PERBANDINGAN LOCAL BINARY PATTERN DAN FUZZY LOCAL BINARY PATTERN UNTUK EKSTRAKSI CITRA TUMBUHAN OBAT
FANI VALERINA
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012
PERBANDINGAN LOCAL BINARY PATTERN DAN FUZZY LOCAL BINARY PATTERN UNTUK EKSTRAKSI CITRA TUMBUHAN OBAT
FANI VALERINA
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 2012
ABSTRACT VALERINA FANI. Comparison of Local Binary Pattern and Fuzzy Local Binary Pattern for Tropical Medicinal Plant Extraction. Under the supervision of YENI HERDIYENI. This research implements Fuzzy Local Binary Pattern (FLBP) method for plant images feature extraction. FLBP is used to handle uncertainty on images with various patterns. FLBP approach is based on the assumption that a local image neighbourhood may be characterized by more than a single binary pattern. In order to improve the speed on image searcing, this research used Probabilistic Neural Network (PNN). This approach was experimentally evaluated and compared with the original LBP on a dataset of medicinal plant for images non-background and house plant for images with background. The database contains 1440 medicinal plant leaf images and 300 tree images belonging to 30 different types and is obtained from Biofarmaka IPB, Cikabayan Farm, Green house Center ExSitu Conservation of Medicinal Plant Indonesia Tropical Forest and Gunung Leutik. Experimental results show that FLBP is superior to LBP based on the increased accuracy in medicinal plant identification (FLBP: 66.33% vs LBP: 34.46% ). It can be concluded that this approach is capable to identify medicinal plants species efficiently and accurately. Keywords: fuzzy local binary pattern, plant extraction, probalistic neural network, texture feature.
Judul Skripsi Nama NRP
: Perbandingan Local Binary Pattern dan Fuzzy Local Binary Pattern untuk Ekstraksi Citra Tumbuhan Obat : Fani Valerina : G64070057
Menyetujui: Pembimbing
Dr. Yeni Herdiyeni, S.Si., M.Kom. NIP 19750923 200012 2 001
Mengetahui: Ketua Departemen Ilmu Komputer Institut Pertanian Bogor
Dr. Ir. Agus Buono, M.Si., M.Kom. NIP. 19660702 199302 1 001
Tanggal Lulus:
PRAKATA Alhamdulillahi Rabbil’ alamin, segala puji dan syukur penulis panjatkan kepada Allah Subhanahu wa Ta’ala atas limpahan rahmat dan hidayah-Nya, sehingga penulis dapat menyelesaikan tugas akhir yang berjudul Perbandingan Local Binary Pattern dan Fuzzy Local Binary Pattern untuk Ekstraksi Citra Tumbuhan Obat dengan lancar dan baik. Penelitian ini dilaksanakan mulai Maret 2011 sampai dengan Februari 2012, bertempat di Departemen Ilmu Komputer. Penulis juga menyampaikan terima kasih kepada pihak-pihak yang telah membantu dalam penyelesaian tugas akhir ini antara lain: 1 Ayahanda Bambang Irawan, Ibunda Eli Akmaliah, serta kakak-kakakku tercinta Mega Pratiwi dan Feby Wulandari yang tidak henti-hentinya memberikan doa, kasih sayang, dan dukungan kepada penulis. 2 Ibu Dr. Yeni Herdiyeni, S.Si., M.Kom. selaku dosen pembimbing yang telah memberikan arahan dan bimbingan dengan sabar kepada penulis dalam menyelesaikan skripsi ini. 3 Bapak Aziz Kustiyo, S.Si, M.Kom. dan Bapak Mushthofa, S.Kom., M.Sc. yang telah bersedia untuk menjadi penguji. 4 Fanny Risnuraini, Iyos Kusmana, Windy Widowati, Dimpy Adira Ratu, Cristina Pakistanti, dan Yoga Herawan sebagai teman satu bimbingan yang selalu memberikan masukan, saran, dan semangat kepada penulis. 5 Rilan M. Fiqri yang senantiasa setia menemani, memberikan doa, dukungan, dan kehangatan kepada penulis. 6 Nurisma, Dhieka Avrilia L, Ria Astriratma, dan Isna Mariam atas bantuan, dukungan, dan pertemanan yang hangat. 7 Rekan-rekan Ilkomerz 44 atas segala kebersamaan, bantuan, dan motivasi, dan kenangan indahnya. Semoga ketika kelak kita bertemu lagi, masing-masing dari kita telah memeroleh kesuksesannya masing-masing. Semoga tulisan ini dapat memberikan manfaat bagi para pembacanya. Terima kasih.
Bogor, Februari 2012
Fani Valerina
RIWAYAT HIDUP Fani Valerina dilahirkan di Bogor pada tanggal 12 Februari 1990 dari pasangan Ibu Eli Akmaliah dan Bapak Bambang Irawan. Pada tahun 2007, penulis lulus dari Sekolah Menengah Atas (SMA) Negeri 2 Bogor dan diterima di Program Studi Ilmu Komputer Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB (USMI). Penulis menjadi staf Departemen Informasi dan Komunikasi BEM FMIPA IPB 2008/2009. Pada tahun 2010, penulis melaksanakan kegiatan praktik kerja lapangan di Badan Penelitian dan Pengembangan Pertanian selama 35 hari. Selama mengikuti perkuliahan, penulis pernah menjadi asisten praktikum untuk Mata Kuliah Basis data (2010 dan 2011), Metode Kuantitatif (2010), Rekayasa Perangkat Lunak (2010), dan Sistem Pakar (2011) di Departemen Ilmu Komputer, IPB. Pada tahun 2011, penulis menjadi finalis PIMNAS XXIV di Universitas Hasanuddin, Makasar pada bidang PKM-Teknologi.
