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
BOGOR
2012
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
BOGOR
2012
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.
Judul Skripsi : Perbandingan Local Binary Pattern dan Fuzzy Local 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
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
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).
Penulis menjadi staf Departemen Informasi dan Komunikasi BEM FMIPA IPB 2008/2009. Pada tahun 2010, penulis melaksanakan kegiatan praktik kerja lapangan di Badan Penelitian dan Pengembangan Pertanian selama 35 hari. Selama mengikuti perkuliahan, penulis pernah menjadi asisten praktikum untuk Mata Kuliah Basis data (2010 dan 2011), Metode Kuantitatif (2010), Rekayasa Perangkat Lunak (2010), dan Sistem Pakar (2011) di Departemen Ilmu Komputer, IPB. Pada tahun 2011, penulis menjadi finalis PIMNAS XXIV di Universitas Hasanuddin, Makasar pada bidang PKM-Teknologi.
v
DAFTAR ISI
Halaman DAFTAR TABEL ... vi DAFTAR GAMBAR ... vi DAFTAR LAMPIRAN ... vi PENDAHULUAN ... 1 Latar Belakang... 1 Tujuan Penelitian ... 1Ruang 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
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... 22 Ukuran circular neighborhood. ... 2
3 Membership function m0( ) 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 ... 142 Tiga puluh jenis citra tanaman hias ... 17
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 LBP untuk 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)
penampilan tekstur dipengaruhi oleh skala dan arah pandangan, serta lingkungan dan kondisi pencahayaan.
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 33 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
pcen e p p p , dengan pcen e merepresentasikan nilai intensitas pada piksel
pusat dan pi 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 pi dengan pi pi pcen e (a) (b) (c) Nilai LBP : 1 + 2 + 8 + 64 + 128 = 203
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: f R i j k k j i (4) f = (5)
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 pi dan piksel pusat pcen e (Iakovidis 2008), yaitu :
Rule R0: Jika nilai pi lebih negatif, nilai
kepastian terbesar dari di adalah 0.
Rule R1: Jika nilai pi lebih positif, nilai
kepastian terbesar dari di adalah 1.
Threshold Weights
(2) (1)
LBP
3 0; 1 1; 1 0; 1 1; 1 1; 0.9 1; 1 1; 1 0; 1 0; 1 1; 1 0; 1 1; 1 0; 0.1 1; 1 1; 1 0; 1
Gambar 3 Membership function m dan
m sebagai fungsi dari pi.
Dari rules R0 dan R1, dua membership
function m dan m dapat ditentukan.
Fungsi m mendefinisikan bahwa derajat di
adalah 0. Membership function m adalah
fungsi menurun (Gambar 3) yang didefinisikan sebagai berikut: m i pi
Sementara, membership function m
mendefinisikan bahwa derajat di adalah 1.
Fungsi m didefinisikan sebagai berikut
(Gambar 3): m i pi
merepresentasikan parameter yang
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 33, kontribusi
CLBP dari setiap kode LBP pada histogram
FLBP didefinisikan sebagai berikut (Keramidas 2008):
mdi
i
Total kontribusi ketetanggaan 33 ke dalam bin
histogram FLBP, yaitu:
Pada Gambar 4, pendekatan FLBP
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)
Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan. Setiap node pola merupakan perkalian titik (dot
product) dari vektor masukan yang akan
– pi pi - (7) histogram (9) (8) (106; 0,1) (122; 0.9) – pi pi - (6)
4
diklasifikasikan dengan vektor bobot
ij, yaitu i ij, i kemudian dibagi
d g b t rt tu σ d jut
dimasukkan ke dalam fungsi radial
basis, yaitu adba n e p -n . Dengan
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:
k k j j σ t (11)
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 Obat Citra Grayscale Ekstraksi Tekstur PNN Model Klasifikasi LBP Ekstraksi Tekstur Citra Kueri Histogram LBP Histogram Hasil Identifikasi Citra LBP FLBP PNN Histogram FLBP Model Klasifikasi FLBP Hasil Identifikasi Citra Citra
Keseluruhan Citra Daun
p(x) k Lapisan Masukan Lapisan Pola Lapisan Penjumlahan Lapisan Keputusan
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 (piksel) Kuantisasi sudut (8,1) 3 x 3 45 derajat (8,2) 5 x 5 45 derajat
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 pi yang
didapat, akan dihasilkan satu atau lebih nilai LBP dan nilai kontribusinya.
