Identifikasi Tanaman Durian Berdasarkan Citra Daun Menggunakan LVQ dan Ekstraksi Tekstur Discrete Wavelet Transform

IDENTIFIKASI TANAMAN DURIAN BERDASARKAN CITRA
DAUN MENGGUNAKAN LVQ DAN EKSTRAKSI TEKSTUR
DISCRETE WAVELET TRANSFORM

NICKY ASTRIYANTI

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Tanaman
Durian Berdasarkan Citra Daun Menggunakan LVQ dan Ekstraksi Tekstur
Discrete Wavelet Transform adalah benar karya saya dengan arahan dari komisi
pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi
mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan
maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan
dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Maret 2015
Nicky Astriyanti
NIM G64124024

ABSTRAK
NICKY ASTRIYANTI. Identifikasi Tanaman Durian Berdasarkan Citra Daun
Menggunakan LVQ dan Ekstraksi Tekstur Discrete Wavelet Transform.
Dibimbing oleh Aziz Kustiyo.
Durian (Durio zibethinus Murray) adalah salah satu komoditas yang
memiliki nilai ekonomi tinggi. Nilai ekonomi durian dipengaruhi oleh keunggulan
yang dimiliki setiap varietasnya. Oleh sebab itu identifikasi tanaman durian
merupakan hal yang sangat penting. Identifikasi dilakukan dengan menggunakan
citra daun dari lima tanaman varietas durian, serta metode klasifikasi Learning
Vector Quantization (LVQ) dan ekstraksi tekstur Discrete Wavelet Transform
(DWT). Penelitian ini menghasilkan akurasi tertinggi sebesar 76% pada DWT
famili Haar level 6.
Kata Kunci: daun, Discrete Wavelet Transform, durian, identifikasi, Learning
Vector Quantization.

ABSTRACT
NICKY ASTRIYANTI. Durian Plant Identification Based on Leaf Image Using
LVQ and Discrete Wavelet Transform Texture Ekstraction. Supervised by Aziz
Kustiyo.
Durian (Durio zibethinus Murray) is a comodity which has high value. On
the economic value of durian is influenced by the superiority of each varieties.
Therefore it is important to identify durian’s plant. Leaf image based
identification performed by using the Learning Vector Quantization (LVQ)
classification method and Discrete Wavelet Transform (DWT) texture extraction.
The research was using five durian’s variety. The highest accuracy of this research
was 76% that was obtained by DWT famili Haar level 6.
keyword : durian, Discrete Wavelet Transform, identification, leaf, Learning
Vector Quantization.

IDENTIFIKASI TANAMAN DURIAN BERDASARKAN CITRA
DAUN MENGGUNAKAN LVQ DAN EKSTRAKSI TEKSTUR
DISCRETE WAVELET TRANSFORM

NICKY ASTRIYANTI

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
2015

Penguji :
1. M. Ashyar Agmalaro, SSi MKom
2. Toto Haryanto, Skom MSi

Judul Skripsi : Identifikasi Tanaman Durian Berdasarkan Citra Daun
Menggunakan LVQ dan Ekstraksi Tekstur Discrete Wavelet
Transform

Nama
: Nicky Astriyanti
NIM
: G64124024

Disetujui oleh

Aziz Kustiyo, SSi MKom
Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi MKom
Ketua Departemen

Tanggal Lulus :

PRAKATA
Segala puji dan syukur penulis panjatkan kepada Allah Subhanahu Wa
Ta’ala karena atas segala karunia-Nya sehingga penulis dapat menyelesaikan

tugas akhir yang berjudul Identifikasi Varietas Durian Berdasarkan Citra Daun
Menggunakan LVQ dan Ekstraksi Tekstur Discrete Wavelet Transform.
Terima kasih penulis ucapkan kepada:
1
Kedua orang tua dan seluruh keluarga atas dukungan dan doanya.
2
Bapak Aziz Kustiyo, SSi MKom selaku pembimbing atas pengarahan dan
bimbingannya.
3
Bapak Muhammad Ashyar Agmalaro, SSi MKom dan Bapak Toto
Haryanto, SKom MSi selaku penguji atas saran dan pengarahannya.
4
Teman-teman satu bimbingan, teman-teman alih jenis ILKOM angkatan 7,
dan seluruh pihak yang turut membantu dalam penyelesaian penelitian ini.
Semoga karya ilmiah ini bermanfaat.

Bogor, Maret 2015
Nicky Astriyanti

DAFTAR ISI

DAFTAR TABEL

ix

DAFTAR GAMBAR

ix

DAFTAR LAMPIRAN

ix

PENDAHULUAN

1

Latar Belakang

1

Perumusan Masalah

2

Tujuan Penelitian

2

Manfaat Penelitian

2

Ruang Lingkup Penelitian

2

METODE

2

Lingkungan Pengembangan

3

Studi Pustaka

4

Pengumpulan Data

4

Praproses

4

Ekstraksi Tekstur

5

Pembagian Data

6

Pelatihan dan Pengujian

7

Evaluasi

8

HASIL DAN PEMBAHASAN

8

Pembagian Data

8

Pelatihan dan Pengujian

8

Percobaan 1: Discrete Wavelet Transform Famili Haar 1 Level

9

Percobaan 2: Discrete Wavelet Transform Famili Haar 2 Level

10

Percobaan 3: Discrete Wavelet Transform Famili Haar 3 Level

11

Percobaan 4: Discrete Wavelet Transform Famili Haar 4 Level

12

Percobaan 5: Discrete Wavelet Transform Famili Haar 5 Level

12

Percobaan 6: Discrete Wavelet Transform Famili Haar 6 Level

13

Percobaan 7: Discrete Wavelet Transform Famili Haar 7 Level

14

Perbandingan Dekomposisi 1 Level – Dekomposisi 7 Level

15

Analisis Kesalahan

16

SIMPULAN DAN SARAN

18

Simpulan

18

Saran

18

DAFTAR PUSTAKA

18

LAMPIRAN

20

RIWAYAT HIDUP

25

DAFTAR TABEL
1
2
3
4
5
6
7
8
9
10
11
12

Bentuk k-fold cross validation .................................................................... 6
Simbol pada algoritma LVQ ........................................................................ 7
Ukuran matriks setiap citra pada setiap level dekomposisi .......................... 8
Jumlah neuron input setiap level dekomposisi ............................................. 9
Confusion matrix pada learning rate = 0.05 dan penurunan learning
rate = 0.9. ................................................................................................... 10
Confusion matrix pada learning rate = 0.2 dan penurunan learning
rate = 0.7. ................................................................................................... 10
Confusion matrix pada learning rate = 0.1 dan penurunan learning
rate = 0.9. ................................................................................................... 11
Confusion matrix pada learning rate = 0.25 dan penurunan learning
rate = 0.7. ................................................................................................... 12
Confusion matrix pada learning rate = 0.2 dan penurunan learning
rate = 0.7. ................................................................................................... 13
Confusion matrix pada learning rate = 0.1 dan penurunan learning
rate = 0.7 .................................................................................................... 14
Confusion matrix pada learning rate = 0.15 dan penurunan learning
rate = 0.9 .................................................................................................... 15
Fitur-fitur pada pola boxplot varietas durian .............................................. 17

