PENGGABUNGAN CIRI TEKSTUR DAN GEOMETRI CITRA
UNTUK IDENTIFIKASI TUMBUHAN OBAT BERBASIS
MOBILE
ASEP RAHMAT GINANJAR
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER
INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Penggabungan Ciri Tekstur dan Geometri Citra untuk Identifikasi Tumbuhan Obat Berbasis Mobile adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
ABSTRAK
ASEP RAHMAT GINANJAR. Penggabungan Ciri Tekstur dan Geometri Citra untuk Identifikasi Tumbuhan Obat Berbasis Mobile. Dibimbing oleh YENI HERDIYENI.
Penelitian ini mengusulkan penggabungan ciri tekstur dan geometri citra untuk identifikasi tumbuhan obat berbasis mobile. Fuzzy Local Binary Pattern digunakan untuk mengekstraksi ciri tekstur dan ciri geometri yang diekstrak yaitu area, circularity, eccentricity, and centroid-radii. Metode penggabungan yang digunakan yaitu Product Decision Rule. Penelitian ini menggunakan metode Probabilistic Neural Network untuk mengklasifikasikan berdasarkan vektor ciri tekstur dan geometri. K Fold Cross Validation digunakan dalam penelitian ini untuk membagi data menjadi data latih dan data uji. Penelitian lebih lanjut yang dilakukan yaitu menggabungkan fitur tekstur dan geometri untuk mendapatkan hasil identifikasi tumbuhan obat yang lebih baik. Penelitian ini menggunakan 85 spesies tumbuhan obat, total data yang digunakan dalam penelitian ini yaitu 3,502 citra. Hasil penelitian menunjukkan bahwa penggabungan ciri geometri dan tekstur citra dapat meningkatkan hasil akurasi identifikasi tumbuhan obat. Akurasi dari penggabungan ciri geometri dan tekstur yaitu 88.50%. Penelitian ini bermanfaat untuk membantu mengidentifikasi tumbuhan obat.
Kata kunci: fuzzy local binary pattern, geometri, probabilistic neural network, product decision rule, tumbuhan obat
ABSTRACT
ASEP RAHMAT GINANJAR. Development of Mobile Application for Medicinal Plant Identification based on Combination of Texture and Geometrical Digital Leaf Image Features. Supervised by YENI HERDIYENI.
This research proposed development of mobile application for medicinal plant identification based on combination of geometrical and texture digital leaf image features. Fuzzy Local Binary Pattern is used to extract the texture feature and geometrical feature is used to extract the area, circularity, eccentricity, and centroid-radii. The combination technique used is the Product Decision Rule. This research uses the Probabilistic Neural Network technique to classify the texture and geometrical feature vector. K Fold Cross Validation is used on this research to split data to be data learning and data testing. Further research was conducted on the combination features to get better result in medicinal plant identification. This research used 85 species of medicinal plant, total images used in this research are 3,502 images. The experimental results show that the combination of texture and geometrical features can improve the accuracy of medicinal plant identification. The accuracy of the combination of the FLBP and geometrical features is 88.50%. This research is promising to help people to identify medicinal plant.
PENGGABUNGAN CIRI TEKSTUR DAN GEOMETRI CITRA
UNTUK IDENTIFIKASI TUMBUHAN OBAT BERBASIS
MOBILE
ASEP RAHMAT GINANJAR
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
Penguji:
Judul Skripsi : Penggabungan Ciri Tekstur dan Geometri Citra untuk Identifikasi Tumbuhan Obat Berbasis Mobile
Nama : Asep Rahmat Ginanjar NIM : G64124008
Disetujui oleh
Dr Yeni Herdiyeni, SSi MKom Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom Ketua Departemen
PRAKATA
Alhamdulillah hirabbil alamin, puji syukur penulis panjatkan ke hadirat Allah Subhanahu Wa Ta'ala atas berkat, rahmat, taufik, dan hidayah-Nya sehingga penyusunan skripsi yang berjudul Penggabungan Ciri Tekstur dan Geometri Citra untuk Identifikasi Tumbuhan Obat Berbasis Mobile dapat diselesaikan.
Ucapan terima kasih penulis sampaikan kepada Ibu Dr Yeni Herdiyeni, SSi MKom selaku pembimbing yang telah membantu penulis dalam menyusun tugas akhir. Di samping itu, ucapan terima kasih juga penulis sampaikan kepada Bapak Aziz Kustiyo, SSi MKom dan Bapak Auzi Asfarian, SKom MKom selaku penguji dalam tugas akhir. Ungkapan terima kasih juga penulis sampaikan kepada Ayahanda Daud Nurasa, Ibunda Elih Sunarsih (Almh), serta seluruh keluarga atas doa, kasih sayang, semangat, dan dukungan kepada penulis. Terima kasih kepada seluruh staf dan dosen Departemen Ilmu Komputer IPB atas segala bimbingan dan kemudahan layanan, seluruh teman Ilmu Komputer AJ 7 khususnya teman-teman satu bimbingan atas kebersamaan dan semangatnya. Serta semua pihak yang telah membantu penulis yang tidak dapat disebutkan satu persatu, jazakumullah khairan.
