IDENTIFIKASI DAUN SHOREA DENGAN
BACKPROPAGATION NEURAL
NETWORK
MENGGUNAKAN EKSTRAKSI FITUR
DISCRETE WAVELET
TRANSFORM
DAN EKSTRAKSI WARNA HSV
IMAN AKBAR RAMADHAN
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012
Skripsisebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada
Network with Discrete Wavelete Transform feature extraction and HSV colour extraction. Supervised by AZIZ KUSTIYO.
Dipterocarpaceae is a major timber tree of tropical rain forest. Shorea is a genus of the
Dipterocarpaceae family which consists of around 194 species. Shorea is difficult to be identified because it has a lot of diversity. It takes knowledge from an expert in the field of Shorea to be able to identify the types of Shorea. Errors in identifying the type of Shorea wood can lead to inappropriate selection for the final usability. In this research, we perform identification to 10 species of Shorea from Bogor Botanical Garden using Discrete Wavelet Transform and HSV color extraction as the feature extraction methods. Backpropagation Neural Network is used as the classification technique. The results of this research using both the DWT Haar family and HSV for feature extraction, and the DWT Daubechies 2 family and HSV produce 90% accuracy. The combination between DWT Haar family, DWT Daubechies 2 family and HSV color extraction produces 93.33% accuracy. The conclusion from the results of this research is the significant effect of HSV color extraction in increasing the accuracy for the identification of Shorea leaves.
Judul Penelitian : Identifikasi daun Shorea dengan Backpropagation Neural Network menggunakan ekstraksi fitur Discrete Wavelet Transform dan Ekstraksi Warna HSV
Nama : Iman Akbar Ramadhan
NRP : G64096033
Menyetujui:
Pembimbing
Aziz Kustiyo, S.Si., M.Kom. NIP 19700719 199802 1 001
Mengetahui:
Ketua Departemen Ilmu Komputer
Dr Ir Agus Buono MSi MKom NIP 19660702 199302 1 001
PRAKATA
Puji dan syukur penulis panjatkan ke hadirat Allah subhanahu wa ta'ala yang telah memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan karya ilmiah ini. Terima kasih penulis ucapkan kepada Bapak Aziz Kustiyo, SSi, MKom selaku pembimbing. Adapun penulis mengucapkan terima kasih kepada:
1 Kedua orang tua yang telah memberikan dukungan, perhatian, dan doa sehingga penulis dapat menyelesaikan studi di Departemen Ilmu Komputer IPB.
2 Mas Hoho dan Teteh atas dukungan dan doanya.
3 Dieni Fauziah Septiani atas dukungan, perhatian dan doanya.
4 Dosen penguji, Bapak Sony Hartono, MKom dan Bapak Dr Ir Agus Buono MSi MKom atas saran dan bimbingannya.
5 Pihak Kebun Raya Bogor atas sampel daun Shorea. 6 Teman-teman satu bimbingan atas kerjasamanya.
7 Teman-teman Alih Jenis Ilkom angkatan 4, atas kerjasamanya selama penelitian.
Semoga penelitian ini dapat bermanfaat bagi semua pihak yang membutuhkan.
Bogor, Juni 2012
v
DAFTAR GAMBAR ... vi
DAFTAR LAMPIRAN ... vi
PENDAHULUAN Latar Belakang ... 1
Tujuan ... 1
Ruang Lingkup ... 1
TINJAUAN PUSTAKA Shorea ... 1
Discrete Wavelet Transform ... 2
Wavelet Haar ... 2
Wavelet Daubechies ... 3
Pengolahan Citra Berwarna Model HSV ... 3
Backpropagation Neural Network ... 3
METODE PENELITIAN Citra Daun ... 3
Praproses ... 4
Ekstraksi Tekstur dengan Discrete Wavelet Transform (DWT) ... 4
Ekstraksi Warna dengan Warna HSV... 4
Pelatihan menggunakan Backpropagation Neural Network ... 4
Pengujian ... 5
Evaluasi ... 5
Rancangan Percobaan ... 5
HASIL DAN PEMBAHASAN Percobaan 1: Discrete Wavelet Transform famili Haar ... 5
Percobaan 2: Discrete Wavelet Transform famili Daubechies 2 ... 6
Perbandingan percobaan 1 dan percobaan 2 ... 6
Percobaan 3: Ekstraksi Warna HSV ... 6
Percobaan 4: Kombinasi Ekstraksi Tekstur (DWT) dan Ekstraksi Warna (HSV) ... 7
Percobaan 5: Kombinasi Ekstraksi Tekstur DWT Haar, Daubechies dan Ekstraksi Warna (HSV) ... 7
KESIMPULAN DAN SARAN Kesimpulan ... 8
Saran ... 8
DAFTAR PUSTAKA ... 9
vi
DAFTAR TABEL
Halaman
1 Struktur JST propagasi balik ... 5
2 Rancangan percobaan ... 5
DAFTAR GAMBAR
Halaman 1 Contoh beberapa jenis tekstur. ... 22 Tampilan citra hasil dekomposisi. ... 2
3 Metodologi penelitian. ... 4
4 Deskripsi citra aproksimasi dan citra detail. ... 4
5 Grafik tingkat akurasi setiap jenis Shorea (DWT Haar). ... 6
6 Grafik tingkat akurasi setiap jenis Shorea (DWT Daubechies 2). ... 6
7 Grafik tingkat akurasi setiap jenis Shorea (Histogram Warna HSV). ... 7
8 Grafik tingkat akurasi setiap jenis Shorea (Haar - HSV). ... 7
9 Grafik tingkat akurasi setiap jenis Shorea (DB2 - HSV). ... 7
10 Grafik tingkat akurasi setiap jenis Shorea (Haar - DB2 - HSV). ... 8
DAFTAR LAMPIRAN
Halaman 1 Antarmuka Implementasi ... 112 Confusion matrix penggabungan fitur Discrete wavelet transform famili Haar – Hsv ... 12
3 Confusion matrix Discrete wavelet transform famili Daubechies 2 – Hsv ... 15
4 Confusion matrix Discrete wavelet transform famili Haar - Daubechies 2 -Hsv ... 18
5 Tabel hasil akurasi species Shorea untuk ekstraksi fitur DWT famili haar ... 21
6 Tabel hasil akurasi species Shorea untuk ekstraksi fitur DWT famili daubechies 2 ... 21
7 Tabel hasil akurasi species Shorea untuk ekstraksi warna histogram HSV ... 22
8 Tabel hasil akurasi species Shorea untuk penggabungan ekstraksi fitur DWT haar dan ekstraksi warna HSV ... 22
9 Tabel hasil akurasi species Shorea untuk penggabungan ekstraksi fitur DWT famili daubechies 2 dan ekstraksi warna HSV ... 23
PENDAHULUAN
Latar Belakang
Shorea merupakan kelompok famili
Dipterocarpaceae – sekelompok tumbuhan
hutan hujan tropis yang dimanfaatkan dalam bidang perkayuan. Shorea adalah salah satu marga tumbuhan penghasil kayu terbaik dalam dunia perindustrian. Nilai ekonomi yang tinggi mengakibatkan eksploitasi besar-besaran pohon Shorea. Maka dari itu, perlu dikembangkan suatu sistem identifikasi daun Shorea. Hal ini dilakukan agar tidak menyebabkan kesalahan pemilihan kayu yang tidak tepat dan mengurangi pertumbuhan jenis kayu dengan sifat-sifat yang tidak diinginkan.
Identifikasi tumbuhan biasanya dilakukan menggunakan batang, daun, buah, dan bunga. Penentuan identifikasi pohon Shorea ini lebih diutamakan pada identifikasi daun Shorea dikarenakan daun cenderung mudah untuk menjadi sumber pengamatan khususnya berupa citra dan cenderung tersedia sebagai sumber pengamatan sepanjang waktu.
Penelitian sebelumnya dengan data yang sama dilakukan oleh Nurjayanti (2011). Nurjayanti (2011) menggunakan K-Nearest
Neighbour sebagai classifier dan identifikasi
berdasarkan karateristik morfologi daun. Penelitian tersebut menghasilkan akurasi data yang sangat baik yaitu 100% data akurat. Kanata (2008) melakukan penelitian tentang deteksi sidik jari menggunakan ekstraksi fitur transformasi wavelet dan menunjukan bahwa metode wavelet sangat baik dalam identifikasi citra sidik jari dengan akurasi 88%.
Puspitasari (2011) menggunakan
Backpropagation Neural Network (Jaringan Saraf Tiruan Propagasi Balik) sebagai teknik identifikasi daun Shorea yang menghasilkan akurasi sebesar 94%. Backpropagation Neural
Network merupakan metode pembelajaran
yang efektif untuk jaringan multilayer sehingga baik dalam menangani permasalahan yang kompleks (Fausett 1994). Aminudin (2010) menggunakan Histogram warna HSV dalam ekstraksi pelatihan citra Belimbing yang menghasilkan rata-rata akurasi terbaik sebesar 78.87% untuk histogram H (hue).
