Penggabungan Fitur Fuzzy Local Binary Pattern dan Fuzzy Color Histogram untuk Aplikasi Mobile Identifikasi Citra Tumbuhan Obat.

PENGGABUNGAN FITUR FUZZY LOCAL BINARY PATTERN DAN
FUZZY COLOR HISTOGRAM UNTUK APLIKASI MOBILE
IDENTIFIKASI CITRA TUMBUHAN OBAT

NI KADEK SRI WAHYUNI

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012

PENGGABUNGAN FITUR FUZZY LOCAL BINARY PATTERN DAN
FUZZY COLOR HISTOGRAM UNTUK APLIKASI MOBILE
IDENTIFIKASI CITRA TUMBUHAN OBAT

NI KADEK SRI WAHYUNI

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada

Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012

ii

ABSTRACT
NI KADEK SRI WAHYUNI. Fusion of Fuzzy Local Binary Pattern and Fuzzy Color Histogram
for Medicinal Plant Identification in Mobile Application. Supervised by YENI HERDIYENI.
This research develops a mobile application based on Android operating system for identifying
medicinal plant images. The identification is conducted based on texture and color feature. This
research uses medicinal plants leaf images. The total medicinal plants used in this research is 51
species taken from Biofarmaka IPB, Cikabayan Farm, Green house Center Ex-Situ Conservation
of Medicinal Plant Indonesia Tropical Forest and Kebun Raya Bogor. Each species consist of 48
images, thus the total image used in this research is 2448. This research investigates effectiveness
of the fusion between the Fuzzy Local Binary Pattern (FLBP) and the Fuzzy Color Histogram

(FCH) in order to identify medicinal plants. The FLBP method is used for extracting medicinal
plants texture. This method extends the Local Binary Pattern (LBP) approach by employing fuzzy
logic for representing the local patterns of texture images. Fuzzification allows the distribution of
the LBP values is used as a feature vector. Moreover, the FCH method is used for extracting
medicinal plants color. This method considers the color similarity of each color pixel associated
with all the histogram bins through fuzzy-set membership function. Next, Fuzzy C-Means (FCM)
algorithm is used to compute the membership values. The fusion of FLBP and FCH is done by
using Product Decision Rules (PDR) method. This research uses Probabilistic Neural Network
(PNN) method to classify the FLBP and FCH feature vector. The experimental results show that
the fusion between FLBP and FCH can improve the accuracy of medicinal plants identification
(FLBP: 59.61%, FCH: 50.78%, fusion of FLBP and FCH: 74.51%).
Keywords: fuzzy local binary patterns, fuzzy color histogram, fuzzy c-means clustering,
probabilistic neural network, product decision rules.

Judul Skripsi : Penggabungan Fitur Fuzzy Local Binary Pattern dan Fuzzy Color Histogram
untuk Aplikasi Mobile Identifikasi Citra Tumbuhan Obat.
Nama
: Ni Kadek Sri Wahyuni
NRP
: G64080124

Menyetujui:
Pembimbing

Dr. Yeni Herdiyeni, S.Si., M.Kom.
NIP 19750923 200012 2 001

Mengetahui:
Ketua Departemen Ilmu Komputer

Dr. Ir. Agus Buono, M.Si, M.Kom
NIP. 19660702 199302 1 001

Tanggal Lulus :

KATA PENGANTAR
Puji dan syukur penulis panjatkan ke hadirat Tuhan Yang Maha Esa atas segala rahmat-Nya
sehingga penulis dapat menyelesaikan penelitian ini dengan baik. Penelitian ini tak lepas dari
dukungan dan bantuan dari berbagai pihak. Oleh karena itu, penulis menyampaikan rasa terima
kasih kepada:

1 Tuhan Yang Maha Esa atas rahmat dan karunia-Nya.
2 Ayahanda I Ketut Kondra, Ibunda Ni Wayan Surati, serta ketiga saudaraku tercinta, Eka,
Miming, dan Dody atas doa, kasih sayang, dan semangat yang diberikan kepada penulis.
3 Ibu Dr. Yeni Herdiyeni, S.Si., M.Kom. selaku dosen pembimbing yang telah memberikan
banyak bantuan, kemudahan, saran dan ilmu kepada penulis.
4 Bapak Mushthofa, S.Kom., M.Sc. dan Bapak Endang Purnama Giri, S.Kom., M.Kom. yang
telah bersedia menjadi penguji.
5 Rekan-rekan satu bimbingan Desta Sandya, Canggih Trisyanto, Mayanda Mega Santoni, Oki
Maulana, Pauzi Ibrahim, Ryanti Octaviani Suganda, Siska Susanti, Tomy Kurniawan, Pak
Rico, dan Kak Gibtha atas saran, masukan dan nasihat yang diberikan kepada penulis.
6 Rekan-rekan di Departemen Ilmu Komputer IPB angkatan 45 atas segala kebersamaan,
bantuan, dan motivasi yang telah diberikan kepada penulis.
7 Muti, Putri, Ariel, Riva, Nengah, Dya, Sindra, Keswari, Debby, dan sahabat lainnya yang telah
memberikan motivasi kepada penulis.
8 Teman-teman kosan Wisma Sakinah Rista, Uli, Zola, Opi, Fitri, Desti, dan Arima atas doa,
kebersamaan, dan motivasi yang diberikan kepada penulis.
Penulis menyadari bahwa masih banyak kekurangan yang ditemukan dalam tugas akhir ini.
Penulis berharap adanya saran dan kritik dari semua pihak yang membaca tulisan ini. Semoga
tulisan ini bermanfaat dan dapat menambah wawasan ilmu pengetahuan bagi penulis khususnya
dan pembaca umumnya.

Bogor, September 2012

Ni Kadek Sri Wahyuni

RIWAYAT HIDUP
Penulis dilahirkan di Gianyar, Bali, 19 Juni 1990 sebagai anak kedua dari empat bersaudara
pasangan I Ketut Kondra dan Ni Wayan Surati. Pada tahun 2008, penulis lulus dari Sekolah
Menengah Atas (SMA) Negeri 1 Gianyar dan diterima di Program Studi Ilmu Komputer, Institut
Pertanian Bogor (IPB) melalui jalur Seleksi Nasional Masuk Perguruan Tinggi Negeri
(SNMPTN). Pada tahun 2011, penulis melaksanakan kegiatan Praktik Kerja Lapangan di Badan
Pemeriksa Keuangan Pusat (BPK), serta di tahun yang sama penulis mendapatkan beasiswa
pendidikan dari Bank Indonesia. Selama menempuh pendidikan di IPB, penulis pernah aktif di
Himpunan Mahasiswa Ilmu Komputer (Himalkom) IPB. Penulis juga menjadi asisten praktikum
pada mata kuliah Metode Kuantitatif (2011), Pengantar Pengolahan Citra Digital pada Program
Alih Jenis (2012), serta Pengantar Pengolahan Citra Digital pada Program Reguler (2012).

