Pada penelitian ini digunakan 10 spesies daun Shorea, yaitu Shorea
javanica, Shorea johorensis, Shorea lepida, Shorea leprosula, Shorea macroptera, Shorea materialis, Shorea palembanica, Shorea pinanga, Shorea platyclados, dan Shorea seminis. Masing-masing 10 jenis Shorea tersebut memiliki 10 data citra.
Data latih sebanyak 8 citra, dan 2 citra data uji untuk masing-masing 10 spesies. Sehingga total data latih sebanyak 80 citra, dan 20 citra sebagai data uji. Pembagian data akan dibagi menjadi kelompok data menggunakan 5-fold cross
17
Ekstraksi Ciri Morfologi
Ekstraksi ciri morfologi membutuhkan citra biner sebagai masukan. Jumlah nilai ciri morfologi yang diekstraksi berjumlah tujuh. Tujuh nilai ciri morfologi yang digunakan adalah area, diameter, perimeter, smooth factor, form factor, rasio perimeter dan diameter, serta rasio panjang dan lebar daun. Nilai-nilai ciri dasar dan turunan daun direpresentasikan seperti yang terlihat pada Gambar 17 dan ilustrasi mengenai contoh nilai morfologi ada di Gambar 18.
Gambar 17 Contoh hasil ekstraksi morfologi
(a) (b) (c) (d)
Gambar 18 (a) Area, (b) Perimeter, (c) Diameter, (d) P rasio of D
Percobaan I : Menggunakan 7 parameter (area, perimeter, diameter, smooth factor, form factor, perimeter ratio of diameter, dan perimeter ratio of
physiological length and physiological width) tanpa normalisasi
Percobaan ini melibatkan data citra 10 jenis Shorea yang telah di akuisisi, dilakukan tahapan praproses tanpa normalisasi dan dilakukan ekstraksi fitur ciri morfologi. Pada percobaan ini digunakan 80 record sebagai data latih yang berisi
subset 1, 2, 3, dan 4. Subset 5 yang berisi 20 record dijadikan data uji. Percobaan
terus dilakukan sehingga setiap subset pernah menjadi data uji, dan dilakukan 5 kali iterasi berdasarkan subset pada k-fold cross validation dengan 10 buah nilai bias (h=0.1 sampai h=1). Hasil akurasi untuk masing-masing iterasi dapat dilihat pada Tabel 5.
18
Tabel 5 Hasil akurasi percobaan I dalam (%)
Fold Nilai bias (h)
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 I 100 95 95 70 80 80 75 70 70 70 II 100 100 100 95 60 55 65 65 60 55 III 100 95 95 90 85 80 70 65 65 65 IV 100 100 85 85 85 70 70 70 60 60 V 100 100 85 75 75 70 60 55 55 50 Rata-rata 100 98 92 83 77 71 68 65 62 60 Keterangan :
Akurasi rata-rata maksimum
Pada percobaan tersebut didapatkan rata-rata akurasi tertinggi yaitu sebesar 100% dengan nilai (h=0.1), namun pada nilai (h=0.9 dan h=1) akurasi menjadi sangat menurun. Rata-rata akurasi pada setiap iterasi dapat dilihat pada Gambar 19.
Gambar 19 Grafik akurasi percobaan I
Berdasarkan grafik di atas, rata-rata akurasi tertinggi diperoleh pada nilai (h=0.1). Semakin meningkatnya nilai bias (h), rata-rata akurasi menjadi menurun. Pada nilai bias (h=0.1 dan h=0.2) menghasilkan rata-rata akurasi tertinggi sebesar 100% dan 98%. Pada percobaan I dengan nilai bias (h=0.1), tidak ada confusion
matrix dikarenakan nilai akurasi pada setiap iterasi sebesar 100%.
Percobaan II : Menggunakan 7 parameter (area, perimeter, diameter, smooth factor, form factor, perimeter ratio of diameter, dan perimeter ratio of
physiological length and physiological width) dengan normalisasi
Pada percobaan ini sama seperti percobaan I, hanya saja menggunakan 7 parameter dengan normalisasi. Percobaan ini tetap melibatkan data citra 10 jenis
Shorea yang dilakukan tahapan praproses normalisasi ekstraksi fitur ciri
morfologi.
Pada percobaan ini tetap digunakan 80 record sebagai data latih yang berisi
subset 1, 2, 3, dan 4. Subset 5 yang berisi 20 record dijadikan data uji yang akan
dilakukan 5 kali iterasi berdasarkan subset pada 5-fold cross validation dengan 0 20 40 60 80 100 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Ak u ra si (%) Nilai h
19 nilai bias (h) yang sama seperti percobaan I. Hasil akurasi untuk masing-masing iterasi dapat dilihat pada Tabel 6.
