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

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

CANGGIH TRISYANTO

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

i

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

CANGGIH TRISYANTO

Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer

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

i

ii

ABSTRACT

CANGGIH TRISYANTO. Development of Ramin wood identification using Local Binary Pattern and Probabilistic Neural Network Supervised by YENI HERDIYENI. The purpose of this research is to create dekstop application system in effective and efficient way to identify the ramin wood and similar ramin wood based on imagery by using LBPV and PNN methods. LBP variance (LBPV) is used to characterize the local contrast information into the onedimensional LBP histogram. This research uses the Probabilistic Neural Network (PNN) technique to classify the LBPV. This research was carried out using 21 different types of similar ramin wood and one species of ramin wood. For each type of wood, 20 image were collected. The results of this research conclude that of the 3 operators used one operator was obtained that produce the highest accuracy, which is LPBV (24,3) with 79,77% accuracy. The result of this research indicate that LBPV (24,3) is more accurate to distinguish ramin wood texture and similar ramin wood. This research used only a small-size database, so for further research is needed to use more feature extract methods and types of ramin wood and similar ramin wood.

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

ii

iii

Judul Skripsi Nama NIM

: Sistem Identifikasi Kayu Ramin Berbasis Citra Menggunakan Local Binary ------ Pattern dan Probabilistic Neural Network : Canggih Trisyanto : G64096016

Disetujui Pembimbing

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

Diketahui Ketua Departemen Ilmu Komputer

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

Tanggal Lulus:

iii

iv

PRAKATA Alhamdulilahirobbil’alamin penulis panjatkan doa kehadirat Allah Subhanallahu wa ta’ala yang telah memberikan nikmat dan karunia-Nya kepada penulis dalam keadaan sehat walafiat, sehingga penulis dapat menyelesaikan skripsi, yang merupakan salah satu syarat guna mencapai gelar sarjana Strata Satu (S1) di Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Penulis menyadari bahwa penulisan ini tidak terlepas dari dukungan yang diberikan, baik moril maupun materiel. Oleh karena itu perkenankan penulis menyampaikan rasa terimakasih yang tidak mungkin dapat penulis balas sampai kapanpun kepada Ayahanda dan Ibunda tercinta yang tidak pernah bosan memberikan nasehat, dorongan dan semangat selama penulisan skipsi ini. Selain itu, pada kesempatan ini dengan tulus hati penulis ingin menyampaikan rasa terimakasih atas dukungan, bimbingan, dan perhatiannya kepada : 1. Ibu Dr. Yeni Herdiyeni, S.Si., M.Kom. selaku dosen pembimbing yang telah memberikan banyak bantuan, kemudahan, saran dan ilmu kepada penulis. 2. Bapak Toto Haryanto S.kom, M.Si., dan bapak Aziz Kustiyo S.Si, M.Kom. sebagai dosen penguji dalam penelitian ini. 3. Bapak dan Ibu Ruli selaku pembimbing di Departemen Kehutanan Bogor yang telah memberikan bahan penelitian dan materi dasar tentang objek penelitian ini. 4. Teman-teman satu bimbingan Desta Sandya Prasvita, Mayanda Mega, Ni Kadek, Oki Maulana, Pauzi Ibrahim, Ryanti Octaviani, Siska Susanti, dan Tomy Kurniawan atas saran, masukan dan nasihat yang diberikan kepada penulis. 5. Teman-teman di Departemen Ilmu Komputer Alih Jenis IPB angkatan 4 atas segala kebersamaan, bantuan, dan motivasi yang telah diberikan kepada penulis. 6. Kepala Sekolah dan guru-guru SMK Informatika Pesat Bogor yang telah memberikan pengertian, perhatian, dan bantuan kepada penulis. 7. Sahabat-sahabat terdekat penulis yang telah memberikan doa dan dukungan. Penulis menyadari bahwa masih banyak kekurangan yang ditemukan dalam tugas akhir ini. Penulis berharap adanya saran dan kritik yang membangun dari semua pihak yang membaca tulisan ini. Semoga tulisan ini bermanfaat dan dapat menambah wawasan ilmu pengetahuan bagi penulis khususnya dan pembaca umumnya.

.

