Identifikasi Daun Tanaman Jati Menggunakan K-Nearest Neighbour dengan Ekstraksi Fitur Ciri Morfologi Daun
IDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN
K-NEAREST NEIGHBOUR DENGAN EKSTRAKSI FITUR
CIRI MORFOLOGI DAUN
M BANGKIT PRATAMA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Daun Jati
Tanaman Jati Menggunakan K-Nearest Neighbour dengan Ekstraksi Fitur Ciri
Morfologi Daun adalah benar karya saya dengan arahan dari komisi pembimbing
dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun.
Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun
tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan
dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor
Bogor, November 2013
M Bangkit Pratama
NIM G64104072
ABSTRAK
M. BANGKIT PRATAMA. Identifikasi Daun Tanaman Jati dengan K-Nearest
Neighbour Menggunakan Ekstraksi Fitur Ciri Morfologi Daun. Dibimbing oleh
AZIZ KUSTIYO.
Tanaman jati adalah tanaman yang dapat beradaptasi di iklim tropis,
sehingga jenis tanaman ini dapat tumbuh baik di Indonesia. Famili dari tanaman
jati adalah Lamiaceae yang dapat menghasilkan kayu bernilai ekonomi tinggi.
Banyaknya varietas tanaman jati membuat identifikasi tanaman tersebut menjadi
sulit. Penelitian ini mengembangkan sistem untuk identifikasi tanaman jati
menggunakan ekstraksi ciri morfologi daun. Metode klasifikasi yang digunakan
adalah k-nearest neighbor (KNN). Data yang digunakan pada penelitian ini
adalah 6 jenis varietas jati. Pembagian data latih dan data uji menggunakan k-fold
cross validation dengan nilai k=5. Akurasi rata-rata terbaik yang dihasilkan
adalah 73.33%.
Kata kunci : K-Nearest Neighbour, Morfologi Daun, Tanaman Jati
ABSTRACT
M. BANGKIT PRATAMA. Identification of Teak Leaf Using K-Nearest
Neighbour with Leaf Morphology Feature Extraction. Supervised by AZIZ
KUSTIYO.
The ability of teak plantation to adapt in tropical climate makes this
plantation grows well in Indonesia. Teak plantation belongs to Lamiacae and it
has a high economic value. The existence of various teak varietas becomes a
challenge in teak identification. This research developed a teak identification
system using its leaf morphology feature extraction. K-nearest neighbor (KNN)
was used as the classification method. Six teak varieties were used as the data.
The testing data and training data were divided by k-fold cross validation with
k=5. The best average accuracy was 73.33%.
Keywords : K-Nearest Neighbour, Leaf Morphology, Teak Tree
IDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN
K-NEAREST NEIGHBOUR DENGAN EKSTRAKSI FITUR
CIRI MORFOLOGI DAUN
M BANGKIT PRATAMA
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
Penguji:
1 Musthafa, SKom MSc
2 Ir Julio Adisantoso, MKom
Judul Skripsi : Identifikasi Daun Tanaman Jati Menggunakan K-Nearest
Neighbour dengan Ekstraksi Fitur Ciri Morfologi Daun
Nama
: M. Bangkit Pratama
NIM
: G64104072
Disetujui oleh
Aziz Kustiyo, SSi MKom
Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Judul yang
dipilih dalam penelitian dilaksanakan sejak bulan September 2012. Topik
penelitian ini adalah Identifikasi Daun Jati dengan K-Nearest Neighbour
Menggunakan Ekstraksi Ciri Morfologi Daun.
Terima kasih penulis ucapkan kepada seluruh pihak yang telah membantu
penelitian ini:
1 Ayahanda H Saprudin, SH dan Ibunda Hj Ir Tety Suciaty, MP, serta adik
Tysya Aulia Binangkityang telah membantu doa dan semangatnya untuk terus
mengerjakan penelitian ini.
2 Bapak Aziz Kustiyo, SSi MKom, selaku dosen pembimbing yang telah
banyak memberikan arahan, ide, dan saran untuk penelirian ini.
3 Bapak Musthafa, SKom, MSc dan Ir Julio Adisantoso, MKom, yang telah
bersedia menjadi dosen penguji.
4 Rekan mahasiswa: Annisa Aulia, Rizkina Muhammad Syam, R. Ahmad
Somadi serta teman-teman ilkom angkatan 5 alih jenis yang telah bersama
selama 2,5 tahun.
5 Rekan satu bimbingan: Asep Haryono, Ilvi Nurrizki Utami, Cory Diana
Lestari, yang telah memberikan arahan serta saran selama bimbingan besama.
6 Semua pihak yang telah membantu terima kasih yang belum disebutkan disini.
Semoga karya ilmiah ini bermanfaat bagi pihak yang membutuhkan.
Bogor, November 2013
M. Bangkit Pratama
DAFTAR ISI
DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
DAFTAR TABEL
iv
PENDAHULUAN
1
Tujuan Penelitian
1
Manfaat Penelitian
1
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
2
Jati
2
Citra Digital
2
Confusion Matrix
3
METODE
4
Citra Daun
4
Praproses Data
5
Ekstraksi Ciri Morfologi
6
K-Fold Cross Validation
10
Klasifikasi KNN
11
Evaluasi
11
Lingkungan Pengembangan
11
HASIL DAN PEMBAHASAN
12
Citra Daun
12
Ekstraksi Ciri
12
Klasifikasi KNN
12
Perbandingan Dengan Penelitian Sebelumnya
15
SIMPULAN DAN SARAN
15
Simpulan
15
Saran
15
DAFTAR PUSTAKA
16
RIWAYAT HIDUP
22
DAFTAR TABEL
1
2
3
4
5
Akurasi rata-rata 6 fitur (%)
Confusion matrix percobaan 6 fitur k=1
Akurasi rata-rata 17 fitur (%)
Confusion matrix rata-rata 17 fitur k=1
Perbandingan akurasi dengan penelitian sebelumnya
13
13
13
14
15
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
Perbandingan gradasi warna 1 bit, 2 bit, 5 bit, 6 bit, 7 bit, dan 8 bit
3
Metode penelitian
4
Contoh masing-masing varietas daun jati yang tepat teridentifikasi
5
Alur proses citra
5
Alur proses RGB ke grayscale
5
Citra masukan untuk ektraksi fitur morfologi
6
Contoh ilustrasi ekstraksi fitur ciri morfologi area daun.
6
Contoh ilustrasi ekstraksi fitur ciri morfologi perimeter daun.
7
Contoh ilustrasi ekstraksi fitur ciri morfologi diameter daun.
7
Contoh ilustrasi ekstraksi fitur ciri morfologi panjang daun
Error!
Bookmark not defined.
Contoh ilustrasi ekstraksi fitur ciri morfologi lebar daun
8
Aspect ratio
8
Akurasi antara 6 fitur dan 17 fitur
14
DAFTAR LAMPIRAN
1
2
3
4
5
6
7
8
9
10
Hasil perhitungan morfologi sebelum dilakukan normalisasi
Hasil perhitungan morfologi setelah dilakukan normalisasi
Confusion matrix 6 fitur k=3
Confusion matrix 6 fitur k=5
Confusion matrix 6 fitur k=7
Confusion matrix 17 fitur k=3
Confusion matrix 17 fitur k=5
Confusion matrix 17 fitur k=7
Boxplot untuk setiap fitur ciri morfologi daun
Hasil opening menggunakan 1 piksel.
17
17
17
17
18
18
18
18
19
21
PENDAHULUAN
Indonesia merupakan salah satu negara beriklim tropis. Kawasan beriklim
tropis mempunyai potensi yang cukup besar untuk mengembangkan produkproduk kehutanan. Salah satu produk kehutanan yang dapat dikembangkan adalah
tanaman jati yang mempunyai nama latin Tectona grandis Linn F. Tanaman jati
secara alamiah banyak dijumpai di negara-negara asia selatan dan asia tenggara,
yaitu Burma, Thailand, Laos, dan Indonesia. Ratusan species tanaman jati
terbesar di seluruh Indonesia, baik jati unggul maupun jati biasa. Banyaknya
spesies tanaman jati yang ada menyebabkan kesulitan dalam mengenal jenis
tanaman jati yang satu dengan yang lainnya. Untuk mengetahui setiap jenis
tanaman jati yang ada dibutuhkan pengalaman dan pengetahuan yang cukup lama.
Oleh karena itu, perlu dikembangkan suatu sistem identifikasi tanaman jati.
Penelitian sebelumnya yang pernah dilakukan adalah Asanurjaya (2012).
Penelitian tersebut dilakukan identifikasi dengan objek yang sama namun
klasifikasi menggunakan probabilistic neural network (PNN) berdasakarkan 6 ciri
morfologi, dan pada penelitian tersebut diperoleh akurasi sebesar 77.50%.
Penelitian terkait selanjutnya yang pernah dilakukan adalah Nurjayanti (2011).
Pada penelitian tersebut dilakukan klasifikasi 5 species shorea menggunakan knearest neighbour (KNN) berdasarkan 10 ciri morfologi dan pada penelitian
tersebut diperoleh akurasi sebesar 100.00%.
Model identifikasi daun jati yang akan dikembangkan dapat digunakan
untuk mengenal daun jati. Identifikasi ini dilakukan agar tidak menyebabkan
kesalahan pemilihan kayu yang tidak tepat dan mengurangi pertumbuhan jenis
kayu dengan sifat-sifat yang tidak diinginkan. Sifat-sifat itu misalnya kualitas
kayu yang rendah, pertumbuhan lambat, tajuk lebar yang jarang mencapai ukuran
kayu, atau jenis pilihan yang tidak cocok untuk kondisi tanah tertentu.
Pada penelitian ini akan dilakukan pada objek daun jati dengan ekstraksi ciri
morfologi daun menggunakan k-nearest neighbour classifier. Ciri morfologi daun
digunakan sebagai pengolahan citra daun yang dapat mengekstraksi fitur dari
daun dan mereduksi dimensi citra tanpa menghilangkan fitur-fitur penting dalam
citra tersebut. Diharapkan dengan metode yang berbeda bisa menghasilkan
akurasi lebih baik dibandingkan dengan penelitian sebelumnya dengan objek yang
sama.
Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk menerapkan algoritma KNN dan
mengimplementasikan teknik ekstraksi fitur ciri morfologi daun dalam
mengidentifikasi tanaman jati, serta mengetahui tingkat akurasi dari proses
identifikasi tersebut.
Manfaat Penelitian
Manfaat dari penelitian ini adalah membantu identifikasi daun tanaman jati
(Tectona grandis Linn F) sehingga mudah untuk mengenali jenis atau varietas
daun Jati.
2
Ruang Lingkup Penelitian
Untuk memfokuskan penelitian, ditentukan beberapa batasan masalah/ruang
lingkup yaitu sebagai berikut:
1 Jenis tanaman jati yang digunakan adalah tanaman jati Biotrop, jati Emas, jati
Jobika, jati Muna, jati Prima, dan jati Super.
