Hal - 7

Volume 4 Nomor 2, Juni 2008

Pengenalan Jenis Kayu Berbasis Citra Cross-Section Menggunakan NEFPROX

Sri Hartati dan Gasim

Pasca Sarjana UGM & STMIK MDP Palembang shartati@ugm.ac.id, gasim@stmik-mdp.net

Abstrak: Pentingnya mengetahui jenis (nama) kayu yang dilatarbelakangi beberapa permasalahan misalnya berbedanya antara kayu yang diangkut dengan dokumen yang dibawa, selain itu membutuhkan waktu yang cukup lama untuk bisa mengenali berbagai jenis kayu. Langkah awal yang biasa dilakukan para pengidentifikasi adalah mengenali secara makroskopis, yaitu berat, bau, kesan raba, dll. Sedangkan untuk mengidentifikasi kayu haruslah dengan menggunakan unsur mikroskopis, yaitu susunan pori, tingkat sebaran pori, lebar pori, dan masih banyak lagi. Hal ini (mikroskopis) sangat sulit untuk dilakukan terutama dilapangan, apalagi petugasnya belum berpengalaman. Penulis sudah melakukan beberapa metode identifikasi sejak 2006, dan hasil yang didapat sudah cukup memuaskan, namun terbatas pada lima jenis kayu. Selain itu tiap jenis pun memiliki perbedaan tingkat struktur pori yang siknifikan. Dan sudah bisa mengenali hingga 100%. Pada tulisan ini, penulis mencoba untuk menggunakan metode yang berbeda yaitu dengan menggunakan NEFPROX salah satu pengembangan dari fuzzy neural network. Hasil yang diperoleh dengan menggunakan metode ini adalah cukup memuaskan yaitu 85%, namun masih memiliki beberapa kelemahan. Dengan menggunakan metode ini, jenis kayu yang bisa diidentifikasi hanyalah jenis-jenis yang memiliki perbedaan ceri yang signifikan. Kata Kunci : identifikasi, jenis kayu, tektur pori, NEFPOX, neural network 1 PENDAHULUAN

Begitu banyaknya jenis (nama) kayu yang ada di dunia dan khususnya di Indonesia ini memaksa para pakar identifikasi untuk mengingat semua jenis kayu tersebut, dan setidaknya semua jenis kayu yang umum diperdagangkan. Secara garis besar ada dua kelompok ciri yang digunakan untuk mengidentifikasi jenis kayu, yaitu ciri umum dan ciri anatomi [8]. Ciri umum adalah ciri yang dapat diamati langsung dengan panca indera, baik dengan penglihatan, penciuman, perabaan dan sebagainya tanpa bantuan alat-alat pembesar. Ciri ini antara lain warna, kilap, kesan raba, bau, dan lain-lain. Sedangkan ciri anatomi meliputi susunan, bentuk, dan ukuran sel atau jaringan penyusun yang hanya dapat diamati secara jelas dengan mikroskop atau bantuan lup berkekuatan pembesaran minimal sepuluh kali [8].

Kegiatan identifikasi ini sering dilakukan

pada saat penebangan pohon, sehingga tidak salah tebang. Selain itu pada saat pemeriksaan kayu dalam perjalanan, kesesuaian antara kayu yang dibawa dengan dokumen yang dibawa. Bisa

dibayangkan jika tiap kegiatan identifikasi ini harus dilakukan oleh para pakar. Sedangkan jumlah pakar identifikasi sangat terbatas dan luas wilayah indonesia untuk kegiatan ini.

Dalam kegiatan ini disiplin ilmu komputer dapat mengambil peran yang cukup penting, yang pada akhirnya dapat meringankan beban kerja dan juga meringkas waktu, sehingga dapat menguntungkan banyak pihak yang terkait langsung maupun tidak langsung. Bidang ilmu komputer yang dimaksudkan disini adalah bidang kecerdasan buatan (Artificial Inteligency) khususnya pengenalan pola dengan menggunakan Jaringan Syaraf Tiruan (Artificial Neural Network / JST). Dengan JST ini, data yang sebelumnya tidak bisa dicari persamaannya dengan data lain, kini dapat dilakukan. Mengapa demikian, karena data tersebut bukanlah data karakter (huruf atau angka), melainkan data tersebut berupa gambar (image), gelombang suara, suhu, dan lain lain.

Peneliti sudah pernah melakukan untuk data yang sama pada Mei 2006, saat itu peneliti sudah mendapatkan hasil sangat memuaskan, yaitu

Hal - 8

Volume 4 Nomor 2, Juni 2008

tingkat pengenalan (genaralisasi) mencapai 100% dan waktu komputasi yang cukup baik yaitu 0,5 detik. Dengan lima jenis kayu yang harus dikenali.

