Identifikasi Jenis Shorea Berdasarkan Morfologi Daun Menggunakan Probabilistic Neural Network

(1)

IDENTIFIKASI JENIS SHOREA BERDASARKAN MORFOLOGI

DAUN MENGGUNAKAN PROBABILISTIC NEURAL NETWORK

YUNI PURNAMASARI HUTABARAT

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(2)

IDENTIFIKASI JENIS SHOREA BERDASARKAN MORFOLOGI

DAUN MENGGUNAKAN PROBABILISTIC NEURAL NETWORK

YUNI PURNAMASARI HUTABARAT

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2012

Skripsi

sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer pada

(3)

ABSTRACT

YUNI PURNAMASARI HUTABARAT. Shorea Species Identification Based on Leaf Morphology Using Probabilistic Neural Network. Supervised by AZIZ KUSTIYO.

Indonesia is a country which has a large forest area. Dipterocarpaceae is the best timber tree of tropical rain forest. Shorea is a genus of Dipterocarpaceae family which consist of 194 species. Shorea has a considerable number of benefits. It is the most important timber source. Shorea can be used to produce varnish, paint and other chemical materials.

Species diversity and morphological similarity may lead to difficulty in identifying the species of Shorea. Mistake in identifying Shorea can lead to inappropriate selection for the final usability. Identification using leaf is the first choice for plant classification compared to biology methods which use cell and molecule.

This research aims to develop an identification system to identify Shorea based on morphological characteristic of Shorea. The system identifies 10 species of Shorea. The identification system being built uses Probabilistic Neural Network.

The data are divided into five subsets. The five subsets are used as training data and test data. The PNN is trained using 80 leaves to kinds of Shorea. The identification using Probabilistic Neural Network produced 84% average accuracy.

(4)

Judul Skripsi : Identifikasi Jenis Shorea Berdasarkan Morfologi Daun Menggunakan Probabilistic Neural Network

Nama : Yuni Purnamasari Hutabarat

NIM : G64096069

Disetujui Pembimbing

Aziz Kustiyo SSi MKom NIP 19700719 199802 1 001

Diketahui

Ketua Departemen Ilmu Komputer

Dr Ir Agus Buono MSi MKom NIP 19660702 199302 1 001

(5)

RIWAYAT HIDUP

(6)

PRAKATA

Puji dan syukur penulis panjatkan ke hadirat Allah Subhanahuwata'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 dosen pembimbing. Adapun penulis mengucapkan terima kasih kepada:

 Kedua orang tua dan kakak yang telah memberikan dukungan, perhatian, dan doa sehingga penulis dapat menyelesaikan studi di Departemen Ilmu Komputer IPB.

 Dosen penguji, Bapak Toto Haryanto SKom MSi dan Bapak Mushthofa SKom MSc atas saran dan bimbingannya.

 Bapak Auzi Asfarian SKom. Terima kasih atas bantuan yang sudah diberikan untuk penulis.  Pihak Kebun Raya Bogor atas sampel daun Shorea.

 Pihak Biotrop atas literatur tentang Shorea.  Teman-teman satu bimbingan atas kerjasamanya.

 Teman-teman Kosan White House yang telah meluangkan waktunya untuk berdiskusi bersama.  Sahabat-sahabatku Anela, Lina, Hafiz, Wahyu, dan seluruh sahabatku yang lain di Alih Jenis

Ilkom angkatan 4 yang telah memberikan semangat.

 Semua pihak yang telah membantu yang belum disebutkan di atas.

Penulis menyadari dalam tugas akhir ini masih banyak kekurangan dan kesalahan, karena itu penulis mengharapkan kritik dan saran yang membangun. Penulis berharap tulisan ini dapat bermanfaat bagi seluruh pihak.

Bogor, Mei 2012

(7)

DAFTAR ISI

Halaman

DAFTAR TABEL ... vi

DAFTAR GAMBAR ... vi

DAFTAR LAMPIRAN ... vii

PENDAHULUAN ... 1

Latar Belakang ... 1

Tujuan Penelitian ... 1

Ruang Lingkup Penelitian ... 1

Manfaat Penelitian ... 1

TINJAUAN PUSTAKA ... 1

Shorea ... 1

Jaringan Saraf Tiruan (JST) ... 3

K-Fold Cross Validation ... 4

Probabilistic Neural Network (PNN)... 4

Elips ... 4

Confusion Matrix ... 4

METODE PENELITIAN ... 5

Identifikasi Masalah ... 5

Pengumpulan Data ... 5

Pembagian Data Latih dan Data Uji (K-Fold Cross Validation) ... 6

Klasifikasi dengan PNN ... 6

Pengujian ... 6

Akurasi ... 7

Lingkungan Pengembangan ... 7

HASIL DAN PEMBAHASAN ... 7

Percobaan I : 5-Fold Cross Validation dengan 10 Fitur (dengan Luas dan Keliling) ... 7

Percobaan II : 5-Fold Cross Validation dengan 8 Fitur (tanpa Luas dan Keliling) ... 9

Perbandingan Percobaan I dan Percobaan II ... 10

KESIMPULAN DAN SARAN ... 11

Kesimpulan ... 11

Saran ... 11

DAFTAR PUSTAKA ... 11

(8)

DAFTAR TABEL

Halaman

1 Confusion Matrix ... 4

2 Kelas Shorea yang digunakan ... 5

3 Kombinasi input pada model PNN ... 6

4 Contoh data Shorea ... 7

5 Susunan data latih dan data uji ... 7

6 Hasil PNN Percobaan I dengan nilai h=0.5 pada setiap iterasi (rata-rata akurasi 71%) ... 8

11 Hasil PNN Percobaan I dengan nilai h=1 pada setiap iterasi (rata-rata akurasi 65%) ... 8

12 Hasil PNN Percobaan II dengan nilai h=0.5 pada setiap iterasi (rata-rata akurasi 84%) ... 9

17 Hasil PNN Percobaan II dengan nilai h=1 pada setiap iterasi (rata-rata akurasi 84%) ... 10

18 Kasus hasil perbandingan percobaan I dan percobaan II ... 10

19 Presentase pada setiap kasus dengan nilai h=1 ... 10

DAFTAR GAMBAR

Halaman 1 Pohon Shorea ... 1

2 Daun Shorea Javanica. ... 2

3 Daun Shorea Johorensis. ... 2

4 Daun Shorea Macroptera ... 2

5 Daun Shorea Materialis ... 2

6 Daun Shorea Lepida. ... 2

7 Daun Shorea Leprosula. ... 3

8 Daun Shorea Palembanica ... 3

9 Daun Shorea Pinanga ... 3

10 Daun Shorea Platyclados. ... 3

11 Daun Shorea Seminis. ... 3

12 Struktur PNN. ... 4

13 Elips. ... 4

14 Diagram Alur Penelitian ... 5

15 Lebar daun ... 5

16 Panjang daun ... 5

17 Sudut daun ... 6

18 Jarak antar daun ... 6

19 Jarak tangkai – daun ... 6

20 Jumlah tulang daun ... 6

21 Grafik percobaan I ... 7

22 Tingkat akurasi setiap jenis Shorea pada percobaan I ... 9

23 Grafik percobaan II ... 9

24 Tingkat akurasi setiap jenis Shorea pada percobaan II ... 10

(9)

DAFTAR LAMPIRAN

(10)

PENDAHULUAN

Latar Belakang

Indonesia merupakan salah satu negara yang memiliki kawasan hutan yang cukup luas. Dipterocarpaceae adalah sekelompok tumbuhan hutan hujan tropis penghasil kayu. Salah satunya adalah Shorea yang merupakan tumbuhan penghasil kayu terbaik. Shorea memiliki species sekitar 194 dan menyebar terutama di Asia Tenggara yaitu bagian barat Indonesia (Kalimantan dan Sumatera), Thailand, Malaysia, Serawak, Sabah, dan Filipina (Newman et al. 1999).

Keanekaragaman Shorea menyebabkan kesulitan untuk mengetahui jenis Shorea yang satu dengan yang lain. Identifikasi menggunakan daun adalah pilihan pertama untuk klasifikasi jenis tanaman dibandingkan dengan cara biologis yang menggunakan sel dan molekul. Jaringan Syaraf Tiruan (JST) adalah salah satu konsep kecerdasan komputasional yang dapat dimanfaatkan untuk proses identifikasi. Sistem cerdas diharapkan dapat memudahkan identifikasi terutama untuk petugas hutan yang belum terampil agar dapat menghindari kesalahan pemilihan kayu yang tidak tepat.

