The Classification of Freycinetia Based on Stomata Anatomic Image Using K-Nearest Neighbor and Artificial Neural Network

KLASIFIKASI

FREYCINETIA

BERBASIS CITRA ANATOMI

STOMATA MENGGUNAKAN K -NEAREST NEIGHBOR

DAN

JARINGAN SYARAF TIRUAN

ARIE QUR’ANIA

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

PERNYATAAN MENGENAI TESIS DAN

SUMBER INFORMASI

Dengan ini saya menyatakan bahwa tesis Klasifikasi Freycinetia Berbasis Citra Anatomi Stomata Menggunakan K -Nearest Neighbor dan Jaringan Syaraf Tiruan adalah karya saya dengan arahan dari komisi pembimbin g 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 tesis ini.

Bogor, Juni 2012

ABSTRACT

ARIE QUR’ANIA. The Classification ofFreycinetiaBased on Stomata Anatomic Image Using K-Nearest Neighbor and Artificial Neural Network. Under direction of AJI HAMIM WIGENA and AZIZ KUSTIYO

The classification of Freycinetia is conducted to portray the potential result and function of nutfah plasma spreader. This research is purposed to classify a variety ofFreycinetia based on stomata anatomic image by K -Nearest Neighbor (K-NN) and Artificial Neural Network (ANN). The Variety of Freycinetia classification can be described by using two different ways that are morphology and anatomic characteristic. Stomata anatomic image is used to support morphology characteristic in the identification process, especially in uncompleted morphology image specimen and sample. There are two feature extraction techniques in this research. First, is to pick up the color and gray scale element in the image. The scale element has a red, green and blue color (RGB). The grayscale has an entropy, contrast, energy, homo geneity, gray scale and deviation standard. Second, is a wavelet decomposition technique which has a function for decreasing a size of the image without loosing its important element. The taken element becomes a coefficient image of w -entropy for each wavelet level. Ninety six data is used in this research, it contains of four kinds of Freycinetia. They are

Freycinetia angustifolia, Freycinetia imbricata, Freycinetia javanica, and

Freycinetia sumatrana. The result shows an accuracy level for K-NN according to RGB and gray scale is 86 .46% and according to wavelet decomposition is 96.88%. Whereas, the accuracy level of ANN based on RGB color and gray scale element is 94.79% and according to wavelet decomposition is 9 9%. The classification result of plant variety, especially Freycinetia based on stomata image with high accuracy, will be an alternative tool to identify taxonomy type.

RINGKASAN

ARIE QUR’ANIA. Klasifikasi Freycinetia Berbasis Citra Anatomi Stomata Menggunakan K-Nearest Neighbor dan Jaringan Syaraf Tiruan . Dibimbing oleh AJI HAMIM WIGENA dan AZIZ KUSTIYO.

Freycinetia merupakan genus terbesar kedua dari famil i Pandanaceae, yang memiliki sekitar 200-300 jenis (Stone 1970; Callmander et al. 2003). Klasifikasi jenis Freycinetia dilakukan menggunakan dua cara, yaitu ciri morfologi dan ciri anatomi. Ciri anatomi stomata dapat digunakan untuk mendukung ciri morfologi dalam proses klasifikasi jenis, khususnya pada kasus spesimen atau sampel yang memiliki ciri morfologi yang tidak lengkap. Bagian anatomi yang dapat dianalisis adalah bagian permukaan daun yang menghasilkan ciri bentuk serta jumlah epidermis dan stomata. P engamatan anatomi stomata di laboratorium dilakukan dengan membuat sayatan irisan paradermal (posisi irisan memanjang) untuk dibuat preparat yang s iap diamati menggunakan mikroskop . Hasil pengamatan mikroskop kemudian dianalisis berdasarkan jumlah epidermis dan stomata untuk menghasilkan nilai kerapatan dan indeks stomata. Proses perhitungan nilai kerapatan dan indeks stomata membutuhkan keahlian, pengalaman, ketelitian dan waktu dalam menentukan karakteristik jenis

Freycinetia.

Penelitian terdahulu menggunakan citra dengan praproses nilai red, green, blue (RGB) pada citra warna dan analisis tekstur pada citra grayscale untuk identifikasi jenis kayu menggunakan Jaringan Syaraf Tiruan (Gasim 2006) telah dilakukan dengan tingkat akurasi 100%. Penelitian tersebut menggunakan praproses lain yaitu wavelet dengan tingkat pengenalan tertinggi mencapai 60% . Tujuan utama dari penelitian ini adalah mengkl asifikasikan jenis Freycinetia

berbasis citra anatomi stomata menggunakan K-Nearest Neighbor (K-NN) dan Jaringan Syaraf Tiruan (JST) dan membandingkan tingkat akurasi kedua teknik tersebut dengan ekstraksi fitur RGB, analisis tekstur dan dekomposisi wavelet. Manfaat penelitian diharapkan dapat memberikan metode alternatif untuk membantu proses identifikasi jenis tumbuhan khususnya Freycinetia. Ruang lingkup dari penelitian ini adalah data digital citra anatomi stomata sebanyak 96 data, terdiri atas 80 data latih dan 16 data uji. Data citra anatomi stomata

Freycinetia terdiri atas empat jenis, yaitu Freycinetia angustifolia, Freycinetia imbricata, Freycinetia javanica, dan Freycinetia sumatrana.

Dua teknik ekstraksi fitur digunakan dalam penelitian ini . Pertama adalah ekstraksi fitur pada citra warna dan citra grayscale. Citra warna memiliki fitur

red, green, dan blue (RGB), sedangkan citra grayscale memiliki fitur entropi, kontras, energi, homogenitas, skala keabuan, dan standar deviasi. Fitur entropi, kontras, energi, dan homogenitas dikenal dengan analisis tekstur (Haralick et al.

Dekomposisiwavelet level dua menghasilkan tujuh fitur w-entropy. Dekomposisi

wavelet level tiga menghasilkan sepuluh fitur w-entropy. Dekomposisi wavelet

level empat menghasilkan tiga belas fitur w-entropy.

Empat macam percobaan dilakukan dalam penelitian . Percobaan pertama mengklasifikasikan citra menggunakan K-NN dengan ekstraksi fitur RGB dan analisis tekstur, sedangkan percobaan kedua mengklasifikasikan citra menggunakan JST. Percobaan ketiga dan keempat mengklasifikasikan citra menggunakan K-NN dan JST dengan ekstraksi fitur dekomposisi wavelet level satu (4 fitur w-entropy), level dua (7 fitur w-entropy), level tiga (10 fitur

w-entropy), dan level empat (13 fiturw-entropy).

Hasil penelitian secara umum menunjukkan tingkat akurasi K-NN (k=1 dan k=2) dengan ekstraksi fitur RGB dan analisis tekstur sebesar 86,46%, sedangkan ekstraksi fitur dekomposisi wavelet level satu sebesar 96,88%. Tingkat akurasi JST (hidden neuron 30) dengan ekstraksi fitur RGB dan analisis tekstur sebesar 94,79%, sedangkan ekstraksi fitur dekomposisi wavelet level satu sebesar 99%. Hasil penelitian menggunakanw-entropypada ekstraksi fitur dekomposisi wavelet

level satu menghasilkan akurasi relatif lebih tinggi dibandingkan ekstr aksi fitur RGB dan analisis tekstur. Tingkat akurasi menggunakan JST relatif lebih tinggi dibandingkan K-NN. Proses transformasi data menaikkan tingkat akurasi sebesar 8,33% pada klasifikasi menggunakan K-NN dengan ekstraksi fitur RGB dan analisis tekstur. Proses dekomposisi wavelet level dua hingga level empat dan penambahan jumlahhidden neuroncenderung tidak menaikkan nilai akurasi .

© Hak Cipta Milik IPB, tahun 20 12

Hak Cipta dilindungi Undang -Undang

Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau

menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pandidikan, penelitian,

penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu

masalah; dan pengutipan tersebut tidak merugikan kepentingan wajar IPB

KLASIFIKASI

FREYCINETIA

BERBASIS CITRA ANATOMI

STOMATA MENGGUNAKAN K -NEAREST NEIGHBOR

DAN

JARINGAN SYARAF TIRUAN

ARIE QUR’ANIA

Tesis

sebagai salah satu syarat untuk mem peroleh gelar Magister Komputer pada

Program Studi Ilmu Komputer

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

Judul Tesis

: Klasifikasi

Freycinetia

Berbasis Citra Anatomi Stomata

Menggunakan K-Nearest Neighbor dan

Jaringan Syaraf Tiruan

Nama

:

Arie Qur’ania

NRP

: G651090051

Disetujui

Komisi Pembimbing

Dr. Ir. Aji Hamim Wigena, M.Sc.

Aziz Kustiyo, S.Si., M.Kom.

Ketua

Anggota

Diketahui

Ketua Program Studi

Dekan Sekolah Pascasarjana

Ilmu Komputer

Dr. Yani Nurhadryani, S.Si., M.T.

Dr. Ir. Dahrul Syah, M.Sc.Agr.

PRAKATA

Assalamualaikum Wr.Wb.

Puji syukur penulis panjatkan ke hadirat Allah SWT karena atas segala rahmat, hidayah, dan karunia-Nya, penulis dapat menyelesaikan penelitian yang berjudul Klasifikasi Freycinetia Berbasis Citra Anatomi Stomata Menggunakan K-Nearest Neighbordan Jaringan Syaraf Tiruan.

