Parallel Computing for Medicinal Plant Identification System Using Fuzzy Local Binary Pattern
KOMPUTASI PARALEL UNTUK SISTEM IDENTIFIKASI
TUMBUHAN OBAT MENGGUNAKAN FUZZY LOCAL
BINARY PATTERN
NGAKAN NYOMAN KUTHA KRISNAWIJAYA
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2013
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA∗
Dengan ini saya menyatakan bahwa tesis berjudul Komputasi Paralel Untuk
Sistem Identifikasi Tumbuhan Obat Menggunakan Fuzzy Local Binary Pattern
benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan
dalam bentuk apapun 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, September 2013
Ngakan Nyoman Kutha Krisnawijaya
NRP G651110071
∗
Pelimpahan hak cipta atas karya tulis dari penelitian kerjasama dengan pihak luar
IPB harus didasarkan pada perjanjian kerja sama yang terkait.
RINGKASAN
NGAKAN NYOMAN KUTHA KRISNAWIJAYA. Komputasi Paralel untuk
Sistem Identifikasi Tumbuhan Obat Menggunakan Fuzzy Local Binary Pattern.
Dibimbing oleh YENI HERDIYENI dan BIB PARUHUM SILALAHI.
Seiring dengan bertambahnya jumlah database citra tumbuhan obat, maka
penelitian mengenai sistem identifikasi otomatis suatu spesies tumbuhan obat
semakin dikembangkan untuk penelitian maupun pemantauan spesies tumbuhan
obat. Penelitian ini menerapkan High Performance Computing (HPC) pada sistem
identifikasi tumbuhan obat. Penelitian ini mengusulkan komputasi paralel pada
pengolahan citra tanaman obat menggunakan Fuzzy Local Binary Pattern (FLBP).
Tujuan utama penelitian ini adalah mengukur efisiensi komputasi paralel dalam
pengolahan citra tumbuhan obat dan mengevaluasi model paralel yang dibangun.
Penelitian ini membangun dua model perancangan paralel untuk identifikasi
tumbuhan obat menggunakan FLBP. Model 1 menggunakan teknik data paralel
dan model 2 menggunakan teknik task paralel pada proses FLBP. Kedua model
perancangan ini diterapkan pada komputer cluster terdiri dari delapan komputer
dengan spesifikasi yang sama. Pengembangan model perancangan paralel
menggunakan model message-passing dengan library MPI dan bahasa
pemrograman C/C++.
Evaluasi model perancangan paralel menggunakan percepatan, efisiensi dan
isoefisiensi. Hasil evaluasi menunjukkan bahwa kedua model perancangan
mampu mengurangi waktu komputasi ekstraksi fitur citra pada sistem identifikasi
tumbuhan obat. Nilai percepatan model 1 pada saat proses ekstraksi 1 440 data
citra menggunakan 8 prosesor sebesar 7.64 dengan nilai efisiensi sebesar 0.95.
Model 2 menggunakan 8 prosesor menghasilkan nilai percepatan sebesar 6.9
dengan nilai efisiensi sebesar 0.87. Hasil perbandingan nilai percepatan dan
efisiensi kedua model perancangan menunjukkan bahwa model 1 lebih baik pada
saat proses ekstraksi 1 440 data citra daun. Hal ini dipengaruhi oleh proses
pembagian area citra pada model 2 memerlukan biaya komunikasi yang
kompleks. Hasil analisis pada model 2, jika penambahan sejumlah prosesor
mempengaruhi biaya komunikasi yang dikeluarkan. Kondisi ini tidak terjadi pada
model 1 sehingga percepatan dan efisiensi yang dihasilkan lebih baik
dibandingkan model 2. Evaluasi model perancangan paralel pada proses ekstraksi
citra kueri menunjukkan nilai percepatan model 1 sebesar 6.73 dengan nilai
efisiensi 0.84. Model 2 menghasilkan nilai percepatan sebesar 7.96 dengan nilai
efisiensi sebesar 0.99. Perbedaan nilai percepatan dan efisiensi yang dihasilkan
dipengaruhi oleh pembagian data dari kedua model paralel. Model 1 membagi 20
kombinasi operator dan threshold FLBP. Proses pembagian data pada model 1
memungkinkan terjadinya pembagian data yang tidak ideal. Pembagian data yang
ideal adalah pada saat setiap prosesor mengolah data dengan jumlah yang sama.
Pembagian data yang tidak ideal dapat menyebabkan terjadinya kondisi idle.
Kondisi idle dapat mempengaruhi kinerja dan waktu paralel yang dihasilkan oleh
model 1. Pembagian data pada model 2 sangat ideal sehingga nilai percepatan dan
efisiensi yang dihasilkan lebih baik dibandingakan model 1.
Kata kunci: Fuzzy Local Binary Pattern, High Performance Computing,
Komputasi Paralel.
SUMMARY
NGAKAN NYOMAN KUTHA KRISNAWIJAYA. Parallel Computing for
Medicinal Plant Identification System Using Fuzzy Local Binary Pattern.
Supervised by YENI HERDIYENI and BIB PARUHUM SILALAHI.
As biological image databases are increasing rapidly, automated species
identification based on digital data is of great interest for accelerating biodiversity
assessment, research and monitoring. This research applied high performance
computing (HPC) on medicinal plant identification system. We propose parallel
computing on medicinal plant image processing using Fuzzy Local Binary Pattern
(FLBP). The main goal of the research was to measure the efficiency of parallel
computing on medicinal plant image processing and evaluation whether this
approach is reasonable for handling large data sets.
This research proposes two models of parallel design to identify medicinal
plant. The first model used data parallel design and the second model used task
parallel design on FLBP process. Both of model are applied on the computer
cluster, which consists of eight computers with the same spesicification. The
development of the parallel design used the message-passing model with MPI
library and the C/C++ language programming.
The parallel computation performance was evaluated by speed up,
efficiency and iso-efficiency. The experimental result shows that both of the
parallel design models can reduce the computing time of the image feature
extraction on a medicinal plant identification system. The values of the speedup
on the first model by the time of the extraction was 1 440 image data by using 8
processors, is 7.64 with efficiency value of 0.95. The second model uses 8
processors generated the value of the speedup is 6.9 with efficiency value 0.87.
