DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
IDENTIFIKASI VARIETAS DURIAN BERDASARKAN CITRA
DAUN MENGGUNAKAN K–NEAREST NEIGHBOR DENGAN
EKSTRAKSI TEKSTUR CO-OCCURRENCE MATRIX
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Varietas Durian Berdasarkan Citra Daun Menggunakan K–Nearest Neighbor dengan Ekstraksi Tekstur Co-occurrence Matrix adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
Bogor, Maret 2014 Nella Sabrina NRP G64114014
ABSTRAK
NELLA SABRINA. Identifikasi Varietas Durian Berdasarkan Citra Daun Menggunakan K–Nearest Neighbor dengan Ekstraksi Tekstur Co-occurrence Matrix. Dibimbing oleh AZIZ KUSTIYO.
Durian (Durio zibethinus Murray) adalah salah satu tumbuhan tropik yang berasal dari Asia Tenggara. Keanekaragaman durian dan adanya kemiripan antar varietas mengakibatkan kesulitan dalam mengidentifikasi durian. Pada penelitian ini dikembangkan sistem identifikasi durian dengan menerapkan co-occurrence matrix sebagai ekstraksi ciri dan K–NN sebagai pengklasifikasi berdasarkan tekstur daun durian. Penelitian ini menggunakan 9 varietas durian dan setiap varietas memiliki 10 citra. Hasil penelitian ini menunjukkan pemotongan citra dan pemilihan fitur tekstur dapat meningkatkan performa identifikasi. Penelitian ini menghasilkan akurasi tertinggi sebesar 74.44% saat K = 5, sudut 450, dan jarak 2 piksel. Akurasi ini diperoleh dengan menggunakan 5 fitur tekstur daun, yaitu contrast, entropy, information measures of correlation 1, sum average, dan sum entropy.
Kata kunci: co-occurrence matrix, durian, K–Nearest Neighbor (K–NN), tekstur
ABSTRACT
NELLA SABRINA. Durian Variety Identification Based on Leaf Image Using K-Nearest Neighbor with Co-occurrence Matrix Texture Extraction. Supervised by AZIZ KUSTIYO.
Durian (Durio zibethinus Murray) is the name of tropical plant from Southeast Asia. The diversity of durian and the physical similarities between them have caused difficulty to identify durian. This research developed a system to identify durian by using co-occurrence matrix as the feature extraction and K-NN as the classifier based on durian leaf texture. This research used 9 variety of durians and each variety has 10 leaf images. The result of this research showed that the cropping of images and selection of texture features can improve the performance identification. The best accuracy in this research was 74.44% that was obtained when K = 5, angle = 450, and distance = 2 pixels. This accuracy was achieved by using five leaf texture features, namely contrast, entropy, information measures of correlation 1, sum average, and sum entropy.
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada
Departemen Ilmu Komputer
NELLA SABRINA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
IDENTIFIKASI VARIETAS DURIAN BERDASARKAN CITRA
DAUN MENGGUNAKAN K–NEAREST NEIGHBOR DENGAN
Penguji:
1 Toto Haryanto, SKom MSi 2 Karlisa Priandana, ST MEng
Judul Skripsi :
Nama : Nella Sabrina NRP : G64114014
Disetujui
Aziz Kustiyo, SSi MKom Pembimbing
Diketahui
Dr Ir Agus Buono, MSi MKom Ketua Departemen
Tanggal Lulus :
Identifikasi Varietas Durian Berdasarkan Citra Daun Menggunakan K-Nearest Neighbor dengan Ekstraksi Tekstur Co-occurrence Matrix
Judul Skripsi Identiftkasi Varietas Durian Berdasarkan Citra Daun Menggunakan K-Nearest Neighbor dengan Ekstraksi Tekstur Co-occurrence Matrix
Nama Nella Sabrina
NRP G64114014
Disetujui
Aziz Kustiyo, SSi MKom Pembimbing
Dr Ir A no MSi MKom
Kenia Departemen
PRAKATA
Puji dan syukur penulis panjatkan kehadirat Allah SWT atas segala rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan tugas akhir berjudul Identifikasi Varietas Durian Berdasarkan Citra Daun Menggunakan K-Nearest Neighbor dengan Ekstraksi Tekstur Co-occurrence Matrix.
Dalam menyelesaikan tugas akhir ini terdapat masalah-masalah yang penulis hadapi, akan tetapi karena mendapatkan bantuan, bimbingan, dan dorongan dari berbagai pihak akhirnya masalah tersebut dapat diatasi. Ucapan terima kasih penulis ucapkan kepada:
1 Kedua orang tua, Bapak Syaiful Irsal dan Ibu Armaletti, Adik Ady Setyawan dan keluarga yang selalu memberikan dukungan, kasih sayang dan doa yang tiada hentinya.
2 Bapak Aziz Kustiyo, SSi MKom selaku pembimbing yang telah memberi bimbingan dan arahan kepada penulis dalam menyelesaikan skripsi ini.
3 Bapak Toto Haryanto, SKom MSi dan Ibu Karlisa Priandana, ST MEng yang telah bersedia menjadi dosen penguji.
4 Pihak Warso Farm Bogor yang telah memberikan sampel daun durian.
5 Niken Ratna Pertiwi atas kerja sama dan teman-teman satu bimbingan lainnya, serta rekan-rekan seperjuangan di Alih Jenis Ilmu Komputer Angkatan 6 yang telah memberi semangat dan kenangan yang berharga.
6 Masripah, SE yang telah meluangkan waktu untuk memberikan masukan dan saran terhadap penulisan skripsi ini.
7 Semua pihak yang telah membantu yang tidak dapat dituliskan satu persatu. Semoga tugas akhir ini dapat memberikan manfaat bagi mahasiswa Ilmu Komputer pada umumnya dan pembaca pada khususnya. Saran dan kritik yang membangun akan diterima untuk perbaikan selanjutnya.