Ungkapan terima kasih penulis ucapkan kepada dosen pembimbing Bapak Dr. Aji Hamim Wigena, M.Sc. dan Bapak Aziz Kustiyo S.Si., M.Kom. yang selalu memberikan arahan, bimbingan, dan motivasi dalam menyelesaikan penelitian ini. Terima kasih penulis ucapkan kepada Ibu Dr. Prasetyorini, Ibu Dra. Sri Setyaningsih, M.Si., dan Ibu Prihastuti Harsani, M.Si. atas doa, dukungan, dan kesempatan sehingga penulis dapat melanjutkan studi di Pascasarjana. Kepada Ibu Dr. Nursahara Pasaribu dan Bapak Ujang Hapid terima kasih penulis ucapkan atas bantuan data dan informasi dalam mendukung penelitian ini. Kepada ibunda serta putra tercinta Muhammad Fadil Ardiansyah dan Muhammad Hilman Aditya Zakiri terima kasih atas doa, kesabaran, dan kasih sayangnya selama penulis melakukan studi di sekolah Pascasarjana IPB, terakhir penulis ucapkan terima kasih kepada teman-teman angkatan XI Program Studi Ilmu Komputer atas kebersamaan dan dukungannya selama melakukan studi.

Semoga tulisan ini dapat memberikan manfaat untuk kita semua. Kritik dan saran yang membangun sangat penul is harapkan untuk kemajuan pengembangan aplikasi.

Bogor, Juni 2012

RIWAYAT HIDUP

Penulis dilahirkan di Bogor pada tanggal 27 April 1976 dari pasangan alm. Bapak Sapri Arifin dan Ibu Kusmiati Wardhani. Penulis merupakan putr i pertama dari tiga bersaudara. Penulis menem puh pendidikan di SD Negeri Kedung Badak I Bogor (1982– 1988), SMP Negeri 4 Bogor (1988 –1991), SMA Negeri 2 Bogor (1991 – 1994) dan tahun 1996 penulis masuk ke Program Studi Ilmu Komputer, Universitas Pakuan Bogor . Tahun 2009 penulis melanjutkan pendidikan sebagai mahasiswa Pascasarjana pada Program Stud i Ilmu Komputer Institut Pertanian Bogor.

Penulis pernah bekerja pada proyek Global Environment Facility (GEF)

Biodiversity Collections, Pusat Penelitian Biologi-LIPI (1995– 2001) dan proyek

xvii

DAFTAR ISI

Halaman

DAFTAR TABEL ... ... xix

DAFTAR GAMBAR ... ... xx

DAFTAR LAMPIRAN ... ... xxi

1 PENDAHULUAN ... 1

1.1 Latar belakang ... 1

1.2 Perumusan masalah ... ...3

1.3 Tujuan Penelitian...3

1.4 Ruang Lingkup Penelitian ... 3

2 TINJAUAN PUSTAKA ...5

2.1 Klasifikasi ... 5

2.1.1 K-Nearest Neighbor... 5

2.1.2 Jaringan Syaraf Tiruan ... 7

2.2 Ekstraksi Fitur ... 15

2.2.1 Citra RGB dan Skala Keabuan ... 15

2.2.2 Analisis Tekstur ...17

2.2.3 Discrete Wavelet Transform (DWT) ...18

2.3 Anatomi Stomata ... 21

2.4 Freycinetia... ... 22

3 METODE PENELITIAN ... ... 23

3.1 Tahapan Penelitian ... 23

3.2 Data Citra Anatomi Stomata ... ... 24

3.3 Ekstraksi Fitur ... 24

3.3.1 RGB dan Analisis Tekstur ... 24

3.3.2 DekomposisiWavelet... 25

3.4 Data Latih dan Data Uji ... 28

3.5 KlasifikasiFreycinetia ... 29

3.6 Akurasi ... 29

3.7 Alat dan Bahan Penelitian ... 30

3.8 Waktu dan Tempat Penelitian ... ... 30

4 HASIL DAN PEMBAHASAN ... 31

4.1 Ekstraksi Fitur Citra Stomata Freycinetia... ... 31

4.1.1 Ekstraksi Fitur RGB dan Analis is Tekstur ... 31

4.1.2 Ekstraksi Fitur dengan DekomposisiWavelet... 33

xviii

Halaman

4.3 KlasifikasiFreycinetia ...35

4.3.1 Percobaan Kesatu (RGB, analisis tekstur dengan K -NN) ... 35

4.3.2 Percobaan Kedua (RGB, analisis tekstur dengan JST ) ... 37

4.3.3 Percobaan Ketiga (Dekomposisi Waveletdengan K-NN) ... 39

4.3.4 Percobaan Keempat (DekomposisiWaveletdengan JST) ... 40

4.4 Hasil Percobaan ... 41

4.5 Prototype Sistem Klasifikasi Freycinetia ... 42

5 KESIMPULAN DAN SARAN ... 43

5.1 Kesimpulan ... ... 43

5.2 Saran ... 43

DAFTAR PUSTAKA ... ... 45

xix

DAFTAR TABEL

Halaman

1 Hasil ekstraksi fitur RGB dan analisis tekstur ...32

2 Nilaiw-entropypada dekomposisiwaveletlevel satu ... 33

3 Hasil perhitunganw-entropy dekomposisiwavelet level 1 hingga level 4 ... ... 34

4 Susunan data latih dan data uji ... 35

5 Confusion matrixpercobaan kesatu (k=1 dan k=2) ...36

6 Data yang salah diklasifikasikan dengan K-NN (k=2) ... 37

7 Confusion matrixpercobaan kedua (hidden neuron 10) ... 38

8 Confusion matrixpercobaan ketiga (k=1 dan k=2) ...39

9 Confusion matrixpercobaan keempat (hidden neuron 30) ... 40

10 Hasil percobaanfold6 menggunakan K-NN (k=1 dan k=2) ... 42

xx

DAFTAR GAMBAR

Halaman

1 Model tiruan sebuah neuron ... ...7

2 Arsitekturbackpropagation dengan satuhidden layer... 8

3 Fungsi aktivasi sigmoid biner dengan range (0,1) ... ...11

4 Fungsi aktivasi sigmoid bipolar dengan range ( -1,1) ... 12

5 Fungsi aktivasi purelin ...12

6 Contoh representasi citra RGB ... 15

7 Contoh representasi citragrayscale ... 16

8 Contoh perhitungan transformasi citra digital ...17

9 Contoh matriksintensitas co-occurence ... 17

10 Proses dekomposisi level 1 ( a), level 2 (b), level 3 (c) ... 19

11 Proses perataan dan pengurangan dekompo sisi penuh 3 level ... 20

12 Hasil dekomposisi pada citra 2 dimensi, citra asli (a), hasil dekomposisi arah baris (b), hasil dekomposisi arah kolom ... 20

13 Detail bagian anatomi stomata ... 21

14 Cara pengukuran panjang dan lebar sel stomata ...21

15 Tahapan proses penelitian ...23

16 Ekstraksi fitur pada citra warna dan grayscale ... ...25

17 Dekomposisiwaveletlevel satu hingga level tiga ... ...25

18 Ilustrasi pembentukan nilai w-entropypada dekomposisi wavelet level satu ... ... 26

19 Ilustrasi pembentukan nilai w-entropypada dekomposisi wavelet level dua ... ... 27

20 Ilustrasi nilaiw-entropypada dekomposisiwaveletlevel tiga ... 27

21 Ilustrasi nilaiw-entropypada dekomposisiwaveletlevel empat ... 28

22 Bentuk 6-fold cros validation ... ...29

23 Contoh ekstraksi fitur pada citra warna anatomi stomata ... 31

24 Contoh ekstraksi fitur pada citra grayscaleanatomi stomata ... 32

xxi

26 Dekomposisi citra anatomi stomata level satu (a), level dua (b),

level tiga (c), dan level empat (d) ... 34

27 Hasil percobaan RGB dan analisis tekstur dengan K -NN ... 36

28 Hasil percobaan RGB dan analisis tekstur dengan JST ... 37

29 Kemiripan jenisF. imbricata(a) denganF. sumatrana (b) ... 38

30 Hasil percobaan dekomposisiwaveletdengan K-NN ... 39

xxii

DAFTAR LAMPIRAN

Halaman

1 Hasil ekstraksi fitur RGB dan analisis tekstur ...49

2 Hasil ekstraksi fitur RGB dan an alisis tekstur (transformasi) ... 50

3 Hasil ekstraksi fitur (w-entropy) dekomposisi wavelet level 1 ... 51

4 Hasil ekstraksi fitur (w-entropy) dekomposisi wavelet level 2 ... 52

5 Hasil olah data RGB dan analisis tekstur dengan JST ... 53

6 Rekapitulasi kesalahan klasifikasi dengan K-NN ...54

7 Rekapitulasi kesalahan klasifikasi dengan JST ...55

1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Freycinetia adalah genus terbesar kedua dari famil i Pandanaceae, yang memiliki sekitar 200-300 jenis (Stone 1970; Callmander et al. 2003). Klasifikasi jenis Freycinetia dilakukan untuk mengetahui nilai potensial dan kegunaan serta penyebaran koleksi plasma nutfah pada keberadaan sumberdaya hayati.

Klasifikasi jenisFreycinetiadapat dilakukan menggunakan dua cara . Cara pertama menggunakan c iri morfologi berdasarkan karakteristik makroskopis seperti bentuk dan ukuran daun, warna buah, dan warna bunga. Cara ini dapat dilakukan jika ciri morfologi pada tumbuhan lengkap. Cara kedua menggunakan ciri anatomi berdasarkan karakteristik mikroskopis seperti struktur stomata, ukuran stomata, jumlah stomata, jumlah epidermis, kerapatan stomata, dan indeks stomata. Cara ini dilakukan sebagai data pendukung jika ciri morfologi pada tumbuhan tidak lengkap.

