• Tidak ada hasil yang ditemukan

IDENTIFIKASI TANAMAN JATI MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN BANGUN ASANURJAYA

N/A
N/A
Protected

Academic year: 2021

Membagikan "IDENTIFIKASI TANAMAN JATI MENGGUNAKAN PROBABILISTIC NEURAL NETWORK DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN BANGUN ASANURJAYA"

Copied!
33
0
0

Teks penuh

(1)
(2)

IDENTIFIKASI TANAMAN JATI MENGGUNAKAN

PROBABILISTIC NEURAL NETWORK DENGAN

EKSTRAKSI FITUR CIRI MORFOLOGI DAUN

BANGUN ASANURJAYA

Skripsi

sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer pada

Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2012

(3)

ABSTRACT

BANGUN ASANURJAYA. Identification of teak plant using Probabilistic Neural Network with Features of Image Morphology. Supervised by SRI NURDIATI and AZIZ KUSTIYO.

Teak plant (Tectona grandis Linn. F) is one type of forest products that has considerable potential to be developed in Indonesia. The large number of teak plant species causes difficulties in identifying teak plant species identity. It takes knowledge of an expert in the field of teak plants to be able to identify the species of teak. The leaves are a source of easy observation and is available as a source of observations over time. This research proposed a new system to identify the teak plant leaves using Probabilistic Neural Network (PNN) classification and the extraction of characteristic features using Morphology. The system identifies 6 species of teak plant. The data are divided into four subsets and used as training data and test data. The PNN is trained using 90 leaves of the 6 species of teak plant. The identification using PNN produced 77.5% average accuracy.

(4)

Judul Skripsi : Identifikasi tanaman jati menggunakan Probabilistic Neural Network dengan ekstraksi fitur ciri morfologi daun

Nama : Bangun Asanurjaya

NIM : G64096014

Disetujui :

Pembimbing I Pembimbing II

Dr Ir Sri Nurdiati MSc NIP 19601126 198601 2 001

Aziz Kustiyo SSi MKom NIP 19700719 199802 1 001

Diketahui : Ketua Departemen

Dr Ir Agus Buono MSi MKom NIP 19660702 199302 1 001

(5)

PRAKATA

Puji dan syukur penulis panjatkan ke hadirat Allah subhanahu wa ta’ala, yang telah memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan karya ilmiah ini. Terima kasih penulis ucapkan kepada Ibu Dr Ir Sri Nurdiati MSc selaku pembimbing pertama dan Bapak Aziz Kustiyo SSi MKom selaku pembimbing kedua yang telah memberikan nasihat dan saran. Adapun penulis mengucapkan terima kasih kepada:

 Kedua orang tua tercinta Ayahanda Dedi Djaya Boediman dan Ibunda Nuryati, Ene Anih, Bi Lia, Ririn Isnaini, Andi, dan Ami yang telah memberikan dukungan, perhatian, dan do’a sehingga penulis dapat menyelesaikan studi di Departemen Ilmu Komputer IPB.

 Bapak Toto Haryanto SKom MSi dan Bapak Mushthofa SKom MSc selaku dosen penguji, dan seluruh dosen dan staf Departemen Ilmu Komputer FMIPA IPB.

Pihak Laboratorium Kultur Jaringan SEAMEO BIOTROP atas sample daun tanaman jati, serta Bapak Syamsul Ahmad Yani SSi dan Rina Siti Khodijah SSi yang telah membantu dan memberikan saran.

 Bapak Aminulloh SKom MSi selaku Kepala Sub Bidang Sistem dan Jaringan Elektronik di Badan Pembinaan Hukum Nasional yang telah memberikan pengertian dan nasihat.

 Teman-teman satu bimbingan atas kerjasamanya.

 Teman-teman ekstensi ILKOM angkatan 4 terutama kepada Desta, Syahrul Fathi dan penghuni kosan White House, atas kerjasamanya selama penelitian.

 Seluruh pihak yang membantu dalam penyelesaian penelitian ini baik secara langsung ataupun tidak.

Penulis menyadari bahwa masih banyak kekurangan yang ditemukan dalam tugas akhir ini. Penulis berharap adanya saran dan kritik yang membangun dari semua pihak yang membaca tulisan ini. Semoga tulisan ini bermanfaat dan dapat menambah wawasan ilmu pengetahuan bagi penulis khususnya dan pembaca umumnya.

Bogor, Desember 2012

(6)

RIWAYAT HIDUP

Penulis lahir di Bogor tanggal 10 November 1988 sebagai anak pertama dari tiga bersaudara dari pasangan Bapak Dedi Djaya Boediman dan Ibu Nuryati. Pada tahun 2006, penulis lulus dari SMA Negeri 4 Bogor. Pada tahun yang sama penulis lulus seleksi masuk Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB. Pada tahun 2009, penulis lulus dari program Diploma Teknik Komputer Institut Pertanian Bogor dan pada tahun yang sama penulis melanjutkan program studi Sarjana di Departemen Ilmu Komputer IPB, dengan memilih Program Studi Ilmu Komputer.

(7)

v

DAFTAR ISI

Halaman DAFTAR TABEL ... vi DAFTAR GAMBAR ... vi DAFTAR LAMPIRAN ... vi PENDAHULUAN ... 1 Latar Belakang ... 1 Tujuan ... 1 Ruang Lingkup ... 1 Manfaat Penelitian ... 1 TINJAUAN PUSTAKA ... 1 Tanaman Jati ... 1

Jaringan Saraf Tiruan (JST) ... 1

K-Fold Cross Validation ... 2

Morfologi Daun ... 2

Probabilistic Neural Network ... 3

METODE PENELITIAN ... 3

Citra Daun ... 3

Praproses Data ... 4

Ekstraksi ciri Morfologi ... 4

Pembagian Data Latih dan Data Uji (K-fold cross validation) ... 5

Klasifikasi dengan Probabilistic Neural Network (PNN) ... 6

Pengujian ... 6

Evaluasi ... 6

HASIL DAN PEMBAHASAN... 6

Ekstrasi Ciri Morfologi ... 6

Data ... 6

Percobaan I : Menggunakan 6 Parameter (Area, Perimeter, Diameter, Smooth Factor, Form Factor, Perimeter Ratio of Diameter) ... 7

Percobaan II : Menggunakan 7 Parameter (Area, Perimeter, Diameter, Smooth Factor, Form Factor, Perimeter Ratio of Diameter, Rasio Panjang dan Lebar Daun)... 9

