Abstrak
Varietas durian yang terdapat di Indonesia memiliki banyak kemiripan. Hal tersebut menyebabkan
sebagian orang sulit untuk membedakan varietas durian yang satu dengan yang lainnya. Varietas-varietas
durian dapat dibedakan dengan melakukan ekstraksi fitur pada daun durian. Daun merupakan bagian
tanaman yang memiliki karakteristik tertentu sehingga memudahkan proses identifikasi jenis tanaman.
Salah satu karakteristik yang menjadi penciri pada daun ialah adanya sebaran trikoma. Penelitian ini
dilakukan dengan menggunakan metode GLCM untuk mengekstraksi sebaran trikoma dan PNN sebagai
penggolong. Percobaan dilakukan berdasarkan orientasi sudut GLCM 0, 45, 90, dan 135. Setiap
percobaan diuji pada nilai smoothing parameter () PNN 0.1 sampai 0.9. Identifikasi dilakukan terhadap
100 citra daun berukuran 280 x 280 piksel yang berasal dari 10 varietas durian. Percobaan ini
menghasilkan akurasi rata-rata tertinggi sebesar 71%.
Kata kunci: GLCM, smoothing parameter, trikoma, varietas.
Abstract
Durian varieties in Indonesia have so many similarities. The similarity has caused people to identify
one durian varieties with another varieties. Durian varieties can be identified by durian leaf texture
extraction. The leaves are part of plant that have a characteristic so that identification can be performed
easily. Leaf trichomes are one of characteristics on leaves. This research is performed using Gray Level
Co-occurence Matrix (GLCM) methode for texture extraction and Probabilistic Neural Network (PNN) as
classifier. This experiment is performed based on 0, 45, 90, and 135 GLCM angles. All experiments
are tested for PNN smoothing parameter () ranges from 0.1 to 0.9. Identification is performed using 100
images from 10 durian varieties. The dimension of all images is 280 x 280 pixel. This experiment have the
highest accuracy 71%.
Keywords: GLCM, smoothing parameter, trichomes, varietas.
PENDAHULUAN
Latar Belakang
Durian (Durio zibethinus murr) yang dijuluki The King of Fruit merupakan salah satu buah
cukup popular di Indonesia. Buah yang memiliki rasa dan aroma yang khas ini sangat digemari
oleh sebagian banyak orang. Rasa buahnya yang manis dan aroma harum buahnya menjadi daya
tarik tersendiri bagi pencinta durian. Warna daging buahnya bervariasi, ada yang berwarna putih,
kuning, dan oranye serta buah ini dilengkapi dengan adanya kandungan kalori, vitamin, lemak,
dan protein. Akan tetapi kurang dalam hal pemanfaatannya. Selama ini, bagian buah durian yang
lebih umum dikonsumsi adalah bagian salut buah atau dagingnya.
Dilihat dari segi panganan, manfaat durian selain sebagai buah segar, terdapat manfaat lain
yaitu bijinya yang memiliki kandungan pati cukup tinggi, berpotensi sebagai alternatif pengganti
makanan yaitu dapat dibuat bubur yang dicampur daging buahnya. Selain dari segi panganan,
Departemen Ilmu Komputer, Fakultas matematika dan Ilmu pengetahuan Alam, Institut pertanian Bogor, Bogor 16680
*Penulis Korespondensi: Surel: caturteguhok@gmail.com
2
kulit durian dimanfaatkan sebagai bahan abu gosok, tanamannya sebagai pencegah erosi, dan
batangnya untuk perkakas rumah tangga.
Di Indonesia tanaman durian tersebar diseluruh propinsi dengan berbagai varietas dan
kualitas yang beragam pula. Berdasarkan data statistik hortikultura selama lima tahun terakhir
(2008 2012) menunjukkan produksi dan luas panen durian sangat berfluktuasi dengan
kecenderungan meningkat. Kecenderungan impor durian dan produksi durian nasional yang
meningkat menggambarkan konsumsi durian masyarakat Indonesia meningkat (Wibawa 2009).
Buah durian termasuk salah satu buah yang banyak dikonsumsi oleh masyarakat. Menurut
data statistik produksi buah dari Pusat Kajian Holtikultura Tropika (PKHT) tahun 2012, jumlah
produksi buah durian dari tahun ke tahun semakin meningkat, dimulai dari tahun 1997 sebanyak
236.389 hingga tahun 2012 sebanyak 812.433.