Probabilistic Neural Network (PNN), sebagai salah satu arsitektur JST, telah terbukti menghasilkan akurasi tinggi di beberapa penelitian. Wu et al. (2007) melakukan penelitian identifikasi tanaman berdasarkan daun dengan akurasi lebih dari 90% dan Fathurohman (2009) melakukan penelitian tentang penentuan kematangan belimbing manis. Kelebihan PNN adalah strukturnya sederhana dan proses pelatihan cepat karena prosesnya hanya membutuhkan satu kali (Seminar et al. 2006).

Dalam penelitian terkait, Nurjayanti (2011) telah membangun sistem identifikasi Shorea dengan menggunakan arsitektur K-Nearest Neighbour dengan akurasi 84% (tanpa normalisasi) dan 100% (dengan normalisasi). Puspitasari (2011) menggunakan arsitektur Propogasi Balik dengan akurasi 90%.

Dengan latar belakang demikian, pengembangan model dalam penelitian ini menggunakan Probabilistic Neural Network (PNN) dengan jenis Shorea yang berbeda dan melakukan beberapa penambahan fitur dari penelitian sebelumnya.

Tujuan Penelitian

Tujuan penelitian ini ialah :

 Menerapkan metode PNN untuk mengidentifikasi jenis Shorea serta mengetahui tingkat akurasi dari proses identifikasi tersebut.

 Melihat pengaruh fitur luas dan keliling terhadap akurasi.

Ruang Lingkup Penelitian

Ruang lingkup penelitian ini ialah :

 Identifikasi Shorea berdasarkan karakteristik morfologi daun.

 Identifikasi jenis Shorea dilakukan pada 10 jenis Shorea yang terdapat di Koleksi Kebun Raya Bogor.

Manfaat Penelitian

Manfaat penelitian ini adalah membantu melakukan identifikasi jenis Shorea.

TINJAUAN PUSTAKA

Shorea

Shorea adalah salah satu marga dari Dipterocarpaceae penghasil kayu terbaik dalam dunia perindustrian. Manfaat ekonomi dari Shorea adalah penghasil kayu terbaik seperti meranti kuning, merah dan putih. Shorea juga menghasilkan resin berkualitas, sering disebut damar mata kucing, yang digunakan pada industri pernis dan pewarna dinding, serta untuk pengolahan kimiawi lainnya.

Ciri-ciri utama pohon Shorea yaitu pohon sangat besar dengan pepagan yang berlapis dan berwarna 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).

(11)

Penelitian ini menggunakan 10 jenis Shorea, yaitu:

1 Shorea Javanica

Shorea Javanica termasuk ke dalam meranti putih. Tangkai daun panjang berukuran 1.4–2.4 cm, kadang-kadang lokos, pertulangan skunder 19-25. Daun lonjong, jorong atau bundar telur, 6.5-15 x 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 Shorea Javanica. 2 Shorea Johorensis

Shorea Johorensis merupakan jenis meranti merah. Pohon dan banirnya besar. Batang merekah atau bersisik dan pada umumnya berdamar. Kulit luar tebal, kulit dalam juga tebal, berurat-urat, warnanya merah atau kemerah-merahan dan, isi kayu berwarna merah. Tata letak daun berseling, komposisi daun tunggal, tangkai daun pendek. Ciri khas daun adalah berlubang-lubang di waktu kering 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. 3 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, isi kayu berwarna merah (Gambar 4).

Gambar 4 Daun Shorea Macroptera. 4 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. 5 Shorea Lepida

Shorea Lepida memiliki ciri-ciri utama pohon dewasa memiliki daun agak tipis, lonjong dan runcing. Permukaan atas daun bila mengering coklat agak lembayung, coklat kuning pada tulang daun, coklat pudar pada permukaan bawah daun (Gambar 6).

Gambar 6 Daun Shorea Lepida. 6 Shorea Leprosula

(12)

krim, urat daun tersier rapat seperti tangga (Gambar 7).

Gambar 7 Daun Shorea Leprosula. 7 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).

Gambar 8 Daun Shorea Palembanica. 8 Shorea Pinanga

Shorea Pinanga adalah famili 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 x 4 – 9 cm, bentuk tajuk melebar, tidak berbanir (Gambar 9).

Gambar 9 Daun Shorea Pinanga. 9 Shorea Platyclados

Shorea Platyclados termasuk dalam kelompok meranti merah. Perawakan pohon

sangat besar, batang tidak bercabang hingga tinggi sekali. Daun berukuran panjang 6.1-13.1 cm dan lebar 2.2-4 cm, ujung daun lancip, pangkal daun membundar. Permukaan atas daun bila mengering berwarna coklat, bila diraba licin. Pertulangan sekunder berjumlah 12-25 pasang (Gambar 10).

Gambar 10 Daun Shorea Platyclados. 10 Shorea Seminis

Shorea Seminis termasuk dalam kelompok balau atau selangan batu. Tinggi pohon dapat mencapai 60 m. Daun berukuran panjang 9-18 cm dan lebar 2.5-8 cm, ujung daun berbentuk lancip panjang, 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).

Gambar 11 Daun Shorea Seminis.

Jaringan Saraf Tiruan (JST)

Jaringan Saraf Tiruan (JST) adalah prosesor yang terdistribusi paralel, terbuat dari unit-unit yang sederhana, dan memiliki kemampuan untuk menyimpan pengetahuan yang diperoleh secara eksperimental dan siap pakai untuk berbagai tujuan. JST meniru otak manusia dari sudut pengetahuan yang diperoleh dari network dari lingkungan melalui suatu proses pembelajaran dan kekuatan koneksi antarunit yang disebut synaptic weights. Sypnaptic weights ini berfungsi untuk menyimpan pengetahuan yang telah diperoleh oleh jaringan tersebut.

(13)

dinamakan neuron, sinyal dilewatkan di antara neuron melalui connection link masing-masing connection link memiliki weight (bobot) yang akan mengalikan sinyal yang lewat, dan masing-masing neuron memiliki fungsi aktivasi yang akan menentukan nilai sinyal output (Fauset 1994).

K-FoldCross Validation

Cross validation merupakan metode membagi data menjadi k subset yang ukurannya hampir sama satu sama lain. Himpunan subset yang dihasilkan yaitu S1, S2,…,Sk yang digunakan sebagi data latih dan data uji. Dalam metode ini dilakukan perulangan sebanyak k kali dimana salah satu subset dijadikan data uji dan k-1 subset lainnya dijadikan data latih (Fu 1994).

Probabilistic Neural Network (PNN)

Probabilistic Neural Network diperkenalkan pertama kali oleh Specht tahun 1990 yang digunakan untuk klasifikasi, mapping, dan associative memory. Keuntungan utama menggunakan arsitektur PNN adalah proses pembelajaran mudah atau sekali lewat dan sangat cepat. Struktur PNN terdiri atas 4 lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusan/ keluaran (Specht 1990). Proses-proses yang terjadi pada setiap lapisan yaitu :

1 Lapisan masukan (input layer)

Lapisan masukan merupakan objek yang terdiri atas k nilai ciri yang akan diklasifikasikan pada n kelas.

2 Lapisan pola (pattern layer)

Lapisan pola merupakan data latih itu sendiri. Persamaan yang digunakan pada lapisan pola adalah

( )

3 Lapisan penjumlahan (summation layer) Menerima masukan dari node lapisan pola yang terkait dari kelas yang ada. Persamaan yang digunakan pada lapisan ini adalah

∑

( )

4 Lapisan keluaran / keputusan (output layer) Menentukan kelas dari input yang diberikan. Input x akan masuk kelas Y jika nilai peluang

masuk ke Y paling besar dibandingkan peluang masuk ke kelas lainnya. Secara umum, arsitektur PNN dapat dilihat pada Gambar 12.

Gambar 12 Struktur PNN.

Elips

Luas dan keliling elips (Gambar 13) dapat dihitung dengan rumus di bawah ini.

