23
BAB III METODE PENELITIAN 3.1. Tahapan Penelitian Tahapan proses penelitian di tunjukkan pada Gambar 15 berikut.
Mulai
96 citra stomata
Ekstraksi fitur - RGB & Skala Keabuan -
Ekstraksi fitur - Wavelet
9 fitur
w-entropi
k-Fold cross validation
Data Pelatihan
k-Fold cross validation
Data Pengujian
Klasifikasi 1. K-NN 2. JST
Data Pelatihan
Analisis Akurasi
Perbandingan akurasi
Selesai
Gambar 15 Tahapan proses penelitian.
Data Pengujian
Klasifikasi 1. K-NN 2. JST
24
3.2. Data Citra Anatomi Stomata Data yang digunakan pada penelitian ini adalah data citra anatomi stomata jenis Freycinetia, yaitu F. angustifolia, F. imbricata, F. javanica, F. sumatrana (Pasaribu 2010), citra stomata diakuisisi menggunakan mikroskop digital (Mikroskop Nikon. AFX II-A). Data citra berjumlah 96 buah yang berasal dari empat jenis Freycinetia. Masing-masing jenis mempunyai 24 buah citra anatomi stomata. Dimensi citra adalah 640 x 480 piksel dengan format jpg. Dat a dari masing-masing jenis dibagi menjadi dua bagian, 20 buah untuk data latih dan 4 buah untuk data uji.
3.3. Ekstraksi fitur Ekstraksi fitur bertujuan untuk mendapatkan fitur dari citra, terdapat dua teknik untuk ekstraksi fitur. Pertama adalah pengambilan fitur red (R), green (G), dan blue (B) pada citra warna dan pada citra grayscale diambil fitur level keabuan, standar deviasi, dan empat fitur yang dikenal dengan analisis tekstur (entropi, energi, kontras, homogenitas) . Kedua adalah pengambilan fitur w-entropy pada citra grayscale dengan teknik dekomposisi wavelet pada level satu (4 fitur), level dua (7 fitur), level tiga (10 fitur), dan level empat (13 fitur). Proses ekstraksi fitur menggunakan program Matlab 2008.
3.3.1. RGB dan Analisis Tekstur Ekstraksi fitur pada teknik ini menghasilkan 9 fitur terdiri atas 3 fitur dari citra warna dan 6 fitur dari citra grayscale. Fitur citra warna dibagi menjadi indeks warna merah (R), indeks warna hijau (G), dan indeks warna biru (B). Fitur RGB dihasilkan dengan menghitung nilai rata -rata piksel R,G,B dari citra warna. Fitur pada citra grayscale dihasilkan dengan menghitung komponen pada analisis tekstur menggunakan persamaan (4) hingga persamaan (7), level keabuan dihitung dengan selisih nilai piksel maksimal dan minimal dibagi dengan dua , terakhir dihitung standar deviasi dari citra grayscale. Proses ekstraksi fitur RGB dan analisis tekstur ditunjukkan pada Gambar 16 .
25
Gambar 16 Ekstraksi fitur pada citra warna dan grayscale.
3.3.2. Dekomposisi Wavelet Dekomposisi wavelet dilakukan pada level satu, dua, tiga, dan empat. Contoh ekstraksi fitur pada dekomposisi wavelet level satu hingga level tiga ditunjukkan
pada Gambar 17. Ekstraksi fitur
dilakukan menggunakan
transformasi wavelet Haar dengan proses perataan (p1) dan pengurangan (p2) seperti pada persamaan (8) dan (9).
Gambar 17 Dekomposisi wavelet level satu hingga level tiga.
26
Proses dekomposisi wavelet terdiri atas empat level, sebagai berikut : a. Proses dekomposisi wavelet level satu Proses ini akan menghasilkan empat buah subband, yaitu : 1. Koefisien Approksimasi ( subband LL1) 2. Koefisien Detail Horisontal ( subband HL1) 3. Koefisien Detail Vertikal ( subband LH1) 4. Koefisien Detail Diagonal ( subband HH1) masing-masing subband akan diambil nilai w-entropy. Hasil dekomposisi wavelet level satu akan menghasilkan empat nilai w-entropy seperti ditunjukkan pada Gambar 18.
Gambar 18 Ilustrasi pembentukan nilai w-entropy pada dekomposisi wavelet level satu.
b.
Proses dekomposisi wavelet level dua Proses ini akan menghasilkan tujuh buah subband, terdiri atas empat buah
subband hasil dekomposisi koefisien approksimasi pada level satu, yaitu : 1. Koefisien Approksimasi (subband LL2) 2. Koefisien Detail Horisontal ( subband HL2) 3. Koefisien Detail Vertikal ( subband LH2) 4. Koefisien Detail Diagonal ( subband HH2) dan tiga buah subband
hasil dari proses dekomposisi level satu, yaitu nilai
koefisien detail horisontal (HL1), vertikal (LH1), dan diagonal (HH1), selanjutnya masing-masing subband akan diambil nilai w-entropy seperti ditunjukkan pada Gambar 19.
27
Gambar 19 Ilustrasi pembentukan nilai w-entropy pada dekomposisi wavelet level dua. c.
