Sistem Identifikasi Kayu Ramin Berbasis Citra Menggunakan Local Binary ------- Pattern dan Probabilistic Neural Network

SISTEM IDENTIFIKASI KAYU RAMIN BERBASIS CITRA
MENGGUNAKAN LOCAL BINARY PATTERN DAN
PROBABILISTIC NEURAL NETWORK

CANGGIH TRISYANTO

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012

i

SISTEM IDENTIFIKASI KAYU RAMIN BERBASIS CITRA
MENGGUNAKAN LOCAL BINARY PATTERN DAN
PROBABILISTIC NEURAL NETWORK

CANGGIH TRISYANTO

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
2012

i

ii

ABSTRACT

CANGGIH TRISYANTO. Development of Ramin wood identification using Local Binary Pattern
and Probabilistic Neural Network Supervised by YENI HERDIYENI.
The purpose of this research is to create dekstop application system in effective and efficient
way to identify the ramin wood and similar ramin wood based on imagery by using LBPV and PNN

methods. LBP variance (LBPV) is used to characterize the local contrast information into the onedimensional LBP histogram. This research uses the Probabilistic Neural Network (PNN) technique to
classify the LBPV. This research was carried out using 21 different types of similar ramin wood and
one species of ramin wood. For each type of wood, 20 image were collected. The results of this
research conclude that of the 3 operators used one operator was obtained that produce the highest
accuracy, which is LPBV (24,3) with 79,77% accuracy. The result of this research indicate that LBPV
(24,3) is more accurate to distinguish ramin wood texture and similar ramin wood. This research used
only a small-size database, so for further research is needed to use more feature extract methods and
types of ramin wood and similar ramin wood.

Keywords : Local Binary Patterns, Local Binary Patterns Varians, Probabilistic Neural Network,

ii

iii

Judul Skripsi
Nama
NIM

: Sistem Identifikasi Kayu Ramin Berbasis Citra Menggunakan Local Binary ------ Pattern dan Probabilistic Neural Network

: Canggih Trisyanto
: G64096016

Disetujui
Pembimbing

Dr. Yeni Herdiyeni, S.Si, M.Kom.
NIP 19750923 200012 2 001

Diketahui
Ketua Departemen Ilmu Komputer

Dr. Ir. Agus Buono, M.Si, M.Kom.
NIP 19660702 199302 1 001

Tanggal Lulus:

iii

iv

PRAKATA
Alhamdulilahirobbil’alamin penulis panjatkan doa kehadirat Allah Subhanallahu wa ta’ala
yang telah memberikan nikmat dan karunia-Nya kepada penulis dalam keadaan sehat walafiat,
sehingga penulis dapat menyelesaikan skripsi, yang merupakan salah satu syarat guna mencapai gelar
sarjana Strata Satu (S1) di Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan
Alam, Institut Pertanian Bogor.
Penulis menyadari bahwa penulisan ini tidak terlepas dari dukungan yang diberikan, baik moril
maupun materiel. Oleh karena itu perkenankan penulis menyampaikan rasa terimakasih yang tidak
mungkin dapat penulis balas sampai kapanpun kepada Ayahanda dan Ibunda tercinta yang tidak
pernah bosan memberikan nasehat, dorongan dan semangat selama penulisan skipsi ini.
Selain itu, pada kesempatan ini dengan tulus hati penulis ingin menyampaikan rasa terimakasih
atas dukungan, bimbingan, dan perhatiannya kepada :
1. Ibu Dr. Yeni Herdiyeni, S.Si., M.Kom. selaku dosen pembimbing yang telah memberikan
banyak bantuan, kemudahan, saran dan ilmu kepada penulis.
2. Bapak Toto Haryanto S.kom, M.Si., dan bapak Aziz Kustiyo S.Si, M.Kom. sebagai dosen
penguji dalam penelitian ini.
3. Bapak dan Ibu Ruli selaku pembimbing di Departemen Kehutanan Bogor yang telah
memberikan bahan penelitian dan materi dasar tentang objek penelitian ini.
4. Teman-teman satu bimbingan Desta Sandya Prasvita, Mayanda Mega, Ni Kadek, Oki Maulana,

Pauzi Ibrahim, Ryanti Octaviani, Siska Susanti, dan Tomy Kurniawan atas saran, masukan dan
nasihat yang diberikan kepada penulis.
5. Teman-teman di Departemen Ilmu Komputer Alih Jenis IPB angkatan 4 atas segala
kebersamaan, bantuan, dan motivasi yang telah diberikan kepada penulis.
6. Kepala Sekolah dan guru-guru SMK Informatika Pesat Bogor yang telah memberikan
pengertian, perhatian, dan bantuan kepada penulis.
7. Sahabat-sahabat terdekat penulis yang telah memberikan doa dan dukungan.
Penulis menyadari bahwa masih banyak kekurangan yang ditemukan dalam tugas akhir ini.
Penulis berharap adanya saran dan kritik yang membangun dari semua pihak yang membaca tulisan
ini. Semoga tulisan ini bermanfaat dan dapat menambah wawasan ilmu pengetahuan bagi penulis
khususnya dan pembaca umumnya.

.

Bogor, Oktober 2012

Canggih Trisyanto

iv

v

RIWAYAT HIDUP
Canggih Trisyanto, lahir di Padang 02 Februari 1987. Penulis merupakan anak ketiga dari tiga
bersaudara dari pasangan Bapak Mardijono dan Ibu Yusroh. Pendidikan dasar penulis selesaikan di
Adabiah Padang pada tahun 1999. Kemudian, penulis melanjutkan Pendidikan Sekolah Menengah
Tingkat Pertama di Adabiah Padang sampai tahun 2002, dan Sekolah Menengah Atas di SMA Suluh
Jakarta sampai 2005.
Pada tahun 2006 penulis lulus seleksi masuk Diploma IPB melalui jalur Undangan Seleksi
Masuk IPB. Pada tahun 200, penulis lulus dari program Diploma jurusan Teknik Komputer Institut
Pertanian Bogor. Pada tahun yang sama, penulis melanjutkan program studi Sarjana di Departemen
Ilmu Komputer Institut Pertanian Bogor.

v

DAFTAR ISI
Halaman
DAFTAR TABEL ............................................................................................................................ v
DAFTAR GAMBAR ........................................................................................................................ v
DAFTAR LAMPIRAN ..................................................................................................................... v

PENDAHULUAN ............................................................................................................................ 1
Latar Belakang ............................................................................................................................. 1
Tujuan Penelitian .......................................................................................................................... 1
Ruang Lingkup ............................................................................................................................. 1
TINJAUAN PUSTAKA ................................................................................................................... 1
Kayu Ramin.................................................................................................................................. 1
Ekstraksi Fitur .............................................................................................................................. 2
Tekstur .......................................................................................................................................... 2
Local Binary Patterns .................................................................................................................. 2
Local Binary Patterns Variance (LBPV) ...................................................................................... 3
K-Fold Cross Validation .............................................................................................................. 3
Probabilistic Neural Network ....................................................................................................... 3
METODE PENELITIAN ................................................................................................................. 4
Koleksi Data Citra Kayu .............................................................................................................. 4
Ekstraksi Fitur Tekstur Kayu ........................................................................................................ 4
Pembagian Data Latih dan Data Uji (K-fold cross validation) ..................................................... 4
Klasifikasi dengan Probabilistic Neural Network ........................................................................ 5
Pengujian dengan Sistem .............................................................................................................. 5
Lingkungan Pengembangan ......................................................................................................... 5
HASIL DAN PEMBAHASAN......................................................................................................... 5

