IDENTIFIKASI DAUN SHOREA DENGAN BACKPROPAGATION NEURAL NETWORK MENGGUNAKAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM DAN EKSTRAKSI WARNA HSV

Transkripsi

1

2 IDENTIFIKASI DAUN SHOREA DENGAN BACKPROPAGATION NEURAL NETWORK MENGGUNAKAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM DAN EKSTRAKSI WARNA HSV IMAN AKBAR RAMADHAN Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Program Studi Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012

3 ABSTRACT IMAN AKBAR RAMADHAN. leaves Identification using Backpropagation Neural Network with Discrete Wavelete Transform feature extraction and HSV colour extraction. Supervised by AZIZ KUSTIYO. Dipterocarpaceae is a major timber tree of tropical rain forest. is a genus of the Dipterocarpaceae family which consists of around 194 species. is difficult to be identified because it has a lot of diversity. It takes knowledge from an expert in the field of to be able to identify the types of. Errors in identifying the type of wood can lead to inappropriate selection for the final usability. In this research, we perform identification to 10 species of from Bogor Botanical Garden using Discrete Wavelet Transform and HSV color extraction as the feature extraction methods. Backpropagation Neural Network is used as the classification technique. The results of this research using both the DWT Haar family and HSV for feature extraction, and the DWT Daubechies 2 family and HSV produce 90% accuracy. The combination between DWT Haar family, DWT Daubechies 2 family and HSV color extraction produces 93.33% accuracy. The conclusion from the results of this research is the significant effect of HSV color extraction in increasing the accuracy for the identification of leaves. Keywords: Discrete Wavelete Transform, colour extraction HSV, Backpropagation Neural Network

4 Judul Penelitian : Identifikasi daun dengan Backpropagation Neural Network menggunakan ekstraksi fitur Discrete Wavelet Transform dan Ekstraksi Warna HSV Nama : Iman Akbar Ramadhan NRP : G Menyetujui: Pembimbing Aziz Kustiyo, S.Si., M.Kom. NIP Mengetahui: Ketua Departemen Ilmu Komputer Dr Ir Agus Buono MSi MKom NIP Tanggal Lulus :

5 RIWAYAT HIDUP Penulis dilahirkan pada tanggal 14 April 1988 di Bogor. Penulis merupakan anak kedua dari dua bersaudara dari pasangan Bapak Yusuf Hermansyah dan Ibu Lailatun. Pada tahun 2006, penulis lulus dari SMA Negeri 7 Bogor. Pada tahun yang sama, penulis lulus seleksi masuk IPB melalui jalur Undangan Seleksi Masuk IPB. Pada Tahun 2009, penulis lulus dari program Diploma Jurusan Teknik Komputer Institut Pertanian Bogor. Pada tahun yang sama, penulis melanjutkan program studi Sarjana di Departemen Ilmu Komputer, Institut Pertanian Bogor, Program Studi Ilmu Komputer.

6 PRAKATA Puji dan syukur penulis panjatkan ke hadirat Allah subhanahu wa ta'ala yang telah memberikan rahmat dan hidayah-nya sehingga penulis dapat menyelesaikan karya ilmiah ini. Terima kasih penulis ucapkan kepada Bapak Aziz Kustiyo, SSi, MKom selaku pembimbing. Adapun penulis mengucapkan terima kasih kepada: 1 Kedua orang tua yang telah memberikan dukungan, perhatian, dan doa sehingga penulis dapat menyelesaikan studi di Departemen Ilmu Komputer IPB. 2 Mas Hoho dan Teteh atas dukungan dan doanya. 3 Dieni Fauziah Septiani atas dukungan, perhatian dan doanya. 4 Dosen penguji, Bapak Sony Hartono, MKom dan Bapak Dr Ir Agus Buono MSi MKom atas saran dan bimbingannya. 5 Pihak Kebun Raya Bogor atas sampel daun. 6 Teman-teman satu bimbingan atas kerjasamanya. 7 Teman-teman Alih Jenis Ilkom angkatan 4, atas kerjasamanya selama penelitian. Semoga penelitian ini dapat bermanfaat bagi semua pihak yang membutuhkan. Bogor, Juni 2012 Iman Akbar Ramadhan

7 DAFTAR ISI Halaman DAFTAR TABEL... vi DAFTAR GAMBAR... vi DAFTAR LAMPIRAN... vi PENDAHULUAN Latar Belakang... 1 Tujuan... 1 Ruang Lingkup... 1 TINJAUAN PUSTAKA... 1 Discrete Wavelet Transform... 2 Wavelet Haar... 2 Wavelet Daubechies... 3 Pengolahan Citra Berwarna Model HSV... 3 Backpropagation Neural Network... 3 METODE PENELITIAN Citra Daun... 3 Praproses... 4 Ekstraksi Tekstur dengan Discrete Wavelet Transform (DWT)... 4 Ekstraksi Warna dengan Warna HSV... 4 Pelatihan menggunakan Backpropagation Neural Network... 4 Pengujian... 5 Evaluasi... 5 Rancangan Percobaan... 5 HASIL DAN PEMBAHASAN Percobaan 1: Discrete Wavelet Transform famili Haar... 5 Percobaan 2: Discrete Wavelet Transform famili Daubechies Perbandingan percobaan 1 dan percobaan Percobaan 3: Ekstraksi Warna HSV... 6 Percobaan 4: Kombinasi Ekstraksi Tekstur (DWT) dan Ekstraksi Warna (HSV)... 7 Percobaan 5: Kombinasi Ekstraksi Tekstur DWT Haar, Daubechies dan Ekstraksi Warna (HSV)... 7 KESIMPULAN DAN SARAN Kesimpulan... 8 Saran... 8 DAFTAR PUSTAKA... 9 LAMPIRAN v

