i
MEDLEAF:
APLIKASI
MOBILE
UNTUK IDENTIFIKASI
TUMBUHAN OBAT BERBASIS CITRA DAN TEKS
DESTA SANDYA PRASVITA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
i
MEDLEAF: APLIKASI
MOBILE
UNTUK IDENTIFIKASI
TUMBUHAN OBAT BERBASIS CITRA DAN TEKS
DESTA SANDYA PRASVITA
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
ABSTRACT
DESTA SANDYA PRASVITA. MEDLEAF: Mobile application for medicinal plant identification based on image and text. Under the supervision of YENI HERDIYENI.
This research proposed a new mobile application (MEDLEAF) for medicinal plants identification based on image and text. The application is developed using the Android operating system. There are two facilities in this mobile application, i.e. plants identification and search engine. Plants identification is used for species identification based on leaf image and search engine is used for searching information based on medicinal plants documents. This research used a limited member of documents, i.e. 32 kinds of medicinal plants and 30 kinds of image data of herbs. A questionnaire is used to evaluate user satisfication. The evaluation results shows that MEDLEAF is promising for medicinal plants identification.
Judul Skripsi : Medleaf: Aplikasi Mobile untuk Identifikasi Tumbuhan Obat Berbasis Citra dan Teks
Nama : Desta Sandya Prasvita
NRP : G64096019
Disetujui Pembimbing
Dr. Yeni Herdiyeni, S.Si., M.Kom. NIP 19750923 200012 2 001
Diketahui
Ketua Departemen Ilmu Komputer
Dr. Ir. Agus Buono, M.Si, M.Kom. NIP 19660702 199302 1 001
PRAKATA
Puji dan syukur penulis panjatkan ke hadirat Allah Subhanahu wata'ala yang senantiasa memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan tulisan yang berjudul MedLeaf: Aplikasi Mobile untuk Identifikasi Tumbuhan Obat Berbasis Citra dan Teks. Shalawat
dan salam disampaikan kepada Nabi Muhammad SAW beserta keluarga, sahabat, dan pengikutnya yang tetap berada di jalan-Nya hingga akhir zaman.
Pembuatan skripsi ini tak lepas dari dukungan dan bantuan dari berbagai pihak. Oleh karena itu, penulis menyampaikan rasa terima kasih kepada:
1 Allah Subhanahu wata'ala atas rahmat dan karunia-Nya.
2 Kedua orang tua tercinta serta ketiga saudaraku tercinta, Annisa Putty Azahra, Rifki Muhammad Audy, dan Fikri Muhammad Audy, atas doa dan semangat yang diberikan. 3 Ibu Dr. Yeni Herdiyeni, S.Si., M.Kom. selaku dosen pembimbing yang telah memberikan
banyak bantuan, kemudahan, saran dan ilmu kepada penulis.
4 Ibu Karlina Khiyarin Nisa, S.Kom., M.T. dan Bapak Sony Hartono Wijaya, S.Kom., M.Kom. selaku dosen penguji atas kemudahan dan ilmu yang telah diberikan kepada penulis.
5 Teman-teman satu bimbingan Canggih Trisyanto, Mayanda Mega, Ni Kadek, Oki Maulana, Pauzi Ibrahim, Ryanti Octaviani, Siska Susanti, dan Tomy Kurniawan atas saran, masukan dan nasihat yang diberikan kepada penulis.
6 Teman-teman di Departemen Ilmu Komputer Alih Jenis IPB angkatan 4 atas segala kebersamaan, bantuan, dan motivasi yang telah diberikan kepada penulis.
7 Teman-teman kosan White House Arif, Al, Pauzi, Rahmat, Jefri dan Pak De. 8 Teman-teman Perkumpulan Mahasiswa Pecinta Alam LAWALATA IPB.
Penulis menyadari bahwa masih banyak kekurangan yang ditemukan dalam tugas akhir ini. Penulis berharap adanya saran dan kritik yang membangun dari semua pihak yang membaca tulisan ini. Semoga tulisan ini bermanfaat dan dapat menambah wawasan ilmu pengetahuan bagi penulis khususnya dan pembaca umumnya.
Bogor, Juni 2012
RIWAYAT HIDUP
Penulis dilahirkan di kota Tangerang pada tanggal 3 Desember 1987. Penulis merupakan putra pertama dari empat bersaudara dari pasangan H. Mohammad Yamin, S.Pd dan Hj. Supiati, S.Pd. Penulis memulai pendidikan di TK Tunas Harapan Ciledug-Tangerang pada tahun 1993. Penulis melanjutkan sekolah dasar di SDN Kramat Pela 11 Jakarta Selatan dan MI Darunnajah Jakarta Selatan dan lulus pada tahun 2000, kemudian melanjutkan pendidikan menengah pertama di SLTP Islam Al-Azhar 3 Bintaro dan lulus pada tahun 2003. Penulis menempuh pendidikan menengah atas di SMU Islam Al-Azhar 3 Jakarta Selatan dan lulus pada tahun 2006. Setelah itu penulis melanjutkan kuliah dan diterima sebagai mahasiswa Direktorat Program Diploma IPB Program Keahlian Manajemen Informatika melalui jalur Undangan Seleksi Masuk IPB (USMI) dan lulus pada tahun 2009, kemudian penulis melanjutkan kuliah untuk gelar sarjana pada tahun 2009 di Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, IPB. Dalam masa kuliah hingga saat ini penulis aktif dalam Unit Kegiatan Mahasiswa Perkumpulan Mahasiswa Pecinta Alam IPB (LAWALATA IPB).
v
HalamanDAFTAR TABEL ... vi
DAFTAR GAMBAR ... vi
DAFTAR LAMPIRAN ... vi
PENDAHULUAN Latar Belakang ... 1
Tujuan Penelitian ... 1
Ruang Lingkup ... 1
Manfaat... 1
TINJAUAN PUSTAKA Android... 1
Ekstraksi Ciri Tekstur ... 2
Local Binary Patterns ... 2
Local Binary Patterns Variance (LBPV) ... 2
Probabilistic Neural Network ... 3
Temu Kembali Informasi ... 3
Chi-kuadrat ( ) ... 3
Pembobotan BM25 ... 4
Human Computer Interaction ... 4
Evaluasi Heuristik ... 5
METODE PENELITIAN Server ... 5
Client ... 8
Evaluasi Kinerja Sistem ... 9
Perangkat Keras dan Perangkat Lunak ... 9
HASIL DAN PEMBAHASAN Hasil Praproses ... 9
Hasil Antarmuka Sistem ... 9
Evaluasi Kinerja Sistem ... 10
KESIMPULAN DAN SARAN Kesimpulan ... 13
Saran ... 13
DAFTAR PUSTAKA ... 14
vi
1 Tabel kontingensi antara kata terhadap kelas... 4
2 Kueri terhadap jenis penyakit dan jumlah citra yang diharapkan. ... 11
3 Perbandingan terhadap jumlah citra yang diharapkan dengan fakta dari sistem. ... 11
4 Hasil kuesioner 20 koresponden. ... 11
DAFTAR GAMBAR Halaman 1 Komponen sistem operasi Android. ... 1
2 Perhitungan LBP. ... 2
3 Beberapa ukuran circularneighborhood. ... 2
4 Struktur PNN. ... 3
5 Alur client server mobile application tumbuhan obat. ... 5
6 Metode penelitian. ... 6
7 Citra masukan untuk ekstraksi tekstur. ... 6
8 Pembentukan histogram LBP. ... 7
9 Grafik recall precision kueri uji. ... 8
10 Alur sistem untuk identifikasi citra. ... 8
11 Alur sistem untuk pencarian dokumen tumbuhan obat. ... 9
12 Hasil praproses citra. ... 9
13 Antarmuka identifikasi citra. ... 10
14 Antarmuka untuk pencarian dokumen. ... 10
15 Perbandingan waktu proses pencarian dokumen di web dengan mobile devices. ... 10
16 Perbandingan kepuasan user terhadap hasil identifikasi citra. ... 12
17 Perbandingan kepuasan user terhadap waktu proses identifikasi citra. ... 13
18 Perbandingan kepuasan user terhadap hasil pencarian dokumen. ... 13
19 Perbandingan kepuasan user terhadap waktu proses pencarian dokumen. ... 13
DAFTAR LAMPIRAN Halaman 1 Tiga puluh citra tumbuhan obat ... 16
2 Daftar 32 jenis tumbuhan obat Indonesia yang digunakan dalam penelitian ... 17
3 Kumpulan kueri uji ... 18
4 Format dokumen XML ... 19
5 Screen shoot aplikasi ... 20
6 Pertanyaan kuesioner untuk kemudahan dan kepuasan user ... 22
PENDAHULUAN
Latar Belakang
Pada tahun 2001, Laboratorium Konservasi Tumbuhan, Fakultas Kehutanan (Fahutan), Institut Pertanian Bogor (IPB) telah mendata bahwa terdapat tidak kurang dari 2039 spesies tumbuhan obat berasal dari hutan Indonesia (Zuhud 2009). Identifikasi tumbuhan obat tersebut perlu menggunakan herbarium atau text book untuk dibandingkan dengan objek aslinya, tapi prosesnya akan memakan waktu yang lama dan merepotkan. Tentunya herbarium juga memiliki kemungkinan rusak sehingga tumbuhan sulit untuk dikenali lagi. Wilayah Indonesia sangat luas sehingga dibutuhkan perangkat yang dapat mengidentifikasi tumbuhan obat yang bekerja secara mobile. Seiring bertambahnya keanekaragaman tumbuhan obat, makin bertambah pula dokumen tumbuhan obat hasil dokumentasi oleh para peneliti. Oleh karena itu, dibutuhkan perangkat mobile yang dapat mengidentifikasi tumbuhan obat berbasis citra dan teks secara otomatis.
