Identifikasi Tanaman Durian Berdasarkan Citra Daun Menggunakan LVQ dan Ekstraksi Tekstur Discrete Wavelet Transform

(1)

IDENTIFIKASI TANAMAN DURIAN BERDASARKAN CITRA

DAUN MENGGUNAKAN LVQ DAN EKSTRAKSI TEKSTUR

DISCRETE WAVELET TRANSFORM

NICKY ASTRIYANTI

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 Tanaman Durian Berdasarkan Citra Daun Menggunakan LVQ dan Ekstraksi Tekstur Discrete Wavelet Transform 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

NICKY ASTRIYANTI. Identifikasi Tanaman Durian Berdasarkan Citra Daun Menggunakan LVQ dan Ekstraksi Tekstur Discrete Wavelet Transform. Dibimbing oleh Aziz Kustiyo.

Durian (Durio zibethinus Murray) adalah salah satu komoditas yang memiliki nilai ekonomi tinggi. Nilai ekonomi durian dipengaruhi oleh keunggulan yang dimiliki setiap varietasnya. Oleh sebab itu identifikasi tanaman durian merupakan hal yang sangat penting. Identifikasi dilakukan dengan menggunakan citra daun dari lima tanaman varietas durian, serta metode klasifikasi Learning Vector Quantization (LVQ) dan ekstraksi tekstur Discrete Wavelet Transform (DWT). Penelitian ini menghasilkan akurasi tertinggi sebesar 76% pada DWT famili Haar level 6.

Kata Kunci: daun, Discrete Wavelet Transform, durian, identifikasi, Learning Vector Quantization.

ABSTRACT

NICKY ASTRIYANTI. Durian Plant Identification Based on Leaf Image Using LVQ and Discrete Wavelet Transform Texture Ekstraction. Supervised by Aziz Kustiyo.

Durian (Durio zibethinus Murray) is a comodity which has high value. On the economic value of durian is influenced by the superiority of each varieties. Therefore it is important to identify durian’s plant. Leaf image based identification performed by using the Learning Vector Quantization (LVQ) classification method and Discrete Wavelet Transform (DWT) texture extraction. The research was using five durian’s variety. The highest accuracy of this research was 76% that was obtained by DWT famili Haar level 6.

(5)

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer

pada

Departemen Ilmu Komputer

IDENTIFIKASI TANAMAN DURIAN BERDASARKAN CITRA

DAUN MENGGUNAKAN LVQ DAN EKSTRAKSI TEKSTUR

DISCRETE WAVELET TRANSFORM

NICKY ASTRIYANTI

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

(6)

Penguji :

(7)

Judul Skripsi : Identifikasi Tanaman Durian Berdasarkan Citra Daun Menggunakan LVQ dan Ekstraksi Tekstur Discrete Wavelet Transform

Nama : Nicky Astriyanti

NIM : G64124024

Disetujui oleh

Aziz Kustiyo, SSi MKom Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi MKom Ketua Departemen

(8)

PRAKATA

Segala puji dan syukur penulis panjatkan kepada Allah Subhanahu Wa Ta’ala karena atas segala karunia-Nya sehingga penulis dapat menyelesaikan tugas akhir yang berjudul Identifikasi Varietas Durian Berdasarkan Citra Daun Menggunakan LVQ dan Ekstraksi Tekstur Discrete Wavelet Transform.

Terima kasih penulis ucapkan kepada:

1 Kedua orang tua dan seluruh keluarga atas dukungan dan doanya.

2 Bapak Aziz Kustiyo, SSi MKom selaku pembimbing atas pengarahan dan bimbingannya.

3 Bapak Muhammad Ashyar Agmalaro, SSi MKom dan Bapak Toto Haryanto, SKom MSi selaku penguji atas saran dan pengarahannya.

4 Teman-teman satu bimbingan, teman-teman alih jenis ILKOM angkatan 7, dan seluruh pihak yang turut membantu dalam penyelesaian penelitian ini. Semoga karya ilmiah ini bermanfaat.