DAFTAR ISI Halaman DAFTAR TABEL............................................................................................................................. vi DAFTAR GAMBAR ........................................................................................................................ vi DAFTAR LAMPIRAN ..................................................................................................................... vi PENDAHULUAN ............................................................................................................................. 1 Latar Belakang............................................................................................................................... 1 Tujuan Penelitian ........................................................................................................................... 1 Ruang Lingkup Penelitian .............................................................................................................. 1 TINJAUAN PUSTAKA ..................................................................................................................... 1 Ekstraksi Fitur ............................................................................................................................... 1 Local Binary Pattern...................................................................................................................... 2 Fuzzy Local Binary Pattern (FLBP) ............................................................................................... 2 Probabilistic Neural Network (PNN) .............................................................................................. 3 METODE PENELITIAN ................................................................................................................... 4 Data Citra Tumbuhan ..................................................................................................................... 4 Praposes ........................................................................................................................................ 5 Ekstraksi Fitur Tekstur ................................................................................................................... 5 Klasifikasi dengan Probabilistic Neural Network (PNN)................................................................. 5 Pengujian dengan Sistem................................................................................................................ 6 Perangkat Keras dan Perangkat Lunak ............................................................................................ 6 HASIL DAN PEMBAHASAN........................................................................................................... 6 Hasil Praproses .............................................................................................................................. 6 Hasil Ekstraksi Tekstur dengan LBP dan FLBP .............................................................................. 6 Perbandingan Histogram Hasil Ekstraksi Tekstur dengan LBP dan FLBP ....................................... 7 Identifikasi Citra Operator FLBP .................................................................................................... 8 Pengembangan Sistem ................................................................................................................. 11 KESIMPULAN DAN SARAN......................................................................................................... 12 Kesimpulan.................................................................................................................................. 12 Saran ........................................................................................................................................... 12 DAFTAR PUSTAKA ...................................................................................................................... 12 LAMPIRAN .................................................................................................................................... 13
v
DAFTAR TABEL Halaman 1 Ukuran circular neighborhood ...................................................................................................... 5 2 Kelas citra tumbuhan obat yang tidak terklasifikasi dengan LBP .................................................. 10 3 Kelas citra tanaman hias yang tidak terklasifikasi dengan LBP ..................................................... 11
DAFTAR GAMBAR Halaman 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Skema komputasi LBP................................................................................................................. 2 Ukuran circular neighborhood. .................................................................................................... 2 Membership function m0( ) dan m1( ) sebagai fungsi dari pi ......................................................... 3 Skema komputasi FLBP, dengan F =10. ...................................................................................... 3 Struktur PNN............................................................................................................................... 4 Metode Penelitian. ....................................................................................................................... 4 Proses Fuzzy thresholding............................................................................................................ 5 Hasil praproses citra. ................................................................................................................... 6 Hasil ekstraksi LBP. .................................................................................................................... 6 Hasil ekstraksi FLBP. .................................................................................................................. 7 Perbandingan histogram LBP (a) dan histogram FLBP (b) pada citra tumbuhan obat. ................... 8 Hasil akurasi klasifikasi citra tumbuhan obat. ............................................................................... 9 Hasil akurasi klasifikasi citra tamanan hias. ................................................................................. 9 Perbandingan hasil akurasi identifikasi setiap kelas citra tumbuhan obat dengan LBP (a) dan FLBP (b). ............................................................................................................................ 10 15 Kelas citra tumbuhan obat yang selalu benar terklasifikasi. ........................................................ 10 16 Perbandingan hasil akurasi identifikasi setiap kelas citra tanaman hias dengan LBP (a) dan FLBP (b). ............................................................................................................................ 11 17 Kelas citra tanaman hias yang selalu benar terklasifikasi. ........................................................... 11
DAFTAR LAMPIRAN Halaman 1 Tiga puluh citra tumbuhan obat ................................................................................................... 14 2 Tiga puluh jenis citra tanaman hias .............................................................................................. 17 3 Antarmuka sistem ....................................................................................................................... 20
vi
1
PENDAHULUAN Latar Belakang Indonesia memiliki posisi penting dalam global biodiversity karena Indonesia termasuk dalam sepuluh negara di dunia yang kaya akan keanekaragaman hayati dan berpotensi sebagai salah satu sumber daya makanan dan tumbuhan obat bagi dunia. Kekayaan alam tumbuhan obat Indonesia terdiri atas 30 000 jenis tumbuhan dari total 40 000 jenis tumbuhan di dunia dengan 940 jenis di antaranya merupakan tumbuhan berkhasiat obat (Nugroho 2010). Usaha pelestarian dan pemanfaatan tumbuhan obat menggunakan ilmu pengetahuan dan teknologi untuk kesejahteraan masyarakat sangat sedikit dilakukan (Zuhud 2009). Salah satu upaya pelestarian dan pemanfaatan tumbuhan obat menggunakan teknologi adalah dengan mengembangkan sistem identifikasi tumbuhan obat secara otomatis. Kulsum (2010) telah melakukan ekstraksi fitur tanaman hias dengan Local Binary Pattern (LBP) descriptor dan klasifikasi dengan menggunakan Probabilistic Neural Network (PNN). Hasil ekstraksi dan klasifikasi tersebut dapat digunakan untuk membuat sistem identifikasi tanaman secara otomatis dengan masukan citra tanaman sehingga proses identifikasi dapat dilakukan dengan cepat. LBP merupakan metode ekstraksi fitur tekstur dengan membagi citra ke dalam beberapa local region dan mengekstraksi local region tersebut untuk mendapatkan pola biner lokal. Ojala et al. (2002) telah melakukan ekstraksi tekstur untuk klasifikasi tekstur Outex dan Brodatz dengan LBP. Ekstraksi tekstur juga dilakukan oleh Ahonen et al. (2006) dengan menggunakan LBP untuk pengenalan wajah. Pada dasarnya, LBP adalah metode yang secara teori dan perhitungannya sangat sederhana. LBP juga dapat mendeskripsikan pola-pola tekstur lokal dengan baik. Namun, LBP memiliki kelemahan dalam penentuan tresholding pada nilai keabuan piksel yang membuat penyajian teksturnya sensitif terhadap noise. Hasil threshold pada original LBP terkadang menghasilkan pengodean pola biner yang tidak sesuai dengan kandungan nilai pikselnya. Hal ini dikarenakan adanya ketidakpastian yang diakibatkan oleh noise. Iakovidis et al. (2008) menggunakan fuzzy logic untuk mengatasi ketidakpastian pada representasi tekstur LBP yang dikenal sebagai metode Fuzzy Local Binary Pattern (FLBP). Metode tersebut digunakan untuk karakterisasi
tekstur Ultrasound dengan akurasi mencapai 84%. Akurasi ini merupakan akurasi tertinggi dibandingkan dengan menggunakan metode LBP dan Co-occurrence Matrix (CM). Penelitian ini menerapkan metode FLBP untuk ekstraksi tekstur citra tumbuhan obat, kemudian fitur tekstur akan diklasifikasi menggunakan PNN. Selain menggunakan citra tumbuhan obat, penelitian ini juga menggunakan citra tanaman hias yang sebelumnya digunakan oleh Kulsum (2010). Hasil ekstraksi tekstur pada citra akan dibandingkan antara metode FLBP dengan LBP. Tujuan Penelitian Tujuan penelitian ini adalah mengetahui perbandingan hasil ekstraksi citra tumbuhan antara metode Local Binary Pattern dan Fuzzy Local Binary Pattern. Ruang Lingkup Penelitian Ruang lingkup penelitian ini adalah: 1 Data diperoleh dari hasil pengambilan citra bagian daun tumbuhan obat sebanyak 30 jenis menggunakan kamera digital yang berasal dari kebun Biofarmaka, Cikabayan dan rumah kaca Pusat Konservasi Ex-situ Tumbuhan Obat Hutan Tropika Indonesia, Fahutan, IPB. Data citra tanaman hias yang digunakan adalah 30 jenis tanaman hias yang diperoleh dari penelitian Kulsum (2010) dengan gambar citra keseluruhan. 2 Dalam penelitian ini, metode yang digunakan R yang mengacu pada konsep original LBP.
