IDENTIFIKASI VARIETAS DURIAN BERDASARKAN TEKSTUR DAUN MENGGUNAKAN K-NEAREST NEIGHBOR DENGAN CIRI STATISTICAL TEXTURES ROSITA TRI INDRATI

(1)

IDENTIFIKASI VARIETAS DURIAN BERDASARKAN TEKSTUR

DAUN MENGGUNAKAN K-NEAREST NEIGHBOR DENGAN

CIRI STATISTICAL TEXTURES

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

BOGOR 2016

(2)

(3)

PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI

SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Varietas Durian Berdasarkan Tekstur Daun Menggunakan K-Nearest Neighbor dengan ciri Statistical Textures 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 2016

Rosita Tri Indrati

NIM G64124066

(4)

(5)

(6)

(7)

PERNYATAAN MENGENAI DISERTASI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Varietas Durian Berdasarkan Tekstur Daun Menggunakan K-Nearest Neighbor dengan ciri

Statistical Textures 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 2016

Rosita Tri Indrati

(8)

ABSTRAK

ROSITA TRI INDRATI. Identifikasi Varietas Durian Berdasarkan Tekstur Daun Menggunakan K-Nearest Neighbor dengan Ciri Statistical Textures. Dibimbing oleh Aziz Kustiyo.

Durian (Durio zibethinus Murray) adalah salah satu komoditas yang memiliki nilai ekonomi yang tinggi di Indonesia. Nilai ekonomi durian dipengaruhi oleh keunggulan yang dimiliki setiap varietasnya. Oleh sebab itu identifikasi tanaman durian merupakan hal yang sangat penting. Pada penelitian ini, identifikasi dilakukan berdasarkan citra daun dari empat varietas durian. Metode klasifikasi yang digunakan adalah K-Nearest Neighbor dengan ekstraksi ciri statistical textures. Penelitian ini menghasilkan akurasi tertinggi sebesar 67,5% menggunakan 6 ciri statistical textures. Pada penelitian ini paling sulit teridentifikasi varietas Sukun. Varietas Sukun mempunyai kemiripan ke varietas Bakul dan Matahari.

Kata Kunci: daun, Statistical textures, durian, identifikasi, K-Nearest Neighbor.

ABSTRACT

ROSITA TRI INDRATI. Durian Plant Identification Using K-Nearest Neighbor and Statistical Textures. Supervised by Aziz Kustiyo.

Durian (Durio zibethinus Murray) is one of the valuable fruit in Indonesia. It economic value is depends on the superiority of each varieties. Therefore it is important to identify the variety of durian’s plant. In this research, the identification of was performed by K-Nearest Neighbor classification and statistical textures extraction based its leaf image. The highest accuracy of this research was 67.5% using four durian’s varieties and was of 6 statistical textures feature. The most difficult identify in this reseach was Sukun varieties. Sukun varieties has similarities with Bakul and Matahari.

(9)

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer

pada

Departemen Ilmu Komputer

ROSITA TRI INDRATI

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

BOGOR 2016

IDENTIFIKASI VARIETAS DURIAN BERDASARKAN TEKSTUR

DAUN MENGGUNAKAN K-NEAREST NEIGHBOR DENGAN

(10)

Penguji:

1 Toto Haryanto, S.Kom, M.Si 2 Dr. Wisnu Ananta Kusuma, ST MT

(11)

Judul Skripsi : Identifikasi Varietas Durian Berdasarkan Tekstur Daun Menggunakan K-Nearest Neighbor dengan Ciri Statistical Textures Nama : Rosita Tri Indrati

NIM : G64124066

Disetujui oleh

Aziz Kustiyo, SSi MKom Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi MKom Ketua Departemen

(12)

PRAKATA

Segala puji dan syukur penulis panjatkan kepada Allah Subhanahu Wa Ta’ala atas segala karunia-Nya sehingga penulis dapat menyelesaikan tugas akhir yang berjudul Identifikasi Varietas Durian Berdasarkan Tekstur Daun Menggunakan K-Nearest Neighbor dengan Ciri Statistical Textures.

Terima kasih penulis ucapkan kepada:

1 Kedua orang tua serta seluruh keluarga yang telah memberikan dukungan, perhatian dan doa sehingga penulis dapat menyelesaikan karya ilmiah ini. 2 Bapak Aziz Kustiyo, SSi MKom selaku pembimbing yang telah banyak

memberikan pengarahan, saran dan bimbingannya.

