ANATISIS FITUR TEKSTUR DAUN MANGGA DENGAN FISHER'S DISCRIMINANT RATI O UNTUK PENCAPAIAN FITUR YANG IN FORMATIF Eko Prasetyo Program Studi teknik lnformatika Fakultas Teknik, Univ. Bhayangkara Surobaya email : eko @ ubhara.qc.id
ABSTRACT Mango tree species recognition system based on the texture of leaves on the previous system gives accuracy up to 88.890/0. This indicates thatfeature selection ofresearch on the mango tree species recognition need to be taken into account" In this research, analysis of mango leaf texture features are used. There are 3 types offeatures that is: statistics, invariant moment, and the cooccurrence matrix. Methods for analyzing the feature is Flsher's Discriminant Ration (FDR). This
method obtqined from a number of informative features, that is: energy (co-occurrence), uniformity (statistics), the third moment (statistics), entropy (co-occurrence), entropy (statistical), and homogeneity (co-occurrence). Performance testing is done by comparing the use of old and new features on the K-Nearest Neighbor method with the value K is 3, 5, 7, and 71. The results showed thatthe accuracy of the K-NN method with new features reach 0.90, and tend ta be better than the old features.
Keywords: feqtures, analysis, texture, leaf mango, Fisher's Discriminant Ratio Penelitian yang dilakukan oleh Agustin dan Prasetyo (201,1) melakukan penelitian untuk menjawab masalah tersebut. Sistem yang dibuat adalah melakukan pengenalan jenis pohon mangga berdasarkan tekstur
PENDAHULUAN
Mangga merupakan salah
satu
komoditas ekspor potensial Indonesia. Mangga juga berperan penting bagi kehidupan petani karena usaha tani
daun. Penelitian dilakukan
mangga dapat meningkatkan kesejahteraan mereka. Produksi dan luas panen mangga di Indonesia meningkat sampai tahun 2009
Error-Backpropagation
dengan
peningkatan hingga 12.550/o dari tahun 2072 ke 2013 (Departemen Pertanian,
2015). Ini
menunjukkan
Backpropagation 65.190/0. Hasil
bahwa
ini
tentu
percobaan dengan
membandingkan penerapan metode Support Vector Machine
industrialisasi di berbagai sektor.
(SVMI dan Fuzzy K-Nearest Neighbor in every Class (FK-NNC) untuk mengetahui kinerja prediksinya, hasil yang didapat untuk SVM adalah 86.670/o, sedangkan FK-
Bagi masyarakat awam yang menanam pohon mangga di pekarangan rumah, dengan berbagai jenis pohon yang ditanam, ternyata secara tidak langsung membantu
NNC adalah 88,89%,
pertumbuhan jumlah lahan pohon mangga di negara ini. Penanaman bibit saat ini umumnya dalam bentuk hasil cangkokan.
4-5 tahun
K-Nearest
jauh dari harapan karena sistem belum dapat memberikan hasil prediksi secara baik. Prasetyo (2072) juga melakukan
pertumbuhan pohon mangga terus meningkat di tengah menyempitnya lahan perkebunan yang tergerus oleh arus
Dengan masa tunggu
dan
Neighbor [K-NN). Hasilnya, akurasi prediksi yang didapatkan pada metode K-NN adalah 54.240/o, sedangkan ANN Error-
dengan luas panen 275,387 ha, dan tahun
201,3 menjadi 247,239 ha,
dengan
membandingkan penggunaan metode ANN
Makalah ini ' memaparkan
hasil
penelitian tentang analisis terhadap fiturfitur tekstur daun yang digunakan dalam
sejak
melakukan klasifikasi. Pada penelitian sebelumnya fitur yang digunakan adalah:
ditanam hingga berbuah, membuat banyak masyarakat menanamnya. f enis mangga seperti gadung, mana lagi, golek, menjadi pilihan banyak masyarakat. Tetapi ketika
fitur statistik frata-rata intensitas, smoothness, entropy; fitur moment invariant [moment 1, 2, +, 6, dan 7; fitur
berbuah, kemudian tefnyata jenis buah
matrik
co-occurence (energy, kontras). Penelitian yang dipaparkan dalam makalah ini dilakukan dengan menganalisis semua fitur dari statistik: rata-rata intensitas,
mangga yang didapatkan berbeda dari yang diketahui di awal ketika menanam maka hal ini tentu mengecewakan.
