IDENTIFIKASI FREYCINETIA BERBASIS CITRA ANATOMI EPIDERMIS DAUN MENGGUNAKAN K-NEAREST NEIGHBOR
PUTRI PREVIA YANTI
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012
IDENTIFIKASI FREYCINETIA BERBASIS CITRA ANATOMI EPIDERMIS DAUN MENGGUNAKAN K-NEAREST NEIGHBOR
PUTRI PREVIA YANTI
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
ABSTRACT PUTRI PREVIA YANTI. Freycinetia Identification Based on Leaf Epidermis Anatomy Images Using k-Nearest Neighbor. Supervised by AZIZ KUSTIYO. Freycinetia identification was conducted to determine the potential values, benefits, and distribution patterns as a biodiversity in Indonesia. The purpose of this research was to compare the low frequency and high frequency in Freycinetia identification based on leaf epidermis anatomy image by k-Nearest Neighbor (k-NN). Identification of Freycinetia can be described by using morphology and anatomy characteristics. Leaf epidermis anatomy image was used in the identification process to support the morphology characteristics, especially in speciment and sample with incomplete morphology. This research analyzed ninety six data which contains four kinds of Freycinetia, namely Freycinetia angustifolia, Freycinetia imbricata, Freycinetia javanica, and Freycinetia Sumatrana. The data were transformed by Fourier transformation and filtered in frequency domain to take the low frequency of image and the high frequency of image. It was found that the accuracy of k-NN with low frequency was 90.625% and that of the high frequency was 81.25%. These accuracy values indicated that in the identification of Freycinetia based on leaf epidermis anatomy image by k-Nearest Neighbor (k-NN), the use of low frequency is better than high frequency. Keyword: fourier transformation, frequency domain, Freycinetia, k-nearest neighbor, leaf epidermis.
Penguji : 1. Annisa, S.Kom, M.Kom 2. Dr. Yeni Herdiyeni, S.Si, M.Kom
Judul Skripsi : Identifikasi Freycinetia Berbasis Citra Anatomi Epidermis Daun Menggunakan kNearest Neighbor Nama : Putri Previa Yanti NRP : G64080018
Menyetujui: Pembimbing
Aziz Kustiyo, S.Si, M.Kom NIP.19700719 199802 1 001
Mengetahui: Ketua Departemen Ilmu Komputer
Dr. Ir. Agus Buono, M.Si, M.Kom NIP. 19660702 199302 1 001
Tanggal Lulus :
KATA PENGANTAR Puji dan syukur penulis panjatkan ke hadirat Allah subhanahu wata’ala atas segala rahmat dan karunia-Nya, sehingga penulis dapat menyelesaikan tugas akhir dengan baik. Shalawat dan salam penulis sampaikan kepada Nabi Muhammad shallallahu ‘alaihi wasallam serta kepada keluarganya, sahabatnya, serta para pengikutnya yang selalu berpegang kepada Al-Quran dan As-Sunnah. Penulis juga menyampaikan terima kasih kepada seluruh pihak yang telah berperan dalam penelitian ini, yaitu: 1 Ayahanda Syofyan Nazar, Ibunda Miswati, Uni Fera Yanti, Uni Devy Wiri Yanti, dan Uni Fevy Tri Yanti atas doa, kasih sayang, dukungan, serta motivasi kepada penulis untuk penyelesaian penelitian ini. 2
Bapak Aziz Kustiyo, S.Si, M.Kom selaku dosen pembimbing yang telah memberi banyak ide, saran, bantuan, serta dukungan sampai selesainya penelitian ini.
3
Ibu Annisa, S.Kom, M.Kom dan Ibu Dr. Yeni Herdiyeni, S.Si, M.Kom yang telah bersedia menjadi penguji.
4
Sahabat-sahabat terbaik penulis, Muti Relegi, Dyah Sulistyorini, Riva Aktivia, Ariel Febrila Niswar, Ella Rahmadani, Dewi Nurafifah, dan Annieke Stevani yang telah menemani hari-hari penulis sejak menjadi mahasiswa, semoga sukses untuk kita bersama.
5
Rekan-rekan satu bimbingan, Hariman Hidayat Siregar, Brenda Kristi, Muhammad Hamdani, dan Wangi Saraswati, terima kasih atas bantuan dan dukungannya.
6
Dunsanak Ikatan Kekeluargaan Mahasiswa Payakumbuh (IKMP-Bogor) yang telah menjadi keluarga baru bagi penulis.
7
Rekan-rekan seperjuangan di Ilmu Komputer IPB angkatan 45 atas segala kebersamaan, bantuan, dukungan, serta kenangan bagi penulis selama menjalani masa studi.
Penulis berharap penelitian ini dapat memberikan manfaat bagi semua pihak yang membutuhkan.
Bogor, September 2012
Putri Previa Yanti
RIWAYAT HIDUP Penulis dilahirkan pada tanggal 31 Januari 1990 di Payakumbuh, Sumatera Barat. Penulis merupakan anak keempat dari empat bersaudara dari pasangan Syofyan Nazar dan Miswati. Pada tahun 2008, penulis lulus dari SMA Negeri 2 Payakumbuh. Pada tahun yang sama, penulis lulus seleksi masuk IPB melalui jalur Undangan Seleksi Masuk IPB (USMI) dan diterima sebagai mahasiswa pada Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam. Selama aktif menjadi mahasiswa, penulis menjadi salah satu pengurus Himpunan Mahasiswa Ilmu Komputer (Himalkom) pada tahun 2011. Penulis juga menjadi asisten praktikum pada Mata Kuliah Data Mining (2012) dan Sistem Pakar (2012). Pada tahun 2011, penulis melaksanakan Praktik Kerja Lapangan (PKL) di Bagian Biro Teknologi Informasi, Badan Pemeriksa Keuangan Republik Indonesia (BPK RI).
