IDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN EKSTRAKSI FITUR CIRI MORFOLOGI DAUN ASEP HARYONO

(1)

IDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN

JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN

EKSTRAKSI FITUR CIRI MORFOLOGI DAUN

ASEP HARYONO

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 Tanaman Jati Menggunakan Jaringan Saraf Tiruan Backpropagation dengan Ekstraksi Fitur Ciri 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, Juli 2013 Asep Haryono NIM G64104023

(4)

ABSTRAK

ASEP HARYONO. Identifikasi Daun Tanaman Jati Menggunakan Jaringan Saraf Tiruan Backpropagation dengan Ekstraksi Fitur Ciri Morfologi Daun. Dibimbing oleh AZIZ KUSTIYO.

Identifikasi Jati sangat penting bagi petani Jati untuk mengetahui karakteristik, manfaat, serta kisaran harga beli dan harga jual dari Jati tersebut. Penelitian ini membangun suatu sistem yang dapat melakukan identifikasi Jati secara otomatis. Sistem dibangun menggunakan teknologi Jaringan Saraf Tiruan (JST) backpropagation dengan ekstraksi fitur ciri morfologi daun. Terdapat lima ciri dasar yang digunakan yaitu area, perimeter, diameter, panjang, dan lebar daun. Lima ciri dasar tersebut kemudian diturunkan menjadi 12 ciri turunan. Data yang digunakan pada penelitian ini adalah citra daun Jati Biotrop, Emas, Jobika, Muna, Prima dan Super. Masing-masing data terdiri dari 20 citra dengan ukuran citra 1200 x 2300 piksel. Untuk mendapatkan akurasi terbaik, digunakan k-fold cross validation dengan nilai k=5. Berdasarkan hasil percobaan yang telah dilakukan, penggunaan hidden neuron sebanyak 17 menghasilkan nilai rata-rata akurasi terbaik sebesar 84.17%.

Kata kunci : Backpropagation, Daun, Ekstraksi Fitur, Jaringan Saraf Tiruan (JST), Jati.

ABSTRACT

ASEP HARYONO. Identification of Teak Leaf Using Backpropagation Neural Network with Leaf Morphology Characteristic Feature Extraction. Supervised by AZIZ KUSTIYO.

Teak identification is very useful in life. Knowledge about kind of teak is very important for teak farmers to understand the characteristics, benefits, as well as the buying and selling price of teak. This research built an automatic teak identification system using backpropagation Neural Network with leaf morphology feature extraction. The five basic leaf characteristics that were used in this research are area, perimeter, diameter, length, and width of the leaf. The five basic characteristics were then derived into 12 derivative characteristics. The data were the images of teak leaves of Biotrop, Emas, Jobika, Muna, Prima, and Super. Each data consists of 20 images with the size of 1200 x 2300 pixel. In order to obtain the best accuracy, k-fold cross validation with k=5 was used. The result shows that the best accuracy was 84.17% with 17 hidden neuron of neural network.

Keywords: Artificial Neural Network (ANN), Backpropagation, Feature Extraction, Leaf, Teak.

(5)

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer

pada

Departemen Ilmu Komputer

IDENTIFIKASI DAUN TANAMAN JATI MENGGUNAKAN

JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN

EKSTRAKSI FITUR CIRI MORFOLOGI DAUN

ASEP HARYONO

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

BOGOR 2013

(6)

(7)

Judul Skripsi : Identifikasi Daun Tanaman Jati Menggunakan Jaringan Saraf Tiruan Backpropagation dengan Ekstraksi Fitur Ciri Morfologi Daun

Nama : Asep Haryono NIM : G6104023

Disetujui oleh

Aziz Kustiyo, SSi, MKom Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi, MKom Ketua Departemen

(8)

PRAKATA

Puji dan syukur penulis panjatkan ke hadirat Allah subhanahu wa ta’ala yang telah memberikan begitu banyak nikmat sehingga penelitian dan penulisan ini berhasil diselesaikan. Shalawat serta salam tidak lupa penulis curahkan kepada Nabi Besar Muhammad shallallahu ‘alaihi wassalam, keluarganya, sahabatnya serta umatnya hingga akhir zaman. Tulisan ini merupakan hasil penelitian yang penulis lakukan sejak September 2012 hingga Juli 2013. Tema yang dipilih dalam penelitian ini ialah identifikasi morfologi, dengan judul Identifikasi Daun Tanaman Jati Menggunakan Jaringan Saraf Tiruan Backpropagation dengan Ekstraksi Fitur Ciri Morfologi Daun.

Terima kasih penulis ucapkan kepada seluruh pihak yang telah berperan dalam penelitian ini, yaitu:

1 Ayahanda Wiryo Atmodjo (almarhum), Ibunda Nafsiyah, Kakanda Hati Nurani serta saudara yang lain atas doa, kasih saying, semangat dan dorongan kepada penulis agar dapat menyelesaikan penelitian ini.

2 Bapak Aziz Kustiyo, SSi, MKom, selaku dosen pembimbing yang telah memberikan banyak ide, masukan, saran dan dukungan kepada penulis 3 Bapak Dr Ir Agus Buono, MSi, Mkom dan Bapak Endang Purnama Giri

SKom, Mkom yang telah bersedia menjadi penguji.

4 Para sahabat: Dedi Kiswanto, Rizkina Muhammad Syam, Muhammad Muhsin Demokrat serta teman-teman Ilkom Alih Jenis angkatan 5 yang lain atas kebersamaannya selama kurang lebih 2.5 tahun ini.

5 Rekan satu bimbingan: Cory Diana Lestari, Bangkit Pratama dan Ilvi Nurrizki Utami yang telah berbagi ilmu dan pengetahuan serta dorongan semangat selama pengerjaan skripsi.

6 Pihak-pihak lain yang tidak dapat penulis sebutkan satu persatu.

Harapan penulis semoga penelitian dan tulisan ini bermanfaat untuk para petani di Indonesia pada umumnya dan petani Jati pada khususnya.

Bogor, Juli 2013 Asep Haryono

(9)

DAFTAR ISI

DAFTAR TABEL ix DAFTAR GAMBAR ix DAFTAR LAMPIRAN ix PENDAHULUAN 1 Latar Belakang 1 Tujuan Penelitian 1 Manfaat Penelitian 2

Ruang Lingkup Penelitian 2

TINJAUAN PUSTAKA 2

Jati 2

Jaringan Saraf Tiruan 2

Propagasi Balik 3

Ekstraksi Fitur 3

K-Fold Cross Validation 6

Confusion Matrix 6 METODE PENELITIAN 6 Identifikasi Masalah 7 Pengumpulan Data 7 Praproses Data 8 Ekstraksi Fitur 9

Pembagian Data Latih dan Data Uji 9

Pelatihan 9

Pengujian 10

Analisis Hasil 10

Lingkungan Pengembangan 10

HASIL DAN PEMBAHASAN 11

Pengumpulan Data 11

Ekstraksi Fitur 11

Pembagian Data Latih dan Data Uji 11

(10)

Pengujian 12

SIMPULAN DAN SARAN 19

Simpulan 19

Saran 19

DAFTAR PUSTAKA 19

(11)

