Identifikasi Jenis Aglaonema Menggunakan Probabilistic Neural Network

1

!"! !#!$ !%& '! !% &(%& ) )
! +!(! *) &%
!,!
! % ) ( #)& *) &%

*# $ " #!

3

ADITYA DWI GUSADHA. Aglaonema Type Identification System Using Probabilistic Neural
Network. Supervised by AZIZ KUSTIYO.
Aglaonema is an ornamental plant that is quite popular in Indonesia. It is estimated that there
are nearly 8000 species Aglaonema in the world both native and hybrid. The many types of
Aglaonema in the world causes difficult in identifying some types of Aglaonema. This research
attempts to identify the type of Aglaonema based on the image using Probabilistic Neural Network
(PNN).
The data used in this study have 900 images of leaves, which consists of 30 types of
Aglaonema. Each image of Aglaonema that will be identified by the system will first be subjected
to two stages, texture feature extraction and colour feature extraction. The texture feature

extraction used Local Binary Pattern Variance (LBPV) and Co8occurrence Matrix while the colour
feature extraction used Histogram8162 (HSV8162). We perform two type of experiment, one
where we uses each feature seperately and another where the two features are combine. For
classifier we used Probabilistic Neural Network (PNN).
The results indicates that the combination of Co8occurrence Matrix with HSV8162 yield a
better accuracy compact two when the feature are used seperately. On the other hand, the
combination of Local Binnary Pattern Variance (LBPV) and HSV8162 does not yield an increase
in accuracy, however the accuracy on this case is better than the accuracy of the combination
between Co8occurrence Matrix and HSV8162. The highest accuracy is obtained in the case of the
Local Binnary Pattern Variance (LBPV) and HSV8162 with the value of 55.56%.
Keywords:
!.

Penguji :
1. Toto Haryanto, S.Kom., M.Si.
2. Dr. Ir. Agus Buono, M.Si., M.Kom.

Judul Skripsi
Nama
NRP

Program Studi

: Identifikasi Jenis
: Aditya Dwi Gusadha
: G64076010
: Ilmu Komputer

Menggunakan

Menyetujui,
Pembimbing

Aziz Kustiyo, S.Si., M.Kom.
NIP. 19700719 199802 1001

Mengetahui,
Ketua Departemen Ilmu Komputer

Dr. Ir. Sri Nurdiati, M.Sc.
NIP. 19601126 198601 2 001


Tanggal Lulus :

Penulis dilahirkan di Menggala pada tanggal 16 Agustus 1986 dari ayah Hermansyah Basyir
dan ibu Djunartini. Penulis merupakan anak kedua dari empat bersaudara.
Tahun 2004 penulis lulus dari Sekolah Menengah Umum Negeri 3 Bandar Lampung dan pada
tahun yang sama, penulis diterima di Program Diploma 3 Teknik Informatika, Departemen Ilmu
Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor melalui
jalur REGULER. Pada tahun 2007 penulis melanjutkan pendidikan pada Program Studi Ilmu
Komputer Penyelenggaraan Khusus Institut Pertanian Bogor.
Selama mengikuti pendidikan Sekolah Menengah Umum, penulis aktif dalam Organisasi Siswa
Intra Sekolah (OSIS). Penulis diberi kesempatan untuk memimpin bidang V (Kabid V) OSIS.
Selain itu, penulis juga aktif dalam organisasi sepak bola sekolah dan menjadi ketua organisasi
tersebut.
Selama mengikuti perkuliahan di Program Studi Ilmu Komputer, penulis sempat bekerja di
beberapa perusahaan, baik perusahaan swasta maupun instansi pemerintahan sebagai "
.

Puji dan syukur penulis panjatkan kepada ALLAH SWT atas rahmat dan hidayah8NYA
sehingga karya ilmiah ini berhasil diselesaikan. Penelitian ini berjudul Identifikasi Jenis

Menggunakan
. Penelitian ini dilaksanakan sejak bulan
Maret 2011 sampai dengan bulan Agustus 2011.
Terima kasih penulis ucapkan kepada berbagai pihak yang telah membantu penelitian dan
penulisan karya ilmiah ini, antara lain kepada :
1. Kedua orang tua (Ayahanda dan Ibunda tercinta) di Lampung beserta keluarga atas segala
kasih sayang dan perhatiannya.
2. Ibu Dr. Yeni Herdiyeni, S.Si., M.Kom yang telah membantu dan memberikan saran serta
pengarahan.
3. Bapak Aziz Kustiyo, S.Si., M.Kom selaku dosen pembimbing yang telah memberikan
bimbingan dan pengetahuan sehingga skripsi ini dapat diselesaikan.
4. Bapak Toto Haryanto, S.Kom., M.Si dan Bapak Dr. Ir. Agus Buono, M.Si., M.Kom selaku
dosen penguji.
5. Bapak Ir. Kurniawan Budiarto, M.Sc selaku pakar tanaman hias
yang telah
membantu dan memberikan saran.
6. Adrini Putri, Bapak Drs. Radjiman Nataprawira dan Ibu Hj. Atty Nurhayati, B.Sc yang selalu
memberikan motivasi.
7. Teman8teman seperjuangan Ekstensi Ilmu Komputer angkatan 2.
8. Semua dosen beserta staf karyawan Departemen Ilmu Komputer IPB.


Bogor, Desember 2011

#

$

%

#&

vi

!#!)!(
DAFTAR GAMBAR ...................................................................................................................... vii
DAFTAR TABEL ........................................................................................................................... vii
DAFTAR LAMPIRAN ................................................................................................................... vii
PENDAHULUAN............................................................................................................................. 1
Latar Belakang .............................................................................................................................. 1
Tujuan ........................................................................................................................................... 1

Ruang Lingkup ............................................................................................................................. 1
Manfaat ......................................................................................................................................... 2
TINJAUAN PUSTAKA.................................................................................................................... 2
Tekstur .......................................................................................................................................... 2
(LBP).......................................................................................................... 2
'
( )
......................................................................................................................... 3
* +
............................................................................................................................ 3
(LBPV) ....................................................................................... 4
................................................................................................................... 4
HSV8162 ....................................................................................................................................... 5
....................................................................................................... 5
)
(CCH) ......................................................................................... 6
Tanaman
.................................................................................................................... 6
METODE PENELITIAN .................................................................................................................. 7
"

(praproses) ............................................................................................................ 7
Ekstraksi Tekstur dengan LBPV ................................................................................................... 7
Ekstraksi Tekstur dengan
......................................................................... 8
Ekstraksi Warna dengan HSV8162 ............................................................................................... 9
Klasifikasi dengan
........................................................................ 9
Perangkat Lunak dan Perangkat Keras ....................................................................................... 10
HASIL DAN PEMBAHASAN ....................................................................................................... 10
"
(praproses) .......................................................................................................... 10
A. Data Citra Daun ............................................................................................................. 10
B. Pembagian Data Latih dan Data Uji .............................................................................. 10
Ekstraksi Ciri .............................................................................................................................. 10
A. Ekstraksi Ciri Menggunakan Metode LBPV dan HSV8162 .......................................... 11
B. Ekstraksi Ciri Menggunakan Metode
dan HSV8162 ................. 12
Pengujian dengan Klasifikasi
(PNN) .......................................... 13
A. LBPV dengan HSV8162 ................................................................................................ 13