Penelitian ini akan menggunakan data citra daun Shorea dengan ekstraksi fitur Discrete Wavelet Transform (DWT) dan Ekstraksi Warna HSV dengan Backpropagation Neural
Network sebagai classifier. DWT digunakan
sebagai metode pengolahan citra daun yang dapat mengekstraksi tekstur dari daun dan mereduksi ukuran citra. Warna HSV
digunakan sebagai ekstraksi warna pada citra daun. Model warna HSV lebih baik dibandingkan dengan model warna lainnya seperti RGB dan CMY. Hal ini dikarenakan warna HSV lebih dapat merepresentasikan
visual mata manusia pada saat melihat objek
berwarna (Gonzalez & Woods 2002).
Penelitian ini juga menggunakan Backpropagation Neural Network (Jaringan Saraf Tiruan Propagasi Balik) sebagai teknik klasifikasi pada identifikasi citra Shorea dengan melakukan pelatihan dan pengujian data.
Tujuan
Tujuan penelitian ini adalah
mengimplementasikan teknik ekstraksi fitur menggunakan Discrete Wavelet Transform (DWT) dan Ekstraksi warna HSV serta teknik
klasifikasi Jaringan saraf tiruan
Backpropagation untuk pengenalan citra daun Shorea.
Ruang Lingkup
Ruang lingkup penelitian ini meliputi penggunaan Discrete Wavelet Transform 2-Dimensi famili Haar dan Daubechies 2 serta Transformasi Warna HSV untuk identifikasi citra daun Shorea.
TINJAUAN PUSTAKA
Shorea
Shorea adalah salah satu marga dari Dipterocarpaceae penghasil kayu terbaik dalam perindustrian. Shorea memiliki sekitar
194 species yang persebarannya meliputi dari
Jawa hingga ke arah timur Maluku (Newman 1999). Pohon Shorea dapat tumbuh dari batas permukaan laut sampai ketinggian 1750 m.
Ciri-ciri diagnostik utama pohon Shorea ialah sangat besar dengan pepagan dalam berlapis-lapis atau berwarna coklat merah gelap. Daun menjangat, tidak berlipatan, tidak bentuk perisai, tidak berlukup, berukuran 4-18 x 2-8 cm, pangkal daun biasanya simetris, permukaan bawah daun bila mengering pudar, pertulangan sekunder bersirip, 7-25 pasang, terpisah permanen, pada permukaan bawah daun bila mengering warnanya sama seperti helai daun, atau lebih gelap pada Shorea Javanica (Newman 1999).
2
Analisis Tekstur
Tekstur adalah gambaran visual dari sebuah permukaan atau bahan. Dalam computer vision, tekstur dicirikan dengan variasi intensitas pada citra. Variasi intensitas dapat disebabkan oleh kekasaran atau perbedaan warna pada suatu permukaan. Penampilan tekstur dipengaruhi oleh skala dan arah pandangan lingkungan dan kondisi pencahayaan (Mäenpää 2003).
Secara umum tekstur mengacu pada pengulangan elemen-elemen tekstur dasar yang disebut primitif atau teksel (texture
element – texel).
Gambar 1 Contoh beberapa jenis tekstur.
Discrete Wavelet Transform
Wavelet berasal dari sebuah fungsi penyekala (scaling function) (Stollnitz & Eric 1995). Fungsi ini dapat membuat sebuah induk wavelet (mother wavelet). Wavelet didasarkan pada pembangkitan sejumlah tapis (filter) dengan cara menggeser dan menskala
mother wavelet. Penambahan dan
pengurangan skala akan mempengaruhi durasi waktu, lebar bidang (bandwidth) dan nilai frekuensi (Burrus & Guo 1998).
Transformasi wavelet dapat dibedakan menjadi dua, yaitu Continous Wavelet
Transform (CWT) dan Discrete Wavelet
Transform (DWT). Discrete Wavelet
Transform (DWT) merupakan proses fungsi
wavelet yang akan dikalkulasi pada pemilihan subset dari skala dan posisi tertentu. DWT digunakan pada proses pemfilteran yang menghasilkan koefisien wavelet (Misiti 2002). Pada citra, dilakukan transformasi wavelet dua dimensi. Pada titik (x,y) atau baris dan kolom pada matrik, dapat dihasilkan
φ(x,y)=φ(x)φ(y) yang merupakan koefisien
scaling atau Aproksimasi(A). Pada ψ(x,y) atau
koefisien wavelet, pengolahan menghasilkan
tiga orientasi detail (D), yaitu x N (Gonzalez & Woods 2002) ialah
Transformasi wavelet melakukan
dekomposisi pada proses pemfilteran. Proses pemfilteran dibagi dua, yaitu low-pass dan
high-pass. Low-pass digunakan pada
low-frequency berupa koefisien scaling atau
Aproksimasi(A), sedangkan high-pass pada high-frequency berupa koefisien wavelet.
Adapun tampilan citra yang telah diproses dekomposisi diperlihatkan pada Gambar 2.
Gambar 2 Tampilan citra hasil dekomposisi.
Proses dekomposisi akan mengekstraksi fitur sekaligus mereduksi ukuran citra menjadi lebih kecil sehingga mempercepat proses identifikasi.
Wavelet Haar
Wavelet Haar merupakan wavelet yang
paling sederhana dan merupakan langkah awal yang baik untuk tahap poses berikutnya (McAndrew 2004). Fungsi Haar scaling didefinisikan sebagai berikut (Burrus & Guo 1998):
{
Selain itu, fungsi Haar wavelet didefinisikan sebagai berikut (McAndrew 2004):
Proses dekomposisi Haar menerapkan
bank filter dengan h(0) = h(1) = 1/√2 sebagai
koefisien low-pass yang menghasilkan citra
pendekatan dan g(0) = 1/√2, g(1) = -1/√2
sebagai koefisien high-pass yang
menghasilkan citra detail. Citra hasil dekomposisi akan berukuran seperempat dari ukuran citra sebenarnya.
Wavelet Daubechies
Wavelet Daubechies secara historis berasal dari sistem Haar dan ditulis sebagai ‘dbN’ dengan N menunjukkan orde dengan 2 koefiesien (db2), 4 koefisien (db4), dan seterusnya.
Db2 memiliki scaling function dengan koefisien low-pass sebagai berikut (Burrus & Guo 1998). Nilai koefisien high-pass fungsi wavelet db2, adalah g0 = h3, g1 = -h2, g2 = h1, g3 = -h0. Pengolahan Citra Berwarna Model HSV
Model warna HSV terdiri atas Hue, Saturation, dan Value. Hue merepresentasikan panjang gelombang dominan dalam campuran
gelombang cahaya. Saturation
mengindikasikan selang keabuan atau tingkat intensitas dalam ruang warna. Value menunjukkan tingkat kecerahan sehingga HSV juga biasa disebut Hue Saturation Brightness (HSB) (Georgieva et al. 2005).
Transformasi RGB menjadi HSV
diperoleh menggunakan formula di bawah ini:
{
{
}
(Gonzalez & Woods 2002)
Selain menggunakan transformasi warna, digunakan juga histogram warna. Histogram warna menggambarkan penyebaran nilai intensitas piksel dari suatu citra. Puncak histogram menampilkan intensitas piksel yang paling menonjol sedangkan lebar puncak menggambarkan lebar kontras (Widodo 2009).
Backpropagation Neural Network
Backpropagation Neural Network atau
Jaringan Saraf Tiruan Propagasi Balik adalah suatu sistem pemrosesan informasi yang memiliki karateristik tertentu seperti jaringan saraf biologis (Fauset 1994). Jaringan saraf
tiruan telah dikembangkan sebagai
generalisasi model matematika dari saraf biologis manusia.
Jaringan saraf tiruan propagasi balik merupakan algoritme pembelajaran yang terawasi (supervised learning) dan biasanya digunakan oleh jaringan multilayer untuk mengubah bobot yang terhubung dengan semua neuron pada hidden layer. Jaringan saraf tiruan propagasi balik dikembangkan oleh Rumelhart, Hinton, dan Williams pada tahun 1986. Propagasi Balik merupakan metode pembelajaran yang efektif untuk jaringan multilayer yang memiliki input layer, output layer, dan hidden layer.
METODE PENELITIAN
Tahapan yang akan dilakukan pada penelitian ini secara umum dapat dilihat pada Gambar 3.
Citra Daun
4
Pengambilan Shorea dilakukan dengan cara memotong kurang lebih dua tangkai daun setiap species yang terdiri atas kurang lebih 10 daun pada tiap tangkai nya. Setelah proses akuisisi citra, daun Shorea dipilah-pilah dan diambil yang kualitas daun nya terlihat baik dalam hal bentuk daun utuh dan struktur daun jelas. Daun yang telah diakuisisi kemudian diberikan latar belakang kertas putih untuk dijadikan citra percobaan baik untuk pelatihan atau pun pengujian.