t97
Jurnal Teknologi rnformasi dan Terapan, Vor. 02, No. 0L, Januari-Juni 2015
kontras,
smoothness, third moment, uniformity, dan entropy. Dari t,loment
invariant dilakukan analisis
kembali
terhadap 7 moment invariant. Sedangkan dari matrik co-occurrence dilakukan analisis terhadap: entropy, energi, kontras, dan homogenitas. Analisis dilakukan menggunakan metode Fisher,s Discriminant
2, Analisis
Tekstur Citra Pendekatan Statistik Pendekatan yang sering digunakan untuk analisis tekstur didasarkan pada properti statistik histogram intensitas
(Gonzales, 2008J, Satu kelas pengukuran didasarkan pada moment statistik, Untuk menghitung moment nth terhadap mean
Rafro untuk memilih fitur informatif secara terpisah ((Theodoridis dan Koutroumbas,
diberikan oleh:
dengan pengujian menggunakan metode
It, =l(2,-*)'
2009), (Prasetyo, 201,4)), dilanjurkan
klasifikasi K-NN dengan perbandingan terhadap penggunaan fitur lama. Pemaparan makalah ini dibagi menjadi 5 bagian. Bagian 1 menyajikan pendahuluan yang melatarbelakangi
penulis melakukan penelitian. Bagian 2 menyajikan penelitian-penelitian terkait yang menjadi dasar bagi penulis untuk melakukan penelitian. Bagian 3 menyajikan kerangka kerja penelitian dalam melakukan analisa fitur tekstur daun mangga. Bagian 4 menyajikan pengujian dan analisis yang
dilakukan untuk mendapatkan fitur
L-1
p(r,)
(1)
i=0
di mana zi adalah variabel random yang mengindikasikan intensitas, p(z) adalah histogram level intensitas dalam region, L
adalah jumlah level intensitas yang tersedia, mean (rata-rata) intensitas dihitung dengan formula: L-t
* =Z',PQ,)
Q)
r=0
Smoothness dihitung dengan formula;
-R=t-tt(t+o')
trt
o adalah ukuran standart deviasi untuk mengukur kontras, nilainya Dimana
informatif beserta akurasi yang didapat. Dan bagian 5 menyajikan simpulan dari hasil penelitian dan saran untuk penelitian
didapatkan dengan formula:
berikutnya.
6=
1. Penelitian Sebelumnya
Dimana
Penelitian yang dilakukan Agustin dan Prasetyo (2011J adalah melakukan
disebut juga momen dengan ordo Z, Ukuran Third Moment (skewness/ kecondongan) histogram, nilainya 0 untuk
prediksi terhadap jenis pohon
mangga
belum berbuah berdasarkan tekstur dau;. Penelitian tersebut memilih fitur statistik (rata-rata intensitas, smoothness, entropy; fitur moment invariant (moment l, Z, 4, 6,
dan 7; fitur matrik co-occurence (energy, kontras). Sistem untuk implementasinya
menggunakan metode K-NN dan ANN Backpropagation. Hasil prediksi yang dilakukan kurang memuaskan karena mendapatkan
akurasi metode K-NN adalah
54.Z4o/o,
sedangkan ANN Error-Backpropagation 65.L90/o. Penelitian yang dilakukan oleh
Prasetyo (20L2) melakukan percobaan
dengan membandingkan
penerapan
penggunaan metode Support Vector Machine (SVM) dan Fuzzy K-Nearest Neighbor in every Class (FK-NNC) dalam
melakukan prediksi jenis pohon mangga. Hasil yang didapat untuk SVM adalih 86.67o/o, sedangkan FK-NNC
adalah
BB.B9o/0.
pzQ)
(4)
adalah varian o2
,
yung
histogram yang simetris, positif untuk histogram yang condong ke kanan (terhadap mean) dan negatif untuk histogram yang condong ke kiri. Formula yang digunakan: L_1
h =ZQ,-m)'p(2,)
ts)
Ukuran keseragamanUkuran smoothness
relatif dari intensitas dalam region. R bernilai 0 untuk region dalam intensitas konstan dan mendekati 1 untuk region
dengan ekskursi yang besar dalam nilai Ievel intensitas. Dalam prakteknya, varian
digunakan dalam ukuran
ini
yang
dinormalisasikan dalam range [0,1] oleh pembagian dengan (L-f ;2. Ukuran ini maksimum ketika semua gray level sama [keseragaman maksimalJ dan menurun dari sana, Formula yang digunakan:
ry
198
ttzQ)
=\
p2 (2,)
(61
JurnalTeknologi lnformasi dan Terapan, Vol. 02, No. 01, Januari-Juni 2015
Entropy digunakan untuk mengukur nilai intensitas citra, dihitung
Matrik Co-occurrence
dengan formula: L-t
adalah suatu matriks yang menggambarkan
keacakan e
=lpQ)log, p(2,)
Matriks intensitas
frekuensi munculnya pasangan dua piksel dengan intensitas tertentu dalam jarak dan arah tertentu dalam citra [Ahmad, 2006). Matriks intensitas co-occurrence p(ir, izJ
(z)
i=0
Moment Invariants Moment 2-D dari order (p + qJ pada citra
digital f(*,y) didefinisikan [Gonzales, 2008):
ffio, =LZ*o xy
yn .f
didefinisikan dengan dua langkah sederhana sebagai berikut. Langkah pertama adalah menentukan lebih dulu jarak antara dua titik dalam arah vertikal
sebagai
(*,y)
(Bl
Untuk p,q = 0,1,2,..., di mana penjumlahan lebih dari nilai koordinat spasial x dan y yang merentangkan citra. Central moment yang berhubungan didefinisikan sebagai;
o,,
=14(x-i)o
di mana
i =
(y-
y)q
f (x,y)(e)
ffi'o
(10)
ffioo,
=mor ffioo
dan V
(111
Normalized centrql moment dari order (p q) didefinisikan sebagai: rl
,,, =
u tpq
--;
+
Untuk p+q = 2,3,
pasangan piksel-piksel yang mempunyai nilai intensitas ir dan iz dan berjarak di piksel dalam citra, Kemudian hasil setiap pasangan nilai intensitas diletakkan pada matriks sesuai dengan koordinatnya, di mana absis untuk nilai intensitas ir dan ordinat untuk nilai intensitas iz.
