Saran - The Classification of Freycinetia Based on Stomata Anatomic Image Using K-Nearest Neigh

Penelitian ini dapat dikembangkan untuk menghitung nilai indeks stomata dan kerapatan stomata dengan menggunakan jenis Freycinetia yang lebih bervariasi. Penentuan data latih dan data uji dilakukan melalui proses pengacakan dengan variasi nilai k-fold.

DAFTAR PUSTAKA

Ahmad U. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya.

Yogyakarta: Graha Ilmu.

Brink M, Escobin RP. 2003. Fibre Plants. Wageningen: Prosea.

Callmander MW, Chassot P, Kupfer P, Lowry PP. 2003. Recognition of

Martellidendron a new genus of Pandanaceae, and its biogeographic implications.Taxon52:747-762.

Dahlgren RMT, Clifford HT, Yeo PF. 1985. The Families of the Monocotyledons.

Tokyo: Springer-Verlag.

Damayanti F. 2007. Analisis jumlah kromosom dan anatomi stomata pada beberapa plasma nutfah pisang (Musa sp.) asal Kalimantan Timur. Bioscientiae2007;4:53-61.

Duda RO, Hart PE. 1995. Pattern Classification and Scene Analysis 2^nd edition.

New York: John Wiley & Sons.Inc .

Fausett L. 1994. Fundamentals of Neural Networks (Architectures, Algorithms, and Applications).New Jersey : Prentice-Hall, Inc.

Gasim. 2006. Jaringan syaraf tiruan untuk p engenalan jenis kayu berbasis c itra [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor.

Han J, Kamber M. 2001. Data Mining: Concepts and Techniques. Morgan Kaufmann.

Hanselman D, Littlefield B. 1998. “Mastering MATLAB 5, A Comprehensive

Tutorial and Reference”. Prentice-Hall Inc.

Haralick RM, K Shanmugam, Itshak Dinstein. 1973. Textural features for image classification. IEEE Transaction on System, Man and Cybernetics 3:6.

Haryanto FF. 2010. Analisis kromosom dan stomata tanaman Salak Bali (Salacca zalacca var. Amboinensis (Becc.) Mogea), Salak Padang Sidempuan (S. sumatrana (Becc.) Mogea) dan Salak Jawa (S. zalacca var. zalacca (Becc.) Mogea) [skripsi]. Surakarta: Fakultas Pertanian, Unive rsitas Sebelas Maret. Hermawan A. 2006.Jaringan Syaraf Teori dan Aplikasi. Yogyakarta: ANDI Heyne K. 1987. Tumbuhan Berguna Indonesia. Jakarta: Badan Penelitian dan

Kusumadewi S. 2004. Membangun Jaringan Syaraf Tiruan. Yogyakarta: Graha Ilmu.

McAndrew A. 2004. An Introduction to Digital Image Processing with Matlab. Australia: Thomson.

Nurjayanti B. 2011. Identifikasi Shorea menggunakan k-nearest neighbour

berdasarkan karakteristik morfologi daun [s kripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam , Institut Pertanian Bogor.

Pasaribu N. 2010. Freycinetia (Pandaceae) of Sumatra [disertasi]. Bogor: Program Pascasarjana, Institut Pertanian Bogor.

Puspitasari D. 2011. Identifikasi jenis Shoreamenggunakan jaringan syaraf tiruan propagasi balik berdasarkan karakteristik morfologi daun [s kripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam , Institut Pertanian Bogor. Putra D. 2010.Pengolahan Citra Digital. Yogyakarta: Andi Offset.

Santoso I, Yuli Christyono, Mita Indriani. 2007. Kinerja Pengenalan Citra Teskstur Menggunakan Analisis Tekstur Metode Run Length. Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007) ; Yogyakarta, 16 Juni 2007.

Stace CA. 1989. Plant Taxonomy and Biosystematic. 2^nded. Australia: Cambridge University Press.

Stone BC. 1970. Malayan climbing pandans. The genus Freycinetia in Malaya. Malay Nat J23 : 84-91

Wicaksana AC. 2011. Identifikasi penyakit padi dan Anthurium menggunakan wavelet dengan klasifikasi k -nearest neighbors [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam , Institut Pertanian Bogor.

Willmer CM. 1983. Stomata. New York: Longman Inc.

Wu SG et al. 2007. A Leaf Recognition Algorithm for Plant Classification using Probabilistic Neural Network. China: Chinese Academy of Science.

