Pembuatan aplikasi mobile untuk identifikasi tumbuhan obat berbasis citra dan teks bekerja pada mobile device (client) dan
server. Untuk citra, pada sisi server
dilakukan proses training PNN untuk pembuatan model klasifikasi dari hasil ekstraksi ciri LBPV terhadap data latih citra tumbuhan obat, sedangkan sisi client
dilakukan proses pengenalan citra menggunakan klasifikasi PNN terhadap model klasifikasi. Untuk teks, pada sisi
server dilakukan klasifikasi dokumen untuk pembentukan indeks klasifikasi, sedangkan sisi client mengambil input kueri teks dan mengirimkan kueri tersebut ke server untuk proses temu kembali informasi dan hasilnya akan ditampilkan di sisi mobile device
(client). Gambar 5 merupakan alur client server dari sistem aplikasi mobile.
Penelitian ini menggunakan metode penelitian Herawan (2011) untuk searching
dokumen tumbuhan obat dan penelitian Kusmana (2011) untuk identifikasi tumbuhan obat menggunakan fitur citra. Pembuatan aplikasi mobile ini memiliki dua input yang berbeda, yaitu citra dan teks. Input citra tumbuhan obat dapat diambil dari kamera atau galeri pada ponsel. Input teks dimasukan melalui keyboard pada ponsel. Metode penelitian dapat dilihat pada Gambar 7.
Pada penelitian ini struktur aplikasi dibagi menjadi dua bagian, di antaranya adalah:
1 Server
2 Client Server
Pemrosesan di server dibagi menjadi dua bagian, yaitu training citra dan training
dokumen. Training citra menghasilkan model klasifikasi terhadap citra daun dari hasil ekstraksi ciri. Model klasifikasi yang dihasilkan akan digunakan untuk proses pengenalan citra yang dilakukan di client.
Internet
Server Mobille
Devices
Gambar 5 Alur client server mobile application tumbuhan obat.
Training citra pada server menggunakan PNN. Training dokumen tumbuhan obat menghasilkan indeks klasifikasi dari hasil klasifikasi Naïve Bayes. Pada server, untuk dokumen juga dilakukan temu kembali informasi terhadap indeks klasifikasi untuk kueri yang dikirim dari client.
1 Training Citra
Training citra tumbuhan obat di server
menggunakan metode penelitian Kusmana (2011). Training untuk citra tumbuhan obat prosesnya adalah sebagai berikut: Ekstraksi Ciri Citra
Total citra yang digunakan 1440 citra daun tumbuhan obat yang disajikan pada Lampiran 1 terdiri atas 30 jenis daun, depan dan belakang (masing-masing kelas 48 citra). Citra daun berfomat JPEG dengan ukuran 270 x 240 pixel. Sebelum masuk ke dalam tahap ekstraksi fitur, citra dipraproses terlebih dahulu. Citra daun merupakan citra RGB dengan latar belakang putih. Masukan untuk ekstraksi tekstur menggunakan citra gray scale
yang berukuran 240 x 270 pixel. Praproses citra dapat dilihat pada Gambar 6.
Ekstraksi fitur pada citra daun hanya dilakukan pada pixel-pixel yang menyusun daun. Latar belakang yang berwarna putih tidak dimasukan dalam proses ekstraksi agar tidak menjadi penciri. Ekstraksi fitur tekstur pada penelitian ini menggunakan . Ekstraksi tekstur dilakukan dengan konvolusi menggunakan operator (8,1). Nilai-nilai yang dihasilkan dari proses esktraksi direpresentasikan melalui histogram yang merupakan frekuensi nilai LBP pada sebuah citra. Ilustrasi pembentukan histogram ditunjukkan pada Gambar 8. Mobile Devices (Client) Server Citra Teks
Gambar 7 Metode penelitian.
Gray Scale RGB
Gambar 6 Citra masukan untuk ekstraksi tekstur. Ambil Gambar Ekstraksi Ciri Praproses Model Klasifikasi Hasil Identifikasi Evaluasi Citra Daun Praproses Ekstraksi Model Klasifikasi PNN
Kueri : Teks Dokumen
Obat Praproses Pemilihan Fitur Klasifikasi Naïve Bayes Indeks Klasifikasi Temu Kembali Peringkat Dokumen Display Evaluasi
Gambar 8 Pembentukan histogram LBP. Histogram memiliki P+2 bin.