Entropi =
-\Zrf,,,ir)1os p(i,,i,)
Ql)
Nilai entropi maksimum jika semua elemen p(i1 iz) sama, yaitu matriks yang berhubungan dengan citra di mana tidak terdapat susunan tertentu dalam pasangan
di mana:
v=P+q *, ,2
sebagai unit terkecil dalam citra digital. Langkah kedua adalah menghitung
dan didefinisikan sebagai berikut:
(12)
p, q = 0, 1, 2, ...,
dan horizontal (vektor d=(dx,dy)), di mana besaran dx dan dy dinyatakan dalam piksel
Fitur untuk mengukur keteracakan dari distribusi intensitas disebut entropi
F6o
untuk
co-occurrence
(131
intensitas dengan jarak vektor teftentu
...
[daerah konstan).
tidak sensitif terhadap translasi, perubahan
skala, pencerminan, dan rotasi dapat
Energi dalam matrik co'occurence yaitu fitur untuk mengukur konsentrasi pasangan intensitas pada matriks co-
diturunkan dari persamaan berikut:
occurance, dan didefinisikan dengan:
Sejumlah tujuh moment invariant yang
Qt
= lzo * 0oz
-00)' + 4ry1, d, = (0 ro -3rlr)' + (3U r, - rl o)' (,
= (Or,
do =
(or, + orr)' + (Ur,
d, = (4ro -3rlrr)(rtro +
-
3(er, + rt r)'I
Energi
[14)
-4o)'
[3(?ro +
il
(1sl
lr)l(Or, rlo)(lr,
Go)
Kontras=IItir -i)2 p(\,i) il
citra, dan didefinisikan dengan: )
Homogenita,
(19)
d, = (31r, + 4o)Q1:o + 4,)L(0ro +'7,r)' -3(Ur, + rlo)')+ (34n +7ro)(Ou +oor) l3(ero + er)' - (rlr,, + qo)')(20)
adalah
homogenitas, yaitu untuk mengukur kehomogenan variasi intensitas dalam
(18)
tlo)
(23)
i2
Kebalikan dari kontras
+ 0 or)
- (4,, + rl o)'
i2
dan dinyatakan dengan:
ot)
4,r)' :(rtrr+Uo)']
du = (rl,o + 4 o)l(o ro * o rr)' + 4tlrr(rlro + rlr)(Ux +
(zz)
Kontras yang digunakan untuk mengukur kekuatan perbedaan intensitas dalam citra
+ 0rr)'
+ (342r +
=lln'tir,ir)
Nilai
:
l\l!!{ ,, ,ll* lr, -r,
ent I
homogenitas membesar jika
variasi intensitas dalam citra mengecil dan sebaliknya mengecil jika variasi intensitas dalam citra membesar.
199
J
urnal Teknorogi rnformasi dan Terapan, y or. o2,No. 01, Januari-Juni 2015
Fisherrs Discriminant Ratio
... . K"..ungka kerja penelitian yang dilakukan seperti yang disajikan arf"fr^
Fisher's Discriminant Ratio tFDR.) umumnya dipakai untuk mungrtu, kekuatan diskriminasi fitur individu iaiam memisahkan dua kelas berdasarkan nilai
makalah ini sebagai berikut:
1.
yang dimilikinya. Untuk pr dan pz masingmasing adalah nilai rata-rata dari dua kela"s,
of arn o22 masing-masing
seleksi
terhadap sejumlah penelitian, baik mengenai pengenalan jenis pohon mangga, maupun pengenalan obvek yang lain. Studi pustaka terhaiap metode untuk pemilihan fitur juga perlu dilakukan untuk m.ngetat"ui
adalah varian
tzsl
Hasil yang diberikan oleh FDR adalah untuk, fitur yang mempunyai perbedaan yang besar pada rata-rata dari kelas dan varian kecil dari tiap kelas, maka nilai FDR yang tinggi akan didapatkan. Jika dua fitur mempunyai perbedaan absolut rata-rata yang sama tapi berbeda dalam jumlah
metode yang cocok digunakan. Untuk analisis fitur tekstur daun mangga ini
penulis menggunakan Discriminant Ratio.
sisi lain, jika dua fitur mempunyai yumlah varian yang sama tetapi perbedaan absolut
analisis pemilihan fitur menggunakan FDR Pada tahap ini penulis melakukan
perhitungan
3.
pemilihan sejumlah
terhadap
4
informatif
ditetapkan maka fitur tersebui dinyatakan lolos seleksi sebagai fitur yang informatif saat klasifikasi. Uji perbandingan dan analisis
klasifikasi. Metode kiasifikasi y;;; digunakan adalah K_NN. Seletat dilakukan pengujian kinerja prediksi,
adalah entropy, energi, tonlrur, d; homogenitas. Analisis fitur aifamtan dengan metode Fisher,s Discriminant RJo (FDR) untuk mendapatkan fitur
selanjutnya dilakukan analiiis terhadap
Ju"nn --"o
5.
hasil yang didapat pada kedua leni! fitur yang digunakan. Menarik kesimpulan fitur informatif
yang didapatkan.