Lampiran 1 Hasil ekstraksi fitur RGB dan analisis tekstur

Data entropy std level kontras energy homoge R G B 1 6,92 34,26 0,56 0,30 0,23 0,86 211,78 131,61 172,88 2 6,83 30,70 0,55 0,28 0,22 0,86 208,74 126,35 168,98 3 6,88 34,76 0,56 0,31 0,26 0,86 213,28 134,81 175,46 4 7,02 36,65 0,55 0,32 0,21 0,85 209,60 131,86 172,96 5 6,66 28,21 0,56 0,25 0,26 0,88 213,76 129,30 171,03 6 6,55 24,71 0,57 0,25 0,25 0,88 210,12 124,99 167,66 7 6,60 27,93 0,56 0,27 0,28 0,88 215,37 130,28 172,25 8 6,85 31,98 0,56 0,28 0,24 0,87 210,78 131,12 172,16 9 7,39 44,72 0,53 0,35 0,12 0,83 202,26 119,12 160,54 10 7,38 43,44 0,55 0,36 0,12 0,83 199,73 120,12 161,38 11 7,41 45,84 0,54 0,38 0,12 0,83 202,22 120,00 161,62 12 7,48 49,42 0,53 0,40 0,11 0,82 198,93 121,98 163,63 13 7,44 46,80 0,52 0,35 0,12 0,84 204,42 116,34 158,76 14 7,32 42,02 0,56 0,35 0,13 0,83 206,47 125,18 167,20 15 7,44 47,20 0,54 0,36 0,12 0,83 204,61 121,86 163,41 16 7,45 47,96 0,54 0,40 0,11 0,81 203,90 123,23 165,99 17 6,84 31,68 0,55 0,28 0,23 0,87 212,25 125,18 164,68 18 6,91 33,12 0,50 0,27 0,20 0,87 208,35 111,22 151,43 19 6,60 26,79 0,58 0,26 0,28 0,88 217,32 131,28 171,15 20 6,87 31,71 0,55 0,29 0,21 0,86 212,94 123,87 163,99 21 6,83 31,61 0,58 0,27 0,26 0,87 215,46 134,96 172,93 22 6,66 27,38 0,58 0,26 0,26 0,87 215,35 132,04 171,16 23 6,73 30,10 0,59 0,26 0,30 0,88 217,42 137,97 175,73 24 6,92 35,00 0,56 0,30 0,24 0,86 212,94 132,32 170,81 25 6,49 28,85 0,62 0,30 0,31 0,87 210,05 159,47 181,36 26 6,51 29,49 0,62 0,31 0,30 0,86 209,43 159,08 181,37 27 7,09 40,75 0,58 0,42 0,17 0,83 206,61 147,20 166,93 28 7,02 39,07 0,59 0,40 0,19 0,83 207,03 149,24 169,41 29 6,97 37,37 0,59 0,39 0,20 0,84 208,12 148,79 169,12 30 6,91 36,31 0,60 0,37 0,20 0,84 208,71 150,82 171,13 31 6,68 31,77 0,61 0,34 0,28 0,86 206,53 155,26 177,54 32 6,67 29,99 0,62 0,31 0,27 0,86 208,34 156,43 178,48 33 6,63 30,55 0,62 0,33 0,27 0,86 207,02 157,85 179,81 34 6,69 32,23 0,61 0,35 0,24 0,85 207,22 158,62 179,73 35 6,56 29,66 0,63 0,34 0,26 0,85 208,87 161,79 182,43 36 6,90 37,22 0,60 0,39 0,20 0,84 206,69 154,96 174,76 37 6,87 36,37 0,60 0,36 0,21 0,84 206,02 153,42 174,05 38 6,85 36,01 0,60 0,35 0,22 0,85 206,91 153,48 174,50 39 6,84 35,37 0,60 0,34 0,23 0,85 206,80 153,50 174,89 40 6,74 29,99 0,62 0,35 0,25 0,85 210,58 148,41 173,69 41 6,68 29,17 0,62 0,33 0,28 0,86 211,79 149,37 173,58 42 6,69 28,94 0,63 0,35 0,25 0,84 210,40 151,97 177,25 43 6,86 36,95 0,59 0,40 0,21 0,83 208,07 152,12 173,16 44 6,89 36,12 0,59 0,36 0,22 0,84 207,55 148,18 171,07 45 6,97 38,22 0,58 0,40 0,20 0,83 207,15 148,61 171,20 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 6,86 37,92 0,68 0,33 0,27 0,85 214,48 184,13 206,66

Lampiran 2 Hasil ekstraksi fitur RGB dan analisis tekstur (transformasi)

Data entropy std level kontras energy homoge R G B 1 0,37 0,41 0,33 0,34 0,62 0,55 0,43 0,28 0,37 2 0,28 0,27 0,29 0,28 0,54 0,58 0,36 0,20 0,30 3 0,33 0,43 0,31 0,37 0,72 0,58 0,47 0,32 0,41 4 0,46 0,50 0,29 0,41 0,52 0,46 0,38 0,28 0,37 5 0,11 0,18 0,35 0,19 0,76 0,73 0,48 0,24 0,34 6 0,00 0,04 0,37 0,18 0,68 0,70 0,39 0,19 0,28 7 0,05 0,16 0,33 0,24 0,85 0,73 0,51 0,26 0,36 8 0,30 0,32 0,35 0,29 0,65 0,60 0,41 0,27 0,36 9 0,83 0,82 0,18 0,55 0,09 0,21 0,21 0,11 0,16 10 0,82 0,77 0,24 0,56 0,06 0,20 0,16 0,12 0,17 11 0,86 0,86 0,20 0,64 0,06 0,17 0,21 0,12 0,18 12 0,93 1,00 0,16 0,71 0,00 0,03 0,14 0,15 0,21 13 0,88 0,90 0,12 0,52 0,08 0,26 0,26 0,07 0,13 14 0,76 0,71 0,33 0,53 0,12 0,23 0,31 0,19 0,27 15 0,88 0,91 0,22 0,58 0,05 0,22 0,27 0,14 0,21 16 0,89 0,94 0,20 0,73 0,01 0,01 0,25 0,16 0,25 17 0,29 0,31 0,27 0,29 0,59 0,60 0,44 0,19 0,23 18 0,36 0,37 0,00 0,26 0,45 0,60 0,35 0,00 0,00 19 0,05 0,12 0,43 0,21 0,84 0,75 0,56 0,27 0,34 20 0,32 0,31 0,29 0,32 0,52 0,54 0,46 0,17 0,22 21 0,27 0,31 0,43 0,23 0,75 0,69 0,52 0,32 0,37 22 0,11 0,14 0,45 0,21 0,76 0,68 0,51 0,28 0,34 23 0,17 0,25 0,49 0,22 0,92 0,77 0,56 0,36 0,42 24 0,36 0,44 0,31 0,35 0,66 0,52 0,46 0,29 0,33 25 -0,06 0,20 0,65 0,33 0,97 0,61 0,39 0,65 0,52 26 -0,05 0,23 0,63 0,37 0,95 0,55 0,38 0,65 0,52 27 0,54 0,66 0,43 0,79 0,32 0,17 0,31 0,49 0,27 28 0,47 0,60 0,47 0,70 0,40 0,23 0,32 0,51 0,31 29 0,42 0,53 0,49 0,68 0,46 0,26 0,35 0,51 0,30 30 0,35 0,49 0,53 0,62 0,46 0,28 0,36 0,54 0,34 31 0,12 0,31 0,57 0,49 0,82 0,48 0,31 0,60 0,45 32 0,11 0,25 0,65 0,39 0,81 0,57 0,35 0,61 0,47 33 0,07 0,27 0,63 0,45 0,81 0,49 0,32 0,63 0,49 34 0,14 0,33 0,59 0,54 0,66 0,39 0,33 0,64 0,49 35 0,00 0,23 0,69 0,48 0,73 0,44 0,37 0,68 0,53 36 0,34 0,53 0,53 0,68 0,44 0,25 0,32 0,59 0,40 37 0,31 0,49 0,51 0,57 0,51 0,34 0,30 0,57 0,39 38 0,30 0,48 0,53 0,54 0,56 0,40 0,32 0,57 0,40 39 0,29 0,45 0,51 0,51 0,61 0,41 0,32 0,57 0,40 40 0,19 0,25 0,61 0,54 0,72 0,37 0,40 0,50 0,38 41 0,12 0,21 0,61 0,45 0,86 0,49 0,43 0,52 0,38 42 0,14 0,20 0,69 0,54 0,71 0,35 0,40 0,55 0,44 43 0,30 0,52 0,47 0,71 0,52 0,24 0,35 0,55 0,37 44 0,34 0,48 0,49 0,58 0,56 0,34 0,33 0,50 0,34 45 0,41 0,56 0,45 0,70 0,45 0,23 0,33 0,51 0,34 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 0,31 0,55 0,96 0,47 0,78 0,46 0,49 0,99 0,95