Luas elips : πr1r2

Keliling : π (r1 + r2)

Gambar 13 Elips. r1 = sumbu panjang dari titik pusat

r2 = sumbu pendek dari titik pusat 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 tabel 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

r1 r2 X1 X2 Xp Neuron A1 Neuron A2 Neuron An Neuron B1 Neuron B2 Neuron Bm fA(X) fB(X) Ambil yang maksimu m V e k to r input seb anyak P d im ensi

Lapisan Masukan Lapisan Pola Lapisan Penjumlahan

(14)

Keterangan:

 a adalah jumlah contoh Kelas 1 yang berhasil diprediksi dengan benar sebagai Kelas 1,

 b adalah jumlah contoh Kelas 1 yang tidak berhasil diprediksi dengan benar sebagai Kelas 1,

 c adalah jumlah contoh Kelas 2 yang tidak berhasil diprediksi dengan benar sebagai Kelas 2, dan

 d adalah jumlah contoh Kelas 2 yang berhasil diprediksi dengan benar sebagai Kelas 2.

METODE PENELITIAN

Penelitian ini memunyai beberapa tahapan dalam pengidentifikasian daun Shorea. Tahapan proses tersebut disajikan pada Gambar 14.

Gambar 14 Diagram alur penelitian.

Identifikasi Masalah

Identifikasi masalah penelitian adalah proses identifikasi yang masih dilakukan secara manual dan masih sulit dalam membedakan jenis Shorea. Maka dari itu, akan dibuat sebuah sistem cerdas yang dapat mengidentifikasi jenis Shorea. Tujuan dari pembuatan sistem ini ialah membantu para petugas hutan dalam mengidentifikasi jenis Shorea dengan cepat dan mengurangi kesalahan dalam pemilihan kayu yang tidak tepat. Hal ini juga didukung dengan

sumber pengetahuan yang berasal dari pustaka dan pengetahuan pakar.

Pengumpulan Data

Pengumpulan data (pengambilan jenis Shorea) dilakukan di Kebun Raya Bogor. Jenis Shorea yang digunakan pada penelitian ini dapat dilihat pada Tabel 2.

Tabel 2 Kelas Shorea yang digunakan

No Kelas Shorea Kode

1 Shorea Materialis Ridley. MAT 2 Shorea Platyclados PLA 3 Shorea Javanica Koord &

Val.

JAV

4 Shorea Palembanica PAL

5 Shorea Seminis SEM

6 Shorea Johorensis Foxwf. JOH 7 Shorea Pinanga Sp. PIN

8 Shorea Macroptera MAC

9 Shorea Leprosula Miq. LPR 10 Shorea Lepida Blume. LPD Pada tahap ini, akan dilakukan pengukuran secara manual terhadap beberapa fitur morfologi daun. Fitur lebar, panjang, diameter, luas, keliling, aspect ratio, form factor, perimeter ratio of diameter (Wu et al.2007) sedangkan pada fitur sudut, jarak antar daun, jarak tangkai-daun dan jumlah tulang daun (Nurjayanti 2011). Penjelasan dari seluruh fitur morfologi daun tersebut adalah sebagai berikut 1 Lebar daun diukur dari permukaan daun

yang paling lebar (Gambar 15).

Gambar 15 Lebar daun.

2 Panjang daun diukur dari pangkal daun hingga ujung daun (Gambar 16).

Gambar 16 Panjang daun.

3 Diameter merupakan titik terjauh diantara dua titik dari batas daun.

(15)

4 Luas daun dihitung menggunakan rumus luas elips.

5 Keliling daun dihitung menggunakan rumus keliling elips.

6 Aspect Ratio adalah rasio dari panjang dan lebar daun. Aspect Ratio digunakan untuk memperkirakan bentuk helai daun. Jika bernilai kurang dari 1, bentuk helai daun tersebut melebar. Jika nilainya lebih dari 1, bentuk helai tersebut memanjang.

Lp = panjang daun Wp = lebar daun

7 Form factor mendeskripsikan bentuk dari daun dan mengetahui seberapa bundar bentuk helai daun tersebut.

A = luas daun P = keliling daun

8 Perimeter ratio of diameter adalah ciri untuk mengukur seberapa lonjong daun tersebut.

9 Sudut antar ibu tulang daun dengan tulang cabang daun sebelah kanan atau kiri yang diukur menggunakan busur (Gambar 17).

Gambar 17 Sudut daun

10 Jarak antara daun satu dengan daun yang lain (Gambar 18).

Gambar 18 Jarak antar daun. 11 Jarak dari tangkai ke daun (Gambar 19).

Gambar 19 Jarak tangkai – daun.

12 Jumlah tulang daun sebelah kanan dan sebelah kiri (Gambar 20).

Gambar 20 Jumlah tulang daun. Contoh pengukuran data Shorea dapat dilihat pada Lampiran 1.

Pembagian Data Latih dan Data Uji (K-Fold

Cross Validation)

Teknik yang digunakan untuk membagi data latih dan data uji adalah 5-fold cross validation. Teknik ini akan membagi data menjadi lima subsampel terpisah. Empat subsampel akan digunakan sebagai data pelatihan dan satu subsampel akan digunakan sebagai data pengujian. Begitu seterusnya untuk setiap iterasi.

Klasifikasi dengan PNN

Teknik klasifikasi yang digunakan adalah Probabilistic Neural Network. Arsitektur PNN memiliki lapisan bagian input, pola, penjumlahan, dan output. Dalam penelitian ini, akan dicobakan dua jenis kombinasi input. Kedua kombinasi input dapat dilihat pada Tabel 3.

Tabel 3 Kombinasi input pada model PNN Percobaan Kombinasi Input

I Menggunakan 10 fitur

morfologi daun yaitu diameter, luas, keliling, aspect ratio, form factor, perimeter ratio of diameter, sudut daun, jarak antar daun, jarak tangkai-daun, dan jumlah tulang daun. II Menggunakan 8 fitur morfologi

daun yaitu diameter, aspect ratio, form factor, perimeter ratio of diameter, sudut daun, jarak antar daun, jarak tangkai-daun, dan jumlah tulang daun. Lapisan output memiliki 10 target kelas sesuai dengan jumlah jenis daun.

Pengujian

Pada tahap ini, dilakukan pengujian menggunakan data uji berdasarkan k-fold cross validation. Data yang tepat adalah data yang berhasil dikenali dengan benar oleh sistem.

Sudut antartulang

Jarak antar daun

Jarak dari tangkai-daun

(16)

Akurasi

Kinerja PNN untuk mengidentifikasi jenis Shorea dapat diketahui dari analisis hasil pengujian. Hasil pengujian dianalisis menggunakan tabel confusion matrix kemudian menghitung besaran akurasi yang diperoleh. Akurasi dapat dihitung menggunakan persamaan berikut

kurasi umlah prediksi yang tepat_{otal data uji}

Lingkungan Pengembangan

Pada penelitian ini, akan digunakan perangkat keras dan perangkat lunak sebagai berikut

1 Perangkat lunak yang digunakan dalam penelitian :

 Windows 7 sebagai sistem operasi.  Matlab R2008b.

 Microsoft Office Excel 2010.

2 Perangkat keras yang digunakan dalam penelitian :

 Processor Intel ( R ) Core ™ i3.

 RAM 4 GB.

 Hardisk kapasitas 320 GB.

HASIL DAN PEMBAHASAN

Data yang digunakan pada penelitian ini merupakan data hasil perhitungan manual fitur-fitur morfologi daun Shorea yang diambil dari beberapa koleksi di Kebun Raya Bogor. Berikut disajikan contoh data hasil perhitungan manual pada Tabel 4.

Tabel 4 Contoh data Shorea

Fitur Shorea Materialis

Panjang 16.3 cm

Lebar 6.0 cm

Diameter 16.3 cm

Aspect Ratio 2.72 cm

Luas 76.77 cm2

Keliling 35.01 cm

Form Factor 0.79 cm Perimeter ratio of

diameter

2.15 cm Sudut antar ibu tulang

daun

460

Jumlah tulang daun 17 (pasang) Jarak antar daun 1.2 cm Jarak tangkai-daun 5.2 cm

Proses pengambilan data ini dilakukan selama satu bulan dan dilakukan di Kebun Raya Bogor. Data yang digunakan terdiri atas 10 jenis Shorea. Masing-masing jenis Shorea terdiri atas 10 sampel sehingga total data sebanyak 100 data.

Percobaan I : 5-Fold Cross Validation dengan

10 Fitur (dengan Luas dan Keliling)

Dari banyaknya data yang diperoleh sebanyak 100 record, dibagi menjadi 5 subset yang setiap subset berisi 2 record dari jenis daun. Setiap subset terdiri atas 20 record.

Percobaan pertama (fold I) menggunakan 80 record sebagai data latih yang berisi subset 2, 3, 4, dan 5. Subset 1 yang berisi 20 record dijadikan sebagai data uji. Percobaan terus dilakukan hingga setiap subset pernah menjadi data uji. Susunan data pelatihan dan data pengujian disajikan pada Tabel 5.

