EKSTRAKSI TEKSTUR CITRA MENGGUNAKAN GAUSSIAN DAN MULTI-BLOCK LOCAL BINARY PATTERN UNTUK IDENTIFIKASI TUMBUHAN OBAT
FANNY RISNURAINI
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011
ABSTRACT FANNY RISNURAINI. Extraction of Image Texture Using Gaussian and Multi-Block Local Binary Pattern for Medicinal Plants Identification. Under the supervision of YENI HERDIYENI. Plants identification automatically is still a uses for recognizing various kinds of house plant species and medicinal plants. This research uses a method Multi-Block Local Binary Pattern (MBLBP) descriptor to extract texture feature and Probabilistic Neural Network (PNN) classifying for identifying a house plants and medicinal plants automatically. There are three kinds of MBLBP , , , and , . For training and descriptor used in this research, i.e., , testing, this research uses database of 1440 medicinal plant leaf images and 300 tree images belonging to 30 different types and obtained from Biofarmaka IPB, Cikabayan Farm, Green house Center ExSitu Conservation of Medicinal Plant Indonesia Tropical Forest, and Gunung Leutik. The experimental result shows that the concatination of , has the best accuracy in identifying house plants with an accuracy of 77.78%. It shows that MBLBP method is better than LBP method in identifying house plants based on the increase accuracy by 4.45%. Keywords: plant extraction, multi-block local binary pattern, texture feature, probalistic neural network.
EKSTRAKSI TEKSTUR CITRA MENGGUNAKAN GAUSSIAN DAN MULTI-BLOCK LOCAL BINARY PATTERN UNTUK IDENTIFIKASI TUMBUHAN OBAT
FANNY RISNURAINI
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011
Penguji : Dr. Ir. Sri Nurdiarti, M.Sc. Aziz Kustiyo, S.Si., M.Kom.
Judul
:
Nama NRP
: :
Ekstraksi Tekstur Citra Menggunakan Gaussian dan Multi-Block Local Binary Pattern untuk Identifikasi Tumbuhan Obat Fanny Risnuraini G64070023
Menyetujui:
Pembimbing
Dr. Yeni Herdiyeni, S.Si., M.Kom. NIP 19750923 200012 2 001
Mengetahui: Ketua Departeman Ilmu Komputer Institut Pertanian Bogor
Dr. Ir. Sri Nurdiati, M.Sc. NIP 19601126 198601 2 001
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah SWT yang telah memberikan rahmat-Nya sehingga sehingga penulis dapat menyelesaikan tugas akhir yang berjudul Ekstraksi Tekstur Citra Menggunakan Gaussian dan Multi-Block Local Binary Pattern untuk Identifikasi Tumbuhan Obat dengan lancar dan baik. Penelitian ini dilaksanakan mulai Maret 2011 sampai dengan Agustus 2011, bertempat di Departemen Ilmu Komputer. Dalam menyelesaikan tugas akhir ini, banyak pihak yang telah memberikan bentuan baik yang bersifat moral maupun materi. Atas bentuan tersebut, penulis mengucapkan terima kasih kepada : 1. Ayahanda dan ibunda tercinta, serta adik-adikku atas semua nasehat, kasih sayang, do’a yang tulus, kesabaran, serta kata-kata bijak yang dapat menjadikan motivasi dan inspirasi, 2. Ibu Dr. Yeni Herdiyeni. S.Si., M.Kom, selaku dosen pembimbing yang telah banyak meluangkan waktunya untuk memberikan pengarahan dan saran, 3. Ibu Dr. Ir. Sri Nurdiati, M.Sc dan Bapak Aziz Kustiyo S.Si., M.Kom selaku penguji yang telah memberi banyak masukan terhadap tugas akhir yang saya kerjakan, 4. Teman satu Laboratorium CI yaitu Fani Valerina, Iyos Kusmana, Dimpy Adira Ratu, Windy Widowati, Yoga Herawan, Kristina Paskianti dan Ella Rizkita. Terima kasih sudah memberi dukungan, perhatian, saran, kerjasamanya, pengertian dan waktunya, 5. Arif Nofyan Syah, Monica, Puput Yanita Senja, dan Ade Irma. Terima kasih atas pengetian, kasih sayang, saran, kehangatan, kritik, dukungan, perhatian dan waktunya, 6. Yoga Permana, Fani Wulandari, Yuridhis Kurniawan, Kristina P, Ira Nurazizah, Ria Astriratma, Inne Larasati, Aprilia Ramadhina, Laras M. Diva, Tri Setiowati, Woro Indriyani, Ayi Immaduddin, Fadly Hilman, Huswantoro Anggit, Wiwiek Dewi, A, Dedek A, Sulma Mardiah dan rekan-rekan ilkomerz 44 atas persahabatan, bantuan, doa, dukungan dan semangat yang selalu diberikan selama kuliah hingga penelitian ini selesai, serta kebersamaan yang diberikan selama 3 tahun ini, 7. Seluruh pihak yang turut membantu dalam penyelesaian penelitian ini baik secara langsung ataupun tidak. Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan skripsi ini. Semoga tulisan ini dapat memberikan manfaat bagi para pembacanya. Terima kasih.
Bogor, Agustus 2011
Fanny Risnuraini
RIWAYAT HIDUP
Penulis dilahirkan di Jakarta pada tanggal 21 Juni 1989 merupakan anak pertama dari tiga bersaudara dari ayahanda bernama Risdal dan ibunda bernama Nurlaila. Penulis pada tahun 2007 lulus dari Sekolah Menengah Atas (SMA) 12 Jakarta Timur. Pada tahun yang sama, penulis melanjutkan pendidikan di Institut Pertanian Bogor (IPB) melalui jalur Ujian Seleksi Masuk IPB (USMI) dan diterima sebagai mahasiswi Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Penulis pernah menjadi asisten praktikum Rangkaian Digital pada tahun 2009, asisten praktikum Basis Data, Sistem Operasi, dan Rekayasa Perangkat Lunak pada tahun 2010, serta asisten Penerapan Komputer, asisten Rekayasa Perangkat Lunak, dan asisten Basis Data pada tahun 2011. Pada tanggal 28 Juni 2010 sampai tanggal 13 Juli 2010, penulis melaksanakan Praktik Kerja Lapangan di Pusat Teknologi Elektronika Dirgantara, Lembaga Penerbangan dan Antariksa Nasional (LAPAN).
iv
DAFTAR ISI
Halaman DAFTAR GAMBAR ...................................................................................................................... vii DAFTAR TABEL ......................................................................................................................... viii PENDAHULUAN ............................................................................................................................ 1 Latar Belakang ............................................................................................................................. 1 Tujuan Penelitian.......................................................................................................................... 1 Ruang Lingkup Penelitian ............................................................................................................ 2 Manfaat Penelitian ........................................................................................................................ 2 TINJAUAN PUSTAKA ................................................................................................................... 2 Pohon............................................................................................................................................ 2 Daun ............................................................................................................................................. 2 Ekstraksi Fitur .............................................................................................................................. 2 Tekstur.......................................................................................................................................... 2 Image Enhancement ..................................................................................................................... 2 Gaussian Filtering ........................................................................................................................ 2 Multi-Block Local Binary Pattern ................................................................................................ 3 Local Binary Pattern .................................................................................................................... 4 Rotation Invariant ........................................................................................................................ 5 Uniform Patterns .......................................................................................................................... 5 ) ...................................................................... 5 Rotation Invariant Uniform Patterns (, Rotation Invariant Variance Measure (LBPVar) ......................................................................... 6 LBP Variance (LBPV) .................................................................................................................. 6 Penggabungan Operator ............................................................................................................... 6 Probabilistic Neural Network (PNN) ........................................................................................... 6 METODE PENELITIAN ................................................................................................................. 7 Data Citra Tumbuhan ................................................................................................................... 7 Praproses ...................................................................................................................................... 7 Image Enhancement dengan Gaussian ......................................................................................... 7 Ekstraksi Tekstur dengan Local Binary Pattern ........................................................................... 7 Ekstraksi Tekstur dengan Multi-Block Local Binary Pattern ...................................................... 9 Penggabungan Operator ............................................................................................................. 10 Klasifikasi dengan Probabilistic Neural Network (PNN) .......................................................... 11 Pengujian Sistem ........................................................................................................................ 11 Perangkat Keras dan Perangkat Lunak ....................................................................................... 11 HASIL DAN PEMBAHASAN ...................................................................................................... 11 Hasil Praproses ........................................................................................................................... 11 Image Enhancement dengan Gaussian ....................................................................................... 12 Hasil Ekstraksi Tekstur dengan , , , dan Penggabungan , ........... 12 Hasil Ekstraksi Tekstur dengan LBP , , MBLBP , dan Penggabungan MBLBP , ......................................................................................................................................... 13 Hasil Ekstraksi Tekstur dengan , , , dan Penggabungan , ......... 14 Ekstraksi Tekstur Tumbuhan Obat ............................................................................................. 15 Identifikasi Citra Operator LBP.................................................................................................. 15 Identifikasi Citra Tanaman Hias Menggunakan Operator MBLBP dan Penggabungan Operator MBLBP ....................................................................................................................... 16 Identifikasi Citra Tumbuhan Obat Menggunakan Operator MBLBP…………………………...17 Pengujian Data ........................................................................................................................... 18 KESIMPULAN…………………………………………………………………………………….18 Kesimpulan................................................................................................................................. 19 Saran ........................................................................................................................................... 20 v
DAFTAR PUSTAKA ..................................................................................................................... 20 LAMPIRAN……………………………………………………………………………………….21
vi
