Identifikasi Daun Shorea menggunakan KNN dengan Ekstraksi Fitur 2DPCA

(1)

IDENTIFIKASI DAUN

SHOREA

MENGGUNAKAN KNN

DENGAN EKSTRAKSI FITUR 2DPCA

ERNI YUSNIAR

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

(2)

(3)

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*

Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Daun Shorea menggunakan KNN dengan Ekstraksi Fitur 2DPCA 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.

(4)

ABSTRAK

ERNI YUSNIAR. Identifikasi Daun Shorea menggunakan KNN dengan Ekstraksi Fitur 2DPCA. Dibimbing oleh AZIZ KUSTIYO.

Shorea adalah jenis meranti yang memiliki nilai ekonomis yang tinggi. Shorea tergolong ke dalam famili Dipterocarpaceae yang memiliki 194 spesies yang tumbuh di daerah tropis. Shorea merupakan jenis yang sulit untuk diidentifikasi karena memiliki banyak kemiripan. Metode yang digunakan dalam penelitian ini adalah ekstraksi fitur 2 Dimensional Principal Component Analysis dan K-Nearest Neighbour sebagai teknik klasifikasi. Penelitian ini memiliki 4 percobaan yang dibagi menjadi komponen R, G, B, dan grayscale. Hasil rata-rata akurasi terbaik sebesar 75% pada komponen G dengan kontribusi nilai eigen 85%. Kata kunci: 2 Dimensional Principal Component Analysis, K-Nearest Neighbour,

Shorea

ABSTRACT

ERNI YUSNIAR. Shorea LeavesIdentification using KNN with 2DPCA Feature Extraction. Supervised by AZIZ KUSTIYO.

Shorea is a kind of meranti species that have high economic value. Shorea belongs to Dipterocarpaceae family which has 194 species that usually grow in tropical area. Shorea is difficult to be identified due to their similarity. The method used in this research is 2 Dimensional Principal Component Analysis as feature extraction and K-Nearest Neighbour as classification technique. This research has four trials that were divided into R, G, B, and grayscale components. The best average accuracy obtained was 75% on a G component with 85% contribution of eigen values.

(5)

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer

pada

Departemen Ilmu Komputer

IDENTIFIKASI DAUN

SHOREA

MENGGUNAKAN KNN

DENGAN EKSTRAKSI FITUR 2DPCA

ERNI YUSNIAR

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

(6)

(7)

Judul Skripsi : Identifikasi Daun Shorea menggunakan KNN dengan Ekstraksi Fitur 2DPCA

Nama : Erni Yusniar NIM : G64104062

Disetujui oleh

Aziz Kustiyo, SSi, MKom Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi, MKom Ketua Departemen

(8)

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah dengan judul Identifikasi Daun Shorea menggunakan KNN dengan Ekstraksi Fitur 2DPCA ini berhasil diselesaikan. Adapun penulis mengucapkan terima kasih kepada:

1 Kedua Orang Tua 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 saran.

3 Dosen penguji, Bapak Dr Ir Agus Buono, MSi, 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 Septy, Ayu, Mbak Sri, Ilvi, Kak Cory, Bang Asep, dan Bangkit, terima kasih atas kerjasamanya.

6 Teman-teman kostan M24 atas kebersamaan dan dukungannya.

7 Teman-teman Alih Jenis Ilkom angkatan 5, atas kerjasamanya selama penelitian.

8 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, Maret 2013

(9)

DAFTAR ISI

DAFTAR TABEL vii

DAFTAR GAMBAR vii

DAFTAR LAMPIRAN ix

PENDAHULUAN 1

Latar Belakang 1

Perumusan Masalah 1

Tujuan Penelitian 2

Manfaat Penelitian 2

Ruang Lingkup Penelitian 2

TINJAUAN PUSTAKA 2

Shorea 2

Metode 2 Dimensional Principal Component Analysis (2DPCA) 3 Algoritme 2 Dimensional Principal Component Analysis (2DPCA) 3

Ilustrasi Proses 2DPCA 4

K-Fold Cross Validation 5

K-Nearest Neighbour 6

METODE 6

Pengumpulan Citra Daun 6

Citra Daun 6

Praproses 7

Data Latih dan Data Uji 8

Ekstraksi dengan 2DPCA 9

Vektor Transformasi 10

Transformasi Data Latih 10

Matriks Transformasi Data Latih 10

Transformasi Data Uji 11

Matriks Transformasi Data Uji 11

Klasifikasi KNN 11

Perhitungan Akurasi 11

(10)

HASIL DAN PEMBAHASAN 12 Percobaan 1: Komponen R untuk Citra Model Warna RGB 13 Perbandingan Akurasi antara Kontribusi Nilai Eigen 85%, 95%, dan 99%

pada Citra Komponen R 16

Percobaan 2 : Komponen G untuk Citra Model Warna RGB 17 Perbandingan Akurasi antara Kontribusi Nilai Eigen 85%, 95%, dan 99%

pada Citra Komponen G 20

Percobaan 3 : Komponen B untuk Citra Model Warna RGB 21 Perbandingan Akurasi antara Kontribusi Nilai Eigen 85%, 95%, dan 99%

pada Citra Komponen B 24

Percobaan 4 : Model Citra Grayscale 25

Perbandingan Akurasi antara Kontribusi Nilai Eigen 85%, 95%, dan 99%

pada Citra Grayscale 28

Perbandingan Akurasi antara R, G, B dan Grayscale 29 Perbandingan Akurasi Jenis Shorea Berdasarkan Komponen R, G, B dan Grayscale pada Setiap Kontribusi Nilai Eigen 31

Analisis Ragam Akurasi Percobaan 37

SIMPULAN DAN SARAN 38

Simpulan 38

Saran 38

DAFTAR PUSTAKA 38

LAMPIRAN 40

(11)

DAFTAR TABEL

1 Bentuk 5-foldcross-validation dengan × = data latih dan ■ = data uji 8

2 Rancangan percobaan 12

3 Kontribusi nilai eigen 12

4 Ukuran vektor eigen 12

5 Ukuran citra yang dipakai 13

6 Hasil akurasi komponen R dengan kontribusi nilai eigen 85% 13 7 Hasil akurasi komponen R dengan kontribusi nilai eigen 95% 14 8 Hasil akurasi komponen R dengan kontribusi nilai eigen 99% 15 9 Hasil akurasi komponen G dengan kontribusi nilai eigen 85% 17 10 Hasil akurasi komponen G dengan kontribusi nilai eigen 95% 18 11 Hasil akurasi komponen G dengan kontribusi nilai eigen 99% 19 12 Hasil akurasi komponen B dengan kontribusi nilai eigen 85% 21 13 Hasil akurasi komponen B dengan kontribusi nilai eigen 95% 22 14 Hasil akurasi komponen B dengan kontribusi nilai eigen 99% 23 15 Hasil akurasi citra grayscale dengan kontribusi nilai eigen 85% 25 16 Hasil akurasi citra grayscale dengan kontribusi nilai eigen 95% 26 17 Hasil akurasi citra grayscale dengan kontribusi nilai eigen 99% 27 18 Hasil akurasi komponen R, G, B, dan grayscale pada setiap

kontribusi nilai eigen 35

19 Analisis ragam akurasi percobaan 37

DAFTAR GAMBAR

1 Daun Meranti merah (Shorea parvifolia Dyer) Sumber: Atlas Kayu

Indonesia, jilid 1: 85 3

2 Metodologi penelitian 7

3 Contoh citra jenis Shoreamarcoptera asli berukuran 2736 × 3648 8

4 Komponen warna (a) R, (b) G, dan, (c) B 8

5 Contoh citra Shorea hasil grayscale dan resize berukuran 137 × 182 8 6 Proses mencari rata-rata semua citra data latih 9

