PENGGABUNGAN FITUR LOCAL BINARY PATTERNS UNTUK ... · Pada tahun 2007, penulis lulus dari Sekolah...
Transcript of PENGGABUNGAN FITUR LOCAL BINARY PATTERNS UNTUK ... · Pada tahun 2007, penulis lulus dari Sekolah...
PENGGABUNGAN FITUR LOCAL BINARY PATTERNS UNTUK
IDENTIFIKASI CITRA TUMBUHAN OBAT
IYOS KUSMANA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2011
ABSTRACT
IYOS KUSMANA. Fusion of Local Binary Patterns Features for Medicinal Plants Identification.
Under the supervision of YENI HERDIYENI.
Identification plants automatically still be problem in obtaining a robust features. Local Binary
Patterns (LBP) is an excellent descriptor for texture feature due to efficiency and robustness, but
limited in the size of sampling point. In this research we propose fusion of LBP features, which
incorporates additional information without sacrificing the robustnes of LBP features. Fusion of LBP
features was done by two ways. In the first way, we perform a straightforward fusion by calculating
histogram of multiple LBP features separately, then concatenating the multiple histograms together. In the first way we combine information provided by multiple operators by varying the size of sampling
points and radius. In the second way, each histogram of LBP features are classified, and the feature
fusion can be accomplished by classifier combination. Both ways, we employ probabilistic neural
network (PNN) to classify LBP features. The experiment performed on medicinal plants and house
plants. The fusion of LBP features are shown to be very powerful tools for improving accuracy.
Keywords: medicinal plant, local binary patterns, classifier combination, probabilistic neural
network.
PENGGABUNGAN FITUR LOCAL BINARY PATTERNS UNTUK
IDENTIFIKASI CITRA TUMBUHAN OBAT
IYOS KUSMANA
Skripsi
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
2011
Judul : Penggabungan Fitur Local Binary Patterns untuk Identifikasi Citra Tumbuhan Obat
Nama : Iyos Kusmana
NRP : G64070017
Menyetujui:
Pembimbing
Dr. Yeni Herdiyeni, S.Si., M.Kom.
NIP 19750923 200012 2 001
Mengetahui:
Ketua Departeman Ilmu Komputer
Institut Pertanian Bogor
Dr. Ir. Sri Nurdiati, M.Sc.
NIP 19601126 198601 2 001
Tanggal Lulus:
PRAKATA
Alhamdulillahi Rabbil’ alamin, 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 Penggabungan Fitur Local Binary Patterns untuk Identifikasi Citra Tumbuhan Obat
dengan lancar dan baik. Penelitian ini dilaksanakan mulai Maret 2011 sampai dengan Agustus 2011,
bertempat di Departemen Ilmu Komputer IPB.
Penulis juga menyampaikan ucapan terima kasih kepada:
1. 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.
2. Ayah, Ibu, dan kakak-adik tercinta, Ika Usmawati, dan Riki Rusmana yang tidak henti-hentinya
memberikan doa, kasih sayang, dan dukungan kepada penulis, serta kepada paman Dedi Supardi
yang telah menganjurkan dan mengenalkan saya pada komputer. 3. Ibu Dr. Ir. Sri Nurdiati, M.Sc. dan Bapak Aziz Kustiyo, S.Si., M.Kom. selaku dosen penguji.
4. Yoga Herawan, Fanny Risnuraini, Fani Valerina, Windy Widowati, Kristina Paskianti, Dimpy
Adira Ratu, Ella Rizkyta, Elvira Nurfadhilah, Poetri Herningtyas sebagai teman satu bimbingan
yang selalu memberikan masukan, saran, dan semangat kepada penulis.
5. Rekan-rekan di Departemen Ilmu Komputer IPB angkatan 44 atas segala kebersamaan, bantuan,
dan motivasi yang telah diberikan kepada penulis.
Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan skripsi ini. Semoga skripsi
ini bermanfaat.
Bogor, Agustus 2011
Iyos Kusmana
RIWAYAT HIDUP
Iyos Kusmana dilahirkan di Majalengka pada tanggal 8 September 1988 dari pasangan Ibu Warsih
dan Bapak Usman. Pada tahun 2007, penulis lulus dari Sekolah Menengah Atas (SMA) Negeri 1
Talaga Majalengka dan diterima di Program Studi Ilmu Komputer Institut Pertanian Bogor (IPB)
melalui jalur Undangan Seleksi Masuk (USMI) IPB.
Pada tahun 2008, penulis memenangkan Lomba Opini Mahasiswa Tingkat Persiapan Bersama
IPB. Pada tahun 2010, penulis melaksanakan kegiatan praktik kerja lapangan di Pusat Perpustakaan
dan Penyebaran Teknologi Pertanian (PUSTAKA) selama tujuh minggu. Pada 2011, penulis
mendapatkan penghargaan dalam 50 karya ilmiah (proposal penelitian) terbaik dalam kompetisi
Student Innovation Awards (SINNOVA) 2011 yang diadakan oleh Institute of Science and Technology Studies (ISTECS) Jepang. Selama menempuh pendidikan di IPB, penulis pernah aktif di
Badan Kerohanian Islam Keluarga Mahasiswa (BKIM) IPB dan Unit Kegiatan Mahasiswa Keluarga
Silat Nasional Perisai Diri.
iv
DAFTAR ISI
Halaman
DAFTAR GAMBAR ............................................................................................................... v
DAFTAR TABEL .................................................................................................................... v
PENDAHULUAN
Latar Belakang ................................................................................................................... 1
Tujuan Penelitian ................................................................................................................ 1
Ruang Lingkup Penelitian ................................................................................................... 1
TINJAUAN PUSTAKA
Ekstaksi Fitur Tekstur ......................................................................................................... 1
Local Binary Patterns ......................................................................................................... 2
Rotation Invariant Uniform Patterns ) .................................................................. 3
Rotation Invariant Variance Measure ( ) ....................................................................... 3
LBP Variance ( ) ........................................................................................................ 3
Probabilistic Neural Network (PNN) .................................................................................. 4
Penggabungan Operator ...................................................................................................... 4
Classifier Combination ....................................................................................................... 5
METODE PENELITIAN
Citra Tumbuhan Obat dan Tanaman Hias ............................................................................ 5
Praproses ............................................................................................................................ 7
Ekstraksi Fitur Tekstur ........................................................................................................ 7
Penggabungan Operator LBP .............................................................................................. 8
Klasifikasi dengan Probabilistic Neural Network (PNN) ..................................................... 8
Penggabungan Model Klasifikasi ........................................................................................ 9
Pengujian dengan Sistem .................................................................................................... 9
Perangkat Keras dan Perangkat Lunak ................................................................................ 9
HASIL DAN PEMBAHASAN
Hasil Ekstraksi Tekstur dengan ............................................................................. 9
Hasil Ekstraksi Tekstur dengan ............................................................................... 9
Hasil Ekstraksi Tekstur dengan ............................................................................. 10
Hasil Ekstraksi Tekstur dengan Penggabungan Operator ..................................................... 10 Identifikasi Citra Tanpa Penggabungan ............................................................................... 11
Identifikasi Citra dengan Penggabungan Operator ............................................................... 11
Identifikasi Citra dengan Classifier Combination ................................................................ 12
Perbandingan Akurasi Klasifikasi Sebelum dan Sesudah Penggabungan Fitur ...................... 15
KESIMPULAN DAN SARAN
Kesimpulan ....................................................................................................................... 15
Saran .................................................................................................................................. 15
DAFTAR PUSTAKA .............................................................................................................. 15
LAMPIRAN ............................................................................................................................ 18
v
DAFTAR GAMBAR
Halaman
1 Circular neighborhood delapan sampling points.................................................................. 2
2 Contoh perhitungan nilai LBP ............................................................................................. 2
3 Beberapa ukuran circular neighborhood ............................................................................. 2
4 Tekstur uniform patterns ..................................................................................................... 3
5 Struktur PNN ...................................................................................................................... 4
6 Metode Penelitian ............................................................................................................... 6
7 Akar Kuning (Arcangelisiaflava L.) (a) Maranta (Calathea sp.)(b)....................................... 7
8 Pembentukan histogram LBP .............................................................................................. 7
9 Histogram citra tumbuhan obat Jarak Pagar untuk operator (8, 1) ........................... 9
10 Histogram citra tanaman hias Darah Naga untuk operator (16, 2) ............................ 10
11 Histogram citra tumbuhan obat Jarak Pagar untuk operator (24, 3) ......................... 10
12 Histogram citra tanaman hias Darah Naga penggabungan operator (8,1) dan (16,2) 10
13 Grafik akurasi citra tumbuhan obat untuk setiap kelas menggunakan , ,
, dan penggabungan operator ..................................................... 12
14 Grafik akurasi citra tanaman hias untuk setiap kelas menggunakan , , dan
penggabungan operator .................................................................................. 13
15 Grafik akurasi citra tumbuhan obat untuk setiap kelas menggunakan , , dan
penggabungan klasifikasi PDR , . ............................................................. 14
16 Citra tumbuhan obat yang paling banyak mengalami kesalahan klasifikasi (miss
classification) ..................................................................................................................... 14
17 Citra tanamanan hias dengan nama latin Asplenium nidus paling banyak mengalami kesalahan klasifikasi (miss classification) ............................................................................ 15
18 Grafik akurasi citra tanaman hias untuk setiap kelas menggunakan , , dan
penggabungan klasifikasi PDR , ................................................................ 15
19 Perbandingan akurasi klasifikasi terbaik pada citra tumbuhan obat untuk tanpa
penggabungan fitur dan penggabungan fitur ........................................................................ 15
20 Perbandingan akurasi klasifikasi terbaik pada citra tanaman hias untuk tanpa penggabungan
fitur dan penggabungan fitur ............................................................................................... 16
DAFTAR TABEL
Halaman
1 Operator LBP ..................................................................................................................... 7
2 LBP tanpa penggabungan ................................................................................................... 8
3 Penggabungan operator LBP ............................................................................................... 8
4 Akurasi hasil klasifikasi citra tumbuhan tanpa menggunakan penggabungan fitur ................ 11
5 Akurasi hasil klasifikasi citra tanaman hias tanpa menggunakan penggabungan fitur............ 11
6 Akurasi hasil klasifikasi penggabungan operator LBP citra daun tumbuhan obat .................. 12
7 Akurasi hasil klasifikasi penggabungan operator LBP citra pohon tanaman hias................... 13
8 Akurasi terbaik untuk setiap teknik penggabungan model klasifikasi citra daun tumbuhan
obat .................................................................................................................................... 14
9 Akurasi terbaik untuk setiap teknik penggabungan model klasifikasi citra pohon tanaman
hias .................................................................................................................................... 15
1
PENDAHULUAN
Latar Belakang
Indonesia memiliki keanekaragaman
tumbuhan obat yang melimpah yang sangat
potensial untuk pembangunan kesehatan
bangsa. Pada tahun 2001 Laboratorium
Konservasi Tumbuhan, Fakultas Kehutanan
IPB telah mencatat 2039 spesies tumbuhan obat
berasal dari ekosistem hutan Indonesia (Zuhud
2009). Hanya sekitar 20-22% tumbuhan obat
yang baru dibudidayakan masyarakat, dan selebihnya diperoleh melalui pengambilan
langsung (eksplorasi) dari hutan (Masyhud
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.
