ANALISIS KINERJA SUPPORT VECTOR MACHINE (SVM) DAN PROBABILISTIC NEURAL NETWORK (PNN) PADA SISTEM IDENTIFIKASI TUMBUHAN OBAT DAN TANAMAN HIAS BERBASIS CITRA
DEWI KANIA WIDYAWATI
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012
PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan bahwa tesis Analisis Kinerja Support Vector Machine (SVM) dan Probabilistic Neural Network (PNN) pada Sistem Identifikasi Tumbuhan Obat dan Tanaman Hias Berbasis Citra adalah karya saya dengan arahan komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir dari tesis ini.
Bogor, April 2012
Dewi Kania Widyawati NIM G651090041
ABSTRACT
DEWI KANIA WIDYAWATI. Perfomance Analysis of Support Vector Machine (SVM) and Probabilistic Neural Network (PNN) on Identification System of Medicinal Plant and House Plant Based on Image. Under the supervision of YENI HERDIYENI and ANNISA
This research analyzed perfomance of clasification for plant identification using Support Vector Machine (SVM) and Probabilistic Neural Network (PNN). In this research we used kernel linear, polynomial and RBF for clasifier SVM. In thus research, we use 1.440 medicinal plant images and 300 house plant images belong to 30 are extracted using Fuzzy Local Binary Patern based on texture feature.The expermental result shows that SVM kernel polynomial is superior compare to PNN with accuracy 73.57% to medicinal plant identification and SVM kernel RBF is superior compare to PNN with accuracy 81.11% to house plant identification. The proposed system is promising to improve identification medicinal plant and house plant.
Keywords : support vector machine, probabilistic neural network, fuzzy local binary patern, medicinal plant identification, house plant identification
RINGKASAN Indonesia merupakan salah satu negara tropis yang kaya akan flora dan fauna. Indonesia memiliki lebih dari 3.800 spesies tanaman, oleh karena itu negara ini dikenal dengan sebutan megabiodiversity country. Ada 940 jenis tumbuhan yang dapat dimanfaatkan sebagai obat alternatif yang cukup potensial untuk menyembuhkan berbagai jenis penyakit. Mengingat banyaknya jenis tumbuhan obat dan tanaman hias yang ada maka diperlukan klasifikasi
yang bermanfaat untuk mempercepat dan
mempermudah proses pencarian data dalam mengidentifikasi tumbuhan obat dan tanaman hias. Klasifikasi Support Vector Machine (SVM) dan Probabilistic Neural Network (PNN) memiliki kelebihan masing-masing. SVM memiliki kelebihan
diantaranya
adalah dalam menentukan jarak menggunakan support vector sehingga proses komputasi menjadi cepat. Adapun klasifikasi PNN memiliki kelebihan memiliki struktur sederhana dan training data yang cepat karena tidak perlu memperbaharui bobot. Berdasarkan kelebihan yang dimiliki oleh klasifikasi PNN dan SVM, oleh karena itu penelitian ini mengusulkan menggunakan kedua klasifikasi tesebut untuk mengidentifikasi tumbuhan obat dan tanaman hias. Penelitian ini bertujuan untuk menganalisa kinerja klasifikasi PNN dan SVM pada objek citra tumbuhan obat dan tanaman hias dengan menggunakan fitur tekstur FLBP. Penelitian ini diawali dengan pengambilan objek citra dengan menggunakan kamera digital, objek citra yang diambil adalah 30 spesies tumbuhan obat yang berasal dari Biofarmaka IPB dan Gunung Leutik dan 30 spesies tanaman hias yang berasal dari Kebun Raya Bogor. Data citra tumbuhan obat tidak memiliki latar belakang dan data citra tanaman hias memiliki latar belakang hal ini bertujuan untuk menganalisis kinerja FLBP. Setelah dilakukan pengumpulan data citra tahap selanjutnya adalah tahap praproses, dimana dalam tahap ini dilakukan perbaikan pada citra tumbuhan obat dan citra tanaman hias. Selanjutnya, citra tersebut diubah menjadi mode grayscale untuk diproses pada tahap ekstraksi. Proses yang dilakukan pada ekstraksi tekstur dalam penelitian ini menggunakan metode
. Citra akan dibagi kedalam beberapa blok (local
region) sesuai dengan operator circular neighborhood (sampling points dan radius) yang digunakan. Penelitian ini menggunakan dua ukuran circular neighborhood yaitu (8,1) dan (8,2). Nilai LBP akan direpresentasikan melalui histogram FLBP yang
merupakan gambaran frekuensi dari kontribusi nilai LBP yang muncul pada sebuah citra. Masing-masing blok diektraksi menggunakan metode
.
Setelah proses ekstraksi citra selesai dilakukan, diperoleh hasil vektor histogram untuk setiap operator, untuk tumbuhan obat diperoleh 1.440 vektor histogram dan tanaman hias diperoleh 300 vektor histogram. Tahap selanjutnya adalah menglasifikasi vektor-vektor histogram tersebut dengan SVM dan PNN. Klasifikasi baik untuk data tumbuhan obat dan tanaman hias dilakukan dengan membagi data latih dan data uji masing-masing 70% dan 30%. Klasifikasi SVM menggunakan tiga jenis kernel yaitu: Linear, Polynomial dan RBF. Hasil penelitian menunjukkan untuk identifikasi tumbuhan obat kernel polynomial lebih bagus dibandingkan dengan kernel lainnya dengan tingkat akurasi 73.57%, kernel polynomial memiliki kinerja yang lebih baik dari PNN. PNN menghasilkan tingkat akurasi 64.53%. Klasifikasi SVM kernel polynomial dengan menggunakan ekstraksi FLBP mampu
mengidentifikasi kelas-kelas yang memiliki warna yang
bergradasi dan citra yang memiliki variasi warna, walapun akurasinya tidak tinggi. Kelas citra tumbuhan obat yang selalu terklasifikasi dengan benar memiliki warna yang seragam dan kualitas citra yang baik dari segi pencahayaan maupun kontras. Kernel RBF lebih bagus dibandingkan kernel lainnya dalam mengidentifikasi tanaman hias dengan tingkat akurasi 81.11%. Kinerja kernel RBF pun lebih baik dibandingkan PNN. Klasifikasi PNN menghasilkan tingkat akurasi 77.78%. Klasifikasi SVM kernel RBF dengan ekstraksi FLBP mampu mengindentifikasi citra yang memiliki background yang berbeda-beda.
Kata kunci: support vector machine, probabilitas neural network, fuzzy local binary patern, identifikasi tanaman hias, identifikasi tumbuhan obat
Hak Cipta Milik IPB, Tahun 2012 Hak Cipta dilindungi Undang-undang Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik atau tinjauan suatu masalah. Pengutipan tidak merugikan kepentingan yang wajar IPB. Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis dalam bentuk apapun tanpa izin IPB.
ANALISIS KINERJA SUPPORT VECTOR MACHINE (SVM) DAN PROBABILISTIC NEURAL NETWORK (PNN) PADA SISTEM IDENTIFIKASI TUMBUHAN OBAT DAN TANAMAN HIAS BERBASIS CITRA
DEWI KANIA WIDYAWATI
Tesis Sebagai salah satu syarat untuk memperoleh gelar Magister Ilmu Komputer pada Program Studi Magister Ilmu Komputer
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012
Penguji Luar Komisi pada Ujian Tesis : Mushthofa, S.Kom, M.Sc
Judul Penelitian
Nama NIM
: Analisis Kinerja Support Vector Machine (SVM) Dan Probabilistic Neural Network (PNN) Pada Sistem Identifikasi Tumbuhan Obat Dan Tanaman Hias Berbasis Citra : Dewi Kania Widyawati : G651090041
Disetujui Komisi Pembimbing
Dr. Yeni Herdiyeni, S.Si, M.Kom Ketua
Annisa, S.Kom, M.Kom Anggota
Diketahui Ketua Program Studi Ilmu Komputer
Dekan Sekolah Pascasarjana
Dr. Yani Nurhadryani, S.Si, M.T
Dr. Ir. Dahrul Syah, M.Sc.Agr
Tanggal Ujian: 13 April 2012
Tanggal Lulus :
PRAKATA Puji syukur penulis panjatkan kepada Alloh SWT yang telah melimpahkan kasih sayang, rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan tesis ini yang berjudul Analisis Kinerja Support Vector Machine (SVM) dan
Probabilistic Neural
Network (PNN) pada Sistem Identifikasi Tumbuhan Obat dan Tanaman Hias Berbasis Citra. Penulis mengucapkan terima kasih sebesar-besarnya kepada Ibu Dr. Yeni Herdiyeni, S.Si, M.Kom selaku ketua komisi pembimbing dan Ibu Annisa, S.Kom, M.Kom selaku anggota komisi pembimbing, yang senantiasa membimbing penulis dengan sabar dan teliti, semoga Alloh SWT selalu melimpahkan rahmat dan hidayahNya serta membalas segala kebaikannya. Penulis mengucapkan terima kasih juga kepada: 1. Suami tercinta, yang tak henti-henti nya mendo’akan, memberikan semangat, memberikan masukan-masukan dan selalu sabar menjaga anak-anak. 2. Bapak, mamah, mamah mertua dan adik-adik, yang tak henti-henti nya mendo’akan, dan memberikan semangat serta anak-anak tercinta, atas kesabarannya menunggu penulis menyelesaikan tesis ini. 3. Ketua Departemen Ilmu Komputer, Ketua Program Studi Ilmu Komputer, beserta Dosen dan staff yang banyak membimbing penulis selama perkuliahan. 4. Direktur, Pembantu Direktur I, II, III, serta Ketua Jurusan Ekonomi dan Bisnis Politeknik Negeri Lampung yang telah memberikan kesempatan pada penulis untuk melanjutkan kuliah. 5. Sahabat-sahabatku Zuriati, Rico, Shinta, Arie, Retno, Damayanti, Evi, Rima, Nurmala, Sri, Anna, Fitriani, Annita, Dian, Fadila, Linda terimakasih atas masukan-masukannya. 6. Para tetangga yang senantiasa menjaga anak-anak selama penulis kuliah. Penulis menyadari dalam penulisan tesis ini masih banyak kekurangan, oleh karena itu penulis menerima saran dan kritik yang membangun demi pengembangan ilmu pengetahuan. Bogor, April 2012
Dewi Kania Widyawati
RIWAYAT HIDUP Penulis Dilahirkan di Bandung pada tanggal 24 Juni 1972, sebagai anak pertama pasangan Ir. H.Mochammad Jusuf Tardjadimadja, S.E, M.Sc dan Hj.Nunah Salamah. Pada saat masih kecil, penulis memulai pendidikan di TK. Angkasa Bandung dan SDN Ungaran 1 Yogyakarta. Kemudian, penulis melanjutkan pendidikan menengahnya pada SMP Muhammadyah 3 Yogyakarta dan melanjutkan ke SMA Negeri 3 Bandung. Setelah Lulus SMA, penulis kuliah di STMIK Bandung, Program Studi Manajemen Informatika. Saat ini penulis merupakan staff pengajar Program Studi Manajemen Informatika, Politeknik Lampung. Matakuliah yang diampu penulis diantaranya adalah Analisis dan Perancangan Sistem Informasi, Sistem Basis Data, Aljabar Linear, Matematika dan pemrograman Java. Penulis berkesempatan melanjutkan jenjang pascasarjana (S2) Ilmu Komputer, Institut Pertanian Bogor sejak tahun 2009.
