Rancang Bangun Sistem Pengenal Bentuk Morfologi Daun Untuk Klasifikasi Spesies Tanaman Dengan Jaringan Saraf Tiruan Berbasis Android Caecilia Citra Lestari Universitas Ciputra UC Town, Citraland Surabaya 60219
[email protected]
Januar Lianto Universitas Ciputra UC Town, Citraland Surabaya 60219
[email protected]
ABSTRAK Tanaman merupakan salah satu organisme yang penting bagi bumi. Oleh karena itu kita perlu memahami informasi mengenai tanaman. Pengklasifikasian spesies tanaman dapat dilakukan dengan berbagai cara, salah satunya adalah bentuk morfologi daun. Tetapi sayangnya pengklasifikasian spesies tanaman merupakan permasalahan yang sulit, terutama bagi orang awam. Maka dengan itu, diperlukan perangkat lunak yang dapat membantu manusia dalam melakukan pengenalan spesies tanaman dari bentuk morfologi daun. Perangkat lunak akan menggunakan jaringan saraf tiruan untuk mengenali spesies tanaman dari foto daunnya. Pelatihan jaringan saraf tiruan diawali dengan input foto daun yang diproses menggunakan metode pengolahan citra digital yang diterapkan Xiao-Feng Wang et al., kemudian dihitung fitur-fitur morfologi daunnya menggunakan cara yang ditulis David Knight et al. dan diinputkan sebagai data latihan jaringan saraf tiruan. Jaringan saraf tiruan yang sudah dilatih, digunakan untuk mengenali pola pada foto daun dan mengklasifikasikannya ke spesies tanaman tertentu. Dengan mengetahui spesies suatu tanaman, kita dapat mengetahui berbagai informasi, termasuk kemungkinan tanaman tersebut untuk dikonsumsi, dan juga khasiat dari tanaman tersebut apabila ada. Perangkat lunak dibuat pada sistem operasi Android dan menggunakan bahasa pemrograman Java. Akurasi akhir dari perangkat lunak adalah 91% pada 19 spesies tanaman. Untuk pengembangan selanjutnya diperlukan optimalisasi dan perubahan kombinasi fitur daun yang digunakan. Kata kunci: Jaringan Saraf Tiruan, Java, Klasifikasi Spesies Tanaman, Pengenal Daun, Pengolahan Citra, Sistem Operasi Android,
1. PENDAHULUAN Tanaman merupakan suatu jenis organisme yang penting dalam kehidupan dan kelangsungan alam ini. Tanaman hampir dapat ditemukan dimana saja, bahkan di tempat dimana manusia tidak dapat hidup.
Sejak
pengembangan
sistematika
pengklasifikasian tanaman oleh ahli botani asal Swedia, Carolus Linnaeus pada abad ke-18, pengklasifikasian tanaman sudah pernah dicoba untuk dilakukan dengan cara yang berbeda-beda. Orang yang pertama kali mencetuskan penggunaan aspek daun dalam 28 | T I M
pengklasifikasian
tanaman
L.R.
permasalahan yang tidak dapat diselesaikan
Hicher pada tahun 1973. Sampai tahun
hanya dengan melalui algoritma saja, tetapi
2010,
sudah
harus melalui proses pembelajaran yang
ditemukan terdiri dari 300.000 sampai
panjang. Atas dasar itulah, maka digunakan
315.000 spesies. Spesies yang dimaksud
jaringan saraf tiruan yang meniru cara kerja
disini adalah tingkat klasifikasi yang sudah
sistem
menentukan
individu.
pembelajaran. Jaringan saraf tiruan dapat
tanaman
mempelajari dan menganalisa hubungan
merupakan hal yang cukup sulit untuk
antara beberapa contoh data, kemudian
dilakukan dengan mata telanjang oleh orang
dapat mengenali data lainnya yang serupa
awam.
tetapi belum dipelajari oleh jaringan saraf
Spesies
tanaman
tanaman
Pengklasifikasian
adalah yang
secara
spesies
Sehingga
diperlukan
bantuan
teknologi komputer
dalam melakukan
proses
terhadap
pengenalan
spesies
tanaman.