DAFTAR GAMBAR Halaman 1 Plot perspektif pada kurva Gaussian. .................................................................................................. 3 2 Ilustrasi dari MBLBP fitur. .................................................................................................................. 3 3 Circular neighborhood delapan ketetanggaan. .................................................................................... 4 4 Berbagai macam ukuran sampling points dan radius. ......................................................................... 4 5 Contoh operasi pada LBP. ................................................................................................................... 4 6 Rotation Invariant LBP. ...................................................................................................................... 5 7 Tekstur Uniform Patterns. ................................................................................................................... 5 8 Struktur PNN. ...................................................................................................................................... 7 9 Metode Penelitian ................................................................................................................................ 8 10 Pembentukan histogram. .................................................................................................................. 10 11 Hasil praproses citra daun (a) dan Hasil praproses citra pohon (b).................................................. 12 12 Hasil image enhancement menggunakan Gaussian . ....................................................................... 12 (b), Histogram 13 Citra Aglaonema sp (a), Histogram citra Aglaonema sp pada operator ,
citra Aglaonema sp pada operator , (c) dan Histogram citra Aglaonema sp pada operator , + , (d). .........................................................................................12 14 Citra Aglaonema sp (a), Histogram citra Aglaonema sp pada operator , (b), Histogram citra Aglaonema sp pada operator , (c), dan Histogram citra Aglaonema sp pada operator , + , (d). ..............................................13 15 Citra Aglaonema sp (a), Histogram citra Aglaonema sp pada operator , (b), Histogram citra Aglaonema sp pada operator , (c), dan Histogram citra Aglaonema sp pada operator , + , (d)..........................................................................................14 16 Citra Handeleum (a) dan Histogram citra Handeleum pada operator , + , (b). ...................................................................................................................................................15 , , dan penggabungan operator , . .. 17 17 Perbandingan hasil identifikasi , 18 Histogram citra tanaman hias pada operator , (a) , dan Histogram citra tanaman hias pada operator , (b). ................................................................................................................. 17 19 Citra tanaman hias Dendrobium chaopraya moonlight (a), Citra tanaman hias Asplenium nidus (b), dan citra tanaman hias Begonia sp (c). .....................................................................................17 20 Histogram citra tumbuhan obat pada operator , + , . .................................... 18 21 Tampilan ekstraksi pada sistem Herbalism (a), dan Tampilan identifikasi pada sistem Herbalism (b). ................................................................................................................................................... 18 22 Hasil akurasi identifikasi setiap kelas citra tanaman hias pada operator , (a), Hasil akurasi identifikasi setiap kelas citra tanaman hias pada operator , (b), Hasil akurasi identifikasi setiap kelas citra tanaman hias pada operator , (c), dan Hasil akurasi identifikasi setiap kelas citra tanaman hias pada operator , + , (d). .19 23 Kelas citra yang terklasifikasi dengan benar yang memiliki akurasi di atas 70% (a) dan kelas citra yang memiliki rata-rata akurasi terendah (b). .................................................................................. 19
vii
DAFTAR TABEL Halaman 1 Operator LBP ....................................................................................................................................... 8 2 Berbagai macam Operator MBLBP ..................................................................................................... 9 3 Penggabungan operator pada , ......................................................................................... 10 4 Penggabungan operator pada , ................................................................................... 11 5 Penggabungan operator pada , ....................................................................................... 11 6 Akurasi klasifikasi PNN tiga descriptor ............................................................................................ 15 7 Akurasi klasifikasi PNN seluruh MBLBP descriptor citra tanaman hias .......................................... 16
DAFTAR LAMPIRAN Halaman 1 Tiga puluh jenis citra tanaman hias ................................................................................................... 22 2 Tiga puluh citra tumbuhan obat ......................................................................................................... 26 3 Pemodelan pengujian identifikasi citra dengan sistem ...................................................................... 30
viii
PENDAHULUAN Latar Belakang Indonesia sebagai negara tropis memiliki keanekaragaman hayati yang sangat tinggi. Hal tersebut dapat dilihat dari beragamnya jenis flora yang terdapat di Indonesia dan membuat Indonesia termasuk ke dalam sepuluh negara yang memiliki keanekaragaman hayati tertinggi, atau dikenal dengan megadiversity country. Diketahui bahwa Indonesia memiliki keanekaragaman tumbuhan obat peringkat kedua di wilayah Asia Tenggara yang memiliki lebih dari 38.000 spesies tanaman (Bappenas 2003). Tahun 2001 Laboratorium Konservasi Tumbuhan, Fakultas Kehutanan IPB telah mendata dari berbagai laporan dan literatur tidak kurang dari 2039 spesies adalah tumbuhan obat (Zuhud 2009). Menurut hasil penelitian, dari sekian banyak jenis tumbuhan obat hanya sekitar 2022% yang telah dibudidayakan, sedangkan sekitar 78% diperoleh melalui pengambilan langsung dari hutan (Masyhud 2010). Proses pengidentifikasian tumbuhan dapat dilakukan dengan berbagai cara, di antaranya melalui taksonom dengan bantuan herbarium dan text book. Hal tersebut dapat dilakukan dengan membandingkan ciri dari herbarium terhadap objek aslinya, misalnya dengan identifikasi manual menggunakan organ generatif buah dan bunga akan diperoleh hasil dalam waktu yang cukup lama. Pada kenyataanya organ generatif buah dan bunga jarang ditemui dan tidak dapat diketahui waktu yang pasti kemunculannya. Organ vegetatif seperti daun yang kemudian banyak diteliti karena paling sering ditemui dalam waktu kapan pun. Pengidentifikasian tumbuhan juga dapat dilakukan melalui keseluruhan bagian tumbuhan atau pohon. Pengambilan citra pohon dapat memudahkan pengguna dalam karena tidak perlu memilih bagian tumbuhan secara spesifik. Sistem yang mampu melakukan identifikasi tumbuhan secara automatis manjadi kebutuhan yang sangat penting pada masa sekarang. Beberapa sistem identifikasi tumbuhan melalui keseluruhan bagian tumbuhan (pohon) telah dikembangkan, salah satunya oleh Kulsum (2010) yaitu dengan penelitian Identifikasi Tanaman Hias Secara Automatis Menggunakan Metode Local Binary Pattern Descriptor dan Probabilistic
Neural Network (PNN) dengan akurasi terbaik mencapai 73,33%. Pada tahun 2011 telah dilakukan identifikasi citra daun tumbuhan obat menggunakan fitur citra morfologi, tekstur dan bentuk dengan klasifikasi PNN oleh Nurfadhilah (2011) dengan akurasi ratarata fitur tekstur mencapai 53%. Metode Local Binary Pattern (LBP) merupakan metode ekstraksi ciri berdasarkan ciri tekstur pada mode warna grayscale. Cara kerja LBP yaitu dengan membagi citra ke dalam beberapa local region dan mengektraksinya untuk mendapatkan pola biner lokal. LBP mempunyai kelebihan yaitu memiliki komputasi yang sederhana (Ahonen et al. 2006) dan juga di dalam prosesnya informasi spasial dan frekuensi distribusi masih dapat disimpan dengan baik. Namun LBP mempunyai beberapa keterbatasan yaitu hanya mampu mengkodekan mikrostruktur dari pola citra namun belum mampu mengkodekan makrostruktur dari pola citra yang mungkin terdapat fitur dominan di dalamnya. Zhang et al. (2007) telah melakukan penelitian mengenai face recognition menggunakan Multi-Block Local Binary Pattern (MBLBP). MBLBP descriptor merupakan metode ekstraksi ciri dengan mengkodekan intensitas area persegi dengan LBP operator, dan menghasilkan pola biner yang dapat menggambarkan perbedaan struktur lokal pada citra. MBLBP dapat menangkap struktur dalam skala besar yang mungkin menjadi fitur yang dominan dari citra. Penelitian ini akan menggunakan objek citra tanaman hias dan tumbuhan obat dengan menerapkan metode Gaussian pada proses image enhancement, menggunakan metode Multi-Block Local Binary Pattern (MBLBP) untuk ekstraksi ciri tekstur serta menggunakan Probabilistic Neural Network (PNN) pada proses klasifikasinya. Hasil dari penelitian ini akan dibandingkan dengan hasil penelitian yang dilakukan oleh Kulsum (2010). Tujuan Penelitian Tujuan penelitian ini adalah mengembangkan sistem identifikasi tumbuhan obat secara automatis menggunakan Gaussian filtering dan Multi-Block Local Binary Pattern descriptor serta Probabilistic Neural Network.
1
Ruang Lingkup Penelitian Ruang Lingkup penelitian ini adalah: 1.
2.
Objek citra adalah data citra daun tumbuhan obat dan citra pohon tanaman hias di Indonesia. Dalam penelitian ini operator MBLBP yang digunakan dalam penggabungan dibatasi paling banyak tiga.
Manfaat Penelitian Manfaat dari penelitian ini adalah meningkatkan akurasi identifikasi tumbuhan berbasiskan citra sehingga dapat dilakukan identifikasi secara automatis.
TINJAUAN PUSTAKA Pohon Pohon merupakan sesuatu yang penting dalam penggambaran tumbuhan secara keseluruhan. Bagian dari pohon di antaranya daun, batang, bunga, buah, dan akar. Identifikasi tumbuhan melalui pohon dapat diketahui dengan mudah karena pohon menggambarkan keseluruhan bagian pada tumbuhan. Daun Daun merupakan salah satu organ tumbuhan yang umumnya berwarna hijau dan organ vegetatif yang tidak bergantung pada musim. Daun sangat cocok sebagai alat identifikasi tumbuhan karena jumlah daun yang sangat banyak dan dapat ditemui dalam waktu kapan pun, dibandingkan dengan organ lain seperti bunga dan buah. Daun yang ada sangat bervariatif sehingga dapat digunakan sebagai penciri dari tumbuhan. Ciri-ciri daun yang dapat diambil di antaranya morfologi, tekstur, dan bentuk daun. Pengidentifikasian melalui tekstur daun harapannya akan lebih bagus untuk pengenalan tumbuhan. Ekstraksi Fitur Ekstraksi fitur adalah proses memperoleh 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 terdapat pada suatu daerah bagian citra. Tekstur juga dapat membedakan permukaan dari beberapa kelas. Tekstur Tekstur adalah gambaran visual dari sebuah permukaan atau bahan. Tekstur dicirikan dengan variasi intensitas pada sebuah citra. Variasi intensitas dapat disebabkan oleh kekasaran atau perbedaan warna pada suatu permukaan. Selain itu tekstur juga merupakan properti dari area. Properti-properti dari tekstur citra meliputi: keseragaman, kepadatan, kekasaran, keberaturan dan frekuensi. Penampilan tekstur dipengaruhi oleh skala dan arah pandangan, serta lingkungan dan kondisi pencahayaan (Mäenpää 2003). Image Enhancement Prinsip dari perbaikan citra (image enhancement) adalah memproses citra sehingga menghasilkan citra yang lebih baik untuk digunakan daripada citra asli sebelumnya. Perbaikan citra dikategorikan menjadi dua yaitu perbaikan citra pada ruang spasial dan pada ruang frekuensi. Perbaikan citra pada ruang spasial merujuk pada citra tersebut dan pendekatan ini didasarkan pada memanipulasi langsung piksel dalam sebuah citra. Perbaikan citra pada ruang frekuensi didasarkan pada mengubah sebuah citra menggunakan modifikasi Fourier Transform (Gonzales 2002). Gaussian Filtering Gaussian Filtering adalah salah satu proses perbaikan citra bertujuan untuk menormalkan frekuensi distribusi dari suatu citra. Gaussian Filtering dapat diformulasikan sebagai berikut: (, =
! "# $
(1)
dengan adalah jarak dari titik pusat pada sumbu horizontal, adalah jarak dari titik pusat ke sumbu vertikal dan % adalah standar deviasi dari distribusi Gaussian. Perspektif bentuk dari kurva Gaussian akan diperlihatkan pada Gambar 1.
2
Pembobotan yang diperoleh adalah pembobotan biner. Ilustrasi dari MBLBP dapat dilihat pada Gambar 2.