DAFTAR ISI Halaman DAFTAR GAMBAR .................................................................................................... xx DAFTAR TABEL......................................................................................................... xx DAFTAR LAMPIRAN................................................................................................ xxi 1 PENDAHULUAN .................................................... Error! Bookmark not defined. 1.1 Latar Belakang ................................................... Error! Bookmark not defined. 1.2 Tujuan Penelitian ................................................................................................. 3 1.3 Ruang Lingkup Penelitian .................................................................................... 3 2 TINJAUAN PUSTAKA ............................................................................................. 4 2.1 Ekstraksi Fitur dan Fitur....................................................................................... 4 2.2 Local Binary Pattern ............................................................................................ 4 2.3 Fuzzy Local Binary Pattern (FLBP) .................................................................... 6 2.4 Support Vector Machine (SVM) .......................................................................... 8 2.5 Probabilistic Neural Network (PNN)................................................................. 12 2.6 Confusion Matrix ............................................................................................... 14 2.7 Tumbuhan Obat.................................................................................................. 15 3 METODE PENELITIAN ......................................................................................... 16 3.1 Tahapan Penelitian ............................................................................................. 16 3.1.1 Pengumpulan Citra dan Praposes ............................................................... 17 3.1.2 Ekstraksi Fitur Tekstur dengan Metode FLBP P,R ..................................... 17 3.1.3 Klasifikasi Support Vector Machine (SVM) .............................................. 19 3.1.4 Klasifikasi Probabilistic Neural Network (PNN) ...................................... 19 3.1.5 Pengujian dengan Sistem .......................................................................... 20 3.1.6 Evaluasi Hasil Klasifikasi SVM dan PNN ................................................. 20 3.2 Kebutuhan Alat dan Bahan Penelitian .............................................................. 20 3.3 Waktu dan Tempat Penelitian .......................................................................... 20 4 HASIL DAN PEMBAHASAN ................................................................................ 21 4.1 Hasil Praproses dan Ekstraksi Fitur dengan FLBP ........................................... 21 4.2 Hasil Klasifikasi Support Vector Mechine (SVM)............................................ 21 4.2.1 Citra Tumbuhan Obat dengan SVM .......................................................... 21 4.2.1.1 Pemilihan Parameter Kernel Tumbuhan Obat ..................................... 22 4.2.1.2 Model Klasifikasi Kernel Polynomial untuk Tumbuhan Obat ........... 23 4.2.1.3 Identifikasi Akurasi Setiap Kelas Tumbuhan Obat dengan Fungsi Kernel Polynomial ..................................................................................... 25 4.2.2 Citra Tanaman Hias dengan SVM ........................................................... 26 4.2.2.1 Pemilihan Parameter Kernel Tanaman Hias ....................................... 27 4.2.2.2 Model Klasifikasi Kernel RBF untuk Tanaman Hias ........................ 28 4.2.2.3 Identifikasi Akurasi Setiap Kelas Tanaman Hias dengan Fungsi Kernel RBF ................................................................................................ 29
4.3 Hasil Klasifikasi Probabilistic Neural Network (PNN) ........................................ 31 4.3.1 Citra Tumbuhan Obat dengan PNN ........................................................... 31 4.3.1.1 Model Klasifikasi PNN untuk Tumbuhan Obat .................................. 31 4.3.1.2 Identifikasi Akurasi Setiap Kelas Tumbuhan Obat dengan PNN 34 4.3.2 Citra Tanaman Hias dengan PNN ............................................................. 35 4.3.1.1 Model Klasifikasi PNN untuk Tanaman Hias ..................................... 35 4.3.1.2 Identifikasi Akurasi Setiap Kelas Tanaman Hias dengan PNN ........ 37 4.4 Perbandingan Klasifikasi SVM Fungsi Kernel Polynomial dan PNN untuk Tumbuhan Obat ................................................................................................ 39 4.5 Perbandingan Klasifikasi SVM Fungsi Kernel RBF dan PNN untuk Tanaman Hias ................................................................................................... 40 4.6 Pengembangan Sistem ....................................................................................... 41 5 KESIMPULAN DAN SARAN ................................ Error! Bookmark not defined. 5.1 Kesimpulan ........................................................ Error! Bookmark not defined. 5.2 Saran ................. ................................................. Error! Bookmark not defined. DAFTAR PUSTAKA ................................................................................................... 43 LAMPIRAN.................................................................................................................. 45
DAFTAR GAMBAR Halaman 1 Skema komputasi LBP. ...........................................................................................4 2 Ukuran circular neighborhood................................................................................6 3 Keanggotaan fungsi m0() dan m1() sebagai fungsi dari pi-pcenter. ............................6 4 Skema komputasi FLBP. .........................................................................................8 5 Struktur SVM. .........................................................................................................8 6 SVM untuk klasifikasi tiga kelas. .........................................................................11 7 Struktur PNN. ........................................................................................................13 8 Tahapan Penelitian. ...............................................................................................16 9 Proses Fuzzy thresholding. ....................................................................................18 10 Citra Lavendula Afficinalis Chaix teridentifikasi ke kelas Pandanus Amaryllifolius Roxb .....................................................................................................................24 11 Kelas 24 teridentifikasi pada kelas 4,12,15 dan 18...............................................24 12 Grafik akurasi masing-masing kelas SVM kernel polynomial dalam mengidentifikasi tumbuhan obat FLBP(8+2). .......................................................25 13 Citra tumbuhan obat menghasilkan akurasi 100% dengan SVM kernel polynomial ...........................................................................................................25 14 Citra tumbuhan obat menghasilkan akurasi antara 85% - 92.56% dengan SVM kernel polynomial. ...............................................................................................26 15 Citra tumbuhan obat menghasilkan akurasi antara 60% - 80% dengan SVM kernel polynomial. ..........................................................................................................26 16 Citra tumbuhan obat menghasilkan akurasi dibawah 60% dengan SVM kernel polynomial. ..........................................................................................................26 17 Citra tanaman hias yang teridentifikasi ke kelas lain (a) Dendrobium (b) Chaopraya Moonlight, Calathea sp. (c) Piper decumanum ...............................29 18 Grafik Akurasi masing-masing kelas SVM Kernel RBF dalam mengidentifikasi tanaman hias dengan FLBP(8+2)..........................................................................30
19 Citra Tanaman Hias menghasilkan akurasi 100% dengan SVM Kernel RBF....30 20 Citra Tanaman Hias menghasilkan akurasi 66,67% dengan SVM Kernel RBF.31 21 Citra Tanaman Hias menghasilkan akurasi 33.33% dengan SVM Kernel RBF.31 22 Citra lavendula Afficinalis Chaix yang teridentifikasi ke kelas pandanus amaryllifolius roxb, clinacanthus nurans, dan barleria lupulina lindl...............33 23 Citra ficus deloidea L paling banyak mengalami kesalahan klasifikasi (a) citra latih (b) citra uji
................................................................................................33
24 Grafik akurasi masing-masing kelas PNN dalam mengidentifikasi tumbuhan obat FLBP(8+2)...................................................................................................
34
25 Citra tumbuhan obat menghasilkan akurasi 100% dengan PNN......................... 34 26 Citra tumbuhan obat menghasilkan akurasi antara 85% - 92.56% dengan PNN..............................................................................................................
34
27 Citra tumbuhan obat menghasilkan akurasi antara 60% - 80% dengan PNN. .....35 28 Citra tumbuhan obat menghasilkan akurasi dibawah 60% dengan PNN .............35 29 Citra Calathea sp. yang paling banyak mengalami kesalahan klasifikasi dengan menggunakan PNN.. ............................................................................................36 30 Citra tanaman hias hanya dapat chaopraya moonlight mengidentifikasi 1 citra uji (a) Dendrobium(b) Calathea rufibarba . .............................................................37 31 Grafik Akurasi Masing-Masing Kelas PNN dalam mengidentifikasi tanaman hias FLBP(8+2) ...........................................................................................................37 32 Citra Tanaman Hias menghasilkan akurasi 100% dengan PNN.........................38 33 Citra Tanaman Hias menghasilkan akurasi 66.67% dengan PNN......................38 34 Citra Tanaman Hias menghasilkan akurasi dibawah 50% dengan PNN.. ..........38 35 Perbandingan Akurasi dengan Klasifikasi SVM Fungsi Kernel Polynomial dan PNN identifikasi tumbuhan obat dengan FLBP (8+1) dan FLBP(8+2). ...................39 36 Perbandingan Akurasi dengan Klasifikasi SVM Fungsi Kernel RBF dan PNN identifikasi tanaman hias dengan FLBP(8+1) dan FLBP(8+2)................................40
DAFTAR TABEL Halaman 1 Confusion matrix ...................................................................................................14 2 Akurasi fungsi kernel tumbuhan obat ................. 2Error! Bookmark not defined. 3 Kelas tumbuhan obat yang teridentifikasi pada kelas lain dengan fungsi kernel polynomial............................................................ 2Error! Bookmark not defined. 4 Akurasi fungsi kernel tanaman hias. .....................................................................27 5 Kelas tanaman hias yang teridentifikasi pada kelas lain dengan fungsi kernel RBF ................................................................................................................................28 6 Kelas tumbuhan obat yang teridentifikasi pada kelas lain dengan PNN..............32 7 Kelas tanaman hias yang teridentifikasi pada kelas lain dengan PNN. ................36
DAFTAR LAMPIRAN Halaman 1 Tiga puluh citra tumbuhan obat. ..........................................................................47 2 Tiga puluh citra tanaman hias. .............................................................................50 3a Antar Muka Sistem Perfect-Pro Ekstraksi Database Citra Tumbuhan Obat ................................................................................. 5Error! Bookmark not defined. 3b Antar Muka Sistem Perfect-Pro Hasil Identifikasi Citra Queri Tumbuhan Obat. .................................................................. 5Error! Bookmark not defined. 4a Antar Muka Sistem Perfect-Pro Ekstraksi Database Citra Tanaman Hias.5Error! Bookmark not defined. 4b Antar Muka Sistem Perfect-Pro Hasil Identifikasi Citra Queri Tanaman Hias.54 5 Confusion matrix tumbuhan obat dengan fungsi kernel polynomial.....................55 6 Confusion matrix tanaman hias dengan fungsi kernel RBF. .................................56 7 Confusion matrix tumbuhan obat dengan PNN. ...................................................57 8 Confusion matrix tanaman hias dengan PNN. ......................................................58
1 PENDAHULUAN
1.1 Latar Belakang
Indonesia merupakan salah satu negara tropis yang memiliki lebih dari 3.800 spesies tanaman menurut Bappenas (2003), oleh karena itu negara ini dikenal dengan sebutan megabiodiversity country. Diantara ribuan spesies tanaman yang tumbuh di Indonesia, terdapat tanaman hias yang memiliki nilai estetika dan tumbuhan obat. Ada 940 jenis tumbuhan yang dapat dimanfaatkan sebagai obat alternatif yang cukup potensial untuk menyembuhkan berbagai jenis penyakit (Nugroho 2010). Beberapa diantara jenis tumbuhan obat tersebut sudah dikenal dan dipergunakan oleh masyarakat secara turun temurun, namun sebagian lainnya belum dikenal dan ada juga yang masih dalam tahap penelitian. Mengingat banyaknya jenis tumbuhan obat dan tanaman hias yang ada maka diperlukan klasifikasi
yang bermanfaat untuk
mempercepat dan mempermudah proses pencarian data dalam mengidentifikasi tumbuhan obat dan tanaman hias. Kulsum (2010) telah melakukan penelitian mengidentifikasi tanaman hias dengan menggunakan klasifikasi Probabilistic Neural Networks (PNN) dan ekstraksi fitur dengan Descriptor Local Binary Pattern. Hasil dari penelitian menunjukkan bahwa klasifikasi PNN dapat mengidentifikasi tanaman hias secara automatis, sehingga proses identifikasi dilakukan dengan cepat dan menghasilkan tingkat akurasi 73,33%. Nurafifah
(2010)
melakukan
penelitian
dengan
klasifikasi
PNN
dalam
mengidentifikasi daun dengan beberapa teknik penggabungan ciri yaitu product decision rule (PDR), sum decision rule (SDR), max decision rule (MDR), dan majority vote rule (MVR). Hasil percobaan menunjukkan teknik PDR merupakan teknik terbaik dalam mengidentifikasi daun dengan tingkat akurasi sebesar 83.33%. Selain itu penelitian PNN juga dilakukan oleh Wu et al. (2007) untuk melakukan identifikasi daun tanaman liar yang ada di Jepang. Pada penelitian ini dilakukan reduksi matrik citra dengan menggunakan Principal Component Analysis (PCA).
