Percobaan ke dua dilakukan dengan menggunakan nilai histogram yang telah dimanipulasi. Manipulasi dilakukan dengan cara mengambil rentang nilai tertentu dari nilai derajat keabuan. Setelah histogram dimanipulasi, nilai statistical textures juga akan dinormalisasi dengan cara membagi nilai tekstur statistik dengan nilai yang terbesar yang terdapat dalam himpunan data. Normalisasi ini dilakukan per tekstur. Gambar 23 merupakan grafik akurasi dari percobaan 2 untuk nilai k=1 sampai k=10.
Gambar 23 Grafik akurasi percobaan 2
Berdasarkan Gambar 20, nilai k yang menghasilkan akurasi terbesar yaitu k=7, k=9, dan k=10 dengan akurasi sebesar 75%, sedangkan akurasi terkecil yaitu 60% yang diperoleh pada saat k=3, k=4, dan k=6. Percobaan 2 menghasilkan akurasi 15% lebih rendah dibandingkan dengan percobaan 1 yang menghasilkan akurasi tertinggi sebesar 90% pada saat k=8. Tidak terjadinya peningkatan akurasi bisa dipengaruhi oleh faktor pencahayaan yang tidak seragam sehingga berpengaruh pada histogram yang dihasilkan.
Untuk mengetahui data mana saja yang salah diklasifikasi, berikut ini merupakan confusion matrix dari hasil klasifikasi percobaan 2 dengan
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% k=1 k=2 k=3 k=4 k=5 k=6 k=7 k=8 k=9 k=10 A k u rasi Nilai k
23 menggunakan k=7. Confusion matrix untuk masing-masing k dapat dilihat pada Lampiran 23 sampai Lampiran 31.
Tabel 7 Confusion matrix percobaan 2untuk k=7 Kelas
aktual
Kelas hasil prediksi
Sem Pin Lep Mar Mat Lei Joh Jav Plt Pal
Sem 2 0 0 0 0 0 0 0 0 0 Pin 0 2 0 0 0 0 0 0 0 0 Lep 0 0 0 0 1 0 0 1 0 0 Mar 0 0 0 2 0 0 0 0 0 0 Mat 0 2 0 0 0 0 0 0 0 0 Lei 0 0 0 0 0 2 0 0 0 0 Joh 0 0 0 0 0 0 2 0 0 0 Jav 0 0 0 0 0 0 0 2 0 0 Plt 0 0 0 0 0 0 0 0 2 0 Pal 1 0 0 0 0 0 0 0 0 1
Berdasarkan Tabel 7, kelas yang berhasil diklasifikasikan dengan sempurna untuk setiap citra uji yaitu seminis, pinanga, marcoptera, lepida, johorensis, javanica, dan platyclados. Sementara itu tiga kelas yang tidak sempurna diklasifikasi yaitu leprosula, materialis, dan palembanica. Seluruh citra uji untuk kelas leprosula dan materialis gagal diklasifikasi dengan benar. Citra uji pertama dari kelas leprosula diklasifikasi menjadi kelas javanica, sedangkan citra uji ke dua diklasifikasi menjadi kelas materialis. Tabel 8 menjelaskan peringkat dari hasil kuadrat jarak yang terjadi pada kelas leprosula untuk data uji pertama pada saat k=7.
Pada Tabel 8, tidak ada satu pun record yang memiliki kedekatan dengan kelas leprosula, sedangkan dari kelas javanica terdapat empat record yang menghasilkan jarak terdekat dengan data uji. Hal ini berarti, data uji pertama dari kelas leprosula memiliki nilai yang jauh berbeda dengan data leprosula pada training set dan lebih memiliki kedekatan dengan data javanica pada training set.
Tabel 8 Hasil kuadrat jarak pada data uji leprosula pertama saat k=7 Peringkat Kelas prediksi Kuadrat jarak
1 Javanica 0.00336 2 Javanica 0.00701 3 Materialis 0.00758 4 Javanica 0.00842 5 Javanica 0.01584 6 Materialis 0.02687 7 Palembanica 0.03778
Seluruh citra uji dari kelas materialis diklasifikasi menjadi kelas pinanga. Tabel 10 menjelaskan peringkat dari hasil kuadrat jarak yang terjadi pada kelas materialis untuk data uji pertama pada saat k=7.
Untuk data uji pertama dari kelas materialis, pada Tabel 10 terjadi kasus seri seperti pada percobaan 1, yaitu kelas pinanga dan materialis sama-sama memiliki
24
tiga jarak terdekat. Peringkat pinanga lebih bagus dibandingkan dengan materialis, yaitu 1, 2 dan 6, sedangkan materialis yaitu 4, 5 dan 7.
