Post on 28-Mar-2019
EKSTRAKSI CIRI MORFOLOGI (PANJANG DAN LEBAR
FISIOLOGIS) DAN TEKSTUR UNTUK TEMU KEMBALI CITRA
HELAI DAUN
FEBRIE SUBHAN
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2011
EKSTRAKSI CIRI MORFOLOGI (PANJANG DAN LEBAR
FISIOLOGIS) DAN TEKSTUR UNTUK TEMU KEMBALI CITRA
HELAI DAUN
FEBRIE SUBHAN
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2011
ABSTRACT
FEBRIE SUBHAN. Morphology (Physiological Length and Width) and Texture Features Extraction
for Leaf Sheet Image Retrieval. Under the supervision of SONY HARTONO WIJAYA.
In recent time, the ability to identify and classify leaves becomes a great need for taxonomist to
know the diversity of plants (Hickey et al 1999). Identification can be done by identifying features of
morphology and texture of the leaves or also with a combination of both. Annisa (2009) implemented
the feature extraction approach to obtain the basic characteristic morphological image derived from
the leaf blade and the co-occurrence matrix for texture feature extraction. Morphological features that
obtained were diameter, leaf area, leaf perimeter, smoothing factor, form factor and perimeter ratio of
diameter. Texture features were obtained energy, inverse difference moment, entropy, maximum
probability, contrast, correlation, and homogeneity. This study used morphological features approach
to obtain morphological features and co-occurrence matrix for texture features. Therefore, the
evaluation of image retrieval was done by using more complete morphological features with
additional morphological features of physiological length and physiological width. Both
morphological features are very useful to help identify the characteristics of a leaf blade. This research
approach has been successfully implemented morphological features. Value of image retrieval
evaluation leaves increased with the addition of two morphological characters. In this research, with
additional morphological features and physiological length and physiological width resulted in
morphological traits 0.2083, the texture feature values 0.1864 and character of Bayesian Network
0.2055. So that the average value of precision increased by 0.0137 for morphological features and by
0.0069 for combined value of morphological and textural characteristics (Bayesian Network).
Keyword: Content Based Image Retrieval (CBIR), Feature Extraction, Morphological Features
Extraction, Bayesian Network.
Judul : Ekstraksi Ciri Morfologi (Panjang dan Lebar Fisiologis) dan Tekstur untuk Temu Kembali
Citra Helai Daun
Nama : Febrie Subhan
NIM : G64061254
Menyetujui:
Pembimbing,
Sony Hartono Wijaya, M.Kom
NIP. 19810809 200812 1 002
Mengetahui:
Ketua Departemen,
Dr. Ir. Sri Nurdiati, M.Sc
NIP. 19601126 198601 2 001
Tanggal Lulus:
PRAKATA
Alhamdulillahi Rabbil ‘alamin, puji dan syukur penulis panjatkan kepada Allah SWT limpahan
rahmat dan hidayahnya sehingga skripsi penulis dengan judul Ekstraksi Ciri Morfologi dan Tekstur
untuk Temu Kembali Citra Helai Daun dapat diselesaikan. Penelitian ini dilaksanakan mulai Januari
2010 sampai dengan Agustus 2010, bertempat di Asrama TPB Institut Pertanian Bogor.
Selama pelaksanaan skripsi ini, penulis banyak mendapatkan bantuan dari berbagai pihak. Oleh
karena itu, dengan segala kerendahan hati, penulis menyampaikan rasa terima kasih kepada:
1 Kedua orang tua penulis, Bapak Endang Suardi dan Ibu Sri Sukmawati yang selama ini telah
banyak memberikan perhatian dan kasih sayangnya kepada penulis.
2 Bapak Sony Hartono Wijaya, M. Kom selaku pembimbing yang telah memberikan bimbingan
dan arahan bagi penulis selama penulis menjadi mahasiswa. Maaf atas segala kesalahan yang
telah banyak penulis lakukan dan terima kasih atas segala saran yang telah diberikan.
3 Dr. Ir. Bonny P. W. Soekarno, M.Sc, Dr. Irmansyah M.Si, Drs. Hamzah, M.Si dan Muhammad
Kahfi yang telah banyak memberikan arahan serta bimbingannya kepada penulis.
4 Rekan-rekan Senior Resident: Diki, Andi, Dimas, Rizal, Jenal, Erri, Ka Wahyu, Heru, Catur,
Majid, Anto, Habib, Nurhidayat, Iral, Bayu, serta teman-teman Senior Resident asrama putri.
5 Tim Pembinaan Rohani, The Letter 46 dan BBQ yang telah banyak berkontribusi mengeluarkan
tenaga dan fikirannya.
6 Teman-teman satu perjuangan, Wahyu, Sandy, Balad, Iyank, Rahmat, Randi, Kamal, Hanif,
Randi, Syaiful, Weli, Ka Viki, Ka Yuda, Henri, dan Angga.
7 Teman-teman satu bimbingan Yoga, Gunawan, Kanta dan Ridwan.
8 Teman-teman Ilmu Komputer 43 lainnya, yang telah banyak membantu dan memberikan
semangat serta kenangan yang tak terlupakan.
Penulis menyadari dengan sepenuhnya bahwa masih banyak terdapat kekurangan dalam penulisan
skripsi ini. Semoga skripsi ini dapat berguna bagi siapa pun yang membacanya.
Bogor, Februari 2011
Febrie Subhan
RIWAYAT HIDUP
Penulis dilahirkan di Jakarta pada tanggal 10 Februari 1988 sebagai anak kedua dari empat
bersaudara dari pasangan Bapak Endang Suardi dan Ibu Sri Sukmawati. Penulis menyelesaikan
pendidikan menegah atas di SMAN 46 Jakarta pada tahun 2006.
Penulis diterima di Institut Pertanian Bogor melalui jalur SPMB. Penulis aktif sebagai Senior
Resident 2008-2010. Pada tahun 2009 penulis melaksanakan Praktik Kerja Lapangan di Asrama TPB
Institut Pertanian Bogor, Dramaga. Pada tahun yang sama penulis menjadi salah satu finalis Data
Mining Contest GEMASTIK 2009 di IT TELKOM, Bandung. Kemudian pada tahun 2009-2010
penulis aktif sebagai asisten mata kuliah Algoritme dan Pemrograman.
iv
DAFTAR ISI
Halaman
DAFTAR TABEL .............................................................................................................................. v
DAFTAR GAMBAR .......................................................................................................................... v
DAFTAR LAMPIRAN....................................................................................................................... v
PENDAHULUAN .................................................................................................................................. 1
Latar Belakang ................................................................................................................................ 1
Tujuan Penelitian ............................................................................................................................ 1
Ruang Lingkup ............................................................................................................................... 1
TINJAUAN PUSTAKA ......................................................................................................................... 1
Content Based Image Retrieval (CBIR) ......................................................................................... 1
Ekstraksi Ciri .................................................................................................................................. 1
Ekstraksi Ciri Morfologi ................................................................................................................. 2
Co-occurrence Matrix ..................................................................................................................... 4
Evaluasi Hasil Temu Kembali Informasi ........................................................................................ 4
Recall dan Precision ....................................................................................................................... 4
Uji Levene dan Uji-t ....................................................................................................................... 5
METODE PENELITIAN ....................................................................................................................... 5
Praproses......................................................................................................................................... 5
Ekstraksi Ciri .................................................................................................................................. 5
Pengukuran Kemiripan ................................................................................................................... 5
Evaluasi Hasil Temu Kembali Citra ............................................................................................... 6
HASIL DAN PEMBAHASAN .............................................................................................................. 6
Data . .............................................................................................................................................. 6
Praproses......................................................................................................................................... 6
Hasil Ekstraksi Ciri ......................................................................................................................... 6
Hasil Ekstrasi Ciri Morfologi ......................................................................................................... 6
Hasil Ekstraksi Ciri Tekstur............................................................................................................ 7
Hasil Temu Kembali ....................................................................................................................... 7
Evaluasi Temu Kembali ................................................................................................................. 9
Hasil Uji Statistika .........................................................................................................................13
KESIMPULAN DAN SARAN ............................................................................................................ 13
Kesimpulan ....................................................................................................................................13
Saran .............................................................................................................................................13
DAFTAR PUSTAKA ........................................................................................................................... 14
LAMPIRAN ......................................................................................................................................... 15
v
DAFTAR TABEL
Halaman
1 Perbandingan nilai recall precision dan MAP pada kelas alpukat .......................................... 10
2 Perbandingan nilai recall precision pada kelas jamblang ....................................................... 10
3 Perbandingan nilai recall precision pada kelas jambu biji ..................................................... 11
4 Perbandingan nilai recall precision pada kelas manggis ........................................................ 11
5 Nilai perubahan ciri morfologi dengan adanya tambahan physiological length
dan physiological width ............................................................................................... 12
6 Perbandingan nilai precision rata-rata (MAP) dengan adanya tambahan
Physiological length dan physiological width ........................................................................ 12
DAFTAR GAMBAR
Halaman
1 Diagram CBIR .......................................................................................................................... 1
2 Diameter helai daun ................................................................................................................... 2
3 Hubungan antara physiological length dan physiological width ............................................... 2
4 Leaf area .................................................................................................................................... 2
5 Leaf perimeter ........................................................................................................................... 3
6 Aspect ratio ................................................................................................................................ 3
7 Representasi co-occurrence matrix .......................................................................................... 4
8 Metodologi penelitian ............................................................................................................... 5
9 Gambar praproses citra .............................................................................................................. 6
10 Ilustrasi teknik untuk mencari physiological length dan physiological width .......................... 7
11 Hasil ekstraksi ciri morfologi dan tekstur ................................................................................. 8
12 Hasil temu kembali menggunakan penciri morfologi tanpa Lp dan Wp. .................................. 8
13 Hasil temu kembali menggunakan penciri morfologi dengan tambahan Lp dan Wp .............. 9
14 Grafik perbandingan recall precision menggunakan ciri morfologi,
tekstur dan model Bayesian Network...................................................................................... 13
DAFTAR LAMPIRAN
Halaman
1 Contoh citra yang digunakan untuk masing-masing kelas ....................................................... 16
2 Gambar hasil temu kembali informasi ..................................................................................... 18
3 Perbandingan nilai precision pada masing-masing kelas ........................................................ 20
4 Uji statistika ….. ...................................................................................................................... 23
1
PENDAHULUAN
Latar Belakang
Saat ini kemampuan untuk dapat
mengidentifikasi dan mengklasifikasi daun
menjadi kebutuhan yang besar bagi taksonomis
dalam mengetahui keanekaragaman tanaman
(Hickey et al 1999). Identifikasi dapat
dilakukan dengan mengenali ciri morfologi dan
tekstur dari daun atau juga dengan gabungan
keduanya.
Content Based Image Retrieval (CBIR)
dikembangkan untuk menemukembalikan citra
berdasarkan pada informasi citra yang terdiri
atas warna, bentuk dan tekstur. CBIR terdiri
atas beberapa proses utama antara lain
praproses, ekstraksi ciri, pengindeksan, dan
penemuan kembali citra.
Wu et al (2007) melakukan ekstraksi ciri
morfologi pada citra helai daun. Tahap awal
adalah mendapatkan lima ciri dasar dari citra
helai daun, kemudian kombinasi dari kelima ciri
tersebut menghasilkan dua belas ciri turunan.
Pebuardi (2008) menggunakan Bayesian
Network dalam pengukuran kemiripan citra
dengan menggabungkan informasi warna,
bentuk, dan tekstur dari suatu citra. Kemudian
Annisa (2009) mengimplementasikan
pendekatan ekstraksi ciri morfologi untuk
mendapatkan ciri dasar yaitu diameter, leaf area
dan leaf perimeter. Setelah itu diperoleh ciri
turunan berupa smooth factor, form factor, dan
perimeter ratio of diameter. Untuk ciri tekstur
diperoleh energy, inverse difference moment,
entropy, maximum probability, contrast,
correlation, dan homogeneity.
Secara fisik, bentuk daun dapat dibedakan
dengan melihat ciri morfologi yang ada pada
setiap helai daun. Penelitian ini dilakukan untuk
melengkapi ciri morfologi daun yang
sebelumnya dilakukan oleh Annisa (2009).
Oleh karena itu, berdasarkan penelitian
sebelumnya diharapkan dengan tambahan
physiological length dan physiological width
akan didapatkan hasil yang baik untuk temu
kembali citra helai daun.
Tujuan Penelitian
Tujuan dari penelitian ini adalah
mengevaluasi hasil temu kembali citra dengan
menggunakan penciri morfologi (physiological
length dan physiological width), tekstur, dan
gabungan keduanya dengan model Bayesian
Network untuk temu kembali citra helai daun.