Hasil Praproses ............................................................................................................................. 5
Identifikasi Citra ........................................................................................................................... 6
Antarmuka Sistem ........................................................................................................................ 8
KESIMPULAN DAN SARAN......................................................................................................... 9
Kesimpulan ................................................................................................................................... 9
Saran ............................................................................................................................................. 9
DAFTAR PUSTAKA ....................................................................................................................... 9
LAMPIRAN ................................................................................................................................... 10

iv

v

DAFTAR TABEL
Halaman
1 Pembagian data latih dan data uji. ................................................................................................. 5
2 Akurasi klasifikasi PNN dengan ekstraksi ciri LBPV ................................................................. ..7

DAFTAR GAMBAR
Halaman

1 Perhitungan LBP. ................................................................................................................................. 2
2 Beberapa ukuran circular neighborhood. ............................................................................................ 2
3 Tekstur uniform patterns. .................................................................................................................... 3
4 Struktur PNN. ...................................................................................................................................... 3
5 Metode penelitian. .............................................................................................................................. 4
6 Dino Lite .............................................................................................................................................. 4
7 Pembentukan histogram LBP ............................................................................................................. 4
8 Praproses data. ..................................................................................................................................... 5
9 Citra Kayu Agatis ................................................................................................................................ 6
10 Hasil ekstraksi ciri LBPV dengan operator (8,1) ............................................................................... 6
11 Hasil ekstraksi ciri LBPV dengan operator (16,2) ............................................................................ 6
12 Hasil ekstraksi ciri LBPV dengan operator (24,3) ............................................................................. 6
13 Grafik rata-rata akurasi perkelas dengan LBPV (24,3) ...................................................................... 7
14 Contoh citra latih dan data uji kelas 5 ............................................................................................... 7
15 Contoh citra latih dan uji kelas Ara. .................................................................................................. 8
16 Screenshoot antarmuka sistem ........................................................................................................... 8

DAFTAR LAMPIRAN
Halaman
1 Jenis kayu Ramin dan mirip Ramin. .................................................................................................. 11

2 Hasil akurasi 3 operator. .................................................................................................................... 17
3 Confusion matriks LBPV (24,3). ..................................................................................................... 18
4 Screenshoot aplikasi RADEN ............................................................................................................ 23

v

v

1

PENDAHULUAN
Latar Belakang
Kayu Ramin termasuk ke dalam Appendix
II CITES (Convention on International Trade
in Endangered Species of Wild Fauna and
Flora) yang mengakibatkan perdagangan
internasional kayu Ramin harus mengikuti
beberapa aturan antara lain, adalah ekspor
kayu Ramin harus dilengkapi dengan izin
ekspor (export permit) yang dikeluarkan

secara khusus oleh otoritas pengelolaan
CITES, untuk menentukan bahwa kayu yang
diekspor termasuk jenis Ramin atau bukan.
Ramin, sebagaimana tertera dalam export
permit tersebut, perlu di verifikasi. Verifikasi
dilaksanakan dengan melakukan pemeriksaan
kayu di lapangan termasuk di pelabuhan.
Pemeriksaan ini sangat penting untuk
menghindari terjadinya berbagai tindak
pemalsuan, penipuan, dan perdagangan
ilegal. Pihak yang memiliki otoritas untuk
melakukan pemeriksaan antara lain otoritas
pengelolaan yang ditunjuk oleh CITES
(Ditjen PHKA) dan otoritas di pelabuhan.
Berdasarkan pengamatan, kemampuan untuk
melakukan
identifikasi
(pemeriksaan)
terhadap kayu Ramin dan bukan Ramin
terutama oleh pos pemeriksaan hasil hutan
dan otoritas pelabuhan masih sangat lemah.
Untuk mengatasi kelemahan tersebut
diadakan pelatihan untuk mengidentifikasi
kayu Ramin dan mirip Ramin. Pelatihan ini
sangat membutuhkan waktu dan biaya
sehingga tidak efektif dan efisien.
Penelitian terkait mengenai identifikasi
kayu pernah dilakukan oleh Alfiani (2002)
dengan judul Sistem Pakar untuk Identifikasi
Kayu. Penelitian ini melakukan identifikasi
kayu dengan sistem pakar dengan
representasi rule base. Penelitian selanjutnya
dilakukan oleh Purba (2009) dengan judul
Rekayasa Sistem Neuro-Fuzzy untuk
Identifikasi Kayu Bangunan dan Furniture.
Penelitian ini membuat model sistem neurofuzzy yang dapat melakukan identifikasi jenis
kayu bangunan dan furniture berdasarkan ciri
anatomi kayu, susunan pori, ukuran pori,
frekuensi pori, frekuensi jari-jari, lebar jarijari, dan tinggi jari-jari. Dua penelitian ini
membutuhkan masukan beberapa parameter
sehingga waktu dan ketelitian sangat
diperlukan
untuk
mendapatkan
hasil
identifikasi yang benar.
Penelitian ini mencoba membuat sistem
identifikasi yang efektif dan efisien dalam

mengidentifikasi kayu Ramin dan mirip
Ramin menggunakan citra kayu. Penelitian
terkait yang pernah dilaksanakan untuk
mengidentifikasi sebuah citra dilakukan oleh
Kulsum (2010) yang melakukan identifikasi
citra tanaman hias dengan menggunakan fitur
tekstur dengan metode Local Binary Patterns
(LBP). Penelitian ini menggunakan citra kayu
Ramin dan mirip Ramin dengan fitur LBP
yang telah dilakukan oleh Kulsum (2010).
Penelitian ini menggunakan Probabilistic
Neural Network (PNN) sebagai metode
klasifikasi.
Tujuan Penelitian
Tujuan dari penelitian ini adalah membuat
sistem identifikasi kayu Ramin dan mirip
Ramin yang berbasis citra dengan
menggunakan metode LBPV untuk ekstraksi
ciri dan PNN untuk klasifikasi.
Ruang Lingkup
Data
diperoleh
dari
Departemen
Kehutanan Bogor melalui Badan Penelitian
dan Pengembangan Kehutanan. Data terdiri
atas 1 jenis Ramin dan 21 jenis kayu mirip
Ramin yaitu kayu Agatis, kayu Ara, kayu
Bipa, kayu Beleketebe, kayu Delimas, kayu
Gaharu, kayu Gmelina, kayu Gofasa Goba,
kayu Icap, kayu Jampang, kayu Jangkang,
kayu Jabon, kayu Karet, kayu Kemiri, kayu
Kirung, kayu Mempulut, kayu Mandorin,
kayu Mangir, kayu Mensira, kayu Pulai, dan
kayu Sendok-Sendok.

