ISBN No. 978-602-98559-1-3 ProsidingSNSMAIP 111-2012

ANALISIS TEKSTUR CITRA ANATOMI STOMATAUNTUK KLASIFIKASI FREYCINETIA MENGGUNAKAN

K-NEAREST NEIGHBOR

Arie Qur'ania \ Aji Hamim Wigena 2, dan Aziz Kustiyo 3

Jurusan llmu Komputer FMIPA, Universitas Pakuan, Bogor, lndonesia!Email qurania@yahoo.com

Departemen Statistika FMIPA, IPB, Bogor, lndonesia2

Departemen llmu Komputer FMIPA, IPB, Bogor, lnoonesie'

ABSTRAK

Klasifikasi jenis Freycinetia dilakukan untuk mengetahui nilai potensial dan kegunaan sertapenyebaran koleksi plasma nutfah pada keberadaan sumberdaya hayati. Ciri anatomistomata dapat digunakan' untuk mendukung ciri morfologi dalam proses klasifikasi jenis,khususnya pada kasus spesimen yang memiliki ciri morfologi yang tidak lengkap. Penelitianini menggunakan citra digital anatomi stomata yang dianalisis berdasarkan tekstur untukmengetahui pola yang akan diklasifikasikan ke dalam jenis Freycinetia menggunakan K-Nearest Neighbor (K-NN). Metode analisis tekstur bertujuan untuk mendapatkan ciri ataufitur pada citra grayscale berupa nilai entropi, kontras, energi, homogenitas, skala keabuan,dan standar deviasi, sedangkan pada citra warna diambil unsur warna red, green, dan blue.Hasil ekstraksi ciri digunakan sebagai input bagi K-NN untuk klasifikasi data baruberdasarkan jarak terdekat ke sejumlah data latih. Data citra anatomi stomata yangdigunakan sebanyak 96 data, terdiri atas 80 data latih dan 16 data uji. Jenis Freycinetiaterdiri atas empat jenis Freycinetia. yaitu Freycinetia angustifolia, Freycinetia imbricata,Freycinetia javanica, dan Freycinetia sumatrana. Hasil penelitian menunjukkan tingkatakurasi sebesar 86,46% untuk nilai fitur tanpa proses transformasi data dan 94,79% untuknilai fitur dengan proses transformasi data. Sistem ini diharapkan dapat menjadi alat bantuuntuk menunjang proses identifikasi jenis di bidang taksonomi.

Katakunci. Freycin e tia, Stomata, Analisis Tekstur, K-NN

1. PENDAHULUAN

Freycinetia adalah genus terbesar keduadari famili Pandanaceae, yang memilikisekitar 200-300 jenis (CaIImander et al.2003). Klasifikasi jenis Freycin-etia dilakukanuntuk mengetahui nilai potensial dankegunaan serta penyebaran koleksi plasmanutfah pada keberadaan sumberdayahayati. Penelitian mengenai Freycinetiatelah dilakukan, yaitu jenis Freycinetia diSumatra (Pasaribu, 2010). KlasifikasiFreycinetia dapat dilakukan menggunakandua cara, yaitu ciri morfologi dan cirianatomi. Cara pertama menggunakan cirirnorfologi berdasarkan karakteristikmakroskopis, seperti bentuk dan ukurandaun, warna buah, dan warna bunga. Carakedua menggunakan ciri anatomiberdasarkan karakteristik mikroskopis,seperti struktur stomata, ukuran stomata,jumlah stomata, dan epidermis. Ciri anatomistomata dapat digunakan untuk mendukungciri morfologi dalam proses identifikasi jenis,khususnya pada kasus spesimen atausampel yang memiliki ciri morfologi yangtidak lengkap.

_iiiiliiiiiii--==-==·---------- - ---

Penelitian yang menggunakan karakteristikanatomi stomata untuk menganalisis jenisdan mendukung ciri morfologi telahdilakukan, diantaranya untuk menganalisisjenis pisang (Damayanti, 2007) dan jenissalak (Haryanto, 2010),Ciri anatomi stomata yang biasa dilakukanuntuk menganalisis jenis dilakukan dengancara menghitung kerapatan dan indeksstomata. Cara tersebut memerlukanketelitian, pengalaman, dan waktu yangcukup untuk keakuratan data pendukungklasifikasi jenisPenelitian ini menggunakan ekstraksi fiturwarna dan fitur skala keabuan pada citra.Fitur warna memiliki nilai red, green, danblue (RGB). Fitur skala keabuan memilikinilai entropi, kontras, energi, homogenitas,level keabuan, dan standar deviasi. Fiturentropi, kontras, energi, dan homogenitasdikenal dengan teknik analisis tekstur(Haralick et al, 1973).Penelitian terdahulu telah dilakukanmenggunakan citra RGB dan analisis teksturuntuk identifikasi jenis kayu berbasis citra(Gasim, 2006) dengan tingkat akurasi 100%,sedangkan identifikasi Shorea berdasarkan