Berdasarkan penelitian yang telah dilakukan sebelumnya, identifikasi citra tumbuhan obat dapat dilakukan dengan menggunakan fitur Local Binary Patterns
(Kusmana 2011). Selain itu, telah dilakukan penelitian untuk searching tumbuhan obat dengan ekstraksi ciri dokumen menggunakan
chi-kuadrat dengan klasifikasi naïve bayes
(Herawan 2011). Wells (2011) telah membuat Aplikasi mobile untuk pengolahan citra menggunakan Google Phone dengan sistem operasi Android. Speckmann (2008) mengatakan dalam penelitiannya untuk saat ini platform yang paling baik digunakan dalam pengembangan aplikasi pada mobile device adalah sistem operasi Android.
Pada penelitian ini, dilakukan pembuatan aplikasi mobile untuk identifikasi tumbuhan obat berbasis citra dan teks. Aplikasi ini dikembangkan dengan menggunakan sistem operasi Android. Dalam penelitian ini, citra digunakan untuk identifikasi citra tumbuhan obat dan teks digunakan untuk pencarian dokumen pada sistem temu kembali informasi.
Tujuan Penelitian
Tujuan penelitian ini adalah:
1 Pembuatan aplikasi mobile menggunakan sistem operasi Android untuk identifikasi tumbuhan obat berbasis citra dan teks. 2 Mengevaluasi aplikasi mobile untuk
identifikasi tumbuhan obat berbasis citra dan teks.
Ruang Lingkup
Ruang lingkup penelitian ini meliputi: 1 Dokumen terbatas pada 32 jenis
tumbuhan obat Indonesia.
2 Data citra tumbuhan obat yang digunakan adalah 30 jenis tumbuhan obat yang diambil dari kebun Biofarmaka, Cikabayan dan rumah kaca Pusat Konservasi Ex-situ Tumbuhan Obat Hutan Tropika Indonesia, Fahutan, IPB. 3 Menggunakan sistem operasi Android
dalam pembuatan aplikasi mobile.
Manfaat
Manfaat dari penelitian ini adalah mempercepat dan mempermudah pengguna dalam mengidentifikasi citra tumbuhan obat dan mempermudah dalam pencarian dokumen tumbuhan obat.
TINJAUAN PUSTAKA
Android
Android adalah sistem operasi untuk telepon seluler yang berbasis Linux. Android menyediakan platform terbuka bagi para pengembang untuk menciptakan aplikasi mereka sendiri untuk digunakan oleh bermacam peranti bergerak. Gambar 1 menunjukkan komponen utama dari sistem operasi Android.
Ekstraksi Ciri Tekstur
Tekstur adalah gambaran visual dari sebuah permukaan. Tekstur dapat dibentuk dari keragaman bentuk, pencahayaan, bayangan, penyerapan, dan refleksi. Dalam citra digital, tekstur dicirikan dengan variasi intensitas atau warna. Variasi intensitas disebabkan oleh perbedaan warna pada suatu permukaan. Penampilan tekstur dipengaruhi oleh skala, arah pandangan, kondisi pencahayaan (Mäenpää 2003).
Local Binary Patterns
Local Binary Pattern (LBP) digunakan untuk mencari pola-pola tekstur local pada citra (Mäenpää 2003). LBP bekerja dengan delapan ketetanggan yang tersebar melingkar (circular neighborhoods) dengan pusat pixel
berada di tengah. Notasi merupakan nilai
gray level piksel ketetanggannya. Untuk mendapatkan nilai LBP, dilakukan
thresholding pada pixel-pixel tetangga yang berbentuk circular dengan menggunakan
pixel pusat, kemudian mengalikannya dengan pembobotan biner. Perhitungan LBP dapat dilihat pada Gambar 2.
Thresholded bobot
Gambar 2 Perhitungan LBP.
Nilai threshold = 4
Pola LBP = 11001011
Nilai LBP = 1+2+8+64+128 = 203 LBP dapat diformulasikan dengan rumus sebagai berikut: piksel ketetanggaan, adalah circular sampling poins, P adalah banyaknya
sampling points, adalah nilai keabuan dari , adalah pixel pusat, dan adalah kode biner (sign).
Setelah mendapatkan nilai LBP, keseluruhan direpresentasikan dengan membentuk histogram:
(3)
dengan:
(4)
Nilai K merupakan nilai LBP terbesar dan
MxN piksel sebagai ukuran citra.
Notasi (P,R) akan digunakan untuk piksel ketetanggaan dengan P sebagai sampling points dan R adalah radius. Dapat dilihat pada Gambar 3 merupakan circular neighborhood tiga operator.
(8,1) (12,2.5) (16,4)
Gambar 3 Beberapa ukuran circular neighborhood.
Metode LBP sudah dikembangkan lebih lanjut dengan menjadi LBPV (LBP Variance) yang menggabungkan 2 metode dan VAR (Guo et al. 2010a).
Local Binary Patterns Variance (LBPV)
Secara definisi, VAR mendeskripsikan
informasi kontras dan
mendeskripsikan informasi pola tekstur yang tidak dipengaruhi perubahan gray scale dan rotasi sehingga kedua operator tersebut bersifat komplemen. Variance berhubungan dengan fitur tekstur. Biasanya, frekuensi tekstur region yang tinggi akan mempunyai
variance yang lebih tinggi dan variance-variance tersebut lebih berkontribusi terhadap perbedaan tekstur suatu citra (Guo
et al. 2010b). Oleh karena itu, variance
dapat digunakan sebagai bobot yang dapat beradaptasi untuk mengatur kontribusi nilai LBP pada perhitungan histogram. Ojala
et al. (2002) melakukan joint distribution
pola LBP dengan kontras lokal sebagai
descriptor tekstur bernama LBPV. LBPV dimaksudkan menjadi sebuah descriptor
dihitung menggunakan formula sebagai berikut:
(5)
Dengan:
(6)
Probabilistic Neural Network
PNN merupakan Artificial Neural Network (ANN) yang menggunakan teorema probabilitas klasik. PNN diperkenalkan oleh Donald Specht pada tahun 1990. PNN menggunakan pelatihan (training)
supervised. PNN merupakan jaringan syaraf tiruan yang menggunakan radial basis function (RBF). RBF adalah fungsi yang berbentuk seperti bel yang menskalakan variabel nonlinear. Keuntungan utama menggunakan arsitektur PNN adalah
Training data PNN mudah dan cepat (Wu et al. 2007).
Gambar 4 Struktur PNN.
Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan
penjumlahan, dan lapisan
keputusan/keluaran. Struktur PNN ditunjukkan pada Gambar 4. Lapisan-lapisan yang menyusun PNN adalah sebagai berikut: 1 Lapisan input (input layer)
Lapisan masukan merupakan inputx yang terdiri atas k nilai yang akan diklasifikasikan pada salah satu kelas dari
n kelas.
2 Lapisan pola (pattern layer)
Pada lapisan pola dilakukan perhitungan jarak antara input dengan vektor bobot
yaitu - simbol minus
menunjukkan jarak antara vektor. kemudian dibagi dengan bias tertentu σ dan selanjutnya dimasukkan ke dalam
fungsi radial basis, yaitu
- Dengan demikian, persamaan yang digunakan pada lapisan pola adalah sebagai berikut:
- - - (7) dengan menyatakan vektor bobot atau vektor latih kelas ke-i urutan ke-j.
