IDENTIFIKASI DAUN SHOREA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN NORMALISASI FITUR MORFOLOGI DAUN ALITA WULAN DINI

(1)

IDENTIFIKASI DAUN SHOREA MENGGUNAKAN

PROBABILISTIC NEURAL NETWORK DENGAN

NORMALISASI FITUR MORFOLOGI DAUN

ALITA WULAN DINI

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

BOGOR 2013

(2)

(3)

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*

Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Daun

Shorea Menggunakan Probabilistic Neural Network dengan Normalisasi Fitur

Morfologi Daun 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, April 2013

Alita Wulan Dini

(4)

ABSTRAK

ALITA WULAN DINI. Identifikasi Daun Shorea Menggunakan Probabilistic

Neural Network dengan Normalisasi Fitur Morfologi Daun. Dibimbing oleh AZIZ

KUSTIYO.

Shorea merupakan tanaman kayu yang termasuk jenis meranti. Shorea

tergolong ke dalam keluarga Dipterocarpaceae yang memiliki 194 spesies yang tumbuh di daerah tropis. Spesies-spesies Shorea ini sulit untuk diidentifikasi karena memiliki banyak kemiripan satu sama lain. Penelitian ini menggunakan

Probabilistic Neural Network (PNN) untuk mengklasifikasikan spesies Shorea.

Parameter yang digunakan untuk klasifikasi adalah area, perimeter, diameter,

smooth factor, form factor, perimeter ratio of diameter, perimeter ratio of physiological length and physiological width dengan nilai bias 0.1. Hasil rata-rata

akurasi dari metode yang digunakan adalah 100% (tanpa normalisasi) dan 91% (dengan normalisasi). Hal ini dapat disimpulkan bahwa fitur ciri morfologi area, perimeter, diameter, dan rasio panjang dan lebar daun secara signifikan mempengaruhi akurasi.

Kata kunci: Shorea, Morfologi, Probabilistic Neural Network

ABSTRACT

ALITA WULAN DINI. Shorea Leaf Identification using Probabilistic Neural Network with Normalization of Leaf Morphology Features. Supervised by AZIZ KUSTIYO.

Shorea is a timber plant from the genus of meranti. Shorea belongs to Dipterocarpaceae family which has 194 species growing in tropical area. The

species of Shorea is difficult to be identified because of it is similarity to each other. This research utilized Probabilistic Neural Network (PNN) to classify

Shorea species. The parameters used for classification were area, perimeter,

diameter, smooth factor, form factor, perimeter ratio of diameter, perimeter ratio of physiological length and physiological width with 0.1 bias value. It was found that the accuracy of the proposed method was 100% (without normalization) and 91% (with normalization). It can be concluded that the morphological features of area, perimeter, diameter, and ratio of leaf length and width significantly affect the accuracy.

(5)

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer

pada

Departemen Ilmu Komputer

IDENTIFIKASI DAUN SHOREA MENGGUNAKAN

PROBABILISTIC NEURAL NETWORK DENGAN

NORMALISASI FITUR MORFOLOGI DAUN

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

BOGOR 2013

(6)

(7)

Judul Skripsi : Identifikasi Daun Shorea Menggunakan Probabilistic Neural

Network dengan Normalisasi Fitur Morfologi Daun

Nama : Alita Wulan Dini

NIM : G64096006

Disetujui oleh

Aziz Kustiyo, SSi, MKom Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi, MKom Ketua Departemen

(8)

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala nikmat dan karunia-Nya sehingga karya ilmiah dengan judul Identifikasi Daun Shorea Menggunakan Probabilistic Neural Network dengan Normalisasi Fitur Morfologi Daun ini berhasil diselesaikan. Adapun penulis mengucapkan terima kasih kepada:

1 Kedua orang tua tercinta Bambang Supriyadi dan Arningsih, kakakku tersayang Ermaya Eka Aryadi Putra, SKomp serta seluruh keluarga yang telah memberikan dukungan, perhatian, dan doa sehingga penulis dapat menyelesaikan penelitian ini.

2 Bapak Aziz Kustiyo, SSi, MKom selaku pembimbing yang telah banyak memberi nasihat dan saran.

3 Dosen penguji, Bapak Sony Hartono Wijaya, SKom, MKom dan Bapak Toto Haryanto, SKom, MSi atas saran dan bimbingannya.

4 Pihak Kebun Raya Bogor atas sampel daun Shorea.

5 Teman-teman satu bimbingan terima kasih atas kerjasamanya.

6 Teman-teman Ekstensi Ilkom angkatan 4, atas kerjasamanya selama perkuliahan.

7 Semua pihak yang telah memberikan bantuan selama pengerjaan penelitian ini yang tidak dapat penulis tuliskan satu per satu.

Semoga penelitian ini bermanfaat bagi semua pihak yang membutuhkan.

Bogor, April 2013

(9)

DAFTAR ISI

DAFTAR TABEL xi

DAFTAR GAMBAR xi

DAFTAR LAMPIRAN xii

PENDAHULUAN 1

Latar Belakang 1

Perumusan Masalah 2

Tujuan Penelitian 2

Manfaat Penelitian 2

Ruang Lingkup Penelitian 2

TINJAUAN PUSTAKA 2

Shorea 2

Daun 7

Morfologi Daun 7

Deteksi Tepi 9

K-Fold Cross Validation 10

Normalisasi 10

Probabilistic Neural Network 10

Confusion Matrix 12

METODE 12

Pengumpulan Citra Daun 13

Praproses Data 14

Ekstraksi Ciri Morfologi 14

Data Latih dan Data Uji 15

Model PNN 15

Perhitungan Akurasi 16

Evaluasi 16

Lingkungan Pengembangan 16

HASIL DAN PEMBAHASAN 16

(10)

Percobaan I : Menggunakan 7 parameter (area, perimeter, diameter, smooth

factor, form factor, perimeter ratio of diameter, dan perimeter ratio of

physiological length and physiological width) tanpa normalisasi 17 Percobaan II : Menggunakan 7 parameter (area, perimeter, diameter, smooth

factor, form factor, perimeter ratio of diameter, dan perimeter ratio of

physiological length and physiological width) dengan normalisasi 18

Perbandingan Percobaan I dan Percobaan II 20

SIMPULAN DAN SARAN 21

Simpulan 21

Saran 21

DAFTAR PUSTAKA 21

LAMPIRAN 23

(11)

DAFTAR TABEL

1 Confusion matrix 12

2 Kelas Shorea yang digunakan 13

3 Kombinasi data latih dan data uji 15

4 Kombinasi input pada model PNN 15

5 Hasil akurasi percobaan I dalam (%) 18

6 Hasil akurasi percobaan II dalam (%) 19

7 Confusion matrix pada percobaan II dengan nilai h=0.1 20

DAFTAR GAMBAR

1 Shorea 3

2 Daun Shorea javanica 3

3 Daun Shorea johorensis 4

4 Daun Shorea macroptera 4

5 Daun Shorea materialis 4

6 Daun Shorea lepida 5

7 Daun Shorea leprosula 5

8 Daun Shorea palembanica 5

9 Daun Shorea pinanga 6

10 Daun Shorea platyclados 6

11 Daun Shorea seminis 6

12 Aspect ratio 8

13 Probabilistic Neural Network 11

14 Metodologi Penelitian 13

15 Alur praproses citra 14

16 Citra masukan untuk ekstraksi fitur morfologi 14

17 Contoh hasil ekstraksi morfologi 17

18 a) Area, (b) Perimeter, (c) Diameter, (d) P rasio of D 17

19 Grafik akurasi percobaan I 18

20 Grafik akurasi percobaan II 19

(12)

