IDENTIFIKASI VARIETAS DURIAN BERDASARKAN TEKSTUR DAUN MENGGUNAKAN K-NEAREST NEIGHBOR DENGAN CIRI STATISTICAL TEXTURES ROSITA TRI INDRATI

Transkripsi

1 IDENTIFIKASI VARIETAS DURIAN BERDASARKAN TEKSTUR DAUN MENGGUNAKAN K-NEAREST NEIGHBOR DENGAN CIRI STATISTICAL TEXTURES ROSITA TRI INDRATI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2016

2

3 PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Varietas Durian Berdasarkan Tekstur Daun Menggunakan K-Nearest Neighbor dengan ciri Statistical Textures adalah benar karya saya dengan arahan dari komisi pembimbing 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 skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Maret 2016 Rosita Tri Indrati NIM G

4

5

6

7 PERNYATAAN MENGENAI DISERTASI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Varietas Durian Berdasarkan Tekstur Daun Menggunakan K-Nearest Neighbor dengan ciri Statistical Textures adalah benar karya saya dengan arahan dari komisi pembimbing 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 skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Maret 2016 Rosita Tri Indrati NIM G

8 ABSTRAK ROSITA TRI INDRATI. Identifikasi Varietas Durian Berdasarkan Tekstur Daun Menggunakan K-Nearest Neighbor dengan Ciri Statistical Textures. Dibimbing oleh Aziz Kustiyo. Durian (Durio zibethinus Murray) adalah salah satu komoditas yang memiliki nilai ekonomi yang tinggi di Indonesia. Nilai ekonomi durian dipengaruhi oleh keunggulan yang dimiliki setiap varietasnya. Oleh sebab itu identifikasi tanaman durian merupakan hal yang sangat penting. Pada penelitian ini, identifikasi dilakukan berdasarkan citra daun dari empat varietas durian. Metode klasifikasi yang digunakan adalah K-Nearest Neighbor dengan ekstraksi ciri statistical textures. Penelitian ini menghasilkan akurasi tertinggi sebesar 67,5% menggunakan 6 ciri statistical textures. Pada penelitian ini paling sulit teridentifikasi varietas Sukun. Varietas Sukun mempunyai kemiripan ke varietas Bakul dan Matahari. Kata Kunci: daun, Statistical textures, durian, identifikasi, K-Nearest Neighbor. ABSTRACT ROSITA TRI INDRATI. Durian Plant Identification Using K-Nearest Neighbor and Statistical Textures. Supervised by Aziz Kustiyo. Durian (Durio zibethinus Murray) is one of the valuable fruit in Indonesia. It economic value is depends on the superiority of each varieties. Therefore it is important to identify the variety of durian s plant. In this research, the identification of was performed by K-Nearest Neighbor classification and statistical textures extraction based its leaf image. The highest accuracy of this research was 67.5% using four durian s varieties and was of 6 statistical textures feature. The most difficult identify in this reseach was Sukun varieties. Sukun varieties has similarities with Bakul and Matahari. keyword : leaf, Statistical textures, durian, identification, K-Nearest Neighbor.

9 IDENTIFIKASI VARIETAS DURIAN BERDASARKAN TEKSTUR DAUN MENGGUNAKAN K-NEAREST NEIGHBOR DENGAN CIRI STATISTICAL TEXTURES ROSITA TRI INDRATI Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2016

10 Penguji: 1 Toto Haryanto, S.Kom, M.Si 2 Dr. Wisnu Ananta Kusuma, ST MT

11 Judul Skripsi : Identifikasi Varietas Durian Berdasarkan Tekstur Daun Menggunakan K-Nearest Neighbor dengan Ciri Statistical Textures Nama : Rosita Tri Indrati NIM : G Disetujui oleh Aziz Kustiyo, SSi MKom Pembimbing Diketahui oleh Dr Ir Agus Buono, MSi MKom Ketua Departemen Tanggal Lulus :

