IDENTIFIKASI JENIS AGLAONEMA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK ADITYA DWI GUSADHA

1

IDENTIFIKASI JENIS AGLAONEMA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK

ADITYA DWI GUSADHA

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011

IDENTIFIKASI JENIS AGLAONEMA MENGGUNAKAN PROBABILISTIC NEURAL NETWORK

ADITYA DWI GUSADHA

Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011

3

ABSTRAK ADITYA DWI GUSADHA. Aglaonema Type Identification System Using Probabilistic Neural Network. Supervised by AZIZ KUSTIYO. Aglaonema is an ornamental plant that is quite popular in Indonesia. It is estimated that there are nearly 8000 species Aglaonema in the world both native and hybrid. The many types of Aglaonema in the world causes difficult in identifying some types of Aglaonema. This research attempts to identify the type of Aglaonema based on the image using Probabilistic Neural Network (PNN). The data used in this study have 900 images of leaves, which consists of 30 types of Aglaonema. Each image of Aglaonema that will be identified by the system will first be subjected to two stages, texture feature extraction and colour feature extraction. The texture feature extraction used Local Binary Pattern Variance (LBPV) and Co-occurrence Matrix while the colour feature extraction used Histogram-162 (HSV-162). We perform two type of experiment, one where we uses each feature seperately and another where the two features are combine. For classifier we used Probabilistic Neural Network (PNN). The results indicates that the combination of Co-occurrence Matrix with HSV-162 yield a better accuracy compact two when the feature are used seperately. On the other hand, the combination of Local Binnary Pattern Variance (LBPV) and HSV-162 does not yield an increase in accuracy, however the accuracy on this case is better than the accuracy of the combination between Co-occurrence Matrix and HSV-162. The highest accuracy is obtained in the case of the Local Binnary Pattern Variance (LBPV) and HSV-162 with the value of 55.56%. Keywords: Aglaonema, Probabilistic Neural Network, Co-occurrence Matrix, Local Binary Pattern Variance, Histogram-162.

Penguji : 1. Toto Haryanto, S.Kom., M.Si. 2. Dr. Ir. Agus Buono, M.Si., M.Kom.

Judul Skripsi Nama NRP Program Studi

: Identifikasi Jenis Aglaonema Menggunakan Probabilistic Neural Network : Aditya Dwi Gusadha : G64076010 : Ilmu Komputer

Menyetujui, Pembimbing

Aziz Kustiyo, S.Si., M.Kom. NIP. 19700719 199802 1001

Mengetahui, Ketua Departemen Ilmu Komputer

Dr. Ir. Sri Nurdiati, M.Sc. NIP. 19601126 198601 2 001

Tanggal Lulus :

RIWAYAT HIDUP

Penulis dilahirkan di Menggala pada tanggal 16 Agustus 1986 dari ayah Hermansyah Basyir dan ibu Djunartini. Penulis merupakan anak kedua dari empat bersaudara. Tahun 2004 penulis lulus dari Sekolah Menengah Umum Negeri 3 Bandar Lampung dan pada tahun yang sama, penulis diterima di Program Diploma 3 Teknik Informatika, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor melalui jalur REGULER. Pada tahun 2007 penulis melanjutkan pendidikan pada Program Studi Ilmu Komputer Penyelenggaraan Khusus Institut Pertanian Bogor. Selama mengikuti pendidikan Sekolah Menengah Umum, penulis aktif dalam Organisasi Siswa Intra Sekolah (OSIS). Penulis diberi kesempatan untuk memimpin bidang V (Kabid V) OSIS. Selain itu, penulis juga aktif dalam organisasi sepak bola sekolah dan menjadi ketua organisasi tersebut. Selama mengikuti perkuliahan di Program Studi Ilmu Komputer, penulis sempat bekerja di beberapa perusahaan, baik perusahaan swasta maupun instansi pemerintahan sebagai programmer.

PRAKATA

Puji dan syukur penulis panjatkan kepada ALLAH SWT atas rahmat dan hidayah-NYA sehingga karya ilmiah ini berhasil diselesaikan. Penelitian ini berjudul Identifikasi Jenis Aglaonema Menggunakan Probabilistic Neural Network. Penelitian ini dilaksanakan sejak bulan Maret 2011 sampai dengan bulan Agustus 2011. Terima kasih penulis ucapkan kepada berbagai pihak yang telah membantu penelitian dan penulisan karya ilmiah ini, antara lain kepada : 1. Kedua orang tua (Ayahanda dan Ibunda tercinta) di Lampung beserta keluarga atas segala kasih sayang dan perhatiannya. 2. Ibu Dr. Yeni Herdiyeni, S.Si., M.Kom yang telah membantu dan memberikan saran serta pengarahan. 3. Bapak Aziz Kustiyo, S.Si., M.Kom selaku dosen pembimbing yang telah memberikan bimbingan dan pengetahuan sehingga skripsi ini dapat diselesaikan. 4. Bapak Toto Haryanto, S.Kom., M.Si dan Bapak Dr. Ir. Agus Buono, M.Si., M.Kom selaku dosen penguji. 5. Bapak Ir. Kurniawan Budiarto, M.Sc selaku pakar tanaman hias Aglaonema yang telah membantu dan memberikan saran. 6. Adrini Putri, Bapak Drs. Radjiman Nataprawira dan Ibu Hj. Atty Nurhayati, B.Sc yang selalu memberikan motivasi. 7. Teman-teman seperjuangan Ekstensi Ilmu Komputer angkatan 2. 8. Semua dosen beserta staf karyawan Departemen Ilmu Komputer IPB.

Bogor, Desember 2011

Aditya Dwi Gusadha

vi

DAFTAR ISI Halaman DAFTAR GAMBAR ...................................................................................................................... vii DAFTAR TABEL ........................................................................................................................... vii DAFTAR LAMPIRAN ................................................................................................................... vii PENDAHULUAN............................................................................................................................. 1 Latar Belakang .............................................................................................................................. 1 Tujuan ........................................................................................................................................... 1 Ruang Lingkup ............................................................................................................................. 1 Manfaat ......................................................................................................................................... 2 TINJAUAN PUSTAKA.................................................................................................................... 2 Tekstur .......................................................................................................................................... 2 Local Binary Pattern (LBP).......................................................................................................... 2 Rotation Invariant ......................................................................................................................... 3 Uniform Pattern ............................................................................................................................ 3 Local Binary Pattern Variance (LBPV) ....................................................................................... 4 Co-occurrence Matrix................................................................................................................... 4 HSV-162 ....................................................................................................................................... 5 Probabilistic Neural Network ....................................................................................................... 5 Conventional Color Histogram (CCH) ......................................................................................... 6 Tanaman Aglaonema .................................................................................................................... 6 METODE PENELITIAN .................................................................................................................. 7 Preprocessing (praproses) ............................................................................................................ 7 Ekstraksi Tekstur dengan LBPV ................................................................................................... 7 Ekstraksi Tekstur dengan Co-occurrence Matrix ......................................................................... 8 Ekstraksi Warna dengan HSV-162 ............................................................................................... 9 Klasifikasi dengan Probabilistic Neural Network ........................................................................ 9 Perangkat Lunak dan Perangkat Keras ....................................................................................... 10 HASIL DAN PEMBAHASAN ....................................................................................................... 10 Preprocessing (praproses) .......................................................................................................... 10 A. Data Citra Daun ............................................................................................................. 10 B. Pembagian Data Latih dan Data Uji .............................................................................. 10 Ekstraksi Ciri .............................................................................................................................. 10 A. Ekstraksi Ciri Menggunakan Metode LBPV dan HSV-162 .......................................... 11 B. Ekstraksi Ciri Menggunakan Metode Co-occurrence Matrix dan HSV-162 ................. 12 Pengujian dengan Klasifikasi Probabilistic Neural Network (PNN) .......................................... 13 A. LBPV dengan HSV-162 ................................................................................................ 13 B. Co-occurrence Matrix dan HSV-162............................................................................. 14 Pengujian Sistem ........................................................................................................................ 15 Keterbatasan Sistem.................................................................................................................... 16 KESIMPULAN DAN SARAN ....................................................................................................... 17 Kesimpulan ................................................................................................................................. 17 Saran ........................................................................................................................................... 17 DAFTAR PUSTAKA ..................................................................................................................... 17 LAMPIRAN .................................................................................................................................... 19

vii

DAFTAR GAMBAR Halaman 1 Circular neighborhood delapan sampling points. .......................................................................... 2 2 Operasi pada Local Binary Pattern. ............................................................................................... 2 3 Ukuran circular neighborhood....................................................................................................... 3 4 Rotation invariant LBP. ................................................................................................................. 3 5 Tekstur uniform patterns. ............................................................................................................... 3 6 Pembangunan Co-occurrence Matrix............................................................................................ 5 7 Struktur probabilistic neural network. ........................................................................................... 5 8 Variasi tanaman Aglaonema........................................................................................................... 6 9 Metodologi penelitian. ................................................................................................................... 7 10 Ilustrasi pembagian blok matriks 3x3 pada citra. ......................................................................... 7 11 Ilustrasi pembagian blok matriks 5x5 pada citra. ......................................................................... 8 12 Ilustrasi pembagian blok matriks 7x7 pada citra. ......................................................................... 8 13 Arsitektur PNN pada penelitian. ................................................................................................ 10 14 Proses resize pada citra daun. ..................................................................................................... 10 15 Proses cropping pada citra daun. ................................................................................................ 10 16 Proses perubahan warna pada citra daun. ................................................................................... 11 17 Akurasi pada setiap operator LBPV. .......................................................................................... 11 18 Akurasi pada setiap operator LBPV dan HSV-162. ................................................................... 12 19 Akurasi pada Co-occurrence Matrix dan HSV-162. ................................................................. 13 20 Akurasi metode LBPV pada operator (16.1). ............................................................................. 13 21 Akurasi kombinasi antara metode LBPV (16.1) dan metode HSV-162. .................................... 14 22 Pengaruh fitur warna terhadap klasifikasi LBPV (16.1) dan HSV-162. .................................... 14 23 Akurasi kombinasi antara metode Co-occurrence Matrix dan HSV-162. ................................. 15