The result of the comparation values between the speedup and the efficiency of
both design model shows that first model has better performance by the time of
the extraction 1 440 leaf images. This is affected by the process of image area
dividing on the second model that requires more complex of communication cost.
We analyzed that in the second model if we add processor would effect on
communication cost. This condition did not occurred on the first model, so that
the speedup and efficiency are better than the second model. The experimental
result of query image extraction shows that the speedup on the first model is 6.73,
with efficiency value of 0.84. The second model produces speedup value is 7.96,
with efficiency value of 0.99. The different between speedup value and efficiency
produced is affected by the dividing of data from those two parallel models. The
first model divides 20 combination of the operator and FLBP threshold. The
process of data dividing on first model enables unideal data partitioning. The ideal
data dividing is at the time of each processors compute the data with the same
volume. The unideal data dividing may cause an idle condition. The idle condition
can affect the performance and the parallel time generated by the first model. The
dividing of the data on second model by dividing the image area equal to the
processors used. The data dividing on the second model is ideal condition, so that
the speedup and efficiency are better than first model.
Keywords: Fuzzy Local Binary Pattern, High Performance Computing, Parallel
Computing.
© Hak Cipta Milik IPB, Tahun 2013
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
KOMPUTASI PARALEL UNTUK SISTEM IDENTIFIKASI
TUMBUHAN OBAT MENGGUNAKAN FUZZY LOCAL
BINARY PATTERN
NGAKAN NYOMAN KUTHA KRISNAWIJAYA
Tesis
sebagai salah satu syarat untuk memperoleh gelar
Magister Komputer
pada
Program Studi Ilmu Komputer
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2013
Penguji Luar Komisi pada Ujian Tesis: Dr Eng Heru Sukoco, SSi MT
Judul Tesis
Nama
NIM
: Komputasi Paralel untuk Sistem Identifikasi Tumbuhan Obat
menggunakan Fuzzy Local Binary Pattern
: Ngakan Nyoman Kutha Krisnawijaya
: G65111 0071
Disetujui oleh
Komisi Pembimbing
Dr Ir Bib Paruhu Silalahi MKom
Angg
SSiMKom
Diketahui oleh
Ketua Program Studi
Ilmu Komputer
Dekan Sekolah Pascasarjana
,'::" .
'0\':'-00 e> ＺｲｱｩｊｴＬ
"
Tanggal Ujian: 16 September 2013
. ｾ Ｎ＼＠
ｾ Ｌ＠ Ｎ ｾ＠ ｾ ｾＺ＠
Ｚ ＺｐｾｨｲｹＮ｜ｬ＠
; ［ＺｾＬ＠
Ｎ ｾ＠ ｾ Ｎ ｾＬＢ Ｌ＠
ｓｹｾｨＬ＠
MScAgr
f :'
ＮＧＬ ｾ ｯ＠ Ｇ ｾ ｾ＠ ＭＺｾ Ｚ ｾＺ ＬＺ ｯ ｾＺ Ｚ Ｚ ｯ Ｚ ｾ Ｚ ｾ［ ｯ ｯ ｯ ＾ ｩ＠
Tanggal Lulus:
Judul Tesis
Nama
NIM
: Komputasi Paralel untuk Sistem Identifikasi Tumbuhan Obat
menggunakan Fuzzy Local Binary Pattern
: Ngakan Nyoman Kutha Krisnawijaya
: G651110071
Disetujui oleh
Komisi Pembimbing
Dr Ir Bib Paruhum Silalahi, MKom
Anggota
Dr Yeni Herdiyeni, SSi MKom
Ketua
Diketahui oleh
Ketua Program Studi
Ilmu Komputer
Dekan Sekolah Pascasarjana
Dr Yani Nurhadryani, SSi MT
Dr Ir Dahrul Syah, MScAgr
Tanggal Ujian: 16 September 2013
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas segala
karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih
dalam penelitian yang dilaksanakan sejak bulan September 2012 sampai Agustus
2013 adalah Komputasi Paralel Untuk Sistem Identifikasi Tumbuhan Obat
Menggunakan Fuzzy Local Binary Pattern.
Dalam menyelesaikan karya ilmiah ini penulis mendapatkan banyak sekali
bantuan, bimbingan dan dorongan dari berbagai pihak. Oleh karena itu, penulis
ingin mengucapkan terima kasih kepada Ibu Dr Yeni Herdiyeni, SSi MKom dan
Bapak Dr Ir Bib Paruhum Silalahi, MKom selaku pembimbing, serta Bapak Dr
Eng Heru Sukoco, SSi MT selaku penguji dalam sidang tesis. Ungkapan terima
kasih juga disampaikan kepada kedua orangtua, Bapak Ngakan Kutha
Parthawijaya dan Ibu Ni Wayan Sariani atas doa, dukungan moral dan materi,
kedua saudaraku tersayang, Ngakan Made Kutha Indrawijaya, SP dan Desak Rai
Kutha Asriwijaya. Desak Nyoman Widyanthini atas perhatian, semangat dan
dukungannya. Bapak Ir Ngakan Komang Kutha Ardhana, MSc dan keluarga atas
nasihat, bantuan dan motivasinya. Penulis juga tidak lupa untuk mengucapkan
terima kasih kepada semua teman seperjuangan Pasca Ilkom 13, atas
kebersamaannya dalam perkuliahan, teman lima sekawan atas motivasi, diskusi,
kritik selama kuliah dan penyelesaian penelitian ini, Yunda, Kak Ismi, Bang
Ardiansyah, Rizky, Mega, Desta, Rahmat, Wahyuni, Mbak Gibtha dan semua
teman LAB CI, atas diskusi, bantuan dan motivasinya serta pengelola pasca
sarjana, seluruh dosen dan staf akademik Ilmu Komputer IPB atas bantuan dan
bimbingannya selama penulis mengikuti perkuliahan di Ilmu Komputer IPB.
Penulis juga mengucapkan terima kasih kepada semua pihak yang telah
membantu selama penyelesaian karya ilmiah ini yang tidak dapat disebutkan satupersatu. Semoga karya ini dapat memberi manfaat.