200
fitur
Pada.tahap ini, penulis melakukan uji ba.nding penggunaan fitur yang Iolos seleksi FDR dengan fitur iamJ yang sudah digunakan pada meioaJ
Dari moment invariant, fitur yang aiproses adalah 7 moment invariant. S"arr'gtj, dlri matrik co-occurrence fitur yrng "dlp.oru,
ktaiifikasi,
akan
berdasarkan nilai FDR semua fitur yang nilainya lebih besar atau sama aengri dari baras (threshold) yang ditetapk"an. Jika nilai FDR sebuah fitui tebih tesar atau sama dengan nilai threshold yang
METODOLOGI PENELITIAN
informatif terhadap
dengan sejumlah data
dikorelasikan dengan label kelasnva. Pemilihan fitur informatif berdasarkan
nilai FDR
201,4).
rata-rata intensitas, kontras, smoothness, third moment, uniformify, dan en;o;
semua
Pada penelitian ini, penulis melakukan
besar akan mendapatkan nilai- fD"n yang J ---o
Penelitian ini melakukan analisis 3 jenis fitur: statistik, moment invariant dan matrik co-occurrence. Dari fitur statistil! fitur yang diproses adalah
nilai FDR pada
fitur, Nilai FDR dihitung ,etrm terpisah pada setiap fitur, dimana setiap fitur
rata-rata berbeda maka fitur dengan perbedaan absolut rata-l.ata yang lelih
lebih tinggi (prasetyo,
f,iiher,s
2. Melakukan perhitungan
varian 1al +o|1, maka fitur dengan jumlah varian yang lebih kecil akan
mendapatkan nilai FDR yang lebih tinggi. Di
fitur
Pada tahap ini penulis melakukan studi
dari dua kelas dalam fitur yang akan diukur, FDR dirumuskan seperti pra, p".ru*r"n berikut.
FDR=@'-P')' 'utt@56
Melakukan studi literatur penelitian pengenalan jenis pohon mangga dan
o
m o N d
O6
*u o rn
n
o
m U r ci
O r+
O \O .+ tf N 4 ; d r N r r o o o d
O H r o
i O r o
:C r € = -N N o s F > s- s s c = = 3 =
+ c c
F -
\ N -
L. r -
+ CO O cQ m i1 € N N - o o
h h I o
O N r o
O. O' A d o d o o r r € r o o o o
N o r o
+ il r o
+ d r o
+ d r o
+'+ d i r r o o
N o N o
N O r o
+ r\o o
q\ N d \o r N o o o
@d d
_"1
+ 6 & - 6 .o e .o i- + + + + - G + +
o o
r C N I * il N d O * N + A O N \9 O C9 q <' N U € r o' + o N r I @N O + @N O N + 6 6 6 i\ .i o o + N i m ru -ii + o N o r \o h @ o\ @ o o' m N N \o h s o\ N N d d o o r N $ r+ mNmmoNmNmssNl&nsNNNNNNNNNNNNNNNNNNNNNddNN ;i :
il
b6
N I r ci
14,:1 q! i o D I h s @ h N o o\ D o h $ + h NNo o c +o m @ N : - - L. mi € o i o QNo o F o ad * Ss N+ 6 o s Nr o Nr o e r No b o a 9 5 - q N @ o s .'t G r + .e + .C + ..i -\ -q \ o1 cq e c'i q q \ I :e I 11 I u1 e T I i: I n .t e r i e n S \ A A i @ 6 co r h o N @ o N b m m N \ ..o'+ I N a n i Q co q m o cri + cj o N
L
!
m d d
o
o o
b G r? *
m u q *
O o *
S e J-
m <. G J
O m + :
S s in .i
6 o E J
m @ h J
n @ O
€ m \o .i
m N b j
S m u .i
d d o J
@r m N N
CO N o r+ rt r! € N \o t h h \o \o h D .i -i .i .i ..j j .i
m m 6 .i
o h + h N Qg O \O m4 d d N N N @ € o o N N o co € .i j .i -i .i .,i j -i
o
o o
o
4
.i! e' .{' s o .? 9 i b s d o iN s O ;d O > r H ;N ;r h m 6 O $ b $ ri io N o s N \ !n S NN€ q Nq o q m € Q 6 .? c Nq m o o 5 d .a i$ .a + + oi - .: nl I q "l ( 6 € ; & e rI -o .t + \ q n e o \ o In N - ri nl I 3 \+ 1 i o d C ui ; - 6i ;+ N i "t E*l d o N r N o .f + + r ui r r u; di d d; + + ") Fi d; -i ri 6i + \ ot + +h + + $ +o + + + $ s * N co c9
@
@
ol
14
El
11
I
;1
\o
ac
"?
