PENGUKURAN KEMIRIPAN KONTUR DAUN TUMBUHAN OBAT MENGGUNAKAN POLYGONAL APPROXIMATION DAN FUZZY HISTOGRAM
ZAKHI FIRMANSYAH
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2016
PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA* Dengan ini saya menyatakan bahwa tesis berjudul Pengukuran Kemiripan Kontur Daun Tumbuhan Obat menggunakan Polygonal Approximation dan Fuzzy Histogram adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Januari 2016 Zakhi Firmansyah NIM G651130381
*
Pelimpahan hak cipta atas karya tulis dari penelitian kerja sama dengan pihak luar IPB harus didasarkan pada perjanjian kerja sama yang terkait
RINGKASAN ZAKHI FIRMANSYAH. Pengukuran Kemiripan Kontur Daun Tumbuhan Obat menggunakan Polygonal Approximation dan Fuzzy Histogram. Dibimbing oleh YENI HERDIYENI dan BIB PARUHUM SILALAHI.
Penelitian ini mengusulkan model baru yang dapat membedakan kontur daun tanaman obat secara otomatis dengan menggunakan polygonal approximation dan fuzzy histogram. Metode yang dilakukan meliputi pengumpulan data citra daun tumbuhan obat, praproses citra, deteksi kontur dengan polygonal approximation, ekstraksi fitur jarak dengan fuzzy histogram, klasifikasi dengan Probabilistic Neural Network, analisis dan evaluasi hasil identifikasi. Polygonal approximation digunakan untuk mendeteksi kontur daun sehingga didapat titik utama atau key point yang dapat merepresentasikan objek. Titik utama digunakan untuk menghitung jarak ke titik pusat. Fuzzy histogram digunakan untuk merepresentasikan perubahan jarak akibat adanya variasi kontur daun. Bentuk kontur daun yang digunakan dalam penelitian ini adalah lanceolate, ovate, obovate, reniform, cordate, and deltoid. Penelitian ini menggunakan 180 citra daun. Setiap kelas terdiri dari 30 citra. Probabilistic Neural Network (PNN) digunakan untuk mengklasifikasikan bentuk kontur daun. Hasil percobaan menunjukkan akurasi rata-rata mencapai 70.55%. Berdasarkan hasil yang diperoleh dari penelitian ini, sistem tidak sensitif terhadap perubahan skala daun.
Kata kunci: fuzzy histogram, identifikasi daun, kontur, polygonal approximation
SUMMARY ZAKHI FIRMANSYAH. Similarity Measurement Leaf Contour of Medicine Plant Using Polygonal Approximation and Fuzzy Histogram. Supervised by YENI HERDIYENI and BIB PARUHUM SILALAHI. This research proposes a new model that can distinguish the leaf contour of medicinal plants automatically by using polygonal approximation and fuzzy histogram. The methodology used are collect the leaf image, image preprocessing, contour detection using polygonal approximation, feature extraction using fuzzy histogram, Probabilistic Neural Network classification, analysis and evaluation results of identification. Polygonal approximation is used to detect the contour of leaf shapes to obtain the key point which can representated the object. Fuzzy histogram used to representated distance changed cause leaf countur variation. Leaf contour shapes that used in this study are lanceolate, ovate, obovate, reniform, cordate, and deltoid. We used 180 leaf images. Each class consists of 30 images. Probabilistic Neural Network (PNN) is used to classify leaf contour shape. The experimental results show that the average accuracy achieves 70,55%. Based on experiment that system robust to scale variant of leaf. Key words: contour, fuzzy histogram, leaf identification, polygonal approximation
© Hak Cipta Milik IPB, Tahun 2016 Hak Cipta Dilindungi Undang-Undang Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini dalam bentuk apa pun tanpa izin IPB
PENGUKURAN KEMIRIPAN KONTUR DAUN TUMBUHAN OBAT MENGGUNAKAN POLYGONAL APPROXIMATION DAN FUZZY HISTOGRAM
ZAKHI FIRMANSYAH
Tesis sebagai salah satu syarat untuk memperoleh gelar Magister Komputer pada Program Studi Ilmu Komputer
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2016
Penguji Luar Komisi pada Ujian Tesis: Dr Imas Sukaesih Sitanggang, SSi MKom
PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga tesis berjudul Pengukuran Kemiripan Kontur Daun Tumbuhan Obat menggunakan Polygonal Approximation dan Fuzzy Histogram berhasil diselesaikan. Terima kasih penulis ucapkan kepada Ibu Dr Yeni Herdiyeni, SSi MKom dan Bapak Dr Ir Bib Paruhum Silalahi, MKom atas ilmu, saran dan bimbingannya serta Ibu Dr Imas Sukaesih Sitanggang, SSi MKom sebagai penguji tugas akhir. Terima kasih penulis ucapkan kepada Ayah Sapto Raharjo, Ibu Sumaryati, dan Ibu Solihah atas doanya. Terima kasih penulis ucapkan kepada Istri tercinta Opi Maulani, anakku tersayang Azzahra Zaskiani Khairunnisa dan Nabila Nisa Azkiani yang telah menjadi sumber kekuatan, motivasi dan doa. Terima kasih kepada Mas Eko, Mba Ety, Yoyo, Putri dan Febrina. Ucapan terima kasih juga untuk teman-teman satu bimbingan lab CI (Wisard, Mely, Fuzy, Rake, Fandy, Dicky dan Ocid) atas sharing dan telah membantu dalam penyelesaian tugas akhir. Terima kasih penulis ucapkan kepada seluruh dosen Ilmu Komputer atas ilmu dan bimbingannya semoga menjadi ilmu yang berkah. Penulis ucapkan juga terima kasih kepada teman-teman komputer angkatan 2013, Direktorat Pendidikan Tinggi (DIKTI) atas bantuan Beasiswa Pendidikan Pascasarjana Dalam Negeri (BPP-DN) untuk penyelesain penelitian. Semoga karya ilmiah ini bermanfaat.
Bogor, Januari 2016 Zakhi Firmansyah
DAFTAR ISI DAFTAR GAMBAR
11
DAFTAR LAMPIRAN
12
1 PENDAHULUAN Latar Belakang Perumusan Masalah Tujuan Penelitian Manfaat Penelitian Ruang Lingkup Penelitian
1 1 1 2 2 2
2 TINJAUAN PUSTAKA Bentuk Daun Citra Daun Kontur Segmentasi Thresholding Polygonal Approximation K-fold Cross Validation Fuzzy Histogram Probabilistic Neural Network Confusion Matrix
3 3 5 5 6 6 7 9 9 11 12
3 METODOLOGI PENELITIAN Data Penelitian Praproses Citra Deteksi Kontur dengan Polygonal Approximation Ekstraksi Fitur Jarak dengan Fuzzy Histogram Klasifikasi dengan Probabilistic Neural Network Analisis Evaluasi Hasil
13 13 14 14 15 15 16 16
4 HASIL DAN PEMBAHASAN Hasil Praproses Citra Hasil Deteksi Tepi Hasil Ekstraksi Fitur Jarak Analisis Ekstraksi Fitur Jarak Perubahan Ukuran Daun terhadap Fuzzy Histogram Klasifikasi dan Model PNN Hasil Klasifikasi
17 17 17 20 22 23 23 24
5 SIMPULAN DAN SARAN
26
Simpulan Saran DAFTAR PUSTAKA LAMPIRAN RIWAYAT HIDUP
26 26 27
DAFTAR TABEL 1 Confusion matrix 2 Spesies tumbuhan obat yang digunakan pada penelitian 3 Pembagian Data 4 Hasil akurasi setiap fold 5 Hasil deteksi tepi 6 Hasil representasi fitur jarak 7 Hasil akurasi setiap fold 8 Hasil confusion matrix identifikasi bentuk daun 9 Akurasi identifikasi tiap bentuk daun
12 14 15 16 17 21 24 24 24
DAFTAR GAMBAR 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Bentuk-bentuk daun menurut Harlow dan Harrar (1969) Bentuk lanceolate Bentuk ovate Bentuk obovate Bentuk reniform Bentuk cordate Bentuk deltoid Polygonal Approximation Min - ε Polygonal Approximation Min - # Polygonal Approximation Tingkat perbedaan ݀ Ilustrasi ݀௧ pada Polygonal Approximation Ilustrasi K-fold Cross Validation Ilustrasi perbedaan fitur jarak pada satu spesies Struktur PNN Metode Penelitian Ilustrasi pendeteksian kontur (a) Citra berwarna, (b) Citra grayscale, dan (c) Citra biner Landmark pada daun lanceolate Landmark pada daun ovate Landmark pada daun obovate Landmark pada daun reniform Landmark pada daun cordate Landmark pada daun deltoid (a) Citra dengan titik pusat (b) Citra dengan fitur jarak antara titik pusat dan key point, dan (c) Grafik distribusi fitur jarak 26 (a) Cordate A (b) Cordate B (c) grafik fuzzy histogram cordate A dan cordate B 27 Kesalahan klasifikasi (a) Obovate diidentifikasi sebagai ovate (b) Grafik obovate dan ovate
3 4 4 4 4 5 5 7 7 8 8 9 9 10 11 13 14 17 18 19 19 19 20 20 20 23 25
28 Kesalahan klasifikasi (a) Deltoid diidentifikasi sebagai cordate (b) Grafik deltoid dan cordate
DAFTAR LAMPIRAN
1 Nilai Ekstraksi Fitur Jarak
25
1
1 PENDAHULUAN Latar Belakang Indonesia merupakan negara yang memiliki keanekaragaman hayati. Laboratorium Konservasi Tumbuhan, Fakultas Kehutanan IPB telah mencatat hingga tahun 2001 tidak kurang dari 2039 spesies tumbuhan obat berasal dari hutan Indonesia (Zuhud 2009). Dengan beragamnya jenis tumbuhan obat membuat identifikasi menjadi sulit sehingga kemampuan untuk mengidentifikasi tumbuhan obat dengan tepat menjadi kebutuhan penting bagi pakar maupun orang-orang yang berkecimpung dalam dunia tumbuhan obat. Bentuk daun merupakan salah satu fitur terpenting untuk mendeskripsikan tumbuhan. Manusia dapat dengan mudah mengidentifikasi berbagai jenis daun dan mengklasifikasikannya ke dalam spesies yang berbeda berdasarkan informasi yang ada pada daun tersebut. Berdasarkan bentuknya, daun dikelompokkan menjadi 16 kelas (Harlow dan Harrar 1969). Setiap kelas bentuk daun memiliki karakteristik yang khas. Untuk merepresentasikan bentuk suatu objek, terdapat dua teknik pendekatan yaitu berbasis kontur (contour-based) dan berbasis wilayah (regionbased). Pendekatan berbasis kontur hanya memanfaatkan informasi yang terdapat pada kontur tepi atau boundary, sedangkan pendekatan berbasis wilayah melibatkan seluruh bagian dari suatu objek yaitu informasi boundary dan piksel didalamnya (Zhang dan Lu 2004) Representasi bentuk daun berbasis kontur merupakan pendekatan yang sering digunakan pada berbagai kasus identifikasi daun. Ta-Te et al. (2002) melakukan ekstraksi fitur bentuk daun kubis berbasis kontur di daratan Cina menggunakan Bezier curve descriptors. Neto et al. (2006) melakukan identifikasi bentuk kontur daun kedelai, bunga matahari dan genjer menggunakan eliptic fourier descriptors sebagai ekstraksi fitur, percobaan dilakukan selama 3 minggu pertama setelah pengecambahan dengan akurasi sebesar 88,4 %. Prasad et al. (2012) menggunakan polygonal approximation sebagai key point untuk merepresentasikan kontur dari kurva digital, penelitian tersebut menghasilkan kurva yang lebih ringkas dibandingkan dengan kurva aslinya. Gwo et al. (2013) menggunakan key point di sepanjang boundary daun, centroid dan fuzzy histogram digunakan untuk merepresentasikan bentuk daun, penelitian tersebut menghasilkan kinerja klasifikasi yang lebih baik dibandingkan dengan metode zernike moments dan curvature scale space. Berdasarkan studi literatur di atas maka penelitian ini mengusulkan suatu model baru untuk mengidentifikasi kontur daun tumbuhan obat dengan menggunakan polygonal approximation dan fuzzy histogram. Perumusan Masalah Permasalahan yang ingin dikaji dalam penelitian ini yaitu bagaimana mengidentifikasi kontur daun menggunakan metode polygonal approximation dan fuzzy histogram untuk pengenalan tumbuhan obat.
