Ruang Lingkup Penelitian Ruang Lingkup penelitian ini adalah: 1.
2.
Objek citra adalah data citra daun tumbuhan obat dan citra pohon tanaman hias di Indonesia. Dalam penelitian ini operator MBLBP yang digunakan dalam penggabungan dibatasi paling banyak tiga.
Manfaat Penelitian Manfaat dari penelitian ini adalah meningkatkan akurasi identifikasi tumbuhan berbasiskan citra sehingga dapat dilakukan identifikasi secara automatis.
TINJAUAN PUSTAKA Pohon Pohon merupakan sesuatu yang penting dalam penggambaran tumbuhan secara keseluruhan. Bagian dari pohon di antaranya daun, batang, bunga, buah, dan akar. Identifikasi tumbuhan melalui pohon dapat diketahui dengan mudah karena pohon menggambarkan keseluruhan bagian pada tumbuhan. Daun Daun merupakan salah satu organ tumbuhan yang umumnya berwarna hijau dan organ vegetatif yang tidak bergantung pada musim. Daun sangat cocok sebagai alat identifikasi tumbuhan karena jumlah daun yang sangat banyak dan dapat ditemui dalam waktu kapan pun, dibandingkan dengan organ lain seperti bunga dan buah. Daun yang ada sangat bervariatif sehingga dapat digunakan sebagai penciri dari tumbuhan. Ciri-ciri daun yang dapat diambil di antaranya morfologi, tekstur, dan bentuk daun. Pengidentifikasian melalui tekstur daun harapannya akan lebih bagus untuk pengenalan tumbuhan. Ekstraksi Fitur Ekstraksi fitur adalah proses memperoleh fitur atau penciri dari suatu citra. Secara umum, fitur citra berupa warna, bentuk, dan tekstur. Acharya dan Ray (2005) mendefinisikan fitur bentuk sebagai pendeskripsi suatu objek yang bebas terhadap posisi, orientasi, dan ukuran. Fitur tekstur didefinisikan sebagai pengulangan pola atau
pola-pola yang terdapat pada suatu daerah bagian citra. Tekstur juga dapat membedakan permukaan dari beberapa kelas. Tekstur Tekstur adalah gambaran visual dari sebuah permukaan atau bahan. Tekstur dicirikan dengan variasi intensitas pada sebuah citra. Variasi intensitas dapat disebabkan oleh kekasaran atau perbedaan warna pada suatu permukaan. Selain itu tekstur juga merupakan properti dari area. Properti-properti dari tekstur citra meliputi: keseragaman, kepadatan, kekasaran, keberaturan dan frekuensi. Penampilan tekstur dipengaruhi oleh skala dan arah pandangan, serta lingkungan dan kondisi pencahayaan (Mäenpää 2003). Image Enhancement Prinsip dari perbaikan citra (image enhancement) adalah memproses citra sehingga menghasilkan citra yang lebih baik untuk digunakan daripada citra asli sebelumnya. Perbaikan citra dikategorikan menjadi dua yaitu perbaikan citra pada ruang spasial dan pada ruang frekuensi. Perbaikan citra pada ruang spasial merujuk pada citra tersebut dan pendekatan ini didasarkan pada memanipulasi langsung piksel dalam sebuah citra. Perbaikan citra pada ruang frekuensi didasarkan pada mengubah sebuah citra menggunakan modifikasi Fourier Transform (Gonzales 2002). Gaussian Filtering Gaussian Filtering adalah salah satu proses perbaikan citra bertujuan untuk menormalkan frekuensi distribusi dari suatu citra. Gaussian Filtering dapat diformulasikan sebagai berikut: (, =
! "# $
(1)
dengan adalah jarak dari titik pusat pada sumbu horizontal, adalah jarak dari titik pusat ke sumbu vertikal dan % adalah standar deviasi dari distribusi Gaussian. Perspektif bentuk dari kurva Gaussian akan diperlihatkan pada Gambar 1.
2
Pembobotan yang diperoleh adalah pembobotan biner. Ilustrasi dari MBLBP dapat dilihat pada Gambar 2.