Ruang Lingkup
Data diperoleh dari hasil penelitian Annisa
(2009) yang diambil dengan menggunakan
kamera digital. Objek adalah citra helai daun
tunggal yang berasal dari sebelas pohon buah
yang ada di sekitar kampus IPB Darmaga, yaitu
daun alpukat, bisbul, cokelat, durian, jamblang,
jambu biji, jambu bol, kepel, manggis, menteng,
dan nangka. Penelitian ini difokuskan pada
tahap ekstraksi ciri morfologi dasar yaitu
physiological length dan physiological width
beserta dengan turunannya yaitu, aspect ratio,
rectangularity, narrow factor, dan perimeter
ratio of physiological length and physiological
width.
TINJAUAN PUSTAKA
Content Based Image Retrieval (CBIR)
Content Based Image Retrieval (CBIR)
merupakan suatu pendekatan untuk masalah
temu kembali citra yang didasarkan pada
informasi yang terkandung di dalam citra itu
sendiri seperti warna, bentuk, dan tekstur dari
citra (Rodrigues & Araujo 2004). CBIR terdiri
atas beberapa tahap yaitu praproses, ekstraksi
ciri, pengindeksan dan penemuan kembali citra.
Gambar 1 menunjukkan diagram CBIR.
Gambar 1 Diagram CBIR.
Ekstraksi Ciri
Ekstraksi ciri adalah proses mengambil ciri-
ciri yang terdapat pada citra. Pada proses ini
objek di dalam citra mungkin perlu dideteksi
seluruh tepinya, lalu dihitung properti-properti
objek yang berkaitan sebagai ciri. Beberapa
proses ekstraksi ciri mungkin perlu mengubah
citra masukan sebagai citra biner, melakukan
penipisan pola dan sebagainya.
Praproses
Ekstraksi
Fitur
Pengindeksan
Indeks Basis
Data
Praproses
Ekstraksi
Fitur
Pencarian
Indeks
Pengukuran
Kemiripan
Sorted by
Citra Kueri Citra Basis Data
Pen
gin
dek
san (o
ff-line)
Pen
emu
an K
emb
ali
Cit
ra (
on
-lin
e)
2
Ekstraksi ciri diklasifikasikan ke dalam tiga
tingkat yaitu low-level, middle-level dan high-
level. Low-level feature merupakan ekstraksi
ciri berdasarkan isi visual seperti warna dan
tekstur, middle-level feature merupakan
ekstraksi tiap objek dalam citra dan mencari
hubungannya, sedangkan high-level feature
merupakan ekstraksi ciri berdasarkan informasi
semantik yang terkandung dalam citra
(Osadebey 2006).
Ekstraksi ciri morfologi merupakan salah
satu bagian dari CBIR untuk informasi
morfologi pada citra. Proses ini bisa dilakukan
dengan pendekatan ekstraksi ciri dasar dan
turunan dari morfologi citra helai daun.
Menurut Vailaya (1996), empat pendekatan
yang digunakan dalam menganalisis tekstur
adalah analisis statistik, geometrik, berbasis
model dan pemrosesan sinyal. Pendekatan
secara statistik dilakukan dengan mengukur
karakteristik tekstur seperti kehalusan dan
keteraturan. Pendekatan secara geometrik
adalah mengorganisasikan komponen citra
primitif (titik, garis, lingkaran) untuk
mendapatkan adanya kemungkinan hubungan
struktural. Sementara, pendekatan berbasis
model mengasumsikan model citra dasar untuk
mendeskripsikan dan menyintesis tekstur.
Pendekatan pemrosesan sinyal menggunakan
analisis frekuensi dari citra untuk
menggolongkan tekstur.
Salah satu bagian dari CBIR untuk
mendapatkan informasi tekstur pada citra
adalah ekstraksi ciri tekstur. Proses ini bisa
dilakukan dengan pendekatan secara statistik
yaitu co-occurrence matrix.
Ekstraksi Ciri Morfologi
Wu et al (2007) telah mendeskripsikan ciri
morfologi daun yang dapat diekstrak dari citra
helai daun. Ciri tersebut dibedakan menjadi dua,
yaitu ciri dasar dan ciri turunan.
Ciri dasar citra helai daun ada lima, yaitu:
1 Diameter ( D ), yang didefinisikan sebagai
jarak terpanjang antara dua titik pada tepi daun.
Panjang diameter bisa sama atau berbeda
dengan panjang tulang daun primer
(physiological length). Ilustrasinya dapat dilihat
pada Gambar 2.
Gambar 2 Diameter helai daun.
2 Physiological length (Lp) adalah jarak antara
ujung dan pangkal daun (panjang tulang daun
primer).
3 Physiological width (Wp) adalah jarak
terpanjang dari garis yang memotong tegak
lurus physiological length yang dibatasi tepi
daun. Hubungan keduanya dapat dilihat pada
Gambar 3.
Gambar 3 Hubungan antara physiological
length dan physiological width.
4 Leaf area ( A ) adalah perhitungan jumlah
piksel dari daerah yang dilingkupi tepi daun
pada citra yang telah dihaluskan. Ilustrasinya
dapat dilihat pada Gambar 4.
Gambar 4 Leaf area.
5 Leaf perimeter ( P ) adalah perhitungan
jumlah piksel yang terdapat pada tepi daun
(keliling). Ilustrasinya dapat dilihat pada
Gambar 5.
3
Gambar 5 Leaf perimeter.
Ciri turunan daun ada dua belas, yaitu:
1 Smooth factor adalah rasio antara area citra
helai daun yang dihaluskan dengan 5x5
rectangular averaging filter dan area citra helai
daun yang dihaluskan dengan 2x2 rectangular
averaging filter. Ciri ini untuk mengukur
keteraturan tepi daun. Semakin teratur tepi
daun, nilainya semakin mendekati 1.
Sebaliknya, semakin tidak teratur tepi daun,
nilainya semakin mendekati 0.
2 Aspect ratio adalah rasio antara
physiological length dan physiological width.
Persamaannya dapat dilihat pada Persamaan 1.
pW
pL (1)
Ciri ini untuk memperkirakan bentuk helai
daun. Jika bernilai kurang dari 1 maka bentuk
helai daun tersebut melebar. Jika bernilai lebih
dari 1 maka bentuk helai daun tersebut
memanjang. Ilustrasinya dapat dilihat pada
Gambar 6.
Gambar 6 Aspect ratio.
3 Form factor, digunakan untuk
mendeskripsikan perbedaan antara daun dan
lingkaran Ciri ini untuk mengukur seberapa
bundar bentuk helai daun tersebut. Nilai form
factor dapat dilihat pada Persamaan 2.
2
4
P
A (2)
4 Rectangularity, mendeskripsikan kemiripan
antara daun dan empat persegi panjang.
Rumusnya diberikan pada Persamaan 3.
A
pWpL (3)
5 Narrow factor adalah rasio antara diameter
dan physiological length. Ciri ini untuk
menentukan apakah bentuk helai daun tersebut
tergolong simetri atau asimetri. Jika helai daun
tersebut tergolong simetri maka bernilai 1, jika
asimetri maka bernilai lebih dari 1. Nilainya
dapat dicari menggunakan Persamaan 4.
pL
D (4)
6 Perimeter ratio of diameter. Ciri ini untuk
mengukur seberapa lonjong daun tersebut.
Persamaannya dapat dilihat pada Persamaan 5.
D
P (5)
7 Perimeter ratio of physiological length and
physiological width. Rumusnya diberikan pada
Persamaan 6.
)( pWpL
P
(6)
8 Vein features. Persamaannya dapat dilihat
pada Persamaan 7, 8,9,10, dan 11.
a. Rasio antara area helai daun yang telah
dikurangi dengan radius satu piksel dan area
daun awal.
A
Av1 (7)
b. Rasio antara area helai daun yang telah
dikurangi dengan radius dua piksel dan area
daun awal.
A
Av2 (8)
c. Rasio antara area helai daun yang telah
dikurangi dengan radius tiga piksel dan area
daun awal.
A
Av3 (9)
d. Rasio antara area helai daun yang telah
dikurangi dengan radius empat piksel dan
area daun awal.
A
Av4 (10)
4
e. Rasio antara area helai daun yang telah
dikurangi dengan radius empat piksel dan area
helai daun yang telah dikurangi dengan radius
satu piksel.
1
4
v
v
A
A (11)
Co-occurrence Matrix
Menurut Osadebey (2006), co-occurrence
matrix menggunakan matriks derajat keabuan
adalah untuk mengambil contoh secara statistik
bagaimana suatu derajat keabuan tertentu terjadi
dalam hubungannya dengan derajat keabuan
yang lain. Matriks derajat keabuan adalah suatu
matriks yang elemen-elemennya mengukur
frekuensi relatif kejadian bersama dari
kombinasi level keabuan antar pasangan piksel
dengan hubungan spasial tertentu.
Misal diketahui sebuah citra Q(i,j), p(i,j)
merupakan posisi dari operator, dan A adalah
sebuah matriks NxN. Elemen A(i,j) menyatakan
jumlah titik tersebut terjadi dengan grey level
(intensitas) g(i) terjadi, pada posisi tertentu
menggunakan operator p, relatif terhadap titik
dengan intensitas g(j). Matriks A merupakan
co-occurrence matrix yang didefinisikan oleh
p. Operator p didefinisikan dengan sebuah
sudut θ dan jarak d. Berdasarkan matriks A
dapat dihitung nilai-nilai ciri tekstur.
Ilustrasinya dapat dilihat pada Gambar 7.
Gambar 7 Representasi co-occurrence matrix.
Berikut adalah beberapa formula yang
digunakan dalam penghitungan ciri tekstur.
a. Energy, mengukur tingkat keseragaman
tekstur. Energi mencapai nilai tertinggi saat
persebaran level keabuan konstan atau
bersifat periodik. Rumusnya diberikan
pada Persamaan 12.
ji jiPE ,2),(
1 (12)
b. Inverse Difference Moment mencapai nilai
tertinggi saat banyak kejadian bersama
dalam matriks terkonsentrasi dekat
diagonal utama. Formulanya dapat dilihat
pada Persamaan 13.
jiji
jiPIDM ,
),( (13)
c. Entropy, mengukur tingkat keacakan
piksel. Entropi mencapai nilai tertinggi jika
semua elemen dalam matriks P sama. Nilai
entropy dapat dicari menggunakan
Persamaan 14.
ji jiPjiPE , ),(log),(2
(14)
d. Maximum probability, menyatakan nilai
frekuensi kemunculan bersama terbesar.
Semakin tinggi nilainya, semakin teratur
teksturnya. Rumusnya diberikan pada
Persamaan 15.
)(maxij
PMP (15)
e. Contrast, menyatakan jumlah variasi lokal
yang terdapat dalam sebuah citra. Atau
dengan kata lain menyatakan tingkat
kekontrasan citra. Formulanya dapat dilihat
pada Persamaan 16.
ji jiPjiC , ),(2
1 (16)
f. Correlation, menyatakan hubungan
ketetanggaan antarpiksel. Rumus yang
digunakan dapat dilihat pada Persamaan
17.
jiji
jiPj
ji
C ,
),())(1(
2
(17)
g. Homogeneity, menyatakan tingkat
kehomogenan piksel. Nilainya dapat dicari
menggunakan Persamaan 18.
jiji
jiPH ,
1
),( (18)
Evaluasi Hasil Temu Kembali Informasi
Tahap evaluasi temu kembali citra
dilakukan untuk menilai tingkat keberhasilan
dalam proses temu kembali citra terhadap
sejumlah koleksi pengujian. Pada tahap evaluasi
dilakukan penilaian kinerja sistem dengan
melakukan pengukuran recall dan precision
dari proses temu kembali berdasarkan penilaian
relevansinya.
Recall dan Precision
Recall dan precision merupakan parameter
yang digunakan untuk mengukur keefektifan
dari hasil temu kembali. Recall menyatakan
proporsi yang ditemukembalikan terhadap
5
seluruh materi relevan pada basis data (korpus).
Precision menyatakan proporsi materi relevan
yang ditemukembalikan (Baeza-Yates dan
Ribeiro- Neto 1999).
Recall dan precision diformulasikan sebagai
berikut:
recall
(19)
precision
(20)
dengan Ra adalah citra relevan yang
ditemukembalikan. R adalah jumlah citra
relevan yang ada pada basis data. A adalah
jumlah seluruh citra yang ditemu kembalikan.
Rataan precision merupakan suatu ukuran
evaluasi yang diperoleh dengan menghitung
rata-rata tingkat precision pada berbagai tingkat
recall (Baeza-Yates dan Ribeiro-Neto 1999).
Uji Levene dan Uji-t
Uji Levene adalah salah satu teknik dari uji
statistika yang digunakan untuk menentukan
apakah ada hubungan yang terjadi pada suatu
data dengan melihat nilai ragamnya (Imam
2001). Tahapan yang dilakukan yaitu:
1. Diuji apakah ragam kedua data sama atau
tidak.
2. Lalu dengan uji–t, diambil suatu keputusan.
METODE PENELITIAN
Penelitian ini akan dikerjakan dalam
beberapa tahap, yaitu praproses, ekstraksi ciri,
pengindeksan dan penemuan citra kembali.
