EKSTRAKSI FITUR BENTUK DAN VENASI CITRA DAUN DENGAN PEMODELAN FOURIER DAN B-SPLINE RAHMADHANI M

EKSTRAKSI FITUR BENTUK DAN VENASI CITRA DAUN DENGAN PEMODELAN FOURIER DAN B-SPLINE

RAHMADHANI M

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2009

EKSTRAKSI FITUR BENTUK DAN VENASI CITRA DAUN DENGAN PEMODELAN FOURIER DAN B-SPLINE

RAHMADHANI M

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 2009

ABSTRACT

RAHMADHANI M. Shape and Vein Extraction on Plant Leaf Images with Fourier and B-Spline Modeling. Under the supervision of YENI HERDIYENI and IWAN HILWAN.

Leaf features extraction on plant leaf image is still be a problem on automatic plant leaf identification. Shape and venation of leaf are a significant part of leaf for distinguishing a species of leaf from each other. Shape feature extraction with Hough transform and Fourier descriptor were implemented and their effectiveness on leaf shape recognition were compared. Effectiveness of both shape recognition methods were evaluated by recall-precision measurement. Recall-precision evaluation showed that leaf shape represented by Fourier descriptors is more effective than represented by Hough transform. Plant leaf image vein extraction using b–spline representation was implemented. An automatic initialitation of vein search parameter using Standard Hough Transform was proposed.

Keywords: leaf shape extraction, leaf vein extraction, fourier descriptor, b-spline.

Judul : Ekstraksi Fitur Bentuk dan Venasi Citra Daun dengan Pemodelan Fourier dan B-Spline Nama : Rahmadhani M NIM : G64050646

Menyetujui: Pembimbing I,

Pembimbing II,

Yeni Herdiyeni, S.Si., M.Kom. NIP 19750923 200012 2 001

Ir. Iwan Hilwan, MS. NIP 19600204 198601 1 002

Mengetahui: Dekan Fakultas Matematika dan Ilmu Pegetahuan Alam Institut Pertanian Bogor

Dr. Drh. Hasim, DEA NIP 19610328 198601 1 002

Tanggal Lulus:

PRAKATA Alhamdulillahi Rabbil ‘alamin, puji dan syukur penulis panjatkan kepada Allah Subhanahu wa Ta’ala atas limpahan rahmat dan hidayah-Nya sehingga tugas akhir dengan judul Ekstraksi Fitur Bentuk dan Venasi Citra Daun dengan pemodelan Fourier dan B-Spline dapat diselesaikan. Penelitian ini dilaksanakan mulai Oktober 2008 sampai dengan Juli 2009, bertempat di Departemen Ilmu Komputer. Penulis juga menyampaikan ucapan terima kasih kepada: 1 Ibu Yeni Herdiyeni, S.Si., M.Kom. selaku dosen pembimbing pertama dan Bapak Ir. Iwan Hilwan, MS selaku pembimbing kedua yang telah memberikan arahan dan bimbingan dengan sabar kepada penulis dalam menyelesaikan skripsi ini, 2 Ayah, Ibu, Abang Adie, Abang Nofri, Arif dan seluruh keluarga besar Guci atas doa dan kasih sayangnya, 3 Annisa sebagai rekan satu penelitian atas bantuan dari awal sampai akhir penelitian, 4 Ferry Pratama, Fitria Yuningsih, Vera Yunita, Indra Nugraha Abdullah, Dimas Perdana CKP dan Muhammad Abi Rafdi sebagai teman satu bimbingan yang selalu memberikan masukan, saran dan semangat kepada penulis, 5 Idaliana Kusumaningsih dan Siti Fatimah yang selalu menjadi teman diskusi, 6 Netty Laora Sitohang, Damas Widyatmoko, Dewi Marise dan Abi Supiyandi atas bantuan, doa, dukungan dan semangat yang diberikan, 7 Renaldo Arnel Putra YR dan DS Handri Suwanda atas bantuan dan dukungan sebagai teman sewisma NEVADA. Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan skripsi ini. Semoga skripsi ini bermanfaat.

Bogor, Agustus 2009

Rahmadhani M

RIWAYAT HIDUP

Penulis dilahirkan pada tanggal 14 Mei 1987 di Dolok Sanggul sebagai anak ketiga dari empat bersaudara dari pasangan Murjalis Hasan dan Asnida Tanjung. Pada tahun 2001, penulis menempuh pendidikan menengah atas di SMA Negeri 1 Solok, masuk program IPA dan lulus tahun 2005. Pada tahun yang sama penulis diterima sebagai mahasiswa Institut Pertanian Bogor (IPB) melalui jalur USMI. Pada tahun 2006, penulis diterima sebagai mahasiswa Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA), IPB. Pada tahun 2008, penulis melaksanakan kegiatan praktik kerja lapangan di Direktorat Komunikasi dan Sistem Informasi IPB selama tujuh minggu. Selama mengikuti perkuliahan, penulis pernah menjadi asisten mata kuliah Algoritme dan Pemrograman ( 2007 dan 2008), Metode Kuantitatif (2008) dan Data Mining (2009). Pada tahun 2008 penulis memenangi lomba Data Mining Contest sebagai juara II bersama rekan setim Prodigies pada Pagelaran Mahasiswa Nasional bidang Teknologi Informasi dan Komunikasi (geMasTIK) 2008.

DAFTAR ISI

Halaman DAFTAR GAMBAR ..................................................................................................................

v

DAFTAR TABEL ......................................................................................................................

v

PENDAHULUAN Latar Belakang ...................................................................................................................... Tujuan ................................................................................................................................... Ruang Lingkup Penelitian .....................................................................................................

1 1 1

TINJAUAN PUSTAKA Morfologi Daun Kelas Dikotiledon ....................................................................................... Fitur Daun ............................................................................................................................. Content Based Image Retrieval ............................................................................................. Ekstraksi Fitur ....................................................................................................................... Deteksi Tepi Canny ............................................................................................................... Hough Transform .................................................................................................................. Fourier Descriptor ................................................................................................................ Kurva B-Spline ...................................................................................................................... Ekstraksi Venasi pada Citra Daun ......................................................................................... Recall dan Precision .............................................................................................................

1 1 1 1 1 2 2 3 4 4

METODE PENELITIAN Data Citra Daun..................................................................................................................... Segmentasi Citra ................................................................................................................... Ekstraksi Fitur Bentuk dan Venasi Daun .............................................................................. Evaluasi Hasil Ekstraksi ........................................................................................................

5 5 5 6

HASIL DAN PEMBAHASAN Ekstraksi Fitur Bentuk ........................................................................................................... Hasil Praproses ................................................................................................................ Hasil Metode HT dan Pemodelan Fourier ...................................................................... Pengukuran Tingkat Kemiripan ....................................................................................... Penentuan Relevansi Citra ............................................................................................... Ekstraksi Venasi Daun .......................................................................................................... Hasil Praproses ................................................................................................................ Hasil Deteksi Garis .......................................................................................................... Hasil Pemodelan B-spline Venasi Daun ..........................................................................

6 6 7 7 7 9 9 10 10

KESIMPULAN DAN SARAN Kesimpulan ........................................................................................................................... Saran .....................................................................................................................................

13 13

DAFTAR PUSTAKA .................................................................................................................