Identifikasi tumbuhan dapat dilakukan berdasarkan ciri morfologi, warna, dan tekstur.
Kulsum (2010) telah melakukan identifikasi
citra tanaman hias dengan menggunakan fitur
tekstur dengan metode Local Binary Patterns
(LBP). Ojala et al. (2002) pertama kali
mengusulkan metode Local Binary Patterns
sebagai texture descriptor yang bersifat gray
scale invariant. LBP mengalami perkembangan
dengan ditemukannya Rotation Invariant
Uniform Patterns ), Rotation Invariant
Variance Measure ) dan LBP Variance
).
Ojala et al. (2002) melakukan analisis
multiresolution dengan menggabungkan
beberapa operator LBP dengan variasi sampling
points dan radius yang berbeda. Fang et al.
(2009) telah melakukan penggabungan fitur
Multi-directional Riu-LBP untuk pengenalan
wajah. Nurafifah (2010) berhasil melakukan
identifikasi daun menggunakan penggabungan
fitur morfologi, tekstur dan bentuk daun dengan
metode classifier combination.
Wu et al (2007) telah melakukan identifikasi
tanaman menggunakan Probabilistic Neural
Network (PNN) pada daun tanaman liar yang
ada di Jepang. Wu menggunakan ciri morfologi
untuk melakukan identifikasi, akurasi yang
dicapai hingga 90%. Menurut Wu et al. (2007)
PNN memiliki struktur yang sederhana dan
proses training yang cepat karena tidak perlu
memperbarui bobot.
Penelitian ini menggunakan citra daun
tumbuhan obat dengan menerapkan
penggabungan beberapa fitur LBP yang
digunakan dalam penelitian Kulsum (2010).
Penelitian ini juga menggunakan citra pohon
tanaman hias, agar hasil identifikasi dengan
penggabungan fitur bisa dibandingkan dengan
hasil identifikasi tanpa penggabungan fitur
seperti yang telah dilakukan oleh Kulsum
(2010). Metode penggabungan yang digunakan
adalah penggabungan fitur seperti yang dilakukan oleh Ojala et al. (2002) dan Fang et
al. (2009). Selain itu, penggabungan juga
dilakukan dengan menggunakan metode
classifier combination seperti yang dilakukan
oleh Nurafifah (2010). Penelitian ini
menggunakan Probabilistic Neural Network
(PNN) sebagai classifier.
Tujuan
Tujuan penelitian ini adalah
mengidentifikasi citra tumbuhan obat secara
otomatis menggunakan penggabungan fitur Local Binary Patterns.
Ruang Lingkup
Ruang Lingkup penelitian ini adalah:
1. Data diperoleh dari hasil pengambilan citra
30 jenis tumbuhan obat 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 digunakan pada penelitian Kulsum (2010)
yang diambil dari Kebun Raya Bogor.
2. Dalam penelitian ini, operator LBP yang
digunakan dalam penggabungan dibatasi
paling banyak tiga.
TINJAUAN PUSTAKA
Ekstraksi Fitur Tekstur
Secara umum ciri atau fitur dari suatu citra
adalah warna, bentuk, dan tekstur (Rodrigues
2004). 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 (1) skala dan arah
2
pandangan, (2) lingkungan dan kondisi
pencahayaan.
Local Binary Patterns
Local Binary Patterns (LBP) pertama kali
diusulkan oleh Ojala et al. (2002) untuk
klasifikasi tekstur yang bersifat rotation
invariant. LBP banyak diterapkan pada
berbagai aplikasi, seperti face recognition,
dynamic texture classification, dan shape
localization (Guo et al. 2009). Kesuksesan LBP
sebagai descriptor tekstur disebabkan karena LBP memiliki biaya komputasi yang rendah dan
bersifat robust.
LBP merupakan descriptor yang efisien
yang mendeskripsikan pola tekstur lokal pada
citra gray scale. LBP didefinisikan sebagai
sekumpulan pixel ketetanggaan yang tersebar
secara melingkar (circular neighborhoods)
dengan pixel pusat berada di tengah seperti
ditunjukkan pada Gambar 1. Notasi gi
merupakan nilai pixel tetangga ke-i. gc merupakan pixel pusat yang digunakan sebagai
nilai threshold agar pixel ketetangganya
menjadi kode biner.
Gambar 1 Circular neighborhood delapan
sampling points.
Untuk mendapatkan nilai LBP dilakukan
thresholding pada pixel-pixel tetangga yang
berbentuk circular dengan menggunakan pixel
pusat, kemudian mengalikannya dengan
pembobotan biner. Sebagai contoh untuk
sampling points P=8 dan radius R=1,
perhitungan nilai LBP diilustrasikan pada
Gambar 2.
Gambar 2 Contoh perhitungan nilai LBP.
Secara matematis LBP dapat diformulasikan
sebagai berikut:
∑
{
(2)
dengan xc dan yc adalah koordinat pixel pusat,
adalah circular sampling points, adalah
jumlah sampling points atau pixel tetangga,
adalah nilai gray scale dari , adalah pixel
pusat, dan atau sign adalah fungsi threshold.
Untuk keperluan klasifikasi nilai-nilai LBP
selanjutnya direpresentasikan dalam bentuk
histogram. Histogram menunjukkan frekuensi
kejadian berbagai nilai LBP. Untuk ukuran citra
N×M, keseluruhan nilai LBP dapat
direpresentasikan dengan membentuk histogram
sebagai berikut:
∑∑ ( ) [ ]
(3)
{
(4)
dengan K merupakan nilai LBP maksimum.
Pengkodean LBP seperti pada Gambar 2
ditentukan oleh radius (R) dari jumlah sampling
points (P). Sehingga Local Binary Patterns
dinotasikan sebagai LBP(P,R). Semakin besar
nilai P akan meningkatkan informasi tekstur
yang didapat. Urutan pengkodean LBP yang
bersifat tetap menyebabkan ada sejumlah 2P
jumlah pola LBP. Gambar 3 memperlihatkan contoh circular neighborhood dengan beberapa
nilai R dan P.
(8,1) (16,2) (24,3)
Gambar 3 Beberapa ukuran circular
neighborhood.
Ojala et al. (2002) melakukan observasi bahwa beberapa pola LBP tertentu memiliki
informasi penting dari suatu tekstur. Pola-pola
yang memiliki informasi penting ini disebut
uniform patterns. LBP dikatakan uniform jika
discontinuities atau transisi bit 0/1 paling
banyak adalah dua. Sebagai contoh 00000000 (0
transisi), 11001111 (2 transisi), dan 11001111
(2 transisi) merupakan uniform patterns,
sedangkan 11001001 (4 transisi) dan 10101001
3
(6 transisi) bukan merupakan uniform patterns.
Uniform patterns berfungsi untuk
mengidentifikasi noda (spot), flat area atau dark
spot, sudut, dan tepi. Hampir 90 persen dari
tekstur merupakan uniform patterns (Ojala et al.
2002).
Spot Spot/flat Line end Edge Corner
Gambar 4 Tekstur uniform patterns.
Gambar 4 menunjukkan makna dari uniform patterns. Secara matematis uniform patterns
dapat diekspresikan sebagai berikut:
( ) | |
∑ | ( ) ( )|
(5)
dengan ( ) merupakan uniform patterns
dari jumlah sampling points (P) dan radius (R),
adalah circular sampling point, adalah
nilai keabuan dari , dan adalah nilai
keabuan rata-rata seluruh pixel neighborhood.
Jumlah pola yang dihasilkan uniform patterns
adalah bin.
Rotation Invariant Uniform Patterns
)
Ketika uniform patterns dirotasi sampai ke
nilai minimum yang dimilikinya, maka
didapatkan operator baru yang dinamakan
Rotation Invariant Uniform Patterns yang
dinotasikan . Notasi ri menunjukkan
rotation invariant dan u2 untuk uniform
patterns pada sampling points P dan radius R.
merupakan operator yang tidak sensitif
(invariant) terhadap perubahan rotasi dan
bersifat uniform. diformulasikan
sebagai berikut:
{
∑ ( )
( )
(6)
Jika pola yang diidentifikasi termasuk
uniform patterns, akan dihitung banyaknya bit
satu pada pola tersebut yang menentukan letak
bin uniform patterns berada. Jika P atau jumlah
sampling points sama dengan delapan, nilai
ada dalam rentang nol sampai dengan
sembilan. Pola-pola LBP yang tidak uniform
patterns akan menjadi bin ke-9 (Mäenpää
2003).
Rotation Invariant Variance Measure (VAR)
Secara umum tekstur tidak hanya ditentukan
oleh pola, namun juga kekuatan dari pola
(kontras). Pola tekstur tidak dipengaruhi oleh
perubahan gray scale, namun dipengaruhi oleh
transformasi citra seperti rotasi atau translasi.
Sebaliknya, kontras tekstur tidak dipengaruhi
oleh transformasi citra, namun dipengaruhi oleh
perubahan gray scale (Mäenpää 2003).
bekerja dalam mendeskripsikan informasi pola
tekstur yang tidak dipengaruhi perubahan gray
scale dan rotasi. tidak bisa
mendeskripsikan informasi kontras, untuk itu diperlukan descriptor yang mampu
mendeskripsikan informasi kontras yang
bersifat tidak sensitif terhadap perubahan gray
scale. Untuk mengukur lokal kontras tekstur
pada suatu citra digunakan rotation invariant
local variance (VAR). VAR merupakan
descriptor untuk mengukur lokal kontras tekstur
pada suatu citra yang tidak dipengaruhi
perubahan gray scale. VAR diformulasikan
sebagai berikut:
∑ ( )
(7)
dengan
∑
(8)
dengan merupakan rataan sampling points
circular neighborhood. VAR menghasilkan
nilai kontinu yang perlu dikuantisasi. Kuantisasi
yang ditentukan banyaknya jumlah data latih
(Guo et al. 2009).
