INDENTIFIKASI JENIS KAYU BERDASARKAN CITRA DIGITAL MENGGUNAKAN ALGORITMA EIGENIMAGE DAN PRINCIPAL COMPONENTS ANALYSIS

INDENTIFIKASI JENIS KAYU BERDASARKAN CITRA DIGITAL
MENGGUNAKAN ALGORITMA EIGENIMAGE DAN PRINCIPAL
COMPONENTS ANALYSIS
Wahyu Widodo1 dan Edi Faizal2
Teknik Informatika STMIK El Rahma Yogyakarta
2
Teknik Komputer STMIK El Rahma Yogyakarta
e-mail: 1wahyusoft@yahoo.com, 2edsoftku@gmail.com
1

Abstract
Indonesia is a tropical country which has about 4,000 species of trees. Potential tree estimated 400
types of botanical (species), covered in 198 genera and 68 tribes. General characteristics of wood can be
recognized directly by the five senses by color, pattern, texture, grain direction, luster, impressions touch,
smell and hardness of wood. While anatomical features include the composition, shape, and size of the cells
or tissue intruders, which can only be clearly observed using the aid of a magnifying glass or microscope like
loops.
Along with the development of computerized technology, pattern recognition have been carried out
with a variety of applications and algorithms. In this research wood species recognition systems developed
using the imagery pore structure of the wood. The algorithm used is Eigenimage and transformation of
pattern recognition used by Principal Components Analysis (PCA). Identification performed by pattern

matching.
The test results showed the percentage of the system's ability to correctly identify the wood image by
96% (sensitivity), percentage of the system's specificity of 59%, positive predictive value of 88% (PPV),
negative predictive value by 83% (NPV), and accuracy rate of 87% (accuracy) with an error rate (error
rate) of 13%.

Keyword: wood, pattern recognition, eigenimage, PCA
PENDAHULUAN
Indonesia adalah Negara tropis dengan luas hutan yang sangat besar serta berbagai
jenis pohon yang terdapat didalamnya. Terdapat tidak kurang dari 4.000 jenis pohon yang
ada di Indonesia. Pusat Penelitian dan Pengembangan Hasil Hutan sudah menyimpan
contoh kayu dari lebih kurang 3.233 jenis pohon yang tercakup dalam 785 marga dari 106
suku. Jumlah jenis pohon yang potensial diperkirakan 400 jenis botani (spesies), tercakup
dalam 198 marga (genus) dari 68 suku (famili). Selanjutnya berdasarkan pertimbangan
persamaan ciri dan sifat, kayu dari jenis-jenis pohon tersebut dikelompokkan kembali
menjadi 186 kelompok [1].
Secara umum pengenalan jenis kayu dapat dilakukan dengan melakukan pengamatan
berdasarkan pada ciri-ciri tertentu. Pembagian kelompok pengenalan ciri kayu dapat dibagi
kedalam dua yaitu ciri umum dan ciri anatomi. Ciri umum yaitu ciri-ciri yang dapat dikenali
secara langsung dengan panca indera tanpa bantuan alat. Pengenalan dengan cara ini

melibatkan beberapa hal meliputi warna, corak, tekstur, arah serat, kilap, kesan raba, bau
dan kekerasan kayu. Sedangkan ciri anatomi meliputi susunan, bentuk, dan ukuran sel atau
jaringan penyusup, yang hanya dapat diamati secara jelas dengan menggunakan bantuan alat
berupa kaca pembesar seperti lup atau mikroskop [2].
Menurut [3], ciri umum relatif mudah diamati, sehingga sering digunakan dalam
melakukan identifikasi jenis kayu di lapangan. Namun hasil identifikasi tersebut tergantung

FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 12, No. 3, September 2014

pada keterampilan, pengalaman dan jumlah spesimen yang diidentifikasi. Spesimen dengan
jumlah yang besar sulit untuk diperoleh hasil yang akurat sehingga perlu pengamatan
anatomi. Ciri anatomi harus digunakan sebagai landasan utama, minimal yang dapat diamati
dengan bantuan lup berkekuatan pembesaran sepuluh kali.
Kegiatan pengenalan jenis kayu yang selama ini sering dilakukan adalah dengan
menggunakan panca indera manusia. Selain akurasi yang kurang, cara ini juga
membutuhkan pengalaman yang cukup banyak. Kayu merupakan salah satu komoditas
penting di Indonesia, karena itu sistem pengenalan jenis kayu yang akurat dan praktis sangat
penting untuk dikembangkan.
Seiring dengan perkembangan teknologi komputerisasi, penelitian tentang
pengenalan pola telah banyak dilakukan dengan beragam aplikasi dan algoritma. Salah satu

teknik untuk mengenali suatu citra adalah dengan membedakan tekstur yang merupakan
komponen dasar pembentuk citra. Tekstur citra dapat dibedakan dengan kerapatan,
keseragaman, keteraturan, kekasaran, dan lain-lain. Karena komputer tidak dapat
membedakan tekstur seperti halnya pengelihatan manusia, maka digunakan analisis tekstur
untuk mengetahui pola suatu citra digital berdasarkan ciri yang diperoleh secara matematis
[4].
Mengingat banyaknya jenis kayu yang memiliki kesamaan ciri sehingga sulit untuk
mengidentifikasi jenis kayu dengan akurat. Disisi lain, telah dikembangkan teknologi
berbasis komputer (computer based) untuk melakukan pengenalan pola (citra). Maka pada
penelitian ini dikembangkan sistem pengenalan jenis kayu menggunakan citra struktur pori
kayu. Algoritma yang digunakan adalah Eigenimage, selanjutnya untuk pengenalan pola
digunakan dengan transformasi Principal Components Analysis (PCA). Identifikasi dilakukan
dengan pattern matching sederhana tanpa menggunakan metode pembelajaran khusus seperti
jaringan syaraf tiruan. Diharapkan sistem ini dapat membantu mengenali jenis kayu secara
mudah dengan tingkat akurasi yang tinggi.
Penelitian tentang pengenalan pola/citra digital telah banyak dilakukan dengan pada
berbagai objek dan dengan metode yang berbeda. Diantara penelitian tersebut objek yang
di teliti antara lain pengenalan pola sidik jari, pengenalan pola tanda tangan serta penelitian
untuk melakukan pengenalan wajah dengan memanfaatkan beberapa pendekatan diantaraya
jaringan syaraf tiruan.

Penelitian [5] dilakukan untuk mengenali sidik jari secara parsial. Pengenalan pola
menggunakan bentuk segitiga yang diperoleh dari proses delaunay triangulation dari titik-titik
minutiae sidik jari yang berupa bifurcation dan ending ridge. Teknik optimasi dilakukan
menggunakan algoritma genetika dan local search yang menghasilkan garis-garis yang
merepresentasikan citra sidik jari. Penelitian ini mampu melakukan pengenalan sidik jari
parsial dengan matching rate sebesar 70%, FAR sebesar 33% dan FRR 30%.
Berbeda dengan tersebut, [6] menggunakan jaringan syaraf tiruan untuk mengenali
pola tanda tangan seseorang. Pola tanda tangan yang dikenali dituliskan dengan
menggunakan light pen. Metode pembelajaran yang digunakan dalam penelitian ini adalah
backpropagation. Beberapa langkah yang dilakukan sebelum masuk pada tahap jaringan syaraf
tiruan adalah preprocessing dan ekstraksi. Hasil penelitian ini menunjukan tingkat
keakuratan sistem untuk mengenali pola training data set mencapai 100% dan keakuratan
sistem untuk mengenali pola blind data set adalah sebesar 0%.
Penelitian [7] membahas tentang pengenalan wajah pada sistem presensi karyawan.
[8] juga melakukan penelitian untuk melakukan pengenalan wajah. Kedua penelitian ini
menggunakan algoritma eigenface untuk menganalisa pengenalan wajah (face recognition).
Teknik ini melibatkan pengambilan komponen utama (principal component analysis) dari
database wajah. Komponen utama ini merupakan representasi sebuah set wajah.

