Identifikasi Daun Shorea Menggunakan Probabilistic Neural Network dengan Normalisasi Fitur Morfologi Daun
IDENTIFIKASI DAUN SHOREA MENGGUNAKAN
PROBABILISTIC NEURAL NETWORK DENGAN
NORMALISASI FITUR MORFOLOGI DAUN
ALITA WULAN DINI
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
Shorea Menggunakan Probabilistic Neural Network dengan Normalisasi Fitur
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, April 2013
Alita Wulan Dini
NIM G64096006
ABSTRAK
ALITA WULAN DINI. Identifikasi Daun Shorea Menggunakan Probabilistic
Neural Network dengan Normalisasi Fitur Morfologi Daun. Dibimbing oleh AZIZ
KUSTIYO.
Shorea merupakan tanaman kayu yang termasuk jenis meranti. Shorea
tergolong ke dalam keluarga Dipterocarpaceae yang memiliki 194 spesies yang
tumbuh di daerah tropis. Spesies-spesies Shorea ini sulit untuk diidentifikasi
karena memiliki banyak kemiripan satu sama lain. Penelitian ini menggunakan
Probabilistic Neural Network (PNN) untuk mengklasifikasikan spesies Shorea.
Parameter yang digunakan untuk klasifikasi adalah area, perimeter, diameter,
smooth factor, form factor, perimeter ratio of diameter, perimeter ratio of
physiological length and physiological width dengan nilai bias 0.1. Hasil rata-rata
akurasi dari metode yang digunakan adalah 100% (tanpa normalisasi) dan 91%
(dengan normalisasi). Hal ini dapat disimpulkan bahwa fitur ciri morfologi area,
perimeter, diameter, dan rasio panjang dan lebar daun secara signifikan
mempengaruhi akurasi.
Kata kunci: Shorea, Morfologi, Probabilistic Neural Network
ABSTRACT
ALITA WULAN DINI. Shorea Leaf Identification using Probabilistic Neural
Network with Normalization of Leaf Morphology Features. Supervised by AZIZ
KUSTIYO.
Shorea is a timber plant from the genus of meranti. Shorea belongs to
Dipterocarpaceae family which has 194 species growing in tropical area. The
species of Shorea is difficult to be identified because of it is similarity to each
other. This research utilized Probabilistic Neural Network (PNN) to classify
Shorea species. The parameters used for classification were area, perimeter,
diameter, smooth factor, form factor, perimeter ratio of diameter, perimeter ratio
of physiological length and physiological width with 0.1 bias value. It was found
that the accuracy of the proposed method was 100% (without normalization) and
91% (with normalization). It can be concluded that the morphological features of
area, perimeter, diameter, and ratio of leaf length and width significantly affect the
accuracy.
Keywords: Shorea, Morphology, Probabilistic Neural Network
IDENTIFIKASI DAUN SHOREA MENGGUNAKAN
PROBABILISTIC NEURAL NETWORK DENGAN
NORMALISASI FITUR MORFOLOGI DAUN
ALITA WULAN DINI
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
Judul Skripsi : Identifikasi Daun Shorea Menggunakan Probabilistic Neural
Network dengan Normalisasi Fitur Morfologi Daun
Nama
: Alita Wulan Dini
NIM
: G64096006
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 nikmat dan karunia-Nya sehingga karya ilmiah dengan judul Identifikasi
Daun Shorea Menggunakan Probabilistic Neural Network dengan Normalisasi
Fitur Morfologi Daun ini berhasil diselesaikan. Adapun penulis mengucapkan
terima kasih kepada:
1
Kedua orang tua tercinta Bambang Supriyadi dan Arningsih, kakakku
tersayang Ermaya Eka Aryadi Putra, SKomp serta seluruh keluarga yang
telah memberikan dukungan, perhatian, dan doa sehingga penulis dapat
menyelesaikan penelitian ini.
2
Bapak Aziz Kustiyo, SSi, MKom selaku pembimbing yang telah banyak
memberi nasihat dan saran.
3
Dosen penguji, Bapak Sony Hartono Wijaya, SKom, MKom dan Bapak
Toto Haryanto, SKom, MSi atas saran dan bimbingannya.
4
Pihak Kebun Raya Bogor atas sampel daun Shorea.
5
Teman-teman satu bimbingan terima kasih atas kerjasamanya.
6
Teman-teman Ekstensi Ilkom angkatan 4, atas kerjasamanya selama
perkuliahan.
7
Semua pihak yang telah memberikan bantuan selama pengerjaan penelitian
ini yang tidak dapat penulis tuliskan satu per satu.
Semoga penelitian ini bermanfaat bagi semua pihak yang membutuhkan.
Bogor, April 2013
Alita Wulan Dini
DAFTAR ISI
DAFTAR TABEL
xi
DAFTAR GAMBAR
xi
DAFTAR LAMPIRAN
xii
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
2
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
2
Shorea
2
Daun
7
Morfologi Daun
7
Deteksi Tepi
9
K-Fold Cross Validation
10
Normalisasi
10
Probabilistic Neural Network
10
Confusion Matrix
12
METODE
12
Pengumpulan Citra Daun
13
Praproses Data
14
Ekstraksi Ciri Morfologi
14
Data Latih dan Data Uji
15
Model PNN
15
Perhitungan Akurasi
16
Evaluasi
16
Lingkungan Pengembangan
16
HASIL DAN PEMBAHASAN
16
Ekstraksi Ciri Morfologi
17
Percobaan I : Menggunakan 7 parameter (area, perimeter, diameter, smooth
factor, form factor, perimeter ratio of diameter, dan perimeter ratio of
physiological length and physiological width) tanpa normalisasi
17
Percobaan II : Menggunakan 7 parameter (area, perimeter, diameter, smooth
factor, form factor, perimeter ratio of diameter, dan perimeter ratio of
physiological length and physiological width) dengan normalisasi
18
Perbandingan Percobaan I dan Percobaan II
SIMPULAN DAN SARAN
20
21
Simpulan
21
Saran
21
DAFTAR PUSTAKA
21
LAMPIRAN
23
RIWAYAT HIDUP
33
DAFTAR TABEL
1
2
3
4
5
6
7
Confusion matrix
Kelas Shorea yang digunakan
Kombinasi data latih dan data uji
Kombinasi input pada model PNN
Hasil akurasi percobaan I dalam (%)
Hasil akurasi percobaan II dalam (%)
Confusion matrix pada percobaan II dengan nilai h=0.1
12
13
15
15
18
19
20
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
Shorea
Daun Shorea javanica
Daun Shorea johorensis
Daun Shorea macroptera
Daun Shorea materialis
Daun Shorea lepida
Daun Shorea leprosula
Daun Shorea palembanica
Daun Shorea pinanga
Daun Shorea platyclados
Daun Shorea seminis
Aspect ratio
Probabilistic Neural Network
Metodologi Penelitian
Alur praproses citra
Citra masukan untuk ekstraksi fitur morfologi
Contoh hasil ekstraksi morfologi
a) Area, (b) Perimeter, (c) Diameter, (d) P rasio of D
Grafik akurasi percobaan I
Grafik akurasi percobaan II
Grafik perbandingan akurasi percobaan I dan percobaan II
3
3
4
4
4
5
5
5
6
6
6
8
11
13
14
14
17
17
18
19
20
DAFTAR LAMPIRAN
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
Confusion matrix percobaan I pada setiap iterasi
akurasi 100% dan nilai h=0.1
Confusion matrix percobaan I pada setiap iterasi
akurasi 98% dan nilai h=0.2
Confusion matrix percobaan I pada setiap iterasi
akurasi 92% dan nilai h=0.3
Confusion matrix percobaan I pada setiap iterasi
akurasi 83% dan nilai h=0.4
Confusion matrix percobaan I pada setiap iterasi
akurasi 77% dan nilai h=0.5
Confusion matrix percobaan I pada setiap iterasi
akurasi 71% dan nilai h=0.6
Confusion matrix percobaan I pada setiap iterasi
akurasi 68% dan nilai h=0.7
Confusion matrix percobaan I pada setiap iterasi
akurasi 65% dan nilai h=0.8
Confusion matrix percobaan I pada setiap iterasi
akurasi 62% dan nilai h=0.9
Confusion matrix percobaan I pada setiap iterasi
akurasi 60% dan nilai h=1
Confusion matrix percobaan II pada setiap iterasi
akurasi 91% dan nilai h=0.1
Confusion matrix percobaan II pada setiap iterasi
akurasi 89% dan nilai h=0.2
Confusion matrix percobaan II pada setiap iterasi
akurasi 82% dan nilai h=0.3
Confusion matrix percobaan II pada setiap iterasi
akurasi 76% dan nilai h=0.4
Confusion matrix percobaan II pada setiap iterasi
akurasi 77% dan nilai h=0.5
Confusion matrix percobaan II pada setiap iterasi
akurasi 71% dan nilai h=0.6
Confusion matrix percobaan II pada setiap iterasi
akurasi 68% dan nilai h=0.7
Confusion matrix percobaan II pada setiap iterasi
akurasi 65% dan nilai h=0.8
Confusion matrix percobaan II pada setiap iterasi
akurasi 62% dan nilai h=0.9
Confusion matrix percobaan II pada setiap iterasi
akurasi 60% dan nilai h=1
Pengukuran data Shorea sebelum normalisasi
Pengukuran data Shorea setelah normalisasi
Jenis daun Shorea
dengan rata-rata
23
dengan rata-rata
23
dengan rata-rata
23
dengan rata-rata
24
dengan rata-rata
24
dengan rata-rata
24
dengan rata-rata
25
dengan rata-rata
25
dengan rata-rata
25
dengan rata-rata
26
dengan rata-rata
26
dengan rata-rata
26
dengan rata-rata
27
dengan rata-rata
27
dengan rata-rata
27
dengan rata-rata
28
dengan rata-rata
28
dengan rata-rata
28
dengan rata-rata
29
dengan rata-rata
29
30
31
32
PENDAHULUAN
Latar Belakang
Keanekaragaman tanaman dapat dilihat melalui ciri-ciri tertentu, salah
satunya melalui bentuk daun, seperti: oval, waru (cordate), dan elips. Identifikasi
daun melalui pengamatan indra penglihatan secara langsung memiliki
keterbatasan karena subjektivitas tingkat pengetahuan manusia. Pengolahan citra
digital adalah salah satu bidang perkembangan teknologi digital dengan banyak
aplikasi yang terkait di bidang ilmu pengetahuan dan teknologi. Salah satu bidang
yang berkaitan dengan pengolahan citra adalah pengenalan pada jenis daun.
Shorea merupakan tumbuhan berkayu yang termasuk jenis meranti. Shorea
tergolong ke dalam keluarga Dipterocarpaceae yang memiliki 194 spesies yang
tumbuh di daerah tropis. Spesies tersebut menyebar secara alami mulai
Semenanjung Thailand dan Malaysia, Sumatera sampai Kalimantan Utara.
Dipterocarpaceae merupakan jenis yang sulit untuk diidentifikasi,
khususnya di daerah Kalimantan yang memiliki jenis terbanyak. Ketidakmampuan
untuk mengenal individu Dipterocarpaceae di hutan dapat mengakibatkan
terjadinya eksploitasi, khususnya meranti merah Shorea (Newman et al. 1999).
Jenis kayu Shorea yang memiliki nilai ekonomis yang tinggi juga menjadi
salah satu yang mengakibatkan terjadinya eksploitasi besar-besaran. Untuk
mencegah eksploitasi tersebut yang dapat disebabkan oleh kesalahan dalam
pemilihan kayu yang tidak tepat, akan dilakukan identifikasi terhadap jenis Shorea
tersebut melalui suatu sistem yang dapat mengidentifikasi jenis Shorea tersebut
dengan tepat.
Penentuan identifikasi pohon Shorea biasanya menggunakan batang, daun,
buah, dan bunga. Namun penelitian ini menggunakan daun sebagai bahan
identifikasi dikarenakan daun cenderung tersedia sebagai sumber pengamatan
sepanjang waktu. Bila menggunakan batang, batang pohon akan berubah warna
atau kedalaman alur sejalan dengan bertambahnya umur pohon. Wu et al. (2007)
melakukan penelitian identifikasi tanaman berdasarkan daun dengan akurasi lebih
dari 90%.
Penelitian ini menggunakan ekstraksi fitur berdasarkan ciri morfologi daun
pada citra daun Shorea, serta menggunakan PNN sebagai teknik klasifikasi pada
identifikasi daun Shorea dengan melakukan pelatihan dan pengujian data.
Penelitian sebelumnya dengan objek yang berbeda, Nurfadhilah (2011)
menggunakan PNN sebagai teknik identifikasi tumbuhan obat, menghasilkan
akurasi sebesar 74.67%, Nurjayanti (2011) menggunakan KNN sebagai teknik
identifikasi daun Shorea dan menghasilkan akurasi sebesar 84% (tanpa
normalisasi), dan 100% (dengan normalisasi). Hutabarat (2012) menggunakan
PNN sebagai teknik identifikasi daun Shorea menghasilkan akurasi sebesar 72%,
dan Puspitasari (2011) menggunakan arsitektur PNN dengan akurasi 90%.
2
Perumusan Masalah
Perumusan masalah yang ada pada penelitian ini dapat diuraikan sebagai
berikut:
1
Bagaimana menerapkan teknik ekstraksi fitur ciri morfologi daun untuk
identifikasi daun Shorea.
2
Bagaimana menerapkan pengklasifikasian PNN untuk permasalahan
identifikasi daun Shorea.
Tujuan Penelitian
Tujuan penelitian ini adalah menerapkan teknik ekstraksi fitur ciri morfologi
daun menggunakan teknik klasifikasi PNN untuk pengenalan citra daun Shorea.
Manfaat Penelitian
Manfaat dari penelitian ini adalah membantu mengidentifikasi jenis Shorea
berdasarkan citra daunnya sehingga memudahkan klasifikasi jenisnya.
Ruang Lingkup Penelitian
1
2
3
Ruang lingkup dalam penelitian ini adalah:
Data citra daun Shorea yang digunakan 10 spesies Shorea yang diambil dari
beberapa koleksi Kebun Raya Bogor. Masing-masing spesies memiliki 10
citra daun sehingga total data citra daun berjumlah 100 citra daun.
Metode yang digunakan sebagai klasifikasinya adalah metode Probabilistic
Neural Network.
Citra yang digunakan berukuran 273 × 364 piksel, dengan daun yang
dideteksi adalah daun hasil pemotretan dari depan (tampak depan).
TINJAUAN PUSTAKA
Shorea
Shorea adalah salah satu marga dari Dipterocarpaceae penghasil kayu
terbaik dalam dunia perindustrian. Tingginya permintaan memicu penebangan
yang melebihi kemampuan regenerasi hutan sehingga mengakibatkan eksploitasi
besar-besaran. Ukuran rata-rata pertumbuhan setiap meranti membutuhkan waktu
lebih dari 30 tahun untuk mendapatkan diameter 30 cm. Bila dibiarkan, meranti
akan terancam kepunahannya dari hutan alam produksi.