Gambar 1 Plot perspektif pada kurva Gaussian. Tujuan dari penggunaan fungsi Gaussian pada perbaikan citra adalah memperhalus distribusi frekuensi yang dimiliki oleh citra. Pada citra wajah manusia Gaussian Filtering dapat digunakan untuk mengurangi garis-garis halus pada kulit dan noda-noda kecil yang akhirnya citra tersebut akan terlihat lebih halus. Gonzales (2002) menyatakan bahwa Gaussian filtering dapat digunakan pada sistem analisis yang mencari untuk mencari fitur yang dominan pada suatu citra. Multi-Block Local Binary Pattern Multi-Block Local Binary Pattern adalah metode mendeskripsikan tekstur pada mode warna grayscale dengan mengkodekan intensitas area persegi dengan LBP operator, dan menghasilkan pola biner yang dapat menggambarkan perbedaan struktur lokal pada citra. Li serta tim penelitinya pertama kali memperkenalkan MBLBP pada tahun 2007 untuk mengkodekan area persegi (subregion) menggunakan Local Binary Pattern (LBP) operator pada proses pengenalan wajah. Dibandingkan dengan LBP asli yang dihitung berdasarkan 3x3 piksel ketetanggaan, MBLBP dapat mengambil struktur skala yang lebih luas yang mungkin menjadi fitur yang dominan dari struktur suatu citra (Huang et al. 2009). Pada MBLBP perbandingan antara single piksel LBP digantikan oleh nilai rata-rata dari sub-regions. Sub-regions merupakan hasil rata-rata dari single piksel yang berbentuk persegi. LBP mendefinisikan setiap piksel citra dan menggunakan 3x3 nilai piksel ketetanggaan dengan piksel pusat sebagai thresholding. Nilai single piksel dari MBLBP akan digantikan oleh nilai rata-rata piksel dari blok sub-regions. Pembobotan MBLBP diperoleh dengan membandingkan nilai subregion piksel pusat (& dengan ketetanggaan '( , … , *. sub-regions yang lain
Gambar 2 Ilustrasi dari MBLBP fitur. Pada Gambar 2 nilai threshold dari subregions yang pertama sebesar 6.67, setelah dilakukan thresholding akan menghasilkan pola MBLBP yaitu 00111100 yang akan dikalikan dengan pembobotan biner sesuai dengan posisi piksel ketetanggaan tersebut berada maka nilai MBLBP sebesar 60. Nilai dari MBLBP dari diformulasikan sebagai berikut: + = ∑/ 0 ( -( + & 2 1, 34 5 08 - ( = 1 0, 34 7 0
(2)
(3)
dengan & adalah nilai rata-rata dari piksel pusat blok sub-region, (3 = 0, … , 8 adalah ketetanggaan sub-regions dan - adalah sign (kode biner). Gambar 2 menunjukkan operasi dasar MBLBP. Nilai MBLBP dapat dihasilkan dengan mengalikan nilai piksel yang telah melalui proses thresholding dan pembobotan biner sesuai dengan posisi piksel ketetanggan tersebut berada. Pola-pola biner pada MBLBP merepresentasikan berbagai struktur pola citra seperti pola tepi, titik, garis, flat areas, dan corner, pada lokasi dan skala yang berbeda. Selanjutnya kode MBLBP direpresentasikan melalui histogram. Histogram menunjukkan frekuensi kejadian berbagai nilai MBLBP. Ukuran citra NxM. 3
Setelah mendapatkan nilai MBLBP pada satiap ketetanggaan (blok(3, :)), keseluruhan tekstur citra direpresentasikan dengan membentuk histogram dengan formula sebagai berikut: A ;(< = ∑C 0( ∑B0 4((3, :, <, < ∈ >0, ?@
(4)
4(, = 1
1, = 8 0, - D 3E
(5)
dengan K merupakan nilai MBLBP terbesar. MBLBP bekerja menggunakan delapan ketetanggan yang tersebar melingkar (circular neighborhoods) dengan pusat piksel berada di tengah seperti ditunjukkan oleh Gambar 3. Notasi merupakan nilai grey-level dari subregion piksel ketetanggaan.
expression analysis dan berbagai macam aplikasi lainnya. LBP bekerja menggunakan delapan ketetanggaan yang tersebar secara melingkar (circular neighborhoods) dengan pusat piksel berada di tengah. Rataan seluruh piksel (piksel ketetanggaan dan piksel pusat) digunakan sebagai nilai ambang batas (threshold). Nilai LBP dihasilkan dengan mengalikan nilai piksel yang telah melalui tahap pemotongan dengan pembobotan biner sesuai posisi piksel ketetanggaan tersebut berada.
Gambar 5 Contoh operasi pada LBP.
Gambar 3 Circular neighborhood delapan ketetanggaan. Terdapat berbagai macam operator MBLBP dengan berbagai ukuran sampling points dan radius yang ditunjukkan pada Gambar 4. Beragamnya operator ini digunakan untuk membuat ukuran lokal tekstur yang berbeda-beda. Selanjutnya notasi (P,R) akan digunakan untuk piksel ketetanggaan dengan P merupakan sampling points yang melingkar dan R merupakan radius.