8 DAFTAR TABEL Halaman 1 Struktur JST propagasi balik Rancangan percobaan... 5 DAFTAR GAMBAR Halaman 1 Contoh beberapa jenis tekstur Tampilan citra hasil dekomposisi Metodologi penelitian Deskripsi citra aproksimasi dan citra detail Grafik tingkat akurasi setiap jenis (DWT Haar) Grafik tingkat akurasi setiap jenis (DWT Daubechies 2) Grafik tingkat akurasi setiap jenis (Histogram Warna HSV) Grafik tingkat akurasi setiap jenis (Haar - HSV) Grafik tingkat akurasi setiap jenis (DB2 - HSV) Grafik tingkat akurasi setiap jenis (Haar - DB2 - HSV) DAFTAR LAMPIRAN Halaman 1 Antarmuka Implementasi Confusion matrix penggabungan fitur Discrete wavelet transform famili Haar Hsv Confusion matrix Discrete wavelet transform famili Daubechies 2 Hsv Confusion matrix Discrete wavelet transform famili Haar - Daubechies 2 -Hsv Tabel hasil akurasi species untuk ekstraksi fitur DWT famili haar Tabel hasil akurasi species untuk ekstraksi fitur DWT famili daubechies Tabel hasil akurasi species untuk ekstraksi warna histogram HSV Tabel hasil akurasi species untuk penggabungan ekstraksi fitur DWT haar dan ekstraksi warna HSV Tabel hasil akurasi species untuk penggabungan ekstraksi fitur DWT famili daubechies 2 dan ekstraksi warna HSV Tabel hasil akurasi species penggabungan ekstraksi fitur DWT famili haar, daubechies 2 dan Histogram HSV vi

9 1 Latar Belakang PENDAHULUAN merupakan kelompok famili Dipterocarpaceae sekelompok tumbuhan hutan hujan tropis yang dimanfaatkan dalam bidang perkayuan. adalah salah satu marga tumbuhan penghasil kayu terbaik dalam dunia perindustrian. Nilai ekonomi yang tinggi mengakibatkan eksploitasi besarbesaran pohon. Maka dari itu, perlu dikembangkan suatu sistem identifikasi daun. Hal ini dilakukan agar tidak menyebabkan kesalahan pemilihan kayu yang tidak tepat dan mengurangi pertumbuhan jenis kayu dengan sifat-sifat yang tidak diinginkan. Identifikasi tumbuhan biasanya dilakukan menggunakan batang, daun, buah, dan bunga. Penentuan identifikasi pohon ini lebih diutamakan pada identifikasi daun dikarenakan daun cenderung mudah untuk menjadi sumber pengamatan khususnya berupa citra dan cenderung tersedia sebagai sumber pengamatan sepanjang waktu. Penelitian sebelumnya dengan data yang sama dilakukan oleh Nurjayanti (2011). Nurjayanti (2011) menggunakan K-Nearest Neighbour sebagai classifier dan identifikasi berdasarkan karateristik morfologi daun. Penelitian tersebut menghasilkan akurasi data yang sangat baik yaitu 100% data akurat. Kanata (2008) melakukan penelitian tentang deteksi sidik jari menggunakan ekstraksi fitur transformasi wavelet dan menunjukan bahwa metode wavelet sangat baik dalam identifikasi citra sidik jari dengan akurasi 88%. Puspitasari (2011) menggunakan Backpropagation Neural Network (Jaringan Saraf Tiruan Propagasi Balik) sebagai teknik identifikasi daun yang menghasilkan akurasi sebesar 94%. Backpropagation Neural Network merupakan metode pembelajaran yang efektif untuk jaringan multilayer sehingga baik dalam menangani permasalahan yang kompleks (Fausett 1994). Aminudin (2010) menggunakan Histogram warna HSV dalam ekstraksi pelatihan citra Belimbing yang menghasilkan rata-rata akurasi terbaik sebesar 78.87% untuk histogram H (hue). Penelitian ini akan menggunakan data citra daun dengan ekstraksi fitur Discrete Wavelet Transform (DWT) dan Ekstraksi Warna HSV dengan Backpropagation Neural Network sebagai classifier. DWT digunakan sebagai metode pengolahan citra daun yang dapat mengekstraksi tekstur dari daun dan mereduksi ukuran citra. Warna HSV digunakan sebagai ekstraksi warna pada citra daun. Model warna HSV lebih baik dibandingkan dengan model warna lainnya seperti RGB dan CMY. Hal ini dikarenakan warna HSV lebih dapat merepresentasikan visual mata manusia pada saat melihat objek berwarna (Gonzalez & Woods 2002). Penelitian ini juga menggunakan Backpropagation Neural Network (Jaringan Saraf Tiruan Propagasi Balik) sebagai teknik klasifikasi pada identifikasi citra dengan melakukan pelatihan dan pengujian data. Tujuan Tujuan penelitian ini adalah mengimplementasikan teknik ekstraksi fitur menggunakan Discrete Wavelet Transform (DWT) dan Ekstraksi warna HSV serta teknik klasifikasi Jaringan saraf tiruan Backpropagation untuk pengenalan citra daun. Ruang Lingkup Ruang lingkup penelitian ini meliputi penggunaan Discrete Wavelet Transform 2- Dimensi famili Haar dan Daubechies 2 serta Transformasi Warna HSV untuk identifikasi citra daun. TINJAUAN PUSTAKA adalah salah satu marga dari Dipterocarpaceae penghasil kayu terbaik dalam perindustrian. memiliki sekitar 194 species yang persebarannya meliputi dari Jawa hingga ke arah timur Maluku (Newman 1999). Pohon dapat tumbuh dari batas permukaan laut sampai ketinggian 1750 m. Ciri-ciri diagnostik utama pohon ialah sangat besar dengan pepagan dalam berlapis-lapis atau berwarna coklat merah gelap. Daun menjangat, tidak berlipatan, tidak bentuk perisai, tidak berlukup, berukuran 4-18 x 2-8 cm, pangkal daun biasanya simetris, permukaan bawah daun bila mengering pudar, pertulangan sekunder bersirip, 7-25 pasang, terpisah permanen, pada permukaan bawah daun bila mengering warnanya sama seperti helai daun, atau lebih gelap pada Javanica (Newman 1999).

