w-entropy. Dekomposisi wavelet level tiga menghasilkan sepuluh fitur w-entropy. Dekomposisi wavelet level empat menghasilkan tiga belas fitur w-entropy.
Berdasarkan penelitian yang telah dilakukan sebelumnya, maka penelitian ini menggunakan K-NN dan JST dengan ekstraksi fitur RGB, analisis tekstur, dan
dekomposisi wavelet untuk klasifikasi jenis Freycinetia berdasarkan citra anatomi stomata. Hasil penelitian diharapkan dapat memberikan metode alternatif untuk
membantu proses klasifikasi jenis tumbuhan khususnya Freycinetia.
1.2. Perumusan Masalah
Perumusan masalah adalah menganalisis dua teknik ekstraksi fitur pada citra anatomi stomata. Pertama adalah ekstraksi fitur pada citra warna dan citra
grayscale. Kedua adalah ekstraksi fitur dekomposisi wavelet level satu yang menghasilkan empat fitur w-entropy, dekomposisi level dua tujuh w-entropy,
dekomposisi level tiga sepuluh w-entropy, dan dekomposisi level empat tiga belas w-entropy. Hasil ekstraksi fitur menjadi nilai input untuk K-NN dan JST,
yang akan mengklasifikasikan citra anatomi stomata ke dalam empat jenis Freycinetia.
1.3. Tujuan Penelitian
Tujuan dari penelitian ini adalah mengklasifikasikan jenis Freycinetia berdasarkan
citra anatomi
stomata menggunakan
K-NN dan JST
dan membandingkan tingkat akurasi kedua teknik tersebut dengan ekstraksi fitur RGB,
analisis tekstur dan dekomposisi wavelet.
1.4. Ruang Lingkup Penelitian
Ruang lingkup penelitian adalah citra anatomi stomata Freycinetia yang terdiri atas empat jenis, yaitu Freycinetia angustifolia, Freycinetia imbricata,
Freycinetia javanica, dan Freycinetia sumatrana. Teknik ekstraksi fitur terdiri atas dua macam, yaitu
RGB dan analisis tekstur serta dekomposisi wavelet. Klasifikasi menggunakan K-NN dan JST propagasi balik backpropagation.
BAB II TINJAUAN PUSTAKA
2.1. Klasifikasi
Klasifikasi adalah tugas pembelajaran yang memetakan setiap himpunan atribut x ke salah satu label kelas y yang telah didefinisikan sebelumnya.
Klasifikasi dapat dipandang sebagai kotak hitam yang secara otomatis memberikan sebuah label ketika dipresentasikan dengan himpunan atribut dari
record yang tidak diketahui. Beberapa teknik klasifikasi yang digunakan adalah k-nearest neighbor
KNN dan Jaringan Syaraf Tiruan JST. Setiap teknik menggunakan algoritme pembelajaran untuk mengidentifikasi model yang memberikan hubungan yang
paling sesuai antara himpunan atribut dan label kelas dari data input. Pendekatan umum yang digunakan dalam masal ah klasifikasi adalah data
latih yang berisi record yang mempunyai label kelas ya ng diketahui. Data latih digunakan untuk membangun model klasifikasi untuk diaplikasikan pada data uji
yang berisi record dengan label kelas yang tidak diketahui Duda 1995.
2.1.1. K -Nearest Neighbor
K-Nearest Neighbor merupakan salah satu metode yang dig unakan dalam klasifikasi. Prinsip kerja KNN adalah mengelompokkan data baru berdasarkan
jarak ke beberapa data k tetangga terdekat neighbor dalam data pelatihan Hanselman 1998
. Nilai k yang terbaik untuk algo ritme ini tergantung pada data, secara umum nilai k yang tinggi akan mengurangi efek noise pada klasifikasi,
tetapi membuat batasan antara setiap klasifikasi menjadi lebih kabur. Teknik cross validasi digunakan untuk mencari nilai k yang optimal dalam mencari parame ter
terbaik dalam sebuah model. Jarak Euclidean menurut McAndrew 2004 digunakan untuk menghitung jarak antara dua vektor yang berfungsi menguji
ukuran yang bisa digunakan sebagai interpretasi kedekatan jarak antara dua obyek yang direpresentasikan dalam persamaan 1.
, ∑
.................................................... 1 dengan
dx,y : jarak euclidean antara vektor x dan vektor y
x
i
: fitur ke i dari vektor x
y
i
: fitur ke i dari vektor y
n : jumlah fitur pada vektor x dan y
Langkah-langkah untuk menghitung metode K -NN : 1. Menentukan parameter k jumlah tetangga paling dekat.
2. Menghitung kuadrat jarak euclid ean query instance
masing-masing obyek terhadap data sampel yang diberikan.
3. Mengurutkan objek-objek tersebut ke dalam kelompok yang mempunyai jarak euclidean terkecil.
4. Mengumpulkan kategori atau kelas Y klasifikasi nearest neighbor . 5. Dengan menggunakan kategori atau kelas nearest neighbor yang paling
mayoritas maka dapat dipredisikan nilai query instance yang telah dihitung. Konsep K-NN menggunakan fungsi jarak Euclidean, untuk menghindari
perbedaan range nilai pada tiap atribut fitur maka perlu dilakukan transformasi. Transformasi digunakan untuk menyamakan skala fitur ke dalam sebuah range
yang spesifik, misalnya -1 sampai 1 atau 0 sampai 1. Metode transformasi yang digunakan adalah Min Max Normalization yang menghasilkan transformasi linear
pada fitur data asli guna menghasilk an range nilai yang sama Han Kamber 2001 seperti pada persamaan 2.
_ _
_ ...................... 2
dengan : nilai baru fitur hasil Min-Max Normalization
V : nilai fitur yang akan ditransformasi
min
A
: nilai minimum dari field pada fitur yang sama max
A
: nilai maksimum dari field pada fitur yang sama new_min
A
: nilai minimum fitur yang diinginkan new_max
A
: nilai maksimum fitur yang diinginkan