EKSTRAKSI TEKS
DAN MULTI-BLO
IDENT
DEPAR
FAKULTAS MATEMA
INSTI
STUR CITRA MENGGUNAKAN GAU
LOCK LOCAL BINARY PATTERN UNT
NTIFIKASI TUMBUHAN OBAT
FANNY RISNURAINI
ARTEMEN ILMU KOMPUTER
MATIKA DAN ILMU PENGETAHUAN
STITUT PERTANIAN BOGOR
BOGOR
2011
USSIAN
TUK
ABSTRACT
FANNY RISNURAINI. Extraction of Image Texture Using Gaussian and Multi-Block Local Binary Pattern for Medicinal Plants Identification. Under the supervision of YENI HERDIYENI.
Plants identification automatically is still a uses for recognizing various kinds of house plant species and medicinal plants. This research uses a method Multi-Block Local Binary Pattern (MBLBP) descriptor to extract texture feature and Probabilistic Neural Network (PNN) classifying for identifying a house plants and medicinal plants automatically. There are three kinds of MBLBP descriptor used in this research, i.e., , , , , and , . For training and testing, this research uses database of 1440 medicinal plant leaf images and 300 tree images belonging to 30 different types and obtained from Biofarmaka IPB, Cikabayan Farm, Green house Center Ex-Situ Conservation of Medicinal Plant Indonesia Tropical Forest, and Gunung Leutik. The experimental result shows that the concatination of , has the best accuracy in identifying house plants with an accuracy of 77.78%. It shows that MBLBP method is better than LBP method in identifying house plants based on the increase accuracy by 4.45%.
EKSTRAKSI TEKSTUR CITRA MENGGUNAKAN GAUSSIAN
DAN MULTI-BLOCK LOCAL BINARY PATTERN UNTUK
IDENTIFIKASI TUMBUHAN OBAT
FANNY RISNURAINI
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
Judul : Ekstraksi Tekstur Citra Menggunakan Gaussian dan Multi-Block Local Binary Pattern
untuk Identifikasi Tumbuhan Obat Nama : Fanny Risnuraini
NRP : G64070023
Menyetujui:
Pembimbing
Dr. Yeni Herdiyeni, S.Si., M.Kom. NIP 19750923 200012 2 001
Mengetahui:
Ketua Departeman Ilmu Komputer Institut Pertanian Bogor
Dr. Ir. Sri Nurdiati, M.Sc. NIP 19601126 198601 2 001
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah SWT yang telah memberikan rahmat-Nya sehingga sehingga penulis dapat menyelesaikan tugas akhir yang berjudul Ekstraksi Tekstur Citra Menggunakan Gaussian dan Multi-Block Local Binary Pattern untuk Identifikasi Tumbuhan Obat dengan lancar dan baik. Penelitian ini dilaksanakan mulai Maret 2011 sampai dengan Agustus 2011, bertempat di Departemen Ilmu Komputer.
Dalam menyelesaikan tugas akhir ini, banyak pihak yang telah memberikan bentuan baik yang bersifat moral maupun materi. Atas bentuan tersebut, penulis mengucapkan terima kasih kepada :
1. Ayahanda dan ibunda tercinta, serta adik-adikku atas semua nasehat, kasih sayang, do’a yang tulus, kesabaran, serta kata-kata bijak yang dapat menjadikan motivasi dan inspirasi, 2. Ibu Dr. Yeni Herdiyeni. S.Si., M.Kom, selaku dosen pembimbing yang telah banyak
meluangkan waktunya untuk memberikan pengarahan dan saran,
3. Ibu Dr. Ir. Sri Nurdiati, M.Sc dan Bapak Aziz Kustiyo S.Si., M.Kom selaku penguji yang telah memberi banyak masukan terhadap tugas akhir yang saya kerjakan,
4. Teman satu Laboratorium CI yaitu Fani Valerina, Iyos Kusmana, Dimpy Adira Ratu, Windy Widowati, Yoga Herawan, Kristina Paskianti dan Ella Rizkita. Terima kasih sudah memberi dukungan, perhatian, saran, kerjasamanya, pengertian dan waktunya,
5. Arif Nofyan Syah, Monica, Puput Yanita Senja, dan Ade Irma. Terima kasih atas pengetian, kasih sayang, saran, kehangatan, kritik, dukungan, perhatian dan waktunya,
6. Yoga Permana, Fani Wulandari, Yuridhis Kurniawan, Kristina P, Ira Nurazizah, Ria Astriratma, Inne Larasati, Aprilia Ramadhina, Laras M. Diva, Tri Setiowati, Woro Indriyani, Ayi Immaduddin, Fadly Hilman, Huswantoro Anggit, Wiwiek Dewi, A, Dedek A, Sulma Mardiah dan rekan-rekan ilkomerz 44 atas persahabatan, bantuan, doa, dukungan dan semangat yang selalu diberikan selama kuliah hingga penelitian ini selesai, serta kebersamaan yang diberikan selama 3 tahun ini,
7. Seluruh pihak yang turut membantu dalam penyelesaian penelitian ini baik secara langsung ataupun tidak.
Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan skripsi ini. Semoga tulisan ini dapat memberikan manfaat bagi para pembacanya. Terima kasih.
Bogor, Agustus 2011
iv RIWAYAT HIDUP
Penulis dilahirkan di Jakarta pada tanggal 21 Juni 1989 merupakan anak pertama dari tiga bersaudara dari ayahanda bernama Risdal dan ibunda bernama Nurlaila.
Penulis pada tahun 2007 lulus dari Sekolah Menengah Atas (SMA) 12 Jakarta Timur. Pada tahun yang sama, penulis melanjutkan pendidikan di Institut Pertanian Bogor (IPB) melalui jalur Ujian Seleksi Masuk IPB (USMI) dan diterima sebagai mahasiswi Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Penulis pernah menjadi asisten praktikum Rangkaian Digital pada tahun 2009, asisten praktikum Basis Data, Sistem Operasi, dan Rekayasa Perangkat Lunak pada tahun 2010, serta asisten Penerapan Komputer, asisten Rekayasa Perangkat Lunak, dan asisten Basis Data pada tahun 2011.