Gambar 1 Plot perspektif pada kurva Gaussian. Tujuan dari penggunaan fungsi Gaussian pada perbaikan citra adalah memperhalus distribusi frekuensi yang dimiliki oleh citra. Pada citra wajah manusia Gaussian Filtering dapat digunakan untuk mengurangi garis-garis halus pada kulit dan noda-noda kecil yang akhirnya citra tersebut akan terlihat lebih halus. Gonzales (2002) menyatakan bahwa Gaussian filtering dapat digunakan pada sistem analisis yang mencari untuk mencari fitur yang dominan pada suatu citra. Multi-Block Local Binary Pattern Multi-Block Local Binary Pattern adalah metode mendeskripsikan tekstur pada mode warna grayscale dengan mengkodekan intensitas area persegi dengan LBP operator, dan menghasilkan pola biner yang dapat menggambarkan perbedaan struktur lokal pada citra. Li serta tim penelitinya pertama kali memperkenalkan MBLBP pada tahun 2007 untuk mengkodekan area persegi (subregion) menggunakan Local Binary Pattern (LBP) operator pada proses pengenalan wajah. Dibandingkan dengan LBP asli yang dihitung berdasarkan 3x3 piksel ketetanggaan, MBLBP dapat mengambil struktur skala yang lebih luas yang mungkin menjadi fitur yang dominan dari struktur suatu citra (Huang et al. 2009). Pada MBLBP perbandingan antara single piksel LBP digantikan oleh nilai rata-rata dari sub-regions. Sub-regions merupakan hasil rata-rata dari single piksel yang berbentuk persegi. LBP mendefinisikan setiap piksel citra dan menggunakan 3x3 nilai piksel ketetanggaan dengan piksel pusat sebagai thresholding. Nilai single piksel dari MBLBP akan digantikan oleh nilai rata-rata piksel dari blok sub-regions. Pembobotan MBLBP diperoleh dengan membandingkan nilai subregion piksel pusat (& dengan ketetanggaan '( , … , *. sub-regions yang lain
Gambar 2 Ilustrasi dari MBLBP fitur. Pada Gambar 2 nilai threshold dari subregions yang pertama sebesar 6.67, setelah dilakukan thresholding akan menghasilkan pola MBLBP yaitu 00111100 yang akan dikalikan dengan pembobotan biner sesuai dengan posisi piksel ketetanggaan tersebut berada maka nilai MBLBP sebesar 60. Nilai dari MBLBP dari diformulasikan sebagai berikut: + = ∑/ 0 ( -( + & 2 1, 34 5 08 - ( = 1 0, 34 7 0
(2)
(3)
dengan & adalah nilai rata-rata dari piksel pusat blok sub-region, (3 = 0, … , 8 adalah ketetanggaan sub-regions dan - adalah sign (kode biner). Gambar 2 menunjukkan operasi dasar MBLBP. Nilai MBLBP dapat dihasilkan dengan mengalikan nilai piksel yang telah melalui proses thresholding dan pembobotan biner sesuai dengan posisi piksel ketetanggan tersebut berada. Pola-pola biner pada MBLBP merepresentasikan berbagai struktur pola citra seperti pola tepi, titik, garis, flat areas, dan corner, pada lokasi dan skala yang berbeda. Selanjutnya kode MBLBP direpresentasikan melalui histogram. Histogram menunjukkan frekuensi kejadian berbagai nilai MBLBP. Ukuran citra NxM. 3
Setelah mendapatkan nilai MBLBP pada satiap ketetanggaan (blok(3, :)), keseluruhan tekstur citra direpresentasikan dengan membentuk histogram dengan formula sebagai berikut: A ;(< = ∑C 0( ∑B0 4((3, :, <, < ∈ >0, ?@
(4)
4(, = 1
1, = 8 0, - D 3E
(5)
dengan K merupakan nilai MBLBP terbesar. MBLBP bekerja menggunakan delapan ketetanggan yang tersebar melingkar (circular neighborhoods) dengan pusat piksel berada di tengah seperti ditunjukkan oleh Gambar 3. Notasi merupakan nilai grey-level dari subregion piksel ketetanggaan.
expression analysis dan berbagai macam aplikasi lainnya. LBP bekerja menggunakan delapan ketetanggaan yang tersebar secara melingkar (circular neighborhoods) dengan pusat piksel berada di tengah. Rataan seluruh piksel (piksel ketetanggaan dan piksel pusat) digunakan sebagai nilai ambang batas (threshold). Nilai LBP dihasilkan dengan mengalikan nilai piksel yang telah melalui tahap pemotongan dengan pembobotan biner sesuai posisi piksel ketetanggaan tersebut berada.
Gambar 5 Contoh operasi pada LBP.
Gambar 3 Circular neighborhood delapan ketetanggaan. Terdapat berbagai macam operator MBLBP dengan berbagai ukuran sampling points dan radius yang ditunjukkan pada Gambar 4. Beragamnya operator ini digunakan untuk membuat ukuran lokal tekstur yang berbeda-beda. Selanjutnya notasi (P,R) akan digunakan untuk piksel ketetanggaan dengan P merupakan sampling points yang melingkar dan R merupakan radius.
(8,1)
(16,2)
(8,2)
Gambar 4 Berbagai macam ukuran sampling points dan radius. Local Binary Pattern Local Binary Pattern (LBP) merupakan metode ekstraksi dengan menjumlahkan struktur lokal pada citra yang bekerja pada mode warna grayscale. LBP pertama kali diperkenalkan pada tahun 1996 oleh Timo Ojala. LBP digunakan untuk mencari polapola tekstur lokal pada citra (texture in local neighborhood) (Mäenpää 2003). LBP banyak diterapkan pada banyak aplikasi di antaranya pada image retrieval, face detection, facial
Gambar 5 menunjukkan operasi dasar LBP. Perbedaan mendasar di antara MBLBP dengan LBP adalah struktur lokal pada MBLBP direpresentasikan oleh nilai rata-rata dari setiap sub-regions, sedangkan pada LBP struktur lokal direpresentasikan oleh nlai single piksel. Pola-pola biner LBP merepesentasikan bermacam-macam pola tepi, titik, flat areas, dan sebagainya. Nilai LBP menunjukkan kode local binary pattern. LBP dapat diformulasikan sebagai berikut: LBP I,J (& , & = K
L0(
L
-(L + µ2
(6)
1 ≥ 08 0 <0
(7)
-( = M
dengan & dan & adalah koordinat pusat piksel ketetanggaan, N adalah circular sampling points, adalah banyaknya sampling points, L adalah nilai keabuan dari N, μ adalah nilai rata-rata piksel ketetanggaan dan piksel pusat, dan - adalah sign (kode biner). Kode LBP direpresentasikan melalui histogram. Histogram menunjukkan frekuensi kejadian berbagai nilai LBP. Ukuran citra adalah NxM. Setelah mendapatkan nilai LBP pada setiap neighborhood (blok 3, :), keseluruhan tekstur citra direpresentasikan dengan membentuk histogram:
4
C
A
;< = K K 4P, 3, :,
0, ?@ 0( B0
4, = 1
(8)
1, = 8 0, - D 3EE
(9)
dengan K merupakan nilai LBP terbesar. Operator LBP mengalami perkembangan dengan dimodelkannya operator menggunakan berbagai ukuran sampling points dan radius. Beragamnya operator ini digunakan untuk membuat ukuran lokal tekstur yang berbeda-beda. Selanjutnya notasi (P,R) akan digunakan untuk piksel ketetanggaan dengan P merupakan sampling points yang melingkar dan R merupakan radius. LBP pada dasarnya hanya dapat mengkodekan pola mikrostruktur dari suatu citra. Hal tersebut mengakibatkan citra tanaman yang memiliki daun yang jarang sulit dikenali, karena makrokstuktur dari suatu citra belum dapat teridentifikasi dengan baik. Multi-Block Local Binary Pattern (MBLBP) merupakan suatu metode ekstraksi ciri dengan mengkodekan area persegi citra dengan LBP operator untuk mengetahui pola makrostrukstur dari suatu citra. Rotation Invariant Struktur piksel ketetanggaan LBP berbentuk melingkar, untuk itu dibuat suatu cara agar pola-pola LBP tidak sensitif terhadap perubahan rotasi. Istilah ini dinamakan rotation invariant. Contoh: LBP = 00001111 = 15 dapat direpresentasikan dengan circular neighborhood pada Gambar 6.
mempunyai pola yang berbeda jika dirotasi searah jarum jam ataupun berlawanan arah jarum jam (Pietikäinen 2000). Uniform Patterns Pola-pola LBP mencerminkan suatu karakteristik dari sebuah tekstur. Pola-pola yang memiliki informasi penting ini dinamakan “uniform patterns”. Suatu pola dikatakan uniform jika struktur melingkar pola-pola binernya paling banyak terdiri atas dua transisi bit dari 0 ke 1 atau sebaliknya. Sebagai contoh 00000000 (0 transisi), 011111111 (1 transisi), 01110000 (2 transisi), dan 11001111 (2 transisi) merupakan uniform patterns, sedangkan 11001001 (4 transisi) dan 01010011 (6 transisi) bukan merupakan uniform patterns atau disebut nonuniform patterns. Uniform patterns berfungsi untuk mengidentifikasi noda (spot), flat area atau dark spot, sudut, dan tepi (Ojala et al. 2002).
Spot
Spot/flat Line end
Rotation invariant didefinisikan sebagai nilai minimum dari rotasi (RSR) -bit biner yang dilakukan sebanyak 3 kali: , = minWRSRP, , 3Q X 3 = 0, 1, … , − 1 }
(10) dengan 3 menunjukkan rotation invariant. Nilai dan pola-pola LBP pada Gambar 6 dapat berbeda-beda, tetapi memiliki struktur rotasi yang sama. Setiap pola LBP akan
Corner
Gambar 7 Tekstur uniform patterns. Gambar 7 menunjukkan definisi dari polapola uniform. Untuk mengidentifikasi uniform patterns digunakan formulasi sebagai berikut: YP, Q = |-
− & − -( − & |
+ ∑L0 |-PL − & Q − -PL
− & Q|
(11) dengan YP, Q merupakan uniform patterns dari P banyaknya sampling points dan radius R, N adalah circular sampling points, L adalah nilai keabuan dari N, dan & adalah nilai keabuan rata-rata seluruh piksel neighborhood. Rotation Invariant [\]_`ab ],^ )
Gambar 6 Rotation Invariant LBP.
