Identifikasi jenis shorea menggunakan jaringan syaraf tiruan propagasi balik berdasarkan karakteristik morfologi daun

ABSTRACT
DEWI PUSPITASARI. Shorea Species Identification Using Backpropagation Neural Network Based
on Morphological Characteristics of Leaves. 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. Species diversity may lead to
difficulty in distinguishing species of Shorea of one another. 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. Identifying the type of Shorea carried
out on five species of Shorea owned Bogor Botanical Gardens on the basis of morphological
characteristics of leaves. The identification was carried out using Backpropagation Neural Network.
To obtain the values of each leaf morphological characteristics of Shorea, each sample measurement
data collected manually. The values are then processed using Backpropagation Neural Network to get
the pattern from the training and the accuracy of the test phase. This research used a total of 50 data
from five species of Shorea. The data are divided into five subsets. The fifth subset is used in the
training and testing phases and conducted five times. The use of methods Backpropagation neural
networks in identifying species Shorea produces an average accuracy of 90%.
Keywords : Shorea, Backpropagation Neural Network.

iii

PENDAHULUAN

Latar Belakang
Indonesia merupakan negara yang memiliki
kawasan
hutan
hujan
tropis
dengan
keanekaragaman spesies tumbuhan yang sangat
tinggi dan formasi hutan yang beragam.
Dipterocarpaceae adalah pohon kayu utama
dari hutan hujan tropis dan merupakan salah
satu famili besar dengan jumlah mencapai 506
spesies di seluruh dunia. Shorea adalah nama
marga dari famili Dipterocarpaceae yang
beranggotakan sekitar 194 spesies.
Ditinjau dari segi manfaat ekonomi, Shorea
merupakan
penghasil
kayu-kayu
Dipterocarpaceae yang terpenting, salah

satunya adalah kayu meranti (meranti kuning,
merah, dan putih). Kegunaan utama kayu
meranti adalah untuk membuat kayu lapis
dengan kualitas yang bagus. Beberapa Shorea
juga menghasilkan tengkawang, yaitu buah
meranti-merantian yang besar dan berlemak.
Biji tengkawang mengeluarkan minyak yang
berharga tinggi dan digunakan dalam industri
kosmetika dan makanan.
Keanekaragaman spesies dalam marga
Shorea
menyebabkan
kesulitan
untuk
membedakan jenis Shorea satu dengan yang
lainnya.
Diperlukan
pengetahuan
serta
pengalaman khusus dalam bidang ini untuk

dapat
membedakan
jenis-jenis
Shorea.
Identifikasi jenis pohon penghasil kayu yang
tidak akurat akan menyebabkan kesalahan
identifikasi
kayu
gelondongan
yang
mengakibatkan pemilihan kayu yang tidak tepat
untuk kegunaan akhir.
Jika ditinjau dari segi kemudahan dan
kecepatan dalam mendapatkan data, maka
karakteristik morfologi dan anatomi menjadi
acuan pertama dalam proses identifikasi
tumbuhan. Karakteristik ini dapat diamati pada
organ vegetatif tumbuhan, seperti daun, batang,
dan cabang, serta pada organ generatif
tumbuhan, seperti bunga dan buah. Kedua organ

tumbuhan ini memiliki perbedaan waktu
observasi. Organ generatif tumbuhan hanya
dapat diamati pada waktu tertentu, sedangkan
organ vegetatif tumbuhan cenderung tersedia
sebagai sumber pengamatan sepanjang waktu
(Hasanah 2009).
Daun merupakan salah satu organ vegetatif
tumbuhan dengan beberapa karakteristik yang
dapat diamati. Sama halnya seperti daun, batang
dan cabang juga merupakan organ vegetatif
tumbuhan yang cenderung tersedia sebagai
sumber pengamatan sepanjang waktu. Namun,

kulit batang dapat berubah warna atau
kedalaman alur sejalan dengan bertambahnya
umur pohon.
Pada penelitian ini akan diterapkan Jaringan
Syaraf Tiruan (JST) Propagasi Balik untuk
mengidentifikasi jenis Shorea. Data specimen
daun akan diolah dengan JST Propagasi Balik

untuk mengetahui tingkat akurasi dari proses
identifikasi tersebut.
Tujuan Penelitian
Tujuan penelitian ini adalah untuk
menerapkan Jaringan Syaraf Tiruan (JST)
Propagasi Balik dalam mengidentifikasi jenis
Shorea, serta mengetahui tingkat akurasi dari
proses identifikasi tersebut.
Ruang Lingkup Penelitian
Ruang lingkup pada penelitian ini adalah :
1. Identifikasi
jenis
Shorea
dilakukan
berdasarkan karakteristik morfologi daun.
2. Identifikasi jenis Shorea dilakukan pada
lima jenis Shorea yang terdapat di Kebun
Raya Bogor, yaitu Shorea Beccariana,
Shorea Seminis, Shorea Platyclados,
Shorea Leprosula, dan Shorea Ovalis.

3. Data yang digunakan adalah data hasil
pengukuran daun Shorea secara manual.
Manfaat Penelitian
Manfaat penelitian ini adalah membantu
masyarakat umum serta pihak-pihak terkait
dalam mengidentifikasi jenis Shorea.
TINJAUAN PUSTAKA
Shorea
Shorea adalah nama marga dari famili
Dipterocarpaceae yang beranggotakan sekitar
194 spesies. Marga ini dinamai demikian untuk
menghormati Sir John Shore, Gubernur Jenderal
British East India Company, 1793-1798. Shorea
menyebar terutama di Asia Tenggara, ke barat
hingga Srilanka dan India utara, dan ke timur
hingga Filipina dan Maluku. Shorea merupakan
penghasil kayu-kayu Dipterocarpaceae yang
terpenting, seperti aneka jenis kayu meranti
(meranti merah, kuning, putih), balau,
bangkirai, balangeran, dan lain-lain. Selain itu,

marga ini juga menghasilkan damar dari
berbagai kualitas yang digunakan dalam
industri pernis dan cat.
Ciri-ciri diagnostik utama Shorea adalah
pohon sangat besar dengan kulit kayu dalam
berlapis-lapis atau coklat merah gelap. Pohon
hampir selalu besar, batang utama tinggi dan

1

PENDAHULUAN
Latar Belakang
Indonesia merupakan negara yang memiliki
kawasan
hutan
hujan
tropis
dengan
keanekaragaman spesies tumbuhan yang sangat
tinggi dan formasi hutan yang beragam.

Dipterocarpaceae adalah pohon kayu utama
dari hutan hujan tropis dan merupakan salah
satu famili besar dengan jumlah mencapai 506
spesies di seluruh dunia. Shorea adalah nama
marga dari famili Dipterocarpaceae yang
beranggotakan sekitar 194 spesies.
Ditinjau dari segi manfaat ekonomi, Shorea
merupakan
penghasil
kayu-kayu
Dipterocarpaceae yang terpenting, salah
satunya adalah kayu meranti (meranti kuning,
merah, dan putih). Kegunaan utama kayu
meranti adalah untuk membuat kayu lapis
dengan kualitas yang bagus. Beberapa Shorea
juga menghasilkan tengkawang, yaitu buah
meranti-merantian yang besar dan berlemak.
Biji tengkawang mengeluarkan minyak yang
berharga tinggi dan digunakan dalam industri
kosmetika dan makanan.

