APLIKASI MOBILE UNTUK IDENTIFIKASI TUMBUHAN OBAT MENGGUNAKAN LOCAL BINARY PATTERN DENGAN KLASIFIKASI PROBABILISTIC NEURAL NETWORK
PAUZI IBRAHIM NAINGGOLAN
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012
APLIKASI MOBILE UNTUK IDENTIFIKASI TUMBUHAN OBAT MENGGUNAKAN LOCAL BINARY PATTERN DENGAN KLASIFIKASI PROBABILISTIC NEURAL NETWORK
PAUZI IBRAHIM NAINGGOLAN
Skripsi skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAMINSTITUT PERTANIAN BOGOR BOGOR 2012
ABSTRACT PAUZI IBRAHIM NAINGGOLAN. Mobile Application for Medicinal Plants Identification using Local Binary Patterns Descriptor and Probabilistic Neural Network Method. Supervised by YENI HERDIYENI. This research proposed a new mobile application for medicinal plants identification. Local Binary Pattern (LBP) is used to extract image features and Probabilistic Neural Network (PNN) is used to classify medicinal plants on mobile phone. LBPriu2 P,R was used as LBP descriptor in this research, which uses rotation invariant and uniform patterns of image texture. The aim of this research was to implement this application in open source Android 2.3 (Gingerbread) operating system. The data used is the medicinal leaf image from Botanical Garden, Bogor Indonesia which consist of 15 species with 10 variations for each species. The experiment showed that the accuracy of identifications is 31.11% and the computation time is 50.02 seconds.The experimental result show the accuracy is still low, so this research need to be explored further to improve the accuracy. This new mobile application is useful to help user in plant identification. Keywords: Android, LBP, medicinal plant, mobile application, PNN.
Judul Skripsi : Aplikasi Mobile Untuk Identifikasi Tumbuhan Obat Menggunakan Local Binary Patterndengan Klasifikasi Probabilistic Neural Network Nama : Pauzi Ibrahim Nainggolan NRP : G64061815
Disetujui: Pembimbing
Dr. Yeni Herdiyeni, S.Si., M.Kom. NIP 19750923 200012 2 001
Diketahui: Ketua Departeman Ilmu Komputer
Dr.Ir. Agus Buono, M.Si, M.Kom NIP 19660702 199302 1 001
Tanggal Lulus:
PRAKATA Alhamdulillahi Rabbil’ alamin, segala puji dan syukur penulis panjatkan kepada Allah Subhanallah Wata’alaatas limpahan rahmat dan hidayah-Nya, sehingga penulis dapat menyelesaikan tugas akhir yang berjudul“Aplikasi Mobile Untuk Identifikasi Tumbuhan Obat Menggunakan Local Binary Pattern dengan Klasifikasi Probabilistic Neural Network” dengan lancar dan baik. Penelitian ini dilaksanakan mulai Januari 2012 sampai dengan Maret 2012, bertempat di Departemen Ilmu Komputer. Penulis juga menyampaikan ucapan terima kasih kepada: 1 Ayah Dr. H. Hamonangan Nainggolan M.Sc, Ibu Jusridawati Situmeang, dan kakak-adik tercinta, Yasser Hudan Nainggolan SE AK, Sarah Mahdia SSi, Aisyah Hudaya, dan Maulana Assalam Nainggolan 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 Musthofa, S.Komp, M.Sc dan Ibu Karlina Khiyarin Nisa S.Kom, M.T. selaku dosen pengujiatas kemudahan dan ilmu yang telah diberikan kepada penulis. 4 Teman-teman satu bimbingan Canggih Trisyanto, Mayanda Mega, Ni Kadek, Oki Maulana, Desta Sandya ,Ryanti Octaviani, Siska Susanti,dan Tomy Kurniawan atas saran, masukan dan nasihat yang diberikan kepada penulis. 5 Teman-teman di Departemen Ilmu Komputer Alih Jenis IPB angkatan 4 atas segala kebersamaan, bantuan, dan motivasi yang telah diberikan kepada penulis. 6 Teman-teman kosan White HouseArif Hadiwibowo S.Kom, Ari AlKautsar S.Kom, Desta Sandya, Rahmat Setyawan, Jefri, dan mas Zulhan Arif M.Si. 7 Saudara-saudara yang telah berkontribusi dalam skripsi ini Ari Wibowo Astono, Budi Hartono Siregar S.T, dan Arief Seno Prabowo S.E. Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan skripsi ini.Semoga tulisan ini bermanfaat dan dapat menambah wawasan ilmu pengetahuan bagi penulis khususnya dan pembaca umumnya
Bogor, Juni 2012
Pauzi Ibrahim N
RIWAYAT HIDUP Pauzi Ibrahim Nainggolan dilahirkan di Kajang, Malaysia pada tanggal 14 September 1988 dari pasangan Ibu Jusridawati Stumeang dan Bapak Dr. H. Hamonangan Nainggolan. Pada tahun 2006, penulis lulus dari Sekolah Menengah Atas (SMA) Plus Negeri 1 Pandan, Tapanuli Tengah dan diterima di Program Studi D3 Manajemen Informatika, Institut Pertanian Bogor (IPB). Penulis lulus pada tahun 2009 dan melanjutkan studi sarjana di Ilmu Komputer IPB. Pada tahun 2009, penulis mengikuti training selama 3 bulan yang diadakan PT.Azadirachta Mandiri (amn). Penulis juga aktif dalam pengembangan beberapa website e-commerce, pembuatan aplikasi rumah sakit, akademik dan sistem pada beberapa perusahaan di Indonesia sebagai pekerja lepas sambil melanjutkan studi.
