Ekstraksi Dan Pengukuran Kemiripan Kontur Daun Tumbuhan Obat Indonesia Berbasis Poligon

EKSTRAKSI DAN PENGUKURAN KEMIRIPAN KONTUR
DAUN TUMBUHAN OBAT INDONESIA
BERBASIS POLIGON

WISARD WIDSLI KALENGKONGAN

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2016

PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa tesis berjudul Ekstraksi dan Pengukuran
Kemiripan Kontur Daun Tumbuhan Obat Indonesia Berbasis Poligon adalah benar
karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam
bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal
atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain
telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir
tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor.
Bogor, Maret 2016
Wisard Widsli Kalengkongan
NIM G651130351

RINGKASAN
WISARD WIDSLI KALENGKONGAN. Ekstraksi dan Pengukuran Kemiripan
Kontur Daun Tumbuhan Obat Indonesia Berbasis Poligon. Dibimbing oleh YENI
HERDIYENI dan BIB PARUHUM SILALAHI.
Tumbuhan obat dapat diidentifikasi berdasarkan pada biometrik tumbuhan,
salah satu biometrik tersebut adalah dengan mengidentifikasi kontur daun. Secara
umum bentuk kontur daun terdiri dari 20 kelas, namun penelitian ini berfokus pada
7 kelas yaitu Cordate, Deltoid, Eliptic, Lancolate, Obovate, Ovate dan Reniform.
Penelitian ini mengkaji kontur daun menggunakan pendekatan poligon untuk
memperoleh landmark (titik penting) dan menganalisis hasil pengukuran kemiripan
poligon berdasarkan fungsi tangen dan lp metric, dengan menggunakan sistem temu
kembali.
Metode poligon menggunakan konsep pembatasan daerah yang disebut
margin. Dari penelitian sebelumnya penentuan margin bisa ditentukan secara statis
maupun dinamis, namun ada berapa kelemahan dalam penentuan secara statis

sehingga dalam penelitian ini menggunakan margin dinamis. Ekstraksi ciri poligon
dilakukan dengan menghitung jarak dan sudut antara dua titik landmark,
perhitungan tersebut dilakukan dengan menggunakan fungsi tangen. Pengukuran
kemiripan poligon dilakukan dengan menghitung luas fungsi tangen antara dua
poligon.
Penelitian ini menggunakan data citra daun tumbuhan obat dari daerah di
Indonesia. Penelitian ini berfokus pada identifikasi bentuk daun tumbuhan obat
menurut Benson. Jumlah data yang digunakan 46 jenis spesies dan setiap spesies
terdiri dari 10 citra daun. Dari data yang diperoleh 7 bentuk yang terklasifikasi
diantara lain: cordate, deltoid, eliptic, lancolate, obovate, ovate, dan reniform.
Secara visual metode ini dapat merepresentasikan bentuk dengan cukup baik.
Evaluasi yang dilakukan ialah penilaian secara sistem temu kembali informasi
dengan melakukan pengukuran recall dan precision untuk menentukan tingkat
keefektifan hasil pengukuran kemiripan poligon. Hasil percobaan menunjukkan
bahwa metode ekstraksi poligon memiliki rataan akurasi precision sebesar 0.78 dan
recall sebesar 0.71.

Kata kunci: Fungsi tangen, Identifikasi daun, Landmark, Lp metric, Pendekatan
poligon, Tumbuhan obat.

SUMMARY
WISARD WIDSLI KALENGKONGAN. Extraction and Similarity Measurement
of Leaf Contour in Indonesia Medicinal Plants Based on Polygon. Supervised by
YENI HERDIYENI and BIB PARUHUM SILALAHI.
Medicinal plants can be identified based on biometrics plants, one of which
is the leaves contours. In general contour shape of leaf consists of 20 classes, but
this study only focuses on seven classes, such as Cordate, Deltoid, Eliptic,
Lancolate, obovate, ovate and reniform. This study examines the leaves contours to
obtain its landmarks (important points) and analyze the similarity of polygons
based on the tangent function and Lp metric using the information retrieval.
Polygon approximation methods using the boundary area called margin. In
previous research to determining the margin can choose statically or dynamically.
however, in static margin is hard to determine so in this study using a dynamic
margin. Polygon feature extraction was aware by calculating the distance and
angle between two points landmark, using the tangent function. Similarity
Measurement is done by calculating the area tangent function between two
polygons.
This study uses the data image of medicinal plants leaves from various
regions in Indonesia and focuses on the identification leaf shapes according to
Benson. The amount of data used are 46 species, and each species consists of 10

images of leaves. From the data obtained seven forms classified among others:
cordate, deltoid, eliptic, lanceolate, obovate, ovate, and reniform. This method
visually can be able to represent the shape fairly well. Evaluations carried out an
assessment of information retrieval system by measuring the recall and precision
to determine the effectiveness of the similarity measurement results polygon. The
results showed that the extraction method precision polygon average accuracy of
0.78 and recall by 0.71
Keyword: Landmark, Lp metric, Medicinal plant, Polygonal approximation,
Plant identification, Tangent function.

© Hak Cipta Milik IPB, Tahun 2016
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau
menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau
tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini
dalam bentuk apa pun tanpa izin IPB

EKSTRAKSI DAN PENGUKURAN KEMIRIPAN KONTUR

DAUN TUMBUHAN OBAT INDONESIA
BERBASIS POLIGON

WISARD WIDSLI KALENGKONGAN

Tesis
sebagai salah satu syarat untuk memperoleh gelar
Magister Komputer
pada
Program Studi Ilmu Komputer

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2016

Penguji Luar Komisi pada Ujian Tesis : DrEng Wisnu Ananta Kusuma, ST MT

gtOZ UV}{

f;

fi,r.rlnT 1e33ue1

r8ycgl4'tl€,(S

S

I0Z roqlueseq

tl

:uetlg 1e33ue1

Sugrq

.LI I JS 'erunsn;E

I

Wrt:)

w
S.t;"

7l.tr4 \?p::

?""t*#;'ff r.=j \

eueftesecse6

relndruo; nu11
rpnlg ruerEord €nle)

q€loles

qelo rnr{?}o>llc

Surqurrqued IsItuo)
qelo rnlnlesrq

I9gOEII99C
IISpl,ry\ PrusIl[
uo8rlo4 slseqreg elseuopul teqo
u€qnqurnJ uneq Jnluo) uedutrue; uernln8ue4 uep lsl€Jls)ig

ue8uol8uep)

I^iIN
elueN
srseJ Inpnf

Judul Tesis : Ekstraksi dan Pengukuran Kemiripan Kontur Daun Tumbuhan
Obat Indonesia Berbasis Poligon
Nama
: Wisard Widsli Kalengkongan
NIM
: G651130351

Disetujui oleh

Komisi Pembimbing

Dr Yeni Herdiyeni, SSi MKom
Ketua

Dr Ir Bib Paruhum Silalahi, MKom
Anggota

Diketahui oleh

Ketua Program Studi
Ilmu Komputer

Dekan Sekolah Pascasarjana

DrEng Wisnu Ananta Kusuma, ST MT

Dr Ir Dahrul Syah, MScAgr

Tanggal Ujian: 14 Desember 2015

Tanggal Lulus:

PRAKATA

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Kuasa atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan Agustus 2014 sampai bulan
Oktober 2015 ini ialah biometrik daun, dengan judul Ekstraksi dan Pengukuran
Kemiripan Kontur Daun Tumbuhan Obat Indonesia berbasis Poligon.
Terima kasih penulis ucapkan kepada Ibu Dr Yeni Herdiyeni dan Bapak Dr
Ir Bib Paruhum Silalahi selaku pembimbing yang telah meluangkan waktu, pikiran
serta keikhlasan dalam membimbing dan memberikan arahan sehingga penelitian
ini dapat diselesaikan. Disamping itu, penghargaan penulis sampaikan kepada:
1. Prof Dr Ir Herry Suhardiyanto, MSc selaku Rektor Institut Pertanian Bogor.
2. Dr Ir Dahrul Syah, MScAgr selaku Dekan Sekolah Pascasarjana Institut
Pertanian Bogor.
3. Dr Ir Agus Buono, MSi MKom selaku Ketua Departemen Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor.
4. DrEng Wisnu Ananta Kusuma, ST MT selaku Ketua Program Studi Ilmu

Komputer dan sekaligus sebagai penguji luar komisi pembimbing.
5. Seluruh dosen dan staf pegawai tata usaha Departemen Ilmu Komputer.
6. Seluruh teman-teman ILKOMERZ angkatan 15S2, yang telah memberi
semangat, dukungan dan bantuan.
7. Seluruh teman-teman Asrama Mahasiswa Sulawesi Utara – Bogor, yang selalu
mendoakan, memberi dukungan.
Ungkapan terima kasih juga disampaikan kepada ayah, kakak-kakak serta seluruh
keluarga dan teman-teman, atas segala doa dan kasih sayangnya.
Semoga karya ilmiah ini bermanfaat.

Bogor, Maret 2016
Wisard Kalengkongan

DAFTAR ISI
DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

DAFTAR LAMPIRAN

vi

1 PENDAHULUAN
Latar Belakang
Tujuan
Ruang Lingkup

1
1
2
2

2 TINJAUAN PUSTAKA
Tumbuhan Obat
Bentuk Daun
Praproses
Deteksi Kontur (Polygonal Approximation)
Fungsi Tangen
Pengukuran Kemiripan (Lp metrics)
Evaluasi

3
3
3
3
3
7
8
8

3 METODE PENELITIAN
Tahapan Penelitian
Data daun
Praproses
Deteksi Kontur (Polygonal Approximation)
Ekstraksi Fitur (Tangent Function)
Pengukuran Kemiripan (Lp Metric)
Analisis Kontur
Evaluasi

10
10
10
10
11
13
13
14
14

4 HASIL DAN PEMBAHASAN
Praproses
Deteksi Tepi
Hasil dan Analisis Bentuk
Fungsi Tangen
Evaluasi Kemiripan Bentuk Daun

15
15
15
15
19
23

5 SIMPULAN DAN SARAN

24

DAFTAR PUSTAKA

24

LAMPIRAN

28

RIWAYAT HIDUP

35

DAFTAR TABEL
1.
2.
3.
4.
5.

Data relevan dan data yang diterima
Hasil transformasi poligon ke fungsi tangen untuk beberapa data daun
Perbandingan fungsi tangen untuk beberapa bentuk
Rataan precision dan recall untuk setiap kelas citra
Hasil pendeteksian poligon untuk beberapa data daun

9
20
32
23
30

DAFTAR GAMBAR
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.

Bentuk daun menurut Benson (1957)
Dasar daun cordate
Bentuk daun Eliptic
Bentuk daun lancolate
Bentuk daun obovate
Bentuk daun ovate
Bentuk daun reniform
Bentuk daun deltoid
Visualisasi pendekatan poligon
Min - # (a) dan Min – ε (b) Polygonal Approximation
Tingkat perbedaan �
Margin
Hubungan dua garis
,
,
dan
′
′, ′
′
′, ′
Besar sudut fungsi tangen
Fungsi tangen
Perbandingan dua fungsi tangen
Langkah-langkah metode penelitian
Citra daun berwarna (kiri), Citra daun grayscale (tengah), Citra daun
B/W (kanan)
Citra daun hasil praproses citra (kiri), Tepi terluar daun (kanan)
Tepian daun yang membentuk kontur daun
Sebagian tepi daun yang di representasikan dalam bentuk piksel
Penerapan polygonal approximation terhadap kontur daun.
Proses perubahan ke fungsi tangen
Tahapan perhitungan nilai kemiripan dua poligon
Tahap praproses citra asli (kiri), citra dengan latar belakang terpisah
dan posisi tegak (tengah), dan citra setelah threshold (kanan)
Hasil bagian tepi daun
Bentuk daun cordate citra asli (kiri), hasil titik landmark (kanan)
Bentuk daun deltoid citra asli (kiri), hasil titik landmark (kanan)
Bentuk daun eliptic citra asli (kiri), hasil titik landmark (kanan)
Bentuk daun lancolate citra asli (kiri), hasil titik landmark (kanan)
Bentuk daun obovate citra asli (kiri), hasil titik landmark (kanan)
Bentuk daun ovate citra asli (kiri), hasil titik landmark (kanan)
Bentuk daun reniform citra asli (kiri), hasil titik landmark (kanan)

4
4
1
1
1
2
2
2
4
4
5
5
6
7
8
8
10
11
11
12
12
13
13
14
15
16
16
17
17
18
18
19
19

34.
35.
36.
37.
38.

Poligon (kiri) dan hasil fungsi tangen (kanan)
Fungsi tangen naik
Fungsi tangen turun
Fungsi tangen mendatar
Hasil perbandingan bentuk cordate

19
22
22
22
23

DAFTAR LAMPIRAN
1. Data daun
2. Citra daun dan hasil poligonnya
3. Contoh perbandingan fungsi tangen