2 Data citra tanaman jati diambil pada umur 3-4 bulan.
3 Menggunakan ekstraksi fitur berdasarkan ciri morfologi daun.
TINJAUAN PUSTAKA
Jati
Pohon besar yang menggugurkan daun. Pada kondisi baik, tinggi dapat
mencapai 30 – 40 m. Pada habitat kering, pertumbuhan menjadi terhambat,
cabang lebih banyak, melebar dan membentuk semak. Pada tapak bagus, batang
bebas cabang 15 – 20 m atau lebih, percabangan kurang dan rimbun. Pohon tua
sering beralur dan berbanir. Kulit batang tebal, abu-abu atau coklat muda ke abuabuan. Daun lebar, panjang 25 – 50 cm, lebar 15 – 35 cm, letak daun bersilangan,
bentuk elips atau bulat telur. Bagian bawah abu-abu, tertutup bulu berkelenjar
warna merah. Ukuran bunga kecil, diameter 6 – 8 mm, keputih-putihan dan
berkelamin ganda terdiri benangsari dan putik yang terangkai dalam tandan besar.
Jumlah kuncup bunga 800 – 3.800 per tandan, bunga mekar dalam waktu 2 - 4
minggu (Rachmawati 2002).
Areal penyebaran alaminya terdapat di India, Myanmar, Thailand dan
bagian barat Laos.Batas utara pada garis 250 LU di Myanmar, batas selatan pada
garis 90 LU di India. Jati tersebar pada garis 700 – 1000 BT. Penyebarannya
ternyata terputus-putus. Hutan jati terpisah oleh pegunungan, tanah-tanah datar,
tanah-tanah pertanian dan tipe hutan lainnya. Di Indonesia, jati bukan tanaman
asli, tetapi sudah tumbuh sejak beberapa abad lalu di Pulau Kangean, Muna,
Sumbawa dan Jawa (Rachmawati 2002).
Citra Digital
Menurut (Sutoyo et al. 2009) banyak cara untuk menyimpan citra di dalam
memori. Cara penyimpanan menentukan jenis citra digital yang terbentuk.
Beberapa jenis citra digital yang sering digunakan adalah citra biner, citra
grayscale, dan citra warna.
1 Citra biner
Banyaknya warna dalam citra biner ada 2, yaitu hitam dan putih.
Membutuhkan 1 bit di memori untuk menyimpan kedua warna ini.
2 Citra grayscale
Banyaknya warna tergantung jumlah bit yang disediakan di memori untuk
menampung kebutuhan warna. Semakin besar jumlah bit warna yang
disediakan di memori, semakin halus gradasi warna yang terbentuk.
3
Gambar 1 Perbandingan gradasi warna 1 bit, 2 bit, 5 bit, 6 bit, 7 bit, dan 8 bit
Gambar 1 menunjukan perbandingan citra skala kebuan yang ditampilkan di
monitor dengan gradasi warna yang berbeda-beda, yaitu 256, 128, 64, 32, 8, 4,
dan 2 warna. Perbandingan ini bisa dikatakan bahwa semakin besar tingkat
gradasi warna yang digunakan, semakin halus warna citra yang ditampilkan di
monitor.
3 Citra warna
Setiap pixel pada citra warna mewakili warna yang merupakan kombinasi
dari tiga warna dasar (RGB = red green blue). Setiap warna dasar
menggunakan penyimpanan 8 bit = 1 byte, yang berarti setiap warna
mempunyai gradasi sebanyak 255 warna. Berarti setiap pixel mempunyai
kombinasi warna sebanyak 28.28.28 = 224 = 16 juta warna lebih. Itulah
sebabnya format ini dinamakan true color karena mempunyai jumlah warna
yang cukup besar sehingga bias dikatakan hamper mencakup semua warna di
alam. Penyimpanan citra true color di dalam memori berbeda dengan citra
grayscale. Setiap pixel dari citra grayscale 256 gradasi warna diwakili oleh 1
byte, sedangkan 1 pixel citra true color diwakili oleh 3 byte, dimana masingmasing byte mempresentasikan warna merah, hijau, dan biru.
Confusion Matrix
Confusion matrix merupakan sebuah tabel yang terdiri dari banyaknya baris
data uji yang diprediksi benar dan tidak benar oleh model klasifikasi.Tabel ini
diperlukan untuk menentukan kinerja suatu model klasifikasi (Tan et al. 2006).
4
METODE
Pada penelitian ini dilakukan dengan beberapa tahapan. Ilustrasi tahapan
proses penelitian disajikan pada Gambar 2.
Mulai
Citra Daun
Praproses Data
Ekstraksi Ciri Morfologi
K-Fold cross validation
Data Latih
Data Uji
Klasifikasi KNN
Evaluasi
Selesai
Gambar 2 Metode penelitian
Citra Daun
Citra Daun yang digunakan pada penelitian ini didapat dari penelitian
sebelumnya (Asunarjaya 2012). Citra daun yang digunakan adalah daun daun jati
6 varietas. Satu varietas diwakili dengan 20 citra, sehingga total citra ada
sebanyak 120 citra. Citra yang digunakan berukuran 1200×2300 pixel. Citra
yang digunakan pada penelitian ini adalah citra daun tanaman jati yang samplenya diambil dari laboratorium kultur jaringan SEAMEO BIOTROP Bogor.
Dalam pengambilan citra, daun tanaman jati dipilah-pilah dan diambil yang
kualitas daunnya terlihat baik dalam hal bentuk daun yang utuh dan struktur daun
yang jelas. Contoh masing-masing varietas daun jati disajikan pada Gambar 3.
5
Citra jati biotrop
Citra jati emas
Citra jati muna
Citra jati prima
Citra jati jobika
Citra jati super
Gambar 3 Contoh masing-masing varietas daun jati yang tepat teridentifikasi
Praproses Data
Tahapan praproses data dilakukan perubahan warna pada latar belakang.
Latar belakang yang sebelumnya berwarna, kemudian dihilangkan. Ilustrasi bisa
dilihat di Gambar 4.
Citra hasil akuisisi
latar belakang
Gambar 4 Alur proses citra
Citra RGB
Citra RGB
Citra grayscale
Gambar 5 Alur proses RGB
ke grayscale
Setelah dilakukan perubahan warna pada latar belakang, yang dilakukan
selanjutnya yaitu akan mengubah citra yang awalnya RGB menjadi grayscale.
Untuk mengubah RGB ke grayscale menggunakan rumus (The MathWorks 2008)
A = 0.2989 × R + 0.5870 × G + 0.1140 × B
dengan:
A : Nilai itensitas keabuan
R : Nilai komponen merah
G : Nilai komponen hijau
B : Nilai komponen biru
Ilustrasi perubahan citra dapat dilihat di Gambar 5. Proses selanjutnya
adalah mengubah citra grayscale ke biner dengan menggunakan threshold. Untuk
mendapatkan threshold dilakukan dengan mencoba beberapa nilai dan nilai
optimal yang diperoleh sebesar 0.75. Nilai threshold ini berlaku untuk semua
citra daun. Nilai threshold merupakan suatu nilai yang memisahkan piksel antara
6
piksel objek dengan piksel latar belakang citra. Ilustrasi dapat dilihat di Gambar
6.
Citra biner
Citra grayscale
Gambar 6 Citra masukan untuk ektraksi fitur morfologi
Ekstraksi Ciri Morfologi
Menurut Wu et al (2007) ekstraksi morfologi terdiri atas 2 ciri yaitu ciri
dasar dan turunan. Tahap awal ekstraksi adalah mendapatkan ciri-ciri morfoloagi
daun. Ciri dasar yang digunakan pada penelitian ini adalah diameter, area,
perimeter/keliling, panjang, dan lebar daun. Lima ciri dasar tersebut dapat
dikombinasikan sehingga mendapatkan empat ciri turunan dianataranya smooth
factor, form factor, perimeter ratio of diameter, perimeter ratio of physiological
length and physiological width. Empat ciri turunan itu dikembangkan kembali
menjadi 8 ciri turunan diantaranya aspect ratio, rectangularity, narrow factor, dan
5vein features. Informasi ciri ini direpresentasikan sebagai sebuah vektor dengan
tujuh belas elemen, fitur elemen itu adalah:
1 Area
Area daun dilambangkan dengan A dihitung berdasarkan jumlah piksel
berada di dalam tepi daun. Ilustrasi proses ekstraksi fitur ciri morfologi area
daun direpresentasikan seperti yang terlihat pada Gambar 7 (Asanurjaya 2012).
Citra biner morfologi yang
Matriks citra
telah diinvers area
Gambar 7 Contoh ilustrasi ekstraksi fitur ciri morfologi area daun.
Citra grayscale
2 Perimeter
Perimeter daun dilambangkan dengan P dihitung berdasarkan jumlah piksel
yang berada pada tepi daun. Proses untuk menghasilkan tepi-tepi dari citra
daun, menggunakan metode deteksi tepi (edge detection) Sobel (Sutoyo T et al
2009). Adapun operator yang digunakan adalah sebagai berikut.
7
Sx = [
]
Sy = [
]
Ilustrasi proses ekstraksi fitur ciri morfologi perimeter daun
direpresentasikan seperti yang terlihat pada Gambar 8 (Asanurjaya 2012).
Citra biner morfologi
perimeter (edge detection)
Matriks citra
Gambar 8 Contoh ilustrasi ekstraksi fitur ciri morfologi perimeter daun.
Citra grayscale
3 Diameter
Diameter dilambangkan dengan D merupakan titik terjauh di antara dua titik
dari batas daun. Proses untuk menghasilkan diameter dari citra daun
menggunakan rumus Phytagoras. Ilustrasi proses ekstraksi fitur ciri morfologi
diameter daun direpresentasikan seperti yang terlihat pada Gambar 9
(Asanurjaya 2012).
Masukan fitur ciri
Citra biner morfologi
morfologi diameter
perimeter
Gambar 9 Contoh ilustrasi ekstraksi fitur ciri morfologi diameter daun.
Citra grayscale
4 Panjang dan lebar
Panjang fisik dilambangkan dengan Lp merupakan jarak dua titik pangkal
daun.
Ilustrasi proses ekstraksi fitur ciri morfologi diameter daun
direpresentasikan seperti yang terlihat pada Gambar 10.
Lebar fisik
dilambangkan dengan Wp dihitung berdasarkan panjang garis terpanjang yang
memotong garis panjang fisik secara ortogonal. Ilustrasi proses ekstraksi ciri
morfologi daun direpresentasikan seperti yang terlihat pada Gambar 11.
8
Gambar 10 Contoh ilustrasi ekstraksi
fitur
ciri
morfologi
panjang daun
Gambar 11 Contoh ilustrasi ekstraksi
fitur ciri morfologi lebar
daun
5 Smooth factor
Smooth factor adalah rasio antara area citra helai daun yang dihaluskan
dengan 5×5 rectangular averaging filter dan area citra helai daun yang
dihaluskan dengan 2×2 rectangular averaging filter. Ciri ini untuk
mengukur keteraturan tepi daun. Semakin teratur tepi daun, nilainya
semakin mendekati 1. Sebaliknya, semakin tidak teratur tepi daun,
nilainya semakin mendekati 0.
6 Aspect ratio
Aspect ratio adalah rasio antara physiological length (Lp) dan
physiological width (Wp). Persamaannya dapat dilihat pada Persamaan 1
(Nurfadhilah 2011).
s ect ati
Fungsi ciri ini untuk memperkirakan bentuk helai daun. Jika benilai
kurang dari 1 maka bentuk helai daun tersebut melebar. Jika benilai lebih
dari 1 maka bentuk helai daun tersebut memanjang.
