IDENTIFIKASI DAUN
SHOREA
MENGGUNAKAN
PROBABILISTIC NEURAL NETWORK
DENGAN
NORMALISASI FITUR MORFOLOGI DAUN
ALITA WULAN DINI
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 Daun
Shorea Menggunakan Probabilistic Neural Network dengan Normalisasi Fitur Morfologi Daun 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, April 2013
Alita Wulan Dini
ABSTRAK
ALITA WULAN DINI. Identifikasi Daun Shorea Menggunakan Probabilistic Neural Network dengan Normalisasi Fitur Morfologi Daun. Dibimbing oleh AZIZ KUSTIYO.
Shorea merupakan tanaman kayu yang termasuk jenis meranti. Shorea
tergolong ke dalam keluarga Dipterocarpaceae yang memiliki 194 spesies yang tumbuh di daerah tropis. Spesies-spesies Shorea ini sulit untuk diidentifikasi karena memiliki banyak kemiripan satu sama lain. Penelitian ini menggunakan
Probabilistic Neural Network (PNN) untuk mengklasifikasikan spesies Shorea. Parameter yang digunakan untuk klasifikasi adalah area, perimeter, diameter,
smooth factor, form factor, perimeter ratio of diameter, perimeter ratio of physiological length and physiological width dengan nilai bias 0.1. Hasil rata-rata akurasi dari metode yang digunakan adalah 100% (tanpa normalisasi) dan 91% (dengan normalisasi). Hal ini dapat disimpulkan bahwa fitur ciri morfologi area, perimeter, diameter, dan rasio panjang dan lebar daun secara signifikan mempengaruhi akurasi.
Kata kunci: Shorea, Morfologi, Probabilistic Neural Network
ABSTRACT
ALITA WULAN DINI. Shorea Leaf Identification using Probabilistic Neural Network with Normalization of Leaf Morphology Features. Supervised by AZIZ KUSTIYO.
Shorea is a timber plant from the genus of meranti. Shorea belongs to
Dipterocarpaceae family which has 194 species growing in tropical area. The species of Shorea is difficult to be identified because of it is similarity to each other. This research utilized Probabilistic Neural Network (PNN) to classify
Shorea species. The parameters used for classification were area, perimeter, diameter, smooth factor, form factor, perimeter ratio of diameter, perimeter ratio of physiological length and physiological width with 0.1 bias value. It was found that the accuracy of the proposed method was 100% (without normalization) and 91% (with normalization). It can be concluded that the morphological features of area, perimeter, diameter, and ratio of leaf length and width significantly affect the accuracy.
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada
Departemen Ilmu Komputer
IDENTIFIKASI DAUN
SHOREA
MENGGUNAKAN
PROBABILISTIC NEURAL NETWORK
DENGAN
NORMALISASI FITUR MORFOLOGI DAUN
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
BOGOR 2013
Judul Skripsi : Identifikasi Daun Shorea Menggunakan Probabilistic Neural Network dengan Normalisasi Fitur Morfologi Daun
Nama : Alita Wulan Dini
NIM : G64096006
Disetujui oleh
Aziz Kustiyo, SSi, MKom Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi, MKom Ketua Departemen
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala nikmat dan karunia-Nya sehingga karya ilmiah dengan judul Identifikasi Daun Shorea Menggunakan Probabilistic Neural Network dengan Normalisasi Fitur Morfologi Daun ini berhasil diselesaikan. Adapun penulis mengucapkan terima kasih kepada:
1 Kedua orang tua tercinta Bambang Supriyadi dan Arningsih, kakakku tersayang Ermaya Eka Aryadi Putra, SKomp serta seluruh keluarga yang telah memberikan dukungan, perhatian, dan doa sehingga penulis dapat menyelesaikan penelitian ini.
2 Bapak Aziz Kustiyo, SSi, MKom selaku pembimbing yang telah banyak memberi nasihat dan saran.
3 Dosen penguji, Bapak Sony Hartono Wijaya, SKom, MKom dan Bapak Toto Haryanto, SKom, MSi atas saran dan bimbingannya.
4 Pihak Kebun Raya Bogor atas sampel daun Shorea.
5 Teman-teman satu bimbingan terima kasih atas kerjasamanya.
6 Teman-teman Ekstensi Ilkom angkatan 4, atas kerjasamanya selama perkuliahan.
7 Semua pihak yang telah memberikan bantuan selama pengerjaan penelitian ini yang tidak dapat penulis tuliskan satu per satu.
Semoga penelitian ini bermanfaat bagi semua pihak yang membutuhkan.