Penelitian menggunakan ciri anatomi stomata pada jenis Freycinetia

sebagai pendukung ciri morfologi telah dilakukan , di antaranya penggunaan struktur stomata, posisi stomata, karakteristik epidermis , ada atau tidak adanya stomata pada costal dan intercostals (Stace 1989), jenis Freycinetia di Sumatra (Pasaribu 2010). Penelitian lain yang menggunakan k arakteristik anatomi stomata untuk menganalisis jenis, yaitu untuk menganalisis jenis pisang (Damayanti 2007) dan menganalisis jenis salak (Haryanto 2010).

2

perhitungan kerapatan dan indeks stomata untuk menentukan karakteristik jenis

Freycinetia.

Pengamatan ciri anatomi stomata dengan mikroskop digital menghasilkan citra atau foto digital. Beberapa penelitian menggunakan citra digital untuk proses klasifikasi telah dilakukan, di antaranya citra tekstur untuk klasif ikasi kulit kayu, logam, pasir, ubin, dan air menggunakan metode tetangga terdekat dengan nilai k=1 mencapai akurasi 100% (Santoso et al.2007). Penelitian menggunakan citra dengan praproses nilai red, green, blue (RGB) pada citra warna dan analisis tekstur pada citragrayscale dilakukan untuk identifikasi jenis kayu menggunakan Jaringan Syaraf Tiruan (Gasim 2006), menghasilkan tingkat akurasi 100%. Penelitian tersebut menggunakan praproses lain yaitu wavelet untuk mengecilkan ukuran citra dan mengambil koefisien citra dengan tingkat pengenalan rata -rata 40% hingga 45% dan tertinggi mencapai 60% jika ditingkatkan jumlah hidden layer. Penelitian menggunakan wavelet untuk identifikasi penyakit padi dan

Anthurium (Wicaksana 2011) dengan tingkat akurasi 72,8%. Penelitian untuk identifikasiShoreaberdasarkan karakteristik morfologi daun menggunakan K -NN (Nurjayanti 2011) dan Jaringan Syaraf Tiruan (Puspitasari 2011) menghasilkan akurasi masing-masing sebesar 100% da n 90% .

Berdasarkan penelitian yang telah dilakukan, maka penelitian ini menggunakan citra anatomi stomata untuk klasifikasi jenis Freycinetia. Tahap untuk memudahkan proses klasifikasi jenis adalah dengan me lakukan ekstraksi fitur, yang bertujuan untuk mendapatkan ciri dari sebuah citra yang akan menjadi pembeda antara jenis Freycinetia. Dua teknik ekstraksi fitur digunakan dalam penelitian ini. Pertama adalah ekstraksi fitur pada citra warna dan citragrayscale. Citra warna memiliki fiturred, green, dan blue (RGB), sedangkan citra grayscale

memiliki fitur entropi, kontras, energi, homogenitas, skala keabuan, dan standar deviasi. Fitur entropi, kontras, energi, dan homogenitas dikenal dengan analisis tekstur (Haralick et al. 1973). Kedua adalah ekstraksi fitur dengan dekomposisi

wavelet pada level satu, level dua, level tiga, dan level empat. Dekomposisi

3

w-entropy. Dekomposisi waveletlevel tiga menghasilkan sepuluh fitur w-entropy.

Dekomposisiwaveletlevel empat menghasilkan tiga belas fitur w-entropy.

Berdasarkan penelitian yang telah dilakukan sebelumnya, maka penelitian ini menggunakan K-NN dan JST dengan ekstraksi fitur RGB, analisis tekstur, dan dekomposisiwavelet untuk klasifikasi jenis Freycinetia berdasarkan citra anatomi stomata. Hasil penelitian diharapkan dapat memberikan metode alternatif untuk membantu proses klasifikasi jenis tumbuhan khususnyaFreycinetia.

1.2. Perumusan Masalah

Perumusan masalah adalah menganalisis dua teknik ekstraksi fitur pada citra anatomi stomata. Pertama adalah ekstraksi fitur pada citra warna dan citra

grayscale. Kedua adalah ekstraksi fitur dekomposisi wavelet level satu yang menghasilkan empat fitur w-entropy, dekomposisi level dua (tujuh w-entropy), dekomposisi level tiga (sepuluh w-entropy), dan dekomposisi level empat (tiga belas w-entropy). Hasil ekstraksi fitur menjadi nilai input untuk K-NN dan JST, yang akan mengklasifikasikan citra anatomi stomata ke dalam empat jenis

Freycinetia.

1.3. Tujuan Penelitian

Tujuan dari penelitian ini adalah mengklasifikasikan jenis Freycinetia

berdasarkan citra anatomi stomata menggunakan K-NN dan JST dan membandingkan tingkat akurasi kedua teknik tersebut dengan ekstraksi fitur RGB, analisis tekstur dan dekomposisiwavelet.

1.4. Ruang Lingkup Penelitian

5

BAB II

TINJAUAN PUSTAKA

2.1. Klasifikasi

Klasifikasi adalah tugas pembelajaran yang memetakan setiap himpunan atribut x ke salah satu label kelas y yang telah didefinisikan sebelumnya. Klasifikasi dapat dipandang sebagai kotak hitam yang secara otomatis memberikan sebuah label ketika dipresentasikan dengan himpunan atribut dari

recordyang tidak diketahui.

Beberapa teknik klasifikasi yang digunakan adalah k-nearest neighbor

(KNN) dan Jaringan Syaraf Tiruan (JST). Setiap teknik menggunakan algoritme pembelajaran untuk mengidentifikasi model yang memberikan hubungan yang paling sesuai antara himpunan atribut dan label kelas dari data input.

Pendekatan umum yang digunakan dalam masal ah klasifikasi adalah data latih yang berisi record yang mempunyai label kelas ya ng diketahui. Data latih digunakan untuk membangun model klasifikasi untuk diaplikasikan pada data uji yang berisirecorddengan label kelas yang tidak diketahui (Duda 1995).

2.1.1. K-Nearest Neighbor

K-Nearest Neighbor merupakan salah satu metode yang dig unakan dalam klasifikasi. Prinsip kerja KNN adalah mengelompokkan data baru berdasarkan jarak ke beberapa data k tetangga terdekat (neighbor) dalam data pelatihan (Hanselman 1998). Nilai k yang terbaik untuk algo ritme ini tergantung pada data, secara umum nilai k yang tinggi akan mengurangi efek noise pada klasifikasi, tetapi membuat batasan antara setiap klasifikasi menjadi lebih kabur. Teknikcross

6

, ∑ ... (1)

dengan

d(x,y) : jarak euclidean antara vektor xdan vektory

xi : fitur keidari vektorx

yi : fitur keidari vektory

n : jumlah fitur pada vektorxdany

Langkah-langkah untuk menghitung metode K -NN :

1. Menentukan parameter k (jumlah tetangga paling dekat).

2. Menghitung kuadrat jarak euclid ean (query instance) masing-masing obyek terhadap data sampel yang diberikan.

3. Mengurutkan objek-objek tersebut ke dalam kelompok yang mempunyai jarak

euclideanterkecil.

4. Mengumpulkan kategori atau kelas Y (klasifikasi nearest neighbor) .

5. Dengan menggunakan kategori atau kelas nearest neighbor yang paling mayoritas maka dapat dipredisikan nilai query instance yang telah dihitung.

Konsep K-NN menggunakan fungsi jarak Euclidean, untuk menghindari perbedaan range nilai pada tiap atribut (fitur) maka perlu dilakukan transformasi. Transformasi digunakan untuk menyamakan skala fitur ke dalam sebuah range yang spesifik, misalnya -1 sampai 1 atau 0 sampai 1. Metode transformasi yang digunakan adalahMin Max Normalizationyang menghasilkan transformasi linear pada fitur data asli guna menghasilk an range nilai yang sama (Han & Kamber 2001) seperti pada persamaan (2).

_ _ _ ... (2)

dengan

: nilai baru fitur hasilMin-Max Normalization V : nilai fitur yang akan ditransformasi

minA : nilai minimum darifieldpada fitur yang sama

maxA : nilai maksimum darifieldpada fitur yang sama

new_minA : nilai minimum fitur yang diinginkan

9

Menurut Fausett (1994), algoritme pelatihan backpropagation adalah sebagai berikut :

Langkah 0. Inisialisasi bobot (biasanya digunakan nilai acak yang kecil) Langkah 1. Selama syarat henti salah, lakukan langkah 2 -9

Langkah 2. Untuk setiap pasangan pelatihan (masukan dan target), lakukan 3 -8 Fase 1 : Propagasi maju.

Langkah 3. Setiap unit masukan (Xi,i=1,...,n) menerima sinyal masukan xi dan meneruskannya ke seluruh unit pada lapisan di atasnya (hidden units).

Langkah 4. Setiap unit tersembunyi (Zj,j=1,...,p) menghitung total sinyal

masukan terboboti



   n i ij i j

j v xv

in z

1 0

_

lalu menghitung sinyal keluarannya dengan fungsi aktivasi )

_

( j

j f z in

z 

dan mengirimkan sinyal ini ke selur uh unit pada lapisan di atasnya (lapisan output)

Langkah 5. Setiap unit output (Yk,k=1,...,m) menghitung total sinyal masukan

terboboti



   p i jk j k

k w x w

in y

1 0

_

Lalu menghitung sinyal keluaran dengan fungsi aktivasi )

_

( _k

k f y in

y 

Fase 2: Propagasi mundur

Langkah 6. Setiap unit output (Yk,k=1,...,m) menerima sebuah pola terget yang

sesuai dengan pola masukan pelatihannya. Unit tersebut menghitung informasi kesalahan

) _ ( ' )

(t_k y_k f y in_k 



Kemudian menghitung koreksi bobot (digunakan untuk mengubah

wjknanti), wjk kzj

10

serta mengirimkan nilai _{k ke unit lapisan di bawahnya}

Langkah 7. Setiap unit tersembunyi (Zj,j=1,...,p) menghitung selisih input (dari

unit-unit pada layer diatasnya)



  m k jk k j w in 1 _  

lalu mengalikannya dengan turunan fungsi aktivasi untuk menghitung informasi error.