Proses dekomposisi level tiga Proses dekomposisi level tiga dilakukan sama seperti dekomposisi wavelet
level satu dan dua. Jumlah subband yang dihasilkan pada dekomposisi level tiga sebanyak 10 buah, terdiri atas empat subband
hasil dekomposisi koefisien
approksimasi pada level dua, yaitu : 1. Koefisien Approksimasi ( subband LL3) 2. Koefisien Detail Horisontal ( subband HL3) 3. Koefisien Detail Vertikal ( subband LH3) 4. Koefisien Detail Diagonal ( subband HH3) dan tiga buah subband hasil dari proses dekomposisi level dua, yaitu nilai koefisien detail horisontal (HL 2), vertikal (LH 2), dan diagonal (HH 2), serta tiga buah subband hasil dari proses dekomposisi level satu, yaitu nilai koefisien detail horisontal (HL 1), vertikal (LH 1), dan diagonal (HH 1), selanjutnya masing-masing subband akan diambil nilai w-entropy. Dekomposisi level ini menghasilkan 10 fitur w-entropy seperti ditunjukkan pada Gambar 20 . w-entropy
w-entropy
LL3
HL3
w-entopy
w-entropy
w-entropy
LH3
HH3
HL2
w-entopy
w-entopy
LH2
HH2
w-entropy LH1
w-entropy HL1
w-entropy HH1
Gambar 20 Ilustrasi nilai w-entropy pada dekomposisi wavelet level tiga.
28
d.
Proses dekomposisi wavelet level empat Proses ini berhubungan dengan proses dekomposisi pada level -level
sebelumnya. Jumlah subband pada proses ini sebanyak 13 subband, terdiri atas empat subband (LL4, HL4, LH4, HH4) hasil dekomposisi koefisien approksimasi pada level tiga, sembilan subband hasil koefisien detail horizontal, vertikal, dan diagonal pada level tiga (HL 3, LH3, HH3), level dua (HL 2, LH2, HH2), dan level satu (HL1, LH1, HH1). Setiap subband akan diambil nilai w-entropy. Dekomposisi level empat menghasilkan 13 fitur w-entropy seperti ditunjukkan pada Gambar 21 . wentropy
wentropy
LL4
HL4
wentropy
wentropy
LH4
HH4
w-entropy
HL3
w-entopy
HL2
w-entropy
w-entropy
LH3
HH3
w-entropy HL1
w-entopy
w-entopy
LH2
HH2
w-entropy LH1
w-entropy HH1
Gambar 21 Ilustrasi nilai w-entropy pada dekomposisi wavelet level empat.
3.4. Data Latih dan Data Uji Citra stomata berjumlah 96 data terbagi atas 2 bagian, yaitu data latih (80 data) dan data uji (16 data). Data dikelompokan menggunakan 6-fold crosvalidation berdasarkan data setiap jenis, yaitu 24 buah citra. Data dibagi menjadi 6 bagian data uji, yaitu citra 1 - 4, citra 5 - 8, citra 9 - 12, citra 13 - 16, citra 17 20, dan citra 21 – 24. Pengelompokan detail 6-fold cros-validation ditunjukkan pada Gambar 22.
29
Gambar 22 Bentuk 6- fold cros-validation.
3.5. Klasifikasi Freycinetia Klasifikasi Freycinetia menggunakan dua teknik, yaitu K-NN dan JST. Klasifikasi dilakukan terhadap 80 data latih dan diujikan pada 16 data uji. Output terdiri atas empat kelas yang mencirikan jenis Freycinetia, yaitu kelas 1 mencirikan F.angustifolia, kelas 2 mencirikan F.imbricata, kelas 3 mencirikan F.javanica, dan kelas 4 mencirikan F.sumatrana. Klasifikasi K-NN menggunakan nilai k=1 hingga k=6. JST menggunakan jumlah hidden neuron 10, 20, dan 30. Epoh yang digunakan 100. Fungsi aktivasi menggunakan tansig dan purelin. Fungsi pelatihan jaringan backpropagation yaitu trainlm. Penentuan output pada klasifikasi kelas berdasarkan nilai maximal pada setiap kelas .
3.6. Akurasi Hasil penelitian diukur dengan akurasi un tuk menilai kinerja sistem klasifikasi jenis Freycinetia dengan K-NN dan JST. Akurasi dihitung berdasarkan data uji pada proses 6 fold validation dengan persamaan (12), sedangkan untuk mengetahui penyebaran kesalahan klasifikasi digunakan confusion matriks.
100% ............................. (12)
30
3.7. Alat dan Bahan Penelitian Alat dan bahan yang digunakan dalam penelitian ini adalah sebagai berikut : a. Software - Sistem Operasi : MS Window XP Profesional Version 2002 SP2 - Pemograman : Matlab 2008, Microsoft Office Excel 2007 b. Hardware - Processor Intel (R) CoreTM i3 - Memori DDR 2 - RAM 2,99 GB
3.8. Waktu dan Tempat Penelitian Penelitian dilaksanakan di laboratorium Computational Intelegence (CI) Pascasarjana Departemen Ilmu Komputer IPB mulai Februari 2011 sampai dengan Februari 2012.