Tahapan secara lengkapnya dapat dilihat pada
Gambar 8.
Praproses
Tahap awal praproses yaitu mengubah citra
RGB menjadi citra grayscale. Untuk ekstraksi
ciri morfologi, citra grayscale dikonversi lagi
menjadi citra biner. Kemudian noise citra
dihilangkan.
Ekstraksi Ciri
Ekstraksi ciri dapat diklasifikasikan menjadi
dua bagian yaitu ciri morfologi dan ciri tekstur.
a. Ciri Morfologi
Tahap selanjutnya ialah mencari ciri
morfologi dasar yaitu Lp dan Wp, nilai Lp
dihitung dengan menggunakan metode
euclidean distance, sedangkan untuk
mendapatkan nilai Wp ialah dengan mencari
garis terpanjang yang tegak lurus dengan Lp.
Kemudian nilai Lp dan Wp digabung dengan
ciri morfologi dasar dari hasil penelitian Annisa
(2009) yaitu diameter, leaf area dan leaf
perimeter. Pada akhirnya didapatkan ciri
turunan citra helai daun yaitu aspect ratio,
rectangularity, narrow factor, dan perimeter
ratio of physiological length and physiological
width.
Gambar 8 Metode penelitian.
b. Ciri Tekstur
Langkah awal yang dilakukan untuk
mendapatkan informasi tekstur dari sebuah
matriks adalah menentukan co-occurrence
matrix yang dihitung dalam empat arah 0o, 45
o
90 o
, dan 135 o
. Jadi, setiap citra akan dihasilkan
empat co-occurrence matrix. Setelah itu, nilai
energy, moment, entropy, maximum probability,
contrast, correlation, dan homogenity dihitung
untuk setiap co-occurrence matrix, sehingga
setiap fitur akan diperoleh empat nilai masing
masing untuk arah 0 o, 45
o, 90
o, dan 135
o. Nilai
dari setiap fitur diperoleh dengan menghitung
rata-rata keempat nilai fitur yang bersangkutan.
Informasi tersebut kemudian direpresentasikan
dengan sebuah vektor yang memilki tujuh
elemen dan nilai akhir dari informasi tekstur
diperoleh dengan melakukan normalisasi
terhadap vektor masing-masing citra.
Pengukuran Kemiripan
Pengukuran kemiripan antara citra kueri dan
citra yang ada dalam basis data dilakukan
Praproses
Ekstraksi ciri
Indeks citra
basis data
Praproses
Basis data citra Citra kueri
Penemuan
kembali citra Pengindeksan
Pengukuran
kemiripan
Hasil temu
kembali
Evaluasi hasil
temu kembali
Ekstraksi ciri
6
dengan menggunakan model Bayesian Network.
Nilai kemiripan dapat dihitung dengan
Persamaan 21.
P(Ij|Q)=n[1-(1-P(CSj|CS))…
…x(1-P(CTj|CT))] (21)
dengan n adalah jumlah citra pada basis data,
P(CSj|CS) merupakan kemiripan vektor antara
citra kueri dan citra basis data pada penciri
morfologi. P(CTj|CT) merupakan kemiripan
antara citra kueri dan citra basis data pada
penciri tekstur. P(CSj|CS) dihitung P(CTj|CS)
dengan menggunakan cosine similarity.
Evaluasi Hasil Temu Kembali Citra
Hasil temu kembali citra dapat diperoleh
dengan cara mengukur tingkat kemiripan antara
citra kueri dan citra basis data. Citra yang
memiliki tingkat kemiripan yang tinggi dengan
citra kueri adalah citra yang ditemukembalikan.
Setelah mendapatkan hasil citra yang
ditemukembalikan selanjutnya ialah melakukan
evaluasi. Evaluasi ini dilakukan untuk
mengukur tingkat keberhasilan dalam proses
temu kembali citra. Pengujian yang dilakukan
ialah dengan menghitung nilai recall dan
precision dari proses temu kembali citra
berdasarkan penilaian relevansinya dan uji
statistika untuk mengetahui apakah ada
perbedaan secara signifikan nilai
recallprecision yang diperoleh tanpa
menggunakan ciri morfologi Lp dan Wp dengan
nilai recallprecision yang diperoleh dengan
menambahkan ciri Lp dan Wp secara manual
dan automatis.
Perangkat Keras dan Perangkat Lunak
Perangkat keras yang digunakan dalam
penelitian ini adalah komputer dengan prosesor
Intel(R) Pentium(R) Dual CPU T2930 @ 1.86
GHz, RAM 1.5 GB dan harddisk 80 GB.
Perangkat lunak …… adalah sistem operasi
Windows 7 ultimate, Matlab R2008b dan IBM
SPSS Statistics 19.
HASIL DAN PEMBAHASAN
Data
Data yang digunakan ialah citra daun yang
terdiri atas sebelas kelas daun yaitu alpukat,
bisbul, cokelat, durian, jamblang, jambu biji,
jambu bol, kepel, manggis, menteng, dan
nangka. Citra tersebut disimpan dalam bentuk
format JPG, dengan ukuran 150x250 piksel.
Jumlah citra dari setiap kelas daun ada 100,
sehingga total citra ada 1100 buah. Contoh citra
helai daun yang digunakan dapat dilihat pada
Lampiran 1.
Praproses
Citra helai daun yang berukuran 150x250
piksel dengan tipe RGB diubah menjadi citra
bertipe grayscale dengan menggunakan fungsi
RGB2GRAY. Kemudian untuk mendapatkan
ekstraksi morfologi, citra grayscale diubah ke
dalam bentuk citra biner dengan menggunakan
fungsi IM2BW. Kemudian, citra biner
dibersihkan dengan 3x3 rectangular averaging
filter. Hasil dari praproses dapat dilihat pada
Gambar 9.
Gambar 9 (a) Citra RGB,
(b) Citra grayscale,
(c) Citra biner,
(d) Citra setelah noise dihilangkan.
Hasil Ekstraksi Ciri
Pada proses ekstraksi ciri ada dua proses
yang dilakukan yaitu ekstrasi ciri morfologi dan
ciri tekstur.
Hasil Ekstrasi Ciri Morfologi
Ekstraksi ciri morfologi dilakukan untuk
mendapatkan nilai Lp dan Wp. Proses untuk
mendapatkan nilai Lp dilakukan dengan cara
mencari nilai dua ujung titik, yaitu ujung
pangkal bagian atas daun dan ujung pangkal
bawah daun (tulang daun primer). Setelah itu
jarak kedua titik tersebut diukur dengan
menggunakan metode euclidean distance.
Untuk mendapatkan nilai Wp dilakukan dengan
mengukur kemiringan (sudut) ujung pangkal
daun bagian atas dan ujung pangkal bagian
bawah, sehingga didapat nilai (β). Kemudian
citra helai daun dirotasi dengan sudut sebesar
(β). Setelah itu nilai Wp didapat dengan
mencari nilai terbesar dari garis terpanjang yang
tegak lurus dengan Lp. Ilustrasi teknik untuk
a b
d c
7
mendapatkan Lp dan Wp dapat dilihat pada
Gambar 10.
Gambar 10 Ilustrasi untuk mencari Lp dan Wp.
Hasil dari ektrasi ciri morfologi adalah
matriks yang berukuran 12x1100. Setiap citra
direpresentasikan vektor yang terdiri atas12
elemen yaitu, diameter, leaf area, leaf
perimeter, smooth factor, form factor, perimeter
of ratio, physiological length, physiological
width, aspect ratio, rectangularity, narrow
factor, dan perimeter of physiological length
and physiological width. Kemudian 1100 adalah
jumlah citra yang ada pada basis data.
Hasil Ekstraksi Ciri Tekstur
Hasil dari ekstraksi ciri tekstur
direpresentasikan dalam bentuk matriks yang
berukuran 7x1100, dengan elemen yang terdiri
atas contrast, correlation, energy, homogeneity,
maximum probability, moment, entrophy. Hasil
dari ekstraksi ciri morfologi dan tekstur dapat
dilihat pada Gambar 11.
Hasil Temu Kembali
Citra yang ditemukembalikan ialah citra
yang memiliki kesamaan paling dekat dengan
citra kueri, baik ciri morfologi, tekstur dan
gabungan kedua ciri tersebut. Hasil temu
kembali dengan ciri morfologi, ciri tekstur dan
gabungan keduanya dapat dilihat di Lampiran 2.
Adanya tambahan ciri morfologi berupa
physiological length dan physiological width
meningkatkan nilai hasil temu kembali. Sebagai
contoh pada Gambar 12 (Annisa 2009), didapat
hasil temu kembali yang relevan berjumlah 12,
dan yang tidak relevan 25 Dengan tambahan
ciri morfologi physiological length dan
physiological width dapat dilihat pada Gambar
13 bahwa hasil temu kembali yang relevan
meningkat menjadi 18 dan yang tidak relevan
19. Perbedaan hasil temu kembali untuk ciri
morfologi dapat dilihat pada Gambar 12 dan 13
8
Gambar 11 Hasil ekstraksi ciri morfologi dan tekstur.
Gambar 12 Hasil temu kembali menggunakan penciri model ciri morfologi tanpa Lp dan Wp.
9
Gambar 13 Hasil temu kembali menggunakan penciri model ciri morfologi dengan tambahan Lp dan
Wp.
Evaluasi Temu Kembali
Evaluasi temu kembali citra dilakukan
dengan cara menghitung nilai recall precision.
Nilai tersebut dihitung dengan menjadikan citra
pada masing-masing kelas sebagai citra kueri.
Tabel 1 memberikan gambaran perubahan
nilai precision rata-rata (MAP) pada penciri
morfologi, tekstur dan Bayesian Network untuk
kelas alpukat. Perubahan nilai MAP pada
penciri morfologi mengalami peningkatan, hal
tersebut diperoleh dari nilai awal MAP sebesar
0.1606 menjadi 0.2134. Kemudian untuk
penciri tekstur tidak ada perubahan nilai MAP,
Pada penciri Bayesian Network diperoleh nilai
awal MAP sebesar 0.1939 menjadi 0.2362.
Secara umum terlihat bahwa pada kelas alpukat
terjadi peningkatan nilai MAP dengan adanya
tambahan Lp dan Wp.
Selain itu Tabel 1 juga memberikan
gambaran perbedaan antara nilai MAP yang
diperoleh dengan metode automatis dan metode
manual. Pada metode automatis nilai Lp
diperoleh dengan menggunakan program
komputer. Pada metode manual nilai Lp
diperoleh dengan asumsi titik ujung pangkal
daun sudah ditentukan diawal. Nilai MAP yang
diperoleh dengan metode automatis adalah
0.2228 untuk penciri morfologi dan 0.2415
untuk Bayesian Network. Nilai MAP dengan
metode manual adalah 0.2134 untuk penciri
morfologi dan 0.2363 untuk Bayesian Network.
Tabel 2 memberikan gambaran perubahan
precision rata-rata (MAP) pada kelas jamblang
seperti halnya Tabel 1. Perubahan nilai MAP
pada penciri morfologi mengalami penurunan,
hal tersebut dapat dilihat dari nilai awal MAP
sebesar 0.4606 menjadi 0.4586. Kemudian
untuk penciri tekstur tidak ada perubahan,
sedangkan untuk penciri Bayesian Network
diperoleh nilai awal MAP 0.4667 menjadi
0.4637. Untuk kelas jamblang, secara umum
mengalami penurunan nilai MAP.
Selain itu Tabel 2 memberikan gambaran
perbedaan antara nilai MAP yang diperoleh dari
metode automatis dan metode manual. Nilai
MAP yang diperoleh dengan metode automatis
adalah 0.4554 untuk penciri morfologi dan
0.4632 untuk Bayesian Network, sedangkan
pada metode manual nilai MAP yang diperoleh
adalah 0.4586 untuk penciri morfologi dan
0.4637 untuk Bayesian Network.
