KLASIFIKASI FREYCINETIA BERBASIS CITRA ANATOMI STOMATA MENGGUNAKAN K-NEAREST NEIGHBOR DAN JARINGAN SYARAF TIRUAN ARIE QUR ANIA

Transkripsi

1 KLASIFIKASI FREYCINETIA BERBASIS CITRA ANATOMI STOMATA MENGGUNAKAN K-NEAREST NEIGHBOR DAN JARINGAN SYARAF TIRUAN ARIE QUR ANIA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012

2 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 G

3 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

4 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 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.

5 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

6 Hak Cipta Milik IPB, tahun 2012 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

7 KLASIFIKASI FREYCINETIA BERBASIS CITRA ANATOMI STOMATA MENGGUNAKAN K-NEAREST NEIGHBOR DAN JARINGAN SYARAF TIRUAN ARIE QUR ANIA Tesis sebagai salah satu syarat untuk memperoleh gelar Magister Komputer pada Program Studi Ilmu Komputer SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012

8 Judul Tesis Nama NRP : Klasifikasi Freycinetia Berbasis Citra Anatomi Stomata Menggunakan K-Nearest Neighbor dan Jaringan Syaraf Tiruan : Arie Qur ania : G Disetujui Komisi Pembimbing Dr. Ir. Aji Hamim Wigena, M.Sc. Ketua Aziz Kustiyo, S.Si., M.Kom. Anggota Diketahui Ketua Program Studi Ilmu Komputer Dekan Sekolah Pascasarjana Dr. Yani Nurhadryani, S.Si., M.T. Dr. Ir. Dahrul Syah, M.Sc.Agr. Tanggal Ujian : Tanggal Lulus :

9 Penguji Luar Komisi pada Ujian Tesis: Mus hthofa, S.Kom, M.Sc.

10 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

11 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 menempuh pendidikan di SD Negeri Kedung Badak I Bogor ( ), SMP Negeri 4 Bogor ( ), SMA Negeri 2 Bogor ( ) 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 ( ) dan proyek National Biodiversity Information Network ( ). Tahun 2004 sampai sekarang penulis bekerja sebagai staf pengajar Program Studi Ilmu Komputer, Universitas Pakuan Bogor.

12 xvii DAFTAR ISI Halaman DAFTAR TABEL... xix DAFTAR GAMBAR... xx DAFTAR LAMPIRAN... xxi 1 PENDAHULUAN Latar belakang Perumusan masalah Tujuan Penelitian Ruang Lingkup Penelitian TINJAUAN PUSTAKA Klasifikasi K-Nearest Neighbor Jaringan Syaraf Tiruan Ekstraksi Fitur Citra RGB dan Skala Keabuan Analisis Tekstur Discrete Wavelet Transform (DWT) Anatomi Stomata Freycinetia METODE PENELITIAN Tahapan Penelitian Data Citra Anatomi Stomata Ekstraksi Fitur RGB dan Analisis Tekstur Dekomposisi Wavelet Data Latih dan Data Uji Klasifikasi Freycinetia Akurasi Alat dan Bahan Penelitian Waktu dan Tempat Penelitian HASIL DAN PEMBAHASAN Ekstraksi Fitur Citra Stomata Freycinetia Ekstraksi Fitur RGB dan Analis is Tekstur Ekstraksi Fitur dengan Dekomposisi Wavelet Data Latih dan Data Uji... 35

13 xviii Halaman 4.3 Klasifikasi Freycinetia Percobaan Kesatu (RGB, analisis tekstur dengan K -NN) Percobaan Kedua (RGB, analisis tekstur dengan JST ) Percobaan Ketiga (Dekomposisi Wavelet dengan K-NN) Percobaan Keempat (Dekomposisi Wavelet dengan JST) Hasil Percobaan Prototype Sistem Klasifikasi Freycinetia KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA...45 LAMPIRAN... 49

14 xix DAFTAR TABEL Halaman 1 Hasil ekstraksi fitur RGB dan analisis tekstur Nilai w-entropy pada dekomposisi wavelet level satu Hasil perhitungan w-entropy dekomposisi wavelet level 1 hingga level Susunan data latih dan data uji Confusion matrix percobaan kesatu (k=1 dan k=2) Data yang salah diklasifikasikan dengan K-NN (k=2) Confusion matrix percobaan kedua (hidden neuron 10) Confusion matrix percobaan ketiga (k=1 dan k=2) Confusion matrix percobaan keempat (hidden neuron 30) Hasil percobaan fold 6 menggunakan K-NN (k=1 dan k=2) Rekapitulasi percobaan...42