DAFTAR ISI
DAFTAR GAMBAR viii
DAFTAR LAMPIRAN viii
PENDAHULUAN 1
Latar Belakang 1
Tujuan Penelitian 2
Manfaat Penelitian 2
Ruang Lingkup Penelitian 2
TINJAUAN PUSTAKA 3
Tekstur 3
Bentuk Daun 3
Ekstraksi Fitur 4
Ekstraksi Fitur Tekstur dengan FLBP 4
Ekstraksi Fitur Geometri 5
Penggabungan Ciri Citra 8
Probabilistic Neural Network 9
Confusion Matrix 10
K-Fold Cross Validation 10
METODE PENELITIAN 11
Data Citra Tumbuhan Obat 11
Pembagian Data 11
Praproses Citra 11
Ekstraksi Ciri Tekstur dengan FLBP 12
Ekstraksi Ciri Geometri 12
Penggabungan Ciri Tekstur dan Geometri Citra 13
Evaluasi 13
Spesifikasi Kebutuhan Perangkat Sistem 13
HASIL DAN PEMBAHASAN 14
Pemrosesan Citra 14
Praproses 14
Ekstraksi Ciri Tekstur 14
Evaluasi 15
Identifikasi Citra dengan Ciri Tekstur 15
Identifikasi Citra dengan Ciri Geometri 16
Identifikasi Citra dengan Penggabungan Ciri Tekstur dan Geometri 18
Hasil Antarmuka Sistem 22
SIMPULAN DAN SARAN 23
Simpulan 23
Saran 24
DAFTAR PUSTAKA 24
LAMPIRAN 26
DAFTAR GAMBAR
1 Contoh tekstur tumbuhan 3
2 Bentuk-bentuk daun menurut Benson (1957) 4
3 Membership function m0 dan m1sebagai fungsi dari ∆pi. 5
4 Ilustrasi area 6
5 Ilustrasi circularity 6
6 Ilustrasi eccentricity 7
7 Ilustrasi Centroid-Radii 7
8 Struktur PNN 9
9 Ilustasi K-Fold Cross Validation 11
10 Metode penelitian 12
11 Grafik perbandingan akurasi untuk fitur tekstur (FLBP) 15 12 Grafik perbandingan akurasi rata-rata per kelas untuk fitur tekstur
(FLBP) 16
13 Contoh citra daun pada kelas 1 (Pandan Wangi) 16 14 Grafik perbandingan akurasi untuk fitur geometri 17 15 Grafik perbandingan akurasi per kelas untuk fitur geometri 17
16 Contoh citra daun pada kelas 8 (Andong) 18
17 Grafik perbandingan akurasi untuk penggabungan fitur tekstur dan
geometri 18
18 Grafik perbandingan akurasi per kelas dengan penggabungan fitur
tekstur dan geometri 19
19 Contoh citra daun pada kelas 15 (Gendis Kuning) 19 20 Grafik perbandingan akurasi identifikasi sebelum penggabungan dan
setelah penggabungan 20
21 Contoh citra daun pada kelas 49 (Kumis Kucing) 20 22 Ilustrasi citra daun pada kelas 49 (Kumis Kucing) yang memiliki
perbedaan ukuran panjang dan lebar daun 21
23 Ilustrasi fitur centroid-radii pada citra daun pada kelas 49 (Kumis
Kucing) 21
24 Ilustrasi tekstur pada citra daun pada kelas 49 (Kumis Kucing) 22
25 Tampilan menu Identifikasi Tumbuhan Obat 23
DAFTAR LAMPIRAN
1 Delapan puluh lima jenis citra tumbuhan obat 26
1
PENDAHULUAN
Latar Belakang
Indonesia merupakan negara yang memiliki keragaman tumbuhan yang sangat besar. Lembaga Ilmu Pengetahuan Indonesia (LIPI) menyatakan bahwa Indonesia merupakan rumah untuk 30,000 dari 40,000 spesies tumbuhan obat di dunia. Beberapa diantaranya sudah digunakan oleh para peneliti, pelajar, dan praktisi melalui eksplorasi diberbagai daerah di Indonesia (Damayanti et al 2009). Pada tahun 2001 Labolatorium Konservasi Tumbuhan, Fakultas Kehutanan Institut Pertanian Bogor (IPB) telah mencatat 2,039 spesies tumbuhan obat dari ekosistem hutan Indonesia.
Pada saat ini telah banyak dilakukan penelitian mengenai tumbuhan obat yang telah menghasilkan banyak data tentang tumbuhan obat. Data yang dihasilkan pada saat ini banyak berupa paper hardcopy atau buku. Hasil penelitian mengenai tumbuhan obat belum optimal dan terorganisir dengan baik. Hal ini dapat dilihat dari persentase pemanfaatan tumbuhan obat di Indonesia yang masih sedikit sekali yaitu hanya sebesar 4.4% dari sumber daya tumbuhan obat yang tersedia (Groombridge dan Jenkins 2002). Salah satu penyebabnya adalah minimnya pengetahuan masyarakat mengenai tumbuhan obat serta sulitnya untuk memperoleh informasi mengenai tumbuhan obat. Dengan berkembangnya teknologi khususnya teknologi mobile, pengambilan dan pemrosesan citra dapat dilakukan dengan mudah. Hal ini dapat dimanfaatkan untuk mengidentifikasi tumbuhan obat berdasarkan ciri tertentu pada citra daun tumbuhan obat. Dibandingkan dengan mengidentifikasi daun di herbarium, mengidentifikasi tumbuhan obat dengan teknologi mobile mempunyai beberapa kelebihan, yaitu waktu identifikasi yang cepat dan dapat dilakukan kapan saja. Oleh karena itu, dibutuhkan sistem pada mobile yang dapat mengidentifkasi tumbuhan obat berdasarkan citra.
Penelitian yang terkait dengan tumbuhan yaitu penelitian yang dilakukan Pahalawatta (2008). Di dalam penelitiannya dilakukan identifikasi citra daun tumbuhan dengan hirarki ciri tumbuhan. Representasi bentuk yang digunakan ialah berbasis kontur yang terdiri atas polygonal approximation, global shape descriptor, shape signature, dan spectral descriptors. Global shape descriptor dibagi lagi menjadi 3 yaitu luas area, circularity, dan eccentricity. Penelitian ini dapat mengidentifikasi secara tepat 37 jenis tumbuhan dari total 40 jenis tumbuhan. Penelitian terkait geometri citra dilakukan juga oleh Chaki dan Parekh (2011), ciri citra yang digunakan yaitu color moment dan centroid-radii. Klasifikasi penelitian menggunakan Probabilistic Neural Network (PNN). Akurasi yang didapatkan mencapai 99%.
2
Penelitian lanjutan mengenai tumbuhan obat yaitu penelitian Santoni dan Herdiyeni (2012). Ciri citra yang digunakan tidak hanya menggunakan tekstur, tetapi menggunakan gabungan dari morfologi, tekstur, dan color moments. Metode ekstraksi ciri tekstur yang digunakan Local Binary Pattern (LBP) berbeda dengan penelitian Valerina (2012). Klasifikasi menggunakan PNN dan data yang digunakan yaitu data citra tumbuhan obat. Penelitian menghasilkan akurasi yang baik yaitu 72%. Penelitian ini dilakukan dengan berbasis web dan mobile. Aplikasi mobile digunakan untuk pengambilan citra saja sedangkan proses identifikasi dilakukan pada server web. Herdiyeni et al. (2013) juga melakukan penelitian tumbuhan obat dengan menggunakan penggabungan ciri citra morfologi, tekstur, dan bentuk daun. Ciri tekstur yang digunakan yaitu Local Binary Pattern Variance dengan pengklasifikasi PNN. Penelitian ini menghasilkan akurasi yang baik yaitu 74%.
Selanjutnya penelitian terkait tumbuhan obat dilakukan oleh Pravista dan Herdiyeni (2012). Ciri citra yang digunakan yaitu LBPV dan pembobotan teks BM25. Data yang digunakan yaitu data citra tumbuhan obat dan korpus tumbuhan obat. Akurasi hasil penelitian mencapai 59%. Penelitian penggabungan ciri citra dan teks pada tumbuhan obat juga dilakukan oleh Maulana dan Herdiyeni (2013). Ciri citra yang digunakan yaitu tekstur menggunakan metode FLBP dan ciri teks yang digunakan yaitu pembobotan BM25. Data yang digunakan yaitu data citra tumbuhan obat dan korpus tumbuhan obat. Hasil penelitian menghasilkan akurasi yang baik yaitu 71%.