27


FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 10, No. 2, Mei 2012

Setiap citra wajah baru dapat direpresentasikan sebagai kombinasi linear dari eigenface.
Proses pengenalan wajah dimulai dengan mempersiapkan database dengan berbagai wajah,
lalu membuat eigenface dari database tersebut [8].
Hasil penelitian [7] menunjukan tingkat akurasi masih minim, sehingga belum bisa
diaplikasikan untuk menggantikan sistem presensi menggunakan barcode. Menurut [7],
faktor-faktor yang mempengaruhi hasil pengenalan pada sistem ini adalah pencahayaan,
jarak capture antara objek dan webcam serta distorsi (kemiringan) pose wajah pada saat
proses capture dilakukan. Sedangkan dari hasil penelitian [8] menunjukan bahwa tingkat
keakuratan dari sistem tidak begitu terpengaruh oleh tingkat blur dari citra.
METODE PENELITIAN
Pada penelitian ini yang menjadi subyek penelitian adalah membuat sistem
pengenalan jenis kayu menggunakan algoritma eigenimage dan principial components analysis
(PCA). Langkah penelitian yang akan dilakukan terlihat pada Gambar 1.

Gambar 1 Langkah penelitian
1. Pengembangan Sistem
Pengembangan sistem meliputi beberapa kegiatan, yaitu analisis kebutuhan perangkat

lunak, perancangan Algoritma dan perancangan antar muka (interface).
1.1 Analisis Kebutuhan Sistem
Tahap ini merupakan tahap penganalisaan sistem yang digunakan untuk mengetahui
kelebihan dan kekurangan dari sistem pengenalan kayu menggunakan Principial Components
Analysis (PCA).
1.2 Perancangan Algoritma
Tahapan ini diperlukan untuk menggambarkan algoritma yang digunakan dalam
pembuatan program aplikasi. Tahapan ini akan sangat membantu ketika pembuatan aplikasi
dilaksanakan. Pengenalan jenis kayu dilakukan dengan mencocokkan citra kayu yang dicapture menggunakan kamera dengan citra kayu yang ada pada database citra kayu.
1.3 Perancangan Antarmuka
Perancangan antarmuka berhubungan dengan tampilan program yang akan dibuat.
Hal ini penting, karena tampilan program yang userfriendly akan menarik perhatian pemakai
program selain untuk mengurangi kejenuhan. Perancangan antarmuka ini meliputi
perancangan tampilan program, perancangan input dan output yang diinginkan dalam

28

FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 12, No. 3, September 2014

program nantinya dan perancangan komponen agar mudah untuk dipahami dan digunakan

meski baru pertama kali menggunakan.
2. Implementasi
Tahap ini merupakan tahap pengimplementasian algoritma eigenimage pada aplikasi
pengenalan jenis kayu. Program yang digunakan untuk proses identifikasi jenis kayu dalam
pembuatan program aplikasi.
3. Pengujian
Pengujian sistem dilakukan dengan melakukan tes untuk mengukur kemampuan
sistem dalam mencocokan dan menemukan kayu yang sejenis sesuai dengan input. [9]
menjelaskan bahwa sensitivitas dan spesifisitas digunakan untuk mengetahui tingkat akurasi.
Analisis dilakukan dengan menggunakan 4 parameter yaitu TP, FP, TN dan FN.
selanjutnya digunakan dalam menghitung sensitivitas (sensitivity), spesifisitas (specificity), nilai
prediksi positif (PPV) dan nilai prediksi negatif (NPV). Perhitungan nilai-nilai tersebut
menggunakan persamaan (1), (2), (3), (4) [10].
Sensitivity = [TP/(TP+FN)] x 100%
(1)
Specificity = [TN/TN+FP] x 100%
(2)
(3)
PPV = [TP/ (TP+FP)] x 100%
NPV = [TN/ (TN+FN)] x100%

