Penerapan Jaringan Saraf Tiruan Radial Basis Function Pada Tools Klasifikasi Tanaman

Agustin, S. & Prasetyo, E. 2011. Klasifikasi Jenis Pohon Mangga Gadung dan Curut Berdasarkan Tekstur Daun. SESINDO 2011: Surabaya.

Argadinata, A. 2013.Pengenalan Motif Batik dengan Filter 2D Gabor Wavelet dan Jaringan Saraf Tiruan Radial Basis Function. Skripsi. Universitas Telkom Bandung.

Berry, Michael J.A & Linoff, Gordon S. 2004. Data Mining Techniques For Marketing, Sales, Customer Relationship Management Second Editon. United States of America: Wiley Publishing, Inc.

Bishop, M.C. 1995. Neural Networks for Pattern Recognition. Oxford Press: Oxford. Bors, A.G. (n.d). Introduction of the Radial Basis Function (RBF) Networks. University

of York.

Buhmann, M.D. 2003. Radial Basis Function: Theory and Implementations. Cambridge University Press: Cambridge.

Chairunnisaq. 2016. Klasifikasi Warna pada Tanaman Padi untuk Kebutuhan Pupuk Berdasarkan Bagan Warna Daun Menggunakan Jarigan Saraf Radial Basis Function. Skripsi. Universitas Sumatera Utara.

Er, M.J., Member, IEEE, Wu, Shiqian & Lu, Juwei. 1999. Face Recognition Using Radial Basis Function (RBF) Neural Networks. Proceedings of the 38th _{Conference on} Decision & Control, pp: 14-20.

Gradhianta, T & Fuad, Y. 2013. Penerapan Jaringan Syaraf Tiruan Dengan Radial Basis Function untuk Pengenalan Genre Musik. Universitas Negeri Surabaya.

Gonzalez, R.C. & Woods, R.E. 2008. Digital Image Processing. Prentice Hall: New Jersey.

62

Han, Jiawei & Kamber, Micheline. 2006. Data Mining: Concepts and Techniques. 2nd edition. Elsevier Inc.

Hermawan, A.R., Wibowo, A.E., Alfanda, D., Ningrum, D.F. & Liman, N.S. (n.d). Pengklasifikasian Daun Mangga, Salam, dan Sawo dengan Menggunakan Metode Naïve Baiyes. Universitas Brawijaya: Malang.

Hermawati , A.F. 2013. Pengolahan Citra Digital. Yogyakarta: Penerbit ANDI.

Hu, M.K. 1962. Visual Pattern Recognition by Moment Invariants. University of Utah: Utah.

Imaduddin, Zaki & Tawakkal, Hilmy A. 2015. Deteksi dan Klasifikasi Daun Menggunakan Metode Adaboost dan SVM. Seminar Nasional Teknologi Informasi dan Multimedia: Yogyakarta.

Kadir, A., Nugroho, L.E., Susanto, A. & Santosa, P.I. 2011. Neural network application on foliage plant identification. International Journal of Computer Applications 29(9): 15-22.

Kadir, A. & Susanto, A. 2012. Teori dan Aplikasi Pengolahan Citra. Penerbit Andi : Yogyakarta.

Liao, P.S., Chen, T.S. & Chung, P.C. 2001. A Fast Algorithm for Multilevel Thresholding. Journal of Information Science and Engineering 17: 713-727. Prokop, R.J. & Reeves, A.P. 1992. A Survey of Moment-Based Techniques for

Unoccluded Object Representation and Recognition. CVGIP: Graphical Models and Image Processing, 54(5):438-460.

Purnamasari, R. W. 2013. Implementasi jaringan syaraf tiruan backpropagation sebagai sistem deteksi penyakit tuberculosis (TBC). Skripsi. Universitas Negeri Semarang. Puspitaningrum, Dyah. 2006. Pengantar Jaringan Saraf Tiruan. Penerbit ANDI:

Desa, H., & Karthigayan, M. 2006. Object Detection Using Geometric Invariant Moment. American Journal of Applied Sciences 2(6): 1876-1878.

Sharma, S. & Gupta, C. 2015. Recognition of Plant Species Based on Leaf Images Using Multilayer Feed Forward Neural Network. International Journal of Innovative Research in Advanced Engineering (IJIRAE) (2): 2349-2163.

Bowo, S.A.A., Hidayatno, A. & Isnanto, R.R. 2011. Analisis Deteksi Tepi untuk Mengidentifikasi Pola Daun. Skripsi. Universitas Diponegoro Semarang.

Tan, P.N., Steinbach, M. & Kumar, V. 2004. Introduction to Data Mining. Addison-Wesley Longman Publishing Co., Inc.: Boston.

Weisstein, E.W. (2002). Gaussian Function. [Online]. Available: http://mathworld.wolfram.com/GaussianFunction.html. [Diakses 27 Maret 2016]. Wu, J. 2012. Advances in K-means Clustering: A Data Mining Thinking. Springer Berlin

Heidelberg: Berlin.

Wu, S.G., Bao, F.S., Xu, E.Y., Wang, Y.X., Chang, Y.F. & Xiang, Q.L. 2007. A Leaf Recognition Algorithm for Plant Classification Using Probabilistic Neural Network. [Online]. Available: http://flavia.sourceforge.net/. [Diakses 26 Maret 2016].

BAB 3

ANALISIS DAN PERANCANGAN

3.1. Arsitektur Umum

Klasifikasi tanaman pada penelitian ini terdiri dari beberapa langkah yang diawali dengan pengambilan dataset daun yang akan digunakan sebagai data pelatihan dan data pengujian, dilanjutkan dengan proses training data yang dimulai dengan tahap pre-processing yaitu proses grayscaling pada citra daun untuk mendapatkan nilai aras keabuan dari citra. Selanjutnya dilakukan proses gaussian untuk menghilangkan noise yang ada pada citra daun. Setelah proses gaussian selesai dilanjutkan dengan segmentasi dengan menggunakan proses thresholding. Proses ekstraksi fitur akan dilakukan setelah tahap pre-processing selesai dengan menggunakan metode invariant moment dan dilanjutkan dengan proses klasifikasi menggunakan jaringan saraf tiruan Radial Basis Function. Proses training akan menghasilkan output berupa bobot yang akan digunakan pada proses pengujian data. Output dari proses training akan disimpan dalam database pada SQLite manager.

Proses testing dilakukan setelah training data berakhir. Citra akan diolah melalui tahap pre-processing seperti pada proses training, kemudian dilakukan proses ekstraksi fitur dan proses klasifikasi dengan mengacu pada hasil training, lalu disesuaikan dengan target yang ditentukan. Setelah langkah-langkah tersebut dilakukan maka akan didapat hasil dari klasifikasi daun. Setiap tahap yang dilakukan akan dijelaskan secara terperinci pada bagian- bagian selanjutnya. Adapun arsitektur umum yang menggambarkan metode pada penelitian ini ditunjukkan pada Gambar 3.1.

Classification

Radial Basis Function

Hasil klasifikasi pada tanaman

Testing Data

Citra daun yang belum diidentifikasi

Pre-Processing

Pembentukan citra keabuan (grayscaling)

Penghalusan citra (Gaussian)

Segmentasi citra (thresholding)

Feature Extraction

Invariant moment

Gambar 3.1. Arsitektur umum sistem Citra daun yang sudah

diidentifikasi Training Data

Klasifikasi

Pengambilan dataset citra daun pada http://flavia.sourceforge.net/

23

3.2. Pre-Processing

Data yang akan digunakan harus melalui beberapa proses agar dapat digunakan dalam tahap selanjutnya, yaitu proses seleksi citra. Adapun proses tersebut terdiri dari proses pembentukan citra keabuan, penghalusan citra, dan segmentasi citra.

3.2.1. Pembentukan Citra Keabuan (Grayscaling)

Pada tahap ini citra RGB diubah menjadi citra keabuan untuk mendapatkan nilai keabuan dari setiap pixel yang ada pada citra. Proses ini harus dilakukan sebelum masuk kedalam proses penghalusan citra yaitu gaussian. Untuk mengubah citra berwarna yang memiliki nilai masing-masing r,g, dan b menjadi grayscale dengan mengambil nilai rata-rata dari ketiga komponen tersebut . Contoh citra warna dapat dilihat pada Gambar 3.2.

Gambar 3.2.Citra daun

Konversi dapat dilakukan dengan mengambil nilai rata-rata dari r, g, dan b. citra hasil proses grayscaling dilihat pada Gambar 3.3.

Gambar 3.3.Citra daun grayscale

Adapun langkah-langkah proses grayscaling dapat dilihat pada gambar 3.4.

Gambar 3.4. Langkah-langkah proses grayscaling Masukkan citra RGB f(h,w) dengan tinggi h, lebar w.

For i=0 sampai i=h-1 For j=0 sampai j=w-1

Ambil nilai komponen R, G dan B pada kolom i baris j pada citra f(h,w) Hitung nilai Grayscale pada posisi kolom i baris j pada citra f(h,w) dengan menjumlahkan nilai tiap komponen RGB di posisi tersebut kemudian dibagi dengan 3.

End For End For

Proses ini dilakukan setelah proses grayscale, proses penghalusan citra ini dilakukan untuk mengurangi noise yang ada pada citra. Citra daun yang telah mengalami proses dari gaussian ditunjukkan pada Gambar 3.5.

Gambar 3.5. Citra hasil proses gaussian

3.2.3. Segmentasi Citra (Thresholding)

Pada tahap selanjutnya citra yang telah mengalami proses penghalusan citra (gaussian) akan mengalami proses segmentasi citra. Segmentasi citra dilakukan untuk memisahkan objek dari background. Dalam proses ini citra akan dibagi menjadi dua bagian yaitu objek dan background. Pada tahap ini setiap nilai piksel citra gaussian akan diambil nilainya untuk menentukan nilai biner pada setiap citra.

Jika nilai yang dihasilkan kurang dari ambang yang dihasilkan maka nilai piksel tersebut akan diubah menjadi warna hitam dan jika nilai yang dihasilkan lebih dari nilai rata-rata maka nilai piksel akan diubah menjadi warna putih. Adapun contoh gambar yang telah mengalami proses dari thresholding ditunjukkan pada Gambar 3.6.

25

Adapun proses thresholding dapat dilihat pada gambar 3.7.

Gambar 3.7. Langkah-langkah proses thresholding

3.3. Feature Extraction

Pada penelitian ini ekstraksi fitur menggunakan metode invariant moment. Nilai invariant moment yang didapatkan akan disimpan ke dalam database sebagai nilai hasil ciri dari objek dalam satu citra daun. Nilai yang akan didapat dari satu objek sebanyak tujuh nilai, nilai ini yang disimpan kedalam database. Nilai tersebut yang akan dipakai kedalam Radial Basis Function.

3.3.1. Invariant Moment

Invariant moment adalah suatu metode yang mendeskripsikan ciri geometri pada sistem identifikasi objek dan pengenalan karakter (Rizon et al., 2006). Setelah objek-objek citra didapatkan, maka dihitung ketujuh nilai invariant moment-nya. Proses perhitungan invariant moment dengan contoh file citra hasil thresholding seperti yang ditunjukkan pada Gambar 3.8.