Perbandingan Percobaan 1 dan Percobaan 2 ... 11

KESIMPULAN DAN SARAN... 11

Kesimpulan ... 11

Saran ... 11

DAFTAR PUSTAKA ... 11

(8)

vi

DAFTAR TABEL

Halaman

1 Kombinasi data latih dan data uji ... 6

2 Kombinasi input pada model PNN ... 6

3 Rata-rata akurasi percobaan I ... 7

4 Confusion Matrix hasil terbaik pada percobaan I... 9

5 Rata-rata akurasi percobaan II ... 9

6 Confusion matrix hasil terbaik pada percobaan II ... 11

DAFTAR GAMBAR

Halaman 1 Contoh masukan untuk ekstraksi fitur morfologi. ... 2

2 Aspect Ratio. ... 2

3 Probabilistic Neural Network (PNN). ... 3

4 Metode penelitian. ... 3

5 Contoh citra daun jati setiap species. ... 4

6 Ilustrasi alur praproses citra. ... 4

7 Contoh ilustrasi ekstraksi fitur ciri morfologi area daun. ... 4

8 Contoh ilustrasi ekstraksi fitur ciri morfologi perimeter daun. ... 5

9 Contoh ilustrasi ekstraksi fitur ciri morfologi diameter daun. ... 5

10 Contoh ilustrasi ekstraksi fitur ciri morfologi smooth factor ... 5

11 Contoh ilustrasi fitur morfologi rasio panjang dan lebar daun. ... 5

12 Contoh hasil ekstrasi fitur ciri morfologi. ... 6

13 Grafik akurasi percobaan I. ... 7

14 Grafik tingkat akurasi hasil terbaik setiap jenis jati pada percobaan I. ... 7

15 Jati Prima yang tidak tepat teridentifikasi. ... 7

16 Contoh sampel data uji jati Jobika yang tidak tepat teridentifikasi. ... 7

17 Contoh sampel data uji jati Biotrop yang tidak tepat teridentifikasi. ... 8

18 Contoh sampel data uji jati Muna yang tidak tepat teridentifikasi. ... 8

19 Contoh sampel data uji jati Emas yang tidak tepat teridentifikasi. ... 8

20 Contoh sampel data uji jati Super yang tidak tepat teridentifikasi. ... 8

21 Grafik akurasi percobaan II. ... 9

22 Grafik tingkat akurasi hasil terbaik setiap jenis jati pada percobaan II. ... 9

23 Jati Emas yang tidak tepat teridentifikasi. ... 9

24 Contoh sampel data uji jati Jobika yang tidak tepat teridentifikasi. ... 10

25 Contoh sampel data uji jati Biotrop yang tidak tepat teridentifikasi. ... 10

26 Contoh sampel data uji jati Muna yang tidak tepat teridentifikasi. ... 10

27 Contoh sampel data uji jati Prima yang tidak tepat teridentifikasi. ... 10

28 Contoh sampel data uji jati Super yang tidak tepat teridentifikasi. ... 10

29 Grafik perbandingan tingkat akurasi dari setiap percobaan. ... 11

DAFTAR LAMPIRAN

Halaman 1 Boxplot dari masing-masing parameter ciri morfologi ... 14

2 Confusion matrix percobaan 1 ... 17

(9)

PENDAHULUAN

Latar Belakang

Indonesia sebagai salah satu negara yang beriklim tropis mempunyai potensi yang cukup besar untuk mengembangkan produk-produk kehutanan. Salah satu jenis produk kehutanan yang dapat dikembangkan adalah tanaman jati yang mempunyai nama latin Tectona grandis Linn. F. Tanaman jati sampai sekarang masih menjadi komoditas mewah yang banyak diminati masyarakat walaupun harga jualnya mahal. Jati yang merupakan tanaman tropika dan subtropika telah yang dikenal sebagai pohon yang memiliki kayu kualitas tinggi dan bernilai jual tinggi.

Ratusan species tanaman jati tersebar di seluruh Indonesia, baik jati unggul maupun jati biasa. Banyaknya spesies tanaman jati yang ada menyebabkan kesulitan dalam mengenal jenis tanaman jati yang satu dengan yang lainnya. Untuk mengetahui setiap jenis tanaman jati yang ada dibutuhkan pengalaman dan pengetahuan yang cukup lama. Maka dari itu, perlu dikembangkan suatu sistem identifikasi tanaman jati.

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

Penelitian sebelumnya dengan objek yang berbeda, Purnamasari (2012) dengan objek tanaman Shorea menggunakan arsitektur PNN menghasilkan akurasi sebesar 84%. Penelitian ini menggunakan ekstraksi fitur berdasarkan ciri morfologi daun pada citra tanaman jati, serta menggunakan Probabilistic Neural Network

(PNN) sebagai teknik klasifikasi pada identifikasi citra tanaman jati dengan melakukan pelatihan dan pengujian data.

Tujuan

Tujuan penelitian ini adalah untuk menerapkan algoritme Probabilistic Neural Network (PNN) dan mengimplementasikan teknik ekstraksi fitur ciri morfologi daun dalam mengidentifikasi tanaman jati, serta mengetahui tingkat akurasi dari proses identifikasi tersebut.

Ruang Lingkup

Ruang lingkup penelitian ini meliputi:

1 Jenis tanaman jati yang digunakan adalah tanaman jati Biotrop, jati Emas, jati Jobika, jati Muna, jati Prima, dan jati Super.

2 Data citra tanaman jati diambil pada umur 3- 4 bulan.

3 Teknik identifikasi menggunakan Probabilistic

Neural Network (PNN).

4 Menggunakan ekstraksi fitur berdasarkan ciri morfologi daun.

Manfaat Penelitian

Manfaat penelitian ini adalah membantu melakukan identifikasi jenis tanaman jati.

TINJAUAN PUSTAKA

Tanaman Jati

Jati merupakan pohon besar yang

menggugurkan daun saat kekurangan air, tetapi jika cukup air meskipun musim kemarau tidak menggugurkan daunnya (Erlinawati 2006). Tahap pertumbuhan jati ditunjukkan oleh akar primer yang berwarna kuning muda, akar sekunder tumbuh realtif sedikit dan tumbuh tunas berwarna hijau. Setelah menghasilkan daun 6 sampai 9 helai, tunas akan tumbuh memanjang 1.5 sampai 3.5 cm. Tanaman jati dapat mencapai ketinggian 30 sampai 45 m (Sumarna 2003).

Tectona grandis Linn. F. merupakan pohon

dengan tinggi batang sampai 50 m. Penampang melintang batang berbentuk silindris, berlekuk dangkal, dan berlekuk dalam. Tekstur permukaan kulit batang rata, retak dangkal, pecah bersisik, beralur, dan bercabang. Daun terbentuk elips melebar, jorong, atau bulat telur terbalik. Kayu jati merupakan jenis kayu yang tahan terhadap jamur, rayap, dan Cryptotermes cynocephalus (Sumarna 2003).

