!"! !#!$ !%& '! !% &(%& ) ) *# $ " #! ! +!(! *) &% !,!
ADITYA DWI GUSADHA. Aglaonema Type Identification System Using Probabilistic Neural Network. Supervised by AZIZ KUSTIYO.
Aglaonema is an ornamental plant that is quite popular in Indonesia. It is estimated that there are nearly 8000 species Aglaonema in the world both native and hybrid. The many types of Aglaonema in the world causes difficult in identifying some types of Aglaonema. This research attempts to identify the type of Aglaonema based on the image using Probabilistic Neural Network (PNN).
The data used in this study have 900 images of leaves, which consists of 30 types of Aglaonema. Each image of Aglaonema that will be identified by the system will first be subjected to two stages, texture feature extraction and colour feature extraction. The texture feature extraction used Local Binary Pattern Variance (LBPV) and Co8occurrence Matrix while the colour feature extraction used Histogram8162 (HSV8162). We perform two type of experiment, one where we uses each feature seperately and another where the two features are combine. For classifier we used Probabilistic Neural Network (PNN).
The results indicates that the combination of Co8occurrence Matrix with HSV8162 yield a better accuracy compact two when the feature are used seperately. On the other hand, the combination of Local Binnary Pattern Variance (LBPV) and HSV8162 does not yield an increase in accuracy, however the accuracy on this case is better than the accuracy of the combination between Co8occurrence Matrix and HSV8162. The highest accuracy is obtained in the case of the Local Binnary Pattern Variance (LBPV) and HSV8162 with the value of 55.56%.
Keywords:
Program Studi : Ilmu Komputer
Menyetujui, Pembimbing
Aziz Kustiyo, S.Si., M.Kom. NIP. 19700719 199802 1001
Mengetahui,
Ketua Departemen Ilmu Komputer
Dr. Ir. Sri Nurdiati, M.Sc. NIP. 19601126 198601 2 001
Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor melalui jalur REGULER. Pada tahun 2007 penulis melanjutkan pendidikan pada Program Studi Ilmu Komputer Penyelenggaraan Khusus Institut Pertanian Bogor.
Selama mengikuti pendidikan Sekolah Menengah Umum, penulis aktif dalam Organisasi Siswa Intra Sekolah (OSIS). Penulis diberi kesempatan untuk memimpin bidang V (Kabid V) OSIS. Selain itu, penulis juga aktif dalam organisasi sepak bola sekolah dan menjadi ketua organisasi tersebut.
Maret 2011 sampai dengan bulan Agustus 2011.
Terima kasih penulis ucapkan kepada berbagai pihak yang telah membantu penelitian dan penulisan karya ilmiah ini, antara lain kepada :
1. Kedua orang tua (Ayahanda dan Ibunda tercinta) di Lampung beserta keluarga atas segala kasih sayang dan perhatiannya.
2. Ibu Dr. Yeni Herdiyeni, S.Si., M.Kom yang telah membantu dan memberikan saran serta pengarahan.
3. Bapak Aziz Kustiyo, S.Si., M.Kom selaku dosen pembimbing yang telah memberikan bimbingan dan pengetahuan sehingga skripsi ini dapat diselesaikan.
4. Bapak Toto Haryanto, S.Kom., M.Si dan Bapak Dr. Ir. Agus Buono, M.Si., M.Kom selaku dosen penguji.
5. Bapak Ir. Kurniawan Budiarto, M.Sc selaku pakar tanaman hias yang telah membantu dan memberikan saran.
6. Adrini Putri, Bapak Drs. Radjiman Nataprawira dan Ibu Hj. Atty Nurhayati, B.Sc yang selalu memberikan motivasi.
7. Teman8teman seperjuangan Ekstensi Ilmu Komputer angkatan 2. 8. Semua dosen beserta staf karyawan Departemen Ilmu Komputer IPB.
Bogor, Desember 2011
!#!)!(
DAFTAR GAMBAR ... vii
DAFTAR TABEL ... vii
DAFTAR LAMPIRAN ... vii
PENDAHULUAN... 1
Latar Belakang ... 1
Tujuan ... 1
Ruang Lingkup ... 1
Manfaat ... 2
TINJAUAN PUSTAKA ... 2
Tekstur ... 2
(LBP)... 2
' ( ) ... 3
* + ... 3
(LBPV) ... 4
... 4
HSV8162 ... 5
... 5
) (CCH) ... 6
Tanaman ... 6
METODE PENELITIAN ... 7
" (praproses) ... 7
Ekstraksi Tekstur dengan LBPV ... 7
Ekstraksi Tekstur dengan ... 8
Ekstraksi Warna dengan HSV8162 ... 9
Klasifikasi dengan ... 9
Perangkat Lunak dan Perangkat Keras ... 10
HASIL DAN PEMBAHASAN ... 10
" (praproses) ... 10
A. Data Citra Daun ... 10
B. Pembagian Data Latih dan Data Uji ... 10
Ekstraksi Ciri ... 10
A. Ekstraksi Ciri Menggunakan Metode LBPV dan HSV8162 ... 11
B. Ekstraksi Ciri Menggunakan Metode dan HSV8162 ... 12
Pengujian dengan Klasifikasi (PNN) ... 13
A. LBPV dengan HSV8162 ... 13
B. dan HSV8162... 14
Pengujian Sistem ... 15
Keterbatasan Sistem ... 16
KESIMPULAN DAN SARAN ... 17
Kesimpulan ... 17
Saran ... 17
DAFTAR PUSTAKA ... 17
!#!)!(
1 & & # delapan " " . ... 2
2 Operasi pada . ... 2
3 Ukuran & & #. ... 3
4 ' ) LBP. ... 3
5 Tekstur + " . ... 3
6 Pembangunan ... 5
7 Struktur " , ... 5
8 Variasi tanaman . ... 6
9 Metodologi penelitian. ... 7
10 Ilustrasi pembagian blok matriks 3x3 pada citra. ... 7
11 Ilustrasi pembagian blok matriks 5x5 pada citra. ... 8
12 Ilustrasi pembagian blok matriks 7x7 pada citra. ... 8
13 Arsitektur PNN pada penelitian. ... 10
14 Proses - pada citra daun. ... 10
15 Proses "" pada citra daun. ... 10
16 Proses perubahan warna pada citra daun. ... 11
17 Akurasi pada setiap operator LBPV. ... 11
18 Akurasi pada setiap operator LBPV dan HSV8162. ... 12
19 Akurasi pada dan HSV8162. ... 13
20 Akurasi metode LBPV pada operator (16.1). ... 13
21 Akurasi kombinasi antara metode LBPV (16.1) dan metode HSV8162. ... 14
22 Pengaruh fitur warna terhadap klasifikasi LBPV (16.1) dan HSV8162. ... 14
23 Akurasi kombinasi antara metode dan HSV8162. ... 15
!#!)!( 1 Jenis tanaman . ... 6
2 Operator # " , ... 7
3 Kombinasi operator LBPV dan HSV8162. ... 12
4 Perbandingan jumlah data pada metode LBPV # " ... 13
5 Perbandingan jumlah data pada metode HSV8162. ... 14
6 Perbandingan jumlah data pada kombinasi metode LBPV (16.1) dan HSV8162. ... 14
7 Perbandingan jumlah data pada metode , ... 15
8 Perbandingan jumlah data pada kombinasi metode dan HSV8162. ... 15
!#!)!( 1 Jenis yang diidentifikasi. ... 20
2 Tampilan awal sistem. ... 25
3 Tampilan hasil input data citra daun pada sistem. ... 26
4 Tampilan proses " citra daun pada sistem... 27
5 Tampilan proses identifikasi citra daun pada sistem. ... 28
6 Tampilan hasil identifikasi citra daun pada sistem (hasil identifikasi sesuai). ... 29
7 Tampilan prediksi jenis yang teridentifikasi pada sistem. ... 30
8 Tampilan hasil identifikasi citra daun pada sistem (hasil identifikasi tidak sesuai). ... 31
9 Tampilan prediksi jenis yang tidak teridentifikasi pada sistem. ... 32
!%! #! !("
atau disebut juga dengan Sri Rejeki merupakan tanaman hias yang cukup digemari di Indonesia. Tanaman
disukai karena warna dan tekstur daunnya yang memiliki keunikan. Ciri dan karakterisik yang terdapat di daun merupakan keutamaan untuk membedakan antar jenis .