Gambar 3.8. Citra hasil proses thresholding

. Langkah pertama untuk mencari nilai invariant moment dapat dimulai dengan menghitung nilai momen dari setiap objek.

Masukkan citra hasil proses Gaussian f(h,w) dengan tinggi h, lebar w. For j=0 sampai j=h-1

For i=0 sampai i=w-1

Ambil nilai hasil proses gaussian pada kolom i baris j pada citra f(h,w) If nilai hasil proses gaussian < 128

Then nilai threshold =0 Else nilai threshold =255 End For

End For

dengan persamaan 2.6, dimana m merupakan momen yang akan dicari, p dan q merupakan integer yaitu 0,1,2,…, H merupakan tinggi citra, W merupakan lebar citra, x merupakan baris, y merupakan kolom, dan f(x,y) merupakan nilai intensitas citra. Nilai intensitas yang diambil merupakan nilai setelah mengalami proses thresholding. Nilai momen yang dicari adalah , , dan untuk setiap objek yang ada.

Nilai momen yang diperoleh menggunakan persamaan 2.6. adalah sebagai berikut.

1. = 4.102644E7 2. = 1.002809685E10 3. = 7.60017249E9

Setelah nilai , , dan diperoleh, maka perhitungan dilanjutkan dengan menghitung nilai momen pusat dengan persamaan 2.7 dan 2.8. Nilai momen pusat yang diperoleh adalah sebagai berikut.

̅ = . ̅ = .

Setelah nilai ̅ dan nilai ̅ diperoleh, maka : 1. � = -3.937056149135889E10 2. � = 9.243568745769517E11 3. � = 5.348523291829203E11 4. � = 8.995522635623008E12 5. � _{= 2.2321139971250127E12} 6. � _{= 1.4415308852379204E12} 7. � = -1.0723490477002798E12

Setelah nilai � , � , � , � , � , � , dan � diperoleh untuk setiap objek, maka dilanjutkan dengan normalisasi nilai momen pusat dengan persamaan 2.9 dan 2.10. Maka nilai normalisasi momen pusat diperoleh, yaitu :

1. � = -2.3390738932923928E-5 2. � = 5.49176580548095E-4 3. � = 3.1776512007149866E-4

27

4. � = 8.343856322771955E-7 5. � = 2.0704120530256926E-7 6. � = 1.337101475753271E-7 7. � = -9.94664428550213E-8

Tahap akhir untuk memperoleh tujuh nilai invariant moment untuk setiap objek dilakukan dengan cara menghitung nilai �. Setelah nilai � diperoleh, maka nilai tersebut langsung didefenisikan kedalam |log(|�|)|. Nilai tujuh invariant moment dari objek yang terdapat pada citra adalah sebagai berikut.

1. � = 7.050538826097915 2. � = 16.591219491401443 3. � = 27.200101473672124 4. � = 27.68359758219342 5. � = 57.26367893080876 6. � = 36.126163527591224 7. � = 55.82047309450023

3.4. Klasifikasi

Setelah nilai fitur dari citra diperoleh, maka tahap selanjutnya adalah tahap klasifikasi citra. Pada penelitian ini menggunakan metode jaringan saraf tiruan Radial Basis Function untuk melakukan klasifikasi citra daun pada tanaman. Tahap – tahap yang dilakukan adalah sebagai berikut: tahap peracangan arsitektur Radial Basis Function serta tahap pelatihan dan pengujian Radial Basis Function.

3.4.1. Perancangan ArsitekturRadial Basis Function

Sebelum dilakukan proses pelatihan, maka harus dirancang terlebih dahulu jaringan Radial Basis Function. Pada penelitian ini, arsitektur jaringan Radial Basis Function yang dirancang terdiri dari 7 neuron pada lapisan input, 5 neuron pada lapisan tersembunyi, 1 bias dan 5 neuron pada lapisan output. Jumlah 7 neuron pada lapisan input ditentukan berdasarkan hasil dari ekstraksi fitur. Sedangkan 5 neuron pada lapisan output ditentukan berdasarkan nilai target keluaran. Pada penelitian ini,

Gambar 3.9.

Gambar 3.9. Arsitektur umum Radial Basis Function pada sistem

Adapun penjelasan arsitektur Radial Basis Fuction pada Gambar 3.9. adalah sebagai berikut.

1. Lapisan input memiliki 7 neuron, lapisan tersembunyi memiliki 5 neuron ditambah 1 bias dan memiliki 5 neuron pada lapisan output .

2. x1 sampai dengan x7 adalah neuron pada lapisan input, � sampai dengan � adalah neuron pada lapisan tersembunyi dan sampai adalah neuron pada lapisan output.

3. b1 merupakan bias yang menuju ke lapisan output.

4. � adalah nilia bobot koneksi antara neuron lapisan input dengan neuron j pada lapisan tersembunyi. Sedangkan wjk adalah nilai bobot koneksi antara neuron j lapisan tersembunyi.

3.4.2. Tahap Pelatihan dan Pengujian Radial Basis Function

Tahap pelatihan Radial Basis Function bertujuan untuk mendapatkan nilai bobot akhir yang akan digunakan pada tahap pengujian. Pelatihan jaringan Radial Basis Function menggunakan arsitektur jaringan dengan 7 neuron input, 6 neuron hidden dan 5 neuron output. Sedangkan tahap pengujian bertujuan untuk mendapatkan hasil output dari data sesuai dengan target. Perhitungan Radial Basis Function dapat diuraikan sebagai berikut:

29

1. Inialisasi nilai awal input. Proses dari input layer ke hidden layer. Nilai input dapat dilihat pada tabel 3.1.

Tabel 3.1. Nilai input awal

Gambar X1 X2 X3 X4 X5 X6 X7

1 -1.3628 -0.8585 -0.2918 -0.2728 1.2493 0.2659 1.2707

2 -1.3426 -0.8677 -0.2332 -0.2684 1.2230 0.1469 1.3420

3 -1.3453 -0.8557 -0.2709 -0.2590 1.2316 0.1679 1.3313

4 -1.3931 -0.8724 -0.1072 -0.3158 1.1795 0.1812 1.3278

5 -1.3823 -0.8303 -0.2472 -0.2991 1.2563 0.2306 1.2719

2. Inisialisasi nilai centroid awal yang ditentukan dari data input yang diambil secara acak menggunakan algoritma k-means. Nilai awal centroid dapat dilihat pada Tabel 3.2.

Tabel 3.2. Nilai awal centroid

Centroid X1 X2 X3 X4 X5 X6 X7

1 -1.3628 -0.8585 -0.2918 -0.2728 1.2493 0.2659 1.2707

2 -1.3453 -0.8557 -0.2709 -0.2590 1.2316 0.1679 1.3313

3 -1.3823 -0.8303 -0.2472 -0.2991 1.2563 0.2306 1.2719

Setelah menentukan nilai awal centroid maka nilai tersebut yang akan digunakan untuk mencari nilai centroid baru pada setiap hidden layer.

3. Kemudian hitung jarak data dengan nilai centroid menggunakan Euclidean Distance menggunakan persamaan 2.14

Centroid 1 Perulangan 1

= √ − + − + − + … + −

= √ − . − − . + − . − − . + … + . − .

= 0.1547698

= √ − . − − . + − . − − . + … + . − .

= 0.1198328

= √ − . − − . + − . − − . + … + . − .

= 0.2287881

= √ − . − − . + − . − − . + … + . − .

= 0.0721309

Centroid 2 Perulangan 1

= √ − + − + − + … + −

= √ − . − − . + − . − − . + … + . − .

= 0.1349197

= √ − . − − . + − . − − . + … + . − .

= 0.0478225

= √ − . − − . + − . − − . + … + . − .

= 0

= √ − . − − . + − . − − . + … + . − .

= 0.1548079

= √ − . − − . + − . − − . + … + . − .

= 0.13013393

Centroid 3 Perulangan 1

= √ − + − + − + … + −

= √ − . − − . + − . − − . + … + . − .

31

= √ − . − − . + − . − − . + … + . − .

= 0.12996589

= √ − . − − . + − . − − . + … + . − .

= 0.1106960

= √ − . − − . + − . − − . + … + . − .

= 0.1822947

= √ − . − − . + − . − − . + … + . − .

= 0

Hasil perhitungan jarak pada setiap hidden node dapat dilihat pada Tabel 3.3 Tabel 3.3. Nilai Euclidean Distance pada masing – masing node Gambar

ke E1 E2 E3 C1 C2 C3

1 0.0 0.1349197 0.0717835 1

2 0.1547698 0.0478225 0.1299660 1

3 0.2287881 0.0 0.1106960 1

4 0.1198328 0.1548079 0.1822947 1

5 0.0721309 0.1301339 0.0 1

4. Update nilai centroid terbaru menggunakan persamaan . Centroid1 = =

Centroid2 = . = . Centroid3 = =

5. Lakukan iterasi pada langkah 3 dan 4. Iterasi berhenti apabila nilai centroid terbaru tidak mengalami perubahan setelah dilakukan iterasi beberapa kali. Hal ini menandakan bahwa proses pencarian centroid menggunakan algoritma K-Means selesai.Tabel 3.4 menunjukkan nilai akhir centroid.

Centroid X1 X2 X3 X4 X5 X6 X7

1 -1.3513 -0.8528 -0.2933 -0.2524 1.3023 0.1991 1.2484

2 -1.3878 -0.8560 -0.2047 -0.3017 1.2910 0.2431 1.2162

3 -1.3565 -0.8198 -0.2774 -0.2934 1.2429 0.1846 1.3195

6. Setelah nilai centroid diperoleh, maka tahap selanjutnya adalah mencari nilai fungsi Gaussian (φ) dengan nilai spread (σ) = 1 menggunakan persamaan 2.12.

� = − − . − − . + . − . ……….+ . − . = 0.96

… …

� = − − . − − . + − . − − . ……….+ . − . = 0.99

� = − − . − − . + − . − − . ……….+ . − .

= 0.99

… …

� = − − . − − . + − . − − . ……….+ . − .

= 0.99

� = − − . − − . + − . − − . ……….+ . − .

= 0.99

… …

� = − − . − − . + − . − − . ……….+ . − . . = 0.99

33 � = . . . . . . . . . . . . ..

7. Setelah nilai gaussian diketahui pada hidden layer maka tahap selanjutnya adalah proses hidden layer menuju output layer. Pada tahap ini menghitung bobot baru (W) dengan mengalikan pseudoinvers dari matriks gaussian dengan target (d) dari data training dengan menggunakan persamaan berikut:

��_{= .} . . . . . . .. . . . . . ��_{� = .} . . . .. .. ._. . _. ._. . ��_� − ₌ . . . . .. − − .. . . − . − . − .. − .. = �� _{= .} . . . . . . .. . . . . . = ��_� − _�� − . . − . − . . − . − .− . . . − . . . − . − . . − . . − .. = �+ = ��� − ��

w2 = - 0.0073; 6.4442; - 17.7493; - 0.0074; 11.2829 w3 = - 33.3345; 58.0635; 6.9885; -100.001; 68.2785 bias = -0.0073; -79.3556; 13.2249; 98.9922; -97.817

8. Proses training Radial Basis Function selesai, hasil training di simpan ke dalam database untuk digunakan pada pengujian. Hasil training yang disimpan adalah centroid1, centroid2, centroid3, nilai output dan nilai standar deviasi yang digunakan dalam proses training jaringan Radial Basis Function.

