identifikasi freycinetia berbasis citra anatomi … · ciri anatomi epidermis daun dapat mendukung...
TRANSCRIPT
IDENTIFIKASI FREYCINETIA BERBASIS CITRA ANATOMI
EPIDERMIS DAUN MENGGUNAKAN K-NEAREST NEIGHBOR
PUTRI PREVIA YANTI
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012
IDENTIFIKASI FREYCINETIA BERBASIS CITRA ANATOMI
EPIDERMIS DAUN MENGGUNAKAN K-NEAREST NEIGHBOR
PUTRI PREVIA YANTI
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012
ABSTRACT
PUTRI PREVIA YANTI. Freycinetia Identification Based on Leaf Epidermis Anatomy Images Using
k-Nearest Neighbor. Supervised by AZIZ KUSTIYO.
Freycinetia identification was conducted to determine the potential values, benefits, and
distribution patterns as a biodiversity in Indonesia. The purpose of this research was to compare the
low frequency and high frequency in Freycinetia identification based on leaf epidermis anatomy
image by k-Nearest Neighbor (k-NN). Identification of Freycinetia can be described by using
morphology and anatomy characteristics. Leaf epidermis anatomy image was used in the
identification process to support the morphology characteristics, especially in speciment and sample
with incomplete morphology. This research analyzed ninety six data which contains four kinds of
Freycinetia, namely Freycinetia angustifolia, Freycinetia imbricata, Freycinetia javanica, and
Freycinetia Sumatrana. The data were transformed by Fourier transformation and filtered in frequency domain to take the low frequency of image and the high frequency of image. It was found
that the accuracy of k-NN with low frequency was 90.625% and that of the high frequency was
81.25%. These accuracy values indicated that in the identification of Freycinetia based on leaf
epidermis anatomy image by k-Nearest Neighbor (k-NN), the use of low frequency is better than high
frequency.
Keyword: fourier transformation, frequency domain, Freycinetia, k-nearest neighbor, leaf epidermis.
Penguji :
1. Annisa, S.Kom, M.Kom
2. Dr. Yeni Herdiyeni, S.Si, M.Kom
Judul Skripsi : Identifikasi Freycinetia Berbasis Citra Anatomi Epidermis Daun Menggunakan k-
Nearest Neighbor
Nama : Putri Previa Yanti
NRP : G64080018
Menyetujui:
Pembimbing
Aziz Kustiyo, S.Si, M.Kom
NIP.19700719 199802 1 001
Mengetahui:
Ketua Departemen Ilmu Komputer
Dr. Ir. Agus Buono, M.Si, M.Kom
NIP. 19660702 199302 1 001
Tanggal Lulus :
KATA PENGANTAR
Puji dan syukur penulis panjatkan ke hadirat Allah subhanahu wata’ala atas segala rahmat dan
karunia-Nya, sehingga penulis dapat menyelesaikan tugas akhir dengan baik. Shalawat dan salam
penulis sampaikan kepada Nabi Muhammad shallallahu ‘alaihi wasallam serta kepada keluarganya,
sahabatnya, serta para pengikutnya yang selalu berpegang kepada Al-Quran dan As-Sunnah. Penulis
juga menyampaikan terima kasih kepada seluruh pihak yang telah berperan dalam penelitian ini, yaitu:
1 Ayahanda Syofyan Nazar, Ibunda Miswati, Uni Fera Yanti, Uni Devy Wiri Yanti, dan Uni Fevy Tri Yanti atas doa, kasih sayang, dukungan, serta motivasi kepada penulis untuk
penyelesaian penelitian ini.
2 Bapak Aziz Kustiyo, S.Si, M.Kom selaku dosen pembimbing yang telah memberi banyak ide,
saran, bantuan, serta dukungan sampai selesainya penelitian ini.
3 Ibu Annisa, S.Kom, M.Kom dan Ibu Dr. Yeni Herdiyeni, S.Si, M.Kom yang telah bersedia
menjadi penguji.
4 Sahabat-sahabat terbaik penulis, Muti Relegi, Dyah Sulistyorini, Riva Aktivia, Ariel Febrila
Niswar, Ella Rahmadani, Dewi Nurafifah, dan Annieke Stevani yang telah menemani hari-hari
penulis sejak menjadi mahasiswa, semoga sukses untuk kita bersama.
5 Rekan-rekan satu bimbingan, Hariman Hidayat Siregar, Brenda Kristi, Muhammad Hamdani,
dan Wangi Saraswati, terima kasih atas bantuan dan dukungannya.
6 Dunsanak Ikatan Kekeluargaan Mahasiswa Payakumbuh (IKMP-Bogor) yang telah menjadi
keluarga baru bagi penulis.
7 Rekan-rekan seperjuangan di Ilmu Komputer IPB angkatan 45 atas segala kebersamaan,
bantuan, dukungan, serta kenangan bagi penulis selama menjalani masa studi.
Penulis berharap penelitian ini dapat memberikan manfaat bagi semua pihak yang
membutuhkan.
Bogor, September 2012
Putri Previa Yanti
RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 31 Januari 1990 di Payakumbuh, Sumatera Barat. Penulis
merupakan anak keempat dari empat bersaudara dari pasangan Syofyan Nazar dan Miswati. Pada
tahun 2008, penulis lulus dari SMA Negeri 2 Payakumbuh. Pada tahun yang sama, penulis lulus
seleksi masuk IPB melalui jalur Undangan Seleksi Masuk IPB (USMI) dan diterima sebagai
mahasiswa pada Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam.
Selama aktif menjadi mahasiswa, penulis menjadi salah satu pengurus Himpunan Mahasiswa
Ilmu Komputer (Himalkom) pada tahun 2011. Penulis juga menjadi asisten praktikum pada Mata
Kuliah Data Mining (2012) dan Sistem Pakar (2012). Pada tahun 2011, penulis melaksanakan Praktik
Kerja Lapangan (PKL) di Bagian Biro Teknologi Informasi, Badan Pemeriksa Keuangan Republik
Indonesia (BPK RI).
