3.1 Tahapan Penelitian
Penelitian ini dilakukan dalam beberapa tahap. Tahap-tahap tersebut disajikan pada Gambar 8. Ekstraksi Fitur dengan Fuzzy LBP Model Klasifikasi SVM / PNN PRAPROSES DATA CITRA TANAMAN OBAT Evaluasi Perbandingan Hasil Klasifikasi SVM /PNN Data daun Tumbuhan
Obat Hasil Klasifikasi SVM / PNN Citra Queri Tanaman Hias Fokus Penelitian Ekstraksi Fitur dengan Fuzzy LBP Data Tanaman Hias
Citra Queri daun Tumbuhan obat
Klasifikasi SVM / PNN
17
3.1.1 Pengumpulan Citra dan Praposes
Penelitian ini menggunakan citra tumbuhan obat dan tanaman hias yang diperoleh dari pemotretan. Citra tumbuhan obat terdiri dari tiga puluh species yang terdapat di kebun Biofarmaka IPB Cikabayan dan rumah kaca Pusat Konservasi Ex-situ Tumbuhan Obat Hutan Tropika Indonesia, Fahutan IPB. Masing- masing species terdiri 48 citra, dimana setiap species daun terdiri atas 24 pose citra bagian depan dan 24 pose citra bagian belakang, sehingga total 1.440 citra daun tumbuhan obat .
Citra tanaman hias terdiri dari tiga puluh species citra dari Kebun Raya Bogor, yang digunakan oleh Kulsum (2010). Data citra tumbuhan obat tidak memiliki latar belakang dan data citra tanaman hias memiliki latar belakang hal ini bertujuan untuk menganalisis kinerja FLBP. Setelah dilakukan pengumpulan data citra tahap selanjutnya adalah tahap praproses, dimana dalam tahap ini dilakukan perbaikan pada citra tumbuhan obat dan citra tanaman hias. Selanjutnya, citra tersebut diubah menjadi mode grayscale untuk diproses pada tahap ekstraksi.
3.1.2 Ekstraksi Fitur Tekstur dengan Metode FLBP P,R
Proses yang dilakukan pada ekstraksi tekstur dalam penelitian ini
menggunakan metode . Citra akan dibagi kedalam beberapa blok (local region)
sesuai dengan operator circular neighborhood (sampling points dan radius) yang digunakan. Penelitian ini menggunakan dua ukuran circular neighborhood yaitu (8,1) dan (8,2). Nilai LBP akan direpresentasikan melalui histogram FLBP yang merupakan gambaran frekuensi dari kontribusi nilai LBP yang muncul pada sebuah
citra. Masing-masing blok diektraksi menggunakan metode .
Ekstraksi tekstur dilakukan dengan mengolah setiap untuk mencari selisih
dari piksel tetangga dengan piksel pusat. Dari setiap blok yang didapat, akan menghasilkan satu atau lebih nilai LBP dan nilai kontribusinya. Blok yang berisikan nilai , selanjutnya akan melalui proses fuzzy tresholding berdasarkan rule R0 dan
18
Parameter fuzzifikasi (F) yang digunakan berdasarkan penelitian yang dilakukan Valerina (2012). Citra tumbuhan obat dan tanaman hias memiliki nilai parameter F berbeda . Citra tanaman hias 0 sampai 40 dan untuk citra tumbuhan obat berkisar antara 0 sampai 20. Penggunaan parameter F>0 sebagai hasil dari metode FLBP, proses fuzzy tresholding akan dihasilkan nilai LBP sebanyak 2n, dimana n merupakan banyaknya nilai piksel yang berada direntang fuzzy antara –F sampai F, contoh proses fuzzy tresholding dengan nilai fuzzy 4 disajikan pada Gambar 9.
Gambar 9 Proses Fuzzy thresholding.
Hasil yang diperoleh dari ilustrasi pada Gambar 8 terdapat tiga nilai yang berada diantara rentang fuzzy (-4 < < 4), sehingga diperoleh kombinasi sebanyak 23 = 8, nilai biner yang diperoleh dari masing-masing kombinasi adalah 00111111, 00111101, 00111011, 00111001, 00110111, 00110101, 00110011, dan 00110001. Kedelapan nilai biner ini akan menghasilkan nilai LBP sebagai dasar untuk menentukan perhitungan masuknya nilai ke membership function.
