IDENTIFIKASI FREYCINETIA BERBASIS CITRA ANATOMI … · Ciri anatomi epidermis daun dapat mendukung ciri morfologi dalam proses identifikasi ... stomata pada epidermis daun, dan menghitung

IDENTIFIKASI FREYCINETIA BERBASIS CITRA ANATOMI

EPIDERMIS DAUN MENGGUNAKAN K-NEAREST NEIGHBOR

PUTRI PREVIA YANTI

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2012

IDENTIFIKASI FREYCINETIA BERBASIS CITRA ANATOMI

EPIDERMIS DAUN MENGGUNAKAN K-NEAREST NEIGHBOR

PUTRI PREVIA YANTI

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

ABSTRACT

PUTRI PREVIA YANTI. Freycinetia Identification Based on Leaf Epidermis Anatomy Images Using

k-Nearest Neighbor. Supervised by AZIZ KUSTIYO.

Freycinetia identification was conducted to determine the potential values, benefits, and

distribution patterns as a biodiversity in Indonesia. The purpose of this research was to compare the

low frequency and high frequency in Freycinetia identification based on leaf epidermis anatomy

image by k-Nearest Neighbor (k-NN). Identification of Freycinetia can be described by using

morphology and anatomy characteristics. Leaf epidermis anatomy image was used in the

identification process to support the morphology characteristics, especially in speciment and sample

with incomplete morphology. This research analyzed ninety six data which contains four kinds of

Freycinetia, namely Freycinetia angustifolia, Freycinetia imbricata, Freycinetia javanica, and

Freycinetia Sumatrana. The data were transformed by Fourier transformation and filtered in frequency domain to take the low frequency of image and the high frequency of image. It was found

that the accuracy of k-NN with low frequency was 90.625% and that of the high frequency was

81.25%. These accuracy values indicated that in the identification of Freycinetia based on leaf

epidermis anatomy image by k-Nearest Neighbor (k-NN), the use of low frequency is better than high

frequency.

Keyword: fourier transformation, frequency domain, Freycinetia, k-nearest neighbor, leaf epidermis.

Penguji :

1. Annisa, S.Kom, M.Kom

2. Dr. Yeni Herdiyeni, S.Si, M.Kom

Judul Skripsi : Identifikasi Freycinetia Berbasis Citra Anatomi Epidermis Daun Menggunakan k-

Nearest Neighbor

Nama : Putri Previa Yanti

NRP : G64080018

Menyetujui:

Pembimbing

Aziz Kustiyo, S.Si, M.Kom

NIP.19700719 199802 1 001

Mengetahui:

Ketua Departemen Ilmu Komputer

Dr. Ir. Agus Buono, M.Si, M.Kom

NIP. 19660702 199302 1 001

Tanggal Lulus :

KATA PENGANTAR

Puji dan syukur penulis panjatkan ke hadirat Allah subhanahu wata’ala atas segala rahmat dan

karunia-Nya, sehingga penulis dapat menyelesaikan tugas akhir dengan baik. Shalawat dan salam

penulis sampaikan kepada Nabi Muhammad shallallahu ‘alaihi wasallam serta kepada keluarganya,

sahabatnya, serta para pengikutnya yang selalu berpegang kepada Al-Quran dan As-Sunnah. Penulis

juga menyampaikan terima kasih kepada seluruh pihak yang telah berperan dalam penelitian ini, yaitu:

1 Ayahanda Syofyan Nazar, Ibunda Miswati, Uni Fera Yanti, Uni Devy Wiri Yanti, dan Uni Fevy Tri Yanti atas doa, kasih sayang, dukungan, serta motivasi kepada penulis untuk

penyelesaian penelitian ini.

2 Bapak Aziz Kustiyo, S.Si, M.Kom selaku dosen pembimbing yang telah memberi banyak ide,

saran, bantuan, serta dukungan sampai selesainya penelitian ini.

3 Ibu Annisa, S.Kom, M.Kom dan Ibu Dr. Yeni Herdiyeni, S.Si, M.Kom yang telah bersedia

menjadi penguji.

4 Sahabat-sahabat terbaik penulis, Muti Relegi, Dyah Sulistyorini, Riva Aktivia, Ariel Febrila

Niswar, Ella Rahmadani, Dewi Nurafifah, dan Annieke Stevani yang telah menemani hari-hari

penulis sejak menjadi mahasiswa, semoga sukses untuk kita bersama.

5 Rekan-rekan satu bimbingan, Hariman Hidayat Siregar, Brenda Kristi, Muhammad Hamdani,

dan Wangi Saraswati, terima kasih atas bantuan dan dukungannya.

6 Dunsanak Ikatan Kekeluargaan Mahasiswa Payakumbuh (IKMP-Bogor) yang telah menjadi

keluarga baru bagi penulis.

7 Rekan-rekan seperjuangan di Ilmu Komputer IPB angkatan 45 atas segala kebersamaan,

bantuan, dukungan, serta kenangan bagi penulis selama menjalani masa studi.

Penulis berharap penelitian ini dapat memberikan manfaat bagi semua pihak yang

membutuhkan.

Bogor, September 2012

Putri Previa Yanti

RIWAYAT HIDUP

Penulis dilahirkan pada tanggal 31 Januari 1990 di Payakumbuh, Sumatera Barat. Penulis

merupakan anak keempat dari empat bersaudara dari pasangan Syofyan Nazar dan Miswati. Pada

tahun 2008, penulis lulus dari SMA Negeri 2 Payakumbuh. Pada tahun yang sama, penulis lulus

seleksi masuk IPB melalui jalur Undangan Seleksi Masuk IPB (USMI) dan diterima sebagai

mahasiswa pada Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam.

Selama aktif menjadi mahasiswa, penulis menjadi salah satu pengurus Himpunan Mahasiswa

Ilmu Komputer (Himalkom) pada tahun 2011. Penulis juga menjadi asisten praktikum pada Mata

Kuliah Data Mining (2012) dan Sistem Pakar (2012). Pada tahun 2011, penulis melaksanakan Praktik

Kerja Lapangan (PKL) di Bagian Biro Teknologi Informasi, Badan Pemeriksa Keuangan Republik

Indonesia (BPK RI).

v

DAFTAR ISI

Halaman DAFTAR TABEL ........................................................................................................................... vi

DAFTAR GAMBAR ...................................................................................................................... vi

DAFTAR LAMPIRAN ................................................................................................................... vi

PENDAHULUAN Latar Belakang ............................................................................................................................ 1 Tujuan ......................................................................................................................................... 1 Ruang Lingkup ............................................................................................................................ 1

TINJAUAN PUSTAKA Citra Digital................................................................................................................................. 2 Freycinetia .................................................................................................................................. 2 Epidermis Daun ........................................................................................................................... 2 Transformasi Wavelet .................................................................................................................. 3 Transformasi Fourier ................................................................................................................... 3 k-Nearest Neighbor (k-NN) .......................................................................................................... 4

METODE PENELITIAN Data Penelitian ............................................................................................................................ 5 Praproses ..................................................................................................................................... 5 Transformasi Wavelet .................................................................................................................. 5 Transformasi Fourier ................................................................................................................... 5 Pembagian Data ........................................................................................................................... 6 Klasifikasi Menggunakan k-Nearest Neighbor (k-NN) .................................................................. 6 Evaluasi Hasil Klasifikasi ............................................................................................................ 6 Lingkungan Pengembangan ......................................................................................................... 7