B.
dan HSV8162............................................................................. 14
Pengujian Sistem ........................................................................................................................ 15
Keterbatasan Sistem.................................................................................................................... 16
KESIMPULAN DAN SARAN ....................................................................................................... 17
Kesimpulan ................................................................................................................................. 17
Saran ........................................................................................................................................... 17
DAFTAR PUSTAKA ..................................................................................................................... 17
LAMPIRAN .................................................................................................................................... 19

vii

!#!)!(
1
& & # delapan
"
"
. .......................................................................... 2
2 Operasi pada
. ............................................................................................... 2

3 Ukuran
& & #....................................................................................................... 3
4'
)
LBP. ................................................................................................................. 3
5 Tekstur
+
"
. ............................................................................................................... 3
6 Pembangunan
............................................................................................ 5
7 Struktur "
, ........................................................................................... 5
8 Variasi tanaman
........................................................................................................... 6
9 Metodologi penelitian. ................................................................................................................... 7
10 Ilustrasi pembagian blok matriks 3x3 pada citra. ......................................................................... 7
11 Ilustrasi pembagian blok matriks 5x5 pada citra. ......................................................................... 8
12 Ilustrasi pembagian blok matriks 7x7 pada citra. ......................................................................... 8
13 Arsitektur PNN pada penelitian. ................................................................................................ 10

14 Proses
- pada citra daun. ..................................................................................................... 10
15 Proses
""
pada citra daun. ................................................................................................ 10
16 Proses perubahan warna pada citra daun. ................................................................................... 11
17 Akurasi pada setiap operator LBPV. .......................................................................................... 11
18 Akurasi pada setiap operator LBPV dan HSV8162. ................................................................... 12
19 Akurasi pada
dan HSV8162. ................................................................. 13
20 Akurasi metode LBPV pada operator (16.1). ............................................................................. 13
21 Akurasi kombinasi antara metode LBPV (16.1) dan metode HSV8162. .................................... 14
22 Pengaruh fitur warna terhadap klasifikasi LBPV (16.1) dan HSV8162. .................................... 14
23 Akurasi kombinasi antara metode
dan HSV8162. ................................. 15

!#!)!(
1 Jenis tanaman
. ............................................................................................................. 6
2 Operator #

" , ....................................................................................................................... 7
3 Kombinasi operator LBPV dan HSV8162. ................................................................................... 12
4 Perbandingan jumlah data pada metode LBPV #
" ........................................................... 13
5 Perbandingan jumlah data pada metode HSV8162. ...................................................................... 14
6 Perbandingan jumlah data pada kombinasi metode LBPV (16.1) dan HSV8162. ........................ 14
7 Perbandingan jumlah data pada metode
, ................................................ 15
8 Perbandingan jumlah data pada kombinasi metode
dan HSV8162. ........ 15

!#!)!(
1 Jenis
yang diidentifikasi. ........................................................................................... 20
2 Tampilan awal sistem. .................................................................................................................. 25
3 Tampilan hasil input data citra daun pada sistem. ........................................................................ 26
4 Tampilan proses
"
citra daun pada sistem.......................................................................... 27
5 Tampilan proses identifikasi citra daun pada sistem. ................................................................... 28
6 Tampilan hasil identifikasi citra daun pada sistem (hasil identifikasi sesuai). ............................. 29
7 Tampilan prediksi jenis
yang teridentifikasi pada sistem. ......................................... 30
8 Tampilan hasil identifikasi citra daun pada sistem (hasil identifikasi tidak sesuai). .................... 31
9 Tampilan prediksi jenis
yang tidak teridentifikasi pada sistem. ................................ 32
10 Analisis data klasifikasi PNN per8kelas. .................................................................................... 33

1

!%!

#! !("

atau disebut juga dengan Sri
Rejeki merupakan tanaman hias yang cukup
digemari di Indonesia. Tanaman
disukai karena warna dan tekstur daunnya
yang memiliki keunikan. Ciri dan karakterisik
yang terdapat di daun merupakan keutamaan
untuk membedakan antar jenis
.
Tanaman
di
dunia,
diperkirakan memiliki hampir 8000 jenis
baik dari spesies maupun hasil
persilangan (
) ). Banyaknya jenis
baru dari hasil persilangan para
Botanis menyebabkan pecinta
maupun
petani
masih
sulit
untuk
mengidentifikasi beberapa jenis
,
Oleh sebab itu, dibutuhkan suatu sistem yang
dapat mengenali dan dapat mengidentifikasi
jenis
berdasarkan citra daunnya.
Tanaman dapat diidentifikasi berdasarkan
ciri morfologis, warna dan teksturnya.
Kebapci
. (2009) telah melakukan
kombinasi ekstraksi ciri warna, bentuk dan
tekstur untuk temu kembali citra pada
tanaman hias menggunakan Gabor dan .
( )
+
/
+
(SIFT).
Segmentasi citra dilakukan pada praproses
data. Pada umumnya, proses segmentasi citra
sulit dilakukan karena membutuhkan waktu
yang lama dan usaha yang lebih untuk
melakukannya.
Untuk
mengatasi
permasalahan tersebut, digunakan metode
(LBPV) dan
metode
.
Penelitian ini mencoba mengidentifikasi
tanaman
menggunakan citra daun
pada bagian atas dengan menerapkan metode
(LBPV) dan
metode
untuk
melakukan ekstraksi ciri teksturnya serta akan
menerapkan
metode
HSV8162
untuk
melakukan ekstraksi ciri warnanya. Dari ciri8
ciri yang ada itulah, nantinya akan dilakukan
kombinasi antara metode
(LBPV) dan metode HSV8
162 serta kombinasi antara metode
dan metode HSV8162.
Setelah itu, dilakukan klasifikasi terhadap
hasil ekstraksi yang telah didapat sebelumnya
dengan menggunakan metode
(PNN). Kombinasi ciri yang
digunakan
tersebut
diharapkan
dapat
meningkatkan akurasi klasifikasi sehingga
identifikasi yang dihasilkan lebih akurat.

Penelitian ini merujuk pada penelitian
sebelumnya, yaitu penelitian yang dilakukan
oleh Kulsum (2010) yang berjudul Identifikasi
Tanaman Hias secara Otomatis Menggunakan
Metode
#
"
dan
, Dalam
penelitiannya,
sistem
mengidentifikasi
tanaman hias secara otomatis dengan
menggunakan metode
#
"
dan
(PNN) sebagai pengklasifikasinya. Namun
pada penelitian ini, tanaman yang akan
diidentifikasi lebih dikhususkan pada tanaman
hias jenis
.
&+&!(
Penelitian ini bertujuan mengidentifikasi
jenis tanaman hias
menggunakan
(LBP) #
"
HSV8162
serta
(PNN) sebagai
pengklasifikasiya pada citra daun.
&!("
1.

2.
3.
4.

5.
6.

7.