9. Setelah data training disimpan ke dalam database pada SQLite Manager. maka proses pengujian dilakukan dengan menggunakan rumus pada persamaan 2.17. 3.5. Data

Data yang digunakan akan terbagi menjadi tiga bagian yaitu data masukan, data proses, dan data keluaran. Data masukan adalah data yang diberikan oleh pengguna untuk dilatih oleh sistem sebagai data training. Data proses adalah data yang dihasilkan ketika sistem sedang berjalan. Data keluaran adalah data yang dikeluarkan setelah data masukan diproses dan akan ditampilkan pada pengguna.

3.5.1. Data Masukan

Data masukan yang digunakan adalah citra daun yang didapatkan dari dataset situs Flavia. Pada penelitian ini diperoleh 30 data citra daun sebagai data training. Pada pengujian atau data testing digunakan 5 citra daun.

3.5.2. Data Proses

Data proses adalah data yang dihasilkan ketika sistem dijalankan. Tahapan yang utama dalam memperoleh data proses adalah pre-processing citra daun, feature extraction, klasifikasi, dan identifikasi. Tahapan pre-processing citra daun terdiri dari graysacling kemudian gaussian, lalu masuk ke tahap segmentasi gambar dengan menggunakan thresholding. Klasifikasi menggunakan metode Radial Basis Function.

35

3.5.3. Data Keluaran

Data keluaran yang dihasilkan adalah data yang telah diidentifikasi beserta nilai ekstraksi ciri dari masing-masing objek dan informasi yang dibutuhkan.

3.6. Perancangan Sistem

Pada tahap ini akan diuraikan mengenai perancangan menu sistem dan perancangan antarmuka.

3.6.1. Perancangan Menu Sistem

Struktur menu pada sistem akan ditunjukkan pada Gambar 3.10.

Gambar 3.10. Struktur menu aplikasi

3.6.2. Perancangan Tampilan Antarmuka Sistem

Perancangan antarmuka merupakan gambaran umum tentang tampilan yang terdapat pada sistem.

1. Rancangan Tampilan Awal

Pada tampilan awal aplikasi terdapat gambar daun pada bagian atas dan nama sistem pada bagian bawah. Rancangan tampilan awal dapat dilihat pada Gambar 3.11.

Gambar 3.11. Rancangan tampilan awal aplikasi Keterangan:

1. Logo yang akan digunakan adalah logo yang berhubungan dengan daun. 2. Nama aplikasi yang akan digunakan adalah Plant-syclopedia.

3. Tombol “Training Data” akan menghubungkan pengguna untuk masuk ke

halaman proses data latih daun.

4. Tombol “Testing Data” akan menghubungkan pengguna untuk masuk ke

halaman proses data uji daun.

5. Tombol “Keluar” akan memungkinkan pengguna untuk keluar dari sistem

2. Rancangan Tampilan Training Data

Pada tampilan training data terdapat tiga buah panel, yaitu panel Leaf Details, panel Tree Image dan panel Leaf Image Training, serta satu menu dropdown “File”. Rancangan tampilan training data dapat dilihat pada Gambar 3.12.

Gambar 3.12. Rancangan tampilan halaman data training

1 2 3

37

Keterangan :

1. Berisi tampilan input data informasi daun yang akan di training

 Tombol “Add” memungkinkan user untuk meng-input data informasi

mengenai daun yang akan di training

 Tombol “Edit” memungkinkan user untuk memperbaharui data

informasi yang telah di input

 Tombol “Delete” memungkinkan user untuk menghapus data informasi

yang telah di input

2. Berisi tampilan input gambar tanaman dari daun yang akan di training

 Tombol “Get Image” memungkinkan user untuk meng-input gambar

tanaman dari daun yang akan di training

 Tombol “Preview” memungkinkan user untuk menampilkan gambar

tanaman yang telah di input

 Tombol “Delete” memungkinkan user untuk menghapus gambar yang

telah di input

3. Berisi tampilan input data training setiap daun.

 Tombol “Get Images” memungkinkan user untuk memilih citra daun

yang akan di training.

 Tombol “Preview” memungkinkan user untuk menampilkan daftar file

citra daun yang telah dipilih untuk di training.

 Tombol “Delete” memungkinkan user untuk menghapus citra daun yang telah dipilih untuk di training.

4. Tombol “DoTraining” memungkinkan user untuk memproses data atau

gambar yang di-input untuk di training. Setelah data atau gambar diproses maka hasil gambar pre-processing seperti grayscaling, gaussian, dan thresholding akan disimpan ke dalam database.

3. Rancangan Tampilan Testing Data

Pada tampilan testing data terdapat dua buah panel, dimana panel bagian kiri menampilkan input citra yang akan diuji dan panel bagian kanan menampilkan hasil klasifikasi, pre-processing dan nilai ekstraksi fitur. Rancangan tampilan testing data dapat dilihat pada Gambar 3.13.

Gambar 3.13. Rancangan tampilan halaman data testing Keterangan :

1. Tombol “Browse” memungkinkan user untuk meng-input data ke dalam database.

2. Tombol “Reset” memungkinkan user untuk menghapus data yang telah dipilih untuk di-input ke dalam database.

3. Menampilkan preview gambar dari daftar data yang telah dipilih user untuk di-input ke dalam database.

4. Tombol “Proses” memungkinkan user untuk memproses data atau gambar

yang di-input untuk diuji.

5. Label untuk menampilkan hasil grayscaling. 6. Label untuk menghasilkan hasil gaussian. 7. Label untuk menghasilkan hasil thresholding. 8. Label untuk menghasilkan hasil ekstraksi fitur. 9. Menampilkan hasil klasifikasi

1 2

4

5 6 7

8 9

BAB 4

IMPLEMENTASI DAN PENGUJIAN

4.1. Implementasi Sistem

Pada tahap implementasi sistem, proses klasifikasi jenis tanaman yang dimulai dari tahap pra pengolahan, tahap ekstraksi fitur hingga tahap klasifikasi diimplementasikan ke dalam bahasa pemrograman Java.

4.1.3. Spesifikasi perangkat keras dan perangkat lunak

Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membuat program klasifikasi tanaman menggunakan citra daun adalah sebagai berikut.

1. Processor Intel® Core(TM)i5-2410M CPU @2.30GHz, 2. Memory (RAM) 4.00 GB,

3. Sistem Operasi Windows 7 Home Premium 64-bit, 4. Kapasitas Hardisk 600 GB,

5. Netbeans IDE 7.1.2, 6. SQLite Manager 0.8.3.1, 7. JDK 1.8.

Adapun implementasi perancangan sistem yang telah dibangun adalah sebagai berikut. Halaman Utama

Halaman utama adalah halaman yang pertama kali muncul ketika aplikasi dijalankan. Halaman utama dapat dilihat pada Gambar 4.1.

Gambar 4.1. Halaman utama

Halaman Training Data

Halaman Training Data terdiri dari tiga panel yaitu peng-input-an data informasi mengenai tanaman dari daun yang akan di training pada panel Leaf Details, peng-input-an gambar tpeng-input-anampeng-input-an dari daun ypeng-input-ang akpeng-input-an di training pada ppeng-input-anel Tree Image dpeng-input-an pemilihpeng-input-an file data training di panel Leaf Training Image. Pada halaman training data terdapat 10 tombol, yaitu tombol ”Add”, tombol “Edit” dan tombol “Delete” di panel Leaf Details, tombol “Get Image”, tombol “Preview” dan tombol “Delete” pada panel Tree Image,

41

Image dan tombol “Do RBF Training”. Halaman “Training Data” dapat dilihat pada Gambar 4.2.

Gambar 4.2. Halaman training data

Halaman Testing Data

Halaman Testing terdiri dari lima label yaitu label “Grayscaling”, “Gaussian”,

“Thresholding”, “Feature Extraction” dan “Result”. Halaman ini memiliki tiga tombol

yaitu tombol “Browse”, tombol “Reset” dan tombol “Classify”. Halaman pengujian citra dapat dilihat pada Gambar 4.3.

Gambar 4.3. Halaman testing data 4.2. Pengujian Kinerja Aplikasi

Rencana proses pengujian kinerja aplikasi yang akan diuji dapat dilihat pada tabel 4.1. Tabel 4.1.Rencana pengujian kinerja aplikasi

NO Halaman Aplikasi yang Diuji Butir Uji

1 Halaman Utama Tombol “Training Data”

Tombol “Testing Data”

2 Halaman Training Data Tombol “Add”

Tombol “Edit” Tombol “Delete” Tombol “Get Image” Tombol “Preview” Tombol “Delete” Tombol “Get Images” Tombol “Preview” Tombol “Delete”

Tombol “Do RBF Training” Mencoba file menu dropdown

43

“File”

3 Halaman Testing Data Tombol “Browse”

Tombol “Reset” Tombol “Classify”

Mencoba file menu dropdown “File”

Pada Tabel 4.2. akan ditampilkan hasil dari pengujian tools klasifikasi tanaman menggunakan metode Radial Basis Function (RBF).

Tabel 4.2.Hasil pengujian kinerja aplikasi No Halaman

Yang di Uji

Skenario Uji Hasil yang diharapkan Hasil Pengujian 1 Halaman

Utama

Tombol “Training Data” Aplikasi akan menampilkan

Halaman data latih

Berhasil

Tombol “Testing Data” Aplikasi akan menampilkan

halaman uji data

Berhasil 2 Halaman

Training Data

Tombol “Add” Aplikasi akan menampilkan

jendela baru untuk meng-input informasi mengenai tanaman dari daun yang akan di training

Berhasil

Tombol “Edit” Aplikasi akan menampilkan

jendela baru untuk memperbaharui informasi mengenai tanaman yang telah di input

Berhasil

Tombol “Delete” Aplikasi akan menghapus data

informasi mengenai tanaman yang telah di input

Berhasil

gambar tanaman dari daun yang akan di training

Tombol “Preview” Aplikasi akan menampilkan

jendela baru untuk melihat gambar tanaman yang telah di input

Berhasil

Tombol “Delete” Aplikasi akan menghapus

gambar tanaman yang telah di input

Tombol “Get Images Aplikasi akan menampilkan

jendela baru untuk memilih file citra yang akan diproses

Berhasil

Tombol “Preview” Aplikasi akan menampilkan

jendela baru untuk melihat daftar file daun yang telah di input

Berhasil

Tombol “Delete” Aplikasi akan menghapus

daftar file daun yang telah di input

Berhasil

Tombol “Do RBF Training”

Aplikasi akan melakukan proses training pada citra yang telah dipilih

Berhasil

Mencoba menu dropdown “File”

Aplikasi akan menampilkan setiap halaman pada menu dropdown yang terpilih

Berhasil

3 Halaman Data Uji

Tombol “Browse” Aplikasi akan menampilkan

halaman baru untuk memilih file citra yang akan diuji

45

Tombol “Reset” Aplikasi akan menghapus

daftar citra yang telah dipilih

Berhasil

Tombol “Classify” Aplikasi akan menampilkan

hasil proses pada citra yang dilatih dan hasil dari klasifikasi

Berhasil

Mencoba menu dropdown “File”

Aplikasi akan menampilkan setiap halaman pada menu dropdown yang terpilih

Berhasil

4.3. Pelatihan Citra

Pada proses pelatihan, data yang akan digunakan sebanyak 30 citra daun untuk setiap jenis tanaman. Data citra yang digunakan pada sistem adalah data citra daun jenis Horse Chestnut, Pubescent Bamboo, True Indigo, Ginkgo dan Japanese Cheesewood. Data citra diperoleh dari dataset pada situs flavia.