10 2 Analisis Tekstur Tekstur adalah gambaran visual dari sebuah permukaan atau bahan. Dalam computer vision, tekstur dicirikan dengan variasi intensitas pada citra. Variasi intensitas dapat disebabkan oleh kekasaran atau perbedaan warna pada suatu permukaan. Penampilan tekstur dipengaruhi oleh skala dan arah pandangan lingkungan dan kondisi pencahayaan (Mäenpää 2003). Secara umum tekstur mengacu pada pengulangan elemen-elemen tekstur dasar yang disebut primitif atau teksel (texture element texel). Gambar 1 Contoh beberapa jenis tekstur. Discrete Wavelet Transform Wavelet berasal dari sebuah fungsi penyekala (scaling function) (Stollnitz & Eric 1995). Fungsi ini dapat membuat sebuah induk wavelet (mother wavelet). Wavelet didasarkan pada pembangkitan sejumlah tapis (filter) dengan cara menggeser dan menskala mother wavelet. Penambahan dan pengurangan skala akan mempengaruhi durasi waktu, lebar bidang (bandwidth) dan nilai frekuensi (Burrus & Guo 1998). Transformasi wavelet dapat dibedakan menjadi dua, yaitu Continous Wavelet Transform (CWT) dan Discrete Wavelet Transform (DWT). Discrete Wavelet Transform (DWT) merupakan proses fungsi wavelet yang akan dikalkulasi pada pemilihan subset dari skala dan posisi tertentu. DWT digunakan pada proses pemfilteran yang menghasilkan koefisien wavelet (Misiti 2002). Pada citra, dilakukan transformasi wavelet dua dimensi. Pada titik (x,y) atau baris dan kolom pada matrik, dapat dihasilkan φ(x,y)=φ(x)φ(y) yang merupakan koefisien scaling atau Aproksimasi(A). Pada ψ(x,y) atau koefisien wavelet, pengolahan menghasilkan tiga orientasi detail (D), yaitu ψ H (x,y)=φ(x)ψ(y) atau detail horizontal (Dh), ψ V (x,y)=ψ(x)φ(y) atau detail vertikal (Dv) dan ψ H (x,y)=ψ(x)ψ(y) atau detail diagonal (Dd) (Gonzalez & Woods 2002). Adapun persamaan DWT pada fungsi f(x,y) ukuran M x N (Gonzalez & Woods 2002) ialah ( ) ( ) Inverse DWT, ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) Transformasi wavelet melakukan dekomposisi pada proses pemfilteran. Proses pemfilteran dibagi dua, yaitu low-pass dan high-pass. Low-pass digunakan pada lowfrequency berupa koefisien scaling atau Aproksimasi(A), sedangkan high-pass pada high-frequency berupa koefisien wavelet. Adapun tampilan citra yang telah diproses dekomposisi diperlihatkan pada Gambar 2. Gambar 2 Tampilan citra hasil dekomposisi. Proses dekomposisi akan mengekstraksi fitur sekaligus mereduksi ukuran citra menjadi lebih kecil sehingga mempercepat proses identifikasi. Wavelet Haar Wavelet Haar merupakan wavelet yang paling sederhana dan merupakan langkah awal yang baik untuk tahap poses berikutnya (McAndrew 2004). Fungsi Haar scaling didefinisikan sebagai berikut (Burrus & Guo 1998): ( ) { Selain itu, fungsi Haar wavelet didefinisikan sebagai berikut (McAndrew 2004): ( ) {

11 3 Proses dekomposisi Haar menerapkan bank filter dengan h(0) = h(1) = 1/ 2 sebagai koefisien low-pass yang menghasilkan citra pendekatan dan g(0) = 1/ 2, g(1) = -1/ 2 sebagai koefisien high-pass yang menghasilkan citra detail. Citra hasil dekomposisi akan berukuran seperempat dari ukuran citra sebenarnya. Wavelet Daubechies Wavelet Daubechies secara historis berasal dari sistem Haar dan ditulis sebagai dbn dengan N menunjukkan orde dengan 2 koefiesien (db2), 4 koefisien (db4), dan seterusnya. Db2 memiliki scaling function dengan koefisien low-pass sebagai berikut (Burrus & Guo 1998). ( ) ( ) ( ) ( ) Nilai koefisien high-pass fungsi wavelet db2, adalah g 0 = h 3, g 1 = -h 2, g 2 = h 1, g 3 = -h 0. Pengolahan Citra Berwarna Model HSV Model warna HSV terdiri atas Hue, Saturation, dan Value. Hue merepresentasikan panjang gelombang dominan dalam campuran gelombang cahaya. Saturation mengindikasikan selang keabuan atau tingkat intensitas dalam ruang warna. Value menunjukkan tingkat kecerahan sehingga HSV juga biasa disebut Hue Saturation Brightness (HSB) (Georgieva et al. 2005). Transformasi RGB menjadi HSV diperoleh menggunakan formula di bawah ini: { ( ) ( ) { ( ) ( )( ) ( ) ( ) } Selain menggunakan transformasi warna, digunakan juga histogram warna. Histogram warna menggambarkan penyebaran nilai intensitas piksel dari suatu citra. Puncak histogram menampilkan intensitas piksel yang paling menonjol sedangkan lebar puncak menggambarkan lebar kontras (Widodo 2009). Backpropagation Neural Network Backpropagation Neural Network atau Jaringan Saraf Tiruan Propagasi Balik adalah suatu sistem pemrosesan informasi yang memiliki karateristik tertentu seperti jaringan saraf biologis (Fauset 1994). Jaringan saraf tiruan telah dikembangkan sebagai generalisasi model matematika dari saraf biologis manusia. Jaringan saraf tiruan propagasi balik merupakan algoritme pembelajaran yang terawasi (supervised learning) dan biasanya digunakan oleh jaringan multilayer untuk mengubah bobot yang terhubung dengan semua neuron pada hidden layer. Jaringan saraf tiruan propagasi balik dikembangkan oleh Rumelhart, Hinton, dan Williams pada tahun Propagasi Balik merupakan metode pembelajaran yang efektif untuk jaringan multilayer yang memiliki input layer, output layer, dan hidden layer. METODE PENELITIAN Tahapan yang akan dilakukan pada penelitian ini secara umum dapat dilihat pada Gambar 3. Citra Daun Citra Daun yang digunakan pada penelitian adalah daun dengan 10 species. Satu species diwakili dengan 10 citra, sehingga total citra ada sebanyak 100 citra. Sebanyak 70 citra merupakan citra daun yang digunakan sebagai data latih dan 30 citra lainnya merupakan citra kueri yang digunakan sebagai data uji. Citra yang digunakan berukuran 3648x2736. Citra ini diakuisisi menggunakan kamera digital. Citra yang digunakan pada penelitian ini adalah Citra daun yang sampelnya diambil dari Kebun Raya Bogor. (Gonzalez & Woods 2002)

