Perbandingan Local Binary Pattern dan Fuzzy Local Binary Pattern untuk Ekstraksi Citra Tumbuhan Obat

(1)

PERBANDINGAN

LOCAL BINARY PATTERN

DAN

FUZZY LOCAL BINARY PATTERN

UNTUK

EKSTRAKSI CITRA TUMBUHAN OBAT

FANI VALERINA

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(2)

PERBANDINGAN

LOCAL BINARY PATTERN

DAN

FUZZY LOCAL BINARY PATTERN

UNTUK

EKSTRAKSI CITRA TUMBUHAN OBAT

FANI VALERINA

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

(3)

ABSTRACT

VALERINA FANI. Comparison of Local Binary Pattern and Fuzzy Local Binary Pattern for Tropical Medicinal Plant Extraction. Under the supervision of YENI HERDIYENI.

This research implements Fuzzy Local Binary Pattern (FLBP) method for plant images feature extraction. FLBP is used to handle uncertainty on images with various patterns. FLBP approach is based on the assumption that a local image neighbourhood may be characterized by more than a single binary pattern. In order to improve the speed on image searcing, this research used Probabilistic Neural Network (PNN). This approach was experimentally evaluated and compared with the original LBP on a dataset of medicinal plant for images non-background and house plant for images with background. The database contains 1440 medicinal plant leaf images and 300 tree images belonging to 30 different types and is obtained from Biofarmaka IPB, Cikabayan Farm, Green house Center Ex-Situ Conservation of Medicinal Plant Indonesia Tropical Forest and Gunung Leutik. Experimental results show that FLBP is superior to LBP based on the increased accuracy in medicinal plant identification (FLBP: 66.33% vs LBP: 34.46% ). It can be concluded that this approach is capable to identify medicinal plants species efficiently and accurately.

(4)

Judul Skripsi : Perbandingan Local Binary Pattern dan FuzzyLocal Binary Pattern untuk Ekstraksi Citra Tumbuhan Obat

Nama : Fani Valerina

NRP : G64070057

Menyetujui:

Pembimbing

Dr. Yeni Herdiyeni, S.Si., M.Kom. NIP 19750923 200012 2 001

Mengetahui:

Ketua Departemen Ilmu Komputer Institut Pertanian Bogor

Dr. Ir. Agus Buono, M.Si., M.Kom. NIP. 19660702 199302 1 001

(5)

PRAKATA

Alhamdulillahi Rabbil’ alamin, segala puji dan syukur penulis panjatkan kepada Allah Subhanahu wa Ta’ala atas limpahan rahmat dan hidayah-Nya, sehingga penulis dapat menyelesaikan tugas akhir yang berjudul Perbandingan Local Binary Pattern dan Fuzzy Local Binary Pattern untuk Ekstraksi Citra Tumbuhan Obat dengan lancar dan baik. Penelitian ini dilaksanakan mulai Maret 2011 sampai dengan Februari 2012, bertempat di Departemen Ilmu Komputer. Penulis juga menyampaikan terima kasih kepada pihak-pihak yang telah membantu dalam penyelesaian tugas akhir ini antara lain:

1 Ayahanda Bambang Irawan, Ibunda Eli Akmaliah, serta kakak-kakakku tercinta Mega Pratiwi dan

Feby Wulandari yang tidak henti-hentinya memberikan doa, kasih sayang, dan dukungan kepada penulis.

2 Ibu Dr. Yeni Herdiyeni, S.Si., M.Kom. selaku dosen pembimbing yang telah memberikan arahan

dan bimbingan dengan sabar kepada penulis dalam menyelesaikan skripsi ini.

3 Bapak Aziz Kustiyo, S.Si, M.Kom. dan Bapak Mushthofa, S.Kom., M.Sc. yang telah bersedia

untuk menjadi penguji.

4 Fanny Risnuraini, Iyos Kusmana, Windy Widowati, Dimpy Adira Ratu, Cristina Pakistanti, dan

Yoga Herawan sebagai teman satu bimbingan yang selalu memberikan masukan, saran, dan semangat kepada penulis.

5 Rilan M. Fiqri yang senantiasa setia menemani, memberikan doa, dukungan, dan kehangatan

kepada penulis.

6 Nurisma, Dhieka Avrilia L, Ria Astriratma, dan Isna Mariam atas bantuan, dukungan, dan

pertemanan yang hangat.

7 Rekan-rekan Ilkomerz 44 atas segala kebersamaan, bantuan, dan motivasi, dan kenangan

indahnya. Semoga ketika kelak kita bertemu lagi, masing-masing dari kita telah memeroleh kesuksesannya masing-masing.

Semoga tulisan ini dapat memberikan manfaat bagi para pembacanya. Terima kasih.

Bogor, Februari 2012

(6)

RIWAYAT HIDUP

Fani Valerina dilahirkan di Bogor pada tanggal 12 Februari 1990 dari pasangan Ibu Eli Akmaliah dan Bapak Bambang Irawan. Pada tahun 2007, penulis lulus dari Sekolah Menengah Atas (SMA) Negeri 2 Bogor dan diterima di Program Studi Ilmu Komputer Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB (USMI).