7 Proses memperoleh matriks citra 10

8 Grafik tingkat akurasi setiap jenis Shorea pada komponen R dan

11 Kemiripan Shoreamaterialis (a) dan javanica (b) 16 12 Grafik perbandingan akurasi setiap kontribusi nilai eigen pada

komponen R 16

13 Grafik perbandingan akurasi jenis Shorea untuk setiap kontribusi

nilai eigen pada komponen R 17

14 Grafik tingkat akurasi setiap jenis Shorea pada komponen G dan

(12)

kontribusi nilai eigen 95% dengan k = 3 19

kontribusi nilai eigen 95% dengan k = 5 19

17 Kemiripan Shorea johorensis (a) dan pinanga (b) 20 18 Grafik perbandingan akurasi setiap kontribusi nilai eigen pada

komponen G 20

nilai eigen pada komponen G 21

20 Grafik tingkat akurasi setiap jenis Shorea pada komponen B dan

23 Grafik perbandingan akurasi setiap kontribusi nilai eigen pada

komponen B 24

nilai eigen pada komponen B 25

25 Grafik tingkat akurasi setiap jenis Shorea pada citra grayscale dan

28 Grafik perbandingan akurasi setiap kontribusi nilai eigen pada

grayscale 28

nilai eigen pada citra grayscale 29

30 Grafik perbandingan R, G, B, dan grayscale pada kontribusi nilai

33 Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi

nilai eigen pada Shorea javanica 31

nilai eigen pada Shorea johorensis 31

nilai eigen pada Shorealepida 32

nilai eigen pada Shorealeprosula 32

nilai eigen pada Shoreamarcoptera 33

(13)

nilai eigen pada Shoreapalembanica 34

40 Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi

nilai eigen pada Shoreapinanga 34

nilai eigen pada Shorea seminis 35

42 Grafik hasil akurasi komponen R, G, B, dan grayscale pada setiap

1 Confusion matrix percobaan 1 pada komponen warna R dengan nilai

kontribusi eigen 85% dan nilai k = 7 40

4 Confusion matrix percobaan 2 pada komponen warna G dengan nilai

7 Confusion matrix percobaan 3 pada komponen warna B dengan nilai

10 Confusion matrix percobaan 4 pada komponen warna grayscale dengan nilai kontribusi eigen 85% dan nilai k = 7 43 11 Confusion matrix percobaan 4 pada komponen warna grayscale

dengan nilai kontribusi eigen 95% dan nilai k = 7 43 12 Confusion matrix percobaan 4 pada komponen warna grayscale

(14)

(15)

PENDAHULUAN

Latar Belakang

Shorea merupakan tumbuhan berkayu yang termasuk jenis meranti. Shorea tergolong ke dalam famili 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 menjadi salah satu yang mengakibatkan terjadinya eksploitasi terhadap Shorea tersebut, khususnya jenis Shorea yang memiliki kualitas kayu yang baik. Untuk mencegah eksploitasi 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 dengan tepat.

Identifikasi jenis Shorea dapat dilakukan dengan menggunakan batang, daun, buah, dan bunga. Jika menggunakan batang, dengan semakin bertambahnya umur pohon, warna dan kedalaman alurnya akan mulai berubah. Identifikasi menggunakan buah dan bunga juga sulit dilakukan karena buah dan bunga tumbuh secara musiman sehingga sulit didapatkan. Untuk memudahkan dalam pengidentifikasian Shorea, dipilih daun sebagai obyek identifikasinya. Daun dipilih karena mudah menjadi obyek pengamatan khususnya berupa citra daun dan daun tersedia sepanjang waktu sehingga tidak akan mengalami kekurangan bahan obyek pengamatan.

Penelitian ini menggunakan ekstraksi fitur 2 Dimensional Principal Component Analysis (2DPCA) dengan K-Nearest Neighbour sebagai classifier. Ekstraksi fitur 2DPCA ini digunakan sebagai metode pengolahan citra daun yang dapat mereduksi ukuran citra, matrik kovarian yang dihasilkan juga terbentuk secara langsung dari citra daun sehingga ukuran matrik kovarian lebih kecil dan untuk memudahkan mengevaluasi keakuratannya (Licesio et al. 2005).

Pada metode 2DPCA tidak perlu mengubah citra daun asli menjadi vektor kolom yang berukuran besar yang memungkinkan dalam prosesnya dapat dilakukan lebih cepat dibanding dengan metode Principal Component Analysis (PCA) yang harus mengubah citra daun asli menjadi vektor kolom terlebih dahulu.

Penelitian yang terkait dengan 2DPCA antara lain dilakukan oleh Pratiwi (2010) tentang Pengembangan Model Pengenalan Wajah dengan Jarak Euclid pada Ruang Eigen dengan 2DPCA dengan nilai akurasi tertinggi sebesar 98,75%.

Perumusan Masalah

Perumusan masalah yang ada pada penelitian ini dapat diuraikan sebagai berikut:

(16)

2

2 Bagaimana menerapkan pengklasifikasian K-Nearest Neighbour untuk permasalahan identifikasi daun Shorea.

Tujuan Penelitian

Tujuan penelitian ini adalah menerapkan teknik ekstraksi fitur menggunakan 2 Dimensional Principal Component Analysis dan teknik klasifikasi K-Nearest Neighbour 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 meliputi:

1 Data citra daun Shorea yang digunakan adalah 10 spesies Shorea. Setiap spesies memiliki 10 citra daun sehingga total data citra daun berjumlah 100 citra daun.

2 Teknik ekstraksi yang digunakan adalah metode 2 Dimensional Principal Component Analysis.

3 Metode yang digunakan sebagai klasifikasinya adalah metode K-Nearest Neighbour.

TINJAUAN PUSTAKA

Shorea

Shorea adalah salah satu jenis pohon hutan penghasil kayu utama Indonesia dan merupakan komoditas penting. Sebagai anggota suku Dipterocarpaceae, Shorea mendominasi hutan hujan dataran rendah di wilayah Indonesia bagian barat, dan merupakan marga terpenting yang paling banyak dieksploitasi di kawasan hutan basah Asia.

(17)

3

Metode 2 Dimensional Principal Component Analysis (2DPCA)

2 Dimensional Principal Component Analysis adalah teknik proyeksi citra yang dikembangkan dari teknik reduksi PCA yang telah terlebih dahulu dikenal. Kesulitan dalam teknik identifikasi citra daun pada PCA adalah citra daun harus diubah menjadi vektor dan vektor ini berukuran cukup besar sehingga tidak mudah untuk mengevaluasi matrik secara akurat bagi sejumlah sampel pelatihan. Citra daun yang sebagai matrik akan dilakukan proses reduksi untuk mencari ciri atau komponen utama setiap citra daun (Pratiwi 2010).

Algoritme 2 Dimensional Principal Component Analysis (2DPCA)

Suatu citra daun yang disimbolkan dengan A serta matrik berukuran (m × n) dan memiliki beberapa citra pelatihan Aj akan diproyeksikan ke dalam X untuk

mendapatkan vektor eigen dan nilai eigen dari matriks kovariannya (Yang dan Zhang 2004). Didapatkan proyeksi fitur dari citra A berupa Y seperti pada persamaan (1).

Y = AX (1)

Total jumlah penyebaran dari vektor X ditunjukkan dengan persamaan (2).

J(X) = tr(Sx) (2) Sx pada persamaan (2) merupakan matriks kovarian dari data pelatihan dan tr(Sx) merupakan trace (jejak) dari matriks kovarian Sx. Kovarian dari matriks Sx

dinotasikan dengan mengunakan persamaan (3) dan (4). Sx = E(Y - EY)(Y - EY)T

kovarian citra A dapat diperoleh persamaan (5).

(18)

4

Dari persamaan (2) akan diperoleh persamaan (6)

J(X) = XTGtX (6) Gt adalah matriks kovarian dari pelatihan. Setelah matriks kovarian dari citra A ditemukan, maka sekarang yang akan dicari adalah nilai eigen dan vektor eigen. Untuk mendapatkan nilai X yang optimal, diambil vektor eigen yang memiliki nilai eigen yang terbesar (X1, X2,.., d) yang akan memaksimalkan kriteria J(X)

adalah dengan dapat dilihat di persamaan (7).

{ X₁,…,Xd} = argmax J(X)

Xi T_,

Xj=0, i ≠ j,i,j=1, …,d

(7)

Setelah didapatkan nilai proyeksi vektor (X1,X2,..,d) dari citra, ekstraksi fitur

dari citra A sesuai dengan persamaan (8).

Yk = AXk (8)

k pada persamaan (8) adalah 1,2,...,d. Y1,Y2,...,Yd disebut sebagai principal component dari 2DPCA yang berupa vektor sedangkanpada PCA berupa skalar. B = [Y1,Y2,...,Yd]adalah matrik fitur atau feature image dari citrapelatihan.