Gambar 12 Aspect ratio
7 Form factor
Form factor merupakan fitur yang digunakan untuk mendeskripsikan
bentuk dari daun dan mengetahui seberapa bundar bentuk helai daun
tersebut. Nilai form factor dapat dilihat pada Persamaan 2 (Nurfadhilah 2011).
fact
dengan:
A
: Area
P
: Perimeter
9
8 Rectangularity
Rectangularity mendeskripsikan seberapa perseginya permukaan daun.
Rumusnya diberikan pada Persamaan 3 (Nurfadhilah 2011).
ectangula it
dengan:
Lp
: Panjang
Wp
: Lebar
A
: Area
9 Narrow factor
Narrow factor didefinisikan sebagai rasio antara diameter (D) dan
physiological length (Lp). Ciri ini untuk menentukan apakah bentuk helai
daun tersebut tergolong simetri atau asimetri. Jika helai daun tersebut
tergolong simetri maka benilai 1. Jika asimetri maka bernilai lebih dari 1.
Nilainya dapat dicari menggunakan Persamaan 4 (Nurfadhilah 2011).
a
w fact
10 Perimeter ratio of diameter
Perimeter ratio of diameter yaitu untuk mengukur seberapa lonjong
daun tersebut. Persamaannya dapat dilihat pada Persamaan 5 (Nurfadhilah
2011).
e i ete
ati
f dia ate
dengan:
P
: Perimeter
D
: Diameter
11 Perimeter ratio of physiological lengthand physiological width
Perimeter ratio of physiological lengthand physiological
Rumusnya diberikan pada Persamaan 6.
e i ete
ati
f h sil gical length and h si l gical width
dengan:
P
: Perimeter
Lp
: Panjang
Wp
: Lebar
width.
10
12 Vein features. Persamaannya dapat dilihat pada Persamaan 7, 8, 9, 10 dan
11. Untuk mendapatkan nilai radius masing-masing piksel (Av) menggunakan
fungsi morfologi opening.
a. Rasio antara area helai daun yang telah dikurangi disk-shaped
structuring element dengan radius satu piksel (Av1) dan area daun awal
(A). Rumusnya menggunakan Persamaan 7.
v
ein featu es
Contoh hasil dari opening dengan menggunakan 1 piksel dilihat pada
Lampiran 10.
b. Rasio antara area helai daun yang telah dikurangi disk-shaped
structuring element dengan radius dua piksel (Av2) dan area daun awal
(A). Persamaannya seperti tercantum di bawah ini.
ein featu es
v
c. Rasio antara area helai daun yang telah dikurangi disk-shaped
structuring element dengan radius tiga piksel (Av3) dan area daun awal
(A). Untuk menghitungnya menggunakan Persamaan 9.
ein featu es
d.
Rasio antara area helai daun yang telah dikurangi disk-shaped
structuring element dengan radius empat piksel (Av4) dan area daun awal
(A). Persamaan 10 di bawah ini merupakan persamaan yang digunakan.
ein featu es
e.
v
v
Rasio antara area helai daun yang telah dikurangi disk-shaped
structuring element dengan radius empat piksel (Av4) dan area helai daun
yang telah dikurangi disk-shaped structuring element dengan radius satu
piksel (Av1). Persamaannya dapat dilihat pada Persamaan 11.
ein featu es
v
v
K-Fold Cross Validation
Data citra daun Jati dibagi menjadi 2 bagian yaitu data latih dan data uji.
Data latih digunakan untuk melakukan klasifikasi menggunakan k-nearest
neighbour, sedangkan data uji digunakan untuk melakukan pengujian klasifikasi.
Penelitian ini menggunakan 6 jenis citra daun Jati, masing-masing terdiri atas 20
data citra. Total 120 data citra daun Jati, 96 data digunakan sebagai data latih dan
24 data digunakan sebagai data uji. Data latih dan data uji akan disusun
menggunakan k-fold cross validation. Banyaknya data yang diperoleh sebanyak
120 data maka data disusun menjadi 5 fold. Pada kombinasi ini data dibagi
11
menjadi 5 subset (S1,S2,S3,S4,S5). Pelatihan dan pengujian dilakukan sebanyak k
kali.Iterasi ke-i subset S1 diperlakukan sebagai data pengujian dan subset lainnya
sebagai data pelatihan. Tingkat akurasi dihitung dengan membagi jumlah
keseluruhan klasifikasi yang benar dengan jumlah semua instance pada data awal
(Han dan Kamber 2001).
Klasifikasi KNN
Penelitian ini klasifikasi yang akan digunakan dengan teknik K-Nearest
Neighbour. Teknik K-Nearest Neighbour mencari jarak terdekat antara data yang
akan dievaluasi dengan k tetangga (neighbour) terdekatnya dalam data pelatihan.
Hasil klasifikasi ini diukur menggunakan tingkat akurasi dari data citra yang diuji
dan diamati. Nilai k yang akan dicobakan pada penelitian ini adalah 1, 3, 5, dan 7.
Pada percobaan ini juga mencobakan beberapa inputan fitur dengan 2 jenis
kombinasi inputan fitur. Percobaan 1 dengan fitur 6 ciri morfologi, dan
percobaan 2 dengan 17 fitur ciri morfologi. Jika ada sebuah data uji maka akan
dihitung kedekatan titik data lainnya pada data latih untuk diklasifikasikan dengan
ukuran jarak yang umumnya menggunakan metode Euclidean distance (Han dan
Kamber 2001).
√∑
Evaluasi
Kinerja K-NN dapat ditentukan dengan menghitung besaran akurasi yang
berhasil diperoleh. Akurasi dapat dihitung dengan persamaan berikut:
Lingkungan Pengembangan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk
penelitian ini adalah sebagai berikut:
Perangkat keras:
1 Processor Intel ® Core 2 Duo
2 Memory 3 GB
3 Hardisk 500 GB
Perangkat lunak:
1 Sistem Operasi Microsoft Windows 7
2 Matlab 7.7 (R2008b)
12
HASIL DAN PEMBAHASAN
Citra Daun
Pada penelitian ini terdapat 6 varietas citra daun Jati. Setiap varietas terdiri
dari 20 citra, sehingga total data sebanyak 120 citra. Data yang digunakan pada
penelitian ini merupakan data penelitian Asanurjaya (2012). Jenis Jati yang
digunakan pada penelitian ini adalah Biotrop, Emas, Jobika, Muna, Prima, dan
Super. Citra yang digunakan berukuran 1200×2300 pixel yang diakuisisi
menggunakan kamera digital yang mempunyai resolusi 12 Megapixel dan jarak
antara kamera dan daun ± 20 cm. Citra yang digunakan pada penelitian ini adalah
citra daun tanaman jati yang sampelnya diambil dari Laboratorium Kultur
Jaringan SEAMEO BIOTROP Bogor.
Ekstraksi Ciri
Ekstraksi ciri yang digunakan adalah ekstraksi ciri morfologi daun.
Penelitian ini akan menggunakan 2 kali percobaan ekstraksi ciri, yaitu dengan
jumlah 6 fitur yang dilakukan oleh Asunarjaya (2012), kemudian menambahkan
lagi menjadi 17 fitur. Hasil yang diperoleh dari perhitungan morfologi daun
memiliki rentang nilai yang sangat jauh seperti tercantum pada Lampiran 1.
Rentang nilai terbesar adalah luas area dengan nilai terkecil 272387 dan terbesar
1640700, sedangkan nilai terkecil adalah vein features 1 memiliki nilai rentan
terkecil 0.1030 sampai terbesar 0.2711.
Nilai fitur yang tinggi akan
mempengaruhi jarak tersebut, sehingga mungkin akan sangat berpengaruh
terhadap penentuan kelas dari data uji.
Hal ini tentunya akan mempengaruhi dalam perhitungan jarak euclid, untuk
mengatasi hal tersebut maka dilakukan normalisasi fitur. Oleh karena itu sebelum
dilakukan pembagian data latih dan data uji, terlebih dahulu dilakukan normalisasi
data sehingga semua nilai akan memiliki rentang nilai yang tidak terlalu jauh.
Melakukan normalisasi tidak semua nilai ekstraksi fitur dilakukan, tapi hanya
beberapa nilai saja yang memiliki nilai rentang yang sangat jauh yaitu nilai area,
perimeter, dan diameter, physiological length dan physiological width seperti
terlihat pada Lampiran 2. Normalisasi dilakukan dengan digit terbesar. Setelah
dilakukan pengamatan ternyata fitur narrow factor tidak digunakan, karena
nilainya sama semua sehingga fitur ini tidak digunakan.
Klasifikasi KNN
Data hasil ektraksi ciri akan dibagi 2 menggunakan k-fold cross-validation
dengan data latih sebanyak 96 dan data uji sebanyak 24. Setelah data dibagi,
proses klasifikasi akan dilakukan menggunakan KNN dengan nilai k yang terdiri
dari 1, 3, 5, dan 7.
Untuk KNN dengan 6 fitur (area, perimeter, diameter, smooth factor, form
factor, perimeter ratio of diameter)
13
Tabel 1 Akurasi rata-rata 6 fitur (%)
Subset
1
2
3
4
5
Rata-rata
K
1
70.84
66.66
58.33
54.16
58.33
61.66
3
66.66
62.50
37.50
37.50
50.00
50.83
5
54.16
45.83
58.33
45.83
45.83
50.00
7
45.83
54.16
62.50
50.00
37.50
50.00
Tabel 1dapat dilihat bahwa hasil akurasi rata-rata percobaan dengan 6 fitur,
tertinggi saat k tetangga terdekat = 1 yaitu 61.66% dan untuk nilai k selain 1
kurang lebih 50.00%. Disini terlihat semakin tinggi nilai parameter k, maka
semakin kecil akurasi, karena disebabkan data penyeberan data uji dan data latih
saling berdekatan atau bisa disebut berkumpul.
Tabel 2 Confusion matrix percobaan 6 fitur k=1
Kelas asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
10
1
4
0
2
2
Emas
0
17
1
0
2
0
Kelas prediksi
Jobika
Muna
4
1
1
0
9
3
1
10
0
0
2
4
Prima
3
1
1
2
16
0
Super
2
0
2
7
0
12
Tabel 2 dapat dilihat bahwa kelas yang paling banyak salah adalah jenis jati
Jobika.
Jobika teridentifikasi ke semua kelas, yang terbanyak jobika
teridentifikasi sebagai Biotrop dan Muna. Jenis jati Emas dan Prima memiliki
kesalahan paling sedikit, hal ini disebabkan Emas dan Prima memiliki perbedaan
morfologi dengan kelas yang lain. Jenis jati Muna salah teridentifikasi paling
banyak ke jenis jati Super, begitupun sebaliknya jati Super paling banyak
kesalahan ke jati Muna.
Untuk KNN dengan 17 fitur (diameter, area, perimeter/keliling, panjang,
lebar, smooth factor, form factor, perimeter ratio of diameter, perimeter ratio of
physiological length and physiological width. aspect ratio, rectangularity, narrow
factor, dan lima vein features).