LBP Variance (LBPV)
Secara definisi VAR mendeskripsikan
informasi kontras, dan
mendeskripsikan informasi pola tekstur,
sehingga kedua operator tersebut bersifat
komplemen. Pada persamaan (3), perhitungan
LBP histogram H tidak meliputi informasi
. Variance berhubungan dengan fitur
tekstur. Biasanya, frekuensi tekstur region yang
tinggi akan mempunyai variance yang lebih
tinggi dan variance-variance tersebut lebih
berkontribusi terhadap perbedaan tekstur suatu
citra (Guo et al. 2009). Oleh karena itu,
variance dapat digunakan sebagai bobot
yang dapat beradaptasi untuk mengatur
kontribusi nilai LBP pada perhitungan
histogram. Ojala et al. melakukan joint distribution pola LBP dengan kontras lokal
sebagai descriptor tekstur bernama LBPV.
LBPV dimaksudkan menjadi sebuah descriptor
4
tekstur yang bisa menginformasikan pola
tekstur dan kontras lokal. Histogram LBPV
dihitung menggunakan formula sebagai berikut:
∑∑ ( ) [ ]
(9)
dengan
( ) {
(10)
Probabilistic Neural Network
Probabilistic Neural Network (PNN)
diusulkan oleh Donald Specht pada tahun 1990
sebagai alternatif dari back-propagation neural
network. PNN memiliki beberapa kelebihan
yaitu, pelatihan yang hanya memerlukan satu
kali iterasi, dan solusi umumnya diperoleh
dengan menggunakan pendekatan Bayesian
(Ramakrishnan 2008).
PNN merupakan jaringan syaraf tiruan yang
menggunakan radial basis function (RBF). RBF
adalah fungsi yang berbentuk seperti bel yang
menskalakan variabel nonlinear (Wu, et al.
2007). Keuntungan utama menggunakan PNN
adalah pelatihannya yang mudah dan cepat.
Bobot bukan merupakan hasil pelatihan
melainkan nilai yang akan menjadi masukan.
Gambar 5 Struktur PNN.
PNN terdiri atas empat lapisan, yaitu lapisan
masukan, lapisan pola, lapisan penjumlahan,
dan lapisan keluaran. Struktur PNN
selengkapnya ditunjukkan pada Gambar 5.
Lapisan-lapisan yang menyusun PNN adalah
sebagai berikut:
1. Lapisan input (input layer)
Lapisan masukan merupakan input x yang
terdiri atas nilai yang akan
diklasifikasikan pada salah satu kelas dari
kelas.
2. Lapisan pola (pattern layer)
Pada lapisan pola dilakukan perkalian titik
(dot product) antara input dengan vektor
bobot , yaitu , kemudian
dibagi dengan bias tertentu σ dan
selanjutnya dimasukkan ke dalam fungsi
radial basis, yaitu
. Dengan demikian, persamaan yang digunakan pada lapisan pola adalah
sebagai berikut:
(
) (11)
dengan xij menyatakan vektor bobot atau
vektor latih kelas ke-i urutan ke-j.
3. Lapisan penjumlahan (summation layer)
Pada lapisan penjumlahan setiap pola pada
masing-masing kelas dijumlahkan sehingga
dihasilkan population density function untuk
setiap kelas. Persamaan yang digunakan
pada lapisan ini adalah:
∑
(12)
4. Lapisan keluaran (output layer)
Pada lapisan keluaran input x akan
diklasifikasikan ke kelas I jika nilai
paling besar dibandingkan kelas lainnya.
Penggabungan Operator LBP
Kelemahan LBP adalah terbatasnya area
spasial yang bisa digunakan untuk menangkap
struktur tekstur yang besar. Salah satu cara
untuk memperbesar dukungan area spasial dari
LBP adalah dengan menggabungkan beberapa informasi yang disediakan oleh N operator
dengan nilai sampling points P dan radius R
yang bervariasi. Penggabungan dengan
menggunakan joint distribution akan
menghasilkan akurasi yang tinggi, namun hal
tersebut kurang cocok digunakan karena secara
statistik tidak bisa dijamin kesalingbebasan
antara beberapa operator yang digabungkan.
Selain itu penggabungan N operator LBP
menggunakan joint distribution akan
menghasilan histogram N dimensi. Histogram dengan dimensi yang besar membutuhkan biaya
komputasi yang besar, baik dari segi kecepatan
maupun konsumsi memori (Mäenpää 2003).
Sebagai contoh penggabungan ,
5
, dan
, akan menghasilkan
histogram dengan panjang bin 10×18×26 =
4.680 bin.
Penggabungan operator selain joint
distribution adalah dengan menggunakan
concatenation (Guo et al. 2009). 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 ,
, dan
, akan menghasilkan
histogram dengan panjang bin 10+18+26 = 54
bin.
Classifier Combination
Classifier combination adalah kombinasi
dari dua atau lebih hasil nilai aturan keputusan
ciri individual (decision rules). Tujuan dari
classifier combination adalah untuk
meningkatkan efisiensi dan akurasi (Kittler,
1998). Classifier combination berusaha
mengurangi variance dalam sebuah estimasi,
sehingga akurasi dari klasifikasi menjadi meningkat daripada menggunakan sebuah
classifier (Huber 2000).
Masing-masing fitur yang diklasifikasikan
dengan sebuah classifier menghasilkan prior
probability dan posterior probability.
Berdasarkan kedua probabilitas tersebut, teknik
classifier combination yang dapat digunakan di
antaranya, product decision rule, sum decision
rule, maximum decision rule dan majority vote
rule.
Misalkan prior probability dari kelas j dinotasikan p(wj) dan probabilitiy density
function input xi dengan kondisi kelas j
dinotasikan p( | ). Dengan mengasumsikan
semua vektor ciri adalah saling bebas,
persamaan untuk product decision rule untuk
kelas wj didefinisikan sebagai berikut:
( )∏ ( |
∏ |
(13)
dengan R merupakan jumlah classifier yang akan dikombinasikan dan C adalah jumlah kelas
target. Berdasarkan posterior probabilities
| = |
, maka product
decision rule dapat ditulis seperti persamaan 14:
( )∏ ( | )
∏ |
(14)
Pada beberapa situasi dapat diasumsikan
persamaan posterior probabilities dihitung dari
masing-masing classifier tidak akan
menyimpang secara dramatis dari prior
probabilities. Dalam situasi tersebut posterior probabilities dapat dinyatakan sebagai berikut:
| (15)
dengan 1, jika persamaan 14 disubstitusi
dengan persamaan 15, dengan beberapa
pengabaian dan perluasan maka didapatkan
persamaan untuk sum decision rule sebagai
berikut:
( ) ∑ ( | )
∑ |
(16)
Dengan asumsi prior probability adalah
sama, maximum decision rule didapatkan
dengan mengganti salah satu bagian pada
persamaan 16 dengan batas atas dari
∑ |
| , sehingga
kelas wj didapatkan dengan persamaan 17:
( | )
|
(17)
Majority vote rule menggunakan fungsi ∆ki
yang bernilai biner. ∆ki = 1 jika nilai posterior
probabilities | ( | dan
selainnya bernilai 0, maka persamaan majority
vote rule untuk kelas wj adalah sebagai berikut:
∑ ∑
(18)
METODE PENELITIAN
Penelitian ini dilakukan dalam beberapa
tahap yang diilustrasikan pada Gambar 6.
Citra Tumbuhan Obat dan Tanaman Hias
Akuisisi citra daun tumbuhan obat dilakukan dengan pemotretan tiga puluh jenis tumbuhan
obat di kebun Biofarmaka IPB dan di rumah
kaca Pusat Konservasi Ex-Situ Tumbuhan Obat
Hutan Tropika Indonesia, Fahutan, IPB.
Pemotretan dilakukan dengan menggunakan
lima kamera digital yang berbeda (DSC-
W55, 7210 Supernova, Canon Digital Axus
95 IS, Samsung PL100, dan EX-Z35).
.
7
Total citra daun tumbuhan obat yang
digunakan adalah 1.440 yang terdiri atas 30
jenis daun, depan dan belakang (masing-
masing kelas 48 citra) diambil beberapa
pada waktu yang berbeda (pagi, siang dan
sore). Citra daun berformat JPEG dan
berukuran 270 × 240 pixel. Tiga puluh jenis
tumbuhan obat yang digunakan disajikan pada
Lampiran 1. Penelitian ini juga menggunakan
citra pohon tanaman hias yang digunakan pada
penelitian Kulsum (2010). Citra pohon tanaman hias terdiri dari tiga puluh jenis tanaman hias
yang diambil dari Kebun Raya Bogor dengan
masing-masing 10 citra per kelas. Tiga puluh
jenis tumbuhan obat yang digunakan disajikan
pada Lampiran 2.
Praproses
Sebelum masuk ke dalam tahap ekstraksi
fitur, dilakukan praproses data citra terlebih
dahulu. Praposes dilakukan dengan mengganti
latar belakang citra daun dengan latar belakang
putih. Gambar 7.a memperlihatkan contoh dari citra daun tumbuhan obat digunakan dalam
penelitian ini. Citra pohon tidak mengalami
pergantian latar belakang menjadi putih seperti
pada citra daun tumbuhan obat. Gambar 7.b
memperlihatkan contoh dari citra pohon
tanaman hias digunakan dalam penelitian ini.
(a) (b)
Gambar 7 Akar Kuning (Arcangelisiaflava L.)
(a) Maranta (Calathea sp.)(b).
Ekstraksi Fitur Tekstur
Ekstraksi fitur pada citra daun hanya
dilakukan pada pixel-pixel yang menyusun
daun. Latar belakang yang berwarna putih tidak
dimasukan dalam proses ekstraksi agar tidak
menjadi penciri. Ekstraksi fitur tekstur pada
penelitian ini menggunakan tiga buah
descriptor, yaitu , , dan
. Citra dikonversi ke mode warna gray
scale sebelum dilakukan proses ekstraksi.
Pengolahan selanjutnya membagi citra ke dalam
beberapa blok (local region) sesuai dengan
circular neighborhood (sampling points dan
radius) yang digunakan. Penelitian ini
menggunakan tiga operator yang disajikan pada
Tabel 1.
Tabel 1 Operator LBP
Operator (P, R)
Ukuran Blok (pixel)
Kuantisasi Sudut
(8, 1) 3 x 3 45 derajat
(16, 2) 5 x 5 22.5 derajat
(24, 3) 7 x 7 15 derajat
Ekstraksi tekstur dilakukan dengan
konvolusi menggunakan operator-operator yang
disajikan pada Tabel 1. Nilai-nilai LBP yang
dihasilkan dari proses esktraksi
direpresentasikan melalui histogram yang
merupakan frekuensi nilai LBP pada sebuah
citra. Ilustrasi pembentukan histogram ditunjukkan pada gambar berikut:
Gambar 8 Pembentukan histogram LBP.