TINJAUAN PUSTAKA Ekstraksi Fitur Fitur tekstur merupakan gambaran visual dari sebuah permukaan atau bahan. Tekstur dicirikan dengan variasi intensitas pencahayaan pada sebuah citra. Variasi intensitas pencahayaan tersebut dapat disebabkan oleh kekasaran atau perbedaan warna pada suatu permukaan. Tekstur juga memuat informasi area, keseragaman, kepadatan, kekasaran, keberaturan, linearitas, keberarahan, dan frekuensi. Menurut Mäenpää (2003) penampilan tekstur dipengaruhi oleh skala dan arah pandangan, serta lingkungan dan kondisi pencahayaan.
2
Tekstur Tekstur adalah gambaran visual dari sebuah permukaan. Tekstur permukaan berasal dari keragaman bentuk, iluminasi, bayangan, absorbsi, dan refleksi. Dalam citra digital, tekstur dicirikan dengan variasi intensitas atau warna. Variasi intensitas disebabkan oleh perbedaan warna pada suatu permukaan. Tekstur merupakan properti dari area. Properti-properti dari tekstur citra meliputi: keseragaman, kepadatan, kekasaran, keberaturan, linearitas, keberarahan, dan frekuensi (Mäenpää 2003). Local Binary Pattern (LBP) LBP pertama kali diperkenalkan pada tahun 1996 oleh Ojala untuk mendeskripsikan tekstur dalam mode grayscale. Operator LBP didasarkan pada 33 ketetanggaan yang merepresentasikan tekstur lokal di sekitar pusat piksel seperti yang diilustrasikan pada Gambar 1(a) (Iakovidis 2008). Dalam representasi tekstur LBP, setiap pola direpresentasikan oleh sembilan elemen pcen e p p p , dengan pcen e merepresentasikan nilai intensitas pada piksel pusat dan pi i merepesentasikan nilai piksel sekelilingnya (circular sampling). Nilai delapan ketetanggaan yang mengelilingi pusat piksel dapat dicirikan oleh nilai biner di i seperti pada Gambar 1(b), yang diperoleh menggunakan persamaan (1).
Berdasarkan nilai biner tersebut, setiap ketetanggaan memiliki nilai LBP yang dihasilkan oleh formula berikut: di
LBP
i
i
(3) Nilai yang dihasilkan menunjukkan kode Local Binary Pattern. Kode-kode LBP tersebut akan direpresentasikan melalui histogram. Histogram akan menunjukkan frekuensi kejadian berbagai nilai LBP. Untuk ukuran citra N×M, keseluruhan nilai LBP dapat direpresentasikan dengan membentuk histogram berikut: f
H(k) = i
R
ij k k
j
(4)
f
(5)
=
dengan K merupakan nilai LBP terbesar. Operator LBP juga dapat dikembangkan menggunakan berbagai ukuran sampling points dan radius (Gambar 2). Pada piksel ketetanggaan, akan digunakan notasi (P,R) dimana P merupakan sampling points dan R merupakan radius (Ahonen 2008).
pi
d=
(1)
pi
(8,1)
dengan pi
pi
Threshold
pcen e
(2) Weights
(16,2)
(8,2)
Gambar 2 Ukuran circular neighborhood. Fuzzy Local Binary Pattern (FLBP) Fuzzifikasi pada pendekatan LBP meliputi transformasi variabel input menjadi variabel fuzzy berdasarkan sekumpulan fuzzy rule. Dalam hal ini, digunakan dua fuzzy rule untuk mendapatkan nilai biner dan nilai fuzzy berdasarkan deskripsi relasi antara nilai pada circular sampling pi dan piksel pusat pcen e (Iakovidis 2008), yaitu :
(a)
(b)
(c)
Nilai LBP : 1 + 2 + 8 + 64 + 128 = 203 Gambar 1 Skema komputasi LBP.
Rule R0: Jika nilai pi lebih negatif, nilai kepastian terbesar dari di adalah 0. Rule R1: Jika nilai pi lebih positif, nilai kepastian terbesar dari di adalah 1.
3
Total kontribusi ketetanggaan 33 ke dalam bin histogram FLBP, yaitu: (9)
Gambar 3 Membership function m dan m sebagai fungsi dari pi. Dari rules R0 dan R1, dua membership function m dan m dapat ditentukan. Fungsi m mendefinisikan bahwa derajat di adalah 0. Membership function m adalah fungsi menurun (Gambar 3) yang didefinisikan sebagai berikut:
m i
pi
Pada Gambar 4, pendekatan FLBP menghasilkan dua kode LBP sebagai penciri ketetanggaan 3x3. Kode LBP tersebut akan direpresentasikan dengan histogram yang dihitung dengan menjumlahkan kontribusi dari setiap nilai LBP. 0; 1 1; 1 0; 1 1; 1
0; 0.1
1; 1 1; 1 0; 1
0; 1 1; 1 0; 1 1; 1
1; 0.9
1; 1 1; 1 0; 1
(106; 0,1) (122; 0.9)
pi
–
histogram
pi (6) Sementara, membership function m mendefinisikan bahwa derajat di adalah 1. Fungsi m didefinisikan sebagai berikut (Gambar 3):
m i
pi
–
Probabilistic Neural Network (PNN)
pi
pi (7) merepresentasikan parameter yang akan mengontrol derajat ketidakpastian. Metode original LBP hanya menghasilkan satu kode LBP saja, sedangkan metode FLBP akan menghasilkan satu atau lebih kode LBP. Gambar 4 menyajikan contoh pendekatan FLBP. Dua kode LBP (122, 106) mencirikan ketetanggaan 3x3. Masing-masing nilai LBP yang dihasilkan memiliki tingkat kontribusi (0.9, 0.1) yang berbeda, bergantung pada nilainilai fungsi keanggotaan m dan m yang dihasilkan. Untuk ketetanggaan 33, kontribusi CLBP dari setiap kode LBP pada histogram FLBP didefinisikan sebagai berikut (Keramidas 2008): mdi i
Gambar 4 Skema komputasi FLBP, dengan F =10.
