EKSTRAKSI DAN PENGUKURAN KEMIRIPAN KONTUR DAUN TUMBUHAN OBAT INDONESIA BERBASIS POLIGON
WISARD WIDSLI KALENGKONGAN
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2016
PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA* Dengan ini saya menyatakan bahwa tesis berjudul Ekstraksi dan Pengukuran Kemiripan Kontur Daun Tumbuhan Obat Indonesia Berbasis Poligon adalah benar karya saya dengan arahan dari 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 tesis ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Maret 2016 Wisard Widsli Kalengkongan NIM G651130351
RINGKASAN WISARD WIDSLI KALENGKONGAN. Ekstraksi dan Pengukuran Kemiripan Kontur Daun Tumbuhan Obat Indonesia Berbasis Poligon. Dibimbing oleh YENI HERDIYENI dan BIB PARUHUM SILALAHI. Tumbuhan obat dapat diidentifikasi berdasarkan pada biometrik tumbuhan, salah satu biometrik tersebut adalah dengan mengidentifikasi kontur daun. Secara umum bentuk kontur daun terdiri dari 20 kelas, namun penelitian ini berfokus pada 7 kelas yaitu Cordate, Deltoid, Eliptic, Lancolate, Obovate, Ovate dan Reniform. Penelitian ini mengkaji kontur daun menggunakan pendekatan poligon untuk memperoleh landmark (titik penting) dan menganalisis hasil pengukuran kemiripan poligon berdasarkan fungsi tangen dan lp metric, dengan menggunakan sistem temu kembali. Metode poligon menggunakan konsep pembatasan daerah yang disebut margin. Dari penelitian sebelumnya penentuan margin bisa ditentukan secara statis maupun dinamis, namun ada berapa kelemahan dalam penentuan secara statis sehingga dalam penelitian ini menggunakan margin dinamis. Ekstraksi ciri poligon dilakukan dengan menghitung jarak dan sudut antara dua titik landmark, perhitungan tersebut dilakukan dengan menggunakan fungsi tangen. Pengukuran kemiripan poligon dilakukan dengan menghitung luas fungsi tangen antara dua poligon. Penelitian ini menggunakan data citra daun tumbuhan obat dari daerah di Indonesia. Penelitian ini berfokus pada identifikasi bentuk daun tumbuhan obat menurut Benson. Jumlah data yang digunakan 46 jenis spesies dan setiap spesies terdiri dari 10 citra daun. Dari data yang diperoleh 7 bentuk yang terklasifikasi diantara lain: cordate, deltoid, eliptic, lancolate, obovate, ovate, dan reniform. Secara visual metode ini dapat merepresentasikan bentuk dengan cukup baik. Evaluasi yang dilakukan ialah penilaian secara sistem temu kembali informasi dengan melakukan pengukuran recall dan precision untuk menentukan tingkat keefektifan hasil pengukuran kemiripan poligon. Hasil percobaan menunjukkan bahwa metode ekstraksi poligon memiliki rataan akurasi precision sebesar 0.78 dan recall sebesar 0.71.
Kata kunci: Fungsi tangen, Identifikasi daun, Landmark, Lp metric, Pendekatan poligon, Tumbuhan obat.
SUMMARY WISARD WIDSLI KALENGKONGAN. Extraction and Similarity Measurement of Leaf Contour in Indonesia Medicinal Plants Based on Polygon. Supervised by YENI HERDIYENI and BIB PARUHUM SILALAHI. Medicinal plants can be identified based on biometrics plants, one of which is the leaves contours. In general contour shape of leaf consists of 20 classes, but this study only focuses on seven classes, such as Cordate, Deltoid, Eliptic, Lancolate, obovate, ovate and reniform. This study examines the leaves contours to obtain its landmarks (important points) and analyze the similarity of polygons based on the tangent function and Lp metric using the information retrieval. Polygon approximation methods using the boundary area called margin. In previous research to determining the margin can choose statically or dynamically. however, in static margin is hard to determine so in this study using a dynamic margin. Polygon feature extraction was aware by calculating the distance and angle between two points landmark, using the tangent function. Similarity Measurement is done by calculating the area tangent function between two polygons. This study uses the data image of medicinal plants leaves from various regions in Indonesia and focuses on the identification leaf shapes according to Benson. The amount of data used are 46 species, and each species consists of 10 images of leaves. From the data obtained seven forms classified among others: cordate, deltoid, eliptic, lanceolate, obovate, ovate, and reniform. This method visually can be able to represent the shape fairly well. Evaluations carried out an assessment of information retrieval system by measuring the recall and precision to determine the effectiveness of the similarity measurement results polygon. The results showed that the extraction method precision polygon average accuracy of 0.78 and recall by 0.71 Keyword: Landmark, Lp metric, Medicinal plant, Polygonal approximation, Plant identification, Tangent function.
© Hak Cipta Milik IPB, Tahun 2016 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; dan pengutipan tersebut tidak merugikan kepentingan IPB Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini dalam bentuk apa pun tanpa izin IPB
EKSTRAKSI DAN PENGUKURAN KEMIRIPAN KONTUR DAUN TUMBUHAN OBAT INDONESIA BERBASIS POLIGON
WISARD WIDSLI KALENGKONGAN
Tesis sebagai salah satu syarat untuk memperoleh gelar Magister Komputer pada Program Studi Ilmu Komputer
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2016
Penguji Luar Komisi pada Ujian Tesis : DrEng Wisnu Ananta Kusuma, ST MT
gtOZ UV}{
f;
fi,r.rlnT 1e33ue1
r8ycgl4'tl€,(S
I
S
I0Z roqlueseq
tl
:uetlg 1e33ue1
Sugrq
.LI I JS 'erunsn;E
Wrt:)
w S.t;"
7l.tr4 \?p::
?""t*#;'ff r.=j \
eueftesecse6
relndruo; nu11 rpnlg ruerEord €nle)
q€loles
qelo rnr{?}o>llc
Surqurrqued IsItuo) qelo rnlnlesrq
srseJ Inpnf
uo8rlo4 slseqreg elseuopul teqo u€qnqurnJ uneq Jnluo) uedutrue; uernln8ue4 uep lsl€Jls)ig
I^iIN elueN
I9gOEII99C PrusIl[
ue8uol8uep)
IISpl,ry\
Judul Tesis : Ekstraksi dan Pengukuran Kemiripan Kontur Daun Tumbuhan Obat Indonesia Berbasis Poligon Nama : Wisard Widsli Kalengkongan NIM : G651130351
Disetujui oleh Komisi Pembimbing
Dr Yeni Herdiyeni, SSi MKom Ketua
Dr Ir Bib Paruhum Silalahi, MKom Anggota
Diketahui oleh
Ketua Program Studi Ilmu Komputer
Dekan Sekolah Pascasarjana
DrEng Wisnu Ananta Kusuma, ST MT
Dr Ir Dahrul Syah, MScAgr
Tanggal Ujian: 14 Desember 2015
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Kuasa atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Agustus 2014 sampai bulan Oktober 2015 ini ialah biometrik daun, dengan judul Ekstraksi dan Pengukuran Kemiripan Kontur Daun Tumbuhan Obat Indonesia berbasis Poligon. Terima kasih penulis ucapkan kepada Ibu Dr Yeni Herdiyeni dan Bapak Dr Ir Bib Paruhum Silalahi selaku pembimbing yang telah meluangkan waktu, pikiran serta keikhlasan dalam membimbing dan memberikan arahan sehingga penelitian ini dapat diselesaikan. Disamping itu, penghargaan penulis sampaikan kepada: 1. Prof Dr Ir Herry Suhardiyanto, MSc selaku Rektor Institut Pertanian Bogor. 2. Dr Ir Dahrul Syah, MScAgr selaku Dekan Sekolah Pascasarjana Institut Pertanian Bogor. 3. Dr Ir Agus Buono, MSi MKom selaku Ketua Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor. 4. DrEng Wisnu Ananta Kusuma, ST MT selaku Ketua Program Studi Ilmu Komputer dan sekaligus sebagai penguji luar komisi pembimbing. 5. Seluruh dosen dan staf pegawai tata usaha Departemen Ilmu Komputer. 6. Seluruh teman-teman ILKOMERZ angkatan 15S2, yang telah memberi semangat, dukungan dan bantuan. 7. Seluruh teman-teman Asrama Mahasiswa Sulawesi Utara – Bogor, yang selalu mendoakan, memberi dukungan. Ungkapan terima kasih juga disampaikan kepada ayah, kakak-kakak serta seluruh keluarga dan teman-teman, atas segala doa dan kasih sayangnya. Semoga karya ilmiah ini bermanfaat.