3 Lapisan penjumlahan (summation layer) Pada lapisan penjumlahan setiap pola pada masing-masing kelas dijumlahkan sehingga dihasilkan probability density function untuk setiap kelas. Persamaan yang digunakan pada lapisan ini adalah:
(8)
4 Lapisan keluaran (output layer)
Pada lapisan keluaran input x akan diklasifikasikan ke kelas I jika nilai paling besar dibandingkan kelas lainnya.
Temu Kembali Informasi
Sistem temu kembali informasi (Information retrieval system) merupakan sistem pencari pada sekumpulan dokumen elektronik yang memenuhi kebutuhan informasi tertentu sehingga lebih terstruktur (Manning et al. 2008). Sistem temu kembali informasi bertujuan menjembatani kebutuhan informasi pengguna dengan sumber informasi.
Chi-kuadrat ( )
Chi-kuadrat merupakan pengujian hipotesis mengenai perbandingan antara frekuensi observasi atau yang benar-benar terjadi dengan frekuensi harapan (ekspektasi). Bentuk distribusi tergantung dari derajat bebas (d.f). Di bawah ini adalah untuk menghitung derajat bebas.
suatu hipotesis . Hipotesis nol berarti tidak ada perbedaan yang signifikan antara frekuensi observasi dan frekuensi harapan. Hipotesis nol dapat diterima nilai peghitungan < nilai kritis pada derajat bebas dan nilai signifikansi tertentu. Hipotesis nol dapat ditolak jika nilai > nilai kritis pada derajat bebas dan tingkat signifikansi tertentu. Di bawah adalah perhitungan untuk mencari nilai .
Pada penelitian Herawan
(2011), digunakan mengukur derajat kebebasan antara kata penciri t dengan kelas
c agar dapat dibandingkan dengan nilai . Perhitungan nilai chi-kuadrat dapat dibantu dengan tabel kontingensi. Nilai pada tabel kontingensi merupakan nilai frekuensi observasi dari suatu kata terhadap kelas. Tabel 1 Tabel kontingensi antara kata
terhadap kelas
Kelas Kelas=1 Kelas=0
Kata Kata=1 A B
Kata=0 C D
Perhitungan nilai chi-kuadratberdasarkan tabel kontingensi disederhanakan sebagai berikut.
Nilai t merupakan kata yang sedang diujikan terhadap suatu kelas c, N merupakan jumlah dokumen latih, A merupakan banyaknya dokumen pada kelas c yang memuat kata t, B banyaknya dokumen yang tidak berada di kelas c namun memuat kata t, C merupakan banyaknya dokumen yang berada di kelas c namun tidak memiliki kata t, dan D merupakan banyaknya dokumen yang bukan merupakan dokumen kelas c dan tidak memuat kata t.
Pengambilan keputusan dilakukan berdasarkan nilai χ² dari masing-masing kata. Kata yang memiiki nilai χ² di atas nilai kritis
pada tingkat signifikansi α adalah kata yang dipilih sebagai penciri dokumen sehingga kata yang dipilih sebagai penciri dokumen merupakan kata yang memiliki pengaruh terhadap kelas c.
Pembobotan BM25
Metode BM25 merupakan metode pembobotan kata yang memeringkatkan setiap kumpulan dokumen yang didasarkan pada kata dalam kueri yang muncul pada setiap dokumen. Rumus dalam menghitung skor pada algoritme BM25 ditunjukkan pada Persamaan 13 berikut
Persamaan 13 menjelaskan bahwa merupakan term frequency pada dokumen D, |D| merupakan banyaknya kata dalam dokumen D, dan avg dl merupakan rata-rata panjang dokumen dalam kumpulan teks dari dokumen tersimpan. k1 dan b merupakan parameter bebas dengan nilai yang biasa dipilih untuk k1=2,0 dan b=0,75. IDF(qi) merupakan bobot dari kata qi. Rumus untuk menghitung IDF ditunjukkan pada Persamaan 14 sebagai berikut
N merupakan banyaknya koleksi dokumen, dan merupakan jumlah dokumen yang memuat kata qi.
Perhitungan yang digunakan untuk
ranking dokumen terhadap kueri
menggunakan pembobotan BM25 yang sudah disediakan Sphinx dengan rumus:
1 BM25 =0
2 foreach(keyword inmatchingkeywords){
3 n= totalmatchingdocuments(keyword)
4 N = total_documents_in_collection
5 k1 =1.2
6 TF = current_document_occurrence count(keyword)
7 IDF =log((N-n+1)/n)/log(1+N)
8 BM25 = BM25 + TF*IDF/(TF+k1) }
9 BM25 =0.5+BM25 /
(2*num_keywords(query))
Keterangan:
N : Total dokumen dalam korpus
n : Total dokumen yang memiliki kata kueri
TF : Frekuensi term t pada dokumen
IDF : Inverted indeks dokumen
K1 : Positif parameter (1.2)
Human Computer Interaction
Interaction adalah studi, perencanaan, dan desain bagaimana orang dan komputer dapat bekerja bersama sehingga kebutuhan seseorang dapat terpenuhi dengan cara yang paling efektif (Galitz 2007).
Evaluasi Heuristik
Evaluasi heuristik adalah panduan, prinsip umum, atau aturan yang dapat menuntun keputusan rancangan atau digunakan untuk mengkritik suatu keputusan yang sudah diambil. Ridwan (2007) mengatakan bahwa teknik ini dibuat oleh Jacob Nielsen dan Rolf Molich.
Evaluasi dilakukan dengan menggunakan 10 kriteria evaluasi heuristik yang dapat digunakan untuk menghasilkan gagasan. Adapun aturan-aturan tersebut adalah: 1 Visibility of system status
Sistem harus selalu memberikan informasi kepada pengguna tentang apa saja yang sedang terjadi.
2 Match between system and the real world
Sistem harus lebih menggunakan bahasa pengguna disbanding bahasa yang dimengerti oleh sistem.
3 User control and freedom
Baik secara sengaja atau tidak, pengguna sering membuat kesalahan dalam memilih fungsi atau tombol.
4 Consistency and standards
Keseragaman semua sistem navigasi. 5 Error prevention
Mengantisipasi munculnya masalah di tahap awal sistem. Perlu adanya
konfirmasi sebelum pengguna
melanjutkan aksinya.
6 Recognition rather than recall
Memudahkan pengguna dalam mengingat langkah-langkah yang dilakukan.
7 Flexibililty and efficiency of use
Sistem harus menggunakan fungsi-fungsi yang dapat dimengerti baik oleh pengguna yang berpengalaman ataupun tidak. 8 Aesthetic and minimalist design
Informasi yang lebih detail di dalam suatu analog harus disesuaikan dengan unitnya. 9 Help users recognize, diagnose, and
recover from errors
Pesan kesalahan harus dijelaskan serta menyarankan pemecahannya.
10 Help and documentation
Perlu menyediakan bantuan dan dokumentasi.
METODE PENELITIAN
Pembuatan aplikasi mobile untuk identifikasi tumbuhan obat berbasis citra dan teks bekerja pada mobile device (client) dan
server. Untuk citra, pada sisi server
dilakukan proses training PNN untuk pembuatan model klasifikasi dari hasil ekstraksi ciri LBPV terhadap data latih citra tumbuhan obat, sedangkan sisi client
dilakukan proses pengenalan citra menggunakan klasifikasi PNN terhadap model klasifikasi. Untuk teks, pada sisi
server dilakukan klasifikasi dokumen untuk pembentukan indeks klasifikasi, sedangkan sisi client mengambil input kueri teks dan mengirimkan kueri tersebut ke server untuk proses temu kembali informasi dan hasilnya akan ditampilkan di sisi mobile device
(client). Gambar 5 merupakan alur client server dari sistem aplikasi mobile.
Penelitian ini menggunakan metode penelitian Herawan (2011) untuk searching
dokumen tumbuhan obat dan penelitian Kusmana (2011) untuk identifikasi tumbuhan obat menggunakan fitur citra. Pembuatan aplikasi mobile ini memiliki dua input yang berbeda, yaitu citra dan teks. Input citra tumbuhan obat dapat diambil dari kamera atau galeri pada ponsel. Input teks dimasukan melalui keyboard pada ponsel. Metode penelitian dapat dilihat pada Gambar 7.
Pada penelitian ini struktur aplikasi dibagi menjadi dua bagian, di antaranya adalah:
1 Server
2 Client Server
Pemrosesan di server dibagi menjadi dua bagian, yaitu training citra dan training
dokumen. Training citra menghasilkan model klasifikasi terhadap citra daun dari hasil ekstraksi ciri. Model klasifikasi yang dihasilkan akan digunakan untuk proses pengenalan citra yang dilakukan di client.
