KLASIFIKASI FREYCINETIA BERBASIS CITRA ANATOMI STOMATA MENGGUNAKAN K -NEAREST NEIGHBOR DAN JARINGAN SYARAF TIRUAN
ARIE QUR’ANIA
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012
PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan bahwa tesis Klasifikasi Freycinetia Berbasis Citra Anatomi Stomata Menggunakan K -Nearest Neighbor dan Jaringan Syaraf Tiruan adalah karya saya dengan arahan dari komisi pembimbin g dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini. Bogor, Juni 2012
Arie Qur’ania NRP G651090051
ABSTRACT ARIE QUR’ANIA. The Classification of Freycinetia Based on Stomata Anatomic Image Using K-Nearest Neighbor and Artificial Neural Network. Under direction of AJI HAMIM WIGENA and AZIZ KUSTIYO
The classification of Freycinetia is conducted to portray the potential result and function of nutfah plasma spreader. This research is purposed to classify a variety of Freycinetia based on stomata anatomic image by K -Nearest Neighbor (K-NN) and Artificial Neural Network (ANN). The Variety of Freycinetia classification can be described by using two different ways that are morphology and anatomic characteristic. Stomata anatomic image is used to support morphology characteristic in the identification process, especially in uncompleted morphology image specimen and sample. There are two feature extraction techniques in this research. First, is to pick up the color and gray scale element in the image. The scale element has a red, green and blue color (RGB). The grayscale has an entropy, contrast, energy, homo geneity, gray scale and deviation standard. Second, is a wavelet decomposition technique which has a function for decreasing a size of the image without loosing its important element. The taken element becomes a coefficient image of w -entropy for each wavelet level. Ninety six data is used in this research, it contains of four kinds of Freycinetia. They are Freycinetia angustifolia, Freycinetia imbricata, Freycinetia javanica, and Freycinetia sumatrana. The result shows an accuracy level for K-NN according to RGB and gray scale is 86 .46% and according to wavelet decomposition is 96.88%. Whereas, the accuracy level of ANN based on RGB color and gray scale element is 94.79% and according to wavelet decomposition is 9 9%. The classification result of plant variety, especially Freycinetia based on stomata image with high accuracy, will be an alternative tool to identify taxonomy type. Keywords : freycinetia, rgb, grayscale, wavelet, k -nn, ann
RINGKASAN ARIE QUR’ANIA. Klasifikasi Freycinetia Berbasis Citra Anatomi Stomata Menggunakan K-Nearest Neighbor dan Jaringan Syaraf Tiruan . Dibimbing oleh AJI HAMIM WIGENA dan AZIZ KUSTIYO.
Freycinetia merupakan genus terbesar kedua dari famil i Pandanaceae, yang memiliki sekitar 200-300 jenis (Stone 1970; Callmander et al. 2003). Klasifikasi jenis Freycinetia dilakukan menggunakan dua cara, yaitu ciri morfologi dan ciri anatomi. Ciri anatomi stomata dapat digunakan untuk mendukung ciri morfologi dalam proses klasifikasi jenis, khususnya pada kasus spesimen atau sampel yang memiliki ciri morfologi yang tidak lengkap. Bagian anatomi yang dapat dianalisis adalah bagian permukaan daun yang menghasilkan ciri bentuk serta jumlah epidermis dan stomata. P engamatan anatomi stomata di laboratorium dilakukan dengan membuat sayatan irisan paradermal (posisi irisan memanjang) untuk dibuat preparat yang s iap diamati menggunakan mikroskop . Hasil pengamatan mikroskop kemudian dianalisis berdasarkan jumlah epidermis dan stomata untuk menghasilkan nilai kerapatan dan indeks stomata. Proses perhitungan nilai kerapatan dan indeks stomata membutuhkan keahlian, pengalaman, ketelitian dan waktu dalam menentukan karakteristik jenis Freycinetia. Penelitian terdahulu menggunakan citra dengan praproses nilai red, green, blue (RGB) pada citra warna dan analisis tekstur pada citra grayscale untuk identifikasi jenis kayu menggunakan Jaringan Syaraf Tiruan (Gasim 2006) telah dilakukan dengan tingkat akurasi 100%. Penelitian tersebut menggunakan praproses lain yaitu wavelet dengan tingkat pengenalan tertinggi mencapai 60% . Tujuan utama dari penelitian ini adalah mengkl asifikasikan jenis Freycinetia berbasis citra anatomi stomata menggunakan K-Nearest Neighbor (K-NN) dan Jaringan Syaraf Tiruan (JST) dan membandingkan tingkat akurasi kedua teknik tersebut dengan ekstraksi fitur RGB, analisis tekstur dan dekomposisi wavelet. Manfaat penelitian diharapkan dapat memberikan metode alternatif untuk membantu proses identifikasi jenis tumbuhan khususnya Freycinetia. Ruang lingkup dari penelitian ini adalah data digital citra anatomi stomata sebanyak 96 data, terdiri atas 80 data latih dan 16 data uji. Data citra anatomi stomata Freycinetia terdiri atas empat jenis, yaitu Freycinetia angustifolia, Freycinetia imbricata, Freycinetia javanica, dan Freycinetia sumatrana . Dua teknik ekstraksi fitur digunakan dalam penelitian ini . Pertama adalah ekstraksi fitur pada citra warna dan citra grayscale. Citra warna memiliki fitur red, green, dan blue (RGB), sedangkan citra grayscale memiliki fitur entropi, kontras, energi, homogenitas, skala keabuan, dan standar deviasi. Fitur entropi, kontras, energi, dan homogenitas dikenal dengan analisis tekstur (Haralick et al. 1973). Kedua adalah ekstraksi fitur dengan dekomposisi wavelet pada level satu, level dua, level tiga, dan level empat. Dekomposisi wavelet level satu membagi citra menjadi empat subband, yang menghasilkan empat fitur w-entropy.
Dekomposisi wavelet level dua menghasilkan tujuh fitur w-entropy. Dekomposisi wavelet level tiga menghasilkan sepuluh fitur w-entropy. Dekomposisi wavelet level empat menghasilkan tiga belas fitur w-entropy. Empat macam percobaan dilakukan dalam penelitian . Percobaan pertama mengklasifikasikan citra menggunakan K-NN dengan ekstraksi fitur RGB dan analisis tekstur, sedangkan percobaan kedua mengklasifikasikan citra menggunakan JST. Percobaan ketiga dan keempat mengklasifikasikan citra menggunakan K-NN dan JST dengan ekstraksi fitur dekomposisi wavelet level satu (4 fitur w-entropy), level dua (7 fitur w-entropy), level tiga (10 fitur w-entropy), dan level empat (13 fitur w-entropy). Hasil penelitian secara umum menunjukkan tingkat akurasi K-NN (k=1 dan k=2) dengan ekstraksi fitur RGB dan analisis tekstur sebesar 86,46%, sedangkan ekstraksi fitur dekomposisi wavelet level satu sebesar 96,88%. Tingkat akurasi JST (hidden neuron 30) dengan ekstraksi fitur RGB dan analisis tekstur sebesar 94,79%, sedangkan ekstraksi fitur dekomposisi wavelet level satu sebesar 99%. Hasil penelitian menggunakan w-entropy pada ekstraksi fitur dekomposisi wavelet level satu menghasilkan akurasi relatif lebih tinggi dibandingkan ekstr aksi fitur RGB dan analisis tekstur. Tingkat akurasi menggunakan JST relatif lebih tinggi dibandingkan K-NN. Proses transformasi data menaikkan tingkat akurasi sebesar 8,33% pada klasifikasi menggunakan K-NN dengan ekstraksi fitur RGB dan analisis tekstur. Proses dekomposisi wavelet level dua hingga level empat dan penambahan jumlah hidden neuron cenderung tidak menaikkan nilai akurasi . Kata kunci : freycinetia, rgb, skala keabuan, wavelet, k-nn, jst
© Hak Cipta Milik IPB, tahun 20 12 Hak Cipta dilindungi Undang-Undang Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pandidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan wajar IPB Dilarang mengumumkan dan memperbanyak sebagian atau seluruh Karya tulis dalam bentuk apa pun tanpa izin IPB
KLASIFIKASI FREYCINETIA BERBASIS CITRA ANATOMI STOMATA MENGGUNAKAN K -NEAREST NEIGHBOR DAN JARINGAN SYARAF TIRUAN
ARIE QUR’ANIA
Tesis sebagai salah satu syarat untuk mem peroleh gelar Magister Komputer pada Program Studi Ilmu Komputer
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012
Judul Tesis
Nama NRP
: Klasifikasi Freycinetia Berbasis Citra Anatomi Stomata Menggunakan K-Nearest Neighbor dan Jaringan Syaraf Tiruan : Arie Qur’ania : G651090051
Disetujui Komisi Pembimbing
Dr. Ir. Aji Hamim Wigena, M.Sc. Ketua
Aziz Kustiyo, S.Si., M.Kom. Anggota
Diketahui
Ketua Program Studi Ilmu Komputer
Dr. Yani Nurhadryani, S.Si., M.T.
Tanggal Ujian :
Dekan Sekolah Pascasarjana
Dr. Ir. Dahrul Syah, M.Sc.Agr.
Tanggal Lulus :
Penguji Luar Komisi pada Ujian Tesis: Mus hthofa, S.Kom, M.Sc.
PRAKATA Assalamualaikum Wr.Wb. Puji syukur penulis panjatkan ke hadirat Allah SWT karena atas segala rahmat, hidayah, dan karunia-Nya, penulis dapat menyelesaikan penelitian yang berjudul Klasifikasi Freycinetia Berbasis Citra Anatomi Stomata Menggunakan K-Nearest Neighbor dan Jaringan Syaraf Tiruan. Ungkapan terima kasih penulis ucapkan kepada dosen pembimbing Bapak Dr. Aji Hamim Wigena, M.Sc. dan Bapak Aziz Kustiyo S.Si., M.Kom. yang selalu memberikan arahan, bimbingan, dan motivasi dalam menyelesaikan penelitian ini. Terima kasih penulis ucapkan kepada Ibu Dr. Prasetyorini, Ibu Dra. Sri Setyaningsih, M.Si., dan Ibu Prihastuti Harsani, M.Si. atas doa, dukungan, dan kesempatan sehingga penulis dapat melanjutkan studi di Pascasarjana. Kepada Ibu Dr. Nursahara Pasaribu dan Bapak Ujang Hapid terima kasih penulis ucapkan atas bantuan data dan informasi dalam mendukung penelitian ini. Kepada ibunda serta putra tercinta Muhammad Fadil Ardiansyah dan Muhammad Hilman Aditya Zakiri terima kasih atas doa, kesabaran, dan kasih sayangnya selama penulis melakukan studi di sekolah Pascasarjana IPB, terakhir penulis ucapkan terima kasih kepada teman-teman angkatan XI Program Studi Ilmu Komputer atas kebersamaan dan dukungannya selama melakukan studi. Semoga tulisan ini dapat memberikan manfaat untuk kita semua. Kritik dan saran yang membangun sangat penul is harapkan untuk kemajuan pengembangan aplikasi.
Bogor, Juni 2012 Arie Qur’ania
RIWAYAT HIDUP Penulis dilahirkan di Bogor pada tanggal 27 April 1976 dari pasangan alm. Bapak Sapri Arifin dan Ibu Kusmiati Wardhani. Penulis merupakan putri pertama dari tiga bersaudara. Penulis menem puh pendidikan di SD Negeri Kedung Badak I Bogor (1982 – 1988), SMP Negeri 4 Bogor (1988 – 1991), SMA Negeri 2 Bogor (1991 – 1994) dan tahun 1996 penulis masuk ke Program Studi Ilmu Komputer, Universitas Pakuan Bogor. Tahun 2009 penulis melanjutkan pendidikan sebagai mahasiswa Pascasarjana pada Program Stud i Ilmu Komputer Institut Pertanian Bogor. Penulis pernah bekerja pada proyek Global Environment Facility (GEF) Biodiversity Collections, Pusat Penelitian Biologi-LIPI (1995 – 2001) dan proyek National Biodiversity Information Network (2001 – 2004). Tahun 2004 sampai sekarang penulis bekerja sebagai staf pengajar Program Studi Ilmu Komputer, Universitas Pakuan Bogor.