DAFTAR ISI
Halaman
DAFTAR GAMBAR .................................................................................................................. vi

DAFTAR LAMPIRAN ............................................................................................................... vi
PENDAHULUAN
Latar Belakang ........................................................................................................................ 1
Tujuan ..................................................................................................................................... 1
Ruang Lingkup ........................................................................................................................ 1
TINJAUAN PUSTAKA
Android ................................................................................................................................... 1
Open Source Computer Vision (OpenCV) ................................................................................ 2
Local Binary Patterns (LBP) ................................................................................................... 2
Fuzzy Local Binary Pattern (FLBP) ......................................................................................... 2
Fuzzy C-Means Clustering (FCM) ........................................................................................... 3
Color Histogram ..................................................................................................................... 4
Fuzzy Color Histogram (FCH) ................................................................................................. 4
Klasifikasi Probabilistic Neural Network (PNN) ...................................................................... 4
Product Decision Rule (PDR) .................................................................................................. 5
METODOLOGI PENELITIAN
Data Citra Tumbuhan Obat ...................................................................................................... 5
Praproses ................................................................................................................................. 5
Ekstraksi Fitur ......................................................................................................................... 5
Klasifikasi dengan Probabilistic Neural Network (PNN) .......................................................... 7

Classifier Combination menggunakan Product Decision Rule (PDR) ....................................... 7
Evaluasi .................................................................................................................................. 8
Lingkungan Implementasi........................................................................................................ 8
HASIL DAN PEMBAHASAN
Data Citra Tumbuhan Obat ...................................................................................................... 8
Hasil Praproses ........................................................................................................................ 8
Hasil Ekstraksi Tekstur dengan FLBP8,2 ................................................................................... 8
Hasil Ekstraksi Warna dengan FCH ......................................................................................... 9
Identifikasi Citra tanpa Penggabungan ..................................................................................... 9
Identifikasi Citra dengan Penggabungan Fitur ........................................................................ 11
Hasil Antarmuka Aplikasi ...................................................................................................... 13
SIMPULAN DAN SARAN
Simpulan ............................................................................................................................... 14
Saran ..................................................................................................................................... 14
DAFTAR PUSTAKA ................................................................................................................ 14
LAMPIRAN .............................................................................................................................. 15

v

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

Halaman
Komponen sistem operasi Android. ........................................................................................ 1
Skema Komputasi LBP. ......................................................................................................... 2
Beberapa ukuran circular neighborhood. ................................................................................ 2
Membership function m0() dan m1() sebagai fungsi dari pi. ...................................................... 3
Skema komputasi FLBP, dengan F=10. .................................................................................. 3
Struktur PNN. ........................................................................................................................ 4
Metode Penelitian................................................................................................................... 6
Pengkodean biner FLBP. ........................................................................................................ 6
Hasil praproses citra daun untuk ekstraksi fitur tekstur. ........................................................... 8
Hasil praproses citradaun untuk ekstraksi fitur warna. ............................................................. 8
Histogram FLBP8,2 citra daun iler. .......................................................................................... 9
Histogram FCH citra daun nanas kerang. ................................................................................ 9
Grafik hasil identifikasi citra dengan metode ekstraksi fitur FLBP8,2. .................................... 10

Grafik hasil identifikasi citra dengan metode ekstraksi fitur FCH. ......................................... 10
Contoh citra daun data latih dan data uji pada kelas 43 (Mrambos). ....................................... 10
Contoh citra daun data latih dan data uji pada kelas 5 (Akar kuning). .................................... 11
Contoh citra daun data latih dan data uji pada kelas 19 (Pungpulutan). .................................. 11
Grafik perbandingan akurasi. ................................................................................................ 11
Grafik akurasi masing-masing kelas. .................................................................................... 11
Grafik perbandingan akurasi FLBP, FCH, FLBP(8,2)+FCH. ................................................... 12
Contoh citra daun data latih dan data uji pada kelas 15 (Nandang gendis). ............................. 13
Contoh citra daun data latih dan data uji pada kelas 1 (Pandan wangi). .................................. 13
Antarmuka identifikasi citra. ................................................................................................ 13
Antarmuka menu Setting. ..................................................................................................... 14

DAFTAR LAMPIRAN

1
2
3
4
5
6

7
8

Halaman
Lima puluh satu jenis citra tumbuhan obat .............................................................................. 16
Warna kuantisasi.................................................................................................................... 18
Confusion matriks FLBP8,2 ..................................................................................................... 19
Confusion matriks FCH.......................................................................................................... 22
Confusion matriks penggabungan model klasifikasi FLBP8,2 dan FCH .................................... 25
Nilai peluang fitur FLBP(8,2), FCH dan FLBP(8,2)+FCH pada dua citra kelas 5......................... 28
Nilai peluang fitur FLBP(8,2), FCH dan penggabungan fitur FLBP(8,2) + FCH pada kelas 12 ..... 29
Screenshoot aplikasi............................................................................................................... 30

vi

1

PENDAHULUAN
Latar Belakang
Indonesia merupakan negara yang kaya
akan
tumbuhan
obat.
Laboratorium
Konservasi Tumbuhan Fakultas Kehutanan
IPB telah mendata, hingga tahun 2001 tidak
kurang dari 2039 spesies tumbuhan obat
berasal dari hutan Indonesia (Zuhud 2009).
Keberadaan jenis tumbuhan obat yang
tersebar di seluruh wilayah Indonesia, serta
semakin bertambahnya keanekaragaman
tumbuhan
obat
menyebabkan
proses
identifikasi
semakin
sulit
dilakukan.
Pemanfaatan sumber daya tumbuhan obat pun
menjadi tidak optimal. Proses identifikasi
selama ini dilakukan secara manual, yaitu
melalui pencocokan terhadap herbarium atau
literatur tumbuhan obat. Proses identifikasi
dengan cara tersebut membutuhkan waktu
yang lama dan tidak dapat dilakukan secara
mobile. Hal tersebut menyebabkan keberadaan
teknologi yang mampu melakukan proses
identifikasi secara mobile dan otomatis
semakin dibutuhkan. Perkembangan teknologi
smartphone, khususnya Android yang bersifat
open source, dapat digunakan sebagai langkah
untuk mengurangi permasalahan yang muncul
dalam proses identifikasi tumbuhan obat.
Langkah yang dapat dilakukan adalah dengan
mengembangkan sebuah aplikasi mobile yang
dapat melakukan proses identifikasi tumbuhan
obat secara otomatis berbasis citra tumbuhan
obat.
Salah satu tahapan dalam proses
identifikasi citra adalah ekstraksi citra.
Ekstraksi citra dapat dilakukan berdasarkan
fitur warna, bentuk, atau tekstur citra.
Valerina (2012) telah melakukan ekstraksi
tekstur citra dengan menggunakan teknik
Fuzzy Local Binary Pattern. Fuzzy logic
digunakan untuk mengatasi ketidakpastian
pada representasi tekstur LBP yang
diakibatkan oleh noise. Metode tersebut
digunakan untuk identifikasi citra daun 30
jenis tumbuhan obat dengan akurasi mencapai
66%.
Penggunaan fitur warna citra untuk proses
ektraksi fitur citra daun tumbuhan obat belum
pernah dilakukan. Padahal pada database citra
daun tumbuhan obat terdapat beberapa jenis
tumbuhan obat yang daunnya tidak berwarna
hijau. Berdasarkan hal tersebut, warna dapat
dipertimbangkan sebagai penciri untuk proses
identifikasi citra daun tumbuhan obat. Balqis
(2006) melakukan ekstraksi fitur warna citra
bunga dengan menggunakan teknik Fuzzy