v
DAFTAR ISI
Halaman DAFTAR TABEL ........................................................................................................................... vi
DAFTAR GAMBAR ...................................................................................................................... vi
DAFTAR LAMPIRAN ................................................................................................................... vi
PENDAHULUAN Latar Belakang ............................................................................................................................ 1 Tujuan ......................................................................................................................................... 1 Ruang Lingkup ............................................................................................................................ 1
TINJAUAN PUSTAKA Citra Digital................................................................................................................................. 2 Freycinetia .................................................................................................................................. 2 Epidermis Daun ........................................................................................................................... 2 Transformasi Wavelet .................................................................................................................. 3 Transformasi Fourier ................................................................................................................... 3 k-Nearest Neighbor (k-NN) .......................................................................................................... 4
METODE PENELITIAN Data Penelitian ............................................................................................................................ 5 Praproses ..................................................................................................................................... 5 Transformasi Wavelet .................................................................................................................. 5 Transformasi Fourier ................................................................................................................... 5 Pembagian Data ........................................................................................................................... 6 Klasifikasi Menggunakan k-Nearest Neighbor (k-NN) .................................................................. 6 Evaluasi Hasil Klasifikasi ............................................................................................................ 6 Lingkungan Pengembangan ......................................................................................................... 7
HASIL DAN PEMBAHASAN Percobaan 1: Identifikasi Freycinetia menggunakan low frequency ............................................... 7 Analisis Kesalahan Prediksi Percobaan 1 ..................................................................................... 8 Percobaan 2: Identifikasi Freycinetia menggunakan high frequency.............................................. 8 Analisis Kesalahan Prediksi Percobaan 2 ..................................................................................... 9 Perbandingan Low Pass Filter dan High Pass Filter .................................................................... 10
KESIMPULAN DAN SARAN Kesimpulan ............................................................................................................................... 11 Saran ......................................................................................................................................... 11
DAFTAR PUSTAKA .................................................................................................................... 11
LAMPIRAN .................................................................................................................................. 13
vi
DAFTAR TABEL
Halaman
1 Level dekomposisi wavelet .......................................................................................................... 5 2 Hasil klasifikasi menerapkan low frequency ................................................................................. 7 3 Confusion matrix untuk low pass filter dengan radius 5 piksel ...................................................... 7 4 Confusion matrix untuk low pass filter dengan radius 10 piksel .................................................... 7 5 Confusion matrix untuk low pass filter dengan radius 15 piksel .................................................... 8 6 Confusion matrix untuk low pass filter dengan radius 20 piksel .................................................... 8 7 Confusion matrix untuk low pass filter dengan radius 25 piksel .................................................... 8 8 Hasil klasifikasi menerapkan high frequency ................................................................................ 9 9 Confusion matrix untuk low pass filter dengan radius 5 piksel ...................................................... 9 10 Confusion matrix untuk low pass filter dengan radius 10 piksel .................................................... 9 11 Confusion matrix untuk low pass filter dengan radius 15 piksel .................................................... 9 12 Confusion matrix untuk low pass filter dengan radius 20 piksel .................................................... 9 13 Confusion matrix untuk low pass filter dengan radius 25 piksel .................................................... 9
DAFTAR GAMBAR Halaman
1 Fungsi koordinat sebagai representasi citra digital ........................................................................ 2 2 Citra anatomi stomata jenis Freycinetia angustifolia (Pasaribu 2010) ........................................... 3 3 Dekomposisi transformasi Wavelet Diskret 2 dimensi (McAndrew 2004) ..................................... 3 4 Metode penelitian ........................................................................................................................ 4 5 Citra RGB menjadi citra grayscale .............................................................................................. 5 6 Transformasi wavelet level 3 pada salah satu citra stomata Freycinetia angustifolia ..................... 5 7 Spektrum hasil transformasi Fourier ............................................................................................ 5 8 Filter low pass dengan radius 25 piksel ........................................................................................ 6 9 Filter high pass dengan radius 25 piksel ....................................................................................... 6 10 Akurasi klasifikasi ..................................................................................................................... 10
DAFTAR LAMPIRAN
Halaman
1 Citra anatomi stomata untuk data latih ........................................................................................ 14 2 Citra anatomi stomata untuk data uji ........................................................................................... 15 3 Spektrum hasil transformasi Fourier untuk setiap data latih ......................................................... 16 4 Spektrum hasil transformasi Fourier untuk setiap data uji ............................................................ 17 5 Contoh low frequency pada salah satu spektrum transformasi Fourier citra Kelas1 ....................... 18 6 Contoh high frequency pada salah satu spektrum transformasi Fourier citra Kelas1 ..................... 19
1
PENDAHULUAN
Latar Belakang
Freycinetia adalah tumbuhan yang
tergolong ke dalam famili Pandanaceae. Famili
ini terdiri atas empat genus, yaitu
Martillidendron, Pandanus, Freycinetia, dan
Sararanga. Genus Freycinetia memiliki
anggota sekitar 200 spesies yang tersebar mulai
dari Sri Langka, Asia Tenggara, hingga
Australia bagian utara dan Selandia Baru. Spesies dari genus ini hidup menempel pada
pohon inang yang umumnya merupakan
tumbuhan dikotil.
Freycinetia dikenal di Indonesia sebagai
pandan hutan. Di beberapa daerah, tumbuhan
ini dikenal dengan berbagai nama, seperti di
Sunda dengan nama lolo cacing, di Palembang
dikenal dengan nama rotan kubu, dan di Bangka
dikenal dengan nama kepah balehang. Akar
tumbuhan ini dapat digunakan untuk membuat
tambang berkualitas tinggi dan bahan pakaian kasar. Selain itu, tumbuhan ini juga digunakan
sebagai bahan makanan darurat.
Identifikasi Freycinetia biasanya dilakukan
untuk mengetahui nilai potensial, manfaat, dan
pola persebarannya sebagai salah satu kekayaan
hayati Indonesia. Identifikasi tumbuhan ini
dapat dilakukan dengan melihat aspek
morfologi dan aspek anatomi. Aspek morfologi
yang diteliti meliputi cara hidup, batang, daun,
bunga, dan kelopak. Dari aspek morfologi
tersebut, dapat diperoleh aspek anatomi yang
meliputi jaringan epidermis, stomata, sklerenkim, jaringan hipodermis, dan mesofil.
Ciri anatomi epidermis daun dapat mendukung
ciri morfologi dalam proses identifikasi
tumbuhan, khususnya pada kasus spesimen
yang memiliki ciri morfologi kurang lengkap.
Penelitian menggunakan ciri anatomi
epidermis daun dan stomata sebagai data
pendukung identifikasi Freycinetia telah
dilakukan menggunakan ukuran stomata,
frekuensi stomata, dan indeks stomata pada
jenis Freycinetia di Sumatera (Pasaribu 2010). Penelitian lain menggunakan ciri anatomi
tersebut untuk menganalisis jenis, yaitu untuk
menganalisis jenis pisang (Damayanti 2007)
dan untuk menganalisis jenis salak (Haryanto
2010).
Identifikasi Freycinetia menggunakan ciri
epidermis daun dan stomata yang dilakukan
Pasaribu (2010) memerlukan ketelitian,
pengalaman, dan waktu yang cukup lama untuk
keakuratan data karena dilakukan dengan
mengukur stomata, menghitung frekuensi
stomata pada epidermis daun, dan menghitung
indeks stomata secara manual. Oleh karena itu,
dibutuhkan suatu teknik yang dapat memudahkan identifikasi Freycinetia, yaitu
berbasis citra anatomi epidermis daun.
Penelitian ini menggunakan gabungan
teknik ekstraksi fitur Transformasi Wavelet dan
Transformasi Fourier. Pada Transformasi
Fourier, dilakukan perbandingan spektrum
frekuensi rendah (low frequency) dengan
spektrum frekuensi tinggi (high frequency).
Penelitian terkait ektraksi fitur telah dilakukan
pada citra wajah menggunakan Transformasi
Wavelet (Cahyaningtias 2007) dan
Transformasi Fourier (Ashr 2011) dengan tingkat akurasi masing-masing 100%.
Teknik klasifikasi yang digunakan untuk
identifikasi pada penelitian ini ialah k-Nearest
Neighbor (k-NN). Penelitian menggunakan k-
NN telah dilakukan untuk identifikasi Shorea
berdasarkan karakteristik morfologi daun
(Nurjayanti 2011) yang menghasilkan akurasi
100%. K-NN merupakan sebuah teknik yang
mampu mengelompokkan data uji ke dalam
kelas label dengan mencari data latih yang
relatif sama dengan data uji (Han et al. 2011).
Penelitian mengenai identifikasi Freycinetia
berbasis citra telah dilakukan oleh Qur’ania
(2012). Data yang digunakan pada penelitian
tersebut ialah data citra anatomi epidermis
daun dan stomata tumbuhan Freycinetia yang
diperoleh dari Pasaribu (2010). Klasifikasi
dilakukan menggunakan k-Nearest Neighbor (k-
NN) dan Jaringan Syaraf Tiruan (JST) dengan
dua ekstraksi fitur, yaitu ekstraksi fitur RGB
dan analisis tekstur, serta ekstraksi fitur
dekomposisi Wavelet (w-entropy). Akurasi
yang dihasilkan k-NN dan JST masing-masing sebesar 84.46% dan 94.79% untuk ekstraksi
fitur RGB dan analisis tekstur, serta 96.88% dan
99% untuk ekstraksi fitur dekomposisi Wavelet.