Proses pelatihan dimulai dengan peng-input-an informasi mengenai jenis tanaman dari citra daun yang akan dilatih beserta gambar pohon dari tanaman tersebut yang akan ditampilkan pada output sistem dan pemilihan citra daun yang dilanjutkan dengan proses pre-processing, yaitu proses pembetukan citra keabuan (grayscaling), penghalusan citra (gaussian) dan segmentasi citra (thresholding). Nilai thresholding akan digunakan sebagai nilai input awal proses ekstrasi fitur menggunakan invariant moment dimana akan menghasilkan 7 nilai deskriptor bentuk yang bebas dari translasi, rotasi dan skala objek. Setelah nilai invariant moment didapatkan, akan dilakukan proses klasifikasi menggunakan jaringan saraf tiruan Radial Basis Function yang diawali dengan penentuan nilai awal centroid secara acak dan dilanjutkan dengan penghitungan jarak data menggunakan metode Euclidean Distance lalu nilai centroid akan diperbaharui dengan mencari nilai mean dari setiap kelompok. Tahap selanjutnya yaitu pengelompokan data sesuai cluster yaitu data yang memiliki jarak terpendek d( , < d( , maka masuk kedalam kelompok 1. Proses ini akan dilakukan secara berulang hingga nilai centroid tidak mengalami perubahan.

pencarian nilai deviasi ataupuun menghitung pseudoinverse dari matriks gaussian dengan vektor target. Proses training selesai dengan mendapatkan output berupa nilai weight yang akan digunakan dalam proses pengujian untuk pencarian output dari proses klasifikasi. Informasi mengenai jenis tanaman dari citra daun yang dilatih, gambar pohon dari jenis tanaman tersebut, nilai invariant moment setiap objek latih, nilai centroid dan nilai weight disimpan ke dalam database pada SQLite Manager.

Rangkuman data citra daun beserta hasil ekstraksi fitur dalam 7 nilai moment (� , � , � , � , � , � , � dapat dilihat pada Tabel 4.3.

Tabel 4.3. Rangkuman hasil latih citra daun

No. File Citra Jenis Nilai Hasil Ekstraksi Fitur 1.

1060.jpg

Horse Chestnut

-1.3580845822631888; -0.799240845748486; -0.29764686688967845; -0.29489032981723; 1.3387961253614247; 0.1795403904920234; 1.2315261088651401

2.

1061.jpg

Horse Chestnut

-1.3172150100441091; -0.791070302267817; -0.34129088525443907; -0.3358910464021532; 1.2768676067972053; 0.18794179893343024; 1.3206578382378815

3.

1062.jpg

Horse Chestnut

-1.3529614027002168; -0.8522772901208556; -0.2981719453180973; -0.24725089545909204 1.2794657119965696; 0.19994958011009106; 1.2712462414916001

4.

1064.jpg

Horse Chestnut

-1.36657897809484; -0.8768533795868363; -0.30029091019677195; -0.2539499448185632; 1.247681992401919; 0.30013873883983794 1.2498524814552552

47

Tabel 4.3. Rangkuman hasil latih citra daun (lanjutan) No. File Citra Jenis Nilai Hasil Ekstraksi Fitur

5.

1065.jpg

Horse Chestnut

-1.3566640933915226; -0.9038808282953965; -0.23866185432196882; -0.2798459373586465; 1.1881026083834598; 0.280674202523992; 1.3102759024600834

6

1066.jpg

Horse Chestnut

-1.3714872788901638; -0.8937727961663164; -0.21868984895168364; -0.2613033132388273; 1.2455006482826956; 0.2359758263921543; 1.2637767625721423 … … … … 31. 1001.jpg Pubescent Bamboo

-1.3628152553385342; -0.8584728020058339; -0.29177571340505865; -0.27285373278942276; 1.2492656092595893; 0.26590047155747354; 1.2707514227217864

32.

1002.jpg

Pubescent Bamboo

-1.3425639147099835; -0.8677411622039964; -0.23320369782397085; -0.26837266608943977; 1.2229634202221467; 0.1469384690198267; 1.3419795515854158

33.

1003.jpeg

Pubescent Bamboo

-1.3452857223312589; -0.8557028716953573; -0.2709224624382274; -0.2589622749888042; 1.2316226827937256; 0.1679261780277685; 1.331324470632154

34.

1004.jpg

Pubescent Bamboo

-1.3930792523736657; -0.8723541588650319; -0.10718099149975324; -0.3158381378954341; 1.1795172938492589; 0.18115135472168728; 1.3277838920629383

No. File Citra Jenis Nilai Hasil Ekstraksi Fitur 35.

1004.jpg

Pubescent Bamboo

-1.3606935937972118; -0.8729153207586015; -0.27891867310731794; -0.2390443010928312; 1.294083668992494; 0.2213953714564237; 1.2360928483070464

36

1009.jpg

Pubescent Bamboo

-1.3481687797024982; -0.8270728946855184; -0.29582994857989203; -0.28664835413060613; 1.2697745475444875; 0.19198062758179837; 1.2959648019722287

… … … …

61.

1196.jpg

True Indigo -1.364836253924025; -0.8764307843431053; -0.20069437220753306; -0.294767292939068; 1.3355437465140083; 0.2124386340348825; 1.188746322864841

62.

1197.jpg

True Indigo -1.359563280566595; -0.8163171920628419; -0.29580138731272687; -0.28795715433553004; 1.2949724736940535; 0.2007232631293489; 1.2639432774542911

63.

1199.jpg

True Indigo -1.3552526584810651; -0.8300304946979099; -0.27517775843493436; -0.2805101745689849; 1.2669738126509866; 0.17647467222722538; 1.2975226013046817

64.

1204.jpg

True Indigo -1.3572919656081162; -0.8349771959848677; -0.27912009548566097; -0.2750301708925436; 1.2862421720114023; 0.18854257952045492; 1.271634676439331

65.

1205.jpg

True Indigo -1.3593017285330693; -0.8165808753800381; -0.2977980139724294; -0.2883424697742961; 1.2993603204847841; 0.2042445690689343; 1.2584181981061147

49

Tabel 4.3. Rangkuman hasil latih citra daun (lanjutan) No. File Citra Jenis Nilai Hasil Ekstraksi Fitur

66.

1206.jpg

True Indigo -1.3538616939282722; -0.8459540046758345; -0.25697826120849354; -0.2725918152586985; 1.2584605416999033; 0.16733289773638263; 1.3035923356350116

… … … …

91.

2424.jpg

Ginkgo -1.375339870299119 ; -0.8593632915539601; -0.28743443302879684; -0.25319759702093314; 1.2720037790173866; 0.26421770124172966; 1.239113711643693

92.

2426.jpg

Ginkgo -1.3647934751759756; -0.8445027704220535; -0.32079217935195725; -0.23851338847320122; 1.2628229506865165; 0.23522603419825233; 1.2705528285384182

93.

2427.jpg

Ginkgo -1.3803554104653062; -0.8420332018983113; -0.25123150263237964; -0.26631742304329653; 1.2943267451852318; 0.20735424235963484; 1.2382565504944258

94.

2428.jpg

Ginkgo -1.379127960013743; -0.8035880985506731; -0.24624611465954654; -0.30829318712191156; 1.2527991701779235; 0.18309503913804306; 1.3013611510299063

95.

2429.jpg

Ginkgo -1.419005395625347; -0.8597349281830761; -0.13102788217860636; -0.3246060969594016; 1.2328379882416862; 0.2621236245289681; 1.2394126901757765

96,

2432.jpg

Ginkgo -1.3646200436758247; -0.8528427738444092; -0.3289515080080708; -0.23557866281047354; 1.3193871711974015; 0.2641977047787421; 1.1984081123626344

No. File Citra Jenis Nilai Hasil Ekstraksi Fitur … … … … 121. 2051.jpg Japanese Cheesewood

-1.3652807479693576; -0.7850981247774292; -0.3148743651096864; -0.31312466994276766;

1.330204638198468; 0.2218968300017479;

1.226276439599024

122.

2053.jpg

Japanese Cheesewood

-1.3666785791860632; -0. 7863323702224809; -0.3058282829063384; -0.31249881991416995; 1.3154159655791526; 0.21196158113383837; 1.2439605055160625

123.

2054.jpg

Japanese Cheesewood

-1.3674032348097271; -0.7894702374980349; -0.3066253725157074; -0.303551247744509; 1.3009962167115554; 0.20694019645659584; 1.2591136793998279;

124.

2055.jpg

Japanese Cheesewood

-1.3804603637615247; -0.8077533839399386; -0.324312619784485; -0.3163601320537431; 1.2645961847226888; 0.32722997774193685; 1.2370603370750641

125.

2056.jpg

Japanese Cheesewood

-1.360055424072074; -0.798011555483241; -0.3097017696770585; -0.3057114250104119;

1.336243952592097; 0.2157860016710908;

1.2214502199795962 …. …. .... …. 150. 2113.jpg Japanese Cheesewood

-1.3615804046907662; -0.8155876379069296; -0.31096592896375747; -0.28899409955046224; 1.2806467483728246; 0.22818588582523402; 1.2682954369138577

51

4.4. Prosedur Operasional

4.4.1. Prosedur operasional pada halaman pelatihan citra

Hal pertama yang dilakukan pengguna sebelum menjalankan proses training data adalah peng-input-an data informasi mengenai tanaman dari citra daun yang akan dilatih. User harus meng-klik tombol “Add” untuk mengisi informasi mengenai tanaman dari daun yang akan dilatih ditunjukkan pada gambar 4.4.

Gambar 4.4. Tombol “Add” pada halaman training data

Kotak dialog untuk meng-input data akan muncul ketika tombol “Add” telah di klik seperti yang ditunjukkan pada gambar 4.5.