3 Bapak Dr. Wisnu Ananta Kusuma, ST MT dan Bapak Toto Haryanto, SKom MSi selaku penguji atas saran dan pengarahannya.

4 Teman-teman satu bimbingan Nicky Astriyanti, Ineke Kusumawati, Nurchoiriyati, Puguh dan Arif Mujahidin terima kasih atas bantuan dan kerjasamanya.

5 Teman-teman alih jenis ILKOM angkatan 7 terima kasih atas dukungan dan kebersamaannya.

6 Jajaran Staf dan Dosen Pengajar Ilmu Komputer atas segala bantuannya. 7 Semua pihak yang telah memberikan bantuan selama peneliian yang tidak

bisa penulis sebutkan satu persatu. Semoga karya ilmiah ini bermanfaat.

Bogor, Maret 2016

(13)

DAFTAR ISI

DAFTAR TABEL vi DAFTAR GAMBAR vi DAFTAR LAMPIRAN vi PENDAHULUAN 1 Latar Belakang 1 Perumusan Masalah 1 Tujuan Penelitian 2 Manfaat Penelitian 2

Ruang Lingkup Penelitian 2

Lingkungan Pengembangan 2 METODE 2 Studi Pustaka 2 Pengumpulan Data 3 Praproses 3 Ekstraksi Tekstur 4

Pembagian Data Latih dan Data Uji 6

Klasifikasi K-NN 7

Evaluasi 7

HASIL DAN PEMBAHASAN 7

Ekstraksi Ciri Tekstur 7

Percobaan 1: Klasifikasi dengan semua ciri 10

Percobaan 2: Klasifikasi dengan pemilihan ciri 10

Analisis Kesalahan 12

SIMPULAN DAN SARAN 13

Simpulan 13

Saran 14

DAFTAR PUSTAKA 14

LAMPIRAN 15

(14)

DAFTAR TABEL

1 Bentuk k-fold cross validation 6

2 Confusion matrix seluruh fold percobaan 1 untuk k = 3 10 3 Confusion matrix seluruh fold percobaan 2 untuk k = 3 11

4 Confusion matrix k = 1 15 5 Confusion matrix k = 5 15 6 Confusion matrix k = 7 15 7 Confusion matrix k = 9 16 8 Confusion matrix k = 11 16 9 Confusion matrix k = 1 16 10 Confusion matrix k = 5 16 11 Confusion matrix k = 7 16 12 Confusion matrix k = 9 17 13 Confusion matrix k = 11 17

DAFTAR GAMBAR

1 Tahapan Metode Penelitian 3

2 Ilustrasi praproses (a) Citra daun durian asli, (b) Citra daun hasil

grayscale 4

3 Grafik akurasi percobaan 1 10

4 Grafik akurasi percobaan 2 11

5 Grafik perbandingan percobaan 1 dan percobaan 2 12 6 Pola box plot dari perhitungan masing-masing varietas (a)minimum

(b)maksimum (c)rentang (d)mean (e)median (f)Standar deviasi (g) Q1 (h) Q3 (i) Interval quartile range (j) skewness (k) kurtosis 13

DAFTAR LAMPIRAN

1 Contoh citra daun asli dari setiap varietas durian. 15 2 Confusion matrix percobaan 1 k = 1, 5, 7, 9 dan 11 15 3 Confusion matrix percobaan 2 k = 1, 5, 7, 9 dan 11 16

(15)

PENDAHULUAN

Latar Belakang

Durian atau disebut Durio Zibethinus sering mendapat julukan sebagai The

King of the Fruite atau rajanya buah. Hal ini dikarenakan buah durian memiliki

rasa yang nikmat dan aroma yang tajam. Banyaknya peminat dari buah durian menjadikan komoditas durian sangat potensial untuk dikembangkan. Keunggulan yang dimiliki oleh durian tersebut memiliki nilai ekonomi yang tinggi. Durian memiliki banyak jenis, namun tidak semua jenis durian merupakan varietas yang unggul.

Identifikasi tumbuhan adalah untuk mengenali suatu tumbuhan dari pencarian kemiripan dari fitur (ciri) yang dimiliki tumbuhan lainnya (Salasa et al.

2013). Identifikasi varietas tersebut akan sangat membantu petani dalam

memperoleh bibit yang sangat unggul dan tepat, dan akan sangat menunjang pengelolaan dalam pembibitan selanjutnya.

