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

INDENTIFIKASI JENIS KAYU BERDASARKAN CITRA DIGITAL MENGGUNAKAN ALGORITMA EIGENIMAGE DAN PRINCIPAL COMPONENTS ANALYSIS Wahyu Widodo1 dan Edi Faizal2 Teknik Informatika STMIK El Rahma Yogyakarta 2 Teknik Komputer STMIK El Rahma Yogyakarta e-mail: [email protected], [email protected] 1

Abstract Indonesia is a tropical country which has about 4,000 species of trees. Potential tree estimated 400 types of botanical (species), covered in 198 genera and 68 tribes. General characteristics of wood can be recognized directly by the five senses by color, pattern, texture, grain direction, luster, impressions touch, smell and hardness of wood. While anatomical features include the composition, shape, and size of the cells or tissue intruders, which can only be clearly observed using the aid of a magnifying glass or microscope like loops. Along with the development of computerized technology, pattern recognition have been carried out with a variety of applications and algorithms. In this research wood species recognition systems developed using the imagery pore structure of the wood. The algorithm used is Eigenimage and transformation of pattern recognition used by Principal Components Analysis (PCA). Identification performed by pattern matching. The test results showed the percentage of the system's ability to correctly identify the wood image by 96% (sensitivity), percentage of the system's specificity of 59%, positive predictive value of 88% (PPV), negative predictive value by 83% (NPV), and accuracy rate of 87% (accuracy) with an error rate (error rate) of 13%.

Keyword: wood, pattern recognition, eigenimage, PCA PENDAHULUAN Indonesia adalah Negara tropis dengan luas hutan yang sangat besar serta berbagai jenis pohon yang terdapat didalamnya. Terdapat tidak kurang dari 4.000 jenis pohon yang ada di Indonesia. Pusat Penelitian dan Pengembangan Hasil Hutan sudah menyimpan contoh kayu dari lebih kurang 3.233 jenis pohon yang tercakup dalam 785 marga dari 106 suku. Jumlah jenis pohon yang potensial diperkirakan 400 jenis botani (spesies), tercakup dalam 198 marga (genus) dari 68 suku (famili). Selanjutnya berdasarkan pertimbangan persamaan ciri dan sifat, kayu dari jenis-jenis pohon tersebut dikelompokkan kembali menjadi 186 kelompok [1]. Secara umum pengenalan jenis kayu dapat dilakukan dengan melakukan pengamatan berdasarkan pada ciri-ciri tertentu. Pembagian kelompok pengenalan ciri kayu dapat dibagi kedalam dua yaitu ciri umum dan ciri anatomi. Ciri umum yaitu ciri-ciri yang dapat dikenali secara langsung dengan panca indera tanpa bantuan alat. Pengenalan dengan cara ini melibatkan beberapa hal meliputi warna, corak, tekstur, arah serat, kilap, kesan raba, bau dan kekerasan kayu. Sedangkan ciri anatomi meliputi susunan, bentuk, dan ukuran sel atau jaringan penyusup, yang hanya dapat diamati secara jelas dengan menggunakan bantuan alat berupa kaca pembesar seperti lup atau mikroskop [2]. Menurut [3], ciri umum relatif mudah diamati, sehingga sering digunakan dalam melakukan identifikasi jenis kayu di lapangan. Namun hasil identifikasi tersebut tergantung

