SKRIPSI

PENENTUAN TUMBUHAN SPESIES FAMILI ARACEAE

BERDASARKAN TEKSTUR MENGGUNAKAN FITUR
GLCM DAN MLP

Disusun oleh:

DONI SUDARYANTO

NPM: 18.31.073.00.39

Program Studi (S1) Teknik Elektro

Fakultas Teknik
Universitas Islam Kadiri
Kediri
2022
 LEMBAR PENGESAHAN
SKRIPSI

Judul : Penentuan Tumbuhan Spesies Famili Araceae Berdasarkan Tekstur

Menggunakan GLCM dan MLP
Nama : Doni Sudaryanto
NPM : 18310730039
Program Studi : Teknik Elektro
Contact : Ds. Toyoresmi Kec. Ngasem Kab. Kediri, doni.sudaryanto@gmail.com
085791604442

PERSETUJUAN PEMBIMBING
Skripsi ini telah diperiksa dan disetujui untuk diseminarkan pada sidang Skripsi.

Kediri, ………………………………….

Pembimbing I Pembimbing II

Danang Erwanto, S.T., M.T. Royb F. Rizal, S.T., M.Eng.

NIK. 040.1.12.220 NIK. 985112420191224.1.7.0544
 DAFTAR ISI

DAFTAR ISI ................................................................................................................................... i

DAFTAR GAMBAR .................................................................................................................... iv
DAFTAR TABEL .......................................................................................................................... v
ABSTRAK...................................................................................................................................... v
KATA PENGANTAR .................................................................................................................. vi
BAB I PENDAHULUAN ............................................................................................................. 1
1.1. Latar Belakang .................................................................................................................. 1

1.2. Rumusan Masalah............................................................................................................. 2

1.3. Batasan Masalah ............................................................................................................... 2

1.4. Tujuan Penelitian .............................................................................................................. 2

1.5. Manfaat Penelitian ............................................................................................................ 3

BAB II KAJIAN PUSTAKA ........................................................................................................ 4

2.1. Studi Literatur ................................................................................................................... 4

2.2. Tinjauan Teori .................................................................................................................. 5

2.2.1. Famili Araceae .......................................................................................................... 5

2.2.2. Citra Digital ............................................................................................................... 7

2.2.3. Tekstur ....................................................................................................................... 8

2.2.4. GLCM (Gray Level Co-Occourrence Matrix) .......................................................... 8

2.2.5. MLP (Multilayer Preception).................................................................................... 9

2.2.6. Keakuratan Klasifikasi ............................................................................................ 11

BAB III METODOLOGI .......................................................................................................... 13

3.1. Jenis Penelitian ............................................................................................................... 13

3.2. Metode Penelitian ........................................................................................................... 13

3.3. Perancagan Sistem .......................................................................................................... 14

3.4. Alat dan Bahan ............................................................................................................... 19

3.4.1. Alat .......................................................................................................................... 19

i
 3.4.2. Bahan ....................................................................................................................... 19

3.5. Jadwal Pelaksanaan ........................................................................................................ 20

BAB IV PEMBAHASAN ........................................................................................................... 21

4.1. Pembentukan Data Latih ................................................................................................ 21

4.2. Parameter Penajaman Citra ............................................................................................ 22

4.3. Ekstraksi Fitur GLCM .................................................................................................... 23

4.4. Pemilihan Parameter ....................................................................................................... 28

4.5. Data Prediksi................................................................................................................... 29

4.6. Hasil Softmax .................................................................................................................. 30

4.7. Hasil Pengujian ............................................................................................................... 31

BAB V PENUTUP ...................................................................................................................... 36

5.1. Kesimpulan ..................................................................................................................... 36

5.2. Saran ............................................................................................................................... 36

DAFTAR PUSTAKA .................................................................................................................. 37

LAMPIRAN ................................................................................................................................. 39

ii
 DAFTAR GAMBAR

Gambar 2. 1 Batang iles-iles ........................................................................................................... 6

Gambar 2. 2 Batang Porang ............................................................................................................ 6
Gambar 2. 3 Batang Suweg ............................................................................................................. 7
Gambar 2. 4 Koordinat Citra Digital ............................................................................................... 7
Gambar 2. 5 Arsitektur MLP......................................................................................................... 10

Gambar 3. 1 Diagram Alir Tahapan Penelitian ............................................................................. 14

Gambar 3. 2 Perancangan Sistem Penelitian ................................................................................. 15
Gambar 3. 3 Flowchart MLP ........................................................................................................ 17
Gambar 3. 4 Tampilan GUI Sistem Penentuan Tumbuhan Famili Araceae ................................. 18

Gambar 4. 1 Data Train................................................................................................................. 21

Gambar 4. 2 Tampilan GUI........................................................................................................... 23
Gambar 4. 3 Matriks 4x4 dengan variasi angka 0 sampai 3 ......................................................... 24
Gambar 4. 4 Matriks framework GLCM ...................................................................................... 25
Gambar 4. 5 Matriks Ketetanggan (0,1) Bertambah 1 .................................................................. 25
Gambar 4. 6 Ketetanggan piksel (1,0) bertambah 1 ...................................................................... 26
Gambar 4. 7 Ketetanggan Piksel (0,1) bertambah 1 dan menjadi 2 .............................................. 26
Gambar 4. 8 Matriks 4x4 dengan sudut 0 derajat ......................................................................... 26
Gambar 4. 9 Matriks GLCM 4x4 simetris dengan sudut 0 derajat ............................................... 27
Gambar 4. 10 Matriks GLCM 4X4 dengan sidit 0 derajat setelah dinormalisasi ......................... 27
Gambar 4. 11 Matriks GLCM 4x4 Sudut 0 Derajat ...................................................................... 27
Gambar 4. 12 Hasil Train Neural Network MLP .......................................................................... 29
Gambar 4. 13 Hasil Performance .................................................................................................. 34

iv
 DAFTAR TABEL

Tabel 2. 1 Tabel Confusion Matrix ............................................................................................... 11

Tabel 4. 1 Parameter Data Input.................................................................................................... 21

Tabel 4. 2 Penajaman Citra ........................................................................................................... 22
Tabel 4. 3 Hasil Nilai Vektor GLCM ............................................................................................ 24
Tabel 4. 4 Nilai Piksel Matriks GLCM ......................................................................................... 28
Tabel 4. 5 Vektor Binner Klasifikasi ............................................................................................ 30
Tabel 4. 6 Hail Prediksi ................................................................................................................. 30
Tabel 4. 7 Hasil Nilai Softmax ...................................................................................................... 31
Tabel 4. 8 Hasil Pengujian Confusion Matrix ............................................................................... 32
Tabel 4. 9 Hasil klasifikasi Famili Araceae ekstraksi fitur GLCM dan MLP .............................. 32
Tabel 4. 10 Persentase Keberhasilan ............................................................................................. 34

v
 ABSTRAK

Famili Araceae yang lebih dikenal sebagai tumbuhan talas-talasan merupakan tumbuhan
yang sangat familiar, namun sedikit orang yang mengetahuinya secara mendalam. Jenis tumbuhan
dari famili araceae dicirikan berdasarkan tekstur batang, antara lain tumbuhan iles-iles
(Amorphopallus Muelleri Blume), porang (Amorphopallus Oncophyllus Prain), dan suweg
(Amorphopallus Campanulatus).bPada penelitian ini menerapkan teknologi pengolahan citra
digital yang diharapkan dapat menentukan jenis spesies dari famili araceae berdasarkan tekstur
batang. Penelitian ini menggunakan 3 jenis spesies famili araceae yaitu, iles-iles, porang, dan
suweg. Sebagai dataset menggunakan metode ekstraksi fitur GLCM dengan 4 fitur yakni,
Contrast, Correlation, Energi, dan Homogeinity. Yang kemudian diklasifikasi menggunakan
metode MLP untuk menentukan jenis dari spesies famili araceae.
Hasil dari ekstraksi fitur GLCM bekerja cukup baik dalam klasifikasi menggunakan
metode MLP dengan 3 layer mendapatkan tingkat akurasi terbaik pada data uji sebesar 83,33%.
Output dari penelitian ini berupa data softmax menggunakan metode MLP yang menghasilkan
performa terbaik pada data train sebesar 0,0110 dengan epoch 1000 iterasi

Kata Kunci : Famili araceae, GLCM, MLP, Matlab.

v
 KATA PENGANTAR

Puji syukur kepada Allah SWT berkat Rahmat, Hidayah, dan Karunia-Nya kepada kita
semua sehingga penulis dapat menyelesaikan proposal skripsi dengan judul “Penentuan
Tumbuhan Spesies Famili Araceae Berdasarkan Tekstur Menggunakan Fitur GLCM dan
MLP”.

Skripsi ini disusun sebagai salah satu syarat untuk mengerjakan skripsi pada program
Strata-1 di Jurusan Teknik Elektro, Fakultas Teknik, Universitas Islam Kadiri, Kediri.
Penulis menyadari dalam penyusunan skripsi ini tidak akan selesai tanpa bantuan dari
berbagai pihak. Karena itu pada kesempatan ini kami ingin mengucapkan terima kasih kepada:
1. Bapak Dekan Fakultas Teknik dan juga Bapak Kaprodi Teknik Elektro.
2. Danang Erwanto, S.T., M.T., selaku dosen pembimbing 1 dan Roby F. Ryzal, S.T.,
M.eng., selaku dosen pembimbing 2 yang telah menyiadakan waktu, tenaga dan pikiran
dalam membimbing penulis dalam penyusunan skripsi ini.
Penulis menyadari bahwa skripsi ini tidak luput dari berbagai kekurangan. Oleh karena itu,
mengharapkan saran dan kritik demi memperbaiki skripsi ini.