DAFTAR TABEL

1 Parameter JST propagasi balik 10

2 Target dan jenis jati 10

3 Susunan data latih dan data uji 12

4 Percobaan dengan hidden neuron 3 13

5 Percobaan dengan hidden neuron 5 14

13 Hasil nilai rata-rata akurasi terbaik berdasarkan hidden neuron 17

DAFTAR GAMBAR

1 Model JST Backpropagation 3

2 Area dan perimeter daun. 3

3 Diamater daun 4

4 Physiological length dan physiological width 4

5 Diagram alir metode penelitian 7

6 Jenis daun jati 8

7 Perubahan warna background 8

8 Perubahan mode warna dari RGB ke grayscale 8

9 Arsitektur JST tanaman jati 9

10 Grafik nilai rata-rata akurasi terbaik pada percobaan I (satu) 13 11 Grafik nilai rata-rata akurasi terbaik pada percobaan II (dua) 18

12 Boxplot untuk fitur area daun 18

DAFTAR LAMPIRAN

1 Algoritme jaringan saraf tiruan 20

2 Algoritme pelatihan Levenberg-Marquardt 22

3 Hasil perhitungan morfologi sebelum dilakukan normalisasi 23 4 Hasil perhitungan morfologi setelah dilakukan normalisasi 24 5 Hasil akurasi untuk masing-masing fold pada percobaan I (satu) 24

6 Nilai akurasi setiap jenis jati 25

7 Hasil confusion matrix untuk masing-masing jenis Jati dengan fold 1 26 8 Boxplot untuk setiap fitur ciri morfologi daun 27

(12)

(13)

PENDAHULUAN

Latar Belakang

Jati yang mempunyai nama latin Tectona grandis Linn. f. merupakan salah satu jenis kayu komersial yang memiliki nilai ekonomis tinggi dan diminati oleh banyak orang, baik dalam maupun luar negeri. Hingga saat ini, Jati masih menjadi komoditas mewah dikarenakan kualitasnya yang tinggi, walaupun harga belinya mahal (Palupi 2006).

Tanaman Jati sangatlah cocok untuk dibudaya di negara yang beriklim tropis seperti di Indonesia. Terdapat ratusan varietas tanaman Jati tersebar di Indonesia antara lain berlokasi di Jawa, Muna, Buton, Maluku dan Nusa Tenggara. Banyaknya varietas tanaman Jati yang ada menjadikan faktor sulitnya dalam mengenal jenis tanaman Jati yang satu dengan tanaman Jati yang lain. Sangatlah dibutuhkan pengetahuan dan pengalaman yang cukup untuk dapat mengetahui setiap jenis tanaman Jati yang ada. Untuk mempermudah dalam pengenalan tersebut, perlu dibangun suatu sistem yang dapat mengidentifikasi tanaman Jati secara otomatis.

Identifikasi tumbuhan dapat dilakukan menggunakan bunga, buah, batang, dan daun. Namun pada penelitian ini akan digunakan daun tanaman Jati sebagai objek identifikasi. Hal ini dikarenakan daun cenderung tersedia sebagai sumber pengamatan sepanjang waktu dan cenderung lebih mudah untuk menjadi objek pengamatan terutama berupa citra.

Penelitian Puspitasari (2011) dengan objek yang berbeda yaitu identifikasi jenis Shorea menggunakan Jaringan Saraf Tiruan (JST) Backpropagation berdasarkan karakteristik morfologi daun diperoleh akurasi yang cukup tinggi yaitu 94%. Akan tetapi penelitian sebelumnya dengan objek tanaman Jati yaitu penelitian Asanurjaya (2012) menggunakan Probabilistic Neural Network (PNN) berdasarkan karakteristik morfologi daun akurasi yang diperoleh masih 77.5%. Pada penelitian tersebut menggunakan 6 fitur morfologi daun (area, perimeter, diameter, smooth factor, form factor dan perimeter ratio of diameter).

Oleh karena itu, pada penelitian ini akan mencoba menggunakan metode klasifikasi JST Backpropagation untuk mengidentifikasi jenis Jati berdasarkan data citra daun Jati dari Asanurjaya (2012) dengan memperbanyak fitur morfologi. Pada JST Backpropagation terdapat proses pelatihan yang berulang-ulang dan memiliki kemampuannya untuk belajar serta kebal terhadap adanya kesalahan (Fault Tolerance). Dengan kelebihan tersebut dan adanya fitur tambahan yang digunakan, penelitian ini diharapkan bisa meningkatkan hasil akurasi.

Tujuan Penelitian

Penelitian ini bertujuan menerapkan algoritme Jaringan Saraf Tiruan Backpropagation dan mengimplementasikan teknik ekstraksi fitur ciri morfologi daun dalam mengidentifikasi tanaman Jati. Selain itu juga untuk mengetahui tingkat akurasi dari metode yang digunakan.

(14)

2

Manfaat Penelitian

Penelitian ini diharapkan dapat menghasilkan aplikasi identifikasi daun tanaman Jati sebagai alat untuk membantu petani dalam melakukan pengenalan tanaman Jati berdasarkan jenis daun.

Ruang Lingkup Penelitian Ruang lingkup penelitian ini adalah sebagai berikut.

1 Terdiri atas enam jenis tanaman Jati yang digunakan yaitu 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. Data diperoleh dari Asanurjaya (2012) yang diambil dari Laboratorium SEAMEO BIOTROP Bogor.

3 Ekstraksi fitur yang digunakan adalah berdasarkan ciri morfologi daun.

TINJAUAN PUSTAKA

Jati

Jati merupakan salah satu jenis pohon besar yang menggugurkan daun pada saat musim kemarau. Pada kondisi lingkungan yang baik, Jati dapat tumbuh mencapai tinggi 30 - 40 m. Pohon Jati memiliki kulit batang tebal, abu-abu atau coklat muda keabu-abuan. Jati adalah sejenis pohon penghasil kayu bermutu tinggi yang dikenal dunia dengan nama teak (bahasa Inggris). Nama ini berasal dari kata thekku, dalam bahasa Malayalam, bahasa di negara bagian Kerala di India selatan (Al-Khairi 2008).

Jaringan Saraf Tiruan

Berdasarkan Fausett (1994) Jaringan Saraf Tiruan didefinisikan sebagai suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan Saraf bilogi. JST diciptakan sebagai generalisasi model matematis dari jaringan Saraf biologi yang didasarkan atas asumsi sebaga berikut:

1 Pemrosesan informasi terjadi pada elemen sederhana ( neuron ).

2 Sinyal dikirimkan di antara sel saraf / neuron melalui suatu sambungan penghubung.

3 Setiap sambungan penghubung memiliki bobot yang bersesuaian. Bobot ini akan digunakan untuk mengalikan sinyal yang dikirim.

4 Setiap sel saraf akan menerapkan fungsi aktivasi terhadap sinyal hasil penjumlahan yang masuk untuk menentukan sinyal keluaran.

(15)

3

Propagasi Balik

Propagasi Balik (Backpropagation) merupakan algoritme pembelajaran yang terawasi (supervised learning) dan biasanya digunakan oleh jaringan multilayer untuk mengubah bobot-bobot yang terhubung dengan semua neuron pada hidden layer (Hardelina 2007). Ada tiga tahap pelatihan pada JST Propagasi Balik, yaitu pelatihan input yang bersifat umpan maju (feed forward), perhitungan propagasi balik galat yang diperoleh, dan penyesuaian bobot. Ketiga fase tersebut diulang terus menerus sampai kondisi berhenti terpenuhi. Untuk perhitungan tercantum pada Lampiran 1.