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

pada keterampilan, pengalaman dan jumlah spesimen yang diidentifikasi. Spesimen dengan jumlah yang besar sulit untuk diperoleh hasil yang akurat sehingga perlu pengamatan anatomi. Ciri anatomi harus digunakan sebagai landasan utama, minimal yang dapat diamati dengan bantuan lup berkekuatan pembesaran sepuluh kali. Kegiatan pengenalan jenis kayu yang selama ini sering dilakukan adalah dengan menggunakan panca indera manusia. Selain akurasi yang kurang, cara ini juga membutuhkan pengalaman yang cukup banyak. Kayu merupakan salah satu komoditas penting di Indonesia, karena itu sistem pengenalan jenis kayu yang akurat dan praktis sangat penting untuk dikembangkan. Seiring dengan perkembangan teknologi komputerisasi, penelitian tentang pengenalan pola telah banyak dilakukan dengan beragam aplikasi dan algoritma. Salah satu teknik untuk mengenali suatu citra adalah dengan membedakan tekstur yang merupakan komponen dasar pembentuk citra. Tekstur citra dapat dibedakan dengan kerapatan, keseragaman, keteraturan, kekasaran, dan lain-lain. Karena komputer tidak dapat membedakan tekstur seperti halnya pengelihatan manusia, maka digunakan analisis tekstur untuk mengetahui pola suatu citra digital berdasarkan ciri yang diperoleh secara matematis [4]. Mengingat banyaknya jenis kayu yang memiliki kesamaan ciri sehingga sulit untuk mengidentifikasi jenis kayu dengan akurat. Disisi lain, telah dikembangkan teknologi berbasis komputer (computer based) untuk melakukan pengenalan pola (citra). Maka pada penelitian ini dikembangkan sistem pengenalan jenis kayu menggunakan citra struktur pori kayu. Algoritma yang digunakan adalah Eigenimage, selanjutnya untuk pengenalan pola digunakan dengan transformasi Principal Components Analysis (PCA). Identifikasi dilakukan dengan pattern matching sederhana tanpa menggunakan metode pembelajaran khusus seperti jaringan syaraf tiruan. Diharapkan sistem ini dapat membantu mengenali jenis kayu secara mudah dengan tingkat akurasi yang tinggi. Penelitian tentang pengenalan pola/citra digital telah banyak dilakukan dengan pada berbagai objek dan dengan metode yang berbeda. Diantara penelitian tersebut objek yang di teliti antara lain pengenalan pola sidik jari, pengenalan pola tanda tangan serta penelitian untuk melakukan pengenalan wajah dengan memanfaatkan beberapa pendekatan diantaraya jaringan syaraf tiruan. Penelitian [5] dilakukan untuk mengenali sidik jari secara parsial. Pengenalan pola menggunakan bentuk segitiga yang diperoleh dari proses delaunay triangulation dari titik-titik minutiae sidik jari yang berupa bifurcation dan ending ridge. Teknik optimasi dilakukan menggunakan algoritma genetika dan local search yang menghasilkan garis-garis yang merepresentasikan citra sidik jari. Penelitian ini mampu melakukan pengenalan sidik jari parsial dengan matching rate sebesar 70%, FAR sebesar 33% dan FRR 30%. Berbeda dengan tersebut, [6] menggunakan jaringan syaraf tiruan untuk mengenali pola tanda tangan seseorang. Pola tanda tangan yang dikenali dituliskan dengan menggunakan light pen. Metode pembelajaran yang digunakan dalam penelitian ini adalah backpropagation. Beberapa langkah yang dilakukan sebelum masuk pada tahap jaringan syaraf tiruan adalah preprocessing dan ekstraksi. Hasil penelitian ini menunjukan tingkat keakuratan sistem untuk mengenali pola training data set mencapai 100% dan keakuratan sistem untuk mengenali pola blind data set adalah sebesar 0%. Penelitian [7] membahas tentang pengenalan wajah pada sistem presensi karyawan. [8] juga melakukan penelitian untuk melakukan pengenalan wajah. Kedua penelitian ini menggunakan algoritma eigenface untuk menganalisa pengenalan wajah (face recognition). Teknik ini melibatkan pengambilan komponen utama (principal component analysis) dari database wajah. Komponen utama ini merupakan representasi sebuah set wajah.

27

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

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

Gambar 1 Langkah penelitian 1. Pengembangan Sistem Pengembangan sistem meliputi beberapa kegiatan, yaitu analisis kebutuhan perangkat lunak, perancangan Algoritma dan perancangan antar muka (interface). 1.1 Analisis Kebutuhan Sistem Tahap ini merupakan tahap penganalisaan sistem yang digunakan untuk mengetahui kelebihan dan kekurangan dari sistem pengenalan kayu menggunakan Principial Components Analysis (PCA). 1.2 Perancangan Algoritma Tahapan ini diperlukan untuk menggambarkan algoritma yang digunakan dalam pembuatan program aplikasi. Tahapan ini akan sangat membantu ketika pembuatan aplikasi dilaksanakan. Pengenalan jenis kayu dilakukan dengan mencocokkan citra kayu yang dicapture menggunakan kamera dengan citra kayu yang ada pada database citra kayu. 1.3 Perancangan Antarmuka Perancangan antarmuka berhubungan dengan tampilan program yang akan dibuat. Hal ini penting, karena tampilan program yang userfriendly akan menarik perhatian pemakai program selain untuk mengurangi kejenuhan. Perancangan antarmuka ini meliputi perancangan tampilan program, perancangan input dan output yang diinginkan dalam