Jaringan Saraf Tiruan (JST)

Jaringan Saraf Tiruan (JST) adalah prosesor yang terdistribusi paralel, terbuat dari unit-unit yang sederhana, dan memiliki kemampuan untuk menyimpan pengetahuan yang diperoleh secara eksperimental dan siap pakai untuk berbagai tujuan. JST meniru otak manusia dari sudut pengetahuan yang diperoleh dari network dari lingkungan melalui suatu proses pembelajaran dan kekuatan koneksi antarunit yang disebut synaptic

weights. Synaptic weights ini berfungsi untuk

menyimpan pengetahuan yang telah diperoleh oleh jaringan tersebut.

JST dikembangkan sebagai model matematika yang merupakan penyederhanaan untuk sistem saraf biologis manusia berdasarkan asumsi bahwa pengolahan informasi terjadi di berbagai elemen yang dinamakan neuron, sinyal dilewatkan di antara neuron melalui connection link

(10)

masing-2

masing connection link memiliki weight (bobot) yang akan mengalikan sinyal yang lewat, dan masing-masing neuron memiliki fungsi aktivasi yang akan menentukan nilai sinyal output (Fauset 1994).

K-Fold Cross Validation

Cross validation merupakan metode membagi

data menjadi k-subset yang ukurannya hampir sama satu sama lain. Himpunan subset yang dihasilkan yaitu S1, S2,…,Sk yang digunakan sebagai data latih dan data uji. Dalam metode ini dilakukan perulangan sebanyak k kali dimana salah satu subset dijadikan data uji dan k-1 subset lainnya dijadikan data latih (Fu 1994).

Morfologi Daun

Wu et al. (2007) telah mendeskripsikan ekstraksi ciri morfologi daun. Ciri tersebut dibedakan menjadi dua, yaitu ciri dasar dan ciri turunan. Masukan untuk ekstraksi ciri morfologi daun 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 1.

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 (Wu dalam Annisa).

Dari lima ciri dasar tersebut, didapatkan tujuh 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. Ciri untuk mengukur kehalusan suatu permukaan daun. Semakin halus suatu permukaan daun, maka nilainya

semakin mendekati 1. Sebaliknya semakin kasar permukaan daunnya nilainya semakin mendekati 0.

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

Persamaannya dapat dilihat pada Persamaan 1.

Ciri ini untuk memperkirakan bentuk helai daun. Jika benilai kurang dari 1, bentuk helai daun tersebut melebar. Jika benilai lebih dari 1 maka bentuk helai daun tersebut memanjang. Ilustrasinya dapat dilihat pada Gambar 2.

3 Form factor digunakan untuk mendeskripsikan bentuk dari daun dan mengetahui seberapa bundar bentuk helai daun tersebut. Nilai form factor dapat dilihat pada Persamaan 2.

Keterangan :

A : Luas daun (area)

P : Keliling daun (perimeter)

4 Rectangularity mendeskripsikan seberapa

perseginya permukaan daun. Rumusnya diberikan pada Persamaan 3.

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 Persamaan 4.

6 Perimeter ratio of diameter. Ciri ini untuk

mengukur seberapa lonjong daun tersebut. Gambar 1 Contoh masukan untuk ekstraksi

fitur morfologi. Pw P l P l Pw

Gambar 2 Aspect Ratio.

(1)

(2)

(3)

(11)

Persamaannya dapat dilihat pada Persamaan 5.

7 Perimeter ratio of physiological length and physiological width. Rumusnya diberikan

pada Persamaan 6.

( )

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).

Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusan/keluaran. 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)

Lapisan pola merupakan data latih itu sendiri. Persamaan yang digunakan pada lapisan pola adalah:

( ) ( ( ) ( )

)

3 Lapisan penjumlahan (summation layer) Menerima masukan dari node lapisan pola yang terkait dari kelas yang ada. Persamaan yang digunakan pada lapisan ini adalah:

( )

( ) ∑ (

( ) ( )

)

4 Lapisan keluaran (output layer)

Pada lapisan keluaran input x akan diklasifikasikan ke kelas I jika nilai ( ) paling besar dibandingkan kelas lainnya. Secara umum struktur PNN ditunjukkan pada Gambar 3.

METODE PENELITIAN

Penelitian ini memunyai beberapa tahapan dalam pengidentifikasian daun tanaman jati. Tahapan proses tersebut disajikan pada Gambar 4.

Gambar 3 Probabilistic Neural Network (PNN).

Citra Daun

Citra daun yang digunakan pada penelitian adalah daun jati dengan 6 species. Satu species diwakili dengan 20 citra sehingga total citra ada sebanyak 120 citra. Citra yang digunakan berukuran 1200x2300 pixel yang diakuisisi menggunakan kamera digital yang mempunyai resolusi 12 Megapixel dan jarak antara kamera dan daun ± 20cm. Citra yang digunakan pada

Praproses Data Ektrasi Ciri Morfologi Klasifikasi PNN Data Latih Data Uji Pengujian PNN Citra Daun Evaluasi K-Fold cross validation

Gambar 4 Metode penelitian. (5)

(6)

(7)

(12)

4

penelitian ini adalah citra daun tanaman jati yang sampelnya diambil dari Laboratorium Kultur Jaringan SEAMEO BIOTROP Bogor.

Sesuai arahan Bapak Samsul Ahmad Yani SSi sebagai pakar tanaman jati, pengambilan daun tanaman jati dilakukan dengan cara memilah-milah daun tanaman jati yang kualitas daunnya terlihat baik dalam hal bentuk daun utuh dan struktur daun jelas. Contoh citra daun tanaman jati untuk setiap species direpresentasikan pada Gambar 5.

Praproses Data

Sebelum masuk ke dalam tahap ekstraksi fitur ciri morfologi, citra dipraproses terlebih dahulu. Praproses citra dilakukan dengan cara merubah latar belakang RGB menjadi latar belakang putih dengan menggunakan aplikasi pendukung Adobe

Photoshop CS3. Tahap praproses citra berikutnya

ialah mengubah citra RGB menjadi citra

grayscale. Ilustrasi alur praproses citra dapat

dilihat di Gambar 6.

Ekstraksi ciri Morfologi

Ciri morfologi terdiri atas dua ciri, yaitu ciri dasar dan turunan. Masukan untuk ekstraksi fitur ciri morfologi berupa citra biner. 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/keliling daun. Tiga ciri dasar tersebut dapat dikombinasikan sehingga didapatkan empat ciri turunan, yaitu smooth

factor, form factor, rasio perimeter dan diameter,

rasio panjang, dan lebar daun. Informasi ciri ini direpresentasikan sebagai sebuah vektor dengan tujuh elemen. Tujuh elemen tersebut ialah:

 Area

Area daun dihitung berdasarkan jumlah piksel bernilai 1 yang berada di dalam tepi daun. Ilustrasi proses ekstraksi fitur ciri morfologi area daun direpresentasikan seperti yang terlihat pada Gambar 7.