v DAFTAR ISI
Halaman
DAFTAR GAMBAR ... vii
DAFTAR TABEL ... viii
PENDAHULUAN ... 1
Latar Belakang ... 1
Tujuan Penelitian ... 1
Ruang Lingkup Penelitian ... 2
Manfaat Penelitian ... 2
TINJAUAN PUSTAKA ... 2
Pohon ... 2
Daun ... 2
Ekstraksi Fitur ... 2
Tekstur ... 2
Image Enhancement ... 2
Gaussian Filtering ... 2
Multi-Block Local Binary Pattern ... 3
Local Binary Pattern ... 4
Rotation Invariant ... 5
Uniform Patterns ... 5
Rotation Invariant Uniform Patterns ( , ) ... 5
Rotation Invariant Variance Measure (LBPVar) ... 6
LBP Variance (LBPV) ... 6
Penggabungan Operator ... 6
Probabilistic Neural Network (PNN) ... 6
METODE PENELITIAN ... 7
Data Citra Tumbuhan ... 7
Praproses ... 7
Image Enhancement dengan Gaussian ... 7
Ekstraksi Tekstur dengan Local Binary Pattern ... 7
Ekstraksi Tekstur dengan Multi-Block Local Binary Pattern ... 9
Penggabungan Operator ... 10
Klasifikasi dengan Probabilistic Neural Network (PNN) ... 11
Pengujian Sistem ... 11
Perangkat Keras dan Perangkat Lunak ... 11
HASIL DAN PEMBAHASAN ... 11
Hasil Praproses ... 11
Image Enhancement dengan Gaussian ... 12
Hasil Ekstraksi Tekstur dengan , , , dan Penggabungan , ... 12
Hasil Ekstraksi Tekstur dengan LBP , , MBLBP , dan Penggabungan MBLBP , ... 13
Hasil Ekstraksi Tekstur dengan , , , dan Penggabungan , ... 14
Ekstraksi Tekstur Tumbuhan Obat ... 15
Identifikasi Citra Operator LBP ... 15
Identifikasi Citra Tanaman Hias Menggunakan Operator MBLBP dan Penggabungan Operator MBLBP ... 16
Identifikasi Citra Tumbuhan Obat Menggunakan Operator MBLBP………...17
Pengujian Data ... 18
KESIMPULAN……….18
Kesimpulan... 19
vi DAFTAR PUSTAKA ... 20
vii DAFTAR GAMBAR
Halaman
1 Plot perspektif pada kurva Gaussian. ... 3
2 Ilustrasi dari MBLBP fitur. ... 3
3 Circular neighborhood delapan ketetanggaan. ... 4
4 Berbagai macam ukuran sampling points dan radius. ... 4
5 Contoh operasi pada LBP. ... 4
6 Rotation Invariant LBP. ... 5
7 Tekstur Uniform Patterns. ... 5
8 Struktur PNN. ... 7
9 Metode Penelitian ... 8
10 Pembentukan histogram. ... 10
11 Hasil praproses citra daun (a) dan Hasil praproses citra pohon (b)... 12
12 Hasil image enhancement menggunakan Gaussian . ... 12
13 Citra Aglaonema sp (a), Histogram citra Aglaonema sp pada operator , (b), Histogram citra Aglaonema sp pada operator , (c) dan Histogram citra Aglaonema sp pada operator , + , (d). ...12
14 Citra Aglaonema sp (a), Histogram citra Aglaonema sp pada operator , (b), Histogram citra Aglaonema sp pada operator , (c), dan Histogram citra Aglaonema sp pada operator , + , (d). ...13
15 Citra Aglaonema sp (a), Histogram citra Aglaonema sp pada operator , (b), Histogram citra Aglaonema sp pada operator , (c), dan Histogram citra Aglaonema sp pada operator , + , (d). ...14
16 Citra Handeleum (a) dan Histogram citra Handeleum pada operator , + , (b). ...15
17 Perbandingan hasil identifikasi , , , dan penggabungan operator , . .. 17
18 Histogram citra tanaman hias pada operator , (a) , dan Histogram citra tanaman hias pada operator , (b). ... 17
19 Citra tanaman hias Dendrobium chaopraya moonlight (a), Citra tanaman hias Asplenium nidus (b), dan citra tanaman hias Begonia sp (c). ...17
20 Histogram citra tumbuhan obat pada operator , + , . ... 18
21 Tampilan ekstraksi pada sistem Herbalism (a), dan Tampilan identifikasi pada sistem Herbalism (b). ... 18
viii DAFTAR TABEL
Halaman
1 Operator LBP ... 8
2 Berbagai macam Operator MBLBP ... 9
3 Penggabungan operator pada , ... 10
4 Penggabungan operator pada , ... 11
5 Penggabungan operator pada , ... 11
6 Akurasi klasifikasi PNN tiga descriptor ... 15
7 Akurasi klasifikasi PNN seluruh MBLBP descriptor citra tanaman hias ... 16
DAFTAR LAMPIRAN Halaman 1 Tiga puluh jenis citra tanaman hias ... 22
2 Tiga puluh citra tumbuhan obat ... 26
1 PENDAHULUAN
Latar Belakang
Indonesia sebagai negara tropis memiliki keanekaragaman hayati yang sangat tinggi. Hal tersebut dapat dilihat dari beragamnya jenis flora yang terdapat di Indonesia dan membuat Indonesia termasuk ke dalam
sepuluh negara yang memiliki
keanekaragaman hayati tertinggi, atau dikenal dengan megadiversity country. Diketahui bahwa Indonesia memiliki keanekaragaman tumbuhan obat peringkat kedua di wilayah Asia Tenggara yang memiliki lebih dari 38.000 spesies tanaman (Bappenas 2003). Tahun 2001 Laboratorium Konservasi Tumbuhan, Fakultas Kehutanan IPB telah mendata dari berbagai laporan dan literatur tidak kurang dari 2039 spesies adalah tumbuhan obat (Zuhud 2009).
Menurut hasil penelitian, dari sekian banyak jenis tumbuhan obat hanya sekitar 20-22% yang telah dibudidayakan, sedangkan sekitar 78% diperoleh melalui pengambilan langsung dari hutan (Masyhud 2010). Proses pengidentifikasian tumbuhan dapat dilakukan dengan berbagai cara, di antaranya melalui taksonom dengan bantuan herbarium dan text book. Hal tersebut dapat dilakukan dengan membandingkan ciri dari herbarium terhadap objek aslinya, misalnya dengan identifikasi manual menggunakan organ generatif buah dan bunga akan diperoleh hasil dalam waktu yang cukup lama. Pada kenyataanya organ generatif buah dan bunga jarang ditemui dan tidak dapat diketahui waktu yang pasti kemunculannya. Organ vegetatif seperti daun yang kemudian banyak diteliti karena paling sering ditemui dalam waktu kapan pun. Pengidentifikasian tumbuhan juga dapat dilakukan melalui keseluruhan bagian tumbuhan atau pohon. Pengambilan citra pohon dapat memudahkan pengguna dalam karena tidak perlu memilih bagian tumbuhan secara spesifik.
Sistem yang mampu melakukan identifikasi tumbuhan secara automatis manjadi kebutuhan yang sangat penting pada masa sekarang. Beberapa sistem identifikasi tumbuhan melalui keseluruhan bagian tumbuhan (pohon) telah dikembangkan, salah satunya oleh Kulsum (2010) yaitu dengan penelitian Identifikasi Tanaman Hias Secara Automatis Menggunakan Metode Local
Binary Pattern Descriptor dan Probabilistic
Neural Network (PNN) dengan akurasi terbaik
mencapai 73,33%. Pada tahun 2011 telah dilakukan identifikasi citra daun tumbuhan obat menggunakan fitur citra morfologi, tekstur dan bentuk dengan klasifikasi PNN oleh Nurfadhilah (2011) dengan akurasi rata-rata fitur tekstur mencapai 53%.
Metode Local Binary Pattern (LBP) merupakan metode ekstraksi ciri berdasarkan ciri tekstur pada mode warna grayscale. Cara kerja LBP yaitu dengan membagi citra ke dalam beberapa local region dan mengektraksinya untuk mendapatkan pola biner lokal. LBP mempunyai kelebihan yaitu memiliki komputasi yang sederhana (Ahonen
et al. 2006) dan juga di dalam prosesnya
informasi spasial dan frekuensi distribusi masih dapat disimpan dengan baik. Namun LBP mempunyai beberapa keterbatasan yaitu hanya mampu mengkodekan mikrostruktur dari pola citra namun belum mampu mengkodekan makrostruktur dari pola citra yang mungkin terdapat fitur dominan di dalamnya.
Zhang et al. (2007) telah melakukan penelitian mengenai face recognition
menggunakan Multi-Block Local Binary
Pattern (MBLBP). MBLBP descriptor
merupakan metode ekstraksi ciri dengan mengkodekan intensitas area persegi dengan LBP operator, dan menghasilkan pola biner yang dapat menggambarkan perbedaan struktur lokal pada citra. MBLBP dapat menangkap struktur dalam skala besar yang mungkin menjadi fitur yang dominan dari citra.
Penelitian ini akan menggunakan objek citra tanaman hias dan tumbuhan obat dengan menerapkan metode Gaussian pada proses
image enhancement, menggunakan metode
Multi-Block Local Binary Pattern (MBLBP)
untuk ekstraksi ciri tekstur serta menggunakan
Probabilistic Neural Network (PNN) pada
proses klasifikasinya. Hasil dari penelitian ini akan dibandingkan dengan hasil penelitian yang dilakukan oleh Kulsum (2010).
Tujuan Penelitian
Tujuan penelitian ini adalah mengembangkan sistem identifikasi tumbuhan obat secara automatis menggunakan
Gaussian filtering dan Multi-Block Local
Binary Pattern descriptor serta Probabilistic
2 Ruang Lingkup Penelitian
Ruang Lingkup penelitian ini adalah:
1. Objek citra adalah data citra daun tumbuhan obat dan citra pohon tanaman hias di Indonesia.
2. Dalam penelitian ini operator MBLBP yang digunakan dalam penggabungan dibatasi paling banyak tiga.
Manfaat Penelitian
Manfaat dari penelitian ini adalah meningkatkan akurasi identifikasi tumbuhan berbasiskan citra sehingga dapat dilakukan identifikasi secara automatis.
TINJAUAN PUSTAKA
Pohon
Pohon merupakan sesuatu yang penting dalam penggambaran tumbuhan secara keseluruhan. Bagian dari pohon di antaranya daun, batang, bunga, buah, dan akar. Identifikasi tumbuhan melalui pohon dapat diketahui dengan mudah karena pohon menggambarkan keseluruhan bagian pada tumbuhan.
Daun
Daun merupakan salah satu organ tumbuhan yang umumnya berwarna hijau dan organ vegetatif yang tidak bergantung pada musim. Daun sangat cocok sebagai alat identifikasi tumbuhan karena jumlah daun yang sangat banyak dan dapat ditemui dalam waktu kapan pun, dibandingkan dengan organ lain seperti bunga dan buah.