12 PRAKATA Segala puji dan syukur penulis panjatkan kepada Allah Subhanahu Wa Ta ala atas segala karunia-nya sehingga penulis dapat menyelesaikan tugas akhir yang berjudul Identifikasi Varietas Durian Berdasarkan Tekstur Daun Menggunakan K-Nearest Neighbor dengan Ciri Statistical Textures. Terima kasih penulis ucapkan kepada: 1 Kedua orang tua serta seluruh keluarga yang telah memberikan dukungan, perhatian dan doa sehingga penulis dapat menyelesaikan karya ilmiah ini. 2 Bapak Aziz Kustiyo, SSi MKom selaku pembimbing yang telah banyak memberikan pengarahan, saran dan bimbingannya. 3 Bapak Dr. Wisnu Ananta Kusuma, ST MT dan Bapak Toto Haryanto, SKom MSi selaku penguji atas saran dan pengarahannya. 4 Teman-teman satu bimbingan Nicky Astriyanti, Ineke Kusumawati, Nurchoiriyati, Puguh dan Arif Mujahidin terima kasih atas bantuan dan kerjasamanya. 5 Teman-teman alih jenis ILKOM angkatan 7 terima kasih atas dukungan dan kebersamaannya. 6 Jajaran Staf dan Dosen Pengajar Ilmu Komputer atas segala bantuannya. 7 Semua pihak yang telah memberikan bantuan selama peneliian yang tidak bisa penulis sebutkan satu persatu. Semoga karya ilmiah ini bermanfaat. Bogor, Maret 2016 Rosita Tri Indrati

13 DAFTAR ISI DAFTAR TABEL vi DAFTAR GAMBAR vi DAFTAR LAMPIRAN vi PENDAHULUAN 1 Latar Belakang 1 Perumusan Masalah 1 Tujuan Penelitian 2 Manfaat Penelitian 2 Ruang Lingkup Penelitian 2 Lingkungan Pengembangan 2 METODE 2 Studi Pustaka 2 Pengumpulan Data 3 Praproses 3 Ekstraksi Tekstur 4 Pembagian Data Latih dan Data Uji 6 Klasifikasi K-NN 7 Evaluasi 7 HASIL DAN PEMBAHASAN 7 Ekstraksi Ciri Tekstur 7 Percobaan 1: Klasifikasi dengan semua ciri 10 Percobaan 2: Klasifikasi dengan pemilihan ciri 10 Analisis Kesalahan 12 SIMPULAN DAN SARAN 13 Simpulan 13 Saran 14 DAFTAR PUSTAKA 14 LAMPIRAN 15 RIWAYAT HIDUP 15

14 DAFTAR TABEL 1 Bentuk k-fold cross validation 6 2 Confusion matrix seluruh fold percobaan 1 untuk k = Confusion matrix seluruh fold percobaan 2 untuk k = Confusion matrix k = Confusion matrix k = Confusion matrix k = Confusion matrix k = Confusion matrix k = Confusion matrix k = Confusion matrix k = Confusion matrix k = Confusion matrix k = Confusion matrix k = DAFTAR GAMBAR 1 Tahapan Metode Penelitian 3 2 Ilustrasi praproses (a) Citra daun durian asli, (b) Citra daun hasil grayscale 4 3 Grafik akurasi percobaan Grafik akurasi percobaan Grafik perbandingan percobaan 1 dan percobaan Pola box plot dari perhitungan masing-masing varietas (a)minimum (b)maksimum (c)rentang (d)mean (e)median (f)standar deviasi (g) Q1 (h) Q3 (i) Interval quartile range (j) skewness (k) kurtosis 13 DAFTAR LAMPIRAN 1 Contoh citra daun asli dari setiap varietas durian Confusion matrix percobaan 1 k = 1, 5, 7, 9 dan Confusion matrix percobaan 2 k = 1, 5, 7, 9 dan 11 16