Praproses
Pada tahapan ini, citra daun yang diakuisisi dengan kamera digital menjadi citra RGB dan diberikan latar belakang putih. Citra akan dipraproses dengan mengubah citra tersebut ke dalam ruang warna grayscale dan dilakukan histogram equalization untuk mempertajam nilai kontras citra. Citra grayscale digunakan untuk ekstraksi tekstur menggunakan DWT. Untuk tahapan ekstraksi warna HSV, citra daun RGB diubah ke dalam ruang warna HSV.
Ekstraksi Tekstur dengan Discrete Wavelet Transform (DWT)
Citra daun yang telah dipraproses akan
ditransformasi menggunakan DWT 2D
dengan 2 tipe wavelet, yaitu Haar dan
Daubechies 2. Proses ini bertujuan
menghasilkan Koefisien Aproksimasi (cA) dan Koefisien detail (cD).
Koefisien Aproksimasi (cA) merupakan komponen-komponen yang mewakili citra asli
yang telah difilter dengan menggunakan low-pass filter. Koefisien aproksimasi pada dekomposisi level 1 akan diproses untuk koefisien aproksimasi level 2 dan seterusnya. Pada penelitian ini, level dekomposisi yang digunakan sebanyak level 8. Hal ini agar dapat diperoleh koefisien aproksimasi (cA4) dan koefiesien detail (cDh4, cDv4, cDd4) dengan ukuran 11 x 15 pixel untuk wavelet famili haar dan ukuran 13 x 17 untuk wavelet famili daubechies 2 yang dapat mewakili citra asli.
Contoh citra untuk dekomposisi level 4 Wavelet Haar dalam bentuk citra aproksimasi (cA), citra detail (cDh, cDv,cDd) pada Gambar 4.
Gambar 4 Deskripsi citra aproksimasi dan citra detail.
Ekstraksi Warna dengan Warna HSV Pada tahap ini, komponen warna R,G,B pada citra ditransformasikan ke dalam komponen warna HSV. Kemudian, nilai histogram citra tersebut dihitung untuk melihat penyebaran nilai intensitas warnanya. Hasil dari ekstraksi menggunakan histogram akan dijadikan nilai masukan pada jaringan saraf tiruan propagasi balik (Backpropagation Neural Network).
Pelatihan menggunakan Backpropagation Neural Network
masukan Backpropagation Neural Network. Adapun struktur JST propagasi balik yang digunakan dapat dilihat pada Tabel 1.
Banyaknya kelas target pada jaringan syaraf tiruan yang digunakan pada penelitian ini sesuai dengan jumlah species daun Shorea yaitu 10 kelas.
Tabel 1 Struktur JST propagasi balik
Karateristik Spesifikasi
Arsitektur 1 layer Hidden
Neuron Input Sesuai dengan dimensi
pada level wavelet dan perhitungan histogram HSV
Neuron Hidden 10, 20,30,40, 50, 60,
70, 80, 90, 100
Neuron Output Banyaknya kelas
target yaitu 10
Laju pelatihan (α) 0.01, 0.1, 0.5 Toleransi
Kesalahan
0.01
Maksimal Iterasi 3000
Pada penelitian ini, pemilihan toleransi 0.01 dan laju pelatihan 0.01, 0.1, dan 0.5 diharapkan mampu meningkatkan tingkat akurasi. Pemilihan iterasi maksimum sebesar 3000 dilakukan untuk membatasi proses pelatihan (training) sehingga menghasilkan model jaringan syaraf tiruan yang efektif dan efisien.
Penelitian ini melakukan percobaan dengan mengombinasikan jumlah neuron hidden layer, laju pelatihan terhadap dimensi citra yang telah mengalami transformasi
wavelet, dan hasil transformasi HSV.
Percobaan ini akan dilakukan pada 70 citra sebagai data latih. Selama proses pelatihan, output yang dihasilkan dibandingkan dengan target. Jika output belum mencapai target, pelatihan akan terus dilakukan dengan
memperbaiki bobot dengan cara
mempropagasi balik nilai koreksi galat output ke layer sebelumnya. Jika output sama dengan target, pelatihan akan berhenti. Akhirnya didapatkan model yang selanjutnya diteruskan untuk proses pengujian.
Pengujian
Pengujian data dilakukan oleh sistem yaitu dengan melihat hasil penelitian terhadap citra kueri atau citra uji. Hasil penelitian ini diukur dengan menggunakan tingkat akurasi dari data
citra yang diuji dan diamati. Persamaan akurasi didefinisikan sebagai berikut:
∑ ∑
Evaluasi
Evaluasi dilakukan dengan melakukan pengelompokan data yang telah dilakukan pengujian berdasarkan spesies dan ekstraksi fitur yang digunakan. Evaluasi dibuat dalam bentuk grafik agar dapat mudah dilihat dan dianalisis seberapa besar akurasi pada identifikasi daun Shorea.
Rancangan Percobaan
Percobaan penelitian ini dibagi menjadi lima bagian percobaan. Pada saat pelatihan, setiap percobaan menggunakan struktur JST propagasi balik yang sama. serta dilakukan pengujian dan evaluasi dari hasil pengujian. Adapun rancangan percobaan yang akan dilakukan dapat dilihat pada Tabel 2.
Tabel 2 Rancangan percobaan
Percobaan Metode Ekstraksi
1 DWT famili Haar
2 DWT famili Daubechies 2
3 Histogram Warna HSV
4 Haar + HSV, DB2 + HSV
5 Haar + DB2 + HSV
HASIL DAN PEMBAHASAN
Ada sepuluh jenis Shorea yang
diidentifikasi, yaitu Shorea Javanica, Johorensis, Lepida, Leprosula, Marcoptera,
Materialis, Palembanica, Pinanga,
Platycados dan Seminis. Sepuluh jenis Shorea
tersebut masing-masing terdiri atas sepuluh data citra.
Percobaan 1: Discrete Wavelet Transform
famili Haar
Percobaan ini melibatkan data hasil foto 10 jenis Shorea yang telah diakuisisi, hasil foto tersebut dilakukan praproses dan dilakukan ekstraksi fitur Discrete Wavelete
Transform famili Haar sebanyak 8
6
Neuron Hidden yang digunakan adalah 10, 20, 30, 40, 50, 60, 70, 80, 90, dan 100. Sementara itu, nilai parameter lain dibuat tetap yaitu Learning rate = 0.01 dan Toleransi galat = 0.01. Percobaan ini menghasilkan akurasi
tertinggi sebesar 73.33% dengan
menggunakan parameter Neuron Hidden 40, 70, dan 80. Enam dari sepuluh spesies Shorea dapat teridentifikasi sebesar 100% ialah Shorea Javanica, Shorea Lepida, Shorea
Palembanica, Shorea Pinanga, Shorea
Platycados dan Shorea Seminis. sedangkan
Shorea Marcoptera tidak dapat teridentifikasi dengan akurasi terkecil sebesar 0%. Shorea
Marcoptera teridentifikasi sebagai Shorea
Materialis. Hal ini dikarenakan tekstur dan struktur tulang daun kedua spesies ini terlihat sama. Grafik akurasi untuk setiap jenis Shorea pada percobaan ini dapat dilihat pada Gambar 5.
Gambar 5 Grafik tingkat akurasi setiap jenis Shorea (DWT Haar).
Percobaan 2: Discrete Wavelet Transform
famili Daubechies 2
Percobaan ini menggunakan data yang sama seperti percobaan pertama dan menggunakan parameter JST yang sama. Dari percobaan, didapatkan akurasi tertinggi sebesar 73.33% menggunakan parameter
neuron hidden 60 dan 80. Shorea Javanica,
Shorea Leprosula, Shorea Palembanica, dan
Shorea Platycados teridentifikasi dengan
akurasi sebesar 100%. Shorea Materialis tidak dapat teridentifikasi dan menghasilkan akurasi
0%. Shorea Materialis teridentifikasi sebagai
Shorea Pinanga. Hal ini disebabkan adanya kesamaan struktur tulang daun dan bentuk pada kedua spesies tersebut. Tingkat akurasi yang dihasilkan untuk setiap jenis Shorea pada percobaan ini secara lengkap dapat dilihat pada Gambar 6.
Perbandingan percobaan 1 dan percobaan 2
Dari kedua percobaan tersebut diketahui bahwa Shorea Javanica, Shorea Palembanica dan Shorea Seminis, teridentifikasi secara baik dengan akurasi sebesar 100%. Untuk Shorea Materialis pada kedua percobaan tersebut memiliki rata-rata akurasi terendah dibandingkan dengan 9 spesies lainnya.
Shorea Materialis memiliki akurasi
masing-masing sebesar 33.33% untuk ekstraksi tekstur menggunakan Haar dan 0% untuk Daubechies 2. Dari kedua percobaan tersebut, Shorea Materialis rata-rata teridentifikasi sebagai Shorea Pinanga. Hal ini disebabkan adanya kesamaan permukaan, bentuk, dan luas daun serta adanya kemiripan pada struktur tulang daun pada kedua spesies tersebut.
Gambar 6 Grafik tingkat akurasi setiap jenis Shorea (DWT Daubechies 2).
