Perbandingan Classifier untuk Identifikasi Citra Tanaman Hias

(1)

ABSTRACT

WIDOWATI, WINDY. Classifier Comparison for Ornamental Plant Image Identification. Under the supervision of YENI HERDIYENI.

The use of an appropriate classification technique significantly determines the result of the identification process. In this research, we perform comparison of classification techniques for the identification of ornamental plants. The classification techniques used are Probabilistic Neural Network (PNN), K-Nearest Neighbor (KNN), Naive Bayes (NB) and the combination of K- Nearest Neighbor and Naive Bayes. We use 300 images of ornamental plants, consisting of 30 different types of plants. Plant image features are extracted using texture extraction technique, called Local Binary Pattern (LBP). The best performance was shown by the classification technique using PNN, KNN, and the combination of KNN and NB, with an accuracy of 72.22%. This result provides a promising prospect for an effective and efficient ornamental plants identification system.

(2)

1

PENDAHULUAN

Latar Belakang

Indonesia merupakan negara tropis yang memiliki + 30.000 spesies tumbuh-tumbuhan ([Depkes] 2007). Tumbuh-tumbuhan tersebut banyak yang dibudidayakan sebagai tanaman hias. Seiring dengan meningkatnya pendapatan, kesejahteraan, serta daya beli masyarakat, penikmat tanaman hias kini tidak hanya para kolektor tanaman hias. Masyarakat pada umumnya kini mempunyai kegemaran baru yaitu memelihara tanaman hias. Jumlah permintaan pasar yang tinggi, membuat produksi tanaman hias meningkat dari tahun 1997 hingga 2011 ([BPS] 2011). Di samping jumlahnya yang terus meningkat, produksi tanaman hias juga akan menghasilkan spesies baru akibat persilangan. Hasil persilangan ini dapat menyulitkan proses identifikasi. Dibutuhkan botanis atau ahli tanaman hias untuk melakukan identifikasi. Namun, proses identifikasi secara manual memiliki beberapa kekurangan, seperti dibutuhkan waktu yang cukup lama. Hal ini menyebabkan kebutuhan identifikasi tanaman hias secara otomatis menjadi sangat penting.

Identifikasi tanaman hias secara otomatis ditentukan berdasarkan penciri citra. Penciri citra yang biasanya dipakai dalam temu kembali citra adalah warna, bentuk, dan tekstur (Rodrigues dan Araujo 2004). Ekstraksi ciri tekstur pada citra tumbuhan hias menggunakan metode Local Binary

Pattern (LBP) telah dilakukan oleh Kulsum

(2010). LBP yang digunakan adalah Rotation

Invariant Uniform Patterns ),

Rotation Invariant Variance Measure

) dan LBP Variance ). Ukuran sampling point yang dapat menghasilkan akurasi terbaik pada penelitian tersebut adalah delapan buah, sedangkan ukuran radiusnya adalah dua piksel.

Klasifikasi merupakan proses untuk menentukan kelas hasil identifikasi citra. Teknik klasifikasi sangat berpengaruh terhadap hasil identifikasi. Citra hasil ekstraksi akan dikelompokkan sesuai kemiripan atau jaraknya dengan menggunakan teknik klasifikasi tertentu. Nurafifah (2010) telah menggunakan teknik klasifikasi Probabilistic Neural Network

(PNN) untuk identifikasi daun dengan penggabungan morfologi, tekstur, dan bentuk. Teknik PNN dengan penggabungan

fitur ini menghasilkan akurasi sebesar 83.3%. Penelitian tentang klasifikasi citra tanaman hias menggunakan PNN telah dilakukan oleh Kulsum (2010).

Telah ditunjukkan pada sejumlah penelitian sebelumnya bahwa mengombinasikan classifier yang berbeda pada dokumen dapat meningkatkan akurasi klasifikasi (Larkey 1996 dan Giacinto 1997). Teknik klasifikasi menggunakan penggabungan K- Nearest Neighbour (KNN)

dan Naïve Bayes (NB) telah dikembangkan

untuk mengklasifikasikan dokumen berbahasa Inggris dan menghasilkan tingkat keakuratan 70% (Li dan Jain 1998).

Pada penelitian ini dilakukan perbandingan teknik klasifikasi PNN, KNN, NB, serta penggabungan teknik klasifikasi KNN+NB.

Tujuan Penelitian

Tujuan penelitian ini adalah membandingkan teknik klasifikasi KNN, NB, KNN+NB, dan PNN untuk identifikasi citra tanaman hias.

Ruang Lingkup Penelitian

Data citra yang digunakan pada penelitian ini adalah citra tanaman hias yang berada di Kebun Raya Bogor. Citra terdiri atas 30 jenis tanaman hias. Tahap segmentasi tidak dilakukan pada penelitian ini.

TINJAUAN PUSTAKA

Ekstraksi ciri

Ekstraksi ciri merupakan tahap mengubah masukan ke dalam suatu bentuk baru sehingga pengenalan pola akan lebih mudah dilakukan (Bishop, 2006). Ciri merupakan pendeksripsi suatu objek yang bebas terhadap posisi, orientasi, dan ukuran. Ciri tekstur merupakan pengulangan pola yang ada pada suatu bagian citra (Acharya dan Ray 2005).

Local Binary Pattern

Local Binary Pattern (LBP) telah

berhasil dikembangkan oleh Kulsum (2010) untuk mendeskripsikan tekstur tumbuhan hias dalam mode grayscale. LBP digunakan untuk mencari pola-pola tekstur lokal pada citra.

(3)

1

PENDAHULUAN

Latar Belakang

Indonesia merupakan negara tropis yang memiliki + 30.000 spesies tumbuh-tumbuhan ([Depkes] 2007). Tumbuh-tumbuhan tersebut banyak yang dibudidayakan sebagai tanaman hias. Seiring dengan meningkatnya pendapatan, kesejahteraan, serta daya beli masyarakat, penikmat tanaman hias kini tidak hanya para kolektor tanaman hias. Masyarakat pada umumnya kini mempunyai kegemaran baru yaitu memelihara tanaman hias. Jumlah permintaan pasar yang tinggi, membuat produksi tanaman hias meningkat dari tahun 1997 hingga 2011 ([BPS] 2011). Di samping jumlahnya yang terus meningkat, produksi tanaman hias juga akan menghasilkan spesies baru akibat persilangan. Hasil persilangan ini dapat menyulitkan proses identifikasi. Dibutuhkan botanis atau ahli tanaman hias untuk melakukan identifikasi. Namun, proses identifikasi secara manual memiliki beberapa kekurangan, seperti dibutuhkan waktu yang cukup lama. Hal ini menyebabkan kebutuhan identifikasi tanaman hias secara otomatis menjadi sangat penting.

Identifikasi tanaman hias secara otomatis ditentukan berdasarkan penciri citra. Penciri citra yang biasanya dipakai dalam temu kembali citra adalah warna, bentuk, dan tekstur (Rodrigues dan Araujo 2004). Ekstraksi ciri tekstur pada citra tumbuhan hias menggunakan metode Local Binary

Pattern (LBP) telah dilakukan oleh Kulsum

(2010). LBP yang digunakan adalah Rotation

Invariant Uniform Patterns ),

Rotation Invariant Variance Measure

) dan LBP Variance ). Ukuran sampling point yang dapat menghasilkan akurasi terbaik pada penelitian tersebut adalah delapan buah, sedangkan ukuran radiusnya adalah dua piksel.

Klasifikasi merupakan proses untuk menentukan kelas hasil identifikasi citra. Teknik klasifikasi sangat berpengaruh terhadap hasil identifikasi. Citra hasil ekstraksi akan dikelompokkan sesuai kemiripan atau jaraknya dengan menggunakan teknik klasifikasi tertentu. Nurafifah (2010) telah menggunakan teknik klasifikasi Probabilistic Neural Network

(PNN) untuk identifikasi daun dengan penggabungan morfologi, tekstur, dan bentuk. Teknik PNN dengan penggabungan

fitur ini menghasilkan akurasi sebesar 83.3%. Penelitian tentang klasifikasi citra tanaman hias menggunakan PNN telah dilakukan oleh Kulsum (2010).