Tabel 5 Susunan data latih dan data uji Fold Pelatihan Pengujian Fold I S2, S3, S4, S5 S1 Fold II S1, S3, S4, S5 S2 Fold III S1, S2, S4, S5 S3 Fold IV S1, S2, S3, S5 S4 Fold V S1, S2, S3, S4 S5

Percobaan ini melibatkan 10 fitur morfologi daun yaitu diameter, luas, keliling, aspect ratio, form factor, perimeter ratio of diameter, sudut daun, jarak antar daun, jarak tangkai-daun, dan jumlah tulang daun. Pada percobaan ini, dilakukan 5 kali iterasi berdasarkan subset pada k-fold cross validation dengan 6 buah nilai h. Keenam nilai h tersebut adalah 0.5, 0.6, 0.7, 0.8, 0.9, dan 1.

Hasil akurasi untuk masing-masing iterasi dapat dilihat pada Gambar 21.

Gambar 21 Grafik percobaan (menggunakan fitur luas & keliling).

(17)

Hasil PNN dari kelima percobaan secara berurutan ditunjukkan pada Tabel 6, 7, 8, 9, 10, dan 11.

Tabel 6 PNN Percobaan I dengan nilai h=0.5 pada setiap iterasi (rata-rata akurasi 71%)

Kelas

Asli 1 2 3 4 5 6 7 8 9 10 1 9 0 0 1 0 0 0 0 0 0 2 0 10 0 0 0 0 0 0 0 0 3 0 0 7 0 3 0 0 0 0 0 4 2 0 0 6 2 0 0 0 0 0 5 0 0 2 3 5 0 0 0 0 0 6 0 0 0 0 0 4 1 1 4 0 7 0 0 0 0 0 1 6 2 1 0 8 0 0 0 0 0 0 1 8 0 1 9 0 0 0 0 0 3 0 1 6 0 10 0 0 0 0 0 0 0 0 0 10 Tabel 7 PNN Percobaan I dengan nilai h=0.6

pada setiap iterasi (rata-rata akurasi 72%)

Kelas

Asli 1 2 3 4 5 6 7 8 9 10 1 9 0 0 1 0 0 0 0 0 0 2 0 10 0 0 0 0 0 0 0 0 3 0 0 7 0 3 0 0 0 0 0 4 2 0 0 6 2 0 0 0 0 0 5 0 0 2 3 5 0 0 0 0 0 6 0 0 0 0 0 5 1 1 3 0 7 0 0 0 0 0 1 6 2 1 0 8 0 0 0 0 0 0 1 8 0 1 9 0 0 0 0 0 3 0 1 6 0 10 0 0 0 0 0 0 0 0 0 10 Tabel 11 PNN Percobaan I dengan nilai h=1

Kelas

Asli 1 2 3 4 5 6 7 8 9 10 1 9 0 0 1 0 0 0 0 0 0 2 0 10 0 0 0 0 0 0 0 0 3 0 0 6 0 3 1 0 0 0 0 4 4 0 0 5 1 0 0 0 0 0 5 1 0 1 2 6 0 0 0 0 0 6 0 0 0 0 0 7 1 1 1 0 7 0 0 0 0 0 3 3 2 1 0 8 1 0 0 0 0 0 1 7 0 1 9 1 0 0 0 0 4 2 1 2 0 10 0 0 0 0 0 0 0 0 0 10

Akurasi yang didapat dengan nilai h=0.5 adalah 71%, nilai h=0.6, 0.7, 0.8, dan 0.9 adalah 72% dan nilai h=1 adalah 65%. Akurasi kelima percobaan pada rentan nilai h=0.5-0.9 tidak memiliki perbedaan yang signifikan, namun pada nilai h=1 akurasi menjadi sangat menurun.

(18)

Gambar 22 Tingkat akurasi setiap jenis Shorea pada percobaan I.

Percobaan II : 5-Fold Cross Validation

dengan 8 Fitur (Tanpa Luas dan Keliling)

Pada percobaan ini, fitur luas dan keliling akan dihilangkan dalam 10 fitur yang telah disebutkan pada Percobaan I. Percobaan ini juga masih menggunakan 80 record data latih dan 20 record data uji yang menggunakan 5-fold cross validation dengan nilai-nilai h yang sama seperti pada Percobaan I.

Gambar 23 Grafik percobaan II (tanpa fitur luas & keliling).

Berdasarkan grafik di atas, akurasi terbesar (95%) dicapai oleh fold kedua dengan (h=1) dan akurasi terkecil (75%) terdapat pada fold ketiga dengan (h=0.5, h=0.6, h=0.7, h=0.8, h=0.9 dan h=1).

Tabel 12 PNN Percobaan II dengan nilai h=0.5 pada setiap iterasi (rata-rata akurasi 84%)

Kelas

Asli 1 2 3 4 5 6 7 8 9 10 1 9 1 0 0 0 0 0 0 0 0 2 2 8 0 0 0 0 0 0 0 0 3 0 0 7 0 3 0 0 0 0 0 4 0 0 0 10 0 0 0 0 0 0 5 1 0 2 1 6 0 0 0 0 0 6 0 0 0 0 0 10 0 0 0 0

Lanjutan Kelas

Asli 1 2 3 4 5 6 7 8 9 10 7 0 0 0 0 0 1 6 2 0 1 8 0 0 0 0 0 0 1 9 0 0 9 0 0 0 0 0 1 0 0 9 0 10 0 0 0 0 0 0 0 0 0 10 Tabel 13 PNN Percobaan II dengan nilai h=0.6

Kelas

Asli 1 2 3 4 5 6 7 8 9 10 1 9 1 0 0 0 0 0 0 0 0 2 2 8 0 0 0 0 0 0 0 0 3 0 0 7 0 3 0 0 0 0 0 4 0 1 0 9 0 0 0 0 0 0 5 1 0 2 1 6 0 0 0 0 0 6 0 0 0 0 0 10 0 0 0 0 7 0 0 0 0 0 1 6 2 0 1 8 0 0 0 0 0 0 1 9 0 0 9 0 0 0 0 0 1 0 0 9 0 10 0 0 0 0 0 0 0 0 0 10 Tabel 14 PNN Percobaan II dengan nilai h=0.7

Kelas

Asli 1 2 3 4 5 6 7 8 9 10 1 9 1 0 0 0 0 0 0 0 0 2 2 8 0 0 0 0 0 0 0 0 3 0 0 7 0 3 0 0 0 0 0 4 0 1 0 9 0 0 0 0 0 0 5 1 0 2 1 6 0 0 0 0 0 6 0 0 0 0 0 10 0 0 0 0 7 0 0 0 0 0 1 6 2 0 1 8 0 0 0 0 0 0 1 9 0 0 9 0 0 0 0 0 1 0 0 9 0 10 0 0 0 0 0 0 0 0 0 10 Tabel 15 PNN Percobaan II dengan nilai h=0.8

Kelas

(19)

Kelas

Asli 1 2 3 4 5 6 7 8 9 10 1 9 1 0 0 0 0 0 0 0 0 2 1 9 0 0 0 0 0 0 0 0 3 0 0 7 0 3 0 0 0 0 0 4 0 1 0 9 0 0 0 0 0 0 5 1 0 2 1 6 0 0 0 0 0 6 0 0 0 0 0 10 0 0 0 0 7 0 0 0 0 0 1 6 2 0 1 8 0 0 0 0 0 0 1 9 0 0 9 0 0 0 0 0 1 0 0 9 0 10 0 0 0 0 0 0 0 0 0 10 Tabel 17 PNN Percobaan II dengan nilai h=1

Kelas

Asli 1 2 3 4 5 6 7 8 9 10 1 6 2 0 0 2 0 0 0 0 0 2 0 10 0 0 0 0 0 0 0 0 3 0 0 7 0 3 0 0 0 0 0 4 0 1 0 9 0 0 0 0 0 0 5 0 0 0 1 9 0 0 0 0 0 6 0 0 0 0 0 9 0 0 1 0 7 0 0 0 0 0 1 8 1 0 0 8 0 0 0 0 0 0 0 7 0 3 9 0 0 0 0 0 1 0 0 9 0 10 0 0 0 0 0 0 0 0 0 10

Akurasi yang didapat dengan nilai h=0.5 adalah 84%, nilai h=0.6-0.8 adalah 83% dan nilai h=0.9-1 adalah 84%. Akurasi kelima percobaan pada setiap nilai h tidak memiliki perbedaan yang signifikan, namun terjadi peningkatan akurasi yang sangat signifikan dari percobaan I.