Kediri, 10 Februari 2022

Penyusun

vi
 BAB I
PENDAHULUAN

1.1. Latar Belakang

Famili Araceae yang lebih dikenal sebagai tumbuhan talas-talasan
merupakan tumbuhan yang sangat familiar, namun sedikit orang yang
mengetahuinya secara mendalam. Jenis tumbuhan dari famili araceae dicirikan
berdasarkan tekstur batang, antara lain tumbuhan iles-iles (Amorphopallus Muelleri
Blume), porang (Amorphopallus Oncophyllus Prain), dan suweg (Amorphopallus
Campanulatus). [1]
Sering terjadi kesalahan dalam pengklasifikasian jenis tumbuhan famili
araceae, dikarenakan kurangnya pengalaman dan pengetahuan tentang famili
araceae dan jika dilihat secara visual tumbuhan talas-talasan tersebut memiliki
corak atau bentuk tekstur yang hampir sama sehingga waktu yang dibutuhkan untuk
mengidentifikasi jenis talas-talasan tersebut membutuhkan proses yang cukup
lama, karena perlu dilakukan secara berulang-ulang dan terus-menerus untuk
memastikan kebenaran jenis talas-talasan tersebut. [2]
Untuk mengatasi hal tersebut dengan pemanfaatan kecanggihan teknologi
berbasis image processing, maka penelitian ini akan melakukan pengklasifikasian
tumbuhan jenis famili araceae. Tumbuhan yang diklasifikasikan antara lain
tumbuhan iles-iles (Amorphopallus Muelleri Blume), porang (Amorphopallus
Oncophyllus Prain), dan suweg (Amorphopallus Campanulatus). Dengan
pengimplementasian metode pengolahan citra tekstur pada tumbuhan talas-talasan
menggunakan algoritma klasifikasi Multilayer Perceptron (MLP) yang berdasarkan
fitur tekstur Gray Level Co-Occourrence Matrix (GLCM) guna untuk mencari
parameter yang menghasilkan nilai akurasi terbaik pada proses pengklasifikasian
jenis famili araceae, dalam penelitian ini akan diterapkan pre-proses dengan
tambahan proses penajaman citra (unmask) dan pengklasifikaannya dengan
menggunakan metode MLP. Dalam penerapan metode algoritma tersebut, peneliti
menggunakan bantuan software aplikasi Matlab untuk menerapkan algoritma
tersebut.

1
 Dalam penelitian ini diharapkan dapat mengklasifikan jenis tumbuhan
Famili Araceae berdasarkan tekstur batang, sehingga dapat mempermudah peneliti
untuk mengenali tumbuhan tersebut.
1.2. Rumusan Masalah
Rumusan Masalah berdasarkan judul “Penentuan Tumbuhan Spesies
Famili Araceae Berdasarkan Tekstur Menggunakan Fitur GLCM dan MLP”
yaitu sebagai berikut:
1. Bagaimana mengimplementasikan metode ekstraksi tekstur menggunakan
metode GLCM (Gray level co-occurrence matrix) untuk menghasilkan
parameter tekstur pada tumbuhan jenis famili araceae?
2. Bagaimana mengklasifikasi jenis tumbuhan famili araceae dengan MLP?
1.3. Batasan Masalah
Ada beberapa batasan masalah dalam penelitian ini, yaitu sebagai berikut:
1. Tidak membahas usia dan warna tumbuhan talas-talasan
2. Hanya berfokus pada ekstraksi fitur tekstur batang talas-talasan
3. Hanya mengklasifikasi 3 jenis famili araceae, yaitu iles-iles (Amorphopallus
Muelleri Blume), porang (Amorphopallus Oncophyllus Prain), dan suweg
(Amorphopallus Campanulatus).
4. Sistem menggunakan pemilihan data uji secara manual.
1.4. Tujuan Penelitian
Tujuan penelitian dalam proposal skripsi ini sebagai berikut:
1. Menerapkan metode ekstraksi fitur GLCM untuk mengklasifikasi jenis famili
araceae berdasarkan tekstur batang
2. Memberikan penjelasan proses klasifikasi jenis famili araceae dengan metode
MLP (multilayer perceptron).

2
1.5. Manfaat Penelitian
1. Untuk dapat membantu dan mempermudah dalam pengenalan famili araceae
dalam penerapan citra digital bidang pertanian, dan lingkup masyarakat.
2. Sebagai refrensi untuk penerapan metode GLCM dan MLP dalam
pengklasifikasian famili araceae.
3. Dapat mengetahui hasil klasifikasi jenis tumbuhan famili araceae yang
diklasifikasi berdasarkan tekstur batang dengan metode GLCM dan
pengklasifikasi metode MLP.
4. Output klasifikasi kemudian dapat digunakan untuk menentukan perbedaan
jenis tumbuhan famili araceae yang akan dipilih budidaya dalam lingkup
pertanian.

3
 BAB II
KAJIAN PUSTAKA

2.1. Studi Literatur

Dalam penulisan skripsi ini menggunakan beberapa referensi dari penelitian
sebelumnya yang relevan sebagai bahan pertimbangan baik mengenai kelebihan
maupun kekurangan yang sudah ada, dalam rangka mendapatkan suatu informasi
tentang teori yang berkaitan dengan judul, untuk memperoleh landasan teori ilmiah.
Adapun beberapa referensi sebagai berikut.
1. Menurut Rahmat Robi Wiliansyah dalam penelitian yang berjudul “Identifikasi
Jenis Biji Kedelai (Glycine Max L) Menggunakan Gray
Level Coocurance Matrix (Glcm) Dan K-Means Clustering” pada tahun 2018,
pada penelitian tersebut setelah menggunakan metode gray level coocurance
matrix (glcm) dan k-means clustering. Serta memanfaatkan pengolahan citra
digital untuk mengatasi permasalahan secara manual, dengan tahapan
mengekstraksi ciri tekstur menggunakan Metode Gray Level Coocurrence
Matrix (GLCM) dengan jarak spasial 2 pixel. Parameter yang digunakan ada 4
yaitu energy, contrast, homogeneity & correlation. Ekstraksi ciri morfologi
menggunakan 2 parameter yaitu Metric dan Eccentricity. Ada pun varietas biji
kedelai yang digunakan adalah: Anjasmoro, Burangrang, Dering-1, Dena-1,
Demas-1 dan Grobogan untuk jenis varietas kedelai emas serta Detam-1,
Detam-3, Detam-4 untuk jenis varietas kedelai hitam. Berdasarkan hasil
pengujian, didapatkan tingkat akurasi sebesar 47% dari total 198 sampel citra
uji biji kedelai dan 0% pada pengujian biji-bijian yang lain (kacang hijau) yang
secara tekstur, bentuk dan warna mirip dengan kedelai (hitam). Hasil pengujian
yang kurang baik ini disebabkan oleh belum maksimalnya data yang
digunakan, karena sampel biji kedelai tidak selalu tersedia dan juga tiap jenis
kedelai yang dipanen memiliki ukuran yang berbeda. [3]
2. Menurut Frengky Tupamahu dan Salman Suleman dalam judul “Klasifikasi
Konidium Biotis Akibat Penyakit Pada Tanaman Jagung Menggunakan
Jaringan Syaraf Tiruan”. Pada penelitian tersebut menunjukkan tanda dengan

4
 adanya gangguan penyakit pada tanaman jagung sehingga pertumbuhannya
tidak normal akibat terinfeksi penyakit akan tetapi manfaat komputasi telah
diadopsi untuk digunakan sebagai klasifikasi menggunakan kecerdasan buatan
sehingga konidium biotis akibat penyakit pada tanaman jagung mudah
dideteksi dengan menggunakan metode GLCM dan MLP sebagai klasifikasi.
Adapun hasil yang diperoleh dengan akurasi klasifikasi 73% hingga 92%
dengan rata-rata laju eror dalam 5 kali percobaan adalah 0.18408 dengan rata-
rata waktu pengenalan adalah 10.2 detik dengan jumlah iterasi rata-rata 742.
[4]
3. Menurut Nasir Saleh, St. A. Rahayuningsih, Budhi Santoso Radjit, dkk. dalam
buku yang berjudul “Tanaman Porang: Pengenalan, Budidaya, dan
Pemanfaatannya”. Pada buku tersebut, tanaman Famili Araceae untuk jenis
iles-iles (Amorphophallus mulleri), porang (Amorphophallus oncophyllus),
dan suweg (Amorphophallus campanulatus) dapat diklasifikasikan hanya
dengan ciri-ciri pada tumbuhannya. Namun, Famili Araceae tersebut memiliki
kemiripan yang signifikan bila dilihat secara kasat mata. Dimana iles-iles
memiliki ciri batang halus berwarna keunguan dan bercak putih, Porang
memiliki ciri batang halus berwarna belang-belang hijau dan putih, sedangkan
suweg memiliki ciri batang sedikit kasar berwarna belang-belang hijau dan
putih. [1]
Berdasarkan penelitian yang telah disebutkan sebelumnya, diketahui bahwa
belum ada penelitian mengenai klasifikasi Famili Araceae khususnya pada jenis
iles-iles, porang, dan suweg dengan menggunakan GLCM sebagai ekstraksi fitur
dan MLP sebagai klasifikasi. Oleh karena itu, pada penelitian ini akan dilakukan
pengklasifikasian Famili Araceae berdasarkan tekstur menggunakan fitur GLCM
dan MLP.
2.2. Tinjauan Teori
2.2.1. Famili Araceae
Famili araceae termasuk suku talas-talasan yang mencakup herba tersirat
(darat), seperti jenis homalomena dan schismatoglotis, mengapung di perairan
(akuatik), seperti merambat pada pepohonan (epifit) seperti jenis-jenis