Bogor, Oktober 2012

Canggih Trisyanto

iv

v

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

v

DAFTAR ISI Halaman DAFTAR TABEL ............................................................................................................................ v DAFTAR GAMBAR ........................................................................................................................ v DAFTAR LAMPIRAN ..................................................................................................................... v PENDAHULUAN ............................................................................................................................ 1 Latar Belakang ............................................................................................................................. 1 Tujuan Penelitian .......................................................................................................................... 1 Ruang Lingkup ............................................................................................................................. 1 TINJAUAN PUSTAKA ................................................................................................................... 1 Kayu Ramin.................................................................................................................................. 1 Ekstraksi Fitur .............................................................................................................................. 2 Tekstur .......................................................................................................................................... 2 Local Binary Patterns .................................................................................................................. 2 Local Binary Patterns Variance (LBPV) ...................................................................................... 3 K-Fold Cross Validation .............................................................................................................. 3 Probabilistic Neural Network ....................................................................................................... 3 METODE PENELITIAN ................................................................................................................. 4 Koleksi Data Citra Kayu .............................................................................................................. 4 Ekstraksi Fitur Tekstur Kayu ........................................................................................................ 4 Pembagian Data Latih dan Data Uji (K-fold cross validation) ..................................................... 4 Klasifikasi dengan Probabilistic Neural Network ........................................................................ 5 Pengujian dengan Sistem .............................................................................................................. 5 Lingkungan Pengembangan ......................................................................................................... 5 HASIL DAN PEMBAHASAN......................................................................................................... 5 Hasil Praproses ............................................................................................................................. 5 Identifikasi Citra ........................................................................................................................... 6 Antarmuka Sistem ........................................................................................................................ 8 KESIMPULAN DAN SARAN......................................................................................................... 9 Kesimpulan ................................................................................................................................... 9 Saran ............................................................................................................................................. 9 DAFTAR PUSTAKA ....................................................................................................................... 9 LAMPIRAN ................................................................................................................................... 10

iv

v

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

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

DAFTAR LAMPIRAN Halaman 1 Jenis kayu Ramin dan mirip Ramin. .................................................................................................. 11 2 Hasil akurasi 3 operator. .................................................................................................................... 17 3 Confusion matriks LBPV (24,3). ..................................................................................................... 18 4 Screenshoot aplikasi RADEN ............................................................................................................ 23

v

v

1

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

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

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

2

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

bobot

Gambar 1 Perhitungan LBP. Nilai threshold Pola LBP Nilai LBP

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

LBP dapat diformulasikan dengan rumus sebagai berikut: ∑

(

)

(1)

dengan: {

(2)

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

∑

(

)

[

]

(3)

dengan: {

(4)

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

(8,1)

(12,2.5)

(16,4)

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

3

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

Spot/flat Line end

edge

Coner

Probabilistic Neural Network

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

)

[

]

(5) dengan: (

)

{

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

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

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

4

(

(

) (

)

)

(7)

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

(

(

) (

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

) )

(8) 4 Lapisan keluaran (output layer) Pada lapisan keluaran input x akan diklasifikasikan ke kelas I jika nilai paling besar dibandingkan kelas lainnya.

Gambar 6 Dino Lite Ekstraksi Fitur Tekstur Kayu

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

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

Gambar 7 Pembentukan histogram LBP

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

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

5

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

Data latih

Data uji

Satu

S1, S2, S3, S4

S5

Dua Tiga

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

S4 S3

Empat

S1, S3, S4,S5

S2

Lima

S2, S3, S4,S5

S1

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

∑ ∑

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

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

6

Gambar 9 Citra Kayu Agatis

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

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

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

7

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

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

Data Latih

Data Uji

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

8

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

Gambar 16 Screenshoot antarmuka sistem

Data Latih

1.

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

2.

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

3.

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

4.

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

Data Uji

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

9

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

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

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

10

LAMPIRAN

11

Lampiran 1 Jenis kayu Ramin dan mirip Ramin.

