PENGGABUNGAN FITUR LOCAL BINARY PATTERNS UNTUK
IDENTIFIKASI CITRA TUMBUHAN OBAT
IYOS KUSMANA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2011
ABSTRACT
IYOS KUSMANA. Fusion of Local Binary Patterns Features for Medicinal Plants Identification. Under the supervision of YENI HERDIYENI.
Identification plants automatically still be problem in obtaining a robust features. Local Binary Patterns (LBP) is an excellent descriptor for texture feature due to efficiency and robustness, but limited in the size of sampling point. In this research we propose fusion of LBP features, which incorporates additional information without sacrificing the robustnes of LBP features. Fusion of LBP features was done by two ways. In the first way, we perform a straightforward fusion by calculating histogram of multiple LBP features separately, then concatenating the multiple histograms together. In the first way we combine information provided by multiple operators by varying the size of sampling points and radius. In the second way, each histogram of LBP features are classified, and the feature fusion can be accomplished by classifier combination. Both ways, we employ probabilistic neural network (PNN) to classify LBP features. The experiment performed on medicinal plants and house plants. The fusion of LBP features are shown to be very powerful tools for improving accuracy.
Keywords: medicinal plant, local binary patterns, classifier combination, probabilistic neural network.
PENGGABUNGAN FITUR LOCAL BINARY PATTERNS UNTUK
IDENTIFIKASI CITRA TUMBUHAN OBAT
IYOS KUSMANA
Skripsi
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
BOGOR
2011
Judul : Penggabungan Fitur Local Binary Patterns untuk Identifikasi Citra Tumbuhan Obat Nama : Iyos Kusmana
NRP : G64070017
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
Alhamdulillahi Rabbil’ alamin, 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 Penggabungan Fitur Local Binary Patterns untuk Identifikasi Citra Tumbuhan Obat dengan lancar dan baik. Penelitian ini dilaksanakan mulai Maret 2011 sampai dengan Agustus 2011, bertempat di Departemen Ilmu Komputer IPB.
Penulis juga menyampaikan ucapan terima kasih kepada:
1. Ibu Dr. Yeni Herdiyeni, S.Si., M.Kom. selaku dosen pembimbing yang telah memberikan arahan dan bimbingan dengan sabar kepada penulis dalam menyelesaikan skripsi ini.
2. Ayah, Ibu, dan kakak-adik tercinta, Ika Usmawati, dan Riki Rusmana yang tidak henti-hentinya memberikan doa, kasih sayang, dan dukungan kepada penulis, serta kepada paman Dedi Supardi yang telah menganjurkan dan mengenalkan saya pada komputer.
3. Ibu Dr. Ir. Sri Nurdiati, M.Sc. dan Bapak Aziz Kustiyo, S.Si., M.Kom. selaku dosen penguji. 4. Yoga Herawan, Fanny Risnuraini, Fani Valerina, Windy Widowati, Kristina Paskianti, Dimpy
Adira Ratu, Ella Rizkyta, Elvira Nurfadhilah, Poetri Herningtyas sebagai teman satu bimbingan yang selalu memberikan masukan, saran, dan semangat kepada penulis.
5. Rekan-rekan di Departemen Ilmu Komputer IPB angkatan 44 atas segala kebersamaan, bantuan, dan motivasi yang telah diberikan kepada penulis.
Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan skripsi ini. Semoga skripsi ini bermanfaat.
Bogor, Agustus 2011
RIWAYAT HIDUP
Iyos Kusmana dilahirkan di Majalengka pada tanggal 8 September 1988 dari pasangan Ibu Warsih dan Bapak Usman. Pada tahun 2007, penulis lulus dari Sekolah Menengah Atas (SMA) Negeri 1 Talaga Majalengka dan diterima di Program Studi Ilmu Komputer Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk (USMI) IPB.
Pada tahun 2008, penulis memenangkan Lomba Opini Mahasiswa Tingkat Persiapan Bersama IPB. Pada tahun 2010, penulis melaksanakan kegiatan praktik kerja lapangan di Pusat Perpustakaan dan Penyebaran Teknologi Pertanian (PUSTAKA) selama tujuh minggu. Pada 2011, penulis mendapatkan penghargaan dalam 50 karya ilmiah (proposal penelitian) terbaik dalam kompetisi Student Innovation Awards (SINNOVA) 2011 yang diadakan oleh Institute of Science and Technology Studies (ISTECS) Jepang. Selama menempuh pendidikan di IPB, penulis pernah aktif di Badan Kerohanian Islam Keluarga Mahasiswa (BKIM) IPB dan Unit Kegiatan Mahasiswa Keluarga Silat Nasional Perisai Diri.
iv DAFTAR ISI Halaman DAFTAR GAMBAR ... v DAFTAR TABEL ... v PENDAHULUAN Latar Belakang ... 1 Tujuan Penelitian ... 1
Ruang Lingkup Penelitian ... 1
TINJAUAN PUSTAKA Ekstaksi Fitur Tekstur ... 1
Local Binary Patterns ... 2
Rotation Invariant Uniform Patterns ) ... 3
Rotation Invariant Variance Measure ( ) ... 3
LBP Variance ( ) ... 3
Probabilistic Neural Network (PNN) ... 4
Penggabungan Operator ... 4
Classifier Combination ... 5
METODE PENELITIAN Citra Tumbuhan Obat dan Tanaman Hias ... 5
Praproses ... 7
Ekstraksi Fitur Tekstur ... 7
Penggabungan Operator LBP ... 8
Klasifikasi dengan Probabilistic Neural Network (PNN) ... 8
Penggabungan Model Klasifikasi ... 9
Pengujian dengan Sistem ... 9
Perangkat Keras dan Perangkat Lunak ... 9
HASIL DAN PEMBAHASAN Hasil Ekstraksi Tekstur dengan ... 9
Hasil Ekstraksi Tekstur dengan ... 9
Hasil Ekstraksi Tekstur dengan ... 10
Hasil Ekstraksi Tekstur dengan Penggabungan Operator ... 10
Identifikasi Citra Tanpa Penggabungan ... 11
Identifikasi Citra dengan Penggabungan Operator ... 11
Identifikasi Citra dengan Classifier Combination ... 12
Perbandingan Akurasi Klasifikasi Sebelum dan Sesudah Penggabungan Fitur ... 15
KESIMPULAN DAN SARAN Kesimpulan ... 15
Saran ... 15
DAFTAR PUSTAKA ... 15
v DAFTAR GAMBAR
Halaman
1 Circular neighborhood delapan sampling points... 2
2 Contoh perhitungan nilai LBP ... 2
3 Beberapa ukuran circular neighborhood ... 2
4 Tekstur uniform patterns ... 3
5 Struktur PNN ... 4
6 Metode Penelitian ... 6
7 Akar Kuning (Arcangelisiaflava L.) (a) Maranta (Calathea sp.)(b)... 7
8 Pembentukan histogram LBP ... 7
9 Histogram citra tumbuhan obat Jarak Pagar untuk operator (8, 1) ... 9
10 Histogram citra tanaman hias Darah Naga untuk operator (16, 2) ... 10
11 Histogram citra tumbuhan obat Jarak Pagar untuk operator (24, 3) ... 10
12 Histogram citra tanaman hias Darah Naga penggabungan operator (8,1) dan (16,2) 10 13 Grafik akurasi citra tumbuhan obat untuk setiap kelas menggunakan , , , dan penggabungan operator ... 12
14 Grafik akurasi citra tanaman hias untuk setiap kelas menggunakan , , dan penggabungan operator ... 13
15 Grafik akurasi citra tumbuhan obat untuk setiap kelas menggunakan , , dan penggabungan klasifikasi PDR , . ... 14
16 Citra tumbuhan obat yang paling banyak mengalami kesalahan klasifikasi (miss classification) ... 14
17 Citra tanamanan hias dengan nama latin Asplenium nidus paling banyak mengalami kesalahan klasifikasi (miss classification) ... 15
18 Grafik akurasi citra tanaman hias untuk setiap kelas menggunakan , , dan penggabungan klasifikasi PDR , ... 15
19 Perbandingan akurasi klasifikasi terbaik pada citra tumbuhan obat untuk tanpa penggabungan fitur dan penggabungan fitur ... 15
20 Perbandingan akurasi klasifikasi terbaik pada citra tanaman hias untuk tanpa penggabungan fitur dan penggabungan fitur ... 16
DAFTAR TABEL Halaman 1 Operator LBP ... 7
2 LBP tanpa penggabungan ... 8
3 Penggabungan operator LBP ... 8
4 Akurasi hasil klasifikasi citra tumbuhan tanpa menggunakan penggabungan fitur ... 11
5 Akurasi hasil klasifikasi citra tanaman hias tanpa menggunakan penggabungan fitur... 11
6 Akurasi hasil klasifikasi penggabungan operator LBP citra daun tumbuhan obat ... 12
7 Akurasi hasil klasifikasi penggabungan operator LBP citra pohon tanaman hias... 13
8 Akurasi terbaik untuk setiap teknik penggabungan model klasifikasi citra daun tumbuhan obat ... 14
9 Akurasi terbaik untuk setiap teknik penggabungan model klasifikasi citra pohon tanaman hias ... 15
1 PENDAHULUAN
Latar Belakang
Indonesia memiliki keanekaragaman tumbuhan obat yang melimpah yang sangat potensial untuk pembangunan kesehatan bangsa. Pada tahun 2001 Laboratorium Konservasi Tumbuhan, Fakultas Kehutanan IPB telah mencatat 2039 spesies tumbuhan obat berasal dari ekosistem hutan Indonesia (Zuhud 2009). Hanya sekitar 20-22% tumbuhan obat yang baru dibudidayakan masyarakat, dan selebihnya diperoleh melalui pengambilan langsung (eksplorasi) dari hutan (Masyhud 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.