15 PENDAHULUAN Latar Belakang Durian atau disebut Durio Zibethinus sering mendapat julukan sebagai The King of the Fruite atau rajanya buah. Hal ini dikarenakan buah durian memiliki rasa yang nikmat dan aroma yang tajam. Banyaknya peminat dari buah durian menjadikan komoditas durian sangat potensial untuk dikembangkan. Keunggulan yang dimiliki oleh durian tersebut memiliki nilai ekonomi yang tinggi. Durian memiliki banyak jenis, namun tidak semua jenis durian merupakan varietas yang unggul. Identifikasi tumbuhan adalah untuk mengenali suatu tumbuhan dari pencarian kemiripan dari fitur (ciri) yang dimiliki tumbuhan lainnya (Salasa et al. 2013). Identifikasi varietas tersebut akan sangat membantu petani dalam memperoleh bibit yang sangat unggul dan tepat, dan akan sangat menunjang pengelolaan dalam pembibitan selanjutnya. Beberapa varietas durian memiliki kemiripan satu sama lain. Kemiripan tersebut antara lain terjadi pada morfologi daun. Penelitian yang terkait dengan identifikasi durian berdasarkan morfologi dilakukan oleh Syahrudin (2012) dengan menggunakan daun sebagai objek penelitian. Bagian daun dipilih karena mudah didapatkan serta tidak berpengaruh oleh musim dan lingkungan sekitar. Maka dari itu pada penelitian ini menggunakan morfologi dengan menggunakan daun sebagai ciri identifikasi. Pertiwi (2014) pernah melakukan penelitian identifikasi varietas durian menggunakan ekstraksi fitur daun bagian atas untuk 9 varietas durian. Penelitian tersebut menggunakan metode ekstraksi tekstur Gray Level Co-occurence Matrix (GLCM) dan metode klasifikasi Probabilistic Neural Network (PNN) mendapatkan akurasi sebesar % menggunakan citra daun utuh dan % menggunakan citra daun yang dilakukan proses cropping. Pada penelitian ini akan dilakukan identifikasi varietas durian berbasis citra daun menggunakan K-Nearest Neighbor (K-NN) dan ciri statistical textures seperti yang dilakukan oleh Hayyi(2013). Penelitian tersebut mengidentifikasi 10 jenis daun shorea dengan menggunakan enam parameter yang diperoleh dari ekstraksi ciri statictical textures memperoleh akurasi tertinggi sebesar 90%. Pengklasifikasi yang akan digunakan dalam penelitian ini adalah K-Nearest Neighbor. Penelitian menggunakan K-NN telah dilakukan untuk identifikasi Shorea berdasarkan karakteristik morfologi daun sebagai bahan identifikasi memperoleh akurasi sebesar 100% (Nurjayanti 2011). Dalam penelitian tersebut K-NN merupakan teknik yang mampu mengelompokkan data uji ke dalam kelas label dengan mencari data latih yang relatif sama dengan data uji (Han et al. 2011). Perumusan Masalah Perumusan masalah pada penelitian ini adalah bagaimana menerapkan metode ekstraksi tekstur menggunakan perhitungan nilai statistical textures dan K-NN sebagai klasifikasi untuk pengenalan varietas durian berasarkan citra daun durian.

16 2 Tujuan Penelitian Tujuan penelitian ini adalah mengimplementasikan identifikasi varietas durian dengan menggunakan parameter ciri statistik menggunakan klasifikasi K- NN. Manfaat Penelitian Manfaat dari penelitian ini ialah untuk memudahkan petani dalam mengidentifikasi varietas durian yang berdasarkan citra daun Ruang Lingkup Penelitian Ruang lingkup pada penelitian ini antara lain: 1 Citra yang digunakan adalah citra hasil akuisisi menggunakan citra mikroskop digital daun durian bagian bawah. 2 Varietas durian yang digunakan dalam penelitian ini adalah Bakul, Matahari, Sukun dan Kendil. 3 Ektraksi tekstur menggunakan hitungan nilai statistik. 4 Penelitian dilakukan untuk mengidentifikasi varietas durian. Lingkungan Pengembangan Pada penelitian ini menggunakan spesifikasi perangkat keras dan perangkat lunak sebagai berikut: Perangkat keras: 1 Processor Intel Core i5 CPU 2.50 GHz. 2 Memori 4 GB 3 Hard disk 500 GB Perangkat lunak: 1 Sistem operasi Microsoft Windows 7 Ultimate 64 bit. 2 Matlab (R2010b) METODE Penelitian ini dilakukan dengan melalui beberapa tahapan proses. Tahapantahapan yang dilakukan dapat dilihat pada Gambar 1. Studi Pustaka Pada tahap studi literatur hal yang dilakukan adalah mengumpulkan dan mempelajari pustaka atau bacaan yang berkaitan dengan penelitian serta mengkaji metode-metode yang dapat diterapkan pada penelitian. Teori dan penerapan metode K-NN, serta yang menyangkut pemrosesan citra daun. Sumber pustaka pada tahap ini adalah buku, paper penelitian, dan skripsi.