2
Tujuan Penelitian Penelitian ini bertujuan mengidentifikasi kontur daun tumbuhan obat dengan menggunakan polygonal approximation dan fuzzy histogram. Manfaat Penelitian Penelitian ini diharapkan membantu pengguna dalam identifikasi tumbuhan obat. Ruang Lingkup Penelitian Ruang lingkup penelitian ini meliputi : 1. Data penelitian adalah daun tumbuhan obat yang berada di kebun Biofarmaka IPB dan di rumah kaca Konservasi Ex-Situ Tumbuhan Obat Hutan Tropika Indonesia, Fakultas Kehutanan IPB. 2. Daun tumbuhan obat yang dipakai terdiri dari enam kelas bentuk daun, yaitu: lanceolate, ovate, obovate, reniform, cordate, dan deltoid.
3
2 TINJAUAN PUSTAKA Bentuk Daun Tumbuhan memiliki beberapa kemiripan dan perbedaan antara satu dengan yang lainnya dalam hal sifat dan bentuk. Pada dasarnya tumbuhan dapat diidentifikasi menurut ciri morfologinya seperti buah dan bunganya. Beberapa morfologi yang mencirikan suatu tumbuhan satu dengan yang lainnya terkadang hanya dapat diketahui oleh seorang pakar saja, seperti: struktur reproduksi organ, warna, bentuk dan ukuran daun. Beberapa morfolgi penciri ini memiliki peran penting dalam suatu identifikasi tumbuhan (Pahalawatta 2008). Morfologi tubuh tumbuhan yang dapat dijadikan sebagai pengidentifikasi disebut dengan biometrik tumbuhan. Biometrik tumbuhan dapat diamati dari segi bentuk daun, susunan daun, penampang tepi daun, dan venasi daun. Bentuk daun adalah salah satu ciri yang paling penting dalam identifikasi tumbuhan (Gwo et al. 2013). Salah satu ciri yang sering digunakan dalam identifikasi jenis tumbuhan adalah bentuk daun. Berdasarkan bentuk daun, Harlow dan Harrar (1969) mengklasifikasikan daun ke dalam 16 kelas berbeda. Klasifikasi bentuk daun ini didasarkan pada keunikan perbandingan panjang dan lebar daun serta perbedaan bentuk keliling daun. Gambar 1 adalah penggolongan jenis-jenis bentuk daun yang terdapat di alam. Hickey et al. (1999) menjelaskan pembagian bentuk-bentuk daun dapat dianalisis berdasarkan beberapa aspek geometri seperti perbedaan posisi axis (lebar terbesar daun), perbedaan base (pangkal daun), dan perbedaan apex (ujung daun).
Gambar 1 Bentuk-bentuk daun menurut Harlow dan Harrar (1969)
4
Bentuk lanceolate memiliki bentuk seperti mata tombak seperti diperlihatkan pada Gambar 2. Lebar terbesar daun lanceolate terletak pada bagian base (pangkal daun) dan secara bertahap menyempit pada bagian apex (ujung daun) (Harlow dan Harrar 1969).
Gambar 2. Bentuk lanceolate Bentuk ovate yaitu bentuk daun yang menyerupai bentuk dari telur. bagian terluas dari daun terdapat pada bagian base 2/5 dari daun (Hickey et al. 1999), seperti diperlihatkan pada Gambar 3
Gambar 3. Bentuk ovate Bentuk obovate yaitu bentuk daun yang memiliki lebar terbesar pada bagian apex 2/5 dari daun (Hickey et al. 1999), seperti diperlihatkan pada Gambar 4.
Gambar 4. Bentuk obovate Bentuk reniform merupakan bentuk daun yang menyerupai lingkaran seperti diperlihatkan pada Gambar 5 (Harlow dan Harrar 1969).
Gambar 5. Bentuk reniform Bentuk cordate memiliki lebar terbesar pada bagian base, karakteristik dari daun cordate yaitu terdapat lekukan pada bagian base seperti diperlihatkan pada Gambar 6 (Harlow dan Harrar 1969).
5
.
Gambar 6. Bentuk cordate Bentuk deltoid memiliki lebar terbesar pada bagian base dan meruncing pada bagian apex (Harlow dan Harrar 1969)., daun deltoid menyerupai bentuk segitiga seperti diperlihatkan pada Gambar 7.
Gambar 7. Bentuk deltoid Citra Daun Sebuah citra digital didefinisikan sebagai bidang diskret dua dimensi yang berasal dari citra analog a(x,y) dalam bidang dua dimensi kontinyu melalui proses sampling yang sering dikenal dengan proses digitisasi (Young et al. 1998). Digitisasi sendiri merupakan sebuah proses untuk mengubah suatu nilai ke dalam bentuk digital. Citra hasil perekaman yang memiliki nilai kontinyu diubah menjadi citra dengan nilai digital. Jadi sebuah citra digital merupakan representasi digital suatu objek yang telah diambil dengan beberapa teknik perekaman citra seperti perekaman citra menggunakan sebuah kamera digital. Dengan definisi citra menurut Young et al. (1998), dapat diketahui bahwa citra daun adalah representasi digital suatu daun tumbuhan dengan teknik perekaman citra. Citra daun dapat berupa citra daun tunggal (satu daun dalam satu citra) atau berupa citra daun majemuk (beberapa daun dalam satu citra). Kontur Kontur adalah keliling atau tepian terluar dari suatu objek dalam citra digital. Sejak identifikasi tepian objek citra menjadi masalah krusial dalam analisis citra, ekstraksi kontur menjadi hal yang paling penting dilakukan dalam identifikasi suatu citra (Tejada et al. 2009). Manusia dapat mengidentifikasi dengan mudah berbagai macam objek hanya dengan mengamati bentuk tepiannya (Gwo et al. 2013). Representasi kontur suatu citra dapat dilakukan dengan dua macam pendekatan, yaitu representasi secara konvensional dan secara struktural. Dalam perhitungannya, representasi konvensional tetap memperhitungkan bentuk
6
keseluruhan objek. Sedangkan, representasi secara struktural membagi keseluruhan kontur ke dalam beberapa segmen untuk dianalisis (Gwo et al. 2013). Segmentasi Citra Segmentasi citra adalah pemisahan objek yang satu dengan objek yang lain dalam suatu citra atau antara objek dengan latar yang terdapat dalam sebuah citra. Dengan proses segmentasi tersebut, masing-masing objek pada citra dapat diambil secara individu sehingga dapat digunakan sebagai input bagi proses lain. Terdapat dua pendekatan utama dalam segmentasi citra yaitu didasarkan pada tepi (edge based) dan didasarkan pada wilayah (region based). Segmentasi didasarkan pada tepi membagi citra berdasarkan diskontinuitas di antara subwilayah (sub region), sedangkan segmentasi yang didasarkan pada wilayah bekerjanya berdasarkan keseragaman yang ada pada sub-wilayah tersebut. Tujuan dari segmentasi adalah untuk menyederhanakan dan mengubah representasi dari suatu citra menjadi sesuatu yang lebih berarti dan lebih mudah untuk dianalisis. Segmentasi citra biasanya digunakan untuk mencari objek, batasbatas garis dan kurva dalam gambar. Hasil segmentasi citra adalah sekumpulan wilayah yang secara kolektif mencakup seluruh citra, atau satu set kontur yang diekstraksi dari citra. Segmentasi didasarkan pada pengukuran yang diambil dari citra seperti grey level, warna, tekstur, kedalaman atau gerak (Chandhok et al. 2012). Thresholding Salah satu metode yang sering digunakan dalam pengolahan citra digital adalah thresholding citra. Thresholding citra adalah suatu metode yang digunakan untuk memisahkan antara objek dan background. Thresholding merupakan teknik yang sederhana dan efektif untuk segmentasi citra. Sebuah citra hasil proses thresholding dapat disajikan dalam histogram citra untuk mengetahui penyebaran nilai-nilai intensitas piksel pada suatu citra atau bagian tertentu dalam citra sehingga untuk citra bimodal, histogram dapat dipartisi dengan baik (segmentasi objek dengan background) dan dapat ditentukan nilai threshold-nya (Acharya et al. 2005). Proses thresholding sering disebut dengan proses binerisasi. Pada beberapa aplikasi pengolahan citra, terlebih dahulu dilakukan threshold terhadap citra gray level untuk dapat menjadi citra biner. Dengan memilih nilai ambang yang memadai, citra gray level dapat diubah menjadi citra biner. Citra biner berisi semua informasi penting tentang posisi dan bentuk dari objek yang dipilih. Keuntungan citra biner yaitu mengurangi kompleksitas data dan menyederhanakan proses identifikasi dan klasifikasi (Al-amri et al. 2010) Proses ini bekerja dengan memberikan nilai 1 untuk piksel yang lebih besar dari nilai threshold T dan nilai 0 untuk piksel yang lebih kecil dari nilai threshold T. Thresholding mengkonversi citra grayscale dengan nilai piksel berkisar dari 0 sampai 255 ke citra biner dengan nilai piksel 0 atau 1. Thresholding memungkinkan untuk memilih nilai interval pixel pada citra grayscale dan berwarna untuk memisahkan objek dari background. Nilai threshold (𝑇) pada pendekatan thresholding dipilih untuk memisahkan foreground objek dari background pada
7
keseluruhan citra. Citra hasil thresholding g(x,y) dapat didefinisikan sesuai dengan Persamaan 1. 𝑔 (𝑥, 𝑦) = {
1, 𝑖𝑓 𝑓(𝑥, 𝑦) > 𝑇 0, 𝑖𝑓 𝑓(𝑥, 𝑦) ≤ 𝑇
(1)
dengan T adalah nilai threshold dan f(x,y) adalah titik piksel citra gray level Polygonal Approximation Polygonal approximation merupakan metode penyederhanaan bentuk representasi kurva (Prasad et al. 2012). Sebagai contoh himpunan {𝑃1 , 𝑃2 , 𝑃3 , … , 𝑃𝑛 } seperti diperlihatkan pada Gambar 8, adalah rangkaian titik-titik berurutan yang merepresentasikan sebuah kurva digital, kemudian diberikan perlakuan sehingga himpunan titik-titik berkurang menjadi {𝑄1 , 𝑄2 , 𝑄3 , … , 𝑄𝑚 }, dengan 𝑚 < 𝑛. P5
P6 = Q3
Input curve
P4 = Q2
Polygonal Approximation
P7
P3 P8 P2
P9 P10 = Q4
P1 = Q1
Gambar 8. Polygonal Approximation Ada dua cara utama polygonal approximation untuk mengurangi titik (Grigore O et al. 2003) : - Min – ε : adalah pendekatan dengan menentukan jumlah titik prediksi sehingga bisa merepresentasikan bentuk kurva dasarnya, sehingga akan menghasilkan titik yang terbaik dari kemungkinan beberapa titik yang dapat dipilih seperti terlihat pada Gambar 9.