Color Histogram (FCH) pada temu kembali
citra bunga. Kusmana (2011) melakukan
penggabungan fitur Local Binary Pattern
untuk meningkatkan akurasi identifikasi citra
daun tumbuhan obat. Akurasi terbaik
diperoleh dari penggabungan fitur dengan
menggunakan teknik Product Decision Rule.
Oleh karena itu, penelitian ini akan
mengembangkan aplikasi mobile berbasis
Android untuk mengidentifikasi tumbuhan
obat dengan menerapkan penggabungan fitur
Fuzzy Local Binary Pattern dan Fuzzy Color
Histogram menggunakan teknik Product
Decision Rule.
Tujuan
Tujuan
penelitian
ini
adalah
mengembangkan aplikasi mobile berbasis
Android untuk mengidentifikasi citra daun
tumbuhan obat dengan penggabungan hasil
ekstraksi fitur tekstur menggunakan Fuzzy
Local Binary Pattern dan fitur warna
menggunakan Fuzzy Color Histogram.
Ruang Lingkup
Ruang lingkup penelitian ini ialah data
citra daun tumbuhan obat yang digunakan
adalah 51 jenis tumbuhan obat. Tiga puluh
jenis diambil dari kebun Biofarmaka,
Cikabayan, dan rumah kaca Pusat Konservasi
Ex-situ Tumbuhan Obat Hutan Tropika
Indonesia, Fakultas Kehutanan IPB. Dua
puluh satu jenis lainnya diambil dari Kebun
Raya Bogor.

TINJAUAN PUSTAKA
Android
Android merupakan sistem operasi yang
ditargetkan untuk perangkat mobile, seperti
ponsel yang didasarkan pada versi modifikasi
di kernel Linux.

Gambar 1 Komponen sistem operasi Android
(Lee 2011).

2

Konsep dan platform Android pertama kali
digagas oleh Android Inc, sebuah perusahaan
dari Palo Alto, California. Google kemudian
melakukan akuisisi pada tahun 2005 (Lee
2011). Sistem operasi Android bersifat open
source sehingga para developer dapat dengan
bebas mengembangkan aplikasi di dalamnya.
Gambar 1 menunjukkan komponen utama dari
sistem operasi Android.
Open Source Computer Vision (OpenCV)
OpenCV adalah library open source yang
dapat digunakan untuk mengembangkan
aplikasi computer vision. Computer vision
merupakan salah satu cabang ilmu komputer
yang berkaitan dengan analisis citra untuk
keperluan ekstraksi informasi. OpenCV dapat
diaplikasikan pada lingkungan sistem operasi
Windows, Linux, Android, dan Mac dengan
bahasa pemrograman C, C++, Phyton, dan
Java. OpenCV dapat diaplikasikan untuk
kepentingan akademis maupun komersial di
bawah lisensi BSD, yang memungkinkan para
pengembang aplikasi untuk menggunakan dan
mendistribusikannya secara bebas (Laganiere
2011).
Local Binary Patterns (LBP)
LBP pertama kali diperkenalkan untuk
mendeskripsikan tekstur pada mode grayscale
(Ojala et al. 2002). Operator LBP didasarkan
pada
3x3
ketetanggaan
yang
merepresentasikan tekstur lokal di sekitar
pixel pusat seperti yang diilustrasikan pada
Gambar 2.a. (Iakovidis et al. 2008).
Setiap pola tekstur LBP, direpresentasikan
oleh
sembilan
elemen
. Nilai
merepresentasikan
nilai intensitas pada pixel pusat dan
merepresentasikan nilai pixel
sekelilingnya (circular sampling). Nilai
delapan ketetanggaan yang mengelilingi pixel

Threshold

Gambar 3 Beberapa ukuran circular
neighborhood.
pusat dapat direpresentasikan pada Gambar
2.b dicirikan oleh nilai biner di
,
dengan

-

(1)

Berdasarkan nilai biner tersebut, setiap
ketetanggaan memiliki nilai LBP yang
dihasilkan oleh formula berikut:
(2)
Nilai LBP yang dihasilkan menunjukkan
kode Local Binary Pattern. Kemudian, kodekode LBP tersebut akan direpresentasikan
melalui
histogram.
Histogram
akan
menunjukkan frekuensi kejadian berbagai
nilai LBP. Untuk ukuran citra NxM,
keseluruhan nilai LBP dapat direpresentasikan
dengan membentuk histogram sebagai
berikut:

(3)
(4)
dengan K merupakan nilai LBP terbesar.
Operator LBP juga dapat dikembangkan
dengan menggunakan berbagai ukuran
sampling points dan radius (Gambar 3). Pada
pixel ketetanggaan akan digunakan notasi
(P,R). P merupakan ukuran sampling points
dan R merupakan ukuran radius (Valerina
2012).
Fuzzy Local Binary Pattern (FLBP)

Nilai LBP: 1 + 2 + 8 + 64 + 128 = 203
Gambar 2 Skema komputasi LBP.

Fuzzification pada pendekatan LBP
meliputi transformasi variabel input menjadi
variabel fuzzy berdasarkan pada sekumpulan
fuzzy rule. Dalam hal ini, digunakan dua fuzzy
rule untuk menentukan representasi nilai biner
dan mencari nilai fuzzy berdasarkan deskripsi
relasi antara nilai circular sampling pi dan
pixel pusat pcenter (Iakovidis et al. 2008).

3

Gambar 4 Membership function m0() dan m1()
sebagai fungsi dari pi.
Berdasarkan Gambar 4, dua fuzzy rule
yang digunakan, yaitu:
Rule R0:
Semakin negatif nilai pi, semakin besar
kemungkinan di bernilai 0.
Rule R1:
Semakin positif nilai pi, semakin besar
kemungkinan di bernilai 1.
Berdasarkan rules R0 dan R1, dapat
ditentukan dua membership function m0() dan
m1(). Fungsi m0() mendefinisikan derajat
dengan adalah 0. Membership function m0()
adalah fungsi menurun (Gambar 4) yang
didefinisikan sebagai berikut:
-

–

(5)
-

Membership function
mendefinisikan
derajat dengan
adalah 1. Fungsi
didefinisikan sebagai berikut:

-

(6)
-

Pada kedua membership function
dan
,
merepresentasikan parameter
fuzzy yang mengontrol derajat ketidakpastian.
Metode LBP original hanya menghasilkan
satu kode LBP saja, sedangkan dengan
metode FLBP akan dihasilkan satu atau lebih
kode LBP. Masing-masing nilai LBP yang
dihasilkan memiliki tingkat kontribusi (
)
yang berbeda bergantung pada nilai-nilai
fungsi keanggotaan
dan
yang
dihasilkan.
Untuk
ketetanggaan
3x3,
kontribusi
dari setiap kode LBP pada
histogram FLBP didefinisikan sebagai berikut
(Iakovidis et al. 2008):

Gambar 5 Skema komputasi FLBP, dengan
F=10.
(7)
Total kontribusi ketetanggaan 3x3 ke
dalam bin histogram FLBP, yaitu:
(8)
Pada Gambar 5, pendekatan FLBP
menghasilkan dua kode LBP sebagai penciri
ketetanggaan 3x3. Kode LBP tersebut akan
direpresentasikan dengan histogram yang
dihitung dengan menjumlahkan kontribusi
dari setiap nilai LBP.
Fuzzy C-Means Clustering (FCM)
FCM
merupakan
algoritme
pengelompokkan data (clustering) tanpa
proses pelatihan (unsupervised learning).
Teknik ini pertama kali diperkenalkan oleh
Jim Bezdek pada tahun 1981. Algoritme FCM
didefinisikan sebagai berikut (Saikumar et al.
2011):
1 Input jumlah cluster c, konstanta
pembobot m, indeks iterasi l dan kriteria
penghentian .
2 Inisialisasi pusat cluster , untuk
.
3 Data input
4 Memperbaharui nilai keanggotaan
dengan menggunakan Persamaan 9.