15 xx DAFTAR GAMBAR Halaman 1 Model tiruan sebuah neuron Arsitektur backpropagation dengan satu hidden layer Fungsi aktivasi sigmoid biner dengan range (0,1) Fungsi aktivasi sigmoid bipolar dengan range ( -1,1) Fungsi aktivasi purelin Contoh representasi citra RGB Contoh representasi citra grayscale Contoh perhitungan transformasi citra digital Contoh matriks intensitas co-occurence Proses dekomposisi level 1 (a), level 2 (b), level 3 (c) Proses perataan dan pengurangan dekompo sisi penuh 3 level Hasil dekomposisi pada citra 2 dimensi, citra asli (a), hasil dekomposisi arah baris (b), hasil dekomposisi arah kolom Detail bagian anatomi stomata Cara pengukuran panjang dan lebar sel stomata Tahapan proses penelitian Ekstraksi fitur pada citra warna dan grayscale Dekomposisi wavelet level satu hingga level tiga Ilustrasi pembentukan nilai w-entropy pada dekomposisi wavelet level satu Ilustrasi pembentukan nilai w-entropy pada dekomposisi wavelet level dua Ilustrasi nilai w-entropy pada dekomposisi wavelet level tiga Ilustrasi nilai w-entropy pada dekomposisi wavelet level empat Bentuk 6-fold cros validation Contoh ekstraksi fitur pada citra warna anatomi stomata Contoh ekstraksi fitur pada citra grayscale anatomi stomata Dekomposisi wavelet level satu pada citra anatomi stomata...33

16 xxi 26 Dekomposisi citra anatomi stomata level satu (a), level dua (b), level tiga (c), dan level empat (d) Hasil percobaan RGB dan analisis tekstur dengan K-NN Hasil percobaan RGB dan analisis tekstur dengan JST Kemiripan jenis F. imbricata (a) dengan F. sumatrana (b) Hasil percobaan dekomposisi wavelet dengan K-NN Hasil percobaan dekomposisi wavelet dengan JST...40

17 xxii DAFTAR LAMPIRAN Halaman 1 Hasil ekstraksi fitur RGB dan analisis tekstur Hasil ekstraksi fitur RGB dan analisis tekstur (transformasi) Hasil ekstraksi fitur (w-entropy) dekomposisi wavelet level Hasil ekstraksi fitur (w-entropy) dekomposisi wavelet level Hasil olah data RGB dan analisis tekstur dengan JST Rekapitulasi kesalahan klasifikasi dengan K-NN Rekapitulasi kesalahan klasifikasi dengan JST Prototype percobaan kesatu (RGB, a nalisis tekstur dengan K-NN)...56

18 1 BAB I PENDAHULUAN 1.1. Latar Belakang Freycinetia adalah genus terbesar kedua dari famil i Pandanaceae, yang memiliki sekitar 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

19 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

20 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 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 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 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).

21 4

22 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) 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).

23 6,... (1) dengan d(x,y) : jarak euclidean antara vektor x dan vektor y x i : fitur ke i dari vektor x y i : fitur ke i dari vektor y n : 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 : nilai baru fitur hasil Min-Max Normalization V : nilai fitur yang akan ditransformasi min A : nilai minimum dari field pada fitur yang sama max A : nilai maksimum dari field pada fitur yang sama new_min A : nilai minimum fitur yang diinginkan new_max A : nilai maksimum fitur yang diinginkan

24

25

26 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 (X i,i=1,...,n) menerima sinyal masukan x i dan meneruskannya ke seluruh unit pada lapisan di atasnya ( hidden units). Langkah 4. Setiap unit tersembunyi (Z j,j=1,...,p) menghitung total sinyal masukan terboboti z _ in j v 0 j n i 1 x v i ij lalu menghitung sinyal keluarannya dengan fungsi aktivasi z j f ( z _ in j ) Langkah 5. dan mengirimkan sinyal ini ke selur uh unit pada lapisan di atasnya (lapisan output) Setiap unit output (Y k,k=1,...,m) menghitung total sinyal masukan terboboti y _ in k w 0k p i 1 x j w jk Lalu menghitung sinyal keluaran dengan fungsi aktivasi y k f ( k y _ in ) Fase 2: Propagasi mundur Langkah 6. Setiap unit output (Y k,k=1,...,m) menerima sebuah pola terget yang sesuai dengan pola masukan pelatihannya. Unit tersebut menghitung informasi kesalahan ( tk yk ) f '( y _ ink ) Kemudian menghitung koreksi bobot (digunakan untuk mengubah w jk nanti), w jk dan menghitung koreksi bias k z j w 0 k k