Pengambilan sampel data daun durian tepatnya di daerah Bogor, Desa Cihideung,
Kecamatan Cipelang, terdapat Kebun Durian Warso yang luas lahannya 8,5 ha dan kurang lebih
setengah dari luas lahan tersebut ditanami berbagai jenis pohon durian. Jumlah pohonnya sekitar
900 dan terdiri dari 19 jenis dan 6 varietas unggul, yaitu monthong, lay, petruk, sunan, si mas,
dan tembaga (bogor.net 2013). Di antara varietas unggul yang telah disebutkan, terdapat beberapa
varietas lagi yang akan diteliti, yaitu bakul, cane, hepe, kendil, malaysia d24, matahari, dan
sukun.
Terdapat sekitar 30 spesies durian, tetapi hanya 9 spesies yang memiliki buah dan dapat di
makan (Bahareh 2012), Durio zibethinus yang paling popular dan dikenal sebagai durian umum.
Sampel data daun durian yang diteliti sebanyak 11 varietas. Durian lai termasuk spesies durian
kutejensis, selain itu durian lain termasuk spesies zubenthinus.
Penelitian terkait oleh Kadir, Nugroho, Susanto, et al (2011) mengenai identifikasi 60 jenis
tanaman daun berwarna-warni menggunakan beberapa fitur GLCM dan PNN sebagai classifier
menghasilkan akurasi rata-rata 93.0833%. Kombinasi bentuk, warna, tekstur, dan atribut lain
yang terdapat pada daun sangat berguna dalam mengidentifikasi daun.
Mengenai tingginya minat konsumsi durian di masyarakat dan penelitian yang terkait, maka
penelitian dengan menggunakan metode Grey Level Cooccurence Matriks (GLCM) dan
Probabilistic Neural Network (PNN) dalam pengenalan varietas durian diharapkan menjadi
sistem yang dapat mengenali, meminimalisir kesalahan pengenalan dan pembedaan pohon durian
dilihat dari citra daunnya.
Tujuan Penelitian
Penelitian ini bertujuan untuk menerapkan PNN dan teknik ekstraksi fitur GLCM untuk
mengidentifikasi daun durian.
Ruang Lingkup
Batasan/ruang lingkup penelitian ini meliputi:
1. Terdapat 10 jenis daun durian yang digunakan berasal dari Kebun Durian Warso, yaitu Bakul,
Cane, Hepe, Kendil, Malaysia D24, Matahari, Monthong, Petruk, Simas, dan Sukun.
2. Citra daun yang digunakan adalah sebaran trikoma pada bagian bawah daun.
Manfaat
Manfaat penelitian ini adalah untuk membantu identifikasi jenis pohon durian berdasarkan
sebaran trikoma bagian bawah daun.
METODE PENELITIAN
Tahapan penelitian yang dilakukan meliputi pengumpulan data, praproses, ekstraksi fitur,
penentuan data latih dan data uji, klasifikasi PNN, dan perhitungan akurasi. Tahapan metode
penelitian dapat dilihat pada Gambar 1.
Mulai
Akuisisi
Citra
Praproses
Ekstraksi fitur
K-Fold
Data
Latih
Selesai
Akurasi
Data
Uji
PNN
Akuisisi Citra
Proses pengambilan daun dari pohon durian oleh pihak Warso Farm. Karena cuaca, waktu,
dan tenaga yang terbatas maka proses pemetikan daun durian yang dipetik dari pohon durian
tidak dapat dilihat secara langsung. Warso Farm sudah menyediakan daun durian yang sudah
dipetik dan masing-masing varietas durian diberikan nama, selanjutnya daun durian dipilih yang
bentuknya sempurna, dipetik satu per satu dari batang, dan diambil sebanyak 20 hingga 30
lembar daun setiap varietas. Kamera dan daun ditempelkan ketika proses pengambilan citra,
karena dengan cara ini didapatkan hasil citra sebaran trikoma yang baik. Waktu pengambilan foto
citra daun dilakukan sore hari dan didukung pencahayaan yang terang di dalam ruangan.
Terdapat beberapa hasil foto citra yang kabur dan beberapa hasilnya yang tajam, selanjutnya
dipilih citra daun durian terbaik.
Pengambilan citra pada bagian bawah daun menggunakan kamera Portable Digital
Microscope Dino-Lite, dengan pembesaran optikal 10-50 kali, dan digital 200 kali. Bagian atas
daun yang berwarna hijau terdapat lapisan lilin, tidak bisa dideteksi perbedaan antar daun, namun
bagian bawah daun yang berwarna coklat terlihat pola trikoma yang beragam, secara mikroskopis
terlihat bentuk epidermisnya bulat tidak beraturan tanpa adanya ruang antar sel dan susunannya
rapat. Bagian ini yang dipilih dan difoto dengan ukuran asli citra dari kamera yaitu 640 x 480
piksel, besar setiap fail 900 kilobyte, format gambar BMP (Bitmap), dan format warna RGB (Red,
Green, Blue).
