Hasil Praproses
Praproses dilakukan dengan tujuan mempercepat waktu pengolahan data citra. Praproses data citra tumbuhan obat dilakukan dengan cara memperkecil ukuran citra menjadi 270 240 dan mengubah mode warna citra menjadi grayscale. Hasil dari praproses seperti pada Gambar 11.
Psidium guajava L.
Gambar 11 Hasil praproses citra tumbuhan obat
Ekstraksi Fitur FLBP
Citra grayscale hasil praproses digunakan sebagai masukan pada proses ekstraksi FLBPP,R. Ekstraksi dilakukan menggunakan ukuran circular neighborhood. Ciri FLBP yang dihasilkan, diekstrak menggunakan nilai threshold FLBP fuzzifikasi (F) yaitu 4 dengan operator LBP (8.2).
Ekstraksi FLBP menghasilkan histogram frekuensi nilai LBP. Histogram merupakan pertambahan kontribusi dari nilai LBP yang dihasilkan. Panjang bin yang dihasilkan pada histogram FLBPP,R bergantung pada jumlah sampling points (P) yang digunakan, yaitu 2P. Pada penelitian ini, jumlah P yang digunakan adalah 8 sehingga jumlah bin pada histogram FLBPP,R sebanyak 28 = 256 bin. Contoh histogram Psidium guajava L ditunjukan pada Gambar 12.
Gambar 12 Histogram FLBP pada citra Psidium guajava L.
Hasil Percobaan
Metode k-means clustering, fuzzy c-means clustering, PSO based k-means
clustering dan PSO based fuzzy c-means clustering digunakan untuk
mengelompokkan spesies tumbuhan obat. Hasil pengelompokkan spesies
0 50 100 150 200 250 300 350 400 450 500 0 7 14 21 28 35 42 49 56 63 70 77 84 91 98 105 112 119 126 133 140 147 154 161 168 175 182 189 196 203 210 217 224 231 238 245 252 F r e k u e n si Nilai LBP Histogram FLBP
18
tumbuhan obat menggunakan keempat metode menghasilkan output berupa kelompok cluster. Pengukuran kualitas clustering untuk masing-masing metode menggunakan akurasi dan waktu komputasi.
Analisis Hasil Percobaan
Tahap pembuatan model untuk metode k-means clustering, fuzzy c-means clustering, PSO based k-means clustering dan PSO based fuzzy c-means clustering menggunakan data latih sebanyak 1.140 citra dan pengujian dengan data uji sebanyak 300 citra. Proses pengelompokkan data menggunakan 30 pusat cluster. Jumlah ini diperoleh berdasarkan spesies tumbuhan obat berjumlah 30.
Proses kerja metode k-means clustering dan fuzzyc-means clustering adalah mengelompokkan citra sesuai dengan spesies tumbuhan obat. Metode PSO based k-means clustering digunakan untuk mengoptimasi hasil pengelompokkan data dari metode k-means clustering dan PSO based fuzzy c-means clustering digunakan untuk mengoptimasi hasil pengelompokkan data dari metode fuzzy c-means clustering. PSO based k-means clustering dan PSO based fuzzy c-means clustering pada penelitian ini menggunakan parameter learning rate c1=1,49 dan c2=1,49, nilai r1=0,5 dan r2=0,5, untuk bobot inertia(w)=0,72 dengan kecepatan maksimum(Vmax)=2 (Omran et al. 2005).
Kesalahan identifikasi terlihat dari banyaknya citra yang dikelompokkan kedalam spesies yang sama dan juga pada spesies yang berbeda. Hal ini menunjukkan spesies tumbuhan obat mempunyai informasi tekstur daun yang hampir sama. Pengaruh dari kesalahan identifikasi adalah nilai akurasi yang diperoleh rendah.
Evaluasi hasil k-means clustering
Evaluasi model untuk metode k-means clustering menunjukkan jumlah citra yang berhasil diidentifikasi sebanyak 125 citra. Jumlah citra yang teridentifikasi diperoleh berdasarkan nilai purity. Penentuan cluster untuk setiap spesies citra ditunjukan pada Tabel 2 dan Lampiran 2.
Tabel 2 Penentuan clusterk-means clustering
Perhitungan akurasi dapat dilihat sebagai berikut. = 125
300× 100% = 41,67%
Perbandingan akurasi untuk masing-masing spesies tumbuhan obat yang teridentifikasi terlihat pada Gambar 13.
