1 PENDAHULUAN
1.1 Latar Belakang
Indonesia merupakan salah satu negara tropis yang memiliki lebih dari 3.800 spesies tanaman menurut Bappenas 2003, oleh karena itu negara ini dikenal dengan
sebutan megabiodiversity country. Diantara ribuan spesies tanaman yang tumbuh di Indonesia, terdapat tanaman hias yang memiliki nilai estetika dan tumbuhan obat.
Ada 940 jenis tumbuhan yang dapat dimanfaatkan sebagai obat alternatif yang cukup potensial untuk menyembuhkan berbagai jenis penyakit Nugroho 2010. Beberapa
diantara jenis tumbuhan obat tersebut sudah dikenal dan dipergunakan oleh masyarakat secara turun temurun, namun sebagian lainnya belum dikenal dan ada
juga yang masih dalam tahap penelitian. Mengingat banyaknya jenis tumbuhan obat dan tanaman hias yang ada maka diperlukan klasifikasi yang bermanfaat untuk
mempercepat dan mempermudah proses pencarian data dalam mengidentifikasi tumbuhan obat dan tanaman hias.
Kulsum 2010 telah melakukan penelitian mengidentifikasi tanaman hias dengan menggunakan klasifikasi Probabilistic Neural Networks PNN dan ekstraksi fitur
dengan Descriptor Local Binary Pattern. Hasil dari penelitian menunjukkan bahwa klasifikasi PNN dapat mengidentifikasi tanaman hias secara automatis, sehingga
proses identifikasi dilakukan dengan cepat dan menghasilkan tingkat akurasi 73,33. Nurafifah
2010 melakukan penelitian
dengan klasifikasi
PNN dalam
mengidentifikasi daun dengan beberapa teknik penggabungan ciri yaitu product decision rule PDR, sum decision rule SDR, max decision rule MDR, dan
majority vote rule MVR. Hasil percobaan menunjukkan teknik PDR merupakan teknik terbaik dalam mengidentifikasi daun dengan tingkat akurasi sebesar 83.33.
Selain itu penelitian PNN juga dilakukan oleh Wu et al. 2007 untuk melakukan identifikasi daun tanaman liar yang ada di Jepang. Pada penelitian ini dilakukan
reduksi matrik citra dengan menggunakan Principal Component Analysis PCA.
Hasil percobaan menunjukkan dengan melakukan reduksi matrik dan klasifikasi tersebut menghasilkan tingkat akurasi sebesar 90.
Kerami dan Murfi 2004 telah melakukan penelitian dengan menggunakan klasifikasi Support Vector Mechine SVM untuk mengenali jenis splice site pada
suatu barisan DNA. Pengenalan jenis splice site ini diperlukan dalam pemindahan intron-intron yang berakibat bergabungnya exon-exon donor yang diperlukan dalam
pembentukan protein. Percobaan yang dilakukan untuk menentukan barisan DNA tersebut merupakan splice site berjenis donor atau bukan. Hasil percobaan
menunjukkan SVM dapat memprediksi data uji dengan kemampuan generalisasi 95.4.
Penelitian dengan melakukan perbandingan kinerja klasifikasi telah dilakukan oleh Rustam et al. 2003, yaitu dengan melakukan perbandingan klasifikasi K-Nearest
Neighborhood KKN dan SVM untuk menentukan jenis dan kelas aroma, percobaaan ini terdiri dari 3 jenis aroma, masing-masing aroma terdiri atas 6 kelas.
Pembagian kelas ini berdasarkan pada konsentrasi alkohol yang dicampurkan pada masing-masing aroma. Hasil percobaan menunjukkan kinerja SVM dengan
menggunakan kernel polynomial memiliki kemampuan untuk mengenal dan mengklasifikasikan aroma, dengan tepat dan sesuai dengan jenis atau kelas.
Widyanto dan Fatichah 2008 melakukan penelitian membandingkan SVM dan boosting untuk mendeteksi objek manusia. Hasil yang diperoleh dari penelitian
tersebut adalah kinerja dari SVM memiliki tingkat konsistensi 35 lebih baik dari Boosting.
Iakovidis et al. 2008 telah melakukan penelitian dengan menggunakan fuzzy logic untuk mengatasi ketidakpastian pada representasi tekstur LBP, yang dikenal
sebagai metode Fuzzy Local Binary Pattern FLBP. Metode tersebut digunakan untuk karakterisasi tekstur ultrasound dengan akurasi mencapai 84.
Menurut Vapnik dan Cortes 1995, SVM memiliki kelebihan diantaranya adalah dalam menentukan jarak menggunakan support vector sehingga proses komputasi
menjadi cepat. Adapun klasifikasi PNN menurut Duda, R.O et al. 2000 memiliki
kelebihan memiliki struktur sederhana dan training data yang cepat karena tidak perlu memperbaharui bobot
.
Berdasarkan kelebihan yang dimiliki oleh klasifikasi PNN dan SVM, oleh karena itu penelitian ini mengusulkan menggunakan kedua klasifikasi tesebut untuk
mengidentifikasi tumbuhan obat dan tanaman hias.
1.2 Tujuan Penelitian