12 4 yang telah difilter dengan menggunakan lowpass filter. Koefisien aproksimasi pada dekomposisi level 1 akan diproses untuk koefisien aproksimasi level 2 dan seterusnya. Pada penelitian ini, level dekomposisi yang digunakan sebanyak level 8. Hal ini agar dapat diperoleh koefisien aproksimasi (ca 4 ) dan koefiesien detail (cdh 4, cdv 4, cdd 4 ) dengan ukuran 11 x 15 pixel untuk wavelet famili haar dan ukuran 13 x 17 untuk wavelet famili daubechies 2 yang dapat mewakili citra asli. Contoh citra untuk dekomposisi level 4 Wavelet Haar dalam bentuk citra aproksimasi (ca), citra detail (cdh, cdv,cdd) pada Gambar 4. Pengambilan dilakukan dengan cara memotong kurang lebih dua tangkai daun setiap species yang terdiri atas kurang lebih 10 daun pada tiap tangkai nya. Setelah proses akuisisi citra, daun dipilah-pilah dan diambil yang kualitas daun nya terlihat baik dalam hal bentuk daun utuh dan struktur daun jelas. Daun yang telah diakuisisi kemudian diberikan latar belakang kertas putih untuk dijadikan citra percobaan baik untuk pelatihan atau pun pengujian. Praproses Gambar 3 Metodologi penelitian. Pada tahapan ini, citra daun yang diakuisisi dengan kamera digital menjadi citra RGB dan diberikan latar belakang putih. Citra akan dipraproses dengan mengubah citra tersebut ke dalam ruang warna grayscale dan dilakukan histogram equalization untuk mempertajam nilai kontras citra. Citra grayscale digunakan untuk ekstraksi tekstur menggunakan DWT. Untuk tahapan ekstraksi warna HSV, citra daun RGB diubah ke dalam ruang warna HSV. Ekstraksi Tekstur dengan Discrete Wavelet Transform (DWT) Citra daun yang telah dipraproses akan ditransformasi menggunakan DWT 2D dengan 2 tipe wavelet, yaitu Haar dan Daubechies 2. Proses ini bertujuan menghasilkan Koefisien Aproksimasi (ca) dan Koefisien detail (cd). Koefisien Aproksimasi (ca) merupakan komponen-komponen yang mewakili citra asli Gambar 4 Deskripsi citra aproksimasi dan citra detail. Ekstraksi Warna dengan Warna HSV Pada tahap ini, komponen warna R,G,B pada citra ditransformasikan ke dalam komponen warna HSV. Kemudian, nilai histogram citra tersebut dihitung untuk melihat penyebaran nilai intensitas warnanya. Hasil dari ekstraksi menggunakan histogram akan dijadikan nilai masukan pada jaringan saraf tiruan propagasi balik (Backpropagation Neural Network). Pelatihan menggunakan Backpropagation Neural Network Hasil dari transformasi wavelet dan nilai transformasi warna HSV akan dijadikan

13 5 masukan Backpropagation Neural Network. Adapun struktur JST propagasi balik yang digunakan dapat dilihat pada Tabel 1. Banyaknya kelas target pada jaringan syaraf tiruan yang digunakan pada penelitian ini sesuai dengan jumlah species daun yaitu 10 kelas. Tabel 1 Struktur JST propagasi balik Karateristik Spesifikasi Arsitektur Neuron Input 1 layer Hidden Sesuai dengan dimensi pada level wavelet dan perhitungan histogram HSV Neuron Hidden 10, 20,30,40, 50, 60, 70, 80, 90, 100 Neuron Output Banyaknya kelas target yaitu 10 Laju pelatihan (α) 0.01, 0.1, 0.5 Toleransi Kesalahan 0.01 Maksimal Iterasi 3000 Pada penelitian ini, pemilihan toleransi 0.01 dan laju pelatihan 0.01, 0.1, dan 0.5 diharapkan mampu meningkatkan tingkat akurasi. Pemilihan iterasi maksimum sebesar 3000 dilakukan untuk membatasi proses pelatihan (training) sehingga menghasilkan model jaringan syaraf tiruan yang efektif dan efisien. Penelitian ini melakukan percobaan dengan mengombinasikan jumlah neuron hidden layer, laju pelatihan terhadap dimensi citra yang telah mengalami transformasi wavelet, dan hasil transformasi HSV. Percobaan ini akan dilakukan pada 70 citra sebagai data latih. Selama proses pelatihan, output yang dihasilkan dibandingkan dengan target. Jika output belum mencapai target, pelatihan akan terus dilakukan dengan memperbaiki bobot dengan cara mempropagasi balik nilai koreksi galat output ke layer sebelumnya. Jika output sama dengan target, pelatihan akan berhenti. Akhirnya didapatkan model yang selanjutnya diteruskan untuk proses pengujian. Pengujian Pengujian data dilakukan oleh sistem yaitu dengan melihat hasil penelitian terhadap citra kueri atau citra uji. Hasil penelitian ini diukur dengan menggunakan tingkat akurasi dari data citra yang diuji dan diamati. Persamaan akurasi didefinisikan sebagai berikut: Evaluasi Evaluasi dilakukan dengan melakukan pengelompokan data yang telah dilakukan pengujian berdasarkan spesies dan ekstraksi fitur yang digunakan. Evaluasi dibuat dalam bentuk grafik agar dapat mudah dilihat dan dianalisis seberapa besar akurasi pada identifikasi daun. Rancangan Percobaan Percobaan penelitian ini dibagi menjadi lima bagian percobaan. Pada saat pelatihan, setiap percobaan menggunakan struktur JST propagasi balik yang sama. serta dilakukan pengujian dan evaluasi dari hasil pengujian. Adapun rancangan percobaan yang akan dilakukan dapat dilihat pada Tabel 2. Tabel 2 Rancangan percobaan Percobaan Metode Ekstraksi 1 DWT famili Haar 2 DWT famili Daubechies 2 3 Histogram Warna HSV 4 Haar + HSV, DB2 + HSV 5 Haar + DB2 + HSV HASIL DAN PEMBAHASAN Ada sepuluh jenis yang diidentifikasi, yaitu Javanica, Johorensis, Lepida, Leprosula, Marcoptera, Materialis, Palembanica, Pinanga, Platycados dan Seminis. Sepuluh jenis tersebut masing-masing terdiri atas sepuluh data citra. Percobaan 1: Discrete Wavelet Transform famili Haar Percobaan ini melibatkan data hasil foto 10 jenis yang telah diakuisisi, hasil foto tersebut dilakukan praproses dan dilakukan ekstraksi fitur Discrete Wavelete Transform famili Haar sebanyak 8 dekomposisi. Setelah itu, dilakukan proses pelatihan menggunakan beberapa parameter JST, di antaranya adalah Hidden Neuron, Learning Rate, dan Toleransi Galat. Nilai