Tabel 3 Akurasi rata-rata 17 fitur (%)
Subset
1
2
3
4
5
Rata-rata
k
1
75.00
75.00
70.83
75.00
70.83
73.33
3
58.33
54.16
62.50
58.33
62.50
59.16
5
54.16
58.33
62.50
54.16
66.66
59.16
7
58.33
58.33
54.16
70.83
54.16
59.16
14
Tabel 3 dapat dilihat bahwa hasil akurasi rata-rata percobaan dengan 17
fitur, tertinggi saat k tetangga terdekat = 1 yaitu 73.33% dan untuk nilai k selain 1
kurang lebih 50%. Disini terlihat semakin tinggi nilai parameter k, maka semakin
kecil akurasi, karena disebabkan data penyeberan data uji dan data latih saling
berdekatan atau bisa disebut berkumpul.
Tabel 4 Confusion matrix rata-rata 17 fitur k=1
Kelas asal
biotrop
emas
jobika
muna
prima
super
biotrop
10
0
1
0
0
0
Kelas Prediksi
Jobika
muna
4
1
0
0
12
1
6
10
0
0
0
1
emas
2
17
1
0
0
0
Prima
3
3
4
0
20
0
super
0
0
1
4
0
19
Tabel 6 dapat dilihat bahwa dengan menambahkan fitur menjadi 17 fitur,
kelas paling banyak salah tetap jenis Jati Muna, Jati Muna paling banyak salah
teridentifikasi ke jati Jobika dan Super. Jenis Jati Jobika memiliki kemiripan ke
semua kelas, hal ini disebabkan rentang nilai fitur-fitur dari Jobika mencakup
nilai-nilai dari varietas yang lain. Sebagai contoh untuk fitur area (Lampiran 9),
nilai yang rendah dari Jobika mirip dengan nilai dari Emas dan Prima, sedangkan
nilai yang tinggi mirip dengan Muna, dan nilai yang sedang mirip Biotrop dan
Super sama seperti percobaan sebelumnya menggunakan 6 fitur. Kesalahan
prediksi terbesar jenis Jati Jobika ke jenis Jati Prima, dan Jenis jati Prima tidak
memiliki kesalahan prediksi ke kelas lainnya. Jenis jati Emas dan Super memiliki
kesalahan terkecil. Jenis Jati emas memiliki kesalahan prediksi ke jenis Jati
prima, hal ini dapat disebabkan kemiripan nilai-nilai fiturnya dari Emas berada
didalam rentang nilai fitur dari Prima. Penjelasan lebih lengkap dapat dilihat pada
kemiripan setiap fitur ciri morfologi daun seperti terlihat pada Lampiran 9.
Akurasi (%)
100
6 fitur
17 fitur
50
0
1
3
5
7
Nilai k
Gambar 13 Akurasi antara 6 fitur dan 17 fitur
15
Akurasi klasifikasi berdasarkan 17 fitur lebih tinggi dibandingkan dengan 6
fitur pada semua nilai k (Gambar 13). Nilai data memiliki kemiripan dari masingmasing fitur. Hal ini yang menyebabkan k semakin besar semakin kecil akurasi.
Perbandingan Dengan Penelitian Sebelumnya
Penelitian sebelumnya dilakukan Asanurjaya (2012) menggunakan 6 jenis
Jati dan berdasarkan 6 fitur ciri morfologi. Penelitian tersebut menggunakan
classifier probabilistic neural network (PNN) yang menghasilkan akurasi 77.50%.
Penelitian yang dilakukan Asanurjaya menggunanakan klasifikasi PNN adalah
menggunakan pelatihan (training) supervised. Keuntungan utama menggunakan
arsitektur PNN adalah training data PNN mudah dan cepat (Wu et al. 2007).
Penelitian dengan clasifier k-nearest neighbour (KNN) dilakukan oleh
Nurjayanti (2011) dengan objek daun Shorea dan berdasarkan 10 fitur ciri
morfologi yang menghasilkan akurasi 100%, oleh karena itu penelitian ini
mengacu pada penelitian Nurjayanti (2011). Pada penelitian yang membedakan
disini, penelitian Nurjayanti (2011) masih diinputkan secara manual seperti nilai
panjang, lebar, bentuk tulang daun, permukaan daun, ujung, pangkal, sudut antar
tulang daun, dan jumlah tulang daun, sedangkan data yang digunakan
menggunakan 2 jenis data yaitu numerik dan nominal.
Dalam penelitian yang dilakukan data jenis Jati yang digunakan sama
dengan penelitian Asanurjaya (2012). Penelitian ini menambahkan 11 fitur
morfologi, dengan menggunakan k-nearest neighbour (KNN) menghasilkan
akurasi 73.33%. Penelitian Asanurjaya (2012) menghasilkan akurasi lebih tinggi
dibandingkan dengan penelitian ini.
Tabel 5 Perbandingan akurasi dengan penelitian sebelumnya
Obyek penelitian
Jenis
Fitur
Classifier
Akurasi
Asanurjarya (2012)
6 varietas
6
PNN
77.50%
Nurjayanti (2011)
5 spesies
10
KNN
100.00%
Penelitian ini
6 varietas
17
KNN
73.33%
SIMPULAN DAN SARAN
Simpulan
Berdasarkan hasil penelitian yang dilakukan diperoleh beberapa kesimpulan
sebagai berikut:
1 Metode k-nearest neighbour dapat diimplementasikan dalam pengenalan daun
tanaman jati menggunakan ekstraksi fitur ciri morfologi daun.
2 Penelitian ini menghasilkan akurasi tertinggi sebesar 73.33% pada 16 fitur
dengan k tetangga terdekat 1.
Saran
Saran untuk pengembangan selanjutnya adalah sebagai berikut:
1 Melakukan segmentasi otomatis pada saat praproses citra.
16
2 Menggunakan classifier yang lain dengan 16 fitur ciri morfologi, seperti
probalistic neural network (PNN) dan support vector machine (SVM).
DAFTAR PUSTAKA
Asanurjaya B. 2012. Identifikasi daun jati menggunakan probabilistic neural
network dengan ekstraksi fitur ciri morfologi daun [skripsi]. Bogor (ID):
Institut Pertanian Bogor.
Han J, Kamber M. 2001. Data Mining Concepts & Techniques. San Francisco
(US): Academic Press.
Nurfadhilah E. 2011. Identifikasi tumbuhan obat menggunakan fitur citra
morfologi, tekstur, dan bentuk dengan klasifikasi probabilistik neural network
[skripsi]. Bogor (ID): Institut Pertanian Bogor.
Nurjayanti B. 2011. Identifikasi Shorea menggunakan k-nearest neighbour
berdasarkan karakteristik morfologi daun [skripsi]. Bogor (ID): Institut
Pertanian Bogor.
Rachmawati H, Irianto D, Hansen CP. 2002. Tectona Grandis. Bandung (ID):
Indonesia Seed Project.
Sutoyo T, Mulyanto E, Suhartono E, Nurhayati OD, Wijanarto. 2009. Teori
Pengolahan Citra Digital. Yogyakarta (ID): Andi.
Tan P, Steinbach M, Kumar V. 2006. Introduction to Data Mining. Boston (US):
Pearson Education.
The MathWorks. 2008. Image processing toolbox for use with MATLAB: user’s
guide version 7 [manual]. Natick (US-MA): The MathWorks.
Wu SG, Bao FS, Xu EY, Wang YX, Chang YF, Xiang QL. 2007. A Leaf
Recognitian Algorithm for Plant Classification Using Probabilistic Neural
Network. Di dalam: IEEE International Symposium on Signal Processing and
Information Technology. hlm. 11-16.
17
Lampiran 1 Hasil perhitungan morfologi sebelum dilakukan normalisasi
Lampiran 2 Hasil perhitungan morfologi setelah dilakukan normalisasi
Lampiran 3 Confusion matrix 6 fitur k=3
Kelas asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
10
0
5
0
2
2
Emas
0
9
1
0
5
1
Kelas prediksi
Jobika
Muna
4
0
1
0
8
2
2
12
0
0
1
6
Prima
3
10
1
0
13
0
Super
3
0
3
6
0
10
Lampiran 4 Confusion matrix 6 fitur k=5
Kelas asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
7
0
6
0
2
2
Emas
1
12
1
0
4
0
Kelas prediksi
Jobika
Muna
5
1
0
0
7
2
2
13
1
0
2
7
Prima
4
6
1
0
13
1
Super
2
2
3
5
0
8
18
Lampiran 5 Confusion matrix 6 fitur k=7
Kelas asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
10
0
5
0
2
2
Emas
0
11
2
0
7
0
Kelas prediksi
Jobika
Muna
4
0
0
0
9
1
2
14
0
0
2
6
Lampiran 6 Confusion matrix 17 fitur k=3
Kelas prediksi
Kelas asal
Biotrop Emas
Jobika
Muna
Biotrop
9
2
5
1
Emas
0
15
0
0
Jobika
3
1
9
5
Muna
0
0
7
7
Prima
2
7
0
0
Super
0
0
1
1
Prima
4
9
0
0
11
1
Prima
3
3
1
2
11
0
Super
2
0
3
4
0
9
Super
0
2
1
4
0
18
Lampiran 7 Confusion matrix 17 fitur k=5
Kelas asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
10
0
2
0
2
0
Emas
1
17
3
0
11
0
Kelas prediksi
Jobika
Muna
5
1
0
0
8
5
5
11
1
0
1
0
Prima
3
3
1
0
6
0
Super
0
0
1
4
0
19
Lampiran 8 Confusion matrix 17 fitur k=7
Kelas asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
0
6
0
2
0
0
Emas
17
3
0
10
1
0
Kelas prediksi
Jobika
Muna
0
0
6
4
2
9
1
0
1
0
0
0
Prima
3
0
5
6
0
0
Super
0
1
4
0
18
0
19
Lampiran 9 Boxplot untuk setiap fitur ciri morfologi daun
Fitur area
Fitur diameter
Fitur physiological width
Fitur perimeter
Fitur physiological length
Fitur smooth factor
20
Lampiran 9 Lanjutan
Fitur aspect ratio
Fitur rectangularity
Fitur form factor
Fitur perimeter ratio of
physiological
length
and
physiological width
Fitur perimeter ratio of diameter
Fitur Vein Feature 1
Fitur Vein Feature 2
Fitur Vein Feature 3
21
Lampiran 9 Lanjutan
Fitur Vein Feature 4
Fitur Vein Feature 5
Lampiran 10 Hasil opening menggunakan 1 piksel.
Structuring element radius 1 piksel
Citra biner
Citra hasil opening
22
RIWAYAT HIDUP
Penulis lahir pada tanggal 15 Mei 1990 di Kota Cirebon. Penulis
merupakan anak pertama dari dua bersaudara, dari pasangan Bapak Saprudin dan
Ibu Tety Suciaty. Penulis menyelesaikan pendidikan menengah atas di SMA
Negeri 5 Cirebon pada tahun 2007. Setelah menyelesaikan pendidikan di
Cirebon, tahun yang sama penulis lulus seleksi di Institut Pertanian Bogor
Program diploma IPB Program keahlian Teknik Komputer. Pada tahun 2010
penulis lulus dari Program Diploma IPB dan melanjutkan perkuliahan di Program
Alih Jenis Ilmu Komputer IPB.