(7)

v

DAFTAR ISI

Halaman

DAFTAR TABEL ... vi

DAFTAR GAMBAR ... vi

DAFTAR LAMPIRAN ... vi

PENDAHULUAN ... 1

Latar Belakang... 1

Tujuan Penelitian ... 1

Ruang Lingkup Penelitian ... 1

TINJAUAN PUSTAKA ... 1

Ekstraksi Fitur ... 1

Local Binary Pattern ... 2

Fuzzy Local Binary Pattern (FLBP) ... 2

Probabilistic Neural Network (PNN) ... 3

METODE PENELITIAN ... 4

Data Citra Tumbuhan ... 4

Praposes ... 5

Ekstraksi Fitur Tekstur ... 5

Klasifikasi dengan Probabilistic Neural Network (PNN)... 5

Pengujian dengan Sistem... 6

Perangkat Keras dan Perangkat Lunak ... 6

HASIL DAN PEMBAHASAN... 6

Hasil Praproses ... 6

Hasil Ekstraksi Tekstur dengan LBP dan FLBP ... 6

Perbandingan Histogram Hasil Ekstraksi Tekstur dengan LBP dan FLBP ... 7

Identifikasi Citra Operator FLBP ... 8

Pengembangan Sistem ... 11

KESIMPULAN DAN SARAN... 12

Kesimpulan... 12

Saran ... 12

DAFTAR PUSTAKA ... 12

(8)

vi

DAFTAR TABEL

Halaman

1 Ukuran circular neighborhood ... 5

2 Kelas citra tumbuhan obat yang tidak terklasifikasi dengan LBP ... 10

3 Kelas citra tanaman hias yang tidak terklasifikasi dengan LBP ... 11

DAFTAR GAMBAR

Halaman 1 Skema komputasi LBP... 2

2 Ukuran circular neighborhood. ... 2

3 Membership functionm0( ) dan m1( ) sebagai fungsi dari pi... 3

4 Skema komputasi FLBP, dengan F =10. ... 3

5 Struktur PNN... 4

6 Metode Penelitian. ... 4

7 Proses Fuzzy thresholding. ... 5

8 Hasil praproses citra. ... 6

9 Hasil ekstraksi LBP. ... 6

10 Hasil ekstraksi FLBP. ... 7

11 Perbandingan histogram LBP (a) dan histogram FLBP (b) pada citra tumbuhan obat. ... 8

12 Hasil akurasi klasifikasi citra tumbuhan obat. ... 9

13 Hasil akurasi klasifikasi citra tamanan hias. ... 9

14 Perbandingan hasil akurasi identifikasi setiap kelas citra tumbuhan obat dengan LBP (a) dan FLBP (b). ... 10

15 Kelas citra tumbuhan obat yang selalu benar terklasifikasi. ... 10

16 Perbandingan hasil akurasi identifikasi setiap kelas citra tanaman hias dengan LBP (a) dan FLBP (b). ... 11

17 Kelas citra tanaman hias yang selalu benar terklasifikasi. ... 11

DAFTAR LAMPIRAN

Halaman 1 Tiga puluh citra tumbuhan obat ... 14

2 Tiga puluh jenis citra tanaman hias ... 17

(9)

1

PENDAHULUAN

Latar Belakang

Indonesia memiliki posisi penting dalam

global biodiversity karena Indonesia termasuk

dalam sepuluh negara di dunia yang kaya akan keanekaragaman hayati dan berpotensi sebagai salah satu sumber daya makanan dan tumbuhan obat bagi dunia. Kekayaan alam tumbuhan obat Indonesia terdiri atas 30 000 jenis tumbuhan dari total 40 000 jenis tumbuhan di dunia dengan 940 jenis di antaranya merupakan tumbuhan berkhasiat obat (Nugroho 2010). Usaha pelestarian dan pemanfaatan tumbuhan obat menggunakan ilmu pengetahuan dan teknologi untuk kesejahteraan masyarakat sangat sedikit dilakukan (Zuhud 2009). Salah satu upaya pelestarian dan pemanfaatan tumbuhan obat menggunakan teknologi adalah dengan mengembangkan sistem identifikasi tumbuhan obat secara otomatis.

Kulsum (2010) telah melakukan ekstraksi

fitur tanaman hias dengan Local Binary Pattern

(LBP) descriptor dan klasifikasi dengan

menggunakan Probabilistic Neural Network

(PNN). Hasil ekstraksi dan klasifikasi tersebut dapat digunakan untuk membuat sistem identifikasi tanaman secara otomatis dengan masukan citra tanaman sehingga proses identifikasi dapat dilakukan dengan cepat.

LBP merupakan metode ekstraksi fitur tekstur dengan membagi citra ke dalam beberapa local region dan mengekstraksi local

region tersebut untuk mendapatkan pola biner

lokal. Ojala et al. (2002) telah melakukan

ekstraksi tekstur untuk klasifikasi tekstur Outex dan Brodatz dengan LBP. Ekstraksi tekstur juga

dilakukan oleh Ahonen et al. (2006) dengan

menggunakan LBPuntuk pengenalan wajah.

Pada dasarnya, LBP adalah metode yang

secara teori dan perhitungannya sangat

sederhana. LBP juga dapat mendeskripsikan pola-pola tekstur lokal dengan baik. Namun, LBP memiliki kelemahan dalam penentuan

tresholding pada nilai keabuan piksel yang

membuat penyajian teksturnya sensitif terhadap

noise. Hasil threshold pada original LBP

terkadang menghasilkan pengodean pola biner yang tidak sesuai dengan kandungan nilai

pikselnya. Hal ini dikarenakan adanya

ketidakpastian yang diakibatkan oleh noise.

Iakovidis et al. (2008) menggunakan fuzzy logic

untuk mengatasi ketidakpastian pada

representasi tekstur LBP yang dikenal sebagai

metode Fuzzy Local Binary Pattern (FLBP).

Metode tersebut digunakan untuk karakterisasi

tekstur Ultrasound dengan akurasi mencapai

84%. Akurasi ini merupakan akurasi tertinggi dibandingkan dengan menggunakan metode

LBP dan Co-occurrence Matrix (CM).

Penelitian ini menerapkan metode FLBP untuk ekstraksi tekstur citra tumbuhan obat, kemudian fitur tekstur akan diklasifikasi menggunakan PNN. Selain menggunakan citra

tumbuhan obat, penelitian ini juga

menggunakan citra tanaman hias yang

sebelumnya digunakan oleh Kulsum (2010). Hasil ekstraksi tekstur pada citra akan dibandingkan antara metode FLBP dengan LBP.