TINJAUAN PUSTAKA
Kayu Ramin
Ramin adalah nama dari sekelompok
jenis pohon yang tergolong dalam marga
Gonystylus, suku Thymeleaceae. Marga
Gonystylus terdiri atas 30 jenis atau lebih
yang tersebar di Asia Tenggara dengan ciriciri kayu berwarna putih, bertekstur halus,
dan berserat lurus. Kerapatan berkisar dari
460 kg/m3 sampai 840 kg/m3 dengan rata-rata
630 kg/m3. Kayu ini sangat disukai untuk
dibuat perabot rumah tangga seperti meja,
kursi, tempat tidur, meja belajar, dan bingkai
foto/lukisan. Kini, populasi kayu Ramin
sudah langka. Oleh karena itu, kayu ini
dilarang ditebang, kecuali di wilayah hutan
yang dikelola secara lestari. Berdasarkan
pemaparan di atas, perlu dicari jenis-jenis
pengganti bahan baku industri, agar populasi
kayu Ramin tetap dapat terjaga (Damayanti
R, et al 2008).

2

Ekstraksi Fitur
Ekstraksi fitur adalah proses untuk
mendapatkan fitur atau penciri dari suatu
citra. Secara umum, fitur citra berupa warna,
bentuk, dan tekstur. Acharya dan Ray (2005)
mendefinisikan
fitur
bentuk
sebagai
pendeskripsi suatu objek yang bebas terhadap
posisi, orientasi, dan ukuran. Fitur tekstur
didefinisikan sebagai pengulangan pola atau
pola-pola yang ada pada suatu daerah bagian
citra.
Tekstur
Tekstur adalah gambaran visual dari
sebuah permukaan atau bahan. Dalam
computer vision, tekstur dicirikan dengan
variasi intensitas pada sebuah citra. Variasi
intensitas dapat disebabkan oleh kekasaran
atau perbedaan warna pada suatu permukaan.
Tekstur juga merupakan properti dari area.
Properti-properti dari tekstur citra meliputi:
keseragaman,
kepadatan,
kekasaran,
keberaturan, linearitas, keberarahan, dan
frekuensi. Penampilan tekstur dipengaruhi
oleh skala dan arah pandangan serta
lingkungan dan kondisi pencahayaan
(Mäenpää 2003).
Local Binary Patterns
Local Binary Pattern (LBP) digunakan
untuk mencari pola-pola tekstur local pada
citra (Mäenpää 2003). LBP bekerja dengan
delapan
ketetanggaan
yang
tersebar
melingkar (circular neighborhoods) dengan
pusat pixel berada di tengah. Notasi
merupakan
nilai
gray
level
piksel
ketetanggaannya. Untuk mendapatkan nilai
LBP dilakukan thresholding pada pixel-pixel
tetangga yang berbentuk circular dengan
menggunakan
pixel
pusat,
kemudian
mengalikannya dengan pembobotan biner.
Perhitungan LBP dapat dilihat pada Gambar
1.
Thresholded

bobot

Gambar 1 Perhitungan LBP.
Nilai threshold
Pola LBP
Nilai LBP

=4
= 11001011
= 1+2+8+64+128 = 203

LBP dapat diformulasikan dengan rumus
sebagai berikut:
∑

dengan:

(

)

(1)

{

(2)

dan
adalah kordinat pusat piksel
ketetanggaan,
adalah circular sampling
poins, P adalah banyaknya sampling points,
adalah nilai keabuan dari ,
adalah
pixel pusat, dan adalah kode biner (sign).
Setelah mendapatkan nilai LBP pada
setiap neighborhood (blok (i,j)), keseluruhan
direpresentasikan
dengan
membentuk
histogram:
∑

∑

dengan:

(

)

[

]

{

(3)

(4)

Nilai K merupakan nilai LBP terbesar dan
MxN piksel sebagai ukuran citra.
Notasi (P,R) akan digunakan untuk piksel
ketetanggaan dengan P sebagai sampling
points dan R adalah radius. Dapat dilihat
pada Gambar 2 merupakan circular
neighborhood tiga operator.

(8,1)

(12,2.5)

(16,4)

Gambar 2 Beberapa ukuran circular
neighborhood.
Ojala et al. (2002) melakukan observasi
bahwa beberapa pola LBP tertentu memiliki
informasi penting dari suatu tekstur. Polapola yang memiliki informasi penting ini
disebut uniform patterns. LBP dikatakan
uniform jika discontinuities atau transisi bit
0/1 paling banyak adalah dua. Uniform
patterns berfungsi untuk mengidentifikasi
noda(spot), flat area atau dark spot, sudut,
dan tepi. Hampir 90 persen dari tekstur
merupakan uniform paterrns (Ojala et al.
2002)

3

salah satu subset dijadikan data uji dan k-1
subset lainnya dijadikan data latih (Fu 1994).
Spot

Spot/flat Line end

edge

Coner

Probabilistic Neural Network

Gambar 3 Tekstur uniform patterns.
Metode LBP sudah dikembangkan lebih
lanjut dengan menjadi LBPV (LBP Variance)
dan
yang menggabungkan 2 metode
VAR (Guo et al. 2010).
Local Binary Patterns Variance (LBPV)
Secara definisi VAR mendeskripsikan
informasi
kontras,
dan
mendeskripsikan informasi pola tekstur yang
tidak dipengaruhi perubahan gray scale dan
rotasi, sehingga kedua operator tersebut
bersifat komplemen. Variance berhubungan
dengan fitur tekstur. Biasanya, frekuensi
tekstur region yang tinggi akan mempunyai
variance yang lebih tinggi dan variancevariance tersebut lebih berkontribusi
terhadap perbedaan tekstur suatu citra (Guo
et al. 2010). Oleh karena itu, variance
dapat digunakan sebagai bobot yang
dapat beradaptasi untuk mengatur kontribusi
nilai LBP pada perhitungan histogram. Ojala
et al. (2002) melakukan joint distribution
pola LBP dengan kontras lokal sebagai
descriptor tekstur bernama LBPV. LBPV
dimaksudkan agar menjadi sebuah descriptor
tekstur yang bisa menginformasikan pola
tekstur dan kontras lokal. Histogram LBPV
dihitung menggunakan formula sebagai
berikut:
∑∑ (

)

[

]

(5)

dengan:
(

{

)

(6)

K-Fold Cross Validation
Cross validation merupakan metode
membagi data menjadi k subset yang
ukurannya hampir sama satu sama lain.
Himpunan subset yang dihasilkan yaitu S1,
S2,S3,…., Sk yang digunakan sebagai data
latih dan data uji. Dalam metode ini
dilakukan perulangan sebanyak k kali dimana

PNN merupakan Artificial Neural
Network (ANN) yang menggunakan teorema
probabilitas klasik. PNN diperkenalkan oleh
Donald Specht pada tahun 1990. PNN
menggunakan
pelatihan
(training)
supervised. PNN merupakan jaringan syaraf
tiruan yang menggunakan radial basis
function (RBF). RBF adalah fungsi yang
berbentuk seperti bel yang menskalakan
variabel nonlinear. Keuntungan utama
menggunakan arsitektur PNN adalah training
data PNN mudah dan cepat (Wu et al. 2007).