14

LAMPIRAN ...............................................................................................................................

15

iv

DAFTAR GAMBAR

Halaman 1 Metode Penelitian. ............................................................................................................. 2 Prinsip pencarian: (a) struktur dan area-area pencarian, (b) jumlah dari garis-garis sampling. ......................................................................................................................... 3 Hasil deteksi tepi Canny dan segmentasi histogram-based thresholding pada citra daun (a) avokad, (b) kepel, (c) bisbul dan (d) jamblang. .......................................................... 4 Histogram Fourier descriptor citra daun (a) avokad, (b) kepel, (c) bisbul dan (d) jamblang..................................................................................................................... 5 Contoh hasil temu kembali menggunakan fitur bentuk HT............................................... 6 Contoh hasil temu kembali menggunakan fitur bentuk Fourier descriptor. ..................... 7 Hasil transformasi Hough elips pada citra daun (a) avokad, (b) kepel, (c) bisbul dan (d) jamblang..................................................................................................................... 8 Grafik recall-precision hasil temu kembali citra menggunakan fitur bentuk Fourier descriptor dan HT............................................................................................................ 9 Citra venasi hasil deteksi tepi Canny pada citra daun (a) avokad, (b) jambu biji, (c) jambu bol, (d) menteng dan (e) nangka. ..................................................................... 10 Hasil deteksi garis dengan SHT pada citra daun (a) avokad, (b) jambu biji, (c) jambu bol, (d) menteng dan (e) nangka. ..................................................................... 11 Hasil ekstraksi venasi citra daun (a) avokad, (b) jambu biji, (c) jambu bol, (d) menteng dan (e) nangka. ................................................................................................................

5 6 7 7 8 8 9 9 10 10 10

DAFTAR TABEL Halaman 1 2 3 4 5 6

Nilai rataan precision hasil temu kembali citra ................................................................. Hasil ekstraksi dan skor penilaian pada citra daun nangka ............................................... Hasil ekstraksi dan skor penilaian pada citra daun manggis ............................................. Total skor penilaian hasil ekstraksi setiap jenis citra sampel ............................................ Total penilaian ekstaksi venasi daun sisi depan ................................................................ Total penilaian ekstaksi venasi daun sisi belakang ...........................................................

9 11 12 13 13 13

v

1 PENDAHULUAN

TINJAUAN PUSTAKA

Latar Belakang

Morfologi Daun Kelas Dikotiledon

Dewasa ini, kemampuan untuk dapat mengidentifikasi dan mengklasifikasikan daun menjadi kebutuhan yang besar bagi taksonomis dalam mengetahui keanekaragaman tanaman (Hickey et al. 1999). Namun, identifikasi daun secara automatis masih terkendala pada isu jenis informasi kuantitatif yang bisa direpresentasikan dari suatu citra daun sebagai pembeda terhadap citra daun jenis lain.

Morfologi daun telah cukup rinci dideskripsikan oleh Hickey et al. (1999). Kelompok ciri morfologi daun tersebut adalah (1) bangun daun yang meliputi helaian daun, ujung daun dan pangkal daun, (2) tepi daun, (3) tekstur daun, (4) letak kelenjar, (5) tangkai daun, (6) tipe pertulangan dan (7) pengelompokan urat daun.

Hickey et al. (1999) telah mendeskripsikan dengan rinci morfologi daun dari kelas Dikotiledon berhabitus pohon di Amerika Utara. Berdasarkan rincian morfologi daun yang dikembangkan oleh Hickey, Rasnovi (2001) mendapatkan bahwa karakter turunan dari bentuk dan venasi (pertulangan) daun termasuk karakter yang efektif untuk beberapa famili Dikotiledon berhabitus pohon di Sumatera. Ekstraksi fitur bentuk merupakan pendekatan yang sering digunakan pada berbagai kasus pengindeksan di dalam content based image retrieval (CBIR). Metode yang sering digunakan di antaranya Hough transform (HT) dan Fourier descriptor. Ta-Te et al. (2002) melakukan ekstraksi fitur bentuk daun kubis di daratan Cina dengan tiga pendeskripsi bentuk daun: basic morphological descriptors, Bezier curve descriptors dan Fourier descriptors. Ekstraksi venasi pada citra daun diperkenalkan oleh Kirchgeβner et al. (2002). Ekstraksi venasi dilakukan pada daun jarak (Ricinus communis) dengan bantuan beberapa data masukan dari pengguna pada pencarian awal venasi. Venasi yang ditemukan direpresentasikan sebagai suatu set b-spline berhierarki. Tujuan Penelitian ini bertujuan untuk mengimplementasikan dan menganalisis kinerja Fourier descriptor dalam mengekstraksi ciri bentuk dari citra daun serta mengimplementasikan ekstraksi venasi pada citra daun dengan pemodelan b-spline. Ruang Lingkup Penelitian Ruang lingkup penelitian adalah mengenali ciri bentuk pada citra daun tunggal beberapa jenis pohon buah-buahan di kampus IPB Darmaga dengan Fourier descriptor serta pengekstraksian venasi citra daun dengan pemodelan b-spline.

Fitur Daun Menurut Söderkvist (2001), daun memiliki empat fitur: bentuk daun, struktur urat daun, warna dan keadaan permukaan daun. Söderkvist mengemukakan bahwa fitur yang paling stabil dan umum adalah bentuk daun. Dengan memakai rincian morfologi daun yang dikembangkan Hickey, Rasnovi (2001) mendapatkan bahwa karakter turunan dari bentuk dan venasi daun termasuk karakter yang efektif sebagai pembeda jenis daun dari beberapa famili Dikotiledon berhabitus pohon di Sumatera. Pendeskripsi bentuk daun yang telah dikembangkan diantaranya basic morphological descriptors, Bezier curve descriptors dan Fourier descriptors (Ta-Te et al. 2002). Venasi daun memuat informasi penting untuk pengenalan spesies tanaman, tetapi cara mendapatkan informasi tersebut masih sangat kompleks (Fu & Chi 2006). Content Based Image Retrieval CBIR merupakan suatu pendekatan pada temu kembali citra yang didasarkan pada ciri atau informasi yang terkandung di dalam citra seperti warna, bentuk, tekstur dan informasi spasial (Osadebey 2006). Ekstraksi Fitur Ekstraksi fitur adalah proses mendapatkan fitur atau penciri dari suatu citra. Secara umum, fitur citra berupa warna, bentuk dan tekstur. Acharya dan Ray (2005) mendefinisikan fitur bentuk sebagai pendeskripsi suatu objek yang bebas terhadap posisi, orientasi dan ukuran. Fitur tekstur didefinisikan sebagai pengulangan pola atau pola-pola yang ada pada suatu daerah bagian citra. Deteksi Tepi Canny Deteksi tepi Canny diperkenalkan oleh John Canny pada tahun 1986. Deteksi tepi Canny didesain untuk memenuhi tiga kriteria untuk deteksi tepi: (1) error rate deteksi yang rendah,

2 (2) Lokalisasi tepi dan (3) respon tunggal. Algoritme tidak seharusnya mengembalikan lebih dari satu tepi jika hanya ada satu tepi (McAndrew 2004). Algoritme diawali dengan penghalusan citra dari noise dan menemukan kandidat piksel garis tepi dengan filter Gaussian, diikuti turunan Gaussian satu dimensi: .