Bogor, April 2013
DAFTAR ISI
DAFTAR TABEL xi
DAFTAR GAMBAR xi
DAFTAR LAMPIRAN xii
PENDAHULUAN 1
Latar Belakang 1
Perumusan Masalah 2
Tujuan Penelitian 2
Manfaat Penelitian 2
Ruang Lingkup Penelitian 2
TINJAUAN PUSTAKA 2
Shorea 2
Daun 7
Morfologi Daun 7
Deteksi Tepi 9
K-Fold Cross Validation 10
Normalisasi 10
Probabilistic Neural Network 10
Confusion Matrix 12
METODE 12
Pengumpulan Citra Daun 13
Praproses Data 14
Ekstraksi Ciri Morfologi 14
Data Latih dan Data Uji 15
Model PNN 15
Perhitungan Akurasi 16
Evaluasi 16
Lingkungan Pengembangan 16
HASIL DAN PEMBAHASAN 16
Percobaan I : Menggunakan 7 parameter (area, perimeter, diameter, smooth factor, form factor, perimeter ratio of diameter, dan perimeter ratio of
physiological length and physiological width) tanpa normalisasi 17 Percobaan II : Menggunakan 7 parameter (area, perimeter, diameter, smooth factor, form factor, perimeter ratio of diameter, dan perimeter ratio of
physiological length and physiological width) dengan normalisasi 18
Perbandingan Percobaan I dan Percobaan II 20
SIMPULAN DAN SARAN 21
Simpulan 21
Saran 21
DAFTAR PUSTAKA 21
LAMPIRAN 23
DAFTAR TABEL
1 Confusion matrix 12
2 Kelas Shorea yang digunakan 13
3 Kombinasi data latih dan data uji 15
4 Kombinasi input pada model PNN 15
5 Hasil akurasi percobaan I dalam (%) 18
6 Hasil akurasi percobaan II dalam (%) 19
7 Confusion matrix pada percobaan II dengan nilai h=0.1 20
DAFTAR GAMBAR
1 Shorea 3
2 Daun Shoreajavanica 3
3 Daun Shorea johorensis 4
4 Daun Shorea macroptera 4
5 Daun Shorea materialis 4
6 Daun Shorealepida 5
7 Daun Shorealeprosula 5
8 Daun Shorea palembanica 5
9 Daun Shorea pinanga 6
10 Daun Shoreaplatyclados 6
11 Daun Shorea seminis 6
12 Aspect ratio 8
13 Probabilistic Neural Network 11
14 Metodologi Penelitian 13
15 Alur praproses citra 14
16 Citra masukan untuk ekstraksi fitur morfologi 14
17 Contoh hasil ekstraksi morfologi 17
18 a) Area, (b) Perimeter, (c) Diameter, (d) P rasio of D 17
19 Grafik akurasi percobaan I 18
20 Grafik akurasi percobaan II 19
DAFTAR LAMPIRAN
1 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 100% dan nilai h=0.1 23
2 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 98% dan nilai h=0.2 23
3 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 92% dan nilai h=0.3 23
4 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 83% dan nilai h=0.4 24
5 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 77% dan nilai h=0.5 24
6 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 71% dan nilai h=0.6 24
7 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 68% dan nilai h=0.7 25
8 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 65% dan nilai h=0.8 25
9 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 62% dan nilai h=0.9 25
10 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 60% dan nilai h=1 26
11 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata
akurasi 91% dan nilai h=0.1 26
12 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata
akurasi 89% dan nilai h=0.2 26
13 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata
akurasi 82% dan nilai h=0.3 27
14 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata
akurasi 76% dan nilai h=0.4 27
15 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata
akurasi 77% dan nilai h=0.5 27
16 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata
akurasi 71% dan nilai h=0.6 28
17 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata
akurasi 68% dan nilai h=0.7 28
18 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata
akurasi 65% dan nilai h=0.8 28
19 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata
akurasi 62% dan nilai h=0.9 29
20 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata
akurasi 60% dan nilai h=1 29
21 Pengukuran data Shorea sebelum normalisasi 30
22 Pengukuran data Shorea setelah normalisasi 31
PENDAHULUAN
Latar Belakang
Keanekaragaman tanaman dapat dilihat melalui ciri-ciri tertentu, salah satunya melalui bentuk daun, seperti: oval, waru (cordate), dan elips. Identifikasi daun melalui pengamatan indra penglihatan secara langsung memiliki keterbatasan karena subjektivitas tingkat pengetahuan manusia. Pengolahan citra digital adalah salah satu bidang perkembangan teknologi digital dengan banyak aplikasi yang terkait di bidang ilmu pengetahuan dan teknologi. Salah satu bidang yang berkaitan dengan pengolahan citra adalah pengenalan pada jenis daun.
Shorea merupakan tumbuhan berkayu yang termasuk jenis meranti. Shorea
tergolong ke dalam keluarga Dipterocarpaceae yang memiliki 194 spesies yang tumbuh di daerah tropis. Spesies tersebut menyebar secara alami mulai Semenanjung Thailand dan Malaysia, Sumatera sampai Kalimantan Utara.
Dipterocarpaceae merupakan jenis yang sulit untuk diidentifikasi, khususnya di daerah Kalimantan yang memiliki jenis terbanyak. Ketidakmampuan untuk mengenal individu Dipterocarpaceae di hutan dapat mengakibatkan terjadinya eksploitasi, khususnya meranti merah Shorea (Newman et al. 1999).
Jenis kayu Shorea yang memiliki nilai ekonomis yang tinggi juga menjadi salah satu yang mengakibatkan terjadinya eksploitasi besar-besaran. Untuk mencegah eksploitasi tersebut yang dapat disebabkan oleh kesalahan dalam pemilihan kayu yang tidak tepat, akan dilakukan identifikasi terhadap jenis Shorea
tersebut melalui suatu sistem yang dapat mengidentifikasi jenis Shorea tersebut dengan tepat.
Penentuan identifikasi pohon Shorea biasanya menggunakan batang, daun, buah, dan bunga. Namun penelitian ini menggunakan daun sebagai bahan identifikasi dikarenakan daun cenderung tersedia sebagai sumber pengamatan sepanjang waktu. Bila menggunakan batang, batang pohon akan berubah warna atau kedalaman alur sejalan dengan bertambahnya umur pohon. Wu et al. (2007) melakukan penelitian identifikasi tanaman berdasarkan daun dengan akurasi lebih dari 90%.
