Identifikasi Varietas Durian Berdasarkan Tekstur Daun dengan Metode Ekstraksi GLCM Menggunakan PNN

IDENTIFIKASI VARIETAS DURIAN BERDASARKAN

TEKSTUR DAUN DENGAN METODE EKSTRAKSI GLCM

MENGGUNAKAN PNN

NIKEN RATNA PERTIWI

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Varietas Durian Berdasarkan Tekstur Daun dengan Metode Ekstraksi GLCM Menggunakan PNN adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.

Bogor, Maret 2014

ABSTRAK

NIKEN RATNA PERTIWI. Identifikasi Varietas Durian Berdasarkan Tekstur Daun dengan Metode Ekstraksi GLCM Menggunakan PNN. Dibimbing oleh AZIZ KUSTIYO.

Keanekaragaman dan kemiripan varietas-varietas durian menyebabkan sebagian orang sulit mengidentifikasi durian. Identifikasi dapat dilakukan dengan melakukan ekstraksi tekstur daun durian. Daun dipilih karena pada umumnya daun merupakan salah satu ciri yang bisa digunakan untuk membedakan jenis tanaman. Identifikasi dilakukan dengan mengekstraksi tekstur untuk mengantisipasi kesulitan identifikasi berdasarkan morfologi karena bentuk daun varietas-varietas durian yang mirip. Pada penelitian ini, identifikasi berbasis tekstur daun dilakukan menggunakan GLCM dan PNN. Percobaan ini berdasarkan orientasi sudut GLCM 0o, 45o, 90o, dan 135o. Masing-masing sudut diuji pada jarak 1 piksel, 2 piksel, dan 3 piksel. Setiap percobaan diuji untuk nilai smoothing parameter(σ) PNN 0.1 sampai 9. Identifikasi dilakukan menggunakan 90 citra daun berukuran 281 x 281 piksel dari 9 varietas durian. Akurasi tertinggi diperoleh sebesar 76.67% pada percobaan sudut 0o dengan jarak 1 piksel dan nilai smoothing parameter(σ) 0.1.

Kata kunci : Gray Level Co-occurence Matrix (GLCM), identifikasi durian, Probabilistic Neural Network (PNN), tekstur daun.

ABSTRACT

NIKEN RATNA PERTIWI. Durian Varieties Identification Based on Leaf Texture with GLCM Extraction Method Using PNN. Supervised by AZIZ KUSTIYO.

The diversity and similarity of durian varieties have caused some difficulties to identify durian. In this research, the identification is performed by durian leaf texture extraction. The leaf is selected because it is a characteristic that can be used to differ the type of plant. Identification is performed by texture extraction to anticipate the difficulty of morphology based identification, since durian varieties have similar leaves shape. In this research, identification based on leaf texture is performed using GLCM and PNN. This experiment is based on 0o, 45o, 90o, and 135o GLCM angle orientation. Each angles are tested at 1 pixels, 2 pixels, and 3 pixels distances. They are also tested for PNN smoothing parameter (σ) ranges from 0.1 to 9. Identification is performed using 90 images from 9 varieties of durian and the dimension of image is 281 x 281 pixel. The highest accuracy achieved is 76.67% in 0o angle experiment with 1 pixels distance and 0.1

smoothing parameter (σ).

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer

pada Departemen Ilmu Komputer

IDENTIFIKASI VARIETAS DURIAN BERDASARKAN

TEKSTUR DAUN DENGAN METODE EKSTRAKSI GLCM

MENGGUNAKAN PNN

NIKEN RATNA PERTIWI

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

Penguji:

Judul Skripsi : Identifikasi Varietas Durian Berdasarkan Tekstur Daun dengan Metode Ekstraksi GLCM Menggunakan PNN

Nama : Niken Ratna Pertiwi NIM : G64114027

Disetujui

Aziz Kustiyo, SSi MKom Pembimbing

Diketahui

Dr Ir Agus Buono, MSi MKom Ketua Departemen

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah SWT yang telah memberikan kemudahan sehingga penulis dapat menyelesaikan tugas akhir yang berjudul Identifikasi Varietas Durian Berdasarkan Tekstur Daun dengan Metode Ekstraksi GLCM Menggunakan PNN.