(9)

DAFTAR ISI

DAFTAR TABEL ix

DAFTAR GAMBAR ix

DAFTAR LAMPIRAN ix

PENDAHULUAN 1

Latar Belakang 1

Perumusan Masalah 2

Tujuan Penelitian 2

Manfaat Penelitian 2

Ruang Lingkup Penelitian 2

METODE 2

Lingkungan Pengembangan 3

Studi Pustaka 4

Pengumpulan Data 4

Praproses 4

Ekstraksi Tekstur 5

Pembagian Data 6

Pelatihan dan Pengujian 7

Evaluasi 8

HASIL DAN PEMBAHASAN 8

Pembagian Data 8

Pelatihan dan Pengujian 8

Percobaan 1: Discrete Wavelet Transform Famili Haar 1 Level 9 Percobaan 2: Discrete Wavelet Transform Famili Haar 2 Level 10 Percobaan 3: Discrete Wavelet Transform Famili Haar 3 Level 11 Percobaan 4: Discrete Wavelet Transform Famili Haar 4 Level 12 Percobaan 5: Discrete Wavelet Transform Famili Haar 5 Level 12 Percobaan 6: Discrete Wavelet Transform Famili Haar 6 Level 13 Percobaan 7: Discrete Wavelet Transform Famili Haar 7 Level 14 Perbandingan Dekomposisi 1 Level – Dekomposisi 7 Level 15

(10)

SIMPULAN DAN SARAN 18

Simpulan 18

Saran 18

DAFTAR PUSTAKA 18

LAMPIRAN 20

(11)

DAFTAR TABEL

1 Bentuk k-fold cross validation ... 6

2 Simbol pada algoritma LVQ ... 7

3 Ukuran matriks setiap citra pada setiap level dekomposisi ... 8

4 Jumlah neuron input setiap level dekomposisi ... 9

12 Fitur-fitur pada pola boxplot varietas durian ... 17

DAFTAR GAMBAR

1 Metodologi penelitian 3

2 Ilustrasi pemotongan citra daun 4

3 Ilustrasi praproses 5

4 Ilustrasi proses transformasi DWT 2D 5

5 Contoh hasil dekomposisi 1 level 6

6 Struktur LVQ (Fausett 1994) 7

7 Rata-rata akurasi pada dekomposisi 1 level 9

14.Rata-rata akurasi tertinggi pada setiap learning rate 15 15.Rata-rata akurasi tertinggi pada setiap level dekomposisi 16 16.Pola boxplot dari hasil dekomposisi 6 level 17

DAFTAR LAMPIRAN

1. Beberapa citra daun pada masing-masing varietas durian 20

(12)

3. Hasil Percobaan pada epoch 50 22

(13)

PENDAHULUAN

Latar Belakang

Durio zibethinus Murray merupakan salah satu spesies dari genus Durio yang banyak dibudidayakan (Wiryanta 2008). Spesies Durio tersebut adalah yang dikenal di masyarakat dengan nama durian. Durian adalah buah yang memiliki nilai ekonomi yang tinggi di indonesia dengan kisaran pangsa pasar yang luas mulai dari pasar tradisional hingga restoran (Sobir dan Napitulu 2010).

Nilai ekonomi durian dipengaruhi oleh keunggulan yang dimiliki setiap varietasnya. Berdasarkan data dari Direktorat Pembenihan dan Sarana Pertanian, Direktorat Jendral Holtikultural, hingga tahun 2009 terdapat 71 varietas durian unggul di Indonesia. Persebaran varietas tersebut meliputi Sumatra 14 varietas, Jawa 21 varietas, Kalimantan 21 varietas, Bali 1 varietas, Sulawesi 5 varietas, NTB 6 Varietas, dan Maluku 3 varietas. Sementara itu, Thailand memiliki 4 varietas durian unggul dan Malaysia 1 varietas durian unggul (Sobir dan Napitulu 2010).

Menurut Badan Pusat Statistik (BPS 2013), buah durian yang diproduksi Indonesia sebanyak 888 130 ton pada tahun 2012. Sementara itu, pada tahun yang sama, Indonesia mengimpor buah durian sebanyak 20 638.61 ton (Muliani 2015). Oleh karena itu produksi buah durian di Indonesia belum dapat mencukupi kebutuhan domestik. Oleh karena itu, diperlukan ekstensifikasi penanaman varietas durian unggul.