Beberapa varietas durian memiliki kemiripan satu sama lain. Kemiripan tersebut antara lain terjadi pada morfologi daun. Penelitian yang terkait dengan identifikasi durian berdasarkan morfologi dilakukan oleh Syahrudin (2012) dengan menggunakan daun sebagai objek penelitian. Bagian daun dipilih karena mudah didapatkan serta tidak berpengaruh oleh musim dan lingkungan sekitar. Maka dari itu pada penelitian ini menggunakan morfologi dengan menggunakan daun sebagai ciri identifikasi.

Pertiwi (2014) pernah melakukan penelitian identifikasi varietas durian menggunakan ekstraksi fitur daun bagian atas untuk 9 varietas durian. Penelitian tersebut menggunakan metode ekstraksi tekstur Gray Level Co-occurence Matrix (GLCM) dan metode klasifikasi Probabilistic Neural Network (PNN) mendapatkan akurasi sebesar 33.33 % menggunakan citra daun utuh dan 76.67 % menggunakan citra daun yang dilakukan proses cropping.

Pada penelitian ini akan dilakukan identifikasi varietas durian berbasis citra daun menggunakan K-Nearest Neighbor (K-NN) dan ciri statistical textures seperti yang dilakukan oleh Hayyi(2013). Penelitian tersebut mengidentifikasi 10 jenis daun shorea dengan menggunakan enam parameter yang diperoleh dari ekstraksi ciri statictical textures memperoleh akurasi tertinggi sebesar 90%.

Pengklasifikasi yang akan digunakan dalam penelitian ini adalah K-Nearest

Neighbor. Penelitian menggunakan K-NN telah dilakukan untuk identifikasi Shorea berdasarkan karakteristik morfologi daun sebagai bahan identifikasi

memperoleh akurasi sebesar 100% (Nurjayanti 2011). Dalam penelitian tersebut K-NN merupakan teknik yang mampu mengelompokkan data uji ke dalam kelas label dengan mencari data latih yang relatif sama dengan data uji (Han et al. 2011).

Perumusan Masalah

Perumusan masalah pada penelitian ini adalah bagaimana menerapkan metode ekstraksi tekstur menggunakan perhitungan nilai statistical textures dan K-NN sebagai klasifikasi untuk pengenalan varietas durian berasarkan citra daun durian.

(16)

2

Tujuan Penelitian

Tujuan penelitian ini adalah mengimplementasikan identifikasi varietas durian dengan menggunakan parameter ciri statistik menggunakan klasifikasi K-NN.

Manfaat Penelitian

Manfaat dari penelitian ini ialah untuk memudahkan petani dalam mengidentifikasi varietas durian yang berdasarkan citra daun

Ruang Lingkup Penelitian Ruang lingkup pada penelitian ini antara lain:

1 Citra yang digunakan adalah citra hasil akuisisi menggunakan citra mikroskop digital daun durian bagian bawah.

2 Varietas durian yang digunakan dalam penelitian ini adalah Bakul, Matahari, Sukun dan Kendil.

3 Ektraksi tekstur menggunakan hitungan nilai statistik. 4 Penelitian dilakukan untuk mengidentifikasi varietas durian.

Lingkungan Pengembangan

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

Perangkat keras:

1 Processor Intel ® Core™ i5 CPU 2.50 GHz.

2 Memori 4 GB 3 Hard disk 500 GB

Perangkat lunak:

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

METODE

Penelitian ini dilakukan dengan melalui beberapa tahapan proses. Tahapan-tahapan yang dilakukan dapat dilihat pada Gambar 1.

Studi Pustaka

Pada tahap studi literatur hal yang dilakukan adalah mengumpulkan dan mempelajari pustaka atau bacaan yang berkaitan dengan penelitian serta mengkaji metode-metode yang dapat diterapkan pada penelitian. Teori dan penerapan metode K-NN, serta yang menyangkut pemrosesan citra daun. Sumber pustaka pada tahap ini adalah buku, paper penelitian, dan skripsi.

(17)

3

Gambar 1 Tahapan Metode Penelitian .