Penghargaan dan rasa terima kasih penulis ucapkan kepada:

1 Keluarga tercinta, Ayahanda Cun Sukari dan Ibunda Istiana Ekawati, Kakak Sigit Tyas Sasongko, serta Adik Ratih Tri Hapsari atas doa dan dukungannya.

2 Bapak Aziz Kustiyo, SSi MKom selaku pembimbing yang telah memberikan pengarahan, saran, dan solusi selama penelitian berlangsung. 3 Bapak Dr Eng Wisnu Ananta Kusuma, ST MT dan Ibu Karlisa Priandana,

ST MEng selaku penguji.

4 Nella Sabrina atas kerja samanya, Syeiva atas bantuannya, teman-teman satu bimbingan, teman-teman ILKOM 6, dan seluruh pihak yang turut membantu dalam penyelesaian penelitian ini.

Semoga karya ilmiah ini dapat memberikan manfaat bagi mahasiswa Ilmu Komputer dan pembacanya.

Bogor, Maret 2014

DAFTAR ISI

DAFTAR TABEL vi

DAFTAR GAMBAR vi

DAFTAR LAMPIRAN vi

PENDAHULUAN 1

Latar Belakang 1

Tujuan 2

Ruang Lingkup 2

Manfaat 2

METODE PENELITIAN 2

Identifikasi Masalah 2

Pengumpulan Data 2

Praproses 3

Ekstraksi Tekstur Menggunakan GLCM 4

Penentuan Data Latih dan Data Uji 8

Klasifikasi Menggunakan PNN 8

Perhitungan Akurasi 10

Lingkungan Pengembangan 10

HASIL DAN PEMBAHASAN 10

Percobaan Menggunakan Citra Daun Durian Utuh 10

Percobaan Menggunakan Citra Daun Durian Hasil Cropping 11 Perbandingan Penelitian Identifikasi Durian dengan Penelitian Terkait 14

SIMPULAN DAN SARAN 15

Simpulan 15

Saran 16

DAFTAR PUSTAKA 16

DAFTAR TABEL

1 Derajat keabuan 8 level 5

2 Akurasi rata-rata tertinggi percobaan menggunakan citra daun hasil

cropping 12

3 Confusion matrix percobaan citra hasil cropping pada sudut 0o,

jarak 1 piksel, dan σ = 0.1 (akurasi 76.67%) 13

DAFTAR GAMBAR

1 Tahapan metode penelitian 3

2 Tahapan praproses 3

3 Hubungan ketetanggaan antarpiksel dan orientasi sudut GLCM 4

4 Tahapan metode GLCM 4

5 Ilustrasi proses kuantisasi berdasarkan derajat keabuan 8 level 5 6 Ilustrasi pembentukan matriks kookurensi berdasarkan orientasi