Bogor, Maret 2016 Wisard Kalengkongan
DAFTAR ISI DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
1 PENDAHULUAN Latar Belakang Tujuan Ruang Lingkup
1 1 2 2
2 TINJAUAN PUSTAKA Tumbuhan Obat Bentuk Daun Praproses Deteksi Kontur (Polygonal Approximation) Fungsi Tangen Pengukuran Kemiripan (Lp metrics) Evaluasi
3 3 3 3 3 7 8 8
3 METODE PENELITIAN Tahapan Penelitian Data daun Praproses Deteksi Kontur (Polygonal Approximation) Ekstraksi Fitur (Tangent Function) Pengukuran Kemiripan (Lp Metric) Analisis Kontur Evaluasi
10 10 10 10 11 13 13 14 14
4 HASIL DAN PEMBAHASAN Praproses Deteksi Tepi Hasil dan Analisis Bentuk Fungsi Tangen Evaluasi Kemiripan Bentuk Daun
15 15 15 15 19 23
5 SIMPULAN DAN SARAN
24
DAFTAR PUSTAKA
24
LAMPIRAN
28
RIWAYAT HIDUP
35
DAFTAR TABEL 1. 2. 3. 4. 5.
Data relevan dan data yang diterima Hasil transformasi poligon ke fungsi tangen untuk beberapa data daun Perbandingan fungsi tangen untuk beberapa bentuk Rataan precision dan recall untuk setiap kelas citra Hasil pendeteksian poligon untuk beberapa data daun
9 20 32 23 30
DAFTAR GAMBAR 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26. 27. 28. 29. 30. 31. 32. 33.
Bentuk daun menurut Benson (1957) Dasar daun cordate Bentuk daun Eliptic Bentuk daun lancolate Bentuk daun obovate Bentuk daun ovate Bentuk daun reniform Bentuk daun deltoid Visualisasi pendekatan poligon Min - # (a) dan Min – ε (b) Polygonal Approximation Tingkat perbedaan 𝑑𝑖 Margin 𝑑𝑡𝑜𝑙 Hubungan dua garis 𝑃1(𝑥1, 𝑦1)𝑃2(𝑥2, 𝑦2) dan 𝑃1′(𝑥1′, 𝑦1′)𝑃2′(𝑥2′, 𝑦2′) Besar sudut fungsi tangen Fungsi tangen Perbandingan dua fungsi tangen Langkah-langkah metode penelitian Citra daun berwarna (kiri), Citra daun grayscale (tengah), Citra daun B/W (kanan) Citra daun hasil praproses citra (kiri), Tepi terluar daun (kanan) Tepian daun yang membentuk kontur daun Sebagian tepi daun yang di representasikan dalam bentuk piksel Penerapan polygonal approximation terhadap kontur daun. Proses perubahan ke fungsi tangen Tahapan perhitungan nilai kemiripan dua poligon Tahap praproses citra asli (kiri), citra dengan latar belakang terpisah dan posisi tegak (tengah), dan citra setelah threshold (kanan) Hasil bagian tepi daun Bentuk daun cordate citra asli (kiri), hasil titik landmark (kanan) Bentuk daun deltoid citra asli (kiri), hasil titik landmark (kanan) Bentuk daun eliptic citra asli (kiri), hasil titik landmark (kanan) Bentuk daun lancolate citra asli (kiri), hasil titik landmark (kanan) Bentuk daun obovate citra asli (kiri), hasil titik landmark (kanan) Bentuk daun ovate citra asli (kiri), hasil titik landmark (kanan) Bentuk daun reniform citra asli (kiri), hasil titik landmark (kanan)
4 4 1 1 1 2 2 2 4 4 5 5 6 7 8 8 10 11 11 12 12 13 13 14 15 16 16 17 17 18 18 19 19
34. 35. 36. 37. 38.
Poligon (kiri) dan hasil fungsi tangen (kanan) Fungsi tangen naik Fungsi tangen turun Fungsi tangen mendatar Hasil perbandingan bentuk cordate
19 22 22 22 23
DAFTAR LAMPIRAN 1. Data daun 2. Citra daun dan hasil poligonnya 3. Contoh perbandingan fungsi tangen
28 30 32
1 PENDAHULUAN Latar Belakang Potensi tumbuhan obat di Indonesia sangatlah besar, namun pemanfaatannya masih kurang. Hal ini disebabkan karena pengetahuan masyarakat tentang jenis dan manfaat tumbuhan obat yang minim (Hikmat et al. 2011). Pada dasarnya tumbuhan dapat dibedakan melalui daun, bunga, akar, dan buahnya. Proses identifikasi tumbuhan memerlukan pengetahuan dan menggunakan terminologi yang cukup kompleks. Seorang yang profesional dalam bidang botani memerlukan waktu yang cukup banyak untuk proses identifikasi tumbuhan (Rademaker 2000). Oleh sebab itu, diperlukan adanya teknologi yang berbasis komputer sebagai alat bantu dalam mempercepat proses identifikasi (Herdiyeni et al. 2013). Identifikasi tumbuhan dapat dibedakan dengan biometrik tumbuhan. Namun dalam penerapannya, buah dan bunga bergantung dengan musim, sedangkan akar berada di dalam tanah. Menurut Tasukaya (2006), daun berperan penting dalam proses identifikasi. Pada dasarnya proses identifikasi daun berdasarkan atas kontur, geometri dan tulang daun. Beberapa peneliti mengambil tulang daun sebagai dasar proses identifikasi (Kirchgessner et al. 2002; Li et al. 2005; Li et al. 2006; Cope et al. 2010; Larese et al. 2014), ada juga peneliti berdasar pada geometri daun, seperti mengukur sudut, jarak, kesimetrian (Wu et al. 2007; Hossain et al. 2010;). Peneliti lainnya melakukan proses identifikasi dengan menggunakan bentuk daun atau kontur (Kumar et al. 2012; Hajjdiab et al. 2011; Gwo et al. 2013). Kumar (2012) dalam aplikasi leafsnap-nya menggunakan kontur daun sebagai dasar proses identifikasi. Kontur daun merupakan kurva yang terdiri dari titik-titik berurutan yang membentuk daun. Keanekaragaman bentuk kontur daun telah diteliti menggunakan analisis landmark untuk mencari perbedaan antara spesies. Ahli botani dan ahli taksonomi dalam bidang morfometrik geometris menggunakan landmark untuk merepresentasikan bentuk kontur daun (Viscosi et al. 2011). Pendekatan ini pertama telah diusulkan oleh Kendall pada tahun 1977 dan dilaksanakan di beberapa kerangka analisis bentuk oleh Cootes pada tahun 1995. Analisis bentuk berbasis landmark telah menjadi inti morfometrik geometris dan telah digunakan sebagai alat kuantitatif dalam biologi evolusioner dan perkembangan (Klingenberg 2010). Menurut Takemura et al. (2002) urutan landmark dipandang sebagai urutan poligon. Pendekatan poligon adalah metode yang mereduksi jumlah titik pada kontur (Grigore et al. 2003). Dalam prakteknya, poligon memiliki dua pendekatan untuk mendapatkan hasil yang representatif. Pertama dengan menentukan jumlah titik poligon dan dan kedua menentukan margin bentuknya (Arcelli et al.1993; Poyato C et al. 2005; Poyato C et al. 2010; Kolesnikov et al. 2005; Kolesnikov et al. 2007; Latecki et al. 2009; Prasad et al. 2012). Pada intinya metode ini menghilangkan beberapa titik kontur, sehingga yang tersisa adalah titik dominan yang bisa merepresentasikan kontur itu sendiri. Penelitian ini menggunakan metode poligon yang telah dikembangkan oleh Prasad et al. (2012). Metode ini digunakan untuk merepresentasikan bentuk-bentuk bangun datar. Metode Prasad ini menggunakan margin dengan threshold dinamis.
2 Selanjutnya untuk mengukur nilai kemiripan antar poligon pada penelitian ini menggunakan metode fungsi tangen dan Lp Metric (Arkin et al. 1991). Metode pengukuran kemiripan ini berdasarkan dengan luas antara dua poligon.
Tujuan 1. 2. 3. 4.
Penelitian ini bertujuan untuk: Mengekstraksi titik penting (landmark) sepanjang kontur daun. Mengekstrak ciri kontur menggunakan fungsi tangen. Mengukur kemiripan daun menggunakan Lp Metric. Mengembangkan sistem identifikasi bentuk daun tumbuhan obat berbasis kontur. Ruang Lingkup
Ruang lingkup penelitian ini adalah: 1. Data yang digunakan adalah data citra tumbuhan obat Indonesia dari beberapa lokasi pembudidayaan. 2. Data citra ini diambil dengan menggunakan kamera digital dengan posisi tegak terhadap daun baik dari arah depan maupun belakang dan ada pula yang di ambil menggunakan scanner. 3. Data citra daun yang digunakan dirotasi sehingga tegak lurus terhadap garis horizontal dan berlatar belakang putih. 4. Penelitian ini berfokus pada ekstraksi dan pengukuran kemiripan berbasis poligon. 5. Kelas bentuk dalam penelitian ini ialah: Cordate, Deltoid, Eliptic, Lancolate, Obovate, Ovate dan Reniform.