 Perimeter

Perimeter daun dihitung berdasarkan jumlah piksel bernilai 1 yang berada pada tepi daun. Proses untuk menghasilkan tepi-tepi dari citra daun, menggunakan metode deteksi tepi (edge

detection) Sobel. Ilustrasi proses ekstraksi fitur

ciri morfologi perimeter daun

direpresentasikan seperti yang terlihat pada Gambar 8.

 Diameter

Diameter merupakan titik terjauh di antara dua titik dari batas daun. Proses untuk menghasilkan diameter dari citra daun menggunakan rumus Phytagoras. Ilustrasi proses ekstraksi fitur ciri morfologi diameter daun direpresentasikan seperti yang terlihat pada Gambar 9.

Jati Biotrop

Gambar 5 Contoh citra daun jati setiap species.

Jati Emas Jati Jobika

Jati Muna Jati Prima Jati Super

Gambar 6 Ilustrasi alur praproses citra. Citra RGB Citra hasil akuisisi

latar belakang

Citra

grayscale

Gambar 7 Contoh ilustrasi ekstraksi fitur ciri morfologi area daun.

Matriks citra Citra grayscale Citra biner morfologi area

(13)

Smooth Factor

Smooth factor adalah rasio antara area citra

helai daun yang dihaluskan dan 5 x 5

rectangular averaging filter dan area citra helai

daun yang dihaluskan dengan

2 x 2 rectangular averaging filter. Ciri ini digunakan untuk mengukur keteraturan tepi daun. Semakin teratur tepi daun, nilainya semakin mendekati 1. Sebaliknya, semakin tidak teratur tepi daun, nilainya semakin mendekati 0. Ilustrasi proses ekstraksi fitur ciri morfologi smooth factor direpresentasikan seperti yang terlihat pada Gambar 10.

Form factor

Form factor dihitung berdasarkan Persamaan

2, dimana hasil dari ektraksi fitur ciri morfologi area dan perimeter digunakan pada persamaan tersebut.

 Rasio perimeter dan diameter

Rasio perimeter dan diameter dihitung berdasarkan Persamaan 5, dimana hasil dari ektraksi fitur ciri morfologi perimeter dan diameter digunakan pada persamaan tersebut.  Rasio panjang dan lebar daun

Rasio panjang dan lebar daun adalah rasio antara panjang daun dan lebar daun. Ilustrasi proses ekstraksi fitur ciri morfologi diameter daun direpresentasikan seperti yang terlihat pada Gambar 11.

Karakteristik data dari masing-masing parameter fitur ciri morfologi dapat dilihat pada Lampiran 1.

Pembagian Data Latih dan Data Uji (K-fold cross validation)

Pembagian data latih dan data uji dilakukan dengan menggunakan metode k-fold cross

validation dengan menggunakan k = 4. Pada

kombinasi ini, data dibagi menjadi 4 subset (S1, S2,

S3, S4) dengan masing-masing subset memiliki

anggota yang sama.

Pada kombinasi ini, proses identifikasi akan dilakukan 4 kali iterasi berdasarkan metode k-fold

cross validation. Data latih dan data uji memiliki

Gambar 8 Contoh ilustrasi ekstraksi fitur ciri morfologi perimeter daun.

Matriks citra Citra grayscale Citra biner morfologi perimeter

Gambar 9 Contoh ilustrasi ekstraksi fitur ciri morfologi diameter daun.

Citra

grayscale

Citra biner morfologi perimeter

Masukan fitur ciri morfologi diameter

Gambar 10 Contoh ilustrasi ekstraksi fitur ciri morfologi smooth factor

Citra biner morfologi area

Gambar 11 Contoh ilustrasi fitur morfologi rasio panjang dan lebar daun.

Citra biner morfologi perimeter

𝑃𝑗 𝐿𝑏

Masukan fitur ciri morfologi rasio panjang

(14)

6

subset yang berbeda pada setiap iterasi. Pada

iterasi pertama, subset S1, S2, dan S3 akan

digunakan sebagai data latih sedangkan subset S4

akan digunakan sebagai data uji.Subset yang digunakan untuk data latih dan data uji secara lengkap disajikan pada Tabel 1.

Tabel 1 Kombinasi data latih dan data uji

Iterasi Data latih Data uji

Satu S1, S2, S3 S4

Dua S1, S2, S4 S3

Tiga S1, S3, S4 S2

Empat S2, S3, S4 S1

Klasifikasi dengan Probabilistic Neural Network (PNN)

Arsitektur PNN memiliki bagian lapisan masukan, pola, 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 2.

Lapisan output memiliki 6 target kelas sesuai dengan jumlah jenis daun. Untuk lapisan pola hanya akan digunakan satu model PNN yaitu dengan nilai bias (σ) tertentu.

Tabel 2 Kombinasi input pada model PNN

Percobaan Kombinasi Input

I Hasil ektraksi fitur 6 ciri

Morfologi, yaitu: - Area - Perimeter - Diameter - Smooth factor - Form factor

- Perimeter ratio of diameter.

II Hasil ektraksi fitur 7 ciri Morfologi, yaitu: - Area - Perimeter - Diameter - Smooth factor - Form factor

- Perimeter ratio of diameter - Rasio panjang dan lebar daun.

Pengujian

Pengujian data dilakukan oleh sistem yaitu dengan melihat hasil penelitian terhadap citra kueri atau citra uji berdasarkan k-fold cross

validation. Hasil penelitian ini diukur dengan

menggunakan tingkat akurasi dari data citra yang diuji dan diamati. Persamaan akurasi didefinisikan sebagai berikut :

ku asi data uji na diklasi ikasi data uji 1

Evaluasi

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

HASIL DAN PEMBAHASAN

Ekstrasi Fitur Ciri Morfologi

Banyaknya ciri morfologi yang diekstraksi adalah tujuh ciri. Tujuh nilai ciri morfologi yang digunakan adalah area, diameter, perimeter,

smooth factor, form factor, parameter ratio of diameter, dan rasio panjang dan lebar daun.

Contoh nilai-nilai ciri dasar dan turunan daun direpresentasikan seperti yang terlihat pada Gambar 12.

Data yang digunakan terdiri dari 6 species tanaman jati yang masing-masing jenis jati memiliki 20 sampel sehingga total data sebanyak 120 data. Enam jenis tanaman jati yang akan diidentifikasi, yaitu jati Biotrop, jati Emas, jati Jobika, jati Muna, jati Prima, dan jati Super.

Data

Pembagian data pada penelitian ini dilakukan dengan menggunakan metode 4-fold cross

validation. Dari banyaknya data yang diperoleh

sebanyak 120 record, dibagi menjadi 4 subset sehingga dihasilkan data latih sebanyak 15 dan data uji sebanyak 5 untuk setiap kelas pada setiap iterasi.

Gambar 12 Contoh hasil ekstrasi fitur ciri morfologi.