(4)
Keterangan:
TP : Sistem menghasilkan kesimpulan positif untuk sampel data positif;
FP : Sistem menghasilkan kesimpulan positif untuk sampel data negatif;
TN : Sistem menghasilkan kesimpulan negatif untuk sampel data negatif,
FN : Sistem menghasilkan kesimpulan negatif untuk sampel data positif.
Menurut [11], Confusion Matrix adalah cara yang berguna untuk menganalisis seberapa
baik sistem mengenali tuple dari kelas yang berbeda. TP dan TN memberikan informasi
ketika sistem benar, sedangkan FP dan FN memberitahu ketika sistem salah. Sensitivity dan
specificity dapat digunakan untuk pengklasifikasian akurasi. Sensitivity dapat ditunjuk sebagai
true positives (recognition) rate (proporsi dari tuple positif yang diidentifikasi dengan benar).
Sedangakan specificity adalah true negatives rate (proporsi tuple negatif yang diidentifikasi secara
benar). Fungsi
sensitivitas dan spesifisitas dapat menunjukkan tingkat akurasi
menggunakan persamaan (5) dan ukuran tingkat kesalahan sistem juga dapat dihitung
dengan persamaan (6).
=




+
( + )
+
=
100%
( + )

( + )

(5)
(6)

HASIL DAN PEMBAHASAN
Sistem yang dikembangkan dalam penelitian ini adalah sistem pengenalan jenis kayu
menggunakan algoritma eigenimage dan principial components analysis (PCA). Data yang
tersimpan dalam sistem disebut dengan database citra kayu. Citra kayu tersebut merupakan
data awal yang akan digunakan sebagai bahan perbandingan untuk mencocokan citra kayu
yang di inputkan user.
Citra setiap jenis kayu yang dijadikan data awal dilengkapi dengan sepuluh citra yang
diambil dari berbagai posisi serat. Banyak posisi citra tersebut bertujuan untuk menambah

kemampuan sistem dalam mengenali pola citra yang di inputkan user. Saat user menginputkan
citra kayu yang akan diidentifikasi, sistem akan mengubah resolusi citra baik ukuran
maupun pewarnaan.

29

FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 10, No. 2, Mei 2012

Setelah proses identifikasi selesai, jika citra kayu cocok dengan data citra yang
terdapat dalam sistem, maka sistem akan mengeluarkan informasi jenis kayu secara detail
serta contoh beberapa citra kayu tersebut dalam berbagai posisi.
1. Analisis Kebutuhan Sistem
Sistem yang akan dekembangkan membutuhkan dua jenis data yaitu data spesifikasi
kayu dan data citra kayu. Data spesifikasi kayu digunakan untuk memberikan informasi
detail satu jenis kayu. Sedangkan citra kayu digunakan untuk pencocokan kemiripan citra
kayu yang akan di identifikasi. Contoh spesifikasi kayu yang digunakan terdiri dari beberapa
jenis yang disajikan pada Tabel 1 serta contoh citra kayu ditampilkan pada Gambar 2.
Tabel 1 Spesifikasi jenis kayu
No
Jenis