xvii
DAFTAR ISI
Halaman DAFTAR TABEL ..................................................................................... xix DAFTAR GAMBAR .................................................................................. xx DAFTAR LAMPIRAN .............................................................................. xxi 1
PENDAHULUAN ................................................................................ 1 1.1 Latar belakang ............................................................................... 1 1.2 Perumusan masalah ......................................................................3 1.3 Tujuan Penelitian...........................................................................3 1.4 Ruang Lingkup Penelitian ............................................................. 3
2
TINJAUAN PUSTAKA ........................................................................5 2.1 Klasifikasi ..................................................................................... 5 2.1.1 K-Nearest Neighbor............................................................... 5 2.1.2 Jaringan Syaraf Tiruan .......................................................... 7 2.2 Ekstraksi Fitur ............................................................................ 15 2.2.1 Citra RGB dan Skala Keabuan ............................................. 15 2.2.2 Analisis Tekstur ...................................................................17 2.2.3 Discrete Wavelet Transform (DWT) ....................................18 2.3 Anatomi Stomata ......................................................................... 21 2.4 Freycinetia .................................................................................. 22
3
METODE PENELITIAN .....................................................................23 3.1 Tahapan Penelitian .......................................................................23 3.2 Data Citra Anatomi Stomata ......................................................... 24 3.3 Ekstraksi Fitur .............................................................................. 24 3.3.1 RGB dan Analisis Tekstur ..................................................... 24 3.3.2 Dekomposisi Wavelet ............................................................ 25 3.4 Data Latih dan Data Uji ............................................................... 28 3.5 Klasifikasi Freycinetia ................................................................ 29 3.6 Akurasi ........................................................................................ 29 3.7 Alat dan Bahan Penelitian ............................................................ 30 3.8 Waktu dan Tempat Penelitian ...................................................... 30
4
HASIL DAN PEMBAHASAN ............................................................ 31 4.1 Ekstraksi Fitur Citra Stomata Freycinetia .....................................31 4.1.1 Ekstraksi Fitur RGB dan Analis is Tekstur ............................ 31 4.1.2 Ekstraksi Fitur dengan Dekomposisi Wavelet ....................... 33 4.2 Data Latih dan Data Uji ............................................................... 35
xviii
Halaman 4.3 Klasifikasi Freycinetia ..................................................................35 4.3.1 Percobaan Kesatu (RGB, analisis tekstur dengan K -NN) .....35 4.3.2 Percobaan Kedua (RGB, analisis tekstur dengan JST ) .......... 37 4.3.3 Percobaan Ketiga (Dekomposisi Wavelet dengan K-NN) .....39 4.3.4 Percobaan Keempat (Dekomposisi Wavelet dengan JST) .....40 4.4 Hasil Percobaan ............................................................................. 41 4.5 Prototype Sistem Klasifikasi Freycinetia .......................................42 5
KESIMPULAN DAN SARAN ........................................................... 43 5.1 Kesimpulan .................................................................................. 43 5.2 Saran ............................................................................................ 43 DAFTAR PUSTAKA ........................................................................... 45 LAMPIRAN ........................................................................................ 49
xix
DAFTAR TABEL Halaman 1
Hasil ekstraksi fitur RGB dan analisis tekstur .........................................32
2
Nilai w-entropy pada dekomposisi wavelet level satu ............................. 33
3
Hasil perhitungan w-entropy dekomposisi wavelet level 1 hingga level 4 .............................................................................34
4
Susunan data latih dan data uji ............................................................... 35
5
Confusion matrix percobaan kesatu (k=1 dan k=2) .................................36
6
Data yang salah diklasifikasikan dengan K-NN (k=2) ............................. 37
7
Confusion matrix percobaan kedua (hidden neuron 10) ........................... 38
8
Confusion matrix percobaan ketiga (k=1 dan k=2) .................................39
9
Confusion matrix percobaan keempat (hidden neuron 30) ....................... 40
10 Hasil percobaan fold 6 menggunakan K-NN (k=1 dan k=2) .................... 42 11 Rekapitulasi percobaan ..........................................................................42
xx
DAFTAR GAMBAR Halaman 1
Model tiruan sebuah neuron .....................................................................7
2
Arsitektur backpropagation dengan satu hidden layer ............................... 8
3
Fungsi aktivasi sigmoid biner dengan range (0,1) ...................................11
4
Fungsi aktivasi sigmoid bipolar dengan range ( -1,1) ............................... 12
5
Fungsi aktivasi purelin ...........................................................................12
6
Contoh representasi citra RGB ............................................................... 15
7
Contoh representasi citra grayscale ........................................................ 16
8
Contoh perhitungan transformasi citra digital .........................................17
9
Contoh matriks intensitas co-occurence ................................................. 17
10 Proses dekomposisi level 1 ( a), level 2 (b), level 3 (c) ............................ 19 11 Proses perataan dan pengurangan dekompo sisi penuh 3 level ................. 20 12 Hasil dekomposisi pada citra 2 dimensi, citra asli (a), hasil dekomposisi arah baris (b), hasil dekomposisi arah kolom .............20 13 Detail bagian anatomi stomata ............................................................... 21 14 Cara pengukuran panjang dan lebar sel stomata ......................................21 15 Tahapan proses penelitian ......................................................................23 16 Ekstraksi fitur pada citra warna dan grayscale ........................................25 17 Dekomposisi wavelet level satu hingga level tiga ...................................25 18 Ilustrasi pembentukan nilai w-entropy pada dekomposisi wavelet level satu ................................................................................................ 26 19 Ilustrasi pembentukan nilai w-entropy pada dekomposisi wavelet level dua ................................................................................................ 27 20 Ilustrasi nilai w-entropy pada dekomposisi wavelet level tiga ................. 27 21 Ilustrasi nilai w-entropy pada dekomposisi wavelet level empat ..............28 22 Bentuk 6-fold cros validation .................................................................29 23 Contoh ekstraksi fitur pada citra warna anatomi stomata ........................ 31 24 Contoh ekstraksi fitur pada citra grayscale anatomi stomata ................... 32 25 Dekomposisi wavelet level satu pada citra anatomi stomata ................... 33
xxi
26 Dekomposisi citra anatomi stomata level satu (a), level dua (b), level tiga (c), dan level empat (d) ........................................................... 34 27 Hasil percobaan RGB dan analisis tekstur dengan K-NN ........................ 36 28 Hasil percobaan RGB dan analisis tekstur dengan JST ........................... 37 29 Kemiripan jenis F. imbricata (a) dengan F. sumatrana (b) .................... 38 30 Hasil percobaan dekomposisi wavelet dengan K-NN .............................. 39 31 Hasil percobaan dekomposisi wavelet dengan JST .................................40
xxii
DAFTAR LAMPIRAN Halaman 1
Hasil ekstraksi fitur RGB dan analisis tekstur .........................................49
2
Hasil ekstraksi fitur RGB dan an alisis tekstur (transformasi) .................. 50
3
Hasil ekstraksi fitur (w-entropy) dekomposisi wavelet level 1 ...............51
4
Hasil ekstraksi fitur (w-entropy) dekomposisi wavelet level 2 ...............52
5
Hasil olah data RGB dan analisis tekstur dengan JST ............................. 53
6
Rekapitulasi kesalahan klasifikasi dengan K-NN ....................................54
7
Rekapitulasi kesalahan klasifikasi dengan JST .......................................55
8
Prototype percobaan kesatu (RGB, a nalisis tekstur dengan K-NN) .........56
1
BAB I PENDAHULUAN
1.1. Latar Belakang Freycinetia adalah genus terbesar kedua dari famil i Pandanaceae, yang memiliki sekitar 200-300 jenis (Stone 1970; Callmander et al. 2003). Klasifikasi jenis Freycinetia dilakukan untuk mengetahui nilai potensial dan kegunaan serta penyebaran koleksi plasma nutfah pada keberadaan sumberdaya hayati. Klasifikasi jenis Freycinetia dapat dilakukan menggunakan dua cara . Cara pertama menggunakan c iri morfologi berdasarkan karakteristik makroskopis seperti bentuk dan ukuran daun, warna buah, dan warna bunga. Cara ini dapat dilakukan jika ciri morfologi pada tumbuhan lengkap. Cara kedua menggunakan ciri anatomi berdasarkan karakteristik mikroskopis seperti struktur stomata, ukuran stomata, jumlah stomata, jumlah epidermis, kerapatan stomata, dan indeks stomata. Cara ini dilakukan sebagai data pendukung jika ciri morfologi pada tumbuhan tidak lengkap. Penelitian menggunakan ciri anatomi stomata pada jenis Freycinetia sebagai pendukung ciri morfologi telah dilakukan , di antaranya penggunaan struktur stomata, posisi stomata, karakteristik epidermis , ada atau tidak adanya stomata pada costal dan intercostals (Stace 1989), jenis Freycinetia di Sumatra (Pasaribu 2010). Penelitian lain yang menggunakan k arakteristik anatomi stomata untuk menganalisis jenis, yaitu untuk menganalisis jenis pisang (Damayanti 2007) dan menganalisis jenis salak (Haryanto 2010). Bagian anatomi yang dapat dianalisis adalah bagian permukaan daun yang menghasilkan ciri bentuk stomata, jumlah epidermis, dan jumlah stomata. Pengamatan anatomi stomata di laboratorium dilakukan dengan membuat sayatan irisan paradermal (posisi irisan memanjang) untuk dibuat preparat yang siap diamati menggunakan mikroskop . Hasil yang dapat dianalisis berdasarkan jumlah epidermis dan jumlah stomata adalah nilai kerapatan dan indeks stomata. Cara ini membutuhkan keahlian, pengalaman, ketelitian
dan waktu dalam proses
2
perhitungan kerapatan dan indeks stomata untuk menentukan karakteristik jenis Freycinetia. Pengamatan ciri anatomi stomata dengan mikroskop digital menghasilkan citra atau foto digital. Beberapa penelitian menggunakan citra digital untuk proses klasifikasi telah dilakukan, di antaranya citra tekstur untuk klasif ikasi kulit kayu, logam, pasir, ubin, dan air menggunakan metode tetangga terdekat dengan nilai k=1 mencapai akurasi 100% (Santoso et al. 2007). Penelitian menggunakan citra dengan praproses nilai red, green, blue (RGB) pada citra warna dan analisis tekstur pada citra grayscale dilakukan untuk identifikasi jenis kayu menggunakan Jaringan Syaraf Tiruan (Gasim 2006), menghasilkan tingkat akurasi 100%. Penelitian tersebut menggunakan praproses lain yaitu wavelet untuk mengecilkan ukuran citra dan mengambil koefisien citra dengan tingkat pengenalan rata -rata 40% hingga 45% dan tertinggi mencapai 60% jika ditingkatkan jumlah hidden layer. Penelitian menggunakan wavelet untuk identifikasi penyakit padi dan Anthurium (Wicaksana 2011) dengan tingkat akurasi 72,8%. Penelitian untuk identifikasi Shorea berdasarkan karakteristik morfologi daun menggunakan K -NN (Nurjayanti 2011) dan Jaringan Syaraf Tiruan (Puspitasari 2011) menghasilkan akurasi masing-masing sebesar 100% dan 90% . Berdasarkan penelitian yang telah dilakukan, maka penelitian ini menggunakan citra anatomi stomata untuk klasifikasi jenis Freycinetia. Tahap untuk memudahkan proses klasifikasi jenis adalah dengan me lakukan ekstraksi fitur, yang bertujuan untuk mendapatkan ciri dari sebuah citra yang akan menjadi pembeda antara jenis Freycinetia. Dua teknik ekstraksi fitur digunakan dalam penelitian ini. Pertama adalah ekstraksi fitur pada citra warna dan citra grayscale. Citra warna memiliki fitur red, green, dan blue (RGB), sedangkan citra grayscale memiliki fitur entropi, kontras, energi, homogenitas, skala keabuan, dan standar deviasi. Fitur entropi, kontras, energi, dan homogenitas dikenal dengan analisis tekstur (Haralick et al. 1973). Kedua adalah ekstraksi fitur dengan dekomposisi wavelet pada level satu, level dua, level tiga, dan level empat. Dekomposisi wavelet level satu membagi citra menjadi empat subband, yang menghasilkan empat fitur w-entropy. Dekomposisi wavelet level dua menghasilkan tujuh fitur
3
w-entropy. Dekomposisi wavelet level tiga menghasilkan sepuluh fitur w-entropy. Dekomposisi wavelet level empat menghasilkan tiga belas fitur w-entropy. Berdasarkan penelitian yang telah dilakukan sebelumnya, maka penelitian ini menggunakan K-NN dan JST dengan ekstraksi fitur RGB, analisis tekstur, dan dekomposisi wavelet untuk klasifikasi jenis Freycinetia berdasarkan citra anatomi stomata. Hasil penelitian diharapkan dapat memberikan metode alternatif untuk membantu proses klasifikasi jenis tumbuhan khususnya Freycinetia.
1.2. Perumusan Masalah Perumusan masalah adalah menganalisis dua teknik ekstraksi fitur pada citra anatomi stomata. Pertama adalah ekstraksi fitur pada citra warna dan citra grayscale. Kedua adalah ekstraksi fitur dekomposisi wavelet level satu yang menghasilkan empat fitur w-entropy, dekomposisi level dua (tujuh w-entropy), dekomposisi level tiga (sepuluh w-entropy), dan dekomposisi level empat (tiga belas w-entropy). Hasil ekstraksi fitur menjadi nilai input untuk K-NN dan JST, yang akan mengklasifikasikan citra anatomi stomata ke dalam empat jenis Freycinetia.
1.3. Tujuan Penelitian Tujuan dari penelitian ini adalah mengklasifikasikan jenis Freycinetia berdasarkan citra anatomi stomata menggunakan K-NN dan JST dan membandingkan tingkat akurasi kedua teknik tersebut dengan ekstraksi fitur RGB, analisis tekstur dan dekomposisi wavelet.
1.4. Ruang Lingkup Penelitian Ruang lingkup penelitian adalah citra anatomi stomata Freycinetia yang terdiri atas empat jenis, yaitu Freycinetia angustifolia, Freycinetia imbricata, Freycinetia javanica, dan Freycinetia sumatrana. Teknik ekstraksi fitur terdiri atas dua macam, yaitu
RGB dan analisis tekstur serta dekomposisi wavelet.
Klasifikasi menggunakan K-NN dan JST propagasi balik (backpropagation).
4
5
BAB II TINJAUAN PUSTAKA
2.1. Klasifikasi Klasifikasi adalah tugas pembelajaran yang memetakan setiap himpunan atribut x ke salah satu label kelas y yang telah didefinisikan sebelumnya. Klasifikasi dapat dipandang sebagai kotak hitam yang secara otomatis memberikan sebuah label ketika dipresentasikan dengan himpunan atribut dari record yang tidak diketahui. Beberapa teknik klasifikasi yang digunakan adalah k-nearest neighbor (KNN) dan Jaringan Syaraf Tiruan (JST). Setiap teknik menggunakan algoritme pembelajaran untuk mengidentifikasi model yang memberikan hubungan yang paling sesuai antara himpunan atribut dan label kelas dari data input. Pendekatan umum yang digunakan dalam masal ah klasifikasi adalah data latih yang berisi record yang mempunyai label kelas ya ng diketahui. Data latih digunakan untuk membangun model klasifikasi untuk diaplikasikan pada data uji yang berisi record dengan label kelas yang tidak diketahui (Duda 1995).
