BAB I PENDAHULUAN 1.1. Latar Belakang Indonesia merupakan salah satu negara yang kaya akan keanekaragaman jenis tanaman obat. Hal ini dibuktikan dari 40.000 jenis tumbuhan di dunia, 30.000 ribu merupakan spesies tumbuhan tingkat tinggi yang ada di Indonesia dan 7.000 diantaranya merupakan tumbuhan berkhasiat obat (Saifudin et al. 2011). Keanekaragaman jenis tanaman obat dapat membuat identifikasi tanaman obat menjadi sulit. Proses pengidentifikasian tanaman obat dapat dilakukan menggunakan berbagai cara, salah satunya dengan cara text book mengenai taksonomi. Jika pengidentifikasian dilakukan secara text book maka diperlukan waktu yang lama dan mengalami cukup kesulitan. Salah satu alternatif untuk mengidentifikasi tanaman obat dapat dilakukan dengan cara berbasis citra. Identifikasi berbasis citra merupakan proses membandingkan citra dengan melihat kesamaan ciri suatu citra. Berbeda dengan identifikasi berbasis teks yang membandingan karakter atau kata dengan teks yang lain. Untuk mempermudah dalam identifikasi citra diawali dengan ekstraksi ciri yaitu mendapatkan penciri dari citra tersebut. Ekstraksi ciri merupakan salah satu teknik untuk mendapatkan pola atau penciri suatu citra. Ekstraksi ciri dilakukan berdasarkan isi visual dari citra yaitu tekstur. Ekstraksi ciri digunakan untuk mendapatkan suatu penciri bagian tanaman obat yaitu daun, sehingga dapat dilakukan temu kembali citra daun tanaman dengan melihat kesamaan ciri antara daun tanaman obat yang lain. Salah satu metode yang dapat digunakan untuk ekstraksi ciri citra tanaman obat adalah metode kode fraktal. Kode fraktal adalah proses ekstraksi yang didasari pada karakteristik utama dari fraktal, yaitu memiliki kemiripan dengan diri sendiri (Schouten et al. 1999). Oleh karena itu pada penelitian ini dikembangkan aplikasi ekstraksi ciri citra tanaman obat menggunakan metode kode fraktal. 1.2. Tujuan Penelitian Tujuan penelitian ini adalah membuat aplikasi ekstraksi ciri citra tanaman obat menggunakan kode fraktal. 1.3. Ruang Lingkup Penelitian Ruang lingkup yang dibahas dalam penelitian ini meliputi: 1. Ekstraksi ciri terhadap citra daun tanaman obat 2. Perangkan lunak yang digunakan adalah Adobe Dreamweaver CS5 untuk pemrograman PHP dan XAMPP sebagai database. 1.4. Manfaat Penelitian Manfaat penelitian ini adalah menghasilkan penciri citra tanaman obat secara otomatis dan dapat digunakan untuk sistem identifikasi tanaman obat berbasis citra.
1
BAB II TINJAUAN PUSTAKA 2.1. Klasifikasi Citra Klasifikasi citra adalah proses untuk mengindentifikasi dan kemudian mengelompokan pola ciri citra ke dalam sejumlah kelas atau katagori obyek sehingga setiap kelas mempresentasikan suatu entitas dengan properti yang spesifik (Duda 1973). Klasifikasi citra dibagi menjadi dua kategori yakni supervised dan unsupervised (Duda 1973). Metode supervised digunakan bila training set telah tersedia, yaitu sejumlah citra sudah diklasifikasikan menjadi sejumlah kelas tertentu. Sedangkan metode unsupervised digunakan bila pada training set belum diketahui distribusi kelasnya. Pada metode ini data akan dikelompokkan secara natural berdasarkan properti masing-masing. 2.2. Ekstraksi Ciri Ciri merupakan karakteristik unik dari suatu objek. Ekstraksi ciri adalah proses mendapatkan penciri atau fitur yang terdapat pada suatu citra. Ada beberapa bagian citra yang dapat dijadikan ciri citra, antara lain bentuk dan tekstur. Ciri bentuk merepresentasikan informasi geometris yang bergantung pada posisi, orientasi, dan ukuran. Ciri tekstur didefinisikan sebagai pengulangan pola yang ada pada daerah bagian citra. Tekstur dapat juga membedakan permukaan dari beberapa kelas objek (Acharya & Ray, 2005). Dalam citra digital, tekstur dicirikan dengan variasi intensitas atau warna. Beberapa proses ekstraksi ciri mungkin perlu mengubah citra digital sebagai citra biner, melakukan pinipisan pola dan sebagainya (Susanti, 2012). Ekstraksi ciri diklasifikasikan ke dalam 3 tingkat yaitu low-level, middlelevel dan high-level. Low-level feature merupakan ekstraksi ciri berdasarkan isi visual seperti warna dan tekstur, middle-level feature merupakan ekstraksi tiap objek dalam citra dan mencari hubungannya, sedangkan high-level feature merupakan ekstraksi ciri berdasarkan informasi semantic yang terkandung dalam citra (Marques & Furht, 2002). 2.3. Fraktal Fraktal berasal dari bahasa latin yaitu fractus yang berarti pecah (broken) atau tidak teratur (irregular). Pada dasarnya, fraktal merupakan geometri sederhana yang dapat dipecah-pecah menjadi beberapa bagian yang memiliki bentuk seperti bentuk sebelumnya dengan ukuran yang lebih kecil (Mandelbrot 1982). Fraktal memiliki sifat-sifat self- similarity, self-affinity, self-inverse, dan self- squaring. Sifat self-similarity menunjukkan bahwa fraktal terdiri atas bagianbagian yang berbentuk serupa satu sama lain. Self-affinity menggambarkan bahwa fraktal disusun atas bagian-bagian yang saling terangkai satu sama lain. Selfinverse artinya suatu bagian dari fraktal dapat merupakan susunan terbalik dari susunan lainnya, sedangkan self- squaring dapat diartikan bahwa suatu bagian dari fraktal merupakan peningkatan kerumitan dari bagian terdahulu (Peitgen et al. 1992). Fraktal adalah bentuk apa saja yang memiliki kemiripan dengan dirinya sendiri (Mandelbrot, 1982). Gambar 1 menunjukan contoh karakteristik kemiripan dengan diri sendiri dari fraktal. Gambar 1 (a) merupakan gambar yang terdiri atas 2
satu garis utama dan 2 garis cabang. Bila aturan pada Gambar 1(a) diterapkan pada cabang-cabangnya, maka diperoleh Gambar 1(b). Bila setiap cabang pada Gambar 1(b) diterapkan aturan yang sama akan diperoleh Gambar 1(c). Gambar 1(b) dan 1(c) diperoleh dengan menerapkan aturan yang sama secara berulangulang (proses rekursif). Proses perulangan ini dapat berlangsung tanpa batas dengan berbagai ukuran/skala. Cabang yang lebih kecil memiliki sifat yang sama dengan cabang yang lebih besar.
(a)
(b) (c) Gambar 1 Fraktal dengan kemiripan pada diri sendiri.
2.4. Kode Fraktal Kode fraktal didasarkan pada karakteristik utama dari fraktal, yaitu memiliki kemiripan dengan diri sendiri (Schouten et al. 1999). Kode fraktal menunjukkan bagian-bagian yang memiliki kemiripan tekstur pada citra dan ditampilkan dalam bentuk data matematis. Gambar 2 (a) memperlihatkan citra yang memiliki kemiripan bentuk pada bagian-bagiannya sedangkan Gambar 2 (b) memperlihatkan citra yang memiliki kemiripan tekstur pada bagian-bagiannya.
Gambar 2 Citra yang memiliki (a) kemiripan bentuk dan (b) tekstur pada bagian bagiannya (Mulyana 2012). Tahapan pengkodean fraktal sebagai berikut (Soelaiman et al. 2007): a) Menampilkan nilai intensitas piksel dari citra asli. b) Membangun blok domain : - Mempartisi citra menjadi subcitra dalam berbagai ukuran mulai dari 16×16 piksel, 8×8 piksel, 4×4 piksel hingga 2×2 piksel. Partisi dilakukan mulai dari pojok kiri atas citra bergeser hingga ke pojok kanan bawah. - Membuat blok domain dengan menghitung rata-rata kelompok empat piksel dari subcitra yang telah terbentuk.
