ekstraksi ciri morfologi (panjang dan lebar fisiologis ... · pendidikan menegah atas di sman 46...

EKSTRAKSI CIRI MORFOLOGI (PANJANG DAN LEBAR

FISIOLOGIS) DAN TEKSTUR UNTUK TEMU KEMBALI CITRA

HELAI DAUN

FEBRIE SUBHAN

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2011

EKSTRAKSI CIRI MORFOLOGI (PANJANG DAN LEBAR

FISIOLOGIS) DAN TEKSTUR UNTUK TEMU KEMBALI CITRA

HELAI DAUN

FEBRIE SUBHAN

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

2011

ABSTRACT

FEBRIE SUBHAN. Morphology (Physiological Length and Width) and Texture Features Extraction

for Leaf Sheet Image Retrieval. Under the supervision of SONY HARTONO WIJAYA.

In recent time, the ability to identify and classify leaves becomes a great need for taxonomist to

know the diversity of plants (Hickey et al 1999). Identification can be done by identifying features of

morphology and texture of the leaves or also with a combination of both. Annisa (2009) implemented

the feature extraction approach to obtain the basic characteristic morphological image derived from

the leaf blade and the co-occurrence matrix for texture feature extraction. Morphological features that

obtained were diameter, leaf area, leaf perimeter, smoothing factor, form factor and perimeter ratio of

diameter. Texture features were obtained energy, inverse difference moment, entropy, maximum

probability, contrast, correlation, and homogeneity. This study used morphological features approach

to obtain morphological features and co-occurrence matrix for texture features. Therefore, the

evaluation of image retrieval was done by using more complete morphological features with

additional morphological features of physiological length and physiological width. Both

morphological features are very useful to help identify the characteristics of a leaf blade. This research

approach has been successfully implemented morphological features. Value of image retrieval

evaluation leaves increased with the addition of two morphological characters. In this research, with

additional morphological features and physiological length and physiological width resulted in

morphological traits 0.2083, the texture feature values 0.1864 and character of Bayesian Network

0.2055. So that the average value of precision increased by 0.0137 for morphological features and by

0.0069 for combined value of morphological and textural characteristics (Bayesian Network).

Keyword: Content Based Image Retrieval (CBIR), Feature Extraction, Morphological Features

Extraction, Bayesian Network.

Judul : Ekstraksi Ciri Morfologi (Panjang dan Lebar Fisiologis) dan Tekstur untuk Temu Kembali

Citra Helai Daun

Nama : Febrie Subhan

NIM : G64061254

Menyetujui:

Pembimbing,

Sony Hartono Wijaya, M.Kom

NIP. 19810809 200812 1 002

Mengetahui:

Ketua Departemen,

Dr. Ir. Sri Nurdiati, M.Sc

NIP. 19601126 198601 2 001

Tanggal Lulus:

PRAKATA

Alhamdulillahi Rabbil ‘alamin, puji dan syukur penulis panjatkan kepada Allah SWT limpahan

rahmat dan hidayahnya sehingga skripsi penulis dengan judul Ekstraksi Ciri Morfologi dan Tekstur

untuk Temu Kembali Citra Helai Daun dapat diselesaikan. Penelitian ini dilaksanakan mulai Januari

2010 sampai dengan Agustus 2010, bertempat di Asrama TPB Institut Pertanian Bogor.

Selama pelaksanaan skripsi ini, penulis banyak mendapatkan bantuan dari berbagai pihak. Oleh

karena itu, dengan segala kerendahan hati, penulis menyampaikan rasa terima kasih kepada:

1 Kedua orang tua penulis, Bapak Endang Suardi dan Ibu Sri Sukmawati yang selama ini telah

banyak memberikan perhatian dan kasih sayangnya kepada penulis.

2 Bapak Sony Hartono Wijaya, M. Kom selaku pembimbing yang telah memberikan bimbingan

dan arahan bagi penulis selama penulis menjadi mahasiswa. Maaf atas segala kesalahan yang

telah banyak penulis lakukan dan terima kasih atas segala saran yang telah diberikan.

3 Dr. Ir. Bonny P. W. Soekarno, M.Sc, Dr. Irmansyah M.Si, Drs. Hamzah, M.Si dan Muhammad

Kahfi yang telah banyak memberikan arahan serta bimbingannya kepada penulis.

4 Rekan-rekan Senior Resident: Diki, Andi, Dimas, Rizal, Jenal, Erri, Ka Wahyu, Heru, Catur,

Majid, Anto, Habib, Nurhidayat, Iral, Bayu, serta teman-teman Senior Resident asrama putri.

5 Tim Pembinaan Rohani, The Letter 46 dan BBQ yang telah banyak berkontribusi mengeluarkan

tenaga dan fikirannya.

6 Teman-teman satu perjuangan, Wahyu, Sandy, Balad, Iyank, Rahmat, Randi, Kamal, Hanif,

Randi, Syaiful, Weli, Ka Viki, Ka Yuda, Henri, dan Angga.

7 Teman-teman satu bimbingan Yoga, Gunawan, Kanta dan Ridwan.

8 Teman-teman Ilmu Komputer 43 lainnya, yang telah banyak membantu dan memberikan

semangat serta kenangan yang tak terlupakan.

Penulis menyadari dengan sepenuhnya bahwa masih banyak terdapat kekurangan dalam penulisan

skripsi ini. Semoga skripsi ini dapat berguna bagi siapa pun yang membacanya.

Bogor, Februari 2011

Febrie Subhan

RIWAYAT HIDUP

Penulis dilahirkan di Jakarta pada tanggal 10 Februari 1988 sebagai anak kedua dari empat

bersaudara dari pasangan Bapak Endang Suardi dan Ibu Sri Sukmawati. Penulis menyelesaikan

pendidikan menegah atas di SMAN 46 Jakarta pada tahun 2006.

Penulis diterima di Institut Pertanian Bogor melalui jalur SPMB. Penulis aktif sebagai Senior

Resident 2008-2010. Pada tahun 2009 penulis melaksanakan Praktik Kerja Lapangan di Asrama TPB

Institut Pertanian Bogor, Dramaga. Pada tahun yang sama penulis menjadi salah satu finalis Data

Mining Contest GEMASTIK 2009 di IT TELKOM, Bandung. Kemudian pada tahun 2009-2010

penulis aktif sebagai asisten mata kuliah Algoritme dan Pemrograman.

iv

DAFTAR ISI

Halaman

DAFTAR TABEL .............................................................................................................................. v

DAFTAR GAMBAR .......................................................................................................................... v

DAFTAR LAMPIRAN....................................................................................................................... v

PENDAHULUAN .................................................................................................................................. 1

Latar Belakang ................................................................................................................................ 1

Tujuan Penelitian ............................................................................................................................ 1

Ruang Lingkup ............................................................................................................................... 1

TINJAUAN PUSTAKA ......................................................................................................................... 1

Content Based Image Retrieval (CBIR) ......................................................................................... 1

Ekstraksi Ciri .................................................................................................................................. 1

Ekstraksi Ciri Morfologi ................................................................................................................. 2

Co-occurrence Matrix ..................................................................................................................... 4

Evaluasi Hasil Temu Kembali Informasi ........................................................................................ 4

Recall dan Precision ....................................................................................................................... 4

Uji Levene dan Uji-t ....................................................................................................................... 5

METODE PENELITIAN ....................................................................................................................... 5

Praproses......................................................................................................................................... 5

Ekstraksi Ciri .................................................................................................................................. 5

Pengukuran Kemiripan ................................................................................................................... 5

Evaluasi Hasil Temu Kembali Citra ............................................................................................... 6

HASIL DAN PEMBAHASAN .............................................................................................................. 6

Data . .............................................................................................................................................. 6

Praproses......................................................................................................................................... 6

Hasil Ekstraksi Ciri ......................................................................................................................... 6

Hasil Ekstrasi Ciri Morfologi ......................................................................................................... 6

Hasil Ekstraksi Ciri Tekstur............................................................................................................ 7

Hasil Temu Kembali ....................................................................................................................... 7

Evaluasi Temu Kembali ................................................................................................................. 9

Hasil Uji Statistika .........................................................................................................................13

KESIMPULAN DAN SARAN ............................................................................................................ 13

Kesimpulan ....................................................................................................................................13

Saran .............................................................................................................................................13

DAFTAR PUSTAKA ........................................................................................................................... 14

LAMPIRAN ......................................................................................................................................... 15

v

DAFTAR TABEL

Halaman

1 Perbandingan nilai recall precision dan MAP pada kelas alpukat .......................................... 10

2 Perbandingan nilai recall precision pada kelas jamblang ....................................................... 10

3 Perbandingan nilai recall precision pada kelas jambu biji ..................................................... 11

4 Perbandingan nilai recall precision pada kelas manggis ........................................................ 11

5 Nilai perubahan ciri morfologi dengan adanya tambahan physiological length

dan physiological width ............................................................................................... 12

6 Perbandingan nilai precision rata-rata (MAP) dengan adanya tambahan

Physiological length dan physiological width ........................................................................ 12

DAFTAR GAMBAR

Halaman

1 Diagram CBIR .......................................................................................................................... 1

2 Diameter helai daun ................................................................................................................... 2

3 Hubungan antara physiological length dan physiological width ............................................... 2

4 Leaf area .................................................................................................................................... 2

5 Leaf perimeter ........................................................................................................................... 3

6 Aspect ratio ................................................................................................................................ 3

7 Representasi co-occurrence matrix .......................................................................................... 4

8 Metodologi penelitian ............................................................................................................... 5

9 Gambar praproses citra .............................................................................................................. 6

10 Ilustrasi teknik untuk mencari physiological length dan physiological width .......................... 7

11 Hasil ekstraksi ciri morfologi dan tekstur ................................................................................. 8

12 Hasil temu kembali menggunakan penciri morfologi tanpa Lp dan Wp. .................................. 8

13 Hasil temu kembali menggunakan penciri morfologi dengan tambahan Lp dan Wp .............. 9

14 Grafik perbandingan recall precision menggunakan ciri morfologi,

tekstur dan model Bayesian Network...................................................................................... 13

DAFTAR LAMPIRAN

Halaman

1 Contoh citra yang digunakan untuk masing-masing kelas ....................................................... 16

2 Gambar hasil temu kembali informasi ..................................................................................... 18

3 Perbandingan nilai precision pada masing-masing kelas ........................................................ 20

4 Uji statistika ….. ...................................................................................................................... 23

1

PENDAHULUAN

Latar Belakang

Saat ini kemampuan untuk dapat

mengidentifikasi dan mengklasifikasi daun

menjadi kebutuhan yang besar bagi taksonomis

dalam mengetahui keanekaragaman tanaman

(Hickey et al 1999). Identifikasi dapat

dilakukan dengan mengenali ciri morfologi dan

tekstur dari daun atau juga dengan gabungan

keduanya.

Content Based Image Retrieval (CBIR)

dikembangkan untuk menemukembalikan citra

berdasarkan pada informasi citra yang terdiri

atas warna, bentuk dan tekstur. CBIR terdiri

atas beberapa proses utama antara lain

praproses, ekstraksi ciri, pengindeksan, dan

penemuan kembali citra.

Wu et al (2007) melakukan ekstraksi ciri

morfologi pada citra helai daun. Tahap awal

adalah mendapatkan lima ciri dasar dari citra

helai daun, kemudian kombinasi dari kelima ciri

tersebut menghasilkan dua belas ciri turunan.

Pebuardi (2008) menggunakan Bayesian

Network dalam pengukuran kemiripan citra

dengan menggabungkan informasi warna,

bentuk, dan tekstur dari suatu citra. Kemudian

Annisa (2009) mengimplementasikan

pendekatan ekstraksi ciri morfologi untuk

mendapatkan ciri dasar yaitu diameter, leaf area

dan leaf perimeter. Setelah itu diperoleh ciri

turunan berupa smooth factor, form factor, dan

perimeter ratio of diameter. Untuk ciri tekstur

diperoleh energy, inverse difference moment,

entropy, maximum probability, contrast,

correlation, dan homogeneity.

Secara fisik, bentuk daun dapat dibedakan

dengan melihat ciri morfologi yang ada pada

setiap helai daun. Penelitian ini dilakukan untuk

melengkapi ciri morfologi daun yang

sebelumnya dilakukan oleh Annisa (2009).

Oleh karena itu, berdasarkan penelitian

sebelumnya diharapkan dengan tambahan

physiological length dan physiological width

akan didapatkan hasil yang baik untuk temu

kembali citra helai daun.

Tujuan Penelitian

Tujuan dari penelitian ini adalah

mengevaluasi hasil temu kembali citra dengan

menggunakan penciri morfologi (physiological

length dan physiological width), tekstur, dan

gabungan keduanya dengan model Bayesian

Network untuk temu kembali citra helai daun.