Gambar 9. Min - ε Polygonal Approximation -
Min - # : adalah pendekatan yang menentukan batas kesalahan yang merupakan batas penyimpangan dalam merepresentasikan hasil akhir seperti terlihat pada Gambar 10.
8
Gambar 10. Min - # Polygonal Approximation Menurut Prasad et al. (2012), kurva digital e = {P1 P2 ... PN}, dengan Pi adalah titik tepi ke i dari pixel dalam kurva digital e. Garis melewati sepasang piksel Pa (xa, ya) dan Pb (xb, yb) diberikan oleh Persamaan 2. x(ya -yb )+y(xa -xb )+yb xa -ya xb =0
(2)
Deviasi di dari piksel Pi(xi, yi) ϵ e dari garis yang melewati pasangan {P1, PN} diberikan oleh Persamaan 3. di =|xi (y1 -yN )+yi (xN -x1 )+yN x1 -y1 xN |
(3)
Dari tingkat perbedaan 𝑑𝑖 dapat di lihat seberapa jauh penyimpangan yang terjadi, seperti terlihat dalam Gambar 11.
𝑑1
𝑑2 𝑃3
𝑃1
𝑃7
𝑃4
𝑃2
𝑑3 𝑃5
𝑑4 𝑃6
Gambar 11. Tingkat perbedaan 𝑑𝑖
𝑃8 kurva digital Polygonal Approximation
Berdasarkan gambar di atas 𝑑1 adalah tingkat perbedaan dari 𝑃2 terhadap pasangan titik 𝑃1 dan 𝑃4 , dan 𝑑1 memiliki tingkat perbedaan terbesar. Dengan ini berarti bahwa semakin besar 𝑑𝑖 maka tingkat kemiripan antara kurva digital dan hasil polygonal approximation menjadi semakin berbeda. Dengan demikian, piksel dengan deviasi maksimum dapat ditemukan, dinotasikan dengan Pmax, kemudian mengingat pasangan {P1, Pmax} dan {Pmax, PN}, sehingga didapatkan 2 piksel baru dari kurva e menggunakan Persamaan 2 dan 3 di atas. Proses ini diulang sampai kondisi tertentu dipenuhi oleh semua segmen garis. Untuk setiap segmen garis, deviasi maksimum piksel yang terkandung dalam segmen tepi yang sesuai adalah kurang dari nilai toleransi tertentu seperti Pertidaksamaan 4 di bawah ini. max(di ) < dtol
(4)
Dengan 𝑑𝑡𝑜𝑙 adalah ambang batas atau margin yang dipilih. Seperti diperlihatkan pada Gambar 12.
9
Pmax
PN dmax
P1
kurva digital Polygonal Approximation dtol
Gambar 12. Ilustrasi 𝑑𝑡𝑜𝑙 pada Polygonal Approximation K-fold Cross Validation K-fold cross validation adalah teknik validasi yang membagi data ke dalam k bagian dan kemudian masing-masing bagian akan dilakukan proses klasifikasi. Dengan menggunakan K-fold cross validation akan dilakukan percobaan sebanyak k. Tiap percobaan akan menggunakan satu data testing dan k-1 bagian akan menjadi data training, kemudian data testing itu akan ditukar dengan satu buah data training sehingga untuk tiap percobaan akan didapatkan data testing yang berbeda-beda. Data training adalah data yang akan dipakai dalam melakukan pembelajaran sedangkan data testing adalah data yang belum pernah dipakai sebagai pembelajaran dan akan berfungsi sebagai data pengujian kebenaran atau keakurasian hasil pembelajaran. Menurut Tan et al. (2005), pada pendekatan metode ini setiap record menggunakan jumlah yang sama untuk pelatihan dan tepat sekali untuk pengujian. Prosedur ini diulang k kali sehingga setiap partisi yang digunakan untuk pengujian tepat satu kali seperti diilustrasikan pada Gambar 13. Data uji
Data latih
Gambar 13. Ilustrasi K-fold Cross Validation
Fuzzy Histogram Fuzzy histogram merupakan metode perpanjangan dari histogram konvensional, terutama untuk menghindari beberapa masalah yang disebabkan oleh batas selang yang tegas (Fober et al. 2010). Dalam banyak kasus,
10
perubahan kecil pada batas selang dapat menghasilkan perubahan signifikan dari bentuk histogram. Fuzzy histogram dimaksudkan untuk menjadi lebih tahan dalam hal ini. Menurut Gwo et al. (2013), fuzzy histogram merupakan metode yang dapat digunakan untuk merepresentasikan perubahan jarak akibat adanya variasi kontur dari daun. Tahapan yang dilakukan Gwo et al. (2013) yaitu dengan menentukan titik pusat dari kontur daun terlebih dahulu seperti diperlihatkan pada Persamaan 5. C=
∑p∈ξ P
(5)
|ξ|
dengan P adalah titik tepi dan |ξ| adalah jumlah dari titik tepi Selanjutnya dilakukan pengukuran jarak euclid dari titik tepi ke titik pusat untuk mendapatkan fitur jarak, seperti pada Persamaan 6. leni =|Cρi |∀ρi ∈ S dengan C adalah titik pusat dan ρi adalah titik tepi ke i
(6)
Fitur jarak dinormalisasi seperti pada Persamaan 7. R = {ri |ri =len /len i
max
}
(7)
dengan leni adalah fitur jarak ke i dan len𝑚𝑎𝑥 adalah fitur jarak paling besar. Perbedaan fitur jarak dalam satu spesies berpengaruh terhadap kestabilan akurasi identifikasi seperti diilustrasikan pada Gambar 14, sehingga diperlukan optimasi dengan menggunakan logika fuzzy.
Gambar 14. Ilustrasi perbedaan fitur jarak pada satu spesies Fitur jarak yang telah dinormalisasi ditransformasikan menjadi nilai fuzzy yang dimasukkan ke dalam histogram, di mana frekuensi masing-masing bin dalam histogram diganti dengan nilai fuzzy. Karena ri ∈ [0.1], kisaran nilai normalisasi dibagi ke dalam N kelas. J merupakan array dan ri ditugaskan untuk mendapatkan kelas berdasarkan aturan v [•] pada Persamaan 8 berikut (Gwo et al. 2013) :
11
𝑣[0] = 𝑣[0] + 1, 𝑖𝑓 0 ≤ 𝑟1 <
2𝑗+1 − 𝑟1 𝑥 2 2𝑗−1 − 2 ]
𝑣[𝑗 − 1] = 𝑣[𝑗 − 1] + [ 𝑣[𝑗] = 𝑣[𝑗] + [𝑟1 𝑥 𝑁 𝑣[𝑗] = 𝑣[𝑗] + [
1 2𝑁
2𝑗+3 − 𝑟1 𝑥 2
𝑁]
𝑁]
} , 𝑖𝑓 𝑟1 ≤
2𝑗+1 ,𝑗 2𝑁
∈ [1, … , 𝑁 − 1] (8)
} , 𝑖𝑓 𝑟1 >
2𝑗+1 𝑣[𝑗 + 1] = 𝑣[𝑗 + 1] + [𝑟1 𝑥 𝑁 − 2 ] 1 𝑣[𝑁 − 1] = 𝑣[𝑁 − 1] + 1, 𝑖𝑓 1 − 2𝑁 ≤
2𝑗+1 ,𝑗 2𝑁
∈ [1, … , 𝑁 − 1]
𝑟1 < 1
Probabilistic Neural Network Probabilistic Neural Network (PNN) merupakan Artificial Neural Network (ANN) yang menggunakan teorema probabilitas klasik. PNN merupakan jaringan syaraf tiruan yang menggunakan radial basis function (RBF). RBF adalah fungsi yang berbentuk seperti bel yang menskalakan variabel nonlinear. Keuntungan utama menggunakan arsitektur PNN adalah training data mudah dan cepat (Wu et al. 2007). PNN memiliki struktur yang terdiri atas empat lapisan. Contoh struktur PNN dapat dilihat pada Gambar 15 (Wu et al. 2007).