P merupakan banyaknya sampling points
yang digunakan. Histogram yang dihasilkan pada Ekstraksi ciri tekstur dengan operator (8,1) menghasilkan 10 bin.
Klasifikasi Citra
Masukan untuk klasifikasi PNN diambil dari citra daun yang telah melewati tahap ekstraksi ciri sebelumnya. Lapisan output memiliki beberapa target kelas sesuai dengan jumlah jenis daun. Untuk lapisan pola hanya digunakan satu model PNN yaitu dengan nilai bias (σ)
0.015. Pada histogram, dilakukan normalisasi agar perhitungan tidak menghasilkan bilangan yang terlalu besar atau kecil yang tidak bisa dikerjakan oleh mesin komputer.
Evaluasi
Pada penelitian Kusmana (2011), akurasi klasifikasi citra tumbuhan obat menggunakan fitur LBPV adalah sebesar 56.333%. Proporsi data latih dan data uji yang digunakan masing-masing adalah 80% dan 20%.
2 Training Dokumen
Training dokumen tumbuhan obat pada penelitian ini menggunakan metode penelitian yang dilakukan oleh Herawan (2011). Training dokumen tumbuhan obat prosesnya adalah sebagai berikut: Pemilihan Fitur Dokumen
Penelitian ini menggunakan koleksi dokumen tumbuhan obat sebagai korpus yang sama dengan penelitian Herawan (2011). Koleksi dokumen tumbuhan obat berjumlah 132 dokumen bertipe file XML. Untuk file XML ada penambahan tag dari
file yang ada dalam penelitian Herawan (2011) dengan contoh format dokumen yang terdapat pada Lampiran 4. Tag file XML adalah sebagai berikut:
<DOK></DOK>, tag ini mewakili keseluruhan dokumen dan melingkupi tag-tag lain yang lebih spesifik.
<ID></ID>, tag ini menunjukkan ID dokumen.
<NAMA></NAMA>, tag ini menunjukkan nama dari suatu jenis tanaman obat.
<NAMAL></NAMAL>, tag ini menunjukkan nama latin dari tanaman obat.
<DESKRIPSI></DESKRIPSI>, tag ini mewakili isi dari dokumen meliputi deskripsi tanaman dan kegunaannya. <FAM></FAM>, tag ini menunjukkan nama family dari tanaman obat.
<NAMAD></NAMAD>, tag ini menunjukkan nama daerah dari tanaman obat.
<HABITUS></HABITUS>, tag ini menunjukkan habitus dari tanaman obat. <URAIAN></URAIAN>, tag ini menunjukkan deskripsi dari tanaman obat yang sudah diringkas.
<BAGIAN></BAGIAN>, tag ini menunjukkan bagian tanaman obat yang digunakan.
<MANFAAT></MANFAAT>, tag ini menunjukkan manfaat dari tanaman obat. <BUDIDAYA></BUDIDAYA>, tag ini menunjukkan cara budidaya dari tanaman obat.
<KANKIM></KANKIM>, tag ini menunjukkan kandungan kimia dari tanaman obat.
<SIFATKHAS></SIFATKHAS>, tag ini menunjukkan sifat khas dari tanaman obat.
<LOKASI></LOKASI>, tag ini menunjukkan kandungan kimia dari tanaman obat.
<PENYAKIT></PENYAKIT>, tag ini menunjukkan penyakit yang dapat disembuhkan dari jenis tumbuhan obat.
Sebelum masuk ke tahap ekstraksi fitur, dokumen dipraproses terlebih dahulu. Tahapannya ialah dengan
lowercasing, tokenisasi, dan pembuangan
stopwords. Pemilihan fitur dilakukan dengan metode uji chi-kuadrat pada nilai signifikansi 0.001. Fitur yang dihasilkan pada tahapan pemilihan fitur akan digunakan untuk membuat vector space model. Model terdiri atas beberapa dokumen yang direpresentasikan sebagai vektor dari frekuensi kemunculan fitur.