DAFTAR GAMBAR
1 Metodologi penelitian
2 Ilustrasi pemotongan citra daun
3 Ilustrasi praproses
4 Ilustrasi proses transformasi DWT 2D
5 Contoh hasil dekomposisi 1 level
6 Struktur LVQ (Fausett 1994)
7 Rata-rata akurasi pada dekomposisi 1 level
8 Rata-rata akurasi pada dekomposisi 2 level
9 Rata-rata akurasi pada dekomposisi 3 level
10 Rata-rata akurasi pada dekomposisi 4 level
11 Rata-rata akurasi pada dekomposisi 5 level
12 Rata-rata akurasi pada dekomposisi 6 level
13 Rata-rata akurasi pada dekomposisi 7 level
14.Rata-rata akurasi tertinggi pada setiap learning rate
15.Rata-rata akurasi tertinggi pada setiap level dekomposisi
16.Pola boxplot dari hasil dekomposisi 6 level

3
4
5
5
6
7
9
10
11
12
13
14
14
15
16
17

DAFTAR LAMPIRAN
1. Beberapa citra daun pada masing-masing varietas durian
2. Contoh perhitungan LVQ (Fausset 1994)

20
20

3. Hasil Percobaan pada epoch 50
4. Perubahan akurasi pada epoch 100 dan 150

22
23

PENDAHULUAN
Latar Belakang
Durio zibethinus Murray merupakan salah satu spesies dari genus Durio
yang banyak dibudidayakan (Wiryanta 2008). Spesies Durio tersebut adalah yang
dikenal di masyarakat dengan nama durian. Durian adalah buah yang memiliki
nilai ekonomi yang tinggi di indonesia dengan kisaran pangsa pasar yang luas
mulai dari pasar tradisional hingga restoran (Sobir dan Napitulu 2010).
Nilai ekonomi durian dipengaruhi oleh keunggulan yang dimiliki setiap
varietasnya. Berdasarkan data dari Direktorat Pembenihan dan Sarana Pertanian,
Direktorat Jendral Holtikultural, hingga tahun 2009 terdapat 71 varietas durian
unggul di Indonesia. Persebaran varietas tersebut meliputi Sumatra 14 varietas,
Jawa 21 varietas, Kalimantan 21 varietas, Bali 1 varietas, Sulawesi 5 varietas,
NTB 6 Varietas, dan Maluku 3 varietas. Sementara itu, Thailand memiliki 4
varietas durian unggul dan Malaysia 1 varietas durian unggul (Sobir dan Napitulu
2010).
Menurut Badan Pusat Statistik (BPS 2013), buah durian yang diproduksi
Indonesia sebanyak 888 130 ton pada tahun 2012. Sementara itu, pada tahun yang
sama, Indonesia mengimpor buah durian sebanyak 20 638.61 ton (Muliani 2015).
Oleh karena itu produksi buah durian di Indonesia belum dapat mencukupi
kebutuhan domestik. Oleh karena itu, diperlukan ekstensifikasi penanaman
varietas durian unggul.
Keanekaragaman dan kemiripan varietas-varietas durian dapat
mengakibatkan kesulitan dalam mengidentifikasi pohon varietas durian unggul.
Penelitian mengenai identifikasi tanaman durian pernah dilakukan Salasa et al.
(2013), Pertiwi (2014) dan Sabrina (2014). Salasa et al. (2013) melakukan
penelitian mengenai identifikasi pohon induk tunggal (PIT) varietas durian unggul
Bido, yang didasari oleh adanya kemiripan terhadap 27 varietas durian dengan PIT
Bido. Penelitian tersebut menggunakan media elektroforesis gel poliakrilamid
untuk metode isozim dan media daun untuk metode morfologi. Hasil dari
penelitian tersebut mengidentifikasi 4 dari 27 pohon durian yang memiliki
kemiripan tertinggi dengan PIT Bido. Identifikasi tanaman durian dapat dilakukan
menggunakan ekstraksi tekstur, seperti yang dilakukan Sabrina (2014) dengan
menggunakan metode ekstraksi tekstur Co-occurrence Matrix dan metode
klasifikasi Probabilistic Neural Network (PNN), yang memiliki tingkat akurasi
74.44% menggunakan citra daun hasil cropping. Sementara itu, Pertiwi (2014)
menggunakan metode ekstraksi tekstur Gray Level Co-occurence Matrix (GLCM)
dan metode klasifikasi KNN, yang menghasilkan akurasi sebesar 76.67%
menggunakan citra daun hasil cropping.
Metre et al. (2013) menyatakan bahwa ekstraksi tekstur menggunakan
Wavelet Transform memiliki kelebihan, yaitu dapat menghasilkan fitur-fitur
terbaik yang memiliki akurasi tinggi. Selain itu dipaparkan pula bahwa Learning
Vector Quantization (LVQ) merupakan metode klasifikasi yang dapat digunakan
dalam masalah klasifikasi multi-class dan klasifikasi textural. Pada jurnal tersebut
diulas pula mengenai penelitian identifikasi tanaman berdasarkan citra daun

2
menggunakan metode klasifikasi LVQ (Rashad et al. 2011) yang menghasilkan
akurasi sebesar 98.7%.
Wavelet Haar merupakan metode wavelet yang paling sederhana dan mudah
untuk diimplementasikan (Putra 2010). Pada penelitian identifikasi tanaman
mangrove berbasis citra daun menggunakan ekstraksi tekstur Discrete Wavelet
Transform (DWT) famili Haar yang oleh Sonari (2013) menghasilkan akurasi
sebesar 88.75%. Berdasarkan hipotesis tersebut, pada penelitian ini akan
menggunakan metode LVQ sebagai classifier dan metode DWT sebagai ekstraksi
tekstur pada citra daun durian.

