PENGGABUNGAN FITUR LOCAL BINARY PATTERNS UNTUK ... · Pada tahun 2007, penulis lulus dari Sekolah...

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

Tanggal Lulus:

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

Iyos Kusmana

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

LAMPIRAN ............................................................................................................................ 18

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


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


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


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.


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

masing-masing operator.

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).


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.


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

concatenation mempunyai biaya komputasi

11

yang berbanding lurus dengan banyaknya

sampling points (P).

Identifikasi Citra 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.


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


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

78.889%.

13

Tabel 7 Akurasi hasil klasifikasi penggabungan

operator LBP citra pohon tanaman hias


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


, , 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

operator (8,1), (16,2), dan (24,3).

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


, , 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

masing-masing fitur sebelum penggabungan,

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


, , 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:

Shanghai University.

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,

Januari 2009.

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)


(Indonesia) dan shinese evergreen

(Inggris)

7

Aglaonema sp.

(Snow White)


(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)

20

Lampiran 2 Lanjutan.

11

Dendrobium sp. anggrek dendrobium (Indonesia)


12

Codiaeum varigatum Puring (Indonesia) dan croton

(Inggris)

13

Philodendron

bifinnatifidum

Pohon cinta (Indonesia)

14

Agave attenuate Siklok (Indonesia)

15

Dendrobium

chaopraya moonlight

Anggrek dendrobium (Indonesia)


16

Calanthe triplicata Anggrek batu (Indonesia)

17

Bromelia kirkii Bromelia (Indonesia)

18

Begonia sp. Begonia

19

Begonia sp. Begonia

20

Calathea rufibarba Maranta (Indonesia) dan prayer

plant (Inggris)

21


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)

22

Lampiran 3 Akurasi klasifikasi citra tumbuhan obat.