perpotongan kurva dan mengambil perpotongan terbanyak. Parameterisasi HT dengan pendekatan bentuk elips dinyatakan dengan , dengan adalah titik pusat dari elips, dan sebagai sumbu mayor dan minor elips dan adalah orientasi dari sumbu mayor. Persamaan elips yang umum digunakan adalah:

(1)

Kandidat garis tepi merupakan piksel dengan gradien yang cukup besar. Langkah selanjutnya adalah non-maximum supression. Hanya piksel garis tepi yang dipertahankan dan membuang yang lain. Kemudian algoritme Canny menggunakan nilai threshold untuk memperoleh citra biner. Canny menerapkan hysteresis thresholding, menggunakan dua nilai threshold: tL dan tH. Setiap piksel dengan nilai lebih besar daripada tH diasumsikan sebagai piksel tepi. Setiap piksel dengan nilai p, : tL ≤ p ≤ tH, yang berdekatan dengan suatu piksel tepi juga diasumsikan sebagai suatu piksel tepi. Hough Transform Hough transform (HT) didesain untuk menemukan garis pada suatu citra. HT diperkenalkan oleh Paul Hough pada tahun 1962. Ide dari HT adalah membuat persamaan dari suatu piksel dan mempertimbangkan semua pasangan yang memenuhi persamaan ini. Semua pasangan ditempatkan pada suatu larik akumulator, yang disebut larik transformasi (McAndrew 2004). HT telah dikembangkan untuk mendeteksi bentuk-bentuk umum dalam citra seperti lingkaran, elips dan parabola. Konsep dasar dari HT adalah terdapat garis dan kurva potensial yang tak terhitung jumlahnya pada suatu citra yang melalui titik mana saja pada berbagai ukuran dan orientasi. Transformasi dilakukan untuk menemukan garis dan kurva yang melewati banyak titik-titik di dalam citra, yaitu garis dan kurva yang terdekat dan paling sesuai dengan data pada matriks citra. Standard Hough Transform (SHT) menggunakan parameter normal untuk garis lurus berupa persamaan , dengan sebagai jarak suatu garis terhadap titik asal dan sebagai orientasi garis tersebut terhadap sumbu- . Setiap titik pada citra ditransformasi menjadi suatu kurva sinusiodal pada ruang . Akumulator mencatat semua

.

(2)

Persamaan (2) dapat dituliskan dalam bentuk: .

(3)

Setiap titik tepi pada citra dapat mendefenisikan elips-elips dengan berbagai kemungkinan nilai dan . Voting dilakukan pada setiap titik yang dilalui oleh elips-elips yang terbentuk. Fourier Descriptor Pitas (1993) mendeskripsikan bahwa jika suatu kurva tertutup dilintasi (closed curve traversing), bentuk kurva tersebut dapat dideskripsikan dengan koordinat kurva . Bentuk gelombang yang dihasilkan bersifat periodik dengan periode 2 . Bentuk gelombang periodik dapat di-sampling dan dikombinasikan yang menghasilkan bentuk gelombang periodik kompleks dengan periode N: ;

(4)

Suatu sinyal periodik bisa direpresentasikan dengan koefisien transformasi Fourier diskret , disebut juga Fourier descriptors: (5) .

(6)

Representasi Fourier (5) dan (6) punya beberapa properti yang sangat menarik. Koefisien merepresentasikan center of gravity kurva. Koefisien Fourier merepresentasikan kecenderungan variasi bentuk secara lambat untuk indeks kecil dan secara cepat untuk indeks besar. Translasi koordinat kurva oleh

: (7)

hanya berpengaruh representasi: .

pada

dengan (8)

3 Rotasi koordinat kurva oleh sudut : (9) menghasilkan pergeseran fase koefisien transformasi dengan besaran yang sama: .

(10)

Dilatasi oleh faktor , dengan sistem koordinat mempunyai asal center of gravity kurva, menghasilkan pengskalaan koefisien Fourier dengan besaran yang sama: (11) .

(12)

Terakhir, pengubahan pada titik awal kurva traversal: (13) menghasilkan descriptors:

modulasi

dari .

Fourier (14)

Fourier descriptors bisa memberikan deskripsi bentuk yang berguna, bebas terhadap posisi, orientasi dan ukuran objek pada suatu citra. Besaran koefisien fourier , , invarian terhadap rotasi. Besaran koefisien , , invarian terhadap translasi juga. Terakhir, informasi fase , , invarian terhadap dilatasi/pengskalaan. Jadi, Fourier descriptors punya properti invarian yang menarik yang bisa digunakan untuk aplikasi pengenalan objek. Besaran mean square error (MSE): (15) bisa digunakan sebagai ukuran error dalam mencari kemiripan dua kurva dan . Error ini sangat kecil (ideal = 0) jika merupakan versi rotasi dari kurva . Jika dipilih berupa bilangan berpangkat 2, Fourier descriptors bisa dihitung dengan mudah dengan menggunakan radix-2 fast Fourier transform (Oppenheim & Schafer 1989 diacu dalam Pitas 1993). Jika bukan merupakan bilangan berpangkat 2, algoritme transformasi Fourier yang lain bisa digunakan, seperti algoritme prime factor (Nussbaumer 1981 diacu dalam Pitas 1993). Pitas (1993) lebih lanjut menjelaskan bahwa properti-properti yang disebutkan sebelumnya valid untuk kurva-kurva hasil sampling secara seragam. Ini tidak berlaku jika 8connected neighbourhood digunakan dalam

penelusuran kurva, karena interval sampling bisa 1 atau . Informasi fase rusak jika dilakukan sampling kurva secara tidak seragam (non-uniform curve sampling). Jadi, jika penelusuran kurva 8-connected digunakan pada bidang segiempat, hanya besaran transformasi yang memiliki informasi yang berguna. Fourier desciptors bisa digunakan untuk membangkitkan ulang kontur atau garis bentuk dengan menerapkan invers transformasi (Persamaan 6). Akan tetapi, jika koefisien transformasi diproses, seperti dipotong atau dikuantisasi, invers DFT tidak lagi menghasilkan representasi kontur yang akurat. Modifikasi koefisien Fourier bisa menghasilkan kurva yang tidak lagi tertutup. Kurva B-Spline Pada terminologi drafting, spline merupakan suatu landasan fleksibel yang digunakan untuk menghasilkan kurva yang mulus melalui suatu set titik-titik tertentu. Di dalam grafika komputer, istilah kurva spline mengacu pada suatu kurva komposit yang terbentuk dari bagian-bagian polinomial yang memenuhi sembarang kondisi kontinuitas yang dispesifikasikan pada batasan setiap potongan kurva (Hearn & Baker 2004). Ekspresi umum untuk perhitungan posisiposisi koordinat sepanjang kurva B-spline menggunakan formula blending-function: (16) dengan , satu set masukan control points. Rentang parameter tergantung pada bagaimana parameter-parameter lain dipilih. Bspline blending functions merupakan polinomial-polinomial berderajat , dengan merupakan degree parameter (Kadangkadang parameter disinggung sebagai orde polinomial, tetapi ini bisa menyesatkan karena istilah orde juga biasa dimaksudkan hanya untuk derajat suatu polinomial, yang berupa ). Degree parameter bisa berupa sebarang nilai integer pada rentang 2 sampai dengan banyaknya control points ( ). Kontrol lokal untuk B-spline dicapai dengan mendefinisikan blending functions pada subinterval-subinterval rentang . Blending-functions untuk kurva B-spline didefinisikan sebagai suatu fungsi rekursif CoxdeBoor:

4 Ekstraksi Venasi pada Citra Daun (17) dengan setiap blending-function didefinisikan pada subinterval-subinterval rentang total . Setiap titik ujung subinterval mengacu sebagai suatu knot dan keseluruhan set dari titik-titik ujung terpilih dari suatu subinterval dinamakan vektor knot. Sebarang nilai bisa dipilih sebagai titik-titik ujung subinterval, dengan syarat . Nilai dan bergantung pada banyaknya control point yang dipilih, nilai degree parameter yang dipilih dan bagaimana subinterval-subinterval (knot vector) disiapkan. Karena sangat memungkinkan untuk memilih elemen-elemen vektor knot sedemikian sehingga beberapa denominator pada kalkulasi Cox-deBoor dievaluasi sebagai 0, formula ini mengasumsikan bahwa setiap istilah yang terevaluasi sebagai 0/0 dinyatakan sebagai nilai 0. Kurva B-spline mempunyai properti-properti sebagai berikut: Kurva polinomial mempunyai derajat dan kontinu pada rentang ; Untuk control point, kurva digambarkan dengan blending function; Setiap blending function didefinisikan pada subinterval-subinterval rentang total , dimulai dari nilai knot ; Rentang paramater dibagi ke dalam subinterval oleh nilai yang dispesifikasikan di dalam knot vector; Dengan nilai knot , kurva B-spline yang dihasilkan didefinisikan hanya pada interval dari nilai knot sampai dengan nilai knot (beberapa blending function tidak terdefenisi di luar interval ini); Setiap bagian kurva spline (di antara dua nilai knot berturut-turut) dipengaruhi oleh control point; Setiap control point bisa mempengaruhi bentuk paling banyak bagian kurva. Sebagai tambahan, kurva B-spline berada di dalam convex hull paling banyak control point, jadi B-spline dibatasi dengan ketat terhadap posisi-posisi masukan. Untuk setiap nilai di dalam interval dari nilai knot sampai dengan , jumlah dari semua fungsi basis adalah 1: .

(18)

Ekstraksi venasi daun dengan pemodelan bspline diperkenalkan oleh Kirchgeβner et al. (2002). Proses ekstraksi melibatkan pencarian struktur dengan menginterpretasikan informasi spasial ke dalam suatu nilai. Informasi spasial venasi utama direpresentasikan dalam bentuk bspline Sm. Dengan bantuan Sm, dilanjutkan pencarian venasi samping daun dan pada akhirnya direpresentasikan juga berupa senarai b-spline Ss. Untuk kompensasi iluminasi yang tidak homogen dan pemantulan, diterapkan suatu filter high-pass , dengan merupakan filter smoothing binomial. Kemudian dilakukan inisialisasi parameter titik awal dan arah pencarian struktur secara interaktif. Setelah inisialisasi parameter, venasi dicari secara terpisah. Pencarian venasi utama dilakukan pertama kali. Titik-titik venasi utama yang ditemukan menjadi titik dasar dari suatu bspline dan didapatkan deskripsi kontinu dari venasi utama, dinamakan dengan Sm. Pencarian venasi samping dilakukan dengan mengambil area contoh di sekitar venasi utama dengan metode b-spline. Sampling dilakukan sepanjang garis normal terhadap semua b-spline yang ditemukan pada setiap panjang b-spline diukur dalam piksel. Diperoleh citra area adjacent dari venasi utama. Semua nilai maksimum pada garis yang paralel terhadap venasi utama diambil sebagai titik-titik awal yang memungkinkan dalam pencarian struktur venasi samping. Dari setiap posisi maksimum, pencarian struktur dilakukan dalam arah normal terhadap venasi utama yang diperoleh dari Sm dan mengonversi titik-titik yang ditemukan ke dalam interpretasi b-spline Ss. Recall dan Precision Recall dan precision merupakan parameter yang digunakan untuk mengukur keefektifan dari hasil temu kembali. Recall menyatakan proporsi materi relevan yang ditemukembalikan terhadap seluruh materi relevan pada pangkalan data (korpus). Sementara itu, precision menyatakan proporsi materi relevan yang ditemukembalikan terhadap seluruh materi yang ditemukembalikan (Baeza-Yates & RibeiroNeto 1999). Recall dan precision diformulasikan sebagai berikut: (19)

5 . (20)

Rataan precision merupakan suatu ukuran evaluasi yang diperoleh dengan menghitung rata-rata tingkat precision pada berbagai tingkat recall (Baeza-Yates & Ribeiro-Neto 1999). METODE PENELITIAN Metode penelitian ini dapat dilihat pada Gambar 1.

diproses lebih lanjut. Masukan bagi ekstraksi bentuk dengan pemodelan Fourier berupa citra biner hasil segmentasi thresholding. Masukan bagi ektraksi venasi berupa citra biner hasil deteksi tepi. Histogram-based thresholding digunakan untuk mensegmentasi objek daun dari latar belakang berdasarkan posisi dua histogram objek dan latar belakang. Nilai threshold merupakan suatu nilai yang memisahkan histogram objek dan latar belakang citra atau titik dimana kedua histogram saling berpotongan. Deteksi tepi dilakukan dengan pendeteksi tepi Canny dengan threshold dua kali nilai threshold keluaran algoritme pendeteksi tepi Canny. Hal ini dimaksudkan agar citra hasil memuat garis tepi daun dan garis venasi (Gambar 9). Garis venasi diisolasi terhadap garis tepi daun sehingga diperoleh citra venasi. Hal ini dilakukan dengan pengurangan matriks citra hasil deteksi tepi dengan matriks citra hasil segmentasi thresholding. 3 Ekstraksi Fitur Bentuk dan Venasi Daun Pada penerapan pemodelan Fourier untuk ekstraksi fitur bentuk daun, citra biner hasil thresholding diproses untuk menemukan serangkaian titik-titik lintasan kurva bentuk daun. Titik-titik yang dilintasi direpresentasikan sebagai bilangan kompleks . Barisan bilangan kompleks ini dinamakan boundary. Transformasi Fourier dari barisan bilangan kompleks ini merupakan Fourier descriptor dari suatu objek.