Daun yang ada sangat bervariatif sehingga dapat digunakan sebagai penciri dari tumbuhan. Ciri-ciri daun yang dapat diambil di antaranya morfologi, tekstur, dan bentuk daun. Pengidentifikasian melalui tekstur daun harapannya akan lebih bagus untuk pengenalan tumbuhan.
Ekstraksi Fitur
Ekstraksi fitur adalah proses memperoleh fitur atau penciri dari suatu citra. Secara umum, fitur citra berupa warna, bentuk, dan tekstur. Acharya dan Ray (2005) mendefinisikan fitur bentuk sebagai pendeskripsi suatu objek yang bebas terhadap posisi, orientasi, dan ukuran. Fitur tekstur didefinisikan sebagai pengulangan pola atau
pola-pola yang terdapat pada suatu daerah bagian citra. Tekstur juga dapat membedakan permukaan dari beberapa kelas.
Tekstur
Tekstur adalah gambaran visual dari sebuah permukaan atau bahan. Tekstur dicirikan dengan variasi intensitas pada sebuah citra. Variasi intensitas dapat disebabkan oleh kekasaran atau perbedaan warna pada suatu permukaan. Selain itu tekstur juga merupakan properti dari area. Properti-properti dari tekstur citra meliputi: keseragaman, kepadatan, kekasaran, keberaturan dan frekuensi. Penampilan tekstur dipengaruhi oleh skala dan arah pandangan, serta lingkungan dan kondisi pencahayaan (Mäenpää 2003).
Image Enhancement
Prinsip dari perbaikan citra (image
enhancement) adalah memproses citra
sehingga menghasilkan citra yang lebih baik untuk digunakan daripada citra asli sebelumnya. Perbaikan citra dikategorikan menjadi dua yaitu perbaikan citra pada ruang spasial dan pada ruang frekuensi. Perbaikan citra pada ruang spasial merujuk pada citra tersebut dan pendekatan ini didasarkan pada memanipulasi langsung piksel dalam sebuah citra. Perbaikan citra pada ruang frekuensi didasarkan pada mengubah sebuah citra menggunakan modifikasi Fourier Transform
(Gonzales 2002).
Gaussian Filtering
Gaussian Filtering adalah salah satu
proses perbaikan citra bertujuan untuk menormalkan frekuensi distribusi dari suatu citra. Gaussian Filtering dapat diformulasikan sebagai berikut:
( , = ! "#$ (1)
3 Gambar 1 Plot perspektif pada kurva
Gaussian.
Tujuan dari penggunaan fungsi Gaussian pada perbaikan citra adalah memperhalus distribusi frekuensi yang dimiliki oleh citra. Pada citra wajah manusia Gaussian Filtering
dapat digunakan untuk mengurangi garis-garis halus pada kulit dan noda-noda kecil yang akhirnya citra tersebut akan terlihat lebih halus. Gonzales (2002) menyatakan bahwa
Gaussian filtering dapat digunakan pada
sistem analisis yang mencari untuk mencari fitur yang dominan pada suatu citra.
Multi-Block Local Binary Pattern
Multi-Block Local Binary Pattern adalah
metode mendeskripsikan tekstur pada mode warna grayscale dengan mengkodekan intensitas area persegi dengan LBP operator, dan menghasilkan pola biner yang dapat menggambarkan perbedaan struktur lokal pada citra. Li serta tim penelitinya pertama kali memperkenalkan MBLBP pada tahun 2007 untuk mengkodekan area persegi (
sub-region) menggunakan Local Binary Pattern
(LBP) operator pada proses pengenalan wajah. Dibandingkan dengan LBP asli yang dihitung berdasarkan 3x3 piksel ketetanggaan, MBLBP dapat mengambil struktur skala yang lebih luas yang mungkin menjadi fitur yang dominan dari struktur suatu citra (Huang et al. 2009).
Pada MBLBP perbandingan antara single
piksel LBP digantikan oleh nilai rata-rata dari
sub-regions. Sub-regions merupakan hasil
rata-rata dari single piksel yang berbentuk persegi. LBP mendefinisikan setiap piksel citra dan menggunakan 3x3 nilai piksel ketetanggaan dengan piksel pusat sebagai
thresholding. Nilai single piksel dari MBLBP
akan digantikan oleh nilai rata-rata piksel dari blok sub-regions. Pembobotan MBLBP diperoleh dengan membandingkan nilai
sub-region piksel pusat ( & dengan ketetanggaan
sub-regions yang lain ' (, ) , *.
Pembobotan yang diperoleh adalah pembobotan biner. Ilustrasi dari MBLBP dapat dilihat pada Gambar 2.
Gambar 2 Ilustrasi dari MBLBP fitur.
Pada Gambar 2 nilai threshold dari
sub-regions yang pertama sebesar 6.67, setelah
dilakukan thresholding akan menghasilkan pola MBLBP yaitu 00111100 yang akan dikalikan dengan pembobotan biner sesuai dengan posisi piksel ketetanggaan tersebut berada maka nilai MBLBP sebesar 60.
Nilai dari MBLBP dari diformulasikan sebagai berikut:
Gambar 2 menunjukkan operasi dasar MBLBP. Nilai MBLBP dapat dihasilkan dengan mengalikan nilai piksel yang telah melalui proses thresholding dan pembobotan biner sesuai dengan posisi piksel ketetanggan tersebut berada. Pola-pola biner pada MBLBP merepresentasikan berbagai struktur pola citra seperti pola tepi, titik, garis, flat areas, dan
corner, pada lokasi dan skala yang berbeda.
Selanjutnya kode MBLBP
4 Setelah mendapatkan nilai MBLBP pada
satiap ketetanggaan (blok(3, :)), keseluruhan tekstur citra direpresentasikan dengan membentuk histogram dengan formula sebagai berikut: dengan K merupakan nilai MBLBP terbesar.
MBLBP bekerja menggunakan delapan ketetanggan yang tersebar melingkar (circular
neighborhoods) dengan pusat piksel berada di
tengah seperti ditunjukkan oleh Gambar 3. Notasi merupakan nilai grey-level dari
sub-region piksel ketetanggaan.
Gambar 3 Circular neighborhood delapan ketetanggaan.
Terdapat berbagai macam operator MBLBP dengan berbagai ukuran sampling
points dan radius yang ditunjukkan pada
Gambar 4. Beragamnya operator ini digunakan untuk membuat 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.
(8,1) (16,2) (8,2)
Gambar 4 Berbagai macam ukuran sampling points dan radius.
Local Binary Pattern
Local Binary Pattern (LBP) merupakan
metode ekstraksi dengan menjumlahkan struktur lokal pada citra yang bekerja pada mode warna grayscale. LBP pertama kali diperkenalkan pada tahun 1996 oleh Timo Ojala. LBP digunakan untuk mencari pola-pola tekstur lokal pada citra (texture in local
neighborhood) (Mäenpää 2003). LBP banyak
diterapkan pada banyak aplikasi di antaranya pada image retrieval, face detection, facial
expression analysis dan berbagai macam
aplikasi lainnya.
LBP bekerja menggunakan delapan ketetanggaan yang tersebar secara melingkar
(circular neighborhoods) dengan pusat piksel
berada di tengah. Rataan seluruh piksel (piksel ketetanggaan dan piksel pusat) digunakan sebagai nilai ambang batas (threshold). Nilai LBP dihasilkan dengan mengalikan nilai piksel yang telah melalui tahap pemotongan dengan pembobotan biner sesuai posisi piksel ketetanggaan tersebut berada.
Gambar 5 Contoh operasi pada LBP.
Gambar 5 menunjukkan operasi dasar LBP. Perbedaan mendasar di antara MBLBP dengan LBP adalah struktur lokal pada MBLBP direpresentasikan oleh nilai rata-rata dari setiap sub-regions, sedangkan pada LBP struktur lokal direpresentasikan oleh nlai
single piksel. Pola-pola biner LBP
merepesentasikan bermacam-macam pola tepi, titik, flat areas, dan sebagainya. Nilai LBP menunjukkan kode local binary pattern.
LBP dapat diformulasikan sebagai berikut:
LBP I,J ( &, & = piksel ketetanggaan, N adalah circular
sampling points, adalah banyaknya
sampling points, Ladalah nilai keabuan dari
N, μ adalah nilai rata-rata piksel ketetanggaan dan piksel pusat, dan - adalah sign (kode biner).
5
dengan K merupakan nilai LBP terbesar.
Operator LBP mengalami perkembangan
dengan dimodelkannya operator
menggunakan berbagai ukuran sampling
points dan radius. Beragamnya operator ini
digunakan untuk membuat 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.