28
30
32

1 PENDAHULUAN
Latar Belakang
Potensi tumbuhan obat di Indonesia sangatlah besar, namun pemanfaatannya
masih kurang. Hal ini disebabkan karena pengetahuan masyarakat tentang jenis dan
manfaat tumbuhan obat yang minim (Hikmat et al. 2011). Pada dasarnya tumbuhan
dapat dibedakan melalui daun, bunga, akar, dan buahnya. Proses identifikasi
tumbuhan memerlukan pengetahuan dan menggunakan terminologi yang cukup
kompleks. Seorang yang profesional dalam bidang botani memerlukan waktu yang
cukup banyak untuk proses identifikasi tumbuhan (Rademaker 2000). Oleh sebab
itu, diperlukan adanya teknologi yang berbasis komputer sebagai alat bantu dalam
mempercepat proses identifikasi (Herdiyeni et al. 2013).
Identifikasi tumbuhan dapat dibedakan dengan biometrik tumbuhan. Namun
dalam penerapannya, buah dan bunga bergantung dengan musim, sedangkan akar
berada di dalam tanah. Menurut Tasukaya (2006), daun berperan penting dalam
proses identifikasi. Pada dasarnya proses identifikasi daun berdasarkan atas kontur,
geometri dan tulang daun. Beberapa peneliti mengambil tulang daun sebagai dasar
proses identifikasi (Kirchgessner et al. 2002; Li et al. 2005; Li et al. 2006; Cope et
al. 2010; Larese et al. 2014), ada juga peneliti berdasar pada geometri daun, seperti
mengukur sudut, jarak, kesimetrian (Wu et al. 2007; Hossain et al. 2010;). Peneliti
lainnya melakukan proses identifikasi dengan menggunakan bentuk daun atau
kontur (Kumar et al. 2012; Hajjdiab et al. 2011; Gwo et al. 2013). Kumar (2012)
dalam aplikasi leafsnap-nya menggunakan kontur daun sebagai dasar proses
identifikasi.
Kontur daun merupakan kurva yang terdiri dari titik-titik berurutan yang
membentuk daun. Keanekaragaman bentuk kontur daun telah diteliti menggunakan
analisis landmark untuk mencari perbedaan antara spesies. Ahli botani dan ahli
taksonomi dalam bidang morfometrik geometris menggunakan landmark untuk
merepresentasikan bentuk kontur daun (Viscosi et al. 2011). Pendekatan ini
pertama telah diusulkan oleh Kendall pada tahun 1977 dan dilaksanakan di
beberapa kerangka analisis bentuk oleh Cootes pada tahun 1995. Analisis bentuk
berbasis landmark telah menjadi inti morfometrik geometris dan telah digunakan
sebagai alat kuantitatif dalam biologi evolusioner dan perkembangan (Klingenberg
2010). Menurut Takemura et al. (2002) urutan landmark dipandang sebagai urutan
poligon.
Pendekatan poligon adalah metode yang mereduksi jumlah titik pada kontur
(Grigore et al. 2003). Dalam prakteknya, poligon memiliki dua pendekatan untuk
mendapatkan hasil yang representatif. Pertama dengan menentukan jumlah titik
poligon dan dan kedua menentukan margin bentuknya (Arcelli et al.1993; Poyato
C et al. 2005; Poyato C et al. 2010; Kolesnikov et al. 2005; Kolesnikov et al. 2007;
Latecki et al. 2009; Prasad et al. 2012). Pada intinya metode ini menghilangkan
beberapa titik kontur, sehingga yang tersisa adalah titik dominan yang bisa
merepresentasikan kontur itu sendiri.
Penelitian ini menggunakan metode poligon yang telah dikembangkan oleh
Prasad et al. (2012). Metode ini digunakan untuk merepresentasikan bentuk-bentuk
bangun datar. Metode Prasad ini menggunakan margin dengan threshold dinamis.

2
Selanjutnya untuk mengukur nilai kemiripan antar poligon pada penelitian ini
menggunakan metode fungsi tangen dan Lp Metric (Arkin et al. 1991). Metode
pengukuran kemiripan ini berdasarkan dengan luas antara dua poligon.

Tujuan
1.
2.
3.
4.

Penelitian ini bertujuan untuk:
Mengekstraksi titik penting (landmark) sepanjang kontur daun.
Mengekstrak ciri kontur menggunakan fungsi tangen.
Mengukur kemiripan daun menggunakan Lp Metric.
Mengembangkan sistem identifikasi bentuk daun tumbuhan obat berbasis
kontur.
Ruang Lingkup

Ruang lingkup penelitian ini adalah:
1. Data yang digunakan adalah data citra tumbuhan obat Indonesia dari beberapa
lokasi pembudidayaan.
2. Data citra ini diambil dengan menggunakan kamera digital dengan posisi
tegak terhadap daun baik dari arah depan maupun belakang dan ada pula yang
di ambil menggunakan scanner.
3. Data citra daun yang digunakan dirotasi sehingga tegak lurus terhadap garis
horizontal dan berlatar belakang putih.
4. Penelitian ini berfokus pada ekstraksi dan pengukuran kemiripan berbasis
poligon.
5. Kelas bentuk dalam penelitian ini ialah: Cordate, Deltoid, Eliptic, Lancolate,
Obovate, Ovate dan Reniform.

3

2 TINJAUAN PUSTAKA
Tumbuhan Obat
Baik secara tradisional maupun dengan teknologi modern, tumbuhan obat
telah banyak diolah menjadi suplemen kesehatan dan obat dalam menyembuhkan
penyakit. Pada tahun 2011, World Health Organization (WHO) menyatakan bahwa
sekitar 80% penduduk dunia tergantung pada sebagian tumbuhan obat sebagai
bahan utama pemelihara kesehatan mereka.
Indonesia adalah negara yang memiliki keanekaragaman tumbuhan. Menurut
data BAPENAS tahun 2003 terdapat lebih dari 38.000 jenis tumbuhan di Indonesia.
Zuhud (2009) menjelaskan bahwa Fakultas Kehutanan IPB mencatat sekitar 2039
tumbuhan obat yang terdapat di hutan Indonesia.
Bentuk Daun
Ahli tumbuhan mengamati berbagai ciri pada tumbuhan dengan
menggunakan kunci taksonomi untuk mengidentifikasi spesies suatu tumbuhan.
Salah satu ciri yang diamati untuk menentukan spesies tumbuhan adalah bentuk
daun. Berdasarkan bentuknya, daun dikelompokkan menjadi 20 kelas (Benson,
1957). Setiap kelas bentuk daun memiliki bentuk yang unik. Bentuk yang khas pada
masing-masing kelas menjadi pembeda utama antara satu kelas dengan kelas
lainnya. Selain itu, secara umum kelas bentuk daun juga ditentukan oleh
perbandingan panjang terhadap lebar daun dan posisi terlebar dari daun. Gambar 1
adalah jenis-jenis bentuk daun yang terdapat di alam.
Bentuk Cordate
Umumnya, daun berbentuk cordate adalah bentuk yang menghampiri segitiga
atau bentuk bulat telur, tapi kedua ujung dasarnya agak melingkar ke dalam (Ash
et al. 1999). Daun yang berbentuk cordate melebar pada bagian dasar dan lancip
pada bagian puncak. Karakteristik utama dari bentuk cordate terletak pada bagian
dasar yang melingkar ke dalam (Gambar 2).
Bentuk Eliptic
Eliptic adalah bentuk daun yang memiliki bagian terluas di tengah daun
(Gambar 3). Daun elips memiliki lebar luas di tengah dan kemudian lancip di
ujungnya. Bentuk eliptic merupakan bentuk daun dengan lebar pada bagian dasar
dan bagian puncak daun mempunyai ukuran lebar yang sama dan bahagian tengah
daun lebih lebar (Ash et al. 1999).
Bentuk Lancolate
Lancolate adalah bentuk daun seperti mata tombak di sumbu terluas yang
terletak dekat dasar dan secara bertahap menyempit ke ujung runcing (Ash et al.
1999). Sebuah daun lancolate memiliki bagian terlebar di bagian tengah seperti
terlihat di Gambar 4.

4

Gambar 1 Bentuk daun menurut Benson (1957)

Gambar 2 Dasar daun cordate

Gambar 3 Bentuk daun Eliptic

Gambar 4 Bentuk daun
lancolate

Bentuk Obovate
Obovate (telur bulat sungsang) adalah bentuk daun bulat telur yang
mendekati apex terluas (Ash et al. 1999). Daun obovate digambarkan dengan luas
dari tengah ke apex kira-kira dua kali lipat dari tengah ke dasar seperti yang di
tunjukan di Gambar 5. Bentuk daun ini adalah lancip dari dasar atau pangkal dan
membesar seterusnya membulat menuju puncak daun. Bentuk daun ini mempunyai
merupakan bentuk terbalik dari bentuk ovate.

Gambar 5 Bentuk daun obovate
Bentuk Ovate
Ovate adalah bentuk daun yang melebar di bagian bawah atau dasar sehingga
menyerupai bentuk telur (Ash et al. 1999). Pada Gambar 6 memperlihatkan daun
ovate yang menyerupai bulat telur dengan luas di bagian tengah ke bawah kira-kira
dua kali luas dari tengah ke apex. Bentuk daun ini berlawanan dengan bentuk
obovate.