(15)

Percobaan I: Menggunakan 6 parameter (area, perimeter, diameter, smooth factor, form factor, perimeter ratio of diameter)

Pada percobaan ini dilakukan 4 kali iterasi berdasarkan subset pada k-fold cross validation dengan 5 buah nilai bias (σ). Kelima nilai σ tersebut adalah 0.05, 0.1, 0.15, 0.2, 0.25. Hasil akurasi untuk masing-masing nilai bias (smoothing

parameter) dapat dilihat pada Gambar 13.

Gambar 13 Grafik akurasi percobaan I.

Berdasarkan grafik di atas, rata-rata akurasi tertinggi yang diperoleh pada percobaan pertama adalah 77.5% dengan nilai bias 0.05. dan nilai rata-rata akurasi terendah yaitu 67.5% pada nilai bias 0.25. Nilai akurasi pada setiap iterasi dapat dilihat pada Tabel 3.

Tingkat akurasi terbaik yang dihasilkan untuk setiap jenis jati pada percobaan I dengan nilai bias (σ) 0.05 dapat dilihat pada Gambar 14.

Tabel 3 Rata-rata akurasi percobaan I

Iterasi 0.05 0.1 0.15 0.2 0.25 1 77 73 73 67 60 2 73 70 67 67 67 3 83 80 83 80 80 4 77 80 77 73 63 Rata-rata 77,5 75,75 75 71,75 67,5

Gambar 14 menunjukkan jati Prima adalah jati yang dapat teridentifikasi paling baik pada percoban I dengan akurasi sebesar 90% dengan terdapat 2 sampel data uji jati Prima yang teridentifikasi sebagai jati Biotrop. Kesalahan tersebut dapat terjadi karena sampel data uji jati Prima memiliki kesamaan nilai fitur morfologi area dengan sampel data latih jati Biotrop. Karakteristik data dari masing-masing parameter fitur ciri morfologi dapat dilihat pada Lampiran 1. Tampilan visual dari sampel data uji jati Prima

yang diidentifikasi sebagai jati Biotrop dapat dilihat pada Gambar 15.

Gambar 14 Grafik tingkat akurasi hasil terbaik setiap jenis jati pada percobaan I.

Jati Jobika merupakan jati yang paling sedikit teridentifikasi dengan baik, itu terbukti dengan hanya 13 sampel data uji jati Jobika yang tepat diidentifikasikan sehingga menghasilkan akurasi sebesar 65%. Beberapa sampel data uji jati Jobika teridentifikasi sebagai jati Biotrop dan jati Muna, hal ini disebabkan karena kemiripan nilai fitur morfologi di antara ketiga jenis jati tersebut. Terdapat pula 1 sampel data uji jati Jobika yang teridentifikasi sebagai jati Emas. Kesalahan tersebut dapat terjadi karena pada sampel data uji jati Jobika tersebut memiliki kesamaan nilai fitur

Gambar 15 Jati Prima yang tidak tepat teridentifikasi.

Teridentifikasi sebagai jati Biotrop

Teridentifikasi sebagai jati Biotrop

Gambar 16 Contoh sampel data uji jati Jobika yang tidak tepat teridentifikasi. Teridentifikasi sebagai jati Muna Teridentifikasi sebagai jati Biotrop Teridentifikasi sebagai jati Emas

(16)

8

morfologi area dengan sampel data latih jati Emas. Tampilan visual dari sebagian sampel data uji jati Jobika yang tidak teridentifikasi dengan tepat dapat dilihat pada Gambar 16.

Jati Biotrop menghasilkan akurasi sebesar 70%, dengan 6 sampel data uji jati Biotrop yang teridentifikasi sebagai jati Jobika, jati Prima, dan jati Emas. Tampilan visual dari sebagian sampel data uji jati Biotrop yang tidak teridentifikasi dengan tepat dapat dilihat pada Gambar 17.

Pada Percobaan ini, terdapat 4 sampel data uji jati Muna yang salah diidentifikasi menjadi jati Jobika dan jati Super sehingga menghasilkan akurasi sebesar 80%. Kesalahan tersebut disebabkan karena terdapat beberapa kemiripan nilai fitur ciri morfologi dari ketiga jenis jati tersebut. Nilai fitur ciri morfologi yang dimaksud ialah nila fitur ciri area, perimeter, dan diameter. Tampilan visual dari sampel data uji jati Muna yang tidak teridentifikasi dengan tepat dapat dilihat pada Gambar 18.

Pada jati Emas menghasilkan akurasi sebesar 85%, dengan 3 sampel data uji jati Emas teridentifikasi sebagai jati Prima. Kesalahan itu terjadi karena jati Emas memiliki kemiripan nilai ciri morfologi dengan jati Prima. Tampilan visual dari sampel data uji jati Emas yang tidak teridentifikasi dengan tepat dapat dilihat pada Gambar 19.

Hasil akurasi jati Super pada percobaan ini adalah sebesar 75%, dengan 5 sampel data uji jati Super teridentifikasi sebagai jati Emas, jati Muna, dan jati Jobika. Kesalahan itu terjadi, karena jati Super memiliki kemiripan nilai ciri morfologi dengan jati Jobika dan jati Muna. Terdapat pula 1 sampel data uji jati Super yang teridentifikasi sebagai jati Emas, kesalahan tersebut dapat terjadi karena pada sampel data uji jati Super tersebut memiliki kesamaan nilai fitur morfologi area dengan sampel data latih jati Emas. Tampilan visual dari sampel data uji jati Super yang tidak teridentifikasi dengan tepat dapat dilihat pada Gambar 20.

Secara keseluruhan, tingkat akurasi untuk jati Prima adalah 90%, untuk jati Jobika adalah 65%, untuk jati Biotrop adalah 70%, untuk jati Emas adalah 85%, untuk jati Muna adalah 80%, dan untuk jati Super adalah 75%. Akurasi terendah ada pada jati Jobika yang terjadi karena terdapat kemiripan nilai fitur ciri morfologi seperti fitur area, perimeter dan diameter dengan jati Biotrop, jati Muna, dan jati Super. Untuk mengetahui

record yang salah diklasifikasikan pada percobaan

I, dapat dilihat pada Tabel 4. Confusion matrix untuk setiap iterasi pada percobaan I, dapat dilihat pada Lampiran 2.

Gambar 17 Contoh sampel data uji jati Biotrop yang tidak tepat teridentifikasi. Teridentifikasi sebagai jati Jobika Teridentifikasi sebagai jati Prima Teridentifikasi sebagai jati Emas

Gambar 18 Contoh sampel data uji jati Muna yang tidak tepat teridentifikasi. Teridentifikasi sebagai

jati Jobika

Teridentifikasi sebagai jati Super

Teridentifikasi sebagai jati Prima Gambar 19 Contoh sampel data uji jati Emas

yang tidak tepat teridentifikasi.