Ciri tekstur dan geometri citra pada penelitian-penelitian diatas menghasilkan akurasi yang baik. Oleh karena itu, pada penelitian ini digunakan ciri tekstur FLBP dan ciri geometri yang meliputi area, circularity, eccentricity, dan centroid-radii. Proses identifikasi citra dilakukan dengan menggunakan klasifikasi PNN yang kemudian digabungkan dengan PDR.
Tujuan Penelitian
Tujuan penelitian ini adalah menggabungkan ciri tekstur dan geometri citra untuk mempermudah identifikasi tumbuhan obat berbasis citra.
Manfaat Penelitian
Penelitian ini diharapkan dapat meningkatkan akurasi identifikasi tumbuhan obat serta membantu ahli tumbuhan, peneliti, atau masyarakat dalam mengidentifikasi jenis tumbuhan untuk keperluan penelitian maupun konservasi alam.
Ruang Lingkup Penelitian
3
TINJAUAN PUSTAKA
Tekstur
Tekstur adalah gambaran visual dari sebuah permukaan atau bahan. Dalam computer vision, tekstur dicirikan dengan variasi intensitas pada sebuah citra. Variasi intensitas dapat disebabkan oleh kekasaran atau perbedaan warna pada suatu permukaan. Selain itu, tekstur juga merupakan properti dari area. Properti-properti dari tekstur citra meliputi keseragaman, kepadatan, kekasaran, keberaturan, linearitas, keberarahan, dan frekuensi. Penampilan tekstur dipengaruhi oleh skala dan arah pandangan serta lingkungan dan kondisi pencahayaan (Mäenpää 2003). Contoh citra tekstur daun tumbuhan disajikan pada Gambar 1 (Cone et al, 2010).
Gambar 1 Contoh tekstur tumbuhan
Bentuk Daun
4
Gambar 2 Bentuk-bentuk daun menurut Benson (1957)
Ekstraksi Fitur
Ekstraksi fitur adalah proses mendapatkan fitur atau penciri dari suatu citra. Secara umum, fitur citra berupa warna, bentuk, dan tekstur. Acharya dan Ray (2005) mendefinisikan fitur bentuk sebagai pendeskripsi suatu objek yang bebas terhadap posisi, orientasi, dan ukuran. Fitur tekstur didefinisikan sebagai pengulangan pola atau pola-pola yang ada pada suatu daerah bagian citra.
Ekstraksi Fitur Tekstur dengan FLBP
Fuzzification pada pendekatan LBP meliputi transformasi variabel input menjadi variabel fuzzy berdasarkan sekumpulan fuzzy rule. Dalam hal ini, digunakan dua fuzzy rule untuk menentukan mencari nilai biner dan nilai fuzzy berdasarkan deskripsi relasi antara nilai pada circular sampling dan piksel pusat (Iakovidis 2008). Gambar 3 menunjukkan membership function yang menghasilkan aturan R0 dan R1. Dua fuzzy rule tersebut yaitu:
1 Rule : semakin negatif nilai , nilai kepastian terbesar dari adalah 0. 2 Rule : semakin positif nilai , nilai kepastian terbesar dari adalah 1.
Dari aturan R0 dan R1, dua membership function m0() dan m1() dapat
ditentukan. Fungsi m0() mendefinisikan derajat nilai di=0. Membership function
m0() adalah fungsi menurun yang didefinisikan sebagai berikut:
{
-
–
(1)
Sementara, membership function m1() mendefinisikan derajat nilai di=1.
Fungsi m1() didefinisikan sebagai berikut:
{
–
5
Kedua membership function dan ] merepresentasikan parameter yang mengontrol derajat ketidakpastian.
Gambar 3 Membership function m0 dan m1sebagai fungsi dari ∆pi.
Metode LBP original hanya menghasilkan satu kode LBP, sedangkan metode FLBP akan menghasilkan satu atau lebih kode LBP. Masing-masing nilai LBP yang dihasilkan memiliki tingkat kontribusi (CA,CB) yang berbeda
bergantung pada nilai-nilai fungsi keanggotaan m0() dan m1() yang dihasilkan.
Untuk ketetanggaan 3x3, kontribusi CLBP dari setiap kode LBP pada histogram
FLBP didefinisikan sebagai berikut:
∏ (3)
Total kontribusi ketetanggaan 3x3 ke dalam bin histogram FLBP yaitu:
∑ (4)
Ekstraksi Fitur Geometri
Pahalawatta (2008) melakukan penelitian untuk mengklasifikasi spesies tumbuhan berbasis citra, salah satu fitur yang digunakan yaitu global shape descriptor. Fitur ini terdiri atas area, circularity, dan eccentricity. Penelitian Chaki dan Parekh (2011) juga menggunakan fitur geometri yaitu Centroid-Radii. Fitur geometri yang digunakan pada penelitian ini menggunakan gabungan antara penelitian Pahalawatta (2008) dan Chaki dan Parekh (2011), penjelasan ke-4 fitur geometri tersebut yaitu sebagai berikut:
1 Area
Area diperoleh dengan menghitung jumlah pixels objek daun pada citra. Citra yang digunakan yaitu citra biner. Ilustrasi area objek daun dapat dilihat pada Gambar 4. Perhitungan area secara matematis diperoleh melalui persamaan:
6
Gambar 4 Ilustrasi area
a merupakan area, n menyatakan jumlah kolom citra, m menyatakan jumlah baris citra, dan B[x,y] menyatakan intensitas citra biner pada koordinat x,y.
2 Circularity
Circularity merupakan ukuran kemiripan bentuk objek daun dengan bentuk lingkaran. Ilustrasi circularity pada citra daun dapat dilihat pada Gambar 5. Circularity dihitung melalui persamaan sebagai berikut:
(6)
A merupakan area daun dan P menyatakan perimeter daun.
Gambar 5 Ilustrasi circularity 3 Eccentricity
Eccentricity merupakan ukuran aspect ratio. Ukuran perbandingan garis panjang dan garis lebar pada daun dinyatakan dengan
. Ciri ini digunakan
untuk memperkirakan bentuk helai daun. Jika bernilai kurang dari 1, bentuk helai daun tersebut melebar. Jika bernilai lebih dari 1, bentuk helai daun tersebut memanjang. Ilustasi eccentricity dapat dilihat pada Gambar 6. Eccentricity dihitung melalui persamaan:
e √ ma
min (7)
dan menyatakan eigen value dari matriks:
B = [
7
dihitung melalui persamaan:
∑ ∑ -̅ -̅ (9)
x,y merupakan koordinat objek pada citra, sedangkat ̅ ̅ merupakan koordinat titik pusat objek. Titik pusat objek dihitung dengan merata-ratakan koordinat x,y objek pada citra.