Citra diekstraksi menggunakan tiga local
binary patterns descriptor, yaitu:
a. Ekstraksi tekstur dengan
Ekstraksi tekstur dilakukan dengan
menggunakan persamaan (6). Histogram
menghasilkan bin dengan
merupakan banyaknya sampling points yang
digunakan. Bin pertama sampai dengan
merupakan bin uniform patterns, sedangkan bin
terakhir ( ) merupakan single bin untuk
nonuniform patterns. Ekstraksi tekstur
menggunakan diolah menggunakan
tiga operator, yaitu (8,1), (16,2), dan (24,3).
b. Ekstraksi tekstur dengan
Ekstraksi tekstur dilakukan dengan
menggunakan persamaan (8) dan (9). Nilai
yang dihasilkan merupakan nilai
kontinu yang harus dikuantisasi.
Pengkuantisasian dilakukan dengan
mengelompokkan nilai-nilai dalam
rentang kelipatan 100 yang ditentukan
berdasarkan distribusi nilai . Hal ini
dilakukan untuk mempermudah perhitungan
frekuensi nilai-nilai dalam suatu citra.
Selanjutnya nilai yang telah dikuantisasi
direpresentasikan melalui histogram.
Histogram descriptor memiliki 128
8
bin. Penentuan banyaknya bin ini ditentukan
dari distribusi nilai terbesar setelah
proses kuantiasasi. Jumlah bin yang sama pada setiap operator menandakan bahwa informasi
kontras tidak dipengaruhi oleh ukuran sampling
points maupun radius. Ekstraksi tekstur
menggunakan diolah menggunakan
tiga operator, yaitu (8,1), (16,2), dan (24,3).
c. Ekstraksi tekstur dengan
Ekstraksi tekstur dilakukan dengan
menggunakan persamaan (10) dan (11).
Ekstraksi tekstur dengan menggunakan
nilai-nilai dan nilai-nilai .
Dalam penelitian ini, ukuran sampling points
dan radius dan adalah sama,
walaupun tidak menutup kemungkinan
menggunakan ukuran sampling points dan radius yang berbeda. Histogram
memiliki bin dengan
merupakan banyaknya sampling points yang
digunakan. Ekstraksi tekstur menggunakan
juga diolah menggunakan tiga ukuran
sampling points dan radius yang berbeda, yaitu
(8,1), (16,2), dan (24,3).
Penggabungan Operator LBP
Pada tahap penggabungan operator dilakukan dengan menggunakan perangkaian
(concatenation) beberapa buah histogram yang
didapatkan dari tahap ekstraksi fitur seperti
yang disajikan pada Tabel 2. Banyaknya
operator yang digunakan dalam penelitian ini
dibatasi paling banyak adalah tiga.
Tabel 2 LBP tanpa penggabungan
Descriptor P, R Jumlah bin
8,1
16,2
24,3
10
18
26
8,1
16,2
24,3
128
128
128
8,1
16,2
24,3
10
18
26
Penggabungan operator hanya dilakukan
dengan menggunakan ukuran sampling point
dan radius yang berbeda. Penggabungan
operator yang digunakan dalam penelitian ini
disajikan pada Tabel 3.
Tabel 3 Penggabungan operator LBP
Operator P, R Jumlah bin
8,1+16,2
8,1+24,3
16,2+24,3
8,1+16,2+24,3
10+18
10+26
18+26
10+18+26
8,1+16,2
8,1+24,3
16,2+24,3
8,1+16,2+24,3
128+128
128+128
128+128
128+128+128
8,1+16,2
8,1+24,3
16,2+24,3
8,1+16,2+24,3
10+18
10+26
18+26
10+18+26
Hasil dari penggabungan beberapa operator
menghasilkan sebuah histogram dengan panjang
bin yang merupakan penjumlahan dari bin-bin
histogram yang digabungkan. Histogram LBP
hasil penggabungan maupun tanpa penggabungan operator selanjutnya akan
dijadikan input untuk proses klasifikasi.
Klasifikasi dengan Probabilistic Neural
Network
Klasifikasi dilakukan dengan menggunakan
histogram LBP hasil penggabungan maupun
tanpa penggabungan operator. Proporsi data
latih dan data uji yang digunakan masing-
masing adalah 80% dan 20%. Dari proses
training masing-masing histogram dihasilkan
model klasifikasi.
Model klasifikasi untuk histogram
penggabungan operator dapat digunakan
langsung untuk proses pengujian. Sama seperti
citra latih, citra uji juga harus diekstraksi
menggunakan penggabungan operator. Sampai
tahap ini, proses identifikasi citra dengan
menggunakan penggabungan operator selesai
dilakukan.
Model klasifikasi untuk histogram tanpa
penggabungan operator akan dimasukan ke
tahap penggabungan model klasifikasi. Model
klasifikasi tersebut akan digunakan untuk pengujian. Hasil identifikasi citra menggunakan
fitur LBP tanpa penggabungan ini akan
dibandingkan dengan hasil identifikasi yang
menggunakan penggabungan fitur.
Klasifikasi dilakukan dengan menggunakan
PNN dengan menerapkan bias yang berbeda-
9
beda untuk setiap operator karena dimensi
histogram setiap operator berbeda-beda. Bias
untuk masing-masing operator disajikan di
Lampiran 3 dan 4. Normalisasi dilakukan pada
histogram agar perhitungan tidak menghasilkan
bilangan yang terlalu besar atau kecil yang tidak
bisa dikerjakan oleh mesin komputer.
Penggabungan Model Klasifikasi
Masing-masing model klasifikasi dari
masing-masing operator tanpa penggabungan
dikombinasikan menggunakan teknik classifier combination. Teknik classifier combination
yang digunakan adalah product decision rule
(PDR), sum decision rule (SDR), maximum
decision rule (MDR) dan majority vote rule
(MVR). Penggabungan dilakukan dengan
mengkombinasikan , , dan
dengan ukuran sampling points dan
radius (8,1), (16,2), dan (24,3). Total
keseluruhan kombinasi yang diujicobakan
adalah 65 kombinasi.
Pengujian dengan Sistem
Pengujian dilakukan pada data uji untuk
melihat tingkat keberhasilan klasifikasi terhadap
citra uji. Evaluasi dari kinerja model klasifikasi
didasarkan pada banyaknya data uji yang
diprediksi secara benar dan tidak benar oleh
model. Hal ini dapat dihitung menggunakan
akurasi yang diformulasikan sebagai berikut:
(19)
Perangkat Keras dan perangkat Lunak
Perangkat keras yang digunakan dalam
penelitian ini adalah Processor Intel(R)
Core(TM)2 Duo CPU T5670 @ 1.80 GHz,
memori DDR2 RAM 1.00 GB, dan harddisk 80
GB. Perangkat lunak yang digunakan adalah
Sistem operasi Windows 7 Ultimate, dan Microsoft Visual C++ 2008 Express Edition.
HASIL DAN PEMBAHASAN
Hasil Ekstraksi Tekstur dengan
Ekstraksi dengan dilakukan untuk
beberapa ukuran sampling point (P) dan radius
(R) seperti yang tertera pada Tabel 2. Hasil
ekstraksi dengan direpresentasikan
dengan histogram. Histogram untuk
P=8, R=1 diperlihatkan pada Gambar 9.
Jarak Pagar (Jatropha curcas Linn.)
Operator (8,1)
Gambar 9 Histogram citra tumbuhan
obat Jarak Pagar (Jathopra curcas
Linn.) untuk operator (8,1).
Histogram yang ditunjukkan Gambar 8
menunjukkan nilai uniform patterns pada bin 0
sampai dengan P, dan nilai nonuniform patterns
pada bin P + 1. Bin nonuniform patterns
memiliki frekuensi yang paling tinggi untuk
semua operator karena pola-pola LBP
nonuniform ditempatkan pada bin P + 1.
Nonuniform patterns memiliki informasi yang
kurang informatif, sehingga bukan merupakan
karakteristik utama dari tekstur lokal suatu citra.
Histogram yang dihasilkan mendeskripsikan
tekstur suatu citra yang bersifat uniform
patterns dan tidak sensitif terhadap rotasi.
Operator (24,3) mendeksripsikan pola tekstur
yang lebih baik dibandingkan operator (8,1) dan
(16,2). Hal tersebut disebabkan pertumbuhan
ukuran P dan R yang menyebabkan informasi
yang didapatkan menjadi lebih banyak.
Hasil Ekstraksi Tekstur dengan
Ekstraksi dengan dilakukan untuk
beberapa ukuran P dan R seperti yang tertera
pada Tabel 2. Hasil ekstraksi dengan
menghasilkan histogram dengan bin mulai dari
0 sampai dengan 127. Hasil ekstraksi
menggunakan untuk P=16, R=2
ditunjukkan dengan histogram pada Gambar 10.
sangat sensitif terhadap perubahan
pencahayaan (illumination) yang mengakibatkan perbedaan kontras pada tekstur
suatu citra. Histogram yang dihasilkan
mendeskripsikan kontras suatu citra. Jumlah bin
yang sama pada setiap operator menandakan
bahwa informasi kontras tidak dipengaruhi oleh
operator yang digunakan. Perbedaan yang
terjadi hanya pada intensitas setiap bin untuk
masing-masing operator.
10
mendreskripsikan nilai kontras dari intensitas
terendah (direpresentasikan dengan bin
pertama) sampai intensitas tertinggi (bin
terakhir). Histogram pada Gambar 12
menunjukkan citra Jarak Pagar (Jathopra
curcas Linn.) memiliki kontras yang rendah.
Hal ini dapat diamati dari banyaknya frekuensi
tinggi pada bin-bin awal.
Pohon Darah Naga (Dracena draco)
Operator (16,2)
Gambar 10 Histogram citra tanaman
hias Darah Naga (Dracena draco)
untuk operator (16,2).
Hasil Ekstraksi Tekstur dengan
mempunyai rentang nilai dan
jumlah bin yang sama dengan untuk
setiap operator. Hasil ekstraksi menggunakan
untuk P=24, R=3 ditunjukkan dengan
histogram pada Gambar 11.
Jarak Pagar (Jatropha curcas Linn.)
Operator (24,3)
Gambar 11 Histogram citra tumbuhan
obat Jarak Pagar (Jathopra curcas
Linn.) untuk operator (24,3).
Hasil ekstraksi dengan
menghasilkan histogram dengan pola yang
menyerupai karena memiliki
rentang nilai yang mengacu kepada
nilai di posisi region yang sama.