(8,1)
(16,2)
(8,2)
Gambar 4 Berbagai macam ukuran sampling points dan radius. Local Binary Pattern Local Binary Pattern (LBP) merupakan metode ekstraksi dengan menjumlahkan struktur lokal pada citra yang bekerja pada mode warna grayscale. LBP pertama kali diperkenalkan pada tahun 1996 oleh Timo Ojala. LBP digunakan untuk mencari polapola tekstur lokal pada citra (texture in local neighborhood) (Mäenpää 2003). LBP banyak diterapkan pada banyak aplikasi di antaranya pada image retrieval, face detection, facial
Gambar 5 menunjukkan operasi dasar LBP. Perbedaan mendasar di antara MBLBP dengan LBP adalah struktur lokal pada MBLBP direpresentasikan oleh nilai rata-rata dari setiap sub-regions, sedangkan pada LBP struktur lokal direpresentasikan oleh nlai single piksel. Pola-pola biner LBP merepesentasikan bermacam-macam pola tepi, titik, flat areas, dan sebagainya. Nilai LBP menunjukkan kode local binary pattern. LBP dapat diformulasikan sebagai berikut: LBP I,J (& , & = K
L0(
L
-(L + µ2
(6)
1 ≥ 08 0 <0
(7)
-( = M
dengan & dan & adalah koordinat pusat piksel ketetanggaan, N adalah circular sampling points, adalah banyaknya sampling points, L adalah nilai keabuan dari N, μ adalah nilai rata-rata piksel ketetanggaan dan piksel pusat, dan - adalah sign (kode biner). Kode LBP direpresentasikan melalui histogram. Histogram menunjukkan frekuensi kejadian berbagai nilai LBP. Ukuran citra adalah NxM. Setelah mendapatkan nilai LBP pada setiap neighborhood (blok 3, :), keseluruhan tekstur citra direpresentasikan dengan membentuk histogram:
4
C
A
;< = K K 4P, 3, :,
0, ?@ 0( B0
4, = 1
(8)
1, = 8 0, - D 3EE
(9)
dengan K merupakan nilai LBP terbesar. Operator LBP mengalami perkembangan dengan dimodelkannya operator menggunakan berbagai ukuran sampling points dan radius. Beragamnya operator ini digunakan untuk membuat ukuran lokal tekstur yang berbeda-beda. Selanjutnya notasi (P,R) akan digunakan untuk piksel ketetanggaan dengan P merupakan sampling points yang melingkar dan R merupakan radius. LBP pada dasarnya hanya dapat mengkodekan pola mikrostruktur dari suatu citra. Hal tersebut mengakibatkan citra tanaman yang memiliki daun yang jarang sulit dikenali, karena makrokstuktur dari suatu citra belum dapat teridentifikasi dengan baik. Multi-Block Local Binary Pattern (MBLBP) merupakan suatu metode ekstraksi ciri dengan mengkodekan area persegi citra dengan LBP operator untuk mengetahui pola makrostrukstur dari suatu citra. Rotation Invariant Struktur piksel ketetanggaan LBP berbentuk melingkar, untuk itu dibuat suatu cara agar pola-pola LBP tidak sensitif terhadap perubahan rotasi. Istilah ini dinamakan rotation invariant. Contoh: LBP = 00001111 = 15 dapat direpresentasikan dengan circular neighborhood pada Gambar 6.
mempunyai pola yang berbeda jika dirotasi searah jarum jam ataupun berlawanan arah jarum jam (Pietikäinen 2000). Uniform Patterns Pola-pola LBP mencerminkan suatu karakteristik dari sebuah tekstur. Pola-pola yang memiliki informasi penting ini dinamakan “uniform patterns”. Suatu pola dikatakan uniform jika struktur melingkar pola-pola binernya paling banyak terdiri atas dua transisi bit dari 0 ke 1 atau sebaliknya. Sebagai contoh 00000000 (0 transisi), 011111111 (1 transisi), 01110000 (2 transisi), dan 11001111 (2 transisi) merupakan uniform patterns, sedangkan 11001001 (4 transisi) dan 01010011 (6 transisi) bukan merupakan uniform patterns atau disebut nonuniform patterns. Uniform patterns berfungsi untuk mengidentifikasi noda (spot), flat area atau dark spot, sudut, dan tepi (Ojala et al. 2002).