Tujuan
Tujuan penelitian ini ialah membandingkan
penggunaan low frequency dan high frequency
pada pengenalan tumbuhan Freycinetia
berdasarkan citra anatomi epidermis daun.
Ruang Lingkup
Beberapa hal yang menjadi ruang lingkup
penelitian ini yaitu:
1 Data yang digunakan berupa data citra
anatomi epidermis daun tumbuhan
Freycinetia yang diperoleh dari disertasi
Pasaribu (2010) yang terdiri dari kelas
Freycinetia angustifolia, Freycinetia
2
imbricata, Freycinetia javanica, dan
Freycinetia Sumatrana.
2 Ekstraksi fitur menggunakan Transformasi
Fourier dengan Transformasi Wavelet Haar
sebagai pereduksi matriks citra.
TINJAUAN PUSTAKA
Citra Digital
Citra didefinisikan sebagai sebuah fungsi
f(x,y), dengan x dan y adalah koordinat spasial
dan amplitudo dari f merupakan pasangan
koordinat (x,y) yang disebut gray level. Citra digital merupakan sebuah fungsi f(x,y) yang
bernilai diskret dan terbatas. Citra mempunyai
elemen yang sering dikenal sebagai picture
elements, image elements, pels, dan pixel. Pixel
merupakan istilah yang paling sering digunakan
untuk menunjukkan elemen citra (Gonzalez &
Woods 2002).
Fungsi f(x,y) direpresentasikan dalam fungsi
koordinat berukuran MxN, dengan M
menunjukkan baris dan N menunjukkan kolom
seperti ditunjukkan pada Gambar 1.
Gambar 1 Fungsi koordinat sebagai representasi citra digital.
Freycinetia
Freycinetia adalah salah satu genus dari
famili tumbuhan Pandanaceae yang banyak
ditemukan di Indonesia. Freycinetia tergolong
tumbuhan monokotil. Tumbuhan ini lebih
sedikit dimanfaatkan karena bentuknya berupa
liana berkayu sehingga tidak terlalu dikenal
masyarakat. Di beberapa daerah, akarnya
dimanfaatkan untuk membuat tambang
berkualitas tinggi dan pakaian kasar.
Beberapa Freycinetia tumbuh dengan
diameter batang mencapai 6-7 cm, panjang
daun 150 cm, dan lebar daun 10 cm. Ciri
morfologi tumbuhan ini ialah daun yang
sederhana berbentuk panjang dan menirus,
beberapa ada yang menjorong sampai
membundar telur. Tepi daun dan tulang daun
bergerigi. Helai daun diperluas dengan adanya
sepasang aurikel. Perbungaan terbentuk di
terminal dan beberapa lateral. Freycinetia
banyak ditemukan tumbuh memanjat di pohon-
pohon dikotil sebagai pohon inangnya (Pasaribu 2010).
Penelitian ini menggunakan empat jenis
Freycinetia, yaitu:
1 Freycinetia angustifolia
Spesies ini tumbuh di pohon dengan
ketinggian mencapai 10 meter. Panjang ruas
spesies ini sekitar 4-18 mm dengan diameter
2-5 mm. Daun memanjang, tersusun
melingkar dan tidak saling tumpang tindih. Aurikel mudah patah dan berserat halus.
Kelopak bunga berwarna kuning gelap
hingga kuning muda. Spesies ini tersebar di
daerah rawa dan hutan Bukit Barisan pada
ketinggian 500-1000 mdpl (Pasaribu 2010).
2 Freycinetia imbricata
Tumbuhan jenis ini bisa tumbuh pada pohon
dengan ketinggian mencapai 4 meter. Ruas
tumbuhan ini memiliki panjang sekitar 3-15
mm dan diameter 5-12 mm. Susunan daun
tidak terlalu rapat dengan ukuran 13-31x0.5-2.3 cm. Aurikel keras, transparan, dan
berlekuk. Bentuk bunga saling bersambung
dengan kelopak 6-8 dan berwarna
kekuning-kuningan hingga kehijau-hijuan.
Habitatnya luas di Sumatera pada daerah
dengan ketinggian 15-1450 mdpl (Pasaribu
2010).
3 Freycinetia javanica
Tumbuhan jenis ini tumbuh memanjat
hingga ketinggian 10 m. Tumbuhan ini
memiliki ruas dengan panjang 8-50 mm dan
diameter 6-16 mm. Daun tersusun melingkar serta memiliki lapisan lilin yang tebal pada
permukaan yang lebih rendah dan bagian
tepi daun pada permukaan atas. Aurikel
terdapat pada bagian atas daun. Daerah
persebaran jenis ini cukup luas di Sumatera
pada daerah dengan ketinggian 10-1950
mdpl (Pasaribu 2010).
4 Freycinetia Sumatrana
Spesies ini tumbuh memanjat hingga
ketinggian 20 m. Tumbuhan ini memiliki
ruas dengan panjang 8-29 mm dan diameter 6-12 mm. Daun memanjang yang tersusun
sangat rapat dan ada yang saling tumpang
tindih. Tumbuhan jenis ini tersebar di
Sumatera pada daerah hutan dan rawa
dengan ketinggian 60-1600 mdpl (Pasaribu
2010).
Epidermis Daun
Epidermis adalah sistem sel yang struktur
dan fungsinya bervariasi dan menutupi tubuh
tumbuhan. Lapisan epidermis ini berhubungan
dengan lingkungan luar. Pada lapisan ini
terdapat bahan lemak dan kutikula untuk membatasi penguapan sehingga dinding terluar
3
tumbuhan menjadi keras. Selain itu, terdapat
sel-sel bentuk modifikasi dari epidermis yang
disebut derifat, seperti stomata dan trikoma.
Stomata adalah celah yang diapit oleh dua
sel epidermis khusus yang disebut sel penutup.
Sel penutup tersebut dikelilingi oleh beberapa sel tetangga. Sel penutup dapat membuka dan
menutup untuk menjaga kadar air dalam
tumbuhan, sedangkan sel penjaga berperan
dalam pergerakan sel penutup. Stomata terdapat
pada seluruh bagian tumbuhan, tetapi lebih
banyak ditemukan pada daun. Tipe dan
distribusi stomata pada daun sangat bervariasi,
bergantung pada kecepatan dan intensitas
transpirasi serta habitat tumbuhan tersebut
(Haryanti 2010). Contoh citra epidermis daun
ditunjukkan pada Gambar 2.
Transformasi Wavelet
Wave merupakan sebuah fungsi yang
berosilasi terhadap waktu (time) dan ruang
(space), seperti fungsi sinusoid. Sebuah wavelet didefinisikan sebagai sebuah “small wave”
yang energinya terpusat pada waktu atau titik
tertentu. Wavelet tidak hanya memiliki
gelombang yang berosilasi terhadap waktu,
tetapi juga mampu memberikan waktu simultan
dan analisis frekuensi dengan matematika.
Basis wavelet berasal dari sebuah fungsi
scaling yang dapat dituliskan dengan persamaan
berikut:
h n
n n
dengan h n adalah koefisien fungsi wavelet
dan adalah vektor wavelet (Gonzalez &
Woods 2002).
Wavelet akan membagi citra ke dalam
sejumlah sub-sub bidang yang dinotasikan
dengan LL, HL, LH, dan HH seperti
ditunjukkan oleh Gambar 3. Bidang LL (low-
low pass filter) menunjukkan koefisien
aproksimasi citra asli, bidang HL (high-low pass filter) dan LH (low-high pass filter)
menunjukkan perubahan citra pada arah
horizontal dan vertikal, dan bidang HH (high-
high pass filter) menunjukkan komponen
frekuensi tinggi pada citra. Semakin tinggi level
dekomposisi, ukuran piksel citra hasil
dekomposisi akan semakin kecil. Panjang dan lebar citra akan menjadi setengah dari
sebelumnya, sehingga ukuran citra menjadi
seperempat dari sebelumnya.
