Identifikasi Jenis Shorea Berdasarkan Morfologi Daun Menggunakan Probabilistic Neural Network

i

IDENTIFIKASI JENIS SHOREA BERDASARKAN MORFOLOGI
DAUN MENGGUNAKAN PROBABILISTIC NEURAL NETWORK

YUNI PURNAMASARI HUTABARAT

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012

i

i

IDENTIFIKASI JENIS SHOREA BERDASARKAN MORFOLOGI
DAUN MENGGUNAKAN PROBABILISTIC NEURAL NETWORK

YUNI PURNAMASARI HUTABARAT

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
2012

i

i

ABSTRACT
YUNI PURNAMASARI HUTABARAT. Shorea Species Identification Based on Leaf Morphology
Using Probabilistic Neural Network. Supervised by AZIZ KUSTIYO.
Indonesia is a country which has a large forest area. Dipterocarpaceae is the best timber tree of

tropical rain forest. Shorea is a genus of Dipterocarpaceae family which consist of 194 species.
Shorea has a considerable number of benefits. It is the most important timber source. Shorea can be
used to produce varnish, paint and other chemical materials.
Species diversity and morphological similarity may lead to difficulty in identifying the species of
Shorea. Mistake in identifying Shorea can lead to inappropriate selection for the final usability.
Identification using leaf is the first choice for plant classification compared to biology methods which
use cell and molecule.
This research aims to develop an identification system to identify Shorea based on morphological
characteristic of Shorea. The system identifies 10 species of Shorea. The identification system being
built uses Probabilistic Neural Network.
The data are divided into five subsets. The five subsets are used as training data and test data. The
PNN is trained using 80 leaves to kinds of Shorea. The identification using Probabilistic Neural
Network produced 84% average accuracy.

Keywords: Shorea, Probabilistic Neural Network (PNN).

i

ii

Judul Skripsi : Identifikasi Jenis Shorea Berdasarkan Morfologi Daun Menggunakan Probabilistic
Neural Network
Nama
: Yuni Purnamasari Hutabarat
NIM
: G64096069

Disetujui
Pembimbing

Aziz Kustiyo SSi MKom
NIP 19700719 199802 1 001

Diketahui
Ketua Departemen Ilmu Komputer

Dr Ir Agus Buono MSi MKom
NIP 19660702 199302 1 001

Tanggal Lulus :

ii

iii

RIWAYAT HIDUP
Penulis lahir di Tebing Tinggi tanggal 15 Juni 1988 sebagai anak kedua dari dua bersaudara dari
pasangan Bapak Aswanuddin Hutabarat (Alm) dan Ibu Deliani Siregar. Pada tahun 2006, penulis lulus
dari SMA Negeri 1 Tebing Tinggi. Pada tahun yang sama penulis lulus seleksi masuk Institut
Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB. Pada tahun 2009, penulis lulus
dari program Diploma Manajemen Informatika Institut Pertanian Bogor dan pada tahun yang sama
penulis melanjutkan program studi Sarjana di Departemen Ilmu Komputer, IPB, dengan memilih
Program Studi Ilmu Komputer. Selama menjalani perkuliahan penulis pernah bekerja menjadi Staf IT
di Bogor Hotel Institute, asisten dosen di Direktorat Program Diploma, IPB dan bekerja di Media Satu
Group.

iii

iv

PRAKATA
Puji dan syukur penulis panjatkan ke hadirat Allah Subhanahuwata'ala yang telah memberikan
rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan karya ilmiah ini. Terima kasih penulis
ucapkan kepada Bapak Aziz Kustiyo SSi MKom selaku dosen pembimbing. Adapun penulis
mengucapkan terima kasih kepada:
 Kedua orang tua dan kakak yang telah memberikan dukungan, perhatian, dan doa sehingga penulis
dapat menyelesaikan studi di Departemen Ilmu Komputer IPB.
 Dosen penguji, Bapak Toto Haryanto SKom MSi dan Bapak Mushthofa SKom MSc atas saran dan
bimbingannya.
 Bapak Auzi Asfarian SKom. Terima kasih atas bantuan yang sudah diberikan untuk penulis.
 Pihak Kebun Raya Bogor atas sampel daun Shorea.
 Pihak Biotrop atas literatur tentang Shorea.
 Teman-teman satu bimbingan atas kerjasamanya.
 Teman-teman Kosan White House yang telah meluangkan waktunya untuk berdiskusi bersama.
 Sahabat-sahabatku Anela, Lina, Hafiz, Wahyu, dan seluruh sahabatku yang lain di Alih Jenis
Ilkom angkatan 4 yang telah memberikan semangat.
 Semua pihak yang telah membantu yang belum disebutkan di atas.
Penulis menyadari dalam tugas akhir ini masih banyak kekurangan dan kesalahan, karena itu
penulis mengharapkan kritik dan saran yang membangun. Penulis berharap tulisan ini dapat
bermanfaat bagi seluruh pihak.

Bogor, Mei 2012

Yuni Purnamasari Hutabarat

iv

v

DAFTAR ISI
Halaman
DAFTAR TABEL ................................................................................................................................. vi
DAFTAR GAMBAR ............................................................................................................................. vi
DAFTAR LAMPIRAN ........................................................................................................................ vii
PENDAHULUAN .................................................................................................................................. 1
Latar Belakang ................................................................................................................................... 1
Tujuan Penelitian ............................................................................................................................... 1
Ruang Lingkup Penelitian .................................................................................................................. 1
Manfaat Penelitian ............................................................................................................................. 1
TINJAUAN PUSTAKA ......................................................................................................................... 1

Shorea ................................................................................................................................................ 1
Jaringan Saraf Tiruan (JST) ............................................................................................................... 3
K-Fold Cross Validation .................................................................................................................... 4
Probabilistic Neural Network (PNN)................................................................................................. 4
Elips ................................................................................................................................................... 4
Confusion Matrix ............................................................................................................................... 4
METODE PENELITIAN ....................................................................................................................... 5
Identifikasi Masalah ........................................................................................................................... 5
Pengumpulan Data ............................................................................................................................. 5
Pembagian Data Latih dan Data Uji (K-Fold Cross Validation) ....................................................... 6
Klasifikasi dengan PNN ..................................................................................................................... 6
Pengujian ........................................................................................................................................... 6
Akurasi ............................................................................................................................................... 7
Lingkungan Pengembangan ............................................................................................................... 7
HASIL DAN PEMBAHASAN .............................................................................................................. 7
Percobaan I : 5-Fold Cross Validation dengan 10 Fitur (dengan Luas dan Keliling) ........................ 7
Percobaan II : 5-Fold Cross Validation dengan 8 Fitur (tanpa Luas dan Keliling) ........................... 9
Perbandingan Percobaan I dan Percobaan II .................................................................................... 10
KESIMPULAN DAN SARAN ............................................................................................................ 11
Kesimpulan ...................................................................................................................................... 11

