PENGGABUNGAN FITUR
FUZZY LOCAL BINARY PATTERN
DAN
FUZZY COLOR HISTOGRAM
UNTUK APLIKASI
MOBILE
IDENTIFIKASI CITRA TUMBUHAN OBAT
NI KADEK SRI WAHYUNI
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
ii
PENGGABUNGAN FITUR
FUZZY LOCAL BINARY PATTERN
DAN
FUZZY COLOR HISTOGRAM
UNTUK APLIKASI
MOBILE
IDENTIFIKASI CITRA TUMBUHAN OBAT
NI KADEK SRI WAHYUNI
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
NI KADEK SRI WAHYUNI. Fusion of Fuzzy Local Binary Pattern and Fuzzy Color Histogram for Medicinal Plant Identification in Mobile Application. Supervised by YENI HERDIYENI.
This research develops a mobile application based on Android operating system for identifying medicinal plant images. The identification is conducted based on texture and color feature. This research uses medicinal plants leaf images. The total medicinal plants used in this research is 51 species taken from Biofarmaka IPB, Cikabayan Farm, Green house Center Ex-Situ Conservation of Medicinal Plant Indonesia Tropical Forest and Kebun Raya Bogor. Each species consist of 48 images, thus the total image used in this research is 2448. This research investigates effectiveness of the fusion between the Fuzzy Local Binary Pattern (FLBP) and the Fuzzy Color Histogram (FCH) in order to identify medicinal plants. The FLBP method is used for extracting medicinal plants texture. This method extends the Local Binary Pattern (LBP) approach by employing fuzzy logic for representing the local patterns of texture images. Fuzzification allows the distribution of the LBP values is used as a feature vector. Moreover, the FCH method is used for extracting medicinal plants color. This method considers the color similarity of each color pixel associated with all the histogram bins through fuzzy-set membership function. Next, Fuzzy C-Means (FCM) algorithm is used to compute the membership values. The fusion of FLBP and FCH is done by using Product Decision Rules (PDR) method. This research uses Probabilistic Neural Network (PNN) method to classify the FLBP and FCH feature vector. The experimental results show that the fusion between FLBP and FCH can improve the accuracy of medicinal plants identification (FLBP: 59.61%, FCH: 50.78%, fusion of FLBP and FCH: 74.51%).
Keywords: fuzzy local binary patterns, fuzzy color histogram, fuzzy c-means clustering, probabilistic neural network, product decision rules.
NRP : G64080124
Menyetujui: Pembimbing
Dr. Yeni Herdiyeni, S.Si., M.Kom. NIP 19750923 200012 2 001
Mengetahui:
Ketua Departemen Ilmu Komputer
Dr. Ir. Agus Buono, M.Si, M.Kom NIP. 19660702 199302 1 001
Puji dan syukur penulis panjatkan ke hadirat Tuhan Yang Maha Esa atas segala rahmat-Nya sehingga penulis dapat menyelesaikan penelitian ini dengan baik. Penelitian ini tak lepas dari dukungan dan bantuan dari berbagai pihak. Oleh karena itu, penulis menyampaikan rasa terima kasih kepada:
1 Tuhan Yang Maha Esa atas rahmat dan karunia-Nya.
2 Ayahanda I Ketut Kondra, Ibunda Ni Wayan Surati, serta ketiga saudaraku tercinta, Eka, Miming, dan Dody atas doa, kasih sayang, dan semangat yang diberikan kepada penulis. 3 Ibu Dr. Yeni Herdiyeni, S.Si., M.Kom. selaku dosen pembimbing yang telah memberikan
banyak bantuan, kemudahan, saran dan ilmu kepada penulis.
4 Bapak Mushthofa, S.Kom., M.Sc. dan Bapak Endang Purnama Giri, S.Kom., M.Kom. yang telah bersedia menjadi penguji.
5 Rekan-rekan satu bimbingan Desta Sandya, Canggih Trisyanto, Mayanda Mega Santoni, Oki Maulana, Pauzi Ibrahim, Ryanti Octaviani Suganda, Siska Susanti, Tomy Kurniawan, Pak Rico, dan Kak Gibtha atas saran, masukan dan nasihat yang diberikan kepada penulis.
6 Rekan-rekan di Departemen Ilmu Komputer IPB angkatan 45 atas segala kebersamaan, bantuan, dan motivasi yang telah diberikan kepada penulis.
7 Muti, Putri, Ariel, Riva, Nengah, Dya, Sindra, Keswari, Debby, dan sahabat lainnya yang telah memberikan motivasi kepada penulis.
8 Teman-teman kosan Wisma Sakinah Rista, Uli, Zola, Opi, Fitri, Desti, dan Arima atas doa, kebersamaan, dan motivasi yang diberikan kepada penulis.
Penulis menyadari bahwa masih banyak kekurangan yang ditemukan dalam tugas akhir ini. Penulis berharap adanya saran dan kritik dari semua pihak yang membaca tulisan ini. Semoga tulisan ini bermanfaat dan dapat menambah wawasan ilmu pengetahuan bagi penulis khususnya dan pembaca umumnya.
Bogor, September 2012
v
DAFTAR ISI
Halaman
DAFTAR GAMBAR ... vi
DAFTAR LAMPIRAN ... vi
PENDAHULUAN Latar Belakang ... 1
Tujuan ... 1
Ruang Lingkup ... 1
TINJAUAN PUSTAKA Android ... 1
Open Source Computer Vision (OpenCV) ... 2
Local Binary Patterns (LBP) ... 2
Fuzzy Local Binary Pattern (FLBP) ... 2
Fuzzy C-Means Clustering (FCM) ... 3
Color Histogram ... 4
Fuzzy Color Histogram (FCH) ... 4
Klasifikasi Probabilistic Neural Network (PNN) ... 4
Product Decision Rule (PDR) ... 5
METODOLOGI PENELITIAN Data Citra Tumbuhan Obat ... 5
Praproses ... 5
Ekstraksi Fitur ... 5
Klasifikasi dengan Probabilistic Neural Network (PNN) ... 7
Classifier Combination menggunakan Product Decision Rule (PDR) ... 7
Evaluasi ... 8
Lingkungan Implementasi ... 8
HASIL DAN PEMBAHASAN Data Citra Tumbuhan Obat ... 8
Hasil Praproses ... 8
Hasil Ekstraksi Tekstur dengan FLBP8,2 ... 8
Hasil Ekstraksi Warna dengan FCH ... 9
Identifikasi Citra tanpa Penggabungan ... 9
Identifikasi Citra dengan Penggabungan Fitur ... 11
Hasil Antarmuka Aplikasi ... 13
SIMPULAN DAN SARAN Simpulan ... 14
Saran ... 14
DAFTAR PUSTAKA ... 14
vi
DAFTAR GAMBAR
Halaman
1 Komponen sistem operasi Android. ... 1
2 Skema Komputasi LBP. ... 2
3 Beberapa ukuran circular neighborhood. ... 2
4 Membership function m0() dan m1() sebagai fungsi dari pi. ... 3
5 Skema komputasi FLBP, dengan F=10. ... 3
6 Struktur PNN. ... 4
7 Metode Penelitian. ... 6
8 Pengkodean biner FLBP. ... 6
9 Hasil praproses citra daun untuk ekstraksi fitur tekstur. ... 8
10 Hasil praproses citradaun untuk ekstraksi fitur warna. ... 8
11 Histogram FLBP8,2 citra daun iler. ... 9
12 Histogram FCH citra daun nanas kerang. ... 9
13 Grafik hasil identifikasi citra dengan metode ekstraksi fitur FLBP8,2. ... 10
14 Grafik hasil identifikasi citra dengan metode ekstraksi fitur FCH. ... 10
15 Contoh citra daun data latih dan data uji pada kelas 43 (Mrambos). ... 10
16 Contoh citra daun data latih dan data uji pada kelas 5 (Akar kuning). ... 11
17 Contoh citra daun data latih dan data uji pada kelas 19 (Pungpulutan). ... 11
18 Grafik perbandingan akurasi. ... 11
19 Grafik akurasi masing-masing kelas. ... 11
20 Grafik perbandingan akurasi FLBP, FCH, FLBP(8,2)+FCH. ... 12
21 Contoh citra daun data latih dan data uji pada kelas 15 (Nandang gendis). ... 13
22 Contoh citra daun data latih dan data uji pada kelas 1 (Pandan wangi). ... 13
23 Antarmuka identifikasi citra. ... 13
24 Antarmuka menu Setting. ... 14
DAFTAR LAMPIRAN
Halaman 1 Lima puluh satu jenis citra tumbuhan obat ... 162 Warna kuantisasi ... 18
3 Confusion matriks FLBP8,2 ... 19
4 Confusion matriks FCH ... 22
5 Confusion matriks penggabungan model klasifikasi FLBP8,2 dan FCH ... 25
6 Nilai peluang fitur FLBP(8,2), FCH dan FLBP(8,2)+FCH pada dua citra kelas 5... 28
7 Nilai peluang fitur FLBP(8,2), FCH dan penggabungan fitur FLBP(8,2) + FCH pada kelas 12 ... 29
PENDAHULUAN
Latar BelakangIndonesia merupakan negara yang kaya akan tumbuhan obat. Laboratorium Konservasi Tumbuhan Fakultas Kehutanan IPB telah mendata, hingga tahun 2001 tidak kurang dari 2039 spesies tumbuhan obat berasal dari hutan Indonesia (Zuhud 2009). Keberadaan jenis tumbuhan obat yang tersebar di seluruh wilayah Indonesia, serta semakin bertambahnya keanekaragaman tumbuhan obat menyebabkan proses identifikasi semakin sulit dilakukan. Pemanfaatan sumber daya tumbuhan obat pun menjadi tidak optimal. Proses identifikasi selama ini dilakukan secara manual, yaitu melalui pencocokan terhadap herbarium atau literatur tumbuhan obat. Proses identifikasi dengan cara tersebut membutuhkan waktu yang lama dan tidak dapat dilakukan secara
mobile. Hal tersebut menyebabkan keberadaan
teknologi yang mampu melakukan proses identifikasi secara mobile dan otomatis semakin dibutuhkan. Perkembangan teknologi
smartphone, khususnya Android yang bersifat
open source, dapat digunakan sebagai langkah
untuk mengurangi permasalahan yang muncul dalam proses identifikasi tumbuhan obat. Langkah yang dapat dilakukan adalah dengan mengembangkan sebuah aplikasi mobile yang dapat melakukan proses identifikasi tumbuhan obat secara otomatis berbasis citra tumbuhan obat.
