Ekstraksi ciri morfologi (panjang dan lebar fisiologis) dan tekstur untuk temu kembali citra helai daun

(1)

ABSTRACT

FEBRIE SUBHAN. Morphology (Physiological Length and Width) and Texture Features Extraction for Leaf Sheet Image Retrieval. Under the supervision of SONY HARTONO WIJAYA.

In recent time, the ability to identify and classify leaves becomes a great need for taxonomist to know the diversity of plants (Hickey et al 1999). Identification can be done by identifying features of morphology and texture of the leaves or also with a combination of both. Annisa (2009) implemented the feature extraction approach to obtain the basic characteristic morphological image derived from the leaf blade and the co-occurrence matrix for texture feature extraction. Morphological features that obtained were diameter, leaf area, leaf perimeter, smoothing factor, form factor and perimeter ratio of diameter. Texture features were obtained energy, inverse difference moment, entropy, maximum probability, contrast, correlation, and homogeneity. This study used morphological features approach to obtain morphological features and co-occurrence matrix for texture features. Therefore, the evaluation of image retrieval was done by using more complete morphological features with additional morphological features of physiological length and physiological width. Both morphological features are very useful to help identify the characteristics of a leaf blade. This research approach has been successfully implemented morphological features. Value of image retrieval evaluation leaves increased with the addition of two morphological characters. In this research, with additional morphological features and physiological length and physiological width resulted in morphological traits 0.2083, the texture feature values 0.1864 and character of Bayesian Network 0.2055. So that the average value of precision increased by 0.0137 for morphological features and by 0.0069 for combined value of morphological and textural characteristics (Bayesian Network).

Keyword: Content Based Image Retrieval (CBIR), Feature Extraction, Morphological Features Extraction, Bayesian Network.

(2)

PENDAHULUAN

Latar Belakang

Saat ini kemampuan untuk dapat mengidentifikasi dan mengklasifikasi daun menjadi kebutuhan yang besar bagi taksonomis dalam mengetahui keanekaragaman tanaman (Hickey et al 1999). Identifikasi dapat dilakukan dengan mengenali ciri morfologi dan tekstur dari daun atau juga dengan gabungan keduanya.

Content Based Image Retrieval (CBIR) dikembangkan untuk menemukembalikan citra berdasarkan pada informasi citra yang terdiri atas warna, bentuk dan tekstur. CBIR terdiri atas beberapa proses utama antara lain praproses, ekstraksi ciri, pengindeksan, dan penemuan kembali citra.

Wu et al (2007) melakukan ekstraksi ciri morfologi pada citra helai daun. Tahap awal adalah mendapatkan lima ciri dasar dari citra helai daun, kemudian kombinasi dari kelima ciri tersebut menghasilkan dua belas ciri turunan.

Pebuardi (2008) menggunakan Bayesian Network dalam pengukuran kemiripan citra dengan menggabungkan informasi warna, bentuk, dan tekstur dari suatu citra. Kemudian Annisa (2009) mengimplementasikan pendekatan ekstraksi ciri morfologi untuk mendapatkan ciri dasar yaitu diameter, leaf area dan leaf perimeter. Setelah itu diperoleh ciri turunan berupa smooth factor, form factor, dan perimeter ratio of diameter. Untuk ciri tekstur diperoleh energy, inverse difference moment, entropy, maximum probability, contrast, correlation, dan homogeneity.

Secara fisik, bentuk daun dapat dibedakan dengan melihat ciri morfologi yang ada pada setiap helai daun. Penelitian ini dilakukan untuk melengkapi ciri morfologi daun yang sebelumnya dilakukan oleh Annisa (2009). Oleh karena itu, berdasarkan penelitian sebelumnya diharapkan dengan tambahan physiological length dan physiological width akan didapatkan hasil yang baik untuk temu kembali citra helai daun.

Tujuan Penelitian

Tujuan dari penelitian ini adalah mengevaluasi hasil temu kembali citra dengan menggunakan penciri morfologi (physiological length dan physiological width), tekstur, dan gabungan keduanya dengan model Bayesian Network untuk temu kembali citra helai daun.

Ruang Lingkup

Data diperoleh dari hasil penelitian Annisa (2009) yang diambil dengan menggunakan kamera digital. Objek adalah citra helai daun tunggal yang berasal dari sebelas pohon buah yang ada di sekitar kampus IPB Darmaga, yaitu daun alpukat, bisbul, cokelat, durian, jamblang, jambu biji, jambu bol, kepel, manggis, menteng, dan nangka. Penelitian ini difokuskan pada tahap ekstraksi ciri morfologi dasar yaitu physiological length dan physiological width beserta dengan turunannya yaitu, aspect ratio, rectangularity, narrow factor, dan perimeter ratio of physiological length and physiological width.

TINJAUAN PUSTAKA

Content Based Image Retrieval (CBIR) Content Based Image Retrieval (CBIR) merupakan suatu pendekatan untuk masalah temu kembali citra yang didasarkan pada informasi yang terkandung di dalam citra itu sendiri seperti warna, bentuk, dan tekstur dari citra (Rodrigues & Araujo 2004). CBIR terdiri atas beberapa tahap yaitu praproses, ekstraksi ciri, pengindeksan dan penemuan kembali citra. Gambar 1 menunjukkan diagram CBIR.

Gambar 1 Diagram CBIR. Ekstraksi Ciri

Ekstraksi ciri adalah proses mengambil ciri-ciri yang terdapat pada citra. Pada proses ini objek di dalam citra mungkin perlu dideteksi seluruh tepinya, lalu dihitung properti-properti objek yang berkaitan sebagai ciri. Beberapa proses ekstraksi ciri mungkin perlu mengubah citra masukan sebagai citra biner, melakukan penipisan pola dan sebagainya.

Praproses Ekstraksi Fitur Pengindeksan Indeks Basis Data Praproses Ekstraksi Fitur Pencarian Indeks Pengukuran Kemiripan

Citra Kueri Citra Basis Data

Peng in d ek sa n ( o ff -li n e ) P en em u an Ke m b ali Cit ra ( on -li n e )

(3)

PENDAHULUAN

Latar Belakang

Tujuan Penelitian

Ruang Lingkup

TINJAUAN PUSTAKA

Gambar 1 Diagram CBIR. Ekstraksi Ciri

Praproses Ekstraksi Fitur Pengindeksan Indeks Basis Data Praproses Ekstraksi Fitur Pencarian Indeks Pengukuran Kemiripan

Citra Kueri Citra Basis Data

Peng in d ek sa n ( o ff -li n e ) P en em u an Ke m b ali Cit ra ( on -li n e )

(4)

2 Ekstraksi ciri diklasifikasikan ke dalam tiga

tingkat yaitu low-level, middle-level dan high-level. Low-level feature merupakan ekstraksi ciri berdasarkan isi visual seperti warna dan tekstur, middle-level feature merupakan ekstraksi tiap objek dalam citra dan mencari hubungannya, sedangkan high-level feature merupakan ekstraksi ciri berdasarkan informasi semantik yang terkandung dalam citra (Osadebey 2006).

Ekstraksi ciri morfologi merupakan salah satu bagian dari CBIR untuk informasi morfologi pada citra. Proses ini bisa dilakukan dengan pendekatan ekstraksi ciri dasar dan turunan dari morfologi citra helai daun.

Menurut Vailaya (1996), empat pendekatan yang digunakan dalam menganalisis tekstur adalah analisis statistik, geometrik, berbasis model dan pemrosesan sinyal. Pendekatan secara statistik dilakukan dengan mengukur karakteristik tekstur seperti kehalusan dan keteraturan. Pendekatan secara geometrik adalah mengorganisasikan komponen citra primitif (titik, garis, lingkaran) untuk mendapatkan adanya kemungkinan hubungan struktural. Sementara, pendekatan berbasis model mengasumsikan model citra dasar untuk mendeskripsikan dan menyintesis tekstur. Pendekatan pemrosesan sinyal menggunakan analisis frekuensi dari citra untuk menggolongkan tekstur.

Salah satu bagian dari CBIR untuk mendapatkan informasi tekstur pada citra adalah ekstraksi ciri tekstur. Proses ini bisa dilakukan dengan pendekatan secara statistik yaitu co-occurrence matrix.

Ekstraksi Ciri Morfologi

Wu et al (2007) telah mendeskripsikan ciri morfologi daun yang dapat diekstrak dari citra helai daun. Ciri tersebut dibedakan menjadi dua, yaitu ciri dasar dan ciri turunan.

Ciri dasar citra helai daun ada lima, yaitu: 1 Diameter (D), yang didefinisikan sebagai jarak terpanjang antara dua titik pada tepi daun. Panjang diameter bisa sama atau berbeda dengan panjang tulang daun primer (physiological length). Ilustrasinya dapat dilihat pada Gambar 2.

Gambar 2 Diameter helai daun.

2 Physiological length (Lp) adalah jarak antara ujung dan pangkal daun (panjang tulang daun primer).

3 Physiological width (Wp) adalah jarak terpanjang dari garis yang memotong tegak lurus physiological length yang dibatasi tepi daun. Hubungan keduanya dapat dilihat pada Gambar 3.

Gambar 3 Hubungan antara physiological length dan physiological width. 4 Leaf area (

A

) adalah perhitungan jumlah piksel dari daerah yang dilingkupi tepi daun pada citra yang telah dihaluskan. Ilustrasinya dapat dilihat pada Gambar 4.

Gambar 4 Leaf area.