(8)
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. Training data PNN mudah dan cepat. Menurut Wu et al. (2007), PNN memiliki struktur sederhana dan training 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 k nilai ciri yang akan diklasifikasikan pada n kelas. Struktur PNN ditunjukkan pada Gambar 5. Proses-proses yang terjadi setelah lapisan masukan adalah: 1 Lapisan pola (pattern layer) Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan. Setiap node pola merupakan perkalian titik (dot product) dari vektor masukan yang akan
4
diklasifikasikan dengan vektor bobot ij , yaitu i ij, i kemudian dibagi d g b t rt tu σ d jut dimasukkan ke dalam fungsi radial basis, yaitu adba n e p -n . Dengan demikian, persamaan yang digunakan pada lapisan pola adalah. f
- ij
e p
- ij
(10)
σ
tumbuhan obat 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, yang masingmasing terdiri atas 30 kelas. Setiap jenis daun terdiri atas 24 pose citra bagian depan dan 24 pose citra bagian belakang sehingga terdapat 1 440 total citra daun tumbuhan obat yang disajikan pada Lampiran 1. Penelitian ini juga menggunakan 300 citra keseluruhan tanaman hias dari Kebun Raya Bogor yang digunakan oleh Kulsum (2010). Penggunaan data citra tanaman hias ini bertujuan menganalisis kinerja FLBP pada citra yang memiliki latar belakang. Tiga puluh jenis tanaman hias yang digunakan disajikan pada Lampiran 2. Citra Tumbuhan Obat
Citra Keseluruhan
Lapisan Masukan
Lapisan Pola
Lapisan Penjumlahan
Citra Daun
Lapisan Keputusan
Gambar 5 Struktur PNN. 2 Lapisan penjumlahan (summation layer) Citra Grayscale
Lapisan penjumlahan menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Persamaan yang digunakan pada lapisan ini adalah:
Ekstraksi Tekstur
t
p(x) k
j k
k
j
σ (11)
3
Lapisan keluaran (output layer) Lapisan keluaran menentukan kelas dari input yang diberikan. Input x akan masuk ke Y jika nilai p paling besar dibandingkan dengan kelas lainnya.
LBP
FLBP
Histogram LBP
Histogram FLBP
PNN
Citra Kueri
Ekstraksi Tekstur
METODE PENELITIAN Penelitian ini dilakukan dalam beberapa tahap. Tahap-tahap tersebut diselesaikan dengan metode penelitian yang dapat dilihat pada Gambar 6. Data Citra Tumbuhan Citra yang digunakan diperoleh dari pemotretan tiga puluh jenis citra daun dari
PNN
Model Klasifikasi LBP
Hasil Identifikasi Citra
Histogram
Model Klasifikasi FLBP
Hasil Identifikasi Citra
Gambar 6 Metode Penelitian.
5
Praposes Pada tahap praproses, dilakukan perbaikan pada citra daun dan citra keseluruhan. Selanjutnya, citra tersebut diubah menjadi mode grayscale untuk diproses pada tahap ekstraksi.
merupakan banyaknya nilai piksel pi yang berada di rentang fuzzy antara –F sampai F. Seperti pada ilustrasi pada Gambar 7 dengan F = 10. 12
Ekstraksi Fitur Tekstur Proses ekstraksi teksur pada penelitian ini menggunakan metode R . Citra akan dibagi ke dalam beberapa blok (local region) sesuai dengan operator circular neighborhood (sampling points dan radius) yang digunakan. Penelitian ini menggunakan dua ukuran circular neighborhood yang disajikan pada Tabel 1.
8
-20
-30
-15
20 15
5
Kode LBP
Tabel 1 Ukuran circular neighborhood (P,R)
Ukuran Blok (piksel)
Kuantisasi sudut
(8,1)
3x3
45 derajat
(8,2)
5x5
45 derajat
Derajat keanggotaan piksel Gambar 7 Proses Fuzzy thresholding.
Ekstraksi tekstur dilakukan dengan konvolusi blok citra menggunakan operator yang disajikan pada Tabel 1. Nilai LBP akan direpresentasikan melalui histogram FLBP. Histogram tersebut menggambarkan frekuensi dari kontribusi nilai LBP yang muncul pada sebuah citra. Masing-masing blok diektraksi menggunakan metode R. Ekstraksi tekstur R dilakukan dengan mengolah setiap blok menggunakan persamaan (2) untuk mencari selisih dari piksel tetangga dengan piksel pusat. Dari setiap blok pi yang didapat, akan dihasilkan satu atau lebih nilai LBP dan nilai kontribusinya. Blok yang berisikan nilai pi, selanjutnya akan melalui proses fuzzy tresholding berdasarkan Rule R0 dan Rule R1 dengan aturan berikut: pi di
-
pi
pi Parameter fuzzifikasi (F) yang digunakan dalam penelitian berkisar antara 0 sampai 20 untuk citra tumbuhan obat, sedangkan untuk citra tanaman hias berkisar antara 0 sampai 40. Parameter F = 0 merupakan original LBP yang akan dibandingkan hasilnya dengan penggunaan parameter F > 0 sebagai hasil dari metode FLBP. Melalui proses fuzzy tresholding, akan dihasilkan nilai LBP sebanyak 2n, dengan n
Pada ilustrasi di atas terdapat dua nilai ). yang berada di rentang fuzzy (pi Akan dihasilkan sebanyak 22 = 4 nilai biner yaitu, 11001110, 11000110, 10001110, dan 10000110. Nilai biner tersebut akan menghasilkan nilai LBP menggunakan persamaan (3). Selain itu, nilai biner juga menentukan perhitungan masuknya nilai pi ke membership function yang akan menghasilkan nilai derajat keanggotaan dari setiap piksel. Nilai biner 0 akan didefinisikan dengan fungsi m pada persamaan (6), sedangkan nilai biner 1 akan didefinisikan dengan fungsi m pada persamaan (7). Hasil dari pengolahan setiap blok direpresentasikan melalui histogram, dengan frekuensinya merupakan penjumlahan dari kontribusi nilai LBP seluruh blok pada citra. Kontribusi masing-masing nilai LBP didapatkan dengan persamaan (8). Jumlah nilai kontribusi pada tiap blok ketetanggaan 3x3 adalah 1 (persamaan (9)). Jumlah bin pada histogram FLBP sebanyak 2P, dengan P merupakan jumlah dari sampling points. Klasifikasi dengan Probabilistic Neural Network (PNN) Setelah proses ekstraksi citra dilakukan, diperoleh hasil vektor histogram untuk setiap operator. Tahap selanjutnya adalah menglasifikasi vektor-vektor histogram tersebut dengan PNN. Klasifikasi dilakukan dengan membagi data latih dan data uji. Data uji yang digunakan pada data citra daun tumbuhan obat sebanyak 10 citra dari setiap kelas dan untuk data citra tanaman hias sebanyak tiga citra dari
6
setiap kelas. Selanjutnya, diperoleh model klasifikasi dari hasil training data. Model klasifikasi digunakan untuk proses pengujian. Setiap citra harus diekstraksi terlebih dahulu. Hasil identifikasi citra menggunakan FLBP akan dibandingkan dengan hasil identifikasi citra keseluruhan menggunakan LBP. Klasifikasi dilakukan 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 dengan Sistem Pengujian data dilakukan oleh sistem dengan penilaian tingkat keberhasilan klasifikasi terhadap citra kueri. Evaluasi 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: aku a i
ban akn a p edik i ang bena o al ban akn a p edik i
Psidium guajava L.
Anthurium sp. Gambar 8 Hasil praproses citra. Hasil Ekstraksi Tekstur dengan LBP dan FLBP Citra hasil praproses digunakan sebagai masukan pada proses ekstraksi dengan Ekstraksi dilakukan R. R menggunakan ukuran circular neighborhood yang tertera pada Tabel 1. Fitur FLBP yang dihasilkan diekstrak dengan menggunakan parameter fuzzifikasi (F) yang berbeda. Penggunaan F = 0 menghasilkan fitur LBP. Hasil ekstraksi dengan menggunakan LBP dapat dilihat pada Gambar 9.
