Identification of Teak Leaf Using Backpropagation Neural Network with Feature Extraction Leaf Morphology Characteristic

Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor, Bogor 16680

*Penulis Korespondensi: Tel/Faks: 0251-8625584; Surel: [email protected]

Identifikasi Daun Tanaman Jati Menggunakan Jaringan Syaraf

Tiruan Backpropagation dengan Ekstraksi Fitur Ciri Morfologi

Daun

Identification of Teak Leaf Using Backpropagation Neural Network

with Feature Extraction Leaf Morphology Characteristic

ASEP HARYONO*, AZIZ KUSTIYO

Abstrak

Tanaman jati merupakan tanaman kayu yang sangat bermanfaat bagi kehidupan. Pengetahuan jenis jati

sangatlah penting bagi petani jati karena dari jenis jati inilah petani bisa mengetahui karakteristik, manfaat,

kisaran harga beli dan harga jual dari jati tersebut. Beragamnya jenis jati menjadikan petani sulit untuk

menentukan jenis jati pada saat usia jati masih muda. Untuk mempermudah pengenalan jati, maka diperlukan

suatu sistem yang otomatis dapat melakukan identifikasi jati. Sistem yang dibangun menggunakan teknologi

Jaringan Syaraf Tiruan (JST) backpropagation dengan ekstraksi fitur ciri morfologi daun. Terdapat lima ciri

dasar yang digunakan yaitu area, perimeter, diameter, panjang dan lebar daun. Dari lima ciri dasar tersebut

kemudian diturunkan menjadi 12 ciri turunan. Data yang digunakan pada penelitian ini adalah citra daun jati

biotrop, emas, jobika, muna, prima dan super di mana masing-masing data terdiri dari 20 citra dengan ukuran

citra 1200 x 2300 pixel. Untuk mendapatkan akurasi terbaik maka digunakan k-fold cross validation dengan nilai

k=5. Berdasarkan hasil percobaan yang telah dilakukan, dengan menggunakan hidden neuron 10 menghasilkan

nilai rata-rata akurasi terbaik sebesar 87,50 %.

Kata kunci : Backpropagation, Ekstraksi Fitur, Jaringan Syaraf Tiruann (JST), Jati, Morfologi Daun, Tanaman

Kayu.

Abstract

Teak is a wood plants is very useful for life. Knowledge about kind of teak is very important for teak

farmers because of this type, farmers can know the characteristics, benefits, buying and selling price range of

the teak. Various types of teak makes it difficult for farmers to determine the type of teak at a young age. To

facilitate the introduction of identity, we need a system that can automatically identity teak. The system is built

using backpropagation Neural Network technology with features extraction of leaf morphology characteristic.

There are five basic characteristic used ara area, perimeter, diameter, length and width of the leaf. Of the five

basic characteristics are then lowered to 12 derivative characteristics. The data used in this study is the image of

teak leaves is biotrop, emas, jobika, muna, prima and super in which each data consists of 20 images with the

image size of 1200 x 2300 pixel. To get the best accuracy then used k-fold cross validation with k=5. Based on

the result of experiments that have been done, with 10 hidden neuron produce an average value of the best

accuracy of 87,50 %.

Keywords: Backpropagation, Features Extraction, Neural Network, Teak, Leaf Morphology, Wood Plants.

PENDAHULUAN

Latar Belakang Masalah

Jati yang mempunyai nama latin Tectona grandis Linn. f. merupakan salah satu jenis

kayu komersial yang memiliki nilai ekonomis tinggi dan diminati oleh banyak orang,

baik dalam maupun luar negeri. Hingga saat ini, Jati masih menjadi komoditas mewah

dikarenakan kualitasnya yang tinggi, walaupun harga belinya mahal (Palupi 2006).