5 Leaf perimeter (P) adalah perhitungan jumlah piksel yang terdapat pada tepi daun (keliling). Ilustrasinya dapat dilihat pada Gambar 5.

(5)

3 Gambar 5 Leaf perimeter.

Ciri turunan daun ada dua belas, yaitu:

1 Smooth factor adalah rasio antara area citra helai daun yang dihaluskan dengan 5x5 rectangular averaging filter dan area citra helai daun yang dihaluskan dengan 2x2 rectangular averaging filter. Ciri ini 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 W

p L

(1)

Ciri ini untuk memperkirakan bentuk helai daun. Jika bernilai kurang dari 1 maka bentuk helai daun tersebut melebar. Jika bernilai lebih dari 1 maka bentuk helai daun tersebut memanjang. Ilustrasinya dapat dilihat pada Gambar 6.

Gambar 6 Aspect ratio.

3 Form factor, digunakan untuk mendeskripsikan perbedaan antara daun dan lingkaran Ciri ini untuk mengukur seberapa bundar bentuk helai daun tersebut. Nilai form factor dapat dilihat pada Persamaan 2.

2 4 P A



(2) 4 Rectangularity, mendeskripsikan kemiripan antara daun dan empat persegi panjang. Rumusnya diberikan pada Persamaan 3.

A p W p L (3) 5 Narrow factor adalah 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 bernilai 1, jika asimetri maka bernilai lebih dari 1. Nilainya dapat dicari menggunakan Persamaan 4.

p L

(4) 6 Perimeter ratio of diameter. Ciri ini untuk mengukur seberapa lonjong daun tersebut. Persamaannya dapat dilihat pada Persamaan 5.

D P

(5) 7 Perimeter ratio of physiological length and physiological width. Rumusnya diberikan pada Persamaan 6.

) (L_p W_p

 (6)

8 Vein features. Persamaannya dapat dilihat pada Persamaan 7, 8,9,10, dan 11.

a. Rasio antara area helai daun yang telah dikurangi dengan radius satu piksel dan area daun awal.

A

_v1

(7) b. Rasio antara area helai daun yang telah dikurangi dengan radius dua piksel dan area daun awal.

A

_v2

(8) c. Rasio antara area helai daun yang telah dikurangi dengan radius tiga piksel dan area daun awal.

A

_v3

(9) d. Rasio antara area helai daun yang telah dikurangi dengan radius empat piksel dan area daun awal.

A

_v4

(6)

4 e. Rasio antara area helai daun yang telah

dikurangi dengan radius empat piksel dan area helai daun yang telah dikurangi dengan radius satu piksel. 1 4 v v

A

(11) Co-occurrence Matrix

Menurut Osadebey (2006), co-occurrence matrix menggunakan matriks derajat keabuan adalah untuk mengambil contoh secara statistik bagaimana suatu derajat keabuan tertentu terjadi dalam hubungannya dengan derajat keabuan yang lain. Matriks derajat keabuan adalah suatu matriks yang elemen-elemennya mengukur frekuensi relatif kejadian bersama dari kombinasi level keabuan antar pasangan piksel dengan hubungan spasial tertentu.

Misal diketahui sebuah citra Q(i,j), p(i,j) merupakan posisi dari operator, dan A adalah sebuah matriks NxN. Elemen A(i,j) menyatakan jumlah titik tersebut terjadi dengan grey level (intensitas) g(i) terjadi, pada posisi tertentu menggunakan operator p, relatif terhadap titik dengan intensitas g(j). Matriks A merupakan co-occurrence matrix yang didefinisikan oleh p. Operator p didefinisikan dengan sebuah sudut θ dan jarak d. Berdasarkan matriks A dapat dihitung nilai-nilai ciri tekstur. Ilustrasinya dapat dilihat pada Gambar 7.

Gambar 7 Representasi co-occurrence matrix. Berikut adalah beberapa formula yang digunakan dalam penghitungan ciri tekstur. a. Energy, mengukur tingkat keseragaman

tekstur. Energi mencapai nilai tertinggi saat persebaran level keabuan konstan atau bersifat periodik. Rumusnya diberikan pada Persamaan 12.

E 



_i_,_jP(i,j)2

1 (12) b. Inverse Difference Moment mencapai nilai tertinggi saat banyak kejadian bersama dalam matriks terkonsentrasi dekat diagonal utama. Formulanya dapat dilihat pada Persamaan 13.



  _i _j

j i

j i P

IDM _, (, ) (13) c. Entropy, mengukur tingkat keacakan piksel. Entropi mencapai nilai tertinggi jika semua elemen dalam matriks P sama. Nilai entropy dapat dicari menggunakan Persamaan 14.

E 



_i_,_jP(i,j)logP(i,j)

(14)

d. Maximum probability, menyatakan nilai frekuensi kemunculan bersama terbesar. Semakin tinggi nilainya, semakin teratur teksturnya. Rumusnya diberikan pada Persamaan 15.

max( ) ij P

MP (15) e. Contrast, menyatakan jumlah variasi lokal

yang terdapat dalam sebuah citra. Atau dengan kata lain menyatakan tingkat kekontrasan citra. Formulanya dapat dilihat pada Persamaan 16.

C 



_i_, _ji j2P(i, j)

1 (16)

f. Correlation, menyatakan hubungan ketetanggaan antarpiksel. Rumus yang digunakan dapat dilihat pada Persamaan 17.



 

 _i _j

j i j i P j j i C _, ) , ( ) )( 1 (

2  

 

(17)

g. Homogeneity, menyatakan tingkat kehomogenan piksel. Nilainya dapat dicari menggunakan Persamaan 18.



   _i _j

j i j i P H _, 1 ) , ( (18)

Evaluasi Hasil Temu Kembali Informasi Tahap evaluasi temu kembali citra dilakukan untuk menilai tingkat keberhasilan dalam proses temu kembali citra terhadap sejumlah koleksi pengujian. Pada tahap evaluasi dilakukan penilaian kinerja sistem dengan melakukan pengukuran recall dan precision dari proses temu kembali berdasarkan penilaian relevansinya.

Recall dan Precision

Recall dan precision merupakan parameter yang digunakan untuk mengukur keefektifan dari hasil temu kembali. Recall menyatakan proporsi yang ditemukembalikan terhadap

(7)

5 seluruh materi relevan pada basis data (korpus).

Precision menyatakan proporsi materi relevan yang ditemukembalikan (Baeza-Yates dan Ribeiro- Neto 1999).

Recall dan precision diformulasikan sebagai berikut:

recall (19) precision (20) dengan Ra adalah citra relevan yang ditemukembalikan. R adalah jumlah citra relevan yang ada pada basis data. A adalah jumlah seluruh citra yang ditemu kembalikan. Rataan precision merupakan suatu ukuran evaluasi yang diperoleh dengan menghitung rata-rata tingkat precision pada berbagai tingkat recall (Baeza-Yates dan Ribeiro-Neto 1999). Uji Levene dan Uji-t

Uji Levene adalah salah satu teknik dari uji statistika yang digunakan untuk menentukan apakah ada hubungan yang terjadi pada suatu data dengan melihat nilai ragamnya (Imam 2001). Tahapan yang dilakukan yaitu:

1. Diuji apakah ragam kedua data sama atau tidak.

2. Lalu dengan uji–t, diambil suatu keputusan.

METODE PENELITIAN

Penelitian ini akan dikerjakan dalam beberapa tahap, yaitu praproses, ekstraksi ciri, pengindeksan dan penemuan citra kembali. Tahapan secara lengkapnya dapat dilihat pada Gambar 8.

Praproses

Tahap awal praproses yaitu mengubah citra RGB menjadi citra grayscale. Untuk ekstraksi ciri morfologi, citra grayscale dikonversi lagi menjadi citra biner. Kemudian noise citra dihilangkan.

Ekstraksi Ciri

Ekstraksi ciri dapat diklasifikasikan menjadi dua bagian yaitu ciri morfologi dan ciri tekstur. a. Ciri Morfologi

Tahap selanjutnya ialah mencari ciri morfologi dasar yaitu Lp dan Wp, nilai Lp dihitung dengan menggunakan metode euclidean distance, sedangkan untuk mendapatkan nilai Wp ialah dengan mencari garis terpanjang yang tegak lurus dengan Lp. Kemudian nilai Lp dan Wp digabung dengan

ciri morfologi dasar dari hasil penelitian Annisa (2009) yaitu diameter, leaf area dan leaf perimeter. Pada akhirnya didapatkan ciri turunan citra helai daun yaitu aspect ratio, rectangularity, narrow factor, dan perimeter ratio of physiological length and physiological width.

Gambar 8 Metode penelitian. b. Ciri Tekstur

Langkah awal yang dilakukan untuk mendapatkan informasi tekstur dari sebuah matriks adalah menentukan co-occurrence matrix yang dihitung dalam empat arah 0o, 45 o 90 o, dan 135 o. Jadi, setiap citra akan dihasilkan empat co-occurrence matrix. Setelah itu, nilai energy, moment, entropy, maximum probability, contrast, correlation, dan homogenity dihitung untuk setiap co-occurrence matrix, sehingga setiap fitur akan diperoleh empat nilai masing masing untuk arah 0 o, 45 o, 90 o, dan 135 o. Nilai dari setiap fitur diperoleh dengan menghitung rata-rata keempat nilai fitur yang bersangkutan. Informasi tersebut kemudian direpresentasikan dengan sebuah vektor yang memilki tujuh elemen dan nilai akhir dari informasi tekstur diperoleh dengan melakukan normalisasi terhadap vektor masing-masing citra.