Tujuan Penelitian

Tujuan penelitian ini adalah mengetahui perbandingan hasil ekstraksi citra tumbuhan antara metode Local Binary Pattern dan Fuzzy Local Binary Pattern.

Ruang Lingkup Penelitian

Ruang lingkup penelitian ini adalah:

1 Data diperoleh dari hasil pengambilan citra bagian daun tumbuhan obat sebanyak 30 jenis menggunakan kamera digital yang berasal dari kebun Biofarmaka, Cikabayan dan rumah kaca Pusat Konservasi Ex-situ Tumbuhan Obat Hutan Tropika Indonesia, Fahutan, IPB. Data citra tanaman hias yang digunakan adalah 30 jenis tanaman hias yang diperoleh dari penelitian Kulsum (2010) dengan gambar citra keseluruhan.

2 Dalam penelitian ini, metode yang

digunakan _R yang mengacu pada

konsep original LBP.

TINJAUAN PUSTAKA

Ekstraksi Fitur

Fitur tekstur merupakan gambaran visual

dari sebuah permukaan atau bahan. Tekstur dicirikan dengan variasi intensitas pencahayaan

pada sebuah citra. Variasi intensitas

pencahayaan tersebut dapat disebabkan oleh kekasaran atau perbedaan warna pada suatu permukaan. Tekstur juga memuat informasi area, keseragaman, kepadatan, kekasaran,

keberaturan, linearitas, keberarahan, dan

frekuensi. Menurut Mäenpää (2003)

(10)

2

Tekstur

Tekstur adalah gambaran visual dari

sebuah permukaan. Tekstur permukaan

berasal dari keragaman bentuk, iluminasi, bayangan, absorbsi, dan refleksi. Dalam citra

digital, tekstur dicirikan dengan variasi

intensitas atau warna. Variasi intensitas

disebabkan oleh perbedaan warna pada

suatu permukaan. Tekstur merupakan properti dari area. Properti-properti dari tekstur citra meliputi: keseragaman, kepadatan, kekasaran,

keberaturan, linearitas, keberarahan, dan

frekuensi (Mäenpää 2003).

Local Binary Pattern (LBP)

LBP pertama kali diperkenalkan pada tahun 1996 oleh Ojala untuk mendeskripsikan tekstur

dalam mode grayscale. Operator LBP

didasarkan pada 33 ketetanggaan yang

merepresentasikan tekstur lokal di sekitar pusat piksel seperti yang diilustrasikan pada Gambar 1(a) (Iakovidis 2008).

Dalam representasi tekstur LBP, setiap pola direpresentasikan oleh sembilan elemen

p_{cen e} p p p , dengan p_{cen e} merepresentasikan nilai intensitas pada piksel pusat dan p_i i merepesentasikan nilai piksel sekelilingnya (circular sampling). Nilai delapan ketetanggaan yang mengelilingi pusat

piksel dapat dicirikan oleh nilai biner

di i seperti pada Gambar 1(b), yang diperoleh menggunakan persamaan (1).

d = pi

Gambar 1 Skema komputasi LBP.

Berdasarkan nilai biner tersebut, setiap

ketetanggaan memiliki nilai LBP yang

dihasilkan oleh formula berikut:

di i

i

(3)

Nilai yang dihasilkan menunjukkan kode

Local Binary Pattern. Kode-kode LBP tersebut

akan direpresentasikan melalui histogram.

Histogram akan menunjukkan frekuensi

kejadian berbagai nilai LBP. Untuk ukuran citra

N×M, keseluruhan nilai LBP dapat

direpresentasikan dengan membentuk histogram berikut:

dengan K merupakan nilai LBP terbesar.

Operator LBP juga dapat dikembangkan

menggunakan berbagai ukuran sampling points

dan radius (Gambar 2). Pada piksel

ketetanggaan, akan digunakan notasi (P,R)

dimana P merupakan sampling points dan R

merupakan radius (Ahonen 2008).

(8,1) (16,2) (8,2)

Gambar 2 Ukuran circular neighborhood.

Fuzzy Local Binary Pattern (FLBP)

Fuzzifikasi pada pendekatan LBP meliputi

transformasi variabel input menjadi variabel

fuzzy berdasarkan sekumpulan fuzzy rule.

Dalam hal ini, digunakan dua fuzzy rule untuk

mendapatkan nilai biner dan nilai fuzzy

berdasarkan deskripsi relasi antara nilai pada

circular sampling p_i dan piksel pusat p_{cen e}

(Iakovidis 2008), yaitu :

(11)

3

fungsi menurun (Gambar 3) yang didefinisikan sebagai berikut: akan mengontrol derajat ketidakpastian.

Metode original LBP hanya menghasilkan

satu kode LBP saja, sedangkan metode FLBP akan menghasilkan satu atau lebih kode LBP. Gambar 4 menyajikan contoh pendekatan FLBP. Dua kode LBP (122, 106) mencirikan ketetanggaan 3x3. Masing-masing nilai LBP yang dihasilkan memiliki tingkat kontribusi (0.9, 0.1) yang berbeda, bergantung pada nilai-nilai fungsi keanggotaan m dan m yang dihasilkan. Untuk ketetanggaan 33, kontribusi

CLBP dari setiap kode LBP pada histogram

FLBP didefinisikan sebagai berikut (Keramidas 2008):

mdi

i

Total kontribusi ketetanggaan 33 ke dalam bin

histogram FLBP, yaitu:

menghasilkan dua kode LBP sebagai penciri ketetanggaan 3x3. Kode LBP tersebut akan

direpresentasikan dengan histogram yang

dihitung dengan menjumlahkan kontribusi dari setiap nilai LBP.

Gambar 4 Skema komputasi FLBP, dengan F =10.

