Identifikasi Daun Shorea menggunakan KNN dengan Ekstraksi Fitur 2DPCA
IDENTIFIKASI DAUN SHOREA MENGGUNAKAN KNN
DENGAN EKSTRAKSI FITUR 2DPCA
ERNI YUSNIAR
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
Shorea menggunakan KNN dengan Ekstraksi Fitur 2DPCA 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, Maret 2013
Erni Yusniar
NIM G64104062
ABSTRAK
ERNI YUSNIAR. Identifikasi Daun Shorea menggunakan KNN dengan Ekstraksi
Fitur 2DPCA. Dibimbing oleh AZIZ KUSTIYO.
Shorea adalah jenis meranti yang memiliki nilai ekonomis yang tinggi.
Shorea tergolong ke dalam famili Dipterocarpaceae yang memiliki 194 spesies
yang tumbuh di daerah tropis. Shorea merupakan jenis yang sulit untuk
diidentifikasi karena memiliki banyak kemiripan. Metode yang digunakan dalam
penelitian ini adalah ekstraksi fitur 2 Dimensional Principal Component Analysis
dan K-Nearest Neighbour sebagai teknik klasifikasi. Penelitian ini memiliki 4
percobaan yang dibagi menjadi komponen R, G, B, dan grayscale. Hasil rata-rata
akurasi terbaik sebesar 75% pada komponen G dengan kontribusi nilai eigen 85%.
Kata kunci: 2 Dimensional Principal Component Analysis, K-Nearest Neighbour,
Shorea
ABSTRACT
ERNI YUSNIAR. Shorea Leaves Identification using KNN with 2DPCA Feature
Extraction. Supervised by AZIZ KUSTIYO.
Shorea is a kind of meranti species that have high economic value. Shorea
belongs to Dipterocarpaceae family which has 194 species that usually grow in
tropical area. Shorea is difficult to be identified due to their similarity. The
method used in this research is 2 Dimensional Principal Component Analysis as
feature extraction and K-Nearest Neighbour as classification technique. This
research has four trials that were divided into R, G, B, and grayscale components.
The best average accuracy obtained was 75% on a G component with 85%
contribution of eigen values.
Keywords: 2 Dimensional Principal Component Analysis, K-Nearest Neighbour,
Shorea
IDENTIFIKASI DAUN SHOREA MENGGUNAKAN KNN
DENGAN EKSTRAKSI FITUR 2DPCA
ERNI YUSNIAR
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 Shorea menggunakan KNN dengan Ekstraksi
Fitur 2DPCA
Nama
: Erni Yusniar
NIM
: G64104062
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 kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah dengan judul Identifikasi Daun Shorea
menggunakan KNN dengan Ekstraksi Fitur 2DPCA ini berhasil diselesaikan.
Adapun penulis mengucapkan terima kasih kepada:
1
Kedua Orang Tua serta seluruh keluarga yang telah memberikan dukungan,
perhatian, dan doa sehingga penulis dapat menyelesaikan penelitian ini.
2
Bapak Aziz Kustiyo SSi, MKom selaku pembimbing yang telah banyak
memberi saran.
3
Dosen penguji, Bapak Dr Ir Agus Buono, MSi, MKom dan Bapak Toto
Haryanto, SKom, MSi atas saran dan bimbingannya.
4
Pihak Kebun Raya Bogor atas sampel daun Shorea.
5
Teman-teman satu bimbingan Septy, Ayu, Mbak Sri, Ilvi, Kak Cory, Bang
Asep, dan Bangkit, terima kasih atas kerjasamanya.
6
Teman-teman kostan M24 atas kebersamaan dan dukungannya.
7
Teman-teman Alih Jenis Ilkom angkatan 5, atas kerjasamanya selama
penelitian.
8
Semua pihak yang telah memberikan bantuan selama pengerjaan penelitian
ini yang tidak dapat penulis tuliskan satu per satu.
Semoga penelitian ini bermanfaat bagi semua pihak yang membutuhkan.
Bogor, Maret 2013
Erni Yusniar
DAFTAR ISI
DAFTAR TABEL
vii
DAFTAR GAMBAR
vii
DAFTAR LAMPIRAN
ix
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
1
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
2
Shorea
2
Metode 2 Dimensional Principal Component Analysis (2DPCA)
3
Algoritme 2 Dimensional Principal Component Analysis (2DPCA)
3
Ilustrasi Proses 2DPCA
4
K-Fold Cross Validation
5
K-Nearest Neighbour
6
METODE
6
Pengumpulan Citra Daun
6
Citra Daun
6
Praproses
7
Data Latih dan Data Uji
8
Ekstraksi dengan 2DPCA
9
Vektor Transformasi
10
Transformasi Data Latih
10
Matriks Transformasi Data Latih
10
Transformasi Data Uji
11
Matriks Transformasi Data Uji
11
Klasifikasi KNN
11
Perhitungan Akurasi
11
Lingkungan Pengembangan
11
HASIL DAN PEMBAHASAN
12
Percobaan 1: Komponen R untuk Citra Model Warna RGB
13
Perbandingan Akurasi antara Kontribusi Nilai Eigen 85%, 95%, dan 99%
pada Citra Komponen R
16
Percobaan 2 : Komponen G untuk Citra Model Warna RGB
17
Perbandingan Akurasi antara Kontribusi Nilai Eigen 85%, 95%, dan 99%
pada Citra Komponen G
20
Percobaan 3 : Komponen B untuk Citra Model Warna RGB
21
Perbandingan Akurasi antara Kontribusi Nilai Eigen 85%, 95%, dan 99%
pada Citra Komponen B
24
Percobaan 4 : Model Citra Grayscale
25
Perbandingan Akurasi antara Kontribusi Nilai Eigen 85%, 95%, dan 99%
pada Citra Grayscale
28
Perbandingan Akurasi antara R, G, B dan Grayscale
29
Perbandingan Akurasi Jenis Shorea Berdasarkan Komponen R, G, B dan
Grayscale pada Setiap Kontribusi Nilai Eigen
31
Analisis Ragam Akurasi Percobaan
37
SIMPULAN DAN SARAN
38
Simpulan
38
Saran
38
DAFTAR PUSTAKA
38
LAMPIRAN
40
RIWAYAT HIDUP
45
DAFTAR TABEL
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Bentuk 5-fold cross-validation dengan × = data latih dan ■ = data uji
Rancangan percobaan
Kontribusi nilai eigen
Ukuran vektor eigen
Ukuran citra yang dipakai
Hasil akurasi komponen R dengan kontribusi nilai eigen 85%
Hasil akurasi komponen R dengan kontribusi nilai eigen 95%
Hasil akurasi komponen R dengan kontribusi nilai eigen 99%
Hasil akurasi komponen G dengan kontribusi nilai eigen 85%
Hasil akurasi komponen G dengan kontribusi nilai eigen 95%
Hasil akurasi komponen G dengan kontribusi nilai eigen 99%
Hasil akurasi komponen B dengan kontribusi nilai eigen 85%
Hasil akurasi komponen B dengan kontribusi nilai eigen 95%
Hasil akurasi komponen B dengan kontribusi nilai eigen 99%
Hasil akurasi citra grayscale dengan kontribusi nilai eigen 85%
Hasil akurasi citra grayscale dengan kontribusi nilai eigen 95%
Hasil akurasi citra grayscale dengan kontribusi nilai eigen 99%
Hasil akurasi komponen R, G, B, dan grayscale pada setiap
kontribusi nilai eigen
Analisis ragam akurasi percobaan
8
12
12
12
13
13
14
15
17
18
19
21
22
23
25
26
27
35
37
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Daun Meranti merah (Shorea parvifolia Dyer) Sumber: Atlas Kayu
Indonesia, jilid 1: 85
Metodologi penelitian
Contoh citra jenis Shorea marcoptera asli berukuran 2736 × 3648
Komponen warna (a) R, (b) G, dan, (c) B
Contoh citra Shorea hasil grayscale dan resize berukuran 137 × 182
Proses mencari rata-rata semua citra data latih
Proses memperoleh matriks citra
Grafik tingkat akurasi setiap jenis Shorea pada komponen R dan
kontribusi nilai eigen 85% dengan k = 7
Grafik tingkat akurasi setiap jenis Shorea pada komponen R dan
kontribusi nilai eigen 95% dengan k = 7
Grafik tingkat akurasi setiap jenis Shorea pada komponen R dan
kontribusi nilai eigen 99% dengan k = 7
Kemiripan Shorea materialis (a) dan javanica (b)
Grafik perbandingan akurasi setiap kontribusi nilai eigen pada
komponen R
Grafik perbandingan akurasi jenis Shorea untuk setiap kontribusi
nilai eigen pada komponen R
Grafik tingkat akurasi setiap jenis Shorea pada komponen G dan
kontribusi nilai eigen 85% dengan k = 3
3
7
8
8
8
9
10
13
14
15
16
16
17
18
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
Grafik tingkat akurasi setiap jenis Shorea pada komponen G dan
kontribusi nilai eigen 95% dengan k = 3
Grafik tingkat akurasi setiap jenis Shorea pada komponen G dan
kontribusi nilai eigen 95% dengan k = 5
Kemiripan Shorea johorensis (a) dan pinanga (b)
Grafik perbandingan akurasi setiap kontribusi nilai eigen pada
komponen G
Grafik perbandingan akurasi jenis Shorea untuk setiap kontribusi
nilai eigen pada komponen G
Grafik tingkat akurasi setiap jenis Shorea pada komponen B dan
kontribusi nilai eigen 85% dengan k = 7
Grafik tingkat akurasi setiap jenis Shorea pada komponen B dan
kontribusi nilai eigen 95% dengan k = 7
Grafik tingkat akurasi setiap jenis Shorea pada komponen B dan
kontribusi nilai eigen 99% dengan k = 5
Grafik perbandingan akurasi setiap kontribusi nilai eigen pada
komponen B
Grafik perbandingan akurasi jenis Shorea untuk setiap kontribusi
nilai eigen pada komponen B
Grafik tingkat akurasi setiap jenis Shorea pada citra grayscale dan
kontribusi nilai eigen 85% dengan k = 7
Grafik tingkat akurasi setiap jenis Shorea pada citra grayscale dan
kontribusi nilai eigen 95% dengan k = 7
Grafik tingkat akurasi setiap jenis Shorea pada citra grayscale dan
kontribusi nilai eigen 99% dengan k = 3
Grafik perbandingan akurasi setiap kontribusi nilai eigen pada
grayscale
Grafik perbandingan akurasi jenis Shorea untuk setiap kontribusi
nilai eigen pada citra grayscale
Grafik perbandingan R, G, B, dan grayscale pada kontribusi nilai
eigen 85%
Grafik perbandingan R, G, B, dan grayscale pada kontribusi nilai
eigen 95%
Grafik perbandingan R, G, B, dan grayscale pada kontribusi nilai
eigen 99%
Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi
nilai eigen pada Shorea javanica
Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi
nilai eigen pada Shorea johorensis
Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi
nilai eigen pada Shorea lepida
Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi
nilai eigen pada Shorea leprosula
Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi
nilai eigen pada Shorea marcoptera
Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi
nilai eigen pada Shorea materialis
19
19
20
20
21
22
23
24
24
25
26
27
28
28
29
29
30
30
31
31
32
32
33
33
39
40
41
42
43
44
Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi
nilai eigen pada Shorea palembanica
Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi
nilai eigen pada Shorea pinanga
Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi
nilai eigen pada Shorea seminis
Grafik hasil akurasi komponen R, G, B, dan grayscale pada setiap
kontribusi nilai eigen
Shorea lepida (a) dan platycados (b)
Shorea javanica (a), johorensis (b) , leprosula (c), marcoptera (d),
materialis (e), palembanica (f), pinanga (g), seminis (h)
34
34
35
36
36
37
DAFTAR LAMPIRAN
1
2
3
4
5
6
7
8
9
10
11
12
Confusion matrix percobaan 1 pada komponen warna R dengan nilai
kontribusi eigen 85% dan nilai k = 7
Confusion matrix percobaan 1 pada komponen warna R dengan nilai
kontribusi eigen 95% dan nilai k = 7
Confusion matrix percobaan 1 pada komponen warna R dengan nilai
kontribusi eigen 99% dan nilai k = 7
Confusion matrix percobaan 2 pada komponen warna G dengan nilai
kontribusi eigen 85% dan nilai k = 3
Confusion matrix percobaan 2 pada komponen warna G dengan nilai
kontribusi eigen 95% dan nilai k = 3
Confusion matrix percobaan 2 pada komponen warna G dengan nilai
kontribusi eigen 99% dan nilai k = 5
Confusion matrix percobaan 3 pada komponen warna B dengan nilai
kontribusi eigen 85% dan nilai k = 7
Confusion matrix percobaan 3 pada komponen warna B dengan nilai
kontribusi eigen 95% dan nilai k = 7
Confusion matrix percobaan 3 pada komponen warna B dengan nilai
kontribusi eigen 99% dan nilai k = 5
Confusion matrix percobaan 4 pada komponen warna grayscale
dengan nilai kontribusi eigen 85% dan nilai k = 7
Confusion matrix percobaan 4 pada komponen warna grayscale
dengan nilai kontribusi eigen 95% dan nilai k = 7
Confusion matrix percobaan 4 pada komponen warna grayscale
dengan nilai kontribusi eigen 99% dan nilai k = 3
40
40
41
41
41
42
42
42
43
43
43
44
PENDAHULUAN
Latar Belakang
Shorea merupakan tumbuhan berkayu yang termasuk jenis meranti. Shorea
tergolong ke dalam famili Dipterocarpaceae yang memiliki 194 spesies yang
tumbuh di daerah tropis. Spesies tersebut menyebar secara alami mulai
Semenanjung Thailand dan Malaysia, Sumatera sampai Kalimantan Utara.
Dipterocarpaceae merupakan jenis yang sulit untuk diidentifikasi,
khususnya di daerah Kalimantan yang memiliki jenis terbanyak. Ketidakmampuan
untuk mengenal individu Dipterocarpaceae di hutan dapat mengakibatkan
terjadinya eksploitasi, khususnya meranti merah Shorea (Newman et al. 1999).
Jenis kayu Shorea yang memiliki nilai ekonomis yang tinggi menjadi salah
satu yang mengakibatkan terjadinya eksploitasi terhadap Shorea tersebut,
khususnya jenis Shorea yang memiliki kualitas kayu yang baik. Untuk mencegah
eksploitasi yang dapat disebabkan oleh kesalahan dalam pemilihan kayu yang
tidak tepat, akan dilakukan identifikasi terhadap jenis Shorea tersebut melalui
suatu sistem yang dapat mengidentifikasi jenis Shorea dengan tepat.
Identifikasi jenis Shorea dapat dilakukan dengan menggunakan batang, daun,
buah, dan bunga. Jika menggunakan batang, dengan semakin bertambahnya umur
pohon, warna dan kedalaman alurnya akan mulai berubah. Identifikasi
menggunakan buah dan bunga juga sulit dilakukan karena buah dan bunga
tumbuh secara musiman sehingga sulit didapatkan. Untuk memudahkan dalam
pengidentifikasian Shorea, dipilih daun sebagai obyek identifikasinya. Daun
dipilih karena mudah menjadi obyek pengamatan khususnya berupa citra daun dan
daun tersedia sepanjang waktu sehingga tidak akan mengalami kekurangan bahan
obyek pengamatan.