K-NEAREST NEIGHBOUR DENGAN EKSTRAKSI FITUR
CIRI MORFOLOGI DAUN
M BANGKIT PRATAMA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Daun Jati
Tanaman Jati Menggunakan K-Nearest Neighbour dengan Ekstraksi Fitur Ciri
Morfologi Daun adalah benar karya saya dengan arahan dari komisi pembimbing
dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun.
Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun
tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan
dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor
Bogor, November 2013
M Bangkit Pratama
NIM G64104072
ABSTRAK
M. BANGKIT PRATAMA. Identifikasi Daun Tanaman Jati dengan K-Nearest
Neighbour Menggunakan Ekstraksi Fitur Ciri Morfologi Daun. Dibimbing oleh
AZIZ KUSTIYO.
Tanaman jati adalah tanaman yang dapat beradaptasi di iklim tropis,
sehingga jenis tanaman ini dapat tumbuh baik di Indonesia. Famili dari tanaman
jati adalah Lamiaceae yang dapat menghasilkan kayu bernilai ekonomi tinggi.
Banyaknya varietas tanaman jati membuat identifikasi tanaman tersebut menjadi
sulit. Penelitian ini mengembangkan sistem untuk identifikasi tanaman jati
menggunakan ekstraksi ciri morfologi daun. Metode klasifikasi yang digunakan
adalah k-nearest neighbor (KNN). Data yang digunakan pada penelitian ini
adalah 6 jenis varietas jati. Pembagian data latih dan data uji menggunakan k-fold
cross validation dengan nilai k=5. Akurasi rata-rata terbaik yang dihasilkan
adalah 73.33%.
Kata kunci : K-Nearest Neighbour, Morfologi Daun, Tanaman Jati
ABSTRACT
M. BANGKIT PRATAMA. Identification of Teak Leaf Using K-Nearest
Neighbour with Leaf Morphology Feature Extraction. Supervised by AZIZ
KUSTIYO.
The ability of teak plantation to adapt in tropical climate makes this
plantation grows well in Indonesia. Teak plantation belongs to Lamiacae and it
has a high economic value. The existence of various teak varietas becomes a
challenge in teak identification. This research developed a teak identification
system using its leaf morphology feature extraction. K-nearest neighbor (KNN)
was used as the classification method. Six teak varieties were used as the data.
The testing data and training data were divided by k-fold cross validation with
k=5. The best average accuracy was 73.33%.
Keywords : K-Nearest Neighbour, Leaf Morphology, Teak Tree
IDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN
K-NEAREST NEIGHBOUR DENGAN EKSTRAKSI FITUR
CIRI MORFOLOGI DAUN
M BANGKIT PRATAMA
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
Penguji:
1 Musthafa, SKom MSc
2 Ir Julio Adisantoso, MKom
Judul Skripsi : Identifikasi Daun Tanaman Jati Menggunakan K-Nearest
Neighbour dengan Ekstraksi Fitur Ciri Morfologi Daun
Nama
: M. Bangkit Pratama
NIM
: G64104072
Disetujui oleh
Aziz Kustiyo, SSi MKom
Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Judul yang
dipilih dalam penelitian dilaksanakan sejak bulan September 2012. Topik
penelitian ini adalah Identifikasi Daun Jati dengan K-Nearest Neighbour
Menggunakan Ekstraksi Ciri Morfologi Daun.
Terima kasih penulis ucapkan kepada seluruh pihak yang telah membantu
penelitian ini:
1 Ayahanda H Saprudin, SH dan Ibunda Hj Ir Tety Suciaty, MP, serta adik
Tysya Aulia Binangkityang telah membantu doa dan semangatnya untuk terus
mengerjakan penelitian ini.
2 Bapak Aziz Kustiyo, SSi MKom, selaku dosen pembimbing yang telah
banyak memberikan arahan, ide, dan saran untuk penelirian ini.
3 Bapak Musthafa, SKom, MSc dan Ir Julio Adisantoso, MKom, yang telah
bersedia menjadi dosen penguji.
4 Rekan mahasiswa: Annisa Aulia, Rizkina Muhammad Syam, R. Ahmad
Somadi serta teman-teman ilkom angkatan 5 alih jenis yang telah bersama
selama 2,5 tahun.
5 Rekan satu bimbingan: Asep Haryono, Ilvi Nurrizki Utami, Cory Diana
Lestari, yang telah memberikan arahan serta saran selama bimbingan besama.
6 Semua pihak yang telah membantu terima kasih yang belum disebutkan disini.
Semoga karya ilmiah ini bermanfaat bagi pihak yang membutuhkan.
Bogor, November 2013
M. Bangkit Pratama
DAFTAR ISI
DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
DAFTAR TABEL
iv
PENDAHULUAN
1
Tujuan Penelitian
1
Manfaat Penelitian
1
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
2
Jati
2
Citra Digital
2
Confusion Matrix
3
METODE
4
Citra Daun
4
Praproses Data
5
Ekstraksi Ciri Morfologi
6
K-Fold Cross Validation
10
Klasifikasi KNN
11
Evaluasi
11
Lingkungan Pengembangan
11
HASIL DAN PEMBAHASAN
12
Citra Daun
12
Ekstraksi Ciri
12
Klasifikasi KNN
12
Perbandingan Dengan Penelitian Sebelumnya
15
SIMPULAN DAN SARAN
15
Simpulan
15
Saran
15
DAFTAR PUSTAKA
16
RIWAYAT HIDUP
22
DAFTAR TABEL
1
2
3
4
5
Akurasi rata-rata 6 fitur (%)
Confusion matrix percobaan 6 fitur k=1
Akurasi rata-rata 17 fitur (%)
Confusion matrix rata-rata 17 fitur k=1
Perbandingan akurasi dengan penelitian sebelumnya
13
13
13
14
15
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
Perbandingan gradasi warna 1 bit, 2 bit, 5 bit, 6 bit, 7 bit, dan 8 bit
3
Metode penelitian
4
Contoh masing-masing varietas daun jati yang tepat teridentifikasi
5
Alur proses citra
5
Alur proses RGB ke grayscale
5
Citra masukan untuk ektraksi fitur morfologi
6
Contoh ilustrasi ekstraksi fitur ciri morfologi area daun.
6
Contoh ilustrasi ekstraksi fitur ciri morfologi perimeter daun.
7
Contoh ilustrasi ekstraksi fitur ciri morfologi diameter daun.
7
Contoh ilustrasi ekstraksi fitur ciri morfologi panjang daun
Error!
Bookmark not defined.
Contoh ilustrasi ekstraksi fitur ciri morfologi lebar daun
8
Aspect ratio
8
Akurasi antara 6 fitur dan 17 fitur
14
DAFTAR LAMPIRAN
1
2
3
4
5
6
7
8
9
10
Hasil perhitungan morfologi sebelum dilakukan normalisasi
Hasil perhitungan morfologi setelah dilakukan normalisasi
Confusion matrix 6 fitur k=3
Confusion matrix 6 fitur k=5
Confusion matrix 6 fitur k=7
Confusion matrix 17 fitur k=3
Confusion matrix 17 fitur k=5
Confusion matrix 17 fitur k=7
Boxplot untuk setiap fitur ciri morfologi daun
Hasil opening menggunakan 1 piksel.
17
17
17
17
18
18
18
18
19
21
PENDAHULUAN
Indonesia merupakan salah satu negara beriklim tropis. Kawasan beriklim
tropis mempunyai potensi yang cukup besar untuk mengembangkan produkproduk kehutanan. Salah satu produk kehutanan yang dapat dikembangkan adalah
tanaman jati yang mempunyai nama latin Tectona grandis Linn F. Tanaman jati
secara alamiah banyak dijumpai di negara-negara asia selatan dan asia tenggara,
yaitu Burma, Thailand, Laos, dan Indonesia. Ratusan species tanaman jati
terbesar di seluruh Indonesia, baik jati unggul maupun jati biasa. Banyaknya
spesies tanaman jati yang ada menyebabkan kesulitan dalam mengenal jenis
tanaman jati yang satu dengan yang lainnya. Untuk mengetahui setiap jenis
tanaman jati yang ada dibutuhkan pengalaman dan pengetahuan yang cukup lama.
Oleh karena itu, perlu dikembangkan suatu sistem identifikasi tanaman jati.
Penelitian sebelumnya yang pernah dilakukan adalah Asanurjaya (2012).
Penelitian tersebut dilakukan identifikasi dengan objek yang sama namun
klasifikasi menggunakan probabilistic neural network (PNN) berdasakarkan 6 ciri
morfologi, dan pada penelitian tersebut diperoleh akurasi sebesar 77.50%.
Penelitian terkait selanjutnya yang pernah dilakukan adalah Nurjayanti (2011).
Pada penelitian tersebut dilakukan klasifikasi 5 species shorea menggunakan knearest neighbour (KNN) berdasarkan 10 ciri morfologi dan pada penelitian
tersebut diperoleh akurasi sebesar 100.00%.
Model identifikasi daun jati yang akan dikembangkan dapat digunakan
untuk mengenal daun jati. Identifikasi ini dilakukan agar tidak menyebabkan
kesalahan pemilihan kayu yang tidak tepat dan mengurangi pertumbuhan jenis
kayu dengan sifat-sifat yang tidak diinginkan. Sifat-sifat itu misalnya kualitas
kayu yang rendah, pertumbuhan lambat, tajuk lebar yang jarang mencapai ukuran
kayu, atau jenis pilihan yang tidak cocok untuk kondisi tanah tertentu.
Pada penelitian ini akan dilakukan pada objek daun jati dengan ekstraksi ciri
morfologi daun menggunakan k-nearest neighbour classifier. Ciri morfologi daun
digunakan sebagai pengolahan citra daun yang dapat mengekstraksi fitur dari
daun dan mereduksi dimensi citra tanpa menghilangkan fitur-fitur penting dalam
citra tersebut. Diharapkan dengan metode yang berbeda bisa menghasilkan
akurasi lebih baik dibandingkan dengan penelitian sebelumnya dengan objek yang
sama.
Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk menerapkan algoritma KNN dan
mengimplementasikan teknik ekstraksi fitur ciri morfologi daun dalam
mengidentifikasi tanaman jati, serta mengetahui tingkat akurasi dari proses
identifikasi tersebut.
Manfaat Penelitian
Manfaat dari penelitian ini adalah membantu identifikasi daun tanaman jati
(Tectona grandis Linn F) sehingga mudah untuk mengenali jenis atau varietas
daun Jati.
2
Ruang Lingkup Penelitian
Untuk memfokuskan penelitian, ditentukan beberapa batasan masalah/ruang
lingkup yaitu sebagai berikut:
1 Jenis tanaman jati yang digunakan adalah tanaman jati Biotrop, jati Emas, jati
Jobika, jati Muna, jati Prima, dan jati Super.