di mana:
Zi
: normalisasi
Xi
: nilai data
min(x) : nilai data minimum
max(x) : nilai data maksimum
Lingkungan Pengujian
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk penelitian ini adalah
sebagai berikut:
Perangkat keras:
Processor Intel Core i5
Memory 4 GB
Hard disk 500 GB
Perangkat lunak:
Sistem operasi Windows 8 Pro
Matlab 7.7 (R2008b)
Akurasi (%)
50
43
Max
44
43
40
43
36
33
37
35
30
20
10
0
0
45
90
135
Sudut ()
Gambar 5 Grafik perbandingan akurasi rata-rata nilai maksimum dan minimum setiap sudut
dengan percobaan tanpa normalisasi dan tanpa cropping
Hasil percobaan (Gambar 6) menjelaskan akurasi dengan nilai maksimum dan minimum
dari masing-masing sudut. Setiap sudut memiliki nilai rata-rata yang hampir sama.
Rendahnya akurasi pada percobaan ini disebabkan oleh beberapa nilai fitur yang
perbedaannya jauh dengan nilai fitur lain. Fitur tersebut antara lain Sum of Squares, Sum
Average, dan Sum Variance.
Selanjutnya dilakukan percobaan dengan menghilangkan ketiga fitur tersebut dan cropping
pada citra sehingga menghasilkan akurasi rata-rata tertinggi sebesar 63% di sudut 90 dan 135,
smoothing parameter () 0.1, jarak 2 dan 1.
Percobaan Menggunakan Normalisasi
Percobaan ini dilakukan karena pada matriks fitur GLCM terdapat tiga fitur yang memiliki
nilai yang terlalu tinggi dibanding fitur lain. Sebelum normalisasi, nilai minimum dan maksimum
menunjukkan jarak nilai yang besar, minimum sebesar -0.45 dan maksimum 61.30. Setelah
normalisasi, jarak nilainya menjadi lebih pendek, minimum sebesar -0.72 dan maksimum 3.68.
Selanjutnya dilakukan percobaan dengan memotong citra menjadi beberapa macam ukuran,
ukuran 280 x 280 menghasilkan akurasi rata-rata tertinggi sebesar 71%, di sudut 90 jarak 3,
sudut 135 jarak 1 dan 2, di smoothing parameter () yang sama 0.1.
8
72
71
Akurasi (%)
71
70
70
68
68
71
70
69
69
71
69
68
67
67
67
66
66
65
0
45
90
135
Sudut ()
Jarak 1
Jarak 2
Jarak 3
Gambar 6 Grafik perbandingan akurasi rata-rata setiap sudut dengan percobaan menggunakan
normalisasi dan cropping
Tabel 1 menjelaskan bahwa ukuran citra cropping yang menghasilkan nilai akurasi rata-rata
tertinggi adalah 280 x 280 piksel. Sedangkan jika ukurannya diperbesar atau diperkecil nilai
akurasi yang dihasilkan lebih rendah. Hal ini dimungkinkan karena citra dengan titik pusat radius
280 piksel memiliki citra yang tajam, diluar ukuran tersebut citranya buram/kabur. Penyebab lain
jika citra yang diuji ukurannya diperkecil, akan memiliki sedikit keberagaman sebaran
trikomanya, sehingga akurasi yang didapatkan lebih tinggi.
Tabel 1 Hasil pengujian citra dengan ukuran berbeda
Ukuran citra (piksel)
Akurasi (%)
640 x 480
390 x 381
350 x 350
300 x 300
280 x 280
270 x 270
250 x 250
200 x 200
68
65
67
66
71
67
66
60
Confusion matrix digunakan untuk memprediksi data uji benar atau tidak benar sehingga dapat
menentukan klasifikasi yang dilakukan.
9
Tabel 2 menunjukkan Durian Bakul dan Simas memiki tingkat kesalahan sebesar 0%,
artinya akurasi tertinggi terdapat di Durian Bakul dan Simas. Durian Simas tetap masuk dalah
akurasi tertinggi. Akurasi terendah terdapat pada Durian Cane dan Petruk, kesalahan identifikasi
ini terjadi karena Durian Cane teridentifikasi ke dalam Durian Bakul, Malaysia D24, Monthong,
Petruk, dan Simas. Sedangkan Durian Petruk teridentifikasi ke dalam Durian Cane, Malaysia
D24, dan Monthong.