Pengumpulan Data

Data yang digunakan pada penelitian ini berasal dari Warso Durian Farm, yang terletak di Desa Cihideung Kabupaten Bogor. Citra daun yang digunakan sebanyak 40 citra dengan masing-masing varietas sebanyak 10 citra dalam format BMP. Ukuran citra daun terbesar yang digunakan dalam penelitian ini adalah 640 x 480 piksel. Usia daun yang digunakan pada penelitian ini tidak diketahui. Varietas durian yang digunakan dalam penelitian ini adalah durian bakul, matahari, sukun dan kendil.

Praproses

Tahap praproses citra dilakukan untuk mempersiapkan citra yang digunakan sebelum masuk ke dalam tahap ekstraksi. Citra daun merupakan citra RGB, sebelum dilakukan ekstraksi ciri terlebih dahulu citra diubah menjadi citra

Penentuan Data Latih dan Data Uji Ekstraksi ciri (Statistik)

Mulai

Selesai

Data Latih Data uji

Klasifikasi dengan K-NN Evaluasi Studi Pustaka Pengumpulan data (Citra Daun) Praproses

(18)

4

grayscale. Grayscale digunakan untuk menyederhanakan model citra. Fungsi

format ini adalah untuk memudahkan proses selanjutnya karena menggunakan RGB, nilai yang dihasilkan akan beragam (Yanti 2012). Gambar 2 menunjukan ilustrasi proses praposes. Lampiran 1 menunjukan beberapa citra daun asli dari setiap varietas durian.

Gambar 2 Ilustrasi praproses (a) Citra daun durian asli, (b) Citra daun hasil

grayscale

Ekstraksi Tekstur

Ekstraksi ciri tekstur akan dilakukan dengan menggunakan metode

statistical textures. Metode ini akan menghasilkan 11 nilai ekstraksi tekstur.

Dibawah ini merupakan penjelasan dari masing-masing ekstraksi yang akan diperoleh (Walpole 1995):

1 Perhitungan nilai minimum, disini mencari nilai gray level terendah dari citra yang telah di praproses grayscale.

2 Perhitungan nilai maksimum, disini mencari nilai gray level tertinggi dari citra yang telah di praproses grayscale.

3 Perhitungan rentang (range) diperoleh dari selisih atara nilai maksimum dengan minimum.

4 Perhitungan rata-rata(mean) dapat dihitung sebagai berikut:

Dengan :

̅ : rata-rata hitung (mean)

∑ : Jumlah semua nilai gray level setiap citra : nilai data setiap gray level

: banyaknya data dari semua gray level

5 Perhitungan median adalah menentukan letak data setelah data itu disusun menurut urutan lainnya. Untuk mencari nilai median :

Dengan:

n : banyaknya data dari semua gray level

6 Perhitungan standar deviasi. Standar deviasi atau bisa juga simpangan baku digunakan untuk mengetahui keragaman suatu data-data dari hasil pengamatan. Jika nilai standar deviasi yang didapat besar maka data-data memiliki keberagaman atau berbeda-beda (heterogen). Sementara jika hasil perhitungan didapat nilai standar deviasi rendah maka data-data memiliki

(a) (b) 𝑥̅ = ∑ 𝑥 𝑛 = 𝑥1 + 𝑥2+ ⋯ + 𝑥𝑛 𝑛 𝑀𝑒𝑑𝑖𝑎𝑛 = nilai yang ke 1 2(𝑛 + 1)

(19)

5

kesamaan atau nilainya tidak jauh berbeda (homogen). Rumus dari standar

deviasi adalah sebagai berikut :

Dengan :

: Standar deviasi

: nilai data gray level ke-i ̅ : rata-rata hitung (mean)

n : banyaknya data dari semua gray level

7 Perhitungan kuartil 25% (Q1). Jika sekumpulan data dibagi 4 bagian yang sama banyak, sesudah disusun menurut urutan nilainya, maka bilangan pembaginya disebut kuartil. kuartil dapat dihitung dengan rumus :

Untuk n ganjil Untuk n genap

Dengan :

: kuartil ke-i

: banyaknya data dari semua gray level : wakil data perolehan

8 Perhitungan kuartil 75%(Q3) dapat dihitung dengan rumus:

Untuk n ganjil Untuk n genap

Dengan :

: kuartil ke-i

: banyaknya data dari semua gray level : wakil data perolehan

9 Perhitungan interval quartile range. Nilai tersebut diperoleh dengan cara : IQR = Q3 – Q1

Dengan :