Gambar 15 Struktur PNN Lapisan masukan merupakan nilai yang kelasnya akan diprediksi. Pada lapisan pola, nilai dot product antara masukan dan bobot xit, (Zi = x.xit,) dilakukan dan hasilnya dibagi dengan besarnya bias. Nilai ini kemudian dimasukkan dalam 2 fungsi radial basis 𝑟𝑎𝑑𝑏𝑎𝑠 (𝑛) = 𝑒 −𝑛 Proses ini dapat dituliskan pada Persamaan 9, dengan xit adalah vektor kelas latih ke-i dengan orde t: (𝑥−𝑥 )𝑇 (𝑥−𝑥 )
𝑖𝑡 𝑖𝑡 𝑓(𝑥) = 𝑒𝑥𝑝 (− ) (9) 2𝜎2 Pada lapisan penjumlahan, setiap pola di setiap kelas dijumlahkan untuk menghasilkan fungsi kepekatan populasi (population density function) untuk kelas tersebut. Perhitungan yang digunakan dapat dilihat pada Persamaan 10.
12
𝑝(𝑥) =
1 𝑘
(2𝜋)2 𝜎𝑘 𝑡
∑𝑡𝑖=1 𝑒𝑥𝑝 (−
(𝑥−𝑥𝐴𝑖 )𝑇 (𝑥−𝑥𝐴𝑖 ) 2𝜎2
)
(10)
keterangan : xAi : vektor latih kelas A ke-i k : dimensi vector σ : parameter pemulus Nilai σ menentukan besarnya interpolasi antara data yang ada. Semakin besar nilai σ, semakin tinggi derajat interpolasi yang terjadi. Parameter ini adalah satusatunya parameter yang harus diatur pada PNN. Akan tetapi, Specht (1990) memperlihatkan bahwa perbedaan nilai σ yang dipilih tidak memiliki pengaruh yang besar terhadap akurasi yang dihasilkan. Dan pada lapisan keluaran, masukan x akan diklasifikasikan ke dalam kelas Y jika nilai py(x) lebih besar dibanding kelas lainnya. Confusion Matrix Confusion matrix merupakan sebuah tabel yang terdiri atas banyaknya baris data uji yang diprediksi benar dan tidak benar oleh model klasifikasi, digunakan untuk menentukan kinerja suatu model klasifikasi (Tan et al. 2005). Ada empat istilah yang digunakan dalam confusion matrix yaitu: • True positive (TP) : jumlah data positif yang benar diklasifikasi oleh classifier • True negative (TN) : jumlah data negatif yang benar diklasifikasi oleh classifier. • False positive (FP) : jumlah data negatif yang salah diklasifikasi sebagai data positif. • False negative (FN) : jumlah data positif yang salah diklasifikasi sebagai data negatif. TP dan TN digunakan ketika classifier mendapatkan klasifikasi yang benar. FP dan FN digunakan ketika classifier salah melakukan klasifikasi. Tabel 1 merupakan tabel confusion matrix.
Aktual
Positif Negatif
Tabel 1 Confusion matrix Prediksi Positif Negatif A: True Positive B: False Negative C: False Positive D: True Negative
Berdasarkan tabel confusion matrix di atas, dapat dihitung nilai akurasi dengan formula pada Persamaan (11).
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = ∑
∑ 𝐴+∑ 𝐵 𝐴+∑ 𝐵+ ∑ 𝐶+∑ 𝐷
𝑋 100%
(11)
13
3 METODE PENELITIAN Metode penelitian dapat dilihat pada Gambar 16 di bawah ini. Secara garis besar metode penelitian terdiri atas pengumpulan citra daun tumbuhan obat, praproses, deteksi kontur menggunakan polygonal approximation , ekstraksi fitur menggunakan centroid distance function yang direpresentasikan dengan fuzzy histogram dan pengukuran kemiripan menggunakan Probabilistic Neural Network (PNN). Citra daun tumbuhan obat
Praproses citra
Deteksi kontur dengan Polygonal Approximation
Ekstraksi fitur jarak dengan Fuzzy Histogram
Klasifikasi dengan Probabilistic Neural Network (PNN)
Analisis
Evaluasi hasil Gambar 16. Metode Penelitian Data Penelitian Data yang digunakan dalam penelitian ini adalah data citra daun tumbuhan obat. Objek data citra ini berupa tumbuhan obat yang diambil oleh tim riset Computer Vision Departemen Ilmu Komputer IPB di beberapa lokasi pembudidayaan tumbuhan obat Indonesia seperti Kebun Raya Cibodas, areal kebun Biofarmaka Cikabayan dan rumah kaca Pusat Konservasi Ex-situ Tumbuhan Obat Hutan Tropika Indonesia, Fakultas Kehutanan IPB. Data yang dipakai terdiri dari enam kelas bentuk daun, yaitu: lanceolate, ovate, obovate, reniform, cordate, dan
14
deltoid. Spesies tumbuhan obat yang digunakan pada penelitian ini diperlihatkan pada Tabel 2. Tabel 2. Spesies tumbuhan obat yang digunakan pada penelitian Bentuk Bentuk Spesies Spesies daun daun Lanceolate Averrhoa bilimbi Reniform Polyscias scutellaria Amomum truncatum gagn Tinospora glabra Alstonia scholaris Centella asiatica Ovate
Daedalacanthus montanus Acalypha hispida burn Cananga odorata
Cordate
Tinospora crispa Haottuina cordata Piper umbellatum
Obovate
Artocarpus heterophyllus Alyxia Reindwardtu Bume Annona muricata
Deltoid
Coleus scutellariodes Ageratum conyzoides Coleus atropurpureus benth
Praproses Citra Tahap praproses citra dilakukan dengan mempersiapkan citra daun sebelum masuk dalam teknik pengolahan ekstraksi citra. Praproses dimulai dengan melakukan pengubahan latar belakang citra daun menjadi latar belakang putih. Selanjutnya dalam tahapan ini dilakukan restorasi citra dengan tujuan mendapatkan kualitas citra yang baik sebelum dilakukan tahapan analisis lebih lanjut (Acharya dan Ray 2005). Dalam tahapan ini juga dilakukan proses penyesuaian posisi citra. Citra daun diposisikan secara vertikal yaitu setiap citra diatur dengan posisi pangkal daun berada di sebelah bawah sementara posisi ujung daun berada di sebelah atas citra. Citra daun setelah melalui tahap praproses citra adalah citra daun dengan pengaturan intensitas grayscale dengan skala tertentu. Deteksi Kontur dengan Polygonal Approximation Hasil dari tahapan praproses citra adalah citra daun dengan kualitas yang sesuai untuk diolah dalam tahapan berikutnya. Tahapan yang selanjutnya dilakukan yaitu proses deteksi tepi citra. Deteksi tepi citra merupakan proses untuk menghasilkan tepi-tepi dari objek citra sehingga dapat diketahui bagian yang menjadi detil citra. Citra biner hasil thresholding pada tahap praproses selanjutnya sebagai masukan untuk deteksi kontur dengan polygonal approximation. Output dari polygonal approximation yaitu mendapatkan titik-titik utama sepanjang tepi (boundary) atau key point dari daun tumbuhan obat yang lebih ringkas dibandingkan dengan citra aslinya. Illustrasi pendeteksian kontur dapat dilihat pada Gambar 17.
15
Gambar 17. Ilustrasi pendeteksian kontur Pada penelitian ini, digunakan algoritme Prasad et al. (2012) dengan nilai ambang batas yang dipilih secara manual (dtol = 0,1). Model ini selanjutnya akan digunakan pada tahap ekstraksi fitur. Ekstraksi Fitur Jarak dengan Fuzzy Histogram Secara garis besar tahapan ekstraksi fitur jarak dengan fuzzy histogram yaitu dengan menentukan titik pusat dari key point hasil dari deteksi kontur menggunakan polygonal approximation, pengukuran jarak dari key point ke titik pusat, normalisasi jarak, dan akumulasi nilai fuzzy ke dalam histogram. Pada penelitian ini digunakan N=10, dikarenakan dari beberapa percobaan yang telah dilakukan, didapatkan hasil yang terbaik pada nilai parameter N=10. Klasifikasi dengan Probabilistic Neural Network Setelah proses ekstraksi ciri, diperoleh nilai-nilai ciri yang menjadi masukan untuk proses klasifikasi. Klasifikasi adalah prosedur untuk mengelompokkan pola masukan ke dalam kelas yang serupa. Klasifikasi data pada penelitian ini menggunakan classifier PNN. Sebelumnya dilakukan proses pembagian data menggunakan metode k-fold cross validation. Data yang terdiri dari data latih dan data uji dibagi dalam 5-fold dengan persentase 80% data latih dan 20% data uji seperti tertera pada Tabel 3. Untuk perhitungan nilai akurasi diambil nilai rataan dari seluruh nilai yang diperoleh dari penerapan k-fold cross validation sebagaimana tertera pada Tabel 4.