Gambar 24 Tingkat akurasi setiap jenis Shorea pada percobaan II.

Pada Gambar 24, dapat dilihat tingkat akurasi yang dihasilkan untuk setiap jenis Shorea. Nilai h yang diambil merupakan nilai h yang menghasilkan nilai rata-rata akurasi terbesar yaitu nilai h=0.9.

Perbandingan Percobaan I dan Percobaan II

Percobaan I dan Percobaan II menghasilkan nilai akurasi yang berbeda. Pada percobaan I didapat rerata akurasi terbesar sebesar 72%, sedangkan pada percobaan II didapat rerata akurasi 84%. Terlihat adanya peningkatan akurasi sebesar 12% tanpa menggunakan fitur luas dan keliling daun. Dapat dikatakan bahwa fitur luas dan keliling mempengaruhi akurasi PNN.

Pada penelitian ini juga dibandingkan kasus-kasus yang terjadi pada setiap percobaan dalam identifikasi jenis Shorea. Ada 5 kasus hasil identifikasi Shorea dari hasil perbandingan percobaan I dan percobaan II dapat dilihat pada Tabel 18.

Tabel 18 Kasus hasil perbandingan percobaan I dan percobaan II

Kasus Percobaan I Percobaan II

Salah Tetap Salah Salah

Salah Berbeda Salah Salah

Salah-Benar Salah Benar

Benar-Salah Benar Salah

Benar-Benar Benar Benar

Kasus Salah Tetap adalah pada Percobaan I suatu jenis Shorea salah terdidentifikasi dan pada Percobaan II juga salah terdidentifikasi, namun kesalahan yang terjadi adalah kesalahan untuk jenis yang sama. Kasus Salah Berbeda adalah pada Percobaan I suatu jenis Shorea salah terdidentifikasi, dan pada Percobaan II juga salah teridentifikasi namun kesalahan yang terjadi adalah kesalahan untuk jenis yang berbeda. Kasus Salah-Benar adalah pada Percobaan I suatu jenis Shorea salah teridentifikasi, namun pada Percobaan II Shorea benar teridentifikasi. Kasus Benar-Salah adalah pada Percobaan I suatu jenis Shorea benar teridentifikasi, namun pada Percobaan II Shorea salah teridentifikasi. Kasus Benar-Benar adalah pada Percobaan I maupun pada Percobaan II Shorea benar teridentifikasi.

Percobaan I dan Percobaan II dengan nilai h=1 akan dibandingkan untuk melihat persentase dari masing-masing kasus yang telah dijelaskan. Hasil perbandingan kedua percobaan tersebut dapat dilihat pada Lampiran 2.

Tabel 19 Presentase pada setiap kasus dengan nilai h=1

Kasus Jumlah Presentase

Salah Tetap 6 6%

Salah Berbeda 7 7%

(20)

Lanjutan

Kasus Jumlah Presentase

Benar - Salah 3 3%

Benar - Benar 62 62%

Perbandingan akurasi percobaan I dan percobaan II dapat dilihat pada Gambar 25. Pada Gambar 25, dapat dilihat bahwa setelah menghilangkan fitur luas dan keliling memberikan pengaruh terhadap akurasi yaitu meningkatnya akurasi.

Gambar 25 Grafik perbandingan akurasi percobaan I dan percobaan II.

KESIMPULAN DAN SARAN

Kesimpulan

Dari beberapa percobaan yang dilakukan dengan metode PNN, diperoleh kesimpulan sebagai berikut :

 Pada percobaan yang menggunakan fitur diameter, luas, keliling, aspect ratio, form factor, perimeter ratio of diameter, sudut daun, jarak antar daun, jarak tangkai-daun, dan jumlah tulang daun (Percobaan I), diperoleh rata-rata akurasi terbesar (72%) dengan parameter smoothing (h=0.6, 0.7, 0.8, 0.9, dan 1). Pada percobaan yang tidak menggunakan fitur luas dan keliling (Percobaan II), diperoleh rata-rata akurasi terbesar (84%) dengan parameter smoothing (h=0.5, 0.9 dan 0.1). Hal ini menunjukkan terjadi peningkatan sebesar 12% dan dapat disimpulkan bahwa fitur luas dan keliling berpengaruh terhadap akurasi.

 Jenis Shorea Lepida selalu tepat diidentifikasi dengan benar, baik pada Percobaan I yang masih menggunakan fitur luas dan keliling maupun pada Percobaan II yang tidak menggunakan fitur luas dan keliling.

Saran

Pada penelitian selanjutnya yang berkaitan dengan penelitian ini adalah melakukan perbandingan tingkat akurasi dengan metode

jaringan syaraf tiruan propogasi balik atau metode jaringan syaraf tiruan lainnya dengan jenis data yang sama.

DAFTAR PUSTAKA

Fathurohman Z. 2009. Pengembangan Model Probabilistic Neural Network untuk Penentuan Belimbing Manis [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Fauset L. 1994. Fundamentals of Neural Networks : Architectures, Algorithms, and Applications. New Jersey : Prentice Hall.

Fu LM 1994. Neural Networks in Computer Intelligence. Boston : McGraw-Hill.

Newman MF, Burgess PF, Whitmore TC. 1999. Pedoman Identifikasi Pohon-Pohon Dipterocarpaceae Jawa sampai Nuigini. Bogor : PROSES INDONESIA.

Nurjayanti B. 2011. Identifikasi Shorea

Menggunakan K-Nearest Neighbour

Berdasarkan Karakteristik Morfologi Daun [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

Puspitasari D. 2011. Identifikasi Shorea Menggunakan Jaringan Syaraf Tiruan Propogasi Balik Berdasarkan Karakteristik Morfologi Daun [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

Seminar KB, Buono A, Alim MK. 2006. Uji dan aplikasi komputasi pararel pada jaringan syaraf probabilistik (PNN) untuk proses klasifikasi mutu tomat. Jurnal Teknologi 20(1) : 34-45.

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.

(21)

(22)

Lampiran 1 Contoh pengukuran data Shorea

Panjang Lebar Diameter Aspect

Ratio Luas Keliling Prm/diameter

Form Factor

J.Tlg

Daun Sudut

Tangkai-Daun

Daun-Daun

16.3 6 16.3 2.72 76.77 35.01 2.15 0.79 17 46.67 1.2 5.2

17.2 6.1 17.2 2.82 82.36 36.58 2.13 0.77 19 41.67 1.2 5.2

16.2 6.2 16.2 2.61 78.85 35.17 2.17 0.80 18 43.33 1 5.5

16.1 7 16.1 2.30 88.47 36.27 2.25 0.84 22 38.33 1 3.5

14.7 6.5 14.7 2.26 75.01 33.28 2.26 0.85 18 35.00 1 3.5

15.2 6.6 15.2 2.30 78.75 34.23 2.25 0.84 21 36.67 1 4.6

16.7 6.6 16.7 2.53 86.52 36.58 2.19 0.81 22 38.33 1 5

15.4 6.3 15.4 2.44 76.16 34.07 2.21 0.82 18 43.33 1 6.5

16 7.4 16 2.16 92.94 36.74 2.30 0.86 19 38.33 1 5.7

17.8 7.2 17.8 2.47 100.61 39.25 2.21 0.82 19 38.33 1 7.5

12.8 4.1 12.8 3.12 41.20 26.53 2.07 0.73 17 38.33 0.9 3.5

12.3 4 12.3 3.08 38.62 25.59 2.08 0.74 14 36.67 0.9 4

13.7 4.3 13.7 3.19 46.24 28.26 2.06 0.73 19 33.33 0.9 3.5

12.4 4.1 12.4 3.02 39.91 25.91 2.09 0.75 18 35.00 0.8 3.2

13.5 4.4 13.5 3.07 46.63 28.10 2.08 0.74 14 31.67 0.8 3.5

12.1 3.8 12.1 3.18 36.09 24.96 2.06 0.73 16 33.33 0.8 3.5

12.5 4.2 12.5 2.98 41.21 26.22 2.10 0.75 15 33.33 0.8 3.8

13.5 4.4 13.5 3.07 46.63 28.10 2.08 0.74 17 36.67 0.8 3.8

13 4.2 13 3.10 42.86 27.00 2.08 0.74 19 38.33 0.9 2.9

13 4.3 13 3.02 43.88 27.16 2.09 0.75 17 40.00 0.9 2.9

27.4 10.8 27.4 2.54 232.30 59.97 2.19 0.81 16 43.33 1.9 5

24 7.5 24 3.20 141.30 49.46 2.06 0.73 20 40.00 0.9 4.5

27.4 9.4 27.4 2.91 202.18 57.78 2.11 0.76 17 36.67 1.1 5

(23)