HASIL DAN PEMBAHASAN Percobaan 1: Identifikasi Freycinetia menggunakan low frequency ............................................... 7 Analisis Kesalahan Prediksi Percobaan 1 ..................................................................................... 8 Percobaan 2: Identifikasi Freycinetia menggunakan high frequency.............................................. 8 Analisis Kesalahan Prediksi Percobaan 2 ..................................................................................... 9 Perbandingan Low Pass Filter dan High Pass Filter .................................................................... 10

KESIMPULAN DAN SARAN Kesimpulan ............................................................................................................................... 11 Saran ......................................................................................................................................... 11

DAFTAR PUSTAKA .................................................................................................................... 11

LAMPIRAN .................................................................................................................................. 13

vi

DAFTAR TABEL

Halaman

1 Level dekomposisi wavelet .......................................................................................................... 5 2 Hasil klasifikasi menerapkan low frequency ................................................................................. 7 3 Confusion matrix untuk low pass filter dengan radius 5 piksel ...................................................... 7 4 Confusion matrix untuk low pass filter dengan radius 10 piksel .................................................... 7 5 Confusion matrix untuk low pass filter dengan radius 15 piksel .................................................... 8 6 Confusion matrix untuk low pass filter dengan radius 20 piksel .................................................... 8 7 Confusion matrix untuk low pass filter dengan radius 25 piksel .................................................... 8 8 Hasil klasifikasi menerapkan high frequency ................................................................................ 9 9 Confusion matrix untuk low pass filter dengan radius 5 piksel ...................................................... 9 10 Confusion matrix untuk low pass filter dengan radius 10 piksel .................................................... 9 11 Confusion matrix untuk low pass filter dengan radius 15 piksel .................................................... 9 12 Confusion matrix untuk low pass filter dengan radius 20 piksel .................................................... 9 13 Confusion matrix untuk low pass filter dengan radius 25 piksel .................................................... 9

DAFTAR GAMBAR Halaman

1 Fungsi koordinat sebagai representasi citra digital ........................................................................ 2 2 Citra anatomi stomata jenis Freycinetia angustifolia (Pasaribu 2010) ........................................... 3 3 Dekomposisi transformasi Wavelet Diskret 2 dimensi (McAndrew 2004) ..................................... 3 4 Metode penelitian ........................................................................................................................ 4 5 Citra RGB menjadi citra grayscale .............................................................................................. 5 6 Transformasi wavelet level 3 pada salah satu citra stomata Freycinetia angustifolia ..................... 5 7 Spektrum hasil transformasi Fourier ............................................................................................ 5 8 Filter low pass dengan radius 25 piksel ........................................................................................ 6 9 Filter high pass dengan radius 25 piksel ....................................................................................... 6 10 Akurasi klasifikasi ..................................................................................................................... 10

DAFTAR LAMPIRAN

Halaman

1 Citra anatomi stomata untuk data latih ........................................................................................ 14 2 Citra anatomi stomata untuk data uji ........................................................................................... 15 3 Spektrum hasil transformasi Fourier untuk setiap data latih ......................................................... 16 4 Spektrum hasil transformasi Fourier untuk setiap data uji ............................................................ 17 5 Contoh low frequency pada salah satu spektrum transformasi Fourier citra Kelas1 ....................... 18 6 Contoh high frequency pada salah satu spektrum transformasi Fourier citra Kelas1 ..................... 19

1

PENDAHULUAN

Latar Belakang

Freycinetia adalah tumbuhan yang

tergolong ke dalam famili Pandanaceae. Famili

ini terdiri atas empat genus, yaitu

Martillidendron, Pandanus, Freycinetia, dan

Sararanga. Genus Freycinetia memiliki

anggota sekitar 200 spesies yang tersebar mulai

dari Sri Langka, Asia Tenggara, hingga

Australia bagian utara dan Selandia Baru. Spesies dari genus ini hidup menempel pada

pohon inang yang umumnya merupakan

tumbuhan dikotil.

Freycinetia dikenal di Indonesia sebagai

pandan hutan. Di beberapa daerah, tumbuhan

ini dikenal dengan berbagai nama, seperti di

Sunda dengan nama lolo cacing, di Palembang

dikenal dengan nama rotan kubu, dan di Bangka

dikenal dengan nama kepah balehang. Akar

tumbuhan ini dapat digunakan untuk membuat

tambang berkualitas tinggi dan bahan pakaian kasar. Selain itu, tumbuhan ini juga digunakan

sebagai bahan makanan darurat.

Identifikasi Freycinetia biasanya dilakukan

untuk mengetahui nilai potensial, manfaat, dan

pola persebarannya sebagai salah satu kekayaan

hayati Indonesia. Identifikasi tumbuhan ini

dapat dilakukan dengan melihat aspek

morfologi dan aspek anatomi. Aspek morfologi

yang diteliti meliputi cara hidup, batang, daun,

bunga, dan kelopak. Dari aspek morfologi

tersebut, dapat diperoleh aspek anatomi yang

meliputi jaringan epidermis, stomata, sklerenkim, jaringan hipodermis, dan mesofil.

Ciri anatomi epidermis daun dapat mendukung

ciri morfologi dalam proses identifikasi

tumbuhan, khususnya pada kasus spesimen

yang memiliki ciri morfologi kurang lengkap.

Penelitian menggunakan ciri anatomi

epidermis daun dan stomata sebagai data

pendukung identifikasi Freycinetia telah

dilakukan menggunakan ukuran stomata,

frekuensi stomata, dan indeks stomata pada

jenis Freycinetia di Sumatera (Pasaribu 2010). Penelitian lain menggunakan ciri anatomi

tersebut untuk menganalisis jenis, yaitu untuk

menganalisis jenis pisang (Damayanti 2007)

dan untuk menganalisis jenis salak (Haryanto

2010).

Identifikasi Freycinetia menggunakan ciri

epidermis daun dan stomata yang dilakukan

Pasaribu (2010) memerlukan ketelitian,

pengalaman, dan waktu yang cukup lama untuk

keakuratan data karena dilakukan dengan

mengukur stomata, menghitung frekuensi

stomata pada epidermis daun, dan menghitung

indeks stomata secara manual. Oleh karena itu,

dibutuhkan suatu teknik yang dapat memudahkan identifikasi Freycinetia, yaitu

berbasis citra anatomi epidermis daun.

Penelitian ini menggunakan gabungan

teknik ekstraksi fitur Transformasi Wavelet dan

Transformasi Fourier. Pada Transformasi

Fourier, dilakukan perbandingan spektrum

frekuensi rendah (low frequency) dengan

spektrum frekuensi tinggi (high frequency).

Penelitian terkait ektraksi fitur telah dilakukan

pada citra wajah menggunakan Transformasi

Wavelet (Cahyaningtias 2007) dan

Transformasi Fourier (Ashr 2011) dengan tingkat akurasi masing-masing 100%.

Teknik klasifikasi yang digunakan untuk

identifikasi pada penelitian ini ialah k-Nearest

Neighbor (k-NN). Penelitian menggunakan k-

NN telah dilakukan untuk identifikasi Shorea

berdasarkan karakteristik morfologi daun

(Nurjayanti 2011) yang menghasilkan akurasi

100%. K-NN merupakan sebuah teknik yang

mampu mengelompokkan data uji ke dalam

kelas label dengan mencari data latih yang

relatif sama dengan data uji (Han et al. 2011).