Bogor, Maret 2014 Nella Sabrina
DAFTAR ISI
DAFTAR TABEL vi DAFTAR GAMBAR vi DAFTAR LAMPIRAN vi PENDAHULUAN 1 Latar Belakang 1 Tujuan Penelitian 2 Manfaat Penelitian 2Ruang Lingkup Penelitian 2
METODE PENELITIAN 2
Pengumpulan Data 3
Praproses 3
Ekstraksi Ciri dengan Co-occurrence Matrix 4
Pembagian Data dengan k-Fold Cross Validation 7
Klasifikasi dengan K-NN 7
Evaluasi 8
Lingkungan Pengembangan 9
Rancangan Percobaan 9
HASIL DAN PEMBAHASAN 10
SIMPULAN DAN SARAN 15
Simpulan 15
Saran 15
DAFTAR PUSTAKA 15
DAFTAR TABEL
1 Pembagian level derajat keabuan 5
2 Pembagian data setiap subset 7
3 Ilustrasi proses pemilihan fitur tekstur 8
4 Confusion matrix identifikasi tertinggi (sudut 450 dan jarak 2 piksel) 13
DAFTAR GAMBAR
1 Tahapan penelitian 3
2 Sampel data citra 4
3 Ilustrasi proses pemotongan citra 4
4 Hasil pemotongan citra pada bagian tengah 4
5 Sudut dan jarak pada co-occurrence matrix 5
6 Rancangan percobaan 9
7 Hasil akurasi percobaan citra utuh dengan K = 1 dan K = 2 10
8 Rata-rata akurasi berdasarkan nilai K 11
9 Perbandingan akurasi terhadap sudut dan jarak percobaan citra cropping
dengan 13 fitur 12
10 Perbandingan akurasi terhadap sudut dan jarak percobaan citra cropping
dengan 5 fitur terpilih 12
11 Perbandingan hasil praproses durian simas dan sukun 13
12 Boxplot fitur entropy 14
DAFTAR LAMPIRAN
1 Akurasi percobaan berdasarkan nilai K menggunakan citra utuh dengan
13 fitur tekstur 17
2 Proses pemilihan fitur jarak 2 piksel dan sudut 450 18
3 Akurasi setiap percobaan berdasarkan nilai K 20
PENDAHULUAN
Latar Belakang
Durio adalah nama genus durian dan memiliki beberapa spesies, di antaranya Durio dulcis, Durio kutejensis, Durio oxeleyanus, dan Durio zibethinus Murray. Durio zibethinus Murray merupakan salah satu spesies yang paling banyak dibudidayakan orang (Wiryanta 2008). Spesies Durio zibethinus Murray inilah yang lebih dikenal dengan nama durian. Dari segi agribisnis, durian menjadi komoditas yang menjanjikan karena harga jual yang tergolong tinggi tetapi banyak diminati (DBTB 2010).
Direktorat Jendral Hortikultura menyatakan bahwa hingga tahun 2009 terdapat 71 varietas durian unggul nasional yang tersebar di seluruh Indonesia, di antaranya di Sumatera 14 varietas, di Jawa 21 varietas, di Kalimantan 21 varietas, di Bali 1 varietas, di Sulawesi 5 varietas, di NTB 6 varietas, dan di Maluku 3 varietas. Jumlah ini sangat banyak dibandingkan dengan Thailand yang hanya memiliki 4 varietas durian dan Malaysia hanya memiliki 1 varietas durian (Sobir dan Napitupulu 2010). Beberapa varietas ada yang memiliki kemiripan fisik buah, seperti durian si tokong dari Betawi yang memiliki kulit buah yang mirip dengan durian petruk dari Jepara. Keanekaragaman varietas dan adanya kemiripan ini membuat identifikasi durian cukup sulit dilakukan.
Identifikasi durian dapat digunakan untuk membantu pengelolaan dan pengembangan durian di Indonesia. Di samping itu, identifikasi durian juga dapat membantu petani pemula dalam memilih bibit tanaman durian yang tepat. Kesalahan dalam memilih bibit dapat membuat durian kehilangan sifat unggulnya karena setiap varietas memiliki karakteristik tumbuh yang berbeda. Sebagai contoh, durian petruk bisa kurang memuaskan hasilnya jika ditanam di daerah Bogor karena iklim dan tanah di Bogor berbeda dengan di Jepara (Prastowo et al. 2006).
Tanaman durian dapat diidentifikasi dari struktur organ tanaman seperti daun, bunga, dan buahnya. Syahruddin (2012) menggunakan daun sebagai objek penelitian untuk menganalisis keragaman durian berdasarkan penanda morfologi. Daun dipilih karena pengamatan melalui bunga dan buah sering terkendala oleh musim dan lingkungan. Selain itu, daun merupakan objek penelitian yang mudah didapat.
Selain berdasarkan penanda morfologi, identifikasi durian dapat pula dilakukan berdasarkan tekstur dan warna daunnya. Tekstur dipilih karena daun durian pada beberapa varietas memiliki bentuk dan warna yang mirip sehingga dapat mengakibatkan kesulitan dalam identifikasi. Penelitian berdasarkan tekstur untuk mendapatkan ciri atau fitur daun pernah dilakukan oleh Gusadha (2011) dan Sonari (2013). Gusadha (2011) menggunakan Local Binary Pattern Variance (LBPV) dan co-occurrence matrixuntuk mendapatkan fitur tekstur daun tanaman Aglaonema, sedangkan Sonari (2013) menggunakan discrete wavelet transform untuk mendapatkan fitur tekstur citra Mangrove.
Sharma et al. (2001) melakukan penelitian untuk membandingkan lima metode analisis tekstur, yaitu auto-correlation, edge frequency, primitive-length, Law’s method, dan co-occurrence matrix dengan menggunakan citra Meastex dan
2
Vistex. Penelitian Sharma menghasilkan akurasi tertinggi sebesar 86.8% menggunakan co-occurrence matrix dengan classifier K-Nearest Neighbor (K-NN).
Penelitian ini menggunakan co-occurrence matrix untuk mengekstraksi 13 fitur tekstur daun durian seperti disarankan oleh Haralick et al. (1973). Metode klasifikasi yang digunakan adalah K-NN. Penelitian ini akan melakukan pemilihan fitur dari 13 fitur tekstur yang diekstraksi. Pemilihan fitur diharapkan dapat meningkatkan performansi identifikasi. Penelitian ini juga akan melihat sudut dan jarak terbaik pada co-occurrence matrix yang dapat digunakan dalam identifikasi durian.
Tujuan Penelitian Tujuan dari penelitian ini adalah:
1 Menerapkan metode K-NN dalam mengidentifikasi tanaman durian dan mengetahui nilai K terbaik hasil klasifikasi tersebut.
2 Melakukan pemilihan fitur untuk mengetahui fitur-fitur tekstur yang baik digunakan dalam identifikasi tanaman durian.
3 Membandingkan hasil akurasi dengan parameter sudut dan jarak yang berbeda pada metode co-occurrence matrix dalam mengidentifikasi durian.