Identifikasi tumbuhan dapat dilakukan berdasarkan ciri morfologi, warna, dan tekstur. Kulsum (2010) telah melakukan identifikasi citra tanaman hias dengan menggunakan fitur tekstur dengan metode Local Binary Patterns (LBP). Ojala et al. (2002) pertama kali mengusulkan metode Local Binary Patterns sebagai texture descriptor yang bersifat gray
scale invariant. LBP mengalami perkembangan
dengan ditemukannya Rotation Invariant Uniform Patterns ), Rotation Invariant Variance Measure ) dan LBP Variance
).
Ojala et al. (2002) melakukan analisis
multiresolution dengan menggabungkan beberapa operator LBP dengan variasi sampling
points dan radius yang berbeda. Fang et al.
(2009) telah melakukan penggabungan fitur
Multi-directional Riu-LBP untuk pengenalan
wajah. Nurafifah (2010) berhasil melakukan identifikasi daun menggunakan penggabungan fitur morfologi, tekstur dan bentuk daun dengan metode classifier combination.
Wu et al (2007) telah melakukan identifikasi tanaman menggunakan Probabilistic Neural
Network (PNN) pada daun tanaman liar yang
ada di Jepang. Wu menggunakan ciri morfologi untuk melakukan identifikasi, akurasi yang dicapai hingga 90%. Menurut Wu et al. (2007) PNN memiliki struktur yang sederhana dan proses training yang cepat karena tidak perlu memperbarui bobot.
Penelitian ini menggunakan citra daun
tumbuhan obat dengan menerapkan
penggabungan beberapa fitur LBP yang digunakan dalam penelitian Kulsum (2010). Penelitian ini juga menggunakan citra pohon tanaman hias, agar hasil identifikasi dengan penggabungan fitur bisa dibandingkan dengan hasil identifikasi tanpa penggabungan fitur seperti yang telah dilakukan oleh Kulsum (2010). Metode penggabungan yang digunakan adalah penggabungan fitur seperti yang dilakukan oleh Ojala et al. (2002) dan Fang et
al. (2009). Selain itu, penggabungan juga
dilakukan dengan menggunakan metode
classifier combination seperti yang dilakukan
oleh Nurafifah (2010). Penelitian ini menggunakan Probabilistic Neural Network (PNN) sebagai classifier.
Tujuan
Tujuan penelitian ini adalah
mengidentifikasi citra tumbuhan obat secara otomatis menggunakan penggabungan fitur
Local Binary Patterns.
Ruang Lingkup
Ruang Lingkup penelitian ini adalah: 1. Data diperoleh dari hasil pengambilan citra
30 jenis tumbuhan obat 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 digunakan pada penelitian Kulsum (2010) yang diambil dari Kebun Raya Bogor. 2. Dalam penelitian ini, operator LBP yang
digunakan dalam penggabungan dibatasi paling banyak tiga.
TINJAUAN PUSTAKA Ekstraksi Fitur Tekstur
Secara umum ciri atau fitur dari suatu citra adalah warna, bentuk, dan tekstur (Rodrigues 2004). 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) penampilan tekstur dipengaruhi oleh (1) skala dan arah
2 pandangan, (2) lingkungan dan kondisi
pencahayaan.
Local Binary Patterns
Local Binary Patterns (LBP) pertama kali
diusulkan oleh Ojala et al. (2002) untuk klasifikasi tekstur yang bersifat rotation
invariant. LBP banyak diterapkan pada berbagai aplikasi, seperti face recognition,
dynamic texture classification, dan shape localization (Guo et al. 2009). Kesuksesan LBP
sebagai descriptor tekstur disebabkan karena LBP memiliki biaya komputasi yang rendah dan bersifat robust.
LBP merupakan descriptor yang efisien yang mendeskripsikan pola tekstur lokal pada citra gray scale. LBP didefinisikan sebagai sekumpulan pixel ketetanggaan yang tersebar secara melingkar (circular neighborhoods) dengan pixel pusat berada di tengah seperti ditunjukkan pada Gambar 1. Notasi gi
merupakan nilai pixel tetangga ke-i. gc
merupakan pixel pusat yang digunakan sebagai nilai threshold agar pixel ketetangganya menjadi kode biner.
Gambar 1 Circular neighborhood delapan
sampling points.
Untuk mendapatkan nilai LBP dilakukan
thresholding pada pixel-pixel tetangga yang
berbentuk circular dengan menggunakan pixel pusat, kemudian mengalikannya dengan pembobotan biner. Sebagai contoh untuk
sampling points P=8 dan radius R=1,
perhitungan nilai LBP diilustrasikan pada Gambar 2.
Gambar 2 Contoh perhitungan nilai LBP.
Secara matematis LBP dapat diformulasikan sebagai berikut:
∑
{ (2) dengan xc dan yc adalah koordinat pixel pusat,
adalah circular sampling points, adalah jumlah sampling points atau pixel tetangga, adalah nilai gray scale dari , adalah pixel pusat, dan atau sign adalah fungsi threshold.
Untuk keperluan klasifikasi nilai-nilai LBP selanjutnya direpresentasikan dalam bentuk histogram. Histogram menunjukkan frekuensi kejadian berbagai nilai LBP. Untuk ukuran citra N×M, keseluruhan nilai LBP dapat direpresentasikan dengan membentuk histogram sebagai berikut: ∑ ∑ ( ) [ ] (3) { (4) dengan K merupakan nilai LBP maksimum.
Pengkodean LBP seperti pada Gambar 2 ditentukan oleh radius (R) dari jumlah sampling
points (P). Sehingga Local Binary Patterns
dinotasikan sebagai LBP(P,R). Semakin besar
nilai P akan meningkatkan informasi tekstur yang didapat. Urutan pengkodean LBP yang bersifat tetap menyebabkan ada sejumlah 2P jumlah pola LBP. Gambar 3 memperlihatkan contoh circular neighborhood dengan beberapa nilai R dan P.
(8,1) (16,2) (24,3)
Gambar 3 Beberapa ukuran circular neighborhood.
Ojala et al. (2002) melakukan observasi bahwa beberapa pola LBP tertentu memiliki informasi penting dari suatu tekstur. Pola-pola yang memiliki informasi penting ini disebut
uniform patterns. LBP dikatakan uniform jika discontinuities atau transisi bit 0/1 paling
banyak adalah dua. Sebagai contoh 00000000 (0 transisi), 11001111 (2 transisi), dan 11001111 (2 transisi) merupakan uniform patterns, sedangkan 11001001 (4 transisi) dan 10101001
3 (6 transisi) bukan merupakan uniform patterns.
