Shorea Lepida,
Shorea Marcoptera, Shorea Materialis,
Shorea Pinanga, Shorea Platycados, dan
Shorea Seminis teridentifikasi dengan akurasi
sebesar 100%, sedangkan Shorea Johorensis,
Leprosula, dan Palembanica menghasilkan
akurasi sebesar 66.67%. Hal ini menunjukkan
bahwa masing-masing spesies tersebut
terdapat satu dari tiga data uji tidak dapat
teridentifikasi.
Shorea
Johorensis
teridentifikasi sebagai Shorea Leprosula,
Shorea Leprosula teridentifikasi sebagai
Shorea
Seminis,
sedangkan
Shorea
Gambar 9 Grafik tingkat akurasi setiap jenis
Shorea (DB2 - HSV).
Percobaan 5: Kombinasi Ekstraksi Tekstur
DWT Haar, Daubechies dan Ekstraksi
Warna (HSV)
Pada percobaan ini, dilakukan proses
penggabungan seluruh ekstraksi fitur tekstur
dan ekstraksi warna. Percobaan ini juga
menggunakan parameter yang sama dengan
percobaan
sebelumnya.
Percobaan
penggabungan seluruh fitur menghasilkan
akurasi terbaik sebesar 93.33% dengan neuron
hidden 30, 40, dan 60. Sebanyak 9 dari 10
jenis Shorea teridentifikasi dengan akurasi
8
sebesar 100%. Sembilan spesies tersebut ialah
Shorea Javanica, Johorensis, Lepida,
Leprosula,
Marcoptera,
Materialis,
Palembanica, Pinanga, dan Platycados. Pada
Shorea Seminis hanya 1 dari 3 data uji yang
dapat teridentifikasi sehingga akurasinya
hanya sebesar 33.33%. Shorea Seminis
teridentifikasi sebagai Shorea Lepida dan
Shorea Leprosula. Hal ini disebabkan oleh
adanya kesamaan bentuk dan tekstur serta
kecerahan warna antar ketiga spesies tersebut.
Tingkat akurasi setiap jenis Shorea pada
percobaan ini dapat dilihat secara lebih
lengkap pada Gambar 10.
dengan percobaan menggunakan metode
perhitungan manual berdasarkan morfologi
daun. Hal ini disebabkan adanya noise pada
citra yang mengakibatkan perbedaan nilai
pada tiap spesies sehingga pelatihan kurang
sempurna
dalam
menentukan
model
Selain
itu,
penelitian
klasifikasinya.
Puspitasari (2011) menggunakan 5 jenis
Shorea
dalam identifikasi, sedangkan
penelitian ini menggunakan 10 jenis Shorea
yang sebagian besar berbeda jenis Shorea-nya
dengan
penelitian
Puspitasari
(2011).
Penelitian Aminudin (2010) menggunakan
ekstraksi warna RGB, HSV, dan YcbCr
berbasis histogram, sedangkan penelitian ini
menggunakan ekstraksi warna HSV dengan
penggabungan
ekstraksi
fitur
untuk
mendapatkan peningkatan akurasi.
KESIMPULAN DAN SARAN
Kesimpulan
Gambar 10 Grafik tingkat akurasi setiap jenis
Shorea (Haar - DB2 - HSV).
Dalam percobaan penggabungan seluruh
ekstraksi ini, dapat ditunjukkan bahwa
masing-masing
ekstraksi
fitur
saling
mempengaruhi dalam proses identifikasi.
Seperti
pada
percobaan
4,
Shorea
Palembanica dan Shorea Leprosula tidak
dapat teridentifikasi dengan baik dengan
akurasi sebesar 66.66%. Akan tetapi setelah
menggabungkan seluruh ekstraksi fitur,
Shorea Palembanica dan Shorea Leprosula
teridentifikasi dengan baik menghasilkan
akurasi sebesar 100%.
