Pohon merupakan sesuatu yang penting dalam penggambaran tumbuhan secara keseluruhan. Bagian dari pohon di antaranya daun, batang, bunga, buah, dan akar. Identifikasi tumbuhan melalui pohon dapat diketahui dengan mudah karena pohon menggambarkan keseluruhan bagian pada tumbuhan.
Daun
Daun merupakan salah satu organ tumbuhan yang umumnya berwarna hijau dan organ vegetatif yang tidak bergantung pada musim. Daun sangat cocok sebagai alat identifikasi tumbuhan karena jumlah daun yang sangat banyak dan dapat ditemui dalam waktu kapan pun, dibandingkan dengan organ lain seperti bunga dan buah.
Daun yang ada sangat bervariatif sehingga dapat digunakan sebagai penciri dari tumbuhan. Ciri-ciri daun yang dapat diambil di antaranya morfologi, tekstur, dan bentuk daun. Pengidentifikasian melalui tekstur daun harapannya akan lebih bagus untuk pengenalan tumbuhan.
Ekstraksi Fitur
Ekstraksi fitur adalah proses memperoleh fitur atau penciri dari suatu citra. Secara umum, fitur citra berupa warna, bentuk, dan tekstur. Acharya dan Ray (2005) mendefinisikan fitur bentuk sebagai pendeskripsi suatu objek yang bebas terhadap posisi, orientasi, dan ukuran. Fitur tekstur didefinisikan sebagai pengulangan pola atau
pola-pola yang terdapat pada suatu daerah bagian citra. Tekstur juga dapat membedakan permukaan dari beberapa kelas.
Tekstur
Tekstur adalah gambaran visual dari sebuah permukaan atau bahan. Tekstur dicirikan dengan variasi intensitas pada sebuah citra. Variasi intensitas dapat disebabkan oleh kekasaran atau perbedaan warna pada suatu permukaan. Selain itu tekstur juga merupakan properti dari area. Properti-properti dari tekstur citra meliputi: keseragaman, kepadatan, kekasaran, keberaturan dan frekuensi. Penampilan tekstur dipengaruhi oleh skala dan arah pandangan, serta lingkungan dan kondisi pencahayaan (Mäenpää 2003).
Image Enhancement
Prinsip dari perbaikan citra (image
enhancement) adalah memproses citra
sehingga menghasilkan citra yang lebih baik untuk digunakan daripada citra asli sebelumnya. Perbaikan citra dikategorikan menjadi dua yaitu perbaikan citra pada ruang spasial dan pada ruang frekuensi. Perbaikan citra pada ruang spasial merujuk pada citra tersebut dan pendekatan ini didasarkan pada memanipulasi langsung piksel dalam sebuah citra. Perbaikan citra pada ruang frekuensi didasarkan pada mengubah sebuah citra menggunakan modifikasi Fourier Transform
(Gonzales 2002).
Gaussian Filtering
Gaussian Filtering adalah salah satu
proses perbaikan citra bertujuan untuk menormalkan frekuensi distribusi dari suatu citra. Gaussian Filtering dapat diformulasikan sebagai berikut:
( , = ! "#$ (1) dengan adalah jarak dari titik pusat pada sumbu horizontal, adalah jarak dari titik pusat ke sumbu vertikal dan % adalah standar deviasi dari distribusi Gaussian. Perspektif bentuk dari kurva Gaussian akan diperlihatkan pada Gambar 1.
3 Gambar 1 Plot perspektif pada kurva
Gaussian.
Tujuan dari penggunaan fungsi Gaussian pada perbaikan citra adalah memperhalus distribusi frekuensi yang dimiliki oleh citra. Pada citra wajah manusia Gaussian Filtering
dapat digunakan untuk mengurangi garis-garis halus pada kulit dan noda-noda kecil yang akhirnya citra tersebut akan terlihat lebih halus. Gonzales (2002) menyatakan bahwa
Gaussian filtering dapat digunakan pada
sistem analisis yang mencari untuk mencari fitur yang dominan pada suatu citra.