Lampiran 3 Hasil ekstraksi fitur (w-entropy) dekomposisiwavelet level 1

Data ^LowLow_¹ ^HighLow^_1 ^LowHigh^_1 ^HighHigh^_1

1 882024 124137 115122 -31153 2 878546 119910 112426 -20553 3 884409 120245 112471 -25774 4 880763 124034 115947 -16901 5 882527 112129 107303 -37272 6 879360 110526 103946 -29524 7 883758 107664 106257 -31381 8 881963 117572 109968 -21608 9 865921 146392 136120 -36807 10 866909 143168 139790 -25962 11 866387 145907 137699 -34077 12 864719 148023 147486 -19392 13 863450 140781 131569 -45720 14 873572 142183 132372 -41044 15 868051 142013 134829 -35477 16 868285 154063 142066 -18811 17 878028 118775 112684 -20548 18 865669 115934 108684 -20814 19 885089 110760 109287 -23778 20 877415 120018 110911 -20186 21 885774 115668 111403 -27659 22 884907 115361 108830 -22581 23 888736 108883 105754 -30879 24 882092 125166 113418 -16576 25 898852 104521 83250 -51260 26 898362 107539 87071 -47587 27 886789 128401 104998 -31010 28 889022 127846 100465 -35361 29 889574 127116 102831 -28403 30 891310 120513 98564 -31904 31 894797 115755 94647 -39466 32 896601 107333 87731 -50804 33 896907 111546 88037 -43554 34 896832 118863 92731 -39304 35 899842 110731 87403 -46559 36 893249 124342 93607 -46941 37 892230 116379 91425 -50516 38 892661 116868 94828 -44185 39 892847 116739 96735 -44976 40 892459 126677 98394 -31036 41 893457 113880 88144 -52230 42 894955 124458 92876 -38483 43 891909 119980 88698 -54965 44 889524 120445 98060 -32502 45 889031 128207 92364 -40581 . . . . . . . . . . . . . . . 96 913346 129522 91006 -45809

Lampiran 4 Hasil ekstraksi fitur (w-entropy) dekomposisiwavelet level 2 Data LowLow_2 HighLow_2 LowHigh_2 HighHigh_2 HighLow_1 LowHigh_1 HighHigh_1

1 247379 56122 49790 35290 124137 115122 -31153 2 246449 51784 47706 35050 119910 112426 -20553 3 247991 54123 48127 35984 120245 112471 -25774 4 247091 52854 49157 36533 124034 115947 -16901 5 247416 50918 46262 33268 112129 107303 -37272 6 246584 48510 45176 33816 110526 103946 -29524 7 247743 50040 46028 33641 107664 106257 -31381 8 247315 49998 47367 35907 117572 109968 -21608 9 243513 62577 57813 37201 146392 136120 -36807 10 243722 61666 57987 38606 143168 139790 -25962 11 243670 62531 58503 37996 145907 137699 -34077 12 243345 63476 60566 41101 148023 147486 -19392 13 242916 60795 56588 36609 140781 131569 -45720 14 245351 60869 56563 37016 142183 132372 -41044 15 244054 61137 57167 37702 142013 134829 -35477 16 244205 63404 59085 39977 154063 142066 -18811 17 246335 52309 47898 36229 118775 112684 -20548 18 243215 50319 45673 35319 115934 108684 -20814 19 248052 50187 46271 35417 110760 109287 -23778 20 246174 51562 47081 36198 120018 110911 -20186 21 248253 52522 48009 34150 115668 111403 -27659 22 247996 49569 46851 35477 115361 108830 -22581 23 248983 49758 45727 34724 108883 105754 -30879 24 247401 51982 48172 37873 125166 113418 -16576 25 251483 46649 37746 29691 104521 83250 -51260 26 251367 47060 38556 31482 107539 87071 -47587 27 248684 54418 45595 36200 128401 104998 -31010 28 249191 53662 44646 34276 127846 100465 -35361 29 249316 54453 44259 34255 127116 102831 -28403 30 249700 51080 43054 32945 120513 98564 -31904 31 250509 49328 41178 32783 115755 94647 -39466 32 250944 47659 39349 30700 107333 87731 -50804 33 251025 47102 39933 30399 111546 88037 -43554 34 251020 50716 42111 33353 118863 92731 -39304 35 251732 48682 38478 30859 110731 87403 -46559 36 250233 53967 42987 30906 124342 93607 -46941 37 249940 51575 41349 30273 116379 91425 -50516 38 250040 52724 42073 30289 116868 94828 -44185 39 250081 50573 41612 32039 116739 96735 -44976 40 249906 52973 42004 33040 126677 98394 -31036 41 250148 49032 39140 31161 113880 88144 -52230 42 250517 52131 41302 32895 124458 92876 -38483 43 249926 52654 40413 30389 119980 88698 -54965 44 249265 52904 43475 32718 120445 98060 -32502 45 249204 54443 42182 31615 128207 92364 -40581 . . . . . . . . . . . . . . . . . . . . . . . . 96 255158 54630 43249 32436 129522 91006 -45809