Manfaat Penelitian
Manfaat penelitian ini adalah mempermudah klasifikasi varietas durian berdasarkan tekstur daunnya, sehingga dapat membantu dalam identifikasi tanaman durian.
Ruang Lingkup Penelitian Ruang lingkup penelitian ini adalah:
1 Data diperoleh dari hasil scanning citra daun durian bagian atas dengan format JPG yang terdiri atas 9 varietas durian.
2 Metode ekstraksi ciri yang digunakan adalah co-occurrence matrix dengan parameter sudut 00, 450, 900, dan 1350, serta jarak 1, 2, dan 3 piksel.
3 Metode klasifikasi yang digunakan adalah K-NN dengan nilai K = 1, 2, 3, 4, 5, 6, 7, 8, 9, dan 10.
METODE PENELITIAN
Penelitian ini dilakukan dengan melalui beberapa tahapan proses untuk mengetahui hasil klasifikasi dengan K-NN. Tahapan-tahapan yang dilakukan dapat dilihat pada Gambar 1.
3
Gambar 1 Tahapan penelitian
Pengumpulan Data
Data yang digunakan pada penelitian ini adalah citra daun durian berformat JPG hasil scanning. Data yang digunakan memiliki ukuran citra daun terkecil adalah 1057 x 332 piksel dan terbesar adalah 2121 x 744 piksel. Data diperoleh dari Warso Farm Bogor dan terdiri atas 9 varietas durian, yaitu bakul, cane, hepe, kendil, malaysia d24, matahari, petruk, simas, dan sukun. Satu varietas diwakili oleh 10 citra, sehingga total data yang dikumpulkan adalah sebanyak 90 citra.
Praproses
Pada tahap praproses, citra daun yang telah dikumpulkan dipotong menjadi berukuran 251 x 251 piksel dengan mengambil bagian tengah citra. Pemotongan citra dilakukan untuk memfokuskan objek penelitian dan menyeragamkan ukuran citra. Citra dipotong pada bagian tengah karena lebih mudah dilakukan dan diharapkan dapat menjadi penciri yang baik dalam identifikasi karena adanya kemiripan tulang daun dari data citra pada varietas yang sama.
Pada penelitian yang dilakukan oleh Wahyumianto (2011) dijelaskan bahwa struktur tulang daun (pola venasi) merupakan fitur unik lain yang dapat membedakan jenis tumbuhan dalam proses identifikasi. Contoh data citra sebelum dilakukan pemotongan seperti pada Gambar 2.
4
Gambar 2 Sampel data citra
Gambar 3 Ilustrasi proses pemotongan citra
Gambar 3 menunjukkan mekanisme pemotongan citra dengan X dan Y adalah ukuran citra yang akan dipotong, ∆x dan ∆y adalah koordinat titik awal pemotongan, sedangkan a dan b adalah besar ukuran piksel citra yang dipotong.
Untuk mendapatkan koordinat titik awal citra yang akan dipotong dapat dilakukan dengan persamaan sebagai berikut:
∆x = 0.5 × X – 125 (1)
∆y = 0.5 × Y – 125 (2)
Pengurangan dengan nilai 125 untuk mendapatkan posisi citra di bagian tengah. Nilai 125 didapat dengan cara membagi dua dari ukuran target pemotongan citra. Pada penelitian ini, target pemotongan citra adalah 250 x 250 piksel.
Setelah mendapatkan koordinat titik awal pemotongan, citra dipotong menjadi ukuran 250 x 250 piksel. Akan tetapi, hasil pemotongan citra adalah 251 x 251 piksel bukan 250 x 250 piksel karena titik awal pemotongan termasuk dalam area pemotongan. Hasil pemotongan citra dapat dilihat pada Gambar 4.
Gambar 4 Hasil pemotongan citra pada bagian tengah
Selanjutnya, citra dikonversi dari mode RGB menjadi grayscale. Konversi ini dilakukan untuk menyederhanakan model citra yang awalnya tiga layer matriks menjadi satu layer saja.
Ekstraksi Ciri dengan Co-occurrence Matrix
Berdasarkan Haralick et al. (1973), co-occurrence matrix adalah suatu matriks yang menggambarkan jumlah dari kemunculan dua nilai piksel
5 bertetangga dengan level intensitas tertentu dalam jarak dan sudut tertentu. Ilustrasi sudut dan jarak diperlihatkan pada Gambar 5.
Gambar 5 Sudut dan jarak pada co-occurrence matrix
Sebelum menghitung jumlah piksel tetangga, dilakukan proses kuantisasi citra yang awalnya 256 level derajat keabuan menjadi 8 level. Level derajat keabuan ini menentukan ukuran co-occurrence matrix. Pembagian level dilakukan sesuai dengan fungsi graycomatrix yang terdapat pada Matlab. Pembagian level dari 256 level menjadi 8 level dapat dilihat pada Tabel 1.
Tabel 1 Pembagian level derajat keabuan
Range derajat keabuan 256 level Derajat keabuan 8 level
0 – 18 1 19 – 54 2 55 – 99 3 100 – 127 4 128 – 163 5 164 – 200 6 201 – 236 7 237 - 255 8
Setelah co-occurrence matrix terbentuk, nilainya digunakan untuk menghitung ciri citra. Sebelum menghitung ciri, dilakukan normalisasi terhadap nilai-nilai matriks tersebut. Perhitungan normalisasi didefinisikan sebagai berikut:
pi,j = T(i,j)
∑N - 1i,j = 0T(i,j)
(3) dengan T(i,j) adalah jumlah kejadian bersama pada i (baris) dan j (kolom) dari co-occurrence matrix, dan N adalah ukuran co-co-occurrence matrix.
Haralick et al. (1973) menjelaskan ada 13 fitur yang dapat diekstraksi dari co-occurrence matrix. Fitur-fitur tersebut dapat dihitung dengan persamaan-persamaan sebagai berikut:
1 Angular Second Moment (ASM) f
1= ∑ ∑ p(i,j)
2
j
i (4)
dengan p(i,j) menyatakan hasil normalisasi dari co-occurrence matrix pada baris ke-i dan kolom ke-j.