Gambar 6 Ilustrasi eccentricity 4 Centroid-Radii
Centroid-radii merupakan suatu model yang memperkirakan bentuk objek pada citra (Tan et al, 2003). Ilustrasi centroid-radii dapat dilihat pada Gambar 7. Sebuah bentuk didefinisikan sebagai area berwarna putih dalam berlatar belakang berwarna hitam. Pada Gambar 7 disajikan ilustrasi centroid-radii. Setiap pixels direresentasikan oleh warna (hitam dan putih) dan koordinat x,y pada citra. Titik pusat berada pada korrdinat Cx, Cy yang dihitung dengan cara merata-ratakan koordinat x dan y pada tepi objek. Koordinat titip pusat dan tepi objek dihitung jaraknya dengan jarak Euclid dan dijadikan sebagai penciri geometri. Penciri direpresentasikan dengan sebuah vektor. Ciri geometri yang dihasilkan centroid-radii jumlah elemen vektornya bergantung pada suatu nilai theta (Ɵ). Theta merupakan suatu nilai interval yang menotasikan besarnya sudut yang terbentuk antara titik pusat dan tepi citra.
8
Penggabungan Ciri Citra
Classifier combination adalah kombinasi dari dua atau lebih hasil nilai aturan keputusan ciri individual (decision rules). Tujuan dari classifier combination adalah meningkatkan efisiensi dan akurasi. Classifier combination berusaha mengurangi variance dalam sebuah estimasi sehingga akurasi dari klasifikasi menjadi meningkat daripada menggunakan sebuah classifier (Kittler 1998).
Masing-masing fitur yang diklasifikasikan dengan sebuah classifier menghasilkan prior probability dan posterior probability. Berdasarkan kedua probabilitas tersebut, teknik classifier combination yang dapat digunakan salah satunya ialah product decision rule (PDR). PDR merupakan teknik yang paling optimal dalam meningkatkan akurasi (Nurfadhilah 2011).
Misalkan | adalah nilai distribusi peluang penggabungan (the joint probability distribution) pada sebuah classifiers dengan mengasumsikan vektor ciri yang digunakan adalah saling bebas. Nilai distribusi peluang penggabungan dapat didefinisikan sebagai berikut:
| ∏ | (10) | adalah peluang vektor input ke-i dengan kondisi kelas-k. Dengan menggunakan teorema Bayes, Persamaan 10 dapat diubah menjadi:
| | (11) ∑ | (12) adalah peluang tak bersyarat dari nilai distribusi peluang penggabungan dan adalah prior probability dari kelas-k.
Dengan melakukan substitusi Persamaan 10 dan 12 ke Persamaan 11 diperoleh:
| ∏ |
∑ ( )∏ | (13)
sehingga diperoleh decision rule yaitu: assign Z if
( ) ∏ | ∏ | (14)
dengan R merupakan jumlah classifier yang akan dikombinasikan dan m adalah jumlah kelas target. Persamaan product decision rule dapat dituliskan seperti pada Persamaan 15.
assign Z if
( ) ∏ |
∏ |
9
Probabilistic Neural Network
PNN merupakan Artificial Neural Network (ANN) yang menggunakan teorema probabilitas klasik (pengklasifikasian Bayes). PNN menggunakan pelatihan (training) supervised. Training data PNN mudah dan cepat. Bobot bukan merupakan hasil training melainkan nilai yang dimasukkan (tersedia) (Wu et al. 2007). Ilustrasi struktur PNN dapat dilihat pada Gambar 8.
Gambar 8 Struktur PNN
Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusan atau keluaran. Lapisan masukan merupakan objek yang terdiri atas nilai ciri yang akan diklasifikasikan pada kelas. Struktur PNN ditunjukkan pada Gambar 8. Proses-proses yang terjadi setelah lapisan masukan yaitu:
1 Lapisan pola (pattern layer)
Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan. Setiap node pola merupakan perkalian titik (dot product) dari -
kemudian dibagi dengan bias tertentu σ dan selanjutnya dimasukkan ke dalam
fungsi radial basis, yaitu - Dengan demikian, persamaan yang digunakan pada lapisan pola ialah:
f e p - - - (16)
2 Lapisan penjumlahan (summation layer)
Lapisan ini menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Persamaan yang digunakan pada lapisan ini ialah:
p
∑ e p
-(- ) ( - )
10
3 Lapisan keluaran (output layer)
Lapisan ini menentukan kelas dari input yang diberikan. Input x akan masuk ke Y jika nilai paling besar dibandingkan kelas lainnya.
Confusion Matrix
Confusion matrix merupakan sebuah tabel yang terdiri atas banyaknya baris data uji yang diprediksi benar dan salah oleh model klasifikasi, yang digunakan untuk menentukan kinerja suatu model klasifikasi (Tan et al. 2005). Data uji diujikan untuk mendapatkan tingkat akurasi hasil prediksi yang berupa jumlah true positive, true negative, false positive, dan false negative seperti yang dilihat pada Tabel 1.
Tabel 1 Confusion matrix untuk klasifikasi Predicted Class
C -C
Actual Class C true positive (tp) false positif (fp) C false negative (fn) true negatif (tn)
Keterangan untuk Tabel 1 dinyatakan sebagai berikut :
1 True positive, yaitu jumlah citra dari kelas C yang benar diklasifikasikan sebagai kelas C.
2 False positive, yaitu jumlah citra dari kelas C yang salah diklasifikasikan sebagai kelas -C.
3 False negative, yaitu jumlah citra dari kelas -C yang salah diklasifikasikan sebagai kelas C.
4 True negative, yaitu jumlah citra dari kelas -C yang benar diklasifikasikan sebagai kelas -C.
Perhitungan akurasi dinyatakan dalam Persamaan 18.
kurasi (18)
K-Fold Cross Validation
Metode K-Fold Cross Validation membagi data menjadi k buah subset, sebanyak k-1 buah subset digunakan sebagai data latih dan 1 buah set sebagai data test (Han dan Kamber, 2001). Pelatihan dan pengujian dilakukan sebanyak k kali. Dalam iterasi ke-i, subset D1 akan menjadi data uji, selainnya menjadi data latih. Pada iterasi pertama, D1 akan menjadi data uji, D2, D3 … Dk akan menjadi data
latih. Selanjutnya iterasi ke-2, D2 akan menjadi data uji, D1, D3 … Dk menjadi
11
Gambar 9 Ilustasi K-Fold Cross Validation
METODE PENELITIAN
Penelitian ini dilakukan dalam beberapa tahap. Tahap-tahap tersebut diselesaikan dengan metode penelitian yang disajikan pada Gambar 10.
Data Citra Tumbuhan Obat
Data citra daun tumbuhan obat dari kebun Biofarmaka, Cikabayan dan rumah kaca Pusat Konservasi Ex-situ Tumbuhan Obat Hutan Tropika Indonesia, Fahutan, IPB dan Kebun Raya Bogor. Jumlah data citra yang digunakan sebanyak 3.502, yang terdiri atas 85 spesies.