Penelitian mengenai identifikasi Freycinetia

berbasis citra telah dilakukan oleh Qur’ania

(2012). Data yang digunakan pada penelitian

tersebut ialah data citra anatomi epidermis

daun dan stomata tumbuhan Freycinetia yang

diperoleh dari Pasaribu (2010). Klasifikasi

dilakukan menggunakan k-Nearest Neighbor (k-

NN) dan Jaringan Syaraf Tiruan (JST) dengan

dua ekstraksi fitur, yaitu ekstraksi fitur RGB

dan analisis tekstur, serta ekstraksi fitur

dekomposisi Wavelet (w-entropy). Akurasi

yang dihasilkan k-NN dan JST masing-masing sebesar 84.46% dan 94.79% untuk ekstraksi

fitur RGB dan analisis tekstur, serta 96.88% dan

99% untuk ekstraksi fitur dekomposisi Wavelet.

Tujuan

Tujuan penelitian ini ialah membandingkan

penggunaan low frequency dan high frequency

pada pengenalan tumbuhan Freycinetia

berdasarkan citra anatomi epidermis daun.

Ruang Lingkup

Beberapa hal yang menjadi ruang lingkup

penelitian ini yaitu:

1 Data yang digunakan berupa data citra

anatomi epidermis daun tumbuhan

Freycinetia yang diperoleh dari disertasi

Pasaribu (2010) yang terdiri dari kelas

Freycinetia angustifolia, Freycinetia

2

imbricata, Freycinetia javanica, dan

Freycinetia Sumatrana.

2 Ekstraksi fitur menggunakan Transformasi

Fourier dengan Transformasi Wavelet Haar

sebagai pereduksi matriks citra.

TINJAUAN PUSTAKA

Citra Digital

Citra didefinisikan sebagai sebuah fungsi

f(x,y), dengan x dan y adalah koordinat spasial

dan amplitudo dari f merupakan pasangan

koordinat (x,y) yang disebut gray level. Citra digital merupakan sebuah fungsi f(x,y) yang

bernilai diskret dan terbatas. Citra mempunyai

elemen yang sering dikenal sebagai picture

elements, image elements, pels, dan pixel. Pixel

merupakan istilah yang paling sering digunakan

untuk menunjukkan elemen citra (Gonzalez &

Woods 2002).

Fungsi f(x,y) direpresentasikan dalam fungsi

koordinat berukuran MxN, dengan M

menunjukkan baris dan N menunjukkan kolom

seperti ditunjukkan pada Gambar 1.

Gambar 1 Fungsi koordinat sebagai representasi citra digital.

Freycinetia

Freycinetia adalah salah satu genus dari

famili tumbuhan Pandanaceae yang banyak

ditemukan di Indonesia. Freycinetia tergolong

tumbuhan monokotil. Tumbuhan ini lebih

sedikit dimanfaatkan karena bentuknya berupa

liana berkayu sehingga tidak terlalu dikenal

masyarakat. Di beberapa daerah, akarnya

dimanfaatkan untuk membuat tambang

berkualitas tinggi dan pakaian kasar.

Beberapa Freycinetia tumbuh dengan

diameter batang mencapai 6-7 cm, panjang

daun 150 cm, dan lebar daun 10 cm. Ciri

morfologi tumbuhan ini ialah daun yang

sederhana berbentuk panjang dan menirus,

beberapa ada yang menjorong sampai

membundar telur. Tepi daun dan tulang daun

bergerigi. Helai daun diperluas dengan adanya

sepasang aurikel. Perbungaan terbentuk di

terminal dan beberapa lateral. Freycinetia

banyak ditemukan tumbuh memanjat di pohon-

pohon dikotil sebagai pohon inangnya (Pasaribu 2010).

Penelitian ini menggunakan empat jenis

Freycinetia, yaitu:

1 Freycinetia angustifolia

Spesies ini tumbuh di pohon dengan

ketinggian mencapai 10 meter. Panjang ruas

spesies ini sekitar 4-18 mm dengan diameter

2-5 mm. Daun memanjang, tersusun

melingkar dan tidak saling tumpang tindih. Aurikel mudah patah dan berserat halus.

Kelopak bunga berwarna kuning gelap

hingga kuning muda. Spesies ini tersebar di

daerah rawa dan hutan Bukit Barisan pada

ketinggian 500-1000 mdpl (Pasaribu 2010).

2 Freycinetia imbricata

Tumbuhan jenis ini bisa tumbuh pada pohon

dengan ketinggian mencapai 4 meter. Ruas

tumbuhan ini memiliki panjang sekitar 3-15

mm dan diameter 5-12 mm. Susunan daun

tidak terlalu rapat dengan ukuran 13-31x0.5-2.3 cm. Aurikel keras, transparan, dan

berlekuk. Bentuk bunga saling bersambung

dengan kelopak 6-8 dan berwarna

kekuning-kuningan hingga kehijau-hijuan.

Habitatnya luas di Sumatera pada daerah

dengan ketinggian 15-1450 mdpl (Pasaribu

2010).

3 Freycinetia javanica

Tumbuhan jenis ini tumbuh memanjat

hingga ketinggian 10 m. Tumbuhan ini

memiliki ruas dengan panjang 8-50 mm dan

diameter 6-16 mm. Daun tersusun melingkar serta memiliki lapisan lilin yang tebal pada

permukaan yang lebih rendah dan bagian

tepi daun pada permukaan atas. Aurikel

terdapat pada bagian atas daun. Daerah

persebaran jenis ini cukup luas di Sumatera

pada daerah dengan ketinggian 10-1950

mdpl (Pasaribu 2010).

4 Freycinetia Sumatrana

Spesies ini tumbuh memanjat hingga

ketinggian 20 m. Tumbuhan ini memiliki

ruas dengan panjang 8-29 mm dan diameter 6-12 mm. Daun memanjang yang tersusun

sangat rapat dan ada yang saling tumpang

tindih. Tumbuhan jenis ini tersebar di

Sumatera pada daerah hutan dan rawa

dengan ketinggian 60-1600 mdpl (Pasaribu

2010).

Epidermis Daun

Epidermis adalah sistem sel yang struktur

dan fungsinya bervariasi dan menutupi tubuh

tumbuhan. Lapisan epidermis ini berhubungan

dengan lingkungan luar. Pada lapisan ini

terdapat bahan lemak dan kutikula untuk membatasi penguapan sehingga dinding terluar

3

tumbuhan menjadi keras. Selain itu, terdapat

sel-sel bentuk modifikasi dari epidermis yang

disebut derifat, seperti stomata dan trikoma.

Stomata adalah celah yang diapit oleh dua

sel epidermis khusus yang disebut sel penutup.

Sel penutup tersebut dikelilingi oleh beberapa sel tetangga. Sel penutup dapat membuka dan

menutup untuk menjaga kadar air dalam

tumbuhan, sedangkan sel penjaga berperan

dalam pergerakan sel penutup. Stomata terdapat

pada seluruh bagian tumbuhan, tetapi lebih

banyak ditemukan pada daun. Tipe dan

distribusi stomata pada daun sangat bervariasi,

bergantung pada kecepatan dan intensitas

transpirasi serta habitat tumbuhan tersebut

(Haryanti 2010). Contoh citra epidermis daun

ditunjukkan pada Gambar 2.