DAFTAR LAMPIRAN

1 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata

akurasi 100% dan nilai h=0.1 23

akurasi 60% dan nilai h=1 26

11 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata

akurasi 60% dan nilai h=1 29

21 Pengukuran data Shorea sebelum normalisasi 30

22 Pengukuran data Shorea setelah normalisasi 31

(13)

PENDAHULUAN

Latar Belakang

Keanekaragaman tanaman dapat dilihat melalui ciri-ciri tertentu, salah satunya melalui bentuk daun, seperti: oval, waru (cordate), dan elips. Identifikasi daun melalui pengamatan indra penglihatan secara langsung memiliki keterbatasan karena subjektivitas tingkat pengetahuan manusia. Pengolahan citra digital adalah salah satu bidang perkembangan teknologi digital dengan banyak aplikasi yang terkait di bidang ilmu pengetahuan dan teknologi. Salah satu bidang yang berkaitan dengan pengolahan citra adalah pengenalan pada jenis daun.

Shorea merupakan tumbuhan berkayu yang termasuk jenis meranti. Shorea

tergolong ke dalam keluarga Dipterocarpaceae yang memiliki 194 spesies yang tumbuh di daerah tropis. Spesies tersebut menyebar secara alami mulai Semenanjung Thailand dan Malaysia, Sumatera sampai Kalimantan Utara.

Dipterocarpaceae merupakan jenis yang sulit untuk diidentifikasi,

khususnya di daerah Kalimantan yang memiliki jenis terbanyak. Ketidakmampuan untuk mengenal individu Dipterocarpaceae di hutan dapat mengakibatkan terjadinya eksploitasi, khususnya meranti merah Shorea (Newman et al. 1999).

Jenis kayu Shorea yang memiliki nilai ekonomis yang tinggi juga menjadi salah satu yang mengakibatkan terjadinya eksploitasi besar-besaran. Untuk mencegah eksploitasi tersebut yang dapat disebabkan oleh kesalahan dalam pemilihan kayu yang tidak tepat, akan dilakukan identifikasi terhadap jenis Shorea tersebut melalui suatu sistem yang dapat mengidentifikasi jenis Shorea tersebut dengan tepat.

Penentuan identifikasi pohon Shorea biasanya menggunakan batang, daun, buah, dan bunga. Namun penelitian ini menggunakan daun sebagai bahan identifikasi dikarenakan daun cenderung tersedia sebagai sumber pengamatan sepanjang waktu. Bila menggunakan batang, batang pohon akan berubah warna atau kedalaman alur sejalan dengan bertambahnya umur pohon. Wu et al. (2007) melakukan penelitian identifikasi tanaman berdasarkan daun dengan akurasi lebih dari 90%.

Penelitian ini menggunakan ekstraksi fitur berdasarkan ciri morfologi daun pada citra daun Shorea, serta menggunakan PNN sebagai teknik klasifikasi pada identifikasi daun Shorea dengan melakukan pelatihan dan pengujian data. Penelitian sebelumnya dengan objek yang berbeda, Nurfadhilah (2011) menggunakan PNN sebagai teknik identifikasi tumbuhan obat, menghasilkan akurasi sebesar 74.67%, Nurjayanti (2011) menggunakan KNN sebagai teknik identifikasi daun Shorea dan menghasilkan akurasi sebesar 84% (tanpa normalisasi), dan 100% (dengan normalisasi). Hutabarat (2012) menggunakan PNN sebagai teknik identifikasi daun Shorea menghasilkan akurasi sebesar 72%, dan Puspitasari (2011) menggunakan arsitektur PNN dengan akurasi 90%.

(14)

2

Perumusan Masalah

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

1 Bagaimana menerapkan teknik ekstraksi fitur ciri morfologi daun untuk identifikasi daun Shorea.

2 Bagaimana menerapkan pengklasifikasian PNN untuk permasalahan identifikasi daun Shorea.

Tujuan Penelitian

Tujuan penelitian ini adalah menerapkan teknik ekstraksi fitur ciri morfologi daun menggunakan teknik klasifikasi PNN untuk pengenalan citra daun Shorea.

Manfaat Penelitian

Manfaat dari penelitian ini adalah membantu mengidentifikasi jenis Shorea berdasarkan citra daunnya sehingga memudahkan klasifikasi jenisnya.

Ruang Lingkup Penelitian

Ruang lingkup dalam penelitian ini adalah:

1 Data citra daun Shorea yang digunakan 10 spesies Shorea yang diambil dari beberapa koleksi Kebun Raya Bogor. Masing-masing spesies memiliki 10 citra daun sehingga total data citra daun berjumlah 100 citra daun.

2 Metode yang digunakan sebagai klasifikasinya adalah metode Probabilistic

Neural Network.

3 Citra yang digunakan berukuran 273 × 364 piksel, dengan daun yang dideteksi adalah daun hasil pemotretan dari depan (tampak depan).

TINJAUAN PUSTAKA

Shorea

Shorea adalah salah satu marga dari Dipterocarpaceae penghasil kayu

terbaik dalam dunia perindustrian. Tingginya permintaan memicu penebangan yang melebihi kemampuan regenerasi hutan sehingga mengakibatkan eksploitasi besar-besaran. Ukuran rata-rata pertumbuhan setiap meranti membutuhkan waktu lebih dari 30 tahun untuk mendapatkan diameter 30 cm. Bila dibiarkan, meranti akan terancam kepunahannya dari hutan alam produksi.

Shorea memiliki sekitar 194 jenis. Persebarannya meliputi 1 jenis di Jawa, 1

atau 2 jenis di Sulawesi, 3 jenis di Maluku, dan sisanya menyebar ke arah timur sampai Maluku (Indonesia) dan tidak meluas ke Cina bagian selatan (Newman et

(15)

3 1750 m. Beberapa jenis Shorea yang berupa pohon penjulang di hutan hujan dari kawasan Paparan Sunda, dapat tumbuh hingga ketinggian 500 m (Newman et al. 1999).

Ciri-ciri diagnostik utama Shorea adalah pohon sangat besar dengan kulit kayu dalam berlapis-lapis atau coklat merah gelap. Pohon hampir selalu besar, batang utama tinggi dan silindris. Tangkai daun berukuran sekitar 0.5-2.5 cm. Daun berukuran panjang 4-18 cm dan lebar 2-8 cm, pangkal daun biasanya simetris, permukaan bawah daun bila diraba licin, pertulangan sekunder bersisip, berjumlah sekitar 7-25 pasang (Newman et al. 1999).

Gambar 1 Shorea Penelitian ini menggunakan 10 jenis Shorea, yaitu:

Shorea javanica

Shorea javanica termasuk ke dalam meranti putih. Tangkai daun panjang

berukuran 1.4–2.4 cm, kadang-kadang lokos, dengan pertulangan sekunder 19-25. Daun lonjong, jorong atau bundar telur, 6.5-15 × 3.5-8 cm. Bila mengering, daun bagian atas berwarna lebih tua daripada permukaan daun bagian bawah. Permukaan daun bagian atas bila mengering berwarna coklat kelabu dan pada bagian bawah berwarna coklat kekuning-kuningan (Gambar 2).