5
Epipremnum, Rhaphidophora, Photos dan Scindapsus. [5] Famili Araceae
memiliki perhubungan jantan dan betina yang tersusun dalam spadik (tongkol),
araceae sebagian besar berada di Asia Tenggara, Afrika, dan Amerika. Beberapa
jenisnya terdapat di daerah beriklim sedang dan dingin. Famili araceae memiliki
110 marga yang salah satunya Amorphophallus (Marga Bunga Bangkai). [6]
Klasifikasi Famili Araceae yang umum ada 3 tumbuhan yaitu,
1. Iles-iles (Amprphophallus muelleri Blume), adalah golongan Araceae asli
indonesia yang banyak tumbuh di hutan-hutan pulau Jawa ditunjukkan pada
gambar 2.1. Tanaman iles-iles merupakan tumbuhan liar yang tidak terlalu
banyak diketahui sehingga tanaman ini belum banyak di budidayakan. [7]

Gambar 2. 1 Batang iles-iles

2. Porang (Amorphophallus oncophyllus), merupakan tumbuhan herba dan
menchun ditunjukkan pada gambar 2.2. Batang tegak, lunak, batang halus
berwarna hijau atau hitam belang belang (totol-totol) putih. Batang tunggal
memecah menjadi tiga batang skunder dan akan memecah lagi sekaligus
menjadi tangkai daun. [2]

Gambar 2. 2 Batang Porang

3. Suweg (Amorphophallus campanulatus), merupakan salah satu jenis yang
termasuk kedalam talas-talasan ditunjukkan pada gambar 2.3. Suweg berasal
dari daerah asia tropik dan afrika , kemudian menyebar sampai ke Indonesia
daerah Jawa. Tanaman suweg umumnya tumbuh liar di hutan dan belum ada

6
 usaha untuk membudidayakannya secara besar-besaran. Meskipun suweg
memiliki potensi besar sebagai sumber karbohidrat yang cukup tinggi. [8]

Gambar 2. 3 Batang Suweg

2.2.2. Citra Digital
Citra digital merupakan salah satu bentuk representatif dari sebuah gambar
atau video yang ditangkap oleh kamera selanjutnya diambil sampel dari titik
gambar dan dikuantisasi ke dalam bentuk nilai diskrit. Maksud dari pengolahan
citra digital yaitu sebuah proses citra menggunakan komputer digital. [9]
Pada gambar 2.4 suatu citra dapat didefinisikan sebagai fungsi f(x,y)
berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial, dan
amplitudo f di titik koordinat (x,y) dinamakan intensitas atau tingkat keabuan dari
citra pada titik tersebut. Apabila nilai x,y, dan nilai amplitudo f secara keseluruhan
berhingga (finite) dan bernilai diskrit maka dapat dikatakan bahwa citra tersebut
adalah citra digital. [10]

Gambar 2. 4 Koordinat Citra Digital

7
2.2.3. Tekstur
Tekstur merupakan pengulangan dari elemen atau pola pada suatu
permukaan. Adanya pengulangan elemen pada suatu permukaan membuat suatu
permukaan bisa dikatakan memiliki tekstur. Tekstur juga merupakan karakteristik
intrinsik dari suatu citra yang terkait dengan tingkat kekasaran (roughness),
granularitas (granulation), dan keteraturan (regularity) susunan stuktural piksel.
[11]
Dalam pengolahan citra digital, tekstur menjadi salah satu karakteristik yang
penting dalam menganalisis jenis suatu citra. Tekstur dapat dilihat dalam semua
citra, mulai dari citra multispectral scanner yaitu citra satelit untuk analisis remote
sensing hingga citra mikroskopik yaitu sel untuk analissi biomedis. Haralick
mengklasifikasikan karakteristik tekstur menjadi 2 metode, yaitu metode statistical
(menganalisis distribusi spesial keabuan dengan menghitung statistik intensitas
piksel) dan metode structural (menghitung rerata texels dalam citra tertentu dengan
tata aturan yang ada). [12]
2.2.4. GLCM (Gray Level Co-Occourrence Matrix)
Metode GLCM termasuk dalam metode statistik dimana dalam perhitungan
statistiknya menggunakan distribusi derajat keabuan (histogram) dengan mengukur
tingkat kekontrasan, granularitas, dan kekasaran suatu daerah dari hubungan
ketetanggaan antar piksel di dalam citra. Metode statistik terdiri dari ekstraksi fitur
orde pertama dan ekstraksi fitur orde kedua. Ekstraksi fitur orde pertama dilakukan
melalui histogram citra sedangkan ekstraksi fitur statistic orde kedua dilakukan
dengan matriks kookurensi, yaitu suatu matriks antara yang merepresentasikan
hubungan ketetanggaan antar piksel dalam citra pada berbagaiarah orientasi dan
jarak spasial. [13]
Metode GLCM merupakan salah satu metode untuk ektraksi tekstur pada
citra. Ekstraksi tekstur dilakukan untuk mengambil informasi pokok dari suatu citra
sebelum digunakan ke proses berikutnya. Metode GLCM menggunakan beberapa
fitur pendekatan statistic. GLCM dapat menentukan ciri dalam merepresentasikan
karakteristik tekstur dari sebuah citra. GLCM dapat menghasilkan nilai akurat
dibanding dengan ekstaksi warna dan GLCM memiliki nilai akurasi yang tinggi.

8
Namun kekurangan dari metode GLCM adalah input dari citra berupa citra
grayscale, yang memiliki kelemahan yaitu komponen warna dari citra diabaikan.
[14]
Metode ini merupakan metode yang paling banyak digunakan untuk analisis
tekstur. Metode ini diperkenalkan oleh Haralick tahun 1973. Terdapat banyak
teknik-teknik dalam mengekstrak gambar. Salah satunya adalah dengan
menggunakan metode Gray Level Co-occurence Matrix (GLCM). Proses GLCM
akan menghasilkan parameter yang digunakan dalam analisis citra. Parameter dasar
itu berupa energi, kontras, korelasi, Sum of Square, Inverse Different Moment
(IDM), sum average, sum variance, sum entropy, entropy, differential variance,
differential entropy, maksimum probabilitas, homogenitas, dissimilarity dan
lainnya.
2.2.5. MLP (Multilayer Preception)
Jaringan Saraf Tiruan (JST) adalah paradigma pemrosesan suatu informasi
yang terinspirasi oleh sistim sel syaraf biologi, sama seperti otak yang memproses
suatu informasi. Elemen mendasar dari paradigma tersebut adalah struktur yang
baru dari sistem pemrosesan informasi. Jaringan Saraf Tiruan seperti manusia,
belajar dari suatu contoh. JST merupakan suatu sistem yang memiliki pengetahuan
dalam menganalisa suatu masalah dan melakukan pekerjaan-pekerjaan klasifikasi
pola, pemodelan sistem, dan memori asosiasi. Klasifikasi pola digunakan untuk
menganalisa pola-pola masukan dengan cara mencari kemiripan-kemiripan dengan
pola masukan. [15]
Neural network (NN) merupakan bagian dari sistem kecerdasan buatan yang
digunakan untuk memproses informasi yang didesain dengan menirukan cara kerja
otak manusia dalam menyelesaikan masalah dengan melakukan proses belajar
melalui perubahan bobot sinapsisnya. Salah satu contoh syaraf secara biologis
dimana setiap sel syaraf (Neuron) akan memiliki satu inti sel yang bertugas untuk
melakukan pemrosesan informasi. Informasi yang datang akan diterima oleh
dendrit. Selain menerima informasi, Dendrit juga menyertai Axon sebagai keluaran
dari suatu pemrosesan informasi. Informasi hasil olahan ini akan menjadi masukkan
bagi Neuron lain dimana antar Dendrit kedua sel tersebut dipertemukan dengan

9
sinapsisnya. Informasi yang dikirimkan antar Neuron ini berupa rangsangan yang
dilewatkan melalui Dendrit. Informasi yang datang dan diterima oleh Dendrit akan
dijumlahkan dan dikirim melalui Axon lain. Informasi ini akan diterima oleh
Neuron lain jika memenuhi batasan tertentu dikenal dengan nilai ambang
(threshold) yang dikatakan teraktivasi.
Pada umumnya jaringan syaraf tiruan memiliki tiga lapisan, yaitu input
layer, hidden layer, dan output layer. Berikut penjelasan mengenai layer pada NN.