2.1.1. K-Nearest Neighbor K-Nearest Neighbor merupakan salah satu metode yang dig unakan dalam klasifikasi. Prinsip kerja KNN adalah mengelompokkan data baru berdasarkan jarak ke beberapa data k tetangga terdekat (neighbor) dalam data pelatihan (Hanselman 1998). Nilai k yang terbaik untuk algo ritme ini tergantung pada data, secara umum nilai k yang tinggi akan mengurangi efek noise pada klasifikasi, tetapi membuat batasan antara setiap klasifikasi menjadi lebih kabur. Teknik cross validasi digunakan untuk mencari nilai k yang optimal dalam mencari parame ter terbaik dalam sebuah model. Jarak Euclidean menurut McAndrew (2004) digunakan untuk menghitung jarak antara dua vektor yang berfungsi menguji ukuran yang bisa digunakan sebagai interpretasi kedekatan jarak antara dua obyek yang direpresentasikan dalam persamaan (1).
6
∑
,
.................................................... (1)
dengan d(x,y) xi yi n
: : : :
jarak euclidean antara vektor x dan vektor y fitur ke i dari vektor x fitur ke i dari vektor y jumlah fitur pada vektor x dan y
Langkah-langkah untuk menghitung metode K -NN : 1. Menentukan parameter k (jumlah tetangga paling dekat). 2. Menghitung kuadrat jarak euclid ean (query instance) masing-masing obyek terhadap data sampel yang diberikan. 3. Mengurutkan objek-objek tersebut ke dalam kelompok yang mempunyai jarak euclidean terkecil. 4. Mengumpulkan kategori atau kelas Y (klasifikasi nearest neighbor). 5. Dengan menggunakan kategori atau kelas nearest neighbor yang paling mayoritas maka dapat dipredisikan nilai query instance yang telah dihitung. Konsep K-NN menggunakan fungsi jarak Euclidean, untuk menghindari perbedaan range nilai pada tiap atribut (fitur) maka perlu dilakukan transformasi. Transformasi digunakan untuk menyamakan skala fitur ke dalam sebuah range yang spesifik, misalnya -1 sampai 1 atau 0 sampai 1. Metode transformasi yang digunakan adalah Min Max Normalization yang menghasilkan transformasi linear pada fitur data asli guna menghasilk an range nilai yang sama (Han & Kamber 2001) seperti pada persamaan (2). _
_
_
...................... (2)
dengan V minA maxA new_min A new_max A
: : : : : :
nilai baru fitur hasil Min-Max Normalization nilai fitur yang akan ditransformasi nilai minimum dari field pada fitur yang sama nilai maksimum dari field pada fitur yang sama nilai minimum fitur yang diinginkan nilai maksimum fitur yang diinginkan
7
2.1.2. Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) adalah representasi buatan cara berpikir manusia menggunakan komputer untuk meyelesaikan perhitungan melalui proses pembelajaran (Kusumadewi 2004). Syaraf tiruan menerima input atau masukan baik dari data yang dimasukkan atau dari output sel syaraf pada jaringan syaraf. JST memiliki arsitektur dan operasi yang diilhami dari pengetahuan tentang sel syaraf biologis di dalam otak, yang merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba menstimulasi proses pembelaj aran pada otak manusia tersebut (Hermawan 2006). Tiruan neuron dan jaringan syaraf tiruan adalah sebagai elemen pemroses yang dapat berfungsi seperti halnya sebuah neuron. Sebuah sinyal masukan a dikalikan dengan masing-masing penimbang yang bersesuaian w , kemudian dilakukan penjumlahan dari seluruh hasil perkalian tersebut dan keluaran yang dihasilkan dilakukan ke dalam fungsi aktivasi untuk mendapatkan tingkatan derajat sinyal keluarannya F (a,w ). Model tiruan sebuah neuron ditunjukkan pada Gambar 1.
Gambar 1 Model tiruan sebuah neuron (Kusumadewi 2004).
Gambar 1 menunjukkan sebuah neuron yang akan mengolah N input (X 1, X2,..., XN) dengan bobot yang dimiliki yaitu W 1, W2,..., W N dan bobot bias b, dengan rumus : a = ∑
Kemudian fungsi aktivasi F akan mengaktivasi a menjadi output jaringan y.
8
2.1.2.1. Metode Propagasi Balik (Backpropagation) Metode backpropagation yaitu metode pendekatan nilai hasil output JST terhadap nilai pembanding ( teacher pattern) yang diberikan dari luar sistem. Arsitektur JST backpropagation terdiri dari satu lapisan input, satu atau lebih lapisan tersembunyi dan satu lapisan output dan metode penentuan bobot menggunakan supervised training. Algoritme backpropagation menggunakan galat output untuk mengubah nilai bobot -bobotnya dalam arah mundur (backward). Untuk mendapatkan galat ini, tahap perambatan maju ( forward propagation) harus dikerjakan terlebih dahulu. Saat perambatan maju, neuronneuron
diaktifkan
dengan
menggunakan
fungsi
aktivasi
yang
dapat
dideferensiasikan misalnya fungsi sigmoid biner (logsig) , sigmoid bipolar (tansig), dan linear (purelin). Gambar 2 menunjukkan arsitektur jaringan backpropagation. Jaringan terdiri atas n neuron pada lapisan input, yaitu X 1, ...,Xn ; satu lapisan tersembunyi terdiri atas
p neuron, yaitu Z 1, ..., Zp. Bobot yang
menghubungkan lapisan input dengan neuron pertama pada lapisan tersembunyi adalah V11, Vi1, Vn1. Bobot yang menghubungkan lapisan tersembunyi dengan neuron pertama pada lapisan output adalah W 11, Wj1, Wp1.
Gambar 2 Arsitektur backpropagation dengan satu hidden layer (Fausett 1994).
9
Menurut Fausett (1994), algoritme pelatihan backpropagation adalah sebagai berikut : Langkah 0.
Inisialisasi bobot (biasanya digunakan nilai acak yang kecil)
Langkah 1.
Selama syarat henti salah, lakukan langkah 2 -9
Langkah 2.
Untuk setiap pasangan pelatihan (masukan dan target), lakukan 3 -8
Fase 1 : Propagasi maju. Langkah 3.
Setiap unit masukan (Xi,i=1,...,n) menerima sinyal masukan x i dan meneruskannya ke seluruh unit pada lapisan di atasnya ( hidden units).
Langkah 4.
Setiap unit tersembunyi ( Zj,j=1,...,p) menghitung total sinyal masukan terboboti n
z _ in j v0 j xi vij i 1
lalu menghitung sinyal keluarannya dengan fungsi aktivasi z j f ( z _ in j )
dan mengirimkan sinyal ini ke selur uh unit pada lapisan di atasnya (lapisan output) Langkah 5.
Setiap unit output (Yk,k=1,...,m) menghitung total sinyal masukan terboboti p
y _ in k w0 k x j w jk i 1
Lalu menghitung sinyal keluaran dengan fungsi aktivasi yk f ( y _ ink ) Fase 2: Propagasi mundur Langkah 6.
Setiap unit output (Yk,k=1,...,m) menerima sebuah pola terget yang sesuai
dengan
pola
masukan
pelatihannya.
Unit
tersebut
menghitung informasi kesalahan (t k yk ) f ' ( y _ ink ) Kemudian menghitung koreksi bobot (digunakan untuk mengubah wjk nanti), w jk k z j dan menghitung koreksi bias w0 k k
10
serta mengirimkan nilai k ke unit lapisan di bawahnya Langkah 7.
Setiap unit tersembunyi (Zj,j=1,...,p) menghitung selisih input (dari unit-unit pada layer diatasnya) m
_ in j k w jk k 1
lalu mengalikannya dengan turunan fungsi aktivasi untuk menghitung informasi error. j _ in j f ' ( z __ in j )
selanjutnya menghitung koreksi bobot untuk mengubah vij nanti vij j xi
dan menghitung koreksi biasnya v0 j j Fase 3: Perubahan bobot. Langkah 8.
Setiap unit output (Yk,k=1,...,m) mengubah bias dan bobotbobotnya (j=0,...,p) : w jk ( new ) w jk ( old ) w jk setiap unit tersembunyi (Zj,j=1,...,p) mengubah bias dan bobot bobotnya (i=1,...,n) : v ij ( new ) v ij ( old ) v ij
Langkah 9.
Uji syarat henti : n
Jika besar total squared-error
(t k 1
k
y k ) 2 lebih kecil dari
toleransi yang telah ditentukan atau jumlah epoh pelatihan sudah mencapai epoh maksimum, maka selesai; jika tidak maka kembali ke langkah 1. Nilai toleransi ( ) yang digunakan adalah 0 1
11
2.1.2.2. Fungsi Aktivasi Fungsi aktivasi yang digunakan dalam pelatihan adalah fungsi yang dapa t dideferensiasikan (Fausett 1994) seperti fungsi sigmoid biner (logsig), sigmoid bipolar (tansig) dan fungsi linear (purelin).
a. Fungsi aktivasi sigmoid biner (logs ig) Fungsi ini memiliki range nilai antara 0 sampai 1 (Gambar 3) dan dirumuskan sebagai berikut : 1
1
dengan turunan 1
Gambar 3 Fungsi aktivasi sigmoid biner dengan range (0,1).
b. Fungsi aktivasi sigmoid bipolar (tansig) Fungsi ini memiliki range nilai antara -1 sampai 1 (Gambar 4), fungsi ini dirumuskan sebagai berikut : 1
2
dengan turunan
1
1 1 1 2 Fungsi ini sangat dekat dengan fungsi hyperbolic tangent (range -1 sampai 1) yang dirumuskan sebagai berikut : tanh
12
Gambar 4 Fungsi aktivasi sigmoid bipolar dengan range (-1,1).
c. Fungsi aktivasi linear (purelin) Fungsi aktivasi purelin akan menghitung nilai
output dari neuron dan
mengembalikan nilai tersebut menggunakan fungsi linier. Fungsi purelin dikenal juga dengan fungsi identitas, didefinisikan sebagai : y =f(x) = x, dimana f’(x) = 1. Fungsi purelin dapat dilihat pada Gambar 5.
Gambar 5 Fungsi aktivasi purelin. 2.1.2.3. Algoritme Pelatihan Lavenberg-Marquardt Algoritme Lavenberg-Marquardt (LM) menurut Fausett (1994) memiliki langkah untuk penentuan matriks Hessian yang berfungsi mencari bobot-bobot dan bias koneksi yang digunakan dalam pelatihan JST . Matriks Hessian merupakan turunan kedua dari fungsi kinerja terhadap setiap komponen bobot dan bias, matriks Hessian diubah menggunakan fungsi gradien dengan pendekatan iterative pada setiap epoch selama algoritme pelatihan berjalan. Matriks Hessian dapat diestimasi dengan persamaan
, jika fungsi kinerja yang
13
digunakan berbentuk jumlah kuadrat error (SSE), dengan η = parameter Marquardt, I = matriks identitas, J = matriks Jakobian yang terdiri dari turunan pertama error jaringan terhadap masing-masing komponen bobot dan bias. Matriks Jakobian tersusun dari turunan pertama fungsi error terhadap masing-masing komponen bobot dan bi as koneksi jaringan. Nilai parameter Marquardt (η) dapat berubah pada setiap epoch, jika satu epoch menghasilkan nilai fungsi error lebih kecil, nilai η akan dibagi oleh faktor τ. Bobot dan bias baru yang diperoleh akan dipertahankan dan pelatihan dapat dilanjutkan ke epoch berikutnya. Sebaliknya, jika setelah berjalan satu epoch nilai fungsi error menjadi lebih besar maka nilai η akan dikalikan factor τ. Nilai perubahan bobot dan bias dihitung kembali sehingga menghasilkan nilai yang baru. Algoritme pelatihan dengan metode Levenberg-Marquardt adalah sebagai berikut: Langkah 0 : Inisialisasi bobot awal dengan bilangan acak kecil Inisialisasi epoch 0, MSE
0
Tetapkan maksimum epoch parameter LM (η > 0), faktor τ dan target error. Langkah 1 : Jika kondisi penggentian belum terpenuhi ( epoch < maksimum epoch atau MSE > target error), lakukan langkah berikutnya. Langkah 2 : Epoch = epoch + 1 Untuk setiap data pelatihan, lakukan langkah 3 – 4. Langkah 3 : Unit/neuron output Y menerima target pola yang berhubungan dengan pola input pelatihan, jika diberikan N pasangan input data pelatihan (X r, tr), r = 1,2,…,N, dengan X r adalah input dan t r adalah target yang akan dicapai. Kesalahan pada suatu data pelatihan ke-r didefinisikan sebagai: er = tr - yr , dimana : er
: kesalahan pada unit output
tr
: keluaran yang diinginkan (target)
yr : keluaran aktual.
14
e adalah vektor kesalahan berukuran N x 1 yang tersusun dari er, r = 1,2,…,N. e dapat dituliskan sebagai:
…
.
Bobot dan bias koneksi dinyatakan dalam vektor w, w merupakan vektor berukuran ((2+n)p+1)x1 dapat dituliskan sebagai:
.
Kesalahan suatu pelatihan jaringan oleh vektor bobot dan bias koneksi w pada suatu data pelatihan ke-r menjadi: er(w) = (tr – yr) = (tr – f (xr, w) Vektor kesalahan oleh vektor bobot dan bias koneksi w menjadi e(w) berukuran Nx1 yang tersusun dari er(w), dengan r = 1,2,…,N. Hitung fungsi jumlah kuadrat error dengan persamaan:
Hitung matriks Jacobian untuk vektor bobot dan bias koneksi:
untuk r = 1,2,…N a.