(12)
Perangkat Keras dan Perangkat Lunak Perangkat keras yang digunakan dalam penelitian ini adalah processor I t ® C r ™ Duo 2.10 GHz, memori DDR3 RAM 2.00 GB, dan harddisk 320 GB. Perangkat lunak yang digunakan adalah Sistem Operasi Windows 7 Ultimate, library OpenCv 2.1, dan Visual C++.
HASIL DAN PEMBAHASAN Hasil Praproses
Perbaikan data citra tumbuhan obat pada tahap praproses dilakukan dengan menyeleksi objek satu daun dan memperkecil ukuran citra menjadi 270x240 piksel. Pada data citra keseluruhan, Kulsum (2010) melakukan tahap praproses dengan memotong citra untuk mendapatkan objek tanaman hias dan memperkecil ukuran citra menjadi 270x210 piksel. Mode warna citra keseluruhan dan citra daun kemudian diubah menjadi grayscale untuk proses ekstraksi selanjutnya. Hasil praproses data bertujuan mengurangi waktu pemrosesan data (running time). Hasil praproses data dapat dilihat pada Gambar 8.
Jatropha curcas Linn. 247
251
253 251 252
240
190
152 211 250
159
130
114 158 219
104
85
96
107 160
74
69
80
89
117
Nilai keabuan piksel (a) 135 159
31
135 143
14
143
31
15
Nilai LBP (b) Gambar 9 Hasil ekstraksi LBP. Pada Gambar 9, diambil sebagian kecil daerah citra tumbuhan obat sebesar 5x5 piksel. Setiap blok pada citra tersebut diekstraksi dengan metode LBP menggunakan ukuran sampling point P = 8 dan radius R = 1 yang menghasilkan satu nilai LBP. Nilai LBP tersebut didapatkan dari proses tresholding antara piksel pusat dan piksel tetangga. Nilainilai piksel yang terkandung pada Gambar 9(a) hampir memiliki pola nilai yang seragam.
7
Namun, setelah diekstraksi, representasi tekstur nilai LBP yang dihasilkan pada Gambar 9(b) memiliki rentang nilai LBP yang jauh berbeda antara beberapa blok ketetanggaan. Hasil ekstraksi menggunakan FLBP dengan parameter fuzzifikasi F = 19 dapat dilihat pada Gambar 10 yang menunjukkan matriks hasil nilai LBP dengan menggunakan fuzzifikasi. Pada proses fuzzifikasi, satu daerah ketetanggaan 3x3 akan menghasilkan satu sampai 2n nilai LBP dengan n merupakan banyaknya nilai pi (selisih antara piksel pusat dan piksel tetangga) yang masuk kedalam rentang fuzzy. Proses tersebut dapat mengatasi masalah representasi tekstur yang dihasilkan oleh metode original LBP yang cenderung memiliki perbedaan rentang nilai LBP yang jauh antara tetangganya.
Masing-masing nilai LBP yang dihasilkan memiliki kontribusi (CLBP) yang berbeda. Nilai LBP dengan kontribusi terbesar adalah nilai LBP yang sama besarnya dengan hasil dari original LBP. Pada Gambar 10(b), dapat dilihat piksel pusat memiliki delapan nilai LBP. Nilai LBP = 143 adalah nilai yang juga dihasilkan oleh metode original LBP. Nilai LBP tersebut memiliki kontribusi tertinggi dibandingkan dengan yang lainnya, yaitu sebesar 0.613. Besarnya kontribusi menggambarkan derajat keanggotaan. Nilainilai LBP yang dihasilkan pada piksel pusat dapat menggambarkan kedekatan nilai antara piksel tetangga yang mengelilinginya. Maka dari itu, dengan menggunakan FLBP akan dihasilkan representasi tekstur yang lebih seragam dan lebih halus dibandingkan dengan menggunakan metode LBP. Perbandingan Histogram Hasil Ekstraksi Tekstur dengan LBP dan FLBP Hasil ektraksi yang dihasilkan dengan original LBP dan FLBP direpresentasikan dalam bentuk histogram. Perbandingan hasil ektraksi antara LBP dan FLBP dalam bentuk histogram dapat dilihat pada Gambar 11. Histogram LBP tersebut merupakan hasil ekstraksi R dengan parameter fuzzifikasi F = 0. Sementara itu, histogram FLBP dihasilkan dari ekstraksi dengan menggunakan F = 19.
Jatropha curcas Linn. 247
251
253 251
252
240
190
152 211
250
159
130
114 158
219
104
85
96
107
160
74
69
80
89
117
Nilai keabuan piksel (a) 135
143; 159
15; 31
135; 143
143; 159; 15; 31; 175; 191; 47; 63
14; 15; 30; 31
135; 143; 151; 159; 167; 175; 183; 191; 199; 207; 215; 223; 231; 239; 247; 255
5; 7; 13; 15;21; 23; 29;31; 37;39;45; 47;53; 55; 61;63; 133; 135; 141;143;149; 151; 157; 159; 165; 167;173; 175; 181; 183;189; 191
15; 31; 143; 159
Nilai LBP (a) Gambar 10 Hasil ekstraksi FLBP. Banyaknya nilai LBP yang dihasilkan setiap blok ketetanggaan bergantung pada variasi nilai piksel yang ada pada blok tersebut. Terlihat pada blok ketetanggaan dengan piksel pusat 96 yang menghasilkan nilai LBP yang lebih banyak dibandingkan dengan blok lainnya karena pada blok ketetanggan tersebut terdapat nilai-nilai piksel yang sangat variatif dibandingkan dengan blok lainnya.
Frekuensi histogram yang ditunjukan Gambar 11 merupakan pertambahan CLBP dari nilai LBP yang dihasilkan. Panjang bin yang dihasilkan pada histogram R bergantung pada jumlah sampling points (P) yang digunakan, yaitu 2P. Pada penelitian ini, jumlah P yang digunakan adalah 8 sehingga jumlah bin 8 pada histogram R sebanyak 2 = 256 bin. Dapat dilihat pada Gambar 11, histogram LBP memiliki frekuensi yang sangat fluktuatif sehingga kurang bisa menggambarkan pola dengan baik. Bin yang berada pada rentang 0-35 pada histogram LBP yang terlihat sangat fluktuatif. Kekurangan itu disebabkan proses tresholding pada LBP menyebabkan representasi teksturnya kurang baik. Dibandingkan dengan histogram FLBP, bin 0-35 frekuensinya cenderung lebih seragam. Hal ini dikarenakan FLBP dapat menghasilkan lebih dari 1 nilai LBP yang memiliki kedekatan nilai dengan piksel tetangganya sehingga representasi teksturnya lebih baik.