DAFTAR TABEL Halaman 1 Jenis tanaman Aglaonema. ............................................................................................................. 6 2 Operator descriptor. ....................................................................................................................... 7 3 Kombinasi operator LBPV dan HSV-162. ................................................................................... 12 4 Perbandingan jumlah data pada metode LBPV descriptor........................................................... 13 5 Perbandingan jumlah data pada metode HSV-162. ...................................................................... 14 6 Perbandingan jumlah data pada kombinasi metode LBPV (16.1) dan HSV-162. ........................ 14 7 Perbandingan jumlah data pada metode Co-occurrence Matrix. ................................................ 15 8 Perbandingan jumlah data pada kombinasi metode Co-occurrence Matrix dan HSV-162. ........ 15

DAFTAR LAMPIRAN Halaman 1 Jenis Aglaonema yang diidentifikasi. ........................................................................................... 20 2 Tampilan awal sistem. .................................................................................................................. 25 3 Tampilan hasil input data citra daun pada sistem. ........................................................................ 26 4 Tampilan proses croping citra daun pada sistem.......................................................................... 27 5 Tampilan proses identifikasi citra daun pada sistem. ................................................................... 28 6 Tampilan hasil identifikasi citra daun pada sistem (hasil identifikasi sesuai). ............................. 29 7 Tampilan prediksi jenis Aglaonema yang teridentifikasi pada sistem. ......................................... 30 8 Tampilan hasil identifikasi citra daun pada sistem (hasil identifikasi tidak sesuai). .................... 31 9 Tampilan prediksi jenis Aglaonema yang tidak teridentifikasi pada sistem. ................................ 32 10 Analisis data klasifikasi PNN per-kelas. .................................................................................... 33

1

PENDAHULUAN Latar Belakang Aglaonema atau disebut juga dengan Sri Rejeki merupakan tanaman hias yang cukup digemari di Indonesia. Tanaman Aglaonema disukai karena warna dan tekstur daunnya yang memiliki keunikan. Ciri dan karakterisik yang terdapat di daun merupakan keutamaan untuk membedakan antar jenis Aglaonema. Tanaman Aglaonema di dunia, diperkirakan memiliki hampir 8000 jenis Aglaonema baik dari spesies maupun hasil persilangan (cultivare). Banyaknya jenis Aglaonema baru dari hasil persilangan para Botanis menyebabkan pecinta Aglaonema maupun petani masih sulit untuk mengidentifikasi beberapa jenis Aglaonema. Oleh sebab itu, dibutuhkan suatu sistem yang dapat mengenali dan dapat mengidentifikasi jenis Aglaonema berdasarkan citra daunnya. Tanaman dapat diidentifikasi berdasarkan ciri morfologis, warna dan teksturnya. Kebapci et al. (2009) telah melakukan kombinasi ekstraksi ciri warna, bentuk dan tekstur untuk temu kembali citra pada tanaman hias menggunakan Gabor dan ScaleInvariant feature Transform (SIFT). Segmentasi citra dilakukan pada praproses data. Pada umumnya, proses segmentasi citra sulit dilakukan karena membutuhkan waktu yang lama dan usaha yang lebih untuk melakukannya. Untuk mengatasi permasalahan tersebut, digunakan metode Local Binary Pattern Variance (LBPV) dan metode Co-occurrence Matrix. Penelitian ini mencoba mengidentifikasi tanaman Aglaonema menggunakan citra daun pada bagian atas dengan menerapkan metode Local Binary Pattern Variance (LBPV) dan metode Co-occurrence Matrix untuk melakukan ekstraksi ciri teksturnya serta akan menerapkan metode HSV-162 untuk melakukan ekstraksi ciri warnanya. Dari ciriciri yang ada itulah, nantinya akan dilakukan kombinasi antara metode Local Binary Pattern Variance (LBPV) dan metode HSV162 serta kombinasi antara metode Cooccurrence Matrix dan metode HSV-162. Setelah itu, dilakukan klasifikasi terhadap hasil ekstraksi yang telah didapat sebelumnya dengan menggunakan metode Probabilistic Neural Network (PNN). Kombinasi ciri yang digunakan tersebut diharapkan dapat meningkatkan akurasi klasifikasi sehingga identifikasi yang dihasilkan lebih akurat.

Penelitian ini merujuk pada penelitian sebelumnya, yaitu penelitian yang dilakukan oleh Kulsum (2010) yang berjudul Identifikasi Tanaman Hias secara Otomatis Menggunakan Metode Local Binary Patterns descriptor dan Probabilistic Neural Network. Dalam penelitiannya, sistem mengidentifikasi tanaman hias secara otomatis dengan menggunakan metode Local Binary Patterns descriptor dan Probabilistic Neural Network (PNN) sebagai pengklasifikasinya. Namun pada penelitian ini, tanaman yang akan diidentifikasi lebih dikhususkan pada tanaman hias jenis Aglaonema. Tujuan Penelitian ini bertujuan mengidentifikasi jenis tanaman hias Aglaonema menggunakan Local Binary Pattern (LBP) descriptor, Cooccurrence Matrix, HSV-162 serta Probabilistic Neural Network (PNN) sebagai pengklasifikasiya pada citra daun. Ruang Lingkup 1.

2. 3. 4.

5. 6.

7.

Ruang lingkup dari penelitian ini, yaitu : Data yang digunakan berupa data citra yang diperoleh dari hasil pemotretan menggunakan kamera digital. Data yang diuji berupa data citra daun hanya pada bagian atas daun saja. Data citra daun yang diuji sebanyak 900 citra daun. Sistem ini baru mengenal 30 jenis Aglaonema, yaitu A.commutatum, A.fittatum, A.hokkerianum, A.rotundum, A.simplex, A.costatum, A.nitidum f.curtisii, A.b.j.freeman, A.crispum, A.cv.aloet, A.cv.butterfly, A.cv.chiang may, A.cv.chipoet, A.cv.chaow huang, A.cv.cosmos, A.cv.jubilee, A.cv.lady valentine, A.cv.pattaya beauty, A.cv.peacock, A.cv.silver bay, A.cv.silver king, A.cv.star, A.cv.star of india, A.cv.stripes, A.heng-heng, A.jubilee compacta, A.manila pride, A.manila whirl, A.pride of sumatera dan A.white rain. Setiap jenis Aglaonema terdiri atas 30 citra pada bagian atas daun saja. Hasil keluaran sistem berupa kesimpulan dari jenis Aglaonema yang diidentifikasi beserta hasil prediksi terhadap jenis Aglaonema yang teridentifikasi. Pengguna yang memakai sistem ini adalah para petani dan pecinta Aglaonema.

2

Manfaat Manfaat penelitian ini adalah untuk mengidentifikasi jenis Aglaonema yang nantinya diharapkan dapat membantu para petani dan pecinta tanaman Aglaonema yang mengalami kesulitan dalam mengidentifikasi jenis Aglaonema tersebut.

Nilai LBP dihasilkan dengan mengalikan nilai piksel yang telah melalui tahap pemotongan (threshold) dengan pembobotan biner sesuai posisi piksel ketetanggaan tersebut. Operasi dasar Local Binary Pattern (LBP) dapat dilihat pada Gambar 2.

TINJAUAN PUSTAKA Tekstur Tekstur merupakan suatu gambaran visual dari sebuah permukaan atau bahan. Dalam computer vision, tekstur dicirikan dengan variasi intensitas pada sebuah citra. Variasi intensitas dapat disebabkan oleh kekasaran atau perbedaan warna pada suatu permukaan. Tekstur juga merupakan suatu properti dari area. Properti-properti dari tekstur citra meliputi keseragaman, kepadatan, kekasaran, keberaturan, linearitas, keberarahan, dan frekuensi. Penampilan tekstur dipengaruhi oleh skala dan arah pandangan serta lingkungan dan kondisi pencahayaan (Mäenpää 2003). Local Binary Pattern (LBP) Local Binary Pattern (LBP) merupakan suatu metode untuk mendeskripsikan tekstur pada mode warna grayscale. LBP pertama kali diperkenalkan pada tahun 1996 oleh Timo Ojala. LBP digunakan untuk mencari polapola tekstur lokal pada citra (texture in local neighborhood) (Mäenpää 2003). LBP bekerja menggunakan delapan ketetanggaan yang tersebar secara melingkar (circular neighborhoods) dengan pusat piksel berada di tengah seperti ditunjukkan pada Gambar 1. Notasi g merupakan nilai gray level piksel ketetanggaan. Rataan seluruh piksel (piksel ketetanggaan dan piksel pusat) digunakan sebagai nilai ambang batas (threshold) untuk memotong setiap nilai piksel ketetanggaan.

Gambar 1 Circular neighborhood delapan sampling points.

Contoh

threshold

bobot

Gambar 2 Operasi pada Local Binary Pattern. Keterangan Gambar 2 : Nilai threshold : 5.667 Pola LBP : 11110001 Nilai LBP : 1 + 16 + 32 + 64 + 128 = 241 Pola-pola biner LBP merepesentasikan bermacam-macam pola tepi, titik, flat areas dan sebagainya. Nilai LBP menunjukkan kode Local Binary Pattern. LBP dapat diformulasikan sebagai berikut :  = 




.  ,  =   −  2

1  ≥ 0 0  < 0



dengan : xc : Koordinat pusat piksel ketetanggaan yc : Koordinat pusat piksel ketetanggaan p : Circular sampling points P : Banyaknya Sampling points gp : Nilai keabuan dari p µ : Nilai rata-rata piksel ketetanggaan dan piksel pusat s : Sign (kode biner) Selanjutnya kode-kode LBP direpresentasikan melalui histogram. Histogram menunjukkan frekuensi kejadian berbagai nilai LBP. Ukuran citra adalah NxM. Setelah mendapatkan nilai LBP pada setiap neighborhood (blok (i,j)), keseluruhan tekstur citra direpresentasikan dengan membentuk histogram.