2 Contrast f 2 = ∑ n 2∑ ∑ pi,jNg j = 1 Ng i = 1i - j = n Ng - 1 n = 0 (5)
6 3 Correlation f 3 = ∑ ∑ i x jpi,j - µi j xµy σxσy (6)
dengan, µx, µy, σx, dan σy adalah rata-rata dan standar deviasi dari px dan py.
px adalah nilai penjumlahan baris dari hasil normalisasi dan dihitung dengan persamaan:
∑ p(i,j)Ng
i = 1
p adalah nilai penjumlahan kolom dari hasil normalisasi dan dihitung dengan persamaan:
∑ p(i,j)Ng
j = 1
4 Difference Entropy (DE) f
4 = - ∑ p x - yilog px - yi Ng - 1
i = 0 (7)
px - y dapat dihitung dengan persamaan berikut:
px - yk= ∑ ∑ pi,j Ng j = 1 Ng i = 1 |i - j| = k ; dengan k = 0, 1, …, Ng - 1 (8) 5 Difference Variance (DV)
f5 adalah varians dari px - y (9) 6 Entropy
f6 = - ∑ ∑ pi,jlogpi,ji j (10)
7 Inverse Difference Moment (IDM)
f7 = ∑ ∑ 1
1 + i - j2
j pi,j
i (11)
8 Information Measures of Correlation 1 (IMC1) f8 = HXY - HXY1
maxHX,HY (12)
dengan:
HX adalah entropy dari px dan XY adalah entropy dari py.
HXY = - ∑ ∑ pi,jlogpi,ji j (13)
HXY1 = - ∑ ∑ pi,jlog pi j xipyj (14) 9 Information Measures of Correlation 2 (IMC2)
f9 = 1 - exp-2.0HXY2 - HXY
1 2
(15)
HXY2 = - ∑ ∑ pi j xipyjlog pxipyj (16) 10 Sum Average (SA)
f10 = ∑2Ni = 2g i px + yi (17)
px + y dapat dihitung dengan persamaan berikut:
px + yk = ∑ ∑ pi,j Ng j = 1 Ng i = 1 i + j = k ; dengan k = 2, 3, …, 2Ng (18)
7 11 Sum Entropy (SE)
f11 = -∑2Ni = 2g px + yilog px + yi (19)
12 Sum Variance (SV)
f12=∑ i - f2Ni = 2g 112px + yi (20)
13 Sum of Squares (SS): Variance.
f13 = ∑ ∑ i - µi j 2pi,j (21)
dengan µ adalah rata-rata dari matriks hasil normalisasi.
Pembagian Data dengan k-Fold Cross Validation
Sebelum dilakukan klasifikasi, data dibagi menjadi dua yaitu data latih dan data uji dengan metode k-fold cross validation. Metode ini membagi data menjadi k subset dan diulang sebanyak k kali. Setiap satu ulangan, salah satu subset k digunakan sebagai data uji dan k - 1 subset lain disatukan menjadi data latih (Schneider 1997).
Pada penelitian ini digunakan 5-fold cross validation, sehingga terdapat 5 subset yang akan diulang sebanyak 5 kali untuk setiap percobaan. Setiap subset terdiri atas 18 data penelitian. Jadi, untuk setiap ulangan percobaan yang dilakukan terdapat 18 data uji dan 72 data latih. Tabel 2 menunjukkan pembagian data ke dalam subset-subset tersebut.
Tabel 2 Pembagian data setiap subset Subset
Kelas Bakul Cane Hepe Kendil Malaysia
D24
Matahari Petruk Simas Sukun
1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 2 2 2 2 2 2 2 2 2 4 2 2 2 2 2 2 2 2 2 5 2 2 2 2 2 2 2 2 2 Total 10 10 10 10 10 10 10 10 10 Klasifikasi dengan K-NN
Klasifikasi berguna untuk menentukan kelas dari data uji berdasarkan data latih. Metode klasifikasi pada penelitian ini adalah K–NN, dengan nilai K = 1, 2, 3, 4, 5, 6, 7, 8, 9, dan 10. Langkah-langkah klasifikasi K–NN (Saharkiz 2009): 1 Pilih parameter K tetangga terdekat.
2 Hitung jarak data uji dengan semua data latih. Rumus jarak yang biasa digunakan adalah jarak Euclidean.
dx,y=∑ (xini = 1 -yi)2 dengan:
8
xi : fitur ke-i dari data uji, dengan i = 1, 2, …, n
yi : fitur ke-i dari data latih, dengan i = 1,2, …, n
n : banyaknya fitur data uji dan data latih yang digunakan
3 Urutkan jarak tersebut dan tetapkan tetangga terdekat berdasarkan jarak minimum ke-K.
4 Periksa kelas dari tetangga terdekat.
5 Pilih hasil klasifikasi dari mayoritas kelas tetangga terdekat.
Salah satu klasifikasi yang dilakukan yaitu dengan menggunakan data hasil pemilihan fitur. Pemilihan fitur merupakan proses memilih fitur-fitur tekstur yang dianggap baik dalam identifikasi durian yang diharapkan dapat meningkatkan performa identifikasi. Ilustrasi proses pemilihan fitur dapat dilihat pada Tabel 3.
Tabel 3 Ilustrasi proses pemilihan fitur tekstur
Pemilihan 1 Pemilihan 2 Pemilihan 3 Pemilihan 4
Fitur Akurasi (%) Fitur Akurasi (%) Fitur Akurasi (%) Fitur Akurasi (%) F1 15.6 F3, F1 41.1 F3, F4, F1 55.6 F3,F4, F1, F2 53,3 F2 17.8 F3, F2 36.7 F3, F4, F2 54.4 F3, F4, F1, F5 42.2 F3 43.3 F3, F4 50 F3, F4, F5 34.4 F4 23.3 F3, F5 33.3 F5 33.3
Misalkan terdapat 5 fitur yang digunakan yaitu F1, F2, F3, F4, dan F5. Langkah pertama adalah mencari akurasi setiap fitur. Fitur yang paling tinggi akurasinya diambil. Pada pemilihan 1, F3 merupakan fitur yang paling tinggi akurasinya. Berikutnya, F3 digabungkan dengan fitur yang belum terpilih yaitu F1, F2, F4, dan F5. Kemudian, dihitung kembali akurasinya dan diambil fitur gabungan yang menghasilkan peningkatan akurasi dari akurasi sebelumnya. Jika pemilihan fitur menghasilkan akurasi yang lebih kecil atau sama dengan akurasi sebelumnya, pemilihan fitur dihentikan seperti pada pemilihan 4. Pemilihan fitur tidak dilanjutkan karena akurasi lebih kecil dari sebelumnya. Jadi, fitur yang dapat digunakan adalah F3, F4, dan F1.