Pembagian Data
Penelitian ini menggunakan parameter k sebesar 5 pada K-Fold Cross Validation. Data citra tumbuhan obat dibagi menjadi 5 subset, masing-masing subset terdiri atas 20% data uji dan 80% data latih.
Praproses Citra
Sebelum ciri citra diekstrak, data citra dipraproses terlebih dahulu. Serangkaian proses dilakukan pada tahap ini. Data citra dirotasikan secara manual agar objek daun pada citra tegak lurus terhadap garis horizontal. Setelah objek daun pada citra tegak lurus, dilakukan segmentasi dengan tujuan latar belakang daun dapat dihilangkan. Sehingga didapatkan citra dengan latar belakang berwarna putih. Kemudian ukuran citra diseragamkan menjadi 270 x 240 pixels.
Data k
1 2 3
Data uji Data latih
12
Ekstraksi ciri yang dilakukan terdiri atas ciri tekstur dan ciri geometri. Pada ekstraksi ciri tekstur, praproses citra dilanjutkan dengan mengkonversi citra menjadi citra keabuan, sedangkan pada ekstaksi ciri geoemetri citra dikonversi menjadi cita biner.
Gambar 10 Metode penelitian Ekstraksi Ciri Tekstur dengan FLBP
Citra keabuan hasil praproses diektraksi cirinya dengan metode FLBP. Nilai parameter yang digunakan yaitu fuzzification sebesar 4, radius sebesar 2, dan sampling point sebesar 8. Nilai operator yang digunakan sama dengan nilai operator pada penelitian Herdiyeni dan Maulana (2013) yang menghasilkan akurasi terbaik.
Ciri tekstur dengan nilai sampling point 8, menghasilkan penciri sebuah vektor dengan banyaknya elemen sebesar 256. Vektor ini merepresentasikan histogram kontribusi kode LBP citra daun.
Ekstraksi Ciri Geometri
Citra biner hasil dari praproses dapat digunakan langsung untuk ektraksi geometri area. Ciri geometri circularity tidak bisa didapatkan dari citra biner, karena perhitungannya melibatkan perimeter, yaitu keliling tepian objek daun. Sehingga objek daun pada citra biner dilakukan deteksi tepi dengan algoritma pendeteksi tepi Canny. Setelah keliling tepi objek daun didapatkan, dilakukan
Data Latih
Praproses
Ekstraksi Ciri
FLBP Geometri
Praproses
Ekstraksi Ciri
FLBP Geometri
Klasifikasi PNN
Klasifikasi PNN
PDR Hasil
Identifikasi Evaluasi
13
penghitungan circularity menggunakan Persamaan 6. Eccentricity yang merepresentasikan objek daun melebar atau memanjang dihitung menggunakan Persamaan 7. Citra biner digunakan untuk menghitung eccentricity. Ciri geometri yang terakhir yaitu centroid-radii. Sudut yang digunakan dalam penelitian ini digunakan 10 derajat, sama seperti penelitian Chaki dan Parekh (2011) yang mendapatkan akurasi yang baik. Vektor ciri yang dihasilkan dengan sudut 10 derajat yaitu 36 elemen vektor.
Ciri geometri area, circularity, dan eccentricity masing-masing mewakili 1 elemen vektor ciri. Sedangkan ciri geometri centroid-radii menghasilkan 36 elemen vektor. Setiap citra yang diekstraksi dengan ciri geometri akan menghasilkan sebuah vektor dengan banyaknya elemen sebesar 39.
Penggabungan Ciri Tekstur dan Geometri Citra
Menggabungkan ciri citra tekstur dan geometri dilakukan dengan menggunakan combiner classifier PDR. Citra kueri yang telah diekstraksi ciri tekstur dan geometri dihitung bobotnya dengan menggunakan PNN, hasilnya berupa bobot ke masing-masing kelas tumbuhan obat. Bobot PNN tekstur dan geometri dijadikan input untuk PDR.
Evaluasi
Evaluasi dilakukan untuk mengukur keakuratan sistem. Evaluasi identifikasi citra dibagi menjadi 3 yaitu identifikasi menggunakan ciri citra tekstur, identifikasi menggunakan ciri citra geometri, dan identifikasi menggunakan penggabungan ciri tekstur dan geometri citra. Identifikasi kinerja diukur berdasarkan banyaknya data uji yang diprediksi secara benar dan tidak benar oleh model. Hal ini dapat dihitung menggunakan akurasi yang disajikan pada Persamaan 18.
Spesifikasi Kebutuhan Perangkat Sistem
Penelitian ini dilakukan dengan menggunakan perangkat keras dan perangkat lunak sebagai berikut:
1 Perangkat keras berupa laptop dengan spesifikasi sebagai berikut: Intel® Core™ i 7 Ghz
RAM 2 GB harddisk 500 GB monitor
mouse dan keyboard
2 Perangkat keras berupa smartphone Samsung P3100 dengan spefisikasi sebagai berikut:
prosesor TI OMAP 4430 Dual-core 1 GHz RAM 1 GB
14
sistem operasi Android 4.1.2 3 Perangkat lunak:
sistem operasi Windows 7 code editor Eclipse Helios SR 2 library Opencv Android 2.4.8
HASIL DAN PEMBAHASAN
Pemrosesan Citra
Praproses
Praproses yang dilakukan pada data citra yaitu merotasikan objek daun sehingga tegak lurus terhadap garis horizontal. Objek daun dan latar belakang pada citra dipisahkan dengan cara membuat warna selain objek daun menjadi putih. Kemudian ukuran citra diseragamkan menjadi 270 x 240 pixels. Serangkaian proses ini dilakukan secara manual.
Data citra dari penelitian Herdiyeni dan Maulana (2013) telah dilakukan praproses, sehingga ukuran citra sudah seragam sebesar 270 x 240 pixels dan latar belakang sudah berwarna putih. Praproses pada penelitian Herdiyeni dan Maulana (2013) hampir serupa dengan praproses pada penelitian ini, perbedaannya terletak pada objek daun yang belum tegak lurus terhadap horizontal, sehingga data citra dirotasikan secara manual.
Ciri citra yang diekstraksi terdiri atas ciri tekstur dan ciri geometri. Masing-masing proses ekstraksi membutuhkan data citra dalam representasi yang berbeda. Pada proses ekstraksi tekstur, praproses citra ditambahkan satu tahapan yaitu mengkonversi citra menjadi citra keabuan. Sedangkan proses ekstraksi ciri geometri citra dikonversi menjadi citra biner.
