Identifikasi Tumbuhan Berdasarkan Minutiae Tulang Daun Menggunakan SOM Kohonen Arga Wahyumianto1, Dr. I Ketut Eddy Purnama, ST., MT 2, Christyowidiasmoro, ST., MT2 1 Mahasiswa S1 Teknik Elektro – Institut Teknologi Sepuluh Nopember 2 Staf Pengajar, Teknik Elektro – Institut Teknologi Sepuluh Nopember Jurusan Teknik Elektro Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Kampus ITS Sukolilo, Surabaya 60111, Indonesia
Abstract- In this final project, a simple application have been made based on Matlab GUI to identify plant species based on the features of bone leaves. The method used for feature extraction for leaves bones (vein leaf) is fingerprint minutiae extraction. With this method, it will be detected bone branching leaf on leaf picture. It will obtained amount bone branch of leaves. From these data, tried to do the classification of images of leaves. From the examination that has been done, the average success rate of applications in classifying the leaf image using Kohonen neural network to determine the fourth class of plant leaves, amounting to 94.386% for guava, 89.469% for green eggplants, local peppers 85.417% and 99.731% for sweet potatoes. Keywords: Leaf Identification, minutiae extraction, Kohonen Neural Network, vein leaf
I. PENDAHULUAN Daun yang dimiliki oleh tumbuhan merupakan salah satu biometric dari tumbuhan. Hal ini disebabkan karena daun pada tiap jenis tumbuhan memiliki bentuk dan ruas daun yang berbeda yang dapat digunakan sebagai fitur yang didapatkan melalui serangkaian proses pengolahan citra untuk dilakukan klasifikasi citra daun. Fitur ruas daun (tulang daun) belum sepenuhnya dieksploitasi sebagai ukuran kemiripan daun. Yang menarik adalah beberapa spesies tumbuhan mempunyai pola kontur yang hampir sama. Contoh, Nuphar Japonicum dan Nuphar Pumilum adalah anggota dari family Nymphaeaceae. Struktur tulang daun (pola venasi) merupakan fitur unik lain yang membedakan jenis tumbuhan dalam proses identifikasi spesies memainkan peran penting. Meskipun tulang daun yang khas dan permanen selama beberapa waktu sebelumnya tidak dapat dianggap sebagai biometrik yang dapat diandalkan karena tidak universal (beberapa spesies tidak menunjukkan pola venasi jelas) dan juga ekstraksi pola venasi dari gambar daun yang tidak mudah. Namun, dalam beberapa tahun terakhir, beberapa studi dapat dilihat pada venasi dan ekstraksi vena seperti studi, CLOVER: A Mobile Content-Based Leaf Image Retrieval System, Nam et al. (2005b)
mencoba untuk memasukkan representasi tulang daun ke dalam sistem biometrik mereka. Dari gambar 1, ditunjukkan pola venasi yang berbeda yang telah mereka coba kenali dari gambar daun.
Gambar 1 Perbedaan pola venasi (Diadopsi dari Nam et al. (2005b)) Sebuah sistem klasifikasi berbasis tulang daun diperkenalkan oleh Park et al. (2006) menggunakan gambar dari buku "Flora Illustrated Korea". Fu & Chi (2003) mengusulkan pendekatan dalam dua tahap (segmentasi awal berdasarkan histogram intensitas gambar daun dan menggunakan classifier jaringan saraf buatan) untuk mengekstrak pola venasi dua puluh satu gambar daun yang berbeda dan memperoleh hasil yang lebih baik daripada penggunaan detektor tepi konvensional. Penelitian yang telah dilakukan dalam ekstraksi tulang daun ini menggunakan fourier dan pemodelan b-spline oleh Rahmadhani M. and Yeni Herdiyeni dalam papernya Shape and Vein Extraction on Plant Leaf Images Using Fourier and B-Spline Modeling . Sedangkan pada penelitian ini, akan mencoba untuk melakukan identifikasi terhadap citra daun. Metode ekstraksi yang dilakukan yakni metode ekstraksi minutiae pada sidik jari. Algoritma tersebut nantinya akan mendeteksi cabang dari tulang daun. Dari cabang tulang daun, akan dijadikan data training oleh Jaringan Saraf Kohonen. Citra daun yang akan digunakan dalam penelitian merupakan jenis daun tunggal dengan tulang daun menyirip.
