3.1 Data Citra Tumbuhan
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 menggunakan lima kamera digital yang berbeda DSC-
W55, 7210 Supernova, Canon Digital Axus 95 IS, Samsung PL100, dan EX-Z35. Total citra daun tumbuhan obat yang digunakan adalah 1.440 yang terdiri
atas 30 spesies daun Lampiran 1, depan dan belakang masing-masing kelas 48 citra dimbil beberapa pada waktu yang berbeda pagi, siang dan sore. Citra daun
berformat JPG dan berukuran 270 × 240 piksel.
3.2 Praproses
Pada tahap awal praproses, dilakukan perbaikan data tumbuhan obat dengan mengganti latar belakang citra daun dengan latar belakang berwarna putih, dan
dari setiap objek data tersebut hanya terdiri dari satu daun serta memperkecil ukuran citra menjadi 270x240 piksel. Kemudian mode warna citra diubah menjadi
grayscale untuk proses ekstraksi selanjutnya.
3.3 Ekstraksi Tekstur dengan Fuzzy Local Binary Pattern
Ekstraksi tektur pada citra tumbuhan obat hanya dilakukan pada piksel yang menyusun citra tersebut. Citra dikonversi ke mode warna grayscale. Selanjutnya
membagi citra ke dalam beberapa local region sesuai dengan sampling points dan radius yang digunakan.
Tabel 1 Operator LBP Operator LBP
P,R Ukuran Blok
piksel Kuantisasi
Sudut
8,1 3 x 3
45 derajat 8,2
5 x 5 45 derajat
Ekstraksi tekstur dilakukan dengan konvolusi menggunakan Operator LBP yang disajikan pada Tabel 1. Hasil perhitungan FLBP pun direpresentasikan
dalam bentuk histogram degan total bin yang dihasilkan sebanyak 256.
3.4 Klasifikasi dengan Probabilistic Neural Network PNN
Setelah proses ekstraksi citra dilakukan, akan diperoleh hasil vektor histogram dengan operator LBP beserta nilai threshold FLBP. Tahap selanjutnya
adalah mengklasifikasi vektor-vektor histogram tersebut dengan PNN. Klasifikasi dilakukan pada vektor histogram untuk menentukan akurasi identifikasi tumbuhan
obat. Klasifikasi dilakukan dengan membagi data latih dan data uji dengan komposisi masing-masing 80 dan 20 untuk data daun. Data latih tiap kelas
citra berjumlah 38 citra, sedangkan data uji tiap kelas berjumlah 10 citra. Data latih yang dimiliki merupakan kombinasi gabungan operator LBP dan
nilai threshold FLBP sehingga jumlah data latih tiap kelas menjadi 38 citra x 2 operator x 10 nilai threshold FLBP. Contoh ilustrasi data dapat dilihat pada
Gambar 9. Selanjutnya akan diperoleh model klasifikasi dari hasil pelatihan data. Kelas 1 ,
operator8,1, F= 1
Kelas 1 , operator8,1,
F= 2 …
Kelas 1 , operator8,2,
F= 10
1 2 3 … 256 1 2 3 …
256 1 2 3 …
256 1
2 …
38
Gambar 9 Kombinasi operator LBP dan nilai threshold FLBP pada Kelas 1
3.5 Multi Objective Genetic Algorithm MOGA
Algoritme genetika multi obyektif MOGA merupakan suatu metode optimasi dengan fungsi tujuan lebih dari satu ganda yang dimana antara tujuan-
tujuan ini terjadi konflik. Proses MOGA pada umumnya sama dengan seperti single objective GA akan tetapi ditambahkannya fungsi non-dominated sort serta
crowding distance. Proses tersebut dapat dilihat pada Gambar 9. Ide dari tujuan MOGA adalah mencari front dari pareto optimal yang merupakan semua
kemungkinan solusi yang tidak terdominasi oleh kemungkinan solusi lainnya. Bagaimanapun juga penentuan pareto yang optimal bisa dikatakan sulit untuk
mencapai semua solusi berada dalam satu front. Maka dari itu lebih memilih non- dominated front untuk mendapatkan front pareto optimality, yang dimana
persebarannya lebih beragam sehingga pemilihannya akan lebih mudah.