Transformasi Wavelet

Wave merupakan sebuah fungsi yang

berosilasi terhadap waktu (time) dan ruang

(space), seperti fungsi sinusoid. Sebuah wavelet didefinisikan sebagai sebuah “small wave”

yang energinya terpusat pada waktu atau titik

tertentu. Wavelet tidak hanya memiliki

gelombang yang berosilasi terhadap waktu,

tetapi juga mampu memberikan waktu simultan

dan analisis frekuensi dengan matematika.

Basis wavelet berasal dari sebuah fungsi

scaling yang dapat dituliskan dengan persamaan

berikut:

h n

n n

dengan h n adalah koefisien fungsi wavelet

dan adalah vektor wavelet (Gonzalez &

Woods 2002).

Wavelet akan membagi citra ke dalam

sejumlah sub-sub bidang yang dinotasikan

dengan LL, HL, LH, dan HH seperti

ditunjukkan oleh Gambar 3. Bidang LL (low-

low pass filter) menunjukkan koefisien

aproksimasi citra asli, bidang HL (high-low pass filter) dan LH (low-high pass filter)

menunjukkan perubahan citra pada arah

horizontal dan vertikal, dan bidang HH (high-

high pass filter) menunjukkan komponen

frekuensi tinggi pada citra. Semakin tinggi level

dekomposisi, ukuran piksel citra hasil

dekomposisi akan semakin kecil. Panjang dan lebar citra akan menjadi setengah dari

sebelumnya, sehingga ukuran citra menjadi

seperempat dari sebelumnya.

Discrete Wavelet Transform (DWT) 2

dimensi untuk citra dengan ukuran

dapat ditunjukkan oleh persamaan berikut

(Gonzales & Woods 2002):

m n

m n

l m n

m nl

dengan l . Notasi menunjukkan

skala yang berubah-ubah dan m n

merupakan koefisien aproksimasi dari pada skala

, sedangkan m n

merupakan koefisien perubahan detail citra

pada arah horizontal, vertikal, dan diagonal

untuk skala .

Transformasi Fourier

Transformasi fourier merupakan bagian

penting dalam pemrosesan citra. Transformasi

fourier lebih efisien digunakan pada spatial

filter untuk filter yang besar. Selain itu,

transformasi fourier juga memungkinkan

dilakukan pemrosesan citra pada domain

frekuensi. Dengan menerapkan transformasi

fourier, low pass filter dan high pass filter akan

menghasilkan nilai presisi yang besar

(McAndrew 2004).

Gambar 2 Citra anatomi stomata jenis

Freycinetia angustifolia (Pasaribu

2010 ).

Gambar 3 Dekomposisi transformasi wavelet

diskret 2 dimensi (McAndrew

2004).

HL1

LH1 HH1

LH2 HH2

HL2

LH3 HH3

HL3 LL3

4

Gambar 4 Metode penelitian.

Untuk citra dengan ukuran ,

Discrete Fourier Transform (DFT) dua dimensi

dapat diterapkan menggunakan persamaan

berikut (Gonzalez & Woods 2002) :

u v

e

u

v

Low pass filter dikenal juga dengan nama

blurring atau smoothing filter. Teknik ini

dilakukan pada domain frekuensi dengan

menghilangkan kisaran nilai yang berfrekuensi

tinggi sehingga menghasilkan citra yang kabur.

Beberapa low pass filter ialah ideal low pass

filter, Butterworth low pass filter, dan Gaussian low pass filter (Gonzales & Woods 2002).

High pass filter disebut juga sharpening

filter. Teknik ini dilakukan pada domain

frekuensi dengan menghilangkan nilai yang

berfrekuensi rendah tanpa mengganggu nilai

yang berfrekuensi tinggi sehingga citra yang

dihasilkan lebih tajam. Beberapa high pass filter

ialah ideal high pass filter, Butterworth high

pass filter, dan Gaussian high pass filter

(Gonzales & Woods 2002).

k-Nearest Neighbor (k-NN)

k-Nearest Neighbor (k-NN) merupakan

salah satu teknik klasifikasi yang berbasis

pembelajaran. k-NN membandingkan data uji

yang diberikan dengan data latih yang sama.

Setiap data merepresentasikan sebuah titik

dalam kelas. Data latih disimpan dalam kelas

yang telah ditentukan. Ketika diberikan data

yang tidak diketahui kelasnya, k-NN akan

mencari pola sebanyak k data latih yang dekat

dengan data yang belum memiliki kelas (Han et

al. 2011).

Kedekatan biasanya didefinisikan sebagai sebuah fungsi jarak antara dua data. Fungsi

jarak yang umumnya digunakan ialah jarak

Euclidean karena fungsinya sederhana, cukup

dengan menghitung kuadrat jarak dari dua data

yang akan dihitung jaraknya. Misalkan terdapat

dua data, yaitu n dan

n , maka jarak Euclidean-nya

adalah :

i i

n

i

METODE PENELITIAN

Penelitian ini dilakukan dengan beberapa

tahapan proses, yaitu pengumpulan data,

praproses, transformasi wavelet, transformasi

fourier, pembagian data, klasifikasi

menggunakan k-Nearest Neighbor (k-NN),

penghitungan akurasi, dan perbandingan

akurasi. Tahapan yang dilakukan diilustrasikan

pada Gambar 4.

Data

Citra

Mulai

Praproses

Transformasi

Fourier


High Pass

Filter

Filtering

Low Pass

Filter

Selesai

Perbandingan Akurasi

Pengenalan

Tumbuhan

Data

Latih

Data

Uji

Klasifikasi K-

NN

Penghitungan Akurasi

Pengenalan

Tumbuhan

Data

Latih

Data

Uji

Klasifikasi K-

NN

Penghitungan Akurasi

5

Data Penelitian

Data yang digunakan pada penelitian ini

ialah data citra anatomi epidermis daun dan

stomata Freycinetia dengan ukuran 640x480

piksel. Data diperoleh dari disertasi Pasaribu

(2010) yang terdiri atas empat kelas, yaitu Freycinetia. angustifolia, Freycinetia imbricata,

Freycinetia javanica, dan Freycinetia

Sumatrana. Masing-masing kelas terdiri atas 24

data citra. Citra anatomi epidermis daun yang

digunakan pada penelitian ini dapat dilihat pada

Lampiran 1 dan Lampiran 2. Penelitian ini

dilakukan tanpa adanya perbaikan citra.

Praproses

Praproses yang akan dilakukan pada

penelitian ini ialah mengubah mode warna citra

yang pada awalnya RGB menjadi citra grayscale. Grayscale digunakan untuk

menyederhanakan model citra. Fungsi format

ini adalah untuk memudahkan proses

selanjutnya karena jika menggunakan RGB,

nilai yang dihasilkan akan beragam. Perubahan

data ini ditunjukkan oleh Gambar 5.


Transfromasi Wavelet dilakukan untuk

mereduksi matriks citra. Transformasi ini

menghasilkan energi citra yang terkonsentrasi

pada sebagian kecil koefisien transformasi dan

kelompok lain yang mengandung sedikit energi.