Telah ditunjukkan pada sejumlah penelitian sebelumnya bahwa mengombinasikan classifier yang berbeda pada dokumen dapat meningkatkan akurasi klasifikasi (Larkey 1996 dan Giacinto 1997). Teknik klasifikasi menggunakan penggabungan K- Nearest Neighbour (KNN)

dan Naïve Bayes (NB) telah dikembangkan

untuk mengklasifikasikan dokumen berbahasa Inggris dan menghasilkan tingkat keakuratan 70% (Li dan Jain 1998).

Pada penelitian ini dilakukan perbandingan teknik klasifikasi PNN, KNN, NB, serta penggabungan teknik klasifikasi KNN+NB.

Tujuan Penelitian

Tujuan penelitian ini adalah membandingkan teknik klasifikasi KNN, NB, KNN+NB, dan PNN untuk identifikasi citra tanaman hias.

Ruang Lingkup Penelitian

Data citra yang digunakan pada penelitian ini adalah citra tanaman hias yang berada di Kebun Raya Bogor. Citra terdiri atas 30 jenis tanaman hias. Tahap segmentasi tidak dilakukan pada penelitian ini.

TINJAUAN PUSTAKA

Ekstraksi ciri

Ekstraksi ciri merupakan tahap mengubah masukan ke dalam suatu bentuk baru sehingga pengenalan pola akan lebih mudah dilakukan (Bishop, 2006). Ciri merupakan pendeksripsi suatu objek yang bebas terhadap posisi, orientasi, dan ukuran. Ciri tekstur merupakan pengulangan pola yang ada pada suatu bagian citra (Acharya dan Ray 2005).

Local Binary Pattern

Local Binary Pattern (LBP) telah

berhasil dikembangkan oleh Kulsum (2010) untuk mendeskripsikan tekstur tumbuhan hias dalam mode grayscale. LBP digunakan untuk mencari pola-pola tekstur lokal pada citra.

(4)

2

dengan pusat piksel berada di tengah. Nilai

LBP dihasilkan dengan mengalikan nilai piksel yang telah melalui tahap pemotongan dengan pembobotan biner sesuai posisi piksel ketetanggaan berada.

Kode-kode LBP selanjutnya direpresentasikan melalui histogram. Histogram menunjukkan frekuensi kejadian berbagai nilai LBP.

R o t a t i o n I n v a r i a n t U n i f o r m P a t t e r n s )

Operator LBP mengalami perkembangan dengan dimodelkannya operator menggunakan berbagai ukuran sampling

points dan radius. Beragamnya operator ini

digunakan untuk membuat skala atau ukuran lokal tekstur yang berbeda-beda. Selanjutnya notasi (P, R) akan digunakan untuk piksel ketetanggaan dengan P merupakan sampling

points yang melingkar dan R merupakan

radius. Gambar 1 memperlihatkan contoh

circular neighborhood dengan operator (8,2).

Gambar 1 Circular neighborhood (8,2). Operator (8,2) memiliki kuantisasi sudut 45 derajat (jarak antar sampling points 45 derajat). Kuantisasi sudut 45 derajat merupakan kuantisasi sudut secara kasar

(crude quantization) bila dibandingkan

dengan sampling points 16 dan 24 yang masing-masing mempunyai kuantisasi sudut 22.5 dan 15 derajat. Kuantisasi sudut 45 derajat mampu mengambil nilai piksel-piksel ketetanggaan melingkar yang berbeda-beda

(discriminant) sehingga diperoleh pola-pola

LBP yang juga berbeda-beda. Bervariasinya pola-pola LBP menjadi penciri yang baik dalam ekstraksi tekstur (Kulsum, 2010).

Kemudian dibuat suatu cara agar pola LBP tidak sensitif terhadap perubahan rotasi

(rotation invariant). Contoh: LBP =

00001111 = 15 dapat direpresentasikan dengan circular neighborhood pada Gambar 2.

Gambar 2 Rotation Invariant LBP.

Nilai dan pola-pola LBP pada Gambar 3 dapat berbeda-beda, tetapi memiliki struktur rotasi yang sama. Setiap pola LBP akan

mempunyai pola yang berbeda jika dirotasi searah jarum jam ataupun berlawanan arah jarum jam (Pietikainen et al. 2006).

Pola-pola LBP tertentu memiliki karakteristik utama dari suatu tekstur. Pola-pola yang memiliki informasi penting ini

dinamakan “uniform patterns”. LBP dikatakan uniform jika struktur melingkar pola-pola binernya paling banyak terdiri atas dua transisi bit dari 0 ke 1 atau sebaliknya.

Uniform patterns berfungsi untuk

mengidentifikasi noda (spot), flat area atau

dark spot, sudut, dan tepi. Hampir 90 persen

dari tekstur merupakan uniform patterns

(Mäenpää et al. 2002).

Spot Spot/flat Line end Edge Corner

Gambar3 Tekstur uniform patterns.

Penggabungan antara uniform patterns

dengan rotation invariant dilambangkan . Notasi ri menunjukkan rotation

invariant dan u2 untuk uniform patterns pada

sampling points P dan radius R. merupakan ukuran ketidaksensitifan

(invariant) terhadap perubahan grayscale dan

merupakan ukuran yang digunakan untuk pola spasial.

Jika pola yang diidentifikasi termasuk

uniform patterns, akan dihitung banyaknya

bit satu pada pola tersebut yang menentukan letak bin uniform patterns berada. Jika P, banyaknya sampling points sama dengan delapan, nilai adalah nol sampai dengan sembilan. Jika bukan uniform

patterns akan masuk ke dalam bin terakhir,

yaitu bin kesepuluah yang merupakan single

binnon uniform patterns (Mäenpää 2003).

R o t a t i o n I n v a r i a n t V a r i a n c e M e a s u r e ( V A R )

VAR merupakan descriptor untuk mengukur lokal kontras tekstur pada suatu citra. tidak mendefinisikan lokal kontras tekstur dalam perhitungannya. VAR tidak sensitif terhadap perubahan grayscale. VAR berhubungan dengan kondisi pencahayaan suatu citra.

L B P V a r i a n c e ( L B P V )

LBPV descriptor secara sederhana menggabungkan distribusi informasi local spatial pattern dan local contrast. Variance

(5)

3

frekuensi tekstur region yang tinggi akan

mempunyai variance yang lebih tinggi dan

variance-variance tersebut lebih

berkontribusi terhadap perbedaan tekstur suatu citra (Zhang et al. 2009). Oleh karena itu, variance dapat digunakan sebagai bobot yang dapat beradaptasi untuk mengatur kontribusi nilai LBP pada perhitungan histogram.

Klasifikasi

Klasifikasi yaitu proses untuk menemukan sekumpulan model atau fungsi yang mendeskripsikan dan membedakan kelas-kelas data dengan tujuan untuk memprediksikan kelas dari objek yang belum diketahui kelasnya (supervised learning) dengan karakteristik tipe data yang bersifat kategorik (Han dan Kamber 2001).

Proses klasifikasi dibagi menjadi dua fase, yaitu pelatihan dan pengujian. Pada fase pelatihan, sebagian data yang telah diketahui kelas datanya (data pelatihan) digunakan untuk membentuk model. Selanjutnya pada fase pengujian, model yang sudah terbentuk diuji dengan sebagian data lainnya untuk mengetahui akurasi model tersebut. Jika akurasinya mencukupi maka model tersebut dapat dipakai untuk memprediksi kelas data yang belum diketahui.

Naïve Bayes

Naïve Bayes merupakan metode

klasifikasi dengan cara menghitung peluang sebuah dokumen d berada di kelas c. Kelas terbaik pada klasifikasi Naïve Bayes adalah kelas yang paling mirip dengan data yang ingin diklasifikasikan atau yang mempunyai nilai posteriori tertinggi atau maximum a

posteriori (MAP) (Manning 2008).

Peluang Bayes dapat digunakan untuk menghitung peluang bersyarat, yaitu peluang kejadian apabila suatu kejadian diketahui. Metode ini dapat memprediksi kemungkinan anggota suatu kelas berdasarkan sampel yang berasal dari anggota kelas tersebut. Klasifikasi Naïve Bayes termasuk dalam model multinomial yang mengambil jumlah penciri yang muncul pada sebuah citra. Pada model ini sebuah citra terdiri dari atas beberapa kejadian penciri. Berdasarkan asumsi Bayes, kemungkinan setiap penciri dalam setiap citra adalah bebas, tidak terpengaruh dengan konteks penciri dan posisi penciri dalam citra.