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. Training data PNN mudah dan

cepat. Menurut Wu et al. (2007), PNN memiliki

struktur sederhana dan training 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 k nilai ciri yang akan

diklasifikasikan pada n kelas. Struktur PNN

ditunjukkan pada Gambar 5. Proses-proses yang terjadi setelah lapisan masukan adalah:

1 Lapisan pola (pattern layer)

(12)

4

demikian, persamaan yang digunakan pada lapisan pola adalah.

f e p - ij - ij

σ (10)

Gambar 5 Struktur PNN.

2 Lapisan penjumlahan (summation layer)

Lapisan penjumlahan menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Persamaan yang digunakan pada lapisan ini adalah:

3 Lapisan keluaran (output layer)

Lapisan keluaran menentukan kelas dari

input yang diberikan. Input x akan masuk ke

Y jika nilai p paling besar dibandingkan

dengan kelas lainnya.

METODE PENELITIAN

Penelitian ini dilakukan dalam beberapa tahap. Tahap-tahap tersebut diselesaikan dengan metode penelitian yang dapat dilihat pada Gambar 6.

Data Citra Tumbuhan

Citra yang digunakan diperoleh dari pemotretan tiga puluh jenis citra daun dari

tumbuhan obat 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, yang masing-masing terdiri atas 30 kelas. Setiap jenis daun terdiri atas 24 pose citra bagian depan dan 24 pose citra bagian belakang sehingga terdapat 1 440 total citra daun tumbuhan obat yang disajikan pada Lampiran 1.

Penelitian ini juga menggunakan 300 citra keseluruhan tanaman hias dari Kebun Raya Bogor yang digunakan oleh Kulsum (2010). Penggunaan data citra tanaman hias ini bertujuan menganalisis kinerja FLBP pada citra yang memiliki latar belakang. Tiga puluh jenis tanaman hias yang digunakan disajikan pada Lampiran 2.

Gambar 6 Metode Penelitian. Citra Tumbuhan

Keseluruhan Citra Daun

(13)

5

Praposes

Pada tahap praproses, dilakukan perbaikan pada citra daun dan citra keseluruhan. Selanjutnya, citra tersebut diubah menjadi mode

grayscale untuk diproses pada tahap ekstraksi.

Ekstraksi Fitur Tekstur

Proses ekstraksi teksur pada penelitian ini

menggunakan metode _R. Citra akan

dibagi ke dalam beberapa blok (local region)

sesuai dengan operator circular neighborhood

(sampling points dan radius) yang digunakan.

Penelitian ini menggunakan dua ukuran circular

neighborhood yang disajikan pada Tabel 1.

Tabel 1 Ukuran circular neighborhood

(P,R) Ukuran Blok

Ekstraksi tekstur dilakukan dengan

konvolusi blok citra menggunakan operator yang disajikan pada Tabel 1. Nilai LBP akan direpresentasikan melalui histogram FLBP. Histogram tersebut menggambarkan frekuensi dari kontribusi nilai LBP yang muncul pada sebuah citra. Masing-masing blok diektraksi

menggunakan metode _R.

Ekstraksi tekstur _R dilakukan dengan

mengolah setiap blok menggunakan persamaan (2) untuk mencari selisih dari piksel tetangga dengan piksel pusat. Dari setiap blok p_i yang didapat, akan dihasilkan satu atau lebih nilai LBP dan nilai kontribusinya.

Blok yang berisikan nilai p_i, selanjutnya

akan melalui proses fuzzy tresholding

berdasarkan RuleR0 danRuleR1 dengan aturan untuk citra tumbuhan obat, sedangkan untuk citra tanaman hias berkisar antara 0 sampai 40.

Parameter F = 0 merupakan original LBP yang

akan dibandingkan hasilnya dengan penggunaan parameter F > 0 sebagai hasil dari metode

Gambar 7 Proses Fuzzy thresholding.

Pada ilustrasi di atas terdapat dua nilai yang berada di rentang fuzzy (- p_i ). Akan dihasilkan sebanyak 22 = 4 nilai biner yaitu, 11001110, 11000110, 10001110, dan

10000110. Nilai biner tersebut akan

menghasilkan nilai LBP menggunakan

persamaan (3). Selain itu, nilai biner juga

menentukan perhitungan masuknya nilai p_i ke

membership function yang akan menghasilkan

nilai derajat keanggotaan dari setiap piksel. Nilai biner 0 akan didefinisikan dengan fungsi

m pada persamaan (6), sedangkan nilai biner

1 akan didefinisikan dengan fungsi m pada persamaan (7).

Hasil dari pengolahan setiap blok

direpresentasikan melalui histogram, dengan frekuensinya merupakan penjumlahan dari kontribusi nilai LBP seluruh blok pada citra. Kontribusi masing-masing nilai LBP didapatkan dengan persamaan (8). Jumlah nilai kontribusi pada tiap blok ketetanggaan 3x3 adalah 1

(persamaan (9)). Jumlah bin pada histogram

FLBP sebanyak 2P, dengan P merupakan

jumlah dari sampling points.

Klasifikasi dengan Probabilistic Neural

Network (PNN)

Setelah proses ekstraksi citra dilakukan,

diperoleh hasil vektor histogram untuk

setiap operator. Tahap selanjutnya adalah menglasifikasi vektor-vektor histogram tersebut dengan PNN. Klasifikasi dilakukan dengan membagi data latih dan data uji. Data uji yang digunakan pada data citra daun tumbuhan obat sebanyak 10 citra dari setiap kelas dan untuk data citra tanaman hias sebanyak tiga citra dari

(14)

6

247 251 253 251 252

240 190 152 211 250

159 130 114 158 219

104 85 96 107 160

74 69 80 89 117

135 159 31

135 143 14

143 15 31

setiap kelas. Selanjutnya, diperoleh model klasifikasi dari hasil training data.