Teridentifikasi sebagai jati Jobika Teridentifikasi sebagai jati Muna Teridentifikasi sebagai jati Emas Gambar 20 Contoh sampel data uji jati Super

(17)

Tabel 4 Confusion Matrix hasil terbaik pada percobaan I

Kelas Asli

Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Biotrop 14 1 3 2 Emas 17 3 Jobika 3 1 13 3 Muna 2 16 2 Prima 2 18 Super 1 1 3 15

Percobaan II : Menggunakan 7 Parameter (Area, Perimeter, Diameter, Smooth Factor, Form Factor, Perimeter Ratio of Diameter, Rasio Panjang dan Lebar Daun)

Percobaan ini sama seperti percobaan I, hanya saja menggunakan 7 parameter sebagai inputan ciri morfologi yaitu area, perimeter, diameter,

smooth factor, form factor, perimeter rasio of diameter , rasio panjang dan lebar daun. Fitur rasio

panjang dan lebar daun ditambahkan pada percobaan ini dengan maksud menaikkan akurasi dari percobaan I. Sama halnya pada percobaan I, citra tanaman jati yang telah diakuisisi, dilakukan tahapan praproses dan dilakukan ekstraksi fitur ciri morfologi. Percobaan ini masih menggunakan 90 sampel data latih dan 30 sampel data uji yang akan dilakukan 4 kali iterasi berdasarkan subset pada

k-fold cross validation dengan nilai bias (σ) yang

sama seperti percobaan I. Hasil akurasi untuk masing-masing nilai bias (smoothing parameter) dapat di lihat pada Gambar 21.

Gambar 21 Grafik akurasi percobaan II.

Berdasarkan grafik di atas, rata-rata akurasi tertinggi yang diperoleh pada percobaan II adalah 76% dengan nilai bias 0.15. dan nilai rata-rata akurasi terendah yaitu 72.25% pada nilai bias 0.2 dan 0.25. Pada percobaan ini nilai akurasi tertinggi menurun jika dibandingkan dengan percobaan I. Nilai akurasi pada setiap iterasi percobaan II dapat dilihat pada Tabel 5.

Tabel 5 Rata-rata akurasi percobaan II

Iterasi 0.05 0.1 0.15 0.2 0.25 1 73 73 77 73 73 2 73 70 67 63 73 3 83 83 83 80 80 4 73 77 77 73 63 Rata-rata 75,5 75,75 76 72,25 72,25

Tingkat akurasi terbaik yang dihasilkan untuk setiap jenis jati pada percobaan II dengan nilai bias (σ) 0.15 dapat dilihat pada Gambar 22.

Gambar 22 Grafik tingkat akurasi hasil terbaik setiap jenis jati pada percobaan II. Pada percobaan I, jati Prima menghasilkan akurasi yang paling baik di antara jenis jati lainnya, tapi pada percobaan II ini jenis jati yang memiliki akurasi tertinggi ialah jati Emas. Gambar 22 menunjukan jati Emas adalah jati yang dapat teridentifikasi paling baik pada percoban I dengan akurasi sebesar 85%, dengan terdapat 3 sampel data uji jati Emas yang teridentifikasi sebagai jati Prima sama seperti pada percobaan I. Kesalahan tersebut dapat terjadi karena sampel data uji jati Emas memiliki kemiripan nilai fitur morfologi dengan sampel data latih jati Prima. Tampilan visual dari sampel data uji jati Emas yang diidentifikasi sebagai jati Prima dapat dilihat pada Gambar 23.

Gambar 23 Jati Emas yang tidak tepat teridentifikasi.

(18)

10

Jati Jobika dan jati Biotrop merupakan jati yang paling sedikit teridentifikasi dengan baik pada percobaan II. Hal ini terbukti dengan hanya 14 sampel data uji dari masing-masing jenis jati tersebut yang tepat diidentifikasikan sehingga menghasilkan akurasi sebesar 70%. Beberapa sampel data uji jati Jobika teridentifikasi sebagai jati Biotrop dan jati Muna, hal ini disebabkan disebabkan oleh kemiripan nilai fitur morfologi di antara ketiga jenis jati tersebut. Terdapat pula 1 sampel data uji jati Jobika yang teridentifikasi sebagai jati Emas, kesalahan tersebut dapat terjadi karena pada sampel data uji jati Jobika tersebut memiliki kesamaan nilai fitur morfologi area dengan sampel data latih jati Emas. Pada sampel

data uji jati Biotrop salah diidentifikasi menjadi jati Jobika, jati Prima, dan jati Emas. Tampilan visual dari sebagian sampel data uji jati Jobika dan jati Biotrop yang tidak teridentifikasi dengan tepat dapat dilihat masing-masing pada Gambar 24 dan Gambar 25.

Pada percobaan II, jati Muna dan jati Prima mengalami penurunan akurasi dari percobaan I masing-masing menjadi 75% dan 80%. Terdapat 5 sampel data uji jati Muna yang salah diidentifikasi menjadi jati Jobika dan jati Super. Sama halnya seperti pada percobaan I, kesalahan tersebut disebabkan karena terdapat beberapa kemiripan nilai fitur ciri morfologi dari ketiga jenis jati tersebut. Nilai fitur ciri morfologi yang dimaksud ialah nilai fitur ciri area, perimeter, dan diameter. Pada jati Prima terdapat 4 sampel data uji jati Prima yang diidentifikasi sebagai jati Emas dan jati Biotrop. Kesalahan itu terjadi karena jati Prima memiliki kemiripan nilai ciri morfologi dengan jati Emas. Tampilan visual dari sebagian sampel data uji jati Muna dan jati Prima yang tidak teridentifikasi dengan tepat dapat dilihat masing-masing pada Gambar 26 dan Gambar 27.

Hasil akurasi jati Super pada percobaan ini sama seperti percobaan I yaitu sebesar 75%, dengan 5 sampel data uji jati Super teridentifikasi sebagai jati Emas, jati Muna, dan jati Jobika. Tampilan visual dari sampel data uji jati Super yang tidak teridentifikasi dengan tepat dapat dilihat pada Gambar 28.

Gambar 24 Contoh sampel data uji jati Jobika yang tidak tepat teridentifikasi. Teridentifikasi sebagai jati Muna Teridentifikasi sebagai jati Biotrop Teridentifikasi sebagai jati Emas

Gambar 25 Contoh sampel data uji jati Biotrop yang tidak tepat teridentifikasi. Teridentifikasi sebagai jati Jobika Teridentifikasi sebagai jati Prima Teridentifikasi sebagai jati Emas

Gambar 26 Contoh sampel data uji jati Muna yang tidak tepat teridentifikasi. Teridentifikasi sebagai jati Jobika Teridentifikasi sebagai jati Super Teridentifikasi sebagai jati Biotrop Teridentifikasi sebagai jati Super Gambar 27 Contoh sampel data uji jati Prima

yang tidak tepat teridentifikasi.