Ilustrasi Proses 2DPCA

(19)

5 Kemudian dicari nilai eigen, proporsi, dan vektor eigen dengan kode pada MATLAB sebagai berikut:

[vektor_eigen nilai_eigen proporsi] = pcacov (Gt)

Hasil setelah kode tersebut dijalankan sebagai berikut: nilai_eigen = 11

Tahap selanjutnya adalah mencari kumulatif dari proporsi tersebut dengan kode sebagai berikut:

kontribusi = cumsum (proporsi) Hasil setelah kode tersebut dijalankan sebagai berikut:

kontribusi = 10050 100

Kolom pertama pada hasil vektor eigen menyatakan kontribusi nilai eigen sebesar 50%, kolom kedua menyatakan kontribusi nilai eigen 100%. Misalkan kontribusi nilai eigen yang digunakan 50%, berarti vektor eigen yang digunakan adalah pada kolom pertama. Untuk mendapatkan matriks transformasi data latih, vektor eigen yang sudah direduksi akan dikalikan dengan data latih citra awal.

A = 2 1 5

Data uji tersebut akan ditransformasikan agar dimensinya memiliki ukuran yang sama dengan data latih yang ada. Data uji tersebut akan dikalikan dengan vektor eigen yang telah direduksi.

Matriks transformasi data uji = 3 5 1 8 7 5

(20)

6

dihitung dengan membagi jumlah keseluruhan klasifikasi yang benar dengan jumlah semua instance pada data awal.

K-Nearest Neighbour

Metode klasifikasi yang dipakai pada penelitian ini adalah K-Nearest Neighbour (KNN) yang merupakan salah satu teknik klasifikasi yang membandingkan data uji yang diberikan dengan data latih untuk diklasifikasikan berdasarkan kedekatannya yang didefinisikan dengan ukuran jarak. Pengukuran jaraknya menggunakan jarak euclidean yang merupakan pengukuran jarak garis lurus antara satu titik dengan titik lain, dalam hal ini jarak antara vektor kolom uji dengan data latih (Yang dan Zhang 2004).

METODE

Penelitian ini dilakukan dengan beberapa tahapan proses untuk mengetahui tingkat akurasi yang diperoleh menggunakan ekstraksi fitur 2DPCA dan klasifikasi KNN dalam pengidentifikasian daun Shorea. Tahapan proses tersebut diilustrasikan dalam Gambar 2.

Pengumpulan Citra Daun

Pada proses pengumpulan citra daun ini 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.

Citra Daun

(21)

7

Gambar 2 Metodologi penelitian

Praproses Data

Pada penelitian ini sebelum dilakukan praproses, citra yang digunakan diubah terlebih dahulu arah daunnya menjadi searah. Model warna yang digunakan adalah model warna RGB dan grayscale. Model warna RGB akan dipisahkan, masing-masing menjadi komponen R, G, dan B.

Setelah itu ukuran citra yang semula berukuran 2736 × 3648 piksel akan di-resize menjadi ukuran 137 × 182. Proses resize dilakukan pada citra RGB dan grayscale. Hal ini dimaksudkan agar lebih cepat dalam melakukan pemrosesan

Transformasi Data Uji Vektor Transformasi

Pengumpulan Citra Daun Mulai

Data Latih

Ekstraksi 2DPCA

Data Uji Praproses Data

Perhitungan Akurasi Klasifikasi KNN

Selesai Citra Daun

Transformasi Data Latih

Matriks Transformasi

(22)

8

data ke tahap selanjutnya. Contoh salah satu jenis Shorea berukuran asli dapat dilihat pada Gambar 3.

Contoh citra yang direpresentasikan ke dalam komponen R, G, dan B dapat dilihat pada Gambar 4.

Pada tahapan praproses grayscale, ubah warna citra yang semulanya RGB menjadi grayscale. Grayscale berguna untuk ekstraksi citra menggunakan 2DPCA. Selain itu, grayscale juga dapat menyederhanakan model citra agar nilai yang dihasilkan tidak beragam. Citra hasil grayscale dan resize dapat dilihat pada Gambar 5.

Data Latih dan Data Uji

Pada pembagian data menggunakan k-fold cross-validation. Berdasarkan jumlah data, terdapat 10 citra untuk setiap jenis dibuat 5-fold cross-validation. Bentuk 5-fold cross-validation untuk data latih dan data uji dapat dilihat pada Tabel 1.

Gambar 5 Contoh citra Shorea hasil grayscale dan resize berukuran 137 × 182

Tabel 1 Bentuk 5-foldcross-validation dengan × = data latih dan ■ = data uji

(23)

9 Pada Tabel 1 dapat dilihat bahwa data citra daun Shorea dibagi menjadi 2 bagian adalah 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.

Ekstraksi dengan 2DPCA

Pada citra daun dilakukan proses ekstraksi ciri dengan menggunakan 2DPCA. Sebelum masuk ke ekstraksi 2DPCA, citra dilakukan praproses terlebih dahulu. Ekstraksi dengan 2DPCA bertujuan untuk mereduksi dimensi fitur. Dari hasil ekstraksi dengan 2DPCA akan diperoleh komponen utama berupa vektor eigen dan matriks transformasi. Vektor eigen diperoleh dengan mengambil nilai eigen yang terbesar yang dianggap mewakili dari kumpulan data yang ada. Vektor eigen ini diperoleh dari matriks kovarian untuk semua data latih yang ada. Langkah awal ekstraksi 2DPCA ini, semua citra data latih dicari rata-ratanya terlebih dahulu dan ilustrasi prosesnya dapat dilihat pada Gambar 6.

 [A1] 137 × 182

Gambar 6 Proses mencari rata-rata semua citra data latih

Setelah didapatkan matriks rataannya, kemudian dicari matriks kovarian untuk citra data latih dengan rumus sebagai berikut:

G_t= 1

adalah rata-rata data dari semua data latih. Kemudian akan diperoleh nilai eigen dari matriks kovarian tersebut yang mewakili karakteristik citra. Dari nilai eigen tersebut dapat dicari vektor eigen yang akan menghasilkan matriks ciri dari citra daun.

Rumus untuk mencari nilai eigen:

λI-G_t = 0 Rumus untuk mencari vektor eigen:

(24)

10

Pada vektor transformasi digunakan vektor eigen yang dari hasil proses 2DPCA. Vektor eigen ini akan direduksi sesuai dengan kontribusi nilai eigen yang digunakan pada penelitian ini. Hasil dari vektor transformasi ini adalah vektor eigen yang telah direduksi yang akan menjadi masukan pada tahap pembuatan transformasi data latih dan transformasi data uji.

Transformasi Data Latih

Transformasi data latih ini dilakukan untuk mengubah dimensi data latih yang akan digunakan. Data latih tersebut akan mengalami pengurangan dimensi karena proses reduksi vektor eigen.

Matriks Transformasi Data Latih

Semua data latih citra daun Shorea akan dibuat matriks transformasi data latih. Data latih citra daun Shorea sebanyak 8 citra pada masing-masing 10 spesies akan dikalikan dengan transformasi data latih yang berasal dari hasil perhitungan pada citra data latih sebelumnya. Ilustrasi proses pembuatan matriks transformasi data latih dapat dilihat pada Gambar 7.

Semua data latih sebanyak 80 citra, masing-masing dikalikan dengan vektor transformasi. A merupakan citra data latih yang kita gunakan dan X adalah transformasi data latih yang didapatkan dari vektor transformasi yang telah direduksi sesuai dengan kontribusi nilai eigen yang digunakan.

[A1] 137 x 182  B1 = A1X

(25)

11

Transformasi Data Uji

Transformasi data uji ini dilakukan agar data uji yang digunakan memiliki dimensi yang sama dengan data latih yang telah diproses sebelumnya. Data uji ini akan diproses lebih lanjut pada tahapan selanjutnya.

Matriks Transformasi Data Uji

Matriks transformasi data uji ini dibuat dari transformasi data uji yang telah direduksi dan diperoleh dari hasil proses 2DPCA pada data latih. Setiap citra daun yang akan diuji nantinya akan dikalikan dengan vektor eigen untuk mendapatkan matriks transformasinya. Ilustrasi proses ini sama seperti pada Gambar 7, tetapi pada tahap ini, jumlah A merupakan jumlah data uji yang akan diujicobakan.

Klasifikasi KNN

Data yang diperlukan dalam perhitungan KNN ini adalah hasil matriks transformasi data latih dan matriks transformasi data uji. Kedua matriks tersebut akan dibanding dengan menggunakan jarak Euclidean (jarak terdekat) antara vektor kolom matrik. Pengenalan citra uji dilakukan dengan klasifikasi KNN adalah mencari jarak terdekat antara data yang akan dievaluasi dengan k tetangga (neighbour) terdekatnya dalam datapelatihan.