Dari penelitian ini, dapat disimpulkan
beberapa hal dalam identifikasi daun Shorea
berdasarkan ekstraksi fitur dan ekstraksi
warna, yaitu:
1 Pada
percobaan
awal
proses
penggabungan ekstraksi fitur DWT dan
ekstraksi warna HSV menghasilkan
akurasi yang sangat baik sebesar 80%.
2 Pada percobaan kedua, percobaan
pertukaran data uji dan data latih serta
penggabungan ekstraksi fitur dan
ekstraksi warna HSV menghasilkan
peningkatan akurasi sebesar 90%.
3 Ekstraksi Warna HSV merupakan faktor
yang signifikan dalam hal proses
peningkatan dan penurunan akurasi
dalam identifikasi Shorea.
Saran
Perbandingan dengan penelitian Terkait
Pada Penelitian Puspitasari (2011), telah
didapatkan rata-rata akurasi sebesar 90%
dalam identifikasi daun Shorea menggunakan
Jaringan Saraf Tiruan Propagasi Balik atau
Backpropagation Neural Network. Penelitian
ini menghasilkan rata-rata akurasi terbesar
84.67%.
Adapun
parameter
yang
membedakan,
yaitu
objek
penelitian.
Penelitian Puspitasari (2011) menggunakan
perhitungan karateristik morfologi daun
sedangkan penelitian ini menggunakan citra
sebagai objek penelitian. Percobaan citra
cenderung lebih sulit dalam menentukan
model klasifikasi secara akurat dibandingkan
Penelitian ini masih memiliki beberapa
kekurangan yang dapat diperbaiki pada
penelitian selanjutnya. Adapun beberapa saran
untuk penelitian selanjutnya sebagai berikut :
1 Memperbanyak fitur-fitur lainnya seperti
ekstraksi warna RGB, YcbCr dan
ekstraksi tekstur seperti LBP, discrete
fourier transform.
2 Mengimplementasikan aplikasi berbasis
android agar dapat digunakan secara
mobile.
9
DAFTAR PUSTAKA
Aminudin P. 2010. Pemutuan belimbing
manis dengan citra pelatihan tunggal
menggunakan algoritme VFI5 berbasis
histogram warna [skripsi]. Bogor:
Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian
Bogor.
Burrus CS, Guo H. 1998. Introduction to
Wavelets and Wavelet Transforms, A
Primer. New Jersey: Prentice-Hall.
Fausett L. 1994. Fundamental of Neural
Network Architectures, Algorithms and
Aplication. New Jersey: Prentice-Hall.
Georgieva L, Dimitrova T, Angelov N. 2005.
RGB and HSV colour models in colour
identification of digital traumas image.
http://ecet.ecs.ru.acad.bg/cst05/Docs/c
p/sV/V.12.pdf/ [23 Okt 2011]
Gonzalez RC, Woods RE. 2002. Digital
Image Processing. Ed ke-2. New
Jersey: Prentice Hall.
Kanata B. 2008. deteksi sidik jari berbasis
alihragam gelombang singkat (wavelet)
dan jaringan syaraf tiruan (JST) khusus
kota mataram dan sekitarnya[skripsi].
Mataram: Fakultas Teknik Elektro,
Universitas Mataram.
Mäenpää T. 2003. The Local Binary Pattern
Approach to Texture Analysis.Oulu :
Oulu University Press.
McAndrew A. 2004. An Introduction to
Digital Image Processing with
MATLAB. Boston: Thomson Course
Technology.
M. 2002. Wavelet Toolbox.The
Mathwork, Inc.
Newman MF. 1999. Pedoman Identifikasi
Pohon-pohon Dipterocarpaceae Jawa
sampai Nugini. Bogor: PROSEA
INDONESIA.
Nurjayanti B.
2011. Identifikasi shorea
menggunakan k-Nearest Neighbour
berdasarkan karateristik morfologi
daun [skripsi]. Bogor: Fakultas
Matematika dan Ilmu Pengetahuan
Alam, Institut Pertanian Bogor.
Puspitasari D. 2011. Identifikasi jenis shorea
menggunakan jaringan syaraf tiruan
propagasi
balik
berdasarkan
karateristik morfologi daun [skripsi].