Evaluasi
Evaluasi digunakan untuk menghitung akurasi klasifikasi yang telah dilakukan. Perhitungan akurasi dapat dilakukan dengan rumus berikut:
akurasi=∑ data yang tepat diklasifikasi
9 Lingkungan Pengembangan
Perangkat keras dan perangkat lunak yang digunakan pada penelitian ini memiliki spesifikasi sebagai berikut:
Perangkat keras:
• Processor Intel® CoreTM 2 Duo.
• Memori 3 GB.
• Hard disk 250 GB. Perangkat lunak:
• Sistem operasi Microsoft Windows 7 Ultimate 32 bit.
• Matlab 7.7.0 (R2008).
Rancangan Percobaan
Penelitian ini menggunakan 13 fitur tekstur seperti yang disarankan oleh Haralick et al. (1973). Setelah itu, dilakukan percobaan pemilihan fitur dari 13 fitur tekstur tersebut. Setiap percobaan menggunakan 90 data penelitian dan melakukan pengubahan parameter sudut dan jarak pada co-occurrence matrix. Ada 12 kombinasi yang didapatkan dengan mengubah parameter sudut dan jarak. Penelitian ini menggunakan 5-fold cross validation untuk membagi data latih dan data uji. Klasifikasi dengan K-NN dilakukan menggunakan parameter K = 1, 2, 3, 4, 5, 6, 7, 8, 9, dan 10. Adapun rancangan percobaan yang dilakukan dapat dilihat pada Gambar 6.
10
HASIL DAN PEMBAHASAN
Pada awal penelitian, dilakukan klasifikasi dengan menggunakan citra utuh (tanpa pemotongan citra) untuk melihat hasil identifikasi pada citra utuh. Karena tidak dilakukan cropping (pemotongan), selanjutnya citra langsung dikonversi ke grayscale dan diekstraksi menjadi 13 fitur tekstur. Hasil rata-rata akurasi yang diperoleh dapat dilihat pada Lampiran 1.
Rata-rata akurasi tertinggi yang diperoleh pada citra utuh sebesar 28.89% pada sudut 00 dan jarak 1 piksel dengan K = 1 dan 2 seperti terlihat pada Gambar 7.
Rendahnya akurasi yang diperoleh bisa disebabkan oleh adanya background putih pada citra penelitian dan nilai setiap fitur pada citra utuh tidak dapat dijadikan penciri karena memiliki kemiripan antara varietas satu dengan lainnya. Oleh karena itu, dilakukan percobaan cropping data citra penelitian.
Citra penelitian dipotong menjadi berukuran 251 x 251 piksel. Tahap berikutnya yaitu mengubah citra RGB menjadi grayscale, mengekstraksi 13 fitur tekstur, melakukan klasifikasi dengan K-NN, dan menghitung akurasinya.
Selanjutnya, dilakukan pula pemilihan fitur terhadap fitur-fitur tekstur pada citra cropping. Fitur-fitur tersebut dipilih berdasarkan pada jarak terbaik percobaan citra cropping dengan 13 fitur. Setiap jarak dikombinasikan dengan 4 sudut yaitu 00, 450, 900, dan 1350 dan dicari akurasi maksimal.
Pemilihan fitur yang dilakukan berhenti pada saat pemilihan ke-6 karena akurasi yang diperoleh sama dengan akurasi sebelumnya. Jika pemilihan fitur terus dilakukan hanya akan menambah waktu komputasi. Proses pemilihan fitur dapat dilihat pada Lampiran 2.
Pemilihan fitur menghasilkan akurasi tertinggi sebesar 74.44% pada sudut 450 dan jarak 2 piksel. Fitur terpilih yang dihasilkan ada 5 fitur tekstur yaitu
0 10 20 30 40 50 60 70 80 90 100 0 45 90 135 A kur as i (% ) Sudut (derajat)
jarak 1 piksel jarak 2 piksel jarak 3 piksel
11 contrast, entropy, information measures of correlation 1, sum average, dan sum entropy.
Pada percobaan citra cropping dengan 13 fitur dan citra cropping dengan fitur terpilih, dilakukan pengubahan parameter sudut dan jarak dalam membentuk co-occurrence matrix dan nilai K pada K-NN. Gambar 8 menampilkan pengaruh nilai K terhadap hasil akurasi identifikasi durian. Hasil ini diperoleh dengan cara merata-ratakan 12 kombinasi sudut dan jarak berdasarkan nilai K. Rata-rata akurasi setiap percobaan berdasarkan nilai K tersebut dapat dilihat pada Lampiran 3.
Gambar 8 Rata-rata akurasi berdasarkan nilai K
Pada citra cropping dengan 13 fitur tekstur terjadi peningkatan rata-rata akurasi saat nilai K = 1 sampai dengan 6, tetapi saat nilai K > 6 rata-rata akurasi menurun. Akurasi tertinggi yang diperoleh sebesar 47.78% di K = 6 saat sudut 900 dan jarak 3 piksel serta pada sudut 1350 dan jarak 2 piksel.
Pada percobaan citra cropping dengan 5 fitur tekstur terpilih, terjadi peningkatan rata-rata akurasi saat nilai K = 1 sampai dengan 5, tetapi saat nilai K > 5 akurasi menurun. Akurasi tertinggi yang diperoleh mengalami peningkatan dari 47.78% menjadi 74.44% pada sudut 450 dan jarak 2 piksel di K = 5.
Perbedaan hasil akurasi antara citra cropping dengan 13 fitur dan citra cropping dengan 5 fitur terpilih bisa disebabkan oleh perbedaan jumlah input atau fitur yang digunakan saat pengklasifikasian dengan K-NN. Hasil akurasi ini juga dipengaruhi oleh parameter K tetangga terdekat yang diberikan. Saharkiz (2009) menjelaskan bahwa pemilihan atribut atau input pada klasifikasi K-NN penting dilakukan untuk memperoleh akurasi yang terbaik.
Kombinasi dari sudut dan jarak yang digunakan dalam membentuk co-occurrence matrix dapat pula memberikan perubahan hasil akurasi. Perbandingan akurasi tertinggi setiap percobaan dengan sudut dan jarak yang digunakan dalam penelitian ini dapat dilihat pada Gambar 9 dan Gambar 10. Perbandingan akurasi dilihat pada rentang nilai K dari 1 sampai dengan 10 dan diambil akurasi maksimal pada rentang nilai K tersebut.