Ekstraksi tekstur menggunakan LBPV
melengkapi pola-pola tekstur spasial lokal
dengan intensitas kontras lokal yang
memainkan peranan penting pada texture
discrimination, sehingga LBPV bersifat
rotation invariant (tidak sensitif terhadap
perubahan rotasi) dan tahan terhadap perubahan
pencahayaan.
Hasil Ekstraksi Tekstur dengan
Penggabungan Operator
Hasil ekstraksi tekstur dengan penggabungan operator dilakukan dengan
mengekstraksi masing citra masing-masing
operator, kemudian dari masing-masing
histogram yang dihasilkan dirangkai menjadi
satu histogram (concatenation). Kombinasi
pengabungan operator ditunjukkan pada Tabel
2. Hasil ekstraksi menggunakan
dengan penggabungan operator (8,1) dan (16,2)
ditunjukkan dengan histogram pada Gambar 12.
Pohon Darah Naga (Dracena draco)
Operator (8,1)+(16,2)
Gambar 12 Histogram citra tanaman
hias Darah Naga (Dracena draco)
dengan penggabungan operator
(8,1) dan (16,2).
Penggabungan operator berusaha
memperbanyak informasi yang ditangkap oleh
beberapa operator. Penggabungan operator
seperti pada Gambar 12 mengasumsikan bahwa
operator-operator yang digunakan bersifat saling bebas. Penggabungan operator dengan
concatenation mempunyai biaya komputasi
11
yang berbanding lurus dengan banyaknya
sampling points (P).
Identifikasi Citra Tanpa Penggabungan
Identifikasi citra dilakukan dengan
menggunakan sistem yang diberi nama
Meditopia. Citra uji akan diekstraksi dan di
identifikasi, kemudian sistem akan
mengeluarkan hasil identifikasi citra uji
tersebut. Hasil identifikasi citra akan
mengeluarkan nama citra dan informasi
mengenai citra uji tersebut. Screenshoot dari pengujian identifikasi citra uji dapat dilihat di
Lampiran 5.
Identifikasi citra dilakukan dengan
menggunakan Probabilistic Neural Network
(PNN). Hasil ekstraksi 1.440 citra
menggunakan dan
descriptor menghasilkan vektor-vektor
histogram citra tumbuhan obat. Klasifikasi
dilakukan dengan membagi data latih dan data
uji masing-masing 80% dan 20 % untuk citra
tumbuhan obat, serta 70% dan 30 % untuk citra tanaman hias.
Hasil identifikasi masing-masing descriptor
dengan tiga ukuran P dan R menghasilkan nilai
akurasi dalam satuan persen yang disajikan
pada Tabel 4.
Dari Tabel 4, akurasi tertinggi untuk
ada pada operator (24,3). Akurasi
tertinggi untuk ada pada operator
(24,3). Untuk akurasi tertinggi
didapatkan pada penggabungan operator (24,3).
Tabel 4 Akurasi hasil klasifikasi citra tumbuhan
tanpa menggunakan penggabungan
fitur.
Operator P, R Jumlah bin Akurasi
8,1
16,2
24,3
10
18
26
60.000%
61.667%
71.000%
8,1
16,2
24,3
128
128
128
41.667%
48.000%
50.333%
8,1
16,2
24,3
10
18
26
56.333%
57.667%
59.667%
Dari hasil percobaan didapatkan bahwa
tidak lebih baik mendeksprisikan
informasi tekstur dibandingkan dengan
dan . Hal ini dikarenakan data citra
daun tumbuhan obat memiliki kontras yang
cenderung seragam. menghasilkan
akurasi yang paling baik sebesar 71 %, karena
data citra daun tumbuhan obat memiliki pola
tekstur yang bervariasi. Bervariasinya pola-pola
tekstur menjadikan diskriminannya tinggi.
memiliki rata-rata akurasi yang tidak
lebih baik dari , karena rendahnya nilai
yang digunakan dalam pembobotan
.
Tabel 5 menyajikan hasil identifikasi citra
pohon tanaman hias masing-masing descriptor
dengan tiga operator menghasilkan nilai akurasi
dalam satuan persen.
Tabel 5 Akurasi hasil klasifikasi citra tanaman
hias tanpa menggunakan penggabungan fitur.
Operator P, R Jumlah bin Akurasi
8,1
16,2
24,3
10
18
26
70.000%
71.111%
78.889%
8,1
16,2
24,3
128
128
128
68.889%
66.667%
68.889%
8,1
16,2
24,3
10
18
26
71.111%
78.889%
75.556%
Dari Tabel 5 didapatkan descriptor yang
paling baik untuk mendeskripsikan informasi
tekstur citra tanaman hias adalah .
Akurasi tertinggi didapatkan pada
dengan operator (16,2) sebesar
78.889%. Citra pohon tanaman hias memiliki
pola tekstur dan kontras yang lebih kompleks
dari pada data citra daun tumbuhan obat. Hal ini
menyebabkan menjadi descriptor yang
paling baik.
Identifikasi Citra dengan Penggabungan
Operator
Hasil identifikasi dengan penggabungan
operator pada citra tumbuhan obat disajikan
pada Tabel 6. Dari hasil percobaan yang telah
dilakukan, tidak semua penggabungan operator
untuk masing-masing descriptor menghasilkan
akurasi yang lebih baik dibandingkan tanpa
penggabungan. Hasil ini disebabkan karena data
citra daun tumbuhan obat memiliki struktur
tekstur yang kurang kompleks.
Penggabungan operator pada citra tumbuhan
obat tidak mengalami peningkatan akurasi.
12
Secara umum, penggabungan operator hanya
meningkatkan akurasi pada descriptor .
Akurasi tertinggi untuk penggabungan operator
adalah 70.667 % pada dengan
penggabungan operator (8,1), (16,2), dan (24,3).
Akurasi tertinggi tanpa penggabungan operator
adalah 71.000 % pada descriptor
dengan operator (24,3).
Tabel 6 Akurasi hasil klasifikasi penggabungan
operator LBP citra daun tumbuhan obat
Operator P, R Jumlah bin Akurasi
8,1+16,2
8,1+24,3
16,2+24,3
8,1+16,2+24,3
10+18
10+26
18+26
10+18+26
64.667%
69.000%
70.000%
69.000%
8,1+16,2
8,1+24,3
16,2+24,3
8,1+16,2+24,3
128+128
128+128
128+128
128+128+128
26.333%
27.000%
26.000%
23.333%
8,1+16,2
8,1+24,3
16,2+24,3
8,1+16,2+24,3
10+18
10+26
18+26
10+18+26
65.667%
69.667%
67.000%
70.667%
Pada penggabungan operator menggunakan
penurunan akurasi terjadi yang cukup
besar dibandingkan dengan hasil tanpa
penggabungan. Hal ini dikarenakan fitur kontras
dalam citra tumbuhan obat kurang diskriminan
untuk dijadikan penciri. Penurunan akurasi juga
disebabkan oleh besarnya panjang histogram
pada penggabungan operator pada .
Histogram dengan dimensi yang besar
membutuhkan biaya komputasi yang besar, baik
dari segi kecepatan maupun konsumsi memori
(Mäenpää 2003).
Secara umum peningkatan akurasi terjadi
pada setiap kelas setelah menggunakan
penggabungan operator. Pada Gambar 13 dapat
dilihat perbandingan akurasi klasifikasi tiap
kelas sebelum dan sesudah penggabungan. Pada
Gambar 13 bisa dilihat bahwa kelas yang
mengalami akurasi 100 % sebelum
penggabungan paling banyak ada dua. Setelah
dilakukan penggabungan operator, kelas yang
mengalami akurasi 100 % bertambah menjadi
lima.
Gambar 13 Grafik akurasi citra tumbuhan obat
untuk setiap kelas menggunakan
, , , dan
penggabungan operator
.
Hasil identifikasi dengan penggabungan
operator pada citra tanaman hias disajikan pada
Tabel 7. Descriptor yang mengalami
peningkatan akurasi paling baik pada
penggabungan operator adalah .
Akurasi tertinggi didapatkan pada
dengan penggabungan operator (8,1)
dan (24,3) sebesar 84.444 %. Sedangkan akurasi
tertinggi pada descriptor tanpa penggabungan
operator didapatkan pada sebesar
78.889%.
13
Tabel 7 Akurasi hasil klasifikasi penggabungan
operator LBP citra pohon tanaman hias
Operator P, R Jumlah bin Akurasi
8,1+16,2
8,1+24,3
16,2+24,3
8,1+16,2+24,3
10+18
10+26
18+26
10+18+26
72.222%
74.444%
77.778%
75.556%
8,1+16,2
8,1+24,3
16,2+24,3
8,1+16,2+24,3
128+128
128+128
128+128
128+128+128
50.000%
61.667%
63.333%
41.000%
8,1+16,2
8,1+24,3
16,2+24,3
8,1+16,2+24,3
10+18
10+26
18+26
10+18+26
83.333%
84.444%
82.222%
83.333%
Citra pohon tanaman hias memiliki pola
tekstur dan kontras yang lebih kompleks dari
pada data citra daun tumbuhan obat. Hal ini
menyebabkan menjadi descriptor yang
paling baik diantara ketiga descriptor, karena
mendeskripsikan informasi pola
tekstur dan kontras local region. Dengan
melakukan penggabungan beberapa operator
pada , akurasi klasifikasi menjadi
meningkat.
Pada Gambar 14 dapat dilihat perbandingan akurasi klasifikasi tiap kelas citra tanaman hias
sebelum dan sesudah penggabungan. Metode
penggabungan operator yang digunakan dalam
penelitian ini tidak menjamin sepenuhnya akan
meningkatkan akurasi klasifikasi.
Penggabungan operator juga bisa menurunkan
akurasi klasifikasi karena ada asumsi saling
bebas antara beberapa operator yang digunakan.
Misalnya untuk citra tanaman hias ke-7 yang
mengalami penurunan akurasi setelah dilakukan
penggabungan operator. Pada Gambar 14 bisa dilihat bahwa akurasi klasifikasi kelas ke-7
menggunakan dan masing-
masing adalah 66.667% dan 100%. Setelah
dilakukan penggabungan operator dengan
menggunakan akurasi klasifikasi
menjadi 66.667%. Namun secara umum akurasi
meningkat untuk setiap kelas setelah dilakukan
penggabungan operator.
Gambar 14 Grafik akurasi citra tanaman hias
untuk setiap kelas menggunakan
, , dan
penggabungan operator
.