Ekstraksi Fitur

Menurut Wu et al. (2007) ciri pada ekstraksi ciri morfologi dibedakan menjadi dua, yaitu ciri dasar dan ciri turunan. Terdapat lima ciri dasar daun yaitu area (A), perimeter (P), diameter (D), physiological length (Lp) dan physiological width (Wp). Area adalah perhitungan jumlah piksel dari daerah yang dilingkupi tepi daun pada citra yang telah dihaluskan, sedangkan perimeter merupakan perhitungan jumlah piksel yang terdapat pada tepi daun (keliling) sebagaimana terlihat pada Gambar 2.

Gambar 2 Area dan perimeter daun. Gambar 1 Model JST Backpropagation

(16)

4

D iameter merupakan jarak terpanjang antara dua titik pada tepi daun, terlihat pada Gambar 3. Physiological length adalah jarak antara ujung dan pangkal daun (panjang tulang daun primer) sedangkan Physiological width adalah jarak terpanjang dari garis yang memotong tegak lurus physiological length yang dibatasi tepi daun seperti terlihat pada Gambar 4.

Terdapat 12 ciri turunan yang didapatkan dari 5 ciri dasar daun yaitu:

1 Smooth factor adalah rasio antara area citra helai daun yang dihaluskan dengan 5x5 rectangular averaging filter dan area citra helai daunyang dihaluskan dengan 2x2 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.

2 Aspect ratio adalah rasio antara physiological length dan physiological width. Persamaannya dapat dilihat pada Persamaan 1.

sp a io p

p

Fungsi ciri ini untuk memperkirakan bentuk helai daun. Jika benilai kurang dari 1, maka bentuk helai daun tersebut melebar. Jika benilai lebih dari 1, bentuk helai daun tersebut memanjang.

Gambar 3 Diamater daun

(17)

5 3 Form factor merupakan fitur yang digunakan untuk mendeskripsikan bentuk dari daun dan mengetahui seberapa bundar bentuk helai daun tersebut. Nilai form factor dapat dilihat pada Persamaan 2.

o m a o

4 Rectangularity mendeskripsikan seberapa perseginya permukaan daun. Rumusnya diberikan pada Persamaan 3.

an ula i p p

5 Narrow factor didefinisikan sebagai rasio antara diameter dan physiological length. Ciri ini untuk menentukan apakah bentuk helai daun tersebut tergolong simetri atau asimetri. Jika helai daun tersebut tergolong simetri maka benilai 1. Jika asimetri maka bernilai lebih dari 1. Nilainya dapat dicari menggunakan Persamaan 4.

a ow a o

p

6 Perimeter ratio of diameter yaitu untuk mengukur seberapa lonjong daun tersebut. Persamaannya dapat dilihat pada Persamaan 5.

m a io o iama

7 Perimeter ratio of physiological length and physiological width. Rumusnya diberikan pada Persamaan 6.

m a io o ph silo i al l n h an ph siolo i al wi h p

p p 8 Vein features. Persamaannya dapat dilihat pada Persamaan 7, 8, 9, 10 dan 11.

a Rasio antara area helai daun yang telah dikurangi disk-shaped structuring element dengan radius satu piksel (Av1) dan area daun awal (A).

Rumusnya menggunakan Persamaan 7.

in a u s

b Rasio antara area helai daun yang telah dikurangi disk-shaped structuring element dengan radius dua piksel (Av2) dan area daun awal (A).

Persamaann 8 merupakan rumus yang digunakan. in a u s

(18)

6

c. Rasio antara area helai daun yang telah dikurangi disk-shaped structuring element dengan radius tiga piksel (Av3) dan area daun awal (A). Untuk

menghitungnya menggunakan Persamaan 9. in a u s

d. Rasio antara area helai daun yang telah dikurangi disk-shaped structuring element dengan radius empat piksel (Av4) dan area daun awal (A).

Persamaan 10 merupakan persamaan yang digunakan. in a u s

e. Rasio antara area helai daun yang telah dikurangi disk-shaped structuring element dengan radius empat piksel (Av4) dan area helai daun yang telah

dikurangi disk-shaped structuring element dengan radius satu piksel (Av1).

Persamaannya dapat dilihat pada Persamaan 11. in a u s

K-Fold Cross Validation

Pada metode k-fold cross validation, data dibagi menjadi k subset (fold) yang saling bebas secara acak, yaitu S1, S2....Sk, yang diasumsikan memiliki

ukuran yang sama. Pelatihan dan pengujian dilakukan sebanyak k kali. Pada iterasi ke-i subset S1 diperlakukan sebagai data pengujian dan subset lainnya

sebagai data pelatihan. Tingkat akurasi dihitung dengan membagi jumlah keseluruhan klasifikasi yang benar dengan jumlah semua instance pada data awal (Han dan Kamber 2001).

Confusion Matrix

Confusion Matrix merupakan sebuah tabel yang terdiri atas 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. 2006).

METODE PENELITIAN

Secara garis besar metode penelitian terdiri atas identifikasi masalah, pengumpulan data, praproses data, ekstraksi fitur, pembagian data latih dan data uji, pelatihan, pengujian dan terakhir adalah analisis hasil sebagaimana terlihat pada Gambar 5.

(19)

7 Mulai Identifikasi Masalah Pengumpulan Data Pembagian Data Latih dan Data Uji

Analisis Hasil Pelatihan JST

Pengujian JST

Data Latih Data Uji

Praproses Data Selesai JST Backpropagation Ekstraksi Fitur

Gambar 5 Diagram alir metode penelitian Identifikasi Masalah

Banyaknya varietas tanaman Jati baik Jati unggul maupun Jati biasa menjadikan suatu faktor penyebab sulitnya dalam pengenalan jenis tanaman Jati yang satu dengan yang lainnya. Pengetahuan dari orang yang berpengalaman dalam bidang Jati sangatlah diperlukan untuk mengetahui dan mengenali jenis-jenis Jati. Pemilihan kayu yang tidak tepat untuk kegunaan akhir dapat diakibatkan dari kesalahan dalam mengidentifikasi jenis Jati. Oleh karena itu diperlukan solusi berupa suatu sistem yang dapat mengidentifikasi jenis-jenis Jati sehingga dapat dengan tepat membedakan jenis Jati yang ada.

Pengumpulan Data

Citra yang akan digunakan pada penelitian ini adalah citra daun tanaman Jati yang sampelnya diambil dari Laborium Kultur Jaringan SEAMEO BIOTROP Bogor. Jumlah citra daun yang digunakan 6 varietas. Satu varietas diwakili dengan 20 citra, sehingga total citra ada sebanyak 120 citra. Citra yang digunakan berukuran 1200x2300 piksel, citra ini diakuisisi menggunakan kamera digital sebagaimana terlihat pada Gambar 6.