DAFTAR ISI Halaman DAFTAR TABEL ................................................................................................................................. vi DAFTAR GAMBAR ............................................................................................................................ vi DAFTAR LAMPIRAN ......................................................................................................................... vi PENDAHULUAN Latar Belakang ................................................................................................................................... 1 Tujuan Penelitian ............................................................................................................................... 1 Ruang Lingkup Penelitian ................................................................................................................. 1 TINJAUAN PUSTAKA Tumbuhan Obat ................................................................................................................................. 1 Android Application Programming Interface .................................................................................... 2 OpenCV ............................................................................................................................................. 2 Tekstur ............................................................................................................................................... 2 Local Binary Patterns ........................................................................................................................ 2 Rotation Invariant.............................................................................................................................. 3 Uniform Patterns ............................................................................................................................... 3 Probabilistic Neural Network (PNN) ................................................................................................ 4 METODE PENELITIAN Data Citra Tumbuhan Obat ................................................................................................................ 5 Ekstraksi Fitur Tekstur Tumbuhan Obat ............................................................................................ 5 Ekstraksi tekstur dengan LBPriu2 P,R ....................................................................................................... 6 Identifikasi Citra dengan Probabilistic Neural Network (PNN) ........................................................ 6 Evaluasi ............................................................................................................................................. 6 Perangkat Keras dan perangkat Lunak............................................................................................... 7 HASIL DAN PEMBAHASAN Pengembangan Aplikasi Mobile ........................................................................................................ 7 Hasil Praproses .................................................................................................................................. 7 Evaluasi Hasil Identifikasi Citra dengan LBPriu2 P,R Mobile.................................................................... 8 Evaluasi Waktu Proses Identifikasi Citra denganLBPriu2 P,R Mobile ....................................................... 8 KESIMPULAN DAN SARAN Kesimpulan ........................................................................................................................................ 9 Saran .................................................................................................................................................. 9 DAFTAR PUSTAKA ............................................................................................................................ 9 LAMPIRAN ......................................................................................................................................... 10
v
DAFTAR TABEL Halaman 1 Hasil identifikasi pada aplikasi mobile............................................................................................... 8 2 Waktu komputasi pada perangkat mobile dengan LBPriu2 24,3 ................................................................. 8
DAFTAR GAMBAR 1 API Android ....................................................................................................................................... 2 2 Circular neighborhood delapan sampling points. ............................................................................. 2 3 Contoh perhitungan nilai LBP............................................................................................................ 3 4 Operator LBP. .................................................................................................................................... 3 5 Rotation Invariant LBP. ..................................................................................................................... 3 6 Tekstur uniform patterns. ................................................................................................................... 4 7 Struktur PNN...................................................................................................................................... 4 8 Model client server............................................................................................................................. 5 9 Metode penelitian. .............................................................................................................................. 5 10Perubahan mode warna citra. ............................................................................................................. 6 11Ilustrasi pembagian ukuran blok. ....................................................................................................... 6 12Pembentukan histogram. .................................................................................................................... 6 13 Praproses. ......................................................................................................................................... 7 14 Antarmuka aplikasi untuk identifikasi.............................................................................................. 7 15Teknik akuisisi yang berpengaruh dalam identifikasi tumbuhan obat................................................ 8
DAFTAR LAMPIRAN 1 Lima belas citra tumbuhan obat .................................................................................................. 11 2 Tahapan identifikasi pada aplikasi mobile MedLeafuntuk identifikasi tumbuhan obat. ............. 12 3 Tampilan / Antarmuka hasil identifikasi pada aplikasi mobile MedLeaf .................................... 12
vi
1
PENDAHULUAN Latar Belakang Indonesia merupakan Negara yang kaya akan keanekaragaman spesies tumbuhan obat, Indonesia memiliki lebih dari 38000 spesies tumbuhan obat (Bappenas 2003). Potensi pemanfaatan tumbuhan obat sangat besar apabila dapat dilakukan langsung oleh masyarakat luas, namun untuk dapat mengenali manfaat dari setiap tumbuhan obat itu sendiri bagi masyarakat luas sulit dilakukan. Beberapa masyarakat melakukannya dengan membandingkan gambar daun yang akan diidentifikasi dengan gambar daun yang terdapat pada buku atau melakukannya di laboratorium secara manual oleh ahli dibidang taxonomytumbuhan obat. Hal tersebut membutuhkan waktu dan biaya yang banyak. Penelitian mengenai pengenalantumbuhan obat sudah dilakukan dengan komputasi berbasiskan gambar. Beberapa penelitian pengenalan tumbuhan obat, mengekstraksi ciri dari daun seperti:Ekstraksi Ciri Morfolgi dan Tekstur (Annisa2009), Penggabungkan Ciri Morfolgi, Tekstur dan Bentuk dengan Klasifikasi Probabilistic Neural Network pada Daun (Nurafifah2010) danEkstraksiCiri Morfologi, Tekstur dan Bentuk untuk Identifikasi Tumbuhan Obat (Nurfadhilah2011). Pengenalan tumbuhan obat dengan mengekstrasksi ciri daun yang telah dilakukan masih dilingkungan komputer desktop. Dengan berkembangnya teknologi mobile, akan lebih bermanfaat jika aplikasi dibangun pada perangkat mobile,karena dapat dibawa kemana saja. Penelitian ini mengembangkan sebuah perangkat lunak yang dapat mengidentifikasi tumbuhan obat pada handset yang berbasiskan sistem operasi Android. Sesuai dengan penelitian Speckmann (2008), untuk saat ini platform yang paling baik digunakan dalam pengembangan aplikasi pada handset adalah sistem operasi Android. Wells (2011) telah melakukan pemrosesan gambar pada handset dengan hasil yang sangat memadai untuk dilakukannya pemrosesan gambar. Diharapkan aplikasi ini dapat memberikan informasi yang relevan kepada masyarakat untuk identifikasi tumbuhan obat.