17 3 Mulai Studi Pustaka Pengumpulan data (Citra Daun) Praproses Ekstraksi ciri (Statistik) Penentuan Data Latih dan Data Uji Data Latih Data uji Klasifikasi dengan K-NN Evaluasi Selesai Gambar 1 Tahapan Metode Penelitian. Pengumpulan Data Data yang digunakan pada penelitian ini berasal dari Warso Durian Farm, yang terletak di Desa Cihideung Kabupaten Bogor. Citra daun yang digunakan sebanyak 40 citra dengan masing-masing varietas sebanyak 10 citra dalam format BMP. Ukuran citra daun terbesar yang digunakan dalam penelitian ini adalah 640 x 480 piksel. Usia daun yang digunakan pada penelitian ini tidak diketahui. Varietas durian yang digunakan dalam penelitian ini adalah durian bakul, matahari, sukun dan kendil. Praproses Tahap praproses citra dilakukan untuk mempersiapkan citra yang digunakan sebelum masuk ke dalam tahap ekstraksi. Citra daun merupakan citra RGB, sebelum dilakukan ekstraksi ciri terlebih dahulu citra diubah menjadi citra

18 4 grayscale. Grayscale digunakan untuk menyederhanakan model citra. Fungsi format ini adalah untuk memudahkan proses selanjutnya karena menggunakan RGB, nilai yang dihasilkan akan beragam (Yanti 2012). Gambar 2 menunjukan ilustrasi proses praposes. Lampiran 1 menunjukan beberapa citra daun asli dari setiap varietas durian. (a) (b) Gambar 2 Ilustrasi praproses (a) Citra daun durian asli, (b) Citra daun hasil grayscale Ekstraksi Tekstur Ekstraksi ciri tekstur akan dilakukan dengan menggunakan metode statistical textures. Metode ini akan menghasilkan 11 nilai ekstraksi tekstur. Dibawah ini merupakan penjelasan dari masing-masing ekstraksi yang akan diperoleh (Walpole 1995): 1 Perhitungan nilai minimum, disini mencari nilai gray level terendah dari citra yang telah di praproses grayscale. 2 Perhitungan nilai maksimum, disini mencari nilai gray level tertinggi dari citra yang telah di praproses grayscale. 3 Perhitungan rentang (range) diperoleh dari selisih atara nilai maksimum dengan minimum. 4 Perhitungan rata-rata(mean) dapat dihitung sebagai berikut: x = x n = x 1 + x x n n Dengan : : rata-rata hitung (mean) : Jumlah semua nilai gray level setiap citra : nilai data setiap gray level : banyaknya data dari semua gray level 5 Perhitungan median adalah menentukan letak data setelah data itu disusun menurut urutan lainnya. Untuk mencari nilai median : Median = nilai yang ke 1 (n + 1) 2 Dengan: n : banyaknya data dari semua gray level 6 Perhitungan standar deviasi. Standar deviasi atau bisa juga simpangan baku digunakan untuk mengetahui keragaman suatu data-data dari hasil pengamatan. Jika nilai standar deviasi yang didapat besar maka data-data memiliki keberagaman atau berbeda-beda (heterogen). Sementara jika hasil perhitungan didapat nilai standar deviasi rendah maka data-data memiliki

19 5 kesamaan atau nilainya tidak jauh berbeda (homogen). Rumus dari standar deviasi adalah sebagai berikut : s = Dengan : : Standar deviasi : nilai data gray level ke-i : rata-rata hitung (mean) (x i x ) 2 n 1 n : banyaknya data dari semua gray level 7 Perhitungan kuartil 25% (Q1). Jika sekumpulan data dibagi 4 bagian yang sama banyak, sesudah disusun menurut urutan nilainya, maka bilangan pembaginya disebut kuartil. kuartil dapat dihitung dengan rumus : Untuk n ganjil Untuk n genap Letak Q i = i ( n ) Letak Q 1 = X (n+2)/4 Dengan : : kuartil ke-i : banyaknya data dari semua gray level : wakil data perolehan 8 Perhitungan kuartil 75%(Q3) dapat dihitung dengan rumus: Untuk n ganjil Untuk n genap Letak Q i = i ( n ) Letak Q 3 = X (3n+2)/4 Dengan : : kuartil ke-i : banyaknya data dari semua gray level : wakil data perolehan 9 Perhitungan interval quartile range. Nilai tersebut diperoleh dengan cara : IQR = Q3 Q1 Dengan : 1 : kuartil ke-1 3 : kuartil ke-3 10 Perhitungan skewness merupakan pengukuran dari kecondongan histogram. Rumus skewness adalah sebagai berikut: = Dengan : : rata-rata hitung (mean) : Modus : banyaknya data dari semua gray level