Percobaan 3: Ekstraksi Warna HSV Pada percobaan ini, didapatkan akurasi tertinggi sebesar 93.33% dengan parameter
neuron hidden 70. Sembilan dari sepuluh
spesies yang dapat teridentifikasi dengan baik memiliki akurasi sebesar 100% ialah Shorea
Javanica, Shorea Johorensis, Shorea Lepida,
Shorea Leprosula, Shorea Marcoptera,
Shorea Materialis, Shorea Pinanga, Shorea
Platycados, dan Shorea Seminis. Shorea
Palembanica memiliki akurasi sebesar
33.33%, dua dari tiga data uji tidak dapat
diidentifikasi. Shorea Palembanica
Percobaan 4: Kombinasi Ekstraksi Tekstur (DWT) dan Ekstraksi Warna (HSV)
Percobaan ini dilakukan pelatihan dengan menggunakan parameter JST neuron hidden yang sama seperti percobaan 1, 2, dan 3. Percobaan ini melakukan penggabungan data dari hasil ekstraksi tekstur dan ekstraksi warna menjadi satu buah data pelatihan model klasifikasi dan percobaan 4 ini dibagi menjadi dua bagian percobaan. Percobaan pertama menggunakan penggabungan ekstrasi tekstur
Discrete Wavelet Transform famili Haar dan
histogram HSV yang menghasilkan akurasi tertinggi sebesar 90% dengan neuron Hidden 30 dan 60. Shorea Javanica, Shorea Lepida,
Shorea Marcoptera, Shorea Materialis,
Shorea Pinanga, Shorea Platycados, dan
Shorea Seminis teridentifikasi dengan akurasi sebesar 100%, sedangkan Shorea Johorensis,
Leprosula, dan Palembanica menghasilkan
akurasi sebesar 66.67%. Hal ini menunjukkan bahwa masing-masing spesies tersebut terdapat satu dari tiga data uji tidak dapat
teridentifikasi. Shorea Johorensis
teridentifikasi sebagai Shorea Leprosula, Shorea Leprosula teridentifikasi sebagai
Shorea Seminis, sedangkan Shorea
Palembanica teridentifikasi sebagai Shorea
Lepida. Hal ini disebabkan adanya kesamaan
tekstur, bentuk, struktur tulang daun dan kecerahan warna pada ketiga pasang species tersebut. Grafik akurasi untuk setiap jenis Shorea pada percobaan ini dapat dilihat secara lebih lengkap pada Gambar 8.
Pada percobaan kedua, dilakukan penggabungan ekstraksi tekstur Discrete
Wavelet Transform famili Daubechies 2 dan
histogram HSV menghasilkan akurasi tertinggi sebesar 90% dengan neuron hidden
90. Shorea Javanica, Shorea Lepida, Shorea
Leprosula, Shorea Marcoptera, Shorea
Materialis, Shorea Pinanga, Shorea
Platycados, dan Shorea Seminis teridentifikasi dengan akurasi 100%, sedangkan Shorea
Leprosula, Shorea Palembanic, Shorea
Seminis menghasilkan akurasi sebesar
66.67%. Shorea Leprosula teridentifikasi
sebagai Shorea Johorensis, Shorea
Palembanica teridentifikasi sebagai Shorea
Lepida, dan Shorea Seminis teridentifikasi
sebagai Shorea Palembanica. Hal ini disebabkan adanya kesamaan tekstur, bentuk, struktur tulang daun, dan kecerahan warna pada ketiga pasang spesies tersebut. Tingkat akurasi setiap jenis Shorea pada percobaan ini dapat dilihat secara lebih lengkap pada Gambar 9.
Gambar 9 Grafik tingkat akurasi setiap jenis Shorea (DB2 - HSV).
Percobaan 5: Kombinasi Ekstraksi Tekstur DWT Haar, Daubechies dan Ekstraksi Warna (HSV)
Pada percobaan ini, dilakukan proses penggabungan seluruh ekstraksi fitur tekstur dan ekstraksi warna. Percobaan ini juga menggunakan parameter yang sama dengan
percobaan sebelumnya. Percobaan
penggabungan seluruh fitur menghasilkan akurasi terbaik sebesar 93.33% dengan neuron hidden 30, 40, dan 60. Sebanyak 9 dari 10 jenis Shorea teridentifikasi dengan akurasi Gambar 7 Grafik tingkat akurasi setiap
jenis Shorea (Histogram Warna HSV).
8
sebesar 100%. Sembilan spesies tersebut ialah
Shorea Javanica, Johorensis, Lepida,
Leprosula, Marcoptera, Materialis,
Palembanica, Pinanga, dan Platycados. Pada
Shorea Seminis hanya 1 dari 3 data uji yang dapat teridentifikasi sehingga akurasinya hanya sebesar 33.33%. Shorea Seminis teridentifikasi sebagai Shorea Lepida dan Shorea Leprosula. Hal ini disebabkan oleh adanya kesamaan bentuk dan tekstur serta kecerahan warna antar ketiga spesies tersebut. Tingkat akurasi setiap jenis Shorea pada percobaan ini dapat dilihat secara lebih lengkap pada Gambar 10.
Gambar 10 Grafik tingkat akurasi setiap jenis Shorea (Haar - DB2 - HSV).
Dalam percobaan penggabungan seluruh ekstraksi ini, dapat ditunjukkan bahwa masing-masing ekstraksi fitur saling mempengaruhi dalam proses identifikasi.
Seperti pada percobaan 4, Shorea
Palembanica dan Shorea Leprosula tidak
dapat teridentifikasi dengan baik dengan akurasi sebesar 66.66%. Akan tetapi setelah menggabungkan seluruh ekstraksi fitur,
Shorea Palembanica dan Shorea Leprosula
teridentifikasi dengan baik menghasilkan akurasi sebesar 100%.
Perbandingan dengan penelitian Terkait Pada Penelitian Puspitasari (2011), telah didapatkan rata-rata akurasi sebesar 90% dalam identifikasi daun Shorea menggunakan Jaringan Saraf Tiruan Propagasi Balik atau Backpropagation Neural Network. Penelitian ini menghasilkan rata-rata akurasi terbesar
84.67%. Adapun parameter yang
membedakan, yaitu objek penelitian. Penelitian Puspitasari (2011) menggunakan perhitungan karateristik morfologi daun sedangkan penelitian ini menggunakan citra sebagai objek penelitian. Percobaan citra cenderung lebih sulit dalam menentukan model klasifikasi secara akurat dibandingkan
dengan percobaan menggunakan metode perhitungan manual berdasarkan morfologi daun. Hal ini disebabkan adanya noise pada citra yang mengakibatkan perbedaan nilai pada tiap spesies sehingga pelatihan kurang
sempurna dalam menentukan model
klasifikasinya. Selain itu, penelitian Puspitasari (2011) menggunakan 5 jenis
Shorea dalam identifikasi, sedangkan
penelitian ini menggunakan 10 jenis Shorea yang sebagian besar berbeda jenis Shorea-nya dengan penelitian Puspitasari (2011). Penelitian Aminudin (2010) menggunakan ekstraksi warna RGB, HSV, dan YcbCr berbasis histogram, sedangkan penelitian ini menggunakan ekstraksi warna HSV dengan penggabungan ekstraksi fitur untuk mendapatkan peningkatan akurasi.
KESIMPULAN DAN SARAN Kesimpulan
Dari penelitian ini, dapat disimpulkan beberapa hal dalam identifikasi daun Shorea berdasarkan ekstraksi fitur dan ekstraksi warna, yaitu:
1 Pada percobaan awal proses
penggabungan ekstraksi fitur DWT dan ekstraksi warna HSV menghasilkan akurasi yang sangat baik sebesar 80%.
2 Pada percobaan kedua, percobaan
pertukaran data uji dan data latih serta penggabungan ekstraksi fitur dan ekstraksi warna HSV menghasilkan peningkatan akurasi sebesar 90%. 3 Ekstraksi Warna HSV merupakan faktor
yang signifikan dalam hal proses peningkatan dan penurunan akurasi dalam identifikasi Shorea.
Saran
Penelitian ini masih memiliki beberapa kekurangan yang dapat diperbaiki pada penelitian selanjutnya. Adapun beberapa saran untuk penelitian selanjutnya sebagai berikut :
1 Memperbanyak fitur-fitur lainnya seperti ekstraksi warna RGB, YcbCr dan ekstraksi tekstur seperti LBP, discrete fourier transform.
DAFTAR PUSTAKA
Aminudin P. 2010. Pemutuan belimbing manis dengan citra pelatihan tunggal menggunakan algoritme VFI5 berbasis histogram warna [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Burrus CS, Guo H. 1998. Introduction to
Wavelets and Wavelet Transforms, A
Primer. New Jersey: Prentice-Hall. Fausett L. 1994. Fundamental of Neural
Network Architectures, Algorithms and Aplication. New Jersey: Prentice-Hall. Georgieva L, Dimitrova T, Angelov N. 2005.
