Syntax: Jurnal Informatika Vol. XX, No.

X, 20XX, XX-XX 1

Identifikasi Jenis Daun berdasarkan Bentuk dan Keunikan

menggunakan Metode Adaptive Neuro Fuzzy Inference
System (ANFIS)
Alang Mulya Lesmana1, Johan Toni Wijaya2, Arni Sepharni3, Mida Choerunisa4,
Oki Nurul Abada5 & Riza Ibnu Adam6
1,2,3,4,5,6
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas
Singaperbangsa Karawang. Jl. H. S. Ronggowaluyo Telukjambe Timur, Karawang
41361
Email: *Alamat email korespondensi

Abstrak. Menggunakan Huruf Times New Romans ukuran 10 pt untuk isi text
dengan spasi 1 antara baris dan spasi 12 pt untuk Heading selanjutnya. Jarak tepi
kanan dan kiri 0.5 cm. Jumlah maksimal kata adalah 200.

Kata kunci: ukuran huruf 10 pt; lower case; italic; Times; ditulis denga dengan
jumlah maksimal 5 kata kunci terpilih.

1 Pendahuluan
Indonesia termasuk kedalam negara yang memiliki populasi tumbuhan yang
sangat banyak. Terkhusus nya daun, daun merupakan bagian dari tumbuhan
yang tumbuh di ranting. Maka bisa dipastikan tumbuhan akan mati jika tidak
adanya daun karena tidak bisa melakukan fotosintesis. Indonesia memiliki
spesies tanaman lebih dari 38.000. banyak nya jumlah tumbuhan yang memiliki
bentuk dan keunikan tersendiri. Masih banyak masyarakat yang belum tahu apa
saja jenis- jenis daun berdasarkan bentuk dan keunikan nya sehingga banyak
masyarakat awam akan tumbuhan yang melihat bahwa daun itu bentuk nya
sama saja dan tidak memiliki keunikan sama sekali.Untuk memberitahu
informasi mengenai jenis-jenis klasifikasi daun berdarkan bentuk dan keunikan
nya dibutuhkan sistem pengenalan tumbuhan terutama pada bagian daun yang
mampu melakukan identifikasi jenis daun berdasarkan bentuk dan keunikan
nya. Sistem mengidentifikasi citra daun dari tumbuhan dan melakukan
pengenalan suatu pola atau karakteristik dari objek tersebut.

Diterima ________, Direvisi _________, Diterima untuk publikasi __________

2 Nama Penulis

Sistem pengenalan identifikasi pada tanaman dapat berguna dalam memberikan

informasi-informasi mengenai suatu tanaman yang ditemui dan sumber
informasi bagi orang awam proses pengenalan daun untuk klasifikasi spesies
tanaman adalah suatu permasalahan yang tidak dapat diselesaikan hanya dengan
melalui algoritma saja, tetapi harus melalui proses pembelajaran yang panjang
(rahmadewi. dkk., 2018).
Beberapa penelitian telah dilakukan dalam klasifikasi daun menggunakan
teknik Adaptive Neuro-Fuzzy Inference System. Dengan menggunakan citra
daun dapat mengklasifikasi jenis daun berdasarkan bentuk dan keunikannya.
Pada penelitian yang dilakukan oleh Muhammad Propana Kukuh W, dkk
(2020), membahas tentang klasifikasi jenis daun menggunakan adaptive neuro
fuzzy dengan kombinasi feature dari citra daun yang menjadi pusat perhatian,
dan arsitektur yang digunakan adalah ANFIS. Pada penelitian tersebut masalah
dapat diluruskan sebagai berikut: apakah pengenalan daun dengan teknik neuro
fuzzy dapat dilakukan? Adaptive Neuro-Fuzzy Inference System merupakan
jaringan saraf adaptive yang berbasis radar sistem kesimpulan fuzzy (Fuzzy
Inference System).
 Judul Paper (11 pt, Century Gothic, max. 50 character) 3

2 Metode Penelitian
Penelitian ini terdiri dari beberapa tahap, yang tersaji pada Gambar 1.

Gambar 1. Diagram Alir Penelitian

Identifikasi jenis daun berdasarkan bentuk dan keunikan menggunakan 40
sampel citra, 32 diantaranya terlebih dahulu melakukan proses pelatihan
menggunakan jaringan saraf tiruan (JST), data ini ke depannya disebut sebagai
data latih yang digunakan untuk pemodelan sistem. Sampel citra tersebut terdiri
dari 4 jenis tumbuhan. Data nantinya terdapat dua bagian yaitu data uji dan data
latih. Data uji sebanyak 8 data citra, merupakan data yang digunakan untuk
menguji keakuratan sistem.