3
c) Membangun blok range: Mempartisi citra menjadi subcitra dengan partisi quadtree. Partisi ini membagi citra menjadi empat bagian yang sama besar. Kemudian setiap bagian yang terbentuk dibagi lagi menjadi empat bagian dan seterusnya hingga mencapai ukuran 4×4 piksel dan 2×2 piksel. Hasil subcitra dengan partisi quadtree merupakan blok range. d) Menghitung faktor penskalaan kontras (s) dan faktor kecerahan (g) dengan persamaan 3 dan 4 (Soelaiman, 2007). …………………………………….. (1) dengan : s = Skala kontras n = jumlah intensitas piksel yang ada pada blok yang sedang diperiksa ri = elemen elemen blok range jika blok range adalah R ={ r1,r2,…,rn) di = elemen elemen blok domain jika blok domain adalah R ={d1,d2,…,dn) …………………………………………………..... (2) dengan : g = Tingkat Kecerahan n = jumlah intensitas piksel yang ada pada blok yang sedang diperiksa ri = elemen elemen blok range jika blok range adalah R ={ r1,r2,…,rn) di = elemen elemen blok domain jika blok domain adalah R ={d1,d2,…,dn) e) Menghitung RMS antara blok domain dan blok range dengan persamaan 3 (Soelaiman, 2007). ....................................(3) dengan : s = Skala kontras g = Tingkat Kecerahan n = jumlah intensitas piksel yang ada pada blok yang sedang diperiksa ri = elemen elemen blok range jika blok range adalah R ={ r1,r2,…,rn) di = elemen elemen blok domain jika blok domain adalah R ={d1,d2,…,dn) RMS = root means square f)
Menyimpan faktor penskalaan kontras (s), faktor kecerahan (g), nilai rata rata blok range (Avgrange) dan nilai rata rata blok domain (Avgdomain) berdasarkan nilai Root Mean Square (RMS) yang paling kecil sebagai parameter kode fraktal.
2.5. Tanaman Obat Definisi tanaman obat Indonesia menurut Departemen kesehatan RI dalam Siswanto (2004: 8), tercantum dalam SK Menkes NO. 149/Menkes/IV/1978 sebagai berikut:
4
1. Tanaman atau bagian tanaman yang digunakan sebagai bahan obat tradisional atau jamu. 2. Tanaman atau bagian tanaman yang digunakan sebagai bahan pemula bahan baku. 3. Tanaman atau bagian tanaman yang diekstraksi dan ekstrak tanaman tersebut digunakan sebagai obat. 2.6. Penelitian Terdahulu Mulyana (2012) telah melakukan penelitian berjudul Identifikasi Tumbuhan Obat Berbasis Fraktal Menggunakan Klasifikasi Fuzzy C-Means. Proses identifikasi bergantung pada hasil ekstraksi fitur. Untuk ekstraksi ciri citra menggunakan fractal dan identifikasi citra menggunakan menggunakan klasifikasi Fuzzy C-Means (FCM). Hasil ekstraksi dimensi fraktal lebih dipengaruhi oleh pola bentuk citra daun tumbuhan obat, sedangkan hasil ekstraksi kode fraktal lebih dipengaruhi oleh pola tekstur dari citra daun tumbuhan obat. Hasil klasifikasi citra daun tumbuhan obat menggunakan FCM berdasarkan dimensi fraktal menghasilkan akurasi sebesar 85,04% dan berdasarkan kode fraktal menghasilkan akurasi 79,94%. Manal (2011) telah melakukan penelitian berjudul Perancangan Program Aplikasi Motif Ulos Menggunakan Metode Fraktal. Kain Ulos merupakan salah satu warisan budaya Indonesia. Kain Ulos yang berasal dari daerah Batak ini mempunyai berbagai jenis, berbagai corak/motif yang dapat diaplikasikan pada model Fraktal. Geometri Fraktal itu sendiri adalah salah satu perkembangan teknologi yang sangat terkenal akan strukturnya dan dapat pula digunakan untuk menghasilkan suatu pola. Pengembangan dari aplikasi Fraktal ini ditujukan untuk memperkaya jenis motif dan mengembangkan kreatifitas dalam pembuatan motif tersebut. Maka dari itu motif-motif/corak yang terdapat pada kain Ulos tersebut mempunyai kesamaan pada pemodelan Fraktal. Desain motif menggunakan aplikasi Fraktal ini dapat mengkombinasikan motif tradisional dengan motif-motif Fraktal lainnya. Motif yang dihasilkan menggunakan metode Iterated Function System, L-System, Mendelbrot Set, dan Random Fractal, sehingga menghasilkan sebuah perpaduan motif baru. Pada metode L-System inilah yang lebih banyak mengeluarkan pola-pola yang menyerupai corak pada kain Ulos. Susanti (2012) telah melakukan penelitian berjudul Penggabungan Dimensi Fraktal dan Kode Fraktal Untuk Identifikasi Tumbuhan Obat Indonesia Menggunakan Probabilistic Neural Network. Penerapan dimensi fraktal, kode fraktal, dan fraktal gabungan berupa gabungan vektor ciri dan penggabungan fitur dengan Product Decision Rule (PDR) berbasis web berhasil diimplementasikan. Ekstraksi dengan dimensi fraktal (FD) menghasilkan akurasi sebesar 57%, kode fraktal (FC) memiliki akurasi paling kecil sebesar 21% sedangkan ekstraksi gabungan vektor ciri (FD+FC) menghasilkan akurasi 58%. Penggabungan fitur dengan PDR menghasilkan akurasi sebesar 58%. Pada metode penggabungan fraktal, kode fraktal tidak memengaruhi akurasi sehingga ekstraksi dengan dimensi fraktal sudah cukup. Classifier Probabilistic Neural Network (PNN) yang digunakan untuk metode fraktal menghasilkan akurasi yang lebih rendah dibandingkan dengan Fuzzy C- Means (FCM).
5
BAB III METODE PENELITIAN 3.1. Tahapan Penelitian Tahapan penelitian untuk mengembangkan Aplikasi Ekstaksi Ciri Citra tanaman obat dapat dilihat pada Gambar 3 di bawah ini. Start
Akusisi citra Tanaman Obat
Perancangan Sistem
Preprocessing
Implementasi Sistem Pembuatan database tanaman obat Pembuatan aplikasi Ekstraksi Ciri Citra Tanaman Obat berbasis Fraktal
Pengujian sistem dan pengujian hasil Ekstraksi ciri citra tanaman obat
Penggunaan
End Gambar 3. Tahapan Penelitian 6
3.1.1. Akusisi Citra Tanaman Obat Pada tahap ini citra tanaman obat di akusisi dengan cara sensor garis (sensor strip) mengunakan mesin scanner atau sensor larik (sensor array) menggunakan kamera digital. Hasil dari tahap ini adalah citra digital dari gambar tanaman obat yang akan disimpan dalam database beserta informasinya. Pada penelitian ini citra daun tumbuhan obat yang digunakan adalah adalah 10 jenis dan masing-masing terdiri atas 4 citra daun sehingga totalnya adalah 40 data. 3.1.2. Preprocessing Citra Tanaman Obat Preprocesing yang dilakukan pada penelitian adalah menyeragamkan ukuran citra menjadi 16x16 piksel dan melakukan perubahan bentuk citra ke dalam format grayscale 8 bit. (28 = 256 derajat keabuan). Untuk mengubah warna RGB ke grayscale digunakan persamaan 12 ( Jianxin et al. 2011). Gray = 0,2989 x R+ 0,5870 x G+ 0,1140 x B ……………………… .(4) 3.1.3. Perancangan Sistem Pada tahap ini diawali dengan perancangan database dengan metode Entity Relationship Diagram (ERD) sehingga dihasilkan database dengan atribut antara lain ; jumlah gambar yang dipakai, ukuran gambar, objek gambar dan format file gambar. Adapun rancangan sistem secara umum dari aplikasi ekstraksi ciri citra tanaman obat akan dikembangkan seperti pada Gambar 4. berikut ini. Gambar Citra
Ekstraksi Ciri Citra Menggunakan metode fraktal
Citra dan Hasil Ekstaksi Ciri Tanaman obat
Fitur database dari Gambar tanaman obat dan informasi tanaman obat
Gambar 4. Blok Diagram dari Aplikasi yang akan dikembangkan 3.1.4. Implementasi Sistem Pada tahap implementasi sistem ini dikembangkan aplikasi esktraksi ciri citra tanaman obat. Adapun tahapannya meliputi pembuatan database tanaman obat dan pembuatan aplikasi esktraksi ciri tanaman obat. 3.1.4.1.