1
2

Perumusan Masalah
Perumusan masalah pada penelitian ini diuraikan sebagai berikut:
Bagaimana menerapkan metode ekstraksi tekstur menggunakan DWT famili
Haar untuk identifikasi daun durian.
Bagaimana menerapkan teknik klasifikasi Learning Vector Quantization
untuk hasil dari ekstraksi tekstur menggunakan metode DWT famili Haar.

Tujuan Penelitian
Tujuan penelitian ini adalah menerapkan metode ekstraksi tekstur DWT
famili Haar dan metode klasifikasi LVQ untuk mengidentifikasi tanaman durian.

Manfaat Penelitian
Penelitian ini diharapkan dapat membantu pengidentifikasian tanaman
varietas durian berdasarkan citra daun.

Ruang Lingkup Penelitian
1
2
3
4
5

Ruang lingkup pada penelitian ini antara lain:
Citra daun bagian bawah dengan warna background putih.
Varietas durian yang digunakan dalam penelitian ini adalah bakul, cane,
hepe, kendil, dan sukun.
Pengambilan citra dilakukan dengan jarak dan ukuran citra yang sama
dalam format JPG.
Ekstraksi tekstur menggunakan DWT famili Haar.
Penelitian dilakukan untuk mengidentifikasi tanaman durian.

METODE
Penelitian ini terbagi menjadi beberapa tahapan proses. Gambar 1
menunjukan tahapan proses tersebut.

3

Mulai

Studi Pustaka

Pengumpulan
Data (Citra
Daun)

Praproses

Ekstraksi
Tekstur

Data
Latih

Pembagian
Data (k-fold
cross
validation)

Data Uji

Pelatihan
(LVQ)

Model
LVQ
Pengujian
(LVQ)

Evaluasi

Selesai

Gambar 1 Metodologi penelitian

Lingkungan Pengembangan
Pada penelitian ini menggunakan spesifikasi perangkat keras dan perangkat
lunak sebagai berikut:
1
2
3
1
2

Perangkat keras:
Processor Intel ® CoreTM I3 CPU 2.40 GHz
Memori 2 GB
Hard disk 500 GB
Perangkat lunak:
Sistem operasi Microsoft Windows 7 Ultimate 64 bit.
Matlab 7.11.0.584 (R2010b)

4
Studi Pustaka
Pada tahap ini, kegiatan yang dilakukan adalah mempelajari dan
mengumpulkan pustaka yang berkaitan dengan penelitian. Hal-hal yang dipelajari
meliputi penerapan dan teori DWT famili Haar dan Learning Vector Quantization,
serta teori yang menyangkut pemrosesan citra daun.

Pengumpulan Data
Data yang digunakan pada penelitian ini berasal dari Warso Durian Farm,
yang terletak di Desa Cihideung Kabupaten Bogor. Citra daun yang digunakan
sebanyak 55 citra dengan masing-masing varietas sebanyak 11 citra dalam format
JPG. Ukuran citra daun terbesar yang digunakan dalam penelitian ini adalah 2044
x 760 piksel, sedangkan ukuran citra terkecil adalah 1044 x 383 piksel. Usia daun
yang digunakan pada penelitian ini tidak diketahui. Varietas durian yang
digunakan dalam penelitian ini adalah durian bakul, cane, hepe, kendil, dan sukun.
Pemilihan varietas durian tersebut didasari atas kemiripan daunnya.

Praproses
Pada tahap ini citra daun akan dipotong sebesar 251 x 501 pixel.
Pemotongan citra daun ini bertujuan menyeragamkan ukuran citra asli,
mempercepat komputasi, dan memfokuskan pola tekstur daun. Citra dipotong
pada bagian tengah karena lebih mudah dilakukan dan dapat diterapkan pada
setiap citra. Pemotongan citra daun pada bagian tengah diharapkan dapat
menghasilkan penciri yang baik dalam identifikasi karena memiliki kemiripan
tulang daun pada setiap data citra daun dengan varietas yang sama.
Y

(m, n)
a

X

b

Gambar 2 Ilustrasi pemotongan citra daun
Gambar 2 menampilkan mekanisme pemotongan citra daun dengan X dan Y
adalah ukuran citra asli, m dan n adalah titik awal pemotongan, serta a dan b

5
adalah ukuran target citra. Untuk memproleh titik awal pemotongan digunakan
persamaan sebagai berikut (Sabrina 2014):
m = 0.5  X  125
(1)
n = 0.5  Y  250
(2)
Hasil perkalian ukuran citra asal dengan angka 0.5 untuk memperoleh titik
koordinat bagian tengah citra. Selanjutnya titik koordinat bagian tengah citra
tersebut dikurangi dengan angka 125 dan 250 untuk memperoleh posisi awal
pemotongan citra. Nilai 250 merupakan hasil bagi dua dari ukuran panjang citra
target yaitu 500 piksel (b), sedangkan 125 merupakan hasil bagi dua dari ukuran
lebar citra target yaitu 250 piksel (a). Setelah didapat titik awal pemotongan, citra
dipotong sehingga menghasilkan citra dengan ukuran sebesar 501 x 251 piksel.
Kemudian citra yang telah dipotong dilakukan konversi warna dari RGB ke
grayscale. Citra grayscale digunakan dalam penelitian ini karena dapat
menyederhanakan model citra dan komputasi menjadi lebih cepat (Putra 2010).
Gambar 3 menunjukan ilustrasi proses praposes. Lampiran 1 menunjukan
beberapa citra daun hasil praproses dari setiap varietas durian.

(c)

(b)

(a)

Gambar 3 Ilustrasi praproses (a) Citra daun durian asli, (b) Citra daun
hasil cropping, (c) Citra daun hasil grayscale

Ekstraksi Tekstur
Pada tahap ini citra daun yang telah dipraproses akan ditransformasi
menggunakan DWT 2D famili Haar. Proses ini dilakukan untuk memperoleh
Koefisien Aproksimasi (cA) dan Koefisien Detail (cH, cV, cD). Proses
transformasi DWT 2D ditunjukan pada Gambar 4.