II. DESAIN Alur identifikasi pada penelitian ini secara garis besar ditunjukkan pada Gambar 2 :
III. PENGOLAHAN CITRA A. Pre-processing dan segmentasi Pre-processing merupakan tahap persiapan untuk proses berikutnya. Input berupa image daun. Preprocessing meliputi konversi dari rgb ke gray. Tahap ini perlu dilakukan untuk memudahkan proses thresholding. Segmentasi yang dilakukan adalah thresholding. Dengan adanya thresholding, akan didapatkan citra tulang daun dalam bentuk biner.
Gambar 2 Gambaran umum sistem Algoritma Sistem Ada banyak metode yang diterapkan dalam setiap tahapan identifikasi tulang daun. Dalam setiap tahapan tersebut, diterapkan metode-metode yang telah disesuaikan untuk keperluan proses selanjutnya. Untuk lebih jelasnya, algoritma sistem identifikasi tulang daun digambarkan dalam bagan di bawah ini. Citra Daun
Citra Grayscale
1
Jml cabang tulang daun
Thresholding Kohonen Morphology : Dilasi, Erosi Klasifikasi
B. Morfologi Morfologi dapat disebut sebagai fungsi untuk merubah bentuk objek pada suatu citra 1. Dilasi Dilasi adalah operasi untuk mengembangkan atau menebalkan objek pada citra biner. 2. Erosi Erosi merupakan proses penghapusan titik-titik batas objek menjadi bagian dari latar, berdasarkan structuring element yang digunakan Parameter-parameter dalam morfologi yaitu panjang pixel(length) untuk dilasi maupun erosi serta derajat kemiringan sudut(deg). Gambar 4 length = 9, deg = 0o C. Thinning Untuk metode thinning menggunakan fungsi thinning yang terdapat di matlab. Algoritmanya adalah : 1. Membagi gambar menjadi dua subbidang berbeda dalam pola kotak-kotak. 2. Dalam subiteration pertama, hapus pixel p dari subfield pertama jika dan hanya jika kondisi G1, G2, dan G3 telah terpenuhi. 3. Dalam subiteration kedua, menghapus pixel p dari subfield kedua jika dan hanya jika kondisi G1, G2, dan G3’ telah terpenuhi.
Thinning
KONDISI G1 : XH(p) = 1
Roipoly
bi =
Fitur Tulang Daun
Ekstraksi Minutiae
1 ( = 1 = 1) 0
(1)
= (2)
X1, X2, ..., X8 adalah nilai-nilai dari delapan tetangganya p, dimulai dengan tetangga timur dan sesuai dengan nomor dengan urutan berlawanan arah jarum jam.
1
Gambar 3 Proses yang dilalui dalam setiap tahapan identifikasi
Gambar 5 Matriks window 3x3
KONDISI G2 : 2 ≤ ! ("), (")$ ≤ 3 Dengan :
(3)
(") = ' ( ' (4) '
(") = ' ( ' (5) '
KONDISI G3 : ˅( ⋁ , ⋁ KONDISI G3’ : V( 0 ⋁ 1 ⋁
...- ) ⋀
= 0
(6)
... ) ⋀
2 = 0
(7)
IV. EKSTRAKSI FITUR Pada tahap ini, citra yang berupa fitur tulang daun akan dideteksi pola percabangan tulang daunnya dengan menggunakan metode ekstraksi minutiae seperti pada sidik jari. Langkah-langkah dalam ekstraksi cabang tulang daun prinsipya sama dengan ekstraksi minutiae pada sidik jari. Hal yang dilakukan antara lain : 1. Menggunakan Crossing Number (CN) , dimana CN adalah metode untuk mencari cabang bifurcations. Dengan memeriksa tetangga lokal dari setiap piksel yang mengalami percabangan menggunakan window 3x3 -
34 = 0,5 |6 − 6 | (8) 8
Dengan Pi adalah nilai pixel dari tetangga P. Untuk pixel P, ada 8 nilai pixel tetangga akan discan berlawanan dengan arah jarum jam.