3
2 TINJAUAN PUSTAKA Tumbuhan Obat Baik secara tradisional maupun dengan teknologi modern, tumbuhan obat telah banyak diolah menjadi suplemen kesehatan dan obat dalam menyembuhkan penyakit. Pada tahun 2011, World Health Organization (WHO) menyatakan bahwa sekitar 80% penduduk dunia tergantung pada sebagian tumbuhan obat sebagai bahan utama pemelihara kesehatan mereka. Indonesia adalah negara yang memiliki keanekaragaman tumbuhan. Menurut data BAPENAS tahun 2003 terdapat lebih dari 38.000 jenis tumbuhan di Indonesia. Zuhud (2009) menjelaskan bahwa Fakultas Kehutanan IPB mencatat sekitar 2039 tumbuhan obat yang terdapat di hutan Indonesia. Bentuk Daun Ahli tumbuhan mengamati berbagai ciri pada tumbuhan dengan menggunakan kunci taksonomi untuk mengidentifikasi spesies suatu tumbuhan. Salah satu ciri yang diamati untuk menentukan spesies tumbuhan adalah bentuk daun. Berdasarkan bentuknya, daun dikelompokkan menjadi 20 kelas (Benson, 1957). Setiap kelas bentuk daun memiliki bentuk yang unik. Bentuk yang khas pada masing-masing kelas menjadi pembeda utama antara satu kelas dengan kelas lainnya. Selain itu, secara umum kelas bentuk daun juga ditentukan oleh perbandingan panjang terhadap lebar daun dan posisi terlebar dari daun. Gambar 1 adalah jenis-jenis bentuk daun yang terdapat di alam. Bentuk Cordate Umumnya, daun berbentuk cordate adalah bentuk yang menghampiri segitiga atau bentuk bulat telur, tapi kedua ujung dasarnya agak melingkar ke dalam (Ash et al. 1999). Daun yang berbentuk cordate melebar pada bagian dasar dan lancip pada bagian puncak. Karakteristik utama dari bentuk cordate terletak pada bagian dasar yang melingkar ke dalam (Gambar 2). Bentuk Eliptic Eliptic adalah bentuk daun yang memiliki bagian terluas di tengah daun (Gambar 3). Daun elips memiliki lebar luas di tengah dan kemudian lancip di ujungnya. Bentuk eliptic merupakan bentuk daun dengan lebar pada bagian dasar dan bagian puncak daun mempunyai ukuran lebar yang sama dan bahagian tengah daun lebih lebar (Ash et al. 1999). Bentuk Lancolate Lancolate adalah bentuk daun seperti mata tombak di sumbu terluas yang terletak dekat dasar dan secara bertahap menyempit ke ujung runcing (Ash et al. 1999). Sebuah daun lancolate memiliki bagian terlebar di bagian tengah seperti terlihat di Gambar 4.
4
Gambar 1 Bentuk daun menurut Benson (1957)
Gambar 2 Dasar daun cordate
Gambar 3 Bentuk daun Eliptic
Gambar 4 Bentuk daun lancolate
Bentuk Obovate Obovate (telur bulat sungsang) adalah bentuk daun bulat telur yang mendekati apex terluas (Ash et al. 1999). Daun obovate digambarkan dengan luas dari tengah ke apex kira-kira dua kali lipat dari tengah ke dasar seperti yang di tunjukan di Gambar 5. Bentuk daun ini adalah lancip dari dasar atau pangkal dan membesar seterusnya membulat menuju puncak daun. Bentuk daun ini mempunyai merupakan bentuk terbalik dari bentuk ovate.
Gambar 5 Bentuk daun obovate Bentuk Ovate Ovate adalah bentuk daun yang melebar di bagian bawah atau dasar sehingga menyerupai bentuk telur (Ash et al. 1999). Pada Gambar 6 memperlihatkan daun ovate yang menyerupai bulat telur dengan luas di bagian tengah ke bawah kira-kira dua kali luas dari tengah ke apex. Bentuk daun ini berlawanan dengan bentuk obovate.
2
Gambar 6 Bentuk daun ovate Bentuk Reniform Reniform adalah bentuk daun yang melingkar yang sedikit melengkung dengan bagian tengah lebih lebar dari kedua ujungnya. Pada Gambar 7 daun reniform melebar di bagian puncak yang tidak meruncing, dan seperti bentuk cordate, karakteristik utama dari reniform ada di bagian dasar yang melingkar ke dalam.
Gambar 7 Bentuk daun reniform Bentuk Deltoid Deltoid adalah bentuk daun yang berbentuk segitiga. Di bagian dasarnya hampir sejajar dengan garis horizontal. Gambar 8 menunjukkan posisi daun segitiga yang lebar di bagian dasarnya dan meruncing di bagian puncaknya.
Gambar 8 Bentuk daun deltoid
3 Praproses Praproses adalah tahap awal dalam suatu penelitian yang berbasis citra. Tahap ini berupa segmentasi dan thresholding. Segmentasi Segmentasi adalah langkah paling penting dalam analisis citra karena kinerjanya secara langsung mempengaruhi kinerja langkah-langkah pengolahan selanjutnya. Segmentasi berperan dalam mengekstrak informasi citra untuk menciptakan daerah homogen dengan mengelompokkan piksel ke dalam kelompok-kelompok sehingga membentuk daerah yang memiliki kemiripan. Daerah homogen yang terbentuk memiliki nilai kemiripan sesuai dengan kriteria seleksi tertentu misalnya intensitas, warna, dan lain-lain (Kaur et al. 2011). Metode Thresholding Thresholding bertujuan mengenali dan mengekstrak target dari background berdasarkan pada distribusi gray level atau tekstur pada objek citra. Teknik ini berfungsi untuk segmentasi citra (Nagesh et al. 2010). Teknik thresholding mengevaluasi setiap piksel citra untuk menentukan apakah piksel tersebut termasuk objek atau tidak sehingga menghasilkan citra biner (Kaur et al. 2011). Proses ini bekerja dengan memberikan nilai 1 untuk semua piksel yang termasuk dalam interval threshold dan nilai 0 untuk piksel lainnya. Thresholding mengkonversi citra grayscale dengan nilai piksel berkisar dari 0 sampai 255 ke citra biner dengan nilai-nilai piksel 0 atau 1. Thresholding memungkinkan untuk memilih nilai interval piksel pada citra grayscale dan berwarna untuk memisahkan objek dari background (Bhardwaj 2012). Nilai threshold ( 𝑡 ) dipilih untuk memisahkan foreground objek dari background pada keseluruhan citra atau Region of Interest (ROI) dalam citra 𝐼(𝑥, 𝑦) sesuai dengan Persamaan 1. 1, 𝐼(𝑥, 𝑦) ≥ 𝑡 𝑡[𝐼(𝑥, 𝑦)] = { 0, 𝐼(𝑥, 𝑦) < 𝑡
(1)
dengan 𝐼 adalah intensitas citra dan (𝑥, 𝑦) adalah koordinat spasial. Thresholding dalam penelitian ini digunakan untuk memisahkan objek dari background. Deteksi Kontur (Polygonal Approximation) Polygonal Approximation merupakan metode penyederhanaan bentuk menggunakan representasi kurva (Grigore et al. 2003). Definisi : diasumsikan ada himpunan {𝑃1 , 𝑃2 , 𝑃3 , … , 𝑃𝑛 } adalah rangkaian titik-titik berurutan, yang merepresentasikan sebuah kurva digital, kemudian diberikan perlakuan sehingga himpunan titik-titik berkurang menjadi {𝑄1 , 𝑄2 , 𝑄3 , … , 𝑄𝑚 }, 𝑚 < 𝑛 dan bisa merepresentasikan bentuk kurva (Gambar 9).