Ruang Lingkup

Data diperoleh dari hasil penelitian Annisa

(2009) yang diambil dengan menggunakan

kamera digital. Objek adalah citra helai daun

tunggal yang berasal dari sebelas pohon buah

yang ada di sekitar kampus IPB Darmaga, yaitu

daun alpukat, bisbul, cokelat, durian, jamblang,

jambu biji, jambu bol, kepel, manggis, menteng,

dan nangka. Penelitian ini difokuskan pada

tahap ekstraksi ciri morfologi dasar yaitu


beserta dengan turunannya yaitu, aspect ratio,

rectangularity, narrow factor, dan perimeter

ratio of physiological length and physiological

width.

TINJAUAN PUSTAKA



merupakan suatu pendekatan untuk masalah

temu kembali citra yang didasarkan pada

informasi yang terkandung di dalam citra itu

sendiri seperti warna, bentuk, dan tekstur dari

citra (Rodrigues & Araujo 2004). CBIR terdiri

atas beberapa tahap yaitu praproses, ekstraksi

ciri, pengindeksan dan penemuan kembali citra.

Gambar 1 menunjukkan diagram CBIR.

Gambar 1 Diagram CBIR.

Ekstraksi Ciri

Ekstraksi ciri adalah proses mengambil ciri-

ciri yang terdapat pada citra. Pada proses ini

objek di dalam citra mungkin perlu dideteksi

seluruh tepinya, lalu dihitung properti-properti

objek yang berkaitan sebagai ciri. Beberapa

proses ekstraksi ciri mungkin perlu mengubah

citra masukan sebagai citra biner, melakukan

penipisan pola dan sebagainya.

Praproses

Ekstraksi

Fitur

Pengindeksan

Indeks Basis

Data

Praproses

Ekstraksi

Fitur

Pencarian

Indeks

Pengukuran

Kemiripan

Sorted by

Citra Kueri Citra Basis Data

Pen

gin

dek

san (o

ff-line)

Pen

emu

an K

emb

ali

Cit

ra (

on

-lin

e)

2

Ekstraksi ciri diklasifikasikan ke dalam tiga

tingkat yaitu low-level, middle-level dan high-

level. Low-level feature merupakan ekstraksi

ciri berdasarkan isi visual seperti warna dan

tekstur, middle-level feature merupakan

ekstraksi tiap objek dalam citra dan mencari

hubungannya, sedangkan high-level feature

merupakan ekstraksi ciri berdasarkan informasi

semantik yang terkandung dalam citra

(Osadebey 2006).

Ekstraksi ciri morfologi merupakan salah

satu bagian dari CBIR untuk informasi

morfologi pada citra. Proses ini bisa dilakukan

dengan pendekatan ekstraksi ciri dasar dan

turunan dari morfologi citra helai daun.

Menurut Vailaya (1996), empat pendekatan

yang digunakan dalam menganalisis tekstur

adalah analisis statistik, geometrik, berbasis

model dan pemrosesan sinyal. Pendekatan

secara statistik dilakukan dengan mengukur

karakteristik tekstur seperti kehalusan dan

keteraturan. Pendekatan secara geometrik

adalah mengorganisasikan komponen citra

primitif (titik, garis, lingkaran) untuk

mendapatkan adanya kemungkinan hubungan

struktural. Sementara, pendekatan berbasis

model mengasumsikan model citra dasar untuk

mendeskripsikan dan menyintesis tekstur.

Pendekatan pemrosesan sinyal menggunakan

analisis frekuensi dari citra untuk

menggolongkan tekstur.

Salah satu bagian dari CBIR untuk

mendapatkan informasi tekstur pada citra

adalah ekstraksi ciri tekstur. Proses ini bisa

dilakukan dengan pendekatan secara statistik

yaitu co-occurrence matrix.

Ekstraksi Ciri Morfologi

Wu et al (2007) telah mendeskripsikan ciri

morfologi daun yang dapat diekstrak dari citra

helai daun. Ciri tersebut dibedakan menjadi dua,

yaitu ciri dasar dan ciri turunan.

Ciri dasar citra helai daun ada lima, yaitu:

1 Diameter ( D ), yang didefinisikan sebagai

jarak terpanjang antara dua titik pada tepi daun.

Panjang diameter bisa sama atau berbeda

dengan panjang tulang daun primer

(physiological length). Ilustrasinya dapat dilihat

pada Gambar 2.

Gambar 2 Diameter helai daun.

2 Physiological length (Lp) adalah jarak antara

ujung dan pangkal daun (panjang tulang daun

primer).

3 Physiological width (Wp) adalah jarak

terpanjang dari garis yang memotong tegak

lurus physiological length yang dibatasi tepi

daun. Hubungan keduanya dapat dilihat pada

Gambar 3.

Gambar 3 Hubungan antara physiological

length dan physiological width.

4 Leaf area ( A ) adalah perhitungan jumlah

piksel dari daerah yang dilingkupi tepi daun

pada citra yang telah dihaluskan. Ilustrasinya

dapat dilihat pada Gambar 4.

Gambar 4 Leaf area.

5 Leaf perimeter ( P ) adalah perhitungan

jumlah piksel yang terdapat pada tepi daun

(keliling). Ilustrasinya dapat dilihat pada

Gambar 5.

3

Gambar 5 Leaf perimeter.

Ciri turunan daun ada dua belas, yaitu:

1 Smooth factor adalah rasio antara area citra

helai daun yang dihaluskan dengan 5x5

rectangular averaging filter dan area citra helai

daun yang dihaluskan dengan 2x2 rectangular

averaging filter. Ciri ini 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.

pW

pL (1)

Ciri ini untuk memperkirakan bentuk helai

daun. Jika bernilai kurang dari 1 maka bentuk

helai daun tersebut melebar. Jika bernilai lebih

dari 1 maka bentuk helai daun tersebut

memanjang. Ilustrasinya dapat dilihat pada

Gambar 6.

Gambar 6 Aspect ratio.

3 Form factor, digunakan untuk

mendeskripsikan perbedaan antara daun dan

lingkaran Ciri ini untuk mengukur seberapa

bundar bentuk helai daun tersebut. Nilai form

factor dapat dilihat pada Persamaan 2.

2

4

P

A (2)

4 Rectangularity, mendeskripsikan kemiripan

antara daun dan empat persegi panjang.

Rumusnya diberikan pada Persamaan 3.

A

pWpL (3)

5 Narrow factor adalah 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 bernilai 1, jika

asimetri maka bernilai lebih dari 1. Nilainya

dapat dicari menggunakan Persamaan 4.

pL

D (4)

6 Perimeter ratio of diameter. Ciri ini untuk

mengukur seberapa lonjong daun tersebut.

Persamaannya dapat dilihat pada Persamaan 5.

D

P (5)

7 Perimeter ratio of physiological length and

physiological width. Rumusnya diberikan pada

Persamaan 6.

)( pWpL

P

(6)

8 Vein features. Persamaannya dapat dilihat

pada Persamaan 7, 8,9,10, dan 11.

a. Rasio antara area helai daun yang telah

dikurangi dengan radius satu piksel dan area

daun awal.

A

Av1 (7)

b. Rasio antara area helai daun yang telah

dikurangi dengan radius dua piksel dan area

daun awal.

A

Av2 (8)

c. Rasio antara area helai daun yang telah

dikurangi dengan radius tiga piksel dan area

daun awal.

A

Av3 (9)

d. Rasio antara area helai daun yang telah

dikurangi dengan radius empat piksel dan

area daun awal.

A

Av4 (10)

4

e. Rasio antara area helai daun yang telah

dikurangi dengan radius empat piksel dan area

helai daun yang telah dikurangi dengan radius

satu piksel.

1

4

v

v

A

A (11)

Co-occurrence Matrix

Menurut Osadebey (2006), co-occurrence

matrix menggunakan matriks derajat keabuan

adalah untuk mengambil contoh secara statistik

bagaimana suatu derajat keabuan tertentu terjadi

dalam hubungannya dengan derajat keabuan

yang lain. Matriks derajat keabuan adalah suatu

matriks yang elemen-elemennya mengukur

frekuensi relatif kejadian bersama dari

kombinasi level keabuan antar pasangan piksel

dengan hubungan spasial tertentu.

Misal diketahui sebuah citra Q(i,j), p(i,j)

merupakan posisi dari operator, dan A adalah

sebuah matriks NxN. Elemen A(i,j) menyatakan

jumlah titik tersebut terjadi dengan grey level

(intensitas) g(i) terjadi, pada posisi tertentu

menggunakan operator p, relatif terhadap titik

dengan intensitas g(j). Matriks A merupakan

co-occurrence matrix yang didefinisikan oleh

p. Operator p didefinisikan dengan sebuah

sudut θ dan jarak d. Berdasarkan matriks A

dapat dihitung nilai-nilai ciri tekstur.

Ilustrasinya dapat dilihat pada Gambar 7.

Gambar 7 Representasi co-occurrence matrix.

Berikut adalah beberapa formula yang

digunakan dalam penghitungan ciri tekstur.

a. Energy, mengukur tingkat keseragaman

tekstur. Energi mencapai nilai tertinggi saat

persebaran level keabuan konstan atau

bersifat periodik. Rumusnya diberikan

pada Persamaan 12.

ji jiPE ,2),(

1 (12)

b. Inverse Difference Moment mencapai nilai

tertinggi saat banyak kejadian bersama

dalam matriks terkonsentrasi dekat

diagonal utama. Formulanya dapat dilihat

pada Persamaan 13.

jiji

jiPIDM ,

),( (13)

c. Entropy, mengukur tingkat keacakan

piksel. Entropi mencapai nilai tertinggi jika

semua elemen dalam matriks P sama. Nilai

entropy dapat dicari menggunakan

Persamaan 14.

ji jiPjiPE , ),(log),(2

(14)

d. Maximum probability, menyatakan nilai

frekuensi kemunculan bersama terbesar.

Semakin tinggi nilainya, semakin teratur

teksturnya. Rumusnya diberikan pada

Persamaan 15.

)(maxij

PMP (15)

e. Contrast, menyatakan jumlah variasi lokal

yang terdapat dalam sebuah citra. Atau

dengan kata lain menyatakan tingkat

kekontrasan citra. Formulanya dapat dilihat

pada Persamaan 16.

ji jiPjiC , ),(2

1 (16)

f. Correlation, menyatakan hubungan

ketetanggaan antarpiksel. Rumus yang

digunakan dapat dilihat pada Persamaan

17.

jiji

jiPj

ji

C ,

),())(1(

2

(17)

g. Homogeneity, menyatakan tingkat

kehomogenan piksel. Nilainya dapat dicari

menggunakan Persamaan 18.

jiji

jiPH ,

1

),( (18)

Evaluasi Hasil Temu Kembali Informasi

Tahap evaluasi temu kembali citra

dilakukan untuk menilai tingkat keberhasilan

dalam proses temu kembali citra terhadap

sejumlah koleksi pengujian. Pada tahap evaluasi

dilakukan penilaian kinerja sistem dengan

melakukan pengukuran recall dan precision

dari proses temu kembali berdasarkan penilaian

relevansinya.

Recall dan Precision

Recall dan precision merupakan parameter

yang digunakan untuk mengukur keefektifan

dari hasil temu kembali. Recall menyatakan

proporsi yang ditemukembalikan terhadap

5

seluruh materi relevan pada basis data (korpus).

Precision menyatakan proporsi materi relevan

yang ditemukembalikan (Baeza-Yates dan

Ribeiro- Neto 1999).

Recall dan precision diformulasikan sebagai

berikut:

recall

(19)

precision

(20)

dengan Ra adalah citra relevan yang

ditemukembalikan. R adalah jumlah citra

relevan yang ada pada basis data. A adalah

jumlah seluruh citra yang ditemu kembalikan.

Rataan precision merupakan suatu ukuran

evaluasi yang diperoleh dengan menghitung

rata-rata tingkat precision pada berbagai tingkat

recall (Baeza-Yates dan Ribeiro-Neto 1999).

Uji Levene dan Uji-t

Uji Levene adalah salah satu teknik dari uji

statistika yang digunakan untuk menentukan

apakah ada hubungan yang terjadi pada suatu

data dengan melihat nilai ragamnya (Imam

2001). Tahapan yang dilakukan yaitu:

1. Diuji apakah ragam kedua data sama atau

tidak.

2. Lalu dengan uji–t, diambil suatu keputusan.

METODE PENELITIAN

Penelitian ini akan dikerjakan dalam

beberapa tahap, yaitu praproses, ekstraksi ciri,

pengindeksan dan penemuan citra kembali.

Tahapan secara lengkapnya dapat dilihat pada

Gambar 8.