Pada penelitian kali ini, peneliti ingin

menerapkan teknik neuro fuzzy dalam pengenalan jenis kayu. Tentunya kombinasi feature dari citra kayu yang menjadi pusat perhatian, dan metode yang digunakan kali ini adalah NEFPROX.

Pada penelitian ini masalah dapat

dirumuskan “apakah pengenalan jenis kayu dengan teknik NEFPROX mencapai generalisasi diatas 95%? “. Adapun batasan pada penelitian ini adalah:

1. Jenis kayu yang digunakan adalah Jabon,

Meranti Putih, Marsawa, Pulai, dan Ramin. 2. Data yang diekstrak adalah tekstur pori yang

diambil secara horizontal dengan arah tumbuh pohon. Dan dengan pembesaran 24 kali (2400%) dan resolusi 50.

3. Data citra yang digunakan pada ekstrasi data adalah citra RGB dan citra skala keabuan.

4. Algoritma NF yang digunakan adalah NEFPROX.

2 LANDASAN TEORI 2.1 Sifat Kayu

Mengklasifikasikan permukaan kayu kedalam tiga kategori referensi bidang geometris, yaitu cross section, radial section, dan tangential section seperti terlihat pada Gambar 1 [1].

Menurut [1] ciri anatomi dapat dilihat pada permukaan cross-section kayu dengan cara memotong sel kayu secara tegak lurus dengan arah pertumbuhan pohon. Ciri anatomi yang dapat diamati adalah : 1. Pori (Vessel) adalah sel yang berbentuk tabung

dengan arah longitudinal. 2. Parenkim (Parenchyma) adalah sel yang

berdinding tipis berbentuk batu bata dengan arah longitudinal.

3. Jari-jari (Rays) adalah parenkim yang horizontal.

Gambar 1: Referensi Bidang Geometris Permukaan Kayu (Bond And Hamner, 2002)

4. Saluran interselular adalah saluran yang berada

di antara sel-sel kayu yang berfungsi sebagai saluran khusus.

5. Saluran getah adalah saluran yang berada dalam batang kayu dan bentuknya seperti lensa.

6. Tanda kerinyut adalah penampilan ujung jari-jari yang bertingkat-tingkat dan biasanya terlihat pada bidang tangensial.

7. Gelam tersisip atau kulit tersisip adalah kulit yang berada diantara kayu, yang terbentuk akibat kesalahan kambium dalam membentuk kulit.

2.2 Representasi Citra Digital

Citra digital adalah sebuah presentasi fungsi intensitas cahaya f(x,y) dari setiap pixel pada sebuah image dengan x dan y menunjukkan koordinat spasial dan nilai dari fungsi menunjukkan kecerahan citra pada setiap titik pixel (x,y) tersebut [3].

Citra monochrome atau secara sederhana

disebut citra merupakan fungsi intensitas cahaya dua-dimensi f(x), dimana x dan y menunjukkan koordinat spasial dan nilai f pada setiap titik (x,y) adalah kecerahan atau derajat keabuan (gray level) citra pada titik tersebut [3].

Setiap citra digital direpresentasikan dalam bentuk matriks yang berukuran a x b dimana a dan

Hal - 9

Volume 4 Nomor 2, Juni 2008

b menunjukkan jumlah baris dan kolom matriks tersebut.Setiap elemen matriks tersebut menunjukkan nilai pixel. Suatu citra digital dengan format 8 bit memiliki 256 (28

2.3 Normalisai Citra Digital

) intensitas warna pada setiap pixel-nya [3]. Nilai pixel tersebut berkisar antara 0 sampai 255, dimana 0 menunjukkan intensitas paling gelap, sedangkan 255 intensitas paling terang.

Proses normalisasi dilakukan sebelum data

citra digunakan pada proses ekstraksi ciri. Hal ini dilakukan dengan tujuan agar mendapatkan data input yang lebih baik. 2.4 Ekstraksi Ciri

Tekstur analisis pertama kali dikenalkan oleh Haralick pada tahun 1973. Komponen tekstur merupakan hasil ekstraksi dari matrik GLCM. Komponen tersebut adalah Entropy, Contrast, Energy, dan Homogenity. Entropy berfungsi mengukur ketidakteraturan atau kompleksitas suatu objek. Contrast digunakan berfungsi mengukur perbedaan antar titik dalam suatu objek. Energy berfungsi mengukur keseragaman tekstur dari objek. Homogeneity berfungsi mengukur keseragaman suatu objek. 2.5 NEFPROX

Neuro-fuzzy fuction aproximator atau sering disingkat NEFPROX digunakan untuk melakukan “approximating a continuous unknown function specified by sample input/output data pairs” [13]. Artinya jika kita memiliki sampel pasangan data input dan output (misalkan data histori hasil penjualan, jumlah pelanggan telpon seluler per tahun, data-data untuk klasifikasi), maka kita bisa menggunakan NEFPROX untuk menemukan fungsi kontinyu yang paling baik untuk memetakan pasangan data tersebut [14].