Blok yang berisikan nilai pi, selanjutnya
akan melalui proses fuzzy tresholding
berdasarkan Rule R0 dan Rule R1 dengan aturan berikut: di
Parameter fuzzifikasi (F) yang digunakan dalam penelitian berkisar antara 0 sampai 20 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 FLBP. Melalui proses fuzzy tresholding, akan
dihasilkan nilai LBP sebanyak 2n, dengan n
merupakan banyaknya nilai piksel pi yang
berada di rentang fuzzy antara –F sampai F. Seperti pada ilustrasi pada Gambar 7 dengan
F = 10.
Kode LBP
Derajat keanggotaan piksel Gambar 7 Proses Fuzzy thresholding.
Pada ilustrasi di atas terdapat dua nilai
yang berada di rentang fuzzy (- pi ).
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 pi 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
12 8 -20 -30 -15 20 15 5 pi - pi pi
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.
Jatropha curcas Linn.
Nilai keabuan piksel (a)
Nilai LBP (b)
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 antara piksel pusat dan piksel tetangga. Nilai-nilai piksel yang terkandung pada Gambar 9(a) hampir memiliki pola nilai yang seragam.
7 247 251 253 251 252 240 190 152 211 250 159 130 114 158 219 104 85 96 107 160 74 69 80 89 117 15; 31; 143; 159 135; 143; 151; 159; 167; 175; 183; 191; 199; 207; 215; 223; 231; 239; 247; 255 5; 7; 13; 15;21; 23; 29;31; 37;39;45; 47;53; 55; 61;63; 133; 135; 141;143;149; 151; 157; 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.
Jatropha curcas Linn.
Nilai keabuan piksel (a)
Nilai LBP (a)
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.
Hal ini dikarenakan FLBP dapat menghasilkan lebih dari 1 nilai LBP yang memiliki kedekatan nilai dengan piksel tetangganya sehingga representasi teksturnya lebih baik.
8
(a)
(b)
Gambar 11 Perbandingan histogram LBP (a) dan histogram FLBP (b) pada citra tumbuhan obat. IdentifikasiCitra 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 yang menghasilkan akurasi terbaik. Pada grafik dapat dilihat bahwa metode FLBP
lebih baik dibandingkan dengan LBP
karena meningkatkan akurasi untuk setiap
F > 0.
Gambar 12 menunjukkan bahwa hasil 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 semakin besar. 0 50 100 150 200 250 300 350 400 450 500 0 7 14 21 28 35 42 49 56 63 70 77 84 91 98 105 112 119 126 133 140 147 154 161 168 175 182 189 196 203 210 217 224 231 238 245 252 F re k u en si Nilai LBP Histogram LBP 0 50 100 150 200 250 300 350 400 450 500 0 7 14 21 28 35 42 49 56 63 70 77 84 91 98 105 112 119 126 133 140 147 154 161 168 175 182 189 196 203 210 217 224 231 238 245 252 F re k u en si Nilai LBP Histogram FLBP
9 0 10 20 30 40 50 60 70 80 90 100 0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 A k u r a si (% ) Parameter fuzzifikasi F FLBP (8,1) 0 10 20 30 40 50 60 70 80 90 100 0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 A k u r a si (% ) 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 10 20 30 40 50 60 70 80 90 100 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 A k u r a si (% ) Parameter fuzzifikasi F FLBP (8,1) 0 10 20 30 40 50 60 70 80 90 100 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 A k u r a si (% ) Parameter fuzzifikasi F FLBP (8,2)
10 0 10 20 30 40 50 60 70 80 90 100 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 Aku ra si (%) Kelas LBP (8,2) Pengujian data
Pengujian identifikasi citra dilakukan
oleh sistem. Sistem yang dibuat bernama
Fexsys. Citra kueri masukan akan diekstraksi
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.
Tabel 2 Kelas citra tumbuhan obat yang tidak terklasifikasi dengan LBP
Kelas Nama Citra Tumbuhan
Obat 14 Tabat Barito 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.
Gambar 15 Kelas citra tumbuhan obat yang selalu benar terklasifikasi. 0 10 20 30 40 50 60 70 80 90 100 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 Aku ra si (%) Kelas FLBP(8,2) dengan F = 4
11 0 10 20 30 40 50 60 70 80 90 100 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 Aku ra si (%) Kelas LBP (8,2) 0 10 20 30 40 50 60 70 80 90 100 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 Aku ra si (%) Kelas FLBP(8,2) dengan F = 18
Pada citra tanaman hias, diambil tiga data uji di setiap kelas untuk diidentifikasi oleh 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
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 Patterns descriptor 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
13
14
Lampiran 1 Tiga puluh citra tumbuhan obat
No Citra Tumbuhan Obat Nama (Nama Latin) Khasiat
1
Pandan Wangi (Pandanus
amaryllifolius Roxb)
Mengatasi rambut rontok, menghitamkan rambut, menghilangkan ketombe, lemah saraf.