2

Gambar 6 Bentuk daun ovate
Bentuk Reniform
Reniform adalah bentuk daun yang melingkar yang sedikit melengkung
dengan bagian tengah lebih lebar dari kedua ujungnya. Pada Gambar 7 daun
reniform melebar di bagian puncak yang tidak meruncing, dan seperti bentuk
cordate, karakteristik utama dari reniform ada di bagian dasar yang melingkar ke
dalam.

Gambar 7 Bentuk daun reniform
Bentuk Deltoid
Deltoid adalah bentuk daun yang berbentuk segitiga. Di bagian dasarnya
hampir sejajar dengan garis horizontal. Gambar 8 menunjukkan posisi daun segitiga
yang lebar di bagian dasarnya dan meruncing di bagian puncaknya.

Gambar 8 Bentuk daun deltoid

3
Praproses
Praproses adalah tahap awal dalam suatu penelitian yang berbasis citra. Tahap
ini berupa segmentasi dan thresholding.
Segmentasi
Segmentasi adalah langkah paling penting dalam analisis citra karena
kinerjanya secara langsung mempengaruhi kinerja langkah-langkah pengolahan
selanjutnya. Segmentasi berperan dalam mengekstrak informasi citra untuk
menciptakan daerah homogen dengan mengelompokkan piksel ke dalam
kelompok-kelompok sehingga membentuk daerah yang memiliki kemiripan.
Daerah homogen yang terbentuk memiliki nilai kemiripan sesuai dengan kriteria
seleksi tertentu misalnya intensitas, warna, dan lain-lain (Kaur et al. 2011).
Metode Thresholding
Thresholding bertujuan mengenali dan mengekstrak target dari background
berdasarkan pada distribusi gray level atau tekstur pada objek citra. Teknik ini
berfungsi untuk segmentasi citra (Nagesh et al. 2010). Teknik thresholding
mengevaluasi setiap piksel citra untuk menentukan apakah piksel tersebut termasuk
objek atau tidak sehingga menghasilkan citra biner (Kaur et al. 2011). Proses ini
bekerja dengan memberikan nilai 1 untuk semua piksel yang termasuk dalam
interval threshold dan nilai 0 untuk piksel lainnya. Thresholding mengkonversi
citra grayscale dengan nilai piksel berkisar dari 0 sampai 255 ke citra biner dengan
nilai-nilai piksel 0 atau 1. Thresholding memungkinkan untuk memilih nilai
interval piksel pada citra grayscale dan berwarna untuk memisahkan objek dari
background (Bhardwaj 2012). Nilai threshold ( ) dipilih untuk memisahkan
foreground objek dari background pada keseluruhan citra atau Region of Interest
(ROI) dalam citra � , sesuai dengan Persamaan 1.
[�

,

]={

, �
, �

,
,

≥
<

(1)

dengan � adalah intensitas citra dan , adalah koordinat spasial. Thresholding
dalam penelitian ini digunakan untuk memisahkan objek dari background.
Deteksi Kontur (Polygonal Approximation)
Polygonal Approximation merupakan metode penyederhanaan bentuk
menggunakan representasi kurva (Grigore et al. 2003). Definisi : diasumsikan ada
himpunan { , , , … , } adalah rangkaian titik-titik berurutan, yang
merepresentasikan sebuah kurva digital, kemudian diberikan perlakuan sehingga
}, <
dan bisa
himpunan titik-titik berkurang menjadi { , , , … ,
merepresentasikan bentuk kurva (Gambar 9).

4

kurva digital
Polygonal
Approximation

Gambar 9 Visualisasi pendekatan poligon
Ada dua cara utama polygonal approximation untuk mengurangi titik:
Min – ε : adalah metode yang membentuk polygonal approximation
berdasarkan jumlah titik landmark yang sudah ditentukan. Misalkan kurva
, , ,…,
pada Gambar 10a direduksi menjadi 4 titik landmark,
sehingga titik-titik
, , ,
atau
, , ,
dikatakan sebagai
poligon kurva.
- Min - # : adalah metode polygonal approximation yang membentuk
landmark polygon berdasarkan margin yang sudah ditentukan. Misalkan
kurva , , , … ,
pada Gambar 10b dengan adanya batasan garis
poligon (ε), sehingga titik-titik , , ,
atau , , ,
dikatakan
sebagai poligon kurva.

-

kurva digital

(a)

Polygonal
Approximation
yang mungkin

(b)
Gambar 10 Min - # (a) dan Min – ε (b) Polygonal Approximation
Metode Prasad L-RDP Max
Untuk kurva digital = { , , , … , � } dengan � adalah edge yang ke �
di dalam kurva (Prasad 2012). Garis yang melewati sepasang titik
,
dan
,
dapat diberikan sebagai berikut:
−

+

−

+

−

=

(2)

5

maka tingkat perbedaan � (deviation) dari titik yang ke
melewati garis { , � } dapat di nyatakan dengan:
�

=|

�

−

�

+

�

�

−

+

−

�

�
�|

�, �

∈

yang

(3)

dari tingkat perbedaan � dapat dilihat seberapa jauh penyimpangan yang terjadi,
seperti terlihat dalam Gambar 11.

kurva digital
Polygonal Approximation

Gambar 11 Tingkat perbedaan

�

Berdasarkan Gambar 11
adalah tingkat perbedaan dari
terhadap
pasangan titik dan , dan
memiliki tingkat perbedaan terbesar. Dengan ini
berarti bahwa semakin besar � maka tingkat kemiripan antara kurva digital dan
hasil polygonal approximation semakin jauh.
Dalam metode ini untuk menjaga hasil polygonal approximation agar dapat
merepresentasikan kurva digital maka � akan diberi batas seperti berikut:
max

�

<

(4)

dengan
sebagai batasan toleransi. Seperti yang terlihat pada Gambar 12
berfungsi sebagai margin.

kurva digital
Polygonal Approximation

Gambar 12 Margin

Margin

Untuk menentukan
, pada umum dilakukan secara heuristis. Pada metode
ini Prasad (2011) telah melakukan optimasi untuk menentukan
yang
maximum.

6
Optimasi Prasad
Setiap rangkaian poligon yang berurutan jika didigitalkan maka jarak
maksimum antara rangkaian garis digital dan rangkaian garis kontinu dibatasi dan
dapat dihitung secara analitis. Oleh karena asumsi tersebut maka nilai
dapat di
pilih secara adaptif dengan mempertimbangkan efek dari digitalisasi kemiringan
garis yang menghubungkan dua titik. Misalkan titik umum
, didekati oleh
piksel ′ ′ , ′ seperti terlihat pada Gambar 13.
′

=

′

+∆

=

+∆

(5)

′

��
′
,

Gambar 13 Hubungan dua garis

,

dan

′

′,

′

′

Gambar 13 menunjukkan hubungan gradien dari garis
,
,
′ ′, ′ ′ ′, ′ . Dari sini bisa mengukur kemiringan ( ) garis
′ ′ seperti berikut:
=

−

′

−

′−

=

′−

+

=

+

Δ

Δ

′

′,

′
dan
dan

(6)