Ekstraksi Ciri Tekstur
Ekstraksi ciri tekstur dengan metode FLBP menggunakan beberapa operator, yaitu fuzzification, sampling point, dan radius. Berdasarkan penelitian Herdiyeni dan Maulana (2013) operator yang digunakan yaitu fuzzification sebesar 4, sampling point 8, dan radius 2. Nilai dengan operator tersebut menghasilkan akurasi yang baik. Oleh karena itu pada penelitian ini menggunakan nilai operator tersebut.
Citra keabuan hasil dari praproses, diesktraksi cirinya dengan metode FLBP. Hasil dari proses ini berupa histogram kontribusi kode LBP. Ciri yang dihasilkan direpresentasikan sebagai vektor dengan jumlah elemen sebesar 256.
Ekstraksi Ciri Geometri
15
Pada proses ini ciri citra yang dihasilkan berupa vektor dengan elemen sebanyak 39. Ciri area, circularity, dan eccentricity masing-masing direpresentasikan sebagai 1 elemen vektor, sehingga jumlah elemen vektor sebanyak 3 buah. Sedangkan ciri centroid-radii direpresentasikan sebagai vektor dengan jumlah elemennya sebanyak 36 buah. Empat ciri vektor disenaraikan menjadi sebuah vektor yang mewakili ciri geometri citra.
Evaluasi
Evaluasi identifikasi dilakukan terhadap ciri tekstur, ciri geometri, dan gabungan antara ciri tekstur dan geometri. Pada penelitian ini data dibagi dengan menggunakan metode K-Fold, nilai k yang digunakan yaitu 5. Parameter PNN yaitu nilai bias diperoleh dari hasil percobaan. Nilai bias yang digunakan pada penelitian ini ada 2 yaitu 0.055 untuk fitur tekstur(FLBP) dan 0.032 untuk fitur geometri.
Identifikasi Citra dengan Ciri Tekstur
Akurasi rata-rata yang didapatkan dari percobaan identifikasi dengan menggunakan ciri tekstur yaitu 84.15%. Perbandingan akurasi identifikasi untuk masing-masing fold disajikan pada Gambar 11.
Gambar 11 Grafik perbandingan akurasi untuk fitur tekstur (FLBP)
Gambar 11 menunjukkan bahwa akurasi paling tinggi diperoleh pada fold ke-1 yaitu sebesar 85.73%, sementara akurasi yang paling rendah diperoleh pada fold ke-3 yaitu sebesar 83.21%. Perbandingan akurasi rata-rata untuk masing-masing kelas dapat dilihat pada grafik Gambar 12.
85.73 83.37 83.21 83.72 84.73
0 20 40 60 80 100
1 2 3 4 5
Ak
ur
asi
(%
)
16
Gambar 12 Grafik perbandingan akurasi rata-rata per kelas untuk fitur tekstur (FLBP)
Gambar 12 menunjukkan bahwa sebanyak 9 kelas (spesies) citra teridentifikasi benar dengan akurasi 100%. Sembilan kelas tersebut yaitu 31, 39, 42, 44, 60, 62, 63, 81, dan 85. Daftar nama untuk setiap kelas citra daun dapat dilihat lebih jelas pada Lampiran 1. Akurasi paling rendah pada percobaan ini sebesar 30%, kelas yang memiliki akurasi paling rendah yaitu kelas 1 (Pandan Wangi).
Gambar 13 Contoh citra daun pada kelas 1 (Pandan Wangi)
Gambar 13 menunjukkan bahwa kelas 1 (Pandan Wangi) memiliki tingkat pencahayaan yang berbeda dan bentuk yang beragam. Bentuk daun Pandan Wangi tidak lurus, urat daun mengikuti arah ujung daun. Hal tersebut menyebabkan tekstur dari citra menjadi beragam dan mempersulit proses identifikasi.
Identifikasi Citra dengan Ciri Geometri
Identifikasi selanjutnya yang dilakukan yaitu identifikasi dengan menggunakan ciri geometri. Akurasi rata-rata yang dihasilkan yaitu 76.96%. Hasil akurasi dengan menggunakan ciri geometri lebih kecil daripada menggunakan ciri tekstur. Perbandingan akurasi identifikasi untuk masing-masing fold disajikan pada Gambar 14.
0 20 40 60 80 100
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85
Ak
ur
asi
(%
)
17
Gambar 14 Grafik perbandingan akurasi untuk fitur geometri
Gambar 14 menunjukkan bahwa akurasi paling tinggi diperoleh pada fold ke-2 yaitu sebesar 77.33%, sementara akurasi yang paling rendah diperoleh pada fold ke-3 yaitu sebesar 76.24%. Perbandingan akurasi identifikasi untuk masing-masing kelas dapat dilihat pada grafik Gambar 15.
Gambar 15 Grafik perbandingan akurasi per kelas untuk fitur geometri Sebanyak 9 kelas teridentifikasi benar dengan akurasi 100%. Kelas tersebut yaitu 16, 32, 33, 60, 61, 69, 76, 81, dan 83. Akurasi paling rendah pada percobaan ini sebesar 14%, kelas yang memiliki akurasi paling rendah yaitu kelas 8 (Andong).
Gambar 16 yaitu citra kelas 8 (Andong). Bentuk daun Andong memiliki keragaman. Keragaman ini disebabkan oleh proses akuisisi citra. Permukaan daun yang tidak datar menyebabkan keragaman bentuk saat akusisi citra dilakukan, sehingga menyebabkan ciri geometri yang dihasilkan lebih mirip dengan ciri geometri citra kelas lain.
18
Gambar 16 Contoh citra daun pada kelas 8 (Andong) Identifikasi Citra dengan Penggabungan Ciri Tekstur dan Geometri
Kelas 8 yaitu Andong memiliki akurasi 84% pada percobaan dengan menggunakan ciri tekstur. Tetapi akurasi turun menjadi 14% pada percobaan dengan menggunakan ciri geometri. Kelas 16, yaitu Bunga Telang memiliki akurasi 56% pada percobaan dengan menggunakan ciri tekstur. Tetapi akurasi naik menjadi 100% ketika menggunakan ciri geometri. Pada penelitian ini ditemukan bahwa terdapat beberapa kelas yang memiliki akurasi yang tinggi jika menggunakan ciri tekstur, tetapi jika menggunakan ciri geometri akurasinya rendah, dan sebaliknya. Oleh karena itu, dilakukan percobaan identifikasi dengan menggabungan ciri tekstur dan geometri citra.
Percobaan menggunakan penggabungan ciri tekstur dan geometri citra menghasilkan akurasi rata-rata sebesar 88.50%. Akurasi pada percobaan ini lebih besar jika dibandingkan dengan percobaan yang menggunakan 1 ciri saja. Perbandingan akurasi identifikasi untuk masing-masing fold disajikan pada Gambar 17.