Multi-Block Local Binary Pattern
Multi-Block Local Binary Pattern adalah
metode mendeskripsikan tekstur pada mode warna grayscale dengan mengkodekan intensitas area persegi dengan LBP operator, dan menghasilkan pola biner yang dapat menggambarkan perbedaan struktur lokal pada citra. Li serta tim penelitinya pertama kali memperkenalkan MBLBP pada tahun 2007 untuk mengkodekan area persegi (sub-
region) menggunakan Local Binary Pattern
(LBP) operator pada proses pengenalan wajah. Dibandingkan dengan LBP asli yang dihitung berdasarkan 3x3 piksel ketetanggaan, MBLBP dapat mengambil struktur skala yang lebih luas yang mungkin menjadi fitur yang dominan dari struktur suatu citra (Huang et al. 2009).
Pada MBLBP perbandingan antara single
piksel LBP digantikan oleh nilai rata-rata dari
sub-regions. Sub-regions merupakan hasil
rata-rata dari single piksel yang berbentuk persegi. LBP mendefinisikan setiap piksel citra dan menggunakan 3x3 nilai piksel ketetanggaan dengan piksel pusat sebagai
thresholding. Nilai single piksel dari MBLBP
akan digantikan oleh nilai rata-rata piksel dari blok sub-regions. Pembobotan MBLBP diperoleh dengan membandingkan nilai sub-
region piksel pusat ( & dengan ketetanggaan
sub-regions yang lain ' (, ) , *.
Pembobotan yang diperoleh adalah pembobotan biner. Ilustrasi dari MBLBP dapat dilihat pada Gambar 2.
Gambar 2 Ilustrasi dari MBLBP fitur. Pada Gambar 2 nilai threshold dari sub-
regions yang pertama sebesar 6.67, setelah
dilakukan thresholding akan menghasilkan pola MBLBP yaitu 00111100 yang akan dikalikan dengan pembobotan biner sesuai dengan posisi piksel ketetanggaan tersebut berada maka nilai MBLBP sebesar 60.
Nilai dari MBLBP dari diformulasikan sebagai berikut:
+ = ,/0 (-( + & . (2)
- ( = 12, 34 5 66, 34 7 68 (3) dengan & adalah nilai rata-rata dari piksel pusat blok sub-region, (3 = 6, ) , 9 adalah ketetanggaan sub-regions dan - adalah sign
(kode biner).
Gambar 2 menunjukkan operasi dasar MBLBP. Nilai MBLBP dapat dihasilkan dengan mengalikan nilai piksel yang telah melalui proses thresholding dan pembobotan biner sesuai dengan posisi piksel ketetanggan tersebut berada. Pola-pola biner pada MBLBP merepresentasikan berbagai struktur pola citra seperti pola tepi, titik, garis, flat areas, dan
corner, pada lokasi dan skala yang berbeda.
Selanjutnya kode MBLBP
direpresentasikan melalui histogram. Histogram menunjukkan frekuensi kejadian berbagai nilai MBLBP. Ukuran citra NxM.
4 Setelah mendapatkan nilai MBLBP pada
satiap ketetanggaan (blok(3, :)), keseluruhan tekstur citra direpresentasikan dengan membentuk histogram dengan formula sebagai berikut: ;(< = , ,A 4( (3, : , < , < ∈ >6, ?@ B0 C 0( (4) 4( , = 1 2, =6, - D 3E8 (5) dengan K merupakan nilai MBLBP terbesar.
MBLBP bekerja menggunakan delapan ketetanggan yang tersebar melingkar (circular
neighborhoods) dengan pusat piksel berada di
tengah seperti ditunjukkan oleh Gambar 3. Notasi merupakan nilai grey-level dari sub-
region piksel ketetanggaan.
Gambar 3 Circular neighborhood delapan ketetanggaan.
Terdapat berbagai macam operator MBLBP dengan berbagai ukuran sampling
points dan radius yang ditunjukkan pada
Gambar 4. Beragamnya operator ini digunakan untuk membuat ukuran lokal tekstur yang berbeda-beda. Selanjutnya notasi (P,R) akan digunakan untuk piksel ketetanggaan dengan P merupakan sampling
points yang melingkar dan R merupakan
radius.