′

−Δ
−
−Δ
−

selanjutnya untuk mengukur sudut �� dan jarak sebagai berikut:
=√

−

+

�� = |tan−

−

− tan−

dari Persamaan (3), (7) dan (8) di dapat:
��

= max (

dengan � = tan−

sin � ± cos � |

−

(7)

′ |

(8)

± cos � ± sin � + ± cos � ± sin � | )

. Maka untuk perbedaan
= ��

(9)

yang maksimum adalah:
(10)

7

dengan Persamaan 10 dapat menentukan margin polygonal approximation yang
paling sesuai untuk setiap pasangan titiknya, sehingga dapat merepresentasikan
kurva digital.
Fungsi Tangen
Fungsi tangen adalah metode yang mentransformasi kurva atau vektor ke
satuan sudut dan jarak. Misalkan A adalah poligon planar dengan n titik poligon.
Poligon A terdiri dari titik dalam ruang xy dilambangkan {a0, a1, a2, a3, a4,.., an}.
Titik ai terhubung dengan titik ai+1. Begitu pula titik akhir an-1 terhubung dengan
titik awal a0. Misalkan vektor a i menunjukkan vektor dari ai ke ai+1, vektor ini
memberikan arah dan panjang untuk tepi yang ke i dan dapat dihitung menggunakan
Persamaan 15. Jadi a i adalah panjang tepi ke i. Sedangkan untuk menghitung
sudut misalkan �� adalah sudut antara ai � , � ke ai+1 �+ , �+ (seperti terlihat
pada Gambar 14) dapat dihitung menggunakan Persamaan 14 (Zhang at al, 2001).
Gambar 15 menunjukkan contoh poligon sederhana dan representasi fungsi tangennya.
�� = arctan

�+

�+

− �
− �

a i  a i1  a i

(14)
(15)

a1

a0

a2

�

a3

Gambar 14 Besar sudut fungsi tangen

8

Gambar 15 Fungsi tangen
Pengukuran Kemiripan (Lp metrics)
Untuk membandingkan dua fungsi tangen � dan � dapat digunakan
pengukuran Lp metrics pada Persamaan 16 (Arkin et al. 1991). Konsep pengukuran
kemiripan antara dua fungsi tangen ini terletak pada luas antara dua fungsi tangen.
Dengan menggunakan Persamaan 16 maka kita dapat menghitung setiap luas
persegi yang berada di antara dua fungsi tangen seperti terlihat pada Gambar 16.
,

� = ∫(�

−�

)

(16)

Gambar 16 Perbandingan dua fungsi tangen
Evaluasi
Pada tahap evaluasi dilakukan penilaian secara sistem temu kembali
informasi dengan melakukan pengukuran recall dan precision untuk menentukan
tingkat keefektifan hasil pengukuran kemiripan kurva. Precision mengevaluasi

9
kemampuan sistem temu kembali informasi untuk menemukan kembali data
peringkat teratas yang paling relevan, dan didefinisikan sebagai persentase data
yang dikembalikan yang benar-benar relevan terhadap data yang di terima. Recall
mengevaluasi kemampuan sistem temu kembali informasi untuk menemukan
semua data yang relevan dari dalam koleksi data dan didefinisikan sebagai
persentase data yang relevan terhadap jumlah seluruh data yang relevan. Untuk
lebih jelasnya perbandingan antara recall dan precision dapat dilihat pada
Tabel 1 dan Persamaan 17 (Bruckley at al. 2004).
Tabel 1 Data relevan dan data yang diterima
Relevan

Tidak Relevan

Terambil

A

B

Tidak Terambil

C

D

� =

+

� �

=

+

(17)

10

3 METODE PENELITIAN
Tahapan Penelitian
Secara garis besar langkah penelitian dapat digambarkan sebagai berikut:

Citra Daun
Praproses

Deteksi Kontur
(Polygonal Approximation)
Ekstraksi Fitur
(Tangent Function)
Pengukuran Kemiripan
(Lp Metrics)
Analisis Kontur
Evaluasi
(Information Retrieval)
Gambar 17 Langkah-langkah metode penelitian
Data daun
Penelitian ini menggunakan data citra daun tumbuhan obat dari berbagai
daerah. Diantaranya diambil di kebon raya Bogor, kebun raya cibodas Jawa barat,
daerah sekitar kampus IPB Dramaga. Namun pada penelitian ini tidak berfokus
pada lokasi pengambilan data. Pada penelitian ini berfokus pada identifikasi bentuk
daun tumbuhan obat menurut Benson (1957).
Pada proses pengumpulan data dihasilkan 46 jenis spesies dan setiap spesies
terdiri dari 10 citra daun (Dapat di lihat pada Lampiran 1). Dari data yang diperoleh
telah di klasifikasi bentuk dari setiap spesies. Menurut klasifikasi kelas bentuk
Benson, data hanya memiliki 7 kelas diantaranya Cordate, Deltoid, Eliptic,
Lancolate, Obovate, Ovate, Reniform.
Praproses
Tahap praproses dilakukan untuk mempersiapkan citra yang digunakan
sebelum masuk ke tahap ekstraksi fitur. Tahap awal praproses adalah mengubah

11
mode warna citra dari RGB (Red-Green-Blue) menjadi grayscale. Tujuannya
adalah penyederhanaan citra yang awalnya terdiri atas tiga layer matriks yaitu Rlayer, G-layer dan B-layer menjadi satu layer matriks sehingga mengurangi waktu
pemrosesan. Selanjutnya Citra diubah ke bentuk biner nol dan satu. Tahap
selanjutnya dilakukan segmentasi thresholding untuk memisahkan objek citra daun
dari background. Gambar 18 memperlihatkan tahapan proses citra daun.

Gambar 18 Citra daun berwarna (kiri), Citra daun grayscale (tengah), Citra daun
B/W (kanan)
Deteksi Kontur (Polygonal Approximation)
Hasil dari tahapan praproses citra adalah citra daun dengan kualitas yang
sesuai untuk diolah dalam tahapan berikutnya. Tahapan yang selanjutnya dilakukan
yaitu proses deteksi tepi citra. Deteksi tepi citra merupakan proses untuk
menghasilkan tepi-tepi dari objek citra sehingga dapat diketahui bagian yang
menjadi detil citra (Gambar 19). Suatu titik a(x,y) disebut tepian (edge) dari citra
apabila mempunyai perbedaan intensitas yang tinggi terhadap titik tetangganya.
Tepi daun dideteksi karena merupakan titik-titik dengan perbedaan intensitas warna
yang mencolok terhadap warna latar belakang.

Gambar 19 Citra daun hasil praproses citra (kiri), Tepi terluar daun (kanan)

12

Gambar 20 Tepian daun yang membentuk kontur daun
Tahap selanjutnya adalah memilih titik-titik penting atau landmark dengan
menggunakan metode polygonal approximation. Tepi daun terdiri dari titik-titik
piksel yang membentuk satu kesatuan bentuk daun (Gambar 20). Titik-titik ini
dapat representasikan ke dalam bidang dimensi dua yang memiliki aksis (x) dan
ordinat (y). Seperti terlihat pada Gambar 21 titik � mewakili satu titik piksel
dengan � = , , , … dan merupakan banyaknya titik piksel tepi daun.