Keanekaragaman spesies dalam marga
Shorea
menyebabkan
kesulitan
untuk
membedakan jenis Shorea satu dengan yang
lainnya.
Diperlukan
pengetahuan
serta
pengalaman khusus dalam bidang ini untuk
dapat
membedakan
jenis-jenis
Shorea.
Identifikasi jenis pohon penghasil kayu yang
tidak akurat akan menyebabkan kesalahan
identifikasi
kayu
gelondongan

yang
mengakibatkan pemilihan kayu yang tidak tepat
untuk kegunaan akhir.
Jika ditinjau dari segi kemudahan dan
kecepatan dalam mendapatkan data, maka
karakteristik morfologi dan anatomi menjadi
acuan pertama dalam proses identifikasi
tumbuhan. Karakteristik ini dapat diamati pada
organ vegetatif tumbuhan, seperti daun, batang,
dan cabang, serta pada organ generatif
tumbuhan, seperti bunga dan buah. Kedua organ
tumbuhan ini memiliki perbedaan waktu
observasi. Organ generatif tumbuhan hanya
dapat diamati pada waktu tertentu, sedangkan
organ vegetatif tumbuhan cenderung tersedia
sebagai sumber pengamatan sepanjang waktu
(Hasanah 2009).
Daun merupakan salah satu organ vegetatif
tumbuhan dengan beberapa karakteristik yang
dapat diamati. Sama halnya seperti daun, batang

dan cabang juga merupakan organ vegetatif
tumbuhan yang cenderung tersedia sebagai
sumber pengamatan sepanjang waktu. Namun,

kulit batang dapat berubah warna atau
kedalaman alur sejalan dengan bertambahnya
umur pohon.
Pada penelitian ini akan diterapkan Jaringan
Syaraf Tiruan (JST) Propagasi Balik untuk
mengidentifikasi jenis Shorea. Data specimen
daun akan diolah dengan JST Propagasi Balik
untuk mengetahui tingkat akurasi dari proses
identifikasi tersebut.
Tujuan Penelitian
Tujuan penelitian ini adalah untuk
menerapkan Jaringan Syaraf Tiruan (JST)
Propagasi Balik dalam mengidentifikasi jenis
Shorea, serta mengetahui tingkat akurasi dari
proses identifikasi tersebut.
Ruang Lingkup Penelitian
Ruang lingkup pada penelitian ini adalah :
1. Identifikasi
jenis
Shorea
dilakukan
berdasarkan karakteristik morfologi daun.
2. Identifikasi jenis Shorea dilakukan pada
lima jenis Shorea yang terdapat di Kebun
Raya Bogor, yaitu Shorea Beccariana,
Shorea Seminis, Shorea Platyclados,
Shorea Leprosula, dan Shorea Ovalis.
3. Data yang digunakan adalah data hasil
pengukuran daun Shorea secara manual.
Manfaat Penelitian
Manfaat penelitian ini adalah membantu
masyarakat umum serta pihak-pihak terkait
dalam mengidentifikasi jenis Shorea.
TINJAUAN PUSTAKA
Shorea
Shorea adalah nama marga dari famili
Dipterocarpaceae yang beranggotakan sekitar
194 spesies. Marga ini dinamai demikian untuk
menghormati Sir John Shore, Gubernur Jenderal
British East India Company, 1793-1798. Shorea
menyebar terutama di Asia Tenggara, ke barat
hingga Srilanka dan India utara, dan ke timur
hingga Filipina dan Maluku. Shorea merupakan
penghasil kayu-kayu Dipterocarpaceae yang
terpenting, seperti aneka jenis kayu meranti
(meranti merah, kuning, putih), balau,
bangkirai, balangeran, dan lain-lain. Selain itu,
marga ini juga menghasilkan damar dari
berbagai kualitas yang digunakan dalam
industri pernis dan cat.
Ciri-ciri diagnostik utama Shorea adalah
pohon sangat besar dengan kulit kayu dalam
berlapis-lapis atau coklat merah gelap. Pohon
hampir selalu besar, batang utama tinggi dan

1

silindris. Tangkai daun berukuran sekitar 0.52.5 cm. Daun berukuran panjang 4-18 cm dan
lebar 2-8 cm, pangkal daun biasanya simetris,
permukaan bawah daun bila diraba licin,
pertulangan sekunder bersisip, berjumlah
sekitar 7-25 pasang (Newman et al. 1999).

atau coklat kuning. Pertulangan sekunder
berjumlah 9-17 pasang, pertulangan tersier tidak
terlalu terlihat (Newman et al. 1999).
Shorea Seminis merupakan salah satu
Shorea penghasil tengkawang. Bijinya yang
mengandung lemak dapat digunakan sebagai
bahan dasar untuk pembuatan coklat,
margarine, sabun dan bahan kosmetika.

Gambar 1 Pohon Shorea.
Shorea Beccariana
Shorea Beccariana termasuk dalam
kelompok meranti merah. Perawakan pohon
besar, batang tinggi lurus, berbentuk silinder.
Daun berukuran panjang 8-26 cm dan lebar 2.98 cm, bila diraba licin pada kedua permukaan,
ujung daun lancip pendek, pangkal daun
berbentuk pasak.
Pertulangan sekunder
berjumlah 10-13 pasang, melengkung di seluruh
panjangnya, pertulangan tersier terlihat jelas
dan tegak lurus (Newman et al. 1999).
Shorea Beccariana merupakan salah satu
Shorea penghasil tengkawang. Biji tengkawang
mengeluarkan minyak yang berharga tinggi dan
digunakan dalam industri kosmetika dan
makanan.

Gambar 3 Daun Shorea Seminis.
Shorea Platyclados
Shorea Platyclados termasuk dalam
kelompok meranti merah. Perawakan pohon
sangat besar, batang tidak bercabang hingga
tinggi sekali. Daun berukuran panjang 6.1-13.1
cm dan lebar 2.2-4 cm, ujung daun lancip,
pangkal daun membundar. Permukaan atas daun
bila mengering berwarna coklat, bila diraba
licin. Pertulangan sekunder berjumlah 12-25
pasang, pertulangan tersier hampir tidak terlihat
(Newman et al. 1999).
Shorea yang termasuk kedalam kelompok
meranti merah seperti Shorea Platyclados
umumnya kayunya digunakan untuk venir dan
kayu lapis. Selain itu, kayunya juga dapat
digunakan sebagai bangunan perumahan dan
mebel.

Gambar 2 Daun Shorea Beccariana.
Shorea Seminis
Shorea Seminis termasuk dalam kelompok
balau atau selangan batu. Tinggi pohon dapat
mencapai 60 m. Daun berukuran panjang 9-18
cm dan lebar 2.5-8 cm, ujung daun berbentuk
lancip panjang, pangkal daun berbentuk pasak
atau membundar. Permukaan atas dan bawah
daun bila mengering berwarna coklat kelabu

Gambar 4 Daun Shorea Platyclados.
Shorea Leprosula
Shorea
Leprosula
termasuk
dalam
kelompok meranti merah. Perawakan pohon
besar, dapat mencapai tinggi 60 m, bebas
cabang 35 m, diameter 1 m. Kulit coklat keabuabuan. Daun lonjong sampai bulat telur,
panjang 8 - 14 cm dan lebar 3.5-4.5 cm.

2

Permukaan daun bagian bawah bersisik seperti
krim, urat daun tersier rapat seperti tangga.
Kayunya ringan, kerapatan 0,3-0,55 gr/cm3.
Merupakan kayu berharga dan sangat baik
untuk mebel, panel, lantai, langit-langit dan
juga untuk kayu lapis. Menghasilkan resin yang
dikenal dengan nama damar daging, yang dapat
digunakan obat.

Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (JST) adalah sistem
pemroses informasi yang memiliki karakteristik
mirip dengan jaringan syaraf biologi. JST
dibentuk sebagai generalisasi model matematika
dari jaringan syaraf biologi, dengan asumsi
bahwa :





Gambar 5 Daun Shorea Leprosula.

JST ditentukan oleh tiga hal :

Shorea Ovalis

1.