DAFTAR ISI Halaman DAFTAR TABEL........................................................................................................................... vi DAFTAR GAMBAR ...................................................................................................................... vi DAFTAR LAMPIRAN ................................................................................................................... vi PENDAHULUAN Latar Belakang ............................................................................................................................ 1 Tujuan ......................................................................................................................................... 1 Ruang Lingkup ............................................................................................................................ 1 TINJAUAN PUSTAKA Citra Digital................................................................................................................................. 2 Freycinetia .................................................................................................................................. 2 Epidermis Daun ........................................................................................................................... 2 Transformasi Wavelet .................................................................................................................. 3 Transformasi Fourier ................................................................................................................... 3 k-Nearest Neighbor (k-NN) .......................................................................................................... 4 METODE PENELITIAN Data Penelitian ............................................................................................................................ 5 Praproses ..................................................................................................................................... 5 Transformasi Wavelet .................................................................................................................. 5 Transformasi Fourier ................................................................................................................... 5 Pembagian Data........................................................................................................................... 6 Klasifikasi Menggunakan k-Nearest Neighbor (k-NN) .................................................................. 6 Evaluasi Hasil Klasifikasi ............................................................................................................ 6 Lingkungan Pengembangan ......................................................................................................... 7 HASIL DAN PEMBAHASAN Percobaan 1: Identifikasi Freycinetia menggunakan low frequency ............................................... 7 Analisis Kesalahan Prediksi Percobaan 1 ..................................................................................... 8 Percobaan 2: Identifikasi Freycinetia menggunakan high frequency.............................................. 8 Analisis Kesalahan Prediksi Percobaan 2 ..................................................................................... 9 Perbandingan Low Pass Filter dan High Pass Filter .................................................................... 10 KESIMPULAN DAN SARAN Kesimpulan ............................................................................................................................... 11 Saran ......................................................................................................................................... 11 DAFTAR PUSTAKA .................................................................................................................... 11 LAMPIRAN .................................................................................................................................. 13
v
DAFTAR TABEL Halaman 1 2 3 4 5 6 7 8 9 10 11 12 13
Level dekomposisi wavelet .......................................................................................................... 5 Hasil klasifikasi menerapkan low frequency ................................................................................. 7 Confusion matrix untuk low pass filter dengan radius 5 piksel ...................................................... 7 Confusion matrix untuk low pass filter dengan radius 10 piksel .................................................... 7 Confusion matrix untuk low pass filter dengan radius 15 piksel .................................................... 8 Confusion matrix untuk low pass filter dengan radius 20 piksel .................................................... 8 Confusion matrix untuk low pass filter dengan radius 25 piksel .................................................... 8 Hasil klasifikasi menerapkan high frequency ................................................................................ 9 Confusion matrix untuk low pass filter dengan radius 5 piksel ...................................................... 9 Confusion matrix untuk low pass filter dengan radius 10 piksel .................................................... 9 Confusion matrix untuk low pass filter dengan radius 15 piksel .................................................... 9 Confusion matrix untuk low pass filter dengan radius 20 piksel .................................................... 9 Confusion matrix untuk low pass filter dengan radius 25 piksel .................................................... 9
DAFTAR GAMBAR Halaman 1 2 3 4 5 6 7 8 9 10
Fungsi koordinat sebagai representasi citra digital ........................................................................ 2 Citra anatomi stomata jenis Freycinetia angustifolia (Pasaribu 2010) ........................................... 3 Dekomposisi transformasi Wavelet Diskret 2 dimensi (McAndrew 2004) ..................................... 3 Metode penelitian ........................................................................................................................ 4 Citra RGB menjadi citra grayscale .............................................................................................. 5 Transformasi wavelet level 3 pada salah satu citra stomata Freycinetia angustifolia ..................... 5 Spektrum hasil transformasi Fourier ............................................................................................ 5 Filter low pass dengan radius 25 piksel ........................................................................................ 6 Filter high pass dengan radius 25 piksel ....................................................................................... 6 Akurasi klasifikasi ..................................................................................................................... 10
DAFTAR LAMPIRAN Halaman 1 2 3 4 5 6
Citra anatomi stomata untuk data latih ........................................................................................ 14 Citra anatomi stomata untuk data uji ........................................................................................... 15 Spektrum hasil transformasi Fourier untuk setiap data latih ......................................................... 16 Spektrum hasil transformasi Fourier untuk setiap data uji ............................................................ 17 Contoh low frequency pada salah satu spektrum transformasi Fourier citra Kelas1 ....................... 18 Contoh high frequency pada salah satu spektrum transformasi Fourier citra Kelas1 ..................... 19
vi
1
PENDAHULUAN Latar Belakang Freycinetia adalah tumbuhan yang tergolong ke dalam famili Pandanaceae. Famili ini terdiri atas empat genus, yaitu Martillidendron, Pandanus, Freycinetia, dan Sararanga. Genus Freycinetia memiliki anggota sekitar 200 spesies yang tersebar mulai dari Sri Langka, Asia Tenggara, hingga Australia bagian utara dan Selandia Baru. Spesies dari genus ini hidup menempel pada pohon inang yang umumnya merupakan tumbuhan dikotil. Freycinetia dikenal di Indonesia sebagai pandan hutan. Di beberapa daerah, tumbuhan ini dikenal dengan berbagai nama, seperti di Sunda dengan nama lolo cacing, di Palembang dikenal dengan nama rotan kubu, dan di Bangka dikenal dengan nama kepah balehang. Akar tumbuhan ini dapat digunakan untuk membuat tambang berkualitas tinggi dan bahan pakaian kasar. Selain itu, tumbuhan ini juga digunakan sebagai bahan makanan darurat. Identifikasi Freycinetia biasanya dilakukan untuk mengetahui nilai potensial, manfaat, dan pola persebarannya sebagai salah satu kekayaan hayati Indonesia. Identifikasi tumbuhan ini dapat dilakukan dengan melihat aspek morfologi dan aspek anatomi. Aspek morfologi yang diteliti meliputi cara hidup, batang, daun, bunga, dan kelopak. Dari aspek morfologi tersebut, dapat diperoleh aspek anatomi yang meliputi jaringan epidermis, stomata, sklerenkim, jaringan hipodermis, dan mesofil. Ciri anatomi epidermis daun dapat mendukung ciri morfologi dalam proses identifikasi tumbuhan, khususnya pada kasus spesimen yang memiliki ciri morfologi kurang lengkap. Penelitian menggunakan ciri anatomi epidermis daun dan stomata sebagai data pendukung identifikasi Freycinetia telah dilakukan menggunakan ukuran stomata, frekuensi stomata, dan indeks stomata pada jenis Freycinetia di Sumatera (Pasaribu 2010). Penelitian lain menggunakan ciri anatomi tersebut untuk menganalisis jenis, yaitu untuk menganalisis jenis pisang (Damayanti 2007) dan untuk menganalisis jenis salak (Haryanto 2010). Identifikasi Freycinetia menggunakan ciri epidermis daun dan stomata yang dilakukan Pasaribu (2010) memerlukan ketelitian, pengalaman, dan waktu yang cukup lama untuk keakuratan data karena dilakukan dengan mengukur stomata, menghitung frekuensi
stomata pada epidermis daun, dan menghitung indeks stomata secara manual. Oleh karena itu, dibutuhkan suatu teknik yang dapat memudahkan identifikasi Freycinetia, yaitu berbasis citra anatomi epidermis daun. Penelitian ini menggunakan gabungan teknik ekstraksi fitur Transformasi Wavelet dan Transformasi Fourier. Pada Transformasi Fourier, dilakukan perbandingan spektrum frekuensi rendah (low frequency) dengan spektrum frekuensi tinggi (high frequency). Penelitian terkait ektraksi fitur telah dilakukan pada citra wajah menggunakan Transformasi Wavelet (Cahyaningtias 2007) dan Transformasi Fourier (Ashr 2011) dengan tingkat akurasi masing-masing 100%. Teknik klasifikasi yang digunakan untuk identifikasi pada penelitian ini ialah k-Nearest Neighbor (k-NN). Penelitian menggunakan kNN telah dilakukan untuk identifikasi Shorea berdasarkan karakteristik morfologi daun (Nurjayanti 2011) yang menghasilkan akurasi 100%. K-NN merupakan sebuah teknik yang mampu mengelompokkan data uji ke dalam kelas label dengan mencari data latih yang relatif sama dengan data uji (Han et al. 2011). Penelitian mengenai identifikasi Freycinetia berbasis citra telah dilakukan oleh Qur’ania (2012). Data yang digunakan pada penelitian tersebut ialah data citra anatomi epidermis daun dan stomata tumbuhan Freycinetia yang diperoleh dari Pasaribu (2010). Klasifikasi dilakukan menggunakan k-Nearest Neighbor (kNN) dan Jaringan Syaraf Tiruan (JST) dengan dua ekstraksi fitur, yaitu ekstraksi fitur RGB dan analisis tekstur, serta ekstraksi fitur dekomposisi Wavelet (w-entropy). Akurasi yang dihasilkan k-NN dan JST masing-masing sebesar 84.46% dan 94.79% untuk ekstraksi fitur RGB dan analisis tekstur, serta 96.88% dan 99% untuk ekstraksi fitur dekomposisi Wavelet. Tujuan Tujuan penelitian ini ialah membandingkan penggunaan low frequency dan high frequency pada pengenalan tumbuhan Freycinetia berdasarkan citra anatomi epidermis daun. Ruang Lingkup Beberapa hal yang menjadi ruang lingkup penelitian ini yaitu: 1 Data yang digunakan berupa data citra anatomi epidermis daun tumbuhan Freycinetia yang diperoleh dari disertasi Pasaribu (2010) yang terdiri dari kelas Freycinetia angustifolia, Freycinetia
2
imbricata, Freycinetia javanica, dan Freycinetia Sumatrana. 2 Ekstraksi fitur menggunakan Transformasi Fourier dengan Transformasi Wavelet Haar sebagai pereduksi matriks citra.