Penelitian ini menggunakan ekstraksi fitur 2 Dimensional Principal
Component Analysis (2DPCA) dengan K-Nearest Neighbour sebagai classifier.
Ekstraksi fitur 2DPCA ini digunakan sebagai metode pengolahan citra daun yang
dapat mereduksi ukuran citra, matrik kovarian yang dihasilkan juga terbentuk
secara langsung dari citra daun sehingga ukuran matrik kovarian lebih kecil dan
untuk memudahkan mengevaluasi keakuratannya (Licesio et al. 2005).
Pada metode 2DPCA tidak perlu mengubah citra daun asli menjadi vektor
kolom yang berukuran besar yang memungkinkan dalam prosesnya dapat
dilakukan lebih cepat dibanding dengan metode Principal Component Analysis
(PCA) yang harus mengubah citra daun asli menjadi vektor kolom terlebih dahulu.
Penelitian yang terkait dengan 2DPCA antara lain dilakukan oleh Pratiwi
(2010) tentang Pengembangan Model Pengenalan Wajah dengan Jarak Euclid
pada Ruang Eigen dengan 2DPCA dengan nilai akurasi tertinggi sebesar 98,75%.
Perumusan Masalah
Perumusan masalah yang ada pada penelitian ini dapat diuraikan sebagai
berikut:
1
Bagaimana menerapkan 2 Dimensional Principal Component Analysis
sebagai ekstraksi fitur untuk identifikasi daun Shorea.
2
2
Bagaimana menerapkan pengklasifikasian K-Nearest Neighbour untuk
permasalahan identifikasi daun Shorea.
Tujuan Penelitian
Tujuan penelitian ini adalah menerapkan teknik ekstraksi fitur menggunakan
2 Dimensional Principal Component Analysis dan teknik klasifikasi K-Nearest
Neighbour untuk pengenalan citra daun Shorea.
Manfaat Penelitian
Manfaat dari penelitian ini adalah membantu mengidentifikasi jenis Shorea
berdasarkan citra daunnya, sehingga memudahkan klasifikasi jenisnya.
Ruang Lingkup Penelitian
1
2
3
Ruang lingkup dalam penelitian ini meliputi:
Data citra daun Shorea yang digunakan adalah 10 spesies Shorea. Setiap
spesies memiliki 10 citra daun sehingga total data citra daun berjumlah 100
citra daun.
Teknik ekstraksi yang digunakan adalah metode 2 Dimensional Principal
Component Analysis.
Metode yang digunakan sebagai klasifikasinya adalah metode K-Nearest
Neighbour.
TINJAUAN PUSTAKA
Shorea
Shorea adalah salah satu jenis pohon hutan penghasil kayu utama Indonesia
dan merupakan komoditas penting. Sebagai anggota suku Dipterocarpaceae,
Shorea mendominasi hutan hujan dataran rendah di wilayah Indonesia bagian
barat, dan merupakan marga terpenting yang paling banyak dieksploitasi di
kawasan hutan basah Asia.
Marga meranti meliputi sekitar 194 jenis yang terdiri dari empat kelompok,
yaitu meranti merah, meranti putih, meranti kuning, dan meranti balau. Di
kawasan Asia Tenggara (Thailand, Indonesia, dan Malaysia), meranti merah
terdiri dari 70 jenis, meranti putih terdiri dari 22 jenis, meranti kuning 33 jenis,
dan meranti balau 38 jenis (Jafarsidik 1988; Soerianegara dan Lemens 1993).
Pada Gambar 1 merupakan salah satu jenis Shorea yang dilihat dari bentuk daun.
3
Gambar 1 Daun Meranti merah (Shorea parvifolia Dyer)
Sumber: Atlas Kayu Indonesia, jilid 1: 85
Metode 2 Dimensional Principal Component Analysis (2DPCA)
2 Dimensional Principal Component Analysis adalah teknik proyeksi citra
yang dikembangkan dari teknik reduksi PCA yang telah terlebih dahulu dikenal.
Kesulitan dalam teknik identifikasi citra daun pada PCA adalah citra daun harus
diubah menjadi vektor dan vektor ini berukuran cukup besar sehingga tidak
mudah untuk mengevaluasi matrik secara akurat bagi sejumlah sampel pelatihan.
Citra daun yang sebagai matrik akan dilakukan proses reduksi untuk mencari ciri
atau komponen utama setiap citra daun (Pratiwi 2010).
Algoritme 2 Dimensional Principal Component Analysis (2DPCA)
Suatu citra daun yang disimbolkan dengan A serta matrik berukuran (m × n)
dan memiliki beberapa citra pelatihan Aj akan diproyeksikan ke dalam X untuk
mendapatkan vektor eigen dan nilai eigen dari matriks kovariannya (Yang dan
Zhang 2004). Didapatkan proyeksi fitur dari citra A berupa Y seperti pada
persamaan (1).
Y = AX
(1)
Total jumlah penyebaran dari vektor X ditunjukkan dengan persamaan (2).
J(X) = tr(Sx)
(2)
Sx pada persamaan (2) merupakan matriks kovarian dari data pelatihan dan
tr(Sx) merupakan trace (jejak) dari matriks kovarian Sx. Kovarian dari matriks Sx
dinotasikan dengan mengunakan persamaan (3) dan (4).
Sx = E(Y - EY)(Y - EY)T
= E[(AX – E(AX))][(AX – E(AX))]T
= E[(AX – EAX)][(AX – EAX)]T
= E[(A – EA)X][(A – EA)X]T
Persamaannya,
tr(Sx) = X T [E(A-EA) T (A-EA)] X
(3)
T
Gt = E[(A-EA) (A-EA)]
(4)
Matrik Gt disebut matriks kovarian citra daun dengan ukuran n × n. Citra
latihan Aj (j= 1, 2, 3, ..., M) memiliki citra rata-rata A = Ā. Sehingga untuk matriks
kovarian citra A dapat diperoleh persamaan (5).
4
1
Gt =
T
M
j=1 (Aj -Ā)
M
(5)
Aj -Ā
Dari persamaan (2) akan diperoleh persamaan (6)
J(X) = XT Gt X
(6)
Gt adalah matriks kovarian dari pelatihan. Setelah matriks kovarian dari citra
A ditemukan, maka sekarang yang akan dicari adalah nilai eigen dan vektor eigen.
Untuk mendapatkan nilai X yang optimal, diambil vektor eigen yang memiliki
nilai eigen yang terbesar (X1, X2,.., d) yang akan memaksimalkan kriteria J(X)
adalah dengan dapat dilihat di persamaan (7).
{ X1 ,…,Xd } = argmax J(X)
(7)
XTi ,Xj=0, i ≠ j,i,j=1, …,d
Setelah didapatkan nilai proyeksi vektor (X1,X2,..,d) dari citra, ekstraksi fitur
dari citra A sesuai dengan persamaan (8).
(8)
Yk = AXk
k pada persamaan (8) adalah 1,2,...,d. Y1,Y2,...,Yd disebut sebagai principal
component dari 2DPCA yang berupa vektor sedangkan pada PCA berupa skalar. B
= [Y1,Y2,...,Yd] adalah matrik fitur atau feature image dari citra pelatihan.
Ilustrasi Proses 2DPCA
Perhitungan 2DPCA akan diuraikan dengan menggunakan matriks yang
sederhana seperti contoh berikut ini dengan ukuran matrik 2×3 sebanyak 2 matriks
sebagai data latih.
A=
2 1
1 5
5
2
B=
2
1
1
3
3
2
Langkah pertama cari rata-rata dari semua data latih dengan rumus =
2
1
1
=
2
1
5
5
2
2
1
+
1 3
3 2
=
2
1
Matriks kovarian dengan rumus :
1
Gt =
M
=
1
×
2
2 1
1 5
+
0
1
=2 × 0
0
2
1
5
2
1 3
3 2
2 1
1 4
-
2
1
0 0
0 0
2 0 = 0 1
0 2
0 0
4
2
1 4
4 2
0
0
1
T
T
M
(Aj - Ā)T Aj - Ā
j=1
2 1
1 5
2
1
5
2
1 5
5 2
2 1
1 4
4
2
2
1
4
2
1
4
1
4
4
2
1
2
(A+B).
5
Kemudian dicari nilai eigen, proporsi, dan vektor eigen dengan kode pada
MATLAB sebagai berikut:
[vektor_eigen nilai_eigen proporsi] = pcacov (Gt)
Hasil setelah kode tersebut dijalankan sebagai berikut:
nilai_eigen =
50
1
1
0
0 0
1
1 0
0
vektor_eigen = 0 1 0
proporsi = 50
0
Tahap selanjutnya adalah mencari kumulatif dari proporsi tersebut dengan
kode sebagai berikut:
kontribusi = cumsum (proporsi)
Hasil setelah kode tersebut dijalankan sebagai berikut:
50
kontribusi = 100
100
Kolom pertama pada hasil vektor eigen menyatakan kontribusi nilai eigen
sebesar 50%, kolom kedua menyatakan kontribusi nilai eigen 100%. Misalkan
kontribusi nilai eigen yang digunakan 50%, berarti vektor eigen yang digunakan
adalah pada kolom pertama. Untuk mendapatkan matriks transformasi data latih,
vektor eigen yang sudah direduksi akan dikalikan dengan data latih citra awal.
A=
2
1
1
5
5
2
B=
2
1
1
3
3
2
0
0 =
1
0
0 =
1
5
2
3
2
Setelah memproses data latih yang digunakan pada penelitian ini, akan
diujicobakan dengan data uji yang baru. Contoh data uji sederhana sebagai
berikut:
C=
3
8
5
7
1
5
Data uji tersebut akan ditransformasikan agar dimensinya memiliki ukuran
yang sama dengan data latih yang ada. Data uji tersebut akan dikalikan dengan
vektor eigen yang telah direduksi.
Matriks transformasi data uji =
3
8
5 1
7 5
0
0 =
1
1
5
K-Fold Cross Validation
K-Fold Cross Validation merupakan metode dalam memperkirakan
generalisasi error berdasarkan resampling (Weis dan Kulikowski 1991 diacu
dalam Sarle 2004). Metode k-fold cross validation membagi sebuah himpunan
contoh secara acak menjadi k subset yang saling bebas. Dilakukan pengulangan
sebanyak k-kali untuk pelatihan dan pengujian. Pada setiap ulangan, disisakan satu
subset untuk pengujian dan subset lainnya untuk pelatihan. Tingkat akurasi
6
dihitung dengan membagi jumlah keseluruhan klasifikasi yang benar dengan
jumlah semua instance pada data awal.
K-Nearest Neighbour
Metode klasifikasi yang dipakai pada penelitian ini adalah K-Nearest
Neighbour (KNN) yang merupakan salah satu teknik klasifikasi yang
membandingkan data uji yang diberikan dengan data latih untuk diklasifikasikan
berdasarkan kedekatannya yang didefinisikan dengan ukuran jarak. Pengukuran
jaraknya menggunakan jarak euclidean yang merupakan pengukuran jarak garis
lurus antara satu titik dengan titik lain, dalam hal ini jarak antara vektor kolom
dalam matriks.
Didefinisikan jarak antar matrik Ti = [Y1i , Yi2 , …, Yid ] dan Tj =
j
j
j
[Y1 , Y2 , …, Y d ] sebagai berikut: d(Ti, Tj) =
d
k=1
(i)
(j)
Yk - Yk
2
(ni)
(nj) 2
(i)
(j)
(i)
(1i)
(1j) 2
diketahui Yk - Yk 2 = (Yk - Yk ) +…(Yk - Yk ) , dengan Yk menyatakan
(j)
(i)
(j)
data uji dan Yk menyatakan data latih, serta Yk - Yk menyatakan selisih dari data
uji dengan data latih (Yang dan Zhang 2004).
METODE
Penelitian ini dilakukan dengan beberapa tahapan proses untuk mengetahui
tingkat akurasi yang diperoleh menggunakan ekstraksi fitur 2DPCA dan
klasifikasi KNN dalam pengidentifikasian daun Shorea. Tahapan proses tersebut
diilustrasikan dalam Gambar 2.
Pengumpulan Citra Daun
Pada proses pengumpulan citra daun ini dilakukan dengan mengambil
sejumlah citra daun secara langsung dengan menggunakan kamera digital. Citra
Shorea yang digunakan dalam penelitian ini diambil pada siang hari di dalam
ruangan. Citra daun tersebut diberikan latar belakang kertas putih untuk dijadikan
citra percobaan baik untuk pelatihan atau pun pengujian.
Citra Daun
Data yang akan digunakan pada penelitian ini adalah data citra daun Shorea
dengan 10 spesies berformat JPEG. Data citra asli daun Shorea ini berukuran
2736 × 3648. Citra yang digunakan pada penelitian ini adalah citra daun Shorea
yang sampelnya diambil dari Kebun Raya Bogor. Data citra yang digunakan
dalam penelitian ini merupakan data yang sama dengan data Ramadhan (2012).
7
Mulai
Pengumpulan Citra Daun
Citra Daun
Praproses Data
Data Latih
Data Uji
Ekstraksi 2DPCA
Vektor Transformasi
Transformasi Data Uji
Transformasi Data Latih
Matriks Transformasi
Data Latih
Matriks Transformasi
Data Uji
Klasifikasi KNN
Perhitungan Akurasi
Selesai
Gambar 2 Metodologi penelitian
Praproses Data
Pada penelitian ini sebelum dilakukan praproses, citra yang digunakan
diubah terlebih dahulu arah daunnya menjadi searah. Model warna yang
digunakan adalah model warna RGB dan grayscale. Model warna RGB akan
dipisahkan, masing-masing menjadi komponen R, G, dan B.
Setelah itu ukuran citra yang semula berukuran 2736 × 3648 piksel akan diresize menjadi ukuran 137 × 182. Proses resize dilakukan pada citra RGB dan
grayscale. Hal ini dimaksudkan agar lebih cepat dalam melakukan pemrosesan
8
data ke tahap selanjutnya. Contoh salah satu jenis Shorea berukuran asli dapat
dilihat pada Gambar 3.
Gambar 3 Contoh citra jenis Shorea marcoptera
asli berukuran 2736 × 3648
Contoh citra yang direpresentasikan ke dalam komponen R, G, dan B dapat
dilihat pada Gambar 4.
(a)
(b)
(c)
Gambar 4 Komponen warna (a) R, (b) G, dan, (c) B
Pada tahapan praproses grayscale, ubah warna citra yang semulanya RGB
menjadi grayscale. Grayscale berguna untuk ekstraksi citra menggunakan 2DPCA.
Selain itu, grayscale juga dapat menyederhanakan model citra agar nilai yang
dihasilkan tidak beragam. Citra hasil grayscale dan resize dapat dilihat pada
Gambar 5.
Gambar 5 Contoh citra Shorea hasil grayscale
dan resize berukuran 137 × 182
Data Latih dan Data Uji
Pada pembagian data menggunakan k-fold cross-validation. Berdasarkan
jumlah data, terdapat 10 citra untuk setiap jenis dibuat 5-fold cross-validation.