Perhitungan Akurasi

Pada tahap ini akan dihitung nilai akurasi berdasarkan data hasil klasifikasi menggunakan jarak Euclidean untuk mengetahui tingkat keakuratan pengklasifikasian data tersebut. Tingkat akurasi dapat dihitung dengan cara:

Akurasi = data uji benar diklasifikasikan

data uji x 100%

Lingkungan Pengembangan

Sistem ini dikembangkan dan diimplementasikan dengan menggunakan perangkat keras dan perangkat lunak sebagai berikut:

1 Perangkat Keras:

 Intel(R) Core(TM) i3-2310M CPU @2.10 GHz

 Memori 2 GB

 Harddisk kapasitas 500 GB 2 Perangkat Lunak:

 Windows 7 Ultimate sebagai sistem operasi

 Matlab 7.7 (R2008b)

(26)

12

HASIL DAN PEMBAHASAN

Pada penelitian ini digunakan 10 spesies daun Shorea adalah Shorea javanica, Shorea johorensis, Shorea lepida, Shorea leprosula, Shorea marcoptera, Shorea materialis, Shorea palembanica, Shorea pinanga, Shorea platycados,dan Shorea seminis. Masing-masing 10 jenis Shorea tersebut memiliki 10 data citra. Data latih sebanyak 8 citra dan 2 citra data uji untuk masing-masing 10 spesies. Sehingga total data latih sebanyak 80 citra dan 20 citra sebagai data uji.

Penelitian ini terdiri atas 4 percobaan, pada setiap percobaan akan digunakan data model warna citra dengan komponen warna yang berbeda-beda dan akan dikombinasikan dengan 3 kontribusi nilai eigen yang digunakan pada penelitian ini. Tabel rancangan percobaan yang akan dilakukan dapat dilihat pada Tabel 2 dan tabel kontribusi nilai eigen yang digunakan dapat dilihat pada Tabel 3.

Pembagian data akan dibagi menjadi kelompok data menggunakan 5-fold cross validation. Setiap fold akan diujicobakan dengan kombinasi komponen warna seperti R, G, B, dan grayscale serta 3 kontribusi nilai eigen adalah 85%, 95%, 99% dan nilai untuk KNN dengan k = 1, 3, 5 dan 7 yang akan diuraikan pada percobaan 1, percobaan 2, percobaan 3, dan percobaan 4.

Pada tahap awal, citra data latih akan dilakukan praproses data dan ekstraksi 2DPCA. Citra awal yang berukuran 2736 × 3648 akan di-resize menjadi ukuran 137 × 182. Pada proses ekstraksi 2DPCA akan menghasilkan matriks kovarian berukuran 182 × 182, akan menghasilkan 182 nilai eigen dan vektor eigen dengan ukuran 182 × 182. Kontribusi nilai eigen yang digunakan pada penelitian ini adalah 85%, 95% dan 99% sehingga ukuran vektor eigen setelah direduksi dapat dilihat pada Tabel 4.

Tabel 4 Ukuran vektor eigen

Kontribusi nilai eigen Ukuran vektor eigen

85 % 182 × 4

95 % 182 × 15

99 %

(27)

13 Kemudian hasil vektor eigen tersebut akan dikalikan dengan data citra baru sebagai data uji yang berukuran 137 × 182, ukuran citra yang akan dihasilkan untuk 3 kontribusi nilai eigen yang digunakan dapat dilihat pada Tabel 5.

Hasil dari data latih dan data uji pada proses 2DPCA akan diklasifikasikan dengan menggunakan metode KNN untuk pengidentifikasian jenis Shorea.

Percobaan 1: Komponen R untuk Citra Model Warna RGB

Pada percobaan 1 ini citra daun yang digunakan adalah komponen R dari citra model warna RGB. Hasil akurasi yang didapatkan pada percobaan ini dapat dilihat pada Tabel 6 untuk kontribusi nilai eigen 85%.

Hasil dari kontribusi nilai eigen 85% ini menghasilkan rata-rata akurasi maksimum sebesar 70% pada k = 7. Grafik akurasi untuk setiap jenis Shorea pada percobaan 1 dengan kontribusi nilai eigen 85% ini dapat dilihat pada Gambar 8. Tabel 5 Ukuran citra yang dipakai

Kontribusi nilai eigen Ukuran citra

85 % 137 × 4

95 % 137 × 15

99 % 137 × 74

Gambar 8 Grafik tingkat akurasi setiap jenis Shorea pada komponen R dan kontribusi nilai eigen 85% dengan k = 7

Tabel 6 Hasil akurasi komponen R dengan kontribusi nilai eigen 85% Fold Akurasi nilai k (%)

1 3 5 7

1 65 65 60 60

2 70 70 70 75

3 70 65 60 60

4 60 70 80 80

5 50 65 70 75

(28)

14

Berdasarkan pada percobaan 1 dengan kontribusi nilai eigen 85%, jenis Shorea yang menghasilkan akurasi tertinggi dengan akurasi mencapai 100% adalah Shorea platycados. Jenis Shorea tersebut dapat teridentifikasi dengan baik karena memiliki ukuran daun yang berbeda dengan jenis Shorea lainnya. Ukuran daun platycados ini cenderung lebih kecil daripada jenis Shorea lainnya. Shorea javanica dan lepida diklasifikasikan dengan baik sehingga menghasilkan akurasi 90%. Shorea yang menghasilkan akurasi terendah adalah Shorea materialis dengan akurasi 20%. Shorea materialis ini salah teridentifikasi sebanyak 3 data uji sebagai Shorea javanica dan pinanga. Kesalahan identifikasi tersebut dapat disebabkan oleh kesamaan ukuran dengan jenis Shorea lainnya. Untuk mengetahui record yang salah diklasifikasikan dapat dilihat pada confusion matrix yang dilampirkan pada Lampiran 1.

Hasil akurasi yang didapatkan pada percobaan 1 untuk kontribusi nilai eigen 95% dapat dilihat pada Tabel 7.

Percobaan 1 dengan kontribusi nilai eigen 95% ini menghasilkan rata-rata akurasi maksimum sebesar 68% pada k = 7. Grafik akurasi untuk setiap jenis Shorea pada percobaan 1 dengan kontribusi nilai eigen 95% ini dapat dilihat pada Gambar 9.

Pada kontribusi nilai eigen 95% ini, jenis Shorea platycados dapat teridentifikasi dengan akurasi 100% dari semua data yang diujikan. Akurasi yang

Gambar 9 Grafik tingkat akurasi setiap jenis Shorea pada komponen R dan kontribusi nilai eigen 95% dengan k = 7

(29)

15 terendah pada kontribusi 95% ini sama dengan pada kontribusi nilai eigen 85% adalah Shorea materialis. Pada kontribusi 95% ini materialis menghasilkan akurasi 0%. Shorea Materialis ini banyak teridentifikasi sebagai javanica sebanyak 4 data uji yang salah teridentifikasi dan sebagian lagi teridentifikasi sebagai pinanga dengan salah teridentifikasi sebanyak 3 data uji. Kemiripan ukuran daun menjadi penyebab salah pengidentifikasian jenis Shorea tersebut.

Kontribusi nilai eigen 99% pada percobaan 1 ini, hasil akurasinya dapat dilihat pada Tabel 8.

Rata-rata akurasi maksimum dari percobaan 1 dengan kontribusi nilai eigen 99% ini menghasilkan akurasi sebesar 55% pada k = 5 dan k = 7. Grafik akurasi untuk setiap jenis Shorea pada percobaan 1 dengan kontribusi nilai eigen 99% ini dapat dilihat pada Gambar 10.

Berdasarkan pada Gambar 10 tersebut, jenis Shorea platycados konsisten di setiap kontribusi nilai eigen menghasilkan akurasi tertinggi sebesar 100%. Akurasi terendah tetap dihasilkan oleh Shorea materialis yang tidak dapat teridentifikasi dengan akurasi 0%. Ukuran daun yang cenderung mirip dengan Shorea javanica menyebabkan Shorea materialis ini menghasilkan akurasi terendah. Untuk mengetahui record yang salah diklasifikasikan dapat dilihat pada confusion matrix yang dilampirkan pada Lampiran 3.

Tabel 8 Hasil akurasi komponen R dengan kontribusi nilai eigen 99% Fold Akurasi nilai k (%) ₁ ₃ ₅ ₇

1 50 50 40 40

2 65 55 55 55

3 45 45 50 55

4 45 55 65 65

5 50 65 65 60

Rata-rata 51 54 55 55

(30)

16

Shorea materialis tidak ada yang dapat teridentifikasi dari 10 data uji yang diujicobakan. Hasilnya materialis cenderung mirip ke jenis Shorea javanica. Pada Gambar 11 dapat dilihat kemiripan citra Shoreamaterialis dan javanica dari segi ukuran dan struktur tulang daunnya.