Pengukuran Kemiripan

Pengukuran kemiripan antara citra kueri dan citra yang ada dalam basis data dilakukan

Praproses

Ekstraksi ciri

Indeks citra basis data

Praproses Basis data citra Citra kueri

Penemuan kembali citra Pengindeksan Pengukuran kemiripan Hasil temu kembali Evaluasi hasil temu kembali Ekstraksi ciri

(8)

5 seluruh materi relevan pada basis data (korpus).

Precision menyatakan proporsi materi relevan yang ditemukembalikan (Baeza-Yates dan Ribeiro- Neto 1999).

Recall dan precision diformulasikan sebagai berikut:

1. Diuji apakah ragam kedua data sama atau tidak.

2. Lalu dengan uji–t, diambil suatu keputusan.

METODE PENELITIAN

Penelitian ini akan dikerjakan dalam beberapa tahap, yaitu praproses, ekstraksi ciri, pengindeksan dan penemuan citra kembali. Tahapan secara lengkapnya dapat dilihat pada Gambar 8.

Praproses

Tahap awal praproses yaitu mengubah citra RGB menjadi citra grayscale. Untuk ekstraksi ciri morfologi, citra grayscale dikonversi lagi menjadi citra biner. Kemudian noise citra dihilangkan.

Ekstraksi Ciri

Ekstraksi ciri dapat diklasifikasikan menjadi dua bagian yaitu ciri morfologi dan ciri tekstur. a. Ciri Morfologi

Gambar 8 Metode penelitian. b. Ciri Tekstur

Pengukuran Kemiripan

Pengukuran kemiripan antara citra kueri dan citra yang ada dalam basis data dilakukan

Praproses

Ekstraksi ciri

Indeks citra basis data

Praproses Basis data citra Citra kueri

Penemuan kembali citra Pengindeksan Pengukuran kemiripan Hasil temu kembali Evaluasi hasil temu kembali Ekstraksi ciri

(9)

6 dengan menggunakan model Bayesian Network.

Nilai kemiripan dapat dihitung dengan Persamaan 21.

P(Ij|Q)=n[1-(1-P(CSj|CS))…

…x(1-P(CTj|CT))] (21) dengan n adalah jumlah citra pada basis data, P(CSj|CS) merupakan kemiripan vektor antara

citra kueri dan citra basis data pada penciri morfologi. P(CTj|CT) merupakan kemiripan

antara citra kueri dan citra basis data pada penciri tekstur. P(CSj|CS) dihitung P(CTj|CS)

dengan menggunakan cosine similarity. Evaluasi Hasil Temu Kembali Citra

Hasil temu kembali citra dapat diperoleh dengan cara mengukur tingkat kemiripan antara citra kueri dan citra basis data. Citra yang memiliki tingkat kemiripan yang tinggi dengan citra kueri adalah citra yang ditemukembalikan. Setelah mendapatkan hasil citra yang ditemukembalikan selanjutnya ialah melakukan evaluasi. Evaluasi ini dilakukan untuk mengukur tingkat keberhasilan dalam proses temu kembali citra. Pengujian yang dilakukan ialah dengan menghitung nilai recall dan precision dari proses temu kembali citra berdasarkan penilaian relevansinya dan uji statistika untuk mengetahui apakah ada perbedaan secara signifikan nilai recallprecision yang diperoleh tanpa menggunakan ciri morfologi Lp dan Wp dengan nilai recallprecision yang diperoleh dengan menambahkan ciri Lp dan Wp secara manual dan automatis.

Perangkat Keras dan Perangkat Lunak Perangkat keras yang digunakan dalam penelitian ini adalah komputer dengan prosesor Intel(R) Pentium(R) Dual CPU T2930 @ 1.86 GHz, RAM 1.5 GB dan harddisk 80 GB. Perangkat lunak …… adalah sistem operasi Windows 7 ultimate, Matlab R2008b dan IBM SPSS Statistics 19.

HASIL DAN PEMBAHASAN

Data

Data yang digunakan ialah citra daun yang terdiri atas sebelas kelas daun yaitu alpukat, bisbul, cokelat, durian, jamblang, jambu biji, jambu bol, kepel, manggis, menteng, dan nangka. Citra tersebut disimpan dalam bentuk format JPG, dengan ukuran 150x250 piksel. Jumlah citra dari setiap kelas daun ada 100, sehingga total citra ada 1100 buah. Contoh citra

helai daun yang digunakan dapat dilihat pada Lampiran 1.

Praproses

Citra helai daun yang berukuran 150x250 piksel dengan tipe RGB diubah menjadi citra bertipe grayscale dengan menggunakan fungsi RGB2GRAY. Kemudian untuk mendapatkan ekstraksi morfologi, citra grayscale diubah ke dalam bentuk citra biner dengan menggunakan fungsi IM2BW. Kemudian, citra biner dibersihkan dengan 3x3 rectangular averaging filter. Hasil dari praproses dapat dilihat pada Gambar 9.

Gambar 9 (a) Citra RGB, (b) Citra grayscale, (c) Citra biner,

(d) Citra setelah noise dihilangkan. Hasil Ekstraksi Ciri

Pada proses ekstraksi ciri ada dua proses yang dilakukan yaitu ekstrasi ciri morfologi dan ciri tekstur.

Hasil Ekstrasi Ciri Morfologi

Ekstraksi ciri morfologi dilakukan untuk mendapatkan nilai Lp dan Wp. Proses untuk mendapatkan nilai Lp dilakukan dengan cara mencari nilai dua ujung titik, yaitu ujung pangkal bagian atas daun dan ujung pangkal bawah daun (tulang daun primer). Setelah itu jarak kedua titik tersebut diukur dengan menggunakan metode euclidean distance. Untuk mendapatkan nilai Wp dilakukan dengan mengukur kemiringan (sudut) ujung pangkal daun bagian atas dan ujung pangkal bagian bawah, sehingga didapat nilai (β). Kemudian citra helai daun dirotasi dengan sudut sebesar (β). Setelah itu nilai Wp didapat dengan mencari nilai terbesar dari garis terpanjang yang tegak lurus dengan Lp. Ilustrasi teknik untuk

a

_b

d

c

(10)

6 dengan menggunakan model Bayesian Network.

Nilai kemiripan dapat dihitung dengan Persamaan 21.

P(Ij|Q)=n[1-(1-P(CSj|CS))…

…x(1-P(CTj|CT))] (21) dengan n adalah jumlah citra pada basis data, P(CSj|CS) merupakan kemiripan vektor antara

citra kueri dan citra basis data pada penciri morfologi. P(CTj|CT) merupakan kemiripan

antara citra kueri dan citra basis data pada penciri tekstur. P(CSj|CS) dihitung P(CTj|CS)

dengan menggunakan cosine similarity. Evaluasi Hasil Temu Kembali Citra

HASIL DAN PEMBAHASAN

Data

helai daun yang digunakan dapat dilihat pada Lampiran 1.

Praproses

Gambar 9 (a) Citra RGB, (b) Citra grayscale, (c) Citra biner,

(d) Citra setelah noise dihilangkan. Hasil Ekstraksi Ciri

Pada proses ekstraksi ciri ada dua proses yang dilakukan yaitu ekstrasi ciri morfologi dan ciri tekstur.

Hasil Ekstrasi Ciri Morfologi

a

_b

d

c

(11)

7 mendapatkan Lp dan Wp dapat dilihat pada

Gambar 10.

Gambar 10 Ilustrasi untuk mencari Lp dan Wp. Hasil dari ektrasi ciri morfologi adalah matriks yang berukuran 12x1100. Setiap citra direpresentasikan vektor yang terdiri atas12 elemen yaitu, diameter, leaf area, leaf perimeter, smooth factor, form factor, perimeter of ratio, physiological length, physiological width, aspect ratio, rectangularity, narrow factor, dan perimeter of physiological length and physiological width. Kemudian 1100 adalah jumlah citra yang ada pada basis data.

Hasil Ekstraksi Ciri Tekstur

Hasil dari ekstraksi ciri tekstur direpresentasikan dalam bentuk matriks yang berukuran 7x1100, dengan elemen yang terdiri atas contrast, correlation, energy, homogeneity, maximum probability, moment, entrophy. Hasil dari ekstraksi ciri morfologi dan tekstur dapat dilihat pada Gambar 11.

Hasil Temu Kembali

Citra yang ditemukembalikan ialah citra yang memiliki kesamaan paling dekat dengan citra kueri, baik ciri morfologi, tekstur dan gabungan kedua ciri tersebut. Hasil temu kembali dengan ciri morfologi, ciri tekstur dan gabungan keduanya dapat dilihat di Lampiran 2. Adanya tambahan ciri morfologi berupa physiological length dan physiological width meningkatkan nilai hasil temu kembali. Sebagai contoh pada Gambar 12 (Annisa 2009), didapat hasil temu kembali yang relevan berjumlah 12, dan yang tidak relevan 25 Dengan tambahan ciri morfologi physiological length dan physiological width dapat dilihat pada Gambar 13 bahwa hasil temu kembali yang relevan meningkat menjadi 18 dan yang tidak relevan 19. Perbedaan hasil temu kembali untuk ciri morfologi dapat dilihat pada Gambar 12 dan 13

(12)

8 Gambar 11 Hasil ekstraksi ciri morfologi dan tekstur.

(13)

9 Gambar 13 Hasil temu kembali menggunakan penciri model ciri morfologi dengan tambahan Lp dan

Wp.