(9)
-

-

-

5 Memperbaharui pusat cluster
menggunakan Persamaan 10.

dengan

(10)

4

6 Jika
, lakukan kembali
langkah 4. Jika tidak, berhenti.
Hasil dari FCM adalah sejumlah pusat
cluster dengan derajat keanggotaan setiap titik
data terhadap tiap cluster tersebut.
Color Histogram
Warna merupakan salah satu ciri citra
yang paling sering digunakan pada penelitian
pengenalan citra maupun content-based image
retrieval (CBIR). Ekstraksi fitur warna
biasanya dilakukan dengan pendekatan color
histogram
(histogram
warna).
Color
histogram menyatakan frekuensi atau peluang
keberadaan setiap warna dalam sebuah citra.
Banyaknya nilai warna yang dinyatakan
dalam bin dapat ditetapkan sesuai kebutuhan
pembuatan histogram. Color histogram dapat
dinyatakan sebagai berikut (Han & Ma 2002):
(11)

Fuzzy Color Histogram (FCH)
Color histogram dalam merepresentasikan
warna tidak mempertimbangkan persamaan
warna pada bin yang berbeda serta perbedaan
warna pada bin yang sama. Untuk mengatasi
hal tersebut, dibuatlah fuzzy color histogram
yang mempertimbangkan persamaan warna
pada setiap pixel warna yang terasosiasikan ke
semua bin histogram melalui fuzzy set
membership function. Pada FCH, satu warna
dapat masuk ke dalam seluruh bin histogram
dengan derajat keanggotaan yang berbeda.
FCH dari citra I dapat didefinisikan sebagai
berikut (Han & Ma 2002):

Gambar 2 Struktur PNN.
2008). PNN memiliki struktur sederhana serta
pelatihannya
cepat karena tidak perlu
memperbarui bobot. Bobot di PNN bukan
merupakan hasil pelatihan, melainkan nilai
yang akan menjadi masukan (tersedia).
Gambar 6 menunjukkan struktur dari PNN.
PNN terdiri atas empat lapisan, yaitu
lapisan masukan (input layer), lapisan pola
(pattern
layer),
lapisan
penjumlahan
(summation layer), dan lapisan keluaran
(output layer). Definisi dari masing-masing
lapisan adalah sebagai berikut:
1 Lapisan masukan (input)
Lapisan masukan merupakan input x yang
terdiri atas k nilai yang akan
diklasifikasikan pada salah satu kelas dari
n kelas.
2 Lapisan pola (pattern layer)
Pada lapisan pola dilakukan perkalian titik
(dot product) antara input
dan vektor
bobot
. Persamaan yang digunakan
pada lapisan pola adalah sebagai berikut:
(13)

dengan
(12)
dengan
adalah nilai keanggotaan pixel
ke-j di bin warna ke-i dan N merupakan
jumlah pixel pada citra.
Klasifikasi Probabilistic Neural Network
(PNN)
PNN diperkenalkan oleh Donald Specht
pada tahun 1990. PNN menggunakan
pelatihan (training) supervised. Pelatihan
hanya memerlukan satu kali iterasi, dan solusi
umumnya diperoleh dengan menggunakan
pendekatan Bayesian (Ramakrishnan&Emary

dengan xij menyatakan vektor bobot atau
vektor latih kelas ke-i urutan ke-j. Nilai
(bias) merupakan suatu nilai parameter
yang berguna untuk menghaluskan fungsi
jarak. Nilai bias
tidak dapat ditentukan
secara langsung, tetapi bias didapatkan
melalui hasil percobaan (Seminar et al.
2006).
3 Lapisan penjumlahan (summation layer)
Pada lapisan penjumlahan, setiap pola
pada masing-masing kelas dijumlahkan
sehingga dihasilkan population density
function untuk setiap kelas. Persamaan
yang digunakan pada lapisan ini adalah:

5

(14)
dengan
merupakan faktor pemulus, t
merupakan jumlah pola pelatihan seluruh
kelas, dan k merupakan dimensi vektor
input (Seminar et al. 2006).
4 Lapisan keluaran (output layer)
Pada lapisan keluaran, input x akan
diklasifikasikan ke kelas I jika nilai
paling besar dibanding kelas lainnya.
Product Decision Rule (PDR)
Product decision rule merupakan salah
satu teknik classifier combination yang umum
digunakan. Classifier combination adalah
kombinasi dari dua atau lebih hasil dari suatu
nilai aturan keputusan (decision rules). Tujuan
dari classifier combination adalah untuk
meningkatkan efisiensi dan akurasi (Kittler et
al. 1998). Masing-masing fitur yang
diklasifikasikan dengan sebuah classifier
menghasilkan prior probability dan posterior
probability. Pada PDR, misalkan prior
probability dari kelas j dinotasikan p(wj) dan
peluang bersyarat xi masuk ke kelas j
dinotasikan p( | ). Dengan mengasumsikan
adalah saling bebas,
semua vektor ciri
persamaan untuk product decision rule untuk
kelas wj didefinisikan sebagai berikut:
(15)
dengan R merupakan jumlah classifier yang
akan dikombinasikan dan C adalah jumlah
kelas
target.
Berdasarkan
posterior
.
probabilities

=

,

product decision rule dapat ditulis seperti
persamaan 16:
(16)