Uniform patterns berfungsi untuk mengidentifikasi noda (spot), flat area atau dark
spot, sudut, dan tepi. Hampir 90 persen dari
tekstur merupakan uniform patterns (Ojala et al. 2002).
Spot Spot/flat Line end Edge Corner Gambar 4 Tekstur uniform patterns.
Gambar 4 menunjukkan makna dari uniform
patterns. Secara matematis uniform patterns
dapat diekspresikan sebagai berikut: ( ) | |
∑ | ( ) ( )|
(5) dengan ( ) merupakan uniform patterns
dari jumlah sampling points (P) dan radius (R), adalah circular sampling point, adalah nilai keabuan dari , dan adalah nilai keabuan rata-rata seluruh pixel neighborhood. Jumlah pola yang dihasilkan uniform patterns adalah bin.
Rotation Invariant Uniform Patterns
)
Ketika uniform patterns dirotasi sampai ke nilai minimum yang dimilikinya, maka didapatkan operator baru yang dinamakan
Rotation Invariant Uniform Patterns yang
dinotasikan . Notasi ri menunjukkan rotation invariant dan u2 untuk uniform patterns pada sampling points P dan radius R.
merupakan operator yang tidak sensitif
(invariant) terhadap perubahan rotasi dan bersifat uniform. diformulasikan
sebagai berikut: {∑ ( ) ( ) (6) Jika pola yang diidentifikasi termasuk
uniform patterns, akan dihitung banyaknya bit
satu pada pola tersebut yang menentukan letak
bin uniform patterns berada. Jika P atau jumlah sampling points sama dengan delapan, nilai
ada dalam rentang nol sampai dengan
sembilan. Pola-pola LBP yang tidak uniform
patterns akan menjadi bin ke-9 (Mäenpää
2003).
Rotation Invariant Variance Measure (VAR)
Secara umum tekstur tidak hanya ditentukan oleh pola, namun juga kekuatan dari pola (kontras). Pola tekstur tidak dipengaruhi oleh perubahan gray scale, namun dipengaruhi oleh transformasi citra seperti rotasi atau translasi. Sebaliknya, kontras tekstur tidak dipengaruhi oleh transformasi citra, namun dipengaruhi oleh perubahan gray scale (Mäenpää 2003).
bekerja dalam mendeskripsikan informasi pola tekstur yang tidak dipengaruhi perubahan gray
scale dan rotasi. tidak bisa
mendeskripsikan informasi kontras, untuk itu diperlukan descriptor yang mampu mendeskripsikan informasi kontras yang bersifat tidak sensitif terhadap perubahan gray
scale. Untuk mengukur lokal kontras tekstur
pada suatu citra digunakan rotation invariant
local variance (VAR). VAR merupakan descriptor untuk mengukur lokal kontras tekstur
pada suatu citra yang tidak dipengaruhi perubahan gray scale. VAR diformulasikan sebagai berikut: ∑ ( ) (7) dengan ∑ (8)
dengan merupakan rataan sampling points
circular neighborhood. VAR menghasilkan
nilai kontinu yang perlu dikuantisasi. Kuantisasi yang ditentukan banyaknya jumlah data latih (Guo et al. 2009).
LBP Variance (LBPV)
Secara definisi VAR mendeskripsikan informasi kontras, dan
mendeskripsikan informasi pola tekstur, sehingga kedua operator tersebut bersifat komplemen. Pada persamaan (3), perhitungan LBP histogram H tidak meliputi informasi . Variance berhubungan dengan fitur
tekstur. Biasanya, frekuensi tekstur region yang tinggi akan mempunyai variance yang lebih tinggi dan variance-variance tersebut lebih berkontribusi terhadap perbedaan tekstur suatu citra (Guo et al. 2009). Oleh karena itu,
variance dapat digunakan sebagai bobot
yang dapat beradaptasi untuk mengatur kontribusi nilai LBP pada perhitungan histogram. Ojala et al. melakukan joint
distribution pola LBP dengan kontras lokal
sebagai descriptor tekstur bernama LBPV. LBPV dimaksudkan menjadi sebuah descriptor
4 tekstur yang bisa menginformasikan pola
tekstur dan kontras lokal. Histogram LBPV dihitung menggunakan formula sebagai berikut:
∑ ∑ ( ) [ ] (9) dengan ( ) { (10)
Probabilistic Neural Network
Probabilistic Neural Network (PNN) diusulkan oleh Donald Specht pada tahun 1990 sebagai alternatif dari back-propagation neural
network. PNN memiliki beberapa kelebihan
yaitu, pelatihan yang hanya memerlukan satu kali iterasi, dan solusi umumnya diperoleh dengan menggunakan pendekatan Bayesian (Ramakrishnan 2008).
PNN merupakan jaringan syaraf tiruan yang menggunakan radial basis function (RBF). RBF adalah fungsi yang berbentuk seperti bel yang menskalakan variabel nonlinear (Wu, et al. 2007). Keuntungan utama menggunakan PNN adalah pelatihannya yang mudah dan cepat. Bobot bukan merupakan hasil pelatihan melainkan nilai yang akan menjadi masukan.
Gambar 5 Struktur PNN.
PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keluaran. Struktur PNN selengkapnya ditunjukkan pada Gambar 5. Lapisan-lapisan yang menyusun PNN adalah sebagai berikut:
1. Lapisan input (input layer)
Lapisan masukan merupakan input x yang terdiri atas nilai yang akan diklasifikasikan pada salah satu kelas dari kelas.
2. Lapisan pola (pattern layer)
Pada lapisan pola dilakukan perkalian titik (dot product) antara input dengan vektor bobot , yaitu , kemudian
dibagi dengan bias tertentu σ dan selanjutnya dimasukkan ke dalam fungsi
radial basis, yaitu . Dengan demikian, persamaan yang digunakan pada lapisan pola adalah sebagai berikut:
(
) (11)
dengan xij menyatakan vektor bobot atau
vektor latih kelas ke-i urutan ke-j. 3. Lapisan penjumlahan (summation layer)
Pada lapisan penjumlahan setiap pola pada masing-masing kelas dijumlahkan sehingga dihasilkan population density function untuk setiap kelas. Persamaan yang digunakan pada lapisan ini adalah:
∑ (12) 4. Lapisan keluaran (output layer)
Pada lapisan keluaran input x akan diklasifikasikan ke kelas I jika nilai paling besar dibandingkan kelas lainnya. Penggabungan Operator LBP
Kelemahan LBP adalah terbatasnya area spasial yang bisa digunakan untuk menangkap struktur tekstur yang besar. Salah satu cara untuk memperbesar dukungan area spasial dari LBP adalah dengan menggabungkan beberapa informasi yang disediakan oleh N operator dengan nilai sampling points P dan radius R yang bervariasi. Penggabungan dengan menggunakan joint distribution akan menghasilkan akurasi yang tinggi, namun hal tersebut kurang cocok digunakan karena secara statistik tidak bisa dijamin kesalingbebasan antara beberapa operator yang digabungkan. Selain itu penggabungan N operator LBP menggunakan joint distribution akan menghasilan histogram N dimensi. Histogram dengan dimensi yang besar membutuhkan biaya komputasi yang besar, baik dari segi kecepatan maupun konsumsi memori (Mäenpää 2003). Sebagai contoh penggabungan ,
5 , dan , akan menghasilkan
histogram dengan panjang bin 10×18×26 = 4.680 bin.
Penggabungan operator selain joint distribution adalah dengan menggunakan
concatenation (Guo et al. 2009). 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 ,
, dan , akan menghasilkan
histogram dengan panjang bin 10+18+26 = 54
bin.
Classifier Combination
Classifier combination adalah kombinasi
dari dua atau lebih hasil nilai aturan keputusan ciri individual (decision rules). Tujuan dari
classifier combination adalah untuk meningkatkan efisiensi dan akurasi (Kittler, 1998). Classifier combination berusaha mengurangi variance dalam sebuah estimasi, sehingga akurasi dari klasifikasi menjadi meningkat daripada menggunakan sebuah
classifier (Huber 2000).
Masing-masing fitur yang diklasifikasikan dengan sebuah classifier menghasilkan prior
probability dan posterior probability.
Berdasarkan kedua probabilitas tersebut, teknik
classifier combination yang dapat digunakan di
antaranya, product decision rule, sum decision
rule, maximum decision rule dan majority vote rule.
