F11 merupakan jumlah citra dari kelas 1 yang benar diklasifikasikan sebagai kelas 1, F00 merupakan jumlah citra dari kelas 1 yang benar diklasifikasikan sebagai
kelas 0, adapun F01 merupakan jumlah citra dari kelas 0 yang salah diklasifikasikan sebagai kelas 1, F10 merupakan jumlah citra dari kelas 1 yang benar diklasifikasikan
sebagai kelas 0.
2.7 Tumbuhan Obat
Tumbuhan obat memiliki khasiat untuk menyembuhkan berbagai penyakit. Kemajuan dari ilmu pengetahuan dan teknologi yang semakin modern dan
berkembang secara pesat tidak dapat menggeser obat-obatan tradisional yang telah ada sejak nenek moyang, obat-obatan tradisional mampu saling berdampingan dan
saling melengkapi dengan obat-obatan yang terbuat secara kimiawi Thomas 1993. Informasi yang dapat digali dari tanaman obat diantaranya nama botani, nama
lokal, familia, daerah asal tumbuhan, spesifikasi tumbuhan, komposisi kandungan kimia, khasiat, dan cara menggunakannya.
3 METODE PENELITIAN
3.1 Tahapan Penelitian
Penelitian ini dilakukan dalam beberapa tahap. Tahap-tahap tersebut disajikan pada Gambar 8.
Ekstraksi Fitur dengan Fuzzy
LBP
Model Klasifikasi SVM PNN
PRAPROSES DATA CITRA
TANAMAN OBAT
Evaluasi Perbandingan
Hasil Klasifikasi SVM PNN
Data daun Tumbuhan Obat
Hasil Klasifikasi SVM PNN
Citra Queri Tanaman Hias
Fokus Penelitian Ekstraksi Fitur
dengan Fuzzy LBP
Data Tanaman Hias
Citra Queri daun Tumbuhan obat
Klasifikasi SVM PNN
Gambar 8 Tahapan penelitian.
3.1.1 Pengumpulan Citra dan Praposes
Penelitian ini menggunakan citra tumbuhan obat dan tanaman hias yang diperoleh dari pemotretan. Citra tumbuhan obat terdiri dari tiga puluh species yang terdapat
di kebun Biofarmaka IPB Cikabayan dan rumah kaca Pusat Konservasi Ex-situ Tumbuhan Obat Hutan Tropika Indonesia, Fahutan IPB. Masing- masing species
terdiri 48 citra, dimana setiap species daun terdiri atas 24 pose citra bagian depan dan 24 pose citra bagian belakang, sehingga total 1.440 citra daun tumbuhan obat .
Citra tanaman hias terdiri dari tiga puluh species citra dari Kebun Raya Bogor, yang digunakan oleh Kulsum 2010. Data citra tumbuhan obat tidak memiliki latar
belakang dan data citra tanaman hias memiliki latar belakang hal ini bertujuan untuk menganalisis kinerja FLBP. Setelah dilakukan pengumpulan data citra tahap
selanjutnya adalah tahap praproses, dimana dalam tahap ini dilakukan perbaikan pada citra tumbuhan obat dan citra tanaman hias. Selanjutnya, citra tersebut diubah
menjadi mode grayscale untuk diproses pada tahap ekstraksi.
3.1.2 Ekstraksi Fitur Tekstur dengan Metode FLBP
P,R
Proses yang dilakukan pada ekstraksi tekstur dalam penelitian ini menggunakan metode
. Citra akan dibagi kedalam beberapa blok local region sesuai dengan operator circular neighborhood sampling points dan radius yang
digunakan. Penelitian ini menggunakan dua ukuran circular neighborhood yaitu 8,1 dan 8,2. Nilai LBP akan direpresentasikan melalui histogram FLBP yang
merupakan gambaran frekuensi dari kontribusi nilai LBP yang muncul pada sebuah citra. Masing-masing blok diektraksi menggunakan metode
. Ekstraksi tekstur
dilakukan dengan mengolah setiap untuk mencari selisih dari piksel tetangga dengan piksel pusat. Dari setiap blok
yang didapat, akan menghasilkan satu atau lebih nilai LBP dan nilai kontribusinya. Blok yang berisikan
nilai , selanjutnya akan melalui proses fuzzy tresholding berdasarkan rule R
dan rule R
1.
Parameter fuzzifikasi F yang digunakan berdasarkan penelitian yang dilakukan Valerina 2012. Citra tumbuhan obat dan tanaman hias memiliki nilai parameter F
berbeda . Citra tanaman hias 0 sampai 40 dan untuk citra tumbuhan obat berkisar antara 0 sampai 20. Penggunaan parameter F0 sebagai hasil dari metode FLBP,
proses fuzzy tresholding akan dihasilkan nilai LBP sebanyak 2
n
, dimana n merupakan banyaknya nilai piksel
yang berada direntang fuzzy antara –F sampai F, contoh
proses fuzzy tresholding dengan nilai fuzzy 4 disajikan pada Gambar 9.
Gambar 9 Proses Fuzzy thresholding.
Hasil yang diperoleh dari ilustrasi pada Gambar 8 terdapat tiga nilai yang
berada diantara rentang fuzzy -4 4, sehingga diperoleh kombinasi sebanyak
2
3
= 8, nilai biner yang diperoleh dari masing-masing kombinasi adalah 00111111, 00111101, 00111011, 00111001, 00110111, 00110101, 00110011, dan 00110001.