Gambar 2 Daun Shorea javanica

Shorea johorensis

Shorea johorensis merupakan jenis meranti merah. Pohon dan banirnya

besar. Batang merekah atau bersisik, pada umumnya berdamar. Kulit luar tebal, kulit dalam juga tebal, berurat-urat, warnanya merah atau kemerah-merahan, dan isi kayu berwarna merah. Tata letak daun berseling, komposisi daun tunggal, dan tangkai daun pendek. Ciri khas daun adalah berlubang-lubang di waktu kering

(16)

4

atau berwarna coklat kekuningan, dan apabila diremas akan hancur. Ujung daun meruncing, pangkal daun bulat, tulang daun menyirip, bentuk daun oblong, dan tepi daun rata (Gambar 3).

Gambar 3 Daun Shorea johorensis

Shorea macroptera

Shorea macroptera merupakan jenis meranti merah. Pohon besar dan

berbanir besar. Batang merekah atau bersisik, pada umumnya berdamar. Kulit luar tebal, kulit dalam juga tebal, berurat-urat, warnanya merah atau kemerah-merahan, dan isi kayu berwarna merah (Gambar 4).

Gambar 4 Daun Shorea macroptera

Shorea materialis

Shorea materialis merupakan jenis meranti balau. Jenis meranti ini

menghasilkan kayu yang keras dan berat, cocok untuk konstruksi bangunan seperti jembatan, bantalan rel kereta api, dermaga, perahu, dan konstruksi di daerah pertambangan (Gambar 5).

Gambar 5 Daun Shorea materialis

Shorea lepida

Shorea lepida memiliki ciri-ciri utama pohon dewasa memiliki daun agak

(17)

5 lembayung, coklat kuning pada tulang daun, dan coklat pudar pada permukaan bawah daun (Gambar 6).

Gambar 6 Daun Shorea lepida

Shorea leprosula

Shorea leprosula termasuk dalam kelompok meranti merah. Perawakan

pohon besar, dapat mencapai tinggi 60 m, bebas cabang 35 m dengan diameter 1 m. Kulit coklat keabu-abuan. Daun lonjong sampai bulat telur, panjang 8-14 cm, dan lebar 3.5-4.5 cm. Permukaan daun bagian bawah bersisik seperti krim, dan urat daun tersier rapat seperti tangga (Gambar 7).

Gambar 7 Daun Shorea leprosula

Shorea palembanica

Shorea palembanica termasuk dalam meranti merah. Perawakan pohon

kecil dan adakalanya sampai sangat besar mencapai 130 cm, batang sering berbonggol, dan terpilin. Tajuk besar, rapat, hijau tua, dan permukaan pepagan coklat kelabu tua (Gambar 8).

(18)

6

Shorea pinanga

Shorea pinanga adalah marga Dipterocarpaceae, sub klas Dikotiledon dan

kelas Angiospermae. Shorea pinanga ini tumbuh alami di Kalimantan, pada ketinggian kurang dari 500 m di atas permukaan laut. Pohon Shorea pinanga dapat mencapai tinggi sekitar 30 m dengan diameter sampai 100 cm. Tajuk terdiri atas cabang-cabang yang panjang, menggantung, dan mempunyai daun muda yang berwarna kemerah-merahan. Daun berukuran 11-24 × 4-9 cm, bentuk tajuk melebar, dan tidak berbanir (Gambar 9).

Gambar 9 Daun Shorea pinanga

Shorea platyclados

Shorea platyclados termasuk dalam kelompok meranti merah. Perawakan

pohon sangat besar demgan batang tidak bercabang hingga tinggi sekali. Daun berukuran panjang 6.1-13.1 cm dengan lebar 2.2-4 cm, ujung daun lancip, dan pangkal daun membundar. Permukaan atas daun bila mengering berwarna coklat, dan bila diraba licin. Pertulangan sekunder berjumlah 12-25 pasang (Gambar 10).

Gambar 10 Daun Shorea platyclados

Shorea seminis

Shorea seminis termasuk dalam kelompok balau atau selangan batu. Tinggi

pohon dapat mencapai 60 m. Daun berukuran panjang 9-18 cm dengan lebar 2.5-8 cm, ujung daun berbentuk lancip panjang, dan pangkal daun berbentuk pasak atau membundar. Permukaan atas dan bawah daun bila mengering berwarna coklat kelabu atau coklat kuning. Pertulangan sekunder berjumlah 9-17 pasang (Gambar 11).

(19)

7

Daun

Daun adalah organ fotosintesis utama bagi tumbuhan, meskipun batang yang berwarna hijau juga melakukan fotosintesis. Bentuk daun sangat bervariasi, namun pada umumnya terdiri dari suatu helai daun (blade) dan tangkai daun (petiola) yang menghubungkan daun dengan batang. Hickey et al. (1999) telah mendeskripsikan ciri morfologi daun yang cukup rinci, khususnya untuk morfologi daun kelas Dicotyledonae. Ciri morfologi daun itu antara lain bangun daun (helai daun, ujung daun, dan pangkal daun), tepi daun, tekstur daun, letak kelenjar, tangkai daun, tekstur daun, tepi pertulangan, dan pengelompokan urat daun.

Morfologi Daun

Wu et al. (2007) telah mendeskripsikan ekstraksi ciri morfologi. Ciri tersebut dibedakan menjadi dua, yaitu ciri dasar dan ciri turunan. Ciri dasar daun di antaranya diameter, panjang fisik, lebar fisik, area, dan perimeter daun. Diameter merupakan titik terjauh di antara dua titik dari batas daun. Panjang fisik merupakan jarak dua titik pangkal daun. Lebar fisik dihitung berdasarkan panjang garis terpanjang yang memotong garis panjang fisik secara ortogonal. Area dihitung berdasarkan jumlah piksel yang berada di dalam tepi daun, sedangkan perimeter merupakan jumlah piksel yang berada pada tepi daun.

Dari lima ciri dasar tersebut, didapatkan dua belas ciri morfologi turunan. Nilai ciri turunan dapat dihitung dari rasio di antara ciri dasar daun. Ciri turunan dari morfologi daun di antaranya smooth factor, aspect ratio, form factor,

rectangularity, narrow factor, rasio perimeter dan diameter, rasio perimeter

dengan panjang, dan lebar daun.

Ciri turunan daun ada tujuh, yaitu:

1 Smooth factor adalah rasio antara area dari citra helai daun yang dilakukan smoothing dengan 5 × 5 rectangular averaging filter, dan area dari citra

helai daun yang dilakukan smoothing dengan 2 × 2 rectangular averaging

filter. Ciri ini untuk mengukur kehalusan suatu permukaan daun. Semakin

halus suatu permukaan daun, maka nilainya semakin mendekati 1. Sebaliknya semakin kasar permukaan daun, nilainya semakin mendekati 0. Persamaannya dapat dilihat pada rumus di bawah ini:

Smooth factor = A [ 5 5 ]

A [ 2 2 ]

2 Aspect ratio adalah rasio antara physiological length (Lp) dan physiological

width (Wp). Persamaannya dapat dilihat pada rumus di bawah ini:

𝐿𝑝 𝑊𝑝

Lp = panjang daun Wp = lebar daun

(20)

8

Ciri ini untuk memperkirakan bentuk helai daun. Jika benilai kurang dari 1, bentuk helai daun tersebut melebar. Jika benilai lebih dari 1, bentuk helai daun tersebut memanjang. Ilustrasinya dapat dilihat pada Gambar 12.