Spesies 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Purity(Max) 0.6 0.7 0.6 0.4 0.4 0.6 0.8 0.7 1 0.8 0.3 0.5 0.4 0.2 0.3 0.6 0.2 0.4 0.4 0.9 0.6 0.5 0.3 0.4 0.3 0.6 0.3 0.4 0.7 0.3
19
Gambar 13 Grafik perbandingan akurasi per spesies k-means clustering Grafik pada Gambar 13 menunjukkan bahwa ada 28 spesies citra yang mampu teridentifikasi. Spesies 9 (Kemangi) merupakan spesies yang berhasil teridentifikasi dengan tingkat akurasi 100%. Contoh citra latih dan citra uji spesies 9 terlihat pada Gambar 14.
Gambar 14 Contoh citra latih dan citra uji spesies 9 (Kemangi)
Spesies 24 (Kumis Kucing) dan 25 (Kemuning) yang tidak teridentifikasi dan menghasilkan akurasi 0%. Kesalahan identifikasi menyebabkan spesies 24 (Bidani) dikenali sebagai spesies 18 (Som Jawa). Hal ini menunjukkan spesies tumbuhan obat tersebut mempunyai informasi tekstur daun (ciri) yang hampir sama. Kesalahan identifikasi yang kedua adalah spesies 25 (Kemuning) dikenali sebagai spesies 21 (Nanas Kerang). Informasi ciri dari kedua spesies tersebut menunjukkan adanya kemiripan yang berdampak pada hasil akurasi yang diperoleh rendah. Contoh citra kesalahan identifikasi spesies 24 dan 25 terlihat pada Gambar 15.
Gambar 15 Kesalahan identifikasi spesies citra k-means clustering
Waktu komputasi yang diperoleh untuk pembuatan model k-means clustering yaitu 291,3 detik.
Evaluasi hasil fuzzy c-means clustering
Evaluasi model untuk metode fuzzy c-means clustering menunjukkan jumlah citra yang berhasil diidentifikasi sebanyak 150 citra. Jumlah citra yang teridentifikasi diperoleh berdasarkan nilai purity. Penentuan cluster untuk setiap spesies citra ditunjukan pada Tabel 3 dan Lampiran 3.
Data Latih Data Uji
20
Tabel 3 Penentuan clusterfuzzy c-means clustering
Perhitungan akurasi dapat dilihat sebagai berikut. = 150
300× 100% = 50%
Perbandingan akurasi untuk masing-masing spesies tumbuhan obat yang teridentifikasi terlihat pada Gambar 16.
Gambar 16 Grafik perbandingan akurasi per spesies fuzzy c-means clustering Grafik pada Gambar 16 menunjukkan bahwa ada 28 spesies citra yang mampu teridentifikasi. Spesies 2 (Jarak Pagar) merupakan spesies yang berhasil teridentifikasi dengan tingkat akurasi 100%. Contoh citra latih dan citra uji spesies 2 terlihat pada Gambar 17.
Gambar 17 Contoh citra latih dan citra uji spesies 2 (Jarak Pagar)
Spesies 14 (Tabat Barito) dan 27 (Sambang Darah) tidak teridentifikasi dan menghasilkan akurasi 0%. Kesalahan identifikasi menyebabkan spesies 14 (Tabat Barito) dikenali sebagai spesies 2 (Jarak Pagar). Hal ini menunjukkan spesies tumbuhan obat tersebut mempunyai informasi tekstur daun (ciri) yang hampir sama. Kesalahan identifikasi yang kedua adalah spesies 27 (Sambang Darah) dikenali sebagai spesies 30 (Handeleum). Informasi ciri dari kedua spesies tersebut menunjukkan adanya kemiripan yang berdampak pada hasil akurasi yang diperoleh rendah. Contoh citra kesalahan identifikasi spesies 14 dan 27 terlihat pada Gambar 18.
Spesies 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Purity (Max) 0.4 1 0.6 0.3 0.5 0.9 0.8 0.8 0.9 0.7 0.3 0.4 0.5 0.2 0.4 0.6 0.2 0.6 0.6 0.9 0.4 0.4 0.4 0.3 0.1 0.6 0.4 0.7 0.9 0.5 Cluster 1 2 3 4 5 6 7 8 9 10 11 21 12 13 15 16 17 18 19 20 30 22 23 24 25 26 14 28 29 27
21
Gambar 18 Kesalahan identifikasi spesies citra fuzzy c-means clustering Waktu komputasi yang diperoleh untuk pembuatan model fuzzy c-means clustering yaitu 59,65 detik.
Evaluasi hasil PSO based k-means clustering
Evaluasi model untuk metode PSO based k-means clustering menunjukkan jumlah citra yang berhasil diidentifikasi sebanyak 144 citra. Jumlah citra yang teridentifikasi diperoleh berdasarkan nilai purity. Penentuan cluster untuk setiap spesies citra ditunjukan pada Tabel 4 dan Lampiran 4.
Tabel 4 Penentuan cluster PSO basedk-means clustering
Perhitungan akurasi dapat dilihat sebagai berikut. = 144
300× 100% = 48%
Perbandingan akurasi untuk masing-masing spesies tumbuhan obat yang teridentifikasi terlihat pada Gambar 19.