2
Hasil percobaan menunjukkan dengan melakukan reduksi matrik dan klasifikasi tersebut menghasilkan tingkat akurasi sebesar 90%. Kerami dan Murfi (2004) telah melakukan penelitian dengan menggunakan klasifikasi Support Vector Mechine (SVM) untuk mengenali jenis splice site pada suatu barisan DNA. Pengenalan jenis splice site ini diperlukan dalam pemindahan intron-intron yang berakibat bergabungnya exon-exon (donor) yang diperlukan dalam pembentukan protein. Percobaan yang dilakukan untuk menentukan barisan DNA tersebut merupakan splice site
berjenis donor atau bukan. Hasil percobaan
menunjukkan SVM dapat memprediksi data uji dengan kemampuan generalisasi 95.4%. Penelitian dengan melakukan perbandingan kinerja klasifikasi telah dilakukan oleh Rustam et al. (2003), yaitu dengan melakukan perbandingan klasifikasi K-Nearest Neighborhood (KKN) dan SVM untuk menentukan
jenis dan kelas aroma,
percobaaan ini terdiri dari 3 jenis aroma, masing-masing aroma terdiri atas 6 kelas. Pembagian kelas ini berdasarkan pada konsentrasi alkohol yang dicampurkan pada masing-masing aroma. Hasil percobaan menunjukkan kinerja SVM dengan menggunakan kernel polynomial memiliki
kemampuan untuk mengenal dan
mengklasifikasikan aroma, dengan tepat dan sesuai dengan jenis atau kelas. Widyanto dan Fatichah
(2008) melakukan penelitian membandingkan SVM
dan boosting untuk mendeteksi objek manusia. Hasil yang diperoleh dari penelitian tersebut adalah kinerja dari SVM memiliki tingkat konsistensi 35% lebih baik dari Boosting. Iakovidis et al. (2008) telah melakukan penelitian dengan menggunakan fuzzy logic untuk mengatasi ketidakpastian pada representasi tekstur LBP, yang dikenal sebagai metode Fuzzy Local Binary Pattern (FLBP). Metode tersebut digunakan untuk karakterisasi tekstur ultrasound dengan akurasi mencapai 84%. Menurut Vapnik dan Cortes (1995), SVM memiliki kelebihan diantaranya adalah dalam menentukan jarak menggunakan support vector sehingga proses komputasi menjadi cepat. Adapun klasifikasi PNN menurut Duda, R.O et al. (2000) memiliki
3
kelebihan memiliki struktur sederhana dan training data yang cepat karena tidak perlu memperbaharui bobot. Berdasarkan kelebihan yang dimiliki oleh klasifikasi PNN dan SVM, oleh karena itu penelitian ini mengusulkan menggunakan kedua klasifikasi tesebut untuk mengidentifikasi tumbuhan obat dan tanaman hias.
1.2 Tujuan Penelitian Penelitian ini bertujuan untuk menganalisa kinerja klasifikasi PNN dan SVM pada objek citra tumbuhan obat dan tanaman hias dengan menggunakan fitur tekstur FLBP.
1.3 Ruang Lingkup Penelitian Data
penelitian diperoleh dari hasil pengambilan citra dengan menggunakan
kamera digital, objek citra yang diambil adalah 30 species tumbuhan obat yang berasal dari kebun Biofarmaka IPB Cikabayan dan rumah kaca Pusat Konservasi Exsitu Tumbuhan Obat Hutan Tropika Indonesia, Fahutan IPB dan 30 species tanaman hias yang berasal dari Kebun Raya Bogor.
1.4 Manfaat Penelitian Manfaat penelitian ini adalah mempercepat proses pencarian data pada identifikasi tumbuhan obat dan tanaman hias.
4
2 TINJAUAN PUSTAKA
2.1 Ekstraksi Fitur dan Tekstur Ekstraksi fitur merupakan proses mendapatkan penciri atau fitur dari suatu citra. Fitur dari suatu citra dapat berupa warna, bentuk, dan tekstur. Acharya dan Ray (2005) mendefinisikan fitur sebagai pendeksripsi suatu objek yang bebas terhadap posisi, orientasi, dan ukuran. Fitur tekstur didefinisikan sebagai pengulangan pola yang ada pada suatu daerah bagian citra. Tekstur merupakan gambaran visual dari sebuah permukaan. Permukaan tekstur berasal dari keragaman bentuk, iluminasi, bayangan, absorbsi dan refleksi, untuk citra digital, tekstur dicirikan dengan variasi intensitas atau warna. Variasi intensitas disebabkan oleh perbedaan warna pada suatu permukaan. Properti-properti dari tekstur citra meliputi: keseragaman, kepadatan, kekasaran, keberaturan, linearitas, keberarahan, frekuensi (Mäenpää 2003). 2.2 Local Binary Pattern Ojala pada tahun 1996 pertama kali memperkenalkan Local Binary Pattern (LBP) untuk mendeskripsikan tekstur dalam mode grayscale. Operator LBP dengan ukuran piksel 3 3 merepresentasikan tekstur lokal di sekitar pusat piksel seperti yang di ilustrasikan pada Gambar 1.a. (Iakovidis et al 2008). Threshold
Weights
61 137 168 168 163 168 163 165 160 (a)
0 1 1
0 1 (b)
1 1 0
20 21 22 27 23 6 5 2 2 24 (c)
Nilai LBP : 4+8+32+64+128 = 236 Gambar 1 Skema komputasi LBP.
5
Setiap
pola
tekstur
LBP
, dimana
direpresentasikan
oleh
sembilan
elemen
merepresentasikan nilai intensitas pada piksel
pusat dan
(0
7) merepesentasikan nilai piksel sekelilingnya (circular
sampling).
Nilai delapan ketetanggaan yang mengelilingi pusat piksel dapat
dicirikan oleh nilai biner
(0
7) seperti pada Gambar 1.b, dimana menurut
(Iakovidis et al 2008): (1)
dengan, Berdasarkan nilai biner tersebut, setiap ketetanggan memiliki nilai LBP yang dihasilkan oleh formula berikut : (2)
Dengan,
adalah nilai biner
Nilai yang dihasilkan menunjukan kode Local Binary Pattern. Kemudian kodekode LBP tersebut akan direpresentasikan melalui histogram. Histogram akan menunjukan frekuensi kejadian berbagai nilai LBP. Untuk ukuran citra N×M, keseluruhan nilai LBP dapat direpresentasikan dengan membentuk histogram sebagai berikut:
(3)
dengan, K merupakan nilai LBP terbesar.
6
Operator LBP juga dapat dikembangkan dengan menggunakan berbagai ukuran sampling points dan radius yang disajikan pada Gambar 2. Pada piksel ketetanggaan akan digunakan notasi (P,R) dimana P merupakan sampling points dan R merupakan radius (Ahonen 2008).
(8,1)
(8,2)
Gambar 2 Ukuran circular neighborhood.
2.3 Fuzzy Local Binary Pattern Fuzzy pada pendekatan LBP meliputi transformasi input variabel untuk variabel fuzzy masing-masing, sesuai dengan seperangkat aturan fuzzy, dua aturan fuzzy yang digunakan untuk menggambarkan hubungan antara nilai pada circular sampling dan piksel pusat pcenter dalam ketetanggaan 3 × 3 menurut Iakovidis et al (2008) adalah sebagai berikut: Rule R0 : Semakin negatif nilai
, maka nilai kepastian terbesar dari
adalah 0.
Rule R1 : Semakin positif nilai
, maka nilai kepastian terbesar dari
adalah 1.
Gambar 3 Keanggotaan fungsi m0() dan m1() sebagai fungsi dari pi-pcenter (Iakovidis et al 2008). Membership function m0() dan m1() ditentukan oleh rule R0 dan rule R1 (Iakovidis et al 2008).. Membership function m0() adalah fungsi menurun yang didefinisikan pada persamaan 4 dan
membership function m1()
derajat dimana
didefinisikan pada persamaan 5.
adalah 1. Fungsi
mendefinisikan
7
0 m0 (i)
F
1
1 m1 (i) 0
pi 2.F
F
pi 2.F
if if
pi F
F pi
if pi
F
F
if pi F if F pi F if pi
(4)
(5)
F
dengan, F adalah nilai fuzzy. Metode LBP
menghasilkan hanya satu kode LBP saja, akan tetapi dengan
menggunakan metode FLBP akan menghasilkan satu atau lebih kode LBP. Ilustrasi pendekatan FLBP di sajikan pada Gambar 4, dimana dua kode LBP (A,B) mencirikan ketetanggaan 3x3. Masing-masing nilai LBP yang dihasilkan memiliki tingkat kontribusi (CA, CB) yang berbeda, hal ini tergantung pada nilai-nilai fungsi keanggotaan m0() dan m1() yang dihasilkan. Untuk ketetanggaan 3 3, kontribusi CLBP dari setiap kode LBP pada histogram FLBP didefinisikan sebagai berikut (Iakovidis et al 2008): (6)
Total kontribusi ketetanggaan 3 3 ke dalam bin histogram FLBP yaitu : (7)
Ilustrasi pendekatan FLBP menghasilkan dua kode LBP sebagai penciri ketetanggaan 3x3 disajikan pada Gambar 4 dimana kode LBP tersebut akan direpresentasikan dengan histogram yang dihitung dengan menjumlahkan kontribusi dari setiap nilai LBP.
8
histogram
Gambar 3 Skema komputasi FLBP (Iakovidis et al 2008). 2.4 Support Vector Machine Support Vector Machine (SVM) merupakan sistem pembelajaran untuk mengklasifikasikan data menjadi dua kelompok data yang menggunakan ruang hipotesis berupa fungsi-fungsi linear dalam sebuah ruang fitur berdimensi tinggi. Strategi dari SVM adalah berusaha menemukan hyperplane yang terbaik pada input space (Nugroho et al. 2003). Cara kerja SVM melakukan transformasi data pada input space ke ruang yang berdimensi lebih tinggi, dan optimisasi dilakukan pada ruang vektor yang baru dengan menerapkan strategi Structural Risk Minimization (SRM). Structural Risk Minimization (SRM) bertujuan untuk mengestimasi suatu fungsi dengan cara meminimalkan batas atas dari
generalization error (Santosa
2007). Ilustrasi SVM untuk data yang terpisahkan secara linier menurut Vapnik dan Cortes (1995), disajikan pada Gambar 5.