Gambar 4 Struktur PNN.
Struktur PNN terdiri atas empat lapisan,
yaitu lapisan masukan, lapisan pola, lapisan
penjumlahan,
dan
lapisan
keputusan/keluaran.
Struktur
PNN
ditunjukkan pada Gambar 4. Lapisan-lapisan
yang menyusun PNN adalah sebagai berikut:
1 Lapisan input (input layer)
Lapisan masukan merupakan input x yang
terdiri atas k nilai yang akan
diklasifikasikan pada salah satu kelas dari
n kelas.
2 Lapisan pola (pattern layer)
Pada lapisan pola dilakukan perhitungan
jarak antara input dengan vektor bobot
xi,
yaitu
,
simbol minus
menunjukkan
jarak
antara vektor. kemudian dibagi dengan
bias tertentu σ dan selanjutnya
dimasukkan ke dalam fungsi radial basis,
yaitu
. Dengan
demikian, persamaan yang digunakan
pada lapisan pola adalah sebagai berikut:

4

(

) (

)

(7)

dengan
menyatakan vektor bobot atau
vektor latih kelas ke-i urutan ke-j.
3 Lapisan penjumlahan (summation layer)
Pada lapisan penjumlahan setiap pola
pada masing-masing kelas dijumlahkan
sehingga
menghasilkan
probability
density function untuk setiap kelas.
Persamaan yang digunakan pada lapisan
ini adalah sebagai berikut :
∑

(

(

) (

Lite. Dino Lite dapat dilihat pada Gambar 6.
Alat ini akan menghasilkan citra mikrokopis
kayu. Total koleksi data citra kayu yang
digunakan adalah 440 citra yang terdiri atas
22 jenis kayu (masing-masing jenis kayu
terdiri atas 20 citra). Citra kayu berformat
JPG, dengan ukuran 640x480 pixel. Koleksi
data citra kayu dapat dilihat pada Lampiran 1.

)
)

(8)

4 Lapisan keluaran (output layer)
Pada lapisan keluaran input x akan
diklasifikasikan ke kelas I jika nilai
paling besar dibandingkan kelas
lainnya.

Gambar 6 Dino Lite
Ekstraksi Fitur Tekstur Kayu

METODE PENELITIAN
Penelitian ini dilakukan dalam beberapa
tahap. Tahap-tahap tersebut diselesaikan
dengan metode penelitian yang dapat dilihat
pada Gambar 5.

Proses ektraksi fitur pada penelitian ini
menggunakan ekstraksi tekstur
dengan menggunakan operator (8,1).
Sebelum masuk ke tahap ekstraksi, citra
diubah ke dalam mode warna grayscale. Citra
grayscale ini yang akan menjadi masukan
pada ekstraksi fitur Nilai-nilai
yang
dihasilkan
dari
proses
esktraksi
direpresentasikan melalui histogram yang
merupakan frekuensi nilai LBP pada sebuah
citra. Ilustrasi pembentukan histogram
ditunjukkan pada Gambar 7 berikut ini

Gambar 7 Pembentukan histogram LBP

Gambar 5 Metode penelitian.
Koleksi Data Citra Kayu
Koleksi data citra kayu diperoleh dari
pemotretan 22 jenis kayu yang terdapat di
Departemen Kehutanan Bogor, yaitu Badan
Penelitian dan Pengembangan Kehutanan.
Pemotretan citra kayu dilakukan dengan Dino

Histogram
memiliki P+2 bin
dimana P merupakan banyaknya sampling
points yang digunakan. Sehingga histogram
yang dihasilkan pada ekstraksi ciri tekstur
dengan operator (8,1) menghasilkan
10 bin.
Pembagian Data Latih dan Data Uji (Kfold cross validation)
Pembagian data latih dan data uji
dilakukan dengan menggunakan metode kfold cross validation dengan menggunakan k

5

= 5. Pada pembagian ini data dibagi menjadi
5 subset (S1, S2, S3, S4, S5) dengan masingmasing subset memiliki anggota yang sama.
Proses identifikasi akan dilakukan 5 kali
iterasi berdasarkan metode k-fold cross
validation. Data latih dan data uji memiliki
subset yang berbeda pada setiap iterasi. Pada
iterasi pertama, subset S1, S2, S3 dan S4 akan
digunakan sebagai data latih sedangkan
subset S5 akan digunakan sebagai data uji.
Selanjutnya, dari 5 itersi tersebut akan
diambil nilai rata-rata. Subset yang digunakan
untuk data latih dan data uji secara lengkap
disajikan pada Tabel 1.
Tabel 1 Pembagian data latih dan data uji.
Iterasi

Data latih

Data uji

Satu

S1, S2, S3, S4

S5

Dua
Tiga

S1, S2, S3, S5
S1, S2, S4,S5

S4
S3

Empat

S1, S3, S4,S5

S2

Lima

S2, S3, S4,S5

S1

Klasifikasi dengan Probabilistic Neural
Network
Pada tahap ini, model Probabilistic
Neural Network (PNN) digunakan sebagai
pengklasifikasinya. Sebelum melakukan
klasifikasi, terlebih dahulu dilakukan proses
ekstraksi pada setiap citra kayu.
Klasifikasi
dilakukan
dengan
menggunakan histogram LBP. Pembagian
data latih dan data uji menggunakan k-fold
cross validation. Setelah itu, dilakukan proses
training. Hasil dari training diperoleh suatu
model klasifikasi. Model klasifikasi yang
diperoleh
akan
digunakan
untuk
mengklasifikasi data query citra kayu yang
ingin diketahui jenis kayunya. Arsitektur
klasifikasi PNN pada penelitian ini
menggunakan
masukan
berupa
nilai
histogram dari metode ekstraksi yang
digunakan yaitu LBPV.
Pengujian Sistem
Pengujian data dilakukan oleh sistem,
yaitu dengan penilaian tingkat keberhasilan
klasifikasi terhadap citra query. Evaluasi dari
kinerja model klasifikasi didasarkan pada
banyaknya data uji yang diprediksi secara
benar dan tidak benar oleh model. Hal ini
dapat dihitung menggunakan akurasi yang
didefinisikan sebagai berikut:

∑

∑

Lingkungan Pengembangan
Sistem
ini
dikembangkan
dan
diimplementasikan dengan menggunakan
perangkat keras dan perangkat lunak sebagai
berikut :
1 Perangkat Keras:
 Intel Core2 Duo (1.87 GHz)
 Memori 2 GB,
 Harddisk kapasitas 250 GB.
2 Perangkat Lunak:
 Microsoft Windows 7
 Microsoft Visual Studio10
 Adobe Photoshop CS 3
HASIL DAN PEMBAHASAN
Hasil Praproses
Sebelum masuk ke dalam tahap ekstraksi
fitur, terlebih dahulu dilakukan praproses
data citra. Pada tahap awal praproses, data
yang berupa citra kayu akan diubah mode
warna aslinya yaitu dari RGB menjadi
grayscale. Hasil praproses data bertujuan
untuk mengurangi waktu pemrosesan data
(running time). Hasil praproses data citra
dapat dilihat pada Gambar 8.