METODOLOGI PENELITIAN
Pengembangan mobile application untuk
identifikasi citra daun tumbuhan obat ini
terdiri atas beberapa tahapan proses yang
berlangsung pada sisi client dan sisi server.
Tahapan metode penelitian yang dilakukan
diilustrasikan pada Gambar 7.
Pada sisi server berlangsung tahapan
praproses, ekstraksi fitur citra (tekstur dan
warna), pembentukan model klasifikasi,
hingga proses identifikasi citra. Mobile device

pengguna (client) berperan dalam proses
akuisisi citra yang akan diidentifikasi. Citra
hasil
akuisisi
dari
mobile
device
tersebutselanjutnya akan dikirimkan ke server
melalui jaringan internet untuk dilakukan
proses identifikasi citra. Hasil dari identifikasi
citra di server akan dikirimkan kembali ke
device pengguna.
Data Citra Tumbuhan Obat
Citra yang digunakan diperoleh dari
pemotretan 51 jenis tumbuhan obat di kebun
Biofarmaka Cikabayan, rumah kaca Pusat
Konservasi Ex-situ Tumbuhan Obat Hutan
Tropika Indoneia, Fakultas Kehutanan IPB,
serta Kebun Raya Bogor. Setiap satu jenis
tumbuhan obat terdiri atas 48 citra daun
sehingga terdapat 2448 total citra daun yang
disajikan pada Lampiran 1. Citra daun
berformat JPEG dan berukuran 270 x 240
pixel.
Praproses
Praproses merupakan tahap persiapan citra
sebelum diekstraksi fitur-fiturnya sehingga
tahapan praposes disesuaikan dengan masingmasing ekstraksi fitur yang akan dilakukan.
Tahapan praproses untuk citra yang akan
diektraksi fitur teksturnya adalah mengubah
ukuran citra menjadi 240x270 pixel melalui
proses scaling. Citra RGB kemudian diubah
menjadi citra grayscale.
Tahapan praproses untuk citra yang akan
diekstraksi fitur warnanya ialah mengubah
ukuran citra menjadi 240x270 pixel serta
mengubah citra RGB menjadi citra biner
untuk mendapatkan wilayah daun yang
menjadi perhatian utama. Pixel dengan nilai 1
merupakan daerah daun pada citra, sedangkan
pixel dengan nilai 0 adalah daerah latar
belakang
citra
daun
yang
tidak
diperhitungkan.
Ekstraksi Fitur
Ekstraksi fitur pada citra daun tumbuhan
obat hanya dilakukan pada pixel-pixel yang
menyusun daun. Latar belakang daun yang
berwarna putih tidak dimasukkan ke dalam
proses ekstraksi agar tidak menjadi penciri.
Citra diekstraksi berdasarkan dua fitur, antara
lain:
1 Ekstraksi fitur tekstur (FLBPP,R)
Ekstraksi fitur tekstur pada penelitian ini
menggunakan operator FLBP8,2. Citra akan
dibagi ke dalam beberapa blok (local region)
sesuai dengan operator circular neighborhood
(P, R), yaitu sampling point (P) dan radius (R)

6

Gambar 3 Metode Penelitian.
yang digunakan. Penelitian ini menggunakan
operator circular neighborhood (8, 2).
Ekstraksi
FLBP8,2
dilakukan
dengan
menggunakan ukuran blok (pixel) 5x5 dan
kuantisasi sudut 45 derajat. Hal tersebut
berdasarkan penelitian Valerina (2012).
Ekstraksi dilakukan dengan mengolah setiap
blok menggunakan Persamaan 1 untuk
mencari selisih dari pixel tetangga dengan
pixel pusat. Setiap blok
yang diperoleh
akan menghasilkan satu atau lebih nilai LBP
dan nilai kontribusinya. Blok yang berisikan
nilai
selanjutnya akan mengalami proses
thresholding berdasarkan fungsi sebagai
berikut:
-

(17)

Gambar 8 dengan F = 4. Ekstraksi fitur
tekstur menggunakan FLBP melakukan
perbaikan pada pengkodean pola biner LBP
tradisional. Hasil threshold pada LBP
tradisional
terkadang
menghasilkan
pengkodean pola biner yang tidak sesuai
dengan kandungan nilai pikselnya.
Warna-warna yang diberikan pada setiap
nilai pixel pada Gambar 8 mengilustrasikan
kandungan gray level pada masing-masing
nilai pixel tersebut. Pada ilustrasi Gambar 8,
terjadi ketidaksesuaian pengkodean pola biner
pada pixel yang bernilai 102. Pada ilustrasi di
atas, pixel 102 diberikan kode biner yang
sama dengan pixel 40, yaitu 0. Padahal, kedua
nilai pixel tersebut memiliki kandungan gray
level yang berbeda. FLBP melakukan
perbaikan pada ketidaksesuaian pengkodean

Parameter
fuzzification
(F)
yang
digunakan dalam penelitian ini ialah empat (F
= 4). Nilai tersebut diambil berdasarkan nilai
parameter fuzzification terbaik hasil dari
penelitian
Valerina
(2012).
Proses
thresholding akan menghasilkan nilai LBP
sebanyak 2n, dengan n merupakan banyaknya
nilai pixel
yang berada pada rentang fuzzy
yaitu antara –F sampai F, seperti ilustrasi

Gambar 4 Pengkodean biner FLBP.

7

pola biner tersebut dengan menetapkan suatu
fungsi keanggotaan dan daerah fuzzy
berdasarkan nilai parameter fuzzy yang
digunakan (F = 4). Daerah fuzzy tersebut
terletak pada rentang nilai -F <
< F. Pada
penelitian ini daerah fuzzy tersebut terletak
pada rentang -4 <
< 4. Pada ilustrasi
Gambar 8, pixel 102 berada pada rentang
fuzzy (-4 <
< 4) dengan nilai
= 2. Jadi,
pixel 102 diberi 2 pengkodean biner yang
berbeda, yaitu kode biner 0 dengan derajat
keanggotaan
berdasarkan
fungsi
m0
(Persamaan 5), serta kode biner 1 dengan
derajat keanggotaan berdasarkan fungsi m1
(Persamaan 6).
2 Ekstraksi fitur warna (FCH)
Proses ekstraksi warna dengan FCH tidak
terlalu beragam hasilnya pada perbedaan
ruang warna RGB, HSV, dan L*a*b (Balqis
2006). Pada penelitian ini, pengolahan citra
dilakukan pada ruang warna RGB. Ekstraksi
fitur warna menggunakan FCH, terdiri atas
beberapa tahapan, antara lain:
a Kuantisasi warna
Langkah pertama yang dilakukan dalam
penghitungan FCH adalah penghitungan
histogram awal untuk warna hasil
kuantisasi. Nilai warna kuantisasi awal
didasarkan pada sebaran warna bunga
dalam basis data yang memiliki 51 kelas
bunga. Pada tiap kelas citra daun diambil
sepuluh warna piksel yang muncul
terbanyak sehingga dihasilkan 510 warna
tanpa ada warna yang sama. Tiap piksel
warna yang ditemukan pada citra
kemudian dipetakan ke dalam 510 warna
kuantisasi awal sehingga diperoleh
histogram warna awal. Histogram tersebut
menghasilkan jumlah ciri yang terlalu
banyak sehingga menyebabkan komputasi
yang besar untuk pengenalan pola suatu
citra. Oleh karena itu, histogram awal
tersebut akan dikalikan dengan matriks
derajat keanggotaan sehingga akan
menghasilkan nilai ciri yang cenderung
lebih sedikit bergantung pada jumlah bin
histogram yang ditentukan.
b Menghitung matriks derajat keanggotaan
Nilai keanggotaan tiap pixel terhadap tiap
bin FCH dihitung dengan menggunakan
Fuzzy c-means clustering (FCM). Pada
FCM,
setiap
cluster
akan
merepresentasikan bin warna pada FCH.
Jumlah cluster atau bin FCH yang
diujicobakan pada penelitian ini ialah
lima, sepuluh, dan lima belas. Percobaan