2 Data citra tanaman jati diambil pada umur 3-4 bulan.
3 Menggunakan ekstraksi fitur berdasarkan ciri morfologi daun.
TINJAUAN PUSTAKA
Jati
Pohon besar yang menggugurkan daun. Pada kondisi baik, tinggi dapat
mencapai 30 – 40 m. Pada habitat kering, pertumbuhan menjadi terhambat,
cabang lebih banyak, melebar dan membentuk semak. Pada tapak bagus, batang
bebas cabang 15 – 20 m atau lebih, percabangan kurang dan rimbun. Pohon tua
sering beralur dan berbanir. Kulit batang tebal, abu-abu atau coklat muda ke abuabuan. Daun lebar, panjang 25 – 50 cm, lebar 15 – 35 cm, letak daun bersilangan,
bentuk elips atau bulat telur. Bagian bawah abu-abu, tertutup bulu berkelenjar
warna merah. Ukuran bunga kecil, diameter 6 – 8 mm, keputih-putihan dan
berkelamin ganda terdiri benangsari dan putik yang terangkai dalam tandan besar.
Jumlah kuncup bunga 800 – 3.800 per tandan, bunga mekar dalam waktu 2 - 4
minggu (Rachmawati 2002).
Areal penyebaran alaminya terdapat di India, Myanmar, Thailand dan
bagian barat Laos.Batas utara pada garis 250 LU di Myanmar, batas selatan pada
garis 90 LU di India. Jati tersebar pada garis 700 – 1000 BT. Penyebarannya
ternyata terputus-putus. Hutan jati terpisah oleh pegunungan, tanah-tanah datar,
tanah-tanah pertanian dan tipe hutan lainnya. Di Indonesia, jati bukan tanaman
asli, tetapi sudah tumbuh sejak beberapa abad lalu di Pulau Kangean, Muna,
Sumbawa dan Jawa (Rachmawati 2002).
Citra Digital
Menurut (Sutoyo et al. 2009) banyak cara untuk menyimpan citra di dalam
memori. Cara penyimpanan menentukan jenis citra digital yang terbentuk.
Beberapa jenis citra digital yang sering digunakan adalah citra biner, citra
grayscale, dan citra warna.
1 Citra biner
Banyaknya warna dalam citra biner ada 2, yaitu hitam dan putih.
Membutuhkan 1 bit di memori untuk menyimpan kedua warna ini.
2 Citra grayscale
Banyaknya warna tergantung jumlah bit yang disediakan di memori untuk
menampung kebutuhan warna. Semakin besar jumlah bit warna yang
disediakan di memori, semakin halus gradasi warna yang terbentuk.
3
Gambar 1 Perbandingan gradasi warna 1 bit, 2 bit, 5 bit, 6 bit, 7 bit, dan 8 bit
Gambar 1 menunjukan perbandingan citra skala kebuan yang ditampilkan di
monitor dengan gradasi warna yang berbeda-beda, yaitu 256, 128, 64, 32, 8, 4,
dan 2 warna. Perbandingan ini bisa dikatakan bahwa semakin besar tingkat
gradasi warna yang digunakan, semakin halus warna citra yang ditampilkan di
monitor.
3 Citra warna
Setiap pixel pada citra warna mewakili warna yang merupakan kombinasi
dari tiga warna dasar (RGB = red green blue). Setiap warna dasar
menggunakan penyimpanan 8 bit = 1 byte, yang berarti setiap warna
mempunyai gradasi sebanyak 255 warna. Berarti setiap pixel mempunyai
kombinasi warna sebanyak 28.28.28 = 224 = 16 juta warna lebih. Itulah
sebabnya format ini dinamakan true color karena mempunyai jumlah warna
yang cukup besar sehingga bias dikatakan hamper mencakup semua warna di
alam. Penyimpanan citra true color di dalam memori berbeda dengan citra
grayscale. Setiap pixel dari citra grayscale 256 gradasi warna diwakili oleh 1
byte, sedangkan 1 pixel citra true color diwakili oleh 3 byte, dimana masingmasing byte mempresentasikan warna merah, hijau, dan biru.
Confusion Matrix
Confusion matrix merupakan sebuah tabel yang terdiri dari banyaknya baris
data uji yang diprediksi benar dan tidak benar oleh model klasifikasi.Tabel ini
diperlukan untuk menentukan kinerja suatu model klasifikasi (Tan et al. 2006).
4
METODE
Pada penelitian ini dilakukan dengan beberapa tahapan. Ilustrasi tahapan
proses penelitian disajikan pada Gambar 2.
Mulai
Citra Daun
Praproses Data
Ekstraksi Ciri Morfologi
K-Fold cross validation
Data Latih
Data Uji
Klasifikasi KNN
Evaluasi
Selesai
Gambar 2 Metode penelitian
Citra Daun
Citra Daun yang digunakan pada penelitian ini didapat dari penelitian
sebelumnya (Asunarjaya 2012). Citra daun yang digunakan adalah daun daun jati
6 varietas. Satu varietas diwakili dengan 20 citra, sehingga total citra ada
sebanyak 120 citra. Citra yang digunakan berukuran 1200×2300 pixel. Citra
yang digunakan pada penelitian ini adalah citra daun tanaman jati yang samplenya diambil dari laboratorium kultur jaringan SEAMEO BIOTROP Bogor.
Dalam pengambilan citra, daun tanaman jati dipilah-pilah dan diambil yang
kualitas daunnya terlihat baik dalam hal bentuk daun yang utuh dan struktur daun
yang jelas. Contoh masing-masing varietas daun jati disajikan pada Gambar 3.
5
Citra jati biotrop
Citra jati emas
Citra jati muna
Citra jati prima
Citra jati jobika
Citra jati super
Gambar 3 Contoh masing-masing varietas daun jati yang tepat teridentifikasi
Praproses Data
Tahapan praproses data dilakukan perubahan warna pada latar belakang.
Latar belakang yang sebelumnya berwarna, kemudian dihilangkan. Ilustrasi bisa
dilihat di Gambar 4.
Citra hasil akuisisi
latar belakang
Gambar 4 Alur proses citra
Citra RGB
Citra RGB
Citra grayscale
Gambar 5 Alur proses RGB
ke grayscale
Setelah dilakukan perubahan warna pada latar belakang, yang dilakukan
selanjutnya yaitu akan mengubah citra yang awalnya RGB menjadi grayscale.
Untuk mengubah RGB ke grayscale menggunakan rumus (The MathWorks 2008)
A = 0.2989 × R + 0.5870 × G + 0.1140 × B
dengan:
A : Nilai itensitas keabuan
R : Nilai komponen merah
G : Nilai komponen hijau
B : Nilai komponen biru
Ilustrasi perubahan citra dapat dilihat di Gambar 5. Proses selanjutnya
adalah mengubah citra grayscale ke biner dengan menggunakan threshold. Untuk
mendapatkan threshold dilakukan dengan mencoba beberapa nilai dan nilai
optimal yang diperoleh sebesar 0.75. Nilai threshold ini berlaku untuk semua
citra daun. Nilai threshold merupakan suatu nilai yang memisahkan piksel antara
6
piksel objek dengan piksel latar belakang citra. Ilustrasi dapat dilihat di Gambar
6.
Citra biner
Citra grayscale
Gambar 6 Citra masukan untuk ektraksi fitur morfologi
Ekstraksi Ciri Morfologi
Menurut Wu et al (2007) ekstraksi morfologi terdiri atas 2 ciri yaitu ciri
dasar dan turunan. Tahap awal ekstraksi adalah mendapatkan ciri-ciri morfoloagi
daun. Ciri dasar yang digunakan pada penelitian ini adalah diameter, area,
perimeter/keliling, panjang, dan lebar daun. Lima ciri dasar tersebut dapat
dikombinasikan sehingga mendapatkan empat ciri turunan dianataranya smooth
factor, form factor, perimeter ratio of diameter, perimeter ratio of physiological
length and physiological width. Empat ciri turunan itu dikembangkan kembali
menjadi 8 ciri turunan diantaranya aspect ratio, rectangularity, narrow factor, dan
5vein features. Informasi ciri ini direpresentasikan sebagai sebuah vektor dengan
tujuh belas elemen, fitur elemen itu adalah:
1 Area
Area daun dilambangkan dengan A dihitung berdasarkan jumlah piksel
berada di dalam tepi daun. Ilustrasi proses ekstraksi fitur ciri morfologi area
daun direpresentasikan seperti yang terlihat pada Gambar 7 (Asanurjaya 2012).
Citra biner morfologi yang
Matriks citra
telah diinvers area
Gambar 7 Contoh ilustrasi ekstraksi fitur ciri morfologi area daun.
Citra grayscale
2 Perimeter
Perimeter daun dilambangkan dengan P dihitung berdasarkan jumlah piksel
yang berada pada tepi daun. Proses untuk menghasilkan tepi-tepi dari citra
daun, menggunakan metode deteksi tepi (edge detection) Sobel (Sutoyo T et al
2009). Adapun operator yang digunakan adalah sebagai berikut.
7
Sx = [
]
Sy = [
]
Ilustrasi proses ekstraksi fitur ciri morfologi perimeter daun
direpresentasikan seperti yang terlihat pada Gambar 8 (Asanurjaya 2012).
Citra biner morfologi
perimeter (edge detection)
Matriks citra
Gambar 8 Contoh ilustrasi ekstraksi fitur ciri morfologi perimeter daun.
Citra grayscale
3 Diameter
Diameter dilambangkan dengan D merupakan titik terjauh di antara dua titik
dari batas daun. Proses untuk menghasilkan diameter dari citra daun
menggunakan rumus Phytagoras. Ilustrasi proses ekstraksi fitur ciri morfologi
diameter daun direpresentasikan seperti yang terlihat pada Gambar 9
(Asanurjaya 2012).
Masukan fitur ciri
Citra biner morfologi
morfologi diameter
perimeter
Gambar 9 Contoh ilustrasi ekstraksi fitur ciri morfologi diameter daun.
Citra grayscale
4 Panjang dan lebar
Panjang fisik dilambangkan dengan Lp merupakan jarak dua titik pangkal
daun.
Ilustrasi proses ekstraksi fitur ciri morfologi diameter daun
direpresentasikan seperti yang terlihat pada Gambar 10.
Lebar fisik
dilambangkan dengan Wp dihitung berdasarkan panjang garis terpanjang yang
memotong garis panjang fisik secara ortogonal. Ilustrasi proses ekstraksi ciri
morfologi daun direpresentasikan seperti yang terlihat pada Gambar 11.
8
Gambar 10 Contoh ilustrasi ekstraksi
fitur
ciri
morfologi
panjang daun
Gambar 11 Contoh ilustrasi ekstraksi
fitur ciri morfologi lebar
daun
5 Smooth factor
Smooth factor adalah rasio antara area citra helai daun yang dihaluskan
dengan 5×5 rectangular averaging filter dan area citra helai daun yang
dihaluskan dengan 2×2 rectangular averaging filter. Ciri ini untuk
mengukur keteraturan tepi daun. Semakin teratur tepi daun, nilainya
semakin mendekati 1. Sebaliknya, semakin tidak teratur tepi daun,
nilainya semakin mendekati 0.
6 Aspect ratio
Aspect ratio adalah rasio antara physiological length (Lp) dan
physiological width (Wp). Persamaannya dapat dilihat pada Persamaan 1
(Nurfadhilah 2011).
s ect ati
Fungsi ciri ini untuk memperkirakan bentuk helai daun. Jika benilai
kurang dari 1 maka bentuk helai daun tersebut melebar. Jika benilai lebih
dari 1 maka bentuk helai daun tersebut memanjang.