Perbandingan Akurasi antara Kontribusi Nilai Eigen 85%, 95%, dan 99% pada Citra Komponen R

Dapat dilihat pada percobaan 1 ini dengan komponen R, perbandingan antara kontribusi nilai eigen 85%, 95%, dan 99% pada setiap kenaikan kontribusi nilai eigennya mengalami penurunan akurasi. Akurasi terbaik dihasilkan oleh kontribusi nilai eigen 85% sebesar 70%. Grafik perbandingan akurasi untuk setiap kontribusi nilai eigen ini dapat dilihat pada Gambar 12.

Perbandingan grafik untuk setiap jenis Shorea pada semua kontribusi nilai eigen dapat dilihat pada Gambar 13. Pada Gambar 13 tersebut dapat dilihat bahwa pada jenis Shorea javanica, lepida, platycados untuk setiap kontribusi nilai eigen menghasilkan akurasi yang sama, berarti kontribusi nilai eigen tidak terlalu berpengaruh pada jenis Shorea tersebut. Jenis Shorea johorensis mengalami penurunan di setiap kontribusi nilai eigen, dapat disimpulkan semakin besar kontribusi yang digunakan akan semakin menurunkan akurasi johorensis yang dihasilkan. Pada jenis Shorea materialis akurasi yang dihasilkan lebih rendah dibanding dengan jenis Shorea lainnya pada setiap kontribusi nilai eigen.

(a) (b)

Gambar 11 Kemiripan Shoreamaterialis (a) dan javanica (b)

(31)

17

Percobaan 2 : Komponen G untuk Citra Model Warna RGB

Percobaan 2 ini menggunakan komponen G dari citra RGB untuk data citra daun yang akan digunakan. Komponen G ini diujicobakan dengan kontribusi nilai eigen sebesar 85%, 95%, dan 99%. Hasil akurasi pada percobaan 2 ini dengan kontribusi nilai eigen 85 % dapat dilihat pada Tabel 9.

Hasil dari percobaan 2 dengan kontribusi nilai eigen 85% menghasilkan rata-rata akurasi maksimum sebesar 75% pada k = 3. Grafik akurasi untuk setiap jenis Shorea pada percobaan 2 dengan kontribusi nilai eigen 85% ini dapat dilihat pada Gambar 14.

Pada Gambar 14 tersebut dapat dianalisis bahwa Shorea platycados dan seminis dapat teridentifikasi dengan akurasi tertinggi adalah 100%, sedangkan marcoptera serta materialis teridentifikasi dengan akurasi terendah dengan nilai akurasi sebesar 50%. Shorea marcoptera salah diklasifikasikan sebagai jenis Shorea johorensis dengan 3 data uji yang salah diidentifikasikan. Pada jenis Shorea materialis salah teridentifikasi sebanyak 2 data uji sebagai jenis Shorea pinanga. Pada percobaan 2 ini mengalami peningkatan akurasi dibanding dengan

Gambar 13 Grafik perbandingan akurasi jenis Shorea untuk setiap kontribusi nilai eigen pada komponen R

Tabel 9 Hasil akurasi komponen G dengan kontribusi nilai eigen 85% Fold Akurasi nilai k (%)

1 3 5 7

1 75 80 75 75

2 75 75 80 80

3 70 75 70 70

4 65 80 80 75

5 55 65 65 65

(32)

18

percobaan 1. Peningkatan ini dipengaruhi oleh penggunaan komponen G, karena komponen G merupakan unsur warna hijau yang dapat mewakili ciri dari citra daun pada penelitian ini. Untuk mengetahui record yang salah diklasifikasikan dapat dilihat pada confusion matrix yang dilampirkan pada Lampiran 4.

Hasil akurasi untuk kontribusi nilai eigen 95% pada komponen G ini dapat dilihat pada Tabel 10.

Hasil rata-rata akurasi maksimum pada komponen G dengan nilai kontribusi eigen 95% sebesar 72% pada k = 3. Grafik akurasi untuk setiap jenis Shorea pada percobaan 2 dengan kontribusi nilai eigen 95% ini dapat dilihat pada Gambar 15. Hasil akurasi pada percobaan ini dengan komponen G dan kontribusi nilai eigen 95% menghasilkan jenis Shorea platycados dapat teridentifikasi dengan akurasi tertinggi sebesar 100%. Shorea seminis juga dapat diklasifikasikan dengan baik dengan akurasi 90%. Akurasi terendah sebesar 40% teridentifikasi pada jenis Shorea marcoptera. Pada jenis marcoptera dengan 2 data uji yang salah diidentifikasikan sebagai Shorea lepida dan leprosula. Untuk mengetahui record yang salah diklasifikasikan dapat dilihat pada confusion matrix yang dilampirkan pada Lampiran 5.

Gambar 14 Grafik tingkat akurasi setiap jenis Shorea pada komponen G dan kontribusi nilai eigen 85% dengan k = 3

Tabel 10 Hasil akurasi komponen G dengan kontribusi nilai eigen 95% Fold Akurasi nilai k (%)

1 3 5 7

1 70 80 60 60

2 80 80 70 70

3 70 65 60 65

4 70 75 70 70

5 45 60 70 65

(33)

19

Hasil akurasi yang didapatkan pada percobaan 2 untuk kontribusi nilai eigen 99% dapat dilihat pada Tabel 11.

Percobaan 2 dengan kontribusi nilai eigen 99% ini menghasilkan rata-rata akurasi maksimum sebesar 63% pada k = 5. Grafik akurasi untuk setiap jenis Shorea dengan kontribusi nilai eigen 99% ini dapat dilihat pada Gambar 16. Tabel 11 Hasil akurasi komponen G dengan kontribusi nilai eigen 99%

Fold Akurasi Nilai k (%)

1 3 5 7

1 55 55 50 60

2 65 60 65 60

3 65 65 65 60

4 55 60 65 65

5 55 70 70 65

Rata-rata 59 62 63 62

Gambar 16 Grafik tingkat akurasi setiap jenis Shorea pada komponen G dan kontribusi nilai eigen 95% dengan k = 5

(34)

20

Pada percobaan 2 dengan kontribusi nilai eigen 99% ini, jenis Shorea platycados dapat teridentifikasi dengan akurasi tertinggi sebesar 100%. Akurasi terendah pada jenis Shoreajohorensis dan materialis dengan akurasi 10%, berarti dapat diklasifikasikan dengan benar sebanyak 1 data uji dari 10 data yang diujikan. Shorea johorensis salah diklasifikasikan sebagai leprosula dan pinanga sebanyak 3 data uji dan Shoreamaterialis salah teridentifikasi sebagai jenis Shoreajavanica dan leprosula sebanyak 3 data uji. Untuk mengetahui record yang salah diklasifikasikan dapat dilihat pada confusion matrix yang dilampirkan pada Lampiran 6.

Shorea johorensis tidak dapat teridentifikasi sebanyak 6 data uji dari 10 data uji yang diujicobakan. Hasilnya johorensis cenderung mirip ke jenis Shorea pinanga. Pada Gambar 17 dapat dilihat kemiripan citra Shorea johorensis dan pinanga dari segi ukuran daun.

Perbandingan Akurasi antara Kontribusi Nilai Eigen 85%, 95%, dan 99% pada Citra Komponen G

Perbandingan pada kontribusi nilai eigen ini menghasilkan akurasi tertinggi sebesar 75% pada kontribusi nilai eigen 85%. Semakin bertambah kontribusi nilai eigennya, akurasi yang diperoleh semakin menurun. Kontribusi nilai eigen 99% cenderung menghasilkan akurasi yang lebih rendah dibanding dengan kontribusi nilai eigen 85% dan 95%. Grafik perbandingan akurasi untuk setiap kontribusi nilai eigen ini dapat dilihat pada Gambar 18.

(a) (b)

Gambar 17 Kemiripan Shorea johorensis (a) dan pinanga (b)

(35)

21 Pada Gambar 19 dapat dilihat grafik hasil akurasi untuk setiap jenis Shorea pada semua kontribusi nilai eigen. Pada komponen G ini yang memiliki akurasi yang sama di setiap kontribusi nilai eigen adalah jenis Shorea lepida dan platycados. Hal ini dapat dianalisis bahwa kontribusi nilai eigen tersebut tidak terlalu mempengaruhi hasil akurasi pada komponen G ini. Untuk hasil akurasi terendah pada komponen G ini ada 2 jenis Shorea yang termasuk ke dalamnya adalah Shorea johorensis dan materialis. Kontribusi nilai eigen pada Shorea johorensis dan materialis mempengaruhi perolehan akurasi, pada kontribusi 99% hasil akurasi lebih rendah dibandingan dengan kontribusi lainnya.