Misalkan prior probability dari kelas j dinotasikan p(wj) dan probabilitiy density
function input xi dengan kondisi kelas j
dinotasikan p( ⃗⃗⃗ | ). Dengan mengasumsikan semua vektor ciri ⃗⃗⃗ adalah saling bebas, persamaan untuk product decision rule untuk kelas wj didefinisikan sebagai berikut:
( ) ∏ ( | ⃗⃗⃗ ⃗⃗⃗
∏ ⃗⃗⃗ |
(13)
dengan R merupakan jumlah classifier yang akan dikombinasikan dan C adalah jumlah kelas target. Berdasarkan posterior probabilities ⃗⃗⃗ | = | ⃗⃗⃗ ⃗⃗⃗
, maka product decision rule dapat ditulis seperti persamaan 14:
( ) ∏ ( | ⃗⃗⃗ ) ⃗⃗⃗
∏ | ⃗⃗⃗
⃗⃗⃗
(14) Pada beberapa situasi dapat diasumsikan persamaan posterior probabilities dihitung dari masing-masing classifier tidak akan menyimpang secara dramatis dari prior probabilities. Dalam situasi tersebut posterior probabilities dapat dinyatakan sebagai berikut:
| ⃗⃗⃗ (15)
dengan 1, jika persamaan 14 disubstitusi
dengan persamaan 15, dengan beberapa pengabaian dan perluasan maka didapatkan persamaan untuk sum decision rule sebagai berikut:
( ) ∑ ( | ⃗⃗⃗ )
∑ | ⃗⃗⃗
(16) Dengan asumsi prior probability adalah sama, maximum decision rule didapatkan dengan mengganti salah satu bagian pada persamaan 16 dengan batas atas dari ∑ | ⃗⃗⃗ | ⃗⃗⃗ , sehingga
kelas wj didapatkan dengan persamaan 17:
( | ⃗⃗⃗ ) | ⃗⃗⃗
(17)
Majority vote rule menggunakan fungsi ∆ki
yang bernilai biner. ∆ki = 1 jika nilai posterior
probabilities | ⃗⃗⃗ ( | ⃗⃗⃗ dan
selainnya bernilai 0, maka persamaan majority
vote rule untuk kelas wj adalah sebagai berikut:
∑ ∑
(18)
METODE PENELITIAN
Penelitian ini dilakukan dalam beberapa tahap yang diilustrasikan pada Gambar 6. Citra Tumbuhan Obat dan Tanaman Hias
Akuisisi citra daun tumbuhan obat dilakukan dengan pemotretan tiga puluh jenis tumbuhan obat di kebun Biofarmaka IPB dan di rumah kaca Pusat Konservasi Ex-Situ Tumbuhan Obat Hutan Tropika Indonesia, Fahutan, IPB. Pemotretan dilakukan dengan menggunakan lima kamera digital yang berbeda (DSC-W55, 7210 Supernova, Canon Digital Axus 95 IS, Samsung PL100, dan EX-Z35).
6 Gambar 6 Metode Penelitian.
7 Total citra daun tumbuhan obat yang
digunakan adalah 1.440 yang terdiri atas 30 jenis daun, depan dan belakang (masing-masing kelas 48 citra) diambil beberapa pada waktu yang berbeda (pagi, siang dan sore). Citra daun berformat JPEG dan berukuran 270 × 240 pixel. Tiga puluh jenis tumbuhan obat yang digunakan disajikan pada Lampiran 1. Penelitian ini juga menggunakan citra pohon tanaman hias yang digunakan pada penelitian Kulsum (2010). Citra pohon tanaman hias terdiri dari tiga puluh jenis tanaman hias yang diambil dari Kebun Raya Bogor dengan masing-masing 10 citra per kelas. Tiga puluh jenis tumbuhan obat yang digunakan disajikan pada Lampiran 2.
Praproses
Sebelum masuk ke dalam tahap ekstraksi fitur, dilakukan praproses data citra terlebih dahulu. Praposes dilakukan dengan mengganti latar belakang citra daun dengan latar belakang putih. Gambar 7.a memperlihatkan contoh dari citra daun tumbuhan obat digunakan dalam penelitian ini. Citra pohon tidak mengalami pergantian latar belakang menjadi putih seperti pada citra daun tumbuhan obat. Gambar 7.b memperlihatkan contoh dari citra pohon tanaman hias digunakan dalam penelitian ini.
(a) (b)
Gambar 7 Akar Kuning (Arcangelisiaflava L.) (a) Maranta (Calathea sp.)(b). Ekstraksi Fitur Tekstur
Ekstraksi fitur pada citra daun hanya dilakukan pada pixel-pixel yang menyusun daun. Latar belakang yang berwarna putih tidak dimasukan dalam proses ekstraksi agar tidak menjadi penciri. Ekstraksi fitur tekstur pada penelitian ini menggunakan tiga buah
descriptor, yaitu , , dan
. Citra dikonversi ke mode warna gray scale sebelum dilakukan proses ekstraksi.
Pengolahan selanjutnya membagi citra ke dalam beberapa blok (local region) sesuai dengan
circular neighborhood (sampling points dan
radius) yang digunakan. Penelitian ini menggunakan tiga operator yang disajikan pada Tabel 1. Tabel 1 Operator LBP Operator (P, R) Ukuran Blok (pixel) Kuantisasi Sudut (8, 1) 3 x 3 45 derajat (16, 2) 5 x 5 22.5 derajat (24, 3) 7 x 7 15 derajat
Ekstraksi tekstur dilakukan dengan konvolusi menggunakan operator-operator yang disajikan pada Tabel 1. Nilai-nilai LBP yang dihasilkan dari proses esktraksi direpresentasikan melalui histogram yang merupakan frekuensi nilai LBP pada sebuah citra. Ilustrasi pembentukan histogram ditunjukkan pada gambar berikut:
Gambar 8 Pembentukan histogram LBP.
Citra diekstraksi menggunakan tiga local
binary patterns descriptor, yaitu:
a. Ekstraksi tekstur dengan
Ekstraksi tekstur dilakukan dengan menggunakan persamaan (6). Histogram menghasilkan bin dengan
merupakan banyaknya sampling points yang digunakan. Bin pertama sampai dengan merupakan bin uniform patterns, sedangkan bin terakhir ( ) merupakan single bin untuk
nonuniform patterns. Ekstraksi tekstur menggunakan diolah menggunakan
tiga operator, yaitu (8,1), (16,2), dan (24,3). b. Ekstraksi tekstur dengan
Ekstraksi tekstur dilakukan dengan menggunakan persamaan (8) dan (9). Nilai yang dihasilkan merupakan nilai
kontinu yang harus dikuantisasi. Pengkuantisasian dilakukan dengan mengelompokkan nilai-nilai dalam
rentang kelipatan 100 yang ditentukan berdasarkan distribusi nilai . Hal ini
dilakukan untuk mempermudah perhitungan frekuensi nilai-nilai dalam suatu citra.
Selanjutnya nilai yang telah dikuantisasi direpresentasikan melalui histogram. Histogram descriptor memiliki 128
8
bin. Penentuan banyaknya bin ini ditentukan
dari distribusi nilai terbesar setelah
proses kuantiasasi. Jumlah bin yang sama pada setiap operator menandakan bahwa informasi kontras tidak dipengaruhi oleh ukuran sampling
points maupun radius. Ekstraksi tekstur menggunakan diolah menggunakan
tiga operator, yaitu (8,1), (16,2), dan (24,3). c. Ekstraksi tekstur dengan
Ekstraksi tekstur dilakukan dengan menggunakan persamaan (10) dan (11). Ekstraksi tekstur dengan menggunakan
nilai-nilai dan nilai-nilai .
Dalam penelitian ini, ukuran sampling points dan radius dan adalah sama,
walaupun tidak menutup kemungkinan menggunakan ukuran sampling points dan
radius yang berbeda. Histogram
memiliki bin dengan
merupakan banyaknya sampling points yang digunakan. Ekstraksi tekstur menggunakan juga diolah menggunakan tiga ukuran sampling points dan radius yang berbeda, yaitu
(8,1), (16,2), dan (24,3). Penggabungan Operator LBP
Pada tahap penggabungan operator dilakukan dengan menggunakan perangkaian (concatenation) beberapa buah histogram yang didapatkan dari tahap ekstraksi fitur seperti yang disajikan pada Tabel 2. Banyaknya operator yang digunakan dalam penelitian ini dibatasi paling banyak adalah tiga.