Gambar 12 Aspect ratio
7 Form factor
Form factor merupakan fitur yang digunakan untuk mendeskripsikan
bentuk dari daun dan mengetahui seberapa bundar bentuk helai daun
tersebut. Nilai form factor dapat dilihat pada Persamaan 2 (Nurfadhilah 2011).
fact
dengan:
A
: Area
P
: Perimeter
9
8 Rectangularity
Rectangularity mendeskripsikan seberapa perseginya permukaan daun.
Rumusnya diberikan pada Persamaan 3 (Nurfadhilah 2011).
ectangula it
dengan:
Lp
: Panjang
Wp
: Lebar
A
: Area
9 Narrow factor
Narrow factor didefinisikan sebagai rasio antara diameter (D) dan
physiological length (Lp). Ciri ini untuk menentukan apakah bentuk helai
daun tersebut tergolong simetri atau asimetri. Jika helai daun tersebut
tergolong simetri maka benilai 1. Jika asimetri maka bernilai lebih dari 1.
Nilainya dapat dicari menggunakan Persamaan 4 (Nurfadhilah 2011).
a
w fact
10 Perimeter ratio of diameter
Perimeter ratio of diameter yaitu untuk mengukur seberapa lonjong
daun tersebut. Persamaannya dapat dilihat pada Persamaan 5 (Nurfadhilah
2011).
e i ete
ati
f dia ate
dengan:
P
: Perimeter
D
: Diameter
11 Perimeter ratio of physiological lengthand physiological width
Perimeter ratio of physiological lengthand physiological
Rumusnya diberikan pada Persamaan 6.
e i ete
ati
f h sil gical length and h si l gical width
dengan:
P
: Perimeter
Lp
: Panjang
Wp
: Lebar
width.
10
12 Vein features. Persamaannya dapat dilihat pada Persamaan 7, 8, 9, 10 dan
11. Untuk mendapatkan nilai radius masing-masing piksel (Av) menggunakan
fungsi morfologi opening.
a. Rasio antara area helai daun yang telah dikurangi disk-shaped
structuring element dengan radius satu piksel (Av1) dan area daun awal
(A). Rumusnya menggunakan Persamaan 7.
v
ein featu es
Contoh hasil dari opening dengan menggunakan 1 piksel dilihat pada
Lampiran 10.
b. Rasio antara area helai daun yang telah dikurangi disk-shaped
structuring element dengan radius dua piksel (Av2) dan area daun awal
(A). Persamaannya seperti tercantum di bawah ini.
ein featu es
v
c. Rasio antara area helai daun yang telah dikurangi disk-shaped
structuring element dengan radius tiga piksel (Av3) dan area daun awal
(A). Untuk menghitungnya menggunakan Persamaan 9.
ein featu es
d.
Rasio antara area helai daun yang telah dikurangi disk-shaped
structuring element dengan radius empat piksel (Av4) dan area daun awal
(A). Persamaan 10 di bawah ini merupakan persamaan yang digunakan.
ein featu es
e.
v
v
Rasio antara area helai daun yang telah dikurangi disk-shaped
structuring element dengan radius empat piksel (Av4) dan area helai daun
yang telah dikurangi disk-shaped structuring element dengan radius satu
piksel (Av1). Persamaannya dapat dilihat pada Persamaan 11.
ein featu es
v
v
K-Fold Cross Validation
Data citra daun Jati dibagi menjadi 2 bagian yaitu data latih dan data uji.
Data latih digunakan untuk melakukan klasifikasi menggunakan k-nearest
neighbour, sedangkan data uji digunakan untuk melakukan pengujian klasifikasi.
Penelitian ini menggunakan 6 jenis citra daun Jati, masing-masing terdiri atas 20
data citra. Total 120 data citra daun Jati, 96 data digunakan sebagai data latih dan
24 data digunakan sebagai data uji. Data latih dan data uji akan disusun
menggunakan k-fold cross validation. Banyaknya data yang diperoleh sebanyak
120 data maka data disusun menjadi 5 fold. Pada kombinasi ini data dibagi
11
menjadi 5 subset (S1,S2,S3,S4,S5). Pelatihan dan pengujian dilakukan sebanyak k
kali.Iterasi ke-i subset S1 diperlakukan sebagai data pengujian dan subset lainnya
sebagai data pelatihan. Tingkat akurasi dihitung dengan membagi jumlah
keseluruhan klasifikasi yang benar dengan jumlah semua instance pada data awal
(Han dan Kamber 2001).
Klasifikasi KNN
Penelitian ini klasifikasi yang akan digunakan dengan teknik K-Nearest
Neighbour. Teknik K-Nearest Neighbour mencari jarak terdekat antara data yang
akan dievaluasi dengan k tetangga (neighbour) terdekatnya dalam data pelatihan.
Hasil klasifikasi ini diukur menggunakan tingkat akurasi dari data citra yang diuji
dan diamati. Nilai k yang akan dicobakan pada penelitian ini adalah 1, 3, 5, dan 7.
Pada percobaan ini juga mencobakan beberapa inputan fitur dengan 2 jenis
kombinasi inputan fitur. Percobaan 1 dengan fitur 6 ciri morfologi, dan
percobaan 2 dengan 17 fitur ciri morfologi. Jika ada sebuah data uji maka akan
dihitung kedekatan titik data lainnya pada data latih untuk diklasifikasikan dengan
ukuran jarak yang umumnya menggunakan metode Euclidean distance (Han dan
Kamber 2001).
√∑
Evaluasi
Kinerja K-NN dapat ditentukan dengan menghitung besaran akurasi yang
berhasil diperoleh. Akurasi dapat dihitung dengan persamaan berikut:
Lingkungan Pengembangan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk
penelitian ini adalah sebagai berikut:
Perangkat keras:
1 Processor Intel ® Core 2 Duo
2 Memory 3 GB
3 Hardisk 500 GB
Perangkat lunak:
1 Sistem Operasi Microsoft Windows 7
2 Matlab 7.7 (R2008b)
12
HASIL DAN PEMBAHASAN
Citra Daun
Pada penelitian ini terdapat 6 varietas citra daun Jati. Setiap varietas terdiri
dari 20 citra, sehingga total data sebanyak 120 citra. Data yang digunakan pada
penelitian ini merupakan data penelitian Asanurjaya (2012). Jenis Jati yang
digunakan pada penelitian ini adalah Biotrop, Emas, Jobika, Muna, Prima, dan
Super. Citra yang digunakan berukuran 1200×2300 pixel yang diakuisisi
menggunakan kamera digital yang mempunyai resolusi 12 Megapixel dan jarak
antara kamera dan daun ± 20 cm. Citra yang digunakan pada penelitian ini adalah
citra daun tanaman jati yang sampelnya diambil dari Laboratorium Kultur
Jaringan SEAMEO BIOTROP Bogor.
Ekstraksi Ciri
Ekstraksi ciri yang digunakan adalah ekstraksi ciri morfologi daun.
Penelitian ini akan menggunakan 2 kali percobaan ekstraksi ciri, yaitu dengan
jumlah 6 fitur yang dilakukan oleh Asunarjaya (2012), kemudian menambahkan
lagi menjadi 17 fitur. Hasil yang diperoleh dari perhitungan morfologi daun
memiliki rentang nilai yang sangat jauh seperti tercantum pada Lampiran 1.
Rentang nilai terbesar adalah luas area dengan nilai terkecil 272387 dan terbesar
1640700, sedangkan nilai terkecil adalah vein features 1 memiliki nilai rentan
terkecil 0.1030 sampai terbesar 0.2711.
Nilai fitur yang tinggi akan
mempengaruhi jarak tersebut, sehingga mungkin akan sangat berpengaruh
terhadap penentuan kelas dari data uji.
Hal ini tentunya akan mempengaruhi dalam perhitungan jarak euclid, untuk
mengatasi hal tersebut maka dilakukan normalisasi fitur. Oleh karena itu sebelum
dilakukan pembagian data latih dan data uji, terlebih dahulu dilakukan normalisasi
data sehingga semua nilai akan memiliki rentang nilai yang tidak terlalu jauh.
Melakukan normalisasi tidak semua nilai ekstraksi fitur dilakukan, tapi hanya
beberapa nilai saja yang memiliki nilai rentang yang sangat jauh yaitu nilai area,
perimeter, dan diameter, physiological length dan physiological width seperti
terlihat pada Lampiran 2. Normalisasi dilakukan dengan digit terbesar. Setelah
dilakukan pengamatan ternyata fitur narrow factor tidak digunakan, karena
nilainya sama semua sehingga fitur ini tidak digunakan.
Klasifikasi KNN
Data hasil ektraksi ciri akan dibagi 2 menggunakan k-fold cross-validation
dengan data latih sebanyak 96 dan data uji sebanyak 24. Setelah data dibagi,
proses klasifikasi akan dilakukan menggunakan KNN dengan nilai k yang terdiri
dari 1, 3, 5, dan 7.
Untuk KNN dengan 6 fitur (area, perimeter, diameter, smooth factor, form
factor, perimeter ratio of diameter)
13
Tabel 1 Akurasi rata-rata 6 fitur (%)
Subset
1
2
3
4
5
Rata-rata
K
1
70.84
66.66
58.33
54.16
58.33
61.66
3
66.66
62.50
37.50
37.50
50.00
50.83
5
54.16
45.83
58.33
45.83
45.83
50.00
7
45.83
54.16
62.50
50.00
37.50
50.00
Tabel 1dapat dilihat bahwa hasil akurasi rata-rata percobaan dengan 6 fitur,
tertinggi saat k tetangga terdekat = 1 yaitu 61.66% dan untuk nilai k selain 1
kurang lebih 50.00%. Disini terlihat semakin tinggi nilai parameter k, maka
semakin kecil akurasi, karena disebabkan data penyeberan data uji dan data latih
saling berdekatan atau bisa disebut berkumpul.
Tabel 2 Confusion matrix percobaan 6 fitur k=1
Kelas asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
10
1
4
0
2
2
Emas
0
17
1
0
2
0
Kelas prediksi
Jobika
Muna
4
1
1
0
9
3
1
10
0
0
2
4
Prima
3
1
1
2
16
0
Super
2
0
2
7
0
12
Tabel 2 dapat dilihat bahwa kelas yang paling banyak salah adalah jenis jati
Jobika.
Jobika teridentifikasi ke semua kelas, yang terbanyak jobika
teridentifikasi sebagai Biotrop dan Muna. Jenis jati Emas dan Prima memiliki
kesalahan paling sedikit, hal ini disebabkan Emas dan Prima memiliki perbedaan
morfologi dengan kelas yang lain. Jenis jati Muna salah teridentifikasi paling
banyak ke jenis jati Super, begitupun sebaliknya jati Super paling banyak
kesalahan ke jati Muna.
Untuk KNN dengan 17 fitur (diameter, area, perimeter/keliling, panjang,
lebar, smooth factor, form factor, perimeter ratio of diameter, perimeter ratio of
physiological length and physiological width. aspect ratio, rectangularity, narrow
factor, dan lima vein features).