27 10 Langkah 7. serta mengirimkan nilai k ke unit lapisan di bawahnya Setiap unit tersembunyi (Z j,j=1,...,p) menghitung selisih input (dari unit-unit pada layer diatasnya) m _ in j w k 1 k jk lalu mengalikannya dengan turunan fungsi aktivasi untuk menghitung informasi error. _ in j j f '( z in ) j selanjutnya menghitung koreksi bobot untuk mengubah v ij nanti v ij j x i dan menghitung koreksi biasnya v 0 j j Fase 3: Perubahan bobot. Langkah 8. Setiap unit output (Y k,k=1,...,m) mengubah bias dan bobotbobotnya (j=0,...,p) : w jk ( new ) w ( old ) w setiap unit tersembunyi (Z j,j=1,...,p) mengubah bias dan bobotbobotnya (i=1,...,n) : Langkah 9. Uji syarat henti : v ( new ) v ( old ) v ij 2 Jika besar total squared-error ( t k y k ) lebih kecil dari toleransi yang telah ditentukan atau jumlah epoh pelatihan sudah mencapai epoh maksimum, maka selesai; jika tidak maka kembali ke langkah 1. ij jk n k 1 Nilai toleransi ( ) yang digunakan adalah 0 1 ij jk

28

29

30 13 digunakan berbentuk jumlah j 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 errorr terhadap masing-masing komponen bobot dan bias 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 dilanjutkann 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 penggentiann 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, t r ), 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: e r = t r - y r, dimana : e r t r y r : kesalahan pada unit output : keluaran yang diinginkan (target) : keluaran aktual.

31 14 e adalah vektor kesalahan berukuran N x 1 yang tersusun dari e r, 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: e r (w) = (t r y r ) = (t r f (x r, w) Vektor kesalahan oleh vektor bobot dan bias koneksi w menjadi e(w) berukuran Nx1 yang tersusun dari e r (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.

32

33

34 17 R = 50 G = 65 B = 50 R = 40 G = 80 B = 30 R = 80 G = 60 B = 40 Grayscale = (0,2989*50+0,5870*65+0,1140*50) R = 40 G = 40 B = 55 R = 90 G = 90 B = 90 R = 80 G = 50 B = 50 R = 50 R = 40 R = 20 G = 80 G = 90 G = 20 B = 50 B = 80 B = 50 R = 70 R = 80 R = 10 G = 70 G = 90 G = 70 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 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 P 0,1 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.

35 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 =,,... (4) Energi =,... (5) Kontras =,... (6) Homogenitas =.... (7) dengan p(i 1, i 2 ) : pasangan matriks intensitas co-occurrence i 1 : menunjukkan baris i 2 : menunjukkan kolom 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

36

37 level 1 Perataan Pengurangan level 2 Perataan Pengurangan Perataan Pengurangan 30 2 level 3 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 (a) (b) (c) Gambar 12 Hasil dekomposisi pada citra 2 dimensi, citra asli (a), hasil dekomposisi arah baris (b), hasil dekomposisi arah kolom (c).

38

39 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.

40 23 BAB III METODE PENELITIAN 3.1. Tahapan Penelitian Tahapan proses penelitian ditunjukkan pada Gambar 15 berikut. Mulai 96 citra stomata Ekstraksi fitur - RGB & Skala Keabuan Ekstraksi fitur - Wavelet 9 fitur w-entropi k-fold cross validation k-fold cross validation Data Pelatihan Data Pengujian Data Pelatihan Data Pengujian Klasifikasi 1. K-NN 2. JST Analisis Akurasi Klasifikasi 1. K-NN 2. JST Perbandingan akurasi Selesai Gambar 15 Tahapan proses penelitian.

41 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 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 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.