TINJAUAN PUSTAKA Citra Digital Citra didefinisikan sebagai sebuah fungsi f(x,y), dengan x dan y adalah koordinat spasial dan amplitudo dari f merupakan pasangan koordinat (x,y) yang disebut gray level. Citra digital merupakan sebuah fungsi f(x,y) yang bernilai diskret dan terbatas. Citra mempunyai elemen yang sering dikenal sebagai picture elements, image elements, pels, dan pixel. Pixel merupakan istilah yang paling sering digunakan untuk menunjukkan elemen citra (Gonzalez & Woods 2002). Fungsi f(x,y) direpresentasikan dalam fungsi koordinat berukuran MxN, dengan M menunjukkan baris dan N menunjukkan kolom seperti ditunjukkan pada Gambar 1.
1 Freycinetia angustifolia Spesies ini tumbuh di pohon dengan ketinggian mencapai 10 meter. Panjang ruas spesies ini sekitar 4-18 mm dengan diameter 2-5 mm. Daun memanjang, tersusun melingkar dan tidak saling tumpang tindih. Aurikel mudah patah dan berserat halus. Kelopak bunga berwarna kuning gelap hingga kuning muda. Spesies ini tersebar di daerah rawa dan hutan Bukit Barisan pada ketinggian 500-1000 mdpl (Pasaribu 2010). 2 Freycinetia imbricata Tumbuhan jenis ini bisa tumbuh pada pohon dengan ketinggian mencapai 4 meter. Ruas tumbuhan ini memiliki panjang sekitar 3-15 mm dan diameter 5-12 mm. Susunan daun tidak terlalu rapat dengan ukuran 13-31x0.52.3 cm. Aurikel keras, transparan, dan berlekuk. Bentuk bunga saling bersambung dengan kelopak 6-8 dan berwarna kekuning-kuningan hingga kehijau-hijuan. Habitatnya luas di Sumatera pada daerah dengan ketinggian 15-1450 mdpl (Pasaribu 2010). 3 Freycinetia javanica
Gambar 1 Fungsi koordinat sebagai representasi citra digital. Freycinetia Freycinetia adalah salah satu genus dari famili tumbuhan Pandanaceae yang banyak ditemukan di Indonesia. Freycinetia tergolong tumbuhan monokotil. Tumbuhan ini lebih sedikit dimanfaatkan karena bentuknya berupa liana berkayu sehingga tidak terlalu dikenal masyarakat. Di beberapa daerah, akarnya dimanfaatkan untuk membuat tambang berkualitas tinggi dan pakaian kasar. Beberapa Freycinetia tumbuh dengan diameter batang mencapai 6-7 cm, panjang daun 150 cm, dan lebar daun 10 cm. Ciri morfologi tumbuhan ini ialah daun yang sederhana berbentuk panjang dan menirus, beberapa ada yang menjorong sampai membundar telur. Tepi daun dan tulang daun bergerigi. Helai daun diperluas dengan adanya sepasang aurikel. Perbungaan terbentuk di terminal dan beberapa lateral. Freycinetia banyak ditemukan tumbuh memanjat di pohonpohon dikotil sebagai pohon inangnya (Pasaribu 2010). Penelitian ini menggunakan empat jenis Freycinetia, yaitu:
Tumbuhan jenis ini tumbuh memanjat hingga ketinggian 10 m. Tumbuhan ini memiliki ruas dengan panjang 8-50 mm dan diameter 6-16 mm. Daun tersusun melingkar serta memiliki lapisan lilin yang tebal pada permukaan yang lebih rendah dan bagian tepi daun pada permukaan atas. Aurikel terdapat pada bagian atas daun. Daerah persebaran jenis ini cukup luas di Sumatera pada daerah dengan ketinggian 10-1950 mdpl (Pasaribu 2010). 4 Freycinetia Sumatrana Spesies ini tumbuh memanjat hingga ketinggian 20 m. Tumbuhan ini memiliki ruas dengan panjang 8-29 mm dan diameter 6-12 mm. Daun memanjang yang tersusun sangat rapat dan ada yang saling tumpang tindih. Tumbuhan jenis ini tersebar di Sumatera pada daerah hutan dan rawa dengan ketinggian 60-1600 mdpl (Pasaribu 2010). Epidermis Daun Epidermis adalah sistem sel yang struktur dan fungsinya bervariasi dan menutupi tubuh tumbuhan. Lapisan epidermis ini berhubungan dengan lingkungan luar. Pada lapisan ini terdapat bahan lemak dan kutikula untuk membatasi penguapan sehingga dinding terluar
3
tumbuhan menjadi keras. Selain itu, terdapat sel-sel bentuk modifikasi dari epidermis yang disebut derifat, seperti stomata dan trikoma. Stomata adalah celah yang diapit oleh dua sel epidermis khusus yang disebut sel penutup. Sel penutup tersebut dikelilingi oleh beberapa sel tetangga. Sel penutup dapat membuka dan menutup untuk menjaga kadar air dalam tumbuhan, sedangkan sel penjaga berperan dalam pergerakan sel penutup. Stomata terdapat pada seluruh bagian tumbuhan, tetapi lebih banyak ditemukan pada daun. Tipe dan distribusi stomata pada daun sangat bervariasi, bergantung pada kecepatan dan intensitas transpirasi serta habitat tumbuhan tersebut (Haryanti 2010). Contoh citra epidermis daun ditunjukkan pada Gambar 2.
menunjukkan perubahan citra pada arah horizontal dan vertikal, dan bidang HH (highhigh pass filter) menunjukkan komponen frekuensi tinggi pada citra. Semakin tinggi level dekomposisi, ukuran piksel citra hasil dekomposisi akan semakin kecil. Panjang dan lebar citra akan menjadi setengah dari sebelumnya, sehingga ukuran citra menjadi seperempat dari sebelumnya. LL3 HL3 HL2 LH3 HH3
HL1 HH2
LH2
LH1
HH1
Gambar 3 Dekomposisi transformasi wavelet diskret 2 dimensi (McAndrew 2004). Gambar 2 Citra anatomi stomata jenis Freycinetia angustifolia (Pasaribu 2010 ).