Fold Fold 1 Fold 2 Fold 3 Fold 4 Fold 5
Tabel 3 Pembagian Data Data Sub Data Data Latih S1, S2, S3, S4 Data Uji S5 Data Latih S1, S2, S3, S5 Data Uji S4 Data Latih S1, S2, S4, S5 Data Uji S3 Data Latih S1, S3, S4, S5 Data Uji S2 Data Latih S2, S3, S4, S5 Data Uji S1
16
Tabel 4 Hasil akurasi setiap fold k-fold Akurasi (%) fold 1 A1 fold 2 A2 fold 3 A3 fold 4 A4 fold 5 A5 Berdasarkan Tabel 4, perhitungan akurasi dari 5-fold tersebut adalah sebagaimana tertera pada persamaan 12. 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 =
𝐴1+𝐴2+𝐴3+𝐴4+𝐴5 5
𝑋 100%
(12)
Analisis Pada tahap ini terbagi atas dua tahapan analisis yaitu analisis hasil ekstraksi ciri dan analisis hasil identifikasi. Dari hasil yang diperoleh dapat diketahui seberapa baik hasil ekstraksi ciri suatu penciri dan hasil klasifikasi yang mengidentifikasikan suatu jenis bentuk daun. Dan jika terjadi kesalahan atau hasil yang kurang baik maka dapat dianalisis juga penyebab kesalahan dari hasil masingmasing tahapan. Evaluasi Hasil Evaluasi dilakukan dengan confusion matrix, kinerja model klasifikasi dapat diketahui dengan banyaknya data uji yang diprediksi secara benar dan salah. Pada penelitian ini data terbagi dalam tiga kelas. Apabila terdapat m kelas (m ≥ 2), confusion matrix merupakan sebuah tabel berukuran m × m seperti diperlihatkan pada Tabel 3. Baris pertama dengan kolom pertama mengindikasikan jumlah atribut dari kelas i yang diklasifikasi oleh classifier sebagai kelas i. Baris pertama dengan kolom kedua mengindikasikan jumlah atribut dari kelas i yang diklasifikasi oleh classifier sebagai kelas j. Baris pertama kolom ketiga mengidentifikasikan jumlah atribut dari kelas i yang diklasifikasikan oleh classifier sebagai kelas k. Baris kedua kolom pertama mengindikasikan jumlah atribut dari kelas j yang diklasifikasi oleh classifier sebagai kelas i. Baris kedua kolom kedua mengindikasikan jumlah atribut dari kelas j yang diklasifikasi oleh classifier sebagai kelas j. Baris kedua kolom ketiga mengindikasikan jumlah atribut dari kelas j yang diklasifikasi oleh classifier sebagai kelas k. Baris ketiga kolom pertama mengindikasikan jumlah atribut dari kelas k yang diklasifikasi oleh classifier sebagai kelas i. Baris ketiga kolom kedua mengindikasikan jumlah atribut dari kelas k yang diklasifikasi oleh classifier sebagai kelas j. Baris ketiga kolom ketiga mengindikasikan jumlah atribut dari kelas k yang diklasifikasi oleh classifier sebagai kelas k. Classifier dengan nilai akurasi yang baik memiliki atribut terbanyak yang ditunjukkan melalui kolom diagonal dari tabel confusion matrix dan kolom lain bernilai nol atau mendekati nilai nol. Dari keseluruhan tahapan metodologi yang dilakukan dievaluasi apakah hasil yang dicapai sesuai dengan yang diharapkan.
17
4 HASIL DAN PEMBAHASAN Hasil Praproses Citra Sebelum ekstraksi fitur dilakukan, citra terlebih dulu mengalami praproses secara manual. Pada tahap praproses manual ini objek daun dipisahkan dari latar belakangnya dan dirotasi sehingga tegak lurus terhadap garis horizontal. Proses ini dilakukan untuk 30 citra dari setiap bentuk daun sehingga total ada 180 citra yang diproses. Seperti diperlihatkan pada Gambar 18. Citra yang sudah diproses secara manual memiliki latar belakang putih dan posisi daun berdiri tegak lurus terhadap garis horizontal. Citra diubah menjadi biner dengan operasi threshold. Dengan nilai threshold statis, piksel yang memiliki nilai lebih besar dari threshold akan memiliki nilai 1 (putih), sedangkan yang lebih kecil akan memiliki nilai piksel 0 (hitam). Objek daun menjadi berwarna hitam dan latar belakang menjadi putih. Tujuan dari operasi threshold adalah menghilangkan urat daun agar pada saat proses deteksi tepi tidak ada urat daun yang terdeteksi sebagai garis tepi.
(a)
(b)
(c)
Gambar 18 (a) Citra berwarna, (b) Citra grayscale, dan (c) Citra biner
Hasil Deteksi Tepi Hasil deteksi tepi pada keenam daun ditunjukan pada Tabel 5, terlihat bahwa metode polygonal approximation menghasilkan key point atau landmark yang lebih sederhana dibanding citra aslinya, namun masih dapat mempertahankan bentuk dari keenam bentuk daun. Tabel 5 Hasil Deteksi Tepi
Bentuk Daun Lanceolate
Citra Asli
Landmark
18
Ovate
Obovate
Reniform
Cordate
Deltoid
Daun lanceolate memiliki landmark yang merata pada seluruh kontur daun. Pada Gambar 19 terlihat titik 1,2 merupakan bagian base (pangkal daun), titik 3,4 merupakan bagian tengah dari daun, dan titik 5,6 merupakan bagian apex (ujung daun) 2 5 6 1 4
3
Gambar 19. Landmark pada daun lanceolate
19
Daun ovate memiliki bagian terbesar pada base (pangkal daun). Seperti terlihat pada Gambar 20, bentuk ovate ditentukan pada titik 1,2 yang mana memiliki lebih banyak titik utama pada bagian base (pangkal daun). Titik 3,4 merupakan bagian tengah dari daun, dan titik 5,6 merupakan apex dari daun. 2
5
1
6
4
3
Gambar 20. Landmark pada daun ovate Daun obovate memiliki bagian terbesar pada apex (ujung daun). Seperti terlihat pada Gambar 21, bentuk obovate ditentukan pada titik 5,6 yang mana memiliki lebih banyak titik utama pada bagian apex. Titik 3,4 merupakan bagian tengah dari daun, dan titik 1,2 merupakan base dari daun. 5
2
6
4
1
3
Gambar 21. Landmark pada daun obovate Daun reniform memiliki bentuk menyerupai lingkaran. Seperti terlihat pada Gambar 22, bentuk reniform ditentukan pada titik 1,2 pada bagian base dan titik 5,6 pada bagian apex yang mana terdapat lebih banyak titik utama. Titik 3,4 merupakan bagian tengah dari daun. 5 6
2 4
3
1
Gambar 22. Landmark pada daun reniform Daun cordate memiliki bagian terbesar pada base (pangkal daun). Seperti terlihat pada Gambar 23, bentuk cordate ditentukan pada titik 1,2 yang mana memiliki lebih banyak titik utama pada bagian base. Titik 3,4 merupakan bagian tengah dari daun dan titik 5,6 merupakan apex dari daun.
20
2 5
6
4
1
3
Gambar 23. Landmark pada daun cordate Daun deltoid memiliki bentuk menyerupai segitiga. Pada Gambar 24 terlihat titik 1,2 merupakan bagian base (pangkal daun), titik 3,4 merupakan bagian tengah dari daun, dan titik 5,6 merupakan bagian apex (ujung daun) 2 5 6
1
34
Gambar 24. Landmark pada daun deltoid
Hasil Ekstraksi Fitur Jarak Untuk setiap objek citra ditentukan titik pusat objek, yaitu titik pusat kontur citra seperti diperlihatkan pada Gambar 24 (a). Berdasarkan informasi titik pusat kontur dan key point hasil dari deteksi kontur menggunakan polygonal approximation maka didapat grafik distribusi fitur jarak yang sudah dinormalisasi pada salah satu daun cordate yang ditunjukan pada Gambar 25 (c).
(c) (a) (b) Gambar 25 (a) Citra dengan titik pusat (b) Citra dengan fitur jarak antara titik pusat dan key point, dan (c) Grafik distribusi fitur jarak
21
Hasil representasi fitur jarak dengan menggunakan fuzzy histogram dari keenam bentuk daun dapat dilihat pada Tabel 6. Tabel 6. Hasil representasi fitur jarak Bentuk Daun Fitur jarak N=10 Akumuasi nilai fuzzy
Lanceolate
6 4 2 0 1
2
3
4
5
6
7
8
9 10
bin Lanceolate A
Lanceolate A
Lanceolate B
Lanceolate B
Ovate
Akumuasi nilai fuzzy
10
5 0 1
2
3
4
5
6
bin
Ovate A
Ovate A
7
8
9 10
Ovate B
Ovate B
Obovate Akumuasi nilai fuzzy
10
5
0 1
2
3
4
5
bin
6
Obovate A
Obovate A
7
8
9 10
Obovate B
Obovate B Akumuasi nilai fuzzy
Reniform
30 20 10 0
1
2
3
4
5
6
7
8
9 10
bin Reniform A
Reniform A
Reniform B
Reniform B
22
Akumuasi nilai fuzzy
Cordate
20 15 10 5 0 1
2
3
4
5
6
7
8
9 10
bin Cordate A
Cordate A
Cordate B
Cordate B Akumuasi nilai fuzzy
Deltoid
10
5
0
1
2
3
4
5
6
7
8
9 10
bin Deltoid A
Deltoid A
Deltoid B
Deltoid B Analisis Ekstraksi Fitur Jarak
Dari hasil representasi fitur jarak pada Tabel 6 terlihat bahwa masingmasing bentuk daun memiliki histogram jarak key point yang berbeda.Bentuk daun yang memiliki perbedaan fitur jarak yang signifikan adalah lanceolate dan reniform. Daun lanceolate memiliki fitur jarak dengan akumulasi nilai fuzzy yang merata untuk semua selang. Hal ini merepresentasikan bentuk daun lanceolate yang pipih memanjang sehingga jarak key point bervariasi dari yang terpendek sampai yang terjauh. Bentuk daun ovate dan obovate memiliki kemiripan distribusi jarak, yaitu tidak terdapat pada selang awal. Perbedaan dari keduanya yaitu daun ovate memiliki frekuensi yang lebih tinggi pada selang akhir dibanding dengan daun obovate. Hal ini merepresentasikan bentuk daun ovate yang lebih lebar sehingga jarak key point terhadap titik pusat menjadi lebih panjang. Bentuk daun reniform memenuhi bagian selang yang besar dari selang kuantisasi dan terdapat beberapa nilai pada selang tengah. Hal ini menunjukkan bentuk daun reniform memiliki kontur dengan jarak sama dari titik pusat atau mendekati bentuk lingkaran. Beberapa nilai pada selang tengah menunjukkan adanya cekungan kontur yaitu di area pangkal daun (base). Daun cordate dan deltoid memiliki kemiripan distribusi jarak, yaitu memenuhi hanya pada selang akhir. Hal ini menunjukkan kedua bentuk daun ini secara bentuk umum mirip yaitu memiliki kontur dengan perbandingan panjang dan lebar sama. Bentuk daun cordate dan deltoid dapat dibedakan dengan nilai frekuensi selangnya yang berbeda seperti diperlihatkan pada Gambar 8. Frekuensi tinggi bentuk daun deltoid ada pada selang yang besar sesuai dengan bentuk daun deltoid yang mendekati segitiga sehingga ada tiga area dengan jarak terjauh dari
23
pusat. Sedangkan cordate memiliki jarak terjauh hanya pada apex (ujung daun) dan base (pangkal daun). Perubahan Ukuran Daun terhadap fuzzy histogram
Akumulasi Nilai Fuzzy
Pada Gambar 26 dilakukan untuk dua daun yang sama tetapi berbeda ukuran untuk mengetahui apakah fuzzy histogram sensitif terhadap perubahan ukuran daun. Percobaan yang dilakukan yatu pada cordate A dengan ukuran lebih kecil dari cordate B. Pada Gambar 26 (a) dan 26 (b), dengan menggunakan polygonal approximation terlihat cordate B memiliki key point yang sama dengan cordate A.