sudut 0° dan jarak 1 piksel 6

7 Matriks kookurensi yang telah dinormalisasi 6

8 Ilustrasi pembagian data dengan 5-fold cross validation 8

9 Arsitektur PNN 9

10 Contoh citra daun durian utuh 10

11 Perbandingan akurasi rata-rata tertinggi percobaan

menggunakan citra daun durian utuh 11

12 Contoh citra daun durian hasil cropping 11

13 Perbandingan akurasi rata-rata tertinggi percobaan

menggunakan citra daun durian hasil cropping 12

14 Boxplot fitur IMC 2 13

15 Boxplot fitur sum variance 14

16 Perbandingan penelitian identifikasi durian dan penelitian

identifikasi 13 jenis tanaman dengan orientasi jarak 1 piksel 15

DAFTAR LAMPIRAN

1 Contoh data citra daun durian yang digunakan 17

2 Akurasi rata-rata tertinggi pada percobaan menggunakan citra

daun durian utuh 17

PENDAHULUAN

Latar Belakang

Durian (Durio Zibethinus) merupakan salah satu jenis tanaman buah yang banyak dibudidayakan di Indonesia karena durian memiliki prospek yang cukup menjanjikan. Budi daya durian dinilai sangat menguntungkan karena nilai jual buah durian yang cukup tinggi. Selain itu, buah durian juga kaya manfaat. Nominal yang diperoleh petani durian mencapai 60 juta rupiah/hektar untuk setiap musim panen (Riswanto 2012). Buah durian kaya gizi dan dipercaya dapat memberikan beberapa manfaat bagi kesehatan, seperti mencegah anemia, melancarkan buang air besar, meredakan nyeri lambung, dan mencegah radang saluran pencernaan (BPBT 2012).

Di seluruh dunia terdapat 30 varietas durian. Di antara 30 varietas tersebut, 14 varietas terdapat di Kalimantan (Mansur 2007). Keanekaragaman durian menyebabkan sebagian orang kesulitan membedakan varietas durian. Selain itu, beberapa varietas durian juga memiliki kemiripan sehingga semakin mempersulit proses identifikasi.

Salasa et al. (2013) pernah melakukan penelitian mengenai identifikasi durian mirip varietas Bido di kabupaten Jombang dengan metode isozim dan morfologi. Penelitian tersebut didasari oleh adanya kemiripan 27 varietas durian dengan durian varietas unggul Bido sehingga sulit dibedakan secara langsung. Penelitian dengan metode isozim dan morfologi tersebut dilakukan mulai Oktober 2012 sampai Maret 2013.

Identifikasi durian dengan ekstraksi tekstur daun merupakan alternatif lain yang dapat dipilih sebagai solusi dari identifikasi dengan metode isozim dan morfologi yang membutuhkan waktu lama. Daun dipilih karena pada umumnya daun merupakan ciri yang dapat digunakan untuk membedakan jenis tanaman. Daun juga mudah didapat dan tidak mengenal musim. Ekstraksi tekstur dilakukan untuk mengantisipasi kesulitan identifikasi berdasarkan morfologi karena bentuk daun varietas durian yang hampir serupa. Identifikasi berbasis tekstur daun ini dilakukan dengan memanfaatkan bidang citra digital sehingga diharapkan lebih efektif untuk dilakukan.

Ehsanirad dan Kumar (2010) pernah melakukan penelitian pengenalan 13 jenis tanaman berdasarkan tekstur daun menggunakan metode Gray Level Co-occurence Matrix (GLCM) dan Principal Component Analysis (PCA). Penelitian tersebut menggunakan algoritme eigenspace untuk klasifikasi. Akurasi yang diperoleh pada percobaan dengan metode GLCM ialah sebesar 78.46%, sedangkan pada percobaan menggunakan metode PCA, akurasi yang diperoleh ialah sebesar 98.46%.

2

Tujuan Tujuan penelitian ini ialah:

1 Membandingkan akurasi berdasarkan penggunaan sudut dan jarak yang berbeda pada metode GLCM untuk mengidentifikasi varietas durian.

2 Mengetahui nilai smoothing parameter (σ) yang menghasilkan akurasi tertinggi pada klasifikasi PNN.

Ruang Lingkup Ruang lingkup penelitian ini, yaitu:

1 Identifikasi dilakukan berdasarkan tekstur daun bagian atas. 2 Citra yang digunakan ialah hasil scanning berformat JPG.

3 Identifikasi meliputi 9 varietas durian, yaitu Bakul, Cane, Hepe, Kendil, Malaysia D24, Matahari, Petruk, Simas, dan Sukun.

4 Ekstraksi tekstur menggunakan GLCM dengan orientasi sudut 0°, 45°, 90°, dan 135° serta jarak 1 piksel, 2 piksel, dan 3 piksel.