Praproses

Tahap awal praproses yaitu mengubah citra

RGB menjadi citra grayscale. Untuk ekstraksi

ciri morfologi, citra grayscale dikonversi lagi

menjadi citra biner. Kemudian noise citra

dihilangkan.

Ekstraksi Ciri

Ekstraksi ciri dapat diklasifikasikan menjadi

dua bagian yaitu ciri morfologi dan ciri tekstur.

a. Ciri Morfologi

Tahap selanjutnya ialah mencari ciri

morfologi dasar yaitu Lp dan Wp, nilai Lp

dihitung dengan menggunakan metode

euclidean distance, sedangkan untuk

mendapatkan nilai Wp ialah dengan mencari

garis terpanjang yang tegak lurus dengan Lp.

Kemudian nilai Lp dan Wp digabung dengan

ciri morfologi dasar dari hasil penelitian Annisa

(2009) yaitu diameter, leaf area dan leaf

perimeter. Pada akhirnya didapatkan ciri

turunan citra helai daun yaitu aspect ratio,

rectangularity, narrow factor, dan perimeter

ratio of physiological length and physiological

width.

Gambar 8 Metode penelitian.

b. Ciri Tekstur

Langkah awal yang dilakukan untuk

mendapatkan informasi tekstur dari sebuah

matriks adalah menentukan co-occurrence

matrix yang dihitung dalam empat arah 0o, 45

o

90 o

, dan 135 o

. Jadi, setiap citra akan dihasilkan

empat co-occurrence matrix. Setelah itu, nilai

energy, moment, entropy, maximum probability,

contrast, correlation, dan homogenity dihitung

untuk setiap co-occurrence matrix, sehingga

setiap fitur akan diperoleh empat nilai masing

masing untuk arah 0 o, 45

o, 90

o, dan 135

o. Nilai

dari setiap fitur diperoleh dengan menghitung

rata-rata keempat nilai fitur yang bersangkutan.

Informasi tersebut kemudian direpresentasikan

dengan sebuah vektor yang memilki tujuh

elemen dan nilai akhir dari informasi tekstur

diperoleh dengan melakukan normalisasi

terhadap vektor masing-masing citra.

Pengukuran Kemiripan

Pengukuran kemiripan antara citra kueri dan

citra yang ada dalam basis data dilakukan

Praproses

Ekstraksi ciri

Indeks citra

basis data

Praproses

Basis data citra Citra kueri

Penemuan

kembali citra Pengindeksan

Pengukuran

kemiripan

Hasil temu

kembali

Evaluasi hasil

temu kembali

Ekstraksi ciri

6

dengan menggunakan model Bayesian Network.

Nilai kemiripan dapat dihitung dengan

Persamaan 21.

P(Ij|Q)=n[1-(1-P(CSj|CS))…

…x(1-P(CTj|CT))] (21)

dengan n adalah jumlah citra pada basis data,

P(CSj|CS) merupakan kemiripan vektor antara

citra kueri dan citra basis data pada penciri

morfologi. P(CTj|CT) merupakan kemiripan

antara citra kueri dan citra basis data pada

penciri tekstur. P(CSj|CS) dihitung P(CTj|CS)

dengan menggunakan cosine similarity.

Evaluasi Hasil Temu Kembali Citra

Hasil temu kembali citra dapat diperoleh

dengan cara mengukur tingkat kemiripan antara

citra kueri dan citra basis data. Citra yang

memiliki tingkat kemiripan yang tinggi dengan

citra kueri adalah citra yang ditemukembalikan.

Setelah mendapatkan hasil citra yang

ditemukembalikan selanjutnya ialah melakukan

evaluasi. Evaluasi ini dilakukan untuk

mengukur tingkat keberhasilan dalam proses

temu kembali citra. Pengujian yang dilakukan

ialah dengan menghitung nilai recall dan

precision dari proses temu kembali citra

berdasarkan penilaian relevansinya dan uji

statistika untuk mengetahui apakah ada

perbedaan secara signifikan nilai

recallprecision yang diperoleh tanpa

menggunakan ciri morfologi Lp dan Wp dengan

nilai recallprecision yang diperoleh dengan

menambahkan ciri Lp dan Wp secara manual

dan automatis.

Perangkat Keras dan Perangkat Lunak

Perangkat keras yang digunakan dalam

penelitian ini adalah komputer dengan prosesor

Intel(R) Pentium(R) Dual CPU T2930 @ 1.86

GHz, RAM 1.5 GB dan harddisk 80 GB.

Perangkat lunak …… adalah sistem operasi

Windows 7 ultimate, Matlab R2008b dan IBM

SPSS Statistics 19.

HASIL DAN PEMBAHASAN

Data

Data yang digunakan ialah citra daun yang

terdiri atas sebelas kelas daun yaitu alpukat,

bisbul, cokelat, durian, jamblang, jambu biji,

jambu bol, kepel, manggis, menteng, dan

nangka. Citra tersebut disimpan dalam bentuk

format JPG, dengan ukuran 150x250 piksel.

Jumlah citra dari setiap kelas daun ada 100,

sehingga total citra ada 1100 buah. Contoh citra

helai daun yang digunakan dapat dilihat pada

Lampiran 1.

Praproses

Citra helai daun yang berukuran 150x250

piksel dengan tipe RGB diubah menjadi citra

bertipe grayscale dengan menggunakan fungsi

RGB2GRAY. Kemudian untuk mendapatkan

ekstraksi morfologi, citra grayscale diubah ke

dalam bentuk citra biner dengan menggunakan

fungsi IM2BW. Kemudian, citra biner

dibersihkan dengan 3x3 rectangular averaging

filter. Hasil dari praproses dapat dilihat pada

Gambar 9.

Gambar 9 (a) Citra RGB,

(b) Citra grayscale,

(c) Citra biner,

(d) Citra setelah noise dihilangkan.

Hasil Ekstraksi Ciri

Pada proses ekstraksi ciri ada dua proses

yang dilakukan yaitu ekstrasi ciri morfologi dan

ciri tekstur.

Hasil Ekstrasi Ciri Morfologi

Ekstraksi ciri morfologi dilakukan untuk

mendapatkan nilai Lp dan Wp. Proses untuk

mendapatkan nilai Lp dilakukan dengan cara

mencari nilai dua ujung titik, yaitu ujung

pangkal bagian atas daun dan ujung pangkal

bawah daun (tulang daun primer). Setelah itu

jarak kedua titik tersebut diukur dengan

menggunakan metode euclidean distance.

Untuk mendapatkan nilai Wp dilakukan dengan

mengukur kemiringan (sudut) ujung pangkal

daun bagian atas dan ujung pangkal bagian

bawah, sehingga didapat nilai (β). Kemudian

citra helai daun dirotasi dengan sudut sebesar

(β). Setelah itu nilai Wp didapat dengan

mencari nilai terbesar dari garis terpanjang yang

tegak lurus dengan Lp. Ilustrasi teknik untuk

a b

d c

7

mendapatkan Lp dan Wp dapat dilihat pada

Gambar 10.

Gambar 10 Ilustrasi untuk mencari Lp dan Wp.

Hasil dari ektrasi ciri morfologi adalah

matriks yang berukuran 12x1100. Setiap citra

direpresentasikan vektor yang terdiri atas12

elemen yaitu, diameter, leaf area, leaf

perimeter, smooth factor, form factor, perimeter

of ratio, physiological length, physiological

width, aspect ratio, rectangularity, narrow

factor, dan perimeter of physiological length

and physiological width. Kemudian 1100 adalah

jumlah citra yang ada pada basis data.

Hasil Ekstraksi Ciri Tekstur

Hasil dari ekstraksi ciri tekstur

direpresentasikan dalam bentuk matriks yang

berukuran 7x1100, dengan elemen yang terdiri

atas contrast, correlation, energy, homogeneity,

maximum probability, moment, entrophy. Hasil

dari ekstraksi ciri morfologi dan tekstur dapat

dilihat pada Gambar 11.

Hasil Temu Kembali

Citra yang ditemukembalikan ialah citra

yang memiliki kesamaan paling dekat dengan

citra kueri, baik ciri morfologi, tekstur dan

gabungan kedua ciri tersebut. Hasil temu

kembali dengan ciri morfologi, ciri tekstur dan

gabungan keduanya dapat dilihat di Lampiran 2.

Adanya tambahan ciri morfologi berupa


meningkatkan nilai hasil temu kembali. Sebagai

contoh pada Gambar 12 (Annisa 2009), didapat

hasil temu kembali yang relevan berjumlah 12,

dan yang tidak relevan 25 Dengan tambahan

ciri morfologi physiological length dan

physiological width dapat dilihat pada Gambar

13 bahwa hasil temu kembali yang relevan

meningkat menjadi 18 dan yang tidak relevan

19. Perbedaan hasil temu kembali untuk ciri

morfologi dapat dilihat pada Gambar 12 dan 13

8

Gambar 11 Hasil ekstraksi ciri morfologi dan tekstur.

Gambar 12 Hasil temu kembali menggunakan penciri model ciri morfologi tanpa Lp dan Wp.

9

Gambar 13 Hasil temu kembali menggunakan penciri model ciri morfologi dengan tambahan Lp dan

Wp.

Evaluasi Temu Kembali

Evaluasi temu kembali citra dilakukan

dengan cara menghitung nilai recall precision.

Nilai tersebut dihitung dengan menjadikan citra

pada masing-masing kelas sebagai citra kueri.

Tabel 1 memberikan gambaran perubahan

nilai precision rata-rata (MAP) pada penciri

morfologi, tekstur dan Bayesian Network untuk

kelas alpukat. Perubahan nilai MAP pada

penciri morfologi mengalami peningkatan, hal

tersebut diperoleh dari nilai awal MAP sebesar

0.1606 menjadi 0.2134. Kemudian untuk

penciri tekstur tidak ada perubahan nilai MAP,

Pada penciri Bayesian Network diperoleh nilai

awal MAP sebesar 0.1939 menjadi 0.2362.

Secara umum terlihat bahwa pada kelas alpukat

terjadi peningkatan nilai MAP dengan adanya

tambahan Lp dan Wp.

Selain itu Tabel 1 juga memberikan

gambaran perbedaan antara nilai MAP yang

diperoleh dengan metode automatis dan metode

manual. Pada metode automatis nilai Lp

diperoleh dengan menggunakan program

komputer. Pada metode manual nilai Lp

diperoleh dengan asumsi titik ujung pangkal

daun sudah ditentukan diawal. Nilai MAP yang

diperoleh dengan metode automatis adalah

0.2228 untuk penciri morfologi dan 0.2415

untuk Bayesian Network. Nilai MAP dengan

metode manual adalah 0.2134 untuk penciri

morfologi dan 0.2363 untuk Bayesian Network.


precision rata-rata (MAP) pada kelas jamblang

seperti halnya Tabel 1. Perubahan nilai MAP

pada penciri morfologi mengalami penurunan,

hal tersebut dapat dilihat dari nilai awal MAP

sebesar 0.4606 menjadi 0.4586. Kemudian

untuk penciri tekstur tidak ada perubahan,

sedangkan untuk penciri Bayesian Network

diperoleh nilai awal MAP 0.4667 menjadi

0.4637. Untuk kelas jamblang, secara umum

mengalami penurunan nilai MAP.

Selain itu Tabel 2 memberikan gambaran

perbedaan antara nilai MAP yang diperoleh dari

metode automatis dan metode manual. Nilai

MAP yang diperoleh dengan metode automatis

adalah 0.4554 untuk penciri morfologi dan

0.4632 untuk Bayesian Network, sedangkan

pada metode manual nilai MAP yang diperoleh


0.4637 untuk Bayesian Network.