Internet
Server Mobille
Devices
Training citra pada server menggunakan PNN. Training dokumen tumbuhan obat menghasilkan indeks klasifikasi dari hasil klasifikasi Naïve Bayes. Pada server, untuk dokumen juga dilakukan temu kembali informasi terhadap indeks klasifikasi untuk kueri yang dikirim dari client.
1 Training Citra
Training citra tumbuhan obat di server
menggunakan metode penelitian Kusmana (2011). Training untuk citra tumbuhan obat prosesnya adalah sebagai berikut: Ekstraksi Ciri Citra
Total citra yang digunakan 1440 citra daun tumbuhan obat yang disajikan pada Lampiran 1 terdiri atas 30 jenis daun, depan dan belakang (masing-masing kelas 48 citra). Citra daun berfomat JPEG dengan ukuran 270 x 240 pixel. Sebelum masuk ke dalam tahap ekstraksi fitur, citra dipraproses terlebih dahulu. Citra daun merupakan citra RGB dengan latar belakang putih. Masukan untuk ekstraksi tekstur menggunakan citra gray scale
yang berukuran 240 x 270 pixel. Praproses citra dapat dilihat pada Gambar 6.
Ekstraksi fitur pada citra daun hanya dilakukan pada pixel-pixel yang menyusun daun. Latar belakang yang berwarna putih tidak dimasukan dalam proses ekstraksi agar tidak menjadi penciri. Ekstraksi fitur tekstur pada penelitian ini menggunakan . Ekstraksi tekstur dilakukan dengan konvolusi menggunakan operator (8,1). Nilai-nilai yang dihasilkan dari proses esktraksi direpresentasikan melalui histogram yang merupakan frekuensi nilai LBP pada sebuah citra. Ilustrasi pembentukan histogram ditunjukkan pada Gambar 8.
Mobile Devices (Client)
Server
Citra
Teks
Gambar 7 Metode penelitian.
Gray Scale RGB
Gambar 8 Pembentukan histogram LBP.
Histogram memiliki P+2 bin.
P merupakan banyaknya sampling points
yang digunakan. Histogram yang dihasilkan pada Ekstraksi ciri tekstur dengan operator (8,1) menghasilkan 10 bin.
Klasifikasi Citra
Masukan untuk klasifikasi PNN diambil dari citra daun yang telah melewati tahap ekstraksi ciri sebelumnya. Lapisan output memiliki beberapa target kelas sesuai dengan jumlah jenis daun. Untuk lapisan pola hanya digunakan satu model PNN yaitu dengan nilai bias (σ) 0.015. Pada histogram, dilakukan normalisasi agar perhitungan tidak menghasilkan bilangan yang terlalu besar atau kecil yang tidak bisa dikerjakan oleh mesin komputer.
Evaluasi
Pada penelitian Kusmana (2011), akurasi klasifikasi citra tumbuhan obat menggunakan fitur LBPV adalah sebesar 56.333%. Proporsi data latih dan data uji yang digunakan masing-masing adalah 80% dan 20%.
2 Training Dokumen
Training dokumen tumbuhan obat pada penelitian ini menggunakan metode penelitian yang dilakukan oleh Herawan (2011). Training dokumen tumbuhan obat prosesnya adalah sebagai berikut: Pemilihan Fitur Dokumen
Penelitian ini menggunakan koleksi dokumen tumbuhan obat sebagai korpus yang sama dengan penelitian Herawan (2011). Koleksi dokumen tumbuhan obat berjumlah 132 dokumen bertipe file XML. Untuk file XML ada penambahan tag dari
file yang ada dalam penelitian Herawan (2011) dengan contoh format dokumen yang terdapat pada Lampiran 4. Tag file XML adalah sebagai berikut:
<DOK></DOK>, tag ini mewakili keseluruhan dokumen dan melingkupi tag-tag lain yang lebih spesifik.
<ID></ID>, tag ini menunjukkan ID dokumen.
<NAMA></NAMA>, tag ini menunjukkan nama dari suatu jenis tanaman obat.
<NAMAL></NAMAL>, tag ini menunjukkan nama latin dari tanaman obat.
<DESKRIPSI></DESKRIPSI>, tag ini mewakili isi dari dokumen meliputi deskripsi tanaman dan kegunaannya. <FAM></FAM>, tag ini menunjukkan nama family dari tanaman obat.
<NAMAD></NAMAD>, tag ini menunjukkan nama daerah dari tanaman obat.
<HABITUS></HABITUS>, tag ini menunjukkan habitus dari tanaman obat. <URAIAN></URAIAN>, tag ini menunjukkan deskripsi dari tanaman obat yang sudah diringkas.
<BAGIAN></BAGIAN>, tag ini menunjukkan bagian tanaman obat yang digunakan.
<MANFAAT></MANFAAT>, tag ini menunjukkan manfaat dari tanaman obat. <BUDIDAYA></BUDIDAYA>, tag ini menunjukkan cara budidaya dari tanaman obat.
<KANKIM></KANKIM>, tag ini menunjukkan kandungan kimia dari tanaman obat.
<SIFATKHAS></SIFATKHAS>, tag ini menunjukkan sifat khas dari tanaman obat.
<LOKASI></LOKASI>, tag ini menunjukkan kandungan kimia dari tanaman obat.
<PENYAKIT></PENYAKIT>, tag ini menunjukkan penyakit yang dapat disembuhkan dari jenis tumbuhan obat.
Sebelum masuk ke tahap ekstraksi fitur, dokumen dipraproses terlebih dahulu. Tahapannya ialah dengan
lowercasing, tokenisasi, dan pembuangan
Klasifikasi Dokumen
Nilai peluang kata yang didapat kemudian digunakan untuk melakukan penghitungan Naïve Bayes pada dokumen uji untuk setiap kelasnya. Kemudian, diambil nilai peluang yang terbesar pada nilai penghitungan Naïve Bayes. Nilai tersebut merupakan kelas dari dokumen uji tersebut.
Evaluasi
Akurasi sistem klasifikasi yang dikelaskan berdasarkan family dan penyakit tumbuhan obat yaitu masing-masing sebesar 97.44% dan 89.74% (Herawan 2011). Selain training dokumen tumbuhan obat, di server juga dilakukan temu kembali informasi terhadap kueri yang dikirimkan dari ponsel. Pembobotan yang digunakan adalah BM25 untuk menghitung bobot kedekatan kueri dengan dokumen koleksi. Pada penelitian Herawan (2011), telah dilakukan pengujian sistem temu kembali informasi dengan menghitung nilai recall dan
precision dari kueri pada Lampiran 3 yang diujikan pada sistem. Hasil penghitungan
recall precision yang tinggi ditunjukkan pada Gambar 9. Evaluasi kinerja sistem
temu kembali informasi juga
menghasilkan nilai average precision
yang tinggi juga yaitu sebesar 93.26%.
Gambar 9 Grafik recall precision kueri uji.
Client
Sama halnya pemrosesan server, pemrosesan di client juga dibagi menjadi dua bagian, yaitu untuk identifikasi citra dan pencarian dokumen. Untuk identifikasi citra semua proses dilakukan di client tanpa memerlukan koneksi ke server. Pencarian dokumen tumbuhan obat pada client
dilakukan pengambilan kueri teks yang akan
diproses di server dan hasilnya akan dikembalikan lagi ke client.
1 Identifikasi Citra
Tahapan proses identifikasi citra daun tahapannya adalah praproses, ekstraksi ciri, dan pengenalan citra menggunakan PNN terhadap model klasifikasi hasil
training PNN di server. Praproses dan ekstraksi ciri di client dilakukan dengan menggunakan metode yang sama seperti di server. Alur sistem untuk identifikasi citra di aplikasi mobile (client) dapat dilihat pada Gambar 10.
2 Pencarian Dokumen
Input teks yang dimasukan melalui
keyboard ponsel akan dikirimkan ke
server untuk dilakukan proses temu kembali informasi. Setelah proses temu kembali informasi di server, hasil
pemeringkatan dokumen akan
Mulai
ditampilkan pada layar ponsel. Alur sistem untuk pencarian dokumen tumbuhan obat di aplikasi mobile (client)
dapat dilihat pada Gambar 11.