RGB and HSV colour models in colour identification of digital traumas image. http://ecet.ecs.ru.acad.bg/cst05/Docs/c p/sV/V.12.pdf/ [23 Okt 2011]
Gonzalez RC, Woods RE. 2002. Digital Image Processing. Ed ke-2. New Jersey: Prentice Hall.
Kanata B. 2008. deteksi sidik jari berbasis alihragam gelombang singkat (wavelet) dan jaringan syaraf tiruan (JST) khusus kota mataram dan sekitarnya[skripsi]. Mataram: Fakultas Teknik Elektro, Universitas Mataram.
Mäenpää T. 2003. The Local Binary Pattern Approach to Texture Analysis.Oulu : Oulu University Press.
McAndrew A. 2004. An Introduction to
Digital Image Processing with
MATLAB. Boston: Thomson Course Technology.
Misiti M. 2002. Wavelet Toolbox.The Mathwork, Inc.
Newman MF. 1999. Pedoman Identifikasi Pohon-pohon Dipterocarpaceae Jawa sampai Nugini. Bogor: PROSEA INDONESIA.
Nurjayanti B. 2011. Identifikasi shorea menggunakan k-Nearest Neighbour berdasarkan karateristik morfologi daun [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Puspitasari D. 2011. Identifikasi jenis shorea
menggunakan jaringan syaraf tiruan
propagasi balik berdasarkan
karateristik morfologi daun [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Stollnitz, Eric J. 1995. Wavelets for Computer Graphic: A Primer Part 1. University
of Washington.
http://grail.cs.washington.edu/projects/ wavelets/article/wavelet1.pdf [23 Okt 2011].
12
Lampiran 2 Confusion matrix penggabungan fitur Discrete wavelet transform famili Haar – Hsv Keterangan :
Java = Shorea Javanica Joho = Shorea Johorensis Lepid = Shorea Lepida Lepro = Shorea Leprosula Marco = Shorea Marcoptera Mater = Shorea Materialis Palem = Shorea Palembanica Pinan = Shorea Pinanga Platy = Shorea Platycados Semin = Shorea Seminis
Haar Hsv - Neuron Hidden 10
Shorea Kelas Prediksi
Java Joho Lepid Lepro Marco Mater Palem Pinan Platy Semin
Haar Hsv - Neuron Hidden 20
Shorea Kelas Prediksi
Java Joho Lepid Lepro Marco Mater Palem Pinan Platy Semin
Haar Hsv - Neuron Hidden 30
Shorea Kelas Prediksi
Lanjutan
Haar Hsv - Neuron Hidden 40
Shorea Kelas Prediksi
Java Joho Lepid Lepro Marco Mater Palem Pinan Platy Semin
Haar Hsv - Neuron Hidden 50
Shorea Kelas Prediksi
Java Joho Lepid Lepro Marco Mater Palem Pinan Platy Semin
Haar Hsv - Neuron Hidden 60
Shorea Kelas Prediksi
Java Joho Lepid Lepro Marco Mater Palem Pinan Platy Semin
Haar Hsv - Neuron Hidden 70
Shorea Kelas Prediksi
14
Lanjutan
Haar Hsv - Neuron Hidden 80
Shorea Kelas Prediksi
Java Joho Lepid Lepro Marco Mater Palem Pinan Platy Semin
Haar Hsv - Neuron Hidden 90
Shorea Kelas Prediksi
Java Joho Lepid Lepro Marco Mater Palem Pinan Platy Semin
Haar Hsv - Neuron Hidden 100
Shorea Kelas Prediksi
Lampiran 3 Confusion matrix Discrete wavelet transform famili Daubechies 2 – Hsv
Daubechies 2 Hsv – Neuron Hidden 10
Shorea Kelas Prediksi
Java Joho Lepid Lepro Marco Mater Palem Pinan Platy Semin
Shorea Kelas Prediksi
Java Joho Lepid Lepro Marco Mater Palem Pinan Platy Semin
Shorea Kelas Prediksi
Java Joho Lepid Lepro Marco Mater Palem Pinan Platy Semin
Shorea Kelas Prediksi
16
Lanjutan
Daubechies 2 Hsv – Neuron Hidden 50
Shorea Kelas Prediksi
Java Joho Lepid Lepro Marco Mater Palem Pinan Platy Semin
Shorea Kelas Prediksi
Java Joho Lepid Lepro Marco Mater Palem Pinan Platy Semin
Shorea Kelas Prediksi
Java Joho Lepid Lepro Marco Mater Palem Pinan Platy Semin
Shorea Kelas Prediksi
Lanjutan
Daubechies 2 Hsv – Neuron Hidden 90
Shorea Kelas Prediksi
Java Joho Lepid Lepro Marco Mater Palem Pinan Platy Semin
K
el
as
a
sl
i
Java 3
Joho 3
Lepid 3
Lepro 1 2
Marco 3
Mater 3
Palem 1 2
Pinan 3
Platy 3
Semin 1 2
Daubechies 2 Hsv – Neuron Hidden 100
Shorea Kelas Prediksi
Java Joho Lepid Lepro Marco Mater Palem Pinan Platy Semin
K
el
as
a
sl
i
Java 3
Joho 1 2
Lepid 3
Lepro 3
Marco 3
Mater 3
Palem 1 1 1
Pinan 3
Platy 3
18
Lampiran 4 Confusion matrix Discrete wavelet transform famili Haar - Daubechies 2 -Hsv
Haar Daubechies 2 Hsv – Neuron Hidden 10
Shorea Kelas Prediksi
Java Joho Lepid Lepro Marco Mater Palem Pinan Platy Semin
Shorea Kelas Prediksi
Java Joho Lepid Lepro Marco Mater Palem Pinan Platy Semin
Shorea Kelas Prediksi
Java Joho Lepid Lepro Marco Mater Palem Pinan Platy Semin
Shorea Kelas Prediksi
Lanjutan
Haar Daubechies 2 Hsv – Neuron Hidden 50
Shorea Kelas Prediksi
Java Joho Lepid Lepro Marco Mater Palem Pinan Platy Semin
Shorea Kelas Prediksi
Java Joho Lepid Lepro Marco Mater Palem Pinan Platy Semin
Shorea Kelas Prediksi
Java Joho Lepid Lepro Marco Mater Palem Pinan Platy Semin
Shorea Kelas Prediksi
20
Lanjutan
Haar Daubechies 2 Hsv – Neuron Hidden 90
Shorea Kelas Prediksi
Java Joho Lepid Lepro Marco Mater Palem Pinan Platy Semin
K
el
as
a
sl
i
Java 3
Joho 3
Lepid 3
Lepro 2 1
Marco 3
Mater 3
Palem 1 1 1
Pinan 3
Platy 3
Semin 3
Haar Daubechies 2 Hsv – Neuron Hidden 100
Shorea Kelas Prediksi
Java Joho Lepid Lepro Marco Mater Palem Pinan Platy Semin
K
el
as
a
sl
i
Java 3
Joho 3
Lepid 3
Lepro 3
Marco 3
Mater 3
Palem 1 1 1
Pinan 3
Platy 3
Lampiran 5 Tabel hasil akurasi species Shorea untuk ekstraksi fitur DWT famili haar
Haar Hidden Layer
10 20 30 40 50
Javanica 33.33% 100 % 66.67% 100 % 66.67%
Johorensis 66.67% 66.67% 66.67% 66.67% 0.00%
Lepida 66.67% 100 % 100 % 100 % 100 %
Leprosula 33.33% 0.00% 100 % 33.33% 100 %
Marcoptera 0.00% 66.67% 66.67% 0.00% 66.67%
Materialis 100 % 33.33% 0.00% 33.33% 66.67%
Palembanica 100 % 66.67% 0.00% 100% 0.00%
Pinanga 0.00% 0.00% 100% 100% 100%
Platycados 100 % 100% 100% 100% 100%
Seminis 0.00% 100 % 33.33% 100% 33.33%
Rata-rata 50.00% 63.33% 63.33% 73.33% 63.33%
Haar Hidden Layer
60 70 80 90 100
Javanica 100 % 100 % 100 % 100 % 100 %
Johorensis 33.33% 33.33% 66.67% 66.67% 33.33%
Lepida 100 % 100 % 100 % 66.67% 100 %
Leprosula 66.67% 33.33% 100 % 33.33% 66.67%
Marcoptera 66.67% 100% 66.67% 66.67% 100%
Materialis 33.33% 100% 66.67% 100% 0.00%
Palembanica 66.67% 66.67% 66.67% 100% 66.67%
Pinanga 100% 0.00% 100% 0.00% 100%
Platycados 66.67% 100% 0.00% 100% 66.67%
Seminis 66.67% 100% 66.67% 0.00% 33.33%
Rata-rata 70.00% 73.33% 73.33% 63.33% 66.67%
Lampiran 6 Tabel hasil akurasi species Shorea untuk ekstraksi fitur DWT famili daubechies 2
Daubechies 2 Hidden Layer
60 70 80 90 100
Javanica 100 % 100 % 100 % 100 % 100 %
Johorensis 33.33% 33.33% 66.67% 66.67% 33.33%
Lepida 100 % 100 % 100 % 66.67% 100 %
Leprosula 66.67% 33.33% 100 % 33.33% 66.67%
Marcoptera 66.67% 100% 66.67% 66.67% 100%
Materialis 33.33% 100% 66.67% 100% 0.00%
Palembanica 66.67% 66.67% 66.67% 100% 66.67%
Pinanga 100% 0.00% 100% 0.00% 100%
Platycados 66.67% 100% 0.00% 100% 66.67%
Seminis 66.67% 100% 66.67% 0.00% 33.33%
Rata-rata 70.00% 73.33% 73.33% 63.33% 66.67%