10

Tabel 1 Perbandingan nilai recallprecision dan MAP untuk kelas alpukat

Recall Tanpa Lp dan Wp

Tambahan Lp dan Wp

Automatis Manual

Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian

0.0 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

0.1 0.1981 0.2593 0.2293 0.2435 0.2593 0.2699 0.2376 0.2593 0.2608

0.2 0.1709 0.2112 0.1919 0.1810 0.2112 0.2003 0.1757 0.2112 0.1975

0.3 0.1441 0.1725 0.1625 0.1531 0.1725 0.1679 0.1530 0.1725 0.1690

0.4 0.1272 0.1466 0.1396 0.1380 0.1466 0.1462 0.1382 0.1466 0.1476

0.5 0.1099 0.1157 0.1129 0.1178 0.1157 0.1186 0.1174 0.1157 0.1187

0.6 0.0987 0.0949 0.0957 0.1021 0.0949 0.0971 0.1012 0.0949 0.0969

0.7 0.0993 0.0961 0.0972 0.1028 0.0961 0.0995 0.1017 0.0961 0.0992

0.8 0.1046 0.0994 0.1017 0.1064 0.0994 0.1025 0.1056 0.0994 0.1021

0.9 0.1046 0.0988 0.1022 0.1052 0.0988 0.1024 0.1048 0.0988 0.1022

1.0 0.1020 0.0960 0.1002 0.1035 0.0960 0.1007 0.1034 0.0960 0.1006

MAP 0.1606 0.2134 0.1939 0.2134 0.2134 0.2362 0.2228 0.2134 0.2415

Tabel 2 Perbandingan nilai recallprecision dan MAP untuk kelas jamblang


Tambahan Lp dan Wp

Automatis Manual


0.0 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

0.1 0.8320 0.7228 0.8679 0.7944 0.7228 0.8655 0.7940 0.7228 0.8473

0.2 0.6210 0.6147 0.7321 0.6404 0.6147 0.7678 0.5731 0.6147 0.7317

0.3 0.4622 0.5435 0.6572 0.4521 0.5435 0.6788 0.4119 0.5435 0.6417

0.4 0.3911 0.4641 0.5707 0.3137 0.4641 0.5530 0.2493 0.4641 0.4913

0.5 0.1300 0.1693 0.1836 0.1158 0.1693 0.1662 0.1109 0.1693 0.1476

0.6 0.0792 0.0882 0.0874 0.0758 0.0882 0.0872 0.0749 0.0882 0.0871

0.7 0.0849 0.0961 0.0953 0.0816 0.0961 0.0951 0.0807 0.0961 0.0951

0.8 0.0915 0.1037 0.1028 0.0882 0.1037 0.1024 0.0871 0.1037 0.1024

0.9 0.0973 0.1076 0.1068 0.0932 0.1076 0.1063 0.0922 0.1076 0.1063

1.0 0.0922 0.0956 0.0951 0.0918 0.0956 0.0950 0.0917 0.0956 0.0950

MAP 0.4604 0.4505 0.4667 0.4586 0.4505 0.4637 0.4554 0.4505 0.4632


nilai precision rata-rata (MAP) pada kelas

jambu biji. Perubahan nilai MAP pada penciri

morfologi mengalami peningkatan, hal tersebut

dapat dilihat dari nilai awal MAP sebesar

0.1515 menjadi 0.1649. Kemudian untuk

penciri tekstur tidak ada perubahan, sedangkan

untuk Bayesian Network nilai awal MAP

sebesar 0.1586 menjadi 0.1632. Secara umum

perubahan nilai MAP pada kelas jambu biji

mengalami peningkatan.

Selain itu Tabel 3 juga memberikan


diperoleh dari metode automatis dan metode

manual. Pada metode automatis nilai MAP yang

diperoleh adalah 0.1649 untuk penciri

morfologi dan 0.1670 untuk Bayesian Network.

Pada metode manual nilai MAP yang diperoleh




nilai precision rata-rata (MAP) pada kelas

manggis. Perubahan nilai MAP pada penciri

morfologi mengalami penurunan, hal tersebut

dapat dilihat dari nilai awal MAP yaitu 0.1767

menjadi 0.1635. Kemudian untuk penciri

tekstur tidak ada perubahan, sedangkan untuk

Bayesian Network nilai awal MAP sebesar

0.1874 menjadi 0.1796. Perubahan nilai MAP

pada kelas manggis tidak secara umum

mengalami peningkatan maupun penurunan.

11

Kemudian Tabel 4 juga memberikan


diperoleh dari metode automatis dan metode

manual. Pada metode automatis nilai MAP yang

diperoleh adalah 0.1635 untuk penciri

morfologi dan 0.1874 Bayesian Network. Pada

metode manual nilai MAP yang diperoleh



Selanjutnya untuk tabel perbandingan

recallprecision dan MAP untuk kelas daun

bisbul, cokelat, durian jambu biji, kepel,

menteng dan nangka dapat dilihat pada

Lampiran 3.

Tabel 3 Perbandingan nilai recallprecision dan MAP kelas jambu biji

Recall

Tanpa Lp dan Wp

Tambahan Lp dan Wp

Automatis Manual


0.0 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

0.1 0.4903 0.4556 0.4972 0.5179 0.4556 0.4943 0.4979 0.4556 0.4792

0.2 0.4109 0.3774 0.4088 0.4162 0.3774 0.4083 0.3932 0.3774 0.3936

0.3 0.3251 0.2990 0.3207 0.3353 0.2990 0.3402 0.3207 0.2990 0.3332

0.4 0.2551 0.2559 0.2626 0.2684 0.2559 0.2733 0.2618 0.2559 0.2714

0.5 0.1254 0.1276 0.1332 0.1344 0.1276 0.1369 0.1357 0.1276 0.1382

0.6 0.0725 0.0703 0.0712 0.0730 0.0703 0.0712 0.0729 0.0703 0.0711

0.7 0.0786 0.0773 0.0774 0.0794 0.0773 0.0777 0.0792 0.0773 0.0777

0.8 0.0862 0.0851 0.0848 0.0870 0.0851 0.0852 0.0868 0.0851 0.0852

0.9 0.0943 0.0927 0.0927 0.0949 0.0927 0.0928 0.0947 0.0927 0.0928

1.0 0.0951 0.0935 0.0935 0.0955 0.0935 0.0935 0.0953 0.0935 0.0934

MAP 0.1515 0.1680 0.1586 0.1649 0.1680 0.1670 0.1635 0.1680 0.1632

Tabel 4 Perbandingan nilai recallprecision dan MAP kelas manggis

Recall

Tanpa Lp dan Wp Tambahan Lp dan Wp

Automatis Manual


0.0 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

0.1 0.3928 0.4315 0.4561 0.3720 0.4315 0.4535 0.3802 0.4315 0.4550

0.2 0.2949 0.3254 0.3325 0.2868 0.3254 0.3268 0.2885 0.3254 0.3355

0.3 0.1943 0.2721 0.2453 0.1938 0.2721 0.2424 0.1902 0.2721 0.2440

0.4 0.1692 0.2433 0.2085 0.1667 0.2433 0.1964 0.1662 0.2433 0.2058

0.5 0.1590 0.2111 0.1775 0.1476 0.2111 0.1669 0.1575 0.2111 0.1767

0.6 0.1515 0.1659 0.1574 0.1408 0.1659 0.1556 0.1506 0.1659 0.1577

0.7 0.1454 0.1526 0.1536 0.1278 0.1526 0.1459 0.1436 0.1526 0.1536

0.8 0.1253 0.1397 0.1358 0.1229 0.1397 0.1340 0.1251 0.1397 0.1359

0.9 0.1249 0.1365 0.1341 0.1217 0.1365 0.1328 0.1241 0.1365 0.1340

1.0 0.1163 0.1213 0.1203 0.1112 0.1213 0.1203 0.1147 0.1213 0.1200

MAP 0.1767 0.1965 0.1874 0.1635 0.1965 0.1796 0.1781 0.1965 0.1878

12

Secara umum adanya tambahan Lp dan Wp

dapat meningkatkan nilai recallprecision serta

MAP. Hal tersebut dapat dilihat pada Tabel 5

dan Tabel 6.

Berdasarkan ciri morfologi, kelas daun yang

mengalami peningkatan terjadi pada kelas

alpukat, cokelat, durian, jambu biji, jambu bol,

dan nangka. Peningkatan nilai ciri morfologi

dikarenakan pada kelas daun tersebut memiliki

ciri morfologi yang lebih beragam, sehingga

adanya tambahan ciri physiological length dan

physiological width memengaruhi nilai dari ciri

morfologi secara umum (Tabel 5). Kelas daun

yang mengalami penurunan terjadi pada kelas

bisbul, jamblang, kepel, manggis, menteng.

Penurunan nilai ciri morfologi dikarenakan

pada kelas daun tersebut memiliki ciri

morfologi yang lebih seragam, sehingga adanya

tambahan ciri physiological length dan

physiological width tidak begitu memengaruhi

untuk peningkatan temu kembali secara umum

(Tabel 5).

Selanjutnya berdasarkan model Bayesian

Network kelas daun yang mengalami

peningkatan nilai terjadi pada kelas alpukat,

cokelat, durian, jambu biji, jambu bol, menteng.

Peningkatan pada nilai ciri morfologi

dikarenakan nilai ciri morfologi pada kelas

tersebut mengalami peningkatan (Tabel 5).

Kelas daun yang mengalami penurunan terjadi

pada kelas bisbul, jamblang, kepel, manggis,

nangka. Penurunan pada nilai ciri model

Bayesian Network dikarenakan nilai ciri

morfologi pada kelas tersebut mengalami

penurunan (Tabel 5).

Pada Tabel 6 tersaji nilai precision rata-rata

(MAP) dari setiap kelas daun. Nilai MAP

terbesar terjadi pada kelas daun jamblang,

sedangkan untuk nilai MAP terkecil terjadi pada

kelas daun kepel.

Tabel 5 Nilai perubahan ciri morfologi

dengan tambahan Lp dan Wp

Kelas Delta

Morfologi

Delta

Bayesian

Alpukat 0.0528 0.0422

Bisbul -0.0079 -0.0137

Cokelat 0.0485 0.0376

Durian 0.0708 0.0383

Jamblang -0.0018 -0.0030

Jambu biji 0.0133 0.0083

Jambu Bol 0.0112 0.0015

Kepel -0.0208 -0.0182

Manggis -0.0132 -0.0078

Menteng -0.0027 0.0022

Nangka 0.0001 -0.0119

Gambar 14 memberikan gambaran bahwa

secara umum nilai precision rata-rata (MAP)

dari seluruh kelas meningkat 0.1503 untuk ciri

morfologi dan 0.0756 untuk ciri dengan model

Bayesian Network. Peningkatan secara

signifikan tejadi pada titik recall 0.1 sampai

dengan 0.5, sedangkan untuk titik 0.6 sampai

dengan 1 memiliki kecenderungan nilai yang

sama.

Tabel 6 Perbandingan nilai precision rata-rata (MAP) dengan adanya tambahan Lp dan Wp

Kelas Tanpa Lp dan Wp (Annisa 2009) Tambahan Lp dan Wp

Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian

Alpukat 0.1606 0.2134 0.1939 0.2134 0.2134 0.2362

Bisbul 0.1782 0.0984 0.1541 0.1703 0.0984 0.1405

Cokelat 0.1247 0.1104 0.1201 0.1732 0.1104 0.1576

Durian 0.2112 0.1784 0.2211 0.2820 0.1784 0.2594

Jamblang 0.4604 0.4505 0.4667 0.4586 0.4505 0.4637

Jambu biji 0.1515 0.1680 0.1586 0.1649 0.1680 0.1670

Jambu Bol 0.2527 0.1309 0.1890 0.2639 0.1309 0.1906

Kepel 0.1255 0.1333 0.1316 0.1048 0.1333 0.1134

Manggis 0.1767 0.1965 0.1874 0.1635 0.1965 0.1796

Menteng 0.1305 0.1704 0.1557 0.1277 0.1704 0.1578

Nangka 0.1689 0.2006 0.2066 0.1690 0.2006 0.1947

13

Gambar 14 Grafik perbandingan recall precision menggunakan ciri morfologi, tekstur, dan model

Bayesian Network.

Hasil Uji Statistika

Data yang digunakan untuk uji statistika

ialah data physiological length yang diperoleh

dengan metode automatis dan metode manual.

Uji Levene digunakan untuk menguji apakah

nilai ragam kedua data yang diasumsikan

memilki kesamaan atau tidak. H0

mengasumsikan kedua populasi memiliki ragam

sama sedangkan H1 mengasumsikan kedua

populasi memiliki ragam berbeda. Hasil dari uji

Levene didapat nilai sig (p-value) adalah 0.679

yang lebih besar dari nilai α yaitu 0.05.

Berdasarkan hal tersebut maka hipotesi nol (H0)

diterima, artinya kedua data memiliki nilai

ragam yang sama.

Selanjutnya uji-t digunakan untuk menguji

apakah kedua data berbeda signifikan atau

tidak. H0 mengasumsikan bahwa kedua data

tidak berbeda signifikan, sedangkan H1

mengasumsikan bahwa kedua data berbeda.

Dari hasil uji-t didapatkan nilai sig (p-value)

adalah 0.118, nilai tersebut lebih besar dari nilai

α yaitu 0.05. Berdasarkan hal tersebut maka

hipotesis nol (H0) diterima, artinya kedua data

tidak berbeda signifikan. Dengan kata lain dapat

disimpulkan bahwa metode automatis dan

manual memiliki keakuratan yang sama. Hasil

uji statistika dapat dilihat pada Lampiran 4.