42

43 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 LL 1 ) 2. Koefisien Detail Horisontal (subband HL 1 ) 3. Koefisien Detail Vertikal (subband LH 1 ) 4. Koefisien Detail Diagonal (subband HH 1 ) 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 LL 2 ) 2. Koefisien Detail Horisontal (subband HL 2 ) 3. Koefisien Detail Vertikal (subband LH 2 ) 4. Koefisien Detail Diagonal (subband HH 2 ) dan 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 seperti ditunjukkan pada Gambar 19.

44 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 LL 3 ) 2. Koefisien Detail Horisontal (subband HL 3 ) 3. Koefisien Detail Vertikal (subband LH 3 ) 4. Koefisien Detail Diagonal (subband HH 3 ) 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 LL 3 w-entropy LH 3 w-entopy LH 2 w-entropy HL 3 w-entropy HH 3 w-entopy HL 2 w-entopy HH 2 w-entropy HL 1 w-entropy LH 1 w-entropy HH 1 Gambar 20 Ilustrasi nilai w-entropy pada dekomposisi wavelet level tiga.

45 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 (LL 4, HL 4, LH 4, HH 4 ) hasil dekomposisi koefisien approksimasi pada level tiga, sembilan subband hasil koefisien detail horizontal, vertikal, dan diagonal pada level tiga (HL 3, LH 3, HH 3 ), level dua (HL 2, LH 2, HH 2 ), dan level satu (HL 1, LH 1, HH 1 ). Setiap subband akan diambil nilai w-entropy. Dekomposisi level empat menghasilkan 13 fitur w-entropy seperti ditunjukkan pada Gambar 21. w- entropy LL 4 w- entropy LH 4 w-entropy LH 3 w- entropy HL 4 w- entropy HH 4 w-entropy HL 3 w-entropy HH 3 w-entopy HL 2 w-entropy HL 1 w-entopy LH 2 w-entopy HH 2 w-entropy LH 1 w-entropy HH 1 Gambar 21 Ilustrasi nilai w-entropy pada dekomposisi wavelet level empat 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 Pengelompokan detail 6-fold cros-validation ditunjukkan pada Gambar 22.

46

47 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) Core TM 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.

48 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 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 B = 175 R = 210 G = 159 B = 181 Freycinetia javanica Freycinetia sumatrana R = 208 G = 129 B = 169 R = 209 G = 163 B = 191 Gambar 23 Contoh ekstraksi fitur pada citra warna anatomi stomata.

49 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 = 0,26 Kontras = 0,31 Homogen. = 0,86 Level = 0,56 Std = 34,76 Entropi = 6,49 Energi = 0,31 Kontras = 0,30 Homogen. = 0,87 Level = 0,62 Std = 28,85 Freycinetia javanica Freycinetia sumatrana Entropi = 6,69 Energi = 0,23 Kontras = 0,34 Homogen. = 0,85 Level = 0,55 Std = 29,21 Entropi = 6,85 Energi = 0,20 Kontras = 0,30 Homogen. = 0,86 Level = 0,65 Std = 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 ,88 0,26 0,31 0,86 0,56 34,76 F.imbricata ,49 0,31 0,30 0,87 0,62 28,85 F. javanica ,69 0,23 0,34 0,85 0,55 29,21 F. sumatrana ,85 0,20 0,30 0,86 0,65 31,38

50 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 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 F.imbricata F. javanica F. sumatrana 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.

51 Level 1 Level 2 Level 3 Level 4 LL1* ,7 LL2* ,3 LL3* 69628,4 LL4* 19080,7 HL ,5 HL ,9 HL ,9 HL4 5134,1 LH ,9 LH ,4 LH ,8 LH4 4201,9 HH ,8 HH ,1 HH ,4 HH4 3897,5

52 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, 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 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.

53 AKTUAL PREDIKSI Tanpa Transformasi PREDIKSI Dengan Transformasi Kelas 1 Kelas 2 Kelas 3 Kelas 4 Kelas 1 Kelas 2 Kelas 3 Kelas 4 Kelas Kelas Kelas Kelas

54 Aktual Prediksi Data ke Kelas/Jenis 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

55 AKTUAL PREDIKSI Kelas 1 Kelas 2 Kelas 3 Kelas 4 Kelas Kelas Kelas Kelas

56 AKTUAL PREDIKSI Kelas 1 Kelas 2 Kelas 3 Kelas 4 Kelas Kelas Kelas Kelas

57 AKTUAL PREDIKSI Kelas 1 Kelas 2 Kelas 3 Kelas 4 Kelas Kelas Kelas Kelas

58 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 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.