Identifikasi Citra dengan Classifier
Combination
Hasil klasifikasi masing-masing fitur LBP
digabungkan dengan empat teknik classifier
combination di antaranya product decision rule
(PDR), sum decision rule (SDR), maximum decision rule (MDR), dan majority vote rule
(MVR). Penentuan kelas menggunakan teknik
PDR dan SDR melibatkan semua fitur yang
digabungkan. Untuk teknik MDR dan MVR,
penentuan kelas dengan cara memilih fitur yang
dominan. Ciri yang dominan ditentukan dengan
memilih nilai posterior probabilities kelas yang
maksimum. Penggabungan dilakukan dengan
mengkombinasikan sebanyak 2 sampai dengan
3 fitur , dan dengan
operator (8,1), (16,2), dan (24,3).
14
Dari berbagai kombinasi antara descriptor
dengan operator, didapatkan 65 kombinasi
penggabungan yang diujicobakan. Hasil
lengkap eksperimen untuk citra daun tumbuhan
obat dan citra tanaman hias disajikan di
Lampiran 3 dan 4. Tabel 8 menyajikan akurasi
terbaik untuk setiap teknik penggabungan
model klasifikasi untuk citra daun tumbuhan
obat.
Tabel 8 Akurasi terbaik untuk setiap teknik
penggabungan model klasifikasi citra daun tumbuhan obat.
Teknik Akurasi Fitur
PDR 77.000 % ,
SDR 73.333 % ,
MDR 72.222 % ,
MVR 67.333 % ,
Dengan menggunakan teknik PDR, akurasi
tertinggi didapatkan pada penggabungan fitur
dan sebesar 77 %. Akurasi
penggabungan dan juga
merupakan akurasi paling tinggi diantara semua
penggabungan menggunakan classifier
combination maupun penggabungan operator.
Jika dilihat akurasi untuk masing-masing fitur
sebelum penggabungan, menghasilkan
akurasi 60 %, sedangkan
menghasilkan 59,667 %.
Pada Gambar 15 bisa dilihat bahwa akurasi
tiap kelas pada penggabungan fitur dan
mengalami peningkatan
dibandingkan dengan sebelum penggabungan.
Hal ini juga berlaku untuk penggabungan fitur
yang lain. PDR selalu memberikan akurasi yang
lebih baik di antara keempat teknik classifier
combination karena semua fitur memiliki
kontribusi dalam menentukan keputusan kelas.
Pada penggabungan fitur dan
dengan menggunakan PDR, ada 8
kelas citra tumbuhan obat yang terklasifikasi
100 % dengan benar. Kelas yang paling banyak
mengalami kesalahan klasifikasi (miss
classification) adalah kelas citra ke-25 atau
daun kemuning yang ditunjukkan pada Gambar 16. Citra-citra pada kelas ini memiliki
perbedaan pola tekstur dan kontras yang cukup
tinggi antara satu citra dengan citra lain,
sehingga akurasinya rendah.
Gambar 15 Grafik akurasi citra tumbuhan obat
untuk setiap kelas menggunakan
, , dan
penggabungan klasifikasi PDR
, .
Penggabungan SDR dan MDR memiliki
akurasi terbaik sebesar 73,333 % pada
penggabungan dan . Jika
dilihat akurasi untuk masing-masing fitur
sebelum penggabungan,
menghasilkan akurasi 71 %, sedangkan
menghasilkan 59.667 %.
Gambar 16 Citra tumbuhan obat yang paling
banyak mengalami kesalahan
klasifikasi (miss classification).
Penggabungan MVR menghasilkan akurasi
terbaik sebesar 67.333 % pada penggabungan
dan
. Jika dilihat akurasi untuk
masing-masing fitur sebelum penggabungan,
15
menghasilkan akurasi 71 %,
sedangkan menghasilkan 61.667 %.
Akurasi terbaik hasil classifier combination
pada citra pohon tanaman hias disajikan pada
Tabel 9. Untuk citra pohon tanaman hias
akurasi tertinggi didapatkan dengan teknik PDR
yang menggunakan fitur dan
yaitu sebesar 86.667 %. Citra pohon tanaman
hias memiliki tekstur yang sangat kompleks
sehingga operator sangat baik dalam
mendeskripsikan fitur tekstur. Dengan teknik
PDR, penggabungan fitur dan
merupakan salah satu metode untuk
menghasilkan akurasi terbaik pada identifikasi
citra pohon tanaman hias. Citra pohon tanaman
hias menghasilkan akurasi yang baik
dibandingkan citra daun tumbuhan obat, karena
metode LBP sangat cocok untuk citra yang
memiliki struktur tekstur yang kompleks.
Tabel 9 Akurasi terbaik untuk setiap teknik
penggabungan model klasifikasi citra
pohon tanaman hias.
Teknik Akurasi Fitur
PDR 86.667 %
SDR 82.222 %
MDR 82.222 %
MVR 82.222 %
Akurasi tiap kelas penggabungan fitur
dan dengan menggunakan
PDR bisa dilihat pada Gambar 18. Pada
penggabungan tersebut ada 21 kelas citra
tanaman hias yang terklasifikasi 100 % dengan
benar. Salah satu kelas yang paling banyak
mengalami kesalahan klasifikasi (miss
classification) adalah kelas citra ke-26 atau
tanaman hias dengan nama latin Asplenium
nidus yang ditunjukkan pada Gambar 17. Citra-
citra pada kelas ini memiliki perbedaan pola
tekstur dan kontras yang cukup tinggi
dibandingkan dengan kelas lain, sehingga hasil akurasinya rendah.
Gambar 17 Citra tanamanan hias dengan nama
latin Asplenium nidus paling
banyak mengalami kesalahan
klasifikasi (miss classification).
Gambar 18 Grafik akurasi citra tanaman hias
untuk setiap kelas menggunakan
, , dan
penggabungan klasifikasi PDR
, .
Perbandingan Akurasi Klasifikasi Sebelum
dan Sesudah Penggabungan Fitur
Secara umum penggabungan fitur dengan
metode penggabungan operator dan
penggabungan model klasifikasi selalu menghasilkan akurasi klasifikasi yang lebih
baik dibandingkan dengan tanpa penggabungan
fitur. Grafik akurasi klasifikasi terbaik sebelum
dan sesudah klasifikasi untuk citra tumbuhan
obat ditampilkan pada Gambar 19.
Gambar 19 Perbandingan akurasi klasifikasi
terbaik pada citra tumbuhan obat
untuk tanpa penggabungan fitur
dan penggabungan fitur.
16
Untuk citra tumbuhan obat, penggabungan
operator tidak menghasilkan akurasi yang lebih
baik dibandingkan dengan tanpa penggabungan.
Hal ini dipengaruhi oleh seberapa kompleks
tekstur citra. Citra tumbuhan obat cenderung
memiliki tekstur yang tidak sekompleks citra
tanaman hias, sehingga penggabungan operator
tidak meningkatkan akurasi. Lain halnya
dengan citra tanaman hias, penggabungan
operator dan penggabungan model klasifikasi
menghasilkan akurasi yang lebih baik dibandingkan dengan tanpa penggabungan.
Grafik akurasi klasifikasi terbaik sebelum dan
sesudah klasifikasi untuk citra tanaman hias
ditampilkan pada Gambar 20.
Gambar 20 Perbandingan akurasi klasifikasi
terbaik pada citra tanaman hias
untuk tanpa penggabungan fitur
dan penggabungan fitur.
KESIMPULAN DAN SARAN
Kesimpulan
Penggabungan fitur local binary patterns
untuk identifikasi citra daun tumbuhan obat dan
tanaman hias secara otomatis berhasil
diimplementasikan. Penggabungan dilakukan
dengan dua metode, yaitu penggabungan
operator dan penggabungan model klasifikasi
(classifier combination). Kedua metode
penggabungan menggunakan metode klasifikasi
probabilistic neural network. Penelitian ini telah membuktikan bahwa kedua metode
penggabungan akan meningkatkan akurasi
klasifikasi.
Untuk citra tumbuhan obat, akurasi
klasifikasi terbaik sebelum dan sesudah
penggabungan fitur LBP adalah sebagai berikut:
tanpa penggabungan fitur menghasilkan
akurasi sebesar 71.000% dengan
menggunakan .
penggabungan operator (8,1),
(16,2) dan (24,3) menghasilkan akurasi
sebesar 70.667%.
penggabungan klasifikasi dan
menggunakan teknik PDR
menghasilkan akurasi sebesar 77.000%.
Untuk citra tanaman hias, akurasi terbaik
sebelum dan sesudah penggabungan fitur LBP
adalah:
tanpa penggabungan fitur menghasilkan
akurasi sebesar 78.889% dengan
menggunakan .
penggabungan operator (8,1) dan
(24,3) menghasilkan akurasi sebesar
84.444%.
penggabungan klasifikasi dan
menggunakan teknik PDR
menghasilkan akurasi sebesar 86.667%.
Citra pohon tanaman hias menghasilkan
akurasi yang baik dibandingkan citra daun
tumbuhan obat, karena metode LBP sangat
cocok untuk citra yang memiliki struktur tekstur
yang kompleks. Untuk semua metode
penggabungan fitur, akurasi terbaik didapatkan pada metode penggabungan dengan classifier
combination menggunakan PDR baik pada citra
daun tumbuhan obat maupun citra pohon
tanaman hias.
Saran
Penelitian ini menggunakan database citra
yang relatif sedikit jumlahnya, sehingga untuk
penelitian selanjutnya disarankan untuk
memperbanyak database citra. Akuisisi citra
juga perlu diperbaiki dengan memperhatikan
penggunaaan kamera digital, pencahayaan, resolusi, dan sudut pengambilan yang sama.
DAFTAR PUSTAKA
Acharya T, Ray A. 2005. Image Processing
Principles and Aplications. New Jersey :
John Wiley & Sons Inc.
Ahonen T, Hadid A, Pietikäinen M. 2006. Face
Description with Local Binary Patterns:
Application to Face Recognition. University
of Oulu, Finland.
Araghi L. F., et al. 2009. Ship Identification
Using Probabilistic Neural Networks (PNN). Hongkong : IMECS.
Bappenas. 2003. Indonesia Biodiversity and
Action Plan 2003-2020. Jakarta: Bappenas.
Fang Y., et al. 2009. Fusion of Multi-
directional Rotation Invariant Uniform LBP
Features for Face Recognition. Shanghai:
Shanghai University.
17
Guo Zhenhua, Zhang Lei, Zhang David. 2009.
Rotation Invariance Texture Classification
Using LBP variance (LBPV) with Global
Matching. The Hong Kong Polytechnic
University.
Guo Zhenhua, Zhang Lei, Zhang David. 2010.
A Completed Modeling of Local Binary
Pattern Operator for Texture Classification.
IEEE Transactions on Image Processing.