Saran ................................................................................................................................................ 11
DAFTAR PUSTAKA ........................................................................................................................... 11
LAMPIRAN ......................................................................................................................................... 12

v

vi

DAFTAR TABEL
Halaman
1 Confusion Matrix ............................................................................................................................... 4
2 Kelas Shorea yang digunakan ............................................................................................................ 5
3 Kombinasi input pada model PNN .................................................................................................... 6
4 Contoh data Shorea ............................................................................................................................ 7
5 Susunan data latih dan data uji........................................................................................................... 7
6 Hasil PNN Percobaan I dengan nilai h=0.5 pada setiap iterasi (rata-rata akurasi 71%) .................... 8
7 Hasil PNN Percobaan I dengan nilai h=0.6 pada setiap iterasi (rata-rata akurasi 72%) .................... 8
8 Hasil PNN Percobaan I dengan nilai h=0.7 pada setiap iterasi (rata-rata akurasi 72%) .................... 8
9 Hasil PNN Percobaan I dengan nilai h=0.8 pada setiap iterasi (rata-rata akurasi 72%) .................... 8
10 Hasil PNN Percobaan I dengan nilai h=0.9 pada setiap iterasi (rata-rata akurasi 72%) ................... 8

11 Hasil PNN Percobaan I dengan nilai h=1 pada setiap iterasi (rata-rata akurasi 65%) ...................... 8
12 Hasil PNN Percobaan II dengan nilai h=0.5 pada setiap iterasi (rata-rata akurasi 84%) .................. 9
13 Hasil PNN Percobaan II dengan nilai h=0.6 pada setiap iterasi (rata-rata akurasi 83%) .................. 9
14 Hasil PNN Percobaan II dengan nilai h=0.7 pada setiap iterasi (rata-rata akurasi 83%) .................. 9
15 Hasil PNN Percobaan II dengan nilai h=0.8 pada setiap iterasi (rata-rata akurasi 83%) .................. 9
16 Hasil PNN Percobaan II dengan nilai h=0.9 pada setiap iterasi (rata-rata akurasi 84%) ................ 10
17 Hasil PNN Percobaan II dengan nilai h=1 pada setiap iterasi (rata-rata akurasi 84%) ................... 10
18 Kasus hasil perbandingan percobaan I dan percobaan II ................................................................ 10
19 Presentase pada setiap kasus dengan nilai h=1 ............................................................................... 10

DAFTAR GAMBAR
Halaman
1 Pohon Shorea ..................................................................................................................................... 1
2 Daun Shorea Javanica. ...................................................................................................................... 2
3 Daun Shorea Johorensis. ................................................................................................................... 2
4 Daun Shorea Macroptera .................................................................................................................. 2
5 Daun Shorea Materialis ..................................................................................................................... 2
6 Daun Shorea Lepida. ......................................................................................................................... 2
7 Daun Shorea Leprosula. .................................................................................................................... 3
8 Daun Shorea Palembanica ................................................................................................................ 3

9 Daun Shorea Pinanga ........................................................................................................................ 3
10 Daun Shorea Platyclados.................................................................................................................. 3
11 Daun Shorea Seminis. ....................................................................................................................... 3
12 Struktur PNN. ................................................................................................................................... 4
13 Elips. ................................................................................................................................................. 4
14 Diagram Alur Penelitian ................................................................................................................... 5
15 Lebar daun ........................................................................................................................................ 5
16 Panjang daun ..................................................................................................................................... 5
17 Sudut daun ........................................................................................................................................ 6
18 Jarak antar daun ................................................................................................................................ 6
19 Jarak tangkai – daun ......................................................................................................................... 6
20 Jumlah tulang daun ........................................................................................................................... 6
21 Grafik percobaan I ............................................................................................................................ 7
22 Tingkat akurasi setiap jenis Shorea pada percobaan I ...................................................................... 9
23 Grafik percobaan II ........................................................................................................................... 9
24 Tingkat akurasi setiap jenis Shorea pada percobaan II ................................................................... 10
25 Grafik perbandingan akurasi percobaan I dan percobaan II............................................................ 11

vi

vii

DAFTAR LAMPIRAN
Halaman
1 Contoh Pengukuran data Shorea ....................................................................................................... 13
2 Perbandingan kesalahan pada percobaan I dan percobaan II dengan nilai h = 1 .............................. 14

vii

1

PENDAHULUAN
Latar Belakang
Indonesia merupakan salah satu negara yang
memiliki kawasan hutan yang cukup luas.
Dipterocarpaceae
adalah
sekelompok
tumbuhan hutan hujan tropis penghasil kayu.
Salah satunya adalah Shorea yang merupakan
tumbuhan penghasil kayu terbaik. Shorea
memiliki species sekitar 194 dan menyebar
terutama di Asia Tenggara yaitu bagian barat
Indonesia
(Kalimantan
dan
Sumatera),
Thailand, Malaysia, Serawak, Sabah, dan
Filipina (Newman et al. 1999).
Keanekaragaman Shorea menyebabkan
kesulitan untuk mengetahui jenis Shorea yang
satu
dengan
yang
lain.
Identifikasi
menggunakan daun adalah pilihan pertama
untuk klasifikasi jenis tanaman dibandingkan
dengan cara biologis yang menggunakan sel dan
molekul. Jaringan Syaraf Tiruan (JST) adalah
salah satu konsep kecerdasan komputasional
yang dapat dimanfaatkan untuk proses
identifikasi. Sistem cerdas diharapkan dapat
memudahkan identifikasi terutama untuk
petugas hutan yang belum terampil agar dapat
menghindari kesalahan pemilihan kayu yang
tidak tepat.
Probabilistic Neural Network (PNN),
sebagai salah satu arsitektur JST, telah terbukti
menghasilkan akurasi tinggi di beberapa
penelitian. Wu et al. (2007) melakukan
penelitian identifikasi tanaman berdasarkan
daun dengan akurasi lebih dari 90% dan
Fathurohman (2009) melakukan penelitian
tentang penentuan kematangan belimbing
manis. Kelebihan PNN adalah strukturnya
sederhana dan proses pelatihan cepat karena
prosesnya hanya membutuhkan satu kali
(Seminar et al. 2006).
Dalam penelitian terkait, Nurjayanti (2011)
telah membangun sistem identifikasi Shorea
dengan menggunakan arsitektur K-Nearest
Neighbour dengan akurasi 84% (tanpa
normalisasi) dan 100% (dengan normalisasi).
Puspitasari (2011) menggunakan arsitektur
Propogasi Balik dengan akurasi 90%.

Tujuan Penelitian
Tujuan penelitian ini ialah :
 Menerapkan
metode
PNN
untuk
mengidentifikasi
jenis
Shorea
serta
mengetahui tingkat akurasi dari proses
identifikasi tersebut.
 Melihat pengaruh fitur luas dan keliling
terhadap akurasi.
Ruang Lingkup Penelitian
Ruang lingkup penelitian ini ialah :
 Identifikasi Shorea berdasarkan karakteristik
morfologi daun.
 Identifikasi jenis Shorea dilakukan pada 10
jenis Shorea yang terdapat di Koleksi Kebun
Raya Bogor.
Manfaat Penelitian
Manfaat penelitian ini adalah membantu
melakukan identifikasi jenis Shorea.