NEFPROX dapat melakukan pembelajaran

struktur dan parameter dengan menggunakan sebuah prosedur pembelajaran yang disebut fuzzy error backpropagation [15] dalam [14].

2.5.1 Arsitektur NEFPROX

Arsitektur NEFPROX memiliki spesifikasi sebagai berikut [12, 15] dalam [14] : 1. Input units diberi label x1, x2, ..., xn, hidden

units dinyatakan R1, R2, ..., Rk, dan output units dilambangkan dengan y1, y2, ..., ym

2. Setiap koneksi antara unit x.

i dan R r diberi label dengan nilai linguistik Akr

(i)

3. Setiap koneksi antara unit R. r dan yj diberi label

dengan nilai linguistik Bkr(j)

4. Semua koneksi yang berasal dari input units yang sama dan mempunyai label sama harus diberi bobot yang sama. Koneksi ini disebut dengan link connections dan bobotnya disebut dengan shared weight (bobot yang dipakai bersama).

.

5. Tidak ada dua aturan yang memiliki antecedents sama.

Gambar 2 merupakan arsitektur dari NEFPROX.

Gambar 2: Arsitektur NEFPROX (http://ajith.softcomputing.net)

2.5.2 Pembelajara pada NEFPROX

NEFPROX menggunakan supervised learning dalam proses pelatihan yang terdiri dari dua tahap, yaitu [12] dalam [14] :

Hal - 10

Volume 4 Nomor 2, Juni 2008

1. Structure-learning (pembangunan fuzzy rules) 2. Parameter-learning (pergeseran batas-batas

fungsi keanggotaan 2.5.3 NefProx.NET

NefProx.NET merupakan perangkat lunak bantuan yang di dalamnya sudah terdapat algoritma NEFPROX, sehingga dari perangkat lunak ini akan didapat MF yang optimal, serta dari perangkat ini juga dapat digunakan untuk menguji data uji. Gambar 3 menunjukkan tampilan utama dari NefProx.NET V1.0.

Gambar 3: Tampilan Utama NefProx.NET 3 METODE PENELITIAN

Adapun metode yang digunakan dalam penelitian ini dapat digambarkan dalam digram blok seperti pada Gambar 4. Gambar 4 menjelaskan tentang metode yang digunakan dalam penelitian ini meliputi beberapa tahap, yaitu : 1. Pengumpulan jenis kayu yang sudah ditentukan

sebagai bahan penelitian. 2. Pindai : kegiatan memindai kayu yang

sebelumnya sudah disayat dengan menggunakan pisau tipis dan tajam (cutter).

3. Crop : citra hasil scanner dipotong dengan ukuran 250 X 250 pixel.

4. Praproses : feature yang diambil dari citra adalah tektur analis yang meliputi entropi, kontras, energi, dan homogenitas.

5. Entropi, merupakan salah satu komponen tekstur yang diambil dari GLCM.

6. averageCEH : merupakan nilai rata-rata hasil penjumlahan tiga komponen yaitu contras, energi, dan homogenitas.

7. Kemudian data yang sudah diekstrak dan dinormalisasi, dibagi menjadi dua bagian, yaitu dua puluh data sebagai data pelatihan, dan lima citra (tiap nama kayu) sebagai data uji.

8. NEFPROX : data pelatihan digunakan untuk melatih NEFPROX sehingga terbentuk fungsi keanggotaan dan juga rule base-nya.

9. Identifikasi : Untuk menguji NEFPROX yang sudah terbentuk, data uji dimasukkan ke dalam jaringan NEFPROX yang sudah konvergen.

Gambar 4: Diagram Metodologi

Hal - 11

Volume 4 Nomor 2, Juni 2008

4 DISAIN MODEL

Disain model NEFPROX menggunakan pelangkat lunak bantuan yaitu NefProx.NET V1.0 yang belisensi GNU (Gambar 3). 4.1 Fuzzy Set

Disini ada dua Fuzzy Set, yaitu fungsi Fuzzy Set untuk averageCEH (Gambar 5), dan Fuzzy Set untuk entropi (Gambar 6). Dan Gambar 7 merupakan golongan dari suatu nilai output. Perlu diketahui bahwa fuzzy set secara otomatis didapat pada saat pelatihan, begitu juga dengan basis aturan.