Tabel 9 Hasil kuadrat jarak pada data uji materialis pertama saat k=7 Peringkat Kelas prediksi Kuadrat jarak
1 Pinanga 0.00001 2 Pinanga 0.00005 3 Leprosula 0.00014 4 Materialis 0.00014 5 Materialis 0.00015 6 Pinanga 0.00070 7 Materialis 0.00077
Untuk kelas palembanica, citra uji yang gagal diklasifikasi merupakan citra uji pertama, yang diklasifikasi menjadi kelas seminis. Tabel 12 merupakan daftar peringkat dari hasil kuadrat jarak yang terjadi untuk data uji pertama dari kelas palembanica.
Tabel 10 Hasil kuadrat jarak pada data uji palembanica pertama saat k=7 Peringkat Kelas prediksi Kuadrat jarak
1 Palembanica 0.00346 2 Seminis 0.00901 3 Marcoptera 0.01001 4 Palembanica 0.01566 5 Seminis 0.01949 6 Seminis 0.03581 7 Marcoptera 0.04369
Berdasarkan Tabel 12, data uji pertama dari kelas palembanica memiliki nilai yang cukup dekat dengan kelas seminis, marcoptera, dan palembanica sendiri. Dari kelas seminis menghasilkan tiga record jarak terkecil, sedangkan untuk kelas palembanica dan marcoptera masing-masing menghasilkan dua record.
Analisis kesalahan berdasarkan box plot dilakukan untuk kelas leprosula saja, karena kecendrungan pola box plot yang sama pada ke tiga kelas yang mengalami kesalahan prediksi. Gambar 24 merupakan box plot perbandingan antara kelas leprosula (kelas aktual) dengan kelas javanica (kelas prediksi) untuk ciri tekstur mean. Posisi nilai mean data uji pada Gambar 24 ditandai dengan garis putus-putus. Posisi nilai mean data uji leprosula pertama yaitu 0.308 berada pada lower whisker end yang berarti merupakan nilai mean terkecil dari kelas leprosula.
25
Gambar 24 Box plot mean antara leprosula dan javanica
Gambar di atas menunjukkan bahwa posisi nilai mean data uji leprosula menyinggung bidang IQR dari kelas javanica. Hal ini berarti tampak jelas bahwa nilai mean dari data latih ini lebih memiliki keseragaman dengan kelas javanica, bukan dengan kelas leprosula yang merupakan kelas aktualnya, sehingga data uji ini mengalami kesalahan prediksi. Bukan hanya posisi dari nilai mean saja, hampir semua posisi dari nilai tekstur statistik lainnya, kecuali uniformity, yang menyinggung bidang IQR dari kelas javanica. Box plot perbandingan antara kelas leprosula dan kelas javanica untuk ciri tekstur yang lain dapat dilihat pada Lampiran 32 sampai Lampiran 36.
Perbandingan dengan Penelitian Terkait
Penelitian yang terkait dengan penelitian ini adalah penilitian dari Nurjayanti (2011) dan Ramadhan (2012). Perbandingan ini dilakukan berdasarkan pada objek penelitian, ekstraksi fitur, pengklasifikasi yang digunakan, dan akurasi yang didapatkan. Di bawah ini merupakan tabel perbandingan dengan penelitian sejenis yang telah dilakukan sebelumnya.
Tabel 11 Perbandingan dengan penelitian terkait
Nama peneliti Objek penelitian Ekstraksi fitur Pengklasifikasi Nurjayanti (2011) 5 jenis daun Shorea Morfologi daun KNN Ramadhan (2012) Citra 10 jenis daun Shorea Discrete wavelet transform
Model warna hue saturation value (HSV)
Backpropagation neural network
Data daun Shorea yang diteliti oleh Nurjayanti (2011) adalah Shorea multiflora, palembanica, balengaran, lepida, dan assamica. Karakteristik morfologi daun yang digunakan yaitu panjang daun, lebar daun, bentuk tulang daun, dan lain-lain. Citra daun Shorea yang diteliti oleh Ramadhan (2012) sama
26
dengan penelitian ini. Discrete wavelet transform yang digunakan yaitu DWT Daubechies dan Haar.
Penelitian ini menghasilkan akurasi lebih rendah dibandingkan dengan dua penelitian tersebut. Akurasi tertinggi dalam penelitian ini yaitu 90% dan terendah yaitu 70%. Akurasi untuk penelitian Nurjayanti (2011) yaitu 100%. Nurjayanti (2011) mendapatkan nilai akurasi sebesar 100% diperoleh karena terdapat fitur- fitur morfologi daun yang bersifat nominal/kategori. Fitur-fitur nominal tersebut yaitu bentuk tulang daun, permukaaan daun, ujung daun, dan pangkal daun. Nilai dari fitur-fitur nominal tersebut diinputkan secara manual. Sementara pada penelitian ini, nilai-nilai fitur diperoleh berdasarkan histogram citra grayscale yang dipengaruhi oleh banyak faktor, seperti pencahayaan, kekontrasan citra, dan lain-lain. Penelitian Ramadhan (2012) memperoleh akurasi tertinggi sebesar 93.3% dan terendah sebesar 33.33% yang menggabungkan DWT Haar dan Daubechies, serta ekstraksi warna HSV.