2
Perumusan Masalah
Perumusan masalah yang ada pada penelitian ini dapat diuraikan sebagai berikut:
1 Bagaimana menerapkan teknik ekstraksi fitur ciri morfologi daun untuk identifikasi daun Shorea.
2 Bagaimana menerapkan pengklasifikasian PNN untuk permasalahan identifikasi daun Shorea.
Tujuan Penelitian
Tujuan penelitian ini adalah menerapkan teknik ekstraksi fitur ciri morfologi daun menggunakan teknik klasifikasi PNN untuk pengenalan citra daun Shorea.
Manfaat Penelitian
Manfaat dari penelitian ini adalah membantu mengidentifikasi jenis Shorea
berdasarkan citra daunnya sehingga memudahkan klasifikasi jenisnya.
Ruang Lingkup Penelitian
Ruang lingkup dalam penelitian ini adalah:
1 Data citra daun Shorea yang digunakan 10 spesies Shorea yang diambil dari beberapa koleksi Kebun Raya Bogor. Masing-masing spesies memiliki 10 citra daun sehingga total data citra daun berjumlah 100 citra daun.
2 Metode yang digunakan sebagai klasifikasinya adalah metode Probabilistic Neural Network.
3 Citra yang digunakan berukuran 273 × 364 piksel, dengan daun yang dideteksi adalah daun hasil pemotretan dari depan (tampak depan).
TINJAUAN PUSTAKA
Shorea
Shorea adalah salah satu marga dari Dipterocarpaceae penghasil kayu terbaik dalam dunia perindustrian. Tingginya permintaan memicu penebangan yang melebihi kemampuan regenerasi hutan sehingga mengakibatkan eksploitasi besar-besaran. Ukuran rata-rata pertumbuhan setiap meranti membutuhkan waktu lebih dari 30 tahun untuk mendapatkan diameter 30 cm. Bila dibiarkan, meranti akan terancam kepunahannya dari hutan alam produksi.
3 1750 m. Beberapa jenis Shorea yang berupa pohon penjulang di hutan hujan dari kawasan Paparan Sunda, dapat tumbuh hingga ketinggian 500 m (Newman et al. 1999).
Ciri-ciri diagnostik utama Shorea adalah pohon sangat besar dengan kulit kayu dalam berlapis-lapis atau coklat merah gelap. Pohon hampir selalu besar, batang utama tinggi dan silindris. Tangkai daun berukuran sekitar 0.5-2.5 cm. Daun berukuran panjang 4-18 cm dan lebar 2-8 cm, pangkal daun biasanya simetris, permukaan bawah daun bila diraba licin, pertulangan sekunder bersisip, berjumlah sekitar 7-25 pasang (Newman et al. 1999).
Gambar 1 Shorea
Penelitian ini menggunakan 10 jenis Shorea, yaitu:
Shorea javanica
Shorea javanica termasuk ke dalam meranti putih. Tangkai daun panjang berukuran 1.4–2.4 cm, kadang-kadang lokos, dengan pertulangan sekunder 19-25. Daun lonjong, jorong atau bundar telur, 6.5-15 × 3.5-8 cm. Bila mengering, daun bagian atas berwarna lebih tua daripada permukaan daun bagian bawah. Permukaan daun bagian atas bila mengering berwarna coklat kelabu dan pada bagian bawah berwarna coklat kekuning-kuningan (Gambar 2).
Gambar 2 Daun Shoreajavanica
Shorea johorensis
4
atau berwarna coklat kekuningan, dan apabila diremas akan hancur. Ujung daun meruncing, pangkal daun bulat, tulang daun menyirip, bentuk daun oblong, dan tepi daun rata (Gambar 3).
Gambar 3 Daun Shorea johorensis
Shorea macroptera
Shorea macroptera merupakan jenis meranti merah. Pohon besar dan berbanir besar. Batang merekah atau bersisik, pada umumnya berdamar. Kulit luar tebal, kulit dalam juga tebal, berurat-urat, warnanya merah atau kemerah-merahan, dan isi kayu berwarna merah (Gambar 4).
Gambar 4 Daun Shorea macroptera Shorea materialis
Shorea materialis merupakan jenis meranti balau. Jenis meranti ini menghasilkan kayu yang keras dan berat, cocok untuk konstruksi bangunan seperti jembatan, bantalan rel kereta api, dermaga, perahu, dan konstruksi di daerah pertambangan (Gambar 5).
Gambar 5 Daun Shorea materialis
Shorea lepida
5 lembayung, coklat kuning pada tulang daun, dan coklat pudar pada permukaan bawah daun (Gambar 6).
Gambar 6 Daun Shorealepida
Shorea leprosula
Shorea leprosula termasuk dalam kelompok meranti merah. Perawakan pohon besar, dapat mencapai tinggi 60 m, bebas cabang 35 m dengan diameter 1 m. Kulit coklat keabu-abuan. Daun lonjong sampai bulat telur, panjang 8-14 cm, dan lebar 3.5-4.5 cm. Permukaan daun bagian bawah bersisik seperti krim, dan urat daun tersier rapat seperti tangga (Gambar 7).
Gambar 7 Daun Shorealeprosula
Shorea palembanica
Shorea palembanica termasuk dalam meranti merah. Perawakan pohon kecil dan adakalanya sampai sangat besar mencapai 130 cm, batang sering berbonggol, dan terpilin. Tajuk besar, rapat, hijau tua, dan permukaan pepagan coklat kelabu tua (Gambar 8).
