klasifikasi PNN pada tiga fitur LBP.
Perbandingan akurasi perkelas menggunakan teknik klasifikasi PNN pada fitur , dan ditunjukkan pada Gambar 19. Pada fitur dihasilkan akurasi terbaik oleh kelas 2, 3, 4, 7, 17, 18, 19, 20, 21, dan 22. Ekstraksi fitur menggunakan memberikan akurasi terbaik pada kelas 1, 2, 3, 4, 7, 8, 9, 10, 11, 12, 17, 27, dan 29. Terakhir, kelas yang dapat menghasilkan akurasi terbaik pada ekstraksi fitur adalah kelas kelas 1, 2, 3, 4, 7, 8, 9, 10, 11, 12, 17, 27, dan 29.
Citra uji kelas 2, 3, 4, dan 7 selalu memiliki akurasi tinggi ditunjukkan pada Gambar 18 (a). Citra uji kelas 26 selalu memiliki akurasi rendah pada ketiga fitur ditunjukkan pada Gambar 18 (b). Citra uji ini tidak dapat teridentifikasi dengan baik. Penyebabnya, citra kelas ini memiliki latar yang kompleks, sehingga terjadi kesalahan identifikasi.
(a)
(b)
Gambar 18 Citra uji (a) kelas akurasi tertinggi dan (b) kelas akurasi terendah (Asplenium nidus).
(a)
(b)
(c)
Gambar 19 Perbandingan akurasi perkelas menggunakan teknik klasifikasi PNN pada fitur (a) (b) , dan (c) .
P e r b a n d i n g a n a k u r a s i me t o d e
P N N , K N N , N a ï v e B a y e s , d a n
K N N + N B
Perbandingan akurasi teknik NB, KNN, KNN+NB, dan PNN untuk fitur , dan ditunjukkan pada Gambar 20. Akurasi perkelas pada teknik klasifikasi PNN, KNN, KNN+NB, dan NB ditunjukkan pada Gambar 21.
67,78% 66,67% 72,22% 0% 20% 40% 60% 80% 100% Riu2(8,2) Var(8,2) LBPV(8,2) Akur a si Fitur LBP Hasil Akurasi PNN 0 20 40 60 80 100 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 Akur a si (% ) Kelas LBPriu2 Klasifikasi PNN 0 20 40 60 80 100 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 Akur a si (% ) Kelas LBPVar Klasifikasi PNN 0 20 40 60 80 100 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 A ku ra si ( % ) Kelas LBPV Klasifikasi PNN
13
(a)(b)
(c)
Gambar 20 Grafik perbandingan keempat teknik klasifikasi menggunakan fitur (a) (b) , dan (c) .
Secara umum teknik klasifikasi PNN memberikan akurasi yang baik. Teknik klasifikasi PNN dapat memberikan akurasi tertinggi untuk fitur dan , serta akurasi yang sama untuk fitur . Pada teknik klasifikasi PNN terdapat lapisan- lapisan yang dilatih untuk mengenali pola, sehingga terjadi generalisasi dari karakter- karakter yang dikombinasikan untuk mendapat peluang tertinggi.
Pada fitur , teknik klasfikasi KNN, KNN+NB, dan PNN memberikan akurasi yang sama, yaitu 72.22%. Fitur ini menghasilkan akurasi tertinggi. Ekstraksi fitur pada melengkapi pola-pola
tekstur spasial lokal yang memainkan peranan penting pada texture discrimination,
sehingga rotation invariant (tidak sensitif terhadap posisi dan orientasi) dan tahan terhadap perubahan pencahayaan. Hasil ekstraksi mampu menjadi penciri tekstur terbaik dibandingkan dan .
(a)
(b)
(c)
Gambar 21 Perbandingan akurasi perkelas fitur LBPV teknik klasifikasi (a) PNN, (b) KNN, (c) KNN+NB, (d) Naïve Bayes. 45,56 63,33 63,33 67,78 0,00 10,00 20,00 30,00 40,00 50,00 60,00 70,00 80,00 90,00 100,00 NB KNN KNN+NB PNN A ku ra si ( % ) Teknik Klasifikasi
Perbandingan Akurasi LBPriu
60,00 64,40 64,40 66,67 0,00 10,00 20,00 30,00 40,00 50,00 60,00 70,00 80,00 90,00 100,00 NB KNN KNN+NB PNN A ku ra si ( % ) Teknik Klasifikasi
Perbandingan Akurasi LBPvar
3,33 72,22 72,22 72,22 0,00 10,00 20,00 30,00 40,00 50,00 60,00 70,00 80,00 90,00 100,00 NB KNN KNN+NB PNN A ku ra si ( % ) Teknik Klasifikasi Perbandingan Akurasi LBPV 0 50 100 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 Akur a si (% ) Kelas Fitur LBPV Klasifikasi PNN 0 50 100 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 Akur a si Kelas Fitur LBPV Klasifikasi KNN (K = 1) 0 50 100 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 Akur a si Kelas Fitur LBPV Klasifikasi KNN+NB (K = 1) 0 50 100 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 Akur a si Kelas Fitur LBPV Klasifikasi Naive Bayes
14
Teknik klasifikasi KNN dan PNNmemberikan akurasi yang sama, yaitu 72.22%. Kelas yang memiliki akurasi tertinggi pada teknik klasifikasi KNN adalah kelas 4, 5, 6, 7, 11, 12, 14, 17, 18, 19, dan 25. Kelas yang memiliki akurasi tertinggi pada teknik klasifikasi PNN adalah kelas 1, 2, 3, 4, 7, 8, 9, 10, 11, 12, 17, 27, dan 29.