Shorea memiliki sekitar 194 jenis. Persebarannya meliputi 1 jenis di Jawa, 1
atau 2 jenis di Sulawesi, 3 jenis di Maluku, dan sisanya menyebar ke arah timur
sampai Maluku (Indonesia) dan tidak meluas ke Cina bagian selatan (Newman et
al. 1999). Pohon Shorea tumbuh dari batas permukaan laut sampai ketinggian
3
1750 m. Beberapa jenis Shorea yang berupa pohon penjulang di hutan hujan dari
kawasan Paparan Sunda, dapat tumbuh hingga ketinggian 500 m (Newman et al.
1999).
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 silindris. Tangkai daun berukuran sekitar 0.5-2.5 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).
Gambar 1 Shorea
Penelitian ini menggunakan 10 jenis Shorea, yaitu:
Shorea javanica
Shorea javanica termasuk ke dalam meranti putih. Tangkai daun panjang
berukuran 1.4–2.4 cm, kadang-kadang lokos, dengan pertulangan sekunder 19-25.
Daun lonjong, jorong atau bundar telur, 6.5-15 × 3.5-8 cm. Bila mengering, daun
bagian atas berwarna lebih tua daripada permukaan daun bagian bawah.
Permukaan daun bagian atas bila mengering berwarna coklat kelabu dan pada
bagian bawah berwarna coklat kekuning-kuningan (Gambar 2).
Gambar 2 Daun Shorea javanica
Shorea johorensis
Shorea johorensis merupakan jenis meranti merah. Pohon dan banirnya
besar. Batang merekah atau bersisik, pada umumnya berdamar. Kulit luar tebal,
kulit dalam juga tebal, berurat-urat, warnanya merah atau kemerah-merahan, dan
isi kayu berwarna merah. Tata letak daun berseling, komposisi daun tunggal, dan
tangkai daun pendek. Ciri khas daun adalah berlubang-lubang di waktu kering
4
atau berwarna coklat kekuningan, dan apabila diremas akan hancur. Ujung daun
meruncing, pangkal daun bulat, tulang daun menyirip, bentuk daun oblong, dan
tepi daun rata (Gambar 3).
Gambar 3 Daun Shorea johorensis
Shorea macroptera
Shorea macroptera merupakan jenis meranti merah. Pohon besar dan
berbanir besar. Batang merekah atau bersisik, pada umumnya berdamar. Kulit luar
tebal, kulit dalam juga tebal, berurat-urat, warnanya merah atau kemerah-merahan,
dan isi kayu berwarna merah (Gambar 4).
Gambar 4 Daun Shorea macroptera
Shorea materialis
Shorea materialis merupakan jenis meranti balau. Jenis meranti ini
menghasilkan kayu yang keras dan berat, cocok untuk konstruksi bangunan
seperti jembatan, bantalan rel kereta api, dermaga, perahu, dan konstruksi di
daerah pertambangan (Gambar 5).
Gambar 5 Daun Shorea materialis
Shorea lepida
Shorea lepida memiliki ciri-ciri utama pohon dewasa memiliki daun agak
tipis, lonjong, dan runcing. Permukaan atas daun bila mengering coklat agak
5
lembayung, coklat kuning pada tulang daun, dan coklat pudar pada permukaan
bawah daun (Gambar 6).
Gambar 6 Daun Shorea lepida
Shorea leprosula
Shorea leprosula termasuk dalam kelompok meranti merah. Perawakan
pohon besar, dapat mencapai tinggi 60 m, bebas cabang 35 m dengan diameter 1
m. Kulit coklat keabu-abuan. Daun lonjong sampai bulat telur, panjang 8-14 cm,
dan lebar 3.5-4.5 cm. Permukaan daun bagian bawah bersisik seperti krim, dan
urat daun tersier rapat seperti tangga (Gambar 7).
Gambar 7 Daun Shorea leprosula
Shorea palembanica
Shorea palembanica termasuk dalam meranti merah. Perawakan pohon
kecil dan adakalanya sampai sangat besar mencapai 130 cm, batang sering
berbonggol, dan terpilin. Tajuk besar, rapat, hijau tua, dan permukaan pepagan
coklat kelabu tua (Gambar 8).
Gambar 8 Daun Shorea palembanica
6
Shorea pinanga
Shorea pinanga adalah marga Dipterocarpaceae, sub klas Dikotiledon dan
kelas Angiospermae. Shorea pinanga ini tumbuh alami di Kalimantan, pada
ketinggian kurang dari 500 m di atas permukaan laut. Pohon Shorea pinanga
dapat mencapai tinggi sekitar 30 m dengan diameter sampai 100 cm. Tajuk terdiri
atas cabang-cabang yang panjang, menggantung, dan mempunyai daun muda
yang berwarna kemerah-merahan. Daun berukuran 11-24 × 4-9 cm, bentuk tajuk
melebar, dan tidak berbanir (Gambar 9).
Gambar 9 Daun Shorea pinanga
Shorea platyclados
Shorea platyclados termasuk dalam kelompok meranti merah. Perawakan
pohon sangat besar demgan batang tidak bercabang hingga tinggi sekali. Daun
berukuran panjang 6.1-13.1 cm dengan lebar 2.2-4 cm, ujung daun lancip, dan
pangkal daun membundar. Permukaan atas daun bila mengering berwarna coklat,
dan bila diraba licin. Pertulangan sekunder berjumlah 12-25 pasang (Gambar 10).
Gambar 10 Daun Shorea platyclados
Shorea seminis
Shorea seminis termasuk dalam kelompok balau atau selangan batu. Tinggi
pohon dapat mencapai 60 m. Daun berukuran panjang 9-18 cm dengan lebar 2.5-8
cm, ujung daun berbentuk lancip panjang, dan pangkal daun berbentuk pasak atau
membundar. Permukaan atas dan bawah daun bila mengering berwarna coklat
kelabu atau coklat kuning. Pertulangan sekunder berjumlah 9-17 pasang (Gambar
11).
Gambar 11 Daun Shorea seminis
7
Daun
Daun adalah organ fotosintesis utama bagi tumbuhan, meskipun batang
yang berwarna hijau juga melakukan fotosintesis. Bentuk daun sangat bervariasi,
namun pada umumnya terdiri dari suatu helai daun (blade) dan tangkai daun
(petiola) yang menghubungkan daun dengan batang. Hickey et al. (1999) telah
mendeskripsikan ciri morfologi daun yang cukup rinci, khususnya untuk
morfologi daun kelas Dicotyledonae. Ciri morfologi daun itu antara lain bangun
daun (helai daun, ujung daun, dan pangkal daun), tepi daun, tekstur daun, letak
kelenjar, tangkai daun, tekstur daun, tepi pertulangan, dan pengelompokan urat
daun.
Morfologi Daun
Wu et al. (2007) telah mendeskripsikan ekstraksi ciri morfologi. Ciri
tersebut dibedakan menjadi dua, yaitu ciri dasar dan ciri turunan. Ciri dasar daun
di antaranya diameter, panjang fisik, lebar fisik, area, dan perimeter daun.
Diameter merupakan titik terjauh di antara dua titik dari batas daun. Panjang fisik
merupakan jarak dua titik pangkal daun. Lebar fisik dihitung berdasarkan panjang
garis terpanjang yang memotong garis panjang fisik secara ortogonal. Area
dihitung berdasarkan jumlah piksel yang berada di dalam tepi daun, sedangkan
perimeter merupakan jumlah piksel yang berada pada tepi daun.
Dari lima ciri dasar tersebut, didapatkan dua belas ciri morfologi turunan.
Nilai ciri turunan dapat dihitung dari rasio di antara ciri dasar daun. Ciri turunan
dari morfologi daun di antaranya smooth factor, aspect ratio, form factor,
rectangularity, narrow factor, rasio perimeter dan diameter, rasio perimeter
dengan panjang, dan lebar daun.
Ciri turunan daun ada tujuh, yaitu:
1
Smooth factor adalah rasio antara area dari citra helai daun yang dilakukan
smoothing dengan 5 × 5 rectangular averaging filter, dan area dari citra
helai daun yang dilakukan smoothing dengan 2 × 2 rectangular averaging
filter. Ciri ini untuk mengukur kehalusan suatu permukaan daun. Semakin
halus suatu permukaan daun, maka nilainya semakin mendekati 1.
Sebaliknya semakin kasar permukaan daun, nilainya semakin mendekati 0.
Persamaannya dapat dilihat pada rumus di bawah ini:
Smooth factor =
2
A[55]
A[22]
Aspect ratio adalah rasio antara physiological length (Lp) dan physiological
width (Wp). Persamaannya dapat dilihat pada rumus di bawah ini:
��
��
Lp = panjang daun
Wp = lebar daun
8
Ciri ini untuk memperkirakan bentuk helai daun. Jika benilai kurang
dari 1, bentuk helai daun tersebut melebar. Jika benilai lebih dari 1, bentuk
helai daun tersebut memanjang. Ilustrasinya dapat dilihat pada Gambar 12.
Pw
w
P
Pl
l
Gambar 12 Aspect ratio
3
Form factor digunakan untuk mendeskripsikan bentuk dari daun dan
mengetahui seberapa bundar bentuk helai daun tersebut. Nilai form factor
dapat dilihat pada rumus di bawah ini:
4��
�2
A = luas daun
p = keliling daun
4
Rectangularity mendeskripsikan seberapa perseginya permukaan daun.
Rumusnya adalah:
����
�
A = luas daun
Wp = lebar daun
Lp = panjang daun
5
Narrow factor adalah rasio antara diameter (D) dan physiological length. Ciri
ini untuk menentukan apakah bentuk helai daun tersebut tergolong simetri
atau asimetri. Jika helai daun tersebut tergolong simetri, narrow factor
bernilai 1. Jika asimetri, narrow factor bernilai lebih dari 1. Nilainya dapat
dicari menggunakan rumus di bawah ini:
�
��
D = diameter daun
Lp = panjang daun
6
Perimeter ratio of diameter. Ciri ini untuk mengukur seberapa lonjong daun
tersebut. Persamaannya dapat dilihat pada rumus di bawah ini:
9
�
�
D = diameter daun
P = keliling daun
7
Perimeter ratio of physiological length and physiological width. Rumusnya
adalah:
�
�� + ��
P = keliling daun
Wp = lebar daun
Lp = panjang daun
Deteksi Tepi
Tepi (edge) adalah perubahan nilai intensitas derajat keabuan yang
mendadak besar dalam jarak yang dekat. Suatu titik (x,y) dikatakan sebagai tepi
bila titik tersebut mempunyai perbedaan nilai piksel yang tinggi dengan nilai
piksel tetangganya (Gonzales 2002).
Operator sobel
Misal, suatu pengaturan piksel di sekitar piksel (x,y):
Operator sobel adalah magnitude dari gradien yang dihitung dengan:
Turunan parsial dihitung dengan:
Dengan konstanta c adalah 2, dalam bentuk kedok (mask),
dinyatakan sebagai:
Arah tepi dihitung dengan persamaan:
dan
dapat
10
K-Fold Cross Validation
K-fold cross validation merupakan metode dalam memperkirakan
generalisasi error berdasarkan resampling (Weiss dan Kulikowski 1991 diacu
dalam Sarle 2004). Metode k-fold cross validation membagi sebuah himpunan
contoh secara acak menjadi k-subset yang saling bebas. Dilakukan pengulangan
sebanyak k-kali untuk pelatihan dan pengujian. Pada setiap ulangan, disisakan
satu subset untuk pengujian dan subset lainnya untuk pelatihan. Tingkat akurasi
dihitung dengan membagi jumlah keseluruhan klasifikasi yang benar dengan
jumlah semua instance pada data awal.
Normalisasi
Normalisasi terhadap data penelitian dilakukan untuk meningkatkan hasil
identifikasi. Salah satu teknik yang dapat digunakan untuk menormalisasi data
adalah metode standar deviasi. Normalisasi menggunakan standar deviasi
dilakukan untuk mengukur jarak, dengan mentransformasi data asli ke dalam
bentuk lain.
v’(i) = (v(i) – mean(v)) / sd(v)
Untuk vektor ciri v, dimana nilai rata-rata vektor adalah mean(v) dan standar
deviasi adalah sd(v) dihitung untuk semua sampel data, dan untuk ciri ke-i
ditransformasikan menggunakan persamaan (Kantarzic 2003).
Probabilistic Neural Network
PNN merupakan Artificial Neural Network (ANN) yang menggunakan
teorema probabilitas klasik. PNN diperkenalkan oleh Specht (1990). PNN
menggunakan pelatihan (training) supervised. Keuntungan utama menggunakan
arsitektur PNN adalah training data PNN mudah dan cepat (Wu et al. 2007).
11
Vektor input sebanyak P dimensi
Neuron
A1
Neuron
A2
X1
fA(X)
Neuron
An
X2
Ambil
yang
maksimu
m
Neuron
B1
Xp
fB(X)
Neuron
B2
Neuron
Bm
Lapisan Masukan
Lapisan
Penjumlahan
Lapisan Pola
Lapisan Keluaran
Gambar 13 Probabilistic Neural Network
Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola,
lapisan penjumlahan, dan lapisan keputusan/keluaran. Struktur PNN ditunjukkan
pada Gambar 13. Lapisan-lapisan yang menyusun PNN adalah sebagai berikut:
1
2
Lapisan input (input layer)
Lapisan masukan merupakan input x yang terdiri atas k nilai yang akan
diklasifikasikan pada salah satu kelas dari n kelas.
Lapisan pola (pattern layer)
Pada lapisan pola dilakukan perkalian titik (dot product) antara input x
dengan vektor bobot , , yaitu = . . kemudian dibagi dengan bias
tertentu σ dan selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu
�
� = exp
(−�) . Dengan demikian, persamaan yang digunakan
pada lapisan pola adalah sebagai berikut:
�
3
= exp −
−
2� 2
−
dengan
menyatakan vektor bobot atau vektor latih kelas ke-i urutan ke-j.
Lapisan penjumlahan (summation layer)
Pada lapisan penjumlahan setiap pola pada masing-masing kelas
dijumlahkan sehingga dihasilkan population density function untuk setiap
kelas. Persamaan yang digunakan pada lapisan ini adalah:
�( ) =
1
2� 2 �
=1
exp −
−
T = transpose
i = jumlah kelas
j = jumlah pola
2� 2
−
12
ij
4
= vektor pelatihan baris ke-i kolom ke-j
= vektor pengujian
t = jumlah vektor pelatihan kelas
k = dimensi vektor x atau fitur
σ = faktor penghalus (standar deviasi)
Lapisan keluaran (output layer)
Pada lapisan keluaran input x akan diklasifikasikan ke kelas 1 jika nilai
paling besar dibandingkan kelas lainnya.
��
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. 2005).
Contoh confusion matrix dapat dilihat pada Tabel 1.
Tabel 1 Confusion matrix
Prediksi
Data
Kelas 1
Kelas 2
Aktual
Kelas 1
a
c
Kelas 2
b
d
Jumlah baris dan kolom pada tabel bergantung pada banyaknya kelas target.
Akurasi merupakan proporsi yang tepat. Contoh perhitungan akurasi untuk tabel
tersebut adalah:
Akurasi =
=
Jumlah prediksi yang tepat
total prediksi
a+d
a+b+c+d
Keterangan:
a adalah jumlah contoh Kelas 1 yang berhasil diprediksi dengan benar
sebagai Kelas 1,
b adalah jumlah contoh Kelas 1 yang tidak berhasil diprediksi dengan benar
sebagai Kelas 1,
c adalah jumlah contoh Kelas 2 yang berhasil diprediksi dengan benar
sebagai Kelas 2,
d adalah jumlah contoh Kelas 2 yang tidak berhasil diprediksi dengan benar
sebagai kelas 2.