6
Shorea pinanga
Shorea pinanga adalah marga Dipterocarpaceae, sub klas Dikotiledon dan kelas Angiospermae. Shorea pinanga ini tumbuh alami di Kalimantan, pada ketinggian kurang dari 500 m di atas permukaan laut. Pohon Shorea pinanga
dapat mencapai tinggi sekitar 30 m dengan diameter sampai 100 cm. Tajuk terdiri atas cabang-cabang yang panjang, menggantung, dan mempunyai daun muda yang berwarna kemerah-merahan. Daun berukuran 11-24 × 4-9 cm, bentuk tajuk melebar, dan tidak berbanir (Gambar 9).
Gambar 9 Daun Shorea pinanga
Shorea platyclados
Shorea platyclados termasuk dalam kelompok meranti merah. Perawakan pohon sangat besar demgan batang tidak bercabang hingga tinggi sekali. Daun berukuran panjang 6.1-13.1 cm dengan lebar 2.2-4 cm, ujung daun lancip, dan pangkal daun membundar. Permukaan atas daun bila mengering berwarna coklat, dan bila diraba licin. Pertulangan sekunder berjumlah 12-25 pasang (Gambar 10).
Gambar 10 Daun Shoreaplatyclados
Shorea seminis
Shorea seminis termasuk dalam kelompok balau atau selangan batu. Tinggi pohon dapat mencapai 60 m. Daun berukuran panjang 9-18 cm dengan lebar 2.5-8 cm, ujung daun berbentuk lancip panjang, dan pangkal daun berbentuk pasak atau membundar. Permukaan atas dan bawah daun bila mengering berwarna coklat kelabu atau coklat kuning. Pertulangan sekunder berjumlah 9-17 pasang (Gambar 11).
7
Daun
Daun adalah organ fotosintesis utama bagi tumbuhan, meskipun batang yang berwarna hijau juga melakukan fotosintesis. Bentuk daun sangat bervariasi, namun pada umumnya terdiri dari suatu helai daun (blade) dan tangkai daun (petiola) yang menghubungkan daun dengan batang. Hickey et al. (1999) telah mendeskripsikan ciri morfologi daun yang cukup rinci, khususnya untuk morfologi daun kelas Dicotyledonae. Ciri morfologi daun itu antara lain bangun daun (helai daun, ujung daun, dan pangkal daun), tepi daun, tekstur daun, letak kelenjar, tangkai daun, tekstur daun, tepi pertulangan, dan pengelompokan urat daun.
Morfologi Daun
Wu et al. (2007) telah mendeskripsikan ekstraksi ciri morfologi. Ciri tersebut dibedakan menjadi dua, yaitu ciri dasar dan ciri turunan. Ciri dasar daun di antaranya diameter, panjang fisik, lebar fisik, area, dan perimeter daun. Diameter merupakan titik terjauh di antara dua titik dari batas daun. Panjang fisik merupakan jarak dua titik pangkal daun. Lebar fisik dihitung berdasarkan panjang garis terpanjang yang memotong garis panjang fisik secara ortogonal. Area dihitung berdasarkan jumlah piksel yang berada di dalam tepi daun, sedangkan perimeter merupakan jumlah piksel yang berada pada tepi daun.
Dari lima ciri dasar tersebut, didapatkan dua belas ciri morfologi turunan. Nilai ciri turunan dapat dihitung dari rasio di antara ciri dasar daun. Ciri turunan dari morfologi daun di antaranya smooth factor, aspect ratio, form factor, rectangularity, narrow factor, rasio perimeter dan diameter, rasio perimeter dengan panjang, dan lebar daun.
Ciri turunan daun ada tujuh, yaitu:
1 Smooth factor adalah rasio antara area dari citra helai daun yang dilakukan
smoothing dengan 5 × 5 rectangular averaging filter, dan area dari citra helai daun yang dilakukan smoothing dengan 2 × 2 rectangular averaging filter. Ciri ini untuk mengukur kehalusan suatu permukaan daun. Semakin halus suatu permukaan daun, maka nilainya semakin mendekati 1. Sebaliknya semakin kasar permukaan daun, nilainya semakin mendekati 0. Persamaannya dapat dilihat pada rumus di bawah ini:
Smooth factor = A [ 5 5 ] A [ 2 2 ]
2 Aspect ratio adalah rasio antara physiological length (Lp) dan physiological width (Wp). Persamaannya dapat dilihat pada rumus di bawah ini:
�� ��
Lp = panjang daun
8
Ciri ini untuk memperkirakan bentuk helai daun. Jika benilai kurang dari 1, bentuk helai daun tersebut melebar. Jika benilai lebih dari 1, bentuk helai daun tersebut memanjang. Ilustrasinya dapat dilihat pada Gambar 12.
3 Form factor digunakan untuk mendeskripsikan bentuk dari daun dan mengetahui seberapa bundar bentuk helai daun tersebut. Nilai form factor
dapat dilihat pada rumus di bawah ini: 4��
�2
A = luas daun
p = keliling daun
4 Rectangularity mendeskripsikan seberapa perseginya permukaan daun. Rumusnya adalah:
���� �
A = luas daun
Wp = lebar daun
Lp = panjang daun
5 Narrow factor adalah rasio antara diameter (D) dan physiological length. Ciri ini untuk menentukan apakah bentuk helai daun tersebut tergolong simetri atau asimetri. Jika helai daun tersebut tergolong simetri, narrow factor
bernilai 1. Jika asimetri, narrow factor bernilai lebih dari 1. Nilainya dapat dicari menggunakan rumus di bawah ini:
� ��
D = diameter daun
Lp = panjang daun
6 Perimeter ratio of diameter. Ciri ini untuk mengukur seberapa lonjong daun tersebut. Persamaannya dapat dilihat pada rumus di bawah ini:
w
P
l
Pl
Pw
9
� �
D = diameter daun
P = keliling daun
7 Perimeter ratio of physiological length and physiological width. Rumusnya adalah:
�
��+��
P = keliling daun
Wp = lebar daun
Lp = panjang daun
Deteksi Tepi
Tepi (edge) adalah perubahan nilai intensitas derajat keabuan yang mendadak besar dalam jarak yang dekat. Suatu titik (x,y) dikatakan sebagai tepi bila titik tersebut mempunyai perbedaan nilai piksel yang tinggi dengan nilai piksel tetangganya (Gonzales 2002).