10
Tabel 1 Perbandingan nilai recallprecision dan MAP untuk kelas alpukat
Recall Tanpa Lp dan Wp
Tambahan Lp dan Wp
Automatis Manual
Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian
0.0 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
0.1 0.1981 0.2593 0.2293 0.2435 0.2593 0.2699 0.2376 0.2593 0.2608
0.2 0.1709 0.2112 0.1919 0.1810 0.2112 0.2003 0.1757 0.2112 0.1975
0.3 0.1441 0.1725 0.1625 0.1531 0.1725 0.1679 0.1530 0.1725 0.1690
0.4 0.1272 0.1466 0.1396 0.1380 0.1466 0.1462 0.1382 0.1466 0.1476
0.5 0.1099 0.1157 0.1129 0.1178 0.1157 0.1186 0.1174 0.1157 0.1187
0.6 0.0987 0.0949 0.0957 0.1021 0.0949 0.0971 0.1012 0.0949 0.0969
0.7 0.0993 0.0961 0.0972 0.1028 0.0961 0.0995 0.1017 0.0961 0.0992
0.8 0.1046 0.0994 0.1017 0.1064 0.0994 0.1025 0.1056 0.0994 0.1021
0.9 0.1046 0.0988 0.1022 0.1052 0.0988 0.1024 0.1048 0.0988 0.1022
1.0 0.1020 0.0960 0.1002 0.1035 0.0960 0.1007 0.1034 0.0960 0.1006
MAP 0.1606 0.2134 0.1939 0.2134 0.2134 0.2362 0.2228 0.2134 0.2415
Tabel 2 Perbandingan nilai recallprecision dan MAP untuk kelas jamblang
Recall Tanpa Lp dan Wp
Tambahan Lp dan Wp
Automatis Manual
Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian
0.0 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
0.1 0.8320 0.7228 0.8679 0.7944 0.7228 0.8655 0.7940 0.7228 0.8473
0.2 0.6210 0.6147 0.7321 0.6404 0.6147 0.7678 0.5731 0.6147 0.7317
0.3 0.4622 0.5435 0.6572 0.4521 0.5435 0.6788 0.4119 0.5435 0.6417
0.4 0.3911 0.4641 0.5707 0.3137 0.4641 0.5530 0.2493 0.4641 0.4913
0.5 0.1300 0.1693 0.1836 0.1158 0.1693 0.1662 0.1109 0.1693 0.1476
0.6 0.0792 0.0882 0.0874 0.0758 0.0882 0.0872 0.0749 0.0882 0.0871
0.7 0.0849 0.0961 0.0953 0.0816 0.0961 0.0951 0.0807 0.0961 0.0951
0.8 0.0915 0.1037 0.1028 0.0882 0.1037 0.1024 0.0871 0.1037 0.1024
0.9 0.0973 0.1076 0.1068 0.0932 0.1076 0.1063 0.0922 0.1076 0.1063
1.0 0.0922 0.0956 0.0951 0.0918 0.0956 0.0950 0.0917 0.0956 0.0950
MAP 0.4604 0.4505 0.4667 0.4586 0.4505 0.4637 0.4554 0.4505 0.4632
Tabel 3 memberikan gambaran perubahan
nilai precision rata-rata (MAP) pada kelas
jambu biji. Perubahan nilai MAP pada penciri
morfologi mengalami peningkatan, hal tersebut
dapat dilihat dari nilai awal MAP sebesar
0.1515 menjadi 0.1649. Kemudian untuk
penciri tekstur tidak ada perubahan, sedangkan
untuk Bayesian Network nilai awal MAP
sebesar 0.1586 menjadi 0.1632. Secara umum
perubahan nilai MAP pada kelas jambu biji
mengalami peningkatan.
Selain itu Tabel 3 juga memberikan
gambaran perbedaan antara nilai MAP yang
diperoleh dari metode automatis dan metode
manual. Pada metode automatis nilai MAP yang
diperoleh adalah 0.1649 untuk penciri
morfologi dan 0.1670 untuk Bayesian Network.
Pada metode manual nilai MAP yang diperoleh
adalah 0.1635 untuk penciri morfologi dan
0.1632 untuk Bayesian Network.
Tabel 4 memberikan gambaran perubahan
nilai precision rata-rata (MAP) pada kelas
manggis. Perubahan nilai MAP pada penciri
morfologi mengalami penurunan, hal tersebut
dapat dilihat dari nilai awal MAP yaitu 0.1767
menjadi 0.1635. Kemudian untuk penciri
tekstur tidak ada perubahan, sedangkan untuk
Bayesian Network nilai awal MAP sebesar
0.1874 menjadi 0.1796. Perubahan nilai MAP
pada kelas manggis tidak secara umum
mengalami peningkatan maupun penurunan.
11
Kemudian Tabel 4 juga memberikan
gambaran perbedaan antara nilai MAP yang
diperoleh dari metode automatis dan metode
manual. Pada metode automatis nilai MAP yang
diperoleh adalah 0.1635 untuk penciri
morfologi dan 0.1874 Bayesian Network. Pada
metode manual nilai MAP yang diperoleh
adalah 0.1781 untuk penciri morfologi dan
0.1878 untuk Bayesian Network.
Selanjutnya untuk tabel perbandingan
recallprecision dan MAP untuk kelas daun
bisbul, cokelat, durian jambu biji, kepel,
menteng dan nangka dapat dilihat pada
Lampiran 3.
Tabel 3 Perbandingan nilai recallprecision dan MAP kelas jambu biji
Recall
Tanpa Lp dan Wp
Tambahan Lp dan Wp
Automatis Manual
Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian
0.0 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
0.1 0.4903 0.4556 0.4972 0.5179 0.4556 0.4943 0.4979 0.4556 0.4792
0.2 0.4109 0.3774 0.4088 0.4162 0.3774 0.4083 0.3932 0.3774 0.3936
0.3 0.3251 0.2990 0.3207 0.3353 0.2990 0.3402 0.3207 0.2990 0.3332
0.4 0.2551 0.2559 0.2626 0.2684 0.2559 0.2733 0.2618 0.2559 0.2714
0.5 0.1254 0.1276 0.1332 0.1344 0.1276 0.1369 0.1357 0.1276 0.1382
0.6 0.0725 0.0703 0.0712 0.0730 0.0703 0.0712 0.0729 0.0703 0.0711
0.7 0.0786 0.0773 0.0774 0.0794 0.0773 0.0777 0.0792 0.0773 0.0777
0.8 0.0862 0.0851 0.0848 0.0870 0.0851 0.0852 0.0868 0.0851 0.0852
0.9 0.0943 0.0927 0.0927 0.0949 0.0927 0.0928 0.0947 0.0927 0.0928
1.0 0.0951 0.0935 0.0935 0.0955 0.0935 0.0935 0.0953 0.0935 0.0934
MAP 0.1515 0.1680 0.1586 0.1649 0.1680 0.1670 0.1635 0.1680 0.1632
Tabel 4 Perbandingan nilai recallprecision dan MAP kelas manggis
Recall
Tanpa Lp dan Wp Tambahan Lp dan Wp
Automatis Manual
Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian
0.0 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
0.1 0.3928 0.4315 0.4561 0.3720 0.4315 0.4535 0.3802 0.4315 0.4550
0.2 0.2949 0.3254 0.3325 0.2868 0.3254 0.3268 0.2885 0.3254 0.3355
0.3 0.1943 0.2721 0.2453 0.1938 0.2721 0.2424 0.1902 0.2721 0.2440
0.4 0.1692 0.2433 0.2085 0.1667 0.2433 0.1964 0.1662 0.2433 0.2058
0.5 0.1590 0.2111 0.1775 0.1476 0.2111 0.1669 0.1575 0.2111 0.1767
0.6 0.1515 0.1659 0.1574 0.1408 0.1659 0.1556 0.1506 0.1659 0.1577
0.7 0.1454 0.1526 0.1536 0.1278 0.1526 0.1459 0.1436 0.1526 0.1536
0.8 0.1253 0.1397 0.1358 0.1229 0.1397 0.1340 0.1251 0.1397 0.1359
0.9 0.1249 0.1365 0.1341 0.1217 0.1365 0.1328 0.1241 0.1365 0.1340
1.0 0.1163 0.1213 0.1203 0.1112 0.1213 0.1203 0.1147 0.1213 0.1200
MAP 0.1767 0.1965 0.1874 0.1635 0.1965 0.1796 0.1781 0.1965 0.1878
12
Secara umum adanya tambahan Lp dan Wp
dapat meningkatkan nilai recallprecision serta
MAP. Hal tersebut dapat dilihat pada Tabel 5
dan Tabel 6.
Berdasarkan ciri morfologi, kelas daun yang
mengalami peningkatan terjadi pada kelas
alpukat, cokelat, durian, jambu biji, jambu bol,
dan nangka. Peningkatan nilai ciri morfologi
dikarenakan pada kelas daun tersebut memiliki
ciri morfologi yang lebih beragam, sehingga
adanya tambahan ciri physiological length dan
physiological width memengaruhi nilai dari ciri
morfologi secara umum (Tabel 5). Kelas daun
yang mengalami penurunan terjadi pada kelas
bisbul, jamblang, kepel, manggis, menteng.
Penurunan nilai ciri morfologi dikarenakan
pada kelas daun tersebut memiliki ciri
morfologi yang lebih seragam, sehingga adanya
tambahan ciri physiological length dan
physiological width tidak begitu memengaruhi
untuk peningkatan temu kembali secara umum
(Tabel 5).
Selanjutnya berdasarkan model Bayesian
Network kelas daun yang mengalami
peningkatan nilai terjadi pada kelas alpukat,
cokelat, durian, jambu biji, jambu bol, menteng.
Peningkatan pada nilai ciri morfologi
dikarenakan nilai ciri morfologi pada kelas
tersebut mengalami peningkatan (Tabel 5).
Kelas daun yang mengalami penurunan terjadi
pada kelas bisbul, jamblang, kepel, manggis,
nangka. Penurunan pada nilai ciri model
Bayesian Network dikarenakan nilai ciri
morfologi pada kelas tersebut mengalami
penurunan (Tabel 5).
Pada Tabel 6 tersaji nilai precision rata-rata
(MAP) dari setiap kelas daun. Nilai MAP
terbesar terjadi pada kelas daun jamblang,
sedangkan untuk nilai MAP terkecil terjadi pada
kelas daun kepel.
Tabel 5 Nilai perubahan ciri morfologi
dengan tambahan Lp dan Wp
Kelas Delta
Morfologi
Delta
Bayesian
Alpukat 0.0528 0.0422
Bisbul -0.0079 -0.0137
Cokelat 0.0485 0.0376
Durian 0.0708 0.0383
Jamblang -0.0018 -0.0030
Jambu biji 0.0133 0.0083
Jambu Bol 0.0112 0.0015
Kepel -0.0208 -0.0182
Manggis -0.0132 -0.0078
Menteng -0.0027 0.0022
Nangka 0.0001 -0.0119
Gambar 14 memberikan gambaran bahwa
secara umum nilai precision rata-rata (MAP)
dari seluruh kelas meningkat 0.1503 untuk ciri
morfologi dan 0.0756 untuk ciri dengan model
Bayesian Network. Peningkatan secara
signifikan tejadi pada titik recall 0.1 sampai
dengan 0.5, sedangkan untuk titik 0.6 sampai
dengan 1 memiliki kecenderungan nilai yang
sama.
Tabel 6 Perbandingan nilai precision rata-rata (MAP) dengan adanya tambahan Lp dan Wp
Kelas Tanpa Lp dan Wp (Annisa 2009) Tambahan Lp dan Wp
Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian
Alpukat 0.1606 0.2134 0.1939 0.2134 0.2134 0.2362
Bisbul 0.1782 0.0984 0.1541 0.1703 0.0984 0.1405
Cokelat 0.1247 0.1104 0.1201 0.1732 0.1104 0.1576
Durian 0.2112 0.1784 0.2211 0.2820 0.1784 0.2594
Jamblang 0.4604 0.4505 0.4667 0.4586 0.4505 0.4637
Jambu biji 0.1515 0.1680 0.1586 0.1649 0.1680 0.1670
Jambu Bol 0.2527 0.1309 0.1890 0.2639 0.1309 0.1906
Kepel 0.1255 0.1333 0.1316 0.1048 0.1333 0.1134
Manggis 0.1767 0.1965 0.1874 0.1635 0.1965 0.1796
Menteng 0.1305 0.1704 0.1557 0.1277 0.1704 0.1578
Nangka 0.1689 0.2006 0.2066 0.1690 0.2006 0.1947
13
Gambar 14 Grafik perbandingan recall precision menggunakan ciri morfologi, tekstur, dan model
Bayesian Network.
Hasil Uji Statistika
Data yang digunakan untuk uji statistika
ialah data physiological length yang diperoleh
dengan metode automatis dan metode manual.
Uji Levene digunakan untuk menguji apakah
nilai ragam kedua data yang diasumsikan
memilki kesamaan atau tidak. H0
mengasumsikan kedua populasi memiliki ragam
sama sedangkan H1 mengasumsikan kedua
populasi memiliki ragam berbeda. Hasil dari uji
Levene didapat nilai sig (p-value) adalah 0.679
yang lebih besar dari nilai α yaitu 0.05.
Berdasarkan hal tersebut maka hipotesi nol (H0)
diterima, artinya kedua data memiliki nilai
ragam yang sama.
Selanjutnya uji-t digunakan untuk menguji
apakah kedua data berbeda signifikan atau
tidak. H0 mengasumsikan bahwa kedua data
tidak berbeda signifikan, sedangkan H1
mengasumsikan bahwa kedua data berbeda.
Dari hasil uji-t didapatkan nilai sig (p-value)
adalah 0.118, nilai tersebut lebih besar dari nilai
α yaitu 0.05. Berdasarkan hal tersebut maka
hipotesis nol (H0) diterima, artinya kedua data
tidak berbeda signifikan. Dengan kata lain dapat
disimpulkan bahwa metode automatis dan
manual memiliki keakuratan yang sama. Hasil
uji statistika dapat dilihat pada Lampiran 4.