LBP pada dasarnya hanya dapat mengkodekan pola mikrostruktur dari suatu citra. Hal tersebut mengakibatkan citra tanaman yang memiliki daun yang jarang sulit dikenali, karena makrokstuktur dari suatu citra belum dapat teridentifikasi dengan baik.
Multi-Block Local Binary Pattern (MBLBP)
merupakan suatu metode ekstraksi ciri dengan mengkodekan area persegi citra dengan LBP operator untuk mengetahui pola makrostrukstur dari suatu citra.
Rotation Invariant
Struktur piksel ketetanggaan LBP berbentuk melingkar, untuk itu dibuat suatu cara agar pola-pola LBP tidak sensitif terhadap perubahan rotasi. Istilah ini dinamakan rotation invariant.
Contoh: LBP = 00001111 = 15 dapat direpresentasikan dengan circular
neighborhood pada Gambar 6.
Gambar 6 Rotation Invariant LBP.
Rotation invariant didefinisikan sebagai
nilai minimum dari rotasi (RSR) -bit biner yang dilakukan sebanyak 3 kali:
, = minWRSRP , ,3Q X 3 = 0, 1,… , − 1 }
(10)
dengan 3 menunjukkan rotation invariant.
Nilai dan pola-pola LBP pada Gambar 6 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 (Pietikäinen 2000).
Uniform Patterns
Pola-pola LBP mencerminkan suatu karakteristik dari sebuah tekstur. Pola-pola yang memiliki informasi penting ini dinamakan “uniform patterns”. Suatu pola dikatakan uniform jika struktur melingkar pola-pola binernya paling banyak terdiri atas dua transisi bit dari 0 ke 1 atau sebaliknya. Sebagai contoh 00000000 (0 transisi), 011111111 (1 transisi), 01110000 (2 transisi), dan 11001111 (2 transisi) merupakan uniform
patterns, sedangkan 11001001 (4 transisi) dan
01010011 (6 transisi) bukan merupakan
uniform patterns atau disebut nonuniform
patterns. Uniform patterns berfungsi untuk
mengidentifikasi noda (spot), flat area atau
dark spot, sudut, dan tepi (Ojala et al. 2002).
Spot Spot/flat Line end Edge Corner
Gambar 7 Tekstur uniform patterns.
Gambar 7 menunjukkan definisi dari pola-pola uniform. Untuk mengidentifikasi uniform
patterns digunakan formulasi sebagai berikut:
YP , Q = Z- − & − - (− & Z
+ ,L0 Z-P L− &Q − -P L − &QZ
(11)
dengan YP , Q merupakan uniform
patterns dari P banyaknya sampling points
dan radius R, N adalah circular sampling
points, L adalah nilai keabuan dari N, dan
& adalah nilai keabuan rata-rata seluruh
piksel neighborhood.
Rotation Invariant Uniform Patterns
[\]],^_`ab)
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.
6 dirotasi sampai ke nilai minimum yang
dimilikinya, jumlah pola yang dihasilkan menjadi + 1 bins. Rotation invariant
uniform patterns diformulasikan sebagai
berikut:
, = c,L0(-P L−+ 1 , - D 3EE&Q, 34 YP ,Q ≤ 28
Jika pola yang diidentifikasi termasuk
uniform patterns, akan dihitung banyaknya bit
satu pada pola tersebut yang menentukan letak
bin uniform patterns berada. Jika banyaknya
sampling points sama dengan delapan, nilai
, adalah nol sampai dengan sembilan.
Jika non uniform patterns akan masuk ke dalam bin terakhir, yaitu bin ke-sembilan yang merupakan single bin non uniform patterns
(Mäenpää 2003).
Rotation Invariant Variance Measure (VAR)
, tidak mendefinisikan lokal kontras tekstur dalam perhitungannya VAR
merupakan suatu descriptor untuk mengukur lokal kontras tekstur pada suatu citra. VAR
tidak sensitif terhadap perubahan grayscale. VAR berhubungan dengan kondisi pencahayaan suatu citra. Untuk mengukur lokal kontras tekstur pada suatu citra digunakan rotation invariant local variance
dengan formula sebagai berikut:
eR , = K Pgg− Q
L0( (13)
dengan
μ = K gg
L0( (14)
dengan merupakan rata-rata sampling points
circular neighborhood. Hasil perhitungan
VAR menghasilkan nilai continuous yang perlu dikuantisasi berdasarkan persebaran pola tekstur (Guo et al. 2009).
LBP Variance (LBPV)
LBPV descriptor secara sederhana
menggabungkan distribusi frekuensi nilai LBP dan lokal kontras. Variance berhubungan dengan fitur tekstur. Pada umumnya frekuensi tekstur region yang tinggi akan mempunyai
variance yang lebih tinggi dan variance
tersebut lebih berkontribusi terhadap perbedaan tekstur suatu citra (Guo et al. 2009). Oleh karena itu, variance eR , dapat digunakan sebagai bobot yang dapat beradaptasi untuk mengatur kontribusi nilai LBP pada perhitungan histogram. Histogram
LBPV dihitung menggunakan formula sebagai berikut:
Penggabungan beberapa N operator dengan nilai sampling points P dan radius R yang bervariasi adalah salah satu cara untuk memperbesar dukungan area spasial dari MBLBP. Penggabungan operator yang digunakan adalah dengan menggunakan
concatenation (Guo et al. 2009). Cara kerja
concatenation yaitu pada awalnya histogram
dari N operator dihitung secara terpisah, kemudian histogram dari masing-masing operator dirangkaikan menjadi satu buah histogram. Pada penggabungan dengan menggunakan concatenation banyaknya bin histogram yang dihasilkan mengalami peningkatan secara linear terhadap pertumbuhan P atau sampling point. Sebagai contoh penggabungan , dengan
, , akan menghasilkan histogram dengan panjang bin 10 dijumlahkan dengan 18 bin yaitu sebesar 28 bin.
Probabilistic Neural Network (PNN)
PNN merupakan Artificial Neural Network
(ANN) yang menggunakan teorema probabilitas klasik (pengklasifikasian Bayes). PNN diperkenalkan oleh Donald Specht pada tahun 1990. PNN menggunakan pelatihan
(training) supervised. Pelatihan data pada
PNN mudah dan cepat. Bobot bukan merupakan hasil pelatihan melainkan nilai yang dimasukkan (tersedia). Menurut Wu et al. (2007) PNN memiliki struktur sederhana dan pelatihan data yang cepat karena tidak perlu memperbaharui bobot.
Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusan/keluaran. Lapisan masukan merupakan objek yang terdiri atas < nilai ciri yang akan diklasifikasikan pada E kelas. Struktur PNN ditunjukkan pada Gambar 8. Proses-proses yang terjadi setelah lapisan masukan adalah:
7 Gambar 8 Struktur PNN.
1. Lapisan pola (pattern layer)
Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan. Setiap node pola merupakan selisih antara
vektor masukan j yang akan
diklasifikasikan dengan vektor bobot mmmmjkl, yaitu n = j + mmmmjkl, n kemudian dibagi dengan bias tertentu ( ) dan selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu op -(E = exp (+E . Dengan demikian, persamaan yang digunakan pada lapisan pola adalah.
4( j = N t+(uj ummmmmmjvwx(uj ummmmmmjvwy (17)
2. Lapisan penjumlahan (summation layer)
Menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Persamaan yang digunakan pada lapisan ini adalah:
3. Lapisan keluaran (output layer)
Menentukan kelas dari input yang diberikan. Input x akan masuk ke Y jika nilai N• paling besar dibandingkan kelas lainnya.
METODE PENELITIAN
Penelitian ini dilakukan dalam beberapa tahap. Tahap-tahap tersebut diselesaikan
dengan metode penelitian yang dapat dilihat pada Gambar 9.
Data Citra Tumbuhan
Citra yang digunakan diperoleh dari pemotretan tiga puluh jenis citra pohon yang terdapat di Kebun Raya Bogor serta tiga puluh jenis citra daun, depan dan belakang (masing-masing kelas 48 citra) yang terdapat di kebun Biofarmaka IPB Cikabayan dan rumah kaca Pusat Konservasi Ex-situ Tumbuhan Obat Hutan Tropika Indonesia, Fahutan IPB. Citra yang digunakan berformat JPG. Total citra pohon yang digunakan 300 citra yang terdiri atas 30 kelas masing-masing kelas terdiri atas 10 citra yang dapat dilihat pada Lampiran 1 serta total citra daun yang digunakan sebanyak 1.440 citra yang terdiri atas 30 kelas, depan dan belakang (masing-masing kelas 48 citra) dapat dilihat pada Lampiran 2.