Salah satu tahapan dalam proses identifikasi citra adalah ekstraksi citra. Ekstraksi citra dapat dilakukan berdasarkan fitur warna, bentuk, atau tekstur citra. Valerina (2012) telah melakukan ekstraksi tekstur citra dengan menggunakan teknik
Fuzzy Local Binary Pattern. Fuzzy logic
digunakan untuk mengatasi ketidakpastian pada representasi tekstur LBP yang diakibatkan oleh noise. Metode tersebut digunakan untuk identifikasi citra daun 30 jenis tumbuhan obat dengan akurasi mencapai 66%.
Penggunaan fitur warna citra untuk proses ektraksi fitur citra daun tumbuhan obat belum pernah dilakukan. Padahal pada database citra daun tumbuhan obat terdapat beberapa jenis tumbuhan obat yang daunnya tidak berwarna hijau. Berdasarkan hal tersebut, warna dapat dipertimbangkan sebagai penciri untuk proses identifikasi citra daun tumbuhan obat. Balqis (2006) melakukan ekstraksi fitur warna citra bunga dengan menggunakan teknik Fuzzy
Color Histogram (FCH) pada temu kembali
citra bunga. Kusmana (2011) melakukan penggabungan fitur Local Binary Pattern
untuk meningkatkan akurasi identifikasi citra daun tumbuhan obat. Akurasi terbaik diperoleh dari penggabungan fitur dengan menggunakan teknik Product Decision Rule. Oleh karena itu, penelitian ini akan mengembangkan aplikasi mobile berbasis Android untuk mengidentifikasi tumbuhan obat dengan menerapkan penggabungan fitur
Fuzzy Local Binary Pattern dan Fuzzy Color
Histogram menggunakan teknik Product
Decision Rule.
Tujuan
Tujuan penelitian ini adalah mengembangkan aplikasi mobile berbasis Android untuk mengidentifikasi citra daun tumbuhan obat dengan penggabungan hasil ekstraksi fitur tekstur menggunakan Fuzzy
Local Binary Pattern dan fitur warna
menggunakan Fuzzy Color Histogram.
Ruang Lingkup
Ruang lingkup penelitian ini ialah data citra daun tumbuhan obat yang digunakan adalah 51 jenis tumbuhan obat. Tiga puluh jenis diambil dari kebun Biofarmaka, Cikabayan, dan rumah kaca Pusat Konservasi Ex-situ Tumbuhan Obat Hutan Tropika Indonesia, Fakultas Kehutanan IPB. Dua puluh satu jenis lainnya diambil dari Kebun Raya Bogor.
TINJAUAN PUSTAKA
AndroidAndroid merupakan sistem operasi yang ditargetkan untuk perangkat mobile, seperti ponsel yang didasarkan pada versi modifikasi di kernel Linux.
Konsep dan platform Android pertama kali digagas oleh Android Inc, sebuah perusahaan dari Palo Alto, California. Google kemudian melakukan akuisisi pada tahun 2005 (Lee 2011). Sistem operasi Android bersifat open source sehingga para developer dapat dengan bebas mengembangkan aplikasi di dalamnya. Gambar 1 menunjukkan komponen utama dari sistem operasi Android.
Open Source Computer Vision (OpenCV)
OpenCV adalah library open source yang dapat digunakan untuk mengembangkan aplikasi computer vision. Computer vision
merupakan salah satu cabang ilmu komputer yang berkaitan dengan analisis citra untuk keperluan ekstraksi informasi. OpenCV dapat diaplikasikan pada lingkungan sistem operasi Windows, Linux, Android, dan Mac dengan bahasa pemrograman C, C++, Phyton, dan Java. OpenCV dapat diaplikasikan untuk kepentingan akademis maupun komersial di bawah lisensi BSD, yang memungkinkan para pengembang aplikasi untuk menggunakan dan mendistribusikannya secara bebas (Laganiere 2011).
Local Binary Patterns (LBP)
LBP pertama kali diperkenalkan untuk mendeskripsikan tekstur pada mode grayscale
(Ojala et al. 2002). Operator LBP didasarkan pada 3x3 ketetanggaan yang merepresentasikan tekstur lokal di sekitar
pixel pusat seperti yang diilustrasikan pada Gambar 2.a. (Iakovidis et al. 2008).
Setiap pola tekstur LBP, direpresentasikan oleh sembilan elemen
. Nilai merepresentasikan nilai intensitas pada pixel pusat dan merepresentasikan nilai pixel
sekelilingnya (circular sampling). Nilai delapan ketetanggaan yang mengelilingi pixel
pusat dapat direpresentasikan pada Gambar 2.b dicirikan oleh nilai biner di , dengan
- (1)
Berdasarkan nilai biner tersebut, setiap ketetanggaan memiliki nilai LBP yang dihasilkan oleh formula berikut:
(2)
Nilai LBP yang dihasilkan menunjukkan kode Local Binary Pattern. Kemudian, kode-kode LBP tersebut akan direpresentasikan melalui histogram. Histogram akan menunjukkan frekuensi kejadian berbagai nilai LBP. Untuk ukuran citra NxM, keseluruhan nilai LBP dapat direpresentasikan dengan membentuk histogram sebagai berikut:
(3)
(4) dengan K merupakan nilai LBP terbesar.
Operator LBP juga dapat dikembangkan dengan menggunakan berbagai ukuran
sampling points dan radius (Gambar 3). Pada
pixel ketetanggaan akan digunakan notasi
(P,R). P merupakan ukuran sampling points
dan R merupakan ukuran radius (Valerina 2012).
Fuzzy Local Binary Pattern (FLBP)
Fuzzification pada pendekatan LBP
meliputi transformasi variabel input menjadi variabel fuzzy berdasarkan pada sekumpulan
fuzzy rule. Dalam hal ini, digunakan dua fuzzy rule untuk menentukan representasi nilai biner dan mencari nilai fuzzy berdasarkan deskripsi relasi antara nilai circular sampling pi dan
pixel pusat pcenter (Iakovidis et al. 2008).
Nilai LBP: 1 + 2 + 8 + 64 + 128 = 203
Gambar 2 Skema komputasi LBP.
Threshold
Berdasarkan Gambar 4, dua fuzzy rule
ditentukan dua membership function m0() dan
m1(). Fungsi m0() mendefinisikan derajat
dengan adalah 0. Membership function m0()
adalah fungsi menurun (Gambar 4) yang
Membership function mendefinisikan
derajat dengan adalah 1. Fungsi
fuzzy yang mengontrol derajat ketidakpastian. Metode LBP original hanya menghasilkan satu kode LBP saja, sedangkan dengan metode FLBP akan dihasilkan satu atau lebih kode LBP. Masing-masing nilai LBP yang dihasilkan memiliki tingkat kontribusi ( ) yang berbeda bergantung pada nilai-nilai fungsi keanggotaan dan yang dihasilkan. Untuk ketetanggaan 3x3, kontribusi dari setiap kode LBP pada histogram FLBP didefinisikan sebagai berikut (Iakovidis et al. 2008):
(7)
Total kontribusi ketetanggaan 3x3 ke dalam bin histogram FLBP, yaitu:
(8)
Pada Gambar 5, pendekatan FLBP menghasilkan dua kode LBP sebagai penciri ketetanggaan 3x3. Kode LBP tersebut akan direpresentasikan dengan histogram yang dihitung dengan menjumlahkan kontribusi dari setiap nilai LBP.
Fuzzy C-Means Clustering (FCM)
FCM merupakan algoritme pengelompokkan data (clustering) tanpa proses pelatihan (unsupervised learning). Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981. Algoritme FCM didefinisikan sebagai berikut (Saikumar et al. 2011):
1 Input jumlah cluster c, konstanta
pembobot m, indeks iterasi l dan kriteria penghentian .