Discrete Wavelet Transform (DWT) 2
dimensi untuk citra dengan ukuran
dapat ditunjukkan oleh persamaan berikut
(Gonzales & Woods 2002):
m n
m n
l m n
m nl
dengan l . Notasi menunjukkan
skala yang berubah-ubah dan m n
merupakan koefisien aproksimasi dari pada skala
, sedangkan m n
merupakan koefisien perubahan detail citra
pada arah horizontal, vertikal, dan diagonal
untuk skala .
Transformasi Fourier
Transformasi fourier merupakan bagian
penting dalam pemrosesan citra. Transformasi
fourier lebih efisien digunakan pada spatial
filter untuk filter yang besar. Selain itu,
transformasi fourier juga memungkinkan
dilakukan pemrosesan citra pada domain
frekuensi. Dengan menerapkan transformasi
fourier, low pass filter dan high pass filter akan
menghasilkan nilai presisi yang besar
(McAndrew 2004).
Gambar 2 Citra anatomi stomata jenis
Freycinetia angustifolia (Pasaribu
2010 ).
Gambar 3 Dekomposisi transformasi wavelet
diskret 2 dimensi (McAndrew
2004).
HL1
LH1 HH1
LH2 HH2
HL2
LH3 HH3
HL3 LL3
4
Gambar 4 Metode penelitian.
Untuk citra dengan ukuran ,
Discrete Fourier Transform (DFT) dua dimensi
dapat diterapkan menggunakan persamaan
berikut (Gonzalez & Woods 2002) :
u v
e
u
v
Low pass filter dikenal juga dengan nama
blurring atau smoothing filter. Teknik ini
dilakukan pada domain frekuensi dengan
menghilangkan kisaran nilai yang berfrekuensi
tinggi sehingga menghasilkan citra yang kabur.
Beberapa low pass filter ialah ideal low pass
filter, Butterworth low pass filter, dan Gaussian low pass filter (Gonzales & Woods 2002).
High pass filter disebut juga sharpening
filter. Teknik ini dilakukan pada domain
frekuensi dengan menghilangkan nilai yang
berfrekuensi rendah tanpa mengganggu nilai
yang berfrekuensi tinggi sehingga citra yang
dihasilkan lebih tajam. Beberapa high pass filter
ialah ideal high pass filter, Butterworth high
pass filter, dan Gaussian high pass filter
(Gonzales & Woods 2002).
k-Nearest Neighbor (k-NN)
k-Nearest Neighbor (k-NN) merupakan
salah satu teknik klasifikasi yang berbasis
pembelajaran. k-NN membandingkan data uji
yang diberikan dengan data latih yang sama.
Setiap data merepresentasikan sebuah titik
dalam kelas. Data latih disimpan dalam kelas
yang telah ditentukan. Ketika diberikan data
yang tidak diketahui kelasnya, k-NN akan
mencari pola sebanyak k data latih yang dekat
dengan data yang belum memiliki kelas (Han et
al. 2011).
Kedekatan biasanya didefinisikan sebagai sebuah fungsi jarak antara dua data. Fungsi
jarak yang umumnya digunakan ialah jarak
Euclidean karena fungsinya sederhana, cukup
dengan menghitung kuadrat jarak dari dua data
yang akan dihitung jaraknya. Misalkan terdapat
dua data, yaitu n dan
n , maka jarak Euclidean-nya
adalah :
i i
n
i
METODE PENELITIAN
Penelitian ini dilakukan dengan beberapa
tahapan proses, yaitu pengumpulan data,
praproses, transformasi wavelet, transformasi
fourier, pembagian data, klasifikasi
menggunakan k-Nearest Neighbor (k-NN),
penghitungan akurasi, dan perbandingan
akurasi. Tahapan yang dilakukan diilustrasikan
pada Gambar 4.
Data
Citra
Mulai
Praproses
Transformasi
Fourier
Transformasi Wavelet
High Pass
Filter
Filtering
Low Pass
Filter
Selesai
Perbandingan Akurasi
Pengenalan
Tumbuhan
Data
Latih
Data
Uji
Klasifikasi K-
NN
Penghitungan Akurasi
Pengenalan
Tumbuhan
Data
Latih
Data
Uji
Klasifikasi K-
NN
Penghitungan Akurasi
5
Data Penelitian
Data yang digunakan pada penelitian ini
ialah data citra anatomi epidermis daun dan
stomata Freycinetia dengan ukuran 640x480
piksel. Data diperoleh dari disertasi Pasaribu
(2010) yang terdiri atas empat kelas, yaitu Freycinetia. angustifolia, Freycinetia imbricata,
Freycinetia javanica, dan Freycinetia
Sumatrana. Masing-masing kelas terdiri atas 24
data citra. Citra anatomi epidermis daun yang
digunakan pada penelitian ini dapat dilihat pada
Lampiran 1 dan Lampiran 2. Penelitian ini
dilakukan tanpa adanya perbaikan citra.
Praproses
Praproses yang akan dilakukan pada
penelitian ini ialah mengubah mode warna citra
yang pada awalnya RGB menjadi citra grayscale. Grayscale digunakan untuk
menyederhanakan model citra. Fungsi format
ini adalah untuk memudahkan proses
selanjutnya karena jika menggunakan RGB,
nilai yang dihasilkan akan beragam. Perubahan
data ini ditunjukkan oleh Gambar 5.
Transformasi Wavelet
Transfromasi Wavelet dilakukan untuk
mereduksi matriks citra. Transformasi ini
menghasilkan energi citra yang terkonsentrasi
pada sebagian kecil koefisien transformasi dan
kelompok lain yang mengandung sedikit energi.
Wavelet membagi citra ke dalam sejumlah sub-
sub bidang yang dinotasikan dengan LL, HL,
LH, dan HH. Bidang LL merupakan bagian
citra yang digunakan untuk tahapan selanjutnya,
karena bagian ini menyimpan lebih banyak informasi citra. Gambar 6 menunjukkan
transformasi wavelet yang dilakukan terhadap
salah satu citra.
Pada penelitian ini dilakukan transformasi
wavelet hingga level 3 seperti yang ditampilkan
pada Tabel 1. Citra yang digunakan pada
tahapan selanjutnya merupakan bidang LL hasil
dekomposisi wavelet level 3 dengan ukuran
80x60 piksel.
Tabel 1 Level dekomposisi wavelet
Level dekomposisi
wavelet
Ukuran citra
(piksel)
Citra asli 640 x 320
Level 1 320 x 240
Level 2 160 x 120
Level 3 80 x 60
Transformasi Fourier
Transformasi fourier dilakukan terhadap
koefisien aproksimasi hasil transformasi
wavelet level 3. Pada transformasi ini dilakukan
perubahan citra dari domain spasial ke domain
frekuensi. Hasilnya ialah sebuah matriks yang
telah digeser sehingga koefisien DC-nya berada
di pusat matriks. Hasil ini berupa spektrum dari
data yang nantinya akan digunakan dalam klasifikasi. Hasil transformasi fourier untuk
setiap data dapat dilihat pada Lampiran 3 dan
Lampiran 4. Salah satu contoh bentuk spektrum
yang dihasilkan ditunjukkan oleh Gambar 7.
Setelah itu diterapkan low pass filter dan
high pass filter. Low pass filter diterapkan untuk mengetahui pengaruh low frequency,
sedangkan high pass filter diterapkan untuk
mengetahui pengaruh high frequency.
