Identifikasi Daun Tanaman Jati Menggunakan Jaringan Saraf Tiruan Backpropagation dengan Ekstraksi Fitur Ciri Morfologi Daun
IDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN
JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN
EKSTRAKSI FITUR CIRI MORFOLOGI DAUN
ASEP HARYONO
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
Tanaman Jati Menggunakan Jaringan Saraf Tiruan Backpropagation dengan
Ekstraksi Fitur Ciri 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, Juli 2013
Asep Haryono
NIM G64104023
ABSTRAK
ASEP HARYONO. Identifikasi Daun Tanaman Jati Menggunakan Jaringan Saraf
Tiruan Backpropagation dengan Ekstraksi Fitur Ciri Morfologi Daun. Dibimbing
oleh AZIZ KUSTIYO.
Identifikasi Jati sangat penting bagi petani Jati untuk mengetahui
karakteristik, manfaat, serta kisaran harga beli dan harga jual dari Jati tersebut.
Penelitian ini membangun suatu sistem yang dapat melakukan identifikasi Jati
secara otomatis. Sistem dibangun menggunakan teknologi Jaringan Saraf Tiruan
(JST) backpropagation dengan ekstraksi fitur ciri morfologi daun. Terdapat lima
ciri dasar yang digunakan yaitu area, perimeter, diameter, panjang, dan lebar daun.
Lima ciri dasar tersebut kemudian diturunkan menjadi 12 ciri turunan. Data yang
digunakan pada penelitian ini adalah citra daun Jati Biotrop, Emas, Jobika, Muna,
Prima dan Super. Masing-masing data terdiri dari 20 citra dengan ukuran citra
1200 x 2300 piksel. Untuk mendapatkan akurasi terbaik, digunakan k-fold cross
validation dengan nilai k=5. Berdasarkan hasil percobaan yang telah dilakukan,
penggunaan hidden neuron sebanyak 17 menghasilkan nilai rata-rata akurasi
terbaik sebesar 84.17%.
Kata kunci : Backpropagation, Daun, Ekstraksi Fitur, Jaringan Saraf Tiruan (JST),
Jati.
ABSTRACT
ASEP HARYONO. Identification of Teak Leaf Using Backpropagation Neural
Network with Leaf Morphology Characteristic Feature Extraction. Supervised by
AZIZ KUSTIYO.
Teak identification is very useful in life. Knowledge about kind of teak is
very important for teak farmers to understand the characteristics, benefits, as well
as the buying and selling price of teak. This research built an automatic teak
identification system using backpropagation Neural Network with leaf
morphology feature extraction. The five basic leaf characteristics that were used
in this research are area, perimeter, diameter, length, and width of the leaf. The
five basic characteristics were then derived into 12 derivative characteristics. The
data were the images of teak leaves of Biotrop, Emas, Jobika, Muna, Prima, and
Super. Each data consists of 20 images with the size of 1200 x 2300 pixel. In
order to obtain the best accuracy, k-fold cross validation with k=5 was used. The
result shows that the best accuracy was 84.17% with 17 hidden neuron of neural
network.
Keywords: Artificial Neural Network (ANN), Backpropagation, Feature
Extraction, Leaf, Teak.
IDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN
JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN
EKSTRAKSI FITUR CIRI MORFOLOGI DAUN
ASEP HARYONO
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 Tanaman Jati Menggunakan Jaringan Saraf
Tiruan Backpropagation dengan Ekstraksi Fitur Ciri Morfologi
Daun
Nama
: Asep Haryono
NIM
: G6104023
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 ke hadirat Allah subhanahu wa ta’ala
yang telah memberikan begitu banyak nikmat sehingga penelitian dan penulisan
ini berhasil diselesaikan. Shalawat serta salam tidak lupa penulis curahkan kepada
Nabi Besar Muhammad shallallahu ‘alaihi wassalam, keluarganya, sahabatnya
serta umatnya hingga akhir zaman. Tulisan ini merupakan hasil penelitian yang
penulis lakukan sejak September 2012 hingga Juli 2013. Tema yang dipilih dalam
penelitian ini ialah identifikasi morfologi, dengan judul Identifikasi Daun
Tanaman Jati Menggunakan Jaringan Saraf Tiruan Backpropagation dengan
Ekstraksi Fitur Ciri Morfologi Daun.
Terima kasih penulis ucapkan kepada seluruh pihak yang telah berperan
dalam penelitian ini, yaitu:
1
Ayahanda Wiryo Atmodjo (almarhum), Ibunda Nafsiyah, Kakanda Hati
Nurani serta saudara yang lain atas doa, kasih saying, semangat dan
dorongan kepada penulis agar dapat menyelesaikan penelitian ini.
2
Bapak Aziz Kustiyo, SSi, MKom, selaku dosen pembimbing yang telah
memberikan banyak ide, masukan, saran dan dukungan kepada penulis
3
Bapak Dr Ir Agus Buono, MSi, Mkom dan Bapak Endang Purnama Giri
SKom, Mkom yang telah bersedia menjadi penguji.
4
Para sahabat: Dedi Kiswanto, Rizkina Muhammad Syam, Muhammad
Muhsin Demokrat serta teman-teman Ilkom Alih Jenis angkatan 5 yang lain
atas kebersamaannya selama kurang lebih 2.5 tahun ini.
5
Rekan satu bimbingan: Cory Diana Lestari, Bangkit Pratama dan Ilvi
Nurrizki Utami yang telah berbagi ilmu dan pengetahuan serta dorongan
semangat selama pengerjaan skripsi.
6
Pihak-pihak lain yang tidak dapat penulis sebutkan satu persatu.
Harapan penulis semoga penelitian dan tulisan ini bermanfaat untuk para
petani di Indonesia pada umumnya dan petani Jati pada khususnya.
Bogor, Juli 2013
Asep Haryono
DAFTAR ISI
DAFTAR TABEL
ix
DAFTAR GAMBAR
ix
DAFTAR LAMPIRAN
ix
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
1
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
2
Jati
2
Jaringan Saraf Tiruan
2
Propagasi Balik
3
Ekstraksi Fitur
3
K-Fold Cross Validation
6
Confusion Matrix
6
METODE PENELITIAN
6
Identifikasi Masalah
7
Pengumpulan Data
7
Praproses Data
8
Ekstraksi Fitur
9
Pembagian Data Latih dan Data Uji
9
Pelatihan
9
Pengujian
10
Analisis Hasil
10
Lingkungan Pengembangan
10
HASIL DAN PEMBAHASAN
11
Pengumpulan Data
11
Ekstraksi Fitur
11
Pembagian Data Latih dan Data Uji
11
Pelatihan
12
Pengujian
SIMPULAN DAN SARAN
12
19
Simpulan
19
Saran
19
DAFTAR PUSTAKA
19
RIWAYAT HIDUP
30
DAFTAR TABEL
1
2
3
4
5
6
7
8
9
10
11
12
13
Parameter JST propagasi balik
Target dan jenis jati
Susunan data latih dan data uji
Percobaan dengan hidden neuron 3
Percobaan dengan hidden neuron 5
Percobaan dengan hidden neuron 8
Percobaan dengan hidden neuron 10
Percobaan dengan hidden neuron 15
Percobaan dengan hidden neuron 17
Percobaan dengan hidden neuron 18
Percobaan dengan hidden neuron 20
Percobaan dengan hidden neuron 30
Hasil nilai rata-rata akurasi terbaik berdasarkan hidden neuron
10
10
12
13
14
14
15
15
16
16
16
17
17
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
Model JST Backpropagation
Area dan perimeter daun.
Diamater daun
Physiological length dan physiological width
Diagram alir metode penelitian
Jenis daun jati
Perubahan warna background
Perubahan mode warna dari RGB ke grayscale
Arsitektur JST tanaman jati
Grafik nilai rata-rata akurasi terbaik pada percobaan I (satu)
Grafik nilai rata-rata akurasi terbaik pada percobaan II (dua)
Boxplot untuk fitur area daun
3
3
4
4
7
8
8
8
9
13
18
18
DAFTAR LAMPIRAN
1
2
3
4
5
6
7
8
Algoritme jaringan saraf tiruan
Algoritme pelatihan Levenberg-Marquardt
Hasil perhitungan morfologi sebelum dilakukan normalisasi
Hasil perhitungan morfologi setelah dilakukan normalisasi
Hasil akurasi untuk masing-masing fold pada percobaan I (satu)
Nilai akurasi setiap jenis jati
Hasil confusion matrix untuk masing-masing jenis Jati dengan fold 1
Boxplot untuk setiap fitur ciri morfologi daun
20
22
23
24
24
25
26
27
PENDAHULUAN
Latar Belakang
Jati yang mempunyai nama latin Tectona grandis Linn. f. merupakan salah
satu jenis kayu komersial yang memiliki nilai ekonomis tinggi dan diminati oleh
banyak orang, baik dalam maupun luar negeri. Hingga saat ini, Jati masih menjadi
komoditas mewah dikarenakan kualitasnya yang tinggi, walaupun harga belinya
mahal (Palupi 2006).
Tanaman Jati sangatlah cocok untuk dibudaya di negara yang beriklim
tropis seperti di Indonesia. Terdapat ratusan varietas tanaman Jati tersebar di
Indonesia antara lain berlokasi di Jawa, Muna, Buton, Maluku dan Nusa Tenggara.
Banyaknya varietas tanaman Jati yang ada menjadikan faktor sulitnya dalam
mengenal jenis tanaman Jati yang satu dengan tanaman Jati yang lain. Sangatlah
dibutuhkan pengetahuan dan pengalaman yang cukup untuk dapat mengetahui
setiap jenis tanaman Jati yang ada. Untuk mempermudah dalam pengenalan
tersebut, perlu dibangun suatu sistem yang dapat mengidentifikasi tanaman Jati
secara otomatis.
Identifikasi tumbuhan dapat dilakukan menggunakan bunga, buah, batang, dan
daun. Namun pada penelitian ini akan digunakan daun tanaman Jati sebagai objek
identifikasi. Hal ini dikarenakan daun cenderung tersedia sebagai sumber
pengamatan sepanjang waktu dan cenderung lebih mudah untuk menjadi objek
pengamatan terutama berupa citra.
Penelitian Puspitasari (2011) dengan objek yang berbeda yaitu identifikasi
jenis Shorea menggunakan Jaringan Saraf Tiruan (JST) Backpropagation
berdasarkan karakteristik morfologi daun diperoleh akurasi yang cukup tinggi
yaitu 94%. Akan tetapi penelitian sebelumnya dengan objek tanaman Jati yaitu
penelitian Asanurjaya (2012) menggunakan Probabilistic Neural Network (PNN)
berdasarkan karakteristik morfologi daun akurasi yang diperoleh masih 77.5%.
Pada penelitian tersebut menggunakan 6 fitur morfologi daun (area, perimeter,
diameter, smooth factor, form factor dan perimeter ratio of diameter).
Oleh karena itu, pada penelitian ini akan mencoba menggunakan metode
klasifikasi JST Backpropagation untuk mengidentifikasi jenis Jati berdasarkan
data citra daun Jati dari Asanurjaya (2012) dengan memperbanyak fitur morfologi.
Pada JST Backpropagation terdapat proses pelatihan yang berulang-ulang dan
memiliki kemampuannya untuk belajar serta kebal terhadap adanya kesalahan
(Fault Tolerance). Dengan kelebihan tersebut dan adanya fitur tambahan yang
digunakan, penelitian ini diharapkan bisa meningkatkan hasil akurasi.
Tujuan Penelitian
Penelitian ini bertujuan menerapkan algoritme Jaringan Saraf Tiruan
Backpropagation dan mengimplementasikan teknik ekstraksi fitur ciri morfologi
daun dalam mengidentifikasi tanaman Jati. Selain itu juga untuk mengetahui
tingkat akurasi dari metode yang digunakan.
2
Manfaat Penelitian
Penelitian ini diharapkan dapat menghasilkan aplikasi identifikasi daun
tanaman Jati sebagai alat untuk membantu petani dalam melakukan pengenalan
tanaman Jati berdasarkan jenis daun.
Ruang Lingkup Penelitian
Ruang lingkup penelitian ini adalah sebagai berikut.
1 Terdiri atas enam jenis tanaman Jati yang digunakan yaitu tanaman Jati
Biotrop, Jati Emas, Jati Jobika, Jati Muna, Jati Prima dan Jati Super.
2 Data citra tanaman Jati diambil pada umur 3-4 bulan. Data diperoleh dari
Asanurjaya (2012) yang diambil dari Laboratorium SEAMEO BIOTROP
Bogor.
3 Ekstraksi fitur yang digunakan adalah berdasarkan ciri morfologi daun.
TINJAUAN PUSTAKA
Jati
Jati merupakan salah satu jenis pohon besar yang menggugurkan daun pada
saat musim kemarau. Pada kondisi lingkungan yang baik, Jati dapat tumbuh
mencapai tinggi 30 - 40 m. Pohon Jati memiliki kulit batang tebal, abu-abu atau
coklat muda keabu-abuan. Jati adalah sejenis pohon penghasil kayu bermutu
tinggi yang dikenal dunia dengan nama teak (bahasa Inggris). Nama ini berasal
dari kata thekku, dalam bahasa Malayalam, bahasa di negara bagian Kerala di
India selatan (Al-Khairi 2008).
Jaringan Saraf Tiruan
Berdasarkan Fausett (1994) Jaringan Saraf Tiruan didefinisikan sebagai
suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai
jaringan Saraf bilogi. JST diciptakan sebagai generalisasi model matematis dari
jaringan Saraf biologi yang didasarkan atas asumsi sebaga berikut:
1 Pemrosesan informasi terjadi pada elemen sederhana ( neuron ).
2 Sinyal dikirimkan di antara sel saraf / neuron melalui suatu sambungan
penghubung.
3 Setiap sambungan penghubung memiliki bobot yang bersesuaian. Bobot ini
akan digunakan untuk mengalikan sinyal yang dikirim.
4 Setiap sel saraf akan menerapkan fungsi aktivasi terhadap sinyal hasil
penjumlahan yang masuk untuk menentukan sinyal keluaran.
Gambar 1 adalah model JST Backpropagation.
3
Gambar 1 Model JST Backpropagation
Propagasi Balik
Propagasi Balik (Backpropagation) merupakan algoritme pembelajaran
yang terawasi (supervised learning) dan biasanya digunakan oleh jaringan
multilayer untuk mengubah bobot-bobot yang terhubung dengan semua neuron
pada hidden layer (Hardelina 2007). Ada tiga tahap pelatihan pada JST Propagasi
Balik, yaitu pelatihan input yang bersifat umpan maju (feed forward),
perhitungan propagasi balik galat yang diperoleh, dan penyesuaian bobot. Ketiga
fase tersebut diulang terus menerus sampai kondisi berhenti terpenuhi. Untuk
perhitungan tercantum pada Lampiran 1.
Ekstraksi Fitur
Menurut Wu et al. (2007) ciri pada ekstraksi ciri morfologi dibedakan
menjadi dua, yaitu ciri dasar dan ciri turunan. Terdapat lima ciri dasar daun yaitu
area (A), perimeter (P), diameter (D), physiological length (Lp) dan physiological
width (Wp). Area adalah perhitungan jumlah piksel dari daerah yang dilingkupi
tepi daun pada citra yang telah dihaluskan, sedangkan perimeter merupakan
perhitungan jumlah piksel yang terdapat pada tepi daun (keliling) sebagaimana
terlihat pada Gambar 2.