2 Inisialisasi pusat cluster , untuk .
3 Data input
4 Memperbaharui nilai keanggotaan dengan menggunakan Persamaan 9.
6 Jika , lakukan kembali langkah 4. Jika tidak, berhenti.
Hasil dari FCM adalah sejumlah pusat
cluster dengan derajat keanggotaan setiap titik data terhadap tiap cluster tersebut.
Color Histogram
Warna merupakan salah satu ciri citra yang paling sering digunakan pada penelitian pengenalan citra maupun content-based image
retrieval (CBIR). Ekstraksi fitur warna
biasanya dilakukan dengan pendekatan color
histogram (histogram warna). Color
histogram menyatakan frekuensi atau peluang
keberadaan setiap warna dalam sebuah citra. Banyaknya nilai warna yang dinyatakan dalam bin dapat ditetapkan sesuai kebutuhan pembuatan histogram. Color histogram dapat dinyatakan sebagai berikut (Han & Ma 2002):
(11)
Fuzzy Color Histogram (FCH)
Color histogram dalam merepresentasikan
warna tidak mempertimbangkan persamaan warna pada bin yang berbeda serta perbedaan warna pada bin yang sama. Untuk mengatasi hal tersebut, dibuatlah fuzzy color histogram
yang mempertimbangkan persamaan warna pada setiap pixel warna yang terasosiasikan ke semua bin histogram melalui fuzzy set membership function. Pada FCH, satu warna dapat masuk ke dalam seluruh bin histogram dengan derajat keanggotaan yang berbeda. FCH dari citra I dapat didefinisikan sebagai
Klasifikasi Probabilistic Neural Network
(PNN)
PNN diperkenalkan oleh Donald Specht pada tahun 1990. PNN menggunakan pelatihan (training) supervised. Pelatihan hanya memerlukan satu kali iterasi, dan solusi umumnya diperoleh dengan menggunakan pendekatan Bayesian (Ramakrishnan&Emary
2008). PNN memiliki struktur sederhana serta pelatihannya cepat karena tidak perlu memperbarui bobot. Bobot di PNN bukan merupakan hasil pelatihan, melainkan nilai yang akan menjadi masukan (tersedia). Gambar 6 menunjukkan struktur dari PNN.
PNN terdiri atas empat lapisan, yaitu lapisan masukan (input layer), lapisan pola
(pattern layer), lapisan penjumlahan
(summation layer), dan lapisan keluaran
(output layer). Definisi dari masing-masing lapisan adalah sebagai berikut:
1 Lapisan masukan (input)
Lapisan masukan merupakan input x yang terdiri atas k nilai yang akan diklasifikasikan pada salah satu kelas dari
n kelas.
2 Lapisan pola (pattern layer)
Pada lapisan pola dilakukan perkalian titik (dot product) antara input dan vektor bobot . Persamaan yang digunakan pada lapisan pola adalah sebagai berikut:
(13) dengan xij menyatakan vektor bobot atau
vektor latih kelas ke-i urutan ke-j. Nilai (bias) merupakan suatu nilai parameter yang berguna untuk menghaluskan fungsi jarak. Nilai bias tidak dapat ditentukan secara langsung, tetapi bias didapatkan melalui hasil percobaan (Seminar et al. 2006).
3 Lapisan penjumlahan (summation layer) Pada lapisan penjumlahan, setiap pola pada masing-masing kelas dijumlahkan sehingga dihasilkan population density function untuk setiap kelas. Persamaan yang digunakan pada lapisan ini adalah:
merupakan jumlah pola pelatihan seluruh kelas, dan k merupakan dimensi vektor input (Seminar et al. 2006).
4 Lapisan keluaran (output layer)
Pada lapisan keluaran, input x akan diklasifikasikan ke kelas I jika nilai paling besar dibanding kelas lainnya.
Product Decision Rule (PDR)
Product decision rule merupakan salah satu teknik classifier combination yang umum digunakan. Classifier combination adalah kombinasi dari dua atau lebih hasil dari suatu nilai aturan keputusan (decision rules). Tujuan dari classifier combination adalah untuk meningkatkan efisiensi dan akurasi (Kittler et al. 1998). Masing-masing fitur yang diklasifikasikan dengan sebuah classifier
menghasilkan prior probability dan posterior
probability. Pada PDR, misalkan prior kelas wj didefinisikan sebagai berikut:
(15) dengan R merupakan jumlah classifier yang akan dikombinasikan dan C adalah jumlah kelas target. Berdasarkan posterior probabilities =
Pengembangan mobile application untuk identifikasi citra daun tumbuhan obat ini terdiri atas beberapa tahapan proses yang berlangsung pada sisi client dan sisi server. Tahapan metode penelitian yang dilakukan diilustrasikan pada Gambar 7.
Pada sisi server berlangsung tahapan praproses, ekstraksi fitur citra (tekstur dan warna), pembentukan model klasifikasi, hingga proses identifikasi citra. Mobile device
pengguna (client) berperan dalam proses akuisisi citra yang akan diidentifikasi. Citra hasil akuisisi dari mobile device
tersebutselanjutnya akan dikirimkan ke server
melalui jaringan internet untuk dilakukan proses identifikasi citra. Hasil dari identifikasi citra di server akan dikirimkan kembali ke
device pengguna.
Data Citra Tumbuhan Obat
Citra yang digunakan diperoleh dari pemotretan 51 jenis tumbuhan obat di kebun Biofarmaka Cikabayan, rumah kaca Pusat Konservasi Ex-situ Tumbuhan Obat Hutan Tropika Indoneia, Fakultas Kehutanan IPB, serta Kebun Raya Bogor. Setiap satu jenis
Praproses merupakan tahap persiapan citra sebelum diekstraksi fitur-fiturnya sehingga tahapan praposes disesuaikan dengan masing-masing ekstraksi fitur yang akan dilakukan. Tahapan praproses untuk citra yang akan diektraksi fitur teksturnya adalah mengubah ukuran citra menjadi 240x270 pixel melalui proses scaling. Citra RGB kemudian diubah menjadi citra grayscale.
Tahapan praproses untuk citra yang akan diekstraksi fitur warnanya ialah mengubah ukuran citra menjadi 240x270 pixel serta mengubah citra RGB menjadi citra biner untuk mendapatkan wilayah daun yang menjadi perhatian utama. Pixel dengan nilai 1 merupakan daerah daun pada citra, sedangkan
pixel dengan nilai 0 adalah daerah latar proses ekstraksi agar tidak menjadi penciri. Citra diekstraksi berdasarkan dua fitur, antara lain:
1 Ekstraksi fitur tekstur (FLBPP,R)
Ekstraksi fitur tekstur pada penelitian ini menggunakan operator FLBP8,2. Citra akan
dibagi ke dalam beberapa blok (local region) sesuai dengan operator circular neighborhood
(P, R), yaitu sampling point (P) dan radius (R)
yang digunakan. Penelitian ini menggunakan operator circular neighborhood (8, 2). Ekstraksi FLBP8,2 dilakukan dengan
menggunakan ukuran blok (pixel) 5x5 dan kuantisasi sudut 45 derajat. Hal tersebut berdasarkan penelitian Valerina (2012). Ekstraksi dilakukan dengan mengolah setiap blok menggunakan Persamaan 1 untuk mencari selisih dari pixel tetangga dengan
pixel pusat. Setiap blok yang diperoleh akan menghasilkan satu atau lebih nilai LBP dan nilai kontribusinya. Blok yang berisikan nilai selanjutnya akan mengalami proses
thresholding berdasarkan fungsi sebagai
berikut:
-
(17)
Parameter fuzzification (F) yang digunakan dalam penelitian ini ialah empat (F
= 4). Nilai tersebut diambil berdasarkan nilai parameter fuzzification terbaik hasil dari penelitian Valerina (2012). Proses
thresholding akan menghasilkan nilai LBP
sebanyak 2n, dengan n merupakan banyaknya nilai pixel yang berada pada rentang fuzzy
yaitu antara –F sampai F, seperti ilustrasi
Gambar 8 dengan F = 4. Ekstraksi fitur tekstur menggunakan FLBP melakukan perbaikan pada pengkodean pola biner LBP tradisional. Hasil threshold pada LBP tradisional terkadang menghasilkan pengkodean pola biner yang tidak sesuai dengan kandungan nilai pikselnya.
Warna-warna yang diberikan pada setiap nilai pixel pada Gambar 8 mengilustrasikan kandungan gray level pada masing-masing nilai pixel tersebut. Pada ilustrasi Gambar 8, terjadi ketidaksesuaian pengkodean pola biner pada pixel yang bernilai 102. Pada ilustrasi di atas, pixel 102 diberikan kode biner yang sama dengan pixel 40, yaitu 0. Padahal, kedua nilai pixel tersebut memiliki kandungan gray
level yang berbeda. FLBP melakukan
perbaikan pada ketidaksesuaian pengkodean Gambar 3 Metode Penelitian.
pola biner tersebut dengan menetapkan suatu fungsi keanggotaan dan daerah fuzzy
berdasarkan nilai parameter fuzzy yang digunakan (F = 4). Daerah fuzzy tersebut terletak pada rentang nilai -F < < F. Pada penelitian ini daerah fuzzy tersebut terletak pada rentang -4 < < 4. Pada ilustrasi Gambar 8, pixel 102 berada pada rentang
fuzzy (-4 < < 4) dengan nilai = 2. Jadi,
pixel 102 diberi 2 pengkodean biner yang berbeda, yaitu kode biner 0 dengan derajat keanggotaan berdasarkan fungsi m0
(Persamaan 5), serta kode biner 1 dengan derajat keanggotaan berdasarkan fungsi m1
(Persamaan 6).