1. Input Layer, lapisan ini berisi neuron-neuron yang masing-masing menyimpan

sebuah nilai masukan yang tidak berubah pada fase latih dan hanya bisaberubah
jika diberikan nilai masukan baru. Neuron pada lapisan ini tergantung pada
banyaknya vektor input dari suatu pola.
2. Hidden Layer, lapisan ini tidak pernah muncul sehingga dinamakan hidden
layer. Akan tetapi semua proses pada fase pelatihan dan fase pengenalan
dijalankan dilapisan ini. Jumlah lapisan ini tergantung dari arsitektur yang akan
dirancang, tetapi pada umumnya terdiri dari satu lapisan hidden layer.
3. Output layer berfungsi untuk menampilkan hasil perhitungan sistem oleh
fungsi aktivasi pada lapisan hidden layer berdasarkan input yang diterima.
Multilayer Perceptron adalah topologi paling umum dari JST, di mana
perceptron-perceptron terhubung membentuk beberapa lapisan (layer). Sebuah
MLP mempunyai lapisan masukan (input layer), minimal satu lapisan tersembunyi
(hidden layer), dan lapisan luaran (output layer). [16]

Gambar 2. 5 Arsitektur MLP

10
 Metode yang paling banyak digunakan dalam pembelajaran atau pelatihan
MLP adalah propagasi balik (back-propagation). Terdapat empat langkah yang
harus dilakukan dalam metode ini yaitu inisialisasi (initialization), aktivasi
(activation), pelatihan bobot (weight training), dan iterasi (iteration). Pada langkah
inisialisasi, nilai awal bobot dan ambang batas (threshold) ditentukan secara acak
namun dalam batasan tertentu. Pada tahapan aktivasi diberikan masukan dan nilai
keluaran yang diharapkan (desired output). Proses penyesuaian bobot terjadi pada
tahap pelatihan bobot, nilai luaran sebenarnya (actual output) dibandingkan dengan
desired output dan dilakukan penyesuaian bobot. Langkah kedua dan ketiga
diulangi sampai dengan tercapai kondisi yang ditentukan.
2.2.6. Keakuratan Klasifikasi
Untuk melihat seberapa akurat suatu sistem dalam melakukan klasifikasi
data yang benar, perlu dilakukan pengukuran atau pengecekan kinerja klasifikasi,
tidak bisa dipungkiri bahwa kinerja sistem sebuah klasifikator tidak dapat bekerja
100% dengan benar. Confusion Matrix adalah tabel yang umum digunakan untuk
mencatat atau mengukur hasil kerja klasifikator. Pada tabel 2.1 merupakan tabel
confusion matrix yang menunjukkan pengukuran hasil kerja klasifikator yang
menghasilkan nilai akurasi. [17] Akurasi ini adalah kemampuan pengujian untuk
mengidentifikasi jumlah data yang diklasifikasi secara benar. [18]
Tabel 2. 1 Tabel Confusion Matrix
HASIL PREDIKSI
DATA ASLI

Positif Negatif
Positif T F
Negatif F T

Keterangan :
T (True) = Data asli yang dikenali secara benar
F (False) = Data asli yang dikenali secara salah
Akurasi dalam klasifikasi adalah presentase ketepatan record data yang
diklasifikasi secara benar setelah dilakukan pengujian pada hasil klasifikasi. Rumus
akurasi dapat dilihat pada persamaan 2.1 dibawah ini. [18]

11
 𝐽𝑢𝑚𝑙𝑎ℎ 𝐻𝑎𝑠𝑖𝑙 𝑈𝑗𝑖 𝐶𝑜𝑏𝑎 𝑌𝑎𝑛𝑔 𝐵𝑒𝑛𝑎𝑟
Akurasi= × 100%...........................(2.1)
𝑇𝑜𝑡𝑎𝑙 𝑈𝑗𝑖 𝐶𝑜𝑏𝑎

Dimana jumlah ujicoba benar merupakan jumlah record yang dilebalkan

secara benar oleh model aligaritma kalsifikasi, sedangkan total ujicoba adalah total
semua record yang dievaluasi. Semakin tinggi level accuracy maka dapat dikatakan
semakin efektif model alogaritma klasifikasi tersebut dengan rentang persentase
sebagai berikut: [18]
1. Akurasi persentase 90% hingga 100% = Sangat baik
2. Akurasi persentase 80% hingga 90% = Baik
3. Akurasi persentase 70% hingga 80% = Cukup baik
4. Akurasi persentase 60% hingga 70% = Buruk
5. Akurasi persentase 50% hingga 60% = Gagal

12
 BAB III
METODOLOGI

3.1. Jenis Penelitian

Pada penelitian ini menggunakan metode penelitian experimental reaserch
atau penelitian eksperimen yaitu, metode sistematis guna membangun hubungan
yang mengandung fenomena sebab akibat. Penelitian eksperimen merupakan
metode inti dari model penelitian yang memenggunakan pendekatan kuantitatif.
Dimana peneliti bertujuan untuk merancang sebuah sistem klasifikasi kualitas pada
citra digital Famili Araceae (tales-talesan) menggunakan metode MLP.
Model metode tersebut dipilih oleh peneliti dalam menerapkan metode
GLCM dan proses pengklasifikasian dengan MLP berbasis GUI Matlab, karena
model metode tersebut memiliki tahapan yang sederhana dan mudah dipahami.
Selain dari segi tahapan yang berurutan metode tersebut dapat memudahkan dalam
proses analisis dengan menerapkan metode GLCM dan MLP berbasis GUI Matlab.
3.2. Metode Penelitian
Pada penelitian ini terdapat beberapa tahapan yang dilakukan untuk
mencapai hasil akhir yang diinginkan, dijabarkan dalam beberapa tahapan sebagai
berikut:
1. Studi literatur dilakukan mempelajari berbagai sumber referensi atau dasarteori
yang berkaitan dengan judul yaitu “Penentuan Tumbuhan Spesies Famili
Araceae Berdasarkan Tekstur Menggunakan Fitur GLCM dan MLP”.
2. Analisa masalah yang akan diselesaikan pada penelitian ini yaitu “Penentuan
Tumbuhan Spesies Famili Araceae Berdasarkan Tekstur Menggunakan Fitur
GLCM dan MLP” adalah bagaimana menggenali berbagai bentuk dan tekstur
Famili Araceae serta mencoba mengimplementasikan metode yang diinginkan.
3. Implementasi metode, pada tahapan ini bertujuan untuk mengimplementasikan
rancangan metode. Rancangan metode akan di implementasikan menggunakan
algoritma MLP.
4. Uji coba dan analisis hasil penelitian, pada tahap ini dilakukan untuk
melakukan pengujian terhadap sistem yang telah dibangun atau dikerjakan.

13
 Pengujian dilakukan sesuai dengan alur yang telah dirancang. Analisis hasil
pengujian dilakukan untuk mengevaluasi metode yang diusulkan.
Tahapan dalam metode penelitian yang digunakan dalam penelitian ini
dapat digambarkan pada gambar 3.1 sebagai berikut,

Studi Literatur

Analisa Masalah dan

Perancangan Penelitian

Implementasi
Metode

Uji Coba Analisa

Hasil Penelitian

Gambar 3. 1 Diagram Alir Tahapan Penelitian

3.3. Perancagan Sistem
Perancangan sistem merupakan tahapan peneliti dalam menunjukkan
rancangan sistem yang digunakan dalam rancangan kerja program dan membuat
desain antarmuka program yang dijelaskan beserta fungsi dari item-item yang ada
pada program tersebut.

14
 Input gambar Konversi RGB ke
Data uji Grayscale

Pre-Processing

Penajaman citra

Ekstraksi Fitur Menghasilkan

GLCM 4 fitur
Processing

Output Klasifikasi MLP Dataset

Gambar 3. 2 Perancangan Sistem Penelitian

Pada gambar 3.2 tahap Pre-Processing menjelaskan bahwa pengolahan
citra sebelum di ekstraksi dengan metode GLCM data uji tersebut melakukan
konversi citra dai RGB ke citra grayscale dan setelah itu di proses untuk
mempertajam pola tekstur pada batang Famili Araceae. Penajaman citra pada
penelitian ini berguna untuk mempertajam citra pola tekstur pada batang Famili
Araceae agar citra yang dihasilkan akan lebih presisi dan akurat, karena citra tekstur
pada batang Famili Araceae memiliki pola tekstur yang hampir sama, satu dengan
jenis yang lainnnya. Parameter yang akan diterapkan pada proses penajaman citra
ini berdasarkan pada objek citra yang akan diproses, dikarenakan objek yang
digunakan adalah pola tekstur pada batang Famili Araceae maka pada proses
penajaman ini harus benar-benar diperhatikan karena pola tekstur pada batang
Famili Araceae hampir semua jenis pola tekstur pada batang Famili Araceae
memiliki tesktur pola yang hampir sama dan memiliki tekstur yang saling tegak
lurus, maka pada proses ini harus dapat mempertajam sesuai dengan kegunaan agar
tidak terlihat terlalu tajam dan tidak juga terlihat kabur.
Konversi RGB ke Grayscale merupakan pengubah warna citra menjadi
keabu-abuan. Dengan mengubah nilai RGB setiap piksel gambar menjadi satu nilai