3

+

)

!" =   #
. $, # , " , " ∈ [0, '] * *

1, #,  = , 0,

= -./0$110

Uniform Pattern

dengan : K : Nilai LBP terbesar Operator LBP mengalami perkembangan dengan dimodelkannya operator menggunakan berbagai ukuran sampling points dan radius. Beragamnya operator ini digunakan untuk membuat skala atau ukuran lokal tekstur yang berbeda-beda. Selanjutnya notasi (P.R) akan digunakan untuk piksel ketetanggaan dengan P merupakan sampling points yang melingkar dan R merupakan radius. Contoh circular neighborhood tiga operator dapat dilihat pada Gambar 3.

(8,1)

(16,2)

mempunyai P pola yang berbeda jika dirotasi searah jarum jam ataupun berlawanan arah jarum jam (Pietikäinen 2000).

Pola-pola LBP tertentu memiliki karakteristik utama dari suatu tekstur. Polapola yang memiliki informasi penting ini dinamakan “uniform patterns”. LBP dikatakan uniform jika struktur melingkar pola-pola binernya paling banyak terdiri atas dua transisi bit dari 0 ke 1 atau sebaliknya. Sebagai contoh 00000000 (0 transisi), 01110000 (2 transisi) dan 11001111 (2 transisi) merupakan uniform patterns, sedangkan 11001001 (4 transisi) dan 01010011 (6 transisi) bukan merupakan uniform patterns. Uniform patterns berfungsi mengidentifikasi noda (spot), flat area atau dark spot, sudut dan tepi. Hampir 90% dari tekstur merupakan uniform patterns (Ojala et al 2002). Penjelasan dari pola tekstur uniform patterns dapat dilihat pada Gambar 5.

(8,2)

Gambar 3 Ukuran circular neighborhood. Rotation Invariant Rotation invariant merupakan suatu cara agar pola-pola LBP tidak sensitif terhadap perubahan rotasi dikarenakan struktur piksel ketetanggaan LBP berbentuk melingkar. Circular neighborhood dengan LBP = 00001111 = 15 dapat dilihat pada Gambar 4.

Gambar 4 Rotation invariant LBP. Rotation invariant didefinisikan sebagai nilai minimum dari rotasi (ROR) P-bit biner yang dilakukan sebanyak i kali: 2*
, = min67879
, , $: ; $ = 0, 1, … ,  − 1 }

dengan : ri : rotation invariant Nilai dan pola-pola LBP pada Gambar 4 dapat berbeda-beda, tetapi memiliki struktur rotasi yang sama. Setiap pola LBP akan

Spot

Spot/flat Line end Edge

Corner

Gambar 5 Tekstur uniform patterns. Untuk mengidentifikasi uniform patterns digunakan fungsi sebagai berikut : >9
, : = |- − @ − - − @ | + ∑  |-9 − @ : − -9 − @ :|

dengan : U(LBPP,R) : uniform patterns dari P banyaknya sampling points dan radius R p : circular sampling points gp : nilai keabuan dari p gc : nilai keabuan rata-rata seluruh piksel neighborhood Rotation Invariant Uniform Patterns CDEGHIJ E,F )

Penggabungan antara uniform patterns dan 2*KL rotation invariant dilambangkan
, . Notasi ri menunjukkan rotation invariant dan u2 untuk uniform patterns pada sampling 2*KL points P dan radius R.
, merupakan ukuran ketidaksensitifan (invariant) terhadap 2*KL perubahan grayscale.
, merupakan ukuran yang digunakan untuk pola spasial. Jumlah pola yang dihasilkan uniform patterns adalah  − 1 + 2 bins. Ketika uniform patterns dirotasi sampai ke nilai minimum

4

yang dimilikinya, jumlah pola yang dihasilkan menjadi  + 1 bins. Rotation invariant uniform patterns diformulasikan sebagai berikut: 

2*KL
, =M

 -9 − @ : , 

 + 1 ,

$# >9
, : ≤ 2 -./0$110

dengan : p : circular sampling points gp : nilai keabuan dari p gc : nilai keabuan rata-rata seluruh piksel neighborhood U : Uniform Pattern Jika pola yang diidentifikasi termasuk uniform patterns, akan dihitung banyaknya bit satu pada pola tersebut yang menentukan letak bin uniform patterns berada. Jika P, banyaknya sampling points sama dengan 2*KL adalah nol sampai delapan, nilai
, dengan sembilan. Jika bukan uniform patterns akan masuk ke dalam bin terakhir, yaitu bin ke-sembilan yang merupakan single bin non uniform patterns (Mäenpää 2003). Rotation Invariant Variance Measure (VAR) VAR merupakan descriptor untuk mengukur lokal kontras tekstur pada suatu 2*KL citra.
, tidak mendefinisikan lokal kontras tekstur dalam perhitungannya. VAR tidak sensitif terhadap perubahan grayscale. VAR berhubungan dengan kondisi pencahayaan suatu citra. Untuk mengukur lokal kontras tekstur pada suatu citra digunakan rotation invariant local variance dengan formula sebagai berikut: 

OP7, =  

dimana :





μ=  







9g R − µ:

L

gR

dengan : p : circular sampling points gp : nilai keabuan dari p

: rata – rata sampling points circular neighborhood Hasil perhitungan VAR menghasilkan nilai continuous yang perlu dikuantisasi berdasarkan persebaran pola tekstur (Guo et al. 2009).

Local Binary Pattern Variance (LBPV) LBPV descriptor secara sederhana menggabungkan distribusi nilai LBP dan lokal kontras. Pada perhitungan LBP, histogram H LBP tidak meliputi informasi VARP,R. Variance berhubungan dengan fitur tekstur. Biasanya, frekuensi tekstur region yang tinggi akan mempunyai variance yang lebih tinggi dan variance tersebut lebih berkontribusi terhadap perbedaan tekstur suatu citra (Guo et al. 2009). Oleh sebab itu, variance VARP,R dapat digunakan sebagai bobot yang dapat beradaptasi untuk mengatur kontribusi nilai LBP pada perhitungan histogram. Histogram LBPV dihitung menggunakan fungsi sebagai berikut : +

)


O, " =   T9
, $, U , ":, " ∈ [0. '] * V

OP7, $, U ,
, $, U = " T9
, $, U , ": = , 0, -./0$110

dimana :

dengan : w : Bobot berupa nilai VARP,R K : Nilai LBP terbesar Co-occurrence Matrix

Co-occurrence Matrix menggunakan matriks derajat keabuan untuk mengambil contoh bagaimana suatu derajat keabuan tertentu terjadi dalam hubungannya dengan derajat keabuan yang lain. Matriks derajat keabuan merupakan sebuah matriks yang elemen-elemennya merupakan frekuensi relatif kejadian (occurrence) dari kombinasi level keabuan antar pasangan piksel dengan hubungan spasial tertentu (Osadebey 2006). Misalkan diketahui sebuah citra I(i, j), p(i, j) merupakan posisi dari operator dan A adalah sebuah matriks. Elemen A(i, j) menyatakan jumlah berapa kali titik tersebut terjadi dengan grey-level (intensitas) g(i) pada posisi tertentu menggunakan operator p, relatif terhadap titik dengan intensitas g(j). Matriks A merupakan co-occurrence matrix yang didefinisikan oleh p. Operator p didefinisikan dengan sebuah sudut Θ dan jarak d. Pembangunan Co-occurrence Matrix untuk citra I yang berukuran 4x5 piksel dan memiliki delapan level keabuan dapat dilihat pada Gambar 6. Posisi operator p didefinisikan dengan jarak d = 1 dan Θ = 00. Matriks A merepresentasikan jumlah titik yang memiliki intensitas g(i) terjadi pada

5

posisi yang didefinisikan oleh operator p, relatif tehadap titik dengan intensitas g(j) (Osadebey 2006). p

A 1 2 3 4 5 6 7 8

1 1 0 0 0 1 0 2 0

1 2 4 8

1 3 5 5

5 5 7 1

6 7 1 2

8 1 2 5

2 2 0 0 0 0 0 0 0

3 0 1 0 0 0 0 0 0

4 0 0 0 0 0 0 0 0

5 1 1 1 1 0 0 0 1

6 0 0 0 0 1 0 0 0

Kuantisasi warna dilakukan untuk mengurangi waktu komputasi dan menghemat tempat penyimpanan (Rodrigues & Araujo 2004). Probabilistic Neural Network

7 0 0 0 0 2 0 0 0

8 0 0 0 0 0 1 0 0

Gambar 6 Pembangunan Co-occurrence Matrix.

Probabilistic Neural Network (PNN) merupakan Artificial Neural Network (ANN) yang menggunakan teorema probabilitas klasik (pengklasifikasian Bayes). PNN diperkenalkan oleh Donald Specht pada tahun 1990. PNN menggunakan pelatihan (training) supervised. Training data pada probabilistic neural network sangat mudah dan cepat. Bobot bukan merupakan hasil training melainkan nilai yang dimasukkan (tersedia) (Wu et al. 2007). Struktur PNN terdiri dari empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan dan lapisan keputusan (keluaran). Struktur pada PNN dapat dilihat pada Gambar 7.