) __ ( '

_ j j

j  in f z in

 

selanjutnya menghitung koreksi bobot untuk mengubah vijnanti

i j ij x

v 



dan menghitung koreksi biasnya v0j j

Fase 3: Perubahan bobot.

Langkah 8. Setiap unit output (Yk,k=1,...,m) mengubah bias dan

bobot-bobotnya (j=0,...,p) : w_jk(new) w_jk(old)w_jk

setiap unit tersembunyi (Zj,j=1,...,p) mengubah bias dan bobot

-bobotnya (i=1,...,n) : v_ij(new₎v_ij(old₎v_ij

Langkah 9. Uji syarat henti :

Jika besar total squared-error



  n k k k y t 1 2 )

( lebih kecil dari

toleransi yang telah ditentukan atau jumlah epoh pelatihan sudah mencapai epoh maksimum, maka selesai; jika tidak maka kembali ke langkah 1.

digunakan berbentuk j Marquardt, I = matriks pertama error jaringan te

Matriks Jakobian masing-masing kompon Marquardt (η) dapat be nilai fungsi error lebih k baru yang diperoleh akan berikutnya. Sebaliknya, j lebih besar maka nilai η

dihitung kembali sehingg Algoritme pelatiha berikut:

Langkah 0 :

 Inisialisasi bobot a

 Inisialisasiepoch0

 Tetapkan maksimu Langkah 1 :

Jika kondisi penggentian target error), lakukan lan Langkah 2 :

 Epoch=epoch+ 1

 Untuk setiap data p Langkah 3 :

Unit/neuron outputY m pelatihan, jika diberikan dengan Xr adalah input suatu data pelatihan ke-r er : kesalahan pa tr : keluaran yan yr : keluaran aktu

jumlah kuadrat error (SSE), dengan η = ks identitas, J = matriks Jakobian yang terdiri da

terhadap masing-masing komponen bobot dan bia n tersusun dari turunan pertama fungsi error ponen bobot dan bi as koneksi jaringan. Nilai

berubah pada setiap epoch, jika satu epoch meng h kecil, nilai η akan dibagi oleh faktor τ. Bobot kan dipertahankan dan pelatihan dapat dilanjutkan a, jika setelah berjalan satu epochnilai fungsi error i η akan dikalikan factorτ. Nilai perubahan bobot ngga menghasilkan nilai yang baru.

ihan dengan metode Levenberg-Marquardt adala

 bobot awal dengan bilangan acak kecil

 h0, MSE 0

 umepochparameter LM (η> 0), faktorτdan tar

an belum terpenuhi (epoch< maksimumepochat angkah berikutnya.

 1

 a pelatihan, lakukan langkah 3 –4.

menerima target pola yang berhubungan dengan kan N pasangan input data pelatihan (Xr, tr), r = nput dan tradalah target yang akan dicapai. Kesala

-r didefinisikan sebagai:er=tr- yr, dimana : pada unit output

ang diinginkan (target) ktual.

13

= parameter dari turunan bias.

or terhadap ai parameter

enghasilkan obot dan bias an ke epoch

rror menjadi bobot dan bias

alah sebagai





 target error.

atau MSE >





n pola input = 1,2,…,N,

14

e adalah vektor kesalahan berukuran N x 1 yang tersusun dari er,r = 1,2,…,N. e

dapat dituliskan sebagai: … .

Bobot dan bias koneksi dinyatakan dalam vektor w, w merupakan vektor

berukuran ((2+n)p+1)x1 dapat dituliskan sebagai: .

Kesalahan suatu pelatihan jaringan oleh vektor bobot dan bias koneksi w pada suatu data pelatihan ke-r menjadi:

er(w) =(tr–yr) =(tr–f (xr, w)

Vektor kesalahan oleh vektor bobot dan bias koneksi w menjadi e(w) berukuran Nx1 yang tersusun dari er(w), dengan r = 1,2,…,N.

Hitung fungsi jumlah kuadrat error dengan persamaan:

Hitung matriks Jacobian untuk vektor bobot dan bias koneksi:

untuk r = 1,2,…N

a. Hitung matriks Hessian untuk vektor bobot dan bias koneksi.

b. Hitung perubahan vektor bobot dan bias dengan persamaan berikut:

∆

c. Hitung vektor bobot dan bias baru.

∆

d. Hitung kesalahan yang terjadi oleh bobot dan bias koneksi yang baru.

e. BandingkanE(w)denganE(w(baru)).

 JikaE(w)<=E(w(baru)) maka didapatkan η = η x τdan kembali ke langkah a.

 JikaE(w)>E(w(baru))maka didapatkanη = η÷τ

∆

17

R = 50 G = 65 B = 50

R = 40 G = 40 B = 55

R = 90 G = 90 B = 90

R = 80 G = 50 B = 50

58,80 41,71 89,99 58,96

R = 40 G = 80 B = 30

R = 50 G = 80 B = 50

R = 40 G = 90 B = 80

R = 20 G = 20 B = 50

62,34 67,61 73,91 23,42

R = 80 G = 60 B = 40

R = 70 G = 70 B = 70

R = 80 G = 90 B = 70

R = 10 G = 70 B = 10

63,69 69,99 84,72 45,22

[image:34.612.153.480.90.271.2]

Citra warna CitraGrayscale

Gambar 8 Contoh perhitungan transformasi citra digital .

2.2.2. Analisis Tekstur

Tekstur merupakan karakteristik yang dimiliki suatu objek yang secara alami terjadi sifat perulangan sehingga terjadi keteraturan pola tertentu yang terbentuk dari sekumpulan piksel-piksel dengan jarak dan arah tertentu. Kegunaan analisis tekstur di antaranya untuk mengklasifikasikan objek berdasarkan perhitungan fitur tekstur, di antaranya entropi, energi, kontras, homogenitas (Haralicket al. 1973).

Matriks yang menggambarka n frekuensi munculnya pasangan piksel dengan intensitas dan arah tertentu disebut matriks intensitas co-occurrence. Misalnya terdapat matrik s P dengan ukuran citra 4 x 5 dengan intensitas 1 – 8, maka matriks intensitas co-occurrence P0,1 dengan ukuran 8 x 8 untuk pasangan pixel yang berjarak 1 dengan sudut 0 derajat ditunjukkan pada Gambar 9 (Haralicket al.1973).

Gambar 9 Contoh matriksintensitas co-occurrence.

Grayscale=

[image:34.612.156.471.586.686.2]

18

Sebuah citra memiliki penyebaran piksel secara acak tanpa struktur yang tetap yang menyebabkan matriks intensitas co-occurrence tidak akan mempunyai pasangan dengan pola tertentu. Fitur yang berfungsi untuk mengukur keteracakan dari distribusi intensitas tersebut yaitu entropi. Fitur yang berfungsi untuk mengukur konsentrasi pasangan intensitas adalah energi. Fitur yang digunakan untuk mengukur kekuatan perbedaan intensitas adalah kontras. Fitur homogenitas berfungsi untuk mengukur tingkat homogen variasi intensitas (Ahmad 2005). Persamaan dari fitur tersebut adalah sebagai berikut :

Entropi = ∑ ∑ , , ... (4)

Energi = ∑ ∑ , ... . (5)

Kontras = ∑ ∑ , ... (6)

Homogenitas = ∑ ∑ .

| |... (7)

dengan

p(i1, i2) : pasangan matriksintensitas co-occurrence

i1 : menunjukkan baris

i2 : menunjukkan kolom.

2.2.3.Discrete Wavelet Transform (DWT)

Transformasi wavelet dilakukan penyaringan data menjadi low pass dan

20

37 35 28 28 58 18 21 15

level 1

Perataan Pengurangan

36 28 38 18 1 0 20 3

level 2

Perataan Pengurangan

32 28 4 10

level 3

Perataan Pengurangan

[image:37.612.106.505.77.303.2]

30 2

Gambar 11 Proses perataan dan pengurangan dekomposisi penuh 3 level .

Dekomposisi perataan dan pengurangan pada citra dua dimensi dilakukan dalam dua tahap, yaitu dekomposisi seluruh baris dan dilanjutkan dengan dekomposisi seluruh kolom. Ilustrasi proses dekomposisi ditunjukkan pada Gambar 12.

perataan dan pengurangan baris perataan dan pengurangan kolom

10 10 20 20 10 20 0 0 10 20 0 0

10 10 20 20 10 20 0 0 50 30 0 0

50 50 30 30 50 30 0 0 0 0 0 0

50 50 30 30 50 30 0 0 0 0 0 0

(a) (b) (c)

[image:37.612.101.513.441.578.2]

22

2.4. Freycinetia

Freycinetia merupakan jenis dari kelompok suku Pandanaceae dikenal dengan nama pandan hutan yang tergolong tumbuhan pemanjat. Habitat tersebar pada hutan primer, hutan sekunder dengan tanah berhumus dan ketinggian di bawah 1000 meter di atas permukaan laut (Pasaribu 2010).

Kegunaan Freycinetia adalah sebagai makanan pengganti, tongkol bunganya dikukus untuk dapat dimakan (Brink & Escobin 2003), beberapa jenis berfungsi sebagai tanaman hias (Dahlgren et al. 1985), tongkol bunga digunakan sebagai pewarna pada minuman tradisional Cina, bunga Freycinetia dapat digunakan sebagai pengharum pakaian, daunnya dapat digunakan sebagai campuran untuk membuat minyak wangi dan minyak gosok untuk penyakit rematik, daunnya dapat dipakai sebagai bahan baku unt uk pembuatan tikar. Kegunaan lain pandan hutan antara lain sebagai bahan pangan, penyedap masakan, bahan kerajinan, ritual, dan obat tradisi onal (Heyne, 1987). Freycinetia juga digunakan sebagai tanaman hias di New Zealand. Akar penunjang jenis

23

BAB III

METODE PENELITIAN

3.1. Tahapan Penelitian

Tahapan proses penelitian di tunjukkan pada Gambar 15 berikut.