28

ISBN No. 978-602-98559-1-3

karakteristik morfologi daun menggunakanK-NN (Nurjayanti 2011) menghasilkanakurasi sebesar 100%.Tujuan penelitian ini ada!ahmengklasifikasikan Freycinetia berbasis citraanatomi stomata menggunakan K-NN,dengan ekstraksi fitur RG8 dan analisistekstur Manfaat penelitian adalahmembantu proses klasifikasi jenistumbuhan khususnya Freycinetia berbasiscitra anatomi stomata sebagai alat bantualternatif di bidang taksonomi.

2. METODE PENELITIAN

Tahapan penelitian yang dilaksanakanditunjukkan pada Gambar 1.

T

Ekstraksi fiturRGB & Analisis tekstur

,..

6-Fo!d cross validation

~

[~a3I 'Data uji ]J~

,..

r Klasifika~ K-N:-r dan akura si I~ -/' S1 . "\

\. e esai ~"----------""-

Gambar 1. Tahapan Penelitian

2.1 Ekstraksi FiturEkstraksi fitur dengan RGB dan analisistekstur dilakukan dengan mengambil fiturdari citra warna yaitu indeks warna merah(R), hijau (G), dan biru (8). Fitur analisistekstur diambil dari citra grayscale yaituentropi, energi, kontras, homogenitas, levelkeabuan, dan standar deviasi. Empat fiturpada analisis tekstur dihitung menggunakanpersamaan (1) hingga persamaan (4).

Et' '1'\ (. "1 ,. ", (1)ntropi = -wi,L.lzP,il.'/LI Ogp~ill,I2:)'"

Prosiding SNSMAIP 111-2012

Energi = ": Yi p2(j1.i?) (2)L..:t ~'2 -, -~

dengan P(i1. ;2) adalah pasangan matriksintensitas co-occurrence, iI menunjukkanbaris dan i2 kolom.

2.2 Data Latih dan Data UjiCitra anatomi stomata berjumlah 96 dataterbagi atas dua bagian, yaitu data latih ~80citra) dan data uji (16 citra). Data citraberasal dari koleksi Pasaribu (2010). Citraanatomi stomata Freycinetia terbagi atas 4jenis, yaitu Freycinetia angustifolia,Freycinetia imbricata, Freycinetia javanica,dan Freycinetia sumatrana. Datadikelompokan berdasarkan data setiap jenis,yaitu 24 buah citra me.ngg~nakan. 6~foldcros-vafidation. Data dibagi menjadi 6bagian data uji, yaitu citra 1 - 4, citra 5 - 8,citra 9 - 12, citra 13 - 16, citra 17 - 20, dancitra 21 - 24. Pengelompokan detail 6-foldcros-va/idation ditunjukkan pada Gambar 2.

F...,ld!

fold, " .: -, ";:

Fold 6

DJt:! UJiDati Latih

Gambar 2. Bentuk 6- fold cros-validation

2.3 Klasifikasi K-NN dan AkurasiPrinsip kerja KNN adalah mengelompokkandata baru berdasarkan jarak ke beberapadata k tetangga terdekat (neighbor) dalamdata pelatihan (Hanseiman 1998). Nilai kyang terbaik untuk algoritme ini tergantungpada data, secara umum nilai k yang tinggiakan mengurangi efek noise padaklasifikasi, tetapi membuat batasan antarasetiap klasifikasi menjadi lebih kabur. Teknikcross validasi digunakan untuk mencari nilaik yang optimal dalam mencari parameterterbaik dalam sebuah model. JarakEuclidean menurut McAndrew (2004)digunakan untuk menghitung jarak antaradua vektor yang berfungsi menguji ukuranyang bisa digunakan sebagai interpretasikedekatan jarak antara dua obyek yangdirepresentasikan dalam persamaan (5).