59 42 Tabel 10 Hasil percobaan fold 6 menggunakan K-NN (k=1 dan k=2) Aktual Prediksi (Analisis Tekstur) Prediksi (Wavelet) Kelas/Jenis Data ke- Kelas/Jenis Dekat pada Kelas/Jenis Dekat pada data ke- data ke- (1) F.angustifolia 21 (1) F.angustifolia 3 (1) F.angustifolia (2) F.imbricata 21 (2) F.imbricata 4 (2) F.imbricata (4) F.sumatrana *) (3) F.javanica 21 (3) F.javanica 12 (3) F.javanica (4) F.sumatrana 21 (4) F.sumatrana 6 (4) F.sumatrana *) salah klasifikasi Tabel 11 Rekapitulasi percobaan KNN (k = 1 dan k=2) JST (jumlah hidden neuron = 30) RGB dan analisis tekstur RGB dan analisis Wavelet (%) Wavelet (%) tekstur (%) tanpa transformasi (%) dengan transformasi (%) 86,46 94,79 Level 1 96,88 Level 1 99,0 Level 2 92,71 Level 2 95,8 94,79 Level 3 90,63 Level 3 92,7 Level 4 90,63 Level 4 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 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.

60 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 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.

61 44

62 45 DAFTAR PUSTAKA Ahmad U Pengolahan Citra Digital dan Teknik Pemrogramannya. Yogyakarta: Graha Ilmu. Brink M, Escobin RP Fibre Plants. Wageningen: Prosea. Callmander MW, Chassot P, Kupfer P, Lowry PP Recognition of Martellidendron a new genus of Pandanaceae, and its biogeographic implications. Taxon 52: Dahlgren RMT, Clifford HT, Yeo PF The Families of the Monocotyledons. Tokyo: Springer-Verlag. Damayanti F Analisis jumlah kromosom dan anatomi stomata pada beberapa plasma nutfah pisang (Musa sp.) asal Kalimantan Timur. Bioscientiae 2007;4: Duda RO, Hart PE Pattern Classification and Scene Analysis 2 nd edition. New York: John Wiley & Sons.Inc. Fausett L Fundamentals of Neural Networks (Architectures, Algorithms, and Applications). New Jersey : Prentice-Hall, Inc. Gasim Jaringan syaraf tiruan untuk p engenalan jenis kayu berbasis c itra [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor. Han J, Kamber M Data Mining: Concepts and Techniques. Morgan Kaufmann. Hanselman D, Littlefield B Mastering MATLAB 5, A Comprehensive Tutorial and Reference. Prentice-Hall Inc. Haralick RM, K Shanmugam, Itshak Dinstein Textural features for image classification. IEEE Transaction on System, Man and Cybernetics 3:6. Haryanto FF 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 Jaringan Syaraf Teori dan Aplikasi. Yogyakarta: ANDI Heyne K Tumbuhan Berguna Indonesia. Jakarta: Badan Penelitian dan Pengembangan Kehutanan, Departemen Kehutanan.

63 46 Kusumadewi S Membangun Jaringan Syaraf Tiruan. Yogyakarta: Graha Ilmu. McAndrew A An Introduction to Digital Image Processing with Matlab. Australia: Thomson. Nurjayanti B Identifikasi Shorea menggunakan k-nearest neighbour berdasarkan karakteristik morfologi daun [s kripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Pasaribu N Freycinetia (Pandaceae) of Sumatra [disertasi]. Bogor: Program Pascasarjana, Institut Pertanian Bogor. Puspitasari D 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 Pengolahan Citra Digital. Yogyakarta: Andi Offset. Santoso I, Yuli Christyono, Mita Indriani Kinerja Pengenalan Citra Teskstur Menggunakan Analisis Tekstur Metode Run Length. Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007) ; Yogyakarta, 16 Juni Stace CA Plant Taxonomy and Biosystematic. 2 nd ed. Australia: Cambridge University Press. Stone BC Malayan climbing pandans. The genus Freycinetia in Malaya. Malay Nat J23 : Wicaksana AC 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 Stomata. New York: Longman Inc. Wu SG et al A Leaf Recognition Algorithm for Plant Classification using Probabilistic Neural Network. China: Chinese Academy of Science.