Pembuatan Database Tanaman Obat Untuk pembuatan database akan digunakan database MySQL dengan jumlah table dan atribut sesuai dengan hasil tahap perancangan database dengan metode ERD. Setelah database tersedia selanjutkan diinputkan citra digital tanaman obat hasil proses akusisi . 7
3.1.4.2. Pembuatan Aplikasi Ekstraksi Ciri Citra Tanaman Obat Pada tahap ini aplikasi dibuat dengan bahasa pemrograman PHP, dengan beberapa modul antara lain : 1. Pre processing Citra Tanaman Obat Pada tahap pre processing citra tanaman obat yang telah di akusisi terlebih dahulu diubah ke dalam bentuk citra gray scale dengan 256 tingkat ke abuan dan dimensi 16 x 16 pixel. 2. Ekstraksi Fitur Tanaman Obat dengan Metode Fraktal Pendekatan metode fraktal yang digunakan untuk ekstraksi fitur yaitu kode fraktal. Pada penelitian ini ada dua tahap yang dilaksanakan untuk mendapatkan kode fraktal citra daun tumbuhan obat. Tahap pertama membentuk blok domain dan blok range. Blok domain dibentuk dengan mempartisi citra asli menjadi subcitra ukuran 8x8 piksel dan 4x4 piksel. Setiap empat piksel dari subcitra yag terbentuk dihitung rata-ratanya sehingga ukuran menjadi 4x4 piksel dan 2x2 piksel. Proses partisi ini membentuk 20 blok domain. Ilustrasi partisi pembentukan blok domain ditunjukan pada Gambar 5.
Gambar 5. Ilustrasi pembentukan blok domain. Blok range dibentuk dengan mempartisi citra asli menggunakan partisi quadtree. Partisi ini membagi citra menjadi empat bagian yang sama besar secara rekursif sampai ukuran 2 x 2 piksel. Proses partisi ini membentuk 80 blok domain yang terbagi ke dalam empat kelompok dan masing masing 20 blok domain. Pembagian kelompok berdasarkan bagian kiri atas, bagian kanan atas, bagian kiri bawah dan bagian kanan bawah. Ilustrasi partisi pembentukan blok range dengan partisi quadtree ditunjukan pada Gambar 6.
Gambar 6. Ilustrasi pembentukan blok range. Tahap kedua adalah mengukur kemiripan antara blok domain dan blok range. Kemiripan diukur dengan menghitung skala kontras, faktor kecerahan dan RMS dari masing-masing pasangan blok domain dan blok range. Pasangan 8
dengan nilai RMS atau nilai error terkecil adalah pasangan yang dianggap paling mirip. Hasil Ekstraksi citra daun dengan kode fraktal menghasilkan empat nilai kode fraktal yaitu skala kontras (s), faktor kecerahan (g), rata rata blok range (Avgrange) dan rata rata blok domain ( Avgdomain ). 3.1.5. Pengujian Sistem dan Hasil Ekstasi Ciri Citra Tanaman Obat Pengujian yang dilaksankan terhadap sistem yang dikembangkan antara lain: 1. Pengujian sturktural untuk mengevaluasi apakan sistem yang dikembangkan Struktur atau alur programnya telah sesuai dengan rancangan. 2. Pengujian fungsional adalah untuk mengevaluasi apakan sistem telah berjalan sesuai fungsi masing masing modul. 3. Pengujian validasi adalah evaluasi untuk melihat tingkat akurasi antara pehitungan secara manual dan perhitungan pada sistem. 3.2. Waktu dan Tempat Penelitian Penelitian dilaksanakan di Laboratorium Program Studi Ilmu komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Pakuan Bogor. Pelaksanaan penelitian dilakukan dari bulan Februari 2013 sampai April 2013 (3 bulan). 3.3. Alat dan Bahan 3.3.1. Alat-alat Penelitian Alat-alat yang digunakan dalam penelitian ini terdiri dari perangkat keras (hardware) dan perangkat lunak (software). 1. Spesifikasi Hardware Pada pembuatan aplikasi ini perangkat keras yang digunakan adalah seperangkat notebook dengan spesifikasi sebagai berikut : a. Processor intel (R) Celeron (R) CPU 847 b. Memory RAM 4 GB c. Harddisk 320 GB 2. Spesifikasi Software Kebutuhan perangkat lunak untuk membuat aplikasi ini diantaranya adalah sebagai berikut: a. Operation System Microsoft Windows 8 Professional b. Mozilla Firefox c. XAMPP d. Adobe Dreamweaver CS5 e. Microsoft Office 2010 f. Adobe Photoshop CS5 3.3.2. Bahan Penelitian Bahan yang diperlukan dalam penelitian ini adalah citra digital daun tanaman obat. Bahan-bahan penelitian lainnya didapatkan berdasarkan sumbersumber yang berkaitan dengan rancangan aplikasi yang akan dibuat.
9
BAB IV RANCANGAN DAN IMPLEMENTASI 4.1.
Akusisi Citra Tanaman Obat Pada tahap ini citra daun tanaman obat di akusisi dengan cara sensor garis (sensor strip) mengunakan mesin scanner atau sensor larik (sensor array) menggunakan kamera digital. Hasil dari tahap ini adalah citra digital dari gambar tanaman obat yang akan disimpan dalam database beserta informasinya. 4.2. Perancangan Sistem 4.2.1. Perancangan ERD (Entity Relationship Diagram) ERD dibuat untuk mengetahui relasi tabel yang digunakan. Berikut ini adalah perancangan ERD yang ditunjukan pada gambar 7. hasil_ekstraksi
id
1
kelas
Memiliki
N
proses_kode_fractal
uid
...
kelas ...
Gambar 7. Entity Relationship Diagram 4.2.2. Perancangan Database Tabel-tabel yang digunakan dalam perancangan Aplikasi Ekstraksi Ciri Citra terdiri dari 2 Tabel. Di bawah ini akan dijekaskan nama masing-masing tabel, deskripsi dan primary key dari tabel tersebut. 1. Tabel hasil_ekstraksi Tabel 1. Hasil Ekstraksi Ciri Nama field Tipe (Panjang) int (4) id nama varchar(100) kelas varchar(100) S double G double avg_range double avg_domain double 2.
Tabel proses_kode_fractal Tabel 2. Proses Kode Fraktal Nama field uid nama kelas S G avg_range avg_domain
Tipe (Panjang) int (4) varchar(100) varchar(100) double double double double 10
4.2.3. Relasi Relasi pada perancangan database yang ini terdapat 2 tabel yang memiliki relasi dengan tabel lainnya seperti pada gambar 8 berikut.