Model klasifikasi digunakan untuk proses pengujian. Setiap citra harus diekstraksi terlebih dahulu. Hasil identifikasi citra menggunakan

FLBP akan dibandingkan dengan hasil

identifikasi citra keseluruhan menggunakan LBP. Klasifikasi dilakukan 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 dengan Sistem

Pengujian data dilakukan oleh sistem

dengan penilaian tingkat keberhasilan

klasifikasi terhadap citra kueri. Evaluasi 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:

aku a i ban akn a p edik i ang bena _{o al ban akn a p edik i} (12)

Perangkat Keras dan Perangkat Lunak

Perangkat keras yang digunakan dalam

penelitian ini adalah processor I t ® C r ™

Duo 2.10 GHz, memori DDR3 RAM 2.00 GB,

dan harddisk 320 GB. Perangkat lunak yang

digunakan adalah Sistem Operasi Windows 7

Ultimate, library OpenCv 2.1, dan Visual C++.

HASIL DAN PEMBAHASAN

Hasil Praproses

Perbaikan data citra tumbuhan obat pada tahap praproses dilakukan dengan menyeleksi objek satu daun dan memperkecil ukuran citra menjadi 270x240 piksel. Pada data citra keseluruhan, Kulsum (2010) melakukan tahap praproses dengan memotong citra untuk

mendapatkan objek tanaman hias dan

memperkecil ukuran citra menjadi 270x210 piksel. Mode warna citra keseluruhan dan citra

daun kemudian diubah menjadi grayscale untuk

proses ekstraksi selanjutnya. Hasil praproses data bertujuan mengurangi waktu pemrosesan data (running time). Hasil praproses data dapat dilihat pada Gambar 8.

Psidium guajava L.

Anthurium sp.

Gambar 8 Hasil praproses citra.

Hasil Ekstraksi Tekstur dengan LBP dan FLBP

Citra hasil praproses digunakan sebagai

masukan pada proses ekstraksi dengan

R. Ekstraksi R dilakukan

menggunakan ukuran circular neighborhood

yang tertera pada Tabel 1. Fitur FLBP yang dihasilkan diekstrak dengan menggunakan

parameter fuzzifikasi (F) yang berbeda.

Penggunaan F = 0 menghasilkan fitur LBP.

Hasil ekstraksi dengan menggunakan LBP dapat dilihat pada Gambar 9.

Gambar 9 Hasil ekstraksi LBP.

Pada Gambar 9, diambil sebagian kecil daerah citra tumbuhan obat sebesar 5x5 piksel. Setiap blok pada citra tersebut diekstraksi dengan metode LBP menggunakan ukuran

sampling point P = 8 dan radius R = 1 yang

menghasilkan satu nilai LBP. Nilai LBP

tersebut didapatkan dari proses tresholding

(15)

7

247 251 253 251 252

240 190 152 211 250

159 130 114 158 219

104 85 96 107 160 159; 165; 167;173; 175; 181; 183;189; 191

135 143; 159 15; 31

135; 143 143; 159; 15; 31; 175;

191; 47; 63 14; 15; 30; 31

Namun, setelah diekstraksi, representasi tekstur nilai LBP yang dihasilkan pada Gambar 9(b) memiliki rentang nilai LBP yang jauh berbeda antara beberapa blok ketetanggaan.

Hasil ekstraksi menggunakan FLBP dengan

parameter fuzzifikasi F = 19 dapat dilihat pada

Gambar 10 yang menunjukkan matriks hasil nilai LBP dengan menggunakan fuzzifikasi.

Pada proses fuzzifikasi, satu daerah

ketetanggaan 3x3 akan menghasilkan satu

sampai 2n nilai LBP dengan n merupakan

banyaknya nilai pi (selisih antara piksel pusat dan piksel tetangga) yang masuk kedalam rentang fuzzy. Proses tersebut dapat mengatasi masalah representasi tekstur yang dihasilkan

oleh metode original LBP yang cenderung

memiliki perbedaan rentang nilai LBP yang jauh antara tetangganya.

Gambar 10 Hasil ekstraksi FLBP.

Banyaknya nilai LBP yang dihasilkan setiap blok ketetanggaan bergantung pada variasi nilai piksel yang ada pada blok tersebut. Terlihat pada blok ketetanggaan dengan piksel pusat 96 yang menghasilkan nilai LBP yang lebih banyak dibandingkan dengan blok lainnya karena pada blok ketetanggan tersebut terdapat

nilai-nilai piksel yang sangat variatif

dibandingkan dengan blok lainnya.

Masing-masing nilai LBP yang dihasilkan

memiliki kontribusi (CLBP) yang berbeda.

Nilai LBP dengan kontribusi terbesar adalah nilai LBP yang sama besarnya dengan hasil

dari original LBP. Pada Gambar 10(b),

dapat dilihat piksel pusat memiliki delapan nilai LBP. Nilai LBP = 143 adalah nilai yang

juga dihasilkan oleh metode original LBP. Nilai

LBP tersebut memiliki kontribusi tertinggi

dibandingkan dengan yang lainnya,

yaitu sebesar 0.613. Besarnya kontribusi menggambarkan derajat keanggotaan. Nilai-nilai LBP yang dihasilkan pada piksel pusat dapat menggambarkan kedekatan nilai antara piksel tetangga yang mengelilinginya. Maka dari itu, dengan menggunakan FLBP akan dihasilkan representasi tekstur yang lebih seragam dan lebih halus dibandingkan dengan menggunakan metode LBP.

Perbandingan Histogram Hasil Ekstraksi Tekstur dengan LBP dan FLBP

Hasil ektraksi yang dihasilkan dengan

original LBP dan FLBP direpresentasikan

dalam bentuk histogram. Perbandingan hasil ektraksi antara LBP dan FLBP dalam bentuk histogram dapat dilihat pada Gambar 11. Histogram LBP tersebut merupakan hasil

ekstraksi _R dengan parameter fuzzifikasi

F = 0. Sementara itu, histogram FLBP

dihasilkan dari ekstraksi dengan menggunakan F = 19.