Ciri Umum
Keterangan
Kayu
1
Bangkirai
Nama Botanis
Shorea laevis Ridl. (syn. S. laevifolia Endert), famili
Dipterocarpaceae.
Daerah
Seluruh Kalimantan
Penyebaran
Warna
Kayu teras berwarna kuning-coklat, kayu gubal
coklat muda pucat kekuning-kuningan.
Tekstur
Tekstur kayu halus sampai agak kasar.
Arah serat
Arah serat lurus atau berpadu.
Kesan Raba
Permukaan kayu licin atau berganti-ganti
antara licin dan kesat karena arah serat yang
berpadu.
Kilap
Permukaan kayu mengkilap.
Gambar
Pada bidang radial kadang-kadang nampak
garis-garis yang berwarna lebih muda.
2
Bintangu
Nama Botanis
Calophyllum spp., famili Guttiferae
r
Daerah
Sumatera Barat, Riau, Jambi, Sumatera Selatan,
Penyebaran
Lampung, Jawa, Kalimantan Barat,
Kalimantan Tengah, Sulawesi, Maluku, Nusa
Tenggara Timur.
Warna
Kayu teras C.inophyllum berwarna coklatmerah pucat, sedang jenis lainnya bervariasi
dari merah jambu, merah muda, merah-coklatkelabu muda, merah-coklat sampai merahlembayung; kayu gubal berwarna coklat-kelabu
pucat atau coklat kuning semu-semu merah
jambu, tebal kira-kira 5cm dan dapat jelas
dibedakan dari kayu teras.
Tekstur
Tekstur kayu agak kasar sampai kasar, agak
tidak merata.
Arah serat
Arah serat berpadu (pada C.inophyllum sangat
berpadu), agak bergelombang atau tidak
teratur.
Kesan Raba
Permukaan kayu licin, pada bidang radial C.
inophyllum ada bagian yang licin dan ada bagian
yang kesat.
Kilap
Permukaan kayu mengkilap.
Gambar
Pada bidang tangensial bergambar pita
30

FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 12, No. 3, September 2014

berbiku-biku, sedang pada bidang radial
gambarnya berupa pita-pita lurus.

Gambar 2 Citra kayu jenis bangkirai
2.

Perancangan Algoritma
Proses identifikasi (pencocokan) jenis kayu menggunakan algoritma eigenimage dan
principial components analysis (PCA) ini dilakukan dengan mengikuti langkah-langkah
(algoritma) tertentu. Secara detail langkah yang dilakukan dapat dilihat pada Gambar 3.

Gambar 3 Proses identifikasi citra kayu
Keterangan:
a. Citra kayu di-capture dengan menggunakan kamera.
b. Citra kayu ini kemudian dinormalisasi. Normalisasi citra kayu dilakukan dengan
meurunkan kualitas warnanya menjadi tipe grayscale.
c. Setelah didapatkan citra kayu yang ternormalisasi, hitung nilai Eigen dari citra kayu
tersebut, misalnya diperoleh nilai x.

31

FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 10, No. 2, Mei 2012

d. Data kayu merupakan koleksi citra kayu. Dari koleksi ini masing-masing citra dikalkulasi
nilai Eigen-nya dan dikumpulkan dalam vector yang dinamakan eigenvector. Misalkan
diperoleh nilai (x1, x2, x3,…xn).
e. Proses matching dilakukan dengan mencocokkan nilai x dengan nilai-nilai pada
Eigenvector dari citra dalam database, dan mencari nilai yang paling mendekati.
f. Jika sudah ditemukan nilai yang paling mendekati, cari data kayu yang berkorespondensi
dengan nilai tadi.
3. Implementasi
Bagian merupakan implementasi dari rancangan yang telah dibuat sebelumnya. Secara
garis besar, implementasi sistem untuk melakukan identifikasi jenis kayu ini dapat dibagi
menjadi 2 kategori berdasarkan jenis pemakai yaitu administrator yang juga bertindak
sebagai pengelola sistem dan user umum yang bertindak sebagai pemakai biasa. Masingmasing kategori pemakai mempunyai hak akses terhadap sistem yang dengan fasilitas
yang berbeda-beda.
Adminnistrator memiliki hak akses untuk memanipulasi data jenis kayu, baik
berupa data deskripsi maupun data yang berupa citra gambar kayu. Selain itu administrator
juga dapat melakukan proses identifikasi. Sedangkan pemakai biasa hanya berhak untuk
melakukan pencarian informasi data kayu dan melakukan proses identifikasi jenis kayu.

Gambar 4 Tampilan form utama
Ketika sistem mulai dieksekusi, maka tampilan pertama yang akan muncul adalah
tampilan form utama dari sistem seperti terlihat pada pada Gambar 4 Ketika
administrator akan melakukan manipulasi (menambah, menghapus atau mengubah) data
kayu, maka user tersebut harus melakukan login terlebih dahulu. Tampilan dari form login
dapat dilihat pada Gambar 5.

