Proceeding Seminar Nasional Teknologi Informasi Aplikasinya 2013
182
Jurusan Ilmu Komputer, FMIPA, Universitas Udayana
1
PENDAHULUAN 1.1 Latar Belakang
Indonesia merupakan negara beriklim tropis, oleh karena itu indonesia memiliki spesies tanaman yang beraneka ragam. Tanaman yang tersebar ada yang berguna dan ada juga yang
berbahaya. Tidak semua orang dapat mengenali berbagai jenis tanaman karena untuk menghafal semua jenis tanaman merupakan tugas yang sulit dilakukan oleh manusia. Oleh karena itu
diperlukanlah suatu aplikasi yang mampu mengenali jenis daun dan mengklasifikasikannya ke dalam jenis tanaman.
Dalam ilmu komputer dan Informatika, aplikasi jaringan syaraf tiruan telah banyak dibuktikan keberhasilannya, terutama dalam hal pengenalan pola pattern recognition
[1].Secara umum terdapat dua tipe pelatihan jaringan syaraf tiruan yaitu pelatihan tanpa pengarahan unsupervised training dan pelatihan dengan pengarahan supervised training[4].
Jaringan syaraf supervised memiliki kemampuan generalisasi yang baik, dimana proses pembelajaran dan pengenalan pola disesuaikan dengan pola target, sehingga hasil pembelajaran
akan diawasi oleh nilai selisih antara target dengan hasil output pembelajaran. Namun model supervised memiliki suatu kelemahan yaitu proses pembelajarannya yang terkadang memakan
waktu yang lama. Hal ini disebabkan karena pembelajarannya terus berlanjut bolak-balik hingga bobot yang dicapai dianggap ideal. Dilain pihak, jaringan syaraf unsupervised memiliki
kemampuan mengelompokkan data masukan dan memerlukan waktu pelatihan yang singkat. Dengan mengkombinasikan kedua jaringan saraf ini dapat dihasilkan suatu jaringan saraf
hibrida Fungsi Basis Radial yang memiliki kemampuan generalisasi yang baik dan waktu pelatihan yang singkat[4].
1.2 Rumusan Masalah
Bagaimana mendeteksi dan mengklasifikasikan pola daun berdasarkan citra yang diperoleh dengan memanfaatkan hasil ekstraksi fitur sebagai input pada jaringan saraf tiruan
Radial Basis Function.
1.3 Batasan Masalah
Tanaman yang digunakan sebagai input sistem adalah beberapa jenis tanaman dengan menggambil gambar dari daunnya. Tidak semua jenis tanaman yang dijadikan sebagai input hal
ini dikarenakan jumlah tamanan yang ada cukup banyak.
2
METODE PENELITIAN 2.1
Diagram Konsep
Pada diagram konsep, sistem dimulai dengan mengambil citra daun dari berbagai tanaman, kemudian menyimpannya di database sistem. Sistem menerima inputan citra daun
yang belum dikenali dari user kemudian mengekstrak beberapa fitur dengan teknik ekstraksi fitur, kemudian dilanjutkan dengan proses recognition. Sistem diagram konsep ditunjukkan
pada Gambar 1.
Gambar 13 Diagram Konsep
Proceeding Seminar Nasional Teknologi Informasi Aplikasinya 2013
183
Jurusan Ilmu Komputer, FMIPA, Universitas Udayana
2
2.2 Image Acquisition
Merupakan proses pengambilan citra daun dengan menggunakan kamera digital dengan latar belakang daun berwarna putih. Citra daun disimpan dalam format .jpg.
2.3 Image Pre-processing
Merupakan proses sebelum ekstraksi fitur. Pada proses ini citra daun diubah ukurannya
menjadi 800 x 800 piksel. Hal ini bertujuan untuk menyeragamkan ukuran semua citra daun. 2.3 Ekstraksi Fitur
Merupakan proses untuk mendapatkan fitur- fitur yang terdapat pada citra sehingga menghasilkan vektor input yang akan digunakan sebagai inputan pada jaringan saraf tiruan.
Pada penelitian ini ekstraksi fitur yang digunakan yaitu Principal Component Analysis PCA.
2.4 K-Means Clustering
Algoritma k-means pertama kali diperkenalkan oleh J.B. MacQueen pada tahun 1976. Berikut merupakan langkah-langkah dari algoritma k-means[3]:
1. Menentukan jumlah cluster
2. Menentukan nilai centroid
Dalam menentukan nilai centroid untuk awal iterasi, nilai awal centroid dilakukan secara acak. Sedangkan jika menentukan nilai centroid yang merupakan tahap dari
iterasi, maka digunakan rumus sebagai berikut :
dimana : adalah centroid rata-rata cluster ke-i untuk variabel ke-j
adalah jumlah data yang menjadi anggota cluster ke-i adalah indeks dari cluster
adalah indeks dari variabel adalah nilai data ke-k yang ada di dalam cluster tersebut untuk variabel ke-j
3. Menghitung jarak antara titik centroid dengan tiap-tiap objek.
Untuk menghitung jarak tersebut dapat menggunakan Euclidean Distance, yaitu :
dimana : adalah Euclidean Distance
adalah banyaknya objek merupakan koordinat objek dan
merupakan koordinat centroid 4.
Pengelompokan objek Untuk menentukan anggota cluster adalah dengan memperhitungkan jarak minimum
objek. Nilai diperoleh dalam keanggotaan data pada distance matriks adalah 0 atau 1, dimana nilai 1 untuk data yang dialokasikan ke cluster dan nilai 0 untuk data yang
dialokasikan ke cluster yang lain.
5. Kembali ke tahap 2
lakukan perulangan hingga centroid yang dihasilkan tetap dan anggota cluster tidak berpindah ke cluster lain.
1
Proceeding Seminar Nasional Teknologi Informasi Aplikasinya 2013
184
Jurusan Ilmu Komputer, FMIPA, Universitas Udayana
3
2.5 Radial Basis Function