Mulai

96 citra stomata

Ekstraksi fitur - RGB & Skala

Keabuan

Ekstraksi fitur - Wavelet

9 fitur _w-entropi

[image:40.612.101.481.194.684.2]

k-Fold cross validation k-Fold cross validation Data Pelatihan Data Pengujian Data Pelatihan Data Pengujian Klasifikasi 1. K-NN 2. JST Klasifikasi 1. K-NN 2. JST Analisis Akurasi Perbandingan akurasi Selesai

24

3.2. Data Citra Anatomi Stomata

Data yang digunakan pada penelitian ini adalah data citra anatomi stomata jenis Freycinetia, yaitu F. angustifolia, F. imbricata, F. javanica, F. sumatrana

(Pasaribu 2010), citra stomata diakuisisi menggunakan mikroskop digital (Mikroskop Nikon. AFX II -A). Data citra berjumlah 96 buah yang berasal dari empat jenis Freycinetia. Masing-masing jenis mempunyai 24 buah citra anatomi stomata. Dimensi citra adalah 640 x 480 piksel dengan format jpg. Dat a dari masing-masing jenis dibagi menjadi dua bagian, 20 buah untuk data latih dan 4 buah untuk data uji.

3.3. Ekstraksi fitur

Ekstraksi fitur bertujuan untuk mendapatkan fitur dari citra, terdapat dua teknik untuk ekstraksi fitur. Pertama adalah pengambilan fiturred (R),green(G), danblue(B) pada citra warna dan pada citragrayscalediambil fitur level keabuan, standar deviasi, dan empat fitur yang dikenal dengan analisis tekstur (entropi, energi, kontras, homogenitas). Kedua adalah pengambilan fitur w-entropy pada citragrayscale dengan teknik dekomposisi wavelet pada level satu (4 fitur), level dua (7 fitur), level tiga (10 fitur), dan level empat (13 fitur). Proses ekstraksi fitur menggunakan program M atlab 2008.

3.3.1. RGB dan Analisis Tekstur

26

Proses dekomposisiwaveletterdiri atas empat level, sebagai berikut : a. Proses dekomposisi waveletlevel satu

Proses ini akan menghasilkan empat buah subband, yaitu : 1. Koefisien Approksimasi (subbandLL1)

2. Koefisien Detail Horisontal (subbandHL1) 3. Koefisien Detail Vertikal (subbandLH1) 4. Koefisien Detail Diagonal (subbandHH1)

masing-masingsubbandakan diambil nilai w-entropy. Hasil dekomposisi wavelet

level satu akan menghasilkan empat nilai w-entropy seperti ditunjukkan pada Gambar 18.

Gambar 18 Ilustrasi pembentukan nilai w-entropypada dekomposisiwavelet

level satu.

b. Proses dekomposisiwaveletlevel dua

Proses ini akan menghasilkan tujuh buah subband, terdiri atas empat buah

subbandhasil dekomposisi koefisien approksimasi pada level satu, yaitu : 1. Koefisien Approksimasi (subbandLL2)

2. Koefisien Detail Horisontal (subbandHL2) 3. Koefisien Detail Vertikal (subbandLH2) 4. Koefisien Detail Diagonal (subbandHH2)

[image:44.612.132.500.81.187.2]

27

Gambar 19 Ilustrasi pembentukan nilai w-entropypada dekomposisiwavelet

level dua.

c. Proses dekomposisi level tiga

Proses dekomposisi level tiga dilakukan sama seperti dekomposisiwavelet

level satu dan dua. Jumlah subband yang dihasilkan pada dekomposisi level tiga sebanyak 10 buah, terdiri atas empat subband hasil dekomposisi koefisien approksimasi pada level dua, yaitu :

1. Koefisien Approksimasi (subbandLL3) 2. Koefisien Detail Horisontal (subbandHL3) 3. Koefisien Detail Vertikal (subbandLH3) 4. Koefisien Detail Diagonal (subbandHH3)

dan tiga buah subband hasil dari proses dekomposisi level dua, yaitu nilai koefisien detail horisontal (HL2), vertikal (LH2), dan diagonal (HH2), serta tiga buahsubbandhasil dari proses dekomposisi level satu, yaitu nilai koefisien detail horisontal (HL1), vertikal (LH1), dan diagonal (HH1), selanjutnya masing-masing subband akan diambil nilai w-entropy. Dekomposisi level ini menghasilkan 10 fiturw-entropyseperti ditunjukkan pada Gambar 20 .

w-entropy LL3

w-entropy

HL3 w-entopy HL2 w-entropy HL1 w-entropy LH3 w-entropy HH3 w-entopy LH2 w-entopy HH2 w-entropy LH1 w-entropy HH1

[image:44.612.156.452.536.687.2]

28

d. Proses dekomposisiwaveletlevel empat

Proses ini berhubungan dengan proses dekomposisi pada level -level sebelumnya. Jumlah subband pada proses ini sebanyak 13 subband, terdiri atas empat subband (LL4, HL4, LH4, HH4) hasil dekomposisi koefisien approksimasi pada level tiga, sembilan subband hasil koefisien detail horizontal, vertikal, dan diagonal pada level tiga (HL3, LH3, HH3), level dua (HL2, LH2, HH2), dan level satu (HL1, LH1, HH1). Setiapsubbandakan diambil nilai w-entropy. Dekomposisi level empat menghasilkan 13 fiturw-entropyseperti ditunjukkan pada Gambar 21 .

w-entropy

LL4

w-entropy

[image:45.612.144.491.232.480.2]

HL4 w-entropy HL3 w-entopy HL2 w-entropy HL1 w-entropy LH4 w-entropy HH4 w-entropy LH3 w-entropy HH3 w-entopy LH2 w-entopy HH2 w-entropy LH1 w-entropy HH1

Gambar 21 Ilustrasi nilai w-entropypada dekomposisiwaveletlevel empat.

3.4. Data Latih dan Data Uji

30

3.7. Alat dan Bahan Penelitian

Alat dan bahan yang digunakan dalam penelitian ini adalah sebagai berikut :

a. Software

- Sistem Operasi : MS Window XP Profesional Version 2002 SP2 - Pemograman : Matlab 2008, Microsoft Office Excel 2007 b. Hardware

- Processor Intel (R) CoreTMi3 - Memori DDR 2

- RAM 2,99 GB

3.8. Waktu dan Tempat Penelitian

31

BAB IV

HASIL DAN PEMBAHASAN

4.1. Ekstraksi Fitur Citra Anatomi StomataFreycinetia

Ekstraksi fitur yang dilakukan dalam penelitian ini menggunakan dua teknik, yaitu analisis tekstur dan dekomposisi wavelet.

4.1.1. Ekstraksi Fitur RGB dan Analisis Tekstur

Ekstraksi fitur RGB pada citra warna terdiri atas 3 fitur yaitu red, green,

[image:48.612.122.489.334.667.2]

dan blue. Fitur RGB dihasilkan dengan menghitung rata-rata (mean) dari nilai pikselred,green, danblue. Contoh hasil perhitungan nil ai RGB ditunjukkan pada Gambar 23.

Freycinetia angustifolia

R = 213 G = 135 B = 175

Freycinetia imbricata

R = 210 G = 159 B = 181

Freycinetia javanica

R = 208 G = 129 B = 169

Freycinetia sumatrana

R = 209 G = 163 B = 191

32

Ekstraksi fitur pada citragrayscale terdiri atas 6 fitur yaitu entropi, energi, kontras, homogenitas, level keabuaan, standar deviasi . Contoh hasil perhitungan ekstraksi fitur pada citra grayscale ditunjukkan pada Gambar 24. Hasil ekstraksi fitur pada citra warna dan grayscaleditunjukkan pada Tabel 1.

Freycinetia angustifolia

Entropi = 6,88 Energi = 0,26 Kontras = 0,31 Homogen. = 0,86 Level = 0,56 Std = 34,76

Freycinetia imbricata

Entropi = 6,49 Energi = 0,31 Kontras = 0,30 Homogen. = 0,87 Level = 0,62 Std = 28,85

Freycinetia javanica

Entropi = 6,69 Energi = 0,23 Kontras = 0,34 Homogen. = 0,85 Level = 0,55 Std = 29,21

Freycinetia sumatrana

[image:49.612.127.487.162.551.2]

Entropi = 6,85 Energi = 0,20 Kontras = 0,30 Homogen. = 0,86 Level = 0,65 Std = 31,38

Gambar 24 Contoh ekstraksi fitur pada citragrayscaleanatomi stomata.

Tabel 1 Hasil ekstraksi fitur RGB dan analisis tekstur

Jenis Red Green Blue Entropi Energi Kontras Homogen. Level Std

F.angustifolia 213 135 175 6,88 0,26 0,31 0,86 0,56 34,76

F.imbricata 210 159 181 6,49 0,31 0,30 0,87 0,62 28,85

F. javanica 208 129 169 6,69 0,23 0,34 0,85 0,55 29,21

[image:49.612.118.510.605.688.2]

33

Tabel 1 menunjukkan bahwa nilai fitur antar a jenis Freycinetia memiliki selisih nilai yang kecil, sehingga sulit untuk membedakan antar a jenis. Fitur yang memiliki kemiripan adalahred, entropi, level, kontras, energi, dan homogenitas.