Hitung matriks Hessian untuk vektor bobot dan bias koneksi.
b.
Hitung perubahan vektor bobot dan bias dengan persamaan berikut: ∆
c.
Hitung vektor bobot dan bias baru. ∆
d.
Hitung kesalahan yang terjadi oleh bobot dan bias koneksi yang baru.
e.
Bandingkan E(w) dengan E(w(baru)).
Jika E(w) <= E(w(baru)) maka didapatkan η = η x τ dan kembali ke langkah a.
Jika E(w) > E(w(baru)) maka didapatkan η = η ÷ τ ∆
Kembali ke langkah 2.
15
2.2. Ekstraksi Fitur Ekstraksi fitur bertujuan untuk mendapatkan fitur atau penciri dari suatu citra yang berfungsi sebagai input bagi K-NN dan JST. Dua teknik ekstraksi fitur yang digunakan dalam penelitian ini . Pertama berdasarkan citra berwarna dengan unsur R,G,B dan citra skala keabuan dengan unsur entropi, energi, kontras, homogenitas yang dikenal dengan analisis tekstur ( Haralick et al. 1973), standar deviasi dan level keabuan. Kedua menggunakan ekstraksi fitur dekomposisi wavelet.
2.2.1. Citra RGB dan Skala Keabuan Citra RGB dan skala keabuan adalah format warna pada citra digital. RGB merupakan sebuah model warna yang biasa digunakan pada monitor komputer dan televisi. Citra warna RGB memiliki kombinasi warna red, blue, dan green di setiap pikselnya. Setiap komponen RGB memiliki intensitas dengan nilai minimal 0 dan maksimal 255 (8 bit). Setiap piksel pada citra RGB membutuhkan 3 byte untuk media penyimpanan, sehingga kemungkinan jumlah kombinasi citra RGB adalah lebih dari 16 juta warna (McAndrew 2004). Gambar 6 merupakan contoh citra RGB dan representasinya dalam citra digital .
Gambar 6 Contoh representasi citra RGB (McAndrew 2004).
16
Citra skala keabuan (grayscale) memiliki warna abu-abu diantara warna minimum (hitam) dan warna maksimum (putih) atau intensitas terletak diantara 0 dan 1. Jumlah maksimum warna terdiri dari 4 bit atau 8 bit. Citra dengan skala keabuan 4-bit memiliki 16 kemungkinan warna, yaitu 0 hingga 15 . Citra digital dengan skala keabuan 8-bit memliki 256 kemungkinan warna, yaitu 0 hingga 255 (McAndrew 2004). Gambar 7 menunjukkan contoh citra grayscale dan representasi dalam citra digital .
Gambar 7 Contoh representasi citra grayscale (McAndrew 2004).
Transformasi citra warna menjadi citra grayscale menurut Wu et al. (2007) seperti pada persamaan (3) berikut ini :
gray = 0,2989 *R + 0,5870 * G + 0,1140 * B ........................... (3)
dengan R, G, dan B menunjukkan komponen nilai red, green, dan blue pada citra. Contoh perhitungan transformasi citra warna menjadi citra grayscale ditunjukkan pada Gambar 8.
17
Grayscale = (0,2989*50+0,5870*65+0,1140*50)
R = 50
R = 40
R = 90
R = 80
G = 65
G = 40
G = 90
G = 50
B = 50
B = 55
B = 90
B = 50
R = 40
R = 50
R = 40
R = 20
G = 80
G = 80
G = 90
G = 20
B = 30
B = 50
B = 80
B = 50
R = 80
R = 70
R = 80
R = 10
G = 60
G = 70
G = 90
G = 70
B = 40
B = 70
B = 70
B = 10
Citra warna
58,80 41,71 89,99 58,96
62,34 67,61 73,91 23,42
63,69 69,99 84,72 45,22 Citra Grayscale
Gambar 8 Contoh perhitungan transformasi citra digital .
2.2.2. Analisis Tekstur Tekstur merupakan karakteristik yang dimiliki suatu objek yang secara alami terjadi sifat perulangan sehingga terjadi keteraturan pola tertentu yang terbentuk dari sekumpulan piksel-piksel dengan jarak dan arah tertentu. Kegunaan analisis tekstur di antaranya untuk mengklasifikasikan objek berdasarkan perhitungan fitur tekstur, di antaranya entropi, energi, kontras, homogenitas (Haralick et al. 1973). Matriks yang menggambarka n frekuensi munculnya pasangan piksel dengan intensitas dan arah tertentu disebut matriks intensitas co-occurrence. Misalnya terdapat matriks P dengan ukuran citra 4 x 5 dengan intensitas 1 – 8, maka matriks intensitas co-occurrence P0,1 dengan ukuran 8 x 8 untuk pasangan pixel yang berjarak 1 dengan sudut 0 derajat ditunjukkan pada Gambar 9 (Haralick et al. 1973).
Gambar 9 Contoh matriks intensitas co-occurrence.
18
Sebuah citra memiliki penyebaran piksel secara acak tanpa struktur yang tetap yang menyebabkan matriks intensitas co-occurrence tidak akan mempunyai pasangan dengan pola tertentu. Fitur yang berfungsi untuk mengukur keteracakan dari distribusi intensitas tersebut yaitu entropi. Fitur yang berfungsi untuk mengukur konsentrasi pasangan intensitas adalah energi. Fitur yang digunakan untuk mengukur kekuatan perbedaan intensitas adalah kontras. Fitur homogenitas berfungsi untuk mengukur tingkat homogen variasi intensitas (Ahmad 2005). Persamaan dari fitur tersebut adalah sebagai berikut : ∑ ∑
Entropi =
Energi = ∑ ∑
Kontras = ∑ ∑
,
Homogenitas = ∑ ∑
,
,
.................. (4)
......................................... (5)
|
.
,
|
....................... (6)
................................ (7)
dengan p(i1, i2) i1 i2
: pasangan matriks intensitas co-occurrence : menunjukkan baris : menunjukkan kolom.
2.2.3. Discrete Wavelet Transform (DWT) Transformasi wavelet dilakukan penyaringan data menjadi low pass dan high pass. Low pass merepresentasikan bagian penting dari data dalam resolusi yang rendah, sedangkan
high pass menyatakan detail dari data yang
ditransformasikan. Citra akan dilakukan DWT dua dimensi, yaitu DWT terhadap baris (horizontal), dan terhadap kolom (vertikal). Satu tahapan DWT dua dimensi akan menghasilkan empat buah kuadran, yaitu LL, HL, LH, dan HH. LL adalah sub-kelompok low dari hasil transformasi pada baris dan kolom. HL adalah sub-kelompok high dari hasil transformasi pada baris, dan sub kelompok low dari transformasi kolomnya. LH adalah sub-kelompok low dari hasil
transformasi
pada
baris,
dan
sub -kelompok
high
dari
19
transformasi kolomnya. HH adalah sub-kelompok high dari hasil transformasi baris dan kolom. Wavelet merupakan suatu teknik yang dapat menghasilkan ekstraksi fitur dari suatu citra. Proses transformasi pada sebuah citra didekomposisi kan menjadi 4 sub bagian citra (sub -image) baru. Setiap sub-image berukuran ¼ kali dari citra semula. Hasil dari 3 sub-image yaitu posisi kanan atas, bawah kiri, dan bawah kanan berisi komponen frekuensi tinggi dari citra asli. Sub -image dengan posisi kiri atas akan tampak seperti citra asli, karena berisi komponen frekuensi rendah. Proses dekomposisi dapat diulang sampai level transformasi yang diinginkan (Putra 2009). Proses dekomposisi sampai level 3 seperti pada Gambar 10.
(a)
(b)
(c)
Gambar 10 Proses dekomposisi level 1 (a), level 2 (b), level 3 (c).
2.2.3.1. Dekomposisi Perataan dan Pengurangan Proses dekomposisi wavelet memiliki dekomposisi perataan (p1) dan pengurangan (p2) menurut Putra (2010) dengan rumus pada persamaan (8) dan (9) , ,
, ,
............................................................. (8) ............................................................. (9)
dengan xi,j : menunjukkan nilai piksel pada baris ke -i dan kolom ke-j xi,j+1 : menunjukkan nilai piksel pada baris ke -i dan kolom ke-j+1 Gambar 11 menunjukkan contoh dekomposisi perata an dan pengurangan pada citra satu dimensi (Putra 2010).
20
37
35
28
28
58
18
21
15
level 1 Perataan 36
Pengurangan
28
38
18
1
0
20
3 level 2
Perataan
Pengurangan
32
28
4
10 level 3
Perataan
Pengurangan 2
30
Gambar 11 Proses perataan dan pengurangan dekomposisi penuh 3 level .
Dekomposisi perataan dan pengurangan pada citra dua dimensi dilakukan dalam dua tahap, yaitu dekomposisi seluruh baris dan dilanjutkan dengan dekomposisi seluruh kolom. Ilustrasi proses dekomposisi ditunjukkan pada Gambar 12.
perataan dan pengurangan baris
perataan dan pengurangan kolom
10
10
20
20
10
20
0
0
10
20
0
0
10
10
20
20
10
20
0
0
50
30
0
0
50
50
30
30
50
30
0
0
0
0
0
0
50
50
30
30
50
30
0
0
0
0
0
0
(a)
(b)
(c)
Gambar 12 Hasil dekomposisi pada citra 2 dimensi , citra asli (a), hasil dekomposisi arah baris (b), hasil dekomposisi arah kolom (c).
21
2.3. Anatomi Stomata Karakter anatomi stomata yang diamati adalah bentuk, kerapatan stomata, panjang, lebar dan jumlah sel penjaga stomata, ukuran sel epidermis, luas serta indeks stomata. Data ukuran sel epidermis, kerapatan stomata dan indeks stomata yang diperoleh merupakan nilai rata -rata dari pengukuran per bidang pandang. Indeks Stomata (IS) dan kerapatan dihitung berdasarkan persamaan (10) dan (11) sebagai berikut (Willmer 1983) 100 ........................................................ (10)
.................................................. ... (11)
dengan S : jumlah stomata E : jumlah epidermis L : satuan luas daun Detail bagian anatomi stomata dan c ontoh pengukuran panjang dan lebar sel stomata ditunjukkan pada Gambar 13 dan Gambar 14.
Gambar 13 Detail bagian anatomi stomata (Pasaribu 2010).
Gambar 14 Cara pengukuran panjang dan lebar sel stomata dengan a = panjang sel penjaga; b = lebar sel penjaga (Damayanti 2007).
22
2.4. Freycinetia Freycinetia merupakan jenis dari kelompok suku Pandanaceae dikenal dengan nama pandan hutan yang tergolong tumbuhan pemanjat. Habitat tersebar pada hutan primer, hutan sekunder dengan tanah berhumus dan ketinggian di bawah 1000 meter di atas permukaan laut (Pasaribu 2010). Kegunaan Freycinetia adalah sebagai makanan pengganti, tongkol bunganya dikukus untuk dapat dimakan (Brink & Escobin 2003), beberapa jenis berfungsi sebagai tanaman hias (Dahlgren et al. 1985), tongkol bunga digunakan sebagai pewarna pada minuman tradisional Cina, bunga Freycinetia dapat digunakan sebagai pengharum pakaian, daunnya dapat digunakan sebagai campuran untuk membuat minyak wangi dan
minyak gosok untuk penyakit
rematik, daunnya dapat dipakai sebagai bahan baku unt uk pembuatan tikar. Kegunaan lain pandan hutan antara lain sebagai bahan pangan, penyedap masakan, bahan kerajinan, ritual, dan obat tradisi onal (Heyne, 1987). Freycinetia juga digunakan sebagai tanaman hias di New Zealand. Akar penunjang
jenis
Freycinetia javanica dapat diolah menjadi bahan baku pembuat tali, sedangkan tongkol bunganya dapat menjadi bahan makanan di Pasifik Utara.
23
BAB III METODE PENELITIAN 3.1. Tahapan Penelitian Tahapan proses penelitian di tunjukkan pada Gambar 15 berikut.
Mulai
96 citra stomata
Ekstraksi fitur - RGB & Skala Keabuan -
Ekstraksi fitur - Wavelet
9 fitur
w-entropi
k-Fold cross validation
Data Pelatihan
k-Fold cross validation
Data Pengujian
Klasifikasi 1. K-NN 2. JST
Data Pelatihan
Analisis Akurasi
Perbandingan akurasi
Selesai
Gambar 15 Tahapan proses penelitian.
Data Pengujian
Klasifikasi 1. K-NN 2. JST
24
3.2. Data Citra Anatomi Stomata Data yang digunakan pada penelitian ini adalah data citra anatomi stomata jenis Freycinetia, yaitu F. angustifolia, F. imbricata, F. javanica, F. sumatrana (Pasaribu 2010), citra stomata diakuisisi menggunakan mikroskop digital (Mikroskop Nikon. AFX II-A). Data citra berjumlah 96 buah yang berasal dari empat jenis Freycinetia. Masing-masing jenis mempunyai 24 buah citra anatomi stomata. Dimensi citra adalah 640 x 480 piksel dengan format jpg. Dat a dari masing-masing jenis dibagi menjadi dua bagian, 20 buah untuk data latih dan 4 buah untuk data uji.
3.3. Ekstraksi fitur Ekstraksi fitur bertujuan untuk mendapatkan fitur dari citra, terdapat dua teknik untuk ekstraksi fitur. Pertama adalah pengambilan fitur red (R), green (G), dan blue (B) pada citra warna dan pada citra grayscale diambil fitur level keabuan, standar deviasi, dan empat fitur yang dikenal dengan analisis tekstur (entropi, energi, kontras, homogenitas) . Kedua adalah pengambilan fitur w-entropy pada citra grayscale dengan teknik dekomposisi wavelet pada level satu (4 fitur), level dua (7 fitur), level tiga (10 fitur), dan level empat (13 fitur). Proses ekstraksi fitur menggunakan program Matlab 2008.
