Identifikasi tanaman jati menggunakan Probabilistic Neural Network dengan ekstraksi fitur ciri morfologi daun

IDENTIFIKASI TANAMAN JATI MENGGUNAKAN
PROBABILISTIC NEURAL NETWORK DENGAN
EKSTRAKSI FITUR CIRI MORFOLOGI DAUN

BANGUN ASANURJAYA

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

ABSTRACT
BANGUN ASANURJAYA. Identification of teak plant using Probabilistic Neural Network with
Features of Image Morphology. Supervised by SRI NURDIATI and AZIZ KUSTIYO.
Teak plant (Tectona grandis Linn. F) is one type of forest products that has considerable

potential to be developed in Indonesia. The large number of teak plant species causes difficulties in
identifying teak plant species identity. It takes knowledge of an expert in the field of teak plants to be
able to identify the species of teak. The leaves are a source of easy observation and is available as a
source of observations over time. This research proposed a new system to identify the teak plant
leaves using Probabilistic Neural Network (PNN) classification and the extraction of characteristic
features using Morphology. The system identifies 6 species of teak plant. The data are divided into
four subsets and used as training data and test data. The PNN is trained using 90 leaves of the 6
species of teak plant. The identification using PNN produced 77.5% average accuracy.
Keywords: teak plants, Morphology, Probabilistic Neural Network (PNN).

Judul Skripsi
Nama
NIM

: Identifikasi tanaman jati menggunakan Probabilistic Neural Network dengan
ekstraksi fitur ciri morfologi daun
: Bangun Asanurjaya
: G64096014

Disetujui :

Pembimbing I

Pembimbing II

Dr Ir Sri Nurdiati MSc
NIP 19601126 198601 2 001

Aziz Kustiyo SSi MKom
NIP 19700719 199802 1 001

Diketahui :
Ketua Departemen

Dr Ir Agus Buono MSi MKom
NIP 19660702 199302 1 001

Tanggal Lulus :

PRAKATA
Puji dan syukur penulis panjatkan ke hadirat Allah subhanahu wa ta’ala, yang telah

memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan karya ilmiah ini. Terima
kasih penulis ucapkan kepada Ibu Dr Ir Sri Nurdiati MSc selaku pembimbing pertama dan Bapak Aziz
Kustiyo SSi MKom selaku pembimbing kedua yang telah memberikan nasihat dan saran. Adapun
penulis mengucapkan terima kasih kepada:
 Kedua orang tua tercinta Ayahanda Dedi Djaya Boediman dan Ibunda Nuryati, Ene Anih, Bi Lia,
Ririn Isnaini, Andi, dan Ami yang telah memberikan dukungan, perhatian, dan do’a sehingga
penulis dapat menyelesaikan studi di Departemen Ilmu Komputer IPB.
 Bapak Toto Haryanto SKom MSi dan Bapak Mushthofa SKom MSc selaku dosen penguji, dan
seluruh dosen dan staf Departemen Ilmu Komputer FMIPA IPB.
 Pihak Laboratorium Kultur Jaringan SEAMEO BIOTROP atas sample daun tanaman jati, serta
Bapak Syamsul Ahmad Yani SSi dan Rina Siti Khodijah SSi yang telah membantu dan
memberikan saran.
 Bapak Aminulloh SKom MSi selaku Kepala Sub Bidang Sistem dan Jaringan Elektronik di Badan
Pembinaan Hukum Nasional yang telah memberikan pengertian dan nasihat.
 Teman-teman satu bimbingan atas kerjasamanya.
 Teman-teman ekstensi ILKOM angkatan 4 terutama kepada Desta, Syahrul Fathi dan penghuni
kosan White House, atas kerjasamanya selama penelitian.
 Seluruh pihak yang membantu dalam penyelesaian penelitian ini baik secara langsung ataupun
tidak.
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, Desember 2012

Bangun Asanurjaya

RIWAYAT HIDUP
Penulis lahir di Bogor tanggal 10 November 1988 sebagai anak pertama dari tiga bersaudara
dari pasangan Bapak Dedi Djaya Boediman dan Ibu Nuryati. Pada tahun 2006, penulis lulus dari SMA
Negeri 4 Bogor. Pada tahun yang sama penulis lulus seleksi masuk Institut Pertanian Bogor (IPB)
melalui jalur Undangan Seleksi Masuk IPB. Pada tahun 2009, penulis lulus dari program Diploma
Teknik Komputer Institut Pertanian Bogor dan pada tahun yang sama penulis melanjutkan program
studi Sarjana di Departemen Ilmu Komputer IPB, dengan memilih Program Studi Ilmu Komputer.

DAFTAR ISI
Halaman
DAFTAR TABEL ................................................................................................................................. vi
DAFTAR GAMBAR ............................................................................................................................. vi

DAFTAR LAMPIRAN .......................................................................................................................... vi
PENDAHULUAN .................................................................................................................................. 1
Latar Belakang .................................................................................................................................. 1
Tujuan ............................................................................................................................................... 1
Ruang Lingkup .................................................................................................................................. 1
Manfaat Penelitian ............................................................................................................................ 1
TINJAUAN PUSTAKA ......................................................................................................................... 1
Tanaman Jati ..................................................................................................................................... 1
Jaringan Saraf Tiruan (JST) .............................................................................................................. 1
K-Fold Cross Validation ................................................................................................................... 2
Morfologi Daun ................................................................................................................................. 2
Probabilistic Neural Network ........................................................................................................... 3
METODE PENELITIAN ....................................................................................................................... 3
Citra Daun ......................................................................................................................................... 3
Praproses Data................................................................................................................................... 4
Ekstraksi ciri Morfologi .................................................................................................................... 4
Pembagian Data Latih dan Data Uji (K-fold cross validation) ......................................................... 5
Klasifikasi dengan Probabilistic Neural Network (PNN) ................................................................. 6
Pengujian ........................................................................................................................................... 6
Evaluasi ............................................................................................................................................. 6

HASIL DAN PEMBAHASAN............................................................................................................... 6
Ekstrasi Ciri Morfologi ..................................................................................................................... 6
Data ................................................................................................................................................... 6
Percobaan I : Menggunakan 6 Parameter (Area, Perimeter, Diameter, Smooth Factor, Form
Factor, Perimeter Ratio of Diameter) ............................................................................................... 7
Percobaan II : Menggunakan 7 Parameter (Area, Perimeter, Diameter, Smooth Factor, Form
Factor, Perimeter Ratio of Diameter, Rasio Panjang dan Lebar Daun)............................................ 9
Perbandingan Percobaan 1 dan Percobaan 2 ................................................................................... 11
KESIMPULAN DAN SARAN............................................................................................................. 11
Kesimpulan ..................................................................................................................................... 11
Saran ............................................................................................................................................... 11
DAFTAR PUSTAKA ........................................................................................................................... 11
LAMPIRAN ......................................................................................................................................... 12

v

DAFTAR TABEL
Halaman
1
2

3
4
5
6

Kombinasi data latih dan data uji ...................................................................................................... 6
Kombinasi input pada model PNN ................................................................................................... 6
Rata-rata akurasi percobaan I ............................................................................................................ 7
Confusion Matrix hasil terbaik pada percobaan I.............................................................................. 9
Rata-rata akurasi percobaan II .......................................................................................................... 9
Confusion matrix hasil terbaik pada percobaan II........................................................................... 11