(20)

8

Biotrop Emas Jobika Muna Prima Super

Gambar 6 Jenis daun jati

Praproses Data

Praproses data merupakan tahap awal sebelum dilakukan ekstraksi. Pada tahap ini dilakukan perubahan warna pada latar belakang. Latar belakang (background) yang sebelumnya berwarna, kemudian dihilangkan. Gambar 7 berikut ini merupakan ilustrasi perubahan warna latar belakang.

Setelah dilakukan perubahan warna pada background, tahap selanjutnya adalah mengubah mode warna citra yang pada awalnya RGB menjadi grayscale seperti terlihat pada Gambar 8 Pada langkah ini diperlukan suatu masukan citra biner dengan threshold tertentu. Nilai threshold merupakan suatu nilai yang memisahkan antara piksel objek dengan piksel latar belakang citra.

Gambar 7 Perubahan warna background

(21)

9 Ekstraksi Fitur

Pada tahap ini dilakukan penurunan terhadap ciri dasar morfologi. Lima ciri dasar morfologi yang digunakan pada penelitian ini adalah diamater, physiological length, physiological width, area, dan perimeter/keliling daun. Ciri dasar tersebut dikombinasikan sehingga mendapatkan 12 ciri turunan di antaranya smooth factor, aspect ratio, form factor, rectangularity, narrow factor, perimeter ratio of diameter, perimeter ratio of physiological length and physiological width serta lima ciri urat daun. Informasi ciri tersebut direpresentasikan sebagai sebuah vektor dengan dua belas elemen.

Pembagian Data Latih dan Data Uji

Pembagian data latih dan data uji dilakukan dengan menggunakan metode k-fold cross validation dengan menggunakan k sama dengan 5. Pada kombinasi ini data dibagi menjadi 5 subset (S1, S2, S3, S4, S5) dengan masing-masing subset

memiliki anggota yang sama. Pada kombinasi ini proses identifikasi akan dilakukan 5 kali iterasi berdasarkan metode k-fold cross validation. Data latih dan data uji memiliki subset yang berbeda pada setiap iterasi.

Pelatihan

Sebelum dilakukan pelatihan maka terlebih dahulu dibuat arsitektur JST seperti terlihat pada Gambar 9

Gambar 9 Arsitektur JST tanaman jati

Arsitektur JST ini menggunakan algoritme propagasi balik yang kemudian dilakukan pelatihan dengan paramater-paramater JST yang telah ditentukan. Pelatihan data dilakukan beberapa kali sampai menemukan galat terkecil. Langkah selanjutnya hasil pelatihan tersebut disimpan untuk digunakan kembali pada tahap pengujian. Tabel 1 memperlihatkan parameter JST yang digunakan pada proses pelatihan.

(22)

10

Tabel 1 Parameter JST propagasi balik

Karakteristik Spesifikasi

Arsitektur 1 hidden layer

Neuron input 6, 17

Hidden Neuron 3, 5, 8, 10, 15, 17, 18, 20 dan 30

Neuron Output 6

Fungsi Aktivasi Sigmoid Bipolar, Fungsi Identitas

Toleransi galat 0

Maksimum epoch 100

Algoritme JST Levenberg-Marquardt

Perhitungan algoritme JST Levenberg-Marquardt terdapat pada Lampiran 2. Adapun definisi target dari jenis Jati disajikan pada Tabel 2.

Tabel 2 Target dan jenis jati N

o

Jenis Jati Target

1 Biotrop 100000 2 Emas 010000 3 Jobika 001000 4 Muna 000100 5 Prima 000010 6 Super 000001 Pengujian

Pada tahap ini dilakukan pengelompokan data yang telah dilakukan pengujian berdasarkan varietas dengan menggunakan tabel confusion matrix. Pengujian model dilakukan dengan menggunakan data uji. Sistem diuji dengan menghitung akurasi, yaitu jumlah data yang berhasil dikenali benar oleh metode JST. Persamaan 12 digunakan untuk menghitung akurasi:

Analisis Hasil

Agar dapat dengan mudah dilihat dan dianalisis seberapa besar akurasi pada identifikasi daun tanaman Jati, hasil akhir dibuat dalam bentuk grafik. Selain itu juga dilakukan pengamatan terhadap parameter-parameter JST yang digunakan untuk melihat pengaruh terhadap hasil akurasi yang didapatkan.

Lingkungan Pengembangan

Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk penelitian ini adalah sebagai berikut:

Perangkat keras: 1 Processor Intel ® Core i3

(23)

11 2 Memory 2GB

3 Hardisk 320GB Perangkat lunak:

1 Sistem Operasi Microsoft Windows 7 2 Matlab 7.7 (R2008b)

HASIL DAN PEMBAHASAN

Pengumpulan Data

Penelitian ini menggunakan data hasil pengukuran yang dilakukan pada penelitian sebelumnya oleh Asanurjaya (2012). Pada tahap ini dilakukan identifikasi enam jenis daun Jati dengan menggunakan karakteristik morfologi daun. Adapun enam jenis Jati tersebut yaitu Biotrop, Emas, Jobika, Muna, Prima, dan Super. Enam jenis ini masing-masing terdiri atas dua puluh sampel data sehingga total data sebanyak 120 data.

Ekstraksi Fitur

Pengujian dilakukan pada percobaan I (satu) dan percobaan II (dua). Percobaan satu dilakukan terhadap 6 ciri morfologi daun sesuai dengan ciri morfologi yang digunakan oleh Asanurjaya (2012) yaitu area, perimeter, diameter, smooth factor, form factor dan perimeter ratio of diameter. Pengujian selanjutnya dilakukan pada percobaan dua yaitu dengan menggunakan 5 ciri dasar morfologi ditambah dengan 12 ciri turunan, yaitu area, perimeter, diameter, physiological length, physiological width, smooth factor, aspect ratio, form factor, rectangularity , narrow factor, perimeter ratio of diameter, perimeter ratio of physiological length and physiological width dan vein features.

Hasil yang diperoleh dari perhitungan morfologi daun pada percobaan I dan II memiliki rentang nilai yang sangat jauh seperti tercantum pada Lampiran 3. Hal ini tentunya akan memengaruhi nilai akurasi, oleh karena itu sebelum dilakukan pembagian data latih dan data uji terlebih dahulu dilakukan normalisasi data sehingga semua nilai akan memiliki rentang nilai yang tidak terlalu jauh. Tidak semua nilai ekstraksi fitur dilakukan normalisasi, tapi hanya beberapa nilai saja yang memiliki nilai rentang yang sangat jauh yaitu nilai area, perimeter, dan diameter, physiological length dan physiological width seperti terlihat pada Lampiran 4.

Pembagian Data Latih dan Data Uji

Pembagian data latih dan data uji ini dilakukan dengan menggunakan metode k-fold cross validation dengan menggunakan k sama dengan 5. Jumlah data yang diperoleh sebanyak 120 record dan dibagi menjadi 5 subset sehingga setiap subset terdiri atas 24 record. Subset yang berjumlah 24 record tersebut terdiri atas 4 record dari masing-masing jenis daun.

(24)

12

Percobaan pertama (fold I) menggunakan 96 record sebagai data latih yang berisi subset 1,2,3, dan 4. Subset 5 yang berisi 24 record dijadikan sebagai data uji. Percobaan terus dilakukan hingga setiap subset pernah dijadikan data uji seperti terlampir pada Tabel 3.