Keanekaragaman dan kemiripan varietas-varietas durian dapat mengakibatkan kesulitan dalam mengidentifikasi pohon varietas durian unggul. Penelitian mengenai identifikasi tanaman durian pernah dilakukan Salasa et al. (2013), Pertiwi (2014) dan Sabrina (2014). Salasa et al. (2013) melakukan penelitian mengenai identifikasi pohon induk tunggal (PIT) varietas durian unggul Bido, yang didasari oleh adanya kemiripan terhadap 27 varietas durian dengan PIT Bido. Penelitian tersebut menggunakan media elektroforesis gel poliakrilamid untuk metode isozim dan media daun untuk metode morfologi. Hasil dari penelitian tersebut mengidentifikasi 4 dari 27 pohon durian yang memiliki kemiripan tertinggi dengan PIT Bido. Identifikasi tanaman durian dapat dilakukan menggunakan ekstraksi tekstur, seperti yang dilakukan Sabrina (2014) dengan menggunakan metode ekstraksi tekstur Co-occurrence Matrix dan metode klasifikasi Probabilistic Neural Network (PNN), yang memiliki tingkat akurasi 74.44% menggunakan citra daun hasil cropping. Sementara itu, Pertiwi (2014) menggunakan metode ekstraksi tekstur Gray Level Co-occurence Matrix (GLCM) dan metode klasifikasi KNN, yang menghasilkan akurasi sebesar 76.67% menggunakan citra daun hasil cropping.

(14)

2

menggunakan metode klasifikasi LVQ (Rashad et al. 2011) yang menghasilkan akurasi sebesar 98.7%.

Wavelet Haar merupakan metode wavelet yang paling sederhana dan mudah untuk diimplementasikan (Putra 2010). Pada penelitian identifikasi tanaman mangrove berbasis citra daun menggunakan ekstraksi tekstur Discrete Wavelet Transform (DWT) famili Haar yang oleh Sonari (2013) menghasilkan akurasi sebesar 88.75%. Berdasarkan hipotesis tersebut, pada penelitian ini akan menggunakan metode LVQ sebagai classifier dan metode DWT sebagai ekstraksi tekstur pada citra daun durian.

Perumusan Masalah

Perumusan masalah pada penelitian ini diuraikan sebagai berikut:

1 Bagaimana menerapkan metode ekstraksi tekstur menggunakan DWT famili Haar untuk identifikasi daun durian.

2 Bagaimana menerapkan teknik klasifikasi Learning Vector Quantization untuk hasil dari ekstraksi tekstur menggunakan metode DWT famili Haar.

Tujuan Penelitian

Tujuan penelitian ini adalah menerapkan metode ekstraksi tekstur DWT famili Haar dan metode klasifikasi LVQ untuk mengidentifikasi tanaman durian.

Manfaat Penelitian

Penelitian ini diharapkan dapat membantu pengidentifikasian tanaman varietas durian berdasarkan citra daun.

Ruang Lingkup Penelitian

Ruang lingkup pada penelitian ini antara lain:

1 Citra daun bagian bawah dengan warna background putih.

2 Varietas durian yang digunakan dalam penelitian ini adalah bakul, cane, hepe, kendil, dan sukun.

3 Pengambilan citra dilakukan dengan jarak dan ukuran citra yang sama dalam format JPG.

4 Ekstraksi tekstur menggunakan DWT familiHaar.

5 Penelitian dilakukan untuk mengidentifikasi tanaman durian.

METODE

(15)

3

Lingkungan Pengembangan

Pada penelitian ini menggunakan spesifikasi perangkat keras dan perangkat lunak sebagai berikut:

1 Sistem operasi Microsoft Windows 7 Ultimate 64 bit. 2 Matlab 7.11.0.584 (R2010b)

(16)

4

Studi Pustaka

Pada tahap ini, kegiatan yang dilakukan adalah mempelajari dan mengumpulkan pustaka yang berkaitan dengan penelitian. Hal-hal yang dipelajari meliputi penerapan dan teori DWT famili Haar dan Learning Vector Quantization, serta teori yang menyangkut pemrosesan citra daun.

Pengumpulan Data

Data yang digunakan pada penelitian ini berasal dari Warso Durian Farm, yang terletak di Desa Cihideung Kabupaten Bogor. Citra daun yang digunakan sebanyak 55 citra dengan masing-masing varietas sebanyak 11 citra dalam format JPG. Ukuran citra daun terbesar yang digunakan dalam penelitian ini adalah 2044 x 760 piksel, sedangkan ukuran citra terkecil adalah 1044 x 383 piksel. Usia daun yang digunakan pada penelitian ini tidak diketahui. Varietas durian yang digunakan dalam penelitian ini adalah durian bakul, cane, hepe, kendil, dan sukun. Pemilihan varietas durian tersebut didasari atas kemiripan daunnya.