Berdasarkan teori Bayes, peluang citra untuk masuk ke dalam kelas atau ditujukkan pada persamaan (1) :

|

(1)

dengan adalah peluang kemunculan citra di kelas , peluang ini dipengaruhi oleh penciri yang muncul pada citra d, sehingga = , yaitu peluang kemunculan penciri pada citra kelas c, adalah peluang awal suatu citra masuk kelas

, dan adalah peluang awal kemunculan citra .

Peluang awal kemunculan citra , yaitu sama nilainya untuk seluruh kelas , sehingga dapat diabaikan. Ditunjukkan pada persamaan (2) dan (3):

(2) dengan,

dan _∑

(3)

merupakan banyaknya citra dalam kelas , adalah total citra, adalah banyaknya penciri dalam citra latih dari kelas .

Kelas yang paling sesuai bagi citra adalah kelas yang memiliki atau nilai posterior yang paling tinggi.

K-Nearest Neighbor

K-tetangga terdekat atau K-nearest

neighbor (KNN) merupakan metode

klasifikasi yang memasukkan data ke dalam mayoritas kelas dari k tetangga terdekatnya dengan k adalah sebuah parameter (Manning 2008). Parameter k dalam KNN seringkali dipilih berdasarkan pada pengalaman atau pengetahuan tentang masalah klasifikasi.

Metode KNN bekerja dengan berdasarkan pada jarak terdekat antara data d dengan data lainnya untuk menentukan tetangga terdekatnya. Setelah itu diambil mayoritas kelas data yang merupakan tetangga terdekat untuk menentukan kelas data d.

Pembobotan juga bisa dilakukan pada KNN dari kesamaan cosine. Skor kelas dihitung pada persamaan (4).

(6)

4

bernilai 0 jika sebaliknya. Data akan

dimasukkan ke kelas yang mempunyai skor tertinggi. Ilustrasi teknik klasifikasi KNN ditunjukkan pada Gambar 4.

Gambar 4 Ilustrasi teknik klasifikasi KNN. Pada Gambar 4, diilustrasikan teknik klasifikasi KNN. Terdapat tiga kelas, yaitu dan , serta yang merupakan vektor yang belum diketahui kelasnya. Kemudian dipilih lima tetangga terdekat (K = 5). Setelah dipilih lima tetangga terdekat, dihitung kelas terbanyak pada tetangga terdekat tersebut. Pada Gambar 4 dapat dilihat terdapat satu tetangga terdekat yang berada pada kelas dan empat lainnya berada pada kelas Berdasarkan jumlah kelas terbanyak pada tetangga terdekat, maka

berada pada kelas

Adaptive classifier combination

Adaptive classifier combination (ACC)

adalah metode klasifikasi yang menggabungkan metode naïve bayes dengan KNN. ACC memasukkan data d ke dalam kelas ci, dengan kelas yang akan dimasukkan diidentifikasikan oleh classifier dengan local

accuracy tertinggi dari semua kelas yang ada

(Li dan Jain 1998).

Untuk sebuah data tes d yang akan diklasifikasikan, dicari tetangga dari d,

data training

menggunakan metode k-nearest neighbor.

Kemudian ditunjukkan hasil klasifikasi untuk data d oleh n classifier sebagai ̅ ̅ ̅ ̅ { }. Setelah itu, untuk setiap kelas ̅ ̅, dihitung:

∑ ∑ ̅ ̅ (5) dengan ̅ ̅ merupakan peluang xi terdapat pada kelas

฀

c

j dan Wi merupakan ukuran kesamaan kosinus antara xi dan d. Kemudian data d dimasukkan ke kelas ck,

dengan persamaan (6). Ilustrasi teknik klasifikasi KNN+NB ditunjukkan pada Gambar 5.

(6)

Gambar 5 Ilustrasi teknik klasifikasi KNN+NB.

Gambar 5 merupakan ilustrasi teknik KNN+NB. Hasil K tetangga terdekat pada klasifikasi KNN, selanjutnya dihitung peluang terhadap masing-masing kelas yang terdapat pada K tetangga terdekat. Kelas akhir vektor uji ditentukan oleh hasil peluang vektor uji terhadap setiap kelas yang tertinggi.

P r o b a b i l i s t i c N e u r a l N e t w o r k

( P N N )

PNN dikembangkan oleh Donald Specht pada tahun 1988. PNN merupakan jaringan saraf tiruan yang menggunakan teorema probabilitas klasik seperti pengklasifikasian Bayes dan penduga kepekatan Parzen. Kernel (fungsi pembobot) yang digunakan adalah

radial basis function (RBF). RBF adalah

fungsi yang berbentuk seperti bel yang menskalakan variabel nonlinear (Wu et al.

2007). Salah satu tipe RBF adalah Gaussian. Gaussian merupakan fungsi yang paling umum digunakan, serta komputasinya mudah.

Keuntungan utama menggunakan arsitektur PNN adalah training data mudah dan sangat cepat. Struktur jaringan PNN ditunjukkan pada Gambar 6.

Struktur PNN ditunjukkan pada Gambar 6 yang terdiri atas empat lapisan yaitu :

1 Lapisan masukan merupakan objek ⃗ terdiri atas k nilai ciri yang akan diklasifikasikan pada n kelas.

(7)

5

yang digunakan. Setiap node merupakan

selisih antara vektor masukan yang akan diklasifikasikan dengan vektor bobot , yaitu , kemudian dibagi

dengan bias tertentu σ dan selanjutnya

dimasukkan ke dalam fungsi radial basis, yaitu . Dengan demikian, persamaan yang digunakan pada lapisan pola adalah

(7)

3 Lapisan penjumlahan (summation layer), menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Persamaan yang digunakan pada lapisan ini adalah

(8) dengan k merupakan dimensi vektor ciri, σ merupakan bias dan t merupakan jumlah data latih pada kelas tertentu.

4 Lapisan keluaran (output layer), menghasilkan keputusan input ⃗ masuk ke dalam suatu kelas. Input ⃗ akan masuk kelas

Y jika nilai pY(x) paling besar dibandingkan kelas yang lainnya.

Gambar 6 Struktur PNN.

Confusion matrix

Confusion matrix merupakan sebuah

tabel yang terdiri atas banyaknya baris data uji yang diprediksi benar dan tidak benar oleh model klasifikasi, digunakan untuk menentukan kinerja suatu model klasifikasi (Tan et al. 2005). Tabel 1 merupakan tabel

confussion matrix.

Perhitungan akurasi dengan menggunakan tabel confusion matrix adalah:

Akurasi =

(9) Tabel 1 Confusion matrix

Assigned class

Class = 1 Class = 0

True Class

Class = 1 F11 F10

Class = 0 F01 F00

F11 merupakan jumlah citra dari kelas 1 yang benar diklasifikasikan sebagai kelas 1. F00 merupakan jumlah citra dari kelas 0 yang benar diklasifikasikan sebagai kelas 0. F01 merupakan jumlah citra dari kelas 0 yang salah diklasifikasikan sebagai kelas 1. F10 merupakan jumlah citra dari kelas 1 yang salah diklasifikasikan sebagai kelas 0.

METODE PENELITIAN

Metode penelitian dapat dilihat pada Gambar 7. Secara garis besar metode penelitian terdiri atas pengumpulan citra tanaman hias, praproses, ekstraksi ciri, pembagian data latih dan data uji, klasifikasi Naïve Bayes, KNN, penggabungan KNN dan Naïve Bayes, PNN, dan terakhir pengujian.

Data Penelitian

Data penelitian merupakan kumpulan citra tanaman hias yang berada di Kebun Raya Bogor. Citra terdiri dari 30 jenis tanaman hias. Citra ini diambil dengan berbagai macam sudut yang berbeda.

Praproses

(8)

5

yang digunakan. Setiap node merupakan

selisih antara vektor masukan yang akan diklasifikasikan dengan vektor bobot , yaitu , kemudian dibagi

dengan bias tertentu σ dan selanjutnya

dimasukkan ke dalam fungsi radial basis, yaitu . Dengan demikian, persamaan yang digunakan pada lapisan pola adalah

(7)

3 Lapisan penjumlahan (summation layer), menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Persamaan yang digunakan pada lapisan ini adalah

(8) dengan k merupakan dimensi vektor ciri, σ merupakan bias dan t merupakan jumlah data latih pada kelas tertentu.