Tabel 2 LBP tanpa penggabungan
Descriptor P, R Jumlah bin
8,1 16,2 24,3 10 18 26 8,1 16,2 24,3 128 128 128 8,1 16,2 24,3 10 18 26
Penggabungan operator hanya dilakukan dengan menggunakan ukuran sampling point dan radius yang berbeda. Penggabungan operator yang digunakan dalam penelitian ini disajikan pada Tabel 3.
Tabel 3 Penggabungan operator LBP
Operator P, R Jumlah bin
8,1+16,2 8,1+24,3 16,2+24,3 8,1+16,2+24,3 10+18 10+26 18+26 10+18+26 8,1+16,2 8,1+24,3 16,2+24,3 8,1+16,2+24,3 128+128 128+128 128+128 128+128+128 8,1+16,2 8,1+24,3 16,2+24,3 8,1+16,2+24,3 10+18 10+26 18+26 10+18+26 Hasil dari penggabungan beberapa operator menghasilkan sebuah histogram dengan panjang
bin yang merupakan penjumlahan dari bin-bin
histogram yang digabungkan. Histogram LBP
hasil penggabungan maupun tanpa
penggabungan operator selanjutnya akan dijadikan input untuk proses klasifikasi.
Klasifikasi dengan Probabilistic Neural Network
Klasifikasi dilakukan dengan menggunakan histogram LBP hasil penggabungan maupun tanpa penggabungan operator. Proporsi data latih dan data uji yang digunakan masing-masing adalah 80% dan 20%. Dari proses
training masing-masing histogram dihasilkan
model klasifikasi.
Model klasifikasi untuk histogram penggabungan operator dapat digunakan langsung untuk proses pengujian. Sama seperti citra latih, citra uji juga harus diekstraksi menggunakan penggabungan operator. Sampai tahap ini, proses identifikasi citra dengan menggunakan penggabungan operator selesai dilakukan.
Model klasifikasi untuk histogram tanpa penggabungan operator akan dimasukan ke tahap penggabungan model klasifikasi. Model klasifikasi tersebut akan digunakan untuk pengujian. Hasil identifikasi citra menggunakan fitur LBP tanpa penggabungan ini akan dibandingkan dengan hasil identifikasi yang menggunakan penggabungan fitur.
Klasifikasi dilakukan dengan menggunakan PNN dengan menerapkan bias yang
berbeda-9 beda untuk setiap operator karena dimensi
histogram setiap operator berbeda-beda. Bias untuk masing-masing operator disajikan di Lampiran 3 dan 4. Normalisasi dilakukan pada histogram agar perhitungan tidak menghasilkan bilangan yang terlalu besar atau kecil yang tidak bisa dikerjakan oleh mesin komputer.
Penggabungan Model Klasifikasi
Masing-masing model klasifikasi dari masing-masing operator tanpa penggabungan dikombinasikan menggunakan teknik classifier
combination. Teknik classifier combination
yang digunakan adalah product decision rule (PDR), sum decision rule (SDR), maximum
decision rule (MDR) dan majority vote rule
(MVR). Penggabungan dilakukan dengan mengkombinasikan , , dan
dengan ukuran sampling points dan
radius (8,1), (16,2), dan (24,3). Total keseluruhan kombinasi yang diujicobakan adalah 65 kombinasi.
Pengujian dengan Sistem
Pengujian dilakukan pada data uji untuk melihat tingkat keberhasilan klasifikasi terhadap citra uji. 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 diformulasikan sebagai berikut:
(19)
Perangkat Keras dan perangkat Lunak Perangkat keras yang digunakan dalam penelitian ini adalah Processor Intel(R) Core(TM)2 Duo CPU T5670 @ 1.80 GHz, memori DDR2 RAM 1.00 GB, dan harddisk 80 GB. Perangkat lunak yang digunakan adalah Sistem operasi Windows 7 Ultimate, dan Microsoft Visual C++ 2008 Express Edition.
HASIL DAN PEMBAHASAN Hasil Ekstraksi Tekstur dengan
Ekstraksi dengan dilakukan untuk
beberapa ukuran sampling point (P) dan radius (R) seperti yang tertera pada Tabel 2. Hasil ekstraksi dengan direpresentasikan
dengan histogram. Histogram untuk P=8, R=1 diperlihatkan pada Gambar 9.
Jarak Pagar (Jatropha curcas Linn.) Operator (8,1)
Gambar 9 Histogram citra tumbuhan
obat Jarak Pagar (Jathopra curcas
Linn.) untuk operator (8,1).
Histogram yang ditunjukkan Gambar 8 menunjukkan nilai uniform patterns pada bin 0 sampai dengan P, dan nilai nonuniform patterns pada bin P + 1. Bin nonuniform patterns memiliki frekuensi yang paling tinggi untuk semua operator karena pola-pola LBP
nonuniform ditempatkan pada bin P + 1. Nonuniform patterns memiliki informasi yang
kurang informatif, sehingga bukan merupakan karakteristik utama dari tekstur lokal suatu citra.
Histogram yang dihasilkan mendeskripsikan tekstur suatu citra yang bersifat uniform
patterns dan tidak sensitif terhadap rotasi.
Operator (24,3) mendeksripsikan pola tekstur yang lebih baik dibandingkan operator (8,1) dan (16,2). Hal tersebut disebabkan pertumbuhan ukuran P dan R yang menyebabkan informasi yang didapatkan menjadi lebih banyak. Hasil Ekstraksi Tekstur dengan
Ekstraksi dengan dilakukan untuk
beberapa ukuran P dan R seperti yang tertera pada Tabel 2. Hasil ekstraksi dengan
menghasilkan histogram dengan bin mulai dari 0 sampai dengan 127. Hasil ekstraksi menggunakan untuk P=16, R=2
ditunjukkan dengan histogram pada Gambar 10. sangat sensitif terhadap perubahan
pencahayaan (illumination) yang
mengakibatkan perbedaan kontras pada tekstur suatu citra. Histogram yang dihasilkan mendeskripsikan kontras suatu citra. Jumlah bin yang sama pada setiap operator menandakan bahwa informasi kontras tidak dipengaruhi oleh operator yang digunakan. Perbedaan yang terjadi hanya pada intensitas setiap bin untuk
10 mendreskripsikan nilai kontras dari intensitas
terendah (direpresentasikan dengan bin
pertama) sampai intensitas tertinggi (bin terakhir). Histogram pada Gambar 12 menunjukkan citra Jarak Pagar (Jathopra
curcas Linn.) memiliki kontras yang rendah.
Hal ini dapat diamati dari banyaknya frekuensi tinggi pada bin-bin awal.
Pohon Darah Naga (Dracena draco) Operator (16,2)
Gambar 10 Histogram citra tanaman
hias Darah Naga (Dracena draco) untuk operator (16,2).
Hasil Ekstraksi Tekstur dengan
mempunyai rentang nilai dan
jumlah bin yang sama dengan untuk
setiap operator. Hasil ekstraksi menggunakan untuk P=24, R=3 ditunjukkan dengan
histogram pada Gambar 11.
Jarak Pagar (Jatropha curcas Linn.) Operator (24,3)
Gambar 11 Histogram citra tumbuhan
obat Jarak Pagar (Jathopra curcas
Linn.) untuk operator (24,3).
Hasil ekstraksi dengan
menghasilkan histogram dengan pola yang menyerupai karena memiliki
rentang nilai yang mengacu kepada
nilai di posisi region yang sama.
Ekstraksi tekstur menggunakan LBPV melengkapi pola-pola tekstur spasial lokal dengan intensitas kontras lokal yang memainkan peranan penting pada texture
discrimination, sehingga LBPV bersifat
rotation invariant (tidak sensitif terhadap
perubahan rotasi) dan tahan terhadap perubahan pencahayaan.