15
yang sama sehingga untuk mendapatkan nilai matriks grayscale. Kemudian
dilakukam penajaman citra yang bertujuan untuk memperjelas tepi pada objek
didalam citra. Penajaman citra dilakukan dengan melewatkan citra pada high pass
filter supaya mendapatkan hasil yang nantinya akan di ekstraksi oleh GLCM,
penajaman citra ini berfokus pada tekstur batang Famili Araceae agar mendapatkan
tingkat akurasi yang lebih baik dalam proses pengklasifikasiannya.
Pada proses penajaman ini peneliti akan menggunakan nilai parameter
r10a2 (radius 10 amount 2), r10a6, dan r5a2, yang nantinya akan dibandingkan hasil
pengolahan citra tersebut apakah memiliki pengaruh yang signifikan atau tidak
dengan hasil outputnya. Amount adalah nilai dari kontras yang diterapkan pada
kontur suatu citra di sekeliling objek yang akan ditajamkan, semakin tinggi nilai
amount maka semakin kuat efek penajamannya dan tidak ada aturan baku terkait
penentuan nilai amount untuk penajaman citra, harus diperhatikan dalam penerapan
amount dalam suatu citra jika berlebihan akan menghasilkan efek penjaman yang
kasar dan terkesan tidak realistik. Radius merupakan lebar kontur dari suatu sisi
objek yang akan ditajamkan, jadi semakin tinggi nilai radius maka semakin lebar
pula sisi objek yang ditajamkan dan jika nilai dari radius terlalu tinggi maka akan
memunculkan efek halo yang mengganggu.
Pada penelitian ini menggunakan vektor contras, correlation, energy, dan
homogenity untuk mengintepretasikan tekstur citra. Pada dasarnya setiap fitur
memiliki fungsi yang berbeda-beda tergantung pada penggunaanya. Setelah melalui
tahap Pre-Processing, citra akan dilakukan ekstraksi fitur dengan metode GLCM
untuk mendapatkan nilai fitur yaitu, Contrast, Correlation, Energy, dan
Homogeinity.
Dari fitur GLCM yang didapat, akan dipergunakan sebagai acuan pada
proses klasifikasi MLP. Klasifikasi MLP menggunakan data uji sejumlah 60 data
citra uji yang masing-masing dari spesies Famili Araceae yang terdiri dari, iles-iles
dengan 20 data citra uji, porang dengan 20 data citra uji, dan suweg dengan 20 data
citra uji. Sedangkan dataset untuk data training menggunakan 300 data citra yang
terdiri dari 100 data citra iles-iles, 100 data citra porang, dan 100 data citra suweg.
Dataset tersebut akan menggunakan resolusi citra yang berukuran 320 x 240 px

16
 1. hitung output dari setiap neuron
Hasil output Penentuan jumlah 2. hitung faktor koreksi dari setiap
Inisialisasi/
START Ekstraksi Learning rate, Fungsi aktivasi neuron pada hidden layer
pelabelan
fitur GLCM epoch. 3. hitung perubahan bobot
4. proses iterasi maks. Sesuai epoch

Data Prediksi

Ya

Eror > sp? Eror = target-output

Tidak

end Output data

Gambar 3. 3 Flowchart MLP

Pada gambar 3.3 setelah proses ektraksi fitur GLCM maka nilai vektor yang
dihasilkan akan diberikan label bilangan yang sesuai dengan klasifikasi yang telah
ditentukan. Alogaritma MLP ini akan ditenentukan jumlah hidden layer, jumlah
neuron, jumlah epoch serta learning rate untuk menghitung hasil output data
prediksi secara trial and eror. Pada penelitian ini menggunakan 3 lapisan hidden
layer dengan jumlah neuron pada hidden layer pertama sebanyak 30 neuron, hidden
layer kedua 30 neuron, dan layer hidden ketiga sebanyak 3 neuron dengan jumlah
epoch yang akan digunakan sebesar 1.000 kali. Dan dari gambar 3.3 diatas
merupakan flowchart alur kerja dari algoritma MLP untuk menghasilkan nilai
prediksi yang diproses dengan 3 lapis lapisan hidden layer. Data keluaran pada
penelitian ini berupa nilai softmax, yang merupakan metode hasil klasifikasi dari
nilai tertinggi yang di dapat dari data prediksi. Dari data softmax nanti akan
menghasilkan satu jenis Famili Araceae yang ditampilkan dari 3 jenis Araceae yang
diklasifikasi.
Data hasil klasifikasi berupa output kelas citra tumbuhan Famili Araceae
yang dijadikan data testing. Data hasil kemudian dicocokkan dengan data asli untuk
ditentukan akurasi dari sitem tersebut dan akurasi yang dihitung dari confusion

17
matrix. Confusion matrix yang dihitung adalah confusion matrix dari hasil training
dan testing.
Perancangan GUI (Graphical User Interface) dibuat untuk mempermudah
dalam menjalankan sebuah program dalam Matlab. GUI mengandung tugas,
perintah, atau komponen program yang dibangun dan memuat seluruh alogaritma
dalam suatu M-File. Sehingga pengguna dapat mengakses komputasi yang sedang
berjalan dengan mudah dengan menggunakan keyboard dan mouse untuk
mengoprasikan Push-Button pada GUI tersebut. Pada gambar 3.4 merupakan
perancangan sistem GUI klasifikasi Famili Araceae dan pada Tabel 3.1 merupakan
keterangan dari gambar 3.4.

A PENENTUAN TUMBUHAN SPESIES FAMILI ARACEAE BERDASARKAN TEKSTUR MENGGUNAKAN FITUR GLCM DAN MLP

Nama File :
F G Parameter GLCM H
B Browse uji_xx1.jpg Citra RGB Citra Grayscale Penajaman Contrast 00000

C Run
E Correlation 00000

Energy 00000
D Reset
Homogeinity 00000

I Prediksi Hasil Penentuan J

Iles-iles 00000

Porang 00000 xx

Suweg 00000

Gambar 3. 4 Tampilan GUI Sistem Penentuan Tumbuhan Famili Araceae

Keterangan :

A : Dialog Form untuk memberikan judul pada sistem GUI.

B : Button Browse digunakan sebagai pencarian file data uji yang akan di uji
pada folder dataset uji.
C : Button Run digunakan untuk menjalankan sistem GUI.
D : Button Reset digunakan untuk mengatur ulang pada sistem GUI.
E : Text Box untuk menampilkan nama File JPEG yang diproses pada sistem
GUI.

18
 F : Axes Box yang digunakan untuk menampilkan data uji citra asli.
G : Axes Box yang digunakan untuk menampilkan data citra uji yang
dikonversi ke Grayscale dan hasil penajaman citra.
H : Table yang digunakan untuk menampilkan hasil vektor parameter dari
proses GLCM.
I : Table yang digunakan untuk menampilkan hasil Prediksi dari proses
klasifikasi MLP.
J : Text Box yang digunakan untuk menampilkan hasil akhir dari sistem
sebagai penentuan spesies Famili Araceae.
3.4. Alat dan Bahan
Pada penelitian ini akan menggunakan citra dari gambar tumbuhan Famili
Araceae dengan resolusi 320 x 240 pixel.
3.4.1. Alat
Alat yang digunakan untuk melakukan penelitian ini yang berjudul
“Penentuan Tumbuhan Spesies Famili Araceae Berdasarkan Tekstur Menggunakan
Fitur GLCM dan MLP”, antara lain:
1. Laptop Intel Core i7
2. Nvidia GeForce GTX 1650
3. Matlab R2014a
4. Kamera ponsel resolusi 16 MP
3.4.2. Bahan
Dalam penelitian ini proses pengambilan data citra diambil dari perkebunan
Desa Kembangan, Kec. Pule, Kab. Trenggalek, Jawa Timur. Dataset sendiri dibagi
menjadi 2 jenis yaitu data latih dan data uji. Dimana data latih yang akan digunakan
sebagai dataset yang nantinya hasil dari pengolahan data latih tersebut menjadi
setting point untuk pengkasifikasian program, sedangkan data uji digunakan
sebagai testing program.
Citra data latih dalam penelitian ini memiliki 300 data dengan masing-
masing 100 data dari setiap jenis tumbuhan Famili Araceae yang diteliti dengan
ukuran 320x240 pixel untuk dilakukan proses ekstraksi fitur tekstur GLCM dengan
menghasilkan nilai output parameter berupa Contrast, Correlation, Energy, dan
Homogeinity. Penggunaan resolusi 320x240 px pada penelitian merupakan

19
kebutuhan fungsional yang bertujuan untuk mempercepat proses pengolahan citra
digital. Jika resolusi citra digital semakin besar, maka proses pengolahan citra
digital akan semakin lambat.
3.5. Jadwal Pelaksanaan

Tahap Bulan
No
Kegiatan Desember Januari Februari Maret April Mei Juni

1 Studi literasi

2 Penyusunan
Proposal

3 Perancangan
Sistem

4 Uji coba
Sistem dan
Pengambilan
data

5 Analisa Sistem

6 Penyusunan
Laporan
Skripsi

20
 BAB IV
PEMBAHASAN

4.1. Pembentukan Data Latih

Pada peneletian ini data train yang digunakan adalah 300 data dengan setiap
jenis dari tumbuhan Famili Araceae memiliki 100 data citra dengan spesifikasi citra
yang berukuran 320x240 px dengan pelabelan data training yang beragam. Berikut
parameter dataset yang digunakan pada penelitian ini, yang di tunjukkan pada tabel
4.1.
Tabel 4. 1 Parameter Data Input
Data Training Data Testing
Jumlah Data 300 60
Resolusi 320x240 px 320x240 px
Warna yang digunakan Grayscale Grayscale

Penentuan proporsi data untuk training dan validasi dilakukan secara acak.
Contoh sampel data train ditunjukkan pada gambar 4.1 berikut.

Gambar 4. 1 Data Train

Pada gambar 4.1 dalam pembentukan dataset, citra melalui proses resize
yang berfungsi untuk menyamakan nilai piksel yang nantinya akan memberikan
data yang lebih presisi untuk proses klasifikasi. Dari semua total dataset yang
digunakan telah disebutkan pada tabel 4.1 dimana, data train yang digunakan adalah
300 data dan data uji yang digunakan adalah 60 data.