Edge
Uniform
Patterns
Penggabungan antara uniform patterns dengan rotation invariant dilambangkan . Notasi ri menunjukkan rotation , invariant dan u2 untuk uniform patterns pada sampling points P dan radius R. , merupakan ukuran ketidaksensitifan (invariant) terhadap perubahan grayscale. merupakan ukuran yang digunakan , untuk menggambarkan pola spasial. Jumlah pola yang dihasilkan uniform patterns adalah − 1 + 2 bins. Ketika uniform patterns 5
dirotasi sampai ke nilai minimum yang dimilikinya, jumlah pola yang dihasilkan menjadi + 1 bins. Rotation invariant uniform patterns diformulasikan sebagai berikut: ∑ -PL − & Q , 34 YP, Q ≤ 28 , = c L0( + 1 , - D 3EE
(12)
Jika pola yang diidentifikasi termasuk uniform patterns, akan dihitung banyaknya bit satu pada pola tersebut yang menentukan letak bin uniform patterns berada. Jika banyaknya sampling points sama dengan delapan, nilai , adalah nol sampai dengan sembilan. Jika non uniform patterns akan masuk ke dalam bin terakhir, yaitu bin ke-sembilan yang merupakan single bin non uniform patterns (Mäenpää 2003). Rotation Invariant Variance Measure (VAR)
, tidak mendefinisikan lokal kontras tekstur dalam perhitungannya VAR merupakan suatu descriptor untuk mengukur lokal kontras tekstur pada suatu citra. VAR tidak sensitif terhadap perubahan grayscale. VAR berhubungan dengan kondisi pencahayaan suatu citra. Untuk mengukur lokal kontras tekstur pada suatu citra digunakan rotation invariant local variance dengan formula sebagai berikut:
eR, = K
L0(
Pg g − µQ
(13)
dengan
μ= K
L0(
gg
LBPV dihitung menggunakan formula sebagai berikut: C
A
, (< = K K hP, (3, :,
< ∈ >0. ?@
(15) dengan eR, 3, :, hP, 3, :,
, 3, : = <8
- D 3EE
(16) Penggabungan Operator Penggabungan beberapa N operator dengan nilai sampling points P dan radius R yang bervariasi adalah salah satu cara untuk memperbesar dukungan area spasial dari MBLBP. Penggabungan operator yang digunakan adalah dengan menggunakan concatenation (Guo et al. 2009). Cara kerja concatenation yaitu pada awalnya histogram dari N operator dihitung secara terpisah, kemudian histogram dari masing-masing operator dirangkaikan menjadi satu buah histogram. Pada penggabungan dengan menggunakan concatenation banyaknya bin histogram yang dihasilkan mengalami peningkatan secara linear terhadap pertumbuhan P atau sampling point. Sebagai contoh penggabungan , dengan , , akan menghasilkan histogram dengan panjang bin 10 dijumlahkan dengan 18 bin yaitu sebesar 28 bin. Probabilistic Neural Network (PNN)
(14)
dengan merupakan rata-rata sampling points circular neighborhood. Hasil perhitungan VAR menghasilkan nilai continuous yang perlu dikuantisasi berdasarkan persebaran pola tekstur (Guo et al. 2009). LBP Variance (LBPV) LBPV descriptor secara sederhana menggabungkan distribusi frekuensi nilai LBP dan lokal kontras. Variance berhubungan dengan fitur tekstur. Pada umumnya frekuensi tekstur region yang tinggi akan mempunyai variance yang lebih tinggi dan variance tersebut lebih berkontribusi terhadap perbedaan tekstur suatu citra (Guo et al. 2009). Oleh karena itu, variance eR, dapat digunakan sebagai bobot yang dapat beradaptasi untuk mengatur kontribusi nilai LBP pada perhitungan histogram. Histogram
PNN merupakan Artificial Neural Network (ANN) yang menggunakan teorema probabilitas klasik (pengklasifikasian Bayes). PNN diperkenalkan oleh Donald Specht pada tahun 1990. PNN menggunakan pelatihan (training) supervised. Pelatihan data pada PNN mudah dan cepat. Bobot bukan merupakan hasil pelatihan melainkan nilai yang dimasukkan (tersedia). Menurut Wu et al. (2007) PNN memiliki struktur sederhana dan pelatihan data yang cepat karena tidak perlu memperbaharui bobot. Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusan/keluaran. Lapisan masukan merupakan objek yang terdiri atas < nilai ciri yang akan diklasifikasikan pada E kelas. Struktur PNN ditunjukkan pada Gambar 8. Proses-proses yang terjadi setelah lapisan masukan adalah: 6
dengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan
Gambar 8 Struktur PNN. 1. Lapisan pola (pattern layer) Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan. Setiap node pola merupakan selisih antara vektor masukan j yang akan diklasifikasikan dengan vektor bobot mmmmj kl , yaitu n = j + mmmmj , n kemudian dibagi kl dengan bias tertentu (σ) dan selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu op -(E = exp (+E . Dengan demikian, persamaan yang digunakan pada lapisan pola adalah. 4(j = N t+
x mmmmmj (uj mummmmmj vw (uj mu vw
y
(17)
2. Lapisan penjumlahan (summation layer) Menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Persamaan yang digunakan pada lapisan ini adalah: N(j =
3.
1
{ 2z
~
%{ |
K exp− 0
} j − mmmmj j− mmmmj kl kl 2%
(18)
Lapisan keluaran (output layer) Menentukan kelas dari input yang diberikan. Input x akan masuk ke Y jika nilai N paling besar dibandingkan kelas lainnya.
METODE PENELITIAN Penelitian ini dilakukan dalam beberapa tahap. Tahap-tahap tersebut diselesaikan
Citra yang digunakan diperoleh dari pemotretan tiga puluh jenis citra pohon yang terdapat di Kebun Raya Bogor serta tiga puluh jenis citra daun, depan dan belakang (masingmasing kelas 48 citra) yang terdapat di kebun Biofarmaka IPB Cikabayan dan rumah kaca Pusat Konservasi Ex-situ Tumbuhan Obat Hutan Tropika Indonesia, Fahutan IPB. Citra yang digunakan berformat JPG. Total citra pohon yang digunakan 300 citra yang terdiri atas 30 kelas masing-masing kelas terdiri atas 10 citra yang dapat dilihat pada Lampiran 1 serta total citra daun yang digunakan sebanyak 1.440 citra yang terdiri atas 30 kelas, depan dan belakang (masing-masing kelas 48 citra) dapat dilihat pada Lampiran 2. Praproses Pada tahap awal praproses, dilakukan perbaikan data pohon dengan memotong citra untuk mendapatkan objek tanaman dan memperkecil ukuran citra menjadi 270x210 piksel. Citra tersebut diperoleh dari hasil cropping dengan bertujuan agar citra focus kepada objek dari citra itu sendiri. Pada data daun dilakukan praproses data dengan mengambil objek setiap satu daun dan memperkecil ukuran citra menjadi 270x240 piksel. Kemudian mode warna citra diubah menjadi grayscale untuk proses ekstraksi selanjutnya. Image Enhancement dengan Gaussian Proses perbaikan citra menggunakan fungsi Gaussian. Sebelum masuk ke tahap ekstraksi, citra diubah ke dalam mode warna grayscale. Tahap selanjutnya citra diproses dengan mengalikan fungsi Gaussian yang ditunjukkan pada persamaan (1) bertujuan untuk memperhalus distribusi frekuensi citra. Ekstraksi Tekstur dengan Local Binary Pattern Ekstraksi tektur pada citra daun hanya dilakukan pada piksel yang menyusun citra tersebut. Citra dikonversi ke mode warna grayscale. Selanjutnya membagi citra ke dalam beberapa local region sesuai dengan sampling points dan radius yang digunakan.
7
Citra Tumbuhan
Citra Pohon
Citra Daun
Praproses
Praproses
Citra Grayscale
Citra Grayscale
Image Enhancement dengan Gaussian
Image Enhancement dengan Gaussian
Ekstraksi tekstur dengan LBP
LBPRiu
VAR
Ekstraksi tekstur dengan MBLBP
LBPV
Tanpa Penggabungan
MBLBPRiu
MBLBPVAR
PNN
PNN
MBLBP
Penggabungan Operator
MBLBPRiu
MBLBPV
PNN
Tanpa Penggabungan
MBLBPVAR
Penggabungan Operator
MBLBPV
PNN
PNN
Perbadingan Hasil LBP dengan MBLBP Model Klasifikasi
Model Klasifikasi
Citra Kueri
Ekstraksi Tekstur
Histogram
Hasil Identifikasi
Hasil Identifikasi
Gambar 9 Metode Penelitian Tabel 1 Operator LBP Operator (P,R)
Ukuran Blok (piksel)
Kuantisasi sudut
(8,1)
3x3
45 derajat
(8,2)
5x5
45 derajat
(16,2)
5x5
22.5 derajat
(24,3)
7x7
15 derajat
Ekstraksi tekstur dilakukan dengan konvolusi menggunakan operator yang disajikan pada Tabel 1. Nilai LBP akan direpresentasikan melalui histogram yang merupakan gambaran frekuensi nilai LBP pada sebuah citra. Ekstraksi tekstur yang digunakan sebanyak tiga descriptor yaitu , , VAR, dan LBPV. 1. Ekstraksi tekstur dengan ,
Ekstraksi tekstur menggunakan , mengolah setiap piksel dari citra yang dilakukan dengan menggunakan persamaan (12). Histogram
8
, menghasilkan + 2 bin dengan merupakan banyaknya sampling points yang digunakan. Bin pertama sampai dengan + 1 merupakan bin uniform patterns, sedangkan bin terakhir ( + 2) merupakan single bin untuk non uniform patterns. Ekstraksi tekstur menggunakan , diolah menggunakan empat operator, yaitu (8,1), (8,2), (16,2), dan (24,3).
2. Ekstraksi tekstur dengan eR
Ekstraksi tekstur menggunakan eR, descriptor dilakukan dengan menggunakan persamaan (13) dan (14). Setiap nilai gray value piksel ketetanggaan dibandingkan dengan nilai rata-rata piksel ketetanggaan itu sendiri. Semakin besar nilai eR, pada suatu local region, maka semakin kontras local region tersebut. Hasil pengolahan dari setiap local region menghasilkan matriks nilai eR, . Nilai eR, yang dihasilkan merupakan nilai kontinu yang harus dikuantisasi. Pengkuantisasian dilakukan dengan mengelompokkan nilai-nilai eR, dalam rentang kelipatan 100 yang dilihat berdasarkan kemiripan tekstur. Hal ini dilakukan untuk mempermudah perhitungan frekuensi nilainilai eR dalam suatu citra. Selanjutnya nilai yang telah dikuantisasi direpresentasikan melalui histogram. Histogram descriptor eR memiliki 150 bin. Penentuan banyaknya bin ini tidak baku. Penentuan banyaknya bin pada penelitian ini dilihat dari sebaran nilai terbesar eR pada suatu citra. Ekstraksi tekstur menggunakan eR diolah menggunakan empat operator, yaitu (8,1), (8,2), (16,2), dan (24,3). 3. Ekstraksi tekstur dengan
Ekstraksi tekstur menggunakan descriptor memanfaatkan keseluruhan hasil nilai dan hasil nilai-nilai local nilai local region , region eR. Ekstraksi dilakukan dengan menggabungkan nilai , dan eR menggunakan persamaan (15) dan (16). Setiap nilai local region yang ada di , merujuk pada nilai local region eR pada posisi local region yang sama. Sampling points dan radius (operator) yang digunakan , dan eR harus sama. Hal ini dikarenakan descriptor bekerja dengan mencocokkan posisi local region. Hasil dari penggabungan local region , dengan eR menghasilkan vektor frekuensi nilai yang direpresentasikan melalui histogram. Pembentukan histogram LBPV descriptor sama . Histogram descriptor seperti , memiliki + 2 bin dengan banyaknya sampling points yang digunakan. Ekstraksi tekstur menggunakan juga diolah menggunakan
empat operator, yaitu (8,1), (8,2), (16,2), dan (24,3). Ekstraksi tekstur dengan Multi-Block Local Binary Pattern Hasil distribusi citra setelah diproses pada image enhancement dengan Gaussian filrering selanjutnya dilakukan tahap ekstraksi dengan Multi-Block Local Binary Pattern (MBLBP). Pada proses ekstraksi tekstur pada penelitian ini menggunakan tiga descriptor, yaitu , , eR, , dan . Pengolahan selanjutnya membagi citra ke dalam beberapa operator sesuai dengan sampling points dan radius yang digunakan. Penelitian ini menggunakan empat macam operator yang disajikan pada Tabel 2. Tabel 2 Berbagai macam Operator MBLBP Operator (P, R)
Ukuran Blok besar (piksel)
Ukuran blok kecil (subregion)
Kuantisasi Sudut
(8,1)
9x9
3x3
45 derajat
(8,2)
15 x15
3x3
45 derajat
(16,2)
15 x 15
3x3
22,5 derajat
(24,3)
21 x 21
3x3
15 derajat
Penentuan ukuran blok besar dan kuantisasi sudut yang digunakan menggunakan formula berikut: pD< p - = o3- 2 + 1 < E|3- -3 -o| =
(19) (20)
Ekstraksi tekstur dilakukan menggunakan berbagai macam operator dengan sub-regions berukuran 3x3 ketetanggaan. Sub-regions merupakan hasil nilai rata-rata setiap single piksel yang berbentuk persegi. Setiap sub-regions overlapping dengan sub-regions berikutnya dengan jarak satu piksel. Ekstraksi tekstur yang digunakan sebanyak tiga descriptor yaitu: 1. Ekstraksi tekstur dengan , )
Ekstraksi tekstur menggunakan , descriptor mengolah setiap blok besar yang terdiri atas sub-regions pada suatu citra menggunakan persamaan (12). Hasil dari pengolahan setiap blok besar menghasilkan pola biner MBLBP. Kemudian pola biner MBLBP setiap blok besar diidentifikasi ke dalam uniform patterns atau non uniform patterns. Jika termasuk uniform patterns, dihitung banyaknya bit satu yang terdapat pada pola tersebut
9
yang akan menentukan letak bin uniform patterns tersebut berada.