METODE
Tahapan penelitian ini dilakukan dalam beberapa tahap. Diagram alir sistem
dapat dilihat pada Gambar 14.
13
Mulai
Pengumpulan Citra Daun
Praproses
Ekstrasi Fitur
Data Latih
Data Uji
Identifikasi
Model PNN
PNN
Evaluasi
Selesai
Gambar 14 Metodologi penelitian
Pengumpulan Citra Daun
Pada proses pengumpulan citra daun dilakukan dengan mengambil sejumlah
citra daun secara langsung dengan menggunakan kamera digital. Citra Shorea
yang digunakan dalam penelitian ini diambil pada siang hari di dalam ruangan.
Citra daun tersebut diberikan latar belakang kertas putih untuk dijadikan citra
percobaan baik untuk pelatihan atau pun pengujian. Shorea yang digunakan
sebanyak 10 spesies berformat JPG. Satu spesies diwakili dengan 10 citra,
sehingga total citra ada sebanyak 100 citra. Citra yang digunakan berukuran
273 × 364 piksel. Sampel citra daun Shorea diambil dari Kebun Raya Bogor.
Jenis Shorea yang digunakan pada penelitian ini dapat dilihat pada Tabel 2.
Tabel 2 Kelas Shorea yang digunakan
Kelas Shorea
Shorea javanica koord val
Shorea johorensis foxwf
Shorea lepida blume
Shorea leprosula miq
Shorea macroptera
Shorea materialis ridley
Shorea palembanica
Shorea pinanga sp
Shorea platyclados
Shorea seminis
Kode
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
14
Pengambilan daun Shorea dilakukan selama satu bulan dengan cara
memilah-milah daun Shorea yang kualitas daunnya terlihat baik dalam hal bentuk
daun utuh, dan struktur daun jelas.
Praproses Data
Pada penelitian ini sebelum dilakukan praproses, citra yang digunakan
diubah terlebih dahulu arah daunnya menjadi searah. Citra daun merupakan citra
RGB dengan latar belakang putih menggunakan software Adobe Photoshop 8.
Selanjutnya citra yang dibaca adalah citra RGB sehingga perlu diubah ke dalam
citra keabuan (grayscale). Pengubahan citra RGB menjadi citra keabuan pada
Matlab R2008b menggunakan perintah: gry=rgb2gray(rgb);. Ilustrasi alur
praproses citra dapat dilihat di Gambar 15.
Gambar 15 Alur praproses citra
Pada tahapan praproses grayscale, ubah warna citra yang semulanya RGB
menjadi grayscale. Grayscale berguna untuk ekstraksi citra dan dapat
menyederhanakan model citra agar nilai yang dihasilkan tidak beragam.
Masukan untuk ekstraksi morfologi dan bentuk adalah citra biner dengan
threshold tertentu. Nilai threshold merupakan suatu nilai yang memisahkan piksel
yang merupakan objek dan piksel yang merupakan latar belakang citra. Ilustrasi
citra masukan untuk ekstraksi morfologi dapat dilihat di Gambar 16.
Gambar 16 Citra masukan untuk ekstraksi fitur morfologi
Ekstraksi Ciri Morfologi
Ciri morfologi terdiri atas dua ciri, yaitu ciri dasar dan turunan. Tahap awal
ekstraksi adalah mendapatkan ciri-ciri morfologi dasar dari citra helai daun. Ciri
dasar yang digunakan pada penelitian ini adalah diameter, area, dan perimeter atau
keliling daun. Tiga ciri dasar tersebut dapat dikombinasikan sehingga
mendapatkan empat ciri turunan di antaranya smooth factor, form factor, rasio
perimeter dan diameter, serta rasio panjang dan lebar daun. Informasi ciri ini
direpresentasikan sebagai sebuah vektor dengan tujuh elemen.
15
Data Latih dan Data Uji
Data citra daun Shorea dibagi menjadi 2 bagian, yaitu data latih dan data uji.
Penelitian ini menggunakan 10 citra daun Shorea untuk masing-masing 10 spesies.
Data 10 citra daun tersebut akan diambil 8 citra untuk data latih dan 2 citra untuk
data uji. Pada pembagian data menggunakan k-fold cross validation. Berdasarkan
jumlah data, terdapat 10 citra untuk setiap jenis, maka dibuat 5-fold cross
validation. Pada kombinasi ini data dibagi menjadi 5 subset (S1, S2, S3, S4, S5).
Pada fold pertama, subset S1, S2, S3 dan S4 akan digunakan sebagai data latih
sedangkan subset S5 akan digunakan sebagai data uji. Bentuk 5-fold cross
validation dapat dilihat pada Tabel 3.
Tabel 3 Kombinasi data latih dan data uji
Fold
Fold I
Fold II
Fold III
Fold IV
Fold V
Pelatihan
S1, S2, S3, S4
S1, S2, S3, S5
S1, S2, S5, S4
S1, S5, S4, S3
S5, S4, S3, S2
Pengujian
S5
S4
S3
S2
S1
Model PNN
Arsitektur PNN memiliki bagian lapisan masukan, pola, penjumlahan, dan
keluaran. Pada penelitian ini, masukan berupa masing-masing hasil ekstraksi ciri
morfologi citra daun. Dalam penelitian ini akan dicobakan dua jenis kombinasi
input. Kedua kombinasi input dapat dilihat pada Tabel 4.
Tabel 4 Kombinasi input pada model PNN
Percobaan
Kombinasi Input
I
Hasil praproses tanpa normalisasi ekstrasi fitur ciri
morfologi dengan 7 parameternya, yaitu area,
perimeter, diameter, smooth factor, form factor,
parameter ratio of diameter, dan perimeter ratio of
physiological length and physiological width.
II
Hasil praproses normalisasi ekstrasi fitur ciri morfologi
dengan 7 parameternya, yaitu area, perimeter, diameter,
smooth factor, form factor, parameter ratio of diameter,
dan perimeter ratio of physiological length and
physiological width.
Lapisan output memiliki 10 target kelas sesuai dengan jumlah jenis daun.
Untuk lapisan pola hanya akan digunakan satu model PNN yaitu dengan nilai bias
(σ) tetap.
16
Perhitungan Akurasi
Pengujian data dilakukan oleh sistem yaitu dengan melihat hasil penelitian
terhadap citra kueri atau citra uji berdasarkan 5-fold cross validation. Hasil
penelitian ini diukur dengan menggunakan tingkat akurasi dari data citra yang
diuji dan diamati. Persamaan akurasi didefinisikan sebagai berikut :
Akurasi =
data uji benar diklasifikasikan
x 100%
data uji
Evaluasi
Evaluasi dilakukan dengan melakukan pengelompokan data yang telah
dilakukan pengujian berdasarkan spesies menggunakan tabel confusion matrix.
Evaluasi dibuat dalam bentuk grafik agar dapat mudah dilihat dan dianalisis
seberapa besar akurasi pada identifikasi daun Shorea.
Lingkungan Pengembangan
Sistem ini dikembangkan dan diimplementasikan dengan menggunakan
perangkat keras dan perangkat lunak sebagai berikut :
1 Perangkat Keras:
AMD E-350 1.6 GHz
Memori 2 GB
Harddisk kapasitas 320 GB
2 Perangkat Lunak:
Windows 7 Home Premium 32 bit sebagai sistem operasi
Matlab 7.7 (R2008b)
HASIL DAN PEMBAHASAN
Pada penelitian ini digunakan 10 spesies daun Shorea, yaitu Shorea
javanica, Shorea johorensis, Shorea lepida, Shorea leprosula, Shorea macroptera,
Shorea materialis, Shorea palembanica, Shorea pinanga, Shorea platyclados, dan
Shorea seminis. Masing-masing 10 jenis Shorea tersebut memiliki 10 data citra.
Data latih sebanyak 8 citra, dan 2 citra data uji untuk masing-masing 10 spesies.
Sehingga total data latih sebanyak 80 citra, dan 20 citra sebagai data uji.
Pembagian data akan dibagi menjadi kelompok data menggunakan 5-fold cross
validation. Fold tersebut untuk memudahkan proses pengenalan citra.
17
Ekstraksi Ciri Morfologi
Ekstraksi ciri morfologi membutuhkan citra biner sebagai masukan. Jumlah
nilai ciri morfologi yang diekstraksi berjumlah tujuh. Tujuh nilai ciri morfologi
yang digunakan adalah area, diameter, perimeter, smooth factor, form factor, rasio
perimeter dan diameter, serta rasio panjang dan lebar daun. Nilai-nilai ciri dasar
dan turunan daun direpresentasikan seperti yang terlihat pada Gambar 17 dan
ilustrasi mengenai contoh nilai morfologi ada di Gambar 18.
Gambar 17 Contoh hasil ekstraksi morfologi
(a)
(b)
(c)
(d)
Gambar 18 (a) Area, (b) Perimeter, (c) Diameter, (d) P rasio of D
Percobaan I : Menggunakan 7 parameter (area, perimeter, diameter, smooth
factor, form factor, perimeter ratio of diameter, dan perimeter ratio of
physiological length and physiological width) tanpa normalisasi
Percobaan ini melibatkan data citra 10 jenis Shorea yang telah di akuisisi,
dilakukan tahapan praproses tanpa normalisasi dan dilakukan ekstraksi fitur ciri
morfologi. Pada percobaan ini digunakan 80 record sebagai data latih yang berisi
subset 1, 2, 3, dan 4. Subset 5 yang berisi 20 record dijadikan data uji. Percobaan
terus dilakukan sehingga setiap subset pernah menjadi data uji, dan dilakukan 5
kali iterasi berdasarkan subset pada k-fold cross validation dengan 10 buah nilai
bias (h=0.1 sampai h=1). Hasil akurasi untuk masing-masing iterasi dapat dilihat
pada Tabel 5.
18
Tabel 5 Hasil akurasi percobaan I dalam (%)
Fold
I
II
III
IV
V
Rata-rata
0.1
100
100
100
100
100
100
0.2
95
100
95
100
100
98
0.3
95
100
95
85
85
92
0.4
70
95
90
85
75
83
Nilai bias (h)
0.5
0.6
80
80
60
55
85
80
85
70
75
70
77
71
0.7
75
65
70
70
60
68
0.8
70
65
65
70
55
65
0.9
70
60
65
60
55
62
1
70
55
65
60
50
60
Keterangan :
Akurasi rata-rata maksimum
Pada percobaan tersebut didapatkan rata-rata akurasi tertinggi yaitu sebesar
100% dengan nilai (h=0.1), namun pada nilai (h=0.9 dan h=1) akurasi menjadi
sangat menurun. Rata-rata akurasi pada setiap iterasi dapat dilihat pada Gambar
19.
Akurasi (%)
100
80
60
40
20
0
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Nilai h
1
Gambar 19 Grafik akurasi percobaan I
Berdasarkan grafik di atas, rata-rata akurasi tertinggi diperoleh pada nilai
(h=0.1). Semakin meningkatnya nilai bias (h), rata-rata akurasi menjadi menurun.
Pada nilai bias (h=0.1 dan h=0.2) menghasilkan rata-rata akurasi tertinggi sebesar
100% dan 98%. Pada percobaan I dengan nilai bias (h=0.1), tidak ada confusion
matrix dikarenakan nilai akurasi pada setiap iterasi sebesar 100%.
Percobaan II : Menggunakan 7 parameter (area, perimeter, diameter,
smooth factor, form factor, perimeter ratio of diameter, dan perimeter ratio of
physiological length and physiological width) dengan normalisasi
Pada percobaan ini sama seperti percobaan I, hanya saja menggunakan 7
parameter dengan normalisasi. Percobaan ini tetap melibatkan data citra 10 jenis
Shorea yang dilakukan tahapan praproses normalisasi ekstraksi fitur ciri
morfologi.
Pada percobaan ini tetap digunakan 80 record sebagai data latih yang berisi
subset 1, 2, 3, dan 4. Subset 5 yang berisi 20 record dijadikan data uji yang akan
dilakukan 5 kali iterasi berdasarkan subset pada 5-fold cross validation dengan
19
nilai bias (h) yang sama seperti percobaan I. Hasil akurasi untuk masing-masing
iterasi dapat dilihat pada Tabel 6.
Tabel 6 Hasil akurasi percobaan II dalam (%)
Fold
I
II
III
IV
V
Rata-rata
0.1
100
55
100
100
100
91
0.2
95
55
95
100
100
89
0.3
90
55
95
85
85
82
0.4
80
55
85
85
75
76
Nilai bias (h)
0.5
0.6
80
80
60
55
85
80
85
70
75
70
77
71
0.7
75
65
70
70
60
68
0.8
70
65
65
70
55
65
0.9
70
60
65
60
55
62
1
70
55
65
60
50
60
Keterangan :
Akurasi rata-rata maksimum
Pada percobaan tersebut didapatkan rata-rata akurasi tertinggi yaitu sebesar
91% dengan nilai (h=0.1), dimana nilai rata-rata akurasi menurun pada setiap nilai
bias (h) jika dibandingkan percobaan pertama. Rata-rata akurasi pada setiap iterasi
dapat dilihat pada Gambar 20.
Akurasi (%)
100
80
60
40
20
0
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
1
Nilai h
Gambar 20 Grafik akurasi percobaan II
Berdasarkan grafik di atas, rata-rata akurasi tertinggi diperoleh pada nilai
(h=0.1). Semakin meningkatnya nilai bias (h), rata-rata akurasi menjadi menurun.
Pada nilai bias (h=0.1 dan h=0.2) menghasilkan rata-rata akurasi tertinggi sebesar
91% dan 89%.
Record yang salah diklasifikasikan pada percobaan dengan nilai bias
(h=0.1) dapat dilihat pada Confusion matrix Tabel 7.
20
Tabel 7 Confusion matrix pada percobaan II dengan nilai h=0.1
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
10
0
0
0
0
0
0
0
0
0
JOH
0
9
0
0
0
0
0
0
0
0
LED
0
0
9
0
0
0
0
0
0
0
LPR
0
0
0
8
0
1
0
0
0
0
Kelas Prediksi
MAC MAT
0
0
0
0
0
0
0
0
0
9
1
8
0
0
0
0
0
0
0
0
PAL
0
0
0
2
0
0
10
0
0
1
PIN
0
1
0
0
1
0
0
10
0
0
PLA
0
0
0
0
0
0
0
0
9
0
SEM
0
0
1
0
0
0
0
0
1
9
Berdasarkan Tabel 7 di atas, pada percobaan dengan nilai h=0.1, dari 10
kelas yang ada, hanya 3 kelas yang benar diklasifikasikan, yaitu kelas 1 (Shorea
javanica), kelas 7 (Shorea palembanica), dan kelas 8 (Shorea pinanga). Sebanyak
7 kelas yang salah diklasifikasikan, yaitu kelas 2 (Shorea johorensis), kelas 3
(Shorea lepida), kelas 4 (Shorea leprosula), kelas 5 (Shorea macroptera), kelas 6
(Shorea materialis), kelas 9 (Shorea platyclados), dan kelas 10 (Shorea seminis).
hal ini disebabkan kemiripan ciri morfologi daun berupa parameter area, dan
kesamaan ukuran bentuk.