Bogor, September 2013
Ngakan Nyoman Kutha Krisnawijaya
DAFTAR ISI
DAFTAR TABEL
ii
DAFTAR GAMBAR
ii
1 PENDAHULUAN
1
Latar Belakang
Tujuan Penelitian
Ruang Lingkup Penelitian
Manfaat Penelitian
2 TINJAUAN PUSTAKA
1
2
2
2
3
Fitur Tekstur
Local Binary Pattern (LBP)
Fuzzy Local Binary Pattern (FLBP)
Probabilistic Neural Network (PNN)
High Performance Computing (HPC)
Perancangan Desain Komputasi Paralel
Evaluasi Kinerja Paralel
Komputasi Paralel pada Aplikasi Pengolahan Citra Digital
Message Passing Interface (MPI)
3 METODE
3
3
4
6
8
10
12
13
14
15
Data Penelitian
Preprocessing
Ekstraksi Fitur dengan Fuzzy Local Binary Pattern
Komputasi Paralel
Pembagian Data Latih dan Uji
Klasifikasi dengan Probabilistic Neural Network
Evaluasi
Perangkat Keras dan Perangkat Lunak
4 HASIL DAN PEMBAHASAN
16
16
16
16
21
22
22
22
23
Preprocessing Citra Daun Tumbuhan Obat
Ekstraksi Fitur dengan Fuzzy Local Binary Pattern
Komputasi Paralel
Evaluasi kinerja paralel model 1
Model 1 untuk citra kueri
Evaluasi kinerja paralel untuk citra kueri
Klasifikasi dan Evaluasi
Evaluasi kinerja paralel model 2
Model 2 untuk citra kueri
Evaluasi kinerja paralel untuk citra kueri
Klasifikasi dan Evaluasi
23
23
24
29
31
32
33
38
40
41
42
ii
Perbandingan kinerja model 1 dan model 2
Perbandingan akurasi model 1 dan model 2
5 SIMPULAN DAN SARAN
43
45
47
Simpulan
Saran
DAFTAR PUSTAKA
47
47
48
LAMPIRAN
49
RIWAYAT HIDUP
51
DAFTAR TABEL
1
2
3
4
5
6
7
8
Operator LBP (Valerina 2012)
Pembagian data citra setiap spesies untuk setiap prosesor
Hasil evaluasi percepatan dan efisiensi model 1
Hasil evaluasi isoefisiensi model 1
Hasil evaluasi percepatan dan efisiensi model 1 untuk citra kueri
Hasil evaluasi percepatan dan efisiensi model 2
Hasil evaluasi isoefisiensi model 2
Hasil evaluasi percepatan dan efisiensi model 1 untuk citra kueri
16
28
29
31
32
38
40
41
DAFTAR GAMBAR
1 Skema komputasi LBP
2 Ukuran operator LBP
3 Fungsi keanggotaan m0() dan m1() sebagai fungsi dari pi
4 Skema komputasi FLBP dengan F=10
5 Struktur PNN
6 Shared memory
7 Distributed memory
8 Hybrid system
9 Model perancangan paralel Flynn
10 Metode Foster
11 Message passing antar prosesor
12 Metode penelitian
13 Model 1 paralel pembagian data
14 Model 1 untuk citra kueri
15 Model 2 paralel pembagian data dan proses FLBP
16 Model 2 untuk citra kueri
17 Hasil preprocessing citra tumbuhan obat
18 Histogram FLBP pada tumbuhan obat
19 Komputer cluster menggunakan 8 unit komputer
20 Proses komunikasi menggunakan MPI_Scatterv dan MPI_Gatherv
4
4
5
6
7
8
9
9
10
11
14
15
18
19
20
21
23
24
27
28
iii
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
Percepatan model 1
Efisiensi model 1
Percepatan model 1 untuk citra kueri
Efisiensi model 1 untuk citra kueri
Perbandingan akurasi per kelas model 1
Contoh citra data latih dan data uji kelas 7 (Pegagan)
Contoh citra data latih dan data uji kelas 5 (Akar Kuning)
Proses pembagian area citra daun
Proses ekstraksi fitur FLBP pada area citra daun
Proses point-to-point communication
Topologi virtual GRID_COMM
Topologi virtual communicator coll_comm
Proses komunikasi pada communicator coll_comm
Percepatan model 2
Efisiensi model 2
Percepatan model 2 untuk citra kueri
Efisiensi model 2 untuk citra kueri
Perbandingan akurasi per kelas model 2
Contoh citra data latih dan data uji kelas 29 (Jambu Biji)
Perbandingan percepatan
Perbandingan efisiensi
Perbandingan akurasi model 1 dan model 2
Perbandingan akurasi model 1 dan model 2 (Lanjutan)
Citra teridentifkasi salah pada model 2
Perbedaan proses ekstraksi model 1 dan model 2
29
30
32
33
34
34
34
35
35
36
37
37
38
39
40
41
42
43
43
44
44
45
45
46
46
1 PENDAHULUAN
Latar Belakang
Indonesia memiliki keanekaragaman hayati lebih dari 38 000 spesies
tumbuhan (Bappenas 2003). Groombridge dan Jenkins (2002) mencatat bahwa
terdapat 22 500 spesies tumbuhan obat di Indonesia. Spesies tumbuhan yang
sudah digunakan sebagai tumbuhan obat sejumlah 1 000 spesies. Ini berarti
persentase tumbuhan obat yang sudah dimanfaatkan hanya sebesar 4.4% dari
sumber daya yang tersedia. Salah satu penyebab kurangnya pemanfaatan
tumbuhan obat adalah pengetahuan masyarakat tentang potensi tumbuhan obat
masih minim. Peningkatan pengetahuan masyarakat tentang tumbuhan obat dapat
dibantu dengan dikembangkannya sistem identifikasi tumbuhan obat.
Penelitian tentang sistem identifikasi tumbuhan obat berdasarkan hasil
ekstraksi fitur citra tumbuhan obat telah banyak dilakukan. Proses identifikasi
dilakukan menggunakan organ vegetatif yang paling mudah ditemukan seperti
daun. Valerina (2012) menggunakan metode ekstraksi fitur Fuzzy Local Binary
Pattern (FLBP) dan metode klasifikasi Probabilistic Neural Network (PNN)
untuk mengidentifikasi tumbuhan obat. Akurasi yang diperoleh dari sistem
sebesar 66.3%. Herdiyeni dan Wahyuni (2012) juga menggunakan metode
ekstraksi fitur dan klasifikasi yang sama untuk identifikasi tumbuhan obat. Sistem
identifikasi telah dikembangkan di dalam aplikasi mobile berbasis Android.