a. Penggabungan Operator

Operator P, R Jumlah bin Bias PNN Akurasi

8,1

16,2

24,3

8,1+16,2

8,1+24,3

16,2+24,3

8,1+16,2+24,3

10

18

26

10+18

10+26

18+26

10+18+26

0.0300

0.0100

0.0091

0.0190

0.0210

0.0125

0.0113

60.000%

61.667%

71.000%

64.667%

69.000%

70.000%

69.000%

8,1

16,2

24,3

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

128+128+128

0.0031

0.0032

0.0055

0.0600

0.0600 0.0600

2.0000

41.667%

48.000%

50.333%

26.333%

27.000% 26.000%

23.333%

8,1

16,2

24,3

8,1+16,2

8,1+24,3

16,2+24,3

8,1+16,2+24,3

10

18

26

10+18

10+26

18+26

10+18+26

0.0150

0.0255

0.0300

0.0250

0.0220

0.0250

0.0305

56.333%

57.667%

59.667%

65.667%

69.667%

67.000%

70.667%

b. Classifier Combination

Operator PDR SDR MDR MVR

Riu2(8,1), Riu2(16,2) 62.667% 61.667% 60.333% 59.667%

Riu2(8,1), Riu2(24,3) 72.333% 71.000% 70.333% 64.667%

Riu2(16,2), Riu2(24,3) 70.000% 67.000% 65.667% 67.333%

Riu2(8,1), Riu2(16,2), Riu2(24,3) 62.667% 61.667% 60.333% 3.333%

Var(8,1), Var(16,2) 50.333% 49.333% 48.667% 45.333%

Var(8,1), Var(24,3) 52.333% 50.667% 48.667% 44.667%

Var(16,2), Var(24,3) 52.000% 50.333% 49.667% 49.333%

Var(8,1), Var(16,2), Var(24,3) 50.333% 49.333% 48.667% 0.000%

LBPV(8,1), LBPV(16,2) 65.333% 63.333% 61.667% 57.666%

LBPV(8,1), LBPV(24,3) 71.667% 68.000% 64.333% 59.333%

LBPV(16,2), LBPV(24,3) 63.333% 63.667% 61.333% 59.667%

LBPV(8,1), LBPV(16,2), LBPV(24,3) 65.333% 63.333% 61.667% 3.333%

Riu2(8,1), Var(8,1) 61.000% 57.667% 54.667% 48.333%

Riu2(8,1), LBPV(8,1) 65.000% 63.667% 60.667% 56.333%

LBPV(8,1), Var(8,1) 62.333% 58.333% 55.000% 46.667%

Riu2(8,1), Var(8,1), LBPV(8,1) 61.000% 57.667% 54.667% 3.333%

Riu2(16,2), Var(16,2) 66.333% 61.333% 59.667% 54.000%

Riu2(16,2), LBPV(16,2) 67.333% 65.333% 63.333% 58.667%

23



LBPV(16,2), Var(16,2) 58.667% 57.667% 55.667% 52.000%

Riu2(16,2), Var(16,2), LBPV(16,2) 66.333% 61.333% 59.667% 0.000%

Riu2(24,3), Var(24,3) 71.333% 67.667% 65.667% 58.000%

Riu2(24,3), LBPV(24,3) 76.333% 73.333% 72.000% 62.667%

LBPV(24,3), Var(24,3) 65.000% 61.667% 58.333% 53.667%

Riu2(24,3), Var(24,3), LBPV(24,3) 71.333% 67.667% 65.667% 0.000%

Riu2(8,1), Var(16,2) 61.333% 57.000% 57.000% 50.000%

Riu2(8,1), Var(24,3) 63.667% 58.667% 57.000% 52.000%

Riu2(16,2), Var(24,3) 68.667% 65.000% 64.333% 56.667%

Riu2(16,2), Var(8,1) 65.333% 62.000% 60.000% 51.000%

Riu2(24,3), Var(8,1) 71.000% 68.333% 65.000% 54.333%

Riu2(24,3), Var(16,2) 68.333% 64.333% 62.667% 56.667%

Riu2(8,1), LBPV(16,2) 68.667% 66.667% 62.667% 57.333%

Riu2(8,1), LBPV(24,3) 77.000% 70.000% 62.667% 58.667%

Riu2(16,2), LBPV(24,3) 75.000% 67.333% 64.333% 61.000%

Riu2(16,2), LBPV(8,1) 66.667% 64.333% 62.333% 58.000%

Riu2(24,3), LBPV(8,1) 74.333% 70.333% 70.000% 63.000%

Riu2(24,3), LBPV(16,2) 71.333% 71.333% 70.333% 64.667%

Var(8,1), LBPV(16,2) 62.667% 59.333% 56.333% 49.000%

Var(8,1), LBPV(24,3) 65.667% 59.333% 52.667% 49.667%

Var(16,2), LBPV(24,3) 61.333% 59.000% 56.000% 52.333%

Var(16,2), LBPV(8,1) 60.667% 57.000% 56.667% 49.333%

Var(24,3), LBPV(8,1) 64.333% 56.000% 56.333% 49.667%

Var(24,3), LBPV(16,2) 61.333% 58.000% 57.000% 55.333%

Riu2(8,1), Var(8,1), LBPV(16,2) 61.000% 57.667% 54.667% 3.333%

Riu2(8,1), Var(8,1), LBPV(24,3) 61.000% 57.667% 54.667% 3.333%

Riu2(8,1), Var(16,2), LBPV(8,1) 61.333% 57.000% 57.000% 0.000%

Riu2(8,1), Var(16,2), LBPV(16,2) 61.333% 57.000% 57.000% 0.000%

Riu2(8,1), Var(16,2), LBPV(24,3) 61.333% 57.000% 57.000% 0.000%

Riu2(8,1), Var(24,3), LBPV(8,1) 63.667% 58.667% 57.000% 0.000%

Riu2(8,1), Var(24,3), LBPV(16,2) 63.667% 58.667% 57.000% 0.000%

Riu2(8,1), Var(24,3), LBPV(24,3) 63.667% 58.667% 57.000% 0.000%

Riu2(16,2), Var(8,1), LBPV(8,1) 65.333% 62.000% 60.000% 3.333%

Riu2(16,2), Var(8,1), LBPV(16,2) 65.333% 62.000% 60.000% 3.333%

Riu2(16,2), Var(8,1), LBPV(24,3) 65.333% 62.000% 60.000% 3.333%

Riu2(16,2), Var(16,2), LBPV(8,1) 66.333% 61.333% 59.667% 0.000%

Riu2(16,2), Var(16,2), LBPV(24,3) 66.333% 61.333% 59.667% 0.000%

Riu2(16,2), Var(24,3), LBPV(8,1) 68.667% 65.000% 64.333% 0.000%

Riu2(16,2), Var(24,3), LBPV(16,2) 68.667% 65.000% 64.333% 0.000%

24 24



Riu2(16,2), Var(24,3), LBPV(24,3) 68.667% 65.000% 64.333% 0.000%

Riu2(24,3), Var(8,1), LBPV(8,1) 71.000% 68.333% 65.000% 3.333%

Riu2(24,3), Var(8,1), LBPV(16,2) 71.000% 68.333% 65.000% 3.333%

Riu2(24,3), Var(8,1), LBPV(24,3) 71.000% 68.333% 65.000% 3.333%

Riu2(24,3), Var(16,2), LBPV(8,1) 68.333% 64.333% 62.667% 0.000%

Riu2(24,3), Var(16,2), LBPV(16,2) 68.333% 64.333% 62.667% 0.000%

Riu2(24,3), Var(16,2), LBPV(24,3) 68.333% 64.333% 62.667% 0.000%

Riu2(24,3), Var(24,3), LBPV(8,1) 71.333% 67.667% 65.667% 0.000%

Riu2(24,3), Var(24,3), LBPV(16,2) 71.333% 67.667% 65.667% 0.000%

25

Lampiran 4 Akurasi klasifikasi citra tanaman hias.