Manfaat

Manfaat penelitian ini ialah memudahkan identifikasi varietas durian. Hal tersebut akan membantu petani pemula yang berminat membudidayakan tanaman durian.

METODE PENELITIAN

Metode penelitian yang dilakukan meliputi identifikasi masalah, pengumpulan data, praproses, ekstraksi tekstur, penentuan data latih dan data uji, klasifikasi PNN, dan perhitungan akurasi. Tahapan metode penelitian dapat dilihat pada Gambar 1.

Identifikasi Masalah

Berdasarkan latar belakang yang telah diuraikan, diketahui bahwa identifikasi durian masih sulit dilakukan karena varietasnya yang beraneka ragam. Selain itu, beberapa varietas durian juga memiliki kemiripan satu sama lain.

Pengumpulan Data

3 yaitu 2027 x 654 piksel, sedangkan ukuran citra terkecil, yaitu 679 x 316 piksel. Contoh data yang digunakan pada penelitian ini dapat dilihat pada Lampiran 1.

Mulai

Gambar 1 Tahapan metode penelitian

Praproses

Praproses yang dilakukan pada penelitian ini ialah melakukan cropping citra menjadi berukuran 281 x 281 piksel dan mengubah citra RGB menjadi citra grayscale. Ukuran 281 x 281 piksel diambil karena menghasilkan akurasi tertinggi dibandingkan dengan ukuran cropping lain yang pernah dicoba dalam penelitian, yaitu 251 x 251 piksel dan 301 x 301 piksel. Tahapan praproses dapat dilihat pada Gambar 2. Cropping dilakukan untuk memfokuskan ekstraksi pada pola tekstur daun, sedangkan pengubahan citra RGB menjadi grayscale bertujuan untuk menangkap pola RGB dalam bentuk model warna yang paling sederhana.

4

Ekstraksi Tekstur Menggunakan GLCM

GLCM merupakan metode yang sering digunakan dalam analisis tekstur. Menurut Haralick et al. (1973), GLCM ialah suatu matriks yang merepresentasikan hubungan ketetanggaan antarpiksel dalam citra pada berbagai arah orientasi sudut dan jarak spasial. Hubungan ketetanggaan antarpiksel dan orientasi sudut tersebut dapat dilihat pada Gambar 3. Tahapan metode GLCM

Gambar 4 Tahapan metode GLCM

Gambar 4 menunjukkan bahwa matriks citra grayscale yang dihasilkan pada tahapan praproses selanjutnya dikuantisasi berdasarkan derajat keabuan 8 level. Kuantisasi dilakukan dengan merepresentasikan nilai intensitas pada matriks citra grayscale berdasarkan levelnya. Sebagai contoh, nilai intensitas 17 pada matriks

5 citra grayscale akan direpresentasikan oleh nilai 1 pada matriks hasil kuantisasi. Tabel 1 menunjukkan derajat keabuan 8 level yang digunakan pada penelitian ini. Rentang derajat keabuan tersebut mengacu pada fungsi graycomatrix Matlab. Ilustrasi proses kuantisasi berdasarkan derajat keabuan 8 level dapat dilihat pada Gambar 5.

Tabel 1 Derajat keabuan 8 level Level Derajat Keabuan

Gambar 5 Ilustrasi proses kuantisasi berdasarkan derajat keabuan 8 level Gambar 5 menunjukkan proses kuantisasi berdasarkan derajat keabuan 8 level. Setelah diperoleh matriks hasil kuantisasi, tahapan selanjutnya ialah mencatat hubungan ketetanggaan antarpiksel yang terdapat pada matriks hasil kuantisasi dalam bentuk matriks kookurensi. Ilustrasi proses pembentukan matriks kookurensi berdasarkan orientasi sudut 0° dan jarak 1 piksel dapat dilihat pada Gambar 6.

