IDENTIFIKASI DAUN SHOREA DENGAN BACKPROPAGATION NEURAL NETWORK MENGGUNAKAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM DAN EKSTRAKSI WARNA HSV

(1)

(2)

IDENTIFIKASI DAUN SHOREA DENGAN BACKPROPAGATION NEURAL

NETWORK MENGGUNAKAN EKSTRAKSI FITUR DISCRETE WAVELET

TRANSFORM DAN EKSTRAKSI WARNA HSV

IMAN AKBAR RAMADHAN

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2012

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada

(3)

Network with Discrete Wavelete Transform feature extraction and HSV colour extraction. Supervised by AZIZ KUSTIYO.

Dipterocarpaceae is a major timber tree of tropical rain forest. Shorea is a genus of the Dipterocarpaceae family which consists of around 194 species. Shorea is difficult to be identified

because it has a lot of diversity. It takes knowledge from an expert in the field of Shorea to be able to identify the types of Shorea. Errors in identifying the type of Shorea wood can lead to inappropriate selection for the final usability. In this research, we perform identification to 10 species of Shorea from Bogor Botanical Garden using Discrete Wavelet Transform and HSV color extraction as the feature extraction methods. Backpropagation Neural Network is used as the classification technique. The results of this research using both the DWT Haar family and HSV for feature extraction, and the DWT Daubechies 2 family and HSV produce 90% accuracy. The combination between DWT Haar family, DWT Daubechies 2 family and HSV color extraction produces 93.33% accuracy. The conclusion from the results of this research is the significant effect of HSV color extraction in increasing the accuracy for the identification of Shorea leaves.

Keywords: Discrete Wavelete Transform, colour extraction HSV, Backpropagation Neural Network

(4)

Judul Penelitian : Identifikasi daun Shorea dengan Backpropagation Neural Network menggunakan ekstraksi fitur Discrete Wavelet Transform dan Ekstraksi Warna HSV

Nama : Iman Akbar Ramadhan

NRP : G64096033

Menyetujui:

Pembimbing

Aziz Kustiyo, S.Si., M.Kom. NIP 19700719 199802 1 001

Mengetahui:

Ketua Departemen Ilmu Komputer

Dr Ir Agus Buono MSi MKom NIP 19660702 199302 1 001

(5)

dua bersaudara dari pasangan Bapak Yusuf Hermansyah dan Ibu Lailatun. Pada tahun 2006, penulis lulus dari SMA Negeri 7 Bogor. Pada tahun yang sama, penulis lulus seleksi masuk IPB melalui jalur Undangan Seleksi Masuk IPB. Pada Tahun 2009, penulis lulus dari program Diploma Jurusan Teknik Komputer Institut Pertanian Bogor. Pada tahun yang sama, penulis melanjutkan program studi Sarjana di Departemen Ilmu Komputer, Institut Pertanian Bogor, Program Studi Ilmu Komputer.

(6)

PRAKATA

Puji dan syukur penulis panjatkan ke hadirat Allah subhanahu wa ta'ala yang telah memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan karya ilmiah ini. Terima kasih penulis ucapkan kepada Bapak Aziz Kustiyo, SSi, MKom selaku pembimbing. Adapun penulis mengucapkan terima kasih kepada:

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

2 Mas Hoho dan Teteh atas dukungan dan doanya.

3 Dieni Fauziah Septiani atas dukungan, perhatian dan doanya.

4 Dosen penguji, Bapak Sony Hartono, MKom dan Bapak Dr Ir Agus Buono MSi MKom atas saran dan bimbingannya.

5 Pihak Kebun Raya Bogor atas sampel daun Shorea. 6 Teman-teman satu bimbingan atas kerjasamanya.

7 Teman-teman Alih Jenis Ilkom angkatan 4, atas kerjasamanya selama penelitian.

Semoga penelitian ini dapat bermanfaat bagi semua pihak yang membutuhkan.

Bogor, Juni 2012

(7)

v

DAFTAR GAMBAR ... vi DAFTAR LAMPIRAN ... vi PENDAHULUAN Latar Belakang ... 1 Tujuan ... 1 Ruang Lingkup ... 1 TINJAUAN PUSTAKA Shorea ... 1

Discrete Wavelet Transform ... 2

Wavelet Haar ... 2

Wavelet Daubechies ... 3

Pengolahan Citra Berwarna Model HSV ... 3

Backpropagation Neural Network ... 3

METODE PENELITIAN Citra Daun ... 3

Praproses ... 4

Ekstraksi Tekstur dengan Discrete Wavelet Transform (DWT) ... 4

Ekstraksi Warna dengan Warna HSV... 4

Pelatihan menggunakan Backpropagation Neural Network ... 4

Pengujian ... 5

Evaluasi ... 5

Rancangan Percobaan ... 5

HASIL DAN PEMBAHASAN Percobaan 1: Discrete Wavelet Transform famili Haar ... 5

Percobaan 2: Discrete Wavelet Transform famili Daubechies 2 ... 6

Perbandingan percobaan 1 dan percobaan 2 ... 6

Percobaan 3: Ekstraksi Warna HSV ... 6

Percobaan 4: Kombinasi Ekstraksi Tekstur (DWT) dan Ekstraksi Warna (HSV) ... 7

Percobaan 5: Kombinasi Ekstraksi Tekstur DWT Haar, Daubechies dan Ekstraksi Warna (HSV) ... 7

KESIMPULAN DAN SARAN Kesimpulan ... 8

Saran ... 8

DAFTAR PUSTAKA ... 9

(8)

vi

DAFTAR TABEL

Halaman

1 Struktur JST propagasi balik ... 5

2 Rancangan percobaan ... 5

DAFTAR GAMBAR

Halaman 1 Contoh beberapa jenis tekstur. ... 2

2 Tampilan citra hasil dekomposisi. ... 2

3 Metodologi penelitian. ... 4

4 Deskripsi citra aproksimasi dan citra detail. ... 4

5 Grafik tingkat akurasi setiap jenis Shorea (DWT Haar). ... 6

6 Grafik tingkat akurasi setiap jenis Shorea (DWT Daubechies 2). ... 6

7 Grafik tingkat akurasi setiap jenis Shorea (Histogram Warna HSV). ... 7

8 Grafik tingkat akurasi setiap jenis Shorea (Haar - HSV). ... 7

9 Grafik tingkat akurasi setiap jenis Shorea (DB2 - HSV). ... 7

10 Grafik tingkat akurasi setiap jenis Shorea (Haar - DB2 - HSV). ... 8

DAFTAR LAMPIRAN

Halaman 1 Antarmuka Implementasi ... 11

2 Confusion matrix penggabungan fitur Discrete wavelet transform famili Haar – Hsv ... 12

3 Confusion matrix Discrete wavelet transform famili Daubechies 2 – Hsv ... 15

4 Confusion matrix Discrete wavelet transform famili Haar - Daubechies 2 -Hsv ... 18

5 Tabel hasil akurasi species Shorea untuk ekstraksi fitur DWT famili haar ... 21

6 Tabel hasil akurasi species Shorea untuk ekstraksi fitur DWT famili daubechies 2 ... 21

7 Tabel hasil akurasi species Shorea untuk ekstraksi warna histogram HSV ... 22

8 Tabel hasil akurasi species Shorea untuk penggabungan ekstraksi fitur DWT haar dan ekstraksi warna HSV ... 22

9 Tabel hasil akurasi species Shorea untuk penggabungan ekstraksi fitur DWT famili daubechies 2 dan ekstraksi warna HSV ... 23