21
4.2. Parameter Penajaman Citra
Proses penajaman citra digunakan untuk menentukan hasil citra dengan nilai
radius dan amount yang presisi dan proposional untuk data konversi citra yang akan
diinputkan. Hasil penajaman citra yang ditunjukkan pada tabel 4.2 berikut ini.
Tabel 4. 2 Penajaman Citra
Hasil Penajaman Nilai Nilai Hasil
Citra Grayscale
Ctra Radius Amount Contrast

10 2 15514,4

10 6 15368,6

5 2 15518,6

Pada tabel 4.2 , proses penajaman citra menghasilkan perubahan citra. Pada
nilai parameter radius 10 dan nilai amount 2 menghasilkan nilai contrast 15514,4
sedangkan pada radius 5 dan nilai amount 2 menghasilkan nilai contrast 15518,6
yang merupakan pengaruh dari nilai radius sebesar 10, dengan demikian semakin
rendah nilai radiusnya maka semakin tinggi juga hasil penajaman yang dihasilkan.
Dengan hasil penajaman tersebut nantinya akan memberikan nilai yang berbeda
disetiap pikselnya. Pada parameter radius 5 dan amount 2 dapat menhasilkan citra
lebih tajam dibandingan hasil parameter dengan radius 10 dan amount 2 karena
tekstur dari tumbuhan tersebut tidak terlalu tajam.

22
4.3. Ekstraksi Fitur GLCM
Ektraksi fitur dilakukan guna mengambil suatu ciri dari 300 citra. Ciri yang
diekstrak yaitu fitur kontras, korelasi, energi, dan homogenitas.

Gambar 4. 2 Tampilan GUI

Pada gambar 4.1 proses ekstraksi fitur dilakukan dengan konversi citra asli
dengan dimensi ukuran 320x240 pixel kedalam citra grayscale, dimana citra
grayscale tersebut dilakukan penajaman citra. Sistem dimulai dengan mengklik
tombol “Browse” untuk memilih data yang akan di Uji. Setelah klik tombol
“Browse”, maka akan muncul jendela untuk memilih data Uji pada Folder data Uji,
kemudian klik “Select folder”. Setelah memilih data uji, klik tombol “Run” untuk
menjalankan sistem yang akan memunculkan citra asli dan citra yang dikonversi
oleh GLCM serta memunculkan hasil Parameter GLCM. Pada hasil analisis data,
hasil dari pengolahan citra dengan metode GLCM dan MLP mulai pembentukan
dataset, mengonversi citra input, pengolahan ektrasi GLCM, hasil prediksi dari
pengolahan klasifikasi MLP sampai hasil klasifikasi berupada data softmax.
Pada gambar 4.3 berikut ini merupakan hasil nilai GLCM yang didapat dari
data train.

23
 Tabel 4. 3 Hasil Nilai Vektor GLCM
Vektor GLCM
Nama Data
Contrast Correlation Energy Homogenity
Iles (1) 15006.18 -0.00939 1.5954e-05 0.031112
Iles (2) 14395.52 -0.00759 1.8298e-05 0.029219
Iles (3) 14540.63 -0.00108 1.5754e-05 0.031365
Iles (4) 14940.06 0.00417 1.5149e-05 0.031576
Iles (5) 14924.96 -0.00061 1.6120e-05 0.031031
Porang (1) 14580.58 0.000363 1.3377e-05 0.031106
Porang (2) 14434.07 0.000233 1.3345e-05 0.031085
Porang (3) 15038.91 -0.002101 1.4373e-05 0.031103
Porang (4) 14743.92 -0.000686 1.3427e-05 0.031104
Porang (5) 14264.79 0.000844 1.3456e-05 0.031157
Suweg (1) 15529.19 -0.004047 1.4132e-05 0.031188
Suweg (2) 15702.57 0.002881 1.4585e-05 0.030531
Suweg (3) 15191.29 -0.006331 1.4885e-05 0.031343
Suweg (4) 15946.03 0.002335 1.4612e-05 0.030391
Suweg (5) 16079.75 0.001817 1.4811e-05 0.030372
Hasil pada tabel 4.3 didapat dari pengolahan citra yang diterapkan pada
aplikasi matlab. Hasil dari ekstraksi GLCM tersebut akan digunakan sebagai data
acuan untuk proses klasifikasi.
Berikut ini perhitungan matriks GLCM:

Gambar 4. 3 Matriks 4x4 dengan variasi angka 0 sampai 3

24
 Pada gambar 4.3, Matrik tersebut disusun ulang berdasarkan hubungan antar
piksel berdasarkan matriks framework seperti pada gambar 4.4 dibawah. Matriks
GLCM adalah matriks dengan hubungan antar piksel yang terdiri dari 4 baris, yaitu
baris 0, 1, 2, dan 3, serta kolom 0, 1, 2, dan 3. Dalam matriks GLCM dimensi
matriks sesuai dengan angka minimum hingga maksimum pada matrik. Pada citra
grayscale, angka minimum ialah 0 dan angka maksimum 255 pada matriks, maka
pada matriks GLCM memiliki dimensi matriks 256x256. Pada matriks GLCM
mula-mula disi dengan angka 0.

Gambar 4. 4 Matriks framework GLCM

Pada gambar 4.5 matriks dibawah memperlihatkan hubungan antar piksel
dengan sudut ketetanggaan 0º yaitu pada piksel baris ke-1 kolom ke-1 dengan baris
ke-1 kolom ke-2, dan pasangan ketetanggaan (0,1) pada matriks framework
bertambah 1.

Gambar 4. 5 Matriks Ketetanggan (0,1) Bertambah 1

Pada gambar 4.6 Matriks dibawah memperlihatkan hubungan antar piksel
dengan sudut ketetanggaan 0º yaitu pada baris ke-1 dan kolom ke-2 dengan baris
ke-1 kolom ke-3. Pasangan ketetanggaan (1,0) pada matriks framework GLCM
bertambah 1.

25
 Gambar 4. 6 Ketetanggan piksel (1,0) bertambah 1
Pada gambar 4.7 Matriks dibawah memperlihatkan hubungan antar piksel
dengan sudut ketetanggaan 0º yaitu pada baris ke-1 dan kolom ke-3 dengan baris
ke-1 kolom ke-4. Pasangan ketetanggaan (1,0) pada matriks framework GLCM
bertambah 1 menjadi 2.

Gambar 4. 7 Ketetanggan Piksel (0,1) bertambah 1 dan menjadi 2

Demikian proses tersebut diulang hingga baris ke-4 sehingga didapat

matriks GLCM sudut 0º seperti pada gambar 4.8. Kemudian matriks GLCM
dijumlahkan dengan transpose dari matriks itu sendiri agar menjadi matriks
simetris dan setelah itu matriks GLCM simeteris tersebut selanjutnya dinormalisasi
agar dapat di analisis untuk menghitung masing-masing ekstrasi fitur menggunakan
rumus.

Gambar 4. 8 Matriks 4x4 dengan sudut 0 derajat

26
 Matriks GLCM sudut 0⁰ + Matriks GLCM transpose = Matriks GLCM
simetris sudut 0º.

Gambar 4. 9 Matriks GLCM 4x4 simetris dengan sudut 0 derajat

Setelah didapat matriks GLCM yang simetris melalui normalisasi. Tiap nilai
pada piksel matriks akan dibagi dengan jumlah piksel ketetanggaan. Pada gambar
4.9 jumlah piksel ketetanggaan berjumlah 24, untuk itu maka setiap nilai piksel
GLCM akan dibagi 24. Dan setelah dinormalisasi maka selanjutnya dapat dihitung
dengan rumus untuk mendapatkan nilai ekstrasi ciri.

Gambar 4. 10 Matriks GLCM 4X4 dengan sidit 0 derajat setelah dinormalisasi

Rumus-rumus ektrasi ciri dapat diterapkan pada matriks GLCM 4x4 sudut
0º. Nilai piksel matriks GLCM 4x4 dapat dilihat melalui gambar 4.11 dibawah yang
dimana nilai piksel 0 tidak diitung dalam rumus.

Gambar 4. 11 Matriks GLCM 4x4 Sudut 0 Derajat

27
 Tabel 4. 4 Nilai Piksel Matriks GLCM
GLCM NILAI GLCM NILAI
(1,2) 0,125 (3,1) 0,042
(1,3) 0,042 (3,2) 0,042
(2,1) 0,125 (3,4) 0,125
(2,2) 0,083 (4,2) 0,125
(2,3) 0,042 (4,3) 0,125
(2,4) 0,125
4.4. Pemilihan Parameter
Pre-proses pada penelitian ini melewati konversi citra RGB menjadi
Graysacle, yang kemudian dilakukan penajaman cita dengan menggunakan
parameter nilai radius 5 dan nilai amount 2, dikarenakan nilai tersebut menhasilkan
nilai yang lebih presisi dan terlihat tekstur citra dari tumbuhan Famili Araceae
dibandingan jika menggunakan niali radius 10 dengan amount 2 dan radius 10 dan
amout 6. Respon grafik pada performance neural network dengan jenis MLP
memiliki tingkat akurasi yang baik dengan jumlah neuron pada layer sebanyak, 30,
30, dan 3 neuron dan dengan proses iterasi sebanyak 1.000 kali dapat menghasilkan
performance sebesar 0,978 dan menghasilkan grafik seperti gambar 4.3 berikut ini.