(" &

Ruang lingkup dari penelitian ini, yaitu :
Data yang digunakan berupa data citra
yang diperoleh dari hasil pemotretan
menggunakan kamera digital.
Data yang diuji berupa data citra daun
hanya pada bagian atas daun saja.
Data citra daun yang diuji sebanyak 900
citra daun.
Sistem ini baru mengenal 30 jenis
,
yaitu
,
,+
,&
,
#
, "
,
, #
+,
, ,0,+
, "
, ),
, ),
+
, ), &
, ), & "
, ), &
&
, ),
, ),0
, ), #
)
, ),"
, ),"
, ), )
, ), )
, ),
, ),
+
#
, ), "
,&
&
,0
"
,
" #
,
&
," # +
dan , &
,
Setiap jenis
terdiri atas 30 citra
pada bagian atas daun saja.
Hasil keluaran sistem berupa kesimpulan
dari jenis
yang diidentifikasi
beserta hasil prediksi terhadap jenis
yang teridentifikasi.
Pengguna yang memakai sistem ini adalah
para petani dan pecinta
.

2

!(-!!%
Manfaat penelitian ini adalah untuk
mengidentifikasi jenis
yang
nantinya diharapkan dapat membantu para
petani dan pecinta tanaman
yang
mengalami kesulitan dalam mengidentifikasi
jenis
tersebut.

Nilai LBP dihasilkan dengan mengalikan
nilai piksel yang telah melalui tahap
pemotongan ( & & #) dengan pembobotan
biner sesuai posisi piksel ketetanggaan
tersebut. Operasi dasar
(LBP) dapat dilihat pada Gambar 2.

%&
Tekstur merupakan suatu gambaran visual
dari sebuah permukaan atau bahan. Dalam
"
)
, tekstur dicirikan dengan
variasi intensitas pada sebuah citra. Variasi
intensitas dapat disebabkan oleh kekasaran
atau perbedaan warna pada suatu permukaan.
Tekstur juga merupakan suatu properti dari
area. Properti8properti dari tekstur citra
meliputi keseragaman, kepadatan, kekasaran,
keberaturan,
, keberarahan, dan
frekuensi. Penampilan tekstur dipengaruhi
oleh skala dan arah pandangan serta
lingkungan
dan
kondisi
pencahayaan
(Mäenpää 2003).
.

/

(LBP) merupakan
suatu metode untuk mendeskripsikan tekstur
pada mode warna
. LBP pertama
kali diperkenalkan pada tahun 1996 oleh Timo
Ojala. LBP digunakan untuk mencari pola8
pola tekstur lokal pada citra (
& & #) (Mäenpää 2003).
LBP bekerja menggunakan delapan
ketetanggaan yang tersebar secara melingkar
1
& & # 2 dengan pusat piksel
berada di tengah seperti ditunjukkan pada
Gambar 1. Notasi
merupakan nilai
)
piksel ketetanggaan. Rataan seluruh
piksel (piksel ketetanggaan dan piksel pusat)
digunakan sebagai nilai ambang batas
( & & #) untuk memotong setiap nilai
piksel ketetanggaan.

Gambar 1

&
"

"

&
.

# delapan

Contoh

&

& #

bobot

Gambar 2 Operasi pada

.

Keterangan Gambar 2 :
Nilai & & # : 5.667
Pola LBP
: 11110001
Nilai LBP
: 1 + 16 + 32 + 64 + 128
= 241
Pola8pola biner LBP merepesentasikan
bermacam8macam pola tepi, titik, +
dan sebagainya. Nilai LBP menunjukkan kode
.
LBP
dapat
diformulasikan sebagai berikut :
=

.

1 ≥ 0
0 < 0

,

=

− 2

dengan :
xc : Koordinat pusat piksel ketetanggaan
yc : Koordinat pusat piksel ketetanggaan
" :
"
"
P : Banyaknya . "
"
:
Nilai
keabuan
dari
"
"
µ : Nilai rata8rata piksel ketetanggaan dan
piksel pusat
:.
(kode biner)
Selanjutnya
kode8kode
LBP
direpresentasikan
melalui
histogram.
Histogram menunjukkan frekuensi kejadian
berbagai nilai LBP. Ukuran citra adalah NxM.
Setelah mendapatkan nilai LBP pada setiap
& & # (blok (i,j)), keseluruhan tekstur
citra direpresentasikan dengan membentuk
histogram.

3

! " =
#

*

+

1,
=,
0,

,

*

)

#

.

=
-./0$11 0

$, # , " , " ∈ [0, ']

mempunyai pola yang berbeda jika dirotasi
searah jarum jam ataupun berlawanan arah
jarum jam (Pietikäinen 2000),

dengan :
K : Nilai LBP terbesar
Operator LBP mengalami perkembangan
dengan
dimodelkannya
operator
menggunakan berbagai ukuran
"
"
dan radius. Beragamnya operator ini
digunakan untuk membuat skala atau ukuran
lokal tekstur yang berbeda8beda. Selanjutnya
notasi (P.R) akan digunakan untuk piksel
ketetanggaan dengan P merupakan
"
"
yang melingkar dan R merupakan
radius, Contoh
& & # tiga
operator dapat dilihat pada Gambar 3,

(8,1)

(16,2)

Pola8pola LBP tertentu
memiliki
karakteristik utama dari suatu tekstur. Pola8
pola yang memiliki informasi penting ini
dinamakan “ +
"
”. LBP dikatakan
+
jika struktur melingkar pola8pola
binernya paling banyak terdiri atas dua
transisi bit dari 0 ke 1 atau sebaliknya.
Sebagai contoh 00000000 (0 transisi),
01110000 (2 transisi) dan 11001111 (2
transisi) merupakan
+
"
,
sedangkan 11001001 (4 transisi) dan
01010011 (6 transisi) bukan merupakan
+
"
.* +
"
berfungsi
mengidentifikasi noda ( " ), +
atau
#
" , sudut dan tepi. Hampir 90% dari
tekstur merupakan
+
"
(Ojala
2002). Penjelasan dari pola tekstur
+
"
dapat dilihat pada Gambar 5.

(8,2)

Gambar 3 Ukuran

&

&

#.
Spot

'
)
merupakan suatu cara
agar pola8pola LBP tidak sensitif terhadap
perubahan rotasi dikarenakan struktur piksel
ketetanggaan LBP berbentuk melingkar.
& & # dengan LBP =
00001111 = 15 dapat dilihat pada Gambar 4.

Spot/flat Line end Edge

Gambar 5 Tekstur

+

Corner

"

Untuk mengidentifikasi
+
digunakan fungsi sebagai berikut :
>9

+∑

,

: = ||-9





@:

@

−-

− -9



.
"



@

@ :|

|

dengan :
:
+
"
dari
*1
'2
banyaknya
"
"
dan
radius '
" :
"
"
" : nilai keabuan dari "
: nilai keabuan rata8rata seluruh piksel
& & #

Gambar 4 '

)

LBP.