Pengembangan sistem identifikasi berbasis mobile bertujuan untuk memudahkan
user dalam mengidentifikasi tumbuhan obat. Laxmi (2012) menerapkan
Multiobjective Genetic Algorithm (MOGA) dalam sistem identifikasi tumbuhan
obat. MOGA diterapkan untuk optimasi metode FLBP pada saat proses ekstraksi
citra daun tumbuhan obat yang memiliki keragaman tekstur yang cukup tinggi.
Laxmi (2012) mencatat bahwa penerapan metode FLBP untuk ekstraksi fitur
memiliki waktu komputasi yang paling lama di dalam sistem yang dibangun. Hal
ini terjadi karena FLBP merupakan metode ekstraksi fitur yang menggunakan
fuzzification untuk mendapatkan pola tekstur dari citra. Semakin besar rentang
fuzzy yang digunakan akan semakin banyak piksel citra yang diolah di dalamnya
dan semakin besar waktu komputasi yang dibutuhkan. Rentang fuzzy pada FLBP
ditentukan melalui threshold yang digunakan pada saat ekstraksi fitur. Selain
algoritme yang digunakan dalam ekstraksi menggunakan FLBP, jumlah data yang
diolah juga mempengaruhi waktu komputasi untuk esktraksi fitur.
Menurut Nasir et al. (2012) High Performance Computing (HPC)
merupakan metode untuk mengatasi permasalahan yang memiliki kompleksitas
tinggi terkait dengan beban pekerjaan dan penggunaan banyak data. Paralel dan
distributed computing merupakan bagian dari metode HPC. Komputasi paralel
dapat diterapkan pada aplikasi pengolahan citra. Penerapan komputasi paralel
dapat dilakukan pada setiap tahap dari pengolahan citra seperti preprocessing
sampai dengan proses klasifikasi. Petryniak (2008) menganalisis penerapan
komputasi paralel pada pengolahan citra. Penelitian ini mencoba berbagai model
perancangan paralel seperti pembagian data ke beberapa prosesor dan diproses
secara paralel. Model perancangan lainnya adalah membagi area citra dan
didistribusikan ke sejumlah prosesor untuk diolah secara paralel. Selain
2
menganalisis waktu komputasi, Petryniak (2008) juga menganalisis waktu
komunikasi paralel dari setiap model perancangan yang digunakan. Hasil dari
penelitian ini adalah komputasi paralel dapat meningkatkan efisiensi pengolahan
citra.
Permasalahan waktu komputasi yang terjadi saat proses ekstraksi fitur FLBP
pada sistem identifikasi tumbuhan obat memberikan motivasi untuk menerapkan
metode HPC pada sistem identifikasi tumbuhan obat. Penerapan metode HPC
diharapkan mampu mengurangi waktu komputasi pada saat ekstraksi fitur sistem
identifikasi tumbuhan obat. Metode klasifikasi yang digunakan adalah
Probabilistic Neural Network (PNN). Percepatan, efisiensi dan isoefisiensi
digunakan untuk mengukur seberapa baik model perancangan paralel yang
diterapkan.
Tujuan Penelitian
Penelitian ini bertujuan menerapkan komputasi paralel pada proses ekstraksi
fitur untuk identifikasi tumbuhan obat. Metode klasifikasi ekstraksi fitur yang
digunakan adalah FLBP.
Ruang Lingkup Penelitian
Ruang Lingkup penelitian ini adalah:
1. Data yang digunakan adalah citra daun 30 spesies tumbuhan obat di Indonesia.
2. Operator LBP yang digunakan adalah operator LBP (8,1) dan (8,2). Threshold
FLBP menggunakan rentang dari 1 sampai dengan 10.
3. Desain perancangan paralel berdasarkan pembagian data dan pembagian area
citra.
Manfaat Penelitian
Manfaat dari penelitian ini adalah mengurangi waktu komputasi sistem pada
saat ekstraksi fitur menggunakan FLBP. Sistem identifikasi yang dibangun
diharapkan dapat menghasilkan informasi spesies tumbuhan obat secara cepat dan
akurat.
2 TINJAUAN PUSTAKA
Fitur Tekstur
Fitur tekstur merupakan gambaran visualisasi dari sebuah objek. Tekstur
dapat dicirikan sebagai variasi intensitas pencahayaan pada sebuah citra. Analisis
tekstur memiliki peranan yang cukup penting dalam aplikasi pengolahan citra
digital. Meskipun warna merupakan hal yang penting dalam mendeskripsikan
citra akan tetapi informasi warna tidak cukup untuk mendeskripsikan suatu citra.
Informasi yang terkandung pada tekstur adalah area, kekasaran, regularity,
linearitas, dan frekuensi (Maenpaa 2003).
Local Binary Pattern (LBP)
Analisis tekstur digunakan di sebagian besar aplikasi seperti remote sensing,
pengolahan citra pada biomedical, visual inspection dan identifikasi citra. Sejak
awal 1970-an penelitian dan pengembangan metode ekstraksi fitur telah banyak
diusulkan. Metode Local Binary Pattern (LBP) merupakan salah satu metode
untuk merepresentasikan tekstur berdasarkan binary pattern (pola biner). Metode
LBP cukup efektif di dalam menggambarkan pola tekstur lokal dari citra
(Keramidas et al. 2011).
Menurut Iakovidis et al. (2008) proses Local Binary Pattern (LBP)
merepresentasikan tekstur lokal disekitar tekstur pusat berdasarkan operator
ketetanggaan LBP. Setiap pola tekstur LBP direpresentasikan oleh sembilan
elemen = {
, , ,…, },
merupakan nilai piksel pusat dan
(0 ≤ ≤ 7) merupakan nilai piksel sekelilingnya (circular sampling). Nilai
circular sampling dapat dicirikan oleh nilai biner (0 ≤ ≤ 7) seperti pada
Gambar 1(b) dengan Persamaan 1:
dengan ∆
=
piksel pusat
−
.