saraf
biologis
dalam
proses
tiruan. Perangkat
lunak
yang
dibuat
nantinya akan dioperasikan menggunakan
Pengenalan
tanaman
sistem operasi Android. Beberapa alasan
merupakan hal yang berguna bagi orang
dalam pemilihan sistem operasi Android
awam dalam kehidupan sehari-hari juga
adalah hasil survey yang dilakukan oleh
dalam
Dalam
Nielsen yang mengatakan bahwa pada bulan
kehidupan sehari-hari, sistem pengenalan
Juni 2011, 39% dari market smartphone di
klasifikasi tanaman berfungsi sebagai sarana
seluruh dunia dikuasai oleh sistem operasi
pembelajaran tentang ilmu botani. Untuk
Android. Angka tersebut jauh lebih tinggi
kasus khusus yang dimaksud, contohnya
dibandingkan sistem operasi Apple iPhone
ketika seorang pecinta alam melakukan
(28%) dan sistem operasi RIM Blackberry
perjalanan, sistem pengenalan klasifikasi
(20%). Bahkan menurut hasil penelitian
tanaman dapat berguna dalam memberikan
yang diumumkan Gartner, Inc. pada bulan
informasi-informasi
suatu
Juli 2011, jumlah pengguna Android di
itu,
dunia mencapai angka 179.873.000, dan
pengenalan klasifikasi tanaman juga dapat
diprediksi pada tahun 2012 meningkat
sumber informasi untuk orang awam.
sampai 310.088.000 atau 49,2% dari total
beberapa
tanaman
yang
Proses
spesies
kasus
khusus.
mengenai
ditemuinya.
pengenalan
Selain
daun
untuk
klasifikasi spesies tanaman adalah suatu
pengguna smartphone. Selain itu jumlah pengguna
Android pun meningkat cukup 29 | T I M
pesat di Indonesia. Menurut data yang
perhitungan
diberikan
operator
dengan menerapkan metode yang diterapkan
telekomunikasi, sejak bulan Maret 2011
oleh David Knight et. al. (Knight et. al.
sampai Mei 2011, pengguna sistem operasi
2010).
salah
satu
Android di Indonesia meningkat sampai
fitur
Berikut
morfologi
adalah
dilakukan
penjelasan
dari
lebih dari 4 kali lipat. Atas pertimbangan
algoritma-algoritma yang digunakan dalam
bahwa dengan tingginya jumlah pengguna
algoritma back-end dan front-end.
Android, maka sistem operasi yang dipilih
1. Melakukan input berupa citra digital
adalah Android. 2.
RANCANGAN
daun sebagai training set. PERANGKAT
dari beberapa proses, yaitu antara lain:
LUNAK
a. Mengubah
2.1. Algoritma Perangkat Lunak Algoritma perangkat lunak terdiri dari algoritma front-end dan back-end. Algoritma back-end digunakan oleh server untuk
2. Pemrosesan citra digital yang terdiri
melakukan
pelatihan
terhadap
citra
digital
yang
berwarna menjadi citra digital grayscale. b. Pemrosesan citra digital gray-scale menjadi citra yang berwarna hitam
jaringan saraf tiruan. Sedangkan algoritma
dan
front-end digunakan pada klien untuk
foreground dan background dari
melakukan pengenalan menggunakan bobot
citra digital menggunakan metode
hasil latihan oleh server. Kedua algoritma
Otsu’s Thresholding.
tersebut
sama-sama
diawali
dengan
pemrosesan citra digital lalu dilanjutkan dengan perhitungan fitur morfologi daun dan diakhiri dengan proses jaringan saraf tiruan. Perbedaannya adalah algoritma klien menggunakan feedforward neural network sementara algoritma server menggunakan backpropagataion neural network. Metode pemrosesan citra digital yang digunakan disini adalah metode yang ditulis oleh XiaoFeng Wang (Wang, et.al. 2008). Kemudian
putih
c. Mencari
untuk
gradient
membedakan
dari
citra
gray-scale menggunakan
digital
metode Sobel’s Operation. d. Menghitung pixel - pixel yang saling berhubungan
sehingga
dapat
ditemukan region yang paling luas dari
citra
digital
hasil
Otsu’s
Thresholding yang sudah melalui proses erosi. e. Melakukan terhadap
segmentasi citra
digital
daun dengan 30 | T I M
menggunakan marker yang sudah
diinputkan ke dalam jaringan saraf tiruan
ditentukan sebelumnya.