Gambar 8. Relasi 4.2.4. Flowchart Di dalam perancangan sistem, diperlukan pula suatu diagram alur atau Flowchart Program yang menggambarkan proses kerja Aplikasi Ekstraksi Ciri Citra Tanaman Obat yang akan memudahkan dalam implementasi sistem. Flowchart program Aplikasi Ekstraksi Ciri Citra Tanaman Obat ditunjukan pada gambar 9 dan flowchart proses ekstraksi ciri pada gambar 10, gambar 11 dan gambar 12. Mulai
A
Halaman Utama
1. Home 2. Ekstraksi Ciri 3. Proses Ekstraksi Ciri 4. Hasil Ekstrasi Ciri 4
3
2 1 A
B
Proses Ekstraksi Ciri
Ekstraksi Ciri
Input Citra Tanaman Obat
Hasil Ekstraksi Ciri
A N
Simpan? Y
Proses preprocessing Proses esktraksi menggunakan kode fraktal
Simpan data
Database
B
Gambar 9. Flowchart Program 11
B
A
Start
$i=0;$i<4;$i++
Preprocessing
$k=0;$k<4;$k++ $matrix_blok_4[$i] = $core>getAVG4x4($matrix_img_8 [$i], 4, 4)
$k=0;$k<2;$k++
$ix==0
N
$idx1=$idx2
$i
Y $x=0;$x<4;$x++
$idx1=$ix
$ix==0
N
$idx1=$idx2
$i=0;$i<4;$i++
Y
$i=$ix;$i<$iy;$i++
$idx1=$ix $j=0;$j<4;$j++
$j=0;$j<4;$j++ $matrix_range_4[$x][0][$m] [$n] = $temp[$i][$j]
$i=$ix;$i<$iy;$i++ $matrix_img_4[$idx2][$m][ $n] = $matrix_img[$i][$j]
$j
$j
$j=0;$j<8;$j++
$j=4;$j<8;$j++
$j=4;$j<8;$j++ $matrix_range_4[$x][1][$m] [$n] = $temp[$i][$j]
$matrix_img_8[$idx2][$m][ $n] = $matrix_img[$i][$j] $matrix_img_4[$idx2][$m][ $n] = $matrix_img[$i][$j]
$j
$i
$j=8;$j<16;$j++
$j
$i=4;$i<8;$i++
$matrix_img_8[$idx2][$m][ $n] = $matrix_img[$i][$j]
$j=8;$j<12;$j++ $j=0;$j<4;$j++
$matrix_img_4[$idx2][$m][ $n] = $matrix_img[$i][$j]
$j
$matrix_range_4[$x][2][$m] [$n] = $temp[$i][$j]
$i $j
$j
$k $j=4;$j<8;$j++
$j=12;$j<16;$j++
$i=0;$i<4;$i++ $matrix_img_4[$idx2][$m][ $n] = $matrix_img[$i][$j]
$matrix_blok_4[$i] = $core>getAVG4x4($matrix_img_8 [$i], 4, 4)
$matrix_range_4[$x][3][$m] [$n] = $temp[$i][$j]
$j
$j $i
$i $k
$i $k
1
A
B
Gambar 10. Flowchart Proses Ekstraksi Ciri
12
1
C
$i=0;$i<4;$i++ $x=0;$x<4;$x++
$sumDi[$idx] = $this->sumArray($matrix_blok_4[$i], 4, 4); $sumDi2[$idx] = $this->sumArray2($matrix_blok_4[$i], 4, 4); $i=0;$i<4;$i++
$i
$j=0;$j<4;$j++
$i=0;$i<16;$i++ $matrix_range_4[$x][0][$m] [$n] = $temp[$i][$j]
$sumDi[$idx] = $this->sumArray($matrix_blok_2[$i], 2, 2); $sumDi2[$idx] = $this->sumArray2($matrix_blok_2[$i], 2, 2); $j
$i
$j=4;$j<8;$j++
$i=0;$i<4;$i++ $matrix_range_4[$x][1][$m] [$n] = $temp[$i][$j]
$j
$i
$i=4;$i<8;$i++
$j=0;$j<4;$j++
$sumRi[$i][$j] = $this->sumArray($matrix_range_4[$i][$j], 4, 4); $sumRi2[$i][$j] = $this->sumArray2($matrix_range_4[$i][$j], 4, 4);
$j
$i $j=0;$j<4;$j++
$i=0;$i<4;$i++ $matrix_range_4[$x][2][$m] [$n] = $temp[$i][$j]
$j
$j=4;$j<8;$j++
$matrix_range_4[$x][3][$m] [$n] = $temp[$i][$j]
$j
$j=0;$j<4;$j++
$k=0;$k<16;$k++
$sumRi[$i][$idx] = $this->sumArray($matrix_range_2[$i][$j][$k], 2, 2); $sumDi2[$idx] = $this->sumArray2($matrix_blok_2[$i], 2, 2);
$k
$i
$j
$x
$i
C
2
Gambar 11. Flowchart Proses Ekstraksi Ciri Lanjutan 1 13
2
$i=0;$i<4;$i++
$j=0;$j<20;$j++
D $j < 4
N
Y
$m = 4
$i=0;$i<4;$i++
$m = 16
$A = ($m * $sumDiRi[$i][$j] - $sumDi[$j] * $sumRi[$i][$j]); $B = ($m * $sumDi2[$j] - ($sumDi[$j] * $sumDi[$j])); $S[$i][$j] = $A / $B;
$j=0;$j<20;$j++
$j
$i
$j < 4
N
$i=0;$i<4;$i++
Y $j=0;$j<20;$j++
$j < 4
Y
$m = 4
$m = 16
N
$m = 4
$A = ($m * $sumDiRi[$i][$j] - $sumDi[$j] * $sumRi[$i][$j]); $B = ($m * $sumDi2[$j] - ($sumDi[$j] * $sumDi[$j])); $S[$i][$j] = $A / $B;
$m = 16
$A = ($m * $sumDiRi[$i][$j] - $sumDi[$j] * $sumRi[$i][$j]); $B = ($m * $sumDi2[$j] - ($sumDi[$j] * $sumDi[$j])); $S[$i][$j] = $A / $B;
$j
$i
$j
$i
End
D
Gambar 12. Flowchart Proses Ekstraksi Ciri Lanjutan 2 4.2.5. Struktur Navigasi Struktur navigasi pada Aplikasi Ekstraksi Ciri Citra Tanaman Obat dimulai dari halaman utama, lalu halaman tanaman obat, ekstraksi ciri dan hasil ekstraksi ciri. Secara sistemastis hubungan antar halaman dalam web ini disajikan pada gambar 13. Halaman Utama
Tanaman Obat
Ekstaksi Ciri
Hasil Ekstraksi Ciri
Gambar 13. Struktur Navigasi 14
4.2.6. Perancangan Antar Muka Perancangan antar muka berfungsi untuk menjelaskan fungsi dari kontrolkontrol yang digunakan dalam program aplikasi ini. 4.2.6.1. Perancangan Halaman Utama Halaman utama merupakan halaman pertama saat aplikasi dibuka atau dijalankan. Pada halaman utama ini terdapat 3 bagian yaitu header, menu dan banner. Perancangan halaman utama dapat dilihat pada gambar 14.
Header
Banner
Menu
Gambar 14. Rancangan Halaman Utama 4.2.6.2. Perancangan Halaman Ekstraksi Ciri Halaman tanaman ekstraksi ciri merupakan halaman form untuk memasukan citra daun tanaman obat sehingga menghasilkan penciri yang ekstraksi ciri menggunakan kode fraktal. Perancangan halaman ekstraksi ciri dapat dilihat pada gambar 15.
Header Banner
Menu
Ekstraksi Ciri Citra Nama Tanaman Obat
Upload Citra
Submit
Gambar 15. Rancangan Halaman Ekstraksi Ciri 4.2.6.3. Perancangan Halaman Proses Ekstraksi Ciri Halaman ekstraksi ciri merupakan halaman proses ekstraksi ciri seluruh data sample citra tanaman obat. Pada halaman tanaman obat ini terdapat 4 bagian yaitu header, menu, banner dan konten informasi. Perancangan halaman tanaman obat dapat dilihat pada gambar 16.
15
Header Banner
Menu Pilih Kelas
Tampilan
Submit
Proses Ekstraksi Ciri
Gambar 16. Rancangan Halaman Proses Ekstraksi Ciri 4.2.6.4. Perancangan Halaman Hasil Ekstraksi Ciri Halaman hasil ekstraksi ciri merupakan halaman informasi penciri citra yang telah diesktraksi ciri menggunakan kode fraktal. Perancangan halaman hasil ekstraksi ciri dapat dilihat pada gambar 17. Header Menu
Banner Hasil Citra Tanaman Obat Ekstraksi Ciri
Informasi Hasil Citra Tanaman Obat Ekstraksi Ciri
Gambar 17. Rancangan Halaman Hasil Ekstraksi Ciri 4.3. Implementasi Tahapan implementasi merupakan tahap pembuatan sistem yang telah dirancang sehingga aplikasi tersebut dapat dipergunakan. 4.3.1. Pembuatan Halaman Utama Pembuatan halaman web menggunakan software Adobe dreamweaver cs3 dan menggunakan bahasa pemrograman HTML dan PHP. Dalam pembuatan halaman utama front end pertama kita akan membuat halaman index sebagai halaman antarmuka terhadap user. Langkah-langkah pembuatan halaman utama sebagai berikut: 1. Install program Adobe Dreamweaver cs5 2. Buka program Adobe Dreamweaver cs5 melalui start menu 3. Pilih format halaman yang akan dibuat 4. Pilih format PHP 5. Masukkan script PHP dan HTML melalui halaman code atau dengan merancang melalui halaman design. 16
Garmbar 18. Pembuatan Halaman Utama 4.3.2. Pembuatan Database Pembuatan database menggunakan software XAMPP yang telah dilengkapi dengan MySQL didalamnya. Pada MySQL hanya perlu melakukan penginputan data. Langkah-langkahnya sebagai berikut. 1. Install program XAMPP 2. Buka program XAMPP melalui start menu 3. Pilih start pada pilihan Apache dan MySQL 4. Buka web browser Mozilla Firefox 5. Ketikan http://localhost/xampp/ di adress bar 6. Pilih phpMyAdmin 7. Setelah itu create database dan tekan tombol create 8. Isikan pada text name database yang akan dibuat dan jumlah isikan pada text number of field baris table yang akan dibuat.