Gambar 1 Metode Penelitian. 1 Data Citra Daun Citra yang digunakan diperoleh dari pemotretan sebelas jenis daun di IPB Darmaga sebanyak 1100 citra daun tunggal. Citra daun berformat JPG dan berukuran 200x150 piksel. Penelitian ini menggunakan 11 jenis daun yaitu avokad (Persea americana), bisbul (Diospyros philippensis), kakao (Theobroma cacao), durian (Durio zibethinus), jamblang (Syzygium cumini), jambu biji (Psidium guajava), jambu bol (Syzygium malaccense), kepel (Stelechocarpus burahol), manggis (Garcinia mangostana), menteng (Baccaurea racemosa) dan nangka (Artocarpus heterophyllus). Beberapa contoh citra daun yang digunakan disajikan pada Lampiran 1. 2 Segmentasi Citra Tahap segmentasi citra dilakukan untuk mempersiapkan citra yang digunakan sebelum

Untuk memenuhi syarat fitur bentuk yang invarian terhadap rotasi, dilatasi (pengskalaan) dan translasi, dilakukan beberapa penyesuaian pada Fourier descriptors hasil transformasi Fourier. Pada Persamaan 8, translasi hanya berpengaruh pada Fourier descriptor yang pertama ( ). diabaikan sebagai pendeskripsi bentuk dengan hanya mengambil barisan dengan . Efek rotasi tidak mempengaruhi barisan Fourier descriptor ini (Persamaan 10). Di lain pihak, efek dilatasi masih berpengaruh dengan besaran yang sama untuk setiap Fourier descriptor (Persamaan 12). Pembagian setiap Fourier descriptor dengan salah satu suku pada barisan , misal , akan menghilangkan efek faktor pengskalaan. Banyaknya fourier descriptor yang diambil sebagai pembeda antar bentuk objek adalah sebanyak 32 descriptor, dipilih 16 pertama dan 16 terakhir. Pemilihan ini dibenarkan dengan properti Fourier descriptors yang sederhana:

6 kebanyakan informasi tentang suatu garis tepi objek akan berada pada frekuensi rendah dari transformasi Fourier diskret (Petković & Krapac 2002). Pada penerapan ekstraksi venasi daun, inisialisasi parameter pencarian struktur venasi secara automatis diusulkan dengan menggunakan SHT. Citra biner venasi menjadi masukan bagi SHT untuk menemukan garis pada citra. Dari setiap titik hasil deteksi tepi dibuat sejumlah garis dengan panjang (rho) dan orientasi (theta) yang berbeda-beda. Pada penelitian ini digunakan resolusi rho = 1 dan resolusi theta = 10. Jumlah peak yang digunakan sebesar 50 peak. Panjang garis yang akan ditemukan minimal 7 piksel. Garis-garis yang terdeteksi dari penerapan SHT menjadi acuan pencarian struktur venasi daun. Setiap titik awal dari suatu garis hasil deteksi menjadi titik awal pencarian venasi dan titik akhir dari garis tersebut menjadi panduan arah pencarian. Pencarian titik-titik venasi memindai areaarea As dengan panjang 5 piksel dan lebar 3 piksel pada arah pencarian yang telah dispesifikasikan. Jika suatu garis berorientasi θ, rentang arah pencarian dari suatu titik dispesifikasikan sebagai rentang θ-35 sampai θ+35 (lihat Gambar 2a). Setiap area sampling dibandingkan dengan ukuran kualitas masingmasing. Titik akhir dari area terbaik diambil sebagai titik inisial awal yang baru dan orientasi dari area terbaik sebagai orientasi pencarian yang baru.

4 Evaluasi Hasil Ekstraksi Evaluasi hasil ekstraksi fitur bentuk dilakukan dengan sistem, yaitu dengan penilaian tingkat keberhasilan dalam proses temu kembali terhadap semua koleksi citra daun pada pangkalan data. Proses ini melibatkan pengukuran tingkat kemiripan dan penghitungan nilai recall dan precision hasil temu kembali. Perbandingan dengan metode ekstraksi fitur bentuk HT juga dilakukan. Pengukuran tingkat kemiripan pada fitur bentuk dari Fourier descriptor menggunakan ukuran MSE (Persamaan 15). Ukuran MSE menentukan kemiripan dua kurva dan hasil transformasi Fourier terhadap boundary citra daun. Kurva atau Fourier descriptors dari setiap daun disimpan sebagai indeks dalam proses temu kembali citra daun. Perhitungan recall dan precision berdasarkan penilaian relevansinya (gugus jawaban). Perhitungan nilai recall dilakukan dengan membandingkan citra hasil temu kembali dengan citra yang relevan di dalam pangkalan data. Precision diperoleh dengan membandingkan citra hasil temu kembali yang relevan dengan semua citra yang berhasil ditemukembalikan. Evaluasi hasil ekstraksi venasi dilakukan secara visual. Persentase banyaknya hasil ekstraksi yang sempurna pada beberapa contoh citra daun yang diekstraksi menjadi acuan evaluasi ekstraksi venasi. HASIL DAN PEMBAHASAN 1 Ekstraksi Fitur Bentuk

Gambar 2 Prinsip pencarian: (a) struktur dan area-area pencarian, (b) jumlah dari garis-garis sampling (Sumber: Kirchgeβner et al. 2002). Venasi pada citra venasi hasil deteksi tepi merupakan garis yang lebih terang daripada latar belakang. Jadi, penambahan semua garis pada area sampling (lihat Gambar 2b) menghasilkan suatu vektor jumlah nilai piksel sepanjang garis pada area. Turunan kedua dari setiap vektor jumlah nilai piksel dihitung dengan Laplacian diskret [1, -2, 1] dan menjadi ukuran kualitas area. Nilai maksimum mengindikasikan arah venasi yang paling signifikan. Struktur venasi yang ditemukan direpresentasikan berupa suatu set b-spline (Kirchgeβner et al. 2002).

Pengekstraksian fitur bentuk pada citra daun melibatkan perbandingan penerapan pemodelan Fourier dengan metode HT. Metode HT yang digunakan adalah HT dengan pendekatan elips hasil penelitian Wahyuningsih (2006). Hasil Praproses Pada tahap awal praproses, dilakukan pembersihan data secara manual sehingga citra hanya memuat satu daun dengan latar belakang putih. Selanjutnya, dilakukan proses pendeteksian tepi untuk penerapan metode HT dan segmentasi thresholding untuk penerapan ekstraksi fitur bentuk daun dengan pemodelan Fourier. Pendeteksi tepi yang digunakan pada metode HT hasil penelitian Wahyuningsih (2006) adalah pendeteksi tepi Canny. Hasil deteksi tepi dan segmentasi dapat dilihat pada Gambar 3.

7 Hasil Metode HT dan Pemodelan Fourier Pada penerapan pemodelan Fourier, citra biner hasil segmentasi dilintasi dengan interval satu piksel sehingga semua titik garis tepi terlintasi dan kembali ke titik asal lintasan dan akhirnya membentuk suatu kurva tertutup. Titik-titik yang dilintasi direpresentasikan sebagai bilangan kompleks dan ditransformasi dengan transformasi Fourier. Hasil transformasi dinamakan Fourier descriptors. Histogram Fourier descriptor untuk empat citra daun diperlihatkan pada Gambar 4.

Gambar 3

kedekatan ciri hasil HT dan ukuran MSE antar dua kurva digunakan untuk mengukur kedekatan kurva hasil transformasi Fourier. Penentuan Relevansi Citra Pada pangkalan data terdapat 1100 buah citra dari kesebelas jenis daun yang digunakan dengan 100 buah citra untuk setiap jenis daun. Dengan demikian, untuk setiap kueri terdapat 100 buah citra relevan di dalam pangkalan data yang penilaian relevansinya berdasarkan atas kesamaan jenis daun.

Hasil deteksi tepi Canny dan segmentasi histogram-based thresholding pada citra daun (a) avokad, (b) kepel, (c) bisbul dan (d) jamblang.