Lampiran 5 Hasil olah data RGB dan analisis tekstur dengan JST

Fold 1 (10hidden neuron)

Hasil JST (Data Uji) _{Nilai Max} (Kelas 1–4)

Prediksi (kelas)

Aktual

(kelas) ^Akurasi Kelas 1 Kelas 2 Kelas 3 Kelas 4

1,00 0,00 0,00 0,00 1,00 1 1 1 1,01 0,00 -0,01 0,00 1,01 1 1 1 0,99 0,00 0,01 0,00 0,99 1 1 1 1,00 -0,01 0,00 0,00 1,00 1 1 1 0,00 1,00 0,00 0,00 1,00 2 2 1 0,00 1,02 0,00 -0,02 1,02 2 2 1 0,00 1,00 0,00 0,00 1,00 2 2 1 0,00 1,00 0,00 0,00 1,00 2 2 1 -5,12 -1,30 6,13 1,29 6,13 3 3 1 -6,10 -0,11 7,12 0,10 7,12 3 3 1 -4,58 -0,23 5,58 0,23 5,58 3 3 1 -0,67 0,00 1,67 0,00 1,67 3 3 1 0,01 -0,29 -0,01 1,29 1,29 4 4 1 0,00 -1,19 0,00 2,19 2,19 4 4 1 0,01 0,32 -0,01 0,68 0,68 4 4 1 0,01 0,34 0,00 0,66 0,66 4 4 1 Total Akurasi 100%

Fold 2 (10hidden neuron)

Hasil JST (Data Uji) _{Nilai Max} (Kelas 1–4)

Prediksi (kelas)

Aktual

(kelas) ^Akurasi Kelas 1 Kelas 2 Kelas 3 Kelas 4

1,04 0,00 -0,04 0,00 1,04 1 1 1 0,11 0,00 0,89 0,00 0,89 3 1 0 1,03 0,00 -0,03 0,00 1,03 1 1 1 1,00 0,00 0,00 0,00 1,00 1 1 1 0,00 1,00 0,00 0,00 1,00 2 2 1 0,00 1,00 0,00 0,00 1,00 2 2 1 0,00 1,00 0,00 0,00 1,00 2 2 1 0,00 1,00 0,00 0,00 1,00 2 2 1 0,11 -0,02 0,89 0,02 0,89 3 3 1 -0,06 -0,31 1,06 0,31 1,06 3 3 1 0,00 0,00 1,00 0,00 1,00 3 3 1 0,00 0,00 1,00 0,00 1,00 3 3 1 0,00 -0,48 0,00 1,48 1,48 4 4 1 0,00 -1,41 0,00 2,41 2,41 4 4 1 0,00 -1,47 0,00 2,47 2,47 4 4 1 0,01 -0,09 0,00 1,08 1,08 4 4 1 Total Akurasi 94%

Lampiran 6 Rekapitulasi kesalahan klasifikasi dengan K -NN Fitur RGB dan analisis tekstur (tanpa transformasi)

Aktual Prediksi

Kelas/Jenis Data ke- Kelas/Jenis

(1) F.angustifolia 2, 14, 18, 20 (3) F.javanica

(2)F.imbricata 23, 24 (4)F.sumatrana

(3)F.javanica 4, 5, 16 (1) F.angustifolia

(4)F.sumatrana 2, 8, 17, 18 (2)F.imbricata

Fitur RGB dan analisis tekstur (dengan transformasi)

Aktual Prediksi

Kelas/Jenis Data ke- Kelas/Jenis

(1) F.angustifolia 18 (3) F.javanica

(2)F.imbricata 23, 24 (4)F.sumatrana

(3)F.javanica 5, 16 (1) F.angustifolia

Fitur Dekomposisi waveletlevel 1

Aktual Prediksi

Kelas/Jenis Data ke- Kelas/Jenis

(3)F.javanica 2, 3

(2)F.imbricata

(4)F.sumatrana 7

Fitur Dekomposisi waveletlevel 2

Aktual Prediksi

Kelas/Jenis Data ke- Kelas/Jenis

(1) F.angustifolia 1 (4)F.sumatrana (2)F.imbricata 23, 24 (3)F.javanica 2 (2)F.imbricata (4)F.sumatrana 7 9 17

Fitur Dekomposisi waveletlevel 3 dan level 4

Aktual Prediksi

Kelas/Jenis Data ke- Kelas/Jenis

(1) F.angustifolia 1 (4)F.sumatrana

(2)F.imbricata 12, 23, 24

(3)F.javanica 2 (2)F.imbricata

Lampiran 7 Rekapitulasi kesalahan klasifikasi dengan JST Fitur RGB dan analisis tekstur