TINJAUAN PUSTAKA
Shorea
Shorea adalah salah satu marga dari
Dipterocarpaceae penghasil kayu terbaik dalam
dunia perindustrian. Manfaat ekonomi dari
Shorea adalah penghasil kayu terbaik seperti
meranti kuning, merah dan putih. Shorea juga
menghasilkan resin berkualitas, sering disebut
damar mata kucing, yang digunakan pada
industri pernis dan pewarna dinding, serta untuk
pengolahan kimiawi lainnya.
Ciri-ciri utama pohon Shorea yaitu pohon
sangat besar dengan pepagan yang berlapis dan
berwarna 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).

Dengan
latar
belakang
demikian,
pengembangan model dalam penelitian ini
menggunakan Probabilistic Neural Network
(PNN) dengan jenis Shorea yang berbeda dan
melakukan beberapa penambahan fitur dari
penelitian sebelumnya.
Gambar 1 Pohon Shorea.

1

2

Penelitian ini menggunakan 10 jenis Shorea,
yaitu:

kemerah-merahan, isi kayu berwarna merah
(Gambar 4).

1 Shorea Javanica
Shorea Javanica
termasuk ke dalam
meranti putih. Tangkai daun panjang berukuran
1.4–2.4 cm, kadang-kadang lokos, pertulangan
skunder 19-25. Daun lonjong, jorong atau
bundar telur, 6.5-15 x 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 4 Daun Shorea Macroptera.
4 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 2 Daun Shorea Javanica.
2 Shorea Johorensis
Shorea Johorensis merupakan jenis meranti
merah. Pohon dan banirnya besar. Batang
merekah atau bersisik dan 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, tangkai daun pendek. Ciri khas
daun adalah berlubang-lubang di waktu kering
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 5 Daun Shorea Materialis.
5 Shorea Lepida
Shorea Lepida memiliki ciri-ciri utama
pohon dewasa memiliki daun agak tipis,
lonjong dan runcing. Permukaan atas daun bila
mengering coklat agak lembayung, coklat
kuning pada tulang daun, coklat pudar pada
permukaan bawah daun (Gambar 6).

Gambar 6 Daun Shorea Lepida.
Gambar 3 Daun Shorea Johorensis.
3 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

6 Shorea Leprosula
Shorea
Leprosula
termasuk
dalam
kelompok meranti merah. Perawakan pohon
besar, dapat mencapai tinggi 60 m, bebas
cabang 35 m, diameter 1 m. Kulit coklat keabuabuan. Daun lonjong sampai bulat telur,
panjang 8-14 cm dan lebar 3.5-4.5 cm.
Permukaan daun bagian bawah bersisik seperti

2

3

krim, urat daun tersier rapat seperti tangga
(Gambar 7).

sangat besar, batang tidak bercabang hingga
tinggi sekali. Daun berukuran panjang 6.1-13.1
cm dan lebar 2.2-4 cm, ujung daun lancip,
pangkal daun membundar. Permukaan atas daun
bila mengering berwarna coklat, bila diraba
licin. Pertulangan sekunder berjumlah 12-25
pasang (Gambar 10).

Gambar 7 Daun Shorea Leprosula.
7 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 10 Daun Shorea Platyclados.
10 Shorea Seminis
Shorea Seminis termasuk dalam kelompok
balau atau selangan batu. Tinggi pohon dapat
mencapai 60 m. Daun berukuran panjang 9-18
cm dan lebar 2.5-8 cm, ujung daun berbentuk
lancip panjang, pangkal daun berbentuk pasak
atau membundar. Permukaan atas dan bawah
daun bila mengering berwarna coklat kelabu
atau coklat kuning. Pertulangan sekunder
berjumlah 9-17 pasang (Gambar 11).

Gambar 8 Daun Shorea Palembanica.
8 Shorea Pinanga
Shorea
Pinanga
adalah
famili
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 x 4 – 9 cm, bentuk tajuk melebar, tidak
berbanir (Gambar 9).

Gambar 9 Daun Shorea Pinanga.
9 Shorea Platyclados
Shorea Platyclados termasuk dalam
kelompok meranti merah. Perawakan pohon

Gambar 11 Daun Shorea Seminis.
Jaringan Saraf Tiruan (JST)
Jaringan Saraf Tiruan (JST) adalah prosesor
yang terdistribusi paralel, terbuat dari unit-unit
yang sederhana, dan memiliki kemampuan
untuk menyimpan pengetahuan yang diperoleh
secara eksperimental dan siap pakai untuk
berbagai tujuan. JST meniru otak manusia dari
sudut pengetahuan yang diperoleh dari network
dari lingkungan melalui suatu proses
pembelajaran dan kekuatan koneksi antarunit
yang disebut synaptic weights. Sypnaptic
weights ini berfungsi untuk menyimpan
pengetahuan yang telah diperoleh oleh jaringan
tersebut.
JST
dikembangkan
sebagai
model
matematika yang merupakan penyederhanaan
untuk
sistem
saraf
biologis
manusia
berdasarkan
asumsi
bahwa
pengolahan
informasi terjadi di berbagai elemen yang

3

4

K-Fold Cross Validation
Cross validation merupakan metode
membagi data menjadi k subset yang ukurannya
hampir sama satu sama lain. Himpunan subset
yang dihasilkan yaitu S1, S2,…,Sk yang
digunakan sebagi data latih dan data uji. Dalam
metode ini dilakukan perulangan sebanyak k
kali dimana salah satu subset dijadikan data uji
dan k-1 subset lainnya dijadikan data latih (Fu
1994).

paling besar dibandingkan
masuk ke Y
peluang masuk ke kelas lainnya. Secara umum,
arsitektur PNN dapat dilihat pada Gambar 12.
Neuron
A1

Vektor input sebanyak P dimensi

dinamakan neuron, sinyal dilewatkan di antara
neuron melalui connection link masing-masing
connection link memiliki weight (bobot) yang
akan mengalikan sinyal yang lewat, dan
masing-masing neuron memiliki fungsi aktivasi
yang akan menentukan nilai sinyal output
(Fauset 1994).

