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
10
Embed
Identification of Teak Leaf Using Backpropagation Neural Network with Feature Extraction Leaf Morphology Characteristic
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor, Bogor 16680
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