�

�, �

Gambar 21 Sebagian tepi daun yang di representasikan dalam bentuk piksel
Untuk menentukan landmark disepanjang kontur, dihitung persamaan garis
lurus antara titik piksel awal
,
dan titik piksel akhir
, . Persamaan
garis ini diperoleh dengan menggunakan Persamaan 2. Setelah mendapatkan
persamaan garis lurus selanjutnya menghitung tingkat perbedaan � dengan � di
antara 1 dan . Landmark ditentukan dengan membatasi nilai � sesuai dengan
Persamaan 3. Apabila nilai � masih melebihi nilai
maka proses akan kembali
pada penentuan titik awal dan dengan titik akhir −
− , − . Proses akan
berulang sampai −
,
dengan
adalah
nilai
yang
terpenuhi pada saat
−
−
. Untuk mendapatkan landmark selanjutnya posisi titik awal pindah ke
� <
selanjutnya menentukan garis lurus, � sehingga mendapatkan
−
− , −
selanjutnya. Proses ini akan berlanjut dan akan berhenti pada = .
Setelah proses berhenti seluruh titik-titik penting atau landmark telah terpilih.
Landmark yang dihasilkan digunakan untuk merepresentasikan bentuk daun.
Seperti terlihat pada Gambar 22 untuk menjaga bentuk daun metode ini
menggunakan thrashold atau margin. Garis putus-putus merah pada Gambar 22

13
merupakan
dalam Persamaan 4.
Prasad (2012).

didapatkan berdasarkan teori optimasi

Gambar 22 Penerapan polygonal approximation terhadap kontur daun.

Ekstraksi Fitur (Tangent Function)
Fungsi tangen adalah metode untuk merepresentasikan bentuk ke fungsi jarak
dan sudut. Fungsi tangen merupakan metode transformasi kurva atau vektor ke
satuan sudut dan jarak. Proses transformasi ke fungsi tangen seperti terlihat pada
dan
,
dihitung sudut tangen
,
Gambar 23. Setiap pasangan titik
antara titik
dan
kemudian menghitung jarak antara
dan
. Proses
selanjutnya untuk titik dan , proses ini akan berhenti pada saat posisi titik
dan . Pada Gambar 23 di bagian kiri merupakan poligon dari daun dan di bagian
kanan merupakan visualisasi fungsi tangen.

�

�

�

Gambar 23 Proses perubahan ke fungsi tangen

Pengukuran Kemiripan (Lp Metric)
Tahap identifikasi ialah tahap proses menghitung kemiripan kurva. Setelah
mendapatkan fungsi tangen selanjutnya kemiripan kurva dengan menggunakan Lp
metric. Sistem pengukuran kemiripan ini ialah untuk mengukur luas daerah di
antara dua fungsi tangen. Dengan Persamaan 16 luas daerah antara dua fungsi dapat
dihitung. Gambar 24 memperlihatkan ilustrasi luas daerah dari dua fungsi tangen.

14

Gambar 24 Tahapan perhitungan nilai kemiripan dua poligon

Analisis Kontur
Setiap spesies tumbuhan obat memiliki bentuk poligon masing-masing.
Bentuk poligon terdiri dari titik penting yang bisa merepresentasikan bentuk daun.
Dari bentuk ini akan dilihat perubahan jumlah titik dari setiap bentuk, perubahan
posisi titik-titik, dan melihat tingkat kemiripan.
Evaluasi
Setelah mendapatkan nilai kemiripan, selanjutnya mencocokkan poligon
yang sesuai, untuk menghitung berapa klasifikasi yang benar dan yang tidak.
Perhitungan akurasi dihitung berdasarkan sistem temu kembali (Information
Retrival) recall dan precision.

15

4 HASIL DAN PEMBAHASAN

Praproses
Tahap praproses merupakan tahap setelah mengumpulkan data citra daun di
lapangan. Data yang terkumpul berasal dari kamera dan scaner. Setiap data
memiliki ukuran, posisi, kecerahan yang berbeda-beda. Oleh sebab itu dilakukan
praproses secara manual dengan mengcrop dan mengrotasikan citra daun sehingga
tegak lurus terhadap garis horizontal. Citra yang sudah diproses secara manual
memiliki latar belakang putih dan posisi daun berdiri tegak lurus terhadap garis
horizontal. Citra diubah menjadi biner dengan operasi threshold. Dengan nilai
threshold statis, piksel yang memiliki nilai lebih besar dari threshold akan memiliki
nilai 1 (putih), sedangkan yang lebih kecil akan memiliki nilai piksel 0 (hitam).
Objek daun menjadi berwarna hitam dan latar belakang menjadi putih. Gambar 25
adalah contoh citra daun yang melewati tahap praproses.

Gambar 25 Tahap praproses citra asli (kiri), citra dengan latar belakang terpisah
dan posisi tegak (tengah), dan citra setelah threshold (kanan)
Deteksi Tepi
Deteksi tepi bentuk citra daun menggunakan algoritma Canny sehingga akan
didapatkan kontur yang daun dengan ketebalan satu piksel. Tahap selanjutnya titik
piksel diurutkan sesuai dengan bentuk daun. Gambar 26 menunjukan hasil tepian
dari bentuk daun.

Hasil dan Analisis Bentuk
Ekstraksi landmark di sepanjang kontur dilakukan dengan menggunakan
polygon approximation. Dalam komputasinya penentuan landmark ini dilakukan
pada semua titik disepanjang kontur secara iteratif. Proses iterasi ini bermula pada
penentuan penentuan garis antara dua titik, menghitung margin toleransi sampai
pada mendapatkan satu landmark. Dengan proses ini didapatkan titik landmark
sepanjang kontur yang merepresentasikan bentuk.

16

Gambar 26 Hasil bagian tepi daun

Cordate
Bentuk daun cordate mempunyai ciri khusus di bagian dasarnya. Gambar 27
memperlihatkan citra daun asli dan hasil poligonnya. Ciri khas dari daun cordate
yaitu terletak pada bagian dasar daun, secara visual titik landmark terlihat sama
dengan citra aslinya. Gambar 27 menunjukkan di bagian dasar titik landmark sama
persis dengan gambar aslinya.

Gambar 27 Bentuk daun cordate citra asli (kiri), hasil titik landmark
(kanan)
Deltoid
Deltoid mempunyai ciri khas yang berbentuk segitiga dan di bagian dasarnya
hampir sejajar dengan garis horizontal. Gambar 28 menunjukkan bahwa titik
landmark yang terbentuk hampir berbentuk segitiga dan di bagian dasarnya juga
hampir membentuk garis yang sejajar dengan garis horizontal. Hal ini menunjukkan
bahwa metode ini dapat merepresentasikan bentuk deltoid. Namun pada daun
deltoid ini sedikit berbeda pada bagian tepinya yang bergerigi. Hal ini
mengakibatkan hasil dari titik landmark bergerigi pula seperti terlihat pada Gambar
28.

17

Gambar 28 Bentuk daun deltoid citra asli (kiri), hasil titik landmark (kanan)
Eliptic
Eliptic merupakan daun yang berbentuk elips yang memiliki luas terbesar di
bagian tengahnya. Gambar 29 memperlihatkan titik landmark dapat
merepresentasikan bentuk elips daun. Titik landmark pada Gambar 29 di bagian
dasar ada beberapa tumpukan titik landmark, hal ini di sebabkan karena citra asli
ada beberapa lekukan sehingga poligonnya pun mengikuti bentuk lekukan tersebut.
Lancolate
Lancolate merupakan bentuk daun yang agak lancip. Lebar di bagian tengah
daun berlahan-lahan menyempit sedikit demi sedikit hingga pada puncak apex dan
base-nya. Gambar 30 menunjukkan hasil titik landmark dan citra aslinya. Titik
landmark secara umum dapat merepresentasikan bentuk secara utuh. Di bagian
dasar terlihat ada penumpukan titik titik landmark hal ini disebabkan kara citra asli
ada beberapa lekukan sehingga titik landmark mengikuti citranya.