Neuron
A2

X1

fA(X)
Neuron
An

X2

Ambil
yang
maksimu
m

Neuron
B1

Xp

fB(X)

Neuron
B2

Neuron
Bm

Probabilistic Neural Network (PNN)
Probabilistic Neural Network diperkenalkan
pertama kali oleh Specht tahun 1990 yang
digunakan untuk klasifikasi, mapping, dan
associative memory. Keuntungan utama
menggunakan arsitektur PNN adalah proses
pembelajaran mudah atau sekali lewat dan
sangat cepat. Struktur PNN terdiri atas 4
lapisan, yaitu lapisan masukan, lapisan pola,
lapisan penjumlahan, dan lapisan keputusan/
keluaran (Specht 1990). Proses-proses yang
terjadi pada setiap lapisan yaitu :
1 Lapisan masukan (input layer)

Lapisan Masukan

Lapisan Pola

Lapisan
Penjumlahan

Lapisan Keluaran

Gambar 12 Struktur PNN.
Elips
Luas dan keliling elips (Gambar 13) dapat
dihitung dengan rumus di bawah ini.
Luas elips : πr1r2
Keliling : π (r1 + r2)

Lapisan masukan merupakan objek yang
terdiri atas k nilai ciri yang akan
diklasifikasikan pada n kelas.

r2

r1

2 Lapisan pola (pattern layer)
Lapisan pola merupakan data latih itu
sendiri. Persamaan yang digunakan pada lapisan
pola adalah
(

)

Menerima masukan dari node lapisan pola
yang terkait dari kelas yang ada. Persamaan
yang digunakan pada lapisan ini adalah
(

r1 = sumbu panjang dari titik pusat
r2 = sumbu pendek dari titik pusat
Confusion Matrix

3 Lapisan penjumlahan (summation layer)

∑

Gambar 13 Elips.

)

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 tabel confusion matrix
dapat dilihat pada Tabel 1.
Tabel 1 Confusion Matrix

4 Lapisan keluaran / keputusan (output layer)
Menentukan kelas dari input yang diberikan.
Input x akan masuk kelas Y jika nilai peluang

Data
Aktual

Kelas 1
Kelas 2

Prediksi
Kelas 1
Kelas 2
a
b
c
d

4

5

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 tidak
berhasil diprediksi dengan benar sebagai
Kelas 2, dan
 d adalah jumlah contoh Kelas 2 yang
berhasil diprediksi dengan benar sebagai
Kelas 2.

sumber pengetahuan yang berasal dari pustaka
dan pengetahuan pakar.
Pengumpulan Data
Pengumpulan data (pengambilan jenis
Shorea) dilakukan di Kebun Raya Bogor. Jenis
Shorea yang digunakan pada penelitian ini
dapat dilihat pada Tabel 2.
Tabel 2 Kelas Shorea yang digunakan
No

Kelas Shorea

Kode

1

Shorea Materialis Ridley.

MAT

2

Shorea Platyclados

PLA

METODE PENELITIAN

3

JAV

Penelitian ini memunyai beberapa tahapan
dalam pengidentifikasian daun Shorea. Tahapan
proses tersebut disajikan pada Gambar 14.

Shorea Javanica Koord &
Val.

4

Shorea Palembanica

PAL

5

Shorea Seminis

SEM

6

Shorea Johorensis Foxwf.

JOH

7

Shorea Pinanga Sp.

PIN

8

Shorea Macroptera

MAC

9

Shorea Leprosula Miq.

LPR

10

Shorea Lepida Blume.

LPD

Pada tahap ini, akan dilakukan pengukuran
secara manual terhadap beberapa fitur
morfologi daun. Fitur lebar, panjang, diameter,
luas, keliling, aspect ratio, form factor,
perimeter ratio of diameter (Wu et al.2007)
sedangkan pada fitur sudut, jarak antar daun,
jarak tangkai-daun dan jumlah tulang daun
(Nurjayanti 2011). Penjelasan dari seluruh fitur
morfologi daun tersebut adalah sebagai berikut
1 Lebar daun diukur dari permukaan daun
yang paling lebar (Gambar 15).
Lebar

Gambar 14 Diagram alur penelitian.
Identifikasi Masalah
Identifikasi masalah penelitian adalah proses
identifikasi yang masih dilakukan secara
manual dan masih sulit dalam membedakan
jenis Shorea. Maka dari itu, akan dibuat sebuah
sistem cerdas yang dapat mengidentifikasi jenis
Shorea. Tujuan dari pembuatan sistem ini ialah
membantu para petugas hutan dalam
mengidentifikasi jenis Shorea dengan cepat dan
mengurangi kesalahan dalam pemilihan kayu
yang tidak tepat. Hal ini juga didukung dengan

Gambar 15 Lebar daun.
2 Panjang daun diukur dari pangkal daun
hingga ujung daun (Gambar 16).

panjang

Gambar 16 Panjang daun.
3 Diameter merupakan titik terjauh diantara
dua titik dari batas daun.

5

6

4 Luas daun dihitung menggunakan rumus
luas elips.

12 Jumlah tulang daun sebelah kanan dan
sebelah kiri (Gambar 20).

5 Keliling daun dihitung menggunakan rumus
keliling elips.
6 Aspect Ratio adalah rasio dari panjang dan
lebar daun. Aspect Ratio digunakan untuk
memperkirakan bentuk helai daun. Jika
bernilai kurang dari 1, bentuk helai daun
tersebut melebar. Jika nilainya lebih dari 1,
bentuk helai tersebut memanjang.

Ruas kiri

Ruas kanan

Gambar 20 Jumlah tulang daun.
Contoh pengukuran data Shorea dapat
dilihat pada Lampiran 1.
Pembagian Data Latih dan Data Uji (K-Fold
Cross Validation)

Lp = panjang daun
Wp = lebar daun
7 Form factor mendeskripsikan bentuk dari
daun dan mengetahui seberapa bundar
bentuk helai daun tersebut.

Teknik yang digunakan untuk membagi data
latih dan data uji adalah 5-fold cross validation.
Teknik ini akan membagi data menjadi lima
subsampel terpisah. Empat subsampel akan
digunakan sebagai data pelatihan dan satu
subsampel akan digunakan sebagai data
pengujian. Begitu seterusnya untuk setiap
iterasi.
Klasifikasi dengan PNN

A = luas daun
P = keliling daun
8 Perimeter ratio of diameter adalah ciri
untuk mengukur seberapa lonjong daun
tersebut.

Teknik klasifikasi yang digunakan adalah
Probabilistic Neural Network. Arsitektur PNN
memiliki
lapisan
bagian
input,
pola,
penjumlahan, dan output. Dalam penelitian ini,
akan dicobakan dua jenis kombinasi input.
Kedua kombinasi input dapat dilihat pada Tabel
3.
Tabel 3 Kombinasi input pada model PNN

9 Sudut antar ibu tulang daun dengan tulang
cabang daun sebelah kanan atau kiri yang
diukur menggunakan busur (Gambar 17).

Percobaan

Kombinasi Input

I

Menggunakan
10
fitur
morfologi daun yaitu diameter,
luas, keliling, aspect ratio, form
factor, perimeter ratio of
diameter, sudut daun, jarak
antar daun, jarak tangkai-daun,
dan jumlah tulang daun.

II

Menggunakan 8 fitur morfologi
daun yaitu diameter, aspect
ratio, form factor, perimeter
ratio of diameter, sudut daun,
jarak antar daun, jarak tangkaidaun, dan jumlah tulang daun.

Sudut antar tulang

Gambar 17 Sudut daun
10 Jarak antara daun satu dengan daun yang
lain (Gambar 18).
Jarak antar daun

Gambar 18 Jarak antar daun.
11 Jarak dari tangkai ke daun (Gambar 19).