3 Form factor digunakan untuk mendeskripsikan bentuk dari daun dan

mengetahui seberapa bundar bentuk helai daun tersebut. Nilai form factor dapat dilihat pada rumus di bawah ini:

4𝜋𝐴 𝑃2

A = luas daun p = keliling daun

4 Rectangularity mendeskripsikan seberapa perseginya permukaan daun.

Rumusnya adalah: 𝐿𝑝𝑊𝑝 𝐴 A = luas daun Wp = lebar daun Lp = panjang daun

5 Narrow factor adalah rasio antara diameter (D) dan physiological length. Ciri

ini untuk menentukan apakah bentuk helai daun tersebut tergolong simetri atau asimetri. Jika helai daun tersebut tergolong simetri, narrow factor bernilai 1. Jika asimetri, narrow factor bernilai lebih dari 1. Nilainya dapat dicari menggunakan rumus di bawah ini:

𝐷 𝐿𝑝

D = diameter daun Lp = panjang daun

6 Perimeter ratio of diameter. Ciri ini untuk mengukur seberapa lonjong daun

tersebut. Persamaannya dapat dilihat pada rumus di bawah ini:

P w P l P_l P_w

(21)

9 𝑃

𝐷

D = diameter daun P = keliling daun

7 Perimeter ratio of physiological length and physiological width. Rumusnya

adalah: 𝑃 𝐿𝑝 + 𝑊𝑝 P = keliling daun Wp = lebar daun Lp = panjang daun Deteksi Tepi

Tepi (edge) adalah perubahan nilai intensitas derajat keabuan yang mendadak besar dalam jarak yang dekat. Suatu titik (x,y) dikatakan sebagai tepi bila titik tersebut mempunyai perbedaan nilai piksel yang tinggi dengan nilai piksel tetangganya (Gonzales 2002).

Operator sobel

Misal, suatu pengaturan piksel di sekitar piksel (x,y):

Operator sobel adalah magnitude dari gradien yang dihitung dengan:

Turunan parsial dihitung dengan:

Dengan konstanta c adalah 2, dalam bentuk kedok (mask), 𝑆𝑥 dan 𝑆𝑦 dapat

dinyatakan sebagai:

Arah tepi dihitung dengan persamaan:

(22)

10

K-Fold Cross Validation

K-fold cross validation merupakan metode dalam memperkirakan

generalisasi error berdasarkan resampling (Weiss dan Kulikowski 1991 diacu dalam Sarle 2004). Metode k-fold cross validation membagi sebuah himpunan contoh secara acak menjadi k-subset yang saling bebas. Dilakukan pengulangan sebanyak k-kali untuk pelatihan dan pengujian. Pada setiap ulangan, disisakan satu subset untuk pengujian dan subset lainnya untuk pelatihan. Tingkat akurasi dihitung dengan membagi jumlah keseluruhan klasifikasi yang benar dengan jumlah semua instance pada data awal.

Normalisasi

Normalisasi terhadap data penelitian dilakukan untuk meningkatkan hasil identifikasi. Salah satu teknik yang dapat digunakan untuk menormalisasi data adalah metode standar deviasi. Normalisasi menggunakan standar deviasi dilakukan untuk mengukur jarak, dengan mentransformasi data asli ke dalam bentuk lain.

v’(i) = (v(i) – mean(v)) / sd(v)

Untuk vektor ciri v, dimana nilai rata-rata vektor adalah mean(v) dan standar deviasi adalah sd(v) dihitung untuk semua sampel data, dan untuk ciri ke-i ditransformasikan menggunakan persamaan (Kantarzic 2003).

Probabilistic Neural Network

PNN merupakan Artificial Neural Network (ANN) yang menggunakan teorema probabilitas klasik. PNN diperkenalkan oleh Specht (1990). PNN menggunakan pelatihan (training) supervised. Keuntungan utama menggunakan arsitektur PNN adalah training data PNN mudah dan cepat (Wu et al. 2007).

(23)

11 X1 X2 Xp Neuron A1 Neuron A2 Neuron An Neuron B1 Neuron B2 Neuron Bm fA(X) fB(X) Ambil yang maksimu m V e k to r in p u t s e b a n y a k P d im e n s i

Lapisan Masukan Lapisan Pola Lapisan Penjumlahan

Lapisan Keluaran

Gambar 13 Probabilistic Neural Network

Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusan/keluaran. Struktur PNN ditunjukkan padaGambar 13. Lapisan-lapisan yang menyusun PNN adalah sebagai berikut: 1 Lapisan input (input layer)

Lapisan masukan merupakan input x yang terdiri atas k nilai yang akan diklasifikasikan pada salah satu kelas dari n kelas.

2 Lapisan pola (pattern layer)

Pada lapisan pola dilakukan perkalian titik (dot product) antara input x dengan vektor bobot 𝑥_𝑖,𝑗, yaitu 𝑍_𝑖 = 𝑥 . 𝑥_𝑖𝑗. 𝑍_𝑖 kemudian dibagi dengan bias tertentu σ dan selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu 𝑟𝑎𝑑𝑏𝑎𝑠 𝑛 = exp⁡(−𝑛) . Dengan demikian, persamaan yang digunakan pada lapisan pola adalah sebagai berikut:

𝑓 𝑥 = exp − 𝑥 − 𝑥𝑖𝑗 𝑇

𝑥 − 𝑥𝑖𝑗

2𝜎2

dengan 𝑥_𝑖𝑗 menyatakan vektor bobot atau vektor latih kelas ke-i urutan ke-j.

3 Lapisan penjumlahan (summation layer)

Pada lapisan penjumlahan setiap pola pada masing-masing kelas dijumlahkan sehingga dihasilkan population density function untuk setiap kelas. Persamaan yang digunakan pada lapisan ini adalah:

𝑝(𝑥) = 1 2𝜋 𝑘2𝜎𝑘𝑡 exp − 𝑥 − 𝑥𝑖𝑗 𝑇 𝑥 − 𝑥𝑖𝑗 2𝜎2 𝑡 𝑖=1 T = transpose i = jumlah kelas j = jumlah pola

(24)

12

𝑥

ij = vektor pelatihan baris ke-i kolom ke-j

𝑥 = vektor pengujian

t = jumlah vektor pelatihan kelas k = dimensi vektor x atau fitur

σ = faktor penghalus (standar deviasi)

4 Lapisan keluaran (output layer)

Pada lapisan keluaran input x akan diklasifikasikan ke kelas 1 jika nilai 𝑝_𝐼 𝑥 paling besar dibandingkan kelas lainnya.

Confusion Matrix

Confusion matrix merupakan sebuah tabel yang terdiri dari banyaknya baris

data uji yang diprediksi benar dan tidak benar oleh model klasifikasi. Tabel ini diperlukan untuk menentukan kinerja suatu model klasifikasi (Tan et al. 2005). Contoh confusion matrix dapat dilihat pada Tabel 1.