Gambar 5 Tampilan form login
3.1 Menu Administrator
32

FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 12, No. 3, September 2014

Setelah user masuk ke menu administrator dan memilih sub menu data kayu serta
berhasil melaukukan login maka user tersebut sudah bias melakukan manipulasi data kayu.
Login diperlukan untuk melakukan pengamanan data kayu dan menjaga validitas data yang
tersimpan didalam sistem, terutama citra kayu uang akan digunakan sebagai dasar dalam
melakukan identifikasi jenis kayu. Tampilan dari form input data kayu di tampilkan pada
Gambar 6.

Gambar 6 Tampilan form input data kayu
Pada form input data kayu disediakan fasilitas untuk memasukan data spesifikasi suatu
jenis kayu yang terdiri nomor indeks kayu, nama kayu, nama botanis (nama latin), daerah
penyebaran, warna, tekstur, arah serat, kesan raba, kilap dan keterangan.
Setiap jenis kayu yang dimasukan disertai dengan sepuluh buah citra/gambar kayu
dalam berbagai posisi irisan. User dapat memasukan gambar dengan meng-klik tombol
image1 sampai image10. Ketika tombol di klik maka sistem akan menampilkan jendela browse
untuk melakukan pengambilan citra dari media penyimpanan. Langkah selanjutnya setelah
semua data dimaukan dengan benar user dapat melakukan penyimpanan data, baik data
spesifikasi maupun data citra. Setiap gambar yang disimpan akan di ubah dalam ukuran
80x80 pixel dengan tipe gambar bitmap (.bmp) grayscale.
3.2 Menu User
Menu user adalah menu yang dapat diakses semua jenis pemakai, baik user umum dan
administrator. Menu ini memiliki dua sub menu yaitu sub menu informasi data kayu dan
sub menu identifikasi.
1. Sub menu informasi data kayu
Sub menu ini berfungsi sebagai fasilitas untuk mengetahui informasi spesifikasi dan
tampilan citra beberapa jenis kayu yang tersimpan dalam sistem. Form ini di lengkapi
dengan fasilitas pencarian data, sehingga dapat user melakukan pencarian data dengan
mengetikan nama atau sebagian nama kayu yang akan di cari. Tampilan form informasi
kayu terlihat pada Gambar 7.

33

FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 10, No. 2, Mei 2012

Gambar 7 Tampilan form informasi kayu
2. Sub menu identifikasi
Sub menu identifikasi adalah fasilitas utama dalam aplikasi/sistem ini karna pada
menu inilah proses identifikasi dan penerapan algoritma yang sudah dijelaskan diatas akan
di implementasikan. Tampilan pertama yang muncul ketika user meng-klik sub menu ini
seperti ditampilkan pada Gambar 8.

Gambar 8 Tampilan pertama proses identifikasi
Langkah pertama yang harus dilakukan adalah memanggil citra/gambar kayu yang
akan di identifikasi. Pengambilan gambar dapat dilakukan dengan meng-klik tombol
ambil gambar (testing). Fasilitas ini akan menampilkan jendela browse sehingga user dapat
memilih file gambar dari media penyimpanan. Gambar yang dapat digunakan adalah
gambar dengan warna dan tipe apa saja, tetapi lebih baik jika menggunakan file bertipe
.bmp atau .jpg. Sebagai contoh, user memilih citra seperti yang terlihat pada tampilan form
Gambar 9.

34

FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 12, No. 3, September 2014

Gambar 9 Pengambilan gambar (testing)
Setelah citra yang akan diidentifikasi sudah dimasukan kedalam form, langkah
berikutnya adalah melakukan proses identifikasi dengan meng-klik tombol identifikasi
(training) seperti terlihat pada Gambar 10. Proses pertama yang dilakukan sistem adalah
dengan memastikan atau mengubah gambar (normalisasi) menjadi tipe grayscale.
Selanjutnya melakukan perhitungan nilai eigen dari citra/gambar (image) yang akan di tes.
Setiap nilai akan dikoleksi menjadi eigenvector. Langkah terakhir adalah melakukan proses
pencocokan (matching) pada eigenvector pada citra dalam database untuk mendapatkan citra
kayu yang paling dekat dengan citra yang diidentifikasi.
Setelah proses identifikasi selesai dilakukan sistem, selanjutnya user dapat melihat
detail hasil jenis kayu yang cocok dengan citra sumber (testing) dengan meng-klik tombol
hasil pengenalan (identifikasi). Tampilan hasil identifikasi ditunjukan pada Gambar 11.