Vol. 19, No. 6, pp. 1657-1663.
Kebapci H, Yanikoglu B, Unal G. 2009. Plant Image Retrieval Using Color, Shape, and
Texture Features. Faculty of Engineering
and Natural Sciences Sanbaci University.
Kulsum, L. U. 2010. Identifikasi Tanaman Hias
Secara Otomatis Menggunakan Metode
Local Binary Patterns Descriptor dan
Probabilistic Neural Network. Skripsi.
Institut Pertanian Bogor.
Mäenpää Topi. 2003. The Local Binary
Patterns Approach to Texture Analysis.
Oulu : Oulu University Press.
Masyhud. 2010. Lokakarya Nasional Tumbuhan
Obat Indonesia 2010. Jakarta : Pusat
Penelitian dan Pengembangan Hutan
Tanaman.
Nurafifah. 2010. Penggabungan Ciri Morfologi,
Tekstur, dan Bentuk Untuk Identifikasi
Daun Menggunakan Probabilistic Neural
Network. Skripsi. Institut Pertanian Bogor.
Ojala T., et al. 2002. Multiresolution Gray-
Scale and Rotation Invariant Texture
Classification with Local Binary Patterns. IEEE Transactions on PAMI. Vol. 24, No.
7, pp. 2037-2041.
Pietikäinen M, Ojala T, Xu Z. 2000. Rotation-
invariant Texture Classification Using
Feature Distribution. Pattern Recognition.
Vol. 33. Hal. 43-52.
Ramakrishnan S, Emary I. 2008. Comparative
Study Between Traditional and Modified
Probabilistic Neural Network. India :
Springer Science.
Rodrigues PS, Aroujo AA. 2004. A
Bayesian Network Model Combining Color, Shape and Texture Information to
Improve Content Based Image Retrieval
Systems. Petropolis : LNCC.
Wu S. G., et al. 2007. A Leaf Recognition
Algorithm for Plant Using Probabilistic
Neural Network. China : Chinese Academy
Science.
Zuhud, E.A.M. 2009. Potensi Hutan Tropika
Indonesia sebagai Penyangga Bahan Obat
Alam untuk Kesehatan Bangsa. Jurnal
Bahan Alam Indonesia. Vol VI No.6,
Januari 2009.
Lampiran 1 Tiga puluh jenis citra tumbuhan obat.
Pandan Wangi
(Pandanus
amaryllifolius
Roxb.)
Jarak Pagar
(Jatropha curcas Linn.)
Dandang Gendis
(Clinacanthus
nutans Lindau)
Lavender
(Lavendula afficinalis Chaix)
Akar Kuning
(Arcangelisiaflav
a L.)
Daruju
(Acanthus
ilicifolius L.)
Pegagan
(Centella
asiatica,
(Linn) Urban.)
Andong
(Centella
asiatica, (Linn) Urban.)
Kemangi
(Ocimum basilicum)
Iler
(Coleus
scutellarioides,
Linn, Benth)
Jeruk Nipis
(Citrus
aurantifolia,
Swingle.)
Bidani
(Quisqualis
Indica L.)
Gadung Cina
(Smilax china)
Tabat Barito
(Ficus deloidea
L.)
Nandang gendis
kuning
Bunga Telang
(Clitoria ternatea
L.)
Mangkokan
(Nothopanax
scutellarium Merr.)
Som Jawa
(Talinum paniculatum
(jacq.) Gaertn.)
Pungpulutan
(Urena lobata L.)
Sosor Bebek
(Kalanchoe
pinnata (Lam.)Pers)
Nanas kerang
(Rhoeo discolor
(L.Her.) Hance)
Seligi
(Phyllanthus
buxifolius Muell)
Remak Daging
(Excecaria
bicolor Hassk)
Kumis Kucing
(Orthosiphon
aristatus (B1)
Miq.)
Kemuning
(Murraya
paniculata [L..]
Jack.)
Cincau Hitam
(Mesona palustris)
Sambang Darah
(Excoceria cochinchinensis
Lour.)
Landik
(Barleria lupulina
Lindl.)
Jambu Biji
(Psidium guajava
L.)
Handeuleum
(Graptophyllum
pictum (L.)
Griffith)
19
Lampiran 2 Tiga puluh jenis citra tanaman hias.
No Citra Tanaman Hias Nama Latin Nama Lokal
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)
20
Lampiran 2 Lanjutan.
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)
21
Lampiran 2 Lanjutan.
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)
22
Lampiran 3 Akurasi klasifikasi citra tumbuhan obat.
a. Penggabungan Operator
Operator P, R Jumlah bin Bias PNN Akurasi
8,1
16,2
24,3
8,1+16,2
8,1+24,3
16,2+24,3
8,1+16,2+24,3
10
18
26
10+18
10+26
18+26
10+18+26
0.0300
0.0100
0.0091
0.0190
0.0210
0.0125
0.0113
60.000%
61.667%
71.000%
64.667%
69.000%
70.000%
69.000%
8,1
16,2
24,3
8,1+16,2
8,1+24,3 16,2+24,3
8,1+16,2+24,3
128
128
128
128+128
128+128 128+128
128+128+128
0.0031
0.0032
0.0055
0.0600
0.0600 0.0600
2.0000
41.667%
48.000%
50.333%
26.333%
27.000% 26.000%
23.333%
8,1
16,2
24,3
8,1+16,2
8,1+24,3
16,2+24,3
8,1+16,2+24,3
10
18
26
10+18
10+26
18+26
10+18+26
0.0150
0.0255
0.0300
0.0250
0.0220
0.0250
0.0305
56.333%
57.667%
59.667%
65.667%
69.667%
67.000%
70.667%
b. Classifier Combination
Operator PDR SDR MDR MVR
Riu2(8,1), Riu2(16,2) 62.667% 61.667% 60.333% 59.667%
Riu2(8,1), Riu2(24,3) 72.333% 71.000% 70.333% 64.667%
Riu2(16,2), Riu2(24,3) 70.000% 67.000% 65.667% 67.333%
Riu2(8,1), Riu2(16,2), Riu2(24,3) 62.667% 61.667% 60.333% 3.333%
Var(8,1), Var(16,2) 50.333% 49.333% 48.667% 45.333%
Var(8,1), Var(24,3) 52.333% 50.667% 48.667% 44.667%
Var(16,2), Var(24,3) 52.000% 50.333% 49.667% 49.333%
Var(8,1), Var(16,2), Var(24,3) 50.333% 49.333% 48.667% 0.000%
LBPV(8,1), LBPV(16,2) 65.333% 63.333% 61.667% 57.666%
LBPV(8,1), LBPV(24,3) 71.667% 68.000% 64.333% 59.333%
LBPV(16,2), LBPV(24,3) 63.333% 63.667% 61.333% 59.667%
LBPV(8,1), LBPV(16,2), LBPV(24,3) 65.333% 63.333% 61.667% 3.333%
Riu2(8,1), Var(8,1) 61.000% 57.667% 54.667% 48.333%
Riu2(8,1), LBPV(8,1) 65.000% 63.667% 60.667% 56.333%
LBPV(8,1), Var(8,1) 62.333% 58.333% 55.000% 46.667%
Riu2(8,1), Var(8,1), LBPV(8,1) 61.000% 57.667% 54.667% 3.333%
Riu2(16,2), Var(16,2) 66.333% 61.333% 59.667% 54.000%
Riu2(16,2), LBPV(16,2) 67.333% 65.333% 63.333% 58.667%
23
Lampiran 3 Lanjutan.
Operator PDR SDR MDR MVR
LBPV(16,2), Var(16,2) 58.667% 57.667% 55.667% 52.000%
Riu2(16,2), Var(16,2), LBPV(16,2) 66.333% 61.333% 59.667% 0.000%
Riu2(24,3), Var(24,3) 71.333% 67.667% 65.667% 58.000%
Riu2(24,3), LBPV(24,3) 76.333% 73.333% 72.000% 62.667%
LBPV(24,3), Var(24,3) 65.000% 61.667% 58.333% 53.667%
Riu2(24,3), Var(24,3), LBPV(24,3) 71.333% 67.667% 65.667% 0.000%
Riu2(8,1), Var(16,2) 61.333% 57.000% 57.000% 50.000%
Riu2(8,1), Var(24,3) 63.667% 58.667% 57.000% 52.000%
Riu2(16,2), Var(24,3) 68.667% 65.000% 64.333% 56.667%
Riu2(16,2), Var(8,1) 65.333% 62.000% 60.000% 51.000%
Riu2(24,3), Var(8,1) 71.000% 68.333% 65.000% 54.333%
Riu2(24,3), Var(16,2) 68.333% 64.333% 62.667% 56.667%
Riu2(8,1), LBPV(16,2) 68.667% 66.667% 62.667% 57.333%
Riu2(8,1), LBPV(24,3) 77.000% 70.000% 62.667% 58.667%
Riu2(16,2), LBPV(24,3) 75.000% 67.333% 64.333% 61.000%
Riu2(16,2), LBPV(8,1) 66.667% 64.333% 62.333% 58.000%
Riu2(24,3), LBPV(8,1) 74.333% 70.333% 70.000% 63.000%
Riu2(24,3), LBPV(16,2) 71.333% 71.333% 70.333% 64.667%
Var(8,1), LBPV(16,2) 62.667% 59.333% 56.333% 49.000%
Var(8,1), LBPV(24,3) 65.667% 59.333% 52.667% 49.667%
Var(16,2), LBPV(24,3) 61.333% 59.000% 56.000% 52.333%
Var(16,2), LBPV(8,1) 60.667% 57.000% 56.667% 49.333%
Var(24,3), LBPV(8,1) 64.333% 56.000% 56.333% 49.667%
Var(24,3), LBPV(16,2) 61.333% 58.000% 57.000% 55.333%
Riu2(8,1), Var(8,1), LBPV(16,2) 61.000% 57.667% 54.667% 3.333%
Riu2(8,1), Var(8,1), LBPV(24,3) 61.000% 57.667% 54.667% 3.333%
Riu2(8,1), Var(16,2), LBPV(8,1) 61.333% 57.000% 57.000% 0.000%
Riu2(8,1), Var(16,2), LBPV(16,2) 61.333% 57.000% 57.000% 0.000%
Riu2(8,1), Var(16,2), LBPV(24,3) 61.333% 57.000% 57.000% 0.000%
Riu2(8,1), Var(24,3), LBPV(8,1) 63.667% 58.667% 57.000% 0.000%
Riu2(8,1), Var(24,3), LBPV(16,2) 63.667% 58.667% 57.000% 0.000%
Riu2(8,1), Var(24,3), LBPV(24,3) 63.667% 58.667% 57.000% 0.000%
Riu2(16,2), Var(8,1), LBPV(8,1) 65.333% 62.000% 60.000% 3.333%
Riu2(16,2), Var(8,1), LBPV(16,2) 65.333% 62.000% 60.000% 3.333%
Riu2(16,2), Var(8,1), LBPV(24,3) 65.333% 62.000% 60.000% 3.333%
Riu2(16,2), Var(16,2), LBPV(8,1) 66.333% 61.333% 59.667% 0.000%
Riu2(16,2), Var(16,2), LBPV(24,3) 66.333% 61.333% 59.667% 0.000%
Riu2(16,2), Var(24,3), LBPV(8,1) 68.667% 65.000% 64.333% 0.000%
Riu2(16,2), Var(24,3), LBPV(16,2) 68.667% 65.000% 64.333% 0.000%
24 24
Lampiran 3 Lanjutan.