Shorea Ovalis termasuk dalam kelompok
meranti merah. Perawakan pohon besar, tinggi
pohon dapat mencapai 49 m, batang lurus
berbentuk silinder agak meruncing. Daun
lonjong atau jorong, berukuran panjang 7.8-21.9
cm dan lebar 2.7-6.9 cm, ujung daun lancip
panjang, pangkal daun membundar, permukaan
atas daun bila mengering berwarna coklat, bila
diraba licin dengan bulu-bulu pendek yang
renggang atau rapat, permukaan bawah daun
bila mengering berwarna coklat, bila diraba
kasar. Tepi daun kadang tergulung. Pertulangan
sekunder berjumlah sekitar 18-26 pasang, mulamula lurus, melengkung hanya di dekat tepi
daun atau melengkung di seluruh panjangnya,
pertulangan tersier terlihat jelas (Newman et al.
1999).

2.

Kayu meranti merah banyak dipergunakan
untuk kayu pertukangan dan kayu lapis.

Pemrosesan informasi terjadi pada banyak
elemen sederhana (neuron).
Sinyal dikirimkan di antara neuron-neuron
melalui penghubung-penghubung.
Penghubung antar neuron memiliki bobot
yang akan memperkuat atau memperlemah
sinyal.
Untuk menentukan output, setiap neuron
menggunakan
fungsi aktivasi
yang
dikenakan pada jumlah input yang diterima
untuk menentukan keluarannya.

3.

Pola hubungan antar neuron yang disebut
arsitektur.
Metode penentuan bobot pada setiap
hubungannya (disebut juga training atau
latihan).
Fungsi aktivasi yang digunakan.

Gambar 7 Model JST Propagasi Balik.
Propagasi Balik
Propagasi Balik merupakan algoritme
pembelajaran yang terawasi (supervised
learning) dan biasanya digunakan oleh jaringan
multilayer untuk mengubah bobot-bobot yang
terhubung dengan semua neuron pada hidden
layer (Kusumadewi 2004 diacu dalam
Hardelina 2007).

Gambar 6 Daun Shorea Ovalis.

3

Karakteristik yang
Propagasi Balik adalah :

dimiliki

oleh

JST



Jaringan Multilayer
JST Propagasi Balik memiliki input layer,
output layer, dan hidden layer. Setiap
neuron pada suatu layer dalam JST
Propagasi Balik mendapat sinyal input dari
semua neuron pada layer sebelumnya.



Fungsi Aktivasi
Fungsi
aktivasi
digunakan
untuk
menentukan keluaran suatu neuron. Fungsi
aktivasi yang umum digunakan pada JST
Propagasi Balik adalah fungsi sigmoid
biner (output-nya memiliki rentang [0,1]).
Grafik fungsi sigmoid biner dapat dilihat
pada Gambar 8.
ƒ(x)

Ketiga fase tersebut diulang terus hingga
kondisi penghentian terpenuhi. Umumnya
kondisi penghentian yang digunakan adalah
jumlah iterasi atau kesalahan. Iterasi akan
dihentikan jika jumlah iterasi yang dilakukan
sudah melebihi jumlah maksimum iterasi yang
ditetapkan, atau jika kesalahan yang terjadi
sudah lebih kecil dari batas toleransi yang
diijinkan.
K-Fold cross validation
K-fold cross validation dilakukan untuk
membagi training set dan test set. K-fold cross
validation mengulang k-kali untuk membagi
sebuah himpunan contoh secara acak menjadi k
subset yang paling bebas, setiap ulangan
disisakan satu subset untuk pengujian dan
subset lainnya untuk pelatihan (Fu 1994).
Normalisasi

x

Normalisasi data dilakukan dengan cara
membagi setiap data dengan nilai maksimum
dari setiap fiturnya. Normalisasi dilakukan agar
data memiliki range yang sama.
Regresi Linear

Gambar 8 Grafik fungsi sigmoid biner.
Persamaan fungsi sigmoid biner adalah
sebagai berikut :

dengan turunannya,

Ada tiga tahap pelatihan pada JST
Propagasi Balik, yaitu pelatihan input yang
bersifat umpan maju (feed forward),
perhitungan propagasi balik galat yang
diperoleh, dan penyesuaian bobot.


Feed Forward
Setiap neuron pada hidden layer dan output
layer menghitung nilai aktivasinya masingmasing sesuai dengan fungsi aktivasi yang
digunakan.



Propagasi balik galat
Setiap output neuron menghitung informasi
galat antara nilai output yang dihasilkan
dengan nilai target yang telah ditetapkan.
Informasi galat ini dikirimkan ke layer di
bawahnya.



Penyesuaian bobot-bobot jaringan
Setiap output neuron dan hidden neuron
mengubah nilai bias dan bobot sesuai
dengan nilai galat pada layer di atasnya.

Regresi linear adalah metode statistika yang
digunakan untuk membentuk model hubungan
antara variabel terikat (Y) dengan satu atau
lebih variabel bebas (X). Data dari X dan Y
diplotkan sehingga menghasilkan diagram
pencar. Jika titik-titiknya mengikuti suatu garis
lurus, maka kedua variabel tersebut saling
berhubungan secara linear. Bila hubungan linear
tersebut ada, maka kita nyatakan secara
matematik dengan sebuah persamaan garis lurus
yang disebut garis regresi linear. persamaan
tersebut dapat dituliskan dalam bentuk :
ŷ = a + bx,
dimana a adalah intersep atau perpotongan
dengan sumbu tegak dan b adalah kemiringan
atau gradiennya (Walpole 1995). Nilai a dan b
pada persamaan di atas, dapat diperoleh dengan
rumus :

Elips
Luas dan keliling elips dapat dihitung
dengan rumus di bawah ini.
Luas elips : πr1r2
Keliling : π (r1 + r2)

4

Identifikasi Masalah
r2

r1

Gambar 9 Elips.
dimana :
r1 = sumbu panjang dari titik pusat
r2 = sumbu pendek dari titik pusat
METODOLOGI
Pada bab ini akan dijelaskan mengenai
tahapan-tahapan yang akan dilakukan dalam
penelitian.
Penelitian
dimulai
dengan
melakukan identifikasi masalah, kemudian
dilakukan pencarian dan pengumpulan data
untuk digunakan pada tahap pelatihan dan
pengujian.
Berikut ini adalah ilustrasi tahapan
metodologi penelitian yang digambarkan
dengan diagram alur penelitian :
Mulai

Shorea beranggotakan sekitar 194 spesies.
Keanekaragaman spesies tersebut dapat
mengakibatkan kesulitan dalam membedakan
jenis Shorea satu dengan yang lainnya.
Diperlukan pengetahuan dari orang yang
berpengalaman dalam bidang Shorea untuk
dapat mengenali jenis-jenis Shorea. Kesalahan
dalam mengidentifikasi jenis Shorea dapat
mengakibatkan pemilihan kayu yang tidak tepat
untuk kegunaan akhir. Salah satu solusi dari
permasalahan tersebut adalah dengan membuat
suatu aplikasi yang dapat mengidentifikasi
jenis-jenis Shorea. Aplikasi tersebut dibentuk
dengan menggabungkan kemampuan dari ahli
dalam bidang Shorea serta literatur yang terkait
dengan bidang tersebut untuk mengetahui
tingkat akurasi dari identifikasi tersebut.
Pengumpulan Data
Data yang digunakan pada penelitian ini
adalah data hasil pengolahan daun Shorea yang
sample-nya diambil dari Kebun Raya Bogor.
Pada setiap sample dilakukan pengukuran data
secara manual untuk mendapatkan nilai-nilai
dari setiap karakteristik morfologi daun Shorea.
Karakteristik morfologi daun Shorea yang
diamati dan diukur adalah :
1.

Identifikasi
Masalah

Panjang daun, yaitu panjang daun dari
ujung daun sampai pangkal daun.
Panjang

Pengumpulan
Data

Gambar 11 Panjang Daun.
2.