Tanaman jati sangatlah cocok untuk dibudaya di negara yang beriklim tropis seperti di

Indonesia. Terdapat ratusan species tanaman jati tersebar di Indonesia antara lain berlokasi di

Jawa, Muna, Buton, Maluku dan Nusa Tenggara. Banyaknya species tanaman jati yang ada

2

menjadikan faktor sulitnya dalam mengenal jenis tanaman jati yang satu dengan tanaman jati

yang lain. Sangatlah dibutuhkan pengetahuan dan pengalaman yang cukup untuk dapat

mengetahui setiap jenis tanaman jati yang ada. Untuk mempermudah dalam pengenalan

tersebut, perlu dibangun suatu sistem yang dapat mengidentifikasi tanaman jati secara

otomatis.

Identifikasi tumbuhan dapat dilakukan menggunakan bunga, buah, batang dan daun.

Namun pada penelitian ini akan digunakan daun tanaman jati sebagai objek identifikasi. Hal

ini dikarenakan daun cenderung tersedia sebagai sumber pengamatan sepanjang waktu dan

cenderung lebih mudah untuk menjadi objek pengamatan terutama berupa citra.

Penelitian Puspitasari (2011) dengan objek yang berbeda yaitu identifikasi jenis shorea

menggunakan Jaringan Syaraf Tiruan (JST) Backpropagation berdasarkan karakteristik

morfologi daun diperoleh akurasi yang cukup tinggi yaitu 94%. Namun penelitian

sebelumnya dengan objek yang sama yaitu penelitian Asanurjaya (2012) menggunakan

Probabilistic Neural Network (PNN) berdasarkan karakteristik morfologi daun akurasi yang

diperoleh masih 77,5%. Pada penelitian tersebut menggunakan 6 fitur morfologi daun (area,

perimeter, diameter, smooth factor, form factor dan perimeter ratio of diameter).

Oleh karena itu, pada penelitian ini akan mencoba menggunakan metode klasifikasi

lainnya yaitu Jaringan Syaraf Tiruan (JST) Backpropagation dengan ekstraksi fitur yang

digunakan berupa ciri morfologi daun sebanyak 17 fitur dan akan menggunakan jenis data

yang sama pada Asanurjaya (2012). Pada JST Backpropagation terdapat proses pelatihan

yang berulang-ulang dan memiliki kemampuannya untuk belajar serta kebal terhadap adanya

kesalahan (Fault Tolerance). Dengan kelebihan tersebut dan adanya fitur tambahan yang

digunakan, penelitian ini diharapkan bisa meningkatkan hasil akurasi.

Tujuan Penelitian

Penelitian ini bertujuan untuk menerapkan algoritma Jaringan Syaraf Tiruan

Backpropagation dan mengimplementasikan teknik ekstraksi fitur ciri morfologi daun dalam

mengidentifikasi tanaman jati serta mengetahui tingkat akurasi dari metode yang digunakan.

Manfaat Penelitian

Manfaat penelitian ini diharapkan dapat membantu para petani jati untuk mempermudah

identifikasi daun tanaman jati hanya dengan menggunakan ciri morfologi daun.

Ruang Lingkup Penelitian

Ruang lingkup penelitian ini adalah:

1. Terdiri dari enam jenis tanaman jati yang digunakan yaitu tanaman jati Biotrop, jati Emas,

jati Jobika, jati Muna, jati Prima dan jati Super.

2. Data citra tanaman jati diambil pada umur 3-4 bulan.

3. Ekstraksi fitur yang digunakan adalah berdasarkan ciri morfologi daun.

METODE PENELITIAN Secara garis besar metode penelitian terdiri dari identifikasi masalah, pengumpulan data,

praproses data, ekstraksi fitur, pembagian data latih dan data uji, pelatihan, pengujian dan

terakhir adalah analisis hasil sebagaimana terlihat pada Gambar 1.