DAFTAR GAMBAR
Halaman
1 Contoh masukan untuk ekstraksi fitur morfologi. ............................................................................. 2
2 Aspect Ratio....................................................................................................................................... 2
3 Probabilistic Neural Network (PNN). ............................................................................................... 3
4 Metode penelitian. ............................................................................................................................. 3
5 Contoh citra daun jati setiap species.................................................................................................. 4
6 Ilustrasi alur praproses citra. .............................................................................................................. 4

7 Contoh ilustrasi ekstraksi fitur ciri morfologi area daun. ................................................................. 4
8 Contoh ilustrasi ekstraksi fitur ciri morfologi perimeter daun. ......................................................... 5
9 Contoh ilustrasi ekstraksi fitur ciri morfologi diameter daun. .......................................................... 5
10 Contoh ilustrasi ekstraksi fitur ciri morfologi smooth factor ........................................................... 5
11 Contoh ilustrasi fitur morfologi rasio panjang dan lebar daun. ........................................................ 5
12 Contoh hasil ekstrasi fitur ciri morfologi. ......................................................................................... 6
13 Grafik akurasi percobaan I. ............................................................................................................... 7
14 Grafik tingkat akurasi hasil terbaik setiap jenis jati pada percobaan I. ............................................. 7
15 Jati Prima yang tidak tepat teridentifikasi. ........................................................................................ 7
16 Contoh sampel data uji jati Jobika yang tidak tepat teridentifikasi. .................................................. 7
17 Contoh sampel data uji jati Biotrop yang tidak tepat teridentifikasi. ................................................ 8
18 Contoh sampel data uji jati Muna yang tidak tepat teridentifikasi. ................................................... 8
19 Contoh sampel data uji jati Emas yang tidak tepat teridentifikasi. ................................................... 8
20 Contoh sampel data uji jati Super yang tidak tepat teridentifikasi. ................................................... 8
21 Grafik akurasi percobaan II. ............................................................................................................. 9
22 Grafik tingkat akurasi hasil terbaik setiap jenis jati pada percobaan II. ............................................ 9
23 Jati Emas yang tidak tepat teridentifikasi. ........................................................................................ 9
24 Contoh sampel data uji jati Jobika yang tidak tepat teridentifikasi. ................................................ 10
25 Contoh sampel data uji jati Biotrop yang tidak tepat teridentifikasi. .............................................. 10
26 Contoh sampel data uji jati Muna yang tidak tepat teridentifikasi. ................................................. 10

27 Contoh sampel data uji jati Prima yang tidak tepat teridentifikasi. ................................................. 10
28 Contoh sampel data uji jati Super yang tidak tepat teridentifikasi. ................................................. 10
29 Grafik perbandingan tingkat akurasi dari setiap percobaan. ........................................................... 11

DAFTAR LAMPIRAN
Halaman
1
2
3

Boxplot dari masing-masing parameter ciri morfologi ................................................................... 14
Confusion matrix percobaan 1 ........................................................................................................ 17
Confusion matrix percobaan 2 ........................................................................................................ 21

vi

1

PENDAHULUAN
Latar Belakang

Indonesia sebagai salah satu negara yang
beriklim tropis mempunyai potensi yang cukup
besar untuk mengembangkan produk-produk
kehutanan. Salah satu jenis produk kehutanan yang
dapat dikembangkan adalah tanaman jati yang
mempunyai nama latin Tectona grandis Linn. F.
Tanaman jati sampai sekarang masih menjadi
komoditas mewah yang banyak diminati
masyarakat walaupun harga jualnya mahal. Jati
yang merupakan tanaman tropika dan subtropika
telah yang dikenal sebagai pohon yang memiliki
kayu kualitas tinggi dan bernilai jual tinggi.
Ratusan species tanaman jati tersebar di
seluruh Indonesia, baik jati unggul maupun jati
biasa. Banyaknya spesies tanaman jati yang ada
menyebabkan kesulitan dalam mengenal jenis
tanaman jati yang satu dengan yang lainnya.
Untuk mengetahui setiap jenis tanaman jati yang
ada dibutuhkan pengalaman dan pengetahuan yang
cukup lama. Maka dari itu, perlu dikembangkan

suatu sistem identifikasi tanaman jati.
Identifikasi tumbuhan biasanya menggunakan
batang, daun, buah dan bunga. Penentuan
identifikasi jenis jati ini lebih diutamakan pada
identifikasi daun jati dikarenakan daun cenderung
mudah untuk menjadi sumber pengamatan
khususnya berupa citra dan cenderung tersedia
sebagai sumber pengamatan sepanjang waktu.
Penelitian sebelumnya dengan objek yang
berbeda, Purnamasari (2012) dengan objek
tanaman Shorea menggunakan arsitektur PNN
menghasilkan akurasi sebesar 84%. Penelitian ini
menggunakan ekstraksi fitur berdasarkan ciri
morfologi daun pada citra tanaman jati, serta
menggunakan Probabilistic Neural Network
(PNN) sebagai teknik klasifikasi pada identifikasi
citra tanaman jati dengan melakukan pelatihan dan
pengujian data.
Tujuan
Tujuan penelitian ini adalah untuk menerapkan
algoritme Probabilistic Neural Network (PNN)
dan mengimplementasikan teknik ekstraksi fitur
ciri morfologi daun dalam mengidentifikasi
tanaman jati, serta mengetahui tingkat akurasi dari
proses identifikasi tersebut.
Ruang Lingkup
1

Ruang lingkup penelitian ini meliputi:
Jenis tanaman jati yang digunakan adalah
tanaman jati Biotrop, jati Emas, jati Jobika, jati
Muna, jati Prima, dan jati Super.

2
3
4

Data citra tanaman jati diambil pada umur 3- 4
bulan.
Teknik identifikasi menggunakan Probabilistic
Neural Network (PNN).
Menggunakan ekstraksi fitur berdasarkan ciri
morfologi daun.

Manfaat Penelitian
Manfaat penelitian ini adalah membantu
melakukan identifikasi jenis tanaman jati.