10 Tabel hasil akurasi species Shorea penggabungan ekstraksi fitur DWT famili haar, daubechies 2 dan Histogram HSV ... 24

(9)

PENDAHULUAN

Latar Belakang

Shorea merupakan kelompok famili

Dipterocarpaceae – sekelompok tumbuhan

hutan hujan tropis yang dimanfaatkan dalam bidang perkayuan. Shorea adalah salah satu marga tumbuhan penghasil kayu terbaik dalam dunia perindustrian. Nilai ekonomi yang tinggi mengakibatkan eksploitasi besar-besaran pohon Shorea. Maka dari itu, perlu dikembangkan suatu sistem identifikasi daun

Shorea. Hal ini dilakukan agar tidak

menyebabkan kesalahan pemilihan kayu yang tidak tepat dan mengurangi pertumbuhan jenis kayu dengan sifat-sifat yang tidak diinginkan.

Identifikasi tumbuhan biasanya dilakukan menggunakan batang, daun, buah, dan bunga. Penentuan identifikasi pohon Shorea ini lebih diutamakan pada identifikasi daun Shorea dikarenakan daun cenderung mudah untuk menjadi sumber pengamatan khususnya berupa citra dan cenderung tersedia sebagai sumber pengamatan sepanjang waktu.

Penelitian sebelumnya dengan data yang sama dilakukan oleh Nurjayanti (2011). Nurjayanti (2011) menggunakan K-Nearest

Neighbour sebagai classifier dan identifikasi

berdasarkan karateristik morfologi daun. Penelitian tersebut menghasilkan akurasi data yang sangat baik yaitu 100% data akurat. Kanata (2008) melakukan penelitian tentang deteksi sidik jari menggunakan ekstraksi fitur transformasi wavelet dan menunjukan bahwa metode wavelet sangat baik dalam identifikasi citra sidik jari dengan akurasi 88%.

Puspitasari (2011) menggunakan

Backpropagation Neural Network (Jaringan

Saraf Tiruan Propagasi Balik) sebagai teknik identifikasi daun Shorea yang menghasilkan akurasi sebesar 94%. Backpropagation Neural

Network merupakan metode pembelajaran

yang efektif untuk jaringan multilayer sehingga baik dalam menangani permasalahan yang kompleks (Fausett 1994). Aminudin (2010) menggunakan Histogram warna HSV dalam ekstraksi pelatihan citra Belimbing yang menghasilkan rata-rata akurasi terbaik sebesar 78.87% untuk histogram H (hue).

Penelitian ini akan menggunakan data citra daun Shorea dengan ekstraksi fitur Discrete

Wavelet Transform (DWT) dan Ekstraksi

Warna HSV dengan Backpropagation Neural

Network sebagai classifier. DWT digunakan

sebagai metode pengolahan citra daun yang dapat mengekstraksi tekstur dari daun dan mereduksi ukuran citra. Warna HSV

digunakan sebagai ekstraksi warna pada citra daun. Model warna HSV lebih baik dibandingkan dengan model warna lainnya seperti RGB dan CMY. Hal ini dikarenakan warna HSV lebih dapat merepresentasikan

visual mata manusia pada saat melihat objek

berwarna (Gonzalez & Woods 2002).

Penelitian ini juga menggunakan

Backpropagation Neural Network (Jaringan

Saraf Tiruan Propagasi Balik) sebagai teknik klasifikasi pada identifikasi citra Shorea dengan melakukan pelatihan dan pengujian data.

Tujuan

Tujuan penelitian ini adalah

mengimplementasikan teknik ekstraksi fitur menggunakan Discrete Wavelet Transform (DWT) dan Ekstraksi warna HSV serta teknik

klasifikasi Jaringan saraf tiruan

Backpropagation untuk pengenalan citra daun Shorea.

Ruang Lingkup

Ruang lingkup penelitian ini meliputi penggunaan Discrete Wavelet Transform 2-Dimensi famili Haar dan Daubechies 2 serta Transformasi Warna HSV untuk identifikasi citra daun Shorea.

TINJAUAN PUSTAKA

Shorea

Shorea adalah salah satu marga dari Dipterocarpaceae penghasil kayu terbaik

dalam perindustrian. Shorea memiliki sekitar 194 species yang persebarannya meliputi dari Jawa hingga ke arah timur Maluku (Newman 1999). Pohon Shorea dapat tumbuh dari batas permukaan laut sampai ketinggian 1750 m.

Ciri-ciri diagnostik utama pohon Shorea ialah sangat besar dengan pepagan dalam berlapis-lapis atau berwarna coklat merah gelap. Daun menjangat, tidak berlipatan, tidak bentuk perisai, tidak berlukup, berukuran 4-18 x 2-8 cm, pangkal daun biasanya simetris, permukaan bawah daun bila mengering pudar, pertulangan sekunder bersirip, 7-25 pasang, terpisah permanen, pada permukaan bawah daun bila mengering warnanya sama seperti helai daun, atau lebih gelap pada Shorea

Javanica (Newman 1999).

(10)

2

Analisis Tekstur

Tekstur adalah gambaran visual dari sebuah permukaan atau bahan. Dalam

computer vision, tekstur dicirikan dengan

variasi intensitas pada citra. Variasi intensitas dapat disebabkan oleh kekasaran atau perbedaan warna pada suatu permukaan. Penampilan tekstur dipengaruhi oleh skala dan arah pandangan lingkungan dan kondisi pencahayaan (Mäenpää 2003).

Secara umum tekstur mengacu pada pengulangan elemen-elemen tekstur dasar yang disebut primitif atau teksel (texture

element – texel).

Gambar 1 Contoh beberapa jenis tekstur.

Discrete Wavelet Transform

Wavelet berasal dari sebuah fungsi

penyekala (scaling function) (Stollnitz & Eric 1995). Fungsi ini dapat membuat sebuah induk wavelet (mother wavelet). Wavelet didasarkan pada pembangkitan sejumlah tapis (filter) dengan cara menggeser dan menskala

mother wavelet. Penambahan dan pengurangan skala akan mempengaruhi durasi waktu, lebar bidang (bandwidth) dan nilai frekuensi (Burrus & Guo 1998).