a. Penggabungan Operator

Operator P, R Jumlah bin Bias PNN Akurasi

8,1

16,2

24,3

8,1+16,2

8,1+24,3

16,2+24,3

8,1+16,2+24,3

10

18

26

10+18

10+26

18+26

10+18+26

0.0050

0.0112

0.0060

0.0110

0.0030

0.0030

0.0080

70.000%

71.111%

78.889%

72.222%

74.444%

77.778%

75.556%

8,1

16,2

24,3

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

128+128+128

0.0100

0.0100

0.0200

0.0600

0.0600 0.0600

0.2000

68.889%

66.667%

68.889%

50.000%

61.667% 63.333%

41.000%

8,1

16,2

24,3

8,1+16,2

8,1+24,3

16,2+24,3

8,1+16,2+24,3

10

18

26

10+18

10+26

18+26

10+18+26

0.0170

0.0100

0.0020

0.0100

0.0100

0.0100

0.0120

71.111%

78.889%

75.556%

83.333%

84.444%

82.222%

83.333%

b. Classifier Combination


Riu2(8,1), Riu2(16,2) 70.000% 70.000% 70.000% 70.000%

Riu2(8,1), Riu2(24,3) 73.333% 70.000% 70.000% 73.333%

Riu2(16,2), Riu2(24,3) 78.889% 78.889% 77.778% 74.444%

Riu2(8,1), Riu2(16,2), Riu2(24,3) 70.000% 70.000% 70.000% 0.000%

Var(8,1), Var(16,2) 71.111% 68.889% 67.778% 67.778%

Var(8,1), Var(24,3) 74.444% 72.222% 67.778% 72.222%

Var(16,2), Var(24,3) 71.111% 68.889% 66.667% 66.667%

Var(8,1), Var(16,2), Var(24,3) 71.111% 68.889% 67.778% 0.000%

LBPV(8,1), LBPV(16,2) 80.000% 80.000% 80.000% 76.667%

LBPV(8,1), LBPV(24,3) 77.778% 77.778% 77.778% 73.333%

LBPV(16,2), LBPV(24,3) 76.667% 76.667% 76.667% 76.667%

LBPV(8,1), LBPV(16,2), LBPV(24,3) 80.000% 80.000% 80.000% 2.222%

Riu2(8,1), Var(8,1) 72.222% 70.000% 68.889% 67.778%

Riu2(8,1), LBPV(8,1) 70.000% 71.111% 71.111% 67.778%

LBPV(8,1), Var(8,1) 81.111% 78.889% 77.778% 73.333%

Riu2(8,1), Var(8,1), LBPV(8,1) 72.222% 70.000% 68.889% 0.000%

Riu2(16,2), Var(16,2) 78.889% 72.222% 67.778% 67.778%

Riu2(16,2), LBPV(16,2) 81.111% 80.000% 80.000% 75.555%

26



LBPV(16,2), Var(16,2) 83.333% 82.222% 82.222% 82.222%

Riu2(16,2), Var(16,2), LBPV(16,2) 78.889% 72.222% 67.778% 0.000%

Riu2(24,3), Var(24,3) 83.333% 80.000% 78.889% 70.000%

Riu2(24,3), LBPV(24,3) 77.778% 76.667% 75.555% 72.222%

LBPV(24,3), Var(24,3) 83.333% 81.111% 80.000% 68.889%

Riu2(24,3), Var(24,3), LBPV(24,3) 83.333% 80.000% 78.889% 3.333%

Riu2(8,1), Var(16,2) 75.556% 74.444% 73.333% 61.111%

Riu2(8,1), Var(24,3) 71.111% 75.556% 75.556% 63.333%

Riu2(16,2), Var(24,3) 78.889% 73.333% 68.889% 68.889%

Riu2(16,2), Var(8,1) 78.889% 76.667% 72.222% 73.333%

Riu2(24,3), Var(8,1) 83.333% 78.889% 80.000% 73.333%

Riu2(24,3), Var(16,2) 82.222% 78.889% 77.778% 70.000%

Riu2(8,1), LBPV(16,2) 74.444% 73.333% 73.333% 73.333%

Riu2(8,1), LBPV(24,3) 83.333% 75.555% 75.556% 70.000%

Riu2(16,2), LBPV(24,3) 77.778% 76.667% 75.556% 72.222%

Riu2(16,2), LBPV(8,1) 72.222% 71.111% 71.111% 70.000%