Bentuk 5-fold cross-validation untuk data latih dan data uji dapat dilihat pada
Tabel 1.
Tabel 1 Bentuk 5-fold cross-validation dengan × = data latih dan ■ = data uji
Fold
1
2
3
4
5
1
■
×
×
×
×
2
■
×
×
×
×
3
×
■
×
×
×
Citra daun setiap jenis
4
5
6
7
×
×
×
×
■
×
×
×
×
■
■
×
×
×
×
■
×
×
×
×
8
×
×
×
■
×
9
×
×
×
×
■
10
×
×
×
×
■
9
Pada Tabel 1 dapat dilihat bahwa data citra daun Shorea dibagi menjadi 2
bagian adalah data latih dan data uji. Penelitian ini menggunakan 10 citra daun
Shorea untuk masing-masing 10 spesies. Data 10 citra daun tersebut akan diambil
8 citra untuk data latih dan 2 citra untuk data uji.
Ekstraksi dengan 2DPCA
Pada citra daun dilakukan proses ekstraksi ciri dengan menggunakan
2DPCA. Sebelum masuk ke ekstraksi 2DPCA, citra dilakukan praproses terlebih
dahulu. Ekstraksi dengan 2DPCA bertujuan untuk mereduksi dimensi fitur. Dari
hasil ekstraksi dengan 2DPCA akan diperoleh komponen utama berupa vektor
eigen dan matriks transformasi. Vektor eigen diperoleh dengan mengambil nilai
eigen yang terbesar yang dianggap mewakili dari kumpulan data yang ada.
Vektor eigen ini diperoleh dari matriks kovarian untuk semua data latih yang ada.
Langkah awal ekstraksi 2DPCA ini, semua citra data latih dicari rata-ratanya
terlebih dahulu dan ilustrasi prosesnya dapat dilihat pada Gambar 6.
[A1] 137 × 182
…
80 A
i =1 i
80
=Ā
…
[A80] 137 × 182
Gambar 6 Proses mencari rata-rata semua citra data latih
Setelah didapatkan matriks rataannya, kemudian dicari matriks kovarian
untuk citra data latih dengan rumus sebagai berikut:
1
Gt =
M
M
(Aj-Ā)T Aj -Ā
j=1
Gt ini akan berukuran n × n dan M adalah jumlah citra data latih sebanyak 80
citra pada penelitian ini. Aj merupakan citra data latih yang digunakan dan Ā
adalah rata-rata data dari semua data latih. Kemudian akan diperoleh nilai eigen
dari matriks kovarian tersebut yang mewakili karakteristik citra. Dari nilai eigen
tersebut dapat dicari vektor eigen yang akan menghasilkan matriks ciri dari citra
daun.
Rumus untuk mencari nilai eigen:
λI- Gt = 0
Rumus untuk mencari vektor eigen:
λI-Gt X = 0
10
Keterangan:
λ
: Nilai eigen
I
: Matriks identitas
G�
: Matriks kovarian
X
: Vektor eigen
Vektor Transformasi
Pada vektor transformasi digunakan vektor eigen yang dari hasil proses
2DPCA. Vektor eigen ini akan direduksi sesuai dengan kontribusi nilai eigen yang
digunakan pada penelitian ini. Hasil dari vektor transformasi ini adalah vektor
eigen yang telah direduksi yang akan menjadi masukan pada tahap pembuatan
transformasi data latih dan transformasi data uji.
Transformasi Data Latih
Transformasi data latih ini dilakukan untuk mengubah dimensi data latih
yang akan digunakan. Data latih tersebut akan mengalami pengurangan dimensi
karena proses reduksi vektor eigen.
Matriks Transformasi Data Latih
Semua data latih citra daun Shorea akan dibuat matriks transformasi data
latih. Data latih citra daun Shorea sebanyak 8 citra pada masing-masing 10 spesies
akan dikalikan dengan transformasi data latih yang berasal dari hasil perhitungan
pada citra data latih sebelumnya. Ilustrasi proses pembuatan matriks transformasi
data latih dapat dilihat pada Gambar 7.
[A1] 137 x 182
[A8] 137 x 182
[A71] 137 x 182
[A80] 137 x 182
...
.
.
.
…
B1 = A1X
B8 = A8X
B71 = A71X
B80 = A80X
Gambar 7 Proses memperoleh matriks citra
Semua data latih sebanyak 80 citra, masing-masing dikalikan dengan vektor
transformasi. A merupakan citra data latih yang kita gunakan dan X adalah
transformasi data latih yang didapatkan dari vektor transformasi yang telah
direduksi sesuai dengan kontribusi nilai eigen yang digunakan.
11
Transformasi Data Uji
Transformasi data uji ini dilakukan agar data uji yang digunakan memiliki
dimensi yang sama dengan data latih yang telah diproses sebelumnya. Data uji ini
akan diproses lebih lanjut pada tahapan selanjutnya.
Matriks Transformasi Data Uji
Matriks transformasi data uji ini dibuat dari transformasi data uji yang telah
direduksi dan diperoleh dari hasil proses 2DPCA pada data latih. Setiap citra daun
yang akan diuji nantinya akan dikalikan dengan vektor eigen untuk mendapatkan
matriks transformasinya. Ilustrasi proses ini sama seperti pada Gambar 7, tetapi
pada tahap ini, jumlah A merupakan jumlah data uji yang akan diujicobakan.
Klasifikasi KNN
Data yang diperlukan dalam perhitungan KNN ini adalah hasil matriks
transformasi data latih dan matriks transformasi data uji. Kedua matriks tersebut
akan dibanding dengan menggunakan jarak Euclidean (jarak terdekat) antara
vektor kolom matrik. Pengenalan citra uji dilakukan dengan klasifikasi KNN
adalah mencari jarak terdekat antara data yang akan dievaluasi dengan k tetangga
(neighbour) terdekatnya dalam data pelatihan.
Perhitungan Akurasi
Pada tahap ini akan dihitung nilai akurasi berdasarkan data hasil klasifikasi
menggunakan jarak Euclidean untuk mengetahui tingkat keakuratan
pengklasifikasian data tersebut. Tingkat akurasi dapat dihitung dengan cara:
Akurasi =
data uji benar diklasifikasikan
x 100%
data uji
Lingkungan Pengembangan
Sistem ini dikembangkan dan diimplementasikan dengan menggunakan
perangkat keras dan perangkat lunak sebagai berikut:
1 Perangkat Keras:
Intel(R) Core(TM) i3-2310M CPU @2.10 GHz
Memori 2 GB
Harddisk kapasitas 500 GB
2 Perangkat Lunak:
Windows 7 Ultimate sebagai sistem operasi
Matlab 7.7 (R2008b)
Minitab 14
12
HASIL DAN PEMBAHASAN
Pada penelitian ini digunakan 10 spesies daun Shorea adalah Shorea
javanica, Shorea johorensis, Shorea lepida, Shorea leprosula, Shorea marcoptera,
Shorea materialis, Shorea palembanica, Shorea pinanga, Shorea platycados, dan
Shorea seminis. Masing-masing 10 jenis Shorea tersebut memiliki 10 data citra.
Data latih sebanyak 8 citra dan 2 citra data uji untuk masing-masing 10 spesies.
Sehingga total data latih sebanyak 80 citra dan 20 citra sebagai data uji.
Penelitian ini terdiri atas 4 percobaan, pada setiap percobaan akan
digunakan data model warna citra dengan komponen warna yang berbeda-beda
dan akan dikombinasikan dengan 3 kontribusi nilai eigen yang digunakan pada
penelitian ini. Tabel rancangan percobaan yang akan dilakukan dapat dilihat pada
Tabel 2 dan tabel kontribusi nilai eigen yang digunakan dapat dilihat pada Tabel 3.
Tabel 2 Rancangan percobaan
Percobaan
1
2
3
4
Komponen warna
R
G
B
Grayscale
Tabel 3 Kontribusi nilai eigen
Kontribusi nilai eigen
85 %
95 %
99 %
Pembagian data akan dibagi menjadi kelompok data menggunakan 5-fold
cross validation. Setiap fold akan diujicobakan dengan kombinasi komponen
warna seperti R, G, B, dan grayscale serta 3 kontribusi nilai eigen adalah 85%,
95%, 99% dan nilai untuk KNN dengan k = 1, 3, 5 dan 7 yang akan diuraikan
pada percobaan 1, percobaan 2, percobaan 3, dan percobaan 4.
Pada tahap awal, citra data latih akan dilakukan praproses data dan ekstraksi
2DPCA. Citra awal yang berukuran 2736 × 3648 akan di-resize menjadi ukuran
137 × 182. Pada proses ekstraksi 2DPCA akan menghasilkan matriks kovarian
berukuran 182 × 182, akan menghasilkan 182 nilai eigen dan vektor eigen dengan
ukuran 182 × 182. Kontribusi nilai eigen yang digunakan pada penelitian ini
adalah 85%, 95% dan 99% sehingga ukuran vektor eigen setelah direduksi dapat
dilihat pada Tabel 4.
Tabel 4 Ukuran vektor eigen
Kontribusi nilai eigen
85 %
95 %
99 %
100 %
Ukuran vektor eigen
182 × 4
182 × 15
182 × 74
182 × 182
13
Kemudian hasil vektor eigen tersebut akan dikalikan dengan data citra baru
sebagai data uji yang berukuran 137 × 182, ukuran citra yang akan dihasilkan
untuk 3 kontribusi nilai eigen yang digunakan dapat dilihat pada Tabel 5.
Tabel 5 Ukuran citra yang dipakai
Kontribusi nilai eigen Ukuran citra
85 %
137 × 4
95 %
137 × 15
99 %
137 × 74
Hasil dari data latih dan data uji pada proses 2DPCA akan diklasifikasikan
dengan menggunakan metode KNN untuk pengidentifikasian jenis Shorea.
Percobaan 1: Komponen R untuk Citra Model Warna RGB
Pada percobaan 1 ini citra daun yang digunakan adalah komponen R dari
citra model warna RGB. Hasil akurasi yang didapatkan pada percobaan ini dapat
dilihat pada Tabel 6 untuk kontribusi nilai eigen 85%.
Tabel 6 Hasil akurasi komponen R dengan kontribusi nilai eigen 85%
Fold
1
2
3
4
5
Rata-rata
Akurasi nilai k (%)
1
3
5
7
65 65 60 60
70 70 70 75
70 65 60 60
60 70 80 80
50 65 70 75
63 67 68 70
Hasil dari kontribusi nilai eigen 85% ini menghasilkan rata-rata akurasi
maksimum sebesar 70% pada k = 7. Grafik akurasi untuk setiap jenis Shorea pada
percobaan 1 dengan kontribusi nilai eigen 85% ini dapat dilihat pada Gambar 8.
Gambar 8 Grafik tingkat akurasi setiap jenis Shorea
pada komponen R dan kontribusi nilai
eigen 85% dengan k = 7
14
Berdasarkan pada percobaan 1 dengan kontribusi nilai eigen 85%, jenis
Shorea yang menghasilkan akurasi tertinggi dengan akurasi mencapai 100%
adalah Shorea platycados. Jenis Shorea tersebut dapat teridentifikasi dengan baik
karena memiliki ukuran daun yang berbeda dengan jenis Shorea lainnya. Ukuran
daun platycados ini cenderung lebih kecil daripada jenis Shorea lainnya. Shorea
javanica dan lepida diklasifikasikan dengan baik sehingga menghasilkan akurasi
90%. Shorea yang menghasilkan akurasi terendah adalah Shorea materialis
dengan akurasi 20%. Shorea materialis ini salah teridentifikasi sebanyak 3 data uji
sebagai Shorea javanica dan pinanga. Kesalahan identifikasi tersebut dapat
disebabkan oleh kesamaan ukuran dengan jenis Shorea lainnya. Untuk
mengetahui record yang salah diklasifikasikan dapat dilihat pada confusion matrix
yang dilampirkan pada Lampiran 1.
Hasil akurasi yang didapatkan pada percobaan 1 untuk kontribusi nilai eigen
95% dapat dilihat pada Tabel 7.
Tabel 7 Hasil akurasi komponen R dengan kontribusi nilai eigen 95%
Fold
1
2
3
4
5
Rata-rata
Akurasi nilai k (%)
1
3
5
7
70 70 70 70
70 70 65 80
55 65 60 55
65 60 65 70
50 65 60 65
62 66 64 68
Percobaan 1 dengan kontribusi nilai eigen 95% ini menghasilkan rata-rata
akurasi maksimum sebesar 68% pada k = 7. Grafik akurasi untuk setiap jenis
Shorea pada percobaan 1 dengan kontribusi nilai eigen 95% ini dapat dilihat pada
Gambar 9.
Gambar 9 Grafik tingkat akurasi setiap jenis Shorea
pada komponen R dan kontribusi nilai
eigen 95% dengan k = 7
Pada kontribusi nilai eigen 95% ini, jenis Shorea platycados dapat
teridentifikasi dengan akurasi 100% dari semua data yang diujikan. Akurasi yang
15
terendah pada kontribusi 95% ini sama dengan pada kontribusi nilai eigen 85%
adalah Shorea materialis. Pada kontribusi 95% ini materialis menghasilkan
akurasi 0%. Shorea Materialis ini banyak teridentifikasi sebagai javanica
sebanyak 4 data uji yang salah teridentifikasi dan sebagian lagi teridentifikasi
sebagai pinanga dengan salah teridentifikasi sebanyak 3 data uji. Kemiripan
ukuran daun menjadi penyebab salah pengidentifikasian jenis Shorea tersebut.
Kontribusi nilai eigen 99% pada percobaan 1 ini, hasil akurasinya dapat
dilihat pada Tabel 8.
Tabel 8 Hasil akurasi komponen R dengan kontribusi nilai eigen 99%
Fold
1
2
3
4
5
Rata-rata
Akurasi nilai k (%)
1
3
5
7
50 50 40 40
65 55 55 55
45 45 50 55
45 55 65 65
50 65 65 60
51 54 55 55
Rata-rata akurasi maksimum dari percobaan 1 dengan kontribusi nilai eigen
99% ini menghasilkan akurasi sebesar 55% pada k = 5 dan k = 7. Grafik akurasi
untuk setiap jenis Shorea pada percobaan 1 dengan kontribusi nilai eigen 99% ini
dapat dilihat pada Gambar 10.
Gambar 10 Grafik tingkat akurasi setiap jenis Shorea
pada komponen R dan kontribusi nilai
eigen 99% dengan k = 7
Berdasarkan pada Gambar 10 tersebut, jenis Shorea platycados konsisten di
setiap kontribusi nilai eigen menghasilkan akurasi tertinggi sebesar 100%. Akurasi
terendah tetap dihasilkan oleh Shorea materialis yang tidak dapat teridentifikasi
dengan akurasi 0%. Ukuran daun yang cenderung mirip dengan Shorea javanica
menyebabkan Shorea materialis ini menghasilkan akurasi terendah. Untuk
mengetahui record yang salah diklasifikasikan dapat dilihat pada confusion
matrix yang dilampirkan pada Lampiran 3.