tumbuhan obat pada aplikasi mobile yang berbasis sistem operasi Android.Teknik identifikasi yang digunakan adalah Local Binary Pattern(LBP) dengan klasifikasi Probabilistic NeuralNetwork(PNN). Ruang Lingkup Penelitian Ruang lingkup penelitian ini adalah: 1 Data diperoleh dari hasil pengambilan citra 15 jenis tumbuhan obat menggunakan kamera pada perangkat mobile yang berasal dari kebun Raya Bogor. 2 Penelitian ini menggunakan Operator LBP dengan descriptorLBPriu2 24,3 . 3 Aplikasi yang dibangun pada perangkat mobile dengan sistem operasi Android™ 2.2 (Froyo).
TINJAUAN PUSTAKA Tumbuhan Obat Indonesia merupakan negara yang kaya akan tumbuhan tropis. Jumlah tumbuhan tropis di Indonesia sekita 38000 spesies (Damayanti 2008).Diantara 38000 spesies tersebut, sampai dengan 2001 data spesies tumbuhan obat yang dapat diidentifikasi hanya 2039 spesies (Zuhud 2009). Damayanti et al. (2011) mengemukakanmasalah yang ditemukan dalam identifikasi tumbuhan obat adalah: 1 Terbatasnya jumlah masyarakat yang mengetahui, mengenali, dan memahami keragaman dan penggunaantumbuhan obat untuk mengidentifikasidi lapangan. 2 Terbatasnya jumlah buku identifikasi tumbuhan/panduan,atau dengan banyaknya halaman dalam setiap buku/panduan merepotkan saat dibawa ke lapangan. 3 Terbatasnya jumlah instansi yang berwenang dan fasilitas untuk identifikasi tumbuhan. 4 Terbatasnya jumlah ahli taksonomi di instansi yang berwenang, yang secara ilmiah dapat mengidentifikasi jenis tumbuhandalam jumlah besar. 5 Waktu dan biaya, sebagai akibat dari masalah (1) sampai (4).
Tujuan Penelitian
Tantangan obat adalah:
dalam
identifikasitumbuhan
Tujuan dari rencana penelitian ini adalah mengimplementasikan teknik identifikasi
1 Mendorong generasi muda untuk menjadi ahli taksonomi.
2
generasi muda untuk 2 Mendorong melanjutkan warisan dari nenek moyangdalam pengenalan dan identifikasi spesies tumbuhan obat-obatan. 3 Mengembangkan lembaga yang lebih berwenang untuk identifikasi specimen. 4 Mengembangkan teknologi yang mengurangi masalah dalam identifikasi. 5 Mengembangkan jaringan dengan para stakeholder dalam bidang teknologi. Android Application Programming Interface Android application programming interface (API) adalah satu set aturan dan spesifikasi tertentu yang disediakan oleh sistem operasi Android yang dapat digunakan aplikasi untuk berkomunikasi satu sama lain. API berfungsi sebagai fasilitator komunikasi dan interaksi antara aplikasi dengan perangkat Android, sepertiuser interface memfasilitasi interaksi antara pengguna dengan aplikasi. Arsitektur sistem operasi Android dapat dilihat pada Gambar 1.
dikembangkan oleh Intel dan sekarang didukung oleh Willow Garage. OpenCV bebas untuk digunakan dengan lisensi open source BSD. Library cross-platform ini, berfokus terutama pada pengolahan citra secara real-time. Tekstur Dengan pendekatan analisis teksturpada gambar, tekstur dapat didefinisikan sebagai sesuatu yang berkaitan dengan fluktuasi luminositas berkala dalam gambar yang dapat ditafsirkan sebagai permukaan yang berstruktur homogen. Dalam computer vision, tekstur dicirikan dengan variasi intensitas pada sebuah citra. Variasi intensitas dapat disebabkan oleh kekasaran atau perbedaan warna pada suatu permukaan. Tekstur juga merupakan properti dari area. Propertiproperti dari tekstur citra meliputi keseragaman, kepadatan, kekasaran, keberaturan, linearitas, keberarahan, dan frekuensi. Penampilan tekstur dipengaruhi oleh skala dan arah pandangan serta lingkungan dan kondisi pencahayaan (Mäenpää 2003). Local Binary Patterns Local Binary Pattern (LBP) merupakan suatu metode untuk mendeskripsikan tekstur pada mode warna grayscale. LBP pertama sekali diperkenalkan oleh Timo Ojala. LBP digunakan untuk mencari pola pada citra (texture in local neighborhood) (Mäenpää 2003).