Transformasi wavelet dapat dibedakan menjadi dua, yaitu Continous Wavelet

Transform (CWT) dan Discrete Wavelet Transform (DWT). Discrete Wavelet Transform (DWT) merupakan proses fungsi wavelet yang akan dikalkulasi pada pemilihan

subset dari skala dan posisi tertentu. DWT digunakan pada proses pemfilteran yang menghasilkan koefisien wavelet (Misiti 2002). Pada citra, dilakukan transformasi

wavelet dua dimensi. Pada titik (x,y) atau baris

dan kolom pada matrik, dapat dihasilkan φ(x,y)=φ(x)φ(y) yang merupakan koefisien

scaling atau Aproksimasi(A). Pada ψ(x,y) atau

koefisien wavelet, pengolahan menghasilkan

tiga orientasi detail (D), yaitu

ψH_{(x,y)=φ(x)ψ(y) atau detail horizontal (Dh),}

ψV_{(x,y)=ψ(x)φ(y) atau detail vertikal (Dv) dan}

ψH_{(x,y)=ψ(x)ψ(y) atau detail diagonal (Dd)}

(Gonzalez & Woods 2002). Adapun persamaan DWT pada fungsi f(x,y) ukuran M x N (Gonzalez & Woods 2002) ialah

( ) √ ∑ ∑ ( ) ( ) ( ) √ ∑ ∑ ( ) ( ) Inverse DWT, ( ) √ ∑ ∑ ( ) ( ) √ ∑ ∑ ∑ ∑ ( ) ( )

Transformasi wavelet melakukan

dekomposisi pada proses pemfilteran. Proses pemfilteran dibagi dua, yaitu low-pass dan

high-pass. Low-pass digunakan pada low-frequency berupa koefisien scaling atau

Aproksimasi(A), sedangkan high-pass pada

high-frequency berupa koefisien wavelet.

Adapun tampilan citra yang telah diproses dekomposisi diperlihatkan pada Gambar 2.

Gambar 2 Tampilan citra hasil dekomposisi.

Proses dekomposisi akan mengekstraksi fitur sekaligus mereduksi ukuran citra menjadi lebih kecil sehingga mempercepat proses identifikasi.

Wavelet Haar

Wavelet Haar merupakan wavelet yang

paling sederhana dan merupakan langkah awal yang baik untuk tahap poses berikutnya (McAndrew 2004). Fungsi Haar scaling didefinisikan sebagai berikut (Burrus & Guo 1998):

( ) {

Selain itu, fungsi Haar wavelet

didefinisikan sebagai berikut (McAndrew 2004):

( ) {

(11)

Proses dekomposisi Haar menerapkan

bank filter dengan h(0) = h(1) = 1/√2 sebagai

koefisien low-pass yang menghasilkan citra pendekatan dan g(0) = 1/√2, g(1) = -1/√2

sebagai koefisien high-pass yang

menghasilkan citra detail. Citra hasil dekomposisi akan berukuran seperempat dari ukuran citra sebenarnya.

Wavelet Daubechies

Wavelet Daubechies secara historis berasal

dari sistem Haar dan ditulis sebagai ‘dbN’ dengan N menunjukkan orde dengan 2 koefiesien (db2), 4 koefisien (db4), dan seterusnya.

Db2 memiliki scaling function dengan koefisien low-pass sebagai berikut (Burrus & Guo 1998). ( ) √ √ ( ) √ √ ( ) √ √ ( ) √ √ Nilai koefisien high-pass fungsi wavelet db2, adalah g0 = h3, g1 = -h2, g2 = h1, g3 = -h0.

Pengolahan Citra Berwarna Model HSV Model warna HSV terdiri atas Hue,

Saturation, dan Value. Hue merepresentasikan

panjang gelombang dominan dalam campuran

gelombang cahaya. Saturation

mengindikasikan selang keabuan atau tingkat intensitas dalam ruang warna. Value

menunjukkan tingkat kecerahan sehingga HSV juga biasa disebut Hue Saturation

Brightness (HSB) (Georgieva et al. 2005).

Transformasi RGB menjadi HSV

diperoleh menggunakan formula di bawah ini: { _{ ( ) ( ) ( ) ( )( ) } ( ) ( ) (Gonzalez & Woods 2002)

Selain menggunakan transformasi warna, digunakan juga histogram warna. Histogram warna menggambarkan penyebaran nilai intensitas piksel dari suatu citra. Puncak histogram menampilkan intensitas piksel yang paling menonjol sedangkan lebar puncak menggambarkan lebar kontras (Widodo 2009).

Backpropagation Neural Network

Backpropagation Neural Network atau

Jaringan Saraf Tiruan Propagasi Balik adalah suatu sistem pemrosesan informasi yang memiliki karateristik tertentu seperti jaringan saraf biologis (Fauset 1994). Jaringan saraf

tiruan telah dikembangkan sebagai

generalisasi model matematika dari saraf biologis manusia.

Jaringan saraf tiruan propagasi balik merupakan algoritme pembelajaran yang terawasi (supervised learning) dan biasanya digunakan oleh jaringan multilayer untuk mengubah bobot yang terhubung dengan semua neuron pada hidden layer. Jaringan saraf tiruan propagasi balik dikembangkan oleh Rumelhart, Hinton, dan Williams pada tahun 1986. Propagasi Balik merupakan metode pembelajaran yang efektif untuk jaringan multilayer yang memiliki input layer,

output layer, dan hidden layer.

METODE PENELITIAN

Tahapan yang akan dilakukan pada penelitian ini secara umum dapat dilihat pada Gambar 3.

Citra Daun

Citra Daun yang digunakan pada

penelitian adalah daun Shorea dengan 10

species. Satu species diwakili dengan 10 citra,

sehingga total citra ada sebanyak 100 citra. Sebanyak 70 citra merupakan citra daun yang digunakan sebagai data latih dan 30 citra lainnya merupakan citra kueri yang digunakan sebagai data uji. Citra yang digunakan berukuran 3648x2736. Citra ini diakuisisi menggunakan kamera digital. Citra yang digunakan pada penelitian ini adalah Citra daun Shorea yang sampelnya diambil dari Kebun Raya Bogor.

(12)

4

Pengambilan Shorea dilakukan dengan cara memotong kurang lebih dua tangkai daun setiap species yang terdiri atas kurang lebih 10 daun pada tiap tangkai nya. Setelah proses akuisisi citra, daun Shorea dipilah-pilah dan diambil yang kualitas daun nya terlihat baik dalam hal bentuk daun utuh dan struktur daun jelas. Daun yang telah diakuisisi kemudian diberikan latar belakang kertas putih untuk dijadikan citra percobaan baik untuk pelatihan atau pun pengujian.

Praproses

Pada tahapan ini, citra daun yang diakuisisi dengan kamera digital menjadi citra RGB dan diberikan latar belakang putih. Citra akan dipraproses dengan mengubah citra tersebut ke dalam ruang warna grayscale dan dilakukan histogram equalization untuk mempertajam nilai kontras citra. Citra

grayscale digunakan untuk ekstraksi tekstur

menggunakan DWT. Untuk tahapan ekstraksi warna HSV, citra daun RGB diubah ke dalam ruang warna HSV.

Ekstraksi Tekstur dengan Discrete Wavelet Transform (DWT)

Citra daun yang telah dipraproses akan

ditransformasi menggunakan DWT 2D

dengan 2 tipe wavelet, yaitu Haar dan

Daubechies 2. Proses ini bertujuan menghasilkan Koefisien Aproksimasi (cA) dan Koefisien detail (cD).