Gambar 19 Grafik perbandingan akurasi per spesies PSO based k-means clustering
Grafik pada Gambar 19 menunjukkan bahwa ada 29 spesies citra yang mampu teridentifikasi. Spesies 2 (Jarak Pagar) dan Spesies 26 (Cincau Hitam) merupakan spesies yang berhasil teridentifikasi dengan tingkat akurasi 100%. Contoh citra latih dan citra uji spesies 2 dan 26 terlihat pada Gambar 20.
Spesies 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Purity (Max) 0.5 1 0.6 0.3 0.3 0.8 0.8 0.6 0.8 0.7 0.3 0.4 0.3 0.2 0.4 0.6 0.2 0.6 0.6 0.9 0.4 0.5 0.3 0.5 0.2 1 0.3 0.7 0.5 0.2 Cluster 1 2 3 4 5 6 7 8 9 10 11 14 13 12 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
22
Gambar 20 Contoh citra latih dan citra uji spesies 2 (Jarak Pagar) dan spesies 26 (Cincau Hitam)
Spesies 12 (Bidani) tidak teridentifikasi dan menghasilkan akurasi 0%. Kesalahan identifikasi menyebabkan spesies 12 (Bidani) dikenali sebagai spesies 20 (Sosor Bebek). Hal ini menunjukkan spesies tumbuhan obat tersebut mempunyai informasi tekstur daun (ciri) yang hampir sama. Informasi ciri dari spesies tersebut menunjukkan adanya kemiripan yang berdampak pada hasil akurasi yang diperoleh rendah. Contoh citra kesalahan identifikasi spesies 12 terlihat pada Gambar 21.
Gambar 21 Kesalahan identifikasi spesies citra PSO based k-means clustering Waktu komputasi yang diperoleh untuk pembuatan model PSO based k-means clustering yaitu 403,3 detik.
Evaluasi hasil PSO based fuzzy c-means clustering
Evaluasi model untuk metode PSO based fuzzy c-means clustering menunjukkan jumlah citra yang berhasil diidentifikasi sebanyak 157 citra. Jumlah citra yang teridentifikasi diperoleh berdasarkan nilai purity. Penentuan cluster untuk setiap spesies citra ditunjukan pada Tabel 5 dan Lampiran 5.
Tabel 5 Penentuan cluster PSO basedfuzzyc-means clustering
Perhitungan akurasi dapat dilihat sebagai berikut. = 157
300× 100% = 52,33%
Perbandingan akurasi untuk masing-masing spesies tumbuhan obat yang teridentifikasi terlihat pada Gambar 22.
Spesies 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Purity (Max) 0.4 1 0.7 0.3 0.5 0.9 0.8 0.8 0.9 0.7 0.3 0.4 0.4 0.2 0.4 0.6 0.2 0.6 0.6 1 0.4 0.4 0.3 0.3 0.1 1 0.3 0.7 1 0.5 Cluster 1 2 3 4 5 6 7 8 9 10 11 21 12 13 15 16 17 18 19 20 30 22 23 24 25 26 14 28 29 27
Data Latih Data Uji
Spesies 2 (Jarak Pagar)
Spesies 26 (Cincau Hitam)
23
Gambar 22 Grafik perbandingan akurasi per spesies PSO based fuzzy c-means clustering
Grafik pada Gambar 22 menunjukkan bahwa ada 28 spesies citra yang mampu teridentifikasi. Spesies 2 (Jarak Pagar), Spesies 20 (Sosor Bebek), Spesies 26 (Cincau Hitam) dan Spesies 29 (Jambu Biji) merupakan spesies yang berhasil teridentifikasi dengan tingkat akurasi 100%. Contoh citra latih dan citra uji spesies 2, 20, 26 dan 29 terlihat pada Gambar 23.
Gambar 23 Contoh citra latih dan citra uji spesies 2 (Jarak Pagar), spesies 20 (Sosor Bebek), spesies 26 (Cincau Hitam) dan spesies 29 (Jambu Biji) Spesies 14 (Tabat Barito) dan Spesies 27 (Sambang Darah) tidak teridentifikasi dan menghasilkan akurasi 0%. Kesalahan identifikasi menyebabkan spesies 14 (Tabat Barito) dikenali sebagai spesies 2 (Jarak Pagar) dan spesies 27 (Sambang Darah) dikenali sebagai spesies 30 (Handeleum). Hal ini menunjukkan spesies tumbuhan obat tersebut mempunyai informasi tekstur daun (ciri) yang hampir sama. Informasi ciri dari spesies tersebut menunjukkan adanya kemiripan yang berdampak pada hasil akurasi yang diperoleh rendah. Contoh citra kesalahan identifikasi spesies 14 dan 27 terlihat pada Gambar 24.