Frekuensi histogram yang ditunjukan

Gambar 11 merupakan pertambahan CLBP dari

nilai LBP yang dihasilkan. Panjang bin yang dihasilkan pada histogram _R bergantung

pada jumlah sampling points (P) yang

digunakan, yaitu 2P. Pada penelitian ini, jumlah

P yang digunakan adalah 8 sehingga jumlah bin

pada histogram _R sebanyak 28 = 256

bin.

Dapat dilihat pada Gambar 11, histogram LBP memiliki frekuensi yang sangat fluktuatif

sehingga kurang bisa menggambarkan

pola dengan baik. Bin yang berada pada

rentang 0-35 pada histogram LBP yang terlihat sangat fluktuatif. Kekurangan itu

disebabkan proses tresholding pada LBP

menyebabkan representasi teksturnya kurang baik. Dibandingkan dengan histogram FLBP,

bin 0-35 frekuensinya cenderung lebih seragam.

(16)

8

(a)

(b)

Gambar 11 Perbandingan histogram LBP (a) dan histogram FLBP (b) pada citra tumbuhan obat.

Identifikasi Citra Operator FLBP

Identifikasi dilakukan dengan menggunakan

Probabilistic Neural Network (PNN) classifier.

Hasil ekstraksi citra menggunakan seluruh operator FLBP menghasilkan vektor-vektor histogram. Klasifikasi pada citra tumbuhan obat dilakukan dengan membagi data latih 38 citra dan data uji 10 citra, sedangkan pada citra tanaman hias dilakukan dengan membagi data latih tujuh citra dan data uji tiga citra.

Hasil identifikasi oleh descriptor _R

untuk citra tumbuhan obat disajikan pada Gambar 12 dan citra tanaman hias disajikan pada Gambar 13. Grafik menunjukkan hasil identifikasi fitur-fitur FLBP yang diekstrak

menggunakan nilai parameter fuzzifikasi (F)

yang berbeda. Parameter F = 0 menunjukkan

hasil dari original LBP. Hasil akurasi

didapatkan dengan melakukan klasifikasi

pada setiap parameter. Pengujian parameter F

dilakukan untuk mencari nilai F optimum identifikasi citra tumbuhan obat dengan

parameter fuzzifikasi F = 4 menghasilkan

akurasi tertinggi di setiap operator _R, yaitu 65% untuk operator (8,1) dan 66.33% untuk operator (8,2). Hasil identifikasi terbaik pada citra tanaman hias yang ditunjukan pada Gambar 13. Hasil grafik menunjukkan akurasi

terbaik pada operator (8,1) diperoleh

menggunakan F = 19 dan F = 18 dengan

akurasi sebesar 76.66% dan untuk operator (8,2) didapatkan akurasi terbaik sebesar 81.11% dengan parameter F = 18.

Pada tanaman hias, dua parameter berbeda menghasilkan akurasi yang sama, namun parameter terbaik yang digunakan adalah

parameter terkecil, yaitu F = 18. Hal ini

dikarenakan adanya pengaruh besarnya

parameter terhadap waktu komputasi. Semakin besar rentang nilai parameter, semakin banyak piksel yang harus diproses dalam perhitungan

fuzzy. Citra tanaman hias memiliki gambar yang

lebih kompleks sehingga rentang parameter yang digunakan lebih besar dibandingkan dengan citra tumbuhan obat. Semakin beragam nilai piksel pada citra, rentang fuzzy akan

105 112 119 126 133 140 147 154 161 168 175 182 189 196 203 210 217 224 231 238 245 252

F

105 112 119 126 133 140 147 154 161 168 175 182 189 196 203 210 217 224 231 238 245 252

(17)

9

Parameter fuzzifikasi F FLBP (8,1)

Parameter fuzzifikasi F FLBP (8,2)

(a)

(b)

Gambar 12 Hasil akurasi klasifikasi citra tumbuhan obat.

(a)

(b)

Gambar 13 Hasil akurasi klasifikasi citra tamanan hias. 0

Parameter fuzzifikasi F

FLBP (8,1)

Parameter fuzzifikasi F

(18)

10

dan diidentifikasi. Kemudian, sistem akan

mengeluarkan hasil ekstraksi dan hasil

identifikasi citra kueri tersebut. Hasil

identifikasi citra akan mengeluarkan nama citra kueri dan informasi lebih lanjut mengenai citra kueri tersebut.

Sepuluh data uji untuk setiap kelas

digunakan untuk mengidentifikasi citra

tumbuhan obat oleh sistem. Hasil akurasi identifikasi setiap kelas ditunjukan oleh Gambar 14. Grafik pada gambar didapat dari hasil akurasi LBP yang dibandingkan dengan hasil akurasi tertinggi FLBP (8,2) dengan F = 4.

(a)

(b)

Gambar 14 Perbandingan hasil akurasi identifikasi setiap kelas citra tumbuhan obat dengan LBP (a) dan FLBP (b).

Pada Gambar 14(a), terdapat enam kelas citra tumbuhan obat yang tidak terklasifikasi dengan metode LBP, namun kelas-kelas

tersebut dapat terklasifikasi dengan

menggunakan metode FLBP (Gambar 14(b)). Enam kelas tersebut dapat dilihat pada Tabel 2.

Kelas-kelas yang tidak terklasifikasi dengan menggunakan LBP memiliki perbedaan warna antara daun bagian depan dan bagian belakang. Selain itu, warna daun juga bergradasi. Dengan menggunakan fuzzy, kelas-kelas tersebut dapat diklasifikasi meskipun akurasinya tidak tinggi.