Evaluasi Temu Kembali

Evaluasi temu kembali citra dilakukan dengan cara menghitung nilai recall precision. Nilai tersebut dihitung dengan menjadikan citra pada masing-masing kelas sebagai citra kueri.

Tabel 1 memberikan gambaran perubahan nilai precision rata-rata (MAP) pada penciri morfologi, tekstur dan Bayesian Network untuk kelas alpukat. Perubahan nilai MAP pada penciri morfologi mengalami peningkatan, hal tersebut diperoleh dari nilai awal MAP sebesar 0.1606 menjadi 0.2134. Kemudian untuk penciri tekstur tidak ada perubahan nilai MAP, Pada penciri Bayesian Network diperoleh nilai awal MAP sebesar 0.1939 menjadi 0.2362. Secara umum terlihat bahwa pada kelas alpukat terjadi peningkatan nilai MAP dengan adanya tambahan Lp dan Wp.

Selain itu Tabel 1 juga memberikan gambaran perbedaan antara nilai MAP yang diperoleh dengan metode automatis dan metode manual. Pada metode automatis nilai Lp diperoleh dengan menggunakan program komputer. Pada metode manual nilai Lp diperoleh dengan asumsi titik ujung pangkal daun sudah ditentukan diawal. Nilai MAP yang diperoleh dengan metode automatis adalah 0.2228 untuk penciri morfologi dan 0.2415 untuk Bayesian Network. Nilai MAP dengan metode manual adalah 0.2134 untuk penciri morfologi dan 0.2363 untuk Bayesian Network.

Tabel 2 memberikan gambaran perubahan precision rata-rata (MAP) pada kelas jamblang seperti halnya Tabel 1. Perubahan nilai MAP pada penciri morfologi mengalami penurunan, hal tersebut dapat dilihat dari nilai awal MAP sebesar 0.4606 menjadi 0.4586. Kemudian untuk penciri tekstur tidak ada perubahan, sedangkan untuk penciri Bayesian Network diperoleh nilai awal MAP 0.4667 menjadi 0.4637. Untuk kelas jamblang, secara umum mengalami penurunan nilai MAP.

Selain itu Tabel 2 memberikan gambaran perbedaan antara nilai MAP yang diperoleh dari metode automatis dan metode manual. Nilai MAP yang diperoleh dengan metode automatis adalah 0.4554 untuk penciri morfologi dan 0.4632 untuk Bayesian Network, sedangkan pada metode manual nilai MAP yang diperoleh adalah 0.4586 untuk penciri morfologi dan 0.4637 untuk Bayesian Network.

(14)

10 Tabel 1 Perbandingan nilai recallprecision dan MAP untuk kelas alpukat

Recall Tanpa Lp dan Wp

Tambahan Lp dan Wp

Automatis Manual

Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian

0.0 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.1 0.1981 0.2593 0.2293 0.2435 0.2593 0.2699 0.2376 0.2593 0.2608 0.2 0.1709 0.2112 0.1919 0.1810 0.2112 0.2003 0.1757 0.2112 0.1975 0.3 0.1441 0.1725 0.1625 0.1531 0.1725 0.1679 0.1530 0.1725 0.1690 0.4 0.1272 0.1466 0.1396 0.1380 0.1466 0.1462 0.1382 0.1466 0.1476 0.5 0.1099 0.1157 0.1129 0.1178 0.1157 0.1186 0.1174 0.1157 0.1187 0.6 0.0987 0.0949 0.0957 0.1021 0.0949 0.0971 0.1012 0.0949 0.0969 0.7 0.0993 0.0961 0.0972 0.1028 0.0961 0.0995 0.1017 0.0961 0.0992 0.8 0.1046 0.0994 0.1017 0.1064 0.0994 0.1025 0.1056 0.0994 0.1021 0.9 0.1046 0.0988 0.1022 0.1052 0.0988 0.1024 0.1048 0.0988 0.1022 1.0 0.1020 0.0960 0.1002 0.1035 0.0960 0.1007 0.1034 0.0960 0.1006

MAP 0.1606 0.2134 0.1939 0.2134 0.2134 0.2362 0.2228 0.2134 0.2415 Tabel 2 Perbandingan nilai recallprecision dan MAP untuk kelas jamblang

Recall Tanpa Lp dan Wp

Tambahan Lp dan Wp

Automatis Manual

Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian

0.0 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.1 0.8320 0.7228 0.8679 0.7944 0.7228 0.8655 0.7940 0.7228 0.8473 0.2 0.6210 0.6147 0.7321 0.6404 0.6147 0.7678 0.5731 0.6147 0.7317 0.3 0.4622 0.5435 0.6572 0.4521 0.5435 0.6788 0.4119 0.5435 0.6417 0.4 0.3911 0.4641 0.5707 0.3137 0.4641 0.5530 0.2493 0.4641 0.4913 0.5 0.1300 0.1693 0.1836 0.1158 0.1693 0.1662 0.1109 0.1693 0.1476 0.6 0.0792 0.0882 0.0874 0.0758 0.0882 0.0872 0.0749 0.0882 0.0871 0.7 0.0849 0.0961 0.0953 0.0816 0.0961 0.0951 0.0807 0.0961 0.0951 0.8 0.0915 0.1037 0.1028 0.0882 0.1037 0.1024 0.0871 0.1037 0.1024 0.9 0.0973 0.1076 0.1068 0.0932 0.1076 0.1063 0.0922 0.1076 0.1063 1.0 0.0922 0.0956 0.0951 0.0918 0.0956 0.0950 0.0917 0.0956 0.0950

MAP 0.4604 0.4505 0.4667 0.4586 0.4505 0.4637 0.4554 0.4505 0.4632 Tabel 3 memberikan gambaran perubahan

nilai precision rata-rata (MAP) pada kelas jambu biji. Perubahan nilai MAP pada penciri morfologi mengalami peningkatan, hal tersebut dapat dilihat dari nilai awal MAP sebesar 0.1515 menjadi 0.1649. Kemudian untuk penciri tekstur tidak ada perubahan, sedangkan untuk Bayesian Network nilai awal MAP sebesar 0.1586 menjadi 0.1632. Secara umum perubahan nilai MAP pada kelas jambu biji mengalami peningkatan.

Selain itu Tabel 3 juga memberikan gambaran perbedaan antara nilai MAP yang diperoleh dari metode automatis dan metode manual. Pada metode automatis nilai MAP yang diperoleh adalah 0.1649 untuk penciri

morfologi dan 0.1670 untuk Bayesian Network. Pada metode manual nilai MAP yang diperoleh adalah 0.1635 untuk penciri morfologi dan 0.1632 untuk Bayesian Network.

Tabel 4 memberikan gambaran perubahan nilai precision rata-rata (MAP) pada kelas manggis. Perubahan nilai MAP pada penciri morfologi mengalami penurunan, hal tersebut dapat dilihat dari nilai awal MAP yaitu 0.1767 menjadi 0.1635. Kemudian untuk penciri tekstur tidak ada perubahan, sedangkan untuk Bayesian Network nilai awal MAP sebesar 0.1874 menjadi 0.1796. Perubahan nilai MAP pada kelas manggis tidak secara umum mengalami peningkatan maupun penurunan.

(15)

11 Kemudian Tabel 4 juga memberikan

gambaran perbedaan antara nilai MAP yang diperoleh dari metode automatis dan metode manual. Pada metode automatis nilai MAP yang diperoleh adalah 0.1635 untuk penciri morfologi dan 0.1874 Bayesian Network. Pada metode manual nilai MAP yang diperoleh adalah 0.1781 untuk penciri morfologi dan 0.1878 untuk Bayesian Network.

Selanjutnya untuk tabel perbandingan recallprecision dan MAP untuk kelas daun bisbul, cokelat, durian jambu biji, kepel, menteng dan nangka dapat dilihat pada Lampiran 3.

Tabel 3 Perbandingan nilai recallprecision dan MAP kelas jambu biji

Recall

Tanpa Lp dan Wp

Tambahan Lp dan Wp

Automatis Manual

Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian

0.0 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.1 0.4903 0.4556 0.4972 0.5179 0.4556 0.4943 0.4979 0.4556 0.4792 0.2 0.4109 0.3774 0.4088 0.4162 0.3774 0.4083 0.3932 0.3774 0.3936 0.3 0.3251 0.2990 0.3207 0.3353 0.2990 0.3402 0.3207 0.2990 0.3332 0.4 0.2551 0.2559 0.2626 0.2684 0.2559 0.2733 0.2618 0.2559 0.2714 0.5 0.1254 0.1276 0.1332 0.1344 0.1276 0.1369 0.1357 0.1276 0.1382 0.6 0.0725 0.0703 0.0712 0.0730 0.0703 0.0712 0.0729 0.0703 0.0711 0.7 0.0786 0.0773 0.0774 0.0794 0.0773 0.0777 0.0792 0.0773 0.0777 0.8 0.0862 0.0851 0.0848 0.0870 0.0851 0.0852 0.0868 0.0851 0.0852 0.9 0.0943 0.0927 0.0927 0.0949 0.0927 0.0928 0.0947 0.0927 0.0928 1.0 0.0951 0.0935 0.0935 0.0955 0.0935 0.0935 0.0953 0.0935 0.0934