Koefisien Aproksimasi (cA) merupakan komponen-komponen yang mewakili citra asli

yang telah difilter dengan menggunakan

low-pass filter. Koefisien aproksimasi pada

dekomposisi level 1 akan diproses untuk koefisien aproksimasi level 2 dan seterusnya. Pada penelitian ini, level dekomposisi yang digunakan sebanyak level 8. Hal ini agar dapat diperoleh koefisien aproksimasi (cA4)

dan koefiesien detail (cDh4, cDv4, cDd4)

dengan ukuran 11 x 15 pixel untuk wavelet famili haar dan ukuran 13 x 17 untuk wavelet famili daubechies 2 yang dapat mewakili citra asli.

Contoh citra untuk dekomposisi level 4

Wavelet Haar dalam bentuk citra aproksimasi

(cA), citra detail (cDh, cDv,cDd) pada Gambar 4.

Gambar 4 Deskripsi citra aproksimasi dan citra detail.

Ekstraksi Warna dengan Warna HSV Pada tahap ini, komponen warna R,G,B pada citra ditransformasikan ke dalam komponen warna HSV. Kemudian, nilai histogram citra tersebut dihitung untuk melihat penyebaran nilai intensitas warnanya. Hasil dari ekstraksi menggunakan histogram akan dijadikan nilai masukan pada jaringan saraf tiruan propagasi balik (Backpropagation

Neural Network).

Pelatihan menggunakan Backpropagation Neural Network

Hasil dari transformasi wavelet dan nilai transformasi warna HSV akan dijadikan Gambar 3 Metodologi penelitian.

(13)

masukan Backpropagation Neural Network. Adapun struktur JST propagasi balik yang digunakan dapat dilihat pada Tabel 1.

Banyaknya kelas target pada jaringan syaraf tiruan yang digunakan pada penelitian ini sesuai dengan jumlah species daun Shorea yaitu 10 kelas.

Tabel 1 Struktur JST propagasi balik

Karateristik Spesifikasi

Arsitektur 1 layer Hidden

Neuron Input Sesuai dengan dimensi pada level wavelet dan perhitungan histogram HSV

Neuron Hidden 10, 20,30,40, 50, 60, 70, 80, 90, 100

Neuron Output Banyaknya kelas target yaitu 10 Laju pelatihan (α) 0.01, 0.1, 0.5 Toleransi Kesalahan 0.01 Maksimal Iterasi 3000

Pada penelitian ini, pemilihan toleransi 0.01 dan laju pelatihan 0.01, 0.1, dan 0.5 diharapkan mampu meningkatkan tingkat akurasi. Pemilihan iterasi maksimum sebesar 3000 dilakukan untuk membatasi proses pelatihan (training) sehingga menghasilkan model jaringan syaraf tiruan yang efektif dan efisien.

Penelitian ini melakukan percobaan dengan mengombinasikan jumlah neuron

hidden layer, laju pelatihan terhadap dimensi

citra yang telah mengalami transformasi

wavelet, dan hasil transformasi HSV. Percobaan ini akan dilakukan pada 70 citra sebagai data latih. Selama proses pelatihan,

output yang dihasilkan dibandingkan dengan

target. Jika output belum mencapai target, pelatihan akan terus dilakukan dengan

memperbaiki bobot dengan cara

mempropagasi balik nilai koreksi galat output ke layer sebelumnya. Jika output sama dengan target, pelatihan akan berhenti. Akhirnya didapatkan model yang selanjutnya diteruskan untuk proses pengujian.

Pengujian

Pengujian data dilakukan oleh sistem yaitu dengan melihat hasil penelitian terhadap citra kueri atau citra uji. Hasil penelitian ini diukur dengan menggunakan tingkat akurasi dari data

citra yang diuji dan diamati. Persamaan akurasi didefinisikan sebagai berikut:

∑ _∑

Evaluasi

Evaluasi dilakukan dengan melakukan pengelompokan data yang telah dilakukan pengujian berdasarkan spesies dan ekstraksi fitur yang digunakan. Evaluasi dibuat dalam bentuk grafik agar dapat mudah dilihat dan dianalisis seberapa besar akurasi pada identifikasi daun Shorea.

Rancangan Percobaan

Percobaan penelitian ini dibagi menjadi lima bagian percobaan. Pada saat pelatihan, setiap percobaan menggunakan struktur JST propagasi balik yang sama. serta dilakukan pengujian dan evaluasi dari hasil pengujian. Adapun rancangan percobaan yang akan dilakukan dapat dilihat pada Tabel 2.

Tabel 2 Rancangan percobaan

Percobaan Metode Ekstraksi

1 DWT famili Haar

2 DWT famili Daubechies 2

3 Histogram Warna HSV

4 Haar + HSV, DB2 + HSV

5 Haar + DB2 + HSV

HASIL DAN PEMBAHASAN

Ada sepuluh jenis Shorea yang

diidentifikasi, yaitu Shorea Javanica, Johorensis, Lepida, Leprosula, Marcoptera, Materialis, Palembanica, Pinanga, Platycados dan Seminis. Sepuluh jenis Shorea

tersebut masing-masing terdiri atas sepuluh data citra.

Percobaan 1: Discrete Wavelet Transform famili Haar

Percobaan ini melibatkan data hasil foto 10 jenis Shorea yang telah diakuisisi, hasil foto tersebut dilakukan praproses dan dilakukan ekstraksi fitur Discrete Wavelete

Transform famili Haar sebanyak 8 dekomposisi. Setelah itu, dilakukan proses pelatihan menggunakan beberapa parameter JST, di antaranya adalah Hidden Neuron,

(14)

6

Neuron Hidden yang digunakan adalah 10, 20,

30, 40, 50, 60, 70, 80, 90, dan 100. Sementara itu, nilai parameter lain dibuat tetap yaitu

Learning rate = 0.01 dan Toleransi galat =

0.01. Percobaan ini menghasilkan akurasi

tertinggi sebesar 73.33% dengan

menggunakan parameter Neuron Hidden 40, 70, dan 80. Enam dari sepuluh spesies Shorea dapat teridentifikasi sebesar 100% ialah

Shorea Javanica, Shorea Lepida, Shorea Palembanica, Shorea Pinanga, Shorea Platycados dan Shorea Seminis. sedangkan Shorea Marcoptera tidak dapat teridentifikasi

dengan akurasi terkecil sebesar 0%. Shorea

Marcoptera teridentifikasi sebagai Shorea Materialis. Hal ini dikarenakan tekstur dan

struktur tulang daun kedua spesies ini terlihat sama. Grafik akurasi untuk setiap jenis Shorea pada percobaan ini dapat dilihat pada Gambar 5.

Gambar 5 Grafik tingkat akurasi setiap jenis

Shorea (DWT Haar).

Percobaan 2: Discrete Wavelet Transform famili Daubechies 2

Percobaan ini menggunakan data yang sama seperti percobaan pertama dan menggunakan parameter JST yang sama. Dari percobaan, didapatkan akurasi tertinggi sebesar 73.33% menggunakan parameter

neuron hidden 60 dan 80. Shorea Javanica, Shorea Leprosula, Shorea Palembanica, dan Shorea Platycados teridentifikasi dengan

akurasi sebesar 100%. Shorea Materialis tidak dapat teridentifikasi dan menghasilkan akurasi 0%. Shorea Materialis teridentifikasi sebagai

Shorea Pinanga. Hal ini disebabkan adanya

kesamaan struktur tulang daun dan bentuk pada kedua spesies tersebut. Tingkat akurasi yang dihasilkan untuk setiap jenis Shorea pada percobaan ini secara lengkap dapat dilihat pada Gambar 6.