Gambar 1 API Android (developer.android.com). Sistem operasi Android mengadopsi kernel Linux pada implementasinya. Kernel bertugas mengatur kapan dan berapa lama suatu program dapat menggunakan satu bagian perangkat keras. Penggunaan perangkat keras pada Android sangat terbatas karena ada lebih dari satu aplikasi yang menggunakan perangkat keras yang sama dalam waktu yang bersamaan.
LBP adalah sekumpulan pixel ketetanggaan yang tersebar secara melingkar (circular neighborhoods) dengan pusat piksel berada di tengah seperti ditunjukkan pada Gambar2.Notasigi merupakan nilai gray level piksel ketetanggaan. Rataan seluruh piksel (piksel ketetanggaan dan piksel pusatgc ) digunakan sebagai nilai ambang batas (threshold) untuk memotong setiap nilai piksel ketetanggaan untuk mendapatkan kode binernya.
OpenCV Open Source Computer Vision Library(OpenCV) adalah library dari fungsi pemrograman yang ditujukan untuk efiesiensi dalam komputasi dan fokus utamanya ditujukan untuk komputasi real time (Bradski& Kaehler 2008). OpenCV awalnya
Gambar 2 Circular neighborhood delapansampling points.
3
Untuk mendapatkan nilai LBP, kode-kode biner yang telah didapatkan, dikalikan dengan pembobotan binernya. Gambar 3 menunjukkan operasi dasar LBP. Pola-pola biner LBP merepesentasikan bermacammacam pola tepi, titik, flat areas, dan sebagainya.
LBP. Gambar 4 memperlihatkan contoh operator LBP dengan beberapa nilai Pdan R.
Gambar 4 Operator LBP. Rotation Invariant
Gambar 3 Contoh perhitungan nilai LBP. Formulasi LBP dapat dituliskan sebagai berikut: P-1
LBP P,R (xc ,yc )=
p=0
s(gp -gc )2
p
(1)
Struktur piksel ketetanggaan LBP berbentuk melingkar. Untuk itu, dibuat suatu cara agar pola-pola LBP tidak sensitif terhadap perubahan rotasi. Istilah ini dinamakan rotation invariant (Mäenpää 2003). Contoh: LBP = 00001111 = 15 dapat direpresentasikan dengan circular neighborhood pada Gambar 5.
dengan s x =
1 x≥0 0 x<0
dengan: xc dan yc adalah koordinat pusat piksel ketetanggaan, padalah circular sampling points, P adalah banyaknya sampling points, gp adalah nilai keabuan dari 𝑝, gc adalah nilai piksel pusat, dan 𝑠adalah sign (kode biner). Nilai-nilai LBP selanjutnya direpresentasikan melalui histogram. Histogram menunjukkan frekuensi kejadian berbagai nilai LBP.Setelah mendapatkan nilai LBP pada setiap neighborhood (blok i,j ), untuk ukuran citra NxM,tekstur citra direpresentasikan dengan membentuk histogram: H k =
N i=1
M j=1 f
LBPP,R i,j ,k , k∈ 0,K (2)
dengan 1, x = y f x,y = 0, selainnya dengan K merupakan nilai LBP terbesar. Perhitungan nilai LBP seperti pada Gambar 3 ditentukan oleh radius (R) dari jumlah sampling points (P), sehingga Local BinaryPatterns dinotasikan sebagaiLBP(P,R) . Semakin besar nilai P akan meningkatkan informasi tekstur yang didapat. Urutan pengodean LBP yang bersifat tetap menyebabkan ada sejumlah 2+P jumlah pola
Gambar 5 Rotation Invariant LBP. Rotation invariant didefinisikan sebagai nilai minimum dari rotasi (ROR) P-bit biner yang dilakukan sebanyak P kali: LBPriP,R = min ROR LBPP,R ,i i=0,1,…,P-1} (3) dengan ri menunjukkan rotation invariant. Nilai dan pola-pola LBP pada Gambar 5 dapat berbeda-beda, tetapi memiliki struktur rotasi yang sama. Setiap pola LBP akan mempunyai 𝑃 pola yang berbeda jika dirotasi searah jarum jam ataupun berlawanan arah jarum jam (Pietikäinenet al. 2000). Uniform Patterns Pola-pola LBP tertentu memiliki karakteristik utama dari suatu tekstur. Polapola yang memiliki informasi penting ini dinamakan “uniform patterns”. LBP dikatakan uniform jika struktur melingkar pola-pola binernya paling banyak terdiri atas dua transisi bit dari 0 ke 1 atau sebaliknya. Sebagai contoh, 00000000 (0 transisi), 01110000 (2 transisi), dan 11001111 (2 transisi) merupakan uniform patterns, sedangkan 11001001 (4 transisi) dan 01010011 (6 transisi) bukan merupakan uniform patterns. Uniform patterns berfungsi
4
untuk mengidentifikasi noda (spot), flat area atau dark spot, sudut, dan tepi. Hampir 90 persen dari tekstur merupakan uniform patterns (Ojala et al. 2002).