Gambar 5 Struktur SVM.
9
Gambar 5 mengilustrasikan dua kelas dapat dipisahkan oleh sepasang bidang pembatas yang sejajar. Bidang pembatas pertama membatasi kelas pertama sedangkan bidang pembatas kedua membatasi kelas kedua, sehingga diperoleh persamaan 8 (Vapnik dan Cortes 1995): (8)
Dengan, xi = data set yi = label kelas dari data w = vektor bobot yang tegak lurus terhadap hyperplane (bidang normal) b = menentukan lokasi fungsi pemisah relatif terhadap titik asal. Bidang pemisah (hyperplane) terbaik adalah hyperlane yang terletak ditengahtengah antara dua bidang pembatas kelas, untuk mendapatkan hyperlane terbaik dengan memaksimalkan margin atau jarak antara dua set objek dari kelas yang berbeda. Nilai margin antara bidang pembatas adalah
. Memaksimalkan nilai
margin ekuivalen dengan meminimumkan nilai . Persamaan yang digunakan untuk pencarian bidang pemisah terbaik dengan nilai margin terbesar pada permasalahan linear di dalam primal space, disajikan pada persamaan 9 (Vapnik dan Cortes 1995): (9) (2)
Pada kasus yang tidak feasible, dimana beberapa data tidak dapat dikelompokkan secara benar maka persamaan yang digunakan adalah sebagai berikut (Vapnik dan Cortes 1995):
(10)
10
dengan, = variabel slack C = parameter yang menentukan besar pinalti akibat kesalahan klasifikasi. Permasalahan ini akan lebih mudah diselesaikan jika diubah ke dalam formulasi Lagrange dengan menggunakan Lagrange multiplier ( ). Dengan demikian permasalahan optimasi konstrain dapat diubah menjadi (Vapnik dan Cortes 1995): (11) Vektor
seringkali bernilai besar (mungkin tak terhingga), tetapi nilai
terhingga. Untuk itu formulasi Lagrange Lagrange
(primal problem) diubah ke dalam
(dual problem). Dengan demikian persamaan Lagrange hasil modifikasi
menjadi persamaan 12 (Vapnik dan Cortes 1995): (12) . Jadi persoalan pencarian bidang pemisah terbaik dapat dirumuskan sebagai berikut (Vapnik dan Cortes 1995):
(13)
Persamaan 13 akan menghasilkan nilai tersebut digunakan untuk menentukan
untuk setiap data pelatihan. Nilai
. Data pelatihan yang memiliki nilai
adalah support vector sedangkan sisanya memiliki nilai
, support vector adalah
data yang memiliki jarak paling dekat dengan hyperplane. Ilustrasi SVM untuk data multiclass menurut Santosa (2007), disajikan pada Gambar 6.
11
p2 (w1.w2)Tx+(b1.b2)=-1
2 P1=(w1.w2)Tx+(b1.b2)=0
3 (w1.w2)Tx+(b1.b2)=+1
1
p3
Gambar 6 SVM untuk klasifikasi tiga kelas.
Gambar 6 mengilustrasikan klasifikasi untuk tiga kelas, teknik yang digunakan untuk mengklasifikasi tiga kelas adalah satu lawan semua (SLA). Cara kerja teknik satu lawan semua, pada saat melakukan training P1, semua data dalam kelas satu diberi label +1 dan data yang lain dari kelas dua dan tiga diberi label -1, sebaliknya jika melatih P2, semua data dalam kelas dua diberi label +1 dan data yang lain dari kelas satu dan tiga diberi label -1, begitu pun pada saat melakukan training P3, semua data dalam kelas tiga diberi label +1 dan data yang lain dari kelas satu dan dua diberi label -1, maka fungsi pemisah ke–i menyelesaikan permasalahan optimisasi berikut (Santosa 2007). Setelah menyelesaikan persamaan 10 diperoleh k fungsi pemisah, kemudian kelas dari suatu objek baru x ditentukan berdasarkan nilai terbesar dari fungsi pemisah (Santosa 2007): (14) Jika data terpisah secara non linier, SVM dimodifikasi dengan memasukkan fungsi . Langkah yang dilakukan, data dipetakan oleh fungsi
ke ruang vektor
baru yang berdimensi lebih tinggi. Selanjutnya pada ruang vektor yang baru ini, SVM mencari hyperplane yang memisahkan kedua kelas secara linier. Pencarian ini hanya bergantung pada dot product dari data yang sudah dipetakan pada ruang baru
12
yang berdimensi lebih tinggi, yaitu
. Pada umumnya transformasi
ini tidak diketahui dan sangat sulit untuk dipahami sehingga perhitungan dot product dapat digantikan dengan fungsi kernel yang dirumuskan menurut Vapnik dan Cortes (1995) sebagai berikut: (15)
Sehingga persamaan menjadi sebagai berikut: (16) Fungsi hasil pembelajaran yang dihasilkan disajikan pada persamaan 16. (17) Dengan: ns = banyaknya data pelatihan yang termasuk support vector. x = data yang diklasifikasikan Kernel yang yang digunakan pada SVM diantaranya adalah : 1. Linear : (18) 2. Polynomial : (19) 3. Gaussian (radial-basis function) : ( 20)
dengan: γ , r dan d merupakan parameter kernel. 2.5 Probabilistic Neural Network (PNN) Probabilistic neural network (PNN) merupakan jaringan syaraf tiruan yang dibangun berdasar kaidah keputusan Bayes dan dikembangkan oleh Donald Specht pada tahun 1988. PNN merupakan ANN yang menggunakan radial basis function
13
(RBF). RBF adalah fungsi yang berbentuk seperti bel yang menskalakan variabel non-linear (Wu et al. 2007). Kelebihan menggunakan arsitektur PNN adalah training data mudah dan sangat cepat, hal ini karena dilakukan hanya satu tahap. Struktur PNN menurut Wu et al. (2007) disajikan pada Gambar 7.
Gambar 7 Struktur PNN. Struktur PNN ditunjukkan pada Gambar 6 yang terdiri atas empat lapisan yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusan/keluaran (Wu et al. 2007). 1 Lapisan masukan, merupakan objek
terdiri atas k nilai ciri yang akan
diklasifikasikan pada n kelas. 2 Lapisan pola (pattern layer), digunakan 1 node pola untuk setiap data pelatihan yang digunakan. Setiap node pola menghasilkan Zi =
. Bobot
merupakan nilai data latih ke-i pada kelas ke-j. Nilai Zi kemudian dibagi dengan bias tertentu σ dan selanjutnya dimasukkan ke dalam fungsi radial basis,
14
yaitu radbas(n) = exp (-n)2. Dengan demikian persamaan yang digunakan pada lapisan pola seperti pada Persamaan 21. (21) 3 Lapisan penjumlahan (summation layer), menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Persamaan yang digunakan pada lapisan ini adalah: (22)
dengan k merupakan dimensi vektor ciri, σ merupakan bias dan t merupakan jumlah data latih pada kelas tertentu. 4 Lapisan keluaran (output layer), menghasilkan keputusan input suatu kelas. Input
masuk ke dalam
akan masuk kelas Y jika nilai pY(x) paling besar dibandingkan
kelas yang lainnya.
2.6 Confusion Matrix Confusion Matrix merupakan sebuah tabel yang terdiri atas banyaknya baris data yang diuji yang diprediksi benar dan salah oleh model klasifikasi, hal ini bertujuan untuk menentukan kinerja dari suatu model kalsifikasi yang digunakan (Tan PN 2005). Tabel Confusion Matrix disajikan pada Tabel 1 .
Tabel 1 Confusion Matrix Assigned Class Class=1
Class=0
True
Class=1
F11
F10
Class
Class=0
F01
F00
15
F11 merupakan jumlah citra dari kelas 1 yang benar diklasifikasikan sebagai kelas 1, F00 merupakan jumlah citra dari kelas 1 yang benar diklasifikasikan sebagai kelas 0, adapun F01 merupakan jumlah citra dari kelas 0 yang salah diklasifikasikan sebagai kelas 1, F10 merupakan jumlah citra dari kelas 1 yang benar diklasifikasikan sebagai kelas 0.
2.7 Tumbuhan Obat Tumbuhan obat memiliki
khasiat untuk menyembuhkan berbagai penyakit.
Kemajuan dari ilmu pengetahuan dan teknologi yang semakin modern dan berkembang secara pesat tidak dapat menggeser obat-obatan tradisional yang telah ada sejak nenek moyang, obat-obatan tradisional mampu saling berdampingan dan saling melengkapi dengan obat-obatan yang terbuat secara kimiawi (Thomas 1993). Informasi yang dapat digali dari tanaman obat diantaranya nama botani, nama lokal, familia, daerah asal tumbuhan, spesifikasi tumbuhan, komposisi kandungan kimia, khasiat, dan cara menggunakannya.
16
3 METODE PENELITIAN
3.1
Tahapan Penelitian Penelitian ini dilakukan dalam beberapa tahap. Tahap-tahap tersebut disajikan
pada Gambar 8.
Data daun Tumbuhan Obat
Data Tanaman Hias
PRAPROSES DATA CITRA TANAMAN OBAT Citra Queri Tanaman Hias
Ekstraksi Fitur dengan Fuzzy LBP
Ekstraksi Fitur dengan Fuzzy LBP
Klasifikasi SVM / PNN
Model Klasifikasi SVM / PNN
Hasil Klasifikasi SVM / PNN
Evaluasi Perbandingan Hasil Klasifikasi SVM /PNN Fokus Penelitian
Gambar 8 Tahapan penelitian.
Citra Queri daun Tumbuhan obat
17
3.1.1 Pengumpulan Citra dan Praposes Penelitian ini menggunakan citra tumbuhan obat dan tanaman hias yang diperoleh dari pemotretan. Citra tumbuhan obat terdiri dari tiga puluh species yang terdapat di kebun Biofarmaka IPB Cikabayan dan rumah kaca Pusat Konservasi Ex-situ Tumbuhan Obat Hutan Tropika Indonesia, Fahutan IPB. Masing- masing species terdiri 48 citra, dimana setiap species daun terdiri atas 24 pose citra bagian depan dan 24 pose citra bagian belakang, sehingga total 1.440 citra daun tumbuhan obat . Citra tanaman hias terdiri dari tiga puluh species citra dari Kebun Raya Bogor, yang digunakan oleh Kulsum (2010). Data citra tumbuhan obat tidak memiliki latar belakang dan data citra tanaman hias memiliki latar belakang hal ini bertujuan untuk menganalisis kinerja FLBP. Setelah dilakukan pengumpulan data citra tahap selanjutnya adalah tahap praproses, dimana dalam tahap ini dilakukan perbaikan pada citra tumbuhan obat dan citra tanaman hias. Selanjutnya, citra tersebut diubah menjadi mode grayscale untuk diproses pada tahap ekstraksi.