28


program nantinya dan perancangan komponen agar mudah untuk dipahami dan digunakan meski baru pertama kali menggunakan. 2. Implementasi Tahap ini merupakan tahap pengimplementasian algoritma eigenimage pada aplikasi pengenalan jenis kayu. Program yang digunakan untuk proses identifikasi jenis kayu dalam pembuatan program aplikasi. 3. Pengujian Pengujian sistem dilakukan dengan melakukan tes untuk mengukur kemampuan sistem dalam mencocokan dan menemukan kayu yang sejenis sesuai dengan input. [9] menjelaskan bahwa sensitivitas dan spesifisitas digunakan untuk mengetahui tingkat akurasi. Analisis dilakukan dengan menggunakan 4 parameter yaitu TP, FP, TN dan FN. selanjutnya digunakan dalam menghitung sensitivitas (sensitivity), spesifisitas (specificity), nilai prediksi positif (PPV) dan nilai prediksi negatif (NPV). Perhitungan nilai-nilai tersebut menggunakan persamaan (1), (2), (3), (4) [10]. Sensitivity = [TP/(TP+FN)] x 100% (1) Specificity = [TN/TN+FP] x 100% (2) PPV = [TP/ (TP+FP)] x 100% (3) NPV = [TN/ (TN+FN)] x100% (4) Keterangan: TP : Sistem menghasilkan kesimpulan positif untuk sampel data positif; FP : Sistem menghasilkan kesimpulan positif untuk sampel data negatif; TN : Sistem menghasilkan kesimpulan negatif untuk sampel data negatif, FN : Sistem menghasilkan kesimpulan negatif untuk sampel data positif. Menurut [11], Confusion Matrix adalah cara yang berguna untuk menganalisis seberapa baik sistem mengenali tuple dari kelas yang berbeda. TP dan TN memberikan informasi ketika sistem benar, sedangkan FP dan FN memberitahu ketika sistem salah. Sensitivity dan specificity dapat digunakan untuk pengklasifikasian akurasi. Sensitivity dapat ditunjuk sebagai true positives (recognition) rate (proporsi dari tuple positif yang diidentifikasi dengan benar). Sedangakan specificity adalah true negatives rate (proporsi tuple negatif yang diidentifikasi secara benar). Fungsi sensitivitas dan spesifisitas dapat menunjukkan tingkat akurasi menggunakan persamaan (5) dan ukuran tingkat kesalahan sistem juga dapat dihitung dengan persamaan (6). =

+ ( + ) + = 100% ( + )

( + )

(5) (6)

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

29


Setelah proses identifikasi selesai, jika citra kayu cocok dengan data citra yang terdapat dalam sistem, maka sistem akan mengeluarkan informasi jenis kayu secara detail serta contoh beberapa citra kayu tersebut dalam berbagai posisi. 1. Analisis Kebutuhan Sistem Sistem yang akan dekembangkan membutuhkan dua jenis data yaitu data spesifikasi kayu dan data citra kayu. Data spesifikasi kayu digunakan untuk memberikan informasi detail satu jenis kayu. Sedangkan citra kayu digunakan untuk pencocokan kemiripan citra kayu yang akan di identifikasi. Contoh spesifikasi kayu yang digunakan terdiri dari beberapa jenis yang disajikan pada Tabel 1 serta contoh citra kayu ditampilkan pada Gambar 2. Tabel 1 Spesifikasi jenis kayu No Jenis Ciri Umum Keterangan Kayu 1 Bangkirai Nama Botanis Shorea laevis Ridl. (syn. S. laevifolia Endert), famili Dipterocarpaceae. Daerah Seluruh Kalimantan Penyebaran Warna Kayu teras berwarna kuning-coklat, kayu gubal coklat muda pucat kekuning-kuningan. Tekstur Tekstur kayu halus sampai agak kasar. Arah serat Arah serat lurus atau berpadu. Kesan Raba Permukaan kayu licin atau berganti-ganti antara licin dan kesat karena arah serat yang berpadu. Kilap Permukaan kayu mengkilap. Gambar Pada bidang radial kadang-kadang nampak garis-garis yang berwarna lebih muda. 2 Bintangu Nama Botanis Calophyllum spp., famili Guttiferae r Daerah Sumatera Barat, Riau, Jambi, Sumatera Selatan, Penyebaran Lampung, Jawa, Kalimantan Barat, Kalimantan Tengah, Sulawesi, Maluku, Nusa Tenggara Timur. Warna Kayu teras C.inophyllum berwarna coklatmerah pucat, sedang jenis lainnya bervariasi dari merah jambu, merah muda, merah-coklatkelabu muda, merah-coklat sampai merahlembayung; kayu gubal berwarna coklat-kelabu pucat atau coklat kuning semu-semu merah jambu, tebal kira-kira 5cm dan dapat jelas dibedakan dari kayu teras. Tekstur Tekstur kayu agak kasar sampai kasar, agak tidak merata. Arah serat Arah serat berpadu (pada C.inophyllum sangat berpadu), agak bergelombang atau tidak teratur. Kesan Raba Permukaan kayu licin, pada bidang radial C. inophyllum ada bagian yang licin dan ada bagian yang kesat. Kilap Permukaan kayu mengkilap. Gambar Pada bidang tangensial bergambar pita 30


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

Gambar 2 Citra kayu jenis bangkirai 2.

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

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

31


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

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

Gambar 5 Tampilan form login 3.1 Menu Administrator 32


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

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

33


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

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

34


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

Gambar 10 Identifikasi (training)

35


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

36


(50+7) 10 (10+2)

4.

NPV

=

5.

Accuracy

=

96% x

6.

Error rate

=

(7+2) (52+17)

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

+ 59% x

17 (52+17)

=87%

x 100% = 13%

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

37


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

38

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

Recommend Documents