3

Mulai

Identifikasi

Masalah

Pengumpulan

Data

Pembagian

Data Latih dan Data Uji

Analisis Hasil

Pelatihan JST

Pengujian JST

Data Latih Data Uji

Praproses

Data

Selesai

JST Backpropagation

Ekstraksi

Fitur

Gambar 1 Diagram Alir Metode Penelitian

Identifikasi Masalah

Banyaknya species tanaman jati baik jati unggul maupun jati biasa menjadikan suatu

faktor penyebab sulitnya dalam pengenalan jenis tanaman jati yang satu dengan yang lainnya.

Pemilihan kayu yang tidak tepat dapat diakibatkan dari kesalahan dalam mengidentifikasi

jenis jati. Oleh karena itu diperlukan solusi berupa suatu sistem yang dapat mengidentifikasi

jenis-jenis jati sehingga dapat dengan tepat membedakan jenis jati yang ada.

Pengumpulan Data

Citra yang akan digunakan pada penelitian ini adalah citra daun tanaman jati yang

sampelnya diambil dari Laborium Kultur Jaringan SEAMEO BIOTROP Bogor. Jumlah citra

daun yang digunakan 6 species. Satu species diwakili dengan 20 citra, sehingga total citra ada

sebanyak 120 citra. Citra yang digunakan berukuran 1200 x 2300 pixel, citra ini diakuisisi

menggunakan kamera digital.

Praproses Data

Praproses data merupakan tahap awal sebelum dilakukan ekstraksi. Pada tahap ini

dilakukan perubahan warna pada latar belakang (background). Latar belakang yang

sebelumnya berwarna, kemudian dihilangkan. Setelah dilakukan perubahan warna pada

background, tahap selanjutnya adalah mengubah mode warna citra yang pada awalnya RGB

menjadi grayscale. Pada langkah ini diperlukan suatu masukan citra biner dengan threshold

tertentu. Nilai threshold merupakan suatu nilai yang memisahkan antara pixel objek dengan

pixel latar belakang citra. Gambar 2 berikut ini merupakan ilustrasi perubahan warna latar

belakang.

4

Gambar 2 (a) Perubahan warna background, (b) Perubahan mode warna dari RGB ke grayscale

Ekstraksi Fitur

Menurut Wu et al. (2007) ciri pada ekstraksi ciri morfologi dibedakan menjadi dua,

yaitu ciri dasar dan ciri turunan. Terdapat lima ciri dasar daun yaitu area (A), perimeter (P),

diameter (D), physiological length (Lp) dan physiological width (Wp). Area adalah

perhitungan jumlah pixel dari daerah yang dilingkupi tepi daun pada citra yang telah

dihaluskan, sedangkan perimeter merupakan perhitungan jumlah pixel yang terdapat pada

tepi daun (keliling) sebagaimana terlihat pada Gambar 3.

(a) (b)

Gambar 3 (a) Area daun, (b) Perimeter daun.

Diameter merupakan jarak terpanjang antara dua titik pada tepi daun. Physiological

length adalah jarak antara ujung dan pangkal daun (panjang tulang daun primer) sedangkan

Physiological width adalah jarak terpanjang dari garis yang memotong tegak lurus

physiological length yang dibatasi tepi daun seperti terlihat pada Gambar 4.

(a) (b)

Gambar 4 (a) Diamater daun, (b) Physiological length dan physiological width

Pada tahap ini ciri dasar tersebut dikombinasikan sehingga mendapatkan 12 ciri turunan

di yaitu smooth factor, aspect ratio, form factor, rectangularity, narrow factor, perimeter

ratio of diameter, perimeter ratio of physiological length and physiological width serta

lima ciri urat daun (vein features). Informasi ciri tersebut direpresentasikan sebagai sebuah

vektor dengan tujuh belas elemen.

(a)

Biner RGB

(b)

5

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.

Fungsi ciri ini untuk memperkirakan bentuk helai daun. Jika benilai kurang dari 1

maka bentuk helai daun tersebut melebar. Jika benilai lebih dari 1 maka bentuk helai

daun tersebut memanjang.