TINJAUAN PUSTAKA
Tanaman Jati
Jati
merupakan
pohon
besar
yang
menggugurkan daun saat kekurangan air, tetapi
jika cukup air meskipun musim kemarau tidak
menggugurkan daunnya (Erlinawati 2006). Tahap
pertumbuhan jati ditunjukkan oleh akar primer
yang berwarna kuning muda, akar sekunder
tumbuh realtif sedikit dan tumbuh tunas berwarna
hijau. Setelah menghasilkan daun 6 sampai 9 helai,
tunas akan tumbuh memanjang 1.5 sampai 3.5 cm.
Tanaman jati dapat mencapai ketinggian 30
sampai 45 m (Sumarna 2003).
Tectona grandis Linn. F. merupakan pohon
dengan tinggi batang sampai 50 m. Penampang
melintang batang berbentuk silindris, berlekuk
dangkal, dan berlekuk dalam. Tekstur permukaan
kulit batang rata, retak dangkal, pecah bersisik,
beralur, dan bercabang. Daun terbentuk elips
melebar, jorong, atau bulat telur terbalik. Kayu jati
merupakan jenis kayu yang tahan terhadap jamur,
rayap, dan Cryptotermes cynocephalus (Sumarna
2003).
Jaringan Saraf Tiruan (JST)
Jaringan Saraf Tiruan (JST) adalah prosesor
yang terdistribusi paralel, terbuat dari unit-unit
yang sederhana, dan memiliki kemampuan untuk
menyimpan pengetahuan yang diperoleh secara
eksperimental dan siap pakai untuk berbagai
tujuan. JST meniru otak manusia dari sudut
pengetahuan yang diperoleh dari network dari
lingkungan melalui suatu proses pembelajaran dan
kekuatan koneksi antarunit yang disebut synaptic
weights. Synaptic weights ini berfungsi untuk
menyimpan pengetahuan yang telah diperoleh oleh
jaringan tersebut.
JST dikembangkan sebagai model matematika
yang merupakan penyederhanaan untuk sistem
saraf biologis manusia berdasarkan asumsi bahwa
pengolahan informasi terjadi di berbagai elemen
yang dinamakan neuron, sinyal dilewatkan di
antara neuron melalui connection link masing-

2

masing connection link memiliki weight (bobot)
yang akan mengalikan sinyal yang lewat, dan
masing-masing neuron memiliki fungsi aktivasi
yang akan menentukan nilai sinyal output (Fauset
1994).

2

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,…,Sk yang digunakan
sebagai data latih dan data uji. Dalam metode ini
dilakukan perulangan sebanyak k kali dimana
salah satu subset dijadikan data uji dan k-1 subset
lainnya dijadikan data latih (Fu 1994).

semakin mendekati 1. Sebaliknya semakin
kasar permukaan daunnya nilainya semakin
mendekati 0.
Aspect ratio adalah rasio antara physiological
length (Lp) dan physiological width (Wp).
Persamaannya dapat dilihat pada Persamaan
1.
�
(1)
Ciri ini untuk memperkirakan bentuk helai
daun. Jika benilai kurang dari 1, bentuk helai
daun tersebut melebar. Jika benilai lebih dari
1 maka bentuk helai daun tersebut
memanjang. Ilustrasinya dapat dilihat pada
Gambar 2.

Morfologi Daun
Wu et al. (2007) telah mendeskripsikan
ekstraksi ciri morfologi daun. Ciri tersebut
dibedakan menjadi dua, yaitu ciri dasar dan ciri
turunan. Masukan untuk ekstraksi ciri morfologi
daun adalah citra biner dengan threshold tertentu.
Nilai threshold merupakan suatu nilai yang
memisahkan piksel yang merupakan objek dan
piksel yang merupakan latar belakang citra.
Ilustrasi citra masukan untuk ekstraksi morfologi
dapat dilihat di Gambar 1.

P

Pl
l

Gambar 2 Aspect Ratio.
3

Gambar 1 Contoh masukan untuk ekstraksi
fitur morfologi.
Ciri dasar daun di antaranya diameter, panjang
fisik, lebar fisik, area, dan perimeter daun.
Diameter merupakan titik terjauh di antara dua
titik dari batas daun. Panjang fisik merupakan
jarak dua titik pangkal daun. Lebar fisik dihitung
berdasarkan panjang garis terpanjang yang
memotong garis panjang fisik secara ortogonal.
Area dihitung berdasarkan jumlah piksel yang
berada di dalam tepi daun, sedangkan perimeter
merupakan jumlah piksel yang berada pada tepi
daun (Wu dalam Annisa).
Dari lima ciri dasar tersebut, didapatkan tujuh
ciri morfologi turunan. Nilai ciri turunan dapat
dihitung dari rasio di antara ciri dasar daun. Ciri
turunan dari morfologi daun di antaranya smooth
factor, aspect ratio, form factor, rectangularity,
narrow factor, rasio perimeter dan diameter, rasio
perimeter dengan panjang dan lebar daun.
Ciri turunan daun ada tujuh yaitu:
1 Smooth factor. Ciri untuk mengukur
kehalusan suatu permukaan daun. Semakin
halus suatu permukaan daun, maka nilainya

Pw

Pw

Form
factor
digunakan
untuk
mendeskripsikan bentuk dari daun dan
mengetahui seberapa bundar bentuk helai
daun tersebut. Nilai form factor dapat dilihat
pada Persamaan 2.
�

(2)

Keterangan :
A : Luas daun (area)
P : Keliling daun (perimeter)
4

5

6

Rectangularity mendeskripsikan seberapa
perseginya permukaan daun. Rumusnya
diberikan pada Persamaan 3.
�

(3)

Narrow factor adalah rasio antara diameter
(D) dan physiological length. Ciri ini untuk
menentukan apakah bentuk helai daun
tersebut tergolong simetri atau asimetri. Jika
helai daun tersebut tergolong simetri, narrow
factor bernilai 1. Jika asimetri, narrow factor
bernilai lebih dari 1. Nilainya dapat dicari
menggunakan Persamaan 4.
�

(4)

Perimeter ratio of diameter. Ciri ini untuk
mengukur seberapa lonjong daun tersebut.

3

Persamaannya dapat dilihat pada Persamaan
5.
(5)
7

Perimeter ratio of physiological length and
physiological width. Rumusnya diberikan
pada Persamaan 6.
(�

�

Probabilistic Neural Network

(6)

)

PNN merupakan Artificial Neural Network
(ANN) yang menggunakan teorema probabilitas
klasik.PNN diperkenalkan oleh Specht (1990).
PNN
menggunakan
pelatihan
(training)
supervised. Keuntungan utama menggunakan
arsitektur PNN adalah Training data PNN mudah
dan cepat (Wu et al. 2007).

Gambar 3 Probabilistic Neural Network (PNN).

Struktur PNN terdiri atas empat lapisan, yaitu
lapisan
masukan,
lapisan
pola,
lapisan
penjumlahan, dan lapisan keputusan/keluaran.
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)
Lapisan pola merupakan data latih itu sendiri.
Persamaan yang digunakan pada lapisan pola
adalah:
(

(

) (

)

Citra Daun

Praproses
Data

Ektrasi Ciri
Morfologi

K-Fold cross
validation

Data Uji

)

3 Lapisan penjumlahan (summation layer)
Menerima masukan dari node lapisan pola
yang terkait dari kelas yang ada. Persamaan
yang digunakan pada lapisan ini adalah:
∑

(

) (

Data Latih

(7)

)

Klasifikasi PNN

Pengujian
PNN

(8)

4 Lapisan keluaran (output layer)
Pada lapisan keluaran input x akan
diklasifikasikan ke kelas I jika nilai
paling besar dibandingkan kelas lainnya.
Secara umum struktur PNN ditunjukkan pada
Gambar 3.