Perbandingan percobaan 1 dan percobaan 2

Dari kedua percobaan tersebut diketahui bahwa Shorea Javanica, Shorea Palembanica dan Shorea Seminis, teridentifikasi secara baik dengan akurasi sebesar 100%. Untuk Shorea

Materialis pada kedua percobaan tersebut

memiliki rata-rata akurasi terendah dibandingkan dengan 9 spesies lainnya.

Shorea Materialis memiliki akurasi

masing-masing sebesar 33.33% untuk ekstraksi tekstur menggunakan Haar dan 0% untuk

Daubechies 2. Dari kedua percobaan tersebut, Shorea Materialis rata-rata teridentifikasi

sebagai Shorea Pinanga. Hal ini disebabkan adanya kesamaan permukaan, bentuk, dan luas daun serta adanya kemiripan pada struktur tulang daun pada kedua spesies tersebut.

Shorea (DWT Daubechies 2).

Percobaan 3: Ekstraksi Warna HSV Pada percobaan ini, didapatkan akurasi tertinggi sebesar 93.33% dengan parameter

neuron hidden 70. Sembilan dari sepuluh

spesies yang dapat teridentifikasi dengan baik memiliki akurasi sebesar 100% ialah Shorea

Javanica, Shorea Johorensis, Shorea Lepida, Shorea Leprosula, Shorea Marcoptera, Shorea Materialis, Shorea Pinanga, Shorea Platycados, dan Shorea Seminis. Shorea Palembanica memiliki akurasi sebesar 33.33%, dua dari tiga data uji tidak dapat

diidentifikasi. Shorea Palembanica

teridentifikasi sebagai Shorea Lepida dan

Materialis. Hal ini disebabkan adanya

kesamaan pada tingkat kecerahan warna citra. Tingkat akurasi yang dihasilkan setiap jenis

Shorea dapat dilihat secara lengkap pada

(15)

Percobaan 4: Kombinasi Ekstraksi Tekstur (DWT) dan Ekstraksi Warna (HSV)

Percobaan ini dilakukan pelatihan dengan menggunakan parameter JST neuron hidden yang sama seperti percobaan 1, 2, dan 3. Percobaan ini melakukan penggabungan data dari hasil ekstraksi tekstur dan ekstraksi warna menjadi satu buah data pelatihan model klasifikasi dan percobaan 4 ini dibagi menjadi dua bagian percobaan. Percobaan pertama menggunakan penggabungan ekstrasi tekstur

Discrete Wavelet Transform famili Haar dan

histogram HSV yang menghasilkan akurasi tertinggi sebesar 90% dengan neuron Hidden 30 dan 60. Shorea Javanica, Shorea Lepida,

Shorea Marcoptera, Shorea Materialis, Shorea Pinanga, Shorea Platycados, dan Shorea Seminis teridentifikasi dengan akurasi

sebesar 100%, sedangkan Shorea Johorensis,

Leprosula, dan Palembanica menghasilkan

akurasi sebesar 66.67%. Hal ini menunjukkan bahwa masing-masing spesies tersebut terdapat satu dari tiga data uji tidak dapat

teridentifikasi. Shorea Johorensis

teridentifikasi sebagai Shorea Leprosula,

Shorea Leprosula teridentifikasi sebagai Shorea Seminis, sedangkan Shorea

Palembanica teridentifikasi sebagai Shorea Lepida. Hal ini disebabkan adanya kesamaan

tekstur, bentuk, struktur tulang daun dan kecerahan warna pada ketiga pasang species tersebut. Grafik akurasi untuk setiap jenis

Shorea pada percobaan ini dapat dilihat secara

lebih lengkap pada Gambar 8.

Pada percobaan kedua, dilakukan

penggabungan ekstraksi tekstur Discrete

Wavelet Transform famili Daubechies 2 dan

histogram HSV menghasilkan akurasi tertinggi sebesar 90% dengan neuron hidden 90. Shorea Javanica, Shorea Lepida, Shorea

Leprosula, Shorea Marcoptera, Shorea Materialis, Shorea Pinanga, Shorea Platycados, dan Shorea Seminis teridentifikasi

dengan akurasi 100%, sedangkan Shorea

Leprosula, Shorea Palembanic, Shorea Seminis menghasilkan akurasi sebesar 66.67%. Shorea Leprosula teridentifikasi

sebagai Shorea Johorensis, Shorea

Palembanica teridentifikasi sebagai Shorea Lepida, dan Shorea Seminis teridentifikasi

sebagai Shorea Palembanica. Hal ini disebabkan adanya kesamaan tekstur, bentuk, struktur tulang daun, dan kecerahan warna pada ketiga pasang spesies tersebut. Tingkat akurasi setiap jenis Shorea pada percobaan ini dapat dilihat secara lebih lengkap pada Gambar 9.

Shorea (DB2 - HSV).

Percobaan 5: Kombinasi Ekstraksi Tekstur DWT Haar, Daubechies dan Ekstraksi Warna (HSV)

Pada percobaan ini, dilakukan proses penggabungan seluruh ekstraksi fitur tekstur dan ekstraksi warna. Percobaan ini juga menggunakan parameter yang sama dengan

percobaan sebelumnya. Percobaan

penggabungan seluruh fitur menghasilkan akurasi terbaik sebesar 93.33% dengan neuron

hidden 30, 40, dan 60. Sebanyak 9 dari 10

jenis Shorea teridentifikasi dengan akurasi Gambar 7 Grafik tingkat akurasi setiap

jenis Shorea (Histogram Warna HSV).

Gambar 8 Grafik tingkat akurasi setiap jenis Shorea (Haar - HSV).

(16)

8

sebesar 100%. Sembilan spesies tersebut ialah

Shorea Javanica, Johorensis, Lepida, Leprosula, Marcoptera, Materialis, Palembanica, Pinanga, dan Platycados. Pada Shorea Seminis hanya 1 dari 3 data uji yang

dapat teridentifikasi sehingga akurasinya hanya sebesar 33.33%. Shorea Seminis teridentifikasi sebagai Shorea Lepida dan

Shorea Leprosula. Hal ini disebabkan oleh

adanya kesamaan bentuk dan tekstur serta kecerahan warna antar ketiga spesies tersebut. Tingkat akurasi setiap jenis Shorea pada percobaan ini dapat dilihat secara lebih lengkap pada Gambar 10.

Shorea (Haar - DB2 - HSV).

Dalam percobaan penggabungan seluruh ekstraksi ini, dapat ditunjukkan bahwa masing-masing ekstraksi fitur saling mempengaruhi dalam proses identifikasi.

Seperti pada percobaan 4, Shorea

Palembanica dan Shorea Leprosula tidak

dapat teridentifikasi dengan baik dengan akurasi sebesar 66.66%. Akan tetapi setelah menggabungkan seluruh ekstraksi fitur,

Shorea Palembanica dan Shorea Leprosula

teridentifikasi dengan baik menghasilkan akurasi sebesar 100%.