Gambar 2 Area dan perimeter daun.
4
Gambar 3 Diamater daun
D iameter merupakan jarak terpanjang antara dua titik pada tepi daun,
terlihat pada Gambar 3. Physiological length adalah jarak antara ujung dan
pangkal daun (panjang tulang daun primer) sedangkan Physiological width adalah
jarak terpanjang dari garis yang memotong tegak lurus physiological length yang
dibatasi tepi daun seperti terlihat pada Gambar 4.
Gambar 4 Physiological length dan physiological width
Terdapat 12 ciri turunan yang didapatkan dari 5 ciri dasar daun yaitu:
1 Smooth factor adalah rasio antara area citra helai daun yang dihaluskan
dengan 5x5 rectangular averaging filter dan area citra helai daunyang
dihaluskan dengan 2x2 rectangular averaging filter. Ciri ini digunakan untuk
mengukur keteraturan tepi daun. Semakin teratur tepi daun, nilainya semakin
mendekati 1. Sebaliknya, semakin tidak teratur tepi daun, nilainya semakin
mendekati 0.
2 Aspect ratio adalah rasio antara physiological length dan physiological width.
Persamaannya dapat dilihat pada Persamaan 1.
p
sp
a io
p
Fungsi ciri ini untuk memperkirakan bentuk helai daun. Jika benilai kurang
dari 1, maka bentuk helai daun tersebut melebar. Jika benilai lebih dari 1,
bentuk helai daun tersebut memanjang.
5
3
Form factor merupakan fitur yang digunakan untuk mendeskripsikan bentuk
dari daun dan mengetahui seberapa bundar bentuk helai daun tersebut. Nilai
form factor dapat dilihat pada Persamaan 2.
om a o
4
Rectangularity mendeskripsikan seberapa perseginya permukaan daun.
Rumusnya diberikan pada Persamaan 3.
an ula i
5
p p
Narrow factor didefinisikan sebagai rasio antara diameter dan physiological
length. Ciri ini untuk menentukan apakah bentuk helai daun tersebut tergolong
simetri atau asimetri. Jika helai daun tersebut tergolong simetri maka benilai 1.
Jika asimetri maka bernilai lebih dari 1. Nilainya dapat dicari menggunakan
Persamaan 4.
a ow a o
6
p
Perimeter ratio of diameter yaitu untuk mengukur seberapa lonjong daun
tersebut. Persamaannya dapat dilihat pada Persamaan 5.
a io o
m
iama
7
Perimeter ratio of physiological length and physiological width. Rumusnya
diberikan pada Persamaan 6.
p
m
a io o ph silo i al l n h an ph siolo i al wi h
p
p
8
Vein features. Persamaannya dapat dilihat pada Persamaan 7, 8, 9, 10 dan 11.
a Rasio antara area helai daun yang telah dikurangi disk-shaped structuring
element dengan radius satu piksel (Av1) dan area daun awal (A).
Rumusnya menggunakan Persamaan 7.
in
b
au s
Rasio antara area helai daun yang telah dikurangi disk-shaped structuring
element dengan radius dua piksel (Av2) dan area daun awal (A).
Persamaann 8 merupakan rumus yang digunakan.
in
au s
6
c. Rasio antara area helai daun yang telah dikurangi disk-shaped structuring
element dengan radius tiga piksel (Av3) dan area daun awal (A). Untuk
menghitungnya menggunakan Persamaan 9.
in
au s
d. Rasio antara area helai daun yang telah dikurangi disk-shaped structuring
element dengan radius empat piksel (Av4) dan area daun awal (A).
Persamaan 10 merupakan persamaan yang digunakan.
in
au s
e. Rasio antara area helai daun yang telah dikurangi disk-shaped structuring
element dengan radius empat piksel (Av4) dan area helai daun yang telah
dikurangi disk-shaped structuring element dengan radius satu piksel (Av1).
Persamaannya dapat dilihat pada Persamaan 11.
in
au s
K-Fold Cross Validation
Pada metode k-fold cross validation, data dibagi menjadi k subset (fold)
yang saling bebas secara acak, yaitu S1, S2....Sk, yang diasumsikan memiliki
ukuran yang sama. Pelatihan dan pengujian dilakukan sebanyak k kali. Pada
iterasi ke-i subset S1 diperlakukan sebagai data pengujian dan subset lainnya
sebagai data pelatihan. Tingkat akurasi dihitung dengan membagi jumlah
keseluruhan klasifikasi yang benar dengan jumlah semua instance pada data awal
(Han dan Kamber 2001).
Confusion Matrix
Confusion Matrix merupakan sebuah tabel yang terdiri atas 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. 2006).
METODE PENELITIAN
Secara garis besar metode penelitian terdiri atas identifikasi masalah,
pengumpulan data, praproses data, ekstraksi fitur, pembagian data latih dan data
uji, pelatihan, pengujian dan terakhir adalah analisis hasil sebagaimana terlihat
pada Gambar 5.
7
Mulai
Identifikasi
Masalah
Pengumpulan
Data
Praproses
Data
Ekstraksi
Fitur
Pembagian
Data Latih dan Data Uji
Data Uji
Data Latih
JST Backpropagation
Pelatihan JST
Pengujian JST
Analisis
Hasil
Selesai
Gambar 5 Diagram alir metode penelitian
Identifikasi Masalah
Banyaknya varietas tanaman Jati baik Jati unggul maupun Jati biasa
menjadikan suatu faktor penyebab sulitnya dalam pengenalan jenis tanaman Jati
yang satu dengan yang lainnya. Pengetahuan dari orang yang berpengalaman
dalam bidang Jati sangatlah diperlukan untuk mengetahui dan mengenali jenisjenis Jati. Pemilihan kayu yang tidak tepat untuk kegunaan akhir dapat
diakibatkan dari kesalahan dalam mengidentifikasi jenis Jati. Oleh karena itu
diperlukan solusi berupa suatu sistem yang dapat mengidentifikasi jenis-jenis Jati
sehingga dapat dengan tepat membedakan jenis Jati yang ada.
Pengumpulan Data
Citra yang akan digunakan pada penelitian ini adalah citra daun tanaman
Jati yang sampelnya diambil dari Laborium Kultur Jaringan SEAMEO BIOTROP
Bogor. Jumlah citra daun yang digunakan 6 varietas. Satu varietas diwakili
dengan 20 citra, sehingga total citra ada sebanyak 120 citra. Citra yang digunakan
berukuran 1200x2300 piksel, citra ini diakuisisi menggunakan kamera digital
sebagaimana terlihat pada Gambar 6.
8
Biotrop
Emas
Jobika
Muna
Prima
Super
Gambar 6 Jenis daun jati
Praproses Data
Praproses data merupakan tahap awal sebelum dilakukan ekstraksi. Pada
tahap ini dilakukan perubahan warna pada latar belakang. Latar belakang
(background) yang sebelumnya berwarna, kemudian dihilangkan. Gambar 7
berikut ini merupakan ilustrasi perubahan warna latar belakang.
Setelah dilakukan perubahan warna pada background, tahap selanjutnya
adalah mengubah mode warna citra yang pada awalnya RGB menjadi grayscale
seperti terlihat pada Gambar 8 Pada langkah ini diperlukan suatu masukan citra
biner dengan threshold tertentu. Nilai threshold merupakan suatu nilai yang
memisahkan antara piksel objek dengan piksel latar belakang citra.
Gambar 7 Perubahan warna background
Gambar 8 Perubahan mode warna dari RGB ke grayscale
9
Ekstraksi Fitur
Pada tahap ini dilakukan penurunan terhadap ciri dasar morfologi. Lima ciri
dasar morfologi yang digunakan pada penelitian ini adalah diamater,
physiological length, physiological width, area, dan perimeter/keliling daun. Ciri
dasar tersebut dikombinasikan sehingga mendapatkan 12 ciri turunan di antaranya
smooth factor, aspect ratio, form factor, rectangularity, narrow factor, perimeter
ratio of diameter, perimeter ratio of physiological length and physiological
width serta lima ciri urat daun. Informasi ciri tersebut direpresentasikan sebagai
sebuah vektor dengan dua belas elemen.
Pembagian Data Latih dan Data Uji
Pembagian data latih dan data uji dilakukan dengan menggunakan metode kfold cross validation dengan menggunakan k sama dengan 5. Pada kombinasi ini
data dibagi menjadi 5 subset (S1, S2, S3, S4, S5) dengan masing-masing subset
memiliki anggota yang sama. Pada kombinasi ini proses identifikasi akan
dilakukan 5 kali iterasi berdasarkan metode k-fold cross validation. Data latih dan
data uji memiliki subset yang berbeda pada setiap iterasi.
Pelatihan
Sebelum dilakukan pelatihan maka terlebih dahulu dibuat arsitektur JST
seperti terlihat pada Gambar 9
Gambar 9 Arsitektur JST tanaman jati
Arsitektur JST ini menggunakan algoritme propagasi balik yang kemudian
dilakukan pelatihan dengan paramater-paramater JST yang telah ditentukan.
Pelatihan data dilakukan beberapa kali sampai menemukan galat terkecil.
Langkah selanjutnya hasil pelatihan tersebut disimpan untuk digunakan kembali
pada tahap pengujian. Tabel 1 memperlihatkan parameter JST yang digunakan
pada proses pelatihan.
10
Tabel 1 Parameter JST propagasi balik
Karakteristik
Arsitektur
Neuron input
Hidden Neuron
Neuron Output
Fungsi Aktivasi
Toleransi galat
Maksimum epoch
Algoritme JST
Spesifikasi
1 hidden layer
6, 17
3, 5, 8, 10, 15, 17, 18, 20 dan 30
6
Sigmoid Bipolar, Fungsi Identitas
0
100
Levenberg-Marquardt
Perhitungan algoritme JST Levenberg-Marquardt terdapat pada Lampiran 2.
Adapun definisi target dari jenis Jati disajikan pada Tabel 2.
Tabel 2 Target dan jenis jati
o
N
1
2
3
4
5
6
Jenis Jati
Biotrop
Emas
Jobika
Muna
Prima
Super
Target
100000
010000
001000
000100
000010
000001
Pengujian
Pada tahap ini dilakukan pengelompokan data yang telah dilakukan
pengujian berdasarkan varietas dengan menggunakan tabel confusion matrix.
Pengujian model dilakukan dengan menggunakan data uji. Sistem diuji dengan
menghitung akurasi, yaitu jumlah data yang berhasil dikenali benar oleh metode
JST. Persamaan 12 digunakan untuk menghitung akurasi:
Analisis Hasil
Agar dapat dengan mudah dilihat dan dianalisis seberapa besar akurasi pada
identifikasi daun tanaman Jati, hasil akhir dibuat dalam bentuk grafik. Selain itu
juga dilakukan pengamatan terhadap parameter-parameter JST yang digunakan
untuk melihat pengaruh terhadap hasil akurasi yang didapatkan.
Lingkungan Pengembangan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk
penelitian ini adalah sebagai berikut:
Perangkat keras:
1 Processor Intel ® Core i3
11
2
3
Memory 2GB
Hardisk 320GB
1
2
Perangkat lunak:
Sistem Operasi Microsoft Windows 7
Matlab 7.7 (R2008b)
HASIL DAN PEMBAHASAN
Pengumpulan Data
Penelitian ini menggunakan data hasil pengukuran yang dilakukan pada
penelitian sebelumnya oleh Asanurjaya (2012). Pada tahap ini dilakukan
identifikasi enam jenis daun Jati dengan menggunakan karakteristik morfologi
daun. Adapun enam jenis Jati tersebut yaitu Biotrop, Emas, Jobika, Muna, Prima,
dan Super. Enam jenis ini masing-masing terdiri atas dua puluh sampel data
sehingga total data sebanyak 120 data.
Ekstraksi Fitur
Pengujian dilakukan pada percobaan I (satu) dan percobaan II (dua).
Percobaan satu dilakukan terhadap 6 ciri morfologi daun sesuai dengan ciri
morfologi yang digunakan oleh Asanurjaya (2012) yaitu area, perimeter, diameter,
smooth factor, form factor dan perimeter ratio of diameter. Pengujian selanjutnya
dilakukan pada percobaan dua yaitu dengan menggunakan 5 ciri dasar morfologi
ditambah dengan 12 ciri turunan, yaitu area, perimeter, diameter, physiological
length, physiological width, smooth factor, aspect ratio,
form factor,
rectangularity , narrow factor, perimeter ratio of diameter, perimeter ratio of
physiological length and physiological width dan vein features.
Hasil yang diperoleh dari perhitungan morfologi daun pada percobaan I dan
II memiliki rentang nilai yang sangat jauh seperti tercantum pada Lampiran 3. Hal
ini tentunya akan memengaruhi nilai akurasi, oleh karena itu sebelum dilakukan
pembagian data latih dan data uji terlebih dahulu dilakukan normalisasi data
sehingga semua nilai akan memiliki rentang nilai yang tidak terlalu jauh. Tidak
semua nilai ekstraksi fitur dilakukan normalisasi, tapi hanya beberapa nilai saja
yang memiliki nilai rentang yang sangat jauh yaitu nilai area, perimeter, dan
diameter, physiological length dan physiological width seperti terlihat pada
Lampiran 4.
Pembagian Data Latih dan Data Uji
Pembagian data latih dan data uji ini dilakukan dengan menggunakan
metode k-fold cross validation dengan menggunakan k sama dengan 5. Jumlah
data yang diperoleh sebanyak 120 record dan dibagi menjadi 5 subset sehingga
setiap subset terdiri atas 24 record. Subset yang berjumlah 24 record tersebut
terdiri atas 4 record dari masing-masing jenis daun.
12
Percobaan pertama (fold I) menggunakan 96 record sebagai data latih yang
berisi subset 1,2,3, dan 4. Subset 5 yang berisi 24 record dijadikan sebagai data
uji. Percobaan terus dilakukan hingga setiap subset pernah dijadikan data uji
seperti terlampir pada Tabel 3.
Tabel 3 Susunan 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, S4, S5
S1, S3, S4, S5
S2, S3, S4, S5
Pengujian
S5
S4
S3
S2
S1
Pelatihan
Nilai parameter JST yang optimal sangatlah penting untuk mendapatkan
model JST yang baik. Penentuan JST optimal dilihat berdasarkan jumlah epoch
minimum pada setiap percobaan. Penentuan parameter JST optimal pada
percobaan ini dilihat dari nilai parameter yang dapat menghasilkan nilai akurasi
tertinggi untuk setiap iterasi. Jika ada dua atau lebih nilai parameter yang
menghasilkan akurasi yang sama, penentuan parameter JST optimal akan dilihat
berdasarkan nilai parameter yang memiliki epoch terkecil sebagaimana terdapat
pada Lampiran 5.