.+ < + + + + i. + + + + + + + + + + + + + + + + + + + + +
@
99
c?
@
Li
m
@m q N q d
@ s .+ 6 r 6 o N +m \ o N$ O @ ni i n NN@ 6 6 @o o s s o 6 i q EI ;i + 6 i., A i I d F q -i \ tol ; vi i{ u| 6, 6 ".t r N r I 5 co o a cO
"l el
=i"
N N 6 6 i O N + m o.'
6 sO' h OUq r N in No N q \? i, Q€ + m i+ q o @ $ + d ;
; '; + $ + < V "i -: + + + + + + +-
9l ct
(
i @ O\ h € N i + r @ o N @m * { C @ d N r d N + rl o I C9 i o o Po o @o N s ir S N9 @ O 6 + m 6 @ :l' m i r s h O iO s i.i - O m s * + s in o 6 6 n a rq 6 h + o @O s q ,r } } I T L? q 9 f q n "l n q q ( -'l \ I "? ( q'1 e n ii, 6; -oFi 6 E N i U { i { + H i N N N H o o o "q -.j i ni di -i N ; r; N N + + * o o o o "l cj -.i ?i .j 6i cj cj j r.i .j .i ci 5 cj N N N N N N d N N N i d N N N N N N
I
N N N N N N N N s s s N in ii^i - N s s si N N N N N
o o E E
o
+ < om $ s < < * +
o N s o o h o + ilN $ a iil @ 6 i m Em J J U ii; :; :o o ; : -
:iN Es o : E =
€ ; = =
iN o J -
r a d a -
NA mn n e :o\ o -
a o o d
m
\o o & * i"i & d o . -
co o 6 i{ o 6 cj :6 -
d i+ o -
h \q @o e ir so sd
Qh Qo i o - t "r Fi fi s.i ru s
mh i\ o q e "l o is cj o o
I m
€ r d € I No q o 6 NN o $'? !a p o q q N d e n !4 o s U o t 99 c! !" c! IQ 90 u? cq I q 9 u? a -q wl'1 q q cC \ @ n 6 6 n o o o t o 6 N li i@ cq o ri o N'i NNNNNN i d i a a d HNNNN CO
rh + .i : 3 ;r i i I a 'ia a * * i i d i d ; = : ; i i a g r a i J = =
HS€ 6 d N + O + m co i N N O\ i 6 O O @ O O ? -O O - e co + SQ 6 N ; @ oh (i i ixj N n i"i bd 6 N ;! - + 6 - !n 6 + b o o s s o o 6 6 o d i *j 6 o o > il o o :o j.+ j+ .i J : : e ; : .i : : ; : : : 3 :l ; :
N o\ o m m \ 9 c! 9q o:' n o o @ o' o + I cq .ii cj o o o .j i d d i d d i
\g cq
r O @ d N'O 14 q @ € m m m +'t q S m A i O n @O r r r A O F 6 @n n c \ F .i il q i-,o 5 . + N .i a r a -m + n? F il G ; ri il ; 5 -, u.1 c1 i .q .q H n 6 .i { \ !: { 19 S yi "? "t ui ui 1 ui iyi vi "'t "i h 6 h n vi ui d ui td 1 "r h"? h u b h h".i h",1 h "l 6 h + + h b <J. h D =
@h 6 i
Ea o E
o
co @
o mo \\ !? q o o d d
$ co !! @ i IQ N a .i cj i d d ii
\O d N € O ro m I'{ 9 @a d $ o i s $ N
6 H
i NNddoNd
ui Ui d
L/i
vi
U.;
N d ui 6 v;
h O + + m+ I € € >l a @ o N o r + N s h N i o @ h N o @ o N : v s -i G o m s 6 O\ N + i q L? L? cq cC c'l c'l u? 9 ol + 6 h N - e $ i v m s i-. s 6 - + & 6 6 i. + .t t a - \ -t .? * a 1 "'t 9 L
-i;-iJ.,iddr;fidi.,idinidririd;ilinid;ri-i-inirididifididimm-i66o-mY$-m
o
o
(t
NN m O 6 6 @ + od H Gi . 6 6 6 n .i .j ; i "i E oo o€ o o o io o
0)
i Nb mm d dn q O @ *r o Y q O + mO O i;m <) :+ b@ $ o F o g' o + d 6 \q i i o I - G + + + i is d o i- o
L?