Gambar 17 Grafik perbandingan akurasi untuk penggabungan fitur tekstur dan geometri
Gambar 17 menunjukkan bahwa akurasi paling tinggi diperoleh pada fold ke-2 yaitu sebesar 89.30%, sementara akurasi yang paling rendah diperoleh pada fold ke-3 yaitu sebesar 87.60%. Perbandingan akurasi identifikasi untuk masing-masing kelas dapat dilihat pada grafik Gambar 18.
89.03 89.30 87.60 88.65 87.95
0 20 40 60 80 100
1 2 3 4 5
Akuras
i
(%
)
19
Gambar 18 Grafik perbandingan akurasi per kelas dengan penggabungan fitur tekstur dan geometri
Setelah dilakukan penggabungan ciri, jumlah kelas yang teridentifikasi dengan benar 100% bertambah menjadi 22 yaitu kelas 7, 16, 31, 32, 33, 44, 46, 52, 54, 60, 61, 63, 64, 66, 67, 69, 76, 79, 81, 82, 83, dan 85. Akurasi paling rendah pada percobaan ini sebesar 34.29%, kelas yang memiliki akurasi paling rendah yaitu kelas 15 (Gendis Kuning).
Gambar 19 Contoh citra daun pada kelas 15 (Gendis Kuning)
Gambar 19 yaitu citra kelas 15 (Gendis Kuning). Bentuk daun Gendis Kuning beragam, sehingga ciri geometri tidak dapat merepresentasikan model geometri kelas ini dengan baik. Perbedaan intensitas warna kuning dan hijau yang tidak merata juga menyebabkan ciri tekstur tidak dapat dimodelkan dengan baik. Oleh karena itu, kelas ini memiliki akurasi yang rendah. Pada percobaan dengan menggunakan ciri geometri akurasi rata-rata yang didapatkan sebesar 20%, sedangkan dengan menggunakan ciri tekstur akurasi rata-rata yang didapatkan naik menjadi 43%. Pada percobaan dengan penggabungan ciri tekstur dan geometri akurasi rata-rata menjadi 34%.
0 20 40 60 80 100
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85
Akuras
i
(%
)
20
Gambar 20 Grafik perbandingan akurasi identifikasi sebelum penggabungan dan setelah penggabungan
Pada Gambar 20 disajikan rata-rata akurasi identifikasi sebelum penggabungan dan setelah penggabungan. Akurasi paling tinggi diperoleh pada percobaan dengan menggunakan metode penggabungan ciri tekstur dan geometri, akurasinya yaitu 88.50%. Sedangkan akurasi paling rendah diperoleh pada percobaan dengan menggunakan ciri geometri, akurasinya sebesar 76.96%. Pada percobaan dengan menggunakan ciri tekstur dan ciri geometri kelas yang berhasil diidentifikasi dengan benar 100% sebanyak 9 kelas, sedangkan dengan menggunakan penggabungan ciri kelas yang berhasil diidentifikasi dengan benar 100% bertambah menjadi 22 kelas.
Pemilihan fitur citra untuk identifikasi tumbuhan obat memegang peranan penting. Bentuk daun tumbuhan obat yang beragam tidak dapat diidentifikasi dengan baik apabila menggunakan fitur geometri. Fitur geometri area dipengaruhi oleh ukuran citra daun, semakin besar ukuran citra daun, nilai area akan semakin besar dan sebaliknya. Percobaan dengan menggunakan fitur geometri pada kelas 49 (Kumis Kucing) menghasilkan akurasi 25%. Pada kelas 49 (Kumis Kucing) ukuran citra daun tidak seragam, sebagian citra daun ukurannya besar dan sebagian ukurannya kecil. Contoh citra daun kelas 49 (Kumis Kucing) dapat dilihat pada Gambar 21. Citra daun yang berbeda ukurannya jika dilakukan identifikasi menggunakan fitur geometri area tidak menghasilkan akurasi yang baik.
21
Fitur geometri eccentricity dipengaruhi oleh bentuk citra daun. Pada Gambar 21 yaitu citra tumbuhan obat kelas 49 (Kumis Kucing) memiliki beragam ukuran, ada yang memanjang dan ada yang melebar. Pada kelas 49 (Kumis Kucing) hasil identifikasi kurang baik yaitu hanya 25%. Salah satu yang menyebabkan rendahnya akurasi yaitu fitur geometri eccentricity yang dipengaruhi beragamnya panjang dan lebar citra daun. Salah satu contoh perbedaan ukuran panjang dan lebar citra daun pada kelas 49 (Kumis Kucing) dapat dilihat pada Gambar 22.
Gambar 22 Ilustrasi citra daun pada kelas 49 (Kumis Kucing) yang memiliki perbedaan ukuran panjang dan lebar daun
Fitur geometri centroid-radii pada kelas 49 (Kumis Kucing) diilustrasikan pada Gambar 23. Perbedaan ukuran citra daun memanjang dan melebar pada Gambar 22 mempengaruhi ciri geometri centroid-radii. Jarak antara titik pusat pada citra dan titik tepi akan berbeda jika citra daun tidak seragam bentuknya. Pada kelas 49 (Kumis Kucing) memiliki keragaman bentuk, sehingga identifikasi citra tumbuhan obat dengan menggunakan fitur geometri centroid-radii tidak menghasilkan akurasi yang baik.
Gambar 23 Ilustrasi fitur centroid-radii pada citra daun pada kelas 49 (Kumis Kucing)
22
Gambar 24 Ilustrasi tekstur pada citra daun pada kelas 49 (Kumis Kucing) Pemilihan fitur citra untuk identifikasi tumbuhan obat mempengaruhi akurasi identifikasi. Jika citra daun tumbuhan obat bervariasi bentuknya, fitur geometri bukan pilihan yang tepat, karena fitur geometri dipengaruhi oleh bentuk daun tumbuhan obat. Sedangkan fitur tekstur dapat digunakan jika daun tumbuhan obat tersebut memiliki tekstur yang seragam walaupun bentuknya bervariasi. Penggabungan fitur tekstur dan geometri citra dapat dilakukan untuk menutupi kekurangan masing-masing fitur. Contohnya yaitu jika dilakukan identifikasi pada tumbuhan obat yang memiliki bentuk yang bervariasi tetapi teksturnya seragam, maka akurasi identifikasi dengan menggunakan fitur geometri akan kecil karena adanya variasi bentuk. Sedangkan akurasi dengan menggunakan fitur tekstur akan besar hasilnya karena tumbuhan obat tersebut memiliki tekstur yang seragam sehingga dapat diidentifikasi dengan baik.
Jika dilakukan penggabungan fitur tekstur dan geometri pada proses identifikasi maka nilai akurasi tekstur yang besar akan menutupi nilai akurasi fitur geometri yang kecil, sehingga hasil identifikasi menjadi lebih baik. Begitupula jika dilakukan identifikasi pada citra tumbuhan obat yang memiliki bentuk seragam tetapi teksturnya bervariasi. Penggabungan fitur tekstur dan geometri dapat menutupi kecilnya akurasi identifikasi pada fitur tekstur, karena terbantu oleh akurasi pada fitur geometri yang besar.