Praproses

Pada tahap ini citra daun akan dipotong sebesar 251 x 501 pixel. Pemotongan citra daun ini bertujuan menyeragamkan ukuran citra asli, mempercepat komputasi, dan memfokuskan pola tekstur daun. Citra dipotong pada bagian tengah karena lebih mudah dilakukan dan dapat diterapkan pada setiap citra. Pemotongan citra daun pada bagian tengah diharapkan dapat menghasilkan penciri yang baik dalam identifikasi karena memiliki kemiripan tulang daun pada setiap data citra daun dengan varietas yang sama.

Gambar 2 Ilustrasi pemotongan citra daun

Gambar 2 menampilkan mekanisme pemotongan citra daun dengan X dan Y adalah ukuran citra asli, m dan n adalah titik awal pemotongan, serta a dan b

Y

X

(m, n)

b

(17)

5 adalah ukuran target citra. Untuk memproleh titik awal pemotongan digunakan persamaan sebagai berikut (Sabrina 2014):

m = 0.5  X  125 (1) n = 0.5  Y  250 (2)

Hasil perkalian ukuran citra asal dengan angka 0.5 untuk memperoleh titik koordinat bagian tengah citra. Selanjutnya titik koordinat bagian tengah citra tersebut dikurangi dengan angka 125 dan 250 untuk memperoleh posisi awal pemotongan citra. Nilai 250 merupakan hasil bagi dua dari ukuran panjang citra target yaitu 500 piksel (b), sedangkan 125 merupakan hasil bagi dua dari ukuran lebar citra target yaitu 250 piksel (a). Setelah didapat titik awal pemotongan, citra dipotong sehingga menghasilkan citra dengan ukuran sebesar 501 x 251 piksel.

Kemudian citra yang telah dipotong dilakukan konversi warna dari RGB ke grayscale. Citra grayscale digunakan dalam penelitian ini karena dapat menyederhanakan model citra dan komputasi menjadi lebih cepat (Putra 2010). Gambar 3 menunjukan ilustrasi proses praposes. Lampiran 1 menunjukan beberapa citra daun hasil praproses dari setiap varietas durian.

Gambar 3 Ilustrasi praproses (a) Citra daun durian asli, (b) Citra daun hasil cropping, (c) Citra daun hasil grayscale

Ekstraksi Tekstur

Pada tahap ini citra daun yang telah dipraproses akan ditransformasi menggunakan DWT 2D famili Haar. Proses ini dilakukan untuk memperoleh Koefisien Aproksimasi (cA) dan Koefisien Detail (cH, cV, cD). Proses transformasi DWT 2D ditunjukan pada Gambar 4.

(18)

6

Koefisien Aproksimasi (cA) diperoleh melalui proses tapis lowpass (H0) dilanjutkan dengan tapis lowpass. Koefisien Detail (cH) diperoleh melalui proses tapis lowpass dilanjutkan dengan tapis highpass (H1) . Koefisien Detail (cV) diperoleh melalui proses tapis highpass dilanjutkan dengan tapis lowpass. Koefisien Detail (cD) diperoleh melalui proses tapis highpass dilanjutkan dengan tapis highpass. Adapun tapis lowpass dan highpass Haar yaitu (Putra 2010):

H0: [1 2, 1 2] (3) H1: [1 2, 1 2] (4)

Koefisien Aproksimasi adalah bagian yang mirip dan merupakan versi lebih halus dari citra aslinya. Koefisien aproksimasi pada dekomposisi 1 level akan diproses untuk koefisien aproksimasi pada dekomposisi 2 level dan seterusnya. Pada penelitian ini dilakukan dekomposisi level 1 hingga 7. Proses ini dilakukan untuk semua data citra.

Gambar 5 Contoh hasil dekomposisi 1 level (a) Citra daun hasil praproses, (b) ikoefisien aproksiasi (cA), (c) koefisien detail vertikal (cV), (d)

ikoefisien detail horizontal (cH), (e) koefisien detail diagonal (cD)

Pembagian Data

Pada tahap ini data citra dibagi menjadi dua bagian, yaitu data uji dan data latih. Data latih digunakan untuk melakukan pelatihan LVQ, sedangkan data uji digunakan untuk pengujian LVQ. Data citra yang digunakan adalah 50 citra daun, dengan satu varietas durian diwakili oleh 10 citra daun. Sementara itu, 5 data citra yang berasal dari masing-masih kelas digunakan sebagai vektor bobot. Tabel 1 menampilkan ilustrasi pembagian data menggunakan k-fold cross validation.