Praproses
Pada tahap awal praproses, dilakukan perbaikan data pohon dengan memotong citra untuk mendapatkan objek tanaman dan memperkecil ukuran citra menjadi 270x210 piksel. Citra tersebut diperoleh dari hasil
cropping dengan bertujuan agar citra focus
kepada objek dari citra itu sendiri. Pada data daun dilakukan praproses data dengan mengambil objek setiap satu daun dan memperkecil ukuran citra menjadi 270x240 piksel. Kemudian mode warna citra diubah menjadi grayscale untuk proses ekstraksi selanjutnya.
Image Enhancement dengan Gaussian
Proses perbaikan citra menggunakan fungsi Gaussian. Sebelum masuk ke tahap ekstraksi, citra diubah ke dalam mode warna
grayscale. Tahap selanjutnya citra diproses
dengan mengalikan fungsi Gaussian yang ditunjukkan pada persamaan (1) bertujuan untuk memperhalus distribusi frekuensi citra.
Ekstraksi Tekstur dengan Local Binary Pattern
Ekstraksi tektur pada citra daun hanya dilakukan pada piksel yang menyusun citra tersebut. Citra dikonversi ke mode warna
grayscale. Selanjutnya membagi citra ke
dalam beberapa local region sesuai dengan
8
!! !! !! !! !!
"
" " # "
" #
"
$ #
"
$ #
Gambar 9 Metode Penelitian
Tabel 1 Operator LBP
Operator (P,R)
Ukuran Blok (piksel)
Kuantisasi sudut
(8,1) 3 x 3 45 derajat
(8,2) 5 x 5 45 derajat
(16,2) 5 x 5 22.5 derajat
(24,3) 7 x 7 15 derajat
Ekstraksi tekstur dilakukan dengan konvolusi menggunakan operator yang disajikan pada Tabel 1. Nilai LBP akan direpresentasikan melalui histogram yang merupakan gambaran frekuensi nilai LBP pada sebuah citra. Ekstraksi tekstur yang digunakan sebanyak tiga descriptor yaitu , ,
VAR, dan LBPV.
1. Ekstraksi tekstur dengan ,
9 , menghasilkan +2 bin dengan
merupakan banyaknya sampling points yang digunakan. Bin pertama sampai dengan + 1 merupakan bin uniform patterns, sedangkan bin terakhir ( + 2) merupakan single bin untuk non
uniform patterns. Ekstraksi tekstur menggunakan
, diolah menggunakan empat operator,
yaitu (8,1), (8,2), (16,2), dan (24,3).
2. Ekstraksi tekstur dengan eR
Ekstraksi tekstur menggunakan eR ,
descriptor dilakukan dengan menggunakan
persamaan (13) dan (14). Setiap nilai gray value
piksel ketetanggaan dibandingkan dengan nilai rata-rata piksel ketetanggaan itu sendiri. Semakin besar nilai eR , pada suatu local region, maka semakin kontras local region tersebut.
Hasil pengolahan dari setiap local region
menghasilkan matriks nilai eR , . Nilai eR , yang dihasilkan merupakan nilai kontinu
yang harus dikuantisasi. Pengkuantisasian dilakukan dengan mengelompokkan nilai-nilai eR , dalam rentang kelipatan 100 yang dilihat
berdasarkan kemiripan tekstur. Hal ini dilakukan untuk mempermudah perhitungan frekuensi nilai-nilai eR dalam suatu citra. Selanjutnya nilai yang telah dikuantisasi direpresentasikan melalui histogram. Histogram descriptor eR memiliki 150 bin. Penentuan banyaknya bin ini tidak baku. Penentuan banyaknya bin pada penelitian ini dilihat dari sebaran nilai terbesar eR pada suatu citra. Ekstraksi tekstur menggunakan eR diolah menggunakan empat operator, yaitu (8,1), (8,2), (16,2), dan (24,3).
3. Ekstraksi tekstur dengan
Ekstraksi tekstur menggunakan
descriptor memanfaatkan keseluruhan hasil
nilai-nilai localregion , dan hasil nilai-nilai local
region eR. Ekstraksi dilakukan dengan
menggabungkan nilai , dan eR
menggunakan persamaan (15) dan (16). Setiap nilai
local region yang ada di , merujuk pada
nilai local region eR pada posisi local region
yang sama. Sampling points dan radius (operator) yang digunakan , dan eR harus sama. Hal ini dikarenakan descriptor bekerja dengan mencocokkan posisi local region.
Hasil dari penggabungan local region ,
dengan eR menghasilkan vektor frekuensi nilai yang direpresentasikan melalui histogram. Pembentukan histogram LBPV descriptor sama
seperti , . Histogram descriptor
memiliki + 2 bin dengan banyaknya
sampling points yang digunakan. Ekstraksi tekstur
menggunakan juga diolah menggunakan
empat operator, yaitu (8,1), (8,2), (16,2), dan (24,3).
Ekstraksi tekstur dengan Multi-Block Local Binary Pattern
Hasil distribusi citra setelah diproses pada
image enhancement dengan Gaussian filrering
selanjutnya dilakukan tahap ekstraksi dengan
Multi-Block Local Binary Pattern (MBLBP). Pada
proses ekstraksi tekstur pada penelitian ini menggunakan tiga descriptor, yaitu , ,
eR , , dan . Pengolahan
selanjutnya membagi citra ke dalam beberapa operator sesuai dengan sampling points dan radius
yang digunakan. Penelitian ini menggunakan empat macam operator yang disajikan pada Tabel 2.
Tabel 2 Berbagai macam Operator MBLBP
Operator
Penentuan ukuran blok besar dan kuantisasi sudut yang digunakan menggunakan formula berikut:
pD€< p - = o3•- 2 + 1 (19) <• E|3- -3 -•o•| = (20)
Ekstraksi tekstur dilakukan menggunakan berbagai macam operator dengan sub-regions
berukuran 3x3 ketetanggaan. Sub-regions
merupakan hasil nilai rata-rata setiap single piksel yang berbentuk persegi. Setiap sub-regions
overlapping dengan sub-regions berikutnya
dengan jarak satu piksel. Ekstraksi tekstur yang digunakan sebanyak tiga descriptor yaitu:
1. Ekstraksi tekstur dengan , )
Ekstraksi tekstur menggunakan ,
descriptor mengolah setiap blok besar yang terdiri
atas sub-regions pada suatu citra menggunakan persamaan (12). Hasil dari pengolahan setiap blok besar menghasilkan pola biner MBLBP. Kemudian pola biner MBLBP setiap blok besar diidentifikasi ke dalam uniform patterns atau non uniform
patterns. Jika termasuk uniform patterns, dihitung
10 yang akan menentukan letak bin uniform patterns
tersebut berada.
Gambar 10 Pembentukan histogram.
Hasil dari pengolahan setiap blok direpresentasikan melalui histogram yang merupakan frekuensi nilai , seluruh blok besar pada suatu citra. Ilustrasi pembentukan histogram ditunjukkan pada Gambar 10. Histogram
, descriptor memiliki + 2 bin dengan
merupakan banyaknya sampling points yang digunakan. Bin pertama sampai dengan + 1 merupakan bin uniform patterns, sedangkan bin terakhir ( + 2) merupakan single bin untuk
nonuniform patterns. Ekstraksi tekstur
menggunakan , diolah menggunakan empat operator yaitu (8,1), (8,2), (16,2), dan (24,3).
2. Ekstraksi tekstur dengan ,
Ekstraksi tekstur menggunakan ,
descriptor dilakukan menggunakan persamaan (13)
dan (14). Setiap nilai sub-regions ketetanggaan dibandingkan dengan nilai rata-rata piksel ketetanggaan itu sendiri. Semakin besar nilai
, pada suatu local region, maka semakin kontras local region tersebut.
Hasil pengolahan dari setiap local region
menghasilkan matriks nilai , . Nilai
, yang dihasilkan merupakan nilai
kontinu yang harus dikuantisasi. Pengkuantisasian dilakukan dengan mengelompokkan nilai-nilai
, dalam rentang kelipatan 500 yang dilihat berdasarkan kemiripan tekstur. Hal ini dilakukan untuk mempermudah perhitungan frekuensi nilai-nilai , dalam suatu citra. Selanjutnya nilai yang telah dikuantisasi direpresentasikan melalui histogram. Histogram
descriptor , memiliki 128 bin.
Penentuan banyaknya bin ini tidak baku. Penentuan banyaknya bin pada penelitian ini dilihat dari sebaran nilai terbesar , pada suatu citra. Ekstraksi tekstur menggunakan
, diolah menggunakan empat
operator, yaitu (8,1), (8,2), (16,2), dan (24,3).