Gambar 10 Identifikasi (training)

35

FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 10, No. 2, Mei 2012

Gambar 11 Hasil identifikasi
Pengujian Sistem
Proses pengujian sistem dilakukan dengan melakukan pengidentifikasian sampel citra
kayu dengan pola acak. Citra kayu yang diujika adalah citra kayu yang sesuai dengan data citra
yang terdapat dalam sistem. Selain itu digunakan juga beberapa sampel citra kayu yang tidak
terdapat dalam basisdata sistem. Sistem dianggap berhasil melakukan identifikasi jika data yang
sesuai dengan basisdata citra di temukan, dan sebaliknya dinyatakan gagal bila tidak
menemukan kecockan.
Evaluasi hasil pengujian sistem dalam melakukan identifikasi citra kayu dilakukan
dengan menghitung nilai sensitivitas, spesifisitas, PPV, NPV, akurasi dan error rate.
Evaluasi penting dilakukan untuk mengetahui apakah sistem yang dibuat layak
digunakan untuk melakukan identifikasi jenis citra kayu. Tahap pertama yang harus
dilakukan adalah membuat confusion matrix berdasarkan nilai hasil pengujian sistem, seperti
terlihat pada Tabel 2.
Tabel 2 Confusion matrix hasil pengujian sistem
DATA UJI SISTEM
Citra
Citra Tidak
Total
Sesuai
Sesuai
Citra
Sampel
Sampel
52 Citra
HASIL
Teridentifikasi
50 (TP)
2 (FN)
(P)
PENGUJIAN
SISTEM
Tidak
17 Citra
7 (FP)
10 (TN)
Teridentifikasi
(N)
69 Citra
Total Citra
57 Citra
12 Citra
(P+N)
Confusion matrix pengujian sistem menunjukan sebanyak 50 sampel dapat diidentifikasi
dan sebanyak 5 sampel tidak teridentifikasi. Sedangkan pengujian dengan menggunakan
sampel citra yang tidak terdapat dalam basisdata, ditemukan 2 sampel yang teridentifikasi
cocok dan 10 sampel tidak teridentifikasi. Berdasarkan data tersebut dapat dihitung tingkat
sensitivitas, spesifisitas, PPV, NPV, akurasi dan error rate menggunakan persamaan (1), (2),
(3), (4), (5) dan persamaan (6).
50
x 100% = 96%
1. Sensitifitas
=
(50+2)
10
2. Spesifisitas
=
x 100% = 59%
(10+7)
3. PPV
=
50
x 100% = 88%
4.

36

FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 12, No. 3, September 2014

(50+7)
10
(10+2)

4.

NPV

=

5.

Accuracy

=

96% x

6.

Error rate

=

(7+2)
(52+17)

x 100% = 83%
52
(52+17)

+ 59% x

17
(52+17)