2 Ekstraksi fitur warna (FCH)
Proses ekstraksi warna dengan FCH tidak terlalu beragam hasilnya pada perbedaan ruang warna RGB, HSV, dan L*a*b (Balqis 2006). Pada penelitian ini, pengolahan citra dilakukan pada ruang warna RGB. Ekstraksi fitur warna menggunakan FCH, terdiri atas beberapa tahapan, antara lain:
a Kuantisasi warna
Langkah pertama yang dilakukan dalam penghitungan FCH adalah penghitungan histogram awal untuk warna hasil kuantisasi. Nilai warna kuantisasi awal didasarkan pada sebaran warna bunga dalam basis data yang memiliki 51 kelas bunga. Pada tiap kelas citra daun diambil sepuluh warna piksel yang muncul terbanyak sehingga dihasilkan 510 warna tanpa ada warna yang sama. Tiap piksel warna yang ditemukan pada citra kemudian dipetakan ke dalam 510 warna kuantisasi awal sehingga diperoleh histogram warna awal. Histogram tersebut menghasilkan jumlah ciri yang terlalu banyak sehingga menyebabkan komputasi yang besar untuk pengenalan pola suatu citra. Oleh karena itu, histogram awal tersebut akan dikalikan dengan matriks derajat keanggotaan sehingga akan menghasilkan nilai ciri yang cenderung lebih sedikit bergantung pada jumlah bin
histogram yang ditentukan.
b Menghitung matriks derajat keanggotaan Nilai keanggotaan tiap pixel terhadap tiap diujicobakan pada penelitian ini ialah lima, sepuluh, dan lima belas. Percobaan
tersebut menghasilkan jumlah cluster
optimal, yaitu 15 cluster. Cluster warna yang dihasilkan dapat dilihat pada Lampiran 2. Berikut merupakan tahapan yang dilakukan untuk mendapatkan pusat
cluster dan matriks derajat keanggotaan tiap piksel warna terhadap masing-masing
cluster(Saikumar et al. 2011):
1 Menentukan parameter yang diperlukan yaitu:
- Jumlah cluster (c) = 15 - Konstanta pembobot (m) = 2 - Maksimum iterasi (tmax) = 100
- Kriteria penghentian ( = 0.01 2 Membentuk matriks inisialisasi pusat
cluster V secara acak.
3 Memperbaharui derajat keanggotaan dengan menggunakan Persamaan 9. 4 Memperbarui pusat cluster dengan
menggunakan Persamaan 10. 5 Memeriksa kondisi berhenti:
Jika , atau t > tmax,
proses berhenti. Jika tidak, t = t+1 dan proses dilanjutkan dari langkah 3.
c Fuzzy color histogram
Penghitungan fuzzy color histogram
dilakukan dengan mengalikan histogram awal dengan matriks derajat keanggotaan tiap
cluster yang diperoleh dari fungsi FCM
(Persamaan 12). Pada FCH, setiap warna C
yang ditemukan pada citra akan mempengaruhi seluruh kuantisasi warna berdasarkan kemiripan warna dengan warna C
tersebut.
Klasifikasi dengan Probabilistic Neural Network (PNN)
Masing-masing ekstraksi fitur akan menghasilkan vektor ciri untuk masing-masing citra. Vektor-vektor ciri tersebut kemudian akan diklasifikasikan dengan menggunakan PNN. Klasifikasi dilakukan dengan membagi data latih dan data uji masing-masing 80% dan 20%. Model klasifikasi yang diperoleh merupakan hasil dari proses training data. Klasifikasi dilakukan dengan menerapkan nilai bias yang berbeda-beda untuk setiap ekstraksi fitur karena dimensi vektor ciri yang dihasilkan tiap ekstraksi fitur berbeda-beda.
Classifier Combination menggunakan Product Decision Rule (PDR)
Decision rule (PDR). Pemilihan teknik tersebut didasarkan pada hasil dari penelitian Kusmana (2011) yang menunjukkan penggabungan fitur menggunakan teknik PDR memberikan akurasi yang cukup tinggi pada penggabungan operator LBP.
Evaluasi
Evaluasi dari kinerja didasarkan pada banyaknya data uji yang diprediksi secara benar dan tidak benar oleh aplikasi. Perhitungan akurasinya dirumuskan sebagai berikut:
akurasi =
Lingkungan Implementasi
Aplikasi mobile untuk identifikasi tumbuhan obat ini dikembangkan dalam lingkungan piranti keras dengan spesifikasi sebagai berikut:
Prosesor Intel Core i3-2310M, 2.1 GHz.
RAM dengan kapasitas 4 GB.
Harddisk dengan sisa kapasitas 65 GB.
Monitor LCD.
Keyboard.
Spesifikasi piranti lunak yang digunakan sebagai berikut:
Sistem operasi Microsoft® Windows 7 Profesional.
Eclipse 3.4 Helios IDE.
Microsoft® Visual Studio 2010.
Library OpenCV 2.1.
Bahasa pemrograman Java dan C++.
HASIL DAN PEMBAHASAN
Data Citra Tumbuhan ObatPenelitian ini menggunakan data citra daun 51 jenis tumbuhan obat, yang mana dilakukan penambahan citra 21 jenis tumbuhan obat dari penelitian sebelumnya yang hanya berjumlah 30 jenis tumbuhan obat. Dari masing-masing jenis tumbuhan obat diambil 48 citra sehingga total keseluruhan citra yang digunakan dalam penelitian ini berjumlah 2448 citra.
Hasil Praproses
Tahap praproses dilakukan dengan menyeragamkan ukuran citra menjadi 270x240 pixel pada citra yang latar belakangnya sudah berwarna putih. Citra RGB juga diubah menjadi grayscale untuk
proses ekstraksi fitur tekstur menggunakan FLBP8,2. Hasil praproses citra daun yang akan
diekstraksi fitur teksturnya dapat dilihat pada Gambar 9.
Pada citra daun untuk ekstraksi fitur warna, citra RGB diubah menjadi citra biner. Hal tersebut bertujuan mendapatkan wilayah daun yang menjadi perhatian utama. Pixel
dengan nilai 1 merupakan daerah daun pada citra, sedangkan pixel dengan nilai 0 adalah daerah latar belakang citra daun yang tidak diperhitungkan. Hasil praproses citra daun yang akan diekstraksi fitur warnanya dapat dilihat pada Gambar 10.
Hasil Ekstraksi Tekstur dengan FLBP8,2
Citra hasil praproses untuk ekstraksi fitur tekstur digunakan sebagai masukkan pada proses ekstraksi dengan FLBP8,2. Berdasarkan
penelitian Valerina (2012), nilai sampling points P=8, dan radius R=2 adalah operator FLBP terbaik pada pemrosesan citra daun tumbuhan obat. Ekstraksi fitur dengan menggunakan FLBP juga bergantung pada parameter fuzzification (F). Berdasarkan penelitian Valerina (2012), nilai F terbaik untuk ekstraksi citra daun tumbuhan obat
Citra awal Citra Citra 3888x259 270x240 grayscale
Gambar 5 Hasil praproses citra daun untuk ekstraksi fitur tekstur.
Citra awal Citra Citra 3888x259 270x240 hitam putih
Objek utama
adalah F=4.
Hasil ekstraksi dengan FLBP8,2
direpresentasikan dalam bentuk histogram.lHistogram FLBP8,2 untuk citra
daun iler diperlihatkan pada Gambar 11. Histogram pada Gambar 11 menunjukkan frekuensi distribusi CLBP yang dihasilkan. CLBP menunjukkan kontribusi dari setiap kode LBP pada histogram FLBP. Panjang bin
pada histogram FLBPP,R bergantung pada
jumlah sampling points yang digunakan. Berdasarkan penelitian Valerina (2012), jumlah sampling points (P) yang digunakan adalah 8 sehingga jumlah bin pada histogram FLBPP,R sebanyak 28 = 256 bin.
Hasil Ekstraksi Warna dengan FCH
Citra hasil praproses untuk ekstraksi fitur warna digunakan sebagai masukkan pada proses ekstraksi dengan FCH. Ekstraksi FCH dilakukan dengan menghitung jarak kedekatan setiap nilai warna yang ditemukan pada citra dengan nilai warna kuantisasi awal.
Penghitungan histogram awal dilakukan dengan memetakan tiap piksel yang ditemukan ke dalam 510 warna kuantisasi awal yang telah ditentukan. Histogram yang diperoleh tersebut selanjutnya dikalikan dengan matriks derajat keanggotaan yang diperoleh dengan menggunakan fungsi FCM.
Jumlah nilai ciri yang dihasilkan bergantung pada jumlah bin histogram yang ditentukan. Penelitian ini menggunakan 15 buah bin yang ditentukan berdasarkan hasil percobaan. Masing-masing bin pada FCH
merepresentasikan nilai warna yang berbeda-beda. Histogram FCH untuk citra daun nanas kerang diperlihatkan pada Gambar 12.