Tabel 3 Akurasi rata-rata 17 fitur (%)
Subset
1
2
3
4
5
Rata-rata
k
1
75.00
75.00
70.83
75.00
70.83
73.33
3
58.33
54.16
62.50
58.33
62.50
59.16
5
54.16
58.33
62.50
54.16
66.66
59.16
7
58.33
58.33
54.16
70.83
54.16
59.16
14
Tabel 3 dapat dilihat bahwa hasil akurasi rata-rata percobaan dengan 17
fitur, tertinggi saat k tetangga terdekat = 1 yaitu 73.33% dan untuk nilai k selain 1
kurang lebih 50%. Disini terlihat semakin tinggi nilai parameter k, maka semakin
kecil akurasi, karena disebabkan data penyeberan data uji dan data latih saling
berdekatan atau bisa disebut berkumpul.
Tabel 4 Confusion matrix rata-rata 17 fitur k=1
Kelas asal
biotrop
emas
jobika
muna
prima
super
biotrop
10
0
1
0
0
0
Kelas Prediksi
Jobika
muna
4
1
0
0
12
1
6
10
0
0
0
1
emas
2
17
1
0
0
0
Prima
3
3
4
0
20
0
super
0
0
1
4
0
19
Tabel 6 dapat dilihat bahwa dengan menambahkan fitur menjadi 17 fitur,
kelas paling banyak salah tetap jenis Jati Muna, Jati Muna paling banyak salah
teridentifikasi ke jati Jobika dan Super. Jenis Jati Jobika memiliki kemiripan ke
semua kelas, hal ini disebabkan rentang nilai fitur-fitur dari Jobika mencakup
nilai-nilai dari varietas yang lain. Sebagai contoh untuk fitur area (Lampiran 9),
nilai yang rendah dari Jobika mirip dengan nilai dari Emas dan Prima, sedangkan
nilai yang tinggi mirip dengan Muna, dan nilai yang sedang mirip Biotrop dan
Super sama seperti percobaan sebelumnya menggunakan 6 fitur. Kesalahan
prediksi terbesar jenis Jati Jobika ke jenis Jati Prima, dan Jenis jati Prima tidak
memiliki kesalahan prediksi ke kelas lainnya. Jenis jati Emas dan Super memiliki
kesalahan terkecil. Jenis Jati emas memiliki kesalahan prediksi ke jenis Jati
prima, hal ini dapat disebabkan kemiripan nilai-nilai fiturnya dari Emas berada
didalam rentang nilai fitur dari Prima. Penjelasan lebih lengkap dapat dilihat pada
kemiripan setiap fitur ciri morfologi daun seperti terlihat pada Lampiran 9.
Akurasi (%)
100
6 fitur
17 fitur
50
0
1
3
5
7
Nilai k
Gambar 13 Akurasi antara 6 fitur dan 17 fitur
15
Akurasi klasifikasi berdasarkan 17 fitur lebih tinggi dibandingkan dengan 6
fitur pada semua nilai k (Gambar 13). Nilai data memiliki kemiripan dari masingmasing fitur. Hal ini yang menyebabkan k semakin besar semakin kecil akurasi.
Perbandingan Dengan Penelitian Sebelumnya
Penelitian sebelumnya dilakukan Asanurjaya (2012) menggunakan 6 jenis
Jati dan berdasarkan 6 fitur ciri morfologi. Penelitian tersebut menggunakan
classifier probabilistic neural network (PNN) yang menghasilkan akurasi 77.50%.
Penelitian yang dilakukan Asanurjaya menggunanakan klasifikasi PNN adalah
menggunakan pelatihan (training) supervised. Keuntungan utama menggunakan
arsitektur PNN adalah training data PNN mudah dan cepat (Wu et al. 2007).
Penelitian dengan clasifier k-nearest neighbour (KNN) dilakukan oleh
Nurjayanti (2011) dengan objek daun Shorea dan berdasarkan 10 fitur ciri
morfologi yang menghasilkan akurasi 100%, oleh karena itu penelitian ini
mengacu pada penelitian Nurjayanti (2011). Pada penelitian yang membedakan
disini, penelitian Nurjayanti (2011) masih diinputkan secara manual seperti nilai
panjang, lebar, bentuk tulang daun, permukaan daun, ujung, pangkal, sudut antar
tulang daun, dan jumlah tulang daun, sedangkan data yang digunakan
menggunakan 2 jenis data yaitu numerik dan nominal.
Dalam penelitian yang dilakukan data jenis Jati yang digunakan sama
dengan penelitian Asanurjaya (2012). Penelitian ini menambahkan 11 fitur
morfologi, dengan menggunakan k-nearest neighbour (KNN) menghasilkan
akurasi 73.33%. Penelitian Asanurjaya (2012) menghasilkan akurasi lebih tinggi
dibandingkan dengan penelitian ini.
Tabel 5 Perbandingan akurasi dengan penelitian sebelumnya
Obyek penelitian
Jenis
Fitur
Classifier
Akurasi
Asanurjarya (2012)
6 varietas
6
PNN
77.50%
Nurjayanti (2011)
5 spesies
10
KNN
100.00%
Penelitian ini
6 varietas
17
KNN
73.33%
SIMPULAN DAN SARAN
Simpulan
Berdasarkan hasil penelitian yang dilakukan diperoleh beberapa kesimpulan
sebagai berikut:
1 Metode k-nearest neighbour dapat diimplementasikan dalam pengenalan daun
tanaman jati menggunakan ekstraksi fitur ciri morfologi daun.
2 Penelitian ini menghasilkan akurasi tertinggi sebesar 73.33% pada 16 fitur
dengan k tetangga terdekat 1.
Saran
Saran untuk pengembangan selanjutnya adalah sebagai berikut:
1 Melakukan segmentasi otomatis pada saat praproses citra.
16
2 Menggunakan classifier yang lain dengan 16 fitur ciri morfologi, seperti
probalistic neural network (PNN) dan support vector machine (SVM).
DAFTAR PUSTAKA
Asanurjaya B. 2012. Identifikasi daun jati menggunakan probabilistic neural
network dengan ekstraksi fitur ciri morfologi daun [skripsi]. Bogor (ID):
Institut Pertanian Bogor.
Han J, Kamber M. 2001. Data Mining Concepts & Techniques. San Francisco
(US): Academic Press.
Nurfadhilah E. 2011. Identifikasi tumbuhan obat menggunakan fitur citra
morfologi, tekstur, dan bentuk dengan klasifikasi probabilistik neural network
[skripsi]. Bogor (ID): Institut Pertanian Bogor.
Nurjayanti B. 2011. Identifikasi Shorea menggunakan k-nearest neighbour
berdasarkan karakteristik morfologi daun [skripsi]. Bogor (ID): Institut
Pertanian Bogor.
Rachmawati H, Irianto D, Hansen CP. 2002. Tectona Grandis. Bandung (ID):
Indonesia Seed Project.
Sutoyo T, Mulyanto E, Suhartono E, Nurhayati OD, Wijanarto. 2009. Teori
Pengolahan Citra Digital. Yogyakarta (ID): Andi.
Tan P, Steinbach M, Kumar V. 2006. Introduction to Data Mining. Boston (US):
Pearson Education.
The MathWorks. 2008. Image processing toolbox for use with MATLAB: user’s
guide version 7 [manual]. Natick (US-MA): The MathWorks.
Wu SG, Bao FS, Xu EY, Wang YX, Chang YF, Xiang QL. 2007. A Leaf
Recognitian Algorithm for Plant Classification Using Probabilistic Neural
Network. Di dalam: IEEE International Symposium on Signal Processing and
Information Technology. hlm. 11-16.
17
Lampiran 1 Hasil perhitungan morfologi sebelum dilakukan normalisasi
Lampiran 2 Hasil perhitungan morfologi setelah dilakukan normalisasi
Lampiran 3 Confusion matrix 6 fitur k=3
Kelas asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
10
0
5
0
2
2
Emas
0
9
1
0
5
1
Kelas prediksi
Jobika
Muna
4
0
1
0
8
2
2
12
0
0
1
6
Prima
3
10
1
0
13
0
Super
3
0
3
6
0
10
Lampiran 4 Confusion matrix 6 fitur k=5
Kelas asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
7
0
6
0
2
2
Emas
1
12
1
0
4
0
Kelas prediksi
Jobika
Muna
5
1
0
0
7
2
2
13
1
0
2
7
Prima
4
6
1
0
13
1
Super
2
2
3
5
0
8
18
Lampiran 5 Confusion matrix 6 fitur k=7
Kelas asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
10
0
5
0
2
2
Emas
0
11
2
0
7
0
Kelas prediksi
Jobika
Muna
4
0
0
0
9
1
2
14
0
0
2
6
Lampiran 6 Confusion matrix 17 fitur k=3
Kelas prediksi
Kelas asal
Biotrop Emas
Jobika
Muna
Biotrop
9
2
5
1
Emas
0
15
0
0
Jobika
3
1
9
5
Muna
0
0
7
7
Prima
2
7
0
0
Super
0
0
1
1
Prima
4
9
0
0
11
1
Prima
3
3
1
2
11
0
Super
2
0
3
4
0
9
Super
0
2
1
4
0
18
Lampiran 7 Confusion matrix 17 fitur k=5
Kelas asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
10
0
2
0
2
0
Emas
1
17
3
0
11
0
Kelas prediksi
Jobika
Muna
5
1
0
0
8
5
5
11
1
0
1
0
Prima
3
3
1
0
6
0
Super
0
0
1
4
0
19
Lampiran 8 Confusion matrix 17 fitur k=7
Kelas asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
0
6
0
2
0
0
Emas
17
3
0
10
1
0
Kelas prediksi
Jobika
Muna
0
0
6
4
2
9
1
0
1
0
0
0
Prima
3
0
5
6
0
0
Super
0
1
4
0
18
0
19
Lampiran 9 Boxplot untuk setiap fitur ciri morfologi daun
Fitur area
Fitur diameter
Fitur physiological width
Fitur perimeter
Fitur physiological length
Fitur smooth factor
20
Lampiran 9 Lanjutan
Fitur aspect ratio
Fitur rectangularity
Fitur form factor
Fitur perimeter ratio of
physiological
length
and
physiological width
Fitur perimeter ratio of diameter
Fitur Vein Feature 1
Fitur Vein Feature 2
Fitur Vein Feature 3
21
Lampiran 9 Lanjutan
Fitur Vein Feature 4
Fitur Vein Feature 5
Lampiran 10 Hasil opening menggunakan 1 piksel.
Structuring element radius 1 piksel
Citra biner
Citra hasil opening
22
RIWAYAT HIDUP
Penulis lahir pada tanggal 15 Mei 1990 di Kota Cirebon. Penulis
merupakan anak pertama dari dua bersaudara, dari pasangan Bapak Saprudin dan
Ibu Tety Suciaty. Penulis menyelesaikan pendidikan menengah atas di SMA
Negeri 5 Cirebon pada tahun 2007. Setelah menyelesaikan pendidikan di
Cirebon, tahun yang sama penulis lulus seleksi di Institut Pertanian Bogor
Program diploma IPB Program keahlian Teknik Komputer. Pada tahun 2010
penulis lulus dari Program Diploma IPB dan melanjutkan perkuliahan di Program
Alih Jenis Ilmu Komputer IPB.