Pada penerapan metode HT, dari titik tepi hasil deteksi tepi dibuat sejumlah elips dengan panjang sumbu mayor dan minor yang berbedabeda. Titik tepi menjadi titik pusat elips-elips yang dibangkitkan. Jumlah peak pada HT yang digunakan sebesar sepuluh peak. Hasil HT diperlihatkan pada Gambar 7. Pengukuran Tingkat Kemiripan Dengan menggunakan semua koleksi sebagai pengujian dilakukan proses temu kembali citra untuk mengukur tingkat kemiripan berdasarkan kedekatan ciri yang diperoleh dari HT dan pemodelan Fourier. Perhitungan jarak Euclidean digunakan untuk mengukur

Gambar 4 Histogram Fourier descriptor citra daun (a) avokad, (b) kepel, (c) bisbul dan (d) jamblang. Penilaian relevansi tersebut digunakan sebagai acuan pada saat melakukan evaluasi terhadap hasil temu kembali untuk setiap citra kueri. Gambar 5 dan 6 memperlihatkan bahwa citra hasil temu kembali tidak sepenuhnya berasal dari jenis yang sama dengan citra kueri.

8

Gambar 5 Contoh hasil temu kembali menggunakan fitur bentuk HT.

Gambar 6 Contoh hasil temu kembali menggunakan fitur bentuk Fourier descriptor.

9

Gambar 8 Grafik recall-precision hasil temu kembali citra menggunakan fitur bentuk Fourier descriptor dan HT. Gambar 8 memperlihatkan grafik pemodelan Fourier pada setiap recall berada di atas grafik HT. Hal ini menunjukkan bahwa pemodelan Fourier lebih efektif daripada metode HT dalam pengekstraksian fitur bentuk pada citra daun. Gambar 7 Hasil transformasi Hough elips pada citra daun (a) avokad, (b) kepel, (c) bisbul dan (d) jamblang. Untuk melihat tingkat keberhasilan temu kembali dengan fitur bentuk dari HT dan Fourier descriptor, dilakukan evaluasi dengan menghitung nilai recall dan precision dari proses temu kembali citra. Nilai rataan precision hasil temu kembali citra dan grafik recall-precision untuk kedua metode disajikan pada Tabel 1 dan Gambar 8 secara berurutan. Tabel 1

Nilai rataan precision hasil temu kembali citra

Recall

Precision Hough Fourier Transform Descriptor

Rataan precision yang lebih rendah pada temu kembali menggunakan fitur bentuk HT dikarenakan HT tidak menjamin ditemukembalikan citra relevan yang berbeda orientasi, skala maupun posisi. Pada Gambar 5 terlihat bahwa temu kembali dengan fitur bentuk HT hanya menemukembalikan citra yang memiliki orientasi, skala dan posisi daun yang hampir sama dengan orientasi, skala dan posisi daun pada citra kueri. Pada Gambar 6 temu kembali menggunakan fitur bentuk Fourier descriptor bisa menemukembalikan citra relevan dengan objek daun berbeda orientasi, skala dan posisi. Properti fourier descriptors yang invarian terhadap efek rotasi, dilatasi dan translasi mampu meningkatkan rataan precision. 2 Ekstraksi Venasi Daun Penelitian ini mengusulkan SHT untuk inisialisasi parameter pencarian struktur venasi secara automatis. SHT mendeteksi garis-garis yang terdapat pada citra venasi daun dan menjadi acuan dalam pencarian venasi lebih lanjut. Struktur venasi yang ditemukan dimodelkan berupa suatu set b-spline.

0

0.98925

1.00000

0.1

0.29132

0.45519

0.2

0.19578

0.35518

0.3

0.15582

0.30652

0.4

0.13666

0.27938

0.5

0.11944

0.25067

0.6

0.11102

0.22338

Hasil Praproses

0.7

0.10602

0.19566

0.8

0.10370

0.17100

0.9

0.10058

0.14803

1

0.09344

0.10725

Rataan Precision

0.21846

0.31748

Pada tahap awal praproses, dihasilkan citra yang memuat garis tepi daun dan garis venasi. Isolasi garis venasi terhadap garis tepi daun menghasilkan citra yang memuat garis venasi saja. Beberapa citra venasi ditampilkan pada Gambar 9a s.d 9e.

10 Hasil Pemodelan B-spline Venasi Daun Garis-garis yang terdeteksi dari penerapan SHT menjadi acuan pencarian struktur venasi daun. Setiap titik awal dari suatu garis hasil deteksi menjadi titik awal pencarian venasi dan titik akhir dari garis tersebut menjadi panduan arah pencarian. Hasil pencarian struktur venasi yang ditemukan direpresentasikan berupa suatu set b-spline. Gambar 11 memperlihatkan suatu set b-spline yang diperoleh dalam pencarian venasi pada beberapa citra daun.

(a)

(b)

(c)

(d)

Gambar 9 Citra venasi hasil deteksi tepi Canny pada citra daun (a) avokad, (b) jambu biji, (c) jambu bol, (d) menteng dan (e) nangka. Hasil Deteksi Garis Citra biner venasi menjadi masukan bagi SHT untuk menemukan garis pada citra. Hasil deteksi garis disajikan pada Gambar 9.

(e) Gambar 11 Hasil ekstraksi venasi citra daun (a) avokad, (b) jambu biji, (c) jambu bol, (d) menteng dan (e) nangka.

Gambar 10 Hasil deteksi garis dengan SHT pada citra daun (a) avokad, (b) jambu biji, (c) jambu bol, (d) menteng dan (e) nangka.

Gambar 11 memperlihatkan bahwa venasi pada citra daun dapat diekstraksi dengan melibatkan SHT dalam penentuan parameter pencarian struktur secara automatis. SHT mampu mengestimasi titik awal dan arah pencarian struktur. Ketidakpekaan SHT terhadap noise dan kemampuan menemukan garis bahkan pada area dengan ketidakhadiran piksel (pixel gaps) mendukug estimasi titik awal dan arah pencarian struktur yang benar. Namun berbeda dengan metode orisinal, informasi hierarki venasi hilang, tidak lagi dikenal venasi utama dan venasi samping. Kelebihan dari perbaikan ini selain automasi parameter

11 pencarian struktur adalah pencarian garis venasi tidak tergantung pada hasil pencarian venasi utama. Pada metode orisinal, venasi samping dicari berdasarkan titik-titik venasi utama yang telah ditemukan sebelumnya. Evaluasi Visual Ekstraksi venasi dicobakan pada beberapa citra daun, dengan 10 sampel citra daun dari setiap spesies. Hasil ekstraksi dinilai secara

visual dengan penilaian 0, 1 dan 2. Penilaian 0 untuk hanya venasi utama yang terdeteksi, 1 untuk venasi utama dan samping terdeteksi dengan kurang sempurna serta 2 untuk venasi utama dan samping terdeteksi sempurna. Hasil ekstraksi dan skor penilaian untuk jenis daun nangka dan manggis disajikan pada Tabel 2 dan 3. Hasil ekstraksi citra jenis daun lainnya disajikan pada Lampiran 2.