4.1.2. Ekstraksi Fitur dengan DekomposisiWavelet

Ekstraksi fitur dengan dekomposisi wavelet adalah dekomposisi terhadap baris dan kolom, menghitung nilai perataan menggunakan persamaan ( 11) dan nilai pengurangan menggunakan persamaan (1 2). Proses dekomposisi wavelet pada penelitian ini dilakukan hingga level empat. Contoh proses dekomposisi level satu ditunjukkan pada Gambar 25. Fitur yang diambil pada dekomposisi

waveletadalah nilaiw-entropy. Contoh nilaiw-entropy pada dekomposisi wavelet

[image:50.612.134.499.324.443.2]

level 1 ditunjukkan pada Tabel 2. .

[image:50.612.149.485.511.609.2]

Gambar 25 Dekomposisiwaveletlevel satu pada citra anatomi stomata .

Tabel 2 Nilaiw-entropypada dekomposisiwaveletlevel satu

Jenis w-entropy

LowLow HighLow LowHigh HighHigh

F.angustifolia 863450 131569 140780 -45720

F.imbricata 886788 104998 128401 -31009

F. javanica 866799 116800 123194 13035

F. sumatrana 883552 102804 140115 -49247

Tabel 2 menunjukkan bahwa nilai w-entropy pada fitur LowLow dan HighLow

memiliki selisih nilai yang kecil untuk jenis F.angustifolia (kelas 1) dengan

Level 1 Level 2 Level 3 Level 4

LL1* 899841,7 LL2* 251732,3 LL3* 69628,4 LL4* 19080,7

HL1 110730,5 HL2 48681,9 HL3 15532,9 HL4 5134,1

LH1 87402,9 LH2 38478,4 LH3 12677,8 LH4 4201,9

35

4.2. Data Latih dan Data Uji

[image:52.612.147.489.250.370.2]

Data citra stomata untuk empat jenis Freycinetia berjumlah total 96 data, dengan masingmasing jenis berjumlah 24 data. Data citra stomata pada masing -masing jenis dalam penelitian ini dibagi menjadi 2 bagian yaitu data latih (20 data) dan data uji (4 data). Pembagian data mengikuti pola 6 cross validation, dimana data diujikan ke dalam 6 pola yang terdi ri dari pola 1 hingga pola 6 dengan rincian pada Tabel 4 sebagai berikut :

Tabel 4 Susunan data latih dan data uji

Pola Data Latih Data Uji

1 5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24 1,2,3,4

2 1,2,3,4,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24 5,6,7,8

3 1,2,3,4,5,6,7,8,13,14,15,16,17,18,19,20,21,22,23,24 9,10,11,12

4 1,2,3,4,5,6,7,8,9,10,11,12,17,18,19,20,21,22,23,24 13,14,15,16

5 1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,21,22,23,24 17,18,19,20

6 1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20 21,22,23,24

4.3. KlasifikasiFreycinetia

Penelitian ini menggunakan citra stomata untuk mengklasifikasikan jenis

Freycinetia ke dalam empat kelas. Penelitian ini melakukan empat macam percobaan, terdiri atas percobaan kesatu (RGB, analisis tekstur dengan K -NN), percobaan kedua (RGB, analisis tekstur dengan JST), percobaan ketiga (dekomposisi wavelet dengan K-NN), dan percobaan keempat (dekomposisi

wavelet dengan JST). Percobaan dilakukan menggunakan pola pada Tabel 4. Percobaan kesatu menggunakan dua macam input nilai, yaitu nilai fitur dengan transformasi dan nilai fitur tanpa transformasi.

4.3.1. Percobaan Kesatu (RGB, Analisis Tekstur dengan K-NN)

AKTUAL

PREDIKSI PREDIKSI

Tanpa Transformasi Dengan Transformasi

Kelas 1 Kelas 2 Kelas 3 Kelas 4 Kelas 1 Kelas 2 Kelas 3 Kelas 4

Kelas 1 20 0 4 0 23 0 1 0

Kelas 2 0 22 0 2 0 22 0 2

Kelas 3 3 0 21 0 1 0 23 0

Kelas 4 0 4 0 20 0 1 0 23

86.5% 86.5%

82.3% 84.4% 84.4% 84.4% 94.8% 94.8%

89.6% 91.7% 91.7% 91.7%

70% 80% 90% 100%

1 2 3 4 5 6

Aktual Prediksi

Data ke Kelas/Jenis Kelas/Jenis

2, 14, 18*, 20 (1) F.angustifolia (3) F.javanica

23*, 24* (2) F.imbricata (4) F.sumatrana

4, 5*, 16* (3) F.javanica (1) F.angustifolia

2, 8, 17, 18 (4) F.sumatrana (2) F.imbricata

0.9479 _0.9375 0.9479

70% 80% 90% 100%

10 20 30

AKTUAL PREDIKSI

Kelas 1 Kelas 2 Kelas 3 Kelas 4

Kelas 1 22 0 2 0

Kelas 2 0 22 0 2

Kelas 3 1 0 23 0

AKTUAL PREDIKSI

Kelas 1 Kelas 2 Kelas 3 Kelas 4

Kelas 1 24 0 0 0

Kelas 2 0 24 0 0

Kelas 3 0 2 22 0

AKTUAL PREDIKSI

Kelas 1 Kelas 2 Kelas 3 Kelas 4

Kelas 1 24 0 0 0

Kelas 2 0 24 0 0

Kelas 3 0 0 23 1

41

Tabel 9 menunjukkan kelas 1 (F.angustifolia), kelas 2 (F.imbricata), dan kelas 4 (F. sumatrana) terklasifikasi 100%, yaitu sebanyak 24 data terklasifikasi semuanya. Kelas 3 (F. javanica) terklasifikasi 23 data, 1 record dari kelas 3 terklasifikasi kelas 4. Percobaan keempat menghasilkan akurasi lebih tinggi dibandingkan percobaan ketiga. Hal ini menunjukkan klasifikasi menggunakan JST lebih baik dibandingkan K -NN.

4.4. Hasil Percobaan

Percobaan kesatu menggunakan ekstraksi fitur RGB dan analisis tekstur dengan K-NN menghasilkan tingkat kesalahan klasifikasi 13,54 % (tanpa transformasi) dan 5,21% (dengan transformasi). Jumlah data yang salah diklasifikasikan masing-masing sebanyak 13 buah data dan 5 buah data dengan nilai k=1 dan k=2. Percobaan kedua menggunakan pengenal pola JST menghasilkan tingkat kesalahan 5,21% atau sebanyak 5 buah data yang salah diklasifikasikan pada jumlah hidden neuron10 dan 30.

Percobaan ketiga menggunakan dekomposisi wavelet dengan K-NN (k=1 dan k=2) menghasilkan tingkat kesalahan klasifikasi 3,1% pada dekomposisi

wavelet level 1. Jumlah data yang salah klasifikasi sebanyak 3 buah data , sedangkan menggunakan JST pada percobaan keempat tingkat kesalahan menurun menjadi 1,0% atau hanya satu buah data yang salah klasifikasi pada jumlahhidden neuron 30. Percobaan dengan dekomposisi wavelet level dua hingga level empat ternyata tidak meningkatkan nilai akurasi . Jumlahhidden neuronsebanyak 10, 20, dan 30 pada JST tidak menghasilkan beda yang jauh dalam proses klasifikasi. Hasil percobaan menggunakan fold6 dengan K-NN ditunjukkan pada Tabel 10.

[image:59.612.121.502.103.356.2]

42

Tabel 10 Hasil percobaanfold6 menggunakan K-NN (k=1 dan k=2)

Aktual Prediksi (Analisis Tekstur) Prediksi (Wavelet)

Kelas/Jenis Data ke-Kelas/Jenis Dekat pada data ke-Kelas/Jenis Dekat pada data

ke-(1) F.angustifolia 21 (1) F.angustifolia 3 (1) F.angustifolia 3

22 7 8

23 3 7

24 1 4

(2) F.imbricata 21 (2) F.imbricata 4 (2) F.imbricata 18

22 15 18

23 (4) F.sumatrana*) 19 12

24 2 4

(3) F.javanica 21 (3) F.javanica 12 (3) F.javanica 12

22 15 19

23 9 13

24 10 20

(4) F.sumatrana 21 (4) F.sumatrana 6 (4) F.sumatrana 4

22 6 6

23 14 14

24 14 14

*) salah klasifikasi

Tabel 11 Rekapitulasi percobaan

KNN (k = 1 dan k=2) JST (jumlahhidden neuron= 30) RGB dan analisis tekstur

Wavelet (%) RGB dan analisis

tekstur (%) Wavelet (%) tanpa transformasi (%) dengan transformasi (%) 86,46 94,79

Level 1 96,88

94,79

Level 1 99,0

Level 2 92,71 Level 2 95,8

Level 3 90,63 Level 3 92,7

Level 4 90,63 Level 4 91,7

Tabel 11 menunjukkan hasil akurasi di atas 85%. Hasil percobaan dengan K -NN dicapai akurasi tertinggi pada k=1 dan k=2, sedangkan dengan JST dicapai akurasi tertinggi pada level satu dengan jumlahhidden neuron30.

4.5. Prototype Sistem KlasifikasiFreycinetia

43

BAB V

KESIMPULAN DAN SARAN

5.1.Kesimpulan

Berdasarkan penelitian yang dilakukan dapat diperoleh kesimpulan sebagai berikut :

1. Hasil klasifikasi citra stomata Freycinetia menggunakan K-NN dengan ekstraksi fitur RGB dan analisis tekstur pada data yang ditransformasi dapat meningkatkan nilai akurasi dari 86 ,46% menjadi 94,79%.

2. Hasil klasifikasi citra stomata Freycinetia menggunakan ekstraksi fitur RGB dan analisis tekstur dengan K -NN dan JST menghasilkan akurasi sebesar 86,46% dan 94,79%, dengan jumlah data yang salah diklasifikasikan masing -masing sebanyak 13 dan 5 buah data.