3.3.1. RGB dan Analisis Tekstur Ekstraksi fitur pada teknik ini menghasilkan 9 fitur terdiri atas 3 fitur dari citra warna dan 6 fitur dari citra grayscale. Fitur citra warna dibagi menjadi indeks warna merah (R), indeks warna hijau (G), dan indeks warna biru (B). Fitur RGB dihasilkan dengan menghitung nilai rata -rata piksel R,G,B dari citra warna. Fitur pada citra grayscale dihasilkan dengan menghitung komponen pada analisis tekstur menggunakan persamaan (4) hingga persamaan (7), level keabuan dihitung dengan selisih nilai piksel maksimal dan minimal dibagi dengan dua , terakhir dihitung standar deviasi dari citra grayscale. Proses ekstraksi fitur RGB dan analisis tekstur ditunjukkan pada Gambar 16 .
25
Gambar 16 Ekstraksi fitur pada citra warna dan grayscale.
3.3.2. Dekomposisi Wavelet Dekomposisi wavelet dilakukan pada level satu, dua, tiga, dan empat. Contoh ekstraksi fitur pada dekomposisi wavelet level satu hingga level tiga ditunjukkan
pada Gambar 17. Ekstraksi fitur
dilakukan menggunakan
transformasi wavelet Haar dengan proses perataan (p1) dan pengurangan (p2) seperti pada persamaan (8) dan (9).
Gambar 17 Dekomposisi wavelet level satu hingga level tiga.
26
Proses dekomposisi wavelet terdiri atas empat level, sebagai berikut : a. Proses dekomposisi wavelet level satu Proses ini akan menghasilkan empat buah subband, yaitu : 1. Koefisien Approksimasi ( subband LL1) 2. Koefisien Detail Horisontal ( subband HL1) 3. Koefisien Detail Vertikal ( subband LH1) 4. Koefisien Detail Diagonal ( subband HH1) masing-masing subband akan diambil nilai w-entropy. Hasil dekomposisi wavelet level satu akan menghasilkan empat nilai w-entropy seperti ditunjukkan pada Gambar 18.
Gambar 18 Ilustrasi pembentukan nilai w-entropy pada dekomposisi wavelet level satu.
b.
Proses dekomposisi wavelet level dua Proses ini akan menghasilkan tujuh buah subband, terdiri atas empat buah
subband hasil dekomposisi koefisien approksimasi pada level satu, yaitu : 1. Koefisien Approksimasi (subband LL2) 2. Koefisien Detail Horisontal ( subband HL2) 3. Koefisien Detail Vertikal ( subband LH2) 4. Koefisien Detail Diagonal ( subband HH2) dan tiga buah subband
hasil dari proses dekomposisi level satu, yaitu nilai
koefisien detail horisontal (HL1), vertikal (LH1), dan diagonal (HH1), selanjutnya masing-masing subband akan diambil nilai w-entropy seperti ditunjukkan pada Gambar 19.
27
Gambar 19 Ilustrasi pembentukan nilai w-entropy pada dekomposisi wavelet level dua. c.
Proses dekomposisi level tiga Proses dekomposisi level tiga dilakukan sama seperti dekomposisi wavelet
level satu dan dua. Jumlah subband yang dihasilkan pada dekomposisi level tiga sebanyak 10 buah, terdiri atas empat subband
hasil dekomposisi koefisien
approksimasi pada level dua, yaitu : 1. Koefisien Approksimasi ( subband LL3) 2. Koefisien Detail Horisontal ( subband HL3) 3. Koefisien Detail Vertikal ( subband LH3) 4. Koefisien Detail Diagonal ( subband HH3) dan tiga buah subband hasil dari proses dekomposisi level dua, yaitu nilai koefisien detail horisontal (HL 2), vertikal (LH 2), dan diagonal (HH 2), serta tiga buah subband hasil dari proses dekomposisi level satu, yaitu nilai koefisien detail horisontal (HL 1), vertikal (LH 1), dan diagonal (HH 1), selanjutnya masing-masing subband akan diambil nilai w-entropy. Dekomposisi level ini menghasilkan 10 fitur w-entropy seperti ditunjukkan pada Gambar 20 . w-entropy
w-entropy
LL3
HL3
w-entopy
w-entropy
w-entropy
LH3
HH3
HL2
w-entopy
w-entopy
LH2
HH2
w-entropy LH1
w-entropy HL1
w-entropy HH1
Gambar 20 Ilustrasi nilai w-entropy pada dekomposisi wavelet level tiga.
28
d.
Proses dekomposisi wavelet level empat Proses ini berhubungan dengan proses dekomposisi pada level -level
sebelumnya. Jumlah subband pada proses ini sebanyak 13 subband, terdiri atas empat subband (LL4, HL4, LH4, HH4) hasil dekomposisi koefisien approksimasi pada level tiga, sembilan subband hasil koefisien detail horizontal, vertikal, dan diagonal pada level tiga (HL 3, LH3, HH3), level dua (HL 2, LH2, HH2), dan level satu (HL1, LH1, HH1). Setiap subband akan diambil nilai w-entropy. Dekomposisi level empat menghasilkan 13 fitur w-entropy seperti ditunjukkan pada Gambar 21 . wentropy
wentropy
LL4
HL4
wentropy
wentropy
LH4
HH4
w-entropy
HL3
w-entopy
HL2
w-entropy
w-entropy
LH3
HH3
w-entropy HL1
w-entopy
w-entopy
LH2
HH2
w-entropy LH1
w-entropy HH1
Gambar 21 Ilustrasi nilai w-entropy pada dekomposisi wavelet level empat.
3.4. Data Latih dan Data Uji Citra stomata berjumlah 96 data terbagi atas 2 bagian, yaitu data latih (80 data) dan data uji (16 data). Data dikelompokan menggunakan 6-fold crosvalidation berdasarkan data setiap jenis, yaitu 24 buah citra. Data dibagi menjadi 6 bagian data uji, yaitu citra 1 - 4, citra 5 - 8, citra 9 - 12, citra 13 - 16, citra 17 20, dan citra 21 – 24. Pengelompokan detail 6-fold cros-validation ditunjukkan pada Gambar 22.
29
Gambar 22 Bentuk 6- fold cros-validation.
3.5. Klasifikasi Freycinetia Klasifikasi Freycinetia menggunakan dua teknik, yaitu K-NN dan JST. Klasifikasi dilakukan terhadap 80 data latih dan diujikan pada 16 data uji. Output terdiri atas empat kelas yang mencirikan jenis Freycinetia, yaitu kelas 1 mencirikan F.angustifolia, kelas 2 mencirikan F.imbricata, kelas 3 mencirikan F.javanica, dan kelas 4 mencirikan F.sumatrana. Klasifikasi K-NN menggunakan nilai k=1 hingga k=6. JST menggunakan jumlah hidden neuron 10, 20, dan 30. Epoh yang digunakan 100. Fungsi aktivasi menggunakan tansig dan purelin. Fungsi pelatihan jaringan backpropagation yaitu trainlm. Penentuan output pada klasifikasi kelas berdasarkan nilai maximal pada setiap kelas .
3.6. Akurasi Hasil penelitian diukur dengan akurasi un tuk menilai kinerja sistem klasifikasi jenis Freycinetia dengan K-NN dan JST. Akurasi dihitung berdasarkan data uji pada proses 6 fold validation dengan persamaan (12), sedangkan untuk mengetahui penyebaran kesalahan klasifikasi digunakan confusion matriks.
100% ............................. (12)
30
3.7. Alat dan Bahan Penelitian Alat dan bahan yang digunakan dalam penelitian ini adalah sebagai berikut : a. Software - Sistem Operasi : MS Window XP Profesional Version 2002 SP2 - Pemograman : Matlab 2008, Microsoft Office Excel 2007 b. Hardware - Processor Intel (R) CoreTM i3 - Memori DDR 2 - RAM 2,99 GB
3.8. Waktu dan Tempat Penelitian Penelitian dilaksanakan di laboratorium Computational Intelegence (CI) Pascasarjana Departemen Ilmu Komputer IPB mulai Februari 2011 sampai dengan Februari 2012.
31
BAB IV HASIL DAN PEMBAHASAN 4.1. Ekstraksi Fitur Citra Anatomi Stomata Freycinetia Ekstraksi fitur yang dilakukan dalam penelitian ini menggunakan dua teknik, yaitu analisis tekstur dan dekomposisi wavelet.
4.1.1. Ekstraksi Fitur RGB dan Analisis Tekstur Ekstraksi fitur RGB pada citra warna terdiri atas 3 fitur yaitu red, green, dan blue. Fitur RGB dihasilkan dengan menghitung rata-rata (mean) dari nilai piksel red, green, dan blue. Contoh hasil perhitungan nil ai RGB ditunjukkan pada Gambar 23.
Freycinetia angustifolia
Freycinetia imbricata
R = 213 G = 135
R = 210 G = 159
B = 175
Freycinetia javanica
R = 208 G = 129
B = 181
Freycinetia sumatrana
B = 169
R = 209
G = 163
B = 191
Gambar 23 Contoh ekstraksi fitur pada citra warna anatomi stomata.
32
Ekstraksi fitur pada citra grayscale terdiri atas 6 fitur yaitu entropi, energi, kontras, homogenitas, level keabuaan, standar deviasi . Contoh hasil perhitungan ekstraksi fitur pada citra grayscale ditunjukkan pada Gambar 24. Hasil ekstraksi fitur pada citra warna dan grayscale ditunjukkan pada Tabel 1. Freycinetia angustifolia
Freycinetia imbricata
Entropi = 6,88
Energi
Kontras = 0,31
Homogen. = 0,86
Level
Std
= 0,56
= 0,26
Entropi = 6,49
Energi
Kontras = 0,30
Homogen. = 0,87
Level
Std
= 0,62
= 0,31
= 28,85
= 34,76
Freycinetia javanica
Freycinetia sumatrana
= 0,23
Entropi = 6,85
Energi
Kontras = 0,34
Homogen. = 0,85
Kontras = 0,30
Homogen. = 0,86
Level
Std
Level
Std
Entropi = 6,69
Energi
= 0,55
= 29,21
= 0,65
= 0,20
= 31,38
Gambar 24 Contoh ekstraksi fitur pada citra grayscale anatomi stomata.
Tabel 1 Hasil ekstraksi fitur RGB dan analisis tekstur Jenis
Red
Green
Blue
Entropi
Energi
Kontras
Homogen.
Level
Std
F.angustifolia
213
135
175
6,88
0,26
0,31
0,86
0,56
34,76
F.imbricata
210
159
181
6,49
0,31
0,30
0,87
0,62
28,85
F. javanica
208
129
169
6,69
0,23
0,34
0,85
0,55
29,21
F. sumatrana
209
163
191
6,85
0,20
0,30
0,86
0,65
31,38
33
Tabel 1 menunjukkan bahwa nilai fitur antar a jenis Freycinetia memiliki selisih nilai yang kecil, sehingga sulit untuk membedakan antar a jenis. Fitur yang memiliki kemiripan adalah red, entropi, level, kontras, energi, dan homogenitas.
4.1.2. Ekstraksi Fitur dengan Dekomposisi Wavelet Ekstraksi fitur dengan dekomposisi wavelet adalah dekomposisi terhadap baris dan kolom, menghitung nilai perataan menggunakan persamaan ( 11) dan nilai pengurangan menggunakan persamaan (1 2). Proses dekomposisi wavelet pada penelitian ini dilakukan hingga level empat. Contoh proses dekomposisi level satu ditunjukkan pada Gambar 25. Fitur yang diambil pada dekomposisi wavelet adalah nilai w-entropy. Contoh nilai w-entropy pada dekomposisi wavelet level 1 ditunjukkan pada Tabel 2. .
Gambar 25 Dekomposisi wavelet level satu pada citra anatomi stomata.
Tabel 2 Nilai w-entropy pada dekomposisi wavelet level satu Jenis
w-entropy LowLow
HighLow
LowHigh
HighHigh
F.angustifolia
863450
131569
140780
-45720
F.imbricata
886788
104998
128401
-31009
F. javanica
866799
116800
123194
13035
F. sumatrana
883552
102804
140115
-49247
Tabel 2 menunjukkan bahwa nilai w-entropy pada fitur LowLow dan HighLow memiliki selisih nilai yang kecil untuk jenis F.angustifolia (kelas 1) dengan F.javanica (kelas 3) dan F.imbricata (kelas 2) dengan F.sumatrana (kelas 4). Hal ini menunjukkan bahwa jenis tersebut memiliki kemiripan bentuk.
34
Bagian aproksimasi pada dekomposisi level satu akan digunakan untuk proses dekomposisi level dua, sedangkan bagian aproksimasi pada dekomposisi level dua akan digunakan untuk proses dekomposisi level tiga , dan bagian aproksimasi pada dekomposisi level tiga akan digunakan untuk proses dekomposisi level empat . Contoh dekomposisi level satu hingga level empat ditunjukkan pada Gambar 26. Nilai w-entropy untuk masing-masing subband di setiap level dekomposisi ditunjukkan pada Tabel 3.
(a)
(b)
(c)
(d)
Gambar 26 Dekomposisi citra anatomi stomata level satu (a), level dua (b), level tiga (c), dan level empat (d).