Ketarangan : • Pasangan nilai derajat keabuan yg konkuren bernilai 1 pada matrix p sebanyak 1 buah, maka petakan pada cooccurrence matrix A di baris dan kolom (1,1) dengan nilai 1. • Pasangan nilai derajat keabuan yg konkuren bernilai 1 diikuti 2 pada matrix p sebanyak 2 buah, maka petakan pada cooccurrence matrix A di baris dan kolom (1,2) dengan nilai 2. Lalu lakukan hal yang sama pada konkuren nilai yg lain. Menurut Osadebey (2006), representasi Co-occurrence Matrix dapat digunakan untuk menghitung energy, moment, entropy, maximum probability, contrast dan correlation. Menurut Rodrigues dan Araujo (2004), informasi tekstur dari suatu citra dapat direpresentasikan menggunakan maximum probability, moment, variance, contrast dan entropy. Sementara itu, menurut Haralick dan Shapiro (1992), informasi tekstur dapat direpresentasikan dengan contrast, correlation, energy dan homogeneity. HSV-162 Hue, Saturation, Value (HSV) merupakan suatu ruang warna yang komponennya berkontribusi langsung pada persepsi visual. Hue digunakan untuk membedakan warna misalnya merah, hijau, dan biru serta untuk menentukan tingkat kemerahan, kehijauan, dan seterusnya dari sebuah cahaya. Saturation merupakan persentase cahaya putih yang ditambahkan ke cahaya murni. Sementara itu, value merupakan intensitas cahaya yang dirasakan (Rodrigues & Araujo 2004).

Gambar 7 Struktur probabilistic neural network.

Lapisan masukan (W) terdiri atas k nilai ciri yang akan diklasifikasikan pada n kelas. Beberapa proses yang terjadi setelah lapisan masukan, yaitu : 1. Lapisan pola (pattern layer), digunakan 1 node pola untuk setiap data pelatihan yang digunakan. Setiap node pola, merupakan perkalian titik (dot product) dari vektor masukan W dengan vektor bobot ZZZZZW X,Y , [* = W.  ZZZZZZW . . Bobot  Z merupakan nilai data ZZZZZW X,Y X,Y latih ke-i pada kelas ke-j. Nilai [* kemudian dibagi dengan bias tertentu σ dan selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu : radbas(n)=exp(-1L )

6

f (x) = exp \−

`

La b

dengan :

L

c

ZZZW ] ZZZW ] ZZZZZZW ZZZZZZW 9] ^,_ : 9] ^,_ :

n : Banyaknya kelas 2. Lapisan penjumlahan (summation layer), menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Persamaan yang digunakan, yaitu :

d =

1

m

 exp−

f 2e L g f h *

putih, biru, hijau muda, hijau tua, merah muda, merah hingga kuning. Bentuk dan ukuran daunnya bermacam-macam tergantung dari jenisnya. Permukaan daun rata, licin dan tidak berbulu serta memiliki tepi daun rata (Leman 2004). Variasi tanaman Aglaonema dapat dilihat pada Gambar 8.

 − *V l  − *V L 2g L

dengan k merupakan dimensi vektor ciri, σ merupakan bias dan t merupakan jumlah data latih pada kelas tertentu. keluaran (output layer), 3. Lapisan menghasilkan keputusan input W masuk ke dalam suatu kelas. Input W akan masuk kelas Y jika nilai Py(x) paling besar dibandingkan dengan kelas yang lainnya. Conventional Color Histogram (CCH) Histogram warna menyatakan frekuensi atau peluang keberadaan setiap warna dalam sebuah citra. Banyaknya nilai warna (bin) dapat ditetapkan sesuai kebutuhan pembuatan histogram. Histogram warna dinyatakan sebagai berikut : 1 ℎ* =  *|V o +

V

dimana : 1, jika piksel ke-j dikuantisasi ke bin-i Pi|j = 0, selainnya dengan: N : banyaknya bin P : matrix kuantisasi Histogram warna seperti ini disebut Conventional Color Histogram (Han & Ma 2002). Tanaman Aglaonema

Tanaman Aglaonema merupakan salah satu jenis tanaman hias daun yang memiliki keindahan pada bentuk dan warna daunnya (Leman 2004). Tanaman Aglaonema disukai karena warna dan tekstur daunnya yang memiliki keunikan. Aglaonema secara umum terbagi dua, yaitu Aglaonema spesies dan Aglaonema hibrida. Aglaonema spesies umumnya memiliki warna kehijau-hijauan dengan corak hijau kehitaman, sedangkan Aglaonema hibrida (persilangan) umumnya memiliki warna daun lebih bervariasi, seperti

Gambar 8 Variasi tanaman Aglaonema. Tanaman Aglaonema di dunia, diperkirakan memiliki hampir 8000 jenis Aglaonema baik dari spesies maupun hasil persilangan (cultivare). Beberapa nama jenis tanaman Aglaonema dapat dilihat pada Tabel 1. Tabel 1 Jenis tanaman Aglaonema. No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

Jenis Aglaonema A.commutatum A.fittatum A.hokkerianum A.rotundum A.simplex A.costatum A.nitidum f.curtisii A.b.j.freeman A.crispum A.cv.aloet A.cv.butterfly A.cv.chiang may A.cv.chipoet A.cv.chaow huang A.cv.cosmos A.cv.jubilee A.cv.lady valentine A.cv.pattaya beauty A.cv.peacock A.cv.silver bay A.cv.silver king A.cv.star A.cv.star of india

Tipe Spesies Spesies Spesies Spesies Spesies Spesies Spesies Spesies Spesies Hibrida Hibrida Hibrida Hibrida Hibrida Hibrida Hibrida Hibrida Hibrida Hibrida Hibrida Hibrida Hibrida Hibrida

7

lanjutan.

Preprocessing (praproses)

No 24 25 26

Jenis Aglaonema A.cv.stripes A.heng-heng A.jubilee compacta

Tipe Hibrida Spesies Spesies

27

A.manila pride

Spesies

28

A.manila whirl

Spesies

29

A.pride of sumatera

Spesies

Data penelitian yang digunakan diperoleh dari Balai Penelitian Tanaman Hias (BALITHI) di Segunung, Cipanas. Data yang diperoleh terdiri atas 30 jenis Aglaonema. Masing-masing jenis terdiri atas 30 citra daun. Proses pengambilan citra daun dilakukan dengan menambahkan background berupa karton agar noise yang terdapat pada citra dapat diminimalisasi.

30

A.white rain

Spesies

Ekstraksi Tekstur dengan LBPV

Tanaman hias ini memiliki habitat di bawah hutan hujan tropis, dapat tumbuh dengan baik di daerah yang memiliki intensitas cahaya rendah dan kelembaban tinggi sesuai dengan kontur wilayah Indonesia. Penyebaran utama tanaman ini di Asia Tenggara, meliputi Filipina, Indonesia, Malaysia, Thailand, Laos, Vietnam, Brunai Darussalam, dan Myanmar. Tanaman ini kemudian menyebar ke Cina, Florida, dan Amerika.

Pada tahap ini dilakukan proses mengekstraksi fitur tekstur menggunakan metode Local Binary Pattern Variance (LBPV) descriptor. Metode LBPV descriptor yang dipakai akan menggunakan lima operator, yaitu (8.1), (8.2), (16.1), (16.2) dan (24.3). Hal ini dilakukan agar ditemukan operator yang sesuai dan memiliki hasil ekstraksi yang terbaik. Operator descriptor pada metode LBPV descriptor dapat dilihat pada Tabel 2. Tabel 2 Operator descriptor.

METODE PENELITIAN Penelitian ini dilakukan dalam beberapa tahap. Tahap-tahap tersebut dapat dilihat pada Gambar 9.

Operator (P, R) (8.1)

Ukuran blok (piksel) 3x3

Kuantisasi sudut 45 derajat

(8.2)

5x5

45 derajat

(16.1)

3x3

22.5 derajat

(16.2)

5x5

22.5 derajat

(24.3)

7x7

15 derajat

Penentuan ukuran blok dan kuantisasi sudut untuk satu local region dapat diperoleh dengan menggunakan fungsi sebagai berikut : • blok = (R x 2) + 1 • kuantisasi sudut = 2π / P dengan : R : radius LBP P : sampling point Ilustrasi pembagian citra ke dalam ukuran blok matriks 3x3 piksel dapat dilihat pada Gambar 10.

Gambar 9 Metodologi penelitian.

Gambar 10 Ilustrasi pembagian blok matriks 3x3 pada citra.

8

Ilustrasi pembagian citra ke dalam ukuran blok matriks 5x5 piksel dapat dilihat pada Gambar 11.

Ekstraksi tekstur menggunakan LBPV juga diolah menggunakan lima operator, yaitu (8.1), (8.2), (16.1), (16.2) dan (24.3). Penggunaan operator descriptor dimaksudkan untuk mencari hasil yang terbaik. Operator yang memiliki hasil terbaik yang akan digunakan sebagai operator LBPV pada penelitian ini. Ekstraksi Tekstur dengan Co-occurrence Matrix

Gambar 11 Ilustrasi pembagian blok matriks 5x5 pada citra. Ilustrasi pembagian citra ke dalam ukuran blok matriks 7x7 piksel dapat dilihat pada Gambar 12.

Pada tahap ini dilakukan proses ekstraksi fitur tekstur menggunakan metode Cooccurrence Matrix. Informasi tekstur akan direpresentasikan dengan menggunakan beberapa fitur, yaitu energy, moment, entropy, maximum probability, contrast, correlation dan homogeneity. Berikut ini adalah fungsi dari ketujuh fitur tersebut : .1.p =  $, U L *,V

$1q.p-. rsr.1h = 

Gambar 12 Ilustrasi pembagian blok matriks 7x7 pada citra. Proses ekstraksi fitur tekstur akan dilakukan pada setiap blok. Hal ini dimaksudkan agar diperoleh formula yang terbaik. Antara blok yang satu dengan blok yang lainnya akan mengalami overlapping dengan jarak satu piksel. Masing-masing blok akan diekstraksi menggunakan metode Local Binnary Pattern Variance (LBPV) descriptor. Ekstraksi tekstur menggunakan LBPV descriptor memanfaatkan keseluruhan hasil nilai-nilai local region (blok) metode 2*KL
, descriptor dan hasil nilai-nilai local (blok) metode VAR descriptor. Ekstraksi dilakukan dengan menggabungkan nilai 2*KL
, dan VAR. Setiap nilai local region 2*KL yang ada di
, descriptor merujuk pada nilai local region VAR descriptor pada posisi local region yang sama. Sampling points dan radius (operator) yang digunakan 2*KL
, descriptor dan VAR descriptor harus sama. Hal ini dikarenakan LBPV descriptor bekerja dengan mencocokkan posisi local region. Hasil dari kombinasi local region 2*KL
, descriptor dengan VAR descriptor menghasilkan vektor frekuensi nilai LBPV descriptor yang direpresentasikan melalui histogram. Pembentukan histogram LBPV 2*KL . Histogram descriptor sama seperti
, LBPV descriptor memiliki P + 2 bin dengan P banyaknya sampling points yang digunakan.