No

1

Citra Kayu

Keterangan Nama Local Nama Latin Warna

: : :

Kerapatan Pembuluh Jari-jari

: : :

Nama Local Nama Latin Warna Kerapatan Pembuluh

: : : : :

Jari-jari Parenkim

: :

Nama Local Nama Latin Warna Kerapatan Pembuluh

: : : : :

Jari-jari Parenkim

: :

Nama Local Nama Latin Warna Kerapatan Pembuluh

: : : : :

Jari-jari Parenkim

: :

2

3

4

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

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

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

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

12

Lampiran 1 lanjutan

No

5

6

Citra Kayu

Keterangan Nama Local Nama Latin

: :

Warna

:

Kerapatan Pembuluh Jari-jari

: : :

Parenkim

:

Nama Local Nama Latin Warna Kerapatan Pembuluh

: : : : :

Jari-jari Parenkim

: :

Nama Local Nama Latin Warna Kerapatan Pembuluh

: : : : :

Jari-jari Parenkim

: :

Nama Local Nama Latin Warna Kerapatan Pembuluh

: : : : :

Jari-jari Parenkim

: :

7

8

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

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

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

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

13

Lampiran 1 lanjutan

No

9

Citra Kayu

Keterangan Nama Local Nama Latin Warna Kerapatan Pembuluh

: : : : :

Jari-jari

:

Parenkim

:

Nama Local Nama Latin Warna Kerapatan Pembuluh

: : : : :

Jari-jari Parenkim

: :

Nama Local Nama Latin Warna Kerapatan Pembuluh

: : : : :

Jari-jari Parenkim

: :

Nama Local Nama Latin

: :

Warna Kerapatan Pembuluh

: : :

Jari-jari

:

Parenkim

:

10

11

12

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

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

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

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

14

Lampiran 1 lanjutan

No

13

Citra Kayu

Keterangan Nama Local Nama Latin Warna Kerapatan Pembuluh

: : : : :

Jari-jari

:

Parenkim

:

Nama Local Nama Latin Warna Kerapatan Pembuluh

: : : : :

Jari-jari

:

Parenkim

:

Nama Local Nama Latin Warna Kerapatan Pembuluh

: : : : :

Jari-jari Parenkim

: :

Nama Local Nama Latin Warna Kerapatan Pembuluh

: : : : :

Jari-jari Parenkim

: :

14

15

16

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

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

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

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

15

Lampiran 1 lanjutan

No

17

Citra Kayu

Keterangan Nama Local Nama Latin Warna Kerapatan Pembuluh

: : : : :

Jari-jari Parenkim

: :

Nama Local Nama Latin Warna Kerapatan Pembuluh

: : : : :

Jari-jari

:

Parenkim

:

Nama Local Nama Latin Warna Kerapatan Pembuluh

: : : : :

Jari-jari Parenkim

: :

Nama Local Nama Latin Warna Kerapatan Pembuluh

: : : : :

Jari-jari Parenkim

: :

18

19

20

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

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

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

16

Lampiran 1 lanjutan

No

21

22

Citra Kayu

Keterangan Nama Local Nama Latin Warna

: : :

Kerapatan Pembuluh

: :

Jari-jari

:

Parenkim

:

Nama Local Nama Latin Warna Kerapatan Pembuluh

: : : : :

Jari-jari Parenkim

: :

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

17

Lampiran 2 Hasil akurasi 3 operator.

Operator (8,1)

Operator (16,2)

Operator (24,3)

Subset 1

94.32%

79.55%

86.36%

Subset 2

75%

75%

84.09%

Subset 3

72.73%

61.36%

76,14%

Subset 4

70.46%

70.46%

72.73%

Subset 5

71.59%

68.18%

79.55%

18

Lampiran 3 confusion matriks LBPV (24,3) Kelas

Target

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

19

Lampiran 3 lanjutan Kelas

Target

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

20

Lampiran 3 lanjutan Kelas

Target

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

21

Lampiran 3 lanjutan Kelas

Target

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

22

Lampiran 3 lanjutan Kelas

Target

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

23

Lampiran 4 Screenshoot aplikasi RADEN

(a) Menu Identification

(b) Menu Image Database Extraction

24

Lampiran 4 lanjutan

Menu Database Extraction 2

(c) Menu Setting

25

Lampiran 4 lanjutan

(d) Menu Database

(e) Hasil Identifikasi

26