16
Shorea materialis tidak ada yang dapat teridentifikasi dari 10 data uji yang
diujicobakan. Hasilnya materialis cenderung mirip ke jenis Shorea javanica. Pada
Gambar 11 dapat dilihat kemiripan citra Shorea materialis dan javanica dari segi
ukuran dan struktur tulang daunnya.
(a)
(b)
Gambar 11 Kemiripan Shorea materialis (a) dan javanica (b)
Perbandingan Akurasi antara Kontribusi Nilai Eigen 85%, 95%, dan 99%
pada Citra Komponen R
Dapat dilihat pada percobaan 1 ini dengan komponen R, perbandingan
antara kontribusi nilai eigen 85%, 95%, dan 99% pada setiap kenaikan kontribusi
nilai eigennya mengalami penurunan akurasi. Akurasi terbaik dihasilkan oleh
kontribusi nilai eigen 85% sebesar 70%. Grafik perbandingan akurasi untuk setiap
kontribusi nilai eigen ini dapat dilihat pada Gambar 12.
Gambar 12 Grafik perbandingan akurasi setiap kontribusi
nilai eigen pada komponen R
Perbandingan grafik untuk setiap jenis Shorea pada semua kontribusi nilai
eigen dapat dilihat pada Gambar 13. Pada Gambar 13 tersebut dapat dilihat bahwa
pada jenis Shorea javanica, lepida, platycados untuk setiap kontribusi nilai eigen
menghasilkan akurasi yang sama, berarti kontribusi nilai eigen tidak terlalu
berpengaruh pada jenis Shorea tersebut. Jenis Shorea johorensis mengalami
penurunan di setiap kontribusi nilai eigen, dapat disimpulkan semakin besar
kontribusi yang digunakan akan semakin menurunkan akurasi johorensis yang
dihasilkan. Pada jenis Shorea materialis akurasi yang dihasilkan lebih rendah
dibanding dengan jenis Shorea lainnya pada setiap kontribusi nilai eigen.
17
Gambar 13 Grafik perbandingan akurasi jenis Shorea
untuk setiap kontribusi nilai eigen pada
komponen R
Percobaan 2 : Komponen G untuk Citra Model Warna RGB
Percobaan 2 ini menggunakan komponen G dari citra RGB untuk data citra
daun yang akan digunakan. Komponen G ini diujicobakan dengan kontribusi nilai
eigen sebesar 85%, 95%, dan 99%. Hasil akurasi pada percobaan 2 ini dengan
kontribusi nilai eigen 85 % dapat dilihat pada Tabel 9.
Tabel 9 Hasil akurasi komponen G dengan kontribusi nilai eigen 85%
Fold
1
2
3
4
5
Rata-rata
Akurasi nilai k (%)
1
3
5
7
75 80 75 75
75 75 80 80
70 75 70 70
65 80 80 75
55 65 65 65
68 75 74 73
Hasil dari percobaan 2 dengan kontribusi nilai eigen 85% menghasilkan
rata-rata akurasi maksimum sebesar 75% pada k = 3. Grafik akurasi untuk setiap
jenis Shorea pada percobaan 2 dengan kontribusi nilai eigen 85% ini dapat dilihat
pada Gambar 14.
Pada Gambar 14 tersebut dapat dianalisis bahwa Shorea platycados dan
seminis dapat teridentifikasi dengan akurasi tertinggi adalah 100%, sedangkan
marcoptera serta materialis teridentifikasi dengan akurasi terendah dengan nilai
akurasi sebesar 50%. Shorea marcoptera salah diklasifikasikan sebagai jenis
Shorea johorensis dengan 3 data uji yang salah diidentifikasikan. Pada jenis
Shorea materialis salah teridentifikasi sebanyak 2 data uji sebagai jenis Shorea
pinanga. Pada percobaan 2 ini mengalami peningkatan akurasi dibanding dengan
18
percobaan 1. Peningkatan ini dipengaruhi oleh penggunaan komponen G, karena
komponen G merupakan unsur warna hijau yang dapat mewakili ciri dari citra
daun pada penelitian ini. Untuk mengetahui record yang salah diklasifikasikan
dapat dilihat pada confusion matrix yang dilampirkan pada Lampiran 4.
Gambar 14 Grafik tingkat akurasi setiap jenis Shorea
pada komponen G dan kontribusi nilai
eigen 85% dengan k = 3
Hasil akurasi untuk kontribusi nilai eigen 95% pada komponen G ini dapat
dilihat pada Tabel 10.
Tabel 10 Hasil akurasi komponen G dengan kontribusi nilai eigen 95%
Fold
1
2
3
4
5
Rata-rata
Akurasi nilai k (%)
1
3
5
7
70 80 60 60
80 80 70 70
70 65 60 65
70 75 70 70
45 60 70 65
67 72 66 66
Hasil rata-rata akurasi maksimum pada komponen G dengan nilai kontribusi
eigen 95% sebesar 72% pada k = 3. Grafik akurasi untuk setiap jenis Shorea pada
percobaan 2 dengan kontribusi nilai eigen 95% ini dapat dilihat pada Gambar 15.
Hasil akurasi pada percobaan ini dengan komponen G dan kontribusi nilai eigen
95% menghasilkan jenis Shorea platycados dapat teridentifikasi dengan akurasi
tertinggi sebesar 100%. Shorea seminis juga dapat diklasifikasikan dengan baik
dengan akurasi 90%. Akurasi terendah sebesar 40% teridentifikasi pada jenis
Shorea marcoptera. Pada jenis marcoptera dengan 2 data uji yang salah
diidentifikasikan sebagai Shorea lepida dan leprosula. Untuk mengetahui record
yang salah diklasifikasikan dapat dilihat pada confusion matrix yang dilampirkan
pada Lampiran 5.
19
Gambar 15 Grafik tingkat akurasi setiap jenis Shorea
pada komponen G dan kontribusi nilai
eigen 95% dengan k = 3
Hasil akurasi yang didapatkan pada percobaan 2 untuk kontribusi nilai eigen
99% dapat dilihat pada Tabel 11.
Tabel 11 Hasil akurasi komponen G dengan kontribusi nilai eigen 99%
Fold
1
2
3
4
5
Rata-rata
Akurasi Nilai k (%)
1
3
5
7
55 55 50 60
65 60 65 60
65 65 65 60
55 60 65 65
55 70 70 65
59 62 63 62
Percobaan 2 dengan kontribusi nilai eigen 99% ini menghasilkan rata-rata
akurasi maksimum sebesar 63% pada k = 5. Grafik akurasi untuk setiap jenis
Shorea dengan kontribusi nilai eigen 99% ini dapat dilihat pada Gambar 16.
Gambar 16 Grafik tingkat akurasi setiap jenis Shorea
pada komponen G dan kontribusi nilai
eigen 95% dengan k = 5
20
Pada percobaan 2 dengan kontribusi nilai eigen 99% ini, jenis Shorea
platycados dapat teridentifikasi dengan akurasi tertinggi sebesar 100%. Akurasi
terendah pada jenis Shorea johorensis dan materialis dengan akurasi 10%, berarti
dapat diklasifikasikan dengan benar sebanyak 1 data uji dari 10 data yang diujikan.
Shorea johorensis salah diklasifikasikan sebagai leprosula dan pinanga sebanyak
3 data uji dan Shorea materialis salah teridentifikasi sebagai jenis Shorea javanica
dan leprosula sebanyak 3 data uji. Untuk mengetahui record yang salah
diklasifikasikan dapat dilihat pada confusion matrix yang dilampirkan pada
Lampiran 6.
Shorea johorensis tidak dapat teridentifikasi sebanyak 6 data uji dari 10 data
uji yang diujicobakan. Hasilnya johorensis cenderung mirip ke jenis Shorea
pinanga. Pada Gambar 17 dapat dilihat kemiripan citra Shorea johorensis dan
pinanga dari segi ukuran daun.
(a)
(b)
Gambar 17 Kemiripan Shorea johorensis (a) dan pinanga (b)
Perbandingan Akurasi antara Kontribusi Nilai Eigen 85%, 95%, dan 99%
pada Citra Komponen G
Perbandingan pada kontribusi nilai eigen ini menghasilkan akurasi tertinggi
sebesar 75% pada kontribusi nilai eigen 85%. Semakin bertambah kontribusi nilai
eigennya, akurasi yang diperoleh semakin menurun. Kontribusi nilai eigen 99%
cenderung menghasilkan akurasi yang lebih rendah dibanding dengan kontribusi
nilai eigen 85% dan 95%. Grafik perbandingan akurasi untuk setiap kontribusi
nilai eigen ini dapat dilihat pada Gambar 18.
Gambar 18 Grafik perbandingan akurasi setiap kontribusi
nilai eigen pada komponen G
21
Pada Gambar 19 dapat dilihat grafik hasil akurasi untuk setiap jenis Shorea
pada semua kontribusi nilai eigen. Pada komponen G ini yang memiliki akurasi
yang sama di setiap kontribusi nilai eigen adalah jenis Shorea lepida dan
platycados. Hal ini dapat dianalisis bahwa kontribusi nilai eigen tersebut tidak
terlalu mempengaruhi hasil akurasi pada komponen G ini. Untuk hasil akurasi
terendah pada komponen G ini ada 2 jenis Shorea yang termasuk ke dalamnya
adalah Shorea johorensis dan materialis. Kontribusi nilai eigen pada Shorea
johorensis dan materialis mempengaruhi perolehan akurasi, pada kontribusi 99%
hasil akurasi lebih rendah dibandingan dengan kontribusi lainnya.
Gambar 19 Grafik perbandingan akurasi jenis Shorea
untuk setiap kontribusi nilai eigen pada
komponen G
Percobaan 3 : Komponen B untuk Citra Model Warna RGB
Komponen B dari citra model warna RGB yang akan digunakan untuk
percobaan 3 ini. Percobaan ini sama seperti pada percobaan 1 dan 2, komponen B
ini dikombinasikan dengan 3 kontribusi nilai eigen adalah 85%, 95%, dan 99%.
Hasil akurasi yang didapatkan pada percobaan 3 ini dengan kontribusi nilai eigen
85% dapat dilihat pada Tabel 12.
Tabel 12 Hasil akurasi komponen B dengan kontribusi nilai eigen 85%
Fold
1
2
3
4
5
Rata-rata
Akurasi nilai k (%)
1
3
5
7
70 70 60 55
65 65 65 70
60 60 55 55
65 60 70 75
55 65 70 65
63 64 64 64
22
Hasil dari percobaan 3 menghasilkan rata-rata akurasi maksimum sebesar
64% pada k = 3, 5, dan 7. Tetapi yang akan dibahas adalah k yang terbesar adalah
pada k = 7. Grafik akurasi untuk setiap jenis Shorea pada percobaan 3 dengan
kontribusi nilai eigen 85% ini dapat dilihat pada Gambar 20.
Gambar 20 Grafik tingkat akurasi setiap jenis Shorea
pada komponen B dan kontribusi nilai
eigen 85% dengan k = 7
Pada komponen B ini akurasi yang dihasilkan menurun dibanding dengan
percobaan menggunakan komponen R dan G. Jenis Shorea platycados selalu
dapat teridentifikasi dengan benar sehingga menghasilkan akurasi 100%. Jenis
Shorea javanica dan lepida dapat terklasifikasikan dengan akurasi 90%. Akurasi
yang paling rendah adalah Shorea materialis, jenis ini tidak dapat teridentifikasi
sama sekali sehingga menghasilkan akurasi 0%. Shorea johorensis termasuk jenis
Shorea yang menghasilkan akurasi terendah kedua dengan akurasi 10%. Shorea
johorensis dan materialis tersebut salah diklasifikasikan ke jenis Shorea pinanga.
Pada Shorea johorensis ada sebanyak 7 data uji yang salah diklasifikasikan ke
dalam pinanga, sedangkan materialis sebanyak 3 data uji yang salah
teridentifkasikan. Untuk mengetahui record yang salah diklasifikasikan dapat
dilihat pada confusion matrix yang dilampirkan pada Lampiran 7.
Kontribusi nilai eigen 95% pada percobaan yang menggunakan komponen B
dari citra RGB ini menghasilkan akurasi yang dapat dilihat pada Tabel 13.
Tabel 13 Hasil akurasi komponen B dengan kontribusi nilai eigen 95%
Fold
1
2
3
4
5
Rata-rata
1
65
65
45
55
50
56
Akurasi nilai k (%)
3
5
70
60
60
65
45
45
50
65
65
70
58
61
7
60
70
55
65
75
65
23
Dari percobaan 3 ini yang menggunakan kontribusi nilai eigen 95% dan
komponen B menghasilkan rata-rata akurasi maksimum sebesar 65% pada nilai k
= 7. Grafik akurasi untuk setiap jenis Shorea pada percobaan 3 dengan kontribusi
nilai eigen 95% ini dapat dilihat pada Gambar 21.
Gambar 21 Grafik tingkat akurasi setiap jenis Shorea
pada komponen B dan kontribusi nilai
eigen 95% dengan k = 7
Hasil pada percobaan 3 ini dengan kontribusi nilai eigen 95%, Shorea
javanica dan platycados menghasilkan akurasi tertinggi dengan akurasi 100%.
Untuk jenis Shorea lepida dan pinanga teridentifikasi dengan akurasi 90%. Pada
jenis Shorea johorensis dan materialis hanya dapat diklasifikasikan sebesar 10%.
Hal ini dikarenakan jenis Shorea johorensis salah teridentifikasi sebagai pinanga
sebanyak 7 data uji, dan Shorea materialis teridentifikasi sebagai javanica
sebanyak 6 data uji yang salah diklasifikasikan. Kemiripan ukuran daun yang
sama menjadi penyebab kesalahan identifikasi. Untuk mengetahui record yang
salah diklasifikasikan dapat dilihat pada confusion matrix yang dilampirkan pada
Lampiran 8.
Pada kontribusi nilai eigen 99% pada komponen B ini menghasilkan akurasi
yang dapat dilihat pada Tabel 14.
Tabel 14 Hasil akurasi komponen B dengan kontribusi nilai eigen 99%
Fold
1
2
3
4
5
Rata-rata
Akurasi nilai k (%)
1
3
5
7
50 50 50 45
50 45 55 50
40 40 40 40
40 40 55 55
50 55 55 55
46 46 51 49
Hasil rata-rata akurasi maksimum pada percobaan ini dengan kontribusi
nilai eigen 99% adalah 51% pada k = 5. Grafik akurasi untuk setiap jenis Shorea
pada percobaan 3 dengan kontribusi nilai eigen 99% ini dapat dilihat pada Gambar
22.
24
Gambar 22 Grafik tingkat akurasi setiap jenis Shorea
pada komponen B dan kontribusi nilai
eigen 99% dengan k = 5
Pada Gambar 22 tersebut dapat dilihat dengan nilai k = 5 bahwa materialis
memiliki akurasi yang terendah adalah 0%. Shorea materialis teridentifikasi
sebagai javanica dengan salah diklasifikasikan sebanyak 5 data uji dan johorensis
teridentifikasi sebagai pinanga dengan akurasi 10%. Shorea lepida dan pinanga
menghasilkan akurasi mencapai 90%. Untuk akurasi tertinggi, jenis Shorea
javanica dan platycados dapat diklasifikasikan dengan benar hingga mencapai
100%. Untuk mengetahui record yang sa
DENGAN EKSTRAKSI FITUR 2DPCA
ERNI YUSNIAR
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
Shorea menggunakan KNN dengan Ekstraksi Fitur 2DPCA 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, Maret 2013
Erni Yusniar
NIM G64104062
ABSTRAK
ERNI YUSNIAR. Identifikasi Daun Shorea menggunakan KNN dengan Ekstraksi
Fitur 2DPCA. Dibimbing oleh AZIZ KUSTIYO.