Hasil Antarmuka Sistem
Sistem ini diberi nama MedLeaf (Medicinal Leaf). Antarmuka sistem ini terdiri atas menu Home, Identifikasi Tumbuhan Obat, Dokumen Tumbuhan Obat, Peta Organisme, dan Katalog Organisme. Tampilan menu Home dapat dilihat pada Lampiran 2.1.
23
Gambar 25 Tampilan menu Identifikasi Tumbuhan Obat
Menu Dokumen Tumbuhan Obat merupakan menu tambahan pada penelitian ini. Pada menu ini pengguna dapat melakukan pencarian dokumen tumbuhan obat. Pengguna dapat memasukkan kueri teks pada textbox yang tersedia. Setelah tombol search dipilih, sistem akan menampilkan dokumen terkait dengan kueri teks tersebut. Kueri dapat berupa nama tumbuhan, penyakit, atau kandungan kimia pada tumbuhan obat. Tampilan menu Dokumen Tumbuhan Obat dapat dilihat pada Lampiran 2.4.
Menu Peta Organisme dan Katalog Organisme merupakan menu tambahan yang diambil dari aplikasi Ipbiotics. Pada menu Peta Organisme pengguna dapat melihat posisi suatu organisme pada peta. Tampilan Menu Peta Organisme dapat dilihat pada Lampiran 2.5. Sedangkan pada menu Katalog Organisme pengguna dapat melakukan pencarian organisme berdasarkan kueri teks. Menu Katalog Organisme hampir serupa dengan pencarian dokumen tumbuhan obat, pengguna dapat memasukkan kueri teks pada textbox yang tersedia. Setelah tombol search dipilih, sistem akan menampilkan organisme terkait dengan kueri teks tersebut. Tampilan menu Katalog Organisme dapat dilihat pada Lampiran 2.6.
SIMPULAN DAN SARAN
Simpulan
24
menggunakan ciri geometri akurasi mengalami penurunan menjadi 76.96%. Setelah dilakukan penggabungan ciri, akurasi identifikasi naik menjadi 88.50%. Akurasi identifikasi setelah penggabungan ciri lebih baik dari pada akurasi identifikasi dengan menggunakan 1 ciri saja. Akurasi terbaik diperoleh dari identifikasi dengan menggunakan penggabungan ciri.
Pemilihan fitur citra untuk identifikasi tumbuhan obat memegang peranan penting. Jika bentuk daun tumbuhan obat seragam maka dapat diidentifikasi dengan baik apabila menggunakan fitur geometri. Sedangkan jika citra daun tumbuhan obat memiliki tekstur yang seragam maka proses identifikasi tumbuhan obat dapat menghasilkan akurasi yang baik jika menggunakan fitur tekstur. Pada identifikasi dengan menggunakan penggabungan fitur tekstur dan geometri citra, masing-masing fitur akan saling menutupi kekurangannya, sehingga hasil akurasi menjadi lebih baik.
Saran
Saran untuk penelitian selanjutnya yaitu menggabungkan data dokumen tumbuhan obat dan citra digital tumbuhan obat untuk meningkatkan hasil identifikasi tumbuhan obat.
DAFTAR PUSTAKA
Benson L. 1957. Plant Classification. Boston (US):D.C. Heath and Company. Chaki J, Parekh R. 2011. Plant Leaf Recognition using Shape based Features and
Neural Network classifiers. International Journal on Advanced Computer Science and Applications 2(10):41-47.
Cope JS, Remagnin P, Barman S, Wilkon P. 2010. Plant Texture Classification Using Gabor Co-Occurrences. UK: Digital Imaging Research Centre, Kingston University, London.
Damayanti, E.K., Zuhud, E. A. M., Sangat, H.M., and Permanasari, T. 2009. Pemanfaatan Dokumentasi Pengetahuan Lokal Tumbuhan Obat untuk Mewujudkan Masyarakat Mandiri Kesehatan. Seminar Nasional Etnobotani IV, Cibinong Science Center-LIPI.
Groombridge, B dan M. Jenkins, 2002. Word atlas of biodiversity. Earth's living resources in the 21st century. University of California Press, Berkeley.
Han J, Kamber M. 2001. Data Minning Concepts & Techniques. USA: Academic Press
Herdiyeni Y, Nurfadhilah E, Zuhud EAM, Damayanti EK, Arai K, Okumura H. A Computer Aided System For Tropical Leaf Medicinal Plant Identification. International Journal on Advanced Science, Engineering and Information Technology; 2013 Mei; 3(1):23-27.
25
Kittler J. 1998. On combining classifiers. IEEE Transactions on Pattern Analysis and Machine Intelligence 20(3):226-239.
Mäenpää T. 2003. The Local Binary Patterns Approach to Texture Analysis. Oulu: Oulu University Press.
Maulana O, Herdiyeni Y. 2013. Combining Image and Text Features for Medicinal Plants Image Retrieval. International Conference on Advance Computer Science and Information System; 2013 September; Bali, Indonesia. Pahalawatta KK. 2008. Plant Species Biometric Using Feature Hierarchies [thesis].
Christchurch: Department of Computer Science and Software Engineering, University of Canterbury.
Pravista DS, Herdiyeni Y. 2012. Medleaf: Aplikasi Mobile untuk Identifikasi Tumbuhan Obat Berbasis Citra dan Teks. Seminar Nasional Pertemuan dan Presentasi Ilmiah Kalibrasi, Instrumentasi dan Meteorologi (PPI-KIM) ke-38; 2012 Oktober.
Santoni MM, Herdiyeni Y. 2012. Combination of Morphological, Local Binary Pattern Variance and Color Moments Features for Indonesian Medicinal Plants Identification. International Conference on Advance Computer Science and Information System; 2012 September; Jakarta, Indonesia.
Tan et al. 2006. Introduction to Data Mining. USA: Addison Wesley.
Valerina F. 2012. Ekstraksi tekstur citra tumbuhan obat menggunakan Metode Fuzzy Local Binary Pattern [skripsi]. Bogor : Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Wu SG, Bao FS, Xu EY, Wang Y, Chang Y, et al. 2007. A Leaf Recognition Algorithm for Plant Using Probabilistic Neural Network. Beijing: Chinese Academy Science.
26
LAMPIRAN
Lampiran 1 Delapan puluh lima citra tumbuhan obat 1 (Clitoria ternatea
27 (Clitoria ternatea
30
Lampiran 2 Screenshoot aplikasi 2.1 Menu Home
31
Lanjutan
2.3 Informasi Tumbuhan Obat
32
Lanjutan
2.5 Peta Organisme
33