14 6 Neuron Hidden yang digunakan adalah 10, 20, 30, 40, 50, 60, 70, 80, 90, dan 100. Sementara itu, nilai parameter lain dibuat tetap yaitu Learning rate = 0.01 dan Toleransi galat = Percobaan ini menghasilkan akurasi tertinggi sebesar 73.33% dengan menggunakan parameter Neuron Hidden 40, 70, dan 80. Enam dari sepuluh spesies dapat teridentifikasi sebesar 100% ialah Javanica, Lepida, Palembanica, Pinanga, Platycados dan Seminis. sedangkan Marcoptera tidak dapat teridentifikasi dengan akurasi terkecil sebesar 0%. Marcoptera teridentifikasi sebagai Materialis. Hal ini dikarenakan tekstur dan struktur tulang daun kedua spesies ini terlihat sama. Grafik akurasi untuk setiap jenis pada percobaan ini dapat dilihat pada Gambar 5. Perbandingan percobaan 1 dan percobaan 2 Dari kedua percobaan tersebut diketahui bahwa Javanica, Palembanica dan Seminis, teridentifikasi secara baik dengan akurasi sebesar 100%. Untuk Materialis pada kedua percobaan tersebut memiliki rata-rata akurasi terendah dibandingkan dengan 9 spesies lainnya. Materialis memiliki akurasi masingmasing sebesar 33.33% untuk ekstraksi tekstur menggunakan Haar dan 0% untuk Daubechies 2. Dari kedua percobaan tersebut, Materialis rata-rata teridentifikasi sebagai Pinanga. Hal ini disebabkan adanya kesamaan permukaan, bentuk, dan luas daun serta adanya kemiripan pada struktur tulang daun pada kedua spesies tersebut. Gambar 5 Grafik tingkat akurasi setiap jenis (DWT Haar). Percobaan 2: Discrete Wavelet Transform famili Daubechies 2 Percobaan ini menggunakan data yang sama seperti percobaan pertama dan menggunakan parameter JST yang sama. Dari percobaan, didapatkan akurasi tertinggi sebesar 73.33% menggunakan parameter neuron hidden 60 dan 80. Javanica, Leprosula, Palembanica, dan Platycados teridentifikasi dengan akurasi sebesar 100%. Materialis tidak dapat teridentifikasi dan menghasilkan akurasi 0%. Materialis teridentifikasi sebagai Pinanga. Hal ini disebabkan adanya kesamaan struktur tulang daun dan bentuk pada kedua spesies tersebut. Tingkat akurasi yang dihasilkan untuk setiap jenis pada percobaan ini secara lengkap dapat dilihat pada Gambar 6. Gambar 6 Grafik tingkat akurasi setiap jenis (DWT Daubechies 2). Percobaan 3: Ekstraksi Warna HSV Pada percobaan ini, didapatkan akurasi tertinggi sebesar 93.33% dengan parameter neuron hidden 70. Sembilan dari sepuluh spesies yang dapat teridentifikasi dengan baik memiliki akurasi sebesar 100% ialah Javanica, Johorensis, Lepida, Leprosula, Marcoptera, Materialis, Pinanga, Platycados, dan Seminis. Palembanica memiliki akurasi sebesar 33.33%, dua dari tiga data uji tidak dapat diidentifikasi. Palembanica teridentifikasi sebagai Lepida dan Materialis. Hal ini disebabkan adanya kesamaan pada tingkat kecerahan warna citra. Tingkat akurasi yang dihasilkan setiap jenis dapat dilihat secara lengkap pada Gambar 7.

15 7 Gambar 7 Grafik tingkat akurasi setiap jenis (Histogram Warna HSV). Gambar 8 Grafik tingkat akurasi setiap jenis (Haar - HSV). Percobaan 4: Kombinasi Ekstraksi Tekstur (DWT) dan Ekstraksi Warna (HSV) Percobaan ini dilakukan pelatihan dengan menggunakan parameter JST neuron hidden yang sama seperti percobaan 1, 2, dan 3. Percobaan ini melakukan penggabungan data dari hasil ekstraksi tekstur dan ekstraksi warna menjadi satu buah data pelatihan model klasifikasi dan percobaan 4 ini dibagi menjadi dua bagian percobaan. Percobaan pertama menggunakan penggabungan ekstrasi tekstur Discrete Wavelet Transform famili Haar dan histogram HSV yang menghasilkan akurasi tertinggi sebesar 90% dengan neuron Hidden 30 dan 60. Javanica, Lepida, Marcoptera, Materialis, Pinanga, Platycados, dan Seminis teridentifikasi dengan akurasi sebesar 100%, sedangkan Johorensis, Leprosula, dan Palembanica menghasilkan akurasi sebesar 66.67%. Hal ini menunjukkan bahwa masing-masing spesies tersebut terdapat satu dari tiga data uji tidak dapat teridentifikasi. Johorensis teridentifikasi sebagai Leprosula, Leprosula teridentifikasi sebagai Seminis, sedangkan Palembanica teridentifikasi sebagai Lepida. Hal ini disebabkan adanya kesamaan tekstur, bentuk, struktur tulang daun dan kecerahan warna pada ketiga pasang species tersebut. Grafik akurasi untuk setiap jenis pada percobaan ini dapat dilihat secara lebih lengkap pada Gambar 8. Pada percobaan kedua, dilakukan penggabungan ekstraksi tekstur Discrete Wavelet Transform famili Daubechies 2 dan histogram HSV menghasilkan akurasi tertinggi sebesar 90% dengan neuron hidden 90. Javanica, Lepida, Leprosula, Marcoptera, Materialis, Pinanga, Platycados, dan Seminis teridentifikasi dengan akurasi 100%, sedangkan Leprosula, Palembanic, Seminis menghasilkan akurasi sebesar 66.67%. Leprosula teridentifikasi sebagai Johorensis, Palembanica teridentifikasi sebagai Lepida, dan Seminis teridentifikasi sebagai Palembanica. Hal ini disebabkan adanya kesamaan tekstur, bentuk, struktur tulang daun, dan kecerahan warna pada ketiga pasang spesies tersebut. Tingkat akurasi setiap jenis pada percobaan ini dapat dilihat secara lebih lengkap pada Gambar 9. Gambar 9 Grafik tingkat akurasi setiap jenis (DB2 - HSV). Percobaan 5: Kombinasi Ekstraksi Tekstur DWT Haar, Daubechies dan Ekstraksi Warna (HSV) Pada percobaan ini, dilakukan proses penggabungan seluruh ekstraksi fitur tekstur dan ekstraksi warna. Percobaan ini juga menggunakan parameter yang sama dengan percobaan sebelumnya. Percobaan penggabungan seluruh fitur menghasilkan akurasi terbaik sebesar 93.33% dengan neuron hidden 30, 40, dan 60. Sebanyak 9 dari 10 jenis teridentifikasi dengan akurasi