Lampiran 2 Perbandingan kesalahan pada percobaan I dan percobaan II dengan nilai h = 1

Kelas Aktual Fold I Fold II Fold III Fold IV Fold V

P.I P.II P.I P.II P.I P.II P.I P.II P.I P.II

Materialis Materialis Seminis - - Materialis Platyclados - - Materialis

Palembanica

Materialis

Javanica Seminis Javanica Seminis

- - Javanica

Johorensis

Javanica Seminis

Javanica

Palembanica Materialis Materialis

Palembanica Materialis Seminis

Palembanica Platyclados

- - - - Palembanica

Materialis

Palembanica

Seminis Palembanica Javanica

Palembanica Seminis

- - - - Seminis

Materialis

Seminis Seminis Palembanica

Seminis

Johorensis Johorensis Macroptera

Johorensis - - Johorensis

Leprosula

Johorensis Johorensis Johorensis Leprosula

Johorensis Pinanga

Johorensis

Pinanga Macroptera Leprosula

Pinanga - - Johorensis

Macroptera

Pinanga Johorensis

Johorensis Pinanga Pinanga Materialis

Pinanga Macroptera Macroptera Macroptera

Materialis

Macroptera Pinanga Macroptera

Macroptera Macroptera Lepida

Macroptera Pinanga

- - Macroptera Lepida

Leprosula Materialis Johorensis

Leprosula - - Macroptera

Johorensis

Leprosula Johorensis Leprosula Johorensis

(24)

(25)

ABSTRACT

YUNI PURNAMASARI HUTABARAT. Shorea Species Identification Based on Leaf Morphology Using Probabilistic Neural Network. Supervised by AZIZ KUSTIYO.

Indonesia is a country which has a large forest area. Dipterocarpaceae is the best timber tree of tropical rain forest. Shorea is a genus of Dipterocarpaceae family which consist of 194 species. Shorea has a considerable number of benefits. It is the most important timber source. Shorea can be used to produce varnish, paint and other chemical materials.

Species diversity and morphological similarity may lead to difficulty in identifying the species of Shorea. Mistake in identifying Shorea can lead to inappropriate selection for the final usability. Identification using leaf is the first choice for plant classification compared to biology methods which use cell and molecule.

This research aims to develop an identification system to identify Shorea based on morphological characteristic of Shorea. The system identifies 10 species of Shorea. The identification system being built uses Probabilistic Neural Network.

The data are divided into five subsets. The five subsets are used as training data and test data. The PNN is trained using 80 leaves to kinds of Shorea. The identification using Probabilistic Neural Network produced 84% average accuracy.

(26)

PENDAHULUAN

Latar Belakang

Indonesia merupakan salah satu negara yang memiliki kawasan hutan yang cukup luas. Dipterocarpaceae adalah sekelompok tumbuhan hutan hujan tropis penghasil kayu. Salah satunya adalah Shorea yang merupakan tumbuhan penghasil kayu terbaik. Shorea memiliki species sekitar 194 dan menyebar terutama di Asia Tenggara yaitu bagian barat Indonesia (Kalimantan dan Sumatera), Thailand, Malaysia, Serawak, Sabah, dan Filipina (Newman et al. 1999).

Keanekaragaman Shorea menyebabkan kesulitan untuk mengetahui jenis Shorea yang satu dengan yang lain. Identifikasi menggunakan daun adalah pilihan pertama untuk klasifikasi jenis tanaman dibandingkan dengan cara biologis yang menggunakan sel dan molekul. Jaringan Syaraf Tiruan (JST) adalah salah satu konsep kecerdasan komputasional yang dapat dimanfaatkan untuk proses identifikasi. Sistem cerdas diharapkan dapat memudahkan identifikasi terutama untuk petugas hutan yang belum terampil agar dapat menghindari kesalahan pemilihan kayu yang tidak tepat.

Probabilistic Neural Network (PNN), sebagai salah satu arsitektur JST, telah terbukti menghasilkan akurasi tinggi di beberapa penelitian. Wu et al. (2007) melakukan penelitian identifikasi tanaman berdasarkan daun dengan akurasi lebih dari 90% dan Fathurohman (2009) melakukan penelitian tentang penentuan kematangan belimbing manis. Kelebihan PNN adalah strukturnya sederhana dan proses pelatihan cepat karena prosesnya hanya membutuhkan satu kali (Seminar et al. 2006).

Dalam penelitian terkait, Nurjayanti (2011) telah membangun sistem identifikasi Shorea dengan menggunakan arsitektur K-Nearest Neighbour dengan akurasi 84% (tanpa normalisasi) dan 100% (dengan normalisasi). Puspitasari (2011) menggunakan arsitektur Propogasi Balik dengan akurasi 90%.

Dengan latar belakang demikian, pengembangan model dalam penelitian ini menggunakan Probabilistic Neural Network (PNN) dengan jenis Shorea yang berbeda dan melakukan beberapa penambahan fitur dari penelitian sebelumnya.

Tujuan Penelitian

Tujuan penelitian ini ialah :

 Menerapkan metode PNN untuk mengidentifikasi jenis Shorea serta mengetahui tingkat akurasi dari proses identifikasi tersebut.

 Melihat pengaruh fitur luas dan keliling terhadap akurasi.

Ruang Lingkup Penelitian

Ruang lingkup penelitian ini ialah :

 Identifikasi Shorea berdasarkan karakteristik morfologi daun.

 Identifikasi jenis Shorea dilakukan pada 10 jenis Shorea yang terdapat di Koleksi Kebun Raya Bogor.

Manfaat Penelitian

Manfaat penelitian ini adalah membantu melakukan identifikasi jenis Shorea.

TINJAUAN PUSTAKA

Shorea

Shorea adalah salah satu marga dari Dipterocarpaceae penghasil kayu terbaik dalam dunia perindustrian. Manfaat ekonomi dari Shorea adalah penghasil kayu terbaik seperti meranti kuning, merah dan putih. Shorea juga menghasilkan resin berkualitas, sering disebut damar mata kucing, yang digunakan pada industri pernis dan pewarna dinding, serta untuk pengolahan kimiawi lainnya.

Ciri-ciri utama pohon Shorea yaitu pohon sangat besar dengan pepagan yang berlapis dan berwarna 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).

(27)

Penelitian ini menggunakan 10 jenis Shorea, yaitu:

1 Shorea Javanica

Shorea Javanica termasuk ke dalam meranti putih. Tangkai daun panjang berukuran 1.4–2.4 cm, kadang-kadang lokos, pertulangan skunder 19-25. Daun lonjong, jorong atau bundar telur, 6.5-15 x 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 Shorea Javanica. 2 Shorea Johorensis

Shorea Johorensis merupakan jenis meranti merah. Pohon dan banirnya besar. Batang merekah atau bersisik dan pada umumnya berdamar. Kulit luar tebal, kulit dalam juga tebal, berurat-urat, warnanya merah atau kemerah-merahan dan, isi kayu berwarna merah. Tata letak daun berseling, komposisi daun tunggal, tangkai daun pendek. Ciri khas daun adalah berlubang-lubang di waktu kering 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. 3 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, isi kayu berwarna merah (Gambar 4).

Gambar 4 Daun Shorea Macroptera. 4 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. 5 Shorea Lepida

Shorea Lepida memiliki ciri-ciri utama pohon dewasa memiliki daun agak tipis, lonjong dan runcing. Permukaan atas daun bila mengering coklat agak lembayung, coklat kuning pada tulang daun, coklat pudar pada permukaan bawah daun (Gambar 6).

Gambar 6 Daun Shorea Lepida. 6 Shorea Leprosula

(28)

krim, urat daun tersier rapat seperti tangga (Gambar 7).

Gambar 7 Daun Shorea Leprosula. 7 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).

Gambar 8 Daun Shorea Palembanica. 8 Shorea Pinanga

Shorea Pinanga adalah famili 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 x 4 – 9 cm, bentuk tajuk melebar, tidak berbanir (Gambar 9).