yang masing-masing beratnya sudah
f. Mengisi dan menutup lubang yang
ditentukan dari hasil
pelatihan
oleh
ditemukan pada segmentasi daun di
server.
citra digital menggunakan metode
menampilkan hasil dari jaringan saraf
connected-component labeling.
tiruan.
g. Memotong citra digital sehingga
Dan
diakhiri
dengan
Gambar 1. menunjukkan diagram alur
segmen yang tidak diperlukan dapat
dari
dihapus, untuk mempercepat proses
Gambar
selanjutnya.
dari Algoritma Front-End.
Algoritma
Back-End
2. menunjukkan
sedangkan
diagram
alur
h. Mencari garis luar dari daun yang sudah tersegmentasi dan menipiskan garis luar tersebut menjadi 1 pixel. 3. Menghitung
dan
mencari
fitur-fitur
dari daun yang sudah tersegmentasi. 4. Pada server, Setelah semua fitur dari training set didapatkan, maka diinputkan ke dalam back propagation neural network untuk dilatih. Pelatihan akan
Gambar 1. Diagram Alur Algoritma Back-End
berakhir apabila keadaan / kondisi dari jaringan saraf tiruan sudah memenuhi target.
Pelatihan
diakhiri
dengan
menyimpan hasil latihan berupa berat yang didapatkan pada akhir latihan jaringan saraf tiruan. Pada klien, fiturfitur yang sudah didapatkan sebelumnya
Gambar 2. Diagram Alur Algoritma Front-End
31 | T I M
binary yang ditemukan oleh Nobuyuki Otsu
2.2. Pemrosesan Citra Digital Metode pemrosesan citra digital
pada tahun 1979. Pengaplikasian metode ini
digunakan
yang
dikatakan tidak hanya untuk men-threshold
dicetuskan oleh Xiao-Feng Wang. Metode
suatu gambar gray-level, tetapi juga dapat
yang dimaksud diawali dengan proses
digunakan untuk mengklasifikasi suatu fitur
konversi gambar berwarna ke dalam bentuk
dari objek yang ada.
yang
adalah
metode
grayscale lalu dilanjutkan dengan proses
Metode Otsu’s threshold melakukan
thresholding dan operasi morfologi dan
iterasi terhadap semua nilai threshold yang
diakhiri
memungkinkan dan menghitung tingkat
dengan
proses
segmentasi
menggunakan metode watershed. Penelitian
persebaran
ini menggunakan metode pemrosesan citra
background.
digital untuk deteksi objek daun yang
mencari nilai threshold dimana jumlah
ditawarkan oleh Xiao- Feng Wang et al.
persebaran foreground dan background
Semua metode yang dibahas pada sebelumnya
konversi
gambar
selalu
berwarna
melakukan (RGB)
ke
gambar grayscale. Konversi suatu pixel RGB
menjadi
pixel
foreground
Tujuannya
adalah
dan untuk
berada pada titik minimum. Untuk mencari
2.2.1 Citra Grayscale sub-bab
dari
grayscale
menggunakan
nilai threshold yang tepat, perlu dicari nilai between class variance yang paling besar. Persamaan (2) berikut adalah rumus yang digunakan untuk menghitung nilai between class variance.
rumus yang didapatkan dari buku yang ditulis oleh Qingfeng Wu et al. (Wu, et.al. 2006), sebagai berikut: (2) Menurut Xiao-Feng Wang et al.,
Gray = 0.2989 ∗ R + 0.5870 ∗ G + 0.1140 ∗ B (1)
walaupun
memberikan hasil yang kurang memuaskan
2.2.2. Otsu’s Threshold Konversi
suatu
kadang-kadang
thresholding
citra
grayscale
apabila
digunakan
pada
gambar
yang
menjadi monokrom sangat sering dilakukan
memiliki
dalam pemrosesan citra digital. Otsu’s
namun dapat memberikan informasi yang
threshold merupakan suatu algoritma untuk
berguna untuk pembuatan marker yang akan
mengkonversi suatu citra menjadi citra
digunakan untuk proses segmentasi.