6

Gambar 6 Ilustrasi pembentukan matriks kookurensi berdasarkan orientasi sudut 0° dan jarak 1 piksel

Gambar 7 Matriks kookurensi yang telah dinormalisasi

Nilai-nilai pada matriks kookurensi yang telah dinormalisasi selanjutnya akan menjadi acuan untuk menghitung fitur-fitur GLCM. Pada penelitian ini, ada 13 fitur GLCM yang digunakan, yaitu:

1 Angular Second Moment (ASM)

= ∑ ∑ 2 ₍₁₎ dengan:

f1: fitur angular second moment

: baris. : kolom.

: elemen matriks kookurensi yang telah dinormalisasi. 2 Contrast

=∑ 2_{[∑ ∑}

=1 =1

|-|=

] -1

=0 (2) dengan:

f2: fitur contrast

n: jumlah data

Ng: ukuran matriks hasil kuantisasi. 3 Correlation

7 dengan:

f3: fitur correlation

: jumlah baris matriks kookurensi yang telah dinormalisasi : jumlah kolom matriks kookurensi yang telah dinormalisasi

: rata-rata

: rata-rata dari matriks kookurensi yang telah dinormalisasi 5 Inverse Difference Moment (IDM)

∑ ∑ 1

1 - 2

(5) dengan:

f5: fitur inverse difference moment

6 Sum Average (SA)

10 Difference Variance (DV)

= dari - (12)

dengan:

f10: fitur difference variance

11 Difference Entropy (DE)

=-∑

--1

=0 log{ - } (13)

8

f11: fitur difference entropy

12 Information Measures of Correlation I (IMC 1)

= 13 Information Measures of Correlation 2 (IMC 2)

=(1-e p -2.0( - )

Penentuan Data Latih dan Data Uji

Pembagian data latih dan data uji pada penelitian ini dilakukan dengan menggunakan teknik K-fold cross validation. Sejumlah data dibagi menjadi beberapa subset untuk digunakan sebagai data uji dan data latih. Pada penelitian ini, total data yang digunakan ialah 90 data yang terdiri atas 10 citra dari 9 varietas durian. Dari 10 data pada setiap varietas, 8 citra digunakan sebagai data latih dan 2 citra digunakan sebagai data uji. Nilai K diperoleh dari hasil pembagian total data yang digunakan dengan total data uji. Penelitian ini menggunakan teknik K-fold cross validation dengan K = 5. Nilai K merepresentasikan iterasi atau perulangan percobaan yang dilakukan. Ilustrasi pembagian data dengan 5-fold cross validation dapat dilihat pada Gambar 8.

Klasifikasi Menggunakan PNN

PNN terdiri atas lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keluaran. Arsitektur PNN dapat dilihat pada Gambar 9.

9

Data uji yang telah melalui proses ekstraksi tekstur akan menghasilkan nilai-nilai fitur GLCM. Nilai-nilai tersebut akan menjadi input pada lapisan masukan. Nilai pada lapisan masukan menjadi input untuk lapisan pola, kemudian input dihitung dengan persamaan sebagai berikut:

=e p _2σT(₂ ) (19)

dengan:

f(xA): fungsi kernel lapisan pola untuk kelas A

x: masukan

xAi: pola pelatihan ke-i kelas A σ: smoothing parameter

Hasil perhitungan pada lapisan pola akan menjadi input untuk lapisan penjumlahan. Pada lapisan penjumlahan, digunakan persamaan sebagai berikut:

N: jumlah pola pelatihan seluruh kelas d: dimensi vektor input

NA: jumlah pola pelatihan kelas A

Hasil perhitungan pada lapisan penjumlahan kemudian masuk ke lapisan keluaran untuk ditentukan nilai maksimum sebagai kelas keputusan (Specht 1990).

Pada klasifikasi PNN, terdapat suatu nilai parameter yang berfungsi untuk menghaluskan fungsi kernel yang disebut smoothingparameter(σ). Seminar et al.

10

secara langsung, tetapi bisa diperoleh melalui metode statistik maupun dari hasil coba-coba.