Bogor: Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian
Bogor.
Stollnitz, Eric J. 1995. Wavelets for Computer
Graphic: A Primer Part 1. University
of
Washington.
http://grail.cs.washington.edu/projects/
wavelets/article/wavelet1.pdf [23 Okt
2011].
Widodo Y. 2009. Penggunaan color histogram
dalam image retrieval. [terhubung
berkala]. http://ilmukomputer.org/wpcontent/uploads/2009/10/yanuwidcbir.pdf [15 Des 2011].
Misiti
LAMPIRAN
11
Lampiran 1 Antarmuka Implementasi
12
Lampiran 2 Confusion matrix penggabungan fitur Discrete wavelet transform famili Haar – Hsv
Keterangan :
Java = Shorea Javanica
Joho = Shorea Johorensis
Lepid = Shorea Lepida
Lepro = Shorea Leprosula
Marco = Shorea Marcoptera
Mater = Shorea Materialis
Palem = Shorea Palembanica
Pinan = Shorea Pinanga
Platy = Shorea Platycados
Semin = Shorea Seminis
Haar Hsv - Neuron Hidden 10
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
2
1
3
3
3
1
2
3
3
1
1
Lepid
Lepro
1
Haar Hsv - Neuron Hidden 20
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
3
2
1
3
1
2
1
2
3
2
1
Haar Hsv - Neuron Hidden 30
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
2
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
1
3
2
1
3
3
1
2
3
3
3
13
Lanjutan
Haar Hsv - Neuron Hidden 40
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
3
3
3
1
2
3
3
1
2
Haar Hsv - Neuron Hidden 50
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
1
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
2
3
3
1
2
3
1
1
1
3
3
3
Haar Hsv - Neuron Hidden 60
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
3
3
3
3
2
1
1
2
3
Haar Hsv - Neuron Hidden 70
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
2
Palem
Pinan
Platy
Semin
1
3
3
1
2
3
1
1
1
1
2
3
3
14
Lanjutan
Haar Hsv - Neuron Hidden 80
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
1
1
2
2
1
2
1
2
3
3
3
Haar Hsv - Neuron Hidden 90
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
2
1
1
2
3
1
1
1
1
2
3
1
2
Haar Hsv - Neuron Hidden 100
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
2
1
1
2
3
1
1
1
1
2
3
1
2
15
Lampiran 3 Confusion matrix Discrete wavelet transform famili Daubechies 2 – Hsv
Daubechies 2 Hsv – Neuron Hidden 10
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
1
2
3
3
1
1
1
3
3
3
Daubechies 2 Hsv – Neuron Hidden 20
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
3
3
3
1
1
1
1
2
3
3
Daubechies 2 Hsv – Neuron Hidden 30
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
2
1
3
3
1
2
1
2
3
3
Daubechies 2 Hsv – Neuron Hidden 40
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
3
3
3
1
1
1
3
3
1
2
16
Lanjutan
Daubechies 2 Hsv – Neuron Hidden 50
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
2
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
1
3
1
1
1
3
3
1
1
1
3
3
3
Daubechies 2 Hsv – Neuron Hidden 60
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
1
1
1
1
2
3
3
1
2
3
1
2
Daubechies 2 Hsv – Neuron Hidden 70
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
3
3
2
1
1
1
1
3
3
1
2