H0

2

cA

H1

2

cH

H0

2

cV

H1

2

cD

2

x[m,n]

H1

H0

2

Dekomposisi baris

Dekomposisi kolom

Gambar 4 Ilustrasi proses transformasi DWT 2D (Putra 2010)

6
Koefisien Aproksimasi (cA) diperoleh melalui proses tapis lowpass (H0)
dilanjutkan dengan tapis lowpass. Koefisien Detail (cH) diperoleh melalui proses
tapis lowpass dilanjutkan dengan tapis highpass (H1) . Koefisien Detail (cV)
diperoleh melalui proses tapis highpass dilanjutkan dengan tapis lowpass.
Koefisien Detail (cD) diperoleh melalui proses tapis highpass dilanjutkan dengan
tapis highpass. Adapun tapis lowpass dan highpass Haar yaitu (Putra 2010):
H0 : [1 2 , 1 2]
(3)
H1 : [1 2 ,  1 2]
(4)
Koefisien Aproksimasi adalah bagian yang mirip dan merupakan versi lebih
halus dari citra aslinya. Koefisien aproksimasi pada dekomposisi 1 level akan
diproses untuk koefisien aproksimasi pada dekomposisi 2 level dan seterusnya.
Pada penelitian ini dilakukan dekomposisi level 1 hingga 7. Proses ini dilakukan
untuk semua data citra.

(a)

(b)

(c)

(d)

(e)

Gambar 5 Contoh hasil dekomposisi 1 level (a) Citra daun hasil praproses, (b)
ikoefisien aproksiasi (cA), (c) koefisien detail vertikal (cV), (d)
ikoefisien detail horizontal (cH), (e) koefisien detail diagonal (cD)

Pembagian Data
Pada tahap ini data citra dibagi menjadi dua bagian, yaitu data uji dan data
latih. Data latih digunakan untuk melakukan pelatihan LVQ, sedangkan data uji
digunakan untuk pengujian LVQ. Data citra yang digunakan adalah 50 citra daun,
dengan satu varietas durian diwakili oleh 10 citra daun. Sementara itu, 5 data citra
yang berasal dari masing-masih kelas digunakan sebagai vektor bobot. Tabel 1
menampilkan ilustrasi pembagian data menggunakan k-fold cross validation.
Tabel 1 Bentuk k-fold cross validation dengan
= data uji,
= data latih
Fold
Citra daun setiap jenis
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5

7
Pelatihan dan Pengujian
Pada tahap ini jaringan syaraf tiruan Learning Vector Quantization (LVQ)
digunakan untuk pelatihan dan pengujian. LVQ adalah suatu metode klasifikasi
pola yang setiap unit keluarannya merepresentasikan class atau kategori. Vektor
bobot yang merepresentasi setiap kelas sering disebut codebook atau vektor
reference. Vektor input pada pelatihan LVQ diambil dari data latih, sedangkan
vektor input pada pengujian LVQ diambil dari data uji hasil dari tahap pembagian
data. Arsitektur LVQ ditampilkan pada Gambar 6 dan perhitungan LVQ pada
Lampiran 2.

Gambar 6 Struktur LVQ (Fausett 1994)
Tabel 2 Simbol pada algoritma LVQ
Simbol
Makna
x
Vektor masukan (training vector), x1,..., xi,...xn
T
Kategori yang benar atau class untuk vektor
masukan
wj
Vektor bobot untuk unit keluaran ke-j,
(w1j ,…,wij , …, wj )
Cj
Kategori atau class yang direpresentasikan
oleh unit keluaran ke-j
||x-wj||
Jarak Euclidean di antara vektor masukan dan
vektor bobot untuk unit keluaran ke-j
Pada penelitian ini neuron input yang dilambangkan dengan simbol x
berasal dari input vektor dengan jumlah yang bergantung dari hasil level
dekomposisi citra. Adapun neuron output yang dilambangkan dengan simbol y
menunjukan jumlah varietas durian atau kelas yang digunakan pada penelitian ini
yaitu sebanyak 5 kelas. Vektor bobot yang dilambangkan dengan simbol w
memiliki jumlah yang bergantung dari hasil level dekomposisi citra.
Berikut adalah algoritme LVQ (Fausset 1994):
1
Tentukan vektor referensi. Tentukan learning rate, �(0).
2
Selama kondisi berhenti belum terpenuhi, lakukan langkah 3-6.
3
Untuk setiap vektor masukan x, lakukan langkah 4-5.
4
Temukan J sehingga x-wj bernilai minimum.
5
Update nilai wj sesuai ketentuan berikut:

8

6
7
8

Jika T = Cj maka, wj new = wj old +α x-wj (old) .
Jika T ≠ Cj maka, wj new = wj old -α x-wj (old) .
Perbarui learning rate.
Cek kondisi berhenti.
Simbol yang digunakan ditampilkan pada Tabel 2.

Evaluasi
Evaluasi merupakan tahap terakhir pada metode penelitian. Tahap ini
menentukan apakah proses klasifikasi sudah tepat atau belum. Data yang
digunakan pada pelatihan dan pengujian LVQ sebanyak 50 data citra dari 5
varietas durian dengan masing-masing 10 data citra. Hasil dari tahap ini yaitu
akurasi yang didapat dengan cara.
akurasi=

citra terklasifikasi dengan benar
x 100%
citra yang diuji

HASIL DAN PEMBAHASAN
Pembagian Data
Matriks data citra hasil dari tahap ekstraksi citra dilakukan tahap pembagian
data menggunakan k-fold cross validation. Tabel 3 menampilkan ukuran matriks
setiap citra pada setiap level dekomposisi.
Tabel 3 Ukuran matriks setiap citra pada setiap level dekomposisi
Dekomposisi
1 level
2 level
3 level
4 level
5 level
6 level
7 level

Ukuran citra hasil
dekomposisi (piksel)
126 x 251
63 x 126
32 x 63
16 x 32
8 x 16
4x8
2x4

Ukuran vektor citra (piksel)
1 x 31626
1 x 7938
1 x 2016
1 x 512
1 x 128
1 x 32
1x8

Pada penelitian ini digunakan 55 data citra dengan 5 data citra sebagai
vektor bobot awal LVQ dan 50 data citra lainnya digunakan untuk pembagian
data latih dan data uji menggunakan metode k-fold cross validation.
Pelatihan dan Pengujian
Pada penelitian ini tahap pelatihan dan pengujian dilakukan sebanyak k kali
sesuai jumlah fold ( pada penelitian ini 5 kali). Data yang digunakan pada tahap
pelatihan dan pengujian adalah hasil dari k-fold cross validation. Parameter yang