Lapisan output memiliki 10 target kelas
sesuai dengan jumlah jenis daun.
Pengujian

Jarak dari tangkai-daun

Gambar 19 Jarak tangkai – daun.

Pada tahap ini, dilakukan pengujian
menggunakan data uji berdasarkan k-fold cross
validation. Data yang tepat adalah data yang
berhasil dikenali dengan benar oleh sistem.

6

7

Akurasi
Kinerja PNN untuk mengidentifikasi jenis
Shorea dapat diketahui dari analisis hasil
pengujian.
Hasil
pengujian
dianalisis
menggunakan tabel confusion matrix kemudian
menghitung besaran akurasi yang diperoleh.
Akurasi
dapat
dihitung
menggunakan
persamaan berikut
kurasi

umlah prediksi yang tepat
otal data uji

Lingkungan Pengembangan
Pada penelitian ini, akan digunakan
perangkat keras dan perangkat lunak sebagai
berikut
1 Perangkat lunak yang digunakan dalam
penelitian :




Windows 7 sebagai sistem operasi.
Matlab R2008b.
Microsoft Office Excel 2010.

2 Perangkat keras yang digunakan dalam
penelitian :




Processor Intel ( R ) Core ™ i3.
RAM 4 GB.
Hardisk kapasitas 320 GB.

HASIL DAN PEMBAHASAN
Data yang digunakan pada penelitian ini
merupakan data hasil perhitungan manual fiturfitur morfologi daun Shorea yang diambil dari
beberapa koleksi di Kebun Raya Bogor. Berikut
disajikan contoh data hasil perhitungan manual
pada Tabel 4.
Tabel 4 Contoh data Shorea
Fitur
Panjang
Lebar
Diameter
Aspect Ratio
Luas
Keliling
Form Factor
Perimeter ratio of
diameter
Sudut antar ibu tulang
daun
Jumlah tulang daun
Jarak antar daun
Jarak tangkai-daun

Shorea Materialis
16.3 cm
6.0 cm
16.3 cm
2.72 cm
76.77 cm2
35.01 cm
0.79 cm
2.15 cm
460
17 (pasang)
1.2 cm
5.2 cm

Proses pengambilan data ini dilakukan
selama satu bulan dan dilakukan di Kebun Raya
Bogor. Data yang digunakan terdiri atas 10 jenis
Shorea. Masing-masing jenis Shorea terdiri atas
10 sampel sehingga total data sebanyak 100
data.
Percobaan I : 5-Fold Cross Validation dengan
10 Fitur (dengan Luas dan Keliling)
Dari banyaknya data yang diperoleh
sebanyak 100 record, dibagi menjadi 5 subset
yang setiap subset berisi 2 record dari jenis
daun. Setiap subset terdiri atas 20 record.
Percobaan pertama (fold I) menggunakan 80
record sebagai data latih yang berisi subset 2, 3,
4, dan 5. Subset 1 yang berisi 20 record
dijadikan sebagai data uji. Percobaan terus
dilakukan hingga setiap subset pernah menjadi
data uji. Susunan data pelatihan dan data
pengujian disajikan pada Tabel 5.
Tabel 5 Susunan data latih dan data uji
Fold
Fold I
Fold II
Fold III
Fold IV
Fold V

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

Pengujian
S1
S2
S3
S4
S5

Percobaan ini melibatkan 10 fitur morfologi
daun yaitu diameter, luas, keliling, aspect ratio,
form factor, perimeter ratio of diameter, sudut
daun, jarak antar daun, jarak tangkai-daun, dan
jumlah tulang daun. Pada percobaan ini,
dilakukan 5 kali iterasi berdasarkan subset pada
k-fold cross validation dengan 6 buah nilai h.
Keenam nilai h tersebut adalah 0.5, 0.6, 0.7, 0.8,
0.9, dan 1.
Hasil akurasi untuk masing-masing iterasi
dapat dilihat pada Gambar 21.

Gambar 21 Grafik percobaan (menggunakan
fitur luas & keliling).
Berdasarkan grafik di atas, akurasi terbesar
(85%) dicapai oleh fold kedua dengan (h=0.6,
0.7, 0.8, 0.9 dan 1) dan akurasi terkecil (45%)
terdapat pada fold pertama dengan (h=1).

7

8

Hasil PNN dari kelima percobaan secara
berurutan ditunjukkan pada Tabel 6, 7, 8, 9, 10,
dan 11.
Tabel 6 PNN Percobaan I dengan nilai h=0.5
pada setiap iterasi (rata-rata akurasi
71%)
Kelas
Asli
1
2
3
4
5
6
7
8
9
10

1

2

3

4

5

6

7

8

9

10

9
0
0
2
0
0
0
0
0
0

0
10
0
0
0
0
0
0
0
0

0
0
7
0
2
0
0
0
0
0

1
0
0
6
3
0
0
0
0
0

0
0
3
2
5
0
0
0
0
0

0
0
0
0
0
4
1
0
3
0

0
0
0
0
0
1
6
1
0
0

0
0
0
0
0
1
2
8
1
0

0
0
0
0
0
4
1
0
6
0

0
0
0
0
0
0
0
1
0
10

Tabel 7 PNN Percobaan I dengan nilai h=0.6
pada setiap iterasi (rata-rata akurasi
72%)
Kelas
Asli
1
2
3
4
5
6
7
8
9
10

1

2

3

4

5

6

7

8

9

10

9
0
0
2
0
0
0
0
0
0

0
10
0
0
0
0
0
0
0
0

0
0
7
0
2
0
0
0
0
0

1
0
0
6
3
0
0
0
0
0

0
0
3
2
5
0
0
0
0
0

0
0
0
0
0
5
1
0
3
0

0
0
0
0
0
1
6
1
0
0

0
0
0
0
0
1
2
8
1
0

0
0
0
0
0
3
1
0
6
0

0
0
0
0
0
0
0
1
0
10

Tabel 8 PNN Percobaan I dengan nilai h=0.7
pada setiap iterasi (rata-rata akurasi
72%)
Kelas
Asli
1
2
3
4
5
6
7
8
9
10

1

2

3

4

5

6

7

8

9

10

9
0
0
2
0
0
0
0
0
0

0
10
0
0
0
0
0
0
0
0

0
0
7
0
2
0
0
0
0
0

1
0
0
6
3
0
0
0
0
0

0
0
3
2
5
0
0
0
0
0

0
0
0
0
0
5
1
0
3
0

0
0
0
0
0
1
6
1
0
0

0
0
0
0
0
1
2
8
1
0

0
0
0
0
0
3
1
0
6
0

0
0
0
0
0
0
0
1
0
10

Tabel 9 PNN Percobaan I dengan nilai h=0.8
pada setiap iterasi (rata-rata akurasi
72%)

