Morfologi Tekstur Bentuk Identifikasi Tumbuhan Obat Menggunakan Fitur Citra Morfologi, Bentuk, dan Tekstur dengan Klasifikasi Probabilistic Neural Network

7 Klasifikasi dengan Probabilistic Neural Network Arsitektur PNN memiliki bagian lapisan masukan, pola, dan keluaran. Pada penelitian ini masukan berupa masing-masing hasil ekstraksi. Lapisan output memiliki 30 target kelas sesuai dengan jumlah jenis daun. Untuk lapisan pola hanya digunakan satu model PNN yaitu dengan nilai bias σ tetap. Jadi pada percobaan dihasilkan model klasifikasi terbaik dari pengabungan ciri morfologi, tekstur, dan bentuk berdasarkan akurasi terbesar dari pembagian data latih serta data uji. Evaluasi Hasil Klasifikasi Kinerja model PNN akan ditentukan dan dibandingkan melalui besaran akurasi yang berhasil dicapai. Akurasi dapat dihitung dengan Persamaan berikut: 20 Akurasi terbaik dari teknik kombinasi PDR untuk ketiga fitur tersebut merupakan model yang akan dipakai untuk identifikasi daun pada citra kueri baru. HASIL DAN PEMBAHASAN Ekstraksi Ciri Proses awal untuk ekstraksi ciri adalah mengubah citra RGB menjadi citra grayscale. Citra grayscale ini digunakan pada tahap ekstraksi ciri tekstur. Untuk ekstraksi ciri morfologi dan bentuk dibutuhkan citra biner sebagai masukan. Citra biner didapatkan dari citra grayscale yang diberi threshold tertentu.

A. Morfologi

Jumlah nilai ciri morfologi yang diekstraksi berjumlah sebelas. Enam nilai ciri morfologi di antaranya area, diameter, perimeter, smooth factor, form factor, rasio perimeter dan diameter dan 5 ciri urat daun. Nilai-nilai ciri dasar dan turunan daun direpresentasikan seperti yang terlihat pada Gambar 9 dan ilustrasi mengenai contoh nilai morfologi ada di Gambar 10. Gambar 9 Hasil ekstraksi morfologi. Area Perimeter Diameter P Rasio of D Gambar 10 Contoh ilustrasi nilai morfologi.

B. Tekstur

Jumlah vektor ciri tekstur yang diekstrasi berjumlah 10 dengan fitur LBPV 1,8. Nilai- nilai descriptor ciri tekstur direpresentasikan pada grafik seperti yang terlihat pada Gambar . 11. Gambar 11 Contoh grafik nilai-nilai descriptors ciri tekstur.

C. Bentuk

Jumlah descriptors yang dipakai untuk representasi nilai ciri bentuk berjumlah 32 descriptors, dipilih dari 16 nilai pertama dan 16 nilai terakhir. Nilai-nilai descriptor ciri bentuk direpresentasikan pada grafik seperti yang terlihat pada Gambar 12. 7 Klasifikasi dengan Probabilistic Neural Network Arsitektur PNN memiliki bagian lapisan masukan, pola, dan keluaran. Pada penelitian ini masukan berupa masing-masing hasil ekstraksi. Lapisan output memiliki 30 target kelas sesuai dengan jumlah jenis daun. Untuk lapisan pola hanya digunakan satu model PNN yaitu dengan nilai bias σ tetap. Jadi pada percobaan dihasilkan model klasifikasi terbaik dari pengabungan ciri morfologi, tekstur, dan bentuk berdasarkan akurasi terbesar dari pembagian data latih serta data uji. Evaluasi Hasil Klasifikasi Kinerja model PNN akan ditentukan dan dibandingkan melalui besaran akurasi yang berhasil dicapai. Akurasi dapat dihitung dengan Persamaan berikut: 20 Akurasi terbaik dari teknik kombinasi PDR untuk ketiga fitur tersebut merupakan model yang akan dipakai untuk identifikasi daun pada citra kueri baru. HASIL DAN PEMBAHASAN Ekstraksi Ciri Proses awal untuk ekstraksi ciri adalah mengubah citra RGB menjadi citra grayscale. Citra grayscale ini digunakan pada tahap ekstraksi ciri tekstur. Untuk ekstraksi ciri morfologi dan bentuk dibutuhkan citra biner sebagai masukan. Citra biner didapatkan dari citra grayscale yang diberi threshold tertentu.

A. Morfologi