Shorea adalah jenis meranti yang memiliki nilai ekonomis yang tinggi.
Shorea tergolong ke dalam famili Dipterocarpaceae yang memiliki 194 spesies
yang tumbuh di daerah tropis. Shorea merupakan jenis yang sulit untuk
diidentifikasi karena memiliki banyak kemiripan. Metode yang digunakan dalam
penelitian ini adalah ekstraksi fitur 2 Dimensional Principal Component Analysis
dan K-Nearest Neighbour sebagai teknik klasifikasi. Penelitian ini memiliki 4
percobaan yang dibagi menjadi komponen R, G, B, dan grayscale. Hasil rata-rata
akurasi terbaik sebesar 75% pada komponen G dengan kontribusi nilai eigen 85%.
Kata kunci: 2 Dimensional Principal Component Analysis, K-Nearest Neighbour,
Shorea
ABSTRACT
ERNI YUSNIAR. Shorea Leaves Identification using KNN with 2DPCA Feature
Extraction. Supervised by AZIZ KUSTIYO.
Shorea is a kind of meranti species that have high economic value. Shorea
belongs to Dipterocarpaceae family which has 194 species that usually grow in
tropical area. Shorea is difficult to be identified due to their similarity. The
method used in this research is 2 Dimensional Principal Component Analysis as
feature extraction and K-Nearest Neighbour as classification technique. This
research has four trials that were divided into R, G, B, and grayscale components.
The best average accuracy obtained was 75% on a G component with 85%
contribution of eigen values.
Keywords: 2 Dimensional Principal Component Analysis, K-Nearest Neighbour,
Shorea
IDENTIFIKASI DAUN SHOREA MENGGUNAKAN KNN
DENGAN EKSTRAKSI FITUR 2DPCA
ERNI YUSNIAR
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 Shorea menggunakan KNN dengan Ekstraksi
Fitur 2DPCA
Nama
: Erni Yusniar
NIM
: G64104062
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 kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah dengan judul Identifikasi Daun Shorea
menggunakan KNN dengan Ekstraksi Fitur 2DPCA ini berhasil diselesaikan.
Adapun penulis mengucapkan terima kasih kepada:
1
Kedua Orang Tua serta seluruh keluarga yang telah memberikan dukungan,
perhatian, dan doa sehingga penulis dapat menyelesaikan penelitian ini.
2
Bapak Aziz Kustiyo SSi, MKom selaku pembimbing yang telah banyak
memberi saran.
3
Dosen penguji, Bapak Dr Ir Agus Buono, MSi, MKom dan Bapak Toto
Haryanto, SKom, MSi atas saran dan bimbingannya.
4
Pihak Kebun Raya Bogor atas sampel daun Shorea.
5
Teman-teman satu bimbingan Septy, Ayu, Mbak Sri, Ilvi, Kak Cory, Bang
Asep, dan Bangkit, terima kasih atas kerjasamanya.
6
Teman-teman kostan M24 atas kebersamaan dan dukungannya.
7
Teman-teman Alih Jenis Ilkom angkatan 5, atas kerjasamanya selama
penelitian.
8
Semua pihak yang telah memberikan bantuan selama pengerjaan penelitian
ini yang tidak dapat penulis tuliskan satu per satu.
Semoga penelitian ini bermanfaat bagi semua pihak yang membutuhkan.
Bogor, Maret 2013
Erni Yusniar
DAFTAR ISI
DAFTAR TABEL
vii
DAFTAR GAMBAR
vii
DAFTAR LAMPIRAN
ix
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
1
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
2
Shorea
2
Metode 2 Dimensional Principal Component Analysis (2DPCA)
3
Algoritme 2 Dimensional Principal Component Analysis (2DPCA)
3
Ilustrasi Proses 2DPCA
4
K-Fold Cross Validation
5
K-Nearest Neighbour
6
METODE
6
Pengumpulan Citra Daun
6
Citra Daun
6
Praproses
7
Data Latih dan Data Uji
8
Ekstraksi dengan 2DPCA
9
Vektor Transformasi
10
Transformasi Data Latih
10
Matriks Transformasi Data Latih
10
Transformasi Data Uji
11
Matriks Transformasi Data Uji
11
Klasifikasi KNN
11
Perhitungan Akurasi
11
Lingkungan Pengembangan
11
HASIL DAN PEMBAHASAN
12
Percobaan 1: Komponen R untuk Citra Model Warna RGB
13
Perbandingan Akurasi antara Kontribusi Nilai Eigen 85%, 95%, dan 99%
pada Citra Komponen R
16
Percobaan 2 : Komponen G untuk Citra Model Warna RGB
17
Perbandingan Akurasi antara Kontribusi Nilai Eigen 85%, 95%, dan 99%
pada Citra Komponen G
20
Percobaan 3 : Komponen B untuk Citra Model Warna RGB
21
Perbandingan Akurasi antara Kontribusi Nilai Eigen 85%, 95%, dan 99%
pada Citra Komponen B
24
Percobaan 4 : Model Citra Grayscale
25
Perbandingan Akurasi antara Kontribusi Nilai Eigen 85%, 95%, dan 99%
pada Citra Grayscale
28
Perbandingan Akurasi antara R, G, B dan Grayscale
29
Perbandingan Akurasi Jenis Shorea Berdasarkan Komponen R, G, B dan
Grayscale pada Setiap Kontribusi Nilai Eigen
31
Analisis Ragam Akurasi Percobaan
37
SIMPULAN DAN SARAN
38
Simpulan
38
Saran
38
DAFTAR PUSTAKA
38
LAMPIRAN
40
RIWAYAT HIDUP
45
DAFTAR TABEL
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Bentuk 5-fold cross-validation dengan × = data latih dan ■ = data uji
Rancangan percobaan
Kontribusi nilai eigen
Ukuran vektor eigen
Ukuran citra yang dipakai
Hasil akurasi komponen R dengan kontribusi nilai eigen 85%
Hasil akurasi komponen R dengan kontribusi nilai eigen 95%
Hasil akurasi komponen R dengan kontribusi nilai eigen 99%
Hasil akurasi komponen G dengan kontribusi nilai eigen 85%
Hasil akurasi komponen G dengan kontribusi nilai eigen 95%
Hasil akurasi komponen G dengan kontribusi nilai eigen 99%
Hasil akurasi komponen B dengan kontribusi nilai eigen 85%
Hasil akurasi komponen B dengan kontribusi nilai eigen 95%
Hasil akurasi komponen B dengan kontribusi nilai eigen 99%
Hasil akurasi citra grayscale dengan kontribusi nilai eigen 85%
Hasil akurasi citra grayscale dengan kontribusi nilai eigen 95%
Hasil akurasi citra grayscale dengan kontribusi nilai eigen 99%
Hasil akurasi komponen R, G, B, dan grayscale pada setiap
kontribusi nilai eigen
Analisis ragam akurasi percobaan
8
12
12
12
13
13
14
15
17
18
19
21
22
23
25
26
27
35
37
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Daun Meranti merah (Shorea parvifolia Dyer) Sumber: Atlas Kayu
Indonesia, jilid 1: 85
Metodologi penelitian
Contoh citra jenis Shorea marcoptera asli berukuran 2736 × 3648
Komponen warna (a) R, (b) G, dan, (c) B
Contoh citra Shorea hasil grayscale dan resize berukuran 137 × 182
Proses mencari rata-rata semua citra data latih
Proses memperoleh matriks citra
Grafik tingkat akurasi setiap jenis Shorea pada komponen R dan
kontribusi nilai eigen 85% dengan k = 7
Grafik tingkat akurasi setiap jenis Shorea pada komponen R dan
kontribusi nilai eigen 95% dengan k = 7
Grafik tingkat akurasi setiap jenis Shorea pada komponen R dan
kontribusi nilai eigen 99% dengan k = 7
Kemiripan Shorea materialis (a) dan javanica (b)
Grafik perbandingan akurasi setiap kontribusi nilai eigen pada
komponen R
Grafik perbandingan akurasi jenis Shorea untuk setiap kontribusi
nilai eigen pada komponen R
Grafik tingkat akurasi setiap jenis Shorea pada komponen G dan
kontribusi nilai eigen 85% dengan k = 3
3
7
8
8
8
9
10
13
14
15
16
16
17
18
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
Grafik tingkat akurasi setiap jenis Shorea pada komponen G dan
kontribusi nilai eigen 95% dengan k = 3
Grafik tingkat akurasi setiap jenis Shorea pada komponen G dan
kontribusi nilai eigen 95% dengan k = 5
Kemiripan Shorea johorensis (a) dan pinanga (b)
Grafik perbandingan akurasi setiap kontribusi nilai eigen pada
komponen G
Grafik perbandingan akurasi jenis Shorea untuk setiap kontribusi
nilai eigen pada komponen G
Grafik tingkat akurasi setiap jenis Shorea pada komponen B dan
kontribusi nilai eigen 85% dengan k = 7
Grafik tingkat akurasi setiap jenis Shorea pada komponen B dan
kontribusi nilai eigen 95% dengan k = 7
Grafik tingkat akurasi setiap jenis Shorea pada komponen B dan
kontribusi nilai eigen 99% dengan k = 5
Grafik perbandingan akurasi setiap kontribusi nilai eigen pada
komponen B
Grafik perbandingan akurasi jenis Shorea untuk setiap kontribusi
nilai eigen pada komponen B
Grafik tingkat akurasi setiap jenis Shorea pada citra grayscale dan
kontribusi nilai eigen 85% dengan k = 7
Grafik tingkat akurasi setiap jenis Shorea pada citra grayscale dan
kontribusi nilai eigen 95% dengan k = 7
Grafik tingkat akurasi setiap jenis Shorea pada citra grayscale dan
kontribusi nilai eigen 99% dengan k = 3
Grafik perbandingan akurasi setiap kontribusi nilai eigen pada
grayscale
Grafik perbandingan akurasi jenis Shorea untuk setiap kontribusi
nilai eigen pada citra grayscale
Grafik perbandingan R, G, B, dan grayscale pada kontribusi nilai
eigen 85%
Grafik perbandingan R, G, B, dan grayscale pada kontribusi nilai
eigen 95%
Grafik perbandingan R, G, B, dan grayscale pada kontribusi nilai
eigen 99%
Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi
nilai eigen pada Shorea javanica
Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi
nilai eigen pada Shorea johorensis
Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi
nilai eigen pada Shorea lepida
Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi
nilai eigen pada Shorea leprosula
Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi
nilai eigen pada Shorea marcoptera
Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi
nilai eigen pada Shorea materialis
19
19
20
20
21
22
23
24
24
25
26
27
28
28
29
29
30
30
31
31
32
32
33
33
39
40
41
42
43
44
Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi
nilai eigen pada Shorea palembanica
Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi
nilai eigen pada Shorea pinanga
Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi
nilai eigen pada Shorea seminis
Grafik hasil akurasi komponen R, G, B, dan grayscale pada setiap
kontribusi nilai eigen
Shorea lepida (a) dan platycados (b)
Shorea javanica (a), johorensis (b) , leprosula (c), marcoptera (d),
materialis (e), palembanica (f), pinanga (g), seminis (h)
34
34
35
36
36
37
DAFTAR LAMPIRAN
1
2
3
4
5
6
7
8
9
10
11
12
Confusion matrix percobaan 1 pada komponen warna R dengan nilai
kontribusi eigen 85% dan nilai k = 7
Confusion matrix percobaan 1 pada komponen warna R dengan nilai
kontribusi eigen 95% dan nilai k = 7
Confusion matrix percobaan 1 pada komponen warna R dengan nilai
kontribusi eigen 99% dan nilai k = 7
Confusion matrix percobaan 2 pada komponen warna G dengan nilai
kontribusi eigen 85% dan nilai k = 3
Confusion matrix percobaan 2 pada komponen warna G dengan nilai
kontribusi eigen 95% dan nilai k = 3
Confusion matrix percobaan 2 pada komponen warna G dengan nilai
kontribusi eigen 99% dan nilai k = 5
Confusion matrix percobaan 3 pada komponen warna B dengan nilai
kontribusi eigen 85% dan nilai k = 7
Confusion matrix percobaan 3 pada komponen warna B dengan nilai
kontribusi eigen 95% dan nilai k = 7
Confusion matrix percobaan 3 pada komponen warna B dengan nilai
kontribusi eigen 99% dan nilai k = 5
Confusion matrix percobaan 4 pada komponen warna grayscale
dengan nilai kontribusi eigen 85% dan nilai k = 7
Confusion matrix percobaan 4 pada komponen warna grayscale
dengan nilai kontribusi eigen 95% dan nilai k = 7
Confusion matrix percobaan 4 pada komponen warna grayscale
dengan nilai kontribusi eigen 99% dan nilai k = 3
40
40
41
41
41
42
42
42
43
43
43
44
PENDAHULUAN
Latar Belakang
Shorea merupakan tumbuhan berkayu yang termasuk jenis meranti. Shorea
tergolong ke dalam famili Dipterocarpaceae yang memiliki 194 spesies yang
tumbuh di daerah tropis. Spesies tersebut menyebar secara alami mulai
Semenanjung Thailand dan Malaysia, Sumatera sampai Kalimantan Utara.
Dipterocarpaceae merupakan jenis yang sulit untuk diidentifikasi,
khususnya di daerah Kalimantan yang memiliki jenis terbanyak. Ketidakmampuan
untuk mengenal individu Dipterocarpaceae di hutan dapat mengakibatkan
terjadinya eksploitasi, khususnya meranti merah Shorea (Newman et al. 1999).
Jenis kayu Shorea yang memiliki nilai ekonomis yang tinggi menjadi salah
satu yang mengakibatkan terjadinya eksploitasi terhadap Shorea tersebut,
khususnya jenis Shorea yang memiliki kualitas kayu yang baik. Untuk mencegah
eksploitasi yang dapat disebabkan oleh kesalahan dalam pemilihan kayu yang
tidak tepat, akan dilakukan identifikasi terhadap jenis Shorea tersebut melalui
suatu sistem yang dapat mengidentifikasi jenis Shorea dengan tepat.
Identifikasi jenis Shorea dapat dilakukan dengan menggunakan batang, daun,
buah, dan bunga. Jika menggunakan batang, dengan semakin bertambahnya umur
pohon, warna dan kedalaman alurnya akan mulai berubah. Identifikasi
menggunakan buah dan bunga juga sulit dilakukan karena buah dan bunga
tumbuh secara musiman sehingga sulit didapatkan. Untuk memudahkan dalam
pengidentifikasian Shorea, dipilih daun sebagai obyek identifikasinya. Daun
dipilih karena mudah menjadi obyek pengamatan khususnya berupa citra daun dan
daun tersedia sepanjang waktu sehingga tidak akan mengalami kekurangan bahan
obyek pengamatan.