Transformasi ini dilakukan pada semua data
dengan ukuran circle matrix pada filtering yang
berbeda untuk setiap percobaan. Penerapan low
frequency dan high frequency pada citra dapat
dilihat pada Lampiran 5 dan Lampiran 6.
Gambar 5 Perubahan citra RGB menjadi citra
grayscale.
Gambar 6 Transformasi wavelet level 3 pada
salah satu citra stomata Freycinetia
angustifolia.
Gambar 7 Spektrum hasil transformasi fourier.
6
Pada low pass filter, misalkan ada matriks
hasil transformasi fourier F, kemudian
dilakukan pergeseran sehingga koefisien DC
berada di pusat matriks. Low pass filter
dilakukan dengan mengalikan matriks tersebut
dengan sebuah matriks sehingga nilai di pusat matriks dipertahankan dan nilai lainnya dibuang
atau diminimalkan. Matriks yang digunakan
dalam perkalian matriks ialah ideal low pass
matrix, yaitu sebuah matriks biner m yang
didefinisikan sebagai (McAndrew 2004) :
m
ika dekat ke usat dari
ika auh ke usat dari
dengan D merupakan radius lingkaran matriks
filter low pass. Semakin besar nilai radius yang digunakan, citra yang dihasilkan akan semakin
halus dan kabur. Filter low pass ditunjukkan
oleh Gambar 8.
Pada high pass filter, cara kerja hampir
sama dengan low pass filter, tetapi high pass filter membuang nilai di pusat matriks dan
mempertahankan nilai lainnya. Matriks yang
digunakan ialah kebalikan dari low pass filter,
yaitu:
m
ika dekat ke usat dari
ika auh ke usat dari
dengan D merupakan radius lingkaran matriks
filter high pass. Semakin besar nilai radius yang
digunakan, citra yang dihasilkan akan semakin tajam dan detail citra akan semakin terlihat.
Filter high pass dapat ditunjukkan oleh Gambar
9.
Pembagian Data
Data pada setiap hasil filtering dibagi
menjadi data latih dan data uji. Data latih
digunakan untuk melakukan klasifikasi
menggunakan k-Nearest Neighbor (k-NN),
sedangkan data uji digunakan untuk melakukan pengujian klasifikasi. Dari total 24 data citra, 16
data digunakan sebagai data latih dan 8 data
digunakan sebagai data uji. Data latih dapat
dilihat pada Lampiran 1 dan data uji dapat
dilihat pada Lampiran 2.
Klasifikasi Menggunakan k-Nearest Neighbor
(k-NN)
Setelah dilakukan pembagian data, data latih
akan digunakan untuk membuat klasifikasi
menggunakan algoritme k-Nearest Neighbors
(k-NN). Konsep dasarnya ialah mencari jarak terdekat antara data yang akan dievaluasi
dengan k tetangga terdekatnya dalam data latih.
Berikut algoritme k-NN (Song et al. 2007):
1 Tentukan nilai k.
2 Hitung jarak data uji dengan setiap data
training menggunakan jarak Euclidean.
3 Urutkan jarak tersebut.
4 Dapatkan sebanyak k data yang memiliki
jarak terdekat.
5 Tentukan kelas untuk data uji.
Tahapan ini menghasilkan dua klasifikasi,
yaitu klasifikasi yang diperoleh dari data latih menggunakan low frequency dan yang
diperoleh dari data latih menggunakan high
frequency. Masing-masing klasifikasi tersebut
akan diuji menggunakan data uji sesuai dengan
filtering yang dilakukan sebelumnya.
Evaluasi Hasil Klasifikasi
k-NN dapat ditentukan kinerjanya dengan
menghitung besaran akurasi yang berhasil
diperoleh. Akurasi ditentukan dengan melihat
berapa banyak data pada suatu kelas yang
diklasifikasikan benar.
Akurasi dapat dihitung dengan persamaan
berikut :
kurasi
data u i benar diklasi ikasikan
data u i
Setelah perhitungan akurasi, tahapan
selanjutnya ialah membandingkan akurasi yang
diperoleh menggunakan klasifikasi dengan low
frequency dan klasifikasi dengan high
frequency. Tahap ini dilakukan untuk
menentukan frekuensi yang lebih baik
Gambar 8 Filter low pass dengan radius 25
piksel.
Gambar 9 Filter high pass dengan radius 25
piksel.
7
digunakan untuk klasifikasi tumbuhan
Freycinetia.
Lingkungan Pengembangan
Perangkat keras dan perangkat lunak yang
digunakan pada penelitian ini memiliki
spesifikasi sebagai berikut:
Perangkat keras:
Processor Intel® CoreTM 2 Duo.
Memory 2 GB.
Harddisk 250 GB.
Perangkat lunak:
Sistem operasi Microsoft Windows 7
Professional Service Pack 1 32-bit.
Matlab 7.7 (R2008b).
HASIL DAN PEMBAHASAN
Penelitian ini menggunakan 4 kelompok
citra anatomi epidermis daun. Masing-masing
kelompok terdiri atas 24 citra. Keempat
kelompok tersebut selanjutnya disebut kelas.
Kelas 1 merupakan kelompok tumbuhan
Freycinetia angustifolia, kelas 2 merupakan
kelompok tumbuhan Freycinetia imbricata, kelas 3 merupakan kelompok tumbuhan
Freycinetia javanica, dan kelas 4 merupakan
kelompok tumbuhan Freycinetia Sumatrana.
Tahapan selanjutnya ialah Transformasi
Wavelet hingga level 3, dan dilanjutkan dengan
Transformasi Fourier. Setelah itu dilakukan
filtering dengan dua percobaan terhadap hasil
transformasi fourier, yaitu low pass filter
sebagai percobaan 1 untuk mengambil spektrum
pada frekuensi rendah dan high pass filter
sebagai percobaan 2 untuk mengambil spektrum
pada frekuensi tinggi. Kedua filtering dilakukan menggunakan ideal matrix dengan lima radius
yang berbeda, yaitu 5, 10, 15, 20, dan 25 piksel.
Pada setiap percobaan diamati nilai akurasi
terbaik yang diberikan oleh algoritme
klasifikasi untuk membandingkan kinerja kedua
percobaan terhadap identifikasi tumbuhan
Freycinetia. Algoritme klasifikasi yang
digunakan ialah k-Nearest Neighbor dengan
nilai ketetanggaan 1.
Percobaan 1: Identifikasi Freycinetia
Menggunakan Low Frequency
Percobaan pertama yang dilakukan ialah
klasifikasi menggunakan low frequency.
Klasifikasi ini dilakukan dengan menerapkan
low pass filter untuk mengambil frekuensi
rendah dari citra. Akurasi klasifikasi dengan
percobaan ini dapat dilihat pada Tabel 2.
Tabel 2 Hasil klasifikasi menerapkan low
frequency
Radius
(piksel)
Jumlah benar untuk setiap kelas Akurasi
(%) Kelas
1
Kelas
2
Kelas
3
Kelas
4
5 3 8 7 7 78.125
10 7 7 8 7 90.625
15 4 7 8 7 81.250
20 6 7 8 6 84.375
25 5 7 8 4 75.000
Akurasi tertinggi dihasilkan oleh percobaan menggunakan radius matriks filter 10 piksel,
yaitu sebesar 90.625%.
Confusion matrix untuk percobaan low pass
filter dengan radius matriks 5 piksel
ditunjukkan oleh Tabel 3. Kelas 2 memiliki
akurasi klasifikasi terbesar, yaitu 100%,
sedangkan kelas 1 memiliki akurasi terkecil,
yaitu 37.5%. Dari 8 data uji untuk kelas 1, 3
data diklasifikasikan benar sebagai kelas 1 dan
5 data diklasifikasikan salah, yaitu sebagai kelas
5.