Daubechies 2 Hidden Layer
10 20 30 40 50
Javanica 100% 66.67% 100% 100% 66.67%
Johorensis 33.33% 66.67% 33.33% 33.33% 33.33%
Lepida 33.33% 33.33% 66.67% 100% 66.67%
Leprosula 33.33% 66.67% 66.67% 66.67% 33.33%
Marcoptera 66.67% 100% 0.00% 100% 66.67%
Materialis 100% 66.67% 66.67% 0.00% 33.33%
Palembanica 66.67% 100% 66.67% 100% 100%
Pinanga 0.00% 66.67% 100% 33.33% 100%
Platycados 66.67% 100% 100% 100% 100%
Seminis 66.67% 33.33% 0.00% 0.00% 100%
22
Lampiran 7 Tabel hasil akurasi species Shorea untuk ekstraksi warna histogram HSV
HSV Hidden Layer
Lampiran 8 Tabel hasil akurasi species Shorea untuk penggabungan ekstraksi fitur DWT famili haar dan ekstraksi warna HSV
Haar - HSV Hidden Layer
Lampiran 9 Tabel hasil akurasi species Shorea untuk penggabungan ekstraksi fitur DWT famili daubechies 2 dan ekstraksi warna HSV
DB2 - HSV Hidden Layer
60 70 80 90 100
Javanica 100% 100% 100% 100% 100%
Johorensis 100% 100% 100% 100% 33.33%
Lepida 100% 100% 100% 100% 100%
Leprosula 0.00% 100% 100% 66.67% 100%
Marcoptera 66.67% 0.00% 100% 100% 100%
Materialis 100% 100% 33.33% 100% 100%
Palembanica 100% 33.33% 66.67% 66.67% 33.33%
Pinanga 66.67% 100% 100% 100% 100%
Platycados 100% 100% 100% 100% 100%
Seminis 66.67% 66.67% 66.67% 66.67% 66.67%
Rata-rata 80.00% 80.00% 86.67% 90.00% 83.33%
DB2 - HSV Hidden Layer
10 20 30 40 50
Javanica 100% 100% 100% 100% 100%
Johorensis 100% 100% 100% 100% 66.67%
Lepida 100% 100% 100% 100% 100%
Leprosula 0.00% 100% 66.67% 100% 33.33%
Marcoptera 100% 100% 100% 100% 100%
Materialis 100% 100% 100% 100% 100%
Palembanica 33.33% 33.33% 66.67% 33.33% 33.33%
Pinanga 100% 66.67% 66.67% 100% 100%
Platycados 100% 100% 100% 100% 100%
Seminis 100% 0.00% 100% 66.67% 100%
24
Lampiran 10 Tabel hasil akurasi species Shorea penggabungan ekstraksi fitur DWT famili haar, daubechies 2 dan Histogram HSV
Haar - DB2 - HSV Hidden Layer
60 70 80 90 100
Javanica 100% 100% 100% 100% 100%
Johorensis 100% 100% 100% 100% 100%
Lepida 100% 100% 100% 100% 100%
Leprosula 100% 66,67% 100% 66,67% 100%
Marcoptera 100% 100% 100% 100% 100%
Materialis 100% 100% 66,67% 100% 100%
Palembanica 100% 66,67% 66,67% 33,33% 33,33%
Pinanga 100% 100% 100% 100% 100%
Platycados 100% 100% 100% 100% 100%
Seminis 33,33% 66,67% 33,33% 100% 33,33%
Rata-rata 93,33% 90,00% 86,67% 90,00% 86,67%
Haar - DB2 - HSV Hidden Layer
10 20 30 40 50
Javanica 100% 33,33% 100% 100% 100%
Johorensis 100% 100% 100% 33,33% 100%
Lepida 100% 100% 100% 100% 100%
Leprosula 100% 100% 66,67% 100% 100%
Marcoptera 100% 100% 100% 100% 100%
Materialis 100% 100% 100% 100% 66,67%
Palembanica 66,67% 66,67% 66,67% 100% 100%
Pinanga 100% 100% 100% 100% 100%
Platycados 100% 100% 100% 100% 100%
Seminis 66,67% 100% 100% 100% 66,67%
ABSTRACT
IMAN AKBAR RAMADHAN. Shorea leaves Identification using Backpropagation Neural Network with Discrete Wavelete Transform feature extraction and HSV colour extraction. Supervised by AZIZ KUSTIYO.
Dipterocarpaceae is a major timber tree of tropical rain forest. Shorea is a genus of the
Dipterocarpaceae family which consists of around 194 species. Shorea is difficult to be identified because it has a lot of diversity. It takes knowledge from an expert in the field of Shorea to be able to identify the types of Shorea. Errors in identifying the type of Shorea wood can lead to inappropriate selection for the final usability. In this research, we perform identification to 10 species of Shorea from Bogor Botanical Garden using Discrete Wavelet Transform and HSV color extraction as the feature extraction methods. Backpropagation Neural Network is used as the classification technique. The results of this research using both the DWT Haar family and HSV for feature extraction, and the DWT Daubechies 2 family and HSV produce 90% accuracy. The combination between DWT Haar family, DWT Daubechies 2 family and HSV color extraction produces 93.33% accuracy. The conclusion from the results of this research is the significant effect of HSV color extraction in increasing the accuracy for the identification of Shorea leaves.
PENDAHULUAN
Latar Belakang
Shorea merupakan kelompok famili
Dipterocarpaceae – sekelompok tumbuhan
hutan hujan tropis yang dimanfaatkan dalam bidang perkayuan. Shorea adalah salah satu marga tumbuhan penghasil kayu terbaik dalam dunia perindustrian. Nilai ekonomi yang tinggi mengakibatkan eksploitasi besar-besaran pohon Shorea. Maka dari itu, perlu dikembangkan suatu sistem identifikasi daun Shorea. Hal ini dilakukan agar tidak menyebabkan kesalahan pemilihan kayu yang tidak tepat dan mengurangi pertumbuhan jenis kayu dengan sifat-sifat yang tidak diinginkan.
Identifikasi tumbuhan biasanya dilakukan menggunakan batang, daun, buah, dan bunga. Penentuan identifikasi pohon Shorea ini lebih diutamakan pada identifikasi daun Shorea dikarenakan daun cenderung mudah untuk menjadi sumber pengamatan khususnya berupa citra dan cenderung tersedia sebagai sumber pengamatan sepanjang waktu.
Penelitian sebelumnya dengan data yang sama dilakukan oleh Nurjayanti (2011). Nurjayanti (2011) menggunakan K-Nearest
Neighbour sebagai classifier dan identifikasi
berdasarkan karateristik morfologi daun. Penelitian tersebut menghasilkan akurasi data yang sangat baik yaitu 100% data akurat. Kanata (2008) melakukan penelitian tentang deteksi sidik jari menggunakan ekstraksi fitur transformasi wavelet dan menunjukan bahwa metode wavelet sangat baik dalam identifikasi citra sidik jari dengan akurasi 88%.
Puspitasari (2011) menggunakan
Backpropagation Neural Network (Jaringan Saraf Tiruan Propagasi Balik) sebagai teknik identifikasi daun Shorea yang menghasilkan akurasi sebesar 94%. Backpropagation Neural
Network merupakan metode pembelajaran
yang efektif untuk jaringan multilayer sehingga baik dalam menangani permasalahan yang kompleks (Fausett 1994). Aminudin (2010) menggunakan Histogram warna HSV dalam ekstraksi pelatihan citra Belimbing yang menghasilkan rata-rata akurasi terbaik sebesar 78.87% untuk histogram H (hue).
Penelitian ini akan menggunakan data citra daun Shorea dengan ekstraksi fitur Discrete Wavelet Transform (DWT) dan Ekstraksi Warna HSV dengan Backpropagation Neural
Network sebagai classifier. DWT digunakan
sebagai metode pengolahan citra daun yang dapat mengekstraksi tekstur dari daun dan mereduksi ukuran citra. Warna HSV
digunakan sebagai ekstraksi warna pada citra daun. Model warna HSV lebih baik dibandingkan dengan model warna lainnya seperti RGB dan CMY. Hal ini dikarenakan warna HSV lebih dapat merepresentasikan
visual mata manusia pada saat melihat objek
berwarna (Gonzalez & Woods 2002).