=
0
1
,
,
∆
∆
TUMBUHAN OBAT MENGGUNAKAN FUZZY LOCAL
BINARY PATTERN
NGAKAN NYOMAN KUTHA KRISNAWIJAYA
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2013
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA∗
Dengan ini saya menyatakan bahwa tesis berjudul Komputasi Paralel Untuk
Sistem Identifikasi Tumbuhan Obat Menggunakan Fuzzy Local Binary Pattern
benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan
dalam bentuk apapun 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, September 2013
Ngakan Nyoman Kutha Krisnawijaya
NRP G651110071
∗
Pelimpahan hak cipta atas karya tulis dari penelitian kerjasama dengan pihak luar
IPB harus didasarkan pada perjanjian kerja sama yang terkait.
RINGKASAN
NGAKAN NYOMAN KUTHA KRISNAWIJAYA. Komputasi Paralel untuk
Sistem Identifikasi Tumbuhan Obat Menggunakan Fuzzy Local Binary Pattern.
Dibimbing oleh YENI HERDIYENI dan BIB PARUHUM SILALAHI.
Seiring dengan bertambahnya jumlah database citra tumbuhan obat, maka
penelitian mengenai sistem identifikasi otomatis suatu spesies tumbuhan obat
semakin dikembangkan untuk penelitian maupun pemantauan spesies tumbuhan
obat. Penelitian ini menerapkan High Performance Computing (HPC) pada sistem
identifikasi tumbuhan obat. Penelitian ini mengusulkan komputasi paralel pada
pengolahan citra tanaman obat menggunakan Fuzzy Local Binary Pattern (FLBP).
Tujuan utama penelitian ini adalah mengukur efisiensi komputasi paralel dalam
pengolahan citra tumbuhan obat dan mengevaluasi model paralel yang dibangun.
Penelitian ini membangun dua model perancangan paralel untuk identifikasi
tumbuhan obat menggunakan FLBP. Model 1 menggunakan teknik data paralel
dan model 2 menggunakan teknik task paralel pada proses FLBP. Kedua model
perancangan ini diterapkan pada komputer cluster terdiri dari delapan komputer
dengan spesifikasi yang sama. Pengembangan model perancangan paralel
menggunakan model message-passing dengan library MPI dan bahasa
pemrograman C/C++.
Evaluasi model perancangan paralel menggunakan percepatan, efisiensi dan
isoefisiensi. Hasil evaluasi menunjukkan bahwa kedua model perancangan
mampu mengurangi waktu komputasi ekstraksi fitur citra pada sistem identifikasi
tumbuhan obat. Nilai percepatan model 1 pada saat proses ekstraksi 1 440 data
citra menggunakan 8 prosesor sebesar 7.64 dengan nilai efisiensi sebesar 0.95.
Model 2 menggunakan 8 prosesor menghasilkan nilai percepatan sebesar 6.9
dengan nilai efisiensi sebesar 0.87. Hasil perbandingan nilai percepatan dan
efisiensi kedua model perancangan menunjukkan bahwa model 1 lebih baik pada
saat proses ekstraksi 1 440 data citra daun. Hal ini dipengaruhi oleh proses
pembagian area citra pada model 2 memerlukan biaya komunikasi yang
kompleks. Hasil analisis pada model 2, jika penambahan sejumlah prosesor
mempengaruhi biaya komunikasi yang dikeluarkan. Kondisi ini tidak terjadi pada
model 1 sehingga percepatan dan efisiensi yang dihasilkan lebih baik
dibandingkan model 2. Evaluasi model perancangan paralel pada proses ekstraksi
citra kueri menunjukkan nilai percepatan model 1 sebesar 6.73 dengan nilai
efisiensi 0.84. Model 2 menghasilkan nilai percepatan sebesar 7.96 dengan nilai
efisiensi sebesar 0.99. Perbedaan nilai percepatan dan efisiensi yang dihasilkan
dipengaruhi oleh pembagian data dari kedua model paralel. Model 1 membagi 20
kombinasi operator dan threshold FLBP. Proses pembagian data pada model 1
memungkinkan terjadinya pembagian data yang tidak ideal. Pembagian data yang
ideal adalah pada saat setiap prosesor mengolah data dengan jumlah yang sama.
Pembagian data yang tidak ideal dapat menyebabkan terjadinya kondisi idle.
Kondisi idle dapat mempengaruhi kinerja dan waktu paralel yang dihasilkan oleh
model 1. Pembagian data pada model 2 sangat ideal sehingga nilai percepatan dan
efisiensi yang dihasilkan lebih baik dibandingakan model 1.
Kata kunci: Fuzzy Local Binary Pattern, High Performance Computing,
Komputasi Paralel.
SUMMARY
NGAKAN NYOMAN KUTHA KRISNAWIJAYA. Parallel Computing for
Medicinal Plant Identification System Using Fuzzy Local Binary Pattern.
Supervised by YENI HERDIYENI and BIB PARUHUM SILALAHI.
As biological image databases are increasing rapidly, automated species
identification based on digital data is of great interest for accelerating biodiversity
assessment, research and monitoring. This research applied high performance
computing (HPC) on medicinal plant identification system. We propose parallel
computing on medicinal plant image processing using Fuzzy Local Binary Pattern
(FLBP). The main goal of the research was to measure the efficiency of parallel
computing on medicinal plant image processing and evaluation whether this
approach is reasonable for handling large data sets.
This research proposes two models of parallel design to identify medicinal
plant. The first model used data parallel design and the second model used task
parallel design on FLBP process. Both of model are applied on the computer
cluster, which consists of eight computers with the same spesicification. The
development of the parallel design used the message-passing model with MPI
library and the C/C++ language programming.
The parallel computation performance was evaluated by speed up,
efficiency and iso-efficiency. The experimental result shows that both of the
parallel design models can reduce the computing time of the image feature
extraction on a medicinal plant identification system. The values of the speedup
on the first model by the time of the extraction was 1 440 image data by using 8
processors, is 7.64 with efficiency value of 0.95. The second model uses 8
processors generated the value of the speedup is 6.9 with efficiency value 0.87.