Gambar 8 Praproses data.
Hasil Ekstraksi Tekstur dengan LBPVP,R
Proses ekstraksi ciri tekstur pada citra
kayu menggunakan metode Local Binary
Pattern Variance (LBPV) yang nantinya akan
menghasilkan suatu vektor ciri. Vektor ciri
inilah yang kemudian digunakan sebagai
masukan classifier. Ekstraksi fitur pada citra
kayu dilakukan pada pixel-pixel yang
menyusun kayu. Hal ini dilakukan karena
dalam pengambilan citra kayu tidak
menggunakan latar belakang atau gambar
tambahan.
Pada tahapan ini akan dilakukan
perbandingan terhadap hasil ekstraksi
dengan tiga operator.
Hasil
ekstraksi kayu Agatis dengan operator (8,1),
(16,2), (24,3) disajikan pada Gambar 9.

6

Gambar 9 Citra Kayu Agatis

Gambar 10 Hasil ekstraksi ciri LBPV dengan
operator (8,1)

Gambar 11 Hasil ekstraksi ciri LBPV dengan
operator (16,2)

Gambar 12 Hasil ekstraksi ciri LBPV dengan
operator (24,3)
Histogram
yang
dihasilkan
mendeskripsikan pola tekstur spasial dengan
kontras lokal tertentu pada suatu citra.
Operator (8,1) memiliki kuantisasi sudut 45
derajat dengan ukuran blok matriksnya
sebesar 3X3 pixel yang menghasilkan 10 bin.
Operator (16,2) memiliki kuantisasi sudut
22.5 derajat dengan ukuran blok matriksnya
sebesar 5X5 pixel yang menghasilkan 18 bin.
Operator (24,3) memiliki kuantisasi sudut 15
derajat dengan ukuran blok matriksnya
sebesar 7X7 pixel yang mengasilkan 26 bin.
Histogram yang ditunjukkan pada
Gambar 8 menunjukkan nilai uniform
patterns pada bin 0 sampai dengan P dan
nilai nonuniform patterns pada bin P + 1. Bin
nonuniform patterns memiliki frekuensi yang
lebih tinggi untuk semua operator karena
pola-pola LBP nonuniform ditempatkan pada
bin P + 1. Nonuniform patterns memiliki
informasi yang kurang informatif, sehingga
bukan merupakan karakteristik utama dari
tekstur lokal suatu citra.
Operator (8,1) mendeskripsikan pola
tekstur spasial dan lokal kontras yang lebih
baik dibandingkan dengan operator (16,2)
dan (24,3). Hal ini dapat dilihat pada
histogram (8,1) yang menunjukkan perbedaan
pola-pola tekstur yang terlihat nyata dan
dapat diamati dari frekuensi bin-bin uniform
pattern yang lebih tinggi dibandingkan
operator lainnya.
Identifikasi Citra
Identifikasi citra dilakukan dengan
klasifikasi yang menggunakan Probabilistic
Neural network (PNN). Hasil ekstraksi
440 citra yang terdiri atas 22 jenis
citra kayu.
menghasilkan vektorvektor histogram citra kayu. Vektor-vektor
tersebut menjadi masukan bagi klasifikasi
citra menggunakan PNN.

7

Untuk memilih operator LBPV yang akan
digunakan, dilakukan beberapa percobaan.
Dari tiga operator yang dicoba, satu operator
yang digunakan dalam sistem ini, merupakan
operator yang mengasilkan rata-rata akurasi
yang tinggi. Klasifikasi dilakukan dengan
membagi data latih dan data uji masingmasing 80% dan 20%. Pembagian tersebut
dilakukan dengan menggunakan metode kfold cross validation, dengan menggunakan k
= 5. Kombinasi tersebut dapat dilihat pada
Tabel 1. Untuk setiap jenis kayu, empat citra
menjadi data uji. Kelas target dari klasifikasi
berjumlah 22 kelas. Bias yang digunakan
untuk klasifikasi ini adalah 0.015. Hasil
identifikasi menghasilkan nilai akurasi dalam
satuan persen. Tabel 2 merupakan nilai
akurasi klasifikasi PNN dengan
.
Tabel 2. Akurasi klasifikasi PNN dengan
ekstraksi ciri LBPV
P=8
P=16
P=24
Deskriptor
R=1
R=2
R=3
76.82% 70.91% 79.77%
Nilai akurasi pada Tabel 2 merupakan
rata-rata dari 5 percobaan yang dilakuan
berdasarkan kombinasi data latih dan data uji
dengan 5-fold cross validation. Akurasi
tertinggi untuk
berada pada operator
(24,3) yaitu sebesar 79,77%, sedangkan
operator (8,1) menempati posisi akurasi
kedua dan operator (16,2) berada di posisi
ketiga. Operator yang memiliki nilai akurasi
yang tinggi akan dijadikan operator dalam
sistem ini. Operator (8,1) dan (16,2) hanya
digunakan sebagai perbandingan akurasi
dalam klasifikasi. Hasil dari 5 percobaan dari
3 operator dapat dilihat pada lampiran 2.
Pada percobaan tiga operator ini, operator
(24,3) mampu meningkatkan akurasi.
Terdapat 12 kelas yang mengalami
peningkatan akurasi yaitu kelas 3 (Bipa), 4
(Beleketebe), 6 (Gaharu), 8 (GafasaGoba), 15
(Kirung),16 (Mempulut), 17 (Mandorin), 18
(Mangir), 19 (Mensira), 20 (Pulai), 21
(Ramin), dan 22 (Sendok-sendok).

Gambar 13 Grafik rata-rata akurasi perkelas
dengan LBPV (24,3)
Gambar 13 menunjukkan akurasi rata-rata
yang dicapai dari hasil pengklasifikasian fitur
tekstur dengan
operator (24,3).
Berdasarkan gambar grafik di atas, terdapat 3
kelas kayu yang mencapai hasil akurasi
sebesar 100% dengan 5 kombinasi data latih
dan data uji yaitu kelas 2, 3, 22. Sedangkan 4
kelas yang mengasilkan akurasi 95% yaitu
kelas 1, 8, 18, 21. Terdapat dua kelas yang
teridentifikasi di bawah 50% yaitu kelas 5
(Delimas) dan 7 (Gmelina). Hal ini
disebabkan karena perbedaan antara data latih
dan data uji.

Data Latih

Data Uji

Gambar 14 Contoh citra latih dan data uji
kelas 5
Gambar 14 menunjukkan bahwa pada
kelas 5 (Delimas), citra data latih maupun
data uji memiliki pencahayaan yang berbeda
dan pola tekstur yang berbeda. Hal ini

8

disebabkan pada saat penyayatan yang tidak
benar dan kayu yang rusak. Penyayatan yang
tidak benar menyebabkan permukaan kayu
yang diteliti tidak rata, tekstur menjadi lebih
beragam dan sulit teridentifikasi pada kelas
yang benar.