Evaluasi Kinerja Sistem
Evaluasi kinerja sistem terhadap pengguna menggunakan metode kuesioner. Pertanyaan-pertanyaan kuesioner dapat dilihat pada Lampiran 6. Tujuan evaluasi kinerja sistem ialah mengetahui seberapa puas pengguna terhadap hasil identifikasi, pencarian dokumen, dan Human Computer Interaction (HCI). Evaluasi HCI
menggunakan evaluasi heuristik yang terdiri atas 10 aturan yang dapat digunakan untuk menghasilkan gagasan.
Perangkat Keras dan Perangkat Lunak
Perangkat keras yang digunakan dalam penelitian ini adalah Processor Intel(R) Core(TM) i5-2410M CPU @ 2.30GHz (4 digunakan adalah sistem operasi Windows 7 Ultimate 64-bit, Eclipse Version: Helios Service Release 2, Notepad++, server
XAMPP, Perangkat lunak MySQL untuk
databaseserver.
HASIL DAN PEMBAHASAN
Hasil Praproses
Sebelum masuk ke dalam tahap ekstraksi fitur, citra RGB yang ditangkap dari kamera ponsel dipraproses terlebih dahulu. Tahapannya ialah, mengubah citra RGB menjadi citra gray scale, lalu citra gray scale
tersebut diubah ukurannya menjadi 240x270
pixel tanpa mengubah proporsi citra dengan melakukan proses scaling dan cropping. Tahapan akhir praproses ialah mengubah
background citra menjadi putih. Hasil praproses data dapat dilihat pada Gambar 12.
Hasil Antarmuka Sistem
Antarmuka aplikasi mobile secara garis besar dibagi menjadi dua yaitu antarmuka untuk identifikasi citra dan pencarian dokumen tumbuhan obat. Antarmuka sistem dapat dilihat pada Lampiran 5.
Identifikasi citra
Citra untuk identifikasi tumbuhan obat dapat diambil dari galeri atau kamera ponsel. Setelah citra ditampilkan di layar ponsel, pengguna dapat mengidentifikasi citra tersebut dengan menekan tombol identifikasi yang telah disediakan. Antarmuka identifkasi citra dapat dilihat pada Gambar 13.
Mulai
Scaling & Croping (240 x 270)
Background Putih
Gambar 11 Alur sistem untuk pencarian dokumen tumbuhan obat.
Setelah hasil identifikasi ditampilkan, pengguna dapat melihat detail dari citra tumbuhan hasil identifikasi tersebut. Pada bagian khasiat dari detail tumbuhan, pengguna dapat mencari tumbuhan lain mana yang memiliki khasiat yang sama. Pencarian Dokumen
Kueri teks untuk pencarian dokumen dapat langsung dimasukan di textbox yang tersedia. Pilih tombol search jika ingin mencari dokumen yang terkait dengan kueri yang diinputkan. Antarmuka untuk pencarian dokumen tumbuhan dapat dilihat pada Gambar 14.
Evaluasi Kinerja Sistem
Evaluasi kinerja sistem yang dilakukan terdiri atas tiga proses evaluasi. Evaluasi pertama adalah perbandingan waktu proses
search engine berbasis web application
dengan aplikasi mobile, evaluasi kedua adalah pengujian terhadap kueri teks penyakit pada citra, evaluasi ketiga adalah pengujian kemudahan dan kepuasan penggunaan. Untuk evaluasi ketiga, proses evaluasi dilakukan menggunakan kuesioner yang disebar kepada 20 koresponden.
Evaluasi Waktu Proses Search Engine Gambar 15 menjelaskan waktu rata-rata yang digunakan untuk proses
pencarian dokumen tumbuhan obat menggunakan web aplication dengan aplikasi mobile. Pencarian dokumen menggunakan web application adalah selama 1.58 detik dan untuk yang berbasis
web application adalah 0.14 detik.
Gambar 15 Perbandingan waktu proses pencarian dokumen di web dengan mobiledevices. Gambar 15 menunjukkan bahwa waktu proses pencarian dokumen di
mobile aplication lebih cepat dibandingkan dengan waktu proses di
web application. Hal tersebut disebabkan waktu yang digunakan untuk rendering
data pada web browser berbeda dibandingkan rendering data di aplikasi
mobile. Perangkat keras yang digunakan dalam pengujian adalah Processor
Intel(R) Core(TM) i5-2410M CPU @ 2.30GHz (4 CPUs), dan memori DDR2 RAM 4096MB. Perangkat mobile yang digunakan adalah HTC Desire HD, CPU @ 1GHz, dan memori RAM 768MB. Web browser yang digunakan dalam pengujian ini adalah google chrome versi 18.0.1025.162.
Evaluasi Kueri Teks Penyakit pada Citra Evaluasi kueri teks penyakit pada citra ialah menggunakan skenario pengujian. Sebelum dilakukan skenario pengujian sistem, kueri-kueri khasiat tumbuhan dikelompokan ke dalam beberapa jenis penyakit. Lalu, dari 30 jenis tumbuhan yang dimiliki dikelompokan ke dalam beberapa kelompok jenis penyakit sehingga diketahui berapa jumlah citra yang diharapkan dari setiap jenis penyakit. Daftar kueri terhadap jenis penyakit dan jumlah citra yang diharapkan dapat dilihat pada Tabel 2.
1.58 Gambar 13 Antarmuka identifikasi citra.
Tabel 2 Kueri terhadap jenis penyakit dan jumlah citra yang diharapkan
jenis penyakit
kueri jumlah citra yang diharapkan
perawatan Ketombe, bau mulut, bau badan, rambut rontok, Haid tidak teratur, masalah kewanitaan
10
Kulit gatal-gatal, bisul, luka 10
Nyeri- Radang-Demam
Antiradang, demam, sakit kepala, penurun panas
11
Kronis Kanker, ginjal 6
Pencernaan Maag, sariawan, radang usus, disentri, sakit perut, lambung
18
Saluran Kemih
infeksi saluran Kemih 1
Pernapasan Bronchitis, tbc, influenza, Paru-paru lemah
6
Skenario pengujian sistem yaitu dilakukan dengan membandingkan jumah citra yang diharapkan dengan jumlah fakta yang didapat dari sistem. Akurasi perbandingan jumlah citra yang diharapkan dengan fakta dari sistem dapat dilihat pada Tabel 3.
Tabel 3 Perbandingan terhadap jumlah citra yang diharapkan dengan fakta dari sistem
Evaluasi Kemudahan dan Kepuasan Penggunaan
Pengujian kemudahan penggunaan sistem dilakukan menggunakan kuesioner.
Kuesioner disebar kepada 20
koresponden. Untuk kuesioner diberikan 10 pertanyaan yang mengarah kepada 10 aturan evaluasi heuristik. Koresponden terdiri atas 20 mahasiswa IPB yang di antaranya adalah, 8 mahasiswa Fakultas Kehutanan, 1 mahasiswa Departemen
biologi, 2 mahasiswa FEM, 2 mahasiswa perikanan, dan 7 koresponden dari mahasiswa Departemen Ilmu Komputer. Hasil kuesioner 20 koresponden dapat dilihat pada Tabel 4.
Tabel 4 Hasil kuesioner 20 koresponden
Point Pertanyaan Jawaban Total
Puas Cukup system and the real world
4 Consistency and standards
6 Recognition rather than
7 Flexibililty and efficiency
Jawaban dari koresponden terhadap 10 pertanyaan yang mengarah pada 10 aturan evaluasi heuristik menghasilkan kesimpulan dalam aspek kemudahan penggunaan sistem. Adapun kesimpulan dalam aspek kemudahan terhadap 10 aturan evaluasi heuristik adalah:
1 Visibility of system status
Koresponden merasa puas dan cukup puas pada point ini karena pada sistem sudah ada petunjuk yang pengguna sedang kerjakan pada setiap halaman. 2 Match between system and the real
world
Koresponden merasa puas dan cukup puas pada point ini disebabkan sistem sudah menggunakan bahasa yang mudah dipahami oleh pengguna. 3 User control and freedom
membantu dan memudahkan kerja pengguna.
4 Consistency and standards
Sebagian koresponden merasa puas dan cukup puas, tetapi ada sebagian koresponden merasa tidak puas pada point ini. Hal tersebut disebabkan pada
sistem ini masih ada
ketidakkonsistenan dalam penggunaan bahasa.
5 Error prevention
Sebagian besar koresponden merasa puas dan cukup puas, tetapi ada sebagian koresponden merasa tidak puas pada point ini. Hal tersebut
disebabkan penulis hanya
menampilkan pesan konfirmasi di sebagian fungsi yang ada.