Percobaan 3 : Komponen B untuk Citra Model Warna RGB

Komponen B dari citra model warna RGB yang akan digunakan untuk percobaan 3 ini. Percobaan ini sama seperti pada percobaan 1 dan 2, komponen B ini dikombinasikan dengan 3 kontribusi nilai eigen adalah 85%, 95%, dan 99%. Hasil akurasi yang didapatkan pada percobaan 3 ini dengan kontribusi nilai eigen 85% dapat dilihat pada Tabel 12.

Tabel 12 Hasil akurasi komponen B dengan kontribusi nilai eigen 85% Fold Akurasi nilai k (%)

1 3 5 7

1 70 70 60 55

2 65 65 65 70

3 60 60 55 55

4 65 60 70 75

5 55 65 70 65

Rata-rata 63 64 64 64

(36)

22

Hasil dari percobaan 3 menghasilkan rata-rata akurasi maksimum sebesar 64% pada k = 3, 5, dan 7. Tetapi yang akan dibahas adalah k yang terbesar adalah pada k = 7. Grafik akurasi untuk setiap jenis Shorea pada percobaan 3 dengan kontribusi nilai eigen 85% ini dapat dilihat pada Gambar 20.

Pada komponen B ini akurasi yang dihasilkan menurun dibanding dengan percobaan menggunakan komponen R dan G. Jenis Shorea platycados selalu dapat teridentifikasi dengan benar sehingga menghasilkan akurasi 100%. Jenis Shorea javanica dan lepida dapat terklasifikasikan dengan akurasi 90%. Akurasi yang paling rendah adalah Shorea materialis, jenis ini tidak dapat teridentifikasi sama sekali sehingga menghasilkan akurasi 0%. Shoreajohorensis termasuk jenis Shorea yang menghasilkan akurasi terendah kedua dengan akurasi 10%. Shorea johorensis dan materialis tersebut salah diklasifikasikan ke jenis Shoreapinanga. Pada Shorea johorensis ada sebanyak 7 data uji yang salah diklasifikasikan ke dalam pinanga, sedangkan materialis sebanyak 3 data uji yang salah teridentifkasikan. Untuk mengetahui record yang salah diklasifikasikan dapat dilihat pada confusion matrix yang dilampirkan pada Lampiran 7.

Kontribusi nilai eigen 95% pada percobaan yang menggunakan komponen B dari citra RGB ini menghasilkan akurasi yang dapat dilihat pada Tabel 13.

Gambar 20 Grafik tingkat akurasi setiap jenis Shorea pada komponen B dan kontribusi nilai eigen 85% dengan k = 7

Tabel 13 Hasil akurasi komponen B dengan kontribusi nilai eigen 95% Fold Akurasi nilai k (%)

1 3 5 7

1 65 70 60 60

2 65 60 65 70

3 45 45 45 55

4 55 50 65 65

5 50 65 70 75

(37)

23 Dari percobaan 3 ini yang menggunakan kontribusi nilai eigen 95% dan komponen B menghasilkan rata-rata akurasi maksimum sebesar 65% pada nilai k = 7. Grafik akurasi untuk setiap jenis Shorea pada percobaan 3 dengan kontribusi nilai eigen 95% ini dapat dilihat pada Gambar 21.

Hasil pada percobaan 3 ini dengan kontribusi nilai eigen 95%, Shorea javanica dan platycados menghasilkan akurasi tertinggi dengan akurasi 100%. Untuk jenis Shorea lepida dan pinanga teridentifikasi dengan akurasi 90%. Pada jenis Shorea johorensis dan materialis hanya dapat diklasifikasikan sebesar 10%. Hal ini dikarenakan jenis Shorea johorensis salah teridentifikasi sebagai pinanga sebanyak 7 data uji, dan Shorea materialis teridentifikasi sebagai javanica sebanyak 6 data uji yang salah diklasifikasikan. Kemiripan ukuran daun yang sama menjadi penyebab kesalahan identifikasi. Untuk mengetahui record yang salah diklasifikasikan dapat dilihat pada confusion matrix yang dilampirkan pada Lampiran 8.

Pada kontribusi nilai eigen 99% pada komponen B ini menghasilkan akurasi yang dapat dilihat pada Tabel 14.

Hasil rata-rata akurasi maksimum pada percobaan ini dengan kontribusi nilai eigen 99% adalah 51% pada k = 5. Grafik akurasi untuk setiap jenis Shorea pada percobaan 3 dengan kontribusi nilai eigen 99% ini dapat dilihat pada Gambar 22.

Gambar 21 Grafik tingkat akurasi setiap jenis Shorea pada komponen B dan kontribusi nilai eigen 95% dengan k = 7

(38)

24

Pada Gambar 22 tersebut dapat dilihat dengan nilai k = 5 bahwa materialis memiliki akurasi yang terendah adalah 0%. Shorea materialis teridentifikasi sebagai javanica dengan salah diklasifikasikan sebanyak 5 data ujidan johorensis teridentifikasi sebagai pinanga dengan akurasi 10%. Shorea lepida dan pinanga menghasilkan akurasi mencapai 90%. Untuk akurasi tertinggi, jenis Shorea javanica dan platycados dapat diklasifikasikan dengan benar hingga mencapai 100%. Untuk mengetahui record yang salah diklasifikasikan dapat dilihat pada confusion matrix yang dilampirkan pada Lampiran 9.

Perbandingan Akurasi antara Kontribusi Nilai Eigen 85%, 95%, dan 99% pada Citra Komponen B

Nilai akurasi yang dihasilkan pada perbandingan ini dapat diketahui bahwa pada kontribusi nilai eigen 95% dan nilai k = 7 menghasilkan rata-rata akurasi terbaik adalah 65%. Pada kontribusi nilai eigen 85% menghasilkan akurasi 64%, kemudian meningkat 1% pada kontribusi 95%. Tetapi pada saat kontribusi nilai eigen 99%, mengalami penurunan akurasi menjadi 51%. Grafik perbandingan akurasi untuk setiap kontribusi nilai eigen ini dapat dilihat pada Gambar 23.

Gambar 23 Grafik perbandingan akurasi setiap kontribusi nilai eigen pada komponen B

(39)

25 Grafik hasil akurasi untuk setiap jenis Shorea pada semua kontribusi nilai eigen dapat dilihat pada Gambar 24. Dari grafik tersebut dapat dilihat bahwa jenis Shorea johorensis dan materialis hanya dapat teridentifikasi ke dalam jenisnya sekitar 10%, sedangkan pada Shorea materialis tidak dapat teridentifikasi sama sekali dengan kontribusi nilai eigen 85% dan 99%. Jenis Shorea lepida dapat diklasifikasikan sebanyak 9 data uji yang benar sehingga hanya 1 yang salah diklasifikasikan. Shorea platycados menghasilkan akurasi yang tertinggi dan stabil di setiap kontribusi nilai eigennya. Pada jenis marcoptera, palembanica, dan seminis hasil akurasi yang diperoleh mengalami penurunan akurasi di setiap kenaikan kontribusi nilai eigennya.

Percobaan 4 : Model Citra Grayscale

Pada percobaan 4 ini data citra yang digunakan adalah data yang mengalami proses grayscale. Percobaan ini menggunakan 3 kontribusi nilai eigen adalah 85%, 95%, dan 99%. Hasil akurasi pada percobaan ini dapat dilihat pada Tabel 15. Tabel 15 Hasil akurasi citra grayscale dengan kontribusi nilai eigen 85%

Fold Akurasi nilai k (%)

1 3 5 7

1 70 65 70 60

2 70 70 70 80

3 65 65 60 65

4 70 70 75 75

5 55 65 65 70

Rata-rata 66 67 68 70

(40)

26

Hasil rata-rata akurasi maksimum pada percobaan 4 ini dengan citra grayscale dan kontribusi nilai eigen 85% adalah 70% pada nilai k = 7. Grafik akurasi untuk setiap jenis Shorea pada percobaan 4 dengan kontribusi nilai eigen 85% ini dapat dilihat pada Gambar 25.