Gambar 10 Pembentukan histogram. Hasil dari pengolahan setiap blok direpresentasikan melalui histogram yang seluruh merupakan frekuensi nilai , blok besar pada suatu citra. Ilustrasi pembentukan histogram ditunjukkan pada Gambar 10. Histogram , descriptor memiliki + 2 bin dengan merupakan banyaknya sampling points yang digunakan. Bin pertama sampai dengan + 1 merupakan bin uniform patterns, sedangkan bin terakhir ( + 2) merupakan single bin untuk nonuniform patterns. Ekstraksi tekstur menggunakan , diolah menggunakan empat operator yaitu (8,1), (8,2), (16,2), dan (24,3). 2. Ekstraksi tekstur dengan ,
Ekstraksi tekstur menggunakan , descriptor dilakukan menggunakan persamaan (13) dan (14). Setiap nilai sub-regions ketetanggaan dibandingkan dengan nilai rata-rata piksel ketetanggaan itu sendiri. Semakin besar nilai , pada suatu local region, maka semakin kontras local region tersebut. Hasil pengolahan dari setiap local region menghasilkan matriks nilai , . Nilai , yang dihasilkan merupakan nilai kontinu yang harus dikuantisasi. Pengkuantisasian dilakukan dengan mengelompokkan nilai-nilai , dalam rentang kelipatan 500 yang dilihat berdasarkan kemiripan tekstur. Hal ini dilakukan untuk mempermudah perhitungan frekuensi nilai-nilai , dalam suatu citra. Selanjutnya nilai yang telah dikuantisasi direpresentasikan melalui histogram. Histogram descriptor , memiliki 128 bin. Penentuan banyaknya bin ini tidak baku. Penentuan banyaknya bin pada penelitian ini dilihat dari sebaran nilai terbesar , pada suatu citra. Ekstraksi tekstur menggunakan , diolah menggunakan empat operator, yaitu (8,1), (8,2), (16,2), dan (24,3). 3. Ekstraksi tekstur dengan
Ekstraksi tekstur menggunakan descriptor memanfaatkan keseluruhan hasil nilai dan nilai local region (blok besar) , , . Ekstraksi dilakukan dengan menggabungkan nilai , dan
, menggunakan persamaan (15) dan (16). descriptor bekerja dengan mencocokkan posisi local region. Setiap nilai local merujuk pada nilai region yang ada di , local region , pada posisi local region yang sama. Sampling points dan radius dan yang digunakan , , harus sama. Hasil dari penggabungan local region dengan , menghasilkan , vektor frekuensi nilai yang direpresentasikan melalui histogram. Pembentukan histogram MBLBPV descriptor sama seperti , . Histogram descriptor memiliki + 2 bin dengan banyaknya sampling points yang digunakan. Ekstraksi tekstur menggunakan juga diolah menggunakan empat operator, yaitu (8,1), (8,2), (16,2) dan (24,3). Penggabungan Operator Tahap penggabungan operator dilakukan dengan menggunakan perangkaian (concatenation) beberapa buah histogram sesuai dengan operator yang dirangkaikan. Banyaknya operator yang digunakan dalam penelitian ini dibatasi paling banyak adalah tiga. Hasil dari penggabungan beberapa operator menghasilkan sebuah histogram dengan panjang bin yang merupakan penjumlahan dari bin-bin histogram yang digabungkan. Histogram hasil penggabungan maupun tanpa penggabungan operator selanjutnya akan dijadikan input untuk proses klasifikasi. Penggabungan operator yang digunakan sebanyak tiga descriptor , , , dan MBLBPV. yaitu , 1.
Penggabungan operator dengan , )
Setiap histogram yang telah dihasilkan oleh empat operator, yaitu (8,1), (8,2), (16,2) dan (24,3) dilakukan proses penggabungan dengan menggabungkan setiap histogram pada setiap operator. Kombinasi penggabungan yang dilakukan dapat dilihat pada Tabel 3. Tabel 3 Penggabungan operator pada ,
Operator
P,R
,
(8,1) + (8,2) (8,1) + (16,2) (8,1) + (24,3) (8,2) + (16,2) (8,2) + (24,3) (16,2) + (24,3) (8,1) + (8,2) + (24,3) (8,1) + (16,2) + (24,3)
Jumlah Bin 10+10 10+18 10+26 10+18 10+26 18+26 10+10+26 10+18+26
10
Panjang bin dari setiap penggabungan disesuaikan dengan skala yang digunakan, misalnya penggabungan , + , maka panjang bin yang dihasilkan sebesar 28 bin. 2.
Penggabungan ,
operator
dengan
Setiap histogram yang telah dihasilkan oleh empat operator, yaitu (8,1), (8,2), (16,2) dan (24,3) dilakukan proses penggabungan dengan menggabungkan setiap histogram pada setiap operator. Kombinasi penggabungan yang dilakukan dapat dilihat pada Tabel 4. Tabel 4 Penggabungan , Operator
,
operator
pada
P,R
Jumlah Bin
(8,1) + (8,2) (8,1) + (16,2) (8,1) + (24,3) (8,2) + (16,2) (8,2) + (24,3) (16,2) + (24,3) (8,1) + (8,2) + (24,3)
128+128 128+128 128+128 128+128 128+128 128+128 128+128 +128 128+128 +128
(8,1) + (16,2) + (24,3)
Panjang bin dari setiap skala sebesar 128 bin. Panjang bin pada setiap penggabungan disesuaikan dengan operator yang digunakan, misalnya penggabungan , + , maka panjang bin yang dihasilkan sebesar 256 bin. 3.
Penggabungan operator dengan
Setiap histogram yang telah dihasilkan oleh empat operator, yaitu (8,1), (8,2), (16,2) dan (24,3) dilakukan proses penggabungan dengan menggabungkan setiap histogram pada setiap operator. Kombinasi penggabungan yang dilakukan dapat dilihat pada Tabel 5. Tabel 5 Penggabungan operator pada Operator
P,R
Jumlah Bin
(8,1) + (8,2) (8,1) + (16,2) (8,1) + (24,3) (8,2) + (16,2) (8,2) + (24,3) (16,2) + (24,3) (8,1) + (8,2) + (24,3) (8,1) + (16,2) + (24,3)
10+10 10+18 10+26 10+18 10+26 18+26 10+10+26 10+18+26
Panjang bin pada setiap penggabungan disesuaikan dengan operator yang digunakan, misalnya penggabungan , + , , maka panjang bin yang dihasilkan sebesar 28 bin.
Klasifikasi dengan Probabilistic Neural Network (PNN) Setelah proses ekstraksi citra dilakukan, diperoleh hasil vektor histogram untuk setiap operator. Tahap selanjutnya adalah mengklasifikasi vektor-vektor histogram tersebut dengan PNN. Klasifikasi dilakukan pada vektor histogram penggabungan maupun tanpa penggabungan. Klasifikasi dilakukan dengan membagi data latih dan data uji masing-masing 70% dan 30% untuk data pohon serta 80% dan 20% untuk data daun. Selanjutnya diperoleh model klasifikasi dari hasil pelatihan data. Model klasifikasi digunakan untuk proses pengujian. Pada penggabungan operator maupun tanpa penggabungan operator harus diekstraksi terlebih dahulu. Hasil identifikasi citra pohon menggunakan MBLBP akan dibandingkan dengan hasil identifikasi citra pohon menggunakan LBP. Klasifikasi dilakukan dengan menggunakan PNN dengan menerapkan bias yang berbeda-beda untuk setiap operator karena dimensi vektor histogram setiap operator berbeda-beda. Normalisasi dilakukan pada vektor histogram agar perhitungan tidak menghasilkan bilangan yang terlalu besar atau kecil yang tidak bisa dilakukan oleh mesin komputer. Pengujian Sistem Pengujian data dilakuan oleh sistem, yaitu dengan penilaian tingkat keberhasilan klasifikasi terhadap citra kueri. Evaluasi dari kinerja model klasifikasi didasarkan pada banyaknya data uji yang diprediksi secara benar dan tidak benar oleh model. Hal ini dapat dihitung menggunakan akurasi yang didefinisikan sebagai berikut:
< -3 =
{
L {
~~
{
L {
× 100% (22)
Perangkat Keras dan Perangkat Lunak Perangkat keras yang digunakan dalam penelitian ini adalah Processor intel® Core™ 2 Duo 2.00 GHz, memori DDR3 RAM 1.00 GB dan hardisk 320 GB. Perangkat lunak yang digunakan adalah Sistem Operasi Windows7, Library OpenCV 2.1, dan Visual C++.
HASIL DAN PEMBAHASAN Hasil Praproses Pada tahap awal praproses, dilakukan perbaikan data citra pohon dengan memotong citra untuk mendapatkan objek tanaman dan memperkecil ukuran citra menjadi 270x210 piksel. Pada data 11
citra daun dilakukan praproses data dengan mengambil objek setiap satu daun dan memperkecil ukuran citra menjadi 270x240 piksel. Kemudian mode warna citra diubah menjadi grayscale untuk proses ekstraksi selanjutnya. Hasil praproses data bertujuan untuk mengurangi waktu pemrosesan data (running time). Hasil praproses data dapat dilihat pada Gambar 11.
Operator ,
(b)
(a)
Operator ,
(b) Gambar 11 Hasil praproses citra daun (a) dan Hasil praproses citra pohon (b). Image Enhancement dengan Gaussian Hasil dari praproses dimasukkan ke dalam fungsi Gaussian yang bertujuan untuk menormalkan distribusi frekuensi dari suatu citra. Hasil perbaikan citra yaitu citra hasil akan lebih blur dari citra sebelumnya dan distribusi frekuensi dari citra akan semakin halus yang ditunjukkan pada Gambar 12.