Tabel 3 Susunan data latih dan data uji

Pelatihan

Nilai parameter JST yang optimal sangatlah penting untuk mendapatkan model JST yang baik. Penentuan JST optimal dilihat berdasarkan jumlah epoch minimum pada setiap percobaan. Penentuan parameter JST optimal pada percobaan ini dilihat dari nilai parameter yang dapat menghasilkan nilai akurasi tertinggi untuk setiap iterasi. Jika ada dua atau lebih nilai parameter yang menghasilkan akurasi yang sama, penentuan parameter JST optimal akan dilihat berdasarkan nilai parameter yang memiliki epoch terkecil sebagaimana terdapat pada Lampiran 5.

Untuk menentukan parameter JST optimal dimulai dengan percobaan beberapa nilai hidden neuron. Adapun nilai hidden neuron yang digunakan yaitu 3, 5, 8, dan 10 dengan epoch sebesar 100. Perobaan ini akan terus dilakukan dengan beberapa nilai hidden neuron yang lain sehingga bisa didapatkan nilai akurasi yang baik. Untuk meningkatkan hasil akurasi, perlu juga dilakukan perubahan pada parameter yang lain seperti jumlah epoch dan fungsi aktivasi.

Pengujian

Akurasi setiap percobaan didapat dari perhitungan confusion matrix yang terdiri dari jumlah baris data uji yang diprediksi benar atau tidak oleh model klasifikasi. Berdasarkan hasil percobaan, tidak semua jenis Jati dapat teridentifikasi dengan baik sesuai dengan jenis Jati yang ada.

Percobaan I (satu) dengan menggunakan 6 ciri morfologi daun hasil akurasi maksimal yang diperoleh sebesar 78.33%. Nilai hasil akurasi pada percobaan ini ternyata lebih besar dari percobaan yang telah dilakukan oleh Asanurjaya (2012). Gambar 10 merupakan hasil dari percobaan satu berdasarkan jumlah hidden neuron yang digunakan. Dengan menggunakan hidden neuron 3 hasil akurasi yang diperoleh sebesar 61.66%. Namun hasil akurasi mengalami penurunan setelah dilakukan dengan menggunakan hidden neuron 18, 20, dan 30. Hal ini membuktikan bahwa jumlah hidden neuron yang digunakan sangatlah berpengaruh terhadap hasil akurasi yang didapatkan, tetapi semakin tinggi hidden neuron tidak selalu semakin tinggi pula hasil akurasi yang didapatkan. Tabel akurasi untuk percobaan I dapat dilihat pada Lampiran 6.

Fold Pelatihan Pengujian

Fold I S1, S2, S3, S4 S5

Fold II S1, S2, S3, S5 S4

Fold III S1, S2, S4, S5 S3

Fold IV S1, S3, S4, S5 S2

(25)

13

Gambar 10 Grafik nilai rata-rata akurasi terbaik pada percobaan I (satu) Selanjutnya dilakukan Percobaan II dengan menggunakan 17 ciri morfologi daun. Hasil confusion matrix untuk masing-masing jenis Jati pada fold 1 terdapat pada Lampiran 7. Percobaan awal dengan menggunakan hidden neuron sebanyak 3, nilai akurasi rata-rata yang dihasilkan adalah sebesar 65%. Berdasarkan Tabel 4 terlihat bahwa data jenis Jati yang paling banyak dikenali adalah Jati Super yang sebesar 85%. Kemudian yang dikenali paling banyak setelah Jati Super adalah Jati Biotrop yaitu sebesar 80%. Jati Biotrop dapat teridentifikasi sebagai Jati Emas, Jobika, Muna dan Prima, sedangkan Jati Emas dapat teridentifikasi sebagai Jati Prima. Selain itu juga terdapat jenis Jati yang dikenali sebagai Jati Super yaitu Jati Jobika, Muna dan Prima. Pada percobaan ini yang paling sedikit teridentifikasi dengan baik adalah jenis Jati Prima yaitu hanya sebesar 30%. Jenis Jati Prima lebih banyak teridentifikasi sebagai Jati Emas hal ini dimungkinkan karena bentuk dan ukuran kedua jenis Jati ini hampir sama.

Tabel 4 Percobaan dengan hidden neuron 3 Kelas

Asal

Kelas Prediksi

Biotrop 16 1 1 1 1 0 Emas 0 15 0 0 5 0 Jobika 2 0 12 2 1 3 Muna 0 0 5 12 0 3 Prima 3 9 1 0 6 1 Super 0 0 1 2 0 17

(26)

14

Percobaan selanjutnya dengan menggunakan hidden neuron sebanyak 5. Hasil akurasi yang diperoleh pada percobaan ini sebesar 71,67%. Pada percobaan ini besarnya data uji yang dikenali benar mengalami peningkatan dari sebelumnya. Pada Tabel 5 data uji yang berhasil dikenali paling banyak adalah Jati Super dan Jati Emas yaitu sebesar 85%. Jati Emas mengalami peningkatan walaupun masih dapat teridentifikasi sebagai Jati Prima dan Super.

Jati Biotrop tidak mengalami peningkatan akurasi dan masih bisa teridentifikasi sebagai Jati Emas, Jobika, Muna dan Super.Selain Jati Biotrop, ada juga jenis Jati lain yang teridentifikasi sebagai Jati Super yaitu Jati Emas, Jobika dan Muna. Jati Jobika dapat teridentifikasi sebagai Jati Biotrop, sedangkan Jati Prima dapat teridentifikasi sebagai Jati Emas. Untuk Jati Super dapat teridentifikasi sebagai Jati Emas, Jobika dan Muna.

Tabel 5 Percobaan dengan hidden neuron 5 Kelas

Asal

Kelas Prediksi

Kemudian dengan menggunakan hidden neuron sebanyak 8, hasil akurasi yang didapatkan sebesar 78.33%. Hal ini berarti akurasi tetap mengalami peningkatan dari akurasi yang didapatkan sebelumnya. Jati Biotrop dan Emas pada percobaan ini memiliki nilai bobot yang paling tinggi dibandingkan dengan nilai bobot Jati yang lainnya yaitu 85%. Jati Biotrop masih bisa teridentifikasi sebagai Jati Emas, Prima dan Super, sedangkan Jati Emas bisa teridentifikasi sebagai Jati Biotrop dan Prima. Sebesar 80% Jati Jobika dan Super dapat dikenali pada percobaan ini. Jati Jobika dapat teridentifikasi sebagai Jati Muna dan Super, sedangkan Jati Super dapat teridentifikasi sebagai Jati Muna. Untuk Jati Muna dapat teridentifikasi sebesar 75% karena masih bisa teridentifikasi sebagai Jati Super. Jenis Jati yang paling kecil teridentifikasi dengan baik adalah Jati Prima karena hanya bisa teridentifikasi sebesar 65%. Confussion matrix untuk percobaan ini dapat dilihat pada Tabel 6.