4
𝑄2
kurva digital
𝑃4
𝑃2
𝑃5
𝑃3
𝑃1
Polygonal Approximation
𝑃 𝑄3 6
𝑄1
Gambar 9 Visualisasi pendekatan poligon Ada dua cara utama polygonal approximation untuk mengurangi titik: Min – ε : adalah metode yang membentuk polygonal approximation berdasarkan jumlah titik landmark yang sudah ditentukan. Misalkan kurva 𝑃1 , 𝑃2 , 𝑃3 , … , 𝑃8 pada Gambar 10a direduksi menjadi 4 titik landmark, sehingga titik-titik 𝑃1 , 𝑃3 , 𝑃5 , 𝑃8 atau 𝑃1 , 𝑃4 , 𝑃6 , 𝑃8 dikatakan sebagai poligon kurva. - Min - # : adalah metode polygonal approximation yang membentuk landmark polygon berdasarkan margin yang sudah ditentukan. Misalkan kurva 𝑃1 , 𝑃2 , 𝑃3 , … , 𝑃8 pada Gambar 10b dengan adanya batasan garis poligon (ε), sehingga titik-titik 𝑃1 , 𝑃3 , 𝑃5 , 𝑃8 atau 𝑃1 , 𝑃3 , 𝑃6 , 𝑃8 dikatakan sebagai poligon kurva. -
𝑃3
𝑃4
𝑃1
𝑃8
𝑃6
𝑃2
𝑃7
𝑃5
kurva digital
(a) 𝑃3
𝑃4
𝑃8
𝑃6
𝑃2 𝑃1
Polygonal Approximation yang mungkin
𝑃7
𝑃5 (b)
Gambar 10 Min - # (a) dan Min – ε (b) Polygonal Approximation Metode Prasad L-RDP Max Untuk kurva digital 𝑒 = {𝑃1 , 𝑃2 , 𝑃3 , … , 𝑃𝑁 } dengan 𝑃𝑖 adalah edge yang ke 𝑖 di dalam kurva 𝑒 (Prasad 2012). Garis yang melewati sepasang titik 𝑃𝑎 (𝑥𝑎 , 𝑦𝑎 ) dan 𝑃𝑏 (𝑥𝑏 , 𝑦𝑏 ) dapat diberikan sebagai berikut: 𝑥(𝑦𝑎 −𝑦𝑏 ) + 𝑦(𝑥𝑏 − 𝑥𝑎 ) + 𝑦𝑏 𝑥𝑎 − 𝑦𝑎 𝑥𝑏 = 0
(2)
5 maka tingkat perbedaan 𝑑𝑖 (deviation) dari titik yang ke 𝑃𝑖 (𝑥𝑖 , 𝑦𝑖 ) ∈ 𝑒 yang melewati garis {𝑃1 , 𝑃𝑁 } dapat di nyatakan dengan: 𝑑𝑖 = |𝑥𝑖 (𝑦1 −𝑦𝑁 ) + 𝑦𝑖 (𝑥𝑁 − 𝑥1 ) + 𝑦𝑁 𝑥1 − 𝑦1 𝑥𝑁 |
(3)
dari tingkat perbedaan 𝑑𝑖 dapat dilihat seberapa jauh penyimpangan yang terjadi, seperti terlihat dalam Gambar 11. 𝑃7
𝑃4
𝑃2 𝑑1
𝑑2
𝑑3
𝑃3
𝑃1
𝑃5
𝑃8
𝑑4 𝑃6
kurva digital Polygonal Approximation
Gambar 11 Tingkat perbedaan 𝑑𝑖 Berdasarkan Gambar 11 𝑑1 adalah tingkat perbedaan dari 𝑃2 terhadap pasangan titik 𝑃1 dan 𝑃4 , dan 𝑑1 memiliki tingkat perbedaan terbesar. Dengan ini berarti bahwa semakin besar 𝑑𝑖 maka tingkat kemiripan antara kurva digital dan hasil polygonal approximation semakin jauh. Dalam metode ini untuk menjaga hasil polygonal approximation agar dapat merepresentasikan kurva digital maka 𝑑𝑖 akan diberi batas seperti berikut: max(𝑑𝑖 ) < 𝑑𝑡𝑜𝑙
(4)
dengan 𝑑𝑡𝑜𝑙 sebagai batasan toleransi. Seperti yang terlihat pada Gambar 12 𝑑𝑡𝑜𝑙 berfungsi sebagai margin.
𝑃4
𝑃2 𝑑1 𝑃1
𝑑2 𝑃3
𝑑4
𝑑3 𝑃5
𝑃8
𝑃6 kurva digital Polygonal Approximation
Gambar 12 Margin 𝑑𝑡𝑜𝑙
Margin
𝑑𝑡𝑜𝑙
Untuk menentukan 𝑑𝑡𝑜𝑙 , pada umum dilakukan secara heuristis. Pada metode ini Prasad (2011) telah melakukan optimasi untuk menentukan 𝑑𝑡𝑜𝑙 yang maximum.
6 Optimasi Prasad Setiap rangkaian poligon yang berurutan jika didigitalkan maka jarak maksimum antara rangkaian garis digital dan rangkaian garis kontinu dibatasi dan dapat dihitung secara analitis. Oleh karena asumsi tersebut maka nilai 𝑑𝑡𝑜𝑙 dapat di pilih secara adaptif dengan mempertimbangkan efek dari digitalisasi kemiringan garis yang menghubungkan dua titik. Misalkan titik umum 𝑃(𝑥, 𝑦) didekati oleh piksel 𝑃′(𝑥 ′ , 𝑦 ′ ) seperti terlihat pada Gambar 13. 𝑥 ′ = 𝑥 + ∆𝑥
𝑦 ′ = 𝑦 + ∆𝑦
(5)
𝑃2 𝑃2 ′ 𝜕𝜙 𝑠 𝑃1 ′ 𝑃1 Gambar 13 Hubungan dua garis 𝑃1 (𝑥1 , 𝑦1 )𝑃2 (𝑥2 , 𝑦2 ) dan 𝑃1 ′(𝑥1 ′, 𝑦1 ′)𝑃2 ′(𝑥2 ′, 𝑦2 ′) Gambar 13 menunjukkan hubungan gradien dari garis 𝑃1 (𝑥1 , 𝑦1 )𝑃2 (𝑥2 , 𝑦2 ) dan 𝑃1 ′(𝑥1 ′, 𝑦1 ′)𝑃2 ′(𝑥2 ′, 𝑦2 ′). Dari sini bisa mengukur kemiringan (𝑚) garis 𝑃1 𝑃2 dan 𝑃1 ′𝑃2 ′ seperti berikut: 𝑦 −𝑦
𝑚 = 𝑥2−𝑥1 2
1
𝑦 ′ −𝑦 ′
𝑚′ = 𝑥 2′−𝑥1 ′
(6)
2
=
1 Δ𝑦 −Δ𝑦1 𝑚+ 2 𝑥2 −𝑥1 Δ𝑥2 −Δ𝑥1 1+ 𝑥2 −𝑥1
selanjutnya untuk mengukur sudut 𝜕𝜙 dan jarak 𝑠 sebagai berikut: 𝑠 = √(𝑦2 − 𝑦1 )2 + (𝑥2 − 𝑥1 )2
(7)
𝜕𝜙 = |tan−1(𝑚) − tan−1 (𝑚′)|
(8)
dari Persamaan (3), (7) dan (8) di dapat: 1
𝜕𝜙𝑚𝑎𝑥 = max ( 2 (sin 𝜙 ± cos 𝜙)(|𝑠 2 − 𝑠(± cos 𝜙 ± sin 𝜙) + (± cos 𝜙 ± sin 𝜙)2 |)) 𝑠
(9)
dengan 𝜙 = tan−1 (𝑚). Maka untuk perbedaan 𝑑𝑡𝑜𝑙 yang maksimum adalah: 𝑑𝑡𝑜𝑙 = 𝑠𝜕𝜙𝑚𝑎𝑥
(10)
7
dengan Persamaan 10 dapat menentukan margin polygonal approximation yang paling sesuai untuk setiap pasangan titiknya, sehingga dapat merepresentasikan kurva digital. Fungsi Tangen Fungsi tangen adalah metode yang mentransformasi kurva atau vektor ke satuan sudut dan jarak. Misalkan A adalah poligon planar dengan n titik poligon. Poligon A terdiri dari titik dalam ruang xy dilambangkan {a0, a1, a2, a3, a4,.., an}. Titik ai terhubung dengan titik ai+1. Begitu pula titik akhir an-1 terhubung dengan titik awal a0. Misalkan vektor a i menunjukkan vektor dari ai ke ai+1, vektor ini memberikan arah dan panjang untuk tepi yang ke i dan dapat dihitung menggunakan Persamaan 15. Jadi a i adalah panjang tepi ke i. Sedangkan untuk menghitung sudut misalkan 𝜃𝑖 adalah sudut antara ai(𝑥𝑖 , 𝑦𝑖 ) ke ai+1(𝑥𝑖+1 , 𝑦𝑖+1 ) (seperti terlihat pada Gambar 14) dapat dihitung menggunakan Persamaan 14 (Zhang at al, 2001). Gambar 15 menunjukkan contoh poligon sederhana dan representasi fungsi tangennya. 𝑦
−𝑦
𝜃𝑖 = arctan 𝑥𝑖+1 −𝑥 𝑖 𝑖+1
a i a i1 a i
(14)
𝑖
(15)
a1 𝜃3 a0
a3
a2 Gambar 14 Besar sudut fungsi tangen
8
Gambar 15 Fungsi tangen Pengukuran Kemiripan (Lp metrics) Untuk membandingkan dua fungsi tangen 𝜃𝐴 dan 𝜃𝐵 dapat digunakan pengukuran Lp metrics pada Persamaan 16 (Arkin et al. 1991). Konsep pengukuran kemiripan antara dua fungsi tangen ini terletak pada luas antara dua fungsi tangen. Dengan menggunakan Persamaan 16 maka kita dapat menghitung setiap luas persegi yang berada di antara dua fungsi tangen seperti terlihat pada Gambar 16. 2
𝑑2𝐴,𝐵 (𝜃) = ∫(𝜃𝐴 (𝑠) − 𝜃𝐵 (𝑠)) 𝑑𝑠
(16)
Gambar 16 Perbandingan dua fungsi tangen Evaluasi Pada tahap evaluasi dilakukan penilaian secara sistem temu kembali informasi dengan melakukan pengukuran recall dan precision untuk menentukan tingkat keefektifan hasil pengukuran kemiripan kurva. Precision mengevaluasi