Gambar 9 Daun Shorea Pinanga. 9 Shorea Platyclados

Shorea Platyclados termasuk dalam kelompok meranti merah. Perawakan pohon

sangat besar, batang tidak bercabang hingga tinggi sekali. Daun berukuran panjang 6.1-13.1 cm dan lebar 2.2-4 cm, ujung daun lancip, pangkal daun membundar. Permukaan atas daun bila mengering berwarna coklat, bila diraba licin. Pertulangan sekunder berjumlah 12-25 pasang (Gambar 10).

Gambar 10 Daun Shorea Platyclados. 10 Shorea Seminis

Shorea Seminis termasuk dalam kelompok balau atau selangan batu. Tinggi pohon dapat mencapai 60 m. Daun berukuran panjang 9-18 cm dan lebar 2.5-8 cm, ujung daun berbentuk lancip panjang, 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).

Gambar 11 Daun Shorea Seminis.

Jaringan Saraf Tiruan (JST)

Jaringan Saraf Tiruan (JST) adalah prosesor yang terdistribusi paralel, terbuat dari unit-unit yang sederhana, dan memiliki kemampuan untuk menyimpan pengetahuan yang diperoleh secara eksperimental dan siap pakai untuk berbagai tujuan. JST meniru otak manusia dari sudut pengetahuan yang diperoleh dari network dari lingkungan melalui suatu proses pembelajaran dan kekuatan koneksi antarunit yang disebut synaptic weights. Sypnaptic weights ini berfungsi untuk menyimpan pengetahuan yang telah diperoleh oleh jaringan tersebut.

(29)

dinamakan neuron, sinyal dilewatkan di antara neuron melalui connection link masing-masing connection link memiliki weight (bobot) yang akan mengalikan sinyal yang lewat, dan masing-masing neuron memiliki fungsi aktivasi yang akan menentukan nilai sinyal output (Fauset 1994).

K-FoldCross Validation

Cross validation merupakan metode membagi data menjadi k subset yang ukurannya hampir sama satu sama lain. Himpunan subset yang dihasilkan yaitu S1, S2,…,Sk yang digunakan sebagi data latih dan data uji. Dalam metode ini dilakukan perulangan sebanyak k kali dimana salah satu subset dijadikan data uji dan k-1 subset lainnya dijadikan data latih (Fu 1994).

Probabilistic Neural Network (PNN)

Probabilistic Neural Network diperkenalkan pertama kali oleh Specht tahun 1990 yang digunakan untuk klasifikasi, mapping, dan associative memory. Keuntungan utama menggunakan arsitektur PNN adalah proses pembelajaran mudah atau sekali lewat dan sangat cepat. Struktur PNN terdiri atas 4 lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusan/ keluaran (Specht 1990). Proses-proses yang terjadi pada setiap lapisan yaitu :

1 Lapisan masukan (input layer)

Lapisan masukan merupakan objek yang terdiri atas k nilai ciri yang akan diklasifikasikan pada n kelas.

2 Lapisan pola (pattern layer)

Lapisan pola merupakan data latih itu sendiri. Persamaan yang digunakan pada lapisan pola adalah

( )

3 Lapisan penjumlahan (summation layer) Menerima masukan dari node lapisan pola yang terkait dari kelas yang ada. Persamaan yang digunakan pada lapisan ini adalah

∑

( )

4 Lapisan keluaran / keputusan (output layer) Menentukan kelas dari input yang diberikan. Input x akan masuk kelas Y jika nilai peluang

masuk ke Y paling besar dibandingkan peluang masuk ke kelas lainnya. Secara umum, arsitektur PNN dapat dilihat pada Gambar 12.

Gambar 12 Struktur PNN.

Elips

Luas dan keliling elips (Gambar 13) dapat dihitung dengan rumus di bawah ini.

Luas elips : πr1r2

Keliling : π (r1 + r2)

Gambar 13 Elips. r1 = sumbu panjang dari titik pusat

r2 = sumbu pendek dari titik pusat 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 tabel 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

r1 r2 X1 X2 Xp Neuron A1 Neuron A2 Neuron An Neuron B1 Neuron B2 Neuron Bm fA(X) fB(X) Ambil yang maksimu m V e k to r input seb anyak P d im ensi

Lapisan Masukan Lapisan Pola Lapisan Penjumlahan

(30)

Keterangan:

 a adalah jumlah contoh Kelas 1 yang berhasil diprediksi dengan benar sebagai Kelas 1,

 b adalah jumlah contoh Kelas 1 yang tidak berhasil diprediksi dengan benar sebagai Kelas 1,

 c adalah jumlah contoh Kelas 2 yang tidak berhasil diprediksi dengan benar sebagai Kelas 2, dan

 d adalah jumlah contoh Kelas 2 yang berhasil diprediksi dengan benar sebagai Kelas 2.

METODE PENELITIAN

[image:30.595.96.296.70.651.2]

Penelitian ini memunyai beberapa tahapan dalam pengidentifikasian daun Shorea. Tahapan proses tersebut disajikan pada Gambar 14.

Gambar 14 Diagram alur penelitian.

Identifikasi Masalah

Identifikasi masalah penelitian adalah proses identifikasi yang masih dilakukan secara manual dan masih sulit dalam membedakan jenis Shorea. Maka dari itu, akan dibuat sebuah sistem cerdas yang dapat mengidentifikasi jenis Shorea. Tujuan dari pembuatan sistem ini ialah membantu para petugas hutan dalam mengidentifikasi jenis Shorea dengan cepat dan mengurangi kesalahan dalam pemilihan kayu yang tidak tepat. Hal ini juga didukung dengan

sumber pengetahuan yang berasal dari pustaka dan pengetahuan pakar.

Pengumpulan Data

[image:30.595.314.517.200.406.2]

Pengumpulan data (pengambilan jenis Shorea) dilakukan di Kebun Raya Bogor. Jenis Shorea yang digunakan pada penelitian ini dapat dilihat pada Tabel 2.

Tabel 2 Kelas Shorea yang digunakan

No Kelas Shorea Kode

1 Shorea Materialis Ridley. MAT 2 Shorea Platyclados PLA 3 Shorea Javanica Koord &

Val.

JAV

4 Shorea Palembanica PAL

5 Shorea Seminis SEM

6 Shorea Johorensis Foxwf. JOH 7 Shorea Pinanga Sp. PIN

8 Shorea Macroptera MAC

9 Shorea Leprosula Miq. LPR 10 Shorea Lepida Blume. LPD Pada tahap ini, akan dilakukan pengukuran secara manual terhadap beberapa fitur morfologi daun. Fitur lebar, panjang, diameter, luas, keliling, aspect ratio, form factor, perimeter ratio of diameter (Wu et al.2007) sedangkan pada fitur sudut, jarak antar daun, jarak tangkai-daun dan jumlah tulang daun (Nurjayanti 2011). Penjelasan dari seluruh fitur morfologi daun tersebut adalah sebagai berikut 1 Lebar daun diukur dari permukaan daun

yang paling lebar (Gambar 15).

Gambar 15 Lebar daun.

2 Panjang daun diukur dari pangkal daun hingga ujung daun (Gambar 16).

Gambar 16 Panjang daun.

3 Diameter merupakan titik terjauh diantara dua titik dari batas daun.

(31)

4 Luas daun dihitung menggunakan rumus luas elips.

5 Keliling daun dihitung menggunakan rumus keliling elips.

6 Aspect Ratio adalah rasio dari panjang dan lebar daun. Aspect Ratio digunakan untuk memperkirakan bentuk helai daun. Jika bernilai kurang dari 1, bentuk helai daun tersebut melebar. Jika nilainya lebih dari 1, bentuk helai tersebut memanjang.

Lp = panjang daun Wp = lebar daun

7 Form factor mendeskripsikan bentuk dari daun dan mengetahui seberapa bundar bentuk helai daun tersebut.

A = luas daun P = keliling daun

8 Perimeter ratio of diameter adalah ciri untuk mengukur seberapa lonjong daun tersebut.

[image:31.595.91.297.27.842.2]

9 Sudut antar ibu tulang daun dengan tulang cabang daun sebelah kanan atau kiri yang diukur menggunakan busur (Gambar 17).

Gambar 17 Sudut daun

[image:31.595.314.509.467.653.2]

10 Jarak antara daun satu dengan daun yang lain (Gambar 18).

Gambar 18 Jarak antar daun. 11 Jarak dari tangkai ke daun (Gambar 19).