Tabel 1 Confusion matrix

Data Prediksi

Kelas 1 Kelas 2

Aktual Kelas 1 a b

Kelas 2 c d

Jumlah baris dan kolom pada tabel bergantung pada banyaknya kelas target. Akurasi merupakan proporsi yang tepat. Contoh perhitungan akurasi untuk tabel tersebut adalah:

Akurasi = Jumlah prediksi yang tepat total prediksi

= a + d

a + b + c + d

Keterangan:

 a adalah jumlah contoh Kelas 1 yang berhasil diprediksi dengan benar

sebagai Kelas 1,

 b adalah jumlah contoh Kelas 1 yang tidak berhasil diprediksi dengan benar

sebagai Kelas 1,

 c adalah jumlah contoh Kelas 2 yang berhasil diprediksi dengan benar

sebagai Kelas 2,

 d adalah jumlah contoh Kelas 2 yang tidak berhasil diprediksi dengan benar

sebagai kelas 2.

METODE

Tahapan penelitian ini dilakukan dalam beberapa tahap. Diagram alir sistem dapat dilihat pada Gambar 14.

(25)

13

Gambar 14 Metodologi penelitian

Pengumpulan Citra Daun

Pada proses pengumpulan citra daun dilakukan dengan mengambil sejumlah citra daun secara langsung dengan menggunakan kamera digital. Citra Shorea yang digunakan dalam penelitian ini diambil pada siang hari di dalam ruangan. Citra daun tersebut diberikan latar belakang kertas putih untuk dijadikan citra percobaan baik untuk pelatihan atau pun pengujian. Shorea yang digunakan sebanyak 10 spesies berformat JPG. Satu spesies diwakili dengan 10 citra, sehingga total citra ada sebanyak 100 citra. Citra yang digunakan berukuran 273 × 364 piksel. Sampel citra daun Shorea diambil dari Kebun Raya Bogor. Jenis Shorea yang digunakan pada penelitian ini dapat dilihat pada Tabel 2.

Tabel 2 Kelas Shorea yang digunakan

Kelas Shorea Kode

Shorea javanica koord val JAV

Shorea johorensis foxwf JOH

Shorea lepida blume LED

Shorea leprosula miq LPR

Shorea macroptera MAC

Shorea materialis ridley MAT

Shorea palembanica PAL

Shorea pinanga sp PIN

Shorea platyclados PLA

Shorea seminis SEM

Mulai

Data Uji

Evaluasi Selesai Praproses Pengumpulan Citra Daun

Data Latih

Model PNN Identifikasi

Ekstrasi Fitur

(26)

14

Pengambilan daun Shorea dilakukan selama satu bulan dengan cara memilah-milah daun Shorea yang kualitas daunnya terlihat baik dalam hal bentuk daun utuh, dan struktur daun jelas.

Praproses Data

Pada penelitian ini sebelum dilakukan praproses, citra yang digunakan diubah terlebih dahulu arah daunnya menjadi searah. Citra daun merupakan citra RGB dengan latar belakang putih menggunakan software Adobe Photoshop 8. Selanjutnya citra yang dibaca adalah citra RGB sehingga perlu diubah ke dalam citra keabuan (grayscale). Pengubahan citra RGB menjadi citra keabuan pada Matlab R2008b menggunakan perintah: gry=rgb2gray(rgb);. Ilustrasi alur praproses citra dapat dilihat di Gambar 15.

Pada tahapan praproses grayscale, ubah warna citra yang semulanya RGB menjadi grayscale. Grayscale berguna untuk ekstraksi citra dan dapat menyederhanakan model citra agar nilai yang dihasilkan tidak beragam.

Masukan untuk ekstraksi morfologi dan bentuk adalah citra biner dengan

threshold tertentu. Nilai threshold merupakan suatu nilai yang memisahkan piksel

yang merupakan objek dan piksel yang merupakan latar belakang citra. Ilustrasi citra masukan untuk ekstraksi morfologi dapat dilihat di Gambar 16.

Ekstraksi Ciri Morfologi

Ciri morfologi terdiri atas dua ciri, yaitu ciri dasar dan turunan. Tahap awal ekstraksi adalah mendapatkan ciri-ciri morfologi dasar dari citra helai daun. Ciri dasar yang digunakan pada penelitian ini adalah diameter, area, dan perimeter atau keliling daun. Tiga ciri dasar tersebut dapat dikombinasikan sehingga mendapatkan empat ciri turunan di antaranya smooth factor, form factor, rasio perimeter dan diameter, serta rasio panjang dan lebar daun. Informasi ciri ini direpresentasikan sebagai sebuah vektor dengan tujuh elemen.

Gambar 15 Alur praproses citra

(27)

15

Data Latih dan Data Uji

Data citra daun Shorea dibagi menjadi 2 bagian, yaitu data latih dan data uji. Penelitian ini menggunakan 10 citra daun Shorea untuk masing-masing 10 spesies. Data 10 citra daun tersebut akan diambil 8 citra untuk data latih dan 2 citra untuk data uji. Pada pembagian data menggunakan k-fold cross validation. Berdasarkan jumlah data, terdapat 10 citra untuk setiap jenis, maka dibuat 5-fold cross

validation. Pada kombinasi ini data dibagi menjadi 5 subset (S1, S2, S3, S4, S5).

Pada fold pertama, subset S1, S2, S3 dan S4 akan digunakan sebagai data latih

sedangkan subset S5 akan digunakan sebagai data uji. Bentuk 5-fold cross validation dapat dilihat pada Tabel 3.

Tabel 3 Kombinasi data latih dan data uji

Fold Pelatihan Pengujian

Fold I S1, S2, S3, S4 S5 Fold II S1, S2, S3, S5 S4 Fold III S1, S2, S5, S4 S3 Fold IV S1, S5, S4, S3 S2 Fold V S5, S4, S3, S2 S1 Model PNN

Arsitektur PNN memiliki bagian lapisan masukan, pola, penjumlahan, dan keluaran. Pada penelitian ini, masukan berupa masing-masing hasil ekstraksi ciri morfologi citra daun. Dalam penelitian ini akan dicobakan dua jenis kombinasi

input. Kedua kombinasi input dapat dilihat pada Tabel 4.

Tabel 4 Kombinasi input pada model PNN

Percobaan Kombinasi Input

I

Hasil praproses tanpa normalisasi ekstrasi fitur ciri morfologi dengan 7 parameternya, yaitu area, perimeter, diameter, smooth factor, form factor,

parameter ratio of diameter, dan perimeter ratio of physiological length and physiological width.

II

Hasil praproses normalisasi ekstrasi fitur ciri morfologi dengan 7 parameternya, yaitu area, perimeter, diameter,

smooth factor, form factor, parameter ratio of diameter,

dan perimeter ratio of physiological length and

physiological width.

Lapisan output memiliki 10 target kelas sesuai dengan jumlah jenis daun. Untuk lapisan pola hanya akan digunakan satu model PNN yaitu dengan nilai bias (σ) tetap.