Operator sobel Misal, suatu pengaturan piksel di sekitar piksel (x,y):
Operator sobel adalah magnitude dari gradien yang dihitung dengan:
Turunan parsial dihitung dengan:
Dengan konstanta c adalah 2, dalam bentuk kedok (mask), dan dapat dinyatakan sebagai:
10
K-Fold Cross Validation
K-fold cross validation merupakan metode dalam memperkirakan generalisasi error berdasarkan resampling (Weiss dan Kulikowski 1991 diacu dalam Sarle 2004). Metode k-fold cross validation membagi sebuah himpunan contoh secara acak menjadi k-subset yang saling bebas. Dilakukan pengulangan sebanyak k-kali untuk pelatihan dan pengujian. Pada setiap ulangan, disisakan satu subset untuk pengujian dan subset lainnya untuk pelatihan. Tingkat akurasi dihitung dengan membagi jumlah keseluruhan klasifikasi yang benar dengan jumlah semua instance pada data awal.
Normalisasi
Normalisasi terhadap data penelitian dilakukan untuk meningkatkan hasil identifikasi. Salah satu teknik yang dapat digunakan untuk menormalisasi data adalah metode standar deviasi. Normalisasi menggunakan standar deviasi dilakukan untuk mengukur jarak, dengan mentransformasi data asli ke dalam bentuk lain.
v’(i) = (v(i) –mean(v)) / sd(v)
Untuk vektor ciri v, dimana nilai rata-rata vektor adalah mean(v) dan standar deviasi adalah sd(v) dihitung untuk semua sampel data, dan untuk ciri ke-i
ditransformasikan menggunakan persamaan (Kantarzic 2003).
Probabilistic Neural Network
11
Gambar 13 Probabilistic Neural Network
Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusan/keluaran. Struktur PNN ditunjukkan padaGambar 13. Lapisan-lapisan yang menyusun PNN adalah sebagai berikut: 1 Lapisan input (input layer)
Lapisan masukan merupakan input x yang terdiri atas k nilai yang akan diklasifikasikan pada salah satu kelas dari n kelas.
2 Lapisan pola (pattern layer)
Pada lapisan pola dilakukan perkalian titik (dot product) antara input x
dengan vektor bobot , , yaitu = . . kemudian dibagi dengan bias
tertentu σ dan selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu
� � = exp(−�). Dengan demikian, persamaan yang digunakan pada lapisan pola adalah sebagai berikut:
� = exp − − −
2�2
dengan menyatakan vektor bobot atau vektor latih kelas ke-i urutan ke-j. 3 Lapisan penjumlahan (summation layer)
Pada lapisan penjumlahan setiap pola pada masing-masing kelas dijumlahkan sehingga dihasilkan population density function untuk setiap kelas. Persamaan yang digunakan pada lapisan ini adalah:
12 4 Lapisan keluaran (output layer)
Pada lapisan keluaran input x akan diklasifikasikan ke kelas 1 jika nilai
�� paling besar dibandingkan kelas lainnya.
Confusion Matrix
Confusion matrix merupakan sebuah tabel yang terdiri dari banyaknya baris data uji yang diprediksi benar dan tidak benar oleh model klasifikasi. Tabel ini diperlukan untuk menentukan kinerja suatu model klasifikasi (Tan et al. 2005). Contoh confusion matrix dapat dilihat pada Tabel 1.
Tabel 1 Confusion matrix
Data Prediksi
Kelas 1 Kelas 2
Aktual Kelas 1 a b
Kelas 2 c d
Jumlah baris dan kolom pada tabel bergantung pada banyaknya kelas target. Akurasi merupakan proporsi yang tepat. Contoh perhitungan akurasi untuk tabel tersebut adalah:
Akurasi = Jumlah prediksi yang tepat total prediksi
b adalah jumlah contoh Kelas 1 yang tidak berhasil diprediksi dengan benar sebagai Kelas 1,
c adalah jumlah contoh Kelas 2 yang berhasil diprediksi dengan benar sebagai Kelas 2,
d adalah jumlah contoh Kelas 2 yang tidak berhasil diprediksi dengan benar sebagai kelas 2.
METODE
13
Gambar 14 Metodologi penelitian
Pengumpulan Citra Daun
Pada proses pengumpulan citra daun dilakukan dengan mengambil sejumlah citra daun secara langsung dengan menggunakan kamera digital. Citra Shorea
yang digunakan dalam penelitian ini diambil pada siang hari di dalam ruangan. Citra daun tersebut diberikan latar belakang kertas putih untuk dijadikan citra percobaan baik untuk pelatihan atau pun pengujian. Shorea yang digunakan sebanyak 10 spesies berformat JPG. Satu spesies diwakili dengan 10 citra, sehingga total citra ada sebanyak 100 citra. Citra yang digunakan berukuran 273 × 364 piksel. Sampel citra daun Shorea diambil dari Kebun Raya Bogor. Jenis Shorea yang digunakan pada penelitian ini dapat dilihat pada Tabel 2.