MAP 0.1515 0.1680 0.1586 0.1649 0.1680 0.1670 0.1635 0.1680 0.1632 Tabel 4 Perbandingan nilai recallprecision dan MAP kelas manggis

Recall

Tanpa Lp dan Wp Tambahan Lp dan Wp

Automatis Manual

Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian

0.0 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.1 0.3928 0.4315 0.4561 0.3720 0.4315 0.4535 0.3802 0.4315 0.4550 0.2 0.2949 0.3254 0.3325 0.2868 0.3254 0.3268 0.2885 0.3254 0.3355 0.3 0.1943 0.2721 0.2453 0.1938 0.2721 0.2424 0.1902 0.2721 0.2440 0.4 0.1692 0.2433 0.2085 0.1667 0.2433 0.1964 0.1662 0.2433 0.2058 0.5 0.1590 0.2111 0.1775 0.1476 0.2111 0.1669 0.1575 0.2111 0.1767 0.6 0.1515 0.1659 0.1574 0.1408 0.1659 0.1556 0.1506 0.1659 0.1577 0.7 0.1454 0.1526 0.1536 0.1278 0.1526 0.1459 0.1436 0.1526 0.1536 0.8 0.1253 0.1397 0.1358 0.1229 0.1397 0.1340 0.1251 0.1397 0.1359 0.9 0.1249 0.1365 0.1341 0.1217 0.1365 0.1328 0.1241 0.1365 0.1340 1.0 0.1163 0.1213 0.1203 0.1112 0.1213 0.1203 0.1147 0.1213 0.1200

(16)

12 Secara umum adanya tambahan Lp dan Wp

dapat meningkatkan nilai recallprecision serta MAP. Hal tersebut dapat dilihat pada Tabel 5 dan Tabel 6.

Berdasarkan ciri morfologi, kelas daun yang mengalami peningkatan terjadi pada kelas alpukat, cokelat, durian, jambu biji, jambu bol, dan nangka. Peningkatan nilai ciri morfologi dikarenakan pada kelas daun tersebut memiliki ciri morfologi yang lebih beragam, sehingga adanya tambahan ciri physiological length dan physiological width memengaruhi nilai dari ciri morfologi secara umum (Tabel 5). Kelas daun yang mengalami penurunan terjadi pada kelas bisbul, jamblang, kepel, manggis, menteng. Penurunan nilai ciri morfologi dikarenakan pada kelas daun tersebut memiliki ciri morfologi yang lebih seragam, sehingga adanya tambahan ciri physiological length dan physiological width tidak begitu memengaruhi untuk peningkatan temu kembali secara umum (Tabel 5).

Selanjutnya berdasarkan model Bayesian Network kelas daun yang mengalami peningkatan nilai terjadi pada kelas alpukat, cokelat, durian, jambu biji, jambu bol, menteng. Peningkatan pada nilai ciri morfologi dikarenakan nilai ciri morfologi pada kelas tersebut mengalami peningkatan (Tabel 5). Kelas daun yang mengalami penurunan terjadi pada kelas bisbul, jamblang, kepel, manggis, nangka. Penurunan pada nilai ciri model Bayesian Network dikarenakan nilai ciri morfologi pada kelas tersebut mengalami penurunan (Tabel 5).

Pada Tabel 6 tersaji nilai precision rata-rata (MAP) dari setiap kelas daun. Nilai MAP terbesar terjadi pada kelas daun jamblang, sedangkan untuk nilai MAP terkecil terjadi pada kelas daun kepel.

Tabel 5 Nilai perubahan ciri morfologi dengan tambahan LpdanWp

Kelas Delta Morfologi

Delta

Bayesian

Alpukat 0.0528 0.0422 Bisbul -0.0079 -0.0137 Cokelat 0.0485 0.0376 Durian 0.0708 0.0383 Jamblang -0.0018 -0.0030 Jambu biji 0.0133 0.0083 Jambu Bol 0.0112 0.0015 Kepel -0.0208 -0.0182 Manggis -0.0132 -0.0078 Menteng -0.0027 0.0022 Nangka 0.0001 -0.0119

Gambar 14 memberikan gambaran bahwa secara umum nilai precision rata-rata (MAP) dari seluruh kelas meningkat 0.1503 untuk ciri morfologi dan 0.0756 untuk ciri dengan model Bayesian Network. Peningkatan secara signifikan tejadi pada titik recall 0.1 sampai dengan 0.5, sedangkan untuk titik 0.6 sampai dengan 1 memiliki kecenderungan nilai yang sama.

Tabel 6 Perbandingan nilai precision rata-rata (MAP) dengan adanya tambahan Lp dan Wp

Kelas Tanpa Lp dan Wp (Annisa 2009) Tambahan Lp dan Wp Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian

Alpukat 0.1606 0.2134 0.1939 0.2134 0.2134 0.2362 Bisbul 0.1782 0.0984 0.1541 0.1703 0.0984 0.1405 Cokelat 0.1247 0.1104 0.1201 0.1732 0.1104 0.1576 Durian 0.2112 0.1784 0.2211 0.2820 0.1784 0.2594 Jamblang 0.4604 0.4505 0.4667 0.4586 0.4505 0.4637 Jambu biji 0.1515 0.1680 0.1586 0.1649 0.1680 0.1670 Jambu Bol 0.2527 0.1309 0.1890 0.2639 0.1309 0.1906 Kepel 0.1255 0.1333 0.1316 0.1048 0.1333 0.1134 Manggis 0.1767 0.1965 0.1874 0.1635 0.1965 0.1796 Menteng 0.1305 0.1704 0.1557 0.1277 0.1704 0.1578 Nangka 0.1689 0.2006 0.2066 0.1690 0.2006 0.1947

(17)

13 Gambar 14 Grafik perbandingan recall precision menggunakan ciri morfologi, tekstur, dan model

Bayesian Network. Hasil Uji Statistika

Data yang digunakan untuk uji statistika ialah data physiological length yang diperoleh dengan metode automatis dan metode manual. Uji Levene digunakan untuk menguji apakah nilai ragam kedua data yang diasumsikan memilki kesamaan atau tidak. H0

mengasumsikan kedua populasi memiliki ragam sama sedangkan H1 mengasumsikan kedua

populasi memiliki ragam berbeda. Hasil dari uji Levene didapat nilai sig (p-value) adalah 0.679 yang lebih besar dari nilai α yaitu 0.05. Berdasarkan hal tersebut maka hipotesi nol (H0)

diterima, artinya kedua data memiliki nilai ragam yang sama.

Selanjutnya uji-t digunakan untuk menguji apakah kedua data berbeda signifikan atau tidak. H0 mengasumsikan bahwa kedua data

tidak berbeda signifikan, sedangkan H1

mengasumsikan bahwa kedua data berbeda. Dari hasil uji-t didapatkan nilai sig (p-value) adalah 0.118, nilai tersebut lebih besar dari nilai

α yaitu 0.05. Berdasarkan hal tersebut maka hipotesis nol (H0) diterima, artinya kedua data

tidak berbeda signifikan. Dengan kata lain dapat disimpulkan bahwa metode automatis dan manual memiliki keakuratan yang sama. Hasil uji statistika dapat dilihat pada Lampiran 4.

KESIMPULAN DAN SARAN

Kesimpulan

Penelitian ini merupakan bagian dari solusi akan kebutuhan identifikasi daun. Pendekatan yang digunakan ialah ekstraksi ciri morfologi dengan tambahan physiological length dan physiological width beserta turunanya yaitu, aspect ratio, rectangularity, narrow factor, dan perimeter ratio of physiological length and physiological width.

Hasil precision rata-rata (MAP) dari ekstraksi ciri morfologi adalah 0.2083, kemudian hasil ektraksi tekstur adalah 0.1864 dan hasil Bayesian Network adalah 0.2055. Hasil tersebut menunjukkan bahwa adanya peningkatan nilai precision rata-rata (MAP) sebesar 0.0137 untuk ciri morfologi dan 0.0069 untuk model Bayesian Network.

Saran

Hasil temu kembali informasi dengan pendekatan ciri morfologi dan tekstur serta gabungan keduanya dapat meningkatkan nilai precision, penelitian selanjutnya disarankan dapat mengunakan PNN untuk meningkatkan nilai kedekatan antara citra kueri dan citra basis data pada proses penemuan kembali citra helai daun. 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

P re cisi o n Recall

Grafik perbandingan nilai rata-rata Morfologi, Tekstur dan Bayesian

Morfologi Tekstur Bayesian

Morfologi dengan Lp dan Wp

Tekstur dengan Lp dan Wp Bayesian dengan Lp dan Wp

(18)

13 Gambar 14 Grafik perbandingan recall precision menggunakan ciri morfologi, tekstur, dan model

Bayesian Network. Hasil Uji Statistika

mengasumsikan kedua populasi memiliki ragam sama sedangkan H1 mengasumsikan kedua

populasi memiliki ragam berbeda. Hasil dari uji Levene didapat nilai sig (p-value) adalah 0.679 yang lebih besar dari nilai α yaitu 0.05. Berdasarkan hal tersebut maka hipotesi nol (H0)

diterima, artinya kedua data memiliki nilai ragam yang sama.