*,V *tV

$, U L |$ − U|

.1hpsd = −  $, U /s$, U *,V

r0$rur dpsv0v$/$h = r0$, U s1hp0-h =  |$ − U|L $, U *,V

spp./0h$s1 =  *,V

$ − * U − V $, U g* gV

ℎsrs.1.$h =  *,V

$, U 1 + |$ − U|

dengan : $, U : elemen baris ke-i, kolom ke-j dari co-occurrence matrix yang telah dinormalisasi. : nilai rata-rata baris ke-i * V : nilai rata-rata kolom ke-j pada matriks P g* : standard deviasi baris ke-i gV : standard deviasi kolom ke-j pada

matriks P Langkah awal yang dilakukan untuk mendapatkan informasi tekstur dari sebuah citra yaitu dengan menentukan Co-occurrence Matrix. Co-occurrence Matrix dihitung dalam empat arah, yaitu : 00, 450, 900 dan 1350. Jadi, untuk setiap citra akan dihasilkan empat Cooccurrence Matrix. Setelah itu, nilai energy, moment, entropy, maximum probability, contrast, correlation dan homogeneity dihitung untuk setiap Co-occurrence Matrix,

9

sehingga untuk setiap fitur akan diperoleh empat nilai, masing-masing untuk arah 00, 450, 900 dan 1350. Nilai dari setiap fitur diperoleh dengan menghitung rata-rata keempat nilai fitur yang bersangkutan. Hal ini dilakukan agar informasi tekstur yang diperoleh tidak peka terhadap rotasi (rotationinvariant). Informasi tekstur untuk setiap citra akan direpresentasikan dengan sebuah vektor yang memiliki tujuh elemen. Nilai akhir dari informasi tekstur diperoleh dengan melakukan normalisasi terhadap vektor dari masingmasing citra. Ekstraksi Warna dengan HSV-162 Pada tahap ini, akan dilakukan proses mengekstraksi fitur warna dengan menentukan histogram warna menggunakan Conventional Color Histogram (CCH). Pada langkah awal pemrosesan citra, citra RGB akan diubah menjadi citra HSV. Transformasi citra RGB menjadi citra HSV diperoleh dengan menggunakan fungsi di bawah ini :

dengan : - (r, g, b) : warna-warna pada ruang warna RGB menurut Gonzalez (2004). - r : warna dasar merah (red) - g : warna dasar hijau (green) - b : warna dasar biru (blue) - (h, s, v) : warna-warna pada ruang warna HSV menurut Gonzalez (2004). - h : nilai hue - s : nilai saturation - v : nilai value Setelah citra diubah menjadi HSV, langkah selanjutnya adalah melakukan kuantisasi warna. Kuantisasi warna dapat mengeliminasi komponen warna yang dapat dianggap sebagai noise. Pada penelitian ini, kuantisasi warna yang digunakan adalah Histogram-162 (HSV-162). Pada HSV-162, hue dikuantisasi menjadi 18 bin, saturation

dikuantisasi menjadi 3 bin, sedangkan value dikuantisasi menjadi 3 bin, sehingga akan didapatkan kombinasi sebanyak 18 x 3 x 3 = 162. Hue dikuantisasi menjadi 18 bin dikarenakan sistem visual yang dimiliki oleh manusia lebih sensitif terhadap hue dibandingkan dengan saturation dan value. Setiap citra akan direpresentasikan dengan sebuah vektor yang memiliki elemen sebanyak 162 buah. Nilai elemen vektor menyatakan jumlah piksel citra yang masuk ke dalam bin yang sesuai. Dengan kata lain, vektor dari citra merepresentasikan histogram warna dari citra tersebut. Setelah histogram citra selesai dihitung, langkah selanjutnya adalah melakukan normalisasi terhadap vektor pada masing-masing citra. Klasifikasi dengan Probabilistic Neural Network Pada tahap ini, model Probabilistic Neural Network (PNN) digunakan sebagai pengklasifikasinya. Sebelum melakukan klasifikasi, terlebih dahulu dilakukan proses ekstraksi pada setiap citra daun. Hasil dari proses ekstraksi citra daun, diperoleh masing-masing 900 vektor ciri citra untuk setiap metode ekstraksi. Setelah itu, vektor ciri tersebut dikombinasikan berdasarkan fiturnya, yaitu fitur tekstur dan fitur warna. Hasil dari penggabungan tersebut akan diklasifikasikan dengan menggunakan metode PNN. Klasifikasi dibagi dengan 70% sebagai data latih dan 30% sebagai data uji. Setelah itu, dilakukan proses training. Hasil dari training diperoleh suatu model klasifikasi. Model klasifikasi yang diperoleh akan digunakan untuk mengklasifikasikan data query citra daun yang ingin diketahui jenis tanaman Aglaonemanya. Arsitektur klasifikasi PNN pada penelitian ini menggunakan inputan bin atau penciri dari metode ekstraksi yang digunakan. Adapun contoh Arsitekstur PNN pada penelitian ini dapat dilihat pada Gambar 13.

10

daun yang akan diidentifikasi. Proses croping yang dilakukan tidak hanya mengambil objek daunnya saja, namun mengambil objek daun dalam bentuk frame persegi. Proses cropping citra daun dapat dilihat pada Gambar 15.

Gambar 13 Arsitektur PNN pada penelitian.

Gambar 15 Proses cropping pada citra daun.

Perangkat Lunak dan Perangkat Keras

A. Data Citra Daun

Perangkat lunak yang digunakan dalam penelitian ini adalah Windows 7 SP 1 dan Matlab 7.0.1. Perangkat keras yang digunakan dalam penelitian ini adalah PC (Personal Computer) dengan prosesor AMD Phenom X3 3.5 Ghz, memori 4 GB dan harddisk 3,5 TB.

Pada penelitian ini, data citra daun yang akan digunakan terdiri atas 900 citra daun dari tanaman Aglaonema. Data yang diperoleh terdiri atas 30 jenis Aglaonema, dimana setiap jenis Aglaonema didapatkan sebanyak 30 data citra daun. Ketigapuluh jenis Aglaonema yang akan diidentifikasi oleh sistem dapat dilihat di Lampiran 1.

HASIL DAN PEMBAHASAN Preprocessing (praproses) Pada tahap awal praproses, citra daun berbentuk RGB yang diambil pada resolusi 5 Mpx (Megapixel) diperkecil ukurannya (resize) dengan persentase 10%-15%. Proses resize citra dapat dilihat pada Gambar 14.

B. Pembagian Data Latih dan Data Uji Seluruh data hasil ekstraksi dibagi menjadi data latih dan data uji. Data latih digunakan sebagai input pelatihan menggunakan PNN, sedangkan data uji digunakan sebagai model hasil pelatihan menggunakan PNN. Persentase data latih dan data uji yang digunakan pada penelitian ini adalah 70% untuk data latih dan 30% untuk data uji. Keseluruhan data yang digunakan untuk pengujian citra daun sebanyak 900 data citra daun Aglaonema, dimana untuk data latih digunakan sebanyak 630 data dan data uji digunakan sebanyak 270 data. Pemilihan data uji dilakukan dengan mengambil 9 data citra daun pada setiap kelas, sedangkan data latih diambil sebanyak 21 data citra daun pada setiap kelas. Ekstraksi Ciri

Gambar 14 Proses resize pada citra daun. Setelah citra daun diperkecil ukurannya, maka langkah selanjutnya adalah melakukan proses cropping secara manual. Hal tersebut dimaksudkan agar fokus terhadap objek citra

Ekstraksi ciri merupakan tahapan untuk mengambil ciri-ciri yang ada pada suatu citra. Setelah data citra telah diekstraksi kemudian dilakukan proses klasifikasi berdasarkan hasil ekstraksi. Pada penelitian ini, proses ekstraksi ciri dilakukan dengan melakukan beberapa kombinasi metode, yaitu kombinasi antara metode Local Binary Pattern Variance (LBPV) dan metode HSV-162, dan kombinasi

11

antara metode Co-occurrence Matrix dan metode HSV-162. Kombinasi ini dilakukan agar menambah informasi penciri citra sehingga nantinya diharapkan dapat meningkatkan akurasi pengujian. Ekstraksi fitur tekstur didahului dengan merubah citra ke dalam mode warna grayscale. Mode warna grayscale merupakan representasi intesitas warna keabuan dari suatu citra. Untuk citra daun yang akan diekstraksi dengan menggunakan fitur warna tidak akan dilakukan proses grayscale. Proses perubahan warna citra daun dapat dilihat pada Gambar 16.

memiliki kuantisasi sudut sebesar 22.5 derajat dengan ukuran blok matriks sebesar 5x5 piksel dan operator (24.3) memiliki kuantisasi sudut sebesar 15 derajat dengan ukuran blok matriks sebesar 7x7 piksel. Sebelum memilih operator Local Binary Pattern Variance (LBPV) yang akan digunakan, setiap operator pada Local Binary Pattern Variance (LBPV) harus dilakukan perhitungan terlebih dahulu untuk mencari nilai akurasi yang terbaik dengan menggunakan Probabilistic Neural Network (PNN). Adapun operator dari Local Binary Pattern Variance (LBPV), yaitu operator (8.1), operator (8.2), operator (16.1), operator (16.2) dan operator (24.3). Hasil perhitungan operatror Local Binary Pattern Variance (LBPV) dapat dilihat pada Gambar 17.