Tanaman di dunia,
diperkirakan memiliki hampir 8000 jenis baik dari spesies maupun hasil persilangan ( ) ). Banyaknya jenis baru dari hasil persilangan para Botanis menyebabkan pecinta
maupun petani masih sulit untuk mengidentifikasi beberapa jenis , Oleh sebab itu, dibutuhkan suatu sistem yang dapat mengenali dan dapat mengidentifikasi jenis berdasarkan citra daunnya.
Tanaman dapat diidentifikasi berdasarkan ciri morfologis, warna dan teksturnya. Kebapci . (2009) telah melakukan kombinasi ekstraksi ciri warna, bentuk dan tekstur untuk temu kembali citra pada tanaman hias menggunakan Gabor dan .
( ) + / + (SIFT).
Segmentasi citra dilakukan pada praproses data. Pada umumnya, proses segmentasi citra sulit dilakukan karena membutuhkan waktu yang lama dan usaha yang lebih untuk melakukannya. Untuk mengatasi permasalahan tersebut, digunakan metode (LBPV) dan
metode .
Penelitian ini mencoba mengidentifikasi tanaman menggunakan citra daun pada bagian atas dengan menerapkan metode (LBPV) dan
metode untuk
melakukan ekstraksi ciri teksturnya serta akan menerapkan metode HSV8162 untuk melakukan ekstraksi ciri warnanya. Dari ciri8 ciri yang ada itulah, nantinya akan dilakukan kombinasi antara metode
(LBPV) dan metode HSV8 162 serta kombinasi antara metode
dan metode HSV8162. Setelah itu, dilakukan klasifikasi terhadap hasil ekstraksi yang telah didapat sebelumnya dengan menggunakan metode
(PNN). Kombinasi ciri yang digunakan tersebut diharapkan dapat meningkatkan akurasi klasifikasi sehingga identifikasi yang dihasilkan lebih akurat.
Penelitian ini merujuk pada penelitian sebelumnya, yaitu penelitian yang dilakukan oleh Kulsum (2010) yang berjudul Identifikasi Tanaman Hias secara Otomatis Menggunakan
Metode # " dan
, Dalam penelitiannya, sistem mengidentifikasi tanaman hias secara otomatis dengan menggunakan metode
# " dan
(PNN) sebagai pengklasifikasinya. Namun pada penelitian ini, tanaman yang akan diidentifikasi lebih dikhususkan pada tanaman hias jenis .
&+&!(
Penelitian ini bertujuan mengidentifikasi jenis tanaman hias menggunakan
Ruang lingkup dari penelitian ini, yaitu : 1. Data yang digunakan berupa data citra
yang diperoleh dari hasil pemotretan menggunakan kamera digital.
2. Data yang diuji berupa data citra daun hanya pada bagian atas daun saja.
3. Data citra daun yang diuji sebanyak 900
5. Setiap jenis terdiri atas 30 citra pada bagian atas daun saja.
6. Hasil keluaran sistem berupa kesimpulan dari jenis yang diidentifikasi beserta hasil prediksi terhadap jenis
yang teridentifikasi.
!(-!!%
Manfaat penelitian ini adalah untuk
mengidentifikasi jenis yang
nantinya diharapkan dapat membantu para petani dan pecinta tanaman yang mengalami kesulitan dalam mengidentifikasi jenis tersebut.
%&
Tekstur merupakan suatu gambaran visual dari sebuah permukaan atau bahan. Dalam
" ) , tekstur dicirikan dengan
variasi intensitas pada sebuah citra. Variasi intensitas dapat disebabkan oleh kekasaran atau perbedaan warna pada suatu permukaan. Tekstur juga merupakan suatu properti dari area. Properti8properti dari tekstur citra meliputi keseragaman, kepadatan, kekasaran, keberaturan, , keberarahan, dan frekuensi. Penampilan tekstur dipengaruhi oleh skala dan arah pandangan serta lingkungan dan kondisi pencahayaan (Mäenpää 2003).
. /
(LBP) merupakan suatu metode untuk mendeskripsikan tekstur pada mode warna . LBP pertama kali diperkenalkan pada tahun 1996 oleh Timo Ojala. LBP digunakan untuk mencari pola8 pola tekstur lokal pada citra (
& & #) (Mäenpää 2003).
LBP bekerja menggunakan delapan ketetanggaan yang tersebar secara melingkar
1 & & # 2 dengan pusat piksel
berada di tengah seperti ditunjukkan pada Gambar 1. Notasi merupakan nilai
) piksel ketetanggaan. Rataan seluruh piksel (piksel ketetanggaan dan piksel pusat) digunakan sebagai nilai ambang batas (& & #) untuk memotong setiap nilai piksel ketetanggaan.
Gambar 1 & & # delapan " " .
Nilai LBP dihasilkan dengan mengalikan nilai piksel yang telah melalui tahap pemotongan (& & #) dengan pembobotan biner sesuai posisi piksel ketetanggaan tersebut. Operasi dasar
(LBP) dapat dilihat pada Gambar 2.
Contoh
&
& #
bobot
Gambar 2 Operasi pada .