Gambar 29 Bentuk daun eliptic citra asli (kiri), hasil titik landmark (kanan)

18

Gambar 30 Bentuk daun lancolate citra asli (kiri), hasil titik landmark
(kanan)
Obovate
Obovate adalah bentuk daun yang hampir menyerupai bentuk bundar telur.
Ciri khas dari obovate ada di bagian apex yang lebar, dan di bagian base yang
menyempit. Gambar 31 menunjukan titik landmark berhasil merepresentasikan
bentuk obovate.

Gambar 31 Bentuk daun obovate citra asli (kiri), hasil titik landmark
(kanan)
Ovate
Ovate adalah bentuk daun yang sama dengan obovate yaitu hampir
menyerupai bentuk bundar telur. Ciri khas dari ovate ada di bagian apex yang
menyempit, dan di bagian base yang melebar berlawanan dengan bentuk obovate.
Gambar 32 Bentuk daun ovate citra asli (kiri), hasil titik landmark (kanan)
menunjukkan titik landmark yang berhasil merepresentasikan bentuk ovate.
Reniform
Reniform merupakan bentuk daun yang hampir melingkar dan di bagian base
agak melengkung hampir serupa dengan cordate. Gambar 33 menunjukkan daun
asli dan titik landmark dari bentuk reniform. Ciri khas yang berbeda dengan daun
lainnya terletak pada bagian dasar yang melengkung ke dalam hampir serupa
dengan cordate. Gambar 33 memperlihatkan bahwa titik landmark berhasil
merepresentasikan bentuk reniform.

19

Gambar 32 Bentuk daun ovate citra asli (kiri), hasil titik landmark (kanan)

Gambar 33 Bentuk daun reniform citra asli (kiri), hasil titik landmark
(kanan)

Fungsi Tangen
Fungsi tangen untuk setiap bentuk memiliki ciri khusus terutama pada titik
puncak atau apex dan pada titik dasar atau base. Gambar 34 menunjukkan
perubahan pada titik apex dan pada base. Pada umumnya semua bentuk memiliki
perubahan pada fungsi tangen di bagian puncak dan bagian dasarnya.
400

apex

base

350
300

Sudut

250
200

apex

150
100
50
0

base

-50 0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

Jarak

Gambar 34 Poligon (kiri) dan hasil fungsi tangen (kanan)

0.9

1

20
Untuk setiap poligon yang diubah ke fungsi tangen dapat di lihat pada Tabel
2. Bentuk cordate, eclips, lancolate, obovate, ovate, reniform dan deltoid memiliki
ciri masing-masing. setiap bentuk memiliki titik puncak dan dasar yang berbedabeda. Khusus untuk bentuk reniform dan obovate perubahan titik puncak tidak
terlalu signifikan hal ini di sebabkan karena bentuk puncak yang tidak terlalu
meruncing.
Tabel 2 Hasil transformasi poligon ke fungsi tangen untuk beberapa data daun
No
1

Bentuk

Pendekatan Poligon

Fungsi Tangen
400

Cordate

Sudut

300
200
100
0
-100

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Jarak

2

Sudut

310
210
110

Elips
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
-90

Jarak

3

Lancolate

Sudut

390
290
190
90
-10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Jarak

21
No
4

Bentuk

Pendekatan Poligon

Fungsi Tangen
500

Obovate

Sudut

400
300
200
100
0
-100 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Jarak

5
400

Ovate

Sudut

300
200
100
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Jarak

6
400

Reniform

Sudut

300
200
100
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Jarak

300

Deltoid

Sudut

200
100
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
-100

Jarak

22
Tren Perubahan Bentuk Fungsi Tangen
Tren perubahan fungsi tangen pada penelitian ini terdiri dari tiga bagian besar
yaitu naik, turun dan mendatar. Pada umumnya fungsi tangen ini mengikuti besar
sudut bentuknya. Ketika perubahan sudut bentuknya besar maka secara otomatis
fungsi tangen pun akan naik secara signifikan. Hal ini bisa dilihat pada Gambar 35
titik puncak adalah saat perubahan sudut yang cukup besar sehingga fungsi tangen
naik secara signifikan. Sebaliknya pada Gambar 36 menunjukkan fungsi turun,
fungsi turun disebabkan karena bentuk yang agak masuk ke dalam. Fungsi tangen
yang mendatar dapat terlihat pada Gambar 37. Pada Gambar 37 menunjukkan
fungsi tangen yang sedikit demi sedikit meningkat. Hal ini di sebabkan karena pada
bentuk tidak memiliki perubahan bentuk sudut yang cukup besar sehingga fungsi
tangen naik secara berlahan. Di Gambar 37 juga terlihat beberapa noise naik dan
turun. Noise ini dikarenakan oleh kerapatan titik-titik dari bentuk yang memiliki
perubahan sudut.

Gambar 35 Fungsi tangen naik

Gambar 36 Fungsi tangen turun

Gambar 37 Fungsi tangen mendatar

23
Pengukuran Kemiripan
Hasil perbandingan dua fungsi tangan sebagai contoh terlihat pada Gambar
38. Gambar 38 merupakan perbandingan dua fungsi tangen dari bentuk cordate.
Ada dua bagian fungsi tangen yang memiliki perubahan yang cukup signifikan,
terlihat pada dua lingkaran Gambar 38. Dua lingkaran ini menunjukkan bagian
puncak dan bagian dasar daun. Dari Gambar 38 terlihat bahwa pada umumnya
fungsi tangen bentuk cordate sama.
400
350
300

Sudut

250
200
150
100
50
0
-50

0

0.2

0.4

0.6

0.8

1

Jarak

Gambar 38 Hasil perandingan bentuk cordate

Evaluasi Kemiripan Bentuk Daun
Evaluasi pengukuran kemiripan citra dilakukan dengan menghitung tingkat
rataan recall dan precision. Untuk menguji kesesuaian persepsi antara hasil
pengukuran kemiripan citra secara poligon dengan visual. Berdasarkan hasil
pengujian sistem, diperoleh tingkat rataan untuk setiap kelas citra ditunjukkan pada
Tabel 3. Hasil percobaan menunjukkan bahwa metode ekstraksi poligon memiliki
rataan akurasi precision sebesar 0.78 dan recall sebesar 0.71.
Tabel 3 Rataan precision dan recall untuk setiap kelas citra
Kelas Bentuk

precision

Recall

Cordate

0.96

0.86

Deltoid

0.67

0.61

Eliptic

0.86

0.78

Lancolate

0.75

0.68

Obovate

0.70

0.63

Ovate

0.56

0.50

Reniform

1.0

0.90

24

5 SIMPULAN DAN SARAN
Simpulan
Secara visual metode poligon dapat merepresentasikan bentuk dengan cukup
baik. Penelitian ini menggunakan tujuh kelas bentuk daun yaitu: Cordate, Deltoid,
Eliptic, Lancolate, Obovate, Ovate, Reniform. Dengan menggunakan metode
polygon approximation, titik penting atau landmark dapat digunakan untuk
merepresentasikan kontur daun tumbuhan obat Indonesia. Hasil yang didapatkan
dari metode polygon approximation dapat mencirikan kontur dengan menggunakan
fungsi tangen. Kemiripan kontur daun dapat di ukur menggunakan menggunakan
Lp Metric. Sistem identifikasi daun tumbuhan obat berdasarkan atas sistem temu
kembali dengan hasil percobaan menunjukkan bahwa metode ekstraksi poligon
memiliki rataan akurasi precision sebesar 0.78 dan recall sebesar 0.71.