2.1 Pengumpulan Data

Peneliti mengumpulkan empat jenis daun untuk dijadikan data citra digital yang
didapat dari datasheet UCI Machine Learning Repository. Empat jenis daun
tersebut ialah daun Alnus, Populus Nigra, Quercus Suber, dan Salix Atrocinerea
dengan jumlah keseluruhan sebanyak 40 citra, yang terbagi menjadi 32 citra
latih dan 8 citra uji.

Gambar 2. Gambar Sampel Citra

4 Nama Penulis

2.2 Preprocessing
Proses ini dilakukan untuk meningkatkan kualitas citra yang menghasilkan fitur
penting dan selanjutnya dapat dimanfaatkan untuk sistem yang akan dibuat.
Proses ini meliputi penyiapan citra latih, mendefinisikan area dan perimeter
untuk setiap citra latih, mencari metric dari masing – masing citra menggunakan
rumus berikut [1],[2] :

4 × π × area
perimeter 2 (1)

Metric merupakan nilai perbandingan antara luas dan perimeter objek. Terakhir
adalah mendefinisikan eccentricity yang merupakan nilai perbandingan antara
jarak foci ellips minor dengan foci ellips mayor suatu objek.

2
b
e= 1−
√ a2 (2)

Persamaan (2) merupakan formula untuk menghitung eccentricity dimana e

adalah eccentricity, a adalah mayor axis dan b adalah minor axis. Metric dan
eccentricity digunakan sebagai data input.

2.3 Arsitektur ANFIS

ANFIS adalah algoritma gabungan dari dua metode yaitu inferensi fuzzy yang
dilatih menggunakan algoritma pembelajaran jaringan saraf tiruan [3]. Pada
proses pembelajaran atau pelatihan data, ANFIS menggunakan algoritma
perambatan balik dimana terjadi perubahan parameter fungsi keanggotaan input
dan output. Terdapat dua metode pelatihan di dalam ANFIS, yang pertama
adalah metode back propagation dan yang kedua metode hybrid atau bertipe
Sugeno.

Arsitektur ANFIS seperti yang ditunjukkan gambar 2. memiliki 5 lapisan.

Menurut Jang, dkk (1997) [4], menjelaskan bahwa lapisan-lapisan ANFIS
adalah sebagai berikut.

Lapisan 1, merupakan lapisan fuzzifikasi, dimana pada lapisan ini setiap node
merupakan node adaptif (parameter dapat berubah). Output dari setiap node
berupa derajat keanggotaan input dengan fungsi simpul pada persamaan (3).

O 1 , i = μ A i ( x ) , u n tu k i= 1 ,2
(3)
 Judul Paper (11 pt, Century Gothic, max. 50 character) 5

Fungsi keanggotaan untuk A dapat dihitung menggunakan fungsi

Generalized Bell pada persamaan (4).

1
μ A (x )= 2b
x −c
1+| |
a (4)

Dengan {a,b,c} adalah himpunan parameter yang disebut dengan

parameter premis.

Lapisan 2, setiap node pada lapisan ini bersifat tetap merupakan hasil kali dari
semua masukan yang dapat dituliskan dalam persamaan (5). Pada lapisan ini
biasa digunakan operator AND dan hasil dari perhitungan ini disebut dengan
firing strength dari sebuah aturan, dimana setiap node merepresentasikan aturan
ke-i.

O 2 , i = w i = μ Ai ( x ) μ Bi ( y ) , i = 1 ,2
(5)

Lapisan 3, adalah lapisan yang berisi node tetap dimana merupakan hasil dari
perhitungan rasio dari firing strength ke-i terhadap jumlah keseluruhan firing
strength pada lapisan kedua yang bertujuan untuk menormalisasi fungsi bobot
yang telah didapatkan dari lapisan kedua. Output pada lapisan ini dinyatakan
dengan persamaan (6).
wi
O 3, i =W i = ,untuk i=1,2
w1 + w2 (6)

Lapisan 4, setiap node pada lapisan ini bersifat adaptif. Output pada lapisan ini
dinyatakan dengan persamaan (7).

O 4 , i= W i f i= W i( p i x + q i y + r i)
(7)

Dimana W i adalah output dari lapisan 3 dan ( pi x +q i y +r i ) adalah himpunan

parameter pada fuzzy model sugeno atau hybrid orde satu.