Spesies 2 (Jarak Pagar) Spesies 26 (Cincau Hitam) Spesies 20 (Sosor Bebek) Spesies 29 (Jambu Biji)
24
Gambar 24 Kesalahan identifikasi spesies citra PSO based fuzzy c-means clustering
Waktu komputasi yang diperoleh untuk pembuatan model PSO based k-means clustering yaitu 60,1 detik.
Perbandingan kinerja hasil percobaan
Pembuatan model untuk masing-masing metode dilakukan untuk mengetahui teknik yang paling baik dalam mengelompokkan spesies tumbuhan obat. Pada setiap percobaan yang dilakukan, akurasi dan waktu komputasi mempengaruhi pemilihan metode yang akan digunakan dalam sistem identifikasi tumbuhan obat. Dari hasil analisis pada setiap percobaan, perbandingan evaluasi untuk nilai akurasi seperti ditunjukkan pada Gambar 25.
Gambar 25 Perbandingan evaluasi akurasi
Perbandingan evaluasi untuk akurasi pada Gambar 25 menunjukkan metode k-means clustering menghasilkan akurasi paling rendah yaitu 41,67%. Metode tersebut di optimasi dengan metode PSO based k-means clustering dan menghasilkan akurasi sebesar 48%. Evaluasi pada metode fuzzy c-means clustering memperoleh akurasi sebesar 50%. Metode tersebut di optimasi dengan metode PSO based fuzzy c-means clustering dan menghasilkan akurasi tertinggi yaitu 52,33%. Hal tersebut menunjukkan adanya peningkatan akurasi, karena metode PSO based k-means clustering dan PSO based fuzzy c-means clustering mampu memperbaiki pengelompokkan data yang diperoleh metode k-means clustering dan fuzzyc-means clustering.
Perbandingan evaluasi untuk waktu komputasi pada setiap percobaan seperti ditunjukkan pada Gambar 26.
25
Gambar 26 Perbandingan evaluasi waktu komputasi
Perbandingan evaluasi waktu komputasi pada Gambar 26 menunjukkan adanya penambahan waktu pada metode PSO based k-means clustering dan PSO based fuzzy c-means clustering dari metode k-means clustering dan fuzzy c-means
clustering. Penambahan algoritme menyebabkan pengolahan data semakin
banyak. Hal tersebut berdampak pada waktu komputasi yang semakin lama. Waktu komputasi yang diperoleh metode k-means clustering 291,3 detik dan metode PSO basedk-means clustering 403,3 detik. Peningkatan waktu komputasi pada metode PSO based k-means clustering cukup signifikan atau sekitar 2 kali dari metode standar k-means clustering. Waktu komputasi yang diperoleh metode fuzzy c-means clustering 59,65 detik dan metode PSO based fuzzy c-means clustering 60,1 detik. Hal ini menunjukkan peningkatan waktu komputasi PSO based fuzzy c-means clustering tidak terlalu signifikan dari metode standar fuzzy c-means clustering.
Pengaruh metode PSO dalam proses optimasi clustering menunjukkan adanya peningkatan hasil identifikasi spesies tumbuhan obat. Penggunaan metode PSO dalam optimasi metode k-means clustering mempunyai pengaruh yang cukup besar karena mampu meningkatkan akurasi sekitar 6,33%. Pada penggunaan metode PSO dalam optimasi metode fuzzy c-means clustering mempunyai pengaruh yang tidak terlalu besar karena hanya meningkatkan akurasi sekitar 2,33%.
Pemilihan Metode Sistem Identifikasi Tumbuhan Obat
Pemilihan metode untuk sistem identifikasi tumbuhan obat dilihat pada evaluasi akurasi dan waktu komputasi. Metode yang akan digunakan berdasarkan metode PSO based k-means clustering dan PSO based fuzzy c-means clustering. Berdasarkan evaluasi akurasi, metode PSO based fuzzy c-means clustering memperoleh akurasi lebih tinggi yaitu 52,33%. Metode ini lebih baik dari metode PSO based k-means clustering yang memperoleh akurasi 48%. Berdasarkan evaluasi waktu komputasi, metode PSO based fuzzy c-means clustering membutuhkan waktu 60,1 detik. Metode ini lebih efisien dari metode PSO based k-means clustering yang membutuhkan waktu komputasi 403,3 detik untuk pengelompokkan spesies tumbuhan obat.
26
Metode PSO based fuzzy c-means clustering merupakan metode yang lebih baik karena menghasilkan akurasi yang tinggi dan waktu komputasi yang lebih cepat. Oleh sebab itu, metode PSO based fuzzy c-means clustering digunakan untuk sistem identifikasi tumbuhan obat.