Gambar 16 Proses perubahan warna pada citra daun. A. Ekstraksi Ciri Menggunakan Metode LBPV dan HSV-162 Citra daun Aglaonema yang telah mengalami praproses (proses resize, proses perubahan warna ke dalam bentuk grayscale dan proses cropping) kemudian akan dilakukan proses ekstraksi ciri tekstur dan proses ekstraksi ciri warna pada citra daun tersebut. Proses ekstraksi ciri tekstur pada citra daun akan menggunakan metode Local Binary Pattern Variance (LBPV) yang nantinya akan menghasilkan suatu vektor ciri. Vektor ciri itulah yang nantinya akan digunakan sebagai suatu input classifier. Metode Local Binary Pattern Variance (LBPV) descriptor yang dipakai akan menggunakan lima operator, yaitu (8.1), (8.2), (16.1), (16.2) dan (24.3). Hal ini dilakukan agar ditemukan operator yang sesuai dan memiliki hasil ekstraksi yang terbaik. Operator (8.1) memiliki kuantisasi sudut sebesar 45 derajat dengan ukuran blok matriks sebesar 3x3 piksel, operator (8.2) memiliki kuantisasi sudut sebesar 45 derajat dengan ukuran blok matriks sebesar 5x5 piksel, operator (16.1) memiliki kuantisasi sudut sebesar 22.5 derajat dengan ukuran blok matriks sebesar 3x3 piksel, operator (16.2)

Gambar 17 Akurasi pada setiap operator LBPV. Dari Gambar 17, dapat dilihat bahwa akurasi pada operator (8.1) sebesar 46.3%, akurasi pada operator (8.2) sebesar 50.37%, akurasi pada operator (16.1) sebesar 55.56%, akurasi pada operator (16.2) sebesar 52.22% dan akurasi pada operator (24.3) sebesar 47.41%. Sehingga dapat dikatakan bahwa akurasi tertinggi terletak pada operator (16.1) yaitu sebesar 55.56%, sedangkan akurasi terendah terletak pada operator (8.1) yaitu sebesar 46.3%. Dapat disimpulkan bahwa operator Local Binary Pattern Variance (LBPV) yang terbaik untuk klasifikasi citra menggunakan Probabilistic Neural Network (PNN) terletak pada operator (16.1) karena operator (16.1) memiliki kuantisasi sudut sebesar 22.5 derajat dengan ukuran blok matriksnya sebesar 3x3 pixel. Penggunaan radius blok matriks 3x3 pixel pada operator (16.1) mampu menghasilkan akurasi terbaik. Proses ekstraksi ciri warna pada citra daun dilakukan dengan menggunakan metode HSV-162. Hasil dari ekstraksi ciri warna tersebut nantinya akan menghasilkan suatu vektor ciri. Vektor ciri itulah yang nantinya akan digunakan sebagai suatu input classifier.

12

Kedua vektor ciri (tekstur dan warna) hasil ekstraksi disatukan kemudian akan menghasilkan suatu vektor ciri baru yang merupakan suatu kombinasi antara penciri tekstur dan penciri warna. Adapun kombinasi setiap operator Local Binary Pattern Variance (LBPV) dan HSV-162 dapat dilihat pada Tabel 3. Tabel 3 Kombinasi operator LBPV dan HSV162.

(8.1)

Ukuran blok (piksel) 3x3

10

172

(8.2)

5x5

10

172

(16.1)

3x3

18

180

(16.2)

5x5

18

180

(24.3)

7x7

26

188

Operator (P.R)

Bin

Bin kombinasi

Pada metode Local Binary Pattern Variance (LBPV) operator (8.1) dan (8.2) menghasilkan 10 bin, sedangkan metode HSV-162 menghasilkan 162 bin sehingga hasil kombinasi dari keduanya menghasilkan 172 bin. Pada metode Local Binary Pattern Variance (LBPV) operator (16.1) dan (16.2) menghasilkan 18 bin, sedangkan metode HSV-162 menghasilkan 162 bin sehingga hasil kombinasi dari keduanya menghasilkan 180 bin. Pada metode Local Binary Pattern Variance (LBPV) operator (24.3) menghasilkan 26 bin, sedangkan metode HSV-162 menghasilkan 162 bin sehingga hasil kombinasi dari keduanya menghasilkan 188 bin. Penghitungan pada setiap operator Local Binary Pattern Variance (LBPV) dengan HSV-162 dapat dilihat pada Gambar 18.

Gambar 18 Akurasi pada setiap operator LBPV dan HSV-162. Dari Gambar 18, dapat dilihat bahwa hasil akurasi pada kombinasi antara operator (8.1) dan metode HSV-162 sebesar 46.3%, hasil akurasi kombinasi antara operator (8.2) dan metode HSV-162 sebesar 50.37%, hasil akurasi pada kombinasi antara operator (16.1) dan metode HSV-162 sebesar 55.56%, hasil akurasi pada kombinasi antara operator (16.2) dan metode HSV-162 sebesar 52.22% dan hasil akurasi pada kombinasi antara operator (24.3) dan metode HSV-162 sebesar 47.41%. Akurasi tertinggi terletak pada kombinasi antara operator (16.1) dan metode HSV-162 yaitu sebesar 55.56%, sedangkan akurasi terendah terletak pada kombinasi antara operator (8.1) dan metode HSV-162 yaitu sebesar 46.3%. Penggabungan antara operator Local Binary Pattern Variance (LBPV) dan metode HSV-162 tidak menghasilkan akurasi yang lebih baik dari akurasi terhadap operator Local Binary Pattern Variance (LBPV), namun cenderung menghasilkan akurasi yang sama. Hal ini dikarenakan fitur warna kurang membawa pengaruh yang significant (berarti) terhadap penambahan hasil akurasi karena background yang digunakan pada pengambilan citra daun menggunakan warna merah sehingga noise pada citra daun hanya mengalami sedikit penurunan. B. Ekstraksi Ciri Menggunakan Metode Co-occurrence Matrix dan HSV-162 Co-occurrence matrix merupakan suatu metode ekstraksi ciri yang berbasis tekstur. Metode Co-occurrence Matrix yang digunakan hanya memiliki 7 vektor ciri tekstur, sedangkan metode HSV-162 memiliki 162 vektor ciri warna sehingga jika vektor ciri dikombinasikan antara metode Cooccurrence Matrix dan metode HSV-162, maka akan menghasilkan sebanyak 169 vektor ciri.

13

Sebelum dilakukan penggabungan antara metode Co-occurrence Matrix dan metode HSV-162, terlebih dahulu dilakukan percobaan masing-masing penciri, yaitu Cooccurrence Matrix dan HSV-162. Hal ini dimaksudkan untuk melihat perbedaan hasil akurasi sebelum penggabungan metode dan sesudah penggabungan metode. Hasil penghitungan masing-masing penciri dengan penggabungan metode dapat dilihat pada Gambar 19.

270 citra daun dengan pembagian data tiap kelasnya sebanyak 9 citra daun.

uji

A. LBPV dengan HSV-162 Klasifikasi ciri tekstur dengan LBPV menggunakan nilai bias sebesar 0.005 pada operator (8.1), nilai bias sebesar 0.02 pada operator (8.2), nilai bias sebesar 0.02 pada operator (16.1), nilai bias sebesar 0.01 pada operator (16.2) dan nilai bias sebesar 0.01 pada operator (24.3). Perbandingan jumlah data yang benar dan data yang salah pada metode LBPV descriptor terhadap klasifikasi Probabilistic Neural Network (PNN) dapat dilihat pada Tabel 4. Tabel 4 Perbandingan jumlah data pada metode LBPV descriptor.

Gambar 19 Akurasi pada Co-occurrence Matrix dan HSV-162. Dari Gambar 19, dapat dilihat bahwa hasil akurasi pada metode Co-occurrence Matrix sebesar 24.07%, hasil akurasi pada metode HSV-162 sebesar 43.7% dan hasil akurasi pada penggabungan metode Co-occurrence Matrix dengan metode HSV-162 sebesar 54.44%. Sehingga dapat dikatakan bahwa, terdapat peningkatan hasil akurasi sebesar 10.7% antara penggabungan metode Cooccurrence Matrix dengan metode HSV-162 terhadap hasil akurasi pada metode HSV-162 dan terdapat peningkatan hasil akurasi pula sebesar 30.33% antara penggabungan metode Co-occurrence Matrix dan metode HSV-162 terhadap hasil akurasi pada metode Cooccurrence Matrix. Oleh karena itu, hasil akurasi pada metode Co-occurrence Matrix terhadap gabungan metode antara Cooccurrence Matrix dan HSV-162 mengalami peningkatan jauh lebih besar jika dibandingkan dengan hasil akurasi pada metode HSV-162 terhadap gabungan metode antara Co-occurrence Matrix dan HSV-162.

Descriptor (P.R) (8.1) (8.2) (16.1) (16.2) (24.3)

Data benar 125 136 150 141 127

Data salah 145 134 120 129 143

Total data 270 270 270 270 270

Dari tabel 4, dapat dilihat bahwa metode Local Binary Pattern Variance (LBPV) untuk operator (16.1) memiliki jumlah data yang benar sebanyak 150 data citra daun sehingga dapat dikatakan bahwa hasil akurasi pada metode Local Binary Pattern Variance (LBPV) untuk operator (16.1) terhadap klasifikasi Probabilistic Neural Network (PNN) sebesar 55.56%. Hasil penghitungan terhadap metode Local Binary Pattern Variance (LBPV) untuk operator (16.1) dapat dilihat pada Gambar 20.