6 Recognition rather than recall
Sebagian besar koresponden merasa puas, tetapi ada sebagian koresponden hanya merasa cukup puas dan tidak puas pada point ini. Hal tersebut membuktikan bahwa masih ada sebagian dari koresponden masih merasa tidak mudah dalam mengingat langkah-langkah dalam menggunakan sistem ini.
7 Flexibililty and efficiency of use
Sebagian besar koresponden merasa puas, tetapi ada sebagian koresponden hanya merasa cukup puas dan tidak puas pada point ini. Hal tersebut disebabkan sebagian koresponden masih belum pernah menggunakan ponsel Android.
8 Aesthetic and minimalist design
Koresponden merasa puas dan cukup
Sebagian koresponden merasa puas dan cukup puas, tetapi ada sebagian koresponden merasa tidak puas pada point ini. Hal tersebut disebabkan
beberapa pesan error masih
ditampilkan dalam bahasa yang kurang dimengerti oleh pengguna.
10 Help and documentation
Sebagian koresponden merasa puas dan cukup puas, tetapi ada sebagian koresponden merasa tidak puas pada point ini. Hal tersebut disebabkan dokumentasi tentang sistem ini masih kurang detail.
Kuesioner juga diterapkan untuk pengujian terhadap kepuasan hasil identifikasi dan pencarian dokumen tumbuhan obat. Pertanyaan untuk kepuasan identifikasi citra terdiri atas 2 pertanyaan, yaitu tentang keputusan terhadap hasil identifikasi dan terhadap waktu tunggu untuk pemrosesan citra. Begitu juga pertanyaan tentang pencarian dokumen yang terdiri atas kepusan terhadap hasil pencarian dokumen dan terhadap waktu tunggu untuk pencarian dokumen.
Dari 20 koresponden, 35% merasa puas terhadap hasil identifikasi, 50% merasa cukup puas, dan 15% merasa tidak puas dengan hasil identifikasi citra. Hal tersebut disebabkan karena akurasi klasifikasi PNN untuk citra tumbuhan obat menggunakan fitur LBPV masih kecil yaitu, sebesar 56.333. Grafik tingkat kepuasan user untuk hasil identifikasi citra dapat dilihat pada Gambar 16.
Gambar 16 Perbandingan kepuasan user terhadap hasil identifikasi citra.
Untuk waktu proses identifikasi citra 25% koresponden merasa puas, 70% merasa cukup puas, dan 5% koresponden tidak puas dengan waktu proses identifikasi tumbuhan obat. Hal tersebut menunjukkan bahwa waktu pemrosesan identifikasi tumbuhan obat di client
(mobile devices) masih dapat diterima oleh pengguna. Grafik tingkat kepuasan user untuk waktu proses identifikasi citra dapat dilihat pada Gambar 17.
Gambar 17 Perbandingan kepuasan user
terhadap waktu proses identifikasi citra.
Pada penelitian Herawan (2011) evaluasi sistem temu kembali informasi menghasilkan penghitungan recall precision yang tinggi. Hal tersebut juga dibuktikan terhadap kepuasan user pada Gambar 18. Grafik menunjukan 40% koresponden merasa puas dengan hasil pencarian dokumen, 60% merasa cukup puas, dan tidak ada (0%) koresponden yang merasa tidak puas dengan hasil pencarian dokumen. Banyak koresponden masih merasa cukup puas disebabkan bukan karena hasil pencarian dokumennya, melainkan masih merasa detail dari dokumen tumbuhan obat masih kurang lengkap.
Gambar 18 Perbandingan kepuasan user
terhadap hasil pencarian dokumen.
Grafik pada Gambar 19 menunjukkan 45% koresponden merasa puas dengan
waktu tunggu pencarian dokumen, 55% merasa cukup puas, dan tidak ada koresponden yang merasa tidak puas dengan waku tunggu pencarian dokumen. Hal tersebut juga berbanding lurus dengan hasil evaluasi waktu proses search engine
yang dilakukan penulis pada Gambar 15.
Gambar 19 Perbandingan kepuasan user
terhadap waktu proses pencarian dokumen.
KESIMPULAN DAN SARAN
Kesimpulan
Pembuatan aplikasi mobile untuk identifikasi tumbuhan obat berbasis citra dan teks berhasil diimplementasikan. Setelah melakukan penelitian terhadap sistem dapat ditarik kesimpulan:
1 Aplikasi mobile yang dibangun ini sudah dapat diterima atau digunakan oleh pengguna sistem dalam aspek kemudahan. Dapat dilihat dari 59.5% koresponden menyatakan puas dan 32.5% merasa cukup puas dengan aplikasi ini.
2 Dalam aspek identifikasi citra masih ada koresponden merasa tidak puas dengan hasil identifikasi, hal tersebut berbanding lurus dengan akurasi identifikasi citra yang masih kecil yaitu sebesar 56.333%. 3 Untuk pencarian dokumen tumbuhan obat
sebagian besar koresponden menyatakan cukup puas. Hal tersebut juga berbanding lurus terhadap hasil evaluasi search engine yang tinggi pula.
Saran
identifikasi tumbuhan obat berbasis citra. Serta tambahkan data citra tumbuhan obat dengan kualitas gambar yang lebih baik agar meningkatkan akurasi.
DAFTAR PUSTAKA
Galitz WO. 2007. The Essential Guide to User Interface Design An Introduction to GUI Design Principles and Techniques. Indianapolis: Wiley Publishing.
Guo Z, Zhang L, Zhang D. 2010a. A completed modeling of local binary pattern operator for texture classification.
IEEE Transactions on Image Processing
19( 6): 1657-1663.
Guo Z, Zhang L, Zhang D. 2010b. Rotation invariant texture classification using LBP variance (LBPV) with global matching. Koowlon: The Hong Kong Polytechnic University.
Herawan Y. 2011. Ekstraksi ciri dokumen tumbuhan obat menggunakan chi-kuadrat dengan klasifikasi naïve bayes [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Kusmana I. 2011. Penggabungan fitur local binary patterns untuk identifikasi citra tumbuhan obat [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Mäenpää T. 2003. The Local Binary Pattern Approach to Texture Analysis. Oulu: Oulu University Press.
Manning CD, Raghavan P, Schutze H. 2008. An Introduction to Information Retrieval. Cambridge: Cambridge University Press.
Ojala T, et al. 2002. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns.
IEEE Transactions on PAMI 24(7): 2037-2041.
Ridwan A. 2007. Pengukuran usability aplikasi menggunakan evaluasi heuristik. Jurnal Informatika Komputer 12(3): 220-222.
Speckmann B. 2008. The Android Mobile Platform [skripsi]. Michigan:
Departement of Computer Science,
Eastern Michigan University.
Wells MT. 2011. Mobile Image Processing on the Google Phone with the Android Operating System. http://www.3programmers.com/mwells/d ocuments/pdf/Final Report.pdf [10 Juli 2012].
Wu SG., et al. 2007. A Leaf Recognition Algorithm for Plant Classification Using Probabilistic Neural Network. Beijing: Chinese Academy Science.
Lampiran 1 Tiga puluh citra tumbuhan obat
Dandang Gendis (Clinacanthus nutans Lindau)
Lavender (Lavendula afficinalis Chaix)
Akar Kuning (Arcangelisiaflav
a L.)
Daruju (Acanthus ilicifolius L.)
Pegagan (Clitoria ternatea
L.) buxifolius Muell)
Remak Daging (Excecaria bicolor Hassk)
Kumis Kucing
Sambang Darah (Excoceria (Graptophyllum
Lampiran 2 Daftar 32 jenis tumbuhan obat Indonesia yang digunakan dalam penelitian