Klasifikasi Dokumen
Nilai peluang kata yang didapat kemudian digunakan untuk melakukan penghitungan Naïve Bayes pada dokumen uji untuk setiap kelasnya. Kemudian, diambil nilai peluang yang terbesar pada nilai penghitungan Naïve Bayes. Nilai tersebut merupakan kelas dari dokumen uji tersebut.
Evaluasi
Akurasi sistem klasifikasi yang dikelaskan berdasarkan family dan penyakit tumbuhan obat yaitu masing-masing sebesar 97.44% dan 89.74% (Herawan 2011). Selain training dokumen tumbuhan obat, di server juga dilakukan temu kembali informasi terhadap kueri yang dikirimkan dari ponsel. Pembobotan yang digunakan adalah BM25 untuk menghitung bobot kedekatan kueri dengan dokumen koleksi. Pada penelitian Herawan (2011), telah dilakukan pengujian sistem temu kembali informasi dengan menghitung nilai recall dan
precision dari kueri pada Lampiran 3 yang diujikan pada sistem. Hasil penghitungan
recall precision yang tinggi ditunjukkan pada Gambar 9. Evaluasi kinerja sistem
temu kembali informasi juga
menghasilkan nilai average precision
yang tinggi juga yaitu sebesar 93.26%.
Gambar 9 Grafik recall precision kueri uji.
Client
Sama halnya pemrosesan server, pemrosesan di client juga dibagi menjadi dua bagian, yaitu untuk identifikasi citra dan pencarian dokumen. Untuk identifikasi citra semua proses dilakukan di client tanpa memerlukan koneksi ke server. Pencarian dokumen tumbuhan obat pada client
dilakukan pengambilan kueri teks yang akan
diproses di server dan hasilnya akan dikembalikan lagi ke client.
1 Identifikasi Citra
Tahapan proses identifikasi citra daun tahapannya adalah praproses, ekstraksi ciri, dan pengenalan citra menggunakan PNN terhadap model klasifikasi hasil
training PNN di server. Praproses dan ekstraksi ciri di client dilakukan dengan menggunakan metode yang sama seperti di server. Alur sistem untuk identifikasi citra di aplikasi mobile (client) dapat dilihat pada Gambar 10.
2 Pencarian Dokumen
Input teks yang dimasukan melalui
keyboard ponsel akan dikirimkan ke
server untuk dilakukan proses temu kembali informasi. Setelah proses temu kembali informasi di server, hasil
pemeringkatan dokumen akan
Mulai Input Citra Identifikasi Citra Hasil identifikasi Pencarian berdasarkan khasiat Temu Kembali Tampilkan citra Selesai Tidak Ya
Gambar 10 Alur sistem untuk identifikasi citra.
ditampilkan pada layar ponsel. Alur sistem untuk pencarian dokumen tumbuhan obat di aplikasi mobile (client)
dapat dilihat pada Gambar 11.
Evaluasi Kinerja Sistem
Evaluasi kinerja sistem terhadap pengguna menggunakan metode kuesioner. Pertanyaan-pertanyaan kuesioner dapat dilihat pada Lampiran 6. Tujuan evaluasi kinerja sistem ialah mengetahui seberapa puas pengguna terhadap hasil identifikasi, pencarian dokumen, dan Human Computer Interaction (HCI). Evaluasi HCI
menggunakan evaluasi heuristik yang terdiri atas 10 aturan yang dapat digunakan untuk menghasilkan gagasan.
Perangkat Keras dan Perangkat Lunak Perangkat keras yang digunakan dalam penelitian ini adalah Processor Intel(R) Core(TM) i5-2410M CPU @ 2.30GHz (4 CPUs), memori DDR2 RAM 4096MB, dan
harddisk 450 GB. Perangkat mobile yang digunakan adalah HTC Desire HD, CPU @ 1GHz, memori RAM 768MB, dan internal phone storage 1.5GB. Perangkat lunak yang digunakan adalah sistem operasi Windows 7 Ultimate 64-bit, Eclipse Version: Helios Service Release 2, Notepad++, server
XAMPP, Perangkat lunak MySQL untuk
databaseserver.
HASIL DAN PEMBAHASAN