background
yang
kompleks,
32 | T I M
segmentasi citra digital. Menurut R.Fisher et
2.2.3. Erosi (Morfologi Matematika) Morfologi matematika merupakan
al. (Fisher, et.al. 2011) operasi sobel sendiri
salah satu cabang pemrosesan citra digital
merupakan suatu metode dalam pemrosesan
yang
teori
citra digital yang digunakan untuk mencari
matematika. Erosi dan dilasi merupakan
citra gradient. Pada dasarnya operasi sobel
operasi morfologi matematika yang paling
mencari nilai gradient untuk intensitas dari
dasar. Kedua operasi tersebut sama-sama
masing-masing pixel pada suatu citra digital.
memanfaatkan
konsep
dan
menerima input berupa gambar dan struktur elemen. Kemudian menghasilkan ouput
2.3. Segmentasi Watershed
yang bagian foreground-nya sudah tererosi. Berikut adalah definisi matematika
Metode
merupakan
watershed
metode deteksi kontur yang non-parametrik
dari operasi erosi untuk citra binary :
(dengan kelebihan tidak memerlukan nilai
1. Jika
threshold). Dengan prinsip tersebut, metode
koordinat
adalah
suatu
yang
Euclidean
merepresensatikan
2.
kumpulan
suatu
input
ini dapat memberikan kontur yang tertutup. Segmentasi
citra
merupakan
problem
binary dan K adalah kumpulan koordinat
kunci dalam pemrosesan citra digital untuk
dari struktur elemen.
deteksi obyek daun. Segmentasi sendiri
adalah translasi dari K agar titik
segmentasi berdasarkan garis kontur dan
tengahnya berada pada x. 3. Maka erosi dari X oleh K adalah kumpulan
koordinat
x
dapat dibedakan menjadi dua metode, yaitu
dimana
adalah hasil subset dari X. Xiao-Feng Wang et al. menggunakan proses erosi dalam pemrosesan citra digital untuk deteksi objek daun, dengan tujuan untuk memisahkan objek – objek lain yang mengganggu objek utama.
2.2.4. Operasi Sobel Xiao-Feng Wang et al. menggunakan
region-growing. Segmentasi watershed termasuk ke dalam
metode
memanfaatkan
segmentasi
yang
region-growing.
Berikut
adalah urutan kerja segmentasi watershed dengan menggunakan flood algorithm; 1. Mempersiapkan sebagai
kumpulan
pixel
marker dimana flooding akan
dimulai. 2. Masing-masing disamping
pixel
pixel
yang pada
berada marker,
citra gradient sebagai input dalam proses 33 | T I M
dimasukkan kedalam queue berdasarkan
2.4.3. Convex Area Ratio (CAR)
nilai grayscale-nya.
Convex area ratio adalah rasio
3. Pixel dengan nilai grayscale paling rendah pada queue di proses. Apabila
perbandingan dari luas region-of-interest (ROI) dengan luas dari convex hull (C).
semua pixel yang berada di sekeliling pixel tersebut telah dilabeli maka, pixel tersebut pun dilabeli menggunakan label
2.4.4. Convex Perimeter Ratio (CPR)
yang sama.
Convex Perimeter Ratio adalah rasio perbandingan dari keliling region-of-interest
2.4.
Fitur Morfologi Daun
(ROI) dengan keliling convex hull (C).
Berdasarkan jurnal yang ditulis oleh David Knight et al., fitur morfologi yang dapat digunakan untuk mengenali bentuk
2.4.5. Sphericity (S)
morfologi daun adalah :
Sphericity
didapatkan
dari
menghitung perbandingan antara radius maksimum dari lingkaran yang berada di
2.4.1. Aspect Ratio (AR) Aspect ratio merupakan salah satu fitur geometrik adalah rasio perbandingan
dalam ROI dengan radius maksimum dari lingkaran yang berada di luar ROI.
antara panjang maksimum dan panjang minimum
dari
Minimum
Bounding
Rectangle (MBR).