Perhitungan Akurasi

Setelah klasifikasi selesai dilakukan, tahapan terakhir ialah menghitung akurasi. Akurasi dihitung dengan menggunakan rumus sebagai berikut:

kurasi= jumlah teridentifikasi benar _{jumlah keseluruhan} 100 (21)

Lingkungan Pengembangan

Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk penelitian ini adalah sebagai berikut:

Perangkat keras:

 Processor Intel ® CoreTM I3.

 Memory 2 GB.

 Hard disk 320 GB. Perangkat lunak:

 Sistem operasi Windows 7 Ultimate 64 bit.

 Matlab 7.7 (R2008b).

HASIL DAN PEMBAHASAN

Percobaan menggunakan citra daun utuh dan percobaan menggunakan citra hasil cropping dilakukan dengan menerapkan 13 fitur GLCM. Seluruh percobaan dilakukan dengan menguji nilai smoothing parameter(σ) antara 0.1 dan 9.

Percobaan Menggunakan Citra Daun Durian Utuh

Percobaan ini merupakan percobaan awal yang dilakukan dalam penelitian identifikasi varietas durian. Contoh citra yang digunakan berupa citra daun durian utuh seperti pada Gambar 10. Hasil percobaan dapat dilihat pada Lampiran 2. Perbandingan akurasi rata-rata tertinggi pada orientasi sudut 0°, 45°, 90°, dan

135° yang diperoleh pada nilai σ tertentu ditunjukkan oleh Gambar 11.

11

Gambar 11 Perbandingan akurasi rata-rata tertinggi percobaan menggunakan citra daun durian utuh

Gambar 11 menunjukkan bahwa percobaan menggunakan citra daun durian utuh menghasilkan akurasi tertinggi sebesar 33.33%. Akurasi tertinggi didapat pada percobaan dengan sudut 45°, jarak 1 piksel, dan σ = 0.7, jarak 3 piksel dan σ

= 0.9, serta percobaan dengan sudut 90°, jarak 3 piksel, dan σ = 0.9.

Akurasi rendah yang diperoleh pada percobaan ini disebabkan ekstraksi tekstur yang dilakukan terhadap citra daun utuh mungkin menghasilkan nilai-nilai fitur GLCM yang mirip sehingga proses identifikasi menjadi tidak akurat. Selain itu, latar belakang putih pada citra yang ikut terproses juga mungkin menyebabkan ekstraksi tekstur daun tidak fokus pada permukaan daun. Oleh karena itu, percobaan selanjutnya dilakukan dengan menambahkan cropping pada citra.

Percobaan Menggunakan Citra Daun Durian Hasil Cropping

Percobaan ini dilakukan menggunakan citra daun durian hasil cropping dengan ukuran 281 x 281 piksel. Gambar 12 merupakan contoh citra daun durian hasil cropping yang digunakan pada percobaan ini. Seluruh orientasi sudut dan

jarak GLCM pada percobaan ini diuji pada σ = 0.1 sampai σ = 9, kemudian

diambil akurasi rata-rata tertinggi dari masing-masing percobaan. Tabel 2 menunjukkan akurasi rata-rata tertinggi setiap percobaan berdasarkan jarak 1

piksel, 2 piksel, dan 3 piksel yang diperoleh pada nilai σ tertentu.

Gambar 12 Contoh citra daun durian hasil cropping

12

Tabel 2 Akurasi rata-rata tertinggi percobaan menggunakan citra daun hasil cropping Sudut (°) Jarak (Piksel) Akurasi (%) σ

Tabel 2 menunjukkan bahwa akurasi tertinggi percobaan sudut 0°, 45°, 90°, dan 135° ialah sebesar 76.67%, 65.56%, 64.44%, 62.22%. Seluruh akurasi tersebut diperoleh pada jarak 1 piksel dan σ = 0.1. Dari seluruh percobaan, sudut 0° menghasilkan akurasi terbaik pada jarak 1 piksel dan σ = 0.1, yaitu sebesar 76.67%. Perbandingan seluruh percobaan tersebut dapat dilihat pada Gambar 13.