'

“Delete” akan aktif untuk memungkinkan user memperbaharui maupun menghapus informasi tanaman yang telah di input. Setelah itu, user harus memasukkan gambar tanaman dari citra daun yang akan dilatih dengan meng-klik tombol “Get Image”. Ketika gambar telah di input, maka tombol “Get Image” akan terkunci dan tombol “Preview” serta “Delete” menjadi aktif sehingga memungkinkan user untuk melihat dan menghapus gambar tanaman yang telah di input. Selanjutnya, user harus memilih file citra daun citra daun yang akan dilatih dengan meng-klik tombol “Get Images”. Kotak dialog untuk memilih file citra akan ditampilkan ketika user meng-klik tombol “Get Images” dan tombol “Preview” serta “Delete” akan aktif ketika file telah dipilih yang memungkinkan user untuk melihat dan menghapus daftar citra daun yang telah di input. Tampilan halaman training data dengan data yang telah di input ditunjukkan pada Gambar 4.6.

Gambar 4.6. Halaman data training setelah pengisian data

Kotak dialog untuk memilih gambar tanaman dan citra daun ditunjukkan pada Gambar 4.7.

53

Gambar 4.7. Kotak dialog yang muncul setelah tombol “Browse” di klik

Jendela baru setelah tombol “Preview” di klik pada panel Tree Image dapat dilihat pada Gambar 4.8.

Gambar 4.8. Jendela baru yang muncul setelah tombol “Preview” pada panel tree image di klik

Jendela baru setelah tombol “Preview” di klik pada panel Tree Image dan Leaf Image Training dapat dilihat pada Gambar 4.9.

Gambar 4.9. Jendela baru yang muncul setelah tombol “Preview” pada panel leaf image training di klik

4.4.2. Prosedur operasional pada halaman pengujian citra

Hal pertama yang dilakukan pengguna sebelum menjalankan proses testing data adalah peng-input-an data citra yang akan diuji. Oleh karena itu, user harus memilih file citra dengan meng-klik tombol “Browse”. Kotak dialog untk memilih file citra akan ditampilkan ketika user meng-klik tombol “Browse” yang ditunjukkan pada Gambar 4.10. User dapat menghapus citra yang telah dipilih dengan meng-klik tombol “Reset”.

55

Tombol “Classify” memiliki fungsi untuk memproses citra daun yang dipilih dimulai dari proses grayscaling, Gaussian, thresholding, ekstraksi fitur, hingga identifikasi menggunakan radial basis function (RBF). Tampilan halaman pengujian citra setelah tombol “Classify” diklik dapat dilihat pada Gambar 4.11.

Gambar 4.11. Tampilan halaman pengujian setelah tombol ”Classify” di klik Hasil dari proses grayscaling, Gaussian dan thresholding akan ditampilkan ketika user meng-klik label masing-masing proses pada panel bagian kanan yang ditunjukkan pada gambar 4.12.

bawah bagian “Ekstraksi Fitur”. Hasil pengujian citra ditampilkan pada panel kanan bawah bagian “Result”. Jendela baru berisikan output dan informasi mengenai output tersebut akan ditampilkan ketika panel Result di klik yang ditunjukkan pada Gambar 4.13.

Gambar 4.13. Tampilan jendela baru setelah panel “Result” diklik 4.5. Pengujian Citra

Pada proses pengujian aplikasi, data yang akan digunakan sebagai input berjumlah 25 citra daun yang terdiri atas 5 citra daun tanaman Horse Chestnut, 5 citra daun tanaman Pubescent Bamboo, 5 citra daun tanaman True Indigo, 5 citra daun tanaman Ginkgo dan 5 citra daun tanaman Japanese Cheesewood.

Proses pengujian dimulai dengan pemilihan citra daun dan dilanjutkan dengan proses pre-processing, yaitu proses pembetukan citra keabuan (grayscaling), penghalusan citra (gaussian) dan segmentasi citra (thresholding) saat tombol “Classify” di klik. Nilai thresholding akan digunakan sebagai nilai input awal proses ekstrasi fitur menggunakan invariant moment dimana akan menghasilkan 7 nilai deskriptor bentuk yang bebas dari translasi, rotasi dan skala objek. Setelah nilai invariant moment didapatkan, akan dilakukan proses klasifikasi menggunakan jaringan saraf tiruan Radial Basis Function yang diawali dengan penentuan nilai awal centroid secara acak dan dilanjutkan dengan penghitungan jarak data menggunakan metode Euclidean Distance lalu nilai centroid

57

akan diperbaharui dengan mencari nilai mean dari setiap kelompok. Tahap selanjutnya yaitu pengelompokan data sesuai cluster yaitu data yang memiliki jarak terpendek d( , < d( , maka masuk kedalam kelompok 1. Proses ini akan dilakukan secara berulang hingga nilai centroid tidak mengalami perubahan.

Setelah proses pencarian nilai centroid terbaik selesai, proses dilanjutkan dengan melakukan pencarian nilai matriks gaussian. Kemudian dilakukan proses penghitungan nilai output jaringan sesuai dengan vektor target yang telah ditentukan. Tabel target ouput dapat dilihat pada tabel 4.4.

Tabel 4.4. Target output

Target Output

1 0 0 0 0 Horse Chestnut 0 1 0 0 0 Pubescent Bamboo 0 0 1 0 0 True Indigo

0 0 0 1 0 Ginkgo

0 0 0 0 1 Japanese Cheesewood

Waktu yang dibutuhkan sistem untuk melakukan proses identifikasi sebuah citra pada penelitian ini selama kurang dari 10 detik setelah tombol “Classify” di klik. Hasil pengujian citra daun dapat dilihat pada tabel 4.5.

Tabel 4.5. Hasil pengujian

No Nama Daun Hasil Aplikasi Manual Status

1 1062.jpg Pubescent

Bamboo

Horse Chestnut Gagal 2 1075.jpg Horse Chestnut Horse Chestnut Berhasil 3 1087.jpg Horse Chestnut Horse Chestnut Berhasil 4 1097.jpg Horse Chestnut Horse Chestnut Berhasil

5 1099.jpg Pubescent

Bamboo

Horse Chestnut Gagal 6 1006.jpg Pubescent

Bamboo

Pubescent Bamboo

Berhasil 7 1014.jpg Pubescent

Bamboo

Pubescent Bamboo

No Nama Daun Hasil Aplikasi Manual Status 8 1018.jpg Pubescent Bamboo Pubescent

Bamboo

Berhasil 9 1024.jpg Pubescent Bamboo Pubescent

Bamboo

Berhasil 10 1031.jpg Pubescent Bamboo Pubescent

Bamboo

Berhasil 11 1200.jpg True Indigo True Indigo Berhasil

12 1213.jpg Japanese

Cheesewood

True Indigo Gagal 13 1219.jpg True Indigo True Indigo Berhasil 14 1223.jpg True Indigo True Indigo Berhasil 15 1233.jpg True Indigo True Indigo Berhasil

16 2430.jpg Ginkgo Ginkgo Berhasil

17 2443.jpg Ginkgo Ginkgo Berhasil

18 2454.jpg Ginkgo Ginkgo Berhasil

19 2458.jpg Ginkgo Ginkgo Berhasil

20 2470.jpg Ginkgo Ginkgo Berhasil

21 2068.jpg Japanese

Cheesewood

Japanese Cheesewood

Berhasil

22 2084.jpg Japanese

Cheesewood

Japanese Cheesewood

Berhasil

23 2095.jpg Japanese

Cheesewood

Japanese Cheesewood

Berhasil

24 2105.jpg Japanese

Cheesewood

Japanese Cheesewood

Berhasil

25 2109.jpg Japanese

Cheesewood

Japanese Cheesewood

Berhasil

Pada penelitian ini, hasil uji data pada tools klasifikasi tanaman menggunakan metode Radial Basis Function (RBF) menggunakan citra daun didapatkan persentase akurasi dalam proses pengklasifikasian tanaman sebesar 88% . Hasil dari nilai persentase akurasi klasifikasi citra dapat dilihat pada persamaan 4.1.

59

� = ℎ _ℎ � ℎ %

= % = %

Dari hasil pengujian, error terjadi karena beberapa faktor seperti, bentuk daun yang mirip dan citra tulang daun yang kurang jelas. Jumlah data training dan hidden layer juga menjadi salah satu faktor yang mempengaruhi akurasi sistem.

BAB 5

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Adapun kesimpulan yang dapat diambil terhadap hasil pengujian tools klasifikasi tanaman menggunakan jaringan saraf tiruan radial basis function adalah sebagai berikut:

1. Klasifikasi jenis tanaman dapat dilakukan dengan mengunakan jaringan saraf tiruan radial basis function sebagai metode klasifikasi tanaman berdasarkan citra daun sesuai dengan target yang telah ditentukan,

2. Proses klasifikasi jenis tanaman menggunakan citra daun memiliki tingkat akurasi sebesar 88% untuk citra yang digunakan pada penelitian ini,

3. Waktu yang dibutuhkan sistem untuk melakukan proses identifikasi sebuah citra pada penelitian ini selama kurang dari 10 detik setelah tombol “Classify” di klik.

5.2. Saran

Berikut adalah hal-hal yang menjadi saran dari penelitian ini untuk penelitian selanjutnya adalah sebagai berikut:

1. Untuk penelitian selanjutnya diharapkan dapat melakukan identifikasi jenis tanaman dengan menggunakan metode ekstraksi fitur maupun metode klasifikasi yang lain untuk dapat meningkatkan akurasi,

2. Penelitian ini hanya mengklasifikasi 5 jenis tanaman, Diharapkan pada penelitian selanjutnya dapat melakukan proses klasifikasi menggunakan jenis tanaman yang lebih beragam.

BAB 2

LANDASAN TEORI

2.1. Klasifikasi

Klasifikasi adalah sebuah proses untuk menemukan sebuah model yang menjelaskan dan membedakan konsep atau kelas data dengan tujuan memperkirakan kelas dari suatu objek yang kelasnya tidak diketahui (Tan et al., 2004). Dalam klasifikasi, diberikan sejumlah record yang dinamakan data latih, yang terdiri dari beberapa atribut yang dapat berupa kontinu ataupun kategoris, salah satu atribut menunjukkan kelas untuk record, dimana pemetaannya dapat dilihat pada Gambar 2.1.

Gambar 2.1. Pemetaan atribut (x) ke dalam label kelas (y)

2.1.1. Tujuan Klasifikasi

Tujuan dari klasifikasi adalah untuk :

1. Menemukan model dari data latih yang membedakan record kedalam kategori atau kelas yang sesuai, model tersebut kemudian digunakan untuk mengklasifikasikan record yang kelasnya belum diketahui sebelumnya pada testing set.

2. Mengambil keputusan dengan memprediksi suatu kasus, berdasarkan hasil klasifikasi yang diperoleh.

Untuk mendapatkan model, harus dilakukan analisis terhadap data latih, Sedangkan data uji digunakan untuk mengetahui tingkat akurasi dari model yang telah dihasilkan. Klasifikasi dapat digunakan untuk memprediksi nama atau nilai kelas dari suatu objek data. Proses klasifikasi data dapat dibedakan dalam dua tahap, yaitu :

1. Pembangunan Model

Tiap-tiap record yang digunakan dalam pembangunan model dianalisis berdasarkan nilai-nilai atributnya dengan menggunakan suatu algoritma klasifikasi untuk mendapatkan model.