Operator PDR SDR MDR MVR
Riu2(16,2), Var(24,3), LBPV(24,3) 68.667% 65.000% 64.333% 0.000%
Riu2(24,3), Var(8,1), LBPV(8,1) 71.000% 68.333% 65.000% 3.333%
Riu2(24,3), Var(8,1), LBPV(16,2) 71.000% 68.333% 65.000% 3.333%
Riu2(24,3), Var(8,1), LBPV(24,3) 71.000% 68.333% 65.000% 3.333%
Riu2(24,3), Var(16,2), LBPV(8,1) 68.333% 64.333% 62.667% 0.000%
Riu2(24,3), Var(16,2), LBPV(16,2) 68.333% 64.333% 62.667% 0.000%
Riu2(24,3), Var(16,2), LBPV(24,3) 68.333% 64.333% 62.667% 0.000%
Riu2(24,3), Var(24,3), LBPV(8,1) 71.333% 67.667% 65.667% 0.000%
Riu2(24,3), Var(24,3), LBPV(16,2) 71.333% 67.667% 65.667% 0.000%
25
Lampiran 4 Akurasi klasifikasi citra tanaman hias.
a. Penggabungan Operator
Operator P, R Jumlah bin Bias PNN Akurasi
8,1
16,2
24,3
8,1+16,2
8,1+24,3
16,2+24,3
8,1+16,2+24,3
10
18
26
10+18
10+26
18+26
10+18+26
0.0050
0.0112
0.0060
0.0110
0.0030
0.0030
0.0080
70.000%
71.111%
78.889%
72.222%
74.444%
77.778%
75.556%
8,1
16,2
24,3
8,1+16,2
8,1+24,3 16,2+24,3
8,1+16,2+24,3
128
128
128
128+128
128+128 128+128
128+128+128
0.0100
0.0100
0.0200
0.0600
0.0600 0.0600
0.2000
68.889%
66.667%
68.889%
50.000%
61.667% 63.333%
41.000%
8,1
16,2
24,3
8,1+16,2
8,1+24,3
16,2+24,3
8,1+16,2+24,3
10
18
26
10+18
10+26
18+26
10+18+26
0.0170
0.0100
0.0020
0.0100
0.0100
0.0100
0.0120
71.111%
78.889%
75.556%
83.333%
84.444%
82.222%
83.333%
b. Classifier Combination
Operator PDR SDR MDR MVR
Riu2(8,1), Riu2(16,2) 70.000% 70.000% 70.000% 70.000%
Riu2(8,1), Riu2(24,3) 73.333% 70.000% 70.000% 73.333%
Riu2(16,2), Riu2(24,3) 78.889% 78.889% 77.778% 74.444%
Riu2(8,1), Riu2(16,2), Riu2(24,3) 70.000% 70.000% 70.000% 0.000%
Var(8,1), Var(16,2) 71.111% 68.889% 67.778% 67.778%
Var(8,1), Var(24,3) 74.444% 72.222% 67.778% 72.222%
Var(16,2), Var(24,3) 71.111% 68.889% 66.667% 66.667%
Var(8,1), Var(16,2), Var(24,3) 71.111% 68.889% 67.778% 0.000%
LBPV(8,1), LBPV(16,2) 80.000% 80.000% 80.000% 76.667%
LBPV(8,1), LBPV(24,3) 77.778% 77.778% 77.778% 73.333%
LBPV(16,2), LBPV(24,3) 76.667% 76.667% 76.667% 76.667%
LBPV(8,1), LBPV(16,2), LBPV(24,3) 80.000% 80.000% 80.000% 2.222%
Riu2(8,1), Var(8,1) 72.222% 70.000% 68.889% 67.778%
Riu2(8,1), LBPV(8,1) 70.000% 71.111% 71.111% 67.778%
LBPV(8,1), Var(8,1) 81.111% 78.889% 77.778% 73.333%
Riu2(8,1), Var(8,1), LBPV(8,1) 72.222% 70.000% 68.889% 0.000%
Riu2(16,2), Var(16,2) 78.889% 72.222% 67.778% 67.778%
Riu2(16,2), LBPV(16,2) 81.111% 80.000% 80.000% 75.555%
26
Lampiran 4 Lanjutan.
Operator PDR SDR MDR MVR
LBPV(16,2), Var(16,2) 83.333% 82.222% 82.222% 82.222%
Riu2(16,2), Var(16,2), LBPV(16,2) 78.889% 72.222% 67.778% 0.000%
Riu2(24,3), Var(24,3) 83.333% 80.000% 78.889% 70.000%
Riu2(24,3), LBPV(24,3) 77.778% 76.667% 75.555% 72.222%
LBPV(24,3), Var(24,3) 83.333% 81.111% 80.000% 68.889%
Riu2(24,3), Var(24,3), LBPV(24,3) 83.333% 80.000% 78.889% 3.333%
Riu2(8,1), Var(16,2) 75.556% 74.444% 73.333% 61.111%
Riu2(8,1), Var(24,3) 71.111% 75.556% 75.556% 63.333%
Riu2(16,2), Var(24,3) 78.889% 73.333% 68.889% 68.889%
Riu2(16,2), Var(8,1) 78.889% 76.667% 72.222% 73.333%
Riu2(24,3), Var(8,1) 83.333% 78.889% 80.000% 73.333%
Riu2(24,3), Var(16,2) 82.222% 78.889% 77.778% 70.000%
Riu2(8,1), LBPV(16,2) 74.444% 73.333% 73.333% 73.333%
Riu2(8,1), LBPV(24,3) 83.333% 75.555% 75.556% 70.000%
Riu2(16,2), LBPV(24,3) 77.778% 76.667% 75.556% 72.222%
Riu2(16,2), LBPV(8,1) 72.222% 71.111% 71.111% 70.000%
Riu2(24,3), LBPV(8,1) 81.111% 74.444% 74.444% 72.222%
Riu2(24,3), LBPV(16,2) 80.000% 80.000% 81.111% 74.444%
Var(8,1), LBPV(16,2) 83.333% 78.889% 76.667% 74.444%
Var(8,1), LBPV(24,3) 81.111% 75.556% 74.444% 72.222%
Var(16,2), LBPV(24,3) 84.444% 80.000% 78.889% 66.667%
Var(16,2), LBPV(8,1) 86.667% 80.000% 81.111% 66.667%
Var(24,3), LBPV(8,1) 84.444% 82.222% 81.111% 70.000%
Var(24,3), LBPV(16,2) 80.000% 80.000% 78.889% 71.111%
Riu2(8,1), Var(8,1), LBPV(16,2) 72.222% 70.000% 68.889% 0.000%
Riu2(8,1), Var(8,1), LBPV(24,3) 72.222% 70.000% 68.889% 0.000%
Riu2(8,1), Var(16,2), LBPV(8,1) 75.556% 74.444% 73.333% 0.000%
Riu2(8,1), Var(16,2), LBPV(16,2) 75.556% 74.444% 73.333% 0.000%
Riu2(8,1), Var(16,2), LBPV(24,3) 75.556% 74.444% 73.333% 0.000%
Riu2(8,1), Var(24,3), LBPV(8,1) 71.111% 75.556% 75.556% 0.000%
Riu2(8,1), Var(24,3), LBPV(16,2) 71.111% 75.556% 75.556% 0.000%
Riu2(8,1), Var(24,3), LBPV(24,3) 71.111% 75.556% 75.556% 0.000%
Riu2(16,2), Var(8,1), LBPV(8,1) 78.889% 76.667% 72.222% 0.000%
Riu2(16,2), Var(8,1), LBPV(16,2) 78.889% 76.667% 72.222% 0.000%
Riu2(16,2), Var(8,1), LBPV(24,3) 78.889% 76.667% 72.222% 0.000%
Riu2(16,2), Var(16,2), LBPV(8,1) 78.889% 72.222% 67.778% 0.000%
Riu2(16,2), Var(16,2), LBPV(24,3) 78.889% 72.222% 67.778% 0.000%
Riu2(16,2), Var(24,3), LBPV(8,1) 78.889% 73.333% 68.889% 3.333%
Riu2(16,2), Var(24,3), LBPV(16,2) 78.889% 73.333% 68.889% 3.333%
Riu2(16,2), Var(24,3), LBPV(24,3) 78.889% 73.333% 68.889% 3.333%
27
Lampiran 4 Lanjutan.
Operator PDR SDR MDR MVR
Riu2(24,3), Var(8,1), LBPV(8,1) 83.333% 78.889% 80.000% 0.000%
Riu2(24,3), Var(8,1), LBPV(16,2) 83.333% 78.889% 80.000% 0.000%
Riu2(24,3), Var(8,1), LBPV(24,3) 83.333% 78.889% 80.000% 0.000%
Riu2(24,3), Var(16,2), LBPV(8,1) 82.222% 78.889% 77.778% 0.000%
Riu2(24,3), Var(16,2), LBPV(16,2) 82.222% 78.889% 77.778% 0.000%
Riu2(24,3), Var(16,2), LBPV(24,3) 82.222% 78.889% 77.778% 0.000%
Riu2(24,3), Var(24,3), LBPV(8,1) 83.333% 80.000% 78.889% 3.333%
Riu2(24,3), Var(24,3), LBPV(16,2) 83.333% 80.000% 78.889% 3.333%
28
Lampiran 5 Screen shoot aplikasi.
a. Ekstraksi tanpa penggabungan fitur.
b. Hasil identifikasi tanpa penggabungan fitur.
29
Lampiran 5 Lanjutan.
c. Ekstraksi dengan penggabungan operator.
d. Hasil identifikasi dengan penggabungan operator.
30
Lampiran 5 Lanjutan.
e. Ekstraksi dengan fitur untuk classifier combination.
f. Hasil identifikasi menggunakan PDR
31