Tabel 1 Bentuk k-fold cross validation dengan = data uji, = data latih

Fold Citra daun setiap jenis

(19)

7

Pelatihan dan Pengujian

Pada tahap ini jaringan syaraf tiruan Learning Vector Quantization (LVQ) digunakan untuk pelatihan dan pengujian. LVQ adalah suatu metode klasifikasi pola yang setiap unit keluarannya merepresentasikan class atau kategori. Vektor bobot yang merepresentasi setiap kelas sering disebut codebook atau vektor reference. Vektor input pada pelatihan LVQ diambil dari data latih, sedangkan vektor input pada pengujian LVQ diambil dari data uji hasil dari tahap pembagian data. Arsitektur LVQ ditampilkan pada Gambar 6 dan perhitungan LVQ pada Lampiran 2.

Gambar 6 Struktur LVQ (Fausett 1994) Tabel 2 Simbol pada algoritma LVQ

Simbol Makna

Cj Kategori atau class yang direpresentasikan oleh unit keluaran ke-j

||x-wj|| Jarak Euclidean di antara vektor masukan dan vektor bobot untuk unit keluaran ke-j

Pada penelitian ini neuron input yang dilambangkan dengan simbol x berasal dari input vektor dengan jumlah yang bergantung dari hasil level dekomposisi citra. Adapun neuron output yang dilambangkan dengan simbol y menunjukan jumlah varietas durian atau kelas yang digunakan pada penelitian ini yaitu sebanyak 5 kelas. Vektor bobot yang dilambangkan dengan simbol w memiliki jumlah yang bergantung dari hasil level dekomposisi citra.

Berikut adalah algoritme LVQ (Fausset 1994):

1 Tentukan vektor referensi. Tentukan learning rate, �(0). 2 Selama kondisi berhenti belum terpenuhi, lakukan langkah 3-6. 3 Untuk setiap vektor masukan x, lakukan langkah 4-5.

(20)

8

Jika T = C_j maka, w_j new = w_j old +α x-w_j(old) . Jika T≠ C_j maka, w_j new = w_j old -α x-w_j(old) . 6 Perbarui learning rate.

7 Cek kondisi berhenti.

8 Simbol yang digunakan ditampilkan pada Tabel 2.

Evaluasi

Evaluasi merupakan tahap terakhir pada metode penelitian. Tahap ini menentukan apakah proses klasifikasi sudah tepat atau belum. Data yang digunakan pada pelatihan dan pengujian LVQ sebanyak 50 data citra dari 5 varietas durian dengan masing-masing 10 data citra. Hasil dari tahap ini yaitu akurasi yang didapat dengan cara.

akurasi= citra terklasifikasi dengan benar

citra yang diuji x 100%

HASIL DAN PEMBAHASAN

Pembagian Data

Matriks data citra hasil dari tahap ekstraksi citra dilakukan tahap pembagian data menggunakan k-fold cross validation. Tabel 3 menampilkan ukuran matriks setiap citra pada setiap level dekomposisi.

Tabel 3 Ukuran matriks setiap citra pada setiap level dekomposisi

Dekomposisi Ukuran citra hasil

dekomposisi (piksel) data latih dan data uji menggunakan metode k-fold cross validation.

Pelatihan dan Pengujian

(21)

9 digunakan pada tahap ini adalah jumlah neuron input, jumlah neuron output, jumlah vektor masukan, jumlah epoch, nilai learning rate, dan nilai penurunan learning rate. Jumlah neuron input disesuaikan dengan jumlah fitur penciri dari hasil ekstraksi tekstur, sedangkan jumlah neuron output disesuaikan dengan jumlah class yaitu 5. Jumlah neuron input ditampilkan pada Tabel 4.

Jumlah vektor masukan pada pelatihan adalah 40, sedangkan pada pengujian adalah 10. Untuk nilai learning rate yang digunakan adalah 0.05, 0.1, 0.15, 0.2, 0.25, 0.3, 0.35, 0.4, 0.45, dan 0.5, sedangkan penurunan learning rate yang digunakan adalah 0.1, 0.3, 0.5, 0.7, dan 0.9. Jumlah epoch yang digunakan adalah 50, 100, 150, dan 200. Lampiran 3 dan 4 menunjukan hasil pengujian LVQ.