₁ : kuartil ke-1 ₃ : kuartil ke-3

10 Perhitungan skewness merupakan pengukuran dari kecondongan histogram. Rumus skewness adalah sebagai berikut:

= ̅

Dengan :

̅ : rata-rata hitung (mean) : Modus

: banyaknya data dari semua gray level 𝑠 = ∑(𝑥𝑖 𝑥̅)2 𝑛 1 𝐿𝑒𝑡𝑎𝑘 𝑄_𝑖 = 𝑖 (𝑛 + 1 4 ) 𝐿𝑒𝑡𝑎𝑘 𝑄₁ = 𝑋_(𝑛+2)/4 𝐿𝑒𝑡𝑎𝑘 𝑄_𝑖 = 𝑖 (𝑛 + 1 4 ) 𝐿𝑒𝑡𝑎𝑘 𝑄3 = 𝑋(3𝑛+2)/4

(20)

6

: derajat kecondongan histogram citra Bila :

 = 0, maka distribusi gray level setiap citra simetri

 < 0, maka distribusi gray level setiap citra miring ke kiri (negative)

 = 0, maka distribusi gray level setiap citra miring ke kanan (positif)

11 Perhitungan kurtosis menggambarkan keruncingan atau kerataan suatu distribusi data dibandingkan dengan distribusi normal. Terdapat 3 tingkat atau jenis kurtosis, yaitu : leptokurtis, mesokurtis, dan platikustis. Rumus

kurtosis adalah sebagai berikut

Dengan :

4 : koefisien kurtosis

: banyaknya data dari semua gray level : nilai data setiap gray level

̅ : rata-rata hitung (mean) : standar deviasi

Pembagian Data Latih dan Data Uji

Pada tahap ini data citra dibagi menjadi dua bagian, yaitu data uji dan data latih. Data latih digunakan untuk melakukan pelatihan statistic textures, sedangkan data uji digunakan untuk pengujian K-NN. Data citra yang digunakan adalah 40 citra mikroskop digital dengan satu varietas durian diwakili oleh 10 citra. Tabel 1 menampilkan ilustrasi pembagian data dengan k-fold cross

validation.

Tabel 1 Bentuk k-fold cross validation

Fold Citra Daun setiap varietas

1 2 3 4 5 6 7 8 9 10 1 2 3 4 5

Keterangan : = data uji = data latih 𝛼4 =

1

𝑛 ∑(𝑥 𝑥̅ )4 𝑠

(21)

7

Klasifikasi 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, 3, 5 dan 7. 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.

( ) = √∑( )2 1

Dengan :

d : jarak data uji dan data latih

: fitur ke-i dari data uji, dengan i=1,2,…,n : 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

ke-K.

4 Periksa kelas dari tetangga terdekat.

5 Tentukan kelas untuk data uji dari mayoritas kelas tetangga terdekat. Evaluasi

Kinerja K-NN akan ditentukan dan dibandingkan melalui besaran akurasi yang berhasil dicapai. Satuan akurasi dinyatakan dalam persen (%), akurasi dapat dihitung dengan persamaan berikut:

= ∑

∑ 1

HASIL DAN PEMBAHASAN

Ekstraksi Ciri Tekstur

Ekstraksi ciri tekstur dilakukan dengan metode statistical textures yang menghasilkan sebelas nilai ekstraksi tekstur yaitu minimum, maksimum, rentang, rata-rata, median, standar deviasi, kuartil pertama (25%), kuartil ketiga (75%),

interval quartile range, skewness, dan kurtosis. Lalu dibuat suatu matriks yang

berisi kumpulan data yang telah ditentukan label atau kelasnya untuk mengarahkan ke ciri-ciri statisik. Ukuran matriks tersebut adalah 40x11. Tabel 2 menampilkan contoh hasil nilai perhitungan statistik setiap varietas citra.

(22)

8

Tabel 2 Contoh Hasil Nilai Perhitungan Statistik

Kelas Nilai Ciri Statistik

1 2 3 4 5 6 7 8 9 10 11

Bakul 47 243 196 155 158 20.8 144 169 25 -.061 3.76 Matahari 6 255 249 151.9 155 28.8 135 172 37 -0.45 3.44 Sukun 7 255 248 153.2 160 34 135 178 43 -0.74 3.48 Kendil 10 255 245 154.1 157 23.4 141 169 28 -0.56 3.85 Dengan : (1)Minimum (2)Maksimum (3)Rentang (4)Rata-Rata (5)Median

(6)Standar Deviasi (7)Q1 (8)Q3 (9)Interval Quartile Range (10)Skewness (11)Kurtosis

Berdasarkan ektraksi ciri tekstur tersebut dilakukan untuk semua citra, dibuat box plot untuk masing-masing ciri tekstur statistik. Hal ini dilakukan untuk mengetahui penyebaran data dari ciri tekstur statistic tersebut. Gambar 3 akan memperlihatkan box plot dari setiap ciri statistik.