Gambar
Hasil
12
Ekstraksi
(c) Operator , ,
Hasil image enhancement menggunakan Gaussian . tekstur
dengan
[\]_`ab ],^ ,
_`ab \[\]_`ab ],^ dan Penggabungan \[\]],^
Ekstraksi tekstur dengan , dilakukan pada setiap operator yang disajikan pada Tabel 2. Hasil ekstraksi dengan , direpresentasikan dengan histogram. Histogram untuk , operator P=8, R=1 diperlihatkan pada Gambar 12.
Aglaonema sp (a)
(d) Gambar 13 Citra Aglaonema sp (a), Histogram citra Aglaonema sp pada operator , (b), Histogram citra Aglaonema sp pada operator , (c) dan Histogram citra Aglaonema sp pada operator , + , (d). Histogram pada Gambar 13 menunjukkan 1 nilai uniform patterns dan satu nilai non uniform patterns, dimana non uniform patterns berada pada single bin terakhir. Bin non uniform patterns memiliki frekuensi yang paling tinggi karena pola-pola non uniform yang ditemukan hanya ditempatkan pada satu bin. Bin ini 12
menggabungkan seluruh non uniform patterns yang ada pada tekstur citra. Non uniform pattern memiliki informasi yang kurang informatif, sehingga bukan merupakan karakteristik utama dari tekstur lokal suatu citra.
Operator eR,
Dapat dilihat ekstraksi tekstur dengan dapat meningkatkan frekuensi bin pada , uniform pattern. Terlihat hampir pada semua bin uniform pattern mengalami peningkatan. Hal tersebut menunjukkan bahwa ekstraksi dengan dapat menunjukkan hasil yang lebih , informatif daripada ekstraksi menggunakan , . Pada penggabungan operator , berusaha memperbanyak informasi yang diperoleh oleh beberapa operator. Hal tersebut dapat dilihat bahwa bin uniform pattern memiliki frekuensi yang tinggi dibandingkan dengan ekstraksi , yang menandakan bahwa histogram yang dihasilkan juga lebih informatif. Banyaknya bin pada penggabungan , dengan , menghasilkan jumlah bin sebanyak 28 bin. Hasil ekstraksi tekstur menunjukkan bahwa menggunakan , pola deteksi tepi (00001111)2 merupakan pola yang sering muncul. Hal tersebut dapat dilihat pada bin uniform bin ke empat memiliki frekuensi yang tertinggi. Hasil Ekstraksi Tekstur dengan LBP ^],^, \[\]_],^ dan Penggabungan \[\]_],^
(b) Operator ,
(c) Operator , ,
Ekstraksi dengan eR, dilakukan pada setiap operator. Histogram yang dihasilkan oleh ekstraksi dengan , menghasilkan histogram sepanjang 128 bin.
(d)
Aglaonema sp. (a)
Gambar 14 Citra Aglaonema sp (a), Histogram citra Aglaonema sp pada operator eR, (b), Histogram citra Aglaonema sp pada operator , (c), dan Histogram citra Aglaonema sp pada operator , , (d). eR, bekerja pada perubahan pencahayaan (illumination) yang mengakibatkan perbedaan kontras pada tekstur suatu citra. Histogram yang dihasilkan mendeskripsikan kontras suatu citra. Perbedaan yang terjadi hanya pada intensitas setiap bin untuk masing-masing operator. eR, 13
mendreskripsikan nilai kontras dari intensitas terendah (direpresentasikan dengan bin ke-satu) sampai intensitas tertinggi (bin terakhir). Histogram pada Gambar 14 menunjukkan histogram yang dihasilkan pada citra Aglaonema sp. Pada Gambar 14 ditunjukkan bahwa histogram operator eR, memiliki kontras yang rendah. Hal ini dapat diamati dari banyaknya frekuensi tinggi pada bin-bin awal. Namun pada operator , tidak hanya pada bin awal memiliki frekuensi yang tinggi, bin setelahnya juga mengalami peningkatan frekuensi. Hal tersebut menunjukkan bahwa ekstraksi tekstur dengan operator , memiliki kontras yang lebih baik dari operator LBP. Penggabungan operator , dengan , berusaha memperbanyak informasi yang diperoleh oleh beberapa operator. Penggabungan operator , memiliki frekuensi yang tinggi pada bin awal namun frekuensi yang tinggi juga dapat ditemukan pada bin setelahnya. Hal tersebut menandakan penggabungan operator , memiliki kontras yang tidak lebih rendah dari operator eR, . Hasil Ekstraksi Tekstur dengan [\]],^ , \[\]],^ dan Penggabungan \[\]],^
Ekstraksi dengan , dilakukan pada setiap operator. Nilai-nilai local region hasil dan eR, merupakan ekstraksi , masukan bagi , descriptor. Histogram yang dihasilkan oleh ekstraksi dengan , memiliki 2 bin. Hasil ekstraksi dengan , menghasilkan histogram dengan pola yang menyerupai , karena , memiliki rentang nilai , yang mengacu kepada nilai eR, di posisi region yang sama. Berarti hasil ekstraksi dengan , juga menghasilkan histogram dengan karena pola yang menyerupai , , memiliki rentang nilai , yang mengacu kepada nilai eR, di posisi region yang sama
Aglaonema sp. (a)
Operator ,
(b) Operator ,
(c) Operator , ,
(d) Gambar 15 Citra Aglaonema sp (a), Histogram citra Aglaonema sp pada operator (b), Histogram citra , Aglaonema sp pada operator , (c), dan Histogram citra Aglaonema sp pada operator , + , (d). Histogram yang dihasilkan mendeskripsikan pola tekstur spasial dengan kontras lokal tertentu pada suatu citra. Gambar 15 menunjukkan histogram yang dihasilkan pada citra Aglaonema sp. Operator , mendeskripsikan pola 14
tekstur spasial dan lokal kontras yang lebih baik dibandingkan dengan operator , . Hal ini dapat dilihat pada histogram operator , yang menunjukkan perbedaan antar pola-pola tekstur yang terlihat nyata dan dapat diamati dari frekuensi bin-bin uniform patterns yang lebih tinggi dibandingkan operator lainnya. Terjadi peningkatan kontribusi uniform patterns dari , ke penggabungan operator , dan , . Hal tersebut dapat diamati dari frekuensi bin-bin uniform patterns yang lebih informatif. Ekstraksi tekstur menggunakan , dan , dan penggabungan , melengkapi pola-pola tekstur spasial lokal dengan intensitas kontras tekstur lokal yang memainkan peranan penting pada texture discrimination, sehingga bersifat rotation invariant (tidak sensitif terhadap perubahan rotasi) dan tahan terhadap perubahan pencahayaan. Ekstraksi Tekstur Tumbuhan Obat Ekstraksi tekstur menggunakan tumbuhan obat dilakukan menggunakan operator MBLBP dan penggabungan operator MBLBP yang terbaik dari hasil ekstraksi citra tanaman hias yaitu operator , + , . Hasil ekstraksi dengan dengan penggabungan operator , , direpresentasikan dengan histogram diperlihatkan pada Gambar 16.
Histogram pada Gambar 16 menunjukkan 1 nilai uniform patterns dan satu nilai non uniform patterns, dimana non uniform patterns berada pada single bin terakhir. Bin non uniform patterns memiliki frekuensi yang paling tinggi karena pola-pola non uniform yang ditemukan hanya ditempatkan pada satu bin. Bin ini menggabungkan seluruh non uniform patterns yang ada pada tekstur citra. Non uniform pattern memiliki informasi yang kurang informatif, sehingga bukan merupakan karakteristik utama dari tekstur lokal suatu citra. Pada penggabungan operator MBLBP terlihat bahwa lebih banyak informasi bin-bin uniform patterns. Pada histogram Gambar 16 dapat dilihat bahwa pola tekstur tepi (0000000011111111)2 merupakan pola yang sering muncul dapat dilihat bahwa pada bin uniform pattern bin ke delapan adalah bin yang memiliki frekuensi yang tinggi. Identifikasi Citra Operator LBP Identifikasi citra dilakukan dengan klasifikasi menggunakan Probabilistic Neural Network (PNN). Hasil ekstraksi 300 citra yang terdiri atas 10 jenis citra tanaman hias menggunakan , , eR, , dan , descriptor menghasilkan vektor-vektor histogram citra tanaman hias. Vektor-vektor tersebut menjadi masukan bagi klasifikasi citra menggunakan PNN. Klasifikasi dilakukan dengan membagi data latih dan data uji masing-masing 70% dan 30 %. Untuk setiap jenis tanaman hias, tiga di antaranya menjadi data uji untuk melihat akurasi klasifikasi. Masing-masing descriptor dengan empat operator menghasilkan nilai akurasi dalam satuan persen yang disajikan pada Tabel 6. Tabel 6 Akurasi klasifikasi PNN tiga descriptor
Handeuleum
Descriptor
P=8, R=1
P=8, R=2
P=16, R=2
P=24, R=3
[\]_`ab ],^
0.5778
0.5889
0.5333
0.5333
^],^
0.7000
0.6778
0.7000
0.6778
[\]],^
0.6778
0.7333
0.6667
0.6000
(a) + , Operator ,
(b) Gambar 16 Citra Handeleum (a) dan Histogram citra Handeleum pada operator + , (b). ,
Dari Tabel 6, akurasi tertinggi untuk , dan , descriptor berada pada operator (8,2), sedangkan untuk eR, descriptor berada pada operator (8,1) dan (16,2). Pada operator (8,2) terjadi peningkatan nilai akurasi dari , , eR, , hingga , yang menjadikan operator (8,2) merupakan operator terbaik pada klasifikasi citra menggunakan PNN. Operator tersebut akan digunakan untuk pengujian identifiksi citra tanaman hias oleh sistem. Dari ke tiga LBP descriptor, , memiliki akurasi yang paling
15
baik yaitu sebesar 73.33% yang berada pada operator (8,2). Identifikasi Citra Tanaman Hias Operator MBLBP dan Penggabungan Operator MBLBP Identifikasi citra dilakukan dengan menggunakan Probabilistic Neural Network (PNN) classifier. Hasil ekstraksi 300 citra tanaman hias menggunakan seluruh operator MBLBP descriptor menghasilkan vektor-vektor histogram citra tanaman hias. Klasifikasi pada citra tanaman hias dilakukan dengan membagi data latih dibandingkan data uji yaitu 70% dibanding 30%. Hasil identifikasi oleh seluruh operator MBLBP descriptor pada tanaman hias disajikan pada Tabel 7.