The result of the comparation values between the speedup and the efficiency of
both design model shows that first model has better performance by the time of
the extraction 1 440 leaf images. This is affected by the process of image area
dividing on the second model that requires more complex of communication cost.
We analyzed that in the second model if we add processor would effect on
communication cost. This condition did not occurred on the first model, so that
the speedup and efficiency are better than the second model. The experimental
result of query image extraction shows that the speedup on the first model is 6.73,
with efficiency value of 0.84. The second model produces speedup value is 7.96,
with efficiency value of 0.99. The different between speedup value and efficiency
produced is affected by the dividing of data from those two parallel models. The
first model divides 20 combination of the operator and FLBP threshold. The
process of data dividing on first model enables unideal data partitioning. The ideal
data dividing is at the time of each processors compute the data with the same
volume. The unideal data dividing may cause an idle condition. The idle condition
can affect the performance and the parallel time generated by the first model. The
dividing of the data on second model by dividing the image area equal to the
processors used. The data dividing on the second model is ideal condition, so that
the speedup and efficiency are better than first model.
Keywords: Fuzzy Local Binary Pattern, High Performance Computing, Parallel
Computing.
© Hak Cipta Milik IPB, Tahun 2013
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
KOMPUTASI PARALEL UNTUK SISTEM IDENTIFIKASI
TUMBUHAN OBAT MENGGUNAKAN FUZZY LOCAL
BINARY PATTERN
NGAKAN NYOMAN KUTHA KRISNAWIJAYA
Tesis
sebagai salah satu syarat untuk memperoleh gelar
Magister Komputer
pada
Program Studi Ilmu Komputer
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2013
Penguji Luar Komisi pada Ujian Tesis: Dr Eng Heru Sukoco, SSi MT
Judul Tesis
Nama
NIM
: Komputasi Paralel untuk Sistem Identifikasi Tumbuhan Obat
menggunakan Fuzzy Local Binary Pattern
: Ngakan Nyoman Kutha Krisnawijaya
: G65111 0071
Disetujui oleh
Komisi Pembimbing
Dr Ir Bib Paruhu Silalahi MKom
Angg
SSiMKom
Diketahui oleh
Ketua Program Studi
Ilmu Komputer
Dekan Sekolah Pascasarjana
,'::" .
'0\':'-00 e> ＺｲｱｩｊｴＬ
"
Tanggal Ujian: 16 September 2013
. ｾ Ｎ＼＠
ｾ Ｌ＠ Ｎ ｾ＠ ｾ ｾＺ＠
Ｚ ＺｐｾｨｲｹＮ｜ｬ＠
; ［ＺｾＬ＠
Ｎ ｾ＠ ｾ Ｎ ｾＬＢ Ｌ＠
ｓｹｾｨＬ＠
MScAgr
f :'
ＮＧＬ ｾ ｯ＠ Ｇ ｾ ｾ＠ ＭＺｾ Ｚ ｾＺ ＬＺ ｯ ｾＺ Ｚ Ｚ ｯ Ｚ ｾ Ｚ ｾ［ ｯ ｯ ｯ ＾ ｩ＠
Tanggal Lulus:
Judul Tesis
Nama
NIM
: Komputasi Paralel untuk Sistem Identifikasi Tumbuhan Obat
menggunakan Fuzzy Local Binary Pattern
: Ngakan Nyoman Kutha Krisnawijaya
: G651110071
Disetujui oleh
Komisi Pembimbing
Dr Ir Bib Paruhum Silalahi, MKom
Anggota
Dr Yeni Herdiyeni, SSi MKom
Ketua
Diketahui oleh
Ketua Program Studi
Ilmu Komputer
Dekan Sekolah Pascasarjana
Dr Yani Nurhadryani, SSi MT
Dr Ir Dahrul Syah, MScAgr
Tanggal Ujian: 16 September 2013
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas segala
karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih
dalam penelitian yang dilaksanakan sejak bulan September 2012 sampai Agustus
2013 adalah Komputasi Paralel Untuk Sistem Identifikasi Tumbuhan Obat
Menggunakan Fuzzy Local Binary Pattern.
Dalam menyelesaikan karya ilmiah ini penulis mendapatkan banyak sekali
bantuan, bimbingan dan dorongan dari berbagai pihak. Oleh karena itu, penulis
ingin mengucapkan terima kasih kepada Ibu Dr Yeni Herdiyeni, SSi MKom dan
Bapak Dr Ir Bib Paruhum Silalahi, MKom selaku pembimbing, serta Bapak Dr
Eng Heru Sukoco, SSi MT selaku penguji dalam sidang tesis. Ungkapan terima
kasih juga disampaikan kepada kedua orangtua, Bapak Ngakan Kutha
Parthawijaya dan Ibu Ni Wayan Sariani atas doa, dukungan moral dan materi,
kedua saudaraku tersayang, Ngakan Made Kutha Indrawijaya, SP dan Desak Rai
Kutha Asriwijaya. Desak Nyoman Widyanthini atas perhatian, semangat dan
dukungannya. Bapak Ir Ngakan Komang Kutha Ardhana, MSc dan keluarga atas
nasihat, bantuan dan motivasinya. Penulis juga tidak lupa untuk mengucapkan
terima kasih kepada semua teman seperjuangan Pasca Ilkom 13, atas
kebersamaannya dalam perkuliahan, teman lima sekawan atas motivasi, diskusi,
kritik selama kuliah dan penyelesaian penelitian ini, Yunda, Kak Ismi, Bang
Ardiansyah, Rizky, Mega, Desta, Rahmat, Wahyuni, Mbak Gibtha dan semua
teman LAB CI, atas diskusi, bantuan dan motivasinya serta pengelola pasca
sarjana, seluruh dosen dan staf akademik Ilmu Komputer IPB atas bantuan dan
bimbingannya selama penulis mengikuti perkuliahan di Ilmu Komputer IPB.
Penulis juga mengucapkan terima kasih kepada semua pihak yang telah
membantu selama penyelesaian karya ilmiah ini yang tidak dapat disebutkan satupersatu. Semoga karya ini dapat memberi manfaat.