Perbandingan dengan penelitian Terkait Pada Penelitian Puspitasari (2011), telah didapatkan rata-rata akurasi sebesar 90% dalam identifikasi daun Shorea menggunakan Jaringan Saraf Tiruan Propagasi Balik atau

Backpropagation Neural Network. Penelitian

ini menghasilkan rata-rata akurasi terbesar

84.67%. Adapun parameter yang

membedakan, yaitu objek penelitian. Penelitian Puspitasari (2011) menggunakan perhitungan karateristik morfologi daun sedangkan penelitian ini menggunakan citra sebagai objek penelitian. Percobaan citra cenderung lebih sulit dalam menentukan model klasifikasi secara akurat dibandingkan

dengan percobaan menggunakan metode perhitungan manual berdasarkan morfologi daun. Hal ini disebabkan adanya noise pada citra yang mengakibatkan perbedaan nilai pada tiap spesies sehingga pelatihan kurang

sempurna dalam menentukan model

klasifikasinya. Selain itu, penelitian Puspitasari (2011) menggunakan 5 jenis

Shorea dalam identifikasi, sedangkan penelitian ini menggunakan 10 jenis Shorea yang sebagian besar berbeda jenis Shorea-nya dengan penelitian Puspitasari (2011). Penelitian Aminudin (2010) menggunakan ekstraksi warna RGB, HSV, dan YcbCr berbasis histogram, sedangkan penelitian ini menggunakan ekstraksi warna HSV dengan penggabungan ekstraksi fitur untuk mendapatkan peningkatan akurasi.

KESIMPULAN DAN SARAN Kesimpulan

Dari penelitian ini, dapat disimpulkan beberapa hal dalam identifikasi daun Shorea berdasarkan ekstraksi fitur dan ekstraksi warna, yaitu:

1 Pada percobaan awal proses

penggabungan ekstraksi fitur DWT dan ekstraksi warna HSV menghasilkan akurasi yang sangat baik sebesar 80%. 2 Pada percobaan kedua, percobaan

pertukaran data uji dan data latih serta penggabungan ekstraksi fitur dan ekstraksi warna HSV menghasilkan peningkatan akurasi sebesar 90%. 3 Ekstraksi Warna HSV merupakan faktor

yang signifikan dalam hal proses peningkatan dan penurunan akurasi dalam identifikasi Shorea.

Saran

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

1 Memperbanyak fitur-fitur lainnya seperti ekstraksi warna RGB, YcbCr dan ekstraksi tekstur seperti LBP, discrete

fourier transform.

2 Mengimplementasikan aplikasi berbasis android agar dapat digunakan secara

(17)

DAFTAR PUSTAKA

Aminudin P. 2010. Pemutuan belimbing manis dengan citra pelatihan tunggal menggunakan algoritme VFI5 berbasis histogram warna [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

Burrus CS, Guo H. 1998. Introduction to

Wavelets and Wavelet Transforms, A Primer. New Jersey: Prentice-Hall.

Fausett L. 1994. Fundamental of Neural

Network Architectures, Algorithms and Aplication. New Jersey: Prentice-Hall.

Georgieva L, Dimitrova T, Angelov N. 2005. RGB and HSV colour models in colour identification of digital traumas image. http://ecet.ecs.ru.acad.bg/cst05/Docs/c p/sV/V.12.pdf/ [23 Okt 2011]

Gonzalez RC, Woods RE. 2002. Digital

Image Processing. Ed ke-2. New

Jersey: Prentice Hall.

Kanata B. 2008. deteksi sidik jari berbasis alihragam gelombang singkat (wavelet) dan jaringan syaraf tiruan (JST) khusus kota mataram dan sekitarnya[skripsi]. Mataram: Fakultas Teknik Elektro, Universitas Mataram.

Mäenpää T. 2003. The Local Binary Pattern

Approach to Texture Analysis.Oulu :

Oulu University Press.

McAndrew A. 2004. An Introduction to

Digital Image Processing with

MATLAB. Boston: Thomson Course Technology.

Misiti M. 2002. Wavelet Toolbox.The

Mathwork, Inc.

Newman MF. 1999. Pedoman Identifikasi

Pohon-pohon Dipterocarpaceae Jawa sampai Nugini. Bogor: PROSEA

INDONESIA.

Nurjayanti B. 2011. Identifikasi shorea menggunakan k-Nearest Neighbour berdasarkan karateristik morfologi daun [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Puspitasari D. 2011. Identifikasi jenis shorea

menggunakan jaringan syaraf tiruan

propagasi balik berdasarkan

karateristik morfologi daun [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

Stollnitz, Eric J. 1995. Wavelets for Computer

Graphic: A Primer Part 1. University

of Washington.

http://grail.cs.washington.edu/projects/ wavelets/article/wavelet1.pdf [23 Okt 2011].

Widodo Y. 2009. Penggunaan color histogram dalam image retrieval. [terhubung berkala]. http://ilmukomputer.org/wp- content/uploads/2009/10/yanuwid-cbir.pdf [15 Des 2011].

(18)

(19)

(20)

12

Lampiran 2 Confusion matrix penggabungan fitur Discrete wavelet transform famili Haar – Hsv

Keterangan :

 Java = Shorea Javanica  Joho = Shorea Johorensis  Lepid = Shorea Lepida  Lepro = Shorea Leprosula  Marco = Shorea Marcoptera  Mater = Shorea Materialis  Palem = Shorea Palembanica  Pinan = Shorea Pinanga  Platy = Shorea Platycados  Semin = Shorea Seminis Haar Hsv - Neuron Hidden 10

Shorea Kelas Prediksi

Java Joho Lepid Lepro Marco Mater Palem Pinan Platy Semin

K el as a sl i Java 3 Joho 3 Lepid 2 1 Lepro 3 Marco 3 Mater 3 Palem 1 2 Pinan 3 Platy 3 Semin 1 1 1

Haar Hsv - Neuron Hidden 20

K el as a sl i Java 3 Joho 3 Lepid 3 Lepro 3 Marco 2 1 Mater 3 Palem 1 2 Pinan 1 2 Platy 3 Semin 2 1

K el as a sl i Java 3 Joho 2 1 Lepid 3 Lepro 2 1 Marco 3 Mater 3 Palem 1 2 Pinan 3 Platy 3 Semin 3

(21)

Lanjutan

K el as a sl i Java 3 Joho 3 Lepid 3 Lepro 3 Marco 3 Mater 3 Palem 1 2 Pinan 3 Platy 3 Semin 1 2

K el as a sl i Java 3 Joho 1 2 Lepid 3 Lepro 3 Marco 1 2 Mater 3 Palem 1 1 1 Pinan 3 Platy 3 Semin 3

K el as a sl i Java 3 Joho 3 Lepid 3 Lepro 3 Marco 3 Mater 3 Palem 3 Pinan 2 1 Platy 1 2 Semin 3

K el as a sl i Java 3 Joho 2 1 Lepid 3 Lepro 3 Marco 1 2 Mater 3 Palem 1 1 1 Pinan 1 2 Platy 3 Semin 3

(22)