20 6 : derajat kecondongan histogram citra Bila : = 0, maka distribusi gray level setiap citra simetri < 0, maka distribusi gray level setiap citra miring ke kiri (negative) = 0, maka distribusi gray level setiap citra miring ke kanan (positif) 11 Perhitungan kurtosis menggambarkan keruncingan atau kerataan suatu distribusi data dibandingkan dengan distribusi normal. Terdapat 3 tingkat atau jenis kurtosis, yaitu : leptokurtis, mesokurtis, dan platikustis. Rumus kurtosis adalah sebagai berikut 1 α4 = n (x x ) 4 s Dengan : 4 : koefisien kurtosis : banyaknya data dari semua gray level : nilai data setiap gray level : rata-rata hitung (mean) : standar deviasi Pembagian Data Latih dan Data Uji Pada tahap ini data citra dibagi menjadi dua bagian, yaitu data uji dan data latih. Data latih digunakan untuk melakukan pelatihan statistic textures, sedangkan data uji digunakan untuk pengujian K-NN. Data citra yang digunakan adalah 40 citra mikroskop digital dengan satu varietas durian diwakili oleh 10 citra. Tabel 1 menampilkan ilustrasi pembagian data dengan k-fold cross validation. Tabel 1 Bentuk k-fold cross validation Fold Citra Daun setiap varietas Keterangan : = data uji = data latih

21 7 Klasifikasi K-NN Klasifikasi berguna untuk menentukan kelas dari data uji berdasarkan data latih. Metode klasifikasi pada penelitian ini adalah K-NN, dengan nilai K = 1, 3, 5 dan 7. Langkah-langkah klasifikasi K-NN (Saharkiz 2009): 1 Pilih parameter K tetangga terdekat. 2 Hitung jarak data uji dengan semua data latih. Rumus jarak yang biasa digunakan adalah jarak Euclidean. ( ) = ( ) 2 Dengan : d : jarak data uji dan data latih : fitur ke-i dari data uji, dengan i=1,2,,n : fitur ke-i dari data latih, dengan i=1,2,,n n : banyaknya fitur data uji dan data latih yang digunakan 3 Urutkan jarak tersebut dan tetapkan tetangga terdekat berdasarkan jarak ke- K. 4 Periksa kelas dari tetangga terdekat. 5 Tentukan kelas untuk data uji dari mayoritas kelas tetangga terdekat. Evaluasi Kinerja K-NN akan ditentukan dan dibandingkan melalui besaran akurasi yang berhasil dicapai. Satuan akurasi dinyatakan dalam persen (%), akurasi dapat dihitung dengan persamaan berikut: 1 = 1 HASIL DAN PEMBAHASAN Ekstraksi Ciri Tekstur Ekstraksi ciri tekstur dilakukan dengan metode statistical textures yang menghasilkan sebelas nilai ekstraksi tekstur yaitu minimum, maksimum, rentang, rata-rata, median, standar deviasi, kuartil pertama (25%), kuartil ketiga (75%), interval quartile range, skewness, dan kurtosis. Lalu dibuat suatu matriks yang berisi kumpulan data yang telah ditentukan label atau kelasnya untuk mengarahkan ke ciri-ciri statisik. Ukuran matriks tersebut adalah 40x11. Tabel 2 menampilkan contoh hasil nilai perhitungan statistik setiap varietas citra.

22 8 Tabel 2 Contoh Hasil Nilai Perhitungan Statistik Kelas Nilai Ciri Statistik Bakul Matahari Sukun Kendil Dengan : (1)Minimum (2)Maksimum (3)Rentang (4)Rata-Rata (5)Median (6)Standar Deviasi (7)Q1 (8)Q3 (9)Interval Quartile Range (10)Skewness (11)Kurtosis Berdasarkan ektraksi ciri tekstur tersebut dilakukan untuk semua citra, dibuat box plot untuk masing-masing ciri tekstur statistik. Hal ini dilakukan untuk mengetahui penyebaran data dari ciri tekstur statistic tersebut. Gambar 3 akan memperlihatkan box plot dari setiap ciri statistik. (a) (b) (c) (d) (e) (f)