(8,1) (16,2) (8,2) Gambar 4 Berbagai macam ukuran sampling
points dan radius.
Local Binary Pattern
Local Binary Pattern (LBP) merupakan
metode ekstraksi dengan menjumlahkan struktur lokal pada citra yang bekerja pada mode warna grayscale. LBP pertama kali diperkenalkan pada tahun 1996 oleh Timo Ojala. LBP digunakan untuk mencari pola- pola tekstur lokal pada citra (texture in local
neighborhood) (Mäenpää 2003). LBP banyak
diterapkan pada banyak aplikasi di antaranya pada image retrieval, face detection, facial
expression analysis dan berbagai macam
aplikasi lainnya.
LBP bekerja menggunakan delapan ketetanggaan yang tersebar secara melingkar
(circular neighborhoods) dengan pusat piksel
berada di tengah. Rataan seluruh piksel (piksel ketetanggaan dan piksel pusat) digunakan sebagai nilai ambang batas (threshold). Nilai LBP dihasilkan dengan mengalikan nilai piksel yang telah melalui tahap pemotongan dengan pembobotan biner sesuai posisi piksel ketetanggaan tersebut berada.
Gambar 5 Contoh operasi pada LBP. Gambar 5 menunjukkan operasi dasar LBP. Perbedaan mendasar di antara MBLBP dengan LBP adalah struktur lokal pada MBLBP direpresentasikan oleh nilai rata-rata dari setiap sub-regions, sedangkan pada LBP struktur lokal direpresentasikan oleh nlai
single piksel. Pola-pola biner LBP
merepesentasikan bermacam-macam pola tepi, titik, flat areas, dan sebagainya. Nilai LBP menunjukkan kode local binary pattern. LBP dapat diformulasikan sebagai berikut:
LBP I,J ( &, & =
K -( L+ 2L
L0(
(6)
-( = M1 ≥ 00 < 08 (7)
dengan & dan & adalah koordinat pusat piksel ketetanggaan, N adalah circular
sampling points, adalah banyaknya
sampling points, Ladalah nilai keabuan dari
N, μ adalah nilai rata-rata piksel ketetanggaan dan piksel pusat, dan - adalah sign (kode biner).
Kode LBP direpresentasikan melalui histogram. Histogram menunjukkan frekuensi kejadian berbagai nilai LBP. Ukuran citra adalah NxM. Setelah mendapatkan nilai LBP pada setiap neighborhood (blok 3, : ), keseluruhan tekstur citra direpresentasikan dengan membentuk histogram:
5 ; < = K K 4P , 3, : , <Q, < ∈ >0, ?@ A B0 C 0( (8) 4 , = 11, =0, - D 3EE 8 (9)
dengan K merupakan nilai LBP terbesar. Operator LBP mengalami perkembangan
dengan dimodelkannya operator
menggunakan berbagai ukuran sampling
points dan radius. Beragamnya operator ini
digunakan untuk membuat ukuran lokal tekstur yang berbeda-beda. Selanjutnya notasi (P,R) akan digunakan untuk piksel ketetanggaan dengan P merupakan sampling
points yang melingkar dan R merupakan
radius.
LBP pada dasarnya hanya dapat mengkodekan pola mikrostruktur dari suatu citra. Hal tersebut mengakibatkan citra tanaman yang memiliki daun yang jarang sulit dikenali, karena makrokstuktur dari suatu citra belum dapat teridentifikasi dengan baik.
Multi-Block Local Binary Pattern (MBLBP)
merupakan suatu metode ekstraksi ciri dengan mengkodekan area persegi citra dengan LBP operator untuk mengetahui pola makrostrukstur dari suatu citra.
Rotation Invariant
Struktur piksel ketetanggaan LBP berbentuk melingkar, untuk itu dibuat suatu cara agar pola-pola LBP tidak sensitif terhadap perubahan rotasi. Istilah ini dinamakan rotation invariant.