Kelas
Asli
1
2
3
4
5
6
7
8
9
10

1

2

3

4

5

6

7

8

9

10

9
0
0
2
0
0
0
0
0
0

0
10
0
0
0
0
0
0
0
0

0
0
7
0
2
0
0
0
0
0

1
0
0
6
3
0
0
0
0
0

0
0
3
2
5
0
0
0
0
0

0
0
0
0
0
5
1
0
3
0

0
0
0
0
0
1
6
1
0
0

0
0
0
0
0
1
2
8
1
0

0
0
0
0
0
3
1
0
6
0

0
0
0
0
0
0
0
1
0
10

Tabel 10 PNN Percobaan I dengan nilai h=0.9
pada setiap iterasi (rata-rata akurasi
72%)
Kelas
Asli
1
2
3
4
5
6
7
8
9
10

1

2

3

4

5

6

7

8

9

10

9
0
0
2
0
0
0
0
0
0

0
10
0
0
0
0
0
0
0
0

0
0
7
0
2
0
0
0
0
0

1
0
0
6
3
0
0
0
0
0

0
0
3
2
5
0
0
0
0
0

0
0
0
0
0
5
1
0
3
0

0
0
0
0
0
1
6
1
0
0

0
0
0
0
0
1
2
8
1
0

0
0
0
0
0
3
1
0
6
0

0
0
0
0
0
0
0
1
0
10

Tabel 11 PNN Percobaan I dengan nilai h=1
pada setiap iterasi (rata-rata akurasi
65%)
Kelas
Asli
1
2
3
4
5
6
7
8
9
10

1

2

3

4

5

6

7

8

9

10

9
0
0
4
1
0
0
1
1
0

0
10
0
0
0
0
0
0
0
0

0
0
6
0
1
0
0
0
0
0

1
0
0
5
2
0
0
0
0
0

0
0
3
1
6
0
0
0
0
0

0
0
1
0
0
7
3
0
4
0

0
0
0
0
0
1
3
1
2
0

0
0
0
0
0
1
2
7
1
0

0
0
0
0
0
1
1
0
2
0

0
0
0
0
0
0
0
1
0
10

Akurasi yang didapat dengan nilai h=0.5
adalah 71%, nilai h=0.6, 0.7, 0.8, dan 0.9 adalah
72% dan nilai h=1 adalah 65%. Akurasi kelima
percobaan pada rentan nilai h=0.5-0.9 tidak
memiliki perbedaan yang signifikan, namun
pada nilai h=1 akurasi menjadi sangat menurun.
Pada Gambar 22, dapat dilihat tingkat
akurasi yang dihasilkan untuk setiap jenis
Shorea. Nilai h yang diambil merupakan nilai h
yang menghasilkan nilai rata-rata akurasi
terbesar yaitu nilai h=0.9

8

9

Lanjutan
Kelas
1
Asli
7
0
8
0
9
0
10
0

2

3

4

5

6

7

8

9

10

0
0
0
0

0
0
0
0

0
0
0
0

0
0
0
0

1
0
1
0

6
1
0
0

2
9
0
0

0
0
9
0

1
0
0
10

Tabel 13 PNN Percobaan II dengan nilai h=0.6
pada setiap iterasi (rata-rata akurasi
83%)

Gambar 22 Tingkat akurasi setiap jenis Shorea
pada percobaan I.
Percobaan II : 5-Fold Cross Validation
dengan 8 Fitur (Tanpa Luas dan Keliling)
Pada percobaan ini, fitur luas dan keliling
akan dihilangkan dalam 10 fitur yang telah
disebutkan pada Percobaan I. Percobaan ini
juga masih menggunakan 80 record data latih
dan 20 record data uji yang menggunakan 5fold cross validation dengan nilai-nilai h yang
sama seperti pada Percobaan I.
Hasil akurasi untuk masing-masing iterasi
dapat dilihat pada Gambar 23.

Kelas
Asli
1
2
3
4
5
6
7
8
9
10

1

2

3

4

5

6

9
2
0
0
1
0
0
0
0
0

1
8
0
1
0
0
0
0
0
0

0
0
7
0
2
0
0
0
0
0

0
0
0
9
1
0
0
0
0
0

0 0
0 0
3 0
0 0
6 0
0 10
0 1
0 0
0 1
0 0

7 8 9 10
0
0
0
0
0
0
6
1
0
0

0
0
0
0
0
0
2
9
0
0

0 0
0 0
0 0
0 0
0 0
0 0
0 1
0 0
9 0
0 10

Tabel 14 PNN Percobaan II dengan nilai h=0.7
pada setiap iterasi (rata-rata akurasi
83%)

Gambar 23 Grafik percobaan II (tanpa fitur
luas & keliling).
Berdasarkan grafik di atas, akurasi terbesar
(95%) dicapai oleh fold kedua dengan (h=1)
dan akurasi terkecil (75%) terdapat pada fold
ketiga dengan (h=0.5, h=0.6, h=0.7, h=0.8,
h=0.9 dan h=1).
Hasil PNN dari kelima percobaan secara
berurutan ditunjukkan pada Tabel 12, 13, 14,
15, 16, dan 17.
Tabel 12 PNN Percobaan II dengan nilai h=0.5
pada setiap iterasi (rata-rata akurasi
84%)
Kelas
Asli
1
2
3
4
5
6

1

2

3

4

9
2
0
0
1
0

1
8
0
0
0
0

0 0
0 0
7 0
0 10
2 1
0 0

5

6

0 0
0 0
3 0
0 0
6 0
0 10

7 8 9 10
0
0
0
0
0
0

0
0
0
0
0
0

0
0
0
0
0
0

0
0
0
0
0
0

Kelas
Asli
1
2
3
4
5
6
7
8
9
10

1

2

3 4

5

6

7

8 9 10

9
2
0
0
1
0
0
0
0
0

1
8
0
1
0
0
0
0
0
0

0
0
7
0
2
0
0
0
0
0

0
0
3
0
6
0
0
0
0
0

0
0
0
0
0
10
1
0
1
0

0
0
0
0
0
0
6
1
0
0

0
0
0
0
0
0
2
9
0
0

0
0
0
9
1
0
0
0
0
0

0 0
0 0
0 0
0 0
0 0
0 0
0 1
0 0
9 0
0 10

Tabel 15 PNN Percobaan II dengan nilai h=0.8
pada setiap iterasi (rata-rata akurasi
83%)
Kelas
Asli
1
2
3
4
5
6
7
8
9
10

1 2

3 4

5

6

7 8 9 10

9
2
0
0
1
0
0
0
0
0

0
0
7
0
2
0
0
0
0
0

0
0
3
0
6
0
0
0
0
0

0
0
0
0
0
10
1
0
1
0

0
0
0
0
0
0
6
1
0
0

1
8
0
1
0
0
0
0
0
0

0
0
0
9
1
0
0
0
0
0

0
0
0
0
0
0
2
9
0
0

0 0
0 0
0 0
0 0
0 0
0 0
0 1
0 0
9 0
0 10

9

10

Tabel 16 PNN Percobaan II dengan nilai h=0.9
pada setiap iterasi (rata-rata akurasi
84%)
Kelas
Asli
1
2
3
4
5
6
7
8
9
10