KESIMPULAN DAN SARAN
Kesimpulan
Penelitian ini merupakan bagian dari solusi
akan kebutuhan identifikasi daun. Pendekatan
yang digunakan ialah ekstraksi ciri morfologi
dengan tambahan physiological length dan
physiological width beserta turunanya yaitu,
aspect ratio, rectangularity, narrow factor, dan
perimeter ratio of physiological length and
physiological width.
Hasil precision rata-rata (MAP) dari
ekstraksi ciri morfologi adalah 0.2083,
kemudian hasil ektraksi tekstur adalah 0.1864
dan hasil Bayesian Network adalah 0.2055.
Hasil tersebut menunjukkan bahwa adanya
peningkatan nilai precision rata-rata (MAP)
sebesar 0.0137 untuk ciri morfologi dan 0.0069
untuk model Bayesian Network.
Saran
Hasil temu kembali informasi dengan
pendekatan ciri morfologi dan tekstur serta
gabungan keduanya dapat meningkatkan nilai
precision, penelitian selanjutnya disarankan
dapat mengunakan PNN untuk meningkatkan
nilai kedekatan antara citra kueri dan citra basis
data pada proses penemuan kembali citra helai
daun.
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Pre
cisi
on
Recall
Grafik perbandingan nilai rata-rata Morfologi, Tekstur dan Bayesian
Morfologi
Tekstur
Bayesian
Morfologi dengan Lp dan
Wp
Tekstur dengan Lp dan Wp
Bayesian dengan Lp dan
Wp
14
DAFTAR PUSTAKA
Annisa. 2009. Ekstraksi Ciri Morfologi dan
Tekstur untuk Temu Kembali Citra Helai
Daun. [Skripsi]. Bogor: Fakultas
Matematika dan Ilmu Pengetahuan Alam.
Institut Pertanian Bogor.
Hickey L.J et al. 1999. Manual of Leaf
Architecture - Morphological Description
and Categorization of Dicotyledonous and
Net-Veined Monocotyledonous
Angiosperms by Leaf Architecture. Leaf
Architecture Working Group. Washington
DC.
Imam G. 2001. Aplikasi Analisis Multivariate
Dengan Program SPSS. Universitas
Diponogoro, Semarang.
McAndrew A. 2004. Introduction to Digital
Image Processing with MATLAB. United
States: Course Technology, a division of
Thomson Learning, Inc.
Osadebey ME. 2006. Integrated Content-Based
Image Retrieval Using Texture, Shape and
Spatial Information [thesis]. Umea:
Department of Applied Physics and
Electronics, Umea Univercity.
Pebuardi R. 2008. Pengukuran Kemiripan Citra
Berbasis Warna, Bentuk, dan Tekstur
menggunakan Bayesian Network. [Skripsi].
Bogor: Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian
Bogor.
Rodrigues PS, Arnaldo de AA. 2004. A
Bayesian Network Model Combining
Color, Shape and Texture Information to
Improve Content Based Image Retrieval
Systems. LNCC, Petropolis, Brazil.
Vailaya A. 1996. Shape-Based Image Retrieval
[thesis]. Michigan : Michigan State
Univercity.
Wu SG, et al. 2007. A Leaf Recognition
Algorithm for Plant Classification Using
Probabilistic Neural Network.
http://arxiv.org/pdf/0707.4289 [Desember
2009].
LAMPIRAN
16
Lampiran 1 Contoh citra yang digunakan untuk masing-masing kelas
1 Kelas alpukat
Citra 1
Citra 25
Citra 72
Citra 80
Citra 85
2 Kelas bisbul
Citra 101
Citra 102
Citra 148
Citra 153
Citra 186
3 Kelas cokelat
4 Kelas durian
5 Kelas jamblang
Citra 409 Citra 463 Citra 478 Citra 402 Citra 405
Citra 365 Citra 372 Citra 394 Citra 301 Citra 321
Citra 223 Citra 282 Citra 297 Citra 203 Citra 219
17
Lampiran 1 Lanjutan
6. Kelas jambu biji
7. Kelas jambu bol
8. Kelas kepel
9. Kelas manggis
10. Kelas menteng
Citra 907
Citra 925
Citra 971
Citra 980
Citra 995
11. Kelas nangka
Citra 1004
Citra 1074
Citra 1085
Citra 1080
Citra 1098
Citra 804 Citra 808 Citra 811 Citra 871 Citra 897
Citra 703 Citra 762 Citra 789 Citra 792 Citra 799
Citra 609 Citra 632 Citra 655 Citra 603 Citra 607
Citra 576 Citra 580 Citra 598 Citra 557 Citra 564
18
Lampiran 2 Hasil temu kembali informasi
1 Hasil temu kembali menggunakan penciri morfologi
2 Hasil temu kembali menggunakan penciri tekstur
19
Lampiran 2 Lanjutan
3 Hasil temu kembali menggunakan penciri model Bayesian Network
20
Lampiran 3 Perbandingan nilai recallprecision
1 Perbandingan nilai recall precision pada kelas bisbul
Recall Tanpa Lp dan Wp
Tambahan Lp dan Wp
Automatis Manual
Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian
0.0 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
0.1 0.2274 0.2797 0.2715 0.2776 0.2797 0.3259 0.2787 0.2797 0.3214
0.2 0.1787 0.2115 0.1947 0.1871 0.2115 0.2052 0.1925 0.2115 0.2121
0.3 0.1506 0.1658 0.1672 0.1531 0.1658 0.1688 0.1569 0.1658 0.1720
0.4 0.1290 0.1478 0.1353 0.1296 0.1478 0.1363 0.1305 0.1478 0.1373
0.5 0.1196 0.1200 0.1153 0.1183 0.1200 0.1154 0.1195 0.1200 0.1162
0.6 0.1154 0.1026 0.1079 0.1163 0.1026 0.1091 0.1165 0.1026 0.1087
0.7 0.1172 0.1086 0.1127 0.1168 0.1086 0.1127 0.1176 0.1086 0.1131
0.8 0.1198 0.1093 0.1156 0.1192 0.1093 0.1154 0.1195 0.1093 0.1156
0.9 0.1199 0.1089 0.1166 0.1198 0.1089 0.1167 0.1198 0.1089 0.1167
1.0 0.1202 0.1079 0.1163 0.1199 0.1079 0.1162 0.1199 0.1079 0.1162
2 Perbandingan nilai recall precision pada kelas cokelat
Recall Tanpa Lp dan Wp
Tambahan Lp dan Wp
Automatis Manual
Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian
0.0 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
0.1 0.2629 0.3610 0.3618 0.2806 0.3610 0.3874 0.2819 0.3610 0.3868
0.2 0.2212 0.2764 0.2667 0.2255 0.2764 0.2760 0.2238 0.2764 0.2754
0.3 0.2040 0.2260 0.2271 0.1995 0.2260 0.2214 0.1971 0.2260 0.2204
0.4 0.1879 0.1996 0.2001 0.1845 0.1996 0.1959 0.1807 0.1996 0.1965
0.5 0.1662 0.1758 0.1681 0.1628 0.1758 0.1662 0.1638 0.1758 0.1686
0.6 0.1474 0.1197 0.1350 0.1467 0.1197 0.1339 0.1477 0.1197 0.1347
0.7 0.1364 0.1142 0.1245 0.1356 0.1142 0.1239 0.1360 0.1142 0.1241
0.8 0.1310 0.1144 0.1231 0.1313 0.1144 0.1227 0.1312 0.1144 0.1227
0.9 0.1248 0.1128 0.1207 0.1246 0.1128 0.1205 0.1251 0.1128 0.1208
1.0 0.1187 0.1089 0.1175 0.1181 0.1089 0.1169 0.1184 0.1089 0.1171
3 Perbandingan nilai recall precision pada kelas durian
Recall Tanpa Lp dan Wp
Tambahan Lp dan Wp
Automatis Manual
Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian
0.0 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
0.1 0.4070 0.5606 0.6326 0.5226 0.5606 0.7068 0.5355 0.5606 0.7112
0.2 0.3035 0.4075 0.4392 0.3823 0.4075 0.4963 0.3821 0.4075 0.5047
0.3 0.2236 0.2718 0.2906 0.2722 0.2718 0.3209 0.2654 0.2718 0.3130
0.4 0.1531 0.1884 0.1761 0.1647 0.1884 0.1846 0.1667 0.1884 0.1874
0.5 0.1499 0.1843 0.1620 0.1542 0.1843 0.1665 0.1566 0.1843 0.1684
0.6 0.1430 0.1598 0.1515 0.1463 0.1598 0.1535 0.1476 0.1598 0.1541
0.7 0.0979 0.0913 0.0947 0.0983 0.0913 0.0944 0.0981 0.0913 0.0944
0.8 0.1030 0.0974 0.1003 0.1039 0.0974 0.0994 0.1038 0.0974 0.0995
0.9 0.1064 0.1036 0.1046 0.1073 0.1036 0.1040 0.1074 0.1036 0.1041
1.0 0.0999 0.1011 0.1021 0.1027 0.1011 0.1018 0.1027 0.1011 0.1017
21
Lampiran 3 Lanjutan
4 Perbandingan nilai recall precision pada kelas jambu bol
Recall Tanpa Lp dan Wp
Tambahan Lp dan Wp
Automatis Manual
Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian
0.0 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
0.1 0.2600 0.3762 0.3637 0.2652 0.3762 0.3699 0.2424 0.3762 0.3488
0.2 0.2100 0.2273 0.2239 0.2107 0.2273 0.2230 0.2089 0.2273 0.2222
0.3 0.1906 0.1792 0.2027 0.1901 0.1792 0.2008 0.1917 0.1792 0.2020
0.4 0.1828 0.1658 0.1898 0.1826 0.1658 0.1900 0.1859 0.1658 0.1907
0.5 0.1828 0.1538 0.1725 0.1821 0.1538 0.1723 0.1850 0.1538 0.1745
0.6 0.1793 0.1473 0.1624 0.1785 0.1473 0.1626 0.1805 0.1473 0.1644
0.7 0.1723 0.1407 0.1562 0.1714 0.1407 0.1559 0.1731 0.1407 0.1570
0.8 0.1523 0.1281 0.1400 0.1530 0.1281 0.1401 0.1538 0.1281 0.1398
0.9 0.1367 0.1206 0.1304 0.1373 0.1206 0.1300 0.1362 0.1206 0.1295
1.0 0.1282 0.1130 0.1227 0.1289 0.1130 0.1231 0.1286 0.1130 0.1227
5 Perbandingan nilai recall precision pada kelas kepel
Recall Tanpa Lp dan Wp
Tambahan Lp dan Wp
Automatis Manual
Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian
0.0 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
0.1 0.2709 0.5245 0.4325 0.3672 0.5245 0.4863 0.2759 0.5245 0.4710
0.2 0.2279 0.4443 0.3306 0.2674 0.4443 0.3514 0.2178 0.4443 0.3455
0.3 0.1945 0.3545 0.2630 0.1685 0.3545 0.2544 0.1751 0.3545 0.2605
0.4 0.1621 0.2702 0.1991 0.1422 0.2702 0.2007 0.1440 0.2702 0.1968
0.5 0.1238 0.1414 0.1272 0.1120 0.1414 0.1209 0.1216 0.1414 0.1255
0.6 0.1191 0.1016 0.1056 0.1141 0.1016 0.1032 0.1181 0.1016 0.1051
0.7 0.1237 0.1060 0.1119 0.1189 0.1060 0.1098 0.1233 0.1060 0.1109
0.8 0.1271 0.1123 0.1172 0.1216 0.1123 0.1153 0.1239 0.1123 0.1165
0.9 0.1273 0.1158 0.1194 0.1220 0.1158 0.1182 0.1235 0.1158 0.1180
1.0 0.1119 0.1049 0.1096 0.1114 0.1049 0.1093 0.1075 0.1049 0.1080
6 Perbandingan nilai recall precision pada kelas menteng
Recall Tanpa Lp dan Wp
Tambahan Lp dan Wp
Automatis Manual
Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian
0.0 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
0.1 0.2763 0.3325 0.3308 0.2495 0.3325 0.3124 0.2563 0.3325 0.3345
0.2 0.2076 0.2815 0.2525 0.1855 0.2815 0.2466 0.2089 0.2815 0.2518
0.3 0.1807 0.2474 0.2120 0.1616 0.2474 0.2147 0.1784 0.2474 0.2147
0.4 0.1502 0.2247 0.1863 0.1453 0.2247 0.1875 0.1528 0.2247 0.1892
0.5 0.1239 0.1717 0.1450 0.1201 0.1717 0.1456 0.1242 0.1717 0.1449
0.6 0.1157 0.1448 0.1254 0.1149 0.1448 0.1248 0.1163 0.1448 0.1250
0.7 0.1180 0.1471 0.1287 0.1160 0.1471 0.1276 0.1182 0.1471 0.1286
0.8 0.1212 0.1510 0.1338 0.1175 0.1510 0.1332 0.1219 0.1510 0.1342
0.9 0.1172 0.1531 0.1348 0.1117 0.1531 0.1349 0.1175 0.1531 0.1351
1.0 0.0968 0.1388 0.1197 0.0987 0.1388 0.1198 0.0990 0.1388 0.1201
22
Lampiran 3 Lanjutan