Contoh: LBP = 00001111 = 15 dapat direpresentasikan dengan circular
neighborhood pada Gambar 6.
Gambar 6 Rotation Invariant LBP.
Rotation invariant didefinisikan sebagai
nilai minimum dari rotasi (RSR) -bit biner yang dilakukan sebanyak 3 kali:
, = minWRSRP , ,3Q X 3 = 0, 1,… , − 1 }
(10) dengan 3 menunjukkan rotation invariant.
Nilai dan pola-pola LBP pada Gambar 6 dapat berbeda-beda, tetapi memiliki struktur rotasi yang sama. Setiap pola LBP akan
mempunyai pola yang berbeda jika dirotasi searah jarum jam ataupun berlawanan arah jarum jam (Pietikäinen 2000).
Uniform Patterns
Pola-pola LBP mencerminkan suatu karakteristik dari sebuah tekstur. Pola-pola yang memiliki informasi penting ini dinamakan “uniform patterns”. Suatu pola dikatakan uniform jika struktur melingkar pola-pola binernya paling banyak terdiri atas dua transisi bit dari 0 ke 1 atau sebaliknya. Sebagai contoh 00000000 (0 transisi), 011111111 (1 transisi), 01110000 (2 transisi), dan 11001111 (2 transisi) merupakan uniform
patterns, sedangkan 11001001 (4 transisi) dan
01010011 (6 transisi) bukan merupakan
uniform patterns atau disebut nonuniform
patterns. Uniform patterns berfungsi untuk
mengidentifikasi noda (spot), flat area atau
dark spot, sudut, dan tepi (Ojala et al. 2002).
Spot Spot/flat Line end Edge Corner
Gambar 7 Tekstur uniform patterns.
Gambar 7 menunjukkan definisi dari pola- pola uniform. Untuk mengidentifikasi uniform
patterns digunakan formulasi sebagai berikut:
YP , Q = Z- − & − - (− & Z
+ ,L0 Z-P L− &Q − -P L − &QZ
(11) dengan YP , Q merupakan uniform
patterns dari P banyaknya sampling points
dan radius R, N adalah circular sampling
points, L adalah nilai keabuan dari N, dan
& adalah nilai keabuan rata-rata seluruh
piksel neighborhood.
Rotation Invariant Uniform Patterns
[\]],^_`ab)
Penggabungan antara uniform patterns
dengan rotation invariant dilambangkan
, . Notasi ri menunjukkan rotation
invariant dan u2 untuk uniform patterns pada
sampling points P dan radius R. ,
merupakan ukuran ketidaksensitifan
(invariant) terhadap perubahan grayscale.
, merupakan ukuran yang digunakan untuk menggambarkan pola spasial. Jumlah pola yang dihasilkan uniform patterns adalah − 1 + 2 bins. Ketika uniform patterns
6 dirotasi sampai ke nilai minimum yang
dimilikinya, jumlah pola yang dihasilkan menjadi + 1 bins. Rotation invariant
uniform patterns diformulasikan sebagai
berikut:
, = c,L0(-P L−+ 1 , - D 3EE&Q, 34 YP ,Q ≤ 28
Jika pola yang diidentifikasi termasuk
uniform patterns, akan dihitung banyaknya bit
satu pada pola tersebut yang menentukan letak
bin uniform patterns berada. Jika banyaknya
sampling points sama dengan delapan, nilai
, adalah nol sampai dengan sembilan.
Jika non uniform patterns akan masuk ke dalam bin terakhir, yaitu bin ke-sembilan yang merupakan single bin non uniform patterns
(Mäenpää 2003).