23 9 (g) (h) (i) (j) (k) Gambar 3 Pola box plot dari perhitungan masing-masing varietas (a)minimum (b)maksimum (c)rentang (d)mean (e)median (f)standar deviasi (g) Q1 (h) Q3 (i) Interval quartile range (j) skewness (k) kurtosis Penelitian ini terdiri atas 2 percobaan. Percobaan pertama dilakukan dengan memakai semua ciri statistik untuk pengujian K-NN, sedangkan percobaan kedua memilih hanya enam ciri statistic. Ciri yang terpilih dilihat dari nilai penyebaran data yang berbeda atau nilainya tidak saling berdekatan antara varietas satu dengan lainnya yang ada pada box plot Gambar 3. Keenam ciri statistik tersebut antara lain minimum, standar deviasi, kuartil 1, interval quartile range, skewness dan kurtosis.

24 10 Percobaan 1: Klasifikasi dengan semua ciri Percobaan pertama dilakukan dengan menggunakan semua ciri. Gambar 4 merupakan grafik rata-rata akurasi dari percobaan 1 untuk k = 1, 3, 5, 7, 9 dan Akurasi (%) ,5 62, ,5 57,5 57, nilai k Gambar 4 Grafik akurasi percobaan 1 Berdasarkan Gambar 4, nilai k yang menghasilkan rata-rata akurasi terbesar yaitu k = 3 dengan akurasi sebesar 62.5%, sedangkan akurasi terkecil yaitu 55% pada k = 5. Untuk mengetahui data mana saja yang salah diklasifikasi pada akurasi, berikut ini merupakan confusion matrix dari hasil klasifikasi percobaan 1 menggunakan k =3. Confusion matrix untuk nilai k yang lain dapat dilihat pada Lampiran 2. Tabel 3 Confusion matrix seluruh fold percobaan 1 untuk k = 3 Kelas Kelas hasil prediksi Asal Bakul Matahari Sukun Kendil Bakul Matahari Sukun Kendil 3 7 Berdasarkan Tabel 2 dapat disimpulkan bahwa banyak citra yang ada sangat mirip satu sama lain. Dari tabel tersebut diketahui varitas yang tepat diklasifikasi hanya 25 dari yang seharusnya tepat 40. Varietas yang paling banyak di prediksi adalah Bakul dan Kendil. Pada Bakul mempunyai kemiripan mengarah ke Sukun dan Kendil sedangkan pada Kendil mempunyai kemiripan mengarah ke Bakul. Varietas yang paling tidak tepat di prediksi yaitu varietas Sukun yang lebih mengarah ke Matahari dan Bakul. Percobaan 2: Klasifikasi dengan pemilihan ciri Percobaan pertama dilakukan dengan menggunakan beberapa ciri. Ciri yang terpilih diliat nilai penyebaran nilai ekstraksi citra pada box plot Gambar 3. Ciriciri yang terpilih yaitu minimum, standar deviasi, kuartil 1, interval quartile range, skewness dan kurtosis. Gambar 5 merupakan grafik rata-rata akurasi dari percobaan 1 untuk k = 1, 3, 5, 7, 9 dan 11

25 11 Akurasi (%) , nilai k Gambar 5 Grafik akurasi percobaan 2 Berdasarkan Gambar 5, nilai k yang menghasilkan rata-rata akurasi terbesar yaitu k = 3 dengan akurasi sebesar 67.5%, sedangkan akurasi terkecil yaitu 55% dengan k = 1. Untuk mengetahui data mana saja yang salah diklasifikasi pada akurasi tertinggi. Tabel 4 merupakan confusion matrix dari hasil klasifikasi percobaan 2 menggunakan k =3. Confusion matrix untuk nilai k yang lain dapat dilihat pada Lampiran 3. Tabel 4 Confusion matrix seluruh fold percobaan 2 untuk k = 3 Kelas Kelas hasil prediksi Bakul Matahari Sukun Kendil Bakul 8 2 Matahari Sukun Kendil 2 8 Berdasarkan Tabel 4 dapat disimpulkan bahwa banyak citra yang ada sangat mirip satu sama lain. Dari tabel tersebut diketahui varitas yang tepat diklasifikasi hanya 27 dari yang seharusnya tepat 40. Varietas yang paling tepat di prediksi yaitu Bakul dan mempunyai kemiripan pada Kendil. Varietas yang paling tidak tepat yaitu varietas Sukun yang mempunyai kemiripan ke Bakul dan Matahari. Bisa dilihat dari box plot sebelumnya data citra memang penyebarannya sangat mirip. Gambar 6 merupakan grafik kedua percobaan di atas dilihat dari rata-rata akurasi pada percobaan 1 dan percobaan 2.