Tabel 2 Kelas Shorea yang digunakan
Kelas Shorea Kode
Shorea javanica koord val JAV
Shorea johorensis foxwf JOH
Shorea lepida blume LED
Shorea leprosula miq LPR
Shorea macroptera MAC
Shorea materialis ridley MAT
Shorea palembanica PAL
Shorea pinanga sp PIN
Shorea platyclados PLA
Shorea seminis SEM
Mulai
Data Uji
Evaluasi Selesai
Praproses Pengumpulan Citra Daun
Data Latih
Model PNN Identifikasi
Ekstrasi Fitur
14
Pengambilan daun Shorea dilakukan selama satu bulan dengan cara memilah-milah daun Shorea yang kualitas daunnya terlihat baik dalam hal bentuk daun utuh, dan struktur daun jelas.
Praproses Data
Pada penelitian ini sebelum dilakukan praproses, citra yang digunakan diubah terlebih dahulu arah daunnya menjadi searah. Citra daun merupakan citra RGB dengan latar belakang putih menggunakan software Adobe Photoshop 8. Selanjutnya citra yang dibaca adalah citra RGB sehingga perlu diubah ke dalam citra keabuan (grayscale). Pengubahan citra RGB menjadi citra keabuan pada Matlab R2008b menggunakan perintah: gry=rgb2gray(rgb);. Ilustrasi alur praproses citra dapat dilihat di Gambar 15.
Pada tahapan praproses grayscale, ubah warna citra yang semulanya RGB menjadi grayscale. Grayscale berguna untuk ekstraksi citra dan dapat menyederhanakan model citra agar nilai yang dihasilkan tidak beragam.
Masukan untuk ekstraksi morfologi dan bentuk adalah citra biner dengan
threshold tertentu. Nilai threshold merupakan suatu nilai yang memisahkan piksel yang merupakan objek dan piksel yang merupakan latar belakang citra. Ilustrasi citra masukan untuk ekstraksi morfologi dapat dilihat di Gambar 16.
Ekstraksi Ciri Morfologi
Ciri morfologi terdiri atas dua ciri, yaitu ciri dasar dan turunan. Tahap awal ekstraksi adalah mendapatkan ciri-ciri morfologi dasar dari citra helai daun. Ciri dasar yang digunakan pada penelitian ini adalah diameter, area, dan perimeter atau keliling daun. Tiga ciri dasar tersebut dapat dikombinasikan sehingga mendapatkan empat ciri turunan di antaranya smooth factor, form factor, rasio perimeter dan diameter, serta rasio panjang dan lebar daun. Informasi ciri ini direpresentasikan sebagai sebuah vektor dengan tujuh elemen.
Gambar 15 Alur praproses citra
15
Data Latih dan Data Uji
Data citra daun Shorea dibagi menjadi 2 bagian, yaitu data latih dan data uji. Penelitian ini menggunakan 10 citra daun Shorea untuk masing-masing 10 spesies. Data 10 citra daun tersebut akan diambil 8 citra untuk data latih dan 2 citra untuk data uji. Pada pembagian data menggunakan k-fold cross validation. Berdasarkan jumlah data, terdapat 10 citra untuk setiap jenis, maka dibuat 5-fold cross validation. Pada kombinasi ini data dibagi menjadi 5 subset (S1, S2, S3, S4, S5).
Pada fold pertama, subset S1, S2, S3 dan S4 akan digunakan sebagai data latih
sedangkan subset S5 akan digunakan sebagai data uji. Bentuk 5-fold cross
validation dapat dilihat pada Tabel 3. Tabel 3 Kombinasi data latih dan data uji
Fold Pelatihan Pengujian
Arsitektur PNN memiliki bagian lapisan masukan, pola, penjumlahan, dan keluaran. Pada penelitian ini, masukan berupa masing-masing hasil ekstraksi ciri morfologi citra daun. Dalam penelitian ini akan dicobakan dua jenis kombinasi
input. Kedua kombinasi input dapat dilihat pada Tabel 4. Tabel 4 Kombinasi input pada model PNN
Percobaan Kombinasi Input
I
Hasil praproses tanpa normalisasi ekstrasi fitur ciri morfologi dengan 7 parameternya, yaitu area, perimeter, diameter, smooth factor, form factor,
parameter ratio of diameter, dan perimeter ratio of physiological length and physiological width.
II
Hasil praproses normalisasi ekstrasi fitur ciri morfologi dengan 7 parameternya, yaitu area, perimeter, diameter,
smooth factor, form factor, parameter ratio of diameter, dan perimeter ratio of physiological length and physiological width.
16
Perhitungan Akurasi
Pengujian data dilakukan oleh sistem yaitu dengan melihat hasil penelitian terhadap citra kueri atau citra uji berdasarkan 5-fold cross validation. Hasil penelitian ini diukur dengan menggunakan tingkat akurasi dari data citra yang diuji dan diamati. Persamaan akurasi didefinisikan sebagai berikut :
Akurasi = data uji benar diklasifikasikan
data uji x 100%
Evaluasi
Evaluasi dilakukan dengan melakukan pengelompokan data yang telah dilakukan pengujian berdasarkan spesies menggunakan tabel confusion matrix. Evaluasi dibuat dalam bentuk grafik agar dapat mudah dilihat dan dianalisis seberapa besar akurasi pada identifikasi daun Shorea.