Tabel 2 Hasil ekstraksi dan skor penilaian pada citra daun nangka Hasil Deteksi Tepi dan Venasi

Keterangan Skor: 2 Sisi daun: bawah Fisik daun: urat daun jelas

Hasil Deteksi Tepi dan Venasi

Keterangan Skor: 2 Sisi daun: bawah Fisik daun: urat daun jelas

Skor: 2 Sisi daun: atas Fisik daun: urat daun jelas

Skor: 1 Sisi daun: bawah Fisik daun: ujung daun tertekuk

Skor: 2 Sisi daun: bawah Fisik daun: urat daun jelas






12 Tabel 3 Hasil ekstraksi dan skor penilaian pada citra daun manggis Hasil Deteksi Tepi dan Venasi

Keterangan Skor: 0 Sisi daun: bawah Fisik daun: daun tebal


Keterangan Skor: 0 Sisi daun: bawah Fisik daun: daun tebal

Skor: 0 Sisi daun: bawah Fisik daun: daun tebal








Perhatikan hasil deteksi tepi pada Tabel 2 dan 3. Deteksi tepi citra daun nangka dapat menemukan garis-garis venasi daun, sedangkan deteksi tepi citra daun manggis hanya mendeteksi garis venasi utama. Deteksi tepi tidak mampu mendeteksi garis venasi samping pada citra daun manggis. Hasil deteksi tepi berpengaruh pada hasil ekstraksi venasi. Tabel 2 memperlihatkan bahwa hasil ekstraksi venasi umumnya pada penilaian 2. Sebaliknya, Tabel 3 memperlihatkan bahwa hasil ekstraksi venasi umumnya pada penilaian 0 dan 1. Bila diperhatikan citra daun yang ada, kondisi daun kedua jenis tersebut berbeda. Venasi pada citra daun nangka terlihat jelas, sedangkan venasi pada citra daun manggis kurang jelas. Daun manggis secara fisik relatif tebal dan struktur tulang daun terbenam pada organ daun. Kondisi

fisik daun menentukan hasil deteksi tepi dan pada akhirnya menentukan hasil ekstraksi venasi. Tabel 4 menyajikan secara ringkas total masing-masing skor penilaian hasil ekstraksi untuk setiap jenis daun. Hasil ekstraksi dengan penilaian 2 hanya berkisar 20%, penilaian 1 sebanyak 43,64% dan penilaian 0 sebanyak 36,36%. Hal ini mengindikasikan hasil ekstraksi venasi secara langsung pada citra daun secara umum kurang sempurna. Hasil ekstraksi dengan penilaian 0 secara umum merupakan hasil ekstraksi citra daun bisbul (10/10), durian (9/10), jamblang (8/10) dan manggis (7/10). Venasi daun keempat jenis daun ini secara kasat mata sama-sama tidak terlihat. Daun bisbul dan manggis relatif tebal sehingga urat daun terbenam pada organ daun. Daun durian dan jamblang memiliki urat daun

13

yang halus sehingga tersamar dengan organ daun. Seperti yang dibahas sebelumnya, kondisi fisik daun mempengaruhi hasil deteksi tepi dan pada akhirnya mempengaruhi hasil ekstraksi venasi. Venasi daun kepel dan menteng secara fisik juga kurang jelas. Terlihat pada Tabel 4 bahwa hasil ekstraksi kedua jenis daun ini berada pada penilaian 1. Venasi utama dan samping dapat tergambarkan ulang dengan representasi bspline, tetapi kurang sempurna. Lima jenis daun lainnya secara fisik memiliki venasi daun yang jelas. Total penilaian hasil ekstraksi venasi kelima jenis daun ini disajikan ulang pada Tabel 5 dan 6 dengan memperhatikan sisi daun yang dipotret. Tabel 5 menyajikan total penilaian untuk daun sisi atas dan Tabel 6 menyajikan total penilaian untuk daun sisi bawah. Tabel 5 memperlihatkan bahwa sebagian besar hasil ekstraksi venasi citra daun dengan sisi atas berada pada penilaian kurang sempurna. Tabel 6 memperlihatkan bahwa lebih banyak hasil ekstraksi venasi citra daun dengan sisi bawah berada pada penilaian sempurna. Namun, persentase penilaian kurang sempurna masih relatif besar.

lain, hasil ekstraksi venasi yang sempurna mensyaratkan teknik pemotretan yang baik. Tabel 5 Total penilaian ekstaksi venasi daun sisi atas Penilaian Hasil Ekstraksi Advokad Kakao Jambu Biji Jambu Bol Nangka Total Persentase

Total Tidak Sesuai 0 0 0 0 0 0 0%

Total Kurang Sesuai 2 4 5 4 0 15 78,95%

Total Sesuai 1 0 0 0 3 4 21,05%

Tabel 6 Total penilaian ekstaksi venasi daun sisi bawah Penilaian Hasil Ekstraksi Advokad Kakao Jambu Biji Jambu Bol Nangka Total Persentase

Total Tidak Sesuai 1 0 0 0 0 1 3,23%

Total Kurang Sesuai 5 2 0 6 1 14 45,16%

Total Sesuai 1 4 5 0 6 16 51,61%

Tabel 4 Total skor penilaian hasil ekstraksi setiap jenis citra sampel Penilaian Hasil Ekstraksi Advokad Bisbul Kakao Durian Jamblang Jambu Biji Jambu Bol Kepel Manggis Menteng Nangka Total Persentase

Total Tidak Sesuai 1 10 0 9 8 0 0 2 7 3 0 40 36,36%

Total Kurang Sesuai 7 0 6 1 2 5 10 7 3 6 1 48 43,64%

Total Sesuai 2 0 4 0 0 5 0 1 0 1 9 22 20,00%

Hasil ekstraksi dengan penilaian kurang sempurna secara umum merupakan hasil ekstraksi citra daun avokad dan jambu bol. Jika diperhatikan citra daun tersebut (Lampiran 2), pencahayaan dan kualitas citra hasil pemotretan daun dengan penilaian 1 ternyata kurang bagus. Berarti teknik akuisisi gambar (pemotretan) mempengaruhi hasil ekstraksi. Dengan kata

KESIMPULAN DAN SARAN Kesimpulan Ekstraksi bentuk dengan pemodelan Fourier berhasil diimplementasikan. Penciri dari pemodelan Fourier lebih efektif sebagai fitur bentuk daun daripada penciri HT. Hal ini dikarenakan properti fourier descriptors yang bebas terhadap posisi, orientasi dan ukuran objek pada citra. Ekstraksi venasi pada citra daun dengan pemodelan b-spline dengan automasi inisialisasi parameter pencarian awal berhasil diimplementasikan. Hasil ekstraksi venasi pada citra daun sangat dipengaruhi kondisi fisik daun, pemilihan sisi daun dan kualitas citra hasil pemotretan. Ekstraksi venasi dapat membedakan daun dengan venasi kurang jelas dan venasi tampak jelas. Pemilihan sisi daun bagian bawah dan teknik pemotretan yang baik mendukung hasil ekstraksi yang sesuai. Saran Penelitian ukuran kesamaan antara satu set b-spline dengan satu set b-spline lainnya perlu dilakukan sehingga venasi dapat dipakai sebagai

14

penciri, bersama dengan penciri bentuk, dalam pengenalan jenis daun secara automatis.