Gambar 5: Fuzzy Set averageCEH

Gambar 6: Fuzzy Set averageCEH

Gambar 7: Golongan Dari Suatu Nilai Output

Basis aturan berikut ini didapat setelah pelatihan yang dilakukan oleh NefProx.NET. if x1 is (part1) and x2 is (part1) then y1 is (part1) if x1 is (part2) and x2 is (part1) then y1 is (part1) if x1 is (part1) and x2 is (part2) then y1 is (part3) if x1 is (part2) and x2 is (part2) then y1 is (part2) if x1 is (part3) and x2 is (part2) then y1 is (part4) if x1 is (part4) and x2 is (part5) then y1 is (part3) if x1 is (part5) and x2 is (part5) then y1 is (part3) if x1 is (part3) and x2 is (part5) then y1 is (part4) if x1 is (part1) and x2 is (part4) then y1 is (part4) if x1 is (part1) and x2 is (part3) then y1 is (part5) if x1 is (part2) and x2 is (part4) then y1 is (part5) 4.2 Pengujian

Pengujian yang dilakukan terhadap Fuzzy Set dengan basis aturan yang dibentuk secara otomatis oleh NefProx.NET memberikan hasil 95%, namun untuk data tertentu masih memberikan nilai ke arah jenis lain. 5 HASIL DAN PEMBAHASAN

Dari hasil yang diperoleh tersebut

menunjukkan bahwa ada beberapa data yang memiliki nilai lebih condong ke arah jenis lainnya, hal ini disebabkan karena memang data tersebut (citra sumber) tidak baik atau dengan kata lain citra tersebut memiliki banyak kerusakan. 6 SIMPULAN DAN SARAN

Simpulan dan saran yang dapat disampaikan dalam tulisan ini adalah. 1. NEFPROX dapat digunakan untuk

mengklasifikasi data yang memiliki sifat yang cukup rumit, seperti yang digunakan dalam penelitian ini. NefProx.NET sangat baik dalam membentuk fuzzy set sekaligus membentuk basis aturan.

2. Dari hasil yang sudah didapat dalam penelitian ini, sebaiknya menggunakan pembesaran yang lebih besar sehingga cacat dari citra dapat terlihat dengan jelas.

Hal - 12

Volume 4 Nomor 2, Juni 2008

DAFTAR PUSTAKA [1] Bond B. & Hamner P. “Wood Identification for

Hardwood and Soft wood Species Native to Tennese”, http://www.utextension.utk.edu/publications/pbfiles/pb1692.pdf. Diakses pada 07/2009.

[2] Fauset, L., 1994. Fundamentals of Neural

Network. Architectures, Algorithms, and Aplication, New Jersey: Prentice Hall.

[3] Gonzales, R. C. & R. E. Woods., 1992. Digital

Image Processing, Massachusetts: Addison Wesley.

[4] Haralick, RM., K. Shanmugam & Dinstein,

Itshak, 1973. Textural Features For Image Classification, IEEE Transaction on System, Man, and Cybernetics, Vol. SMC-3, No. 6, pp. 610-621 November 1973.

[5] IEEE Transaction On System, Man and

Cybernetics. Vol 3, No. 6. [6] Jonhson, R.A. & R.E. Wichern., 1988. Applied

Multivariate Statistical Analysis, New Jersey: Prentice Hall.

[7] Kusumadewi, S., 2004. Membangun Jaringan

Syaraf Tiruan Menggunakan MATLAB & EXCEL LINK, Indonesia: Graha Ilmu.

[8] Kusumadewi, S. & Hartati, S., 2006. Neuro-

Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf, Indonesia: Graha Ilmu.

[9] Mandang, Y.L. & Pandit, I.K.N., 2002. Seri

Manual: Pedoman Identifikasi Jenis Kayu Lapangan, Bogor: PROSEA Indonesia.

[10] Mathwork Inc., 1999. Neural Network

Toolbox for Use With Matlab, The Mathwork Inc. USA: Natick.

[11] ORL, 1999. “Olivetti Research Laboratory”,

www.cam-orl.co.uk/facedatabase.html. Diakses pada 05/ 2004.

[12] Nauck, D. & Kurse, R., 1998. A Neuro-Fuzzy Approach to Obtain Interpretable Fuzzy System for Function Approximation, IEEE International Conference on Fuzzy System. pp 1106 – 1111. IEEE Press.

[13] Nauck, D. & Kruse, R., 1999. Neur-Fuzzy

Systems for Function Approximation, Fuzzy Set and Systems, 101(2): 261-271, January 1999.

[14] Richards, J.A, 1986. Remote Sensing Digital

Image Analysis, New York: Springer-Verlag Berlin Heidelberg.

[15] Suyanto, 2008. Soft Computing Membangun

Mesin Ber-IQ Tinggi, Indonesia: Informatika. [16] Tettamanzi, A. & Tomassini, M., 2001. Soft

Computing, New York: Springer-Verlag Berlin Heidelberg.