METODE PENELITIAN
Penelitian ini memunyai beberapa tahapan
dalam pengidentifikasian daun tanaman jati.
Tahapan proses tersebut disajikan pada Gambar 4.

Evaluasi

Gambar 4 Metode penelitian.
Citra Daun
Citra daun yang digunakan pada penelitian
adalah daun jati dengan 6 species. Satu species
diwakili dengan 20 citra sehingga total citra ada
sebanyak 120 citra. Citra yang digunakan
berukuran 1200x2300 pixel yang diakuisisi
menggunakan kamera digital yang mempunyai
resolusi 12 Megapixel dan jarak antara kamera dan
daun ± 20cm. Citra yang digunakan pada

4

penelitian ini adalah citra daun tanaman jati yang
sampelnya diambil dari Laboratorium Kultur
Jaringan SEAMEO BIOTROP Bogor.
Sesuai arahan Bapak Samsul Ahmad Yani SSi
sebagai pakar tanaman jati, pengambilan daun
tanaman jati dilakukan dengan cara memilahmilah daun tanaman jati yang kualitas daunnya
terlihat baik dalam hal bentuk daun utuh dan
struktur daun jelas. Contoh citra daun tanaman jati
untuk setiap species direpresentasikan pada
Gambar 5.

Jati Biotrop

Jati Emas

Jati Muna

Jati Prima

Jati Jobika

Ekstraksi ciri Morfologi
Ciri morfologi terdiri atas dua ciri, yaitu ciri
dasar dan turunan. Masukan untuk ekstraksi fitur
ciri morfologi berupa citra biner. Tahap awal
ekstraksi adalah mendapatkan ciri-ciri morfologi
dasar dari citra helai daun. Ciri dasar yang
digunakan pada penelitian ini adalah diameter,
area, dan perimeter/keliling daun. Tiga ciri dasar
tersebut
dapat
dikombinasikan
sehingga
didapatkan empat ciri turunan, yaitu smooth
factor, form factor, rasio perimeter dan diameter,
rasio panjang, dan lebar daun. Informasi ciri ini
direpresentasikan sebagai sebuah vektor dengan
tujuh elemen. Tujuh elemen tersebut ialah:
 Area
Area daun dihitung berdasarkan jumlah piksel
bernilai 1 yang berada di dalam tepi daun.
Ilustrasi proses ekstraksi fitur ciri morfologi
area daun direpresentasikan seperti yang
terlihat pada Gambar 7.

Jati Super

Gambar 5 Contoh citra daun jati setiap species.

Citra
grayscale

Citra biner
morfologi
area

Matriks citra

Gambar 7 Contoh ilustrasi ekstraksi fitur ciri
morfologi area daun.

Citra RGB

Citra hasil akuisisi
latar belakang

Citra
grayscale

Gambar 6 Ilustrasi alur praproses citra.
Praproses Data
Sebelum masuk ke dalam tahap ekstraksi fitur
ciri morfologi, citra dipraproses terlebih dahulu.
Praproses citra dilakukan dengan cara merubah
latar belakang RGB menjadi latar belakang putih
dengan menggunakan aplikasi pendukung Adobe
Photoshop CS3. Tahap praproses citra berikutnya
ialah mengubah citra RGB menjadi citra
grayscale. Ilustrasi alur praproses citra dapat
dilihat di Gambar 6.

 Perimeter
Perimeter daun dihitung berdasarkan jumlah
piksel bernilai 1 yang berada pada tepi daun.
Proses untuk menghasilkan tepi-tepi dari citra
daun, menggunakan metode deteksi tepi (edge
detection) Sobel. Ilustrasi proses ekstraksi fitur
ciri
morfologi
perimeter
daun
direpresentasikan seperti yang terlihat pada
Gambar 8.
 Diameter
Diameter merupakan titik terjauh di antara dua
titik dari batas daun. Proses untuk
menghasilkan diameter dari citra daun
menggunakan rumus Phytagoras. Ilustrasi
proses ekstraksi fitur ciri morfologi diameter
daun direpresentasikan seperti yang terlihat
pada Gambar 9.

5

Citra
grayscale

Citra biner
morfologi
perimeter

Citra biner morfologi area
Matriks citra

Gambar 8 Contoh ilustrasi ekstraksi fitur ciri
morfologi perimeter daun.

Citra
grayscale

Citra biner
morfologi
perimeter

Masukan fitur ciri
morfologi diameter

Gambar 9 Contoh ilustrasi ekstraksi fitur ciri
morfologi diameter daun.
 Smooth Factor
Smooth factor adalah rasio antara area citra
helai daun yang dihaluskan dan 5 x 5
rectangular averaging filter dan area citra helai
daun
yang
dihaluskan
dengan
2 x 2 rectangular averaging filter. Ciri ini
digunakan untuk mengukur keteraturan tepi
daun. Semakin teratur tepi daun, nilainya
semakin mendekati 1. Sebaliknya, semakin
tidak teratur tepi daun, nilainya semakin
mendekati 0. Ilustrasi proses ekstraksi fitur ciri
morfologi smooth factor direpresentasikan
seperti yang terlihat pada Gambar 10.
 Form factor
Form factor dihitung berdasarkan Persamaan
2, dimana hasil dari ektraksi fitur ciri
morfologi area dan perimeter digunakan pada
persamaan tersebut.
 Rasio perimeter dan diameter
Rasio perimeter dan diameter dihitung
berdasarkan Persamaan 5, dimana hasil dari
ektraksi fitur ciri morfologi perimeter dan
diameter digunakan pada persamaan tersebut.
 Rasio panjang dan lebar daun
Rasio panjang dan lebar daun adalah rasio
antara panjang daun dan lebar daun. Ilustrasi
proses ekstraksi fitur ciri morfologi diameter
daun direpresentasikan seperti yang terlihat
pada Gambar 11.