O + O d + h d H S
91
-j-" N N d i m'o + $ h N oooooaooo - ?o - a+i i o r o na ?o :l o i ci d d ; d d o o ci tct o o o o a o d o o d c' o! o o eoooi o
E
i o i d q L4 0 0 6 0 0 i N d q) o N a I s I h N N + e d @ o o.\ @ d m m i:a o1 i;N m Ji *i ie N d ii o d d o o o i !l n it Q ft A @ J -i * * r i i d d ii ^ ^5 5 ^ 5 5 b 6 a o o b o o o o o o o o o o o o o o o o e a a
(g q.)
e d N o N h N b o € 6 d !Q o. N Q'1H @ m o :t m O q? i m h O s o r D m 6 r i N \O i I Co N 6 6 6 mN N @@h @ r r c' o o $ o @ ;i od 6 @ r n o F o m m d o Q o s = iU il+ 6 9 so o m N N N N N .! .? N N N N N N d i'! N si o or & s s n sa m i6 ; & d; an io 6 oi - m N : :i : J I :i J ; :i ii J :i 3 : : ; : :i J J c; i J J J o i o d o o o d o d ci d ci d ci o o
- - - - ; - - - d ; ; o 3 o o o c, d o o o c, d o o o o d o o o ci o o o o ci o d o o
Oo
= () !
o
N b 6 N iri
s 6 fr 6i iri
o F <: &
\
N N io 6 .c v, N N N
o ;r q e + si
6 -l q o' N
o N "i o. N
il i h
n
-q\
c
t
o (!
!._.
€ *a
I !n 1Nmh N N N N N
@
N * d $ + vl h h b € e @ h o b \ 6 r+ m h o h N $ @ N N r q\ S \g N s N r? T 9 "r "! n + h h € N o q N T c.! a -? !Q
i rII\I
in 5 o ri N o h e o o s b 6 6 ci' s i< I d 6 i
-dN-;NNNNmN--NNNNNomNNNNNoNNNNNNNNNNNNmNNN
(p 9o \ I N't
I
o m o € m b Q r i m m N d o o tf i m i N I io
*t\
q
I\
\'?
i !I \
NNNNNNNNNNNNNNNNN
imdohooro€t+r+N$ooo HiqcQNr6srNco@coh@on N r I € \O I \t) \D A € A \O \O \O \O N e o d ct d o d d cj c, c, o ci O o- J e J €i9N@66hN€6dO\aAN6 N o O !4. o m N N CO o O\ O' $ O 6 N ; NAA€AO€OHOmO@-N+O
6 ni o d + r;- i.i .i !! - iQ hr .i\O d b h \O € \O € € h \O e \O \O D
G h
uld NN r m N h + \o \o N rf @ h oh € O i o d N H c' (D N h O N @ r !1 !4 No NNNNNNNNNNNddFNNFd
cj o' d ct d c, d c, c, c, c, o cj cj d c, cj J m O i t O N O O\ h@ O\ O d h anN:or9€NNN+ONOmNhh
CO
9q\\\\9\\\9\\q\9ecc
I !tr O
HEFH
tn r{ N
o
ii@NoodmNooaNmd@o @OHhNNmmt\O.+Nm€no6, cq.1 od H d a r+ o N N r+ r $ m + ;r € € N ri rt dt.i .i -i .i t.i ..i 6i ti ..i +.+ $ !n + +.+ r+ +.+^i d $ + + $ + $ +
(!
m-+:1.mO€cE)\O+h6r0omOh g:fH6OOOoNoiN€\ohm6
(!
o o r.{ N r gi U r N ui {t.i o' NNNNNNNNNNNNNNNNN
L
FI ci
z N O ...:
o
NSHHdNQoHHNhi6o+-
-: !n fi h h i + m m O @ +scLrNoNNON$rNmr+@;i tr: v H N H m 6 \O € CO O. .! 9 ni o o .i -i crj $ + "j + r, +.+^i + + + + + m
m O\ 6N d rf Fi +
cd Fj
ri
N
\O N N N N
i +€ i N j + J ..i...i + + + sf .+
CrvOrHhOmm$mo+++N6 -oo€ooo+mmho+No@oo L'l u']..,1 c1 n rl \ L.l q n \ e d @ o o s co !? !? i !i Fi -i d o ti .".i o. o ri d rj cj o c; NNNNNNNNNNdNNNNN--
(!
o(o (u
F
!!qryo!{44\O@NNoo+dN@ !!!r+ho@aNoN$Nm*iom{ LA-,HNNN+m.ONhHNHo+m o cj o o d d o 6l o o cd o oi oi oi oi oi NNNNNNHdHdHdddi;r
(!
.; (1,
E
so =bD o
\? !? q! o o N \o \o d o @ \o o\ \o N + !!9ONmm$N@shdoonha oaHNNNCON6@bN\gqqq ox-.i.ii.jiiicjooaooac
m N
HH-HH
!?L?Sq\96\NmohcooH+om !laom+nNQ*mhNiorNom NNmmmmNdNNOdd
Lri
d ;
o
.:Z (u
F (!