(a) (b) (c) (d) (e) (f)

(23)

9

Gambar 3 Pola box plot dari perhitungan masing-masing varietas (a)minimum (b)maksimum (c)rentang (d)mean (e)median (f)Standar deviasi (g) Q1 (h)

Q3 (i) Interval quartile range (j) skewness (k) kurtosis

Penelitian ini terdiri atas 2 percobaan. Percobaan pertama dilakukan dengan memakai semua ciri statistik untuk pengujian K-NN, sedangkan percobaan kedua memilih hanya enam ciri statistic. Ciri yang terpilih dilihat dari nilai penyebaran data yang berbeda atau nilainya tidak saling berdekatan antara varietas satu dengan lainnya yang ada pada box plot Gambar 3. Keenam ciri statistik tersebut antara lain minimum, standar deviasi, kuartil 1, interval quartile

range, skewness dan kurtosis.

(g) (h)

(i) (j)

(24)

10

Percobaan 1: Klasifikasi dengan semua ciri

Percobaan pertama dilakukan dengan menggunakan semua ciri. Gambar 4 merupakan grafik rata-rata akurasi dari percobaan 1 untuk k = 1, 3, 5, 7, 9 dan 11

Gambar 4 Grafik akurasi percobaan 1

Berdasarkan Gambar 4, nilai k yang menghasilkan rata-rata akurasi terbesar yaitu k = 3 dengan akurasi sebesar 62.5%, sedangkan akurasi terkecil yaitu 55% pada k = 5. Untuk mengetahui data mana saja yang salah diklasifikasi pada akurasi, berikut ini merupakan confusion matrix dari hasil klasifikasi percobaan 1 menggunakan k =3. Confusion matrix untuk nilai k yang lain dapat dilihat pada Lampiran 2.

Tabel 3 Confusion matrix seluruh fold percobaan 1 untuk k = 3 Kelas

Asal

Kelas hasil prediksi

Bakul Matahari Sukun Kendil

Bakul 7 1 2

Matahari 6 3 1

Sukun 2 3 5

Kendil 3 7

Berdasarkan Tabel 2 dapat disimpulkan bahwa banyak citra yang ada sangat mirip satu sama lain. Dari tabel tersebut diketahui varitas yang tepat diklasifikasi hanya 25 dari yang seharusnya tepat 40. Varietas yang paling banyak di prediksi adalah Bakul dan Kendil. Pada Bakul mempunyai kemiripan mengarah ke Sukun dan Kendil sedangkan pada Kendil mempunyai kemiripan mengarah ke Bakul. Varietas yang paling tidak tepat di prediksi yaitu varietas Sukun yang lebih mengarah ke Matahari dan Bakul.

Percobaan 2: Klasifikasi dengan pemilihan ciri

Percobaan pertama dilakukan dengan menggunakan beberapa ciri. Ciri yang terpilih diliat nilai penyebaran nilai ekstraksi citra pada box plot Gambar 3. Ciri-ciri yang terpilih yaitu minimum, standar deviasi, kuartil 1, interval quartile

range, skewness dan kurtosis. Gambar 5 merupakan grafik rata-rata akurasi dari

percobaan 1 untuk k = 1, 3, 5, 7, 9 dan 11

57,5 62,5 ₅₅ 58,5 57,5 57,5 0 20 40 60 80 100 1 3 5 7 9 11 A ku ras i (% ) nilai k

(25)

11

Gambar 5 Grafik akurasi percobaan 2

Berdasarkan Gambar 5, nilai k yang menghasilkan rata-rata akurasi terbesar yaitu k = 3 dengan akurasi sebesar 67.5%, sedangkan akurasi terkecil yaitu 55% dengan k = 1. Untuk mengetahui data mana saja yang salah diklasifikasi pada akurasi tertinggi. Tabel 4 merupakan confusion matrix dari hasil klasifikasi percobaan 2 menggunakan k =3. Confusion matrix untuk nilai k yang lain dapat dilihat pada Lampiran 3.