3.1.2 Ekstraksi Fitur Tekstur dengan Metode FLBP P,R Proses yang dilakukan pada ekstraksi tekstur dalam penelitian ini menggunakan metode
. Citra akan dibagi kedalam beberapa blok (local region)
sesuai dengan operator circular neighborhood (sampling points dan radius) yang digunakan. Penelitian ini menggunakan dua ukuran circular neighborhood yaitu (8,1) dan (8,2). Nilai LBP akan direpresentasikan melalui histogram FLBP yang merupakan gambaran frekuensi dari kontribusi nilai LBP yang muncul pada sebuah citra. Masing-masing blok diektraksi menggunakan metode Ekstraksi tekstur
.
dilakukan dengan mengolah setiap untuk mencari selisih
dari piksel tetangga dengan piksel pusat. Dari setiap blok
yang didapat, akan
menghasilkan satu atau lebih nilai LBP dan nilai kontribusinya. Blok yang berisikan nilai rule R1.
, selanjutnya akan melalui proses fuzzy tresholding berdasarkan rule R0 dan
18
Parameter fuzzifikasi (F) yang digunakan berdasarkan penelitian yang dilakukan Valerina (2012). Citra tumbuhan obat dan tanaman hias memiliki nilai parameter F berbeda . Citra tanaman hias 0 sampai 40 dan untuk citra tumbuhan obat berkisar antara 0 sampai 20. Penggunaan parameter F>0 sebagai hasil dari metode FLBP, proses fuzzy tresholding akan dihasilkan nilai LBP sebanyak 2n, dimana n merupakan banyaknya nilai piksel
–F sampai F, contoh
yang berada direntang fuzzy antara
proses fuzzy tresholding dengan nilai fuzzy 4 disajikan pada Gambar 9. 61 137 168 168 163 168 163 165 160
-102 5 0
-26 2
5 5 -3
-102
-26
5
5
-3
2
0 1
5 1
0 1
1 1
0 1
1 1
0 1
1 1
0
1
1 1 0 0
0
1
1 1 0 0
Gambar 9 Proses Fuzzy thresholding.
Hasil yang diperoleh dari ilustrasi pada Gambar 8 terdapat tiga nilai berada diantara rentang fuzzy (-4 <
yang
< 4), sehingga diperoleh kombinasi sebanyak
23 = 8, nilai biner yang diperoleh dari masing-masing kombinasi adalah 00111111, 00111101, 00111011, 00111001, 00110111, 00110101, 00110011, dan 00110001. Kedelapan nilai biner ini akan menghasilkan nilai LBP sebagai dasar menentukan perhitungan masuknya nilai
3.1.3
ke membership function.
Klasifikasi Support Vector Machine (SVM)
untuk
19
Setelah proses ekstraksi citra selesai dilakukan, diperoleh hasil vektor histogram untuk setiap ukuran circular neighborhood, untuk tumbuhan obat diperoleh 1.440 vektor histogram dan tanaman hias diperoleh 300 vektor histogram. Tahap selanjutnya adalah menglasifikasi vektor-vektor histogram tersebut dengan SVM. Klasifikasi baik untuk data tumbuhan obat dan tanaman hias dilakukan dengan membagi data latih dan data uji masing-masing 70% dan 30%. SVM pada penelitian ini menggunakan fungsi Kernel , yang berfungsi untuk mengatasi kesulitan yang timbul karena tidak diketahuinya suatu fungsi non linear dan cara memilih fungsi yang tepat dalam mencari hyperplane yang terbaik. Fungsi kernel yang digunakan yaitu fungsi kernel Linear, Polynomial dan RBF. Fungsi kernel terbaik akan digunakan sebagai pembanding dengan klasifikasi PNN, yang bertujuan untuk menganalisa model klasifikasi masing-masing klasifikasi tersebut. Pada penggabungan ukuran circular neighborhood maupun tanpa penggabungan ukuran circular neighborhood harus diekstraksi terlebih dahulu. Hasil identifikasi citra tumbuhan obat menggunakan FLBP akan dibandingkan dengan hasil identifikasi citra tanaman hias.
3.1.4
Klasifikasi Probabilistic Neural Network (PNN)
Sama seperti klasifikasi SVM, setelah proses ekstraksi citra selesai dilakukan, diperoleh hasil vektor histogram untuk setiap ukuran circular neighborhood, untuk tumbuhan obat diperoleh 1.440 vektor histogram dan tanaman hias diperoleh 300 vektor histogram. Tahap selanjutnya adalah menglasifikasi vektor-vektor histogram tersebut dengan PNN. Klasifikasi baik untuk data tumbuhan obat dan tanaman hias dilakukan dengan membagi data latih dan data uji masing-masing 70% dan 30%. Klasifikasi dengan menggunakan PNN dengan menerapkan bias yang berbedabeda untuk setiap ukuran circular neighborhood karena dimensi vektor histogram setiap ukuran circular neighborhood berbeda-beda.
3.1.5 Pengujian dengan Sistem
20
Pengujian data dilakukan oleh sistem, yaitu dengan penilaian tingat keberhasilan klasifikasi terhadap citra kueri. 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: (24) 3.1.6
Evaluasi Hasil Klasifikasi SVM dan PNN
Evaluasi kinerja yang dilakukan adalah : 1
Menganalisa model klasifikasi yang disajikan dalam bentuk Confusion Matrix.
2
Menganalisa akurasi hasil identifikasi klasifikasi setiap kelas citra tumbuhan obat dan tanaman hias yang disajikan dalam bentuk grafik.
3.2
Kebutuhan Alat dan Bahan Penelitian Perangkat lunak yang digunakan MS Window XP Professional Version 2002
SP2 dan Microsoft Visual Studio 2010 adapun perangkat keras yang digunakan: Processor intel® core ™ 2 duo CPU T57550, memori DDR2, RAM 2,99 GB, Library OpenCv 2.1, dan Visual C++. 3.3
Waktu dan Tempat Penelitian Penelitian
dilaksanakan
di
Laboratorium
Computational
Intelligence
Pascasarjana Departemen Ilmu Komputer IPB di mulai bulan Januari 2011 .
21
4 HASIL DAN PEMBAHASAN
4.1 Hasil Praposes dan Ekstraksi Tekstur Perbaikan data citra tumbuhan obat pada tahap praproses dilakukan dengan menyeleksi objek satu daun dan memperkecil ukuran citra menjadi 270x240 piksel. Pada data citra pohon, Kulsum (2010) melakukan tahap praproses dengan memotong citra untuk mendapatkan objek tanaman hias dan memperkecil ukuran citra menjadi 270x210 piksel. Mode warna citra pohon dan citra daun kemudian diubah menjadi grayscale untuk proses ekstraksi selanjutnya. Hasil praproses data bertujuan untuk mengurangi waktu pemrosesan data (running time). Berdasarkan penelitian yang dilakukan Valerina (2012), pada citra tumbuhan obat dihasilkan 20 fitur FLBP yang diekstrak menggunakan rentang F
[0,20].
Sedangkan, pada citra tanaman hias dihasilkan 40 fitur FLBP yang diekstrak menggunakan rentang F
[0,40]. Besarnya rentang parameter fuzzifikasi yang
digunakan untuk menghasilkan fitur dan identifikasi terbaik, dipengaruhi oleh sebaran distribusi pi yang dihasilkan. Nilai F=4 digunakan untuk tumbuhan obat dan nilai F=19 digunakan untuk tanaman hias.
4.2
Hasil Klasifikasi Support Vector Mechine (SVM) Langkah pertama yang dilakukan dalam klasifikasi SVM adalah pemilihan
parameter kernel yang bertujuan untuk menentukan kernel terbaik. Kernel terbaik ini sebagai dasar untuk menganalisa model klasifikasi dan menganalisa hasil akurasi perkelas. Selain itu kernel terbaik digunakan sebagai pembanding dengan klasifikasi PNN.
4.2.1 Citra Tumbuhan Obat dengan SVM Citra data uji tumbuhan untuk setiap kelas yang digunakan adalah empat belas citra data uji , yang digunakan untuk mengidentifikasi citra tumbuhan obat ini oleh sistem.
22
4.2.1.1 Pemilihan Parameter Kernel Tumbuhan Obat. Fungsi kernel yang digunakan yaitu fungsi Linear, Polynomial dan RBF, masingmasing fungsi kernel ini memiliki parameter yang berbeda-beda. Pada Fungsi kernel Linear nilai parameter C yang diujicobakan adalah [ 212,211, 210,29, ..,2-1, 2-2] . Pada fungsi kernel Polynomial nilai parameter C yang diujicobakan sama dengan fungsi linear , adapun nilai parametr γ dan r adalah [ 24,23, 22 ,...,2-10] , untuk nilai degree (d) pada penelitian ini di ujicobakan 2 , sehingga dihasilkan 15 3 =3.375 kombinasi. Pada
fungsi kernel linear, nilai parameter C dan γ sama dengan fungsi kernel
polynomial dan linear , sehingga dihasillan 152 = 225 kombinasi yang diujicobakan. Ukuran circular neighborhood yang digunakan pada FLBP adalah (8,1) dan (8,2), nilai akurasi masing-masing dari fungsi kernel tersebut disajikan pada Tabel 2 dan screen shoot hasil ekstraksi tumbuhan obat disajikan pada Lampiran 3.
Tabel 2 Akurasi Fungsi Kernel Tumbuhan Obat Operator
Fungsi Kernel
(P,R) FLBP(8,1) Linear
Parameter Kernel
Akurasi
C
γ
r
d
(%)
29
-
-
9
-
68.09
2
2
-6
2
71.43
Polynomial
2
2
RBF
24
22
-
-
73.09
28
-
-
-
71.19
Polynomial
212
23
2-10
2
73.57
RBF
23
22
-
-
73.09
FLBP(8,2) Linear
Ukuran circular neighborhood (8,2) pada penelitian ini menghasilkan tingkat akurasi lebih baik dibandingkan ukuran circular neighborhood
(8,1), hal ini
dikarenakan semakin besarnya ukuran blok piksel semakin mampu mengambil nilai piksel-piksel ketetanggaan melingkar yang berbeda-beda sehingga pola-pola nilai LBP pun menjadi berbeda, hal ini menjadi penciri yang baik dalam ekstraksi tekstur. Fungsi kernel terbaik untuk mengidentifkasi tumbuhan obat adalah fungsi kernel polynomial pada ukuran circular neighborhood (8,2). Secara umum kelas-kelas yang
23
memiliki variasi warna kernel polynomial memiliki tingkat akurasi lebih tinggi dibandingkan kernel RBF dan kernel linear.
4.2.1.2 Model Klasifikasi Kernel Polynomial untuk Tumbuhan Obat Model klasifikasi dari Fungsi kernel polynomial disajikan dalam bentuk Confusion Matrix secara lengkap yang disajikan pada Lampiran 5. Tabel 3 menyajikan kelaskelas yang teridentifikasi pada kelas lain. Tabel 3 Kelas tumbuhan obat yang teridentifikasi pada kelas lain dengan fungsi kernel polynomial
Setiap kelas tumbuhan obat dapat teridentifikasi oleh fungsi kernel polynomial. Kelas 4 (Lavendula Afficinalis Chaix) merupakan kelas yang mengalami kesalahan klasifikasi, terdapat delapan citra data uji teridentifikasi ke kelas 1 (Pandanus Amaryllifolius Roxb), hal ini dikarenakan kelas 4 dan kelas 1 memiliki kemiripan
24
tekstur pada permukaan belakang daun, Gambar 10 menyajikan kesalahan klasifikasi kelas 4 yang teridentifikasi pada kelas 1.