Gambar 16 Screenshoot antarmuka sistem

Data Latih

1.

Menu Identification
Menu
ini
digunakan
untuk
mengidentifikasi kayu berupa citra.
Pengguna dapat mengidentifikasi jenis
kayu dari citra yang dimasukkan ke
dalam sistem. Citra kayu diambil dari
galeri, kemudian citra dimasukkan ke
dalam sistem. Pengguna dapat melihat
detail dari citra kayu hasil identifikasi
tersebut. Pada menu ini pengguna dapat
melakukan pengujian terhadap citra kayu
yang
ingin
diidentifikasi,mengenai
kebenaran
maupun
kesalahan
identifikasi. Tampilan menu ini dapat
dilihat pada Lampiran 4 (a).

2.

Menu Image Database Extraction
Menu
ini
digunakan
untuk
melakukan ekstraksi seluruh database
citra, dimana pada sistem ini terdapat 22
kelas kayu yang terdiri 440 citra. Pada
menu ini pengguna dapat melihat akurasi
hasil klasifikasi. Pengguna juga dapat
melihat berapa banyak data uji yang
tidak teridentifikasi sesuai dengan
kelasnya. Tampilan menu ini dapat
dilihat pada Lampiran 4 (b).

3.

Menu Setting
Pengguna dapat mengatur jumlah
data training yang diinginkan dalam
persen serta dapat mengatur nilai bias
untuk metode klasifikasi PNN. Tampilan
menu ini dapat dilihat pada Lampiran 4
(c).

4.

Menu Database
Menampilkan 22 citra kayu yang
berbeda sesuai dengan kelasnya masingmasing. Setiap citra akan diberikan
informasi berupa nama lokal, nama latin,
warna, kerapatan, pembuluh, parenkim,

Data Uji

Gambar 15 Contoh citra latih dan uji kelas
Ara.
Gambar 15 merupakan citra kelas kayu
Ara yang merupakan salah satu kelas dengan
akurasi 100%. Data citra kelas ini mewakili
kelas-kelas yang teridentifikasi dengan baik.
Dapat dilihat dari gambar di atas, citra kayu
yang tidak memiliki variasi tekstur atau
adanya
keseragaman
tekstur
dapat
teridentifikasi dengan baik dan sempurna.
Hasil identifikasi sebanyak 5 kali percobaan
untuk operator (24,3) dapat dilihat pada
confusion matriks pada Lampiran 3.
Antarmuka Sistem
Antarmuka sistem identifikasi kayu
Ramin dan mirip Ramin ini memiliki lima
menu utama yang dapat dilihat pada gambar
16 sebagai berikut

9

dan jari-jari. Pada menu ini, pengguna
dapat mencari kayu berdasarkan kategori.
Katagori yang digunaan adalah informasi
setiap jenis kayu. Tampilan menu ini
dapat dilihat pada Lampiran 4 (d).
Pada tampilan awal aplikasi ini akan
muncul menu database terlebih dahulu.
Menu ini muncul
dengan tujuan agar
pengguna dapat melihat jenis-jenis kayu yang
terdapat dalam sistem.
KESIMPULAN DAN SARAN
Kesimpulan
Penerapan Local Binary Pattern dan
teknik klasifikasi Probabilistic Neural
Network untuk identifikasi kayu Ramin dan
kayu
mirip
Ramin
telah
berhasil
diimplementasikan. Pada penelitian ini,
dengan
operator
(24,3)
menghasilkan nilai rata-rata akurasi yaitu
sebesar 79,77 %.
Hasil klasifikasi dipengaruhi oleh
kualitas citra kayu. Kelas yang selalu
terklasifikasi dengan benar adalah citra yang
meiliki keseragaman tekstur kayu pada setiap
kelasnya.
Saran
Penelitian ini hanya menggunakan satu
ekstraksi ciri yaitu LBPV (24,3). Diharapkan
ke depan dapat dikembangkan dengan
menambahkan
ektraksi
ciri
dalam
mengidentifikasi kayu.
Database citra pada penelitian ini relatif
sedikit
jumlahnya,
disarankan
untuk
penelitian selanjutnya menambah jenis kayu
Ramin dan jenis kayu mirip Ramin.
DAFTAR PUSTAKA

Acharya T, Ray AK. 2005.
Image
Processing Principles and Applications.
New Jersey: John Wiley & Sons.
Alfiani D. 2002. Sistem Pakar Untuk
Identifikasi Kayu [skripsi]. Jakarta:
Fakultas Ilmu Komputer, Universitas
Gunadarma.
Damayanti R, et al. 2008. Pedoman
Identifikasi Kayu Ramin dan Kayu Mirip
Ramin. Bogor: Dephut.
Fu LM. 1994. Fundamentals of Neural
Networks : Architectures, Algorithms,

and Applications. New Jersey: Prentice
Hall
Guo Zhenhua, Zhang Lei, Zhang David.
2010. A Completed Modeling of Local
Binary Pattern Operator for Texture
Classification. IEEE Transactions on
Image Processing. 19(6) 1657-1663.
Kulsum, LU. 2010. Identifikasi Tanaman
Hias Secara Otomatis Menggunakan
Metode Local Binary Patterns Desciptor
dan Probabilistic Neural Network
[skripsi]. Bogor: Fakultas Matematika dan
Ilmu
Pengetahuan
Alam,
Institut
Pertanian Bogor.
Mäenpää T. 2003. The Local Binary Pattern
Approach to Texture Analysis. Oulu :
Oulu University Press.
Ojala T., et al. 2002. Multiresolution GrayScale and Rotation Invariant Texture
Classification with Local Binary Pattern.
IEEE Transactions on PAMI. 24(7):
2037-2041.
Purba F. 2009, Rekayasa Sistem NeuroFuzzy untuk identifikasi Jenis kayu
bangunan dan Furniture. [skripsi] Jakarta:
Fakultas Teknik Informasi, Universitas
Kristen Krida Wacana.
Wu SG., et al. 2007. A Leaf Recognition
Algorithm for Plant Classification Using
Probabilistic Neural Network. China :
Chinese Academy S.

10

LAMPIRAN

11

Lampiran 1 Jenis kayu Ramin dan mirip Ramin.