Penelitian ini menggunakan ekstraksi fitur 2 Dimensional Principal
Component Analysis (2DPCA) dengan K-Nearest Neighbour sebagai classifier.
Ekstraksi fitur 2DPCA ini digunakan sebagai metode pengolahan citra daun yang
dapat mereduksi ukuran citra, matrik kovarian yang dihasilkan juga terbentuk
secara langsung dari citra daun sehingga ukuran matrik kovarian lebih kecil dan
untuk memudahkan mengevaluasi keakuratannya (Licesio et al. 2005).
Pada metode 2DPCA tidak perlu mengubah citra daun asli menjadi vektor
kolom yang berukuran besar yang memungkinkan dalam prosesnya dapat
dilakukan lebih cepat dibanding dengan metode Principal Component Analysis
(PCA) yang harus mengubah citra daun asli menjadi vektor kolom terlebih dahulu.
Penelitian yang terkait dengan 2DPCA antara lain dilakukan oleh Pratiwi
(2010) tentang Pengembangan Model Pengenalan Wajah dengan Jarak Euclid
pada Ruang Eigen dengan 2DPCA dengan nilai akurasi tertinggi sebesar 98,75%.
Perumusan Masalah
Perumusan masalah yang ada pada penelitian ini dapat diuraikan sebagai
berikut:
1
Bagaimana menerapkan 2 Dimensional Principal Component Analysis
sebagai ekstraksi fitur untuk identifikasi daun Shorea.
2
2
Bagaimana menerapkan pengklasifikasian K-Nearest Neighbour untuk
permasalahan identifikasi daun Shorea.
Tujuan Penelitian
Tujuan penelitian ini adalah menerapkan teknik ekstraksi fitur menggunakan
2 Dimensional Principal Component Analysis dan teknik klasifikasi K-Nearest
Neighbour untuk pengenalan citra daun Shorea.
Manfaat Penelitian
Manfaat dari penelitian ini adalah membantu mengidentifikasi jenis Shorea
berdasarkan citra daunnya, sehingga memudahkan klasifikasi jenisnya.
Ruang Lingkup Penelitian
1
2
3
Ruang lingkup dalam penelitian ini meliputi:
Data citra daun Shorea yang digunakan adalah 10 spesies Shorea. Setiap
spesies memiliki 10 citra daun sehingga total data citra daun berjumlah 100
citra daun.
Teknik ekstraksi yang digunakan adalah metode 2 Dimensional Principal
Component Analysis.
Metode yang digunakan sebagai klasifikasinya adalah metode K-Nearest
Neighbour.
TINJAUAN PUSTAKA
Shorea
Shorea adalah salah satu jenis pohon hutan penghasil kayu utama Indonesia
dan merupakan komoditas penting. Sebagai anggota suku Dipterocarpaceae,
Shorea mendominasi hutan hujan dataran rendah di wilayah Indonesia bagian
barat, dan merupakan marga terpenting yang paling banyak dieksploitasi di
kawasan hutan basah Asia.
Marga meranti meliputi sekitar 194 jenis yang terdiri dari empat kelompok,
yaitu meranti merah, meranti putih, meranti kuning, dan meranti balau. Di
kawasan Asia Tenggara (Thailand, Indonesia, dan Malaysia), meranti merah
terdiri dari 70 jenis, meranti putih terdiri dari 22 jenis, meranti kuning 33 jenis,
dan meranti balau 38 jenis (Jafarsidik 1988; Soerianegara dan Lemens 1993).
Pada Gambar 1 merupakan salah satu jenis Shorea yang dilihat dari bentuk daun.
3
Gambar 1 Daun Meranti merah (Shorea parvifolia Dyer)
Sumber: Atlas Kayu Indonesia, jilid 1: 85
Metode 2 Dimensional Principal Component Analysis (2DPCA)
2 Dimensional Principal Component Analysis adalah teknik proyeksi citra
yang dikembangkan dari teknik reduksi PCA yang telah terlebih dahulu dikenal.
Kesulitan dalam teknik identifikasi citra daun pada PCA adalah citra daun harus
diubah menjadi vektor dan vektor ini berukuran cukup besar sehingga tidak
mudah untuk mengevaluasi matrik secara akurat bagi sejumlah sampel pelatihan.
Citra daun yang sebagai matrik akan dilakukan proses reduksi untuk mencari ciri
atau komponen utama setiap citra daun (Pratiwi 2010).
Algoritme 2 Dimensional Principal Component Analysis (2DPCA)
Suatu citra daun yang disimbolkan dengan A serta matrik berukuran (m × n)
dan memiliki beberapa citra pelatihan Aj akan diproyeksikan ke dalam X untuk
mendapatkan vektor eigen dan nilai eigen dari matriks kovariannya (Yang dan
Zhang 2004). Didapatkan proyeksi fitur dari citra A berupa Y seperti pada
persamaan (1).
Y = AX
(1)
Total jumlah penyebaran dari vektor X ditunjukkan dengan persamaan (2).
J(X) = tr(Sx)
(2)
Sx pada persamaan (2) merupakan matriks kovarian dari data pelatihan dan
tr(Sx) merupakan trace (jejak) dari matriks kovarian Sx. Kovarian dari matriks Sx
dinotasikan dengan mengunakan persamaan (3) dan (4).
Sx = E(Y - EY)(Y - EY)T
= E[(AX – E(AX))][(AX – E(AX))]T
= E[(AX – EAX)][(AX – EAX)]T
= E[(A – EA)X][(A – EA)X]T
Persamaannya,
tr(Sx) = X T [E(A-EA) T (A-EA)] X
(3)
T
Gt = E[(A-EA) (A-EA)]
(4)
Matrik Gt disebut matriks kovarian citra daun dengan ukuran n × n. Citra
latihan Aj (j= 1, 2, 3, ..., M) memiliki citra rata-rata A = Ā. Sehingga untuk matriks
kovarian citra A dapat diperoleh persamaan (5).
4
1
Gt =
T
M
j=1 (Aj -Ā)
M
(5)
Aj -Ā
Dari persamaan (2) akan diperoleh persamaan (6)
J(X) = XT Gt X
(6)
Gt adalah matriks kovarian dari pelatihan. Setelah matriks kovarian dari citra
A ditemukan, maka sekarang yang akan dicari adalah nilai eigen dan vektor eigen.
Untuk mendapatkan nilai X yang optimal, diambil vektor eigen yang memiliki
nilai eigen yang terbesar (X1, X2,.., d) yang akan memaksimalkan kriteria J(X)
adalah dengan dapat dilihat di persamaan (7).
{ X1 ,…,Xd } = argmax J(X)
(7)
XTi ,Xj=0, i ≠ j,i,j=1, …,d
Setelah didapatkan nilai proyeksi vektor (X1,X2,..,d) dari citra, ekstraksi fitur
dari citra A sesuai dengan persamaan (8).
(8)
Yk = AXk
k pada persamaan (8) adalah 1,2,...,d. Y1,Y2,...,Yd disebut sebagai principal
component dari 2DPCA yang berupa vektor sedangkan pada PCA berupa skalar. B
= [Y1,Y2,...,Yd] adalah matrik fitur atau feature image dari citra pelatihan.
Ilustrasi Proses 2DPCA
Perhitungan 2DPCA akan diuraikan dengan menggunakan matriks yang
sederhana seperti contoh berikut ini dengan ukuran matrik 2×3 sebanyak 2 matriks
sebagai data latih.
A=
2 1
1 5
5
2
B=
2
1
1
3
3
2
Langkah pertama cari rata-rata dari semua data latih dengan rumus =
2
1
1
=
2
1
5
5
2
2
1
+
1 3
3 2
=
2
1
Matriks kovarian dengan rumus :
1
Gt =
M
=
1
×
2
2 1
1 5
+
0
1
=2 × 0
0
2
1
5
2
1 3
3 2
2 1
1 4
-
2
1
0 0
0 0
2 0 = 0 1
0 2
0 0
4
2
1 4
4 2
0
0
1
T
T
M
(Aj - Ā)T Aj - Ā
j=1
2 1
1 5
2
1
5
2
1 5
5 2
2 1
1 4
4
2
2
1
4
2
1
4
1
4
4
2
1
2
(A+B).
5
Kemudian dicari nilai eigen, proporsi, dan vektor eigen dengan kode pada
MATLAB sebagai berikut:
[vektor_eigen nilai_eigen proporsi] = pcacov (Gt)
Hasil setelah kode tersebut dijalankan sebagai berikut:
nilai_eigen =
50
1
1
0
0 0
1
1 0
0
vektor_eigen = 0 1 0
proporsi = 50
0
Tahap selanjutnya adalah mencari kumulatif dari proporsi tersebut dengan
kode sebagai berikut:
kontribusi = cumsum (proporsi)
Hasil setelah kode tersebut dijalankan sebagai berikut:
50
kontribusi = 100
100
Kolom pertama pada hasil vektor eigen menyatakan kontribusi nilai eigen
sebesar 50%, kolom kedua menyatakan kontribusi nilai eigen 100%. Misalkan
kontribusi nilai eigen yang digunakan 50%, berarti vektor eigen yang digunakan
adalah pada kolom pertama. Untuk mendapatkan matriks transformasi data latih,
vektor eigen yang sudah direduksi akan dikalikan dengan data latih citra awal.
A=
2
1
1
5
5
2
B=
2
1
1
3
3
2
0
0 =
1
0
0 =
1
5
2
3
2
Setelah memproses data latih yang digunakan pada penelitian ini, akan
diujicobakan dengan data uji yang baru. Contoh data uji sederhana sebagai
berikut:
C=
3
8
5
7
1
5
Data uji tersebut akan ditransformasikan agar dimensinya memiliki ukuran
yang sama dengan data latih yang ada. Data uji tersebut akan dikalikan dengan
vektor eigen yang telah direduksi.
Matriks transformasi data uji =
3
8
5 1
7 5
0
0 =
1
1
5
K-Fold Cross Validation
K-Fold Cross Validation merupakan metode dalam memperkirakan
generalisasi error berdasarkan resampling (Weis dan Kulikowski 1991 diacu
dalam Sarle 2004). Metode k-fold cross validation membagi sebuah himpunan
contoh secara acak menjadi k subset yang saling bebas. Dilakukan pengulangan
sebanyak k-kali untuk pelatihan dan pengujian. Pada setiap ulangan, disisakan satu
subset untuk pengujian dan subset lainnya untuk pelatihan. Tingkat akurasi
6
dihitung dengan membagi jumlah keseluruhan klasifikasi yang benar dengan
jumlah semua instance pada data awal.
K-Nearest Neighbour
Metode klasifikasi yang dipakai pada penelitian ini adalah K-Nearest
Neighbour (KNN) yang merupakan salah satu teknik klasifikasi yang
membandingkan data uji yang diberikan dengan data latih untuk diklasifikasikan
berdasarkan kedekatannya yang didefinisikan dengan ukuran jarak. Pengukuran
jaraknya menggunakan jarak euclidean yang merupakan pengukuran jarak garis
lurus antara satu titik dengan titik lain, dalam hal ini jarak antara vektor kolom
dalam matriks.
Didefinisikan jarak antar matrik Ti = [Y1i , Yi2 , …, Yid ] dan Tj =
j
j
j
[Y1 , Y2 , …, Y d ] sebagai berikut: d(Ti, Tj) =
d
k=1
(i)
(j)
Yk - Yk
2
(ni)
(nj) 2
(i)
(j)
(i)
(1i)
(1j) 2
diketahui Yk - Yk 2 = (Yk - Yk ) +…(Yk - Yk ) , dengan Yk menyatakan
(j)
(i)
(j)
data uji dan Yk menyatakan data latih, serta Yk - Yk menyatakan selisih dari data
uji dengan data latih (Yang dan Zhang 2004).
METODE
Penelitian ini dilakukan dengan beberapa tahapan proses untuk mengetahui
tingkat akurasi yang diperoleh menggunakan ekstraksi fitur 2DPCA dan
klasifikasi KNN dalam pengidentifikasian daun Shorea. Tahapan proses tersebut
diilustrasikan dalam Gambar 2.
Pengumpulan Citra Daun
Pada proses pengumpulan citra daun ini dilakukan dengan mengambil
sejumlah citra daun secara langsung dengan menggunakan kamera digital. Citra
Shorea yang digunakan dalam penelitian ini diambil pada siang hari di dalam
ruangan. Citra daun tersebut diberikan latar belakang kertas putih untuk dijadikan
citra percobaan baik untuk pelatihan atau pun pengujian.
Citra Daun
Data yang akan digunakan pada penelitian ini adalah data citra daun Shorea
dengan 10 spesies berformat JPEG. Data citra asli daun Shorea ini berukuran
2736 × 3648. Citra yang digunakan pada penelitian ini adalah citra daun Shorea
yang sampelnya diambil dari Kebun Raya Bogor. Data citra yang digunakan
dalam penelitian ini merupakan data yang sama dengan data Ramadhan (2012).
7
Mulai
Pengumpulan Citra Daun
Citra Daun
Praproses Data
Data Latih
Data Uji
Ekstraksi 2DPCA
Vektor Transformasi
Transformasi Data Uji
Transformasi Data Latih
Matriks Transformasi
Data Latih
Matriks Transformasi
Data Uji
Klasifikasi KNN
Perhitungan Akurasi
Selesai
Gambar 2 Metodologi penelitian
Praproses Data
Pada penelitian ini sebelum dilakukan praproses, citra yang digunakan
diubah terlebih dahulu arah daunnya menjadi searah. Model warna yang
digunakan adalah model warna RGB dan grayscale. Model warna RGB akan
dipisahkan, masing-masing menjadi komponen R, G, dan B.
Setelah itu ukuran citra yang semula berukuran 2736 × 3648 piksel akan diresize menjadi ukuran 137 × 182. Proses resize dilakukan pada citra RGB dan
grayscale. Hal ini dimaksudkan agar lebih cepat dalam melakukan pemrosesan
8
data ke tahap selanjutnya. Contoh salah satu jenis Shorea berukuran asli dapat
dilihat pada Gambar 3.
Gambar 3 Contoh citra jenis Shorea marcoptera
asli berukuran 2736 × 3648
Contoh citra yang direpresentasikan ke dalam komponen R, G, dan B dapat
dilihat pada Gambar 4.
(a)
(b)
(c)
Gambar 4 Komponen warna (a) R, (b) G, dan, (c) B
Pada tahapan praproses grayscale, ubah warna citra yang semulanya RGB
menjadi grayscale. Grayscale berguna untuk ekstraksi citra menggunakan 2DPCA.
Selain itu, grayscale juga dapat menyederhanakan model citra agar nilai yang
dihasilkan tidak beragam. Citra hasil grayscale dan resize dapat dilihat pada
Gambar 5.
Gambar 5 Contoh citra Shorea hasil grayscale
dan resize berukuran 137 × 182
Data Latih dan Data Uji
Pada pembagian data menggunakan k-fold cross-validation. Berdasarkan
jumlah data, terdapat 10 citra untuk setiap jenis dibuat 5-fold cross-validation.