DAFTAR PUSTAKA Acharya T, Ray AK. 2005. Image Processing Principles and Applications. New Jersey : John Wiley & Sons Inc. Baeza-Yates R, Ribeiro-Neto R. 1999. Modern Information Retrieval. New York: Addison Wesley. Fu H, Chi Z. 2006. Combined thresholding and neural network approach for vein pattern extraction from leaf images. IEEE proceedings. Vision, image and signal processing. vol. 153 no 6 hlm 881-892. Hearn D, Baker MP. 2004. Computer Graphics with OpenGL. New Jersey: Pearson Prentice Hall. Hickey, LJ et al. 1999. Manual of Leaf Architecture - morphological description and categorization of dicotyledonous and net-veined monocotyledonous angiosperms by Leaf Architecture. Washington DC: Leaf Architecture Working Group. Kirchgeβner N, Scharr H, Schurr U. 2002. Robust Vein Extraction on Plant Leaf Images. Ruprecht Karls University, Germany. McAndrew. 2004. Introduction to Digital Image Processing with Matlab. Australia: Thomson Course Technology. Osadebey ME. 2006. Integrated Content-Based Image Retrieval using Texture, Shape, and Spatial Information. Master Thesis. Umea University. Petković T, Krapac J. 2002. Technical Report, Shape Description with Fourier Descriptors. Pitas I. 1993. Digital Image Processing Algorithms. London: Prentice Hall. Rasnovi S. 2001. Kajian Pemakaian Morfologi Daun untuk Identifikasi Jenis pada Beberapa Famili Dikotiledon Berhabitus Pohon di Sumatera. Tesis. Program Pascasarjana Institut Pertanian Bogor. Söderkvist OJO. 2001. Computer Vision Classification of Leaves from Swedish Trees. Master Thesis.

Ta-Te L, Yud-Tse C, Wen-Chi L. 2002. Leaf Boundary Extraction and Geometric Modeling of Vegetable Seedlings. National Taiwan University. Wahyuningsih Y. 2006. Metode Hough Transform untuk Ekstraksi Ciri Bentuk pada Citra Bunga. Skripsi. Institut Pertanian Bogor.

LAMPIRAN

16 Lampiran 1 Beberapa Citra Daun dari Semua Jenis Daun pada Pangkalan Data Contoh citra daun avokad

Contoh citra daun bisbul

Contoh citra daun kakao

17 Lampiran 1 Lanjutan Contoh citra daun durian

Contoh citra daun jamblang

Contoh citra daun jambu biji

18 Lampiran 1 lanjutan Contoh citra daun jambu bol

Contoh citra daun kepel

Contoh citra daun manggis

19 Lampiran 1 lanjutan Contoh citra daun menteng

Contoh citra daun nangka

20 Lampiran 2 Contoh hasil ekstraksi venasi beberapa citra daun Hasil Ekstraksi Venasi Daun Avokad Hasil Deteksi Tepi dan Venasi

Keterangan



Skor: 1 Sisi daun: bawah Fisik daun: ujung daun mengkerut



Skor: 1 Sisi daun: bawah Fisik daun: Urat daun jelas

Skor: 0 Sisi daun: bawah Fisik daun: daun mengkerut

Skor: 1 Sisi daun: atas Fisik daun: daun melengkung

Skor: 1 Sisi daun: bawah Fisik daun: daun mengkerut


Skor: 1 Sisi daun: atas Fisik daun: daun mengkerut

Tabulasi Penilaian Hasil Ekstraksi Venasi Daun Avokad Penilaian 2 1 0

Sisi Atas 1 2 0

Sisi Bawah 1 5 1

Keterangan

Total 2 7 1

21 Lampiran 2 lanjutan Hasil Ekstraksi Venasi Daun Bisbul Hasil Deteksi Tepi dan Venasi

Keterangan


Skor: 0 Sisi daun: atas Fisik daun: daun tebal










Tabulasi Penilaian Hasil Ekstraksi Venasi Daun Bisbul Penilaian 2 1 0

Sisi Atas 0 0 4

Sisi Bawah 0 0 6

Keterangan

Total 0 0 10

22 Lampiran 2 lanjutan Hasil Ekstraksi Venasi Daun Kakao Hasil Deteksi Tepi dan Venasi

Keterangan









Skor: 2 Sisi daun: Bawah Fisik daun: urat daun jelas



Tabulasi Penilaian Hasil Ekstraksi Venasi Daun Kakao Penilaian 2 1 0

Sisi Atas 0 4 0

Sisi Bawah 4 2 0

Keterangan

Total 4 6 0

23 Lampiran 2 lanjutan Hasil Ekstraksi Venasi Daun Durian Hasil Deteksi Tepi dan Venasi

Keterangan

Sisi Atas 0 0 4

Sisi Bawah 0 1 5

Skor

Skor: 0 Sisi daun: bawah Fisik daun: urat daun halus




Skor: 0 Sisi daun: atas Fisik daun: urat daun halus






Tabulasi Penilaian Hasil Ekstraksi Venasi Daun Durian Penilaian 2 1 0


Total 0 1 9

24 Lampiran 2 lanjutan Hasil Ekstraksi Venasi Daun Jamblang Hasil Deteksi Tepi dan Venasi

Keterangan












Tabulasi Penilaian Hasil Ekstraksi Venasi Daun Jamblang Penilaian 2 1 0

Sisi Atas 0 2 8

Sisi Bawah 0 0 0

Keterangan

Total 0 2 8

25 Lampiran 2 lanjutan Hasil Ekstraksi Venasi Daun Jambu Biji Hasil Deteksi Tepi dan Venasi

Keterangan




Skor: 1 Sisi daun: atas Fisik daun: daun melengkung








Tabulasi Penilaian Hasil Ekstraksi Venasi Daun Jambu Biji Penilaian 2 1 0

Sisi Atas 0 5 0

Sisi Bawah 5 0 0

Keterangan

Total 5 5 0

26 Lampiran 2 lanjutan Hasil Ekstraksi Venasi Daun Jambu Bol Hasil Deteksi Tepi dan Venasi

Keterangan












Tabulasi Penilaian Hasil Ekstraksi Venasi Daun Jambu Bol Penilaian 2 1 0

Sisi Atas 0 4 0

Sisi Bawah 0 6 0

Keterangan

Total 0 10 0

27 Lampiran 2 lanjutan Hasil Ekstraksi Venasi Daun Kepel Hasil Deteksi Tepi dan Venasi

Skor

Sisi Atas 0 4 0

Sisi Bawah 1 3 2

Skor

Skor: 1 Sisi daun: atas Fisik daun: urat daun kurang jelas




Skor: 0 Sisi daun: bawah Fisik daun: urat daun kurang jelas






Tabulasi Penilaian Hasil Ekstraksi Venasi Daun Kepel Penilaian 2 1 0


Total 1 7 2

28 Lampiran 2 lanjutan Hasil Ekstraksi Venasi Daun Menteng Hasil Deteksi Tepi dan Venasi

Skor












Tabulasi Penilaian Hasil Ekstraksi Venasi Daun Menteng Penilaian 2 1 0

Sisi Atas 1 1 2

Sisi Bawah 0 5 1

Skor

Total 1 6 3

EKSTRAKSI FITUR BENTUK DAN VENASI CITRA DAUN DENGAN PEMODELAN FOURIER DAN B-SPLINE RAHMADHANI M

Recommend Documents