Discrete Wavelet Transform (DWT) 2 dimensi untuk citra dengan ukuran dapat ditunjukkan oleh persamaan berikut (Gonzales & Woods 2002):
Transformasi Wavelet Wave merupakan sebuah fungsi yang berosilasi terhadap waktu (time) dan ruang (space), seperti fungsi sinusoid. Sebuah wavelet didefinisikan sebagai sebuah “small wave” yang energinya terpusat pada waktu atau titik tertentu. Wavelet tidak hanya memiliki gelombang yang berosilasi terhadap waktu, tetapi juga mampu memberikan waktu simultan dan analisis frekuensi dengan matematika. Basis wavelet berasal dari sebuah fungsi scaling yang dapat dituliskan dengan persamaan berikut: h
n
n
n
dengan h n adalah koefisien fungsi wavelet dan adalah vektor wavelet (Gonzalez & Woods 2002). Wavelet akan membagi citra ke dalam sejumlah sub-sub bidang yang dinotasikan dengan LL, HL, LH, dan HH seperti ditunjukkan oleh Gambar 3. Bidang LL (lowlow pass filter) menunjukkan koefisien aproksimasi citra asli, bidang HL (high-low pass filter) dan LH (low-high pass filter)
m n
l
m n
mn
l
m n
dengan l . Notasi menunjukkan skala yang berubah-ubah dan m n merupakan koefisien aproksimasi dari pada skala , sedangkan m n merupakan koefisien perubahan detail citra pada arah horizontal, vertikal, dan diagonal untuk skala . Transformasi Fourier Transformasi fourier merupakan bagian penting dalam pemrosesan citra. Transformasi fourier lebih efisien digunakan pada spatial filter untuk filter yang besar. Selain itu, transformasi fourier juga memungkinkan dilakukan pemrosesan citra pada domain frekuensi. Dengan menerapkan transformasi fourier, low pass filter dan high pass filter akan menghasilkan nilai presisi yang besar (McAndrew 2004).
4
Untuk citra dengan ukuran , Discrete Fourier Transform (DFT) dua dimensi dapat diterapkan menggunakan persamaan berikut (Gonzalez & Woods 2002) : u
e
uv
v
praproses, transformasi wavelet, transformasi fourier, pembagian data, klasifikasi menggunakan k-Nearest Neighbor (k-NN), penghitungan akurasi, dan perbandingan akurasi. Tahapan yang dilakukan diilustrasikan pada Gambar 4. Mulai
Low pass filter dikenal juga dengan nama blurring atau smoothing filter. Teknik ini dilakukan pada domain frekuensi dengan menghilangkan kisaran nilai yang berfrekuensi tinggi sehingga menghasilkan citra yang kabur. Beberapa low pass filter ialah ideal low pass filter, Butterworth low pass filter, dan Gaussian low pass filter (Gonzales & Woods 2002).
Data Citra
Praproses
High pass filter disebut juga sharpening filter. Teknik ini dilakukan pada domain frekuensi dengan menghilangkan nilai yang berfrekuensi rendah tanpa mengganggu nilai yang berfrekuensi tinggi sehingga citra yang dihasilkan lebih tajam. Beberapa high pass filter ialah ideal high pass filter, Butterworth high pass filter, dan Gaussian high pass filter (Gonzales & Woods 2002).
Transformasi Wavelet
Transformasi Fourier
Filtering
k-Nearest Neighbor (k-NN) k-Nearest Neighbor (k-NN) merupakan salah satu teknik klasifikasi yang berbasis pembelajaran. k-NN membandingkan data uji yang diberikan dengan data latih yang sama. Setiap data merepresentasikan sebuah titik dalam kelas. Data latih disimpan dalam kelas yang telah ditentukan. Ketika diberikan data yang tidak diketahui kelasnya, k-NN akan mencari pola sebanyak k data latih yang dekat dengan data yang belum memiliki kelas (Han et al. 2011). Kedekatan biasanya didefinisikan sebagai sebuah fungsi jarak antara dua data. Fungsi jarak yang umumnya digunakan ialah jarak Euclidean karena fungsinya sederhana, cukup dengan menghitung kuadrat jarak dari dua data yang akan dihitung jaraknya. Misalkan terdapat dua data, yaitu dan n , maka jarak Euclidean-nya n adalah : n i
Low Pass Filter
Data Latih
Data Uji
High Pass Filter
Data Latih
Klasifikasi KNN
Klasifikasi KNN
Pengenalan Tumbuhan
Pengenalan Tumbuhan
Penghitungan Akurasi
Penghitungan Akurasi
Perbandingan Akurasi
i
i
METODE PENELITIAN Penelitian ini dilakukan dengan beberapa tahapan proses, yaitu pengumpulan data,
Selesai
Gambar 4 Metode penelitian.
Data Uji
5
Data Penelitian Data yang digunakan pada penelitian ini ialah data citra anatomi epidermis daun dan stomata Freycinetia dengan ukuran 640x480 piksel. Data diperoleh dari disertasi Pasaribu (2010) yang terdiri atas empat kelas, yaitu Freycinetia. angustifolia, Freycinetia imbricata, Freycinetia javanica, dan Freycinetia Sumatrana. Masing-masing kelas terdiri atas 24 data citra. Citra anatomi epidermis daun yang digunakan pada penelitian ini dapat dilihat pada Lampiran 1 dan Lampiran 2. Penelitian ini dilakukan tanpa adanya perbaikan citra. Praproses Praproses yang akan dilakukan pada penelitian ini ialah mengubah mode warna citra yang pada awalnya RGB menjadi citra grayscale. Grayscale digunakan untuk menyederhanakan model citra. Fungsi format ini adalah untuk memudahkan proses selanjutnya karena jika menggunakan RGB, nilai yang dihasilkan akan beragam. Perubahan data ini ditunjukkan oleh Gambar 5.
Gambar 6 Transformasi wavelet level 3 pada salah satu citra stomata Freycinetia angustifolia. Tabel 1 Level dekomposisi wavelet Level dekomposisi wavelet
Ukuran citra (piksel)
Citra asli
640 x 320
Level 1
320 x 240
Level 2
160 x 120
Level 3
80 x 60
Transformasi Fourier
Gambar 5 Perubahan citra RGB menjadi citra grayscale. Transformasi Wavelet Transfromasi Wavelet dilakukan untuk mereduksi matriks citra. Transformasi ini menghasilkan energi citra yang terkonsentrasi pada sebagian kecil koefisien transformasi dan kelompok lain yang mengandung sedikit energi. Wavelet membagi citra ke dalam sejumlah subsub bidang yang dinotasikan dengan LL, HL, LH, dan HH. Bidang LL merupakan bagian citra yang digunakan untuk tahapan selanjutnya, karena bagian ini menyimpan lebih banyak informasi citra. Gambar 6 menunjukkan transformasi wavelet yang dilakukan terhadap salah satu citra. Pada penelitian ini dilakukan transformasi wavelet hingga level 3 seperti yang ditampilkan pada Tabel 1. Citra yang digunakan pada tahapan selanjutnya merupakan bidang LL hasil dekomposisi wavelet level 3 dengan ukuran 80x60 piksel.
Transformasi fourier dilakukan terhadap koefisien aproksimasi hasil transformasi wavelet level 3. Pada transformasi ini dilakukan perubahan citra dari domain spasial ke domain frekuensi. Hasilnya ialah sebuah matriks yang telah digeser sehingga koefisien DC-nya berada di pusat matriks. Hasil ini berupa spektrum dari data yang nantinya akan digunakan dalam klasifikasi. Hasil transformasi fourier untuk setiap data dapat dilihat pada Lampiran 3 dan Lampiran 4. Salah satu contoh bentuk spektrum yang dihasilkan ditunjukkan oleh Gambar 7.