Penelitian ini juga menggunakan Backpropagation Neural Network (Jaringan Saraf Tiruan Propagasi Balik) sebagai teknik klasifikasi pada identifikasi citra Shorea dengan melakukan pelatihan dan pengujian data.
Tujuan
Tujuan penelitian ini adalah
mengimplementasikan teknik ekstraksi fitur menggunakan Discrete Wavelet Transform (DWT) dan Ekstraksi warna HSV serta teknik
klasifikasi Jaringan saraf tiruan
Backpropagation untuk pengenalan citra daun Shorea.
Ruang Lingkup
Ruang lingkup penelitian ini meliputi penggunaan Discrete Wavelet Transform 2-Dimensi famili Haar dan Daubechies 2 serta Transformasi Warna HSV untuk identifikasi citra daun Shorea.
TINJAUAN PUSTAKA
Shorea
Shorea adalah salah satu marga dari Dipterocarpaceae penghasil kayu terbaik dalam perindustrian. Shorea memiliki sekitar
194 species yang persebarannya meliputi dari
Jawa hingga ke arah timur Maluku (Newman 1999). Pohon Shorea dapat tumbuh dari batas permukaan laut sampai ketinggian 1750 m.
Ciri-ciri diagnostik utama pohon Shorea ialah sangat besar dengan pepagan dalam berlapis-lapis atau berwarna coklat merah gelap. Daun menjangat, tidak berlipatan, tidak bentuk perisai, tidak berlukup, berukuran 4-18 x 2-8 cm, pangkal daun biasanya simetris, permukaan bawah daun bila mengering pudar, pertulangan sekunder bersirip, 7-25 pasang, terpisah permanen, pada permukaan bawah daun bila mengering warnanya sama seperti helai daun, atau lebih gelap pada Shorea Javanica (Newman 1999).
2
Analisis Tekstur
Tekstur adalah gambaran visual dari sebuah permukaan atau bahan. Dalam computer vision, tekstur dicirikan dengan variasi intensitas pada citra. Variasi intensitas dapat disebabkan oleh kekasaran atau perbedaan warna pada suatu permukaan. Penampilan tekstur dipengaruhi oleh skala dan arah pandangan lingkungan dan kondisi pencahayaan (Mäenpää 2003).
Secara umum tekstur mengacu pada pengulangan elemen-elemen tekstur dasar yang disebut primitif atau teksel (texture
element – texel).
Gambar 1 Contoh beberapa jenis tekstur.
Discrete Wavelet Transform
Wavelet berasal dari sebuah fungsi penyekala (scaling function) (Stollnitz & Eric 1995). Fungsi ini dapat membuat sebuah induk wavelet (mother wavelet). Wavelet didasarkan pada pembangkitan sejumlah tapis (filter) dengan cara menggeser dan menskala
mother wavelet. Penambahan dan
pengurangan skala akan mempengaruhi durasi waktu, lebar bidang (bandwidth) dan nilai frekuensi (Burrus & Guo 1998).
Transformasi wavelet dapat dibedakan menjadi dua, yaitu Continous Wavelet
Transform (CWT) dan Discrete Wavelet
Transform (DWT). Discrete Wavelet
Transform (DWT) merupakan proses fungsi
wavelet yang akan dikalkulasi pada pemilihan subset dari skala dan posisi tertentu. DWT digunakan pada proses pemfilteran yang menghasilkan koefisien wavelet (Misiti 2002). Pada citra, dilakukan transformasi wavelet dua dimensi. Pada titik (x,y) atau baris dan kolom pada matrik, dapat dihasilkan
φ(x,y)=φ(x)φ(y) yang merupakan koefisien
scaling atau Aproksimasi(A). Pada ψ(x,y) atau
koefisien wavelet, pengolahan menghasilkan
tiga orientasi detail (D), yaitu x N (Gonzalez & Woods 2002) ialah
Transformasi wavelet melakukan
dekomposisi pada proses pemfilteran. Proses pemfilteran dibagi dua, yaitu low-pass dan
high-pass. Low-pass digunakan pada
low-frequency berupa koefisien scaling atau
Aproksimasi(A), sedangkan high-pass pada high-frequency berupa koefisien wavelet.
Adapun tampilan citra yang telah diproses dekomposisi diperlihatkan pada Gambar 2.
Gambar 2 Tampilan citra hasil dekomposisi.
Proses dekomposisi akan mengekstraksi fitur sekaligus mereduksi ukuran citra menjadi lebih kecil sehingga mempercepat proses identifikasi.
Wavelet Haar
Wavelet Haar merupakan wavelet yang
paling sederhana dan merupakan langkah awal yang baik untuk tahap poses berikutnya (McAndrew 2004). Fungsi Haar scaling didefinisikan sebagai berikut (Burrus & Guo 1998):
{
Selain itu, fungsi Haar wavelet didefinisikan sebagai berikut (McAndrew 2004):
Proses dekomposisi Haar menerapkan
bank filter dengan h(0) = h(1) = 1/√2 sebagai
koefisien low-pass yang menghasilkan citra
pendekatan dan g(0) = 1/√2, g(1) = -1/√2
sebagai koefisien high-pass yang
menghasilkan citra detail. Citra hasil dekomposisi akan berukuran seperempat dari ukuran citra sebenarnya.
Wavelet Daubechies
Wavelet Daubechies secara historis berasal dari sistem Haar dan ditulis sebagai ‘dbN’ dengan N menunjukkan orde dengan 2 koefiesien (db2), 4 koefisien (db4), dan seterusnya.
Db2 memiliki scaling function dengan koefisien low-pass sebagai berikut (Burrus & Guo 1998). Nilai koefisien high-pass fungsi wavelet db2, adalah g0 = h3, g1 = -h2, g2 = h1, g3 = -h0. Pengolahan Citra Berwarna Model HSV
Model warna HSV terdiri atas Hue, Saturation, dan Value. Hue merepresentasikan panjang gelombang dominan dalam campuran
gelombang cahaya. Saturation
mengindikasikan selang keabuan atau tingkat intensitas dalam ruang warna. Value menunjukkan tingkat kecerahan sehingga HSV juga biasa disebut Hue Saturation Brightness (HSB) (Georgieva et al. 2005).
Transformasi RGB menjadi HSV
diperoleh menggunakan formula di bawah ini:
{
{
}
(Gonzalez & Woods 2002)
Selain menggunakan transformasi warna, digunakan juga histogram warna. Histogram warna menggambarkan penyebaran nilai intensitas piksel dari suatu citra. Puncak histogram menampilkan intensitas piksel yang paling menonjol sedangkan lebar puncak menggambarkan lebar kontras (Widodo 2009).
Backpropagation Neural Network
Backpropagation Neural Network atau
Jaringan Saraf Tiruan Propagasi Balik adalah suatu sistem pemrosesan informasi yang memiliki karateristik tertentu seperti jaringan saraf biologis (Fauset 1994). Jaringan saraf
tiruan telah dikembangkan sebagai
generalisasi model matematika dari saraf biologis manusia.
Jaringan saraf tiruan propagasi balik merupakan algoritme pembelajaran yang terawasi (supervised learning) dan biasanya digunakan oleh jaringan multilayer untuk mengubah bobot yang terhubung dengan semua neuron pada hidden layer. Jaringan saraf tiruan propagasi balik dikembangkan oleh Rumelhart, Hinton, dan Williams pada tahun 1986. Propagasi Balik merupakan metode pembelajaran yang efektif untuk jaringan multilayer yang memiliki input layer, output layer, dan hidden layer.
METODE PENELITIAN
Tahapan yang akan dilakukan pada penelitian ini secara umum dapat dilihat pada Gambar 3.
Citra Daun
4
Pengambilan Shorea dilakukan dengan cara memotong kurang lebih dua tangkai daun setiap species yang terdiri atas kurang lebih 10 daun pada tiap tangkai nya. Setelah proses akuisisi citra, daun Shorea dipilah-pilah dan diambil yang kualitas daun nya terlihat baik dalam hal bentuk daun utuh dan struktur daun jelas. Daun yang telah diakuisisi kemudian diberikan latar belakang kertas putih untuk dijadikan citra percobaan baik untuk pelatihan atau pun pengujian.
Praproses
Pada tahapan ini, citra daun yang diakuisisi dengan kamera digital menjadi citra RGB dan diberikan latar belakang putih. Citra akan dipraproses dengan mengubah citra tersebut ke dalam ruang warna grayscale dan dilakukan histogram equalization untuk mempertajam nilai kontras citra. Citra grayscale digunakan untuk ekstraksi tekstur menggunakan DWT. Untuk tahapan ekstraksi warna HSV, citra daun RGB diubah ke dalam ruang warna HSV.
Ekstraksi Tekstur dengan Discrete Wavelet Transform (DWT)
Citra daun yang telah dipraproses akan
ditransformasi menggunakan DWT 2D
dengan 2 tipe wavelet, yaitu Haar dan
Daubechies 2. Proses ini bertujuan
menghasilkan Koefisien Aproksimasi (cA) dan Koefisien detail (cD).