10 8 6 4 2 0 1
2
3
4
5
6
7
8
9 10
bin Cordate A
(a)
Cordate B
(b) (c) Gambar 26 (a) Cordate A (b) Cordate B (c) grafik fuzzy histogram cordate A dan cordate B
Pada grafik Gambar 26 (c), terlihat fuzzy histogram tidak sensitif terhadap perubahan ukuran. Pada daun yang sama, nilai fuzzy histogram daun akan tetap walaupun ukurannya berubah. Hal ini menunjukkan dua daun cordate yang sama tapi berbeda ukuran akan menghasilkan grafik fuzzy histogram yang sama. Daun yang lebih besar yaitu Cordate B memiliki jarak titik tengah terhadap titik tepi yang lebih panjang, namun setelah dilakukan proses normalisasi jarak sehingga grafiknya sama dengan cordate A. Klasifikasi dan Model PNN Sebelum klasifikasi, dilakukan proses pembagian data menggunakan metode k-fold cross validation. Data yang terdiri dari data latih dan data uji dibagi dalam 5-fold dengan persentase 80% data latih dan 20% data uji seperti tertera pada Tabel 1. Dari 180 citra bentuk daun, 144 sub citra menjadi data latih sedangkan 36 sub citra lainnya menjadi data uji. Dalam hal ini bentuk lanceolate berada pada kelas 1, ovate berada pada kelas 2, dan obovate berada pada kelas 3, reniform berada pada kelas 4, cordate berada pada kelas 5, dan deltoid berada pada kelas 6. Klasifikasi PNN dilakukan pada setiap fold. Hasil akurasi setiap fold untuk dtol=0,1 dan N=10 dapat dilihat pada Tabel 7.
24
Tabel 7. Hasil akurasi setiap fold k-fold Akurasi (%) fold 1 63,89 fold 2 58,33 fold 3 75,00 fold 4 80,55 fold 5 75,00 Dari lima percobaan tersebut, evaluasi kinerja sistem dapat dihitung dengan mencari nilai rata-rata akurasi seluruh fold. Sistem ini bekerja dengan akurasi ratarata 70,55 % yang diperoleh dari perhitungan berikut: 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 𝑟𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 = = 70,55 %
63,89 + 58,33 + 75,00 + 80,55 + 75,00 𝑋 100% 5
Berdasarkan Tabel 7 diketahui akurasi terbesar diperoleh dari hasil percobaan fold 4 yaitu sebesar 80,55%. Akan tetapi untuk menghindari terjadinya overfitting, maka sistem akan menggunakan model klasifikasi yang dihasilkan oleh fold ketiga atau fold kelima karena nilainya mendekati dengan nilai rata-rata yang diperoleh. Hasil Klasifikasi
Aktual
Dari hasil klasifikasi dengan Probabilistic Neural Network (PNN) fold kelima terdapat kesalahan klasifikasi bentuk daun. Tabel 8 menunjukkan confusion matrix jumlah daun yang salah terklasifikasi ke kelas lain dan Tabel 9 menunjukkan akurasi identifikasi tiap bentuk daun. Tabel 8. Hasil confusion matrix identifikasi bentuk daun Prediksi Lanceolate Ovate Obovate Reniform Cordate Lanceolate 6 0 0 0 0 Ovate 0 4 1 0 0 Obovate 0 4 2 0 0 Reniform 0 0 0 6 0 Cordate 0 0 1 0 5 Deltoid 1 0 0 1 0 Tabel 9 Akurasi identifikasi tiap bentuk daun Kelas bentuk daun Akurasi (%) lanceolate 100.0 ovate 66,7 obovate 33,3 reniform 100,0 cordate 83,3 deltoid 66,7
Deltoid 0 1 0 0 0 4
25
Pada Gambar 27 diketahui kesalahan klasifikasi daun obovate berada pada data ke-77 yang salah diklasifikasi sebagai ovate dikarenakan pada bin ke-1, 2, 3 dan 4, kedua daun tersebut memiliki kemiripan fitur jarak atau memiliki kesamaan pada selang yang kecil. Pada bin ke- 5, 6, 7, 8, 9, dan 10, terdapat perbedaan fitur jarak, namun perbedaan kedua daun tersebut tidak signifikan, sehingga menyebabkan terjadinya kesalahan klasifikasi. Berdasarkan pada Gambar 27, sistem tidak mampu menyimpan informasi geometris yaitu informasi pada bagian base (pangkal daun) dan apex (ujung daun), sehingga untuk dapat membedakan kedua daun tersebut diperlukan penentuan titik awal yaitu pada bagian base atau apex.
Akumulasi nilai fuzzy
15 10 obovate
5
ovate
0 1 2 3 4 5 6 7 8 9 10
bin ke-
(a)
(b)
Gambar 27 Kesalahan klasifikasi (a) Obovate diidentifikasi sebagai ovate (b) Grafik obovate dan ovate
Akumulasi nilai fuzzy
Pada Gambar 28 kesalahan klasifikasi pada kelas deltoid berada pada data ke-166 yang salah diklasifikasi sebagai cordate. Kesalahan klasifikasi ini terjadi karena bentuk apex daun deltoid mirip dengan daun cordate, perbedaannya hanya pada bagian base, daun deltoid cenderung lurus sedangkan daun cordate memiliki lekukan kedalam sehingga nilai fitur jarak deltoid berada pada sebaran nilai fitur kelas cordate. Bagian apex dari daun cordate dan deltoid ditunjukkan pada bin ke-1, 2, 3, 4, dan 5, pada bagian ini terdapat kemiripan fitur jarak yaitu pada selang yang kecil dengan nilai fitur jarak yang pendek, yang menandakan kedua daun ini memiliki persamaan pada bagian apex nya. Sedangkan bagian base dari daun cordate dan deltoid ditunjukkan pada bin ke-6, 7, 8, 9, dan 10, yaitu terdapat pada selang yang besar. Pada bagian ini terdapat perbedaan fitur jarak, namun perbedaan nilai fitur jaraknya tidak terlalu signifikan. 40 30
20
deltoid
10
cordate
0 1
2
3
4
5
6
7
8
9 10
bin ke-
(a)
(b)
Gambar 28 Kesalahan klasifikasi (a) Deltoid diidentifikasi sebagai cordate (b) Grafik deltoid dan cordate
26
5 SIMPULAN DAN SARAN Simpulan Penelitian ini berhasil mengimplementasikan algoritme polygonal approximation dan fuzzy histogram untuk merepresentasikan bentuk daun. Hasil percobaan menunjukkan bahwa fuzzy histogram tidak sensitif terhadap perubahan skala daun. Dengan menggunakan kedua algoritme ini didapatkan akurasi rata-rata sebesar 70,55%. Berdasarkan hasil yang diperoleh dari penelitian ini, sistem tidak mampu membedakan daun ovate dan obovate dengan baik, hal ini dikarenakan sistem tidak mampu mengakomodir informasi geometris yaitu informasi posisi base (pangkal daun) dan apex (ujung daun). Variasi paling tinggi terdapat pada kelas lanceolate dan reniform karena daun pada kelas tersebut memiliki bentuk yang tidak seragam. Saran Untuk meningkatkan akurasi hasil identifikasi dapat dilakukan dengan menentukan posisi titik awal pada bagian daun, yaitu pada bagian base atau apex, dan penambahan ciri lain seperti ciri venasi serta penentuan threshold secara dinamis yang dapat digunakan pada penelitian selanjutnya.