Gambar 10 Contoh ilustrasi ekstraksi fitur ciri
morfologi smooth factor

��

��
Citra biner
morfologi
perimeter

Masukan fitur ciri
morfologi rasio panjang
dan lebar daun

Gambar 11 Contoh ilustrasi fitur morfologi
rasio panjang dan lebar daun.
Karakteristik data
dari
masing-masing
parameter fitur ciri morfologi dapat dilihat pada
Lampiran 1.
Pembagian Data Latih dan Data Uji (K-fold
cross validation)
Pembagian data latih dan data uji dilakukan
dengan menggunakan metode k-fold cross
validation dengan menggunakan k = 4. Pada
kombinasi ini, data dibagi menjadi 4 subset (S1, S2,
S3, S4) dengan masing-masing subset memiliki
anggota yang sama.
Pada kombinasi ini, proses identifikasi akan
dilakukan 4 kali iterasi berdasarkan metode k-fold
cross validation. Data latih dan data uji memiliki

6

subset yang berbeda pada setiap iterasi. Pada
iterasi pertama, subset S1, S2, dan S3 akan
digunakan sebagai data latih sedangkan subset S4
akan digunakan sebagai data uji.Subset yang
digunakan untuk data latih dan data uji secara
lengkap disajikan pada Tabel 1.
Tabel 1 Kombinasi data latih dan data uji
Iterasi

Data latih

Data uji

Satu

S1, S2, S3

S4

Dua
Tiga
Empat

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

S3
S2
S1

menggunakan tingkat akurasi dari data citra yang
diuji dan diamati. Persamaan akurasi didefinisikan
sebagai berikut :
ku asi

Lapisan output memiliki 6 target kelas sesuai
dengan jumlah jenis daun. Untuk lapisan pola
hanya akan digunakan satu model PNN yaitu
dengan nilai bias (σ) tertentu.
Tabel 2 Kombinasi input pada model PNN
Percobaan

Kombinasi Input

I

Hasil ektraksi fitur 6 ciri
Morfologi, yaitu:
- Area
- Perimeter
- Diameter
- Smooth factor
- Form factor
- Perimeter ratio of diameter.

II

Hasil ektraksi fitur 7 ciri
Morfologi, yaitu:
- Area
- Perimeter
- Diameter
- Smooth factor
- Form factor
- Perimeter ratio of diameter
- Rasio panjang dan lebar daun.

na diklasi ikasi
1
data uji

Evaluasi
Evaluasi dilakukan dengan melakukan
pengelompokan data yang telah dilakukan
pengujian berdasarkan species dan ekstraksi fitur
yang digunakan. Evaluasi dibuat dalam bentuk
grafik agar dapat mudah dilihat dan dianalisis
seberapa besar akurasi pada identifikasi daun
tanaman Jati.

HASIL DAN PEMBAHASAN

Klasifikasi dengan Probabilistic Neural Network
(PNN)
Arsitektur PNN memiliki bagian lapisan
masukan, pola, dan keluaran. Pada penelitian ini
masukan berupa masing-masing hasil ekstraksi ciri
morfologi citra daun. Dalam penelitian ini akan
dicobakan dua jenis kombinasi input. Kedua
kombinasi input dapat dilihat pada Tabel 2.

data uji

Ekstrasi Fitur Ciri Morfologi
Banyaknya ciri morfologi yang diekstraksi
adalah tujuh ciri. Tujuh nilai ciri morfologi yang
digunakan adalah area, diameter, perimeter,
smooth factor, form factor, parameter ratio of
diameter, dan rasio panjang dan lebar daun.
Contoh nilai-nilai ciri dasar dan turunan daun
direpresentasikan seperti yang terlihat pada
Gambar 12.
Data yang digunakan terdiri dari 6 species
tanaman jati yang masing-masing jenis jati
memiliki 20 sampel sehingga total data sebanyak
120 data. Enam jenis tanaman jati yang akan
diidentifikasi, yaitu jati Biotrop, jati Emas, jati
Jobika, jati Muna, jati Prima, dan jati Super.
Data
Pembagian data pada penelitian ini dilakukan
dengan menggunakan metode 4-fold cross
validation. Dari banyaknya data yang diperoleh
sebanyak 120 record, dibagi menjadi 4 subset
sehingga dihasilkan data latih sebanyak 15 dan
data uji sebanyak 5 untuk setiap kelas pada setiap
iterasi.

Pengujian
Pengujian data dilakukan oleh sistem yaitu
dengan melihat hasil penelitian terhadap citra
kueri atau citra uji berdasarkan k-fold cross
validation. Hasil penelitian ini diukur dengan

Gambar 12 Contoh hasil ekstrasi fitur ciri
morfologi.

7

Percobaan I: Menggunakan 6 parameter (area,
perimeter, diameter, smooth factor, form factor,
perimeter ratio of diameter)

yang diidentifikasi sebagai jati Biotrop dapat
dilihat pada Gambar 15.

Pada percobaan ini dilakukan 4 kali iterasi
berdasarkan subset pada k-fold cross validation
dengan 5 buah nilai bias (σ). Kelima nilai σ
tersebut adalah 0.05, 0.1, 0.15, 0.2, 0.25. Hasil
akurasi untuk masing-masing nilai bias (smoothing
parameter) dapat dilihat pada Gambar 13.

Gambar 14 Grafik tingkat akurasi hasil terbaik
setiap jenis jati pada percobaan I.

Gambar 13 Grafik akurasi percobaan I.
Berdasarkan grafik di atas, rata-rata akurasi
tertinggi yang diperoleh pada percobaan pertama
adalah 77.5% dengan nilai bias 0.05. dan nilai
rata-rata akurasi terendah yaitu 67.5% pada nilai
bias 0.25. Nilai akurasi pada setiap iterasi dapat
dilihat pada Tabel 3.

Teridentifikasi
sebagai jati Biotrop

Teridentifikasi
sebagai jati Biotrop

Gambar 15 Jati Prima yang tidak tepat
teridentifikasi.

Tingkat akurasi terbaik yang dihasilkan untuk
setiap jenis jati pada percobaan I dengan nilai bias
(σ) 0.05 dapat dilihat pada Gambar 14.

Tabel 3 Rata-rata akurasi percobaan I
Iterasi

0.05

1
2
3
4

77
73
83
77

0.1
73
70
80
80

0.15
73
67
83
77

0.2
67
67
80
73

0.25
60
67
80
63

Rata-rata

77,5

75,75

75

71,75

67,5

Gambar 14 menunjukkan jati Prima adalah jati
yang dapat teridentifikasi paling baik pada
percoban I dengan akurasi sebesar 90% dengan
terdapat 2 sampel data uji jati Prima yang
teridentifikasi sebagai jati Biotrop. Kesalahan
tersebut dapat terjadi karena sampel data uji jati
Prima memiliki kesamaan nilai fitur morfologi
area dengan sampel data latih jati Biotrop.
Karakteristik data dari masing-masing parameter
fitur ciri morfologi dapat dilihat pada Lampiran 1.
Tampilan visual dari sampel data uji jati Prima

Teridentifikasi
sebagai jati
Muna

Teridentifikasi
sebagai jati
Biotrop

Teridentifikasi
sebagai jati
Emas

Gambar 16 Contoh sampel data uji jati Jobika
yang tidak tepat teridentifikasi.
Jati Jobika merupakan jati yang paling sedikit
teridentifikasi dengan baik, itu terbukti dengan
hanya 13 sampel data uji jati Jobika yang tepat
diidentifikasikan sehingga menghasilkan akurasi
sebesar 65%. Beberapa sampel data uji jati Jobika
teridentifikasi sebagai jati Biotrop dan jati Muna,
hal ini disebabkan karena kemiripan nilai fitur
morfologi di antara ketiga jenis jati tersebut.
Terdapat pula 1 sampel data uji jati Jobika yang
teridentifikasi sebagai jati Emas. Kesalahan
tersebut dapat terjadi karena pada sampel data uji
jati Jobika tersebut memiliki kesamaan nilai fitur

8

morfologi area dengan sampel data latih jati Emas.
Tampilan visual dari sebagian sampel data uji jati
Jobika yang tidak teridentifikasi dengan tepat
dapat dilihat pada Gambar 16.
Jati Biotrop menghasilkan akurasi sebesar
70%, dengan 6 sampel data uji jati Biotrop yang
teridentifikasi sebagai jati Jobika, jati Prima, dan
jati Emas. Tampilan visual dari sebagian sampel
data uji jati Biotrop yang tidak teridentifikasi
dengan tepat dapat dilihat pada Gambar 17.