Untuk menentukan parameter JST optimal dimulai dengan percobaan
beberapa nilai hidden neuron. Adapun nilai hidden neuron yang digunakan yaitu 3,
5, 8, dan 10 dengan epoch sebesar 100. Perobaan ini akan terus dilakukan dengan
beberapa nilai hidden neuron yang lain sehingga bisa didapatkan nilai akurasi
yang baik. Untuk meningkatkan hasil akurasi, perlu juga dilakukan perubahan
pada parameter yang lain seperti jumlah epoch dan fungsi aktivasi.
Pengujian
Akurasi setiap percobaan didapat dari perhitungan confusion matrix yang
terdiri dari jumlah baris data uji yang diprediksi benar atau tidak oleh model
klasifikasi. Berdasarkan hasil percobaan, tidak semua jenis Jati dapat
teridentifikasi dengan baik sesuai dengan jenis Jati yang ada.
Percobaan I (satu) dengan menggunakan 6 ciri morfologi daun hasil akurasi
maksimal yang diperoleh sebesar 78.33%. Nilai hasil akurasi pada percobaan ini
ternyata lebih besar dari percobaan yang telah dilakukan oleh Asanurjaya (2012).
Gambar 10 merupakan hasil dari percobaan satu berdasarkan jumlah hidden
neuron yang digunakan. Dengan menggunakan hidden neuron 3 hasil akurasi
yang diperoleh sebesar 61.66%. Namun hasil akurasi mengalami penurunan
setelah dilakukan dengan menggunakan hidden neuron 18, 20, dan 30. Hal ini
membuktikan bahwa jumlah hidden neuron yang digunakan sangatlah
berpengaruh terhadap hasil akurasi yang didapatkan, tetapi semakin tinggi hidden
neuron tidak selalu semakin tinggi pula hasil akurasi yang didapatkan. Tabel
akurasi untuk percobaan I dapat dilihat pada Lampiran 6.
13
Gambar 10 Grafik nilai rata-rata akurasi terbaik pada percobaan I (satu)
Selanjutnya dilakukan Percobaan II dengan menggunakan 17 ciri morfologi
daun. Hasil confusion matrix untuk masing-masing jenis Jati pada fold 1 terdapat
pada Lampiran 7. Percobaan awal dengan menggunakan hidden neuron sebanyak
3, nilai akurasi rata-rata yang dihasilkan adalah sebesar 65%. Berdasarkan Tabel 4
terlihat bahwa data jenis Jati yang paling banyak dikenali adalah Jati Super yang
sebesar 85%. Kemudian yang dikenali paling banyak setelah Jati Super adalah Jati
Biotrop yaitu sebesar 80%. Jati Biotrop dapat teridentifikasi sebagai Jati Emas,
Jobika, Muna dan Prima, sedangkan Jati Emas dapat teridentifikasi sebagai Jati
Prima. Selain itu juga terdapat jenis Jati yang dikenali sebagai Jati Super yaitu Jati
Jobika, Muna dan Prima. Pada percobaan ini yang paling sedikit teridentifikasi
dengan baik adalah jenis Jati Prima yaitu hanya sebesar 30%. Jenis Jati Prima
lebih banyak teridentifikasi sebagai Jati Emas hal ini dimungkinkan karena bentuk
dan ukuran kedua jenis Jati ini hampir sama.
Tabel 4 Percobaan dengan hidden neuron 3
Kelas
Asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
16
0
2
0
3
0
Emas
1
15
0
0
9
0
Kelas Prediksi
Jobika Muna
1
1
0
0
12
2
5
12
1
0
1
2
Prima
1
5
1
0
6
0
Super
0
0
3
3
1
17
14
Percobaan selanjutnya dengan menggunakan hidden neuron sebanyak 5.
Hasil akurasi yang diperoleh pada percobaan ini sebesar 71,67%. Pada percobaan
ini besarnya data uji yang dikenali benar mengalami peningkatan dari sebelumnya.
Pada Tabel 5 data uji yang berhasil dikenali paling banyak adalah Jati Super dan
Jati Emas yaitu sebesar 85%. Jati Emas mengalami peningkatan walaupun masih
dapat teridentifikasi sebagai Jati Prima dan Super.
Jati Biotrop tidak mengalami peningkatan akurasi dan masih bisa
teridentifikasi sebagai Jati Emas, Jobika, Muna dan Super.Selain Jati Biotrop, ada
juga jenis Jati lain yang teridentifikasi sebagai Jati Super yaitu Jati Emas, Jobika
dan Muna. Jati Jobika dapat teridentifikasi sebagai Jati Biotrop, sedangkan Jati
Prima dapat teridentifikasi sebagai Jati Emas. Untuk Jati Super dapat
teridentifikasi sebagai Jati Emas, Jobika dan Muna.
Tabel 5 Percobaan dengan hidden neuron 5
Kelas
Asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
16
0
2
2
2
0
Emas
1
17
1
0
4
1
Kelas Prediksi
Jobika Muna
1
1
0
0
11
5
4
12
1
0
1
1
Prima
0
2
0
0
13
0
Super
1
1
1
2
0
17
Kemudian dengan menggunakan hidden neuron sebanyak 8, hasil akurasi
yang didapatkan sebesar 78.33%. Hal ini berarti akurasi tetap mengalami
peningkatan dari akurasi yang didapatkan sebelumnya. Jati Biotrop dan Emas
pada percobaan ini memiliki nilai bobot yang paling tinggi dibandingkan dengan
nilai bobot Jati yang lainnya yaitu 85%. Jati Biotrop masih bisa teridentifikasi
sebagai Jati Emas, Prima dan Super, sedangkan Jati Emas bisa teridentifikasi
sebagai Jati Biotrop dan Prima. Sebesar 80% Jati Jobika dan Super dapat dikenali
pada percobaan ini. Jati Jobika dapat teridentifikasi sebagai Jati Muna dan Super,
sedangkan Jati Super dapat teridentifikasi sebagai Jati Muna. Untuk Jati Muna
dapat teridentifikasi sebesar 75% karena masih bisa teridentifikasi sebagai Jati
Super. Jenis Jati yang paling kecil teridentifikasi dengan baik adalah Jati Prima
karena hanya bisa teridentifikasi sebesar 65%. Confussion matrix untuk percobaan
ini dapat dilihat pada Tabel 6.
Tabel 6 Percobaan dengan hidden neuron 8
Kelas
Asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
17
2
0
0
2
0
Emas
1
17
0
0
4
0
Kelas Prediksi
Jobika Muna
0
0
0
0
16
1
3
15
1
0
0
4
Prima
1
1
0
0
13
0
Super
1
0
3
2
0
16
15
Percobaan berikutnya yaitu dengan menggunakan hidden neuron 10 dan
akurasi yang didapatkan sebesar 78.33% sebagaimana terlihat pada Tabel 7. Pada
percobaan ini, Jati Super adalah yang paling banyak teridentifikasi dengan baik
yaitu sebesar 90%, walaupun masih bisa teridentifikasi sebagai Jati Biotrop dan
Muna. Jati Emas dapat teridentifikasi sebagai Jati Prima. Untuk Jati Jobika dapat
teridentifikasi sebagai Jati Biotrop, Emas, Muna dan Super. sedangkan Jati Muna
teridentifikasi sebagai Jati Emas, Jobika dan Super. Jati Prima dapat teridentifikasi
sebagai Jati emas dan untuk Jati Super dapat teridentifikasi sebagai Jati Biotrop
dan Muna.
Tabel 7 Percobaan dengan hidden neuron 10
Kelas
Asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
15
0
2
0
0
1
Emas
3
17
1
1
7
0
Kelas Prediksi
Jobika Muna
0
1
0
0
15
1
1
16
0
0
0
1
Prima
0
3
0
0
13
0
Super
1
0
1
2
0
18
Prima
1
4
0
0
12
0
Super
0
1
1
1
1
16
Tabel 8 Percobaan dengan hidden neuron 15
Kelas
Asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
18
0
0
0
3
1
Emas
1
15
0
1
4
0
Kelas Prediksi
Jobika Muna
0
0
0
0
17
2
1
17
0
0
0
3
Percobaan dengan hidden neuron 15 menghasilkan akurasi sebesar 79.17%.
Pada Tabel 8, jenis Jati yang paling banyak teridentifikasi dengan baik adalah Jati
Biotrop sebesar 90%. Jati Jobika dan Muna teridentifikasi dengan baik sebesar
85% sedangkan yang paling kecil teridentifikasi sebesar 60% yaitu Jati Prima.
Percobaan dilanjutkan dengan menggunakan hidden neuron 17 dan hasil akurasi
rata-rata yang diperoleh adalah 84.17%. Seperti terlihat pada Tabel 9, jenis Jati
yang teridentifikasi paling baik adalah Jati Super yaitu sebesar 100%, ini berarti
semua jenis daun ini teridentifikasi dengan sempurna. Untuk Jati Emas
teridentifikasi dengan baik sebesar 95% hal ini karena masih dapat teridentifikasi
sebagai Jati Prima sebesar 5%. Jati Biotrop dan Muna teridentifikasi sebesar 85%.
Jati Biotrop dapat teridentifikasi sebagai Jati Emas, Jobika dan Muna sedangkan
Jati Muna dapat teridentifikasi sebagai Jati Jobika dan Super. Sebesar 70%
teridentifikasi dengan baik untuk Jati Jobika dan Prima.
16
Tabel 9 Percobaan dengan hidden neuron 17
Kelas
Asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
17
0
0
0
1
0
Emas
1
19
1
0
5
0
Kelas Prediksi
Jobika Muna
1
1
0
0
14
3
1
17
0
0
0
0
Prima
0
1
1
0
14
0
Super
0
0
1
2
0
20
Percobaan kelima yaitu dengan menggunakan hidden neuron 18 dengan
hasil akurasi yang diperoleh sebesar 81.67%. Pada percobaan ini Jati Super masih
teridentifikasi dengan sempurna 100% sebagaimana terlihat pada Tabel 10.
Sedangkan untuk Jati yang lain mengalami perubahan. Jati Emas mengalami
penurunan akurasi menjadi 90%. Jati Emas ini dapat teridentifikasi sebagai Jati
Prima sedangkan Jati Jobika dapat teridentifikasi sebagai Jati Muna, Prima dan
Super.
Tabel 10 Percobaan dengan hidden neuron 18
Kelas
Asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
15
0
0
0
0
0
Emas
2
18
0
0
3
0
Kelas Prediksi
Jobika Muna
1
2
0
0
16
1
5
13
0
1
0
0
Prima
0
2
1
0
16
0
Super
0
0
2
2
0
20
Percobaan selanjutnya dengan menggunakan hidden neuron 20. Hasil
akurasi yang didapat sebesar 79.17%. Pada percobaan ini akurasi mengalami
penurunan seperti terlihat pada Tabel 11. Jati Super yang sebelumnya memiliki
akurasi 100% pada percobaan kelima, pada percobaan ini mengalami penurunan
menjadi 90%. Jati Super dapat teridentifikasi sebagai Jati Jobika dan Muna
sedangkan Jati Biotrop dapat teridentifikasi sebagai Jati Emas, Muna dan Prima.
Jati Jobika dan Muna dapat teridentifikasi sebagai Jati Super dan Jati Prima dapat
teridentifikasi sebagai Jati Biotrop, Emas dan Jobika.
Tabel 11 Percobaan dengan hidden neuron 20
Kelas
Asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
13
0
0
0
1
0
Emas
2
17
0
0
2
0
Kelas Prediksi
Jobika Muna
0
1
0
0
14
4
1
17
1
0
1
1
Prima
4
3
1
0
16
0
Super
0
0
1
2
0
18
17
Percobaan terakhir dengan menggunakan hidden neuron sebesar 30. Hasil
akurasi yang didapatkan sebesar 73.33%. Hal ini berarti akurasi kembali
mengalami penuruan dari percobaan sebelumnya. Pada percobaan ini Jati Super
dapat teridentifikasi dengan baik sebesar 95%. Jati Biotrop dan Emas masingmasing teridentifikasi dengan baik sebesar 75%. Jati Biotrop dapat dikenali
sebagai Jati Emas, Prima dan Super sedangkan Jati Emas hanya dapat
teridentifikasi sebagai Jati Prima. Untuk Jati Jobika dan Muna masing-masing
dapat teridentifikasi sebagai Jati Prima dan Super. Sedangkan untuk Jati Prima
dapat teridentifikasi sebagai Jati Biotrop dan Emas. Percobaan terakhir terlihat
pada Tabel 12.
Tabel 12 Percobaan dengan hidden neuron 30
Kelas
Asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
15
0
3
0
2
0
Emas
1
15
0
0
4
0
Kelas Prediksi
Jobika Muna
0
0
0
0
9
5
2
16
0
0
0
1
Prima
3
5
2
1
14
0
Super
1
0
1
1
0
19
Berdasarkan percobaan yang telah dilakukan, hidden neuron 17
menghasilkan nilai rata-rata akurasi terbaik yaitu sebesar 84.17%. Tabel 13
merupakah hasil akurasi dari setiap percobaan berdasarakan hidden neuron yang
digunakan.
Tabel 13 Hasil nilai rata-rata akurasi terbaik berdasarkan hidden neuron
Hidden
3
5
8
neuron
Akurasi
65,00 71,67 78,33
(%)
10
15
17
18
20
30
78,33
79,17
84,17
81,67
79,17
73,33
Untuk mempermudah melihat masing-masing hasil akurasi setiap percobaan,
dibuat sebuah grafik berdasarkan hidden neuron. Gambar 11 menggambarkan
kinerja dari setiap hidden neuron yaitu 3, 5, 8, 10, 15, 17, 18, 20 dan 30 yang
direpresentasikan dalam bentuk grafik. Pada gambar tersebut terlihat bahwa dari
hidden neuron 3 sebesar 65%, hasil akurasi terus mengalami peningkatan sampai
di hidden neuron 17 sebesar 84.17%. Tetapi hasil akurasi mengalami penurunan
pada saat hidden neuron 18 yaitu menjadi 81.67%. Hasil akurasi terus mengalami
penurunan di hidden neuron 20 dan 30. Hal ini dapat diambil kesimpulan bahwa
hidden neuron sangatlah berpengaruh terhadap hasil akurasi pada JST, akan tetapi
semakin tinggi hidden neuron yang digunakan maka tidak selalu menambah hasil
akurasi.
18
100
90
84.17
Persentase (%)
80
78.33
70
79.17
73.33
71.67
65.00
60
81.67
79.17
78.33
50
40
30
20
10
0
3
5
8
10
15
17
18
20
30
Hidden Neuron
Gambar 11 Grafik nilai rata-rata akurasi terbaik pada percobaan II (dua)
Selanjutnya dibuat grafik dalam bentuk boxplot untuk setiap fitur ciri
morfologi daun dengan tujuan untuk melihat perbandingan variasi atau distribusi
antar kelas jenis Jati. Gambar 12 merupakan boxplot untuk fitur area daun
sedangkan untuk 16 fitur lainnya tercatum pada Lampiran 8. Karena bentuk
boxplot untuk kelas 1 (Jati Biotrop) cukup tinggi, maka bisa dikatakan bahwa data
pada kelas ini cukup menyebar. Untuk kelas 2 (Jati Emas) data sedikit menyebar
karena bentuk boxplot-nya yang sedikit pendek. Data Jenis Jati yang cukup
menyebar adalah Jati Biotrop, Jobika, Muna dan Prima.