Gambar 13 Perbandingan akurasi rata-rata tertinggi percobaan menggunakan citra daun durian hasil cropping

Gambar 13 menunjukkan bahwa pada penelitian ini akurasi cenderung menurun

ketika orientasi sudut GLCM semakin besar. Dari Gambar 13 juga terlihat bahwa jarak 1 piksel merupakan jarak terbaik karena menghasilkan akurasi tertinggi di

seluruh percobaan. Confusion matrix hasil percobaan ini dapat dilihat pada Tabel 3.

76,67

13

Tabel 3 menunjukkan hasil identifikasi percobaan dengan sudut 0°, jarak 1

piksel, dan σ = 0.1. Beberapa data uji Cane teridentifikasi tidak akurat sebagai

Hepe, Malaysia D24, Matahari, Petruk, dan Simas. Beberapa data uji Petruk juga teridentifikasi tidak akurat sebagai Bakul, Cane, dan Kendil. Identifikasi yang tidak akurat terjadi karena adanya fitur GLCM dari beberapa varietas yang nilainya berdekatan. Gambar 14 merupakan boxplot yang dibuat berdasarkan nilai fitur Information Measure of Correlation 2 (IMC 2) seluruh varietas. Tanda bintang pada boxplot menunjukkan data yang mengalami ekstrapolasi. Bagian horizontal merepresentasikan varietas durian, sedangkan bagian vertikal merupakan nilai fitur IMC 2.

Gambar 14 Boxplot fitur IMC 2

14

yaitu antara 0.8 dan 0.9. Kedekatan nilai inilah yang menjadi salah satu faktor penyebab proses identifikasi tidak akurat karena varietas-varietas tersebut mungkin dianggap mirip.

Dari Tabel 3, diketahui bahwa Cane merupakan varietas yang identifikasinya paling tidak akurat dibandingkan dengan varietas lainnya. Identifikasi Cane yang tidak akurat kemungkinan disebabkan nilai fitur sum variance yang memiliki rentang cukup jauh, yaitu antara 8 dan 21. Boxplot untuk fitur sum variance ditunjukkan oleh Gambar 15. Boxplot fitur-fitur GLCM lainnya dapat dilihat pada Lampiran 3.

Seminar et al. (2006) dalam penelitiannya menyebutkan, apabila pola pelatihan dan data masukan pada satu kelas yang sama sangat berbeda jauh nilainya, maka PNN akan mengekstrapolasi data masukan tersebut. Hal inilah yang nantinya akan mengakibatkan akurasi klasifikasi PNN turun cukup drastis.

Gambar 15 Boxplot fitur sum variance

Gambar 15 menunjukkan bahwa berdasarkan nilai fitur sum variance, varietas Cane merupakan salah satu varietas yang mengalami ekstrapolasi. Ekstrapolasi berarti memperkirakan nilai suatu variabel yang melampaui interval pengamatan aslinya berdasarkan hubungannya dengan variabel lain.

15

Gambar 16 Perbandingan penelitian identifikasi durian dan penelitian identifikasi 13 jenis tanaman dengan orientasi jarak 1 piksel

Gambar 16 menunjukkan perbandingan akurasi rata-rata yang dihasilkan pada penelitian identifikasi durian dengan penelitian identifikasi 13 jenis tanaman yang menggunakan metode ekstraksi tekstur serupa. Penelitian identifikasi 13 jenis tanaman dilakukan dengan menggunakan 390 data citra daun utuh. Selain itu, ekstraksi tekstur juga dilakukan dengan menggunakan GLCM disertai 9 fitur tambahan, yaitu energy, max correlation coefficient, autocorrelation, dissimilarity, cluster shade, cluster prominence, maximum probability, inverse difference normalized, dan inverse difference moment normalized. Perbandingan hanya dilakukan pada orientasi jarak 1 piksel karena penelitian identifikasi 13 jenis tanaman hanya menggunakan satu parameter jarak.