Riu2(24,3), LBPV(8,1) 81.111% 74.444% 74.444% 72.222%

Riu2(24,3), LBPV(16,2) 80.000% 80.000% 81.111% 74.444%

Var(8,1), LBPV(16,2) 83.333% 78.889% 76.667% 74.444%

Var(8,1), LBPV(24,3) 81.111% 75.556% 74.444% 72.222%

Var(16,2), LBPV(24,3) 84.444% 80.000% 78.889% 66.667%

Var(16,2), LBPV(8,1) 86.667% 80.000% 81.111% 66.667%

Var(24,3), LBPV(8,1) 84.444% 82.222% 81.111% 70.000%

Var(24,3), LBPV(16,2) 80.000% 80.000% 78.889% 71.111%

Riu2(8,1), Var(8,1), LBPV(16,2) 72.222% 70.000% 68.889% 0.000%

Riu2(8,1), Var(8,1), LBPV(24,3) 72.222% 70.000% 68.889% 0.000%

Riu2(8,1), Var(16,2), LBPV(8,1) 75.556% 74.444% 73.333% 0.000%

Riu2(8,1), Var(16,2), LBPV(16,2) 75.556% 74.444% 73.333% 0.000%

Riu2(8,1), Var(16,2), LBPV(24,3) 75.556% 74.444% 73.333% 0.000%

Riu2(8,1), Var(24,3), LBPV(8,1) 71.111% 75.556% 75.556% 0.000%

Riu2(8,1), Var(24,3), LBPV(16,2) 71.111% 75.556% 75.556% 0.000%

Riu2(8,1), Var(24,3), LBPV(24,3) 71.111% 75.556% 75.556% 0.000%

Riu2(16,2), Var(8,1), LBPV(8,1) 78.889% 76.667% 72.222% 0.000%

Riu2(16,2), Var(8,1), LBPV(16,2) 78.889% 76.667% 72.222% 0.000%

Riu2(16,2), Var(8,1), LBPV(24,3) 78.889% 76.667% 72.222% 0.000%

Riu2(16,2), Var(16,2), LBPV(8,1) 78.889% 72.222% 67.778% 0.000%

Riu2(16,2), Var(16,2), LBPV(24,3) 78.889% 72.222% 67.778% 0.000%

Riu2(16,2), Var(24,3), LBPV(8,1) 78.889% 73.333% 68.889% 3.333%

Riu2(16,2), Var(24,3), LBPV(16,2) 78.889% 73.333% 68.889% 3.333%

Riu2(16,2), Var(24,3), LBPV(24,3) 78.889% 73.333% 68.889% 3.333%

27



Riu2(24,3), Var(8,1), LBPV(8,1) 83.333% 78.889% 80.000% 0.000%

Riu2(24,3), Var(8,1), LBPV(16,2) 83.333% 78.889% 80.000% 0.000%

Riu2(24,3), Var(8,1), LBPV(24,3) 83.333% 78.889% 80.000% 0.000%

Riu2(24,3), Var(16,2), LBPV(8,1) 82.222% 78.889% 77.778% 0.000%

Riu2(24,3), Var(16,2), LBPV(16,2) 82.222% 78.889% 77.778% 0.000%

Riu2(24,3), Var(16,2), LBPV(24,3) 82.222% 78.889% 77.778% 0.000%

Riu2(24,3), Var(24,3), LBPV(8,1) 83.333% 80.000% 78.889% 3.333%

Riu2(24,3), Var(24,3), LBPV(16,2) 83.333% 80.000% 78.889% 3.333%

28

Lampiran 5 Screen shoot aplikasi.

a. Ekstraksi tanpa penggabungan fitur.

b. Hasil identifikasi tanpa penggabungan fitur.

29


c. Ekstraksi dengan penggabungan operator.

d. Hasil identifikasi dengan penggabungan operator.

30


e. Ekstraksi dengan fitur untuk classifier combination.

f. Hasil identifikasi menggunakan PDR

31

g. Hasil identifikasi menggunakan SDR

h. Hasil identifikasi menggunakan MDR

i. Hasil identifikasi menggunakan MVR

31 32

PENGGABUNGAN FITUR LOCAL BINARY PATTERNS UNTUK ... · Pada tahun 2007, penulis lulus dari Sekolah...

Documents

Transcript of PENGGABUNGAN FITUR LOCAL BINARY PATTERNS UNTUK ... · Pada tahun 2007, penulis lulus dari Sekolah...