Histogram LBP
500 450 400 350 300 250 200 150 100 50 0
0 7 14 21 28 35 42 49 56 63 70 77 84 91 98 105 112 119 126 133 140 147 154 161 168 175 182 189 196 203 210 217 224 231 238 245 252
Frekuensi
8
Nilai LBP
Histogram FLBP
500 450 400 350 300 250 200 150 100 50 0
0 7 14 21 28 35 42 49 56 63 70 77 84 91 98 105 112 119 126 133 140 147 154 161 168 175 182 189 196 203 210 217 224 231 238 245 252
Frekuensi
(a)
Nilai LBP
(b) Gambar 11 Perbandingan histogram LBP (a) dan histogram FLBP (b) pada citra tumbuhan obat. Identifikasi Citra Operator FLBP Identifikasi dilakukan dengan menggunakan Probabilistic Neural Network (PNN) classifier. Hasil ekstraksi citra menggunakan seluruh operator FLBP menghasilkan vektor-vektor histogram. Klasifikasi pada citra tumbuhan obat dilakukan dengan membagi data latih 38 citra dan data uji 10 citra, sedangkan pada citra tanaman hias dilakukan dengan membagi data latih tujuh citra dan data uji tiga citra. Hasil identifikasi oleh descriptor R untuk citra tumbuhan obat disajikan pada Gambar 12 dan citra tanaman hias disajikan pada Gambar 13. Grafik menunjukkan hasil identifikasi fitur-fitur FLBP yang diekstrak menggunakan nilai parameter fuzzifikasi (F) yang berbeda. Parameter F = 0 menunjukkan hasil dari original LBP. Hasil akurasi didapatkan dengan melakukan klasifikasi pada setiap parameter. Pengujian parameter F dilakukan untuk mencari nilai F optimum yang menghasilkan akurasi terbaik. Pada grafik dapat dilihat bahwa metode FLBP lebih baik dibandingkan dengan LBP karena meningkatkan akurasi untuk setiap F > 0.
Gambar 12 menunjukkan bahwa hasil identifikasi citra tumbuhan obat dengan parameter fuzzifikasi F = 4 menghasilkan akurasi tertinggi di setiap operator R, yaitu 65% untuk operator (8,1) dan 66.33% untuk operator (8,2). Hasil identifikasi terbaik pada citra tanaman hias yang ditunjukan pada Gambar 13. Hasil grafik menunjukkan akurasi terbaik pada operator (8,1) diperoleh menggunakan F = 19 dan F = 18 dengan akurasi sebesar 76.66% dan untuk operator (8,2) didapatkan akurasi terbaik sebesar 81.11% dengan parameter F = 18. Pada tanaman hias, dua parameter berbeda menghasilkan akurasi yang sama, namun parameter terbaik yang digunakan adalah parameter terkecil, yaitu F = 18. Hal ini dikarenakan adanya pengaruh besarnya parameter terhadap waktu komputasi. Semakin besar rentang nilai parameter, semakin banyak piksel yang harus diproses dalam perhitungan fuzzy. Citra tanaman hias memiliki gambar yang lebih kompleks sehingga rentang parameter yang digunakan lebih besar dibandingkan dengan citra tumbuhan obat. Semakin beragam nilai piksel pada citra, rentang fuzzy akan semakin besar.
Akurasi (%)
9
FLBP (8,1)
100 90 80 70 60 50 40 30 20 10 0 0
1
2
3
4
5
6
7
8 9 10 11 12 13 14 15 16 17 18 19 20 Parameter fuzzifikasi F
Akurasi (%)
(a) FLBP (8,2)
100 90 80 70 60 50 40 30 20 10 0 0
1
2
3
4
5
6
7 8 9 10 11 12 13 14 15 16 17 18 19 20 Parameter fuzzifikasi F
(b)
Akurasi (%)
Gambar 12 Hasil akurasi klasifikasi citra tumbuhan obat. FLBP (8,1)
100 90 80 70 60 50 40 30 20 10 0 0
2
4
6
8
10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 Parameter fuzzifikasi F
Akurasi (%)
(a) FLBP (8,2)
100 90 80 70 60 50 40 30 20 10 0 0
2
4
6
8
10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 Parameter fuzzifikasi F
(b) Gambar 13 Hasil akurasi klasifikasi citra tamanan hias.
10
Pengujian data Pengujian identifikasi citra dilakukan oleh sistem. Sistem yang dibuat bernama Fexsys. Citra kueri masukan akan diekstraksi dan diidentifikasi. Kemudian, sistem akan mengeluarkan hasil ekstraksi dan hasil identifikasi citra kueri tersebut. Hasil identifikasi citra akan mengeluarkan nama citra kueri dan informasi lebih lanjut mengenai citra kueri tersebut. Sepuluh data uji untuk setiap kelas digunakan untuk mengidentifikasi citra tumbuhan obat oleh sistem. Hasil akurasi identifikasi setiap kelas ditunjukan oleh Gambar 14. Grafik pada gambar didapat dari hasil akurasi LBP yang dibandingkan dengan hasil akurasi tertinggi FLBP (8,2) dengan F = 4.
Akurasi (%)
LBP (8,2) 100 90 80 70 60 50 40 30 20 10 0 1
3
5
7
9
11
13
15
17
19
21
23
25
27
Oleh karena itu, identifikasi daun yang memiliki variasi warna memerlukan konsep fuzzy. Tabel 2 Kelas citra tumbuhan obat yang tidak terklasifikasi dengan LBP Kelas
Nama
14
Tabat Barito
15
Nandang Gendis
21
Nanas Kerang
23
Remak Daging
24
Kumis Kucing
25
Kemuning
Citra Tumbuhan Obat
29
Kelas
(a)
Akurasi (%)
FLBP(8,2) dengan F = 4 100 90 80 70 60 50 40 30 20 10 0
1
3
5
7
9 11 13 15 17 19 21 23 25 27 29
Gambar 14 Perbandingan hasil akurasi identifikasi setiap kelas citra tumbuhan obat dengan LBP (a) dan FLBP (b).
Pada hasil klasifikasi dengan menggunakan FLBP, dari 30 kelas ada sebanyak 4 kelas yang selalu benar terklasifikasi dengan akurasi 100%. Kelas-kelas tersebut antara lain kelas 2 (Jatropha curcas Linn), kelas 7 (Centella asiatica), kelas 26 (Mesona palustris), dan kelas 29 (Psidium guajava L.).
Pada Gambar 14(a), terdapat enam kelas citra tumbuhan obat yang tidak terklasifikasi dengan metode LBP, namun kelas-kelas tersebut dapat terklasifikasi dengan menggunakan metode FLBP (Gambar 14(b)). Enam kelas tersebut dapat dilihat pada Tabel 2.
Kelas citra tumbuhan obat yang selalu terklasifikasi dengan benar memiliki warna yang seragam dan kualitas citra yang baik, dari segi pencahayaan maupun kontras. Gambar 15 adalah contoh citra yang selalu terklasifikasikan dengan benar.
Kelas-kelas yang tidak terklasifikasi dengan menggunakan LBP memiliki perbedaan warna antara daun bagian depan dan bagian belakang. Selain itu, warna daun juga bergradasi. Dengan menggunakan fuzzy, kelas-kelas tersebut dapat diklasifikasi meskipun akurasinya tidak tinggi.