27
DAFTAR PUSTAKA
Acharya T, Ray AK. 2005. Image Processing Principal and Aplication. John Wiley & Sons, Inc.: USA Al-amri SS, Kalyankar NV, Khamitkar SD. 2010. Image Segmentation by Using Threshold Techniques. Journal of Computing, Volume 2, Issue 5, Issn 21519617. Chandhok C, Chaturvedi S, Khurshid A. 2012. An Approach to Image Segmentation Using K-Means Clustering Algorithm. International Journal of Information Technology (IJIT), Volume – 1, Issue – 1, ISSN 2279 – 008X Dilip K. Prasad, Chai Quek, Maylor K.H. Leung, and Siu-Yeung Cho. 2011. A parameter independent line fitting method. 1st Asian Conference on Pattern Recognition (ACPR 2011). Dilip K. Prasad and Maylor K. H. Leung. 2012. Polygonal Representation of Digital Curves. Digital Image Processing, Stefan G. Stanciu (Ed.), InTech. Grigore O, Veltkamp RC. 2003. On the Implementation of Polygonal Approximation Algorithms. Department of Information and Computing Sciences. Utrecht University. technical report UU-CS-2003-005. Gwo Chih-Ying, Wei Chia-Hung. 2013. Plant identification through images: using feature extraction of key points on leaf contours. Botanical Society of America. 1(11):1-9.doi.10.3732/apps.1200005. Harlow WM, Harrar ES. 1969. Textbook of Dendrologi. Mc.Graw-Hill: United States of America Hickey LJ, Ash A, Ellis B, Johnson K, Wilf P, Wing S. 1999. Manual of leaf Architecture – Morphological Description and Categorization of Dicotyledonous and Net-Veined Monocotyledonous Angiosperms by leaf Architecture. Leaf Architecture Working Group. Washington DC. Neto J.C, George E. Meyer, David D Jones, Ashok K. Samal. 2006. Plant species identification using Elliptic Fourier leaf shape analysis. Pahalawatta KK. 2008. Plant Species Biometrics using Feature Hierarchies: A Plant Identification System using Both Global and Local Feature of Plant Leaves [tesis]. University of Canterbury. Specht DF. 1990. Probabilistic neural networks. Neural Networks. 3:109-118. Ta-Te L, yud-Tse C, Wen-Chi L. 2002, Leaf Boundary Extraction and Geometric Modelling of Vegetable seedlings. National Taiwan University Tan PN, Steinbach M, Kumar V. 2005. Introduction to data mining. New York (US): Addison Wesley Tejada PJ, Xiaojun Q, Minghui J. 2009. Computational Geometry of Contour Extraction. 21st Canadian Conference on Computational Geometri. Wu SG, Bao FS, Xu EY, Yu-Xuan W, Yi-Fan C, Qiao-Liang X. 2007.A leaf recognition algorithm for plant classification using probabilistic neural network. IEEE International Sysmposium on Signal Processing and Information Technology. Young IT, Gerbrands JJ, Vliet LJ. 1998. Fundamental of Image Processing. CipData Koninklijke Bibliotheek: Den Haag.
28
Zhang D., Lu G. 2004. Review of shape representation and description techniques. Pattern Recognition. 34(1):1-19.doi:10.1016/ j.patcog. Zuhud, E.A.M. 2009. Potensi Hutan Tropika Indonesia sebagai Penyangga Bahan Obat Alam untuk Kesehatan Bangsa. Jurnal Bahan Alam Indonesia. Vol 6(6).
LAMPIRAN
Lampiran 1 Nilai ekstraksi fitur jarak bentuk daun
data
lanceolate
ovate
bin ke1
2
3
4
5
6
7
8
9
10
1
0
1,0758
1,9725
3,0612
1,9267
1,0254
2,252
0,9068
1,0327
2
2
0
5,3478
4,611
1,3536
3,1846
0,96432
0
0,59747
0,58865
2
3
0,072808
4,1063
0,079554
2,8062
2,2227
2,3797
4,4939
2,9824
1,4351
2
4
0
0,83803
0,37826
0,8204
1,5295
3,2221
4,5221
3,5543
1,9561
2
5
0
0
4,674
0,81044
2,3388
1,4226
5,6542
2,7217
0,9705
2
6
0
1,633
3,2321
0,69312
1,6593
4,2308
2,1103
3,5496
0,98448
2
7
0,031286
0,75063
0,53762
0,78045
2,506
4,5478
2,7472
2,877
3,4038
2
8
0
1,5981
2,1282
3,2018
0,3909
3,0931
4,4545
5,0706
1,6051
2
9
0
0,80126
0
2,5611
0,56082
2,7888
2,0797
3,1175
3,6026
2
10
0
1,6189
0,86244
2,5289
1,8613
3,2045
3,4038
4,4476
1,4927
3
11
0
0,009526
2,7557
2,8429
0,13519
3,1119
1,485
2,9331
2,2542
2
12
0
2,6995
2,8546
2,6023
0,94385
1,3291
2,2739
2,3419
2,7148
2
13
0
1,4813
3,3558
1,3143
0,57065
2,8341
3,7062
3,8573
1,7173
2
14
0
0,82421
3,847
2,2644
1,9143
3,6837
2,1894
1,9357
2,8061
2
15
0
0,97568
7,3975
2,5986
1,8136
4,2432
3,1715
4,3503
0
2
16
0
0,072354
1,8125
1,3518
2,0266
4,2285
4,9404
3,6674
3,7305
2
17
0
0,018585
3,9989
1,2168
1,6014
2,9067
3,308
1,7332
3,2585
3
18
0
1,7814
1,8849
4,5006
3,3445
3,372
3,007
2,3728
3,3507
2
19
0
0,20532
2,7792
5,7145
1,1506
2,1208
5,2342
4,0566
3,838
2
20
0
2,1594
5,6852
0,49474
0,47275
2,1125
3,5754
2,9957
5,312
1
21
0
0,2873
7,4337
3,3018
3,112
4,6742
1,8727
4,8654
0,048203
4
22
0
2,164
2,3058
3,9799
2,747
3,1912
2,1906
0,027394
0,25884
2
23
0,051631
0,96846
1,3161
1,2555
1,6096
2,7228
3,7008
1,0312
2,1751
4
24
0
1,1988
6,0437
2,9812
2,2291
1,487
3,2547
3,3853
4,297
7
25
0
1,3866
1,0718
2,6755
1,8704
0,85682
2,0269
3,1745
3,7875
1
26
0
1,5231
3,2372
2,6543
2,6858
2,0128
2,0842
0,81008
3,0425
3
27
0
2,1948
1,2482
2,175
2,2163
0,92065
2,2997
1,6611
1,2253
4
28
0
0,54289
1,927
4,9065
1,4741
2,0868
1,554
2,3621
3,8409
6
29
0
0,63276
3,1031
4,3537
1,9087
2,6345
2,564
3,9531
1,9503
2
30
0,11676
0,67477
1,8832
0,92627
4,7247
2,3228
0,93082
5,3536
2,3745
2
31
0
0
0
0,50062
4,9744
2,3402
8,1824
5,3469
0,80084
3
32
0
0
0
0
1,6747
12,527
6,1779
3,9181
1,2734
2
33
0
0
0
1,0623
4,6662
4,3906
5,0054
4,4298
3,8884
2
34
0
0
0
0,53879
8,3992
3,4474
5,3002
4,6068
2,1377
7
35
0
0
0
3,6465
6,8852
5,4706
4,1726
5,1941
0,75699
2
36
0
0
0
1,4024
5,2581
6,7331
5,2418
2,0576
0,68554
2
37
0
0
0
0
4,7132
6,4535
6,8833
6,7344
3,4437
8
38
0
0
0
0
3,3313
7,0867
6,8926
3,3233
5,0542
3
39
0
0
0
2,4552
8,2747
6,6845
4,3919
3,0776
3,0376
4
40
0
0
0
0
7,4736
2,0616
4,8322
4,1172
3,2281
4
41
0
0
0
0,91597
7,1555
6,4937
3,8086
5,2384
5,1478
3
obovate
42
0
0
0
0,042144
3,8796
7,5901
6,1623
4,5119
8,3883
7
43
0
0
0
2,1515
6,0607
3,5427
2,5721
5,372
3,1514
2
44
0
0
0,19396
2,4486
3,8433
3,256
2,7233
2,2636
0,60274
1
45
0
0
0,11413
6,7554
3,7781
5,8554
3,9978
1,9179
3,39
3
46
0
0
0
6,4748
6,5649
2,2829
3,6393
2,5783
4,5447
2
47
0
0
0
2,1229
2,6285
3,7818
3,4707
3,5139
3,2854
4
48
0
0
0,043582
5,0472
2,35
5,4061
4,6078
2,3696
3,0361
3
49
0
0
0
2,801
6,1182
5,0255
5,8244
3,1317
4,4874
1
50
0
0
0
2,7335
5,2197
6,8582
3,2669
2,7146
1,1168
4
51
0
0
0,49096
6,358
5,0418
5,4351
6,7103
4,7288
1,6174
4
52
0
0
0
6,3922
6,8647
2,356
3,7478
2,6998
3,7043
2
53
0
0
0
0,049971
9,561
5,4264
5,0551
8,0479
3,2819
2
54
0
0
0
2,1982
5,4235
3,3619
4,4115
4,2874
3,1304
3
55
0
0
0
0
6,8914
7,7843
4,7078
4,848
0,93262
1
56
0
0
0
0
5,985
7,3739
4,3785
5,5953
2,7176
4
57
0
0
0
0,107
6,9028
5,0462
4,9817
10,944
3,3344
2
58
0
0
0
0
0
10,058
9,8673
3,4261
1,8708
2
59
0
0
0
0
7,1097
10,47
3,6673
2,3828
0
3
60
0
0
0
0,80593
2,5301
9,3462
3,2752
3,1903
4,8557
4
61
0
0
0
4,3991
4,6417
4,4389
3,7179
1,9973
0,84858
2
62
0
0
0,34829
7,5516
4,1777
4,2246
3,6996
4,0896
4,0673
5
63
0
0
0
0
3,9852
7,1377
3,95
3,4404
7,0748
2
64
0
0
0
0
1,1518
8,7342