Histogram FCH pada Gambar 12 menunjukkan frekuensi atau peluang keberadaan setiap bin warna pada citra. Daun nanas kerang memiliki warna yang berbeda dengan daun dari jenis tumbuhan lainnya yang cenderung berwarna hijau. Terlihat bahwa warna yang ditemukan pada daun nanas kerang terkuantisasi paling banyak pada bin
ke-1 yang cenderung berwarna kecoklatan. Pada bin warna yang terbentuk, warna pada
bin ke-1 dianggap paling mendekati nilai warna daun nanas kerang yang cenderung berwarna merah gelap.
Identifikasi Citra tanpa Penggabungan
Identifikasi dilakukan dengan menggunakan Probabilistic Neural Network
(PNN) classifier. Hasil ekstraksi fitur tekstur dan fitur warna 2448 citra daun tumbuhan obat menghasilkan vektor-vektor ciri sebagai nilai penciri dari masing-masing ekstraksi. Hasil ekstraksi dari masing-masing fitur diklasifikasikan dengan pembagian data latih dan data uji masing-masing sebesar 80% dan 20% untuk semua fitur. Nilai bias yang digunakan pada klasifikasi masing-masing fitur, yaitu untuk FLBP8,2 = 0.07, dan untuk
FCH = 0.044. Nilai bias tersebut diperoleh dari hasil percobaan.
1 Fitur FLBP8,2
Pada penelitian Valerina (2012), FLBP8,2
dengan nilai F=4 menghasilkan akurasi
Daun iler (Coleus scutellarioides)
Gambar 11 Histogram FLBP8,2 citra daun iler.
Daun nanas kerang (Rhoeo discolor)
Gambar 12 Histogram FCH citra daun nanas
sebesar 66.33%. Akurasi tersebut diperoleh dari data berjumlah 30 kelas, dengan citra untuk masing-masing kelas berjumlah 48. Pada penelitian ini, dilakukan penambahan jumlah data menjadi 51 kelas dengan citra masing-masing kelas berjumlah 48.
Pelatihan dan evaluasi yang dilakukan terhadap penambahan data dengan pembagian data uji dan data latih mengikuti penelitian Valerina (2012) dengan nilai bias 0.07 menghasilkan akurasi sebesar 59.61%.
Gambar 13 menunjukkan grafik hasil identifikasi citra masing-masing kelas dengan menggunakan operator FLBP8,2 untuk
ekstraksi fitur tekstur citra. Pada ekstraksi fitur FLBP8,2, terdapat tujuh kelas citra
tumbuhan obat yang terklasifikasi 100%, yaitu kelas 3 (Dandang gendis/Clinacanthus nutans.), kelas 7 (Pegagan/Centella asiatica), kelas 26 (Cincau hitam/Mesona palustris), kelas 29 (Jambu biji/Psidium guajava), kelas 41 (Kenanga/Canangium odoratum), kelas 42 (Pepaya/Carica papaya), dan kelas 43 (Mrambos/Hibiscus radiates). Confusion
matriks identifikasi citra menggunakan FLBP8,2 untuk masing-masing kelas dapat
dilihat pada Lampiran 3.
Kelas 35 (Sirihan/Piper aduncum) memiliki akurasi paling rendah yaitu 10% pada identifikasi berdasarkan fitur tekstur menggunakan FLBPP,R. Hal tersebut
disebabkan oleh citra pada kelas 35 memiliki tingkat kontras yang beragam.
2 Fitur FCH
Pelatihan dan evaluasi terhadap hasil ekstraksi FCH, dilakukan dengan nilai bias 0.044. Gambar 14 menunjukkan grafik hasil identifikasi citra masing-masing kelas dengan
menggunakan operator FCH untuk ekstraksi fitur warna citra. Penggunaan FCH dengan jumlah bin = 15 menghasilkan akurasi sebesar 50.78%. Confusion matriks identifikasi citra menggunakan FCH untuk masing-masing kelas dapat dilihat pada Lampiran 4.
Gambar 14 menunjukkan kelas 43 (Mrambos/Hibiscus radiates) memiliki akurasi 100%. Citra pada kelas tersebut memiliki warna yang unik, yaitu merah. Hal tersebut jauh berbeda dengan kecenderungan citra pada jenis tumbuhan obat lainnya yang berwarna hijau. Citra pada kelas 43 juga memiliki warna yang cenderung seragam dengan tingkat kontras antarcitra yang tidak jauh berbeda sehingga mengurangi kesalahan terklasifikasinya citra pada kelas lain.
Citra pada kelas 5 (Akar kuning/Arcangelisiaflav a L.) dan kelas 51 (Rambutan/Nephelium lappaceum L.) memiliki representasi warna yang sama dengan sebagian besar jenis tumbuhan obat lainnya, yaitu hijau. Hal tersebut menyebabkan citra pada kelas 5 dan 51 akan terklasifikasi ke kelas lain yang memiliki kecenderungan warna yang mirip. Citra pada kelas 5 terklasifikasi ke kelas 19 Gambar 13 Grafik hasil identifikasi citra
dengan metode ekstraksi fitur FLBP8,2.
Gambar 14 Grafik hasil identifikasi citra dengan metode ekstraksi fitur FCH.
Data latih Data uji
Gambar 15 Contoh citra daun data latih dan data uji pada kelas 43 (Mrambos/
(Pungpulutan/Urena lobata L.). Citra pada kelas 51 terklasifikasi ke kelas 16 (Bunga telang/Clitoria ternatea), kelas 40 (Cabai rawit/Capsicum annum), dan kelas 49 (Belimbing wuluh/Averrhoa bilimbi). Gambar 15, 16, dan 17 masing-masing menunjukkan citra pada kelas 43, kelas 5, dan kelas 19.
Identifikasi Citra dengan Penggabungan Fitur
Hasil klasifikasi dari masing-masing fitur (tekstur dan warna) digabungkan dengan menggunakan teknik product decision rule
(PDR). Penentuan kelas menggunakan teknik PDR melibatkan semua fitur yang digabungkan. Akurasi yang dihasilkan dari penggabungan fitur menggunakan teknik PDR mencapai 74.51%. Confusion matriks identifikasi citra menggunakan penggabungan fitur FLBP8,2 dan FCH untuk masing-masing
kelas dapat dilihat pada Lampiran 5.
Gambar 18 menunjukkan perbandingan akurasi dari identifikasi citra dengan penggabungan dan tanpa penggabungan. Penggabungan fitur FLBP(8,2) dan FCH
memberikan kontribusi yang cukup besar pada identifikasi citra daun tumbuhan obat.
Gambar 19 menunjukkan akurasi tiap kelas penggabungan fitur FLBP8,2 dan FCH
dengan menggunakan teknik PDR. Peningkatan akurasi secara umum terjadi pada setiap kelas setelah dilakukan penggabungan fitur dengan teknik PDR sehingga menghasilkan akurasi yang lebih baik bila dibandingkan dengan tanpa penggabungan fitur.
Gambar 20 menunjukkan akurasi dari masing-masing kelas dengan penggabungan fitur serta tanpa penggabungan fitur. Kelas 15 (Nandang gendis) memiliki akurasi 20% pada fitur tekstur FLBP8,2, dan akurasi 60% pada
fitur warna FCH. Setelah dilakukan penggabungan dengan menggunakan PDR, akurasi pada kelas tersebut meningkat menjadi 70%. Citra pada kelas 15 memiliki tingkat kontras dan gradasi warna yang tinggi. Hal tersebut menyebabkan representasi pola tekstur menjadi sangat beragam. Nilai warna yang dimiliki oleh citra pada kelas 15 merupakan warna-warna yang mampu Data latih Data uji
Gambar 7 Contoh citra daun data latih dan data uji pada kelas 5 (Akar kuning/
Arcangelisiaflav a).
Data latih Data uji
Gambar 8 Contoh citra daun data latih dan data uji pada kelas 19 (Pungpulutan/Urena lobata L.).
Gambar 9 Grafik perbandingan akurasi.
FLBP(8,2) + FCH
direpresentasikan oleh bin warna FCH sehingga, pada saat penggabungan fitur dilakukan, informasi ciri pada fitur warna akan melengkapi informasi ciri pada fitur tekstur.
Kelas 1 (Pandan wangi/Pandanus amaryllifolius) memiliki akurasi 60% pada fitur tekstur dan akurasi 20% pada fitur warna. Setelah dilakukan penggabungan dengan menggunakan PDR, akurasi pada kelas tersebut meningkat menjadi 70%. Citra pada kelas 1 memiliki tingkat kontras dan gradasi warna yang seragam sehingga pola tekstur yang dimiliki seragam. Nilai warna yang dimiliki oleh citra pada kelas 1 memiliki warna hijau yang cenderung mirip dengan beberapa jenis tumbuhan obat lainnya yang ada pada database. Hal tersebut menyebabkan citra kelas 1 terklasifikasi pada kelas lain yang memiliki representasi warna yang mirip, yaitu kelas 42 (Pepaya/Carica papaya) dan 49 (Belimbing wuluh/Averrhoa bilimbi). Pada saat penggabungan fitur dilakukan, informasi ciri pada fitur warna akan dilengkapi oleh fitur tekstur sehingga akurasi dapat meningkat. Gambar 21 dan 22 masing-masing menunjukkan citra pada kelas 15 dan kelas 1.