Praproses

Lebar daun, yaitu permukaan daun yang
paling lebar dengan posisi daun tegak lurus.

K-fold cross
validation

Data
Latih

Lebar

Data
Uji

Gambar 12 Lebar Daun.
3.
Pelatihan

Pengujian

Bentuk tulang daun, yaitu susunan tulang
cabang pada daun. Bentuk tulang daun
dapat dibedakan menjadi :

JST Propagasi Balik

a.

Akurasi

Selesai

Gambar 10 Diagram Alur Penelitian.

Menempel : ujung tulang cabang
bagian dalam sebelah kanan bertemu
dengan ujung tulang cabang bagian
dalam sebelah kiri.
b. Tidak menempel : ujung tulang cabang
bagian dalam sebelah kanan tidak
bertemu dengan ujung tulang cabang
bagian dalam sebelah kiri.

5

Identifikasi Masalah
r2

r1

Gambar 9 Elips.
dimana :
r1 = sumbu panjang dari titik pusat
r2 = sumbu pendek dari titik pusat
METODOLOGI
Pada bab ini akan dijelaskan mengenai
tahapan-tahapan yang akan dilakukan dalam
penelitian.
Penelitian
dimulai
dengan
melakukan identifikasi masalah, kemudian
dilakukan pencarian dan pengumpulan data
untuk digunakan pada tahap pelatihan dan
pengujian.
Berikut ini adalah ilustrasi tahapan
metodologi penelitian yang digambarkan
dengan diagram alur penelitian :
Mulai

Shorea beranggotakan sekitar 194 spesies.
Keanekaragaman spesies tersebut dapat
mengakibatkan kesulitan dalam membedakan
jenis Shorea satu dengan yang lainnya.
Diperlukan pengetahuan dari orang yang
berpengalaman dalam bidang Shorea untuk
dapat mengenali jenis-jenis Shorea. Kesalahan
dalam mengidentifikasi jenis Shorea dapat
mengakibatkan pemilihan kayu yang tidak tepat
untuk kegunaan akhir. Salah satu solusi dari
permasalahan tersebut adalah dengan membuat
suatu aplikasi yang dapat mengidentifikasi
jenis-jenis Shorea. Aplikasi tersebut dibentuk
dengan menggabungkan kemampuan dari ahli
dalam bidang Shorea serta literatur yang terkait
dengan bidang tersebut untuk mengetahui
tingkat akurasi dari identifikasi tersebut.
Pengumpulan Data
Data yang digunakan pada penelitian ini
adalah data hasil pengolahan daun Shorea yang
sample-nya diambil dari Kebun Raya Bogor.
Pada setiap sample dilakukan pengukuran data
secara manual untuk mendapatkan nilai-nilai
dari setiap karakteristik morfologi daun Shorea.
Karakteristik morfologi daun Shorea yang
diamati dan diukur adalah :
1.

Identifikasi
Masalah

Panjang daun, yaitu panjang daun dari
ujung daun sampai pangkal daun.
Panjang

Pengumpulan
Data

Gambar 11 Panjang Daun.
2.

Praproses

Lebar daun, yaitu permukaan daun yang
paling lebar dengan posisi daun tegak lurus.

K-fold cross
validation

Data
Latih

Lebar

Data
Uji

Gambar 12 Lebar Daun.
3.
Pelatihan

Pengujian

Bentuk tulang daun, yaitu susunan tulang
cabang pada daun. Bentuk tulang daun
dapat dibedakan menjadi :

JST Propagasi Balik

a.

Akurasi

Selesai

Gambar 10 Diagram Alur Penelitian.

Menempel : ujung tulang cabang
bagian dalam sebelah kanan bertemu
dengan ujung tulang cabang bagian
dalam sebelah kiri.
b. Tidak menempel : ujung tulang cabang
bagian dalam sebelah kanan tidak
bertemu dengan ujung tulang cabang
bagian dalam sebelah kiri.

5

Ujung
tulang
cabang
bagian
dalam
sebelah
kiri

Ujung
tulang
cabang
bagian
dalam
sebelah
kanan

Gambar 13 Bentuk Tulang Daun.
4.

Keliling daun, yaitu keliling tepi daun yang
diukur dengan menggunakan benang.
Keliling

Gambar 16 Keliling Daun.
8.

Permukaan daun, yaitu keadaan permukaan
daun bagian atas dan bawah, seperti :
a.
b.
c.
d.

5.

7.

Atas bawah halus
Atas halus bawah kasar
Atas bawah kasar
Atas kasar bawah halus

Luas daun, yaitu luas permukaan daun yang
diukur pada buku berpetak dengan
menjumlahkan kotak yang terisi penuh dan
kotak yang terisi setengah di dalam gambar
daun kemudian dikali ¼. Contoh
pengukuran luas :

Ujung daun, yaitu bentuk ujung daun.
Beberapa bentuk ujung daun di antaranya :
a.

b.

c.

d.

Runcing, jika kedua tepi daun di kanan
kiri ibu tulang sedikit demi sedikit
menuju ke atas dan pertemuannya pada
puncak daun membentuk suatu lancip.
Meruncing, seperti pada ujung yang
runcing, tetapi titik pertemuan kedua
tepi daunnya jauh lebih tinggi dari
dugaan, hingga ujung daun nampak
sempit panjang dan runcing.
Tumpul, tepi daun yang semula masih
agak jauh dari ibu tulang, cepat menuju
ke suatu titik pertemuan, hingga
terbentuk sudut yang tumpul.
Membulat, seperti pada ujung yang
tumpul, tetapi tidak terbentuk sudut
sama sekali, hingga ujung daun
merupakan semacam suatu busur.

Luas = ( jml kotak penuh + jml kotak ½) x ¼
= 16 x ¼ = 4 cm2
9.

Sudut antar tulang daun, yaitu sudut antara
ibu tulang daun dengan tulang cabang daun
sebelah kanan atau kiri yang diukur
menggunakan busur.
Sudut

Gambar 17 Sudut Antar Tulang Daun.
10. Jumlah tulang daun, yaitu jumlah tulang
cabang daun sebelah kanan dan tulang
cabang daun sebelah kiri.

Gambar 14 Ujung Daun.
6.

Pangkal daun, yaitu bentuk pangkal daun.
Beberapa bentuk pangkal daun di
antaranya:
a.
b.
c.
d.

Runcing
Meruncing
Tumpul
Membulat

Gambar 15 Pangkal Daun.

Berikut ini adalah contoh data hasil
perhitungan manual dan fitur-fiturnya yang
disajikan pada Tabel 1.
Tabel 1 Contoh data Shorea
Jenis Shorea
Panjang
Lebar
Bentuk tulang daun
Permukaan Daun
Ujung Daun
Pangkal Daun
Keliling
Luas
Sudut
Jumlah tulang daun

Shorea Beccariana
9.2 cm
4.5 cm
Tidak menempel
Atas halus bawah
kasar
Meruncing
Membulat
21.2 cm
56.5 cm2
70°
29

6

Tabel 3 Target jenis Shorea

Praproses
Pada tahap praproses dilakukan proses
diskretisasi data, yaitu mengubah data nominal
menjadi data numerik. Beberapa fitur yang
memiliki data nominal di antaranya adalah
bentuk tulang daun, permukaan daun, ujung
daun, dan pangkal daun. Selain itu, dilakukan
normalisasi pada data hasil pengukuran daun
untuk menyamakan range data. Contoh data
Shorea yang telah didiskretisasi dapat dilihat
pada Lampiran 1.
Pembagian Data Latih dan Data Uji
Teknik yang digunakan untuk membagi
data latih dan data uji adalah 5-fold cross
validation. Teknik ini akan membagi data
menjadi lima sub sample terpisah, dimana
empat sub sample akan digunakan sebagai data
latih dan satu sub sample akan digunakan
sebagai data uji.
Pelatihan
Arsitektur jaringan syaraf tiruan (JST)
menggunakan algoritme propagasi balik dilatih
dengan parameter-parameter JST. Gambar
arsitektur JST untuk penelitian ini, dapat dilihat
pada Lampiran 2. Pelatihan data dilakukan
beberapa kali hingga menemukan galat terkecil.
Kemudian hasil pelatihan tersebut disimpan
untuk digunakan kembali pada tahap pengujian.
Parameter JST yang digunakan pada proses
pelatihan dapat dilihat pada Tabel 2.
Tabel 2 Parameter JST Propagasi Balik
Karakteristik
Arsitektur
Neuron input
Hidden neuron
Neuron output
Fungsi aktivasi
Toleransi galat
Learning rate