No

1

Citra Kayu

Keterangan
Nama Local
Nama Latin
Warna

:
:
:

Kerapatan
Pembuluh
Jari-jari

:
:
:

Nama Local
Nama Latin
Warna
Kerapatan
Pembuluh

:
:
:
:
:

Jari-jari
Parenkim

:
:

Nama Local
Nama Latin
Warna
Kerapatan
Pembuluh

:
:
:
:
:

Jari-jari
Parenkim

:
:

Nama Local
Nama Latin
Warna
Kerapatan
Pembuluh

:
:
:
:
:

Jari-jari
Parenkim

:
:

2

3

4

Agatis
Agathis spp.
Kuning Pucat sampai
Kuning jerami
360 sampai 600 kg/m3
Tidak ada
Sangat sempit

Ara
Ficus spp.
Kuning Pucat
190 sampai 740 kg/m3
Soliter dan berganda radial,
agak kecil sampai agak
besar
Agak lebar
Apotrakea pita

Bipa
Pterygota spp.
Putih
460 sampai 980 kg/m3
Soliter dan berganda radial,
agak besar, sangat jarang
Agak lebar
Apotrakea pita

Beleketebe
Sloanea spp.
Krem
325 sampai 800 kg/m3
Soliter dan berganda radial,
agak kecil sampai agak
besar
Dua golongan besar
Tidak jelas tampak dengan
lup

12

Lampiran 1 lanjutan

No

5

6

Citra Kayu

Keterangan
Nama Local
Nama Latin

:
:

Warna

:

Kerapatan
Pembuluh
Jari-jari

:
:
:

Parenkim

:

Nama Local
Nama Latin
Warna
Kerapatan
Pembuluh

:
:
:
:
:

Jari-jari
Parenkim

:
:

Nama Local
Nama Latin
Warna
Kerapatan
Pembuluh

:
:
:
:
:

Jari-jari
Parenkim

:
:

Nama Local
Nama Latin
Warna
Kerapatan
Pembuluh

:
:
:
:
:

Jari-jari
Parenkim

:
:

7

8

Delimas
Acrocarpus fraxinifolius
spp.
Gubal Putih, ters coklat
merah
520 sampai 700 kg/m3
Agak besar, jarang
Agak sempit sampai agak
lebar
Paratrakea selubung, dan
cendrung aliform

Gaharu
Aquilaria spp.
Putih
270 sampai 440 kg/m3
Kecil,soliter dan berganda
radial 2 sampai 3 sel
Sempit
Tidak jelas tampak

Gmelina
Gmelina spp.
Putih sampai kuning pucat
480 sampai 580 kg/m3
Agak besar, sangat jarang,
sloiter dan berganda radial 2
sampai 4 sel
Agak sempit
Paratrakea selubung

Gofasa Goba
Vitex quinata spp.
Putih sampai kuning jerami
340 sampai 650 kg/m3
Umumnya soliter, lainnya
berganda radial 2 sampai 4,
agak kecil
Sempit sampai agak lebar
Paratrakea selubung,
terkadang ada pita margina

13

Lampiran 1 lanjutan

No

9

Citra Kayu

Keterangan
Nama Local
Nama Latin
Warna
Kerapatan
Pembuluh

:
:
:
:
:

Jari-jari

:

Parenkim

:

Nama Local
Nama Latin
Warna
Kerapatan
Pembuluh

:
:
:
:
:

Jari-jari
Parenkim

:
:

Nama Local
Nama Latin
Warna
Kerapatan
Pembuluh

:
:
:
:
:

Jari-jari
Parenkim

:
:

Nama Local
Nama Latin

:
:

Warna
Kerapatan
Pembuluh

:
:
:

Jari-jari

:

Parenkim

:

10

11

12

Icap
Parashorea lucida spp.
Putih
340 sampai 650 kg/m3
Agak besar, sloiter dan
beganda radial
Agak sempit sampai agak
lebar
Paratrakea selubung dan
cendrung aliform

Jampang
Melicope spp.
Putih
230 sampai 610 kg/m3
Agak kecil, agak banyak,
soliter dan berganda radial 2
sampai 3 sel
Sempit
Paratrakea aliform

Jangkang
Polythia spp.
Putih Kekuningan
555 sampai 900 kg/m3
Umumnya berganda radial 2
sampai 4 sel
Agak lebar
Apotrakea bentuk tangga

Jabon
Anthocephallus chinensis
spp.
Putih krem
290 sampai 4650 kg/m3
Agak kecil sampai agak
besar, umumnya berganda
radial 2 sampai 3 (4)
Sangat sempit sampai
sempit
Apotrakea kelompok baur

14

Lampiran 1 lanjutan

No

13

Citra Kayu

Keterangan
Nama Local
Nama Latin
Warna
Kerapatan
Pembuluh

:
:
:
:
:

Jari-jari

:

Parenkim

:

Nama Local
Nama Latin
Warna
Kerapatan
Pembuluh

:
:
:
:
:

Jari-jari

:

Parenkim

:

Nama Local
Nama Latin
Warna
Kerapatan
Pembuluh

:
:
:
:
:

Jari-jari
Parenkim

:
:

Nama Local
Nama Latin
Warna
Kerapatan
Pembuluh

:
:
:
:
:

Jari-jari
Parenkim

:
:

14

15

16

Karet
Hevea brasisiliensis spp.
Putih
550 sampai 700 kg/m3
Agak besar, jarang, soliter
dan berganda radial
Agak sempit sampai agak
lebar
Apotrakea bentuk pita

Kemiri
Aleurites moluccna spp.
Putih
230 sampai 440 kg/m3
Agak kecil, sampai agak
besar, sangat jarang
Sangat sempit sampai
sempit
Apotrakea kelompok baur

Kirung
Nyssa javanica spp.
Putih kekuningan
500 sampai 720 kg/m3
Agak kecil, soliter dan
berganda radial 2 sampai 4
sel
Sempit sampai agak sempit
Apotrakea kelompok baur

Mempulut
Chyzophyllum spp.
Putih Kekuningan
450 sampai 935 kg/m3
Hampir seluruhnya
berganda radial 2 sampai 11
Sempit sampai agak sempit
Apotrakea bentuk jala atau
tangga

15

Lampiran 1 lanjutan

No

17

Citra Kayu

Keterangan
Nama Local
Nama Latin
Warna
Kerapatan
Pembuluh

:
:
:
:
:

Jari-jari
Parenkim

:
:

Nama Local
Nama Latin
Warna
Kerapatan
Pembuluh

:
:
:
:
:

Jari-jari

:

Parenkim

:

Nama Local
Nama Latin
Warna
Kerapatan
Pembuluh

:
:
:
:
:

Jari-jari
Parenkim

:
:

Nama Local
Nama Latin
Warna
Kerapatan
Pembuluh

:
:
:
:
:

Jari-jari
Parenkim

:
:

18

19

20

Mandorin
Vavaea spp.
Krem
540 sampai 725 kg/m3
Agak kecil, soliter dan
berpasangan radial
Agak sempit
Apotrakea baur dan
paratrakea selubung walau
tak jelas tampak

Mangir
Ganophyllum falcatum spp.
Putih kekuning-kuningan
650 sampai 1000 kg/m3
Soliter dan berganda radial
2 sampai 3 sel, agak kecil,
agak banyak beberapa
dengan endapan putih
Sangat sempit sampai
sempit
Paratrakea selubung dan
cendrung aliform
Mensira
Ilex pleiobrachiata spp.
Kuning Pucat
490 sampai 680 kg/m3
Agak kecil, umumnya
begananda radial 2 sampai 3
sel
2 golongan lebar
Apotrakea kelompok

Pulai
Alstonia spp.
Putih, lunak
90 sampai 490 kg/m3
Umumnya berganda radial 2
sampai 6
Agak sempit
Apotrakea bentuk pita

16

Lampiran 1 lanjutan

No

21

22

Citra Kayu

Keterangan
Nama Local
Nama Latin
Warna

:
:
:

Kerapatan
Pembuluh

:
:

Jari-jari

:

Parenkim

:

Nama Local
Nama Latin
Warna
Kerapatan
Pembuluh

:
:
:
:
:

Jari-jari
Parenkim

:
:

Ramin
Gonystylus spp.
Putih sampai putih
kekuningan
460 sampai 840 kg/m3
Soliter dan berganda radial
2 sampai 3 sel, agak kecil,
jarang
Sangat sempit sampai
sempit
Paratrakea aliform
Sendok-sendok
Endospermum spp.
Putih kekuningan, lunak
300 sampai 650 kg/m3
Soliter dan berganda radial,
2 sampai 3, agak besar
Agak sempit
Apotrakea bentuk pita

17

Lampiran 2 Hasil akurasi 3 operator.