7 Perbandingan nilai recall precision pada kelas nangka
Recall Tanpa Lp dan Wp
Tambahan Lp dan Wp
Automatis Manual
Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian Morfologi Tekstur Bayesian
0.0 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
0.1 0.3989 0.4430 0.4688 0.4322 0.4430 0.4809 0.4299 0.4430 0.4757
0.2 0.3332 0.3626 0.3866 0.3253 0.3626 0.3818 0.3267 0.3626 0.3806
0.3 0.2758 0.3010 0.2987 0.2476 0.3010 0.2922 0.2463 0.3010 0.2925
0.4 0.2089 0.2504 0.2338 0.2067 0.2504 0.2323 0.2035 0.2504 0.2322
0.5 0.1254 0.1453 0.1457 0.1260 0.1453 0.1453 0.1280 0.1453 0.1463
0.6 0.0802 0.0765 0.0766 0.0803 0.0765 0.0765 0.0801 0.0765 0.0761
0.7 0.0864 0.0831 0.0826 0.0858 0.0831 0.0825 0.0857 0.0831 0.0825
0.8 0.0935 0.0905 0.0900 0.0931 0.0905 0.0896 0.0931 0.0905 0.0895
0.9 0.0995 0.0963 0.0965 0.0988 0.0963 0.0958 0.0987 0.0963 0.0958
1.0 0.0992 0.0967 0.0968 0.0986 0.0967 0.0962 0.0986 0.0967 0.0961
23
Lampiran 4 Uji statistika
Data uji stasitika (nilai Lp citra no 1-132)
No Perhitungan
automatis
Perhitungan
manual No
Perhitungan
automatis
Perhitungan
manual No
Perhitungan
automatis
Perhitungan
manual
1 191.3276 190.5177 45 186.3250 185.3267 89 186.3250 181.2760
2 185.5586 183.5756 46 180.0028 178.0112 90 187.2946 183.3303
3 187.0194 189.0608 47 181.0110 181.0028 91 183.0335 180.0444
4 179.2345 179.0112 48 95.1893 94.0213 92 179.0566 179.0698
5 180.5436 179.4714 49 99.2472 101.2423 93 184.3177 181.2209
6 174.5229 172.4906 50 98.0816 99.1262 94 184.2586 182.2142
7 175.4822 169.5789 51 179.4714 180.5436 95 154.0657 151.0828
8 58.0000 59.0085 52 184.1446 182.1016 96 184.2960 218.6618
9 135.2997 136.2351 53 184.8783 185.0838 97 186.6447 187.6832
10 129.1898 128.3160 54 188.4841 184.6104 98 184.6327 176.6380
11 188.1921 187.1710 55 191.1675 191.1675 99 166.2438 160.3777
12 184.2993 181.2760 56 189.1910 189.2644 100 174.2591 168.2409
13 183.2730 183.5347 57 129.3136 128.0976 101 182.0007 182.1757
14 178.8582 181.1077 58 129.0969 127.0984 102 180.1562 180.1777
15 184.0007 184.0109 59 131.1869 130.0961 103 189.0165 189.0106
16 191.0000 193.0000 60 190.0164 190.0026 104 72.1734 74.1687
17 110.1635 111.0180 61 62.0322 59.0339 105 71.1758 73.0616
18 112.0402 109.0367 62 62.2013 60.0750 106 185.0169 186.0108
19 118.1524 119.1512 63 59.1354 61.0737 107 187.0428 187.0428
20 116.7262 117.8346 64 62.1289 63.0317 108 105.0048 106.0000
21 198.1395 182.1757 65 188.4841 186.4537 109 185.0061 185.0108
22 187.1931 188.2658 66 190.6207 187.6726 110 95.2575 95.3362
23 182.1346 183.0983 67 74.3303 75.3127 111 98.2497 96.2549
24 184.2715 186.2686 68 73.4370 73.3485 112 81.0555 81.1542
25 83.0542 86.0930 69 75.1066 74.2428 113 183.0437 184.0679
26 86.0058 86.0058 70 75.2396 74.4312 114 114.0702 117.1537
27 83.6002 84.4808 71 191.5124 183.8831 115 114.0702 115.1086
28 173.7851 172.8381 72 192.0937 190.0658 116 185.0432 183.0983
29 94.0479 94.0479 73 190.1112 191.1282 117 113.0708 110.0727
30 86.0233 86.0233 74 179.2345 177.6345 118 112.0714 122.0041
31 92.0217 95.0474 75 57.0789 56.0089 119 187.0241 190.0105
32 105.5746 106.6771 76 56.0803 56.0357 120 116.1077 190.0105
33 106.9205 107.9120 77 59.0339 56.0357 121 111.0000 112.0045
34 183.6981 187.7711 78 57.5587 56.5685 122 187.0428 189.0423
35 183.0246 180.0028 79 54.4518 55.5788 123 180.0562 180.0111
36 180.0111 181.0249 80 56.5685 57.5587 124 114.0000 113.0000
37 111.0000 111.0045 81 55.3263 55.4437 125 108.0104 108.0000
38 106.0189 106.0047 82 54.2794 54.5894 126 186.0430 186.0967
39 110.1635 110.2905 83 187.6832 184.7837 127 184.0679 186.0967
40 114.2804 191.3766 84 190.2899 188.2658 128 134.2386 133.1841
41 109.2932 110.2905 85 186.0813 185.1324 129 192.1666 192.1276
42 192.4396 191.3766 86 187.0167 187.0107 130 140.0571 141.0035
43 188.3826 188.3826 87 188.0106 183.0109 131 139.0324 141.0035
44 188.2399 190.3182 88 187.3533 181.2760 132 186.0000 188.0000
24
Lampiran 4 Lanjutan
Data Lp no 133-195
No Perhitungan
automatis
Perhitungan
manual No
Perhitungan
automatis
Perhitunga
n manual No
Perhitungan
automatis
Perhitungan
manual
133 129.0969 131.0343 177 186.0027 182.0110 221 135.6733 135.7240
134 81.1542 78.0577 178 78.0000 76.1643 222 129.2797 128.3900
135 130.0000 128.0039 179 182.0062 179.0112 223 189.4466 189.5178
136 187.0000 186.0108 180 183.0027 179.0028 224 135.0454 132.0038
137 124.0040 124.0000 181 183.0061 180.0000 225 195.4329 193.3727
138 123.0163 123.0163 182 177.1384 174.1838 226 192.4396 192.4396
139 185.0007 184.0027 183 177.1588 173.1849 227 138.0734 135.0592
140 100.0800 99.0202 184 177.2548 172.2353 228 137.1541 134.1343
141 99.0808 98.1275 185 183.0246 182.0440 229 192.2108 192.2602
142 178.1797 178.2274 186 188.0060 185.0243 230 192.0104 182.0000
143 100.0800 94.1913 187 188.0027 184.0245 231 116.0269 115.0043
144 100.1249 106.1697 188 188.2930 185.3267 232 188.1495 188.0957
145 83.2166 80.2247 189 74.0068 75.2396 233 140.0321 138.0145
146 184.0435 183.0683 190 186.2686 186.2686 234 196.5960 195.6042
147 109.1146 103.1213 191 186.7753 184.6943 235 198.1161 195.8009
148 110.1136 93.0860 192 186.3552 185.3888 236 148.1654 147.1666
149 111.0720 105.0428 193 187.3533 187.3233 237 144.4991 144.6790
150 128.0000 127.0000 194 186.0027 184.0109 238 195.0282 194.0335
151 128.0039 127.0157 195 183.1338 178.1376 239 194.7434 195.8290
152 134.0037 129.0620 196 187.0107 187.0000 240 135.0009 133.0601
153 135.0333 132.1855 197 188.0166 187.0027 241 195.0160 194.0103
154 129.0969 127.1928 198 189.0324 186.0430 242 132.4575 131.7460
155 129.3136 127.3185 199 183.1536 179.1787 243 195.4789 191.3870
156 176.2300 175.2855 200 85.0059 81.0000 244 137.0009 134.0037
157 130.7517 128.6585 201 189.1296 190.1289 245 195.2313 193.2589
158 130.8625 130.7517 202 111.8794 111.1575 246 89.1698 89.4539
159 118.0000 118.0042 203 108.0185 104.0192 247 194.1391 193.1450
160 121.9262 120.8139 204 195.0923 189.0238 248 82.0549 79.2275
161 122.6907 119.7080 205 195.1852 186.0430 249 190.1480 187.0962
162 84.2912 83.2166 206 195.4667 194.8333 250 113.0542 110.0409
163 84.0000 84.0000 207 204.6192 189.6760 251 193.1450 187.1817
164 84.0536 83.0060 208 189.1296 186.4537 252 102.0600 99.4082
165 186.0060 184.0000 209 130.3006 95.0053 253 194.8333 191.7551
166 189.0106 186.0027 210 181.3395 177.2484 254 85.2115 84.0952
167 176.1817 175.2313 211 191.0942 185.0432 255 85.1778 84.3801
168 185.0007 183.3930 212 86.1220 81.8841 256 197.4487 195.8009
169 188.0007 186.2176 213 91.5601 86.8332 257 192.8296 195.1666
170 175.0864 168.0119 214 187.5613 183.3930 258 101.0000 101.7890
171 184.0170 180.1000 215 183.1973 182.2224 259 191.7114 190.9476
172 178.0169 174.7341 216 165.1938 163.1962 260 73.0154 72.0278
173 177.8630 176.9181 217 165.2188 166.2438 261 191.3276 188.2897
174 182.0831 180.1000 218 175.0007 174.0000 262 191.1570 188.4091
175 182.0556 180.1000 219 195.0058 195.0103 263 85.0000 83.0060
176 184.0061 179.0698 220 193.5071 190.5912 264 195.7837 193.0389
25
Lampiran 4 Lanjutan
Data Lp no 265-396
No Perhitungan
automatis
Perhitungan
manual No
Perhitungan
automatis
Perhitungan
manual No
Perhitungan
automatis
Perhitungan
manual
265 190.59119 192.50974 309 59.033889 56.0803 353 195.1256 195.16403
266 82.024387 79.101201 310 181.00622 179 354 193.01619 192.0026
267 81.124904 80.156098 311 189.29144 189.31984 355 70.064256 70.178344
268 189.19104 190.1289 312 193.18709 186.17196 356 195.14418 185.06756
269 190.28991 191.37659 313 55.145263 57.078893 357 190.7151 187.60064
270 185.09727 182.09887 314 187.09623 188.06648 358 68.264193 69.260378
271 119.0042 119.01681 315 47.169906 49.497475 359 184.87834 182.79223
272 195.50192 197.49684 316 41.048752 43.185646 360 188.90805 186.86894
273 121.14867 118.20744 317 185.32674 184.39089 361 66.068147 66.121101
274 121.20231 117.15375 318 190.16835 188.17014 362 183.03347 179.04469
275 190.00066 190.01053 319 53.084838 54.009258 363 66 65
276 104.17293 104.12012 320 53.150729 53.338541 364 191.03207 190.06578
277 187.56132 145.43727 321 178.10109 176.22996 365 66 66
278 182.83941 181.70581 322 49.040799 50.089919 366 193.05245 190.09471
279 102.00123 101 323 190.05328 186.02419 367 66.007575 65.192024
280 185.05472 186.02419 324 193.06476 186.04301 368 195.07755 196.06377
281 126.00099 126.00397 325 56.035703 55.036352 369 187.24115 186.21761
282 131.02385 128.06248 326 195.00064 196.00255 370 66.007575 69.065187
283 189.26437 192.16659 327 195.00256 196.02296 371 196.41092 194.61244
284 189.23861 129.32131 328 74.108029 75.239617 372 68.593003 70.710678
285 187.26719 184.21998 329 74.006756 72.027772 373 194.19385 193.03886
286 188.09572 184.04347 330 75 75.006666 374 68.468971 69.115845
287 113.00111 113.03982 331 191.00262 189.01058 375 193.3727 197.49684
288 186.05443 186.04301 332 190.44422 187.38463 376 191.34589 188.52056
289 186.05443 186.02419 333 190.37857 189.26437 377 190.44422 190.51509
290 186.02419 185.0027 334 74 74.027022 378 63.031738 64.031242
291 189.00066 187.01069 335 192.0319 190.0421 379 173.20869 168.07439
292 117.20921 116.15507 336 183.57355 182.4637 380 72.249567 70.859015
293 116.15507 116.15507 337 186.56433 187.52333 381 192.58505 189.5943
294 183.69812 181.70581 338 73 72.006944 382 63.007936 63.007936
295 183.42642 186.52614 339 189.80846 191.84629 383 191.10272 189.06084
296 114.00439 114 340 189.19104 185.21879 384 64.031242 65.069194