Gambar 12 Boxplot untuk fitur area daun
19
SIMPULAN DAN SARAN
Simpulan
Berdasarkan hasil penelitian yang telah dilakukan dapat ambil kesimpulan
sebagai berikut:
1 JST Backpropagation dapat diimplementasikan dalam pengenalan daun
tanaman Jati menggunakan ekstraksi fitur ciri morfologi daun.
2 Klasifikasi Jaringan Saraf Tiruan Backpropagation dengan hidden neuron 17
menghasilkan hasil akurasi paling baik dibandingkan dengan hidden neuron
yang lain.
3 Nilai akurasi maksimal yang dicapai adalah 84.17%.
Saran
1
2
3
Saran untuk pengembangan selanjutnya adalah:
Melakukan percobaan dengan memisahkan fitur dasar dan fitur turunan.
Melakukan segmentasi secara otomatis pada saat praproses citra.
Membuat aplikasi berbasis mobile.
DAFTAR PUSTAKA
Al-Khairi. 2008. Keragaman Genetik Jati Rakyat di Jawa Berdasarkan Penanda
Random Amplified Polymorphic DNA (RAPD) [skripsi]. Bogor (ID): Institut
Pertanian Bogor.
Asanurjaya Bangun. 2012. Identifikasi Daun Tanaman Jati Menggunakan
Probabilistic Neural Network dengan ekstraksi fitur ciri morfologi daun
[skripsi]. Bogor (ID): Institut Pertanian Bogor.
Fausett Laurence. 1994. Fundamentals of Neural Network, Architecture, Algoritm
and Application. Printice-Hall, Inc. London.
Han J, Kamber M. 2001. Data Mining Concepts & Techniques. San Francisco:
Academic Press.
Hardelina R. 2007. Klasifikasi Buah Melon Berjaring Menggunakan Jaringan
Saraf Tiruan Propagasi Balik Resilient [skripsi]. Bogor (ID): Institut
Pertanian Bogor.
Palupi E. R. 2006. Genetic, Biotic, and Physiological Factors in Seed Production
of Teak (Tectona grandis L.f.): A case study in clonal seed orchard in East
Java. [Disertasi]. Bogor (ID): Institut Pertanian Bogor.
Puspitasari Dewi. 2011. Identifikasi Jenis Shorea Menggunakan Jaringan Saraf
Tiruan Propagasi balik Berdasarkan Karakteristik Morfologi Daun [skripsi].
Bogor (ID): Institut Pertanian Bogor.
Tan Pang-Ning, et al. 2006. Introduction to Data Mining. Boston: Pearson
Education,Inc.
Wu S. G., et al. 2007. A Leaf Recognition Algorithm for Plant Using Probabilistic
Neural Network. China (CN) : Chinese Academy Science.
20
Lampiran 1 Algoritme jaringan saraf tiruan
Langkah 0 : Inisialisasi nilai bobot dengan nilai acak yang kecil.
Langkah 1 : Selama kondisi berhenti masih tidak terpenuhi, laksanakan langkah
2 sampai 9.
Langkah 2 : Untuk tiap pasangan pelatihan, kerjakan langkah 3 sampai 8.
Langkah 3 : Un uk ap un npu X , = ,…,n) menerima sinyal input xi dan
menyebarkan sinyal itu keseluruh unit pada lapis atasnya (lapis
tersembunyi)
Langkah 4 : Untuk tiap unit tersembunyi (Zj, j= ,…,p) dihitung nilai input
dengan menggunakan nilai bobotnya :
n
z _ in j 0 j xi ij
i 1
Kemudian dihitung nilai output dengan menggunakan fungsi
aktivasi yang dipilih : zj = f ( z_inj )
Hasil fungsi tersebut dikirim ke semua unit pada lapis di atasnya
Langkah 5 : Untuk tiap unit output (Yk, k=1,..,m) dihitung nilai input dengan
menggunakan nilai bobot-nya :
p
y _ ink w0k z j w jk
j 1
Kemudian dihitung nilai output dengan menggunakan fungsi
aktivasi :
y k f ( y _ ink )
Langkah 6 : Untuk tiap unit output (Yk, k=1,..,m) menerim pola target yang
bersesuaian dengan pola input, dan kemudian dihitung informasi
kesalahan :
k (t k yk ) f ' ( y _ ink )
Kemudian dihitung koreksi nilai bobot yang kemudian akan
digunakan untuk memperbaharui nilai bobot wjk. :
w jk k z j
Hitung koreksi nilai bias yang kemudian akan digunakan untuk
memperbaharui nilai w0k :
w0k k
kemudian nilai dikirim ke unit pada lapis sebelumnya
Langkah 7 : Untuk tiap unit tersembunyi (Zj, j=1,…,p) dihitung delta input
yang berasal dari unit pada lapis di atasnya :
m
_ in j k w jk
k 1
21
Lampiran 1 Algoritme jaringan saraf tiruan
Kemudian nilai tersebut dikalikan dengan nilai turunan dari
fungsi aktivasi untuk menghitung informasi kesalahan :
j _ in j f ' ( z _ in j )
Hitung koreksi nilai bobot yang kemudian digunakan untuk
memperbaharui nilai :
ij j xi
dan hitung nilai koreksi bias yang kemudian digunakan untuk
memperbaharui :
oj j
Langkah 8 : Tiap nilai bias dan bobot (j=0,..,p) pada unit output (Yk, k=1,..,m)
diperbaharui :
w jk (new) w jk (old ) w jk
ij (new) ij (old ) ij
Langkah 9 : Menguji apakah kondisi berhenti sudah terpenuhi. Kondisi berhenti
ini terpenuhi jika nilai kesalahan yang dihasilkan lebih kecil dari
nilai kesalahan referensi atau training telah mencapai epoh yang
ditetapkan.
22
Lampiran 2 Algoritme pelatihan Levenberg-Marquardt
Langkah 0:
Inisialisasi bobot awal dengan bilangan acak kecil
Inisialisasi epoch , MSE ≠
Tetapkan maksimum epoch, parameter Levenberg-Marquardt ( > 0),
faktor dan target error
Langkah 1:
Jika kondisi penghentian belum terpenuhi (epoch < maksimum epoch
atau MSE > target error), lakukan langkah berikutnya.
Langkah 2:
Epoch = epoch + 1
Untuk setiap pasangan data pelatihan, lakukan langkah 3
Langkah 3:
Unit output Y menerima target pola yang berhubungan dengan pola input
pelatihan. Jika diberikan N pasangan input data pelatihan (xr, tr), r = 1, 2,
....., N, dengan xn adalah input dan tr adalah target yang akan dicapai.
Kesalahan pada suatu data pelatihan ke-r didefinisikan sebagai:
er = tr – yr
dengan:
er
tr
yr
: kesalahan pada unit output
: keluaran yang diinginkan (acuan / target)
: keluaran aktual
e adalah vektor kesalahan berukuran Nx1 yang tersusun dari er, r = 1, 2, ...,
N. Nilai e dapat dituliskan sebagai:
e = [ e1 e2 ... eN ]T
Misal bobot dan bias koneksi dinyatakan dalam vektor w, w dapat
dituliskan sebagai:
w = [ wj b2 vij b1ij ]T
Kesalahan suatu pelatihan jaringan oleh vektor bobot dan bias koneksi
w pada suatu data pelatihan ke-r menjadi:
er(w) =
( tr – yr )
=
( tr – f ( xr, w ))
Vektor kesalahan oleh vektor bobot dan bias koneksi w menjadi e(w)
berukuran Nx yang tersusun dari er(w), dengan r = 1, 2, ..., N.
Hitung fungsi jumlah kuadrat error dengan persamaan:
E(w) = eT(w) e(w)
23
Lampiran 2 Algoritme pelatihan Levenberg-Marquardt
Hitung matriks Jacobian untuk vektor bobot dan bias koneksi:
J(w) = [
]
Untuk r = 1, 2, ..., N
a.
Hitung matriks Hessian untuk vektor bobot dan bias koneksi.
H(w) = [ JT(w) J(w) + I ]
b.
Hitung perubahan vektor bobot dan bias dengan persamaan
berikut:
∆w = - [ [H(w)]-1 JT(w) e(w) ]
c.
Hitung vektor bobot dan bias baru.
w(baru) = w lama + ∆w
d.
Hitung kesalahan yang terjadi oleh bobot dan bias koneksi yang
baru.
E(w(baru)) = e(w(baru))T e(w(baru))
e.
Bandingkan E(w) dengan E(w(baru)).
Jika E(w) E (w(baru)), didapatkan Kembali ke langkah
2.
Lampiran 3 Hasil perhitungan morfologi sebelum dilakukan normalisasi
24
Lampiran 4 Hasil perhitungan morfologi setelah dilakukan normalisasi
Lampiran 5 Hasil akurasi untuk masing-masing fold pada percobaan I (satu)
fold
Hidden
Neuron
1
2
3
4
5
Rata-rata
akurasi
3
70.83 %
58.33 %
70.83 %
58.33 %
50.00 %
61.66 %
5
79.17 %
66.67 %
75.00 %
58.33 %
66.67 %
69.17 %
8
79.17 %
66.67 %
79.17 %
58.33 %
66.67 %
70.00 %
10
79.17 %
62.50 %
75.00 %
66.67 %
66.67 %
70.00 %
15
79.17 %
70.83 %
83.33 %
62.50 %
70.83 %
73.33 %
17
83.33 %
75.00 %
83.33 %
70.83 %
79.17 %
78.33 %
18
83.33 %
70.83 %
79.17 %
66.67 %
70.83 %
74.17 %
20
79.17 %
75.00 %
83.33 %
62.50 %
66.67 %
73.33 %
30
75.00 %
70.83 %
79.17 %
62.50 %
70.83 %
71.67 %
25
Lampiran 6 Nilai akurasi setiap jenis jati
Fold
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
Hidden
Neuron
3
3
3
3
3
5
5
5
5
5
8
8
8
8
8
10
10
10
10
10
15
15
15
15
15
17
17
17
17
17
18
18
18
18
18
1
100%
50%
100%
75%
75%
100%
75%
100%
75%
50%
100%
75%
100%
75%
75%
75%
75%
100%
50%
75%
100%
75%
100%
100%
75%
100%
75%
100%
75%
75%
75%
75%
75%
75%
75%
2
100%
100%
100%
0%
75%
100%
100%
75%
75%
75%
75%
75%
100%
75%
100%
100%
100%
75%
50%
100%
75%
75%
50%
100%
75%
100%
100%
75%
100%
100%
100%
100%
75%
75%
100%
Akurasi Kelas
3
4
75% 100%
75%
50%
50%
75%
25%
25%
75%
50%
50%
50%
100%
25%
25%
75%
25%
50%
75% 100%
100%
75%
100%
25%
75%
75%
25% 100%
100% 100%
100%
50%
75%
75%
75%
75%
50% 100%
75% 100%
100%
75%
100%
75%
75%
75%
50% 100%
100% 100%
75% 100%
100%
75%
50%
75%
50% 100%
75%
75%
100%
75%
75%
50%
75% 100%
50%
50%
50%
75%
5
0%
0%
0%
100%
50%
75%
25%
100%
75%
50%
75%
75%
50%
100%
25%
50%
50%
100%
50%
75%
75%
75%
75%
25%
50%
75%
50%
100%
25%
100%
75%
75%
100%
75%
75%
6
50%
100%
75%
100%
100%
100%
100%
50%
75%
100%
75%
100%
75%
50%
100%
75%
100%
75%
100%
100%
75%
100%
100%
25%
100%
100%
100%
100%
100%
100%
100%
100%
100%
100%
100%
Akurasi
rata-rata
70.83%
62.50%
66.67%
54.17%
70.83%
79.17%
70.83%
70.83%
62.50%
75.00%
83.33%
75.00%
79.17%
70.83%
83.33%
75.00%
79.17%
83.33%
66.67%
87.50%
83.33%
83.33%
79.17%
66.67%
83.33%
91.67%
83.33%
83.33%
75.00%
87.50%
87.50%
79.17%
87.50%
70.83%
79.17%
epoch
15
13
15
19
13
12
15
17
17
20
15
42
12
20
17
14
14
15
13
22
12
14
12
20
15
14
16
15
13
22
15
17
20
20
17
26
Lampiran 6 Nilai akurasi setiap jenis Jati
Fold
1
2
3
4
5
1
2
3
4
5
Hidden
Neuron
20
20
20
20
20
30
30
30
30
30
1
75%
50%
75%
50%
75%
75%
50%
100%
75%
75%
2
75%
100%
50%
100%
100%
100%
75%
50%
50%
100%
Akurasi Kelas
3
4
100%
50%
100% 100%
75% 100%
25% 100%
50%
75%
50%
75%
75%
75%
50%
50%
25% 100%
25% 100%
5
100%
50%
100%
75%
75%
100%
50%
75%
75%
50%
6
100%
100%
75%
75%
100%
75%
100%
100%
100%
100%
Akurasi
rata-rata
83.33%
83.33%
79.17%
70.83%
79.17%
79.17%
70.83%
70.83%
70.83%
75.00%
epoch
14
12
15
13
22
15
15
12
20
15
Lampiran 7 Hasil confusion matrix untuk masing-masing jenis Jati dengan fold 1
confusion matrix dengan
hidden neuron 3
confusion matrix dengan
hidden neuron 5
confusion matrix dengan
hidden neuron 8
confusion matrix dengan
hidden neuron 10
confusion matrix dengan
hidden neuron 15
confusion matrix dengan
hidden neuron 17
27
Lampiran 7 Hasil confusion matrix untuk masing-masing jenis Jati dengan fold 1
confusion matrix dengan
hidden neuron 18
confusion matrix dengan
hidden neuron 20
confusion matrix dengan
hidden neuron 30
Lampiran 8 Boxplot untuk setiap fitur ciri morfologi daun
Fitur perimeter
Fitur diameter
Fitur physiological length
Fitur physiological width
28
Lampiran 8 Boxplot untuk setiap fitur ciri morfologi daun
Fitur smooth factor
Fitur aspect ratio
Fitur form factor
Fitur rectangularity
Fitur narrow factor
Fitur perimeter ratio of diameter
29
Lampiran 8 Boxplot untuk setiap fitur ciri morfologi daun
Fitur perimeter ratio of physiological
length and physiological width
Fitur Vein Feature 1
Fitur Vein Feature 2
Fitur Vein Feature 3
Fitur Vein Feature 4
Fitur Vein Feature 5
30
RIWAYAT HIDUP
Penulis dilahirkan di Cilacap, Jawa Tengah, pada tanggal 07 September
1986. Penulis merupakan anak ke sembilan dari pasangan (alm.)Wiryo Atmodjo
dan Nafsiyah. Penulis mengenyam pendidikan di SD Negeri Bojong 5
Kawunganten pada tahun 1994-2000, SLTPN 1 Kawunganten Cilacap pada 20002003 serta SMA Negeri 3 Kota Cilacap pada tahun 2003-2006. Selanjutnya,
penulis melanjutkan studi diploma pada program studi Teknik Komputer Institut
Pertanian Bogor dan lulus pada tahun 2009. Pada tahun 2010, penulis di
JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN
EKSTRAKSI FITUR CIRI MORFOLOGI DAUN
ASEP HARYONO
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
Tanaman Jati Menggunakan Jaringan Saraf Tiruan Backpropagation dengan
Ekstraksi Fitur Ciri 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, Juli 2013
Asep Haryono
NIM G64104023
ABSTRAK
ASEP HARYONO. Identifikasi Daun Tanaman Jati Menggunakan Jaringan Saraf
Tiruan Backpropagation dengan Ekstraksi Fitur Ciri Morfologi Daun. Dibimbing
oleh AZIZ KUSTIYO.