No Nama Nama Latin
1 Pandan wangi Pandanus amaryllifolius Roxb.
2 Jarak pagar Jatropha curcas Linn.
3 Dandang gendis Clinacanthus nutans Lindau
4 Akar kuning Arcangelisiaflava L.
5 Gadung cina Smilax china
6 Tabat barito Ficus deloidea L.
7 Kemuning Murraya paniculata [L..] Jack.
8 Pegagan Centella asiatica (L.) Urban
9 Krokot Portulaca oleracea L.
10 Zodia Evodia suaveolens
11 Iler Coleus scutellarioides, Linn,Benth
12 Jeruk nipis Citrus aurantifolia, Swingle.
13 Sambang darah Excoecaria cochinchinensis Lour.
14 Nanas kerang Rhoeo discolor (L.Her.) Hance
15 Sambang colok Aerva sanguinolenta Bl.
16 Remek daging Excecaria bicolor Hassk
17 Kumis kucing Orthosiphon aristatus (B1) Miq.
18 Sosor bebek Kalanchoe pinnata (Lam.) Per.
19 Landik Barleria lupulina Lindl.
20 Jambu biji Psidium guajava L.
21 Tapak dara Catharantus roseus (L.) G. Don.
22 Som jawa Talinum paniculatum (jacq.) Gaertn.
23 Jarong Achyranthes aspera Linn.
24 Mangkokan Nothopanax scutellarium Merr.
25 Andong Cordyline fruticosa (L) A. Cheval.
26 Kemangi Ocimum basilicum
27 Patah tulang Eupharbia tirucalli L.
28 Cincau hitam Cyclea peltata Miq.
29 Awar – awar Ficus septica Burm f.
30 Semanggi gunung Hydrocotyle sibthorpioides Lam.
31 Salam Syzygium polyanthum (Wight.) Walp.
Lampiran 3 Kumpulan kueri uji
No Kueri
1 Kanker
2 Flu
3 Diabetes
4 Pusing
5 Merambat
6 Menjari
7 Bergerigi
8 Menyirip
9 Vitamin
10 Antioksidan
11 Protein
12 Kalsium
13 Diseduh
14 Ditumbuk
15 Diperas
16 Batuk Pilek
17 Kencing Batu
18 Datang Bulan
19 Gatal-gatal
20 Sesak Nafas
21 Tumbuhan Merambat
22 Tanaman Hias
23 Daun Elips
24 Buah Buni
25 Kalsium Oksalat
26 Zat Warna
27 Obat Diseduh
28 Obat Ditumbuk
Lampiran 4 Format dokumen XML
<dok> <id>6</id>
<nama>Kumis Kucing</nama>
<namal>Orthosiphon aristatus (Bl.) Miq.</namal>
<deskripsi>Famili : Lamiaceae. Nama Lokal : Kumis kucing, remujung, sungut kuceng. Deskripsi : Memiliki batang basah, lurus dengan tinggi 1.5m. Daun seperti telur taji dengan tepi bergerigi kasar tak beraturan. Bentuk bunga seperti segitiga dan memiliki sungut. Habitus : terna. Bagian yang digunakan : daun dan seluruh bagian tumbuhan. Manfaat : Mengobati rematik akut dan menurunkan asam urat darah pada jenis komplikasi batu urat di saluran kencing. Selain itu berkhasiat juga sebagai diuretik, melarutkan batu di saluran kencing dan sebagai antibakteri. Kandungan senyawa kimia : Orthosiphon glikosida, zat samak berupa sinentesin, minyak atsiri, minyak lemak, saponin, sapofonin, garam kalium dan myoinositol. Lokasi ditemukan : Depan Poliklinik IPB dan Fakultas Kehutanan, Lab. Biofarmaka, Cikabayan.</deskripsi>
<fam>Lamiaceae</fam>
<namad>Kumis kucing, remujung, sungut kuceng</namad> <habitus>terna</habitus>
<uraian>Memiliki batang basah, lurus dengan tinggi 1.5m. Daun seperti telur taji dengan tepi bergerigi kasar tak beraturan. Bentuk bunga seperti segitiga dan memiliki
sungut.Memiliki batang basah, lurus dengan tinggi 1.5m. Daun seperti telur taji dengan tepi bergerigi kasar tak beraturan. Bentuk bunga seperti segitiga dan memiliki sungut.</uraian> <bagian>daun dan seluruh bagian tumbuhan</bagian>
<manfaat>Mengobati rematik akut dan menurunkan asam urat darah pada jenis komplikasi batu urat di saluran kencing. Selain itu berkhasiat juga sebagai diuretik, melarutkan batu di saluran kencing dan sebagai antibakteri.</manfaat>
<budidaya></budidaya>
<kankim>Orthosiphon glikosida, zat samak berupa sinentesin, minyak atsiri, minyak lemak, saponin, sapofonin, garam kalium dan myoinositol.</kankim>
<sifatkhas></sifatkhas>
<lokasi>Depan Poliklinik IPB dan Fakultas Kehutanan, Lab. Biofarmaka, Cikabayan.</lokasi>
Lampiran 5 Screen shoot aplikasi
a. Menu Home b. Menu database c. Detail tumbuhan
d. Search engine tumbuhan obat
Lanjutan
Lampiran 6 Pertanyaan kuesioner untuk kemudahan dan kepuasan user
Nama :
Tanggal lahir : Pekerjaan : Pendidikan :
Jika anda mahasiswa, Departemen / Jurusan :
Berikan tanda (√) untuk jawaban yang menurut anda paling tepat.
1. Apakah software ini memberikan informasi atau petunjuk tentang apa yang sedang anda kerjakan?
a. Iya b. Tidak c. Cukup
2. Apakah bahasa dan istilah yang digunakan oleh software mudah anda mengerti? a. Iya
b. Tidak c. Cukup
3. Apakah penggunaan icon atau gambar pada software memudahkan anda bekerja? a. Iya
b. Tidak c. Cukup
4. Apakah penggunaan istilah dan kontrol sudah konsisten? a. Iya
b. Tidak c. Cukup
5. Apakah software memberikan peringatan/konfirmasi setiap akan menjalankan suatu event yang me-merlukan perhatian lebih?
a. Iya b. Tidak c. Cukup
6. Apakah anda mudah mengingat langkah-langkah yang anda lakukan saat menggunakan software?
a. Iya b. Tidak c. Cukup
7. Apakah anda perlu latihan untuk menggunakan software ini? a. Iya
b. Tidak c. Cukup
8. Apakah informasi dari software ini tersampaikan dengan benar? a. Iya
b. Tidak c. Cukup
Jika anda punya saran cara menyampaikan informasi, tolong tuliskan :
... ... 9. Apakah pesan error yang ditampilkan membantu anda?
a. Iya b. Tidak c. Cukup
10. Apakah dokumentasi yang disediakan software membantu anda menyelesaikan tugas anda? a. Iya
Lanjutan
11. Seberapa puas anda terhadap hasil identifikasi tumbuhan obat pada sistem ini? a. Puas
b. Tidak c. Cukup Puas
12. Seberapa lama anda menunggu waktu proses untuk hasil identifikasi tumbuhan obat pada sistem ini?
a. Cepat b. Lama c. Cukup
13. Seberapa puas anda terhadap hasil pencarian dokumen tumbuhan obat pada sistem ini? a. Puas
b. Tidak c. Cukup Puas
14. Seberapa lama anda menunggu waktu proses untuk pencarian dokumen tumbuhan obat pada sistem ini?
a. Cepat b. Lama c. Cukup
Saran untuk sistem ini?
Lampiran 7 Hasil kuesioner terhadap 10 aturan heuristik.
koresponden soal jawaban
puas cukup tidak puas
user 1 no. 1
no. 2
no. 3
no. 4
no. 5
no. 6
no. 7
no. 8
no. 9
no. 10
user 2 no. 1
no. 2
no. 3
no. 4
no. 5
no. 6
no. 7
no. 8
no. 9
no. 10
user 3 no. 1
no. 2
no. 3
no. 4
no. 5
no. 6
no. 7
no. 8
no. 9
no. 10
user 4 no. 1
no. 2
no. 3
no. 4
no. 5
no. 6
no. 7
no. 8
no. 9
Lanjutan
koresponden soal jawaban
puas cukup tidak puas
user 5 no. 1
no. 2
no. 3
no. 4
no. 5
no. 6
no. 7
no. 8
no. 9
no. 10
user 6 no. 1
no. 2
no. 3
no. 4
no. 5
no. 6
no. 7
no. 8
no. 9
no. 10
user 7 no. 1
no. 2
no. 3
no. 4
no. 5
no. 6
no. 7
no. 8
no. 9
no. 10
user 8 no. 1
no. 2
no. 3
no. 4
no. 5
no. 6
no. 7
no. 8
no. 9
Lanjutan
koresponden soal jawaban
puas cukup tidak puas
user 9 no. 1
no. 2
no. 3
no. 4
no. 5
no. 6
no. 7
no. 8
no. 9
no. 10
user 10 no. 1
no. 2
no. 3
no. 4
no. 5
no. 6
no. 7
no. 8
no. 9
no. 10
user 11 no. 1
no. 2
no. 3
no. 4
no. 5
no. 6
no. 7
no. 8
no. 9
no. 10
user 12 no. 1
no. 2
no. 3
no. 4
no. 5
no. 6
no. 7
no. 8
no. 9
Lanjutan
koresponden soal jawaban
puas cukup tidak puas
user 13 no. 1
no. 2
no. 3
no. 4
no. 5
no. 6
no. 7
no. 8
no. 9
no. 10
user 14 no. 1
no. 2
no. 3
no. 4
no. 5
no. 6
no. 7
no. 8
no. 9
no. 10
user 15 no. 1
no. 2
no. 3
no. 4
no. 5
no. 6
no. 7
no. 8
no. 9
no. 10
user 16 no. 1
no. 2
no. 3
no. 4
no. 5
no. 6
no. 7
no. 8
no. 9
Lanjutan
koresponden soal jawaban
puas cukup tidak puas
user 17 no. 1
no. 2
no. 3
no. 4
no. 5
no. 6
no. 7
no. 8
no. 9
no. 10
user 18 no. 1
no. 2
no. 3
no. 4
no. 5
no. 6
no. 7
no. 8
no. 9
no. 10
user 19 no. 1
no. 2
no. 3
no. 4
no. 5
no. 6
no. 7
no. 8
no. 9
no. 10
user 20 no. 1
no. 2
no. 3
no. 4
no. 5
no. 6
no. 7
no. 8
no. 9
ABSTRACT
DESTA SANDYA PRASVITA. MEDLEAF: Mobile application for medicinal plant identification based on image and text. Under the supervision of YENI HERDIYENI.