'
)
didefinisikan sebagai
nilai minimum dari rotasi ('3') 8bit biner
yang dilakukan sebanyak kali:
2*
,

= min67879

,

, $: ; $ = 0, 1, … ,

− 1 }

dengan :
:
)
Nilai dan pola8pola LBP pada Gambar 4
dapat berbeda8beda, tetapi memiliki struktur
rotasi yang sama. Setiap pola LBP akan

CDEGHIJ
E,F /

Penggabungan antara
+
"
dan
2*KL
)
dilambangkan
.
,
Notasi menunjukkan
)
dan
! untuk
+
"
pada
"
2*KL
"
P dan radius R.
merupakan
,
ukuran ketidaksensitifan ( )
) terhadap
2*KL
perubahan
.
merupakan
,
ukuran yang digunakan untuk pola spasial.
Jumlah pola yang dihasilkan
+
"
adalah
−1 +2
. Ketika
+
"
dirotasi sampai ke nilai minimum



4

yang dimilikinya, jumlah pola yang dihasilkan
menjadi
+1
. '
)
+
"
diformulasikan sebagai
berikut:
2*KL
,

=M

-9



@: ,

+ 1 ,

$# >9

-./0$11 0

,

:≤2

dengan :
" :
"
"
:
nilai
keabuan
dari
"
"
: nilai keabuan rata8rata seluruh piksel
& & #
* :* +
Jika pola yang diidentifikasi termasuk
+
"
, akan dihitung banyaknya bit
satu pada pola tersebut yang menentukan letak
+
"
berada. Jika P,
banyaknya
"
"
sama dengan
2*KL
adalah
nol sampai
delapan, nilai
,
dengan sembilan. Jika bukan
+
"
akan masuk ke dalam
terakhir, yaitu
ke8sembilan yang merupakan
+
"
(Mäenpää 2003),
!

"

.0

/

VAR merupakan #
"
untuk
mengukur lokal kontras tekstur pada suatu
2*KL
citra.
tidak mendefinisikan lokal
,
kontras tekstur dalam perhitungannya. VAR
tidak sensitif terhadap perubahan
.
VAR
berhubungan
dengan
kondisi
pencahayaan suatu citra. Untuk mengukur
lokal kontras tekstur pada suatu citra
digunakan
)
)
dengan formula sebagai berikut:
OP7

,

=

dimana :
μ=

9g R − L:

L

gR

dengan :
" :
"
"
" : nilai keabuan dari "

: rata – rata
"
"
& & #
Hasil perhitungan VAR menghasilkan nilai
yang
perlu
dikuantisasi
berdasarkan persebaran pola tekstur (Guo
. 2009).

!

.

0/

LBPV #
"
secara sederhana
menggabungkan distribusi nilai LBP dan lokal
kontras. Pada perhitungan LBP, histogram H
LBP tidak meliputi informasi
' '.
berhubungan dengan fitur tekstur.
Biasanya, frekuensi tekstur
yang tinggi
akan mempunyai )
yang lebih tinggi
dan )
tersebut lebih berkontribusi
terhadap perbedaan tekstur suatu citra (Guo
, 2009).
Oleh sebab itu, )
' ' dapat
digunakan sebagai bobot yang dapat
beradaptasi untuk mengatur kontribusi nilai
LBP pada perhitungan histogram. Histogram
LBPV dihitung menggunakan fungsi sebagai
berikut :
O

" =

,

dimana :
T9

,

*

+

)

V

T9

,

OP7
$, U , ": = ,

$, U , ":, " ∈ [0. ']

, $, U ,
, $, U = "
0, -./0$11 0

dengan :
: Bobot berupa nilai VARP,R
K : Nilai LBP terbesar
#

"

$

menggunakan
matriks derajat keabuan untuk mengambil
contoh bagaimana suatu derajat keabuan
tertentu terjadi dalam hubungannya dengan
derajat keabuan yang lain. Matriks derajat
keabuan merupakan sebuah matriks yang
elemen8elemennya
merupakan frekuensi
relatif kejadian (
) dari kombinasi
level keabuan antar pasangan piksel dengan
hubungan spasial tertentu (Osadebey 2006).
Misalkan diketahui sebuah citra (1 02, "1
02 merupakan posisi dari operator dan adalah
sebuah matriks. Elemen 1 02 menyatakan
jumlah berapa kali titik tersebut terjadi dengan
8 ) (intensitas) 1 2 pada posisi tertentu
menggunakan operator ", relatif terhadap titik
dengan intensitas 102. Matriks merupakan
yang didefinisikan oleh
". Operator " didefinisikan dengan sebuah
sudut Θ dan jarak d.
Pembangunan
untuk citra ( yang berukuran 4x5 piksel dan
memiliki delapan level keabuan dapat dilihat
pada Gambar 6. Posisi operator "
didefinisikan dengan jarak d = 1 dan Θ = 00.
Matriks
merepresentasikan jumlah titik
yang memiliki intensitas 1 2 terjadi pada

5

posisi yang didefinisikan oleh operator ",
relatif tehadap titik dengan intensitas 102
(Osadebey 2006).
"

A
1
2
3
4
5
6
7
8

1
1
0
0
0
1
0
2
0

1
2
4
8

1
3
5
5

5
5
7
1

6
7
1
2

8
1
2
5

2
2
0
0
0
0
0
0
0

3
0
1
0
0
0
0
0
0

4
0
0
0
0
0
0
0
0

5
1
1
1
1
0
0
0
1

6
0
0
0
0
1
0
0
0

Kuantisasi warna dilakukan untuk mengurangi
waktu komputasi dan menghemat tempat
penyimpanan (Rodrigues & Araujo 2004).
% %

7
0
0
0
0
2
0
0
0

8
0
0
0
0
0
1
0
0

Gambar 6 Pembangunan
.

"

& '

(PNN)
merupakan
+
(ANN)
yang menggunakan teorema probabilitas
klasik (pengklasifikasian Bayes). PNN
diperkenalkan oleh Donald Specht pada tahun
1990. PNN menggunakan pelatihan (
)
" ) #. /
data pada "
sangat mudah dan cepat.
Bobot bukan merupakan hasil
melainkan nilai yang dimasukkan (tersedia)
(Wu
. 2007). Struktur PNN terdiri dari
empat lapisan, yaitu lapisan masukan, lapisan
pola, lapisan penjumlahan dan lapisan
keputusan (keluaran). Struktur pada PNN
dapat dilihat pada Gambar 7.

Ketarangan :
Pasangan nilai derajat keabuan yg
konkuren bernilai 1 pada matrix "
sebanyak 1 buah, maka petakan pada
matrix A di baris dan kolom
(1,1) dengan nilai 1.
Pasangan nilai derajat keabuan yg
konkuren bernilai 1 diikuti 2 pada matrix "
sebanyak 2 buah, maka petakan pada
matrix A di baris dan kolom
(1,2) dengan nilai 2. Lalu lakukan hal yang
sama pada konkuren nilai yg lain.
Menurut Osadebey (2006), representasi
dapat digunakan untuk
menghitung
,
,
" ,
"
,
dan
. Menurut Rodrigues dan Araujo
(2004), informasi tekstur dari suatu citra dapat
direpresentasikan menggunakan
"
,
, )
,
dan
" . Sementara itu, menurut Haralick dan
Shapiro (1992), informasi tekstur dapat
direpresentasikan
dengan
,
,
dan &
.
01 2
,.
,
(HSV) merupakan
suatu ruang warna yang komponennya
berkontribusi langsung pada persepsi visual.
digunakan untuk membedakan warna
misalnya merah, hijau, dan biru serta untuk
menentukan tingkat kemerahan, kehijauan,
dan seterusnya dari sebuah cahaya. .
merupakan persentase cahaya putih yang
ditambahkan ke cahaya murni. Sementara itu,
)
merupakan intensitas cahaya yang
dirasakan (Rodrigues & Araujo 2004).