Saran
Penelitian ini masih berfokus pada identifikasi bentuk daun, hasil penelitian
ini dapat digunakan untuk mengidentifikasi spesies tumbuhan.

25
DAFTAR PUSTAKA
Acton, FS. 1984. Analysis of straight-line data. New York: Peter Smith Publisher,
Incorporated.
Arcelli C, Ramella G. (1993). Finding contour-based abstractions of planar patterns.
Elsevier, Pattern Recognition. Volume 26, Issue 10, October 1993, Pages 1563–
1577.
Arkin E, Chew P, Huttenlocher P, Kedem K, Mitchell JS. 1991. An Efficiently
Computable Metric for Comparing Polygonal Shapes. IEEE Transaction on
Pattern Analysis and Machine Intelligence. 13(3):209-216. March 1991.
Ash A, Ellis B, Hickey LJ, Johnson K, Wilf P, Wing S. 1999. Manual of Leaf
Architecture. Department of Paleobiology Smithsonian Institution 10th St. &
Constitution Ave., N.W. Washington, DC 20560-0121.
Benson L. 1957. Plant classification. Boston (US):D.C. Heath and Company.
Bhardwaj SC. 2012. Machine vision algorithm for PCB parameters inspection. New
York, USA. NCFAAIIA(2) page 20-24.
Buckley C, Voorhees E. 2004. Retrieval evaluation with incomplete information.
SIGIR (pp. 25–32). ACM.
Cope JS, Remagnino P, Barman S, Wilkin P. 2010. The extraction of venation from
leaf images by evolved vein classi ers and ant colony algorithms. Advanced
concepts for intelligent vision systems. ISBN 978-3-642-17687-6. page 135144.
Gao L, Lin X, Zhong M, Zeng J. 2010. A neural network classifier based on prior
evolution and iterative approximation used for leaf recognition. ICNC, vol. 2 ,
1038 – 1043. Institute of Electrical and Electronics Engineers, New York, New
York, USA.
Grigore O, Veltkamp R. 2003. On the implementation of polygonal approximation
algorithms. Department of Information and Computing Sciences, Utrecht
University. technical report UU-CS-2003-005.
Gwo CY, Wei CH. 2013. Plant identification through images: using feature
extraction of key points on leaf contours, Botanical Society of America.
PubMed 25202493
Hajjdiab H, Al Maskari I. 2011. Plant species recognition using leaf contours. IEEE
International Conference on Imaging Systems and Techniques. 306–309.
Institute of Electrical and Electronics Engineers, New York, New York, USA.
Herdiyeni Y, Adisantoso J, Damayanti EK, Zuhud EAM. 2013. Pemanfaatan
teknologi tepat guna identifikasi tumbuhan obat berbasis citra. Jurnal Ilmu
Pertanian Indonesia (JIPI) . ISSN 0853 – 4217. Vol. 18 (2): 85-91.
Hikmat A, Zuhud EAM. 2011. Revitalisasi konservasi tumbuhan obat keluarga
(TOGA) Guna Meningkatkan Kesehatan dan Ekonomi Keluarga Mandiri di
Desa contoh Lingkar Kampus IPB Darmaga Bogor. Jurnalllmu Pertanian
Indonesia. Vol. 16 No.2. ISSN 0853-4217. him. 71-80.
Hossain J, Amin MA. 2010. Leaf shape identification based plant biometrics.
Proceedings of 13th International Conference on Computer and Information
Technology, Dec. 23-25. ICCITECHN.2010.5723901. page 458-463.

26
Kaur G, Singh B. 2011. Intensity based image segmentation using wavelet analysis
and clustering techniques. Indian Journal of Computer Science and Engineering
(IJCSE). ISSN : 0976-5166. Vol. 2 No. 3.
Kirchgessner N, Schar H. Schurr U. 2002. Robust vein extraction on plant leaf
images. Interdisciplinary Center for Scientific Computing, Ruprecht Karls
University, 69120 Heidelberg, Germany.
Klingenberg C P, 2010. Evolution and development of shape: integrating
quantitative approaches. Nat. Rev. Genet. 11(9), 623–635.
Kolesnikov A, Fränti P. 2005. Data reduction of large vector graphics. Elsevier,
Pattern Recognition, Volume 38, Issue 3, March 2005, Pages 381–394.
Kolesnikov A, Fränti P. 2007. Polygonal approximation of closed discrete curves.
Elsevier, Pattern Recognition, Volume 40, Issue 4, April 2007, Pages 1282–
1293.
Kumar N, Belhumeur P, Biswas A. 2012. Leafsnap: a computer vision system for
automatic plant species identification. Computer Vision – ECCV 2012.
Springer Berlin Heidelberg. ISBN 978-3-642-33708-6. page 502-516.
Larese MG, Namíasa R, Craviotto RM. 2014. Automatic classification of legumes
using leaf vein image features. Journal Pattern Recognition Volume 47 Issue,
Elsevier Science Inc. New York, NY, USA.
Latecki L J, Sobel M, Lakaemper R. (2009). Piecewise linear models with
guaranteed closeness to the data. IEEE Transactions on Pattern Analysis and
Machine Intelligence, 31(8), 1525-1531.
Li Yan. 2006. Leaf vein extraction using independent component analysis. IEEE
Conference on Systems, Man, and Cybernetics. (Volume:5 ). E-ISBN :1-42440100-3. Page 3890 – 3894.
Li Yunfeng, Zhu Q, Ca Y. 2005. A leaf vein extraction method based on snakes
technique. Journal Neural Networks and Brain. ICNN&B '05. International
Conference on (Volume:2 ). ISBN: 0-7803-9422-4. Page 885 – 888.
Nagesh AS, Varma GPS, Govardhan A. 2010. An improved iterative watershed and
morphological transformation techniques for segmentation of microarray
images. IJCA. CASCT(2):77 - 87.
Poyato CA, Fernández-García NL, Medina-Carnicer R, Madrid-Cuevas FJ. 2005.
Dominant point detection: A new proposal. Elsevier, Image and Vision
Computing. Volume 23, Issue 13, 29 November 2005, Pages 1226–1236
Poyato CA, Madrid-Cuevas J, Medina-Carnicer R, Muñoz-Salinas R. 2010.
Polygonal approximation of digital planar curves through break point
suppression. Elsevier, Pattern Recognition Volume 43, Issue 1, January 2010,
Pages 14–25.
Prasad DK, Leung MKH. 2012. Polygonal representation of digital curves, digital
image processing, Stefan G. Stanciu (Ed.), InTech.
Rademaker CA. 2000. The classifi cation of plants in the United States Patent
Classifi cation system . World Patent Information 22 : 301 – 307.
Selvakumar K, Ray BK. 2013. Survey on polygonal approximation techniques for
digital planar curves. International Journal of Information Technology,
Modeling and Computing (IJITMC) Vol.1.
Stehman SV. 1997. "Selecting and interpreting measures of thematic classification
accuracy". Remote Sensing of Environment, Elsevier 62 (1): 77–89.

27
Take