Lingkungan Pengembangan
Sistem ini dikembangkan dan diimplementasikan dengan menggunakan perangkat keras dan perangkat lunak sebagai berikut :
1 Perangkat Keras:
AMD E-350 1.6 GHz
Memori 2 GB
Harddisk kapasitas 320 GB 2 Perangkat Lunak:
Windows 7 Home Premium 32 bit sebagai sistem operasi
Matlab 7.7 (R2008b)
HASIL DAN PEMBAHASAN
Pada penelitian ini digunakan 10 spesies daun Shorea, yaitu Shorea javanica, Shorea johorensis, Shorea lepida, Shorea leprosula, Shorea macroptera,
Shorea materialis, Shorea palembanica, Shorea pinanga, Shorea platyclados,dan
17
Ekstraksi Ciri Morfologi
Ekstraksi ciri morfologi membutuhkan citra biner sebagai masukan. Jumlah nilai ciri morfologi yang diekstraksi berjumlah tujuh. Tujuh nilai ciri morfologi yang digunakan adalah area, diameter, perimeter, smooth factor, form factor, rasio perimeter dan diameter, serta rasio panjang dan lebar daun. Nilai-nilai ciri dasar dan turunan daun direpresentasikan seperti yang terlihat pada Gambar 17 dan ilustrasi mengenai contoh nilai morfologi ada di Gambar 18.
Gambar 17 Contoh hasil ekstraksi morfologi
(a) (b) (c) (d)
Gambar 18 (a) Area, (b) Perimeter, (c) Diameter, (d) P rasio of D
Percobaan I : Menggunakan 7 parameter (area, perimeter, diameter, smooth factor, form factor, perimeter ratio of diameter, dan perimeter ratio of
physiological length and physiological width) tanpa normalisasi
Percobaan ini melibatkan data citra 10 jenis Shorea yang telah di akuisisi, dilakukan tahapan praproses tanpa normalisasi dan dilakukan ekstraksi fitur ciri morfologi. Pada percobaan ini digunakan 80 record sebagai data latih yang berisi
18
Tabel 5 Hasil akurasi percobaan I dalam (%)
Fold Nilai bias (h)
Pada percobaan tersebut didapatkan rata-rata akurasi tertinggi yaitu sebesar 100% dengan nilai (h=0.1), namun pada nilai (h=0.9 dan h=1) akurasi menjadi sangat menurun. Rata-rata akurasi pada setiap iterasi dapat dilihat pada Gambar 19.
Gambar 19 Grafik akurasi percobaan I
Berdasarkan grafik di atas, rata-rata akurasi tertinggi diperoleh pada nilai (h=0.1). Semakin meningkatnya nilai bias (h), rata-rata akurasi menjadi menurun. Pada nilai bias (h=0.1 dan h=0.2) menghasilkan rata-rata akurasi tertinggi sebesar 100% dan 98%. Pada percobaan I dengan nilai bias (h=0.1), tidak ada confusion matrix dikarenakan nilai akurasi pada setiap iterasi sebesar 100%.
Percobaan II : Menggunakan 7 parameter (area, perimeter, diameter,
smooth factor, form factor, perimeter ratio of diameter,dan perimeter ratio of physiological length and physiological width) dengan normalisasi
Pada percobaan ini sama seperti percobaan I, hanya saja menggunakan 7 parameter dengan normalisasi. Percobaan ini tetap melibatkan data citra 10 jenis
Shorea yang dilakukan tahapan praproses normalisasi ekstraksi fitur ciri morfologi.
Pada percobaan ini tetap digunakan 80 record sebagai data latih yang berisi
19 nilai bias (h) yang sama seperti percobaan I. Hasil akurasi untuk masing-masing iterasi dapat dilihat pada Tabel 6.
Tabel 6 Hasil akurasi percobaan II dalam (%)
Fold Nilai bias (h)
Pada percobaan tersebut didapatkan rata-rata akurasi tertinggi yaitu sebesar 91% dengan nilai (h=0.1), dimana nilai rata-rata akurasi menurun pada setiap nilai bias (h) jika dibandingkan percobaan pertama. Rata-rata akurasi pada setiap iterasi dapat dilihat pada Gambar 20.
Gambar 20 Grafik akurasi percobaan II
Berdasarkan grafik di atas, rata-rata akurasi tertinggi diperoleh pada nilai (h=0.1). Semakin meningkatnya nilai bias (h), rata-rata akurasi menjadi menurun. Pada nilai bias (h=0.1 dan h=0.2) menghasilkan rata-rata akurasi tertinggi sebesar 91% dan 89%.
20
Tabel 7 Confusion matrix pada percobaan II dengan nilai h=0.1
Kelas kelas yang ada, hanya 3 kelas yang benar diklasifikasikan, yaitu kelas 1 (Shorea javanica), kelas 7 (Shorea palembanica), dan kelas 8 (Shorea pinanga). Sebanyak 7 kelas yang salah diklasifikasikan, yaitu kelas 2 (Shorea johorensis), kelas 3 (Shorea lepida), kelas 4 (Shorea leprosula), kelas 5 (Shorea macroptera), kelas 6 (Shorea materialis), kelas 9 (Shorea platyclados), dan kelas 10 (Shorea seminis). hal ini disebabkan kemiripan ciri morfologi daun berupa parameter area, dan kesamaan ukuran bentuk.
Perbandingan Percobaan I dan Percobaan II
Percobaan I dan percobaan II menghasilkan rata-rata tingkat akurasi yang berbeda untuk seluruh jenis Shorea yang diidentifikasi. Perbandingan tingkat akurasi yang dihasilkan pada setiap percobaan dapat dilihat pada Gambar 21.