Tabel 3 Confusion matrix untuk low pass filter dengan radius 5 piksel
Kelas
aktual
Kelas hasil prediksi
Kelas 1 Kelas 2 Kelas 3 Kelas 4
Kelas 1 3 0 5 0
Kelas 2 0 8 0 0
Kelas 3 1 0 7 0
Kelas 4 1 0 0 7
Confusion matrix percobaan low pass filter
dengan radius matriks 10 piksel dapat dilihat pada Tabel 4. Kelas 3 memiliki akurasi
klasifikasi terbesar yaitu 100%, sedangkan tiga
kelas lainnya memiliki akurasi sebesar 87.5%
karena terdapat kesalahan klasifikasi pada 1
data untuk setiap kelasnya.
Tabel 4 Confusion matrix untuk low pass filter
dengan radius 10 piksel
Kelas aktual
Kelas hasil prediksi
Kelas 1 Kelas 2 Kelas 3 Kelas 4
Kelas 1 7 0 1 0
Kelas 2 0 7 0 1
Kelas 3 0 0 8 0
Kelas 4 1 0 0 7
8
Confusion matrix untuk percobaan low pass
filter dengan radius matriks 15 piksel dapat
dilihat pada Tabel 5. Kelas 3 memiliki akurasi
klasifikasi terbesar, yaitu 100%, sedangkan
kelas 1 memiliki akurasi terkecil, yaitu 50%.
Sebanyak 4 dari 8 data uji pada kelas 1 diklasifikasikan sebagai kelas 3.
Tabel 5 Confusion matrix untuk low pass filter
dengan radius 15 piksel
Kelas
aktual
Kelas hasil prediksi
Kelas 1 Kelas 2 Kelas 3 Kelas 4
Kelas 1 4 0 4 0
Kelas 2 0 7 0 1
Kelas 3 0 0 8 0
Kelas 4 1 0 0 7
Confusion matrix untuk percobaan low pass
filter dengan radius matriks 20 piksel
ditunjukkan oleh Tabel 6. Kelas 3 memiliki
akurasi klasifikasi terbesar, yaitu 100%,
sedangkan kelas 1 dan kelas 4 memiliki akurasi
terkecil, yaitu 75% karena 2 data dari masing-
masing kelas mengalami salah klasifikasi.
Tabel 6 Confusion matrix untuk low pass filter
dengan radius 20 piksel
Kelas
aktual
Kelas hasil prediksi
Kelas 1 Kelas 2 Kelas 3 Kelas 4
Kelas 1 6 0 2 0
Kelas 2 0 7 0 1
Kelas 3 0 0 8 0
Kelas 4 1 0 1 6
Confusion matrix untuk percobaan low pass
filter dengan radius matriks 25 piksel
ditunjukkan oleh Tabel 7. Kelas 3 memiliki
akurasi klasifikasi terbesar, yaitu 100%,
sedangkan kelas 4 memiliki akurasi terkecil,
yaitu 50%. Sebanyak 4 data uji kelas 4 salah diklasifikasikan, yaitu 1 data sebagai kelas 1, 1
data sebagai kelas 2, dan 2 data sebagai kelas 3.
Tabel 7 Confusion matrix untuk low pass filter
dengan radius 25 piksel
Kelas
aktual
Kelas hasil prediksi
Kelas 1 Kelas 2 Kelas 3 Kelas 4
Kelas 1 5 0 3 0
Kelas 2 0 7 1 0
Kelas 3 0 0 8 0
Kelas 4 1 1 2 4
Analisis Kesalahan Prediksi Percobaan 1
Pada penerapan low pass filter, kelas 1
sering mengalami salah klasifikasi. Data uji ke-
1 dari kelas ini selalu salah diklasifikasikan. Hal
ini disebabkan oleh adanya cairan yang tidak
rata pada preparat saat melakukan akuisisi data sehingga terdapat warna merah yang berlebih
pada sebagian citra. Akibatnya, spektrum yang
dihasilkan sangat berbeda dengan spektrum data
lain dari kelasnya. Data uji kelas 1 yang
mengalami salah klasifikasi selalu
diklasifikasikan sebagai kelas 3. Hal ini
diakibatkan oleh struktur anatomi epidermis
kedua kelas yang mirip. Sel-sel epidermis dan
stomata yang mirip serta adanya pasir-pasir
granulosit pada kedua tumbuhan ini diduga
turut menjadi penyebab salah klasifikasi.
Untuk kelas 2, data uji ke-2 sering salah
diklasifikasikan, yaitu sebagai kelas 4. Hal ini
disebabkan oleh adanya bintik hitam yang
muncul pada citra dan pengambilan citra yang
agak miring, sehingga spektrum yang dihasilkan
berbeda dengan data lainnya.
Kelas 3 merupakan kelas yang paling tepat
diklasifikasikan. Hanya ada satu data yang
mengalami salah klasifikasi, yaitu data uji ke-5
yang diklasifikasikan sebagai kelas 1 pada
penggunaan radius matriks 5 piksel.
Untuk kelas 4, data uji ke-6 selalu salah diklasifikasikan, yaitu sebagai kelas 1. Hal ini
disebabkan terdapat penggunaan cairan yang
tidak rata pada preparat saat akuisisi data
sehingga warna partikel-partikel kalsium
oksalat pada epidermis daun terlihat lebih gelap
dan membuat data ini berbeda dengan data lain
di kelasnya. Selain itu, posisi sel-sel epidermis
yang tegak lurus juga menjadi penyebab salah
klasifikasi. Data kelas 4 lainnya yang salah
klasifikasi terjadi pada penggunaan radius 20
dan 25 piksel.
Percobaan 2: Identifikasi Freycinetia
Menggunakan High Frequency
Percobaan kedua yang dilakukan ialah
klasifikasi menggunakan high frequency.
Klasifikasi ini dilakukan dengan menerapkan
high pass filter untuk mengambil frekuensi
tinggi dari citra. Akurasi klasifikasi dengan
percobaan ini dapat dilihat pada Tabel 8.
Akurasi tertinggi dihasilkan oleh percobaan
menggunakan radius matriks filter 5 piksel,
yaitu 81.25%.
9
Tabel 8 Hasil klasifikasi menerapkan high
frequency
Radius
(piksel)
Jumlah benar untuk setiap kelas Akurasi
(%) Kelas
1
Kelas
2
Kelas
3
Kelas
4
5 7 7 8 4 81.250
10 8 7 5 5 78.125
15 8 6 5 4 71.875
20 8 5 6 4 71.875
25 6 3 2 3 43.750
Confusion matrix untuk percobaan high pass
filter dengan radius matriks 5 piksel
ditunjukkan oleh Tabel 9. Kelas 3 memiliki akurasi klasifikasi terbesar, yaitu 100%,
sedangkan kelas 4 memiliki akurasi terkecil,
yaitu 50%. Sebanyak 4 dari 8 data uji kelas 4
salah diklasifikasikan sebagai kelas 2.
Tabel 9 Confusion matrix untuk low pass filter
dengan radius 5 piksel
Kelas aktual
Kelas hasil prediksi
Kelas 1 Kelas 2 Kelas 3 Kelas 4
Kelas 1 7 0 1 0
Kelas 2 0 7 1 0
Kelas 3 0 0 8 0
Kelas 4 0 4 0 4
Confusion matrix untuk percobaan low pass
filter dengan radius matriks 10 piksel
ditunjukkan oleh Tabel 10. Kelas 1 memiliki
akurasi klasifikasi terbesar, yaitu 100%,
sedangkan kelas 3 dan kelas 4 memiliki akurasi
klasifikasi terkecil, yaitu 62.5%. Sebanyak 3
data dari masing-masing kelas salah
diklasifikasikan.