Hasil Ekstraksi Tekstur dengan Penggabungan Operator
Hasil ekstraksi tekstur dengan penggabungan operator dilakukan dengan mengekstraksi masing citra masing-masing operator, kemudian dari masing-masing histogram yang dihasilkan dirangkai menjadi satu histogram (concatenation). Kombinasi pengabungan operator ditunjukkan pada Tabel 2. Hasil ekstraksi menggunakan
dengan penggabungan operator (8,1) dan (16,2) ditunjukkan dengan histogram pada Gambar 12.
Pohon Darah Naga (Dracena draco)
Operator (8,1)+(16,2)
Gambar 12 Histogram citra tanaman
hias Darah Naga (Dracena draco) dengan penggabungan operator (8,1) dan (16,2).
Penggabungan operator berusaha memperbanyak informasi yang ditangkap oleh beberapa operator. Penggabungan operator seperti pada Gambar 12 mengasumsikan bahwa operator-operator yang digunakan bersifat saling bebas. Penggabungan operator dengan
11 yang berbanding lurus dengan banyaknya
sampling points (P).
IdentifikasiCitra Tanpa Penggabungan Identifikasi citra dilakukan dengan menggunakan sistem yang diberi nama
Meditopia. Citra uji akan diekstraksi dan di
identifikasi, kemudian sistem akan mengeluarkan hasil identifikasi citra uji tersebut. Hasil identifikasi citra akan mengeluarkan nama citra dan informasi mengenai citra uji tersebut. Screenshoot dari pengujian identifikasi citra uji dapat dilihat di Lampiran 5.
Identifikasi citra dilakukan dengan menggunakan Probabilistic Neural Network (PNN). Hasil ekstraksi 1.440 citra menggunakan dan
descriptor menghasilkan vektor-vektor histogram citra tumbuhan obat. Klasifikasi dilakukan dengan membagi data latih dan data uji masing-masing 80% dan 20 % untuk citra tumbuhan obat, serta 70% dan 30 % untuk citra tanaman hias.
Hasil identifikasi masing-masing descriptor dengan tiga ukuran P dan R menghasilkan nilai akurasi dalam satuan persen yang disajikan pada Tabel 4.
Dari Tabel 4, akurasi tertinggi untuk ada pada operator (24,3). Akurasi
tertinggi untuk ada pada operator
(24,3). Untuk akurasi tertinggi
didapatkan pada penggabungan operator (24,3). Tabel 4 Akurasi hasil klasifikasi citra tumbuhan tanpa menggunakan penggabungan fitur.
Operator P, R Jumlah bin Akurasi
8,1 16,2 24,3 10 18 26 60.000% 61.667% 71.000% 8,1 16,2 24,3 128 128 128 41.667% 48.000% 50.333% 8,1 16,2 24,3 10 18 26 56.333% 57.667% 59.667%
Dari hasil percobaan didapatkan bahwa tidak lebih baik mendeksprisikan
informasi tekstur dibandingkan dengan
dan . Hal ini dikarenakan data citra
daun tumbuhan obat memiliki kontras yang cenderung seragam. menghasilkan
akurasi yang paling baik sebesar 71 %, karena data citra daun tumbuhan obat memiliki pola tekstur yang bervariasi. Bervariasinya pola-pola tekstur menjadikan diskriminannya tinggi. memiliki rata-rata akurasi yang tidak
lebih baik dari , karena rendahnya nilai
yang digunakan dalam pembobotan
.
Tabel 5 menyajikan hasil identifikasi citra pohon tanaman hias masing-masing descriptor dengan tiga operator menghasilkan nilai akurasi dalam satuan persen.
Tabel 5 Akurasi hasil klasifikasi citra tanaman
hias tanpa menggunakan
penggabungan fitur.
Operator P, R Jumlah bin Akurasi
8,1 16,2 24,3 10 18 26 70.000% 71.111% 78.889% 8,1 16,2 24,3 128 128 128 68.889% 66.667% 68.889% 8,1 16,2 24,3 10 18 26 71.111% 78.889% 75.556%
Dari Tabel 5 didapatkan descriptor yang paling baik untuk mendeskripsikan informasi tekstur citra tanaman hias adalah .
Akurasi tertinggi didapatkan pada dengan operator (16,2) sebesar
78.889%. Citra pohon tanaman hias memiliki pola tekstur dan kontras yang lebih kompleks dari pada data citra daun tumbuhan obat. Hal ini menyebabkan menjadi descriptor yang
paling baik.
Identifikasi Citra dengan Penggabungan Operator
Hasil identifikasi dengan penggabungan operator pada citra tumbuhan obat disajikan pada Tabel 6. Dari hasil percobaan yang telah dilakukan, tidak semua penggabungan operator untuk masing-masing descriptor menghasilkan akurasi yang lebih baik dibandingkan tanpa penggabungan. Hasil ini disebabkan karena data citra daun tumbuhan obat memiliki struktur tekstur yang kurang kompleks.
Penggabungan operator pada citra tumbuhan obat tidak mengalami peningkatan akurasi.
12 Secara umum, penggabungan operator hanya
meningkatkan akurasi pada descriptor .
Akurasi tertinggi untuk penggabungan operator adalah 70.667 % pada dengan
penggabungan operator (8,1), (16,2), dan (24,3). Akurasi tertinggi tanpa penggabungan operator adalah 71.000 % pada descriptor
dengan operator (24,3).
Tabel 6 Akurasi hasil klasifikasi penggabungan operator LBP citra daun tumbuhan obat
Operator P, R Jumlah bin Akurasi
8,1+16,2 8,1+24,3 16,2+24,3 8,1+16,2+24,3 10+18 10+26 18+26 10+18+26 64.667% 69.000% 70.000% 69.000% 8,1+16,2 8,1+24,3 16,2+24,3 8,1+16,2+24,3 128+128 128+128 128+128 128+128+128 26.333% 27.000% 26.000% 23.333% 8,1+16,2 8,1+24,3 16,2+24,3 8,1+16,2+24,3 10+18 10+26 18+26 10+18+26 65.667% 69.667% 67.000% 70.667%
Pada penggabungan operator menggunakan penurunan akurasi terjadi yang cukup
besar dibandingkan dengan hasil tanpa penggabungan. Hal ini dikarenakan fitur kontras dalam citra tumbuhan obat kurang diskriminan untuk dijadikan penciri. Penurunan akurasi juga disebabkan oleh besarnya panjang histogram pada penggabungan operator pada .
Histogram dengan dimensi yang besar membutuhkan biaya komputasi yang besar, baik dari segi kecepatan maupun konsumsi memori (Mäenpää 2003).
Secara umum peningkatan akurasi terjadi pada setiap kelas setelah menggunakan penggabungan operator. Pada Gambar 13 dapat dilihat perbandingan akurasi klasifikasi tiap kelas sebelum dan sesudah penggabungan. Pada Gambar 13 bisa dilihat bahwa kelas yang mengalami akurasi 100 % sebelum penggabungan paling banyak ada dua. Setelah dilakukan penggabungan operator, kelas yang mengalami akurasi 100 % bertambah menjadi lima.
Gambar 13 Grafik akurasi citra tumbuhan obat untuk setiap kelas menggunakan , , , dan
penggabungan operator
.
Hasil identifikasi dengan penggabungan operator pada citra tanaman hias disajikan pada Tabel 7. Descriptor yang mengalami peningkatan akurasi paling baik pada penggabungan operator adalah .
Akurasi tertinggi didapatkan pada dengan penggabungan operator (8,1)
dan (24,3) sebesar 84.444 %. Sedangkan akurasi tertinggi pada descriptor tanpa penggabungan operator didapatkan pada sebesar
13 Tabel 7 Akurasi hasil klasifikasi penggabungan
operator LBP citra pohon tanaman hias
Operator P, R Jumlah bin Akurasi
8,1+16,2 8,1+24,3 16,2+24,3 8,1+16,2+24,3 10+18 10+26 18+26 10+18+26 72.222% 74.444% 77.778% 75.556% 8,1+16,2 8,1+24,3 16,2+24,3 8,1+16,2+24,3 128+128 128+128 128+128 128+128+128 50.000% 61.667% 63.333% 41.000% 8,1+16,2 8,1+24,3 16,2+24,3 8,1+16,2+24,3 10+18 10+26 18+26 10+18+26 83.333% 84.444% 82.222% 83.333%
Citra pohon tanaman hias memiliki pola tekstur dan kontras yang lebih kompleks dari pada data citra daun tumbuhan obat. Hal ini menyebabkan menjadi descriptor yang
paling baik diantara ketiga descriptor, karena mendeskripsikan informasi pola
tekstur dan kontras local region. Dengan melakukan penggabungan beberapa operator pada , akurasi klasifikasi menjadi
meningkat.