3. Form factor merupakan fitur yang digunakan untuk mendeskripsikan bentuk dari daun

dan mengetahui seberapa bundar bentuk helai daun tersebut. Nilai form factor dapat

dilihat pada Persamaan 2.

4. Rectangularity mendeskripsikan seberapa perseginya permukaan daun. Rumusnya

diberikan pada Persamaan 3.

5. Narrow factor didefinisikan sebagai rasio antara diameter dan physiological length. Ciri

ini untuk menentukan apakah bentuk helai daun tersebut tergolong simetri atau asimetri.

Jika helai daun tersebut tergolong simetri maka benilai 1. Jika asimetri maka bernilai

lebih dari 1. Nilainya dapat dicari menggunakan Persamaan 4.

6. Perimeter ratio of diameter yaitu untuk mengukur seberapa lonjong daun tersebut.

Persamaannya dapat dilihat pada Persamaan 5.

7. Perimeter ratio of physiological length and physiological width. Rumusnya diberikan

pada Persamaan 6.

Perimeter ratio of physiological length and physiological width

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

a. Rasio antara area helai daun yang telah dikurangi disk-shaped structuring element

dengan radius satu pixel (Av1) dan area daun awal (A). Rumusnya menggunakan

Persamaan 7.

b. Rasio antara area helai daun yang telah dikurangi disk-shaped structuring element

dengan radius dua pixel (Av2) dan area daun awal (A). Persamaann 8 merupakan

rumus yang digunakan.

6

c. Rasio antara area helai daun yang telah dikurangi disk-shaped structuring element

dengan radius tiga pixel (Av3) dan area daun awal (A). Untuk menghitungnya

menggunakan Persamaan 9.

d. Rasio antara area helai daun yang telah dikurangi disk-shaped structuring element

dengan radius empat pixel (Av4) dan area daun awal (A). Persamaan 10 merupakan

persamaan yang digunakan.

e. Rasio antara area helai daun yang telah dikurangi disk-shaped structuring element

dengan radius empat pixel (Av4) dan area helai daun yang telah dikurangi disk-shaped

structuring element dengan radius satu pixel (Av1). Persamaannya dapat dilihat pada

Persamaan 11.

Pembagian Data Latih dan Data Uji

Pembagian data latih dan data uji dilakukan dengan menggunakan metode k-fold cross

validation dengan menggunakan k sama dengan 5. Pada kombinasi ini data dibagi menjadi 5

subset (S1, S2, S3, S4, S5) dengan masing-masing subset memiliki anggota yang sama. Pada

kombinasi ini proses identifikasi akan dilakukan 5 kali iterasi berdasarkan metode k-fold cross

validation. Data latih dan data uji memiliki subset yang berbeda pada setiap iterasi.

Pelatihan

Sebelum dilakukan pelatihan maka terlebih dahulu dibuat arsitektur Jaringan Syaraf

Tiruan (JST) seperti terlihat pada Gambar 5.

Gambar 5 Arsitektur JST Tanaman Jati

Propagasi Balik (Backpropagation) merupakan algoritma pembelajaran yang terawasi

(supervised learning) dan biasanya digunakan oleh jaringan multilayer untuk mengubah

bobot-bobot yang terhubung dengan semua neuron pada hidden layer (Hardelina 2007).

Ada tiga tahap pelatihan pada JST Propagasi Balik, yaitu pelatihan input yang bersifat

umpan maju (feed forward), perhitungan propagasi balik galat yang diperoleh, dan

penyesuaian bobot. Ketiga fase tersebut diulang terus menerus sampai kondisi berhenti

terpenuhi. Langkah selanjutnya hasil pelatihan tersebut disimpan untuk digunakan kembali

pada tahap pengujian. Tabel 1 memperlihatkan parameter JST yang digunakan pada proses

pelatihan.

7

Tabel 1 Parameter JST Propagasi Balik

Karakteristik Spesifikasi

Arsitektur 1 hidden layer

Neuron input 17

Hidden Neuron 3, 5, 8, dan 10

Neuron Output 6

Fungsi Aktivasi Sigmoid Bipolar, Fungsi Identitas

Toleransi galat 0

Maksimum epoch 100

Adapun definisi target dari jenis jati disajikan pada Tabel 2.

