BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan penelitian dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan dapat dilihat pada Tabel 4.1 dan Tabel 4.2. Tabel 4.1 Kebutuhan Perangkat Keras. Perangkat Keras Spesifikasi Processor Intel Core i3 Memori 4 Gb Sistem Operasi Windows 7 Tabel 4.2 Kebutuhan Perangkat Lunak. Perangkat Lunak Matlab Uraian Aplikasi yang digunakan untuk ekstraksi ciri dan klasifikasi dengan Backpropagation 4.2 Analisa Tekstur Citra Kayu Analisa ekstraksi fitur bertujuan untuk mengetahui apakah ciri citra serat kayu berdasarkan eksraksi tekstur GLCM dengan fitur kontras, korelasi, energi, dan homogeneity. 67
68 Tabel 4.3 Hasil Pengujian Nilai Rata-Rata Tertinggi Dari 5 Jenis Kayu Dengan Parameter Kontras, Korelasi, Energi, Dan Homogeneity Jenis Kayu Kontras Korelasi Energi Homogeniti Kamper 0.140342 0.927935 0.376443 0.96072 Keruing 0.166429 0.836393 0.503925 0.941957 Meranti 0.112098 0.915199 0.579339 0.968963 Pinus 0.075729 0.875478 0.861179 0.987002 Randu 0.094449 0.902017 0.61007 0.973014 1.200 Nilai Rata-rata Tertinggi dari 5 Jenis Kayu 1.000 0.800 0.600 0.400 0.928 0.961 0.942 0.969 0.987 0.973 0.915 0.902 0.836 0.8750.861 0.579 0.610 0.504 0.376 0.200 0.140 0.166 0.112 0.076 0.094 0.000 Kamper Keruing Meranti Pinus Randu Kontras Korelasi Energi Homogeniti Gambar 4.1 Grafik Nilai Rata-Rata GLCM Pada Fitur Homogeneity, Energi, Korelasi, Kontras Tertinggi Dari 5 Jenis Kayu. Pada tabel 3.7 hingga 3.24, merupakan hasil Output dari Ektraksi fitur GLCM pada lima jenis kayu yaitu Kamper, Keruing, Meranti, Pinus, Randu, dan dicari nilai rata-ratanya lalu diambil nilai maksimum untuk setiap fitur kontras, korelasi, energi, homogeneity. Setelah itu akan dianalisis, untuk mempermudah analisis data maka semua data tadi divisualisasikan kedalam bentuk grafik yang dapat dilihat pada gambar 4.1.
69 Nilai fitur kontras pada GLCM yang paling tinggi berada pada kayu Kamper yaitu bernilai 1.40 ini menandakan letaknya jauh dari diagonal utama yang mengukur nilai matrix yang terdistribusi, merefleksikan kejelasan gambar dan tekstur kedalaman bayangan. Fitur kontras sendiri menunjukkan ukuran penyebaran elemen- elemen matriks citra. Secara visual, nilai kekontrasan adalah ukuran variasi antar derajat keabuan suatu daerah citra, begitu juga untuk nilai fitur korelasi tertinggi berada pada kayu kamper yaitu 0.928 menandakan ketidakteraturan tekstur gambar karena semakin besar nilai korelasi, maka sangat tidak meratanya tekstur gambar. Nilai energi tertinggi berada pada kayu Pinus yaitu 0.861 dimana energi berfungsi sebagai pengukuran tekstur dari gambar grayscale yang merepresentasikan perubahan homogeneity, merefleksikan keseragaman berat dan tekstur distribusi gambar grayscale. Semakin tinggi nilai energi maka semakin seragam berat dan tekstur distribusi grayscale, lalu untuk nilai homogeneity tertinggi berada pada kayu Pinus yaitu 0.987. Fitur homogeneity berfungsi untuk mengukur nilai perubahan lokal pada tekstur gambar, semakin besar nilainya maka perubahan lokal tekstur gambar juga semkain tinggi. 4.3 Pelatihan dan Pengujian Backpropagation Pada bagian pelatihan diinputkan data hasil ekstraksi GLCM dimana parameter output memiliki 4 macam sudut yaitu yaitu korelasi, kontras, homogeneity, dan energi, dan setiap masing-masing parameter memiliki 4 sub parameter yaitu 0 derajat, 45 derajat, 90 derajat, dan 135 derajat sehingga jumlah neuron input adalah sebanyak 16 neuron. Adapun data yang dilatih adalah sebanyak 25 data dimana untuk setiap jenis serat kayu terdapat 5 data, dan jumlah kayu adalah 5 jenis, sehingga jumlah total data