Gambar 10 Citra Lavendula Afficinalis Chaix teridentifikasi ke kelas Pandanus Amaryllifolius Roxb. Kelas 24 (Orthosiphon Aristatus (B1) Miq ), merupakan kelas yang menghasilkan akurasi terendah dimana kelas ini hanya mampu mengidentifikasi lima citra data uji, terdapat sembilan citra teridentifikasi kedalam kelas yang berbeda-beda diantaranya adalah satu citra masing-masing teridentifikasi ke kelas 4 (Lavendula afficinalis Chaix) dan kelas 12 (Quisqualis Indica), tiga citra teridentifikasi ke kelas 15 (clinacanthus nurans) dan empat
citra teridentifikasi ke kelas 18 (Talinum
paniculatum) , citra kelas 24 disajikan pada Gambar 11.
Gambar 11 Kelas 24 teridentifikasi pada kelas 4,12,15 dan 18.
25
4.2.1.3 Identifikasi Akurasi Setiap Kelas Tumbuhan Obat dengan Fungsi Kernel Polynomial. Hasil akurasi perkelas dari uji coba identifikasi tumbuhan obat dengan fungsi kernel polynomial pada FLBP(8,2) disajikan pada Gambar 12.
100 Akurasi (%)
80 60 40 20 0 1
3
5
7
9 11 13 15 17 19 21 23 25 27 29 Kelas
Gambar 12 Grafik akurasi masing-masing kelas SVM kernel polynomial dalam mengidentifikasi tumbuhan obat FLBP(8+2). Klasifikasi SVM kernel polynomial dengan menggunakan ekstraksi FLBP mampu mengidentifikasi kelas-kelas yang memiliki warna yang bergradasi dan citra yang memiliki variasi warna, walapun akurasinya tidak tinggi, sebagai contoh kelas 24 (Orthosiphon Aristatus (B1) Miq). Kelas 24 hanya mampu mengidentifikasi 5 citra data testing. Kelas citra tumbuhan obat yang selalu terklasifikasi dengan benar memiliki warna yang seragam dan kualitas citra yang baik dari segi pencahayaan maupun kontras, terdapat 4 kelas yang selalu terklasifikasikan dengan benar dengan akurasi 100% dari 30 kelas yang ada, keempat kelas tersebut adalah
kelas 6
(Acanthus ilicifolius L), kelas 7 (Centella asiatica), kelas 16 (Clitoria ternatea L.), dan kelas 29 (Psidium guajava L.), citra-citra ini disajikan pada Gambar 13.
Gambar 13 Citra tumbuhan obat menghasilkan akurasi 100% dengan SVM kernel polynomial.
26
Dari 30 kelas terdapat delapan kelas yang mampu mengklasifikasikan dengan tingkat akurasi 85% - 92.86%, hal ini disajikan pada Gambar 14.
Gambar 14 Citra tumbuhan obat menghasilkan akurasi antara 85% - 92.56% dengan SVM kernel polynomial. Terdapat delapan kelas yang mampu mengklasifikasikan dengan tingkat akurasi antara 60% - 80% disajikan pada Gambar 15.
Gambar 15 Citra tumbuhan obat menghasilkan akurasi antara 60% - 80% dengan SVM kernel polynomial. Citra-citra yang menghasilkan tingkat akurasi dibawah 60% terdapat pada kelas 4,5,11,12,14,15,17,21,24 dan kelas 27 dapat dilihat pada Gambar 16.
Gambar 16 Citra tumbuhan obat menghasilkan akurasi dibawah 60% dengan SVM kernel polynomial.
4.2.2 Citra Tanaman Hias dengan SVM. Citra data uji tanaman hias untuk setiap kelas yang digunakan adalah tiga citra data uji, yang digunakan untuk mengidentifikasi citra tanaman hias ini oleh sistem.
27
4.2.2.1 Pemilihan Parameter Kernel Tanaman Hias Fungsi kernel dan nilai parameter yang digunakan untuk identifikasi tanaman hias sama dengan tumbuhan obat, nilai akurasi yang dihasilkan dengan menggunakan ketiga fungsi kernel disajikan pada Tabel 4.
Tabel 4 Akurasi Fungsi Kernel Tanaman Hias Operator
Fungsi Kernel
Parameter Kernel
Akurasi
C
γ
r
d
(%)
29
-
-
-
74.44
Polynomial
211
2-1
2-10
2
75.56
RBF
24
23
-
-
77.78
2
-
-
-
77.78
Polynomial
211
2-2
2-7
2
80
RBF
24
24
-
-
81.11
(P,R) FLBP(8,1) Linear
FLBP(8,2) Linear
8
Ukuran circular neighborhood (8,2) pada penelitian ini menghasilkan tingkat akurasi untuk semua fungsi kernel lebih baik
dibandingkann ukuran circular
neighborhood (8,1), hal ini dikarenakan semakin besarnya ukuran blok piksel semakin mampu mengambil nilai piksel-piksel ketetangaan melingkar yang berbedabeda sehingga pola-pola nilai LBP juga menjadi berbeda hal ini menjadi penciri yang baik dalam ekstraksi tekstur. Fungsi kernel yang menghasilkan nilai akurasi tertinggi untuk mengidentifikasi tanaman hias adalah fungsi kernel RBF pada ukuran circular neighborhood (8,2). Fungsi kernel RBF akan digunakan untuk mengevaluasi model klasifikasi dan identifikasi tanaman hias. Kelas-kelas yang memiliki corak tekstur varigata pada kernel RBF memiliki tingkat akurasi lebih tinggi.
28
4.2.2.2 Model Klasifikasi Kernel RBF untuk Tanaman Hias . Pada citra tanaman hias diambil tiga data uji pada
setiap kelas untuk
mengidentifikasi citra oleh sistem Fungsi kernel RBF digunakan untuk model klasifikasi disajikan dalam bentuk Confusion Matrix yang disajikan pada Lampiran 6.6 dan Tabel 5 menyajikan kelas-kelas yang teridentifikasi ke dalam kelas lain. Tabel 5 Kelas tanaman hias yang teridentifikasi pada kelas lain dengan fungsi kernel RBF
Dari 30 kelas terdapat tiga kelas yang
menghasilkan nilai akurasi terendah,
dimana ketiga kelas ini hanya mampu mengidentifikasi satu citra uji saja dari tiga citra data uji, kelas tersebut adalah kelas 15 (Dendrobium Chaopraya Moonlight) , kelas 24 (Calathea sp.) dan kelas 30 (Piper decumanum). Kelas 15 (Dendrobium Chaopraya Moonlight) mengalami kesalahan klasifikasi teridentifikasi ke kelas 1 (Dracena Draco) dan kelas 13 (Philodendron Bifinnatifidum). Kelas 24 ( Calathea sp) teridentifikasi ke kelas 11 ( Dendrobium sp.) dan kelas 19 ( Begonia sp). Pada kelas 30 ( Piper decumanum ) teridentifikasi ke kelas 8 ( Dendrobium sp.) dan kelas 10 (Dendrobium sp.).
29
Citra-citra yang teridentifikasi ke kelas lain disajikan pada Gambar 17.
(a)
(b)
(c)
Gambar 17 Citra tanaman hias yang teridentifikasi ke kelas lain (a) Dendrobium (b) Chaopraya Moonlight, Calathea sp. (c) Piper decumanum.
4.2.2.3 Identifikasi Akurasi Setiap Kelas Tanaman Hias dengan Fungsi Kernel RBF. Identifikasi tanaman hias dengan menggunakan fungsi kernel RBF menghasilkan tingkat akurasi tertinggi yaitu 81.11%. Tingkat akurasi tanaman hias lebih baik daripada tumbuhan obat karena metode FLBP sangat cocok pada citra yang memiliki tekstur yang kompleks. Akurasi masing-masing kelas disajikan pada Gambar 17.
30
Akurasi (%)
100 80 60 40 20
0 1
3
5
7
9
11 13 15 17 19 21 23 25 27 29 Kelas
Gambar 18 Grafik Akurasi masing-masing kelas SVM Kernel RBF dalam mengidentifikasi tanaman hias FLBP (8+2). Hasil Ekstraksi FLBP(8,2) dengan menggunakan fungsi Kernel RBF pada tanaman hias , dari 30 kelas terdapat enam belas kelas yang mampu mengidentifikasi semua citra uji sehingga menghasilkan tingkat akurasi 100%, citra-citra yang memiliki akurasi tinggi dikarenakan citra-citra tersebut memiliki jenis daun dengan warna yang bergradasi, memiliki tekstur unik yaitu citra yang kemiripan teksturnya cukup jauh berbeda dengan citra kelas lain, dan citra yang memiliki kualitas yang baik dari segi pencahayaan maupun kontras serta memiliki komposisi background yang hampir seragam, citra-citra ini disajikan pada Gambar 19.
Gambar 19 Citra Tanaman Hias menghasilkan akurasi 100% dengan SVM Kernel RBF. Dari 30 kelas terdapat sebelas kelas yang mampu mengklasifikasikan dengan tingkat akurasi 66.67% yang disajikan pada Gambar 20.
Gambar 20 Citra Tanaman Hias menghasilkan akurasi 66,67% dengan SVM Kernel RBF.
31
Dari 30 kelas terdapat tiga kelas yang
mampu mengklasifikasikan dengan
tingkat akurasi 33.33% yang disajikan pada Gambar 21.
Gambar 21 Citra Tanaman Hias menghasilkan akurasi 33.33% dengan SVM Kernel RBF.
4.3 Hasil Klasifikasi Probabilistic Neural Network (PNN) Pembagian data uji dan data latih untuk identifikasi tumbuhan obat
pada
klasifikasi PNN sama dengan klasifikasi SVM. Uji coba yang dilakukan pada PNN dengan menerapkan bias yang berbeda-beda untuk mendapatkan akurasi dari masingmasing ekstraksi 4.3.1 Citra Tumbuhan Obat dengan Probabilistic Neural Network (PNN) Hasil uji coba klasifikasi PNN dengan menggunakan FLBP(8,1) memiliki ukuran blok (piksel) 3x3 menghasilkan tingkat akurasi 64.29%, dengan menggunakan FLBP(8,2) nilai akurasi mengalami peningkatan menjadi 64.52% 4.3.1.1 Model Klasifikasi PNN untuk Tumbuhan Obat. Model klasifikasi PNN disajikan dalam bentuk confusion matrix yang disajikan pada Lampiran 7. Tabel 6 menyajikan kelas-kelas yang teridentifikasi ke dalam kelas lain.
32
Tabel 6 Kelas tumbuhan obat yang teridentifikasi pada kelas lain dengan PNN
Setiap kelas dengan klasifikasi PNN dapat mengidentifikasi tumbuhan obat. Pada kelas 4 ( Lavendula Afficinalis Chaix) mampu mengidentifikasi delapan citra data uji, pada kelas ini mengalami kesalahan klasifikasi teridentifikasi ke dalam beberapa kelas, dimana terdapat empat citra teridentifikasi ke kelas 1 (Pandanus Amaryllifolius Roxb), terdapat satu citra teridentifikasi ke kelas 15 (clinacanthus nurans) dan satu
33
citra teridentifikasi ke kelas 28 (Barleria lupulina Lindl), citra-citra ini disajikan pada Gambar 22.
.