Identifikasi Jati sangat penting bagi petani Jati untuk mengetahui
karakteristik, manfaat, serta kisaran harga beli dan harga jual dari Jati tersebut.
Penelitian ini membangun suatu sistem yang dapat melakukan identifikasi Jati
secara otomatis. Sistem dibangun menggunakan teknologi Jaringan Saraf Tiruan
(JST) backpropagation dengan ekstraksi fitur ciri morfologi daun. Terdapat lima
ciri dasar yang digunakan yaitu area, perimeter, diameter, panjang, dan lebar daun.
Lima ciri dasar tersebut kemudian diturunkan menjadi 12 ciri turunan. Data yang
digunakan pada penelitian ini adalah citra daun Jati Biotrop, Emas, Jobika, Muna,
Prima dan Super. Masing-masing data terdiri dari 20 citra dengan ukuran citra
1200 x 2300 piksel. Untuk mendapatkan akurasi terbaik, digunakan k-fold cross
validation dengan nilai k=5. Berdasarkan hasil percobaan yang telah dilakukan,
penggunaan hidden neuron sebanyak 17 menghasilkan nilai rata-rata akurasi
terbaik sebesar 84.17%.
Kata kunci : Backpropagation, Daun, Ekstraksi Fitur, Jaringan Saraf Tiruan (JST),
Jati.
ABSTRACT
ASEP HARYONO. Identification of Teak Leaf Using Backpropagation Neural
Network with Leaf Morphology Characteristic Feature Extraction. Supervised by
AZIZ KUSTIYO.
Teak identification is very useful in life. Knowledge about kind of teak is
very important for teak farmers to understand the characteristics, benefits, as well
as the buying and selling price of teak. This research built an automatic teak
identification system using backpropagation Neural Network with leaf
morphology feature extraction. The five basic leaf characteristics that were used
in this research are area, perimeter, diameter, length, and width of the leaf. The
five basic characteristics were then derived into 12 derivative characteristics. The
data were the images of teak leaves of Biotrop, Emas, Jobika, Muna, Prima, and
Super. Each data consists of 20 images with the size of 1200 x 2300 pixel. In
order to obtain the best accuracy, k-fold cross validation with k=5 was used. The
result shows that the best accuracy was 84.17% with 17 hidden neuron of neural
network.
Keywords: Artificial Neural Network (ANN), Backpropagation, Feature
Extraction, Leaf, Teak.
IDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN
JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN
EKSTRAKSI FITUR CIRI MORFOLOGI DAUN
ASEP HARYONO
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 Tanaman Jati Menggunakan Jaringan Saraf
Tiruan Backpropagation dengan Ekstraksi Fitur Ciri Morfologi
Daun
Nama
: Asep Haryono
NIM
: G6104023
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 ke hadirat Allah subhanahu wa ta’ala
yang telah memberikan begitu banyak nikmat sehingga penelitian dan penulisan
ini berhasil diselesaikan. Shalawat serta salam tidak lupa penulis curahkan kepada
Nabi Besar Muhammad shallallahu ‘alaihi wassalam, keluarganya, sahabatnya
serta umatnya hingga akhir zaman. Tulisan ini merupakan hasil penelitian yang
penulis lakukan sejak September 2012 hingga Juli 2013. Tema yang dipilih dalam
penelitian ini ialah identifikasi morfologi, dengan judul Identifikasi Daun
Tanaman Jati Menggunakan Jaringan Saraf Tiruan Backpropagation dengan
Ekstraksi Fitur Ciri Morfologi Daun.
Terima kasih penulis ucapkan kepada seluruh pihak yang telah berperan
dalam penelitian ini, yaitu:
1
Ayahanda Wiryo Atmodjo (almarhum), Ibunda Nafsiyah, Kakanda Hati
Nurani serta saudara yang lain atas doa, kasih saying, semangat dan
dorongan kepada penulis agar dapat menyelesaikan penelitian ini.
2
Bapak Aziz Kustiyo, SSi, MKom, selaku dosen pembimbing yang telah
memberikan banyak ide, masukan, saran dan dukungan kepada penulis
3
Bapak Dr Ir Agus Buono, MSi, Mkom dan Bapak Endang Purnama Giri
SKom, Mkom yang telah bersedia menjadi penguji.
4
Para sahabat: Dedi Kiswanto, Rizkina Muhammad Syam, Muhammad
Muhsin Demokrat serta teman-teman Ilkom Alih Jenis angkatan 5 yang lain
atas kebersamaannya selama kurang lebih 2.5 tahun ini.
5
Rekan satu bimbingan: Cory Diana Lestari, Bangkit Pratama dan Ilvi
Nurrizki Utami yang telah berbagi ilmu dan pengetahuan serta dorongan
semangat selama pengerjaan skripsi.
6
Pihak-pihak lain yang tidak dapat penulis sebutkan satu persatu.
Harapan penulis semoga penelitian dan tulisan ini bermanfaat untuk para
petani di Indonesia pada umumnya dan petani Jati pada khususnya.
Bogor, Juli 2013
Asep Haryono
DAFTAR ISI
DAFTAR TABEL
ix
DAFTAR GAMBAR
ix
DAFTAR LAMPIRAN
ix
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
1
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
2
Jati
2
Jaringan Saraf Tiruan
2
Propagasi Balik
3
Ekstraksi Fitur
3
K-Fold Cross Validation
6
Confusion Matrix
6
METODE PENELITIAN
6
Identifikasi Masalah
7
Pengumpulan Data
7
Praproses Data
8
Ekstraksi Fitur
9
Pembagian Data Latih dan Data Uji
9
Pelatihan
9
Pengujian
10
Analisis Hasil
10
Lingkungan Pengembangan
10
HASIL DAN PEMBAHASAN
11
Pengumpulan Data
11
Ekstraksi Fitur
11
Pembagian Data Latih dan Data Uji
11
Pelatihan
12
Pengujian
SIMPULAN DAN SARAN
12
19
Simpulan
19
Saran
19
DAFTAR PUSTAKA
19
RIWAYAT HIDUP
30
DAFTAR TABEL
1
2
3
4
5
6
7
8
9
10
11
12
13
Parameter JST propagasi balik
Target dan jenis jati
Susunan data latih dan data uji
Percobaan dengan hidden neuron 3
Percobaan dengan hidden neuron 5
Percobaan dengan hidden neuron 8
Percobaan dengan hidden neuron 10
Percobaan dengan hidden neuron 15
Percobaan dengan hidden neuron 17
Percobaan dengan hidden neuron 18
Percobaan dengan hidden neuron 20
Percobaan dengan hidden neuron 30
Hasil nilai rata-rata akurasi terbaik berdasarkan hidden neuron
10
10
12
13
14
14
15
15
16
16
16
17
17
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
Model JST Backpropagation
Area dan perimeter daun.
Diamater daun
Physiological length dan physiological width
Diagram alir metode penelitian
Jenis daun jati
Perubahan warna background
Perubahan mode warna dari RGB ke grayscale
Arsitektur JST tanaman jati
Grafik nilai rata-rata akurasi terbaik pada percobaan I (satu)
Grafik nilai rata-rata akurasi terbaik pada percobaan II (dua)
Boxplot untuk fitur area daun
3
3
4
4
7
8
8
8
9
13
18
18
DAFTAR LAMPIRAN
1
2
3
4
5
6
7
8
Algoritme jaringan saraf tiruan
Algoritme pelatihan Levenberg-Marquardt
Hasil perhitungan morfologi sebelum dilakukan normalisasi
Hasil perhitungan morfologi setelah dilakukan normalisasi
Hasil akurasi untuk masing-masing fold pada percobaan I (satu)
Nilai akurasi setiap jenis jati
Hasil confusion matrix untuk masing-masing jenis Jati dengan fold 1
Boxplot untuk setiap fitur ciri morfologi daun
20
22
23
24
24
25
26
27
PENDAHULUAN
Latar Belakang
Jati yang mempunyai nama latin Tectona grandis Linn. f. merupakan salah
satu jenis kayu komersial yang memiliki nilai ekonomis tinggi dan diminati oleh
banyak orang, baik dalam maupun luar negeri. Hingga saat ini, Jati masih menjadi
komoditas mewah dikarenakan kualitasnya yang tinggi, walaupun harga belinya
mahal (Palupi 2006).
Tanaman Jati sangatlah cocok untuk dibudaya di negara yang beriklim
tropis seperti di Indonesia. Terdapat ratusan varietas tanaman Jati tersebar di
Indonesia antara lain berlokasi di Jawa, Muna, Buton, Maluku dan Nusa Tenggara.
Banyaknya varietas tanaman Jati yang ada menjadikan faktor sulitnya dalam
mengenal jenis tanaman Jati yang satu dengan tanaman Jati yang lain. Sangatlah
dibutuhkan pengetahuan dan pengalaman yang cukup untuk dapat mengetahui
setiap jenis tanaman Jati yang ada. Untuk mempermudah dalam pengenalan
tersebut, perlu dibangun suatu sistem yang dapat mengidentifikasi tanaman Jati
secara otomatis.
Identifikasi tumbuhan dapat dilakukan menggunakan bunga, buah, batang, dan
daun. Namun pada penelitian ini akan digunakan daun tanaman Jati sebagai objek
identifikasi. Hal ini dikarenakan daun cenderung tersedia sebagai sumber
pengamatan sepanjang waktu dan cenderung lebih mudah untuk menjadi objek
pengamatan terutama berupa citra.
Penelitian Puspitasari (2011) dengan objek yang berbeda yaitu identifikasi
jenis Shorea menggunakan Jaringan Saraf Tiruan (JST) Backpropagation
berdasarkan karakteristik morfologi daun diperoleh akurasi yang cukup tinggi
yaitu 94%. Akan tetapi penelitian sebelumnya dengan objek tanaman Jati yaitu
penelitian Asanurjaya (2012) menggunakan Probabilistic Neural Network (PNN)
berdasarkan karakteristik morfologi daun akurasi yang diperoleh masih 77.5%.
Pada penelitian tersebut menggunakan 6 fitur morfologi daun (area, perimeter,
diameter, smooth factor, form factor dan perimeter ratio of diameter).
Oleh karena itu, pada penelitian ini akan mencoba menggunakan metode
klasifikasi JST Backpropagation untuk mengidentifikasi jenis Jati berdasarkan
data citra daun Jati dari Asanurjaya (2012) dengan memperbanyak fitur morfologi.
Pada JST Backpropagation terdapat proses pelatihan yang berulang-ulang dan
memiliki kemampuannya untuk belajar serta kebal terhadap adanya kesalahan
(Fault Tolerance). Dengan kelebihan tersebut dan adanya fitur tambahan yang
digunakan, penelitian ini diharapkan bisa meningkatkan hasil akurasi.
Tujuan Penelitian
Penelitian ini bertujuan menerapkan algoritme Jaringan Saraf Tiruan
Backpropagation dan mengimplementasikan teknik ekstraksi fitur ciri morfologi
daun dalam mengidentifikasi tanaman Jati. Selain itu juga untuk mengetahui
tingkat akurasi dari metode yang digunakan.
2
Manfaat Penelitian
Penelitian ini diharapkan dapat menghasilkan aplikasi identifikasi daun
tanaman Jati sebagai alat untuk membantu petani dalam melakukan pengenalan
tanaman Jati berdasarkan jenis daun.
Ruang Lingkup Penelitian
Ruang lingkup penelitian ini adalah sebagai berikut.
1 Terdiri atas enam jenis tanaman Jati yang digunakan yaitu tanaman Jati
Biotrop, Jati Emas, Jati Jobika, Jati Muna, Jati Prima dan Jati Super.
2 Data citra tanaman Jati diambil pada umur 3-4 bulan. Data diperoleh dari
Asanurjaya (2012) yang diambil dari Laboratorium SEAMEO BIOTROP
Bogor.
3 Ekstraksi fitur yang digunakan adalah berdasarkan ciri morfologi daun.
TINJAUAN PUSTAKA
Jati
Jati merupakan salah satu jenis pohon besar yang menggugurkan daun pada
saat musim kemarau. Pada kondisi lingkungan yang baik, Jati dapat tumbuh
mencapai tinggi 30 - 40 m. Pohon Jati memiliki kulit batang tebal, abu-abu atau
coklat muda keabu-abuan. Jati adalah sejenis pohon penghasil kayu bermutu
tinggi yang dikenal dunia dengan nama teak (bahasa Inggris). Nama ini berasal
dari kata thekku, dalam bahasa Malayalam, bahasa di negara bagian Kerala di
India selatan (Al-Khairi 2008).
Jaringan Saraf Tiruan
Berdasarkan Fausett (1994) Jaringan Saraf Tiruan didefinisikan sebagai
suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai
jaringan Saraf bilogi. JST diciptakan sebagai generalisasi model matematis dari
jaringan Saraf biologi yang didasarkan atas asumsi sebaga berikut:
1 Pemrosesan informasi terjadi pada elemen sederhana ( neuron ).
2 Sinyal dikirimkan di antara sel saraf / neuron melalui suatu sambungan
penghubung.
3 Setiap sambungan penghubung memiliki bobot yang bersesuaian. Bobot ini
akan digunakan untuk mengalikan sinyal yang dikirim.
4 Setiap sel saraf akan menerapkan fungsi aktivasi terhadap sinyal hasil
penjumlahan yang masuk untuk menentukan sinyal keluaran.
Gambar 1 adalah model JST Backpropagation.
3
Gambar 1 Model JST Backpropagation
Propagasi Balik
Propagasi Balik (Backpropagation) merupakan algoritme pembelajaran
yang terawasi (supervised learning) dan biasanya digunakan oleh jaringan
multilayer untuk mengubah bobot-bobot yang terhubung dengan semua neuron
pada hidden layer (Hardelina 2007). Ada tiga tahap pelatihan pada JST Propagasi
Balik, yaitu pelatihan input yang bersifat umpan maju (feed forward),
perhitungan propagasi balik galat yang diperoleh, dan penyesuaian bobot. Ketiga
fase tersebut diulang terus menerus sampai kondisi berhenti terpenuhi. Untuk
perhitungan tercantum pada Lampiran 1.
Ekstraksi Fitur
Menurut Wu et al. (2007) ciri pada ekstraksi ciri morfologi dibedakan
menjadi dua, yaitu ciri dasar dan ciri turunan. Terdapat lima ciri dasar daun yaitu
area (A), perimeter (P), diameter (D), physiological length (Lp) dan physiological
width (Wp). Area adalah perhitungan jumlah piksel dari daerah yang dilingkupi
tepi daun pada citra yang telah dihaluskan, sedangkan perimeter merupakan
perhitungan jumlah piksel yang terdapat pada tepi daun (keliling) sebagaimana
terlihat pada Gambar 2.