Perbandingan Percobaan I dan Percobaan II
Percobaan I dan percobaan II menghasilkan rata-rata tingkat akurasi yang
berbeda untuk seluruh jenis Shorea yang diidentifikasi. Perbandingan tingkat
akurasi yang dihasilkan pada setiap percobaan dapat dilihat pada Gambar 21.
100
90
Akurasi (%)
80
70
60
50
40
30
20
10
0
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Percobaan I
1
Percobaan II
Nilai h
Gambar 21 Grafik perbandingan akurasi percobaan I dan percobaan II
21
SIMPULAN DAN SARAN
Simpulan
Berdasarkan penelitian yang telah dilakukan, dapat diambil kesimpulan
bahwa penggunaan klasifikasi PNN dapat melakukan pengidentifikasi jenis
Shorea, walaupun masih terdapat salah dalam pengidentifikasian. Akurasi
pengenalan citra daun Shorea dengan menggunakan PNN sebagai classifier
dengan k=5 nilai bias (h=0.1) menghasilkan rata-rata akurasi terbesar 100% pada
percobaan I, sedangkan pada percobaan II rata-rata akurasi terbesar 91% dimana
praproses normalisasi pada ekstraksi fitur berpengaruh terhadap akurasi. Jenis
Shorea yang selalu tepat diidentifikasikan dengan benar pada percobaan I dan II
menggunakan seluruh fitur adalah Shorea javanica, Shorea palembanica, dan
Shorea pinanga.
Saran
Penelitian ini masih memiliki beberapa kekurangan yang dapat diperbaiki
pada penelitian selanjutnya. Beberapa saran itu di antaranya dengan
menambahkan jumlah data untuk setiap jenis Shorea agar data yang digunakan
lebih bervariasi. Menggunakan teknik klasifikasi dan fitur yang lain untuk
mengetahui tingkat akurasi.
DAFTAR PUSTAKA
Gonzalez RC, Woods RE. 2002. Digital Image Processing. 2nd Edition. New
Jersey (US) : Prentice Hall.
Hickey LJ, Johnson KR, Wilf P, Wing SL. 1999. Manual of Leaf Architecture –
Morphological Description and Categorization of Dicotyledonous and NetVeined Monocotyledonous Angiosperms. Washington DC (US): Department of
Paleobiology Smithsonian Institution.
Hutabarat YP. 2012. Identifikasi jenis Shorea berdasarkan morfologi daun
menggunakan probabilistic neural network [skripsi]. Bogor (ID): Fakultas
Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Kantardzic M. 2003. Data Mining, Concepts, Methods and Algorithm. New
Jersey: IEEE.
Newman MF, Burgess PF, Whitmore TC. 1999. Pedoman Identifikasi Pohonpohon Dipterocarpaceae Jawa sampai Nugini. Bogor (ID): Prosea Indonesia.
Nurfadhilah E. 2011. Identifikasi tumbuhan obat menggunakan fitur citra
morfologi, tekstur, dan bentuk dengan klasifikasi probabilistic neural network
[skripsi]. Bogor (ID): Fakultas Matematika dan Ilmu Pengetahuan Alam,
Institut Pertanian Bogor.
Nurjayanti B. 2011. Identifikasi Shorea menggunakan k-nearest neighbour
berdasarkan karateristik morfologi daun [skripsi]. Bogor (ID): Fakultas
Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
22
Puspitasari D. 2011. Identifikasi jenis Shorea menggunakan jaringan syaraf tiruan
propagasi balik berdasarkan karakteristik morfologi daun [skripsi]. Bogor (ID):
Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Sarle W. 2004. What are cross validation and bootstrapping? [internet]. [diacu
pada 2012 Des 15]. Tersedia pada: http://www.faqs.org/ai-faq/neuralnets/part3/section-12.html.
Specht DF. 1990. Probabilistic Neural Networks and the Polynomial Adalines
Classification. IEEE Transactions on Neural Networks 1(3): 111-121.
Tan P, Steinbach M, Kumar V. 2005. Introduction to Data Mining. Boston:
Pearson Education, Inc.
Wu SG, Bao FS, Xu EY, Wang YX, Chang YF, Xiang QL. 2007. A Leaf
Recognition Algorithm for Plant Classification Using Probabilistic Neural
Network. In Signal Processing and Information Technology, 2007, China.1116.
Weiss SM, Kulikowski CA. 1991. Computer Systems That Learn. Massachusetts
(US): Morgan Kaufmann.
23
Lampiran 1 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 100% dan nilai h=0.1
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
10
0
0
0
0
0
0
0
0
0
JOH
0
10
0
0
0
0
0
0
0
0
LED
0
0
10
0
0
0
0
0
0
0
LPR
0
0
0
10
0
0
0
0
0
0
Kelas Prediksi
MAC MAT
0
0
0
0
0
0
0
0
0
10
0
10
0
0
0
0
0
0
0
0
PAL
0
0
0
0
0
0
10
0
0
0
PIN
0
0
0
0
0
0
0
10
0
0
PLA
0
0
0
0
0
0
0
0
10
0
SEM
0
0
0
0
0
0
0
0
0
10
Lampiran 2 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 98% dan nilai h=0.2
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
10
0
0
0
0
1
0
0
0
0
JOH
0
10
0
0
0
0
0
0
0
0
LED
0
0
10
0
0
0
0
0
0
0
LPR
0
0
0
10
0
0
0
0
0
0
Kelas Prediksi
MAC MAT
0
0
0
0
0
0
0
0
0
10
0
8
0
0
0
0
0
0
0
0
PAL
0
0
0
0
0
0
10
0
0
0
PIN
0
0
0
0
0
1
0
10
0
0
PLA
0
0
0
0
0
0
0
0
10
0
SEM
0
0
0
0
0
0
0
0
0
10
Lampiran 3 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 92% dan nilai h=0.3
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
9
0
0
1
1
2
0
0
0
0
JOH
0
10
0
0
1
0
0
0
0
0
LED
0
0
10
0
0
0
0
0
0
0
LPR
1
0
0
9
0
0
0
0
0
0
Kelas Prediksi
MAC MAT
0
0
0
0
0
0
0
0
0
8
0
6
0
0
0
0
0
0
0
0
PAL
0
0
0
0
0
0
10
0
0
0
PIN
0
0
0
0
0
2
0
10
0
0
PLA
0
0
0
0
0
0
0
0
10
0
SEM
0
0
0
0
0
0
0
0
0
10
24
Lampiran 4 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 83% dan nilai h=0.4
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
10
0
1
2
1
2
0
0
0
0
JOH
0
9
0
0
2
0
0
0
0
0
LED
0
0
9
1
0
0
0
0
0
0
LPR
0
0
0
6
1
0
0
0
0
0
Kelas Prediksi
MAC MAT
0
0
0
0
0
0
1
0
1
5
1
4
0
0
0
0
0
0
0
0
PAL
0
0
0
0
0
0
10
0
0
0
PIN
0
1
0
0
0
3
0
10
0
0
PLA
0
0
0
0
0
0
0
0
10
0
SEM
0
0
0
0
0
0
0
0
0
10
Lampiran 5 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 77% dan nilai h=0.5
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
9
0
1
1
1
2
0
0
0
0
JOH
0
9
0
1
2
0
0
0
0
0
LED
0
0
8
0
0
0
0
0
0
0
LPR
1
0
0
7
2
1
0
0
0
0
Kelas Prediksi
MAC MAT
0
0
0
0
0
0
1
0
0
4
2
2
0
0
0
0
0
0
0
0
PAL
0
0
0
0
0
0
9
0
0
0
PIN
0
1
0
0
1
3
0
10
0
0
PLA
0
0
0
0
0
0
1
0
9
0
SEM
0
0
1
0
0
0
0
0
1
10
Lampiran 6 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 71% dan nilai h=0.6
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
8
0
1
2
1
2
0
0
0
0
JOH
0
9
0
1
2
0
0
0
0
0
LED
0
0
8
0
0
0
0
0
0
0
LPR
1
0
0
5
3
1
1
0
0
0
Kelas Prediksi
MAC MAT
0
1
0
0
0
0
1
0
0
4
2
2
0
0
0
0
0
0
0
0
PAL
0
0
0
0
0
0
6
0
0
0
PIN
0
1
0
1
0
3
0
10
0
0
PLA
0
0
0
0
0
0
2
0
9
0
SEM
0
0
1
0
0
0
1
0
1
10
25
Lampiran 7 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 68% dan nilai h=0.7
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
8
0
1
2
1
3
0
0
0
0
JOH
0
9
0
1
2
0
0
0
0
0
LED
0
0
8
0
0
0
0
0
0
1
LPR
1
0
0
4
2
2
1
1
0
0
Kelas Prediksi
MAC MAT
0
1
0
0
0
0
0
0
0
4
0
1
0
0
0
0
0
0
0
0
PAL
0
0
0
0
0
0
6
0
0
0
PIN
0
1
0
3
1
4
0
9
0
0
PLA
0
0
0
0
0
0
2
0
10
0
SEM
0
0
1
0
0
0
1
0
0
9
Lampiran 8 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 65% dan nilai h=0.8
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
9
0
1
2
1
3
0
0
0
0
JOH
0
9
0
1
2
0
0
0
0
0
LED
0
0
8
0
0
0
0
0
0
1
LPR
0
0
0
3
3
2
1
1
0
0
Kelas Prediksi
MAC MAT
0
1
0
0
0
0
0
0
0
3
0
1
0
0
0
0
0
0
0
1
PAL
0
0
0
0
0
0
6
0
0
1
PIN
0
1
0
4
1
4
0
9
0
0
PLA
0
0
0
0
0
0
2
0
10
0
SEM
0
0
1
0
0
0
1
0
0
7
Lampiran 9 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 62% dan nilai h=0.9
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
9
0
1
2
2
3
0
0
0
0
JOH
0
9
0
1
2
0
0
0
0
0
LED
0
0
8
0
0
0
0
0
0
1
LPR
0
0
0
3
4
2
1
1
0
0
Kelas Prediksi
MAC MAT
0
1
0
0
0
0
0
0
0
1
0
1
0
0
0
0
0
0
0
1
PAL
0
0
0
0
0
0
6
0
0
2
PIN
0
1
0
4
1
4
0
9
0
0
PLA
0
0
0
0
0
0
2
0
10
0
SEM
0
0
1
0
0
0
1
0
0
6
26
Lampiran 10 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 60% dan nilai h=1
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
9
0
1
2
2
3
0
0
0
0
JOH
0
9
0
1
2
0
0
0
0
0
LED
0
0
8
0
0
0
0
0
0
2
LPR
0
0
0
3
4
2
2
1
0
0
Kelas Prediksi
MAC MAT
0
1
0
0
0
0
0
0
0
1
0
1
0
0
0
0
0
0
0
1
PAL
0
0
0
0
0
0
5
0
0
2
PIN
0
1
0
4
1
4
0
9
0
0
PLA
0
0
0
0
0
0
2
0
10
0
SEM
0
0
1
0
0
0
1
0
0
5
Lampiran 11 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata
akurasi 91% dan nilai h=0.1
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
10
0
0
0
0
0
0
0
0
0
JOH
0
9
0
0
0
0
0
0
0
0
LED
0
0
9
0
0
0
0
0
0
0
LPR
0
0
0
8
0
1
0
0
0
0
Kelas Prediksi
MAC MAT
0
0
0
0
0
0
0
0
0
9
1
8
0
0
0
0
0
0
0
0
PAL
0
0
0
2
0
0
10
0
0
1
PIN
0
1
0
0
1
0
0
10
0
0
PLA
0
0
0
0
0
0
0
0
9
0
SEM
0
0
1
0
0
0
0
0
1
9
Lampiran 12 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata
akurasi 89% dan nilai h=0.2
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
10
0
0
0
0
1
0
0
0
0
JOH
0
9
0
0
0
0
0
0
0
0
LED
0
0
9
0
0
0
0
0
0
0
LPR
0
0
0
8
0
1
0
0
0
0
Kelas Prediksi
MAC MAT
0
0
0
0
0
0
0
0
0
9
1
6
0
0
0
0
0
0
0
0
PAL
0
0
0
2
0
0
10
0
0
1
PIN
0
1
0
0
1
1
0
10
0
0
PLA
0
0
0
0
0
0
0
0
9
0
SEM
0
0
1
0
0
0
0
0
1
9
27
Lampiran 13 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata
akurasi 82% dan nilai h=0.3
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
9
0
0
1
1
2
0
0
0
0
JOH
0
9
0
0
1
0
0
0
0
0
LED
0
0
9
0
0
0
0
0
0
0
LPR
1
0
0
7
0
2
0
0
0
0
Kelas Prediksi
MAC MAT
0
0
0
0
0
0
0
0
0
7
1
3
0
0
0
0
0
0
0
0
PAL
0
0
0
2
0
0
10
0
0
1
PIN
0
1
0
0
1
2
0
10
0
0
PLA
0
0
0
0
0
0
0
0
9
0
SEM
0
0
1
0
0
0
0
0
1
9
Lampiran 14 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata
akurasi 76% dan nilai h=0.4
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
9
0
1
1
1
2
0
0
0
0
JOH
0
9
0
0
2
0
0
0
0
0
LED
0
0
8
1
0
0
0
0
0
0
LPR
1
0
0
6
2
1
0
0
0
0
Kelas Prediksi
MAC MAT
0
0
0
0
0
0
0
0
0
4
2
2
0
0
0
0
0
0
0
0
PAL
0
0
0
2
0
0
10
0
0
1
PIN
0
1
0
0
1
3
0
10
0
0
PLA
0
0
0
0
0
0
0
0
9
0
SEM
0
0
1
0
0
0
0
0
1
9
Lampiran 15 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata
akurasi 77% dan nilai h=0.5
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
9
0
1
1
1
2
0
0
0
0
JOH
0
9
0
1
2
0
0
0
0
0
LED
0
0
8
0
0
0
0
0
0
0
LPR
1
0
0
7
2
1
0
0
0
0
Kelas Prediksi
MAC MAT
0
0
0
0
0
0
1
0
0
4
2
2
0
0
0
0
0
0
0
0
PAL
0
0
0
0
0
0
9
0
0
0
PIN
0
1
0
0
1
3
0
10
0
0
PLA
0
0
0
0
0
0
1
0
9
0
SEM
0
0
1
0
0
0
0
0
1
10
28
Lampiran 16 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata
akurasi 71% dan nilai h=0.6
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
8
0
1
2
1
2
0
0
0
0
JOH
0
9
0
1
2
0
0
0
0
0
LED
0
0
8
0
0
0
0
0
0
0
LPR
1
0
0
5
3
1
1
0
0
0
Kelas Prediksi
MAC MAT
0
1
0
0
0
0
1
0
0
4
2
2
0
0
0
0
0
0
0
0
PAL
0
0
0
0
0
0
6
0
0
0
PIN
0
1
0
1
0
3
0
10
0
0
PLA
0
0
0
0
0
0
2
0
9
0
SEM
0
0
1
0
0
0
1
0
1
10
Lampiran 17 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata
akurasi 68% dan nilai h=0.7
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
8
0
1
2
1
3
0
0
0
0
JOH
0
9
0
1
2
0
0
PROBABILISTIC NEURAL NETWORK DENGAN
NORMALISASI FITUR MORFOLOGI DAUN
ALITA WULAN DINI
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
Shorea Menggunakan Probabilistic Neural Network dengan Normalisasi Fitur
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, April 2013
Alita Wulan Dini
NIM G64096006
ABSTRAK
ALITA WULAN DINI. Identifikasi Daun Shorea Menggunakan Probabilistic
Neural Network dengan Normalisasi Fitur Morfologi Daun. Dibimbing oleh AZIZ
KUSTIYO.