Gambar 7 Struktur "
,

Lapisan masukan ( W) terdiri atas ' nilai
ciri yang akan diklasifikasikan pada kelas.
Beberapa proses yang terjadi setelah lapisan
masukan, yaitu :
1. Lapisan pola ("
2 digunakan 1
# pola untuk setiap data pelatihan yang
digunakan. Setiap
# pola, merupakan
perkalian titik (# " # ) dari vektor
masukan W dengan vektor bobot ZZZZZW,
X,Y [* =
.
Bobot
ZZZZZZW

merupakan
nilai
data
W. ZZZZZZW.
X,Y
X,Y
latih ke8 pada kelas ke80. Nilai [*
kemudian dibagi dengan bias tertentu σ
dan selanjutnya dimasukkan ke dalam
fungsi radial basis, yaitu :
#

1 24 "1 1L 2

6

" \−

f (x) =
dengan :

`

L

c

ZZZW ]
ZZZW ]
ZZZZZZW:
ZZZZZZW:
9]
^,_ 9]
^,_
La b

: Banyaknya kelas
2. Lapisan penjumlahan (
2,
menerima masukan dari # lapisan pola
yang terkait dengan kelas yang ada.
Persamaan yang digunakan, yaitu :


d

=

2e

1



f
L g f h *

m

exp −



*V

l

2g L



*V

L

dengan ' merupakan dimensi vektor ciri, σ
merupakan bias dan merupakan jumlah
data latih pada kelas tertentu.
3. Lapisan
keluaran
( "
2
menghasilkan keputusan input W masuk ke
dalam suatu kelas. Input W akan masuk
kelas ( jika nilai
)$* paling besar
dibandingkan dengan kelas yang lainnya.
+

,

.33 /

Histogram warna menyatakan frekuensi
atau peluang keberadaan setiap warna dalam
sebuah citra. Banyaknya nilai warna ( )
dapat ditetapkan sesuai kebutuhan pembuatan
histogram. Histogram warna dinyatakan
sebagai berikut :
1
ℎ* =
o

V

+

putih, biru, hijau muda, hijau tua, merah
muda, merah hingga kuning. Bentuk dan
ukuran daunnya bermacam8macam tergantung
dari jenisnya. Permukaan daun rata, licin dan
tidak berbulu serta memiliki tepi daun rata
(Leman 2004). Variasi tanaman
dapat dilihat pada Gambar 8.

*|V

dimana :
1, jika piksel ke8j dikuantisasi ke
8i
50 =
0, selainnya
dengan:
: banyaknya
: matrix kuantisasi
Histogram warna seperti ini disebut
C )
(Han & Ma
2002).
!(!)!( ,
Tanaman
merupakan salah
satu jenis tanaman hias daun yang memiliki
keindahan pada bentuk dan warna daunnya
(Leman 2004). Tanaman
disukai
karena warna dan tekstur daunnya yang
memiliki keunikan.
secara umum
terbagi dua, yaitu
spesies dan
hibrida.
spesies
umumnya memiliki warna kehijau8hijauan
dengan corak hijau kehitaman, sedangkan
hibrida (persilangan) umumnya
memiliki warna daun lebih bervariasi, seperti

Gambar 8 Variasi tanaman

.

Tanaman
di
dunia,
diperkirakan memiliki hampir 8000 jenis
baik dari spesies maupun hasil
persilangan (
) ). Beberapa nama jenis
tanaman
dapat dilihat pada Tabel
1.
Tabel 1 Jenis tanaman
*
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

(
,
,
,+
,&
,
#
, "
,
, # +,
, ,0,+
, "
, ),
, ),
+
, ), &
, ), & "
, ), &
&
, ),
, ),0
, ), # )
, ),"
, ),"
, ), )
, ), )
, ),
, ),
+ #

.
Spesies
Spesies
Spesies
Spesies
Spesies
Spesies
Spesies
Spesies
Spesies
Hibrida
Hibrida
Hibrida
Hibrida
Hibrida
Hibrida
Hibrida
Hibrida
Hibrida
Hibrida
Hibrida
Hibrida
Hibrida
Hibrida

7

0

.

-

*
24
25
26

(
"
&

,

, ),
,&
,0

27

,

" #

Spesies

28

,

&

Spesies

29

," #

30

, &

"

+

Hibrida
Spesies
Spesies

Spesies
Spesies

Tanaman hias ini memiliki habitat di
bawah hutan hujan tropis, dapat tumbuh
dengan baik di daerah yang memiliki
intensitas cahaya rendah dan kelembaban
tinggi sesuai dengan
kontur wilayah
Indonesia. Penyebaran utama tanaman ini di
Asia Tenggara, meliputi Filipina, Indonesia,
Malaysia, Thailand, Laos, Vietnam, Brunai
Darussalam, dan Myanmar. Tanaman ini
kemudian menyebar ke Cina, Florida, dan
Amerika.

,.

!

/

Data penelitian yang digunakan diperoleh
dari Balai Penelitian Tanaman Hias
(BALITHI) di Segunung, Cipanas. Data yang
diperoleh terdiri atas 30 jenis
.
Masing8masing jenis terdiri atas 30 citra daun.
Proses pengambilan citra daun dilakukan
dengan menambahkan
# berupa
karton agar
yang terdapat pada citra
dapat diminimalisasi.
% !

%& , ("!(

0

Pada tahap ini dilakukan proses
mengekstraksi fitur tekstur menggunakan
metode
(LBPV) #
" . Metode LBPV #
"
yang dipakai akan menggunakan lima
operator, yaitu (8.1), (8.2), (16.1), (16.2) dan
(24.3). Hal ini dilakukan agar ditemukan
operator yang sesuai dan memiliki hasil
ekstraksi yang terbaik. Operator #
"
pada metode LBPV #
"
dapat dilihat
pada Tabel 2.
Tabel 2 Operator #

Penelitian ini dilakukan dalam beberapa
tahap. Tahap8tahap tersebut dapat dilihat pada
Gambar 9.

*

"

,

Operator
(P, R)
(8.1)

Ukuran blok
(piksel)
3x3

Kuantisasi
sudut
45 derajat

(8.2)

5x5

45 derajat

(16.1)

3x3

22.5 derajat

(16.2)

5x5

22.5 derajat

(24.3)

7x7

15 derajat

Penentuan ukuran blok dan kuantisasi
sudut untuk satu
dapat diperoleh
dengan menggunakan fungsi sebagai berikut :
blok = (' x 2) + 1
kuantisasi sudut = 2π /
dengan :
' : radius LBP
:
"
"
Ilustrasi pembagian citra ke dalam ukuran
blok matriks 3x3 piksel dapat dilihat pada
Gambar 10.

Gambar 9 Metodologi penelitian.

Gambar 10 Ilustrasi pembagian blok matriks
3x3 pada citra.

8

Ilustrasi pembagian citra ke dalam ukuran
blok matriks 5x5 piksel dapat dilihat pada
Gambar 11.

Ekstraksi tekstur menggunakan LBPV juga
diolah menggunakan lima operator, yaitu
(8.1), (8.2), (16.1), (16.2) dan (24.3).
Penggunaan operator #
"
dimaksudkan
untuk mencari hasil yang terbaik. Operator
yang memiliki hasil terbaik yang akan
digunakan sebagai operator LBPV pada
penelitian ini.
% !
$

Gambar 11 Ilustrasi pembagian blok matriks
5x5 pada citra.
Ilustrasi pembagian citra ke dalam ukuran
blok matriks 7x7 piksel dapat dilihat pada
Gambar 12.