Spot
Spot/flat Line end
Rotation invariant didefinisikan sebagai nilai minimum dari rotasi (RSR) -bit biner yang dilakukan sebanyak 3 kali: , = minWRSRP, , 3Q X 3 = 0, 1, … , − 1 }
(10) dengan 3 menunjukkan rotation invariant. Nilai dan pola-pola LBP pada Gambar 6 dapat berbeda-beda, tetapi memiliki struktur rotasi yang sama. Setiap pola LBP akan
Corner
Gambar 7 Tekstur uniform patterns. Gambar 7 menunjukkan definisi dari polapola uniform. Untuk mengidentifikasi uniform patterns digunakan formulasi sebagai berikut: YP, Q = |-
− & − -( − & |
+ ∑L0 |-PL − & Q − -PL
− & Q|
(11) dengan YP, Q merupakan uniform patterns dari P banyaknya sampling points dan radius R, N adalah circular sampling points, L adalah nilai keabuan dari N, dan & adalah nilai keabuan rata-rata seluruh piksel neighborhood. Rotation Invariant [\]_`ab ],^ )
Gambar 6 Rotation Invariant LBP.
Edge
Uniform
Patterns
Penggabungan antara uniform patterns dengan rotation invariant dilambangkan . Notasi ri menunjukkan rotation , invariant dan u2 untuk uniform patterns pada sampling points P dan radius R. , merupakan ukuran ketidaksensitifan (invariant) terhadap perubahan grayscale. merupakan ukuran yang digunakan , untuk menggambarkan pola spasial. Jumlah pola yang dihasilkan uniform patterns adalah − 1 + 2 bins. Ketika uniform patterns 5
dirotasi sampai ke nilai minimum yang dimilikinya, jumlah pola yang dihasilkan menjadi + 1 bins. Rotation invariant uniform patterns diformulasikan sebagai berikut: ∑ -PL − & Q , 34 YP, Q ≤ 28 , = c L0( + 1 , - D 3EE
(12)
Jika pola yang diidentifikasi termasuk uniform patterns, akan dihitung banyaknya bit satu pada pola tersebut yang menentukan letak bin uniform patterns berada. Jika banyaknya sampling points sama dengan delapan, nilai , adalah nol sampai dengan sembilan. Jika non uniform patterns akan masuk ke dalam bin terakhir, yaitu bin ke-sembilan yang merupakan single bin non uniform patterns (Mäenpää 2003). Rotation Invariant Variance Measure (VAR)
, tidak mendefinisikan lokal kontras tekstur dalam perhitungannya VAR merupakan suatu descriptor untuk mengukur lokal kontras tekstur pada suatu citra. VAR tidak sensitif terhadap perubahan grayscale. VAR berhubungan dengan kondisi pencahayaan suatu citra. Untuk mengukur lokal kontras tekstur pada suatu citra digunakan rotation invariant local variance dengan formula sebagai berikut:
eR, = K
L0(
Pg g − µQ
(13)
dengan
μ= K
L0(
gg
LBPV dihitung menggunakan formula sebagai berikut: C
A
, (< = K K hP, (3, :,
< ∈ >0. ?@
(15) dengan eR, 3, :, hP, 3, :,
, 3, : = <8
- D 3EE
(16) Penggabungan Operator Penggabungan beberapa N operator dengan nilai sampling points P dan radius R yang bervariasi adalah salah satu cara untuk memperbesar dukungan area spasial dari MBLBP. Penggabungan operator yang digunakan adalah dengan menggunakan concatenation (Guo et al. 2009). Cara kerja concatenation yaitu pada awalnya histogram dari N operator dihitung secara terpisah, kemudian histogram dari masing-masing operator dirangkaikan menjadi satu buah histogram. Pada penggabungan dengan menggunakan concatenation banyaknya bin histogram yang dihasilkan mengalami peningkatan secara linear terhadap pertumbuhan P atau sampling point. Sebagai contoh penggabungan , dengan , , akan menghasilkan histogram dengan panjang bin 10 dijumlahkan dengan 18 bin yaitu sebesar 28 bin. Probabilistic Neural Network (PNN)
(14)
dengan merupakan rata-rata sampling points circular neighborhood. Hasil perhitungan VAR menghasilkan nilai continuous yang perlu dikuantisasi berdasarkan persebaran pola tekstur (Guo et al. 2009). LBP Variance (LBPV) LBPV descriptor secara sederhana menggabungkan distribusi frekuensi nilai LBP dan lokal kontras. Variance berhubungan dengan fitur tekstur. Pada umumnya frekuensi tekstur region yang tinggi akan mempunyai variance yang lebih tinggi dan variance tersebut lebih berkontribusi terhadap perbedaan tekstur suatu citra (Guo et al. 2009). Oleh karena itu, variance eR, dapat digunakan sebagai bobot yang dapat beradaptasi untuk mengatur kontribusi nilai LBP pada perhitungan histogram. Histogram