4 Lapisan keluaran (output layer), menghasilkan keputusan input ⃗ masuk ke dalam suatu kelas. Input ⃗ akan masuk kelas

Y jika nilai pY(x) paling besar dibandingkan kelas yang lainnya.

Gambar 6 Struktur PNN.

Confusion matrix

Confusion matrix merupakan sebuah

tabel yang terdiri atas banyaknya baris data uji yang diprediksi benar dan tidak benar oleh model klasifikasi, digunakan untuk menentukan kinerja suatu model klasifikasi (Tan et al. 2005). Tabel 1 merupakan tabel

confussion matrix.

Perhitungan akurasi dengan menggunakan tabel confusion matrix adalah:

Akurasi =

(9) Tabel 1 Confusion matrix

Assigned class

Class = 1 Class = 0

True Class

Class = 1 F11 F10

Class = 0 F01 F00

F11 merupakan jumlah citra dari kelas 1 yang benar diklasifikasikan sebagai kelas 1. F00 merupakan jumlah citra dari kelas 0 yang benar diklasifikasikan sebagai kelas 0. F01 merupakan jumlah citra dari kelas 0 yang salah diklasifikasikan sebagai kelas 1. F10 merupakan jumlah citra dari kelas 1 yang salah diklasifikasikan sebagai kelas 0.

METODE PENELITIAN

Metode penelitian dapat dilihat pada Gambar 7. Secara garis besar metode penelitian terdiri atas pengumpulan citra tanaman hias, praproses, ekstraksi ciri, pembagian data latih dan data uji, klasifikasi Naïve Bayes, KNN, penggabungan KNN dan Naïve Bayes, PNN, dan terakhir pengujian.

Data Penelitian

Data penelitian merupakan kumpulan citra tanaman hias yang berada di Kebun Raya Bogor. Citra terdiri dari 30 jenis tanaman hias. Citra ini diambil dengan berbagai macam sudut yang berbeda.

Praproses

(9)

6

Gambar 7 Metode penelitian identifikasi citra

menggunakan KNN, NB, penggabungan KNN dan NB, serta PNN.

Ekstraksi Ciri Tekstur

Ekstraksi tekstur dilakukan terhadap citra tanaman hias secara utuh. Ekstraksi ini dilakukan menggunakan LBPV, LBPP,Rriu2

dan VAR. Setelah citra diubah ke mode warna grayscale, citra dibagi ke dalam beberapa blok (local region) dengan operator (8,2). Hasil dari pengolahan setiap blok menghasilkan pola LBP.

a. Ekstraksi tekstur dengan

Histogram menghasilkan

bin dengan merupakan banyaknya

sampling points yang digunakan. Bin pertama

sampai dengan merupakan binuniform

patterns, sedangkan bin terakhir ( )

merupakan single bin untuk nonuniform patterns.

b. Ekstraksi tekstur dengan

Nilai yang dihasilkan merupakan nilai kontinu yang harus dikuantisasi. Pengkuantisasian dilakukan dengan mengelompokkan nilai-nilai dalam rentang kelipatan 100 yang ditentukan berdasarkan distribusi nilai . Hal ini dilakukan untuk mempermudah perhitungan

frekuensi nilai-nilai dalam suatu citra. Selanjutnya nilai yang telah dikuantisasi direpresentasikan melalui histogram. Histogram descriptor

memiliki 100 bin. Penentuan banyaknya bin

ini ditentukan dari distribusi nilai terbesar setelah proses kuantisasi. Jumlah bin yang sama pada setiap operator menandakan bahwa informasi kontras tidak dipengaruhi oleh ukuran sampling points maupun radius.

c. Ekstraksi tekstur dengan

Ekstraksi tekstur dengan menggunakan nilai-nilai dan nilai-nilai . Dalam penelitian ini, ukuran

sampling points dan radius dan

adalah sama. Histogram memiliki bin dengan merupakan banyaknya sampling points yang digunakan.

Proses Klasifikasi

Klasifikasi dilakukan dengan menggunakan teknik klasifikasi NB, KNN, penggabungan teknik KNN+Bayes, dan PNN. Tahap awal klasifikasi dilakukan pembagian seluruh data hasil ekstraksi menjadi data latih dan data uji. Data latih digunakan sebagai masukan pelatihan teknik klasifikasi sedangkan data uji digunakan untuk menguji model hasil pelatihan. Penelitian ini dilakukan pembagian data latih dan data uji, yaitu 70% : 30%.

Pertama, dilakukan klasifikasi dengan menggunakan teknik klasifikasi Naïve Bayes

melalui persamaan (1). Hasil ekstraksi ciri citra menghasilkan bin-bin yang memiliki frekuensi. Bin-bin inilah yang dianalogikan sebagai kata dalam klasifikasi teks. Setiap bin hasil ekstraksi ciri citra pada data latih akan dihitung peluang pada suatu kelas. Frekuensi dan bin-bin merupakan representasi citra. Peluang kepemilikan suatu kelas yang maksimum merupakan hasil akhir dari klasifikasi Naïve Bayes.

Pada klasifikasi menggunakan teknik KNN, hasil ekstraksi citra membentuk vektor-vektor penciri. Vektor penciri pada setiap data uji akan dihitung jaraknya terhadap vektor penciri pada data latih menggunakan persamaan cosine similiarity. Kemudian dipilih sejumlah tetangga terdekat (K) yang memiliki kemiripan yang tinggi, yaitu hasil sejumlah K yang menghasilkan

cosine similiarity tertinggi. Kemudian

Citra Tanaman Hias

Praproses

Ekstraksi Tekstur

Citra Latih Citra Uji

(10)

7

dihitung kelas terbanyak pada tetangga

terdekat tersebut. Kelas yang terbanyak dipilih sebagai hasil kelas pada data uji.

Kemudian dilakukan klasifikasi menggunakan penggabungan teknik klasifikasi yaitu KNN dan NB. Pada penggabungan klasifikasi ini, pertama dilakukan klasifikasi KNN dengan menggunakan persamaan cosine similiarity. Dipilih K tertangga terdekat sebagai akurasi lokal tertinggi dari semua kelas yang ada. Data uji yang akan diklasifikasikan, dilakukan dengan mencari tetangga dari d,

data latih menggunakan metode k-nearest neighbor. Kemudian ditunjukkan hasil klasifikasi untuk data d oleh n classifier sebagai ̅ ̅ ̅ ̅ { }. Setelah itu, untuk setiap kelas ̅ ̅, dihitung dengan menggunakan persamaan (5), di mana ̅ ̅ merupakan peluang xi terdapat

pada kelas

฀

c

j dan Wi merupakan ukuran

kesamaan kosinus antara xi dan d. Kemudian

data d dimasukkan ke kelas ck, melalui

persamaan (6). Kemudian dipilih kelas yang memiliki peluang terbesar.

Pada klasifikasi PNN, arsitektur PNN memiliki lapisan masukan, pola, penjumlahan, dan keputusan. Lapisan masukkan berupa vektor hasil ekstraksi tekstur dari citra tanaman hias. Pada lapisan pola, dihitung jarak vektor pelatihan ke vektor pengujian dan menghasilkan vektor yang mengindikasikan kedekatan input ke vektor pelatihan. Pada lapisan penjumlahan, setiap keluaran dari lapisan pola akan dijumlahkan dengan keluaran dari lapisan pola lainnya yang berada dalam satu kelas untuk menghasilkan probabilitas vektor keluaran. Pada lapisan keputusan akan diambil nilai maksimum dari vektor keluaran, kemudian menghasilkan nilai satu untuk kelas tersebut dan nilai nol untuk kelas lainnya.

Evaluasi Hasil Klasifikasi

Pada tahap evaluasi dilakukan penilaian kinerja sistem dengan melakukan pengukuran persentase ketepatan dalam klasifikasi menggunakan confusion matrix.

Hasil akurasi dari teknik KNN, NB, KNN+NB, serta PNN pada masing-masing kelas akan dihitung. Kemudian dilihat kelas yang memiliki akurasi tertinggi dan terendah. Tingkat akurasi dari empat percobaan pembagian data latih dan data uji serta tingkat

akurasi dari keempat teknik klasifikasi tersebut juga akan dibandingkan.

L i n g k u n g a n P e n g e mb a n g a n

Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk penelitian ini adalah sebagai berikut :

Perangkat keras

 Processor Intel(R) Pentium(R) M 2.1 GHz

 DDR1 RAM 1.21 GB

 Harddisk 80 GB

Perangkat lunak

 Windows 7

 Microsoft Visual Studio 2008

 Open CV 2.1.