Rotation Invariant Variance Measure (VAR)
, tidak mendefinisikan lokal kontras tekstur dalam perhitungannya VAR
merupakan suatu descriptor untuk mengukur lokal kontras tekstur pada suatu citra. VAR
tidak sensitif terhadap perubahan grayscale. VAR berhubungan dengan kondisi pencahayaan suatu citra. Untuk mengukur lokal kontras tekstur pada suatu citra digunakan rotation invariant local variance
dengan formula sebagai berikut: eR , = K Pgg− Q
L0( (13) dengan
μ = K gg
L0( (14) dengan merupakan rata-rata sampling points
circular neighborhood. Hasil perhitungan
VAR menghasilkan nilai continuous yang perlu dikuantisasi berdasarkan persebaran pola tekstur (Guo et al. 2009).
LBP Variance (LBPV)
LBPV descriptor secara sederhana
menggabungkan distribusi frekuensi nilai LBP dan lokal kontras. Variance berhubungan dengan fitur tekstur. Pada umumnya frekuensi tekstur region yang tinggi akan mempunyai
variance yang lebih tinggi dan variance
tersebut lebih berkontribusi terhadap perbedaan tekstur suatu citra (Guo et al. 2009). Oleh karena itu, variance eR , dapat digunakan sebagai bobot yang dapat beradaptasi untuk mengatur kontribusi nilai LBP pada perhitungan histogram. Histogram
LBPV dihitung menggunakan formula sebagai berikut: , (< = K K hP , (3,: , <Q, < ∈ >0.?@ A B0 C 0 (15) dengan hP , 3, : , <Q = 1 eR0, , 3, : , - D 3EE, 3, : = <8 (16) Penggabungan Operator
Penggabungan beberapa N operator dengan nilai sampling points P dan radius R yang bervariasi adalah salah satu cara untuk memperbesar dukungan area spasial dari MBLBP. Penggabungan operator yang digunakan adalah dengan menggunakan
concatenation (Guo et al. 2009). Cara kerja
concatenation yaitu pada awalnya histogram
dari N operator dihitung secara terpisah, kemudian histogram dari masing-masing operator dirangkaikan menjadi satu buah histogram. Pada penggabungan dengan menggunakan concatenation banyaknya bin histogram yang dihasilkan mengalami peningkatan secara linear terhadap pertumbuhan P atau sampling point. Sebagai contoh penggabungan , dengan
, , akan menghasilkan histogram dengan panjang bin 10 dijumlahkan dengan 18 bin yaitu sebesar 28 bin.
Probabilistic Neural Network (PNN)
PNN merupakan Artificial Neural Network
(ANN) yang menggunakan teorema probabilitas klasik (pengklasifikasian Bayes). PNN diperkenalkan oleh Donald Specht pada tahun 1990. PNN menggunakan pelatihan
(training) supervised. Pelatihan data pada
PNN mudah dan cepat. Bobot bukan merupakan hasil pelatihan melainkan nilai yang dimasukkan (tersedia). Menurut Wu et al. (2007) PNN memiliki struktur sederhana dan pelatihan data yang cepat karena tidak perlu memperbaharui bobot.
Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusan/keluaran. Lapisan masukan merupakan objek yang terdiri atas < nilai ciri yang akan diklasifikasikan pada E kelas. Struktur PNN ditunjukkan pada Gambar 8. Proses-proses yang terjadi setelah lapisan masukan adalah:
7 Gambar 8 Struktur PNN.
1. Lapisan pola (pattern layer)
Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan. Setiap node pola merupakan selisih antara
vektor masukan j yang akan
diklasifikasikan dengan vektor bobot mmmmjkl, yaitu n = j + mmmmjkl, n kemudian dibagi dengan bias tertentu ( ) dan selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu op -(E = exp (+E . Dengan demikian, persamaan yang digunakan pada lapisan pola adalah.
4( j = N t+(uj ummmmmmjvwx(uj ummmmmmjvwy (17) 2. Lapisan penjumlahan (summation layer)
Menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Persamaan yang digunakan pada lapisan ini adalah: N( j = 1 2z{ %{ | K exp − j −mmmmjkl} j −mmmmjkl 2% ~ 0 (18) 3. Lapisan keluaran (output layer)
Menentukan kelas dari input yang diberikan. Input x akan masuk ke Y jika nilai N• paling besar dibandingkan kelas lainnya.