Kelas yang selalu memiliki akurasi terbaik pada klasifikasi PNN, KNN, dan KNN+NB adalah kelas 4, 7, 11, 12, dan 17. Citra pada kelas ini memiliki tekstur dan kontras yang berbeda pada kelas-kelas lainnya sehingga tidak salah teridentifikasi ke dalam kelas lain. Di sisi lain, kelas yang selalu memiliki akurasi terendah terdapat pada kelas 23. Kelas ini memiliki latar citra yang kompleks dan kemiripan yang tinggi dengan kelas 22 dan 20. Citra kelas dengan akurasi tinggi dan rendah dapat dilihat pada Gambar 22.
(a)
(b)
Gambar 22 Citra dengan akurasi tinggi (a) kelas 4, 7, 11, 12, dan 17, dan citra dengan akurasi rendah (b) kelas 23 teridentifikasi ke kelas 22 dan 20.
KESIMPULANDANSARAN
K e s i mp u l a n
Penelitian ini melakukan perbandingan
classifier untuk identifikasi tanaman hias
berdasarkan ciri tekstur. Metode ekstraksi ciri tekstur yang digunakan adalah , dan dengan probabilistic
neural network (PNN), K-nearest neighbor
(KNN), Naïve Bayes (NB), serta penggabungan metode klasifikasi KNN+NB sebagai metode klasifikasi.
Teknik klasifikasi PNN memberikan akurasi tertinggi untuk fitur dan . Secara umum, ekstraksi fitur mampu memberikan tingkat akurasi tertinggi. Akurasi sebesar 72.22% ini dihasilkan pada teknik klasifikasi KNN, KNN+NB, dan PNN.
Penggabungan metode KNN+NB mampu meningkatkan akurasi metode klasifikasi. Penggabungan metode KNN+NB sangat dipengaruhi hasil klasifikasi KNN. Pada jumlah tetangga terdekat (K) lebih dari satu, rata-rata teknik klasifikasi KNN+NB dapat meningkatkan akurasi KNN.
S a r a n
Database citra tanaman hias yang
digunakan pada penelitian ini terbatas sebaiknya diperbanyak. Ekstraksi ciri dengan penggabungan operator atau fuzzy LBP dapat dilakukan. Untuk penelitian selanjutnya, dapat digunakan teknik klasifikasi Multilayer
Perceptron Neural Network.
DAFTARPUSTAKA
Acharya T, Ray AK. 2005. Image Processing
Principles and Applications. New Jersey :
John Willey & Sons, Inc.
Bishop, CM. 2006. Pattern Recognition and
Machine Learning. New York : Springer.
[BPS] Badan Pusat Statistik. 2011. Produksi Tanaman Hias di Indonesia. www.bps.go.id [3 Agustus 2011].
[Depkes] Departemen Kesehatan Republik Indonesia. 2007. Keputusan No.381/Menkes/SK/III/2007 tentang Kebijakan Obat Tradisional Nasional (KOTRANAS). Jakarta: Departemen Kesehatan Republik Indonesia.
15
Giacinto G, Roli F. 1997. Adaptive selectionof image classifiers. Di dalam: Springer
Verlag Lecture Notes in CS Vol. 1310.
Prosiding ICIAP. Halaman 38–45. Han J, Kamber M. 2001. Data Mining :
Concept and Technique. USA: Morgan Kaufmann Publishers.
Kulsum, LU. 2010. Identifikasi Tumbuhan Hias secara Otomatis Menggunakan Metode Local Binary Pattern Descriptor
dan Probabilistic Neural Network.
[Skripsi]. Institut Pertanian Bogor. Li YH, Jain AK. 1998. Classification of Text
Document. Department of Computer
Science and Engineering Michigan State University.
Mäenpää T. 2003. The Local Binary Pattern
Approach to Texture Analysis. Oulu: Oulu
University Press.
Mäenpää T, et al. 2002. Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Pattern. IEEE Transactions on PAMI 24: 2037-2041.
Manning CD, et al. 2008. Introduction to
Information Retrieval. New York:
Cambridge University Press.
Nurafifah. 2010. Penggabungan Ciri Morfologi, Tekstur, dan Bentuk untuk Identifikasi Daun Menggunakan
Probabilistic Neural Network. [Skripsi].
Intitut Pertanian Bogor.
Pietikainen M, et al. 2006. Face Description with Local Binary Patterns: Application
to Face Recognition. University of Oulu,
Finland.
Rodrigues PS, Araujo AA. 2004. A Bayesian Network Model Combining Color, Shape, and Texture Information to Improve
Content Base Image Retrieval Systems.
Petropolis: LNCC.
Tan PN, et al. 2005. Introduction to Data
Mining. US: Addison Wesley.
Wu SG, et al. 2007. A Leaf Recognition Algorithm for Plant Using Probabilistic
Neural Network. China: Chinese
Academy Science.
Zhang D, et al. 2009. Rotation Invariance
Texture Classification Using LBP
variance (LBPV) with Global Matching.