Gambar 7 Hasil Ekstraksi minutiae Dari gambar 8 percabangan tulang daun ditunjukkan oleh titik warna biru. Dari titik biru ini dapat diperoleh informasi koordinat dari cabang tersebut dan jumlah percabangan yang ada di fitur tulang daun tersebut. V. POLA CABANG TULANG DAUN Untuk bisa diproses dalam tahap selanjutnya, diperlukan suatu pola agar pada masing-masing daun memiliki ciri sehingga bisa untuk diidentifikasi. Tahapan untuk membuat pola ini adalah sebuah percobaan, karena ada banyaknya jenis dan macam daun. Pola yang dicoba yakni menghitung banyaknya cabang pada tulang daun yang berada pada daerah tertentu dalam citra daun. Pembagian daerah tersebut berdasarkan height resolution dari citra daun. Pembagian tersebut sebagai berikut : Level 0 : cabang tulang daun yang berada di tulang daun primer Level 1 : cabang tulang daun yang berada pada di atas daerah level 0 atau berada di bawah level 0 Level 2 : cabang tulang daun yang berada pada di atas daerah level 1 atau berada di bawah level 1 Level 2 Level 0
2.
Setelah melakukan scanning dan komputasi. Maka, pixel dapat digolongkan menurut nilai properties dari CN. Seperti yang ditunjukkan pada gambar 6
Level 1
Gambar 8 Pola Cabang
Gambar 6 CN = 3 3.
Dari setiap titik ekstraksi minutiae, akan didapatkan koordinat letak titik tersebut. Dengan adanya koordinat tersebut, bisa dijadikan suatu pola cabang tulang daun.
Dari informasi banyaknya cabang tulang daun yang berdasarkan level tersebut, maka akan diperoleh data. Data tersebut akan dijadikan data training untuk melakukan pembelajaran dengan metode kohonen.
VI. KOHONEN NEURAL NETWORK Algoritma Kohonen Self Organizing yang digunakan untuk pengelompokan data(clustering) antara lain : 1. Menetapkan : a. Input data yang dinormalisasi b. Jumlah kelas
2.
Inisialisasi : a. Bobot Input (wij) dengan nilai sembarang atau dengan menggunakan rumus :
Tabel 1 Pengujian parameter morfologi Citra Daun
< + < :; = (9) 2
3. 4.
Dengan : wij = bobot antara variabel input ke-j dengan neuron pada kelas ke-i. MinXi = nilai minimum pada variabel input ke-i. MaxXi= nilai maksimum dari variabel input ke-i. b. Set parameter learning rate (α). c. Set maksimum epoh (MaxEpoh). Set Epoh = 0 Kerjakan jika Epoh < MaxEpoh a. Epoh = Epoh + 1 b. Pilih data secara acak, misalnya data terpilih data ke-j. c. Cari jarak antara data ke-j dengan tiap bobot input ke-i (Dj) : B
?; = @:; − A (10)
d. Cari bobot yang terkecil (pemenang) e. Update bobot yang baru :
:;CDEF = :;GDBD + H( − :;GDBD ) (11)
Jambu6.jpg
A. Hasil Morfologi Pengujian dalam proses ini, yakni mencari parameter yang tepat agar mendapatkan fitur tulang daun yang nantinya bisa mendapatkan hasil ekstraksi yang bagus. Hasil percobaan mendapatkan parameter yang tepat ditunjukkan pada tabel 1. Parameter tersebut adalah length (panjang elemen(dalam pixel)) dan deg(sudut dari length(dalam derajat)) Pengujian dilakukan pada sampel citra daun jambu biji dengan nilai threshold yakni 90.