297 188.00066 187 341 75.006666 74.006756 385 192.8419 188.67962
298 188.01064 190.00263 342 193.09324 191.09422 386 52.239832 111.01802
299 80.224684 78.313473 343 191.04188 193.09324 387 188.01396 187.07218
300 78.00641 77.02597 344 72.111026 72.249567 388 189.00595 189.00265
301 192.0319 191.02356 345 186.26862 185.32674 389 53.150729 55.326305
302 189.19104 189.04232 346 184.27154 185.21879 390 197.2942 193.82982
303 59.135438 61 347 73.24616 74.242845 391 195.97257 190.05526
304 187.19308 183.3303 348 189.34954 187.38463 392 76.485293 74.953319
305 192.2869 193.25889 349 189.31984 187.38463 393 187.87829 190.07367
306 191.23611 192.21082 350 188.23987 183.22118 394 63.126856 65.375837
307 68.066144 68.117545 351 185.42182 184.53184 395 186.09675 185.06756
308 192.26284 193.03886 352 186.91776 183.0956 396 184.06792 183.06829
26
Lampiran 4 Lanjutan
Data Lp no 397-527
No
Perhitungan
automatis
Perhitungan
manual No
Perhitungan
automatis
Perhitungan
manual No
Perhitungan
automatis
Perhitungan
manual
397 184.0679 183.0683 441 140.6983 141.0035 485 27.2947 20.0000
398 188.0219 184.6998 442 141.1524 126.4951 486 27.1662 22.0000
399 60.6712 59.6825 443 131.9394 129.0155 487 27.1662 23.0868
400 187.5420 181.4635 444 135.0148 141.0319 488 29.1548 25.0200
401 71.4493 72.8354 445 140.6983 136.0331 489 108.1573 23.0217
402 15.1327 15.1327 446 143.2236 134.5362 490 18.0113 18.4391
403 144.7342 141.0567 447 142.6184 141.2232 491 26.0192 29.7321
404 143.1992 141.0567 448 144.1007 137.2953 492 138.0036 139.0144
405 140.8900 138.2317 449 142.3692 136.0588 493 137.8731 137.5245
406 137.1860 133.0038 450 134.9518 138.2317 494 136.0000 136.4441
407 16.2788 17.1172 451 136.9379 136.1323 495 139.1761 143.2829
408 15.1327 14.0357 452 144.1839 144.1700 496 135.2997 128.6585
409 15.0333 15.1327 453 143.1712 139.0324 497 136.0331 131.5295
410 15.1327 16.0312 454 138.1304 134.0933 498 135.6245 138.3618
411 136.6199 134.0933 455 134.0037 139.0575 499 139.1294 137.5245
412 137.4409 140.1285 456 142.0880 133.0000 500 135.2997 135.0592
413 136.0662 133.0601 457 133.3754 20.3961 501 1.0000 19.2354
414 131.2402 128.1913 458 20.0000 20.0000 502 45.3982 47.2652
415 140.8013 137.0036 459 20.0000 134.0149 503 193.3423 183.0027
416 138.1774 137.1022 460 137.0584 134.7294 504 44.0114 45.3542
417 130.4186 123.3572 461 138.4630 20.3961 505 44.0000 43.6807
418 130.2306 125.2996 462 20.0000 125.1439 506 188.9080 184.1738
419 121.1487 140.3460 463 132.0189 24.0000 507 56.0000 55.0364
420 18.0278 18.1108 464 26.6833 25.0799 508 57.5587 56.0089
421 17.0000 18.4391 465 144.0000 144.4195 509 185.8736 178.1797
422 17.0000 17.0294 466 143.3492 26.0192 510 64.1249 62.2896
423 20.0998 20.0998 467 1.0000 140.1749 511 61.0000 58.5491
424 18.1108 20.2237 468 141.2303 142.4149 512 179.4018 170.5755
425 17.0294 18.1108 469 153.4438 18.4391 513 173.6930 168.4280
426 18.1108 17.2627 470 1.0000 139.2300 514 59.3043 58.0345
427 17.0294 4.0000 471 141.0284 136.0919 515 57.1402 56.0000
428 18.0278 20.3961 472 108.1573 22.0907 516 191.0497 178.0000
429 17.0000 19.1050 473 140.6840 134.3503 517 58.0775 57.1402
430 22.0227 18.0278 474 108.1573 20.0250 518 59.1354 57.5587
431 22.0000 23.0868 475 131.3811 108.1157 519 186.1881 177.1327
432 20.0250 20.2237 476 24.0000 24.0208 520 52.4690 51.2445
433 20.0000 20.2237 477 136.6199 134.0037 521 181.0249 174.0718
434 20.0000 20.0250 478 27.1662 23.0217 522 55.1453 52.0096
435 20.0000 19.0263 479 138.6110 136.1323 523 184.4241 179.1368
436 134.5362 142.6885 480 26.3059 23.0217 524 1.0000 58.2151
437 134.9518 140.0893 481 139.1761 136.7187 525 184.0978 180.0111
438 125.9365 144.6824 482 27.1662 24.0000 526 53.1507 55.0091
439 140.0143 140.0143 483 140.0893 145.0034 527 190.1900 186.2686
440 175.8010 139.0144 484 135.8308 135.0148 528 215.7806 84.7231
27
Lampiran 4 Lanjutan
Data Lp no 529-660
No
Perhitungan
automatis
Perhitungan
manual No
Perhitungan
automatis
Perhitungan
manual No
Perhitungan
automatis
Perhitungan
manual
529 50.1597 48.5077 573 193.5439 189.2644 617 192.0788 182.0110
530 188.0425 183.0109 574 40.0125 41.0488 618 139.0009 134.6291
531 43.0000 50.0100 575 195.1442 195.0923 619 194.0026 180.0056
532 190.7151 182.8879 576 36.0000 37.1214 620 154.1493 149.7231
533 54.8179 55.3624 577 190.3477 182.1346 621 194.0644 184.3909
534 183.0983 170.1058 578 27.0740 29.1548 622 160.8011 157.4071
535 186.6447 175.1028 579 195.0160 187.0241 623 186.5503 181.0249
536 39.0000 41.1096 580 38.0526 37.0135 624 161.1312 160.0781
537 192.3798 181.3339 581 195.1640 191.1675 625 187.0027 187.0428
538 43.0465 40.7922 582 38.0526 40.0500 626 167.7647 163.8841
539 176.4830 173.1185 583 195.0314 191.3165 627 194.0058 192.0234
540 40.0125 39.8121 584 39.0512 38.3275 628 143.0219 139.0899
541 183.8348 178.8100 585 191.1106 181.0028 629 183.0007 180.0250
542 40.0125 40.1123 586 190.0421 188.0425 630 148.0211 143.0140
543 194.3071 190.3943 587 36.0000 36.2215 631 189.0026 179.0251
544 193.0026 186.0430 588 39.0128 38.1182 632 164.3358 160.1999
545 47.1699 45.1774 589 190.0237 187.0000 633 195.6151 188.6796
546 193.2337 187.0428 590 191.0007 183.0027 634 164.1714 160.0781
547 192.0234 184.0435 591 49.0102 50.0400 635 192.4396 186.4537
548 39.6232 39.2046 592 193.0006 192.0026 636 172.0589 165.0757
549 185.2188 181.9945 593 49.0102 51.0882 637 192.1100 191.2119
550 40.0500 41.1947 594 190.2899 190.5912 638 173.1221 167.1466
551 190.8042 185.2188 595 41.0122 43.0465 639 192.4065 179.5467
552 45.0000 43.1856 596 191.8463 189.4466 640 139.0000 127.0039
553 184.0109 185.0973 597 41.0122 41.0488 641 186.0168 176.0454
554 43.4166 42.1900 598 191.8939 181.8928 642 139.1294 127.3931
555 197.6240 198.1540 599 45.2769 48.3735 643 189.0952 179.0000
556 43.4166 46.5296 600 195.0923 193.2097 644 124.2266 118.9496
557 195.3100 185.0838 601 48.0000 47.1699 645 184.4241 177.5528
558 48.0104 46.0000 602 195.2076 192.4396 646 143.1965 134.0933
559 193.1657 183.1748 603 178.1579 175.1399 647 192.1100 187.0428
560 46.0435 46.0435 604 136.0662 123.5840 648 140.3968 112.0179
561 195.0231 193.0233 605 188.6379 180.2776 649 183.2212 178.2274
562 195.0641 193.1269 606 175.4822 172.3514 650 117.0011 196.2549
563 50.0100 52.0384 607 190.0237 185.0027 651 190.0658 182.1757
564 190.0237 183.0000 608 161.1521 121.1033 652 111.0045 105.0190
565 195.0026 197.0406 609 194.0316 192.3148 653 187.1129 183.0983
566 55.2268 55.0000 610 143.0219 136.1323 654 185.0817 171.1432
567 195.0775 187.1710 611 184.0027 177.0452 655 86.3134 80.0062
568 55.2268 57.0000 612 134.1343 121.2642 656 186.4242 162.7821
569 195.4667 122.3806 613 177.3732 165.1091 657 89.0056 78.2304
570 55.2268 56.0357 614 175.7761 175.6417 658 144.1050 116.1034
571 193.4942 189.5257 615 195.5761 190.7590 659 181.0442 148.2970
572 55.2268 56.0089 616 175.7761 171.0585 660 124.9650 118.9496
28
Lampiran 4 Lanjutan
Data Lp no 661-792
No
Perhitungan
automatis
Perhitungan
manual No
Perhitungan
automatis
Perhitungan
manual No
Perhitungan
automatis
Perhitungan
manual
661 188.5338 179.0475 705 128.1405 128.1405 749 81.0000 80.0000
662 115.0011 107.0187 706 91.6624 91.6624 750 184.0245 178.0028
663 123.0091 122.0000 707 184.9676 183.0000 751 98.1275 96.0000
664 186.0000 179.0028 708 93.3435 93.3435 752 190.2761 189.9526
665 93.0336 94.2603 709 195.0006 188.0106 753 137.8876 96.0052
666 168.5022 160.4494 710 138.0036 138.0036 754 192.0527 192.2108
667 97.2895 90.2718 711 193.1871 190.2130 755 107.0420 4.2426
668 177.2823 168.6683 712 147.7092 147.7092 756 195.0103 189.0238
669 123.0041 120.0167 713 196.0746 186.8689 757 87.0930 86.0930
670 178.1376 176.0710 714 195.6151 191.7551 758 195.0519 186.0242
671 123.0010 118.0042 715 143.2236 143.2236 759 141.5344 93.0000
672 195.1256 184.1331 716 195.2313 193.3132 760 191.0530 186.0967
673 132.1363 128.0156 717 105.0048 105.0048 761 101.3195 100.3195
674 189.0952 184.0679 718 195.3689 189.3806 762 189.0026 186.0108
675 133.0150 127.0039 719 108.2266 110.0000 763 96.1315 95.1315
676 188.0665 182.1346 720 194.1262 189.0952 764 193.2337 183.2730
677 113.2166 109.2245 721 63.0079 63.0079 765 97.7394 95.2575
678 192.0163 185.0676 722 189.2644 181.5406 766 195.1442 190.1289
679 194.0316 187.0428 723 103.3102 103.3102 767 79.0569 73.1095
680 166.0271 165.0121 724 189.0952 190.1683 768 184.0435 175.0114
681 111.0552 104.2353 725 110.0000 102.0441 769 194.1262 191.0942
682 180.2249 167.2991 726 187.0668 178.0449 770 81.0000 82.0244
683 112.0179 108.0046 727 89.0000 98.7320 771 189.0165 117.8855
684 183.0061 172.0116 728 189.5554 182.4637 772 83.0963 85.9884
685 105.3043 102.1763 729 190.8507 187.8643 773 77.0065 28.6356
686 180.0174 177.0028 730 86.0523 86.0523 774 195.0058 86.7006
687 177.0000 170.0029 731 188.0425 180.1000 775 74.0068 107.5407
688 173.0029 169.0118 732 94.0479 94.0053 776 191.0105 93.1719
689 161.3420 155.2063 733 189.1117 184.2200 777 137.0000 105.4751
690 194.0522 185.0108 734 1.0000 100.0050 778 109.7725 117.6605
691 158.9119 152.4729 735 193.0525 193.1657 779 195.4738 107.7822
692 190.5813 182.8879 736 102.2595 95.3520 780 1.0000 115.3170
693 155.0395 148.1216 737 194.9776 189.1692 781 195.9726 117.2391
694 158.1336 150.1632 738 107.2287 107.2287 782 116.0043 103.9423
695 195.0923 187.2165 739 196.8604 194.1262 783 191.8000 54.0093
696 160.1999 150.2698 740 100.1249 100.1249 784 91.3510 97.2934
697 189.0060 186.0242 741 179.0175 176.0454 785 188.5975 113.5341