Tabel 4 Confusion matrix seluruh fold percobaan 2 untuk k = 3

Kelas Kelas hasil prediksi

Bakul 8 2

Matahari 6 3 1

Sukun 2 3 5

Kendil 2 8

Berdasarkan Tabel 4 dapat disimpulkan bahwa banyak citra yang ada sangat mirip satu sama lain. Dari tabel tersebut diketahui varitas yang tepat diklasifikasi hanya 27 dari yang seharusnya tepat 40. Varietas yang paling tepat di prediksi yaitu Bakul dan mempunyai kemiripan pada Kendil. Varietas yang paling tidak tepat yaitu varietas Sukun yang mempunyai kemiripan ke Bakul dan Matahari. Bisa dilihat dari box plot sebelumnya data citra memang penyebarannya sangat mirip. Gambar 6 merupakan grafik kedua percobaan di atas dilihat dari rata-rata akurasi pada percobaan 1 dan percobaan 2.

55 67,5 ₆₅ 62 ₆₀ ₆₀ 0 10 20 30 40 50 60 70 80 90 100 1 3 5 7 9 11 A ku rasi ( % ) nilai k

(26)

12

Gambar 6 Grafik perbandingan percobaan 1 dan percobaan 2

Dapat dilihat pada Gambar 6 perbandingan akurasi antara percobaan 1 dengan percobaan tidak terlalu jauh. Dilihat dari k pada percobaan 1 tiap k mengalami naik pada k = 3 dan kemudian mulai turun hingga k=11. Sama seperti percobaan 1 akurasi pada tiap k mengalami kenaikan pada k =3 lalu turun hingga k =11. Dapat dilihat akurasi tertinggi dari percobaan 1 dan percobaan 2 terdapat di k = 3.

Analisis Kesalahan

Pada confusion matrix (Tabel 3) dan (Tabel 4) banyak varietas durian mengalami salah identifikasi sebagai varietas durian lainnya. Kedua percobaan tersebut memiliki akurasi kurang baik yaitu sekitar 60%. Kedua percobaan tersebut diketahui bahwa varietas Bakul yang paling banyak prediksi benar dan mempunyai kemiripan mengarah ke Kendil begitu sebaliknya. Pada kedua percobaan tersebut dapat diketahui bahwa sukun mempunyai kemiripan ke Bakul dan Matahari. Kemiripan tersebut bisa dilihat dari pola boxplot. Gambar 7 menunjukan fiur-fitur boxplot yang termasuk ke dalam masing-masing pola.

57,5 ₅₅ 62,5 ₅₅ 58,5 57,5 57,5 67,5 ₆₅ 62 ₆₀ ₆₀ 0 10 20 30 40 50 60 70 80 1 3 5 7 9 11 Ak ura si (%) Nilai k Percobaan 1 Percobaan 2 (a) (b)

(27)

13

Gambar 7 Pola box plot dari perhitungan masing-masing varietas (a)minimum (b)Standar deviasi (c) Q1(d) skewness (e) kurtosis

Dapat dilihat pada Gambar 7 penyebaran nilai antara kelas satu dan lainnya hampir mirip. Pada pola kelas Bakul dengan kelas Kendil nilainya hampir sejajar dan nilai tersebut dilihat dari Tabel (2) dan Tabel (3) yang memang memiliki kemiripan satu sama lainnya. Begitu pula pada kelas Matahari dan Sukun pola

boxplot mempunyai kemiripan satu sama lain sehingga pada confusion matrix

prediksi untuk kelas tersebut sama-sama mengarah ke kelas matahari ke sukun begitu sebaliknya.

SIMPULAN DAN SARAN

Simpulan

Berdasarkan penelitian yang telah dilakukan, dapat diambil kesimpulan bahwa penggunaan metode klasifikasi k-NN dengan ekstraksi tekstur statistical

textures kurang tepat pada penelitian ini dikarenakan kelemahan k-NN yaitu

pembelajaran berdasarkan jarak tidak jelas mengenai jenis jarak apa yang harus digunakan dan atribut mana yang harus digunakan untuk mendapatkan hasil yang terbaik. Hasil percobaan pada penelitian ini dengan semua ciri rata-rata akurasi terbesar hanya sampai 62.5% pada k =3 dengan menggunakan semua ciri tekstur dan 67.5% untuk pemilihan hanya enam ciri. Pemilihan ciri berpengaruh dalam

(c) (d)

(28)

14

penelitian ini. Pada penelitian ini k pada klasifikasi K-NN yang semakin besar akan mengurangi akurasi sehingga lebih baik menggunakan k yang kecil.