Koefisien Aproksimasi (cA) merupakan komponen-komponen yang mewakili citra asli
yang telah difilter dengan menggunakan low-pass filter. Koefisien aproksimasi pada dekomposisi level 1 akan diproses untuk koefisien aproksimasi level 2 dan seterusnya. Pada penelitian ini, level dekomposisi yang digunakan sebanyak level 8. Hal ini agar dapat diperoleh koefisien aproksimasi (cA4) dan koefiesien detail (cDh4, cDv4, cDd4) dengan ukuran 11 x 15 pixel untuk wavelet famili haar dan ukuran 13 x 17 untuk wavelet famili daubechies 2 yang dapat mewakili citra asli.
Contoh citra untuk dekomposisi level 4 Wavelet Haar dalam bentuk citra aproksimasi (cA), citra detail (cDh, cDv,cDd) pada Gambar 4.
Gambar 4 Deskripsi citra aproksimasi dan citra detail.
Ekstraksi Warna dengan Warna HSV Pada tahap ini, komponen warna R,G,B pada citra ditransformasikan ke dalam komponen warna HSV. Kemudian, nilai histogram citra tersebut dihitung untuk melihat penyebaran nilai intensitas warnanya. Hasil dari ekstraksi menggunakan histogram akan dijadikan nilai masukan pada jaringan saraf tiruan propagasi balik (Backpropagation Neural Network).
Pelatihan menggunakan Backpropagation Neural Network
masukan Backpropagation Neural Network. Adapun struktur JST propagasi balik yang digunakan dapat dilihat pada Tabel 1.
Banyaknya kelas target pada jaringan syaraf tiruan yang digunakan pada penelitian ini sesuai dengan jumlah species daun Shorea yaitu 10 kelas.
Tabel 1 Struktur JST propagasi balik
Karateristik Spesifikasi
Arsitektur 1 layer Hidden
Neuron Input Sesuai dengan dimensi
pada level wavelet dan perhitungan histogram HSV
Neuron Hidden 10, 20,30,40, 50, 60,
70, 80, 90, 100
Neuron Output Banyaknya kelas
target yaitu 10
Laju pelatihan (α) 0.01, 0.1, 0.5 Toleransi
Kesalahan
0.01
Maksimal Iterasi 3000
Pada penelitian ini, pemilihan toleransi 0.01 dan laju pelatihan 0.01, 0.1, dan 0.5 diharapkan mampu meningkatkan tingkat akurasi. Pemilihan iterasi maksimum sebesar 3000 dilakukan untuk membatasi proses pelatihan (training) sehingga menghasilkan model jaringan syaraf tiruan yang efektif dan efisien.
Penelitian ini melakukan percobaan dengan mengombinasikan jumlah neuron hidden layer, laju pelatihan terhadap dimensi citra yang telah mengalami transformasi
wavelet, dan hasil transformasi HSV.
Percobaan ini akan dilakukan pada 70 citra sebagai data latih. Selama proses pelatihan, output yang dihasilkan dibandingkan dengan target. Jika output belum mencapai target, pelatihan akan terus dilakukan dengan
memperbaiki bobot dengan cara
mempropagasi balik nilai koreksi galat output ke layer sebelumnya. Jika output sama dengan target, pelatihan akan berhenti. Akhirnya didapatkan model yang selanjutnya diteruskan untuk proses pengujian.
Pengujian
Pengujian data dilakukan oleh sistem yaitu dengan melihat hasil penelitian terhadap citra kueri atau citra uji. Hasil penelitian ini diukur dengan menggunakan tingkat akurasi dari data
citra yang diuji dan diamati. Persamaan akurasi didefinisikan sebagai berikut:
∑ ∑
Evaluasi
Evaluasi dilakukan dengan melakukan pengelompokan data yang telah dilakukan pengujian berdasarkan spesies dan ekstraksi fitur yang digunakan. Evaluasi dibuat dalam bentuk grafik agar dapat mudah dilihat dan dianalisis seberapa besar akurasi pada identifikasi daun Shorea.
Rancangan Percobaan
Percobaan penelitian ini dibagi menjadi lima bagian percobaan. Pada saat pelatihan, setiap percobaan menggunakan struktur JST propagasi balik yang sama. serta dilakukan pengujian dan evaluasi dari hasil pengujian. Adapun rancangan percobaan yang akan dilakukan dapat dilihat pada Tabel 2.
Tabel 2 Rancangan percobaan
Percobaan Metode Ekstraksi
1 DWT famili Haar
2 DWT famili Daubechies 2
3 Histogram Warna HSV
4 Haar + HSV, DB2 + HSV
5 Haar + DB2 + HSV
HASIL DAN PEMBAHASAN
Ada sepuluh jenis Shorea yang
diidentifikasi, yaitu Shorea Javanica, Johorensis, Lepida, Leprosula, Marcoptera,
Materialis, Palembanica, Pinanga,
Platycados dan Seminis. Sepuluh jenis Shorea
tersebut masing-masing terdiri atas sepuluh data citra.
Percobaan 1: Discrete Wavelet Transform
famili Haar
Percobaan ini melibatkan data hasil foto 10 jenis Shorea yang telah diakuisisi, hasil foto tersebut dilakukan praproses dan dilakukan ekstraksi fitur Discrete Wavelete
Transform famili Haar sebanyak 8
6
Neuron Hidden yang digunakan adalah 10, 20, 30, 40, 50, 60, 70, 80, 90, dan 100. Sementara itu, nilai parameter lain dibuat tetap yaitu Learning rate = 0.01 dan Toleransi galat = 0.01. Percobaan ini menghasilkan akurasi
tertinggi sebesar 73.33% dengan
menggunakan parameter Neuron Hidden 40, 70, dan 80. Enam dari sepuluh spesies Shorea dapat teridentifikasi sebesar 100% ialah Shorea Javanica, Shorea Lepida, Shorea
Palembanica, Shorea Pinanga, Shorea
Platycados dan Shorea Seminis. sedangkan
Shorea Marcoptera tidak dapat teridentifikasi dengan akurasi terkecil sebesar 0%. Shorea
Marcoptera teridentifikasi sebagai Shorea
Materialis. Hal ini dikarenakan tekstur dan struktur tulang daun kedua spesies ini terlihat sama. Grafik akurasi untuk setiap jenis Shorea pada percobaan ini dapat dilihat pada Gambar 5.
Gambar 5 Grafik tingkat akurasi setiap jenis Shorea (DWT Haar).
Percobaan 2: Discrete Wavelet Transform
famili Daubechies 2
Percobaan ini menggunakan data yang sama seperti percobaan pertama dan menggunakan parameter JST yang sama. Dari percobaan, didapatkan akurasi tertinggi sebesar 73.33% menggunakan parameter
neuron hidden 60 dan 80. Shorea Javanica,
Shorea Leprosula, Shorea Palembanica, dan
Shorea Platycados teridentifikasi dengan
akurasi sebesar 100%. Shorea Materialis tidak dapat teridentifikasi dan menghasilkan akurasi
0%. Shorea Materialis teridentifikasi sebagai
Shorea Pinanga. Hal ini disebabkan adanya kesamaan struktur tulang daun dan bentuk pada kedua spesies tersebut. Tingkat akurasi yang dihasilkan untuk setiap jenis Shorea pada percobaan ini secara lengkap dapat dilihat pada Gambar 6.
Perbandingan percobaan 1 dan percobaan 2
Dari kedua percobaan tersebut diketahui bahwa Shorea Javanica, Shorea Palembanica dan Shorea Seminis, teridentifikasi secara baik dengan akurasi sebesar 100%. Untuk Shorea Materialis pada kedua percobaan tersebut memiliki rata-rata akurasi terendah dibandingkan dengan 9 spesies lainnya.
Shorea Materialis memiliki akurasi
masing-masing sebesar 33.33% untuk ekstraksi tekstur menggunakan Haar dan 0% untuk Daubechies 2. Dari kedua percobaan tersebut, Shorea Materialis rata-rata teridentifikasi sebagai Shorea Pinanga. Hal ini disebabkan adanya kesamaan permukaan, bentuk, dan luas daun serta adanya kemiripan pada struktur tulang daun pada kedua spesies tersebut.
Gambar 6 Grafik tingkat akurasi setiap jenis Shorea (DWT Daubechies 2).
Percobaan 3: Ekstraksi Warna HSV Pada percobaan ini, didapatkan akurasi tertinggi sebesar 93.33% dengan parameter
neuron hidden 70. Sembilan dari sepuluh
spesies yang dapat teridentifikasi dengan baik memiliki akurasi sebesar 100% ialah Shorea
Javanica, Shorea Johorensis, Shorea Lepida,
Shorea Leprosula, Shorea Marcoptera,
Shorea Materialis, Shorea Pinanga, Shorea
Platycados, dan Shorea Seminis. Shorea
Palembanica memiliki akurasi sebesar
33.33%, dua dari tiga data uji tidak dapat
diidentifikasi. Shorea Palembanica