Teridentifikasi sebagai jati Prima

Gambar 19 Contoh sampel data uji jati Emas
yang tidak tepat teridentifikasi.

Teridentifikasi
sebagai jati
Jobika

Teridentifikasi
sebagai jati
Prima

Teridentifikasi
sebagai jati
Emas

Gambar 17 Contoh sampel data uji jati Biotrop
yang tidak tepat teridentifikasi.
Pada Percobaan ini, terdapat 4 sampel data uji
jati Muna yang salah diidentifikasi menjadi jati
Jobika dan jati Super sehingga menghasilkan
akurasi sebesar 80%. Kesalahan tersebut
disebabkan karena terdapat beberapa kemiripan
nilai fitur ciri morfologi dari ketiga jenis jati
tersebut. Nilai fitur ciri morfologi yang dimaksud
ialah nila fitur ciri area, perimeter, dan diameter.
Tampilan visual dari sampel data uji jati Muna
yang tidak teridentifikasi dengan tepat dapat
dilihat pada Gambar 18.

Teridentifikasi sebagai
jati Jobika

Hasil akurasi jati Super pada percobaan ini
adalah sebesar 75%, dengan 5 sampel data uji jati
Super teridentifikasi sebagai jati Emas, jati Muna,
dan jati Jobika. Kesalahan itu terjadi, karena jati
Super memiliki kemiripan nilai ciri morfologi
dengan jati Jobika dan jati Muna. Terdapat pula 1
sampel data uji jati Super yang teridentifikasi
sebagai jati Emas, kesalahan tersebut dapat terjadi
karena pada sampel data uji jati Super tersebut
memiliki kesamaan nilai fitur morfologi area
dengan sampel data latih jati Emas. Tampilan
visual dari sampel data uji jati Super yang tidak
teridentifikasi dengan tepat dapat dilihat pada
Gambar 20.
Secara keseluruhan, tingkat akurasi untuk jati
Prima adalah 90%, untuk jati Jobika adalah 65%,
untuk jati Biotrop adalah 70%, untuk jati Emas
adalah 85%, untuk jati Muna adalah 80%, dan
untuk jati Super adalah 75%. Akurasi terendah ada
pada jati Jobika yang terjadi karena terdapat
kemiripan nilai fitur ciri morfologi seperti fitur
area, perimeter dan diameter dengan jati Biotrop,
jati Muna, dan jati Super. Untuk mengetahui
record yang salah diklasifikasikan pada percobaan
I, dapat dilihat pada Tabel 4. Confusion matrix
untuk setiap iterasi pada percobaan I, dapat dilihat
pada Lampiran 2.

Teridentifikasi
sebagai jati Super

Gambar 18 Contoh sampel data uji jati Muna
yang tidak tepat teridentifikasi.
Pada jati Emas menghasilkan akurasi sebesar
85%, dengan 3 sampel data uji jati Emas
teridentifikasi sebagai jati Prima. Kesalahan itu
terjadi karena jati Emas memiliki kemiripan nilai
ciri morfologi dengan jati Prima. Tampilan visual
dari sampel data uji jati Emas yang tidak
teridentifikasi dengan tepat dapat dilihat pada
Gambar 19.

Teridentifikasi
sebagai jati
Jobika

Teridentifikasi
sebagai jati
Muna

Teridentifikasi
sebagai jati
Emas

Gambar 20 Contoh sampel data uji jati Super
yang tidak tepat teridentifikasi.

9

Tabel 4 Confusion Matrix hasil terbaik pada
percobaan I
Biotrop

Emas

Jobika

Biotrop

14

1

3

3

1

Muna

Super

Muna

17

Emas

Prima

Iterasi

0.05

0.1

0.15

0.2

0.25

1

73

73

77

73

73

2

2

73

70

67

63

73

3

3

83

83

83

80

80

4

73

77

77

73

63

Rata-rata

75,5

75,75

76

72,25

72,25

Kelas Prediksi

Kelas
Asli

Jobika

Tabel 5 Rata-rata akurasi percobaan II

13

3

2

16

2

Prima

Super

2
18

1

1

3

15

Tingkat akurasi terbaik yang dihasilkan untuk
setiap jenis jati pada percobaan II dengan nilai bias
(σ) 0.15 dapat dilihat pada Gambar 22.

Percobaan II : Menggunakan 7 Parameter
(Area, Perimeter, Diameter, Smooth Factor,
Form Factor, Perimeter Ratio of Diameter, Rasio
Panjang dan Lebar Daun)
Percobaan ini sama seperti percobaan I, hanya
saja menggunakan 7 parameter sebagai inputan
ciri morfologi yaitu area, perimeter, diameter,
smooth factor, form factor, perimeter rasio of
diameter , rasio panjang dan lebar daun. Fitur rasio
panjang dan lebar daun ditambahkan pada
percobaan ini dengan maksud menaikkan akurasi
dari percobaan I. Sama halnya pada percobaan I,
citra tanaman jati yang telah diakuisisi, dilakukan
tahapan praproses dan dilakukan ekstraksi fitur ciri
morfologi. Percobaan ini masih menggunakan 90
sampel data latih dan 30 sampel data uji yang akan
dilakukan 4 kali iterasi berdasarkan subset pada kfold cross validation dengan nilai bias (σ) yang
sama seperti percobaan I. Hasil akurasi untuk
masing-masing nilai bias (smoothing parameter)
dapat di lihat pada Gambar 21.

Gambar 22 Grafik tingkat akurasi hasil terbaik
setiap jenis jati pada percobaan II.
Pada percobaan I, jati Prima menghasilkan
akurasi yang paling baik di antara jenis jati
lainnya, tapi pada percobaan II ini jenis jati yang
memiliki akurasi tertinggi ialah jati Emas. Gambar
22 menunjukan jati Emas adalah jati yang dapat
teridentifikasi paling baik pada percoban I dengan
akurasi sebesar 85%, dengan terdapat 3 sampel
data uji jati Emas yang teridentifikasi sebagai jati
Prima sama seperti pada percobaan I. Kesalahan
tersebut dapat terjadi karena sampel data uji jati
Emas memiliki kemiripan nilai fitur morfologi
dengan sampel data latih jati Prima. Tampilan
visual dari sampel data uji jati Emas yang
diidentifikasi sebagai jati Prima dapat dilihat pada
Gambar 23.