Tabel 6 Hasil akurasi percobaan II dalam (%)
Fold Nilai bias (h)
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 I 100 95 90 80 80 80 75 70 70 70 II 55 55 55 55 60 55 65 65 60 55 III 100 95 95 85 85 80 70 65 65 65 IV 100 100 85 85 85 70 70 70 60 60 V 100 100 85 75 75 70 60 55 55 50 Rata-rata 91 89 82 76 77 71 68 65 62 60 Keterangan :
Akurasi rata-rata maksimum
Pada percobaan tersebut didapatkan rata-rata akurasi tertinggi yaitu sebesar 91% dengan nilai (h=0.1), dimana nilai rata-rata akurasi menurun pada setiap nilai bias (h) jika dibandingkan percobaan pertama. Rata-rata akurasi pada setiap iterasi dapat dilihat pada Gambar 20.
Gambar 20 Grafik akurasi percobaan II
Berdasarkan grafik di atas, rata-rata akurasi tertinggi diperoleh pada nilai (h=0.1). Semakin meningkatnya nilai bias (h), rata-rata akurasi menjadi menurun. Pada nilai bias (h=0.1 dan h=0.2) menghasilkan rata-rata akurasi tertinggi sebesar 91% dan 89%.
Record yang salah diklasifikasikan pada percobaan dengan nilai bias
(h=0.1) dapat dilihat pada Confusion matrix Tabel 7. 0 20 40 60 80 100 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Ak ura si (%) Nilai h
20
Tabel 7 Confusion matrix pada percobaan II dengan nilai h=0.1 Kelas
Asli
Kelas Prediksi
JAV JOH LED LPR MAC MAT PAL PIN PLA SEM
JAV 10 0 0 0 0 0 0 0 0 0 JOH 0 9 0 0 0 0 0 1 0 0 LED 0 0 9 0 0 0 0 0 0 1 LPR 0 0 0 8 0 0 2 0 0 0 MAC 0 0 0 0 9 0 0 1 0 0 MAT 0 0 0 1 1 8 0 0 0 0 PAL 0 0 0 0 0 0 10 0 0 0 PIN 0 0 0 0 0 0 0 10 0 0 PLA 0 0 0 0 0 0 0 0 9 1 SEM 0 0 0 0 0 0 1 0 0 9
Berdasarkan Tabel 7 di atas, pada percobaan dengan nilai h=0.1, dari 10 kelas yang ada, hanya 3 kelas yang benar diklasifikasikan, yaitu kelas 1 (Shorea
javanica), kelas 7 (Shorea palembanica), dan kelas 8 (Shorea pinanga). Sebanyak
7 kelas yang salah diklasifikasikan, yaitu kelas 2 (Shorea johorensis), kelas 3 (Shorea lepida), kelas 4 (Shorea leprosula), kelas 5 (Shorea macroptera), kelas 6 (Shorea materialis), kelas 9 (Shorea platyclados), dan kelas 10 (Shorea seminis). hal ini disebabkan kemiripan ciri morfologi daun berupa parameter area, dan kesamaan ukuran bentuk.
Perbandingan Percobaan I dan Percobaan II
Percobaan I dan percobaan II menghasilkan rata-rata tingkat akurasi yang berbeda untuk seluruh jenis Shorea yang diidentifikasi. Perbandingan tingkat akurasi yang dihasilkan pada setiap percobaan dapat dilihat pada Gambar 21.
Gambar 21 Grafik perbandingan akurasi percobaan I dan percobaan II 0 10 20 30 40 50 60 70 80 90 100 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Ak ura si (%) Nilai h Percobaan I Percobaan II
21
SIMPULAN DAN SARAN
Simpulan
Berdasarkan penelitian yang telah dilakukan, dapat diambil kesimpulan bahwa penggunaan klasifikasi PNN dapat melakukan pengidentifikasi jenis
Shorea, walaupun masih terdapat salah dalam pengidentifikasian. Akurasi
pengenalan citra daun Shorea dengan menggunakan PNN sebagai classifier dengan k=5 nilai bias (h=0.1) menghasilkan rata-rata akurasi terbesar 100% pada percobaan I, sedangkan pada percobaan II rata-rata akurasi terbesar 91% dimana praproses normalisasi pada ekstraksi fitur berpengaruh terhadap akurasi. Jenis
Shorea yang selalu tepat diidentifikasikan dengan benar pada percobaan I dan II
menggunakan seluruh fitur adalah Shorea javanica, Shorea palembanica, dan
Shorea pinanga.
Saran
Penelitian ini masih memiliki beberapa kekurangan yang dapat diperbaiki pada penelitian selanjutnya. Beberapa saran itu di antaranya dengan menambahkan jumlah data untuk setiap jenis Shorea agar data yang digunakan lebih bervariasi. Menggunakan teknik klasifikasi dan fitur yang lain untuk mengetahui tingkat akurasi.