Keterangan Gambar 2 : Nilai & & # : 5.667 Pola LBP : 11110001
Nilai LBP : 1 + 16 + 32 + 64 + 128 = 241
Pola8pola biner LBP merepesentasikan bermacam8macam pola tepi, titik, +
dan sebagainya. Nilai LBP menunjukkan kode . LBP dapat diformulasikan sebagai berikut :
. , = − 2
= 1 ≥ 00 < 0 dengan :
xc : Koordinat pusat piksel ketetanggaan
yc : Koordinat pusat piksel ketetanggaan
" : " "
P : Banyaknya . " "
": Nilai keabuan dari "
µ : Nilai rata8rata piksel ketetanggaan dan piksel pusat
: . (kode biner)
Selanjutnya kode8kode LBP
! " = # . $, # , " , " ∈ [0, ']
Operator LBP mengalami perkembangan dengan dimodelkannya operator menggunakan berbagai ukuran " " dan radius. Beragamnya operator ini digunakan untuk membuat skala atau ukuran lokal tekstur yang berbeda8beda. Selanjutnya notasi (P.R) akan digunakan untuk piksel ketetanggaan dengan P merupakan " " yang melingkar dan R merupakan radius, Contoh & & # tiga operator dapat dilihat pada Gambar 3,
(8,1) (16,2) (8,2)
Gambar 3 Ukuran & & #.
' ) merupakan suatu cara
agar pola8pola LBP tidak sensitif terhadap perubahan rotasi dikarenakan struktur piksel ketetanggaan LBP berbentuk melingkar. & & # dengan LBP = 00001111 = 15 dapat dilihat pada Gambar 4.
Gambar 4 ' ) LBP.
' ) didefinisikan sebagai
nilai minimum dari rotasi ('3') 8bit biner yang dilakukan sebanyak kali:
, dapat berbeda8beda, 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),
Pola8pola LBP tertentu memiliki karakteristik utama dari suatu tekstur. Pola8 pola yang memiliki informasi penting ini dinamakan “ + " ”. LBP dikatakan + jika struktur melingkar pola8pola binernya paling banyak terdiri atas dua transisi bit dari 0 ke 1 atau sebaliknya. Sebagai contoh 00000000 (0 transisi), 01110000 (2 transisi) dan 11001111 (2 transisi) merupakan + " , sedangkan 11001001 (4 transisi) dan 01010011 (6 transisi) bukan merupakan
+ " . * + " berfungsi
mengidentifikasi noda ( " ), + atau # " , sudut dan tepi. Hampir 90% dari tekstur merupakan + " (Ojala
2002). Penjelasan dari pola tekstur + " dapat dilihat pada Gambar 5.
Spot Spot/flat Line end Edge Corner
Gambar 5 Tekstur + " . Untuk mengidentifikasi + " digunakan fungsi sebagai berikut :
>9 , : = |- − @ − - − @ |
yang dimilikinya, jumlah pola yang dihasilkan
menjadi + 1 . ' )
+ " diformulasikan sebagai
berikut:
: nilai keabuan rata8rata seluruh piksel & & #
* : * +
Jika pola yang diidentifikasi termasuk
+ " , akan dihitung banyaknya bit
satu pada pola tersebut yang menentukan letak
+ " berada. Jika P,
banyaknya " " sama dengan delapan, nilai 2*KL, adalah nol sampai dengan sembilan. Jika bukan + " akan masuk ke dalam terakhir, yaitu ke8sembilan yang merupakan
+ " (Mäenpää 2003),
! " .0 /
VAR merupakan # " untuk mengukur lokal kontras tekstur pada suatu citra. 2*KL, tidak mendefinisikan lokal kontras tekstur dalam perhitungannya. VAR tidak sensitif terhadap perubahan . VAR berhubungan dengan kondisi pencahayaan suatu citra. Untuk mengukur lokal kontras tekstur pada suatu citra
digunakan ) )
dengan formula sebagai berikut:
OP7 , = 9gR−L:L
Hasil perhitungan VAR menghasilkan nilai yang perlu dikuantisasi berdasarkan persebaran pola tekstur (Guo
. 2009).
! . 0/
LBPV # " secara sederhana menggabungkan distribusi nilai LBP dan lokal kontras. Pada perhitungan LBP, histogram H LBP tidak meliputi informasi ' '.
berhubungan dengan fitur tekstur. Biasanya, frekuensi tekstur yang tinggi akan mempunyai ) yang lebih tinggi dan ) tersebut lebih berkontribusi terhadap perbedaan tekstur suatu citra (Guo
, 2009).
Oleh sebab itu, ) ' ' dapat
digunakan sebagai bobot yang dapat beradaptasi untuk mengatur kontribusi nilai LBP pada perhitungan histogram. Histogram LBPV dihitung menggunakan fungsi sebagai berikut : matriks derajat keabuan untuk mengambil contoh bagaimana suatu derajat keabuan tertentu terjadi dalam hubungannya dengan derajat keabuan yang lain. Matriks derajat keabuan merupakan sebuah matriks yang elemen8elemennya merupakan frekuensi relatif kejadian ( ) dari kombinasi level keabuan antar pasangan piksel dengan hubungan spasial tertentu (Osadebey 2006).
1 1 5 6 8
2 3 5 7 1
4 5 7 1 2
8 5 1 2 5
posisi yang didefinisikan oleh operator ", relatif tehadap titik dengan intensitas 102 (Osadebey 2006). konkuren bernilai 1 diikuti 2 pada matrix " sebanyak 2 buah, maka petakan pada
matrix A di baris dan kolom (1,2) dengan nilai 2. Lalu lakukan hal yang sama pada konkuren nilai yg lain.
Menurut Osadebey (2006), representasi dapat digunakan untuk
menghitung , , " ,
" , dan
. Menurut Rodrigues dan Araujo (2004), informasi tekstur dari suatu citra dapat direpresentasikan menggunakan
" , , ) , dan
" . Sementara itu, menurut Haralick dan Shapiro (1992), informasi tekstur dapat
direpresentasikan dengan ,
, dan & . 01 2
, . , (HSV) merupakan
suatu ruang warna yang komponennya berkontribusi langsung pada persepsi visual. digunakan untuk membedakan warna misalnya merah, hijau, dan biru serta untuk menentukan tingkat kemerahan, kehijauan, dan seterusnya dari sebuah cahaya. .
merupakan persentase cahaya putih yang ditambahkan ke cahaya murni. Sementara itu, ) merupakan intensitas cahaya yang dirasakan (Rodrigues & Araujo 2004).
Kuantisasi warna dilakukan untuk mengurangi waktu komputasi dan menghemat tempat penyimpanan (Rodrigues & Araujo 2004).