Bogor, September 2013
Ngakan Nyoman Kutha Krisnawijaya
DAFTAR ISI
DAFTAR TABEL
ii
DAFTAR GAMBAR
ii
1 PENDAHULUAN
1
Latar Belakang
Tujuan Penelitian
Ruang Lingkup Penelitian
Manfaat Penelitian
2 TINJAUAN PUSTAKA
1
2
2
2
3
Fitur Tekstur
Local Binary Pattern (LBP)
Fuzzy Local Binary Pattern (FLBP)
Probabilistic Neural Network (PNN)
High Performance Computing (HPC)
Perancangan Desain Komputasi Paralel
Evaluasi Kinerja Paralel
Komputasi Paralel pada Aplikasi Pengolahan Citra Digital
Message Passing Interface (MPI)
3 METODE
3
3
4
6
8
10
12
13
14
15
Data Penelitian
Preprocessing
Ekstraksi Fitur dengan Fuzzy Local Binary Pattern
Komputasi Paralel
Pembagian Data Latih dan Uji
Klasifikasi dengan Probabilistic Neural Network
Evaluasi
Perangkat Keras dan Perangkat Lunak
4 HASIL DAN PEMBAHASAN
16
16
16
16
21
22
22
22
23
Preprocessing Citra Daun Tumbuhan Obat
Ekstraksi Fitur dengan Fuzzy Local Binary Pattern
Komputasi Paralel
Evaluasi kinerja paralel model 1
Model 1 untuk citra kueri
Evaluasi kinerja paralel untuk citra kueri
Klasifikasi dan Evaluasi
Evaluasi kinerja paralel model 2
Model 2 untuk citra kueri
Evaluasi kinerja paralel untuk citra kueri
Klasifikasi dan Evaluasi
23
23
24
29
31
32
33
38
40
41
42
ii
Perbandingan kinerja model 1 dan model 2
Perbandingan akurasi model 1 dan model 2
5 SIMPULAN DAN SARAN
43
45
47
Simpulan
Saran
DAFTAR PUSTAKA
47
47
48
LAMPIRAN
49
RIWAYAT HIDUP
51
DAFTAR TABEL
1
2
3
4
5
6
7
8
Operator LBP (Valerina 2012)
Pembagian data citra setiap spesies untuk setiap prosesor
Hasil evaluasi percepatan dan efisiensi model 1
Hasil evaluasi isoefisiensi model 1
Hasil evaluasi percepatan dan efisiensi model 1 untuk citra kueri
Hasil evaluasi percepatan dan efisiensi model 2
Hasil evaluasi isoefisiensi model 2
Hasil evaluasi percepatan dan efisiensi model 1 untuk citra kueri
16
28
29
31
32
38
40
41
DAFTAR GAMBAR
1 Skema komputasi LBP
2 Ukuran operator LBP
3 Fungsi keanggotaan m0() dan m1() sebagai fungsi dari pi
4 Skema komputasi FLBP dengan F=10
5 Struktur PNN
6 Shared memory
7 Distributed memory
8 Hybrid system
9 Model perancangan paralel Flynn
10 Metode Foster
11 Message passing antar prosesor
12 Metode penelitian
13 Model 1 paralel pembagian data
14 Model 1 untuk citra kueri
15 Model 2 paralel pembagian data dan proses FLBP
16 Model 2 untuk citra kueri
17 Hasil preprocessing citra tumbuhan obat
18 Histogram FLBP pada tumbuhan obat
19 Komputer cluster menggunakan 8 unit komputer
20 Proses komunikasi menggunakan MPI_Scatterv dan MPI_Gatherv
4
4
5
6
7
8
9
9
10
11
14
15
18
19
20
21
23
24
27
28
iii
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
Percepatan model 1
Efisiensi model 1
Percepatan model 1 untuk citra kueri
Efisiensi model 1 untuk citra kueri
Perbandingan akurasi per kelas model 1
Contoh citra data latih dan data uji kelas 7 (Pegagan)
Contoh citra data latih dan data uji kelas 5 (Akar Kuning)
Proses pembagian area citra daun
Proses ekstraksi fitur FLBP pada area citra daun
Proses point-to-point communication
Topologi virtual GRID_COMM
Topologi virtual communicator coll_comm
Proses komunikasi pada communicator coll_comm
Percepatan model 2
Efisiensi model 2
Percepatan model 2 untuk citra kueri
Efisiensi model 2 untuk citra kueri
Perbandingan akurasi per kelas model 2
Contoh citra data latih dan data uji kelas 29 (Jambu Biji)
Perbandingan percepatan
Perbandingan efisiensi
Perbandingan akurasi model 1 dan model 2
Perbandingan akurasi model 1 dan model 2 (Lanjutan)
Citra teridentifkasi salah pada model 2
Perbedaan proses ekstraksi model 1 dan model 2
29
30
32
33
34
34
34
35
35
36
37
37
38
39
40
41
42
43
43
44
44
45
45
46
46
1 PENDAHULUAN
Latar Belakang
Indonesia memiliki keanekaragaman hayati lebih dari 38 000 spesies
tumbuhan (Bappenas 2003). Groombridge dan Jenkins (2002) mencatat bahwa
terdapat 22 500 spesies tumbuhan obat di Indonesia. Spesies tumbuhan yang
sudah digunakan sebagai tumbuhan obat sejumlah 1 000 spesies. Ini berarti
persentase tumbuhan obat yang sudah dimanfaatkan hanya sebesar 4.4% dari
sumber daya yang tersedia. Salah satu penyebab kurangnya pemanfaatan
tumbuhan obat adalah pengetahuan masyarakat tentang potensi tumbuhan obat
masih minim. Peningkatan pengetahuan masyarakat tentang tumbuhan obat dapat
dibantu dengan dikembangkannya sistem identifikasi tumbuhan obat.
Penelitian tentang sistem identifikasi tumbuhan obat berdasarkan hasil
ekstraksi fitur citra tumbuhan obat telah banyak dilakukan. Proses identifikasi
dilakukan menggunakan organ vegetatif yang paling mudah ditemukan seperti
daun. Valerina (2012) menggunakan metode ekstraksi fitur Fuzzy Local Binary
Pattern (FLBP) dan metode klasifikasi Probabilistic Neural Network (PNN)
untuk mengidentifikasi tumbuhan obat. Akurasi yang diperoleh dari sistem
sebesar 66.3%. Herdiyeni dan Wahyuni (2012) juga menggunakan metode
ekstraksi fitur dan klasifikasi yang sama untuk identifikasi tumbuhan obat. Sistem
identifikasi telah dikembangkan di dalam aplikasi mobile berbasis Android.