Pengujian dengan Klasifikasi Probabilistic Neural Network (PNN) Pengujian dilakukan dengan mengklasifikasikan hasil ekstraksi ciri gabungan. Setiap hasil ekstraksi ciri diklasifikasikan dengan percobaan data latih sebesar 70% dan data uji sebesar 30%. Kelas yang menjadi target dari klasifikasi berjumlah 30 kelas. Data citra daun yang diuji sebanyak

Gambar 20 Akurasi metode LBPV pada operator (16.1). Perbandingan jumlah data yang benar dan data yang salah pada metode HSV-162 terhadap klasifikasi PNN dapat dilihat pada Tabel 5.

14

Tabel 5 Perbandingan jumlah data pada metode HSV-162. Descriptor HSV-162

Data benar 125

Data salah 145

Total data 270

Dari Tabel 5, dapat dilihat bahwa pada metode HSV-162 memiliki jumlah data yang benar sebanyak 125 data citra daun sehingga dapat dikatakan bahwa hasil akurasi pada metode HSV-162 terhadap klasifikasi Probabilistic Neural Network (PNN) sebesar 46.29%. Perbandingan jumlah data yang benar dan data yang salah pada kombinasi antara metode LBPV (16.1) dan metode HSV-162 terhadap klasifikasi Probabilistic Neural Network (PNN) dapat dilihat pada Tabel 6. Tabel 6 Perbandingan jumlah data pada kombinasi metode LBPV (16.1) dan HSV162. Descriptor

Data benar

Data salah

Total data

LBPV (16.1) dan HSV-162

150

120

270

Dari Tabel 6, dapat dilihat bahwa pada kombinasi antara metode Local Binary Pattern Variance (LBPV) untuk operator (16.1) dengan metode HSV-162 memiliki jumlah data yang benar sebanyak 150 data citra daun. Sehingga dapat dikatakan bahwa hasil akurasi pada kombinasi antara metode Local Binary Pattern Variance (LBPV) untuk operator (16.1) dengan metode HSV-162 terhadap klasifikasi Probabilistic Neural Network (PNN) sebesar 55.56%. Hasil penghitungan terhadap kombinasi antara metode Local Binary Pattern Variance (LBPV) untuk operator (16.1) dengan metode HSV-162 dapat dilihat pada Gambar 21.

Gambar 21 Akurasi kombinasi antara metode LBPV (16.1) dan metode HSV-162. Hasil analis untuk pemetaan data klasifikasi dengan LBPV 16.1 dan HSV-162 mengindikasikan bahwa fitur warna memberi pengaruh pada hasil klasifikasi. Hal ini dapat dilihat pada pemetaan data yang salah untuk kelas 1, 2, 5 mengarah ke data yang memiliki corak warna merah seperti warna backgroundnya. Contoh pemetaan data yang salah dapat dilihat pada Gambar 22.

Gambar 22 Pengaruh fitur warna terhadap klasifikasi LBPV (16.1) dan HSV-162. B. Co-occurrence Matrix dan HSV-162 Pada tahap ini, akan dijelaskan mengenai perbandingan jumlah data pada metode Cooccurrence Matrix terhadap klasifikasi Probabilistic Neural Network (PNN) terlebih dahulu. Setelah itu, akan dilanjutkan dengan penjelasan mengenai perbandingan jumlah data pada kombinasi antara metode Cooccurrence Matrix dengan metode HSV-162 terhadap klasifikasi Probabilistic Neural Network (PNN). Perbandingan jumlah data yang benar dan data yang salah pada metode Co-occurrence Matrix terhadap klasifikasi PNN dapat dilihat pada Tabel 7.

15

Tabel 7 Perbandingan jumlah data pada metode Co-occurrence Matrix. Descriptor

Data benar

Data salah

Total data

co-occurrence matrix

65

205

270

Dari Tabel 7, dapat dilihat bahwa pada metode Co-occurrence Matrix memiliki jumlah data yang benar sebanyak 65 data citra daun sehingga dapat dikatakan bahwa hasil akurasi pada metode Co-occurrence Matrix terhadap klasifikasi Probabilistic Neural Network (PNN) sebesar 24.07%. Perbandingan jumlah data yang benar dan data yang salah pada kombinasi antara metode Co-occurrence Matrix dengan metode HSV162 terhadap klasifikasi Probabilistic Neural Network (PNN) dapat dilihat pada Tabel 8. Tabel 8 Perbandingan jumlah data pada kombinasi metode Co-occurrence Matrix dan HSV-162. Descriptor

Data benar

Data salah

Total data

co-occurance matrix dan HSV-162

147

123

270

Dari Tabel 8, dapat dilihat bahwa pada kombinasi antara metode Co-occurrence Matrix dan metode HSV-162 memiliki jumlah data yang benar sebanyak 147 data citra daun sehingga dapat dikatakan bahwa hasil akurasi pada kombinasi antara metode Co-occurrence Matrix dan metode HSV-162 terhadap klasifikasi Probabilistic Neural Network (PNN) sebesar 54.44%. Hasil penghitungan terhadap kombinasi antara metode Cooccurrence Matrix dengan metode HSV-162 dapat dilihat pada Gambar 23.

Gambar 23 Akurasi kombinasi antara metode Co-occurrence Matrix dan HSV-162.

Pengujian Sistem Pada tahap ini, dilakukan pengujian terhadap setiap citra daun yang dimasukkan. Citra daun yang telah dimasukkan tersebut akan diproses oleh sistem menggunakan metode ekstraksi yang telah ditentukan sebelumnya. Selanjutnya sistem akan memberikan kesimpulan berupa citra daun yang sesuai dengan pengidentifikasian. Tampilan awal dari sistem ini dapat dilihat di Lampiran 2. Pengidentifikasian citra daun pada sistem akan dilakukan dalam beberapa tahapan, penjelasan mengenai proses pengidentifikasian citra daun dalam setiap tahapannya akan dijelaskan sebagai berikut. Pada awalnya, user akan memasukkan data citra daun ke dalam sistem. Tampilan input data citra daun dapat dilihat di Lampiran 3. Pada tampilan ini, user akan diberikan tombol “FILE” untuk memasukkan citra daun tersebut. User akan melakukan proses cropping, dimana citra daun yang telah dimasukkan akan di cropping secara manual. Tampilan proses cropping dapat dilihat di Lampiran 4. Pada tampilan ini user akan diberikan tombol “CROP” untuk melakukan proses cropping citra daun. User akan memilih metode ekstraksi citra daun yang telah ditentukan oleh sistem. Tampilan proses ekstraksi citra daun dapat dilihat di Lampiran 5. Pada tampilan ini, user akan diberikan tombol “IDENTIFIKASI” untuk melakukan proses ekstraksi citra daun. User akan memperoleh kesimpulan berupa hasil identifikasi citra daun yang telah diekstraksi oleh sistem. Tampilan hasil identifikasi citra daun yang menghasilkan data sesuai dapat dilihat di Lampiran 6. Pada tampilan ini, user akan diberikan tombol “DETAIL” untuk melihat prediksi jenis Aglaonema yang teridentifikasi. Tampilan prediksi jenis Aglaonema yang teridentifikasi dapat dilihat di Lampiran 7. Apabila user memperoleh kesimpulan yang tidak sesuai, user dapat melihat prediksi jenis Aglaonema yang tidak teridentifikasi. Tampilan hasil identifikasi citra daun yang menghasilkan data tidak sesuai dapat dilihat di Lampiran 8. Pada tampilan ini, user akan diberikan tombol “DETAIL” untuk melihat prediksi jenis Aglaonema yang tidak teridentifikasi. Tampilan prediksi jenis Aglaonema yang tidak teridentifikasi dapat dilihat di Lampiran 9.

16

Pengujian dilakukan dengan mengamati 270 data citra daun Aglaonema yang terbagi ke dalam 30 kelas jenis Aglaonema yang berbeda. Data yang diuji berjumlah 9 data citra daun untuk setiap kelas. Data pengujian diperoleh dari Balai Penelitian Tanaman Hias di Segunung, Cipanas. Setelah melakukan pengujian sistem, dari 270 data uji yang dimasukkan dan diproses dengan menggunakan metode LBPV 16.1 dan dua kombinasi metode ekstraksi terhadap klasifikasi Probabilistic Neural Network (PNN), maka sistem ini mampu menghasilkan 150 data citra daun yang sesuai dengan akurasi sebesar 55.56% pada metode LBPV dan kombinasi antara metode LBPV (16.1) dan metode HSV-162. Sistem juga mampu menghasilkan 147 data citra daun yang sesuai dengan akurasi sebesar 54.44% pada kombinasi antara metode co-occurrence matrix dengan metode HSV-162. Analisis data terhadap klasifikasi Probabilistic Neural Network (PNN) untuk masing-masing kelas dapat dilihat di Lampiran 10. Penggabungan antara operator Local Binary Pattern Variance (LBPV) dan metode HSV-162 tidak menghasilkan akurasi yang lebih baik dari akurasi terhadap operator Local Binary Pattern Variance (LBPV), namun cenderung menghasilkan akurasi yang sama, akan tetapi pemetaan klasifikasi yang salah antar kedua metode berbeda. Untuk metode LBPV kesalahan klasifikasi terlihat pada data yang memiliki tekstur dan bentuk yang oval dan memiliki local contrast yang cukup tinggi. Hal ini tampak terlihat jelas pada kelas 3 dan 14. Sedangkan untuk kombinasi LBPV dan HSV. Penambahan fitur warna berdampak pada tingkat kesalahan yang mengarah ke citra yg memiliki warna sekunder. Hal ini dapat dilihat pada kelas 2 dan 4. Pemetaan kesalahan klasifikasi kombinasi antara co-occurrence matrix dan metode HSV-162 terlihat pada kesalahan klasifikasi berdasarkan tektur. Hal ini dikarenakan bin atau penciri yang digunakan fitur tekstur hanya berjumlah 7 dibandingkan dengan HSV-162 yang berjumlah 162 bin sehingga penciri informasi tekstur belum bisa mewakilkan tekstur identifikasi. Penggabungan antara operator Local Binary Pattern Variance (LBPV) dan metode HSV-162 hanya mampu menghasilkan akurasi sebesar 55.56%. Hal ini disebabkan oleh beberapa faktor, seperti fitur warna kurang membawa pengaruh yang significant (berarti) karena background yang digunakan pada