Oleh karena itu, identifikasi daun yang memiliki variasi warna memerlukan konsep

fuzzy.

15 Nandang Gendis

21 Nanas Kerang

23 Remak Daging

24 Kumis Kucing

25 Kemuning

Pada hasil klasifikasi dengan menggunakan FLBP, dari 30 kelas ada sebanyak 4 kelas yang selalu benar terklasifikasi dengan akurasi 100%. Kelas-kelas tersebut antara lain kelas 2

(Jatropha curcas Linn), kelas 7 (Centella

asiatica), kelas 26 (Mesona palustris), dan kelas

29 (Psidium guajava L.).

Kelas citra tumbuhan obat yang selalu terklasifikasi dengan benar memiliki warna yang seragam dan kualitas citra yang baik, dari segi pencahayaan maupun kontras. Gambar 15 adalah contoh citra yang selalu terklasifikasikan dengan benar.

(19)

11 sistem. Gambar 16 menunjukkan hasil akurasi identifikasi setiap kelas citra tanaman hias. Grafik pada gambar didapat dari hasil akurasi LBP yang dibandingkan dengan hasil akurasi tertinggi FLBP (8,2) dengan F = 18.

(a)

(b)

Gambar 16 Perbandingan hasil akurasi identifikasi setiap kelas citra tanaman hias dengan LBP (a) dan FLBP (b).

Pada Gambar 16(a), terdapat dua kelas citra tumbuhan obat yang tidak terklasifikasi dengan metode LBP, namun kelas-kelas tersebut dapat terklasifikasi dengan menggunakan metode FLBP. Dua kelas tersebut dapat dilihat pada Tabel 3.

Tabel 3 Kelas citra tanaman hias yang tidak terklasifikasi dengan LBP

Kelas-kelas yang tidak terklasifikasi dengan

menggunakan LBP memiliki background yang

berbeda-beda pada setiap citra, namun dengan

menggunakan fuzzy kelas-kelas tersebut dapat

terklasifikasi.

Kelas citra tanaman hias yang selalu terklasifikasi dengan benar memiliki jenis daun dengan warna yang bergradasi dan memiliki

komposisi background yang hampir seragam.

Gambar 17 adalah contoh citra yang selalu terklasifikasikan dengan benar.

Gambar 17 Kelas citra tanaman hias yang selalu benar terklasifikasi.

Berdasarkan hasil pengujian setiap kelas baik citra tumbuhan obat maupun tanaman hias,

menjadi descriptor terbaik yang

digunakan untuk tahap proses ekstraksi. Nilai akurasi terbaik yang didapatkan menggunakan

66.33% untuk citra tumbuhan obat

dengan F = 4 dan sebesar 81.11% untuk citra

tanaman hias dengan F = 18. Hasil akurasi pada

citra tanaman hias yang dihasilkan meningkat

7.78% dari penelitian sebelumnya yang

dilakukan oleh Kulsum (2010) menggunakan

descriptor dengan pencapaian akurasi

sebesar 73.33%. Citra keseluruhan tanaman hias

dengan gambar citra yang memiliki background

menghasilkan akurasi yang baik dibandingkan dengan citra bagian daun tumbuhan obat, karena metode FLBP sangat cocok untuk citra yang memiliki struktur tekstur yang kompleks.

Pengembangan Sistem

Pengembangan sistem pada penelitian ini menggunakan Visual C++ yang dibantu dengan

library OpenCV 2.1 untuk pengolahan citra.

Sistem yang dibangun dapat melakukan

ekstraksi database citra yang akan diproses

pada tahap pelatihan. Setelah melalui tahap

pelatihan data, sistem dapat melakukan

identifikasi dengan masukan citra tumbuhan. Antarmuka sistem yang telah dibangun dapat dilihat pada Lampiran 3.

Kelas Nama Citra Tanaman

Hias

16 Anggrek Batu

(20)

12

KESIMPULAN DAN SARAN

Kesimpulan

Penerapan FLBP untuk representasi tekstur yang lebih baik berhasil diimplementasikan. FLBP dapat mengatasi masalah representasi

tekstur yang dihasilkan oleh metode original

LBP dengan cara menghasilkan nilai-nilai LBP yang menggambarkan hubungan kedekatan antara piksel. Hasil akurasi yang disajikan juga menunjukkan bahwa kinerja fitur FLBP lebih unggul dibandingkan dengan kinerja yang diperoleh dari fitur original LBP.

Metode dengan F = 4 merupakan

descriptor terbaik untuk identifikasi citra

tumbuhan obat dengan akurasi klasifikasi

66.33%. Demikian pula pada citra

tanaman hias, penggunaan descriptor

menghasilkan akurasi terbaik sebesar 81.11%

dengan F = 18. Citra keseluruhan tanaman hias

dengan gambar citra yang memiliki background

menghasilkan akurasi yang baik dibandingkan dengan citra bagian daun tumbuhan obat, karena metode FLBP sangat cocok untuk citra yang memiliki struktur tekstur yang kompleks.

Saran

Perbanyakan database citra dengan kualitas yang baik perlu dilakukan untuk mendapatkan

identifikasi citra yang lebih sesuai.

Pengembangan menggunakan komputasi paralel

untuk mendapatkan parameter fuzzy yang

optimal karena metode FLBP memiliki waktu komputasi yang eksponensial.

DAFTAR PUSTAKA

Acharya T, Ray A. 2005. Image Processing

Principles and Aplications. New Jersey:

John Wiley & Sons Inc.

Ahonen T, Pietikainen M. 2008. Soft Histogram

for Local Binary Patterns. Oulu: Oulu

University Press.

Iakovidis DK, Keramidas EG, Maroulis D. 2008. Fuzzy Local Binary Patterns for ultrasound texture characterization. Di dalam: A. Campilho and M. Kamel, editor.