KESIMPULAN DAN SARAN

Kesimpulan

Penelitian ini merupakan bagian dari solusi

akan kebutuhan identifikasi daun. Pendekatan

yang digunakan ialah ekstraksi ciri morfologi

dengan tambahan physiological length dan

physiological width beserta turunanya yaitu,

aspect ratio, rectangularity, narrow factor, dan

perimeter ratio of physiological length and

physiological width.

Hasil precision rata-rata (MAP) dari

ekstraksi ciri morfologi adalah 0.2083,

kemudian hasil ektraksi tekstur adalah 0.1864

dan hasil Bayesian Network adalah 0.2055.

Hasil tersebut menunjukkan bahwa adanya

peningkatan nilai precision rata-rata (MAP)

sebesar 0.0137 untuk ciri morfologi dan 0.0069

untuk model Bayesian Network.

Saran

Hasil temu kembali informasi dengan

pendekatan ciri morfologi dan tekstur serta

gabungan keduanya dapat meningkatkan nilai

precision, penelitian selanjutnya disarankan

dapat mengunakan PNN untuk meningkatkan

nilai kedekatan antara citra kueri dan citra basis

data pada proses penemuan kembali citra helai

daun.

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Pre

cisi

on

Recall

Grafik perbandingan nilai rata-rata Morfologi, Tekstur dan Bayesian

Morfologi

Tekstur

Bayesian

Morfologi dengan Lp dan

Wp

Tekstur dengan Lp dan Wp

Bayesian dengan Lp dan

Wp

14

DAFTAR PUSTAKA

Annisa. 2009. Ekstraksi Ciri Morfologi dan

Tekstur untuk Temu Kembali Citra Helai

Daun. [Skripsi]. Bogor: Fakultas

Matematika dan Ilmu Pengetahuan Alam.

Institut Pertanian Bogor.

Hickey L.J et al. 1999. Manual of Leaf

Architecture - Morphological Description

and Categorization of Dicotyledonous and

Net-Veined Monocotyledonous

Angiosperms by Leaf Architecture. Leaf

Architecture Working Group. Washington

DC.

Imam G. 2001. Aplikasi Analisis Multivariate

Dengan Program SPSS. Universitas

Diponogoro, Semarang.

McAndrew A. 2004. Introduction to Digital

Image Processing with MATLAB. United

States: Course Technology, a division of

Thomson Learning, Inc.

Osadebey ME. 2006. Integrated Content-Based

Image Retrieval Using Texture, Shape and

Spatial Information [thesis]. Umea:

Department of Applied Physics and

Electronics, Umea Univercity.

Pebuardi R. 2008. Pengukuran Kemiripan Citra

Berbasis Warna, Bentuk, dan Tekstur

menggunakan Bayesian Network. [Skripsi].

Bogor: Fakultas Matematika dan Ilmu

Pengetahuan Alam, Institut Pertanian

Bogor.

Rodrigues PS, Arnaldo de AA. 2004. A

Bayesian Network Model Combining

Color, Shape and Texture Information to

Improve Content Based Image Retrieval

Systems. LNCC, Petropolis, Brazil.

Vailaya A. 1996. Shape-Based Image Retrieval

[thesis]. Michigan : Michigan State

Univercity.

Wu SG, et al. 2007. A Leaf Recognition

Algorithm for Plant Classification Using

Probabilistic Neural Network.

http://arxiv.org/pdf/0707.4289 [Desember

2009].

LAMPIRAN

16

Lampiran 1 Contoh citra yang digunakan untuk masing-masing kelas

1 Kelas alpukat

Citra 1

Citra 25

Citra 72

Citra 80

Citra 85

2 Kelas bisbul

Citra 101

Citra 102

Citra 148

Citra 153

Citra 186

3 Kelas cokelat

4 Kelas durian

5 Kelas jamblang

Citra 409 Citra 463 Citra 478 Citra 402 Citra 405



17

Lampiran 1 Lanjutan

6. Kelas jambu biji

7. Kelas jambu bol

8. Kelas kepel

9. Kelas manggis

10. Kelas menteng

Citra 907

Citra 925

Citra 971

Citra 980

Citra 995

11. Kelas nangka

Citra 1004

Citra 1074

Citra 1085

Citra 1080

Citra 1098





18

Lampiran 2 Hasil temu kembali informasi

1 Hasil temu kembali menggunakan penciri morfologi

2 Hasil temu kembali menggunakan penciri tekstur

19

Lampiran 2 Lanjutan

3 Hasil temu kembali menggunakan penciri model Bayesian Network

20

Lampiran 3 Perbandingan nilai recallprecision

1 Perbandingan nilai recall precision pada kelas bisbul


Tambahan Lp dan Wp

Automatis Manual


0.0 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

0.1 0.2274 0.2797 0.2715 0.2776 0.2797 0.3259 0.2787 0.2797 0.3214

0.2 0.1787 0.2115 0.1947 0.1871 0.2115 0.2052 0.1925 0.2115 0.2121

0.3 0.1506 0.1658 0.1672 0.1531 0.1658 0.1688 0.1569 0.1658 0.1720

0.4 0.1290 0.1478 0.1353 0.1296 0.1478 0.1363 0.1305 0.1478 0.1373

0.5 0.1196 0.1200 0.1153 0.1183 0.1200 0.1154 0.1195 0.1200 0.1162

0.6 0.1154 0.1026 0.1079 0.1163 0.1026 0.1091 0.1165 0.1026 0.1087

0.7 0.1172 0.1086 0.1127 0.1168 0.1086 0.1127 0.1176 0.1086 0.1131

0.8 0.1198 0.1093 0.1156 0.1192 0.1093 0.1154 0.1195 0.1093 0.1156

0.9 0.1199 0.1089 0.1166 0.1198 0.1089 0.1167 0.1198 0.1089 0.1167

1.0 0.1202 0.1079 0.1163 0.1199 0.1079 0.1162 0.1199 0.1079 0.1162

2 Perbandingan nilai recall precision pada kelas cokelat


Tambahan Lp dan Wp

Automatis Manual


0.0 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

0.1 0.2629 0.3610 0.3618 0.2806 0.3610 0.3874 0.2819 0.3610 0.3868

0.2 0.2212 0.2764 0.2667 0.2255 0.2764 0.2760 0.2238 0.2764 0.2754

0.3 0.2040 0.2260 0.2271 0.1995 0.2260 0.2214 0.1971 0.2260 0.2204

0.4 0.1879 0.1996 0.2001 0.1845 0.1996 0.1959 0.1807 0.1996 0.1965

0.5 0.1662 0.1758 0.1681 0.1628 0.1758 0.1662 0.1638 0.1758 0.1686

0.6 0.1474 0.1197 0.1350 0.1467 0.1197 0.1339 0.1477 0.1197 0.1347

0.7 0.1364 0.1142 0.1245 0.1356 0.1142 0.1239 0.1360 0.1142 0.1241

0.8 0.1310 0.1144 0.1231 0.1313 0.1144 0.1227 0.1312 0.1144 0.1227

0.9 0.1248 0.1128 0.1207 0.1246 0.1128 0.1205 0.1251 0.1128 0.1208

1.0 0.1187 0.1089 0.1175 0.1181 0.1089 0.1169 0.1184 0.1089 0.1171

3 Perbandingan nilai recall precision pada kelas durian


Tambahan Lp dan Wp

Automatis Manual


0.0 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

0.1 0.4070 0.5606 0.6326 0.5226 0.5606 0.7068 0.5355 0.5606 0.7112

0.2 0.3035 0.4075 0.4392 0.3823 0.4075 0.4963 0.3821 0.4075 0.5047

0.3 0.2236 0.2718 0.2906 0.2722 0.2718 0.3209 0.2654 0.2718 0.3130

0.4 0.1531 0.1884 0.1761 0.1647 0.1884 0.1846 0.1667 0.1884 0.1874

0.5 0.1499 0.1843 0.1620 0.1542 0.1843 0.1665 0.1566 0.1843 0.1684

0.6 0.1430 0.1598 0.1515 0.1463 0.1598 0.1535 0.1476 0.1598 0.1541

0.7 0.0979 0.0913 0.0947 0.0983 0.0913 0.0944 0.0981 0.0913 0.0944

0.8 0.1030 0.0974 0.1003 0.1039 0.0974 0.0994 0.1038 0.0974 0.0995

0.9 0.1064 0.1036 0.1046 0.1073 0.1036 0.1040 0.1074 0.1036 0.1041

1.0 0.0999 0.1011 0.1021 0.1027 0.1011 0.1018 0.1027 0.1011 0.1017

21

Lampiran 3 Lanjutan

4 Perbandingan nilai recall precision pada kelas jambu bol


Tambahan Lp dan Wp

Automatis Manual


0.0 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

0.1 0.2600 0.3762 0.3637 0.2652 0.3762 0.3699 0.2424 0.3762 0.3488

0.2 0.2100 0.2273 0.2239 0.2107 0.2273 0.2230 0.2089 0.2273 0.2222

0.3 0.1906 0.1792 0.2027 0.1901 0.1792 0.2008 0.1917 0.1792 0.2020

0.4 0.1828 0.1658 0.1898 0.1826 0.1658 0.1900 0.1859 0.1658 0.1907

0.5 0.1828 0.1538 0.1725 0.1821 0.1538 0.1723 0.1850 0.1538 0.1745

0.6 0.1793 0.1473 0.1624 0.1785 0.1473 0.1626 0.1805 0.1473 0.1644

0.7 0.1723 0.1407 0.1562 0.1714 0.1407 0.1559 0.1731 0.1407 0.1570

0.8 0.1523 0.1281 0.1400 0.1530 0.1281 0.1401 0.1538 0.1281 0.1398

0.9 0.1367 0.1206 0.1304 0.1373 0.1206 0.1300 0.1362 0.1206 0.1295

1.0 0.1282 0.1130 0.1227 0.1289 0.1130 0.1231 0.1286 0.1130 0.1227

5 Perbandingan nilai recall precision pada kelas kepel


Tambahan Lp dan Wp

Automatis Manual


0.0 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

0.1 0.2709 0.5245 0.4325 0.3672 0.5245 0.4863 0.2759 0.5245 0.4710

0.2 0.2279 0.4443 0.3306 0.2674 0.4443 0.3514 0.2178 0.4443 0.3455

0.3 0.1945 0.3545 0.2630 0.1685 0.3545 0.2544 0.1751 0.3545 0.2605

0.4 0.1621 0.2702 0.1991 0.1422 0.2702 0.2007 0.1440 0.2702 0.1968

0.5 0.1238 0.1414 0.1272 0.1120 0.1414 0.1209 0.1216 0.1414 0.1255

0.6 0.1191 0.1016 0.1056 0.1141 0.1016 0.1032 0.1181 0.1016 0.1051

0.7 0.1237 0.1060 0.1119 0.1189 0.1060 0.1098 0.1233 0.1060 0.1109

0.8 0.1271 0.1123 0.1172 0.1216 0.1123 0.1153 0.1239 0.1123 0.1165

0.9 0.1273 0.1158 0.1194 0.1220 0.1158 0.1182 0.1235 0.1158 0.1180

1.0 0.1119 0.1049 0.1096 0.1114 0.1049 0.1093 0.1075 0.1049 0.1080

6 Perbandingan nilai recall precision pada kelas menteng


Tambahan Lp dan Wp

Automatis Manual


0.0 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

0.1 0.2763 0.3325 0.3308 0.2495 0.3325 0.3124 0.2563 0.3325 0.3345

0.2 0.2076 0.2815 0.2525 0.1855 0.2815 0.2466 0.2089 0.2815 0.2518

0.3 0.1807 0.2474 0.2120 0.1616 0.2474 0.2147 0.1784 0.2474 0.2147

0.4 0.1502 0.2247 0.1863 0.1453 0.2247 0.1875 0.1528 0.2247 0.1892

0.5 0.1239 0.1717 0.1450 0.1201 0.1717 0.1456 0.1242 0.1717 0.1449

0.6 0.1157 0.1448 0.1254 0.1149 0.1448 0.1248 0.1163 0.1448 0.1250

0.7 0.1180 0.1471 0.1287 0.1160 0.1471 0.1276 0.1182 0.1471 0.1286

0.8 0.1212 0.1510 0.1338 0.1175 0.1510 0.1332 0.1219 0.1510 0.1342

0.9 0.1172 0.1531 0.1348 0.1117 0.1531 0.1349 0.1175 0.1531 0.1351

1.0 0.0968 0.1388 0.1197 0.0987 0.1388 0.1198 0.0990 0.1388 0.1201

22

Lampiran 3 Lanjutan

7 Perbandingan nilai recall precision pada kelas nangka


Tambahan Lp dan Wp

Automatis Manual


0.0 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

0.1 0.3989 0.4430 0.4688 0.4322 0.4430 0.4809 0.4299 0.4430 0.4757

0.2 0.3332 0.3626 0.3866 0.3253 0.3626 0.3818 0.3267 0.3626 0.3806

0.3 0.2758 0.3010 0.2987 0.2476 0.3010 0.2922 0.2463 0.3010 0.2925

0.4 0.2089 0.2504 0.2338 0.2067 0.2504 0.2323 0.2035 0.2504 0.2322

0.5 0.1254 0.1453 0.1457 0.1260 0.1453 0.1453 0.1280 0.1453 0.1463

0.6 0.0802 0.0765 0.0766 0.0803 0.0765 0.0765 0.0801 0.0765 0.0761

0.7 0.0864 0.0831 0.0826 0.0858 0.0831 0.0825 0.0857 0.0831 0.0825

0.8 0.0935 0.0905 0.0900 0.0931 0.0905 0.0896 0.0931 0.0905 0.0895

0.9 0.0995 0.0963 0.0965 0.0988 0.0963 0.0958 0.0987 0.0963 0.0958

1.0 0.0992 0.0967 0.0968 0.0986 0.0967 0.0962 0.0986 0.0967 0.0961

23

Lampiran 4 Uji statistika

Data uji stasitika (nilai Lp citra no 1-132)