2. Klasifikasi

Pada tahap ini, data diuji untuk mengetahui tingkat akurasi dari model yang dihasilkan. Jika tingkat akurasi yang diperoleh sesuai dengan nilai yang ditentukan, maka model tersebut dapat digunakan untuk mengklasifikasikan record data baru yang belum pernah dilatihkan atau diujikan sebelumnya. Pembuatan model menguraikan sebuah set dari penentuan kelas-kelas sebagai :

1. Setiap record diasumsikan sudah mempunyai kelas yang dikenal seperti ditentukan oleh label kelas atribut.

2. Kumpulan record yang digunakan untuk membuat model disebut data pelatihan.

3. Model direpresentasikan sebagai pola dalam penentuan klasifikasi. Penggunaan model menguraikan pengklasifikasian data yang akan diuji ataupun objek yang belum diketahui. Adapun parameter keberhasilan dari model yang terdiri dari:

1. Label yang telah diketahui dari data latih dibandingkan dengan hasil klasifikasi dari model.

2. Nilai akurasi adalah persentase dari kumpulan data uji yang diklasifikasikan secara tepat oleh model.

3. Data uji tidak sama dengan data latih.

4. Jika sesuai, gunakan model untuk mengklasifikasi data record yang label kelasnya belum diketahui.

8

2.2.Citra

Citra adalah suatu komponen multimedia yang berperan penting untuk memberikan informasi yang bersifat visual dan memiliki karektiristik yang tidak dimiliki oleh teks maupun audio (Hermawati, 2013). Citra didefinisikan sebagai fungsi dua dimensi f(x,y), dimana x dan y merupakan koordinat spasial dengan nilai f pada koordinat tersebut yang diberi nama intensitas (intensity) atau gray level (Gonzales et al., 2002). 2.2.1. Citra Warna

Citra warna atau citra RGB merupakan jenis citra yang menyediakan warna dalam bentuk red (R), green (G), dan blue (B). Setiap komponen warna menggunakan 8 bit, nilainya berada diantara 0 sampai 255. Warna yang disediakan yaitu 255 x 255 x 255. Warna ini disebut juga dengan true color karena memiliki jumlah warna yang cukup besar.

2.2.2. Citra Keabuan

Citra keabuan menggunakan warna hitam sebagai warna minimum, warna putih sebagai warna maksimum, dan warna abu-abu yaitu warna diantara warna dimana komponen merah, hijau, dan biru memiliki intensitas yang sama. Jumlah bit yang dibutuhkan untuk tiap piksel menentukan jumlah tingkat keabuan yang tersedia. Misalnya untuk citra keabuan 8 bit yang tersedia adalah atau 256.

2.3. Pengolahan Citra

Pengolahan citra atau image processing adalah ilmu yang mempelajari tentang manipulasi dan modifikasi citra, seperti perbaikan kualitas citra, pemilihan ciri citra atau feature images yang bertujuan untuk analisis, dan transformasi citra dengan menggunakan komputer untuk mendapatkan hasil yang lebih baik (Kadir et al., 2013).

2.3.1. Grayscaling

Grayscaling merupakan proses mengubah citra warna (RGB) menjadi citra keabuan. Grayscaling digunakan untuk menyederhanakan model citra RGB yang memiliki 3 layer matriks, yaitu layer matriks red, green, dan blue menjadi 1 layer matriks keabuan. Grayscaling dilakukan dengan cara nilai rata-rata dari total nilai red, green,

& Susanto, 2012).

I = a x R + b x G + c x B, a+b+c = 1 Dimana:

I = nilai intensitas keabuan sebuah piksel citra hasil grayscaling R = nilai komponen merah pada sebuah piksel

G = nilai komponen hijau sebuah piksel B = nilai komponen biru sebuah piksel 2.3.2. Gaussian

Gaussian filtering didapat dari hasil operasi konvolusi. Operasi perkalian yang dilakukan ialah perkalian antara matriks kernel dengan matriks gambar asli. Perhitungan matriks kernel gauss didapat dari fungsi komputasi dari distribusi Gaussian berdasarkan teori gaussian function (Weisstein, 2002), seperti pada persamaan 2.2.

� , =

_�� − − + −�

Dimana:

� = konstanta

G (i, j) = elemen matriks kernel gauss pada posisi (i, j) (u, v) = indeks tengah dari matriks kernel gauss

Contoh matriks kernel gauss 5 x 5 dengan � = 1.0 ditunjukkan pada Tabel 2.1. Tabel 2.1. Contoh matriks kernel gaussian 5 x 5 dengan � = 1.0

1 4 7 4 1

4 16 26 16 4 7 26 41 26 7 4 16 26 16 4

1 4 7 4 1

(2.2)

10

Perkalian antara bobot matriks gambar asli dengan bobot matriks kernel gauss ditunjukkan pada persamaan 2.3.

� , = . ∑ (∑ − � , . �

= + − − , + − − )

− = Dimana:

Piksel A = gambar A (Gambar Asli)

Piksel B(i,j) = bobot hasil perkalian pada posisi (i,j) N = jumlah kolom matriks kernel

M = jumlah baris matriks kernel K = jumlah semua bobot di G

G(p,q) = elemen matriks kernel gauss pada posisi (p,q) 2.3.3. Thresholding

Cara untuk mengubah citra keabuan menjadi citra biner adalah thresholding. Proses thresholding menggunakan nilai batas (threshold) untuk mengubah nilai piksel pada citra keabuan menjadi hitam atau putih. Jika nilai piksel pada citra keabuan lebih besar dari threshold, maka nilai piksel akan diganti dengan 1 (putih), sebaliknya jika nilai piksel citra keabuan lebih kecil dari threshold maka nilai piksel akan diganti dengan 0 (hitam).

Thresholding sering disebut dengan proses binerisasi. Thresholding dapat digunakan dalam proses segmentasi citra untuk mengidentifikasi dan memisahkan objek yang diinginkan dari background berdasarkan distribusi tingkat keabuan atau tekstur citra (Liao et.al., 2001). Proses thresholding ditunjukkan pada persamaan 2.4.

, { ,_, > �_{≤ �}}

Dimana:

g (x,y) = piksel citra hasil binerisasi f (x,y) = piksel citra asal

T = nilai threshold

(2.3)

Invariant moment sering digunakan sebagai fitur dalam pemrosesan citra, pengenalan bentuk maupun klasifikasi. Moment dapat memberikan karakteristik suatu objek yang merepresentasikan bentuknya secara unik. Pengenalan bentuk invariant dilakukan dengan mengklasifikasi ruang fitur invariant moment multi-dimensi. Beberapa teknik telah dikembangkan untuk penurunan fitur invariant dari moment objek untuk representasi dan pengenalan objek. Teknik ini dibedakan oleh definisi momentnya, seperti jenis data yang dieksploitasi dan metode untuk menurunkan nilai invariant dari moment citra. (Hu, 1962) melakukan penghimpunan dasar matematika untuk moment invariant dua dimensi dan menunjukkan aplikasinya dalam pengenalan bentuk untuk pertama kali. Nilai moment invariant ini adalah invariant terhadap translasi, skala dan rotasi bentuk salah satu metode untuk ektraksi ciri bentuk yang ada pada pengolahan citra.

2.4.1. Konsep Invariant Moment

Invariant moment terdiri dari 7 nilai descriptor bentuk yang dihitung dari moment pusat melalui tiga derajat yang bebas terhadap translasi, skala dan arah objek. Invariant translasi dicapai dengan menghitung moment yang dinormalisasi dengan pusat grafitasi sehingga pusat dari masa distribusi berada pada moment pusat. Moment invariant ukuran diturunkan dari invariant aljabar tapi moment ini dapat diperlihatkan dari hasil penyederhanaan momen ukuran. Dari nilai order dua dan tiga moment pusat yang ternormalisasi, 7 moment invariant dapat dihitung yang juga bebas rotasi.

Secara tradisional, moment invariant dihitung berdasarkan informasi yang diberikan oleh boundary bentuk dan daerah interiornya (Prokop & Reeves, 1992). Moment digunakan untuk membentuk moment invariant yang didefinisikan secara kontinu namun untuk implementasi praktis, moment dihitung secara diskrit. Perhitungan invariant moment diambil dan diringkas dari (Hu, 1962) sebagai berikut. Diberikan sebuah fungsi f(x,y) moment didefinisikan oleh :

= ∑ ∑ �−

= �−

=

12

Mpq merupakan moment dua dimensi dari fungsi f(x,y). Order moment adalah (p + q) dimana p dan q adalah bilangan asli. Untuk implementasi di dalam bentuk digital dinyatakan pada persamaan 2.6.

= ∑ ∑ �− = �− = ,

Dimana m merupakan moment yang akan dicari, p dan q merupakan integer yaitu

0,1,2,…, H merupakan tinggi citra, W merupakan lebar citra, x merupakan baris, y

merupakan kolom, dan f(x,y) merupakan nilai intensitas citra. Selanjutnya moment pusat untuk suatu citra dinyatakan pada persamaan 2.7.

� = ∑ ∑�− − ̅ − ̅ −

�−

= ,

Dimana nilai moment pusat ̅merupakan hasil pembagian dari nilai moment pusat m10 dan m00 sedangkan nilai moment pusat ̅ diperoleh dari hasil pembagian dari nilai moment pusat m01 dan m00 yang dinyatakan pada persamaan 2.8.

̅ = dan ̅ =

Setelah mendapatkan nilai � , � , � , � , � , � , dan � untuk setiap objek, maka masuk ke tahap menormalisasikan nilai moment pusat dengan menggunakan persamaan 2.9.

� = �

� �

Dimana �00 merupakan nilai moment dimensi m00 dan ɣ diperoleh dari hasil penjumlahan p dan q dibagi dengan 2 dan ditambah 1 yang dinotasikan pada persamaan berikut:

� = + + 1

Maka akan didapatkan nilai normalisasi moment pusat dari setiap objek � , � ,

� , � , � , � , dan � . Setelah itu masuk ke dalam persamaan 2.10 untuk mendapatkan tujuh nilai invariant moment untuk setiap objek.

� = � + � � = � −� + � (2.6) (2.8) (2.9) (2.10) (2.11) (2.7)

� = � + � + � + �

� = � − � � + � [ � + � − � + � ]

+ � − � � + � [ � + � − � + � ] � = � − � [ � + � − � + � ] + � � + � � + � � = � − � � + � [ � + � − � + � ]

− � − � � + � [ � + � − � + � ]

2.5. Jaringan Saraf Tiruan

Jaringan saraf tiruan merupakan suatu artificial intelligent yang mengolah informasi dengan cara meniru kinerja jaringan saraf biologis yaitu otak manusia yang terjadi pada jaringan sel syaraf (neuron). Konsep dari jaringan saraf tiruan ini adalah menerima rangsangan lalu mengolah rangsangan tersebut dan keputusan diambil berdasarkan pola yang telah dipelajari.