Meskipun secara umum pada penggabungan fitur akurasi setiap kelas mengalami peningkatan, terdapat pula 12 kelas yang mengalami penurunan akurasi. Misalnya, kelas 5 (Akar
kuning/Arcangelisiaflav a L.) dan kelas 29 (Jambu biji/Psidium guajava). Citra pada kelas 5 memiliki gradasi warna yang beragam. Pada hasil identifikasi menggunakan fitur tekstur FLBP8,2 untuk 10 citra uji pada kelas
5, hanya terdapat 2 citra yang teridentifikasi secara benar sehingga akurasi hanya mencapai 20%.
Pada hasil identifikasi berdasarkan fitur warna FCH, untuk 10 citra uji pada kelas 5 tidak ada yang teridentifikasi secara benar sehingga akurasi identifikasi untuk fitur FCH pada kelas 5 sebesar 0%. Hal tersebut disebabkan oleh citra pada kelas 5 memiliki representasi warna yang mirip dengan citra pada kelas lain. Citra pada kelas 5 justru terklasifikasikan pada kelas lain yang memiliki representasi warna yang sama, yaitu kelas 19 (Pungpulutan/Urena lobata). Pada saat penggabungan fitur FLBP8,2 dan FCH
untuk citra pada kelas 5, peluang dari fitur FCH mendominasi penentuan peluang keputusan hasil identifikasi dengan penggabungan fitur. Dua citra uji pada kelas 5 yang semula teridentifikasi benar pada fitur FLBP8,2 menjadi teridentifikasi salah pada
saat penggabungan fitur sehingga akurasi penggabungan fitur pada kelas 5 menjadi 0%.
Pada saat penggabungan fitur, selain terjadi peningkatan dan penurunan akurasi identifikasi pada beberapa kelas, terdapat pula sembilan kelas yang akurasi identifikasinya
Kelas 1-26
Kelas 27-51
tidak mengalami perubahan. Salah satu contoh kelas yang tidak mengalami perubahan akurasi pada saat penggabungan fitur ialah kelas 12 (Bidani/Quisqualis indica).
Citra pada kelas 12 memiliki akurasi identifikasi pada fitur FLBP(8,2) sebesar 70%,
pada fitur FCH sebesar 90%, dan pada penggabungan fitur sebesar 90%. Hal tersebut disebabkan oleh nilai peluang hasil identifikasi pada fitur FCH merupakan nilai peluang maksimum bila dibandingkan dengan nilai peluang pada fitur FLBP(8,2). Oleh karena
itu, nilai peluang hasil identifikasi pada fitur FCH akan mendominasi nilai peluang hasil identifikasi pada penggabungan fitur. Nilai peluang fitur FLBP(8,2), FCH dan
Penggabungan fitur akan meningkatkan akurasi jika nilai peluang hasil klasifikasi merupakan nilai peluang maksimum pada
kelas yang tepat. Nilai peluang hasil penggabungan fitur akan maksimum jika nilai-nilai peluang setiap fitur yang digabungkan memiliki nilai yang seimbang sehingga satu fitur dengan fitur yang lain dapat saling melengkapi kekurangan pada saat pengidentifikasian.
Hasil Antarmuka Aplikasi
Antarmuka mobile application secara garis besar adalah antarmuka untuk proses identifikasi citra. Antarmuka aplikasi secara keseluruhan dapat dilihat pada Lampiran 8. Citra yang akan diidentifikasi dapat diambil dari galeri atau kamera ponsel pengguna. Citra tersebut kemudian akan dikirimkan ke server
untuk diidentifikasi.
Antarmuka aplikasi untuk identifikasi dapat dilihat pada Gambar 23. Pengguna dapat melihat informasi dari citra tumbuhan hasil identifikasi yang dikirimkan kembali ke ponsel pengguna. Informasi yang ditampilkan berupa nama, nama latin, nama daerah, habitus, bagian dari tumbuhan obat yang berkhasiat obat, serta khasiat dari tumbuhan obat tersebut. Pada bagian khasiat dari detail tumbuhan, pengguna dapat mencari tumbuhan lain mana yang memiliki khasiat yang sama.
Pengguna juga dapat menentukan penciri yang akan digunakan pada menu Setting.
Antarmuka untuk menu Setting dapat dilihat pada Gambar 24.
SIMPULAN DAN SARAN
SimpulanPenggabungan fitur FLBP8,2 dengan FCH
untuk identifikasi citra daun tumbuhan obat berhasil diimplementasikan. Akurasi identifikasi tanpa penggabungan fitur untuk masing-masing fitur menghasilkan akurasi sebesar 59.61% untuk fitur FLBP(8,2) dan
50.78% untuk fitur FCH. Akurasi identifikasi pada penggabungan fitur FLBP(8,2) dan FCH
menggunakan teknik PDR menghasilkan akurasi sebesar 74.51%.
Saran
Saran untuk penelitian selanjutnya ialah:
1 Penambahan data citra daun tumbuhan obat.
2 Perbaikan pada akuisisi citra dengan memerhatikan penggunaan kamera digital, pencahayaan, resolusi, dan sudut pengambilan gambar.
3 Penggunaan Davies-Bouldin Index (DBI) untuk penentuan jumlah cluster warna optimal yang digunakan pada Fuzzy C-Means Clustering.
4 Pemrograman multithreading pada aplikasi mobile sehingga pemrosesan citra dapat dilakukan pada device pengguna.
DAFTAR PUSTAKA
Balqis PD. 2006. Metode Fuzzy Color
Histogram untuk temu kembali citra bunga
[skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Han J, Ma KK. 2002. Fuzzy Color Histogram and its use in color image retrieval. IEEE
Transactions on Image Processing 11:
944-952.
Iakovidis DK, Keramidas GE, Maroulis D. 2008. Fuzzy Local Binary Pattern for ultrasound texture charecterization. ICIAR
5112: 750-759.
Kittler J, Hatef M, Duin PWR, Matas J. 1998. Combining classifiers: a theoretical framework. IEEE Transactions on Pattern
Analysis and Machine Intelligence 20:
226-239.
Kusmana I. 2011. Penggabungan fitur Local Binary Patterns untuk identifikasi citra tumbuhan obat [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Laganiere R. 2011. OpenCV 2 Computer
Vision Application Programming
Cookbook. Birmingham: Packt Publishing.
Lee MW. 2011. Beginning Android
Application Development. Indianapolis:
Wiley Publishing Inc.
Ojala T, Pietikainen M, Mäenpää T. 2002. Multiresolution gray-scale and rotation invariant texture classification with Local Binary Patterns. IEEE Transactions on Pattern Analysis and Machine Intelligence
24: 971-987.
Ramakrishnan S, Emary I. 2008. Comparative study between traditional and modified Probabilistic Neural Network.
Telecommun Syst 40: 67-74.
Saikumar T, Yugander P, Murthy P, Smitha B. 2011. Colour based imagesegmentation using Fuzzy C-Means. IPCSIT 14: 180-183.
Seminar KB, Buono A, Alim KM. 2006. Uji dan aplikasi komputasi paralel pada Jaringan Syaraf Probabilistic (PNN) untuk proses klasifikasi mutu tomat. Jurnal Teknologi 1:34-45.
Valerina F. 2012. Ekstraksi tekstur citra menggunakan metode Fuzzy Local Binary Pattern untuk identifikasi tumbuhan obat [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Zuhud EAM. 2009. Potensi hutan tropika Indonesia sebagai penyangga bahan obat alam untuk kesehatan bangsa. Jurnal
Bahan Alam Indonesia 6: 232-277.