Pada Gambar 14 dapat dilihat perbandingan akurasi klasifikasi tiap kelas citra tanaman hias sebelum dan sesudah penggabungan. Metode penggabungan operator yang digunakan dalam penelitian ini tidak menjamin sepenuhnya akan meningkatkan akurasi klasifikasi. Penggabungan operator juga bisa menurunkan akurasi klasifikasi karena ada asumsi saling bebas antara beberapa operator yang digunakan. Misalnya untuk citra tanaman hias ke-7 yang mengalami penurunan akurasi setelah dilakukan penggabungan operator. Pada Gambar 14 bisa dilihat bahwa akurasi klasifikasi kelas ke-7 menggunakan dan
masing-masing adalah 66.667% dan 100%. Setelah dilakukan penggabungan operator dengan menggunakan akurasi klasifikasi
menjadi 66.667%. Namun secara umum akurasi meningkat untuk setiap kelas setelah dilakukan penggabungan operator.
Gambar 14 Grafik akurasi citra tanaman hias untuk setiap kelas menggunakan , , dan
penggabungan operator
.
Identifikasi Citra dengan Classifier Combination
Hasil klasifikasi masing-masing fitur LBP digabungkan dengan empat teknik classifier
combination di antaranya product decision rule
(PDR), sum decision rule (SDR), maximum
decision rule (MDR), dan majority vote rule
(MVR). Penentuan kelas menggunakan teknik PDR dan SDR melibatkan semua fitur yang digabungkan. Untuk teknik MDR dan MVR, penentuan kelas dengan cara memilih fitur yang dominan. Ciri yang dominan ditentukan dengan memilih nilai posterior probabilities kelas yang maksimum. Penggabungan dilakukan dengan mengkombinasikan sebanyak 2 sampai dengan 3 fitur , dan dengan
14 Dari berbagai kombinasi antara descriptor
dengan operator, didapatkan 65 kombinasi penggabungan yang diujicobakan. Hasil lengkap eksperimen untuk citra daun tumbuhan obat dan citra tanaman hias disajikan di Lampiran 3 dan 4. Tabel 8 menyajikan akurasi terbaik untuk setiap teknik penggabungan model klasifikasi untuk citra daun tumbuhan obat.
Tabel 8 Akurasi terbaik untuk setiap teknik penggabungan model klasifikasi citra daun tumbuhan obat.
Teknik Akurasi Fitur
PDR 77.000 % ,
SDR 73.333 % ,
MDR 72.222 % , MVR 67.333 % ,
Dengan menggunakan teknik PDR, akurasi tertinggi didapatkan pada penggabungan fitur dan sebesar 77 %. Akurasi
penggabungan dan juga
merupakan akurasi paling tinggi diantara semua penggabungan menggunakan classifier combination maupun penggabungan operator.
Jika dilihat akurasi untuk masing-masing fitur sebelum penggabungan, menghasilkan
akurasi 60 %, sedangkan
menghasilkan 59,667 %.
Pada Gambar 15 bisa dilihat bahwa akurasi tiap kelas pada penggabungan fitur dan
mengalami peningkatan
dibandingkan dengan sebelum penggabungan. Hal ini juga berlaku untuk penggabungan fitur yang lain. PDR selalu memberikan akurasi yang lebih baik di antara keempat teknik classifier
combination karena semua fitur memiliki
kontribusi dalam menentukan keputusan kelas. Pada penggabungan fitur dan
dengan menggunakan PDR, ada 8
kelas citra tumbuhan obat yang terklasifikasi 100 % dengan benar. Kelas yang paling banyak mengalami kesalahan klasifikasi (miss
classification) adalah kelas citra ke-25 atau
daun kemuning yang ditunjukkan pada Gambar 16. Citra-citra pada kelas ini memiliki perbedaan pola tekstur dan kontras yang cukup tinggi antara satu citra dengan citra lain, sehingga akurasinya rendah.
Gambar 15 Grafik akurasi citra tumbuhan obat untuk setiap kelas menggunakan , , dan
penggabungan klasifikasi PDR , .
Penggabungan SDR dan MDR memiliki akurasi terbaik sebesar 73,333 % pada penggabungan dan . Jika
dilihat akurasi untuk masing-masing fitur sebelum penggabungan,
menghasilkan akurasi 71 %, sedangkan menghasilkan 59.667 %.
Gambar 16 Citra tumbuhan obat yang paling banyak mengalami kesalahan klasifikasi (miss classification). Penggabungan MVR menghasilkan akurasi terbaik sebesar 67.333 % pada penggabungan dan . Jika dilihat akurasi untuk
15 menghasilkan akurasi 71 %,
sedangkan menghasilkan 61.667 %.
Akurasi terbaik hasil classifier combination pada citra pohon tanaman hias disajikan pada Tabel 9. Untuk citra pohon tanaman hias akurasi tertinggi didapatkan dengan teknik PDR yang menggunakan fitur dan
yaitu sebesar 86.667 %. Citra pohon tanaman hias memiliki tekstur yang sangat kompleks sehingga operator sangat baik dalam
mendeskripsikan fitur tekstur. Dengan teknik PDR, penggabungan fitur dan
merupakan salah satu metode untuk menghasilkan akurasi terbaik pada identifikasi citra pohon tanaman hias. Citra pohon tanaman hias menghasilkan akurasi yang baik dibandingkan citra daun tumbuhan obat, karena metode LBP sangat cocok untuk citra yang memiliki struktur tekstur yang kompleks. Tabel 9 Akurasi terbaik untuk setiap teknik
penggabungan model klasifikasi citra pohon tanaman hias.
Teknik Akurasi Fitur
PDR 86.667 % SDR 82.222 %
MDR 82.222 % MVR 82.222 %
Akurasi tiap kelas penggabungan fitur dan dengan menggunakan
PDR bisa dilihat pada Gambar 18. Pada penggabungan tersebut ada 21 kelas citra tanaman hias yang terklasifikasi 100 % dengan benar. Salah satu kelas yang paling banyak mengalami kesalahan klasifikasi (miss
classification) adalah kelas citra ke-26 atau
tanaman hias dengan nama latin Asplenium
nidus yang ditunjukkan pada Gambar 17.
Citra-citra pada kelas ini memiliki perbedaan pola tekstur dan kontras yang cukup tinggi dibandingkan dengan kelas lain, sehingga hasil akurasinya rendah.
Gambar 17 Citra tanamanan hias dengan nama latin Asplenium nidus paling banyak mengalami kesalahan klasifikasi (miss classification).
Gambar 18 Grafik akurasi citra tanaman hias untuk setiap kelas menggunakan , , dan
penggabungan klasifikasi PDR , .
Perbandingan Akurasi Klasifikasi Sebelum dan Sesudah Penggabungan Fitur
Secara umum penggabungan fitur dengan metode penggabungan operator dan penggabungan model klasifikasi selalu menghasilkan akurasi klasifikasi yang lebih baik dibandingkan dengan tanpa penggabungan fitur. Grafik akurasi klasifikasi terbaik sebelum dan sesudah klasifikasi untuk citra tumbuhan obat ditampilkan pada Gambar 19.
Gambar 19 Perbandingan akurasi klasifikasi terbaik pada citra tumbuhan obat untuk tanpa penggabungan fitur dan penggabungan fitur.
16 Untuk citra tumbuhan obat, penggabungan
operator tidak menghasilkan akurasi yang lebih baik dibandingkan dengan tanpa penggabungan. Hal ini dipengaruhi oleh seberapa kompleks tekstur citra. Citra tumbuhan obat cenderung memiliki tekstur yang tidak sekompleks citra tanaman hias, sehingga penggabungan operator tidak meningkatkan akurasi. Lain halnya dengan citra tanaman hias, penggabungan operator dan penggabungan model klasifikasi menghasilkan akurasi yang lebih baik dibandingkan dengan tanpa penggabungan. Grafik akurasi klasifikasi terbaik sebelum dan sesudah klasifikasi untuk citra tanaman hias ditampilkan pada Gambar 20.