26 12 Akurasi (%) ,5 62, ,5 58, ,560 57, Nilai k Percobaan 1 Percobaan 2 Gambar 6 Grafik perbandingan percobaan 1 dan percobaan 2 Dapat dilihat pada Gambar 6 perbandingan akurasi antara percobaan 1 dengan percobaan tidak terlalu jauh. Dilihat dari k pada percobaan 1 tiap k mengalami naik pada k = 3 dan kemudian mulai turun hingga k=11. Sama seperti percobaan 1 akurasi pada tiap k mengalami kenaikan pada k =3 lalu turun hingga k =11. Dapat dilihat akurasi tertinggi dari percobaan 1 dan percobaan 2 terdapat di k = 3. Analisis Kesalahan Pada confusion matrix (Tabel 3) dan (Tabel 4) banyak varietas durian mengalami salah identifikasi sebagai varietas durian lainnya. Kedua percobaan tersebut memiliki akurasi kurang baik yaitu sekitar 60%. Kedua percobaan tersebut diketahui bahwa varietas Bakul yang paling banyak prediksi benar dan mempunyai kemiripan mengarah ke Kendil begitu sebaliknya. Pada kedua percobaan tersebut dapat diketahui bahwa sukun mempunyai kemiripan ke Bakul dan Matahari. Kemiripan tersebut bisa dilihat dari pola boxplot. Gambar 7 menunjukan fiur-fitur boxplot yang termasuk ke dalam masing-masing pola. (a) (b)

27 13 (c) (d) (e) Gambar 7 Pola box plot dari perhitungan masing-masing varietas (a)minimum (b)standar deviasi (c) Q1(d) skewness (e) kurtosis Dapat dilihat pada Gambar 7 penyebaran nilai antara kelas satu dan lainnya hampir mirip. Pada pola kelas Bakul dengan kelas Kendil nilainya hampir sejajar dan nilai tersebut dilihat dari Tabel (2) dan Tabel (3) yang memang memiliki kemiripan satu sama lainnya. Begitu pula pada kelas Matahari dan Sukun pola boxplot mempunyai kemiripan satu sama lain sehingga pada confusion matrix prediksi untuk kelas tersebut sama-sama mengarah ke kelas matahari ke sukun begitu sebaliknya. SIMPULAN DAN SARAN Simpulan Berdasarkan penelitian yang telah dilakukan, dapat diambil kesimpulan bahwa penggunaan metode klasifikasi k-nn dengan ekstraksi tekstur statistical textures kurang tepat pada penelitian ini dikarenakan kelemahan k-nn yaitu pembelajaran berdasarkan jarak tidak jelas mengenai jenis jarak apa yang harus digunakan dan atribut mana yang harus digunakan untuk mendapatkan hasil yang terbaik. Hasil percobaan pada penelitian ini dengan semua ciri rata-rata akurasi terbesar hanya sampai 62.5% pada k =3 dengan menggunakan semua ciri tekstur dan 67.5% untuk pemilihan hanya enam ciri. Pemilihan ciri berpengaruh dalam