Tujuan melatih jaringan saraf tiruan adalah untuk mencapai keseimbangan antara kemampuan memorisasi dan generalisasi. Kemampuan memorisasi merupakan kemampuan untuk memanggil kembali sebuah pola yang telah dipelajari secara sempurna sedangkan kemampuan generalisasi merupakan kemampuan untuk menghasilkan respon yang dapat diterima terhadap pola-pola input yang serupa (tidak identik) dengan pola – pola yang sebelumnya telah dipelajari (Bishop, 1995)

Komponen utama pada jaringan saraf tiruan yaitu : 1. Neuron

Neuron merupakan elemen pengolahan jaringan saraf tiruan. Pada setiap neuron menerima input, memproses input (melakukan sejumlah perkalian dengan melibatkan summation function dan fungsi aktivasi) dan mengirimkan hasilnya berupa output (Puspitaninggrum, 2006).

2. Bobot

Bobot atau weight merupakan nilai yang mempresentasikan koneksi, yang mentransfer data dari satu lapisan ke lapisan yang lain. Pada setiap penghubung dilakukan operasi perkalian bobot dengan sinyal yang melewati penghubung tersebut (Purnamasari, 2013).

14

3. Summation Function

Summation function merupakan suatu fungsi yang digunakn untuk merata - rata bobot dari semua elemen input dengan mengalikan setiap nilai input dengan bobot dan menjumlahkan bobotnya

4. Fungsi Aktivasi

Fungsi aktivasi merupakan fungsi yang menentukan output dari suatu neuron berdasarkan sinyal masukan yang diterima.

5. Layer

Layer merupakan lapisan pada jaringan saraf tiruan. Asritekur jaringan saraf tiruan terbagi menjadi 3 yaitu jaringan lapisan tunggal dan lapisan multilayer. Jaringan layer tunggal terdiri dari lapisan input dan output saja. Sedangkan jaringan multilayer terdiri dari lapisan input, lapisan tersembunyi yang terletak diantara lapisan input dan lapisan output serta lapisan output.

Pengelompokkan jaringan saraf tiruan terbagi menjadi 2 yaitu jaringan saraf tiruan umpan maju dan jaringan saraf tiruan umpan balik

1. Jaringan saraf tiruan umpan maju (feed-forward networks)

Jaringan saraf tiruan umpan maju (feed-forward networks) merupakan sebuah jaringan sederhana dimana signal bergerak dari input menuju lapisan tersembunyi dan akhirnya mencapai unit output. Tipe jaringan umpan maju mempunyai sel saraf yang tersusun dari beberapa lapisan. Lapisan ini hanya mengenalkan suatu nilai dari suatu variabel. Lapisan tersembunyi dan lapisan output sel syaraf terhubung satu sama lain dengan lapisan sebelumnya. Contoh jaringan saraf tiruan umpan maju adalah single layer perceptron, multi layer perceptron, Radial Basis Function (Argadinata, 2013).

2. Jaringan saraf tiruan umpan balik (feedback networks)

Jaringan saraf tiruan umpan balik (feedback networks) merupakan graf yang mempunyai loop koneksi balik. Contoh jaringan saraf tiruan umpan balik adalah Competitive networks, kohonen SOM, hopfield network, ART model.

Radial Basis Function merupakan salah satu model jaringan saraf tiruan berbentuk multilayer perceptron yang memperbaiki nilai-nilai bobot, nilai tengah, dan jarak antar data untuk memecahkan suatu permasalahan (Buhmann, 2003). RBF terdiri dari 3 lapisan yaitu lapisan masukan (input layer), lapisan tersembunyi (hidden layer), dan lapisan keluaran (output layer). Jaringan saraf tiruan RBF dapat digambarkan seperti pada Gambar 2.2.

Gambar 2.2. Arsitektur umum Radial Basis Function

Neuron pada lapisan tersembunyi pada RBF melakukan transformasi non-linear dan memetakan masukan pada neuron lapisan masukan ke neuron lapisan tersembunyi tanpa parameter yang diubah-ubah. Selanjutnya neuron pada lapisan keluaran melakukan kombinasi linear terhadap neuron lapisan tersembunyi dengan parameter yang diubah-ubah yakni bobot hubungan antara neuron di lapisan tersembunyi dengan neuron pada lapisan keluaran.

Pada jaringan RBF, hidden layer menggunakan fungsi gaussian sebagai fungsi aktivasi Radial Basis Function (Bors, n.d.). Fungsi gaussian dinyatakan dengan:

� = −

‖�− � ‖

16

Dimana:

cj = nilai center Gaussian ke-j

σj = standar deviasi Gaussian ke-j x = masukan fungsi basis

ϕj

= fungsi Gaussian

Fungsi σ dinyatakan dengan persamaan 2.13.

� =

���

√�

Dimana merupakan nilai distance atau jarak terbesar dari hiddenj dan Cj merupakan nilai centroid pada hidden j.

2.6.1. Algoritma K-Means

Jaringan RBF mempunyai karakteristik dalam perhitungan fungsi aktivasi. RBF membutuhkan sebuah metode untuk mendapatkan nilai centroid dan standar deviasi pada jaringan hidden layer. Data input dikelompokkan menjadi beberapa kelompok atau cluster sehingga nilai centroid dan standar deviasi lebih mudah untuk dihitung. Salah satu cara untuk mendapatkan nilai centroid dan standar deviasi adalah menggunakan metode K-Means. Flowchart algoritma K-Means dapat dilihat pada Gambar 2.3 (Wu, 2012).

Gambar 2.3. Flowchart algoritma K-Means Clustering (Wu, 2012)

Tahapan algoritma K-Means (Wu, 2012) dapat dijabarkan sebagai berikut:

1. Menentukan jumlah cluster atau kelompok pada jaringan Radial Basis Function. Cluster merupakan jumlah hidden yang digunakan

2. Menentukan nilai centroid secara acak dari data dari sumber yang ditentukan.

3. Menghitung jarak data ke centroid menggunakan Euclidean Distance dengan persamaan 2.14

( , ) = √ ∑ ₌ − ²

Dimana adalah nilai vector input dari i dan adalah nilai vektor dari centroid hidden ke j.

18

4. Kemudian memperbaharui nilai centroid dengan cara mencari nilai mean dari anggota kelompok yang dapat dinyatakan pada persamaan sebagai berikut.

= ∑ =

5. Pengelompokan data sesuai dengan kelompok atau cluster, yaitu data yang memiliki jarak terpendek misalnya d( , < d( , maka masuk kedalam kelompok 1.

6. _{Ulangi langkah pertama sampai kelima hingga nilai centroid tidak berubah}.

Setelah proses pencarian nilai centroid dari data input menggunakan algoritma K-Means dilakukan, tahap selanjutnya dilakukan perhitungan nilai gaussian dengan menggunakan persamaan 2.12. Nilai input hasil pencarian centroid digunakan pada hidden layer. Sebelum menghitung nilai gaussian, nilai standar deviasi ditentukan terlebih dahulu menggunakan persamaan 2.13.

Setelah nilai gaussian diketahui, maka proses selanjutnya adalah mencari nilai deviasi adalah menghitung bobot baru (W) dengan mengalikan pseudoinverse dari matriks G (gaussian) dengan vector target(d) dengan persamaan 2.15

= �+

= ��� − ��

Setelah nilai weight diketahui maka tahap selanjutnya adalah menyimpan hasil nilai centroid dan nilai standar deviasi untuk dapat digunakan kembali pada saat proses pengujian.

tahap selanjutnya adalah menghitung nilai output jaringan Y(n) ditambah dengan bobot bias (b) dengan persamaan 2.16

= ∑ = � ‖ − ‖ + )

2.7. Penelitian Terdahulu

Pada bagian ini akan dijabarkan beberapa penelitian terdahulu. Penelitian tentang klasifikasi tanaman sudah dilakukan oleh peneliti terdahulu dengan menggunakan berbagai metode. Penelitian untuk mengidentifikasi jenis tanaman dengan menggunakan citra daun dilakukan oleh Sharma & Gupta (2015). Penelitian ini

(2.15)

(2.16)

klasifikasi. Hasil percobaan menunjukkan tingkat akurasi sebesar 91%.

Penelitian lain dilakukan oleh Agustin & Prasetyo (2011) mengenai klasifikasi jenis pohon mangga gadung dan curut berdasarkan tekstur citra daun. Klasifikasi dilakukan menggunakan metode K-Nearest Neighbor (KNN) dan Backpropagation. Penelitian ini menggunakan 30 citra daun untuk setiap mangga dan memiliki tingkat akurasi 65.19%.

Bowo et al. (2011) melakukan penelitian deteksi tepi untuk mengidentifikasi pola daun dengan membandingkan tiga metode yaitu, Sobel, Prewitt dan Roberts. Penelitian ini menggunan 5 jenis daun yang berbeda untuk mengetahui performansi terbaik diantara ketiga metode dalam mengidentifikasi daun. Hasil pengujian menunjukkan bahwa Prewitt dan Roberts mempunyai tingkat keberhasilan pengenalan paling tinggi sebesar 75% sedangkan Sobel sebesar 74%.

Klasifikasi dan penggunaan Radial Basis Function juga telah dilakukan pada penelitian terdahulu, Chairunnisaq (2016) melakukan penelitian pada padi dengan mengklasifikasi warna tanaman padi untuk menentukan jumlah pupuk yang tepat untuk tanaman tersebut menggunakan Radial Basis Function. Penelitian ini menggunakan HSV model sebagai metode feature extraction dan memiliki tingkat akurasi sebesar 90% dengan menggunakan 90 citra tanaman padi, dimana 60 citra digunakan dalam proses training dan 30 citra lainnya digunakan dalam pengujian sistem.

Penelitian lain yaitu mengenai pengenalan genre musik yang dilakukan oleh Gradhianta & Fuad (2013). Musik ditransformasi menjadi bentuk digital. Kemudian dilakukan proses ekstraksi fitur menggunakan Mel-Frequency Cepstrum Coefficients (MFCC) dan Radial Basis Function sebagai metode klasifikasi. Hasil penelitian ini dapat mengidentifikasi musik berdurasi 2 detik, 5 detik dan 10 detik dengan tingkat akurasi 54.17% , 70.83% dan 75% secara berurutan.

Penelitian terdahulu yang telah dipaparkan akan diuraikan secara singkat pada Tabel 2.2.

20

Tabel 2.2. Penelitian terdahulu

No Peneliti Tahun Metode Keterangan

1. Sapna Sharma & Chitvan Gupta

2015 Multilayer Feed Forward

NeuralNetwork

 Akurasi sebesar 91%

2. Subchan Ajie Ari Bowo, Achmad Hidayatno & R. Rizal Isnanto

2011 Sobel Prewitt Roberts

 Akurasi pengujian deteksi tepi daun sebesar 74% untuk sobel, 75% untuk Prewitt dan Roberts

3. Chairunnisaq 2016 HSV

RBF

 Akurasi pengujian 90% dengan 8% error ratio

4. Tangguh Gradhianta & Yusuf Fuad

2013 MFCC

RBF

 Akurasi identifikasi music berdurasi 2, 5 dan 10 detik sebesar 54.17%, 70.83% dan 75%

5. Soffiana Agustin & Eko Prasetyo

2011 KNN

Backpropagation

 Akurasi sebesar 65.19%

BAB 1

PENDAHULUAN

1.1. Latar Belakang

Data mining adalah proses mengeksplorasi dan menganalisis data dalam jumlah besar untuk menemukan pola dan rule yang berarti (Berry & Linoff, 2004). Klasifikasi adalah salah satu jenis data mining yang paling umum digunakan untuk analisis dan kategorisasi baik di dunia industri maupun akademik (Han & Kamber, 2006). Permasalahan klasifikasi sudah menjadi isu lama dalam bidang komputasi terutama pada pengenalan pola (pattern recognition). Berbagai solusi diajukan untuk mengatasi masalah klasifikasi ini, diantaranya klasifikasi kanker payudara, klasifikasi penyakit pada tanaman, klasifikasi jenis kayu, dan lain-lain.

