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.
8 Gambar 12 Contoh grafik nilai-nilai descriptors
ciri bentuk.
Klasifikasi Ciri Morfologi, Tekstur, dan Bentuk dengan PNN
Percobaan diawali
dengan mengklasifikasikan
masing-masing hasil
ekstraksi ciri.
Masing-masing ciri
diklasifikasikan dengan uji coba pembagian data latih dan data uji, sebesar 80-20 38 data
uji dan 10 data latih. Kelas target dari klasifikasi berjumlah 30 kelas. Bias yang
digunakan untuk morfologi=20, tekstur=24, dan bentuk=0.05.
Perbandingan akurasi klasifikasi untuk fitur morfologi, tekstur, bentuk kemudian akan
dibandingan dengan
akurasi klasifikasi
penggabungan ketiga fitur tersebut.
A. Morfologi
Perbandingan akurasi klasifikasi untuk fitur morfologi perkelas dapat dilihat pada grafik
Gambar 13.
Gambar 13 Grafik perbandingan akurasi perkelas untuk fitur morfologi.
Gambar 13 menunjukkan akurasi yang dicapai hasil pengklasifikasian fitur morfologi,
memiliki 1 kelas yang akurasinya mencapai 100 yaitu kelas 8 dan ada 11 kelas yang
akurasinya 0 yaitu kelas 3, 11, 12, 13, 14, 15,16, 18, 23, 25, dan 30 .
Gambar 14 Contoh citra data latih dan data uji kelas 3 Dandang Gendis.
Gambar 14 menunjukkan bahwa pada kelas 3 Dandang Gendis citra data latih maupun
data uji memiliki ukuran yang beragam dan sudut pengambilan citra tiap daun pun
bermacam-macam, sehingga fitur morfologi terutama
ciri dasar
daun kurang
bisa mengidentifikasi dengan baik. Untuk ciri
turunan daun,
cukup baik
dalam merepresentasikan ciri untuk daun yang
berukuran berbeda namun dengan sudut pengambilan yang sama. Untuk kelas 3 citra
yang salah diidentifikasi masuk ke kelas 8 Andong dan 21 Nanas Kerang. Lebih
lengkapnya mengenai hasil identifikasi citra uji dapat dilihat di tabel confusion matriks di
Lampiran 2.
B. Tekstur
Perbandingan akurasi klasifikasi untuk fitur tekstur perkelas dapat dilihat pada grafik
Gambar 15.
Gambar 15 Grafik perbandingan akurasi perkelas untuk fitur tekstur
LBPV 1,8. Gambar 15 menunjukkan akurasi yang
dicapai hasil pengklasifikasian fitur tekstur mencapai 100 untuk 2 kelas, yaitu kelas 9 dan
20 40
60 80
100
1 4
7 10 13 16 19 22 25 28
A k
u ra
si
Kelas
20 40
60 80
100
1 4
7 10 13 16 19 22 25 28
A k
u ra
si
Kelas
9 12, namun hasil pengklasifikasian untuk kelas
lain , seperti 13, 14, dan 15 hanya mencapai 10.
Gambar 16 Contoh citra data latih dan data uji kelas 13 Gadung Cina.
Gambar 16 menunjukkan bahwa pada kelas 13 Gadung Cina citra data latih maupun data
uji memiliki pencahayaan yang berbeda. Untuk kelas 13 Gadung Cina beberapa salah
teridentifikasi ke kelas 12 Bidani, 20 Nandang Gendis, dan 23 Kumis Kucing. Hal
ini disebabkan gambar diambil pada waktu dan spesifikasi kamera yang berbeda, sehingga
tekstur menjadi lebih beragam sehingga sulit teridentifikasi ke kelas yang benar. Lebih
lengkapnya mengenai hasil identifikasi citra uji dapat dilihat di tabel confusion matriks di
Lampiran 2.
C. Bentuk