HASIL

DAN

PEMBAHASAN

H a s i l P r a p r o s e s

Tahap praproses dilakukan sebelum melakukan proses ekstraksi. Ukuran citra tanaman hias yang digunakan adalah 270x210 piksel. Mode warna RGB

(Red-Green-Blue) pada citra diubah menjadi

grayscale. Hasil praproses citra tanaman hias

ditunjukkan pada Gambar 8.

Gambar 8 Praproses citra Bromelia kirkii.

H a s i l E k s t r a k s i T e k s t u r

Hasil praproses citra digunakan pada proses ekstraksi. Ekstaksi tekstur yang digunakan adalah , dan Operator yang digunakan adalah operator (8,2).

(11)

7

dihitung kelas terbanyak pada tetangga

terdekat tersebut. Kelas yang terbanyak dipilih sebagai hasil kelas pada data uji.

Kemudian dilakukan klasifikasi menggunakan penggabungan teknik klasifikasi yaitu KNN dan NB. Pada penggabungan klasifikasi ini, pertama dilakukan klasifikasi KNN dengan menggunakan persamaan cosine similiarity. Dipilih K tertangga terdekat sebagai akurasi lokal tertinggi dari semua kelas yang ada. Data uji yang akan diklasifikasikan, dilakukan dengan mencari tetangga dari d,

data latih menggunakan metode k-nearest neighbor. Kemudian ditunjukkan hasil klasifikasi untuk data d oleh n classifier sebagai ̅ ̅ ̅ ̅ { }. Setelah itu, untuk setiap kelas ̅ ̅, dihitung dengan menggunakan persamaan (5), di mana ̅ ̅ merupakan peluang xi terdapat

pada kelas

฀

c

j dan Wi merupakan ukuran

kesamaan kosinus antara xi dan d. Kemudian

data d dimasukkan ke kelas ck, melalui

persamaan (6). Kemudian dipilih kelas yang memiliki peluang terbesar.

Pada klasifikasi PNN, arsitektur PNN memiliki lapisan masukan, pola, penjumlahan, dan keputusan. Lapisan masukkan berupa vektor hasil ekstraksi tekstur dari citra tanaman hias. Pada lapisan pola, dihitung jarak vektor pelatihan ke vektor pengujian dan menghasilkan vektor yang mengindikasikan kedekatan input ke vektor pelatihan. Pada lapisan penjumlahan, setiap keluaran dari lapisan pola akan dijumlahkan dengan keluaran dari lapisan pola lainnya yang berada dalam satu kelas untuk menghasilkan probabilitas vektor keluaran. Pada lapisan keputusan akan diambil nilai maksimum dari vektor keluaran, kemudian menghasilkan nilai satu untuk kelas tersebut dan nilai nol untuk kelas lainnya.

Evaluasi Hasil Klasifikasi

Pada tahap evaluasi dilakukan penilaian kinerja sistem dengan melakukan pengukuran persentase ketepatan dalam klasifikasi menggunakan confusion matrix.

Hasil akurasi dari teknik KNN, NB, KNN+NB, serta PNN pada masing-masing kelas akan dihitung. Kemudian dilihat kelas yang memiliki akurasi tertinggi dan terendah. Tingkat akurasi dari empat percobaan pembagian data latih dan data uji serta tingkat

akurasi dari keempat teknik klasifikasi tersebut juga akan dibandingkan.

L i n g k u n g a n P e n g e mb a n g a n

Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk penelitian ini adalah sebagai berikut :

Perangkat keras

 Processor Intel(R) Pentium(R) M 2.1 GHz

 DDR1 RAM 1.21 GB

 Harddisk 80 GB

Perangkat lunak

 Windows 7

 Microsoft Visual Studio 2008

 Open CV 2.1.

HASIL

DAN

PEMBAHASAN

H a s i l P r a p r o s e s

Tahap praproses dilakukan sebelum melakukan proses ekstraksi. Ukuran citra tanaman hias yang digunakan adalah 270x210 piksel. Mode warna RGB

(Red-Green-Blue) pada citra diubah menjadi

grayscale. Hasil praproses citra tanaman hias

ditunjukkan pada Gambar 8.

Gambar 8 Praproses citra Bromelia kirkii.

H a s i l E k s t r a k s i T e k s t u r

Hasil praproses citra digunakan pada proses ekstraksi. Ekstaksi tekstur yang digunakan adalah , dan Operator yang digunakan adalah operator (8,2).

(12)

8

(a)

(b)

(c)

Gambar 9 Histogram hasil ekstrasi (a) , (b) ,

(c) descriptor citra

tanaman hias Bromelia kirkii.

Pada Gambar 9 (a), nilai vertikal pada histogram menunjukkan frekuensi sedangkan nilai horizontal menunjukkan nilai bin pada . Jumlah bin dengan operator (8,2) ada 10 bin. Bin 0-9 merepresentasikan nilai uniform pattern dan bin terakhir yaitu 10 merupakan non uniform pattern.

Hasil ekstraksi dengan ditunjukkan pada Gambar 9 (b). Nilai satu sampai dengan 100 direpresentasikan dengan 100 bin

histogram. bekerja pada perubahan pencahayaan (illumination) yang mengakibatkan perbedaan kontras pada tekstur suatu citra. Histogram yang dihasilkan mendeskripsikan kontras suatu citra. Histogram pada Gambar 9 menunjukkan citra

Bromelia kirkii memiliki kontras yang

rendah. Hal ini dapat diamati dari banyaknya frekuensi tinggi pada bin-bin awal.

Pada Gambar 9 (c) merupakan hasil ekstraksi dengan . Ekstraksi menghasilkan histogram dengan pola yang menyerupai karena memiliki rentang nilai yang mengacu kepada nilai di posisi

region yang sama.

K l a s i f i k a s i C i t r a T a n a ma n H i a s

Hasil ekstraksi tekstur citra tanaman hias menghasilkan vektor-vektor histogram citra tanaman hias. Vektor-vektor ini menjadi masukan untuk tahap klasifkasi.

Persentase data latih dan data uji yang digunakan pada penelitian ini adalah 70% : 30%.

K l a s i f i k a s i N a ï v e B a y e s

Hasil klasifikasi menggunakan metode

Naïve Bayes dapat dilihat pada Gambar 10.

Gambar 10 Grafik perbandingan akurasi teknik klasifikasi Naïve

Bayes pada tiga fitur.

Akurasi tertinggi ditunjukkan pada fitur , yaitu 60%. Akurasi terendah terdapat pada fitur , yaitu 3.33%. Akurasi perkelas ditunjukkan pada Gambar 11.

Akurasi terbaik pada ekstraksi terdapat pada kelas 17, 18, 19, 20, dan 29. Akurasi terendah terdapat pada kelas 7, 8, 12, 15, 16, 24, 25, dan 28.

45,56% 60% _3,33%

0% 20% 40% 60% 80% 100%

Riu2(8,2) Var(8,2) LBPV(8,2)

Ak

u

r

as

i

(13)

9

Akurasi terbaik pada ekstraksi

terdapat pada kelas 9, 11, 12, 15, 17, 21, 22, dan 27. Akurasi terendah terdapat pada kelas 13, 14, 23, 24, 25, 26, dan 30.

(a)

(b)

(c)

Gambar 11 Grafik akurasi fitur (a) , (b), , dan (c) . Sebaran bin hasil ekstraksi pada semua citra pada setiap kelas memiliki sebaran yang serupa sehingga peluang pada setiap bin memiliki peluang yang hampir sama. Citra kueri yang diidentifikasi juga memiliki sebaran bin yang mirip sehingga peluang

untuk setiap citra kueri hampir sama. Kesamaan sebaran bin pada setiap citra menyebabkan sangat berpengaruhnya frekuensi pada setiap bin. Kelas 9 memiliki frekuensi yang tinggi untuk setiap bin, sehingga terjadi dominasi. Oleh karena itu, rata-rata seluruh citra uji masuk ke kelas 9.

Citra yang berhasil dikenali dengan baik pada masing-masing fitur dapat dilihat pada Gambar 12. Kelas hasil ekstraksi menggunakan merupakan citra yang memiliki tekstur unik yaitu citra yang kemiripan teksturnya cukup jauh berbeda dengan kelas citra lain. Kelas hasil ekstraksi menggunakan merupakan citra yang memiliki tingkat kontras yang sangat tinggi.