No Perhitungan

automatis

Perhitungan

manual No

Perhitungan

automatis

Perhitungan

manual No

Perhitungan

automatis

Perhitungan

manual

1 191.3276 190.5177 45 186.3250 185.3267 89 186.3250 181.2760

2 185.5586 183.5756 46 180.0028 178.0112 90 187.2946 183.3303

3 187.0194 189.0608 47 181.0110 181.0028 91 183.0335 180.0444

4 179.2345 179.0112 48 95.1893 94.0213 92 179.0566 179.0698

5 180.5436 179.4714 49 99.2472 101.2423 93 184.3177 181.2209

6 174.5229 172.4906 50 98.0816 99.1262 94 184.2586 182.2142

7 175.4822 169.5789 51 179.4714 180.5436 95 154.0657 151.0828

8 58.0000 59.0085 52 184.1446 182.1016 96 184.2960 218.6618

9 135.2997 136.2351 53 184.8783 185.0838 97 186.6447 187.6832

10 129.1898 128.3160 54 188.4841 184.6104 98 184.6327 176.6380

11 188.1921 187.1710 55 191.1675 191.1675 99 166.2438 160.3777

12 184.2993 181.2760 56 189.1910 189.2644 100 174.2591 168.2409

13 183.2730 183.5347 57 129.3136 128.0976 101 182.0007 182.1757

14 178.8582 181.1077 58 129.0969 127.0984 102 180.1562 180.1777

15 184.0007 184.0109 59 131.1869 130.0961 103 189.0165 189.0106

16 191.0000 193.0000 60 190.0164 190.0026 104 72.1734 74.1687

17 110.1635 111.0180 61 62.0322 59.0339 105 71.1758 73.0616

18 112.0402 109.0367 62 62.2013 60.0750 106 185.0169 186.0108

19 118.1524 119.1512 63 59.1354 61.0737 107 187.0428 187.0428

20 116.7262 117.8346 64 62.1289 63.0317 108 105.0048 106.0000

21 198.1395 182.1757 65 188.4841 186.4537 109 185.0061 185.0108

22 187.1931 188.2658 66 190.6207 187.6726 110 95.2575 95.3362

23 182.1346 183.0983 67 74.3303 75.3127 111 98.2497 96.2549

24 184.2715 186.2686 68 73.4370 73.3485 112 81.0555 81.1542

25 83.0542 86.0930 69 75.1066 74.2428 113 183.0437 184.0679

26 86.0058 86.0058 70 75.2396 74.4312 114 114.0702 117.1537

27 83.6002 84.4808 71 191.5124 183.8831 115 114.0702 115.1086

28 173.7851 172.8381 72 192.0937 190.0658 116 185.0432 183.0983

29 94.0479 94.0479 73 190.1112 191.1282 117 113.0708 110.0727

30 86.0233 86.0233 74 179.2345 177.6345 118 112.0714 122.0041

31 92.0217 95.0474 75 57.0789 56.0089 119 187.0241 190.0105

32 105.5746 106.6771 76 56.0803 56.0357 120 116.1077 190.0105

33 106.9205 107.9120 77 59.0339 56.0357 121 111.0000 112.0045

34 183.6981 187.7711 78 57.5587 56.5685 122 187.0428 189.0423

35 183.0246 180.0028 79 54.4518 55.5788 123 180.0562 180.0111

36 180.0111 181.0249 80 56.5685 57.5587 124 114.0000 113.0000

37 111.0000 111.0045 81 55.3263 55.4437 125 108.0104 108.0000

38 106.0189 106.0047 82 54.2794 54.5894 126 186.0430 186.0967

39 110.1635 110.2905 83 187.6832 184.7837 127 184.0679 186.0967

40 114.2804 191.3766 84 190.2899 188.2658 128 134.2386 133.1841

41 109.2932 110.2905 85 186.0813 185.1324 129 192.1666 192.1276

42 192.4396 191.3766 86 187.0167 187.0107 130 140.0571 141.0035

43 188.3826 188.3826 87 188.0106 183.0109 131 139.0324 141.0035

44 188.2399 190.3182 88 187.3533 181.2760 132 186.0000 188.0000

24

Lampiran 4 Lanjutan

Data Lp no 133-195

No Perhitungan

automatis

Perhitungan

manual No

Perhitungan

automatis

Perhitunga

n manual No

Perhitungan

automatis

Perhitungan

manual

133 129.0969 131.0343 177 186.0027 182.0110 221 135.6733 135.7240

134 81.1542 78.0577 178 78.0000 76.1643 222 129.2797 128.3900

135 130.0000 128.0039 179 182.0062 179.0112 223 189.4466 189.5178

136 187.0000 186.0108 180 183.0027 179.0028 224 135.0454 132.0038

137 124.0040 124.0000 181 183.0061 180.0000 225 195.4329 193.3727

138 123.0163 123.0163 182 177.1384 174.1838 226 192.4396 192.4396

139 185.0007 184.0027 183 177.1588 173.1849 227 138.0734 135.0592

140 100.0800 99.0202 184 177.2548 172.2353 228 137.1541 134.1343

141 99.0808 98.1275 185 183.0246 182.0440 229 192.2108 192.2602

142 178.1797 178.2274 186 188.0060 185.0243 230 192.0104 182.0000

143 100.0800 94.1913 187 188.0027 184.0245 231 116.0269 115.0043

144 100.1249 106.1697 188 188.2930 185.3267 232 188.1495 188.0957

145 83.2166 80.2247 189 74.0068 75.2396 233 140.0321 138.0145

146 184.0435 183.0683 190 186.2686 186.2686 234 196.5960 195.6042

147 109.1146 103.1213 191 186.7753 184.6943 235 198.1161 195.8009

148 110.1136 93.0860 192 186.3552 185.3888 236 148.1654 147.1666

149 111.0720 105.0428 193 187.3533 187.3233 237 144.4991 144.6790

150 128.0000 127.0000 194 186.0027 184.0109 238 195.0282 194.0335

151 128.0039 127.0157 195 183.1338 178.1376 239 194.7434 195.8290

152 134.0037 129.0620 196 187.0107 187.0000 240 135.0009 133.0601

153 135.0333 132.1855 197 188.0166 187.0027 241 195.0160 194.0103

154 129.0969 127.1928 198 189.0324 186.0430 242 132.4575 131.7460

155 129.3136 127.3185 199 183.1536 179.1787 243 195.4789 191.3870

156 176.2300 175.2855 200 85.0059 81.0000 244 137.0009 134.0037

157 130.7517 128.6585 201 189.1296 190.1289 245 195.2313 193.2589

158 130.8625 130.7517 202 111.8794 111.1575 246 89.1698 89.4539

159 118.0000 118.0042 203 108.0185 104.0192 247 194.1391 193.1450

160 121.9262 120.8139 204 195.0923 189.0238 248 82.0549 79.2275

161 122.6907 119.7080 205 195.1852 186.0430 249 190.1480 187.0962

162 84.2912 83.2166 206 195.4667 194.8333 250 113.0542 110.0409

163 84.0000 84.0000 207 204.6192 189.6760 251 193.1450 187.1817

164 84.0536 83.0060 208 189.1296 186.4537 252 102.0600 99.4082

165 186.0060 184.0000 209 130.3006 95.0053 253 194.8333 191.7551

166 189.0106 186.0027 210 181.3395 177.2484 254 85.2115 84.0952

167 176.1817 175.2313 211 191.0942 185.0432 255 85.1778 84.3801

168 185.0007 183.3930 212 86.1220 81.8841 256 197.4487 195.8009

169 188.0007 186.2176 213 91.5601 86.8332 257 192.8296 195.1666

170 175.0864 168.0119 214 187.5613 183.3930 258 101.0000 101.7890

171 184.0170 180.1000 215 183.1973 182.2224 259 191.7114 190.9476

172 178.0169 174.7341 216 165.1938 163.1962 260 73.0154 72.0278

173 177.8630 176.9181 217 165.2188 166.2438 261 191.3276 188.2897

174 182.0831 180.1000 218 175.0007 174.0000 262 191.1570 188.4091

175 182.0556 180.1000 219 195.0058 195.0103 263 85.0000 83.0060

176 184.0061 179.0698 220 193.5071 190.5912 264 195.7837 193.0389

25

Lampiran 4 Lanjutan

Data Lp no 265-396

No Perhitungan

automatis

Perhitungan

manual No

Perhitungan

automatis

Perhitungan

manual No

Perhitungan

automatis

Perhitungan

manual

265 190.59119 192.50974 309 59.033889 56.0803 353 195.1256 195.16403

266 82.024387 79.101201 310 181.00622 179 354 193.01619 192.0026

267 81.124904 80.156098 311 189.29144 189.31984 355 70.064256 70.178344

268 189.19104 190.1289 312 193.18709 186.17196 356 195.14418 185.06756

269 190.28991 191.37659 313 55.145263 57.078893 357 190.7151 187.60064

270 185.09727 182.09887 314 187.09623 188.06648 358 68.264193 69.260378

271 119.0042 119.01681 315 47.169906 49.497475 359 184.87834 182.79223

272 195.50192 197.49684 316 41.048752 43.185646 360 188.90805 186.86894

273 121.14867 118.20744 317 185.32674 184.39089 361 66.068147 66.121101

274 121.20231 117.15375 318 190.16835 188.17014 362 183.03347 179.04469

275 190.00066 190.01053 319 53.084838 54.009258 363 66 65

276 104.17293 104.12012 320 53.150729 53.338541 364 191.03207 190.06578

277 187.56132 145.43727 321 178.10109 176.22996 365 66 66

278 182.83941 181.70581 322 49.040799 50.089919 366 193.05245 190.09471

279 102.00123 101 323 190.05328 186.02419 367 66.007575 65.192024

280 185.05472 186.02419 324 193.06476 186.04301 368 195.07755 196.06377

281 126.00099 126.00397 325 56.035703 55.036352 369 187.24115 186.21761

282 131.02385 128.06248 326 195.00064 196.00255 370 66.007575 69.065187

283 189.26437 192.16659 327 195.00256 196.02296 371 196.41092 194.61244

284 189.23861 129.32131 328 74.108029 75.239617 372 68.593003 70.710678

285 187.26719 184.21998 329 74.006756 72.027772 373 194.19385 193.03886

286 188.09572 184.04347 330 75 75.006666 374 68.468971 69.115845

287 113.00111 113.03982 331 191.00262 189.01058 375 193.3727 197.49684

288 186.05443 186.04301 332 190.44422 187.38463 376 191.34589 188.52056

289 186.05443 186.02419 333 190.37857 189.26437 377 190.44422 190.51509

290 186.02419 185.0027 334 74 74.027022 378 63.031738 64.031242

291 189.00066 187.01069 335 192.0319 190.0421 379 173.20869 168.07439

292 117.20921 116.15507 336 183.57355 182.4637 380 72.249567 70.859015

293 116.15507 116.15507 337 186.56433 187.52333 381 192.58505 189.5943

294 183.69812 181.70581 338 73 72.006944 382 63.007936 63.007936

295 183.42642 186.52614 339 189.80846 191.84629 383 191.10272 189.06084

296 114.00439 114 340 189.19104 185.21879 384 64.031242 65.069194

297 188.00066 187 341 75.006666 74.006756 385 192.8419 188.67962

298 188.01064 190.00263 342 193.09324 191.09422 386 52.239832 111.01802

299 80.224684 78.313473 343 191.04188 193.09324 387 188.01396 187.07218

300 78.00641 77.02597 344 72.111026 72.249567 388 189.00595 189.00265

301 192.0319 191.02356 345 186.26862 185.32674 389 53.150729 55.326305

302 189.19104 189.04232 346 184.27154 185.21879 390 197.2942 193.82982

303 59.135438 61 347 73.24616 74.242845 391 195.97257 190.05526

304 187.19308 183.3303 348 189.34954 187.38463 392 76.485293 74.953319

305 192.2869 193.25889 349 189.31984 187.38463 393 187.87829 190.07367

306 191.23611 192.21082 350 188.23987 183.22118 394 63.126856 65.375837