Tabel 2 Target dan Jenis Jati

No Jenis Jati Target

1 Biotrop 100000

2 Emas 010000

3 Jobika 001000

4 Muna 000100

5 Prima 000010

6 Super 000001

Pengujian

Pada tahap ini dilakukan pengelompokan data yang telah dilakukan pengujian berdasarkan

species dengan menggunakan tabel confusion matrix. Pengujian model dilakukan dengan

menggunakan data uji. Sistem diuji dengan menghitung akurasi, yaitu jumlah data yang

berhasil dikenali benar oleh metode JST. Persamaan 12 digunakan untuk menghitung akurasi.

Analisis Hasil

Agar dapat dengan mudah dilihat dan dianalisis seberapa besar akurasi pada identifikasi

daun tanaman jati, maka hasil akhir dibuat dalam bentuk grafik. Selain itu juga dilakukan

pengamatan terhadap semua fitur yang ada untuk melihat keterkaitan atau pengaruh antara

fitur yang satu dengan fitur yang lainnya.

HASIL DAN PEMBAHASAN

Pengumpulan Data

Penelitian ini menggunakan data hasil pengukuran yang dilakukan pada penelitian

sebelumnya oleh Asanurjaya (2012). Pada tahap ini dilakukan identifikasi enam jenis daun

jati dengan menggunakan karakteristik morfologi daun. Adapun enam jenis jati tersebut yaitu

Biotrop, Emas, Jobika, Muna, Prima dan Super. Enam jenis ini masing-masing terdiri atas dua

puluh sampel data sehingga total data sebanyak 120 data.

Ekstraksi Fitur

Pengujian telah dilakukan terhadap 5 ciri dasar morfologi ditambah dengan 12 ciri

turunan yaitu area, perimeter, diameter, physiological length, physiological width, smooth

8

factor, aspect ratio, form factor, rectangularity , narrow factor, perimeter ratio of diameter,

perimeter ratio of physiological length and physiological width dan vein features. Hasil yang

diperoleh dari perhitungan morfologi daun memiliki rentang nilai yang sangat jauh. Hal ini

tentunya akan mempengaruhi nilai akurasi.

Oleh karena itu sebelum dilakukan pembagian data latih dan data uji terlebih dahulu

dilakukan normalisasi data sehingga semua nilai akan memiliki rentang nilai yang tidak

terlalu jauh tanpa mengurangi informasi yang ada. Tidak semua nilai ekstraksi fitur dilakukan

normalisasi, tapi hanya beberapa nilai saja yang memiliki nilai rentang yang sangat jauh yaitu

nilai area, perimeter, dan diameter, physiological length dan physiological width .

Pembagian Data Latih dan Data Uji

Pembagian data latih dan data uji ini dilakukan dengan menggunakan metode k-fold cross

validation dengan menggunakan k sama dengan 5. Jumlah data yang diperoleh sebanyak 120

record dan dibagi menjadi 5 subset sehingga setiap subset terdiri dari 24 record. Subset yang

berjumlah 24 record tersebut terdiri atas 4 record dari masing-masing jenis daun.

Percobaan pertama (fold I) menggunakan 96 record sebagai data latih yang berisi subset

1,2,3, dan 4. Subset 5 yang berisi 24 record dijadikan sebagai data uji. Percobaan terus

dilakukan hingga setiap subset pernah dijadikan data uji seperti terlampir pada Tabel 3.