Maksimum epoh

Spesifikasi
1 hidden layer
9
10, 20, 30, 40, 50, 60,
70, 80, 90, dan 100
5
Sigmoid biner
10-1, 10-2, 10-3, 10-4, 10-5,
10-6, dan 10-7.
0.01, 0.02, 0.03, 0.04,
0.05, 0.06, 0.07, 0.08,
0.09, dan 0.1
5000

Jenis Shorea
Shorea Beccariana
Shorea Seminis
Shorea Platyclados
Shorea Leprosula
Shorea Ovalis

Target
10000
01000
00100
00010
00001

Akurasi
Pengujian model JST menghasilkan akurasi
yang dapat dihitung dengan cara menjumlahkan
data uji yang berhasil dikenali dengan benar
oleh JST dibagi dengan total data uji :
Akurasi =

x 100%

Lingkungan Pengembangan
Perangkat lunak yang digunakan dalam
penelitian yaitu :
1.
2.
3.

Windows 7 Profesional
Matlab 7.7.0
Microsoft Office Excel 2007

Perangkat keras yang digunakan dalam
penelitian yaitu :
1.
2.
3.

Processor Genuine Intel 1.30 GHz
RAM 1.00 GB
Harddisk kapasitas 172 GB
HASIL DAN PEMBAHASAN

Data karakteristik daun Shorea pada
awalnya memiliki sepuluh fitur, yaitu panjang
daun, lebar daun, bentuk tulang daun,
permukaan daun, ujung daun, pangkal daun,
keliling daun, luas daun, sudut antar tulang
daun, dan jumlah tulang daun. Namun, setelah
data daun Shorea terkumpul, pada fitur bentuk
tulang daun tidak terlihat perbedaan antar jenis
daun Shorea yang diidentifikasi, sehingga fitur
tersebut dihilangkan. Ada lima jenis Shorea
yang diidentifikasi, yaitu Shorea Beccariana,
Shorea Seminis, Shorea Platyclados, Shorea
Leprosula, dan Shorea Ovalis. Kelima jenis
Shorea tersebut masing-masing terdiri dari
sepuluh data.

Pengujian

Percobaan 1 : 5-Fold Cross Validation

Pengujian model dilakukan menggunakan
data uji. Neuron output yang dihasilkan
mendifinisikan target dari jenis-jenis Shorea
yang diidentifikasi. Definisi target dan jenis
Shorea disajikan pada Tabel 3.

Percobaan ini melibatkan data hasil
pengukuran
daun
Shorea
yang
telah
dinormalisasi. Normalisasi data dilakukan
dengan cara membagi setiap data dengan nilai
maksimum pada setiap atributnya. Normalisasi
tersebut dilakukan agar data berada pada range
yang sama, yaitu 0-1. Data secara keseluruhan
sebanyak 50 instance dibagi menjadi lima

7

Tabel 3 Target jenis Shorea

Praproses
Pada tahap praproses dilakukan proses
diskretisasi data, yaitu mengubah data nominal
menjadi data numerik. Beberapa fitur yang
memiliki data nominal di antaranya adalah
bentuk tulang daun, permukaan daun, ujung
daun, dan pangkal daun. Selain itu, dilakukan
normalisasi pada data hasil pengukuran daun
untuk menyamakan range data. Contoh data
Shorea yang telah didiskretisasi dapat dilihat
pada Lampiran 1.
Pembagian Data Latih dan Data Uji
Teknik yang digunakan untuk membagi
data latih dan data uji adalah 5-fold cross
validation. Teknik ini akan membagi data
menjadi lima sub sample terpisah, dimana
empat sub sample akan digunakan sebagai data
latih dan satu sub sample akan digunakan
sebagai data uji.
Pelatihan
Arsitektur jaringan syaraf tiruan (JST)
menggunakan algoritme propagasi balik dilatih
dengan parameter-parameter JST. Gambar
arsitektur JST untuk penelitian ini, dapat dilihat
pada Lampiran 2. Pelatihan data dilakukan
beberapa kali hingga menemukan galat terkecil.
Kemudian hasil pelatihan tersebut disimpan
untuk digunakan kembali pada tahap pengujian.
Parameter JST yang digunakan pada proses
pelatihan dapat dilihat pada Tabel 2.
Tabel 2 Parameter JST Propagasi Balik
Karakteristik
Arsitektur
Neuron input
Hidden neuron
Neuron output
Fungsi aktivasi
Toleransi galat
Learning rate

Maksimum epoh

Spesifikasi
1 hidden layer
9
10, 20, 30, 40, 50, 60,
70, 80, 90, dan 100
5
Sigmoid biner
10-1, 10-2, 10-3, 10-4, 10-5,
10-6, dan 10-7.
0.01, 0.02, 0.03, 0.04,
0.05, 0.06, 0.07, 0.08,
0.09, dan 0.1
5000

Jenis Shorea
Shorea Beccariana
Shorea Seminis
Shorea Platyclados
Shorea Leprosula
Shorea Ovalis

Target
10000
01000
00100
00010
00001

Akurasi
Pengujian model JST menghasilkan akurasi
yang dapat dihitung dengan cara menjumlahkan
data uji yang berhasil dikenali dengan benar
oleh JST dibagi dengan total data uji :
Akurasi =

x 100%

Lingkungan Pengembangan
Perangkat lunak yang digunakan dalam
penelitian yaitu :
1.
2.
3.

Windows 7 Profesional
Matlab 7.7.0
Microsoft Office Excel 2007

Perangkat keras yang digunakan dalam
penelitian yaitu :
1.
2.
3.

Processor Genuine Intel 1.30 GHz
RAM 1.00 GB
Harddisk kapasitas 172 GB
HASIL DAN PEMBAHASAN

Data karakteristik daun Shorea pada
awalnya memiliki sepuluh fitur, yaitu panjang
daun, lebar daun, bentuk tulang daun,
permukaan daun, ujung daun, pangkal daun,
keliling daun, luas daun, sudut antar tulang
daun, dan jumlah tulang daun. Namun, setelah
data daun Shorea terkumpul, pada fitur bentuk
tulang daun tidak terlihat perbedaan antar jenis
daun Shorea yang diidentifikasi, sehingga fitur
tersebut dihilangkan. Ada lima jenis Shorea
yang diidentifikasi, yaitu Shorea Beccariana,
Shorea Seminis, Shorea Platyclados, Shorea
Leprosula, dan Shorea Ovalis. Kelima jenis
Shorea tersebut masing-masing terdiri dari
sepuluh data.

Pengujian

Percobaan 1 : 5-Fold Cross Validation

Pengujian model dilakukan menggunakan
data uji. Neuron output yang dihasilkan
mendifinisikan target dari jenis-jenis Shorea
yang diidentifikasi. Definisi target dan jenis
Shorea disajikan pada Tabel 3.