Gambar 22 Citra lavendula Afficinalis Chaix yang teridentifikasi ke kelas pandanus amaryllifolius roxb , clinacanthus nurans, dan barleria lupulina lindl. Kelas yang paling banyak mengalami kesalahan dalam klasifikasi terdapat pada kelas 14 (Ficus deloidea ), kelas ini hanya mampu mengidentifikasi dua citra uji dari empat belas citra uji yang ada, hal ini dikarenakan kelas ini memiliki kualitas citra yang tidak baik, dari segi pencahayaan maupun kontras, sehingga berpengaruhi pada tingkat kesalahan. Kelas 14 (Ficus deloidea L) mengalami kesalahan klasifikasi dengan rincian tiga citra data uji teridentifikasi ke kelas 7, dua citra data uji masingmasing teridentifikasi ke kelas 2 dan kelas 19, satu citra data uji masing-masing teridentifikasi ke kelas 13, kelas 16, kelas 20, kelas 22, dan kelas 23, citra kelas 14 disajikan pada Gambar 23.
(a)
(b)
Gambar 23 Citra ficus deloidea L paling banyak mengalami kesalahan klasifikasi (a) citra latih (b) citra uji .
34
4.3.1.2 Identifikasi Akurasi Setiap Kelas Tumbuhan Obat dengan klasifikasi PNN Identifikasi tumbuhan obat dengan menggunakan klasifikasi PNN disajikan dalam
Akurasi (%)
bentuk grafik, akurasi masing-masing kelas disajikan pada Gambar 24.
100 90 80 70 60 50 40 30 20 10 0 1
3
5
7
9 11 13 15 17 19 21 23 25 27 29 Kelas
Gambar 24 Grafik akurasi masing-masing kelas PNN dalam mengidentifikasi tumbuhan obat FLBP(8+2) . Hasil ekstraksi FLBP(8,2) setiap kelas memiliki kemampuan mengidentifikasi citra data testing. Dari 30 kelas hanya terdapat dua kelas yang mengidentifikasi 100% data uji yaitu kelas 7 (Centella asiatica (Linn) Urban) dan kelas 29 (Psidium Guajava L), citra-citra ini memiliki kualitas citra yang baik, dari segi pencahayaan maupun kontras , hal ini dapat dilihat pada Gambar 25.
Gambar 25 Citra tumbuhan obat menghasilkan akurasi 100% dengan PNN . Dari 30 kelas terdapat tujuh kelas yang
mampu mengklasifikasikan dengan
tingkat akurasi antara 85% - 92.86% disajikan pada Gambar 26.
Gambar 26 Citra tumbuhan obat menghasilkan akurasi antara 85% - 92.56% dengan PNN.
35
Dari 30 kelas terdapat sembilan kelas yang mampu mengklasifikasikan dengan tingkat akurasi antara 60% - 80% disajikan pada Gambar 27.
Gambar 27 Citra tumbuhan obat menghasilkan akurasi antara 60% - 80% dengan PNN. Dari 30 kelas terdapat sebelas kelas yang mampu mengklasifikasikan dengan tingkat akurasi dibawah 60% disajikan pada Gambar 28.
Gambar 28 Citra tumbuhan obat menghasilkan akurasi dibawah 60% dengan PNN. 4.3.2 Citra Tanaman Hias dengan Probabilistic Neural Network (PNN) Uji coba Klasifikasi PNN untuk tanaman hias menerapkan bias yang berbeda-beda untuk mendapatkan akurasi dari masing-masing ekstraksi dengan
menggunakan
FLBP(8,1) memiliki ukuran blok (piksel) 3x3 menghasilkan tingkat akurasi cukup baik yaitu
75.56% , dan pada
FLBP(8,2) nilai akurasi mengalami peningkatan
menjadi 77.78%. 4.3.2.1 Model Klasifikasi PNN untuk Tanaman Hias Model klasifikasi PNN disajikan dalam bentuk confusion matrix yang disajikan pada Lampiran 8. Tabel 7 menyajikan kelas-kelas yang teridentifikasi ke dalam kelas lain.
36
Tabel 7 Kelas tanaman hias yang teridentifikasi pada kelas lain dengan PNN
Tidak semua citra uji dapat dikenali oleh setiap kelas, dari model klasifikasi dapat dilihat kelas 24 ( Calathea sp) sama sekali tidak dapat mengenali data uji, hal ini dikarenakan data testing dan data training memiliki background yang sangat berbeda, klasifikasi PNN tidak mampu mengidentifikasi citra data testing tersebut. Kelas ini mengalami kesalahan klasifikasi dengan teridentifikasi ke kelas 14 (Agave attenuata) sebanyak satu citra dan dua citra teridentifikasi ke kelas 19 (Begonia sp), hal ini dapat dilihat pada Gambar 29.
Gambar 29 Citra Calathea sp. yang paling banyak mengalami kesalahan klasifikasi dengan menggunakan PNN. Citra kelas 15 (Dendrobium chaopraya moonlight) dan kelas 20 (Calathea rufibarba) hanya mampu mengidentifikasi satu citra uji saja. Kelas 15 (Dendrobium
37
chaopraya moonlight) teridentifikasi ke kelas 1 ( Dracena draco ) dan kelas 13 (Philodendron bifinnatifidum). Kelas 20 ( Calathea rufibarba) teridentifkasi ke dalam kelas 19 ( Begonia sp). Citra-citra tersebut dapat dilihat pada Gambar 30.
(a)
(b) Gambar 30 Citra tanaman hias hanya dapat mengidentifikasi 1 citra uji (a) Dendrobium chaopraya moonlight (b) Calathea rufibarba.
4.3.2.2 Identifikasi Akurasi Setiap KelasTanaman Hias dengan Klasifikasi PNN Identifikasi tanaman hias dengan menggunakan klasifikasi PNN disajikan dalam bentuk grafik, akurasi masing-masing kelas disajikan pada Gambar 31. .
100 Akurasi (%)
80 60 40
20 0 1
3
5
7
9
11 13 15 17 19 21 23 25 27 29 Kelas
Gambar 31 Grafik Akurasi Masing-Masing Kelas PNN Dalam Mengidentifikasi tanaman hias FLBP(8+2) .
38
Pada FLBP(8,2) dengan klasifikasi PNN, dari 30 kelas terdapat empat belas kelas yang dapat mengidentifikasi semua citra uji hal ini dikarenakan citra-citra ini memiliki latar belakang yang seragam dan memiliki jenis daun dengan warna yang bergradasi, sehingga menghasilkan akurasi tinggi, citra-citra tersebut disajikan pada Gambar 32.
Gambar 32 Citra Tanaman Hias menghasilkan akurasi 100% dengan PNN. Dari 30 kelas terdapat tiga belas kelas yang mampu mengklasifikasikan dengan tingkat akurasi 66.67% disajikan pada Gambar 33.
Gambar 33 Citra Tanaman Hias menghasilkan akurasi 66,67% dengan PNN. Dari 30 kelas terdapat tiga kelas yang mampu mengklasifikasikan dengan tingkat akurasi dibawah 50% disajikan pada Gambar 34.
Gambar 34 Citra Tanaman Hias menghasilkan akurasi dibawah 50% dengan PNN.
39
4.4 Perbandingan Klasfikasi SVM Fungsi Kernel Polynomial dan PNN untuk Tumbuhan Obat Perbandingan Klasifikasi SVM kernel polynomial dan PNN pada identifikasi tumbuhan obat disajikan pada Gambar 35. 100.00 90.00 80.00 70.00
73.57
71.43 64.29
64.52 PNN
60.00 50.00
SVM FUNGSI KERNEL RBF
40.00 30.00 20.00 10.00 0.00 FLBP(8,1)
Gambar 35
FLBP(8,2)
Perbandingan Akurasi dengan Klasifikasi SVM Fungsi Kernel Polynomial dan PNN identifikasi tumbuhan obat dengan FLBP (8+1) dan FLBP(8+2).
SVM kernel polynomial baik dengan menggunakan ekstraksi FLBP(8+1) dan FLBP(8+2) memiliki tingkat akurasi tertinggi. Akurasi terendah pada klasifikasi PNN pada operator(8,1). Kelas 7 (Centella asiatica (Linn) Urban) dan kelas 29 (Psidium Guajava L) yang memiliki tingkat akurasi 100% baik
menggunakan klasifikasi
fungsi kernel polynomial(8+2) dan PNN pada FLBP(8+2), hal ini dikarenakan citra-citra ini memiliki bentuk yang berbeda dengan citra kelas lain dan citra-citra ini memiliki kualitas citra yang baik, dari segi pencahayaan maupun kontras sehingga menghasilkan akurasi yang tinggi. Citra-citra dengan menggunakan kedua klasifikasi ini pada FLBP(8+2) mengalami kesamaaan akurasi diantaranya terdapat pada kelas 3 (Clinacanthus Nutans Lindau ) menghasilkan tingkat akurasi 71.42%, dan kelas 17 (Nothopanax Scutellarium Mer ) dengan tingkat akurasi 57.14%.
40
4.5 Perbandingan Klasfikasi SVM Fungsi Kernel RBF dan PNN untuk Identifikasi Tanaman Hias. Perbandingan kinerja klasifikasi SVM fungsi Kernel RBF dan PNN
dalam
mengidentifikasi tanaman hias disajikan pada Gambar 36. 100.00 90.00 80.00
75.56 77.78
77.78
81.11
70.00 PNN
60.00 50.00
SVM FUNGSI KERNEL RBF
40.00 30.00 20.00 10.00 0.00 FLBP(8,1)
FLBP(8,2)
Gambar 36 Perbandingan Akurasi dengan Klasifikasi SVM Fungsi Kernel RBF dan PNN identifikasi tanaman hias dengan FLBP (8+1) dan FLBP(8+2). SVM fungsi Kernel RBF baik menggunakan operator FLBP
(8,1)
dan operator
FLBP (8,2) menghasilkan tingkat akurasi lebih baik daripada klasifikasi PNN. Dari 30 kelas terdapat dua belas kelas yang memiliki tingkat akurasi 100% yang sama baik itu menggunakan klasifikasi SVM fungsi Kernel RBF pada operator (8,2), hal ini dikarenakan citra-citra pada kelas ini memiliki jenis daun dengan warna yang bergradasi dan memiliki komposisi background yang hampir seragam. Selain terdapat kelas-kelas yang mengalami kesamaan tingkat akurasi, terdapat beberapa kelas yang mengalami perbedaan akurasi akan tetapi perbedaan itu tidak signifikan, dimana pada saat citra tersebut dengan menggunakan SVM fungsi kernel RBF menghasilkan tingkat akurasi 100%, akan tetapi pada saat menggunakan PNN mengalami penurunan tingkat akurasi menjadi 66.67%, hal ini diantaranya terjadi pada kelas Peperomia Argyreia dan Dendrobium sp.
41
4.6 Pengembangan Sistem. Sistem yang dibuat diberi nama Perfect-Pro. Tampilan antar muka Sistem PerfectPro terdiri dari dua bagian yaitu ekstraksi database citra dan identifikasi citra. Ekstraksi database citra merupakan proses training dari tumbuhan obat dan tanaman hias. Proses training tumbuhan obat disajikan pada Lampiran 3a dan tanaman hias disajikan pada Lampiran 4a. Citra kueri masukan akan diekstraksi dan diidentifikasi, untuk tumbuhan obat disajikan pada Lampiran 3b dan tanaman hias disajikan pada Lampiran 4b. Sistem Perfect-Pro pada identifikasi citra akan memberikan informasi nama citra kueri dan informasi mengenai citra kueri tersebut.