Gambar 2 Area dan perimeter daun.
4
Gambar 3 Diamater daun
D iameter merupakan jarak terpanjang antara dua titik pada tepi daun,
terlihat pada Gambar 3. Physiological length adalah jarak antara ujung dan
pangkal daun (panjang tulang daun primer) sedangkan Physiological width adalah
jarak terpanjang dari garis yang memotong tegak lurus physiological length yang
dibatasi tepi daun seperti terlihat pada Gambar 4.
Gambar 4 Physiological length dan physiological width
Terdapat 12 ciri turunan yang didapatkan dari 5 ciri dasar daun yaitu:
1 Smooth factor adalah rasio antara area citra helai daun yang dihaluskan
dengan 5x5 rectangular averaging filter dan area citra helai daunyang
dihaluskan dengan 2x2 rectangular averaging filter. Ciri ini digunakan untuk
mengukur keteraturan tepi daun. Semakin teratur tepi daun, nilainya semakin
mendekati 1. Sebaliknya, semakin tidak teratur tepi daun, nilainya semakin
mendekati 0.
2 Aspect ratio adalah rasio antara physiological length dan physiological width.
Persamaannya dapat dilihat pada Persamaan 1.
p
sp
a io
p
Fungsi ciri ini untuk memperkirakan bentuk helai daun. Jika benilai kurang
dari 1, maka bentuk helai daun tersebut melebar. Jika benilai lebih dari 1,
bentuk helai daun tersebut memanjang.
5
3
Form factor merupakan fitur yang digunakan untuk mendeskripsikan bentuk
dari daun dan mengetahui seberapa bundar bentuk helai daun tersebut. Nilai
form factor dapat dilihat pada Persamaan 2.
om a o
4
Rectangularity mendeskripsikan seberapa perseginya permukaan daun.
Rumusnya diberikan pada Persamaan 3.
an ula i
5
p p
Narrow factor didefinisikan sebagai rasio antara diameter dan physiological
length. Ciri ini untuk menentukan apakah bentuk helai daun tersebut tergolong
simetri atau asimetri. Jika helai daun tersebut tergolong simetri maka benilai 1.
Jika asimetri maka bernilai lebih dari 1. Nilainya dapat dicari menggunakan
Persamaan 4.
a ow a o
6
p
Perimeter ratio of diameter yaitu untuk mengukur seberapa lonjong daun
tersebut. Persamaannya dapat dilihat pada Persamaan 5.
a io o
m
iama
7
Perimeter ratio of physiological length and physiological width. Rumusnya
diberikan pada Persamaan 6.
p
m
a io o ph silo i al l n h an ph siolo i al wi h
p
p
8
Vein features. Persamaannya dapat dilihat pada Persamaan 7, 8, 9, 10 dan 11.
a Rasio antara area helai daun yang telah dikurangi disk-shaped structuring
element dengan radius satu piksel (Av1) dan area daun awal (A).
Rumusnya menggunakan Persamaan 7.
in
b
au s
Rasio antara area helai daun yang telah dikurangi disk-shaped structuring
element dengan radius dua piksel (Av2) dan area daun awal (A).
Persamaann 8 merupakan rumus yang digunakan.
in
au s
6
c. Rasio antara area helai daun yang telah dikurangi disk-shaped structuring
element dengan radius tiga piksel (Av3) dan area daun awal (A). Untuk
menghitungnya menggunakan Persamaan 9.
in
au s
d. Rasio antara area helai daun yang telah dikurangi disk-shaped structuring
element dengan radius empat piksel (Av4) dan area daun awal (A).
Persamaan 10 merupakan persamaan yang digunakan.
in
au s
e. Rasio antara area helai daun yang telah dikurangi disk-shaped structuring
element dengan radius empat piksel (Av4) dan area helai daun yang telah
dikurangi disk-shaped structuring element dengan radius satu piksel (Av1).
Persamaannya dapat dilihat pada Persamaan 11.
in
au s
K-Fold Cross Validation
Pada metode k-fold cross validation, data dibagi menjadi k subset (fold)
yang saling bebas secara acak, yaitu S1, S2....Sk, yang diasumsikan memiliki
ukuran yang sama. Pelatihan dan pengujian dilakukan sebanyak k kali. Pada
iterasi ke-i subset S1 diperlakukan sebagai data pengujian dan subset lainnya
sebagai data pelatihan. Tingkat akurasi dihitung dengan membagi jumlah
keseluruhan klasifikasi yang benar dengan jumlah semua instance pada data awal
(Han dan Kamber 2001).
Confusion Matrix
Confusion Matrix merupakan sebuah tabel yang terdiri atas 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. 2006).
METODE PENELITIAN
Secara garis besar metode penelitian terdiri atas identifikasi masalah,
pengumpulan data, praproses data, ekstraksi fitur, pembagian data latih dan data
uji, pelatihan, pengujian dan terakhir adalah analisis hasil sebagaimana terlihat
pada Gambar 5.
7
Mulai
Identifikasi
Masalah
Pengumpulan
Data
Praproses
Data
Ekstraksi
Fitur
Pembagian
Data Latih dan Data Uji
Data Uji
Data Latih
JST Backpropagation
Pelatihan JST
Pengujian JST
Analisis
Hasil
Selesai
Gambar 5 Diagram alir metode penelitian
Identifikasi Masalah
Banyaknya varietas tanaman Jati baik Jati unggul maupun Jati biasa
menjadikan suatu faktor penyebab sulitnya dalam pengenalan jenis tanaman Jati
yang satu dengan yang lainnya. Pengetahuan dari orang yang berpengalaman
dalam bidang Jati sangatlah diperlukan untuk mengetahui dan mengenali jenisjenis Jati. Pemilihan kayu yang tidak tepat untuk kegunaan akhir dapat
diakibatkan dari kesalahan dalam mengidentifikasi jenis Jati. Oleh karena itu
diperlukan solusi berupa suatu sistem yang dapat mengidentifikasi jenis-jenis Jati
sehingga dapat dengan tepat membedakan jenis Jati yang ada.
Pengumpulan Data
Citra yang akan digunakan pada penelitian ini adalah citra daun tanaman
Jati yang sampelnya diambil dari Laborium Kultur Jaringan SEAMEO BIOTROP
Bogor. Jumlah citra daun yang digunakan 6 varietas. Satu varietas diwakili
dengan 20 citra, sehingga total citra ada sebanyak 120 citra. Citra yang digunakan
berukuran 1200x2300 piksel, citra ini diakuisisi menggunakan kamera digital
sebagaimana terlihat pada Gambar 6.
8
Biotrop
Emas
Jobika
Muna
Prima
Super
Gambar 6 Jenis daun jati
Praproses Data
Praproses data merupakan tahap awal sebelum dilakukan ekstraksi. Pada
tahap ini dilakukan perubahan warna pada latar belakang. Latar belakang
(background) yang sebelumnya berwarna, kemudian dihilangkan. Gambar 7
berikut ini merupakan ilustrasi perubahan warna latar belakang.
Setelah dilakukan perubahan warna pada background, tahap selanjutnya
adalah mengubah mode warna citra yang pada awalnya RGB menjadi grayscale
seperti terlihat pada Gambar 8 Pada langkah ini diperlukan suatu masukan citra
biner dengan threshold tertentu. Nilai threshold merupakan suatu nilai yang
memisahkan antara piksel objek dengan piksel latar belakang citra.
Gambar 7 Perubahan warna background
Gambar 8 Perubahan mode warna dari RGB ke grayscale
9
Ekstraksi Fitur
Pada tahap ini dilakukan penurunan terhadap ciri dasar morfologi. Lima ciri
dasar morfologi yang digunakan pada penelitian ini adalah diamater,
physiological length, physiological width, area, dan perimeter/keliling daun. Ciri
dasar tersebut dikombinasikan sehingga mendapatkan 12 ciri turunan di antaranya
smooth factor, aspect ratio, form factor, rectangularity, narrow factor, perimeter
ratio of diameter, perimeter ratio of physiological length and physiological
width serta lima ciri urat daun. Informasi ciri tersebut direpresentasikan sebagai
sebuah vektor dengan dua belas elemen.
Pembagian Data Latih dan Data Uji
Pembagian data latih dan data uji dilakukan dengan menggunakan metode kfold cross validation dengan menggunakan k sama dengan 5. Pada kombinasi ini
data dibagi menjadi 5 subset (S1, S2, S3, S4, S5) dengan masing-masing subset
memiliki anggota yang sama. Pada kombinasi ini proses identifikasi akan
dilakukan 5 kali iterasi berdasarkan metode k-fold cross validation. Data latih dan
data uji memiliki subset yang berbeda pada setiap iterasi.
Pelatihan
Sebelum dilakukan pelatihan maka terlebih dahulu dibuat arsitektur JST
seperti terlihat pada Gambar 9
Gambar 9 Arsitektur JST tanaman jati
Arsitektur JST ini menggunakan algoritme propagasi balik yang kemudian
dilakukan pelatihan dengan paramater-paramater JST yang telah ditentukan.
Pelatihan data dilakukan beberapa kali sampai menemukan galat terkecil.
Langkah selanjutnya hasil pelatihan tersebut disimpan untuk digunakan kembali
pada tahap pengujian. Tabel 1 memperlihatkan parameter JST yang digunakan
pada proses pelatihan.
10
Tabel 1 Parameter JST propagasi balik
Karakteristik
Arsitektur
Neuron input
Hidden Neuron
Neuron Output
Fungsi Aktivasi
Toleransi galat
Maksimum epoch
Algoritme JST
Spesifikasi
1 hidden layer
6, 17
3, 5, 8, 10, 15, 17, 18, 20 dan 30
6
Sigmoid Bipolar, Fungsi Identitas
0
100
Levenberg-Marquardt
Perhitungan algoritme JST Levenberg-Marquardt terdapat pada Lampiran 2.
Adapun definisi target dari jenis Jati disajikan pada Tabel 2.
Tabel 2 Target dan jenis jati
o
N
1
2
3
4
5
6
Jenis Jati
Biotrop
Emas
Jobika
Muna
Prima
Super
Target
100000
010000
001000
000100
000010
000001
Pengujian
Pada tahap ini dilakukan pengelompokan data yang telah dilakukan
pengujian berdasarkan varietas dengan menggunakan tabel confusion matrix.
Pengujian model dilakukan dengan menggunakan data uji. Sistem diuji dengan
menghitung akurasi, yaitu jumlah data yang berhasil dikenali benar oleh metode
JST. Persamaan 12 digunakan untuk menghitung akurasi:
Analisis Hasil
Agar dapat dengan mudah dilihat dan dianalisis seberapa besar akurasi pada
identifikasi daun tanaman Jati, hasil akhir dibuat dalam bentuk grafik. Selain itu
juga dilakukan pengamatan terhadap parameter-parameter JST yang digunakan
untuk melihat pengaruh terhadap hasil akurasi yang didapatkan.
Lingkungan Pengembangan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk
penelitian ini adalah sebagai berikut:
Perangkat keras:
1 Processor Intel ® Core i3
11
2
3
Memory 2GB
Hardisk 320GB
1
2
Perangkat lunak:
Sistem Operasi Microsoft Windows 7
Matlab 7.7 (R2008b)
HASIL DAN PEMBAHASAN
Pengumpulan Data
Penelitian ini menggunakan data hasil pengukuran yang dilakukan pada
penelitian sebelumnya oleh Asanurjaya (2012). Pada tahap ini dilakukan
identifikasi enam jenis daun Jati dengan menggunakan karakteristik morfologi
daun. Adapun enam jenis Jati tersebut yaitu Biotrop, Emas, Jobika, Muna, Prima,
dan Super. Enam jenis ini masing-masing terdiri atas dua puluh sampel data
sehingga total data sebanyak 120 data.
Ekstraksi Fitur
Pengujian dilakukan pada percobaan I (satu) dan percobaan II (dua).
Percobaan satu dilakukan terhadap 6 ciri morfologi daun sesuai dengan ciri
morfologi yang digunakan oleh Asanurjaya (2012) yaitu area, perimeter, diameter,
smooth factor, form factor dan perimeter ratio of diameter. Pengujian selanjutnya
dilakukan pada percobaan dua yaitu dengan menggunakan 5 ciri dasar morfologi
ditambah dengan 12 ciri turunan, yaitu area, perimeter, diameter, physiological
length, physiological width, smooth factor, aspect ratio,
form factor,
rectangularity , narrow factor, perimeter ratio of diameter, perimeter ratio of
physiological length and physiological width dan vein features.
Hasil yang diperoleh dari perhitungan morfologi daun pada percobaan I dan
II memiliki rentang nilai yang sangat jauh seperti tercantum pada Lampiran 3. Hal
ini tentunya akan memengaruhi nilai akurasi, oleh karena itu sebelum dilakukan
pembagian data latih dan data uji terlebih dahulu dilakukan normalisasi data
sehingga semua nilai akan memiliki rentang nilai yang tidak terlalu jauh. Tidak
semua nilai ekstraksi fitur dilakukan normalisasi, tapi hanya beberapa nilai saja
yang memiliki nilai rentang yang sangat jauh yaitu nilai area, perimeter, dan
diameter, physiological length dan physiological width seperti terlihat pada
Lampiran 4.
Pembagian Data Latih dan Data Uji
Pembagian data latih dan data uji ini dilakukan dengan menggunakan
metode k-fold cross validation dengan menggunakan k sama dengan 5. Jumlah
data yang diperoleh sebanyak 120 record dan dibagi menjadi 5 subset sehingga
setiap subset terdiri atas 24 record. Subset yang berjumlah 24 record tersebut
terdiri atas 4 record dari masing-masing jenis daun.
12
Percobaan pertama (fold I) menggunakan 96 record sebagai data latih yang
berisi subset 1,2,3, dan 4. Subset 5 yang berisi 24 record dijadikan sebagai data
uji. Percobaan terus dilakukan hingga setiap subset pernah dijadikan data uji
seperti terlampir pada Tabel 3.
Tabel 3 Susunan 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, S4, S5
S1, S3, S4, S5
S2, S3, S4, S5
Pengujian
S5
S4
S3
S2
S1
Pelatihan
Nilai parameter JST yang optimal sangatlah penting untuk mendapatkan
model JST yang baik. Penentuan JST optimal dilihat berdasarkan jumlah epoch
minimum pada setiap percobaan. Penentuan parameter JST optimal pada
percobaan ini dilihat dari nilai parameter yang dapat menghasilkan nilai akurasi
tertinggi untuk setiap iterasi. Jika ada dua atau lebih nilai parameter yang
menghasilkan akurasi yang sama, penentuan parameter JST optimal akan dilihat
berdasarkan nilai parameter yang memiliki epoch terkecil sebagaimana terdapat
pada Lampiran 5.
Untuk menentukan parameter JST optimal dimulai dengan percobaan
beberapa nilai hidden neuron. Adapun nilai hidden neuron yang digunakan yaitu 3,
5, 8, dan 10 dengan epoch sebesar 100. Perobaan ini akan terus dilakukan dengan
beberapa nilai hidden neuron yang lain sehingga bisa didapatkan nilai akurasi
yang baik. Untuk meningkatkan hasil akurasi, perlu juga dilakukan perubahan
pada parameter yang lain seperti jumlah epoch dan fungsi aktivasi.