Lampiran 1 Lima puluh satu jenis citra tumbuhan obat (Clitoria ternatea
Lampiran 2 Warna kuantisasi
Warna R G B
91 68 46
29 48 28
49 39 39
44 82 20
0 10 0
17 17 13
5 7 5
7 0 0
57 65 37
11 15 7
7 8 1
0 15 0
11 14 2
1 0 7
Lampiran 3 Confusion matriks FLBP8,2
M
as
uka
n
Target
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
1 6 1
2 9
3 10
4 3 6
5 2 2 1 1
6 9 1
7 10
8 2 6 1
9 2 7
10 1 8 1
11 4 1 1 1
12 1 7 1 1
13 3
14 3 2
15 1 1 2 1
16 8
17 1 5 1
18 2 6
19 1 1 7
20 1 6
21 1 1
22 2 1
23
24 1 3 1
25 2 1 1 2
26
27 1 1 1
28 1 1
29
30 2 1
31 1
32 1 1 1
33 1
34 35
36 1
37 1
38 1 1
39 1
40 41 42 43
44 1
45 1
46 1 1 1
47
48 1
49 1 1 1
50
Lanjutan
M
as
uka
n
Target
21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
1 1 1
2 3
4 1
5 1
6 7 8
9 1
10
11 1 1
12 13
14 1 1 1
15 1 3 1
16 1
17 1
18 1 1
19 20
21 6 1
22 5
23 1 5 1
24 4 1
25 1 2
26 10
27 5 1 1
28 1 7
29 10
30 1 6
31 3 1 3
32 1 1 1 2
33 9
34 1 4 3
35 1 3
36 8
37
38 1
39
40 1
41 42 43
44 2
45
46 1
47 4
48 1
49 50
Lanjutan
M
as
uka
n
Target
37 38 39 40 41 42 43 44 45 46 47 48 49 50 51
1 1
2 1
3 4
5 1 2
6 7
8 1
9 10
11 1
12
13 5 1 1
14 1 1
15
16 1
17 2
18
19 1
20 1 1 1
21 1
22 2
23 1 1 1
24
25 1
26 27 28 29 30
31 2
32 2
33
34 1 1
35 2 2 2
36 1
37 6 1 1 1
38 4 1 1 1
39 5 2 2
40 8 1
41 10
42 10
43 10
44 1 2 4
45 9
46 1 5
47 1 5
48 1 1 6
49 1 1 1 3 1
50 1 2 1 6
Lampiran 4 Confusion matriks FCH
M
as
uka
n
Target
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
1 2
2 5 1 3
3 5 1 3
4 2 8
5 1 0 1 1 6
6 9
7 5 2
8 9
9 2 4 2 1
10 2 8
11 6 2
12 1 9
13 1 5 1
14 8 2
15 6
16 9
17 1 1 1 4 1
18 1 1 1 1 2
19 6
20 1 1
21 1
22 1 1 1
23
24 1 1 1 2 2
25 1 1 2 1
26 1
27
28 1 2
29 2 1 2
30 31
32 6
33 3
34 1
35 2 1 1
36 2 1 1
37 1 2
38 39 40 41
42 1 1
43
44 1 3
45 1 4 1 1
46
47 1
48 49
50 1
Lanjutan
M
as
uka
n
Target
21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
1 1
2 1
3 1
4
5 1
6
7 1
8 1
9 1
1
11 1 1
12
13 3
14
15 1 1
16
17 2
18 3 1
19 3 1
20 1 3
21 7
22 7
23 5 3 2
24 3
25 2 3
26 1 1 7
27 6
28 1 4 2
29 1
30 3
31 8
32 2 1
33 1 5
34 1 4 1
35 4
36 2 2
37 1
38 2 2 1
39 4 2
40
41
42 1
43
44
45
46 2
47
48
49
50
Lanjutan
M
as
uka
n
Target
37 38 39 40 41 42 43 44 45 46 47 48 49 50 51
1 1 2 4
2 3 4 5 6 1
7 1 1
8 9 10 11 12 13 14 15 1 1
16 1
17 18 19 20 1 3
21 1 1
22 23 24 25 26 27 1 1 1 1
28 29 2 1 1
30 2 4 1
31 1 1
32 1
33 1
34 3
35 2
36 1 1 37 3 3 38 5
39 4
40 8 2 41 4 5 1
42 7
43 10
44 2 2 1 1
45 3
46 5 3
47 7 1 1 48 2 1 4 3 49 1 9
Lampiran 5 Confusion matriks penggabungan model klasifikasi FLBP8,2 dan FCH
M
as
uka
n
Target
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
1 7 1
2 8 1 1
3 7 3
4 3 7
5 2 0 2 1 5
6 10
7 10
8 10
9 1 8 1
10 10
11 8 1
12 9
13 1 9
14 1 1 6 1
15 1 7
16 10
17 1 5 2
18 1 1 1 7
19 1 9
20 1 7
21
22 1
23
24 1 2
25 2 1 2 1 1
26 1 1
27
28 1
29 1 1
30 31 32
33 2 1
34
35 1 1
36
37 1 1
38 1
39 40 41 42 43
44 1 1 1 1
45 1
46 1
47 48
49 1
50
Lanjutan
M
a
suk
a
n
Target
21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
1 2 3 4 5 6 7 8 9 10
11 1
12 1
13
14 1
15 1
16
17 1 1
18 19
20 1
21 9 1
22 9
23 7 1
24 7
25 3
26 8
27 9 1
28 9
29 6
30 1 9
31 7 1
32 8 2
33 6
34 3 6
35 1 1 4
36 2 1 6
37 1 1
38 1 1
39 2
Lanjutan
M
as
uka
n
Target
37 38 39 40 41 42 43 44 45 46 47 48 49 50 51
1 2
2 3 4 5 6 7 8 9 10 11 12 13 14
15 1
16 17 18 19
20 1
21 22
23 2
24 25 26 27 28
29 2
30
31 1 1
32
33 1
34 1
35 2
36 1
37 6
38 7
39 8
40 9 1
41 1 9
42 10
43 10
44 1 4 1
45 9
46 9
47 10
48 1 2 6 1
49 1 3 4 1
50 3 7
Lampiran 6 Nilai peluang fitur FLBP(8,2), FCH dan FLBP(8,2)+FCH pada dua citra kelas 5
Kelas 1 2
FLBP(8,2) FCH FLBP(8,2)+FCH FLBP(8,2) FCH FLBP(8,2)+FCH
1 1.31X 10-14 2.79X 10-121 7.19X 10-137 1.84X 10-14 3.82X 10-97 1.38X 10-112
2 0.147525462 0.603484268 0.001745672 0.024182189 0.115341537 5.47X 10-05
3 5.85X 10-07 5.95X 10-40 6.83X 10-48 3.49X 10-06 2.21X 10-40 1.51X 10-47
4 1.48X 10-15 3.66X 10-134 1.06X 10-150 7.82X 10-12 3.43X 10-138 5.26X 10-151
5 0.510386886 3.06X 10-15 3.06X 10-17 0.471676523 0.005002077 4.63X 10-05
6 9.81X 10-05 4.07X 10-54 7.82X 10-60 4.84X 10-06 2.42X 10-39 2.30X 10-46
7 0.052339462 2.18X 10-71 2.24X 10-74 0.002929941 6.38X 10-17 3.67X 10-21
8 2.77X 10-14 1.77X 10-159 9.60X 10-175 6.45X 10-13 2.46X 10-153 3.11X 10-167
9 5.86X 10-10 6.19X 10-38 7.11X 10-49 5.07X 10-10 3.95X 10-06 3.93X 10-17
10 0.000120504 3.87X 10-152 9.15X 10-158 3.56X 10-06 7.11X 10-169 4.96X 10-176
11 0.000710673 0.000346283 4.83X 10-09 4.14X 10-05 0.1270178 1.03X 10-07
12 0.000538984 3.37X 10-12 3.56X 10-17 0.034511039 4.70X 10-07 3.18X 10-10
13 0.012580685 5.25X 10-32 1.29X 10-35 0.007829572 0.002073361 3.18X 10-07
14 0.000622916 6.06X 10-62 7.40X 10-67 5.06X 10-05 6.79X 10-13 6.74X 10-19
15 2.38X 10-07 6.21X 10-28 2.90X 10-36 0.010089659 3.91X 10-30 7.74X 10-34
16 1.74X 10-05 1.24X 10-103 4.23X 10-110 2.01X 10-11 1.74X 10-78 6.88X 10-91
17 0.091859244 5.30X 10-22 9.54X 10-25 0.222466089 3.02X 10-11 1.32X 10-13
18 3.94X 10-10 1.53X 10-10 1.18X 10-21 4.02X 10-09 0.334706622 2.64X 10-11
19 0.101473456 0.396169324 0.000788248 0.087287147 0.413755155 0.000708147
20 0.000756725 1.15X 10-56 1.70X 10-61 0.000176187 3.54X 10-22 1.22X 10-27
21 2.96X 10-15 2.19X 10-74 1.27X 10-90 2.22X 10-08 9.67X 10-97 4.20X 10-106
22 4.19X 10-05 5.18X 10-60 4.26X 10-66 0.000482131 2.45X 10-05 2.32X 10-10
23 0.00013695 6.00X 10-84 1.61X 10-89 0.006208217 2.89X 10-104 3.52X 10-108
24 0.005453722 6.91X 10-12 7.38X 10-16 1.83X 10-05 0.000415465 1.49X 10-10
25 0.000104241 6.31X 10-16 1.29X 10-21 0.009916384 5.05X 10-13 9.82X 10-17
26 0.001288125 1.26X 10-07 3.17X 10-12 0.053007998 6.13X 10-14 6.37X 10-17
27 0.000739912 6.07X 10-145 8.80X 10-150 0.002038792 1.65X 10-142 6.61X 10-147
28 6.69X 10-21 2.67X 10-46 3.50X 10-68 1.16X 10-19 0.001658816 3.76X 10-24