%&

=

$, U

*,V

$1q.p-. rsr.1h =

Proses ekstraksi fitur tekstur akan
dilakukan pada setiap blok. Hal ini
dimaksudkan agar diperoleh formula yang
terbaik. Antara blok yang satu dengan blok
yang lainnya akan mengalami )
""
dengan jarak satu piksel. Masing8masing blok
akan diekstraksi menggunakan metode
(LBPV) #
" .
Ekstraksi tekstur menggunakan LBPV
#
"
memanfaatkan keseluruhan hasil
nilai8nilai
(blok) metode
2*KL
#
"
dan
hasil
nilai8nilai
,
(blok) metode VAR #
" . Ekstraksi
dilakukan dengan menggabungkan nilai
2*KL
dan VAR. Setiap nilai
,
2*KL
#
"
merujuk pada
yang ada di
,
nilai
VAR #
" pada posisi
yang sama, . "
"
dan
radius
(operator)
yang
digunakan
2*KL
#
"
dan VAR #
"
harus
,
sama. Hal ini dikarenakan LBPV #
"
bekerja dengan mencocokkan posisi
.
Hasil dari kombinasi

2*KL
#
"
dengan VAR #
"
,
menghasilkan vektor frekuensi nilai LBPV
#
"
yang direpresentasikan melalui
histogram. Pembentukan histogram LBPV
2*KL
#
"
sama seperti
, . Histogram
LBPV #
"
memiliki 4
dengan
banyaknya
"
"
yang digunakan.

#

"

Pada tahap ini dilakukan proses ekstraksi
fitur tekstur menggunakan metode
. Informasi tekstur akan
direpresentasikan
dengan
menggunakan
beberapa fitur, yaitu
,
,
" ,
"
,
,
dan &
. Berikut ini adalah fungsi
dari ketujuh fitur tersebut :
.1.p

Gambar 12 Ilustrasi pembagian blok matriks
7x7 pada citra.

, ("!(

.1hpsd = −

*,V

L

*,V
*tV

$, U L
|$ − U|

$, U /s

r0 $rur dpsv0v$/$h = r0
s1hp0-h =

*,V

spp./0h$s1 =

|$ − U|L
$−

*,V

ℎsrs .1.$h =

*,V

*

$, U

$, U

U−
g* gV

$, U
1 + |$ − U|

V

$, U


$, U

dengan :
$, U : elemen baris ke8i, kolom ke8j dari
8
yang telah
dinormalisasi.
: nilai rata8rata baris ke8i
*
: nilai rata8rata kolom ke8j pada
V
matriks
: standard deviasi baris ke8i
g*
: standard deviasi kolom ke8j pada
gV

matriks P
Langkah awal yang dilakukan untuk
mendapatkan informasi tekstur dari sebuah
citra yaitu dengan menentukan
.
dihitung dalam
empat arah, yaitu : 00, 450, 900 dan 1350. Jadi,
untuk setiap citra akan dihasilkan empat
. Setelah itu, nilai
,
,
" ,
"
,
,
dan &
dihitung untuk setiap
,

9

sehingga untuk setiap fitur akan diperoleh
empat nilai, masing8masing untuk arah 00,
450, 900 dan 1350. Nilai dari setiap fitur
diperoleh dengan menghitung rata8rata
keempat nilai fitur yang bersangkutan. Hal ini
dilakukan agar informasi tekstur yang
diperoleh tidak peka terhadap rotasi (
8
)
). Informasi tekstur untuk setiap citra
akan direpresentasikan dengan sebuah vektor
yang memiliki tujuh elemen. Nilai akhir dari
informasi tekstur diperoleh dengan melakukan
normalisasi terhadap vektor dari masing8
masing citra.
% !

! (! , ("!(

01 2

Pada tahap ini, akan dilakukan proses
mengekstraksi
fitur
warna
dengan
menentukan histogram warna menggunakan
)
(CCH).
Pada langkah awal pemrosesan citra, citra
RGB akan diubah menjadi citra HSV.
Transformasi citra RGB menjadi citra HSV
diperoleh dengan menggunakan fungsi di
bawah ini :



dengan :
8 (r, g, b) : warna8warna pada ruang warna
RGB menurut Gonzalez (2004).
8
: warna dasar merah ( #)
8
: warna dasar hijau (
)
8
: warna dasar biru (
)
8 (h, s, v) : warna8warna pada ruang warna
HSV menurut Gonzalez (2004).
8 & : nilai &
8
: nilai
8 ) : nilai )
Setelah citra diubah menjadi HSV,
langkah selanjutnya adalah melakukan
kuantisasi warna. Kuantisasi warna dapat
mengeliminasi komponen warna yang dapat
dianggap sebagai
. Pada penelitian ini,
kuantisasi warna yang digunakan adalah
Histogram8162 (HSV8162). Pada HSV8162,
& dikuantisasi menjadi 18
,

dikuantisasi menjadi 3
, sedangkan )
dikuantisasi menjadi 3
, sehingga akan
didapatkan kombinasi sebanyak 18 x 3 x 3 =
162.
dikuantisasi menjadi 18
dikarenakan sistem visual yang dimiliki oleh
manusia lebih sensitif terhadap &
dibandingkan dengan
dan )
.
Setiap citra akan direpresentasikan dengan
sebuah vektor yang memiliki elemen
sebanyak 162 buah. Nilai elemen vektor
menyatakan jumlah piksel citra yang masuk
ke dalam
yang sesuai. Dengan kata lain,
vektor dari citra merepresentasikan histogram
warna dari citra tersebut. Setelah histogram
citra selesai dihitung, langkah selanjutnya
adalah melakukan normalisasi terhadap vektor
pada masing8masing citra.
#! - !
& '

, ("!(

% %

"

Pada tahap ini, model
(PNN)
digunakan
sebagai
pengklasifikasinya.
Sebelum
melakukan
klasifikasi, terlebih dahulu dilakukan proses
ekstraksi pada setiap citra daun.
Hasil dari proses ekstraksi citra daun,
diperoleh masing8masing 900 vektor ciri citra
untuk setiap metode ekstraksi. Setelah itu,
vektor
ciri
tersebut
dikombinasikan
berdasarkan fiturnya, yaitu fitur tekstur dan
fitur warna. Hasil dari penggabungan tersebut
akan diklasifikasikan dengan menggunakan
metode PNN.
Klasifikasi dibagi dengan 70% sebagai
data latih dan 30% sebagai data uji. Setelah
itu, dilakukan proses
. Hasil dari
diperoleh suatu model klasifikasi.
Model klasifikasi yang diperoleh akan
digunakan untuk mengklasifikasikan data
6
citra daun yang ingin diketahui jenis
tanaman
nya.
Arsitektur klasifikasi PNN pada penelitian
ini menggunakan inputan
atau penciri dari
metode ekstraksi yang digunakan. Adapun
contoh Arsitekstur PNN pada penelitian ini
dapat dilihat pada Gambar 13.

10

daun yang akan diidentifikasi. Proses
"
yang dilakukan tidak hanya mengambil objek
daunnya saja, namun mengambil objek daun
dalam bentuk +
persegi. Proses
""
citra daun dapat dilihat pada Gambar 15.

Gambar 13 Arsitektur PNN pada penelitian.
!(" !% &(! ,!(

!(" !%

!