Gambar 6 Tekstur uniform patterns. Gambar 6 menunjukkan arti dari pola-pola uniform. Untuk mengidentifikasi uniform patterns digunakan formulasi sebagai berikut: U LBPP,R = s gP-1 -gc -s g0 -gc +
P-1 p=1 |s
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. Bobot bukan merupakan hasil training melainkan nilai yang dimasukkan (tersedia) (Wu et al. 2007).
gp -gc -s gp-1-gc |(4)
U LBPP,R merupakan uniform patterns dari P banyaknya sampling points dan radius R,p adalah circular sampling points, gp adalah nilai keabuan dari p, dan gc adalah nilai keabuan rata-rata seluruh pikselneighborhood. Rotation (LBPriu2 ) P,R
Invariant
Uniform
Patterns
Penggabungan antara uniform patterns dan rotation invariant dilambangkan LBPriu2 P,R . Notasi ri menunjukkan rotation invariant dan u2 untuk uniform patterns pada sampling pointsP dan radius R. LBPriu2 P,R merupakan ukuran ketidaksensitifan (invariant) terhadap perubahan grayscale. LBPriu2 P,R merupakan ukuran yang digunakan untuk pola spasial. Jumlah pola yang dihasilkan uniform patternsadalah P P-1 +2bins. Ketika uniform patternsdirotasi sampai ke nilai minimum yang dimilikinya, jumlah pola yang dihasilkan menjadi P+1bins. Rotation invariant uniform patternsdiformulasikan sebagai berikut: LBPriu2 P,R =
P-1 p=0 s
gp -gc , if U LBPP,R ≤2
(5)
P+1 , &selainnya
Jika pola yang diidentifikasi termasuk uniform patterns, akan dihitung banyaknya bit satu pada pola tersebut yang menentukan letak bin uniform patterns berada. Jika P, banyaknya sampling pointssama dengan riu2 delapan, nilai𝐿𝐵𝑃P,R adalah nol sampai dengan P. Jika bukan uniform patterns,nilai bin terakhir ditambahkan satu, yaitu bin keP+1 yang merupakan single binnonuniform patterns(Mäenpää 2003).
Gambar 7 Struktur PNN. Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusan/keluaran. Lapisan masukan merupakan objek 𝑥 yang terdiri atas𝑘 nilai ciri yang akan diklasifikasikan pada 𝑛 kelas. Struktur PNN ditunjukkan pada Gambar 7. Proses-proses yang terjadi setelah lapisan masukan ialah: 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 𝑥 yang akan diklasifiksikan dengan vektor bobot xij , yaitu Zi=x .xij , Zi kemudian dibagi dengan bias tertentu σ dan selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu 2
radbas n = exp (-n) . Dengan demikian, persamaan yang digunakan pada lapisan pola ialah. T
f x =exp -
(x-xij ) (x-xij ) 2σ2
2
(6)
5
2 Lapisan penjumlahan (summation layer) Menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Persamaan yang digunakan pada lapisan ini adalah: p x =
1 k
(2π) 2 σk t
T
t i=1
exp(-
2
(x-xij ) (x-xij ) 2σ2
)
(7)
3 Lapisan keluaran (output layer) Menentukan kelas dari input yang diberikan. Inputx akan masuk ke Y jika nilai pY x paling besar dibandingkan kelas lainnya.
Perangkat pada servermengekstrak data citra latih untuk mendapatkan model klasifikasi. Model klasifikasi ini didistribusikan ke perangkathandset untuk digunakan pada proses klasifikasi. Pada handset sendiri proses tidak berbeda jauh dengan proses pada server. Aplikasi pada sisi client dapat mengekstraksi dan mengklasifikasikan citra masukan. Namun,handset tidak menghasilkan model klasifikasi, hanya menggunakan model klasifikasi yang telah dihasilkan oleh server seperti terlihat pada Gambar 9. Data Citra TumbuhanObat
METODE PENELITIAN Penelitian ini dilakukan dengan model client server menggunakan dua perangkat yaitu handsetpada front-end dan server sebagai back-end seperti terlihat pada Gambar 8.
Data citra tumbuhan obat didapatkan dengan akusisi langsung di Kebun Raya Bogor. Data citra yang dikumpulkan terdiri atas lima belas jenis citra. Setiap jenis citra terdiri atas sepuluh pose. Total citra yang berhasil dikumpulkan seratus lima puluh pose citra. Lima belas jenis tumbuhanobat yang dikumpulkan disajikan pada Lampiran 1. Ekstraksi Fitur Tekstur Tumbuhan Obat
Gambar 8 Model client server. Setiap perangkat memiliki alur proses yang terkait dengan perangkat lainnya.
Proses ekstraksi fitur pada penelitian ini menggunakan descriptorLBPriu2 P,R . Proses awal ekstraksi citra ialah mengubah citra RGB menjadi citra grayscale seperti terlihat pada
Gambar 9 Metode penelitian.
6
Gambar 10.Proses ini dilakukan pada server dan client.Penentuan objek daun pada citra grayscalepada clientmenggunakan deteksi tepi canny. Gambar 12 Pembentukan histogram.
Gambar 10 Perubahan mode warna citra. Pengolahan selanjutnya membagi citra ke dalam beberapa blok (local region) sesuai dengan descriptor dan operator circularneighborhood (sampling points dan radius) yang digunakan. Penelitian ini menggunakan descriptordan operator LBPriu2 dengan kuantisasi sudut 15 derajat. 24,3 Penentuan ukuran blokdan kuantisasi sudut yang digunakan untuk satu localregion menggunakan formula berikut: blok= radius × 2 +1 2π kuantisasi sudut= P (9)
(8)
Ilustrasi pembagian citra ke dalam beberapa blok ditunjukkan pada Gambar 11.