3. Hasil klasifikasi citra stomata Freycinetia menggunakan ekstraksi fitur dekomposisi wavelet (w-entropy) dengan K-NN dan JST menghasilkan akurasi sebesar 96,88% dan 99%, dengan jumlah data yang salah diklasifikasikan masing-masing sebanyak 3 dan 1 buah data, relatif lebih tinggi dibandingkan menggunakan ekstraksi fitur RGB dan analisis tekstur. 4. Hasil dekomposisi wavelet level dua hingga level empat cenderung tidak

menaikkan nilai akurasi, begitu pula dengan penambahan jumlah hidden neuronmenghasilkan akurasi yang relatif sama padahidden neuron10 dan 30.

5.2.Saran

45

DAFTAR PUSTAKA

Ahmad U. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya.

Yogyakarta: Graha Ilmu.

Brink M, Escobin RP. 2003. Fibre Plants. Wageningen: Prosea.

Callmander MW, Chassot P, Kupfer P, Lowry PP. 2003. Recognition of

Martellidendron a new genus of Pandanaceae, and its biogeographic implications.Taxon52:747-762.

Dahlgren RMT, Clifford HT, Yeo PF. 1985. The Families of the Monocotyledons.

Tokyo: Springer-Verlag.

Damayanti F. 2007. Analisis jumlah kromosom dan anatomi stomata pada beberapa plasma nutfah pisang (Musa sp.) asal Kalimantan Timur. Bioscientiae2007;4:53-61.

Duda RO, Hart PE. 1995. Pattern Classification and Scene Analysis 2nd edition.

New York: John Wiley & Sons.Inc .

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

Gasim. 2006. Jaringan syaraf tiruan untuk p engenalan jenis kayu berbasis c itra [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor.

Han J, Kamber M. 2001. Data Mining: Concepts and Techniques. Morgan Kaufmann.

Hanselman D, Littlefield B. 1998. “Mastering MATLAB 5, A Comprehensive

Tutorial and Reference”. Prentice-Hall Inc.

Haralick RM, K Shanmugam, Itshak Dinstein. 1973. Textural features for image classification. IEEE Transaction on System, Man and Cybernetics 3:6.

Haryanto FF. 2010. Analisis kromosom dan stomata tanaman Salak Bali (Salacca zalacca var. Amboinensis (Becc.) Mogea), Salak Padang Sidempuan (S. sumatrana (Becc.) Mogea) dan Salak Jawa (S. zalacca var. zalacca (Becc.) Mogea) [skripsi]. Surakarta: Fakultas Pertanian, Unive rsitas Sebelas Maret.

Hermawan A. 2006.Jaringan Syaraf Teori dan Aplikasi. Yogyakarta: ANDI

46

Kusumadewi S. 2004. Membangun Jaringan Syaraf Tiruan. Yogyakarta: Graha Ilmu.

McAndrew A. 2004. An Introduction to Digital Image Processing with Matlab. Australia: Thomson.

Nurjayanti B. 2011. Identifikasi Shorea menggunakan k-nearest neighbour

berdasarkan karakteristik morfologi daun [s kripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam , Institut Pertanian Bogor.

Pasaribu N. 2010. Freycinetia (Pandaceae) of Sumatra [disertasi]. Bogor: Program Pascasarjana, Institut Pertanian Bogor.

Puspitasari D. 2011. Identifikasi jenis Shoreamenggunakan jaringan syaraf tiruan propagasi balik berdasarkan karakteristik morfologi daun [s kripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam , Institut Pertanian Bogor.

Putra D. 2010.Pengolahan Citra Digital. Yogyakarta: Andi Offset.

Santoso I, Yuli Christyono, Mita Indriani. 2007. Kinerja Pengenalan Citra Teskstur Menggunakan Analisis Tekstur Metode Run Length. Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007) ; Yogyakarta, 16 Juni 2007.

Stace CA. 1989. Plant Taxonomy and Biosystematic. 2nded. Australia: Cambridge University Press.

Stone BC. 1970. Malayan climbing pandans. The genus Freycinetia in Malaya. Malay Nat J23 : 84-91

Wicaksana AC. 2011. Identifikasi penyakit padi dan Anthurium menggunakan wavelet dengan klasifikasi k -nearest neighbors [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam , Institut Pertanian Bogor.

Willmer CM. 1983. Stomata. New York: Longman Inc.

49

Lampiran 1 Hasil ekstraksi fitur RGB dan analisis tekstur

Data entropy std level kontras energy homoge R G B 1 6,92 34,26 0,56 0,30 0,23 0,86 211,78 131,61 172,88 2 6,83 30,70 0,55 0,28 0,22 0,86 208,74 126,35 168,98 3 6,88 34,76 0,56 0,31 0,26 0,86 213,28 134,81 175,46 4 7,02 36,65 0,55 0,32 0,21 0,85 209,60 131,86 172,96 5 6,66 28,21 0,56 0,25 0,26 0,88 213,76 129,30 171,03 6 6,55 24,71 0,57 0,25 0,25 0,88 210,12 124,99 167,66 7 6,60 27,93 0,56 0,27 0,28 0,88 215,37 130,28 172,25 8 6,85 31,98 0,56 0,28 0,24 0,87 210,78 131,12 172,16 9 7,39 44,72 0,53 0,35 0,12 0,83 202,26 119,12 160,54 10 7,38 43,44 0,55 0,36 0,12 0,83 199,73 120,12 161,38 11 7,41 45,84 0,54 0,38 0,12 0,83 202,22 120,00 161,62 12 7,48 49,42 0,53 0,40 0,11 0,82 198,93 121,98 163,63 13 7,44 46,80 0,52 0,35 0,12 0,84 204,42 116,34 158,76 14 7,32 42,02 0,56 0,35 0,13 0,83 206,47 125,18 167,20 15 7,44 47,20 0,54 0,36 0,12 0,83 204,61 121,86 163,41 16 7,45 47,96 0,54 0,40 0,11 0,81 203,90 123,23 165,99 17 6,84 31,68 0,55 0,28 0,23 0,87 212,25 125,18 164,68 18 6,91 33,12 0,50 0,27 0,20 0,87 208,35 111,22 151,43 19 6,60 26,79 0,58 0,26 0,28 0,88 217,32 131,28 171,15 20 6,87 31,71 0,55 0,29 0,21 0,86 212,94 123,87 163,99 21 6,83 31,61 0,58 0,27 0,26 0,87 215,46 134,96 172,93 22 6,66 27,38 0,58 0,26 0,26 0,87 215,35 132,04 171,16 23 6,73 30,10 0,59 0,26 0,30 0,88 217,42 137,97 175,73 24 6,92 35,00 0,56 0,30 0,24 0,86 212,94 132,32 170,81 25 6,49 28,85 0,62 0,30 0,31 0,87 210,05 159,47 181,36 26 6,51 29,49 0,62 0,31 0,30 0,86 209,43 159,08 181,37 27 7,09 40,75 0,58 0,42 0,17 0,83 206,61 147,20 166,93 28 7,02 39,07 0,59 0,40 0,19 0,83 207,03 149,24 169,41 29 6,97 37,37 0,59 0,39 0,20 0,84 208,12 148,79 169,12 30 6,91 36,31 0,60 0,37 0,20 0,84 208,71 150,82 171,13 31 6,68 31,77 0,61 0,34 0,28 0,86 206,53 155,26 177,54 32 6,67 29,99 0,62 0,31 0,27 0,86 208,34 156,43 178,48 33 6,63 30,55 0,62 0,33 0,27 0,86 207,02 157,85 179,81 34 6,69 32,23 0,61 0,35 0,24 0,85 207,22 158,62 179,73 35 6,56 29,66 0,63 0,34 0,26 0,85 208,87 161,79 182,43 36 6,90 37,22 0,60 0,39 0,20 0,84 206,69 154,96 174,76 37 6,87 36,37 0,60 0,36 0,21 0,84 206,02 153,42 174,05 38 6,85 36,01 0,60 0,35 0,22 0,85 206,91 153,48 174,50 39 6,84 35,37 0,60 0,34 0,23 0,85 206,80 153,50 174,89 40 6,74 29,99 0,62 0,35 0,25 0,85 210,58 148,41 173,69 41 6,68 29,17 0,62 0,33 0,28 0,86 211,79 149,37 173,58 42 6,69 28,94 0,63 0,35 0,25 0,84 210,40 151,97 177,25 43 6,86 36,95 0,59 0,40 0,21 0,83 208,07 152,12 173,16 44 6,89 36,12 0,59 0,36 0,22 0,84 207,55 148,18 171,07 45 6,97 38,22 0,58 0,40 0,20 0,83 207,15 148,61 171,20

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

50

Lampiran 2 Hasil ekstraksi fitur RGB dan analisis tekstur (transformasi)