?n9q+6N6N+@NoHOhHO O d 6 Q H O \O @ NO @ o 6 6 ui $.+O' Le r N @ N h 6 \o \o r+ \o n N n o ^i 6 6 m - 6 m ni ri ri di rt ri d d r; dt r; ri rt ri OrfhHO +SMNN c! c.l c-{ c..l oi
ooooo
€rHcod\om+oHhH N+mmmNoo@Nmo .!NNNNNNiiNNN oddocrdciciocre,d
99 q rr,:h h N N @ H N 6 <m r+ O\ m + d !! \9 SN N m h N o N H OOq o m ri a qqqqqqCqeeeooocidijo c a oc o c ddd o ct ctc; o d d d d
QQHHH
oooooo
ct
d
c,
d ci d d o' o d d
L!6€6O6O,rlOmNOOhhNd e S n e N o yt h m
c;
;;i3ii=E=ii:iix=3 \a. co
N ri ii €i
NNNNNNNNNNNNNNNNN
d N r o I ilQ H o e H a !o \ qxqqSss$=tss€E33s5s 9 \
90
co
yi j i N Gi c
Jurnal Teknologi lnformasi dan Terapan, Vol. 02, No. 01, Januari-Juni 2015
juga berarti bahwa fitur tekstur moment invariant kurang cocok digunakan sebagai
HASIL DAN PEMBAHASAN 1. Set data yang
diolah
Set data yang diolah dalam penelitian
ini adalah set data yang telah digunakan oleh Agustin dan Prasetyo (2011J dan Prasetyo 12072) ditambah dengan fitur
lain dalam ketiga jenis yang
fitur dalam pengenalan jenis
pohon
mangga berdasarkan tekstur daun. 3 Uji perbandingan dan analisis
Selanjutnya dilakukan perbandingan antara fitur terpilih tersebut dengan fitur
tidak digunakan, seperti pada tabel 1. jumlah data yang digunakan ada 60 data, terdiri dari 30 jenis mangga gadung dan 30 jenis
yang digunakan dalam penelitian sebelumnya. Perbandingan fitur yang
mangga curut (=jawaJ. |umlah fitur yang dianalisis ada 77 fitur, terdiri dari 6 fitur
kelompok fitur tersebut
statistik, 7 moment invarian! dan 4 fitur matrik co-occurrence.
metode K-NN dengan pilihan sejumlah
2 Nilai FDR
fitur dan seleksi
Selanjutnya dilakukan perhitungan
nilai FDR dari setiap fitur menghitung pada setiap
dengan setiap rata-rata dan
fitur dan
kelompok kelas berupa
varian kemudian digunakan lormula [25] untuk mendapatkan nilai FDR. Hasilnya seperti disajikan pada tabel 2. Tabel 2 Nilai FDR semua rata. kontri smouth third
rata
s
0.019i 0.521!
ness
moment
0.5156
1.7236
tidak tidak tidak
mome mom€ momen
n4
nS
6
z,+soz
lolos lolos
lolos
momen -, eneonr
"
0.290! 0.331!
0.2207
0.4A36
ridak ridak
tidak
ridak
loro4
r.os+e
mom€ mom€ momen ' n3 n1
o.tszt 0aa77 tidak
ridak
enerr
kontri homo s genitas
2 5119
o aT]l- 0.7971
y
lolos lolos
tidak
0.433'l
ridak
lolos
Selanjutnya dilakukan pemilihan fitur yang lolos seleksi, fitur yang lolos seleksi
dianggap sebagai
fitur yang
informatif
dalam klasifikasi. Dengan mengamati nilai
FDR pada semua fitur dimana nilai tertinggi adalah 2.5793 dan terendah
kemudian
digunakan untuk prediksi menggunakan nilai
K tetangga
terdekat.
Tabel 3 Fitur yang digunakan sebagai perbandingan kinerja klasifi kasi Fitur Lama Fitur Baru Rata-rata(statistik) third moment(statistik) Smoothness uniformity (statistik) (statistik) Entropy (statistikJ entropy (statistik) Moment 1 entropy (co-occurrence) Moment 2 Moment 4
fitur
unl entro formlB Dy
digunakan disajikan pada tabel 3, Kedua
energi (co-occurrence) homogenitas (cooccurrenceJ
Moment 6 Moment 7 Energi (cooccurrenceJ Kontras (co-
occurrencel
Pengujian perbandingan dilakukan dengan teknik K-Fold Cross Validation dengan K=5, pada setiap sesi pengujian ada L2 data yang menjadi data uji, sisanya menjadi data latih. Prediksi dengan K-NN dilakukan dengan jarak Euclidean, K untuk jumlah tetangga terdekat adalah 3, 5,7, 9, 1.1. Untuk fitur yang lama, hasil prediksi
disajikan pada tabel 4. Sedangkan fitur baru, hasil prediksi disajikan pada tabel 5.
adalah 0.0797, rata-ratanya adalah 0.7505.