Percobaan ini melibatkan data hasil
pengukuran
daun
Shorea
yang
telah
dinormalisasi. Normalisasi data dilakukan
dengan cara membagi setiap data dengan nilai
maksimum pada setiap atributnya. Normalisasi
tersebut dilakukan agar data berada pada range
yang sama, yaitu 0-1. Data secara keseluruhan
sebanyak 50 instance dibagi menjadi lima

7

subset yang jumlah masing-masing subset-nya
hampir sama. Setiap subset terdiri dari 10 data
yang merupakan gabungan dari lima jenis
Shorea yang diidentifikasi.
Subset-subset tersebut akan digunakan
dalam tahap pelatihan dan pengujian. Pelatihan
dan pengujian dilakukan sebanyak lima kali.
Susunan data pelatihan dan data pengujian
disajikan pada Tabel 4.
Tabel 4 Susunan data pelatihan dan data
pengujian
Iterasi
Iterasi pertama
Iterasi kedua
Iterasi ketiga
Iterasi keempat
Iterasi kelima

Pelatihan
S2, S3, S4, S5
S1, S3, S4, S5
S1, S2, S4, S5
S1, S2, S3, S5
S1, S2, S3, S4

Pengujian
S1
S2
S3
S4
S5

Sebelum dilakukan pengujian, terlebih
dahulu dilakukan pencarian parameter JST yang
optimal untuk mendapatkan model JST yang
baik. Pencarian parameter JST optimal dilihat
dari jumlah epoh minimum pada setiap
percobaan.
Percobaan-percobaan
tersebut
melibatkan beberapa kombinasi nilai dari
parameter JST, seperti hidden neuron, learning
rate, dan toleransi galat. Parameter optimal
yang didapatkan pada setiap percobaan akan
digunakan untuk percobaan selanjutnya.
Penentuan parameter JST optimal pada
percobaan ini dilihat melalui nilai parameter
yang bisa menghasilkan nilai akurasi tertinggi
untuk setiap iterasi. Jika ada dua atau lebih nilai
parameter yang menghasilkan akurasi yang
sama, maka penentuan parameter JST optimal
akan dilihat berdasarkan nilai parameter yang
memiliki epoh terkecil.
Pencarian parameter JST optimal dimulai
dengan percobaan kombinasi nilai hidden
neuron. Nilai hidden neuron 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 selanjutnya adalah
dengan kombinasi learning rate, yaitu 0.01,
0.02, 0.03, 0.04, 0.05, 0.06, 0.07, 0.08, 0.09,
dan 0.1. Nilai hidden neuron yang digunakan
adalah nilai hasil dari percobaan sebelumnya.
Nilai toleransi galat dibuat tetap, yaitu 0.01.
Percobaan terakhir adalah dengan kombinasi
nilai toleransi galat, yaitu 10-1, 10-2, 10-3, 10-4,
10-5, 10-6, 10-7. Nilai hidden neuron dan
learning rate yang digunakan adalah nilai hasil
dari percobaan sebelumnya.

Rincian pencarian parameter-parameter JST
optimal dapat dilihat pada Lampiran 5.
Parameter-parameter JST optimal
yang
didapatkan beserta akurasi yang dihasilkan dari
setiap iterasi disajikan pada Tabel 5.
Tabel 5 Parameter JST optimal setiap iterasi
percobaan dan akurasinya
Iterasi
1
2
3
4
5

HN
LR
50
0.01
90
0.01
80
0.01
70
0.02
90
0.02
Rata-rata

TG
10-2
10-2
10-2
10-2
10-2

Akurasi
100%
90%
100%
90%
70%
90%

Keterangan :
HN : Hidden Neuron
LR : Learning Rate
TG : Toleransi Galat
Pada iterasi pertama dan ketiga dihasilkan
akurasi sebesar 100%, artinya seluruh jenis
Shorea yang diidentifikasi dapat dikenali
dengan benar. Pada iterasi kedua dihasilkan
akurasi sebesar 90%, untuk jenis Shorea
Beccariana,
Shorea
Seminis,
Shorea
Platyclados, dan Shorea Leprosula dihasilkan
akurasi sebesar 100%, sedangkan untuk jenis
Shorea Ovalis dihasilkan akurasi sebesar 50%.
Pada iterasi ini, salah satu dari jenis Shorea
Ovalis
teridentifikasi
sebagai
Shorea
Beccariana.
Pada iterasi keempat dihasilkan akurasi
sebesar 90%, untuk jenis Shorea Seminis,
Shorea Platyclados, Shorea Leprosula, dan
Shorea Ovalis dihasilkan akurasi sebesar 100%,
sedangkan untuk jenis Shorea Beccariana
dihasilkan akurasi sebesar 50%. Pada iterasi ini,
salah satu dari jenis Shorea Beccariana
teridentifikasi sebagai Shorea Ovalis. Pada
iterasi kelima dihasilkan akurasi sebesar 70%,
untuk
jenis
Shorea
Seminis,
Shorea
Platyclados, dan Shorea Ovalis dihasilkan
akurasi sebesar 100%, sedangkan untuk jenis
Shorea Beccariana dihasilkan akurasi sebesar
0% dan Shorea Leprosula dihasilkan akurasi
sebesar 50%. Pada iterasi ini, jenis Shorea
Beccariana teridentifikasi sebagai jenis Shorea
Ovalis dan salah satu Shorea Leprosula
teridentifikasi sebagai Shorea Platyclados.
Secara keseluruhan, tingkat akurasi untuk
jenis Shorea Beccariana adalah 70%, untuk
jenis Shorea Seminis adalah 100%, untuk jenis
Shorea Platyclados adalah 100%, untuk jenis
Shorea Leprosula adalah 90%, dan untuk jenis
Shorea Ovalis adalah 90%. Tingkat akurasi

8

yang dihasilkan untuk setiap jenis Shorea dapat
dilihat pada Gambar 18.

Sama halnya dengan perhitungan keliling
daun, keliling yang telah dihitung sebelumnya
menggunakan benang merupakan variabel
terikat (Y). Untuk variabel bebas (X) adalah
keliling daun yang dihitung menggunakan
rumus keliling elips, yaitu π (r1 + r2). Persamaan
garis regresi linear yang dihasilkan dari kedua
keliling daun tersebut adalah :
ŷ = 1.0643x – 1.5318
Diagram pencar yang dihasilkan dari kedua
keliling daun tersebut dapat dilihat pada
Gambar 20.

Gambar 18 Grafik tingkat akurasi setiap jenis
Shorea.
Kesalahan yang terjadi pada percobaan ini
adalah Shorea Ovalis yang diidentifikasi
sebagai
Shorea
Beccariana,
maupun
sebaliknya. Kesalahan tersebut dapat terjadi
karena nilai dari fitur nominal yang sama antara
kedua jenis Shorea tersebut. Confusion Matrix
untuk setiap iterasi pada percobaan 1, dapat
dilihat pada Lampiran 3.
Percobaan 2: 5-Fold Cross Validation dengan
Regresi Linear.
Pada percobaan ini, luas dan keliling daun
yang sebenarnya akan coba didekati dengan
regresi linear. Untuk perhitungan luas daun,
luas yang telah dihitung sebelumnya dengan
menggunakan buku berpetak merupakan
variabel terikat (Y). Untuk variabel bebas (X)
adalah luas daun yang dihitung menggunakan
rumus luas elips, yaitu πr1r2. Persamaan garis
regresi linear yang dihasilkan dari kedua luas
daun tersebut adalah :
ŷ = 1.0611x – 9.8281
Diagram pencar yang dihasilkan dari kedua
luas daun tersebut dapat dilihat pada Gambar
19.