Tabel 10 Confusion matrix untuk low pass filter dengan radius 10 piksel
Kelas
aktual
Kelas hasil prediksi
Kelas 1 Kelas 2 Kelas 3 Kelas 4
Kelas 1 8 0 0 0
Kelas 2 0 7 0 1
Kelas 3 1 0 5 2
Kelas 4 0 1 2 5
Confusion matrix untuk percobaan low pass
filter dengan radius matriks 15 piksel
ditunjukkan oleh Tabel 11. Kelas 1 memiliki akurasi klasifikasi terbesar, yaitu 100%,
sedangkan kelas 4 memiliki akurasi terkecil,
yaitu 50%. Sebanyak 4 data uji kelas 4 salah
diklasifikasikan, 2 data sebagai kelas 2 dan 2
lainnya sebagai kelas 3.
Tabel 11 Confusion matrix untuk low pass
filter dengan radius 15 piksel
Kelas
aktual
Kelas hasil prediksi
Kelas 1 Kelas 2 Kelas 3 Kelas 4
Kelas 1 8 0 0 0
Kelas 2 0 6 0 2
Kelas 3 0 1 5 2
Kelas 4 0 2 2 4
Confusion matrix untuk percobaan low pass
filter dengan radius matriks 20 piksel
ditunjukkan oleh Tabel 12. Kelas 1 memiliki
akurasi klasifikasi terbesar, yaitu 100%,
sedangkan kelas 4 memiliki akurasi terkecil, yaitu 50%. Sebanyak 4 data uji kelas 4 salah
diklasifikasikan, 2 data sebagai kelas 2 dan 2
lainnya sebagai kelas 3.
Tabel 12 Confusion matrix untuk low pass
filter dengan radius 20 piksel
Kelas
aktual
Kelas hasil prediksi
Kelas 1 Kelas 2 Kelas 3 Kelas 4
Kelas 1 8 0 0 0
Kelas 2 0 5 2 1
Kelas 3 2 0 6 0
Kelas 4 0 2 2 4
Confusion matrix untuk percobaan low pass
filter dengan radius matriks 25 piksel
ditunjukkan oleh Tabel 13. Kelas 1 memiliki
akurasi klasifikasi terbesar, yaitu 75%,
sedangkan kelas 3 memiliki akurasi terkecil,
yaitu 25%. Sebanyak 2 data uji dari kelas 3
diklasifikasikan sebagai kelas 1 dan 4 data
sebagai kelas 2.
Tabel 13 Confusion matrix untuk low pass
filter dengan radius 25 piksel
Kelas
aktual
Kelas hasil prediksi
Kelas 1 Kelas 2 Kelas 3 Kelas 4
Kelas 1 6 1 1 0
Kelas 2 0 3 4 1
Kelas 3 2 4 2 0
Kelas 4 0 4 1 3
Analisis Kesalahan Prediksi Percobaan 2
Pada penerapan high pass filter, kelas 1
merupakan kelas yang paling tepat
klasifikasinya. Data uji ke-1 mengalami salah
10
klasifikasi, yaitu sebagai kelas 3 pada
penggunaan radius 5 piksel dan sebagai kelas 2
pada penggunaan radius 25 piksel. Hal ini
disebabkan oleh spektrum transformasi yang
sangat berbeda akibat adanya warna merah yang
berlebih pada citra anatomi ini. Data uji ke-3 juga mengalami salah klasifikasi pada
penggunaan radius 25 piksel, yaitu sebagai
kelas 3.
Untuk kelas 2, data uji ke-2 sering
mengalami salah klasifikasi, yaitu sebagai kelas
4. Hal ini disebabkan oleh adanya bintik hitam
yang muncul pada citra serta pengambilan citra
yang agak miring sehingga berbeda dengan data
lainnya. Kesalahan klasifikasi juga terjadi pada
data ke-4 dan data ke-8. Hal ini disebabkan oleh
pasir-pasir granulosit atau bintik hitam pada sel-sel epidermis yang kurang terlihat, sehingga
membedakannya dengan citra lain pada
kelasnya.
Data uji ke-1 dan ke-7 pada kelas 3 sering
salah diklasifikasikan. Kedua data uji ini
diklasifikasikan sebagai kelas 4 pada
penggunaan radius 10 dan 15 piksel, serta
sebagai kelas 1 pada penggunaan radius 20 dan
25 piksel. Hal ini terjadi karena kerapatan
stomata pada data ini berbeda dengan citra lain
pada kelasnya, sehingga spektrum transformasi
yang dihasilkan juga berbeda.
Untuk kelas 4, data uji ke-2, ke-3, ke-4, ke-
5, dan ke-6 sering salah diklasifikasikan. Hal ini
disebabkan oleh posisi sel-sel epidermis pada
citra yang tegak lurus, berbeda dengan data
latihnya yang agak miring.
Perbandingan Low Frequency dan High
Frequency
Penelitian ini menerapkan klasifikasi
menggunakan k-Nearest Neighbor (k-NN)
dengan dua percobaan berbeda terhadap hasil
ekstraksi fitur, yaitu menggunakan low frequency dengan menerapkan low pass filter
dan menggunakan high frequency dengan
menerapkan high pass filter. Percobaan ini
diterapkan untuk membandingkan penggunaan
low frequency dan high frequency pada citra
dalam identifikasi tumbuhan Freycinetia.
Pada penggunaan low frequency, kelas 1,
kelas 2, dan kelas 3 sering salah klasifikasi
menjadi kelas lainnya. Hal ini terjadi karena
bentuk sel-sel epidermis ketiga kelas ini hampir
sama, yaitu memanjang dengan banyak pasir
granulosit dan sel penjaga di dekat stomata yang tampak berbeda dari sel lain di
sekelilingnya.
Pada penggunaan high frequency, kelas 4
sering salah klasifikasi menjadi kelas lain
karena posisi sel-sel epidermis pada citra yang
tidak seragam membuatnya sulit untuk dikenali.
Pada kelas 1, high frequency lebih cocok
digunakan daripada low frequency karena terdapat lebih banyak data yang diklasifikasikan
dengan benar. Data uji ke-1 dari kelas 1 sering
mengalami salah klasifikasi pada kedua
percobaan, karena adanya warna merah yang
berlebih pada citra yang mengakibatkan
perbedaan spektrum transformasi.
Pada kelas 2, low frequency lebih cocok
digunakan karena memberikan lebih banyak
data yang tepat diklasifikasikan. Kesalahan
klasifikasi sering terjadi pada data uji ke-2
karena adanya bintik hitam dan posisi sel-sel epidermis yang berbeda dengan data lainnya.
Pada kelas 3, low frequency lebih cocok
digunakan karena akurasi yang diberikan lebih
tinggi daripada high frequency. Kesalahan
klasifikasi sering terjadi pada data uji ke-1 dan
ke-7 karena memiliki kerapatan stomata yang
berbeda sehingga menghasilkan spektrum
transformasi yang berbeda pula.
Untuk kelas 4, low frequency lebih cocok
digunakan, karena menghasilkan lebih banyak
data yang tepat diklasifikasikan. Kesalahan
sering terjadi data uji ke-3, ke-4, dan ke-6 karena posisi sel-sel epidermis yang berbeda
dengan data lainnya. Posisi sel-sel epidermis
yang agak miring menghasilkan spektrum yang
berbeda dengan data yang memiliki posisi sel-
sel epidermis tegak lurus.
Gambar 10 menunjukkan grafik akurasi
klasifikasi menggunakan low frequency dan
high frequency dengan berbagai radius matriks
sesuai dengan data pada Tabel 2 dan Tabel 8.