16 8 sebesar 100%. Sembilan spesies tersebut ialah Javanica, Johorensis, Lepida, Leprosula, Marcoptera, Materialis, Palembanica, Pinanga, dan Platycados. Pada Seminis hanya 1 dari 3 data uji yang dapat teridentifikasi sehingga akurasinya hanya sebesar 33.33%. Seminis teridentifikasi sebagai Lepida dan Leprosula. Hal ini disebabkan oleh adanya kesamaan bentuk dan tekstur serta kecerahan warna antar ketiga spesies tersebut. Tingkat akurasi setiap jenis pada percobaan ini dapat dilihat secara lebih lengkap pada Gambar 10. dengan percobaan menggunakan metode perhitungan manual berdasarkan morfologi daun. Hal ini disebabkan adanya noise pada citra yang mengakibatkan perbedaan nilai pada tiap spesies sehingga pelatihan kurang sempurna dalam menentukan model klasifikasinya. Selain itu, penelitian Puspitasari (2011) menggunakan 5 jenis dalam identifikasi, sedangkan penelitian ini menggunakan 10 jenis yang sebagian besar berbeda jenis -nya dengan penelitian Puspitasari (2011). Penelitian Aminudin (2010) menggunakan ekstraksi warna RGB, HSV, dan YcbCr berbasis histogram, sedangkan penelitian ini menggunakan ekstraksi warna HSV dengan penggabungan ekstraksi fitur untuk mendapatkan peningkatan akurasi. KESIMPULAN DAN SARAN Gambar 10 Grafik tingkat akurasi setiap jenis (Haar - DB2 - HSV). Dalam percobaan penggabungan seluruh ekstraksi ini, dapat ditunjukkan bahwa masing-masing ekstraksi fitur saling mempengaruhi dalam proses identifikasi. Seperti pada percobaan 4, Palembanica dan Leprosula tidak dapat teridentifikasi dengan baik dengan akurasi sebesar 66.66%. Akan tetapi setelah menggabungkan seluruh ekstraksi fitur, Palembanica dan Leprosula teridentifikasi dengan baik menghasilkan akurasi sebesar 100%. Perbandingan dengan penelitian Terkait Pada Penelitian Puspitasari (2011), telah didapatkan rata-rata akurasi sebesar 90% dalam identifikasi daun menggunakan Jaringan Saraf Tiruan Propagasi Balik atau Backpropagation Neural Network. Penelitian ini menghasilkan rata-rata akurasi terbesar 84.67%. Adapun parameter yang membedakan, yaitu objek penelitian. Penelitian Puspitasari (2011) menggunakan perhitungan karateristik morfologi daun sedangkan penelitian ini menggunakan citra sebagai objek penelitian. Percobaan citra cenderung lebih sulit dalam menentukan model klasifikasi secara akurat dibandingkan Kesimpulan Dari penelitian ini, dapat disimpulkan beberapa hal dalam identifikasi daun berdasarkan ekstraksi fitur dan ekstraksi warna, yaitu: 1 Pada percobaan awal proses penggabungan ekstraksi fitur DWT dan ekstraksi warna HSV menghasilkan akurasi yang sangat baik sebesar 80%. 2 Pada percobaan kedua, percobaan pertukaran data uji dan data latih serta penggabungan ekstraksi fitur dan ekstraksi warna HSV menghasilkan peningkatan akurasi sebesar 90%. 3 Ekstraksi Warna HSV merupakan faktor yang signifikan dalam hal proses peningkatan dan penurunan akurasi dalam identifikasi. Saran Penelitian ini masih memiliki beberapa kekurangan yang dapat diperbaiki pada penelitian selanjutnya. Adapun beberapa saran untuk penelitian selanjutnya sebagai berikut : 1 Memperbanyak fitur-fitur lainnya seperti ekstraksi warna RGB, YcbCr dan ekstraksi tekstur seperti LBP, discrete fourier transform. 2 Mengimplementasikan aplikasi berbasis android agar dapat digunakan secara mobile.

17 9 DAFTAR PUSTAKA Aminudin P Pemutuan belimbing manis dengan citra pelatihan tunggal menggunakan algoritme VFI5 berbasis histogram warna [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Burrus CS, Guo H Introduction to Wavelets and Wavelet Transforms, A Primer. New Jersey: Prentice-Hall. Fausett L Fundamental of Neural Network Architectures, Algorithms and Aplication. New Jersey: Prentice-Hall. Georgieva L, Dimitrova T, Angelov N RGB and HSV colour models in colour identification of digital traumas image. p/sv/v.12.pdf/ [23 Okt 2011] Gonzalez RC, Woods RE Digital Image Processing. Ed ke-2. New Jersey: Prentice Hall. Kanata B deteksi sidik jari berbasis alihragam gelombang singkat (wavelet) dan jaringan syaraf tiruan (JST) khusus kota mataram dan sekitarnya[skripsi]. Mataram: Fakultas Teknik Elektro, Universitas Mataram. Mäenpää T The Local Binary Pattern Approach to Texture Analysis.Oulu : Oulu University Press. McAndrew A An Introduction to Digital Image Processing with MATLAB. Boston: Thomson Course Technology. Misiti M Wavelet Toolbox.The Mathwork, Inc. Newman MF Pedoman Identifikasi Pohon-pohon Dipterocarpaceae Jawa sampai Nugini. Bogor: PROSEA INDONESIA. Nurjayanti B Identifikasi shorea menggunakan k-nearest Neighbour berdasarkan karateristik morfologi daun [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Puspitasari D Identifikasi jenis shorea menggunakan jaringan syaraf tiruan propagasi balik berdasarkan karateristik morfologi daun [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Stollnitz, Eric J Wavelets for Computer Graphic: A Primer Part 1. University of Washington. wavelets/article/wavelet1.pdf [23 Okt 2011]. Widodo Y Penggunaan color histogram dalam image retrieval. [terhubung berkala]. [15 Des 2011].