5,2481
6,1548
5,2708
8
65
0
0
0
0,51528
2,873
5,6555
8,3819
8,4518
4,029
3
66
0
0
0
0
6,5369
4,3633
7,8981
1,7418
5,3191
2
67
0
0
0
1,9325
5,8202
3,8467
4,6446
4,2756
2,014
4
68
0
0
0
0,54817
4,9418
10,717
8,3212
0,81441
0
3
69
0
0
0
0
5,9926
7,2705
5,6541
6,8536
1,8184
3
70
0
0
0
0
3,753
10,867
4,0246
2,7851
5,4726
2
71
0
0
0
0,46544
3,1339
6,2634
4,7022
6,4326
5,7411
4
72
0
0
0,063361
8,0162
2,8755
4,7454
3,0264
2,7674
2,098
2
73
0
0
0
0,020999
5,2217
6,4414
6,0718
2,1069
2,764
4
74
0
0
0,59811
5,4329
5,8235
3,1979
3,7776
4,2495
4,4325
2
75
0
0
0,086659
0,77285
3,7424
6,0768
4,2092
5,4713
4,2665
2
76
0
0
0,11761
2,1852
2,2203
3,6793
4,0293
3,1926
3,1606
1
77
0
0
0
0,18061
3,2054
7,0846
5,7646
7,3974
2,5045
2
78
0
0
1,7672
1,9639
2,7219
3,6522
3,7953
4,3449
5,3736
3
79
0
0
0
4,1567
4,9298
7,9203
5,664
4,855
2,188
2
80
0
0
0
1,7349
4,9511
4,3615
4,584
3,6502
6,0428
2
81
0
0
0
0
4,465
9,522
11,271
3,3836
2,4511
2
82
0
0
0
0
1,5126
8,3726
7,7357
6,196
0
1
83
0
0
0,10125
6,1942
5,0299
3,6025
5,4585
5,1887
1,8898
3
84
0
0
0
0
6,1156
4,05
6,4057
6,9331
3,2831
2
85
0
0
0
4,3961
3,4698
4,8419
2,9257
4,8497
0,99601
5
reniform
cordate
86
0
0
2,0391
3,6523
6,3118
5,8237
3,8054
1,279
1,4342
1
87
0
0
0,024186
4,6494
7,5299
2,8436
4,5502
5,0519
4,5313
2
88
0
0
0,16113
3,9154
6,698
4,0225
4,9809
4,3159
1,7938
2
89
0
0
1,6761
5,5781
5,6967
4,0248
3,1328
1,7861
1,8439
4
90
0
0
0,32532
3,8167
6,5582
8,1545
2,9354
5,9792
0,43409
2
91
0
0
0
0
2,7912
0,027329
3,9764
15,032
9,5536
10
92
0
0
0
0
0,69533
0
0,42921
14,044
12,264
17
93
0
0
0
0
0
0,080745
1,3114
10,594
19,389
11
94
0
0
0
0
0
1,06
9,2317
14,756
5,5413
7
95
0
0
0
0
0
0,56379
6,0124
13,757
8,7937
10
96
0
0
0
0
0
0
1,7295
2,6155
21,435
9
97
0
0
0
0
0,37129
2,4762
2,4526
9,4577
14,826
9
98
0
0
0
0
0,070413
1,0859
0,45447
15,934
8,6761
11
99
0
0
0
0
0,61008
1,3813
4,8383
10,381
4,7245
11
100
0
0
0
0
0
0,98752
2,2562
6,7261
20,12
9
101
0
0
0
1,9773
1,3142
1,8009
1,708
8,2168
12,123
14
102
0
0
0
0
0,85246
0,026766
12,36
7,2743
6,2628
13
103
0
0
0
0
0
1,506
4,4363
13,876
10,156
7
104
0
0
0
0
1,2205
2,2424
9,6408
7,3883
7,5575
5
105
1,6269
1,5239
1,0146
0,95259
0,6039
1,2826
0,91664
0,92048
19,748
10
106
0
0
0
0,48116
1,5752
1,1178
2,1457
1,6956
13,592
14
107
0
0
0
0
1,1793
1,3158
2,9711
8,022
20,597
11
108
0
0
0
1,5939
1,7984
1,0937
2,1774
3,996
28,283
9
109
0
0,81094
1,6609
2,1268
1,0517
2,2568
1,0276
8,0522
6,5177
6
110
0
1,1791
0,94832
0,62291
1,983
1,2648
1,5397
8,4893
6,0263
9
111
0,51739
1,4855
0,45334
2,4087
3,0596
1,9596
0,72818
5,0933
13,482
12
112
0
0
0
0,11605
1,4784
0,90161
3,922
11,811
4,2416
5
113
0
0
0
1,3263
2,4537
1,1799
1,8965
10,485
15,632
2
114
2
1,2225
1,777
1,3108
1,4486
0,044444
0,015465
2,2038
9,555
20
115
0
0
0
0
2,9627
0
5,0851
11,847
12,817
10
116
0
0
0
1,5519
0,84386
0,81544
2,5423
19,594
11,156
7
117
0
0
0
0
1,0362
0,82311
4,1939
17,306
11,836
8
118
0
0
0
0
1,612
0,1812
12,449
8,2722
7,484
9
119
0
0
0
0
0,74865
0,9969
9,2508
6,9373
11,786
7
120
0
0
0
0,59749
0,009338
0,8253
3,2905
13,728
7,3159
7
121
0
0
0
2,1419
0,87435
8,7284
12,224
1,1798
2,5034
2
122
0
0
0,009099
1,9229
2,8861
7,5568
17,934
3,1902
0,45439
3
123
0
0
0,54737
1,6244
2,2771
14,955
13,422
2,5573
2,0473
3
124
0
0
0
0
1,6328
3,8591
8,1822
9,1623
5,3089
2
125
0
0
1,0869
2,4771
5,159
12,678
3,4926
2,3055
0,67602
2
126
0
0
0
4,1347
2,101
10,284
11,457
7,746
2,2119
4
127
0
0
2,9195
1,3657
2,0186
3,7838
23,182
2,1087
2,7962
2
128
0
0
0,83593
0,28803
2,159
10,194
23,579
2,9825
0,83827
2
129
0
0
0
0,28406
2,3271
4,6559
16,506
6,8725
2,6815
3
deltoid
130
0
0
1,6663
1,5951
2,8519
3,8269
16,726
7,2588
3,0006
1
131
0
0
0
1,3018
1,5934
8,2021
7,6984
2,2848
1,136
3
132
0
0
0,85739
1,8433
2,3953
18,086
4,6289
1,9105
1,4368
1
133
0
0
0
0,69993
0,67019
9,4776
7,2656
9,0281
3,2894
2
134
0
0
0
0
0,78067
11,274
4,5322
3,5772
4,237
3
135
0
0
0
2,1436
6,4517
5,8492
8,3371
3,7542
0
2
136
0
0
0
0,36874
0,60548
3,2702
13,783
6,6192
4,1722
2
137
0
0
0
0
0,28036
11,5
11,171
5,539
8,5704
5
138
0
0
0
0
0,59494
8,1357
10,653
6,7067
3,4665
2
139
0
0
0
0
1,7169
6,7737
6,9612
9,916
8,41
3
140
0
0
0,49097
1,1718
5,8954
6,3624
17,593
0,86842
1,4535
2
141
0
0
0
0
0,20822
6,3859
8,8426
5,0897
4,0651
7
142
0
0
0
2,1933
6,0451
12,08
7,7315
2,4686
0,41932
1
143
0
0,70018
1,8713
1,7418
5,7651
9,4978
0
0,25865
0
2
144
0
0
0
0
4,5933
8,2447
8,3285
2,9661
1,7963
2
145
0
0
0,027797
1,4848
3,502
8,7466
11,641
2,3434
1,3689
2
146
0
0
0
2,7183
1,7463
7,0731
13,562
7,911
0,46612
3
147
0
0
0
0,2486
4,5148
7,5665
15,847
1,7701
2,6326
2
148
0
0
0
0,10748
3,5185
8,2758
12,985
5,2684
0,21953
2
149
0
0,22808
1,8121
1,4945
10,384
6,0142
0,96103
0,99108
0,14349
2
150
0
0
0,061652
3,4986
3,0837
11,652
10,463
0,55137
0,86909
2
151
0
0
0
0
0
2,157
7,7817
9,4748
11,527
9
152
0
0
0
0
0
1,7046
14,324
15,419
2,6869
6
153
0
0
0
0
4,3304
10,306
6,1984
3,7478
5,0332
8
154
0
0
0
0
0
9,7971
5,4061
4,9823
6,6843
2
155
0
0
0
0
1,2816
10,32
4,8831
7,0084
5,8852
2
156
0
0
0
0
1,8092
5,5116
8,0465
10,945
0,35529
3
157
0
0
0
0
2,6242
9,3588
15,984
1,6035
0
2
158
0
0
0
0
0,5245
12,317
10,491
11,273
2,3279
1
159
0
0
0
0
4,7755
5,2964
2,4431
5,7617
6,7234
3
160
0
0
0
0
3,0323
4,0715
7,1035
1,7815
9,4895
3
161
0
0
0
2,6336
3,0393
4,4861
7,2231
3,0483
7,4778
7
162
0
0
0
0
0,56987
9,6996
7,0927
5,6779
9,3983
8
163
0
0
0
0
4,7719
6,2612
15,168
3,3397
0,3384
2
164
0
0
0
1,6623
9,2027
6,0005
2,6742
3,5023
2,5761
6
165
0
0
0
0
0,021258
5,7387
8,6552
4,9187
5,4115
9
166
0
0
0
0
0,14212
8,3429
13,066
5,9815
3,859
6
167
0
0
0
0
0
5,1225
5,3606
5,9781
7,179
1
168
0
0
0
0
0,013309
10,042
6,3505
4,9099
7,3747
6
169
0
0
0
0
0
5,7671
7,7435
8,5875
4,2171
8
170
0
0
0
0
1,5597
6,6343
7,6947
7,4126
6,6384
3
171
0
0
0
0
2,4815
8,9211
5,0177
4,9869
2,1989
3
172
0
0
0
1,0425
4,452
8,2037
7,4565
8,8555
1,6125
2
173
0
0
0
0
0
3,0899
10,915
9,6721
12,401
3
174
0
0
0
0
3,316
8,119
12,191
2,8794
3,9365
1
175
0
0
0
0
0,8863
10,842
5,7397
8,0311
9,6725
5
176
0
0
0
0
8,303
4,9589
8,145
5,989
6,4486
5
177
0
0
0
0
0,11421
9,0251
7,6574
6,7079
4,0688
12
178
0
0
0
0
0,065918
6,4024
13,809
8,1143
8,1209
8
179
0
0
0
0,69747
5,4217
7,0953
5,3341
6,0121
8,9579
3
180
0
0
0
0
4,3254
8,5831
5,4007
4,8613
3,3942
4
RIWAYAT HIDUP Penulis dilahirkan di Jakarta pada tanggal 9 Mei 1981 sebagai anak kedua dari pasangan Sapto Raharjo dan Sumaryati. Pendidikan Sarjana ditempuh di Program Studi Teknik Elektro, Fakultas Teknik Universitas Pancasila, lulus pada tahun 2004. Pada tahun 2013, penulis diterima di Program Studi Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Pascasarjana IPB. Beasiswa pendidikan pascasarjana, yaitu BPP-DN diperoleh dari DIKTI. Saat ini penulis bekerja sebagai Pranata Laboratorium Pendidikan di Politeknik Negeri Media Kreatif, Kementerian Riset Teknologi dan Pendidikan Tinggi