Gambar 21 Grafik perbandingan akurasi percobaan I dan percobaan II
21
SIMPULAN DAN SARAN
Simpulan
Berdasarkan penelitian yang telah dilakukan, dapat diambil kesimpulan bahwa penggunaan klasifikasi PNN dapat melakukan pengidentifikasi jenis
Shorea, walaupun masih terdapat salah dalam pengidentifikasian. Akurasi pengenalan citra daun Shorea dengan menggunakan PNN sebagai classifier
dengan k=5 nilai bias (h=0.1) menghasilkan rata-rata akurasi terbesar 100% pada percobaan I, sedangkan pada percobaan II rata-rata akurasi terbesar 91% dimana praproses normalisasi pada ekstraksi fitur berpengaruh terhadap akurasi. Jenis
Shorea yang selalu tepat diidentifikasikan dengan benar pada percobaan I dan II menggunakan seluruh fitur adalah Shorea javanica, Shorea palembanica, dan
Shorea pinanga.
Saran
Penelitian ini masih memiliki beberapa kekurangan yang dapat diperbaiki pada penelitian selanjutnya. Beberapa saran itu di antaranya dengan menambahkan jumlah data untuk setiap jenis Shorea agar data yang digunakan lebih bervariasi. Menggunakan teknik klasifikasi dan fitur yang lain untuk mengetahui tingkat akurasi.
DAFTAR PUSTAKA
Gonzalez RC, Woods RE. 2002. Digital Image Processing. 2nd Edition. New Jersey (US) : Prentice Hall.
Hickey LJ, Johnson KR, Wilf P, Wing SL. 1999. Manual of Leaf Architecture – Morphological Description and Categorization of Dicotyledonous and Net-Veined Monocotyledonous Angiosperms. Washington DC (US): Department of Paleobiology Smithsonian Institution.
Hutabarat YP. 2012. Identifikasi jenis Shorea berdasarkan morfologi daun menggunakan probabilistic neural network [skripsi]. Bogor (ID): Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Kantardzic M. 2003. Data Mining, Concepts, Methods and Algorithm. New Jersey: IEEE.
Newman MF, Burgess PF, Whitmore TC. 1999. Pedoman Identifikasi Pohon-pohon Dipterocarpaceae Jawa sampai Nugini. Bogor (ID): Prosea Indonesia. Nurfadhilah E. 2011. Identifikasi tumbuhan obat menggunakan fitur citra
morfologi, tekstur, dan bentuk dengan klasifikasi probabilistic neural network
[skripsi]. Bogor (ID): Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Nurjayanti B. 2011. Identifikasi Shorea menggunakan k-nearest neighbour
22
Puspitasari D. 2011. Identifikasi jenis Shorea menggunakan jaringan syaraf tiruan propagasi balik berdasarkan karakteristik morfologi daun [skripsi]. Bogor (ID): Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Sarle W. 2004. What are cross validation and bootstrapping? [internet]. [diacu
pada 2012 Des 15]. Tersedia pada: http://www.faqs.org/ai-faq/neural-nets/part3/section-12.html.
Specht DF. 1990. Probabilistic Neural Networks and the Polynomial Adalines Classification. IEEE Transactions on Neural Networks 1(3): 111-121.
Tan P, Steinbach M, Kumar V. 2005. Introduction to Data Mining. Boston: Pearson Education, Inc.
Wu SG, Bao FS, Xu EY, Wang YX, Chang YF, Xiang QL. 2007. A Leaf Recognition Algorithm for Plant Classification Using Probabilistic Neural Network. In Signal Processing and Information Technology, 2007, China.11-16.
23 Lampiran 1 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 100% dan nilai h=0.1
Lampiran 2 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata akurasi 98% dan nilai h=0.2
24
Lampiran 4 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata akurasi 83% dan nilai h=0.4
Lampiran 5 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata akurasi 77% dan nilai h=0.5
25 Lampiran 7 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata
akurasi 68% dan nilai h=0.7
Lampiran 8 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata akurasi 65% dan nilai h=0.8
26
Lampiran 10 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata akurasi 60% dan nilai h=1
Lampiran 11 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata akurasi 91% dan nilai h=0.1
27 Lampiran 13 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata
akurasi 82% dan nilai h=0.3
Lampiran 14 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata akurasi 76% dan nilai h=0.4
28
Lampiran 16 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata akurasi 71% dan nilai h=0.6
Lampiran 17 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata akurasi 68% dan nilai h=0.7
29 Lampiran 19 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata
akurasi 62% dan nilai h=0.9
Kelas Asli
Kelas Prediksi
JAV JOH LED LPR MAC MAT PAL PIN PLA SEM JAV 9 0 0 0 0 1 0 0 0 0 JOH 0 9 0 0 0 0 0 1 0 0 LED 1 0 8 0 0 0 0 0 0 1 LPR 2 1 0 3 0 0 0 4 0 0 MAC 2 2 0 4 1 0 0 1 0 0 MAT 3 0 0 2 0 1 0 4 0 0 PAL 0 0 0 1 0 0 6 0 2 1 PIN 0 0 0 1 0 0 0 9 0 0 PLA 0 0 0 0 0 0 0 0 10 0 SEM 0 0 1 0 0 1 2 0 0 6
Lampiran 20 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata akurasi 60% dan nilai h=1
Kelas Asli
Kelas Prediksi
30
Lampiran 21 Pengukuran data Shorea sebelum normalisasi
Area Perimeter Diameter Smooth factor Form factor Rasio P/D Rasio P/L Kelas
31 Lampiran 22 Pengukuran data Shorea setelah normalisasi
Area Perimeter Diameter Smooth factor Form factor Rasio P/D Rasio P/L Kelas
32
Lampiran 23 Jenis daun Shorea
JAV
JOH
LED
LPR
MAC
MAT
PAL
PIN
PLA
33