Asal

Kelas Prediksi

(27)

15 Percobaan berikutnya yaitu dengan menggunakan hidden neuron 10 dan akurasi yang didapatkan sebesar 78.33% sebagaimana terlihat pada Tabel 7. Pada percobaan ini, Jati Super adalah yang paling banyak teridentifikasi dengan baik yaitu sebesar 90%, walaupun masih bisa teridentifikasi sebagai Jati Biotrop dan Muna. Jati Emas dapat teridentifikasi sebagai Jati Prima. Untuk Jati Jobika dapat teridentifikasi sebagai Jati Biotrop, Emas, Muna dan Super. sedangkan Jati Muna teridentifikasi sebagai Jati Emas, Jobika dan Super. Jati Prima dapat teridentifikasi sebagai Jati emas dan untuk Jati Super dapat teridentifikasi sebagai Jati Biotrop dan Muna.

Asal

Kelas Prediksi

Asal

Kelas Prediksi

Percobaan dengan hidden neuron 15 menghasilkan akurasi sebesar 79.17%. Pada Tabel 8, jenis Jati yang paling banyak teridentifikasi dengan baik adalah Jati Biotrop sebesar 90%. Jati Jobika dan Muna teridentifikasi dengan baik sebesar 85% sedangkan yang paling kecil teridentifikasi sebesar 60% yaitu Jati Prima. Percobaan dilanjutkan dengan menggunakan hidden neuron 17 dan hasil akurasi rata-rata yang diperoleh adalah 84.17%. Seperti terlihat pada Tabel 9, jenis Jati yang teridentifikasi paling baik adalah Jati Super yaitu sebesar 100%, ini berarti semua jenis daun ini teridentifikasi dengan sempurna. Untuk Jati Emas teridentifikasi dengan baik sebesar 95% hal ini karena masih dapat teridentifikasi sebagai Jati Prima sebesar 5%. Jati Biotrop dan Muna teridentifikasi sebesar 85%. Jati Biotrop dapat teridentifikasi sebagai Jati Emas, Jobika dan Muna sedangkan Jati Muna dapat teridentifikasi sebagai Jati Jobika dan Super. Sebesar 70% teridentifikasi dengan baik untuk Jati Jobika dan Prima.

(28)

16

Asal

Kelas Prediksi

Percobaan kelima yaitu dengan menggunakan hidden neuron 18 dengan hasil akurasi yang diperoleh sebesar 81.67%. Pada percobaan ini Jati Super masih teridentifikasi dengan sempurna 100% sebagaimana terlihat pada Tabel 10. Sedangkan untuk Jati yang lain mengalami perubahan. Jati Emas mengalami penurunan akurasi menjadi 90%. Jati Emas ini dapat teridentifikasi sebagai Jati Prima sedangkan Jati Jobika dapat teridentifikasi sebagai Jati Muna, Prima dan Super.

Asal

Kelas Prediksi

Percobaan selanjutnya dengan menggunakan hidden neuron 20. Hasil akurasi yang didapat sebesar 79.17%. Pada percobaan ini akurasi mengalami penurunan seperti terlihat pada Tabel 11. Jati Super yang sebelumnya memiliki akurasi 100% pada percobaan kelima, pada percobaan ini mengalami penurunan menjadi 90%. Jati Super dapat teridentifikasi sebagai Jati Jobika dan Muna sedangkan Jati Biotrop dapat teridentifikasi sebagai Jati Emas, Muna dan Prima. Jati Jobika dan Muna dapat teridentifikasi sebagai Jati Super dan Jati Prima dapat teridentifikasi sebagai Jati Biotrop, Emas dan Jobika.

Asal

Kelas Prediksi

(29)

17 Percobaan terakhir dengan menggunakan hidden neuron sebesar 30. Hasil akurasi yang didapatkan sebesar 73.33%. Hal ini berarti akurasi kembali mengalami penuruan dari percobaan sebelumnya. Pada percobaan ini Jati Super dapat teridentifikasi dengan baik sebesar 95%. Jati Biotrop dan Emas masing-masing teridentifikasi dengan baik sebesar 75%. Jati Biotrop dapat dikenali sebagai Jati Emas, Prima dan Super sedangkan Jati Emas hanya dapat teridentifikasi sebagai Jati Prima. Untuk Jati Jobika dan Muna masing-masing dapat teridentifikasi sebagai Jati Prima dan Super. Sedangkan untuk Jati Prima dapat teridentifikasi sebagai Jati Biotrop dan Emas. Percobaan terakhir terlihat pada Tabel 12.

Asal

Kelas Prediksi

Berdasarkan percobaan yang telah dilakukan, hidden neuron 17 menghasilkan nilai rata-rata akurasi terbaik yaitu sebesar 84.17%. Tabel 13 merupakah hasil akurasi dari setiap percobaan berdasarakan hidden neuron yang digunakan.

Tabel 13 Hasil nilai rata-rata akurasi terbaik berdasarkan hidden neuron Hidden

neuron 3 5 8 10 15 17 18 20 30

Akurasi

(%) 65,00 71,67 78,33 78,33 79,17 84,17 81,67 79,17 73,33

Untuk mempermudah melihat masing-masing hasil akurasi setiap percobaan, dibuat sebuah grafik berdasarkan hidden neuron. Gambar 11 menggambarkan kinerja dari setiap hidden neuron yaitu 3, 5, 8, 10, 15, 17, 18, 20 dan 30 yang direpresentasikan dalam bentuk grafik. Pada gambar tersebut terlihat bahwa dari hidden neuron 3 sebesar 65%, hasil akurasi terus mengalami peningkatan sampai di hidden neuron 17 sebesar 84.17%. Tetapi hasil akurasi mengalami penurunan pada saat hidden neuron 18 yaitu menjadi 81.67%. Hasil akurasi terus mengalami penurunan di hidden neuron 20 dan 30. Hal ini dapat diambil kesimpulan bahwa hidden neuron sangatlah berpengaruh terhadap hasil akurasi pada JST, akan tetapi semakin tinggi hidden neuron yang digunakan maka tidak selalu menambah hasil akurasi.

(30)

18

Gambar 11 Grafik nilai rata-rata akurasi terbaik pada percobaan II (dua) Selanjutnya dibuat grafik dalam bentuk boxplot untuk setiap fitur ciri morfologi daun dengan tujuan untuk melihat perbandingan variasi atau distribusi antar kelas jenis Jati. Gambar 12 merupakan boxplot untuk fitur area daun sedangkan untuk 16 fitur lainnya tercatum pada Lampiran 8. Karena bentuk boxplot untuk kelas 1 (Jati Biotrop) cukup tinggi, maka bisa dikatakan bahwa data pada kelas ini cukup menyebar. Untuk kelas 2 (Jati Emas) data sedikit menyebar karena bentuk boxplot-nya yang sedikit pendek. Data Jenis Jati yang cukup menyebar adalah Jati Biotrop, Jobika, Muna dan Prima.

Gambar 12 Boxplot untuk fitur area daun

65.00 71.67 78.33 78.33 79.17 84.17 81.67 79.17 73.33 0 10 20 30 40 50 60 70 80 90 100 3 5 8 10 15 17 18 20 30 P er se n tase (% ) Hidden Neuron

(31)

19

SIMPULAN DAN SARAN

Simpulan

Berdasarkan hasil penelitian yang telah dilakukan dapat ambil kesimpulan sebagai berikut:

1 JST Backpropagation dapat diimplementasikan dalam pengenalan daun tanaman Jati menggunakan ekstraksi fitur ciri morfologi daun.