Perangkat lunak yang digunakan dalam
penelitian ini adalah Windows 7 SP 1 dan
Matlab 7.0.1. Perangkat keras yang digunakan
dalam penelitian ini adalah PC (
"
) dengan prosesor AMD Phenom X3
3.5 Ghz, memori 4 GB dan & ## 3,5 TB.

Gambar 15 Proses
5

,.

!

*

/

Pada tahap awal praproses, citra daun
berbentuk RGB yang diambil pada resolusi 5
Mpx (
" )
diperkecil ukurannya
( - 2 dengan persentase 10%815%, Proses
- citra dapat dilihat pada Gambar 14.

!%! 3 % ! !&(

) !" !( !%! !% $ ,!( !%! +

Seluruh data hasil ekstraksi dibagi menjadi
data latih dan data uji. Data latih digunakan
sebagai " pelatihan menggunakan PNN,
sedangkan data uji digunakan sebagai model
hasil pelatihan menggunakan PNN. Persentase
data latih dan data uji yang digunakan pada
penelitian ini adalah 70% untuk data latih dan
30% untuk data uji. Keseluruhan data yang
digunakan untuk pengujian citra daun
sebanyak 900 data citra daun
,
dimana untuk data latih digunakan sebanyak
630 data dan data uji digunakan sebanyak 270
data. Pemilihan data uji dilakukan dengan
mengambil 9 data citra daun pada setiap kelas,
sedangkan data latih diambil sebanyak 21 data
citra daun pada setiap kelas.
% !

Gambar 14 Proses

- pada citra daun.

Setelah citra daun diperkecil ukurannya,
maka langkah selanjutnya adalah melakukan
proses
""
secara manual. Hal tersebut
dimaksudkan agar fokus terhadap objek citra

pada citra daun.

Pada penelitian ini, data citra daun yang
akan digunakan terdiri atas 900 citra daun dari
tanaman
. Data yang diperoleh
terdiri atas 30 jenis
, dimana setiap
jenis
didapatkan sebanyak 30 data
citra daun. Ketigapuluh jenis
yang
akan diidentifikasi oleh sistem dapat dilihat di
Lampiran 1.
5

-

""

3

Ekstraksi ciri merupakan tahapan untuk
mengambil ciri8ciri yang ada pada suatu citra.
Setelah data citra telah diekstraksi kemudian
dilakukan proses klasifikasi berdasarkan hasil
ekstraksi. Pada penelitian ini, proses ekstraksi
ciri dilakukan dengan melakukan beberapa
kombinasi metode, yaitu kombinasi antara
metode
(LBPV) dan metode HSV8162, dan kombinasi

11

antara metode
dan
metode HSV8162. Kombinasi ini dilakukan
agar menambah informasi penciri citra
sehingga
nantinya
diharapkan
dapat
meningkatkan akurasi pengujian.
Ekstraksi fitur tekstur didahului dengan
merubah citra ke dalam mode warna
. Mode warna
"
representasi intesitas warna keabuan dari
suatu citra. Untuk citra daun yang akan
diekstraksi dengan menggunakan fitur warna
tidak akan dilakukan proses
. Proses
perubahan warna citra daun dapat dilihat pada
Gambar 16.

memiliki kuantisasi sudut sebesar 22.5 derajat
dengan ukuran blok matriks sebesar 5x5
piksel dan operator (24.3) memiliki kuantisasi
sudut sebesar 15 derajat dengan ukuran blok
matriks sebesar 7x7 piksel.
Sebelum memilih operator
(LBPV) yang akan
digunakan, setiap operator pada
(LBPV) harus dilakukan
perhitungan terlebih dahulu untuk mencari
nilai
akurasi
yang
terbaik
dengan
menggunakan
(PNN). Adapun operator dari
(LBPV), yaitu operator
(8.1), operator (8.2), operator (16.1), operator
(16.2) dan operator (24.3). Hasil perhitungan
operatror
(LBPV) dapat dilihat pada Gambar 17.

Gambar 16 Proses perubahan warna pada citra
daun.
5

% !
3
(""&(! !(
0 ,!(
01 2

%*,

Citra daun
yang telah
mengalami praproses (proses
- , proses
perubahan warna ke dalam bentuk
dan proses
"" ) kemudian akan
dilakukan proses ekstraksi ciri tekstur dan
proses ekstraksi ciri warna pada citra daun
tersebut.
Proses ekstraksi ciri tekstur pada citra
daun akan menggunakan metode
(LBPV) yang nantinya akan
menghasilkan suatu vektor ciri. Vektor ciri
itulah yang nantinya akan digunakan sebagai
suatu input
+ .
Metode
(LBPV) #
"
yang dipakai akan
menggunakan lima operator, yaitu (8.1), (8.2),
(16.1), (16.2) dan (24.3). Hal ini dilakukan
agar ditemukan operator yang sesuai dan
memiliki hasil ekstraksi yang terbaik.
Operator (8.1) memiliki kuantisasi sudut
sebesar 45 derajat dengan ukuran blok matriks
sebesar 3x3 piksel, operator (8.2) memiliki
kuantisasi sudut sebesar 45 derajat dengan
ukuran blok matriks sebesar 5x5 piksel,
operator (16.1) memiliki kuantisasi sudut
sebesar 22.5 derajat dengan ukuran blok
matriks sebesar 3x3 piksel, operator (16.2)

Gambar 17 Akurasi pada setiap operator
LBPV.
Dari Gambar 17, dapat dilihat bahwa
akurasi pada operator (8.1) sebesar 46.3%,
akurasi pada operator (8.2) sebesar 50.37%,
akurasi pada operator (16.1) sebesar 55.56%,
akurasi pada operator (16.2) sebesar 52.22%
dan akurasi pada operator (24.3) sebesar
47.41%. Sehingga dapat dikatakan bahwa
akurasi tertinggi terletak pada operator (16.1)
yaitu sebesar 55.56%, sedangkan akurasi
terendah terletak pada operator (8.1) yaitu
sebesar 46.3%. Dapat disimpulkan bahwa
operator
(LBPV) yang terbaik untuk klasifikasi citra
menggunakan
(PNN) terletak pada operator (16.1) karena
operator (16.1) memiliki kuantisasi sudut
sebesar 22.5 derajat dengan ukuran blok
matriksnya sebesar 3x3 pixel. Penggunaan
radius blok matriks 3x3 pixel pada operator
(16.1) mampu menghasilkan akurasi terbaik.
Proses ekstraksi ciri warna pada citra daun
dilakukan dengan menggunakan metode
HSV8162. Hasil dari ekstraksi ciri warna
tersebut nantinya akan menghasilkan suatu
vektor ciri. Vektor ciri itulah yang nantinya
akan digunakan sebagai suatu input
+ .

12

Kedua vektor ciri (tekstur dan warna) hasil
ekstraksi
disatukan
kemudian
akan
menghasilkan suatu vektor ciri baru yang
merupakan suatu kombinasi antara penciri
tekstur dan penciri warna. Adapun kombinasi
setiap operator
(LBPV) dan HSV8162 dapat dilihat
pada Tabel 3.
Tabel 3 Kombinasi operator LBPV dan HSV8
162.
Gambar 18 Akurasi pada setiap operator
LBPV dan HSV8162.