3. Ekstraksi tekstur dengan
Ekstraksi tekstur menggunakan
descriptor memanfaatkan keseluruhan hasil
nilai-nilai local region (blok besar) , dan
, . Ekstraksi dilakukan dengan
menggabungkan nilai , dan
, menggunakan persamaan (15) dan
(16). descriptor bekerja dengan mencocokkan posisi local region. Setiap nilai local
region yang ada di , merujuk pada nilai
local region , pada posisi local
region yang sama. Sampling points dan radius
yang digunakan , dan
, harus sama.
Hasil dari penggabungan local region
, dengan , menghasilkan
vektor frekuensi nilai yang
direpresentasikan melalui histogram. Pembentukan histogram MBLBPV descriptor sama seperti
, . Histogram descriptor
memiliki + 2 bin dengan banyaknya
sampling points yang digunakan. Ekstraksi tekstur
menggunakan juga diolah menggunakan empat operator, yaitu (8,1), (8,2), (16,2) dan (24,3).
Penggabungan Operator
Tahap penggabungan operator dilakukan dengan menggunakan perangkaian (concatenation) beberapa buah histogram sesuai dengan operator yang dirangkaikan. Banyaknya operator yang digunakan dalam penelitian ini dibatasi paling banyak adalah tiga. Hasil dari penggabungan beberapa operator menghasilkan sebuah histogram dengan panjang bin yang merupakan penjumlahan dari bin-bin histogram yang digabungkan. Histogram hasil penggabungan maupun tanpa penggabungan operator selanjutnya akan dijadikan input untuk proses klasifikasi. Penggabungan operator yang digunakan sebanyak tiga descriptor
yaitu , , , , dan MBLBPV.
1. Penggabungan operator dengan , )
Setiap histogram yang telah dihasilkan oleh empat operator, yaitu (8,1), (8,2), (16,2) dan (24,3) dilakukan proses penggabungan dengan menggabungkan setiap histogram pada setiap operator. Kombinasi penggabungan yang dilakukan dapat dilihat pada Tabel 3.
Tabel 3 Penggabungan operator pada ,
11 Panjang bin dari setiap penggabungan
disesuaikan dengan skala yang digunakan,
misalnya penggabungan , + ,
maka panjang bin yang dihasilkan sebesar 28 bin.
2. Penggabungan operator dengan
,
Setiap histogram yang telah dihasilkan oleh empat operator, yaitu (8,1), (8,2), (16,2) dan (24,3) dilakukan proses penggabungan dengan menggabungkan setiap histogram pada setiap operator. Kombinasi penggabungan yang dilakukan dapat dilihat pada Tabel 4.
Tabel 4 Penggabungan operator pada Panjang bin pada setiap penggabungan disesuaikan dengan operator yang digunakan, misalnya
penggabungan , + ,
maka panjang bin yang dihasilkan sebesar 256 bin.
3. Penggabungan operator dengan
Setiap histogram yang telah dihasilkan oleh empat operator, yaitu (8,1), (8,2), (16,2) dan (24,3) dilakukan proses penggabungan dengan menggabungkan setiap histogram pada setiap operator. Kombinasi penggabungan yang dilakukan dapat dilihat pada Tabel 5.
Tabel 5 Penggabungan operator pada
Operator P,R Jumlah Bin
Panjang bin pada setiap penggabungan disesuaikan dengan operator yang digunakan,
misalnya penggabungan , + , ,
maka panjang bin yang dihasilkan sebesar 28 bin.
Klasifikasi dengan Probabilistic Neural Network (PNN)
Setelah proses ekstraksi citra dilakukan, diperoleh hasil vektor histogram untuk setiap operator. Tahap selanjutnya adalah mengklasifikasi vektor-vektor histogram tersebut dengan PNN. Klasifikasi dilakukan pada vektor histogram penggabungan maupun tanpa penggabungan. Klasifikasi dilakukan dengan membagi data latih dan data uji masing-masing 70% dan 30% untuk data pohon serta 80% dan 20% untuk data daun. Selanjutnya diperoleh model klasifikasi dari hasil pelatihan data.
Model klasifikasi digunakan untuk proses pengujian. Pada penggabungan operator maupun tanpa penggabungan operator harus diekstraksi terlebih dahulu. Hasil identifikasi citra pohon menggunakan MBLBP akan dibandingkan dengan hasil identifikasi citra pohon menggunakan LBP. Klasifikasi dilakukan dengan menggunakan PNN dengan menerapkan bias yang berbeda-beda untuk setiap operator karena dimensi vektor histogram setiap operator berbeda-beda. Normalisasi dilakukan pada vektor histogram agar perhitungan tidak menghasilkan bilangan yang terlalu besar atau kecil yang tidak bisa dilakukan oleh mesin komputer.
Pengujian Sistem
Pengujian data dilakuan oleh sistem, yaitu dengan penilaian tingkat keberhasilan klasifikasi terhadap citra kueri. Evaluasi dari kinerja model klasifikasi didasarkan pada banyaknya data uji yang diprediksi secara benar dan tidak benar oleh model. Hal ini dapat dihitung menggunakan akurasi yang didefinisikan sebagai berikut:
<• -3 =‚ƒ„…ƒ{„…ƒ L †‡ {ˆ …ƒ„‰ ‚†„ƒ~Š~ƒ‹ ‚ƒ„…ƒ{„…ƒ L †‡ {ˆ × 100% (22)
Perangkat Keras dan Perangkat Lunak
Perangkat keras yang digunakan dalam penelitian ini adalah Processor intel® Core™ 2 Duo 2.00 GHz, memori DDR3 RAM 1.00 GB dan hardisk 320 GB. Perangkat lunak yang digunakan adalah Sistem Operasi Windows7, Library
OpenCV 2.1, dan Visual C++.
HASIL DAN PEMBAHASAN
Hasil Praproses
citra daun dilakukan praproses d mengambil objek setiap satu memperkecil ukuran citra menjadi 270 Kemudian mode warna citra diub
grayscale untuk proses ekstraksi selanj
praproses data bertujuan untuk mengu pemrosesan data (running time). Has data dapat dilihat pada Gambar 11.
(a)
(b)
Gambar 11 Hasil praproses citra daun (a praproses citra pohon (b).
Image Enhancement dengan Gaussian
Hasil dari praproses dimasukkan fungsi Gaussian yang bertuju menormalkan distribusi frekuensi dari Hasil perbaikan citra yaitu citra hasil
blur dari citra sebelumnya dan distribu dari citra akan semakin halus yang pada Gambar 12.
Gambar 12 Hasil image e
menggunakan Gauss
Hasil Ekstraksi tekstur dengan
Ž\[\]]_`ab^ dan Penggabungan Ž\[\]
Ekstraksi tekstur dengan
pada setiap operator yang disajikan pa Hasil ekstraksi dengan direp dengan histogram. Histogram operator P=8, R=1 diperlihatkan pada G
Aglaonema sp
citra Aglaonema sp
(b), His
Aglaonema sp p
(c) dan
Aglaonema sp p
+
Histogram pada Gambar 13 2 nilai uniform patterns dan
uniform patterns, dimana non un
berada pada single bin terakhir. B
patterns memiliki frekuensi yang
karena pola-pola non uniform y hanya ditempatkan pada satu
13 menggabungkan seluruh non uniform patterns yang
ada pada tekstur citra. Non uniform pattern
memiliki informasi yang kurang informatif, sehingga bukan merupakan karakteristik utama dari tekstur lokal suatu citra.
Dapat dilihat ekstraksi tekstur dengan dapat meningkatkan frekuensi bin pada
uniform pattern. Terlihat hampir pada semua bin
uniform pattern mengalami peningkatan. Hal
tersebut menunjukkan bahwa ekstraksi dengan dapat menunjukkan hasil yang lebih informatif daripada ekstraksi menggunakan
.
Pada penggabungan operator
berusaha memperbanyak informasi yang diperoleh oleh beberapa operator. Hal tersebut dapat dilihat bahwa bin uniform pattern memiliki frekuensi yang tinggi dibandingkan dengan ekstraksi yang menandakan bahwa histogram yang dihasilkan juga lebih informatif. Banyaknya bin pada penggabungan
dengan menghasilkan jumlah bin
sebanyak 28 bin. Hasil ekstraksi tekstur
menggunakan menunjukkan bahwa
pola deteksi tepi (00001111)2 merupakan pola yang sering muncul. Hal tersebut dapat dilihat pada bin
uniform bin ke empat memiliki frekuensi yang
tertinggi.