Gambar 7 Spektrum hasil transformasi fourier. Setelah itu diterapkan low pass filter dan high pass filter. Low pass filter diterapkan untuk mengetahui pengaruh low frequency, sedangkan high pass filter diterapkan untuk mengetahui pengaruh high frequency. Transformasi ini dilakukan pada semua data dengan ukuran circle matrix pada filtering yang berbeda untuk setiap percobaan. Penerapan low frequency dan high frequency pada citra dapat dilihat pada Lampiran 5 dan Lampiran 6.
6
Pada low pass filter, misalkan ada matriks hasil transformasi fourier F, kemudian dilakukan pergeseran sehingga koefisien DC berada di pusat matriks. Low pass filter dilakukan dengan mengalikan matriks tersebut dengan sebuah matriks sehingga nilai di pusat matriks dipertahankan dan nilai lainnya dibuang atau diminimalkan. Matriks yang digunakan dalam perkalian matriks ialah ideal low pass matrix, yaitu sebuah matriks biner m yang didefinisikan sebagai (McAndrew 2004) : m ika ika
dekat ke usat dari auh ke usat dari
dengan D merupakan radius lingkaran matriks filter low pass. Semakin besar nilai radius yang digunakan, citra yang dihasilkan akan semakin halus dan kabur. Filter low pass ditunjukkan oleh Gambar 8.
Gambar 8 Filter low pass dengan radius 25 piksel.
Pembagian Data Data pada setiap hasil filtering dibagi menjadi data latih dan data uji. Data latih digunakan untuk melakukan klasifikasi menggunakan k-Nearest Neighbor (k-NN), sedangkan data uji digunakan untuk melakukan pengujian klasifikasi. Dari total 24 data citra, 16 data digunakan sebagai data latih dan 8 data digunakan sebagai data uji. Data latih dapat dilihat pada Lampiran 1 dan data uji dapat dilihat pada Lampiran 2. Klasifikasi Menggunakan k-Nearest Neighbor (k-NN) Setelah dilakukan pembagian data, data latih akan digunakan untuk membuat klasifikasi menggunakan algoritme k-Nearest Neighbors (k-NN). Konsep dasarnya ialah mencari jarak terdekat antara data yang akan dievaluasi dengan k tetangga terdekatnya dalam data latih. Berikut algoritme k-NN (Song et al. 2007): 1 Tentukan nilai k. 2 Hitung jarak data uji dengan setiap data training menggunakan jarak Euclidean. 3 Urutkan jarak tersebut. 4 Dapatkan sebanyak k data yang memiliki jarak terdekat. 5 Tentukan kelas untuk data uji.
Pada high pass filter, cara kerja hampir sama dengan low pass filter, tetapi high pass filter membuang nilai di pusat matriks dan mempertahankan nilai lainnya. Matriks yang digunakan ialah kebalikan dari low pass filter, yaitu:
Tahapan ini menghasilkan dua klasifikasi, yaitu klasifikasi yang diperoleh dari data latih menggunakan low frequency dan yang diperoleh dari data latih menggunakan high frequency. Masing-masing klasifikasi tersebut akan diuji menggunakan data uji sesuai dengan filtering yang dilakukan sebelumnya.
m
Evaluasi Hasil Klasifikasi ika ika
dekat ke usat dari auh ke usat dari
dengan D merupakan radius lingkaran matriks filter high pass. Semakin besar nilai radius yang digunakan, citra yang dihasilkan akan semakin tajam dan detail citra akan semakin terlihat. Filter high pass dapat ditunjukkan oleh Gambar 9.
k-NN dapat ditentukan kinerjanya dengan menghitung besaran akurasi yang berhasil diperoleh. Akurasi ditentukan dengan melihat berapa banyak data pada suatu kelas yang diklasifikasikan benar. Akurasi dapat dihitung dengan persamaan berikut : kurasi data u i benar diklasi ikasikan data u i
Gambar 9 Filter high pass dengan radius 25 piksel.
Setelah perhitungan akurasi, tahapan selanjutnya ialah membandingkan akurasi yang diperoleh menggunakan klasifikasi dengan low frequency dan klasifikasi dengan high frequency. Tahap ini dilakukan untuk menentukan frekuensi yang lebih baik
7
digunakan untuk Freycinetia.
klasifikasi
tumbuhan
Lingkungan Pengembangan Perangkat keras dan perangkat lunak yang digunakan pada penelitian ini memiliki spesifikasi sebagai berikut:
rendah dari citra. Akurasi klasifikasi dengan percobaan ini dapat dilihat pada Tabel 2. Tabel 2 Hasil klasifikasi menerapkan low frequency Radius (piksel)
Perangkat keras:
Jumlah benar untuk setiap kelas Kelas 1
Kelas 2
Kelas 3
Kelas 4
Akurasi (%)
Processor Intel® CoreTM 2 Duo. Memory 2 GB. Harddisk 250 GB.
5
3
8
7
7
78.125
10
7
7
8
7
90.625
15
4
7
8
7
81.250
Perangkat lunak:
20
6
7
8
6
84.375
25
5
7
8
4
75.000
Sistem operasi Microsoft Windows Professional Service Pack 1 32-bit. Matlab 7.7 (R2008b).