Tabel 3 Hasil perhitungan w-entropy dekomposisi wavelet level 1 hingga level 4 Level 1
Level 2
Level 3
Level 4
LL1*
899841,7
LL2*
251732,3
LL3*
69628,4
LL4*
19080,7
HL1
110730,5
HL2
48681,9
HL3
15532,9
HL4
5134,1
LH1
87402,9
LH2
38478,4
LH3
12677,8
LH4
4201,9
HH1
-46558,8
HH2
30859,1
HH3
12917,4
HH4
3897,5
*dekomposisi wavelet untuk level berikutnya
35
4.2. Data Latih dan Data Uji Data citra stomata untuk empat jenis Freycinetia berjumlah total 96 data, dengan masing-masing jenis berjumlah 24 data. Data citra stomata pada masing masing jenis dalam penelitian ini dibagi menjadi 2 bagian yaitu data latih (20 data) dan data uji (4 data). Pembagian data mengikuti pola 6 cross validation, dimana data diujikan ke dalam 6 pola yang terdiri dari pola 1 hingga pola 6 dengan rincian pada Tabel 4 sebagai berikut :
Tabel 4 Susunan data latih dan data uji Pola
Data Latih
Data Uji
1
5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24
1,2,3,4
2
1,2,3,4,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24
5,6,7,8
3
1,2,3,4,5,6,7,8,13,14,15,16,17,18,19,20,21,22,23,24
9,10,11,12
4
1,2,3,4,5,6,7,8,9,10,11,12,17,18,19,20,21,22,23,24
13,14,15,16
5
1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,21,22,23,24
17,18,19,20
6
1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20
21,22,23,24
4.3. Klasifikasi Freycinetia Penelitian ini menggunakan citra stomata untuk mengklasifikasikan jenis Freycinetia ke dalam empat kelas. Penelitian ini melakukan empat macam percobaan, terdiri atas percobaan kesatu (RGB, analisis tekstur dengan K -NN), percobaan kedua (RGB, analisis tekstur dengan JST), percobaan ketiga (dekomposisi wavelet dengan K-NN), dan percobaan keempat (dekomposisi wavelet dengan JST). Percobaan dilakukan menggunakan pola pada Tabel 4. Percobaan kesatu menggunakan dua macam input nilai, yaitu nilai fitur dengan transformasi dan nilai fitur tanpa transformasi.
4.3.1. Percobaan Kesatu (RGB, Analisis Tekstur dengan K-NN) Percobaan kesatu menghasilkan tingkat kesalahan 13,54% dengan data yang salah diklasifikasikan sebanyak 13 data dari 96 data. Tingkat kesalahan menurun menjadi 5,21% jika nilai fitur ditransformasi, dengan jumlah data yang salah diklasifikasikan sebanyak 5 data . Perbandingan tingkat akurasi pada data tanpa transformasi dan dengan transformasi ditunjukkan pada Gambar 27.
36
100%
94.8% 94.8%
90% 86.5% 86.5%
89.6%
91.7% 91.7% 91.7%
82.3% 84.4% 84.4% 84.4%
80%
70% 1
2
3
4
5
6
nilai k
Gambar 27 Hasil percobaan RGB dan analisis tekstur dengan K-NN. tanpa transformasi, dengan transformasi.
Gambar 27 menunjukkan pada data yang ditransformasi dengan nilai k=1 dan k=2 dihasilkan akurasi tertinggi 94,79%. Transformasi data menaikkan tingkat akurasi sebesar 8,33%. Hasil kesalahan klasifikasi menggunakan confusion matrix ditunjukkan pada Tabel 5. Tabel 5 Confusion matrix percobaan kesatu (k=1 dan k=2)
AKTUAL Kelas 1 Kelas 2 Kelas 3 Kelas 4
PREDIKSI
PREDIKSI
Tanpa Transformasi
Dengan Transformasi
Kelas 1
Kelas 2
Kelas 3
Kelas 4
Kelas 1
Kelas 2
Kelas 3
Kelas 4
20 0 3 0
0 22 0 4
4 0 21 0
0 2 0 20
23 0 1 0
0 22 0 1
1 0 23 0
0 2 0 23
Tabel 5 menunjukkan kesalahan klasifikasi menurun pada data yang ditransformasi. Kelas 1 (F. angustifolia), kelas 3 (F. javanica), dan kelas 4 (F. sumatrana) terklasifikasi sebanyak 23 data, sedangkan kelas 2 ( F. imbricata) terklasifikasi sebanyak 22 data. Kelas 1 terklasifikasi kelas 3 dan sebaliknya, sedangkan kelas 2 terklasifikasi kelas 4 dan sebaliknya. Hal ini menunjukkan kelas 1 dengan kelas 3, kelas 2 dengan kelas 4 memiliki kemiripan bentuk berdasarkan analisis tekstur. Data yang salah diklasifikasikan pada nilai fitur tanpa transformasi (13 data) dan dengan transformasi (5 data) ditunjukkan pada Tabel 6.
37
Tabel 6 Data yang salah diklasifikasikan dengan K-NN (k=2) Data ke
Aktual Kelas/Jenis
Prediksi Kelas/Jenis
2, 14, 18*, 20
(1) F.angustifolia
(3) F.javanica
23*, 24*
(2) F.imbricata
(4) F.sumatrana
4, 5*, 16*
(3) F.javanica
(1) F.angustifolia
2, 8, 17, 18
(4) F.sumatrana
(2) F.imbricata
* data yang salah diklasifikasikan pada fitur dengan transformasi
Tabel 6 menunjukkan bahwa transformasi nilai fitur menghasilkan perbaikan tingkat kesalahan klasifikasi. Data yang mengalami perbaikan klasifikasi yaitu, kelas 1 (F.angustifolia) pada data ke-2, 14, dan 20, kelas 3 (F.javanica) pada data ke-4, dan semua data (ke-2, 8, 17, 18) pada kelas 4 (F.sumatrana). Data yang tidak mengalami perubahan klasifikasi adalah kelas 2 (F.imbricata).
4.3.2. Percobaan Kedua (RGB, Analisis Tekstur dengan JST) Percobaan kedua menggunakan 3 hidden neuron, yaitu 10, 20, dan 30 layer dengan pengulangan 5 kali pengujian. Akurasi berdasarkan jumlah hidden neuron ditunjukkan pada Gambar 28.
100%
0.9479
0.9375
0.9479
90%
80%
70% 10 20 30 Jumlah hidden neuron
Gambar 28 Hasil percobaan RGB dan analisis tekstur dengan JST.
38
Gambar 28 menunjukkan pada jumlah hidden neuron 10 dan 30 dihasilkan akurasi 94,79%, sedangkan pada jumlah hidden neuron 20 dihasilkan akurasi 93,75%. Hasil kesalahan klasifikasi menggunakan confusion matrix dengan jumlah hidden neuron 10 ditunjukkan pada Tabel 7. Tabel 7 Confusion matrix percobaan kedua (hidden neuron 10) AKTUAL Kelas 1 Kelas 2 Kelas 3 Kelas 4
Kelas 1 22 0 1 0
PREDIKSI Kelas 2 Kelas 3 0 2 22 0 0 23 0 0
Kelas 4 0 2 0 24
Tabel 7 menunjukkan kelas 1 (F. angustifolia) dan kelas 2 (F. imbricata) terklasifikasi 22 data. Kelas 3 (F. javanica) terklasifikasi 23 data dan kelas 4 ( F. sumatrana) terklasifikasi semuanya. Nilai akurasi dan penyebaran kesalahan klasifikasi percobaan kedua sama dengan percobaan kesat u. Hal ini menunjukkan bahwa berdasarkan fitur RGB dan analisis tekstur, jenis F. angustifolia memiliki kemiripan dengan F. javanica, sedangkan F. imbricata memiliki kemiripan dengan F. sumatrana, seperti ditunjukkan pada Gambar 29.
(a)
(b)
Gambar 29 Kemiripan jenis F. imbricata (a) dengan F. sumatrana (b). Gambar 29 menunjukkan bahwa bentuk dan susunan epidermis kedua jenis Freycinetia memiliki kemiripan, sedangkan berdasarkan perhitungan nilai RGB dan analisis tekstur memiliki berbedaan nilai yang dekat, yaitu nilai level keabuan, homogenitas, dan energi.
39
4.3.3. Percobaan Ketiga (Dekomposisi Wavelet dengan K-NN) Percobaan ketiga dilakukan pada empat level yaitu level 1, 2, 3, dan 4. Percobaan ketiga menghasilkan tingkat kesalahan 3,12% pada level 1. Jumlah data yang salah diklasifikasikan sebanyak 2 data dari 96 data. Hasil percobaan ditunjukkan pada Gambar 30.
Gambar 30 Hasil percobaan dekomposisi wavelet dengan K-NN. level satu, level dua, level tiga, level empat. Gambar 30 menunjukkan pada level satu dengan nilai k=1 dan k=2 dihasilkan akurasi tertinggi yaitu 96,88%, sedangkan pada level dua, tiga, dan empat dengan nilai k=6 dihasilkan akurasi 86,46%. Proses dekomposisi wavelet pada level dua sampai level empat cenderung terjadi penurunan nilai akurasi, begitu juga dengan kenaikan nilai k pada semua level cenderung menurunkan tingkat akurasi . Hasil kesalahan klasifikasi menggunakan confusion matrix ditunjukkan pada Tabel 8. Tabel 8 Confusion matrix percobaan ketiga (k=1 dan k=2) AKTUAL Kelas 1 Kelas 2 Kelas 3 Kelas 4
Kelas 1 24 0 0 0
PREDIKSI Kelas 2 Kelas 3 0 0 24 0 2 22 1 0
Kelas 4 0 0 0 23
Tabel 8 menunjukkan kelas 1 (F. angustifolia) dan kelas 2 (F. imbricata) terklasifikasi 100%, yaitu sebanyak 24 data terklasifikasi semuanya. Kelas 3 ( F. javanica) dan kelas 4 (F. sumatrana) masing-masing terklasifikasi 22 dan 23 data. Kelas 3 terklasifikasi kelas 2 sebanyak 2 data dan kelas 4 terklasifikasi kelas 2 sebanyak 1 data. Percobaan ketiga menghasilkan akurasi yang lebih baik dibandingkan percobaan kesatu. Hal ini menunjukkan ekstraksi fitur dengan
40
dekomposisi wavelet lebih baik dibandingkan ekstraksi fitur dengan RGB dan analisis tekstur.
4.3.4. Percobaan Keempat (Dekomposisi Wavelet dengan JST) Percobaan keempat dilakukan pada empat level yaitu level satu dengan jumlah input 4 fitur, level dua (7 fitur), level tiga (10 fitur), dan level empat dengan jumlah input 13 fitur . Hasil percobaan ditunjukkan pada Gambar 31. Percobaan menunjukkan pada level satu dengan jumlah hidden neuron 30 dihasilkan akurasi tertinggi 99%, sedangkan pada level empat dengan jumlah hidden neuron 30 dihasilkan akurasi terendah 75%.
Gambar 31 Hasil percobaan dekomposisi wavelet dengan JST level satu, level dua, level tiga, level empat.
Gambar 31 menunjukkan bahwa proses dekomposisi level dua hingga level empat dengan jumlah hidden neuron 10, 20, dan 30 cenderung menghasilkan penurunan tingkat akurasi. Penambahan jumlah hidden neuron dari 10 ke 20 dan 30, cenderung tidak berpengaruh terhadap kenai kan tingkat akurasi. Hasil kesalahan klasifikasi menggunakan confusion matrix ditunjukkan pada Tabel 9. Tabel 9 Confusion matrix percobaan keempat (hidden neuron 30) AKTUAL Kelas 1 Kelas 2 Kelas 3 Kelas 4
Kelas 1 24 0 0 0
PREDIKSI Kelas 2 Kelas 3 0 0 24 0 0 23 0 0
Kelas 4 0 0 1 24
41
Tabel 9 menunjukkan kelas 1 (F. angustifolia), kelas 2 (F. imbricata), dan kelas 4 (F. sumatrana) terklasifikasi 100%, yaitu sebanyak 24 data terklasifikasi semuanya. Kelas 3 (F. javanica) terklasifikasi 23 data, 1 record dari kelas 3 terklasifikasi kelas 4. Percobaan keempat menghasilkan akurasi lebih tinggi dibandingkan percobaan ketiga. Hal ini menunjukkan klasifikasi menggunakan JST lebih baik dibandingkan K -NN.
4.4. Hasil Percobaan Percobaan kesatu menggunakan ekstraksi fitur RGB dan analisis tekstur dengan K-NN menghasilkan tingkat kesalahan klasifikasi 13,54 % (tanpa transformasi) dan 5,21% (dengan transformasi). Jumlah data yang salah diklasifikasikan masing-masing sebanyak 13 buah data dan 5 buah data dengan nilai k=1 dan k=2. Percobaan kedua menggunakan pengenal pola JST menghasilkan tingkat kesalahan 5,21% atau sebanyak 5 buah data yang salah diklasifikasikan pada jumlah hidden neuron 10 dan 30. Percobaan ketiga menggunakan dekomposisi wavelet dengan K-NN (k=1 dan k=2) menghasilkan tingkat kesalahan klasifikasi 3,1% pada dekomposisi wavelet level 1. Jumlah data yang salah klasifikasi sebanyak 3 buah data , sedangkan menggunakan JST pada percobaan keempat tingkat kesalahan menurun menjadi 1,0% atau hanya satu buah data yang salah klasifikasi pada jumlah hidden neuron 30. Percobaan dengan dekomposisi wavelet level dua hingga level empat ternyata tidak meningkatkan nilai akurasi . Jumlah hidden neuron sebanyak 10, 20, dan 30 pada JST tidak menghasilkan beda yang jauh dalam proses klasifikasi. Hasil percobaan menggunakan fold 6 dengan K-NN ditunjukkan pada Tabel 10. Tabel 10 menunjukkan bahwa percobaan kesatu menggunakan RGB dan analisis tekstur dengan K-NN terdapat 2 record yang salah diklasifikasikan yaitu kelas 2 (data ke-23 dan 24) menjadi kelas 4. Hal ini disebabkan karena bentuk tekstur epidermis pada kelas 2 (F.imbricata) memiliki kemiripan dengan kelas 4 (F.sumatrana), sedangkan pada dekomposisi wavelet data tersebut benar diklasifikasikan menjadi kelas 2. Rekapitulasi hasil percobaan dengan akurasi tertinggi ditunjukkan pada Tabel 11.