Teridentifikasi sebagai jati Jobika Teridentifikasi sebagai jati Muna Teridentifikasi sebagai jati Emas Gambar 28 Contoh sampel data uji jati Super

(19)

Secara keseluruhan, tingkat akurasi untuk jati Prima pada percobaan II mengalami penurunan dari percobaan I menjadi 80%, untuk jati Jobika mengalami penaikan akurasi menjadi 70%, untuk jati Biotrop adalah 70%, untuk jati Emas adalah 85%, untuk jati Muna adalah 75%, dan untuk jati Super adalah 75%. Terjadinya penurunan akurasi rata-rata pada percobaan II setelah penambahan fitur rasio panjang dan lebar daun. Untuk mengetahui record yang salah diklasifikasikan pada percobaan II, dapat dilihat pada Tabel 6.

Confusion matrix untuk setiap iterasi pada

percobaan II, dapat dilihat pada Lampiran 3. Tabel 6 Confusion matrix hasil terbaik pada

percobaan II

Kelas Asli

Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Biotrop 14 1 4 1 Emas 17 3 Jobika 2 1 14 3 Muna 1 15 4 Prima 1 3 16 Super 1 1 3 15

Perbandingan percobaan I dan percobaan II Percobaan I dan percobaan II menghasilkan rata-rata tingkat akurasi yang berbeda untuk seluruh jenis tanaman jati yang diidentifikasi. Pada percobaan I dihasilkan rata-rata akurasi sebesar 77.5%, sedangkan pada percobaan II dihasilkan rata-rata akurasi sebesar 76%. Terlihat adanya penurunan akurasi pada percobaan II dengan menambahkan parameter ciri morfologi rasio panjang dan lebar daun. Pada percobaan dengan menggunakan 7 parameter, terdapat peningkatan akurasi pada jati Jobika dan penurunan akurasi pada jati Muna dan jati Prima. Perbandingan tingkat akurasi yang dihasilkan pada setiap percobaan dapat dilihat pada Gambar 29.

Gambar 29 Grafik perbandingan tingkat akurasi dari setiap percobaan.

KESIMPULAN DAN SARAN

Kesimpulan

Dari penelitian ini dapat disimpulkan beberapa hal dalam identifikasi daun tanaman jati berdasarkan ekstraksi fitur ciri morfologi, yaitu: 1 Penelitian ini dilakukan untuk mencari

fitur-fitur dari ciri morfologi daun yang dapat digunakan untuk mengidentifikasi jenis tanaman jati.

2 Pada percobaan dengan menggunakan 6 parameter (area, perimeter, diameter, smooth

factor, form factor, perimeter ratio of diameter) diperoleh rata-rata akurasi sebesar

77.5% dengan nilai bias (σ) sebesar 0.05.

Sedangankan pada percobaan yang

menggunakan 7 parameternya yaitu, area, perimeter, diameter, smooth factor, form

factor, dan parameter ratio of diameter, dan

rasio panjang dan lebar daun menghasilkan rata-rata akurasi sebesar 76% dengan nilai bias (σ) sebesar 0.15. Terlihat adanya penurunan rata-rata akurasi pada percobaan yang menggunakan 7 parameter, hal ini menunjukan bahwa parameter rasio panjang dan lebar daun berpengaruh terhadap akurasi pada penelitian ini.

Saran

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

1 Menggunakan fitur morfologi yang lain agar dapat meningkatkan akurasi untuk identifikasi tanaman jati.

2

Melakukan perbandingan tingkat akurasi dengan classifier yang lain, seperti jaringan syaraf tiruan propagasi balik.

DAFTAR PUSTAKA

Annisa.2009. Ekstraksi ciri morfologi dan tekstur untuk temu kembali citra helai daun [skripsi]. Bogor: Institut Pertanian Bogor.

Erlinawati D. 2006. Teknik pemeliharaan bibit jati (Tectona grandis Linn. F.) pasca aklimatisasi di PT. DaFa TEKNOAGRO MANDIRI, Ciampea Bogor [skripsi]. Bogor: Fakultas Kehutanan Institut Pertanian Bogor.

Fauset L. 1994. Fundamentals of Neural

Networks: Architectures, Algorithms, and Applications. New Jersey: Prentice Hall.

Fu LM 1994. Neural Networks in Computer

(20)

12

Purnamasari Y. 2012. Identifikasi jenis Shorea berdasarkan morfologi daun menggunakan

Probabilistic Neural Network [skripsi]. Bogor:

Institut Pertanian Bogor.

Specht DF. 1990. Probabilistic neural networks and the polynomial adalines classification.

IEEE Transactions on Neural Networks 1(3) :

111-121.

Sumarna Y. 2003. Budidaya Jati. Jakarta: Penebar Swadaya.

Wu SG, Bao FS, Xu EY, Wang Y, Chang Y et al. 2007. A Leaf Recognition Algorithm for Plant

Using Probabilistic Neural Network. Beijing:

(21)
(22)

14

(23)
(24)

16

(25)

Lampiran 2 Confusion matrix percobaan 1

Iterasi 1 (h = 0.05)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 1 3 1 Emas 5 Jobika 1 4 Muna 2 3 Prima 5 Super 1 4 Iterasi 1 (h = 0.1)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 1 3 1 Emas 5 Jobika 1 4 Muna 1 4 Prima 1 4 Super 1 4 Iterasi 1 (h = 0.15)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 1 3 1 Emas 5 Jobika 5 Muna 1 4 Prima 1 4 Super 1 4 Iterasi 1 (h = 0.2)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 1 3 1 Emas 4 1 Jobika 5 Muna 1 4 Prima 1 4 Super 1 4 Iterasi 1 (h = 0.25)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 1 3 1 Emas 4 1 Jobika 5 Muna 1 4 Prima 1 4 Super 1 4

(26)

18

Lanjutan

Iterasi 2 (h = 0.05)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 5 Emas 1 3 1 Jobika 1 1 2 1 Muna 4 1 Prima 1 4 Super 1 4 Iterasi 2 (h = 0.1)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 5 Emas 3 2 Jobika 1 1 2 1 Muna 4 1 Prima 1 4 Super 1 1 3 Iterasi 2 (h = 0.15)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 5 Emas 3 2 Jobika 1 1 2 1 Muna 3 2 Prima 1 4 Super 1 1 3 Iterasi 2 (h = 0.2)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 4 1 Emas 3 2 Jobika 1 1 2 1 Muna 3 2 Prima 1 4 Super 1 1 3 Iterasi 2 (h = 0.25)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 4 1 Emas 3 2 Jobika 1 3 1 Muna 4 1 Prima 1 4 Super 1 4

(27)