Bentuk 5-fold cross-validation untuk data latih dan data uji dapat dilihat pada
Tabel 1.
Tabel 1 Bentuk 5-fold cross-validation dengan × = data latih dan ■ = data uji
Fold
1
2
3
4
5
1
■
×
×
×
×
2
■
×
×
×
×
3
×
■
×
×
×
Citra daun setiap jenis
4
5
6
7
×
×
×
×
■
×
×
×
×
■
■
×
×
×
×
■
×
×
×
×
8
×
×
×
■
×
9
×
×
×
×
■
10
×
×
×
×
■
9
Pada Tabel 1 dapat dilihat bahwa data citra daun Shorea dibagi menjadi 2
bagian adalah data latih dan data uji. Penelitian ini menggunakan 10 citra daun
Shorea untuk masing-masing 10 spesies. Data 10 citra daun tersebut akan diambil
8 citra untuk data latih dan 2 citra untuk data uji.
Ekstraksi dengan 2DPCA
Pada citra daun dilakukan proses ekstraksi ciri dengan menggunakan
2DPCA. Sebelum masuk ke ekstraksi 2DPCA, citra dilakukan praproses terlebih
dahulu. Ekstraksi dengan 2DPCA bertujuan untuk mereduksi dimensi fitur. Dari
hasil ekstraksi dengan 2DPCA akan diperoleh komponen utama berupa vektor
eigen dan matriks transformasi. Vektor eigen diperoleh dengan mengambil nilai
eigen yang terbesar yang dianggap mewakili dari kumpulan data yang ada.
Vektor eigen ini diperoleh dari matriks kovarian untuk semua data latih yang ada.
Langkah awal ekstraksi 2DPCA ini, semua citra data latih dicari rata-ratanya
terlebih dahulu dan ilustrasi prosesnya dapat dilihat pada Gambar 6.
[A1] 137 × 182
…
80 A
i =1 i
80
=Ā
…
[A80] 137 × 182
Gambar 6 Proses mencari rata-rata semua citra data latih
Setelah didapatkan matriks rataannya, kemudian dicari matriks kovarian
untuk citra data latih dengan rumus sebagai berikut:
1
Gt =
M
M
(Aj-Ā)T Aj -Ā
j=1
Gt ini akan berukuran n × n dan M adalah jumlah citra data latih sebanyak 80
citra pada penelitian ini. Aj merupakan citra data latih yang digunakan dan Ā
adalah rata-rata data dari semua data latih. Kemudian akan diperoleh nilai eigen
dari matriks kovarian tersebut yang mewakili karakteristik citra. Dari nilai eigen
tersebut dapat dicari vektor eigen yang akan menghasilkan matriks ciri dari citra
daun.
Rumus untuk mencari nilai eigen:
λI- Gt = 0
Rumus untuk mencari vektor eigen:
λI-Gt X = 0
10
Keterangan:
λ
: Nilai eigen
I
: Matriks identitas
G�
: Matriks kovarian
X
: Vektor eigen
Vektor Transformasi
Pada vektor transformasi digunakan vektor eigen yang dari hasil proses
2DPCA. Vektor eigen ini akan direduksi sesuai dengan kontribusi nilai eigen yang
digunakan pada penelitian ini. Hasil dari vektor transformasi ini adalah vektor
eigen yang telah direduksi yang akan menjadi masukan pada tahap pembuatan
transformasi data latih dan transformasi data uji.
Transformasi Data Latih
Transformasi data latih ini dilakukan untuk mengubah dimensi data latih
yang akan digunakan. Data latih tersebut akan mengalami pengurangan dimensi
karena proses reduksi vektor eigen.
Matriks Transformasi Data Latih
Semua data latih citra daun Shorea akan dibuat matriks transformasi data
latih. Data latih citra daun Shorea sebanyak 8 citra pada masing-masing 10 spesies
akan dikalikan dengan transformasi data latih yang berasal dari hasil perhitungan
pada citra data latih sebelumnya. Ilustrasi proses pembuatan matriks transformasi
data latih dapat dilihat pada Gambar 7.
[A1] 137 x 182
[A8] 137 x 182
[A71] 137 x 182
[A80] 137 x 182
...
.
.
.
…
B1 = A1X
B8 = A8X
B71 = A71X
B80 = A80X
Gambar 7 Proses memperoleh matriks citra
Semua data latih sebanyak 80 citra, masing-masing dikalikan dengan vektor
transformasi. A merupakan citra data latih yang kita gunakan dan X adalah
transformasi data latih yang didapatkan dari vektor transformasi yang telah
direduksi sesuai dengan kontribusi nilai eigen yang digunakan.
11
Transformasi Data Uji
Transformasi data uji ini dilakukan agar data uji yang digunakan memiliki
dimensi yang sama dengan data latih yang telah diproses sebelumnya. Data uji ini
akan diproses lebih lanjut pada tahapan selanjutnya.
Matriks Transformasi Data Uji
Matriks transformasi data uji ini dibuat dari transformasi data uji yang telah
direduksi dan diperoleh dari hasil proses 2DPCA pada data latih. Setiap citra daun
yang akan diuji nantinya akan dikalikan dengan vektor eigen untuk mendapatkan
matriks transformasinya. Ilustrasi proses ini sama seperti pada Gambar 7, tetapi
pada tahap ini, jumlah A merupakan jumlah data uji yang akan diujicobakan.
Klasifikasi KNN
Data yang diperlukan dalam perhitungan KNN ini adalah hasil matriks
transformasi data latih dan matriks transformasi data uji. Kedua matriks tersebut
akan dibanding dengan menggunakan jarak Euclidean (jarak terdekat) antara
vektor kolom matrik. Pengenalan citra uji dilakukan dengan klasifikasi KNN
adalah mencari jarak terdekat antara data yang akan dievaluasi dengan k tetangga
(neighbour) terdekatnya dalam data pelatihan.
Perhitungan Akurasi
Pada tahap ini akan dihitung nilai akurasi berdasarkan data hasil klasifikasi
menggunakan jarak Euclidean untuk mengetahui tingkat keakuratan
pengklasifikasian data tersebut. Tingkat akurasi dapat dihitung dengan cara:
Akurasi =
data uji benar diklasifikasikan
x 100%
data uji
Lingkungan Pengembangan
Sistem ini dikembangkan dan diimplementasikan dengan menggunakan
perangkat keras dan perangkat lunak sebagai berikut:
1 Perangkat Keras:
Intel(R) Core(TM) i3-2310M CPU @2.10 GHz
Memori 2 GB
Harddisk kapasitas 500 GB
2 Perangkat Lunak:
Windows 7 Ultimate sebagai sistem operasi
Matlab 7.7 (R2008b)
Minitab 14
12
HASIL DAN PEMBAHASAN
Pada penelitian ini digunakan 10 spesies daun Shorea adalah Shorea
javanica, Shorea johorensis, Shorea lepida, Shorea leprosula, Shorea marcoptera,
Shorea materialis, Shorea palembanica, Shorea pinanga, Shorea platycados, dan
Shorea seminis. Masing-masing 10 jenis Shorea tersebut memiliki 10 data citra.
Data latih sebanyak 8 citra dan 2 citra data uji untuk masing-masing 10 spesies.
Sehingga total data latih sebanyak 80 citra dan 20 citra sebagai data uji.
Penelitian ini terdiri atas 4 percobaan, pada setiap percobaan akan
digunakan data model warna citra dengan komponen warna yang berbeda-beda
dan akan dikombinasikan dengan 3 kontribusi nilai eigen yang digunakan pada
penelitian ini. Tabel rancangan percobaan yang akan dilakukan dapat dilihat pada
Tabel 2 dan tabel kontribusi nilai eigen yang digunakan dapat dilihat pada Tabel 3.
Tabel 2 Rancangan percobaan
Percobaan
1
2
3
4
Komponen warna
R
G
B
Grayscale
Tabel 3 Kontribusi nilai eigen
Kontribusi nilai eigen
85 %
95 %
99 %
Pembagian data akan dibagi menjadi kelompok data menggunakan 5-fold
cross validation. Setiap fold akan diujicobakan dengan kombinasi komponen
warna seperti R, G, B, dan grayscale serta 3 kontribusi nilai eigen adalah 85%,
95%, 99% dan nilai untuk KNN dengan k = 1, 3, 5 dan 7 yang akan diuraikan
pada percobaan 1, percobaan 2, percobaan 3, dan percobaan 4.
Pada tahap awal, citra data latih akan dilakukan praproses data dan ekstraksi
2DPCA. Citra awal yang berukuran 2736 × 3648 akan di-resize menjadi ukuran
137 × 182. Pada proses ekstraksi 2DPCA akan menghasilkan matriks kovarian
berukuran 182 × 182, akan menghasilkan 182 nilai eigen dan vektor eigen dengan
ukuran 182 × 182. Kontribusi nilai eigen yang digunakan pada penelitian ini
adalah 85%, 95% dan 99% sehingga ukuran vektor eigen setelah direduksi dapat
dilihat pada Tabel 4.
Tabel 4 Ukuran vektor eigen
Kontribusi nilai eigen
85 %
95 %
99 %
100 %
Ukuran vektor eigen
182 × 4
182 × 15
182 × 74
182 × 182
13
Kemudian hasil vektor eigen tersebut akan dikalikan dengan data citra baru
sebagai data uji yang berukuran 137 × 182, ukuran citra yang akan dihasilkan
untuk 3 kontribusi nilai eigen yang digunakan dapat dilihat pada Tabel 5.
Tabel 5 Ukuran citra yang dipakai
Kontribusi nilai eigen Ukuran citra
85 %
137 × 4
95 %
137 × 15
99 %
137 × 74
Hasil dari data latih dan data uji pada proses 2DPCA akan diklasifikasikan
dengan menggunakan metode KNN untuk pengidentifikasian jenis Shorea.
Percobaan 1: Komponen R untuk Citra Model Warna RGB
Pada percobaan 1 ini citra daun yang digunakan adalah komponen R dari
citra model warna RGB. Hasil akurasi yang didapatkan pada percobaan ini dapat
dilihat pada Tabel 6 untuk kontribusi nilai eigen 85%.
Tabel 6 Hasil akurasi komponen R dengan kontribusi nilai eigen 85%
Fold
1
2
3
4
5
Rata-rata
Akurasi nilai k (%)
1
3
5
7
65 65 60 60
70 70 70 75
70 65 60 60
60 70 80 80
50 65 70 75
63 67 68 70
Hasil dari kontribusi nilai eigen 85% ini menghasilkan rata-rata akurasi
maksimum sebesar 70% pada k = 7. Grafik akurasi untuk setiap jenis Shorea pada
percobaan 1 dengan kontribusi nilai eigen 85% ini dapat dilihat pada Gambar 8.
Gambar 8 Grafik tingkat akurasi setiap jenis Shorea
pada komponen R dan kontribusi nilai
eigen 85% dengan k = 7
14
Berdasarkan pada percobaan 1 dengan kontribusi nilai eigen 85%, jenis
Shorea yang menghasilkan akurasi tertinggi dengan akurasi mencapai 100%
adalah Shorea platycados. Jenis Shorea tersebut dapat teridentifikasi dengan baik
karena memiliki ukuran daun yang berbeda dengan jenis Shorea lainnya. Ukuran
daun platycados ini cenderung lebih kecil daripada jenis Shorea lainnya. Shorea
javanica dan lepida diklasifikasikan dengan baik sehingga menghasilkan akurasi
90%. Shorea yang menghasilkan akurasi terendah adalah Shorea materialis
dengan akurasi 20%. Shorea materialis ini salah teridentifikasi sebanyak 3 data uji
sebagai Shorea javanica dan pinanga. Kesalahan identifikasi tersebut dapat
disebabkan oleh kesamaan ukuran dengan jenis Shorea lainnya. Untuk
mengetahui record yang salah diklasifikasikan dapat dilihat pada confusion matrix
yang dilampirkan pada Lampiran 1.
Hasil akurasi yang didapatkan pada percobaan 1 untuk kontribusi nilai eigen
95% dapat dilihat pada Tabel 7.
Tabel 7 Hasil akurasi komponen R dengan kontribusi nilai eigen 95%
Fold
1
2
3
4
5
Rata-rata
Akurasi nilai k (%)
1
3
5
7
70 70 70 70
70 70 65 80
55 65 60 55
65 60 65 70
50 65 60 65
62 66 64 68
Percobaan 1 dengan kontribusi nilai eigen 95% ini menghasilkan rata-rata
akurasi maksimum sebesar 68% pada k = 7. Grafik akurasi untuk setiap jenis
Shorea pada percobaan 1 dengan kontribusi nilai eigen 95% ini dapat dilihat pada
Gambar 9.
Gambar 9 Grafik tingkat akurasi setiap jenis Shorea
pada komponen R dan kontribusi nilai
eigen 95% dengan k = 7
Pada kontribusi nilai eigen 95% ini, jenis Shorea platycados dapat
teridentifikasi dengan akurasi 100% dari semua data yang diujikan. Akurasi yang
15
terendah pada kontribusi 95% ini sama dengan pada kontribusi nilai eigen 85%
adalah Shorea materialis. Pada kontribusi 95% ini materialis menghasilkan
akurasi 0%. Shorea Materialis ini banyak teridentifikasi sebagai javanica
sebanyak 4 data uji yang salah teridentifikasi dan sebagian lagi teridentifikasi
sebagai pinanga dengan salah teridentifikasi sebanyak 3 data uji. Kemiripan
ukuran daun menjadi penyebab salah pengidentifikasian jenis Shorea tersebut.
Kontribusi nilai eigen 99% pada percobaan 1 ini, hasil akurasinya dapat
dilihat pada Tabel 8.
Tabel 8 Hasil akurasi komponen R dengan kontribusi nilai eigen 99%
Fold
1
2
3
4
5
Rata-rata
Akurasi nilai k (%)
1
3
5
7
50 50 40 40
65 55 55 55
45 45 50 55
45 55 65 65
50 65 65 60
51 54 55 55
Rata-rata akurasi maksimum dari percobaan 1 dengan kontribusi nilai eigen
99% ini menghasilkan akurasi sebesar 55% pada k = 5 dan k = 7. Grafik akurasi
untuk setiap jenis Shorea pada percobaan 1 dengan kontribusi nilai eigen 99% ini
dapat dilihat pada Gambar 10.
Gambar 10 Grafik tingkat akurasi setiap jenis Shorea
pada komponen R dan kontribusi nilai
eigen 99% dengan k = 7
Berdasarkan pada Gambar 10 tersebut, jenis Shorea platycados konsisten di
setiap kontribusi nilai eigen menghasilkan akurasi tertinggi sebesar 100%. Akurasi
terendah tetap dihasilkan oleh Shorea materialis yang tidak dapat teridentifikasi
dengan akurasi 0%. Ukuran daun yang cenderung mirip dengan Shorea javanica
menyebabkan Shorea materialis ini menghasilkan akurasi terendah. Untuk
mengetahui record yang salah diklasifikasikan dapat dilihat pada confusion
matrix yang dilampirkan pada Lampiran 3.