Daubechies 2 Hsv – Neuron Hidden 80
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
3
3
1
2
2
1
3
3
1
2
17
Lanjutan
Daubechies 2 Hsv – Neuron Hidden 90
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
1
2
3
3
1
2
3
3
1
2
Daubechies 2 Hsv – Neuron Hidden 100
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
1
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
2
3
3
3
3
1
1
1
3
3
1
2
18
Lampiran 4 Confusion matrix Discrete wavelet transform famili Haar - Daubechies 2 -Hsv
Haar Daubechies 2 Hsv – Neuron Hidden 10
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
3
3
3
1
2
3
3
1
2
Haar Daubechies 2 Hsv – Neuron Hidden 20
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
1
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
1
Palem
Pinan
Platy
1
Semin
3
3
3
3
3
1
2
3
3
3
Haar Daubechies 2 Hsv – Neuron Hidden 30
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
1
2
3
3
1
2
3
3
3
Haar Daubechies 2 Hsv – Neuron Hidden 40
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
1
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
2
3
3
3
3
3
3
3
3
19
Lanjutan
Haar Daubechies 2 Hsv – Neuron Hidden 50
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
3
3
2
1
3
3
3
1
2
Haar Daubechies 2 Hsv – Neuron Hidden 60
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
3
3
3
3
3
3
1
1
1
Haar Daubechies 2 Hsv – Neuron Hidden 70
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
2
1
3
3
1
2
3
3
1
2
Haar Daubechies 2 Hsv – Neuron Hidden 80
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
3
3
2
1
1
2
3
3
1
1
1
20
Lanjutan
Haar Daubechies 2 Hsv – Neuron Hidden 90
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
2
1
3
3
1
1
1
3
3
3
Haar Daubechies 2 Hsv – Neuron Hidden 100
Shorea
Kelas asli
Java
Joho
Lepid
Lepro
Marco
Mater
Palem
Pinan
Platy
Semin
Java
3
Joho
Lepid
Lepro
Kelas Prediksi
Marco
Mater
Palem
Pinan
Platy
Semin
3
3
3
3
3
1
1
1
3
3
1
1
1
21
Lampiran 5 Tabel hasil akurasi species Shorea untuk ekstraksi fitur DWT famili haar
Haar
Javanica
Johorensis
Lepida
Leprosula
Marcoptera
Materialis
Palembanica
Pinanga
Platycados
Seminis
Rata-rata
Haar
Javanica
Johorensis
Lepida
Leprosula
Marcoptera
Materialis
Palembanica
Pinanga
Platycados
Seminis
Rata-rata
10
33.33%
66.67%
66.67%
33.33%
0.00%
100 %
100 %
0.00%
100 %
0.00%
50.00%
60
100 %
33.33%
100 %
66.67%
66.67%
33.33%
66.67%
100%
66.67%
66.67%
70.00%
20
Hidden Layer
30
100 %
66.67%
100 %
0.00%
66.67%
33.33%
66.67%
0.00%
100%
100 %
63.33%
66.67%
66.67%
100 %
100 %
66.67%
0.00%
0.00%
100%
100%
33.33%
63.33%
70
Hidden Layer
80
100 %
33.33%
100 %
33.33%
100%
100%
66.67%
0.00%
100%
100%
73.33%
100 %
66.67%
100 %
100 %
66.67%
66.67%
66.67%
100%
0.00%
66.67%
73.33%
40
100 %
66.67%
100 %
33.33%
0.00%
33.33%
100%
100%
100%
100%
73.33%
90
100 %
66.67%
66.67%
33.33%
66.67%
100%
100%
0.00%
100%
0.00%
63.33%
50
66.67%
0.00%
100 %
100 %
66.67%
66.67%
0.00%
100%
100%
33.33%
63.33%
100
100 %
33.33%
100 %
66.67%
100%
0.00%
66.67%
100%
66.67%
33.33%
66.67%
Lampiran 6 Tabel hasil akurasi species Shorea untuk ekstraksi fitur DWT famili daubechies 2