Lanjutan

Iterasi 3 (h = 0.05)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 4 1 Emas 3 2 Jobika 4 1 Muna 4 1 Prima 5 Super 5 Iterasi 3 (h = 0.1)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 4 1 Emas 4 1 Jobika 4 1 Muna 4 1 Prima 1 4 Super 5 Iterasi 3 (h = 0.15)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 4 1 Emas 4 1 Jobika 4 1 Muna 4 1 Prima 1 4 Super 5 Iterasi 3 (h = 0.2)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 4 1 Emas 4 1 Jobika 3 2 Muna 4 1 Prima 1 4 Super 5 Iterasi 3 (h = 0.25)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 4 1 Emas 4 1 Jobika 3 2 Muna 4 1 Prima 1 4 Super 5

(28)

20

Lanjutan

Iterasi 4 (h = 0.05)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 4 1 Emas 5 Jobika 1 3 1 Muna 1 3 1 Prima 1 4 Super 1 1 3 Iterasi 4 (h = 0.1)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 4 1 Emas 5 Jobika 1 3 1 Muna 4 1 Prima 1 4 Super 1 1 3 Iterasi 4 (h = 0.15)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 4 1 Emas 5 Jobika 1 3 1 Muna 4 1 Prima 1 4 Super 1 1 3 Iterasi 4 (h = 0.2)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 4 1 Emas 4 1 Jobika 1 2 1 1 Muna 5 Prima 1 4 Super 2 3 Iterasi 4 (h = 0.25)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 3 1 1 Emas 4 1 Jobika 1 2 1 1 Muna 5 Prima 1 1 3 Super 3 2

(29)

Lampiran 3 Confusion matrix percobaan 2

Iterasi 1 (h = 0.05)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 1 2 2 Emas 5 Jobika 1 4 Muna 1 4 Prima 5 Super 1 4 Iterasi 1 (h = 0.1)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 1 2 2 Emas 5 Jobika 1 4 Muna 1 4 Prima 1 4 Super 1 4 Iterasi 1 (h = 0.15)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 1 2 2 Emas 4 1 Jobika 5 Muna 1 4 Prima 1 4 Super 1 4 Iterasi 1 (h = 0.2)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 1 2 2 Emas 4 1 Jobika 4 1 Muna 1 4 Prima 1 4 Super 1 1 3 Iterasi 1 (h = 0.25)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 1 2 2 Emas 4 1 Jobika 4 1 Muna 1 4 Prima 2 3 Super 1 2 2

(30)

22

Lanjutan

Iterasi 2 (h = 0.05)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 5 Emas 4 1 Jobika 1 1 2 1 Muna 4 1 Prima 1 4 Super 1 1 3 Iterasi 2 (h = 0.1)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 5 Emas 3 2 Jobika 1 1 2 1 Muna 4 1 Prima 1 4 Super 1 1 3 Iterasi 2 (h = 0.15)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 4 1 Emas 3 2 Jobika 1 1 2 1 Muna 4 1 Prima 1 4 Super 1 1 3 Iterasi 2 (h = 0.2)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 4 1 Emas 3 2 Jobika 1 1 2 1 Muna 4 1 Prima 1 4 Super 1 1 3 Iterasi 2 (h = 0.25)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 4 1 Emas 3 2 Jobika 1 1 2 1 Muna 3 2 Prima 1 4 Super 1 4

(31)

Lanjutan

Iterasi 3 (h = 0.05)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 4 1 Emas 3 2 Jobika 4 1 Muna 4 1 Prima 5 Super 5 Iterasi 3 (h = 0.1)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 4 1 Emas 3 2 Jobika 4 1 Muna 4 1 Prima 1 4 Super 5 Iterasi 3 (h = 0.15)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 4 1 Emas 4 1 Jobika 4 1 Muna 4 1 Prima 1 4 Super 5 Iterasi 3 (h = 0.2)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 4 1 Emas 4 1 Jobika 3 2 Muna 4 1 Prima 1 4 Super 5 Iterasi 3 (h = 0.25)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 4 1 Emas 4 1 Jobika 3 2 Muna 4 1 Prima 1 4 Super 5

(32)

24

Lanjutan

Iterasi 4 (h = 0.05)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 4 1 Emas 5 Jobika 1 3 1 Muna 1 4 Prima 1 4 Super 1 1 3 Iterasi 4 (h = 0.1)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 4 1 Emas 5 Jobika 1 3 1 Muna 5 Prima 1 4 Super 1 1 3 Iterasi 4 (h = 0.15)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 4 1 Emas 4 1 Jobika 1 3 1 Muna 5 Prima 1 4 Super 1 1 3 Iterasi 4 (h = 0.2)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 4 1 Emas 4 1 Jobika 1 2 1 1 Muna 5 Prima 1 4 Super 2 3 Iterasi 4 (h = 0.25)

Tanaman Jati Kelas Prediksi

Biotrop Emas Jobika Muna Prima Super

Kelas Asli Biotrop 3 1 1 Emas 4 1 Jobika 1 2 1 1 Muna 5 Prima 1 1 3 Super 3 2

(33)

Gambar

Ilustrasi  citra  masukan  untuk  ekstraksi  morfologi  dapat dilihat di Gambar 1.
Gambar 3  Probabilistic Neural Network (PNN).
Ilustrasi  proses  ekstraksi  fitur  ciri  morfologi  area  daun  direpresentasikan  seperti  yang  terlihat pada Gambar 7.
Gambar 9  Contoh ilustrasi ekstraksi fitur  ciri  morfologi diameter daun.
+5

Referensi

Dokumen terkait

2.3.2 Sifat dan Dampak dari PHC terhadap Tumbuhan Menurut (Bossert dan Bartha,1984 dalam Herdiyanto 2005) tumpahan crude oil yang komponen utamanya terdiri dari senyawa PHC

– Bozóky Mihály, Cantus catholici 1651, 1674, Dőri énekeskönyv, himnusz, Katolikus énekeskönyv (1768–1769), Katolikus énekeskönyv (1790), Magyar cantionale,

Dari saluran transmisi, tegangan diturunkan lagi menjadi 20 kV dengan transformator penurun tegangan pada gardu induk distribusi, kemudian dengan sistem tegangan

belajar mengajar (siklus III) yang dilaksanakan oleh guru dengan.. menerapkan model pembelajaran kontekstual pencocokan kartu indeks mendapatkan penilaian cukup baik

Kunjungan industri dan Study tour merupakan kegiatan rutin yang dilaksanakan sekolah setiap akhir tahun pelajaran termasuk juga di SMK Pelayaran Wira

Lebih jauh penulis mencermati dan menganalisis, dalam akta pihak ( Partijn akten) dimana akta ini merupakan akta yang dibuat dihadapan notaris dalam hal mana notaris menuangkan

Faktor penting lainnya yang juga dapat berpengaruh terhadap perilaku disfungsional auditor disamping karakter individu yang diukur dengan locus of control

[r]