2 Klasifikasi Jaringan Saraf Tiruan Backpropagation dengan hidden neuron 17 menghasilkan hasil akurasi paling baik dibandingkan dengan hidden neuron yang lain.

3 Nilai akurasi maksimal yang dicapai adalah 84.17%.

Saran

Saran untuk pengembangan selanjutnya adalah:

1 Melakukan percobaan dengan memisahkan fitur dasar dan fitur turunan. 2 Melakukan segmentasi secara otomatis pada saat praproses citra.

3 Membuat aplikasi berbasis mobile.

DAFTAR PUSTAKA

Al-Khairi. 2008. Keragaman Genetik Jati Rakyat di Jawa Berdasarkan Penanda Random Amplified Polymorphic DNA (RAPD) [skripsi]. Bogor (ID): Institut Pertanian Bogor.

Asanurjaya Bangun. 2012. Identifikasi Daun Tanaman Jati Menggunakan Probabilistic Neural Network dengan ekstraksi fitur ciri morfologi daun [skripsi]. Bogor (ID): Institut Pertanian Bogor.

Fausett Laurence. 1994. Fundamentals of Neural Network, Architecture, Algoritm and Application. Printice-Hall, Inc. London.

Han J, Kamber M. 2001. Data Mining Concepts & Techniques. San Francisco: Academic Press.

Hardelina R. 2007. Klasifikasi Buah Melon Berjaring Menggunakan Jaringan Saraf Tiruan Propagasi Balik Resilient [skripsi]. Bogor (ID): Institut Pertanian Bogor.

Palupi E. R. 2006. Genetic, Biotic, and Physiological Factors in Seed Production of Teak (Tectona grandis L.f.): A case study in clonal seed orchard in East Java. [Disertasi]. Bogor (ID): Institut Pertanian Bogor.

Puspitasari Dewi. 2011. Identifikasi Jenis Shorea Menggunakan Jaringan Saraf Tiruan Propagasi balik Berdasarkan Karakteristik Morfologi Daun [skripsi]. Bogor (ID): Institut Pertanian Bogor.

Tan Pang-Ning, et al. 2006. Introduction to Data Mining. Boston: Pearson Education,Inc.

Wu S. G., et al. 2007. A Leaf Recognition Algorithm for Plant Using Probabilistic Neural Network. China (CN) : Chinese Academy Science.

(32)

20

Lampiran 1 Algoritme jaringan saraf tiruan

Langkah 0 : Inisialisasi nilai bobot dengan nilai acak yang kecil.

Langkah 1 : Selama kondisi berhenti masih tidak terpenuhi, laksanakan langkah 2 sampai 9.

Langkah 2 : Untuk tiap pasangan pelatihan, kerjakan langkah 3 sampai 8. Langkah 3 : Un uk ap un npu X , = ,…,n) menerima sinyal input xi dan

menyebarkan sinyal itu keseluruh unit pada lapis atasnya (lapis tersembunyi)

Langkah 4 : Untuk tiap unit tersembunyi (Zj, j= ,…,p) dihitung nilai input dengan menggunakan nilai bobotnya :

 Kemudian dihitung nilai output dengan menggunakan fungsi aktivasi yang dipilih : zj = f ( z_inj )

 Hasil fungsi tersebut dikirim ke semua unit pada lapis di atasnya Langkah 5 : Untuk tiap unit output (Yk, k=1,..,m) dihitung nilai input dengan

menggunakan nilai bobot-nya :

 Kemudian dihitung nilai output dengan menggunakan fungsi aktivasi :

Langkah 6 : Untuk tiap unit output (Yk, k=1,..,m) menerim pola target yang bersesuaian dengan pola input, dan kemudian dihitung informasi kesalahan :

 Kemudian dihitung koreksi nilai bobot yang kemudian akan digunakan untuk memperbaharui nilai bobot wjk. :

 Hitung koreksi nilai bias yang kemudian akan digunakan untuk memperbaharui nilai w0k :

kemudian nilai dikirim ke unit pada lapis sebelumnya

Langkah 7 : Untuk tiap unit tersembunyi (Zj, j=1,…,p) dihitung delta input yang berasal dari unit pada lapis di atasnya :

z in

_j _j

x

_{i ij} i n

_











₀



1

y in

_k

w

_k

z w

_j _jk j p

_









0 1

y

k



f

( _

y

in

k

)



_k



(

t

_k



y f y in

_k

) ( _

' _k

)



w

_jk





_k

z

_j



w

₀_k





_k



_ in

_j



_k

w

_jk k m





1

(33)

21 Lampiran 1 Algoritme jaringan saraf tiruan

 Kemudian nilai tersebut dikalikan dengan nilai turunan dari fungsi aktivasi untuk menghitung informasi kesalahan :

 Hitung koreksi nilai bobot yang kemudian digunakan untuk memperbaharui nilai :

 dan hitung nilai koreksi bias yang kemudian digunakan untuk memperbaharui :

Langkah 8 : Tiap nilai bias dan bobot (j=0,..,p) pada unit output (Yk, k=1,..,m) diperbaharui :

Langkah 9 : Menguji apakah kondisi berhenti sudah terpenuhi. Kondisi berhenti ini terpenuhi jika nilai kesalahan yang dihasilkan lebih kecil dari nilai kesalahan referensi atau training telah mencapai epoh yang ditetapkan.

 

_j



_

in f z in

_j '

( _

_j

)





_ij





_j

x

_i





_oj





_j

w

_jk

(

new

)



w

_jk

(

old

)

 

w

_jk



_ij

(

new

)





_ij

(

old

)

 



_ij

(34)

22

Lampiran 2 Algoritme pelatihan Levenberg-Marquardt Langkah 0:

 Inisialisasi bobot awal dengan bilangan acak kecil

 Inisialisasi epoch , MSE ≠

 Tetapkan maksimum epoch, parameter Levenberg-Marquardt ( > 0), faktor  dan target error

Langkah 1:

Jika kondisi penghentian belum terpenuhi (epoch < maksimum epoch atau MSE > target error), lakukan langkah berikutnya.

Langkah 2:

 Epoch = epoch + 1

 Untuk setiap pasangan data pelatihan, lakukan langkah 3 Langkah 3:

Unit output Y menerima target pola yang berhubungan dengan pola input pelatihan. Jika diberikan N pasangan input data pelatihan (xr, tr), r = 1, 2, ..., N, dengan xn adalah input dan tr adalah target yang akan dicapai. Kesalahan pada suatu data pelatihan ke-r didefinisikan sebagai:

er = tr – yr

dengan:

er : kesalahan pada unit output

tr : keluaran yang diinginkan (acuan / target) yr : keluaran aktual

e adalah vektor kesalahan berukuran Nx1 yang tersusun dari er, r = 1, 2, ..., N. Nilai e dapat dituliskan sebagai:

e = [ e1 e2 ... eN ]T

Misal bobot dan bias koneksi dinyatakan dalam vektor w, w dapat dituliskan sebagai:

w = [ wj b2 vij b1ij ]T

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

er(w) = ( tr – yr )

= ( tr – f ( xr, w ))

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

Hitung fungsi jumlah kuadrat error dengan persamaan: E(w) = eT(w) e(w)

(35)

23 Lampiran 2 Algoritme pelatihan Levenberg-Marquardt

Hitung matriks Jacobian untuk vektor bobot dan bias koneksi: J(w) =

[

]

Untuk r = 1, 2, ..., N

a. Hitung matriks Hessian untuk vektor bobot dan bias koneksi. H(w) = [ JT(w) J(w) + I ]

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

∆w = - [ [H(w)]-1

JT(w) e(w) ] c. Hitung vektor bobot dan bias baru.

w(baru) = w lama + ∆w

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

E(w(baru)) = e(w(baru))T e(w(baru)) e. Bandingkan E(w) dengan E(w(baru)).