Selanjutnya uji-t digunakan untuk menguji apakah kedua data berbeda signifikan atau tidak. H0 mengasumsikan bahwa kedua data

tidak berbeda signifikan, sedangkan H1

mengasumsikan bahwa kedua data berbeda. Dari hasil uji-t didapatkan nilai sig (p-value) adalah 0.118, nilai tersebut lebih besar dari nilai

α yaitu 0.05. Berdasarkan hal tersebut maka hipotesis nol (H0) diterima, artinya kedua data

tidak berbeda signifikan. Dengan kata lain dapat disimpulkan bahwa metode automatis dan manual memiliki keakuratan yang sama. Hasil uji statistika dapat dilihat pada Lampiran 4.

KESIMPULAN DAN SARAN

Kesimpulan

Saran

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

P re cisi o n Recall

Grafik perbandingan nilai rata-rata Morfologi, Tekstur dan Bayesian

Morfologi Tekstur Bayesian

Morfologi dengan Lp dan Wp

Tekstur dengan Lp dan Wp Bayesian dengan Lp dan Wp

(19)

EKSTRAKSI CIRI MORFOLOGI (PANJANG DAN LEBAR

FISIOLOGIS

)

DAN TEKSTUR UNTUK TEMU KEMBALI CITRA

HELAI DAUN

FEBRIE SUBHAN

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2011

(20)

DAFTAR PUSTAKA

Annisa. 2009. Ekstraksi Ciri Morfologi dan Tekstur untuk Temu Kembali Citra Helai Daun. [Skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam. Institut Pertanian Bogor.

Hickey L.J et al. 1999. Manual of Leaf Architecture - Morphological Description and Categorization of Dicotyledonous and Net-Veined Monocotyledonous Angiosperms by Leaf Architecture. Leaf Architecture Working Group. Washington DC.

Imam G. 2001. Aplikasi Analisis Multivariate Dengan Program SPSS. Universitas Diponogoro, Semarang.

McAndrew A. 2004. Introduction to Digital Image Processing with MATLAB. United States: Course Technology, a division of Thomson Learning, Inc.

Osadebey ME. 2006. Integrated Content-Based Image Retrieval Using Texture, Shape and Spatial Information [thesis]. Umea: Department of Applied Physics and Electronics, Umea Univercity.

Pebuardi R. 2008. Pengukuran Kemiripan Citra Berbasis Warna, Bentuk, dan Tekstur menggunakan Bayesian Network. [Skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

Rodrigues PS, Arnaldo de AA. 2004. A Bayesian Network Model Combining Color, Shape and Texture Information to Improve Content Based Image Retrieval Systems. LNCC, Petropolis, Brazil.

Vailaya A. 1996. Shape-Based Image Retrieval [thesis]. Michigan : Michigan State Univercity.

Wu SG, et al. 2007. A Leaf Recognition Algorithm for Plant Classification Using Probabilistic Neural Network. http://arxiv.org/pdf/0707.4289 [Desember 2009].

(21)

EKSTRAKSI CIRI MORFOLOGI (PANJANG DAN LEBAR

FISIOLOGIS

)

DAN TEKSTUR UNTUK TEMU KEMBALI CITRA

HELAI DAUN

FEBRIE SUBHAN

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2011

(22)

EKSTRAKSI CIRI MORFOLOGI (PANJANG DAN LEBAR

FISIOLOGIS

)

DAN TEKSTUR UNTUK TEMU KEMBALI CITRA

HELAI DAUN

FEBRIE SUBHAN

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

2011

(23)

ABSTRACT

FEBRIE SUBHAN. Morphology (Physiological Length and Width) and Texture Features Extraction for Leaf Sheet Image Retrieval. Under the supervision of SONY HARTONO WIJAYA.

Keyword: Content Based Image Retrieval (CBIR), Feature Extraction, Morphological Features Extraction, Bayesian Network.

(24)

Judul : Ekstraksi Ciri Morfologi (Panjang dan Lebar Fisiologis) dan Tekstur untuk Temu Kembali Citra Helai Daun

Nama : Febrie Subhan NIM : G64061254

Menyetujui: Pembimbing,

Sony Hartono Wijaya, M.Kom NIP. 19810809 200812 1 002

Mengetahui: Ketua Departemen,

Dr. Ir. Sri Nurdiati, M.Sc NIP. 19601126 198601 2 001

(25)

PRAKATA

Alhamdulillahi Rabbil ‘alamin, puji dan syukur penulis panjatkan kepada Allah SWT limpahan rahmat dan hidayahnya sehingga skripsi penulis dengan judul Ekstraksi Ciri Morfologi dan Tekstur untuk Temu Kembali Citra Helai Daun dapat diselesaikan. Penelitian ini dilaksanakan mulai Januari 2010 sampai dengan Agustus 2010, bertempat di Asrama TPB Institut Pertanian Bogor.

Selama pelaksanaan skripsi ini, penulis banyak mendapatkan bantuan dari berbagai pihak. Oleh karena itu, dengan segala kerendahan hati, penulis menyampaikan rasa terima kasih kepada:

1 Kedua orang tua penulis, Bapak Endang Suardi dan Ibu Sri Sukmawati yang selama ini telah banyak memberikan perhatian dan kasih sayangnya kepada penulis.

2 Bapak Sony Hartono Wijaya, M. Kom selaku pembimbing yang telah memberikan bimbingan dan arahan bagi penulis selama penulis menjadi mahasiswa. Maaf atas segala kesalahan yang telah banyak penulis lakukan dan terima kasih atas segala saran yang telah diberikan.

3 Dr. Ir. Bonny P. W. Soekarno, M.Sc, Dr. Irmansyah M.Si, Drs. Hamzah, M.Si dan Muhammad Kahfi yang telah banyak memberikan arahan serta bimbingannya kepada penulis.

4 Rekan-rekan Senior Resident: Diki, Andi, Dimas, Rizal, Jenal, Erri, Ka Wahyu, Heru, Catur, Majid, Anto, Habib, Nurhidayat, Iral, Bayu, serta teman-teman Senior Resident asrama putri. 5 Tim Pembinaan Rohani, The Letter 46dan BBQ yang telah banyak berkontribusi mengeluarkan

tenaga dan fikirannya.

6 Teman-teman satu perjuangan, Wahyu, Sandy, Balad, Iyank, Rahmat, Randi, Kamal, Hanif, Randi, Syaiful, Weli, Ka Viki, Ka Yuda, Henri, dan Angga.

7 Teman-teman satu bimbingan Yoga, Gunawan, Kanta dan Ridwan.

8 Teman-teman Ilmu Komputer 43 lainnya, yang telah banyak membantu dan memberikan semangat serta kenangan yang tak terlupakan.

Penulis menyadari dengan sepenuhnya bahwa masih banyak terdapat kekurangan dalam penulisan skripsi ini. Semoga skripsi ini dapat berguna bagi siapa pun yang membacanya.

Bogor, Februari 2011

(26)

RIWAYAT HIDUP

Penulis dilahirkan di Jakarta pada tanggal 10 Februari 1988 sebagai anak kedua dari empat bersaudara dari pasangan Bapak Endang Suardi dan Ibu Sri Sukmawati. Penulis menyelesaikan pendidikan menegah atas di SMAN 46 Jakarta pada tahun 2006.

Penulis diterima di Institut Pertanian Bogor melalui jalur SPMB. Penulis aktif sebagai Senior Resident 2008-2010. Pada tahun 2009 penulis melaksanakan Praktik Kerja Lapangan di Asrama TPB Institut Pertanian Bogor, Dramaga. Pada tahun yang sama penulis menjadi salah satu finalis Data Mining Contest GEMASTIK 2009 di IT TELKOM, Bandung. Kemudian pada tahun 2009-2010 penulis aktif sebagai asisten mata kuliah Algoritme dan Pemrograman.

(27)

DAFTAR ISI

Halaman DAFTAR TABEL ... v DAFTAR GAMBAR ... v DAFTAR LAMPIRAN... v PENDAHULUAN ... 1 Latar Belakang ... 1 Tujuan Penelitian ... 1 Ruang Lingkup ... 1 TINJAUAN PUSTAKA ... 1 Content Based Image Retrieval (CBIR) ... 1 Ekstraksi Ciri ... 1 Ekstraksi Ciri Morfologi ... 2 Co-occurrence Matrix ... 4 Evaluasi Hasil Temu Kembali Informasi ... 4 Recall dan Precision ... 4 Uji Levene dan Uji-t ... 5 METODE PENELITIAN ... 5 Praproses... 5 Ekstraksi Ciri ... 5 Pengukuran Kemiripan ... 5 Evaluasi Hasil Temu Kembali Citra ... 6 HASIL DAN PEMBAHASAN ... 6 Data . ... 6 Praproses... 6 Hasil Ekstraksi Ciri ... 6 Hasil Ekstrasi Ciri Morfologi ... 6 Hasil Ekstraksi Ciri Tekstur... 7 Hasil Temu Kembali ... 7 Evaluasi Temu Kembali ... 9 Hasil Uji Statistika ...13 KESIMPULAN DAN SARAN ... 13 Kesimpulan ...13 Saran ...13 DAFTAR PUSTAKA ... 14 LAMPIRAN ... 15

(28)

DAFTAR TABEL

Halaman 1 Perbandingan nilai recall precision dan MAP pada kelas alpukat ... 10 2 Perbandingan nilai recall precision pada kelas jamblang ... 10 3 Perbandingan nilai recall precision pada kelas jambu biji ... 11 4 Perbandingan nilai recall precision pada kelas manggis ... 11 5 Nilai perubahan ciri morfologi dengan adanya tambahan physiological length

dan physiological width ... 12 6 Perbandingan nilai precision rata-rata (MAP) dengan adanya tambahan