7
HASIL DAN PEMBAHASAN Penelitian ini menggunakan 4 kelompok citra anatomi epidermis daun. Masing-masing kelompok terdiri atas 24 citra. Keempat kelompok tersebut selanjutnya disebut kelas. Kelas 1 merupakan kelompok tumbuhan Freycinetia angustifolia, kelas 2 merupakan kelompok tumbuhan Freycinetia imbricata, kelas 3 merupakan kelompok tumbuhan Freycinetia javanica, dan kelas 4 merupakan kelompok tumbuhan Freycinetia Sumatrana. Tahapan selanjutnya ialah Transformasi Wavelet hingga level 3, dan dilanjutkan dengan Transformasi Fourier. Setelah itu dilakukan filtering dengan dua percobaan terhadap hasil transformasi fourier, yaitu low pass filter sebagai percobaan 1 untuk mengambil spektrum pada frekuensi rendah dan high pass filter sebagai percobaan 2 untuk mengambil spektrum pada frekuensi tinggi. Kedua filtering dilakukan menggunakan ideal matrix dengan lima radius yang berbeda, yaitu 5, 10, 15, 20, dan 25 piksel. Pada setiap percobaan diamati nilai akurasi terbaik yang diberikan oleh algoritme klasifikasi untuk membandingkan kinerja kedua percobaan terhadap identifikasi tumbuhan Freycinetia. Algoritme klasifikasi yang digunakan ialah k-Nearest Neighbor dengan nilai ketetanggaan 1. Percobaan 1: Identifikasi Menggunakan Low Frequency
Freycinetia
Percobaan pertama yang dilakukan ialah klasifikasi menggunakan low frequency. Klasifikasi ini dilakukan dengan menerapkan low pass filter untuk mengambil frekuensi
Akurasi tertinggi dihasilkan oleh percobaan menggunakan radius matriks filter 10 piksel, yaitu sebesar 90.625%. Confusion matrix untuk percobaan low pass filter dengan radius matriks 5 piksel ditunjukkan oleh Tabel 3. Kelas 2 memiliki akurasi klasifikasi terbesar, yaitu 100%, sedangkan kelas 1 memiliki akurasi terkecil, yaitu 37.5%. Dari 8 data uji untuk kelas 1, 3 data diklasifikasikan benar sebagai kelas 1 dan 5 data diklasifikasikan salah, yaitu sebagai kelas 5. Tabel 3 Confusion matrix untuk low pass filter dengan radius 5 piksel Kelas hasil prediksi
Kelas aktual
Kelas 1
Kelas 2
Kelas 3
Kelas 4
Kelas 1
3
0
5
0
Kelas 2
0
8
0
0
Kelas 3
1
0
7
0
Kelas 4
1
0
0
7
Confusion matrix percobaan low pass filter dengan radius matriks 10 piksel dapat dilihat pada Tabel 4. Kelas 3 memiliki akurasi klasifikasi terbesar yaitu 100%, sedangkan tiga kelas lainnya memiliki akurasi sebesar 87.5% karena terdapat kesalahan klasifikasi pada 1 data untuk setiap kelasnya. Tabel 4 Confusion matrix untuk low pass filter dengan radius 10 piksel Kelas hasil prediksi
Kelas aktual
Kelas 1
Kelas 2
Kelas 3
Kelas 4
Kelas 1
7
0
1
0
Kelas 2
0
7
0
1
Kelas 3
0
0
8
0
Kelas 4
1
0
0
7
8
Confusion matrix untuk percobaan low pass filter dengan radius matriks 15 piksel dapat dilihat pada Tabel 5. Kelas 3 memiliki akurasi klasifikasi terbesar, yaitu 100%, sedangkan kelas 1 memiliki akurasi terkecil, yaitu 50%. Sebanyak 4 dari 8 data uji pada kelas 1 diklasifikasikan sebagai kelas 3. Tabel 5 Confusion matrix untuk low pass filter dengan radius 15 piksel Kelas hasil prediksi
Kelas aktual
Kelas 1
Kelas 2
Kelas 3
Kelas 4
Kelas 1
4
0
4
0
Kelas 2
0
7
0
1
Kelas 3
0
0
8
0
Kelas 4
1
0
0
7
Confusion matrix untuk percobaan low pass filter dengan radius matriks 20 piksel ditunjukkan oleh Tabel 6. Kelas 3 memiliki akurasi klasifikasi terbesar, yaitu 100%, sedangkan kelas 1 dan kelas 4 memiliki akurasi terkecil, yaitu 75% karena 2 data dari masingmasing kelas mengalami salah klasifikasi. Tabel 6 Confusion matrix untuk low pass filter dengan radius 20 piksel Kelas hasil prediksi
Kelas aktual
Kelas 1
Kelas 2
Kelas 3
Kelas 4
Kelas 1
6
0
2
0
Kelas 2
0
7
0
1
Kelas 3
0
0
8
0
Kelas 4
1
0
1
6
Confusion matrix untuk percobaan low pass filter dengan radius matriks 25 piksel ditunjukkan oleh Tabel 7. Kelas 3 memiliki akurasi klasifikasi terbesar, yaitu 100%, sedangkan kelas 4 memiliki akurasi terkecil, yaitu 50%. Sebanyak 4 data uji kelas 4 salah diklasifikasikan, yaitu 1 data sebagai kelas 1, 1 data sebagai kelas 2, dan 2 data sebagai kelas 3. Tabel 7 Confusion matrix untuk low pass filter dengan radius 25 piksel Kelas hasil prediksi
Kelas aktual
Kelas 1
Kelas 2
Kelas 3
Kelas 4
Kelas 1
5
0
3
0
Kelas 2
0
7
1
0
Kelas 3
0
0
8
0
Kelas 4
1
1
2
4
Analisis Kesalahan Prediksi Percobaan 1 Pada penerapan low pass filter, kelas 1 sering mengalami salah klasifikasi. Data uji ke1 dari kelas ini selalu salah diklasifikasikan. Hal ini disebabkan oleh adanya cairan yang tidak rata pada preparat saat melakukan akuisisi data sehingga terdapat warna merah yang berlebih pada sebagian citra. Akibatnya, spektrum yang dihasilkan sangat berbeda dengan spektrum data lain dari kelasnya. Data uji kelas 1 yang mengalami salah klasifikasi selalu diklasifikasikan sebagai kelas 3. Hal ini diakibatkan oleh struktur anatomi epidermis kedua kelas yang mirip. Sel-sel epidermis dan stomata yang mirip serta adanya pasir-pasir granulosit pada kedua tumbuhan ini diduga turut menjadi penyebab salah klasifikasi. Untuk kelas 2, data uji ke-2 sering salah diklasifikasikan, yaitu sebagai kelas 4. Hal ini disebabkan oleh adanya bintik hitam yang muncul pada citra dan pengambilan citra yang agak miring, sehingga spektrum yang dihasilkan berbeda dengan data lainnya. Kelas 3 merupakan kelas yang paling tepat diklasifikasikan. Hanya ada satu data yang mengalami salah klasifikasi, yaitu data uji ke-5 yang diklasifikasikan sebagai kelas 1 pada penggunaan radius matriks 5 piksel. Untuk kelas 4, data uji ke-6 selalu salah diklasifikasikan, yaitu sebagai kelas 1. Hal ini disebabkan terdapat penggunaan cairan yang tidak rata pada preparat saat akuisisi data sehingga warna partikel-partikel kalsium oksalat pada epidermis daun terlihat lebih gelap dan membuat data ini berbeda dengan data lain di kelasnya. Selain itu, posisi sel-sel epidermis yang tegak lurus juga menjadi penyebab salah klasifikasi. Data kelas 4 lainnya yang salah klasifikasi terjadi pada penggunaan radius 20 dan 25 piksel. Percobaan 2: Identifikasi Menggunakan High Frequency
Freycinetia
Percobaan kedua yang dilakukan ialah klasifikasi menggunakan high frequency. Klasifikasi ini dilakukan dengan menerapkan high pass filter untuk mengambil frekuensi tinggi dari citra. Akurasi klasifikasi dengan percobaan ini dapat dilihat pada Tabel 8. Akurasi tertinggi dihasilkan oleh percobaan menggunakan radius matriks filter 5 piksel, yaitu 81.25%.
9
Tabel 8 Radius (piksel)
Hasil klasifikasi menerapkan high frequency
diklasifikasikan, 2 data sebagai kelas 2 dan 2 lainnya sebagai kelas 3.