Shorea merupakan tanaman kayu yang termasuk jenis meranti. Shorea
tergolong ke dalam keluarga Dipterocarpaceae yang memiliki 194 spesies yang
tumbuh di daerah tropis. Spesies-spesies Shorea ini sulit untuk diidentifikasi
karena memiliki banyak kemiripan satu sama lain. Penelitian ini menggunakan
Probabilistic Neural Network (PNN) untuk mengklasifikasikan spesies Shorea.
Parameter yang digunakan untuk klasifikasi adalah area, perimeter, diameter,
smooth factor, form factor, perimeter ratio of diameter, perimeter ratio of
physiological length and physiological width dengan nilai bias 0.1. Hasil rata-rata
akurasi dari metode yang digunakan adalah 100% (tanpa normalisasi) dan 91%
(dengan normalisasi). Hal ini dapat disimpulkan bahwa fitur ciri morfologi area,
perimeter, diameter, dan rasio panjang dan lebar daun secara signifikan
mempengaruhi akurasi.
Kata kunci: Shorea, Morfologi, Probabilistic Neural Network
ABSTRACT
ALITA WULAN DINI. Shorea Leaf Identification using Probabilistic Neural
Network with Normalization of Leaf Morphology Features. Supervised by AZIZ
KUSTIYO.
Shorea is a timber plant from the genus of meranti. Shorea belongs to
Dipterocarpaceae family which has 194 species growing in tropical area. The
species of Shorea is difficult to be identified because of it is similarity to each
other. This research utilized Probabilistic Neural Network (PNN) to classify
Shorea species. The parameters used for classification were area, perimeter,
diameter, smooth factor, form factor, perimeter ratio of diameter, perimeter ratio
of physiological length and physiological width with 0.1 bias value. It was found
that the accuracy of the proposed method was 100% (without normalization) and
91% (with normalization). It can be concluded that the morphological features of
area, perimeter, diameter, and ratio of leaf length and width significantly affect the
accuracy.
Keywords: Shorea, Morphology, Probabilistic Neural Network
IDENTIFIKASI DAUN SHOREA MENGGUNAKAN
PROBABILISTIC NEURAL NETWORK DENGAN
NORMALISASI FITUR MORFOLOGI DAUN
ALITA WULAN DINI
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
Judul Skripsi : Identifikasi Daun Shorea Menggunakan Probabilistic Neural
Network dengan Normalisasi Fitur Morfologi Daun
Nama
: Alita Wulan Dini
NIM
: G64096006
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 nikmat dan karunia-Nya sehingga karya ilmiah dengan judul Identifikasi
Daun Shorea Menggunakan Probabilistic Neural Network dengan Normalisasi
Fitur Morfologi Daun ini berhasil diselesaikan. Adapun penulis mengucapkan
terima kasih kepada:
1
Kedua orang tua tercinta Bambang Supriyadi dan Arningsih, kakakku
tersayang Ermaya Eka Aryadi Putra, SKomp serta seluruh keluarga yang
telah memberikan dukungan, perhatian, dan doa sehingga penulis dapat
menyelesaikan penelitian ini.
2
Bapak Aziz Kustiyo, SSi, MKom selaku pembimbing yang telah banyak
memberi nasihat dan saran.
3
Dosen penguji, Bapak Sony Hartono Wijaya, SKom, MKom dan Bapak
Toto Haryanto, SKom, MSi atas saran dan bimbingannya.
4
Pihak Kebun Raya Bogor atas sampel daun Shorea.
5
Teman-teman satu bimbingan terima kasih atas kerjasamanya.
6
Teman-teman Ekstensi Ilkom angkatan 4, atas kerjasamanya selama
perkuliahan.
7
Semua pihak yang telah memberikan bantuan selama pengerjaan penelitian
ini yang tidak dapat penulis tuliskan satu per satu.
Semoga penelitian ini bermanfaat bagi semua pihak yang membutuhkan.
Bogor, April 2013
Alita Wulan Dini
DAFTAR ISI
DAFTAR TABEL
xi
DAFTAR GAMBAR
xi
DAFTAR LAMPIRAN
xii
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
2
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
2
Shorea
2
Daun
7
Morfologi Daun
7
Deteksi Tepi
9
K-Fold Cross Validation
10
Normalisasi
10
Probabilistic Neural Network
10
Confusion Matrix
12
METODE
12
Pengumpulan Citra Daun
13
Praproses Data
14
Ekstraksi Ciri Morfologi
14
Data Latih dan Data Uji
15
Model PNN
15
Perhitungan Akurasi
16
Evaluasi
16
Lingkungan Pengembangan
16
HASIL DAN PEMBAHASAN
16
Ekstraksi Ciri Morfologi
17
Percobaan I : Menggunakan 7 parameter (area, perimeter, diameter, smooth
factor, form factor, perimeter ratio of diameter, dan perimeter ratio of
physiological length and physiological width) tanpa normalisasi
17
Percobaan II : Menggunakan 7 parameter (area, perimeter, diameter, smooth
factor, form factor, perimeter ratio of diameter, dan perimeter ratio of
physiological length and physiological width) dengan normalisasi
18
Perbandingan Percobaan I dan Percobaan II
SIMPULAN DAN SARAN
20
21
Simpulan
21
Saran
21
DAFTAR PUSTAKA
21
LAMPIRAN
23
RIWAYAT HIDUP
33
DAFTAR TABEL
1
2
3
4
5
6
7
Confusion matrix
Kelas Shorea yang digunakan
Kombinasi data latih dan data uji
Kombinasi input pada model PNN
Hasil akurasi percobaan I dalam (%)
Hasil akurasi percobaan II dalam (%)
Confusion matrix pada percobaan II dengan nilai h=0.1
12
13
15
15
18
19
20
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
Shorea
Daun Shorea javanica
Daun Shorea johorensis
Daun Shorea macroptera
Daun Shorea materialis
Daun Shorea lepida
Daun Shorea leprosula
Daun Shorea palembanica
Daun Shorea pinanga
Daun Shorea platyclados
Daun Shorea seminis
Aspect ratio
Probabilistic Neural Network
Metodologi Penelitian
Alur praproses citra
Citra masukan untuk ekstraksi fitur morfologi
Contoh hasil ekstraksi morfologi
a) Area, (b) Perimeter, (c) Diameter, (d) P rasio of D
Grafik akurasi percobaan I
Grafik akurasi percobaan II
Grafik perbandingan akurasi percobaan I dan percobaan II
3
3
4
4
4
5
5
5
6
6
6
8
11
13
14
14
17
17
18
19
20
DAFTAR LAMPIRAN
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
Confusion matrix percobaan I pada setiap iterasi
akurasi 100% dan nilai h=0.1
Confusion matrix percobaan I pada setiap iterasi
akurasi 98% dan nilai h=0.2
Confusion matrix percobaan I pada setiap iterasi
akurasi 92% dan nilai h=0.3
Confusion matrix percobaan I pada setiap iterasi
akurasi 83% dan nilai h=0.4
Confusion matrix percobaan I pada setiap iterasi
akurasi 77% dan nilai h=0.5
Confusion matrix percobaan I pada setiap iterasi
akurasi 71% dan nilai h=0.6
Confusion matrix percobaan I pada setiap iterasi
akurasi 68% dan nilai h=0.7
Confusion matrix percobaan I pada setiap iterasi
akurasi 65% dan nilai h=0.8
Confusion matrix percobaan I pada setiap iterasi
akurasi 62% dan nilai h=0.9
Confusion matrix percobaan I pada setiap iterasi
akurasi 60% dan nilai h=1
Confusion matrix percobaan II pada setiap iterasi
akurasi 91% dan nilai h=0.1
Confusion matrix percobaan II pada setiap iterasi
akurasi 89% dan nilai h=0.2
Confusion matrix percobaan II pada setiap iterasi
akurasi 82% dan nilai h=0.3
Confusion matrix percobaan II pada setiap iterasi
akurasi 76% dan nilai h=0.4
Confusion matrix percobaan II pada setiap iterasi
akurasi 77% dan nilai h=0.5
Confusion matrix percobaan II pada setiap iterasi
akurasi 71% dan nilai h=0.6
Confusion matrix percobaan II pada setiap iterasi
akurasi 68% dan nilai h=0.7
Confusion matrix percobaan II pada setiap iterasi
akurasi 65% dan nilai h=0.8
Confusion matrix percobaan II pada setiap iterasi
akurasi 62% dan nilai h=0.9
Confusion matrix percobaan II pada setiap iterasi
akurasi 60% dan nilai h=1
Pengukuran data Shorea sebelum normalisasi
Pengukuran data Shorea setelah normalisasi
Jenis daun Shorea
dengan rata-rata
23
dengan rata-rata
23
dengan rata-rata
23
dengan rata-rata
24
dengan rata-rata
24
dengan rata-rata
24
dengan rata-rata
25
dengan rata-rata
25
dengan rata-rata
25
dengan rata-rata
26
dengan rata-rata
26
dengan rata-rata
26
dengan rata-rata
27
dengan rata-rata
27
dengan rata-rata
27
dengan rata-rata
28
dengan rata-rata
28
dengan rata-rata
28
dengan rata-rata
29
dengan rata-rata
29
30
31
32
PENDAHULUAN
Latar Belakang
Keanekaragaman tanaman dapat dilihat melalui ciri-ciri tertentu, salah
satunya melalui bentuk daun, seperti: oval, waru (cordate), dan elips. Identifikasi
daun melalui pengamatan indra penglihatan secara langsung memiliki
keterbatasan karena subjektivitas tingkat pengetahuan manusia. Pengolahan citra
digital adalah salah satu bidang perkembangan teknologi digital dengan banyak
aplikasi yang terkait di bidang ilmu pengetahuan dan teknologi. Salah satu bidang
yang berkaitan dengan pengolahan citra adalah pengenalan pada jenis daun.
Shorea merupakan tumbuhan berkayu yang termasuk jenis meranti. Shorea
tergolong ke dalam keluarga Dipterocarpaceae yang memiliki 194 spesies yang
tumbuh di daerah tropis. Spesies tersebut menyebar secara alami mulai
Semenanjung Thailand dan Malaysia, Sumatera sampai Kalimantan Utara.
Dipterocarpaceae merupakan jenis yang sulit untuk diidentifikasi,
khususnya di daerah Kalimantan yang memiliki jenis terbanyak. Ketidakmampuan
untuk mengenal individu Dipterocarpaceae di hutan dapat mengakibatkan
terjadinya eksploitasi, khususnya meranti merah Shorea (Newman et al. 1999).
Jenis kayu Shorea yang memiliki nilai ekonomis yang tinggi juga menjadi
salah satu yang mengakibatkan terjadinya eksploitasi besar-besaran. Untuk
mencegah eksploitasi tersebut yang dapat disebabkan oleh kesalahan dalam
pemilihan kayu yang tidak tepat, akan dilakukan identifikasi terhadap jenis Shorea
tersebut melalui suatu sistem yang dapat mengidentifikasi jenis Shorea tersebut
dengan tepat.
Penentuan identifikasi pohon Shorea biasanya menggunakan batang, daun,
buah, dan bunga. Namun penelitian ini menggunakan daun sebagai bahan
identifikasi dikarenakan daun cenderung tersedia sebagai sumber pengamatan
sepanjang waktu. Bila menggunakan batang, batang pohon akan berubah warna
atau kedalaman alur sejalan dengan bertambahnya umur pohon. Wu et al. (2007)
melakukan penelitian identifikasi tanaman berdasarkan daun dengan akurasi lebih
dari 90%.
Penelitian ini menggunakan ekstraksi fitur berdasarkan ciri morfologi daun
pada citra daun Shorea, serta menggunakan PNN sebagai teknik klasifikasi pada
identifikasi daun Shorea dengan melakukan pelatihan dan pengujian data.
Penelitian sebelumnya dengan objek yang berbeda, Nurfadhilah (2011)
menggunakan PNN sebagai teknik identifikasi tumbuhan obat, menghasilkan
akurasi sebesar 74.67%, Nurjayanti (2011) menggunakan KNN sebagai teknik
identifikasi daun Shorea dan menghasilkan akurasi sebesar 84% (tanpa
normalisasi), dan 100% (dengan normalisasi). Hutabarat (2012) menggunakan
PNN sebagai teknik identifikasi daun Shorea menghasilkan akurasi sebesar 72%,
dan Puspitasari (2011) menggunakan arsitektur PNN dengan akurasi 90%.
2
Perumusan Masalah
Perumusan masalah yang ada pada penelitian ini dapat diuraikan sebagai
berikut:
1
Bagaimana menerapkan teknik ekstraksi fitur ciri morfologi daun untuk
identifikasi daun Shorea.
2
Bagaimana menerapkan pengklasifikasian PNN untuk permasalahan
identifikasi daun Shorea.
Tujuan Penelitian
Tujuan penelitian ini adalah menerapkan teknik ekstraksi fitur ciri morfologi
daun menggunakan teknik klasifikasi PNN untuk pengenalan citra daun Shorea.
Manfaat Penelitian
Manfaat dari penelitian ini adalah membantu mengidentifikasi jenis Shorea
berdasarkan citra daunnya sehingga memudahkan klasifikasi jenisnya.
Ruang Lingkup Penelitian
1
2
3
Ruang lingkup dalam penelitian ini adalah:
Data citra daun Shorea yang digunakan 10 spesies Shorea yang diambil dari
beberapa koleksi Kebun Raya Bogor. Masing-masing spesies memiliki 10
citra daun sehingga total data citra daun berjumlah 100 citra daun.
Metode yang digunakan sebagai klasifikasinya adalah metode Probabilistic
Neural Network.
Citra yang digunakan berukuran 273 × 364 piksel, dengan daun yang
dideteksi adalah daun hasil pemotretan dari depan (tampak depan).
TINJAUAN PUSTAKA
Shorea
Shorea adalah salah satu marga dari Dipterocarpaceae penghasil kayu
terbaik dalam dunia perindustrian. Tingginya permintaan memicu penebangan
yang melebihi kemampuan regenerasi hutan sehingga mengakibatkan eksploitasi
besar-besaran. Ukuran rata-rata pertumbuhan setiap meranti membutuhkan waktu
lebih dari 30 tahun untuk mendapatkan diameter 30 cm. Bila dibiarkan, meranti
akan terancam kepunahannya dari hutan alam produksi.
Shorea memiliki sekitar 194 jenis. Persebarannya meliputi 1 jenis di Jawa, 1
atau 2 jenis di Sulawesi, 3 jenis di Maluku, dan sisanya menyebar ke arah timur
sampai Maluku (Indonesia) dan tidak meluas ke Cina bagian selatan (Newman et
al. 1999). Pohon Shorea tumbuh dari batas permukaan laut sampai ketinggian
3
1750 m. Beberapa jenis Shorea yang berupa pohon penjulang di hutan hujan dari
kawasan Paparan Sunda, dapat tumbuh hingga ketinggian 500 m (Newman et al.