pengambilan citra daun menggunakan warna merah sehingga menimbulkan noise yang cukup berpengaruh pada proses ekstraksi citra daun, data uji pada citra daun terhadap setiap kelas masih kurang banyak karena hanya menggunakan 9 data citra daun setiap kelasnya, teknik pengambilan gambar yang kurang baik, seperti tipe kamera digital yang digunakan masih standar dan faktor cahaya yang harus diperhitungkan, sehingga hasil citra daun yang didapatkan masih kurang sempurna. Kombinasi metode ekstraksi yang terbaik terhadap klasifikasi Probabilistic Neural Network (PNN) untuk mengidentifikasi citra daun Aglaonema adalah kombinasi antara metode Local Binary Pattern Variance (LBPV) dan metode HSV-162 yang menghasilkan akurasi sebesar 55.56%. Keterbatasan Sistem Identifikasi untuk menentukan jenis Aglaonema memiliki beberapa keterbatasan, yaitu : • Sistem ini dibatasi hanya dapat menentukan 30 jenis Aglaonema, yaitu : A.commutatum, A.fittatum, A.hokkerianum, A.rotundum, A.simplex, A.costatum, A.nitidum f.curtisii, A.b.j.freeman, A.crispum, A.cv.aloet, A.cv.butterfly, A.cv.chiang may, A.cv.chipoet, A.cv.chaow huang, A.cv.cosmos, A.cv.jubilee, A.cv.lady valentine, A.cv.pattaya beauty, A.cv.peacock, A.cv.silver bay, A.cv.silver king, A.cv.star, A.cv.star of india, A.cv.stripes, A.heng-heng, A.jubilee compacta, A.manila pride, A.manila whirl, A.pride of sumatera dan A.white rain. • Sistem ini hanya dapat mengidentifikasi citra dari bagian atas daun. • Sistem ini hanya melakukan ekstraksi pada ciri warna dengan menggunakan metode HSV-162 dan ekstraksi ciri tekstur menggunakan metode Local Binary Pattern Variance (LBPV) serta metode Cooccurrence Matrix. • Sistem untuk mengidentifikasi jenis Aglaonema belum ada fasilitas penambahan untuk parameter-parameter masukan. • Sistem ini masih berbasis desktop sehingga belum bisa digunakan oleh banyak pengguna.

17

KESIMPULAN DAN SARAN Kesimpulan Penelitian ini melakukan identifikasi jenis Aglaonema berdasarkan gabungan dari ciri tekstur dan ciri warna antara metode Local Binary Pattern Variance (LBPV) dan metode HSV-162 dan metode Co-occurrence Matrix dengan metode HSV-162. Gabungan ciri antara Local Binary Pattern Variance (LBPV) dan HSV-162 tidak mengalami perubahan pada hasil akurasi bahkan cenderung hasilnya sama dengan Local Binary Pattern Variance (LBPV). Hal ini dikarenakan fitur warna kurang membawa pengaruh yang significant (berarti) terhadap penambahan hasil akurasi karena background yang digunakan pada pengambilan citra daun menggunakan warna merah. Sehingga dapat disimpulkan bahwa kombinasi antara metode Local Binary Pattern Variance (LBPV) dengan metode HSV-162 dianggap baik untuk pengidentifikasian terhadap citra daun, sedangkan kombinasi antara metode Cooccurrence Matrix dengan metode HSV-162 mengalami peningkatan hasil akurasi terhadap klasifikasi PNN. Diantara kedua kombinasi metode ekstraksi tersebut, kombinasi antara metode Local Binary Pattern Variance (LBPV) dan HSV-162 memiliki akurasi yang lebih tinggi sedikit daripada kombinasi antara metode Co-occurrence Matrix dengan HSV162. Hal ini disebabkan karena beberapa faktor, seperti fitur warna kurang membawa pengaruh yang significant (berarti) karena background yang digunakan pada pengambilan citra daun menggunakan warna merah sehingga noise pada citra daun hanya mengalami sedikit penurunan, data uji pada citra daun terhadap setiap kelas masih kurang banyak karena hanya menggunakan 9 data citra daun setiap kelasnya, kemudian teknik pengambilan gambar yang kurang baik, seperti tipe kamera digital yang digunakan masih standar dan faktor cahaya yang harus diperhitungkan, sehingga hasil citra daun yang didapatkan masih kurang sempurna. Saran Untuk pengembangan sistem ini, maka disarankan beberapa hal berikut : • Mencoba fitur bentuk dan kombinasinya dengan fitur warna dan tekstur pada klasifikasi Probabilistic Neural Network. • Perbaikan skenario pengambilan citra, seperti penyesuaian background citra yang diambil dengan objek agar dapat

menurunkan noise pada proses ekstraksi ciri terutama pada ekstraksi ciri yang berbasis fitur warna. • Perbaikan citra (image enhancement) yang digunakan.

DAFTAR PUSTAKA Gonzalez RC, et al. 2004. Digital Image Processing Using Matlab. New Jersey : Pearson Prentice Hall. Guo Zhenhua, Zhang Lei, Zhang David. 2009. Rotation Invariance Texture Classification Using LBP variance (LBPV) with Global Matching. The Hong Kong Polytechnic University. Han J & Kai-Kuang Ma. 2002. Fuzzy Color Histogram and Its Use in Color Image Retrieval. IEEE Transaction on Image Processing, vol. 11, no. 8, 2002. Haralick RM & Linda G. Shapiro. 1992. Computer and Robot Vision. Vol. 1, p. 460. New York : Addison Wesley. Kebapci H, Yanikoglu B, Unal G. 2009. Plant Image Retrieval Using Color, Shape, and Texture Features. Faculty of Engineering and Natural Sciences Sanbaci University. Leman, 2004. Aglaonema Tanaman Pembawa Keberuntungan. Jakarta: Penebar Swadaya Mäenpää T. 2003. The Local Binary Pattern Approach to Texture Analysis. Oulu : Oulu University Press. Ojala T., et al. 2002. Multiresolution GrayScale and Rotation Invariant Texture Classification with Local Binary Pattern. IEEE Transactions on PAMI. Vol. 24, No. 7, pp. 2037-2041. Osadebey ME. 2006 Integrated ContentBased Image Retrieval Using Texture, Shape and Spatial Information [thesis]. Umea : Departement of Applied Physics and Ekectronics, Umea University. Pietikäinen M, Ojala T, Xu Z. 2000. Rotationinvariant Texture Classification Using Feature Distribution. Pattern Recognition. Vol. 33. Hal. 43-52. Rodrigues PS & Arnaldo de Albuquerque Araujo. 2004. A Bayesian Network Model Combining Color, Shape and Texture Information to Improve Content Based Image Retrieval Systems. LNCC, Petropolis, Brazil.

18

Wu S.G, et al. 2007. A Leaf Recognition Algorithm for Plant Classfification Using Probabilistic Neural Network. China : Chinese Academy of Science.

19

LAMPIRAN

20

Lampiran 1 Jenis Aglaonema yang diidentifikasi. Kelas

Citra daun

Jenis Aglaonema

Keterangan

1

A.commutatum

Spesies

2

A.fittatum

Spesies

3

A.hokkerianum

Spesies

4

A.rotundum

Spesies

5

A.simplex

Spesies

6

A.costatum

Spesies

7

A.nitidum f.curtisii

Spesies

21

Lanjutan. Kelas

8

9

Citra daun

Jenis Aglaonema

Keterangan

A.b.j. freeman

Spesies

A.crispum

Spesies

10

A.cv.aloet

Hibrida

11

A.cv.butterfly

Hibrida

12

A.cv.chiang may

Hibrida

13

A.cv.chipoet

Hibrida

14

A.cv.chaow huang

Hibrida

22

Lanjutan. Kelas

Citra daun

Jenis Aglaonema

Keterangan

15

A.cv.cosmos

Hibrida

16

A.cv.jubilee

Hibrida

17

A.cv.lady valentine

Hibrida

18

A.cv.pattaya beauty

Hibrida

19

A.cv.peacock

Hibrida

20

A.cv.silver bay

Hibrida

21

A.cv.silver king

Hibrida

23

Lanjutan. Kelas

Citra daun

Jenis Aglaonema

Keterangan

22

A.cv.star

Hibrida

23

A.cv.star of india

Hibrida

24

A.cv.stripes

Hibrida

25

A.cv.heng-heng

Hibrida

26

A.cv. jubilee compacta

Hibrida

27

A.manila pride

Spesies

28

A.manila whirl

Spesies

24

Lanjutan. Kelas

Citra daun

Jenis Aglaonema

Keterangan

29

A.pride of sumatera

Spesies

30

A.white rain

Spesies

25

Lampiran 2 Tampilan awal sistem.

26

Lampiran 3 Tampilan hasil input data citra daun pada sistem.

27

Lampiran 4 Tampilan proses croping citra daun pada sistem.

28

Lampiran 5 Tampilan proses identifikasi citra daun pada sistem.

29

Lampiran 6 Tampilan hasil identifikasi citra daun pada sistem (hasil identifikasi sesuai).

30

Lampiran 7 Tampilan prediksi jenis Aglaonema yang teridentifikasi pada sistem.

31

Lampiran 8 Tampilan hasil identifikasi citra daun pada sistem (hasil identifikasi tidak sesuai).

32

Lampiran 9 Tampilan prediksi jenis Aglaonema yang tidak teridentifikasi pada sistem.

33

Lampiran 10 Analisis data klasifikasi PNN per-kelas.

34

Lanjutan.

35

Lanjutan.