Kelas hasil ekstraksi menggunakan merupakan citra yang bertekstur dan memiliki tingkat kontras yang sangat tinggi.

(a)

(b)

(c)

Gambar 12 Citra pada kelas yang memiliki akurasi terbaik pada fitur (a) (b) , dan (c) .

0 10 20 30 40 50 60 70 80 90 100

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

A

ku

ra

si

Kelas

Akurasi fitur LBPriu2 pada setiap kelas (%)

0 20 40 60 80 100

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

Ak

ur

a

si

Kelas

Akurasi fitur LBPVar pada setiap kelas (%)

0 20 40 60 80 100

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

A

ku

ra

si

Kelas

(14)

10

K l a s i f i k a s i K N N

Nilai K yang dipilih adalah 1, 3, 5, 7, 9, dan 11. Hasil klasifikasi menggunakan metode KNN dapat dilihat pada Gambar 13. Hasil akurasi tertinggi ditunjukkan pada jumlah tetangga terdekat satu (K=1). Ditunjukkan pada Gambar 13 bahwa semakin besar jumlah tetangga terdekat (K) pada ketiga fitur maka akurasi semakin berkurang. Jumlah tetangga terdekat satu merupakan model klasifikasi paling baik. Rata-rata akurasi terbaik didapatkan pada fitur . Akurasi terbaik yaitu sebesar 72.22%. Akurasi ini didapatkan pada fitur menggunakan teknik klasifikasi KNN dengan satu tetangga terdekat (K = 1).

Berdasarkan grafik dapat dilihat, semakin banyak tetangga (K) maka tingkat akurasinya semakin berkurang. Hal ini dipengaruhi oleh sebaran vektor uji dan vektor latih hasil ekstraksi. Pada tetangga terdekat K = 1 sudah cukup mencirikan kemiripan vektor, namun semakin banyak jumlah tetangga kemiripan tersebut semakin kabur.

Akurasi teknik KNN dengan satu tetangga terdekat pada setiap fitur ditunjukkan pada Tabel 2. Ekstraksi fitur menggunakan menghasilkan akurasi sebesar 63.33%, sedangkan fitur mampu menghasilkan akurasi sebesar 64.40%. Terakhir, ekstraksi fitur menggunakan menghasilkan akurasi sebesar 72.22%.

Selanjutnya ditunjukkan akurasi perkelas pada fitur yang memiliki akurasi tertinggi, yaitu . Pada Gambar 14 ditunjukkan akurasi dari setiap kelas untuk fitur menggunakan klasifikasi KNN dengan satu tetangga terdekat (K=1).

Tabel 2 Akurasi KNN (K=1)

Fitur Ekstraksi Akurasi

63.33%

64.40%

72.22%

Gambar 13 Grafik perbandingan akurasi menggunakan teknik klasifikasi KNN pada tiga fitur.

(a)

(b)

(c)

Gambar 14 Grafik perbandingan akurasi setiap kelas pada fitur (a) (b) , dan (c) .

0% 50% 100%

Riu2(8,2) Var(8,2) LBPV(8,2)

Akur

a

si

Fitur LBP Akurasi KNN

K=1 K=3 K=5 K=7 K=9 K=11

0 20 40 60 80 100

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

A ku ra si ( % ) Kelas Fitur LBPV Klasifikasi KNN (K = 1)

0 20 40 60 80 100

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

A ku ra si Kelas Fitur LBPVar Klasifikasi KNN (K = 1)

0 20 40 60 80 100

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

(15)

11

K l a s i f i k a s i K N N + N B

Akurasi teknik klasifikasi KNN+NB pada citra tanaman hias dapat dilihat pada Gambar 15. Hasil akurasi tertinggi ditunjukkan pada jumlah tetangga terdekat satu (K=1). Akurasi tertinggi untuk fitur , dan ditunjukkan pada satu tetangga terdekat (K = 1). Akurasi tertinggi dihasilkan pada fitur ekstraksi ciri dengan menggunakan klasifikasi KNN pada satu tetangga terdekat (K = 1). Akurasinya sebesar 72.22%.

Gambar 15 Grafik perbandingan tiga fitur LBP pada K berbeda dengan teknik klasifikasi KNN+NB.

Perbandingan akurasi teknik klasifikasi KNN+NB ditunjukkan pada Gambar 16. Pada Gambar 16, untuk K = 1, hasil KNN+NB sama dengan KNN. Hal ini dikarenakan saat tetangga terdekat berjumlah satu (K = 1), perhitungan NB pada metode KNN+NB akan menghitung kepemilikan satu tetangga terdekat yang sudah pasti berada pada kelas yang sama dengan tetangga tersebut.

Hasil akurasi penggabungan metode KNN+NB sangat dipengaruhi oleh hasil metode pertama yang digunakan, yaitu KNN. Penambahan metode NB pada metode KNN, rata-rata dapat meningkatkan akurasi untuk jumlah tetangga lebih dari satu. Namun, hasil ini tidak melebihi akurasi metode KNN untuk K = 1. Penggabungan metode ini mampu meningkatkan akurasi metode NB.

(a)

(b)

(c)

Gambar 16 Grafik perbandingan akurasi KNN dan KNN+NB untuk fitur (a) (b) , dan (c) .

K l a s i f i k a s i P N N

Akurasi teknik klasifikasi PNN ditunjukkan pada Gambar 17. Fitur menghasilkan tingkat akurasi tertinggi dibandingkan fitur dan . 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

Riu2(8,2) Var(8,2) LBPV(8,2)

A

ku

ra

si

Fitur LBP

Hasil Akurasi KNN+NB

K=1 K=3 K=5 K=7 K=9 K=11

0% 20% 40% 60% 80% 100%

K=1 K=3 K=5 K=7 K=9 K=11

A

ku

ra

si

K - tetangga terdekat

Fitur LBPriu KNN KNN+NB 0% 20% 40% 60% 80% 100%

K=1 K=3 K=5 K=7 K=9 K=11

A

ku

ra

si

K - tetangga terdekat

Fitur LBPvar KNN KNN+NB 0% 20% 40% 60% 80% 100%

K=1 K=3 K=5 K=7 K=9 K=11

A

ku

ra

si

K- tetangga terdekat

Fitur LBPV

(16)

12

Gambar 17 Perbandingan akurasi teknik

klasifikasi PNN pada tiga fitur LBP.

Perbandingan akurasi perkelas menggunakan teknik klasifikasi PNN pada fitur , dan ditunjukkan pada Gambar 19. Pada fitur dihasilkan akurasi terbaik oleh kelas 2, 3, 4, 7, 17, 18, 19, 20, 21, dan 22. Ekstraksi fitur menggunakan memberikan akurasi terbaik pada kelas 1, 2, 3, 4, 7, 8, 9, 10, 11, 12, 17, 27, dan 29. Terakhir, kelas yang dapat menghasilkan akurasi terbaik pada ekstraksi fitur adalah kelas kelas 1, 2, 3, 4, 7, 8, 9, 10, 11, 12, 17, 27, dan 29.

Citra uji kelas 2, 3, 4, dan 7 selalu memiliki akurasi tinggi ditunjukkan pada Gambar 18 (a). Citra uji kelas 26 selalu memiliki akurasi rendah pada ketiga fitur ditunjukkan pada Gambar 18 (b). Citra uji ini tidak dapat teridentifikasi dengan baik. Penyebabnya, citra kelas ini memiliki latar yang kompleks, sehingga terjadi kesalahan identifikasi.

(a)

(b)

Gambar 18 Citra uji (a) kelas akurasi tertinggi dan (b) kelas akurasi terendah (Asplenium nidus).

(a)

(b)

(c)

Gambar 19 Perbandingan akurasi perkelas menggunakan teknik klasifikasi PNN pada fitur (a) _(b)_{, dan (c)} .

P e r b a n d i n g a n a k u r a s i me t o d e

P N N , K N N , N a ï v e B a y e s , d a n

K N N + N B

Perbandingan akurasi teknik NB, KNN, KNN+NB, dan PNN untuk fitur , dan ditunjukkan pada Gambar 20. Akurasi perkelas pada teknik klasifikasi PNN, KNN, KNN+NB, dan NB ditunjukkan pada Gambar 21.