% % " & '
(PNN)
merupakan + (ANN)
yang menggunakan teorema probabilitas klasik (pengklasifikasian Bayes). PNN diperkenalkan oleh Donald Specht pada tahun 1990. PNN menggunakan pelatihan ( )
" ) #. / data pada "
sangat mudah dan cepat. Bobot bukan merupakan hasil
melainkan nilai yang dimasukkan (tersedia) (Wu . 2007). Struktur PNN terdiri dari empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan dan lapisan keputusan (keluaran). Struktur pada PNN dapat dilihat pada Gambar 7.
Gambar 7 Struktur " ,
Lapisan masukan (W) terdiri atas ' nilai ciri yang akan diklasifikasikan pada kelas. Beberapa proses yang terjadi setelah lapisan masukan, yaitu :
1. Lapisan pola (" 2 digunakan 1 # pola untuk setiap data pelatihan yang digunakan. Setiap # pola, merupakan dan selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu :
f (x) = "\−9] ZZZW ]ZZZZZZW:^,_ Persamaan yang digunakan, yaitu :
d = 1
dengan ' merupakan dimensi vektor ciri, σ merupakan bias dan merupakan jumlah data latih pada kelas tertentu.
3. Lapisan keluaran ( " 2 menghasilkan keputusan input W masuk ke dalam suatu kelas. Input W akan masuk kelas ( jika nilai )$* paling besar dibandingkan dengan kelas yang lainnya.
+ , .33 /
Histogram warna menyatakan frekuensi atau peluang keberadaan setiap warna dalam sebuah citra. Banyaknya nilai warna ( ) dapat ditetapkan sesuai kebutuhan pembuatan histogram. Histogram warna dinyatakan sebagai berikut :
Histogram warna seperti ini disebut
C ) (Han & Ma memiliki keunikan. secara umum terbagi dua, yaitu spesies dan
hibrida. spesies
umumnya memiliki warna kehijau8hijauan dengan corak hijau kehitaman, sedangkan hibrida (persilangan) umumnya memiliki warna daun lebih bervariasi, seperti
putih, biru, hijau muda, hijau tua, merah muda, merah hingga kuning. Bentuk dan ukuran daunnya bermacam8macam tergantung dari jenisnya. Permukaan daun rata, licin dan tidak berbulu serta memiliki tepi daun rata (Leman 2004). Variasi tanaman
dapat dilihat pada Gambar 8.
Gambar 8 Variasi tanaman .
Tanaman di dunia,
0 .
* ( ,
24 , ), " Hibrida
25 ,& & Spesies
26 ,0 " Spesies intensitas cahaya rendah dan kelembaban tinggi sesuai dengan kontur wilayah Indonesia. Penyebaran utama tanaman ini di Asia Tenggara, meliputi Filipina, Indonesia, Malaysia, Thailand, Laos, Vietnam, Brunai Darussalam, dan Myanmar. Tanaman ini kemudian menyebar ke Cina, Florida, dan Amerika.
Penelitian ini dilakukan dalam beberapa tahap. Tahap8tahap tersebut dapat dilihat pada Gambar 9.
Gambar 9 Metodologi penelitian.
- ,. ! * /
Data penelitian yang digunakan diperoleh dari Balai Penelitian Tanaman Hias (BALITHI) di Segunung, Cipanas. Data yang diperoleh terdiri atas 30 jenis . Masing8masing jenis terdiri atas 30 citra daun. Proses pengambilan citra daun dilakukan dengan menambahkan # berupa karton agar yang terdapat pada citra dapat diminimalisasi.
% ! %& , ("!( 0
Pada tahap ini dilakukan proses mengekstraksi fitur tekstur menggunakan metode
(LBPV) # " . Metode LBPV # " yang dipakai akan menggunakan lima operator, yaitu (8.1), (8.2), (16.1), (16.2) dan (24.3). Hal ini dilakukan agar ditemukan operator yang sesuai dan memiliki hasil ekstraksi yang terbaik. Operator # " pada metode LBPV # " dapat dilihat
Penentuan ukuran blok dan kuantisasi sudut untuk satu dapat diperoleh dengan menggunakan fungsi sebagai berikut :
blok = (' x 2) + 1 kuantisasi sudut = 2π / dengan :
' : radius LBP : " "
Ilustrasi pembagian citra ke dalam ukuran blok matriks 3x3 piksel dapat dilihat pada Gambar 10.
Ilustrasi pembagian citra ke dalam ukuran blok matriks 5x5 piksel dapat dilihat pada Gambar 11.
Gambar 11 Ilustrasi pembagian blok matriks 5x5 pada citra.
Ilustrasi pembagian citra ke dalam ukuran blok matriks 7x7 piksel dapat dilihat pada Gambar 12.
Gambar 12 Ilustrasi pembagian blok matriks 7x7 pada citra.
Proses ekstraksi fitur tekstur akan dilakukan pada setiap blok. Hal ini dimaksudkan agar diperoleh formula yang terbaik. Antara blok yang satu dengan blok yang lainnya akan mengalami ) "" dengan jarak satu piksel. Masing8masing blok akan diekstraksi menggunakan metode
(LBPV) # " . Ekstraksi tekstur menggunakan LBPV # " memanfaatkan keseluruhan hasil
nilai8nilai (blok) metode
,
2*KL # " dan hasil nilai8nilai
(blok) metode VAR # " . Ekstraksi dilakukan dengan menggabungkan nilai
,
2*KL dan VAR. Setiap nilai
yang ada di 2*KL, # " merujuk pada
nilai VAR # " pada posisi yang sama, . " " dan radius (operator) yang digunakan
,
2*KL # " dan VAR # " harus
sama. Hal ini dikarenakan LBPV # " bekerja dengan mencocokkan posisi
.
Hasil dari kombinasi
,
2*KL # " dengan VAR # "
menghasilkan vektor frekuensi nilai LBPV # " yang direpresentasikan melalui histogram. Pembentukan histogram LBPV # " sama seperti 2*KL, . Histogram
LBPV # " memiliki 4 dengan banyaknya " " yang digunakan.
Ekstraksi tekstur menggunakan LBPV juga diolah menggunakan lima operator, yaitu (8.1), (8.2), (16.1), (16.2) dan (24.3). Penggunaan operator # " dimaksudkan untuk mencari hasil yang terbaik. Operator yang memiliki hasil terbaik yang akan digunakan sebagai operator LBPV pada penelitian ini.
% ! %& , ("!( # " $
Pada tahap ini dilakukan proses ekstraksi fitur tekstur menggunakan metode
. Informasi tekstur akan direpresentasikan dengan menggunakan beberapa fitur, yaitu , , " ,
" , ,
dan & . Berikut ini adalah fungsi dari ketujuh fitur tersebut :
.1.p = $, UL mendapatkan informasi tekstur dari sebuah citra yaitu dengan menentukan
sehingga untuk setiap fitur akan diperoleh empat nilai, masing8masing untuk arah 00, 450, 900 dan 1350. Nilai dari setiap fitur diperoleh dengan menghitung rata8rata keempat nilai fitur yang bersangkutan. Hal ini dilakukan agar informasi tekstur yang diperoleh tidak peka terhadap rotasi ( 8
) ). Informasi tekstur untuk setiap citra akan direpresentasikan dengan sebuah vektor yang memiliki tujuh elemen. Nilai akhir dari informasi tekstur diperoleh dengan melakukan normalisasi terhadap vektor dari masing8 masing citra.