Data entropy std level kontras energy homoge R G B 1 0,37 0,41 0,33 0,34 0,62 0,55 0,43 0,28 0,37 2 0,28 0,27 0,29 0,28 0,54 0,58 0,36 0,20 0,30 3 0,33 0,43 0,31 0,37 0,72 0,58 0,47 0,32 0,41 4 0,46 0,50 0,29 0,41 0,52 0,46 0,38 0,28 0,37 5 0,11 0,18 0,35 0,19 0,76 0,73 0,48 0,24 0,34 6 0,00 0,04 0,37 0,18 0,68 0,70 0,39 0,19 0,28 7 0,05 0,16 0,33 0,24 0,85 0,73 0,51 0,26 0,36 8 0,30 0,32 0,35 0,29 0,65 0,60 0,41 0,27 0,36 9 0,83 0,82 0,18 0,55 0,09 0,21 0,21 0,11 0,16 10 0,82 0,77 0,24 0,56 0,06 0,20 0,16 0,12 0,17 11 0,86 0,86 0,20 0,64 0,06 0,17 0,21 0,12 0,18 12 0,93 1,00 0,16 0,71 0,00 0,03 0,14 0,15 0,21 13 0,88 0,90 0,12 0,52 0,08 0,26 0,26 0,07 0,13 14 0,76 0,71 0,33 0,53 0,12 0,23 0,31 0,19 0,27 15 0,88 0,91 0,22 0,58 0,05 0,22 0,27 0,14 0,21 16 0,89 0,94 0,20 0,73 0,01 0,01 0,25 0,16 0,25 17 0,29 0,31 0,27 0,29 0,59 0,60 0,44 0,19 0,23 18 0,36 0,37 0,00 0,26 0,45 0,60 0,35 0,00 0,00 19 0,05 0,12 0,43 0,21 0,84 0,75 0,56 0,27 0,34 20 0,32 0,31 0,29 0,32 0,52 0,54 0,46 0,17 0,22 21 0,27 0,31 0,43 0,23 0,75 0,69 0,52 0,32 0,37 22 0,11 0,14 0,45 0,21 0,76 0,68 0,51 0,28 0,34 23 0,17 0,25 0,49 0,22 0,92 0,77 0,56 0,36 0,42 24 0,36 0,44 0,31 0,35 0,66 0,52 0,46 0,29 0,33 25 -0,06 0,20 0,65 0,33 0,97 0,61 0,39 0,65 0,52 26 -0,05 0,23 0,63 0,37 0,95 0,55 0,38 0,65 0,52 27 0,54 0,66 0,43 0,79 0,32 0,17 0,31 0,49 0,27 28 0,47 0,60 0,47 0,70 0,40 0,23 0,32 0,51 0,31 29 0,42 0,53 0,49 0,68 0,46 0,26 0,35 0,51 0,30 30 0,35 0,49 0,53 0,62 0,46 0,28 0,36 0,54 0,34 31 0,12 0,31 0,57 0,49 0,82 0,48 0,31 0,60 0,45 32 0,11 0,25 0,65 0,39 0,81 0,57 0,35 0,61 0,47 33 0,07 0,27 0,63 0,45 0,81 0,49 0,32 0,63 0,49 34 0,14 0,33 0,59 0,54 0,66 0,39 0,33 0,64 0,49 35 0,00 0,23 0,69 0,48 0,73 0,44 0,37 0,68 0,53 36 0,34 0,53 0,53 0,68 0,44 0,25 0,32 0,59 0,40 37 0,31 0,49 0,51 0,57 0,51 0,34 0,30 0,57 0,39 38 0,30 0,48 0,53 0,54 0,56 0,40 0,32 0,57 0,40 39 0,29 0,45 0,51 0,51 0,61 0,41 0,32 0,57 0,40 40 0,19 0,25 0,61 0,54 0,72 0,37 0,40 0,50 0,38 41 0,12 0,21 0,61 0,45 0,86 0,49 0,43 0,52 0,38 42 0,14 0,20 0,69 0,54 0,71 0,35 0,40 0,55 0,44 43 0,30 0,52 0,47 0,71 0,52 0,24 0,35 0,55 0,37 44 0,34 0,48 0,49 0,58 0,56 0,34 0,33 0,50 0,34 45 0,41 0,56 0,45 0,70 0,45 0,23 0,33 0,51 0,34

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

51

Lampiran 3 Hasil ekstraksi fitur (w-entropy) dekomposisiwavelet level 1

Data LowLow_1 HighLow_1 LowHigh_1 HighHigh_1

1 882024 124137 115122 -31153

2 878546 119910 112426 -20553

3 884409 120245 112471 -25774

4 880763 124034 115947 -16901

5 882527 112129 107303 -37272

6 879360 110526 103946 -29524

7 883758 107664 106257 -31381

8 881963 117572 109968 -21608

9 865921 146392 136120 -36807

10 866909 143168 139790 -25962 11 866387 145907 137699 -34077 12 864719 148023 147486 -19392 13 863450 140781 131569 -45720 14 873572 142183 132372 -41044 15 868051 142013 134829 -35477 16 868285 154063 142066 -18811 17 878028 118775 112684 -20548 18 865669 115934 108684 -20814 19 885089 110760 109287 -23778 20 877415 120018 110911 -20186 21 885774 115668 111403 -27659 22 884907 115361 108830 -22581 23 888736 108883 105754 -30879 24 882092 125166 113418 -16576

25 898852 104521 83250 -51260

26 898362 107539 87071 -47587

27 886789 128401 104998 -31010 28 889022 127846 100465 -35361 29 889574 127116 102831 -28403

30 891310 120513 98564 -31904

31 894797 115755 94647 -39466

32 896601 107333 87731 -50804

33 896907 111546 88037 -43554

34 896832 118863 92731 -39304

35 899842 110731 87403 -46559

36 893249 124342 93607 -46941

37 892230 116379 91425 -50516

38 892661 116868 94828 -44185

39 892847 116739 96735 -44976

40 892459 126677 98394 -31036

41 893457 113880 88144 -52230

42 894955 124458 92876 -38483

43 891909 119980 88698 -54965

44 889524 120445 98060 -32502

45 889031 128207 92364 -40581

. . . . .

. . . . .

. . . . .

52

Lampiran 4 Hasil ekstraksi fitur (w-entropy) dekomposisiwavelet level 2

Data LowLow_2 HighLow_2 LowHigh_2 HighHigh_2 HighLow_1 LowHigh_1 HighHigh_1

1 247379 56122 49790 35290 124137 115122 -31153

2 246449 51784 47706 35050 119910 112426 -20553

3 247991 54123 48127 35984 120245 112471 -25774

4 247091 52854 49157 36533 124034 115947 -16901

5 247416 50918 46262 33268 112129 107303 -37272

6 246584 48510 45176 33816 110526 103946 -29524

7 247743 50040 46028 33641 107664 106257 -31381

8 247315 49998 47367 35907 117572 109968 -21608

9 243513 62577 57813 37201 146392 136120 -36807

10 243722 61666 57987 38606 143168 139790 -25962

11 243670 62531 58503 37996 145907 137699 -34077

12 243345 63476 60566 41101 148023 147486 -19392

13 242916 60795 56588 36609 140781 131569 -45720

14 245351 60869 56563 37016 142183 132372 -41044

15 244054 61137 57167 37702 142013 134829 -35477

16 244205 63404 59085 39977 154063 142066 -18811

17 246335 52309 47898 36229 118775 112684 -20548

18 243215 50319 45673 35319 115934 108684 -20814

19 248052 50187 46271 35417 110760 109287 -23778

20 246174 51562 47081 36198 120018 110911 -20186

21 248253 52522 48009 34150 115668 111403 -27659

22 247996 49569 46851 35477 115361 108830 -22581

23 248983 49758 45727 34724 108883 105754 -30879

24 247401 51982 48172 37873 125166 113418 -16576

25 251483 46649 37746 29691 104521 83250 -51260

26 251367 47060 38556 31482 107539 87071 -47587

27 248684 54418 45595 36200 128401 104998 -31010

28 249191 53662 44646 34276 127846 100465 -35361

29 249316 54453 44259 34255 127116 102831 -28403

30 249700 51080 43054 32945 120513 98564 -31904

31 250509 49328 41178 32783 115755 94647 -39466

32 250944 47659 39349 30700 107333 87731 -50804

33 251025 47102 39933 30399 111546 88037 -43554

34 251020 50716 42111 33353 118863 92731 -39304

35 251732 48682 38478 30859 110731 87403 -46559

36 250233 53967 42987 30906 124342 93607 -46941

37 249940 51575 41349 30273 116379 91425 -50516

38 250040 52724 42073 30289 116868 94828 -44185

39 250081 50573 41612 32039 116739 96735 -44976

40 249906 52973 42004 33040 126677 98394 -31036

41 250148 49032 39140 31161 113880 88144 -52230

42 250517 52131 41302 32895 124458 92876 -38483

43 249926 52654 40413 30389 119980 88698 -54965

44 249265 52904 43475 32718 120445 98060 -32502

45 249204 54443 42182 31615 128207 92364 -40581

. . . . . . . .

. . . . . . . .

. . . . . . . .

53

Lampiran 5 Hasil olah data RGB dan analisis tekstur dengan JST

Fold 1 (10hidden neuron)

Hasil JST (Data Uji) _{Nilai Max} (Kelas 1–4)

Prediksi (kelas)

Aktual

(kelas) Akurasi Kelas 1 Kelas 2 Kelas 3 Kelas 4

1,00 0,00 0,00 0,00 1,00 1 1 1

1,01 0,00 -0,01 0,00 1,01 1 1 1

0,99 0,00 0,01 0,00 0,99 1 1 1

1,00 -0,01 0,00 0,00 1,00 1 1 1

0,00 1,00 0,00 0,00 1,00 2 2 1

0,00 1,02 0,00 -0,02 1,02 2 2 1

0,00 1,00 0,00 0,00 1,00 2 2 1

0,00 1,00 0,00 0,00 1,00 2 2 1

-5,12 -1,30 6,13 1,29 6,13 3 3 1

-6,10 -0,11 7,12 0,10 7,12 3 3 1

-4,58 -0,23 5,58 0,23 5,58 3 3 1

-0,67 0,00 1,67 0,00 1,67 3 3 1

0,01 -0,29 -0,01 1,29 1,29 4 4 1

0,00 -1,19 0,00 2,19 2,19 4 4 1

0,01 0,32 -0,01 0,68 0,68 4 4 1

0,01 0,34 0,00 0,66 0,66 4 4 1

Total Akurasi 100%

Fold 2 (10hidden neuron)

Hasil JST (Data Uji) _{Nilai Max} (Ke