70 yang diuji adalah 25 data. Tabel 4.23 menunjukan arsitektur pada backpropagation seperti yang dimodelkan pada Bab III, dimana neuron input X1-X4 adalah nilai untuk korelasi, X5-X8 adalah nilai untuk kontras, X9-X12 adalah nilai untuk energi, X13-X16 adalah nilai untuk homogeneity. Kemudian backpropagation akan melatih seluruh nilai di tabel 4.23 sebanyak 25 data yang terdiri dari 5 data untuk setiap jenis kayu. Nilai-nilai tersebut akan disimpan ke sebuah tabel dengan format.mat untuk dapat diakses oleh Matlab. Pelatihan digunakan untuk mencari output optimal yang akan digunakan untuk prediksi atau pengujian data sehingga hasil setiap citra serat kayu yang diekstraksi dengan GLCM dapat diklasifikasikan. Kecepatan pembelajaran data yang digunakan adalah 0.1 dan perulangan optimal adalah sebanyak 1000 hingga 10000 data tersebut akan dilakukan trial error, dengan neuron di hidden layer 1 dan hidden layer 2 sebanyak 20 hingga 50. Adapun alasan penggunaan learning rate 0.1 agar dapat mencari error yang paling akurat, dan waktu pembelajaran akan menjadi lebih cepat. Jika dibandingkan learning rate 0.01, maka pencarian error akan lebih teliti yang akan berdampak dengan waktu yang lebih lama untuk melakukan pembelajaran/pelatihan. Jumlah iterasi akan menentukan besarnya error yang akan dihasilkan, selain itu jumlah neuron yang paling tepat adalah 50 untuk hidden layer 1 dan 50 untuk hidden layer 2 jumlah tersebut didapat dari hasil trial error dikarenakan bobot awal dari Matlab adalah acak, sehingga nilai bobot akan terus berubah setiap awal pelatihan data. Cara trial error digunakan untuk hasil terbaik pada pelatihan sekaligus pengujian pada setiap hidden layer untuk dapat mengklasifikasikan jenis-jenis kayu.
71 Tabel 4.4 Hasil Percobaan Untuk Mencari Nilai Error Terkecil No Iterasi Hidden 1 Hidden 2 Learn Rate Threshold Error Data (%) 1 1000 20 20 0.1 0.01 44 2 1000 30 30 0.1 0.01 40 3 1000 50 50 0.1 0.01 80 4 2500 20 20 0.1 0.01 68 5 2500 30 30 0.1 0.01 56 6 2500 50 50 0.1 0.01 48 7 3000 20 20 0.1 0.01 60 8 3000 30 30 0.1 0.01 48 9 3000 50 50 0.1 0.01 28 10 5000 20 20 0.1 0.01 68 11 5000 30 30 0.1 0.01 64 13 7000 20 20 0.1 0.01 68 15 7000 50 50 0.1 0.01 68 16 10000 20 20 0.1 0.01 52 17 10000 30 30 0.1 0.01 52 18 10000 50 50 0.1 0.01 68 Dari hasil trial error didapatkan bahwa error data terkecil berada pada iterasi 3000 dengan jumlah neuron pada hidden layer 1 adalah 50 dan layer pada hidden layer 2 adalah 50 dengan learning rate 0.1 menunjukan tingkat error terkecil yaitu 28% yang didapatkan dari jumlah error/jumlah data dikalikan dengan 100%. Pengujian dilakukan pada 25 data untuk mengklasifikasikan jenis kayu. Hasil untuk tingkat keberhasilan klasifikasi kayu dapat dilihat pada tabel 4.5.
72 Tabel 4.5 Presentase Keberhasilan Pengenalan Data Uji Jenis Kayu Banyak data Pelatihan( buah) Data yang berhasil dikenali Kesalahan Pengenalan Presentasi Keberhasilan Kamper 5 5 0 100% Keruing 5 3 2 60% Meranti 5 5 0 100% Pinus 5 1 4 20% Randu 5 4 1 80% Pada kayu Kamper nilai data yang dapat dikenali berada dalam range 0 hingga 0.1, dimana target yang dituju range antara 0 hingga 0.1, sehingga semua data dapat dikenali, dan tidak ada kesalahan data. Untuk kayu Keruing data yang dikenali adalah 3 buah yang nilainya berada diantara range 0.1 hingga 0.25, sedangkan 2 data tidak dikenali karena berada di range 0.25 hingga 0.5 yaitu target range untuk kayu Meranti. Sedangkan semua data untuk kayu Meranti dapat dikenali karena berada pada range target yaitu 0.25 hingga 0.5. Lalu untuk kayu Pinus data yang berhasil dikenali hanya satu saj, sedangkan 4 data lainya gagal dikenali dikarenakan berada pada range 0.75 hingga 1.00 yang merupakan range untuk kayu Randu. Pada kayu Randu 4 data dikenali dan 1 data gagal dikenali karena berada pada dalam range target Meranti yaitu range 0.5 hingga 0.75.