Aktual Prediksi

Kelas/Jenis Data ke- Kelas/Jenis

(1) F.angustifolia 6, 19, 23 (3) F.javanica

(2)F.imbricata 23, 24 (4)F.sumatrana

Fitur Dekomposisi waveletlevel 1

Aktual Prediksi

Kelas/Jenis Data ke- Kelas/Jenis

(2)F.imbricata 21 (4)F.sumatrana

(4)F.sumatrana 17 (2)F.imbricata

Fitur Dekomposisi waveletlevel 2

Aktual Prediksi

Kelas/Jenis Data ke- Kelas/Jenis

(2)F.imbricata 23, 24 (4)F.sumatrana

(3) F.javanica 6 (1) F.angustifolia

(4)F.sumatrana 22 (2)F.imbricata

Fitur Dekomposisi waveletlevel 3

Aktual Prediksi

Kelas/Jenis Data ke- Kelas/Jenis

(1) F.angustifolia 21 (3)F.javanica

(2)F.imbricata 23, 24 (4)F.sumatrana

(3)F.javanica 2 (1) F.angustifolia

(4)F.sumatrana 4, 8, 17 (2)F.imbricata

Fitur Dekomposisi waveletlevel 4

Aktual Prediksi

Kelas/Jenis Data ke- Kelas/Jenis

(2)F.imbricata 12 (4)F.sumatrana

23 (3) F.javanica

24 (4)F.sumatrana

(4)F.sumatrana 7, 21 (1) F.angustifolia

ABSTRACT

ARIE QUR’ANIA. The Classification ofFreycinetiaBased on Stomata Anatomic

Image Using K-Nearest Neighbor and Artificial Neural Network. Under direction of AJI HAMIM WIGENA and AZIZ KUSTIYO

The classification of Freycinetia is conducted to portray the potential result and function of nutfah plasma spreader. This research is purposed to classify a variety ofFreycinetia based on stomata anatomic image by K -Nearest Neighbor (K-NN) and Artificial Neural Network (ANN). The Variety of Freycinetia classification can be described by using two different ways that are morphology and anatomic characteristic. Stomata anatomic image is used to support morphology characteristic in the identification process, especially in uncompleted morphology image specimen and sample. There are two feature extraction techniques in this research. First, is to pick up the color and gray scale element in the image. The scale element has a red, green and blue color (RGB). The grayscale has an entropy, contrast, energy, homo geneity, gray scale and deviation standard. Second, is a wavelet decomposition technique which has a function for decreasing a size of the image without loosing its important element. The taken element becomes a coefficient image of w -entropy for each wavelet level. Ninety six data is used in this research, it contains of four kinds of Freycinetia. They are

Freycinetia angustifolia, Freycinetia imbricata, Freycinetia javanica, and

Freycinetia sumatrana. The result shows an accuracy level for K-NN according to RGB and gray scale is 86 .46% and according to wavelet decomposition is 96.88%. Whereas, the accuracy level of ANN based on RGB color and gray scale element is 94.79% and according to wavelet decomposition is 9 9%. The classification result of plant variety, especially Freycinetia based on stomata image with high accuracy, will be an alternative tool to identify taxonomy type.

RINGKASAN

ARIE QUR’ANIA. Klasifikasi Freycinetia Berbasis Citra Anatomi Stomata

Menggunakan K-Nearest Neighbor dan Jaringan Syaraf Tiruan . Dibimbing oleh AJI HAMIM WIGENA dan AZIZ KUSTIYO.

Freycinetia merupakan genus terbesar kedua dari famil i Pandanaceae, yang memiliki sekitar 200-300 jenis (Stone 1970; Callmander et al. 2003). Klasifikasi jenis Freycinetia dilakukan menggunakan dua cara, yaitu ciri morfologi dan ciri anatomi. Ciri anatomi stomata dapat digunakan untuk mendukung ciri morfologi dalam proses klasifikasi jenis, khususnya pada kasus spesimen atau sampel yang memiliki ciri morfologi yang tidak lengkap. Bagian anatomi yang dapat dianalisis adalah bagian permukaan daun yang menghasilkan ciri bentuk serta jumlah epidermis dan stomata. P engamatan anatomi stomata di laboratorium dilakukan dengan membuat sayatan irisan paradermal (posisi irisan memanjang) untuk dibuat preparat yang s iap diamati menggunakan mikroskop . Hasil pengamatan mikroskop kemudian dianalisis berdasarkan jumlah epidermis dan stomata untuk menghasilkan nilai kerapatan dan indeks stomata. Proses perhitungan nilai kerapatan dan indeks stomata membutuhkan keahlian, pengalaman, ketelitian dan waktu dalam menentukan karakteristik jenis

Freycinetia.

Penelitian terdahulu menggunakan citra dengan praproses nilai red, green, blue (RGB) pada citra warna dan analisis tekstur pada citra grayscale untuk identifikasi jenis kayu menggunakan Jaringan Syaraf Tiruan (Gasim 2006) telah dilakukan dengan tingkat akurasi 100%. Penelitian tersebut menggunakan praproses lain yaitu wavelet dengan tingkat pengenalan tertinggi mencapai 60% . Tujuan utama dari penelitian ini adalah mengkl asifikasikan jenis Freycinetia

berbasis citra anatomi stomata menggunakan K-Nearest Neighbor (K-NN) dan Jaringan Syaraf Tiruan (JST) dan membandingkan tingkat akurasi kedua teknik tersebut dengan ekstraksi fitur RGB, analisis tekstur dan dekomposisi wavelet. Manfaat penelitian diharapkan dapat memberikan metode alternatif untuk membantu proses identifikasi jenis tumbuhan khususnya Freycinetia. Ruang lingkup dari penelitian ini adalah data digital citra anatomi stomata sebanyak 96 data, terdiri atas 80 data latih dan 16 data uji. Data citra anatomi stomata

Freycinetia terdiri atas empat jenis, yaitu Freycinetia angustifolia, Freycinetia imbricata, Freycinetia javanica, dan Freycinetia sumatrana.

Dua teknik ekstraksi fitur digunakan dalam penelitian ini . Pertama adalah ekstraksi fitur pada citra warna dan citra grayscale. Citra warna memiliki fitur

red, green, dan blue (RGB), sedangkan citra grayscale memiliki fitur entropi, kontras, energi, homogenitas, skala keabuan, dan standar deviasi. Fitur entropi, kontras, energi, dan homogenitas dikenal dengan analisis tekstur (Haralick et al.