1999).
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 silindris. Tangkai daun berukuran sekitar 0.5-2.5 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).
Gambar 1 Shorea
Penelitian ini menggunakan 10 jenis Shorea, yaitu:
Shorea javanica
Shorea javanica termasuk ke dalam meranti putih. Tangkai daun panjang
berukuran 1.4–2.4 cm, kadang-kadang lokos, dengan pertulangan sekunder 19-25.
Daun lonjong, jorong atau bundar telur, 6.5-15 × 3.5-8 cm. Bila mengering, daun
bagian atas berwarna lebih tua daripada permukaan daun bagian bawah.
Permukaan daun bagian atas bila mengering berwarna coklat kelabu dan pada
bagian bawah berwarna coklat kekuning-kuningan (Gambar 2).
Gambar 2 Daun Shorea javanica
Shorea johorensis
Shorea johorensis merupakan jenis meranti merah. Pohon dan banirnya
besar. Batang merekah atau bersisik, pada umumnya berdamar. Kulit luar tebal,
kulit dalam juga tebal, berurat-urat, warnanya merah atau kemerah-merahan, dan
isi kayu berwarna merah. Tata letak daun berseling, komposisi daun tunggal, dan
tangkai daun pendek. Ciri khas daun adalah berlubang-lubang di waktu kering
4
atau berwarna coklat kekuningan, dan apabila diremas akan hancur. Ujung daun
meruncing, pangkal daun bulat, tulang daun menyirip, bentuk daun oblong, dan
tepi daun rata (Gambar 3).
Gambar 3 Daun Shorea johorensis
Shorea macroptera
Shorea macroptera merupakan jenis meranti merah. Pohon besar dan
berbanir besar. Batang merekah atau bersisik, pada umumnya berdamar. Kulit luar
tebal, kulit dalam juga tebal, berurat-urat, warnanya merah atau kemerah-merahan,
dan isi kayu berwarna merah (Gambar 4).
Gambar 4 Daun Shorea macroptera
Shorea materialis
Shorea materialis merupakan jenis meranti balau. Jenis meranti ini
menghasilkan kayu yang keras dan berat, cocok untuk konstruksi bangunan
seperti jembatan, bantalan rel kereta api, dermaga, perahu, dan konstruksi di
daerah pertambangan (Gambar 5).
Gambar 5 Daun Shorea materialis
Shorea lepida
Shorea lepida memiliki ciri-ciri utama pohon dewasa memiliki daun agak
tipis, lonjong, dan runcing. Permukaan atas daun bila mengering coklat agak
5
lembayung, coklat kuning pada tulang daun, dan coklat pudar pada permukaan
bawah daun (Gambar 6).
Gambar 6 Daun Shorea lepida
Shorea leprosula
Shorea leprosula termasuk dalam kelompok meranti merah. Perawakan
pohon besar, dapat mencapai tinggi 60 m, bebas cabang 35 m dengan diameter 1
m. Kulit coklat keabu-abuan. Daun lonjong sampai bulat telur, panjang 8-14 cm,
dan lebar 3.5-4.5 cm. Permukaan daun bagian bawah bersisik seperti krim, dan
urat daun tersier rapat seperti tangga (Gambar 7).
Gambar 7 Daun Shorea leprosula
Shorea palembanica
Shorea palembanica termasuk dalam meranti merah. Perawakan pohon
kecil dan adakalanya sampai sangat besar mencapai 130 cm, batang sering
berbonggol, dan terpilin. Tajuk besar, rapat, hijau tua, dan permukaan pepagan
coklat kelabu tua (Gambar 8).
Gambar 8 Daun Shorea palembanica
6
Shorea pinanga
Shorea pinanga adalah marga Dipterocarpaceae, sub klas Dikotiledon dan
kelas Angiospermae. Shorea pinanga ini tumbuh alami di Kalimantan, pada
ketinggian kurang dari 500 m di atas permukaan laut. Pohon Shorea pinanga
dapat mencapai tinggi sekitar 30 m dengan diameter sampai 100 cm. Tajuk terdiri
atas cabang-cabang yang panjang, menggantung, dan mempunyai daun muda
yang berwarna kemerah-merahan. Daun berukuran 11-24 × 4-9 cm, bentuk tajuk
melebar, dan tidak berbanir (Gambar 9).
Gambar 9 Daun Shorea pinanga
Shorea platyclados
Shorea platyclados termasuk dalam kelompok meranti merah. Perawakan
pohon sangat besar demgan batang tidak bercabang hingga tinggi sekali. Daun
berukuran panjang 6.1-13.1 cm dengan lebar 2.2-4 cm, ujung daun lancip, dan
pangkal daun membundar. Permukaan atas daun bila mengering berwarna coklat,
dan bila diraba licin. Pertulangan sekunder berjumlah 12-25 pasang (Gambar 10).
Gambar 10 Daun Shorea platyclados
Shorea seminis
Shorea seminis termasuk dalam kelompok balau atau selangan batu. Tinggi
pohon dapat mencapai 60 m. Daun berukuran panjang 9-18 cm dengan lebar 2.5-8
cm, ujung daun berbentuk lancip panjang, dan pangkal daun berbentuk pasak atau
membundar. Permukaan atas dan bawah daun bila mengering berwarna coklat
kelabu atau coklat kuning. Pertulangan sekunder berjumlah 9-17 pasang (Gambar
11).
Gambar 11 Daun Shorea seminis
7
Daun
Daun adalah organ fotosintesis utama bagi tumbuhan, meskipun batang
yang berwarna hijau juga melakukan fotosintesis. Bentuk daun sangat bervariasi,
namun pada umumnya terdiri dari suatu helai daun (blade) dan tangkai daun
(petiola) yang menghubungkan daun dengan batang. Hickey et al. (1999) telah
mendeskripsikan ciri morfologi daun yang cukup rinci, khususnya untuk
morfologi daun kelas Dicotyledonae. Ciri morfologi daun itu antara lain bangun
daun (helai daun, ujung daun, dan pangkal daun), tepi daun, tekstur daun, letak
kelenjar, tangkai daun, tekstur daun, tepi pertulangan, dan pengelompokan urat
daun.
Morfologi Daun
Wu et al. (2007) telah mendeskripsikan ekstraksi ciri morfologi. Ciri
tersebut dibedakan menjadi dua, yaitu ciri dasar dan ciri turunan. Ciri dasar daun
di antaranya diameter, panjang fisik, lebar fisik, area, dan perimeter daun.
Diameter merupakan titik terjauh di antara dua titik dari batas daun. Panjang fisik
merupakan jarak dua titik pangkal daun. Lebar fisik dihitung berdasarkan panjang
garis terpanjang yang memotong garis panjang fisik secara ortogonal. Area
dihitung berdasarkan jumlah piksel yang berada di dalam tepi daun, sedangkan
perimeter merupakan jumlah piksel yang berada pada tepi daun.
Dari lima ciri dasar tersebut, didapatkan dua belas ciri morfologi turunan.
Nilai ciri turunan dapat dihitung dari rasio di antara ciri dasar daun. Ciri turunan
dari morfologi daun di antaranya smooth factor, aspect ratio, form factor,
rectangularity, narrow factor, rasio perimeter dan diameter, rasio perimeter
dengan panjang, dan lebar daun.
Ciri turunan daun ada tujuh, yaitu:
1
Smooth factor adalah rasio antara area dari citra helai daun yang dilakukan
smoothing dengan 5 × 5 rectangular averaging filter, dan area dari citra
helai daun yang dilakukan smoothing dengan 2 × 2 rectangular averaging
filter. Ciri ini untuk mengukur kehalusan suatu permukaan daun. Semakin
halus suatu permukaan daun, maka nilainya semakin mendekati 1.
Sebaliknya semakin kasar permukaan daun, nilainya semakin mendekati 0.
Persamaannya dapat dilihat pada rumus di bawah ini:
Smooth factor =
2
A[55]
A[22]
Aspect ratio adalah rasio antara physiological length (Lp) dan physiological
width (Wp). Persamaannya dapat dilihat pada rumus di bawah ini:
��
��
Lp = panjang daun
Wp = lebar daun
8
Ciri ini untuk memperkirakan bentuk helai daun. Jika benilai kurang
dari 1, bentuk helai daun tersebut melebar. Jika benilai lebih dari 1, bentuk
helai daun tersebut memanjang. Ilustrasinya dapat dilihat pada Gambar 12.
Pw
w
P
Pl
l
Gambar 12 Aspect ratio
3
Form factor digunakan untuk mendeskripsikan bentuk dari daun dan
mengetahui seberapa bundar bentuk helai daun tersebut. Nilai form factor
dapat dilihat pada rumus di bawah ini:
4��
�2
A = luas daun
p = keliling daun
4
Rectangularity mendeskripsikan seberapa perseginya permukaan daun.
Rumusnya adalah:
����
�
A = luas daun
Wp = lebar daun
Lp = panjang daun
5
Narrow factor adalah rasio antara diameter (D) dan physiological length. Ciri
ini untuk menentukan apakah bentuk helai daun tersebut tergolong simetri
atau asimetri. Jika helai daun tersebut tergolong simetri, narrow factor
bernilai 1. Jika asimetri, narrow factor bernilai lebih dari 1. Nilainya dapat
dicari menggunakan rumus di bawah ini:
�
��
D = diameter daun
Lp = panjang daun
6
Perimeter ratio of diameter. Ciri ini untuk mengukur seberapa lonjong daun
tersebut. Persamaannya dapat dilihat pada rumus di bawah ini:
9
�
�
D = diameter daun
P = keliling daun
7
Perimeter ratio of physiological length and physiological width. Rumusnya
adalah:
�
�� + ��
P = keliling daun
Wp = lebar daun
Lp = panjang daun
Deteksi Tepi
Tepi (edge) adalah perubahan nilai intensitas derajat keabuan yang
mendadak besar dalam jarak yang dekat. Suatu titik (x,y) dikatakan sebagai tepi
bila titik tersebut mempunyai perbedaan nilai piksel yang tinggi dengan nilai
piksel tetangganya (Gonzales 2002).
Operator sobel
Misal, suatu pengaturan piksel di sekitar piksel (x,y):
Operator sobel adalah magnitude dari gradien yang dihitung dengan:
Turunan parsial dihitung dengan:
Dengan konstanta c adalah 2, dalam bentuk kedok (mask),
dinyatakan sebagai:
Arah tepi dihitung dengan persamaan:
dan
dapat
10
K-Fold Cross Validation
K-fold cross validation merupakan metode dalam memperkirakan
generalisasi error berdasarkan resampling (Weiss dan Kulikowski 1991 diacu
dalam Sarle 2004). Metode k-fold cross validation membagi sebuah himpunan
contoh secara acak menjadi k-subset yang saling bebas. Dilakukan pengulangan
sebanyak k-kali untuk pelatihan dan pengujian. Pada setiap ulangan, disisakan
satu subset untuk pengujian dan subset lainnya untuk pelatihan. Tingkat akurasi
dihitung dengan membagi jumlah keseluruhan klasifikasi yang benar dengan
jumlah semua instance pada data awal.
Normalisasi
Normalisasi terhadap data penelitian dilakukan untuk meningkatkan hasil
identifikasi. Salah satu teknik yang dapat digunakan untuk menormalisasi data
adalah metode standar deviasi. Normalisasi menggunakan standar deviasi
dilakukan untuk mengukur jarak, dengan mentransformasi data asli ke dalam
bentuk lain.
v’(i) = (v(i) – mean(v)) / sd(v)
Untuk vektor ciri v, dimana nilai rata-rata vektor adalah mean(v) dan standar
deviasi adalah sd(v) dihitung untuk semua sampel data, dan untuk ciri ke-i
ditransformasikan menggunakan persamaan (Kantarzic 2003).
Probabilistic Neural Network
PNN merupakan Artificial Neural Network (ANN) yang menggunakan
teorema probabilitas klasik. PNN diperkenalkan oleh Specht (1990). PNN
menggunakan pelatihan (training) supervised. Keuntungan utama menggunakan
arsitektur PNN adalah training data PNN mudah dan cepat (Wu et al. 2007).
11
Vektor input sebanyak P dimensi
Neuron
A1
Neuron
A2
X1
fA(X)
Neuron
An
X2
Ambil
yang
maksimu
m
Neuron
B1
Xp
fB(X)
Neuron
B2
Neuron
Bm
Lapisan Masukan
Lapisan
Penjumlahan
Lapisan Pola
Lapisan Keluaran
Gambar 13 Probabilistic Neural Network
Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola,
lapisan penjumlahan, dan lapisan keputusan/keluaran. Struktur PNN ditunjukkan
pada Gambar 13. Lapisan-lapisan yang menyusun PNN adalah sebagai berikut:
1
2
Lapisan input (input layer)
Lapisan masukan merupakan input x yang terdiri atas k nilai yang akan
diklasifikasikan pada salah satu kelas dari n kelas.
Lapisan pola (pattern layer)
Pada lapisan pola dilakukan perkalian titik (dot product) antara input x
dengan vektor bobot , , yaitu = . . kemudian dibagi dengan bias
tertentu σ dan selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu
�
� = exp
(−�) . Dengan demikian, persamaan yang digunakan
pada lapisan pola adalah sebagai berikut:
�
3
= exp −
−
2� 2
−
dengan
menyatakan vektor bobot atau vektor latih kelas ke-i urutan ke-j.
Lapisan penjumlahan (summation layer)
Pada lapisan penjumlahan setiap pola pada masing-masing kelas
dijumlahkan sehingga dihasilkan population density function untuk setiap
kelas. Persamaan yang digunakan pada lapisan ini adalah:
�( ) =
1
2� 2 �
=1
exp −
−
T = transpose
i = jumlah kelas
j = jumlah pola
2� 2
−
12
ij
4
= vektor pelatihan baris ke-i kolom ke-j
= vektor pengujian
t = jumlah vektor pelatihan kelas
k = dimensi vektor x atau fitur
σ = faktor penghalus (standar deviasi)
Lapisan keluaran (output layer)
Pada lapisan keluaran input x akan diklasifikasikan ke kelas 1 jika nilai
paling besar dibandingkan kelas lainnya.
��
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. 2005).
Contoh confusion matrix dapat dilihat pada Tabel 1.
Tabel 1 Confusion matrix
Prediksi
Data
Kelas 1
Kelas 2
Aktual
Kelas 1
a
c
Kelas 2
b
d
Jumlah baris dan kolom pada tabel bergantung pada banyaknya kelas target.
Akurasi merupakan proporsi yang tepat. Contoh perhitungan akurasi untuk tabel
tersebut adalah:
Akurasi =
=
Jumlah prediksi yang tepat
total prediksi
a+d
a+b+c+d
Keterangan:
a adalah jumlah contoh Kelas 1 yang berhasil diprediksi dengan benar
sebagai Kelas 1,
b adalah jumlah contoh Kelas 1 yang tidak berhasil diprediksi dengan benar
sebagai Kelas 1,
c adalah jumlah contoh Kelas 2 yang berhasil diprediksi dengan benar
sebagai Kelas 2,
d adalah jumlah contoh Kelas 2 yang tidak berhasil diprediksi dengan benar
sebagai kelas 2.