0
10
20
30
40
50
60
70
80
90
100
5 10 15 20 25
Ak
ura
si (
%)
Radius (piksel)
Low Frequency High Frequency
Gambar 10 Akurasi klasifikasi.
11
Berdasarkan Gambar 10 dapat disimpulkan
bahwa penggunaan low frequency secara umum
memberikan akurasi yang lebih baik daripada
high frequency pada identifikasi tumbuhan
Freycinetia. Hal ini disebabkan oleh data citra
anatomi epidermis daun Freycinetia yang digunakan memiliki banyak pasir-pasir
granulosit berupa bintik-bintik hitam yang bisa
dianggap sebagai noise. Noise ini menutupi
sebagian sel-sel epidermis sehingga sulit untuk
dikenali. Penggunaan low frequency
mengakibatkan noise ini menjadi kabur dan
detail epidermis terlihat, sedangkan high
frequency mengakibatkan detail dan noise-nya
semakin tajam sehingga semakin mengurangi
akurasi.
Akurasi tertinggi yang dihasilkan menggunakan low frequency dan high
frequency sebesar 90.625% dan 81.25%.
Akurasi ini masih lebih rendah dibandingkan
dengan akurasi yang diperoleh pada penelitian
Qur’ania (2012).
KESIMPULAN DAN SARAN
Kesimpulan
Penelitian ini menggunakan k-Nearest
Neighbor (k-NN) untuk identifikasi Freycinetia
berdasarkan citra anatomi epidermis daun, yang
menjadi input pada klasifikasi ini adalah citra
yang telah mengalami transformasi wavelet
level 3 dan transformasi fourier.
Kelas 1 (Freycinetia angustifolia) lebih
cocok diklasifikasikan menggunakan high
frequency, sedangkan kelas 2 (Freycinetia
imbricata), kelas 3 (Freycinetia javanica), dan
kelas 4 (Freycinetia Sumatrana) lebih cocok
diklasifikasikan menggunakan low frequency.
Akurasi tertinggi pada penggunaan low
frequency untuk semua kelas sebesar 90.625%
dengan radius matriks lingkaran 10 piksel.
Akurasi tertinggi pada penggunaan high
frequency untuk semua kelas sebesar 81.25% dengan radius matriks lingkaran 5 piksel.
Berdasarkan hal tersebut dapat disimpulkan
bahwa low frequency lebih cocok digunakan
untuk identifikasi Freycinetia berbasis citra
anatomi epidermis daun menggunakan k-
Nearest Neighbor daripada high frequency.
Saran
Penelitian ini masih mempunyai beberapa
kekurangan yang dapat diperbaiki dan dapat
dikembangkan menjadi penelitian selanjutnya.
Beberapa saran pada penelitian ini yaitu:
1 Menggunakan low frequency dan high
frequency dengan berbagai dekomposisi
Wavelet dan berbagai jenis citra.
2 Melakukan berbagai kombinasi data
training dan data testing.
3 Menemukan kriteria yang cocok untuk menetukan jenis frekuensi yang digunakan
pada pengenalan citra.
4 Menggunakan algoritme klasifikasi yang
lain, seperti Jaringan Syaraf Tiruan (JST)
yang dapat meningkatkan akurasi.
DAFTAR PUSTAKA
Ashr N. 2011. Pengenalan wajah dengan
menggunakan Transformasi Fourier dan
fungsi jarak Euclidean [skripsi]. Bogor:
Fakultas Matematika dan Ilmu Pengetahuan
Alam, Institut Pertanian Bogor.
Cahyaningtias T. 2007. Pengenalan wajah
dengan pemrosesan awal Transformasi
Wavelet [skripsi]. Bogor: Fakultas
Matematika dan Ilmu Pengetahuan Alam,
Institut Pertanian Bogor.
Damayanti F. 2007. Analisis jumlah kromoson dan anatomi stomata pada beberapa plasma
nutfah pisang (Musa sp.) asal Kalimantan
Timur. Bioscientiae 4:53-61.
Gonzalez RC, Woods RE. 2002. Digital Image
Processing. Ed ke-2. New Jersey: Prentice
Hall.
Han J, Kamber M, Pei J. 2011. Data Mining
Concepts and Techniques. Ed ke-3.
Massachusetts: Morgan Kaufmann.
Haryanti S. 2010. Jumlah dan distribusi stomata
pada daun beberapa spesies tanaman dikotil dan monokotil. Buletin Anatomi dan
Fisiologi 2:21-28.
Haryanto FF. 2010. Analisis kromosom dan
stomata tanaman Salak Bali (Salacca
zalacca var. amboinensis (Becc.) Mogea),
Salak Padang Sidempuan (S. Sumatrana
(Becc.)) dan Salak Jawa (S. zalacca var
zalacca (Becc.) Mogea) [skripsi]. Surakarta:
Fakultas Pertanian, Universitas Sebelas
Maret.
McAndrew A. 2004. An Introduction to Digital
Image Processing with MATLAB. Victoria: Victoria University of Technology.
Nurjayanti B. 2011. Identifikasi Shorea
menggunakan k-Nearest Neighbor
berdasarkan karakteristik morfologi daun
[skripsi]. Bogor: Fakultas Matematika dan
12
Ilmu Pengetahuan Alam, Institut Pertanian
Bogor.
Pasaribu N. 2010. Freycinetia (Pandanaceae)
of Sumatera [disertasi]. Bogor: Sekolah
Pascasarjana, Institut Pertanian Bogor.
Qur’ania . . Klasi ikasi Freycinetia berbasis citra anatomi stomata
menggunakan k-Nearest Neighbor dan
jaringan syaraf tiruan [tesis]. Bogor:
Sekolah Pascasarjana, Institut Pertanian
Bogor.
Song Y, Huang J, Zhou D, Zha H, Giles CL.
2007. IKNN: Informative K-Nearest Neighbor pattern classification. Springer-
Verlag Berlin Heidelberg 47:248-264.
LAMPIRAN
14
Lampiran 1 Citra anatomi stomata untuk data latih
1. Kelas 1 (Freycinetia angustifolia)
2. Kelas 2 (Freycinetia imbricata)
3. Kelas 3 (Freycinetia javanica)
4. Kelas 4 (Freycinetia Sumatrana)
15
Lampiran 2 Citra anatomi stomata untuk data uji
1. Kelas 1 (Freycinetia angustifolia)
2. Kelas 2 (Freycinetia imbricata)
3. Kelas 3 (Freycinetia javanica)
4. Kelas 4 (Freycinetia Sumatrana)
16
Lampiran 3 Spektrum hasil transformasi Fourier untuk setiap data latih
1. Kelas 1 (Freycinetia angustifolia)
2. Kelas 2 (Freycinetia imbricata)
3. Kelas 3 (Freycinetia javanica)
4. Kelas 4 (Freycinetia Sumatrana)
17
Lampiran 4 Spektrum hasil transformasi Fourier untuk setiap data uji
1. Kelas 1 (Freycinetia angustifolia)
2. Kelas 2 (Freycinetia imbricata)
3. Kelas 3 (Freycinetia javanica)
4. Kelas 4 (Freycinetia Sumatrana)
18
Lampiran 5 Contoh low frequency pada salah satu spektrum transformasi Fourier citra Kelas1
1. Radius 5 piksel
2. Radius 10 piksel
3. Radius 15 piksel
4. Radius 20 piksel
5. Radius 25 piksel
19
Lampiran 6 Contoh high frequency pada salah satu spektrum transformasi Fourier citra Kelas1
1. Radius 5 piksel
2. Radius 10 piksel
3. Radius 15 piksel
4. Radius 20 piksel
5. Radius 25 piksel