1973). Kedua adalah ekstraksi fitur dengan dekomposisi wavelet pada level satu, level dua, level tiga, dan level empat. Dekomposisi wavelet level satu membagi citra menjadi empat subband,yang menghasilkan empat fitur w-entropy.

Dekomposisiwavelet level dua menghasilkan tujuh fitur w-entropy. Dekomposisi

wavelet level tiga menghasilkan sepuluh fitur w-entropy. Dekomposisi wavelet

level empat menghasilkan tiga belas fitur w-entropy.

Empat macam percobaan dilakukan dalam penelitian . Percobaan pertama mengklasifikasikan citra menggunakan K-NN dengan ekstraksi fitur RGB dan analisis tekstur, sedangkan percobaan kedua mengklasifikasikan citra menggunakan JST. Percobaan ketiga dan keempat mengklasifikasikan citra menggunakan K-NN dan JST dengan ekstraksi fitur dekomposisi wavelet level satu (4 fitur w-entropy), level dua (7 fitur w-entropy), level tiga (10 fitur

w-entropy), dan level empat (13 fiturw-entropy).

Hasil penelitian secara umum menunjukkan tingkat akurasi K-NN (k=1 dan k=2) dengan ekstraksi fitur RGB dan analisis tekstur sebesar 86,46%, sedangkan ekstraksi fitur dekomposisi wavelet level satu sebesar 96,88%. Tingkat akurasi JST (hidden neuron 30) dengan ekstraksi fitur RGB dan analisis tekstur sebesar 94,79%, sedangkan ekstraksi fitur dekomposisi wavelet level satu sebesar 99%. Hasil penelitian menggunakanw-entropypada ekstraksi fitur dekomposisi wavelet

level satu menghasilkan akurasi relatif lebih tinggi dibandingkan ekstr aksi fitur RGB dan analisis tekstur. Tingkat akurasi menggunakan JST relatif lebih tinggi dibandingkan K-NN. Proses transformasi data menaikkan tingkat akurasi sebesar 8,33% pada klasifikasi menggunakan K-NN dengan ekstraksi fitur RGB dan analisis tekstur. Proses dekomposisi wavelet level dua hingga level empat dan penambahan jumlahhidden neuroncenderung tidak menaikkan nilai akurasi . Kata kunci : freycinetia, rgb, skala keabuan, wavelet, k-nn, jst

BAB I

PENDAHULUAN

1.1. Latar Belakang

Freycinetia adalah genus terbesar kedua dari famil i Pandanaceae, yang memiliki sekitar 200-300 jenis (Stone 1970; Callmander et al. 2003). Klasifikasi jenis Freycinetia dilakukan untuk mengetahui nilai potensial dan kegunaan serta penyebaran koleksi plasma nutfah pada keberadaan sumberdaya hayati.

Klasifikasi jenisFreycinetiadapat dilakukan menggunakan dua cara . Cara pertama menggunakan c iri morfologi berdasarkan karakteristik makroskopis seperti bentuk dan ukuran daun, warna buah, dan warna bunga. Cara ini dapat dilakukan jika ciri morfologi pada tumbuhan lengkap. Cara kedua menggunakan ciri anatomi berdasarkan karakteristik mikroskopis seperti struktur stomata, ukuran stomata, jumlah stomata, jumlah epidermis, kerapatan stomata, dan indeks stomata. Cara ini dilakukan sebagai data pendukung jika ciri morfologi pada tumbuhan tidak lengkap.

Penelitian menggunakan ciri anatomi stomata pada jenis Freycinetia

sebagai pendukung ciri morfologi telah dilakukan , di antaranya penggunaan struktur stomata, posisi stomata, karakteristik epidermis , ada atau tidak adanya stomata pada costal dan intercostals (Stace 1989), jenis Freycinetia di Sumatra (Pasaribu 2010). Penelitian lain yang menggunakan k arakteristik anatomi stomata untuk menganalisis jenis, yaitu untuk menganalisis jenis pisang (Damayanti 2007) dan menganalisis jenis salak (Haryanto 2010).

Bagian anatomi yang dapat dianalisis adalah bagian permukaan daun yang menghasilkan ciri bentuk stomata, jumlah epidermis, dan jumlah stomata. Pengamatan anatomi stomata di laboratorium dilakukan dengan membuat sayatan irisan paradermal (posisi irisan memanjang) untuk dibuat preparat yang siap diamati menggunakan mikroskop . Hasil yang dapat dianalisis berdasarkan jumlah epidermis dan jumlah stomata adalah nilai kerapatan dan indeks stomata. Cara ini membutuhkan keahlian, pengalaman, ketelitian dan waktu dalam proses

perhitungan kerapatan dan indeks stomata untuk menentukan karakteristik jenis

Freycinetia.

Pengamatan ciri anatomi stomata dengan mikroskop digital menghasilkan citra atau foto digital. Beberapa penelitian menggunakan citra digital untuk proses klasifikasi telah dilakukan, di antaranya citra tekstur untuk klasif ikasi kulit kayu, logam, pasir, ubin, dan air menggunakan metode tetangga terdekat dengan nilai k=1 mencapai akurasi 100% (Santoso et al.2007). Penelitian menggunakan citra dengan praproses nilai red, green, blue (RGB) pada citra warna dan analisis tekstur pada citragrayscale dilakukan untuk identifikasi jenis kayu menggunakan Jaringan Syaraf Tiruan (Gasim 2006), menghasilkan tingkat akurasi 100%. Penelitian tersebut menggunakan praproses lain yaitu wavelet untuk mengecilkan ukuran citra dan mengambil koefisien citra dengan tingkat pengenalan rata -rata 40% hingga 45% dan tertinggi mencapai 60% jika ditingkatkan jumlah hidden layer. Penelitian menggunakan wavelet untuk identifikasi penyakit padi dan

Anthurium (Wicaksana 2011) dengan tingkat akurasi 72,8%. Penelitian untuk identifikasiShoreaberdasarkan karakteristik morfologi daun menggunakan K -NN (Nurjayanti 2011) dan Jaringan Syaraf Tiruan (Puspitasari 2011) menghasilkan akurasi masing-masing sebesar 100% da n 90% .