Operator (8,1)

Operator (16,2)

Operator (24,3)

Subset 1

94.32%

79.55%

86.36%

Subset 2

75%

75%

84.09%

Subset 3

72.73%

61.36%

76,14%

Subset 4

70.46%

70.46%

72.73%

Subset 5

71.59%

68.18%

79.55%

18

Lampiran 3 confusion matriks LBPV (24,3)
Kelas

Target

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

1
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

2
0
4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0

3
0
0
4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

4
0
0
0
4
0
0
1
0
0
1
0
0
1
0
0
0
0
0
0
0
0
0

5
0
0
0
0
3
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0

6
1
0
0
0
0
4
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0

7
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

8
0
0
0
0
0
0
0
4
0
0
0
0
0
0
0
0
0
0
0
0
0
0

9
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0

10
0
0
1
0
0
0
0
0
0
2
0
2
0
0
0
0
0
0
1
0
0
0

11
0
0
0
0
0
0
0
0
0
0
4
0
0
0
0
0
0
0
0
0
0
0

12
0
0
0
0
0
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0

13
0
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0

14
0
0
0
0
0
0
0
0
0
0
0
0
0
4
0
0
0
0
0
0
0
0

15
0
0
0
0
0
0
0
0
0
0
0
0
0
0
4
0
0
0
0
0
0
0

16
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
4
0
0
0
0
0
0

17
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
4
0
1
0
0
0

18
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
4
0
0
0
0

19
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
0
0
0

20
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
0
0

21
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
4
0

22
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
4

19

Lampiran 3 lanjutan
Kelas

Target

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

1
4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

2
0
4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0

3
0
0
4
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

4
0
0
0
3
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0

5
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

6
1
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

7
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0

8
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0

9
0
0
0
0
0
0
0
0
4
0
0
0
0
0
0
0
0
0
0
0
0
0

10
0
0
0
0
0
0
0
0
0
2
0
1
0
0
0
0
0
0
0
0
0
0

11
0
0
0
0
0
0
0
1
0
0
4
0
0
0
0
0
0
0
0
0
0
0

12
0
0
0
0
0
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0

13
0
0
0
1
0
0
0
0
0
0
0
0
4
0
0
0
0
0
1
0
0
0

14
0
0
0
0
0
0
0
0
0
0
0
0
0
4
0
0
0
0
0
0
0
0

15
0
0
0
0
0
1
0
0
0
0
0
0
0
0
4
0
0
0
0
0
0
0

16
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
4
0
0
0
0
0
0

17
0
0
0
0
1
0
0
0
0
1
0
0
0
0
0
0
4
0
0
0
0
0

18
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
4
0
0
0
0

19
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0

20
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
3
0
0

21
0
0
0
0
0
0
1
0
0
1
0
1
0
0
0
0
0
0
0
0
4
0

22
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
4

20

Lampiran 3 lanjutan
Kelas

Target

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

1
4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

2
0
4
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

3
0
0
4
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0

4
0
0
0
4
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0

5
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

6
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
2
0
0
0
0
0
0

7
0
0
0
0
0
0
2
0
0
1
1
0
0
0
0
0
0
0
0
0
0
0

8
0
0
0
0
0
0
0
4
0
0
0
0
0
0
0
0
0
0
0
0
0
0

9
0
0
0
0
1
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0

10
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
1
0
0
0
0
0

11
0
0
0
0
0
1
0
0
0
0
3
1
0
0
0
0
0
0
0
1
0
0

12
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

13
0
0
0
0
0
1
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0

14
0
0
0
0
0
0
0
0
0
0
0
0
0
4
0
0
0
0
0
0
0
0

15
0
0
0
0
0
0
0
0
0
0
0
0
0
0
4
0
0
0
1
0
0
0

16
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
0
0
0
0
0
0

17
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0

18
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
4
0
0
0
0

19
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0

20
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
3
0
0

21
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
4
0

22
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
4

21

Lampiran 3 lanjutan
Kelas

Target

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

1
4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

2
0
4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

3
0
0
4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

4
0
0
0
2
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0

5
0
0
0
0
1
0
0
0
1
0
0
0
0
0
0
0
0
0
0
1
0
0

6
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

7
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

8
0
0
0
0
0
0
2
4
0
0
3
0
0
0
0
0
0
0
0
0
0
0

9
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0
0
0

10
0
0
0
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0

11
0
0
0
0
0
0
1
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0

12
0
0
0
0
0
0
0
0
0
0
0
4
0
0
0
0
0
0
0
0
0
0

13
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0

14
0
0
0
0
3
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0

15
0
0
0
0
0
2
0
0
0
0
0
0
0
0
4
0
0
0
0
0
0
0

16
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
4
0
0
0
0
0
0

17
0
0
0
2
0
0
0
0
0
2
0
0
0
1
0
0
4
0
0
0
0
0

18
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
4
0
0
0
0

19
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
4
0
0
0

20
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
0
0

21
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
1
3
0

22
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
4

22

Lampiran 3 lanjutan
Kelas

Target

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

1
4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

2
0
4
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

3
0
0
4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

4
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

5
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

6
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

7
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

8
0
0
0
0
0
0
0
4
0
0
1
0
0
0
0
0
0
0
0
0
0
0

9
0
0
0
0
1
0
0
0
4
0
0
0
0
0
0
0
0
0
0
0
0
0

10
0
0
0
0
0
0
0
0
0
3
0
1
0
0
0
0
1
0
0
0
0
0

11
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0

12
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0

13
0
0
0
1
0
0
0
0
0
1
0
0
2
0
0
0
0
0
0
0
0
0

14
0
0
0
0
0
0
0
0
0
0
0
0
1
3
0
0
0
0
0
0
0
0

15
0
0
0
1
0
2
0
0
0
0
0
0
1
0
2
0
0
0
0
0
0
0

16
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
4
0
0
0
0
0
0

17
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0

18
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
4
0
0
0
0

19
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
4
0
0
0

20
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
4
0
0

21
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
4
0

22
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
4

23

Lampiran 4 Screenshoot aplikasi RADEN

(a) Menu Identification

(b) Menu Image Database Extraction

24

Lampiran 4 lanjutan

Menu Database Extraction 2

(c) Menu Setting

25

Lampiran 4 lanjutan

(d) Menu Database

(e) Hasil Identifikasi

26