Gambar 21 Grafik akurasi percobaan II.
Berdasarkan grafik di atas, rata-rata akurasi
tertinggi yang diperoleh pada percobaan II adalah
76% dengan nilai bias 0.15. dan nilai rata-rata
akurasi terendah yaitu 72.25% pada nilai bias 0.2
dan 0.25. Pada percobaan ini nilai akurasi tertinggi
menurun jika dibandingkan dengan percobaan I.
Nilai akurasi pada setiap iterasi percobaan II dapat
dilihat pada Tabel 5.

Teridentifikasi sebagai jati Prima

Gambar 23 Jati Emas yang tidak tepat
teridentifikasi.

10

data uji jati Biotrop salah diidentifikasi menjadi
jati Jobika, jati Prima, dan jati Emas. Tampilan
visual dari sebagian sampel data uji jati Jobika dan
jati Biotrop yang tidak teridentifikasi dengan tepat
dapat dilihat masing-masing pada Gambar 24 dan
Gambar 25.

Teridentifikasi
sebagai jati
Muna

Teridentifikasi
sebagai jati
Biotrop

Teridentifikasi
sebagai jati
Emas

Gambar 24 Contoh sampel data uji jati Jobika
yang tidak tepat teridentifikasi.

Teridentifikasi
sebagai jati
Jobika

Teridentifikasi
sebagai jati
Prima

Teridentifikasi
sebagai jati
Emas

Gambar 25 Contoh sampel data uji jati Biotrop
yang tidak tepat teridentifikasi.

Teridentifikasi sebagai
jati Jobika

Pada percobaan II, jati Muna dan jati Prima
mengalami penurunan akurasi dari percobaan I
masing-masing menjadi 75% dan 80%. Terdapat 5
sampel data uji jati Muna yang salah diidentifikasi
menjadi jati Jobika dan jati Super. Sama halnya
seperti pada percobaan I, kesalahan tersebut
disebabkan karena terdapat beberapa kemiripan
nilai fitur ciri morfologi dari ketiga jenis jati
tersebut. Nilai fitur ciri morfologi yang dimaksud
ialah nilai fitur ciri area, perimeter, dan diameter.
Pada jati Prima terdapat 4 sampel data uji jati
Prima yang diidentifikasi sebagai jati Emas dan
jati Biotrop. Kesalahan itu terjadi karena jati Prima
memiliki kemiripan nilai ciri morfologi dengan jati
Emas. Tampilan visual dari sebagian sampel data
uji jati Muna dan jati Prima yang tidak
teridentifikasi dengan tepat dapat dilihat masingmasing pada Gambar 26 dan Gambar 27.
Hasil akurasi jati Super pada percobaan ini
sama seperti percobaan I yaitu sebesar 75%,
dengan 5 sampel data uji jati Super teridentifikasi
sebagai jati Emas, jati Muna, dan jati Jobika.
Tampilan visual dari sampel data uji jati Super
yang tidak teridentifikasi dengan tepat dapat
dilihat pada Gambar 28.

Teridentifikasi sebagai
jati Super

Gambar 26 Contoh sampel data uji jati Muna
yang tidak tepat teridentifikasi.
Jati Jobika dan jati Biotrop merupakan jati
yang paling sedikit teridentifikasi dengan baik
pada percobaan II. Hal ini terbukti dengan hanya
14 sampel data uji dari masing-masing jenis jati
tersebut yang tepat diidentifikasikan sehingga
menghasilkan akurasi sebesar 70%. Beberapa
sampel data uji jati Jobika teridentifikasi sebagai
jati Biotrop dan jati Muna, hal ini disebabkan
disebabkan oleh kemiripan nilai fitur morfologi di
antara ketiga jenis jati tersebut. Terdapat pula 1
sampel data uji jati Jobika yang teridentifikasi
sebagai jati Emas, kesalahan tersebut dapat terjadi
karena pada sampel data uji jati Jobika tersebut
memiliki kesamaan nilai fitur morfologi area
dengan sampel data latih jati Emas. Pada sampel

Teridentifikasi sebagai
jati Biotrop

Teridentifikasi sebagai
jati Super

Gambar 27 Contoh sampel data uji jati Prima
yang tidak tepat teridentifikasi.

Teridentifikasi
sebagai jati
Jobika

Teridentifikasi
sebagai jati
Muna

Teridentifikasi
sebagai jati
Emas

Gambar 28 Contoh sampel data uji jati Super
yang tidak tepat teridentifikasi.

11

Secara keseluruhan, tingkat akurasi untuk jati
Prima pada percobaan II mengalami penurunan
dari percobaan I menjadi 80%, untuk jati Jobika
mengalami penaikan akurasi menjadi 70%, untuk
jati Biotrop adalah 70%, untuk jati Emas adalah
85%, untuk jati Muna adalah 75%, dan untuk jati
Super adalah 75%. Terjadinya penurunan akurasi
rata-rata pada percobaan II setelah penambahan
fitur rasio panjang dan lebar daun. Untuk
mengetahui record yang salah diklasifikasikan
pada percobaan II, dapat dilihat pada Tabel 6.
Confusion matrix untuk setiap iterasi pada
percobaan II, dapat dilihat pada Lampiran 3.
Tabel 6 Confusion matrix hasil terbaik pada
percobaan II
Kelas Prediksi

Kelas
Asli

Biotrop

Emas

Jobika

Biotrop

14

1

4

2

1

Muna
Prima
Super

1

Super

3
14

3

1

15

1

3

4
16

3
1

Prima

1

17

Emas
Jobika

Muna

15

KESIMPULAN DAN SARAN
Kesimpulan
Dari penelitian ini dapat disimpulkan
beberapa hal dalam identifikasi daun tanaman jati
berdasarkan ekstraksi fitur ciri morfologi, yaitu:
1 Penelitian ini dilakukan untuk mencari fiturfitur dari ciri morfologi daun yang dapat
digunakan untuk mengidentifikasi jenis
tanaman jati.
2 Pada percobaan dengan menggunakan 6
parameter (area, perimeter, diameter, smooth
factor, form factor, perimeter ratio of
diameter) diperoleh rata-rata akurasi sebesar
77.5% dengan nilai bias (σ) sebesar 0.05.
Sedangankan
pada
percobaan
yang
menggunakan 7 parameternya yaitu, area,
perimeter, diameter, smooth factor, form
factor, dan parameter ratio of diameter, dan
rasio panjang dan lebar daun menghasilkan
rata-rata akurasi sebesar 76% dengan nilai bias
(σ) sebesar 0.15. Terlihat adanya penurunan
rata-rata akurasi pada percobaan yang
menggunakan 7 parameter, hal ini menunjukan
bahwa parameter rasio panjang dan lebar daun
berpengaruh terhadap akurasi pada penelitian
ini.