Berdasarkan penelitian yang telah dilakukan, maka penelitian ini menggunakan citra anatomi stomata untuk klasifikasi jenis Freycinetia. Tahap untuk memudahkan proses klasifikasi jenis adalah dengan me lakukan ekstraksi fitur, yang bertujuan untuk mendapatkan ciri dari sebuah citra yang akan menjadi pembeda antara jenis Freycinetia. Dua teknik ekstraksi fitur digunakan dalam penelitian ini. Pertama adalah ekstraksi fitur pada citra warna dan citragrayscale. Citra warna memiliki fiturred, green, dan blue (RGB), sedangkan citra grayscale

memiliki fitur entropi, kontras, energi, homogenitas, skala keabuan, dan standar deviasi. Fitur entropi, kontras, energi, dan homogenitas dikenal dengan analisis tekstur (Haralick et al. 1973). Kedua adalah ekstraksi fitur dengan dekomposisi

wavelet pada level satu, level dua, level tiga, dan level empat. Dekomposisi

wavelet level satu membagi citra menjadi empat subband, yang menghasilkan empat fitur w-entropy. Dekomposisi wavelet level dua menghasilkan tujuh fitur

w-entropy. Dekomposisi waveletlevel tiga menghasilkan sepuluh fitur w-entropy.

Dekomposisiwaveletlevel empat menghasilkan tiga belas fitur w-entropy.

Berdasarkan penelitian yang telah dilakukan sebelumnya, maka penelitian ini menggunakan K-NN dan JST dengan ekstraksi fitur RGB, analisis tekstur, dan dekomposisiwavelet untuk klasifikasi jenis Freycinetia berdasarkan citra anatomi stomata. Hasil penelitian diharapkan dapat memberikan metode alternatif untuk membantu proses klasifikasi jenis tumbuhan khususnyaFreycinetia.

1.2. Perumusan Masalah

Perumusan masalah adalah menganalisis dua teknik ekstraksi fitur pada citra anatomi stomata. Pertama adalah ekstraksi fitur pada citra warna dan citra

grayscale. Kedua adalah ekstraksi fitur dekomposisi wavelet level satu yang menghasilkan empat fitur w-entropy, dekomposisi level dua (tujuh w-entropy), dekomposisi level tiga (sepuluh w-entropy), dan dekomposisi level empat (tiga belas w-entropy). Hasil ekstraksi fitur menjadi nilai input untuk K-NN dan JST, yang akan mengklasifikasikan citra anatomi stomata ke dalam empat jenis

Freycinetia.

1.3. Tujuan Penelitian

Tujuan dari penelitian ini adalah mengklasifikasikan jenis Freycinetia

berdasarkan citra anatomi stomata menggunakan K-NN dan JST dan membandingkan tingkat akurasi kedua teknik tersebut dengan ekstraksi fitur RGB, analisis tekstur dan dekomposisiwavelet.

1.4. Ruang Lingkup Penelitian

Ruang lingkup penelitian adalah citra anatomi stomata Freycinetia yang terdiri atas empat jenis, yaitu Freycinetia angustifolia, Freycinetia imbricata, Freycinetia javanica, dan Freycinetia sumatrana. Teknik ekstraksi fitur terdiri atas dua macam, yaitu RGB dan analisis tekstur serta dekomposisi wavelet. Klasifikasi menggunakan K-NN dan JST propagasi balik (backpropagation).

BAB II

TINJAUAN PUSTAKA

2.1. Klasifikasi

Klasifikasi adalah tugas pembelajaran yang memetakan setiap himpunan atribut x ke salah satu label kelas y yang telah didefinisikan sebelumnya. Klasifikasi dapat dipandang sebagai kotak hitam yang secara otomatis memberikan sebuah label ketika dipresentasikan dengan himpunan atribut dari

recordyang tidak diketahui.

Beberapa teknik klasifikasi yang digunakan adalah k-nearest neighbor

(KNN) dan Jaringan Syaraf Tiruan (JST). Setiap teknik menggunakan algoritme pembelajaran untuk mengidentifikasi model yang memberikan hubungan yang paling sesuai antara himpunan atribut dan label kelas dari data input.

Pendekatan umum yang digunakan dalam masal ah klasifikasi adalah data latih yang berisi record yang mempunyai label kelas ya ng diketahui. Data latih digunakan untuk membangun model klasifikasi untuk diaplikasikan pada data uji yang berisirecorddengan label kelas yang tidak diketahui (Duda 1995).

2.1.1. K-Nearest Neighbor

K-Nearest Neighbor merupakan salah satu metode yang dig unakan dalam klasifikasi. Prinsip kerja KNN adalah mengelompokkan data baru berdasarkan jarak ke beberapa data k tetangga terdekat (neighbor) dalam data pelatihan (Hanselman 1998). Nilai k yang terbaik untuk algo ritme ini tergantung pada data, secara umum nilai k yang tinggi akan mengurangi efek noise pada klasifikasi, tetapi membuat batasan antara setiap klasifikasi menjadi lebih kabur. Teknikcross

validasi digunakan untuk mencari nilai k yang optimal dalam mencari parame ter terbaik dalam sebuah model. Jarak Euclidean menurut McAndrew (2004) digunakan untuk menghitung jarak antara dua vektor yang berfungsi menguji ukuran yang bisa digunakan sebagai interpretasi kedekatan jarak antara dua obyek yang direpresentasikan dalam persamaan (1).