tersebut menghasilkan jumlah cluster
optimal, yaitu 15 cluster. Cluster warna
yang dihasilkan dapat dilihat pada
Lampiran 2. Berikut merupakan tahapan
yang dilakukan untuk mendapatkan pusat
cluster dan matriks derajat keanggotaan
tiap piksel warna terhadap masing-masing
cluster(Saikumar et al. 2011):
1 Menentukan
parameter
yang
diperlukan yaitu:
- Jumlah cluster (c) = 15
- Konstanta pembobot (m) = 2
- Maksimum iterasi (tmax) = 100
- Kriteria penghentian ( = 0.01
2 Membentuk matriks inisialisasi pusat
cluster V secara acak.
3 Memperbaharui derajat keanggotaan
dengan menggunakan Persamaan 9.
4 Memperbarui pusat cluster dengan
menggunakan Persamaan 10.
5 Memeriksa kondisi berhenti:
Jika
, atau t > tmax,
proses berhenti. Jika tidak, t = t+1 dan
proses dilanjutkan dari langkah 3.
c Fuzzy color histogram
Penghitungan fuzzy color histogram
dilakukan dengan mengalikan histogram awal
dengan matriks derajat keanggotaan tiap
cluster yang diperoleh dari fungsi FCM
(Persamaan 12). Pada FCH, setiap warna C
yang
ditemukan
pada
citra
akan
mempengaruhi seluruh kuantisasi warna
berdasarkan kemiripan warna dengan warna C
tersebut.
Klasifikasi dengan Probabilistic Neural
Network (PNN)
Masing-masing ekstraksi fitur akan
menghasilkan vektor ciri untuk masingmasing citra. Vektor-vektor ciri tersebut
kemudian akan diklasifikasikan dengan
menggunakan PNN. Klasifikasi dilakukan
dengan membagi data latih dan data uji
masing-masing 80% dan 20%. Model
klasifikasi yang diperoleh merupakan hasil
dari proses training data. Klasifikasi
dilakukan dengan menerapkan nilai bias
yang berbeda-beda untuk setiap ekstraksi fitur
karena dimensi vektor ciri yang dihasilkan
tiap ekstraksi fitur berbeda-beda.
Classifier
Combination
menggunakan
Product Decision Rule (PDR)
Nilai peluang hasil klasifikasi PNN dari
masing-masing fitur selanjutnya digabungkan
dengan menggunakan teknik Product

8

Decision rule (PDR). Pemilihan teknik
tersebut didasarkan pada hasil dari penelitian
Kusmana
(2011)
yang
menunjukkan
penggabungan fitur menggunakan teknik PDR
memberikan akurasi yang cukup tinggi pada
penggabungan operator LBP.
Evaluasi
Evaluasi dari kinerja didasarkan pada
banyaknya data uji yang diprediksi secara
benar dan tidak benar oleh aplikasi.
Perhitungan akurasinya dirumuskan sebagai
berikut:
akurasi =

proses ekstraksi fitur tekstur menggunakan
FLBP8,2. Hasil praproses citra daun yang akan
diekstraksi fitur teksturnya dapat dilihat pada
Gambar 9.
Pada citra daun untuk ekstraksi fitur
warna, citra RGB diubah menjadi citra biner.
Hal tersebut bertujuan mendapatkan wilayah
daun yang menjadi perhatian utama. Pixel
dengan nilai 1 merupakan daerah daun pada
citra, sedangkan pixel dengan nilai 0 adalah
daerah latar belakang citra daun yang tidak
diperhitungkan. Hasil praproses citra daun
yang akan diekstraksi fitur warnanya dapat
dilihat pada Gambar 10.
Hasil Ekstraksi Tekstur dengan FLBP8,2

Lingkungan Implementasi
Aplikasi mobile untuk identifikasi
tumbuhan obat ini dikembangkan dalam
lingkungan piranti keras dengan spesifikasi
sebagai berikut:






Prosesor Intel Core i3-2310M, 2.1 GHz.
RAM dengan kapasitas 4 GB.
Harddisk dengan sisa kapasitas 65 GB.
Monitor LCD.
Keyboard.

Citra hasil praproses untuk ekstraksi fitur
tekstur digunakan sebagai masukkan pada
proses ekstraksi dengan FLBP8,2. Berdasarkan
penelitian Valerina (2012), nilai sampling
points P=8, dan radius R=2 adalah operator
FLBP terbaik pada pemrosesan citra daun
tumbuhan obat. Ekstraksi fitur dengan
menggunakan FLBP juga bergantung pada
parameter fuzzification (F). Berdasarkan
penelitian Valerina (2012), nilai F terbaik
untuk ekstraksi citra daun tumbuhan obat

Spesifikasi piranti lunak yang digunakan
sebagai berikut:
 Sistem operasi Microsoft® Windows 7
Profesional.
 Eclipse 3.4 Helios IDE.
 Microsoft® Visual Studio 2010.
 Library OpenCV 2.1.
 Bahasa pemrograman Java dan C++.

HASIL DAN PEMBAHASAN

Citra awal
3888x259

Citra
270x240

Citra
grayscale

Gambar 5 Hasil praproses citra daun untuk
ekstraksi fitur tekstur.

Data Citra Tumbuhan Obat
Penelitian ini menggunakan data citra
daun 51 jenis tumbuhan obat, yang mana
dilakukan penambahan citra 21 jenis
tumbuhan obat dari penelitian sebelumnya
yang hanya berjumlah 30 jenis tumbuhan
obat. Dari masing-masing jenis tumbuhan
obat diambil 48 citra sehingga total
keseluruhan citra yang digunakan dalam
penelitian ini berjumlah 2448 citra.

Citra awal
3888x259

Citra
270x240

Citra
hitam putih

Hasil Praproses
Tahap praproses dilakukan dengan
menyeragamkan ukuran citra menjadi
270x240 pixel pada citra yang latar
belakangnya sudah berwarna putih. Citra
RGB juga diubah menjadi grayscale untuk

Objek utama
Gambar 6 Hasil praproses citra daun untuk
ekstraksi fitur warna.

9

adalah F=4.
Hasil
ekstraksi
dengan
FLBP8,2
direpresentasikan
dalam
bentuk
histogram.lHistogram FLBP8,2 untuk citra
daun iler diperlihatkan pada Gambar 11.
Histogram pada Gambar 11 menunjukkan
frekuensi distribusi CLBP yang dihasilkan.
CLBP menunjukkan kontribusi dari setiap
kode LBP pada histogram FLBP. Panjang bin
pada histogram FLBPP,R bergantung pada
jumlah sampling points yang digunakan.
Berdasarkan penelitian Valerina (2012),
jumlah sampling points (P) yang digunakan
adalah 8 sehingga jumlah bin pada histogram
FLBPP,R sebanyak 28 = 256 bin.
Hasil Ekstraksi Warna dengan FCH
Citra hasil praproses untuk ekstraksi fitur
warna digunakan sebagai masukkan pada
proses ekstraksi dengan FCH. Ekstraksi FCH
dilakukan dengan menghitung jarak kedekatan
setiap nilai warna yang ditemukan pada citra
dengan nilai warna kuantisasi awal.
Penghitungan histogram awal dilakukan
dengan memetakan tiap piksel yang
ditemukan ke dalam 510 warna kuantisasi
awal yang telah ditentukan. Histogram yang
diperoleh tersebut selanjutnya dikalikan
dengan matriks derajat keanggotaan yang
diperoleh dengan menggunakan fungsi FCM.
Jumlah nilai ciri yang dihasilkan
bergantung pada jumlah bin histogram yang
ditentukan. Penelitian ini menggunakan 15
buah bin yang ditentukan berdasarkan hasil
percobaan. Masing-masing bin pada FCH