10
Tabel 2 Confusion matrix setelah normalisasi
Kelas
Aktual
Bakul
Cane
Hepe
Kendil
Malaysia
D24
Matahari
Monthong
Petruk
Simas
Sukun
Bakul
Cane
10
1
4
2
1
1
1
Hepe
Kelas Prediksi
Malaysia
Kendil
Matahari Monthong Petruk
D24
Simas
Sukun
2
7
2
1
1
1
3
8
1
1
2
8
2
1
1
4
10
Simpulan
Berdasarkan percobaan yang dilakukan, maka dapat disimpulkan beberapa hal sebagai
berikut:
1. Percobaan tanpa menggunakan normalisasi dan tanpa cropping menunjukkan nilai akurasi
rata-rata tertinggi sebesar 44%, berada di sudut 135, jarak 2, dan smoothing parameter 0.2.
2. Rendahnya akurasi pada percobaan ini disebabkan oleh beberapa nilai fitur antara lain Sum of
Squares (sosvh), Sum Average (savgh), dan Sum Variance (svarh).
3. Percobaan dengan mengurangi tiga fitur sebagai penyebab rendahnya akurasi menghasilkan
nilai akurasi rata-rata tertinggi sebesar 63% di sudut 45 dan 135, jarak 1 dan 2, smoothing
parameter yang sama 0.1.
4. Percobaan menggunakan 13 fitur GCM setelah normalisasi dan cropping menghasilkan nilai
akurasi rata-rata tertinggi sebesar 71% di sudut 135 jarak 1 dan 2, serta di sudut 90 jarak 3,
masing-masing di smoothing parameter yang sama 0.1. Sedangkan nilai akurasi rata-rata
terendah sebesar 41% di sudut 0, jarak 1, smoothing parameter 0.7, 0.8, dan 0.9.
5. Pengaruh normalisasi untuk menyederhanakan nilai sehingga mudah membedakan daun yang
sulit diidentifikasi karena kemiripanya.
6. Untuk pencapaian akurasi rata-rata tertinggi yang didapat, maka disimpulkan penelitian ini
sudah dapat mengidentifikasi kelas daun durian.
11
Saran
Untuk penelitian selanjutnya yang berkaitan disarankan melakukan perbandingan tingkat
akurasi dengan metode jaringan syaraf tiruan propogasi balik atau metode jaringan syaraf tiruan
lainnya dengan jenis data yang sama untuk mendapatkan akurasi yang lebih baik.
DAFTAR PUSTAKA
Arung ET. 2015. Determination of Antioxidant and Anti-Melanogenesis Activities of Indonesian Lai,
Durio Kutejensis [Bombacaceae (Hassk) Becc] Fruit Extract. University of Benin.
Amid BT. 2012. Chemical composition and molecular structure of polysaccharide-protein
biopolymer from Durio zibethinus seed: extraction and purification process. Faculty of Food
Science and Technology, University Putra Malaysia.
Bengio Y, Grandvalet Y. 2004. No Unbiased Estimator of the Variance of K-Fold Cross-Validation
[Journal]. Dept IRO Universite de Montreal & Universite de Technologie de Compiegne.
Hutabarat YP. 2012. Identifikasi Jenis Shorea Berdasarkan Morfologi Daun Menggunakan
Probabilistic Neural Network [Skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan
Alam, Institut Pertanian Bogor.
Indrabayu, Harun N, Pallu MS, Achmad A, Fikha CL. 2012. Prediksi Curah Hujan dengan Jaringan
Saraf Tiruan. Universitas Hasanuddin.
[ITD] Institute of Tropical Disease. 2014. Kandungan gizi dan manfaat buah durian [Internet].
Tersedia pada: http://itd.unair.ac.id/index.php/health-news-archive/317-kandungan-gizi-danmanfaat-buah-durian.
Kadir A, Nugroho LE, Susanto A, Santosa PI. 2011. Neural Network Application on Foliage Plant
Identification. Volume 29 - 9. International Journal of Computer Applications.
Listyanto SR. 2015. Impementasi K-Nearest Neighbor untuk Mengenali Pola Citra dalam Mendeteksi
Penyakit Kulit [Skripsi]. Semarang: Fakultas Ilmu Komputer, Universitas Dian Nuswantoro.
Suharsono. 2009. Hubungan kerapatan trikoma dengan intensitas serangan penggerek polong
kedelai [Internet]. Jurnal Penelitian Pertanian Tanaman Pangan [diunduh 2014 April 23];
28(3): 176-182.
Yuliana N. 2007. Pengolahan durian (Duriozibethinus) fermentasi (tempoyak) [Internet]. Jurnal
Teknologi dan Industri Hasil Pertanian [diunduh 2014 April 23]; 12(2): 74-80.
Wibawa WD. 2009. Makalah Workshop Direktorat Jenderal Hortikultura: 1-16. Pusat Penelitian
dan Pengembangan Hortikultura. Kementerian Pertanian.