64 47

65 48

66 49 Lampiran 1 Hasil ekstraksi fitur RGB dan analisis tekstur Data entropy std level kontras energy homoge R G B 1 6,92 34,26 0,56 0,30 0,23 0,86 211,78 131,61 172,88 2 6,83 30,70 0,55 0,28 0,22 0,86 208,74 126,35 168,98 3 6,88 34,76 0,56 0,31 0,26 0,86 213,28 134,81 175,46 4 7,02 36,65 0,55 0,32 0,21 0,85 209,60 131,86 172,96 5 6,66 28,21 0,56 0,25 0,26 0,88 213,76 129,30 171,03 6 6,55 24,71 0,57 0,25 0,25 0,88 210,12 124,99 167,66 7 6,60 27,93 0,56 0,27 0,28 0,88 215,37 130,28 172,25 8 6,85 31,98 0,56 0,28 0,24 0,87 210,78 131,12 172,16 9 7,39 44,72 0,53 0,35 0,12 0,83 202,26 119,12 160, ,38 43,44 0,55 0,36 0,12 0,83 199,73 120,12 161, ,41 45,84 0,54 0,38 0,12 0,83 202,22 120,00 161, ,48 49,42 0,53 0,40 0,11 0,82 198,93 121,98 163, ,44 46,80 0,52 0,35 0,12 0,84 204,42 116,34 158, ,32 42,02 0,56 0,35 0,13 0,83 206,47 125,18 167, ,44 47,20 0,54 0,36 0,12 0,83 204,61 121,86 163, ,45 47,96 0,54 0,40 0,11 0,81 203,90 123,23 165, ,84 31,68 0,55 0,28 0,23 0,87 212,25 125,18 164, ,91 33,12 0,50 0,27 0,20 0,87 208,35 111,22 151, ,60 26,79 0,58 0,26 0,28 0,88 217,32 131,28 171, ,87 31,71 0,55 0,29 0,21 0,86 212,94 123,87 163, ,83 31,61 0,58 0,27 0,26 0,87 215,46 134,96 172, ,66 27,38 0,58 0,26 0,26 0,87 215,35 132,04 171, ,73 30,10 0,59 0,26 0,30 0,88 217,42 137,97 175, ,92 35,00 0,56 0,30 0,24 0,86 212,94 132,32 170, ,49 28,85 0,62 0,30 0,31 0,87 210,05 159,47 181, ,51 29,49 0,62 0,31 0,30 0,86 209,43 159,08 181, ,09 40,75 0,58 0,42 0,17 0,83 206,61 147,20 166, ,02 39,07 0,59 0,40 0,19 0,83 207,03 149,24 169, ,97 37,37 0,59 0,39 0,20 0,84 208,12 148,79 169, ,91 36,31 0,60 0,37 0,20 0,84 208,71 150,82 171, ,68 31,77 0,61 0,34 0,28 0,86 206,53 155,26 177, ,67 29,99 0,62 0,31 0,27 0,86 208,34 156,43 178, ,63 30,55 0,62 0,33 0,27 0,86 207,02 157,85 179, ,69 32,23 0,61 0,35 0,24 0,85 207,22 158,62 179, ,56 29,66 0,63 0,34 0,26 0,85 208,87 161,79 182, ,90 37,22 0,60 0,39 0,20 0,84 206,69 154,96 174, ,87 36,37 0,60 0,36 0,21 0,84 206,02 153,42 174, ,85 36,01 0,60 0,35 0,22 0,85 206,91 153,48 174, ,84 35,37 0,60 0,34 0,23 0,85 206,80 153,50 174, ,74 29,99 0,62 0,35 0,25 0,85 210,58 148,41 173, ,68 29,17 0,62 0,33 0,28 0,86 211,79 149,37 173, ,69 28,94 0,63 0,35 0,25 0,84 210,40 151,97 177, ,86 36,95 0,59 0,40 0,21 0,83 208,07 152,12 173, ,89 36,12 0,59 0,36 0,22 0,84 207,55 148,18 171, ,97 38,22 0,58 0,40 0,20 0,83 207,15 148,61 171, ,86 37,92 0,68 0,33 0,27 0,85 214,48 184,13 206,66