Gambar 19. Pembuatan Database 4.3.3. Koneksi Aplikasi Ekstraksi Ciri Citra Tanaman Obat Pengkoneksian halaman web dengan database menggunakan script PHP di editor aplikasi Adobe Dreamweaver CS5.
Gambar 20. Koneksi ke Database 17
BAB V HASIL DAN PEMBAHASAN 5.1. Hasil Pada tahap ini merupakan hasil dari tampilan beserta uraian mengenai halaman dari Aplikasi Ekstraksi Ciri Citra Tanaman Obat yang telah dibuat. 5.1.1. Halaman Utama Disetiap halaman terdiri dari 3 bagian, yaitu header, menu dan content. Content pada halaman utama berisikan beberapa nama dan citra tanaman obat yang berupa banner. Tampilan halaman utama dapat dilihat pada gambar 21.
Header Menu Banner
Gambar 21. Tampilan Halaman Utama 5.1.2. Halaman Ekstraksi Ciri Halaman ekstraksi ciri berfungsi untuk mendapatkan penciri dari citra melalui proses ekstraksi ciri citra menggunakan kode fraktal. Citra tanaman obat di-upload lalu diproses oleh preprocessing, setelah itu dikodekan oleh kode fractal untuk mendapatkan penciri citra tersebut. Tampilan ekstraksi ciri citra dapat dilihat pada gambar 22.
Gambar 22. Tampilan Ekstraksi Ciri Citra
18
5.1.3. Halaman Proses Ekstraksi Ciri Halaman proses ekstraksi ciri merupakan halaman proses ekstraksi seluruh data sampel 1 citra yang telah diekstraksi ciri. Pada halaman ini akan diketahui nama tanaman obat, citra tanaman obat, nilai skala kontras (s), nilai kecerahan (g), nilai rata-rata blok domain (avg. domain), nilai rata-rata blok range (avg. range) dan grafik vector ciri citra. Tampilan proses ekstraksi ciri dapat dilihat pada gambar 23.
Gambar 23. Tampilan Halaman Hasil Ekstraksi Ciri 5.1.4. Halaman Hasil Ekstraksi Ciri Halaman hasil ekstraksi ciri merupakan hasil ekstraksi ciri dari seluruh sample citra yang telah dirata-ratakan nilai skala kontras (s), nilai kecerahan (g), nilai rata-rata blok domain (avg. domain) dan nilai rata-rata blok range (avg. range). Tampilan hasil ekstraksi dapat dilihat pada gambar 24.
Gambar 24. Tampilan Halaman Hasil Ekstraksi Ciri 19
5.2. Pembahasan Pada penelitian ini ekstraksi ciri citra tumbuhan obat dilakukan dengan metode kode fraktal. 5.2.1. Perhitungan Manual Proses ekstraksi ciri citra dengan kode fraktal adalah membandingkan kemiripan tekstur dari pasangan blok domain dan blok range. Pasangan yang memiliki nilai RMS paling kecil dianggap memiliki tingkat kemiripan yang paling tinggi. Langkah-langkah pengkodean fraktal (fractal coding) pada citra daun Sambang Darah adalah sebagai berikut : 1. Menampilkan nilai intensitas piksel dari citra asli seperti ditunjukan pada Gambar 25 dan 26.
Gambar 25. Preprocessing 249 255 255 253 255 255 255 247 255 255 250 255 255 255 250 255
255 255 253 255 255 247 251 255 241 255 255 249 250 255 255 253
252 249 247 249 250 250 251 253 250 255 255 255 254 255 255 250
251 255 255 252 255 255 255 244 255 251 250 255 253 246 250 255
252 255 255 248 246 252 255 255 255 246 247 255 255 251 254 255
255 243 250 255 213 128 90 105 112 153 211 241 245 255 255 248
251 248 174 58 14 49 64 36 51 33 36 67 126 207 255 254
189 120 60 48 47 35 32 44 42 36 40 27 5 52 166 254
251 211 132 58 37 54 54 32 39 41 47 62 61 53 109 204
249 255 253 173 88 48 48 56 44 39 32 69 152 220 252 255
251 253 251 246 243 235 212 186 192 243 255 255 252 253 246 243
248 252 255 255 255 251 247 245 253 255 253 248 251 251 253 255
255 255 253 253 253 254 255 255 255 253 254 255 255 248 244 254
254 251 250 252 252 251 253 255 253 255 255 255 255 255 255 254
255 255 255 255 255 255 254 249 250 254 255 250 245 252 255 255
253 255 255 253 252 255 255 255 255 252 254 255 255 252 254 254
Gambar 26. Nilai intensitas dari citra daun ukuran 16 x 16 piksel. 2. Membentuk Blok Domain Mempartisi citra menjadi ukuran 8x8 piksel, 4x4 piksel. Partisi dilakukan mulai dari pojok kiri atas bergeser hingga ke pojok kanan bawah seperti ditunjukan pada Gambar 27 dan Gambar 28. 20
249 255 252 251 252 255 251 189 255 255 249 255 255 243 248 120 255 253 247 255 255 250 174 60 253 255 249 252 248 255 58 48 255 255 250 255 246 213 14 47 255 247 250 255 252 128 49 35 255 251 251 255 255 90 64 32 247 255 253 244 255 105 36 44
251 249 251 248 255 254 255 253 211 255 253 252 255 251 255 255 132 253 251 255 253 250 255 255 58 173 246 255 253 252 255 253 37 88 243 255 253 252 255 252 54 48 235 251 254 251 255 255 54 48 212 247 255 253 254 255 32 56 186 245 255 255 249 255
00
01 39 44 192 253 255 253 250 255 41 39 243 255 253 255 254 252 47 32 255 253 254 255 255 254 62 69 255 248 255 255 250 255 61 152 252 251 255 255 245 255 53 220 253 251 248 255 252 252 109 252 246 253 244 255 255 254 204 255 243 255 254 254 255 254
255 241 250 255 255 112 51 42 255 255 255 251 246 153 33 36 250 255 255 250 247 211 36 40 255 249 255 255 255 241 67 27 255 250 254 253 255 245 126 5 255 255 255 246 251 255 207 52 250 255 255 250 254 255 255 166 255 253 250 255 255 248 254 254
10 11 Gambar 27. Sub citra ukuran 8 x8 piksel. 249 255 252 251 255 255 249 255 255 253 247 255 253 255 249 252
00
251 249 251 248 211 255 253 252 132 253 251 255 58 173 246 255
01
255 255 250 255 255 247 250 255 255 251 251 255 247 255 253 244
10
246 213 252 128 255 90 255 105
02 14 49 64 36
47 35 32 44
37 54 54 32
11
255 241 250 255 255 255 255 251 250 255 255 250 255 249 255 255
20
255 112 246 153 247 211 255 241
88 243 255 48 235 251 48 212 247 56 186 245
12 51 33 36 67
42 36 40 27
21
255 250 254 253 255 255 255 246 250 255 255 250 255 253 250 255
30
252 255 251 189 255 243 248 120 255 250 174 60 248 255 58 48
39 41 47 62
44 192 253 39 243 255 32 255 253 69 255 248
22
255 245 126 5 251 255 207 52 254 255 255 166 255 248 254 254
31
255 254 255 253 255 251 255 255 253 250 255 255 253 252 255 253
03 253 252 255 252 254 251 255 255 255 253 254 255 255 255 249 255
13 255 253 250 255 253 255 254 252 254 255 255 254 255 255 250 255
13
61 152 252 251 53 220 253 251 109 252 246 253 204 255 243 255
255 255 245 255 248 255 252 252 244 255 255 254 254 254 255 254
32
33
Gambar 28. Sub citra ukuran 4 x 4 piksel.