9 kemampuan sistem temu kembali informasi untuk menemukan kembali data peringkat teratas yang paling relevan, dan didefinisikan sebagai persentase data yang dikembalikan yang benar-benar relevan terhadap data yang di terima. Recall mengevaluasi kemampuan sistem temu kembali informasi untuk menemukan semua data yang relevan dari dalam koleksi data dan didefinisikan sebagai persentase data yang relevan terhadap jumlah seluruh data yang relevan. Untuk lebih jelasnya perbandingan antara recall dan precision dapat dilihat pada Tabel 1 dan Persamaan 17 (Bruckley at al. 2004). Tabel 1 Data relevan dan data yang diterima Relevan
Tidak Relevan
Terambil
A
B
Tidak Terambil
C
D
A
𝑅𝑒𝑐𝑎𝑙𝑙 = A+C
A
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = A+B
(17)
10
3 METODE PENELITIAN Tahapan Penelitian Secara garis besar langkah penelitian dapat digambarkan sebagai berikut:
Citra Daun Praproses
Deteksi Kontur (Polygonal Approximation) Ekstraksi Fitur (Tangent Function) Pengukuran Kemiripan (Lp Metrics) Analisis Kontur Evaluasi (Information Retrieval) Gambar 17 Langkah-langkah metode penelitian Data daun Penelitian ini menggunakan data citra daun tumbuhan obat dari berbagai daerah. Diantaranya diambil di kebon raya Bogor, kebun raya cibodas Jawa barat, daerah sekitar kampus IPB Dramaga. Namun pada penelitian ini tidak berfokus pada lokasi pengambilan data. Pada penelitian ini berfokus pada identifikasi bentuk daun tumbuhan obat menurut Benson (1957). Pada proses pengumpulan data dihasilkan 46 jenis spesies dan setiap spesies terdiri dari 10 citra daun (Dapat di lihat pada Lampiran 1). Dari data yang diperoleh telah di klasifikasi bentuk dari setiap spesies. Menurut klasifikasi kelas bentuk Benson, data hanya memiliki 7 kelas diantaranya Cordate, Deltoid, Eliptic, Lancolate, Obovate, Ovate, Reniform. Praproses Tahap praproses dilakukan untuk mempersiapkan citra yang digunakan sebelum masuk ke tahap ekstraksi fitur. Tahap awal praproses adalah mengubah
11 mode warna citra dari RGB (Red-Green-Blue) menjadi grayscale. Tujuannya adalah penyederhanaan citra yang awalnya terdiri atas tiga layer matriks yaitu Rlayer, G-layer dan B-layer menjadi satu layer matriks sehingga mengurangi waktu pemrosesan. Selanjutnya Citra diubah ke bentuk biner nol dan satu. Tahap selanjutnya dilakukan segmentasi thresholding untuk memisahkan objek citra daun dari background. Gambar 18 memperlihatkan tahapan proses citra daun.
Gambar 18 Citra daun berwarna (kiri), Citra daun grayscale (tengah), Citra daun B/W (kanan) Deteksi Kontur (Polygonal Approximation) Hasil dari tahapan praproses citra adalah citra daun dengan kualitas yang sesuai untuk diolah dalam tahapan berikutnya. Tahapan yang selanjutnya dilakukan yaitu proses deteksi tepi citra. Deteksi tepi citra merupakan proses untuk menghasilkan tepi-tepi dari objek citra sehingga dapat diketahui bagian yang menjadi detil citra (Gambar 19). Suatu titik a(x,y) disebut tepian (edge) dari citra apabila mempunyai perbedaan intensitas yang tinggi terhadap titik tetangganya. Tepi daun dideteksi karena merupakan titik-titik dengan perbedaan intensitas warna yang mencolok terhadap warna latar belakang.
Gambar 19 Citra daun hasil praproses citra (kiri), Tepi terluar daun (kanan)
12
Gambar 20 Tepian daun yang membentuk kontur daun Tahap selanjutnya adalah memilih titik-titik penting atau landmark dengan menggunakan metode polygonal approximation. Tepi daun terdiri dari titik-titik piksel yang membentuk satu kesatuan bentuk daun (Gambar 20). Titik-titik ini dapat representasikan ke dalam bidang dimensi dua yang memiliki aksis (x) dan ordinat (y). Seperti terlihat pada Gambar 21 titik 𝑃𝑖 mewakili satu titik piksel dengan 𝑖 = 1,2,3, … 𝑙 dan 𝑙 merupakan banyaknya titik piksel tepi daun.
𝑃𝑖 (𝑥𝑖 , 𝑦𝑖 )
Gambar 21 Sebagian tepi daun yang di representasikan dalam bentuk piksel Untuk menentukan landmark disepanjang kontur, dihitung persamaan garis lurus antara titik piksel awal 𝑃1 (𝑥1 , 𝑦1 ) dan titik piksel akhir 𝑃𝑙 (𝑥𝑙 , 𝑦𝑙 ). Persamaan garis ini diperoleh dengan menggunakan Persamaan 2. Setelah mendapatkan persamaan garis lurus selanjutnya menghitung tingkat perbedaan 𝑑𝑖 dengan 𝑖 di antara 1 dan 𝑙 . Landmark ditentukan dengan membatasi nilai 𝑑𝑖 sesuai dengan Persamaan 3. Apabila nilai 𝑑𝑖 masih melebihi nilai 𝑑𝑡𝑜𝑙 maka proses akan kembali pada penentuan titik awal dan dengan titik akhir 𝑃𝑙−1 (𝑥𝑙−1 , 𝑦𝑙−1 ). Proses akan berulang sampai 𝑃𝑙−𝑘 (𝑥𝑙−𝑘 , 𝑦𝑙−𝑘 ) dengan 𝑘 adalah nilai yang terpenuhi pada saat 𝑑𝑖 < 𝑑𝑡𝑜𝑙 . Untuk mendapatkan landmark selanjutnya posisi titik awal pindah ke 𝑃𝑙−𝑘 (𝑥𝑙−𝑘 , 𝑦𝑙−𝑘 ) selanjutnya menentukan garis lurus, 𝑑𝑖 sehingga mendapatkan 𝑘 selanjutnya. Proses ini akan berlanjut dan akan berhenti pada 𝑘 = 𝑙. Setelah proses berhenti seluruh titik-titik penting atau landmark telah terpilih. Landmark yang dihasilkan digunakan untuk merepresentasikan bentuk daun. Seperti terlihat pada Gambar 22 untuk menjaga bentuk daun metode ini menggunakan thrashold atau margin. Garis putus-putus merah pada Gambar 22
13 merupakan 𝑑𝑡𝑜𝑙 dalam Persamaan 4. 𝑑𝑡𝑜𝑙 didapatkan berdasarkan teori optimasi Prasad (2012).
Gambar 22 Penerapan polygonal approximation terhadap kontur daun.
Ekstraksi Fitur (Tangent Function) Fungsi tangen adalah metode untuk merepresentasikan bentuk ke fungsi jarak dan sudut. Fungsi tangen merupakan metode transformasi kurva atau vektor ke satuan sudut dan jarak. Proses transformasi ke fungsi tangen seperti terlihat pada Gambar 23. Setiap pasangan titik 𝑃1 (𝑥1 , 𝑦1 ) dan 𝑃2 (𝑥2 , 𝑦2 ) dihitung sudut tangen antara titik 𝑃1 dan 𝑃2 kemudian menghitung jarak antara 𝑃1 dan 𝑃2 . Proses selanjutnya untuk titik 𝑃2 dan 𝑃3 , proses ini akan berhenti pada saat posisi titik 𝑃𝑛 dan 𝑃1 . Pada Gambar 23 di bagian kiri merupakan poligon dari daun dan di bagian kanan merupakan visualisasi fungsi tangen.