2.4.6. Circularity (Cir) Circularity adalah fitur geometri yang
didapatkan
dari
menghitung rasio perbandingan antara luas region-of-interest
dari
menghitung
perbandingan antara rata-rata jarak dari titik
2.4.2. Rectangularity (R) Rectangularity
didapatkan
(ROI)
dengan
minimum bounding rectangle (MBR).
luas
tengah region-of-interest (ROI) ke semua titik yang berada di sekeliling region-ofinterest
(ROI) dengan rata-rata deviasi
kuadrat dari rata-rata jarak tersebut.
34 | T I M
2.4.7. Eccentricity (Ecc) Eccentricity
adalah
perbandingan
antara panjang main inertia axis dari regionof-interest dengan panjang minor intertia axis dari region-of-interest.
2.4.10. Angle Code Histogram (ACH) ACH didapatkan dari menghitung sudut yang dibuat dengan menghubungkan titik-titik pada keliling region-of-interest. Hasil dari ACH adalah berupa histogram
2.4.8. Form Factor (FF) Form Factor adalah fitur yang mendeskripsikan karakteristik suatu bentuk yang dapat dihitung menggunakan rumus dibawah ini.
yang berisi 5 kumpulan sudut. David Knight et al. mengatakan resolusi titik sangat berpengaruh, oleh karena itu disarankan agar titik-titik
tersebut
diambil
dengan
perhitungan jumlah titik yang sama dari keliling region-of-interest. Oleh karena itu, dalam studi kasus yang dilakukan penulis
2.4.9. Regional Moments of Inertia (RMI) Regional
moments
of
inertia
menggunakan 80 titik untuk mendapatkan hasil sudut yang detail.
menghitung bagian – bagian informasi mengenai distribusi berat di posisi yang
2.5. Rancangan Jaringan Saraf Tiruan
berbeda-beda terhadap garis vertikal dari region-of-interest
(ROI).
Tetapi
karena
Bentuk
arsitektur
jaringan
saraf
tiruan yang digunakan pada penelitian ini
David Knight et al. menganggap bahwa
secara
daun memiliki orientasi yang tetap dan
jaringan saraf tiruan backpropagation neural
selalu simetris terhadap garis vertikalnya,
network.
maka momen inertia dibagi menjadi 4
digunakan terdiri dari 3 lapisan (layer), yaitu
bagian. Agar fitur RMI ini dapat berfungsi
input layer, hidden layer, dan output layer.
secara
scale-invariant,
maka
sebelum
umum
sama
Jaringan
dengan saraf
arsitektur
tiruan
yang
Input layer merupakan lapisan yang
menghitung RMI, tinggi dari gambar daun
terdiri
akan di atur menjadi 240 pixel. Masing-
jumlahnya sesuai dengan jumlah fitur
masing bagian dari momen inertia akan
daun yang digunakan, yaitu 17 fitur yang
terdiri dari potongan gambar daun setinggi
yang berarti 17 node masukan. Tabel 1.
dari
node
masukan
yang
60 pixel. 35 | T I M
berisi 17 fitur morfologi yang menjadi input dari jaringan saraf tiruan.
Hidden layer merupakan lapisan yang terdiri dari node tersembunyi yang jumlahnya adalah 24 untuk 32 spesies tanaman dan 18 untuk 19 spesies
Convex Hull Perimeter Ratio
Angle Code Histogram [1]
Sphericity Circularity Eccentricity Form Factor Regional Moments of Inertia [1]
Angle Code Histogram [2] Angle Code Histogram [3] Angle Code Histogram [4] Angle Code Histogram [5]
tanaman.