(28)

16

Perhitungan Akurasi

Pengujian data dilakukan oleh sistem yaitu dengan melihat hasil penelitian terhadap citra kueri atau citra uji berdasarkan 5-fold cross validation. Hasil penelitian ini diukur dengan menggunakan tingkat akurasi dari data citra yang diuji dan diamati. Persamaan akurasi didefinisikan sebagai berikut :

Akurasi = data uji benar diklasifikasikan

data uji x 100%

Evaluasi

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

Lingkungan Pengembangan

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

1 Perangkat Keras:

 AMD E-350 1.6 GHz

 Memori 2 GB

 Harddisk kapasitas 320 GB 2 Perangkat Lunak:

 Windows 7 Home Premium 32 bit sebagai sistem operasi

 Matlab 7.7 (R2008b)

HASIL DAN PEMBAHASAN

Pada penelitian ini digunakan 10 spesies daun Shorea, yaitu Shorea

javanica, Shorea johorensis, Shorea lepida, Shorea leprosula, Shorea macroptera, Shorea materialis, Shorea palembanica, Shorea pinanga, Shorea platyclados, dan Shorea seminis. Masing-masing 10 jenis Shorea tersebut memiliki 10 data citra.

Data latih sebanyak 8 citra, dan 2 citra data uji untuk masing-masing 10 spesies. Sehingga total data latih sebanyak 80 citra, dan 20 citra sebagai data uji. Pembagian data akan dibagi menjadi kelompok data menggunakan 5-fold cross

(29)

17

Ekstraksi Ciri Morfologi

Ekstraksi ciri morfologi membutuhkan citra biner sebagai masukan. Jumlah nilai ciri morfologi yang diekstraksi berjumlah tujuh. Tujuh nilai ciri morfologi yang digunakan adalah area, diameter, perimeter, smooth factor, form factor, rasio perimeter dan diameter, serta rasio panjang dan lebar daun. Nilai-nilai ciri dasar dan turunan daun direpresentasikan seperti yang terlihat pada Gambar 17 dan ilustrasi mengenai contoh nilai morfologi ada di Gambar 18.

Gambar 17 Contoh hasil ekstraksi morfologi

(a) (b) (c) (d)

Gambar 18 (a) Area, (b) Perimeter, (c) Diameter, (d) P rasio of D

Percobaan I : Menggunakan 7 parameter (area, perimeter, diameter, smooth factor, form factor, perimeter ratio of diameter, dan perimeter ratio of

physiological length and physiological width) tanpa normalisasi

Percobaan ini melibatkan data citra 10 jenis Shorea yang telah di akuisisi, dilakukan tahapan praproses tanpa normalisasi dan dilakukan ekstraksi fitur ciri morfologi. Pada percobaan ini digunakan 80 record sebagai data latih yang berisi

subset 1, 2, 3, dan 4. Subset 5 yang berisi 20 record dijadikan data uji. Percobaan

terus dilakukan sehingga setiap subset pernah menjadi data uji, dan dilakukan 5 kali iterasi berdasarkan subset pada k-fold cross validation dengan 10 buah nilai bias (h=0.1 sampai h=1). Hasil akurasi untuk masing-masing iterasi dapat dilihat pada Tabel 5.

(30)

18

Tabel 5 Hasil akurasi percobaan I dalam (%)

Fold Nilai bias (h)

0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 I 100 95 95 70 80 80 75 70 70 70 II 100 100 100 95 60 55 65 65 60 55 III 100 95 95 90 85 80 70 65 65 65 IV 100 100 85 85 85 70 70 70 60 60 V 100 100 85 75 75 70 60 55 55 50 Rata-rata 100 98 92 83 77 71 68 65 62 60 Keterangan :

Akurasi rata-rata maksimum

Pada percobaan tersebut didapatkan rata-rata akurasi tertinggi yaitu sebesar 100% dengan nilai (h=0.1), namun pada nilai (h=0.9 dan h=1) akurasi menjadi sangat menurun. Rata-rata akurasi pada setiap iterasi dapat dilihat pada Gambar 19.

Gambar 19 Grafik akurasi percobaan I

Berdasarkan grafik di atas, rata-rata akurasi tertinggi diperoleh pada nilai (h=0.1). Semakin meningkatnya nilai bias (h), rata-rata akurasi menjadi menurun. Pada nilai bias (h=0.1 dan h=0.2) menghasilkan rata-rata akurasi tertinggi sebesar 100% dan 98%. Pada percobaan I dengan nilai bias (h=0.1), tidak ada confusion

matrix dikarenakan nilai akurasi pada setiap iterasi sebesar 100%.

Percobaan II : Menggunakan 7 parameter (area, perimeter, diameter, smooth factor, form factor, perimeter ratio of diameter, dan perimeter ratio of

physiological length and physiological width) dengan normalisasi

Pada percobaan ini sama seperti percobaan I, hanya saja menggunakan 7 parameter dengan normalisasi. Percobaan ini tetap melibatkan data citra 10 jenis

Shorea yang dilakukan tahapan praproses normalisasi ekstraksi fitur ciri

morfologi.

Pada percobaan ini tetap digunakan 80 record sebagai data latih yang berisi

subset 1, 2, 3, dan 4. Subset 5 yang berisi 20 record dijadikan data uji yang akan

dilakukan 5 kali iterasi berdasarkan subset pada 5-fold cross validation dengan 0 20 40 60 80 100 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Ak u ra si (%) Nilai h

(31)

19 nilai bias (h) yang sama seperti percobaan I. Hasil akurasi untuk masing-masing iterasi dapat dilihat pada Tabel 6.

Tabel 6 Hasil akurasi percobaan II dalam (%)

Fold Nilai bias (h)

0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 I 100 95 90 80 80 80 75 70 70 70 II 55 55 55 55 60 55 65 65 60 55 III 100 95 95 85 85 80 70 65 65 65 IV 100 100 85 85 85 70 70 70 60 60 V 100 100 85 75 75 70 60 55 55 50 Rata-rata 91 89 82 76 77 71 68 65 62 60 Keterangan :

Akurasi rata-rata maksimum

Pada percobaan tersebut didapatkan rata-rata akurasi tertinggi yaitu sebesar 91% dengan nilai (h=0.1), dimana nilai rata-rata akurasi menurun pada setiap nilai bias (h) jika dibandingkan percobaan pertama. Rata-rata akurasi pada setiap iterasi dapat dilihat pada Gambar 20.

Gambar 20 Grafik akurasi percobaan II

Berdasarkan grafik di atas, rata-rata akurasi tertinggi diperoleh pada nilai (h=0.1). Semakin meningkatnya nilai bias (h), rata-rata akurasi menjadi menurun. Pada nilai bias (h=0.1 dan h=0.2) menghasilkan rata-rata akurasi tertinggi sebesar 91% dan 89%.