67 50 Lampiran 2 Hasil ekstraksi fitur RGB dan analisis tekstur (transformasi) Data entropy std level kontras energy homoge R G B 1 0,37 0,41 0,33 0,34 0,62 0,55 0,43 0,28 0,37 2 0,28 0,27 0,29 0,28 0,54 0,58 0,36 0,20 0,30 3 0,33 0,43 0,31 0,37 0,72 0,58 0,47 0,32 0,41 4 0,46 0,50 0,29 0,41 0,52 0,46 0,38 0,28 0,37 5 0,11 0,18 0,35 0,19 0,76 0,73 0,48 0,24 0,34 6 0,00 0,04 0,37 0,18 0,68 0,70 0,39 0,19 0,28 7 0,05 0,16 0,33 0,24 0,85 0,73 0,51 0,26 0,36 8 0,30 0,32 0,35 0,29 0,65 0,60 0,41 0,27 0,36 9 0,83 0,82 0,18 0,55 0,09 0,21 0,21 0,11 0, ,82 0,77 0,24 0,56 0,06 0,20 0,16 0,12 0, ,86 0,86 0,20 0,64 0,06 0,17 0,21 0,12 0, ,93 1,00 0,16 0,71 0,00 0,03 0,14 0,15 0, ,88 0,90 0,12 0,52 0,08 0,26 0,26 0,07 0, ,76 0,71 0,33 0,53 0,12 0,23 0,31 0,19 0, ,88 0,91 0,22 0,58 0,05 0,22 0,27 0,14 0, ,89 0,94 0,20 0,73 0,01 0,01 0,25 0,16 0, ,29 0,31 0,27 0,29 0,59 0,60 0,44 0,19 0, ,36 0,37 0,00 0,26 0,45 0,60 0,35 0,00 0, ,05 0,12 0,43 0,21 0,84 0,75 0,56 0,27 0, ,32 0,31 0,29 0,32 0,52 0,54 0,46 0,17 0, ,27 0,31 0,43 0,23 0,75 0,69 0,52 0,32 0, ,11 0,14 0,45 0,21 0,76 0,68 0,51 0,28 0, ,17 0,25 0,49 0,22 0,92 0,77 0,56 0,36 0, ,36 0,44 0,31 0,35 0,66 0,52 0,46 0,29 0, ,06 0,20 0,65 0,33 0,97 0,61 0,39 0,65 0, ,05 0,23 0,63 0,37 0,95 0,55 0,38 0,65 0, ,54 0,66 0,43 0,79 0,32 0,17 0,31 0,49 0, ,47 0,60 0,47 0,70 0,40 0,23 0,32 0,51 0, ,42 0,53 0,49 0,68 0,46 0,26 0,35 0,51 0, ,35 0,49 0,53 0,62 0,46 0,28 0,36 0,54 0, ,12 0,31 0,57 0,49 0,82 0,48 0,31 0,60 0, ,11 0,25 0,65 0,39 0,81 0,57 0,35 0,61 0, ,07 0,27 0,63 0,45 0,81 0,49 0,32 0,63 0, ,14 0,33 0,59 0,54 0,66 0,39 0,33 0,64 0, ,00 0,23 0,69 0,48 0,73 0,44 0,37 0,68 0, ,34 0,53 0,53 0,68 0,44 0,25 0,32 0,59 0, ,31 0,49 0,51 0,57 0,51 0,34 0,30 0,57 0, ,30 0,48 0,53 0,54 0,56 0,40 0,32 0,57 0, ,29 0,45 0,51 0,51 0,61 0,41 0,32 0,57 0, ,19 0,25 0,61 0,54 0,72 0,37 0,40 0,50 0, ,12 0,21 0,61 0,45 0,86 0,49 0,43 0,52 0, ,14 0,20 0,69 0,54 0,71 0,35 0,40 0,55 0, ,30 0,52 0,47 0,71 0,52 0,24 0,35 0,55 0, ,34 0,48 0,49 0,58 0,56 0,34 0,33 0,50 0, ,41 0,56 0,45 0,70 0,45 0,23 0,33 0,51 0, ,31 0,55 0,96 0,47 0,78 0,46 0,49 0,99 0,95

68 51 Lampiran 3 Hasil ekstraksi fitur (w-entropy) dekomposisi wavelet level 1 Data LowLow_1 HighLow_1 LowHigh_1 HighHigh_