Jumlah benar untuk setiap kelas
Tabel 11
Confusion matrix untuk low pass filter dengan radius 15 piksel
Kelas aktual
Kelas hasil prediksi Kelas 1
Kelas 2
Kelas 3
Kelas 4
Kelas 1
8
0
0
0
Kelas 2
0
6
0
2
Kelas 3
0
1
5
2
Kelas 4
0
2
2
4
Akurasi (%)
Kelas 1
Kelas 2
Kelas 3
Kelas 4
5
7
7
8
4
81.250
10
8
7
5
5
78.125
15
8
6
5
4
71.875
20
8
5
6
4
71.875
25
6
3
2
3
43.750
Confusion matrix untuk percobaan high pass filter dengan radius matriks 5 piksel ditunjukkan oleh Tabel 9. Kelas 3 memiliki akurasi klasifikasi terbesar, yaitu 100%, sedangkan kelas 4 memiliki akurasi terkecil, yaitu 50%. Sebanyak 4 dari 8 data uji kelas 4 salah diklasifikasikan sebagai kelas 2. Tabel 9 Confusion matrix untuk low pass filter dengan radius 5 piksel Kelas aktual
Confusion matrix untuk percobaan low pass filter dengan radius matriks 20 piksel ditunjukkan oleh Tabel 12. Kelas 1 memiliki akurasi klasifikasi terbesar, yaitu 100%, sedangkan kelas 4 memiliki akurasi terkecil, yaitu 50%. Sebanyak 4 data uji kelas 4 salah diklasifikasikan, 2 data sebagai kelas 2 dan 2 lainnya sebagai kelas 3. Tabel 12
Confusion matrix untuk low pass filter dengan radius 20 piksel Kelas hasil prediksi Kelas 1
Kelas 2
Kelas 3
Kelas 4
Kelas hasil prediksi Kelas 1
Kelas 2
Kelas 3
Kelas 4
Kelas 1
7
0
1
0
Kelas aktual
Kelas 2
0
7
1
0
Kelas 1
8
0
0
0
Kelas 3
0
0
8
0
Kelas 2
0
5
2
1
Kelas 4
0
4
0
4
Kelas 3
2
0
6
0
Kelas 4
0
2
2
4
Confusion matrix untuk percobaan low pass filter dengan radius matriks 10 piksel ditunjukkan oleh Tabel 10. Kelas 1 memiliki akurasi klasifikasi terbesar, yaitu 100%, sedangkan kelas 3 dan kelas 4 memiliki akurasi klasifikasi terkecil, yaitu 62.5%. Sebanyak 3 data dari masing-masing kelas salah diklasifikasikan. Tabel 10
Confusion matrix untuk low pass filter dengan radius 10 piksel
Confusion matrix untuk percobaan low pass filter dengan radius matriks 25 piksel ditunjukkan oleh Tabel 13. Kelas 1 memiliki akurasi klasifikasi terbesar, yaitu 75%, sedangkan kelas 3 memiliki akurasi terkecil, yaitu 25%. Sebanyak 2 data uji dari kelas 3 diklasifikasikan sebagai kelas 1 dan 4 data sebagai kelas 2. Tabel 13
Confusion matrix untuk low pass filter dengan radius 25 piksel Kelas hasil prediksi Kelas 1
Kelas 2
Kelas 3
Kelas 4
Kelas hasil prediksi
Kelas aktual
Kelas 1
Kelas 2
Kelas 3
Kelas 4
Kelas 1
8
0
0
0
Kelas aktual
Kelas 2
0
7
0
1
Kelas 1
6
1
1
0
Kelas 3
1
0
5
2
Kelas 2
0
3
4
1
Kelas 4
0
1
2
5
Kelas 3
2
4
2
0
Kelas 4
0
4
1
3
Confusion matrix untuk percobaan low pass filter dengan radius matriks 15 piksel ditunjukkan oleh Tabel 11. Kelas 1 memiliki akurasi klasifikasi terbesar, yaitu 100%, sedangkan kelas 4 memiliki akurasi terkecil, yaitu 50%. Sebanyak 4 data uji kelas 4 salah
Analisis Kesalahan Prediksi Percobaan 2 Pada penerapan high pass filter, kelas 1 merupakan kelas yang paling tepat klasifikasinya. Data uji ke-1 mengalami salah
10
Untuk kelas 2, data uji ke-2 sering mengalami salah klasifikasi, yaitu sebagai kelas 4. Hal ini disebabkan oleh adanya bintik hitam yang muncul pada citra serta pengambilan citra yang agak miring sehingga berbeda dengan data lainnya. Kesalahan klasifikasi juga terjadi pada data ke-4 dan data ke-8. Hal ini disebabkan oleh pasir-pasir granulosit atau bintik hitam pada selsel epidermis yang kurang terlihat, sehingga membedakannya dengan citra lain pada kelasnya. Data uji ke-1 dan ke-7 pada kelas 3 sering salah diklasifikasikan. Kedua data uji ini diklasifikasikan sebagai kelas 4 pada penggunaan radius 10 dan 15 piksel, serta sebagai kelas 1 pada penggunaan radius 20 dan 25 piksel. Hal ini terjadi karena kerapatan stomata pada data ini berbeda dengan citra lain pada kelasnya, sehingga spektrum transformasi yang dihasilkan juga berbeda. Untuk kelas 4, data uji ke-2, ke-3, ke-4, ke5, dan ke-6 sering salah diklasifikasikan. Hal ini disebabkan oleh posisi sel-sel epidermis pada citra yang tegak lurus, berbeda dengan data latihnya yang agak miring. Perbandingan Low Frequency dan High Frequency Penelitian ini menerapkan klasifikasi menggunakan k-Nearest Neighbor (k-NN) dengan dua percobaan berbeda terhadap hasil ekstraksi fitur, yaitu menggunakan low frequency dengan menerapkan low pass filter dan menggunakan high frequency dengan menerapkan high pass filter. Percobaan ini diterapkan untuk membandingkan penggunaan low frequency dan high frequency pada citra dalam identifikasi tumbuhan Freycinetia. Pada penggunaan low frequency, kelas 1, kelas 2, dan kelas 3 sering salah klasifikasi menjadi kelas lainnya. Hal ini terjadi karena bentuk sel-sel epidermis ketiga kelas ini hampir sama, yaitu memanjang dengan banyak pasir granulosit dan sel penjaga di dekat stomata yang tampak berbeda dari sel lain di sekelilingnya.
Pada penggunaan high frequency, kelas 4 sering salah klasifikasi menjadi kelas lain karena posisi sel-sel epidermis pada citra yang tidak seragam membuatnya sulit untuk dikenali. Pada kelas 1, high frequency lebih cocok digunakan daripada low frequency karena terdapat lebih banyak data yang diklasifikasikan dengan benar. Data uji ke-1 dari kelas 1 sering mengalami salah klasifikasi pada kedua percobaan, karena adanya warna merah yang berlebih pada citra yang mengakibatkan perbedaan spektrum transformasi. Pada kelas 2, low frequency lebih cocok digunakan karena memberikan lebih banyak data yang tepat diklasifikasikan. Kesalahan klasifikasi sering terjadi pada data uji ke-2 karena adanya bintik hitam dan posisi sel-sel epidermis yang berbeda dengan data lainnya. Pada kelas 3, low frequency lebih cocok digunakan karena akurasi yang diberikan lebih tinggi daripada high frequency. Kesalahan klasifikasi sering terjadi pada data uji ke-1 dan ke-7 karena memiliki kerapatan stomata yang berbeda sehingga menghasilkan spektrum transformasi yang berbeda pula. Untuk kelas 4, low frequency lebih cocok digunakan, karena menghasilkan lebih banyak data yang tepat diklasifikasikan. Kesalahan sering terjadi data uji ke-3, ke-4, dan ke-6 karena posisi sel-sel epidermis yang berbeda dengan data lainnya. Posisi sel-sel epidermis yang agak miring menghasilkan spektrum yang berbeda dengan data yang memiliki posisi selsel epidermis tegak lurus. Gambar 10 menunjukkan grafik akurasi klasifikasi menggunakan low frequency dan high frequency dengan berbagai radius matriks sesuai dengan data pada Tabel 2 dan Tabel 8. 100 90 80 70
Akurasi (%)
klasifikasi, yaitu sebagai kelas 3 pada penggunaan radius 5 piksel dan sebagai kelas 2 pada penggunaan radius 25 piksel. Hal ini disebabkan oleh spektrum transformasi yang sangat berbeda akibat adanya warna merah yang berlebih pada citra anatomi ini. Data uji ke-3 juga mengalami salah klasifikasi pada penggunaan radius 25 piksel, yaitu sebagai kelas 3.