Physiological length dan physiological width ... 12

DAFTAR GAMBAR

Halaman 1 Diagram CBIR ... 1 2 Diameter helai daun ... 2 3 Hubungan antara physiological length dan physiological width ... 2 4 Leaf area ... 2 5 Leaf perimeter ... 3 6 Aspect ratio ... 3 7 Representasi co-occurrence matrix ... 4 8 Metodologi penelitian ... 5 9 Gambar praproses citra ... 6 10 Ilustrasi teknik untuk mencari physiological length dan physiological width ... 7 11 Hasil ekstraksi ciri morfologi dan tekstur ... 8 12 Hasil temu kembali menggunakan penciri morfologi tanpa Lp dan Wp. ... 8 13 Hasil temu kembali menggunakan penciri morfologi dengan tambahan Lp dan Wp ... 9 14 Grafik perbandingan recall precision menggunakan ciri morfologi,

tekstur dan model Bayesian Network... 13

DAFTAR LAMPIRAN

Halaman 1 Contoh citra yang digunakan untuk masing-masing kelas ... 16 2 Gambar hasil temu kembali informasi ... 18 3 Perbandingan nilai precision pada masing-masing kelas ... 20 4 Uji statistika ….. ... 23

(29)

PENDAHULUAN

Latar Belakang

Tujuan Penelitian

Ruang Lingkup

TINJAUAN PUSTAKA

Gambar 1 Diagram CBIR. Ekstraksi Ciri

Praproses Ekstraksi Fitur Pengindeksan Indeks Basis Data Praproses Ekstraksi Fitur Pencarian Indeks Pengukuran Kemiripan

Citra Kueri Citra Basis Data

Peng in d ek sa n ( o ff -li n e ) P en em u an Ke m b ali Cit ra ( on -li n e )

(30)

2 Ekstraksi ciri diklasifikasikan ke dalam tiga

Salah satu bagian dari CBIR untuk mendapatkan informasi tekstur pada citra adalah ekstraksi ciri tekstur. Proses ini bisa dilakukan dengan pendekatan secara statistik yaitu co-occurrence matrix.

Ekstraksi Ciri Morfologi

Wu et al (2007) telah mendeskripsikan ciri morfologi daun yang dapat diekstrak dari citra helai daun. Ciri tersebut dibedakan menjadi dua, yaitu ciri dasar dan ciri turunan.

Gambar 2 Diameter helai daun.

2 Physiological length (Lp) adalah jarak antara ujung dan pangkal daun (panjang tulang daun primer).

3 Physiological width (Wp) adalah jarak terpanjang dari garis yang memotong tegak lurus physiological length yang dibatasi tepi daun. Hubungan keduanya dapat dilihat pada Gambar 3.

Gambar 3 Hubungan antara physiological length dan physiological width. 4 Leaf area (

A

) adalah perhitungan jumlah piksel dari daerah yang dilingkupi tepi daun pada citra yang telah dihaluskan. Ilustrasinya dapat dilihat pada Gambar 4.

Gambar 4 Leaf area.

5 Leaf perimeter (P) adalah perhitungan jumlah piksel yang terdapat pada tepi daun (keliling). Ilustrasinya dapat dilihat pada Gambar 5.

(1)

Perhitungan automatis

Perhitungan manual No

Perhitungan automatis

Perhitungan manual No

Perhitungan automatis

Perhitungan manual 661 188.5338 179.0475 705 128.1405 128.1405 749 81.0000 80.0000 662 115.0011 107.0187 706 91.6624 91.6624 750 184.0245 178.0028 663 123.0091 122.0000 707 184.9676 183.0000 751 98.1275 96.0000 664 186.0000 179.0028 708 93.3435 93.3435 752 190.2761 189.9526 665 93.0336 94.2603 709 195.0006 188.0106 753 137.8876 96.0052 666 168.5022 160.4494 710 138.0036 138.0036 754 192.0527 192.2108 667 97.2895 90.2718 711 193.1871 190.2130 755 107.0420 4.2426 668 177.2823 168.6683 712 147.7092 147.7092 756 195.0103 189.0238 669 123.0041 120.0167 713 196.0746 186.8689 757 87.0930 86.0930 670 178.1376 176.0710 714 195.6151 191.7551 758 195.0519 186.0242 671 123.0010 118.0042 715 143.2236 143.2236 759 141.5344 93.0000 672 195.1256 184.1331 716 195.2313 193.3132 760 191.0530 186.0967 673 132.1363 128.0156 717 105.0048 105.0048 761 101.3195 100.3195 674 189.0952 184.0679 718 195.3689 189.3806 762 189.0026 186.0108 675 133.0150 127.0039 719 108.2266 110.0000 763 96.1315 95.1315 676 188.0665 182.1346 720 194.1262 189.0952 764 193.2337 183.2730 677 113.2166 109.2245 721 63.0079 63.0079 765 97.7394 95.2575 678 192.0163 185.0676 722 189.2644 181.5406 766 195.1442 190.1289 679 194.0316 187.0428 723 103.3102 103.3102 767 79.0569 73.1095 680 166.0271 165.0121 724 189.0952 190.1683 768 184.0435 175.0114 681 111.0552 104.2353 725 110.0000 102.0441 769 194.1262 191.0942 682 180.2249 167.2991 726 187.0668 178.0449 770 81.0000 82.0244 683 112.0179 108.0046 727 89.0000 98.7320 771 189.0165 117.8855 684 183.0061 172.0116 728 189.5554 182.4637 772 83.0963 85.9884 685 105.3043 102.1763 729 190.8507 187.8643 773 77.0065 28.6356 686 180.0174 177.0028 730 86.0523 86.0523 774 195.0058 86.7006 687 177.0000 170.0029 731 188.0425 180.1000 775 74.0068 107.5407 688 173.0029 169.0118 732 94.0479 94.0053 776 191.0105 93.1719 689 161.3420 155.2063 733 189.1117 184.2200 777 137.0000 105.4751 690 194.0522 185.0108 734 1.0000 100.0050 778 109.7725 117.6605 691 158.9119 152.4729 735 193.0525 193.1657 779 195.4738 107.7822 692 190.5813 182.8879 736 102.2595 95.3520 780 1.0000 115.3170 693 155.0395 148.1216 737 194.9776 189.1692 781 195.9726 117.2391 694 158.1336 150.1632 738 107.2287 107.2287 782 116.0043 103.9423 695 195.0923 187.2165 739 196.8604 194.1262 783 191.8000 54.0093 696 160.1999 150.2698 740 100.1249 100.1249 784 91.3510 97.2934 697 189.0060 186.0242 741 179.0175 176.0454 785 188.5975 113.5341 698 195.0410 184.0679 742 96.5091 95.5249 786 76.0263 74.4648 699 171.1644 168.0476 743 181.1001 176.5673 787 183.0171 123.4585 700 195.1256 191.2616 744 91.0222 90.0222 788 52.6118 71.0282 701 175.0578 173.0462 745 190.0007 187.0000 789 186.3552 122.2865 702 191.1472 192.2602 746 95.0474 94.0213 790 86.0000 88.9550 703 144.0312 138.0906 747 94.1933 93.1933 791 191.0654 127.8006 704 194.0644 187.0107 748 190.1683 180.1777 792 110.0000 111.8034

(2)

Data Lp no 793-924

Perhitungan automatis

Perhitungan manual No

Perhitungan automatis

Perhitungan manual No

Perhitungan automatis

Perhitungan manual 793 195.0775 93.6216 837 64.1950 63.1269 881 87.2812 89.6772 794 161.5240 129.4179 838 1.0000 64.1249 882 134.0037 137.7135 795 194.5790 188.3215 839 124.9040 139.2911 883 75.0267 76.0263 796 190.0237 122.8007 840 1.0000 63.0714 884 128.0156 130.0000 797 76.1052 75.1665 841 1.0000 133.2404 885 87.0919 85.0059 798 195.1083 191.2119 842 1.0000 138.1774 886 142.4254 130.0154 799 1.0000 105.0190 843 1.0000 113.1106 887 133.0940 134.0149 800 192.0319 182.0687 844 1.0000 135.0333 888 137.6154 124.0161 801 175.0257 145.1241 845 1.0000 96.1301 889 1.0000 68.7314 802 128.0976 130.5067 846 142.1724 143.0874 890 142.5553 142.0211 803 132.7902 128.0625 847 131.1068 133.3042 891 1.0000 66.1891 804 1.0000 60.5310 848 58.0345 56.0357 892 1.0000 138.0145 805 137.1787 134.0933 849 57.0351 55.0091 893 56.2228 57.1402 806 129.2478 128.1405 850 128.1327 121.1033 894 126.4792 128.1405 807 130.6139 128.0976 851 128.4718 121.4125 895 56.2228 55.0000 808 52.6308 56.6480 852 45.3542 48.7647 896 124.2578 132.0152 809 126.2894 120.7021 853 123.0813 116.4818 897 1.0000 65.0077 810 132.0038 61.9839 854 117.5457 119.3692 898 1.0000 137.0036 811 141.4107 139.2623 855 101.4150 99.1413 899 1.0000 68.1175 812 131.0954 129.1395 856 132.3782 141.2303 900 126.1428 124.5793 813 134.2386 123.0366 857 104.9381 101.5972 901 106.7942 102.7035 814 138.1304 135.0926 858 138.7552 140.8013 902 113.1106 107.0000 815 92.0054 90.0500 859 89.1403 86.0000 903 113.0398 110.0182 816 137.7135 139.3592 860 129.0155 130.0961 904 61.0082 59.0762 817 128.5613 129.1395 861 83.2166 84.0952 905 58.0086 58.2151 818 75.0000 67.0671 862 135.4474 135.0000 906 49.1630 49.2544 819 63.0714 68.0661 863 55.1453 57.0351 907 50.2494 50.6360 820 125.0360 137.2953 864 120.1499 116.1551 908 122.3315 121.3425 821 120.0000 131.3811 865 48.3735 52.2398 909 125.7816 135.0741 822 60.1332 61.3922 866 128.0000 110.1635 910 124.6796 127.8828 823 1.0000 60.8276 867 60.2080 62.1289 911 110.6526 111.8794 824 131.0153 131.5485 868 120.2664 118.0169 912 51.9711 51.9711 825 127.0039 126.7754 869 53.1507 51.9711 913 57.0701 53.9351 826 101.2423 99.3227 870 123.2274 128.4562 914 107.7079 114.4814 827 1.0000 102.1225 871 104.1201 101.0445 915 113.6002 118.3596 828 65.2763 63.0317 872 132.3065 131.0343 916 55.0000 54.0370 829 130.0615 141.0142 873 116.2970 117.1537 917 134.0037 133.0038 830 132.9662 131.3811 874 50.8035 51.6624 918 133.0038 131.0038 831 81.1542 83.8630 875 127.5774 135.8565 919 65.9242 65.9242 832 79.2275 81.7863 876 133.6338 133.4054 920 117.3882 116.7262 833 139.1294 137.1860 877 85.3288 81.7863 921 60.2993 62.2013 834 91.7878 93.2631 878 130.3840 135.7129 922 125.1000 122.0369 835 144.3468 141.1737 879 94.0479 94.3663 923 71.7008 71.7008 836 140.1749 138.2932 880 137.4627 138.4630 924 106.7942 107.8703