9
digunakan pada tahap ini adalah jumlah neuron input, jumlah neuron output,
jumlah vektor masukan, jumlah epoch, nilai learning rate, dan nilai penurunan
learning rate. Jumlah neuron input disesuaikan dengan jumlah fitur penciri dari
hasil ekstraksi tekstur, sedangkan jumlah neuron output disesuaikan dengan
jumlah class yaitu 5. Jumlah neuron input ditampilkan pada Tabel 4.
Jumlah vektor masukan pada pelatihan adalah 40, sedangkan pada
pengujian adalah 10. Untuk nilai learning rate yang digunakan adalah 0.05, 0.1,
0.15, 0.2, 0.25, 0.3, 0.35, 0.4, 0.45, dan 0.5, sedangkan penurunan learning rate
yang digunakan adalah 0.1, 0.3, 0.5, 0.7, dan 0.9. Jumlah epoch yang digunakan
adalah 50, 100, 150, dan 200. Lampiran 3 dan 4 menunjukan hasil pengujian LVQ.
Tabel 4 Jumlah neuron input setiap level dekomposisi
Percobaan
Dekomposisi
Jumlah neuron
input
1
1 level
31626
2
2 level
7938
3
3 level
2016
4
4 level
512
5
5 level
128
6
6 level
32
7
7 level
8

Percobaan 1: Discrete Wavelet Transform Famili Haar 1 Level
Pada percobaan ini data citra didekomposisi 1 level sehingga menghasilkan
citra aproksimasi berukuran 126 x 251 piksel (31626 fitur). Gambar 7
menampilkan rata-rata akurasi pada dekomposisi 1 level. Rata-rata akurasi
tertinggi diperoleh pada learning rate 0.05 dan penurunan learning rate 0.9 yaitu
70%.
80
70
Akurasi (%)

60
50
40
30
20

10
0
0.05

0.1

0.15

0.2

0.25
0.3
learning rate

0.35

0.4

0.45

0.5

Gambar 7 Rata-rata akurasi pada dekomposisi 1 level dengan penurunan
learning rate =0.1, = 0.3, =0.5, =0.7, =0.9.
Berdasarkan Tabel 5 dapat disimpulkan bahwa semua data uji varietas bakul
dapat diidentifikasi dengan benar. Sementara itu, kendil adalah varietas durian

10
yang paling sedikit diidentifikasi dengan benar. Varietas durian kendil lebih
banyak mengalami salah identifikasi sebagai varietas hepe, adapun varietas hepe
lebih banyak mengalami salah identifikasi sebagai varietas kendil.
Tabel 5 Confusion matrix pada learning rate = 0.05 dan
penurunan learning rate = 0.9.
Kelas prediksi
Kelas aktual
bakul cane hepe kendil sukun
bakul
10
0
0
0
0
cane
0
9
0
0
1
hepe
1
0
6
3
0
kendil
2
0
3
4
1
sukun
0
0
3
1
6

Percobaan 2: Discrete Wavelet Transform Famili Haar 2 Level
Pada percobaan kedua data citra didekomposisi 2 level sehingga
memperoleh citra aproksimasi berukuran 63 x 126 piksel (7938 fitur). Gambar 8
menampilkan rata-rata akurasi pada dekomposisi 2 level. Pada percobaan ini ratarata akurasi tertinggi diperoleh pada learning rate 0.2 dan penurunan learning
rate 0.7 yaitu sebesar 72%.
80
70

Akurasi (%)

60
50
40
30

20
10
0
0.05

0.1

0.15

0.2

0.25
0.3
learning rate

0.35

0.4

0.45

0.5

Gambar 8 Rata-rata akurasi pada dekomposisi 2 level dengan penurunan
learning rate =0.1, = 0.3, =0.5, =0.7, =0.9.
Tabel 6 Confusion matrix pada learning rate = 0.2 dan
penurunan learning rate = 0.7.
Kelas prediksi
Kelas
aktual
bakul cane hepe kendil sukun
bakul
10
0
0
0
0
cane
0
9
0
0
1
hepe
0
0
5
4
1
kendil
0
0
3
6
1
sukun
0
0
3
1
6

11
Berdasarkan Tabel 6, bakul adalah varietas durian dengan data uji yang
paling banyak diidentifikasi dengan benar. Sementara itu, varietas durian yang
paling sedikit diidentifikasi dengan benar adalah varietas hepe. Varietas hepe
mengalami salah identifikasi sebagai varietas durian kendil, sedangkan varietas
kendil mengalami salah identifikasi sebagai varietas durian hepe.

Percobaan 3: Discrete Wavelet Transform Famili Haar 3 Level
Pada percobaan ketiga data citra didekomposisi 3 level sehingga diperoleh
citra aproksimasi berukuran 32 x 63 piksel (2016 fitur). Gambar 9 menampilkan
rata-rata akurasi pada dekomposisi 3 level. Percobaan ini memperoleh rata-rata
akurasi tertinggi sebesar 72% pada learning rate 0.1 dengan penurunan learning
rate 0.9.
80
70
Akurasi (%)

60
50
40
30
20
10
0
0.05

0.1

0.15

0.2

0.25
0.3
learning rate

0.35

0.4

0.45

0.5

Gambar 9 Rata-rata akurasi pada dekomposisi 3 level dengan penurunan
learning rate =0.1, = 0.3, =0.5, =0.7, =0.9.
Tabel 7 Confusion matrix pada learning rate = 0.1 dengan
penurunan learning rate = 0.9.
Kelas prediksi
Kelas aktual
bakul cane hepe kendil sukun
bakul
10
0
0
0
0
cane
0
8
0
0
2
hepe
0
0
6
4
0
kendil
1
0
2
6
1
sukun
0
0
3
1
6
Pada Tabel 7, varietas dengan seluruh data uji yang dapat diidentifikasi
dengan benar adalah varietas bakul. Untuk varietas durian yang paling sedikit
diidentifikasi dengan benar adalah varietas hepe, kendil, dan sukun. Varietas hepe
dan kendil mengalami salah identifikasi paling banyak sebagai salah satu dari
kedua varietas tersebut. Adapun varietas sukun mengalami salah identifikasi
paling banyak sebagai varietas cane.