This research proposed a new mobile application (MEDLEAF) for medicinal plants identification based on image and text. The application is developed using the Android operating system. There are two facilities in this mobile application, i.e. plants identification and search engine. Plants identification is used for species identification based on leaf image and search engine is used for searching information based on medicinal plants documents. This research used a limited member of documents, i.e. 32 kinds of medicinal plants and 30 kinds of image data of herbs. A questionnaire is used to evaluate user satisfication. The evaluation results shows that MEDLEAF is promising for medicinal plants identification.
PENDAHULUAN
Latar Belakang
Pada tahun 2001, Laboratorium Konservasi Tumbuhan, Fakultas Kehutanan (Fahutan), Institut Pertanian Bogor (IPB) telah mendata bahwa terdapat tidak kurang dari 2039 spesies tumbuhan obat berasal dari hutan Indonesia (Zuhud 2009). Identifikasi tumbuhan obat tersebut perlu menggunakan herbarium atau text book untuk dibandingkan dengan objek aslinya, tapi prosesnya akan memakan waktu yang lama dan merepotkan. Tentunya herbarium juga memiliki kemungkinan rusak sehingga tumbuhan sulit untuk dikenali lagi. Wilayah Indonesia sangat luas sehingga dibutuhkan perangkat yang dapat mengidentifikasi tumbuhan obat yang bekerja secara mobile. Seiring bertambahnya keanekaragaman tumbuhan obat, makin bertambah pula dokumen tumbuhan obat hasil dokumentasi oleh para peneliti. Oleh karena itu, dibutuhkan perangkat mobile yang dapat mengidentifikasi tumbuhan obat berbasis citra dan teks secara otomatis.
Berdasarkan penelitian yang telah dilakukan sebelumnya, identifikasi citra tumbuhan obat dapat dilakukan dengan menggunakan fitur Local Binary Patterns
(Kusmana 2011). Selain itu, telah dilakukan penelitian untuk searching tumbuhan obat dengan ekstraksi ciri dokumen menggunakan
chi-kuadrat dengan klasifikasi naïve bayes
(Herawan 2011). Wells (2011) telah membuat Aplikasi mobile untuk pengolahan citra menggunakan Google Phone dengan sistem operasi Android. Speckmann (2008) mengatakan dalam penelitiannya untuk saat ini platform yang paling baik digunakan dalam pengembangan aplikasi pada mobile device adalah sistem operasi Android.
Pada penelitian ini, dilakukan pembuatan aplikasi mobile untuk identifikasi tumbuhan obat berbasis citra dan teks. Aplikasi ini dikembangkan dengan menggunakan sistem operasi Android. Dalam penelitian ini, citra digunakan untuk identifikasi citra tumbuhan obat dan teks digunakan untuk pencarian dokumen pada sistem temu kembali informasi.
Tujuan Penelitian
Tujuan penelitian ini adalah:
1 Pembuatan aplikasi mobile menggunakan sistem operasi Android untuk identifikasi tumbuhan obat berbasis citra dan teks. 2 Mengevaluasi aplikasi mobile untuk
identifikasi tumbuhan obat berbasis citra dan teks.
Ruang Lingkup
Ruang lingkup penelitian ini meliputi: 1 Dokumen terbatas pada 32 jenis
tumbuhan obat Indonesia.
2 Data citra tumbuhan obat yang digunakan adalah 30 jenis tumbuhan obat yang diambil dari kebun Biofarmaka, Cikabayan dan rumah kaca Pusat Konservasi Ex-situ Tumbuhan Obat Hutan Tropika Indonesia, Fahutan, IPB. 3 Menggunakan sistem operasi Android
dalam pembuatan aplikasi mobile.
Manfaat
Manfaat dari penelitian ini adalah mempercepat dan mempermudah pengguna dalam mengidentifikasi citra tumbuhan obat dan mempermudah dalam pencarian dokumen tumbuhan obat.
TINJAUAN PUSTAKA
Android
Android adalah sistem operasi untuk telepon seluler yang berbasis Linux. Android menyediakan platform terbuka bagi para pengembang untuk menciptakan aplikasi mereka sendiri untuk digunakan oleh bermacam peranti bergerak. Gambar 1 menunjukkan komponen utama dari sistem operasi Android.
Ekstraksi Ciri Tekstur
Tekstur adalah gambaran visual dari sebuah permukaan. Tekstur dapat dibentuk dari keragaman bentuk, pencahayaan, bayangan, penyerapan, dan refleksi. Dalam citra digital, tekstur dicirikan dengan variasi intensitas atau warna. Variasi intensitas disebabkan oleh perbedaan warna pada suatu permukaan. Penampilan tekstur dipengaruhi oleh skala, arah pandangan, kondisi pencahayaan (Mäenpää 2003).
Local Binary Patterns
Local Binary Pattern (LBP) digunakan untuk mencari pola-pola tekstur local pada citra (Mäenpää 2003). LBP bekerja dengan delapan ketetanggan yang tersebar melingkar (circular neighborhoods) dengan pusat pixel
berada di tengah. Notasi merupakan nilai
gray level piksel ketetanggannya. Untuk mendapatkan nilai LBP, dilakukan
thresholding pada pixel-pixel tetangga yang berbentuk circular dengan menggunakan
pixel pusat, kemudian mengalikannya dengan pembobotan biner. Perhitungan LBP dapat dilihat pada Gambar 2.
Thresholded bobot
Gambar 2 Perhitungan LBP.
Nilai threshold = 4
Pola LBP = 11001011
Nilai LBP = 1+2+8+64+128 = 203 LBP dapat diformulasikan dengan rumus sebagai berikut: piksel ketetanggaan, adalah circular sampling poins, P adalah banyaknya
sampling points, adalah nilai keabuan dari , adalah pixel pusat, dan adalah kode biner (sign).
Setelah mendapatkan nilai LBP, keseluruhan direpresentasikan dengan membentuk histogram:
(3)
dengan:
(4)
Nilai K merupakan nilai LBP terbesar dan
MxN piksel sebagai ukuran citra.
Notasi (P,R) akan digunakan untuk piksel ketetanggaan dengan P sebagai sampling points dan R adalah radius. Dapat dilihat pada Gambar 3 merupakan circular neighborhood tiga operator.
(8,1) (12,2.5) (16,4)
Gambar 3 Beberapa ukuran circular neighborhood.
Metode LBP sudah dikembangkan lebih lanjut dengan menjadi LBPV (LBP Variance) yang menggabungkan 2 metode dan VAR (Guo et al. 2010a).
Local Binary Patterns Variance (LBPV)
Secara definisi, VAR mendeskripsikan
informasi kontras dan
mendeskripsikan informasi pola tekstur yang tidak dipengaruhi perubahan gray scale dan rotasi sehingga kedua operator tersebut bersifat komplemen. Variance berhubungan dengan fitur tekstur. Biasanya, frekuensi tekstur region yang tinggi akan mempunyai
variance yang lebih tinggi dan variance-variance tersebut lebih berkontribusi terhadap perbedaan tekstur suatu citra (Guo
et al. 2010b). Oleh karena itu, variance
dapat digunakan sebagai bobot yang dapat beradaptasi untuk mengatur kontribusi nilai LBP pada perhitungan histogram. Ojala
et al. (2002) melakukan joint distribution
pola LBP dengan kontras lokal sebagai
descriptor tekstur bernama LBPV. LBPV dimaksudkan menjadi sebuah descriptor