PNN merupakan Artificial Neural Network (ANN) yang menggunakan teorema probabilitas klasik (pengklasifikasian Bayes). PNN diperkenalkan oleh Donald Specht pada tahun 1990. PNN menggunakan pelatihan (training) supervised. Pelatihan data pada PNN mudah dan cepat. Bobot bukan merupakan hasil pelatihan melainkan nilai yang dimasukkan (tersedia). Menurut Wu et al. (2007) PNN memiliki struktur sederhana dan pelatihan data yang cepat karena tidak perlu memperbaharui bobot. Struktur PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusan/keluaran. Lapisan masukan merupakan objek yang terdiri atas < nilai ciri yang akan diklasifikasikan pada E kelas. Struktur PNN ditunjukkan pada Gambar 8. Proses-proses yang terjadi setelah lapisan masukan adalah: 6
dengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan
Gambar 8 Struktur PNN. 1. Lapisan pola (pattern layer) Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan. Setiap node pola merupakan selisih antara vektor masukan j yang akan diklasifikasikan dengan vektor bobot mmmmj kl , yaitu n = j + mmmmj , n kemudian dibagi kl dengan bias tertentu (σ) dan selanjutnya dimasukkan ke dalam fungsi radial basis, yaitu op -(E = exp (+E . Dengan demikian, persamaan yang digunakan pada lapisan pola adalah. 4(j = N t+
x mmmmmj (uj mummmmmj vw (uj mu vw
y
(17)
2. Lapisan penjumlahan (summation layer) Menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Persamaan yang digunakan pada lapisan ini adalah: N(j =
3.
1
{ 2z
~
%{ |
K exp− 0
} j − mmmmj j− mmmmj kl kl 2%
(18)
Lapisan keluaran (output layer) Menentukan kelas dari input yang diberikan. Input x akan masuk ke Y jika nilai N paling besar dibandingkan kelas lainnya.
METODE PENELITIAN Penelitian ini dilakukan dalam beberapa tahap. Tahap-tahap tersebut diselesaikan
Citra yang digunakan diperoleh dari pemotretan tiga puluh jenis citra pohon yang terdapat di Kebun Raya Bogor serta tiga puluh jenis citra daun, depan dan belakang (masingmasing kelas 48 citra) yang terdapat di kebun Biofarmaka IPB Cikabayan dan rumah kaca Pusat Konservasi Ex-situ Tumbuhan Obat Hutan Tropika Indonesia, Fahutan IPB. Citra yang digunakan berformat JPG. Total citra pohon yang digunakan 300 citra yang terdiri atas 30 kelas masing-masing kelas terdiri atas 10 citra yang dapat dilihat pada Lampiran 1 serta total citra daun yang digunakan sebanyak 1.440 citra yang terdiri atas 30 kelas, depan dan belakang (masing-masing kelas 48 citra) dapat dilihat pada Lampiran 2. Praproses Pada tahap awal praproses, dilakukan perbaikan data pohon dengan memotong citra untuk mendapatkan objek tanaman dan memperkecil ukuran citra menjadi 270x210 piksel. Citra tersebut diperoleh dari hasil cropping dengan bertujuan agar citra focus kepada objek dari citra itu sendiri. Pada data daun dilakukan praproses data dengan mengambil objek setiap satu daun dan memperkecil ukuran citra menjadi 270x240 piksel. Kemudian mode warna citra diubah menjadi grayscale untuk proses ekstraksi selanjutnya. Image Enhancement dengan Gaussian Proses perbaikan citra menggunakan fungsi Gaussian. Sebelum masuk ke tahap ekstraksi, citra diubah ke dalam mode warna grayscale. Tahap selanjutnya citra diproses dengan mengalikan fungsi Gaussian yang ditunjukkan pada persamaan (1) bertujuan untuk memperhalus distribusi frekuensi citra. Ekstraksi Tekstur dengan Local Binary Pattern Ekstraksi tektur pada citra daun hanya dilakukan pada piksel yang menyusun citra tersebut. Citra dikonversi ke mode warna grayscale. Selanjutnya membagi citra ke dalam beberapa local region sesuai dengan sampling points dan radius yang digunakan.
7