42
5
KESIMPULAN DAN SARAN
5.1 Kesimpulan Penelitian ini bertujuan untuk membandingkan kinerja klasifikasi SVM dengan menggunakan tiga fungsi kernel yaitu fungsi kernel Linear, kernel Polynomial, kernel RBF dan menggunakan klasifikasi PNN untuk mengidentifikasi tumbuhan obat dan tanaman hias, ekstraksi yang digunakan adalah FLBP dengan ukuran circular neighborhood (8,1) dan (8,2). Klasifikasi SVM dalam mengidentifikasi tumbuhan obat dan tanaman hias memiliki tingkat akurasi yang lebih baik dibandingkan dengan klasifikasi PNN. SVM dengan menggunakan kernel polynomial memiliki kinerja lebih baik daripada PNN dalam mengidentifikasi tumbuhan obat, dengan tingkat akurasi 73.57%. Dalam mengidentifikasi tanaman hias, SVM dengan menggunakan kernel RBF memiliki kinerja lebih baik daripada PNN, dengan tingkat akurasi 81.11%. Perbandingan hasil klasifikasi SVM dan PNN dalam mengidentifikasi tanaman hias lebih baik dari tumbuhan obat hal ini dikarenakan tanaman hias memiliki tekstur yang lebih komplek daripada tumbuhan obat.
5.2 Saran Untuk penelitian berikutnya hendaknya dilakukan perbaikan dalam pengambilan citra tumbuhan obat maupun tanaman hias dengan memperhatikan kualitas citra untuk meningkatkan akurasi.
43
DAFTAR PUSTAKA
Acharya T, Ray A. 2005. Image Processing Principles and Aplications. New Jersey : John Wiley & Sons Inc. Ahonen T, Pietikainen M. 2008. Soft Histogram for Local Binary Patterns. Oulu: Oulu University Press. [Bappenas] Badan Perencanaan Pembangunan Nasional. 2003. Indonesia Biodiversity and Action Plan 2003-2020. Jakarta: Bappenas. Duda RO, Stork DG, dan Hart PE . 2000. Pattern Classification . 2nd edition John Wiley & Sons, Inc., New York Fisher. Hsu,C-W dan Lin C. 2002. A Comparison of methods for multiclass support vector mechine, IEEE Transactions on Neural Networks 13(2): 415-425. Iakovidis DK, Keramidas EG, Maroulis D. 2008. Fuzzy Local Binary Patterns for Ultrasound Texture Charecterization. Di dalam: A. Campilho and M. Kamel, editor. Proceedings of the 5th Internasional Conference on Image Analisys and Recognition; Póvoa de Varzim, 25-27 Jun 2008. Heidelberg: Spinger. 750-759. Kerami J, Murfi H. 2004. Kajian Kemampuan Generalisasi Support Vector Mechine dalam Pengenalan Jenis Splice Sites pada Barisan DNA. Makara 8(3): 89-95. Kulsum LU. 2010. Identifikasi Tanaman Hias Secara Otomatis Menggunakan Metode Local Binary Patterns Descriptor dan Probabilistic Neural Network. [Skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Mäenpää Topi. 2003. The Local Binary Pattern Approach to Texture Analysis. Oulu : Oulu University Press. Nugroho IA. 2010. Lokakarya Tumbuhan Obat Indonesia[editorial]. Asia Pasific Forest Genetic Resource Programme 2: 1-2. Nugroho As, Witarto, Handoko.2003 Aplication of Support Vector Mechine in Bioinformatics. Proccedding of Indonesian Scientific Meeting in Central Japan; Giffu Japan. Nurafifah 2010. Penggabungan Ciri Morfologi, Tekstur, dan Bentuk untuk Identifikasi Daun Menggunakan Probabilistic Neural Network [Skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Intitut Pertanian Bogor.
44
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. Rustam Z, Kusumoputro B, dan Widjaya B. Pendekatan Jenis dan Kelas Aroma dengan Menggunakan Metode One Vs One dan Metode One Vs Rest. Makara 7(3): 15-25. Santoso B. 2007. Teknik Pemanfaatan Data untuk keperluan Bisnis.Yogyakarta: Graha Ilmu. Tan PN. 2005. Introduction to Data Mining. US: Addison Wesley. Thomas A.N.S. 1993. Tanaman Obat Tradisional. Yogyakarta : Kanisius. Valerina F 2012 . Perbandingan Local Binary Pattern dan Fuzzy Local Binary Pattern untuk Ekstraksi Citra Tumbuhan Obat dan Tanaman Hias [Skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Intitut Pertanian Bogor Vapnik V, Cortes C. 1995. Support-Vector Networks. http://www.springerlink.com/content/w08253ul7m3780v8/fulltext.pdf [3 Februari 2011]. Widyanto MR, Fatichah C. 2008. Studi Analisis Metode Support Vector Mechine dan Boosting untuk deteksi Objek Manusia. Jurnal Teknologi dan Manajemen Informatika 6 : Hal 161-170 Wu SG, et al. 2007. A Leaf Recognition Algorithm for Plant Using Probabilistic Neural Network. China : Chinese Academy Science.
45
47
Lampiran 1. Tiga puluh species citra tumbuhan obat Kelas Citra Tumbuhan Obat 1
Kelas Citra Tumbuhan Obat 6
Nama Latin : Acanthus ilicifolius L Nama Lokal : Daruju
Nama Latin : Pandanus amaryllifolius Roxb Nama Lokal : Pandan Wangi 2
7
Nama Latin : Centella asiatica, (Linn) Urban Nama Lokal : Pegagan
Nama Latin : Jatropha curcas Linn Nama Lokal : Jarak Pagar 3
8
Nama Latin : Clinacanthus nutans Lindau Nama Lokal : Dandang Gendis 4
Nama Latin : Centella asiatica, (Linn) Urban Nama Lokal : Andong 9
Nama Latin : Lavendula afficinalis Chaix Nama Lokal : Lavender 5
Nama Latin : Ocimum basilicum Nama Lokal : Kemangi 10
Nama Latin : Arcangelisiaflava L Nama Lokal : Akar Kuning
Nama Latin : Coleus scutellarioides, Linn,Benth Nama Lokal : Iler
48
Lampiran 1. Lanjutan Kelas Citra Tumbuhan Obat 11
Kelas Citra Tumbuhan Obat 16
Nama Latin : Clitoria ternatea
Nama Latin : Citrus aurantifolia, Swingle Nama Lokal : Jeruk Nipis 12
Nama Lokal : Bunga Telang 17
Nama Latin : Nothopanax scutellarium Mer Nama Lokal : Mangkokan
Nama Latin : Quisqualis Indica L Nama Lokal : Bidani 13
18
Nama Latin : Smilax china
Nama Latin : Talinum paniculatum (jacq.) Gaertn. Nama Lokal : Som Jawa
Nama Lokal : Gadung Cina 14
19
Nama Latin : Ficus deloidea Nama Lokal : Tabat Barito 15
Nama Latin : Urena lobata L Nama Lokal : Pungpulutan 20
Nama Latin : clinacanthus nurans Nama Lokal : Nandang gendis kuning
Nama Latin : Kalanchoe pinnata (Lam.)Pers Nama Lokal : Sosor Bebek
49
Lampiran 1. Lanjutan Kelas Citra Tumbuhan Obat 21
Kelas Citra Tumbuhan Obat 26
Nama Latin : Mesona palustris
Nama Latin : Rhoeo discolor (L.Her.) Hance Nama Lokal : Nanas kerang 22
Nama Lokal : Cincau Hitam 27
Nama Latin : Excoceria cochinchinensis Lour Nama Lokal : Sambang Darah
Nama Latin : Phyllanthus buxifolius Muell Nama Lokal : Seligi 23
28
Nama Latin : Excecaria bicolor Hassk Nama Lokal : Remak Daging 24
Nama Latin : Barleria lupulina Lindl Nama Lokal : Landik 29
Nama Latin : Orthosiphon aristatus (B1) Miq Nama Lokal : Kumis Kucing 25
Nama Latin : Psidium guajava L. Nama Lokal : Jambu Biji 30
Nama Latin : Murraya paniculata [L..] Jack Nama Lokal : Kemuning
Nama Latin : Graptophyllum pictum (L.) Griffith Nama Lokal : Handeuleum
50
Lampiran 2. Tiga puluh species citra tanaman hias Kelas Citra Tumbuhan Obat 1
Kelas Citra Tumbuhan Obat 6
Nama Latin : Dracena draco
Nama Latin : Aglaonema sp. (White Spots) Nama Lokal : Aglaonema atau sri rezeki
Nama Lokal : Pohon darah naga 2
7
Nama Latin : Anthurium sp. (Black Velvet) Nama Lokal : Kuping gajah 3
Nama Latin : Aglaonema sp. (Snow White Nama Lokal : sri rezeki 8
Nama Latin : Sansevieria goldenhahnii Nama Lokal : kaktus kodok 4
Nama Latin : Dendrobium sp. Nama Lokal : anggrek dendrobium 9
Nama Latin : Peperomia argyrei Nama Lokal : Peperomia 5
Nama Latin : Furcraea foetida Nama Lokal : Green aloe 10
Nama Latin : Aglaonema sp. (Silver Queen) Nama Lokal : sri rezeki
Nama Latin : Dendrobium sp. Nama Lokal : anggrek dendrobium
51
Lampiran 2. Lanjutan Kelas Citra Tumbuhan Obat 11
Kelas Citra Tumbuhan Obat 16
Nama Latin : Dendrobium sp. Nama Lokal : anggrek dendrobium 12
Nama Latin : Calanthe triplicata Nama Lokal : Anggrek batu 17
Nama Latin : Codiaeum varigatum Nama Lokal : Puring 13
Nama Latin : Bromelia kirkii Nama Lokal : Bromelia 18
Nama Latin : Philodendron bifinnatifidum Nama Lokal : Pohon cinta 14
Nama Latin : Begonia sp. Nama Lokal : Begonia 19
Nama Latin : Agave attenuata Nama Lokal : Siklok 15
Nama Latin : Begonia sp. Nama Lokal : Begonia 20
Nama Latin : Dendrobium chaopraya moonlight Nama Lokal : anggrek dendrobium
Nama Latin : Calathea rufibarba Nama Lokal : Maranta
52
Lampiran 2. Lanjutan Kelas Citra Tumbuhan Obat 21
Kelas Citra Tumbuhan Obat 26
Nama Latin : Asplenium nidus
Nama Latin : Hoya kerii varigata Nama Lokal : wax plant 22
Nama Lokal : kadaka 27
Nama Latin : Bromelia neoregelia Nama Lokal : Bromelia 23
Nama Latin : Marantha sp Nama Lokal : Marantha 28
Nama Latin : Sansevieria trifasciata Nama Lokal : Lidah mertua 24
Nama Latin : Scindapsus aureus Nama Lokal : Sirih Belanda 29
Nama Latin : Calathea sp.
Nama Latin : Cryptanthus bivittatus Nama Lokal : Nanas kuning
Nama Lokal : Maranta 25
30
Nama Latin : Anthurium crystallinum Nama Lokal : Kuping gajah
Nama Latin : Piper decumanum Nama Lokal : Sirih merah
53
Lampiran 3a. Antar Muka Sistem Perfect-Pro Ekstraksi Database Citra Tumbuhan Obat
Lampiran 3b. Antar Muka Sistem Perfect-Pro Hasil Identifikasi Citra Queri Tumbuhan Obat
54
Lampiran 4a. Antar Muka Sistem Perfect-Pro Ekstraksi Database Citra Tanaman Hias
Lampiran 4b. Antar Muka Sistem Perfect-Pro Hasil Identifikasi Citra Queri Tanaman Hias