Erosi
Length : 5 Deg : 90
Length : 5 Deg : 90
Length : 2 Deg : 90
Length : 5 Deg : 90
Length : 8 Deg : 90
Length : 5 Deg : 90
Length : 5 Deg : 45
Length : 5 Deg : 90
Length : 5 Deg : 90
Length : 5 Deg : 45
Dari tabel 1 didapatkan hasil yang berbeda untuk tiap parameter yang nilainya berbeda. Hasil yang bagus diperoleh ketika parameter untuk dilasi yakni length = 8 dengan deg = 90 dan erosi yakni length = 5 dengan deg = 90. Parameter yang juga menghasilkan citra yang bagus saat length = 5,deg = 90 untuk dilasi dan length = 5, deg = 45 untuk erosi. B. Ekstraksi Citra Tulang Daun Pengujian dilakukan dengan mengamati hasil ekstraksi dengan penghitungan manual jumlah cabang tulang daun. Hasilnya bisa dilihat pada tabel 2, tabel 3 dan tabel 4. Tabel 2 Presentase error ekstraksi pada citra daun jambu biji Citra Daun
VII. PENGUJIAN Setelah melalui proses desain dan pembuatan serta analisa, maka aplikasi ini memerlukan proses pengujian. Pengujian ini bertujuan untuk mengamati dan menganalisa terhadap hasil penelitian. Pengujian ini meliputi: 1. Pengamatan hasil proses pengolahan citra yakni pengamatan terhadap parameter morfologi 2. Pengamatan hasil ekstraksi 3. Pengamatan terhadap hasil identifikasi dengan metode kohonen.
Hasil Morfologi
Dilasi
Threshold
Hasil Ekstraksi
Perhitungan Manual
Error (%)
105
38
30
26,6
105
23
32
28,1
105
35
33
6
105
20
28
28,5
105
18
33
45
105
29
33
12,12
105
40
34
17,6
Dari tabel 2, diperoleh error yang bervariasi. Error paling besar diperoleh pada citra daun baris ke-5 yakni sebesar 45%. Error sebesar itu dikarenakan nilai thresholding terlalu besar, sehingga banyak informasi yang hilang. Apabila nilai threshold tersebut diganti dengan 100, error yang didapatkan yakni 9%.
Tabel 3 Presentase error ekstraksi pada citra daun terong hijau Citra Daun
Threshold
Hasil Ekstraksi
Perhitungan Manual
Error (%)
130
45
56
19,6
130
49
40
22,5
130
21
57
63,1
130
58
62
6,4
130
111
48
131,25
130
108
35
208,5
130
106
38
178,9
Pada tabel 3, terdapat error di atas 100% yakni pada citra daun pada baris ke-5, baris ke-6, dan baris ke-7. Dan error di atas 50% pada citra daun baris ke3. Nilai thresholding ke-4 citra tersebut kurang tepat, sehingga terjadi error yang besar. Tabel 4 Presentase error ekstraksi pada citra daun cabai lokal Citra Daun
Hasil Ekstraksi
Perhitungan Manual
Error (%)
90
13
35
62,8
90
316
24
1216,6
15
25
40
Threshold
90
90
62
36
72,2
90
226
31
629,0
Pada ekstraksi daun cabai lokal, error yang kurang dari 50% terdapat pada citra daun baris ke-3 dan ke-6. Selain kedua citra tersebut, errornya lebih dari 50%, bahkan lebih dari 100%. Dengan nilai threshold sebesar 90, ternyata belum mampu mendeteksi cabang tulang daun secara maksimal. C. Hasil Klasifikasi Kohonen Untuk inisialisasi dalam Jaringan Saraf Tiruan Kohonen, parameter-parameter jaringan telah diset sebagai berikut : Inisialisasi awal : W1 = [0,58 0,4 0,65] W2 = [0,6 0,3 0,8] W3 = [0,4 0,5 0,75] W4 = [0,3 0,4 0,5] α = 0,8 Ket : W1 : bobot awal untuk daun jambu biji W2 : bobot awal untuk daun terong hijau W3 : bobot awal untuk daun cabai lokal W4 : bobot awal untuk daun ubi jalar α : learning rate Setelah dilakukan pembelajaran dengan inisialisasi awal dan dengan data training daun, maka akan dihasilkan bobot-bobot baru. Dengan bobot baru tersebut, data uji akan di-learning sehingga nantinya akan dapat diklasifikasikan. Tabel 5 Hasil pengujian proses identifikasi Kelompok
1
1
1 91,404
2 33,03
3 89,488
86,075
2
1
89,834
32,618
89,314
88,233
3
1
95,571
35,858
89,475
79,095
4
1
91,404
33,03
89,488
86,075
5
1
98,433
40,627
88,692
72,247
6
1
99,674
53,965
86,312
60,226
Rata-rata tingkat pengenalan (%) 7 2
94,386
38,188
88,79
78,658
79,564
92,991
82,749
44,694
8
2
82,162
83,506
76,575
57,576
9
2
81,378
90,334
78,842
49,455
10
2
83,074
91,048
83,897
41,979
81,544
89,469
80,515
48,426
60,799
80,232
85,134
73,833
71,128
73,739
78,08
77,05
Rata-rata tingkat pengenalan (%) 90
13
23
43,4
Kebenaran (%) Kelompok
Percobaan
11
3
12
3
4
Percobaan
Kebenaran (%) Kelompok
Kelompok
13
3
14
3
Rata-rata tingkat pengenalan (%) 15
4
16
4
17
4
18
4
Rata-rata tingkat pengenalan (%)
4
1 78
2 84,657
3 88,938
48,627
61,321
73,339
89,519
75,909
67,756
77,991
85,417
68,854
74,915
40,839
84,388
99,9
74,148
41,282
84,266
99,756
76,86
38,4
85,36
99,37
73,348
43,28
83,38
99,9
74,817
40,950
84,348
99,731
Tabel 5 menunjukkan tingkat keberhasilan klasifikasi kohonen untuk menentukan kelas keempat daun tumbuhan yakni kelompok 1 untuk jambu biji, kelompok 2 untuk terong hijau, kelompok 3 untuk cabe lokal dan kelompok 4 untuk ubi jalar.