16
Shorea materialis tidak ada yang dapat teridentifikasi dari 10 data uji yang
diujicobakan. Hasilnya materialis cenderung mirip ke jenis Shorea javanica. Pada
Gambar 11 dapat dilihat kemiripan citra Shorea materialis dan javanica dari segi
ukuran dan struktur tulang daunnya.
(a)
(b)
Gambar 11 Kemiripan Shorea materialis (a) dan javanica (b)
Perbandingan Akurasi antara Kontribusi Nilai Eigen 85%, 95%, dan 99%
pada Citra Komponen R
Dapat dilihat pada percobaan 1 ini dengan komponen R, perbandingan
antara kontribusi nilai eigen 85%, 95%, dan 99% pada setiap kenaikan kontribusi
nilai eigennya mengalami penurunan akurasi. Akurasi terbaik dihasilkan oleh
kontribusi nilai eigen 85% sebesar 70%. Grafik perbandingan akurasi untuk setiap
kontribusi nilai eigen ini dapat dilihat pada Gambar 12.
Gambar 12 Grafik perbandingan akurasi setiap kontribusi
nilai eigen pada komponen R
Perbandingan grafik untuk setiap jenis Shorea pada semua kontribusi nilai
eigen dapat dilihat pada Gambar 13. Pada Gambar 13 tersebut dapat dilihat bahwa
pada jenis Shorea javanica, lepida, platycados untuk setiap kontribusi nilai eigen
menghasilkan akurasi yang sama, berarti kontribusi nilai eigen tidak terlalu
berpengaruh pada jenis Shorea tersebut. Jenis Shorea johorensis mengalami
penurunan di setiap kontribusi nilai eigen, dapat disimpulkan semakin besar
kontribusi yang digunakan akan semakin menurunkan akurasi johorensis yang
dihasilkan. Pada jenis Shorea materialis akurasi yang dihasilkan lebih rendah
dibanding dengan jenis Shorea lainnya pada setiap kontribusi nilai eigen.
17
Gambar 13 Grafik perbandingan akurasi jenis Shorea
untuk setiap kontribusi nilai eigen pada
komponen R
Percobaan 2 : Komponen G untuk Citra Model Warna RGB
Percobaan 2 ini menggunakan komponen G dari citra RGB untuk data citra
daun yang akan digunakan. Komponen G ini diujicobakan dengan kontribusi nilai
eigen sebesar 85%, 95%, dan 99%. Hasil akurasi pada percobaan 2 ini dengan
kontribusi nilai eigen 85 % dapat dilihat pada Tabel 9.
Tabel 9 Hasil akurasi komponen G dengan kontribusi nilai eigen 85%
Fold
1
2
3
4
5
Rata-rata
Akurasi nilai k (%)
1
3
5
7
75 80 75 75
75 75 80 80
70 75 70 70
65 80 80 75
55 65 65 65
68 75 74 73
Hasil dari percobaan 2 dengan kontribusi nilai eigen 85% menghasilkan
rata-rata akurasi maksimum sebesar 75% pada k = 3. Grafik akurasi untuk setiap
jenis Shorea pada percobaan 2 dengan kontribusi nilai eigen 85% ini dapat dilihat
pada Gambar 14.
Pada Gambar 14 tersebut dapat dianalisis bahwa Shorea platycados dan
seminis dapat teridentifikasi dengan akurasi tertinggi adalah 100%, sedangkan
marcoptera serta materialis teridentifikasi dengan akurasi terendah dengan nilai
akurasi sebesar 50%. Shorea marcoptera salah diklasifikasikan sebagai jenis
Shorea johorensis dengan 3 data uji yang salah diidentifikasikan. Pada jenis
Shorea materialis salah teridentifikasi sebanyak 2 data uji sebagai jenis Shorea
pinanga. Pada percobaan 2 ini mengalami peningkatan akurasi dibanding dengan
18
percobaan 1. Peningkatan ini dipengaruhi oleh penggunaan komponen G, karena
komponen G merupakan unsur warna hijau yang dapat mewakili ciri dari citra
daun pada penelitian ini. Untuk mengetahui record yang salah diklasifikasikan
dapat dilihat pada confusion matrix yang dilampirkan pada Lampiran 4.
Gambar 14 Grafik tingkat akurasi setiap jenis Shorea
pada komponen G dan kontribusi nilai
eigen 85% dengan k = 3
Hasil akurasi untuk kontribusi nilai eigen 95% pada komponen G ini dapat
dilihat pada Tabel 10.
Tabel 10 Hasil akurasi komponen G dengan kontribusi nilai eigen 95%
Fold
1
2
3
4
5
Rata-rata
Akurasi nilai k (%)
1
3
5
7
70 80 60 60
80 80 70 70
70 65 60 65
70 75 70 70
45 60 70 65
67 72 66 66
Hasil rata-rata akurasi maksimum pada komponen G dengan nilai kontribusi
eigen 95% sebesar 72% pada k = 3. Grafik akurasi untuk setiap jenis Shorea pada
percobaan 2 dengan kontribusi nilai eigen 95% ini dapat dilihat pada Gambar 15.
Hasil akurasi pada percobaan ini dengan komponen G dan kontribusi nilai eigen
95% menghasilkan jenis Shorea platycados dapat teridentifikasi dengan akurasi
tertinggi sebesar 100%. Shorea seminis juga dapat diklasifikasikan dengan baik
dengan akurasi 90%. Akurasi terendah sebesar 40% teridentifikasi pada jenis
Shorea marcoptera. Pada jenis marcoptera dengan 2 data uji yang salah
diidentifikasikan sebagai Shorea lepida dan leprosula. Untuk mengetahui record
yang salah diklasifikasikan dapat dilihat pada confusion matrix yang dilampirkan
pada Lampiran 5.
19
Gambar 15 Grafik tingkat akurasi setiap jenis Shorea
pada komponen G dan kontribusi nilai
eigen 95% dengan k = 3
Hasil akurasi yang didapatkan pada percobaan 2 untuk kontribusi nilai eigen
99% dapat dilihat pada Tabel 11.
Tabel 11 Hasil akurasi komponen G dengan kontribusi nilai eigen 99%
Fold
1
2
3
4
5
Rata-rata
Akurasi Nilai k (%)
1
3
5
7
55 55 50 60
65 60 65 60
65 65 65 60
55 60 65 65
55 70 70 65
59 62 63 62
Percobaan 2 dengan kontribusi nilai eigen 99% ini menghasilkan rata-rata
akurasi maksimum sebesar 63% pada k = 5. Grafik akurasi untuk setiap jenis
Shorea dengan kontribusi nilai eigen 99% ini dapat dilihat pada Gambar 16.
Gambar 16 Grafik tingkat akurasi setiap jenis Shorea
pada komponen G dan kontribusi nilai
eigen 95% dengan k = 5
20
Pada percobaan 2 dengan kontribusi nilai eigen 99% ini, jenis Shorea
platycados dapat teridentifikasi dengan akurasi tertinggi sebesar 100%. Akurasi
terendah pada jenis Shorea johorensis dan materialis dengan akurasi 10%, berarti
dapat diklasifikasikan dengan benar sebanyak 1 data uji dari 10 data yang diujikan.
Shorea johorensis salah diklasifikasikan sebagai leprosula dan pinanga sebanyak
3 data uji dan Shorea materialis salah teridentifikasi sebagai jenis Shorea javanica
dan leprosula sebanyak 3 data uji. Untuk mengetahui record yang salah
diklasifikasikan dapat dilihat pada confusion matrix yang dilampirkan pada
Lampiran 6.
Shorea johorensis tidak dapat teridentifikasi sebanyak 6 data uji dari 10 data
uji yang diujicobakan. Hasilnya johorensis cenderung mirip ke jenis Shorea
pinanga. Pada Gambar 17 dapat dilihat kemiripan citra Shorea johorensis dan
pinanga dari segi ukuran daun.
(a)
(b)
Gambar 17 Kemiripan Shorea johorensis (a) dan pinanga (b)
Perbandingan Akurasi antara Kontribusi Nilai Eigen 85%, 95%, dan 99%
pada Citra Komponen G
Perbandingan pada kontribusi nilai eigen ini menghasilkan akurasi tertinggi
sebesar 75% pada kontribusi nilai eigen 85%. Semakin bertambah kontribusi nilai
eigennya, akurasi yang diperoleh semakin menurun. Kontribusi nilai eigen 99%
cenderung menghasilkan akurasi yang lebih rendah dibanding dengan kontribusi
nilai eigen 85% dan 95%. Grafik perbandingan akurasi untuk setiap kontribusi
nilai eigen ini dapat dilihat pada Gambar 18.
Gambar 18 Grafik perbandingan akurasi setiap kontribusi
nilai eigen pada komponen G
21
Pada Gambar 19 dapat dilihat grafik hasil akurasi untuk setiap jenis Shorea
pada semua kontribusi nilai eigen. Pada komponen G ini yang memiliki akurasi
yang sama di setiap kontribusi nilai eigen adalah jenis Shorea lepida dan
platycados. Hal ini dapat dianalisis bahwa kontribusi nilai eigen tersebut tidak
terlalu mempengaruhi hasil akurasi pada komponen G ini. Untuk hasil akurasi
terendah pada komponen G ini ada 2 jenis Shorea yang termasuk ke dalamnya
adalah Shorea johorensis dan materialis. Kontribusi nilai eigen pada Shorea
johorensis dan materialis mempengaruhi perolehan akurasi, pada kontribusi 99%
hasil akurasi lebih rendah dibandingan dengan kontribusi lainnya.
Gambar 19 Grafik perbandingan akurasi jenis Shorea
untuk setiap kontribusi nilai eigen pada
komponen G
Percobaan 3 : Komponen B untuk Citra Model Warna RGB
Komponen B dari citra model warna RGB yang akan digunakan untuk
percobaan 3 ini. Percobaan ini sama seperti pada percobaan 1 dan 2, komponen B
ini dikombinasikan dengan 3 kontribusi nilai eigen adalah 85%, 95%, dan 99%.
Hasil akurasi yang didapatkan pada percobaan 3 ini dengan kontribusi nilai eigen
85% dapat dilihat pada Tabel 12.
Tabel 12 Hasil akurasi komponen B dengan kontribusi nilai eigen 85%
Fold
1
2
3
4
5
Rata-rata
Akurasi nilai k (%)
1
3
5
7
70 70 60 55
65 65 65 70
60 60 55 55
65 60 70 75
55 65 70 65
63 64 64 64
22
Hasil dari percobaan 3 menghasilkan rata-rata akurasi maksimum sebesar
64% pada k = 3, 5, dan 7. Tetapi yang akan dibahas adalah k yang terbesar adalah
pada k = 7. Grafik akurasi untuk setiap jenis Shorea pada percobaan 3 dengan
kontribusi nilai eigen 85% ini dapat dilihat pada Gambar 20.
Gambar 20 Grafik tingkat akurasi setiap jenis Shorea
pada komponen B dan kontribusi nilai
eigen 85% dengan k = 7
Pada komponen B ini akurasi yang dihasilkan menurun dibanding dengan
percobaan menggunakan komponen R dan G. Jenis Shorea platycados selalu
dapat teridentifikasi dengan benar sehingga menghasilkan akurasi 100%. Jenis
Shorea javanica dan lepida dapat terklasifikasikan dengan akurasi 90%. Akurasi
yang paling rendah adalah Shorea materialis, jenis ini tidak dapat teridentifikasi
sama sekali sehingga menghasilkan akurasi 0%. Shorea johorensis termasuk jenis
Shorea yang menghasilkan akurasi terendah kedua dengan akurasi 10%. Shorea
johorensis dan materialis tersebut salah diklasifikasikan ke jenis Shorea pinanga.
Pada Shorea johorensis ada sebanyak 7 data uji yang salah diklasifikasikan ke
dalam pinanga, sedangkan materialis sebanyak 3 data uji yang salah
teridentifkasikan. Untuk mengetahui record yang salah diklasifikasikan dapat
dilihat pada confusion matrix yang dilampirkan pada Lampiran 7.
Kontribusi nilai eigen 95% pada percobaan yang menggunakan komponen B
dari citra RGB ini menghasilkan akurasi yang dapat dilihat pada Tabel 13.
Tabel 13 Hasil akurasi komponen B dengan kontribusi nilai eigen 95%
Fold
1
2
3
4
5
Rata-rata
1
65
65
45
55
50
56
Akurasi nilai k (%)
3
5
70
60
60
65
45
45
50
65
65
70
58
61
7
60
70
55
65
75
65
23
Dari percobaan 3 ini yang menggunakan kontribusi nilai eigen 95% dan
komponen B menghasilkan rata-rata akurasi maksimum sebesar 65% pada nilai k
= 7. Grafik akurasi untuk setiap jenis Shorea pada percobaan 3 dengan kontribusi
nilai eigen 95% ini dapat dilihat pada Gambar 21.
Gambar 21 Grafik tingkat akurasi setiap jenis Shorea
pada komponen B dan kontribusi nilai
eigen 95% dengan k = 7
Hasil pada percobaan 3 ini dengan kontribusi nilai eigen 95%, Shorea
javanica dan platycados menghasilkan akurasi tertinggi dengan akurasi 100%.
Untuk jenis Shorea lepida dan pinanga teridentifikasi dengan akurasi 90%. Pada
jenis Shorea johorensis dan materialis hanya dapat diklasifikasikan sebesar 10%.
Hal ini dikarenakan jenis Shorea johorensis salah teridentifikasi sebagai pinanga
sebanyak 7 data uji, dan Shorea materialis teridentifikasi sebagai javanica
sebanyak 6 data uji yang salah diklasifikasikan. Kemiripan ukuran daun yang
sama menjadi penyebab kesalahan identifikasi. Untuk mengetahui record yang
salah diklasifikasikan dapat dilihat pada confusion matrix yang dilampirkan pada
Lampiran 8.
Pada kontribusi nilai eigen 99% pada komponen B ini menghasilkan akurasi
yang dapat dilihat pada Tabel 14.
Tabel 14 Hasil akurasi komponen B dengan kontribusi nilai eigen 99%
Fold
1
2
3
4
5
Rata-rata
Akurasi nilai k (%)
1
3
5
7
50 50 50 45
50 45 55 50
40 40 40 40
40 40 55 55
50 55 55 55
46 46 51 49
Hasil rata-rata akurasi maksimum pada percobaan ini dengan kontribusi
nilai eigen 99% adalah 51% pada k = 5. Grafik akurasi untuk setiap jenis Shorea
pada percobaan 3 dengan kontribusi nilai eigen 99% ini dapat dilihat pada Gambar
22.
24
Gambar 22 Grafik tingkat akurasi setiap jenis Shorea
pada komponen B dan kontribusi nilai
eigen 99% dengan k = 5
Pada Gambar 22 tersebut dapat dilihat dengan nilai k = 5 bahwa materialis
memiliki akurasi yang terendah adalah 0%. Shorea materialis teridentifikasi
sebagai javanica dengan salah diklasifikasikan sebanyak 5 data uji dan johorensis
teridentifikasi sebagai pinanga dengan akurasi 10%. Shorea lepida dan pinanga
menghasilkan akurasi mencapai 90%. Untuk akurasi tertinggi, jenis Shorea
javanica dan platycados dapat diklasifikasikan dengan benar hingga mencapai
100%. Untuk mengetahui record yang sa