Gambar 20 Perbandingan akurasi klasifikasi terbaik pada citra tanaman hias untuk tanpa penggabungan fitur dan penggabungan fitur.
KESIMPULAN DAN SARAN Kesimpulan
Penggabungan fitur local binary patterns untuk identifikasi citra daun tumbuhan obat dan tanaman hias secara otomatis berhasil diimplementasikan. Penggabungan dilakukan dengan dua metode, yaitu penggabungan operator dan penggabungan model klasifikasi (classifier combination). Kedua metode penggabungan menggunakan metode klasifikasi
probabilistic neural network. Penelitian ini
telah membuktikan bahwa kedua metode penggabungan akan meningkatkan akurasi klasifikasi.
Untuk citra tumbuhan obat, akurasi klasifikasi terbaik sebelum dan sesudah penggabungan fitur LBP adalah sebagai berikut: tanpa penggabungan fitur menghasilkan
akurasi sebesar 71.000% dengan menggunakan .
penggabungan operator (8,1),
(16,2) dan (24,3) menghasilkan akurasi sebesar 70.667%.
penggabungan klasifikasi dan
menggunakan teknik PDR
menghasilkan akurasi sebesar 77.000%. Untuk citra tanaman hias, akurasi terbaik sebelum dan sesudah penggabungan fitur LBP adalah:
tanpa penggabungan fitur menghasilkan akurasi sebesar 78.889% dengan menggunakan .
penggabungan operator (8,1) dan
(24,3) menghasilkan akurasi sebesar 84.444%.
penggabungan klasifikasi dan
menggunakan teknik PDR
menghasilkan akurasi sebesar 86.667%. Citra pohon tanaman hias menghasilkan akurasi yang baik dibandingkan citra daun tumbuhan obat, karena metode LBP sangat cocok untuk citra yang memiliki struktur tekstur yang kompleks. Untuk semua metode penggabungan fitur, akurasi terbaik didapatkan pada metode penggabungan dengan classifier
combination menggunakan PDR baik pada citra
daun tumbuhan obat maupun citra pohon tanaman hias.
Saran
Penelitian ini menggunakan database citra yang relatif sedikit jumlahnya, sehingga untuk penelitian selanjutnya disarankan untuk memperbanyak database citra. Akuisisi citra juga perlu diperbaiki dengan memperhatikan penggunaaan kamera digital, pencahayaan, resolusi, dan sudut pengambilan yang sama.
DAFTAR PUSTAKA
Acharya T, Ray A. 2005. Image Processing
Principles and Aplications. New Jersey :
John Wiley & Sons Inc.
Ahonen T, Hadid A, Pietikäinen M. 2006. Face
Description with Local Binary Patterns: Application to Face Recognition. University
of Oulu, Finland.
Araghi L. F., et al. 2009. Ship Identification
Using Probabilistic Neural Networks (PNN). Hongkong : IMECS.
Bappenas. 2003. Indonesia Biodiversity and
Action Plan 2003-2020. Jakarta: Bappenas.
Fang Y., et al. 2009. Fusion of
Multi-directional Rotation Invariant Uniform LBP Features for Face Recognition. Shanghai:
17 Guo Zhenhua, Zhang Lei, Zhang David. 2009.
Rotation Invariance Texture Classification Using LBP variance (LBPV) with Global Matching. The Hong Kong Polytechnic
University.
Guo Zhenhua, Zhang Lei, Zhang David. 2010.
A Completed Modeling of Local Binary Pattern Operator for Texture Classification. IEEE Transactions on Image Processing.
Vol. 19, No. 6, pp. 1657-1663.
Kebapci H, Yanikoglu B, Unal G. 2009. Plant
Image Retrieval Using Color, Shape, and Texture Features. Faculty of Engineering
and Natural Sciences Sanbaci University. Kulsum, L. U. 2010. Identifikasi Tanaman Hias
Secara Otomatis Menggunakan Metode Local Binary Patterns Descriptor dan Probabilistic Neural Network. Skripsi. Institut Pertanian Bogor.
Mäenpää Topi. 2003. The Local Binary
Patterns Approach to Texture Analysis.
Oulu : Oulu University Press.
Masyhud. 2010. Lokakarya Nasional Tumbuhan
Obat Indonesia 2010. Jakarta : Pusat
Penelitian dan Pengembangan Hutan Tanaman.
Nurafifah. 2010. Penggabungan Ciri Morfologi, Tekstur, dan Bentuk Untuk Identifikasi Daun Menggunakan Probabilistic Neural Network. Skripsi. Institut Pertanian Bogor. Ojala T., et al. 2002. Multiresolution
Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns.
IEEE Transactions on PAMI. Vol. 24, No.
7, pp. 2037-2041.
Pietikäinen M, Ojala T, Xu Z. 2000. Rotation-invariant Texture Classification Using Feature Distribution. Pattern Recognition. Vol. 33. Hal. 43-52.
Ramakrishnan S, Emary I. 2008. Comparative
Study Between Traditional and Modified Probabilistic Neural Network. India :
Springer Science.
Rodrigues PS, Aroujo AA. 2004. A
Bayesian Network Model Combining Color, Shape and Texture Information to Improve Content Based Image Retrieval Systems. Petropolis : LNCC.
Wu S. G., et al. 2007. A Leaf Recognition
Algorithm for Plant Using Probabilistic Neural Network. China : Chinese Academy
Science.
Zuhud, E.A.M. 2009. Potensi Hutan Tropika Indonesia sebagai Penyangga Bahan Obat Alam untuk Kesehatan Bangsa. Jurnal
Bahan Alam Indonesia. Vol VI No.6,
18
LAMPIRAN
Lampiran 1 Tiga puluh jenis citra tumbuhan obat. Pandan Wangi (Pandanus amaryllifolius Roxb.) Jarak Pagar (Jatropha curcas Linn.) Dandang Gendis (Clinacanthus nutans Lindau) Lavender (Lavendula afficinalis Chaix) Akar Kuning (Arcangelisiaflav a L.) Daruju (Acanthus ilicifolius L.) Pegagan (Centella asiatica, (Linn) Urban.) Andong (Centella asiatica, (Linn) Urban.) Kemangi (Ocimum basilicum) Iler (Coleus scutellarioides, Linn, Benth) Jeruk Nipis (Citrus aurantifolia, Swingle.) Bidani (Quisqualis Indica L.) Gadung Cina (Smilax china) Tabat Barito (Ficus deloidea L.) Nandang gendis kuning Bunga Telang (Clitoria ternatea L.) Mangkokan (Nothopanax scutellarium Merr.) Som Jawa (Talinum paniculatum (jacq.) Gaertn.) Pungpulutan (Urena lobata L.) Sosor Bebek (Kalanchoe pinnata (Lam.)Pers) Nanas kerang (Rhoeo discolor (L.Her.) Hance) Seligi (Phyllanthus buxifolius Muell) Remak Daging (Excecaria bicolor Hassk) Kumis Kucing (Orthosiphon aristatus (B1) Miq.) Kemuning (Murraya paniculata [L..] Jack.) Cincau Hitam (Mesona palustris) Sambang Darah (Excoceria cochinchinensis Lour.) Landik (Barleria lupulina Lindl.) Jambu Biji (Psidium guajava L.) Handeuleum (Graptophyllum pictum (L.) Griffith) 19
Lampiran 2 Tiga puluh jenis citra tanaman hias.
No Citra Tanaman Hias Nama Latin Nama Lokal
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)
Aglaonema atau sri rezeki (Indonesia) dan shinese evergreen (Inggris)
7
Aglaonema sp.
(Snow White)
Aglaonema atau sri rezeki (Indonesia) dan shinese evergreen (Inggris)
8
Dendrobium sp. Anggrek dendrobium (Indonesia) dan orchids (Inggris)
9
Furcraea foetida Green aloe (Inggris)
10
Dendrobium sp. anggrek dendrobium (Indonesia) dan orchids (Inggris)
Lampiran 2 Lanjutan.
11
Dendrobium sp. anggrek dendrobium (Indonesia) dan orchids (Inggris)
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) dan orchids (Inggris)
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
plant (Inggris)
Lampiran 2 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)
30
Piper decumanum Sirih merah (Indonesia)
