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