Perbandingan percobaan I dan percobaan II
Percobaan I dan percobaan II menghasilkan
rata-rata tingkat akurasi yang berbeda untuk
seluruh jenis tanaman jati yang diidentifikasi. Pada
percobaan I dihasilkan rata-rata akurasi sebesar
77.5%, sedangkan pada percobaan II dihasilkan
rata-rata akurasi sebesar 76%. Terlihat adanya
penurunan akurasi pada percobaan II dengan
menambahkan parameter ciri morfologi rasio
panjang dan lebar daun. Pada percobaan dengan
menggunakan 7 parameter, terdapat peningkatan
akurasi pada jati Jobika dan penurunan akurasi
pada jati Muna dan jati Prima. Perbandingan
tingkat akurasi yang dihasilkan pada setiap
percobaan dapat dilihat pada Gambar 29.

Saran
Penelitian ini masih mempunyai beberapa
kekurangan yang dapat diperbaiki pada penelitian
selanjutnya. Adapun beberapa saran untuk
penelitian selanjutnya sebagai berikut :
1 Menggunakan fitur morfologi yang lain agar
dapat meningkatkan akurasi untuk identifikasi
tanaman jati.
2 Melakukan perbandingan tingkat akurasi
dengan classifier yang lain, seperti jaringan
syaraf tiruan propagasi balik.

DAFTAR PUSTAKA
Annisa.2009. Ekstraksi ciri morfologi dan tekstur
untuk temu kembali citra helai daun [skripsi].
Bogor: Institut Pertanian Bogor.
Erlinawati D. 2006. Teknik pemeliharaan bibit jati
(Tectona grandis Linn. F.) pasca aklimatisasi
di PT. DaFa TEKNOAGRO MANDIRI,
Ciampea Bogor [skripsi]. Bogor: Fakultas
Kehutanan Institut Pertanian Bogor.
Fauset L. 1994. Fundamentals of Neural
Networks: Architectures, Algorithms, and
Applications. New Jersey: Prentice Hall.

Gambar 29 Grafik perbandingan tingkat akurasi
dari setiap percobaan.

Fu LM 1994. Neural Networks in Computer
Intelligence. Boston: McGraw-Hill.

12

Purnamasari Y. 2012. Identifikasi jenis Shorea
berdasarkan morfologi daun menggunakan
Probabilistic Neural Network [skripsi]. Bogor:
Institut Pertanian Bogor.
Specht DF. 1990. Probabilistic neural networks
and the polynomial adalines classification.
IEEE Transactions on Neural Networks 1(3) :
111-121.

Sumarna Y. 2003. Budidaya Jati. Jakarta: Penebar
Swadaya.
Wu SG, Bao FS, Xu EY, Wang Y, Chang Y et al.
2007. A Leaf Recognition Algorithm for Plant
Using Probabilistic Neural Network. Beijing:
Chinese Academy Science.

LAMPIRAN

14

Lampiran 1 Boxplot dari masing-masing parameter ciri morfologi

15

Lanjutan

16

Lanjutan

17

Lampiran 2 Confusion matrix percobaan 1
Iterasi 1 (h = 0.05)
Tanaman Jati

Biotrop

Kelas Prediksi
Jobika Muna

3

1

Biotrop

Prima

Super

1

5

Emas
Kelas
Asli

Emas

1

Jobika

4
2

Muna

3
5

Prima

1

Super

4

Iterasi 1 (h = 0.1)
Tanaman Jati

Biotrop

Kelas Prediksi
Jobika Muna

3

1

Biotrop

Prima

Super

1

5

Emas
Kelas
Asli

Emas

1

Jobika

4
1

Muna

4

1

Prima

4
1

Super

4

Iterasi 1 (h = 0.15)
Tanaman Jati

Biotrop

Kelas Prediksi
Jobika Muna

3

1

Biotrop

Prima

Super

1

5

Emas
Kelas
Asli

Emas

Jobika

5
1

Muna

4

1

Prima

4
1

Super

4

Iterasi 1 (h = 0.2)
Tanaman Jati

Biotrop

Biotrop

Kelas Prediksi
Jobika Muna

3

1

5
1

Jobika
Muna

Super

4

1

Prima

Prima

1
1

4

Emas
Kelas
Asli

Emas

4
1

Super

4

Iterasi 1 (h = 0.25)
Tanaman Jati

Kelas
Asli

Biotrop
Emas
Jobika
Muna
Prima
Super

Biotrop

Emas

Kelas Prediksi
Jobika Muna

3

1

Super

1
1

4
5
1

Prima

4

1

4
1

4

18

Lanjutan
Iterasi 2 (h = 0.05)
Tanaman Jati

Biotrop

Emas

5
1
1

3
1

Biotrop
Emas
Kelas
Asli

Jobika

Kelas Prediksi
Jobika Muna

Super

1
2

Muna

1
4

1

Prima

Prima

1
4

1

Super

4

Iterasi 2 (h = 0.1)
Tanaman Jati

Biotrop

Kelas Prediksi
Jobika Muna

Prima

Super

5

Biotrop
Emas
Kelas
Asli

Emas

1

Jobika

3
1

2
2

Muna

1
4

1

Prima

4
1

Super

1

1

3

Iterasi 2 (h = 0.15)
Tanaman Jati

Biotrop

Kelas Prediksi
Jobika Muna

Prima

Super

5

Biotrop
Emas
Kelas
Asli

Emas

1

Jobika

3
1

2
2

Muna

1
3

1

Prima

4
1

Super

2

1

3

Iterasi 2 (h = 0.2)
Tanaman Jati

Biotrop

Biotrop

1

Jobika

Kelas Prediksi
Jobika Muna

Prima

3
1

2
2

1
2

3

Muna

1

Prima

4
1

Super

Super

1

4

Emas
Kelas
Asli

Emas

1

3

Iterasi 2 (h = 0.25)
Tanaman Jati

Kelas
Asli

Biotrop
Emas
Jobika
Muna
Prima
Super

Biotrop

Emas

Kelas Prediksi
Jobika Muna

Prima

Super

1

4
3
1
1

2
3

1
4

1
4

1

4

19

Lanjutan
Iterasi 3 (h = 0.05)
Tanaman Jati

Biotrop

Kelas Prediksi
Jobika Muna

Super

2

3

Emas

Prima

1

4

Biotrop
Kelas
Asli

Emas

4

Jobika
Muna

1
4

1
5

Prima

5

Super

Iterasi 3 (h = 0.1)
Tanaman Jati

Biotrop

Kelas Prediksi
Jobika Muna

Jobika

4

Muna

1
4

1

Prima

Super

1

4

Emas

Prima

1

4

Biotrop
Kelas
Asli

Emas

1
4
5

Super

Iterasi 3 (h = 0.15)
Tanaman Jati

Biotrop

Kelas Prediksi
Jobika Muna

Jobika

4

Muna

1
4

1

Prima

Super

1

4

Emas

Prima

1

4

Biotrop
Kelas
Asli

Emas