Hasil Ekstraksi Tekstur dengan LBP ••^] ^,
Ž\[\]•‘_] ^ dan Penggabungan
Ž\[\]•‘_] ^
Ekstraksi dengan eR dilakukan pada setiap operator. Histogram yang dihasilkan oleh ekstraksi
dengan menghasilkan histogram
sepanjang 128 bin.
Aglaonema sp.
(a)
Operator eR
(b)
Operator
(c)
Operator
(d)
Gambar 14 Citra Aglaonema sp (a), Histogram citra Aglaonema sp pada operator eR (b), Histogram citra
Aglaonema sp pada operator
(c), dan Histogram citra Aglaonema sp pada operator (d).
eR bekerja pada perubahan pencahayaan
(illumination) yang mengakibatkan perbedaan
14 mendreskripsikan nilai kontras dari intensitas
terendah (direpresentasikan dengan bin ke-satu) sampai intensitas tertinggi (bin terakhir). Histogram pada Gambar 14 menunjukkan histogram yang dihasilkan pada citra Aglaonema sp.
Pada Gambar 14 ditunjukkan bahwa histogram operator eR memiliki kontras yang rendah. Hal ini dapat diamati dari banyaknya frekuensi tinggi pada bin-bin awal. Namun pada operator tidak hanya pada bin awal memiliki frekuensi yang tinggi, bin setelahnya juga mengalami peningkatan frekuensi. Hal tersebut menunjukkan bahwa ekstraksi tekstur dengan
operator memiliki kontras yang
lebih baik dari operator LBP. Penggabungan
operator dengan
berusaha memperbanyak informasi yang diperoleh oleh beberapa operator. Penggabungan operator memiliki frekuensi yang tinggi pada bin awal namun frekuensi yang tinggi juga dapat ditemukan pada bin setelahnya. Hal tersebut
menandakan penggabungan operator
memiliki kontras yang tidak lebih rendah dari operator eR .
Hasil Ekstraksi Tekstur dengan[\]•]^ ,
Ž\[\]•] ^dan PenggabunganŽ\[\]•] ^
Ekstraksi dengan dilakukan pada setiap operator. Nilai-nilai local region hasil
ekstraksi dan eR merupakan
masukan bagi descriptor. Histogram yang dihasilkan oleh ekstraksi dengan memiliki
. bin.
Hasil ekstraksi dengan menghasilkan histogram dengan pola yang menyerupai
karena memiliki rentang nilai
yang mengacu kepada nilai eR di posisi
region yang sama. Berarti hasil ekstraksi dengan
juga menghasilkan histogram dengan
pola yang menyerupai karena
memiliki rentang nilai
yang mengacu kepada nilai eR di posisi
region yang sama
Aglaonema sp.
(a)
Operator
(b)
Operator
(c)
Operator
(d)
Gambar 15 Citra Aglaonema sp (a), Histogram citra Aglaonema sp pada operator (b), Histogram citra
Aglaonema sp pada operator
(c), dan Histogram citra
Aglaonema sp pada operator
+ (d).
15 tekstur spasial dan lokal kontras yang lebih baik
dibandingkan dengan operator . Hal ini dapat dilihat pada histogram operator
yang menunjukkan perbedaan antar pola-pola tekstur yang terlihat nyata dan dapat diamati dari frekuensi bin-bin uniform patterns yang lebih tinggi dibandingkan operator lainnya. Terjadi peningkatan kontribusi uniform patterns dari
ke penggabungan operator
dan . Hal tersebut dapat diamati dari frekuensi bin-bin uniform patterns yang lebih informatif.
Ekstraksi tekstur menggunakan dan dan penggabungan
melengkapi pola-pola tekstur spasial lokal dengan intensitas kontras tekstur lokal yang memainkan peranan penting pada texture discrimination, sehingga bersifat rotation invariant (tidak sensitif terhadap perubahan rotasi) dan tahan terhadap perubahan pencahayaan.
Ekstraksi Tekstur Tumbuhan Obat
Ekstraksi tekstur menggunakan tumbuhan obat dilakukan menggunakan operator MBLBP dan penggabungan operator MBLBP yang terbaik dari hasil ekstraksi citra tanaman hias yaitu operator + . Hasil ekstraksi dengan
penggabungan operator dengan
direpresentasikan dengan histogram diperlihatkan pada Gambar 16.
Handeuleum
(a)
Operator +
(b)
Gambar 16 Citra Handeleum (a) dan Histogram citra Handeleum pada operator
+ (b).
Histogram pada Gambar 16 menunjukkan 1 nilai uniform patterns dan satu nilai non
uniform patterns, dimana non uniform patterns
berada pada single bin terakhir. Bin non uniform
patterns memiliki frekuensi yang paling tinggi
karena pola-pola non uniform yang ditemukan hanya ditempatkan pada satu bin. Bin ini menggabungkan seluruh non uniform patterns yang ada pada tekstur citra. Non uniform pattern
memiliki informasi yang kurang informatif, sehingga bukan merupakan karakteristik utama dari tekstur lokal suatu citra. Pada penggabungan operator MBLBP terlihat bahwa lebih banyak informasi bin-bin uniform patterns. Pada histogram Gambar 16 dapat dilihat bahwa pola tekstur tepi (0000000011111111)2 merupakan pola yang sering muncul dapat dilihat bahwa pada bin uniform
pattern bin ke delapan adalah bin yang memiliki
frekuensi yang tinggi.
Identifikasi Citra Operator LBP
Identifikasi citra dilakukan dengan klasifikasi menggunakan Probabilistic Neural Network
(PNN). Hasil ekstraksi 300 citra yang terdiri atas 10 jenis citra tanaman hias menggunakan
eR dan descriptor menghasilkan
vektor-vektor histogram citra tanaman hias. Vektor-vektor tersebut menjadi masukan bagi klasifikasi citra menggunakan PNN.
Klasifikasi dilakukan dengan membagi data latih dan data uji masing-masing 70% dan 30 %. Untuk setiap jenis tanaman hias, tiga di antaranya menjadi data uji untuk melihat akurasi klasifikasi. Masing-masing descriptor dengan empat operator menghasilkan nilai akurasi dalam satuan persen yang disajikan pada Tabel 6.
Tabel 6 Akurasi klasifikasi PNN tiga descriptor
Descriptor P=8,
dan descriptor berada pada operator (8,2),
sedangkan untuk eR descriptor berada pada operator (8,1) dan (16,2). Pada operator (8,2) terjadi peningkatan nilai akurasi dari , eR , hingga yang menjadikan operator (8,2) merupakan operator terbaik pada klasifikasi citra menggunakan PNN. Operator tersebut akan digunakan untuk pengujian identifiksi citra tanaman hias oleh sistem. Dari ke tiga LBP
16 baik yaitu sebesar 73.33% yang berada pada
operator (8,2).
Identifikasi Citra Tanaman Hias Operator MBLBP dan Penggabungan Operator MBLBP
Identifikasi citra dilakukan dengan menggunakan Probabilistic Neural Network (PNN)
classifier. Hasil ekstraksi 300 citra tanaman hias
menggunakan seluruh operator MBLBP descriptor
menghasilkan vektor-vektor histogram citra tanaman hias. Klasifikasi pada citra tanaman hias dilakukan dengan membagi data latih dibandingkan data uji yaitu 70% dibanding 30%. Hasil identifikasi oleh seluruh operator MBLBP
descriptor pada tanaman hias disajikan pada Tabel
7.
Dilihat dari Tabel 7, akurasi tertinggi pada
operator yaitu pada operator
penggabungan (16,2) dan (24,3). Akurasi tertinggi pada operator yaitu pada operator (16,2) dan (24,3). Akurasi tertinggi pada operator yaitu pada operator (16,2). Terlihat bahwa operator MBLBP (16,2) menjadi operator yang baik pada setiap operator dalam klasifikasi dengan PNN.
Pada klasifikasi menggunakan operator terlihat bahwa dihasilkan akurasi yang kurang baik dibandingkan dengan operator dan . Hal ini dikarenakan data citra pohon tanaman hias memiliki kontras yang cenderung seragam.
menghasilkan akurasi yang paling baik karena data citra pohon memiliki pola tekstur yang bervariasi. Bervariasinya pola-pola tekstur pada citra tanaman hias menjadikan diskriminanya menjadi tinggi.
Dapat dilhat pada operator (8,1) memiliki akurasi sebesar 66.67%, sedangkan pada (8,2) memiliki akurasi sebesar 52.22%. Terlihat bahwa terjadi penurunan akurasi, hal tersebut disebabkan semakin besar sampling points
atau radius menyebabkan ukuran potongan gambar semakin besar sehingga potongan gambar tidak mirip satu dengan yang lain. Pada operator (8,1) dan (24,3) memiliki akurasi sebesar 63.33%, namun setelah dilakukan penggabungan operator (8,1), (16,2) dan (24,3) akurasi yang dimiliki tidak mengalami kenaikan. Hal tersebut menunjukkan penambahan informasi operator tidak selalu meningkatkan akurasi.