18 LAMPIRAN

19 Lampiran 1 Antarmuka Implementasi 11

20 12 Lampiran 2 Confusion matrix penggabungan fitur Discrete wavelet transform famili Haar Hsv Keterangan : Java = Javanica Joho = Johorensis Lepid = Lepida Lepro = Leprosula Marco = Marcoptera Mater = Materialis Palem = Palembanica Pinan = Pinanga Platy = Platycados Semin = Seminis Haar Hsv - Neuron Hidden 10 Lepid 2 1 Palem 1 2 Semin Haar Hsv - Neuron Hidden 20 Marco 2 1 Palem 1 2 Pinan 1 2 Semin 2 1 Haar Hsv - Neuron Hidden 30 Joho 2 1 Lepro 2 1 Palem 1 2 Semin 3

21 13 Lanjutan Haar Hsv - Neuron Hidden 40 Palem 1 2 Semin 1 2 Haar Hsv - Neuron Hidden 50 Joho 1 2 Marco 1 2 Palem Semin 3 Haar Hsv - Neuron Hidden 60 Palem 3 Pinan 2 1 Platy 1 2 Semin 3 Haar Hsv - Neuron Hidden 70 Joho 2 1 Marco 1 2 Palem Pinan 1 2 Semin 3

22 14 Lanjutan Haar Hsv - Neuron Hidden 80 Lepro 1 2 Marco 1 2 Mater 1 2 Palem 1 2 Semin 3 Haar Hsv - Neuron Hidden 90 Lepro 2 1 Marco 1 2 Palem Pinan 1 2 Semin 1 2 Haar Hsv - Neuron Hidden 100 Lepro 2 1 Marco 1 2 Palem Pinan 1 2 Semin 1 2

23 15 Lampiran 3 Confusion matrix Discrete wavelet transform famili Daubechies 2 Hsv Daubechies 2 Hsv Neuron Hidden 10 Lepro 1 2 Palem Semin 3 Daubechies 2 Hsv Neuron Hidden 20 Palem Pinan 1 2 Semin 3 Daubechies 2 Hsv Neuron Hidden 30 Lepro 2 1 Palem 1 2 Pinan 1 2 Semin 3 Daubechies 2 Hsv Neuron Hidden 40 Palem Semin 1 2

24 16 Lanjutan Daubechies 2 Hsv Neuron Hidden 50 Joho 2 1 Lepro Palem Semin 3 Daubechies 2 Hsv Neuron Hidden 60 Lepro Marco 1 2 Palem 3 Pinan 1 2 Semin 1 2 Daubechies 2 Hsv Neuron Hidden 70 Mater 1 2 Palem Semin 1 2 Daubechies 2 Hsv Neuron Hidden 80 Mater 1 2 Palem 2 1 Semin 1 2

25 17 Lanjutan Daubechies 2 Hsv Neuron Hidden 90 Lepro 1 2 Palem 1 2 Semin 1 2 Daubechies 2 Hsv Neuron Hidden 100 Joho 1 2 Palem Semin 1 2

26 18 Lampiran 4 Confusion matrix Discrete wavelet transform famili Haar - Daubechies 2 -Hsv Haar Daubechies 2 Hsv Neuron Hidden 10 Palem 1 2 Semin 1 2 Haar Daubechies 2 Hsv Neuron Hidden 20 Java Palem 1 2 Semin 3 Haar Daubechies 2 Hsv Neuron Hidden 30 Lepro 1 2 Palem 1 2 Semin 3 Haar Daubechies 2 Hsv Neuron Hidden 40 Joho 1 2 Palem 3 Semin 3

27 19 Lanjutan Haar Daubechies 2 Hsv Neuron Hidden 50 Mater 2 1 Palem 3 Semin 1 2 Haar Daubechies 2 Hsv Neuron Hidden 60 Palem 3 Semin Haar Daubechies 2 Hsv Neuron Hidden 70 Lepro 2 1 Palem 1 2 Semin 1 2 Haar Daubechies 2 Hsv Neuron Hidden 80 Mater 2 1 Palem 1 2 Semin 1 1 1

28 20 Lanjutan Haar Daubechies 2 Hsv Neuron Hidden 90 Lepro 2 1 Palem Semin 3 Haar Daubechies 2 Hsv Neuron Hidden 100 Palem Semin 1 1 1

29 21 Lampiran 5 Tabel hasil akurasi species untuk ekstraksi fitur DWT famili haar Haar Hidden Layer Javanica 33.33% 100 % 66.67% 100 % 66.67% Johorensis 66.67% 66.67% 66.67% 66.67% 0.00% Lepida 66.67% 100 % 100 % 100 % 100 % Leprosula 33.33% 0.00% 100 % 33.33% 100 % Marcoptera 0.00% 66.67% 66.67% 0.00% 66.67% Materialis 100 % 33.33% 0.00% 33.33% 66.67% Palembanica 100 % 66.67% 0.00% 100% 0.00% Pinanga 0.00% 0.00% 100% 100% 100% Platycados 100 % 100% 100% 100% 100% Seminis 0.00% 100 % 33.33% 100% 33.33% Rata-rata 50.00% 63.33% 63.33% 73.33% 63.33% Haar Hidden Layer Javanica 100 % 100 % 100 % 100 % 100 % Johorensis 33.33% 33.33% 66.67% 66.67% 33.33% Lepida 100 % 100 % 100 % 66.67% 100 % Leprosula 66.67% 33.33% 100 % 33.33% 66.67% Marcoptera 66.67% 100% 66.67% 66.67% 100% Materialis 33.33% 100% 66.67% 100% 0.00% Palembanica 66.67% 66.67% 66.67% 100% 66.67% Pinanga 100% 0.00% 100% 0.00% 100% Platycados 66.67% 100% 0.00% 100% 66.67% Seminis 66.67% 100% 66.67% 0.00% 33.33% Rata-rata 70.00% 73.33% 73.33% 63.33% 66.67% Lampiran 6 Tabel hasil akurasi species untuk ekstraksi fitur DWT famili daubechies 2 Daubechies 2 Hidden Layer Javanica 100% 66.67% 100% 100% 66.67% Johorensis 33.33% 66.67% 33.33% 33.33% 33.33% Lepida 33.33% 33.33% 66.67% 100% 66.67% Leprosula 33.33% 66.67% 66.67% 66.67% 33.33% Marcoptera 66.67% 100% 0.00% 100% 66.67% Materialis 100% 66.67% 66.67% 0.00% 33.33% Palembanica 66.67% 100% 66.67% 100% 100% Pinanga 0.00% 66.67% 100% 33.33% 100% Platycados 66.67% 100% 100% 100% 100% Seminis 66.67% 33.33% 0.00% 0.00% 100% Rata-rata 56.67% 70.00% 60.00% 63.33% 70.00% Daubechies 2 Hidden Layer Javanica 100 % 100 % 100 % 100 % 100 % Johorensis 33.33% 33.33% 66.67% 66.67% 33.33% Lepida 100 % 100 % 100 % 66.67% 100 % Leprosula 66.67% 33.33% 100 % 33.33% 66.67% Marcoptera 66.67% 100% 66.67% 66.67% 100% Materialis 33.33% 100% 66.67% 100% 0.00% Palembanica 66.67% 66.67% 66.67% 100% 66.67% Pinanga 100% 0.00% 100% 0.00% 100% Platycados 66.67% 100% 0.00% 100% 66.67% Seminis 66.67% 100% 66.67% 0.00% 33.33% Rata-rata 70.00% 73.33% 73.33% 63.33% 66.67%