Record yang salah diklasifikasikan pada percobaan dengan nilai bias

(h=0.1) dapat dilihat pada Confusion matrix Tabel 7. 0 20 40 60 80 100 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Ak ura si (%) Nilai h

(32)

20

Tabel 7 Confusion matrix pada percobaan II dengan nilai h=0.1 Kelas

Asli

Kelas Prediksi

JAV JOH LED LPR MAC MAT PAL PIN PLA SEM

JAV 10 0 0 0 0 0 0 0 0 0 JOH 0 9 0 0 0 0 0 1 0 0 LED 0 0 9 0 0 0 0 0 0 1 LPR 0 0 0 8 0 0 2 0 0 0 MAC 0 0 0 0 9 0 0 1 0 0 MAT 0 0 0 1 1 8 0 0 0 0 PAL 0 0 0 0 0 0 10 0 0 0 PIN 0 0 0 0 0 0 0 10 0 0 PLA 0 0 0 0 0 0 0 0 9 1 SEM 0 0 0 0 0 0 1 0 0 9

Berdasarkan Tabel 7 di atas, pada percobaan dengan nilai h=0.1, dari 10 kelas yang ada, hanya 3 kelas yang benar diklasifikasikan, yaitu kelas 1 (Shorea

javanica), kelas 7 (Shorea palembanica), dan kelas 8 (Shorea pinanga). Sebanyak

7 kelas yang salah diklasifikasikan, yaitu kelas 2 (Shorea johorensis), kelas 3 (Shorea lepida), kelas 4 (Shorea leprosula), kelas 5 (Shorea macroptera), kelas 6 (Shorea materialis), kelas 9 (Shorea platyclados), dan kelas 10 (Shorea seminis). hal ini disebabkan kemiripan ciri morfologi daun berupa parameter area, dan kesamaan ukuran bentuk.

Perbandingan Percobaan I dan Percobaan II

Percobaan I dan percobaan II menghasilkan rata-rata tingkat akurasi yang berbeda untuk seluruh jenis Shorea yang diidentifikasi. Perbandingan tingkat akurasi yang dihasilkan pada setiap percobaan dapat dilihat pada Gambar 21.

Gambar 21 Grafik perbandingan akurasi percobaan I dan percobaan II 0 10 20 30 40 50 60 70 80 90 100 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Ak ura si (%) Nilai h Percobaan I Percobaan II

(33)

21

SIMPULAN DAN SARAN

Simpulan

Berdasarkan penelitian yang telah dilakukan, dapat diambil kesimpulan bahwa penggunaan klasifikasi PNN dapat melakukan pengidentifikasi jenis

Shorea, walaupun masih terdapat salah dalam pengidentifikasian. Akurasi

pengenalan citra daun Shorea dengan menggunakan PNN sebagai classifier dengan k=5 nilai bias (h=0.1) menghasilkan rata-rata akurasi terbesar 100% pada percobaan I, sedangkan pada percobaan II rata-rata akurasi terbesar 91% dimana praproses normalisasi pada ekstraksi fitur berpengaruh terhadap akurasi. Jenis

Shorea yang selalu tepat diidentifikasikan dengan benar pada percobaan I dan II

menggunakan seluruh fitur adalah Shorea javanica, Shorea palembanica, dan

Shorea pinanga.

Saran

Penelitian ini masih memiliki beberapa kekurangan yang dapat diperbaiki pada penelitian selanjutnya. Beberapa saran itu di antaranya dengan menambahkan jumlah data untuk setiap jenis Shorea agar data yang digunakan lebih bervariasi. Menggunakan teknik klasifikasi dan fitur yang lain untuk mengetahui tingkat akurasi.

DAFTAR PUSTAKA

Gonzalez RC, Woods RE. 2002. Digital Image Processing. 2nd Edition. New Jersey (US) : Prentice Hall.

Hickey LJ, Johnson KR, Wilf P, Wing SL. 1999. Manual of Leaf Architecture –

Morphological Description and Categorization of Dicotyledonous and Net-Veined Monocotyledonous Angiosperms. Washington DC (US): Department of

Paleobiology Smithsonian Institution.

Hutabarat YP. 2012. Identifikasi jenis Shorea berdasarkan morfologi daun menggunakan probabilistic neural network [skripsi]. Bogor (ID): Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

Kantardzic M. 2003. Data Mining, Concepts, Methods and Algorithm. New Jersey: IEEE.

Newman MF, Burgess PF, Whitmore TC. 1999. Pedoman Identifikasi Pohon-pohon Dipterocarpaceae Jawa sampai Nugini. Bogor (ID): Prosea Indonesia. Nurfadhilah E. 2011. Identifikasi tumbuhan obat menggunakan fitur citra

morfologi, tekstur, dan bentuk dengan klasifikasi probabilistic neural network [skripsi]. Bogor (ID): Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

Nurjayanti B. 2011. Identifikasi Shorea menggunakan k-nearest neighbour berdasarkan karateristik morfologi daun [skripsi]. Bogor (ID): Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

(34)

22

Puspitasari D. 2011. Identifikasi jenis Shorea menggunakan jaringan syaraf tiruan propagasi balik berdasarkan karakteristik morfologi daun [skripsi]. Bogor (ID): Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Sarle W. 2004. What are cross validation and bootstrapping? [internet]. [diacu

pada 2012 Des 15]. Tersedia pada: http://www.faqs.org/ai-faq/neural-nets/part3/section-12.html.

Specht DF. 1990. Probabilistic Neural Networks and the Polynomial Adalines

Classification. IEEE Transactions on Neural Networks 1(3): 111-121.

Tan P, Steinbach M, Kumar V. 2005. Introduction to Data Mining. Boston: Pearson Education, Inc.

Wu SG, Bao FS, Xu EY, Wang YX, Chang YF, Xiang QL. 2007. A Leaf

Recognition Algorithm for Plant Classification Using Probabilistic Neural Network. In Signal Processing and Information Technology, 2007,

China.11-16.

Weiss SM, Kulikowski CA. 1991. Computer Systems That Learn. Massachusetts (US): Morgan Kaufmann.

(35)

23 Lampiran 1 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata

akurasi 100% dan nilai h=0.1 Kelas

Asli

Kelas Prediksi

Lampiran 2 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata akurasi 98% dan nilai h=0.2

Kelas Asli

Kelas Prediksi

Kelas Asli

Kelas Prediksi

(36)

24

Kelas Asli

Kelas Prediksi

Kelas Asli

Kelas Prediksi

Kelas Asli

Kelas Prediksi

(37)

25 Lampiran 7 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata

Asli

Kelas Prediksi

Kelas Asli

Kelas Prediksi

Kelas Asli

Kelas Prediksi

(38)

26

Lampiran 10 Confusion matrix percobaan I pada setiap iterasi dengan rata-rata akurasi 60% dan nilai h=1

Kelas Asli

Kelas Prediksi

Lampiran 11 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata akurasi 91% dan nilai h=0.1

Kelas Asli

Kelas Prediksi

Kelas Asli

Kelas Prediksi

(39)

27 Lampiran 13 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata

Asli

Kelas Prediksi

Kelas Asli

Kelas Prediksi

Kelas Asli

Kelas Prediksi

(40)

28

Kelas Asli

Kelas Prediksi

Kelas Asli

Kelas Prediksi

Kelas Asli

Kelas Prediksi

(41)

29 Lampiran 19 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata

Asli

Kelas Prediksi

Lampiran 20 Confusion matrix percobaan II pada setiap iterasi dengan rata-rata akurasi 60% dan nilai h=1

Kelas Asli

Kelas Prediksi

(42)