.... (5)

29

dengan d(x,y): jarak euclidean antaravektor x dan vektor y ; x, : fitur ke i darivektor x ; Yi : fitur ke i dari vektor y ; n :jumlah fitur pada vektor x dan y

Konsep K-NN menggunakan fungsi jarakEuclidean, untuk menghindari perbedaanrange nilai pada tiap atribut (fitur) makaperlu dilakukan transformasi. Transformasidigunakan untuk menyamakan skala fitur kedalam sebuah range yang spesifik, misalnya-1 sampai 1 atau 0 sampai 1. Metodetransformasi yang digunakan adalah MinMax Normalization yang menghasilkantransformasi linear pada fitur data asli gunamenghasilkan range nilai yang sama (Han &Kamber 2001) seperti pada persamaan (6).

v' = v-tr..in" (6)rr..~\.:.-t'!"~it'!....:.

denganv ": nilai baru fitur hasil Min-Max NormalizationV : nilai fitur yang akan ditransformasimin, : nilai min dari field pada fitur yang samamaXA : nilai max dari field pada fitur yang samanew_minA : nilai minimum fitur yang diinginkannew_maxA: nilai maksimum fitur yang diinginkan

Klasifikasi dilakukan terhadap 80 data latihdan diujikan pada 16 data uji. Output terdiriatas empat kelas yang mencirikan jenisFreycinetia, yaitu kelas 1 mencirikanF angustifolia, kelas 2 mencirikanF.imbricata, kelas 3 mencirikan F javanica,dan kelas 4 mencirikan Fsumatrana.Klasifikasi K-NN menggunakan nilai k=1hingga k=6. Hasil penelitian diukur denganakurasi untuk menilai kinerja sistemklasifikasi jenis Freycinetia. Akurasi dihitungberdasarkan data uji pada 6 fold crossvalidation dengan persamaan (7).Penyebaran kesalahan klasifikasi digunakanconfusion matriks.

Akurasi = Jumlah klasifikasi yang benar x 100% ...(7)Jumlah semua data

3. HASIL DAN PEMBAHASAN

3.1 Ekstraksi FiturEkstraksi fitur RGB (Gambar 3) dan analisistekstur (Gambar 4) menghasilkan sembilanfitur. Hasil ekstraksi fitur RGB dan analisistekstur ditunjukkan pada Tabel 1.

, IV;:'IUIII~ vl ...•"IVIAIt"'" III-LUIG

Tabel 1 : Hasil ekstraksi fitur RGB dan analisis tekstur

Fitur Kelas2 3 4

Red 213 210 208 209Green 135 159 129 163

Blue 175 181 169 191

Entropi 6.88 6,49 6,69 6,85

Std 34,76 28,85 29,21 31,38

Level 0,56 0,62 0,55 0,65

Kontras 0,31 0,3 0,34 0,3

Energi 0.26 0,31 0,23 0,2

Homogen. 0,86 0,87 0,85 0,86

Tabel 1 menunjukkan bahwa nilai fitur antarjenis Freycinetia memiliki selisih nilai yangkecil, sehingga sulit untuk membedakanantar jenis. Fitur yang memiliki kemiripandiantaranya adalah red, entropi, level,kontras, energi, dan homogenitas.

R=2i3 G=135 B=175

Gambar 3. Hasil ekstraksi fitur RGB

Freycinetia angustifolia

Entropi = 6,88

Kontras = 0,31

Level = 0,56

Energi = 0,26

Homogen. = 0,86

Std = 34,76

Gambar 4. Hasil ekstraksi fitur analisis tekstur

3.2 Hasil KlasifikasiKlasifikasi menggunakan K-NNmenghasilkan tingkat kesalahan 13,54%dengan data yang salah diklasifikasikansebanyak 13 data dari 96 data. Tingkatkesalahan menurun menjadi 5,21 % jika nilaifitur ditransformasi, dengan jumlah datayang salah diklasifikasikan sebanyak 5 data.Perbandingan tingkat akurasi pada data

30

ISBN No. 978-602-98559-1-3

tanpa transformasi dan dengan transformasiditunjukkan pada Gambar 5.

100% ·1 94.8"% 94.1)%I 91.7% 91.7% 91.7%

:::m ] ,,~[~l'i'~11 2 63 4 5

nilai k

Gambar 5. Akurasi percobaan. 0 tanpa transformasi.