307 68.066144 68.117545 351 185.42182 184.53184 395 186.09675 185.06756

308 192.26284 193.03886 352 186.91776 183.0956 396 184.06792 183.06829

26

Lampiran 4 Lanjutan

Data Lp no 397-527

No

Perhitungan

automatis

Perhitungan

manual No

Perhitungan

automatis

Perhitungan

manual No

Perhitungan

automatis

Perhitungan

manual

397 184.0679 183.0683 441 140.6983 141.0035 485 27.2947 20.0000

398 188.0219 184.6998 442 141.1524 126.4951 486 27.1662 22.0000

399 60.6712 59.6825 443 131.9394 129.0155 487 27.1662 23.0868

400 187.5420 181.4635 444 135.0148 141.0319 488 29.1548 25.0200

401 71.4493 72.8354 445 140.6983 136.0331 489 108.1573 23.0217

402 15.1327 15.1327 446 143.2236 134.5362 490 18.0113 18.4391

403 144.7342 141.0567 447 142.6184 141.2232 491 26.0192 29.7321

404 143.1992 141.0567 448 144.1007 137.2953 492 138.0036 139.0144

405 140.8900 138.2317 449 142.3692 136.0588 493 137.8731 137.5245

406 137.1860 133.0038 450 134.9518 138.2317 494 136.0000 136.4441

407 16.2788 17.1172 451 136.9379 136.1323 495 139.1761 143.2829

408 15.1327 14.0357 452 144.1839 144.1700 496 135.2997 128.6585

409 15.0333 15.1327 453 143.1712 139.0324 497 136.0331 131.5295

410 15.1327 16.0312 454 138.1304 134.0933 498 135.6245 138.3618

411 136.6199 134.0933 455 134.0037 139.0575 499 139.1294 137.5245

412 137.4409 140.1285 456 142.0880 133.0000 500 135.2997 135.0592

413 136.0662 133.0601 457 133.3754 20.3961 501 1.0000 19.2354

414 131.2402 128.1913 458 20.0000 20.0000 502 45.3982 47.2652

415 140.8013 137.0036 459 20.0000 134.0149 503 193.3423 183.0027

416 138.1774 137.1022 460 137.0584 134.7294 504 44.0114 45.3542

417 130.4186 123.3572 461 138.4630 20.3961 505 44.0000 43.6807

418 130.2306 125.2996 462 20.0000 125.1439 506 188.9080 184.1738

419 121.1487 140.3460 463 132.0189 24.0000 507 56.0000 55.0364

420 18.0278 18.1108 464 26.6833 25.0799 508 57.5587 56.0089

421 17.0000 18.4391 465 144.0000 144.4195 509 185.8736 178.1797

422 17.0000 17.0294 466 143.3492 26.0192 510 64.1249 62.2896

423 20.0998 20.0998 467 1.0000 140.1749 511 61.0000 58.5491

424 18.1108 20.2237 468 141.2303 142.4149 512 179.4018 170.5755

425 17.0294 18.1108 469 153.4438 18.4391 513 173.6930 168.4280

426 18.1108 17.2627 470 1.0000 139.2300 514 59.3043 58.0345

427 17.0294 4.0000 471 141.0284 136.0919 515 57.1402 56.0000

428 18.0278 20.3961 472 108.1573 22.0907 516 191.0497 178.0000

429 17.0000 19.1050 473 140.6840 134.3503 517 58.0775 57.1402

430 22.0227 18.0278 474 108.1573 20.0250 518 59.1354 57.5587

431 22.0000 23.0868 475 131.3811 108.1157 519 186.1881 177.1327

432 20.0250 20.2237 476 24.0000 24.0208 520 52.4690 51.2445

433 20.0000 20.2237 477 136.6199 134.0037 521 181.0249 174.0718

434 20.0000 20.0250 478 27.1662 23.0217 522 55.1453 52.0096

435 20.0000 19.0263 479 138.6110 136.1323 523 184.4241 179.1368

436 134.5362 142.6885 480 26.3059 23.0217 524 1.0000 58.2151

437 134.9518 140.0893 481 139.1761 136.7187 525 184.0978 180.0111

438 125.9365 144.6824 482 27.1662 24.0000 526 53.1507 55.0091

439 140.0143 140.0143 483 140.0893 145.0034 527 190.1900 186.2686

440 175.8010 139.0144 484 135.8308 135.0148 528 215.7806 84.7231

27

Lampiran 4 Lanjutan

Data Lp no 529-660

No

Perhitungan

automatis

Perhitungan

manual No

Perhitungan

automatis

Perhitungan

manual No

Perhitungan

automatis

Perhitungan

manual

529 50.1597 48.5077 573 193.5439 189.2644 617 192.0788 182.0110

530 188.0425 183.0109 574 40.0125 41.0488 618 139.0009 134.6291

531 43.0000 50.0100 575 195.1442 195.0923 619 194.0026 180.0056

532 190.7151 182.8879 576 36.0000 37.1214 620 154.1493 149.7231

533 54.8179 55.3624 577 190.3477 182.1346 621 194.0644 184.3909

534 183.0983 170.1058 578 27.0740 29.1548 622 160.8011 157.4071

535 186.6447 175.1028 579 195.0160 187.0241 623 186.5503 181.0249

536 39.0000 41.1096 580 38.0526 37.0135 624 161.1312 160.0781

537 192.3798 181.3339 581 195.1640 191.1675 625 187.0027 187.0428

538 43.0465 40.7922 582 38.0526 40.0500 626 167.7647 163.8841

539 176.4830 173.1185 583 195.0314 191.3165 627 194.0058 192.0234

540 40.0125 39.8121 584 39.0512 38.3275 628 143.0219 139.0899

541 183.8348 178.8100 585 191.1106 181.0028 629 183.0007 180.0250

542 40.0125 40.1123 586 190.0421 188.0425 630 148.0211 143.0140

543 194.3071 190.3943 587 36.0000 36.2215 631 189.0026 179.0251

544 193.0026 186.0430 588 39.0128 38.1182 632 164.3358 160.1999

545 47.1699 45.1774 589 190.0237 187.0000 633 195.6151 188.6796

546 193.2337 187.0428 590 191.0007 183.0027 634 164.1714 160.0781

547 192.0234 184.0435 591 49.0102 50.0400 635 192.4396 186.4537

548 39.6232 39.2046 592 193.0006 192.0026 636 172.0589 165.0757

549 185.2188 181.9945 593 49.0102 51.0882 637 192.1100 191.2119

550 40.0500 41.1947 594 190.2899 190.5912 638 173.1221 167.1466

551 190.8042 185.2188 595 41.0122 43.0465 639 192.4065 179.5467

552 45.0000 43.1856 596 191.8463 189.4466 640 139.0000 127.0039

553 184.0109 185.0973 597 41.0122 41.0488 641 186.0168 176.0454

554 43.4166 42.1900 598 191.8939 181.8928 642 139.1294 127.3931

555 197.6240 198.1540 599 45.2769 48.3735 643 189.0952 179.0000

556 43.4166 46.5296 600 195.0923 193.2097 644 124.2266 118.9496

557 195.3100 185.0838 601 48.0000 47.1699 645 184.4241 177.5528

558 48.0104 46.0000 602 195.2076 192.4396 646 143.1965 134.0933

559 193.1657 183.1748 603 178.1579 175.1399 647 192.1100 187.0428

560 46.0435 46.0435 604 136.0662 123.5840 648 140.3968 112.0179

561 195.0231 193.0233 605 188.6379 180.2776 649 183.2212 178.2274

562 195.0641 193.1269 606 175.4822 172.3514 650 117.0011 196.2549

563 50.0100 52.0384 607 190.0237 185.0027 651 190.0658 182.1757

564 190.0237 183.0000 608 161.1521 121.1033 652 111.0045 105.0190

565 195.0026 197.0406 609 194.0316 192.3148 653 187.1129 183.0983

566 55.2268 55.0000 610 143.0219 136.1323 654 185.0817 171.1432

567 195.0775 187.1710 611 184.0027 177.0452 655 86.3134 80.0062

568 55.2268 57.0000 612 134.1343 121.2642 656 186.4242 162.7821

569 195.4667 122.3806 613 177.3732 165.1091 657 89.0056 78.2304

570 55.2268 56.0357 614 175.7761 175.6417 658 144.1050 116.1034

571 193.4942 189.5257 615 195.5761 190.7590 659 181.0442 148.2970

572 55.2268 56.0089 616 175.7761 171.0585 660 124.9650 118.9496

28

Lampiran 4 Lanjutan

Data Lp no 661-792

No

Perhitungan

automatis

Perhitungan

manual No

Perhitungan

automatis

Perhitungan

manual No

Perhitungan

automatis

Perhitungan

manual

661 188.5338 179.0475 705 128.1405 128.1405 749 81.0000 80.0000

662 115.0011 107.0187 706 91.6624 91.6624 750 184.0245 178.0028

663 123.0091 122.0000 707 184.9676 183.0000 751 98.1275 96.0000

664 186.0000 179.0028 708 93.3435 93.3435 752 190.2761 189.9526

665 93.0336 94.2603 709 195.0006 188.0106 753 137.8876 96.0052

666 168.5022 160.4494 710 138.0036 138.0036 754 192.0527 192.2108

667 97.2895 90.2718 711 193.1871 190.2130 755 107.0420 4.2426

668 177.2823 168.6683 712 147.7092 147.7092 756 195.0103 189.0238

669 123.0041 120.0167 713 196.0746 186.8689 757 87.0930 86.0930

670 178.1376 176.0710 714 195.6151 191.7551 758 195.0519 186.0242

671 123.0010 118.0042 715 143.2236 143.2236 759 141.5344 93.0000

672 195.1256 184.1331 716 195.2313 193.3132 760 191.0530 186.0967

673 132.1363 128.0156 717 105.0048 105.0048 761 101.3195 100.3195

674 189.0952 184.0679 718 195.3689 189.3806 762 189.0026 186.0108

675 133.0150 127.0039 719 108.2266 110.0000 763 96.1315 95.1315

676 188.0665 182.1346 720 194.1262 189.0952 764 193.2337 183.2730

677 113.2166 109.2245 721 63.0079 63.0079 765 97.7394 95.2575

678 192.0163 185.0676 722 189.2644 181.5406 766 195.1442 190.1289

679 194.0316 187.0428 723 103.3102 103.3102 767 79.0569 73.1095

680 166.0271 165.0121 724 189.0952 190.1683 768 184.0435 175.0114

681 111.0552 104.2353 725 110.0000 102.0441 769 194.1262 191.0942

682 180.2249 167.2991 726 187.0668 178.0449 770 81.0000 82.0244

683 112.0179 108.0046 727 89.0000 98.7320 771 189.0165 117.8855

684 183.0061 172.0116 728 189.5554 182.4637 772 83.0963 85.9884

685 105.3043 102.1763 729 190.8507 187.8643 773 77.0065 28.6356

686 180.0174 177.0028 730 86.0523 86.0523 774 195.0058 86.7006

687 177.0000 170.0029 731 188.0425 180.1000 775 74.0068 107.5407

688 173.0029 169.0118 732 94.0479 94.0053 776 191.0105 93.1719

689 161.3420 155.2063 733 189.1117 184.2200 777 137.0000 105.4751

690 194.0522 185.0108 734 1.0000 100.0050 778 109.7725 117.6605

691 158.9119 152.4729 735 193.0525 193.1657 779 195.4738 107.7822

692 190.5813 182.8879 736 102.2595 95.3520 780 1.0000 115.3170

693 155.0395 148.1216 737 194.9776 189.1692 781 195.9726 117.2391

694 158.1336 150.1632 738 107.2287 107.2287 782 116.0043 103.9423

695 195.0923 187.2165 739 196.8604 194.1262 783 191.8000 54.0093

696 160.1999 150.2698 740 100.1249 100.1249 784 91.3510 97.2934

697 189.0060 186.0242 741 179.0175 176.0454 785 188.5975 113.5341

698 195.0410 184.0679 742 96.5091 95.5249 786 76.0263 74.4648

699 171.1644 168.0476 743 181.1001 176.5673 787 183.0171 123.4585

700 195.1256 191.2616 744 91.0222 90.0222 788 52.6118 71.0282

701 175.0578 173.0462 745 190.0007 187.0000 789 186.3552 122.2865

702 191.1472 192.2602 746 95.0474 94.0213 790 86.0000 88.9550

703 144.0312 138.0906 747 94.1933 93.1933 791 191.0654 127.8006