(3)

925 68.0294 66.0000 969 113.0044 112.0045 1013 182.8879 182.1016 926 128.4718 134.1343 970 47.0956 47.0425 1014 180.2776 179.4714 927 42.7200 54.2033 971 102.2399 100.0800 1015 53.0377 54.2310 928 129.5531 130.9198 972 34.3657 32.3883 1016 52.0384 51.1566 929 96.1301 134.4061 973 113.8640 111.0180 1017 50.0899 50.0400 930 46.0977 49.7695 974 35.0000 37.6563 1018 189.0026 188.0106 931 44.2832 44.5982 975 127.3931 125.4831 1019 183.3930 181.4663 932 127.0945 126.4911 976 106.9439 51.4782 1020 65.7343 68.4105 933 112.1606 119.9208 977 126.0635 142.0880 1021 66.4906 95.3520 934 43.1856 41.0488 978 42.0000 44.1814 1022 189.0423 188.0239 935 122.0369 122.2620 979 116.2110 118.1524 1023 186.1135 184.1738 936 111.7900 39.0000 980 1.0000 53.0848 1024 183.0553 184.0245 937 157.4929 116.0043 981 105.2236 138.0906 1025 54.0093 53.0377 938 56.0803 51.1957 982 50.1597 53.0848 1026 54.1479 53.1507 939 49.3356 52.3259 983 131.0611 133.0000 1027 187.4867 186.3867 940 124.7237 143.6732 984 32.0000 32.7567 1028 176.0028 176.0114 941 39.1152 38.0526 985 34.0230 35.0143 1029 180.0007 179.0028 942 30.4138 31.3050 986 135.0044 136.1323 1030 53.0377 56.0803 943 98.0459 119.5073 987 32.1240 32.0624 1031 52.0000 53.0094 944 111.6468 128.3160 988 140.0000 142.0211 1032 52.0384 53.0848 945 24.7386 27.5136 989 122.4296 42.1070 1033 188.0425 188.0425 946 96.1301 102.7035 990 127.5657 125.4831 1034 190.0026 191.0026 947 26.1725 26.0768 991 146.8400 41.0488 1035 187.5613 184.9784 948 92.0869 94.1913 992 113.1371 130.7517 1036 47.0425 46.1736 949 116.2110 115.2779 993 136.4001 60.0083 1037 42.1900 42.1900 950 41.0122 42.0476 994 169.1981 140.2284 1038 186.5643 183.4612 951 139.0036 137.0036 995 58.0000 56.2939 1039 189.7189 192.0443 952 41.0488 42.2966 996 132.7742 141.1559 1040 150.9048 153.0621 953 142.4254 141.3542 997 134.4619 51.0098 1041 149.8566 150.6519 954 24.7386 26.9258 998 124.1491 143.5897 1042 50.2494 54.9181 955 26.0192 24.0208 999 51.7880 57.0351 1043 52.2398 52.4690 956 145.0862 144.2221 1000 132.2309 145.0310 1044 191.2119 189.1692 957 159.4561 160.6549 1001 1.0000 67.0075 1045 177.1017 175.1028 958 177.1017 175.2313 1002 52.1536 52.2398 1046 67.0075 69.0000 959 131.0000 146.0308 1003 53.0848 54.1479 1047 191.1890 188.1303 960 132.1363 132.1363 1004 192.5850 192.7511 1048 190.0237 190.0105 961 85.0529 78.0256 1005 187.5233 186.4537 1049 65.1230 69.4622 962 87.3670 86.4696 1006 183.2464 180.2249 1050 65.1230 66.1891 963 123.7942 121.9262 1007 68.1175 68.0294 1051 190.1683 193.2097 964 87.0919 86.0930 1008 72.1110 72.1110 1052 180.9482 180.8978 965 24.0000 26.0768 1009 180.1000 179.1005 1053 65.1153 65.3070 966 88.1192 87.8237 1010 187.0541 186.0242 1054 60.0000 61.0328 967 134.9741 134.3466 1011 50.0400 50.0899 1055 192.0007 191.0000 968 46.0435 45.0999 1012 47.2652 50.3587 1056 181.6625 180.7097

(4)

Data Lp no 1057-1100

Perhitungan automatis

Perhitungan manual No

Perhitungan automatis

Perhitungan manual No

Perhitungan automatis

Perhitungan manual 1057 53.0377 53.0377 1072 58.0086 58.0345 1087 172.5290 172.4181 1058 189.0952 189.1296 1073 56.0357 54.0093 1088 176.4795 177.4768 1059 187.3846 187.3846 1074 58.0345 59.0085 1089 49.0102 50.0000 1060 181.0062 176.0000 1075 186.0242 183.0246 1090 49.0918 50.3587 1061 181.0028 180.0028 1076 183.0109 182.0687 1091 184.1446 182.3321 1062 60.1332 59.0762 1077 174.2075 174.1034 1092 186.1881 186.3035 1063 57.0789 56.0357 1078 172.1228 168.1904 1093 180.5436 182.7922 1064 62.1289 64.0703 1079 54.0370 55.0364 1094 168.0067 169.0118 1065 188.1303 185.0973 1080 59.0000 60.0750 1095 45.5412 46.0977 1066 189.4129 189.3806 1081 194.0103 190.0105 1096 45.1774 48.1664 1067 64.0703 64.0703 1082 185.0061 188.0027 1097 173.6491 172.6528 1068 58.0345 57.0000 1083 180.2249 177.2287 1098 179.4359 174.2871 1069 186.9679 184.7837 1084 186.2176 184.1738 1099 163.0928 164.0274 1070 184.8783 182.8879 1085 43.4166 46.0109 1100 53.0094 71.3442 1071 190.0164 187.0107 1086 48.0000 48.0416

(5)

not be mapped to a valid backend lokale.

Your temporary usage period for IBM SPSS Statistics will expire in 14 days. SAVE OUTFILE='D:\ASRAMA\data_spss.sav'

/COMPRESSED.

T-TEST GROUPS=Metode(1 2) /MISSING=ANALYSIS /VARIABLES=LP /CRITERIA=CI(.95).

T-Test

Notes

Output Created 11-Nov-2010 10:04:48

Comments

Input Data D:\ASRAMA\data_spss.sav

Active Dataset DataSet0 Filter <none> Weight <none> Split File <none> N of Rows in Working Data

File

2200

Missing Value Handling Definition of Missing User defined missing values are treated as missing.

Cases Used Statistics for each analysis are based on the cases with no missing or out-of-range data for any variable in the analysis.

Syntax T-TEST GROUPS=Metode(1 2)

/MISSING=ANALYSIS /VARIABLES=LP /CRITERIA=CI(.95).

Resources Processor Time 00 00:00:00,031

(6)

[DataSet0] D:\ASRAMA\data_spss.sav

Group Statistics

Metode N Mean Std. Deviation Std. Error Mean LP Manual 1100 131,562983 55,6385155 1,6775644

Automatis 1100 127,876837 55,0045071 1,6584483

Independent Samples Test

Levene's Test for Equality of Variances

F Sig.

LP Equal variances assumed ,172 ,679

Equal variances not assumed

Independent Samples Test

t-test for Equality of Means

t df Sig. (2-tailed) Mean Difference LP Equal variances assumed 1,563 2198 ,118 3,6861454

Equal variances not assumed 1,563 2197,711 ,118 3,6861454

Independent Samples Test

t-test for Equality of Means

Std. Error Difference

95% Confidence Interval of the Difference

Lower Upper LP Equal variances assumed 2,3589559 -,9398706 8,3121613