% ! ! (! , ("!( 01 2
Pada tahap ini, akan dilakukan proses mengekstraksi fitur warna dengan menentukan histogram warna menggunakan
) (CCH).
Pada langkah awal pemrosesan citra, citra RGB akan diubah menjadi citra HSV. Transformasi citra RGB menjadi citra HSV diperoleh dengan menggunakan fungsi di bawah ini :
dengan :
8 (r, g, b) : warna8warna pada ruang warna RGB menurut Gonzalez (2004).
8 : warna dasar merah ( #) 8 : warna dasar hijau ( ) 8 : warna dasar biru ( )
8 (h, s, v) : warna8warna pada ruang warna HSV menurut Gonzalez (2004).
8 & : nilai & 8 : nilai 8 ) : nilai )
Setelah citra diubah menjadi HSV, langkah selanjutnya adalah melakukan kuantisasi warna. Kuantisasi warna dapat mengeliminasi komponen warna yang dapat dianggap sebagai . Pada penelitian ini, kuantisasi warna yang digunakan adalah Histogram8162 (HSV8162). Pada HSV8162, & dikuantisasi menjadi 18 ,
dikuantisasi menjadi 3 , sedangkan ) dikuantisasi menjadi 3 , sehingga akan didapatkan kombinasi sebanyak 18 x 3 x 3 = 162. dikuantisasi menjadi 18 dikarenakan sistem visual yang dimiliki oleh manusia lebih sensitif terhadap & dibandingkan dengan dan ) .
Setiap citra akan direpresentasikan dengan sebuah vektor yang memiliki elemen sebanyak 162 buah. Nilai elemen vektor menyatakan jumlah piksel citra yang masuk ke dalam yang sesuai. Dengan kata lain, vektor dari citra merepresentasikan histogram warna dari citra tersebut. Setelah histogram citra selesai dihitung, langkah selanjutnya adalah melakukan normalisasi terhadap vektor pada masing8masing citra.
#! - ! , ("!( % % " & '
Pada tahap ini, model
(PNN) digunakan sebagai pengklasifikasinya. Sebelum melakukan klasifikasi, terlebih dahulu dilakukan proses ekstraksi pada setiap citra daun.
Hasil dari proses ekstraksi citra daun, diperoleh masing8masing 900 vektor ciri citra untuk setiap metode ekstraksi. Setelah itu, vektor ciri tersebut dikombinasikan berdasarkan fiturnya, yaitu fitur tekstur dan fitur warna. Hasil dari penggabungan tersebut akan diklasifikasikan dengan menggunakan metode PNN.
Klasifikasi dibagi dengan 70% sebagai data latih dan 30% sebagai data uji. Setelah itu, dilakukan proses . Hasil dari diperoleh suatu model klasifikasi. Model klasifikasi yang diperoleh akan digunakan untuk mengklasifikasikan data 6 citra daun yang ingin diketahui jenis
tanaman nya.
Gambar 13 Arsitektur PNN pada penelitian. !(" !% &(! ,!( !(" !% !
Perangkat lunak yang digunakan dalam penelitian ini adalah Windows 7 SP 1 dan Matlab 7.0.1. Perangkat keras yang digunakan dalam penelitian ini adalah PC (
" ) dengan prosesor AMD Phenom X3
3.5 Ghz, memori 4 GB dan & ## 3,5 TB.
- citra dapat dilihat pada Gambar 14.
Gambar 14 Proses - pada citra daun. Setelah citra daun diperkecil ukurannya, maka langkah selanjutnya adalah melakukan proses "" secara manual. Hal tersebut dimaksudkan agar fokus terhadap objek citra
daun yang akan diidentifikasi. Proses " yang dilakukan tidak hanya mengambil objek daunnya saja, namun mengambil objek daun dalam bentuk + persegi. Proses "" citra daun dapat dilihat pada Gambar 15.
Gambar 15 Proses "" pada citra daun. 5 !%! 3 % ! !&(
Pada penelitian ini, data citra daun yang akan digunakan terdiri atas 900 citra daun dari tanaman . Data yang diperoleh terdiri atas 30 jenis , dimana setiap jenis didapatkan sebanyak 30 data citra daun. Ketigapuluh jenis yang akan diidentifikasi oleh sistem dapat dilihat di Lampiran 1.
5 ) !" !( !%! !% $ ,!( !%! +
Seluruh data hasil ekstraksi dibagi menjadi data latih dan data uji. Data latih digunakan sebagai " pelatihan menggunakan PNN, sedangkan data uji digunakan sebagai model hasil pelatihan menggunakan PNN. Persentase data latih dan data uji yang digunakan pada penelitian ini adalah 70% untuk data latih dan 30% untuk data uji. Keseluruhan data yang digunakan untuk pengujian citra daun sebanyak 900 data citra daun , dimana untuk data latih digunakan sebanyak 630 data dan data uji digunakan sebanyak 270 data. Pemilihan data uji dilakukan dengan mengambil 9 data citra daun pada setiap kelas, sedangkan data latih diambil sebanyak 21 data citra daun pada setiap kelas.
% ! 3
Ekstraksi ciri merupakan tahapan untuk mengambil ciri8ciri yang ada pada suatu citra. Setelah data citra telah diekstraksi kemudian dilakukan proses klasifikasi berdasarkan hasil ekstraksi. Pada penelitian ini, proses ekstraksi ciri dilakukan dengan melakukan beberapa kombinasi metode, yaitu kombinasi antara metode
antara metode dan metode HSV8162. Kombinasi ini dilakukan agar menambah informasi penciri citra sehingga nantinya diharapkan dapat meningkatkan akurasi pengujian.
Ekstraksi fitur tekstur didahului dengan merubah citra ke dalam mode warna
. Mode warna " representasi intesitas warna keabuan dari suatu citra. Untuk citra daun yang akan diekstraksi dengan menggunakan fitur warna tidak akan dilakukan proses . Proses perubahan warna citra daun dapat dilihat pada Gambar 16.
Gambar 16 Proses perubahan warna pada citra daun. dilakukan proses ekstraksi ciri tekstur dan proses ekstraksi ciri warna pada citra daun tersebut.
Proses ekstraksi ciri tekstur pada citra daun akan menggunakan metode
(LBPV) yang nantinya akan menghasilkan suatu vektor ciri. Vektor ciri itulah yang nantinya akan digunakan sebagai suatu input + .