(8.1)

Ukuran
blok
(piksel)
3x3

10

172

(8.2)

5x5

10

172

(16.1)

3x3

18

180

(16.2)

5x5

18

180

(24.3)

7x7

26

188

Operator
(P.R)

Pada

kombinasi

metode
(LBPV) operator (8.1) dan (8.2)
menghasilkan 10
, sedangkan metode
HSV8162 menghasilkan 162
sehingga
hasil kombinasi dari keduanya menghasilkan
172
.
Pada metode
(LBPV) operator (16.1) dan (16.2)
menghasilkan 18
, sedangkan metode
HSV8162 menghasilkan 162
sehingga
hasil kombinasi dari keduanya menghasilkan
180
.
Pada metode
(LBPV)
operator
(24.3)
menghasilkan 26
, sedangkan metode
HSV8162 menghasilkan 162
sehingga
hasil kombinasi dari keduanya menghasilkan
188
.
Penghitungan pada setiap operator
(LBPV) dengan
HSV8162 dapat dilihat pada Gambar 18.

Dari Gambar 18, dapat dilihat bahwa hasil
akurasi pada kombinasi antara operator (8.1)
dan metode HSV8162 sebesar 46.3%, hasil
akurasi kombinasi antara operator (8.2) dan
metode HSV8162 sebesar 50.37%, hasil
akurasi pada kombinasi antara operator (16.1)
dan metode HSV8162 sebesar 55.56%, hasil
akurasi pada kombinasi antara operator (16.2)
dan metode HSV8162 sebesar 52.22% dan
hasil akurasi pada kombinasi antara operator
(24.3) dan metode HSV8162 sebesar 47.41%.
Akurasi tertinggi terletak pada kombinasi
antara operator (16.1) dan metode HSV8162
yaitu sebesar 55.56%, sedangkan akurasi
terendah terletak pada kombinasi antara
operator (8.1) dan metode HSV8162 yaitu
sebesar 46.3%.
Penggabungan antara operator
(LBPV) dan metode
HSV8162 tidak menghasilkan akurasi yang
lebih baik dari akurasi terhadap operator
(LBPV),
namun cenderung menghasilkan akurasi yang
sama. Hal ini dikarenakan fitur warna kurang
membawa pengaruh yang
+
(berarti)
terhadap penambahan hasil akurasi karena
#
yang
digunakan
pada
pengambilan citra daun menggunakan warna
merah sehingga
pada citra daun hanya
mengalami sedikit penurunan.
5

% !
#

3
"

(""&(! !(
%*,
$ ,!(
01 2

merupakan suatu
metode ekstraksi ciri yang berbasis tekstur.
Metode
yang
digunakan hanya memiliki 7 vektor ciri
tekstur, sedangkan metode HSV8162 memiliki
162 vektor ciri warna sehingga jika vektor ciri
dikombinasikan antara metode
dan metode HSV8162,
maka akan menghasilkan sebanyak 169 vektor
ciri.

13

Sebelum dilakukan penggabungan antara
metode
dan metode
HSV8162,
terlebih
dahulu
dilakukan
percobaan masing8masing penciri, yaitu
dan HSV8162. Hal ini
dimaksudkan untuk melihat perbedaan hasil
akurasi sebelum penggabungan metode dan
sesudah penggabungan metode. Hasil
penghitungan masing8masing penciri dengan
penggabungan metode dapat dilihat pada
Gambar 19.

270 citra daun dengan pembagian data
tiap kelasnya sebanyak 9 citra daun.
5

0 , ("!(

uji

01 2

Klasifikasi ciri tekstur dengan LBPV
menggunakan nilai bias sebesar 0.005 pada
operator (8.1), nilai bias sebesar 0.02 pada
operator (8.2), nilai bias sebesar 0.02 pada
operator (16.1), nilai bias sebesar 0.01 pada
operator (16.2) dan nilai bias sebesar 0.01
pada operator (24.3). Perbandingan jumlah
data yang benar dan data yang salah pada
metode LBPV #
"
terhadap klasifikasi
(PNN) dapat
dilihat pada Tabel 4.
Tabel 4 Perbandingan jumlah data pada
metode LBPV #
" .
$

Gambar 19 Akurasi pada
dan HSV8162.
Dari Gambar 19, dapat dilihat bahwa hasil
akurasi pada metode
sebesar 24.07%, hasil akurasi pada metode
HSV8162 sebesar 43.7% dan hasil akurasi
pada penggabungan metode
dengan metode HSV8162 sebesar
54.44%. Sehingga dapat dikatakan bahwa,
terdapat peningkatan hasil akurasi sebesar
10.7% antara penggabungan metode
dengan metode HSV8162
terhadap hasil akurasi pada metode HSV8162
dan terdapat peningkatan hasil akurasi pula
sebesar 30.33% antara penggabungan metode
dan metode HSV8162
terhadap hasil akurasi pada metode
. Oleh karena itu, hasil
akurasi pada metode
terhadap gabungan metode antara
dan HSV8162 mengalami
peningkatan
jauh
lebih
besar
jika
dibandingkan dengan hasil akurasi pada
metode HSV8162 terhadap gabungan metode
antara
dan HSV8162.
("&+ !( , ("!(
"
& '.

#! - !
/

"
(P.R)
(8.1)
(8.2)
(16.1)
(16.2)
(24.3)

Data
benar
125
136
150
141
127

Data
salah
145
134
120
129
143

Total
data
270
270
270
270
270

Dari tabel 4, dapat dilihat bahwa metode
(LBPV) untuk
operator (16.1) memiliki jumlah data yang
benar sebanyak 150 data citra daun sehingga
dapat dikatakan bahwa hasil akurasi pada
metode
(LBPV) untuk operator (16.1) terhadap
klasifikasi
(PNN) sebesar 55.56%. Hasil penghitungan
terhadap metode
(LBPV) untuk operator (16.1) dapat
dilihat pada Gambar 20.

% %

Pengujian
dilakukan
dengan
mengklasifikasikan hasil ekstraksi ciri
gabungan. Setiap hasil ekstraksi ciri
diklasifikasikan dengan percobaan data latih
sebesar 70% dan data uji sebesar 30%. Kelas
yang menjadi target dari klasifikasi berjumlah
30 kelas. Data citra daun yang diuji sebanyak

Gambar 20 Akurasi metode LBPV pada
operator (16.1).
Perbandingan jumlah data yang benar dan
data yang salah pada metode HSV8162
terhadap klasifikasi PNN dapat dilihat pada
Tabel 5.

14

Tabel 5 Perbandingan jumlah data pada
metode HSV8162.
$

"

HSV8162

Data
benar
125

Data
salah
145

Total
data
270

Dari Tabel 5, dapat dilihat bahwa pada
metode HSV8162 memiliki jumlah data yang
benar sebanyak 125 data citra daun sehingga
dapat dikatakan bahwa hasil akurasi pada
metode HSV8162 terhadap klasifikasi
(PNN) sebesar
46.29%.
Perbandingan jumlah data yang benar dan
data yang salah pada kombinasi antara metode
LBPV (16.1) dan metode HSV8162 terhadap
klasifikasi
(PNN) dapat dilihat pada Tabel 6.
Tabel 6 Perbandingan jumlah data pada
kombinasi metode LBPV (16.1) dan HSV8
162.
$

"

LBP