Lapisan 5, pada lapisan ini berupa node tunggal (Σ) dimana merupakan hasil
dari penjumlahan seluruh output dari lapisan keempat yang dapat dinyatakan
dengan persamaan (8).
6 Nama Penulis

∑i W i f i
O5, i=∑i W i f i=
∑i W i (8)

3 Hasil dan Pembahasan

3.1 Perancangan Sistem

Sistem diprogram menggunakan perangkat lunak (software) MATLAB. Sistem
ini digunakan untuk proses pelatihan dan pengujian dengan menggunakan
metode ANFIS (Adaptive Neuro Fuzzy Inference System). Dalam penelitian ini,
peneliti menggunakan metode pelatihan hybrid atau bertipe Sugeno dengan total
pelatihan menggunakan iterasi (epoch) sebanyak 50 kali. Dihasilkanlah
arsitektur jaringan ANFIS seperti terlihat pada gambar 3.

Gambar 3. Arsitektur Jaringan ANFIS

Terdapat rule sebanyak 9 buah dengan operator AND dan terdiri dari satu
output dengan outputmf yang terbentuk sebanyak 9 buah. Garis-garis yang
menghubungkan antar node menunjukan rule yang bersesuaian.
 Judul Paper (11 pt, Century Gothic, max. 50 character) 7

Gambar 4. Rule ANFIS

Hasil diagram rule ANFIS yang dihasilkan ditunjukkan pada gambar 4.

3.2 Pengujian
Pengujian dilakukan untuk mengetahui dan mencari nilai akurasi yang didapat
dari pengidentifikasian jenis daun berdasarkan masukan data metric dan
eccentricity. Persamaan yang digunakan ditunjukkan pada persamaan (9).

Jumlah data benar

Akurasi= ×100 %
Jumlah Data (9)

Gambar 5. Hasil Rancangan GUI Untuk Identifikasi

8 Nama Penulis

Tampilan GUI sistem ditunjukkan pada gambar 5. dibuat untuk mempermudah

pengguna dalam identifikasi data citra. Hasil dari pengujian sistem ditunjukkan
pada tabel 1 yang meliputi data metric, eccentricity, citra uji dan output dari
sistem.

Tabel 1. Data Hasil Pengujian

Kelas
No Metric Eccentricity
Citra Asli Output
1 0.656052660319226 0.423135031964940 Alnus Alnus
2 0.553279354754192 0.696045270204320 Alnus Alnus
3 0.422557083361331 0.709638005844620 Populus nigra Quercus suber
4 0.690845590748146 0.693871539135456 Populus nigra Populus nigra
5 0.771225240500340 0.767990705924110 Quercus suber Quercus suber
6 0.817860841593396 0.789954258200372 Quercus suber Quercus suber
7 0.684665275375050 0.915347879354048 Salix atrocinerea Salix atrocinerea
8 0.714646955771766 0.889968321524818 Salix atrocinerea Salix atrocinerea

Berdasarkan tabel 1 data hasil pengujian didapatkan bahwa setiap citra uji
berhasil diklasifikasikan dan diidentifikasi benar. Sedangkan untuk satu sampel
Populus nigra nomor 3 terdapat kesalahan dalam identifikasi daun. Nilai akurasi
yang didapat adalah sebesar 87,5%.

7
Akurasi= ×100 %= 87,5 %
8 (10)

4 Kesimpulan
Berdasarkan hasil penelitian yang telah dilaksanakan maka didapatkan
kesimpulan bahwa, Identifikasi jenis daun menggunakan metode ANFIS
berdasarkan bentuk dan keunikan menggunakan 32 data citra untuk dilatih,
metode pelatihan yang digunakan adalah metode pelatihan hybrid dan pengujian
menggunakan 8 data citra, masing-masing 2 citra untuk setiap daun. Dari hasil
pengujian tersebut didapatkan tingkat akurasi sebesar 87,5%.

5 Referensi
[1] W. M. P. Kukuh, P. Sidik and Y. Rahmat, Klasifikasi Jenis Daun menggunakan
Adaptive Neuro-Fuzzy Inference System (ANFIS) dan Image Processing, J. e-
Proceeding Eng., Vol. 7, no. 1, pp. 2506-2516, April 2020.
 Judul Paper (11 pt, Century Gothic, max. 50 character) 9

[2] R. Randy A., P. Sidik and S. P. Aji G., Klasifikasi Jenis Buah menggunakan
Adaptive Neuro-Fuzzy Inference System (ANFIS), J. e-Proceeding Eng., Vol. 6,
no. 2, pp 9056-9068, Agustus 2019.
[3] D. Candra, A. E. Fatma and C. Imam, “Implementasi Citra Digital untuk
Identifikasi Penyakit pada Daun Padi menggunakan ANFIS,” P. Seminar
Nasional Penelitian & Pengabdian Pada Masyarakat, Malang, Indonesia, 2017.
[4] Jang JSR, Sun CT, Mizutani E, Neuro-Fuzzy and Soft Computing: A
Computational Approach to Learning and Machine Intelligence. London:
PrenticeHall, Inc.: 1997.
[5]
[6]