Pengujian
Akurasi setiap percobaan didapat dari perhitungan confusion matrix yang
terdiri dari jumlah baris data uji yang diprediksi benar atau tidak oleh model
klasifikasi. Berdasarkan hasil percobaan, tidak semua jenis Jati dapat
teridentifikasi dengan baik sesuai dengan jenis Jati yang ada.
Percobaan I (satu) dengan menggunakan 6 ciri morfologi daun hasil akurasi
maksimal yang diperoleh sebesar 78.33%. Nilai hasil akurasi pada percobaan ini
ternyata lebih besar dari percobaan yang telah dilakukan oleh Asanurjaya (2012).
Gambar 10 merupakan hasil dari percobaan satu berdasarkan jumlah hidden
neuron yang digunakan. Dengan menggunakan hidden neuron 3 hasil akurasi
yang diperoleh sebesar 61.66%. Namun hasil akurasi mengalami penurunan
setelah dilakukan dengan menggunakan hidden neuron 18, 20, dan 30. Hal ini
membuktikan bahwa jumlah hidden neuron yang digunakan sangatlah
berpengaruh terhadap hasil akurasi yang didapatkan, tetapi semakin tinggi hidden
neuron tidak selalu semakin tinggi pula hasil akurasi yang didapatkan. Tabel
akurasi untuk percobaan I dapat dilihat pada Lampiran 6.
13
Gambar 10 Grafik nilai rata-rata akurasi terbaik pada percobaan I (satu)
Selanjutnya dilakukan Percobaan II dengan menggunakan 17 ciri morfologi
daun. Hasil confusion matrix untuk masing-masing jenis Jati pada fold 1 terdapat
pada Lampiran 7. Percobaan awal dengan menggunakan hidden neuron sebanyak
3, nilai akurasi rata-rata yang dihasilkan adalah sebesar 65%. Berdasarkan Tabel 4
terlihat bahwa data jenis Jati yang paling banyak dikenali adalah Jati Super yang
sebesar 85%. Kemudian yang dikenali paling banyak setelah Jati Super adalah Jati
Biotrop yaitu sebesar 80%. Jati Biotrop dapat teridentifikasi sebagai Jati Emas,
Jobika, Muna dan Prima, sedangkan Jati Emas dapat teridentifikasi sebagai Jati
Prima. Selain itu juga terdapat jenis Jati yang dikenali sebagai Jati Super yaitu Jati
Jobika, Muna dan Prima. Pada percobaan ini yang paling sedikit teridentifikasi
dengan baik adalah jenis Jati Prima yaitu hanya sebesar 30%. Jenis Jati Prima
lebih banyak teridentifikasi sebagai Jati Emas hal ini dimungkinkan karena bentuk
dan ukuran kedua jenis Jati ini hampir sama.
Tabel 4 Percobaan dengan hidden neuron 3
Kelas
Asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
16
0
2
0
3
0
Emas
1
15
0
0
9
0
Kelas Prediksi
Jobika Muna
1
1
0
0
12
2
5
12
1
0
1
2
Prima
1
5
1
0
6
0
Super
0
0
3
3
1
17
14
Percobaan selanjutnya dengan menggunakan hidden neuron sebanyak 5.
Hasil akurasi yang diperoleh pada percobaan ini sebesar 71,67%. Pada percobaan
ini besarnya data uji yang dikenali benar mengalami peningkatan dari sebelumnya.
Pada Tabel 5 data uji yang berhasil dikenali paling banyak adalah Jati Super dan
Jati Emas yaitu sebesar 85%. Jati Emas mengalami peningkatan walaupun masih
dapat teridentifikasi sebagai Jati Prima dan Super.
Jati Biotrop tidak mengalami peningkatan akurasi dan masih bisa
teridentifikasi sebagai Jati Emas, Jobika, Muna dan Super.Selain Jati Biotrop, ada
juga jenis Jati lain yang teridentifikasi sebagai Jati Super yaitu Jati Emas, Jobika
dan Muna. Jati Jobika dapat teridentifikasi sebagai Jati Biotrop, sedangkan Jati
Prima dapat teridentifikasi sebagai Jati Emas. Untuk Jati Super dapat
teridentifikasi sebagai Jati Emas, Jobika dan Muna.
Tabel 5 Percobaan dengan hidden neuron 5
Kelas
Asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
16
0
2
2
2
0
Emas
1
17
1
0
4
1
Kelas Prediksi
Jobika Muna
1
1
0
0
11
5
4
12
1
0
1
1
Prima
0
2
0
0
13
0
Super
1
1
1
2
0
17
Kemudian dengan menggunakan hidden neuron sebanyak 8, hasil akurasi
yang didapatkan sebesar 78.33%. Hal ini berarti akurasi tetap mengalami
peningkatan dari akurasi yang didapatkan sebelumnya. Jati Biotrop dan Emas
pada percobaan ini memiliki nilai bobot yang paling tinggi dibandingkan dengan
nilai bobot Jati yang lainnya yaitu 85%. Jati Biotrop masih bisa teridentifikasi
sebagai Jati Emas, Prima dan Super, sedangkan Jati Emas bisa teridentifikasi
sebagai Jati Biotrop dan Prima. Sebesar 80% Jati Jobika dan Super dapat dikenali
pada percobaan ini. Jati Jobika dapat teridentifikasi sebagai Jati Muna dan Super,
sedangkan Jati Super dapat teridentifikasi sebagai Jati Muna. Untuk Jati Muna
dapat teridentifikasi sebesar 75% karena masih bisa teridentifikasi sebagai Jati
Super. Jenis Jati yang paling kecil teridentifikasi dengan baik adalah Jati Prima
karena hanya bisa teridentifikasi sebesar 65%. Confussion matrix untuk percobaan
ini dapat dilihat pada Tabel 6.
Tabel 6 Percobaan dengan hidden neuron 8
Kelas
Asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
17
2
0
0
2
0
Emas
1
17
0
0
4
0
Kelas Prediksi
Jobika Muna
0
0
0
0
16
1
3
15
1
0
0
4
Prima
1
1
0
0
13
0
Super
1
0
3
2
0
16
15
Percobaan berikutnya yaitu dengan menggunakan hidden neuron 10 dan
akurasi yang didapatkan sebesar 78.33% sebagaimana terlihat pada Tabel 7. Pada
percobaan ini, Jati Super adalah yang paling banyak teridentifikasi dengan baik
yaitu sebesar 90%, walaupun masih bisa teridentifikasi sebagai Jati Biotrop dan
Muna. Jati Emas dapat teridentifikasi sebagai Jati Prima. Untuk Jati Jobika dapat
teridentifikasi sebagai Jati Biotrop, Emas, Muna dan Super. sedangkan Jati Muna
teridentifikasi sebagai Jati Emas, Jobika dan Super. Jati Prima dapat teridentifikasi
sebagai Jati emas dan untuk Jati Super dapat teridentifikasi sebagai Jati Biotrop
dan Muna.
Tabel 7 Percobaan dengan hidden neuron 10
Kelas
Asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
15
0
2
0
0
1
Emas
3
17
1
1
7
0
Kelas Prediksi
Jobika Muna
0
1
0
0
15
1
1
16
0
0
0
1
Prima
0
3
0
0
13
0
Super
1
0
1
2
0
18
Prima
1
4
0
0
12
0
Super
0
1
1
1
1
16
Tabel 8 Percobaan dengan hidden neuron 15
Kelas
Asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
18
0
0
0
3
1
Emas
1
15
0
1
4
0
Kelas Prediksi
Jobika Muna
0
0
0
0
17
2
1
17
0
0
0
3
Percobaan dengan hidden neuron 15 menghasilkan akurasi sebesar 79.17%.
Pada Tabel 8, jenis Jati yang paling banyak teridentifikasi dengan baik adalah Jati
Biotrop sebesar 90%. Jati Jobika dan Muna teridentifikasi dengan baik sebesar
85% sedangkan yang paling kecil teridentifikasi sebesar 60% yaitu Jati Prima.
Percobaan dilanjutkan dengan menggunakan hidden neuron 17 dan hasil akurasi
rata-rata yang diperoleh adalah 84.17%. Seperti terlihat pada Tabel 9, jenis Jati
yang teridentifikasi paling baik adalah Jati Super yaitu sebesar 100%, ini berarti
semua jenis daun ini teridentifikasi dengan sempurna. Untuk Jati Emas
teridentifikasi dengan baik sebesar 95% hal ini karena masih dapat teridentifikasi
sebagai Jati Prima sebesar 5%. Jati Biotrop dan Muna teridentifikasi sebesar 85%.
Jati Biotrop dapat teridentifikasi sebagai Jati Emas, Jobika dan Muna sedangkan
Jati Muna dapat teridentifikasi sebagai Jati Jobika dan Super. Sebesar 70%
teridentifikasi dengan baik untuk Jati Jobika dan Prima.
16
Tabel 9 Percobaan dengan hidden neuron 17
Kelas
Asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
17
0
0
0
1
0
Emas
1
19
1
0
5
0
Kelas Prediksi
Jobika Muna
1
1
0
0
14
3
1
17
0
0
0
0
Prima
0
1
1
0
14
0
Super
0
0
1
2
0
20
Percobaan kelima yaitu dengan menggunakan hidden neuron 18 dengan
hasil akurasi yang diperoleh sebesar 81.67%. Pada percobaan ini Jati Super masih
teridentifikasi dengan sempurna 100% sebagaimana terlihat pada Tabel 10.
Sedangkan untuk Jati yang lain mengalami perubahan. Jati Emas mengalami
penurunan akurasi menjadi 90%. Jati Emas ini dapat teridentifikasi sebagai Jati
Prima sedangkan Jati Jobika dapat teridentifikasi sebagai Jati Muna, Prima dan
Super.
Tabel 10 Percobaan dengan hidden neuron 18
Kelas
Asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
15
0
0
0
0
0
Emas
2
18
0
0
3
0
Kelas Prediksi
Jobika Muna
1
2
0
0
16
1
5
13
0
1
0
0
Prima
0
2
1
0
16
0
Super
0
0
2
2
0
20
Percobaan selanjutnya dengan menggunakan hidden neuron 20. Hasil
akurasi yang didapat sebesar 79.17%. Pada percobaan ini akurasi mengalami
penurunan seperti terlihat pada Tabel 11. Jati Super yang sebelumnya memiliki
akurasi 100% pada percobaan kelima, pada percobaan ini mengalami penurunan
menjadi 90%. Jati Super dapat teridentifikasi sebagai Jati Jobika dan Muna
sedangkan Jati Biotrop dapat teridentifikasi sebagai Jati Emas, Muna dan Prima.
Jati Jobika dan Muna dapat teridentifikasi sebagai Jati Super dan Jati Prima dapat
teridentifikasi sebagai Jati Biotrop, Emas dan Jobika.
Tabel 11 Percobaan dengan hidden neuron 20
Kelas
Asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
13
0
0
0
1
0
Emas
2
17
0
0
2
0
Kelas Prediksi
Jobika Muna
0
1
0
0
14
4
1
17
1
0
1
1
Prima
4
3
1
0
16
0
Super
0
0
1
2
0
18
17
Percobaan terakhir dengan menggunakan hidden neuron sebesar 30. Hasil
akurasi yang didapatkan sebesar 73.33%. Hal ini berarti akurasi kembali
mengalami penuruan dari percobaan sebelumnya. Pada percobaan ini Jati Super
dapat teridentifikasi dengan baik sebesar 95%. Jati Biotrop dan Emas masingmasing teridentifikasi dengan baik sebesar 75%. Jati Biotrop dapat dikenali
sebagai Jati Emas, Prima dan Super sedangkan Jati Emas hanya dapat
teridentifikasi sebagai Jati Prima. Untuk Jati Jobika dan Muna masing-masing
dapat teridentifikasi sebagai Jati Prima dan Super. Sedangkan untuk Jati Prima
dapat teridentifikasi sebagai Jati Biotrop dan Emas. Percobaan terakhir terlihat
pada Tabel 12.
Tabel 12 Percobaan dengan hidden neuron 30
Kelas
Asal
Biotrop
Emas
Jobika
Muna
Prima
Super
Biotrop
15
0
3
0
2
0
Emas
1
15
0
0
4
0
Kelas Prediksi
Jobika Muna
0
0
0
0
9
5
2
16
0
0
0
1
Prima
3
5
2
1
14
0
Super
1
0
1
1
0
19
Berdasarkan percobaan yang telah dilakukan, hidden neuron 17
menghasilkan nilai rata-rata akurasi terbaik yaitu sebesar 84.17%. Tabel 13
merupakah hasil akurasi dari setiap percobaan berdasarakan hidden neuron yang
digunakan.
Tabel 13 Hasil nilai rata-rata akurasi terbaik berdasarkan hidden neuron
Hidden
3
5
8
neuron
Akurasi
65,00 71,67 78,33
(%)
10
15
17
18
20
30
78,33
79,17
84,17
81,67
79,17
73,33
Untuk mempermudah melihat masing-masing hasil akurasi setiap percobaan,
dibuat sebuah grafik berdasarkan hidden neuron. Gambar 11 menggambarkan
kinerja dari setiap hidden neuron yaitu 3, 5, 8, 10, 15, 17, 18, 20 dan 30 yang
direpresentasikan dalam bentuk grafik. Pada gambar tersebut terlihat bahwa dari
hidden neuron 3 sebesar 65%, hasil akurasi terus mengalami peningkatan sampai
di hidden neuron 17 sebesar 84.17%. Tetapi hasil akurasi mengalami penurunan
pada saat hidden neuron 18 yaitu menjadi 81.67%. Hasil akurasi terus mengalami
penurunan di hidden neuron 20 dan 30. Hal ini dapat diambil kesimpulan bahwa
hidden neuron sangatlah berpengaruh terhadap hasil akurasi pada JST, akan tetapi
semakin tinggi hidden neuron yang digunakan maka tidak selalu menambah hasil
akurasi.
18
100
90
84.17
Persentase (%)
80
78.33
70
79.17
73.33
71.67
65.00
60
81.67
79.17
78.33
50
40
30
20
10
0
3
5
8
10
15
17
18
20
30
Hidden Neuron
Gambar 11 Grafik nilai rata-rata akurasi terbaik pada percobaan II (dua)
Selanjutnya dibuat grafik dalam bentuk boxplot untuk setiap fitur ciri
morfologi daun dengan tujuan untuk melihat perbandingan variasi atau distribusi
antar kelas jenis Jati. Gambar 12 merupakan boxplot untuk fitur area daun
sedangkan untuk 16 fitur lainnya tercatum pada Lampiran 8. Karena bentuk
boxplot untuk kelas 1 (Jati Biotrop) cukup tinggi, maka bisa dikatakan bahwa data
pada kelas ini cukup menyebar. Untuk kelas 2 (Jati Emas) data sedikit menyebar
karena bentuk boxplot-nya yang sedikit pendek. Data Jenis Jati yang cukup
menyebar adalah Jati Biotrop, Jobika, Muna dan Prima.