Tabel 4 Jumlah neuron input setiap level dekomposisi Percobaan Dekomposisi Jumlah neuron

input

Percobaan 1: Discrete Wavelet Transform Famili Haar 1 Level

Pada percobaan ini data citra didekomposisi 1 level sehingga menghasilkan citra aproksimasi berukuran 126 x 251 piksel (31626 fitur). Gambar 7 menampilkan rata-rata akurasi pada dekomposisi 1 level. Rata-rata akurasi tertinggi diperoleh pada learning rate 0.05 dan penurunan learning rate 0.9 yaitu 70%.

Gambar 7 Rata-rata akurasi pada dekomposisi 1 level dengan penurunan learning rate =0.1, = 0.3, =0.5, =0.7, =0.9.

Berdasarkan Tabel 5 dapat disimpulkan bahwa semua data uji varietas bakul dapat diidentifikasi dengan benar. Sementara itu, kendil adalah varietas durian

(22)

10

yang paling sedikit diidentifikasi dengan benar. Varietas durian kendil lebih banyak mengalami salah identifikasi sebagai varietas hepe, adapun varietas hepe lebih banyak mengalami salah identifikasi sebagai varietas kendil.

Tabel 5 Confusion matrix pada learning rate = 0.05 dan penurunan learning rate = 0.9.

Kelas aktual Kelas prediksi

bakul cane hepe kendil sukun

Pada percobaan kedua data citra didekomposisi 2 level sehingga memperoleh citra aproksimasi berukuran 63 x 126 piksel (7938 fitur). Gambar 8 menampilkan rata akurasi pada dekomposisi 2 level. Pada percobaan ini rata-rata akurasi tertinggi diperoleh pada learning rate 0.2 dan penurunan learning rate 0.7 yaitu sebesar 72%.

(23)

11

Berdasarkan Tabel 6, bakul adalah varietas durian dengan data uji yang paling banyak diidentifikasi dengan benar. Sementara itu, varietas durian yang paling sedikit diidentifikasi dengan benar adalah varietas hepe. Varietas hepe mengalami salah identifikasi sebagai varietas durian kendil, sedangkan varietas kendil mengalami salah identifikasi sebagai varietas durian hepe.

Pada percobaan ketiga data citra didekomposisi 3 level sehingga diperoleh citra aproksimasi berukuran 32 x 63 piksel (2016 fitur). Gambar 9 menampilkan rata-rata akurasi pada dekomposisi 3 level. Percobaan ini memperoleh rata-rata akurasi tertinggi sebesar 72% pada learning rate 0.1 dengan penurunan learning rate 0.9.

Tabel 7 Confusion matrix pada learning rate = 0.1 dengan penurunan learning rate = 0.9.

bakul cane hepe kendil sukun dengan benar adalah varietas bakul. Untuk varietas durian yang paling sedikit diidentifikasi dengan benar adalah varietas hepe, kendil, dan sukun. Varietas hepe dan kendil mengalami salah identifikasi paling banyak sebagai salah satu dari kedua varietas tersebut. Adapun varietas sukun mengalami salah identifikasi paling banyak sebagai varietas cane.

(24)

12

Pada percobaan ini data citra didekomposisi 4 level sehingga diperoleh citra aproksimasi berukuran 16 x 32 piksel (512 fitur). Gambar 10 menampilkan rata-rata akurasi pada dekomposisi 4 level. Rata-rata-rata akurasi tertinggi yang didapat pada percobaan ini yaitu pada learning rate 0.25 dan penurunan learning rate 0.7 yaitu 74%.

Pada Tabel 8, data uji varietas bakul dapat diidentifikasi seluruhnya dengan benar. Sementara itu, varietas hepe merupakan varietas paling sedikit diidentifikasi dengan benar. Varietas durian hepe mengalami salah identifikasi paling banyak sebagai varietas kendil, sedangkan varietas kendil mengalami salah identifikasi paling banyak sebagai varietas hepe.

Tabel 8 Confusion matrix pada learning rate = 0.25 dan penurunan learning rate = 0.7.

bakul cane hepe kendil sukun

(25)

13 74%.

Pada Tabel 9, dapat disimpulkan bahwa data uji varietas bakul dapat diidentifikasi seluruhnya dengan benar. Untuk varietas durian yang paling sedikit diidentifikasi dengan benar adalah hepe dan kendil, dengan masing-masing varietas mengalami salah identifikasi paling banyak sebagai salah satu dari kedua varietas tersebut.