Dari Gambar 16, terlihat bahwa pada penelitian identifikasi durian akurasi cenderung turun pada orientasi sudut yang semakin besar, sedangkan pada penelitian identifikasi 13 jenis tanaman akurasi terlihat lebih fluktuatif. Pada sudut 0° dan 90° akurasi yang diperoleh sama, yaitu sebesar 78.46%. Akan tetapi, akurasi mengalami penurunan pada sudut 45° dan 135°. Identifikasi durian menghasilkan akurasi tertinggi pada sudut 0°, sedangkan identifikasi 13 jenis tanaman menghasilkan akurasi tertinggi pada sudut 0° dan 90°. Perbandingan kedua penelitian menunjukkan bahwa sudut 0° memberikan akurasi yang cukup baik pada jarak 1 piksel.

SIMPULAN DAN SARAN

Simpulan

Tekstur daun durian yang diekstraksi dengan metode GLCM dapat digunakan untuk mengidentifikasi varietas-varietas durian. Identifikasi varietas durian berbasis tekstur daun ini dapat dijadikan solusi dari identifikasi durian dengan metode isozim dan morfologi yang membutuhkan waktu lama.

76,67

16

Percobaan menggunakan citra daun durian utuh menghasilkan akurasi sebesar 33.33%. Percobaan menggunakan citra hasil cropping terbukti mengalami peningkatan akurasi sebesar 43.34% sehingga akurasi tertinggi diperoleh sebesar

76.67 pada percobaan sudut 0°, jarak 1 piksel, dan σ = 0.1. Berdasarkan

perbandingan dengan penelitian terkait, metode GLCM bekerja cukup baik pada penelitian ini.

Saran

Saran untuk pengembangan penelitian ini, yaitu:

1 Melakukan segmentasi untuk menghilangkan background citra dan melakukan proses image enhancement lainnya untuk memperbaiki kualitas citra.

2 Melakukan variasi cropping pada penelitian, yaitu dengan menguji beberapa ukuran citra dan melakukan cropping citra pada posisi yang berbeda-beda. 3 Menerapkan metode GLCM untuk citra RGB dan HSV.

DAFTAR PUSTAKA

[BPBT] Balai Penelitian Buah dan Tropika. 2012. 1001 manfaat durian untuk kesehatan [Internet]. Tersedia pada: http://balitbu.litbang.go.id/ind/index.php

/berita-mainmenu-26/13-info-aktual/339-1001-manfaat-durian-untuk-kesehatan

Ehsanirad A, Kumar S. 2010. Leaf recognition for plant using GLCM and PCA methods. Oriental Journal of Computer Science & Technology [Internet]. [diunduh 2014 Januari 10]; 3(1): 31-36.

Haralick RM, Shanmugan K., Dinstein I. 1973. Textural features for image classification. IEEE Transactions on System, Man and Cybernetics. 3(6): 610-621.

Mansur M. 2007. Penelitian ekologi jenis durian (Durio spp.) di desa Intuh Lingau, Kalimantan Timur [Internet]. Jurnal Teknologi dan Lingkungan. [diunduh 2013 September 10]; 8(3): 211-216.

Riswanto A. 2012. Prospek bisnis bidang agro industri durian [Internet]. Tersedia pada: http://blog.tebs.telkomuniversity.ac.id/prospek-bisnis-bidang-agro-industri-durian

Salasa KAN, Ashari S, Herlina N. 2013. Identifikasi tanaman durian mirip durian bido di kecamatan Wonosalam kabupaten Jombang dengan metode isozim dan morfologi. Jurnal Produksi Tanaman. 1(5): 427-433.

Seminar KB, Buono A, Sukin TPJ. 2006. Desain dan implementasi komputasi paralel dengan algoritma genetik untuk prapemrosesan Probabilistic Neural Network. Jurnal Teknologi. 3(1): 1-26.

17 Lampiran 1 Contoh data citra daun durian yang digunakan

Varietas Data

18

19

22

RIWAYAT HIDUP