Gambar 20 Diagram pencar keliling daun.
Dari kedua diagram pencar tersebut, terlihat
bahwa ada hubungan linear antara variabel luas
dan keliling daun yang telah dihitung
sebelumnya dengan variabel luas dan keliling
daun yang dihitung dengan menggunakan
rumus elips. Dengan demikian, luas dan keliling
daun yang sebenarnya diharapkan dapat
didekati dengan hasil regresi linear tersebut.
Seperti pada percobaan pertama, terlebih
dahulu dilakukan pencarian parameter JST
optimal untuk mendapatkan akurasi yang
terbaik. Rincian pencarian parameter-parameter
JST optimal dapat dilihat pada Lampiran 6.
Parameter-parameter JST optimal
yang
didapatkan dari setiap percobaan disajikan pada
Tabel 6.
Tabel 6 Parameter JST optimal setiap iterasi
percobaan dengan regresi linear
Iterasi
1
2
3
4
5

HN
LR
60
0.01
100
0.01
60
0.01
80
0.01
40
0.01
Rata-rata

TG
10-2
10-2
10-2
10-2
10-2

Akurasi
100%
100%
100%
100%
70%
94%

Gambar 19 Diagram pencar luas daun.

9

Pada iterasi pertama, kedua, ketiga, dan
keempat dihasilkan akurasi sebesar 100%
artinya seluruh jenis Shorea yang diidentifikasi
dapat dikenali dengan benar. Pada iterasi kelima
dihasilkan akurasi sebesar 70%, untuk jenis
Shorea Seminis, Shorea Platyclados, dan
Shorea Ovalis dihasilkan akurasi sebesar 100%,
sedangkan untuk jenis Shorea Beccariana
dihasilkan akurasi sebesar 0% dan Shorea
Leprosula dihasilkan akurasi sebesar 50%. Pada
iterasi ini, jenis Shorea Beccariana dan salah
satu dari jenis Shorea Leprosula teridentifikasi
sebagai Shorea Ovalis.
Secara keseluruhan, tingkat akurasi untuk
jenis Shorea Beccariana adalah 80%, untuk
jenis Shorea Seminis adalah 100%, untuk jenis
Shorea Platyclados adalah 100%, untuk jenis
Shorea Leprosula adalah 90%, dan untuk jenis
Shorea Ovalis adalah 100%. Tingkat akurasi
yang dihasilkan untuk setiap jenis Shorea dapat
dilihat pada Gambar 21.

Gambar 22 Grafik perbandingan tingkat akurasi
dari setiap percobaan.
KESIMPULAN DAN SARAN
Kesimpulan
Penelitian ini dilakukan untuk mencari fiturfitur dari karakteristik morfologi daun yang
dapat digunakan untuk mengidentifikasi jenis
Shorea. Penggunaan Jaringan Syaraf Tiruan
(JST) Propagasi Balik dalam mengidentifikasi
jenis Shorea menghasilkan akurasi rata-rata
90%. Selain itu, pendekatan dengan regresi
linear dilakukan untuk mendekati nilai luas dan
keliling daun yang sebenarnya menggunakan
rumus elips dan menghasilkan akurasi sebesar
94%.
Saran
Penelitian ini dapat dikembangkan lebih
lanjut untuk mendapatkan hasil yang lebih baik,
yaitu :

Gambar 21 Grafik tingkat akurasi setiap jenis
Shorea dengan regresi linear.
Kesalahan yang terjadi pada percobaan ini
yaitu Shorea Beccariana dan Shorea Leprosula.
yang diidentifikasi sebagai Shorea Ovalis.
Kesalahan tersebut dapat terjadi karena nilai
dari fitur nominal yang sama antara kedua jenis
Shorea tersebut. Confusion Matrix untuk setiap
iterasi pada percobaan 2, dapat dilihat pada
Lampiran 4.
Perbandingan Percobaan 1 dan Percobaan 2.
Percobaan 1 dan percobaan 2 menghasilkan
rata-rata tingkat akurasi yang berbeda untuk
seluruh jenis Shorea yang diidentifikasi. Pada
percobaan 1 dihasilkan rata-rata akurasi sebesar
90%, sedangkan pada percobaan 2 dihasilkan
rata-rata akurasi sebesar 94%. Terlihat adanya
peningkatan akurasi pada percobaan kedua
dengan
menggunakan
regresi
linear.
Perbandingan tingkat akurasi yang dihasilkan
pada setiap percobaan dapat dilihat pada
Gambar 22.

1.
2.
3.

Penggunaan
citra
daun
mengidentifikasi daun Shorea.
Jenis Shorea yang digunakan
bervariasi.
Mencari fitur-fitur lain yang
digunakan untuk mengidentifikasi
Shorea.

untuk
lebih
dapat
jenis

DAFTAR PUSTAKA
Fu, L. 1994. Neural Network in Computer
Intelligence. McGraw-Hill, Singapore.
Hardelina R. 2007. Klasifikasi Buah Melon
Berjaring Menggunakan Jaringan Syaraf
Tiruan Propagasi Balik Resilient [skripsi].
Bogor : Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian
Bogor.
Hasanah N. 2009. Analisis Taksonometri Pada
Karakter Morfologi Daun Dikotiledon
Kelas Magnoliopsida Menggunakan SOM
Kohonen [skripsi]. Bogor : Fakultas
Matematika dan Ilmu Pengetahuan Alam,
Institut Pertanian Bogor.

10

Pada iterasi pertama, kedua, ketiga, dan
keempat dihasilkan akurasi sebesar 100%
artinya seluruh jenis Shorea yang diidentifikasi
dapat dikenali dengan benar. Pada iterasi kelima
dihasilkan akurasi sebesar 70%, untuk jenis
Shorea Seminis, Shorea Platyclados, dan
Shorea Ovalis dihasilkan akurasi sebesar 100%,
sedangkan untuk jenis Shorea Beccariana
dihasilkan akurasi sebesar 0% dan Shorea
Leprosula dihasilkan akurasi sebesar 50%. Pada
iterasi ini, jenis Shorea Beccariana dan salah
satu dari jenis Shorea Leprosula teridentifikasi
sebagai Shorea Ovalis.
Secara keseluruhan, tingkat akurasi untuk
jenis Shorea Beccariana adalah 80%, untuk
jenis Shorea Seminis adalah 100%, untuk jenis
Shorea Platyclados adalah 100%, untuk jenis
Shorea Leprosula adalah 90%, dan untuk jenis
Shorea Ovalis adalah 100%. Tingkat akurasi
yang dihasilkan untuk setiap jenis Shorea dapat
dilihat pada Gambar 21.

Gambar 22 Grafik perbandingan tingkat akurasi
dari setiap percobaan.
KESIMPULAN DAN SARAN
Kesimpulan
Penelitian ini dilakukan untuk mencari fiturfitur dari karakteristik morfologi daun yang
dapat digunakan untuk mengidentifikasi jenis
Shorea. Penggunaan Jaringan Syaraf Tiruan
(JST) Propagasi Balik dalam mengidentifikasi
jenis Shorea menghasilkan akurasi rata-rata
90%. Selain itu, pendekatan dengan regresi
linear dilakukan untuk mendekati nilai luas dan
keliling daun yang sebenarnya menggunakan
rumus elips dan menghasilkan akurasi sebesar
94%.
Saran
Penelitian ini dapat dikembangkan lebih
lanjut untuk mendapatkan hasil yang lebih baik,
yaitu :

Gambar 21 Grafik tingkat akurasi setiap jenis
Shorea dengan regresi linear.
Kesalahan yang terjadi pada percobaan ini
yaitu Shorea Beccariana dan Shorea Leprosula.
yang diidentifikasi sebagai Shorea Ovalis.
Kesalahan tersebut dapat terjadi karena nilai
dari fitur nominal yang sama antara kedua jenis
Shorea tersebut. Confusion Matrix untuk setiap
iterasi pada percobaan 2, dapat dilihat pada
Lampiran 4.
Perbandingan Percobaan 1 dan Percobaan 2.
Percobaan 1 dan percobaan 2 menghasilkan
rata-rata tingkat akurasi yang berbeda untuk
seluruh jenis Shorea yang diidentifikasi. Pada
percobaan 1 dihasilkan rata-rata akurasi sebesar
90%, sedangkan pada percobaan 2 dihasilkan
rata-rata akurasi sebesar 94%. Terlihat adanya
peningkatan akurasi pada percobaan kedua
dengan
menggunakan
regresi
linear.
Perbandingan tingkat akurasi yang dihasilkan
pada setiap percobaan dapat dilihat pada
Gambar 22.