Pada percobaan ini data citra didekomposisi 6 level sehingga menghasilkan citra aproksimasi berukuran 4 x 8 piksel (32 fitur). Gambar 12 menampilkan rata-rata akurasi pada dekomposisi 6 level. Pada percobaan ini rata-rata-rata-rata akurasi tertinggi diperoleh pada learning rate 0.1 dan penurunan learning rate 0.7 yaitu 76%.

Berdasarkan Tabel 10, data uji varietas yang dapat diidentifikasi dengan benar seluruhnya adalah varietas bakul. Untuk varietas durian yang paling sedikit diidentifikasi dengan benar adalah kendil dengan kesalahan identifikasi paling banyak sebagai varietas hepe. Sementara itu, varietas hepe mengalami salah identifikasi paling banyak sebagai varietas kendil.

(26)

14

(27)

15 Pada percobaan ini data citra didekomposisi 6 level sehingga menghasilkan citra aproksimasi berukuran 2 x 4 piksel (8 fitur). Gambar 12 menampilkan rata-rata akurasi pada dekomposisi 7 level. Pada percobaan ini rata-rata-rata-rata akurasi tertinggi diperoleh pada learning rate 0.15 dan penurunan learning rate 0.9 yaitu 70%.

Hasil pengujian pada percobaan ini berbeda dengan percobaan sebelumnya, data uji varietas yang dapat diidentifikasi dengan benar seluruhnya adalah varietas hepe. Sementara itu, varietas yang paling sedikit dapat diidentifikasi dengan benar adalah varietas durian kendil dengan kesalahan identifikasi paling banyak sebagai varietas durian hepe (Tabel 11).

Tabel 11 Confusion matrix pada learning rate = 0.15 dan

Perbandingan Akurasi dari Seluruh Percobaan

Pada penelitian ini, rata-rata akurasi tertinggi diperoleh pada saat nilai learning rate adalah 0.1 yaitu sebesar 76%. Rata-rata akurasi meningkat dari nilai learning rate 0.05 ke 0.1, kemudian dari nilai learning rate 0.1 hingga 0.5 cenderung turun (Gambar 14).

Gambar 14 Rata-rata akurasi tertinggi pada setiap learning rate

Rata-rata akurasi tertinggi diperoleh pada dekomposisi 6 level yaitu 76% (Gambar 15). Rata-rata akurasi tertinggi pada setiap level dekomposisi bergerak naik dari dekomposisi 1 level hingga dekomposisi 6 level dan menurun pada dekomposisi 7 level sebanyak 6% yaitu 70%.

(28)

16

Gambar 15 Rata-rata akurasi tertinggi pada setiap level dekomposisi

Analisis Kesalahan

Pada confusion matrix (Tabel 10) beberapa varietas durian mengalami salah identifikasi sebagai varietas durian lainnya. Varietas durian cane mengalami salah identifikasi lebih sering sebagai varietas sukun. Adapun varietas kendil mengalami salah identifikasi lebih sering sebagai varietas hepe, begitu pula sebaliknya.

Dekomposisi 6 level menghasilkan fitur citra (x) sebanyak 32 fitur. Distribusi nilai pada tiap fitur dari 50 data citra yang digunakan sebagai data uji diinterpretasikan dalam bentuk boxplot. Boxplot-boxplot tersebut memiliki kemiripan rentang nilai dan posisi boxplot tiap varietas durian sehingga boxplot yang memiliki kemiripan tersebut dimasukan ke dalam satu kelompok pola. Pada dekomposisi 6 level, kelompok pola yang dibentuk sebanyak 5 pola. Tabel 12 menunjukan fitur-fitur boxplot yang termasuk ke dalam masing-masing pola.

(29)

17

(a) (b)

(c) (d)

(e)

Gambar 16 Pola boxplot dari hasil dekomposisi 6 level dengan (a) Pola 1, (b) Pola 2, (c) Pola 3, (d) Pola 4, (e) Pola 5

Tabel 12 Fitur-fitur pada pola boxplot varietas durian

Pola boxplot Fitur Jumlah

fitur

Pola 1

x

3

, x

5,

x

8 3

Pola 2

x

1

, x

2,

x

4,

x

6,

x

7 5

(30)

18

SIMPULAN DAN SARAN

Simpulan

Berdasarkan penelitian yang telah dilakukan, dapat diambil kesimpulan bahwa penggunaan metode klasifikasi LVQ dengan ekstraksi tekstur discrete wavelet transform famili Haar dapat diterapkan untuk melakukan identifikasi varietas durian. Rata-rata akurasi tertinggi diperoleh pada dekomposisi 6 level saat learning rate 0.1 dan penurunan learning rate 0.7 di semua epoch, yaitu sebesar 76%.