14

Lanjutan

K el as a sl i Java 3 Joho 3 Lepid 3 Lepro 1 2 Marco 1 2 Mater 1 2 Palem 1 2 Pinan 3 Platy 3 Semin 3

K el as a sl i Java 3 Joho 3 Lepid 3 Lepro 2 1 Marco 1 2 Mater 3 Palem 1 1 1 Pinan 1 2 Platy 3 Semin 1 2

(23)

Lampiran 3 Confusion matrix Discrete wavelet transform famili Daubechies 2 – Hsv

Daubechies 2 Hsv – Neuron Hidden 10

K el as a sl i Java 3 Joho 3 Lepid 3 Lepro 1 2 Marco 3 Mater 3 Palem 1 1 1 Pinan 3 Platy 3 Semin 3

K el as a sl i Java 3 Joho 3 Lepid 3 Lepro 3 Marco 3 Mater 3 Palem 1 1 1 Pinan 1 2 Platy 3 Semin 3

K el as a sl i Java 3 Joho 3 Lepid 3 Lepro 2 1 Marco 3 Mater 3 Palem 1 2 Pinan 1 2 Platy 3 Semin 3

K el as a sl i Java 3 Joho 3 Lepid 3 Lepro 3 Marco 3 Mater 3 Palem 1 1 1 Pinan 3 Platy 3 Semin 1 2

(24)

16

Lanjutan

K el as a sl i Java 3 Joho 2 1 Lepid 3 Lepro 1 1 1 Marco 3 Mater 3 Palem 1 1 1 Pinan 3 Platy 3 Semin 3

K el as a sl i Java 3 Joho 3 Lepid 3 Lepro 1 1 1 Marco 1 2 Mater 3 Palem 3 Pinan 1 2 Platy 3 Semin 1 2

K el as a sl i Java 3 Joho 3 Lepid 3 Lepro 3 Marco 3 Mater 1 2 Palem 1 1 1 Pinan 3 Platy 3 Semin 1 2

K el as a sl i Java 3 Joho 3 Lepid 3 Lepro 3 Marco 3 Mater 1 2 Palem 2 1 Pinan 3 Platy 3 Semin 1 2

(25)

Lanjutan

K el as a sl i Java 3 Joho 3 Lepid 3 Lepro 1 2 Marco 3 Mater 3 Palem 1 2 Pinan 3 Platy 3 Semin 1 2

K el as a sl i Java 3 Joho 1 2 Lepid 3 Lepro 3 Marco 3 Mater 3 Palem 1 1 1 Pinan 3 Platy 3 Semin 1 2

(26)

18

Lampiran 4 Confusion matrix Discrete wavelet transform famili Haar - Daubechies 2 -Hsv

Haar Daubechies 2 Hsv – Neuron Hidden 10

K el as a sl i Java 3 Joho 3 Lepid 3 Lepro 3 Marco 3 Mater 3 Palem 1 2 Pinan 3 Platy 3 Semin 1 2

K el as a sl i Java 1 1 1 Joho 3 Lepid 3 Lepro 3 Marco 3 Mater 3 Palem 1 2 Pinan 3 Platy 3 Semin 3

K el as a sl i Java 3 Joho 3 Lepid 3 Lepro 1 2 Marco 3 Mater 3 Palem 1 2 Pinan 3 Platy 3 Semin 3

K el as a sl i Java 3 Joho 1 2 Lepid 3 Lepro 3 Marco 3 Mater 3 Palem 3 Pinan 3 Platy 3 Semin 3

(27)

Lanjutan

K el as a sl i Java 3 Joho 3 Lepid 3 Lepro 3 Marco 3 Mater 2 1 Palem 3 Pinan 3 Platy 3 Semin 1 2

K el as a sl i Java 3 Joho 3 Lepid 3 Lepro 3 Marco 3 Mater 3 Palem 3 Pinan 3 Platy 3 Semin 1 1 1

K el as a sl i Java 3 Joho 3 Lepid 3 Lepro 2 1 Marco 3 Mater 3 Palem 1 2 Pinan 3 Platy 3 Semin 1 2

K el as a sl i Java 3 Joho 3 Lepid 3 Lepro 3 Marco 3 Mater 2 1 Palem 1 2 Pinan 3 Platy 3 Semin 1 1 1

(28)

20

Lanjutan

K el as a sl i Java 3 Joho 3 Lepid 3 Lepro 2 1 Marco 3 Mater 3 Palem 1 1 1 Pinan 3 Platy 3 Semin 3

K el as a sl i Java 3 Joho 3 Lepid 3 Lepro 3 Marco 3 Mater 3 Palem 1 1 1 Pinan 3 Platy 3 Semin 1 1 1

(29)

Lampiran 5 Tabel hasil akurasi species Shorea untuk ekstraksi fitur DWT famili haar

Haar Hidden Layer

10 20 30 40 50 Javanica 33.33% 100 % 66.67% 100 % 66.67% Johorensis 66.67% 66.67% 66.67% 66.67% 0.00% Lepida 66.67% 100 % 100 % 100 % 100 % Leprosula 33.33% 0.00% 100 % 33.33% 100 % Marcoptera 0.00% 66.67% 66.67% 0.00% 66.67% Materialis 100 % 33.33% 0.00% 33.33% 66.67% Palembanica 100 % 66.67% 0.00% 100% 0.00% Pinanga 0.00% 0.00% 100% 100% 100% Platycados 100 % 100% 100% 100% 100% Seminis 0.00% 100 % 33.33% 100% 33.33% Rata-rata 50.00% 63.33% 63.33% 73.33% 63.33%

Haar Hidden Layer

60 70 80 90 100 Javanica 100 % 100 % 100 % 100 % 100 % Johorensis 33.33% 33.33% 66.67% 66.67% 33.33% Lepida 100 % 100 % 100 % 66.67% 100 % Leprosula 66.67% 33.33% 100 % 33.33% 66.67% Marcoptera 66.67% 100% 66.67% 66.67% 100% Materialis 33.33% 100% 66.67% 100% 0.00% Palembanica 66.67% 66.67% 66.67% 100% 66.67% Pinanga 100% 0.00% 100% 0.00% 100% Platycados 66.67% 100% 0.00% 100% 66.67% Seminis 66.67% 100% 66.67% 0.00% 33.33% Rata-rata 70.00% 73.33% 73.33% 63.33% 66.67%

Lampiran 6 Tabel hasil akurasi species Shorea untuk ekstraksi fitur DWT famili daubechies 2

Daubechies 2 Hidden Layer

60 70 80 90 100 Javanica 100 % 100 % 100 % 100 % 100 % Johorensis 33.33% 33.33% 66.67% 66.67% 33.33% Lepida 100 % 100 % 100 % 66.67% 100 % Leprosula 66.67% 33.33% 100 % 33.33% 66.67% Marcoptera 66.67% 100% 66.67% 66.67% 100% Materialis 33.33% 100% 66.67% 100% 0.00% Palembanica 66.67% 66.67% 66.67% 100% 66.67% Pinanga 100% 0.00% 100% 0.00% 100% Platycados 66.67% 100% 0.00% 100% 66.67% Seminis 66.67% 100% 66.67% 0.00% 33.33% Rata-rata 70.00% 73.33% 73.33% 63.33% 66.67%