Gambar 11 Ilustrasi pembagian ukuran blok. Ekstraksi tekstur dilakukan pada setiapblok. Setiap blok overlapping dengan blok berikutnya dengan jarak satu piksel. Masing-masing blok diekstraksi menggunakan Local Binary Pattern descriptor, riu2 yaitu:LBPP,R . Ekstraksi tekstur dengan
LBPriu2 P,R
Ekstraksi tekstur menggunakan LBPriu2 descriptormengolah setiap blok (local P,R region) pada suatu citramenggunakan persamaan (5).Hasil dari pengolahan setiap blok menghasilkanpola LBP. Kemudian pola LBP setiap blok diidentifikasi masuk ke dalam uniform patterns atau nonuniform patterns. Jika termasuk uniformpatterns, dihitung banyaknya bit satu yang ada pada pola tersebut yang akan menentukan letak bin uniform patterns tersebut berada.
Hasil dari pengolahan setiap blok direpresentasikan melalui histogram yang merupakan frekuensi nilai LBPriu2 P,R seluruh blok pada suatu citra. Ilustrasi pembentukan histogram ditunjukkan pada Gambar 12. HistogramLBPriu2 P,R descriptor memiliki P + 2 bin dengan P merupakan banyaknya sampling points yang digunakan. Bin pertama sampai dengan P+1 merupakan bin uniform patterns, sedangkan bin terakhir (P+2) merupakan single bin untuk non uniform patterns. Ekstraksi tekstur menggunakan LBPriu2 P,R diolah menggunakan operator (24,3). Identifikasi Citra dengan Neural Network (PNN)
Probabilistic
Setelah proses ekstraksi citra dilakukan, diperoleh hasil vektor histogram. Tahapan selanjutnya ialah menglasifikasikan vektorvektor histogram tersebut dengan PNN. Klasifikasi dilakukan dengan membagi data latih dan data uji. Data yang digunakan pada data citra daun tumbuhan obat sebanyak 10 citra dari setiap kelas dengan pembagian 7 citra data latih dan 3 citra data uji. Data citra latih digunakan pada server untuk mendapatkan model klasifikasi.Model klasifikasi tersebut lalu didistribusikan keclient. Pada sisi client model klasifikasi tersebut digunakan sebagai lapisan pola untuk identifikasi kelas keputusan dari citra query. Evaluasi Evaluasi data yang dilakukuan oleh aplikasimenggunakan 2 parameter, yaitu dengan penilaian tingat keberhasilan klasifikasi terhadap citra kueri dan waktu proses pada client. 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 didefinisikan sebagai berikut: akurasi=
banyaknya prediksi yang benar total banyaknya prediksi
100%
(10)
Evaluasi waktu proses dari aplikasi didasarkan pada waktu ekstraksi dan waktu proses klasifikasi. Evaluasi waktu proses
7
identifikasi dimaksudkan untuk kelayakan dari aplikasi yang berjalan pada perangkat mobile. Perangkat Keras dan perangkat Lunak Perangkat keras yang digunakan dalam penelitian ini adalah ProcessorIntel(R) Core(TM)i5 CPU M 460 @2.53GHz(4CPus)~2.5GHz, memori DDR RAM 4 GB, dan harddisk 500 GB. Perangkat lunak yang digunakan adalah Sistem operasi Windows 7 Home, Eclipse IDE for Java Developers Version: Helios Service Release 2 dan Android Development Toolkit Version: 16.0.1.v201112150204-238534.
HASIL DAN PEMBAHASAN Pengembangan AplikasiMobile Pengembangan aplikasi pada penelitian ini menggunakan bahasa pemograman Java dengan library OpenCV 2.1 pada perangkat mobile dengan sistem operasi Android. Aplikasi yang dibangun diberi nama MedLeaf yang memiliki fasilitas untuk dapat mengidentifikasi citra query dari pengguna. Citra query dapat diambil langsung menggunakan kamera atau gallery bergantung kebutuhan pengguna. Citra query yang akan diidentifikasi sebelum diekstraksi dilakukan praproses. Citra hasil praproses diekstraksi dengan LBPriu2 Proses ekstraksi citra 24,3 . menghasilkan vector histogram. Nilai vector histogram tersebut menjadi lapisan masukan pada klasifikasi dengan PNN. Lapisan pola yang digunakan pada klasifikasi PNN digunakan dari hasil training pada server. Antarmuka aplikasi yang telah dibangun dapat dilihat pada Gambar 13 dan tahapan proses identifikasi ditunjukkan pada Lampiran2.