Output layer yang merupakan lapisan yang terdiri dari node keluaran. Jumlah dari
node
merepresentasikan
keluaran
sendiri
jumlah
spesies
tanaman yang akan dikenali nantinya oleh jaringan saraf tiruan, pada tugas akhir ini digunakan 19 output node (19 spesies tanaman) dan 32 output node (32 spesies tanaman). Dalam rancangan arsitektur jaringan saraf tiruan yang digunakan juga terdapat sebuah node bias yang masing-masing diletakkan di input layer dan hidden layer. Pada gambar 2.3 dapat dilihat contoh model rancangan jaringan saraf tiruan yang digunakan. Tabel 1. Tabel Fitur Untuk Input Jaringan Saraf Tiruan
Fitur
Fitur
Aspect Ratio
Regional Moments of Inertia [2] Regional Moments of Inertia [3] Regional Moments of Inertia [4]
Rectangularity Convex Hull Area Ratio
Gambar 3. Gambar Rancangan JST
Representasi dari lapisan output pada rancangan
jaringan
saraf
tiruan
menggunakan angka 0 dan 1. Output untuk spesies tanaman ke-1 adalah 1,0,0,0,0 dan output untuk spesies tanaman ke-2 adalah 0,1,0,0,0 ,begitu pula seterusnya sampai jumlah spesies yang diinginkan. Tabel 2. merupakan
32
spesies
tanaman
yang
digunakan.
36 | T I M
pada 32 kelas spesies, 10 sampel pada 19
Tabel 2. Spesies Tanaman Label
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 26 27 28 29 30 31 32
Nama Ilmiah
Jumlah
Phyllostachys edulis (Carr.) Houz. Aesculus chinensis Berberis anhweiensis Ahrendt Cercis chinensis Indigofera tinctoria L. Acer Palmatum Phoebe nanmu (Oliv.) Gamble Kalopanax septemlobus (Thunb. ex A.Murr.) Cinnamomum japonicum Sieb. Koelreuteria paniculata Laxm. Ilex macrocarpa Oliv. Pittosporum tobira (Thunb.) Ait. f. Chimonanthus praecox L. Cinnamomum camphora (L.) J. Presl Viburnum awabuki K.Koch Osmanthus fragrans Lour. Cedrus deodara (Roxb.) G. Don Ginkgo biloba L. Lagerstroemia indica (L.) Pers. Nerium oleander L. Podocarpus macrophyllus (Thunb.) Sweet Prunus serrulata Lindl. var. lannesiana auct. Ligustrum lucidum Ait. f. Tonna sinensis M. Roem. Prunus persica (L.) Batsch Manglietia fordiana Oliv. Acer buergerianum Miq. Mahonia bealei (Fortune) Carr. Magnolia grandiflora L. Populus ×canadensis Moench Liriodendron chinense (Hemsl.) Sarg. Citrus reticulata Blanco
40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40
kelas spesies, dan 40 sampel pada 19 kelas spesies. Berikut pada tabel 3. adalah hasil dari pelatihan terhadap jaringan saraf tiruan. Tabel 3. Hasil Pelatihan Jaringan Saraf Tiruan Pelatihan Jumlah Jumlah Kelas Sampel 1 32 320 2 32 1280 3 19 190 4 19 760
Pengujian
pengujian
et.al.
2006).
Pelatihan
masing-masing
0,0099 0,0682 0,0099 0,0099
setelah
Data pengujian adalah 160 gambar daun, 5 gambar yang berbeda untuk tiap-tiap kelas spesies. Tabel 4. merupakan perbandingan hasil pengujian untuk setiap pelatihan. Tabel 4. Perbandingan Hasil Pengujian
Pelatihan 1 2 3 4
dataset yang juga digunakan oleh Wu et (Wu,
dilakukan
Error
pelatihan jaringan saraf tiruan dilakukan.
3. PENGUJIAN Pengujian dilakukan menggunakan
al.
Jumlah Epoch 15068 200000 5077 7876
dan
Akurasi 56,25% 0,63% 88,42% 91,58%
dilakukan
Dari hasil empat kali pengujian yang
sebanyak dua kali terhadap 32 spesies
dilakukan, pada pengujian dengan bobot
tanaman dan 19 spesies tanaman yang
hasil pelatihan pertama, hasil akurasi yang
didapatkan
didapatkan
dari
memisahkan
spesies
tanaman yang memiliki bentuk sama. Penelitian
ini
melakukan
hanya
56,25%.