1.
2.
3.

Penggunaan
citra
daun
mengidentifikasi daun Shorea.
Jenis Shorea yang digunakan
bervariasi.
Mencari fitur-fitur lain yang
digunakan untuk mengidentifikasi
Shorea.

untuk
lebih
dapat
jenis

DAFTAR PUSTAKA
Fu, L. 1994. Neural Network in Computer
Intelligence. McGraw-Hill, Singapore.
Hardelina R. 2007. Klasifikasi Buah Melon
Berjaring Menggunakan Jaringan Syaraf
Tiruan Propagasi Balik Resilient [skripsi].
Bogor : Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian
Bogor.
Hasanah N. 2009. Analisis Taksonometri Pada
Karakter Morfologi Daun Dikotiledon
Kelas Magnoliopsida Menggunakan SOM
Kohonen [skripsi]. Bogor : Fakultas
Matematika dan Ilmu Pengetahuan Alam,
Institut Pertanian Bogor.

10

IDENTIFIKASI JENIS SHOREA MENGGUNAKAN JARINGAN SYARAF
TIRUAN PROPAGASI BALIK BERDASARKAN KARAKTERISTIK
MORFOLOGI DAUN

DEWI PUSPITASARI

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2011

i

Pada iterasi pertama, kedua, ketiga, dan
keempat dihasilkan akurasi sebesar 100%
artinya seluruh jenis Shorea yang diidentifikasi
dapat dikenali dengan benar. Pada iterasi kelima
dihasilkan akurasi sebesar 70%, untuk jenis
Shorea Seminis, Shorea Platyclados, dan
Shorea Ovalis dihasilkan akurasi sebesar 100%,
sedangkan untuk jenis Shorea Beccariana
dihasilkan akurasi sebesar 0% dan Shorea
Leprosula dihasilkan akurasi sebesar 50%. Pada
iterasi ini, jenis Shorea Beccariana dan salah
satu dari jenis Shorea Leprosula teridentifikasi
sebagai Shorea Ovalis.
Secara keseluruhan, tingkat akurasi untuk
jenis Shorea Beccariana adalah 80%, untuk
jenis Shorea Seminis adalah 100%, untuk jenis
Shorea Platyclados adalah 100%, untuk jenis
Shorea Leprosula adalah 90%, dan untuk jenis
Shorea Ovalis adalah 100%. Tingkat akurasi
yang dihasilkan untuk setiap jenis Shorea dapat
dilihat pada Gambar 21.

Gambar 22 Grafik perbandingan tingkat akurasi
dari setiap percobaan.
KESIMPULAN DAN SARAN
Kesimpulan
Penelitian ini dilakukan untuk mencari fiturfitur dari karakteristik morfologi daun yang
dapat digunakan untuk mengidentifikasi jenis
Shorea. Penggunaan Jaringan Syaraf Tiruan
(JST) Propagasi Balik dalam mengidentifikasi
jenis Shorea menghasilkan akurasi rata-rata
90%. Selain itu, pendekatan dengan regresi
linear dilakukan untuk mendekati nilai luas dan
keliling daun yang sebenarnya menggunakan
rumus elips dan menghasilkan akurasi sebesar
94%.
Saran
Penelitian ini dapat dikembangkan lebih
lanjut untuk mendapatkan hasil yang lebih baik,
yaitu :

Gambar 21 Grafik tingkat akurasi setiap jenis
Shorea dengan regresi linear.
Kesalahan yang terjadi pada percobaan ini
yaitu Shorea Beccariana dan Shorea Leprosula.
yang diidentifikasi sebagai Shorea Ovalis.
Kesalahan tersebut dapat terjadi karena nilai
dari fitur nominal yang sama antara kedua jenis
Shorea tersebut. Confusion Matrix untuk setiap
iterasi pada percobaan 2, dapat dilihat pada
Lampiran 4.
Perbandingan Percobaan 1 dan Percobaan 2.
Percobaan 1 dan percobaan 2 menghasilkan
rata-rata tingkat akurasi yang berbeda untuk
seluruh jenis Shorea yang diidentifikasi. Pada
percobaan 1 dihasilkan rata-rata akurasi sebesar
90%, sedangkan pada percobaan 2 dihasilkan
rata-rata akurasi sebesar 94%. Terlihat adanya
peningkatan akurasi pada percobaan kedua
dengan
menggunakan
regresi
linear.
Perbandingan tingkat akurasi yang dihasilkan
pada setiap percobaan dapat dilihat pada
Gambar 22.

1.
2.
3.

Penggunaan
citra
daun
mengidentifikasi daun Shorea.
Jenis Shorea yang digunakan
bervariasi.
Mencari fitur-fitur lain yang
digunakan untuk mengidentifikasi
Shorea.

untuk
lebih
dapat
jenis

DAFTAR PUSTAKA
Fu, L. 1994. Neural Network in Computer
Intelligence. McGraw-Hill, Singapore.
Hardelina R. 2007. Klasifikasi Buah Melon
Berjaring Menggunakan Jaringan Syaraf
Tiruan Propagasi Balik Resilient [skripsi].
Bogor : Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian
Bogor.
Hasanah N. 2009. Analisis Taksonometri Pada
Karakter Morfologi Daun Dikotiledon
Kelas Magnoliopsida Menggunakan SOM
Kohonen [skripsi]. Bogor : Fakultas
Matematika dan Ilmu Pengetahuan Alam,
Institut Pertanian Bogor.

10

Newman et al. 1999. Pedoman Identifikasi
Pohon-Pohon Dipterocarpaceae Jawa
sampai Niugini. Bogor : PROSEA
INDONESIA.
Newman et al. 1999. Pedoman Identifikasi
Pohon-Pohon Dipterocarpaceae Pulau
Kalimantan.
Bogor
:
PROSEA
INDONESIA.
Newman et al. 1999. Pedoman Identifikasi
Pohon-Pohon Dipterocarpaceae Sumatera.
Bogor : PROSEA INDONESIA.
Tjitrosoepomo G. 2005. Morfologi Tumbuhan.
Yogyakarta : Fakultas Biologi, Universitas
Gadjah Mada.
Walpole RE. 1995. Pengantar Statistika. Edisi
ke-3. Jakarta : PT Gramedia Pustaka
Utama.

11

IDENTIFIKASI JENIS SHOREA MENGGUNAKAN JARINGAN SYARAF
TIRUAN PROPAGASI BALIK BERDASARKAN KARAKTERISTIK
MORFOLOGI DAUN

DEWI PUSPITASARI

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2011

i

ABSTRACT
DEWI PUSPITASARI. Shorea Species Identification Using Backpropagation Neural Network Based
on Morphological Characteristics of Leaves. 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. Species diversity may lead to
difficulty in distinguishing species of Shorea of one another. 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. Identifying the type of Shorea carried
out on five species of Shorea owned Bogor Botanical Gardens on the basis of morphological
characteristics of leaves. The identification was carried out using Backpropagation Neural Network.
To obtain the values of each leaf morphological characteristics of Shorea, each sample measurement
data collected manually. The values are then processed using Backpropagation Neural Network to get
the pattern from the training and the accuracy of the test phase. This research used a total of 50 data
from five species of Shorea. The data are divided into five subsets. The fifth subset is used in the
training and testing phases and conducted five times. The use of methods Backpropagati