1
Tanaman merupakan bagian penting dalam ekosistem, berbagai jenis tanaman telah digunakan selama berabad-abad dalam bidang pangan, papan, maupun obat-obatan. Gloria Samantha dalam http://nationalgeographic.co.id menyatakan “…Indonesia menjadi habitat bagi 30.000 dari total sekitar 40.000 jenis tumbuh-tumbuhan obat yang telah dikenal di dunia”, dari sekian banyak jenis tanaman obat yang ada di Indonesia 1.300 jenis telah dimanfaatkan sebagai obat tradisional (Muktiningsih, 2001).
Tanaman obat merupakan salah satu jenis tanaman yang memiliki peranan yang sangat penting dalam hidup manusia, bahkan berdasarkan data WHO 2007, sekitar 80% penduduk dunia dalam perawatan kesehatan memanfaatkan obat tradisional yang berasal dari ekstrak tumbuhan. Pengetahuan tentang obat tradisional khususnya tanaman obat tradisional Bali yang masih rendah menyebabkan sulitnya pemanfaatan obat tradisional oleh masing-masing orang dalam lingkup kecil seperti keluarga, hal ini karena pengetahuan mengenai tanaman obat tradisional Bali masih diturunkan berdasarkan kebiasaan dan pustaka-pustaka seperti lontar yang hanya dimiliki oleh segelintir orang. Tanaman obat tradisional yang mencapai ribuan jenisnya juga sulit untuk diidentifikasi, sekalipun masyarakat telah memiliki pengetahuan mengenai ciri-ciri tanaman obat Bali, karena terdapat beberapa jenis tanaman yang memiliki ciri yang sama satu dengan lainnya dan adanya faktor subjektif dari mata manusia, menyebabkan kesalahan dalam penentuan jenis tanaman obat tradisional Bali kerap terjadi. Hal ini menjelaskan bahwa informasi dan ketelitian menjadi sangat penting dalam melakukan identifikasi tanaman obat tradisional Bali. Mengamati fenomena ini maka dibutuhkan suatu perangkat lunak untuk menentukan jenis tanaman obat tradisional Bali agar kesalahan klasifikasi dapat diminimalisir.
Peneliti bidang Artificial Intelegence telah menggunakan beberapa metode dalam melakukan klasifikasi jenis tanaman seperti probabilistic neural network,
fourier moment, SVM-BDT. Metode yang kerap digunakan dalam klasifikasi tanaman salah satunya adalah SVM-BDT, dibandingkan dengan beberapa metode lainnya seperti fourier moment, probabilistic neural network (PNN) maka SVM-BDT dinyatakan memberikan hasil yang baik dalam hal klasifikasi tanaman (Krishna Singh, 2010). SVM merupakan klasifikasi yang memperoleh solusi optimal sebagai pembeda antar kelas, lain halnya dengan neural network yang umumnya solusi ditentukan oleh pemilihan bobot awal, sehingga classifier yang didapat kemungkinan merupakan local optimum. Klasifikasi jenis tanaman tidak hanya ditentukan oleh metode yang digunakan tapi juga oleh penentuan fitur-fitur yang menjadi tolak ukur klasifikasi, untuk itu ekstraksi fitur juga menjadi penentu akurasi dari classifier (abdul kadir, 2011). Berdasarkan pemaparan sebelumnya maka penelitian kali ini difokuskan pada bagaimana melakukan klasifikasi jenis tanaman obat tradisional Bali.
Rumusan Masalah
Berdasarkan latar belakang di atas maka dapat dirumuskan masalah sebagai berikut :
1. Bagaimana cara mendapatkan citra daun yang sesuai untuk klasifikasi tanaman obat tradisional Bali ?
2. Bagaimana cara menerapkan metode SVM-BDT untuk pengenalan tanaman obat tradisional Bali ?
Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk menerapkan metode SVM-BDT untuk mengenali jenis tanaman obat tradisional Bali yang dilatih.
Batasan Masalah
Ada beberapa batasan masalah dalam penelitian ini. Hal ini dilakukan agar program yang dirancang dapat berjalan dengan baik. Berikut batasan yang ada :
1. Sistem yang dirancang merupakan program offline berbasis desktop. 2. Sistem ini dapat mengenali jenis tanaman obat tradisional hanya
3. Citra daun yang digunakan untuk training maupun testing berukuran minimal 1600 x 1200 piksel diambil dengan scanner dan berlatar putih. 4. Sistem hanya dirancang untuk menentukan jenis antara tanaman obat Bali
satu dengan tanaman obat Bali lainnya yang digunakan sebagai sampel.
Manfaat Penelitian
Manfaat dari penelitian ini adalah membantu masyarakat awam dan peneliti berkaitan dengan botani dan obat-obatan dalam menentukan jenis tanaman obat tradisional Bali.
Metodelogi Penelitian
Pada sub-bab metode penelitian dijelaskan mengenai proses yang dilalui untuk mendapatkan fitur-fitur daun serta metode klasifikasi yang digunakan untuk menentukan jenis tanaman obat tradisional Bali. Adapun sub-bab metode penelitian menjelaskan tentang desain penelitian, pengumpulan data, pengolahan data awal dan metode yang digunakan.