Tabel 7 Akurasi klasifikasi PNN seluruh MBLBP descriptor citra tanaman hias Descriptor
\[\]_`ab ],^
Dilihat dari Tabel 7, akurasi tertinggi pada yaitu pada operator operator , penggabungan (16,2) dan (24,3). Akurasi tertinggi pada operator , yaitu pada operator (16,2) dan (24,3). Akurasi tertinggi pada operator , yaitu pada operator (16,2). Terlihat bahwa operator MBLBP (16,2) menjadi operator yang baik pada setiap operator dalam klasifikasi dengan PNN. Pada klasifikasi menggunakan operator , terlihat bahwa dihasilkan akurasi yang kurang baik dibandingkan dengan operator dan , . Hal ini dikarenakan , data citra pohon tanaman hias memiliki kontras yang cenderung seragam. , menghasilkan akurasi yang paling baik karena data citra pohon memiliki pola tekstur yang bervariasi. Bervariasinya pola-pola tekstur pada citra tanaman hias menjadikan diskriminanya menjadi tinggi. Dapat dilhat pada operator , (8,1) memiliki akurasi sebesar 66.67%, sedangkan pada , (8,2) memiliki akurasi sebesar 52.22%. Terlihat bahwa terjadi penurunan akurasi, hal tersebut disebabkan semakin besar sampling points atau radius menyebabkan ukuran potongan gambar semakin besar sehingga potongan gambar tidak mirip satu dengan yang lain. Pada operator , (8,1) dan (24,3) memiliki akurasi sebesar 63.33%, namun setelah dilakukan penggabungan operator , (8,1), (16,2) dan (24,3) akurasi yang dimiliki tidak mengalami kenaikan. Hal tersebut menunjukkan penambahan informasi operator tidak selalu meningkatkan akurasi.
\[\]_],^
\[\]],^
P, R
Jumlah Bin
Akurasi
8,1
10
66.67%
8,2
10
52.22%
16,2
18
75.56%
24,3
26
71.11%
8,1+8,2
10+10
66.67%
8,1+16,2
10+18
68.89%
8,1+24,3
10+26
74.44%
8,2+16,2
10+18
68.89%
8,2+24,3
10+26
71.11%
16,2+24,3
18+26
77.78%
8,1+8,2+24,3
10+10+26
73.33%
8,1+16,2+24,3
10+18+26
74.44%
8,1
10
27.78%
8,2
10
26.67%
16,2
18
33.33%
24,3
26
33.33%
8,1+8,2
10+10
25.56%
8,1+16,2
10+18
25.56%
8,1+24,3
10+26
27.78%
8,2+16,2
10+18
26.67%
8,2+24,3
10+26
26.67%
16,2+24,3
18+26
26.67%
8,1+8,2+24,3
10+10+26
24.44%
8,1+16,2+24,3
10+18+26
24.44%
8,1
10
54.44%
8,2
10
58.89%
16,2
18
63.33%
24,3
26
62.22%
8,1+8,2
10+10
48.89%
8,1+16,2
10+18
52.22%
8,1+24,3
10+26
47.78%
8,2+16,2
10+18
60%
8,2+24,3
10+26
61.11%
16,2+24,3
18+26
55.56%
8,1+8,2+24,3
10+10+26
52.22%
8,1+16,2+24,3
10+18+26
51.11%
Pada penelitian ini akurasi terbaik yang dihasilkan yaitu pada penggabungan operator (16,2) dan (24,3) menghasilkan akurasi , 16
Perbandingan Akurasi
MBLBPRiu(16,2) 100 80
Akurasi
yang tertinggi yaitu sebesar 77.78%. Akurasi terbaik operator LBP pada penelitian sebelumnya yaitu pada operator , (8,2) menghasilkan akurasi sebesar 73.33%. Hal tersebut menunjukkan ekstraksi menggunakan operator MBLBP dapat meningkatkan akurasi dari penelitian sebelumnya sebesar 4.45%. Grafik perbandingan antara dengan operator , operator , disajikan pada Gambar 17.
60 40 20 0 1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930
Kelas
(b) Gambar 18 Histogram citra tanaman hias pada operator , (a) , dan Histogram citra tanaman hias pada operator , (b).
100% 90% 80% 70% 60% A k u ras i
50% 40% 30% 20% 10%
,3 ) 24 +( ,2)
Ri
16
BP
Ri u(
BL
Gambar
17
BL M
Operator
BP
M
LB
PR
u(
iu (
16
16
,2)
,2)
0%
Perbandingan hasil identifikasi , , dan , penggabungan operator . ,
Dapat dilihat pada Gambar 17 bahwa akurasi identifikasi menggunakan , lebih tinggi dibandingkan dengan akurasi identifikasi menggunakan , dan juga setelah dilakukan penggabungan operator menggunakan , menghasilkan akurasi yang lebih baik lagi. Hal ini menunjukkan bahwa penggabungan operator mengidentifikasi citra lebih baik dan , ekstraksi citra menggunakan operator , dapat mengekstraksi tekstur citra dengan baik dibandinkan dengan , .
Dapat dilihat pada Gambar 18 histogram perbandingan citra tanaman hias pada operator , dengan , . Pada operator , dapat dilihat bahwa akurasi citra tanaman hias pada kelas 1 (Dracaena draco) hingga kelas 13 (Philodendron bifinnatifidum) mengalami peningkatan akurasi mencapai 100%. Selain itu pada kelas 15 (Dendrobium chaopraya moonlight), kelas 26 (Asplenium nidus) dan kelas 27 (Begonia sp.) operator , dapat mengidentifikasi citra lebih baik dibandingkan yang dilihat dari dengan operator , perbedaan jumlah akurasi di antara kedua operator.
(a)
(b)
Selain itu dapat dibandingkan keseluruhan akurasi terhadap akurasi dari tiap kelas yang ditunjukkan pada Gambar 18. LBPRiu(16,2) 100
(c)
Akurasi
80 60 40 20 0 1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930
Gambar 19 Citra tanaman hias Dendrobium chaopraya moonlight (a), Citra tanaman hias Asplenium nidus (b), dan citra tanaman hias Begonia sp (c).
Kelas
(a) 17
Gambar 19 merupakan contoh citra yang dapat teridentifikasi menggunakan operator , dibandingkan dengan operator , . Dapat dilihat bahwa citra tersebut memiliki objek tanaman atau objek daun yang jarang. Hal tersebut membuktikan bahwa operator MBLBP dapat mengidentifikasi makrostuktur dari citra dengan baik. Identifikasi Citra Tanaman Obat Operator MBLBP Identifikasi citra dilakukan dengan menggunakan Probabilistic Neural Network (PNN) classifier. Hasil operator MBLBP terbaik pada identifikasi tanaman hias akan digunakan pada identifikasi tumbuhan obat. Hasil ekstraksi 1.440 citra daun tumbuhan obat menggunakan operator MBLBP descriptor menghasilkan vektor-vektor histogram citra tumbuhan obat. Klasifikasi pada citra tumbuhan obat dilakukan dengan membagi data latih dibandingkan data uji yaitu 80% dibanding 20%. Hasil identifikasi oleh operator MBLBP descriptor pada tanaman hias disajikan pada Gambar 20.
(a)
MBLBPRiu (16,2) + (24,3) 100
Akurasi
80
(b)
60 40 20 0 1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930
Gambar 21 Tampilan ekstraksi pada sistem Herbalism (a), dan Tampilan identifikasi pada sistem Herbalism (b).
Kelas
Dapat dilihat pada Gambar 20 histogram citra tumbuhan obat pada operator , + , Pada pengujian setiap kelas citra tumbuhan obat pada operator , + , dihasilkan akurasi sebesar 67.33%. Akurasi citra tumbuhan obat pada kelas 6 (Daruju), kelas 7 (Pegagan), kelas 9 (Kemangi), kelas 10 (Iler) dan kelas 26 (Cincau Hitam) memiliki akurasi sebesar 100%. Dapat dilihat bahwa citra memiliki ciri bentuk daun yang unik dibandingkan dengan kelas lain. Namun pada kelas 15 (Nandang gendis kuning) citra tumbuhan obat tidak dapat diidentifikasi dengan baik. Pengujian Data
Citra kueri masukan akan diekstraksi dan diidentifikasi, kemudian sistem akan mengeluarkan histogram hasil ekstraksi dan hasil identifikasi citra tersebut. Hasil identifikasi citra berupa informasi mengenai citra kueri tersebut yaitu berupa nama, nama latin dan khasiat atau deskripsi citra kueri tersebut. Pemodelan pengujian identifikasi citra dengan sistem dapat dilihat pada Lampiran 3. Tiga data uji untuk setiap kelas digunakan dalam proses pengidentifikasian citra oleh sistem. Gambar 22 menunjukkan hasil akurasi identifikasi setiap kelas citra tanaman hias. MBLBPRiu (16,2) 100 80
Akurasi
Gambar 20 Histogram citra tumbuhan obat pada + , . operator ,
60 40 20 0
Pengujian identifikasi citra dilakukan oleh sistem. Sistem yang dibuat bernama Herbalism. Sistem dibangun menggunakan library OpenCv 2.1 dan Visual C++. Berikut tampilan dari sistem Herbalism disajikan pada Gambar 21.
1 2 3 4 5 6 7 8 9 101112 13 14 151617181920 21 222324252627 28 2930
Kelas
(a)
18
MBLBPVAR (16,2) 100
Akurasi
80 60 40 20
(a)
0 1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930
Kelas
(b) MBLBPV (16,2) 100
Akurasi
80 60
(b)
40 20 0 1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930 Kelas
Gambar 23 Kelas citra yang terklasifikasi dengan benar yang memiliki akurasi di atas 70% (a) dan kelas citra yang memiliki rata-rata akurasi terendah (b).
(c) MBLBPRiu(16,2)+(24,3) 100
Akurasi
80 60 40 20 0
Gambar 23 adalah contoh citra yang terklasifikasi dengan benar yang memiliki akurasi di atas 70% dan contoh citra yang memiliki akurasi yang terendah. Operator penggabungan , + , menjadi descriptor terbaik dengan nilai akurasi sebesar 77.78% dari hasil pengujian setiap kelas.
1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930 Kelas
(d) Gambar 22 Hasil akurasi identifikasi setiap kelas citra tanaman hias pada operator (a), Hasil akurasi , identifikasi setiap kelas citra tanaman hias pada operator eR, (b), Hasil akurasi identifikasi setiap kelas citra tanaman hias pada operator , (c), dan Hasil akurasi identifikasi setiap kelas citra tanaman + hias pada operator , , (d). Dari 30 kelas, kelas 11 (Dendrobium sp.) selalu terklasifikasikan dengan benar oleh setiap descriptor dengan akurasi 100%. Kelas 1(Dracaena draco), kelas 3 (Sansevieria goldenhahnii) dan kelas 21 (Hoya kerii varigata) terklasifikasikan dengan benar oleh setiap descriptor dengan rata-rata akurasi di atas 70%. Kelas 24 (Calathea sp.) memiliki rata-rata akurasi terendah oleh setiap descriptor. Kelas yang terklasifikasikan dengan benar memiliki citra yang bervariatif dan komposisi background yang seragam dengan jenisnya.