Metode
(LBPV) # " yang dipakai akan menggunakan lima operator, yaitu (8.1), (8.2), (16.1), (16.2) dan (24.3). Hal ini dilakukan agar ditemukan operator yang sesuai dan memiliki hasil ekstraksi yang terbaik. Operator (8.1) memiliki kuantisasi sudut sebesar 45 derajat dengan ukuran blok matriks sebesar 3x3 piksel, operator (8.2) memiliki kuantisasi sudut sebesar 45 derajat dengan ukuran blok matriks sebesar 5x5 piksel, operator (16.1) memiliki kuantisasi sudut sebesar 22.5 derajat dengan ukuran blok matriks sebesar 3x3 piksel, operator (16.2)
memiliki kuantisasi sudut sebesar 22.5 derajat dengan ukuran blok matriks sebesar 5x5 piksel dan operator (24.3) memiliki kuantisasi sudut sebesar 15 derajat dengan ukuran blok matriks sebesar 7x7 piksel.
Sebelum memilih operator
(LBPV) yang akan digunakan, setiap operator pada
(LBPV) harus dilakukan perhitungan terlebih dahulu untuk mencari nilai akurasi yang terbaik dengan menggunakan
(PNN). Adapun operator dari
(LBPV), yaitu operator (8.1), operator (8.2), operator (16.1), operator (16.2) dan operator (24.3). Hasil perhitungan operatror
(LBPV) dapat dilihat pada Gambar 17.
Gambar 17 Akurasi pada setiap operator LBPV. 47.41%. Sehingga dapat dikatakan bahwa akurasi tertinggi terletak pada operator (16.1) yaitu sebesar 55.56%, sedangkan akurasi terendah terletak pada operator (8.1) yaitu sebesar 46.3%. Dapat disimpulkan bahwa operator
(LBPV) yang terbaik untuk klasifikasi citra menggunakan
(PNN) terletak pada operator (16.1) karena operator (16.1) memiliki kuantisasi sudut sebesar 22.5 derajat dengan ukuran blok matriksnya sebesar 3x3 pixel. Penggunaan radius blok matriks 3x3 pixel pada operator (16.1) mampu menghasilkan akurasi terbaik.
Kedua vektor ciri (tekstur dan warna) hasil ekstraksi disatukan kemudian akan menghasilkan suatu vektor ciri baru yang merupakan suatu kombinasi antara penciri tekstur dan penciri warna. Adapun kombinasi setiap operator
(LBPV) dan HSV8162 dapat dilihat pada Tabel 3.
Tabel 3 Kombinasi operator LBPV dan HSV8 162. HSV8162 menghasilkan 162 sehingga hasil kombinasi dari keduanya menghasilkan 172 .
Pada metode
(LBPV) operator (16.1) dan (16.2) menghasilkan 18 , sedangkan metode HSV8162 menghasilkan 162 sehingga hasil kombinasi dari keduanya menghasilkan 180 .
Pada metode
(LBPV) operator (24.3) menghasilkan 26 , sedangkan metode HSV8162 menghasilkan 162 sehingga hasil kombinasi dari keduanya menghasilkan 188 .
Penghitungan pada setiap operator (LBPV) dengan HSV8162 dapat dilihat pada Gambar 18.
Gambar 18 Akurasi pada setiap operator LBPV dan HSV8162.
Dari Gambar 18, dapat dilihat bahwa hasil akurasi pada kombinasi antara operator (8.1) dan metode HSV8162 sebesar 46.3%, hasil akurasi kombinasi antara operator (8.2) dan metode HSV8162 sebesar 50.37%, hasil akurasi pada kombinasi antara operator (16.1) dan metode HSV8162 sebesar 55.56%, hasil akurasi pada kombinasi antara operator (16.2) dan metode HSV8162 sebesar 52.22% dan hasil akurasi pada kombinasi antara operator (24.3) dan metode HSV8162 sebesar 47.41%.
Akurasi tertinggi terletak pada kombinasi antara operator (16.1) dan metode HSV8162 yaitu sebesar 55.56%, sedangkan akurasi terendah terletak pada kombinasi antara operator (8.1) dan metode HSV8162 yaitu sebesar 46.3%.
Penggabungan antara operator (LBPV) dan metode HSV8162 tidak menghasilkan akurasi yang lebih baik dari akurasi terhadap operator (LBPV), namun cenderung menghasilkan akurasi yang sama. Hal ini dikarenakan fitur warna kurang membawa pengaruh yang + (berarti) terhadap penambahan hasil akurasi karena
# yang digunakan pada
pengambilan citra daun menggunakan warna merah sehingga pada citra daun hanya mengalami sedikit penurunan.
5 % ! 3 (""&(! !( %*,
# " $,!( 01 2
merupakan suatu metode ekstraksi ciri yang berbasis tekstur.
Metode yang
digunakan hanya memiliki 7 vektor ciri tekstur, sedangkan metode HSV8162 memiliki 162 vektor ciri warna sehingga jika vektor ciri dikombinasikan antara metode
Sebelum dilakukan penggabungan antara
metode dan metode
HSV8162, terlebih dahulu dilakukan percobaan masing8masing penciri, yaitu
dan HSV8162. Hal ini dimaksudkan untuk melihat perbedaan hasil akurasi sebelum penggabungan metode dan sesudah penggabungan metode. Hasil penghitungan masing8masing penciri dengan penggabungan metode dapat dilihat pada Gambar 19.
Gambar 19 Akurasi pada dan HSV8162.
Dari Gambar 19, dapat dilihat bahwa hasil akurasi pada metode
sebesar 24.07%, hasil akurasi pada metode HSV8162 sebesar 43.7% dan hasil akurasi pada penggabungan metode
dengan metode HSV8162 sebesar 54.44%. Sehingga dapat dikatakan bahwa, terdapat peningkatan hasil akurasi sebesar 10.7% antara penggabungan metode
dengan metode HSV8162 terhadap hasil akurasi pada metode HSV8162 dan terdapat peningkatan hasil akurasi pula sebesar 30.33% antara penggabungan metode dan metode HSV8162 terhadap hasil akurasi pada metode
. Oleh karena itu, hasil akurasi pada metode
terhadap gabungan metode antara dan HSV8162 mengalami peningkatan jauh lebih besar jika dibandingkan dengan hasil akurasi pada metode HSV8162 terhadap gabungan metode
antara dan HSV8162.
("&+ !( , ("!( #! - ! % %
" & '. /
Pengujian dilakukan dengan mengklasifikasikan hasil ekstraksi ciri gabungan. Setiap hasil ekstraksi ciri diklasifikasikan dengan percobaan data latih sebesar 70% dan data uji sebesar 30%. Kelas yang menjadi target dari klasifikasi berjumlah 30 kelas. Data citra daun yang diuji sebanyak
270 citra daun dengan pembagian data uji tiap kelasnya sebanyak 9 citra daun.