2 Jarak Pagar (Jatropha
curcas Linn)
Mengatasi bengkak, terpukul, terkilir, gatal-gatal, lepra, borok, rematik, penyubur rambut). 3 Dandang Gendis (Clinacanthus nutans Lindau)
Dapat melancarakan air 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
hepatoprotektor(lever) dan anti malaria.
6 Daruju (Acanthus
ilicifolius L.)
Mengatasi hepatitis akut dan kronis, pembesaran kelenjar limpa, dan nyeri lambung.
7
Pegagan (Centella
asiatica, (Linn) Urban.)
Mengatasi tipus, busung, sakit kepala, influenza dan ayan (seluruh tanaman).
8
Andong (Centella
asiatica, (Linn) Urban.)
Mengatasi diare, disentri, nyeri lambung, dan ulu hati dan luka berdarah.
9 Kemangi (Ocimum
basilicum)
Mengatasi demam, sakit kepala, dan nyeri lambung.
10
Iler (Coleus
scutellarioides, Linn,Benth)
15
Lanjutan
No Citra Tumbuhan Obat Nama (Nama Latin) Khasiat
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.
13 Gadung Cina (Smilax
china)
Mengatasi diabetes jika dikonsumsi umbinya.
14 Tabat Barito (Ficus
deloidea L.) Mengatasi stroke.
15 Nandang Gendis
Kuning
Dapat melancarkan air seni dan luka luar(daun).
16 Bunga Telang (Clitoria
ternatea L.)
Mengatasi busung air, radang selaput, dan cacingan (daun, bunga, biji). 17 Mangkokan (Nothopanax scutellarium Merr.) Mengatasi radang payudara, melancarkan air seni, dan bau badan.
18
Som Jawa (Talinum
paniculatum (jacq.) Gaertn.)
Mengatasi batuk darah dan diare. 19 Pungpulutan (Urena lobata L.) Antiinflamasi, antirematik, hemostatik, dan antipiretik. 20 Sosor Bebek (Kalanchoe pinnata (Lam.)Pers)
Mengatasi sakit panas, sakit kepala, batuk, dan melancarkan air seni.
16
Lanjutan
No Citra Tumbuhan Obat Nama (Nama Latin) Khasiat
21
Nanas Kerang (Rhoeo
discolor (L.Her.) Hance)
Obat batuk.
22 Seligi (Phyllanthus
buxifolius Muell)
Mengatasi sendi terkilir.
23
Remak Daging (Excecaria bicolor
Hassk)
Mengatasi batuk darah dan muntah darah.
24
Kumis Kucing (Orthosiphon aristatus
(B1) Miq.)
Mengatasi sakit ginjal dan kandung kencing.
25 Kemuning (Murraya
paniculata Jack.)
Mengatasi radang saluran nafas, infeksi saluran kencing, keseleo, sakit gigi, dan reumatik.
26 Cincau Hitam (Mesona
palustris)
Mengatasi panas dalam, dan melancarkan pencernaan. 27 Sambang Darah (Excoceria cochinchinensis Lour.) Membunuh parasit, gatal-gatal, dan penghenti pendarahan.
28 Landik (Barleria
lupulina Lindl.)
Mengatasi gigitan anjing dan ular berbisa, bengkak, terpukul, bisul, dan luka berdarah
29 Jambu Biji (Psidium
guajava L.)
Mengatasi diare, peluruh haid, dan mencegah demam berdarah. 30 Handeuleum (Graptophyllum pictum (L.) Griffith.) Menghaluskan kulit, mematangkan bisul, pencahar, peluruh air kencing, menghentikan pendarahan, dan
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)
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)
18
Lanjutan
No Citra Tanaman Hias Nama Latin Nama Lain
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
19
Lanjutan
No Citra Tanaman Hias Nama Latin Nama Lain
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)
20
Lampiran 3 Antarmuka sistem 1 Ekstraksi seluruh data citra
2 Mengatur banyaknya data uji dan bias
Klik t b “Open Image”
21
Lanjutan
3 Identifikasi citra
Hasil ekstraksi citra kueri
Identifikasi citra kueri