Daubechies 2 Hidden Layer

10 20 30 40 50 Javanica 100% 66.67% 100% 100% 66.67% Johorensis 33.33% 66.67% 33.33% 33.33% 33.33% Lepida 33.33% 33.33% 66.67% 100% 66.67% Leprosula 33.33% 66.67% 66.67% 66.67% 33.33% Marcoptera 66.67% 100% 0.00% 100% 66.67% Materialis 100% 66.67% 66.67% 0.00% 33.33% Palembanica 66.67% 100% 66.67% 100% 100% Pinanga 0.00% 66.67% 100% 33.33% 100% Platycados 66.67% 100% 100% 100% 100% Seminis 66.67% 33.33% 0.00% 0.00% 100% Rata-rata 56.67% 70.00% 60.00% 63.33% 70.00%

(30)

22

Lampiran 7 Tabel hasil akurasi species Shorea untuk ekstraksi warna histogram HSV

HSV Hidden Layer 60 70 80 90 100 Javanica 66.67% 100% 100% 66.67% 100% Johorensis 100% 100% 100% 100% 100% Lepida 100% 100% 0.00% 100% 100% Leprosula 100% 100% 66.67% 100% 33.33% Marcoptera 100% 100% 100% 100% 100% Materialis 100% 100% 100% 100% 100% Palembanica 33.33% 66.67% 66.67% 33.33% 33.33% Pinanga 33.33% 100% 66.67% 100% 100% Platycados 100% 100% 100% 100% 100% Seminis 33.33% 100% 100% 100% 100% Rata-rata 76.67% 96.67% 80.00% 90.00% 86.67%

Lampiran 8 Tabel hasil akurasi species Shorea untuk penggabungan ekstraksi fitur DWT famili

haar dan ekstraksi warna HSV

Haar - HSV Hidden Layer

60 70 80 90 100 Javanica 100% 100% 100% 100% 100% Johorensis 100% 66.67% 100% 100% 100% Lepida 100% 100% 100% 100% 100% Leprosula 100% 100% 33.33% 66.67% 66.67% Marcoptera 100% 66.67% 66.67% 66.67% 66.67% Materialis 100% 100% 66.67% 100% 100% Palembanica 100% 33.33% 66.67% 33.33% 33.33% Pinanga 33.33% 66.67% 100% 66.67% 66.67% Platycados 66.67% 100% 100% 100% 100% Seminis 100% 100% 100% 66.67% 66.67% Rata-rata 90.00% 83.33% 83.33% 80.00% 80.00% HSV Hidden Layer 10 20 30 40 50 Javanica 100% 66.67% 100% 66.67% 66.67% Johorensis 100% 100% 100% 100% 100% Lepida 100% 100% 100% 66.67% 100% Leprosula 100% 100% 0.00% 100% 100% Marcoptera 100% 100% 100% 100% 100% Materialis 100% 66.67% 100% 100% 100% Palembanica 33.33% 33.33% 0.00% 33.33% 66.67% Pinanga 100% 33.33% 33.33% 0.00% 100% Platycados 100% 100% 100% 100% 100% Seminis 0.00% 100% 100% 100% 33.33% Rata-rata 83.33% 80.00% 73.33% 76.67% 86.67%

Haar - HSV Hidden Layer

10 20 30 40 50 Javanica 100% 100% 100% 100% 100% Johorensis 100% 100% 66.67% 100% 66.67% Lepida 66.67% 100% 100% 100% 100% Leprosula 100% 100% 66.67% 100% 100% Marcoptera 100% 0.00% 100% 100% 66.67% Materialis 100% 100% 100% 100% 100% Palembanica 66.67% 66.67% 66.67% 0.00% 33.33% Pinanga 100% 66.67% 100% 100% 100% Platycados 100% 100% 100% 100% 100% Seminis 33.33% 33.33% 100% 66.67% 100% Rata-rata 86.67% 76.67% 90.00% 86.67% 86.67%

(31)

Lampiran 9 Tabel hasil akurasi species Shorea untuk penggabungan ekstraksi fitur DWT famili

daubechies 2 dan ekstraksi warna HSV

DB2 - HSV Hidden Layer 60 70 80 90 100 Javanica 100% 100% 100% 100% 100% Johorensis 100% 100% 100% 100% 33.33% Lepida 100% 100% 100% 100% 100% Leprosula 0.00% 100% 100% 66.67% 100% Marcoptera 66.67% 0.00% 100% 100% 100% Materialis 100% 100% 33.33% 100% 100% Palembanica 100% 33.33% 66.67% 66.67% 33.33% Pinanga 66.67% 100% 100% 100% 100% Platycados 100% 100% 100% 100% 100% Seminis 66.67% 66.67% 66.67% 66.67% 66.67% Rata-rata 80.00% 80.00% 86.67% 90.00% 83.33% DB2 - HSV Hidden Layer 10 20 30 40 50 Javanica 100% 100% 100% 100% 100% Johorensis 100% 100% 100% 100% 66.67% Lepida 100% 100% 100% 100% 100% Leprosula 0.00% 100% 66.67% 100% 33.33% Marcoptera 100% 100% 100% 100% 100% Materialis 100% 100% 100% 100% 100% Palembanica 33.33% 33.33% 66.67% 33.33% 33.33% Pinanga 100% 66.67% 66.67% 100% 100% Platycados 100% 100% 100% 100% 100% Seminis 100% 0.00% 100% 66.67% 100% Rata-rata 83.33% 80.00% 90.00% 90.00% 83.33%

(32)

24

Lampiran 10 Tabel hasil akurasi species Shorea penggabungan ekstraksi fitur DWT famili

haar, daubechies 2 dan Histogram HSV

Haar - DB2 - HSV Hidden Layer

60 70 80 90 100 Javanica 100% 100% 100% 100% 100% Johorensis 100% 100% 100% 100% 100% Lepida 100% 100% 100% 100% 100% Leprosula 100% 66,67% 100% 66,67% 100% Marcoptera 100% 100% 100% 100% 100% Materialis 100% 100% 66,67% 100% 100% Palembanica 100% 66,67% 66,67% 33,33% 33,33% Pinanga 100% 100% 100% 100% 100% Platycados 100% 100% 100% 100% 100% Seminis 33,33% 66,67% 33,33% 100% 33,33% Rata-rata 93,33% 90,00% 86,67% 90,00% 86,67%

Haar - DB2 - HSV Hidden Layer

10 20 30 40 50 Javanica 100% 33,33% 100% 100% 100% Johorensis 100% 100% 100% 33,33% 100% Lepida 100% 100% 100% 100% 100% Leprosula 100% 100% 66,67% 100% 100% Marcoptera 100% 100% 100% 100% 100% Materialis 100% 100% 100% 100% 66,67% Palembanica 66,67% 66,67% 66,67% 100% 100% Pinanga 100% 100% 100% 100% 100% Platycados 100% 100% 100% 100% 100% Seminis 66,67% 100% 100% 100% 66,67% Rata-rata 93,33% 90,00% 93,33% 93,33% 93,33%

(33)

Penguji : 1 Dr Ir Agus Buono MSi MKom 2 Sony Hartono Wijaya SKom MKom