12

Percobaan 4: Discrete Wavelet Transform Famili Haar 4 Level
Pada percobaan ini data citra didekomposisi 4 level sehingga diperoleh citra
aproksimasi berukuran 16 x 32 piksel (512 fitur). Gambar 10 menampilkan ratarata akurasi pada dekomposisi 4 level. Rata-rata akurasi tertinggi yang didapat
pada percobaan ini yaitu pada learning rate 0.25 dan penurunan learning rate 0.7
yaitu 74%.
Pada Tabel 8, data uji varietas bakul dapat diidentifikasi seluruhnya dengan
benar. Sementara itu, varietas hepe merupakan varietas paling sedikit
diidentifikasi dengan benar. Varietas durian hepe mengalami salah identifikasi
paling banyak sebagai varietas kendil, sedangkan varietas kendil mengalami salah
identifikasi paling banyak sebagai varietas hepe.
80
70

Akurasi

60
50
40
30
20
10
0

0.05

0.1

0.15

0.2

0.25
0.3
learning rate

0.35

0.4

0.45

0.5

Gambar 10 Rata-rata akurasi pada dekomposisi 4 level dengan penurunan
learning rate =0.1, = 0.3, =0.5, =0.7, =0.9.
Tabel 8 Confusion matrix pada learning rate = 0.25 dan
penurunan learning rate = 0.7.
Kelas prediksi
Kelas aktual
bakul cane hepe kendil sukun
bakul
10
0
0
0
0
cane
0
9
0
0
1
hepe
1
0
5
4
0
kendil
0
0
3
6
1
sukun
0
0
2
1
7

Percobaan 5: Discrete Wavelet Transform Famili Haar 5 Level
Pada percobaan kali ini data citra didekomposisi 5 level sehingga citra
aproksimasi yang diperoleh berukuran 8 x 16 piksel (128 fitur). Gambar 11
menampilkan rata-rata akurasi pada dekomposisi 5 level. Rata-rata akurasi
tertinggi diperoleh pada learning rate 0.2 dan penurunan learning rate 0.7 yaitu

13
74%.
Pada Tabel 9, dapat disimpulkan bahwa data uji varietas bakul dapat
diidentifikasi seluruhnya dengan benar. Untuk varietas durian yang paling sedikit
diidentifikasi dengan benar adalah hepe dan kendil, dengan masing-masing
varietas mengalami salah identifikasi paling banyak sebagai salah satu dari kedua
varietas tersebut.
80
70
60
Akurasi

50
40
30
20
10
0
0.05

0.1

0.15

0.2

0.25
0.3
learning rate

0.35

0.4

0.45

0.5

Gambar 11 Rata-rata akurasi pada dekomposisi 5 level dengan penurunan
learning rate =0.1, = 0.3, =0.5, =0.7, =0.9.
Tabel 9 Confusion matrix pada learning rate = 0.2 dan
penurunan learning rate = 0.7.
Kelas prediksi
Kelas
aktual
bakul cane hepe kendil sukun
bakul
10
0
0
0
0
cane
0
8
0
0
2
hepe
1
0
6
3
0
kendil
0
0
3
6
1
sukun
0
0
2
1
7

Percobaan 6: Discrete Wavelet Transform Famili Haar 6 Level
Pada percobaan ini data citra didekomposisi 6 level sehingga menghasilkan
citra aproksimasi berukuran 4 x 8 piksel (32 fitur). Gambar 12 menampilkan ratarata akurasi pada dekomposisi 6 level. Pada percobaan ini rata-rata akurasi
tertinggi diperoleh pada learning rate 0.1 dan penurunan learning rate 0.7 yaitu
76%.
Berdasarkan Tabel 10, data uji varietas yang dapat diidentifikasi dengan
benar seluruhnya adalah varietas bakul. Untuk varietas durian yang paling sedikit
diidentifikasi dengan benar adalah kendil dengan kesalahan identifikasi paling
banyak sebagai varietas hepe. Sementara itu, varietas hepe mengalami salah
identifikasi paling banyak sebagai varietas kendil.

14
80
70
Akurasi (%)

60
50
40
30
20
10
0

0.05

0.1

0.15

0.2

0.25
0.3
learning rate

0.35

0.4

0.45

0.5

Gambar 12 Rata-rata akurasi pada dekomposisi 6 level dengan penurunan
learning rate =0.1, = 0.3, =0.5, =0.7, =0.9.
Tabel 10 Confusion matrix pada learning rate = 0.1 dan
penurunan learning rate = 0.7
Kelas prediksi
Kelas
aktual
bakul cane hepe kendil sukun
bakul
10
0
0
0
0
cane
0
6
0
0
4
hepe
0
0
7
3
0
kendil
0
0
3
6
1
sukun
0
0
1
0
9

Percobaan 7: Discrete Wavelet Transform Famili Haar 7 Level
80
70

Akurasi (%)

60
50
40
30

20
10
0
0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

0.45

0.5

Learning rate

Gambar 13 Rata-rata akurasi pada dekomposisi 7 level dengan penurunan
learning rate =0.1, = 0.3, =0.5, =0.7, =0.9.

15
Pada percobaan ini data citra didekomposisi 6 level sehingga menghasilkan
citra aproksimasi berukuran 2 x 4 piksel (8 fitur). Gambar 12 menampilkan ratarata akurasi pada dekomposisi 7 level. Pada percobaan ini rata-rata akurasi
tertinggi diperoleh pada learning rate 0.15 dan penurunan learning rate 0.9 yaitu
70%.
Hasil pengujian pada percobaan ini berbeda dengan percobaan sebelumnya,
data uji varietas yang dapat diidentifikasi dengan benar seluruhnya adalah varietas
hepe. Sementara itu, varietas yang paling sedikit dapat diidentifikasi dengan benar
adalah varietas durian kendil dengan kesalahan identifikasi paling banyak sebagai
varietas durian hepe (Tabel 11).
Tabel 11 Confusion matrix pada learning rate = 0.15 dan
penurunan learning rate = 0.9
Kelas prediksi
Kelas
aktual
bakul cane hepe kendil sukun
bakul
9
0
1
0
0
cane
0
8
0
0
3
hepe
0
0
10
0
0
kendil
2
0
7
0
1
sukun
0
0
1
0
9

Perbandingan Akurasi dari Seluruh Percobaan
Pada penelitian ini, rata-rata akurasi tertinggi diperoleh pada saat nilai
learning rate adalah 0.1 yaitu sebesar 76%. Rata-rata akurasi meningkat dari nilai
learning rate 0.05 ke 0.1, kemudian dari nilai learning rate 0.1 hingga 0.5
cenderung turun (Gambar 14).
80
70
Akurasi (%)

60
50
40
30
20
10
0
0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

0.45

0.5

learning rate

Gambar 14 Rata-rata akurasi tertinggi pada setiap learning rate
Rata-rata akurasi tertinggi diperoleh pada dekomposisi 6 level yaitu 76%
(Gambar 15). Rata-rata akurasi tertinggi pada setiap level dekomposisi bergerak
naik dari dekomposisi 1 level hingga dekomposisi 6 level dan menurun pada
dekomposisi 7 level sebanyak 6% yaitu 70%.