1

2

3 4

5

6

7 8 9 10

9
1
0
0
1
0
0
0
0
0

1
9
0
1
0
0
0
0
0
0

0
0
7
0
2
0
0
0
0
0

0
0
3
0
6
0
0
0
0
0

0
0
0
0
0
10
1
0
1
0

0
0
0
0
0
0
6
1
0
0

0
0
0
9
1
0
0
0
0
0

0
0
0
0
0
0
2
9
0
0

0 0
0 0
0 0
0 0
0 0
0 0
0 1
0 0
9 0
0 10

Tabel 17 PNN Percobaan II dengan nilai h=1
pada setiap iterasi (rata-rata akurasi
84%)
Kelas
Asli
1
2
3
4
5
6
7
8
9
10

1

2

3

4

5 6

7 8 9 10

6
0
0
0
0
0
0
0
0
0

2
10
0
1
0
0
0
0
0
0

0
0
7
0
0
0
0
0
0
0

0
0
0
9
1
0
0
0
0
0

2
0
3
0
9
0
0
0
0
0

0
0
0
0
0
0
8
0
0
0

0
0
0
0
0
9
1
0
1
0

0
0
0
0
0
0
1
7
0
0

0 0
0 0
0 0
0 0
0 0
1 0
0 0
0 3
9 0
0 10

Akurasi yang didapat dengan nilai h=0.5
adalah 84%, nilai h=0.6-0.8 adalah 83% dan
nilai h=0.9-1 adalah 84%. Akurasi kelima
percobaan pada setiap nilai h tidak memiliki
perbedaan yang signifikan, namun terjadi
peningkatan akurasi yang sangat signifikan dari
percobaan I.

Gambar 24 Tingkat akurasi setiap jenis Shorea
pada percobaan II.
Pada Gambar 24, dapat dilihat tingkat
akurasi yang dihasilkan untuk setiap jenis
Shorea. Nilai h yang diambil merupakan nilai h
yang menghasilkan nilai rata-rata akurasi
terbesar yaitu nilai h=0.9.

Perbandingan Percobaan I dan Percobaan II
Percobaan I dan Percobaan II menghasilkan
nilai akurasi yang berbeda. Pada percobaan I
didapat rerata akurasi terbesar sebesar 72%,
sedangkan pada percobaan II didapat rerata
akurasi 84%. Terlihat adanya peningkatan
akurasi sebesar 12% tanpa menggunakan fitur
luas dan keliling daun. Dapat dikatakan bahwa
fitur luas dan keliling mempengaruhi akurasi
PNN.
Pada penelitian ini juga dibandingkan kasuskasus yang terjadi pada setiap percobaan dalam
identifikasi jenis Shorea. Ada 5 kasus hasil
identifikasi Shorea dari hasil perbandingan
percobaan I dan percobaan II dapat dilihat pada
Tabel 18.
Tabel 18 Kasus hasil perbandingan percobaan I
dan percobaan II
Kasus
Salah Tetap
Salah Berbeda
Salah-Benar
Benar-Salah
Benar-Benar

Percobaan I
Salah
Salah
Salah
Benar
Benar

Percobaan II
Salah
Salah
Benar
Salah
Benar

Kasus Salah Tetap adalah pada Percobaan I
suatu jenis Shorea salah terdidentifikasi dan
pada Percobaan II juga salah terdidentifikasi,
namun kesalahan yang terjadi adalah kesalahan
untuk jenis yang sama. Kasus Salah Berbeda
adalah pada Percobaan I suatu jenis Shorea
salah terdidentifikasi, dan pada Percobaan II
juga salah teridentifikasi namun kesalahan yang
terjadi adalah kesalahan untuk jenis yang
berbeda. Kasus Salah-Benar adalah pada
Percobaan I suatu jenis Shorea salah
teridentifikasi, namun pada Percobaan II Shorea
benar teridentifikasi. Kasus Benar-Salah adalah
pada Percobaan I suatu jenis Shorea benar
teridentifikasi, namun pada Percobaan II Shorea
salah teridentifikasi. Kasus Benar-Benar adalah
pada Percobaan I maupun pada Percobaan II
Shorea benar teridentifikasi.
Percobaan I dan Percobaan II dengan nilai
h=1 akan dibandingkan untuk melihat
persentase dari masing-masing kasus yang telah
dijelaskan. Hasil perbandingan kedua percobaan
tersebut dapat dilihat pada Lampiran 2.
Tabel 19 Presentase pada setiap kasus dengan
nilai h=1
Kasus
Salah Tetap
Salah Berbeda
Salah - Benar

Jumlah
6
7
22

Presentase
6%
7%
22%

10

11

Lanjutan
Kasus
Benar - Salah
Benar - Benar

Jumlah
3
62

Presentase
3%
62%

Perbandingan akurasi percobaan I dan
percobaan II dapat dilihat pada Gambar 25.
Pada Gambar 25, dapat dilihat bahwa setelah
menghilangkan fitur luas dan keliling
memberikan pengaruh terhadap akurasi yaitu
meningkatnya akurasi.

jaringan syaraf tiruan propogasi balik atau
metode jaringan syaraf tiruan lainnya dengan
jenis data yang sama.

DAFTAR PUSTAKA
Fathurohman Z. 2009. Pengembangan Model
Probabilistic Neural Network
untuk
Penentuan Belimbing Manis [skripsi].
Bogor: Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian Bogor.
Fauset L. 1994. Fundamentals of Neural
Networks : Architectures, Algorithms, and
Applications. New Jersey : Prentice Hall.
Fu LM 1994. Neural Networks in Computer
Intelligence. Boston : McGraw-Hill.

Gambar 25 Grafik perbandingan akurasi
percobaan I dan percobaan II.

KESIMPULAN DAN SARAN
Kesimpulan
Dari beberapa percobaan yang dilakukan
dengan metode PNN, diperoleh kesimpulan
sebagai berikut :
 Pada percobaan yang menggunakan fitur
diameter, luas, keliling, aspect ratio, form
factor, perimeter ratio of diameter, sudut
daun, jarak antar daun, jarak tangkai-daun,
dan jumlah tulang daun (Percobaan I),
diperoleh rata-rata akurasi terbesar (72%)
dengan parameter smoothing (h=0.6, 0.7,
0.8, 0.9, dan 1). Pada percobaan yang tidak
menggunakan fitur luas dan keliling
(Percobaan II), diperoleh rata-rata akurasi
terbesar (84%) dengan parameter smoothing
(h=0.5, 0.9 dan 0.1). Hal ini menunjukkan
terjadi peningkatan sebesar 12% dan dapat
disimpulkan bahwa fitur luas dan keliling
berpengaruh terhadap akurasi.
 Jenis
Shorea
Lepida
selalu
tepat
diidentifikasi dengan benar, baik pada
Percobaan I yang masih menggunakan fitur
luas dan keliling maupun pada Percobaan II
yang tidak menggunakan fitur luas dan
keliling.
Saran
Pada penelitian selanjutnya yang berkaitan
dengan penelitian ini adalah melakukan
perbandingan tingkat akurasi dengan metode