berdasarkan peringkat kedekatan. Citra hasil identifikasi juga menampilkan informasi umum dari tumbuhan tersebut. Aplikasi yang dikembangkan juga memiliki fasilitas untuk upload citra yang diakuisisi oleh pengguna. Fasilitas ini dimaksudkan untuk memperkaya koleksi citra pada server. Fungsionalitas tampilan hasil identifikasisecara detail pada Lampiran 3. Hasil Praproses Sebelum mengekstrak ciri tekstur pada citra,dilakukan tahap praproses. Pada awal tahapan praproses, dilakukan perubahan mode warna citra menjadi grayscale. Selanjutnya, perbaikan citra dilakukan dengan mengubah ukuran citra. Tahapan praproses pada server dilakukan secara manual, sedangkan pada aplikasi mobile dilakukan secara otomatis dengan penskalaan dan pemotongan citra. Penentuan objek daun pada citra dengan merubah mode grayscale ke mode binary dengan deteksi tepi canny. Citra hasil proses dengan canny diterapkan fungsi findContour yang terdapat padalibrary OpenCV. Nilai-nilai pixel hasil fungsi findContour terluar menjadi batas nilai pixel objek daun, selainnya nilai dibuang atau diputihkan dengan merubah nilai pixel tersebut menjadi 255.Tahap praproses pada aplikasi mobile dilakukan tanpa menghilangkan informasi tekstur dari citra tersebut.
Gambar 14 Praproses.
Gambar 13 Antarmuka aplikasi untuk identifikasi. Hasil klasifikasi dengan PNN ialah lima besar kelas citra yang mempunya jarak terdekat dengan citra query.Lima citra terdekat tersebut ditampilkan pada aplikasi
Contoh dengan citra hasil akuisisi menggunakan kamera 8 megapixel menghasilkan citra dengan ukuran 3268x1952.Digunakan teknik penskalaan dan pemotongan citra untuk mendapatkan ukuran 270x240 piksel sesuai dengan data latih seperti terlihat pada Gambar 14. Tahapan praproses ini bertujuan untuk mengurangi waktu pemrosesan data (computation time) dan penentuan objek tekstur yang akan dievaluasi.
8
Evaluasi Hasil Identifikasi Citra dengan LBPriu2 P,R Mobile
juga tidak harus seluruh area daun, karna aplikasi ini fokus pada tekstur daun.
Hasil identifikasi setiap kelas tumbuhan obatpada aplikasi mobile menggunakan nilai sampling point dan radius yang samadengan server yaitu dengan P = 24dan R = 3. Nilai evaluasi akurasi hasil identifikasi pada aplikasi mobile disajikan pada Tabel 1 dalam satuan persen. Tabel 1
Hasil identifikasi pada aplikasi mobile
Nama Tumbuhan Akar Kuning Alamanda Dandang Gendis Daruju Ekor Kucing Handeuleum Iler Jambu Biji Jarak Pagar Kumis kucing Pecah Batu Puring Sambang Darah Seuseureuhan Sosor Bebek Total Rata-rata
Akurasi 33.33% 66.67% 0.00% 0.00% 66.67% 0.00% 66.67% 33.33% 0.00% 33.33% 0.00% 66.67% 33.33% 33.33% 33.33% 31.11%
Hasil akurasi dari 15 kelas citra yang diuji pada aplikasi mobile menghasilkan nilai ratarata akurasi 31.11%. Perbedaan dengan hasil identifikasi pada server dipengaruhi oleh beberapa faktor yaitu: jumlah data tumbuhan, jumlah jenis tumbuhan dantahapan praproses yang berbeda antara server dan aplikasi mobile. Pada penelitian ini, digunakan 10 data citra daun untuk setiap kelas tumbuhan obat. Data citra daun dibagi 70% untuk data citra latih dan 30% untuk data citra uji. Akurasi dari setiap citra yang diambil menggunakan perangkat mobile memiliki propertyintensitas cahaya, sudut pengambilan gambar, dan jarak kamera dengan objek gambar yang beragam seperti yang ditunjukkan pada gambar 15. Pemanfaatan flash light pada perangkat mobile yang menyediakan fasilitas tersebut, dapat menstabilkan intensitas cahaya, mengurangi area gelap dan memberikan kontras dari tekstur setiap objek. Jarak dan sudut pengambilan gambar yang bagus dapat memberikan informasi tekstur objek dengan lebih rinci dan detail. Pengambilan gambar
Gambar 15 Teknik akuisisi yang berpengaruh dalam identifikasi tumbuhan obat. Evaluasi Waktu Proses Identifikasi Citra dengan LBPriu2 P,R Mobile Data citra daun tumbuhan obat yang diakuisisi langsung menggunakan perangkat mobilelalu diekstraksi dengan LBPriu2 24,3 dan klasifikasi dengan PNN mempunyai waktu proses yang cukup layak dengan rata-rata 50.02 detik. Selengkapnya rata-rata waktu komputasi yang diperlukan untuk setiap kelasnya ada pada Tabel 2. Tabel 2
Waktu komputasi pada perangkat mobile dengan LBPriu2 24,3
Nama Tumbuhan Akar Kuning Alamanda Dandang Gendis Daruju Ekor Kucing Handeuleum Iler Jambu Biji Jarak Pagar Kumis kucing Pecah Batu Puring Sambang Darah Seuseureuhan Sosor Bebek Total Rata-rata
Waktu Proses(detik) 49.14 50.62 49.92 50.28 49.71 48.09 51.24 49.37 49.35 49.33 51.95 49.23 50.77 49.29 51.96 50.02
Waktu proses dari setiap data daun merupakan rata-rata dari tigasample citra. Waktu proses yang cukup lama ini dipengaruhi oleh nilaisampling point dan radius yang cukup besar. Tahapan praproses pada aplikasi ini membantu dalam mengurangi waktu proses ekstraksinya. Besaran dari model klasifikasi juga ikut mempengaruhi waktu proses identifikasi, namu pengaruhnya tidak sebesar nilai sampling point dan radius.