704 194.0644 187.0107 748 190.1683 180.1777 792 110.0000 111.8034

29

Lampiran 4 Lanjutan

Data Lp no 793-924

No

Perhitungan

automatis

Perhitungan

manual No

Perhitungan

automatis

Perhitungan

manual No

Perhitungan

automatis

Perhitungan

manual

793 195.0775 93.6216 837 64.1950 63.1269 881 87.2812 89.6772

794 161.5240 129.4179 838 1.0000 64.1249 882 134.0037 137.7135

795 194.5790 188.3215 839 124.9040 139.2911 883 75.0267 76.0263

796 190.0237 122.8007 840 1.0000 63.0714 884 128.0156 130.0000

797 76.1052 75.1665 841 1.0000 133.2404 885 87.0919 85.0059

798 195.1083 191.2119 842 1.0000 138.1774 886 142.4254 130.0154

799 1.0000 105.0190 843 1.0000 113.1106 887 133.0940 134.0149

800 192.0319 182.0687 844 1.0000 135.0333 888 137.6154 124.0161

801 175.0257 145.1241 845 1.0000 96.1301 889 1.0000 68.7314

802 128.0976 130.5067 846 142.1724 143.0874 890 142.5553 142.0211

803 132.7902 128.0625 847 131.1068 133.3042 891 1.0000 66.1891

804 1.0000 60.5310 848 58.0345 56.0357 892 1.0000 138.0145

805 137.1787 134.0933 849 57.0351 55.0091 893 56.2228 57.1402

806 129.2478 128.1405 850 128.1327 121.1033 894 126.4792 128.1405

807 130.6139 128.0976 851 128.4718 121.4125 895 56.2228 55.0000

808 52.6308 56.6480 852 45.3542 48.7647 896 124.2578 132.0152

809 126.2894 120.7021 853 123.0813 116.4818 897 1.0000 65.0077

810 132.0038 61.9839 854 117.5457 119.3692 898 1.0000 137.0036

811 141.4107 139.2623 855 101.4150 99.1413 899 1.0000 68.1175

812 131.0954 129.1395 856 132.3782 141.2303 900 126.1428 124.5793

813 134.2386 123.0366 857 104.9381 101.5972 901 106.7942 102.7035

814 138.1304 135.0926 858 138.7552 140.8013 902 113.1106 107.0000

815 92.0054 90.0500 859 89.1403 86.0000 903 113.0398 110.0182

816 137.7135 139.3592 860 129.0155 130.0961 904 61.0082 59.0762

817 128.5613 129.1395 861 83.2166 84.0952 905 58.0086 58.2151

818 75.0000 67.0671 862 135.4474 135.0000 906 49.1630 49.2544

819 63.0714 68.0661 863 55.1453 57.0351 907 50.2494 50.6360

820 125.0360 137.2953 864 120.1499 116.1551 908 122.3315 121.3425

821 120.0000 131.3811 865 48.3735 52.2398 909 125.7816 135.0741

822 60.1332 61.3922 866 128.0000 110.1635 910 124.6796 127.8828

823 1.0000 60.8276 867 60.2080 62.1289 911 110.6526 111.8794

824 131.0153 131.5485 868 120.2664 118.0169 912 51.9711 51.9711

825 127.0039 126.7754 869 53.1507 51.9711 913 57.0701 53.9351

826 101.2423 99.3227 870 123.2274 128.4562 914 107.7079 114.4814

827 1.0000 102.1225 871 104.1201 101.0445 915 113.6002 118.3596

828 65.2763 63.0317 872 132.3065 131.0343 916 55.0000 54.0370

829 130.0615 141.0142 873 116.2970 117.1537 917 134.0037 133.0038

830 132.9662 131.3811 874 50.8035 51.6624 918 133.0038 131.0038

831 81.1542 83.8630 875 127.5774 135.8565 919 65.9242 65.9242

832 79.2275 81.7863 876 133.6338 133.4054 920 117.3882 116.7262

833 139.1294 137.1860 877 85.3288 81.7863 921 60.2993 62.2013

834 91.7878 93.2631 878 130.3840 135.7129 922 125.1000 122.0369

835 144.3468 141.1737 879 94.0479 94.3663 923 71.7008 71.7008

836 140.1749 138.2932 880 137.4627 138.4630 924 106.7942 107.8703

30

Lampiran 4 Lanjutan

Data Lp no 925-1056

No

Perhitungan

automatis

Perhitungan

manual No

Perhitungan

automatis

Perhitungan

manual No

Perhitungan

automatis

Perhitungan

manual

925 68.0294 66.0000 969 113.0044 112.0045 1013 182.8879 182.1016

926 128.4718 134.1343 970 47.0956 47.0425 1014 180.2776 179.4714

927 42.7200 54.2033 971 102.2399 100.0800 1015 53.0377 54.2310

928 129.5531 130.9198 972 34.3657 32.3883 1016 52.0384 51.1566

929 96.1301 134.4061 973 113.8640 111.0180 1017 50.0899 50.0400

930 46.0977 49.7695 974 35.0000 37.6563 1018 189.0026 188.0106

931 44.2832 44.5982 975 127.3931 125.4831 1019 183.3930 181.4663

932 127.0945 126.4911 976 106.9439 51.4782 1020 65.7343 68.4105

933 112.1606 119.9208 977 126.0635 142.0880 1021 66.4906 95.3520

934 43.1856 41.0488 978 42.0000 44.1814 1022 189.0423 188.0239

935 122.0369 122.2620 979 116.2110 118.1524 1023 186.1135 184.1738

936 111.7900 39.0000 980 1.0000 53.0848 1024 183.0553 184.0245

937 157.4929 116.0043 981 105.2236 138.0906 1025 54.0093 53.0377

938 56.0803 51.1957 982 50.1597 53.0848 1026 54.1479 53.1507

939 49.3356 52.3259 983 131.0611 133.0000 1027 187.4867 186.3867

940 124.7237 143.6732 984 32.0000 32.7567 1028 176.0028 176.0114

941 39.1152 38.0526 985 34.0230 35.0143 1029 180.0007 179.0028

942 30.4138 31.3050 986 135.0044 136.1323 1030 53.0377 56.0803

943 98.0459 119.5073 987 32.1240 32.0624 1031 52.0000 53.0094

944 111.6468 128.3160 988 140.0000 142.0211 1032 52.0384 53.0848

945 24.7386 27.5136 989 122.4296 42.1070 1033 188.0425 188.0425

946 96.1301 102.7035 990 127.5657 125.4831 1034 190.0026 191.0026

947 26.1725 26.0768 991 146.8400 41.0488 1035 187.5613 184.9784

948 92.0869 94.1913 992 113.1371 130.7517 1036 47.0425 46.1736

949 116.2110 115.2779 993 136.4001 60.0083 1037 42.1900 42.1900

950 41.0122 42.0476 994 169.1981 140.2284 1038 186.5643 183.4612

951 139.0036 137.0036 995 58.0000 56.2939 1039 189.7189 192.0443

952 41.0488 42.2966 996 132.7742 141.1559 1040 150.9048 153.0621

953 142.4254 141.3542 997 134.4619 51.0098 1041 149.8566 150.6519

954 24.7386 26.9258 998 124.1491 143.5897 1042 50.2494 54.9181

955 26.0192 24.0208 999 51.7880 57.0351 1043 52.2398 52.4690

956 145.0862 144.2221 1000 132.2309 145.0310 1044 191.2119 189.1692

957 159.4561 160.6549 1001 1.0000 67.0075 1045 177.1017 175.1028

958 177.1017 175.2313 1002 52.1536 52.2398 1046 67.0075 69.0000

959 131.0000 146.0308 1003 53.0848 54.1479 1047 191.1890 188.1303

960 132.1363 132.1363 1004 192.5850 192.7511 1048 190.0237 190.0105

961 85.0529 78.0256 1005 187.5233 186.4537 1049 65.1230 69.4622

962 87.3670 86.4696 1006 183.2464 180.2249 1050 65.1230 66.1891

963 123.7942 121.9262 1007 68.1175 68.0294 1051 190.1683 193.2097

964 87.0919 86.0930 1008 72.1110 72.1110 1052 180.9482 180.8978

965 24.0000 26.0768 1009 180.1000 179.1005 1053 65.1153 65.3070

966 88.1192 87.8237 1010 187.0541 186.0242 1054 60.0000 61.0328

967 134.9741 134.3466 1011 50.0400 50.0899 1055 192.0007 191.0000

968 46.0435 45.0999 1012 47.2652 50.3587 1056 181.6625 180.7097

31

Lampiran 4 Lanjutan

Data Lp no 1057-1100

No

Perhitungan

automatis

Perhitungan

manual No

Perhitungan

automatis

Perhitungan

manual No

Perhitungan

automatis

Perhitungan

manual

1057 53.0377 53.0377 1072 58.0086 58.0345 1087 172.5290 172.4181

1058 189.0952 189.1296 1073 56.0357 54.0093 1088 176.4795 177.4768

1059 187.3846 187.3846 1074 58.0345 59.0085 1089 49.0102 50.0000

1060 181.0062 176.0000 1075 186.0242 183.0246 1090 49.0918 50.3587

1061 181.0028 180.0028 1076 183.0109 182.0687 1091 184.1446 182.3321

1062 60.1332 59.0762 1077 174.2075 174.1034 1092 186.1881 186.3035

1063 57.0789 56.0357 1078 172.1228 168.1904 1093 180.5436 182.7922

1064 62.1289 64.0703 1079 54.0370 55.0364 1094 168.0067 169.0118

1065 188.1303 185.0973 1080 59.0000 60.0750 1095 45.5412 46.0977

1066 189.4129 189.3806 1081 194.0103 190.0105 1096 45.1774 48.1664

1067 64.0703 64.0703 1082 185.0061 188.0027 1097 173.6491 172.6528

1068 58.0345 57.0000 1083 180.2249 177.2287 1098 179.4359 174.2871

1069 186.9679 184.7837 1084 186.2176 184.1738 1099 163.0928 164.0274

1070 184.8783 182.8879 1085 43.4166 46.0109 1100 53.0094 71.3442

1071 190.0164 187.0107 1086 48.0000 48.0416

32

Lampiran 4 Lanjutan

Hasil Uji Statsitika

The LOKAL subcommand of the SET command has an invalid parameter. It could

not be mapped to a valid backend lokale.

Your temporary usage period for IBM SPSS Statistics will expire in 14 days.

SAVE OUTFILE='D:\ASRAMA\data_spss.sav'

/COMPRESSED.

T-TEST GROUPS=Metode(1 2)

/MISSING=ANALYSIS

/VARIABLES=LP

/CRITERIA=CI(.95).

T-Test

Notes

Output Created 11-Nov-2010 10:04:48

Comments

Input Data D:\ASRAMA\data_spss.sav

Active Dataset DataSet0

Filter <none>

Weight <none>

Split File <none>

N of Rows in Working Data

File

2200

Missing Value Handling Definition of Missing User defined missing values are treated as

missing.

Cases Used Statistics for each analysis are based on the

cases with no missing or out-of-range data

for any variable in the analysis.

Syntax T-TEST GROUPS=Metode(1 2)

/MISSING=ANALYSIS

/VARIABLES=LP

/CRITERIA=CI(.95).

Resources Processor Time 00 00:00:00,031

Elapsed Time 00 00:00:00,281

33

Lampiran 4 Lanjutan

[DataSet0] D:\ASRAMA\data_spss.sav

Group Statistics

Metode N Mean Std. Deviation Std. Error Mean

LP Manual 1100 131,562983 55,6385155 1,6775644

Automatis 1100 127,876837 55,0045071 1,6584483

Independent Samples Test

Levene's Test for Equality of Variances

F Sig.

LP Equal variances assumed ,172 ,679

Equal variances not assumed


t-test for Equality of Means

t df Sig. (2-tailed) Mean Difference

LP Equal variances assumed 1,563 2198 ,118 3,6861454

Equal variances not assumed 1,563 2197,711 ,118 3,6861454


t-test for Equality of Means

Std. Error

Difference

95% Confidence Interval of the

Difference

Lower Upper

LP Equal variances assumed 2,3589559 -,9398706 8,3121613

Equal variances not assumed 2,3589559 -,9398709 8,3121617

ekstraksi ciri morfologi (panjang dan lebar fisiologis ... · pendidikan menegah atas di sman 46...

Documents