Gambar 12 Boxplot untuk fitur area daun
19
SIMPULAN DAN SARAN
Simpulan
Berdasarkan hasil penelitian yang telah dilakukan dapat ambil kesimpulan
sebagai berikut:
1 JST Backpropagation dapat diimplementasikan dalam pengenalan daun
tanaman Jati menggunakan ekstraksi fitur ciri morfologi daun.
2 Klasifikasi Jaringan Saraf Tiruan Backpropagation dengan hidden neuron 17
menghasilkan hasil akurasi paling baik dibandingkan dengan hidden neuron
yang lain.
3 Nilai akurasi maksimal yang dicapai adalah 84.17%.
Saran
1
2
3
Saran untuk pengembangan selanjutnya adalah:
Melakukan percobaan dengan memisahkan fitur dasar dan fitur turunan.
Melakukan segmentasi secara otomatis pada saat praproses citra.
Membuat aplikasi berbasis mobile.
DAFTAR PUSTAKA
Al-Khairi. 2008. Keragaman Genetik Jati Rakyat di Jawa Berdasarkan Penanda
Random Amplified Polymorphic DNA (RAPD) [skripsi]. Bogor (ID): Institut
Pertanian Bogor.
Asanurjaya Bangun. 2012. Identifikasi Daun Tanaman Jati Menggunakan
Probabilistic Neural Network dengan ekstraksi fitur ciri morfologi daun
[skripsi]. Bogor (ID): Institut Pertanian Bogor.
Fausett Laurence. 1994. Fundamentals of Neural Network, Architecture, Algoritm
and Application. Printice-Hall, Inc. London.
Han J, Kamber M. 2001. Data Mining Concepts & Techniques. San Francisco:
Academic Press.
Hardelina R. 2007. Klasifikasi Buah Melon Berjaring Menggunakan Jaringan
Saraf Tiruan Propagasi Balik Resilient [skripsi]. Bogor (ID): Institut
Pertanian Bogor.
Palupi E. R. 2006. Genetic, Biotic, and Physiological Factors in Seed Production
of Teak (Tectona grandis L.f.): A case study in clonal seed orchard in East
Java. [Disertasi]. Bogor (ID): Institut Pertanian Bogor.
Puspitasari Dewi. 2011. Identifikasi Jenis Shorea Menggunakan Jaringan Saraf
Tiruan Propagasi balik Berdasarkan Karakteristik Morfologi Daun [skripsi].
Bogor (ID): Institut Pertanian Bogor.
Tan Pang-Ning, et al. 2006. Introduction to Data Mining. Boston: Pearson
Education,Inc.
Wu S. G., et al. 2007. A Leaf Recognition Algorithm for Plant Using Probabilistic
Neural Network. China (CN) : Chinese Academy Science.
20
Lampiran 1 Algoritme jaringan saraf tiruan
Langkah 0 : Inisialisasi nilai bobot dengan nilai acak yang kecil.
Langkah 1 : Selama kondisi berhenti masih tidak terpenuhi, laksanakan langkah
2 sampai 9.
Langkah 2 : Untuk tiap pasangan pelatihan, kerjakan langkah 3 sampai 8.
Langkah 3 : Un uk ap un npu X , = ,…,n) menerima sinyal input xi dan
menyebarkan sinyal itu keseluruh unit pada lapis atasnya (lapis
tersembunyi)
Langkah 4 : Untuk tiap unit tersembunyi (Zj, j= ,…,p) dihitung nilai input
dengan menggunakan nilai bobotnya :
n
z _ in j 0 j xi ij
i 1
Kemudian dihitung nilai output dengan menggunakan fungsi
aktivasi yang dipilih : zj = f ( z_inj )
Hasil fungsi tersebut dikirim ke semua unit pada lapis di atasnya
Langkah 5 : Untuk tiap unit output (Yk, k=1,..,m) dihitung nilai input dengan
menggunakan nilai bobot-nya :
p
y _ ink w0k z j w jk
j 1
Kemudian dihitung nilai output dengan menggunakan fungsi
aktivasi :
y k f ( y _ ink )
Langkah 6 : Untuk tiap unit output (Yk, k=1,..,m) menerim pola target yang
bersesuaian dengan pola input, dan kemudian dihitung informasi
kesalahan :
k (t k yk ) f ' ( y _ ink )
Kemudian dihitung koreksi nilai bobot yang kemudian akan
digunakan untuk memperbaharui nilai bobot wjk. :
w jk k z j
Hitung koreksi nilai bias yang kemudian akan digunakan untuk
memperbaharui nilai w0k :
w0k k
kemudian nilai dikirim ke unit pada lapis sebelumnya
Langkah 7 : Untuk tiap unit tersembunyi (Zj, j=1,…,p) dihitung delta input
yang berasal dari unit pada lapis di atasnya :
m
_ in j k w jk
k 1
21
Lampiran 1 Algoritme jaringan saraf tiruan
Kemudian nilai tersebut dikalikan dengan nilai turunan dari
fungsi aktivasi untuk menghitung informasi kesalahan :
j _ in j f ' ( z _ in j )
Hitung koreksi nilai bobot yang kemudian digunakan untuk
memperbaharui nilai :
ij j xi
dan hitung nilai koreksi bias yang kemudian digunakan untuk
memperbaharui :
oj j
Langkah 8 : Tiap nilai bias dan bobot (j=0,..,p) pada unit output (Yk, k=1,..,m)
diperbaharui :
w jk (new) w jk (old ) w jk
ij (new) ij (old ) ij
Langkah 9 : Menguji apakah kondisi berhenti sudah terpenuhi. Kondisi berhenti
ini terpenuhi jika nilai kesalahan yang dihasilkan lebih kecil dari
nilai kesalahan referensi atau training telah mencapai epoh yang
ditetapkan.
22
Lampiran 2 Algoritme pelatihan Levenberg-Marquardt
Langkah 0:
Inisialisasi bobot awal dengan bilangan acak kecil
Inisialisasi epoch , MSE ≠
Tetapkan maksimum epoch, parameter Levenberg-Marquardt ( > 0),
faktor dan target error
Langkah 1:
Jika kondisi penghentian belum terpenuhi (epoch < maksimum epoch
atau MSE > target error), lakukan langkah berikutnya.
Langkah 2:
Epoch = epoch + 1
Untuk setiap pasangan data pelatihan, lakukan langkah 3
Langkah 3:
Unit output Y menerima target pola yang berhubungan dengan pola input
pelatihan. Jika diberikan N pasangan input data pelatihan (xr, tr), r = 1, 2,
....., N, dengan xn adalah input dan tr adalah target yang akan dicapai.
Kesalahan pada suatu data pelatihan ke-r didefinisikan sebagai:
er = tr – yr
dengan:
er
tr
yr
: kesalahan pada unit output
: keluaran yang diinginkan (acuan / target)
: keluaran aktual
e adalah vektor kesalahan berukuran Nx1 yang tersusun dari er, r = 1, 2, ...,
N. Nilai e dapat dituliskan sebagai:
e = [ e1 e2 ... eN ]T
Misal bobot dan bias koneksi dinyatakan dalam vektor w, w dapat
dituliskan sebagai:
w = [ wj b2 vij b1ij ]T
Kesalahan suatu pelatihan jaringan oleh vektor bobot dan bias koneksi
w pada suatu data pelatihan ke-r menjadi:
er(w) =
( tr – yr )
=
( tr – f ( xr, w ))
Vektor kesalahan oleh vektor bobot dan bias koneksi w menjadi e(w)
berukuran Nx yang tersusun dari er(w), dengan r = 1, 2, ..., N.
Hitung fungsi jumlah kuadrat error dengan persamaan:
E(w) = eT(w) e(w)
23
Lampiran 2 Algoritme pelatihan Levenberg-Marquardt
Hitung matriks Jacobian untuk vektor bobot dan bias koneksi:
J(w) = [
]
Untuk r = 1, 2, ..., N
a.
Hitung matriks Hessian untuk vektor bobot dan bias koneksi.
H(w) = [ JT(w) J(w) + I ]
b.
Hitung perubahan vektor bobot dan bias dengan persamaan
berikut:
∆w = - [ [H(w)]-1 JT(w) e(w) ]
c.
Hitung vektor bobot dan bias baru.
w(baru) = w lama + ∆w
d.
Hitung kesalahan yang terjadi oleh bobot dan bias koneksi yang
baru.
E(w(baru)) = e(w(baru))T e(w(baru))
e.
Bandingkan E(w) dengan E(w(baru)).
Jika E(w) E (w(baru)), didapatkan Kembali ke langkah
2.
Lampiran 3 Hasil perhitungan morfologi sebelum dilakukan normalisasi
24
Lampiran 4 Hasil perhitungan morfologi setelah dilakukan normalisasi
Lampiran 5 Hasil akurasi untuk masing-masing fold pada percobaan I (satu)
fold
Hidden
Neuron
1
2
3
4
5
Rata-rata
akurasi
3
70.83 %
58.33 %
70.83 %
58.33 %
50.00 %
61.66 %
5
79.17 %
66.67 %
75.00 %
58.33 %
66.67 %
69.17 %
8
79.17 %
66.67 %
79.17 %
58.33 %
66.67 %
70.00 %
10
79.17 %
62.50 %
75.00 %
66.67 %
66.67 %
70.00 %
15
79.17 %
70.83 %
83.33 %
62.50 %
70.83 %
73.33 %
17
83.33 %
75.00 %
83.33 %
70.83 %
79.17 %
78.33 %
18
83.33 %
70.83 %
79.17 %
66.67 %
70.83 %
74.17 %
20
79.17 %
75.00 %
83.33 %
62.50 %
66.67 %
73.33 %
30
75.00 %
70.83 %
79.17 %
62.50 %
70.83 %
71.67 %
25
Lampiran 6 Nilai akurasi setiap jenis jati
Fold
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
Hidden
Neuron
3
3
3
3
3
5
5
5
5
5
8
8
8
8
8
10
10
10
10
10
15
15
15
15
15
17
17
17
17
17
18
18
18
18
18
1
100%
50%
100%
75%
75%
100%
75%
100%
75%
50%
100%
75%
100%
75%
75%
75%
75%
100%
50%
75%
100%
75%
100%
100%
75%
100%
75%
100%
75%
75%
75%
75%
75%
75%
75%
2
100%
100%
100%
0%
75%
100%
100%
75%
75%
75%
75%
75%
100%
75%
100%
100%
100%
75%
50%
100%
75%
75%
50%
100%
75%
100%
100%
75%
100%
100%
100%
100%
75%
75%
100%
Akurasi Kelas
3
4
75% 100%
75%
50%
50%
75%
25%
25%
75%
50%
50%
50%
100%
25%
25%
75%
25%
50%
75% 100%
100%
75%
100%
25%
75%
75%
25% 100%
100% 100%
100%
50%
75%
75%
75%
75%
50% 100%
75% 100%
100%
75%
100%
75%
75%
75%
50% 100%
100% 100%
75% 100%
100%
75%
50%
75%
50% 100%
75%
75%
100%
75%
75%
50%
75% 100%
50%
50%
50%
75%
5
0%
0%
0%
100%
50%
75%
25%
100%
75%
50%
75%
75%
50%
100%
25%
50%
50%
100%
50%
75%
75%
75%
75%
25%
50%
75%
50%
100%
25%
100%
75%
75%
100%
75%
75%
6
50%
100%
75%
100%
100%
100%
100%
50%
75%
100%
75%
100%
75%
50%
100%
75%
100%
75%
100%
100%
75%
100%
100%
25%
100%
100%
100%
100%
100%
100%
100%
100%
100%
100%
100%
Akurasi
rata-rata
70.83%
62.50%
66.67%
54.17%
70.83%
79.17%
70.83%
70.83%
62.50%
75.00%
83.33%
75.00%
79.17%
70.83%
83.33%
75.00%
79.17%
83.33%
66.67%
87.50%
83.33%
83.33%
79.17%
66.67%
83.33%
91.67%
83.33%
83.33%
75.00%
87.50%
87.50%
79.17%
87.50%
70.83%
79.17%
epoch
15
13
15
19
13
12
15
17
17
20
15
42
12
20
17
14
14
15
13
22
12
14
12
20
15
14
16
15
13
22
15
17
20
20
17
26
Lampiran 6 Nilai akurasi setiap jenis Jati
Fold
1
2
3
4
5
1
2
3
4
5
Hidden
Neuron
20
20
20
20
20
30
30
30
30
30
1
75%
50%
75%
50%
75%
75%
50%
100%
75%
75%
2
75%
100%
50%
100%
100%
100%
75%
50%
50%
100%
Akurasi Kelas
3
4
100%
50%
100% 100%
75% 100%
25% 100%
50%
75%
50%
75%
75%
75%
50%
50%
25% 100%
25% 100%
5
100%
50%
100%
75%
75%
100%
50%
75%
75%
50%
6
100%
100%
75%
75%
100%
75%
100%
100%
100%
100%
Akurasi
rata-rata
83.33%
83.33%
79.17%
70.83%
79.17%
79.17%
70.83%
70.83%
70.83%
75.00%
epoch
14
12
15
13
22
15
15
12
20
15
Lampiran 7 Hasil confusion matrix untuk masing-masing jenis Jati dengan fold 1
confusion matrix dengan
hidden neuron 3
confusion matrix dengan
hidden neuron 5
confusion matrix dengan
hidden neuron 8
confusion matrix dengan
hidden neuron 10
confusion matrix dengan
hidden neuron 15
confusion matrix dengan
hidden neuron 17
27
Lampiran 7 Hasil confusion matrix untuk masing-masing jenis Jati dengan fold 1
confusion matrix dengan
hidden neuron 18
confusion matrix dengan
hidden neuron 20
confusion matrix dengan
hidden neuron 30
Lampiran 8 Boxplot untuk setiap fitur ciri morfologi daun
Fitur perimeter
Fitur diameter
Fitur physiological length
Fitur physiological width
28
Lampiran 8 Boxplot untuk setiap fitur ciri morfologi daun
Fitur smooth factor
Fitur aspect ratio
Fitur form factor
Fitur rectangularity
Fitur narrow factor
Fitur perimeter ratio of diameter
29
Lampiran 8 Boxplot untuk setiap fitur ciri morfologi daun
Fitur perimeter ratio of physiological
length and physiological width
Fitur Vein Feature 1
Fitur Vein Feature 2
Fitur Vein Feature 3
Fitur Vein Feature 4
Fitur Vein Feature 5
30
RIWAYAT HIDUP
Penulis dilahirkan di Cilacap, Jawa Tengah, pada tanggal 07 September
1986. Penulis merupakan anak ke sembilan dari pasangan (alm.)Wiryo Atmodjo
dan Nafsiyah. Penulis mengenyam pendidikan di SD Negeri Bojong 5
Kawunganten pada tahun 1994-2000, SLTPN 1 Kawunganten Cilacap pada 20002003 serta SMA Negeri 3 Kota Cilacap pada tahun 2003-2006. Selanjutnya,
penulis melanjutkan studi diploma pada program studi Teknik Komputer Institut
Pertanian Bogor dan lulus pada tahun 2009. Pada tahun 2010, penulis di