Saran

Pada penelitian ini masih memiliki beberapa kekurangan yang dapat diperbaiki pada penelitian selanjutnya. Adapun beberapa saran untuk penelitian selanjutnya yaitu :

1 Menggunakan pelatihan JST Propagasi balik supaya data akan mendapatkan pelatihan terlebih dahulu mungkin akan menambah akurasi menjadi lebih besar.

2 Pada k-NN perhitungan jarak menggunakan selain Euclidean seperti

cityblock, cosine, correlation atau hamming.

DAFTAR PUSTAKA

Han J, Kamber M, Pei J. 2011. Data Mining Concepts and Techniques. Ed Ke-3. Massachusets : Morgan Kaufmann.

Hayyi A. 2014. Identifikasi Daun Shorea Menggunakan K-Nearest Neighbor dengan Ciri Statistical Textures.[skripsi]. Bogor(ID): Institut Pertanian Bogor Nurjayanti B. 2011. Identifikasi Shorea menggunakan k-Nearest Neighbor

berdasarkan karakteristik morfologi daun [skripsi]. Bogor(ID) : Institut Pertanian Bogor

Pertiwi N. 2014. Identifikasi Varietas Durian berdasarkan Tekstur Daun dengan Metode Ekstraksi GLCM menggunakan PNN[skripsi]. Bogor(ID): Institut Pertanian Bogor.

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

Syahrudin K. 2012. Analisis Keragaman Beberapa Genotipe Durian (Durio

zibethinus murr.) menggunakan Penanda Morfologi dan Molekular (ISSR)

[tesis]. Bogor(ID): Institut Pertanian Bogor.

Walpole, Ronald E. 1995. Pengantar Statistika. Edisi ke-3. Jakarta : PT. Gramedia Pustaka Utama.

Yanti PP. 2012. Identifikasi Freycinetia berbasis Citra Anatomi Epidermis Daun menggunakan K-Nearest Neighbor [skripsi]. Bogor(ID) : Institut Pertanian Bogor.

(29)

15

Lampiran 1 Contoh citra daun asli dari setiap varietas durian.

Durian Bakul Durian Matahari Durian Sukun Durian Kendil

Lampiran 2 Confusion matrix percobaan 1 k = 1, 5, 7, 9 dan 11 Tabel 5 Confusion matrix k = 1

Bakul 5 5

Matahari 7 3

Sukun 2 4 4

Kendil 3 7

Tabel 6 Confusion matrix k = 5

Bakul 8 2

Matahari 5 4 1

Sukun 2 4 4

Kendil 3 2 5

Bakul 8 2

Matahari 6 2 2

Sukun 2 4 4 2

(30)

16

Bakul 8 2

Matahari 1 5 3 1

Sukun 2 4 4

Kendil 2 2 6

Bakul 8 2

Matahari 6 3 1

Sukun 2 4 4

Kendil 2 3 5

Lampiran 3 Confusion matrix percobaan 2 k = 1, 5, 7, 9 dan 11 Tabel 10 Confusion matrix k = 1

Bakul 6 4

Matahari 6 3 1

Sukun 1 5 4

Kendil 3 1 6

Bakul 8 2

Matahari 6 4

Sukun 2 2 6

Kendil 3 1 6

Bakul 8 2

Matahari 8 1 1

Sukun 2 2 6

(31)

17

Bakul 8 2

Matahari 7 2 1

Sukun 2 2 6

Kendil 3 3 4

Bakul 8 2

Matahari 7 2 1

Sukun 2 4 4

(32)

18

RIWAYAT HIDUP

Penulis lahir pada tanggal 2 Mei 1991 di Tangerang. Penulis merupakan anak terakhir dari tiga bersaudara dari pasangan Warto dan Rusmini. Pada tahun 2009, penulis lulus dari SMAN 3 Kota Tangerang. Pada tahun yang sama, penulis melanjutkan pendidikan di program Diploma IPB pada program keahlian manajemen informatika. Pada tahun 2012, penulis melanjutkan studi Program S1 Ilmu Komputer Alih Jenis, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.