67,78% 66,67% 72,22%

0% 20% 40% 60% 80% 100%

Riu2(8,2) Var(8,2) LBPV(8,2)

Akur

a

si

Fitur LBP Hasil Akurasi PNN

0 20 40 60 80 100

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

Akur a si (% ) Kelas LBPriu2 Klasifikasi PNN 0 20 40 60 80 100

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

Akur a si (% ) Kelas LBPVar Klasifikasi PNN 0 20 40 60 80 100

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

(17)

13

(a)

(b)

(c)

Gambar 20 Grafik perbandingan keempat teknik klasifikasi menggunakan fitur (a) (b) , dan (c) .

Secara umum teknik klasifikasi PNN memberikan akurasi yang baik. Teknik klasifikasi PNN dapat memberikan akurasi tertinggi untuk fitur dan , serta akurasi yang sama untuk fitur . Pada teknik klasifikasi PNN terdapat lapisan-lapisan yang dilatih untuk mengenali pola, sehingga terjadi generalisasi dari karakter-karakter yang dikombinasikan untuk mendapat peluang tertinggi.

Pada fitur , teknik klasfikasi KNN, KNN+NB, dan PNN memberikan akurasi yang sama, yaitu 72.22%. Fitur ini menghasilkan akurasi tertinggi. Ekstraksi fitur pada melengkapi pola-pola

tekstur spasial lokal yang memainkan peranan penting pada texture discrimination,

sehingga rotation invariant (tidak sensitif terhadap posisi dan orientasi) dan tahan terhadap perubahan pencahayaan. Hasil ekstraksi mampu menjadi penciri tekstur terbaik dibandingkan dan .

(a)

(b)

(c)

Gambar 21 Perbandingan akurasi perkelas fitur LBPV teknik klasifikasi (a) PNN, (b) KNN, (c) KNN+NB, (d) Naïve Bayes.

45,56

63,33 63,33 67,78

0,00 10,00 20,00 30,00 40,00 50,00 60,00 70,00 80,00 90,00 100,00

NB KNN KNN+NB PNN

A ku ra si ( % ) Teknik Klasifikasi

Perbandingan Akurasi LBPriu

60,00 64,40 64,40 66,67

0,00 10,00 20,00 30,00 40,00 50,00 60,00 70,00 80,00 90,00 100,00

NB KNN KNN+NB PNN

Perbandingan Akurasi LBPvar

3,33

72,22 72,22 72,22

0,00 10,00 20,00 30,00 40,00 50,00 60,00 70,00 80,00 90,00 100,00

NB KNN KNN+NB PNN

Perbandingan Akurasi LBPV

0 50 100

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

Akur a si (% ) Kelas Fitur LBPV Klasifikasi PNN 0 50 100

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

Akur

a

si

Kelas Fitur LBPV Klasifikasi KNN (K = 1)

0 50 100

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

Akur

a

si

Kelas Fitur LBPV Klasifikasi KNN+NB (K = 1)

0 50 100

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

Akur

a

si

(18)

14

Teknik klasifikasi KNN dan PNN

memberikan akurasi yang sama, yaitu 72.22%. Kelas yang memiliki akurasi tertinggi pada teknik klasifikasi KNN adalah kelas 4, 5, 6, 7, 11, 12, 14, 17, 18, 19, dan 25. Kelas yang memiliki akurasi tertinggi pada teknik klasifikasi PNN adalah kelas 1, 2, 3, 4, 7, 8, 9, 10, 11, 12, 17, 27, dan 29.

Kelas yang selalu memiliki akurasi terbaik pada klasifikasi PNN, KNN, dan KNN+NB adalah kelas 4, 7, 11, 12, dan 17. Citra pada kelas ini memiliki tekstur dan kontras yang berbeda pada kelas-kelas lainnya sehingga tidak salah teridentifikasi ke dalam kelas lain. Di sisi lain, kelas yang selalu memiliki akurasi terendah terdapat pada kelas 23. Kelas ini memiliki latar citra yang kompleks dan kemiripan yang tinggi dengan kelas 22 dan 20. Citra kelas dengan akurasi tinggi dan rendah dapat dilihat pada Gambar 22.

(a)

(b)

Gambar 22 Citra dengan akurasi tinggi (a) kelas 4, 7, 11, 12, dan 17, dan citra dengan akurasi rendah (b) kelas 23 teridentifikasi ke kelas 22 dan 20.

KESIMPULAN

DAN

SARAN

K e s i mp u l a n

Penelitian ini melakukan perbandingan

classifier untuk identifikasi tanaman hias

berdasarkan ciri tekstur. Metode ekstraksi ciri tekstur yang digunakan adalah , dan dengan probabilistic

neural network (PNN), K-nearest neighbor

(KNN), Naïve Bayes (NB), serta penggabungan metode klasifikasi KNN+NB sebagai metode klasifikasi.

Teknik klasifikasi PNN memberikan akurasi tertinggi untuk fitur dan . Secara umum, ekstraksi fitur mampu memberikan tingkat akurasi tertinggi. Akurasi sebesar 72.22% ini dihasilkan pada teknik klasifikasi KNN, KNN+NB, dan PNN.

Penggabungan metode KNN+NB mampu meningkatkan akurasi metode klasifikasi. Penggabungan metode KNN+NB sangat dipengaruhi hasil klasifikasi KNN. Pada jumlah tetangga terdekat (K) lebih dari satu, rata-rata teknik klasifikasi KNN+NB dapat meningkatkan akurasi KNN.

S a r a n

Database citra tanaman hias yang

digunakan pada penelitian ini terbatas sebaiknya diperbanyak. Ekstraksi ciri dengan penggabungan operator atau fuzzy LBP dapat dilakukan. Untuk penelitian selanjutnya, dapat digunakan teknik klasifikasi Multilayer

Perceptron Neural Network.

DAFTAR

PUSTAKA

Acharya T, Ray AK. 2005. Image Processing

Principles and Applications. New Jersey :

John Willey & Sons, Inc.

Bishop, CM. 2006. Pattern Recognition and

Machine Learning. New York : Springer.

[BPS] Badan Pusat Statistik. 2011. Produksi Tanaman Hias di Indonesia. www.bps.go.id [3 Agustus 2011].

(19)

14

(a)

(b)

KESIMPULAN

DAN

SARAN

S a r a n

DAFTAR

PUSTAKA

(20)

PERBANDINGAN CLASSIFIER UNTUK IDENTIFIKASI

CITRA TANAMAN HIAS

WINDY WIDOWATI

G64070062

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(21)

14

(a)

(b)

KESIMPULAN

DAN

SARAN

S a r a n

DAFTAR

PUSTAKA

(22)

15

Giacinto G, Roli F. 1997. Adaptive selection

of image classifiers. Di dalam: Springer

Verlag Lecture Notes in CS Vol. 1310.

Prosiding ICIAP. Halaman 38–45. Han J, Kamber M. 2001. Data Mining :

Concept and Technique. USA: Morgan Kaufmann Publishers.

Kulsum, LU. 2010. Identifikasi Tumbuhan Hias secara Otomatis Menggunakan Metode Local Binary Pattern Descriptor

dan Probabilistic Neural Network.

[Skripsi]. Institut Pertanian Bogor. Li YH, Jain AK. 1998. Classification of Text

Document. Department of Computer

Science and Engineering Michigan State University.

Mäenpää T. 2003. The Local Binary Pattern

Approach to Texture Analysis. Oulu: Oulu

University Press.

Mäenpää T, et al. 2002. Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Pattern. IEEE Transactions on PAMI 24: 2037-2041.

Manning CD, et al. 2008. Introduction to

Information Retrieval. New York:

Cambridge University Press.

Nurafifah. 2010. Penggabungan Ciri Morfologi, Tekstur, dan Bentuk untuk Identifikasi Daun Menggunakan

Probabilistic Neural Network. [Skripsi].

Intitut Pertanian Bogor.

Pietikainen M, et al. 2006. Face Description with Local Binary Patterns: Application

to Face Recognition. University of Oulu,

Finland.

Rodrigues PS, Araujo AA. 2004. A Bayesian Network Model Combining Color, Shape, and Texture Information to Improve

Content Base Image Retrieval Systems.

Petropolis: LNCC.

Tan PN, et al. 2005. Introduction to Data

Mining. US: Addison Wesley.