 Jika E(w) <= E(w(baru)), didapatkan nilai dan kembali ke langkah a.

 Jika E(w) > E (w(baru)), didapatkan Kembali ke langkah 2.

(36)

24

Lampiran 4 Hasil perhitungan morfologi setelah dilakukan normalisasi

Lampiran 5 Hasil akurasi untuk masing-masing fold pada percobaan I (satu) Hidden Neuron fold _Rata-rata akurasi 1 2 3 4 5 3 70.83 % 58.33 % 70.83 % 58.33 % 50.00 % _{61.66 %} 5 79.17 % 66.67 % 75.00 % 58.33 % 66.67 % _{69.17 %} 8 79.17 % 66.67 % 79.17 % 58.33 % 66.67 % _{70.00 %} 10 79.17 % 62.50 % 75.00 % 66.67 % 66.67 % _{70.00 %} 15 79.17 % 70.83 % 83.33 % 62.50 % 70.83 % _{73.33 %} 17 83.33 % 75.00 % 83.33 % 70.83 % 79.17 % _{78.33 %} 18 83.33 % 70.83 % 79.17 % 66.67 % 70.83 % _{74.17 %} 20 79.17 % 75.00 % 83.33 % 62.50 % 66.67 % _{73.33 %} 30 75.00 % 70.83 % 79.17 % 62.50 % 70.83 % _{71.67 %}

(37)

25 Lampiran 6 Nilai akurasi setiap jenis jati

Fold

Hidden Neuron

Akurasi Kelas Akurasi

rata-rata epoch 1 2 3 4 5 6 1 3 100% 100% 75% 100% 0% 50% 70.83% 15 2 3 50% 100% 75% 50% 0% 100% 62.50% 13 3 3 100% 100% 50% 75% 0% 75% 66.67% 15 4 3 75% 0% 25% 25% 100% 100% 54.17% 19 5 3 75% 75% 75% 50% 50% 100% 70.83% 13 1 5 100% 100% 50% 50% 75% 100% 79.17% 12 2 5 75% 100% 100% 25% 25% 100% 70.83% 15 3 5 100% 75% 25% 75% 100% 50% 70.83% 17 4 5 75% 75% 25% 50% 75% 75% 62.50% 17 5 5 50% 75% 75% 100% 50% 100% 75.00% 20 1 8 100% 75% 100% 75% 75% 75% 83.33% 15 2 8 75% 75% 100% 25% 75% 100% 75.00% 42 3 8 100% 100% 75% 75% 50% 75% 79.17% 12 4 8 75% 75% 25% 100% 100% 50% 70.83% 20 5 8 75% 100% 100% 100% 25% 100% 83.33% 17 1 10 75% 100% 100% 50% 50% 75% 75.00% 14 2 10 75% 100% 75% 75% 50% 100% 79.17% 14 3 10 100% 75% 75% 75% 100% 75% 83.33% 15 4 10 50% 50% 50% 100% 50% 100% 66.67% 13 5 10 75% 100% 75% 100% 75% 100% 87.50% 22 1 15 100% 75% 100% 75% 75% 75% 83.33% 12 2 15 75% 75% 100% 75% 75% 100% 83.33% 14 3 15 100% 50% 75% 75% 75% 100% 79.17% 12 4 15 100% 100% 50% 100% 25% 25% 66.67% 20 5 15 75% 75% 100% 100% 50% 100% 83.33% 15 1 17 100% 100% 75% 100% 75% 100% 91.67% 14 2 17 75% 100% 100% 75% 50% 100% 83.33% 16 3 17 100% 75% 50% 75% 100% 100% 83.33% 15 4 17 75% 100% 50% 100% 25% 100% 75.00% 13 5 17 75% 100% 75% 75% 100% 100% 87.50% 22 1 18 75% 100% 100% 75% 75% 100% 87.50% 15 2 18 75% 100% 75% 50% 75% 100% 79.17% 17 3 18 75% 75% 75% 100% 100% 100% 87.50% 20 4 18 75% 75% 50% 50% 75% 100% 70.83% 20 5 18 75% 100% 50% 75% 75% 100% 79.17% 17

(38)

26

Lampiran 6 Nilai akurasi setiap jenis Jati

Fold

Hidden Neuron

Akurasi Kelas Akurasi

rata-rata epoch 1 2 3 4 5 6 1 20 75% 75% 100% 50% 100% 100% 83.33% 14 2 20 50% 100% 100% 100% 50% 100% 83.33% 12 3 20 75% 50% 75% 100% 100% 75% 79.17% 15 4 20 50% 100% 25% 100% 75% 75% 70.83% 13 5 20 75% 100% 50% 75% 75% 100% 79.17% 22 1 30 75% 100% 50% 75% 100% 75% 79.17% 15 2 30 50% 75% 75% 75% 50% 100% 70.83% 15 3 30 100% 50% 50% 50% 75% 100% 70.83% 12 4 30 75% 50% 25% 100% 75% 100% 70.83% 20 5 30 75% 100% 25% 100% 50% 100% 75.00% 15

Lampiran 7 Hasil confusion matrix untuk masing-masing jenis Jati dengan fold 1

confusion matrix dengan hidden neuron 3

(39)

27 Lampiran 7 Hasil confusion matrix untuk masing-masing jenis Jati dengan fold 1

Lampiran 8 Boxplot untuk setiap fitur ciri morfologi daun

Fitur perimeter Fitur diameter

(40)

28

Lampiran 8 Boxplot untuk setiap fitur ciri morfologi daun

Fitur smooth factor Fitur aspect ratio

Fitur form factor Fitur rectangularity

(41)

29 Lampiran 8 Boxplot untuk setiap fitur ciri morfologi daun

Fitur perimeter ratio of physiological length and physiological width

Fitur Vein Feature 1

Fitur Vein Feature 2 Fitur Vein Feature 3

(42)

30

RIWAYAT HIDUP

Penulis dilahirkan di Cilacap, Jawa Tengah, pada tanggal 07 September 1986. Penulis merupakan anak ke sembilan dari pasangan (alm.)Wiryo Atmodjo dan Nafsiyah. Penulis mengenyam pendidikan di SD Negeri Bojong 5 Kawunganten pada tahun 1994-2000, SLTPN 1 Kawunganten Cilacap pada 2000-2003 serta SMA Negeri 3 Kota Cilacap pada tahun 2000-2003-2006. Selanjutnya, penulis melanjutkan studi diploma pada program studi Teknik Komputer Institut Pertanian Bogor dan lulus pada tahun 2009. Pada tahun 2010, penulis diterima di program Alih Jenis Ilmu Komputer Institut Pertanian Bogor.