Proceedings of the 5th International

Conference on Image Analysis and

Recognition; Póvoa de Varzim, 25-27 Jun

2008. Heidelberg: Spinger. hlm 750-759.

Keramidas EG, Iakovidis DK, Maroulis D, Dimitropoulos N. 2008. Thyroid texture representation via noise resistant image feature. Di dalam: Computer-Based Medical

System, editor. Proceedings of the 2008 21st

IEEE International Symposium; Jyvaskyla,

17-19 Jun 2008. Washington: IEEE

Computer Society. hlm 560-565.

Kulsum LU. 2010. Identifikasi tanaman hias

secara otomatis menggunakan metode Local

Binary Patternsdescriptor dan Probabilistic

Neural Network .[skripsi]. Bogor: Fakultas

Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

Nugroho IA. 2010. Lokakarya tumbuhan obat

Indonesia[editorial]. Asia Pasific Forest

Genetic Resource Programme 2: 1-2.

Mäenpää T. 2003. The Local Binary Pattern

Approach to Texture Analysis. Oulu: Oulu

University Press.

Ojala T, Pietikäinen M, Mäenpää T. 2002. Multiresolution gray-Scale and rotation invariant texture classification with Local

Binary Pattern. IEEE Transactions on PAMI

24(7): 2037-2041.

Wu SG, et al. 2007. A Leaf Recognition

Algorithm for Plant Using Probabilistic

Neural Network. Cina: Chinese Academy

Science.

Zuhud EAM. 2009. Potensi hutan tropika sebagai penyangga bahan obat alam untuk

kesehatan bangsa. Jurnal Bahan Alam

(21)

13

(22)

14

Lampiran 1 Tiga puluh citra tumbuhan obat

No Citra Tumbuhan Obat Nama (Nama Latin) Khasiat

1 seni dan mengobati luka luar.

4 Lavender (Lavendula

afficinalis Chaix)

Dapat mengusir nyamuk dan ngengat dan mengurangi bau badan.

5 Akar Kuning

(Arcangelisiaflava L.)

Mengatasi kelenjar limpa, dan nyeri lambung. nyeri lambung, dan ulu hati dan luka berdarah.

(23)

15

Lanjutan

11 Jeruk Nipis (Citrus

aurantifolia, Swingle)

Mengatasi amandel, ambien, sesak nafas, influenza, dan batuk.

12 Bidani (Quisqualis

indica L.)

Dapat membersihkan darah, obat cacing, dan nipas.

deloidea L.) Mengatasi stroke.

15 Nandang Gendis

Kuning

Dapat melancarkan air seni dan luka luar(daun).

16 Bunga Telang (Clitoria

ternatea L.) air seni, dan bau badan.

18

19 Pungpulutan (Urena

(24)

16

Lanjutan

21

Nanas Kerang (Rhoeo

discolor (L.Her.)

Hance)

Obat batuk.

22 Seligi (Phyllanthus

(25)

17

Lampiran 2 Tiga puluh jenis citra tanaman hias

No Citra Tanaman Hias Nama Latin Nama Lain

1 Dracaena draco

Pohon Darah Naga, Pardon Bali,

Drasena (Indonesia), Dragon Blood

tree (Inggris)

2 Anthurium sp.

Kuping Gajah (indonesia), Tail

Flower, Crystal Anthurium, dan

Black Velvet (Inggris)

3 Sansevieria

goldenhahnii Kaktus Kodok (Indonesia)

4 Peperomia argyreia Peperomia (Indonesia), Pepper

Elder atau Dessert Priest (Inggris)

5 Aglaonema sp.

(Silver Queen)

Aglaonema atau Sri Rezeki

(Indonesia) dan Shinese Evergreen

(Inggris)

6 Aglaonema sp.

(White Spots)

(Inggris)

7 Aglaonema sp.

(Snow White)

(Inggris)

8 Dendrobium sp. Anggrek Dendrobium (Indonesia)

dan Orchids (Inggris)

9 Furcraea foetida Green Aloe (Inggris)

(26)

18

Lanjutan

12 Codiaeum varigatum Puring (Indonesia) dan Croton

(Inggris)

13 Philodendron

bifinnatifidum Pohon Cinta (Indonesia)

14 Agave attenuate Siklok (Indonesia)

15 Dendrobium

chaopraya moonlight

Anggrek Dendrobium (Indonesia)

16 Calanthe triplicata Anggrek Batu (Indonesia)

17 Bromelia kirkii Bromelia (Indonesia)

18 Begonia sp. Begonia

19 Begonia sp. Begonia

20 Calathea rufibarba Maranta (Indonesia) dan Prayer

(27)

19

Lanjutan

21 Hoya kerii varigata Wax Plant, Porcelain Flower

(Inggris)

22 Bromelia neoregelia Bromelia (Indonesia)

23

Sansevieria

trifasciata Lidah Mertua (Indonesia)

24 Calathea sp. Maranta (Indonesia) dan Prayer

Plant (Inggris)

25 Anthurium

crystallinum

Kuping Gajah (Indonesia), Tail

Flower dan Crystal Anthurium

(Inggris)

26 Asplenium nidus Paku Sarang Burung atau Kadaka

(Indonesia)

27 Marantha sp. Marantha (Indonesia), Arrow Head,

Prayer Plant (Inggris)

28 Scindapsus aureus Sirih Belanda, Sirih Gading

(Indonesia)

29 Cryptanthus

bivittatus

Nanas Kuning (Indonesia), Starfish

Plant (Inggris)

(28)

20

Lampiran 3 Antarmuka sistem

1 Ekstraksi seluruh data citra

2 Mengatur banyaknya data uji dan bias

Klik t b “Open Image”

(29)

21

Lanjutan

3 Identifikasi citra

Hasil ekstraksi citra kueri

Identifikasi citra kueri