𝜃3 𝜃2 𝜃1 𝑃1
𝑃3
𝑃2
Gambar 23 Proses perubahan ke fungsi tangen
Pengukuran Kemiripan (Lp Metric) Tahap identifikasi ialah tahap proses menghitung kemiripan kurva. Setelah mendapatkan fungsi tangen selanjutnya kemiripan kurva dengan menggunakan Lp metric. Sistem pengukuran kemiripan ini ialah untuk mengukur luas daerah di antara dua fungsi tangen. Dengan Persamaan 16 luas daerah antara dua fungsi dapat dihitung. Gambar 24 memperlihatkan ilustrasi luas daerah dari dua fungsi tangen.
14
Gambar 24 Tahapan perhitungan nilai kemiripan dua poligon
Analisis Kontur Setiap spesies tumbuhan obat memiliki bentuk poligon masing-masing. Bentuk poligon terdiri dari titik penting yang bisa merepresentasikan bentuk daun. Dari bentuk ini akan dilihat perubahan jumlah titik dari setiap bentuk, perubahan posisi titik-titik, dan melihat tingkat kemiripan. Evaluasi Setelah mendapatkan nilai kemiripan, selanjutnya mencocokkan poligon yang sesuai, untuk menghitung berapa klasifikasi yang benar dan yang tidak. Perhitungan akurasi dihitung berdasarkan sistem temu kembali (Information Retrival) recall dan precision.
15
4 HASIL DAN PEMBAHASAN
Praproses Tahap praproses merupakan tahap setelah mengumpulkan data citra daun di lapangan. Data yang terkumpul berasal dari kamera dan scaner. Setiap data memiliki ukuran, posisi, kecerahan yang berbeda-beda. Oleh sebab itu dilakukan praproses secara manual dengan mengcrop dan mengrotasikan citra daun sehingga tegak lurus terhadap garis horizontal. Citra yang sudah diproses secara manual memiliki latar belakang putih dan posisi daun berdiri tegak lurus terhadap garis horizontal. Citra diubah menjadi biner dengan operasi threshold. Dengan nilai threshold statis, piksel yang memiliki nilai lebih besar dari threshold akan memiliki nilai 1 (putih), sedangkan yang lebih kecil akan memiliki nilai piksel 0 (hitam). Objek daun menjadi berwarna hitam dan latar belakang menjadi putih. Gambar 25 adalah contoh citra daun yang melewati tahap praproses.
Gambar 25 Tahap praproses citra asli (kiri), citra dengan latar belakang terpisah dan posisi tegak (tengah), dan citra setelah threshold (kanan) Deteksi Tepi Deteksi tepi bentuk citra daun menggunakan algoritma Canny sehingga akan didapatkan kontur yang daun dengan ketebalan satu piksel. Tahap selanjutnya titik piksel diurutkan sesuai dengan bentuk daun. Gambar 26 menunjukan hasil tepian dari bentuk daun.
Hasil dan Analisis Bentuk Ekstraksi landmark di sepanjang kontur dilakukan dengan menggunakan polygon approximation. Dalam komputasinya penentuan landmark ini dilakukan pada semua titik disepanjang kontur secara iteratif. Proses iterasi ini bermula pada penentuan penentuan garis antara dua titik, menghitung margin toleransi sampai pada mendapatkan satu landmark. Dengan proses ini didapatkan titik landmark sepanjang kontur yang merepresentasikan bentuk.
16
Gambar 26 Hasil bagian tepi daun
Cordate Bentuk daun cordate mempunyai ciri khusus di bagian dasarnya. Gambar 27 memperlihatkan citra daun asli dan hasil poligonnya. Ciri khas dari daun cordate yaitu terletak pada bagian dasar daun, secara visual titik landmark terlihat sama dengan citra aslinya. Gambar 27 menunjukkan di bagian dasar titik landmark sama persis dengan gambar aslinya.
Gambar 27 Bentuk daun cordate citra asli (kiri), hasil titik landmark (kanan) Deltoid Deltoid mempunyai ciri khas yang berbentuk segitiga dan di bagian dasarnya hampir sejajar dengan garis horizontal. Gambar 28 menunjukkan bahwa titik landmark yang terbentuk hampir berbentuk segitiga dan di bagian dasarnya juga hampir membentuk garis yang sejajar dengan garis horizontal. Hal ini menunjukkan bahwa metode ini dapat merepresentasikan bentuk deltoid. Namun pada daun deltoid ini sedikit berbeda pada bagian tepinya yang bergerigi. Hal ini mengakibatkan hasil dari titik landmark bergerigi pula seperti terlihat pada Gambar 28.
17
Gambar 28 Bentuk daun deltoid citra asli (kiri), hasil titik landmark (kanan) Eliptic Eliptic merupakan daun yang berbentuk elips yang memiliki luas terbesar di bagian tengahnya. Gambar 29 memperlihatkan titik landmark dapat merepresentasikan bentuk elips daun. Titik landmark pada Gambar 29 di bagian dasar ada beberapa tumpukan titik landmark, hal ini di sebabkan karena citra asli ada beberapa lekukan sehingga poligonnya pun mengikuti bentuk lekukan tersebut. Lancolate Lancolate merupakan bentuk daun yang agak lancip. Lebar di bagian tengah daun berlahan-lahan menyempit sedikit demi sedikit hingga pada puncak apex dan base-nya. Gambar 30 menunjukkan hasil titik landmark dan citra aslinya. Titik landmark secara umum dapat merepresentasikan bentuk secara utuh. Di bagian dasar terlihat ada penumpukan titik titik landmark hal ini disebabkan kara citra asli ada beberapa lekukan sehingga titik landmark mengikuti citranya.
Gambar 29 Bentuk daun eliptic citra asli (kiri), hasil titik landmark (kanan)
18
Gambar 30 Bentuk daun lancolate citra asli (kiri), hasil titik landmark (kanan) Obovate Obovate adalah bentuk daun yang hampir menyerupai bentuk bundar telur. Ciri khas dari obovate ada di bagian apex yang lebar, dan di bagian base yang menyempit. Gambar 31 menunjukan titik landmark berhasil merepresentasikan bentuk obovate.
Gambar 31 Bentuk daun obovate citra asli (kiri), hasil titik landmark (kanan) Ovate Ovate adalah bentuk daun yang sama dengan obovate yaitu hampir menyerupai bentuk bundar telur. Ciri khas dari ovate ada di bagian apex yang menyempit, dan di bagian base yang melebar berlawanan dengan bentuk obovate. Gambar 32 Bentuk daun ovate citra asli (kiri), hasil titik landmark (kanan) menunjukkan titik landmark yang berhasil merepresentasikan bentuk ovate. Reniform Reniform merupakan bentuk daun yang hampir melingkar dan di bagian base agak melengkung hampir serupa dengan cordate. Gambar 33 menunjukkan daun asli dan titik landmark dari bentuk reniform. Ciri khas yang berbeda dengan daun lainnya terletak pada bagian dasar yang melengkung ke dalam hampir serupa dengan cordate. Gambar 33 memperlihatkan bahwa titik landmark berhasil merepresentasikan bentuk reniform.