merepresentasikan nilai warna yang berbedabeda. Histogram FCH untuk citra daun nanas
kerang diperlihatkan pada Gambar 12.
Histogram FCH pada Gambar 12
menunjukkan
frekuensi
atau
peluang
keberadaan setiap bin warna pada citra. Daun
nanas kerang memiliki warna yang berbeda
dengan daun dari jenis tumbuhan lainnya yang
cenderung berwarna hijau. Terlihat bahwa
warna yang ditemukan pada daun nanas
kerang terkuantisasi paling banyak pada bin
ke-1 yang cenderung berwarna kecoklatan.
Pada bin warna yang terbentuk, warna pada
bin ke-1 dianggap paling mendekati nilai
warna daun nanas kerang yang cenderung
berwarna merah gelap.
Identifikasi Citra tanpa Penggabungan
Identifikasi
dilakukan
dengan
menggunakan Probabilistic Neural Network
(PNN) classifier. Hasil ekstraksi fitur tekstur
dan fitur warna 2448 citra daun tumbuhan
obat menghasilkan vektor-vektor ciri sebagai
nilai penciri dari masing-masing ekstraksi.
Hasil ekstraksi dari masing-masing fitur
diklasifikasikan dengan pembagian data latih
dan data uji masing-masing sebesar 80% dan
20% untuk semua fitur. Nilai bias yang
digunakan pada klasifikasi masing-masing
fitur, yaitu untuk FLBP8,2 = 0.07, dan untuk
FCH = 0.044. Nilai bias tersebut diperoleh
dari hasil percobaan.
1 Fitur FLBP8,2
Pada penelitian Valerina (2012), FLBP8,2
dengan nilai F=4 menghasilkan akurasi

Daun nanas kerang (Rhoeo discolor)
Daun iler (Coleus scutellarioides)

Gambar 11 Histogram FLBP8,2 citra daun iler.

Gambar 12 Histogram FCH citra daun nanas
kerang (Rhoeo discolor).

10

menggunakan operator FCH untuk ekstraksi
fitur warna citra. Penggunaan FCH dengan
jumlah bin = 15 menghasilkan akurasi sebesar
50.78%. Confusion matriks identifikasi citra
menggunakan FCH untuk masing-masing
kelas dapat dilihat pada Lampiran 4.

Gambar 13 Grafik hasil identifikasi citra
dengan metode ekstraksi fitur
FLBP8,2.
sebesar 66.33%. Akurasi tersebut diperoleh
dari data berjumlah 30 kelas, dengan citra
untuk masing-masing kelas berjumlah 48.
Pada penelitian ini, dilakukan penambahan
jumlah data menjadi 51 kelas dengan citra
masing-masing kelas berjumlah 48.
Pelatihan dan evaluasi yang dilakukan
terhadap penambahan data dengan pembagian
data uji dan data latih mengikuti penelitian
Valerina (2012) dengan nilai bias 0.07
menghasilkan akurasi sebesar 59.61%.
Gambar 13 menunjukkan grafik hasil
identifikasi citra masing-masing kelas dengan
menggunakan operator FLBP8,2 untuk
ekstraksi fitur tekstur citra. Pada ekstraksi
fitur FLBP8,2, terdapat tujuh kelas citra
tumbuhan obat yang terklasifikasi 100%, yaitu
kelas 3 (Dandang gendis/Clinacanthus
nutans.), kelas 7 (Pegagan/Centella asiatica),
kelas 26 (Cincau hitam/Mesona palustris),
kelas 29 (Jambu biji/Psidium guajava), kelas
41 (Kenanga/Canangium odoratum), kelas 42
(Pepaya/Carica papaya), dan kelas 43
(Mrambos/Hibiscus radiates). Confusion
matriks identifikasi citra menggunakan
FLBP8,2 untuk masing-masing kelas dapat
dilihat pada Lampiran 3.

Gambar 14 menunjukkan kelas 43
(Mrambos/Hibiscus
radiates)
memiliki
akurasi 100%. Citra pada kelas tersebut
memiliki warna yang unik, yaitu merah. Hal
tersebut jauh berbeda dengan kecenderungan
citra pada jenis tumbuhan obat lainnya yang
berwarna hijau. Citra pada kelas 43 juga
memiliki warna yang cenderung seragam
dengan tingkat kontras antarcitra yang tidak
jauh berbeda sehingga mengurangi kesalahan
terklasifikasinya citra pada kelas lain.
Citra
pada
kelas
5
(Akar
kuning/Arcangelisiaflav a L.) dan kelas 51
(Rambutan/Nephelium
lappaceum
L.)
memiliki representasi warna yang sama
dengan sebagian besar jenis tumbuhan obat
lainnya,
yaitu
hijau.
Hal
tersebut
menyebabkan citra pada kelas 5 dan 51 akan
terklasifikasi ke kelas lain yang memiliki
kecenderungan warna yang mirip. Citra pada
kelas 5 terklasifikasi ke kelas 19

Gambar 14 Grafik hasil identifikasi citra
dengan metode ekstraksi fitur
FCH.

Kelas 35 (Sirihan/Piper aduncum)
memiliki akurasi paling rendah yaitu 10%
pada identifikasi berdasarkan fitur tekstur
menggunakan
FLBPP,R.
Hal
tersebut
disebabkan oleh citra pada kelas 35 memiliki
tingkat kontras yang beragam.
2 Fitur FCH
Pelatihan dan evaluasi terhadap hasil
ekstraksi FCH, dilakukan dengan nilai bias
0.044. Gambar 14 menunjukkan grafik hasil
identifikasi citra masing-masing kelas dengan

Data latih

Data uji

Gambar 15 Contoh citra daun data latih dan
data uji pada kelas 43 (Mrambos/
Hibiscus radiates).

11

Gambar 18 menunjukkan perbandingan
akurasi dari identifikasi citra dengan
penggabungan dan tanpa penggabungan.
Penggabungan fitur FLBP(8,2) dan FCH
memberikan kontribusi yang cukup besar pada
identifikasi citra daun tumbuhan obat.

Data latih
Gambar 7

Data uji

Contoh citra daun data latih
dan
data uji pada kelas 5
(Akar
kuning/
Arcangelisiaflav a).

Data latih

Data uji

Contoh citra daun data latih
dan data uji pada kelas 19
(Pungpulutan/Urena lobata
L.).
(Pungpulutan/Urena lobata L.). Citra pada
kelas 51 terklasifikasi ke kelas 16 (Bunga
telang/Clitoria ternatea), kelas 40 (Cabai
rawit/Capsicum annum), dan kelas 49
(Belimbing wuluh/Averrhoa bilimbi). Gambar
15, 16, dan 17 masing-masing menunjukkan
citra pada kelas 43, kelas 5, dan kelas 19.