METODE
Tahapan penelitian ini dilakukan dalam beberapa tahap. Diagram alir sistem
dapat dilihat pada Gambar 14.
13
Mulai
Pengumpulan Citra Daun
Praproses
Ekstrasi Fitur
Data Latih
Data Uji
Identifikasi
Model PNN
PNN
Evaluasi
Selesai
Gambar 14 Metodologi penelitian
Pengumpulan Citra Daun
Pada proses pengumpulan citra daun dilakukan dengan mengambil sejumlah
citra daun secara langsung dengan menggunakan kamera digital. Citra Shorea
yang digunakan dalam penelitian ini diambil pada siang hari di dalam ruangan.
Citra daun tersebut diberikan latar belakang kertas putih untuk dijadikan citra
percobaan baik untuk pelatihan atau pun pengujian. Shorea yang digunakan
sebanyak 10 spesies berformat JPG. Satu spesies diwakili dengan 10 citra,
sehingga total citra ada sebanyak 100 citra. Citra yang digunakan berukuran
273 × 364 piksel. Sampel citra daun Shorea diambil dari Kebun Raya Bogor.
Jenis Shorea yang digunakan pada penelitian ini dapat dilihat pada Tabel 2.
Tabel 2 Kelas Shorea yang digunakan
Kelas Shorea
Shorea javanica koord val
Shorea johorensis foxwf
Shorea lepida blume
Shorea leprosula miq
Shorea macroptera
Shorea materialis ridley
Shorea palembanica
Shorea pinanga sp
Shorea platyclados
Shorea seminis
Kode
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
14
Pengambilan daun Shorea dilakukan selama satu bulan dengan cara
memilah-milah daun Shorea yang kualitas daunnya terlihat baik dalam hal bentuk
daun utuh, dan struktur daun jelas.
Praproses Data
Pada penelitian ini sebelum dilakukan praproses, citra yang digunakan
diubah terlebih dahulu arah daunnya menjadi searah. Citra daun merupakan citra
RGB dengan latar belakang putih menggunakan software Adobe Photoshop 8.
Selanjutnya citra yang dibaca adalah citra RGB sehingga perlu diubah ke dalam
citra keabuan (grayscale). Pengubahan citra RGB menjadi citra keabuan pada
Matlab R2008b menggunakan perintah: gry=rgb2gray(rgb);. Ilustrasi alur
praproses citra dapat dilihat di Gambar 15.
Gambar 15 Alur praproses citra
Pada tahapan praproses grayscale, ubah warna citra yang semulanya RGB
menjadi grayscale. Grayscale berguna untuk ekstraksi citra dan dapat
menyederhanakan model citra agar nilai yang dihasilkan tidak beragam.
Masukan untuk ekstraksi morfologi dan bentuk adalah citra biner dengan
threshold tertentu. Nilai threshold merupakan suatu nilai yang memisahkan piksel
yang merupakan objek dan piksel yang merupakan latar belakang citra. Ilustrasi
citra masukan untuk ekstraksi morfologi dapat dilihat di Gambar 16.
Gambar 16 Citra masukan untuk ekstraksi fitur morfologi
Ekstraksi Ciri Morfologi
Ciri morfologi terdiri atas dua ciri, yaitu ciri dasar dan turunan. Tahap awal
ekstraksi adalah mendapatkan ciri-ciri morfologi dasar dari citra helai daun. Ciri
dasar yang digunakan pada penelitian ini adalah diameter, area, dan perimeter atau
keliling daun. Tiga ciri dasar tersebut dapat dikombinasikan sehingga
mendapatkan empat ciri turunan di antaranya smooth factor, form factor, rasio
perimeter dan diameter, serta rasio panjang dan lebar daun. Informasi ciri ini
direpresentasikan sebagai sebuah vektor dengan tujuh elemen.
15
Data Latih dan Data Uji
Data citra daun Shorea dibagi menjadi 2 bagian, yaitu data latih dan data uji.
Penelitian ini menggunakan 10 citra daun Shorea untuk masing-masing 10 spesies.
Data 10 citra daun tersebut akan diambil 8 citra untuk data latih dan 2 citra untuk
data uji. Pada pembagian data menggunakan k-fold cross validation. Berdasarkan
jumlah data, terdapat 10 citra untuk setiap jenis, maka dibuat 5-fold cross
validation. Pada kombinasi ini data dibagi menjadi 5 subset (S1, S2, S3, S4, S5).
Pada fold pertama, subset S1, S2, S3 dan S4 akan digunakan sebagai data latih
sedangkan subset S5 akan digunakan sebagai data uji. Bentuk 5-fold cross
validation dapat dilihat pada Tabel 3.
Tabel 3 Kombinasi data latih dan data uji
Fold
Fold I
Fold II
Fold III
Fold IV
Fold V
Pelatihan
S1, S2, S3, S4
S1, S2, S3, S5
S1, S2, S5, S4
S1, S5, S4, S3
S5, S4, S3, S2
Pengujian
S5
S4
S3
S2
S1
Model PNN
Arsitektur PNN memiliki bagian lapisan masukan, pola, penjumlahan, dan
keluaran. Pada penelitian ini, masukan berupa masing-masing hasil ekstraksi ciri
morfologi citra daun. Dalam penelitian ini akan dicobakan dua jenis kombinasi
input. Kedua kombinasi input dapat dilihat pada Tabel 4.
Tabel 4 Kombinasi input pada model PNN
Percobaan
Kombinasi Input
I
Hasil praproses tanpa normalisasi ekstrasi fitur ciri
morfologi dengan 7 parameternya, yaitu area,
perimeter, diameter, smooth factor, form factor,
parameter ratio of diameter, dan perimeter ratio of
physiological length and physiological width.
II
Hasil praproses normalisasi ekstrasi fitur ciri morfologi
dengan 7 parameternya, yaitu area, perimeter, diameter,
smooth factor, form factor, parameter ratio of diameter,
dan perimeter ratio of physiological length and
physiological width.
Lapisan output memiliki 10 target kelas sesuai dengan jumlah jenis daun.
Untuk lapisan pola hanya akan digunakan satu model PNN yaitu dengan nilai bias
(σ) tetap.
16
Perhitungan Akurasi
Pengujian data dilakukan oleh sistem yaitu dengan melihat hasil penelitian
terhadap citra kueri atau citra uji berdasarkan 5-fold cross validation. Hasil
penelitian ini diukur dengan menggunakan tingkat akurasi dari data citra yang
diuji dan diamati. Persamaan akurasi didefinisikan sebagai berikut :
Akurasi =
data uji benar diklasifikasikan
x 100%
data uji
Evaluasi
Evaluasi dilakukan dengan melakukan pengelompokan data yang telah
dilakukan pengujian berdasarkan spesies menggunakan tabel confusion matrix.
Evaluasi dibuat dalam bentuk grafik agar dapat mudah dilihat dan dianalisis
seberapa besar akurasi pada identifikasi daun Shorea.
Lingkungan Pengembangan
Sistem ini dikembangkan dan diimplementasikan dengan menggunakan
perangkat keras dan perangkat lunak sebagai berikut :
1 Perangkat Keras:
AMD E-350 1.6 GHz
Memori 2 GB
Harddisk kapasitas 320 GB
2 Perangkat Lunak:
Windows 7 Home Premium 32 bit sebagai sistem operasi
Matlab 7.7 (R2008b)
HASIL DAN PEMBAHASAN
Pada penelitian ini digunakan 10 spesies daun Shorea, yaitu Shorea
javanica, Shorea johorensis, Shorea lepida, Shorea leprosula, Shorea macroptera,
Shorea materialis, Shorea palembanica, Shorea pinanga, Shorea platyclados, dan
Shorea seminis. Masing-masing 10 jenis Shorea tersebut memiliki 10 data citra.
Data latih sebanyak 8 citra, dan 2 citra data uji untuk masing-masing 10 spesies.
Sehingga total data latih sebanyak 80 citra, dan 20 citra sebagai data uji.
Pembagian data akan dibagi menjadi kelompok data menggunakan 5-fold cross
validation. Fold tersebut untuk memudahkan proses pengenalan citra.
17
Ekstraksi Ciri Morfologi
Ekstraksi ciri morfologi membutuhkan citra biner sebagai masukan. Jumlah
nilai ciri morfologi yang diekstraksi berjumlah tujuh. Tujuh nilai ciri morfologi
yang digunakan adalah area, diameter, perimeter, smooth factor, form factor, rasio
perimeter dan diameter, serta rasio panjang dan lebar daun. Nilai-nilai ciri dasar
dan turunan daun direpresentasikan seperti yang terlihat pada Gambar 17 dan
ilustrasi mengenai contoh nilai morfologi ada di Gambar 18.
Gambar 17 Contoh hasil ekstraksi morfologi
(a)
(b)
(c)
(d)
Gambar 18 (a) Area, (b) Perimeter, (c) Diameter, (d) P rasio of D
Percobaan I : Menggunakan 7 parameter (area, perimeter, diameter, smooth
factor, form factor, perimeter ratio of diameter, dan perimeter ratio of
physiological length and physiological width) tanpa normalisasi
Percobaan ini melibatkan data citra 10 jenis Shorea yang telah di akuisisi,
dilakukan tahapan praproses tanpa normalisasi dan dilakukan ekstraksi fitur ciri
morfologi. Pada percobaan ini digunakan 80 record sebagai data latih yang berisi
subset 1, 2, 3, dan 4. Subset 5 yang berisi 20 record dijadikan data uji. Percobaan
terus dilakukan sehingga setiap subset pernah menjadi data uji, dan dilakukan 5
kali iterasi berdasarkan subset pada k-fold cross validation dengan 10 buah nilai
bias (h=0.1 sampai h=1). Hasil akurasi untuk masing-masing iterasi dapat dilihat
pada Tabel 5.
18
Tabel 5 Hasil akurasi percobaan I dalam (%)
Fold
I
II
III
IV
V
Rata-rata
0.1
100
100
100
100
100
100
0.2
95
100
95
100
100
98
0.3
95
100
95
85
85
92
0.4
70
95
90
85
75
83
Nilai bias (h)
0.5
0.6
80
80
60
55
85
80
85
70
75
70
77
71
0.7
75
65
70
70
60
68
0.8
70
65
65
70
55
65
0.9
70
60
65
60
55
62
1
70
55
65
60
50
60
Keterangan :
Akurasi rata-rata maksimum
Pada percobaan tersebut didapatkan rata-rata akurasi tertinggi yaitu sebesar
100% dengan nilai (h=0.1), namun pada nilai (h=0.9 dan h=1) akurasi menjadi
sangat menurun. Rata-rata akurasi pada setiap iterasi dapat dilihat pada Gambar
19.
Akurasi (%)
100
80
60
40
20
0
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Nilai h
1
Gambar 19 Grafik akurasi percobaan I
Berdasarkan grafik di atas, rata-rata akurasi tertinggi diperoleh pada nilai
(h=0.1). Semakin meningkatnya nilai bias (h), rata-rata akurasi menjadi menurun.
Pada nilai bias (h=0.1 dan h=0.2) menghasilkan rata-rata akurasi tertinggi sebesar
100% dan 98%. Pada percobaan I dengan nilai bias (h=0.1), tidak ada confusion
matrix dikarenakan nilai akurasi pada setiap iterasi sebesar 100%.
Percobaan II : Menggunakan 7 parameter (area, perimeter, diameter,
smooth factor, form factor, perimeter ratio of diameter, dan perimeter ratio of
physiological length and physiological width) dengan normalisasi
Pada percobaan ini sama seperti percobaan I, hanya saja menggunakan 7
parameter dengan normalisasi. Percobaan ini tetap melibatkan data citra 10 jenis
Shorea yang dilakukan tahapan praproses normalisasi ekstraksi fitur ciri
morfologi.
Pada percobaan ini tetap digunakan 80 record sebagai data latih yang berisi
subset 1, 2, 3, dan 4. Subset 5 yang berisi 20 record dijadikan data uji yang akan
dilakukan 5 kali iterasi berdasarkan subset pada 5-fold cross validation dengan
19
nilai bias (h) yang sama seperti percobaan I. Hasil akurasi untuk masing-masing
iterasi dapat dilihat pada Tabel 6.
Tabel 6 Hasil akurasi percobaan II dalam (%)
Fold
I
II
III
IV
V
Rata-rata
0.1
100
55
100
100
100
91
0.2
95
55
95
100
100
89
0.3
90
55
95
85
85
82
0.4
80
55
85
85
75
76
Nilai bias (h)
0.5
0.6
80
80
60
55
85
80
85
70
75
70
77
71
0.7
75
65
70
70
60
68
0.8
70
65
65
70
55
65
0.9
70
60
65
60
55
62
1
70
55
65
60
50
60
Keterangan :
Akurasi rata-rata maksimum
Pada percobaan tersebut didapatkan rata-rata akurasi tertinggi yaitu sebesar
91% dengan nilai (h=0.1), dimana nilai rata-rata akurasi menurun pada setiap nilai
bias (h) jika dibandingkan percobaan pertama. Rata-rata akurasi pada setiap iterasi
dapat dilihat pada Gambar 20.
Akurasi (%)
100
80
60
40
20
0
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
1
Nilai h
Gambar 20 Grafik akurasi percobaan II
Berdasarkan grafik di atas, rata-rata akurasi tertinggi diperoleh pada nilai
(h=0.1). Semakin meningkatnya nilai bias (h), rata-rata akurasi menjadi menurun.
Pada nilai bias (h=0.1 dan h=0.2) menghasilkan rata-rata akurasi tertinggi sebesar
91% dan 89%.
Record yang salah diklasifikasikan pada percobaan dengan nilai bias
(h=0.1) dapat dilihat pada Confusion matrix Tabel 7.
20
Tabel 7 Confusion matrix pada percobaan II dengan nilai h=0.1
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
10
0
0
0
0
0
0
0
0
0
JOH
0
9
0
0
0
0
0
0
0
0
LED
0
0
9
0
0
0
0
0
0
0
LPR
0
0
0
8
0
1
0
0
0
0
Kelas Prediksi
MAC MAT
0
0
0
0
0
0
0
0
0
9
1
8
0
0
0
0
0
0
0
0
PAL
0
0
0
2
0
0
10
0
0
1
PIN
0
1
0
0
1
0
0
10
0
0
PLA
0
0
0
0
0
0
0
0
9
0
SEM
0
0
1
0
0
0
0
0
1
9
Berdasarkan Tabel 7 di atas, pada percobaan dengan nilai h=0.1, dari 10
kelas yang ada, hanya 3 kelas yang benar diklasifikasikan, yaitu kelas 1 (Shorea
javanica), kelas 7 (Shorea palembanica), dan kelas 8 (Shorea pinanga). Sebanyak
7 kelas yang salah diklasifikasikan, yaitu kelas 2 (Shorea johorensis), kelas 3
(Shorea lepida), kelas 4 (Shorea leprosula), kelas 5 (Shorea macroptera), kelas 6
(Shorea materialis), kelas 9 (Shorea platyclados), dan kelas 10 (Shorea seminis).
hal ini disebabkan kemiripan ciri morfologi daun berupa parameter area, dan
kesamaan ukuran bentuk.