Pada percobaan 4 ini, akurasi tertinggi mencapai 100% dapat diidentifikasikan ke dalam jenis Shoreaplatycados. Jenis Shoreajavanica, lepida, seminis teridentifikasi mencapai akurasi 90%. Hasil akurasi terendah pada jenis Shorea materialis dengan akurasi 30%. Shorea materialis salah teridentifikasi sebagai jenis Shorea pinanga dengan salah diklasifikasikan sebanyak 2 data uji. Untuk meningkatkan Shorea materialis, dapat ditambahkan variasi data uji latih agar dapat meningkatkan akurasi dari Shorea materialis. Untuk mengetahui record yang salah diklasifikasikan dapat dilihat pada confusion matrix yang dilampirkan pada Lampiran 10.

Pada kontribusi nilai eigen 95% dengan komponen warna grayscale, hasil akurasi yang diperoleh dapat dilihat pada Tabel 16.

Rata-rata akurasi maksimum diperoleh dari kontribusi nilai eigen 95% adalah 69% pada nila k = 7. Grafik akurasi untuk setiap jenis Shorea pada percobaan 4 dengan kontribusi nilai eigen 95% ini dapat dilihat pada Gambar 26.

Gambar 25 Grafik tingkat akurasi setiap jenis Shorea pada citra grayscale dan kontribusi nilai eigen 85% dengan k = 7

Tabel 16 Hasil akurasi citra grayscale dengan kontribusi nilai eigen 95%

Akurasi nilai k (%)

1 3 5 7

(41)

27

Pada percobaan 4 ini, akurasi terendah terdapat pada Shoreamaterialis yang mendapatkan akurasi 0%. Shorea materialis teridentifikasi sebagai javanica, leprosula, dan pinanga sebanyak 3 data uji yang salah diklasifikasikan. Shorea javanica, lepida, pinanga dan seminis teridentifikasi dengan akurasi 90% serta akurasi tertinggi terdapat pada Shorea platycados hingga mencapai 100%. Kesalahan pengidentifikasian dapat dikarenakan oleh kemiripan ukuran daun dengan jenis Shorea lainnya. Untuk mengetahui record yang salah diklasifikasikan dapat dilihat pada confusion matrix yang dilampirkan pada Lampiran 11.

Citra grayscale dengan kontribusi nilai eigen 99% pada percobaan 4 ini menghasilkan akurasi yang dapat dilihat pada Tabel 17.

Hasil rata-rata akurasi maksmium terdapat pada k = 3 dengan akurasi nilai mencapai 62%. Grafik akurasi untuk setiap jenis Shorea pada percobaan 4 dengan kontribusi nilai eigen 99% ini dapat dilihat pada Gambar 27. Hasil yang didapatkan pada percobaan ini adalah platycados teridentifikasi dengan akurasi 100%. Shorea lepida teridentifikasi dengan akurasi 90% dan javanica serta pinanga menghasilkan akurasi 80%. Akurasi terendah sebesar 20% pada jenis Shorea johorensis. Pada Shorea johorensis salah teridentifikasi sebanyak 2 data uji sebagai leprosula dan pinanga. Shorea marcoptera salah teridentifikasi sebanyak 6 data uji sebagai pinanga. Ukuran daun yang memiliki kemiripan

(42)

28

merupakan faktor yang paling mempengaruhi hasil akurasi. Untuk mengetahui record yang salah diklasifikasikan dapat dilihat pada confusion matrix yang dilampirkan pada Lampiran 12.

Perbandingan Akurasi antara Kontribusi Nilai Eigen 85%, 95%, dan 99% pada Citra Grayscale

Nilai akurasi yang dihasilkan menggunakan kontribusi nilai eigen 85%, 95%, dan 99% yang terdapat pada percobaan 4 ini dapat diketahui bahwa kontribusi nilai eigen 85% dan nilai k = 7 menghasilkan rata-rata akurasi terbaik adalah 70%. Grafik perbandingan akurasi untuk setiap kontribusi nilai eigen ini dapat dilihat pada Gambar 28.

Gambar 29 menunjukan grafik perbandingan akurasi jenis Shorea untuk setiap kontribusi nilai eigen pada citra grayscale. Pada perbandingan citra grayscale ini akurasi tertinggi dihasilkan oleh Shorea platycados dengan akurasi 100%. Untuk hasil akurasi terendah ada pada jenis Shorea johorensis dan materialis. Pada kontribusi nilai eigen 95%, Shorea materialis tidak dapat

(43)

29 teridentifikasi dengan benar sehingga menghasilkan akurasi terendah dengan nilai akurasi 0%. Jenis Shorea johorensis dan materialis ini sulit teridentifikasi sebagai kelasnya sendiri dikarenakan ukuran Shorea tersebut memiliki kemiripan dengan jenis Shorea yang lainnya.

Perbandingan Akurasi antara R, G, B dan Grayscale

Percobaan ini akan membandingkan komponen warna R, G, B, dan grayscale pada setiap kontribusi nilai eigen. Grafik perbandingan akurasi pada kontribusi nilai eigen 85% untuk setiap jenis Shorea dapat dilihat pada Gambar 30.

Gambar 30 ini menunjukan akurasi terbaik diperoleh oleh komponen G dari citra RBG dengan akurasi 75%. Data citra daun ini paling dominan berwarna hijau

Gambar 29 Grafik perbandingan akurasi jenis Shorea untuk setiap kontribusi nilai eigen pada citra grayscale

(44)

30

yang merupakan unsur yang paling banyak terdapat pada citra daun penelitian ini. Shorea javanica, lepida, dan platycados menghasilkan akurasi yang sama di semua komponen warna.

Perbandingan komponen R, G, B, dan grayscale pada kontribusi nilai eigen 95% dapat dilihat pada Gambar 31. Pada grafik ini akan ditampilkan akurasi setiap jenis Shorea berdasarkan komponen warna seperti R, G, B, dan grayscale.

Pada perbandingan kontribusi nilai eigen 95% pun rata-rata akurasi yang memperoleh nilai terbaik pada komponen G mencapai 72%. Berarti komponen G ini merupakan unsur yang paling berpengaruh dalam penelitian ini sehingga menghasilkan akurasi yang terbaik untuk setiap kontribusi nilai eigen. Shorea lepida dan platycados yang menghasilkan akurasi yang stabil di setiap komponen warna R, G, B, dan grayscale.

Pada kontribusi nilai eigen 99% untuk perbandingan komponen R, G, B dan grayscale dapat dilihat pada Gambar 32.

Gambar 31 Grafik perbandingan R, G, B, dan grayscale pada kontribusi nilai eigen 95%

(45)

31 Pada perbandingan ini kesalahan pengidentifikasian pada komponen R, G, B dan grayscale hampir sama, contohnya jenis Shorea materialis sering teridentifikasi sebagai javanica di setiap komponen warna yang diujicobakan. Tetapi akurasi terendah untuk Shoreamaterialis terdapat pada komponen R dan B dengan akurasi 0%. Pada komponen G pun materialis hanya memperoleh akurasi 10%. Komponen G dan grayscale yang paling memberikan pengaruh terhadap identifikasi yang benar sehingga akurasinya lebih baik dibanding dengan komponen warna R dan B.

Perbandingan Akurasi Jenis Shorea Berdasarkan Komponen R, G, B dan

Grayscale pada Setiap Kontribusi Nilai Eigen

Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi nilai eigen pada Shoreajavanica dapat dilihat pada Gambar 33.

Pada perbandingan di jenis Shorea javanica ini, komponen R menghasilkan akurasi yang stabil untuk semua kontribusi nilai eigen dengan nilai akurasi yang cukup baik sebesar 90%. Pada komponen B di kontribusi nilai eigen 95% dan 99%, javanica ini dapat teridentifikasi dengan tepat dengan akurasi 100%.

Gambar 34 Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi nilai eigen pada Shorea johorensis

(46)

32

Hasil yang dapat dianalisis dari Gambar 34 ini, komponen G menghasilkan akurasi yang lebih tinggi dibanding komponen lainnya untuk semua kontribusi nilai eigen. Shorea johorensis ini tidak dapat diidentifikasi dengan baik jika menggunakan komponen B, karena menghasilkan akurasi yang rendah sekitar 10% tingkat kebenarannya. Pada kontribusi nilai eigen 99% hasil akurasi menghasilkan akurasi yang menurun dibanding dengan kontribusi nilai eigen 85% dan 95%.

Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi nilai eigen pada Shorea lepida dapat dilihat pada Gambar 35. Berdasarkan grafik tersebut, pada Shorea lepida ini menghasilkan akurasi yang stabil di semua komponen warna dan kontribusi nilai eigen. Akurasi yang dihasilkan Shorea lepida ini adalah 90%, berarti hanya salah teridentifikasi sebanyak 1 data uji dari 10 data uji yang telah diujicobakan.