3.1.3 Klasifikasi Support Vector Machine (SVM)
61 137 168 168 163 168 163 165 160 -102 -26 5 5 5 0 2 -3 -102 -26 5 5 -3 2 0 5 0 0 1 1 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 1 1 1 1 1 1 1
19
Setelah proses ekstraksi citra selesai dilakukan, diperoleh hasil vektor histogram untuk setiap ukuran circular neighborhood, untuk tumbuhan obat diperoleh 1.440 vektor histogram dan tanaman hias diperoleh 300 vektor histogram. Tahap selanjutnya adalah menglasifikasi vektor-vektor histogram tersebut dengan SVM. Klasifikasi baik untuk data tumbuhan obat dan tanaman hias dilakukan dengan membagi data latih dan data uji masing-masing 70% dan 30%.
SVM pada penelitian ini menggunakan fungsi Kernel , yang berfungsi untuk mengatasi kesulitan yang timbul karena tidak diketahuinya suatu fungsi non linear dan cara memilih fungsi yang tepat dalam mencari hyperplane yang terbaik. Fungsi
kernel yang digunakan yaitu fungsi kernel Linear, Polynomial dan RBF. Fungsi kernel terbaik akan digunakan sebagai pembanding dengan klasifikasi PNN, yang
bertujuan untuk menganalisa model klasifikasi masing-masing klasifikasi tersebut. Pada penggabungan ukuran circular neighborhood maupun tanpa penggabungan ukuran circular neighborhood harus diekstraksi terlebih dahulu. Hasil identifikasi citra tumbuhan obat menggunakan FLBP akan dibandingkan dengan hasil identifikasi citra tanaman hias.
3.1.4 Klasifikasi Probabilistic Neural Network (PNN)
Sama seperti klasifikasi SVM, setelah proses ekstraksi citra selesai dilakukan, diperoleh hasil vektor histogram untuk setiap ukuran circular neighborhood, untuk tumbuhan obat diperoleh 1.440 vektor histogram dan tanaman hias diperoleh 300 vektor histogram. Tahap selanjutnya adalah menglasifikasi vektor-vektor histogram tersebut dengan PNN. Klasifikasi baik untuk data tumbuhan obat dan tanaman hias dilakukan dengan membagi data latih dan data uji masing-masing 70% dan 30%.
Klasifikasi dengan menggunakan PNN dengan menerapkan bias yang berbeda-beda untuk setiap ukuran circular neighborhood karena dimensi vektor histogram setiap ukuran circular neighborhood berbeda-beda.
20
Pengujian data dilakukan oleh sistem, yaitu dengan penilaian tingat keberhasilan klasifikasi terhadap citra kueri. Evaluasi dari kinerja model klasifikasi didasarkan pada banyaknya data uji yang diprediksi secara benar dan tidak benar oleh model. Hal ini dapat dihitung menggunakan akurasi yang didefinisikan sebagai berikut:
3.1.6 Evaluasi Hasil Klasifikasi SVM dan PNN
Evaluasi kinerja yang dilakukan adalah :
1 Menganalisa model klasifikasi yang disajikan dalam bentuk Confusion
Matrix.
2 Menganalisa akurasi hasil identifikasi klasifikasi setiap kelas citra tumbuhan obat dan tanaman hias yang disajikan dalam bentuk grafik.
3.2 Kebutuhan Alat dan Bahan Penelitian
Perangkat lunak yang digunakan MS Window XP Professional Version 2002 SP2 dan Microsoft Visual Studio 2010 adapun perangkat keras yang digunakan:
Processor intel® core ™ 2 duo CPU T57550, memori DDR2, RAM 2,99 GB, Library OpenCv 2.1, dan Visual C++.
3.3 Waktu dan Tempat Penelitian
Penelitian dilaksanakan di Laboratorium Computational Intelligence
Pascasarjana Departemen Ilmu Komputer IPB di mulai bulan Januari 2011 .
21