29 9.21X 10-06 3.08X 10-133 5.55X 10-140 9.49X 10-06 4.89X 10-120 9.09X 10-127
30 0.000839551 3.14X 10-110 5.17X 10-115 0.000686862 2.22X 10-106 2.99X 10-111
31 0.000851477 2.06X 10-119 3.43X 10-124 0.029078433 3.05X 10-134 1.74X 10-137
32 2.48X 10-06 5.48X 10-126 2.66X 10-133 2.38X 10-05 2.96X 10-119 1.38X 10-125
33 1.25X 10-14 1.19X 10-119 2.92X 10-135 2.16X 10-11 9.48X 10-90 4.01X 10-102
34 9.42X 10-06 8.65X 10-57 1.60X 10-63 1.35X 10-09 2.40X 10-12 6.34X 10-23
35 1.82X 10-16 1.14X 10-143 4.05X 10-161 5.68X 10-16 8.35X 10-133 9.30X 10-150
36 0.000484935 1.04X 10-41 9.86X 10-47 0.000106165 2.07X 10-07 4.32X 10-13
37 1.30X 10-10 1.46X 10-45 3.72X 10-57 0.002360454 2.61X 10-09 1.21X 10-13
38 2.40X 10-10 1.43X 10-68 6.75X 10-80 2.13X 10-08 1.87X 10-26 7.79X 10-36
39 0.000882742 1.54X 10-66 2.67X 10-71 0.005494994 6.10X 10-125 6.57X 10-129
40 5.91X 10-12 4.27X 10-144 4.95X 10-157 1.39X 10-09 6.46X 10-138 1.77X 10-148
41 8.19X 10-11 1.60X 10-143 2.57X 10-155 1.47X 10-09 2.82X 10-136 8.14X 10-147
42 1.14X 10-09 1.76X 10-131 3.95X 10-142 1.42X 10-10 8.88X 10-143 2.47X 10-154
43 0.07006494 9.43X 10-123 1.30X 10-125 0.02929287 2.14X 10-162 1.23X 10-165
44 1.21X 10-05
2.48X
10-129 5.87X 10-136 3.70X 10-06 2.77X 10-134 2.01X 10-141
45 3.87X 10-13 2.94X 10-122 2.23X 10-136 3.08X 10-14 1.05X 10-113 6.32X 10-129
46 1.25X 10-07 2.42X 10-103 5.94X 10-112 6.18X 10-07 1.00X 10-83 1.22X 10-91
47 4.69X 10-05 1.14X 10-137 1.05X 10-143 1.79X 10-05 1.83X 10-133 6.43X 10-140
48 4.80X 10-10 8.02X 10-143 7.55X 10-154 2.58X 10-08 4.94X 10-134 2.50X 10-143
49 2.15X 10-10 1.08X 10-105 4.54X 10-117 2.23X 10-11 1.68X 10-128 7.36X 10-141
50 2.40X 10-11 5.60X 10-158 2.63X 10-170 3.77X 10-08 7.84X 10-156 5.80X 10-165
51 3.66X 10-09 5.48X 10-114 3.93X 10-124 5.16X 10-07 3.35X 10-97 3.39X 10-105
Probabilistik
Maksimum 0.5103869 0.6034843 0.0017457 0.4716765 0.4137552 0.0007081
Hasil
Lampiran 7 Nilai peluang fitur FLBP(8,2), FCH dan penggabungan fitur FLBP(8,2) + FCH pada
kelas 12
Kelas 1 2
FLBP(8,2) FCH FLBP(8,2)+FCH FLBP(8,2) FCH FLBP(8,2)+FCH
1 7.7x10-15 6.5x10-154 9.8x 10-170 3.8x10-07 1.5x10-159 1.1x10-167
2 8.8x 10-05 1.1x10-62 1.9x 10-68 0.000312 1x 10-102 6.2x 10-108
3 3.8x 10-07 3.5x10-08 2.7x 10-16 0.00043 2.4x 10-46 2x 10-51
4 9.1x 10-24 1.3x10-133 2.3x 10-158 3.6x10-15 1x 10-120 7.7x 10-137
5 1.2x10-05 5.9x 10-59 1.4x 10-65 0.00089 9.5x10-117 1.7x 10-121
6 3.3x 10-10 3.2x 10-104 2.0x 10-115 3.4x10-08 4x10-113 3x 10-122
7 0.00012 2.3x 10-66 5.4x 10-72 0.005532 1.2x10-122 1.3x 10-126
8 4.6x 10-09 4.9x 10-177 4.4x 10-187 1.3x10-05 4.9x10-189 1.2x 10-195
9 1.8x 10-09 1.4x 10-06 4.7x 10-17 0.000228 1.3x 10-45 5.8x 10-51
10 6.8x 10-12 8.1x 10-129 1.1x 10-141 3.9x10-10 1.6x10-146 1.2x 10-157
11 0.000854 1.3x 10-54 2.2x 10-59 0.097809 6.8x 10-50 1.3x 10-52
12 0.94924 0.99494 0.018518 0.561133 0.999993 0.011003
13 0.000549 1.3x 10-30 1.4x 10-35 0.111592 1.7x10-66 3.7x 10-69
14 0.001138 1.7x 10-87 3.9x 10-92 0.027699 7x 10-107 3.8x 10-110
15 4.4x 10-05 4.8x 10-14 4.1x 10-20 0.013152 3.5x 10-47 9x 10-51
16 1.4x 10-05 1.6x 10-159 4.6x 10-166 1.7x10-05 3.6x10-185 1.2x 10-191
17 9.8x 10-06 3.9x 10-53 7.5x 10-60 0.006581 3.5x 10-70 4.5x 10-74
18 8.5x 10-17 7.7x 10-13 1.3x 10-30 4.9x10-09 7.8x 10-47 7.6x 10-57
19 1.0x 10-06 1.8x 10-13 3.7x 10-21 5.9x10-05 3.1x 10-68 3.6x 10-74
20 0.000165 1.0x 10-105 3.4x 10-111 0.081402 4.1x10-145 6.6x 10-148
21 2.2x 10-11 9.9x 10-53 4.3x 10-65 6.0x10-07 8.4x 10-66 1.1x 10-73
22 0.02961 6.9x 10-41 4.0x 10-44 0.002713 1.8x 10-97 9.7x 10-102
23 3.2x 10-05 2.1x 10-83 1.3x 10-89 0.005416 6.0x10-114 6.4x 10-118
24 0.011167 2.6x 10-38 5.6x 10-42 0.025489 7x 10-81 3.5x 10-84
25 1.9x 10-05 2.4x 10-31 9.0x 10-38 0.013299 9.2x 10-94 2.4x 10-97
26 0.000121 1.4x 10-22 3.4x 10-28 0.001526 9.7x 10-64 2.9x 10-68
27 3.3x 10-06 8.6x 10-158 5.5x 10-165 0.007826 4.9x10-183 7.5x 10-187
28 3.6x10-18 0.000131 9.1x10-24 3.1x10-11 1.7x 10-37 1.1x 10-49
29 0.000155 2.5x 10-163 7.5x 10-169 0.010085 1.7x10-190 3.4x 10-194
30 0.000797 9.9x 10-113 1.6x 10-117 0.012153 9.9x10-88 2.4x 10-91
31 0.001516 1.8x 10-105 5.4x 10-110 0.000209 2.1x10-145 8.5x10-151
32 0.000842 5.6x 10-137 9.3x 10-142 0.008825 3.5x10-164 6.0x 10-168
33 7.6x 10-10 5.5x 10-141 8.1x 10-152 2.2x10-09 3.7x10-166 1.6x 10-176
34 0.0003 1.6x 10-49 9.2x 10-55 0.00027 5.1x10-112 2.7x 10-117
35 5.9x 10-08 2.1x 10-161 2.4x10-170 2.8x10-11 1.4x10-191 7.9x 10-204
36 3.0x 10-06 0.004927 2.9x 10-10 3.1x10-05 1.6x 10-68 9.3x 10-75
37 5.5x 10-08 6.0x 10-19 6.5x 10-28 4.0x10-08 4.6x10-86 3.6x 10-95
38 4.3x 10-08 1.0x 10-13 8.6x 10-23 3.1x10-05 8.1x 10-56 4.9x 10-62
39 9.4x 10-05 2.5x 10-08 4.6x 10-14 3.2x10-05 6.9x 10-06 4.4x 10-12
40 3.5x 10-07 8.9x 10-170 6.1x 10-178 8.8x10-07 2.4x10-190 4.2x 10-198
41 9.8x 10-08 5.1x 10-169 9.8x 10-178 1.2x10-05 4.8x10-190 1.2x 10-196
42 1.2x 10-06 2.6x 10-133 5.9x 10-141 3.5x10-08 8.3x10-155 5.7x 10-164
43 0.000129 2.4x10-140 6.0x10-146 0.000975 1.3x10-118 2.6x 10-123
44 0.002096 2.9x 10-161 1.2x 10-165 0.000457 1.1x10-184 9.6x10-190
45 2.8x 10-11 1.0x 10-141 5.6x 10-154 1.8x10-06 2.2x10-133 7.7x10-141
46 5.3x10-06 3.4x10-146 3.5x10-153 0.000348 5.4x10-171 3.7x10-176
47 0.000538 7.7x 10-168 8.2x 10-173 0.001394 3.6x10-192 9.71x 10-197
48 2.5x 10-06 7.5x 10-162 3.7x 10-169 0.000297 8.3x10-187 4.8x 10-192
49 3.8x10-06 9.69x10-110 7.3x10-117 0.000235 1.8x10-151 8.3x 10-157
50 0.000248 6.3x10-177 3.06x 10-182 0.000253 9.9x10-195 4.9x 10-200
51 8.1x10-05 3.0x 10-149 4.8x 10-155 0.001269 6.3x10-177 1.6x 10-181
Probabilistik
Maksimum 9.5x10-01 9.9x10-01 1.9x 10-02 5.6x10-01 1.00 1.1x10-02
Hasil
Lampiran 8 Screenshoot aplikasi
a. Menu Home b. Menu database c. Detail tumbuhan
d. Search engine tumbuhan obat
e. Identifikasi citra tumbuhan obat
Lanjutan