Saran

Penelitian ini masih memiliki kekurangan yang dapat diperbaiki. Adapun saran untuk penelitian selanjutnya sebagai berikut :

1 Menambah data citra untuk setiap varietas durian.

2 Menggunakan citra lain atau metode k-means untuk menentukan bobot awal.

3 Melakukan penambahan pada tahap praproses, seperti menggunakan komponen warna RGB, HSV, dan image enhancement.

4 Menggunakan citra yang memiliki posisi, jarak, dan ukuran citra yang sama.

DAFTAR PUSTAKA

BPS. 2013. Tabel Produksi Tanaman Durian Provinsi Indonesia [internet]. diunduh 2015 Mar 1]. Tersedia pada: http:// http://www.bps.go.id/ menutab.php?kat=3&tabel=1&id_subyek=55.

Fausett L. 1994. Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. New Jersey (US): Prentice Hall.

Muliani F. 2015. Karakteristik morfologi daun kultivar durian lokal (Durio zibethinus Murr.) di Kecamatan Kuantan Mudik Kabupaten Kuantan Singingi [tesis]. Riau (ID): Universitas Islam Negeri Sultan Syarif Kasim.

Metre V, Ghorpade J. 2013. An overview of research on texture based plant leaf classification. IJCSN [internet]. [diunduh 2014 Mei 10]; 2(3):25-36. Tersedia pada : http://arxiv.org/ftp/arxiv/papers/1306/1306.4345.pdf.

Pertiwi N. 2014. Identifikasi varietas durian berdasarkan tekstur daun dengan metode ekstraksi GLCM menggunakan PNN [skripsi]. Bogor (ID): Institut Pertanian Bogor.

Putra D. 2010. Pengenalan Citra Digital. Yogyakarta (ID): CV Andi Offset. Rashad MZ, el-Desouky BS, Khawasik MS. 2011. Plants images classification based

(31)

19 Sabrina N. 2014. Identifikasi varietas durian berdasarkan citra daun menggunakan K-Nearest Neighbour dengan ekstraksi tekstur co-occurrence matrix [skripsi]. Bogor (ID): Institut Pertanian Bogor.

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

Sobir, Napitulu RM. 2010. Bertanam Durian Unggul. Jakarta (ID): Penebar Swadaya.

Sonari SS. 2013. Identifikasi tumbuhan berbasis citra daun menggunakan KNN dengan ekstraksi fitur wavelet [skripsi]. Bogor (ID): Institut Pertanian Bogor. Bernardinus T, Wiryanta W. 2008. Sukses Bertanam Durian. Jakarta (ID): PT

(32)

20

Lampiran 1 Beberapa citra daun pada masing-masing varietas durian

Bobot Citra 1 Citra 2 Citra 3

Varietas durian bakul

Varietas durian cane

Varietas durian hepe

Varietas durian kendil

Varietas durian sukun

Lampiran 2 Contoh perhitungan LVQ (Fausset 1994)

Pada contoh ini, diberikan dua reference vectors yang akan digunakan. Input vector merepresentasikan dua kelas, yaitu kelas 1 dan 2 :

vektor kelas (1, 1, 0, 0) 1 (0, 0, 0, 1) 2 (0, 0, 1, 1) 2 (1, 0, 0, 0) 1 (0, 1, 1, 0) 2

Dua vektor diawal akan digunakan untuk inisialisasi reference vectors. Unit keluaran pertama merepresentasikan kelas 1 dan unit keluaran kedua merepresentasikan kelas 2 (secara simbolis, C1 = 1 dan C2 = 2). Vektor yang

digunakan untuk pelatihan yaitu (0, 0, 1, 1), (1, 0, 0, 0), (0, 1, 1, 0). Perhitungan yang dilakukan hanya untuk 1 epoch.

(33)

21

(34)

22

(35)

23 Lampiran 4 Perubahan akurasi pada epoch 100 dan 150

(36)

(37)

25