30 35 40 45 50 55 60 65 70 75 80 1 2 3 4 5 6 7 8 9 10 A kur as i (% ) K tetangga terdekat
12
Gambar 9 Perbandingan akurasi terhadap sudut dan jarak percobaan citra cropping dengan 13 fitur
Gambar 10 Perbandingan akurasi terhadap sudut dan jarak percobaan citra cropping dengan 5 fitur terpilih
Gambar 9 dan Gambar 10 memberikan gambaran bahwa sudut dan jarak yang digunakan pada co-occurrence matrix berpengaruh terhadap peningkatan dan penurunan hasil akurasi. Selain itu, saat jarak 1 piksel baik pada citra cropping dengan 13 fitur maupun pada citra cropping dengan 5 fitur terpilih memberikan hasil akurasi yang lebih rendah dibandingkan dengan jarak 2 dan 3 piksel.
Confusion matrix dari hasil akurasi tertinggi sebesar 74.44% di K = 5 dapat dilihat pada Tabel 4.
30 35 40 45 50 55 60 65 70 75 80 0 45 90 135 A kur as i (% ) Sudut (derajat)
Jarak 1 piksel Jarak 2 piksel Jarak 3 piksel
30 35 40 45 50 55 60 65 70 75 80 0 45 90 135 A kur as i (% ) Sudut (derajat)
13 Tabel 4 Confusion matrix identifikasi tertinggi (sudut 450 dan jarak 2 piksel)
Kelas aktual
Kelas prediksi
Bakul Cane Hepe Kendil Malaysia
D24
Matahari Petruk Simas Sukun
Bakul 9 0 0 1 0 0 0 0 0 Cane 1 8 1 0 0 0 0 0 0 Hepe 2 0 8 0 0 0 0 0 0 Kendil 1 0 1 7 0 0 0 1 0 Malaysia D24 0 0 0 0 9 1 0 0 0 Matahari 0 0 0 0 1 9 0 0 0 Petruk 1 0 1 1 0 1 4 2 0 Simas 0 1 0 1 1 0 0 3 4 Sukun 0 0 0 0 0 0 0 0 10
Berdasarkan Tabel 4 dapat dilihat varietas durian sukun berhasil tepat diidentifikasi sesuai kelasnya sebesar 100%, sedangkan durian simas memiliki identifikasi terendah sebesar 30%. Kesalahan identifikasi yang terjadi pada durian simas disebabkan oleh adanya citra yang teridentifikasi ke dalam durian cane, kendil, malaysia d24, dan sukun. Kesalahan identifikasi terbesar pada durian simas adalah salah teridentifikasi ke durian sukun. Hal ini bisa disebabkan oleh adanya kemiripan citra daun bagian tengah antara durian simas dan durian sukun seperti terlihat pada Gambar 11.
Hasil praproses durian simas Hasil praproses durian sukun Gambar 11 Perbandingan hasil praproses durian simas dan sukun
Pada Gambar 11 dapat dilihat adanya kemiripan hasil praproses antara salah satu sample citra durian simas dan durian sukun. Kemiripan ini bisa menghasilkan nilai-nilai fitur tekstur yang sama dari keduanya, sehingga mengakibatkan kesalahan dalam identifikasi.
Kesalahan identifikasi juga dapat dibuktikan dengan melihat nilai-nilai fitur tekstur jika digambarkan dengan boxplot. Boxplot dibentuk berdasarkan data citra daun dari setiap varietas durian seperti terlihat pada Gambar 12.
14
Gambar 12 Boxplot fitur entropy
Gambar 12 adalah boxplot untuk fitur entropy saat sudut 450 dan jarak 2 piksel, terlihat bahwa nilai fitur pada data durian simas memiliki sebaran data yang mirip dengan data durian kendil, malaysia d24, matahari, petruk, dan sukun. Hal ini yang menyebabkan terjadinya kesalahan identifikasi durian simas ke varietas-varietas tersebut. Selain itu, data pencilan (ditandai dengan *) juga dapat mengakibatkan terjadinya kesalahan identifikasi. Hasil boxplot untuk fitur terpilih yang lain dapat dilihat pada Lampiran 4.
Perbandingan dengan Penelitian Terkait
Penelitian terkait menggunakan daun untuk identifikasi tanaman pernah dilakukan oleh Sonari (2013) dan Gusadha (2011). Sonari (2013) melakukan penelitian untuk identifikasi citra Mangrove menggunakan metode klasifikasi yang sama dengan penelitian identifikasi durian, yaitu K-NN. Akan tetapi, ekstraksi tekstur yang digunakan untuk mendapatkan ciri atau fitur daun Mangrove adalah discrete wavelet transform. Metode discrete wavelet transform ini bertujuan mereduksi ukuran citra menjadi lebih kecil. Citra Mangrove yang digunakan adalah citra daun utuh (citra tanpa cropping). Penelitian ini menghasilkan akurasi tertinggi sebesar 88.75% dengan K = 1.
Penelitian Gusadha (2011) menerapkan Local Binary Pattern (LBP) descriptor, co-occurrence matrix, HSV-162 serta Probabilistic Neural Network (PNN) sebagai pengklasifikasinya untuk mengidentifikasi tanaman Aglaonema. Citra tanaman Aglaonema yang digunakan diperkecil ukuran citranya dan dilakukan proses cropping secara manual dengan mengambil objek daun dalam bentuk frame persegi.
Penelitian Gusadha menghasilkan akurasi tertinggi sebesar 54.44% dengan kombinasi metode antara co-occurrence matrix dan HSV-162. Fitur tekstur yang diekstrak dari co-occurrence matrix adalah energy, moment, entropy, maximum probability, contrast, correlation, dan homogeneity. Jika dilihat pada fitur tekstur yang digunakan pada penelitian identifikasi durian dan identifikasi tanaman Aglaonema, ada dua fitur tekstur yang sama yaitu entropy dan contrast.
Suku n Sim as Petru k Mat ahar i Mal aysi a d2 4 Kend il Hepe Cane Baku l 3.00 2.75 2.50 2.25 2.00 1.75 1.50 D a ta Entropy
15
SIMPULAN DAN SARAN
Simpulan
Berdasarkan penelitian yang telah dilakukan dapat disimpulkan bahwa: 1 Metode co-occurrence matrix sebagai ekstraksi ciri dan K–NN sebagai
classifier dapat digunakan dalam identifikasi varietas durian. Pada penelitian ini, nilai K terbaik di K = 1 dan 2 pada citra utuh dengan 13 fitur, K = 6 pada citra cropping dengan 13 fitur, dan K = 5 pada citra cropping dengan fitur terpilih.