Wu SG, et al. 2007. A Leaf Recognition Algorithm for Plant Using Probabilistic

Neural Network. China: Chinese

Academy Science.

Zhang D, et al. 2009. Rotation Invariance

Texture Classification Using LBP

variance (LBPV) with Global Matching.

(23)

PERBANDINGAN CLASSIFIER UNTUK IDENTIFIKASI

CITRA TANAMAN HIAS

WINDY WIDOWATI

G64070062

(24)

ABSTRACT

WIDOWATI, WINDY. Classifier Comparison for Ornamental Plant Image Identification. Under the supervision of YENI HERDIYENI.

The use of an appropriate classification technique significantly determines the result of the identification process. In this research, we perform comparison of classification techniques for the identification of ornamental plants. The classification techniques used are Probabilistic Neural Network (PNN), K-Nearest Neighbor (KNN), Naive Bayes (NB) and the combination of K- Nearest Neighbor and Naive Bayes. We use 300 images of ornamental plants, consisting of 30 different types of plants. Plant image features are extracted using texture extraction technique, called Local Binary Pattern (LBP). The best performance was shown by the classification technique using PNN, KNN, and the combination of KNN and NB, with an accuracy of 72.22%. This result provides a promising prospect for an effective and efficient ornamental plants identification system.

(25)

PERBANDINGAN CLASSIFIER UNTUK IDENTIFIKASI

CITRA TANAMAN HIAS

WINDY WIDOWATI

G64070062

Skripsi

Sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer pada

Departemen Ilmu Komputer

(26)

Judul Penelitian : Perbandingan Classifier untuk Identifikasi Citra Tanaman Hias Nama : Windy Widowati

NRP : G64070062

Tanggal Lulus:

Menyetujui:

Pembimbing

Dr. Yeni Herdiyeni, S.Si., M.Kom.

NIP 19750923 200012 2 001

Mengetahui:

Ketua Departemen Ilmu Komputer

Dr.Ir. Sri Nurdiati, M.Sc.

(27)

PRAKATA

Alhamdulillahi Rabbil ‘alamin, puji syukur penulis panjatkan kepada Allah Subhanahu wa

Ta’ala atas berkat taufiq, hidayah, serta innayyah-Nya sehingga tugas akhir dengan judul Perbandingan Classifier untuk Identifikasi Citra Tanaman Hias dapat diselesaikan. Penelitian ini dilaksanakan mulai Februari 2011 sampai dengan Agustus 2011, bertempat di Departemen Ilmu Komputer.

Penulis juga menyampaikan ucapan terima kasih kepada:

1 Ibu Dr. Yeni Herdiyeni, S.Si., M.Kom. selaku dosen pembimbing yang telah memberikan arahan dan bimbingan dengan sabar kepada penulis dalam menyelesaikan penelitian ini, 2 Orang tua tercinta, Siti Yulia Ismail (Mutter) dan Ismail Basoeki (Babeh), serta kakak, Khalista

Isliadianti (Itul) dan Khalisna Isliadiani (Inul) yang telah memberikan do’a, kasih sayang, dan dukungan baik moril maupun materil kepada penulis,

3 Bapak Toto Haryanto, S.Kom., M.Si. dan Bapak Hari Agung Adrianto, S.Kom., M.Si. selaku dosen penguji,

4 Dimpy Adira Ratu, Iyos Kusmana, Fanny Risnuraini, Yoga Herawan, Kristina Paskianti, Ella Rizkita, Fani Valerina, serta Mba Vira dan Mba Poetri sebagai rekan satu bimbingan yang selalu memberikan masukan, saran, dan semangat kepada penulis,

5 Windy Wahyu A.I, Chandra Wangsa Setiadipura, dan Arizal Notyasa, atas bantuan dan dukungannya dalam menyelesaikan tugas akhir ini,

6 Nur Nissa A.D, Abi Panca Gumilang, Ni Made Febryantini, Rani Dwijayanti, Ana Maulida, dan Ria Astriratma, serta rekan-rekan ILKOMERZ 44 atas kebersamaan dan kekompakkannya selama ini,

7 serta seluruh pihak yang turut membantu dalam penyelesaian penelitian ini.

Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan skripsi ini. Semoga skripsi ini bermanfaat.

Bogor, Agustus 2011

(28)

RIWAYAT HIDUP

Penulis dilahirkan di Jakarta tanggal 29 Desember 1989. Penulis yang merupakan anak ketiga dari tiga bersaudara ini, dilahirkan dari pasangan Siti Yulia dan Ismail Basoeki. Pada tanggal 2 Juli 2007 penulis diterima sebagai mahasiswa program studi Ilmu Komputer, Institut Pertanian Bogor (IPB). Penulis aktif di organisasi International Association of Students in Agricultural and

Related Sciences dan menjabat sebagai Bendahara External pada tahun 2008. Penulis mengikuti

(29)

iv

DAFTAR ISI

Halaman DAFTAR GAMBAR ... v PENDAHULUAN... 1

Latar Belakang ... 1 Tujuan Penelitian ... 1 Ruang Lingkup Penelitian ... 1

TINJAUAN PUSTAKA ... 1 Ekstraksi ciri ... 1

Local Binary Pattern ... 1

Rotation Invariant Uniform Patterns ... 2

Rotation Invariant Variance Measure ... 2 LBP Variance ... 2 Klasifikasi ... 3

Naïve Bayes ... 3

K-Nearest Neighbor ... 3

Adaptive Classifier Combination... 4

Probabilistic Neural Network ... 4

Confusion Matrix ... 5

METODE PENELITIAN ... 5

Data Penelitian ... 5 Praproses ... 5 Ekstraksi Ciri Tekstur ... 6 Proses Klasifikasi ... 6 Evaluasi Hasil Klasifikasi... 7 Lingkungan Pengembangan ... 7

HASIL DAN PEMBAHASAN ... 7 Hasil Praproses ... 7 Hasil Ekstraksi Tekstur... 7 Klasifikasi Citra Tanaman Hias ... 8 Klasifikasi Naïve Bayes ... 8 Klasifikasi KNN ... 10 Klasifikasi KNN+NB ... 11 Klasifikasi PNN ... 11 Perbandingan akurasi metode PNN, KNN, Naïve Bayes, dan KNN+NB... 12

KESIMPULAN DAN SARAN ... 14 Kesimpulan ... 14 Saran ... 14

(30)

v

DAFTAR GAMBAR

Halaman 1 Circular neighborhood (8,2) ... 2 2 Rotation Invariant LBP ... 2 3 Tekstur uniform pattern ... 2 4 Ilustrasi teknik klasifikasi KNN... 4 5 Ilustrasi teknik klasifikasi KNN+NB ... 4 6 Struktur PNN ... 5 7 Metode penelitian identifikasi citra menggunakan KNN, NB, dan PNN ... 6 8 Praproses citra Bromelia kirkii. ... 7 9 Histogram hasil ekstrasi (a) , (b) , (c) descriptor citra tanaman

hias Bromelia kirkii ... 8 10 Grafik perbandingan akurasi teknik klasifikasi Naïve bayes pada tiga fitur ... 8 11 Grafik akurasi fitur (a) , (b), dan (c) ... 9 12 Citra pada kelas yang memiliki akurasi terbaik pada fitur (a) (b) , dan

(c) ... 9 13 Perbandingan akurasi menggunakan teknik klasifikasi KNN pada tiga fitur ... 10 14 Grafik perbandingan akurasi setiap kelas pada fitur (a) (b) , dan

(c) ... 10 15 Grafik perbandingan tiga fitur LBP pada K berbeda dengan teknik klasifikasi KNN+NB .... 11 16 Grafik perbandingan akurasi KNN dan KNN+NB untuk fitur (a) (b) ,

dan (c) . ... 11 17 Perbandingan akurasi teknik klasifikasi PNN pada tiga fitur LBP ... 12 18 Citra uji (a) kelas akurasi tertinggi dan (b) kelas akurasi terendah (Asplenium nidus) ... 12 19 Perbandingan akurasi perkelas menggunakan teknik klasifikasi PNN pada fitur

(a) (b) , dan (c) ... 12 20 Grafik perbandingan keempat teknik klasifikasi menggunakan fitur (a) (b) ,

dan (c) ... 13 21 Perbandingan akurasi perkelas (a) PNN, (b) KNN, (c) KNN+NB, dan (d) Naïve Bayes ... 13 22 C