60 50 40 30 20 10 0 5
10
15
20
25
Radius (piksel) Low Frequency High Frequency
Gambar 10 Akurasi klasifikasi.
11
Berdasarkan Gambar 10 dapat disimpulkan bahwa penggunaan low frequency secara umum memberikan akurasi yang lebih baik daripada high frequency pada identifikasi tumbuhan Freycinetia. Hal ini disebabkan oleh data citra anatomi epidermis daun Freycinetia yang digunakan memiliki banyak pasir-pasir granulosit berupa bintik-bintik hitam yang bisa dianggap sebagai noise. Noise ini menutupi sebagian sel-sel epidermis sehingga sulit untuk dikenali. Penggunaan low frequency mengakibatkan noise ini menjadi kabur dan detail epidermis terlihat, sedangkan high frequency mengakibatkan detail dan noise-nya semakin tajam sehingga semakin mengurangi akurasi. Akurasi tertinggi yang dihasilkan menggunakan low frequency dan high frequency sebesar 90.625% dan 81.25%. Akurasi ini masih lebih rendah dibandingkan dengan akurasi yang diperoleh pada penelitian Qur’ania (2012).
KESIMPULAN DAN SARAN Kesimpulan Penelitian ini menggunakan k-Nearest Neighbor (k-NN) untuk identifikasi Freycinetia berdasarkan citra anatomi epidermis daun, yang menjadi input pada klasifikasi ini adalah citra yang telah mengalami transformasi wavelet level 3 dan transformasi fourier. Kelas 1 (Freycinetia angustifolia) lebih cocok diklasifikasikan menggunakan high frequency, sedangkan kelas 2 (Freycinetia imbricata), kelas 3 (Freycinetia javanica), dan kelas 4 (Freycinetia Sumatrana) lebih cocok diklasifikasikan menggunakan low frequency. Akurasi tertinggi pada penggunaan low frequency untuk semua kelas sebesar 90.625% dengan radius matriks lingkaran 10 piksel. Akurasi tertinggi pada penggunaan high frequency untuk semua kelas sebesar 81.25% dengan radius matriks lingkaran 5 piksel. Berdasarkan hal tersebut dapat disimpulkan bahwa low frequency lebih cocok digunakan untuk identifikasi Freycinetia berbasis citra anatomi epidermis daun menggunakan kNearest Neighbor daripada high frequency.
1 Menggunakan low frequency dan high frequency dengan berbagai dekomposisi Wavelet dan berbagai jenis citra. 2 Melakukan berbagai kombinasi data training dan data testing. 3 Menemukan kriteria yang cocok untuk menetukan jenis frekuensi yang digunakan pada pengenalan citra. 4 Menggunakan algoritme klasifikasi yang lain, seperti Jaringan Syaraf Tiruan (JST) yang dapat meningkatkan akurasi.
DAFTAR PUSTAKA Ashr N. 2011. Pengenalan wajah dengan menggunakan Transformasi Fourier dan fungsi jarak Euclidean [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Cahyaningtias T. 2007. Pengenalan wajah dengan pemrosesan awal Transformasi Wavelet [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Damayanti F. 2007. Analisis jumlah kromoson dan anatomi stomata pada beberapa plasma nutfah pisang (Musa sp.) asal Kalimantan Timur. Bioscientiae 4:53-61. Gonzalez RC, Woods RE. 2002. Digital Image Processing. Ed ke-2. New Jersey: Prentice Hall. Han J, Kamber M, Pei J. 2011. Data Mining Concepts and Techniques. Ed ke-3. Massachusetts: Morgan Kaufmann. Haryanti S. 2010. Jumlah dan distribusi stomata pada daun beberapa spesies tanaman dikotil dan monokotil. Buletin Anatomi dan Fisiologi 2:21-28. Haryanto FF. 2010. Analisis kromosom dan stomata tanaman Salak Bali (Salacca zalacca var. amboinensis (Becc.) Mogea), Salak Padang Sidempuan (S. Sumatrana (Becc.)) dan Salak Jawa (S. zalacca var zalacca (Becc.) Mogea) [skripsi]. Surakarta: Fakultas Pertanian, Universitas Sebelas Maret.
Saran
McAndrew A. 2004. An Introduction to Digital Image Processing with MATLAB. Victoria: Victoria University of Technology.
Penelitian ini masih mempunyai beberapa kekurangan yang dapat diperbaiki dan dapat dikembangkan menjadi penelitian selanjutnya. Beberapa saran pada penelitian ini yaitu:
Nurjayanti B. 2011. Identifikasi Shorea menggunakan k-Nearest Neighbor berdasarkan karakteristik morfologi daun [skripsi]. Bogor: Fakultas Matematika dan
12
Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Pasaribu N. 2010. Freycinetia (Pandanaceae) of Sumatera [disertasi]. Bogor: Sekolah Pascasarjana, Institut Pertanian Bogor. Qur’ania . berbasis
. Klasi ikasi Freycinetia citra anatomi stomata
menggunakan k-Nearest Neighbor dan jaringan syaraf tiruan [tesis]. Bogor: Sekolah Pascasarjana, Institut Pertanian Bogor. Song Y, Huang J, Zhou D, Zha H, Giles CL. 2007. IKNN: Informative K-Nearest Neighbor pattern classification. SpringerVerlag Berlin Heidelberg 47:248-264.
LAMPIRAN
14
Lampiran 1 Citra anatomi stomata untuk data latih 1. Kelas 1 (Freycinetia angustifolia)
2. Kelas 2 (Freycinetia imbricata)
3. Kelas 3 (Freycinetia javanica)
4. Kelas 4 (Freycinetia Sumatrana)
15
Lampiran 2 Citra anatomi stomata untuk data uji 1. Kelas 1 (Freycinetia angustifolia)
2. Kelas 2 (Freycinetia imbricata)
3. Kelas 3 (Freycinetia javanica)
4. Kelas 4 (Freycinetia Sumatrana)
16
Lampiran 3 Spektrum hasil transformasi Fourier untuk setiap data latih 1.
Kelas 1 (Freycinetia angustifolia)
2.
Kelas 2 (Freycinetia imbricata)
3.
Kelas 3 (Freycinetia javanica)
4.
Kelas 4 (Freycinetia Sumatrana)
17
Lampiran 4 Spektrum hasil transformasi Fourier untuk setiap data uji 1.
Kelas 1 (Freycinetia angustifolia)
2.
Kelas 2 (Freycinetia imbricata)
3.
Kelas 3 (Freycinetia javanica)
4.
Kelas 4 (Freycinetia Sumatrana)
18
Lampiran 5 Contoh low frequency pada salah satu spektrum transformasi Fourier citra Kelas1 1.
Radius 5 piksel
2.
Radius 10 piksel
3.
Radius 15 piksel
4.
Radius 20 piksel
5.
Radius 25 piksel
19
Lampiran 6 Contoh high frequency pada salah satu spektrum transformasi Fourier citra Kelas1 1.
Radius 5 piksel
2.
Radius 10 piksel
3.
Radius 15 piksel
4.
Radius 20 piksel
5.
Radius 25 piksel