Berdasarkan grafik yang terdapat pada Gambar 36, Shorea leprosula memiliki akurasi terendah pada komponen B dengan kontribusi nilai eigen 99%. Jika akurasi komponen R, G, dan grayscale dirata-ratakan, ketiga komponen

Gambar 36 Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi nilai eigen pada Shorealeprosula

(47)

33 tersebut masing-masing menghasilkan akurasi sebesar 70%. Akurasi yang lebih baik dibanding dengan komponen B.

Pada grafik yang disajikan pada Gambar 37 dapat disimpulkan bahwa komponen yang baik untuk jenis Shorea marcoptera ini adalah komponen B. Komponen ini dapat menghasilkan akurasi yang cukup baik pada kontribusi nilai eigen 85%. Dilihat pada Gambar 37, kontribusi nilai eigen 99% memiliki akurasi yang terendah dibandingan dengan kontribusi nilai eigen 85% dan 95%.

Berdasarkan grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi nilai eigen pada Shoreamaterialis yang dapat dilihat pada Gambar 38. Akurasi Shorea materialis ini menghasilkan akurasi yang terendah di setiap komponen warna dan kontribusi nilai eigen. Pada komponen R di kontribusi nilai eigen 95% dan 99% serta komponen B pada kontribusi nilai eigen 85% dan 99% ini menghasilkan akurasi 0%. Akurasi yang terbaik yang diperoleh oleh materialis ini sebesar 50% pada komponen G.

Gambar 38 Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi nilai eigen pada Shoreamaterialis

(48)

34

Hasil yang dapat disimpulkan pada Gambar 39 ini adalah komponen yang berpengaruh dalam pengidentifkasian jenis Shorea palembanica ini adalah komponen grayscale. Komponen ini menghasilkan akurasi sebesar 80% untuk kontribusi nilai eigen 85% dan 95%. Pada komponen R dan B, akurasi yang dihasilkan cenderung menurun di setiap kenaikan kontribusi nilai eigen.

Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi nilai eigen pada Shorea pinanga dapat dilihat pada Gambar 40. Akurasi yang dihasilkan pinanga ini cukup baik di setiap komponen warna dan kontribusi nilai eigen. Rata-rata menghasilkan akurasi antara 60% sampai 90% untuk jenis Shorea ini. Pada komponen G, akurasi yang dihasilkan meningkat di setiap kenaikan kontribusi nilai eigen.

Hasil akurasi Shorea platycados pada perbandingan R, G, B, dan grayscale untuk setiap kontribusi nilai eigen pada jenis Shorea ini sangat baik, karena menghasilkan akurasi 100%. Shorea platycados ini teridentifikasi dengan baik, karena di semua komponen baik itu R, G, B, maupun grayscale dapat diidentifikasikan dengan tepat semua data yang diujicobakan. Pada berapa pun kontribusi nilai eigen yang digunakan, platycados ini akan teridentifikasi dengan

Gambar 40 Grafik perbandingan R, G, B, dan grayscale untuk setiap kontribusi nilai eigen pada Shoreapinanga

(49)

35 akurasi tinggi sebesar 100%. Hal ini dikarenakan, ukuran platycados berbeda dengan jenis Shorea lainnya. Platycados ini memiliki ukuran yang lebih kecil dari jenis Shorea yang lainnya.

Pada hasil akurasi untuk jenis Shorea seminis ini gambar grafiknya dapat dilihat pada Gambar 41. Pada komponen G dan kontribusi nilai eigen 85% dapat menghasilkan akurasi 100%. Tetapi pada komponen G hasil yang diperoleh untuk setiap kontribusi nilai eigen mengalami penurunan akurasi. Komponen B pada kontribusi nilai eigen 99%, Shorea seminis dapat teridentifikasidari hanya 1 data uji dari 10 data uji yang diujicobakan sehingga menghasilkan akurasi 10%.

Pada Tabel 18 dapat dillihat hasil akurasi dari semua percobaan dengan komponen R, G, B, dan grayscale dengan kontribusi nilai eigen 85%, 95%, dan 99%. Dari tabel tersebut di setiap komponen warna menunjukan akurasi yang semakin menurun untuk kontribusi nilai eigen yang diujicobakan. Dapat disimpulkan hasil terbaik pada penelitian ini pada komponen warna G dengan kontribusi nilai eigen 85%. Grafik hasil akurasi komponen R, G, B, dan grayscale pada setiap kontribusi nilai eigen dapat dilihat pada Gambar 42.

Tabel 18 Hasil akurasi komponen R, G, B, dan grayscale pada setiap kontribusi nilai eigen

Komponen Warna Kontribusi Nilai Eigen (%)

85% 95% 99%

R 70 68 55

G 75 72 63

B 64 65 51

Grayscale 70 69 62 Rata-rata 69.8 68.5 57.8 Gambar 41 Grafik perbandingan R, G, B, dan grayscale

(50)

36

Dari percobaan yang telah dilakukan hasil terbaik terdapat pada komponen G dari citra RGB dan k = 3 dengan kontribusi nilai eigen 85% yang menghasilkan 75%. Berdasarkan rata-rata akurasi pada Tabel 18, hasil rata-rata akurasi yang dihasilkan untuk setiap kontribusi nilai eigen semakin menurun setiap pertambahan kontribusi nilai eigen. Dapat disimpulkan pemilihan komponen warna citra, kontribusi nilai eigen dan nilai k dapat mempengaruhi akurasi identifikasi suatu jenis Shorea. Penggunaan parameter yang tepat pada data latih dan data uji yang dipakai akan dapat menghasilkan akurasi yang baik. Selain ketiga faktor tersebut, faktor background dari citra yang digunakan dapat mempengaruhi perolehan akurasi, karena background dari citra daun yang digunakan dalam penelitian ini dari segi warna dan intesitas cahaya mempunyai perbedaan. Keseragaman background diharapkan dapat lebih meningkatkan akurasi yang dihasilkan.

Pada penelitian ini komponen G yang paling berpengaruh dalam menghasilkan akurasi terbaik. Hal ini dikarenakan data penelitian ini berobyek daun yang memiliki warna hijau sehingga pada komponen G hasil akurasi yang diperoleh lebih baik daripada komponen R, B, dan grayscale.

Jenis Shorea yang selalu memiliki akurasi yang tertinggi adalah Shorea platycados, pada komponen warna dan kontribusi nilai eigen serta nilai k berapa pun selalu dapat teridentifikasi dengan benar hingga mencapai 100%. Karena ukuran dari Shorea platycados ini cenderung berbeda dengan jenis lainnya sehingga jenis Shorea jenis ini selalu dapat diidentifikasikan. Jenis Shorea lepida dapat dengan tepat teridentifikasi ke kelasnya dengan akurasi 90%. Pada Gambar 43 dapat dilihat gambar jenis Shorea yang tepat teridentifikasi dengan benar.

Gambar 42 Grafik hasil akurasi komponen R, G, B, dan grayscale pada setiap kontribusi nilai eigen

(51)

37 Jenis Shorea javanica, johorensis, leprosula, marcoptera, materialis, palembanica, pinanga sering salah dalam pengidentifikasian, ini dikarenakan ukuran Shorea tersebut memiliki kemiripan dengan jenis Shorea lainnya. Pada Gambar 44 dapat dilihat gambar jenis Shorea yang sering salah dalam pengidentifikasian.

Analisis Ragam Akurasi Percobaan

Analisis ragam adalah suatu metode untuk menguraikan keragaman total data kita menjadi komponen-komponen yang mengukur berbagai sumber keragaman (Walpole 1988).

Pada penelitian ini dilakukan analisis ragam dengan 3 faktor adalah nilai k, kontribusi, dan warna yang dapat dilihat pada Tabel 19. Pada α = 0.05 dapat dilihat nilai p pada Tabel 19, faktor yang berpengaruh adalah nilai k, kontribusi dan warna, sedangkan interaksi antara faktor tidak berpengaruh. Dengan demikian dapat disimpulkan bahwa pada penelitian ini nilai k, kontribusi, dan warna mempengaruhi tinggi rendahnya akurasi percobaan tetapi interaksi antara faktor tidak berpengaruh.

Tabel 19 Analisis ragam akurasi percobaan

Sumber Derajat _bebas JK KT Fhitung Nilai P

Nilai k*Kontribusi*Warna 18 404.37 22.47 0.41 0.986