Perbandingan Percobaan I dan Percobaan II
Percobaan I dan percobaan II menghasilkan rata-rata tingkat akurasi yang
berbeda untuk seluruh jenis Shorea yang diidentifikasi. Perbandingan tingkat
akurasi yang dihasilkan pada setiap percobaan dapat dilihat pada Gambar 21.
100
90
Akurasi (%)
80
70
60
50
40
30
20
10
0
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Percobaan I
1
Percobaan II
Nilai h
Gambar 21 Grafik perbandingan akurasi percobaan I dan percobaan II
21
SIMPULAN DAN SARAN
Simpulan
Berdasarkan penelitian yang telah dilakukan, dapat diambil kesimpulan
bahwa penggunaan klasifikasi PNN dapat melakukan pengidentifikasi jenis
Shorea, walaupun masih terdapat salah dalam pengidentifikasian. Akurasi
pengenalan citra daun Shorea dengan menggunakan PNN sebagai classifier
dengan k=5 nilai bias (h=0.1) menghasilkan rata-rata akurasi terbesar 100% pada
percobaan I, sedangkan pada percobaan II rata-rata akurasi terbesar 91% dimana
praproses normalisasi pada ekstraksi fitur berpengaruh terhadap akurasi. Jenis
Shorea yang selalu tepat diidentifikasikan dengan benar pada percobaan I dan II
menggunakan seluruh fitur adalah Shorea javanica, Shorea palembanica, dan
Shorea pinanga.
Saran
Penelitian ini masih memiliki beberapa kekurangan yang dapat diperbaiki
pada penelitian selanjutnya. Beberapa saran itu di antaranya dengan
menambahkan jumlah data untuk setiap jenis Shorea agar data yang digunakan
lebih bervariasi. Menggunakan teknik klasifikasi dan fitur yang lain untuk
mengetahui tingkat akurasi.
DAFTAR PUSTAKA
Gonzalez RC, Woods RE. 2002. Digital Image Processing. 2nd Edition. New
Jersey (US) : Prentice Hall.
Hickey LJ, Johnson KR, Wilf P, Wing SL. 1999. Manual of Leaf Architecture –
Morphological Description and Categorization of Dicotyledonous and NetVeined Monocotyledonous Angiosperms. Washington DC (US): Department of
Paleobiology Smithsonian Institution.
Hutabarat YP. 2012. Identifikasi jenis Shorea berdasarkan morfologi daun
menggunakan probabilistic neural network [skripsi]. Bogor (ID): Fakultas
Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Kantardzic M. 2003. Data Mining, Concepts, Methods and Algorithm. New
Jersey: IEEE.
Newman MF, Burgess PF, Whitmore TC. 1999. Pedoman Identifikasi Pohonpohon Dipterocarpaceae Jawa sampai Nugini. Bogor (ID): Prosea Indonesia.
Nurfadhilah E. 2011. Identifikasi tumbuhan obat menggunakan fitur citra
morfologi, tekstur, dan bentuk dengan klasifikasi probabilistic neural network
[skripsi]. Bogor (ID): Fakultas Matematika dan Ilmu Pengetahuan Alam,
Institut Pertanian Bogor.
Nurjayanti B. 2011. Identifikasi Shorea menggunakan k-nearest neighbour
berdasarkan karateristik morfologi daun [skripsi]. Bogor (ID): Fakultas
Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
22
Puspitasari D. 2011. Identifikasi jenis Shorea menggunakan jaringan syaraf tiruan
propagasi balik berdasarkan karakteristik morfologi daun [skripsi]. Bogor (ID):
Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Sarle W. 2004. What are cross validation and bootstrapping? [internet]. [diacu
pada 2012 Des 15]. Tersedia pada: http://www.faqs.org/ai-faq/neuralnets/part3/section-12.html.
Specht DF. 1990. Probabilistic Neural Networks and the Polynomial Adalines
Classification. IEEE Transactions on Neural Networks 1(3): 111-121.
Tan P, Steinbach M, Kumar V. 2005. Introduction to Data Mining. Boston:
Pearson Education, Inc.
Wu SG, Bao FS, Xu EY, Wang YX, Chang YF, Xiang QL. 2007. A Leaf
Recognition Algorithm for Plant Classification Using Probabilistic Neural
Network. In Signal Processing and Information Technology, 2007, China.1116.
Weiss SM, Kulikowski CA. 1991. Computer Systems That Learn. Massachusetts
(US): Morgan Kaufmann.
23
Lampiran 1 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 100% dan nilai h=0.1
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
10
0
0
0
0
0
0
0
0
0
JOH
0
10
0
0
0
0
0
0
0
0
LED
0
0
10
0
0
0
0
0
0
0
LPR
0
0
0
10
0
0
0
0
0
0
Kelas Prediksi
MAC MAT
0
0
0
0
0
0
0
0
0
10
0
10
0
0
0
0
0
0
0
0
PAL
0
0
0
0
0
0
10
0
0
0
PIN
0
0
0
0
0
0
0
10
0
0
PLA
0
0
0
0
0
0
0
0
10
0
SEM
0
0
0
0
0
0
0
0
0
10
Lampiran 2 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 98% dan nilai h=0.2
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
10
0
0
0
0
1
0
0
0
0
JOH
0
10
0
0
0
0
0
0
0
0
LED
0
0
10
0
0
0
0
0
0
0
LPR
0
0
0
10
0
0
0
0
0
0
Kelas Prediksi
MAC MAT
0
0
0
0
0
0
0
0
0
10
0
8
0
0
0
0
0
0
0
0
PAL
0
0
0
0
0
0
10
0
0
0
PIN
0
0
0
0
0
1
0
10
0
0
PLA
0
0
0
0
0
0
0
0
10
0
SEM
0
0
0
0
0
0
0
0
0
10
Lampiran 3 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 92% dan nilai h=0.3
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
9
0
0
1
1
2
0
0
0
0
JOH
0
10
0
0
1
0
0
0
0
0
LED
0
0
10
0
0
0
0
0
0
0
LPR
1
0
0
9
0
0
0
0
0
0
Kelas Prediksi
MAC MAT
0
0
0
0
0
0
0
0
0
8
0
6
0
0
0
0
0
0
0
0
PAL
0
0
0
0
0
0
10
0
0
0
PIN
0
0
0
0
0
2
0
10
0
0
PLA
0
0
0
0
0
0
0
0
10
0
SEM
0
0
0
0
0
0
0
0
0
10
24
Lampiran 4 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 83% dan nilai h=0.4
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
10
0
1
2
1
2
0
0
0
0
JOH
0
9
0
0
2
0
0
0
0
0
LED
0
0
9
1
0
0
0
0
0
0
LPR
0
0
0
6
1
0
0
0
0
0
Kelas Prediksi
MAC MAT
0
0
0
0
0
0
1
0
1
5
1
4
0
0
0
0
0
0
0
0
PAL
0
0
0
0
0
0
10
0
0
0
PIN
0
1
0
0
0
3
0
10
0
0
PLA
0
0
0
0
0
0
0
0
10
0
SEM
0
0
0
0
0
0
0
0
0
10
Lampiran 5 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 77% dan nilai h=0.5
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
9
0
1
1
1
2
0
0
0
0
JOH
0
9
0
1
2
0
0
0
0
0
LED
0
0
8
0
0
0
0
0
0
0
LPR
1
0
0
7
2
1
0
0
0
0
Kelas Prediksi
MAC MAT
0
0
0
0
0
0
1
0
0
4
2
2
0
0
0
0
0
0
0
0
PAL
0
0
0
0
0
0
9
0
0
0
PIN
0
1
0
0
1
3
0
10
0
0
PLA
0
0
0
0
0
0
1
0
9
0
SEM
0
0
1
0
0
0
0
0
1
10
Lampiran 6 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 71% dan nilai h=0.6
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
8
0
1
2
1
2
0
0
0
0
JOH
0
9
0
1
2
0
0
0
0
0
LED
0
0
8
0
0
0
0
0
0
0
LPR
1
0
0
5
3
1
1
0
0
0
Kelas Prediksi
MAC MAT
0
1
0
0
0
0
1
0
0
4
2
2
0
0
0
0
0
0
0
0
PAL
0
0
0
0
0
0
6
0
0
0
PIN
0
1
0
1
0
3
0
10
0
0
PLA
0
0
0
0
0
0
2
0
9
0
SEM
0
0
1
0
0
0
1
0
1
10
25
Lampiran 7 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 68% dan nilai h=0.7
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
8
0
1
2
1
3
0
0
0
0
JOH
0
9
0
1
2
0
0
0
0
0
LED
0
0
8
0
0
0
0
0
0
1
LPR
1
0
0
4
2
2
1
1
0
0
Kelas Prediksi
MAC MAT
0
1
0
0
0
0
0
0
0
4
0
1
0
0
0
0
0
0
0
0
PAL
0
0
0
0
0
0
6
0
0
0
PIN
0
1
0
3
1
4
0
9
0
0
PLA
0
0
0
0
0
0
2
0
10
0
SEM
0
0
1
0
0
0
1
0
0
9
Lampiran 8 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 65% dan nilai h=0.8
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
9
0
1
2
1
3
0
0
0
0
JOH
0
9
0
1
2
0
0
0
0
0
LED
0
0
8
0
0
0
0
0
0
1
LPR
0
0
0
3
3
2
1
1
0
0
Kelas Prediksi
MAC MAT
0
1
0
0
0
0
0
0
0
3
0
1
0
0
0
0
0
0
0
1
PAL
0
0
0
0
0
0
6
0
0
1
PIN
0
1
0
4
1
4
0
9
0
0
PLA
0
0
0
0
0
0
2
0
10
0
SEM
0
0
1
0
0
0
1
0
0
7
Lampiran 9 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 62% dan nilai h=0.9
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
9
0
1
2
2
3
0
0
0
0
JOH
0
9
0
1
2
0
0
0
0
0
LED
0
0
8
0
0
0
0
0
0
1
LPR
0
0
0
3
4
2
1
1
0
0
Kelas Prediksi
MAC MAT
0
1
0
0
0
0
0
0
0
1
0
1
0
0
0
0
0
0
0
1
PAL
0
0
0
0
0
0
6
0
0
2
PIN
0
1
0
4
1
4
0
9
0
0
PLA
0
0
0
0
0
0
2
0
10
0
SEM
0
0
1
0
0
0
1
0
0
6
26
Lampiran 10 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 60% dan nilai h=1
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
9
0
1
2
2
3
0
0
0
0
JOH
0
9
0
1
2
0
0
0
0
0
LED
0
0
8
0
0
0
0
0
0
2
LPR
0
0
0
3
4
2
2
1
0
0
Kelas Prediksi
MAC MAT
0
1
0
0
0
0
0
0
0
1
0
1
0
0
0
0
0
0
0
1
PAL
0
0
0
0
0
0
5
0
0
2
PIN
0
1
0
4
1
4
0
9
0
0
PLA
0
0
0
0
0
0
2
0
10
0
SEM
0
0
1
0
0
0
1
0
0
5
Lampiran 11 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata
akurasi 91% dan nilai h=0.1
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
10
0
0
0
0
0
0
0
0
0
JOH
0
9
0
0
0
0
0
0
0
0
LED
0
0
9
0
0
0
0
0
0
0
LPR
0
0
0
8
0
1
0
0
0
0
Kelas Prediksi
MAC MAT
0
0
0
0
0
0
0
0
0
9
1
8
0
0
0
0
0
0
0
0
PAL
0
0
0
2
0
0
10
0
0
1
PIN
0
1
0
0
1
0
0
10
0
0
PLA
0
0
0
0
0
0
0
0
9
0
SEM
0
0
1
0
0
0
0
0
1
9
Lampiran 12 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata
akurasi 89% dan nilai h=0.2
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
10
0
0
0
0
1
0
0
0
0
JOH
0
9
0
0
0
0
0
0
0
0
LED
0
0
9
0
0
0
0
0
0
0
LPR
0
0
0
8
0
1
0
0
0
0
Kelas Prediksi
MAC MAT
0
0
0
0
0
0
0
0
0
9
1
6
0
0
0
0
0
0
0
0
PAL
0
0
0
2
0
0
10
0
0
1
PIN
0
1
0
0
1
1
0
10
0
0
PLA
0
0
0
0
0
0
0
0
9
0
SEM
0
0
1
0
0
0
0
0
1
9
27
Lampiran 13 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata
akurasi 82% dan nilai h=0.3
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
9
0
0
1
1
2
0
0
0
0
JOH
0
9
0
0
1
0
0
0
0
0
LED
0
0
9
0
0
0
0
0
0
0
LPR
1
0
0
7
0
2
0
0
0
0
Kelas Prediksi
MAC MAT
0
0
0
0
0
0
0
0
0
7
1
3
0
0
0
0
0
0
0
0
PAL
0
0
0
2
0
0
10
0
0
1
PIN
0
1
0
0
1
2
0
10
0
0
PLA
0
0
0
0
0
0
0
0
9
0
SEM
0
0
1
0
0
0
0
0
1
9
Lampiran 14 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata
akurasi 76% dan nilai h=0.4
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
9
0
1
1
1
2
0
0
0
0
JOH
0
9
0
0
2
0
0
0
0
0
LED
0
0
8
1
0
0
0
0
0
0
LPR
1
0
0
6
2
1
0
0
0
0
Kelas Prediksi
MAC MAT
0
0
0
0
0
0
0
0
0
4
2
2
0
0
0
0
0
0
0
0
PAL
0
0
0
2
0
0
10
0
0
1
PIN
0
1
0
0
1
3
0
10
0
0
PLA
0
0
0
0
0
0
0
0
9
0
SEM
0
0
1
0
0
0
0
0
1
9
Lampiran 15 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata
akurasi 77% dan nilai h=0.5
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
9
0
1
1
1
2
0
0
0
0
JOH
0
9
0
1
2
0
0
0
0
0
LED
0
0
8
0
0
0
0
0
0
0
LPR
1
0
0
7
2
1
0
0
0
0
Kelas Prediksi
MAC MAT
0
0
0
0
0
0
1
0
0
4
2
2
0
0
0
0
0
0
0
0
PAL
0
0
0
0
0
0
9
0
0
0
PIN
0
1
0
0
1
3
0
10
0
0
PLA
0
0
0
0
0
0
1
0
9
0
SEM
0
0
1
0
0
0
0
0
1
10
28
Lampiran 16 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata
akurasi 71% dan nilai h=0.6
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
8
0
1
2
1
2
0
0
0
0
JOH
0
9
0
1
2
0
0
0
0
0
LED
0
0
8
0
0
0
0
0
0
0
LPR
1
0
0
5
3
1
1
0
0
0
Kelas Prediksi
MAC MAT
0
1
0
0
0
0
1
0
0
4
2
2
0
0
0
0
0
0
0
0
PAL
0
0
0
0
0
0
6
0
0
0
PIN
0
1
0
1
0
3
0
10
0
0
PLA
0
0
0
0
0
0
2
0
9
0
SEM
0
0
1
0
0
0
1
0
1
10
Lampiran 17 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata
akurasi 68% dan nilai h=0.7
Kelas
Asli
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
SEM
JAV
8
0
1
2
1
3
0
0
0
0
JOH
0
9
0
1
2
0
0