69 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_

70 53 Lampiran 5 Hasil olah data RGB dan analisis tekstur dengan JST Fold 1 (10 hidden neuron) Hasil JST (Data Uji) Nilai Max (Kelas 1 4) Prediksi (kelas) Aktual (kelas) Akurasi Kelas 1 Kelas 2 Kelas 3 Kelas 4 1,00 0,00 0,00 0,00 1, ,01 0,00-0,01 0,00 1, ,99 0,00 0,01 0,00 0, ,00-0,01 0,00 0,00 1, ,00 1,00 0,00 0,00 1, ,00 1,02 0,00-0,02 1, ,00 1,00 0,00 0,00 1, ,00 1,00 0,00 0,00 1, ,12-1,30 6,13 1,29 6, ,10-0,11 7,12 0,10 7, ,58-0,23 5,58 0,23 5, ,67 0,00 1,67 0,00 1, ,01-0,29-0,01 1,29 1, ,00-1,19 0,00 2,19 2, ,01 0,32-0,01 0,68 0, ,01 0,34 0,00 0,66 0, Total Akurasi 100% Fold 2 (10 hidden neuron) Hasil JST (Data Uji) Nilai Max (Kelas 1 4) Prediksi (kelas) Aktual (kelas) Akurasi Kelas 1 Kelas 2 Kelas 3 Kelas 4 1,04 0,00-0,04 0,00 1, ,11 0,00 0,89 0,00 0, ,03 0,00-0,03 0,00 1, ,00 0,00 0,00 0,00 1, ,00 1,00 0,00 0,00 1, ,00 1,00 0,00 0,00 1, ,00 1,00 0,00 0,00 1, ,00 1,00 0,00 0,00 1, ,11-0,02 0,89 0,02 0, ,06-0,31 1,06 0,31 1, ,00 0,00 1,00 0,00 1, ,00 0,00 1,00 0,00 1, ,00-0,48 0,00 1,48 1, ,00-1,41 0,00 2,41 2, ,00-1,47 0,00 2,47 2, ,01-0,09 0,00 1,08 1, Total Akurasi 94%

71 54 Lampiran 6 Rekapitulasi kesalahan klasifikasi dengan K-NN Fitur RGB dan analisis tekstur (tanpa transformasi) Aktual Prediksi Kelas/Jenis Data ke- 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 Prediksi Kelas/Jenis Data ke- 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 Prediksi Kelas/Jenis Data ke- Kelas/Jenis (3) F.javanica 2, 3 (4) F.sumatrana 7 (2) F.imbricata Fitur Dekomposisi wavelet level 2 Aktual Prediksi Kelas/Jenis Data ke- Kelas/Jenis (1) F.angustifolia 1 (4) F.sumatrana (2) F.imbricata 23, 24 (3) F.javanica 2 (2) F.imbricata (4) F.sumatrana Fitur Dekomposisi wavelet level 3 dan level 4 Aktual Prediksi Kelas/Jenis Data ke- Kelas/Jenis (1) F.angustifolia 1 (4) F.sumatrana (2) F.imbricata 12, 23, 24 (3) F.javanica 2 (2) F.imbricata (4) F.sumatrana 7, 9, 17, 21

72 55 Lampiran 7 Rekapitulasi kesalahan klasifikasi dengan JST Fitur RGB dan analisis tekstur Aktual Prediksi Kelas/Jenis Data ke- Kelas/Jenis (1) F.angustifolia 6, 19, 23 (3) F.javanica (2) F.imbricata 23, 24 (4) F.sumatrana Fitur Dekomposisi wavelet level 1 Aktual Prediksi Kelas/Jenis Data ke- Kelas/Jenis (2) F.imbricata 21 (4) F.sumatrana (4) F.sumatrana 17 (2) F.imbricata Fitur Dekomposisi wavelet level 2 Aktual Prediksi Kelas/Jenis Data ke- Kelas/Jenis (2) F.imbricata 23, 24 (4) F.sumatrana (3) F.javanica 6 (1) F.angustifolia (4) F.sumatrana 22 (2) F.imbricata Fitur Dekomposisi wavelet level 3 Aktual Prediksi Kelas/Jenis Data ke- Kelas/Jenis (1) F.angustifolia 21 (3) F.javanica (2) F.imbricata 23, 24 (4) F.sumatrana (3) F.javanica 2 (1) F.angustifolia (4) F.sumatrana 4, 8, 17 (2) F.imbricata Fitur Dekomposisi wavelet level 4 Aktual Prediksi Kelas/Jenis Data ke- Kelas/Jenis (2) F.imbricata 12 (4) F.sumatrana 23 (3) F.javanica 24 (4) F.sumatrana (4) F.sumatrana 7, 21 (1) F.angustifolia 8, 13, 17 (2) F.imbricata

73