Wavelet membagi citra ke dalam sejumlah sub-

sub bidang yang dinotasikan dengan LL, HL,

LH, dan HH. Bidang LL merupakan bagian

citra yang digunakan untuk tahapan selanjutnya,

karena bagian ini menyimpan lebih banyak informasi citra. Gambar 6 menunjukkan

transformasi wavelet yang dilakukan terhadap

salah satu citra.

Pada penelitian ini dilakukan transformasi

wavelet hingga level 3 seperti yang ditampilkan

pada Tabel 1. Citra yang digunakan pada

tahapan selanjutnya merupakan bidang LL hasil

dekomposisi wavelet level 3 dengan ukuran

80x60 piksel.

Tabel 1 Level dekomposisi wavelet

Level dekomposisi

wavelet

Ukuran citra

(piksel)

Citra asli 640 x 320

Level 1 320 x 240

Level 2 160 x 120

Level 3 80 x 60

Transformasi Fourier

Transformasi fourier dilakukan terhadap

koefisien aproksimasi hasil transformasi

wavelet level 3. Pada transformasi ini dilakukan

perubahan citra dari domain spasial ke domain

frekuensi. Hasilnya ialah sebuah matriks yang

telah digeser sehingga koefisien DC-nya berada

di pusat matriks. Hasil ini berupa spektrum dari

data yang nantinya akan digunakan dalam klasifikasi. Hasil transformasi fourier untuk

setiap data dapat dilihat pada Lampiran 3 dan

Lampiran 4. Salah satu contoh bentuk spektrum

yang dihasilkan ditunjukkan oleh Gambar 7.

Setelah itu diterapkan low pass filter dan

high pass filter. Low pass filter diterapkan untuk mengetahui pengaruh low frequency,

sedangkan high pass filter diterapkan untuk

mengetahui pengaruh high frequency.

Transformasi ini dilakukan pada semua data

dengan ukuran circle matrix pada filtering yang

berbeda untuk setiap percobaan. Penerapan low

frequency dan high frequency pada citra dapat

dilihat pada Lampiran 5 dan Lampiran 6.

Gambar 5 Perubahan citra RGB menjadi citra

grayscale.

Gambar 6 Transformasi wavelet level 3 pada

salah satu citra stomata Freycinetia

angustifolia.

Gambar 7 Spektrum hasil transformasi fourier.

6

Pada low pass filter, misalkan ada matriks

hasil transformasi fourier F, kemudian

dilakukan pergeseran sehingga koefisien DC

berada di pusat matriks. Low pass filter

dilakukan dengan mengalikan matriks tersebut

dengan sebuah matriks sehingga nilai di pusat matriks dipertahankan dan nilai lainnya dibuang

atau diminimalkan. Matriks yang digunakan

dalam perkalian matriks ialah ideal low pass

matrix, yaitu sebuah matriks biner m yang

didefinisikan sebagai (McAndrew 2004) :

m

ika dekat ke usat dari

ika auh ke usat dari

dengan D merupakan radius lingkaran matriks

filter low pass. Semakin besar nilai radius yang digunakan, citra yang dihasilkan akan semakin

halus dan kabur. Filter low pass ditunjukkan

oleh Gambar 8.

Pada high pass filter, cara kerja hampir

sama dengan low pass filter, tetapi high pass filter membuang nilai di pusat matriks dan

mempertahankan nilai lainnya. Matriks yang

digunakan ialah kebalikan dari low pass filter,

yaitu:

m

ika dekat ke usat dari

ika auh ke usat dari

dengan D merupakan radius lingkaran matriks

filter high pass. Semakin besar nilai radius yang

digunakan, citra yang dihasilkan akan semakin tajam dan detail citra akan semakin terlihat.

Filter high pass dapat ditunjukkan oleh Gambar

9.

Pembagian Data

Data pada setiap hasil filtering dibagi

menjadi data latih dan data uji. Data latih

digunakan untuk melakukan klasifikasi

menggunakan k-Nearest Neighbor (k-NN),

sedangkan data uji digunakan untuk melakukan pengujian klasifikasi. Dari total 24 data citra, 16

data digunakan sebagai data latih dan 8 data

digunakan sebagai data uji. Data latih dapat

dilihat pada Lampiran 1 dan data uji dapat

dilihat pada Lampiran 2.

Klasifikasi Menggunakan k-Nearest Neighbor

(k-NN)

Setelah dilakukan pembagian data, data latih

akan digunakan untuk membuat klasifikasi

menggunakan algoritme k-Nearest Neighbors

(k-NN). Konsep dasarnya ialah mencari jarak terdekat antara data yang akan dievaluasi

dengan k tetangga terdekatnya dalam data latih.

Berikut algoritme k-NN (Song et al. 2007):

1 Tentukan nilai k.

2 Hitung jarak data uji dengan setiap data

training menggunakan jarak Euclidean.

3 Urutkan jarak tersebut.

4 Dapatkan sebanyak k data yang memiliki

jarak terdekat.

5 Tentukan kelas untuk data uji.

Tahapan ini menghasilkan dua klasifikasi,

yaitu klasifikasi yang diperoleh dari data latih menggunakan low frequency dan yang

diperoleh dari data latih menggunakan high

frequency. Masing-masing klasifikasi tersebut

akan diuji menggunakan data uji sesuai dengan

filtering yang dilakukan sebelumnya.

Evaluasi Hasil Klasifikasi

k-NN dapat ditentukan kinerjanya dengan

menghitung besaran akurasi yang berhasil

diperoleh. Akurasi ditentukan dengan melihat

berapa banyak data pada suatu kelas yang

diklasifikasikan benar.

Akurasi dapat dihitung dengan persamaan

berikut :

kurasi

data u i benar diklasi ikasikan

data u i

Setelah perhitungan akurasi, tahapan

selanjutnya ialah membandingkan akurasi yang

diperoleh menggunakan klasifikasi dengan low

frequency dan klasifikasi dengan high

frequency. Tahap ini dilakukan untuk

menentukan frekuensi yang lebih baik

Gambar 8 Filter low pass dengan radius 25

piksel.

Gambar 9 Filter high pass dengan radius 25

piksel.

7

digunakan untuk klasifikasi tumbuhan

Freycinetia.

Lingkungan Pengembangan

Perangkat keras dan perangkat lunak yang

digunakan pada penelitian ini memiliki

spesifikasi sebagai berikut:

Perangkat keras:

Processor Intel® CoreTM 2 Duo.

Memory 2 GB.

Harddisk 250 GB.

Perangkat lunak:

Sistem operasi Microsoft Windows 7

Professional Service Pack 1 32-bit.

Matlab 7.7 (R2008b).

HASIL DAN PEMBAHASAN

Penelitian ini menggunakan 4 kelompok

citra anatomi epidermis daun. Masing-masing

kelompok terdiri atas 24 citra. Keempat

kelompok tersebut selanjutnya disebut kelas.

Kelas 1 merupakan kelompok tumbuhan

Freycinetia angustifolia, kelas 2 merupakan

kelompok tumbuhan Freycinetia imbricata, kelas 3 merupakan kelompok tumbuhan

Freycinetia javanica, dan kelas 4 merupakan

kelompok tumbuhan Freycinetia Sumatrana.