Gambar 19 Jarak tangkai – daun.

12 Jumlah tulang daun sebelah kanan dan sebelah kiri (Gambar 20).

Gambar 20 Jumlah tulang daun. Contoh pengukuran data Shorea dapat dilihat pada Lampiran 1.

Pembagian Data Latih dan Data Uji (K-Fold

Cross Validation)

Teknik yang digunakan untuk membagi data latih dan data uji adalah 5-fold cross validation. Teknik ini akan membagi data menjadi lima subsampel terpisah. Empat subsampel akan digunakan sebagai data pelatihan dan satu subsampel akan digunakan sebagai data pengujian. Begitu seterusnya untuk setiap iterasi.

Klasifikasi dengan PNN

Teknik klasifikasi yang digunakan adalah Probabilistic Neural Network. Arsitektur PNN memiliki lapisan bagian input, pola, penjumlahan, dan output. Dalam penelitian ini, akan dicobakan dua jenis kombinasi input. Kedua kombinasi input dapat dilihat pada Tabel 3.

Tabel 3 Kombinasi input pada model PNN Percobaan Kombinasi Input

I Menggunakan 10 fitur

morfologi daun yaitu diameter, luas, keliling, aspect ratio, form factor, perimeter ratio of diameter, sudut daun, jarak antar daun, jarak tangkai-daun, dan jumlah tulang daun. II Menggunakan 8 fitur morfologi

daun yaitu diameter, aspect ratio, form factor, perimeter ratio of diameter, sudut daun, jarak antar daun, jarak tangkai-daun, dan jumlah tulang daun. Lapisan output memiliki 10 target kelas sesuai dengan jumlah jenis daun.

Pengujian

Pada tahap ini, dilakukan pengujian menggunakan data uji berdasarkan k-fold cross validation. Data yang tepat adalah data yang berhasil dikenali dengan benar oleh sistem.

Sudut antartulang

Jarak antar daun

Jarak dari tangkai-daun

(32)

Akurasi

Kinerja PNN untuk mengidentifikasi jenis Shorea dapat diketahui dari analisis hasil pengujian. Hasil pengujian dianalisis menggunakan tabel confusion matrix kemudian menghitung besaran akurasi yang diperoleh. Akurasi dapat dihitung menggunakan persamaan berikut

kurasi umlah prediksi yang tepat_{otal data uji}

Lingkungan Pengembangan

Pada penelitian ini, akan digunakan perangkat keras dan perangkat lunak sebagai berikut

1 Perangkat lunak yang digunakan dalam penelitian :

 Windows 7 sebagai sistem operasi.  Matlab R2008b.

 Microsoft Office Excel 2010.

2 Perangkat keras yang digunakan dalam penelitian :

 Processor Intel ( R ) Core ™ i3.

 RAM 4 GB.

 Hardisk kapasitas 320 GB.

HASIL DAN PEMBAHASAN

[image:32.595.316.508.343.417.2]

Data yang digunakan pada penelitian ini merupakan data hasil perhitungan manual fitur-fitur morfologi daun Shorea yang diambil dari beberapa koleksi di Kebun Raya Bogor. Berikut disajikan contoh data hasil perhitungan manual pada Tabel 4.

Tabel 4 Contoh data Shorea

Fitur Shorea Materialis

Panjang 16.3 cm

Lebar 6.0 cm

Diameter 16.3 cm

Aspect Ratio 2.72 cm

Luas 76.77 cm2

Keliling 35.01 cm

Form Factor 0.79 cm Perimeter ratio of

diameter

2.15 cm Sudut antar ibu tulang

daun

460

Jumlah tulang daun 17 (pasang) Jarak antar daun 1.2 cm Jarak tangkai-daun 5.2 cm

Proses pengambilan data ini dilakukan selama satu bulan dan dilakukan di Kebun Raya Bogor. Data yang digunakan terdiri atas 10 jenis Shorea. Masing-masing jenis Shorea terdiri atas 10 sampel sehingga total data sebanyak 100 data.

Percobaan I : 5-Fold Cross Validation dengan

10 Fitur (dengan Luas dan Keliling)

Dari banyaknya data yang diperoleh sebanyak 100 record, dibagi menjadi 5 subset yang setiap subset berisi 2 record dari jenis daun. Setiap subset terdiri atas 20 record.

Percobaan pertama (fold I) menggunakan 80 record sebagai data latih yang berisi subset 2, 3, 4, dan 5. Subset 1 yang berisi 20 record dijadikan sebagai data uji. Percobaan terus dilakukan hingga setiap subset pernah menjadi data uji. Susunan data pelatihan dan data pengujian disajikan pada Tabel 5.

Tabel 5 Susunan data latih dan data uji Fold Pelatihan Pengujian Fold I S2, S3, S4, S5 S1 Fold II S1, S3, S4, S5 S2 Fold III S1, S2, S4, S5 S3 Fold IV S1, S2, S3, S5 S4 Fold V S1, S2, S3, S4 S5

Percobaan ini melibatkan 10 fitur morfologi daun yaitu diameter, luas, keliling, aspect ratio, form factor, perimeter ratio of diameter, sudut daun, jarak antar daun, jarak tangkai-daun, dan jumlah tulang daun. Pada percobaan ini, dilakukan 5 kali iterasi berdasarkan subset pada k-fold cross validation dengan 6 buah nilai h. Keenam nilai h tersebut adalah 0.5, 0.6, 0.7, 0.8, 0.9, dan 1.

[image:32.595.100.293.552.754.2]

Gambar 21 Grafik percobaan (menggunakan fitur luas & keliling).

[image:32.595.318.511.557.663.2]

(33)

Tabel 6 PNN Percobaan I dengan nilai h=0.5 pada setiap iterasi (rata-rata akurasi 71%)

Kelas

[image:33.595.306.515.71.638.2]

Kelas

Asli 1 2 3 4 5 6 7 8 9 10 1 9 0 0 1 0 0 0 0 0 0 2 0 10 0 0 0 0 0 0 0 0 3 0 0 7 0 3 0 0 0 0 0 4 2 0 0 6 2 0 0 0 0 0 5 0 0 2 3 5 0 0 0 0 0 6 0 0 0 0 0 5 1 1 3 0 7 0 0 0 0 0 1 6 2 1 0 8 0 0 0 0 0 0 1 8 0 1 9 0 0 0 0 0 3 0 1 6 0 10 0 0 0 0 0 0 0 0 0 10 Tabel 11 PNN Percobaan I dengan nilai h=1

Kelas

Asli 1 2 3 4 5 6 7 8 9 10 1 9 0 0 1 0 0 0 0 0 0 2 0 10 0 0 0 0 0 0 0 0 3 0 0 6 0 3 1 0 0 0 0 4 4 0 0 5 1 0 0 0 0 0 5 1 0 1 2 6 0 0 0 0 0 6 0 0 0 0 0 7 1 1 1 0 7 0 0 0 0 0 3 3 2 1 0 8 1 0 0 0 0 0 1 7 0 1 9 1 0 0 0 0 4 2 1 2 0 10 0 0 0 0 0 0 0 0 0 10

Akurasi yang didapat dengan nilai h=0.5 adalah 71%, nilai h=0.6, 0.7, 0.8, dan 0.9 adalah 72% dan nilai h=1 adalah 65%. Akurasi kelima percobaan pada rentan nilai h=0.5-0.9 tidak memiliki perbedaan yang signifikan, namun pada nilai h=1 akurasi menjadi sangat menurun.

(34)

[image:34.595.97.526.66.825.2]

Gambar 22 Tingkat akurasi setiap jenis Shorea pada percobaan I.

Percobaan II : 5-Fold Cross Validation

dengan 8 Fitur (Tanpa Luas dan Keliling)

Pada percobaan ini, fitur luas dan keliling akan dihilangkan dalam 10 fitur yang telah disebutkan pada Percobaan I. Percobaan ini juga masih menggunakan 80 record data latih dan 20 record data uji yang menggunakan 5-fold cross validation dengan nilai-nilai h yang sama seperti pada Percobaan I.

Gambar 23 Grafik percobaan II (tanpa fitur luas & keliling).

Berdasarkan grafik di atas, akurasi terbesar (95%) dicapai oleh fold kedua dengan (h=1) dan akurasi terkecil (75%) terdapat pada fold ketiga dengan (h=0.5, h=0.6, h=0.7, h=0.8, h=0.9 dan h=1).

Kelas

Asli 1 2 3 4 5 6 7 8 9 10 1 9 1