9
KESIMPULAN DAN SARAN Kesimpulan Pengembangan aplikasi untuk identifikasi tumbuhan obat menggunakan LBP dengan klasifikasi PNN pada perangkat mobile yang berbasiskan sistem operasi Android berhasil dilakukan. LBP yang digunakan adalah LBPriu2 P,R dengan nilai sampling point dan radius 24,3. Ekstraki dengan LBPriu2 24,3 dan klasifikasi dengan PNN menghasilkan nilai akurasi yang sama yaitu 31.11%. Masing-masing teknik ekstraksi memiliki waktu proses yang berbeda pada perangkat mobile untuk LBPriu2 24,3 menghasilkan waktu rata-rata 50.02 detik. Saran Penelitian ini menggunakan data citra yang relatif sedikit jumlahnya, sehingga untuk penelitian selanjutnya diharapkan memiliki data citra yang lebih banyak jumlah setiap kelas dan jumlah kelasnya. Penggunaan lookup table untuk mempercepat waktu komputasi pada mobile. Mengembangkan sistem segmentasi dalam penentuan objek untuk meningkatkan akurasi.
DAFTAR PUSTAKA Annisa. 2009. Ekstraksi Ciri Morfologidan Tekstur untuk Temu Kembali Citra Helai Daun [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Arraghi LF, et al. 2009. Ship IdentificationUsing Probabilistic Neural Network (PNN). Hongkong: IMECS. Bell A, Bryan A.2008.Plant Form: An Illustrated Guide to Flowering Plant Morphology. London: Timber Press. Damayanti EK, Hikmat A, Zuhud EAM. 2011. Indonesian tropical medicinal plants diversity: problems and challenges in identification. Di dalam: International Workshop “Linking Biodiversity and Computer Vision Technology to Enhance Sustainable Utilization of Indonesian Tropical Medicinal Plants",Prosiding Pertemuan Ilmiah Tahunan; Bogor, 11 Agu 2011. Bogor: Department of Forest Resources Conservation and Ecotourism, Faculty of Forestry, Bogor Agricultural University.hlm 1.
Damayanti EK. 2008. Legality of national parks and involvement of local people: case studies in Java, Indonesia and Kerala, India[disertasi]. Tsukuba: Doctoral Program, University of Tsukuba. Mäenpää T. 2003. The Local Binary Pattern Approach to Texture Analysis. Oulu: Oulu University Press. Nurafifah. 2010. Penggabungan ciri , morfologi, tekstur dan bentuk untuk identifikasi daun menggunakan probabilistic neural network [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor Nurfadhilah E. 2011. Identifikasi tumbuhan obat menggunakan fitur citra morfologi, tekstru dan bentuk dengan klasifikasi probabilistic neural network (PNN) [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor 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. Pietikäinen M, Ojala T, Xu Z. 2000. Rotationinvariant texture classification using feature distribution. Pattern Recognition33:43-52. Speckmann B. 2008. The Android mobile platform[skripsi]. Michigan: Department of Computer Science, Eastern Michigan University. Wells MT. 2011. Mobile Image Processing on the Google Phone with the Android Operating System. http://www.3programmers.com/mwells/do cuments/pdf/Final Report.pdf [10 Juli 2012] Wu SG., et al. 2007. A Leaf Recognition Algorithm for Plant Classification Using Probabilistic Neural Network. Beijing: Chinese Academy Science. Zuhud EAM. 2007. Potensi hutan tropika Indonesia sebagai penyangga bahan obat dalamuntuk kesehatan bangsa. JurnalBahan Alam Indonesia 6(6):227232.
LAMPIRAN
11
Lampiran 1 Lima belas citra tumbuhan obat No
Nama Tumbuhan – Nama latin
1
Akar Kuning Arcangelisiaflava L. Hepatoprotektor(le ver)
2
Alamanda Allamanda cathartica L
3
Dandang Gendis Clinacanthus nutans Lindau
4
Daruju - Acanthus ilicifolius L.
5
Ekor Kucing Acalypha hispida Burm.F.(Euph)
Gambar
12
Lanjutan No
Nama Tumbuhan – Nama latin
6
Handeuleum Graptophyllum pictum (L.) Griffith (Acanth.)
7
Iler - Coleus scutellarioides, Linn,Benth
8
Jambu Biji Psidium guajava L.
9
Jarak Pagar Jatropha curcas Linn.
10
Kumis kucing Orthosiphon aristatus
Gambar
13
Lanjutan No
Nama Tumbuhan – Nama latin
11
Pecah Batu Sericocalyx crispus(L.) Bremek (Acanth)
12
Puring - Codiaeum variegatum (L.) Blume (Euph)
13
Sambang Darah Excoecaria cochinchinensis Lour (Euph.)
14
Seuseureuhan Piper Aduncum L. (pip.)
15
Sosor Bebek Kalanchoe pinnata (Lam.)Pers
Gambar
14
Lampiran 2 Tahapan identifikasi pada aplikasi mobile MedLeaf untuk identifikasi tumbuhan obat
15
Lampiran 3 Tampilan / antarmuka hasil identifikasi pada aplikasi mobile MedLeaf