Tanaman biasanya diidentifikasi secara manual berdasarkan taksonomi yang membutuhkan waktu yang lama. Ada banyak bagian tumbuhan yang bisa mempermudah untuk mengidentifikasi tumbuhan, seperti buah, biji, bunga, daun, akar, dan lain-lain. Tetapi bagian tanaman seperti bunga, buah dan biji tidak selalu tersedia karena tanaman hanya menghasilkan bagian tersebut di waktu tertentu. Sedangkan akar sulit untuk di dapat karena harus menggali tanah untuk mendapatkannya. Hanya daun yang tersedia hampir sepanjang tahun.

Setiap Negara di dunia memiliki tanaman yang beragam serta memiliki karakteristik masing-masing, namun banyak tanaman yang belum teridentifikasi dan sangat sulit untuk mengidentifikasi tanaman bila hanya terdapat daun pada tanaman tersebut. Selain itu, banyak tanaman yang memiliki daun dengan bentuk yang hampir sama, menjadikan identifikasi secara manual tidak efektif dan membutuhkan waktu yang lama. Hal ini dialami oleh mahasiswa jurusan terkait.

2

Penelitian mengenai klasifikasi tanaman telah beberapa kali dilakukan pada penelitian – penelitian sebelumnya. (Imaduddin & Tawakal, 2015) melakukan penelitian deteksi dan klasifikasi daun menggunakan metode Adaboost dan Support Vector Machine dengan tingkat akurasi 51.68%. Penelitian lain yaitu pengklasifikasian daun mangga, salam dan sawo menggunakan Naïve Bayes (Hermawan et al., 2013). Hasil penelitian ini menunjukkan bahwa algoritma Native Bayes cukup efektif untuk proses klasifikasi.

Penelitian selanjutnya berkaitan dengan metode yang akan digunakan penulis untuk mengimplementasikan aplikasi adalah penelitian yang dilakukan oleh (Er et al., 1999) mengenai facial recognition menggunakan metode Radial Basis Function. Pada penelitian ini Discriminant Eigenfeatures digunakan sebagai metode feature extraction. Hasil penelitian ini menunjukkan hasil akurasi tinggi dengan tingkat error yang rendah yaitu sebesar 1.5%.

Pada penelitan ini, penulis mengusulkan sistem menggunakan metode Radial Basis Function untuk mengklasifikasi tanaman menggunakan citra daun. Radial Basis Function merupakan jaringan saraf tiruan yang dapat dilatih sehingga dapat mengklasifikasikan dengan baik, memiliki kelebihan dalam hal pengujian atau pembelajaran yang sangat cepat. Dengan pemilihan metode ini diharapkan peneliti dapat mengklasifikasikan tanaman dengan akurat dalam waktu yang singkat sehingga dapat mempermudah pengenalan daun yang selama ini dilakukan secara manual berdasarkan taksonomi. Berdasarkan latar belakang tersebut, penulis mengajukan

proposal penelitian dengan judul “PENERAPAN JARINGAN SARAF TIRUAN

RADIAL BASIS FUNCTION PADA TOOLS KLASIFIKASI TANAMAN”.

1.2. Rumusan Masalah

Dunia kaya akan keberagaman tanaman, tetapi banyak tanaman yang belum teridentifikasi. Selain itu, identifikasi tanaman dilakukan secara manual berdasarkan taksonomi sehingga membutuhkan waktu yang lama. Oleh karena itu, dibutuhkan sebuah aplikasi yang dapat mengklasifikasi tanaman dalam waktu yang singkat dan akurat.

Dalam melakukan penelitian ini, peneliti memberikan batasan pada ruang lingkup masalah. Hal ini bertujuan agar penelitian dapat dilakukan pada batasan-batasan yang jelas.

Adapun batasan masalah yang digunakan adalah: 1. Citra yang digunakan merupakan citra daun,

2. Data yang digunakan merupakan dataset yang diambil dari

http://flavia.sourceforge.net/,

3. Klasifikasi akan dilakukan pada lima jenis tanaman,

4. Ekstensi citra yang digunakan adalah citra format jpeg (.jpg), dan png (.png), 5. Sistem bersifat offline.

1.4.Tujuan Penelitian

Adapun tujuan dari penelitian ini adalah merancang sebuah tools klasifikasi untuk mengidentifikasi jenis tanaman dalam waktu singkat dan akurat menggunakan metode

Radial Basis Function.

1.5. Manfaat Penelitian

Adapun manfaat yang dapat diperoleh dari penelitian ini adalah : 1. Menambah pengetahuan penulis,

2. Mempermudah identifikasi tanaman,

3. Menjadi bahan referensi bagi peneliti selanjutnya.

1.6. Metodologi Penelitian

Tahapan yang akan dilakukan pada penelitian ini adalah sebagai berikut : 1. Studi Literatur

Pada tahap ini, penulis mengumpulkan literatur tentang masalah yang diperlukan untuk dalam penelitian. Tahapan ini dilakukan untuk mengetahui

DAFTAR ISI

Hal.

Persetujuan ii

Pernyataan iii

Ucapan Terima Kasih iv

Abstrak vi

Abstract vii

Daftar Isi viii

Daftar Tabel xi

Daftar Gambar xii

BAB 1 PENDAHULUAN

1.1. Latar Belakang 1

1.2. Rumusan Masalah 2

1.3. Batasan Masalah 2

1.4. Tujuan Penelitian 3

1.5. Manfaat Penelitian 3

1.6. Metodologi Penelitian 3

1.7. Sistematika Penulisan 4

BAB 2 LANDASAN TEORI

2.1. Klasifikasi 6

2.1.1. Tujuan Klasifikasi 6

2.1.2. Konsep Pembuatan Model Klasifikasi 7

2.2. Citra 8

2.2.1. Citra Warna 8

2.2.2. Citra Keabuan 8

2.3. Pengolahan Citra 8

2.3.1. Grayscaling 8

2.3.3. Thresholding 10

2.4. Invariant Moment 11

2.4.1. Konsep Invariant Moment 11

2.5. Jaringan Saraf Tiruan 13

2.6. Radial Basis Function 15

2.6.1. Algoritma K-Means 16

2.7. Penelitian Terdahulu 18

BAB 3 ANALISIS DAN PERANCANGAN

3.1. Arsitektur Umum 21

3.2. Pre-Processing 23

3.2.1. Pembentukan Citra Keabuan (Grayscaling) 23

3.2.2. Penghalusan Citra (Gaussian) 24

3.2.3. Segmentasi Citra (Thresholding) 24

3.3. Feature Extraction 25

3.3.1. Invariant Moment 25

3.4. Klasifikasi 27

3.4.1. Perancangan Arsitektur Radial Basis Function 27

3.4.2. Tahap Pelatihan dan Pengujian Radial Basis Function 28

3.5. Data 34

3.5.1. Data Masukan 34

3.5.2. Data Proses 34

3.5.3. Data Keluaran 35

3.6. Perancangan Sistem 35

3.6.1. Perancangan Menu Sistem 35

3.6.2. Perancangan tampilan antarmuka sistem 35

BAB 4 IMPLEMENTASI DAN PENGUJIAN

4.1. Implementasi Sistem 39

4.1.1. Spesifikasi perangkat keras dan perangkat lunak 39

4.1.2. Implementasi perancangan antarmuka sistem 40

4.2. Pengujian Kinerja Aplikasi 42

4.4. Prosedur Operasional 51

4.4.1. Prosedur operasional pada halaman pelatihan citra 51

4.4.2. Prosedur operasional pada halaman pengujian citra 54

4.5. Pengujian Citra 56

BAB 5 KESIMPULAN DAN SARAN

5.1. Kesimpulan 60

5.2. Saran 60

DAFTAR TABEL

Hal. Tabel 2.1. Contoh matriks kernel gaussian 5x5 dengan σ = 1.0 9

Tabel 2.2. Penelitian terdahulu 20

Tabel 3.1. Nilai input awal 29

Tabel 3.2. Nilai awal centroid 29

Tabel 3.3. Nilai Euclidean Distance pada masing-masing node 31

Tabel 3.4. Nilai ter-update centroid 32

Tabel 4.1. Rencana pengujian kinerja aplikasi 42

Tabel 4.2. Hasil pengujian kinerja aplikasi 43

Tabel 4.3. Rangkuman hasil latih citra daun 46

Tabel 4.4. Target output 57

DAFTAR GAMBAR

Hal. Gambar 2.1. Pemetaan Atribut (x) ke dalam Label Kelas (y) (Tan et al., 2004) 6 Gambar 2.2. Arsitektur umum Radial Basis Function 15 Gambar 2.3. Flowchart algoritma K-Means Clustering (Wu, 2012) 17

Gambar 3.1. Arsitektur umum sistem 22

Gambar 3.2. Citra daun 23

Gambar 3.3. Citra daun grayscale 23

Gambar 3.4. Langkah-langkah proses grayscaling 23

Gambar 3.5. Citra hasil proses gaussian 24

Gambar 3.6. Citra hasil proses thresholding 24

Gambar 3.7. Langkah-langkah proses thresholding 25

Gambar 3.8. Citra hasil proses thresholding 25

Gambar 3.9. Arsitektur umum Radial Basis Function pada sistem 28

Gambar 3.10. Struktur menu aplikasi 35

Gambar 3.11. Rancangan tampilan awal aplikasi 36

Gambar 3.12. Rancangan tampilan halaman data training 36 Gambar 3.13. Rancangan tampilan halaman data testing 38

Gambar 4.1. Halaman utama 40

Gambar 4.2. Halaman training data 41

Gambar 4.3. Halaman testing data 42

Gambar 4.4. Tombol “Add” pada halaman training data 51 Gambar 4.5. Kotak dialog yang muncul setelah tombol “Add” di klik 51 Gambar 4.6. Halaman data training setelah pengisian data 52 Gambar 4.7. Kotak dialog yang muncul setelah tombol “Browse” di klik 53 Gambar 4.8. Jendela baru yang muncul setelah tombol “Preview” 53

pada panel tree image di klik

Gambar 4.9. Jendela baru yang muncul setelah tombol “Preview” 54 pada panel leaf image training di klik

Gambar 4.10. Kotak dialog yang muncul setelah tombol “Browse” di klik 54 Gambar 4.11. Tampilan halaman pengujian setelah tombol “Classify” di klik 55

Gambar 4.12. Preview grayscale, gaussian dan threshold 55 Gambar 4.13. Tampilan jendela baru setelah panel “Result” di klik 56