KESIMPULAN DAN SARAN Kesimpulan Penerapan Multi-Block Local Binary Pattern descriptor untuk identifikasi tanaman hias dan tumbuhan obat secara automatis berhasil diimplementasikan. Pada penelitian ini, , (16,2) dan (24,3) merupakan descriptor terbaik untuk identifikasi tanaman hias dengan akurasi klasifikasi 77.78%. Akurasi tersebut lebih baik dibandingkan pada penelitian sebelumnya dengan akurasi terbaik pada operator , (8,2) sebesar 73.33%. Hal tersebut menunjukkan ekstraksi menggunakan operator MBLBP dapat meningkatkan akurasi dari penelitian sebelumnya sebesar 4.45%. Operator , (16,2) dan (24,3) mengidentifikasi tumbuhan obat dengan akurasi klasifikasi sebesar 67.33%. Hasil klasifikasi dipengaruhi oleh kualitas citra tanaman hias dan tumbuhan obat. Hasil ekstraksi , descriptor lebih efektif sebagai penciri tekstur tanaman hias dan tumbuhan obat karena data citra memiliki pola tekstur yang bervariasi. Operator MBLBP dapat mengidentifikasi pola makrostruktur dari citra, dapat dilihat dari 19
teridentifikasinya citra yang memiliki daun yang jarang. Saran Perbanyakan database citra yang sesuai kriteria yaitu seperti pengambilan gambar dengan kamera yang seragam, pengambilan gambar dengan sudut tertentu, dan pencahayaan yang baik perlu dilakukan untuk mendapatkan identifikasi citra yang lebih sesuai. DAFTAR PUSTAKA
Ojala T., et al. 2002. Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Pattern. IEEE Transactions on PAMI. Vol. 24, No. 7, pp. 2037-2041. Pietikäinen M, Ojala T, Xu Z. 2000. Rotationinvariant Texture Classification Using Feature Distribution. Pattern Recognition. Vol. 33. Hal. 43-52. Wu S.G., et al. 2007. A Leaf Recognition Algorithm for Plant Classification using Probabilistic Neural Network. China: Chinese Academy of Science.
Acharya T, Ray A. K. 2005. Image Processing Principles and Applications. New Jersey : John Wiley & Sons, Inc.
Zhang, et al. 2007. Face Detection Based in MultiBlock LBP Representation. China: Chinese Academy of Science.
Ahonen T, Hadid A, Pietikäinen M. 2006. Face Description with Local Binary Patterns: Application to Face Recognition. University of Oulu, Finland.
Zuhud, E.A.M. 2009. Potensi Hutan Tropika sebagai Penyangga Bahan Obat Alam untuk Kesehatan Bangsa. Jurnal Bahan Alam Indonesia. Vol. VI No. 6, Januari 2009.
Bappenas. 2003. Indonesia Biodiversity and Action Plan 2003-2020. Jakarta: Bappenas. Gonzalez, R.C, Woods, R.E. 2002. Digital Image Processing Second Edition. New Jersey: Prentice-Hall,Inc. Guo Zhenhua, Zhang Lei, Zhang David. 2009. Rotation Invariance Texture Classification Using LBP variance (LBPV) with Global Matching. The Hong Kong Polytechnic University. Huang et al., 2009. Facial Image Analysis Based on Local Binary Patterns: A survey. National Institute of Standards and Technology. USA. Kulsum, Lies U. 2010. Identifikasi Tumbuhan Hias Secara Otomatis Menggunakan Metode Local Binary Patterns Descriptor dan Probabilistic Neural Network. Skripsi: Institut Pertanian Bogor. Mäenpää Topi. 2003. The Local Binary Pattern Approach to Texture Analysis. Oulu : Oulu University Press. Masyud. 2010. Lokakarya nasional Tumbuhan Obat Indonesia 2010. http://www.dephut.go.id/index.php?q=id/node/6 603 [15 Februari 2011]. Nurfadhilah, Elvira. 2011. Identifikasi Tumbuhan Obat Menggunakan Fitur Citra Morfologi, Tekstur, dan Bentuk dengan Klasifikasi Probabilistic Neural Network. Skripsi: Institut Pertanian Bogor.
20
LAMPIRAN
21
Lampiran 1 Tiga puluh jenis citra tanaman hias No
Citra Tanaman Hias
Nama Latin
Nama Lain
Dracaena draco
Pohon darah naga, Pardon bali, drasena (Indonesia), dragon blood tree (Inggris)
Anthurium sp.
Kuping gajah (indonesia), tail flower, crystal anthurium, dan Black Velvet (Inggris)
Sansevieria goldenhahnii
kaktus kodok (Indonesia)
Peperomia argyreia
Peperomia (Indonesia), pepper elder atau dessert priest (Inggris)
Aglaonema sp. (Silver Queen)
Aglaonema atau sri rezeki (Indonesia) dan shinese evergreen (Inggris)
Aglaonema sp. (White Spots)
Aglaonema atau sri rezeki (Indonesia) dan shinese evergreen (Inggris)
Aglaonema sp. (Snow White)
Aglaonema atau sri rezeki (Indonesia) dan shinese evergreen (Inggris)
Dendrobium sp.
Anggrek dendrobium (Indonesia) dan orchids (Inggris)
Furcraea foetida
Green aloe (Inggris)
1
2
3
4
5
6
7
8
9
22
Lampiran 1 Lanjutan. No
Citra Tanaman Hias
Nama Latin
Nama Lain
Dendrobium sp.
anggrek dendrobium (Indonesia) dan orchids (Inggris)
Dendrobium sp.
anggrek dendrobium (Indonesia) dan orchids (Inggris)
Codiaeum varigatum
Puring (Indonesia) (Inggris)
Philodendron bifinnatifidum
Pohon cinta (Indonesia)
Agave attenuate
Siklok (Indonesia)
Dendrobium chaopraya moonlight
Anggrek dendrobium (Indonesia) dan orchids (Inggris)
Calanthe triplicata
Anggrek batu (Indonesia)
Bromelia kirkii
Bromelia (Indonesia)
Begonia sp.
Begonia
10
11
dan
croton
12
13
14
15
16
17
18
23
Lampiran 1 Lanjutan. No
Citra Tanaman Hias
Nama Latin
Nama Lain
Begonia sp.
Begonia
Calathea rufibarba
Maranta (Indonesia) dan prayer plant (Inggris)
Hoya kerii varigata
wax plant, (Inggris)
Bromelia neoregelia
Bromelia (Indonesia)
Sansevieria trifasciata
Lidah mertua (Indonesia)
Calathea sp.
Maranta (indonesia) dan prayer plant (Inggris)
Anthurium crystallinum
Kuping gajah (indonesia), tail flower dan crystal anthurium (Inggris)
Asplenium nidus
Paku sarang burung atau kadaka (Indonesia)
Marantha sp.
marantha (Indonesia), arrow head, prayer plant (Inggris)
19
20
porcelain
flower
21
22
23
24
25
26
27
24
Lampiran 1 Lanjutan. No
Citra Tanaman Hias
Nama Latin
Nama Lain
Scindapsus aureus
Sirih Belanda, (Indonesia)
sirih
gading
Cryptanthus bivittatus
Nanas kuning (Indonesia), starfish plant (Inggris)
Piper decumanum
Sirih merah (Indonesia)
28
29
30
25
Lampiran 2 Tiga puluh citra tumbuhan obat No
Citra Tumbuhan Obat
Nama (nama latin)
Khasiat
1
Pandan Wangi (Pandanus amaryllifolius Roxb)
Mengatasi rambut rontok, menghitamkan rambut, menghilangkan ketombe, lemah saraf
2
Jarak Pagar curcas Linn)
(Jatropha
Mengatasi bengkak,terpukul,terkilir, gatal-gatal, lepra, borok, rematik, penyubur rambut)
3
Dandang (Clinacanthus Lindau)
Gendis nutans
Dapat melancarakan air seni dan mengobati luka luar
4
Lavender (Lavendula afficinalis Chaix)
Dapat mengusir nyamuk dan ngengat dan mengurangi bau badan
5
Akar Kuning (Arcangelisiaflava L.)
Mengatasi hepatoprotektor(lever) dan anti malaria
6
Daruju ilicifolius L.)
(Acanthus
Mengatasi hepatitis akut dan kronis, pembesaran kelenjar limfa dan nyeri lambung
7
Pegagan (Centella asiatica, (Linn) Urban.)
Mengatasi tipus, busung, sakit kepala, influenza dan ayan (seluruh tanaman)
26
Lampiran 2 Lanjutan. No
Citra Tumbuhan Obat
Nama (nama latin)
Khasiat
8
Andong (Centella asiatica, (Linn) Urban.)
Mengatasi diare, disentri, nyeri lambung dan ulu hati dan luka berdarah
9
Kemangi (Ocimum basilicum)
Mengatasi demam, sakit kepala dan nyeri lambung
10
Iler (Coleus scutellarioides, Linn,Benth)
11
Jeruk Nipis (Citrus aurantifolia, Swingle)
Mengatasi amandel, ambien, sesak nafas, influenza dan batuk
12
Bidani (Quisqualis Indica L.)
Dapat membersihkan darah, obat cacing dan nipas
13
Gadung china)
Cina
(Smilax
Mengatasi diabetes jika dikonsumsi umbinya
14
Tabat Barito deloidea L.)
(Ficus
Mengatasi stroke
27
Lampiran 2 Lanjutan. No
Citra Tumbuhan Obat
Nama (nama latin)
Khasiat
15
Nandang gendis kuning
Dapat melancarkan air seni, luka luar(daun)
16
Bunga Telang (Clitoria ternatea L.)
Mengatasi busung air, radang selaput, cacingan (daun, bunga, biji)
17
Mangkokan (Nothopanax scutellarium Merr.)
Mengatasi radang payudara, melancarkan air seni, bau badan
18
Som Jawa paniculatum Gaertn.)
(Talinum (jacq.)
Mengatasi batuk darah, diare
19
Pungpulutan lobata L.)
(Urena
Antiinflamasi, Antirematik, Hemostatik, Antipiretik
20
Sosor Bebek (Kalanchoe pinnata (Lam.)Pers)
Mengatasi sakit panas, sakit kepala, batuk, melancarkan air seni
21
Nanas kerang (Rhoeo discolor (L.Her.) Hance)
Obat Batuk
22
Seligi (Phyllanthus buxifolius Muell)
Mengatasi sendi terkilir
28
Lampiran 2 Lanjutan. No
Citra Tumbuhan Obat
Nama (nama latin)
23
Remak (Excecaria Hassk)
24
Kumis (Orthosiphon (B1) Miq.)
Khasiat
Daging bicolor
Mengatasi batuk darah, muntah darah
Kucing aristatus
Mengatasi sakit ginjal dan kandung kencing
25
Kemuning (Murraya paniculata Jack.)
Mengatasi radang saluran nafas, infeksi saluran kencing, keseleo, sakit gigi, reumatik, keseleo
26
Cincau Hitam (Mesona palustris)
Mengatasi panas dalam, melancarkan pencernaan
27
Sambang Darah (Excoceria cochinchinensis Lour.)
Membunuh parasit, gatalgatal, penghenti pendarahan
28
Landik (Barleria lupulina Lindl.)
Mengatasi gigitan anjing / ular berbisa, bengkak, terpukul, bisul, luka berdarah
29
Jambu Biji guajava L.)
Mengatasi diare, peluruh haid, mencegah demam berdarah
30
Handeuleum (Graptophyllum (L.) Griffith.)
(Psidium
pictum
Menghaluskan kulit, mematangkan bisul, pencahar, peluruh air kencing, menghentikan pendarahan, dan melancarakan haid (daun).
29
Lampiran 3 Pemodelan pengujian identifikasi citra dengan sistem 1. Citra yang benar teridentifikasi Hasil ekstraksi citra kueri
Identifikasi citra kueri
30