Daubechies 2
Javanica
Johorensis
Lepida
Leprosula
Marcoptera
Materialis
Palembanica
Pinanga
Platycados
Seminis
Rata-rata
Daubechies 2
Javanica
Johorensis
Lepida
Leprosula
Marcoptera
Materialis
Palembanica
Pinanga
Platycados
Seminis
Rata-rata
10
100%
33.33%
33.33%
33.33%
66.67%
100%
66.67%
0.00%
66.67%
66.67%
56.67%
60
100 %
33.33%
100 %
66.67%
66.67%
33.33%
66.67%
100%
66.67%
66.67%
70.00%
20
Hidden Layer
30
66.67%
66.67%
33.33%
66.67%
100%
66.67%
100%
66.67%
100%
33.33%
70.00%
100%
33.33%
66.67%
66.67%
0.00%
66.67%
66.67%
100%
100%
0.00%
60.00%
70
Hidden Layer
80
100 %
33.33%
100 %
33.33%
100%
100%
66.67%
0.00%
100%
100%
73.33%
100 %
66.67%
100 %
100 %
66.67%
66.67%
66.67%
100%
0.00%
66.67%
73.33%
40
100%
33.33%
100%
66.67%
100%
0.00%
100%
33.33%
100%
0.00%
63.33%
90
100 %
66.67%
66.67%
33.33%
66.67%
100%
100%
0.00%
100%
0.00%
63.33%
50
66.67%
33.33%
66.67%
33.33%
66.67%
33.33%
100%
100%
100%
100%
70.00%
100
100 %
33.33%
100 %
66.67%
100%
0.00%
66.67%
100%
66.67%
33.33%
66.67%
22
Lampiran 7 Tabel hasil akurasi species Shorea untuk ekstraksi warna histogram HSV
HSV
Javanica
Johorensis
Lepida
Leprosula
Marcoptera
Materialis
Palembanica
Pinanga
Platycados
Seminis
Rata-rata
HSV
Javanica
Johorensis
Lepida
Leprosula
Marcoptera
Materialis
Palembanica
Pinanga
Platycados
Seminis
Rata-rata
10
100%
100%
100%
100%
100%
100%
33.33%
100%
100%
0.00%
83.33%
60
66.67%
100%
100%
100%
100%
100%
33.33%
33.33%
100%
33.33%
76.67%
20
Hidden Layer
30
66.67%
100%
100%
100%
100%
66.67%
33.33%
33.33%
100%
100%
80.00%
100%
100%
100%
0.00%
100%
100%
0.00%
33.33%
100%
100%
73.33%
70
Hidden Layer
80
100%
100%
100%
100%
100%
100%
66.67%
100%
100%
100%
96.67%
100%
100%
0.00%
66.67%
100%
100%
66.67%
66.67%
100%
100%
80.00%
40
66.67%
100%
66.67%
100%
100%
100%
33.33%
0.00%
100%
100%
76.67%
90
66.67%
100%
100%
100%
100%
100%
33.33%
100%
100%
100%
90.00%
50
66.67%
100%
100%
100%
100%
100%
66.67%
100%
100%
33.33%
86.67%
100
100%
100%
100%
33.33%
100%
100%
33.33%
100%
100%
100%
86.67%
Lampiran 8 Tabel hasil akurasi species Shorea untuk penggabungan ekstraksi fitur DWT famili
haar dan ekstraksi warna HSV
Haar - HSV
Javanica
Johorensis
Lepida
Leprosula
Marcoptera
Materialis
Palembanica
Pinanga
Platycados
Seminis
Rata-rata
Haar - HSV
Javanica
Johorensis
Lepida
Leprosula
Marcoptera
Materialis
Palembanica
Pinanga
Platycados
Seminis
Rata-rata
10
100%
100%
66.67%
100%
100%
100%
66.67%
100%
100%
33.33%
86.67%
60
100%
100%
100%
100%
100%
100%
100%
33.33%
66.67%
100%
90.00%
20
Hidden Layer
30
100%
100%
100%
100%
0.00%
100%
66.67%
66.67%
100%
33.33%
76.67%
100%
66.67%
100%
66.67%
100%
100%
66.67%
100%
100%
100%
90.00%
70
Hidden Layer
80
100%
66.67%
100%
100%
66.67%
100%
33.33%
66.67%
100%
100%
83.33%
100%
100%
100%
33.33%
66.67%
66.67%
66.67%
100%
100%
100%
83.33%
40
100%
100%
100%
100%
100%
100%
0.00%
100%
100%
66.67%
86.67%
90
100%
100%
100%
66.67%
66.67%
100%
33.33%
66.67%
100%
66.67%
80.00%
50
100%
66.67%
100%
100%
66.67%
100%
33.33%
100%
100%
100%
86.