16
77
76

Akurasi (%)

75
74
73
72
71
70
69
68

67
1

2

3

4
5
Level dekomposisi

6

7

Gambar 15 Rata-rata akurasi tertinggi pada setiap level dekomposisi

Analisis Kesalahan
Pada confusion matrix (Tabel 10) beberapa varietas durian mengalami
salah identifikasi sebagai varietas durian lainnya. Varietas durian cane mengalami
salah identifikasi lebih sering sebagai varietas sukun. Adapun varietas kendil
mengalami salah identifikasi lebih sering sebagai varietas hepe, begitu pula
sebaliknya.
Dekomposisi 6 level menghasilkan fitur citra (x) sebanyak 32 fitur.
Distribusi nilai pada tiap fitur dari 50 data citra yang digunakan sebagai data uji
diinterpretasikan dalam bentuk boxplot. Boxplot-boxplot tersebut memiliki
kemiripan rentang nilai dan posisi boxplot tiap varietas durian sehingga boxplot
yang memiliki kemiripan tersebut dimasukan ke dalam satu kelompok pola. Pada
dekomposisi 6 level, kelompok pola yang dibentuk sebanyak 5 pola. Tabel 12
menunjukan fitur-fitur boxplot yang termasuk ke dalam masing-masing pola.
Pada Gambar 16 dapat dilihat bahwa boxplot varietas durian cane cenderung
memiliki rentang nilai yang sama dengan varietas durian sukun pada pola boxplot
1, 2, 4, dan 5 (26 fitur). Oleh sebab itu kesalahan identifikasi terhadap varietas
durian cane lebih sering terjadi sebagai varietas durian sukun. Sementara itu,
untuk bloxpot varietas durian hepe dan kendil cenderung memiliki kesamaan
rentang nilai satu sama lain, seperti yang ditunjukan pada pola boxplot 1, 2, 3, 4,
dan 5 (32 fitur), sehingga kedua varietas ini lebih sering mengalami salah
identifikasi sebagai satu sama lain. Adapun varietas sukun tidak sering mengalami
salah identifikasi karena memiliki rentang nilai dan posisi boxplot yang berbeda
dengan boxplot varietas lainnya seperti yang ditunjukan pada pola boxplot 1 dan 2
(8 fitur).

17

(a)

(b)

(c)

(d)

(e)
Gambar 16 Pola boxplot dari hasil dekomposisi 6 level dengan (a) Pola 1, (b) Pola
2, (c) Pola 3, (d) Pola 4, (e) Pola 5
Tabel 12 Fitur-fitur pada pola boxplot varietas durian
Fitur
Pola boxplot
Pola 1
Pola 2
Pola 3
Pola 4
Pola 5

x3, x5, x8
x1, x2, x4, x6, x7
x11, x12, x13, x14, x15, x16
x9, x10, x17, x18, x19, x20, x21, x22, x23, x24
x25, x26, x27, x28, x29, x30, x31, x32

Jumlah
fitur

3
5
6
10
8

18

SIMPULAN DAN SARAN
Simpulan
Berdasarkan penelitian yang telah dilakukan, dapat diambil kesimpulan
bahwa penggunaan metode klasifikasi LVQ dengan ekstraksi tekstur discrete
wavelet transform famili Haar dapat diterapkan untuk melakukan identifikasi
varietas durian. Rata-rata akurasi tertinggi diperoleh pada dekomposisi 6 level saat
learning rate 0.1 dan penurunan learning rate 0.7 di semua epoch, yaitu sebesar
76%.

Saran
Penelitian ini masih memiliki kekurangan yang dapat diperbaiki. Adapun
saran untuk penelitian selanjutnya sebagai berikut :
1
Menambah data citra untuk setiap varietas durian.
2
Menggunakan citra lain atau metode k-means untuk menentukan bobot
awal.
3
Melakukan penambahan pada tahap praproses, seperti menggunakan
komponen warna RGB, HSV, dan image enhancement.
4
Menggunakan citra yang memiliki posisi, jarak, dan ukuran citra yang sama.

DAFTAR PUSTAKA
BPS. 2013. Tabel Produksi Tanaman Durian Provinsi Indonesia [internet].
diunduh 2015 Mar 1]. Tersedia pada: http:// http://www.bps.go.id/
menutab.php?kat=3&tabel=1&id_subyek=55.
Fausett L. 1994. Fundamentals of Neural Networks: Architectures, Algorithms,
and Applications. New Jersey (US): Prentice Hall.
Muliani F. 2015. Karakteristik morfologi daun kultivar durian lokal (Durio
zibethinus Murr.) di Kecamatan Kuantan Mudik Kabupaten Kuantan Singingi
[tesis]. Riau (ID): Universitas Islam Negeri Sultan Syarif Kasim.
Metre V, Ghorpade J. 2013. An overview of research on texture based plant leaf
classification. IJCSN [internet]. [diunduh 2014 Mei 10]; 2(3):25-36. Tersedia
pada : http://arxiv.org/ftp/arxiv/papers/1306/1306.4345.pdf.
Pertiwi N. 2014. Identifikasi varietas durian berdasarkan tekstur daun dengan
metode ekstraksi GLCM menggunakan PNN [skripsi]. Bogor (ID): Institut
Pertanian Bogor.
Putra D. 2010. Pengenalan Citra Digital. Yogyakarta (ID): CV Andi Offset.
Rashad MZ, el-Desouky BS, Khawasik MS. 2011. Plants images classification based
on textural features using combined classifier. IJCSIT [internet]. [diunduh 2014
Mei 24]; 3(4):93-100. Tersedia pada: http://airccse.org/journal/jcsit/0811csit
07.pdf.

19
Sabrina N. 2014. Identifikasi varietas durian berdasarkan citra daun menggunakan
K-Nearest Neighbour dengan ekstraksi tekstur co-occurrence matrix [skripsi].
Bogor (ID): Institut Pertanian Bogor.
Salasa KAN, Ashari S, Herlina N. 2013. Identifikasi tanaman durian mirip durian
bido di kecamatan Wonosalam kabupaten Jombang dengan metode isozim dan
morfologi. Jurnal Produksi Tanaman. 1(5):427-433.
Sobir, Napitulu RM. 2010. Bertanam Durian Unggul. Jakarta (ID): Penebar
Swadaya.
Sonari SS. 2013. Identifikasi tumbuhan berbasis citra daun menggunakan KNN
dengan ekstraksi fitur wavelet [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Bernardinus T, Wiryanta W. 2008. Sukses Bertanam Durian. Jakarta (ID): PT
Agromedia Pustaka.