Kedelapan nilai biner ini akan menghasilkan nilai LBP sebagai dasar untuk menentukan perhitungan masuknya nilai
ke membership function.
3.1.3 Klasifikasi Support Vector Machine SVM
61 137 168
168 163 168 163 165 160
-102 -26 5 5
5 2
-3 -102
-26 5
5 -3
2 5
1 1
1 1
1 1
1 1
1 1
1 1
1 1
1 1
1
Setelah proses ekstraksi citra selesai dilakukan, diperoleh hasil vektor histogram untuk setiap ukuran circular neighborhood, untuk tumbuhan obat
diperoleh 1.440 vektor histogram dan tanaman hias diperoleh 300 vektor histogram. Tahap selanjutnya adalah menglasifikasi vektor-vektor histogram tersebut dengan
SVM. Klasifikasi baik untuk data tumbuhan obat dan tanaman hias dilakukan dengan membagi data latih dan data uji masing-masing 70 dan 30.
SVM pada penelitian ini menggunakan fungsi Kernel , yang berfungsi untuk mengatasi kesulitan yang timbul karena tidak diketahuinya suatu fungsi non linear
dan cara memilih fungsi yang tepat dalam mencari hyperplane yang terbaik. Fungsi kernel yang digunakan yaitu fungsi kernel Linear, Polynomial dan RBF. Fungsi
kernel terbaik akan digunakan sebagai pembanding dengan klasifikasi PNN, yang bertujuan untuk menganalisa model klasifikasi masing-masing klasifikasi tersebut.
Pada penggabungan ukuran circular neighborhood maupun tanpa penggabungan ukuran circular neighborhood harus diekstraksi terlebih dahulu. Hasil identifikasi
citra tumbuhan obat menggunakan FLBP akan dibandingkan dengan hasil identifikasi citra tanaman hias.
3.1.4 Klasifikasi Probabilistic Neural Network PNN
Sama seperti klasifikasi SVM, setelah proses ekstraksi citra selesai dilakukan, diperoleh hasil vektor histogram untuk setiap ukuran circular neighborhood, untuk
tumbuhan obat diperoleh 1.440 vektor histogram dan tanaman hias diperoleh 300 vektor histogram. Tahap selanjutnya adalah menglasifikasi vektor-vektor histogram
tersebut dengan PNN. Klasifikasi baik untuk data tumbuhan obat dan tanaman hias dilakukan dengan membagi data latih dan data uji masing-masing 70 dan 30.
Klasifikasi dengan menggunakan PNN dengan menerapkan bias yang berbeda- beda untuk setiap ukuran circular neighborhood karena dimensi vektor histogram
setiap ukuran circular neighborhood berbeda-beda.
3.1.5 Pengujian dengan Sistem
Pengujian data dilakukan oleh sistem, yaitu dengan penilaian tingat keberhasilan klasifikasi terhadap citra kueri. 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 didefinisikan sebagai berikut:
3.1.6 Evaluasi Hasil Klasifikasi SVM dan PNN
Evaluasi kinerja yang dilakukan adalah : 1 Menganalisa model klasifikasi yang disajikan dalam bentuk Confusion
Matrix. 2 Menganalisa akurasi hasil identifikasi klasifikasi setiap kelas citra
tumbuhan obat dan tanaman hias yang disajikan dalam bentuk grafik.
3.2 Kebutuhan Alat dan Bahan Penelitian
Perangkat lunak yang digunakan MS Window XP Professional Version 2002 SP2 dan Microsoft Visual Studio 2010 adapun perangkat keras yang digunakan:
Processor intel® core ™ 2 duo CPU T57550, memori DDR2, RAM 2,99 GB,
Library OpenCv 2.1, dan Visual C++.
3.3 Waktu dan Tempat Penelitian
Penelitian dilaksanakan
di Laboratorium
Computational Intelligence
Pascasarjana Departemen Ilmu Komputer IPB di mulai bulan Januari 2011 . 24
4 HASIL DAN PEMBAHASAN
4.1 Hasil Praposes dan Ekstraksi Tekstur
Perbaikan data citra tumbuhan obat pada tahap praproses dilakukan dengan menyeleksi objek satu daun dan memperkecil ukuran citra menjadi 270x240 piksel.
Pada data citra pohon, Kulsum 2010 melakukan tahap praproses dengan memotong citra untuk mendapatkan objek tanaman hias dan memperkecil ukuran citra menjadi
270x210 piksel. Mode warna citra pohon dan citra daun kemudian diubah menjadi grayscale untuk proses ekstraksi selanjutnya. Hasil praproses data bertujuan untuk
mengurangi waktu pemrosesan data running time. Berdasarkan penelitian yang dilakukan Valerina 2012, pada citra tumbuhan
obat dihasilkan 20 fitur FLBP yang diekstrak menggunakan rentang F [0,20]. Sedangkan, pada citra tanaman hias dihasilkan 40 fitur FLBP yang diekstrak
menggunakan rentang F [0,40]. Besarnya rentang parameter fuzzifikasi yang digunakan untuk menghasilkan fitur dan identifikasi terbaik, dipengaruhi oleh
sebaran distribusi p
i
yang dihasilkan. Nilai F=4 digunakan untuk tumbuhan obat dan nilai F=19 digunakan untuk tanaman hias.
4.2 Hasil Klasifikasi Support Vector Mechine SVM