28
 Gambar 4. 12 Hasil Train Neural Network MLP
Hasil dari pengklasifikasi MLP dengan 3 layer yang setiap layernya
memiliki, 30,30, dan 3 neuron dengan nilai epoch 1.000 kali proses iterasi
membutuhkan waktu 2 menit 10 detik untuk mendapatkan performance 1.008e-8
dan menghasilkan gradient sebesar 2.29e+03.
4.5. Data Prediksi
Data prediksi pada penelitian ini merupakan nilai output pengolahan proses
klasifikasi yang dilakukan oleh MLP.

29
 Tabel 4. 5 Vektor Binner Klasifikasi
Klasifikasi Tumbuhan Vektor Binner
Iles Iles [100]
Porang [010]
Suweg [001]
Hasil klasifikasi MLP pada tumbuhan Famili Araceae menghasilkan data
prediksi yang ditunjukkan pada tabel 4.6 berikut.
Tabel 4. 6 Hail Prediksi
Prediksi
No.
Iles Iles Porang Suweg
1. 0.949555 0.026331 -0.00332
2. 0.918653 0.014532 -0.01154
3. 0.980683 0.003607 -0.01457
4. 0.980015 0.022429 -0.00238
5. 0.983427 -0.001338 -0.09339
6. 0.043669 0.979879 0.03030
7. -0.085871 0.997367 0.00895
8. 0.811871 0.027188 0.09774
9. -0.027138 0.995060 -0.02208
10. -0.189843 0.999490 -0.05964
11. -0.007314 0.018733 0.99680
12. 0.001559 0.002182 0.99999
13. 0.016922 -0.010171 0.99528
14. 0.000308 -0.000339 0.99999
15. 0.000159 0.000532 0.99999
Nilai prediksi pada tabel 4.6 merupakan hasil dari pengolahan klasifikasi
menggunakan MLP dengan 3 hidden layer yang memiliki jumlah neuron 30 30 3.
4.6. Hasil Softmax
Hasil output penelitian ini berupa data softmax yang didapat dari nilai
prediksi, hasil akhir penelitian ini jenis famili araceae akan terdeteksi dalam

30
pengelompokannya. Fungsi softmax digunakan dalam layer yang terdapat pada
neural network yang terdapat pada layer akhir untuk mendapatkan output. Dapat
disimpulkan bahwa softmax layer untuk menentukan probabilitas terbesar untuk
menghasilkan kelasnya.
Sesuai dengan tabel 4.6 sebelumnya yang merupakan hasil prediksi, maka
diterapkan proses softmax dengan nilai tertinggi dalam pengklasifikasiannya. Hasil
klasifikasi dapat dilihat pada tabel 4.7 berikut ini.
Tabel 4. 7 Hasil Nilai Softmax
Prediksi
No. Hasil Softmax Terklasifikasi
Iles Iles Porang Suweg
1. 0.949555 0.026331 -0.00332 0.949555 Iles iles
2. 0.918653 0.014532 -0.01154 0.918653 Iles iles
3. 0.980683 0.003607 -0.01457 0.980683 Iles iles
4. 0.980015 0.022429 -0.00238 0.980015 Iles iles
5. 0.983427 -0.001338 -0.09339 0.983427 Iles iles
6. 0.043669 0.979879 0.03030 0.979879 Porang
7. -0.085871 0.997367 0.00895 0.997367 Porang
8. 0.811871 0.027188 0.09774 0.027188 Porang
9. -0.027138 0.995060 -0.02208 0.995060 Porang
10. -0.189843 0.999490 -0.05964 0.999490 Porang
11. -0.007314 0.018733 0.99680 0.99680 Suweg
12. 0.001559 0.002182 0.99999 0.99999 Suweg
13. 0.016922 -0.010171 0.99528 0.99528 Suweg
14. 0.000308 -0.000339 0.99999 0.99999 Suweg
15. 0.000159 0.000532 0.99999 0.99999 Suweg

4.7. Hasil Pengujian

Hasil pengujian ini peneliti menguji sebanyak 60 data uji yang per jenis
Famili araceae akan diuji sebanyak 20 data. Hail pengujian ini dapat dilihat pada
tabel 4.8 dengan metode Confusion Matrix berikut ini

31
 Tabel 4. 8 Hasil Pengujian Confusion Matrix
TERKLASIFIKASI
Iles-Iles Porang Suweg

SEBENARNYA
SPESIES
Iles-iles 16 1 3
Porang 1 18 1
Suweg 3 1 16
Hasil terbaik pada percobaan ini dapat dilihat pada tabel 4.8. Label pada
kolom tabel menunjukkan label terklasifikasi, sedangkan label pada baris tabel
menunjukkan label spesies sebenarnya. Spesies iles-iles yang terklasifikasi sebagai
iles-iles ada 16, Spesies Porang 1, dan Spesies Suweg 3 data. Spesies Porang yang
terklasifikasi sebagai Spesies porang ada 18, spesies iles-iles 1, dan spesies suweg
1 data. Sedangkan Spesies Suweg yang terklasifikasi sebagai Suweg ada 16, spesies
iles-iles 3, dan spesies porang 1.
Dengan model ini dilakukan pengujian menggunakan 60 citra spesies Famili
Araceae dimana masing-masing spesies menggunakan 20 data. Hasil klasifikasi
dapat ditunjukkan pada tabel 4.9 berikut.
Tabel 4. 9 Hasil klasifikasi Famili Araceae ekstraksi fitur GLCM dan MLP
Citra Uji Hasil Klasifikasi Ket.

uji_iles3.jpg

Benar

uji_iles1.jpg

Salah

32
 uji_porang5.jpg

Benar

uji_porang13.jpg

Salah

uji_suweg4.jpg

Benar

uji_suweg7.jpg

Salah

Pada tabel 4.6 keterangan benar dan salah merupakan hasil nilai prediksi
didapat dari proses klasifikasi yang memiliki nilai tertinggi maka hasil klasifikasi
dimunculkan, dikarenakan penelitian ini menggunakan output Softmax. Sedangkan
presentase keberhasilan pada penelitian ini dirangkum pada tabel 4.8 berikut.

33
 Tabel 4. 10 Persentase Keberhasilan
Kategori Total Hasil Klasifikasi Presentase
No.
Tumbuhan Data uji Benar Salah keberhasilan
1. Iles-Iles 20 16 4 80%
2. Porang 20 18 2 90%
3. Suweg 20 16 4 80%
Total Data 60 50 10 -
Presentase Rata-rata
83,33%
Keberhasilan
Pada tabel 4.8 dapat disimpulkan bahwa persentase keberhasilan pada data
uji mencapai 83,33% dari total keseluruhan data sebanyak 60 data dengan rincian
pengujian data tumbuhan iles-iles 20 data, tumbuhan porang 20 data, dan tumbuhan
suweg 20 data dengan spesifikasi citra berukuran 320x240 px.

Gambar 4. 13 Hasil Performance

Pada ganmbar 4.4 merupakan hasil performace dari data train yang diproses
oleh metode MLP, dengan hasil kinerja terbaik untuk dapat menhklasifikasi dari 3
jenis tumbuhan Famili Araceae sebesar 0.011031 dengan epoch sebesar 1.000 yang
mendapatkan persentase keberhasilan dari data uji sebesar 83,33% dari total data
60 citra data uji dengan masing jenis tumbuhan memiliki 20 citra data uji untuk di
klasifikasi.

34
 Analisa dari pengujian tersebut menunjukan bahwa tumbuhan porang
menghasilkan nilai presentase diatas rata-rata yaitu 90% dapat di kelaskan,
dikarenakan pada tumbuhan porang ini mempunyai tekstur, corak yang bebeda
diantara tumbuhan iles-iles dan suweg sehingga pada proses ekstraksi fitur
menghasilkan nilai vektor yang bagus sebagai nilai acuan untuk proses klasifikasi
pada MLP. Sedangkan pada tumbuhan iles-iles menghasilkan presentase
keberhasilan 80% dan tumbuhan suweg menghasilkan persentase 80% yang dimana
keduanya menghasilkan persentase dibawah rata-rata 83,33%, dimungkinkan pada
citra tumbuhan iles-iles dan suweg memiliki tekstur dan corak yang hampir sama,
sehingga lebih cenderung dikenali satu sama lain. Pada tabel 4.8 yang merupakan
hasil pengenalan dari data uji yang memiliki citra tekstur yang kurang baik, yang
menyebabkan data tersebut kurang presisi dalam pengambilan citra, dan
berpengaruh pada parameter output nya dan yang dikenali oleh MLP dengan data
jenis tumbuhan yang salah.
Dalam penelitian ini menghasilkan tingkat akurasi dari penerapan metode
GLCM sebagai pre-proses dan diklasifikasi emnggunakan metode MLP
menghasilkan tingkat keberhasilan data sebesar 83,33%.