Gambar 19 menunjukkan akurasi tiap
kelas penggabungan fitur FLBP8,2 dan FCH
dengan
menggunakan
teknik
PDR.
Peningkatan akurasi secara umum terjadi pada
setiap kelas setelah dilakukan penggabungan
fitur
dengan teknik PDR sehingga
menghasilkan akurasi yang lebih baik bila
dibandingkan dengan tanpa penggabungan
fitur.
Gambar 20 menunjukkan akurasi dari
masing-masing kelas dengan penggabungan
fitur serta tanpa penggabungan fitur. Kelas 15
(Nandang gendis) memiliki akurasi 20% pada
fitur tekstur FLBP8,2, dan akurasi 60% pada
fitur warna FCH. Setelah dilakukan
penggabungan dengan menggunakan PDR,
akurasi pada kelas tersebut meningkat menjadi
70%. Citra pada kelas 15 memiliki tingkat
kontras dan gradasi warna yang tinggi. Hal
tersebut menyebabkan representasi pola
tekstur menjadi sangat beragam. Nilai warna
yang dimiliki oleh citra pada kelas 15
merupakan warna-warna yang mampu

Gambar 8

Identifikasi Citra dengan Penggabungan
Fitur
Hasil klasifikasi dari masing-masing fitur
(tekstur dan warna) digabungkan dengan
menggunakan teknik product decision rule
(PDR). Penentuan kelas menggunakan teknik
PDR melibatkan
semua
fitur
yang
digabungkan. Akurasi yang dihasilkan dari
penggabungan fitur menggunakan teknik PDR
mencapai 74.51%. Confusion matriks
identifikasi citra menggunakan penggabungan
fitur FLBP8,2 dan FCH untuk masing-masing
kelas dapat dilihat pada Lampiran 5.

Gambar 9 Grafik perbandingan akurasi.
FLBP(8,2) + FCH

Gambar 10 Grafik akurasi masing-masing
kelas.

12

direpresentasikan oleh bin warna FCH
sehingga, pada saat penggabungan fitur
dilakukan, informasi ciri pada fitur warna
akan melengkapi informasi ciri pada fitur
tekstur.
Kelas 1 (Pandan wangi/Pandanus
amaryllifolius) memiliki akurasi 60% pada
fitur tekstur dan akurasi 20% pada fitur
warna. Setelah dilakukan penggabungan
dengan menggunakan PDR, akurasi pada
kelas tersebut meningkat menjadi 70%. Citra
pada kelas 1 memiliki tingkat kontras dan
gradasi warna yang seragam sehingga pola
tekstur yang dimiliki seragam. Nilai warna
yang dimiliki oleh citra pada kelas 1 memiliki
warna hijau yang cenderung mirip dengan
beberapa jenis tumbuhan obat lainnya yang
ada pada database. Hal tersebut menyebabkan
citra kelas 1 terklasifikasi pada kelas lain yang
memiliki representasi warna yang mirip, yaitu
kelas 42 (Pepaya/Carica papaya) dan 49
(Belimbing wuluh/Averrhoa bilimbi). Pada
saat penggabungan fitur dilakukan, informasi
ciri pada fitur warna akan dilengkapi oleh fitur
tekstur sehingga akurasi dapat meningkat.
Gambar 21 dan 22 masing-masing
menunjukkan citra pada kelas 15 dan kelas 1.
Meskipun
secara
umum
pada
penggabungan fitur akurasi setiap kelas
mengalami peningkatan, terdapat pula 12
kelas yang mengalami penurunan akurasi.
Misalnya,
kelas
5
(Akar

kuning/Arcangelisiaflav a L.) dan kelas 29
(Jambu biji/Psidium guajava). Citra pada
kelas 5 memiliki gradasi warna yang beragam.
Pada hasil identifikasi menggunakan fitur
tekstur FLBP8,2 untuk 10 citra uji pada kelas
5, hanya terdapat 2 citra yang teridentifikasi
secara benar sehingga akurasi hanya mencapai
20%.
Pada hasil identifikasi berdasarkan fitur
warna FCH, untuk 10 citra uji pada kelas 5
tidak ada yang teridentifikasi secara benar
sehingga akurasi identifikasi untuk fitur FCH
pada kelas 5 sebesar 0%. Hal tersebut
disebabkan oleh citra pada kelas 5 memiliki
representasi warna yang mirip dengan citra
pada kelas lain. Citra pada kelas 5 justru
terklasifikasikan pada kelas lain yang
memiliki representasi warna yang sama, yaitu
kelas 19 (Pungpulutan/Urena lobata). Pada
saat penggabungan fitur FLBP8,2 dan FCH
untuk citra pada kelas 5, peluang dari fitur
FCH mendominasi penentuan peluang
keputusan
hasil
identifikasi
dengan
penggabungan fitur. Dua citra uji pada kelas 5
yang semula teridentifikasi benar pada fitur
FLBP8,2 menjadi teridentifikasi salah pada
saat penggabungan fitur sehingga akurasi
penggabungan fitur pada kelas 5 menjadi 0%.
Pada saat penggabungan fitur, selain
terjadi peningkatan dan penurunan akurasi
identifikasi pada beberapa kelas, terdapat pula
sembilan kelas yang akurasi identifikasinya

Kelas 1-26

Kelas 27-51

Gambar 11 Grafik perbandingan akurasi FLBP, FCH, FLBP(8,2)+FCH.

13

kelas yang tepat. Nilai peluang hasil
penggabungan fitur akan maksimum jika
nilai-nilai peluang setiap fitur yang
digabungkan memiliki nilai yang seimbang
sehingga satu fitur dengan fitur yang lain
dapat saling melengkapi kekurangan pada saat
pengidentifikasian.
Hasil Antarmuka Aplikasi
Data latih

Data uji

Gambar 13 Contoh citra daun data latih
dan data uji pada kelas 15
(Nandang gendis).

Data latih

Data uji

Gambar 14 Contoh citra daun data latih
dan
data uji pada kelas 1
(Pandan wangi).

Antarmuka mobile application secara garis
besar adalah antarmuka untuk proses
identifikasi citra. Antarmuka aplikasi secara
keseluruhan dapat dilihat pada Lampiran 8.
Citra yang akan diidentifikasi dapat diambil
dari galeri atau kamera ponsel pengguna. Citra
tersebut kemudian akan dikirimkan ke server
untuk diidentifikasi.
Antarmuka aplikasi untuk identifikasi
dapat dilihat pada Gambar 23. Pengguna dapat
melihat informasi dari citra tumbuhan hasil
identifikasi yang dikirimkan kembali ke
ponsel pengguna. Informasi yang ditampilkan
berupa nama, nama latin, nama daerah,
habitus, bagian dari tumbuhan obat yang
berkhasiat obat, serta khasiat dari tumbuhan
obat tersebut. Pada bagian khasiat dari detail
tumbuhan, pengguna dapat
mencari
tumbuhan lain mana yang memiliki khasiat
yang sama.
Pengguna juga dapat menentukan penciri
yang akan digunakan pada menu Setting.

tidak mengalami perubahan. Salah satu contoh
kelas yang tidak mengalami perubahan
akurasi