30 22 Lampiran 7 Tabel hasil akurasi species untuk ekstraksi warna histogram HSV HSV Hidden Layer Javanica 100% 66.67% 100% 66.67% 66.67% Johorensis 100% 100% 100% 100% 100% Lepida 100% 100% 100% 66.67% 100% Leprosula 100% 100% 0.00% 100% 100% Marcoptera 100% 100% 100% 100% 100% Materialis 100% 66.67% 100% 100% 100% Palembanica 33.33% 33.33% 0.00% 33.33% 66.67% Pinanga 100% 33.33% 33.33% 0.00% 100% Platycados 100% 100% 100% 100% 100% Seminis 0.00% 100% 100% 100% 33.33% Rata-rata 83.33% 80.00% 73.33% 76.67% 86.67% HSV Hidden Layer Javanica 66.67% 100% 100% 66.67% 100% Johorensis 100% 100% 100% 100% 100% Lepida 100% 100% 0.00% 100% 100% Leprosula 100% 100% 66.67% 100% 33.33% Marcoptera 100% 100% 100% 100% 100% Materialis 100% 100% 100% 100% 100% Palembanica 33.33% 66.67% 66.67% 33.33% 33.33% Pinanga 33.33% 100% 66.67% 100% 100% Platycados 100% 100% 100% 100% 100% Seminis 33.33% 100% 100% 100% 100% Rata-rata 76.67% 96.67% 80.00% 90.00% 86.67% Lampiran 8 Tabel hasil akurasi species untuk penggabungan ekstraksi fitur DWT famili haar dan ekstraksi warna HSV Haar - HSV Hidden Layer Javanica 100% 100% 100% 100% 100% Johorensis 100% 100% 66.67% 100% 66.67% Lepida 66.67% 100% 100% 100% 100% Leprosula 100% 100% 66.67% 100% 100% Marcoptera 100% 0.00% 100% 100% 66.67% Materialis 100% 100% 100% 100% 100% Palembanica 66.67% 66.67% 66.67% 0.00% 33.33% Pinanga 100% 66.67% 100% 100% 100% Platycados 100% 100% 100% 100% 100% Seminis 33.33% 33.33% 100% 66.67% 100% Rata-rata 86.67% 76.67% 90.00% 86.67% 86.67% Haar - HSV Hidden Layer Javanica 100% 100% 100% 100% 100% Johorensis 100% 66.67% 100% 100% 100% Lepida 100% 100% 100% 100% 100% Leprosula 100% 100% 33.33% 66.67% 66.67% Marcoptera 100% 66.67% 66.67% 66.67% 66.67% Materialis 100% 100% 66.67% 100% 100% Palembanica 100% 33.33% 66.67% 33.33% 33.33% Pinanga 33.33% 66.67% 100% 66.67% 66.67% Platycados 66.67% 100% 100% 100% 100% Seminis 100% 100% 100% 66.67% 66.67% Rata-rata 90.00% 83.33% 83.33% 80.00% 80.00%

31 23 Lampiran 9 Tabel hasil akurasi species untuk penggabungan ekstraksi fitur DWT famili daubechies 2 dan ekstraksi warna HSV DB2 - HSV Hidden Layer Javanica 100% 100% 100% 100% 100% Johorensis 100% 100% 100% 100% 66.67% Lepida 100% 100% 100% 100% 100% Leprosula 0.00% 100% 66.67% 100% 33.33% Marcoptera 100% 100% 100% 100% 100% Materialis 100% 100% 100% 100% 100% Palembanica 33.33% 33.33% 66.67% 33.33% 33.33% Pinanga 100% 66.67% 66.67% 100% 100% Platycados 100% 100% 100% 100% 100% Seminis 100% 0.00% 100% 66.67% 100% Rata-rata 83.33% 80.00% 90.00% 90.00% 83.33% DB2 - HSV Hidden Layer Javanica 100% 100% 100% 100% 100% Johorensis 100% 100% 100% 100% 33.33% Lepida 100% 100% 100% 100% 100% Leprosula 0.00% 100% 100% 66.67% 100% Marcoptera 66.67% 0.00% 100% 100% 100% Materialis 100% 100% 33.33% 100% 100% Palembanica 100% 33.33% 66.67% 66.67% 33.33% Pinanga 66.67% 100% 100% 100% 100% Platycados 100% 100% 100% 100% 100% Seminis 66.67% 66.67% 66.67% 66.67% 66.67% Rata-rata 80.00% 80.00% 86.67% 90.00% 83.33%

32 24 Lampiran 10 Tabel hasil akurasi species penggabungan ekstraksi fitur DWT famili haar, daubechies 2 dan Histogram HSV Haar - DB2 - HSV Hidden Layer Javanica 100% 33,33% 100% 100% 100% Johorensis 100% 100% 100% 33,33% 100% Lepida 100% 100% 100% 100% 100% Leprosula 100% 100% 66,67% 100% 100% Marcoptera 100% 100% 100% 100% 100% Materialis 100% 100% 100% 100% 66,67% Palembanica 66,67% 66,67% 66,67% 100% 100% Pinanga 100% 100% 100% 100% 100% Platycados 100% 100% 100% 100% 100% Seminis 66,67% 100% 100% 100% 66,67% Rata-rata 93,33% 90,00% 93,33% 93,33% 93,33% Haar - DB2 - HSV Hidden Layer Javanica 100% 100% 100% 100% 100% Johorensis 100% 100% 100% 100% 100% Lepida 100% 100% 100% 100% 100% Leprosula 100% 66,67% 100% 66,67% 100% Marcoptera 100% 100% 100% 100% 100% Materialis 100% 100% 66,67% 100% 100% Palembanica 100% 66,67% 66,67% 33,33% 33,33% Pinanga 100% 100% 100% 100% 100% Platycados 100% 100% 100% 100% 100% Seminis 33,33% 66,67% 33,33% 100% 33,33% Rata-rata 93,33% 90,00% 86,67% 90,00% 86,67%

33 Penguji : 1 Dr Ir Agus Buono MSi MKom 2 Sony Hartono Wijaya SKom MKom