2 Proses cropping citra dapat meningkatkan hasil identifikasi durian. Dengan menggunakan 13 fitur, sebelum dilakukan cropping akurasi tertinggi sebesar 28.89% dan setelah cropping meningkat menjadi 47.78%. Hal ini disebabkan oleh adanya pengaruh background putih pada citra penelitian.
3 Pemilihan fitur yang tepat mampu meningkatkan performansi identifikasi. Dari pemilihan yang dilakukan terpilih 5 fitur tekstur, yaitu contrast, entropy, information measures of correlation 1, sum average, dan sum entropy. Hal ini terlihat dengan meningkatnya akurasi dari 47.78% menjadi 74.44% menggunakan citra cropping.
4 Parameter sudut dan jarak yang digunakan dalam membentuk co-occurrence matrix dapat memberikan perubahan hasil akurasi untuk identifikasi durian. Sudut dan jarak yang terbaik adalah 450 dan 2 piksel dengan akurasi tertinggi sebesar 74.44% di K = 5 saat digunakan citra cropping dengan fitur terpilih.
Saran
Untuk pengembangan dari penelitian ini disarankan melakukan beberapa hal berikut:
1 Melakukan cropping dengan ukuran dan posisi potong yang berbeda selain mengambil bagian tengah citra daun.
2 Melakukan image enhancement sehingga pola citra lebih terlihat.
3 Menggunakan teknik pemilihan fitur yang lain seperti Genetic Algorithm (GA) dan Particle Swarm Optimization (PSO).
DAFTAR PUSTAKA
[DBTB] Direktorat Budidaya Tanaman Buah. 2010. Pedoman Standar Penilaian Durian. Jakarta (ID): Direktorat Jenderal Hortikultura Kementerian Pertanian. Haralick RM, Shanmugam K, Dinstein I. 1973. Textural features for image
classification. IEEE Transactions on Systems, Man, and Cybernetics. 3(6): 610-621.
Gusadha AD. 2011. Identifikasi jenis aglaonema menggunakan probabilistic neural network [skripsi]. Bogor (ID): Institut Pertanian Bogor.
16
Prastowo NH, Roshetko JM, Maurung GES, Nugraha E, Tukan JM, Harum F. 2006. Teknik Pembibitan dan Perbanyakan Vegetatif Tanaman Buah. Bogor (ID): World Agroforestry Center (ICRAF) dan Wimrock International.
Saharkiz A. 2009. K-nearest neighbor algorithm implementation and overview [internet]. [diunduh 2014 Januari 10]. Tersedia: http://www.codeproject.com/Articles/32970/K-Nearest-Neighbor-Algorithm-Implementation-and-Overview.
Schneider J. 1997. Cross validation [internet]. [diunduh 2013 Sept 25]. Tersedia pada: http://www.cs.cmu.edu/~schneide/tut5/node42.html
Sharma M, Markow M, Singh S. Evaluation of texture methods for image analysis. Di dalam: Intelligent Information Systems Conference, The Seventh Australian and New Zealand; 2001 Nov 18-21; Perth, Western Australia. Perth (AU): ARCME. hlm 117-121.
Sobir, Napitupulu RM. 2010. Bertanam Durian Unggul. Jakarta (ID): Penebar Swadaya.
Sonari SS. 2013. Identifikasi mangrove berbasis citra daun menggunakan KNN dengan ekstraksi tekstur wavelet [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Syahruddin K. 2012. Analisis keragaman beberapa genotipe durian (Durio zibethinus murr.) menggunakan penanda morfologi dan molekuler (ISSR) [tesis]. Bogor (ID): Institut Pertanian Bogor.
Wahyumianto A. 2011. Identifikasi tumbuhan berdasarkan minutiae tulang daun menggunakan SOM Kohonen [skripsi]. Surabaya (ID): Institut Teknologi Sepuluh November.
Wiryanta BTW. 2008. Sukses Bertanam Durian. Jakarta (ID): PT Agromedia Pustaka.
17 Lampiran 1 Akurasi percobaan berdasarkan nilai K menggunakan citra utuh
dengan 13 fitur tekstur
Sudut (derajat) Jarak (piksel) K tetangga terdekat 1 2 3 4 5 6 7 8 9 10 0 1 28.89 28.89 26.67 22.22 23.33 16.67 20 20 20 21.11 2 25.56 25.56 22.22 20 20 18.89 20 17.78 21.11 18.89 3 27.78 27.78 22.22 17.78 21.11 21.11 20 17.78 21.11 20 45 1 26.67 26.67 22.22 17.78 20 18.89 20 17.78 17.78 18.89 2 23.33 23.33 18.89 20 20 21.11 21.11 17.78 21.11 22.22 3 23.33 23.33 20 20 22.22 21.11 25.56 21.11 22.22 21.11 90 1 27.78 27.78 22.22 18.89 21.11 17.78 21.11 18.89 18.89 18.89 2 26.67 26.67 21.11 20 20 20 24.44 20 24.44 22.22 3 23.33 23.33 20 20 21.11 23.33 24.44 22.22 22.22 21.11 135 1 27.78 27.78 22.22 17.78 18.89 20 21.11 17.78 20 18.89 2 25.56 25.56 20 20 21.11 22.22 22.22 18.89 23.33 21.11 3 24.44 24.44 22.22 20 21.11 24.44 25.56 22.22 23.33 22.22 Rata-rata akurasi 25.93 25.93 21.67 19.54 20.83 20.46 22.13 19.35 21.30 20.56
18
Lampiran 2 Proses pemilihan fitur jarak 2 piksel dan sudut 450
Pemilihan 1 Pemilihan 2 Pemilihan 3 Pemilihan 4