19
Gambar 32 Bentuk daun ovate citra asli (kiri), hasil titik landmark (kanan)
Gambar 33 Bentuk daun reniform citra asli (kiri), hasil titik landmark (kanan)
Fungsi Tangen Fungsi tangen untuk setiap bentuk memiliki ciri khusus terutama pada titik puncak atau apex dan pada titik dasar atau base. Gambar 34 menunjukkan perubahan pada titik apex dan pada base. Pada umumnya semua bentuk memiliki perubahan pada fungsi tangen di bagian puncak dan bagian dasarnya. 400
apex
base
350 300
Sudut
250 200
apex
150 100 50 0
base
-50 0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
Jarak
Gambar 34 Poligon (kiri) dan hasil fungsi tangen (kanan)
0.9
1
20 Untuk setiap poligon yang diubah ke fungsi tangen dapat di lihat pada Tabel 2. Bentuk cordate, eclips, lancolate, obovate, ovate, reniform dan deltoid memiliki ciri masing-masing. setiap bentuk memiliki titik puncak dan dasar yang berbedabeda. Khusus untuk bentuk reniform dan obovate perubahan titik puncak tidak terlalu signifikan hal ini di sebabkan karena bentuk puncak yang tidak terlalu meruncing. Tabel 2 Hasil transformasi poligon ke fungsi tangen untuk beberapa data daun No 1
Bentuk
Pendekatan Poligon
Fungsi Tangen 400
Cordate
Sudut
300 200 100 0 -100
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Jarak
2
Sudut
310 210 110
Elips 10 -90
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Jarak
3
Lancolate
Sudut
390 290 190 90 -10 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Jarak
21 No 4
Bentuk
Pendekatan Poligon
Fungsi Tangen 500
Obovate
Sudut
400 300 200 100 0 -100 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Jarak
5 400
Ovate
Sudut
300 200 100 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Jarak
6 400
Reniform
Sudut
300 200 100 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Jarak
300
Deltoid
Sudut
200 100 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 -100
Jarak
22 Tren Perubahan Bentuk Fungsi Tangen Tren perubahan fungsi tangen pada penelitian ini terdiri dari tiga bagian besar yaitu naik, turun dan mendatar. Pada umumnya fungsi tangen ini mengikuti besar sudut bentuknya. Ketika perubahan sudut bentuknya besar maka secara otomatis fungsi tangen pun akan naik secara signifikan. Hal ini bisa dilihat pada Gambar 35 titik puncak adalah saat perubahan sudut yang cukup besar sehingga fungsi tangen naik secara signifikan. Sebaliknya pada Gambar 36 menunjukkan fungsi turun, fungsi turun disebabkan karena bentuk yang agak masuk ke dalam. Fungsi tangen yang mendatar dapat terlihat pada Gambar 37. Pada Gambar 37 menunjukkan fungsi tangen yang sedikit demi sedikit meningkat. Hal ini di sebabkan karena pada bentuk tidak memiliki perubahan bentuk sudut yang cukup besar sehingga fungsi tangen naik secara berlahan. Di Gambar 37 juga terlihat beberapa noise naik dan turun. Noise ini dikarenakan oleh kerapatan titik-titik dari bentuk yang memiliki perubahan sudut.
Gambar 35 Fungsi tangen naik
Gambar 36 Fungsi tangen turun
Gambar 37 Fungsi tangen mendatar
23 Pengukuran Kemiripan Hasil perbandingan dua fungsi tangan sebagai contoh terlihat pada Gambar 38. Gambar 38 merupakan perbandingan dua fungsi tangen dari bentuk cordate. Ada dua bagian fungsi tangen yang memiliki perubahan yang cukup signifikan, terlihat pada dua lingkaran Gambar 38. Dua lingkaran ini menunjukkan bagian puncak dan bagian dasar daun. Dari Gambar 38 terlihat bahwa pada umumnya fungsi tangen bentuk cordate sama. 400 350 300
Sudut
250 200 150 100 50 0 -50
0
0.2
0.4
0.6
0.8
1
Jarak
Gambar 38 Hasil perandingan bentuk cordate
Evaluasi Kemiripan Bentuk Daun Evaluasi pengukuran kemiripan citra dilakukan dengan menghitung tingkat rataan recall dan precision. Untuk menguji kesesuaian persepsi antara hasil pengukuran kemiripan citra secara poligon dengan visual. Berdasarkan hasil pengujian sistem, diperoleh tingkat rataan untuk setiap kelas citra ditunjukkan pada Tabel 3. Hasil percobaan menunjukkan bahwa metode ekstraksi poligon memiliki rataan akurasi precision sebesar 0.78 dan recall sebesar 0.71. Tabel 3 Rataan precision dan recall untuk setiap kelas citra Kelas Bentuk
precision
Recall
Cordate
0.96
0.86
Deltoid
0.67
0.61
Eliptic
0.86
0.78
Lancolate
0.75
0.68
Obovate
0.70
0.63
Ovate
0.56
0.50
Reniform
1.0
0.90
24
5 SIMPULAN DAN SARAN Simpulan Secara visual metode poligon dapat merepresentasikan bentuk dengan cukup baik. Penelitian ini menggunakan tujuh kelas bentuk daun yaitu: Cordate, Deltoid, Eliptic, Lancolate, Obovate, Ovate, Reniform. Dengan menggunakan metode polygon approximation, titik penting atau landmark dapat digunakan untuk merepresentasikan kontur daun tumbuhan obat Indonesia. Hasil yang didapatkan dari metode polygon approximation dapat mencirikan kontur dengan menggunakan fungsi tangen. Kemiripan kontur daun dapat di ukur menggunakan menggunakan Lp Metric. Sistem identifikasi daun tumbuhan obat berdasarkan atas sistem temu kembali dengan hasil percobaan menunjukkan bahwa metode ekstraksi poligon memiliki rataan akurasi precision sebesar 0.78 dan recall sebesar 0.71.
Saran Penelitian ini masih berfokus pada identifikasi bentuk daun, hasil penelitian ini dapat digunakan untuk mengidentifikasi spesies tumbuhan.
25 DAFTAR PUSTAKA Acton, FS. 1984. Analysis of straight-line data. New York: Peter Smith Publisher, Incorporated. Arcelli C, Ramella G. (1993). Finding contour-based abstractions of planar patterns. Elsevier, Pattern Recognition. Volume 26, Issue 10, October 1993, Pages 1563– 1577. Arkin E, Chew P, Huttenlocher P, Kedem K, Mitchell JS. 1991. An Efficiently Computable Metric for Comparing Polygonal Shapes. IEEE Transaction on Pattern Analysis and Machine Intelligence. 13(3):209-216. March 1991. Ash A, Ellis B, Hickey LJ, Johnson K, Wilf P, Wing S. 1999. Manual of Leaf Architecture. Department of Paleobiology Smithsonian Institution 10th St. & Constitution Ave., N.W. Washington, DC 20560-0121. Benson L. 1957. Plant classification. Boston (US):D.C. Heath and Company. Bhardwaj SC. 2012. Machine vision algorithm for PCB parameters inspection. New York, USA. NCFAAIIA(2) page 20-24. Buckley C, Voorhees E. 2004. Retrieval evaluation with incomplete information. SIGIR (pp. 25–32). ACM. Cope JS, Remagnino P, Barman S, Wilkin P. 2010. The extraction of venation from leaf images by evolved vein classi ers and ant colony algorithms. Advanced concepts for intelligent vision systems. ISBN 978-3-642-17687-6. page 135144. Gao L, Lin X, Zhong M, Zeng J. 2010. A neural network classifier based on prior evolution and iterative approximation used for leaf recognition. ICNC, vol. 2 , 1038 – 1043. Institute of Electrical and Electronics Engineers, New York, New York, USA. Grigore O, Veltkamp R. 2003. On the implementation of polygonal approximation algorithms. Department of Information and Computing Sciences, Utrecht University. technical report UU-CS-2003-005. Gwo CY, Wei CH. 2013. Plant identification through images: using feature extraction of key points on leaf contours, Botanical Society of America. PubMed 25202493 Hajjdiab H, Al Maskari I. 2011. Plant species recognition using leaf contours. IEEE International Conference on Imaging Systems and Techniques. 306–309. Institute of Electrical and Electronics Engineers, New York, New York, USA. Herdiyeni Y, Adisantoso J, Damayanti EK, Zuhud EAM. 2013. Pemanfaatan teknologi tepat guna identifikasi tumbuhan obat berbasis citra. Jurnal Ilmu Pertanian Indonesia (JIPI) . ISSN 0853 – 4217. Vol. 18 (2): 85-91. Hikmat A, Zuhud EAM. 2011. Revitalisasi konservasi tumbuhan obat keluarga (TOGA) Guna Meningkatkan Kesehatan dan Ekonomi Keluarga Mandiri di Desa contoh Lingkar Kampus IPB Darmaga Bogor. Jurnalllmu Pertanian Indonesia. Vol. 16 No.2. ISSN 0853-4217. him. 71-80. Hossain J, Amin MA. 2010. Leaf shape identification based plant biometrics. Proceedings of 13th International Conference on Computer and Information Technology, Dec. 23-25. ICCITECHN.2010.5723901. page 458-463.