21
Menghitung rata-rata setiap empat piksel dari subcitra yang terbentuk sehingga ukurannya menjadi 4x4 piksel dan 2 x2 piksel seperti ditunjukan pada Gambar 29 dan Gambar 30. 253.5 254 253 252
251.8 251.3 202 250.8 252 85 252.5 209.8 36.25 250.8 176.3 44
241.5 251 253.8 254.5 154 251.8 252 254.5 56.75 246 252.5 254.3 47.5 222.5 254.5 253.3
00
01
251.5 252.8 191.5 40.5 252.3 253.8 238.5 42.5 253.8 252 251.5 97.5 253.3 252.5 253 232.3
40.75 52.5 121.5 205
10
235.8 254 252.8 252.8 254.8 253.5 251.8 253.3 251 249.3 251.8 254.5
11
Gambar 29. Blok domain rata rata empat piksel dari sub citra 8 x8 piksel.
253.5 251.8 254 250.8
00 253 252.5 252 250.8
10 251.5 252.8 252.3 253.8
20 253.8 252 253.3 252.5
251.3 252
202 85
01 209.8 36.25 176.3 44
11 191.5 40.5 238.5 42.5
21 251.5 97.5 253 232.3
241.5 251 154 251.8
02 56.75 246 47.5 222.5
12 40.75 235.8 52.5 252.8
22 121.5 251.8 205 249.3
253.8 254.5 252 254.5
03 252.5 254.3 254.5 253.3
13 254 252.8 254.8 253.5
23 253.3 251 251.8 254.5
30 31 32 33 Gambar 30. Blok domain rata rata empat piksel dari sub citra 4 x 4 piksel. 3. Membentuk Blok Range Blok range dibentuk dengan mempartisi citra asli menggunakan partisi quadtree. Partisi ini membagi citra menjadi empat bagian yang sama besar secara rekursif. Masing-masing subcitra pada Gambar 8 dibagi menjadi 4 bagian seperti ditunjukan pada Gambar 31 dan hasilnya dibagi lagi menjadi empat bagian masing masing 2x2 piksel seperti ditunjukan pada Gambar 32.
22
249 255 252 251 252 255 251 189 255 255 249 255 255 243 248 120 255 253 247 255 255 250 174 60 253 255 249 252 248 255 58 48 255 255 250 255 246 213 14 47 255 247 250 255 252 128 49 35 255 251 251 255 255 90 64 32 247 255 253 244 255 105 36 44
249 255 252 251 255 255 249 255 255 253 247 255 253 255 249 252
00-00
252 255 251 189 255 243 248 120 255 250 174 60 248 255 58 48
00-01
255 255 250 255 255 247 250 255 255 251 251 255 247 255 253 244
246 213 252 128 255 90 255 105
14 49 64 36
47 35 32 44
00 00-10 00-11 Gambar 31. Tahapan partisi blok range sampai ukuran 4 x 4 piksel.
249 255 255 255
00-00-00
252 255 255 243
252 251 249 255
00-00-01
255 253 253 255
247 255 249 252
00-00-10
00-00-11
255 255 255 247
250 255 250 255
00-10-00
00-01-00 247 255 249 252
00-01-10
246 213 252 128
00-10-01
255 251 247 255
251 255 253 244
00-10-10
00-00-11
00-11-00
251 189 248 120
00-01-01 174 60 58 48
00-01-11
14 47 49 35
00-11-01
255 90 255 105
64 32 36 44
00-11-10
00-00-11
Gambar 32. Tahapan partisi blok range sampai ukuran 2 x 2 piksel. 4. Menghitung faktor penskalaan kontras (s), faktor kecerahan (g) dan RMS Pada tahap ini dilakukan penghitungan penskalaan kontras (s) menggunakan persamaan 1, faktor kecerahan (g) menggunakan persamaan 2 dan RMS menggunakan persamaan 3. Penghitungan dilakukan antara blok domain dengan 4 kelompok blok range. a) Rumus menghitung faktor penskalaan kontras (s), faktor kecerahan (g) dan RMS (Root Mean Square) dengan persamaan 3, 4 dan 5 (Soelaiman, 2007). …………………………………….. (1) 23
dengan : s = Skala kontras n = jumlah intensitas piksel yang ada pada blok yang sedang diperiksa ri = elemen elemen blok range jika blok range adalah R ={ r1,r2,…,rn) di = elemen elemen blok domain jika blok domain adalah R ={d1,d2,…,dn) …………………………………………………..... (2) dengan : g = Tingkat Kecerahan n = jumlah intensitas piksel yang ada pada blok yang sedang diperiksa ri = elemen elemen blok range jika blok range adalah R ={ r1,r2,…,rn) di = elemen elemen blok domain jika blok domain adalah R ={d1,d2,…,dn) ....................................(3) dengan : s = Skala kontras g = Tingkat Kecerahan n = jumlah intensitas piksel yang ada pada blok yang sedang diperiksa ri = elemen elemen blok range jika blok range adalah R ={ r1,r2,…,rn) di = elemen elemen blok domain jika blok domain adalah R ={d1,d2,…,dn) RMS = root means square b) Perhitungan lokasi blok domain 16-00 dan lokasi blok range 11-00-00 1. Menghitung rata-rata blok domain (Rd) Rd = (253,5 + 251,8 + 254 + 250,8) / 4 Rd = 252,5 2. Menghitung rata-rata blok range (Rr) Rr = (39 + 44 + 41 + 39) / 4 Rr = 40,75 3. Menghitung nilai skala kontras (s) s = (4 x 41156,7) - (1010 x 163) 4 x 255032 - (1010 x 1010) s = (4 x 41156,7) - (1010 x 163) 4 x 255032 - (1010 x 1010)
4.
s = 164627-164630 1020128-1020100 s = -3 = -0,109 25,5 Menghitung nilai kecerahan (g) g = 1/4 x (163(1010 x -0,11)) g = 1/4 x (-110,18) g = 68,30
Hasil penghitungan skala kontras, faktor kecerahan dan RMS antara blok domain dan masing-masing blok range daun Sambang Darah ditunjukan pada Tabel 3, Tabel 4, Tabel 5 dan Tabel 6. 24
Tabel 3. Hasil penghitungan s,g dan RMS antara blok domain dan blok range bagian citra kiri atas (00) Blok Domain Citra asli Lokasi Rd
Blok Range Citra Bagian Kiri Atas (00) Lokasi Rr
1
4-00
204,67
00-00
252,5
-0,003
253,13
7,07
2
4-01
218,77
00-01
197,56
-0,42
289,92
5208,39
3
4-10
210,56
00-10
252,06
-0,01
255,33
10,97
4
4-11
214,67
00-11
116,56
-0,99
329,91
3204,88
5
16-00
252,5
00-00-00
253,5
-0,87
473,86
5,44
6
16-01
197,56
00-00-01
251,75
-0,03
257,14
7,24
7
16-02
224,56
00-00-10
254
0,01
251,04
5,71
8
16-03
253,69
00-00-11
250,75
1,72
-186,31
6,09
9
16-10
252,06
00-01-00
251,25
4,63
-914,72
9,23
10
16-11
116,56
00-01-01
202
0,60
132,41
717,22
11
16-12
143,19
00-01-10
252
0,004
251,33
9,32
12
16-13
245,94
00-01-11
85
1,38
-253,80
2312,38
13
16-20
252,56
00-10-00
253
-3,56
1151
8,56