Newman MF, Burgess PF, Whitmore TC. 1999.
Pedoman
Identifikasi
Pohon-Pohon
Dipterocarpaceae Jawa sampai Nuigini.
Bogor : PROSES INDONESIA.
Nurjayanti B. 2011. Identifikasi Shorea
Menggunakan
K-Nearest
Neighbour
Berdasarkan Karakteristik Morfologi Daun
[skripsi]. Bogor: Fakultas Matematika dan
Ilmu Pengetahuan Alam, Institut Pertanian
Bogor.
Puspitasari D. 2011. Identifikasi Shorea
Menggunakan Jaringan Syaraf Tiruan
Propogasi Balik Berdasarkan Karakteristik
Morfologi Daun [skripsi]. Bogor: Fakultas
Matematika dan Ilmu Pengetahuan Alam,
Institut Pertanian Bogor.
Seminar KB, Buono A, Alim MK. 2006. Uji
dan aplikasi komputasi pararel pada jaringan
syaraf probabilistik (PNN) untuk proses
klasifikasi mutu tomat. Jurnal Teknologi
20(1) : 34-45.
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, et al. 2007. A Leaf Recognition
Algorithm for Plant Classification Using
Probabilistic Neural Network. In Signal
Processing and Information Technology,
2007, China.11-16.

11

12

LAMPIRAN

12

13

Lampiran 1 Contoh pengukuran data Shorea
Luas

Keliling

Prm/diameter

16.3

Aspect
Ratio
2.72

2.15

Form
Factor
0.79

J.Tlg
Daun
17

46.67

TangkaiDaun
1.2

DaunDaun
5.2

76.77

35.01

6.1

17.2

2.82

82.36

36.58

2.13

0.77

19

41.67

1.2

5.2

6.2

16.2

2.61

78.85

35.17

2.17

0.80

18

43.33

1

5.5

16.1

7

16.1

14.7

6.5

14.7

2.30

88.47

36.27

2.26

75.01

33.28

2.25

0.84

22

38.33

1

3.5

2.26

0.85

18

35.00

1

3.5

15.2

6.6

15.2

2.30

78.75

34.23

2.25

0.84

21

36.67

1

4.6

16.7

6.6

16.7

2.53

86.52

36.58

2.19

0.81

22

38.33

1

5

15.4

6.3

15.4

16

7.4

16

2.44

76.16

34.07

2.21

0.82

18

43.33

1

6.5

2.16

92.94

36.74

2.30

0.86

19

38.33

1

5.7

17.8

7.2

17.8

2.47

100.61

39.25

2.21

0.82

19

38.33

1

7.5

12.8

4.1

12.8

3.12

41.20

26.53

2.07

0.73

17

38.33

0.9

3.5

12.3

4

12.3

3.08

38.62

25.59

2.08

0.74

14

36.67

0.9

4

13.7

4.3

13.7

3.19

46.24

28.26

2.06

0.73

19

33.33

0.9

3.5

12.4

4.1

12.4

3.02

39.91

25.91

2.09

0.75

18

35.00

0.8

3.2

13.5

4.4

13.5

3.07

46.63

28.10

2.08

0.74

14

31.67

0.8

3.5

12.1

3.8

12.1

3.18

36.09

24.96

2.06

0.73

16

33.33

0.8

3.5

12.5

4.2

12.5

2.98

41.21

26.22

2.10

0.75

15

33.33

0.8

3.8

13.5

4.4

13.5

3.07

46.63

28.10

2.08

0.74

17

36.67

0.8

3.8

13

4.2

13

3.10

42.86

27.00

2.08

0.74

19

38.33

0.9

2.9

Panjang

Lebar

Diameter

16.3

6

17.2
16.2

Sudut

13

4.3

13

3.02

43.88

27.16

2.09

0.75

17

40.00

0.9

2.9

27.4

10.8

27.4

2.54

232.30

59.97

2.19

0.81

16

43.33

1.9

5

24

7.5

24

3.20

141.30

49.46

2.06

0.73

20

40.00

0.9

4.5

27.4

9.4

27.4

2.91

202.18

57.78

2.11

0.76

17

36.67

1.1

5

29.1

10

29.1

2.91

228.44

61.39

2.11

0.76

16

36.67

1.2

4.2

13

14

Lampiran 2 Perbandingan kesalahan pada percobaan I dan percobaan II dengan nilai h = 1
Fold I

Kelas Aktual

Materialis

Fold II

Fold III

Fold IV

Fold V

P.I

P.II

P.I

P.II

P.I

P.II

P.I

P.II

P.I

P.II

Materialis

Seminis

-

-

Materialis

Platyclados

-

-

Materialis

Materialis

Palembanica
Javanica

Seminis

Javanica

-

-

Seminis
Palembanica

Materialis

Palembanica

Materialis
Seminis

Johorensis

Palembanica

Palembanica

Javanica

Seminis

Johorensis

Johorensis

Materialis

Palembanica

Seminis

Platyclados

-

-

Macroptera

-

-

Macroptera

Pinanga

Macroptera

Materialis
Leprosula

Materialis
Johorensis

Javanica

Javanica

Javanica

Johorensis

Seminis

Seminis

Seminis

Seminis

-

-

-

-

Palembanica

-

-

Pinanga

Macroptera

Macroptera
Leprosula

-

-

Javanica

Palembanica

Materialis
-

-

Seminis

Johorensis

Johorensis

Johorensis

Leprosula

Leprosula
Macroptera

Javanica

Seminis

Materialis

Macroptera
Pinanga

Javanica

Johorensis

Pinanga

Macroptera

Johorensis

Macroptera

Macroptera

Lepida

Pinanga

Macroptera

Leprosula

Johorensis

Johorensis

Seminis

Seminis

Palembanica
Johorensis

Johorensis

Johorensis

Leprosula

Pinanga

Pinanga

Pinanga

Pinanga

Materialis

Macroptera

-

-

Macroptera

Lepida

Johorensis

Leprosula

Pinanga

Leprosula

Johorensis

14

1

1

i

ABSTRACT
YUNI PURNAMASARI HUTABARAT. Shorea Species Identification Based on Leaf Morphology
Using Probabilistic Neural Network. Supervised by AZIZ KUSTIYO.
Indonesia is a country which has a large forest area. Dipterocarpaceae is the best timber tree of
tropical rain forest. Shorea is a genus of Dipterocarpaceae family which consist of 194 species.
Shorea has a considerable number of benefits. It is the most important timber source. Shorea can be
used to produce varnish, paint and other chemical materials.
Species diversity and morphological similarity may lead to difficulty in identifying the species of
Shorea. Mistake in identifying Shorea can lead to inappropriate selection for the final usability.
Identification using leaf is the first choice for plant classification compared to biology methods which
use cell and molecule.
This research aims to develop an identification system to identify Shorea based on morphological
characteristic of Shorea. The system identifies 10 species of Shorea. The identification system being
built uses Probabilistic Neural Network.
The data are divided into