28 14 penelitian ini. Pada penelitian ini k pada klasifikasi K-NN yang semakin besar akan mengurangi akurasi sehingga lebih baik menggunakan k yang kecil. Saran Pada penelitian ini masih memiliki beberapa kekurangan yang dapat diperbaiki pada penelitian selanjutnya. Adapun beberapa saran untuk penelitian selanjutnya yaitu : 1 Menggunakan pelatihan JST Propagasi balik supaya data akan mendapatkan pelatihan terlebih dahulu mungkin akan menambah akurasi menjadi lebih besar. 2 Pada k-nn perhitungan jarak menggunakan selain Euclidean seperti cityblock, cosine, correlation atau hamming. DAFTAR PUSTAKA Han J, Kamber M, Pei J Data Mining Concepts and Techniques. Ed Ke-3. Massachusets : Morgan Kaufmann. Hayyi A Identifikasi Daun Shorea Menggunakan K-Nearest Neighbor dengan Ciri Statistical Textures.[skripsi]. Bogor(ID): Institut Pertanian Bogor Nurjayanti B Identifikasi Shorea menggunakan k-nearest Neighbor berdasarkan karakteristik morfologi daun [skripsi]. Bogor(ID) : Institut Pertanian Bogor Pertiwi N Identifikasi Varietas Durian berdasarkan Tekstur Daun dengan Metode Ekstraksi GLCM menggunakan PNN[skripsi]. Bogor(ID): Institut Pertanian Bogor. Salasa KAN, Ashari S, Herlina N Identifikasi tanaman durian mirip durian bido di kecamatan Wonosalam kabupatem Jombang dengan metode isozim dan morfologi. Jurnal Produksi Tanaman. 1(5): Syahrudin K Analisis Keragaman Beberapa Genotipe Durian (Durio zibethinus murr.) menggunakan Penanda Morfologi dan Molekular (ISSR) [tesis]. Bogor(ID): Institut Pertanian Bogor. Walpole, Ronald E Pengantar Statistika. Edisi ke-3. Jakarta : PT. Gramedia Pustaka Utama. Yanti PP Identifikasi Freycinetia berbasis Citra Anatomi Epidermis Daun menggunakan K-Nearest Neighbor [skripsi]. Bogor(ID) : Institut Pertanian Bogor.

29 15 Lampiran 1 Contoh citra daun asli dari setiap varietas durian. Durian Bakul Durian Matahari Durian Sukun Durian Kendil Lampiran 2 Confusion matrix percobaan 1 k = 1, 5, 7, 9 dan 11 Tabel 5 Confusion matrix k = 1 Kelas Kelas hasil prediksi Bakul Matahari Sukun Kendil Bakul 5 5 Matahari 7 3 Sukun Kendil 3 7 Tabel 6 Confusion matrix k = 5 Kelas Kelas hasil prediksi Bakul Matahari Sukun Kendil Bakul 8 2 Matahari Sukun Kendil Tabel 7 Confusion matrix k = 7 Kelas Kelas hasil prediksi Bakul Matahari Sukun Kendil Bakul 8 2 Matahari Sukun Kendil 2 2 6

30 16 Tabel 8 Confusion matrix k = 9 Kelas Kelas hasil prediksi Bakul Matahari Sukun Kendil Bakul 8 2 Matahari Sukun Kendil Tabel 9 Confusion matrix k = 11 Kelas Kelas hasil prediksi Bakul Matahari Sukun Kendil Bakul 8 2 Matahari Sukun Kendil Lampiran 3 Confusion matrix percobaan 2 k = 1, 5, 7, 9 dan 11 Tabel 10 Confusion matrix k = 1 Kelas Kelas hasil prediksi Bakul Matahari Sukun Kendil Bakul 6 4 Matahari Sukun Kendil Tabel 11 Confusion matrix k = 5 Kelas Kelas hasil prediksi Bakul Matahari Sukun Kendil Bakul 8 2 Matahari 6 4 Sukun Kendil Tabel 12 Confusion matrix k = 7 Kelas Kelas hasil prediksi Bakul Matahari Sukun Kendil Bakul 8 2 Matahari Sukun Kendil 4 2 4

31 17 Tabel 13 Confusion matrix k = 9 Kelas Kelas hasil prediksi Bakul Matahari Sukun Kendil Bakul 8 2 Matahari Sukun Kendil Tabel 14 Confusion matrix k = 11 Kelas Kelas hasil prediksi Bakul Matahari Sukun Kendil Bakul 8 2 Matahari Sukun Kendil 3 2 5

32 18 RIWAYAT HIDUP Penulis lahir pada tanggal 2 Mei 1991 di Tangerang. Penulis merupakan anak terakhir dari tiga bersaudara dari pasangan Warto dan Rusmini. Pada tahun 2009, penulis lulus dari SMAN 3 Kota Tangerang. Pada tahun yang sama, penulis melanjutkan pendidikan di program Diploma IPB pada program keahlian manajemen informatika. Pada tahun 2012, penulis melanjutkan studi Program S1 Ilmu Komputer Alih Jenis, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.