1.6.1 Desain Penelitian
Judul dari penelitian ini adalah “Pengenalan Pola Daun Untuk Menentukan Jenis Tanaman Obat Tradisional Bali dengan Metode SVM-BDT”. Penelitian ini merupakan penelitian riset eksperimental (Hasibuan, 2007). Analisis data citra dilakukan dengan memilih data daun tanaman obat tradisional Bali dari sekian banyak jenis tanaman obat di kebun Bokashi Farm, pemilihan tanaman obat tradisional Bali ini didasarkan atas buku usadha Bali. Selanjutnya, daun asli dibersihkan dan di-scan, selanjutnya data diolah sedemikian rupa sehingga memiliki background putih dan didapat ukuran yang diinginkan, proses ini dilakukan secara manual dengan software pengolahan citra. Ukuran background citra yang digunakan minimal 1600x1200 piksel hal ini diperlukan agar ukuran dari citra daun hasil scan sesuai dengan ukuran sebenarnya. Daun hasil load dimunculkan pada imagebox, gambar yang muncul merupakan gambar awal yang di-resize ke ukuran 400 x 300 piksel. Tahap selanjutnya adalah pre-processing yakni citra RGB dikonversi menjadi citra grayscale, black and white, diteksi tepi,
dan operasi morfologi. Proses selanjutnya setelah tahap ekstraksi fitur agar diperoleh 12 fitur digital, selain itu penelitian ini juga menambah fitur 7 Hu’s moment invariant yang nantinya dapat digunakan sebagai pembanding jika dengan maupun tanpa fitur 7 Hu’s moment invariant. Proses berikutnya adalah training dengan SVM-BDT dan dilanjutkan dengan proses testing terhadap data-data daun obat tradisional Bali yang digunakan sebagai sampel.
1.6.2 Pengumpulan Data
Data penelitian ada dua jenis (Hasibuan, 2007), yaitu data primer dan data sekunder. Data primer adalah data yang diambil langsung dari objek penelitian. Sedangkan data sekunder merupakan data yang tidak diperoleh secara langsung dari objek penelitian, melainkan data yang berasal dari sumber yang telah di kumpulkan oleh pihak lain. Data yang digunakan dalam penelitian ini adalah data sekunder, data yang diperoleh berupa daun tanaman yang telah berisi label pada tanamannya, data ini diperoleh dari kebun tanaman obat Bokasi Farm.
1.6.3 Pengolahan Data Awal
Daun tanaman obat tradisional yang berisi label dipilah-pilah untuk dijadikan sampel, pemilihan sampel didasarkan pada jenis-jenias daun yang memiliki kemiripan satu dengan lainnya dan tercantum dalam buku usadha Bali. Data daun dibersihkan dan di-scan lalu diberikan label berupa angka untuk tiap jenis tanaman sesuai data dari kebun Bokasi Farm. Setelah diperoleh data daun asli kemudian dibersihkan dan dilakukan proses scanning citra daun dengan format .jpg, foto daun ini kemudian diolah dengan software pengolahan citra agar background daun hasil scanning menjadi putih dan dilakukan proses resize menjadi ukuran 1600x1200 piksel. Langkah selanjutnya adalah pengolahan citra untuk mendapatkan fitur yang diperlukan, adapun tahapan tersebut meliputi preprocessing seperti proses cropping ,grayscale, black and white, edge ditection, dan opening morphologi. Kemudian dilakukan proses ektraksi fitur seperti smooth factor, narrow factor, diameter, aspect ratio, form factor, rectangularity, perimeter ratio of diameter, perimeter ratio of physiological length and physiological width, dan lima Vein features, selain 12 fitur tersebut juga dilakukan pencarian 7 fitur
lainnya yakni 7 Hu’s invariant moment yang merupakan fitur yang digunakan sebagai pembanding kemampuan klasifikasi nantinya.
1.6.4 Metode yang Digunakan
Dalam penelitian ini, metode yang digunakan untuk training adalah metode SVM-BDT. Pada proses training melibatkan proses pencarian hyperplane yang digunakan untuk klasifikasi terhadap data training maupun testing. SVM merupakan salah satu metode yang sangat popular dengan solusi global-nya jika dibandingkan dengan metode machine learning lainnya seperti perceptron maupun backpropagation. Metode SVM (Support Vector Machine) memberikan solusi optimal pada setiap proses trainingnya, sehingga berbeda dengan perceptron maupun backpropagation yang sering kali memperoleh solusi optimum local yang disebabkan oleh inisialisasi bobot awal secara random. SVM pada proses training berusaha memperoleh hyperplane yang umumnya berupa nilai lagrange multiplier dan nilai bias. SVM hanya menggunakan data-data support vector untuk melakukan klasifikasi sehingga proses testing menjadi relatif cepat, selain itu SVM juga melibatkan fungsi kernel dalam proses training dan testing pada data non-linier guna meningkatkan dimensi data agar lebih mudah untuk memperoleh hyperplane pada data. SVM merupakan salah satu metode yang sangat powerfull, akan tetapi memiliki kelemahan yakni tidak mampunya melakukan klasifikasi multiclass, untuk itu metode SVM di-hybrid dengan model lain yang dalam penelitian ini adalah model BDT(Binary Decsision Tree), sehingga SVM mampu melakukan proses klasifikasi multiclass. SVM-BDT menerapkan proses devisive clustering sebelum dilakukanya proses SVM, proses ini dilakukan secara rekursif, sehingga terbentuk dua kelas berbeda pada setiap iterasi, sampai semua kelas pada data training terklasifikasi.