Kemudian
pengujian dengan bobot hasil pelatihan empat
kedua
menghasilkan
akurasi
0,63%.
macam pelatihan pada JST, yaitu pelatihan
Menurut analisis penulis, hasil akurasi yang
10 sampel pada 32 kelas spesies, 40 sampel
rendah
disebabkan
oleh
fitur
yang
37 | T I M
digunakan hanyalah bentuk daun saja,
saraf tiruan saja (tidak mencakup nilai
sehingga
akurasi / validitas dari pemrosesan citra
beberapa
sampel
daun
yang
memiliki bentuk yang serupa gagal dikenali.
digital).
Hal ini terbukti, ketika jumlah spesies diperkecil, yaitu dengan mengambil spesies daun dengan bentukan yang spesifik, terjadi perubahan yang signifikan. Akurasi menjadi 88,42% untuk pengujian dengan bobot hasil
Beberapa saran yang dapat dilakukan dalam
penelitian
berikutnya
berkenaan
dengan penelitian ini, yaitu antara lain: 1. Untuk pengembangan perangkat lunak
untuk
berikutnya, dapat ditambahkan fitur
pengujian dengan bobot hasil pelatihan
lainnya selain hanya bentuk luar daun,
keempat.
yaitu seperti warna daun, garis dalam,
pelatihan
ketiga,
dan
91.58%
dan tekstur permukaan daun.
2. Pengembangan
4. KESIMPULAN DAN SARAN Berdasarkan hasil pengujian yang telah
dibahas
sebelumnya,
dapat
disimpulkan bahwa fitur morfologi daun yang digunakan hanya dapat mengenali daun yang bentuk morfologinya berbeda.
berikutnya
menggunakan
dapat
pengelompokkan
berdasarkan ciri-ciri / karakter fisik dari daun
tanaman
mempermudah
tertentu, proses
sehingga pengenalan
tanaman.
Dan hasil akhir yang digunakan sebagai
3. Perbaikan dalam teknik yang digunakan
akurasi dari perangkat lunak yang dibuat
untuk pengolahan citra digital agar hasil
adalah 91% untuk 19 jenis spesies tanaman
yang didapat lebih akurat dan waktu
(Wu, et.al. 2006) sehingga tidak dapat
yang dibutuhkan lebih pendek.
mewakili seluruh spesies yang ada di dunia
4. Menggunakan teknik lainnya selain back
ataupun kelompok spesies tanaman tertentu.
propagation
Nilai
mendapatkan hasil yang lebih akurat dan
akurasi
yang
didapat
hanyalah
merupakan nilai akurasi dari proses jaringan
neural
network
untuk
waktu pelatihan yang lebih pendek.
38 | T I M
5. DAFTAR PUSTAKA David Knight, James Painter, dan Matthew Potter. Automatic Plant Leaf Classification for a Mobile Field Guide. California: Stanford University, 2010. Nobuyuki, Otsu. “A Threshold Selection Method from Gray-Level Histograms.” IEEE Trans. Sys., Man., Cyber. 9 (1979). Qingfeng Wu, Changle Zhou, dan Chaonan Wang. Feature Extraction and Automatic Recognition of Plant Leaf Using Artificial Neural Network. Fujian: Xiamen University, 2006. R. Fisher, S. Perkins, A. Walker dan E. Wolfart. “Features Detector – Sobel Edge Detector.” School
of
Informatics
Homepages
Server.
2003.
http://homepages.inf.ed.ac.uk/rbf/HIPR2/sobel.htm (Diakses 28 November 2011). R. Fisher, S. Perkins, A. Walker dan E. Wolfart. “Morphology – Erosion.” School of Informatics Homepages Server. 2003 http://homepages.inf.ed.ac.uk/rbf/HIPR2/erode.htm (Diakses 28 November 2011). Stephen Gang Wu, Forrest Sheng Bao, Eric You Xu, Yu- Xuan Wang, Yi-Fan Chang dan QiaoLiang Xiang. A Leaf Recognition Algorithm for Plant Classification Using Probabilistic Neural Network. P.R.China, 2007. Xiao-Feng Wang, De-Shuang Huang, Ji-Xiang Du, Huan Xu dan Laurent Heutte, “Classification of Plant Leaf Images With Complicated Background.” Applied Mathematics and Computation. 205 1 (2008): 916-926. 39 | T I M