Tahapan selanjutnya ialah Transformasi

Wavelet hingga level 3, dan dilanjutkan dengan

Transformasi Fourier. Setelah itu dilakukan

filtering dengan dua percobaan terhadap hasil

transformasi fourier, yaitu low pass filter

sebagai percobaan 1 untuk mengambil spektrum

pada frekuensi rendah dan high pass filter

sebagai percobaan 2 untuk mengambil spektrum

pada frekuensi tinggi. Kedua filtering dilakukan menggunakan ideal matrix dengan lima radius

yang berbeda, yaitu 5, 10, 15, 20, dan 25 piksel.

Pada setiap percobaan diamati nilai akurasi

terbaik yang diberikan oleh algoritme

klasifikasi untuk membandingkan kinerja kedua

percobaan terhadap identifikasi tumbuhan

Freycinetia. Algoritme klasifikasi yang

digunakan ialah k-Nearest Neighbor dengan

nilai ketetanggaan 1.

Percobaan 1: Identifikasi Freycinetia

Menggunakan Low Frequency

Percobaan pertama yang dilakukan ialah

klasifikasi menggunakan low frequency.

Klasifikasi ini dilakukan dengan menerapkan

low pass filter untuk mengambil frekuensi

rendah dari citra. Akurasi klasifikasi dengan

percobaan ini dapat dilihat pada Tabel 2.

Tabel 2 Hasil klasifikasi menerapkan low

frequency

Radius

(piksel)

Jumlah benar untuk setiap kelas Akurasi

(%) Kelas

1

Kelas

2

Kelas

3

Kelas

4

5 3 8 7 7 78.125

10 7 7 8 7 90.625

15 4 7 8 7 81.250

20 6 7 8 6 84.375

25 5 7 8 4 75.000

Akurasi tertinggi dihasilkan oleh percobaan menggunakan radius matriks filter 10 piksel,

yaitu sebesar 90.625%.

Confusion matrix untuk percobaan low pass

filter dengan radius matriks 5 piksel

ditunjukkan oleh Tabel 3. Kelas 2 memiliki

akurasi klasifikasi terbesar, yaitu 100%,

sedangkan kelas 1 memiliki akurasi terkecil,

yaitu 37.5%. Dari 8 data uji untuk kelas 1, 3

data diklasifikasikan benar sebagai kelas 1 dan

5 data diklasifikasikan salah, yaitu sebagai kelas

5.

Tabel 3 Confusion matrix untuk low pass filter dengan radius 5 piksel

Kelas

aktual

Kelas hasil prediksi

Kelas 1 Kelas 2 Kelas 3 Kelas 4

Kelas 1 3 0 5 0

Kelas 2 0 8 0 0

Kelas 3 1 0 7 0

Kelas 4 1 0 0 7

Confusion matrix percobaan low pass filter

dengan radius matriks 10 piksel dapat dilihat pada Tabel 4. Kelas 3 memiliki akurasi

klasifikasi terbesar yaitu 100%, sedangkan tiga

kelas lainnya memiliki akurasi sebesar 87.5%

karena terdapat kesalahan klasifikasi pada 1

data untuk setiap kelasnya.

Tabel 4 Confusion matrix untuk low pass filter

dengan radius 10 piksel

Kelas aktual



Kelas 1 7 0 1 0

Kelas 2 0 7 0 1

Kelas 3 0 0 8 0

Kelas 4 1 0 0 7

8


filter dengan radius matriks 15 piksel dapat

dilihat pada Tabel 5. Kelas 3 memiliki akurasi

klasifikasi terbesar, yaitu 100%, sedangkan

kelas 1 memiliki akurasi terkecil, yaitu 50%.

Sebanyak 4 dari 8 data uji pada kelas 1 diklasifikasikan sebagai kelas 3.



Kelas

aktual



Kelas 1 4 0 4 0

Kelas 2 0 7 0 1

Kelas 3 0 0 8 0

Kelas 4 1 0 0 7





sedangkan kelas 1 dan kelas 4 memiliki akurasi

terkecil, yaitu 75% karena 2 data dari masing-

masing kelas mengalami salah klasifikasi.



Kelas

aktual



Kelas 1 6 0 2 0

Kelas 2 0 7 0 1

Kelas 3 0 0 8 0

Kelas 4 1 0 1 6






yaitu 50%. Sebanyak 4 data uji kelas 4 salah diklasifikasikan, yaitu 1 data sebagai kelas 1, 1

data sebagai kelas 2, dan 2 data sebagai kelas 3.



Kelas

aktual



Kelas 1 5 0 3 0

Kelas 2 0 7 1 0

Kelas 3 0 0 8 0

Kelas 4 1 1 2 4

Analisis Kesalahan Prediksi Percobaan 1

Pada penerapan low pass filter, kelas 1

sering mengalami salah klasifikasi. Data uji ke-

1 dari kelas ini selalu salah diklasifikasikan. Hal

ini disebabkan oleh adanya cairan yang tidak

rata pada preparat saat melakukan akuisisi data sehingga terdapat warna merah yang berlebih

pada sebagian citra. Akibatnya, spektrum yang

dihasilkan sangat berbeda dengan spektrum data

lain dari kelasnya. Data uji kelas 1 yang

mengalami salah klasifikasi selalu

diklasifikasikan sebagai kelas 3. Hal ini

diakibatkan oleh struktur anatomi epidermis

kedua kelas yang mirip. Sel-sel epidermis dan

stomata yang mirip serta adanya pasir-pasir

granulosit pada kedua tumbuhan ini diduga

turut menjadi penyebab salah klasifikasi.

Untuk kelas 2, data uji ke-2 sering salah

diklasifikasikan, yaitu sebagai kelas 4. Hal ini

disebabkan oleh adanya bintik hitam yang

muncul pada citra dan pengambilan citra yang

agak miring, sehingga spektrum yang dihasilkan

berbeda dengan data lainnya.

Kelas 3 merupakan kelas yang paling tepat

diklasifikasikan. Hanya ada satu data yang

mengalami salah klasifikasi, yaitu data uji ke-5

yang diklasifikasikan sebagai kelas 1 pada

penggunaan radius matriks 5 piksel.

Untuk kelas 4, data uji ke-6 selalu salah diklasifikasikan, yaitu sebagai kelas 1. Hal ini

disebabkan terdapat penggunaan cairan yang

tidak rata pada preparat saat akuisisi data

sehingga warna partikel-partikel kalsium

oksalat pada epidermis daun terlihat lebih gelap

dan membuat data ini berbeda dengan data lain

di kelasnya. Selain itu, posisi sel-sel epidermis

yang tegak lurus juga menjadi penyebab salah

klasifikasi. Data kelas 4 lainnya yang salah

klasifikasi terjadi pada penggunaan radius 20

dan 25 piksel.

Percobaan 2: Identifikasi Freycinetia

Menggunakan High Frequency

Percobaan kedua yang dilakukan ialah

klasifikasi menggunakan high frequency.

Klasifikasi ini dilakukan dengan menerapkan

high pass filter untuk mengambil frekuensi

tinggi dari citra. Akurasi klasifikasi dengan

percobaan ini dapat dilihat pada Tabel 8.

Akurasi tertinggi dihasilkan oleh percobaan

menggunakan radius matriks filter 5 piksel,

yaitu 81.25%.