1.
2.
KESIMPULAN Untuk mengekstraksi fitur tulang daun bisa digunakan algoritma metode ekstraksi minutiae pada sidik jari untuk mendeteksi cabang tulang daun. Rata-rata tingkat keberhasilan aplikasi dalam klasifikasi menggunakan kohonen untuk menentukan kelas ketiga daun tumbuhan yakni 94,386% untuk jambu biji, 89,469% untuk terong hijau, 85,417% untuk cabai lokal dan 99,731% untuk ubi jalar.
PUSTAKA [1] Yusuf, Muhammad Taufik. 2008. MEMBEDAKAN OBJEK MENGGUNAKAN METODE THRESHOLDING DAN FUNGSI MORFOLOGI, Departemen Teknik Elektro, Fakultas Teknik Universitas IndonesiaKampus Baru UI, Depok 16424, Indonesia [2] Pahalawatta, KK. 2008. PLANT SPECIES BIOMETRIC USING FEATURE HIERARCHIES, Department of Computer Science and Software Engineering University of Canterbury. [3] Thai, Raymond. 2003. Fingerprint Image Enhancement and Minutiae Extraction, School of Computer Science and Software Engineering, The University of Western Australia. [4] Azman, Mohd. 2010. ANALYSIS OF FINGERPRINT PERFORMANCE AMONG LEFT HANDED AND RIGHT HANDED PEOPLE, UNIVERSITI TEKNOLOGI MALAYSIA.
[5] Iqbal, Muhammad. 2009. Dasar Pengolahan Citra dengan MATLAB. [6] Putra, Darma. 2009. PENGOLAHAN CITRA DIGITAL. ANDI YOYAKARTA. [7] M, Rahmadhani, Herdiyeni, Yeni. 2010. Shape and Vein Extraction on Plant Leaf Images Using Fourier and B-Spline Modeling. IPB [8] R. C. Gonzalez, R. E. Woods, and S. L. Eddins, Digital Image Processing Using MATLAB. Prentice Hall, 2004 [9] Zainal Arifin, Agus, Bagus, Bayu, Navastara, Dini Adni. Klasifikasi Online Citra Daun berdasarkan Fitur Bentuk dan Ruas Daun. FTIF-ITS. [10] Lam, L., Seong-Whan Lee, and Ching Y. Suen, "Thinning Methodologies-A Comprehensive Survey," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol 14, No. 9, September 1992, page 879, bottom of first column through top of second column. [11] (2007) Matlab images processing toolbox documentation. MathWorks. Inc. [Online]. Available:http://www.mathworks.com/help/toolb ox/images/ref/bwmorph.html [12] (2007) Matlab images processing toolbox documentation. MathWorks. Inc. [Online]. Available:http://www.mathworks.com/help/toolb ox/images/ref/roipoly.html [13] (2009) Matlab GUI Tutorial. [online]. Available :http://blinkdagger.com/matlab/matlab-guigraphical-user-interface-tutorial-for-beginners/.