Pada penelitian
ini
digunakan threshold
adalah rata-rata tersebut, maka berdasarkan nilai rata-rata=0.7505 sebagai threshold, maka
seleksi sebagai
Akurasi pada setiap sesi Cross Validation
fitur yang lolos
fitur informatif ada 6.
fitur terpilih dari yang paling informatif adalah: energi (cooccurrence), uniformity (statistikJ, third Secara berurutan
moment
Tabel 4 Hasil prediksi dengan K-NN pada
fitur lama
(statistik),
' entropy
occurrence), entropy (statistikJ,
(codan
homogenitas (co-occurrence), Tidak ada satupun dari moment invariant yang lolos seleksi, ini disebabkan nilai FDR yang memang jauh di bawah threshold. Hal ini
J
o 11
1234 0.92 0.58 0.75 0.92 0.92 1.00 0.75 0.75 0.75 0.83 0.75 0.75 0.92 0.75 0.58
0,67
0.58
ratarata 0.70
1.00
1.00
0,97
0.58
0.50
0.67
0.75
0.75
0.77
0.58
0.58
0.68
203
Jurnal Teknologi lnformasi dan Terapan, Vol. 02, No. 01, Januari-Juni 2015
akurasi prediksi yang lebih baik
Tabel 5 Hasil prediksi dengan K-NN pada fitur baru Akurasi pada setlap sesi Cross
Valldatlon
rata. rata
0.75 0.75 o.g2 1.00 0.75
5 5 7 9
11
0.75 0.75 o.g2 0.92 0.75
0.75 0.75 0.92 0.83 0.92
0.75 0,75 0.83 0.75 0.92
0.75
0.75
0.75
0.75
0.92
0.90
0.75
0.85
0.92
0.85
Dari informasi yang disajikan pada tabel 4 dan 5, dapat diamati bahwa ratarata akurasi yang didapatkan dengan fitur
daripada fitur lama. Saran yang dapat penulis berikan dari
penelitian ini sebagai petunjuk untuk penelitian berikutnya adalah sebagai
berikut:
1. Perlu kajian lebih lanjut
2.
nantinya adalah jumlah fitur
seperti bentuk, garis, atau jenis-jenis
fitur baru ini juga lebih baik yaitu
DAFTAR PUSTAKA t1l Ahmad, U., 2005, Pengolahan Citra
& Teknik Pemrogramannya, Edisi 1, Yogyakarta: Graha Ilmu
Digital
t2l Departemen Pertanian. 20L5, Luas Panen Buah-Buahqn di lndonesia 2009' 2 0 1 3, htt1 / lwww.pertanian.go.id I3l Gonzalez, R.C, Wood, R.E.2008, Digital lmage Processing, 3rd Edition, Pearson New fersey: Prentice Hall
yang
digunakan lebih sedikit yaitu 6, sedangkan yang lama menggunakan 10 fltur. Di sisi lain, dibandingkan dengan penelitian sebelumnya yang mempunyai akurasi 88.89o/o dengan metode FK-NNC ternyata 0.90
atau 900/0.
KESIMPULAN DAN SARAN Dari penelitian yang dilakukan, maka dapat disimpulkan sebagai berikut: 7. Analisis dengan FDR didapatkan
fitur tekstur yang informatif dalam melakukan pengenalan jenis mangga ada 6, meliputi: energi (cooccurrence), uniformity (statistik), third moment fstatistik), entropy (cooccurrence), entropy Istatistik), dan
t4l Prasetyo,
2. Uji kinerja
prediksi yang dilakukan pada fitur lama dan fitur baru hasii analisis memberikan jawaban bahwa
fitur baru hasil
analisis cenderung
lebih informatif dan memberikan hasil
204
E. 20L4, Data
Mining'
Mengolah Data Menjadi lnformasi Menggunakan Matlab, Yogyakarta: Andi 0ffset
tsl Prasetyo, E. 201,2, Perbaikqn Sistem Pengenol Jenis Pohon Mangga
Menggunakan SVM dan FI(-NNC Jurnal SCAN, Vol. VII. No. 3, Ol
t6l Prasetyo,
8., Agustin, S.
20L1,
Klasifikasi Jenis Pohon Mangga Gadung Dan Curut Berdasarkan Tesktur Daun,
in Proceeding of Seminar Nasional Sistem Informasi Indonesia, Surabaya: institut Teknologi Sepuluh Nopember,
bahwa
homo genitas (co-occurrence).
Penelitian ini hanya berfokus pada fitur tekstur, masih ada jenis fitur lain fitur yang lain.
sedangkan pada sistem dengan fitur lama
mencapai 0.67. Meskipun akurasi tertinggi fitur baru 0,90 lebih rendah dari pada fitur lama 0.97 tetapi fitur baru cenderung lebih tinggi dari pada yang lama, dimana untuk K=3, K=7, K=9, dan K=lL rata-rata akurasi sistem dengan fitur baru lebih tinggi dari pada sistem dengan fitur lama. Kelebihan lain yang dimiliki oleh sistem yang baru
Pengujian fitur-fitur yang mungkin mempunyai korelasi yang tinggi juga perlu dilakukan.
a J.
baru hasil analisis cenderung lebih tinggi dan stabil dengan akurasi terendah 0,75, mempunyai akurasi dengan perbedaan yang tinggi, tertinggi 0.97 tetapi terendah
untuk
mengetahui kinerja akurasi fitur baru hasil analisis dengan menerapkan metode klasifikasi yang lain.
t7)
Theodoridis, S., Koutroumbas,
K.
[2009), Pattern Recognition-4th
edition, Academic Press: Burlington, MA, USA.