9

Tabel 8 Hasil klasifikasi menerapkan high

frequency

Radius

(piksel)

Jumlah benar untuk setiap kelas Akurasi

(%) Kelas

1

Kelas

2

Kelas

3

Kelas

4

5 7 7 8 4 81.250

10 8 7 5 5 78.125

15 8 6 5 4 71.875

20 8 5 6 4 71.875

25 6 3 2 3 43.750

Confusion matrix untuk percobaan high pass


ditunjukkan oleh Tabel 9. Kelas 3 memiliki akurasi klasifikasi terbesar, yaitu 100%,


yaitu 50%. Sebanyak 4 dari 8 data uji kelas 4

salah diklasifikasikan sebagai kelas 2.



Kelas aktual



Kelas 1 7 0 1 0

Kelas 2 0 7 1 0

Kelas 3 0 0 8 0

Kelas 4 0 4 0 4





sedangkan kelas 3 dan kelas 4 memiliki akurasi

klasifikasi terkecil, yaitu 62.5%. Sebanyak 3

data dari masing-masing kelas salah

diklasifikasikan.

Tabel 10 Confusion matrix untuk low pass filter dengan radius 10 piksel

Kelas

aktual



Kelas 1 8 0 0 0

Kelas 2 0 7 0 1

Kelas 3 1 0 5 2

Kelas 4 0 1 2 5



ditunjukkan oleh Tabel 11. Kelas 1 memiliki akurasi klasifikasi terbesar, yaitu 100%,


yaitu 50%. Sebanyak 4 data uji kelas 4 salah

diklasifikasikan, 2 data sebagai kelas 2 dan 2

lainnya sebagai kelas 3.

Tabel 11 Confusion matrix untuk low pass

filter dengan radius 15 piksel

Kelas

aktual



Kelas 1 8 0 0 0

Kelas 2 0 6 0 2

Kelas 3 0 1 5 2

Kelas 4 0 2 2 4





sedangkan kelas 4 memiliki akurasi terkecil, yaitu 50%. Sebanyak 4 data uji kelas 4 salah

diklasifikasikan, 2 data sebagai kelas 2 dan 2

lainnya sebagai kelas 3.



Kelas

aktual



Kelas 1 8 0 0 0

Kelas 2 0 5 2 1

Kelas 3 2 0 6 0

Kelas 4 0 2 2 4






yaitu 25%. Sebanyak 2 data uji dari kelas 3

diklasifikasikan sebagai kelas 1 dan 4 data

sebagai kelas 2.



Kelas

aktual



Kelas 1 6 1 1 0

Kelas 2 0 3 4 1

Kelas 3 2 4 2 0

Kelas 4 0 4 1 3

Analisis Kesalahan Prediksi Percobaan 2

Pada penerapan high pass filter, kelas 1

merupakan kelas yang paling tepat

klasifikasinya. Data uji ke-1 mengalami salah

10

klasifikasi, yaitu sebagai kelas 3 pada

penggunaan radius 5 piksel dan sebagai kelas 2

pada penggunaan radius 25 piksel. Hal ini

disebabkan oleh spektrum transformasi yang

sangat berbeda akibat adanya warna merah yang

berlebih pada citra anatomi ini. Data uji ke-3 juga mengalami salah klasifikasi pada

penggunaan radius 25 piksel, yaitu sebagai

kelas 3.

Untuk kelas 2, data uji ke-2 sering

mengalami salah klasifikasi, yaitu sebagai kelas

4. Hal ini disebabkan oleh adanya bintik hitam

yang muncul pada citra serta pengambilan citra

yang agak miring sehingga berbeda dengan data

lainnya. Kesalahan klasifikasi juga terjadi pada

data ke-4 dan data ke-8. Hal ini disebabkan oleh

pasir-pasir granulosit atau bintik hitam pada sel-sel epidermis yang kurang terlihat, sehingga

membedakannya dengan citra lain pada

kelasnya.

Data uji ke-1 dan ke-7 pada kelas 3 sering

salah diklasifikasikan. Kedua data uji ini

diklasifikasikan sebagai kelas 4 pada

penggunaan radius 10 dan 15 piksel, serta

sebagai kelas 1 pada penggunaan radius 20 dan

25 piksel. Hal ini terjadi karena kerapatan

stomata pada data ini berbeda dengan citra lain

pada kelasnya, sehingga spektrum transformasi

yang dihasilkan juga berbeda.

Untuk kelas 4, data uji ke-2, ke-3, ke-4, ke-

5, dan ke-6 sering salah diklasifikasikan. Hal ini

disebabkan oleh posisi sel-sel epidermis pada

citra yang tegak lurus, berbeda dengan data

latihnya yang agak miring.

Perbandingan Low Frequency dan High

Frequency

Penelitian ini menerapkan klasifikasi

menggunakan k-Nearest Neighbor (k-NN)

dengan dua percobaan berbeda terhadap hasil

ekstraksi fitur, yaitu menggunakan low frequency dengan menerapkan low pass filter

dan menggunakan high frequency dengan

menerapkan high pass filter. Percobaan ini

diterapkan untuk membandingkan penggunaan

low frequency dan high frequency pada citra

dalam identifikasi tumbuhan Freycinetia.

Pada penggunaan low frequency, kelas 1,

kelas 2, dan kelas 3 sering salah klasifikasi

menjadi kelas lainnya. Hal ini terjadi karena

bentuk sel-sel epidermis ketiga kelas ini hampir

sama, yaitu memanjang dengan banyak pasir

granulosit dan sel penjaga di dekat stomata yang tampak berbeda dari sel lain di

sekelilingnya.

Pada penggunaan high frequency, kelas 4

sering salah klasifikasi menjadi kelas lain

karena posisi sel-sel epidermis pada citra yang

tidak seragam membuatnya sulit untuk dikenali.

Pada kelas 1, high frequency lebih cocok

digunakan daripada low frequency karena terdapat lebih banyak data yang diklasifikasikan

dengan benar. Data uji ke-1 dari kelas 1 sering

mengalami salah klasifikasi pada kedua

percobaan, karena adanya warna merah yang

berlebih pada citra yang mengakibatkan

perbedaan spektrum transformasi.

Pada kelas 2, low frequency lebih cocok

digunakan karena memberikan lebih banyak

data yang tepat diklasifikasikan. Kesalahan

klasifikasi sering terjadi pada data uji ke-2

karena adanya bintik hitam dan posisi sel-sel epidermis yang berbeda dengan data lainnya.

Pada kelas 3, low frequency lebih cocok

digunakan karena akurasi yang diberikan lebih

tinggi daripada high frequency. Kesalahan

klasifikasi sering terjadi pada data uji ke-1 dan

ke-7 karena memiliki kerapatan stomata yang

berbeda sehingga menghasilkan spektrum

transformasi yang berbeda pula.

Untuk kelas 4, low frequency lebih cocok

digunakan, karena menghasilkan lebih banyak

data yang tepat diklasifikasikan. Kesalahan

sering terjadi data uji ke-3, ke-4, dan ke-6 karena posisi sel-sel epidermis yang berbeda

dengan data lainnya. Posisi sel-sel epidermis

yang agak miring menghasilkan spektrum yang

berbeda dengan data yang memiliki posisi sel-

sel epidermis tegak lurus.

Gambar 10 menunjukkan grafik akurasi

klasifikasi menggunakan low frequency dan

high frequency dengan berbagai radius matriks

sesuai dengan data pada Tabel 2 dan Tabel 8.