Tabel 7 Akurasi klasifikasi PNN seluruh MBLBP
descriptor citra tanaman hias
Descriptor P, R Jumlah
8,1+16,2+24,3 10+18+26 74.44%
Ž\[\]•‘_] ^
8,1+16,2+24,3 10+18+26 24.44%
Ž\[\]•] ^
8,1+16,2+24,3 10+18+26 51.11%
17 yang tertinggi yaitu sebesar 77.78%. Akurasi
terbaik operator LBP pada penelitian sebelumnya yaitu pada operator (8,2) menghasilkan akurasi sebesar 73.33%. Hal tersebut menunjukkan ekstraksi menggunakan operator MBLBP dapat meningkatkan akurasi dari penelitian sebelumnya sebesar 4.45%. Grafik perbandingan antara operator dengan operator
disajikan pada Gambar 17.
Gambar 17 Perbandingan hasil identifikasi
, dan
penggabungan operator
.
Dapat dilihat pada Gambar 17 bahwa akurasi identifikasi menggunakan lebih tinggi dibandingkan dengan akurasi identifikasi menggunakan dan juga setelah dilakukan penggabungan operator menggunakan
menghasilkan akurasi yang lebih baik lagi. Hal ini menunjukkan bahwa penggabungan operator mengidentifikasi citra lebih baik dan ekstraksi citra menggunakan operator
dapat mengekstraksi tekstur citra dengan baik dibandinkan dengan .
Selain itu dapat dibandingkan keseluruhan akurasi terhadap akurasi dari tiap kelas yang ditunjukkan pada Gambar 18.
(a) perbandingan citra tanaman hias pada operator
dengan . Pada operator
dapat dilihat bahwa akurasi citra tanaman hias pada kelas 1 (Dracaena draco) hingga kelas 13 (Philodendron bifinnatifidum) mengalami peningkatan akurasi mencapai 100%. Selain itu pada kelas 15 (Dendrobium chaopraya
moonlight), kelas 26 (Asplenium nidus) dan kelas
27 (Begonia sp.) operator dapat mengidentifikasi citra lebih baik dibandingkan dengan operator yang dilihat dari perbedaan jumlah akurasi di antara kedua operator.
(a)
(b)
(c)
Gambar 19 Citra tanaman hias Dendrobium
chaopraya moonlight (a), Citra
tanaman hias Asplenium nidus (b),
1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930
A
1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930
18 Gambar 19 merupakan contoh citra yang dapat
teridentifikasi menggunakan operator , dibandingkan dengan operator , . Dapat dilihat bahwa citra tersebut memiliki objek tanaman atau objek daun yang jarang. Hal tersebut membuktikan bahwa operator MBLBP dapat mengidentifikasi makrostuktur dari citra dengan baik.
Identifikasi Citra Tanaman Obat Operator MBLBP
Identifikasi citra dilakukan dengan menggunakan Probabilistic Neural Network (PNN)
classifier. Hasil operator MBLBP terbaik pada
identifikasi tanaman hias akan digunakan pada identifikasi tumbuhan obat. Hasil ekstraksi 1.440 citra daun tumbuhan obat menggunakan operator MBLBP descriptor menghasilkan vektor-vektor histogram citra tumbuhan obat. Klasifikasi pada citra tumbuhan obat dilakukan dengan membagi data latih dibandingkan data uji yaitu 80% dibanding 20%. Hasil identifikasi oleh operator MBLBP descriptor pada tanaman hias disajikan pada Gambar 20.
Gambar 20 Histogram citra tumbuhan obat pada
operator , + , .
Dapat dilihat pada Gambar 20 histogram citra
tumbuhan obat pada operator , +
, Pada pengujian setiap kelas citra tumbuhan obat pada operator , +
, dihasilkan akurasi sebesar 67.33%. Akurasi citra tumbuhan obat pada kelas 6 (Daruju), kelas 7 (Pegagan), kelas 9 (Kemangi), kelas 10 (Iler) dan kelas 26 (Cincau Hitam) memiliki akurasi sebesar 100%. Dapat dilihat bahwa citra memiliki ciri bentuk daun yang unik dibandingkan dengan kelas lain. Namun pada kelas 15 (Nandang gendis kuning) citra tumbuhan obat tidak dapat diidentifikasi dengan baik.
Pengujian Data
Pengujian identifikasi citra dilakukan oleh sistem. Sistem yang dibuat bernama Herbalism. Sistem dibangun menggunakan library OpenCv 2.1 dan Visual C++. Berikut tampilan dari sistem Herbalism disajikan pada Gambar 21.
(a)
(b)
Gambar 21 Tampilan ekstraksi pada sistem
Herbalism (a), dan Tampilan
identifikasi pada sistem Herbalism
(b).
Citra kueri masukan akan diekstraksi dan diidentifikasi, kemudian sistem akan mengeluarkan histogram hasil ekstraksi dan hasil identifikasi citra tersebut. Hasil identifikasi citra berupa informasi mengenai citra kueri tersebut yaitu berupa nama, nama latin dan khasiat atau deskripsi citra kueri tersebut. Pemodelan pengujian identifikasi citra dengan sistem dapat dilihat pada Lampiran 3.
Tiga data uji untuk setiap kelas digunakan dalam proses pengidentifikasian citra oleh sistem. Gambar 22 menunjukkan hasil akurasi identifikasi setiap kelas citra tanaman hias.
(a)
1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930
19 (b)
(c)
(d)
Gambar 22 Hasil akurasi identifikasi setiap kelas citra tanaman hias pada operator , (a), Hasil akurasi identifikasi setiap kelas citra tanaman hias pada operator eR , (b), Hasil akurasi identifikasi setiap kelas citra tanaman hias pada operator , (c), dan Hasil akurasi identifikasi setiap kelas citra tanaman hias pada operator , +
, (d).
Dari 30 kelas, kelas 11 (Dendrobium sp.) selalu terklasifikasikan dengan benar oleh setiap
descriptor dengan akurasi 100%. Kelas
1(Dracaena draco), kelas 3 (Sansevieria
goldenhahnii) dan kelas 21 (Hoya kerii varigata)
terklasifikasikan dengan benar oleh setiap
descriptor dengan rata-rata akurasi di atas 70%.
Kelas 24 (Calathea sp.) memiliki rata-rata akurasi terendah oleh setiap descriptor. Kelas yang terklasifikasikan dengan benar memiliki citra yang bervariatif dan komposisi background yang seragam dengan jenisnya.
(a)
(b)
Gambar 23 Kelas citra yang terklasifikasi dengan benar yang memiliki akurasi di atas 70% (a) dan kelas citra yang memiliki rata-rata akurasi terendah (b).
Gambar 23 adalah contoh citra yang terklasifikasi dengan benar yang memiliki akurasi di atas 70% dan contoh citra yang memiliki akurasi yang terendah. Operator penggabungan
, + , menjadi descriptor
terbaik dengan nilai akurasi sebesar 77.78% dari hasil pengujian setiap kelas.
KESIMPULAN DAN SARAN
Kesimpulan
Penerapan Multi-Block Local Binary Pattern
descriptor untuk identifikasi tanaman hias dan
tumbuhan obat secara automatis berhasil diimplementasikan. Pada penelitian ini,
, (16,2) dan (24,3) merupakan
descriptor terbaik untuk identifikasi tanaman hias
dengan akurasi klasifikasi 77.78%. Akurasi tersebut lebih baik dibandingkan pada penelitian sebelumnya dengan akurasi terbaik pada operator , (8,2) sebesar 73.33%. Hal tersebut menunjukkan ekstraksi menggunakan operator MBLBP dapat meningkatkan akurasi dari penelitian sebelumnya sebesar 4.45%. Operator , (16,2) dan (24,3) mengidentifikasi tumbuhan obat dengan akurasi klasifikasi sebesar 67.33%.
Hasil klasifikasi dipengaruhi oleh kualitas citra tanaman hias dan tumbuhan obat. Hasil ekstraksi
, descriptor lebih efektif sebagai penciri
tekstur tanaman hias dan tumbuhan obat karena data citra memiliki pola tekstur yang bervariasi. Operator MBLBP dapat mengidentifikasi pola makrostruktur dari citra, dapat dilihat dari
0
1 2 3 4 5 6 7 8 9 10 11 12 13141516171819202122232425 26 27 282930
A
1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930
A
1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930