20
Lampiran 1 Beberapa citra daun pada masing-masing varietas durian
Bobot

Citra 1

Citra 2

Citra 3

Varietas durian bakul

Varietas durian cane

Varietas durian hepe

Varietas durian kendil

Varietas durian sukun
Lampiran 2 Contoh perhitungan LVQ (Fausset 1994)
Pada contoh ini, diberikan dua reference vectors yang akan digunakan. Input
vector merepresentasikan dua kelas, yaitu kelas 1 dan 2 :
vektor
(1, 1, 0, 0)
(0, 0, 0, 1)
(0, 0, 1, 1)
(1, 0, 0, 0)
(0, 1, 1, 0)

kelas
1
2
2
1
2

Dua vektor diawal akan digunakan untuk inisialisasi reference vectors. Unit
keluaran pertama merepresentasikan kelas 1 dan unit keluaran kedua
merepresentasikan kelas 2 (secara simbolis, C1 = 1 dan C2 = 2). Vektor yang
digunakan untuk pelatihan yaitu (0, 0, 1, 1), (1, 0, 0, 0), (0, 1, 1, 0). Perhitungan
yang dilakukan hanya untuk 1 epoch.
Step 0. Inisialisasi bobot :

21
Lanjutan
w1 = (1,1,0,0)
w2 = (0,0,0,1)
Inisialisasi learning rate:  = 0.1
Step 1. Memulai perhitungan
Step 2. Untuk input vektor x = (0,0,1,1) dan T = 2 lakukan step 3-4 :
Step 3 Perhitungan jarak terdekat yang dalam contoh ini
menggunakan jarak Euclidean.
d1 = 0 − 1 2 + (0 − 1)2 + (1 − 0)2 + (1 − 0)2 = 4 = 2
d2 = 0 − 0 2 + (0 − 0)2 + (1 − 0)2 + (1 − 1)2 = 1 = 1
Karena x lebih dekat ke w2 serta J = 2 dan T = 2, maka target
sama dengan kelas.
Step 4

Update w2 sebagai berikut :
W2= (0, 0, 0, 1) + 0.1[(0, 0, 1, 1)-(0, 0, 0, 1)]= (0, 0, 0.1, 1).

Step 2. Untuk input vektor x = (1,0,0,0) dan T = 1 lakukan step 3-4 :
Step 3 Perhitungan jarak terdekat yang dalam contoh ini
menggunakan jarak Euclidean.
d1 = 1 − 1 2 + (0 − 1)2 + (0 − 0)2 + (0 − 0)2 = 1 = 1
d2 = 1 − 0 2 + (0 − 0)2 + (0 − 0)2 + (0 − 1)2 = 2 = 1.42
Karena x lebih dekat ke w1 serta J = 1 dan T = 1, maka target
sama dengan kelas.
Step 4

Update w2 sebagai berikut :
W2= (1, 1, 0, 0) + 0.1[(1, 0, 0, 0)-(1, 1, 0, 0)]= (1, 0.9, 0, 0)

Step 2. Untuk input vektor x = (0,1,1,0) dan T = 2 lakukan step 3-4 :
Step 3 Perhitungan jarak terdekat yang dalam contoh ini
menggunakan jarak Euclidean.
d1 = 0 − 1 2 + 1 − 0.9 2 + 1 − 0 2 + 0 − 0 2 = 2.01 =
1.42
d2 = 0 − 0
1.68

2

+ (1 − 0)2 + (1 − 0.1)2 + (0 − 1)2 =

2.81 =

Karena x lebih dekat ke w1 serta J = 1 dan T = 2, maka target
tidak sama dengan kelas.
Step 4

Update w2 sebagai berikut :
W2= (1,0.9,0,0) - 0.1[(0,1,1,0)-(1,0.9,0,0)]= (1.1,0.89,-0.1,0)

Step 5. Pelatihan dengan epoch = 1 selesai, perbarui learning rate.

22
Lampiran 3 Hasil Percobaan pada epoch 50
level
learning
dekomposisi
rate
1

2

3

4

0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.05
0.1
0.15
0.2
0.25

akurasi ratarata (%)
70
68
68
66
68
56
56
56
52
46
68
68
68
72
66
62
56
52
54
52
70
72
66
68
62
58
56
54
54
54
68
72
68
70
74

level
learning akurasi ratadekomposisi
rate
rata (%)

5

6

7

0.3
0.35
0.4
0.45
0.5
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5

64
60
56
60
54
72
72
72
74
70
70
66
62
56
56
74
76
72
74
72
68
68
66
60
58
66
68
70
64
68
68
68
64
58
60

23
Lampiran 4 Perubahan akurasi pada epoch 100 dan 150
Epoch
100

Learning Penurunan
rate
learning rate
0.25
0.9
0.3
0.9

0.35

0.9

0.4

0.1

0.4

0.9

0.45

0.9

0.5

0.1
0.9

Dekomposisi
1
1
2
3
4
5
6
7
1
2
3
4
5
6
7
1
2
4
5
6
7
1
2
3
4
5
6
7
1
2
3
4
5
6
7
1
1

Rata-rata
akurasi (%)
66
56
62
60
64
62
68
60
50
56
56
58
56
56
54
46
50
54
60
62
50
50
54
52
52
54
58
54
46
44
46
48
50
50
46
52
46

24
Lanjutan
Epoch

150

Learning Penurunan
rate
learning rate

0.4

0.1

0.45

0.9
0.1
0.9

0.5

0.1
0.9

Dekomposisi
2
3
4
5
6
7
1
2
3
4
5
6
7
3
1
1
2
3
4
5
6
7
1
1
2
3
4
5
6
7

Rata-rata
akurasi (%)
42
54
54
50
54
44
44
44
48
46
52
50
50
50
44
48
48
48
48
52
50
44
42
48
48
52
52
52
52
50

25

RIWAYAT HIDUP
Penulis lahir pada tanggal 19 Januari 1991 di Cirebon. Penulis merupakan
anak terakhir dari empat bersaudara dari pasangan Madrais dan Muriah. Pada
tahun 2009, penulis lulus dari SMAN 1 Kota Cirebon. Pada tahun yang sama,
penulis melanjutkan pendidikan di program Diploma IPB pada program keahlian
manajemen informatika. Pada tahun 2012, penulis melanjutkan studi Program S1
Ilmu Komputer Alih Jenis, Departemen Ilmu Komputer, Fakultas Matematika dan
Ilmu Pengetahuan Alam, Institut Pertanian Bogor.