, ∑ ... (1)

dengan

d(x,y) : jarak euclidean antara vektor xdan vektory

xi : fitur keidari vektorx

yi : fitur keidari vektory

n : jumlah fitur pada vektorxdany

Langkah-langkah untuk menghitung metode K -NN :

1. Menentukan parameter k (jumlah tetangga paling dekat).

2. Menghitung kuadrat jarak euclid ean (query instance) masing-masing obyek terhadap data sampel yang diberikan.

3. Mengurutkan objek-objek tersebut ke dalam kelompok yang mempunyai jarak

euclideanterkecil.

4. Mengumpulkan kategori atau kelas Y (klasifikasi nearest neighbor) .

5. Dengan menggunakan kategori atau kelas nearest neighbor yang paling mayoritas maka dapat dipredisikan nilai query instance yang telah dihitung.

Konsep K-NN menggunakan fungsi jarak Euclidean, untuk menghindari perbedaan range nilai pada tiap atribut (fitur) maka perlu dilakukan transformasi. Transformasi digunakan untuk menyamakan skala fitur ke dalam sebuah range yang spesifik, misalnya -1 sampai 1 atau 0 sampai 1. Metode transformasi yang digunakan adalahMin Max Normalizationyang menghasilkan transformasi linear pada fitur data asli guna menghasilk an range nilai yang sama (Han & Kamber 2001) seperti pada persamaan (2).

_ _ _ ... (2)

dengan

: nilai baru fitur hasilMin-Max Normalization V : nilai fitur yang akan ditransformasi

minA : nilai minimum darifieldpada fitur yang sama

maxA : nilai maksimum darifieldpada fitur yang sama

new_minA : nilai minimum fitur yang diinginkan

Menurut Fausett (1994), algoritme pelatihan backpropagation adalah sebagai berikut :

Langkah 0. Inisialisasi bobot (biasanya digunakan nilai acak yang kecil) Langkah 1. Selama syarat henti salah, lakukan langkah 2 -9

Langkah 2. Untuk setiap pasangan pelatihan (masukan dan target), lakukan 3 -8 Fase 1 : Propagasi maju.

Langkah 3. Setiap unit masukan (Xi,i=1,...,n) menerima sinyal masukan xi dan meneruskannya ke seluruh unit pada lapisan di atasnya (hidden units).

Langkah 4. Setiap unit tersembunyi (Zj,j=1,...,p) menghitung total sinyal masukan terboboti



   n i ij i j j v xv in z 1 0 _

lalu menghitung sinyal keluarannya dengan fungsi aktivasi )

( j

j f z in z 

dan mengirimkan sinyal ini ke selur uh unit pada lapisan di atasnya (lapisan output)

Langkah 5. Setiap unit output (Y_k,k=1,...,m) menghitung total sinyal masukan terboboti



   p i jk j k k w x w in y 1 0 _

Lalu menghitung sinyal keluaran dengan fungsi aktivasi )

( _k

k f y in

y 

Fase 2: Propagasi mundur

Langkah 6. Setiap unit output (Yk,k=1,...,m) menerima sebuah pola terget yang sesuai dengan pola masukan pelatihannya. Unit tersebut menghitung informasi kesalahan

) _ ( ' ) (t_k y_k f y in_k  

Kemudian menghitung koreksi bobot (digunakan untuk mengubah

wjknanti), w_jk _kz_j

serta mengirimkan nilai _k ke unit lapisan di bawahnya

Langkah 7. Setiap unit tersembunyi (Z_j,j=1,...,p) menghitung selisih input (dari unit-unit pada layer diatasnya)



  m k jk k j w in 1 _  

lalu mengalikannya dengan turunan fungsi aktivasi untuk menghitung informasi error.

) __ ( ' _ _j _j j  in f z in  

selanjutnya menghitung koreksi bobot untuk mengubah vijnanti i

j ij x v 



dan menghitung koreksi biasnya v₀_j _j

Fase 3: Perubahan bobot.

Langkah 8. Setiap unit output (Yk,k=1,...,m) mengubah bias dan bobot-bobotnya (j=0,...,p) : w_jk(new) w_jk(old)w_jk

setiap unit tersembunyi (Zj,j=1,...,p) mengubah bias dan bobot -bobotnya (i=1,...,n) : v_ij(new)v_ij(old)v_ij

Langkah 9. Uji syarat henti :

Jika besar total squared-error



  n k k k y t 1 2 )

( lebih kecil dari

toleransi yang telah ditentukan atau jumlah epoh pelatihan sudah mencapai epoh maksimum, maka selesai; jika tidak maka kembali ke langkah 1.

digunakan berbentuk j Marquardt, I = matriks pertama error jaringan te

Matriks Jakobian masing-masing kompon Marquardt (η) dapat be nilai fungsi error lebih k baru yang diperoleh akan berikutnya. Sebaliknya, j lebih besar maka nilai η

dihitung kembali sehingg Algoritme pelatiha berikut: Langkah 0 :  Inisialisasi bobot a  Inisialisasiepoch0  Tetapkan maksimu Langkah 1 :

Jika kondisi penggentian target error), lakukan lan Langkah 2 :

 Epoch=epoch+ 1

 Untuk setiap data p Langkah 3 :

Unit/neuron outputY m pelatihan, jika diberikan dengan Xr adalah input suatu data pelatihan ke-r er : kesalahan pa tr : keluaran yan yr : keluaran aktu

jumlah kuadrat error (SSE), dengan η = ks identitas, J = matriks Jakobian yang terdiri da

terhadap masing-masing komponen bobot dan bia n tersusun dari turunan pertama fungsi error ponen bobot dan bi as koneksi jaringan. Nilai

berubah pada setiap epoch, jika satu epoch meng h kecil, nilai η akan dibagi oleh faktor τ. Bobot

Dalam dokumen The Classification of Freycinetia Based on Stomata Anatomic Image Using K-Nearest Neighbor and Artificial Neural Network (Halaman 60-131)