Gambar 15 Kelas citra tumbuhan obat yang selalu benar terklasifikasi.
Kelas
(b)
11
Akurasi (%)
Pada citra tanaman hias, diambil tiga data uji di setiap kelas untuk diidentifikasi oleh sistem. Gambar 16 menunjukkan hasil akurasi identifikasi setiap kelas citra tanaman hias. Grafik pada gambar didapat dari hasil akurasi LBP yang dibandingkan dengan hasil akurasi tertinggi FLBP (8,2) dengan F = 18. LBP (8,2)
100 90 80 70 60 50 40 30 20 10 0
Kelas-kelas yang tidak terklasifikasi dengan menggunakan LBP memiliki background yang berbeda-beda pada setiap citra, namun dengan menggunakan fuzzy kelas-kelas tersebut dapat terklasifikasi. Kelas citra tanaman hias yang selalu terklasifikasi dengan benar memiliki jenis daun dengan warna yang bergradasi dan memiliki komposisi background yang hampir seragam. Gambar 17 adalah contoh citra yang selalu terklasifikasikan dengan benar.
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 Kelas
(a)
Akurasi (%)
FLBP(8,2) dengan F = 18 100 90 80 70 60 50 40 30 20 10 0 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 Kelas
(b) Gambar 16 Perbandingan hasil akurasi identifikasi setiap kelas citra tanaman hias dengan LBP (a) dan FLBP (b). Pada Gambar 16(a), terdapat dua kelas citra tumbuhan obat yang tidak terklasifikasi dengan metode LBP, namun kelas-kelas tersebut dapat terklasifikasi dengan menggunakan metode FLBP. Dua kelas tersebut dapat dilihat pada Tabel 3. Tabel 3 Kelas citra tanaman hias yang tidak terklasifikasi dengan LBP Kelas
Nama
16
Anggrek Batu
29
Nanas Kuning
Citra Tanaman Hias
Gambar 17 Kelas citra tanaman hias yang selalu benar terklasifikasi. Berdasarkan hasil pengujian setiap kelas baik citra tumbuhan obat maupun tanaman hias, menjadi descriptor terbaik yang digunakan untuk tahap proses ekstraksi. Nilai akurasi terbaik yang didapatkan menggunakan 66.33% untuk citra tumbuhan obat dengan F = 4 dan sebesar 81.11% untuk citra tanaman hias dengan F = 18. Hasil akurasi pada citra tanaman hias yang dihasilkan meningkat 7.78% dari penelitian sebelumnya yang dilakukan oleh Kulsum (2010) menggunakan descriptor dengan pencapaian akurasi sebesar 73.33%. Citra keseluruhan tanaman hias dengan gambar citra yang memiliki background menghasilkan akurasi yang baik dibandingkan dengan citra bagian daun tumbuhan obat, karena metode FLBP sangat cocok untuk citra yang memiliki struktur tekstur yang kompleks. Pengembangan Sistem Pengembangan sistem pada penelitian ini menggunakan Visual C++ yang dibantu dengan library OpenCV 2.1 untuk pengolahan citra. Sistem yang dibangun dapat melakukan ekstraksi database citra yang akan diproses pada tahap pelatihan. Setelah melalui tahap pelatihan data, sistem dapat melakukan identifikasi dengan masukan citra tumbuhan. Antarmuka sistem yang telah dibangun dapat dilihat pada Lampiran 3.
12
KESIMPULAN DAN SARAN Kesimpulan Penerapan FLBP untuk representasi tekstur yang lebih baik berhasil diimplementasikan. FLBP dapat mengatasi masalah representasi tekstur yang dihasilkan oleh metode original LBP dengan cara menghasilkan nilai-nilai LBP yang menggambarkan hubungan kedekatan antara piksel. Hasil akurasi yang disajikan juga menunjukkan bahwa kinerja fitur FLBP lebih unggul dibandingkan dengan kinerja yang diperoleh dari fitur original LBP. Metode dengan F = 4 merupakan descriptor terbaik untuk identifikasi citra tumbuhan obat dengan akurasi klasifikasi 66.33%. Demikian pula pada citra tanaman hias, penggunaan descriptor menghasilkan akurasi terbaik sebesar 81.11% dengan F = 18. Citra keseluruhan tanaman hias dengan gambar citra yang memiliki background menghasilkan akurasi yang baik dibandingkan dengan citra bagian daun tumbuhan obat, karena metode FLBP sangat cocok untuk citra yang memiliki struktur tekstur yang kompleks. Saran Perbanyakan database citra dengan kualitas yang baik perlu dilakukan untuk mendapatkan identifikasi citra yang lebih sesuai. Pengembangan menggunakan komputasi paralel untuk mendapatkan parameter fuzzy yang optimal karena metode FLBP memiliki waktu komputasi yang eksponensial.
DAFTAR PUSTAKA Acharya T, Ray A. 2005. Image Processing Principles and Aplications. New Jersey: John Wiley & Sons Inc. Ahonen T, Pietikainen M. 2008. Soft Histogram for Local Binary Patterns. Oulu: Oulu University Press.
Iakovidis DK, Keramidas EG, Maroulis D. 2008. Fuzzy Local Binary Patterns for ultrasound texture characterization. Di dalam: A. Campilho and M. Kamel, editor. Proceedings of the 5th International Conference on Image Analysis and Recognition; Póvoa de Varzim, 25-27 Jun 2008. Heidelberg: Spinger. hlm 750-759. Keramidas EG, Iakovidis DK, Maroulis D, Dimitropoulos N. 2008. Thyroid texture representation via noise resistant image feature. Di dalam: Computer-Based Medical System, editor. Proceedings of the 2008 21st IEEE International Symposium; Jyvaskyla, 17-19 Jun 2008. Washington: IEEE Computer Society. hlm 560-565. Kulsum LU. 2010. Identifikasi tanaman hias secara otomatis menggunakan metode Local Binary Patterns descriptor dan Probabilistic Neural Network .[skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Nugroho IA. 2010. Lokakarya tumbuhan obat Indonesia[editorial]. Asia Pasific Forest Genetic Resource Programme 2: 1-2. Mäenpää T. 2003. The Local Binary Pattern Approach to Texture Analysis. Oulu: Oulu University Press. Ojala T, Pietikäinen M, Mäenpää T. 2002. Multiresolution gray-Scale and rotation invariant texture classification with Local Binary Pattern. IEEE Transactions on PAMI 24(7): 2037-2041. Wu SG, et al. 2007. A Leaf Recognition Algorithm for Plant Using Probabilistic Neural Network. Cina: Chinese Academy Science. Zuhud EAM. 2009. Potensi hutan tropika sebagai penyangga bahan obat alam untuk kesehatan bangsa. Jurnal Bahan Alam Indonesia VI(6).
13
LAMPIRAN
14
Lampiran 1 Tiga puluh citra tumbuhan obat No
Nama (Nama Latin)
Khasiat
Pandan Wangi (Pandanus amaryllifolius Roxb)
Mengatasi rambut rontok, menghitamkan rambut, menghilangkan ketombe, lemah saraf.