=87%

x 100% = 13%

Hasil perhitungan diatas menunjukan persentase kemampuan sistem dalam
mengidentifikasi citra kayu dengan benar sebesar 96% (sensitifitas), persentase
kemampuan sistem dalam mengenali jenis kayu tidak sesuai sampel sebesar 59%
(spesifisitas), nilai prediksi positif sebesar 88% (PPV), nilai prediksi negatif sebesar 83%
(NPV), dan tingkat akurasi sebesar 87% (accuracy) dengan tingkat kesalahan (error rate)
sebesar 13%.
KESIMPULAN
Berdasarkan tahapan penelitian yang telah dilakukan dapat disimpulkan bahwa,
1. Sistem yang dibangun dapat berfungsi sebagai sarana untuk melakukan identifikasi 10
jenis kayu dengan menggunakan algoritma eigenimage dan principial components analysis
(PCA) dalam menganalisa tingkat akurasi pengenalan.
2. Hasil pengujian sistem menunjukan persentase kemampuan sistem dalam
mengidentifikasi citra kayu dengan benar sebesar 96% (sensitifitas), persentase
kemampuan sistem dalam mengenali jenis kayu tidak sesuai sampel sebesar 59%
(spesifisitas), nilai prediksi positif sebesar 88% (PPV), nilai prediksi negatif sebesar 83%
(NPV), dan tingkat akurasi sebesar 87% (accuracy) dengan tingkat kesalahan (error rate)
sebesar 13%.
SARAN
Penelitian yang dilakukan hanya terbatas pada pencocokan terhadap sampel 10 jenis
citra kayu, untuk penelitian selanjutnya disarankan untuk menggunakan sampel yang lebih
banyak sehingga kemampuan sistem akan lebih baik, serta penggunaan algoritma yang
berbeda dalam melakukan pencocokan citra kayu.
DAFTAR PUSTAKA
[1] Damayanti, R. dan Mandang, Y.I., 2007, Pedoman Identifikasi Kayu Kurang Dikenal,
Pusat Penelitian Hasil Hutan, Bogor.
[2] Mandang, Y. I., Damayanti, R., Komar, T. E., dan Nurjanah, S., 2008, Pedoman
Identifikasi Kayu Ramin dan Kayu Mirip Ramin : Departemen Kehutanan Badan
Penelitian dan Pengembangan Kehutanan Bekerja Sama dengan International
Tropical Timber Organization, CV. Biografika, Bogor, ISBN 978-979-8542-14-7
[3] Mandang, Y.I. dan Pandit, I.K.N., 2002, Pedoman Identifikasi Kayu di Lapangan,
Prosea, Bogor.
[4] Santoso, I., Christyono, Y., dan Indriani, M., 2007, Kinerja Pengenalan Citra Tekstur
Menggunakan Analisis Tekstur Metode Run Length, Seminar Nasional Aplikasi
Teknologi Informasi (SNATI), Yogyakarta, ISSN: 1907-5022, Halaman F-19 - F-25.

37

FAHMA – Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 10, No. 2, Mei 2012

[5] Setiono, T., 2009, Metode Pengenalan Sidik Jari Parsial dengan Menggunakan
Delaunay Triangulation dan Algoritma Genetika, Tugas Akhir, Teknik Informatika
ITS, Surabaya.
[6] Zainal, A., Fauzi, A., Sigit, R. dan Huda, M., 2002, Aplikasi Neural Network pada
Pengenalan Pola Tanda Tangan, Makalah Proyek Akhir, Politeknik Elektronika
Negeri, Surabaya.
[7] Al Fatta, H., 2006, Sistem Presensi Karyawan Berbasis Pengenalan Wajah dengan
Algoritma Eigenface, Seminar Nasional Sistem dan Informatika (SNSI), Bali. Halaman
164-170
[8] Kurniawan, C., 2009, Pengenalan Citra Wajah dengan Metode Eigenface, Tugas
Akhir-S1, Departemen Fisika ITB, bandung.
[9] Akobeng, A.K., 2007, Understanding diagnostic tests 1: sensitivity, specificity and
predictive values, Acta Pædiatrica, Vol. 96 No. 3, ISSN:1651-2227, Halaman 338-341.
[10] Tomar, P.P.S., Singh, R., Saxena, P.K., dan Sharma, B.K., 2012, A Medical
Multimedia Based DSS for Heart Diseases Diagnosis and Training, Canadian Journal
on Biomedical Engineering & Technology Vol. 3 No. 2.
[11] Han, J., dan Kamber, M., 2006, Data Mining: Concepts and Techniques Second Edition,
Morgan Kauffman, ISBN 978-92-4-156437-3, San Fransisco.

38