42
Tabel 10 Hasil percobaan fold 6 menggunakan K-NN (k=1 dan k=2) Aktual Kelas/Jenis
Data ke-
Prediksi (Analisis Tekstur) Kelas/Jenis Dekat pada data ke(1) F.angustifolia 3 7 3 1
Prediksi (Wavelet) Kelas/Jenis Dekat pada data ke(1) F.angustifolia 3 8 7 4
4 15 19 2
(2) F.imbricata
18 18 12 4
(1) F.angustifolia
21 22 23 24
(2) F.imbricata
21 22 23 24
(2) F.imbricata
(3) F.javanica
21 22 23 24
(3) F.javanica
12 15 9 10
(3) F.javanica
12 19 13 20
(4) F.sumatrana
21 22 23 24
(4) F.sumatrana
6 6 14 14
(4) F.sumatrana
4 6 14 14
(4) F.sumatrana *)
*) salah klasifikasi Tabel 11 Rekapitulasi percobaan KNN (k = 1 dan k=2) RGB dan analisis tekstur tanpa dengan Wavelet (%) transformasi transformasi (%) (%) Level 1 96,88 Level 2 92,71 86,46 94,79 Level 3 90,63 Level 4 90,63
JST (jumlah hidden neuron = 30) RGB dan analisis tekstur (%)
94,79
Wavelet (%) Level 1 Level 2 Level 3 Level 4
99,0 95,8 92,7 91,7
Tabel 11 menunjukkan hasil akurasi di atas 85%. Hasil percobaan dengan K -NN dicapai akurasi tertinggi pada k=1 dan k=2, sedangkan dengan JST dicapai akurasi tertinggi pada level satu dengan jumlah hidden neuron 30.
4.5. Prototype Sistem Klasifikasi Freycinetia Prototype terdiri atas empat macam, yaitu prototype satu menggunakan ekstraksi fitur RGB dan analisis tekstur dengan pengenal pola K-NN, sedangkan prototype dua menggunakan JST. Prototype tiga menggunakan ekstraksi fitur dekomposisi wavelet level satu dengan pengenal pola K-NN, sedangkan prototype empat menggunakan JST. Prototype satu ditunjukkan pada Lampiran 8.
43
BAB V KESIMPULAN DAN SARAN
5.1.Kesimpulan Berdasarkan penelitian yang dilakukan dapat diperoleh kesimpulan sebagai berikut : 1. Hasil klasifikasi citra stomata Freycinetia menggunakan K-NN dengan ekstraksi fitur RGB dan analisis tekstur pada data yang ditransformasi dapat meningkatkan nilai akurasi dari 86 ,46% menjadi 94,79%. 2. Hasil klasifikasi citra stomata Freycinetia menggunakan ekstraksi fitur RGB dan analisis tekstur dengan K -NN dan JST menghasilkan akurasi sebesar 86,46% dan 94,79%, dengan jumlah data yang salah diklasifikasikan masing masing sebanyak 13 dan 5 buah data. 3. Hasil klasifikasi citra stomata Freycinetia menggunakan ekstraksi fitur dekomposisi wavelet (w-entropy) dengan K-NN dan JST menghasilkan akurasi sebesar 96,88% dan 99%, dengan jumlah data yang salah diklasifikasikan masing-masing sebanyak 3 dan 1 buah data, relatif lebih tinggi dibandingkan menggunakan ekstraksi fitur RGB dan analisis tekstur. 4. Hasil dekomposisi wavelet level dua hingga level empat cenderung tidak menaikkan nilai akurasi, begitu pula dengan penambahan jumlah hidden neuron menghasilkan akurasi yang relatif sama pada hidden neuron 10 dan 30.
5.2.Saran Penelitian ini dapat dikembangkan untuk menghitung nilai indeks stomata dan kerapatan stomata dengan menggunakan jenis Freycinetia yang lebih bervariasi. Penentuan data latih dan data uji dilakukan melalui proses pengacakan dengan variasi nilai k-fold.
44
45
DAFTAR PUSTAKA
Ahmad U. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya. Yogyakarta: Graha Ilmu. Brink M, Escobin RP. 2003. Fibre Plants. Wageningen: Prosea. Callmander MW, Chassot P, Kupfer P, Lowry PP. 2003. Recognition of Martellidendron a new genus of Pandanaceae, and its biogeographic implications. Taxon 52:747-762. Dahlgren RMT, Clifford HT, Yeo PF. 1985. The Families of the Monocotyledons. Tokyo: Springer-Verlag. Damayanti F. 2007. Analisis jumlah kromosom dan anatomi stomata pada beberapa plasma nutfah pisang (Musa sp.) asal Kalimantan Timur. Bioscientiae 2007;4:53-61. Duda RO, Hart PE. 1995. Pattern Classification and Scene Analysis 2nd edition. New York: John Wiley & Sons.Inc . Fausett L. 1994. Fundamentals of Neural Networks (Architectures, Algorithms, and Applications). New Jersey : Prentice-Hall, Inc. Gasim. 2006. Jaringan syaraf tiruan untuk p engenalan jenis kayu berbasis c itra [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor. Han J, Kamber M. 2001. Data Mining: Concepts and Techniques. Morgan Kaufmann. Hanselman D, Littlefield B. 1998. “Mastering MATLAB 5, A Comprehensive Tutorial and Reference”. Prentice-Hall Inc. Haralick RM, K Shanmugam, Itshak Dinstein. 1973. Textural features for image classification. IEEE Transaction on System, Man and Cybernetics 3:6. Haryanto FF. 2010. Analisis kromosom dan stomata tanaman Salak Bali (Salacca zalacca var. Amboinensis (Becc.) Mogea), Salak Padang Sidempuan ( S. sumatrana (Becc.) Mogea) dan Salak Jawa (S. zalacca var. zalacca (Becc.) Mogea) [skripsi]. Surakarta: Fakultas Pertanian, Universitas Sebelas Maret. Hermawan A. 2006. Jaringan Syaraf Teori dan Aplikasi . Yogyakarta: ANDI Heyne K. 1987. Tumbuhan Berguna Indonesia. Jakarta: Badan Penelitian dan Pengembangan Kehutanan, Departemen Kehutanan.
46
Kusumadewi S. 2004. Membangun Jaringan Syaraf Tiruan . Yogyakarta: Graha Ilmu. McAndrew A. 2004. An Introduction to Digital Image Processing with Matlab . Australia: Thomson. Nurjayanti B. 2011. Identifikasi Shorea menggunakan k-nearest neighbour berdasarkan karakteristik morfologi daun [s kripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam , Institut Pertanian Bogor. Pasaribu N. 2010. Freycinetia (Pandaceae) of Sumatra [disertasi]. Bogor: Program Pascasarjana, Institut Pertanian Bogor. Puspitasari D. 2011. Identifikasi jenis Shorea menggunakan jaringan syaraf tiruan propagasi balik berdasarkan karakteristik morfologi daun [s kripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam , Institut Pertanian Bogor. Putra D. 2010. Pengolahan Citra Digital. Yogyakarta: Andi Offset. Santoso I, Yuli Christyono, Mita Indriani. 2007. Kinerja Pengenalan Citra Teskstur Menggunakan Analisis Tekstur Metode Run Length. Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007) ; Yogyakarta, 16 Juni 2007. Stace CA. 1989. Plant Taxonomy and Biosystematic. 2nd ed. Australia: Cambridge University Press. Stone BC. 1970. Malayan climbing pandans. The genus Freycinetia in Malaya . Malay Nat J23 : 84-91 Wicaksana AC. 2011. Identifikasi penyakit padi dan Anthurium menggunakan wavelet dengan klasifikasi k -nearest neighbors [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam , Institut Pertanian Bogor. Willmer CM. 1983. Stomata. New York: Longman Inc. Wu SG et al. 2007. A Leaf Recognition Algorithm for Plant Classification using Probabilistic Neural Network. China: Chinese Academy of Science.
47
48
49
Lampiran 1
Hasil ekstraksi fitur RGB dan analisis tekstur
Data 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 . . .
entropy 6,92 6,83 6,88 7,02 6,66 6,55 6,60 6,85 7,39 7,38 7,41 7,48 7,44 7,32 7,44 7,45 6,84 6,91 6,60 6,87 6,83 6,66 6,73 6,92 6,49 6,51 7,09 7,02 6,97 6,91 6,68 6,67 6,63 6,69 6,56 6,90 6,87 6,85 6,84 6,74 6,68 6,69 6,86 6,89 6,97 . . .
std 34,26 30,70 34,76 36,65 28,21 24,71 27,93 31,98 44,72 43,44 45,84 49,42 46,80 42,02 47,20 47,96 31,68 33,12 26,79 31,71 31,61 27,38 30,10 35,00 28,85 29,49 40,75 39,07 37,37 36,31 31,77 29,99 30,55 32,23 29,66 37,22 36,37 36,01 35,37 29,99 29,17 28,94 36,95 36,12 38,22 . . .
level 0,56 0,55 0,56 0,55 0,56 0,57 0,56 0,56 0,53 0,55 0,54 0,53 0,52 0,56 0,54 0,54 0,55 0,50 0,58 0,55 0,58 0,58 0,59 0,56 0,62 0,62 0,58 0,59 0,59 0,60 0,61 0,62 0,62 0,61 0,63 0,60 0,60 0,60 0,60 0,62 0,62 0,63 0,59 0,59 0,58 . . .
kontras 0,30 0,28 0,31 0,32 0,25 0,25 0,27 0,28 0,35 0,36 0,38 0,40 0,35 0,35 0,36 0,40 0,28 0,27 0,26 0,29 0,27 0,26 0,26 0,30 0,30 0,31 0,42 0,40 0,39 0,37 0,34 0,31 0,33 0,35 0,34 0,39 0,36 0,35 0,34 0,35 0,33 0,35 0,40 0,36 0,40 . . .
energy 0,23 0,22 0,26 0,21 0,26 0,25 0,28 0,24 0,12 0,12 0,12 0,11 0,12 0,13 0,12 0,11 0,23 0,20 0,28 0,21 0,26 0,26 0,30 0,24 0,31 0,30 0,17 0,19 0,20 0,20 0,28 0,27 0,27 0,24 0,26 0,20 0,21 0,22 0,23 0,25 0,28 0,25 0,21 0,22 0,20 . . .
homoge 0,86 0,86 0,86 0,85 0,88 0,88 0,88 0,87 0,83 0,83 0,83 0,82 0,84 0,83 0,83 0,81 0,87 0,87 0,88 0,86 0,87 0,87 0,88 0,86 0,87 0,86 0,83 0,83 0,84 0,84 0,86 0,86 0,86 0,85 0,85 0,84 0,84 0,85 0,85 0,85 0,86 0,84 0,83 0,84 0,83 . . .
R 211,78 208,74 213,28 209,60 213,76 210,12 215,37 210,78 202,26 199,73 202,22 198,93 204,42 206,47 204,61 203,90 212,25 208,35 217,32 212,94 215,46 215,35 217,42 212,94 210,05 209,43 206,61 207,03 208,12 208,71 206,53 208,34 207,02 207,22 208,87 206,69 206,02 206,91 206,80 210,58 211,79 210,40 208,07 207,55 207,15 . . .
G 131,61 126,35 134,81 131,86 129,30 124,99 130,28 131,12 119,12 120,12 120,00 121,98 116,34 125,18 121,86 123,23 125,18 111,22 131,28 123,87 134,96 132,04 137,97 132,32 159,47 159,08 147,20 149,24 148,79 150,82 155,26 156,43 157,85 158,62 161,79 154,96 153,42 153,48 153,50 148,41 149,37 151,97 152,12 148,18 148,61 . . .
B 172,88 168,98 175,46 172,96 171,03 167,66 172,25 172,16 160,54 161,38 161,62 163,63 158,76 167,20 163,41 165,99 164,68 151,43 171,15 163,99 172,93 171,16 175,73 170,81 181,36 181,37 166,93 169,41 169,12 171,13 177,54 178,48 179,81 179,73 182,43 174,76 174,05 174,50 174,89 173,69 173,58 177,25 173,16 171,07 171,20 . . .
96
6,86
37,92
0,68
0,33
0,27
0,85
214,48
184,13
206,66
50
Lampiran 2 Hasil ekstraksi fitur RGB dan analisis tekstur (transformasi) Data
entropy
std
level
kontras
energy
homoge
R
G
B
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 . . .
0,37 0,28 0,33 0,46 0,11 0,00 0,05 0,30 0,83 0,82 0,86 0,93 0,88 0,76 0,88 0,89 0,29 0,36 0,05 0,32 0,27 0,11 0,17 0,36 -0,06 -0,05 0,54 0,47 0,42 0,35 0,12 0,11 0,07 0,14 0,00 0,34 0,31 0,30 0,29 0,19 0,12 0,14 0,30 0,34 0,41 . . .
0,41 0,27 0,43 0,50 0,18 0,04 0,16 0,32 0,82 0,77 0,86 1,00 0,90 0,71 0,91 0,94 0,31 0,37 0,12 0,31 0,31 0,14 0,25 0,44 0,20 0,23 0,66 0,60 0,53 0,49 0,31 0,25 0,27 0,33 0,23 0,53 0,49 0,48 0,45 0,25 0,21 0,20 0,52 0,48 0,56 . . .