14
16-21
128,25
00-10-01
252,5
-0,03
256,006
5,22
15
16-22
145,44
00-10-10
252
0,01
250,58
10,07
16
16-23
253,75
00-10-11
50,75
-0,18
280,60
17,18
17
16-30
252,875
00-11-00
209,75
41,59
-10306,36
1664,55
18
16-31
208,56
00-11-01
36,25
-0,09
56,37
154,81
19
16-32
206,88
00-11-10
176,25
-1,24
432,67
1965,64
20
16-33
252,63
00-11-11
44
5,33
-1303,33
100
No
Penskalaan Kontras (s)
Kecerahan (g)
RMS
Tabel 4 Hasil penghitungan s,g dan RMS antara blok domain dan blok range bagian citra kanan atas (01) No
Blok Domain Citra asli Lokasi Rd
Blok Range Citra Bagian Kiri Atas (00) Lokasi Rr
Penskalaan Kontras (s)
Kecerahan (g)
RMS
1
4-00
204,67
01-00
224,56
-0,23
272,35
2687,21
2
4-01
218,77
01-01
253,69
0,003
253,04
6,43
3
4-10
210,56
01-10
143,19
-0,81
313,20
5022,17
4
4-11
214,67
01-11
253,63
-0,002
254,03
8,09
5
16-00
252,5
01-00-00
241,5
-9,53
2647,14
158,74
6
16-01
197,56
01-00-01
251
-0,001
251,18
8,5
7
16-02
224,56
01-00-10
154
1,42
-165,40
1574,97
8
16-03
253,69
01-00-11
251,75
3,58
-656,58
5,32
9
16-10
252,06
01-01-00
253,75
1,72
-179,97
5,62
25
10
16-11
116,56
01-01-01
254,5
0,01
253,72
5,48
11
16-12
143,19
01-01-10
252
-0,01
253,66
5,38
12
16-13
245,94
01-01-11
254,5
0,06
238,81
5,01
13
16-20
252,56
01-10-00
56,75
6,48
-1579,74
334,64
14
16-21
128,25
01-10-01
246
-0,08
256,77
8,97
15
16-22
145,44
01-10-10
47,5
0,04
41,14
69,97
16
16-23
253,75
01-10-11
222,5
-32,59
8491,76
73,07
17
16-30
252,875
01-11-00
252,5
1,10
-26,3
5,70
18
16-31
208,56
01-11-01
254,25
0,02
250,09
5,03
19
16-32
206,88
01-11-10
254,5
-0,01
256,17
5,57
20
16-33
252,63
01-11-11
253,25
0,63
93,47
5,46
Tabel 5 Hasil penghitungan s,g dan RMS antara blok domain dan blok range bagian citra kiri bawah (10) No
Blok Domain Citra asli Lokasi Rd
Blok Range Citra Bagian Kiri Atas (00) Lokasi Rr
Penskalaan Kontras (s)
Kecerahan (g)
RMS
1
4-00
204,67
10-00
252,56
-0,00
252,76
14,24
2
4-01
218,77
10-01
128,25
-0,92
328,94
5028,60
3
4-10
210,56
10-10
252,88
0,02
248,83
5,30
4
4-11
214,67
10-11
208,56
-0,34
280,84
5439,61
5
16-00
252,5
10-00-00
251,5
1,53
-134,17
32,74
6
16-01
197,56
10-00-01
252,75
0,01
250,81
4,74
7
16-02
224,56
10-00-10
252,25
-0,04
260,55
5,40
8
16-03
253,69
10-00-11
253,75
-0,97
500,79
4,70
9
16-10
252,06
10-01-00
191,5
25,70
-6286,08
3239,48
10
16-11
116,56
10-01-01
40,5
0,03
36,92
41,58
11
16-12
143,19
10-01-10
238,5
-0,15
259,63
94,38
12
16-13
245,94
10-01-11
42,5
0,69
-128,07
133,89
13
16-20
252,56
10-10-00
253,75
-0,35
342,37
4,61
14
16-21
128,25
10-10-01
252
0,03
248,37
6,24
15
16-22
145,44
10-10-10
253,25
0,01
252,11
4,58
16
16-23
253,75
10-10-11
252,5
0
252,5
6,25
17
16-30
252,875
10-11-00
251,5
4
-760
9,5
18
16-31
208,56
10-11-01
97,5
0,91
-93,23
2362,71
19
16-32
206,88
10-11-10
253
-0,02
256,94
7,50
20
16-33
252,63
10-11-11
232,25
19,64
-4729,56
757,95
26
Tabel 6 Hasil penghitungan s,g dan RMS antara blok domain dan blok range bagian citra kanan bawah (11) No
Blok Domain Citra asli Lokasi Rd
Blok Range Citra Bagian Kiri Atas (00) Lokasi Rr
Penskalaan Kontras (s)
Kecerahan (g)
RMS
1
4-00
204,67
11-00
145,44
-0,89
326,84
5524,17
2
4-01
218,77
11-01
253,75
-0,004
254,66
6,73
3
4-10
210,56
11-10
206,88
-0,34
277,94
4203,22
4
4-11
214,67
11-11
252,63
0,02
248,87
11,05
5
16-00
252,5
11-00-00
40,75
-0,11
68,30
4,17
6
16-01
197,56
11-00-01
235,75
-0,22
278,86
438,07
7
16-02
224,56
11-00-10
52,5
-0,13
81,20
175,87
8
16-03
253,69
11-00-11
252,75
-1,75
697,42
4,98
9
16-10
252,06
11-01-00
254
-0,27
321,59
5,95
10
16-11
116,56
11-01-01
252,75
-0,01
254,25
4,70
11
16-12
143,19
11-01-10
254,75
0,003
254,38
5,13
12
16-13
245,94
11-01-11
253,5
-0,07
270,61
4,36
13
16-20
252,56
11-10-00
121,5
77,99
-19575,42
683,55
14
16-21
128,25
11-10-01
251,75
0,01
250,58
5,04
15
16-22
145,44
11-10-10
205
0,50
131,84
997,42
16
16-23
253,75
11-10-11
249,25
-5,76
1712,04
6,53
17
16-30
252,875
11-11-00
253,25
-1,45
619,48
8,24
18
16-31
208,56
11-11-01
251
-0,04
258,91
7,49
19
16-32
206,88
11-11-10
251,75
0,08
253,00
6,00
20
16-33
252,63
11-11-11
254,5
-0,03
263,14
5,25
5. Menetapkan nilai kode fraktal pada citra daun tumbuhan obat Sambang Darah. Nilai kode fraktal ditentukan berdasarkan nilai RMS atau nilai error yang paling kecil. Pada langkah ke 4, nilai RMS paling kecil adalah 4,17. Dengan demikian blok domain 16-00 dan blok range 11-00-00 adalah pasangan yang memiliki kemiripan dan kode fraktal yang terbentuk seperti ditunjukan pada Tabel 7. Tabel 7. Nilai Kode Fraktal pada daun Sambang Darah Faktor Faktor Rata rata nilai Skala kecerahan Blok Domain Kontras (s) (g) (Rd) Sambang Darah -0,11 68,30 252,5
Rata rata nilai Blok Range (Rr) 40,75
27
5.2.2. Hasil Ekstraksi Ciri Hasil ekstraksi ciri merupakan nilai rata-rata dari setiap skala kontras (s), nilai kecerahan (g), nilai rata-rata blok domain (avg. domain) dan nilai rata-rata blok range (avg. range) seluruh sample citra pada setiap kelas daun. Data daun terdiri dari 10 daun dan setiap daun terdiri dari 4 citra yang berbeda. Berikut adalah hasil penciri setiap kelas daun yang nilainya telah dirata-ratakan pada ditujukan pada Gambar 33.
Gambar 33. Hasil Ekstraksi Ciri 5.2.3. Hasil Vektor Ciri Kode Fraktal Satu citra daun tanaman obat memiliki vektor ciri yang terdiri empat kode fraktal. Vektor ciri kode fraktal jika disajikan dalam grafik membentuk pola tertentu. Gambar 34 menunjukan contoh pola vektor kode fraktal untuk daun Sambang Darah.