5 0 , ("!( 01 2
Klasifikasi ciri tekstur dengan LBPV menggunakan nilai bias sebesar 0.005 pada operator (8.1), nilai bias sebesar 0.02 pada operator (8.2), nilai bias sebesar 0.02 pada operator (16.1), nilai bias sebesar 0.01 pada operator (16.2) dan nilai bias sebesar 0.01 pada operator (24.3). Perbandingan jumlah data yang benar dan data yang salah pada metode LBPV # " terhadap klasifikasi (PNN) dapat dilihat pada Tabel 4.
Tabel 4 Perbandingan jumlah data pada
(PNN) sebesar 55.56%. Hasil penghitungan terhadap metode
(LBPV) untuk operator (16.1) dapat dilihat pada Gambar 20.
Gambar 20 Akurasi metode LBPV pada operator (16.1).
Tabel 5 Perbandingan jumlah data pada metode HSV8162 terhadap klasifikasi (PNN) sebesar 46.29%.
Perbandingan jumlah data yang benar dan data yang salah pada kombinasi antara metode LBPV (16.1) dan metode HSV8162 terhadap klasifikasi
(PNN) dapat dilihat pada Tabel 6.
Tabel 6 Perbandingan jumlah data pada kombinasi antara metode
(LBPV) untuk operator (16.1) dengan metode HSV8162 memiliki jumlah data yang benar sebanyak 150 data citra daun. Sehingga dapat dikatakan bahwa hasil akurasi pada kombinasi antara metode (LBPV) untuk operator (16.1) dengan metode HSV8162 terhadap klasifikasi
(PNN) sebesar 55.56%. Hasil penghitungan terhadap kombinasi antara metode
(LBPV) untuk operator (16.1) dengan metode HSV8162 dapat dilihat pada Gambar 21.
Gambar 21 Akurasi kombinasi antara metode LBPV (16.1) dan metode HSV8162. Hasil analis untuk pemetaan data klasifikasi dengan LBPV 16.1 dan HSV8162 mengindikasikan bahwa fitur warna memberi pengaruh pada hasil klasifikasi. Hal ini dapat dilihat pada pemetaan data yang salah untuk kelas 1, 2, 5 mengarah ke data yang memiliki corak warna merah seperti warna #nya. Contoh pemetaan data yang salah dapat dilihat pada Gambar 22.
Gambar 22 Pengaruh fitur warna terhadap klasifikasi LBPV (16.1) dan HSV8162.
5 # " $,!( 01 2
Pada tahap ini, akan dijelaskan mengenai perbandingan jumlah data pada metode
terhadap klasifikasi (PNN) terlebih dahulu. Setelah itu, akan dilanjutkan dengan penjelasan mengenai perbandingan jumlah data pada kombinasi antara metode
dengan metode HSV8162 terhadap klasifikasi
(PNN).
Perbandingan jumlah data yang benar dan data yang salah pada metode
Tabel 7 Perbandingan jumlah data pada
jumlah data yang benar sebanyak 65 data citra daun sehingga dapat dikatakan bahwa hasil akurasi pada metode
terhadap klasifikasi
(PNN) sebesar 24.07%.
Perbandingan jumlah data yang benar dan data yang salah pada kombinasi antara metode dengan metode HSV8 162 terhadap klasifikasi
(PNN) dapat dilihat pada Tabel 8. Tabel 8 Perbandingan jumlah data pada
kombinasi metode dan
HSV8162. kombinasi antara metode
dan metode HSV8162 memiliki jumlah data yang benar sebanyak 147 data citra daun sehingga dapat dikatakan bahwa hasil akurasi pada kombinasi antara metode
dan metode HSV8162 terhadap klasifikasi
(PNN) sebesar 54.44%. Hasil penghitungan terhadap kombinasi antara metode
dengan metode HSV8162 dapat dilihat pada Gambar 23.
Gambar 23 Akurasi kombinasi antara metode dan HSV8162.
("&+ !( % )
Pada tahap ini, dilakukan pengujian terhadap setiap citra daun yang dimasukkan. Citra daun yang telah dimasukkan tersebut akan diproses oleh sistem menggunakan metode ekstraksi yang telah ditentukan sebelumnya. Selanjutnya sistem akan memberikan kesimpulan berupa citra daun yang sesuai dengan pengidentifikasian. Tampilan awal dari sistem ini dapat dilihat di Lampiran 2. Pengidentifikasian citra daun pada sistem akan dilakukan dalam beberapa tahapan, penjelasan mengenai proses pengidentifikasian citra daun dalam setiap tahapannya akan dijelaskan sebagai berikut.
Pada awalnya, akan memasukkan data citra daun ke dalam sistem. Tampilan " data citra daun dapat dilihat di Lampiran 3. Pada tampilan ini, akan diberikan tombol “7( 8” untuk memasukkan citra daun tersebut.
* akan melakukan proses "" , dimana citra daun yang telah dimasukkan akan di "" secara manual. Tampilan proses "" dapat dilihat di Lampiran 4. Pada tampilan ini akan diberikan tombol “ '3 ” untuk melakukan proses "" citra daun.
* akan memilih metode ekstraksi citra daun yang telah ditentukan oleh sistem. Tampilan proses ekstraksi citra daun dapat dilihat di Lampiran 5. Pada tampilan ini, akan diberikan tombol “IDENTIFIKASI” untuk melakukan proses ekstraksi citra daun.
* akan memperoleh kesimpulan berupa hasil identifikasi citra daun yang telah diekstraksi oleh sistem. Tampilan hasil identifikasi citra daun yang menghasilkan data sesuai dapat dilihat di Lampiran 6. Pada tampilan ini, akan diberikan tombol “DETAIL” untuk melihat prediksi jenis yang teridentifikasi. Tampilan prediksi jenis yang teridentifikasi dapat dilihat di Lampiran 7.
Apabila memperoleh kesimpulan yang tidak sesuai, dapat melihat prediksi jenis yang tidak teridentifikasi. Tampilan hasil identifikasi citra daun yang menghasilkan data tidak sesuai dapat dilihat di Lampiran 8. Pada tampilan ini, akan diberikan tombol “DETAIL” untuk melihat
prediksi jenis yang tidak
Pengujian dilakukan dengan mengamati 270 data citra daun yang terbagi ke dalam 30 kelas jenis yang berbeda. Data yang diuji berjumlah 9 data citra daun untuk setiap kelas. Data pengujian diperoleh dari Balai Penelitian Tanaman Hias di Segunung, Cipanas.