Fitur Akurasi Fitur Akurasi Fitur Akurasi Fitur Akurasi F1 21.11 F10, F1 44.44 F10, F6, F1 53.33 F10, F6, F8, F1 67.78 F2 26.67 F10, F2 41.11 F10, F6, F2 56.67 F10, F6, F8, F2 67.78 F3 22.22 F10, F3 37.78 F10, F6, F3 55.56 F10, F6, F8, F3 64.44 F4 24.44 F10, F4 47.78 F10, F6, F4 53.33 F10, F6, F8, F4 66.67 F5 25.56 F10, F5 42.22 F10, F6, F5 51.11 F10, F6, F8, F5 68.89 F6 22.22 F10, F6 51.11 F10, F6, F7 51.11 F10, F6, F8, F7 70 F7 26.67 F10, F7 40 F10, F6, F8 68.89 F10, F6, F8, F9 68.89 F8 16.67 F10, F8 37.78 F10, F6, F9 55.56 F10, F6, F8, F11 73.33 F9 18.89 F10, F9 38.89 F10, F6, F11 53.33 F10, F6, F8, F12 44.44 F10 42.22 F10, F11 48.89 F10, F6, F12 34.44 F10, F6, F8, F13 54.44 F11 21.11 F10, F12 35.56 F10, F6, F13 47.78 F12 32.22 F10, F13 36.67 F13 35.56
19 Proses pemilihan fitur jarak 2 piksel dan sudut 450 (lanjutan)
Pemilihan 5 Pemilihan 6
Fitur Akurasi Fitur Akurasi F10, F6, F8, F11, F1 73.33 F10, F6, F8, F11, F2, F1 74.44 F10, F6, F8, F11, F2 74.44 F10, F6, F8, F11, F2, F3 70 F10, F6, F8, F11, F3 70 F10, F6, F8, F11, F2, F4 70 F10, F6, F8, F11, F4 72.22 F10, F6, F8, F11, F2, F5 74.44 F10, F6, F8, F11, F5 73.33 F10, F6, F8, F11, F2, F7 74.44 F10, F6, F8, F11, F7 73.33 F10, F6, F8, F11, F2, F9 71.11 F10, F6, F8, F11, F9 72.22 F10, F6, F8, F11, F2, F12 42.22 F10, F6, F8, F11, F12 43.33 F10, F6, F8, F11, F2, F13 60 F10, F6, F8, F11, F13 60
20
Lampiran 3 Akurasi setiap percobaan berdasarkan nilai K
a Percobaan menggunakan citra cropping dengan 13 fitur tekstur
Sudut (derajat) Jarak (piksel) K tetangga terdekat 1 2 3 4 5 6 7 8 9 10 0 1 34.44 34.44 33.33 38.89 36.67 37.78 37.78 40.00 37.78 38.89 2 36.67 36.67 40.00 37.78 43.33 42.22 42.22 40.00 38.89 40.00 3 38.89 38.89 40.00 36.67 43.33 44.44 43.33 42.22 40.00 37.78 45 1 38.89 38.89 38.89 38.89 42.22 42.22 42.22 40.00 38.89 40.00 2 37.78 37.78 34.44 41.11 41.11 44.44 40.00 41.11 41.11 41.11 3 37.78 37.78 35.56 40.00 42.22 44.44 41.11 38.89 44.44 40.00 90 1 36.67 36.67 36.67 37.78 38.89 40.00 42.22 40.00 41.11 40.00 2 40.00 40.00 37.78 41.11 43.33 45.56 42.22 38.89 42.22 40.00 3 38.89 38.89 34.44 37.78 44.44 47.78 41.11 42.22 43.33 44.44 135 1 36.67 36.67 40.00 36.67 40.00 41.11 43.33 41.11 41.11 40.00 2 40.00 40.00 36.67 37.78 44.44 47.78 43.33 40.00 44.44 45.56 3 40.00 40.00 34.44 41.11 42.22 45.56 42.22 43.33 44.44 41.11 Rata-rata akurasi 38.06 38.06 36.85 38.80 41.85 43.61 41.76 40.65 41.48 40.74
b Percobaan menggunakan citra cropping dengan 5 fitur tekstur terpilih
Sudut (derajat) Jarak (piksel) K tetangga terdekat 1 2 3 4 5 6 7 8 9 10 0 1 43.33 43.33 48.89 47.78 52.22 53.33 52.22 54.44 52.22 51.11 2 45.56 45.56 46.67 51.11 56.67 52.22 55.56 54.44 53.33 56.67 3 53.33 53.33 58.89 54.44 62.22 56.67 58.89 54.44 56.67 51.11 45 1 51.11 51.11 54.44 55.56 58.89 58.89 55.56 57.78 54.44 55.56 2 55.56 55.56 61.11 62.22 74.44 65.56 61.11 60.00 58.89 57.78 3 58.89 58.89 62.22 64.44 70.00 67.78 63.33 57.78 55.56 55.56 90 1 54.44 54.44 57.78 53.33 57.78 53.33 55.56 60.00 54.44 60.00 2 57.78 57.78 61.11 62.22 67.78 62.22 62.22 60.00 55.56 54.44 3 58.89 58.89 62.22 65.56 71.11 66.67 63.33 60.00 54.44 55.56 135 1 53.33 53.33 56.67 55.56 60.00 56.67 57.78 56.67 53.33 53.33 2 54.44 54.44 61.11 62.22 68.89 63.33 62.22 60.00 55.56 55.56 3 56.67 56.67 63.33 62.22 73.33 67.78 66.67 58.89 54.44 53.33 Rata-rata akurasi 53.61 53.61 57.87 58.06 64.44 60.37 59.54 57.87 54.91 55.00
21 Lampiran 4 Boxplot fitur terpilih
Suku n Sim as Petru k Mat ahar i Mal aysi a d2 4 Kend il Hepe Cane Baku l 0.6 0.5 0.4 0.3 0.2 0.1 D a ta Contrast Suku n Sim as Petru k Mat ahar i Mal aysi a d2 4 Kend il Hepe Cane Baku l -0.2 -0.4 -0.6 -0.8 -1.0 -1.2 -1.4 -1.6 D a ta
Information Measurement of Correlation 1
Suku n Sim as Petru k Mat ahar i Malay sia d24 Kend il Hepe Cane Baku l 7.0 6.5 6.0 5.5 5.0 D a ta Sum Average
22 Suku n Sim as Petru k Mat ahar i Mal aysi a d2 4 Kend il Hepe Cane Baku l 2.3 2.2 2.1 2.0 1.9 1.8 1.7 1.6 1.5 1.4 D a ta Sum Entropy
23
RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 10 Maret 1989 di Bandar Lampung. Penulis merupakan puteri pertama dari pasangan Bapak Syaiful Irsal dan Ibu Armaletti. Pada tahun 2007, penulis menyelesaikan pendidikan menengah atas di SMA Negeri 3 Bandar Lampung dan melanjutkan pendidikan D3 di Politeknik Negeri Jakarta dengan Jurusan Teknik Elektronika Industri dan lulus tahun 2010. Pada tahun 2011, penulis melanjutkan pendidikan Sarjana di Institut Pertanian Bogor jurusan Ilmu Komputer program Alih Jenis.