• dengan transformasi

Gambar 5 menunjukkan bahwa data dengantransformasi pada nilai k=1 dan k=2dihasilkan akurasi tertinggi 94,8%. Prosestransformasi data menaikkan tingkat akurasisebesar 8,3%. Hasil kesalahan klasifikasimenggunakan confusion matrix ditunjukkanpada Tabel 2.

Tabel 2 Confusion matrix pada k=1PREDIKSI PREDIKSIKe!as (Tanpa Kelas (Dengan

AKTUALTransformasi) Transformasi)1 2 3 4 1 2 3 4

Kelas 1 20 0 4 0 23 0 0Kelas 2 0 22 0 2 0 22 0 2Kelas 3 3 0 21 0 1 0 23 0Kelas 4 0 4 0 20 0 0 23

Tabel 2 menunjukkan kesalahan klasifikasimenurun pada data dengan prosestransformasi Kelas 1 (F. angustifolia), kelas3 (F. javanica), dan kelas 4 (F. sumatrana)terklasifikasi sebanyak 23 data, sedangkankelas 2 (F. imbricata) terklasifikasi sebanyak22 data. Kelas 1 terklasifikasi kelas 3 dansebaliknya. sedangkan kelas 2 terklasifikasikelas 4 dan sebaliknya. Hal ini menunjukkanbahwa berdasarkan fitur RGB dan analisistekstur, jenis Freycinetia angustifoliamemiliki kemiripan dengan Freycinetiajavanica, sedangkan Freycinetia imbricatamemiliki kemiripan dengan Freycinetiesumatra na. Bentuk dan susunan epidermiskedua jenis, yaitu Freycinetia imbricata danFreycinetia sumatrana memiliki kemiripan,sedangkan berdasarkan perhitungan nilaiRGB dan analisis tekstur memiliki range nilaiyang dekat, yaitu nilai level keabuan,homogenitas, dan energi.

4. SIMPULAN DAN SARAN

Analisis tekstur dapat digunakan untukekstraksi ciri pada citra anatomi stomata.

Prosiding SNSMAIP 111-2012

Hasil klasifikasi citra anatomi stomataFreycinetia menggunakan K-NN denganekstraksi fitur RGB dan analisis tekstur padadata yang ditransformasi dapatmeningkatkan nilai akurasi dari 86,46%menjadi 94,79%. Akurasi tertinggi dicapaipada nilai k=1 dan k=2. Penelitian dapatdikembangkan untuk menghitung nilaiindeks stomata dan kerapatan stomata

PUSTAKACallmander, M.W., Chassot, P., Kupfer, P.,

Lowry, P.P. 2003. Recognition ofMartellidendron a new genus ofPandanaceae, and its biogeographicimplications. Taxon 52:747-762.

Damayanti, F. 2007. Analisis jumlahkromosom dan anatomi stomata padabeberapa plasma nutfah pisang (Musasp.) asal Kalimantan Timur. Bioscientiae2007;4:53-61.

Gasim. 2006. Jaringan syaraf tiruan untukpengenalan jenis kayu berbasis citra.Tesis. Program Pascasarjana, InstitutPertanian Bogor. Bogor

Han, J., Kamber, M. 2001. Data Mining:Concepts and Techniques. MorganKaufmann.

Hanseiman, 0., Littlefield, B. 1998."Mastering MA TLAB 5, A ComprehensiveTutorial and Reference". Prentice-HallInc.

Haralick, R.M., Shanmugam, K, Itshak,Dinstein. 1973. Texturai features forimage classification. IEEE Transaction onSystem, Man and Cybernetics 3:6.

Haryanto, F.F. 2010. Analisis kromosom danstomata tanaman Salak Bali (Salaccazalacca var. Amboinensis (Becc.)Mogea), Salak Padang Sidempuan (S.sumatrana (Becc.) Mogea) dan SalakJawa (S. zalacca var. zalacca (Becc.)Mogea). Skripsi. Fakultas Pertanian,Universitas Sebelas Maret. Surakarta.

McAndrew, A. 2004. An Introduction toDigital Image Processing with Matlab.Australia: Thomson.

Nurjayanti, B. 2011. Identifikasi Shoreamenggunakan k-nearest neighbourberdasarkan karakteristik morfologi daun.Skripsi. Fakultas Matematika dan llmuPengetahuan Alam, Institut PertanianBogor. Bogor

Pasaribu, N. 2010. Freycinetia (Pandaceae)of Sumatra. Disertasi. ProgramPascasarjana, Institut Pertanian Bogor.Bogor.

31