0

10

20

30

40

50

60

70

80

90

100

5 10 15 20 25

Ak

ura

si (

%)

Radius (piksel)

Low Frequency High Frequency

Gambar 10 Akurasi klasifikasi.

11

Berdasarkan Gambar 10 dapat disimpulkan

bahwa penggunaan low frequency secara umum

memberikan akurasi yang lebih baik daripada

high frequency pada identifikasi tumbuhan

Freycinetia. Hal ini disebabkan oleh data citra

anatomi epidermis daun Freycinetia yang digunakan memiliki banyak pasir-pasir

granulosit berupa bintik-bintik hitam yang bisa

dianggap sebagai noise. Noise ini menutupi

sebagian sel-sel epidermis sehingga sulit untuk

dikenali. Penggunaan low frequency

mengakibatkan noise ini menjadi kabur dan

detail epidermis terlihat, sedangkan high

frequency mengakibatkan detail dan noise-nya

semakin tajam sehingga semakin mengurangi

akurasi.

Akurasi tertinggi yang dihasilkan menggunakan low frequency dan high

frequency sebesar 90.625% dan 81.25%.

Akurasi ini masih lebih rendah dibandingkan

dengan akurasi yang diperoleh pada penelitian

Qur’ania (2012).

KESIMPULAN DAN SARAN

Kesimpulan

Penelitian ini menggunakan k-Nearest

Neighbor (k-NN) untuk identifikasi Freycinetia

berdasarkan citra anatomi epidermis daun, yang

menjadi input pada klasifikasi ini adalah citra

yang telah mengalami transformasi wavelet

level 3 dan transformasi fourier.

Kelas 1 (Freycinetia angustifolia) lebih

cocok diklasifikasikan menggunakan high

frequency, sedangkan kelas 2 (Freycinetia

imbricata), kelas 3 (Freycinetia javanica), dan

kelas 4 (Freycinetia Sumatrana) lebih cocok

diklasifikasikan menggunakan low frequency.

Akurasi tertinggi pada penggunaan low

frequency untuk semua kelas sebesar 90.625%

dengan radius matriks lingkaran 10 piksel.

Akurasi tertinggi pada penggunaan high

frequency untuk semua kelas sebesar 81.25% dengan radius matriks lingkaran 5 piksel.

Berdasarkan hal tersebut dapat disimpulkan

bahwa low frequency lebih cocok digunakan

untuk identifikasi Freycinetia berbasis citra

anatomi epidermis daun menggunakan k-

Nearest Neighbor daripada high frequency.

Saran

Penelitian ini masih mempunyai beberapa

kekurangan yang dapat diperbaiki dan dapat

dikembangkan menjadi penelitian selanjutnya.

Beberapa saran pada penelitian ini yaitu:

1 Menggunakan low frequency dan high

frequency dengan berbagai dekomposisi

Wavelet dan berbagai jenis citra.

2 Melakukan berbagai kombinasi data

training dan data testing.

3 Menemukan kriteria yang cocok untuk menetukan jenis frekuensi yang digunakan

pada pengenalan citra.

4 Menggunakan algoritme klasifikasi yang

lain, seperti Jaringan Syaraf Tiruan (JST)

yang dapat meningkatkan akurasi.

DAFTAR PUSTAKA

Ashr N. 2011. Pengenalan wajah dengan

menggunakan Transformasi Fourier dan

fungsi jarak Euclidean [skripsi]. Bogor:

Fakultas Matematika dan Ilmu Pengetahuan

Alam, Institut Pertanian Bogor.

Cahyaningtias T. 2007. Pengenalan wajah

dengan pemrosesan awal Transformasi

Wavelet [skripsi]. Bogor: Fakultas

Matematika dan Ilmu Pengetahuan Alam,

Institut Pertanian Bogor.

Damayanti F. 2007. Analisis jumlah kromoson dan anatomi stomata pada beberapa plasma

nutfah pisang (Musa sp.) asal Kalimantan

Timur. Bioscientiae 4:53-61.

Gonzalez RC, Woods RE. 2002. Digital Image

Processing. Ed ke-2. New Jersey: Prentice

Hall.

Han J, Kamber M, Pei J. 2011. Data Mining

Concepts and Techniques. Ed ke-3.

Massachusetts: Morgan Kaufmann.

Haryanti S. 2010. Jumlah dan distribusi stomata

pada daun beberapa spesies tanaman dikotil dan monokotil. Buletin Anatomi dan

Fisiologi 2:21-28.

Haryanto FF. 2010. Analisis kromosom dan

stomata tanaman Salak Bali (Salacca

zalacca var. amboinensis (Becc.) Mogea),

Salak Padang Sidempuan (S. Sumatrana

(Becc.)) dan Salak Jawa (S. zalacca var

zalacca (Becc.) Mogea) [skripsi]. Surakarta:

Fakultas Pertanian, Universitas Sebelas

Maret.

McAndrew A. 2004. An Introduction to Digital

Image Processing with MATLAB. Victoria: Victoria University of Technology.

Nurjayanti B. 2011. Identifikasi Shorea

menggunakan k-Nearest Neighbor

berdasarkan karakteristik morfologi daun

[skripsi]. Bogor: Fakultas Matematika dan

12

Ilmu Pengetahuan Alam, Institut Pertanian

Bogor.

Pasaribu N. 2010. Freycinetia (Pandanaceae)

of Sumatera [disertasi]. Bogor: Sekolah

Pascasarjana, Institut Pertanian Bogor.

Qur’ania . . Klasi ikasi Freycinetia berbasis citra anatomi stomata

menggunakan k-Nearest Neighbor dan

jaringan syaraf tiruan [tesis]. Bogor:

Sekolah Pascasarjana, Institut Pertanian

Bogor.

Song Y, Huang J, Zhou D, Zha H, Giles CL.

2007. IKNN: Informative K-Nearest Neighbor pattern classification. Springer-

Verlag Berlin Heidelberg 47:248-264.

LAMPIRAN

14

Lampiran 1 Citra anatomi stomata untuk data latih

1. Kelas 1 (Freycinetia angustifolia)

2. Kelas 2 (Freycinetia imbricata)

3. Kelas 3 (Freycinetia javanica)

4. Kelas 4 (Freycinetia Sumatrana)

15

Lampiran 2 Citra anatomi stomata untuk data uji





16

Lampiran 3 Spektrum hasil transformasi Fourier untuk setiap data latih





17

Lampiran 4 Spektrum hasil transformasi Fourier untuk setiap data uji





18

Lampiran 5 Contoh low frequency pada salah satu spektrum transformasi Fourier citra Kelas1

1. Radius 5 piksel

2. Radius 10 piksel

3. Radius 15 piksel

4. Radius 20 piksel

5. Radius 25 piksel

19

Lampiran 6 Contoh high frequency pada salah satu spektrum transformasi Fourier citra Kelas1

1. Radius 5 piksel

2. Radius 10 piksel

3. Radius 15 piksel

4. Radius 20 piksel

5. Radius 25 piksel

Documents

IDENTIFIKASI FREYCINETIA BERBASIS CITRA ANATOMI … · Ciri anatomi epidermis daun dapat mendukung ciri morfologi dalam proses identifikasi ... stomata pada epidermis daun, dan menghitung