Pengembangan sistem identifikasi berbasis mobile bertujuan untuk memudahkan
user dalam mengidentifikasi tumbuhan obat. Laxmi (2012) menerapkan
Multiobjective Genetic Algorithm (MOGA) dalam sistem identifikasi tumbuhan
obat. MOGA diterapkan untuk optimasi metode FLBP pada saat proses ekstraksi
citra daun tumbuhan obat yang memiliki keragaman tekstur yang cukup tinggi.
Laxmi (2012) mencatat bahwa penerapan metode FLBP untuk ekstraksi fitur
memiliki waktu komputasi yang paling lama di dalam sistem yang dibangun. Hal
ini terjadi karena FLBP merupakan metode ekstraksi fitur yang menggunakan
fuzzification untuk mendapatkan pola tekstur dari citra. Semakin besar rentang
fuzzy yang digunakan akan semakin banyak piksel citra yang diolah di dalamnya
dan semakin besar waktu komputasi yang dibutuhkan. Rentang fuzzy pada FLBP
ditentukan melalui threshold yang digunakan pada saat ekstraksi fitur. Selain
algoritme yang digunakan dalam ekstraksi menggunakan FLBP, jumlah data yang
diolah juga mempengaruhi waktu komputasi untuk esktraksi fitur.
Menurut Nasir et al. (2012) High Performance Computing (HPC)
merupakan metode untuk mengatasi permasalahan yang memiliki kompleksitas
tinggi terkait dengan beban pekerjaan dan penggunaan banyak data. Paralel dan
distributed computing merupakan bagian dari metode HPC. Komputasi paralel
dapat diterapkan pada aplikasi pengolahan citra. Penerapan komputasi paralel
dapat dilakukan pada setiap tahap dari pengolahan citra seperti preprocessing
sampai dengan proses klasifikasi. Petryniak (2008) menganalisis penerapan
komputasi paralel pada pengolahan citra. Penelitian ini mencoba berbagai model
perancangan paralel seperti pembagian data ke beberapa prosesor dan diproses
secara paralel. Model perancangan lainnya adalah membagi area citra dan
didistribusikan ke sejumlah prosesor untuk diolah secara paralel. Selain
2
menganalisis waktu komputasi, Petryniak (2008) juga menganalisis waktu
komunikasi paralel dari setiap model perancangan yang digunakan. Hasil dari
penelitian ini adalah komputasi paralel dapat meningkatkan efisiensi pengolahan
citra.
Permasalahan waktu komputasi yang terjadi saat proses ekstraksi fitur FLBP
pada sistem identifikasi tumbuhan obat memberikan motivasi untuk menerapkan
metode HPC pada sistem identifikasi tumbuhan obat. Penerapan metode HPC
diharapkan mampu mengurangi waktu komputasi pada saat ekstraksi fitur sistem
identifikasi tumbuhan obat. Metode klasifikasi yang digunakan adalah
Probabilistic Neural Network (PNN). Percepatan, efisiensi dan isoefisiensi
digunakan untuk mengukur seberapa baik model perancangan paralel yang
diterapkan.
Tujuan Penelitian
Penelitian ini bertujuan menerapkan komputasi paralel pada proses ekstraksi
fitur untuk identifikasi tumbuhan obat. Metode klasifikasi ekstraksi fitur yang
digunakan adalah FLBP.
Ruang Lingkup Penelitian
Ruang Lingkup penelitian ini adalah:
1. Data yang digunakan adalah citra daun 30 spesies tumbuhan obat di Indonesia.
2. Operator LBP yang digunakan adalah operator LBP (8,1) dan (8,2). Threshold
FLBP menggunakan rentang dari 1 sampai dengan 10.
3. Desain perancangan paralel berdasarkan pembagian data dan pembagian area
citra.
Manfaat Penelitian
Manfaat dari penelitian ini adalah mengurangi waktu komputasi sistem pada
saat ekstraksi fitur menggunakan FLBP. Sistem identifikasi yang dibangun
diharapkan dapat menghasilkan informasi spesies tumbuhan obat secara cepat dan
akurat.
2 TINJAUAN PUSTAKA
Fitur Tekstur
Fitur tekstur merupakan gambaran visualisasi dari sebuah objek. Tekstur
dapat dicirikan sebagai variasi intensitas pencahayaan pada sebuah citra. Analisis
tekstur memiliki peranan yang cukup penting dalam aplikasi pengolahan citra
digital. Meskipun warna merupakan hal yang penting dalam mendeskripsikan
citra akan tetapi informasi warna tidak cukup untuk mendeskripsikan suatu citra.
Informasi yang terkandung pada tekstur adalah area, kekasaran, regularity,
linearitas, dan frekuensi (Maenpaa 2003).
Local Binary Pattern (LBP)
Analisis tekstur digunakan di sebagian besar aplikasi seperti remote sensing,
pengolahan citra pada biomedical, visual inspection dan identifikasi citra. Sejak
awal 1970-an penelitian dan pengembangan metode ekstraksi fitur telah banyak
diusulkan. Metode Local Binary Pattern (LBP) merupakan salah satu metode
untuk merepresentasikan tekstur berdasarkan binary pattern (pola biner). Metode
LBP cukup efektif di dalam menggambarkan pola tekstur lokal dari citra
(Keramidas et al. 2011).
Menurut Iakovidis et al. (2008) proses Local Binary Pattern (LBP)
merepresentasikan tekstur lokal disekitar tekstur pusat berdasarkan operator
ketetanggaan LBP. Setiap pola tekstur LBP direpresentasikan oleh sembilan
elemen = {
, , ,…, },
merupakan nilai piksel pusat dan
(0 ≤ ≤ 7) merupakan nilai piksel sekelilingnya (circular sampling). Nilai
circular sampling dapat dicirikan oleh nilai biner (0 ≤ ≤ 7) seperti pada
Gambar 1(b) dengan Persamaan 1:
dengan ∆
=
piksel pusat
−
.
=
0
1
,
,
∆
∆