26 Kaur G, Singh B. 2011. Intensity based image segmentation using wavelet analysis and clustering techniques. Indian Journal of Computer Science and Engineering (IJCSE). ISSN : 0976-5166. Vol. 2 No. 3. Kirchgessner N, Schar H. Schurr U. 2002. Robust vein extraction on plant leaf images. Interdisciplinary Center for Scientific Computing, Ruprecht Karls University, 69120 Heidelberg, Germany. Klingenberg C P, 2010. Evolution and development of shape: integrating quantitative approaches. Nat. Rev. Genet. 11(9), 623–635. Kolesnikov A, Fränti P. 2005. Data reduction of large vector graphics. Elsevier, Pattern Recognition, Volume 38, Issue 3, March 2005, Pages 381–394. Kolesnikov A, Fränti P. 2007. Polygonal approximation of closed discrete curves. Elsevier, Pattern Recognition, Volume 40, Issue 4, April 2007, Pages 1282– 1293. Kumar N, Belhumeur P, Biswas A. 2012. Leafsnap: a computer vision system for automatic plant species identification. Computer Vision – ECCV 2012. Springer Berlin Heidelberg. ISBN 978-3-642-33708-6. page 502-516. Larese MG, Namíasa R, Craviotto RM. 2014. Automatic classification of legumes using leaf vein image features. Journal Pattern Recognition Volume 47 Issue, Elsevier Science Inc. New York, NY, USA. Latecki L J, Sobel M, Lakaemper R. (2009). Piecewise linear models with guaranteed closeness to the data. IEEE Transactions on Pattern Analysis and Machine Intelligence, 31(8), 1525-1531. Li Yan. 2006. Leaf vein extraction using independent component analysis. IEEE Conference on Systems, Man, and Cybernetics. (Volume:5 ). E-ISBN :1-42440100-3. Page 3890 – 3894. Li Yunfeng, Zhu Q, Ca Y. 2005. A leaf vein extraction method based on snakes technique. Journal Neural Networks and Brain. ICNN&B '05. International Conference on (Volume:2 ). ISBN: 0-7803-9422-4. Page 885 – 888. Nagesh AS, Varma GPS, Govardhan A. 2010. An improved iterative watershed and morphological transformation techniques for segmentation of microarray images. IJCA. CASCT(2):77 - 87. Poyato CA, Fernández-García NL, Medina-Carnicer R, Madrid-Cuevas FJ. 2005. Dominant point detection: A new proposal. Elsevier, Image and Vision Computing. Volume 23, Issue 13, 29 November 2005, Pages 1226–1236 Poyato CA, Madrid-Cuevas J, Medina-Carnicer R, Muñoz-Salinas R. 2010. Polygonal approximation of digital planar curves through break point suppression. Elsevier, Pattern Recognition Volume 43, Issue 1, January 2010, Pages 14–25. Prasad DK, Leung MKH. 2012. Polygonal representation of digital curves, digital image processing, Stefan G. Stanciu (Ed.), InTech. Rademaker CA. 2000. The classifi cation of plants in the United States Patent Classifi cation system . World Patent Information 22 : 301 – 307. Selvakumar K, Ray BK. 2013. Survey on polygonal approximation techniques for digital planar curves. International Journal of Information Technology, Modeling and Computing (IJITMC) Vol.1. Stehman SV. 1997. "Selecting and interpreting measures of thematic classification accuracy". Remote Sensing of Environment, Elsevier 62 (1): 77–89.
27 Takemura CM, Marcondes R. 2002. Shape analysis and classification using landmarks: Polygonal wavelet transform. In Proc. 15th European Conference on Artificial Intelligence ECAI2002. Tasukaya H. 2006 . Mechanism of leaf-shape determination. A nnual Review of Plant Biology 57 : 477 – 496. Viscosi V, Cardini A. 2011. Leaf Morphology, Taxonomy and Geometric Morphometrics: A Simplified Protocol for Beginners. PLoS ONE 6(10): e25630. doi:10.1371/journal.pone.0025630. Wu SG, Bao FS, Xu EY. 2007. A leaf recognition algorithm for plant classification using probabilistic neural network. Proceedings of the IEEE 7th International Symposium on Signal Processing and Information Technology, Dec. 15-18. ISSPIT.2007.4458016. page 11-16. Zhang DS, Lu G. 2001. "A comparative study on shape retrieval using fourier descriptors with diferent shape signatures," in Proc. International Conference on Intelligent Multimedia and Distance Education (ICIMADE01). Zuhud, EAM. 2009. Potensi Hutan Tropika Indonesia sebagai Penyangga Bahan Obat Alam untuk Kesehatan Bangsa. Jurnal Bahan Alam Indonesia. Vol. VI No. 6, Januari 2009.
28 LAMPIRAN Lampiran 1 Data daun No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37
Nama Daun Aeglemarmelos Ageratum Conyzoides Allamanda cathartica Altignia Excelsa Antanan Bareria Hispida Berberis Fortune Blumea Balsamifera Castaropsis Argantas Clidemia hirta Coleus scutellarioides Datura SP Daun Jinten Dillenra Philippinensis Eupatorium riparum Euphorbia prunifolia Euphorbia pulcherrima Excoecaria bicolor Gardenia August Graptophyllum Pictum Guazuma Umifolia Haottuina cordata Impatiens Balsamina Indigofera suffuritosa Ixora Japonica Jasminum Sambae Justicia gandarussa Strobilanthes crispus Magnolia SP Melastoma Malabatrikum Mirabilis Jalapa Morinda citrifolia Morus Alba Phaleria macrocarpa Piper aduncum Piper umbellatum Plantago mayor
Jumlah Citra 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10
Tergolong kelompok bentuk daun Obovate Deltoid Lancolate Eliptic Reniform Ovate Lancolate Eliptic Eliptic Eliptic Deltoid Cordate Deltoid Eliptic Eliptic Eliptic Eliptic Lancolate Eliptic Eliptic Ovate Cordate Eliptic Ovate Eliptic Eliptic Lancolate Eliptic Eliptic Eliptic Deltoid Obovate Cordate Eliptic Eliptic Cordate Eliptic
29 No 38 39 40 41 42 43 44 45 46
Nama Daun Pluchea indica Poh pohan Psidium Guajava Rumex japonicus Santiria Sida rombhifolia Synderella Nodiflora Synedella sp Tabernaemontana sp
Jumlah Citra 10 10 10 10 10 10 10 10 10
Tergolong kelompok bentuk daun Obovate Ovate Eliptic Ovate Lancolate Lancolate Eliptic Ovate Obovate
30 Lampiran 2 Citra daun dan hasil poligonnya Tabel 4 Hasil pendeteksian poligon untuk beberapa data daun No 1
Bentuk
Cordate
2
Elips
3
Lancolate
Citra asli
poligonal
31 No 4
Bentuk
Obovate
5
Ovate
6
Reniform
7
Deltoid
Citra asli
poligonal
32 Lampiran 3 Contoh perbandingan fungsi tangen Tabel 5 Perbandingan fungsi tangen untuk beberapa bentuk Perbandingan No Grafik Perbandingan Fungsi Tangen 1 Cordate dan Eclipse
2
3
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Cordate dan Lancolate
Cordate dan Obovate
33 4
5
6
7
Cordate dan Ovate
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Cordate dan Reniform
Eclipse dan Lancolate
Eclipse dan Obovate
34 8
9
10
11
Eclipse dan Ovate
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Eclipse dan Reniform
Lancolate dan obovate
Lancolate dan Ovate
35 12
13
14
15
Lancolate dan Reniform
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Obovate dan Ovate
Obovate dan Reniform
Ovate dan Reniform
36
RIWAYAT HIDUP
Penulis dilahirkan di Pinasungkulan Kecamatan Modoinding Kabupaten Minahasa Selatan Provinsi Sulawesi Utara pada tanggal 17 September 1986 sebagai anak ke tiga dari tiga bersaudara, pasangan Bapak Heibert Z. Kalengkongan dan Ibu Aneke I. Manimpurung. Penulis menamatkan Sekolah Menengah Atas (SMA) di SMA Negeri 1 Modoinding pada tahun 2004. Tahun 2004 Penulis melanjutkan studi di Universitas Negeri Manado, Fakultas Matematika dan Ilmu Pengetahuan Alam, Jurusan Matematika dan lulus pada tahun 2008. Setelah menyelesaikan studi penulis mengabdi di Jurusan Matematika FMIPA UNIMA sampai pada tahun 2009. Selanjutnya penulis bekerja sebagai: Guru Matematika SMA St. Thomas Aquino Manado, Agustus 2009 – Februari 2010. Guru Matematika SMP Getsemani Kotabaru Manado, Juli 2009 – desember 2009. Staf Pengajar Matematika di Lembaga Pendidikan Primagama Sario Manado, Juli 2009 – Januari 2010. Guru TIK SMA Lokon St. Nikolaus Tomohon, Februari 2010 – Januari 2011. Pembimbing Club TIK (Persiapan Olimpiade Komputer) di SMA Lokon St. Nikolaus Tomohon, Februari 2010 – 2013. Teknisi komputer PT. Bangun Satya Wacana (Kompas Gramedia Grup), Februari 2011 - 2013. Pada tahun 2013, penulis melanjutkan studi S2 di Institut Pertanian Bogor (IPB) Program Studi Ilmu Komputer.