30

Lampiran 21 Pengukuran data Shorea sebelum normalisasi

Area Perimeter Diameter Smooth factor Form factor Rasio P/D Rasio P/L Kelas 32857 750 357,87 2,90 0,99 0,73 2,09 1 30803 736 351,51 2,95 0,99 0,71 2,09 1 38873 790 384,90 1,37 0,99 0,78 2,05 1 37486 768 354,00 2,42 0,99 0,79 2,16 1 29518 718 346,05 2,93 0,99 0,71 2,07 1 29261 723 349 2,94 0,99 0,70 2,07 1 31140 746 355 2,68 0,99 0,70 2,10 1 32297 754 361 2,65 0,99 0,71 2,08 1 44959 1812 342,98 1,89 0,99 0,17 5,28 2 48607 1946 363,66 1,94 0,99 0,16 5,35 2 50640 1747 361,13 1,96 0,99 0,20 4,83 2 51652 1715 352,05 1,72 0,99 0,22 4,87 2 52616 1188 347,76 1,76 0,99 0,46 3,41 2 48193 1796 340,60 1,76 0,99 0,18 5,27 2 44910 1460 349,88 1,86 0,99 0,26 4,17 2 34393 1738 301,08 1,83 0,99 0,14 5,77 2 24151 983 348,51 3,41 0,98 0,31 2,82 3 27019 1227 344,39 2,46 0,98 0,22 3,56 3 21981 1209 331,95 2,72 0,99 0,18 3,64 3 16954 1165 301,40 2,89 0,98 0,15 3,86 3 22162 1037 315,83 2,97 0,98 0,25 3,28 3 20494 1312 336,07 3,37 0,97 0,14 3,90 3 18194 662 321,00 3,55 0,98 0,52 2,06 3 24789 772 352,11 2,64 0,98 0,52 2,19 3 37893 804 363,85 2,34 0,99 0,73 2,20 4 33441 749 346,11 2,70 0,99 0,74 2,16 4 29667 720 334,53 2,39 0,99 0,71 2,15 4 35827 700 299,66 1,87 0,99 0,91 2,33 4 39108 924 358,16 2,05 0,99 0,57 2,57 4 39708 948 356,20 2,19 0,99 0,55 2,66 4 38742 794 356,11 2,52 0,99 0,77 2,22 4 32123 719 320,30 2,37 0,99 0,78 2,24 4 44113 1884 347,11 1,77 0,99 0,15 5,42 5 48788 1792 361,06 1,88 0,99 0,19 4,96 5 25222 684 320,00 2,62 0,99 0,67 2,13 5 31207 745 344,41 2,50 0,99 0,70 2,16 5 32726 746 324,52 2,25 0,99 0,73 2,29 5 32651 700 307,35 1,74 0,99 0,83 2,27 5 41313 1043 358,87 2,14 0,99 0,47 2,90 5 34117 1078 318,01 2,19 0,99 0,36 3,38 5 46444 812 363,03 2,21 0,99 0,88 2,23 6

(43)

31 Lampiran 22 Pengukuran data Shorea setelah normalisasi

Area Perimeter Diameter Smooth factor Form factor Rasio P/D Rasio P/L Kelas 0,04 -0,51 0,64 2,90 0,99 0,73 2,09 1 -0,13 -0,54 0,47 2,95 0,99 0,71 2,09 1 0,58 -0,41 1,40 1,37 0,99 0,78 2,05 1 0,46 -0,46 0,54 2,42 0,99 0,79 2,16 1 -0,24 -0,58 0,31 2,93 0,99 0,71 2,07 1 -0,27 -0,57 0,39 2,94 0,99 0,70 2,07 1 -0,10 -0,52 0,56 2,68 0,99 0,70 2,10 1 -0,002 -0,49 0,73 2,65 0,99 0,71 2,08 1 1,12 2,02 0,23 1,89 0,99 0,17 5,28 2 1,45 2,34 0,81 1,94 0,99 0,16 5,35 2 1,63 1,86 0,74 1,96 0,99 0,20 4,83 2 1,72 1,79 0,48 1,72 0,99 0,22 4,87 2 1,80 0,53 0,36 1,76 0,99 0,46 3,41 2 1,41 1,98 0,16 1,76 0,99 0,18 5,27 2 1,12 1,18 0,42 1,86 0,99 0,26 4,17 2 0,18 1,84 -0,95 1,83 0,99 0,14 5,77 2 -0,72 0,045 0,38 3,41 0,98 0,31 2,82 3 -0,47 0,63 0,27 2,46 0,98 0,22 3,56 3 -0,92 0,58 -0,08 2,72 0,99 0,18 3,64 3 -1,36 0,48 -0,94 2,89 0,98 0,15 3,86 3 -0,90 0,17 -0,53 2,97 0,98 0,25 3,28 3 -1,05 0,83 0,03 3,37 0,97 0,14 3,90 3 -1,25 -0,72 -0,39 3,55 0,98 0,52 2,06 3 -0,67 -0,46 0,48 2,64 0,98 0,52 2,19 3 0,49 -0,38 0,81 2,34 0,99 0,73 2,20 4 0,09 -0,51 0,31 2,70 0,99 0,74 2,16 4 -0,23 -0,58 -0,01 2,39 0,99 0,71 2,15 4 0,31 -0,63 -0,99 1,87 0,99 0,91 2,33 4 0,60 -0,09 0,65 2,05 0,99 0,57 2,57 4 0,65 -0,04 0,59 2,19 0,99 0,55 2,66 4 0,57 -0,40 0,59 2,52 0,99 0,77 2,22 4 -0,02 -0,58 -0,41 2,37 0,99 0,78 2,24 4 1,05 2,19 0,34 1,77 0,99 0,15 5,42 5 1,46 1,97 0,73 1,88 0,99 0,19 4,96 5 -0,63 -0,66 -0,42 2,62 0,99 0,67 2,13 5 -0,01 -0,52 0,27 2,50 0,99 0,70 2,16 5 0,04 -0,52 -0,29 2,25 0,99 0,73 2,29 5 0,03 -0,63 -0,77 1,74 0,99 0,83 2,27 5 0,80 0,19 0,67 2,14 0,99 0,47 2,90 5 0,16 0,27 -0,47 2,19 0,99 0,36 3,38 5 1,15 -0,36 0,73 2,20 0,99 0,86 2,24 6

(44)

32

Lampiran 23 Jenis daun Shorea

(45)

33

RIWAYAT HIDUP

Penulis dilahirkan pada tanggal 15 Maret 1988 di Bekasi. Penulis merupakan anak kedua dari dua bersaudara, pasangan Bapak Bambang Supriyadi dan Ibu Arningsih. Penulis menempuh pendidikan Sekolah Menengah Akhir pada tahun 2003-2006 di Sekolah Menengah Akhir Negeri 1 Tambun Selatan di kota Bekasi. Pada tahun 2006 penulis lulus seleksi masuk Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk Institut Pertanian Bogor (USMI IPB). Tahun 2009 penulis lulus dari program Diploma 3 (D3) jurusan Manajemen Informatika Institut Pertanian Bogor (IPB), pada tahun yang sama penulis melanjutkan kuliah program studi Sarjana (S1) di Institut Pertanian Bogor, Program Studi Ilmu Komputer, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA). Selama menjalani perkuliahan penulis pernah bekerja menjadi staf desain produksi di Penerbit IPB Press, dan pada tahun 2011 sampai sekarang bekerja di Kementerian Hukum dan Hak Asasi Manusia Republik Indonesia.