Tabel 3 Susunan data latih dan data uji

Fold Pelatihan Pengujian

Fold I S1, S2, S3, S4 S5

Fold II S1, S2, S3, S5 S4

Fold III S1, S2, S4, S5 S3

Fold IV S1, S3, S4, S5 S2

Fold V S2, S3, S4, S5 S1

Pelatihan Nilai parameter JST yang optimal sangatlah penting untuk mendapatkan model JST yang

baik. Penentuan JST optimal dilihat berdasarkan jumlah epoch minimum pada setiap

percobaan. Penentuan parameter JST optimal pada percobaan ini dilihat dari nilai parameter

yang dapat menghasilkan nilai akurasi tertinggi untuk setiap iterasi. Jika ada dua atau lebih

nilai parameter yang menghasilkan akurasi yang sama, maka penentuan parameter JST

optimal akan dilihat berdasarkan nilai parameter yang memiliki epoch terkecil.

Untuk menentukan parameter JST optimal dimulai dengan percobaan beberapa nilai

hidden neuron. Adapun nilai hidden neuron yang digunakan yaitu 3, 5, 8, dan 10 dengan

epoch sebesar 100. Perobaan ini akan terus dilakukan dengan beberapa nilai hidden neuron

yang lain sehingga bisa didapatkan nilai akurasi yang baik. Untuk meningkatkan hasil akurasi,

perlu juga dilakukan perubahan pada parameter yang lain seperti jumlah epoch dan fungsi

aktivasi.

Pengujian Akurasi setiap percobaan didapat dari perhitungan confusion matrix yang terdiri dari

jumlah baris data uji yang diprediksi benar atau tidak oleh model klasifikasi. Berdasarkan

hasil percobaan, tidak semua jenis jati dapat teridentifikasi dengan baik sesuai dengan jenis

jati yang ada. Percobaan awal dengan menggunakan hidden neuron sebanyak 3, nilai akurasi

rata-rata yang dihasilkan adalah sebesar 72,50 %. Berdasarkan Gambar 6 (a) terlihat bahwa

data jenis jati yang paling banyak dikenali adalah Jati Super yang berjumlah 19. Jati Biotrop

dapat teridentifikasi sebagai Jati Jobika, Muna dan Prima.

9

(a) (b)

Gambar 6 (a) Percobaan dengan nilai hidden neuron 3, (b) Percobaan dengan nilai hidden neuron 5

Begitu juga dengan Jati Emas dapat teridentifikasi sebagai Prima dan Super. Jati Jobika

dapat teridentifikasi sebagai Jati Biotrop dan Muna, sedangkan Jati Muna dapat teridentifikasi

sebagai Jati Jobika dan Jati Super. Selanjutnya Jati Prima juga dapat teridentifikasi sebagai

Jati Emas dan Jobika, untuk Jati Super dapat teridentifikasi sebagai Jati Jobika.

Percobaan selanjutnya dengan menggunakan hidden neuron sebanyak 5. Pada Gambar 6

(b) data uji yang berhasil dikenali paling banyak adalah Jati Super dan Jati Muna. Hasil

akurasi yang diperoleh pada percobaan ini sebesar 82,50 %. Pada percobaan ini besarnya data

uji yang dikenali benar mengalami peningkatan dari sebelumnya. Jati Biotrop mengalami

peningkatan walaupun masih dapat teridentifikasi sebagai Jati Jobika dan Super. Jati Emas

dapat teridentifikasi sebagai Jati Prima sedangkan Jati Jobika dapat teridentifikasi sebagai Jati

Biotrop, Emas dan Muna. Jati Muna dapat teridentifikasi sebagai Jati Super, sedangkan Jati

Prima dapat teridentifikasi sebagai Jati Emas. Untuk Jati Super dapat teridentifikasi sebagai

Jati Jobika dan Muna.

Kemudian dengan menggunakan hidden neuron sebanyak 8, hasil akurasi yang didapatkan

sebesar 85,83 % seperti terlihat pada Gambar 7 (a). Hal ini berarti akurasi tetap mengalami

peningkatan dari akurasi yang didapatkan sebelumnya. Jati super pada percobaan ini masih

memiliki nilai bobot yang paling tinggi dibandingkan dengan nilai bobot jati yang lainnya.