Setelah melakukan pengujian sistem, dari 270 data uji yang dimasukkan dan diproses dengan menggunakan metode LBPV 16.1 dan dua kombinasi metode ekstraksi terhadap klasifikasi
(PNN), maka sistem ini mampu menghasilkan 150 data citra daun yang sesuai dengan akurasi sebesar 55.56% pada metode LBPV dan kombinasi antara metode LBPV (16.1) dan metode HSV8162. Sistem juga mampu menghasilkan 147 data citra daun yang sesuai dengan akurasi sebesar 54.44% pada kombinasi antara metode
dengan metode HSV8162. Analisis data terhadap klasifikasi
(PNN) untuk masing8masing kelas dapat dilihat di Lampiran 10.
Penggabungan antara operator (LBPV) dan metode HSV8162 tidak menghasilkan akurasi yang lebih baik dari akurasi terhadap operator (LBPV), namun cenderung menghasilkan akurasi yang sama, akan tetapi pemetaan klasifikasi yang salah antar kedua metode berbeda. Untuk metode LBPV kesalahan klasifikasi terlihat pada data yang memiliki tekstur dan bentuk yang oval dan memiliki yang cukup tinggi. Hal ini tampak terlihat jelas pada kelas 3 dan 14. Sedangkan untuk kombinasi LBPV dan HSV. Penambahan fitur warna berdampak pada tingkat kesalahan yang mengarah ke citra yg memiliki warna sekunder. Hal ini dapat dilihat pada kelas 2 dan 4. Pemetaan kesalahan klasifikasi
kombinasi antara dan
metode HSV8162 terlihat pada kesalahan klasifikasi berdasarkan tektur. Hal ini dikarenakan atau penciri yang digunakan fitur tekstur hanya berjumlah 7 dibandingkan dengan HSV8162 yang berjumlah 162 sehingga penciri informasi tekstur belum bisa mewakilkan tekstur identifikasi.
Penggabungan antara operator (LBPV) dan metode HSV8162 hanya mampu menghasilkan akurasi sebesar 55.56%. Hal ini disebabkan oleh beberapa faktor, seperti fitur warna kurang membawa pengaruh yang + (berarti) karena # yang digunakan pada
pengambilan citra daun menggunakan warna merah sehingga menimbulkan yang cukup berpengaruh pada proses ekstraksi citra daun, data uji pada citra daun terhadap setiap kelas masih kurang banyak karena hanya menggunakan 9 data citra daun setiap kelasnya, teknik pengambilan gambar yang kurang baik, seperti tipe kamera digital yang digunakan masih standar dan faktor cahaya yang harus diperhitungkan, sehingga hasil citra daun yang didapatkan masih kurang sempurna.
Kombinasi metode ekstraksi yang terbaik terhadap klasifikasi
(PNN) untuk mengidentifikasi citra daun adalah kombinasi antara metode
(LBPV) dan metode HSV8162 yang menghasilkan akurasi sebesar 55.56%.
% !%! !( % )
Identifikasi untuk menentukan jenis memiliki beberapa keterbatasan, yaitu :
Sistem ini dibatasi hanya dapat menentukan 30 jenis , yaitu : ,
Sistem ini hanya dapat mengidentifikasi citra dari bagian atas daun.
Sistem ini hanya melakukan ekstraksi pada ciri warna dengan menggunakan metode HSV8162 dan ekstraksi ciri tekstur menggunakan metode
(LBPV) serta metode .
) &#!(
Penelitian ini melakukan identifikasi jenis berdasarkan gabungan dari ciri mengalami perubahan pada hasil akurasi bahkan cenderung hasilnya sama dengan (LBPV). Hal ini dikarenakan fitur warna kurang membawa pengaruh yang + (berarti) terhadap penambahan hasil akurasi karena # yang digunakan pada pengambilan citra daun menggunakan warna merah. Sehingga dapat disimpulkan bahwa kombinasi antara metode (LBPV) dengan metode HSV8162 dianggap baik untuk pengidentifikasian terhadap citra daun, sedangkan kombinasi antara metode
dengan metode HSV8162 mengalami peningkatan hasil akurasi terhadap klasifikasi PNN. Diantara kedua kombinasi metode ekstraksi tersebut, kombinasi antara metode
(LBPV) dan HSV8162 memiliki akurasi yang lebih tinggi sedikit daripada kombinasi antara
metode dengan HSV8
162. Hal ini disebabkan karena beberapa faktor, seperti fitur warna kurang membawa pengaruh yang + (berarti) karena
# yang digunakan pada
pengambilan citra daun menggunakan warna merah sehingga pada citra daun hanya mengalami sedikit penurunan, data uji pada citra daun terhadap setiap kelas masih kurang banyak karena hanya menggunakan 9 data citra daun setiap kelasnya, kemudian teknik pengambilan gambar yang kurang baik, seperti tipe kamera digital yang digunakan masih standar dan faktor cahaya yang harus diperhitungkan, sehingga hasil citra daun yang didapatkan masih kurang sempurna.
! !(
Untuk pengembangan sistem ini, maka disarankan beberapa hal berikut :
Mencoba fitur bentuk dan kombinasinya dengan fitur warna dan tekstur pada
klasifikasi .
Perbaikan skenario pengambilan citra, seperti penyesuaian # citra yang diambil dengan objek agar dapat
menurunkan pada proses ekstraksi ciri terutama pada ekstraksi ciri yang berbasis fitur warna.
Guo Zhenhua, Zhang Lei, Zhang David. 2009.
' ( ) / + Processing, vol. 11, no. 8, 2002.
Haralick RM & Linda G. Shapiro. 1992.
" # ' . Vol. 1, p.
460. New York : Addison Wesley. Kebapci H, Yanikoglu B, Unal G. 2009.
( ' ) * .& " #
/ 7 . Faculty of Engineering and Natural Sciences Sanbaci University.
Leman, 2004. Tanaman Pembawa
Wu S.G, et al. 2007. + '
& + + + *
Lampiran 1 Jenis yang diidentifikasi.
#! 3 % ! ,!&( ( , % !("!(
1 , Spesies
2 ,+ Spesies
3 ,& Spesies
4 , # Spesies
5 , " Spesies
6 , Spesies
Lanjutan.
#! 3 % ! ,!&( ( , % !("!(
8 , ,0, + Spesies
9 , " Spesies
10 , ), Hibrida
11 , ), + Hibrida
12 , ), & Hibrida
13 , ), & " Hibrida
Lanjutan,
#! 3 % ! ,!&( ( , % !("!(
15 , ), Hibrida
16 , ),0 Hibrida
17 , ), # ) Hibrida
18 , )," Hibrida
19 , )," Hibrida
20 , ), ) Hibrida
Lanjutan,
#! 3 % ! ,!&( ( , % !("!(
22 , ), Hibrida
23 , ), + # Hibrida
24 , ), " Hibrida
25 , ),& & Hibrida
26 , ), 0 " Hibrida
27 , " # Spesies
Lanjutan,
#! 3 % ! ,!&( ( , % !("!(
29 ," # + Spesies