2
Jarak Pagar (Jatropha curcas Linn)
Mengatasi bengkak, terpukul, terkilir, gatalgatal, lepra, borok, rematik, penyubur rambut).
3
Dandang Gendis (Clinacanthus nutans Lindau)
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 (Acanthus ilicifolius L.)
Mengatasi hepatitis akut dan kronis, pembesaran kelenjar limpa, dan nyeri lambung.
7
Pegagan (Centella asiatica, (Linn) Urban.)
Mengatasi tipus, busung, sakit kepala, influenza dan ayan (seluruh tanaman).
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)
1
Citra Tumbuhan Obat
15
Lanjutan No
Citra Tumbuhan Obat
Nama (Nama Latin)
Khasiat Mengatasi amandel, ambien, sesak nafas, influenza, dan batuk.
11
Jeruk Nipis (Citrus aurantifolia, Swingle)
12
Bidani (Quisqualis indica L.)
Dapat membersihkan darah, obat cacing, dan nipas.
13
Gadung Cina (Smilax china)
Mengatasi diabetes jika dikonsumsi umbinya.
14
Tabat Barito (Ficus deloidea L.)
15
Nandang Gendis Kuning
16
Bunga Telang (Clitoria ternatea L.)
Mengatasi busung air, radang selaput, dan cacingan (daun, bunga, biji).
17
Mangkokan (Nothopanax scutellarium Merr.)
Mengatasi radang payudara, melancarkan air seni, dan bau badan.
18
Som Jawa (Talinum paniculatum (jacq.) Gaertn.)
Mengatasi batuk darah dan diare.
19
Pungpulutan (Urena lobata L.)
Antiinflamasi, antirematik, hemostatik, dan antipiretik.
20
Sosor Bebek (Kalanchoe pinnata (Lam.)Pers)
Mengatasi sakit panas, sakit kepala, batuk, dan melancarkan air seni.
Mengatasi stroke.
Dapat melancarkan air seni dan luka luar(daun).
16
Lanjutan No
Citra Tumbuhan Obat
Nama (Nama Latin)
Khasiat
21
Nanas Kerang (Rhoeo discolor (L.Her.) Hance)
22
Seligi (Phyllanthus buxifolius Muell)
23
Remak Daging (Excecaria bicolor Hassk)
Mengatasi batuk darah dan muntah darah.
24
Kumis Kucing (Orthosiphon aristatus (B1) Miq.)
Mengatasi sakit ginjal dan kandung kencing.
25
Kemuning (Murraya paniculata Jack.)
26
Cincau Hitam (Mesona palustris)
Mengatasi panas dalam, dan melancarkan pencernaan.
27
Sambang Darah (Excoceria cochinchinensis Lour.)
Membunuh parasit, gatal-gatal, dan penghenti pendarahan.
28
Landik (Barleria lupulina Lindl.)
Mengatasi gigitan anjing dan ular berbisa, bengkak, terpukul, bisul, dan luka berdarah
29
Jambu Biji (Psidium guajava L.)
Mengatasi diare, peluruh haid, dan mencegah demam berdarah.
Handeuleum (Graptophyllum pictum (L.) Griffith.)
Menghaluskan kulit, mematangkan bisul, pencahar, peluruh air kencing, menghentikan pendarahan, dan melancarkan haid (daun).
30
Obat batuk.
Mengatasi sendi terkilir.
Mengatasi radang saluran nafas, infeksi saluran kencing, keseleo, sakit gigi, dan reumatik.
17
Lampiran 2 Tiga puluh jenis citra tanaman hias No
Citra Tanaman Hias
Nama Latin
Nama Lain
1
Dracaena draco
Pohon Darah Naga, Pardon Bali, Drasena (Indonesia), Dragon Blood tree (Inggris)
2
Anthurium sp.
Kuping Gajah (indonesia), Tail Flower, Crystal Anthurium, dan Black Velvet (Inggris)
3
Sansevieria goldenhahnii
Kaktus Kodok (Indonesia)
4
Peperomia argyreia
Peperomia (Indonesia), Pepper Elder atau Dessert Priest (Inggris)
5
Aglaonema sp. (Silver Queen)
Aglaonema atau Sri Rezeki (Indonesia) dan Shinese Evergreen (Inggris)
6
Aglaonema sp. (White Spots)
Aglaonema atau Sri Rezeki (Indonesia) dan Shinese Evergreen (Inggris)
7
Aglaonema sp. (Snow White)
Aglaonema atau Sri Rezeki (Indonesia) dan Shinese Evergreen (Inggris)
8
Dendrobium sp.
Anggrek Dendrobium (Indonesia) dan Orchids (Inggris)
9
Furcraea foetida
Green Aloe (Inggris)
10
Dendrobium sp.
Anggrek Dendrobium (Indonesia) dan Orchids (Inggris)
18
Lanjutan No
Citra Tanaman Hias
Nama Latin
Nama Lain
11
Dendrobium sp.
Anggrek Dendrobium (Indonesia) dan Orchids (Inggris)
12
Codiaeum varigatum
Puring (Indonesia) dan Croton (Inggris)
13
Philodendron bifinnatifidum
Pohon Cinta (Indonesia)
14
Agave attenuate
Siklok (Indonesia)
15
Dendrobium chaopraya moonlight
Anggrek Dendrobium (Indonesia) dan Orchids (Inggris)
16
Calanthe triplicata
Anggrek Batu (Indonesia)
17
Bromelia kirkii
Bromelia (Indonesia)
18
Begonia sp.
Begonia
19
Begonia sp.
Begonia
20
Calathea rufibarba
Maranta (Indonesia) dan Prayer Plant (Inggris)
19
Lanjutan No
Citra Tanaman Hias
Nama Latin
Nama Lain
21
Hoya kerii varigata
Wax Plant, Porcelain Flower (Inggris)
22
Bromelia neoregelia
Bromelia (Indonesia)
23
Sansevieria trifasciata
Lidah Mertua (Indonesia)
24
Calathea sp.
Maranta (Indonesia) dan Prayer Plant (Inggris)
25
Anthurium crystallinum
Kuping Gajah (Indonesia), Tail Flower dan Crystal Anthurium (Inggris)
26
Asplenium nidus
Paku Sarang Burung atau Kadaka (Indonesia)
27
Marantha sp.
Marantha (Indonesia), Arrow Head, Prayer Plant (Inggris)
28
Scindapsus aureus
Sirih Belanda, Sirih Gading (Indonesia)
29
Cryptanthus bivittatus
Nanas Kuning (Indonesia), Starfish Plant (Inggris)
30
Piper decumanum
Sirih Merah (Indonesia)
20
Lampiran 3 Antarmuka sistem 1 Ekstraksi seluruh data citra
Klik t
b “Open Image”
Pilih folder database citra
2 Mengatur banyaknya data uji dan bias
21
Lanjutan 3 Identifikasi citra Hasil ekstraksi citra kueri
Identifikasi citra kueri