Tabel 10 Hasil percobaan fold 6 menggunakan K-NN k=1 dan k=2
Aktual Prediksi Analisis Tekstur
Prediksi Wavelet KelasJenis
Data ke-
KelasJenis Dekat
pada data ke-
KelasJenis Dekat
pada data ke-
1 F.angustifolia 21
1 F.angustifolia 3
1 F.angustifolia 3
22 7
8 23
3 7
24 1
4 2 F.imbricata
21 2 F.imbricata
4 2 F.imbricata
18 22
15 18
23 4 F.sumatrana
19 12
24 2
4 3 F.javanica
21 3 F.javanica
12 3 F.javanica
12 22
15 19
23 9
13 24
10 20
4 F.sumatrana 21
4 F.sumatrana 6
4 F.sumatrana 4
22 6
6 23
14 14
24 14
14
salah klasifikasi Tabel 11 Rekapitulasi percobaan
KNN k = 1 dan k=2 JST jumlah hidden neuron = 30
RGB dan analisis tekstur Wavelet
RGB dan analisis tekstur
Wavelet tanpa
transformasi dengan
transformasi
86,46 94,79
Level 1 96,88
94,79 Level 1
99,0 Level 2
92,71 Level 2
95,8 Level 3
90,63 Level 3
92,7 Level 4
90,63 Level 4
91,7
Tabel 11 menunjukkan hasil akurasi di atas 85. Hasil percobaan dengan K -NN dicapai akurasi tertinggi pada k=1 dan k=2, sedangkan dengan JST dicapai akurasi
tertinggi pada level satu dengan jumlah hidden neuron 30.
4.5. Prototype Sistem Klasifikasi Freycinetia
Prototype terdiri atas empat macam, yaitu prototype satu menggunakan ekstraksi fitur RGB dan analisis tekstur dengan pengenal pola K-NN, sedangkan
prototype dua menggunakan JST. Prototype tiga menggunakan ekstraksi fitur dekomposisi wavelet level satu dengan pengenal pola K-NN, sedangkan prototype
empat menggunakan JST. Prototype satu ditunjukkan pada Lampiran 8.
BAB V KESIMPULAN DAN SARAN
5.1.Kesimpulan
Berdasarkan penelitian yang dilakukan dapat diperoleh kesimpulan sebagai berikut :
1. Hasil klasifikasi citra stomata Freycinetia menggunakan K-NN dengan ekstraksi fitur RGB dan analisis tekstur pada data yang ditransformasi dapat
meningkatkan nilai akurasi dari 86 ,46 menjadi 94,79. 2. Hasil klasifikasi citra stomata Freycinetia menggunakan ekstraksi fitur RGB
dan analisis tekstur dengan K -NN dan JST menghasilkan akurasi sebesar 86,46 dan 94,79, dengan jumlah data yang salah diklasifikasikan masing -
masing sebanyak 13 dan 5 buah data. 3. Hasil klasifikasi citra stomata Freycinetia menggunakan ekstraksi fitur
dekomposisi wavelet w-entropy dengan K-NN dan JST menghasilkan akurasi sebesar 96,88
dan 99, dengan jumlah data yang salah diklasifikasikan masing-masing sebanyak 3 dan 1 buah data, relatif lebih
tinggi dibandingkan menggunakan ekstraksi fitur RGB dan analisis tekstur. 4. Hasil dekomposisi wavelet level dua hingga level empat cenderung tidak
menaikkan nilai akurasi, begitu pula dengan penambahan jumlah hidden neuron menghasilkan akurasi yang relatif sama pada hidden neuron 10 dan 30.
5.2.Saran
Penelitian ini dapat dikembangkan untuk menghitung nilai indeks stomata dan kerapatan stomata dengan menggunakan jenis Freycinetia yang lebih bervariasi.
Penentuan data latih dan data uji dilakukan melalui proses pengacakan dengan variasi nilai k-fold.
DAFTAR PUSTAKA
Ahmad U. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya. Yogyakarta: Graha Ilmu.
Brink M, Escobin RP. 2003. Fibre Plants. Wageningen: Prosea. Callmander MW, Chassot P, Kupfer P, Lowry PP. 2003. Recognition of
Martellidendron a new genus of Pandanaceae, and its biogeographic implications. Taxon 52:747-762.
Dahlgren RMT, Clifford HT, Yeo PF. 1985. The Families of the Monocotyledons. Tokyo: Springer-Verlag.
Damayanti F. 2007. Analisis jumlah kromosom dan anatomi stomata pada beberapa plasma nutfah pisang Musa sp. asal Kalimantan Timur.
Bioscientiae 2007;4:53-61. Duda RO, Hart PE. 1995. Pattern Classification and Scene Analysis 2
nd
edition. New York: John Wiley Sons.Inc .
Fausett L. 1994. Fundamentals of Neural Networks Architectures, Algorithms, and Applications. New Jersey : Prentice-Hall, Inc.
Gasim. 2006. Jaringan syaraf tiruan untuk p engenalan jenis kayu berbasis c itra [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor.
Han J, Kamber M. 2001. Data Mining: Concepts and Techniques. Morgan Kaufmann.
Hanselman D, Littlefield B. 1998. “Mastering MATLAB 5, A Comprehensive Tutorial and Reference”. Prentice-Hall Inc.
Haralick RM, K Shanmugam, Itshak Dinstein. 1973. Textural features for image classification. IEEE Transaction on System, Man and Cybernetics 3:6.
Haryanto FF. 2010. Analisis kromosom dan stomata tanaman Salak Bali Salacca zalacca var. Amboinensis Becc. Mogea, Salak Padang Sidempuan S.
sumatrana Becc. Mogea dan Salak Jawa S. zalacca var. zalacca Becc. Mogea [skripsi]. Surakarta: Fakultas Pertanian, Unive rsitas Sebelas Maret.
Hermawan A. 2006. Jaringan Syaraf Teori dan Aplikasi . Yogyakarta: ANDI Heyne K. 1987. Tumbuhan Berguna Indonesia. Jakarta: Badan Penelitian dan
Pengembangan Kehutanan, Departemen Kehutanan.