(a) (b)

Gambar 7 (a) Percobaan dengan nilai hidden neuron 8, (b) Percobaan dengan nilai hidden neuron 10

Percobaan akhir yang dilakukan yaitu dengan menggunakan hidden neuron 10 dan akurasi

yang didapatkan sebesar 87,50 % sebagaimana terlihat pada Gambar 7 (b). Akurasi ini

mengalami peningkatan dari percobaan sebelumnya yaitu 85,83 %. Pada percobaan ini, Jati

Biotrop adalah yang paling banyak teridentifikasi dengan baik walaupun masih bisa

teridentifikasi sebagai Jati Muna. Jati Emas dapat teridentifikasi sebagai Jati Biotrop dan

Super. Untuk Jati Jobika dapat teridentifikasi sebagai Jati Biotrop dan Prima sedangkan Jati

Muna teridentifikasi sebagai Jati Super. Jati Prima dapat teridentifikasi sebagai Jati emas dan

untuk Jati Super dapat teridentifikasi sebagai Jati Jobika dan Muna. Berdasarkan hasil

percobaan yang telah dilakukan, hidden neuron 10 menghasilkan nilai rata-rata akurasi

terbaik.

10

Gambar 8 Grafik nilai rata-rata akurasi terbaik pada hidden neuron

Gambar 8 menggambarkan kinerja dari setiap hidden neuron yaitu 3, 5, 8, dan 10 yang

direpresentasikan dalam bentuk grafik. Terlihat bahwa semakin tinggi hidden neuron yang

digunakan maka semakin tinggi pula hasil akurasi yang didapatkan. Hal ini dapat diambil

kesimpulan bahwa hidden neuron pada JST sangatlah berpengaruh terhadap hasil akurasi.

SIMPULAN DAN SARAN

Simpulan

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

1. Teknologi Jaringan Syaraf Tiruan Backpropagation dapat diimplementasikan dalam

pengenalan daun tanaman jati menggunakan ekstraksi fitur ciri morfologi daun.

2. Klasifikasi Jaringan Syaraf Tiruan Backpropagation dengan hidden neuron 10

menghasilkan hasil akurasi paling baik dibandingkan dengan hidden neuron yang lain.

3. Nilai akurasi maksimal yang dicapai adalah 87,50 %.

Saran

Saran untuk pengembangan selanjutnya adalah:

1. Menambah jenis jati yang dapat diidentifikasi sehingga lebih beragam. 2. Melakukan segmentasi secara otomatis pada saat praproses citra. 3. Melakukan percobaan dengan metode identifikasi yang lain.

DAFTAR PUSTAKA

Asanurjaya, Bangun. 2012. Identifikasi Daun Tanaman Jati Menggunakan Probabilistic

Neural Network dengan ekstraksi fitur ciri morfologi daun [skripsi]. Bogor (ID): Institut

Pertanian Bogor.

Hardelina R. 2007. Klasifikasi Buah Melon Berjaring Menggunakan Jaringan Syaraf

Tiruan Propagasi Balik Resilient [skripsi]. Bogor (ID) : Institut Pertanian Bogor.

Palupi E. R. 2006. Genetic, Biotic, and Physiological Factors in Seed Production of Teak

(Tectona grandis L.f.): A case study in clonal seed orchard in East Java. [Disertasi].

Bogor (ID): Institut Pertanian Bogor.

Puspitasari, Dewi. 2011. Identifikasi Jenis Shorea Menggunakan Jaringan Syaraf Tiruan

Propagasi balik Berdasarkan Karakteristik Morfologi Daun [skripsi]. Bogor (ID) : Institut

Pertanian Bogor.

Wu S. G., et al. 2007. A Leaf Recognition Algorithm for Plant Using Probabilistic Neural

Network. China (CN) : Chinese Academy Science.

72.50 82.50 85.83 87.50

0

50

100

3 5 8 10

Pe

rse

nta

se (

%)

Hidden Neuron