35
 BAB V
PENUTUP

5.1. Kesimpulan
Dari pengujian yang dilakukan oleh peneliti dapat disimpulkan bahwa, :
1. Proses ekstraksi fitur menggunakan GLCM ini menentukan nilai contrast,
correlation, homogenity dan energy. Citra RGB diproses GLCM untuk diubah
menjadi grayscale dan dilakukan penajaman citra dengan radius 5 dan amount
2. Hasil dari ke empat parameter GLCM dijadikan parameter acuan untuk
menentukan nilai prediksi.
2. Penerapan metode MLP pada program kalsifikasi penelitian ini menggunakan
jumlah neuron sebanyak 30, 30, dan 3 neuron yang menghasilkan rata-rata
persentase keberhasilan 83,33%. Proses pengolahan data citra yang memiliki
ukuran 320x240 pixel dilakukan pre-proses dan dilakukan ekstraksi GLCM
untuk mendapat hasil 4 fitur GLCM yang digunakan sebagai acuan pada
metode MLP untuk mendapat nilai prediksi dengan hasil output klasifikasi
berupa data softmax menjadi 3 kelas yakni, iles-iles, porang dan suweg.
5.2. Saran
Berdasarkan percobaan yang telah dilakukan, maka terdapat beberapa hal
yang perlu diperhatikan dan ditingkatkan lagi pada penelitian selanjutnya, yaitu :
1. Penambahan data latih yang lebih banyak lagi supaya keakuratan dalam
klasifikasi atau penentuan pada tumbuhan famili araceae dapat dikenali dengan
akurasi tinggi.
2. Hasil dari ekstrasi fitur lebih banyak sehingga parameter penentuan klasifikasi
juga akan lebih presisi dan tingkat akurasi yang didapat juga semakin tinggi.
3. Penambahan metode lainnya terkait pre-proses dan seleksi fitur sehingga
memungkinkan proses klasifikasi mendapatkan hasil yang akurat. Pada
penelitian selanjutnya dapat mencari literasi terkait proses pengklasifikasian
yang lebih baik dengan parameter-parameter lainnya.

36
 DAFTAR PUSTAKA

[1] S. A. R. d. Nasir Saleh, Tanaman Porang : Pengenalan, Budidaya, dan

Pemanfaatannya, Bogor: Pusat Penelitian dan Pengembangan Tanaman
Pangan, 2015.
[2] A. Fernida, "Pemungutan Glukomannan dari Umbi iles-iles (Amorphophallus
Sp)," Tugas Akhir, 2009.
[3] R. R. Waliyansyah, "Identifikasi Jenis Biji Kedelai Menggunakan GLCM dan
K-means Clustering," J. Teknol. Inf. dan Ilmu Kompt, vol. 7, no. 1, pp. 17-26,
2020.
[4] S. S. Frengky Tupamahu, "Klasifikasi Konidium Biotis Akibat Penyakit Pada
Tanaman Jagung Menggunakan Jaringan Syaraf Tiruan," JTIL, vol. 4, no. 2,
pp. 90-94, 2019.
[5] S. B. J. &. B. P. Mayo, "The European Union and Royal Botanic," The Genera
of Araceae, 1997.
[6] B. Suhono, "Ensiklopedia Flora," Jilid 1, 2010.
[7] Sumarwoto, "Iles-iles (Amorphophallus muelleri Blume);Deskripsi dan Sifat-
sifat Lainnya," Biodiversitas, vol. 6, no. 5, pp. 185-190, 2005.
[8] T. Kriswidarti, "Suweg (Amorphaphollus capanulatus) bunga bangkai yang
berpotensi sebagai sumber karbohidrat," Kebun Raya (4), vol. 5, pp. 171-173,
1980.
[9] E. S. d. E. W. M.H Abdurrahman, "Deteksi Kualitas Kemurnian Susu Sapi
Melalui Pengolahan Citra Digital Menggunakan Metode Scale Invariant
Feature Transform Dengan Klasifikasi K-Nearest Neighbor," eProceedings
Eng, vol. 6, no. 2, pp. 3845-2852, 2019.
[10] D. Putra, "Pengolahan Citra Digital," 2009.
[11] A. P. d. S. Puspitodjati, "Aplikasi Program C# Untuk Analisis Tekstur Kayu
Parquet Dengan Menggunakan GLCM," pp. 1-15, 2014.

37
[12] J. Martinez, "Texture Measuring by Means of Perceptually-Based Fineness
Functions," Iberian Conference on Pattern Recognition an Image Analysis,
LNCS 5524, pp. 265-272.
[13] L. Novamizanti, "Perancangan Sistem Pendeteksi Genangan Air Potensi
Perkembangbiakan Nyamuk Melalui Foto Citra Udara Dengan Metode
GLCM," e-Proceeding Of Engineering, vol. 2, p. 2977, 2015.
[14] D. S. ,. a. H. B. D. Maghfirah Ramadhani, "KLASIFIKASI JENIS JERAWAT
BERDASARKAN TEKSTUR DENGAN MENGGUNAKAN METODE
GLCM," e-Proceeding Of Engineering, vol. 5, no. 1, pp. 870-876, 2018.
[15] E. P. Maulina, "Sortir asphalt drum pada PT.Pertamina - BPG dengan
ekstraksi fitur menggunakan GLCM," Tugas Akhir, pp. 1-61, 2018.
[16] N. Purwaningsih, "penerapan multilayer perceptron untuk klasifikasi jneis
kulit sapi tersamak," pp. 1-7, 2016.
[17] P. E., "Data Mining - Mengolah Data Informasi Menggunakan MATHLAB,"
CV. Andi Offset, 2014.
[18] M. H. d. J. Kember, "Data Mining; Concepts and Techniques Second
Edition," Morgan Kaufimann Publishers, 2006.

38
 LAMPIRAN

Lampiran 1. Hasil penentuan spesies Famili Araceae dari data Uji

Citra Uji Hasil Klasifikasi Ket.

uji_iles1.jpg
Salah

uji_iles2.jpg
Benar

uji_iles3.jpg
Benar

uji_iles4.jpg
Benar

39
uji_iles5.jpg Benar

uji_iles6.jpg
Benar

uji_iles7.jpg
Benar

uji_iles8.jpg
Benar

uji_iles9.jpg
Benar

40
uji_iles10.jpg
Salah

uji_iles11.jpg
Benar

uji_iles12.jpg
Benar

uji_iles13.jpg
Benar

uji_iles14.jpg
Benar

41
uji_iles15.jpg
Benar

uji_iles16.jpg
Salah

uji_iles17.jpg
Benar

uji_iles18.jpg
Benar

uji_iles19.jpg
Benar

42
 uji_iles20.jpg
Salah

uji_porang1.jpg
Benar

uji_porang2.jpg
Benar

uji_porang3.jpg
Benar

uji_porang4.jpg
Benar

43
uji_porang5.jpg
Benar

uji_porang6.jpg
Benar

uji_porang7.jpg
Benar

uji_porang8.jpg
Benar

44
uji_porang9.jpg
Benar

uji_porang10.jpg
Benar

uji_porang11.jpg
Benar

uji_porang12.jpg
Benar

45
uji_porang13.jpg
Salah

uji_porang14.jpg
Benar

uji_porang15.jpg
Benar

uji_porang16.jpg
Benar

46
uji_porang17.jpg
Benar

uji_porang18.jpg
Salah

uji_porang19.jpg
Benar

uji_porang20.jpg
Benar

47
uji_suweg1.jpg
Benar

uji_suweg2.jpg
Salah

uji_suweg3.jpg
Benar

uji_suweg4.jpg
Benar

48
uji_suweg5.jpg
Benar

uji_suweg6.jpg
Benar

uji_suweg7.jpg
Salah

uji_suweg8.jpg
Benar

49
uji_suweg9.jpg
Benar

uji_suweg10.jpg
Benar

uji_suweg11.jpg
Benar

uji_suweg12.jpg
Benar

50
uji_suweg13.jpg
Benar

uji_suweg14.jpg
Benar

uji_suweg15.jpg
Salah

uji_suweg16.jpg
Benar

51
uji_suweg17.jpg
Benar

uji_suweg18.jpg
Salah

uji_suweg19.jpg
Benar

uji_suweg20.jpg
Benar

52
Lampiran 2. Source Code GLCM
clc;
posisi =200;
myFolder = 'D:\n\param 2\OUTPUT\OUTPUT SUWEG';
if ~isdir(myFolder)
errorMessage = sprintf('Error: The following folder does not
exist:\n%s', myFolder);
uiwait(warndlg(errorMessage));
return;
end
%i0
%p100
%s200
filePattern = fullfile(myFolder, '*.jpg');
jpegFiles = dir(filePattern);
for k = 1:length(jpegFiles)
baseFileName = sprintf('%d.jpg',k);
%jpegFiles(k).name;
fullFileName = fullfile(myFolder, baseFileName);
fprintf(1, 'Now reading %s\n', fullFileName);
imageArray = imread(fullFileName);
d = graycoprops(imageArray);
d1 = d.Contrast;
d2 = d.Correlation;
d3 = d.Energy;
d4 = d.Homogeneity;
input(posisi+k,:) = [d1 d2 d3 d4];
fprintf(1, '%d %d %d %d\n',d1,d2,d3,d4)
imshow(imageArray);
drawnow;
end

save('input.mat')

53
Lampiran 3. Source Code MLP
clc;
clear all;
a = load('input');
b = a.input;
INPUT = b;
INPUT = INPUT';
c = load('target');
d = c.target;
OUTPUT = d;
OUTPUT = OUTPUT';
error_max=1e-8;
net=newff(minmax(INPUT), [30 30 3],
{'tansig','tansig','tansig'},'trainlm')
% trainlm,traingd,traingda,traingdm, traingdx
net.trainParam.epochs =1000;
net.trainParam.goal = error_max;
net.trainParam.max_fail = 5000;

netWr = train(net, INPUT, OUTPUT);

Wr= sim(netWr,INPUT);
prediksi = Wr';
hasil = [OUTPUT' prediksi]

save bobot

clc
load bobot %load file .mat
tes = INPUT(:,:);
y=OUTPUT';
yp=(sim(netWr,tes))';
hasil = [y yp]

54