698 195.0410 184.0679 742 96.5091 95.5249 786 76.0263 74.4648
699 171.1644 168.0476 743 181.1001 176.5673 787 183.0171 123.4585
700 195.1256 191.2616 744 91.0222 90.0222 788 52.6118 71.0282
701 175.0578 173.0462 745 190.0007 187.0000 789 186.3552 122.2865
702 191.1472 192.2602 746 95.0474 94.0213 790 86.0000 88.9550
703 144.0312 138.0906 747 94.1933 93.1933 791 191.0654 127.8006
704 194.0644 187.0107 748 190.1683 180.1777 792 110.0000 111.8034
29
Lampiran 4 Lanjutan
Data Lp no 793-924
No
Perhitungan
automatis
Perhitungan
manual No
Perhitungan
automatis
Perhitungan
manual No
Perhitungan
automatis
Perhitungan
manual
793 195.0775 93.6216 837 64.1950 63.1269 881 87.2812 89.6772
794 161.5240 129.4179 838 1.0000 64.1249 882 134.0037 137.7135
795 194.5790 188.3215 839 124.9040 139.2911 883 75.0267 76.0263
796 190.0237 122.8007 840 1.0000 63.0714 884 128.0156 130.0000
797 76.1052 75.1665 841 1.0000 133.2404 885 87.0919 85.0059
798 195.1083 191.2119 842 1.0000 138.1774 886 142.4254 130.0154
799 1.0000 105.0190 843 1.0000 113.1106 887 133.0940 134.0149
800 192.0319 182.0687 844 1.0000 135.0333 888 137.6154 124.0161
801 175.0257 145.1241 845 1.0000 96.1301 889 1.0000 68.7314
802 128.0976 130.5067 846 142.1724 143.0874 890 142.5553 142.0211
803 132.7902 128.0625 847 131.1068 133.3042 891 1.0000 66.1891
804 1.0000 60.5310 848 58.0345 56.0357 892 1.0000 138.0145
805 137.1787 134.0933 849 57.0351 55.0091 893 56.2228 57.1402
806 129.2478 128.1405 850 128.1327 121.1033 894 126.4792 128.1405
807 130.6139 128.0976 851 128.4718 121.4125 895 56.2228 55.0000
808 52.6308 56.6480 852 45.3542 48.7647 896 124.2578 132.0152
809 126.2894 120.7021 853 123.0813 116.4818 897 1.0000 65.0077
810 132.0038 61.9839 854 117.5457 119.3692 898 1.0000 137.0036
811 141.4107 139.2623 855 101.4150 99.1413 899 1.0000 68.1175
812 131.0954 129.1395 856 132.3782 141.2303 900 126.1428 124.5793
813 134.2386 123.0366 857 104.9381 101.5972 901 106.7942 102.7035
814 138.1304 135.0926 858 138.7552 140.8013 902 113.1106 107.0000
815 92.0054 90.0500 859 89.1403 86.0000 903 113.0398 110.0182
816 137.7135 139.3592 860 129.0155 130.0961 904 61.0082 59.0762
817 128.5613 129.1395 861 83.2166 84.0952 905 58.0086 58.2151
818 75.0000 67.0671 862 135.4474 135.0000 906 49.1630 49.2544
819 63.0714 68.0661 863 55.1453 57.0351 907 50.2494 50.6360
820 125.0360 137.2953 864 120.1499 116.1551 908 122.3315 121.3425
821 120.0000 131.3811 865 48.3735 52.2398 909 125.7816 135.0741
822 60.1332 61.3922 866 128.0000 110.1635 910 124.6796 127.8828
823 1.0000 60.8276 867 60.2080 62.1289 911 110.6526 111.8794
824 131.0153 131.5485 868 120.2664 118.0169 912 51.9711 51.9711
825 127.0039 126.7754 869 53.1507 51.9711 913 57.0701 53.9351
826 101.2423 99.3227 870 123.2274 128.4562 914 107.7079 114.4814
827 1.0000 102.1225 871 104.1201 101.0445 915 113.6002 118.3596
828 65.2763 63.0317 872 132.3065 131.0343 916 55.0000 54.0370
829 130.0615 141.0142 873 116.2970 117.1537 917 134.0037 133.0038
830 132.9662 131.3811 874 50.8035 51.6624 918 133.0038 131.0038
831 81.1542 83.8630 875 127.5774 135.8565 919 65.9242 65.9242
832 79.2275 81.7863 876 133.6338 133.4054 920 117.3882 116.7262
833 139.1294 137.1860 877 85.3288 81.7863 921 60.2993 62.2013
834 91.7878 93.2631 878 130.3840 135.7129 922 125.1000 122.0369
835 144.3468 141.1737 879 94.0479 94.3663 923 71.7008 71.7008
836 140.1749 138.2932 880 137.4627 138.4630 924 106.7942 107.8703
30
Lampiran 4 Lanjutan
Data Lp no 925-1056
No
Perhitungan
automatis
Perhitungan
manual No
Perhitungan
automatis
Perhitungan
manual No
Perhitungan
automatis
Perhitungan
manual
925 68.0294 66.0000 969 113.0044 112.0045 1013 182.8879 182.1016
926 128.4718 134.1343 970 47.0956 47.0425 1014 180.2776 179.4714
927 42.7200 54.2033 971 102.2399 100.0800 1015 53.0377 54.2310
928 129.5531 130.9198 972 34.3657 32.3883 1016 52.0384 51.1566
929 96.1301 134.4061 973 113.8640 111.0180 1017 50.0899 50.0400
930 46.0977 49.7695 974 35.0000 37.6563 1018 189.0026 188.0106
931 44.2832 44.5982 975 127.3931 125.4831 1019 183.3930 181.4663
932 127.0945 126.4911 976 106.9439 51.4782 1020 65.7343 68.4105
933 112.1606 119.9208 977 126.0635 142.0880 1021 66.4906 95.3520
934 43.1856 41.0488 978 42.0000 44.1814 1022 189.0423 188.0239
935 122.0369 122.2620 979 116.2110 118.1524 1023 186.1135 184.1738
936 111.7900 39.0000 980 1.0000 53.0848 1024 183.0553 184.0245
937 157.4929 116.0043 981 105.2236 138.0906 1025 54.0093 53.0377
938 56.0803 51.1957 982 50.1597 53.0848 1026 54.1479 53.1507
939 49.3356 52.3259 983 131.0611 133.0000 1027 187.4867 186.3867
940 124.7237 143.6732 984 32.0000 32.7567 1028 176.0028 176.0114
941 39.1152 38.0526 985 34.0230 35.0143 1029 180.0007 179.0028
942 30.4138 31.3050 986 135.0044 136.1323 1030 53.0377 56.0803
943 98.0459 119.5073 987 32.1240 32.0624 1031 52.0000 53.0094
944 111.6468 128.3160 988 140.0000 142.0211 1032 52.0384 53.0848
945 24.7386 27.5136 989 122.4296 42.1070 1033 188.0425 188.0425
946 96.1301 102.7035 990 127.5657 125.4831 1034 190.0026 191.0026
947 26.1725 26.0768 991 146.8400 41.0488 1035 187.5613 184.9784
948 92.0869 94.1913 992 113.1371 130.7517 1036 47.0425 46.1736
949 116.2110 115.2779 993 136.4001 60.0083 1037 42.1900 42.1900
950 41.0122 42.0476 994 169.1981 140.2284 1038 186.5643 183.4612
951 139.0036 137.0036 995 58.0000 56.2939 1039 189.7189 192.0443
952 41.0488 42.2966 996 132.7742 141.1559 1040 150.9048 153.0621
953 142.4254 141.3542 997 134.4619 51.0098 1041 149.8566 150.6519
954 24.7386 26.9258 998 124.1491 143.5897 1042 50.2494 54.9181
955 26.0192 24.0208 999 51.7880 57.0351 1043 52.2398 52.4690
956 145.0862 144.2221 1000 132.2309 145.0310 1044 191.2119 189.1692
957 159.4561 160.6549 1001 1.0000 67.0075 1045 177.1017 175.1028
958 177.1017 175.2313 1002 52.1536 52.2398 1046 67.0075 69.0000
959 131.0000 146.0308 1003 53.0848 54.1479 1047 191.1890 188.1303
960 132.1363 132.1363 1004 192.5850 192.7511 1048 190.0237 190.0105
961 85.0529 78.0256 1005 187.5233 186.4537 1049 65.1230 69.4622
962 87.3670 86.4696 1006 183.2464 180.2249 1050 65.1230 66.1891
963 123.7942 121.9262 1007 68.1175 68.0294 1051 190.1683 193.2097
964 87.0919 86.0930 1008 72.1110 72.1110 1052 180.9482 180.8978
965 24.0000 26.0768 1009 180.1000 179.1005 1053 65.1153 65.3070
966 88.1192 87.8237 1010 187.0541 186.0242 1054 60.0000 61.0328
967 134.9741 134.3466 1011 50.0400 50.0899 1055 192.0007 191.0000
968 46.0435 45.0999 1012 47.2652 50.3587 1056 181.6625 180.7097
31
Lampiran 4 Lanjutan
Data Lp no 1057-1100
No
Perhitungan
automatis
Perhitungan
manual No
Perhitungan
automatis
Perhitungan
manual No
Perhitungan
automatis
Perhitungan
manual
1057 53.0377 53.0377 1072 58.0086 58.0345 1087 172.5290 172.4181
1058 189.0952 189.1296 1073 56.0357 54.0093 1088 176.4795 177.4768
1059 187.3846 187.3846 1074 58.0345 59.0085 1089 49.0102 50.0000
1060 181.0062 176.0000 1075 186.0242 183.0246 1090 49.0918 50.3587
1061 181.0028 180.0028 1076 183.0109 182.0687 1091 184.1446 182.3321
1062 60.1332 59.0762 1077 174.2075 174.1034 1092 186.1881 186.3035
1063 57.0789 56.0357 1078 172.1228 168.1904 1093 180.5436 182.7922
1064 62.1289 64.0703 1079 54.0370 55.0364 1094 168.0067 169.0118
1065 188.1303 185.0973 1080 59.0000 60.0750 1095 45.5412 46.0977
1066 189.4129 189.3806 1081 194.0103 190.0105 1096 45.1774 48.1664
1067 64.0703 64.0703 1082 185.0061 188.0027 1097 173.6491 172.6528
1068 58.0345 57.0000 1083 180.2249 177.2287 1098 179.4359 174.2871
1069 186.9679 184.7837 1084 186.2176 184.1738 1099 163.0928 164.0274
1070 184.8783 182.8879 1085 43.4166 46.0109 1100 53.0094 71.3442
1071 190.0164 187.0107 1086 48.0000 48.0416
32
Lampiran 4 Lanjutan
Hasil Uji Statsitika
The LOKAL subcommand of the SET command has an invalid parameter. It could
not be mapped to a valid backend lokale.
Your temporary usage period for IBM SPSS Statistics will expire in 14 days.
SAVE OUTFILE='D:\ASRAMA\data_spss.sav'
/COMPRESSED.
T-TEST GROUPS=Metode(1 2)
/MISSING=ANALYSIS
/VARIABLES=LP
/CRITERIA=CI(.95).
T-Test
Notes
Output Created 11-Nov-2010 10:04:48
Comments
Input Data D:\ASRAMA\data_spss.sav
Active Dataset DataSet0
Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data
File
2200
Missing Value Handling Definition of Missing User defined missing values are treated as
missing.
Cases Used Statistics for each analysis are based on the
cases with no missing or out-of-range data
for any variable in the analysis.
Syntax T-TEST GROUPS=Metode(1 2)
/MISSING=ANALYSIS
/VARIABLES=LP
/CRITERIA=CI(.95).
Resources Processor Time 00 00:00:00,031
Elapsed Time 00 00:00:00,281
33
Lampiran 4 Lanjutan
[DataSet0] D:\ASRAMA\data_spss.sav
Group Statistics
Metode N Mean Std. Deviation Std. Error Mean
LP Manual 1100 131,562983 55,6385155 1,6775644
Automatis 1100 127,876837 55,0045071 1,6584483
Independent Samples Test
Levene's Test for Equality of Variances
F Sig.
LP Equal variances assumed ,172 ,679
Equal variances not assumed
Independent Samples Test
t-test for Equality of Means
t df Sig. (2-tailed) Mean Difference
LP Equal variances assumed 1,563 2198 ,118 3,6861454
Equal variances not assumed 1,563 2197,711 ,118 3,6861454
Independent Samples Test
t-test for Equality of Means
Std. Error
Difference
95% Confidence Interval of the
Difference
Lower Upper
LP Equal variances assumed 2,3589559 -,9398706 8,3121613
Equal variances not assumed 2,3589559 -,9398709 8,3121617