0,33 0,29 0,31 0,29 0,35 0,37 0,33 0,35 0,18 0,24 0,20 0,16 0,12 0,33 0,22 0,20 0,27 0,00 0,43 0,29 0,43 0,45 0,49 0,31 0,65 0,63 0,43 0,47 0,49 0,53 0,57 0,65 0,63 0,59 0,69 0,53 0,51 0,53 0,51 0,61 0,61 0,69 0,47 0,49 0,45 . . .
0,34 0,28 0,37 0,41 0,19 0,18 0,24 0,29 0,55 0,56 0,64 0,71 0,52 0,53 0,58 0,73 0,29 0,26 0,21 0,32 0,23 0,21 0,22 0,35 0,33 0,37 0,79 0,70 0,68 0,62 0,49 0,39 0,45 0,54 0,48 0,68 0,57 0,54 0,51 0,54 0,45 0,54 0,71 0,58 0,70 . . .
0,62 0,54 0,72 0,52 0,76 0,68 0,85 0,65 0,09 0,06 0,06 0,00 0,08 0,12 0,05 0,01 0,59 0,45 0,84 0,52 0,75 0,76 0,92 0,66 0,97 0,95 0,32 0,40 0,46 0,46 0,82 0,81 0,81 0,66 0,73 0,44 0,51 0,56 0,61 0,72 0,86 0,71 0,52 0,56 0,45 . . .
0,55 0,58 0,58 0,46 0,73 0,70 0,73 0,60 0,21 0,20 0,17 0,03 0,26 0,23 0,22 0,01 0,60 0,60 0,75 0,54 0,69 0,68 0,77 0,52 0,61 0,55 0,17 0,23 0,26 0,28 0,48 0,57 0,49 0,39 0,44 0,25 0,34 0,40 0,41 0,37 0,49 0,35 0,24 0,34 0,23 . . .
0,43 0,36 0,47 0,38 0,48 0,39 0,51 0,41 0,21 0,16 0,21 0,14 0,26 0,31 0,27 0,25 0,44 0,35 0,56 0,46 0,52 0,51 0,56 0,46 0,39 0,38 0,31 0,32 0,35 0,36 0,31 0,35 0,32 0,33 0,37 0,32 0,30 0,32 0,32 0,40 0,43 0,40 0,35 0,33 0,33 . . .
0,28 0,20 0,32 0,28 0,24 0,19 0,26 0,27 0,11 0,12 0,12 0,15 0,07 0,19 0,14 0,16 0,19 0,00 0,27 0,17 0,32 0,28 0,36 0,29 0,65 0,65 0,49 0,51 0,51 0,54 0,60 0,61 0,63 0,64 0,68 0,59 0,57 0,57 0,57 0,50 0,52 0,55 0,55 0,50 0,51 . . .
0,37 0,30 0,41 0,37 0,34 0,28 0,36 0,36 0,16 0,17 0,18 0,21 0,13 0,27 0,21 0,25 0,23 0,00 0,34 0,22 0,37 0,34 0,42 0,33 0,52 0,52 0,27 0,31 0,30 0,34 0,45 0,47 0,49 0,49 0,53 0,40 0,39 0,40 0,40 0,38 0,38 0,44 0,37 0,34 0,34 . . .
0,31
0,55
0,96
0,47
0,78
0,46
0,49
0,99
0,95
96
51
Lampiran 3 Hasil ekstraksi fitur (w-entropy) dekomposisi wavelet level 1 Data
LowLow_1
HighLow_1
LowHigh_1
HighHigh_1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 . . . 96
882024 878546 884409 880763 882527 879360 883758 881963 865921 866909 866387 864719 863450 873572 868051 868285 878028 865669 885089 877415 885774 884907 888736 882092 898852 898362 886789 889022 889574 891310 894797 896601 896907 896832 899842 893249 892230 892661 892847 892459 893457 894955 891909 889524 889031 . . . 913346
124137 119910 120245 124034 112129 110526 107664 117572 146392 143168 145907 148023 140781 142183 142013 154063 118775 115934 110760 120018 115668 115361 108883 125166 104521 107539 128401 127846 127116 120513 115755 107333 111546 118863 110731 124342 116379 116868 116739 126677 113880 124458 119980 120445 128207 . . . 129522
115122 112426 112471 115947 107303 103946 106257 109968 136120 139790 137699 147486 131569 132372 134829 142066 112684 108684 109287 110911 111403 108830 105754 113418 83250 87071 104998 100465 102831 98564 94647 87731 88037 92731 87403 93607 91425 94828 96735 98394 88144 92876 88698 98060 92364 . . . 91006
-31153 -20553 -25774 -16901 -37272 -29524 -31381 -21608 -36807 -25962 -34077 -19392 -45720 -41044 -35477 -18811 -20548 -20814 -23778 -20186 -27659 -22581 -30879 -16576 -51260 -47587 -31010 -35361 -28403 -31904 -39466 -50804 -43554 -39304 -46559 -46941 -50516 -44185 -44976 -31036 -52230 -38483 -54965 -32502 -40581 . . . -45809
52
Lampiran 4 Hasil ekstraksi fitur (w-entropy) dekomposisi wavelet level 2 Data
LowLow_2
HighLow_2
LowHigh_2
HighHigh_2
HighLow_1
LowHigh_1
HighHigh_1
1
247379
56122
49790
35290
124137
115122
-31153
2
246449
51784
47706
35050
119910
112426
-20553
3
247991
54123
48127
35984
120245
112471
-25774
4
247091
52854
49157
36533
124034
115947
-16901
5
247416
50918
46262
33268
112129
107303
-37272
6
246584
48510
45176
33816
110526
103946
-29524
7
247743
50040
46028
33641
107664
106257
-31381
8
247315
49998
47367
35907
117572
109968
-21608
9
243513
62577
57813
37201
146392
136120
-36807
10
243722
61666
57987
38606
143168
139790
-25962
11
243670
62531
58503
37996
145907
137699
-34077
12
243345
63476
60566
41101
148023
147486
-19392
13
242916
60795
56588
36609
140781
131569
-45720
14
245351
60869
56563
37016
142183
132372
-41044
15
244054
61137
57167
37702
142013
134829
-35477
16
244205
63404
59085
39977
154063
142066
-18811
17
246335
52309
47898
36229
118775
112684
-20548
18
243215
50319
45673
35319
115934
108684
-20814
19
248052
50187
46271
35417
110760
109287
-23778
20
246174
51562
47081
36198
120018
110911
-20186
21
248253
52522
48009
34150
115668
111403
-27659
22
247996
49569
46851
35477
115361
108830
-22581
23
248983
49758
45727
34724
108883
105754
-30879
24
247401
51982
48172
37873
125166
113418
-16576
25
251483
46649
37746
29691
104521
83250
-51260
26
251367
47060
38556
31482
107539
87071
-47587
27
248684
54418
45595
36200
128401
104998
-31010
28
249191
53662
44646
34276
127846
100465
-35361
29
249316
54453
44259
34255
127116
102831
-28403
30
249700
51080
43054
32945
120513
98564
-31904
31
250509
49328
41178
32783
115755
94647
-39466
32
250944
47659
39349
30700
107333
87731
-50804
33
251025
47102
39933
30399
111546
88037
-43554
34
251020
50716
42111
33353
118863
92731
-39304
35
251732
48682
38478
30859
110731
87403
-46559
36
250233
53967
42987
30906
124342
93607
-46941
37
249940
51575
41349
30273
116379
91425
-50516
38
250040
52724
42073
30289
116868
94828
-44185
39
250081
50573
41612
32039
116739
96735
-44976
40
249906
52973
42004
33040
126677
98394
-31036
41
250148
49032
39140
31161
113880
88144
-52230
42
250517
52131
41302
32895
124458
92876
-38483
43
249926
52654
40413
30389
119980
88698
-54965
44
249265
52904
43475
32718
120445
98060
-32502
45
249204
54443
42182
31615
128207
92364
-40581
. . .
. . .
. . .
. . .
. . .
54630
43249
32436
91006
-45809
. . . 96
. . . 255158
. . . 129522
53
Lampiran 5 Hasil olah data RGB dan analisis tekstur dengan JST Fold 1 (10 hidden neuron) Kelas 1
1,00 1,01 0,99 1,00 0,00 0,00 0,00 0,00 -5,12 -6,10 -4,58 -0,67 0,01 0,00 0,01 0,01
Hasil JST (Data Uji) Kelas 2 Kelas 3
0,00 0,00 0,00 -0,01 1,00 1,02 1,00 1,00 -1,30 -0,11 -0,23 0,00 -0,29 -1,19 0,32 0,34
0,00 -0,01 0,01 0,00 0,00 0,00 0,00 0,00 6,13 7,12 5,58 1,67 -0,01 0,00 -0,01 0,00
Kelas 4
0,00 0,00 0,00 0,00 0,00 -0,02 0,00 0,00 1,29 0,10 0,23 0,00 1,29 2,19 0,68 0,66 Total Akurasi
Nilai Max (Kelas 1 – 4)
Prediksi (kelas)
Aktual (kelas)
1,00 1,01 0,99 1,00 1,00 1,02 1,00 1,00 6,13 7,12 5,58 1,67 1,29 2,19 0,68 0,66
1 1 1 1 2 2 2 2 3 3 3 3 4 4 4 4
1 1 1 1 2 2 2 2 3 3 3 3 4 4 4 4
Nilai Max (Kelas 1 – 4)
Prediksi (kelas)
Aktual (kelas)
1,04 0,89 1,03 1,00 1,00 1,00 1,00 1,00 0,89 1,06 1,00 1,00 1,48 2,41 2,47 1,08
1 3 1 1 2 2 2 2 3 3 3 3 4 4 4 4
1 1 1 1 2 2 2 2 3 3 3 3 4 4 4 4
Akurasi
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 100%
Fold 2 (10 hidden neuron) Kelas 1
1,04 0,11 1,03 1,00 0,00 0,00 0,00 0,00 0,11 -0,06 0,00 0,00 0,00 0,00 0,00 0,01
Hasil JST (Data Uji) Kelas 2 Kelas 3
0,00 0,00 0,00 0,00 1,00 1,00 1,00 1,00 -0,02 -0,31 0,00 0,00 -0,48 -1,41 -1,47 -0,09
-0,04 0,89 -0,03 0,00 0,00 0,00 0,00 0,00 0,89 1,06 1,00 1,00 0,00 0,00 0,00 0,00
Kelas 4
0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,02 0,31 0,00 0,00 1,48 2,41 2,47 1,08 Total Akurasi
Akurasi
1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 94%
54
Lampiran 6 Rekapitulasi kesalahan klasifikasi dengan K -NN Fitur RGB dan analisis tekstur (tanpa transformasi) Aktual Kelas/Jenis
Data ke-
Prediksi Kelas/Jenis
(1) F.angustifolia
2, 14, 18, 20
(3) F.javanica
(2) F.imbricata
23, 24
(4) F.sumatrana
(3) F.javanica
4, 5, 16
(1) F.angustifolia
(4) F.sumatrana
2, 8, 17, 18
(2) F.imbricata
Fitur RGB dan analisis tekstur (dengan transformasi) Aktual Kelas/Jenis
Data ke-
Prediksi Kelas/Jenis
(1) F.angustifolia
18
(3) F.javanica
(2) F.imbricata
23, 24
(4) F.sumatrana
(3) F.javanica
5, 16
(1) F.angustifolia
Fitur Dekomposisi wavelet level 1 Aktual Kelas/Jenis (3) F.javanica
Data ke2, 3
(4) F.sumatrana
7
Prediksi Kelas/Jenis (2) F.imbricata
Fitur Dekomposisi wavelet level 2 Aktual Kelas/Jenis (1) F.angustifolia
Data ke1
(2) F.imbricata
23, 24
(3) F.javanica (4) F.sumatrana
2 7 9 17
Prediksi Kelas/Jenis (4) F.sumatrana
(2) F.imbricata
Fitur Dekomposisi wavelet level 3 dan level 4 Aktual Kelas/Jenis (1) F.angustifolia (2) F.imbricata (3) F.javanica
Data ke1 12, 23, 24 2
(4) F.sumatrana
7, 9, 17, 21
Prediksi Kelas/Jenis (4) F.sumatrana (2) F.imbricata
55
Lampiran 7 Rekapitulasi kesalahan klasifikasi dengan JST Fitur RGB dan analisis tekstur Aktual Kelas/Jenis (1) F.angustifolia
Data ke6, 19, 23
Prediksi Kelas/Jenis (3) F.javanica
(2) F.imbricata
23, 24
(4) F.sumatrana
Fitur Dekomposisi wavelet level 1 Aktual Kelas/Jenis (2) F.imbricata
Data ke21
Prediksi Kelas/Jenis (4) F.sumatrana
(4) F.sumatrana
17
(2) F.imbricata
Fitur Dekomposisi wavelet level 2 Aktual Kelas/Jenis (2) F.imbricata
Data ke23, 24
Prediksi Kelas/Jenis (4) F.sumatrana
(3) F.javanica
6
(1) F.angustifolia
(4) F.sumatrana
22
(2) F.imbricata
Fitur Dekomposisi wavelet level 3 Aktual Kelas/Jenis (1) F.angustifolia
Data ke21
Prediksi Kelas/Jenis (3) F.javanica
(2) F.imbricata
23, 24
(4) F.sumatrana
(3) F.javanica (4) F.sumatrana
2 4, 8, 17
(1) F.angustifolia (2) F.imbricata
Fitur Dekomposisi wavelet level 4 Aktual Kelas/Jenis (2) F.imbricata
(4) F.sumatrana
Data ke12
Prediksi Kelas/Jenis (4) F.sumatrana
23
(3) F.javanica
24 7, 21 8, 13, 17
(4) F.sumatrana (1) F.angustifolia (2) F.imbricata
56
Lampiran 8 Prototype percobaan kesatu (RGB, analisis tekstur dengan K -NN