Gambar 34. Pola vektor kode fraktal untuk satu daun Sambang Darah Setiap kelas akan membentuk pola vektor kode fraktal yang berbeda beda dan mencirikan kelas tersebut. Gambar 35 dan Gambar 36 menunjukan pola vektor kode fraktal untuk kelas Miana dan kelas Sidaguri. Setiap kelas terdiri atas 4 daun. 28
Gambar 35. Pola vektor kode fraktal untuk daun Miana
Gambar 36. Pola vektor kode fraktal untuk daun Sidaguri Hasil vektor ciri sangat tergantung pada data yang digunakan. Faktor keragaman pola tekstur daun dalam satu kelas mempengaruhi hasil ekstraksi dengan kode fraktal. Gambar 35 menujukan kelas Miana yang memiliki pola vektor kode fraktal mendekati seragam. Hal ini disebabkan pola tekstur daun pada kelas tersebut memiliki kemiripan. Sedangkan Gambar 36 menujukan kelas Sudaguri yang memiliki pola vektor kode fraktal tidak seragam. Hal ini disebabkan pola tekstur daun pada kelas tersebut berbeda-beda. 5.2.4. Skala Kontras Kontras dapat dimunculkan dengan menggunakan berbagai pola dari media warna, bentuk, tekstur, ukuran dan ketajaman. Untuk mendapatkan nilai skala kontras pada kode fraktal menggunakan persamaan 1. Nilai skala kontras 29
dipengaruhi oleh elemen-elemen blok domain dan elemen-elemen blok range pada blok yang sedang diperiksa. Terdapat 2 nilai pada skala kontras yaitu positif dan negatif. Nilai skala kontras bernilai negatif jika jumlah elemen-elemen blok domain dikalikan jumlah elemen-elemen blok range lebih besar dari jumlah perkalian antara elemen-elemen blok domain dan elemen-elemen blok range dapat dilihat pada tabel 8. Selain itu bisa dipengaruhi oleh nilai hasil kuadrat dari jumlah elemen-elemen blok domain yang lebih besar dibandingkan jumlah elemenelemen blok range kuadrat. Tabel 8. Contoh Perhitungan Skala Kontras Hasil Skala Kontras (s) Proses skala kontras (s) -0,0031 s = 13220460-13224940 12184272-10715802 Hasil skala kontras bernilai negatif karena nilai jumlah elemen-elemen blok domain dikalikan jumlah elemen-elemen blok range yaitu 13.224.940 lebih besar dibandingkan jumlah perkalian antara elemen-elemen blok domain dan elemenelemen blok range yaitu 13.220.460. 5.3. Uji Coba Pada tahap coba akan menjelaskan mengenai pengujian terhadap sistem yang dikembangkan. 5.3.1. Uji Struktural Uji coba struktural dilakukan untuk memastikan apakah keadaan website ini terstruktur dengan baik sesuai dengan yang telah diharapkan atau tidak. Uji coba struktural adalah menguji setiap form atau halaman yang telah dirancang dengan cara menjalankan program tersebut. Tabel 9. Uji Coba Struktural No. Halaman
Input Benar Ya -
1. 2.
Halaman utama Halaman utama
3.
Halaman proses ekstaksi ciri Halaman tanaman obat
Ya
Halaman ekstraksi ciri Halaman ekstraksi ciri Halaman hasil ekstraksi ciri Halaman hasil ekstraksi ciri
Ya
4.
5. 6. 7. 8.
-
Ya -
Input Keterangan Salah Masuk ke halaman utama Ya Tidak dapat masuk ke halaman utama Masuk ke halaman proses ekstraksi ciri Ya Tidak dapat masuk ke halaman proses ekstraksi ciri Masuk ke halaman ekstraksi ciri Ya Tidak dapat masuk ke halaman ekstraksi ciri Masuk ke halaman hasil ekstraksi ciri Ya Tidak dapat masuk ke halaman hasil ekstraksi ciri
Hasil Sesuai Sesuai Sesuai Sesuai
Sesuai Sesuai Sesuai Sesuai
30
5.3.2. Uji Coba Fungsional Uji coba fungsional merupakan uji coba yang bertujuan untuk mengetahui apakah bagian proses website berjalan dengan baik sesuai dengan fungsinya. Tabel 10. Uji Coba Fungsional No 1. 2. 3. 4.
Halaman Halaman utama Halaman proses ekstraksi ciri Halaman ekstraksi ciri Halaman hasil ekstraksi ciri
5.
Tombol upload
6.
Tombol Submit
Fungsional Menampilan informasi tanaman obat Menampilkan proses hasil ekstraksi ciri Form upload citra untuk diekstraksi Menampilkan hasil penciri citra yang telah diesktraksi ciri Meng-upload citra yang dibutuhkan Proses ekstraksi ciri citra
Keterangan Berfungsi Berfungsi Berfungsi Berfungsi
Berfungsi Berfungsi
5.3.3. Uji Coba Validasi Langkah-langkah menghitung nilai skala kontras (s), kecerahan (g), rata-rata blok domain dan rata-rata blok range. 1. Menghitung blok domain lokasi 16-00 dan blok range 11-00-00 bagian citra kanan bawah (11) 2. Blok domain (a) dan blok range (b) 253.5 251.8 254 250.8
3.
4.
5.
39 44 41 39
(a) (b) Gambar 37. Blok domain (a) dan blok range (b) Menghitung rata-rata blok domain (Rd) Rd = (253,5 + 251,8 + 254 + 250,8) / 4 Rd = 252,5 Menghitung rata-rata blok range (Rr) Rr = (39 + 44 + 41 + 39) / 4 Rr = 40,75 Menghitung nilai skala kontras (s) s = (4 x 41156,7) - (1010 x 163) 4 x 255032 - (1010 x 1010) s = (4 x 41156,7) - (1010 x 163) 4 x 255032 - (1010 x 1010) s = 164627-164630 1020128-1020100 s = -3 = -0,109 25,5
31
6.
Menghitung nilai kecerahan (g) g = 1/4 x (163(1010 x -0,11)) g = 1/4 x (-110,18) g = 68,30
Tabel 11. Perhitungan Manual Daun Sambang Darah Faktor Faktor Rata rata nilai Skala kecerahan Blok Domain Kontras (s) (g) (Rd) Sambang Darah -0,11 68,30 252,5
Rata rata nilai Blok Range (Rr) 40,75
Jika dihitung menggunakan sistem hasil yang didapat sama dengan perhitungan secara manual seperti ditujukan pada gambar 37.
Gambar 38. Ekstraksi Ciri Citra Daun Sambang Darah Setelah dilakukan uji coba validasi dengan cara membanding hasil antara perhitungan manual dan perhitungan sistem tanaman obat dihasilkan keakuratan dengan nilai 100%. Perhitungan manual dilakukan pada daun Sambang Darah. Nilai skala kontras (s) pada daun Sambang Darah adalah -0,11. Sedangkan untuk nilai kecerahan (g) adalah 68,30. Untuk nilai rata-rata blok domain dan rata-rata blok range masing-masing memiliki nilai 252,5 dan 40,75 seperti ditujukan pada tabel 11.
32
BAB VI KESIMPULAN DAN SARAN 6.1. Kesimpulan Penerapan metode untuk ekstraksi ciri citra pada Aplikasi Ekstraksi Ciri Citra menggunakan metode Kode Fraktal. Perancangan sistem ini menggunakan software Adobe Dreamweaver CS5 dengan bahasa pemrograman PHP, perancangan database menggunakan MYSQL. Tahap penelitian dimulai dengan akusisi citra sebagai pengumpulan data citra digital, lalu perancangan sistem menggunakan ERD (Entity Relationship Diagram) dan Flowchart, hingga dilakukan uji validasi sistem. Berdasarkan penelitian yang dilakukan dapat diperoleh kesimpulan sebagai berikut: 1. Metode kode fraktal dapat diimplementasikan untuk mengembangkan aplikasi ekstraksi ciri citra tanaman obat. 2. Dengan metode kode fraktal dapat dihitung nilai ciri citra dan dicari bagianbagian citra yang memiliki kemiripan antara satu bagian dengan bagian lainnya. 3. Hasil ekstraksi metode kode fraktal membentuk pola vektor yang berbedabeda pada setiap kelasnya. Uji coba validasi Kode Fraktal pada Aplikasi Ekstaksi Ciri Citra Tanaman Obat adalah sangat baik. Hal ini ditunjukkan dengan hasil uji validasi sistem dengan membandingkan hasil perhitungan manual dan hasil perhitungan sistem pada 5 daun tanaman obat yang digunakan menghasilkan tingkat validitas kode fraktal mencapai 100 %. Penelitian ini menghasilkan penciri citra tanaman obat secara otomatis dan dapat digunakan untuk sistem identifikasi tanaman obat berbasis citra 6.2. Saran Dalam penelitian ini ekstraksi ciri citra menggunakan kode fraktal menghasilkan bentuk pola vektor yang berbeda-beda tiap kelasnya. Tingkat akurasi kemiripan atau keseragaman pola vektor daun tiap kelasnya tidak sedikit yang tidak seragam. Untuk mendapatkan penciri citra yang lebih baik dapat menggunakan gabungan antara kode fraktal dan dimensi fraktal yang dengan cara dilihat dari bentuk citra.
33